CN108407797A - 一种基于深度学习的实现农机自动换挡的方法 - Google Patents
一种基于深度学习的实现农机自动换挡的方法 Download PDFInfo
- Publication number
- CN108407797A CN108407797A CN201810053501.4A CN201810053501A CN108407797A CN 108407797 A CN108407797 A CN 108407797A CN 201810053501 A CN201810053501 A CN 201810053501A CN 108407797 A CN108407797 A CN 108407797A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- speed
- information
- gear
- agricultural machinery
- 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.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/10—Conjoint control of vehicle sub-units of different type or different function including control of change-speed gearings
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
Abstract
本发明所述的一种基于深度学习的实现农机自动换挡的方法,通过深度学习和自动换挡系统的相互结合,可以完成智能作业情景下的深度无人化,自动换挡系统和外部传感器所提供的每一项数据都是深度学习网络的训练途径,而深度学习模块的不断学习进化则会反过来预期档位的判断和速度的解读,在人类的正确引导下,通过深度学习的自动换挡模块将为无人操作提供十分大的便利。
Description
技术领域:
本发明涉及农机领域,尤其涉及一种基于深度学习的实现农机自动换挡的方法。
背景技术:
随着社会经济的发展和现代科学技术的进步,农业改革的步伐也在不断加大,农业机械自动化发展进程也在逐渐加快。目前,全球农业的发展都面临着较为严峻的形式,因而国内外都十分注重加大科技投入,推动农业机械自动化的进步。
拖拉机作为重要的农业机械之一,是实现各种各样机械化作业的动力。然而,通常情况下,拖拉机组在恶劣环境下作业时,由于工作情况的复杂多变,操作人员技术水平差异,很难达到高精度的要求。在拖拉机驾驶方面,很难保证作业方向和行距问题,造成漏播或重复,土地利用率极低,化肥浪费严重,并且长时间作业给作业人员造成重负荷。无人驾驶拖拉机便可以避免这类问题的发生,已达到节省人力,节省资源,提高工作效率的目的。
在现有的无人驾驶拖拉机涉及的现有技术中,没有能够让作业中的拖拉机在相应的速度下选择相应的档位的有关技术,以解决无人驾驶拖拉机在作业过程中用户可以对拖拉机的速度进行设置,让拖拉机以相应的速度更好的进行作业。
发明内容:
为了克服上述的不足,本发明提供了一种基于深度学习的实现农机自动换挡的方法。
本发明解决其技术问题所采用的技术方案:
一种基于深度学习的实现农机自动换挡的方法,包括如下步骤:
第一步,启动处于静止的拖拉机;
第二步,随后利用各项传感器对当前的环境数据信息进行采集;
第三步,将传感器采集到的信息与数据库中所包含的所有数据进行对比,判断是否有类似的环境,如果有,则直接使用基于深度学习的应对策略调整车辆档位进行作业,直至完成,如果没有类似数据,则默认以一档启动车辆;
第四步,通过传感器测出拖拉机进行作业时所受的所有阻力,当牵引力等于阻力时,可以通过微积分理论中动态运动功率与牵引力的平衡关系计算得到理论上的最大速度V;
第五步,此时判断,计算出的最大速度V是否大于当前档位的速度区间,若大于,则车辆档位增加一档,然后再重复进行判断;若不大于当前档位的最大速度,则可以按照用户需求设定行驶速度直至达到V,并即刻将环境信息及车辆速度档位信息存储至数据库并记忆学习;
第六步,拖拉机以一个最佳的速度一直进行作业直至结束。
所述环境数据信息包括土地信息、天气情况、车辆位置、所拖拽的器械和牵引力及阻力。
