CN108334079A - 无人驾驶汽车路况信息实时获取方法 - Google Patents

无人驾驶汽车路况信息实时获取方法 Download PDF

Info

Publication number
CN108334079A
CN108334079A CN201810045065.6A CN201810045065A CN108334079A CN 108334079 A CN108334079 A CN 108334079A CN 201810045065 A CN201810045065 A CN 201810045065A CN 108334079 A CN108334079 A CN 108334079A
Authority
CN
China
Prior art keywords
data
road
road condition
cloud server
real time
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.)
Withdrawn
Application number
CN201810045065.6A
Other languages
English (en)
Inventor
刘威
王玉环
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.)
Foshan Jiezhi Information Technology Co Ltd
Original Assignee
Foshan Jiezhi Information 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 Foshan Jiezhi Information Technology Co Ltd filed Critical Foshan Jiezhi Information Technology Co Ltd
Priority to CN201810045065.6A priority Critical patent/CN108334079A/zh
Publication of CN108334079A publication Critical patent/CN108334079A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
    • G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Optics & Photonics (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种无人驾驶汽车路况信息实时获取方法，包括步骤：采集第一数据和第二数据，并上传至云服务器，在云服务器端，基于神经网络算法对数据进行处理，得到道路预测数据，将道路预测数据下发至终端侧的设备，终端侧的设备接收云服务器下发的道路预测数据并存储在本地存储装置，同时将道路预测数据和历史路况数据传输至移动终端或设置在终端上的应用。本发明提高了无人驾驶汽车采集路况信息数据的实时性，而且提升了移动终端或设备获取无人驾驶汽车驾驶路况数据的实时性，可以改善城市交通拥堵状况。

