GO6V20GO6V20/54(2022.0GO6N3/0464(2023智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃與實時監(jiān)控方法種智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃與實時監(jiān)控方像序列及實時交通流量信息等多源環(huán)境感知數(shù)數(shù)據(jù)并通過強化學(xué)習(xí)算法生成最終路徑規(guī)劃方譜21.一種智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃與實時監(jiān)控方法，其特征在于，包括：獲取多源環(huán)境感知數(shù)據(jù)集合；所述多源環(huán)境感知數(shù)據(jù)包括激光雷達點云數(shù)據(jù)、攝像頭圖像序列及實時交通流量信息；所述激光雷達點云數(shù)據(jù)包含障礙物輪廓特征及路面平整度信息，所述攝像頭圖像序列包含動態(tài)目標軌跡及道路標識識別結(jié)果；基于所述激光雷達點云數(shù)據(jù)，通過動態(tài)路網(wǎng)建模算法提取局部路網(wǎng)特征，所述路網(wǎng)特征包括障礙物分布密度、通行區(qū)域邊界坐標及道路拓撲連接關(guān)系；根據(jù)所述攝像頭圖像序列，通過時序目標追蹤算法生成動態(tài)目標運動預(yù)測圖譜，所述圖譜包含目標軌跡預(yù)測路徑及碰撞風(fēng)險概率值；將所述實時交通流量信息進行時空切片處理，生成區(qū)域通行效率演化曲線；將所述局部路網(wǎng)特征、動態(tài)目標運動預(yù)測圖譜及區(qū)域通行效率演化曲線輸入路徑優(yōu)化基于所述初始路徑序列，通過區(qū)域分割算法劃分清潔任務(wù)優(yōu)先級，輸出清潔區(qū)域權(quán)重分布圖；將所述清潔區(qū)域權(quán)重分布圖與初始路徑序列融合，通過強化學(xué)習(xí)算法構(gòu)建動態(tài)調(diào)整策略網(wǎng)絡(luò)，生成最終路徑規(guī)劃方案。2.根據(jù)權(quán)利要求1所述的一種智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃與實時監(jiān)控方法，其特征在于，所述通過動態(tài)路網(wǎng)建模算法提取局部路網(wǎng)對所述激光雷達點云數(shù)據(jù)進行體素降采樣處理，生成稀疏點云地圖；基于網(wǎng)格劃分規(guī)則將稀疏點云地圖劃分為若干子區(qū)域，計算各子區(qū)域的障礙物覆蓋面積占比；將所述障礙物分布密度、通行區(qū)域邊界坐標及道路拓撲連接關(guān)系編碼為局部路網(wǎng)特3.根據(jù)權(quán)利要求1所述的一種智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃與實時監(jiān)控方法，其特征在于，所述通過時序目標追蹤算法生成動態(tài)目標運動預(yù)測圖譜，包括：對所述攝像頭圖像序列進行幀間差分處理，提取動態(tài)目標運動矢量；基于卡爾曼濾波算法預(yù)測目標未來位置，并計算軌跡預(yù)測路徑的置信度；根據(jù)歷史碰撞數(shù)據(jù)分布生成風(fēng)險概率模型，結(jié)合置信度輸出碰撞風(fēng)險概率值；將軌跡預(yù)測路徑與碰撞風(fēng)險概率值映射為動態(tài)目標運動預(yù)測圖譜。4.根據(jù)權(quán)利要求1所述的一種智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃與實時監(jiān)控方法，其特征在于，所述路徑優(yōu)化模型包括特征融合模塊和序列生成模塊，所述特征融合模塊包括：對所述局部路網(wǎng)特征中的障礙物分布密度進行歸一化處理，得到第一融合向量；將所述動態(tài)目標運動預(yù)測圖譜中的碰撞風(fēng)險概率值進行高斯平滑處理，生成第二融合對所述區(qū)域通行效率演化曲線進行分段線性插值，提取通行效率梯度特征，得到第三融合向量；通過多層感知機將第一融合向量、第二融合向量及第三融合向量合并為優(yōu)化輸入序35.