基于智能规划技术的泊车规划系统及方法与流程

本发明涉及智能停车管理领域，特别涉及一种基于智能规划技术的泊车规划系统及方法。
背景技术：
：随着汽车社会全球化以及中国社会汽车化的发展，中国俨然已成为世界级汽车大国，再加上中国规划建设滞后，停车位数量明显偏少，供需矛盾突出，“停车难”的问题日益增长。目前国内大多数停车场中并没有采用相关泊车规划方法，在提供具体有效的停车位以及到达该位置的规划方面，大多依靠人工指引或者让司机自己盲目地寻找车位。尤其是在大型地下停车场中，由于视野狭窄，在没有规划方法的情况下，泊车者只能在场内无序流动寻找停车位，导致长时间占用场内车道资源，造成交通拥堵。一方面浪费了泊车者宝贵的时间，另一方面长时间的拥堵还会产生不必要的能源消耗，从而加剧城市的大气污染。在倡导节能减排，低碳出行的当今社会，如何有效提升停车导航智能化水平将会是一个具有经济效益的话题。对于汽车本身，大多利用车载gps定位系统进行导航，使用最优路径算法来规划路径(如dijkstra算法、a*算法等)。但是这套导航系统在停车场中并不适用：一者是因为地下停车场往往gps信号微弱，定位不准确，而且导航系统通常没有停车场的地形图，从而无法导航；二者，这套系统对导航算法的要求也比较高，得到的规划路径对于用户而言比较抽象。因此，目前国内停车场管理中存在车位利用率低、泊车者寻找车位难，而车载gps导航系统却不能适用于停车场的泊车路径规划的问题。技术实现要素：本发明所要解决的技术问题是：提供一种基于智能规划技术的泊车规划系统及方法，解决目前停车场管理中存在的车位利用率低、泊车者寻找车位难，而车载gps导航系统却不能适用于停车场的泊车路径规划的问题。本发明解决上述技术问题采用的技术方案是：基于智能规划技术的泊车规划系统，包括检测单元，用于检测泊车环境信息；网络传输单元，用于将泊车环境信息传输至规划生成单元；规划生成单元，用于建立泊车规划模型，结合收到的泊车环境信息对泊车规划模型进行求解，生成相应泊车规划信息；人机交互单元，用于将泊车规划信息呈现给泊车用户。作为进一步优化，所述检测单元包括设置于停车场入口处，用于检测车牌信息的识别装置和设置于停车位处，用于检测周围环境信息的超声波传感器装置。作为进一步优化，所述规划生成单元包括：服务器、后台数据库和启发式智能规划系统，所述后台数据库对泊车环境信息进行存储，所述服务器在获取到泊车用户的响应后，通知后台数据库检索相关泊车环境信息，然后根据泊车环境信息实时更新泊车问题模型，最后使用启发式智能规划系统求解规划模型生成车辆的泊车规划路径。作为进一步优化，所述人机交互单元包括用户的移动终端，用于从规划生成单元的服务器获取泊车规划路径呈现给用户。此外，本发明还提供了一种基于智能规划技术的泊车规划方法，其包括以下步骤：a、根据实际停车场环境建立停车场地形图；b、根据建立的停车场地形图，使用智能规划的模型语言pddl构造符合真实停车场环境的泊车规划模型；泊车规划模型包括停车场领域模型和泊车问题模型；c、采集泊车环境信息，根据泊车环境信息实时在线更新泊车问题模型；d、对停车场领域模型和实时在线更新的泊车问题模型进行求解，实时生成泊车规划路径；e、将实时生成的泊车规划路径返回给泊车用户。作为进一步优化，步骤a中，所述建立的停车场地形图上标有方向并包含道路，路口和停车场入口；其中，地形图网络中每个节点表示路口，节点之间的连线表示道路，道路纵横交错构成地形图，并且，建立的停车场地形图符合真实的停车场环境。作为进一步优化，步骤b中，所述构造符合真实停车场环境的泊车规划模型，具体包括：构造停车场领域模型：使用pddl语言将停车场领域中的对象建模为对象类型，将停车场领域中的静动态关系及属性建模为谓词集合，将停车场领域中动作建模为操作符集合；构造初始泊车问题模型：根据停车场地形图，使用pddl语言构造能够完全模拟该地形图的问题模型，建模内容包括：初始对象、问题初始状态和目标状态；其中初始对象包括车辆、道路、方向和容量数值；问题初始状态包括车辆初始位置、道路连接关系、道路空间方位关系和道路的初始车位容量属性；目标状态则为停车目标车位。