Description

无人驾驶汽车路况信息实时获取方法
技术领域
本发明涉及交通技术领域，更为具体地，涉及一种无人驾驶汽车路况信息实时获取方法。
背景技术
随着汽车工业的发展，在汽车为人们带来各种便利的同时，也制造了一系列问题，如交通拥堵、环境污染、交通事故等。我国的交通国情在于机动车与非机动车混行，自行车数量大，机动车数量多，而路网容纳能力有限等，近年来，无人驾驶汽车技术日渐成熟，例如公开号为CN105788330A的中国专利申请公开了一种无人驾驶车辆的实时路况预警方法和装置。所述方法的一具体实施方式包括：采集无人驾驶车辆的行驶信息，其中，所述行驶信息包括：目的地、当前时间、速度信息、位置信息和规划路线；向云服务器发送所述行驶信息，以供所述云服务器根据所述行驶信息确定与所述规划路线相关的路况信息；接收所述云服务器反馈的路况信息；根据所述路况信息调整所述无人驾驶车辆的规划路线；控制所述无人驾驶车辆按照调整后的规划路线行驶，实现了无人驾驶车辆对拥堵道路的规避。但是，仍然存在不足之处，例如，路况信息获取的实时性较差，导致在交叉口交通控制系统上相应较慢，存在周期长、车辆延误和通行能力有限等问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种无人驾驶汽车路况信息实时获取方法，基于神经网络算法对采集的路况信息数据进行学习，并能够将学习后的道路预测数据下发到终端侧的设备，使得终端侧的设备能够将历史路况数据和云端学习后形成的道路预测数据传输至移动终端设备或应用，不仅提高了无人驾驶汽车采集路况信息数据的实时性，而且提升了移动终端或设备获取无人驾驶汽车驾驶路况数据的实时性，改善了城市交通拥堵状况。
本发明的目的是通过以下技术方案来实现的：一种无人驾驶汽车路况信息实时获取方法，包括如下步骤：
S1，在终端侧的设备中，设置有激光雷达探测系统，所述激光雷达探测系统包括激光测距仪、GIS地理信息装置、定位装置和通信装置，所述激光测距仪、GIS地理信息装置和定位装置分别与通信装置连接，激光测距仪用于采集距离数据，GIS地理信息装置用于获取地理位置数据，定位装置用于对车辆进行卫星定位，利用所述通信装置将采集的第一数据上传至云服务器，并且，在无人驾驶汽车经过道路交叉口处的交通监控系统时，利用道路交叉口处的交通监控系统采集第二数据，并上传至云服务器；
S2，云服务器接收所述第一数据和所述第二数据，并基于改进的神经网络算法进行处理，进一步包括如下步骤：
S21，选取多个第一数据和多个第二数据，同时将第一数据和第二数据作为神经网络的样本数据，设定权值误差向量为e(w)，利用如下公式计算权值误差和函数E(w)，
其中，eT(w)是e(w)的转置向量；
S22，计算神经网络权值的Jacobian矩阵J(w)；
其中，i为第i个神经元，j为第j个神经元，第i个神经元与第j个神经元之间的权值为wij；
S23，使用如下公式计算新的权值w(k+1)，
w(k+1)＝w(k)-[JT(wk)J(wk)+μI]-1JT(wk)e(wk)
其中，μ为附加因子，μ＞0，I为单位矩阵；
S24，将新的权值w(k+1)带入步骤S21中的权值误差和函数计算公式，计算得到新的权值误差和函数E(w)2，比较E(w)2与原来的E(w)1的大小，如果E(w)2的数值减小，则利用数值μ除以大于1的因子θ1，然后，对w(k+1)的值进行更新，然后转至步骤S21；如果E(w)2的数值没有减小，则利用数值μ乘上一个大于1的因子θ2，不更新w(k+1)并跳转至步骤S23，当神经网络的误差达到预设值或收敛时，停止函数的迭代计算，输出道路预测数据；
S3，云服务器将所述道路预测数据传输至终端侧的设备；
S4，终端侧的设备接收云服务器回传的数据，并将其保存在本地存储装置中。
进一步地，还包括更新步骤S5；
S5，云服务器实时获取所述第一数据，云服务器实时获取所述第二数据，并将第一数据和第二数据作为新的输入变量，基于步骤S2中所述改进的神经网络算法持续学习，不断优化输出道路预测数据。
进一步地，，在步骤S4中，对包括如下步骤：
S41，在终端侧的设备上，检测本地存储装置中是否保存有当前道路的历史路况数据，如果有，则提取当前道路的历史路况数据，并根据时间特征进行第一标记；如果没有，则直接进入步骤S44；
S42，第一计算，计算在当前道路上的历史路况数据的车速均值；第二计算，计算在当前道路上的历史路况数据的行驶时间均值，并将计算数据保存在本地存储装置中；
S43，根据步骤S41中的第一标记信息，提取当前道路在不同时间段的历史路况数据的车速均值和/或行驶时间均值；
S44，基于无线通信装置，将道路预测数据与历史路况数据传输至移动终端设备或设置在移动终端设备上的应用。
