CN108197704A - 一种立体车库控制方法 - Google Patents

一种立体车库控制方法 Download PDF

Info

Publication number
CN108197704A
CN108197704A CN201711486753.8A CN201711486753A CN108197704A CN 108197704 A CN108197704 A CN 108197704A CN 201711486753 A CN201711486753 A CN 201711486753A CN 108197704 A CN108197704 A CN 108197704A
Authority
CN
China
Prior art keywords
controller
neural network
stereo garage
network model
control method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711486753.8A
Other languages
English (en)
Inventor
王银
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Aerospace Nanhai Technology Co Ltd
Original Assignee
Guizhou Aerospace Nanhai Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guizhou Aerospace Nanhai Technology Co Ltd filed Critical Guizhou Aerospace Nanhai Technology Co Ltd
Priority to CN201711486753.8A priority Critical patent/CN108197704A/zh
Publication of CN108197704A publication Critical patent/CN108197704A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Neurology (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种立体车库控制方法；采用如下步骤：①训练模型：以立体车库车位移动的历史数据为训练集，建立路径规划的单层神经网络模型；②写入数据：将神经网络模型中的节点参数写入至控制器中；③接收指令：现场主机接收路径规划任务数据；④分包发送：现场主机将路径规划任务数据发送至控制器，控制器根据写入的节点参数、以神经网络模型的计算方式进行计算；⑤接收并包：控制器将计算结果发送至现场主机，现场主机根据结果得到规划结果；⑥发送执行。本发明通过将控制器视为神经网络模型中的隐层节点，有效利用现场资源，能极大降低成本，提高资源利用率，而且为神经网络模型的实际应用方式提供全新思路。

Description

一种立体车库控制方法
技术领域
本发明涉及一种立体车库控制方法。
背景技术
在立体车库路径规划控制方面，传统的方式主要在于遍历可能路径，基于CPU的特性，遍历的方式耗时较长，而且一旦计算过于复杂则极容易造成系统卡死，需要在工程中使用大量其他手段解决，研发成本高。
基于神经网络算法及实现的发展，目前深度学习用于规划求解问题的应用剧增，通过神经网络模型解决立体车库路径规划问题在实验室中证明可行，但实践中，由于神经网络模型涉及大量神经元的计算，一般是采用GPU专门处理，成本较高，资源利用率低。
发明内容
为解决上述技术问题，本发明提供了一种立体车库控制方法，该立体车库控制方法通过将控制器视为神经网络模型中的节点，能有效利用现场资源，极大降低成本。
本发明通过以下技术方案得以实现。
本发明提供的一种立体车库控制方法；采用如下步骤：
①训练模型：以立体车库车位移动的历史数据为训练集，建立路径规划的单层神经网络模型；
②写入数据：将神经网络模型中的节点参数写入至控制器中；
③接收指令：现场主机接收路径规划任务数据；
④分包发送：现场主机将路径规划任务数据发送至控制器，控制器根据写入的节点参数、以神经网络模型的计算方式进行计算；
⑤接收并包：控制器将计算结果发送至现场主机，现场主机根据结果得到规划结果；
⑥发送执行：现场主机根据规划结果，向控制器发送执行指令，同时现场主机等待接收下一路径规划任务并进入步骤③。
所述步骤②中，每一控制器中接入1～4个神经网络模型节点的参数。
所述现场主机从直接通信连接的近端服务器接收路径规划任务数据。
所述近端服务器通过互联网接受立体车库移动请求。
所述神经网络模型为Kohonen神经网络算法得到。
所述单层神经网络模型，是指中间隐层为一层。
所述控制器在接收到执行指令后，通过控制连接的执行机构完成控制。
所述控制器为STM32F4系列单片机。
本发明的有益效果在于：通过将控制器视为神经网络模型中的隐层节点，有效利用现场资源，能极大降低成本，提高资源利用率，而且为神经网络模型的实际应用方式提供全新思路。
附图说明
图1是本发明适用的连接示意图；
图中：101-现场主机，102-近端服务器，103-远端主机，20-内部路由组，201-内部路由器，30-控制器组，301-控制器，302-执行机构。
具体实施方式
下面进一步描述本发明的技术方案，但要求保护的范围并不局限于所述。
本发明提供一种立体车库控制方法，用于如图1所示的立体车库控制系统，采用如下步骤：
①训练模型：以立体车库车位移动的历史数据为训练集，建立路径规划的单层神经网络模型；
②写入数据：将神经网络模型中的节点参数写入至控制器301中；
③接收指令：现场主机101接收路径规划任务数据；
④分包发送：现场主机101将路径规划任务数据发送至控制器301，控制器301根据写入的节点参数、以神经网络模型的计算方式进行计算；
⑤接收并包：控制器301将计算结果发送至现场主机101，现场主机101根据结果得到规划结果；
⑥发送执行：现场主机101根据规划结果，向控制器301发送执行指令，同时现场主机101等待接收下一路径规划任务并进入步骤③。
所述步骤②中，每一控制器301中接入1～4个神经网络模型节点的参数。
所述现场主机101从直接通信连接的近端服务器102接收路径规划任务数据。
所述近端服务器102通过互联网接受立体车库移动请求。
所述神经网络模型为Kohonen神经网络算法得到。
所述单层神经网络模型，是指中间隐层为一层。
所述控制器301在接收到执行指令后，通过控制连接的执行机构302完成控制。
所述控制器301为STM32F4系列单片机。
一般而言，神经网络模型中的单个节点进行的都是较为简单的计算，计算量小，而在对每一车位设置独立控制器301的方案中，为了保证系统稳定，控制器301的性能一般都有冗余，并且从常用的STM32F1系列单片机改为使用STM32F4系列单片机，成本增加不足20％，性能提升可超过80％，因此通过将控制器301视为神经网络节点，有效利用控制器301的性能冗余，性价比极高。

