最佳路线计划

确定从给定来源到给定目标位置的道路网络中的最佳路线是日常生活中经常解决的问题。通常，摄像机的帧用于训练深卷积神经网络，然后可以使用该网络来预测正确的转向控制。现在，我们将研究自动驾驶汽车如何从当前位置到给定目的地或目标位置。

路线计划用于决定从一个地方到另一个地方的路线。考虑您需要从房子到学校的问题。在这里，您的房屋和学校分别成为来源和目的地。路线规划算法的输出是要采取的路线，它招募了从源头到达目的地的所有道路和交叉路口。

为了具有适合我们路线规划师的道路网络的高级代表，我们将代表城市为顶点（或节点）和连接道路作为具有道路网络图的边缘。与其他任何图一样，使用道路网络图，可以使用大多数基于图的最短路径算法（如A*和Dijkstra）来找到从当前位置到目的地的路径。英国大多数城市的道路网络图是众所周知的。运输管理局维护了道路网络图，该图也由Google Maps等众多服务维护。

Dijkstra的算法

道路网络图包括多个道路的每一个交叉路口，作为顶点和所有道路作为边缘。所有双向道路都可以在这两个方向上行驶，都可以表示为无方向的边缘，而所有单向的边缘都是指向的边缘。车道的数量，速度限制等也可以存储在边缘。边缘的重量作为道路的长度（如果降低距离）或道路的长度除以最大速度（如果最小化行驶时间）。这将问题转换为标准的图形搜索问题。Dijkstra的算法是图形的常见搜索算法，当所有边缘均非负数时，从源到目的地的最短路径是我们的路线网络图是正确的。

Dijkstra的算法考虑了一个顶点之间的距离（使用预定义的指标）在图中彼此之间。经典算法A*通过补充信息和贪婪的策略扩展了这些计算，以改善其结果。

元启发式学

元神经方法已成功地用于图中最短路径的计算。当将现实的道路网络用作输入时，解决方案产生了非常缓慢的查询时间，并且这一事实会在实时或交互式应用中缩减其用法。另一方面，应用激进的启发式方法并不总是提供准确的结果。源和目的地可能不会在道路网络图中预先存在的顶点，因此，在查询时间和它们连接的所有交叉点时，它们被添加为其他顶点，均以边缘添加。如果道路被阻塞，则将拆除相应的边缘。

路由算法的假设

在这层抽象中工作时，做出了许多假设。通常做出的最重要的假设是，没有其他车辆占据道路，在这种情况下，车辆可以以最大允许的速度行驶。此外，假定不同的车道具有相同的距离，即道路的平均长度。可以忽略回旋处的距离，也可以将其视为常数。幼稚的方法也不考虑交通拥堵和交通信号灯中浪费的时间。因此，计算不准确，是由多种假设制成的。但是，这些假设可以在较小的抽象程度运行时在较小的计算时间内制定决策。

许多路由算法可以对重复的交通趋势做出假设，以更好地表明预期的交通拥堵和运营速度，从而更合理地对旅行时间和路线选择的假设。同样，许多算法可以模拟其他车辆的运动以获得交通拥堵的指示度量，并因此选择该路线。许多其他算法导航车辆，使拥堵永远不会发生。规划更现实的道路网络中的路线的假设数确定了所使用算法的复杂性。