进一步地，第一数据包括实时行驶速度、停留时间、行驶时间、里程数据中的任一种。
进一步地，第二数据包括在信号灯处的行驶速度、行驶时间、停留时间、信号灯周期、绿灯时间、红灯时间中的任一种或多种。
本发明的有益效果是：
(1)本发明基于神经网络算法对采集的路况信息数据进行学习，并能够将学习后的道路预测数据下发到终端侧的设备，使得终端侧的设备能够将历史路况数据和云端学习后形成的道路预测数据传输至移动终端设备或应用，不仅提高了无人驾驶汽车采集路况信息数据的实时性，而且提升了移动终端或设备获取无人驾驶汽车驾驶路况数据的实时性，改善了城市交通拥堵状况。
(2)本发明采用改进的神经网络算法，收敛速度快，具有计算量小，精度高，消耗资源少的特点，特别是易于收敛，使得信息交互的实时性得到了显著提高。
(3)无人驾驶平台对信息的实时性要求非常高，因此，本发明由于采用改进后的神经网络算法，提高了运算收敛速度，实时性强，预测速度快，具有非常大的意义。
(4)本发明在对终端侧的设备存储的历史路况数据进行处理时，通过标记动作的处理步骤，使得在调用数据时，程序运行性能得到了提升，提高了数据处理效率，增强了设备的运行性能。
(5)本发明结合了终端侧的设备采集的实时交通数据和道路交通监控系统采集的交通数据作为云端侧的神经网络算法的输入变量，将人工智能算法模块部署在云端服务器，在云端服务器进行学习处理后将预测数据下发到终端侧设备，可以集中处理大量分布式设备或系统上传的数据，降低在终端侧的设备或系统上进行分析处理的成本，提高了对交通道路拥堵的预测效率，有效调控城市通勤者的交通出行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的方法步骤流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。本说明书中公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。
如图1所示，一种无人驾驶汽车路况信息实时获取方法，包括如下步骤：
S1，在终端侧的设备中，设置有激光雷达探测系统，所述激光雷达探测系统包括激光测距仪、GIS地理信息装置、定位装置和通信装置，所述激光测距仪、GIS地理信息装置和定位装置分别与通信装置连接，激光测距仪用于采集距离数据，GIS地理信息装置用于获取地理位置数据，定位装置用于对车辆进行卫星定位，利用所述通信装置将采集的第一数据上传至云服务器，并且，在无人驾驶汽车经过道路交叉口处的交通监控系统时，利用道路交叉口处的交通监控系统采集第二数据，并上传至云服务器；
S2，云服务器接收所述第一数据和所述第二数据，并基于改进的神经网络算法进行处理，进一步包括如下步骤：
S21，选取多个第一数据和多个第二数据，同时将第一数据和第二数据作为神经网络的样本数据，设定权值误差向量为e(w)，利用如下公式计算权值误差和函数E(w)，
其中，eT(w)是e(w)的转置向量；
S22，计算神经网络权值的Jacobian矩阵J(w)；
其中，i为第i个神经元，j为第j个神经元，第i个神经元与第j个神经元之间的权值为wij；
S23，使用如下公式计算新的权值w(k+1)，
w(k+1)＝w(k)-[JT(wk)J(wk)+μI]-1JT(wk)e(wk)
其中，μ为附加因子，μ＞0，I为单位矩阵；
S24，将新的权值w(k+1)带入步骤S21中的权值误差和函数计算公式，计算得到新的权值误差和函数E(w)2，比较E(w)2与原来的E(w)1的大小，如果E(w)2的数值减小，则利用数值μ除以大于1的因子θ1，然后，对w(k+1)的值进行更新，然后转至步骤S21；如果E(w)2的数值没有减小，则利用数值μ乘上一个大于1的因子θ2，不更新w(k+1)并跳转至步骤S23，当神经网络的误差达到预设值或收敛时，停止函数的迭代计算，输出道路预测数据；
S3，云服务器将所述道路预测数据传输至终端侧的设备；
S4，终端侧的设备接收云服务器回传的数据，并将其保存在本地存储装置中。
进一步地，还包括更新步骤S5；
S5，云服务器实时获取所述第一数据，云服务器实时获取所述第二数据，并将第一数据和第二数据作为新的输入变量，基于步骤S2中所述改进的神经网络算法持续学习，不断优化输出道路预测数据。
进一步地，，在步骤S4中，对包括如下步骤：
S41，在终端侧的设备上，检测本地存储装置中是否保存有当前道路的历史路况数据，如果有，则提取当前道路的历史路况数据，并根据时间特征进行第一标记；如果没有，则直接进入步骤S44；
S42，第一计算，计算在当前道路上的历史路况数据的车速均值；第二计算，计算在当前道路上的历史路况数据的行驶时间均值，并将计算数据保存在本地存储装置中；