根據(jù)權(quán)利要求4所述的一種智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃與實時監(jiān)控方法，其特征對優(yōu)化輸入序列進行時空對齊，生成路徑關(guān)聯(lián)張量；通過圖卷積網(wǎng)絡(luò)提取節(jié)點間依賴關(guān)系，生成路徑節(jié)點特征矩陣；將路徑關(guān)聯(lián)張量與路徑節(jié)點特征矩陣進行矩陣分解運算，生成候選路徑集合；通過貪心搜索算法從候選路徑集合中選取初始路徑序列。6.根據(jù)權(quán)利要求1所述的一種智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃與實時監(jiān)控方法，其特征在于，所述通過強化學(xué)習(xí)算法構(gòu)建動態(tài)調(diào)整策略根據(jù)清潔區(qū)域權(quán)重分布圖初始化網(wǎng)絡(luò)節(jié)點，并基于優(yōu)先級生成連接權(quán)重矩陣；將所述初始路徑序列作為節(jié)點狀態(tài)，連接權(quán)重矩陣由清潔任務(wù)耗時及優(yōu)先級權(quán)重組通過價值迭代算法更新各節(jié)點的策略評分，調(diào)整連接權(quán)重矩陣；根據(jù)調(diào)整后的連接權(quán)重矩陣生成覆蓋所有清潔區(qū)域的最優(yōu)路徑規(guī)劃方案。7.根據(jù)權(quán)利要求2所述的一種智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃與實時監(jiān)控方法，其特征在于，所述網(wǎng)格劃分規(guī)則的參數(shù)優(yōu)化方法包括：根據(jù)歷史點云數(shù)據(jù)分布計算初始網(wǎng)格尺寸及最小障礙物密度閾值；通過網(wǎng)格搜索算法遍歷參數(shù)組合，選取劃分結(jié)果與人工標注路網(wǎng)匹配度最高的參數(shù)；根據(jù)匹配度動態(tài)調(diào)整網(wǎng)格尺寸及最小障礙物密度閾值，優(yōu)化道路拓撲連接關(guān)系劃分精度。8.根據(jù)權(quán)利要求3所述的一種智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃與實時監(jiān)控方法，其特征在于，所述風(fēng)險概率模型的構(gòu)建方法包括：采集多場景下的歷史碰撞事件數(shù)據(jù)，提取時空分布特征及環(huán)境影響因素；對時空分布特征進行核密度估計，生成基礎(chǔ)風(fēng)險概率分布圖；根據(jù)環(huán)境影響因素對基礎(chǔ)風(fēng)險概率分布圖進行加權(quán)修正，輸出風(fēng)險概率模型。9.根據(jù)權(quán)利要求6所述的一種智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃與實時監(jiān)控方法，其特征在于，所述價值迭代算法的參數(shù)設(shè)置方法包括：定義節(jié)點間的價值評分為清潔任務(wù)耗時與優(yōu)先級權(quán)重的平衡系數(shù)；初始化各節(jié)點的策略評分為零，起點價值評分為預(yù)設(shè)基準值；通過動態(tài)規(guī)劃算法計算每個節(jié)點基于前序節(jié)點的最大累積價值評分，并記錄最優(yōu)策略路徑；根據(jù)最優(yōu)策略路徑逆向回溯生成完整路徑規(guī)劃方案。10.