具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

本发明的方法通过边缘节点上的微服务协作实现自动驾驶(无人车驾驶)实时路径规划。其中，微服务被部署在边缘基站节点，用于实时查找并计算最优路径。本发明的基于边缘微服务协作的实时路径规划方法包括：

S1、划分城市区域边缘微服务节点，根据经纬度地址进行编码；

S2、根据边缘基站服务器中记录的信息素判断出此时的实时路径情况，基于改进的蚁群算法做出实时路径规划，路径规划指的是决定下一跳的区域边缘服务节点方向；

S3、遇到障碍，进行区域目标检测，并进行时间分析；

S4、通过边缘微服务时间分析反馈，找到最快做出决策的边缘微服务器节点的路径方向；进行区域接续，返回第一步迭代计算，最终到达目的地，完成实时路径规划。

具体的，如图1所示，步骤S1中使用Geohash编码方法将边缘微服务节点进行区域编码，选出离车较近的候选区域边缘微服务节点，使用经纬度进行编码，将同一边缘微服务进行标记。

具体的，如图2、3、4所示，步骤S2中通过基站微服务的车行信息分析出此时信息素的情况，根据信息素情况初步得到车行驶的方向。

具体的，如图5所示，步骤S3中行驶途中遇到障碍物时，通过opencv、yolo等技术进行目标物体检测，并上传物体图像、位置等信息到边缘微服务器，边缘微服务进行信息处理，将障碍物的大小、形状、是否来得及避障，以及避障方向反馈给车辆。

具体的，如图6所示，步骤S4中根据最小代价计算的边缘微服务反馈结果，最先做出反馈的边缘微服务节点方向即为最优路径方向，即得到实时性最强且短时车行拥塞程度最小的最优路径。

为使自动驾驶车辆路径规划方法具备多样性和实时性，使用边缘微服务协作的方法。本技术方案采用了蚁群改进算法以及Geohash方法，在车辆行驶过程中进行实时调整和数据信息处理。自动驾驶车辆在移动过程中实时进行路径规划和选择，路径决策更加快捷和准确。Geohash算法将地理位置编码转换为由字母和数字组成的短字符串。该算法原理分别将经纬度进行二等分编码，按照其所属区域进行连续编码，再将两组编码混合进行Base32编码，最后生成需要的Geohash编码。具体流程为：(1)分别对经度和纬度进行编码，得到数字串(2)从第0位开始，偶数位放经度码、奇数位放纬码度重组得到新的数字串。(3)用字母加数字的形式，将区域进行编码。编码时将同一个区域边缘节点的前面加上一个符号(如纵坐标A、B、C、D，横坐标1、2、3、4)，首先在同一区域边缘节点里面找信息素高的边缘微服务协作方向的路径，因为这样就不用跨边缘节点，减少了一定的跨边缘节点的延迟；如果同一区域边缘节点的信息素都低，则在跨编码区找最近距离且信息素高的边缘微服务节点。本发明主要考虑在同一区域车行路径决策最优的情况，当车辆需要跨区域行驶时，则在不同区域之间进行路径接续，并使用算法进行循环迭代计算，直至车辆到达目的地。以下公式(1)为蚁群改进算法的计算式，其中，增加了时间代价的启发式信息计算。

其中：

τ_xy(t+1)＝(1-p)*τ_xy(t)+Δτ_xy(t)；

其中τ_x,y(t)为途中(x,y)节点的信息素浓度，x为当前边缘微服务，y为下一个边缘微服务，η_xy为时间的启发式信息为最小时间的倒数。a,β分别为τ_x,y(t)，η_xy的权重参数。然后进行新的选择更新，重复此过程，一直到终点。p为信息素挥发数。为第k只蚂蚁在(x,y)节点的信息素增量。Q表示蚂蚁一次释放的信息绝对数量,L_k为第k只蚂蚁一圈的总路径长度。Δτ_x,y(t)表示m只蚂蚁在节点(x,y)的信息素量。

为边缘微服务器协作传输时间，其中w为该微服务器的任务，b_n为第n个微服务器的带宽。为车辆和边缘微服务的上下行传输时间，其中S为车辆的传输功率，W为信道带宽，N为噪声功率，T为整个信息传输的任务。为边缘基站微服务节点x任务计算时间，其中R代表该服务器节点的任务量，V为任务处理速率。取各资源最早完成时间的最大值为本次调度的时间，作为代价最小的边缘计算微服务协作方法。

本发明所采用的蚁群算法是通过自然界蚂蚁来进行问题抽象，将部署在边缘节点上的微服务当作由蚂蚁个体组成的蚁群。各个边缘微服务器上存储的车行数据信息就是信息素。车辆行驶向最近编码信息素高的边缘微服务方向行进，以实时避免拥塞和避障。最优路径上启动节点最少，以达到边缘微服务节点实时快速响应、资源占用少、能耗少、用户体验佳等特点。之前处理的信息都是在远程云集中处理，难以满足当前实时性较强的智慧城市应用需求，所以本方案采用边缘基站微服务处理车辆上传的信息，并及时做出反馈，时间代价最小，从而使得自动驾驶车辆路径规划实时性强，同时路径决策最优。在现有的大多数关于微服务调度协作的研究只涉及相对固定的无线网络以及服务请求发送到远程中心云端的情形，很少考虑由于车辆移动所带来的动态变化的可用性资源和对边缘计算节点的服务请求。然而，本方案在车辆移动区域对候选微服务节点进行选择，然后边行驶边决策，动态地规划拥塞最小的优化路径，如果遇到障碍物等突发情况时，能够实时进行避障反应，经过不同区域微服务循环迭代计算，直到车辆到达最终目的地。

本方法在边缘计算环境下使用改进蚁群算法找到自动驾驶车辆最优行驶路径，使得车辆行驶时间减少且占用的边缘计算资源能够降到最低，并且这种边缘微服务处理方法较好地改善了当前把信息资源都传到远程云端所带来的实时性不强、传输带宽消耗大的问题，为代价最小的一种边缘计算环境下的路径规划方法。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。