S43，根据步骤S41中的第一标记信息，提取当前道路在不同时间段的历史路况数据的车速均值和/或行驶时间均值；
S44，基于无线通信装置，将道路预测数据与历史路况数据传输至移动终端设备或设置在移动终端设备上的应用。
进一步地，第一数据包括实时行驶速度、停留时间、行驶时间、里程数据中的任一种。
进一步地，第二数据包括在信号灯处的行驶速度、行驶时间、停留时间、信号灯周期、绿灯时间、红灯时间中的任一种或多种。
神经网络算法的基本原理，包括输入层、隐含层(学习层)和输出层，信号在神经元之间正向传输，得到网络输出以后与期望输出相比较，得到误差值，误差值再反向传播，用来改变初始的权值和阈值，不断迭代直到所输出的误差和最小。在这个过程中，神经网络的权值和阈值通过误差的反向传播而不断调整，并将调整后的权值和阈值保存下来，用于对新输入的变量进行计算，达到预测的目的。包括如下步骤：
SS1：对于一组序列值(x，y)，对应于每一个输入变量x，都有一个期望输出y与之对应，在神经网络的实际运算中需要确定输入神经元的节点数，例如，将其设为n，输出神经元的节点数设为m，中间的隐含层的节点数设为p；
SS2：隐含层输出计算，根据神经网络预设的输入以及神经元之间的连接权值和阈值b，可以得到中间神经元j的输出H，
其中，w为权值，b为阈值，f为激励函数，其计算公式如下：
SS3：输出层输出计算，根据隐含层神经元的计算结果和权值，使用如下公式计算整个神经网络的输出结果Ok：
SS4：误差计算，得到神经网络输出，将其与实际输出进行比较，计算神经网络输出与实际输出的误差值e：
e＝Yk-OK
SS5：权值更新，误差e进行反向传播，同时利用权值的变化量进行权值的调整，其表达式如下：
wjk＝wjk+ηHjek
其中，η为学习速率，可根据实际情况进行调整；
SS6：如果达到设定的预测误差则迭代停止，如果没有得到则转入SS2继续进行迭代计算。
其中，对初始值和阈值，一般选取0～1之间的随机数，对于学习速率，在同一个神经网络中的不同阶段可能会有不同的学习速率，可根据实际情况进行设置，一般可设置为0.01～0.8之间。
进一步地，改进后的神经网络算法的原理，
设神经元i与神经元j之间的权值为wij，对于一个输入变量xk，网络的输出为yk，节点i的输出为oik，对第s层的第j个神经元，当输入第k个样本时，节点j的输出为：
其中，为第s-1层输入第k个样本时，第j个神经元节点的输出，是第j个神经元的阈值；
定义误差和函数Ek，
神经网络的训练即是求E为最小值时的权值；
定义神经网络第s层共有n个节点，权值的误差向量为e(W)，其为列向量，则权值误差和函数E可表示为，
其中，计算平方误差和函数E(w)的梯度，
其中，
计算新的权值w(k+1)，
w(k+1)＝w(k)-[JT(wk)J(wk)+μI]-1JT(wk)e(wk)
由于JT(wk)J(wk)不一定可逆，加入微小增量μI，用于保证其可逆性。在本实施例中的其余技术特征，本领域技术人员均可以根据实际情况进行灵活选用和以满足不同的具体实际需求。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的算法，方法或系统等，均在本发明的权利要求书请求保护的技术方案限定技术保护范围之内。
对于前述的方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和单元并不一定是本申请所必须的。
本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法实现所描述的功能，但是这种实现不应超出本发明的范围。
所揭露的系统、模块和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例，仅仅是示意性的，例如，所述单元的划分，可以仅仅是一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以说通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述分立部件说明的单元可以是或者也可以不收物理上分开的，作为单元显示的部件可以是或者可以不收物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例的方案的目的。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、ROM、RAM等。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (5)

