判题器

• 完整运行一次用时在1s以内
• 支持单时间片运行
• 记录了一些路况信息，如道路在某时刻的车辆数，路上车辆的平均速度以及车辆通过道路的平均时差 (时差定义为真实用时与预估用时的差)

调度器

• 主要思想是按照时间片枚举，对于非预置车辆，二分当前时刻发车数量，用判题器检测是否可以发车。通过限制单时间片的最大发车数量以及二分次数减少计算时间
• 每个时间片的候选车辆按照规则排序，优先发送：1. 优先车辆; 2. 预计发车后可能导致te增大的车辆; 3. 车速慢的车辆; 4. 预计用时长的车辆
• 判题器对象ahead维护未来路况，用于规划路径
• 判题器对象current维护当前路况，用于在发车失败时快速回到未发车状态，无需每次都从0时刻跑判题器
• 规划路径采用Dijkstra算法（伪最短路，因为边的权重是动态的）
• 路权计算比较玄学，建议直接看代码。主要思想是预估车辆驶入到某条道路上的时刻，用ahead查询前后的路况信息（如路上车辆数），结合车辆自身车速，道路和路口属性等因素计算出道路和路口的cost，再和预计通过道路所用的时间进行加权得到最终权重

关于需求更改

• 为了防止写出新bug，只做了一些简单的处理。修改预置车辆时间均直接改为计划出发时间，修改路径均改为最短路。
• 对每一辆预置车辆，比较其预置路径预计用时+计划出发时间与实际出发时间+最短路预计用时，选择预计最终到达时间较小的方案
• 有两种排序方案: 1. 优先修改修改后预计到达时间减少最多的; 2. 优先修改未修改前到达时间最晚的
• 排序后，二分修改的预置车辆数，如果不会出现死锁，就尽可能地修改更多预置车辆
• 两种排序方案取使得只跑预置车辆的te较小的

关于优先车辆

非优先车辆发车太多可能会把优先车辆堵在路上，导致最终成绩很差。因此我们引入了唯一的一个可调参数margin，用于限制优先车辆的tpri，保证其与预计tpri的下界的差不会超过margin。第一次运行不设限制，确保有answer生成，然后对margin二分，期望找到更好的answer

关于车牌识别

我们的方法非常简单，就是用pytorch自带的resnet-34模型训练一个端到端的网络。准确度大概在98%左右，希望和99%的大佬交流一下

其他

• 在规划路径时，路况只考虑预置车辆以及在本时刻之前已发车的非预置车辆，没有考虑到本时刻及之后发车的非预置车辆
• 设想过在预计车辆通过道路的时间时用机器学习模型，不过因为我们是C++不太方便，所以没有尝试过
• 欢迎大佬们开issue讨论，或者留下自己repo的链接