作为进一步优化，步骤c中，所述采集泊车环境信息，根据泊车环境信息实时在线更新泊车问题模型，具体包括：采集泊车环境信息：实时监测停车场入口处环境信息，当检测到车辆进入停车场时，则记录车牌信息并绑定用户，同时检测车位空闲状态信息；更新泊车问题模型：更新初始对象中的车辆对象为本次绑定的车牌信息，并根据车位空闲状态信息更新问题初始状态中道路的初始车位容量属性。作为进一步优化，步骤d中，所述对停车场领域模型和实时在线更新的泊车问题模型进行求解的过程包括：d1、对停车场领域模型和泊车问题模型进行转换，生成有限域表示的泊车规划任务；d2、对生成的泊车规划任务进行编译，解析成停车场领域转换图dtg和保存相关信息的数据结构ds；d3、使用多启发式融合的策略方法对生成的dtg和ds进行搜索求解。作为进一步优化，步骤d3中，所述使用多启发式融合的策略方法对生成的dtg和ds进行搜索求解，具体包括：融合landmark计数启发式和ff启发式对生成的dtg和ds进行搜索求解，搜索过程中根据启发式的优先级，选择当前最优的启发式进行下一扩展节点的选择；搜索过程包括：开始从初始状态出发，并将所有开放列表及优先值初始化为空，在每次迭代中，如果当前状态不在closed_list列表中，将它加入closed_list列表，然后进行队列优先级处理，处理之后，选择优先级高的队列中的最优状态作为当前状态，并将该队列优先级降低，循环直到到达的状态满足目标状态，最后根据closed_list全局列表返回规划路径；其中优先级处理方法为：首先计算当前状态的两种启发式值以及各自的有利动作集合，然后判断当前状态的启发式值是否小于最优启发式值，如果小于，则更新最优启发式值并提高该启发式队列的优先级，否则，则跳过该过程将当前状态的后继状态插入到合适的队列中。本发明的有益效果是：将人工智能中的智能规划技术应用到泊车规划中，解决停车场中传统的人工指引和盲目寻求方法中存在的造成交通拥堵和大气污染、浪费泊车时间的弊端。并且相比当前的导航系统和最优路径算法，基于智能规划的泊车规划方法更简单易实施，没有局限性，得到的规划路径是命题式的，能够反映在真实应用领域中的环境或行为模式，因此也更容易理解。附图说明图1为本发明的泊车规划系统架构图；图2为泊车规划系统中的业务逻辑层设计框图；图3为本发明的泊车规划方法流程图；图4为本发明的一个简化的停车场地形图；图5为本发明的泊车问题模型更新流程图；图6为本发明的泊车规划模型求解流程图；图7为本发明的启发式队列优先级处理流程图；图8为本发明的多启发式融合搜索方法流程图。具体实施方式智能规划方法一般包含规划模型设计和模型求解两个步骤，规划模型设计又分为领域模型设计和问题模型设计两部分。本发明将智能规划的思想运用到泊车规划方法中，具体将泊车问题设计为泊车规划模型，然后利用智能规划算法求解泊车规划模型，在搜索过程中使用了多启发式融合的策略，相比使用单启发式方法进行搜索，能够快速得到一种准确、新颖的最优泊车规划路径。并且与传统的最优路径算法相比，基于智能规划的泊车规划方法更简单，用户得到的规划路径是命题式的，能够反映在真实应用领域中的环境或行为模式，因此更简单易懂。因此，利用本发明的方案能够解决目前停车场管理中存在的车位利用率低、泊车者寻找车位难，而车载gps导航系统却不能适用于停车场的泊车路径规划的问题。实施例：如图1所示，本实施例中的基于智能规划技术的泊车规划系统，包括4层结构，从底向上分别是数据采集层、数据传输层、业务逻辑层和应用层。其中，数据采集层为检测单元，用户采集泊车环境信息；数据采集层向上为数据传输层，数据传输层为网络传输单元，用于传输下层泊车环境信息到上一层的业务逻辑层；业务逻辑层为规划生成单元，用于建立泊车规划模型，结合收到的泊车环境信息对泊车规划模型进行求解，生成相应泊车规划信息；顶层为应用层，采用人机交互单元，该层负责将泊车规划路径传送给泊车用户。