1.一种无人驾驶汽车路况信息实时获取方法，其特征在于，包括如下步骤：
S1，在终端侧的设备中，设置有激光雷达探测系统，所述激光雷达探测系统包括激光测距仪、GIS地理信息装置、定位装置和通信装置，所述激光测距仪、GIS地理信息装置和定位装置分别与通信装置连接，激光测距仪用于采集距离数据，GIS地理信息装置用于获取地理位置数据，定位装置用于对车辆进行卫星定位，利用所述通信装置将采集的第一数据上传至云服务器，并且，在无人驾驶汽车经过道路交叉口处的交通监控系统时，利用道路交叉口处的交通监控系统采集第二数据，并上传至云服务器；
S2，云服务器接收所述第一数据和所述第二数据，并基于改进的神经网络算法进行处理，进一步包括如下步骤：
S21，选取多个第一数据和多个第二数据，同时将第一数据和第二数据作为神经网络的样本数据，设定权值误差向量为e(w)，利用如下公式计算权值误差和函数E(w)，
其中，eT(w)是e(w)的转置向量；
S22，计算神经网络权值的Jacobian矩阵J(w)；
其中，i为第i个神经元，j为第j个神经元，第i个神经元与第j个神经元之间的权值为wij；
S23，使用如下公式计算新的权值w(k+1)，
w(k+1)＝w(k)-[JT(wk)J(wk)+μI]-1JT(wk)e(wk)
其中，μ为附加因子，μ＞0，I为单位矩阵；
S24，将新的权值w(k+1)带入步骤S21中的权值误差和函数计算公式，计算得到新的权值误差和函数E(w)2，比较E(w)2与原来的E(w)1的大小，如果E(w)2的数值减小，则利用数值μ除以大于1的因子θ1，然后，对w(k+1)的值进行更新，然后转至步骤S21；如果E(w)2的数值没有减小，则利用数值μ乘上一个大于1的因子θ2，不更新w(k+1)并跳转至步骤S23，当神经网络的误差达到预设值或收敛时，停止函数的迭代计算，输出道路预测数据；
S3，云服务器将所述道路预测数据传输至终端侧的设备；
S4，终端侧的设备接收云服务器回传的数据，并将其保存在本地存储装置中。
2.根据权利要求1所述的一种无人驾驶汽车路况信息实时获取方法，其特征在于，还包括更新步骤S5；
S5，云服务器实时获取所述第一数据，云服务器实时获取所述第二数据，并将第一数据和第二数据作为新的输入变量，基于步骤S2中所述改进的神经网络算法持续学习，不断优化输出道路预测数据。
3.根据权利要求1所述的一种无人驾驶汽车路况信息实时获取方法，其特征在于，在步骤S4中，进一步对包括如下步骤：
S41，在终端侧的设备上，检测本地存储装置中是否保存有当前道路的历史路况数据，如果有，则提取当前道路的历史路况数据，并根据时间特征进行第一标记；如果没有，则直接进入步骤S44；
S42，第一计算，计算在当前道路上的历史路况数据的车速均值；第二计算，计算在当前道路上的历史路况数据的行驶时间均值，并将计算数据保存在本地存储装置中；
S43，根据步骤S41中的第一标记信息，提取当前道路在不同时间段的历史路况数据的车速均值和/或行驶时间均值；
S44，基于无线通信装置，将道路预测数据与历史路况数据传输至移动终端设备或设置在移动终端设备上的应用。
4.根据权利要求1-3任一项所述的一种无人驾驶汽车路况信息实时获取方法，其特征在于，第一数据包括实时行驶速度、停留时间、行驶时间、里程数据中的任一种。
5.根据权利要求1-3任一项所述的一种无人驾驶汽车路况信息实时获取方法，其特征在于，第二数据包括在信号灯处的行驶速度、行驶时间、停留时间、信号灯周期、绿灯时间、红灯时间中的任一种或多种。
CN201810045065.6A 2018-01-17 2018-01-17 无人驾驶汽车路况信息实时获取方法 Withdrawn CN108334079A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810045065.6A CN108334079A (zh) 2018-01-17 2018-01-17 无人驾驶汽车路况信息实时获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810045065.6A CN108334079A (zh) 2018-01-17 2018-01-17 无人驾驶汽车路况信息实时获取方法