根據(jù)權(quán)利要求1所述的一種智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃與實時監(jiān)控方法，其特征實時采集環(huán)衛(wèi)無人車的運行狀態(tài)數(shù)據(jù)，通過異常檢測模型生成路徑修正指令集，更新動態(tài)調(diào)整策略網(wǎng)絡(luò)；所述異常檢測模型的構(gòu)建方法包括：采集歷史運行狀態(tài)數(shù)據(jù)中的正常模式樣本，提取速度波動特征及轉(zhuǎn)向角度變化序列；基于孤立森林算法構(gòu)建正常行為基準模型，計算實時數(shù)據(jù)與基準模型的偏離度；通過滑動窗口統(tǒng)計偏離度的累積異常分數(shù)，超過預(yù)設(shè)閾值時生成路徑修正指令集；結(jié)合修正指令集更新動態(tài)調(diào)整策略網(wǎng)絡(luò)的節(jié)點連接權(quán)重。4智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃與實時監(jiān)控方法技術(shù)領(lǐng)域[0001]本發(fā)明涉及無人車控制技術(shù)領(lǐng)域，具體為一種智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃與實時監(jiān)控方法。背景技術(shù)[0002]在智慧城市建設(shè)的大背景下，環(huán)衛(wèi)作業(yè)的智能化、高效化成為重要發(fā)展方向。傳統(tǒng)環(huán)衛(wèi)作業(yè)方式主要依賴人工清掃和簡單的機械輔助，存在諸多弊端，難以滿足現(xiàn)代城市發(fā)展的需求。人工清掃效率較低，在面對大面積的城市道路清潔任務(wù)時，需要投入大量的人力成本，且清掃速度慢，無法快速應(yīng)對突發(fā)的環(huán)境衛(wèi)生問題。例如，在城市主干道發(fā)生垃圾灑落事件后，人工清掃往往需要較長時間才能恢復(fù)道路的整潔，影響交通順暢和城市形象。同時，人工清掃的質(zhì)量也參差不齊，受環(huán)衛(wèi)工人的工作狀態(tài)、技能水平等因素影響較大，難以保證始終如一的清潔效果。[0003]傳統(tǒng)環(huán)衛(wèi)機械車輛雖然在一定程度上提高了作業(yè)效率，但也存在不少問題。一方面，其路徑規(guī)劃通常依賴預(yù)先設(shè)定的固定路線，缺乏對實時路況和環(huán)境變化的自適應(yīng)能力。當遇到道路施工、交通管制、突發(fā)障礙物等情況時，無法及時調(diào)整路線，導(dǎo)致作業(yè)中斷或效率大幅降低。另一方面，傳統(tǒng)環(huán)衛(wèi)車輛在行駛過程中缺乏有效的實時監(jiān)控手段，難以準確掌握車輛的運行狀態(tài)、作業(yè)進度以及是否存在異常情況。一旦車輛出現(xiàn)故障或偏離正常作業(yè)范圍，不能及時發(fā)現(xiàn)和處理，會造成資源浪費和環(huán)衛(wèi)作業(yè)的延誤。[0004]隨著城市的快速發(fā)展，交通流量日益復(fù)雜，道路環(huán)境不斷變化，對環(huán)衛(wèi)作業(yè)的要求也越來越高。不僅需要提高清掃效率和質(zhì)量，還要確保作業(yè)過程的安全可靠，避免對正常交通秩序造成干擾。同時，城市管理者也希望能夠?qū)崟r獲取環(huán)衛(wèi)作業(yè)的相關(guān)數(shù)據(jù)，以便進行科學(xué)的調(diào)度和管理。然而，現(xiàn)有的環(huán)衛(wèi)作業(yè)方式和技術(shù)手段難以滿足這些多樣化的需求。[0005]在這樣的現(xiàn)狀下，研究一種能夠適應(yīng)復(fù)雜城市環(huán)境、實現(xiàn)高效路徑規(guī)劃并進行實時監(jiān)控的智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃與實時監(jiān)控方法迫在眉睫。它將有助于提升環(huán)衛(wèi)作業(yè)的智能化水平，降低人力成本，提高作業(yè)效率和質(zhì)量，為智慧城市的建設(shè)和發(fā)展提供有力支持。發(fā)明內(nèi)容[0006]本發(fā)明的目的在于提供一種智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃與實時監(jiān)控方法以解決上述背景技術(shù)中提出的問題。