在具体实现上，数据采集层为一检测单元，包括设置于停车场入口处，用于检测车牌信息的识别装置和设置于停车位处，用于检测周围环境信息的超声波传感器装置，采集的车牌信息和停车位环境信息(主要指车位空闲状态信息)称为泊车环境信息；网络传输单元采用无线通信网络作为传输通道，主要用于泊车环境信息的汇总和传输。对于业务逻辑层的设计如图2所示，规划生成单元包括：服务器、后台数据库和启发式智能规划系统，所述后台数据库对泊车环境信息进行存储，所述服务器在获取到泊车用户的响应后，通知后台数据库检索相关泊车环境信息，然后根据泊车环境信息实时更新泊车问题模型，最后使用启发式智能规划系统求解规划模型生成车辆的泊车规划路径。人机交互单元包括用户的移动终端，用于从规划生成单元的服务器获取泊车规划路径呈现给泊车用户。基于上述系统，本发明实现的基于智能规划的泊车规划方法流程如图3所示，其包括建立停车场地形图、构造泊车规划模型、采集泊车环境信息、更新泊车问题模型、求解规划模型和返回泊车规划路径六个步骤；其中，建立停车场地形图是为了后续构造规划模型做准备，构造泊车规划模型是根据停车场地形图设计领域停车场领域模型和泊车问题模型，而采集泊车环境信息是为了后续更新泊车问题模型做准备，更新泊车问题模型以后，求解规划模型是利用智能规划系统对设计的停车场领域模型和更新后的泊车问题模型进行求解，最后生成泊车规划路径以后返回给用户。各个步骤的具体实施手段如下：步骤1、建立停车场地形图：如图4所示为本实施例建立的停车场地形图，来源为某地段的地下停车场分布简化图，该场景对停车场的几何结构有所限制以减少问题复杂性，图4中箭头代表停车场入口，顶点表示路口，顶点之间的线段表示道路，各条道路纵横交错构成交通网络，均以数字标号，方向设置为上北下南，所建立的地形图符合实际停车场环境；步骤2、构造泊车规划模型：根据步骤1所建立的停车场地形图，使用智能规划模型语言pddl构造符合真实停车场环境的泊车规划模型，分为停车场领域模型和泊车问题模型两部分，pddl语法中规定在模型描述中使用符号“？”标识的字母表示该变量是一个参数对象，符号“-”表示该变量的参数对象类型，具体如下：步骤2.1、构造停车场领域模型，包括步骤2.1.1-步骤2.1.3：步骤2.1.1、首先对停车场领域中对象建模为类型types如下所示：对象类型表示含义car汽车road道路direction方向capacity道路容量数值步骤2.1.2、对领域中静动态关系及属性建模为谓词集合predicates，如下所示：谓词表示含义(on_road？c-car？r-road)车辆所在道路(locate？r1？r2-road？d-direction)道路之间的方位关系(connected？r1？r2-road)道路之间的连接关系(has_capacity？r-road？s-capacity)道路车位容量属性(next_capacity？s1？s2-capacity)容量大小关系(is_parked？c-car)停车状态步骤2.1.3、对停车场领域中的动作建模为操作符集合operators，每个操作符包含参数parameters、前提条件precondition和效果effect，包括行驶和停车两个动作，如下所示：步骤2.2、构造泊车问题模型：使用pddl语言构造能够完全模拟该地形图的问题模型，建模内容包括：初始对象、问题初始状态和目标状态。其中初始对象包括车辆、道路、方向和容量数值，初始状态又包括车辆初始位置、道路连接关系、道路空间方位关系和道路的初始车位容量属性，目标状态则为停车目标，具体包括步骤2.2.1-步骤2.2.3：步骤2.2.1、根据停车场领域模型中的对象类型types初始化问题对象，初始化的对象有car、road、direction和capacity。