Publications (1)

Publication Number Publication Date
CN108334079A true CN108334079A (zh) 2018-07-27

Family

ID=62925092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810045065.6A Withdrawn CN108334079A (zh) 2018-01-17 2018-01-17 无人驾驶汽车路况信息实时获取方法

Country Status (1)

Country Link
CN (1) CN108334079A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111464650A (zh) * 2020-04-03 2020-07-28 北京绪水互联科技有限公司 一种数据分析方法、设备、系统及存储介质
CN111798687A (zh) * 2020-07-29 2020-10-20 苏州新派特信息科技有限公司 一种基于5g技术的远程控制车辆的方法及系统
CN113704116A (zh) * 2021-08-30 2021-11-26 阿波罗智联(北京)科技有限公司 自动驾驶车辆的数据处理方法、装置、电子设备和介质
CN114765627A (zh) * 2021-01-14 2022-07-19 京东科技控股股份有限公司 数据传输方法、设备、存储介质及计算机程序产品

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111464650A (zh) * 2020-04-03 2020-07-28 北京绪水互联科技有限公司 一种数据分析方法、设备、系统及存储介质
CN111464650B (zh) * 2020-04-03 2023-06-16 北京绪水互联科技有限公司 一种数据分析方法、设备、系统及存储介质
CN111798687A (zh) * 2020-07-29 2020-10-20 苏州新派特信息科技有限公司 一种基于5g技术的远程控制车辆的方法及系统
CN114765627A (zh) * 2021-01-14 2022-07-19 京东科技控股股份有限公司 数据传输方法、设备、存储介质及计算机程序产品
CN113704116A (zh) * 2021-08-30 2021-11-26 阿波罗智联(北京)科技有限公司 自动驾驶车辆的数据处理方法、装置、电子设备和介质

Similar Documents

Publication Publication Date Title
Li et al. Prediction for tourism flow based on LSTM neural network
CN107180530B (zh) 一种基于深度时空卷积循环网络的路网状态预测方法
Li et al. A traffic prediction enabled double rewarded value iteration network for route planning
CN108334079A (zh) 无人驾驶汽车路况信息实时获取方法
Yu et al. Hybrid model for prediction of bus arrival times at next station
Caliskan et al. Predicting parking lot occupancy in vehicular ad hoc networks
EP3035314A1 (en) A traffic data fusion system and the related method for providing a traffic state for a network of roads
Gong et al. Potential passenger flow prediction: A novel study for urban transportation development
CN111582559B (zh) 一种到达时间的预估方法及装置
CN113591380B (zh) 基于图高斯过程的交通流预测方法、介质及设备
CN101706888B (zh) 一种旅行时间预测的方法
CN108594799A (zh) 无人驾驶汽车路况信息实时获取装置与系统
CN108364490A (zh) 城市公路交通系统车辆运行调控方法
CN110598917B (zh) 一种基于路径轨迹的目的地预测方法、系统及存储介质
Li et al. Backpressure control with estimated queue lengths for urban network traffic
Grover et al. Traffic control using V-2-V based method using reinforcement learning
Lai et al. Understanding drivers' route choice behaviours in the urban network with machine learning models
Jabamony et al. IoT Based Bus Arrival Time Prediction Using Artificial Neural Network (ANN) for Smart Public Transport System (SPTS).
CN110570656A (zh) 定制公共交通线路方法及装置
CN108364491A (zh) 基于车流量预测的驾驶员信息提醒方法
Talukder et al. Trajectory-based signal control in mixed connected vehicle environments
Lartey et al. XGBoost: a tree-based approach for traffic volume prediction
Liu et al. Evaluation of the cost of intelligent upgrades of transportation infrastructure for intelligent connected vehicles
Liang et al. The impact of bus fleet size on performance of self-equalise bus headway control method
US20230153742A1 (en) Methods for shared bicycle delivery and operation area planning in smart cities and internet of things (iot) systems thereof

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20180727