[0007]為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃獲取多源環(huán)境感知數(shù)據(jù)集合；所述多源環(huán)境感知數(shù)據(jù)包括激光雷達點云數(shù)據(jù)、攝像頭圖像序列及實時交通流量信息；所述激光雷達點云數(shù)據(jù)包含障礙物輪廓特征及路面平整度信息，所述攝像頭圖像序列包含動態(tài)目標軌跡及道路標識識別結(jié)果；基于所述激光雷達點云數(shù)據(jù)，通過動態(tài)路網(wǎng)建模算法提取局部路網(wǎng)特征，所述路5網(wǎng)特征包括障礙物分布密度、通行區(qū)域邊界坐標及道路拓撲連接關(guān)系；根據(jù)所述攝像頭圖像序列，通過時序目標追蹤算法生成動態(tài)目標運動預(yù)測圖譜，所述圖譜包含目標軌跡預(yù)測路徑及碰撞風(fēng)險概率值；將所述實時交通流量信息進行時空切片處理，生成區(qū)域通行效率演化曲線；將所述局部路網(wǎng)特征、動態(tài)目標運動預(yù)測圖譜及區(qū)域通行效率演化曲線輸入路徑優(yōu)化模型，生成初始路徑序列；基于所述初始路徑序列，通過區(qū)域分割算法劃分清潔任務(wù)優(yōu)先級，輸出清潔區(qū)域權(quán)重分布圖；將所述清潔區(qū)域權(quán)重分布圖與初始路徑序列融合，通過強化學(xué)習(xí)算法構(gòu)建動態(tài)調(diào)整策略網(wǎng)絡(luò)，生成最終路徑規(guī)劃方案。[0008]優(yōu)選的，所述通過動態(tài)路網(wǎng)建模算法提取局部路網(wǎng)特征，包括：對所述激光雷達點云數(shù)據(jù)進行體素降采樣處理，生成稀疏點云地圖；基于網(wǎng)格劃分規(guī)則將稀疏點云地圖劃分為若干子區(qū)域，計算各子區(qū)域的障礙物覆蓋面積占比；采用曲率擬合算法提取路面邊界輪廓，結(jié)合通行區(qū)域邊界坐標生成道路拓撲連接關(guān)系；將所述障礙物分布密度、通行區(qū)域邊界坐標及道路拓撲連接關(guān)系編碼為局部路網(wǎng)特征。[0009]優(yōu)選的，所述通過時序目標追蹤算法生成動態(tài)目標運動預(yù)測圖譜，包括：對所述攝像頭圖像序列進行幀間差分處理，提取動態(tài)目標運動矢量；基于卡爾曼濾波算法預(yù)測目標未來位置，并計算軌跡預(yù)測路徑的置信度；根據(jù)歷史碰撞數(shù)據(jù)分布生成風(fēng)險概率模型，結(jié)合置信度輸出碰撞風(fēng)險概率值；將軌跡預(yù)測路徑與碰撞風(fēng)險概率值映射為動態(tài)目標運動預(yù)測圖譜。[0010]優(yōu)選的，所述路徑優(yōu)化模型包括特征融合模塊和序列生成模塊，所述特征融合模塊包括：對所述局部路網(wǎng)特征中的障礙物分布密度進行歸一化處理，得到第一融合向量；將所述動態(tài)目標運動預(yù)測圖譜中的碰撞風(fēng)險概率值進行高斯平滑處理，生成第二融合向量；對所述區(qū)域通行效率演化曲線進行分段線性插值，提取通行效率梯度特征，得到第三融合向量；通過多層感知機將第一融合向量、第二融合向量及第三融合向量合并為優(yōu)化輸入序列。[0011]優(yōu)選的，所述序列生成模塊包括：對優(yōu)化輸入序列進行時空對齊，生成路徑關(guān)聯(lián)張量；通過圖卷積網(wǎng)絡(luò)提取節(jié)點間依賴關(guān)系，生成路徑節(jié)點特征矩陣；將路徑關(guān)聯(lián)張量與路徑節(jié)點特征矩陣進行矩陣分解運算，生成候選路徑集合；通過貪心搜索算法從候選路徑集合中選取初始路徑序列。[0012]優(yōu)選的，所述通過強化學(xué)習(xí)算法構(gòu)建動態(tài)調(diào)整策略網(wǎng)絡(luò)，包括：根據(jù)清潔區(qū)域權(quán)重分布圖初始化網(wǎng)絡(luò)節(jié)點，并基于優(yōu)先級生成連接權(quán)重矩陣；6將所述初始路徑序列作為節(jié)點狀態(tài)，連接權(quán)重矩陣由清潔任務(wù)耗時及優(yōu)先級權(quán)重組成；通過價值迭代算法更新各節(jié)點的策略評分，調(diào)整連接權(quán)重矩陣；根據(jù)調(diào)整后的連接權(quán)重矩陣生成覆蓋所有清潔區(qū)域的最優(yōu)路徑規(guī)劃方案。