Claims (8)

1.一种立体车库控制方法，其特征在于：采用如下步骤：
①训练模型：以立体车库车位移动的历史数据为训练集，建立路径规划的单层神经网络模型；
②写入数据：将神经网络模型中的节点参数写入至控制器(301)中；
③接收指令：现场主机(101)接收路径规划任务数据；
④分包发送：现场主机(101)将路径规划任务数据发送至控制器(301)，控制器(301)根据写入的节点参数、以神经网络模型的计算方式进行计算；
⑤接收并包：控制器(301)将计算结果发送至现场主机(101)，现场主机(101)根据结果得到规划结果；
⑥发送执行：现场主机(101)根据规划结果，向控制器(301)发送执行指令，同时现场主机(101)等待接收下一路径规划任务并进入步骤③。
2.如权利要求1所述的立体车库控制方法，其特征在于：所述步骤②中，每一控制器(301)中接入1～4个神经网络模型节点的参数。
3.如权利要求1所述的立体车库控制方法，其特征在于：所述现场主机(101)从直接通信连接的近端服务器(102)接收路径规划任务数据。
4.如权利要求3所述的立体车库控制方法，其特征在于：所述近端服务器(102)通过互联网接受立体车库移动请求。
5.如权利要求1所述的立体车库控制方法，其特征在于：所述神经网络模型为Kohonen神经网络算法得到。
6.如权利要求1所述的立体车库控制方法，其特征在于：所述单层神经网络模型，是指中间隐层为一层。
7.如权利要求1所述的立体车库控制方法，其特征在于：所述控制器(301)在接收到执行指令后，通过控制连接的执行机构(302)完成控制。
8.如权利要求1所述的立体车库控制方法，其特征在于：所述控制器(301)为STM32F4系列单片机。
CN201711486753.8A 2017-12-29 2017-12-29 一种立体车库控制方法 Pending CN108197704A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711486753.8A CN108197704A (zh) 2017-12-29 2017-12-29 一种立体车库控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711486753.8A CN108197704A (zh) 2017-12-29 2017-12-29 一种立体车库控制方法

