Valhalla实现 使用Docker部署利用OSM(Mapbox)地图实现路径规划详细步骤

8 篇文章 0 订阅
7 篇文章 0 订阅

一. Valhalla基本概念

1. 背景介绍:

官网介绍文档:https://valhalla.github.io/valhalla/

Valhalla是一个开源的路由引擎,能够实现实时路径规划,处理大量请求返回最优路径。
基于 OSM 数据,结合灵活的多模式交通方式、启发式算法和自定义的费用模型,为用户提供高效的路径规划服务。
OSM地图可以参考博文:OpenStreetMap开放街道地图(OSM)介绍

导航道路计算功能是由 Mapzen 开发的,特别是该公司团队中的工程师们专门为开源项目 Valhalla 构建了这一部分功能。在 Mapzen 于 2018 年关闭后,Mapbox 开始接管了 Valhalla 项目,Valhalla 作为一个开源项目,仍然接受社区的贡献和开发。Mapbox 的 Directions API 底层使用的就是 Valhalla。

Mapbox详细介绍可以参考 mapbox详细介绍

2. 路径规划:

Valhalla 支持多种交通方式的路径规划,包括:步行(walking)、自行车(bicycling)、驾车(driving)、公共交通(transit)。能够整合实时交通信息,调整路径规划结果以避开拥堵路段,从而提供更加动态的路线选择。

Valhalla 将 OSM 数据分割成小块(称为 tiles),然后构建路网图。这些 tiles 包含了路网拓扑结构以及其他与路径规划相关的信息,比如道路类型、限速、交通流向等。

3. 路由算法:

路由算法基于 Dijkstra 算法 和 A 启发式搜索算法* 的变种来计算最短路径,A* 算法结合了距离和启发函数(通常是目的地的直线距离)来更高效地找到从起点到终点的最优路径。

二. 本文功能点以及效果图

1. 使用Docker部署Valhalla服务,进行调用

在这里插入图片描述

2. 运行可视化Demos,展示路径规划效果

在这里插入图片描述

3.QGIS中安装Valhalla插件

在QGIS中能够搜索到Valhalla插件,进行使用,主要包括以下两个步骤:

3.1 安装Valhalla插件

在这里插入图片描述

3.2 使用路径规划

在这里插入图片描述
在这里插入图片描述

三. 部署展示路径规划详细步骤

1.准备服务器和数据

1.1 服务器

准备ubuntu机器

1.2 下载OSM数据

https://download.geofabrik.de/asia/japan.html
本例采用的Example为:
kansai-latest.osm.pbf (日本关西数据)

2. 安装部署

2.1 安装docker

在 Ubuntu 上安装 Docker大致步骤如下:

sudo apt-get update
sudo apt-get install apt-transport-https ca-certificates curl software-properties-common
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg
echo "deb [arch=$(dpkg --print-architecture) signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null
sudo apt-get update
sudo apt-get install docker-ce
sudo systemctl start docker

2.2 安装Valhalla环境,配置、启动服务

cd xxx/ (kansai-latest.osm.pbf所在目录)
docker pull ghcr.io/valhalla/valhalla:latest
docker run -it -v `pwd`:/work -p 8002:8002 ghcr.io/valhalla/valhalla:latest
ls -l /work
cd /work/
mkdir valhalla_tiles
valhalla_build_config --mjolnir-tile-dir ${PWD}/valhalla_tiles --mjolnir-tile-extract ${PWD}/valhalla_tiles.tar --mjolnir-timezone ${PWD}/valhalla_tiles/timezones.sqlite --mjolnir-admin ${PWD}/valhalla_tiles/admins.sqlite > valhalla.json
valhalla_build_tiles -c valhalla.json kansai-latest.osm.pbf (需要30分钟左右)
du -d1 -h ./valhalla_tiles/
find valhalla_tiles | sort -n | tar cf valhalla_tiles.tar --no-recursion -T -
ls -l valhalla_tiles.tar
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib/
valhalla_service valhalla.json 1

2.3 效果展示

上述即完成了部署工作,可以调用对应接口进行返回路径规划信息。

Request:

$ curl http://xxx:8002/route --data ‘{“locations”:[{“lat”:34.98597,“lon”:135.75795},{“lat”:35.00373,“lon”:135.76928}],“costing”:“auto”,“directions_options”:{“units”:“kilometers”}, “language”: “ja-JP”}’ | jq ‘.’

Response

在这里插入图片描述

3.valhalla demo程序

以上主要是将valhalla部署在服务器上并且调用接口查看效果,如果想要通过查看可视化直观展示效果,可以使用下列demo进行运行展示。

3.1 Git地址

https://github.com/valhalla/demos

3.2 代码修改、运行

(1)demos\routing\index-internal.html文件中替换localhost为 部署ubuntu机器IP
(2)运行demos\routing\index-internal.html文件

3.3 运行效果

选择两个坐标点即可显示对应路径规划信息,并且返回对应路径规划数据。
在这里插入图片描述

四.总结

Valhalla是一个开源的路由引擎。本文主要对Valhalla进行了简单介绍,然后详细介绍了使用Docker容器中部署Valhalla服务,调用和具体展示的Demo,以及在QGIS中使用valhalla插件路径规划示例。对于有路径规划导航相关需求的开发人员,Valhalla是一个很不错的选择。

COMET (Contrastive Multilingual Evaluation of Text-to-Text Generation) 是一个流行的自然语言处理工具,主要用于评估文本生成模型的质量,尤其是那些翻译、摘要或对话回应等任务中的性能。它主要利用了对比学习的思想,通过对候选生成结果和参考答案之间的相似度进行比较,来量化生成内容的优劣。 COMET是基于Transformer架构的预训练模型,特别是MarianMT的变体,它结合了编码器和解码器,并使用了大量的平行语料库进行训练。它的核心是一个多层感知机,用于计算候选句子和参考句子的潜在表示之间的匹配度。 在Python中,你可以通过Hugging Face的transformers库来使用COMET。首先,你需要安装`huggingface-cli`并下载预训练的COMET模型: ```bash pip install transformers hf datasets download comet-ml/mtnt ``` 然后,你可以使用以下代码加载模型并进行评估: ```python from transformers import AutoTokenizer, COMETModelForConditionalGeneration # 加载COMET模型和tokenizer model_name = "valhalla/comet-da" tokenizer = AutoTokenizer.from_pretrained(model_name) model = COMETModelForConditionalGeneration.from_pretrained(model_name) # 假设你有输入文本和参考文本 input_text = "这是一个例子输入..." reference_text = "这是参考答案..." # 对输入进行编码 inputs = tokenizer(input_text, reference_text, return_tensors="pt") # 进行评估 scores = model(**inputs).logits score = scores.item() # 得到一个分数,较大的值表示更接近参考答案 print(f"COMET得分: {score}") ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值