[0013]優(yōu)選的，所述網(wǎng)格劃分規(guī)則的參數(shù)優(yōu)化方法包括：根據(jù)歷史點云數(shù)據(jù)分布計算初始網(wǎng)格尺寸及最小障礙物密度閾值；通過網(wǎng)格搜索算法遍歷參數(shù)組合，選取劃分結(jié)果與人工標注路網(wǎng)匹配度最高的參根據(jù)匹配度動態(tài)調(diào)整網(wǎng)格尺寸及最小障礙物密度閾值，優(yōu)化道路拓撲連接關(guān)系劃分精度。[0014]優(yōu)選的，所述風(fēng)險概率模型的構(gòu)建方法包括：采集多場景下的歷史碰撞事件數(shù)據(jù)，提取時空分布特征及環(huán)境影響因素；對時空分布特征進行核密度估計，生成基礎(chǔ)風(fēng)險概率分布圖；根據(jù)環(huán)境影響因素對基礎(chǔ)風(fēng)險概率分布圖進行加權(quán)修正，輸出風(fēng)險概率模型。[0015]優(yōu)選的，所述價值迭代算法的參數(shù)設(shè)置方法包括：定義節(jié)點間的價值評分為清潔任務(wù)耗時與優(yōu)先級權(quán)重的平衡系數(shù)；初始化各節(jié)點的策略評分為零，起點價值評分為預(yù)設(shè)基準值；通過動態(tài)規(guī)劃算法計算每個節(jié)點基于前序節(jié)點的最大累積價值評分，并記錄最優(yōu)策略路徑；根據(jù)最優(yōu)策略路徑逆向回溯生成完整路徑規(guī)劃方案。實時采集環(huán)衛(wèi)無人車的運行狀態(tài)數(shù)據(jù)，通過異常檢測模型生成路徑修正指令集，更新動態(tài)調(diào)整策略網(wǎng)絡(luò)；所述異常檢測模型的構(gòu)建方法包括：采集歷史運行狀態(tài)數(shù)據(jù)中的正常模式樣本，提取速度波動特征及轉(zhuǎn)向角度變化序基于孤立森林算法構(gòu)建正常行為基準模型，計算實時數(shù)據(jù)與基準模型的偏離度；通過滑動窗口統(tǒng)計偏離度的累積異常分數(shù)，超過預(yù)設(shè)閾值時生成路徑修正指令結(jié)合修正指令集更新動態(tài)調(diào)整策略網(wǎng)絡(luò)的節(jié)點連接權(quán)重。在路徑規(guī)劃方面，通過獲取多源環(huán)境感知數(shù)據(jù)集合，涵蓋激光雷達點云數(shù)據(jù)、攝像頭圖像序列及實時交通流量信息，能全面且精準地掌握環(huán)衛(wèi)無人車作業(yè)環(huán)境的各種情況?；诩す饫走_點云數(shù)據(jù)提取的局部路網(wǎng)特征，如障礙物分布密度、通行區(qū)域邊界坐標及道路拓撲連接關(guān)系，為路徑規(guī)劃提供了精確的基礎(chǔ)路網(wǎng)信息，使無人車能提前知曉可通行區(qū)域和潛在的障礙物分布，有效避開危險區(qū)域。根據(jù)攝像頭圖像序列生成的動態(tài)目標運動預(yù)測圖譜，包含目標軌跡預(yù)測路徑及碰撞風(fēng)險概率值，可幫助無人車提前預(yù)判與動態(tài)目標(如行人、其他車輛)發(fā)生碰撞的可能性，從而提前調(diào)整路徑，大流量信息進行時空切片處理生成區(qū)域通行效率演化曲線，能讓無人車依據(jù)實時路況選擇最優(yōu)通行路線，避免擁堵路段，減少行駛時間，提高作業(yè)效率。通過一系列算法生成初始路徑7序列后，再結(jié)合區(qū)域分割算法劃分清潔任務(wù)優(yōu)先級，輸出清潔區(qū)域權(quán)重分布圖，并與初始路徑序列融合，利用強化學(xué)習(xí)算法構(gòu)建動態(tài)調(diào)整策略網(wǎng)絡(luò)生成最終路徑規(guī)劃方案，這種方式綜合考慮了清潔任務(wù)的緊急程度和區(qū)域重要性，確保無人車能夠高效地完成清掃任務(wù)，避免資源浪費和時間延誤。