例如，若问题中车辆数为n，初始化为n辆车并为每辆汽车命名，如图2所示道路的条数为13，初始化为13条道路并为每条道路命名，如entry、road1、road2依次类推，capacity设置容量的取值范围(大于等于0)；步骤2.2.2、将问题模型中的初始状态建模为init，使用领域模型中建立的谓词predicates进行具体建模，如使用谓词(on_roadcarentry)表示车辆在停车场入口，使用谓词(connectedroad1road2)表示道路1和道路2相连，使用谓词(next_capacitytwoone)表示容量大小关系，使用谓词(locateroad2road1east)表示道路2在道路1的东方向，使用谓词(has_capacityroad1two)表示道路1的车位容量为2，由于篇幅原因这里仅列出部分问题模型，实际情况需要对问题中的所有静动态关系和相关属性进行建模；步骤2.2.3、将问题模型中的目标状态建模为goal，使用目标谓词(is_parkedcar)表示泊车问题中所要达到的目标状态。步骤3、采集泊车环境信息：通过停车场入口检测单元，实时监测停车场入口处环境信息，一旦检测到车辆进入停车场，记录车牌信息并绑定用户，然后开始启动车位检测单元，检测车位空闲状态信息，并统计每条道路的空闲车位数，通过网络传输单元将这些泊车环境信息传送给规划生成单元；步骤4、更新泊车问题模型：如图5所示为泊车问题模型的更新流程，当检测到车辆进入停车场以后，启动车位检测单元采集信息并进行传输，规划生成单元根据接收到的泊车环境信息，包括车辆车牌信息和车位空闲信息，实时更新泊车问题模型，即改变问题模型的车辆对象和初始状态，更新方法为：绑定车辆信息之后，将车辆对象更改为车牌号表示的车辆，比如(car5768–car)，根据车位空闲信息，道路上的一个空闲车位将使该条道路的容量加1，即在谓词(has_capacity？r-road？s-capacity)中将参数s的值设置为统计值。比如在图4所示的道路road1上若此时空闲车位数为5，则设置谓词(has_capacityroad1five),所有道路的容量根据当时的实际情况更新；步骤5、求解规划模型：如图6所示为泊车规划模型的求解流程，该步骤是对步骤2中构造的停车场领域模型和步骤4中更新后的泊车问题模型进行在线求解，生成泊车规划路径，分为转换、编译和搜索三部分，具体如下：步骤5.1、使用启发式智能规划系统对领域模型和问题模型进行转换translation，生成有限域表示的泊车规划任务；步骤5.2、使用启发式智能规划系统对生成的泊车规划任务进行编译compilation，解析成停车场领域转换图dtg和保存相关信息的数据结构ds。步骤5.3、使用多启发式融合搜索方法(融合了landmark计数启发式和ff启发式)对生成的dtg和ds进行搜索求解，搜索过程中根据启发式的优先级，选择当前最优的启发式进行下一扩展节点的选择，其中ff启发式是利用放宽规划图中放宽动作的数量作为启发式估值，而landmark计数启发式的计算公式如下：h＝n-m+k其中n为所有的landmark命题数目，m表示已经为真过的landmark数目，k表示之前为真，在当前状态s之后还需要为真的landmark数目。此方法包含两个算法，具体如下:首先在搜索过程中分别为两种启发式建立了不同的优先级队列，因此在搜索过程中，下一个要扩展的状态s总是根据分配给每个队列的数值优先级在不同队列中进行选择。算法流程如图7所示，算法首先计算当前状态的两种启发式值以及各自的有利动作集合，然后判断当前状态的启发式值是否小于最优启发式值，如果小于则更新最优启发式值并提高该启发式队列的优先级，如果不小于则跳过该过程将当前状态的后继状态插入到合适的队列中。如图8所示为本发明提出的利用多启发式融合进行搜索的流程，算法的输入为有限域表示的规划任务，输出为规划路径，该算法基于贪心的思想，开始从初始状态出发，并将所有开放列表及优先值初始化为空，在每次迭代中，如果当前状态不在closed_list列表中，将它加入closed_list列表，然后进行队列优先级处理，处理之后，选择优先级高的队列中的最优状态作为当前状态，并将该队列优先级降低，循环直到到达的状态满足目标状态，最后根据closed_list全局列表返回规划路径。步骤6、返回泊车规划路径:通过人机交互单元将上述步骤生成的泊车规划路径，通过无线传输的方式发送到本次绑定的泊车用户，用户根据收到的泊车规划路径即可到达最优的空闲停车位。当前第1页12