Publications (1)

Publication Number Publication Date
CN108197704A true CN108197704A (zh) 2018-06-22

Family

ID=62587047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711486753.8A Pending CN108197704A (zh) 2017-12-29 2017-12-29 一种立体车库控制方法

Country Status (1)

Country Link
CN (1) CN108197704A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09230934A (ja) * 1996-02-28 1997-09-05 Zexel Corp 車両を駐車場等の拡張域に移動させる方法
CN1490689A (zh) * 2003-09-11 2004-04-21 中国科学技术大学 非线性时变自适应控制器及其控制方法
CN104978601A (zh) * 2015-06-26 2015-10-14 深圳市腾讯计算机系统有限公司 神经网络模型训练系统和方法
CN107065567A (zh) * 2017-05-22 2017-08-18 江南大学 一种基于自适应神经网络约束控制的自动停车控制系统
CN107347069A (zh) * 2017-07-10 2017-11-14 北京理工大学 一种基于Kohonen神经网络的最佳攻击路径规划方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09230934A (ja) * 1996-02-28 1997-09-05 Zexel Corp 車両を駐車場等の拡張域に移動させる方法
CN1490689A (zh) * 2003-09-11 2004-04-21 中国科学技术大学 非线性时变自适应控制器及其控制方法
CN104978601A (zh) * 2015-06-26 2015-10-14 深圳市腾讯计算机系统有限公司 神经网络模型训练系统和方法
CN107065567A (zh) * 2017-05-22 2017-08-18 江南大学 一种基于自适应神经网络约束控制的自动停车控制系统
CN107347069A (zh) * 2017-07-10 2017-11-14 北京理工大学 一种基于Kohonen神经网络的最佳攻击路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吉星宇: "立体车库控制系统设计构想", 《科技创新与应用》 *

Similar Documents

Publication Publication Date Title
CN109491790A (zh) 基于容器的工业物联网边缘计算资源分配方法及系统
CN103533097B (zh) 一种网络爬虫下载解析方法及装置
CN107947845A (zh) 基于通信中继的无人机编队协同目标分配方法
CN105894087A (zh) 用于神经网络中训练参数集的系统和方法
CN110442022A (zh) 带有时滞异构多智能体系统的分组一致性控制方法
CN113671987B (zh) 基于非死锁合同网算法的多机分布式时序任务分配方法
CN109358515A (zh) 一种家居设备控制方法、装置、控制设备及可读存储介质
CN107038604A (zh) 产品对象用户数的展示方法和装置
CN104580029B (zh) 地址分配方法及装置
CN110503194A (zh) 一种分布式并行训练的方法和系统
CN115049071A (zh) 一种基于dag区块链的联邦学习方法
CN110533178A (zh) 一种神经网络模型训练方法、装置及系统
CN108880909A (zh) 一种基于强化学习的网络节能方法及装置
CN109039959A (zh) 一种sdn网络规则的一致性判断方法及相关装置
CN113037546A (zh) 基于深度强化学习的安全性虚拟网络映射方法
CN109063978A (zh) 能源互联网资源调度方法及系统、可读存储介质和终端
CN108898221A (zh) 基于状态特征和后继特征的特征与策略的联合学习方法
CN108197704A (zh) 一种立体车库控制方法
CN110020046A (zh) 一种数据抓取方法及装置
CN110830294B (zh) 一种基于分支定界法的边缘计算任务分配方法
CN108153200A (zh) 一种三层神经网络路径规划的立体车库控制方法
CN108446455A (zh) 一种基于烟花算法的多目标软硬件划分方法
CN108088087A (zh) 一种设备控制方法、装置、电子设备及存储介质
CN104461720A (zh) 一种可分任务调度模型的求解方法及系统
CN106200448B (zh) 一种工业接口实施远程映射系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180622

RJ01 Rejection of invention patent application after publication