[0018]在實時監(jiān)控方面，實時采集環(huán)衛(wèi)無人車的運行狀態(tài)數(shù)據(jù)，并通過異常檢測模型生成路徑修正指令集，能夠及時發(fā)現(xiàn)無人車運行過程中的異常情況，如速度異常波動、轉(zhuǎn)向角度異常等。一旦檢測到異常，立即生成路徑修正指令集，更新動態(tài)調(diào)整策略網(wǎng)絡(luò)，使無人車迅速調(diào)整行駛路徑，保證作業(yè)的連續(xù)性和安全性。這不僅減少了車輛故障帶來的損失，還能避免因無人車異常行駛對周圍環(huán)境和人員造成的潛在威脅。[0019]從整體環(huán)衛(wèi)作業(yè)管理角度來看，該方法有助于實現(xiàn)環(huán)衛(wèi)作業(yè)的智能化和信息化管理。城市管理者可以通過相關(guān)系統(tǒng)實時獲取無人車的位置、作業(yè)進度、運行狀態(tài)等信息，便于進行統(tǒng)一調(diào)度和資源分配，提高城市環(huán)衛(wèi)管理的科學(xué)性和精細化程度。而且，該方法的應(yīng)用能夠有效降低人力成本，減少環(huán)衛(wèi)工人在復(fù)雜危險環(huán)境下作業(yè)的風(fēng)險，提升環(huán)衛(wèi)行業(yè)的整體形象和發(fā)展水平，為智慧城市的可持續(xù)發(fā)展提供有力保障。附圖說明[0020]圖1為本發(fā)明所述的智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃與實時監(jiān)控方法的工作原理圖2為動態(tài)路網(wǎng)建模算法提取局部路網(wǎng)特征的流程圖；圖3為時序目標追蹤算法生成動態(tài)目標運動預(yù)測圖譜的流程圖；圖4為路徑優(yōu)化模型序列生成模塊的流程圖。具體實施方式[0021]下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他[0022]請參閱圖1-圖4,本發(fā)明提供的智慧城市環(huán)衛(wèi)無人車路徑規(guī)劃與實時監(jiān)控方法，具體實現(xiàn)步驟如下：通過搭載在環(huán)衛(wèi)無人車上的激光雷達、攝像頭等傳感器，獲取多源環(huán)境感知數(shù)據(jù)，該數(shù)據(jù)集合包括激光雷達點云數(shù)據(jù)、攝像頭圖像序列及實時交通流量信息。其中，激光雷達點云數(shù)據(jù)能精確獲取障礙物輪廓特征及路面平整度信息，攝像頭圖像序列可識別動態(tài)目標軌跡及道路標識，實時交通流量信息則反映當前道路的通行狀況。[0023]利用動態(tài)路網(wǎng)建模算法對激光雷達點云數(shù)據(jù)進行處理，從而提取出局部路網(wǎng)特征，這些特征包括障礙物分布密度、通行區(qū)域邊界坐標及道路拓撲連接關(guān)系，為后續(xù)路徑規(guī)劃提供基礎(chǔ)路網(wǎng)信息。[0024]借助時序目標追蹤算法對攝像頭圖像序列進行分析，生成動態(tài)目標運動預(yù)測圖譜，圖譜中包含目標軌跡預(yù)測路徑及碰撞風(fēng)險概率值，用于評估無人車行駛過程中與動態(tài)目標發(fā)生碰撞的可能性。8程度。對激光雷達點云數(shù)據(jù)進行體素降采樣處理。激光雷達在工9目標運動矢量作為觀測數(shù)據(jù)輸入卡爾曼濾波算法模型。設(shè)動態(tài)目標在當前時刻的狀態(tài)為k,包括位置、速度等信息，觀測數(shù)據(jù)為Zk,根據(jù)卡爾曼濾波算法的預(yù)測公式Xklk-1=AkXk-1|k-1+Bkuk-1(其中Xk|k-1是基于上一時刻狀態(tài)預(yù)測的當XklkXk|k-1+Kk(Zk-HkXklk-1)(其中Xk|k是當前時刻的最優(yōu)估計狀,其中n是數(shù)據(jù)點的數(shù)量)。再根據(jù)環(huán)境影響因素對基礎(chǔ)風(fēng)對于局部路網(wǎng)特征中的障礙物分布密度，由于其取值范圍知的兩個端點值，利用線性插值公式(其中(X1,y?)和清潔區(qū)域j之間的連接權(quán)重為Wij,如果清潔區(qū)域j的優(yōu)先級較高，且