一种智能停车场调度方法及系统技术方案

本发明专利技术公开了一种智能停车场调度方法及系统，以实现自动泊车路径规划以及促进停放车辆参与计算解决计算压力的功能，实现智能停车场内时空和算力资源的最大化利用

【技术实现步骤摘要】
一种智能停车场调度方法及系统


[0001]本专利技术涉及智能调度
，具体涉及一种智能停车场调度方法及系统
。

技术介绍

[0002]随着城市发展和汽车普及，停车难成为了一大社会问题
。
为了解决这个问题，全自动停车场应运而生
。
全自动停车场可以高效利用空间，提高停车效率，减少人力成本
。
然而，全自动停车场的车位寻找及路径规划问题仍然具有挑战性
。
为了实现自动泊车环节的智能化，研究者们已经尝试采用各种控制策略和优化算法，如基于模型预测控制
MPC
的方法和基于强化学习的方法
。
[0003]MPC
方法可以预测系统未来行为，并进行优化控制决策
。
这种方法在给定路线的车辆运动中非常适用，但在复杂的全自动停车场场景中，
MPC
方法难以应对多智能体协作和动态环境
。
强化学习是一种自适应算法，能够通过与环境交互来学习最佳策略
。
基于强化学习的方法在多智能体协作和动态环境中具有较好的性能
。
然而，现有的强化学习方法在实际应用中存在收敛速度慢
、
计算复杂度高等问题
。
[0004]另外，物联网和无线通信技术的发展促进了具有低延迟和实时处理要求的计算密集型应用的出现，如计算机视觉
、
自然语言处理和自动驾驶
。
然而，停车场计算资源有限的移动设备很难为用户提供所需的服务质量，一些不恰当的计算范式也会导致纳入停放车辆提供算力的任务分配系统具有很高的计算延迟和能量消耗
。
为了解决这些问题，研究者们同样尝试采用各种方法，如基于合同激励的方法
、
基于一主多从
Stackelberg
博弈模型的方法
、
考虑移动车辆在内的多通道边缘计算联合任务卸载等
。
[0005]基于合同激励的方法可以用于促进停放车辆提供计算资源，最终设计基于合同的最优化问题指导任务分配
。
这种方法可以有效地激励停放车辆提供算力，但只是单一地优化了提供服务的车辆效益，没有考虑请求车辆的效益，也没有把路边基站考虑在内
。
基于一主多从
Stackelberg
博弈模型的方法采用一主多从
Stackelberg
博弈模型能够确立请求车辆在任务分配过程中的领导地位，最终也能根据请求方的意愿给出任务分配策略
。
但是，任务量足够大时，一主多从博弈模型受算法会面临收敛速度慢的问题
。
考虑移动车辆在内的多通道边缘计算联合任务卸载，该计算范式将移动车辆考虑在内，任务可以由路边基站卸载到两种车辆，最终优化所有设备总加权任务处理延迟最小
。
但是，从实际情况的角度考虑，停车场内移动车辆也有属于自己的计算任务，提供算力有限，优化目标也过于单一
。

技术实现思路

[0006]本专利技术的目的是提供一种智能停车场调度方法及系统，以实现自动泊车路径规划以及促进停放车辆参与计算解决计算压力的功能，实现智能停车场内时空和算力资源的最大化利用
。
[0007]为实现本专利技术的目的，本专利技术提供的技术方案如下：
[0008]第一方面
[0009]本专利技术实施例提供了一种智能停车场调度方法，包括如下步骤：
[0010]基于自动泊车混合控制器进行自动泊车的步骤；
[0011]基于车载边缘计算给出定价策略指导停放车辆参与计算的步骤
。
[0012]其中，所述基于自动泊车混合控制器进行自动泊车的步骤，包括如下：
[0013]基于
MPC
控制器模型完成车辆沿巡航路径寻找车位过程的步骤；
[0014]基于
PPO
智能体完成车辆完成泊车过程的步骤
。
[0015]其中，所述
MPC
控制器模型构建如下：
[0016]首先，建立关于车辆位置
(x
，
y)、
车辆加速度
a、
车辆速度
v、
车辆转向角速度
δ
、
车辆前轮间距
L
f
、
车辆航向角
ψ
、
车辆航行轨迹与参考路径的误差
cte
的约束条件：
[0017]x
t+1
＝
x
t
+v
t
*cos
ψ
t
*dt
，
[0018]y
t+1
＝
y
t
+v
t
*sin
ψ
t
*dt
，
[0019]ψ
t+1
＝
ψ
t
+v
t
/L
f
*
δ
t
*dt
，
[0020]v
t+1
＝
v
t
+a*dt
，
[0021]cte
t+1
＝
f(x
t
)
‑
y
t
+v
t
*sin(e
ψ
t
)*dt
，
[0022]e
ψ
t+1
＝
ψ
t+1
+v
t
/L
f
*
δ
t
*dt.
[0023]利用车辆航行轨迹与参考路径的误差
cte、
航向角误差
e
ψ
、
偏移量误差
eL
，速度误差
eSp
，车辆状态角误差
eAng
构建滚动优化函数
J
：
[0024][0025]最后基于现实情况给出限制条件
[0026][0027]求解此模型即可指导汽车完成沿着巡航路径的寻找车位过程
。
[0028]其中，所述基于车载边缘计算给出定价策略指导停放车辆参与计算的步骤，包括如下：
[0029]构建多阶段
Stackelberg
博弈模型，基于该博弈模型建立优化问题，利用逆向归纳方法对模型进行求解的步骤；
[0030]根据结果给出配套的定价策略指导任务分配的步骤
。
[0031]第二方面
[0032]本专利技术实施例提供了一种智能停车场调度系统，包括自动泊车单元和车载边缘计算单元；
[0033]所述自动泊车单元用于基于自动泊车混合控制器进行自动泊车；
[0034]所述车载本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种智能停车场调度方法，其特征在于，包括如下步骤：基于自动泊车混合控制器进行自动泊车的步骤；基于车载边缘计算给出定价策略指导停放车辆参与计算的步骤
。2.
根据权利要求1所述的智能停车场调度方法，其特征在于，所述基于自动泊车混合控制器进行自动泊车的步骤，包括如下：基于
MPC
控制器模型完成车辆沿巡航路径寻找车位过程的步骤；基于
PPO
智能体完成车辆完成泊车过程的步骤
。3.
根据权利要求2所述的智能停车场调度方法，其特征在于，所述
MPC
控制器模型构建如下：首先，建立关于车辆位置
(x
，
y)、
车辆加速度
a、
车辆速度
v、
车辆转向角速度
δ
、
车辆前轮间距
L
f
、
车辆航向角
ψ
、
车辆航行轨迹与参考路径的误差
cte
的约束条件：
x
t+1
＝
x
t
+
υ
t
*cos
ψ
t
*dt
，
y
t+1
＝
y
t
+
υ
t
*sin
ψ
t
*dt
，
ψ
t+1
＝
ψ
t
+
υ
t
/L
f
*
δ
t
*dt
，
υ
t+1
＝
υ
t+a*dt
，
cte
t+1
＝
f(x
t
)
‑
y
t
+
υ
t
*sin(e
ψ
t
)*dt
，
e
ψ
t+1
＝
ψ
t+1
+
υ
t
/L
f
*
δ
t
*dt.
利用车辆航行轨迹与参考路径的误差
cte、
航向角误差
e
ψ
、
偏移量误差
eL
，速度误差
eSp
，车辆状态角误差
eAng
构建滚动优化函数
J
：最后基于现实情况给出限制条件求解此模型即可指导汽车完成沿着巡航路径的寻找车位过程
。4.
根据权利要求1所述的智能停车场调度方法，其特征在于，所述基于车载边缘计算给出定价策略指导停放车辆参与计算的步骤，包括如下：构建多阶段
Stackelberg
博弈模型，基于该博弈模型建立优化问题，利用逆向归纳方法对模型进行求解的步骤；根据结果给出配套的定价策略指导任务分配的步骤
。5.

【专利技术属性】
技术研发人员：吴华明，雷松鑫，李俊毅，郭鑫垚，张妤，郑璐，王意骁，
申请(专利权)人：天津大学，
类型：发明
国别省市：