由于采用如上所述的技术方案,本发明具有如下优越性:
本发明所述的一种基于深度学习的实现农机自动换挡的方法,通过深度学习和自动换挡系统的相互结合,可以完成智能作业情景下的深度无人化,自动换挡系统和外部传感器所提供的每一项数据都是深度学习网络的训练途径,而深度学习模块的不断学习进化则会反过来预期档位的判断和速度的解读,在人类的正确引导下,通过深度学习的自动换挡模块将为无人操作提供十分大的便利。
附图说明:
图1为本发明判断档位循环的部分流程图;
图2为本发明的整体流程图;
具体实施方式:
通过下面实施例可以更详细的解释本发明,公开本发明的目的旨在保护本发明范围内的一切变化和改进,本发明并不局限于下面的实施例;
结合附图所述的第一步,启动处于静止的拖拉机;
第二步,随后利用各项传感器对当前的环境数据信息进行采集;
第三步,将传感器采集到的信息与数据库中所包含的所有数据进行对比,判断是否有类似的环境,如果有,则直接使用基于深度学习的应对策略调整车辆档位进行作业,直至完成,如果没有类似数据,则默认以一档启动车辆;
第四步,通过传感器测出拖拉机进行作业时所受的所有阻力,当牵引力等于阻力时,可以通过微积分理论中动态运动功率与牵引力的平衡关系计算得到理论上的最大速度V;
第五步,此时判断,计算出的最大速度V是否大于当前档位的速度区间,若大于,则车辆档位增加一档,然后再重复进行判断;若不大于当前档位的最大速度,则可以按照用户需求设定行驶速度直至达到V,并即刻将环境信息及车辆速度档位信息存储至数据库并记忆学习;
第六步,拖拉机以一个最佳的速度一直进行作业直至结束。
所述环境数据信息包括土地信息、天气情况、车辆位置、所拖拽的器械和牵引力及阻力。
需要强调的是,深度学习是让机器经过深度学习后,能够实现从感知到动作的端对端学习的一种全新的方法。即让机器能够如人脑一样,输入感知信息,比如视觉,温湿度等,然后通过深度神经网络,直接输出动作,在本发明中尤其要注意以下几点:
1)对采集环境数据的采集及分析
初步的环境参数采集是极其重要的,因为这是深度学习判断运行时预期档位与速度的重要判断条件。需要提供土地信息、天气情况、车辆位置、所拖拽的器械以及牵引力等,土地信息会很大程度的影响到作业时的阻力,不同的天气条件所带来的施工难度也是不同的,车辆所处的位置也会干扰作业的进行,而选择合适的器械是提高效率的关键因素之一,可以大大提高车辆运行速度。这一过程是动态且实时的,并不断的上传到云端,作为深度学习的训练资料存储并等待调用。
2)进行云端参数对比,判断预期档位与速度,随着对外部环境的迅速采集,系统马上就会开始进行当前环境下的参数和云端网络中存在的外部环境数据的对比分析作业,这一环节是深度学习模块判断车辆动态运动时应该选择的运动档位与速度的重要依托,是深度学习的结果,一旦外部环境数据通过机器学习的结果对比相似度很高,可以直接做出判断,那么会直接智能选择接下来的运行档位,并保证尽量满足所需要的速度要求。
3)如图1所示,若无法通过云端数据的对比分析做出自动判断,则进入机器学习的阶段,出现无法通过云端判断的情况时,则自动进入机器学习的准备阶段,并默认以一档启动汽车,此时会根据大量环境数据进行一个平衡循环:
由于搜集了大量的环境数据,所以可以分析出最大理论速度Vmax,此时的Vmax是一个理论定值,这个值会成为系统的判定标准,如果Vmax大于当前档位的理论速度区间,则会讲档位提高一档,并再次进行判断,直到符合速度区间为止,此时便可以按照用户的需求控制车辆的作业速度。
如果在运行过程中,检测到外部环境发生突然的大量改变,诸如发生车辆、发动机的震动,土地信息传感器参数的警报等表示出来的土地质地变硬或变软,系统会自动回档到初始位置,并重新开始循环。
4)对深度学习模块的训练
假设我们有一个系统S,它有n层(S1,…Sn),它的输入是I,输出是O,形象地表示为: I=>S1=>S2=>…..=>Sn => O,如果输出O等于输入I,即输入I经过这个系统变化之后没有任何的信息损失,设处理a信息得到b,再对b处理得到c,那么可以证明:a和c的互信息不会超过a和b的互信息。这表明信息处理不会增加信息,大部分处理会丢失信息。保持了不变,这意味着输入I经过每一层Si都没有任何的信息损失,即在任何一层Si,它都是原有信息(即输入I)的另外一种表示。现在回到深度学习,需要自动地学习特征,假设我们有一堆输入I(如一堆图像或者文本),假设设计了一个系统S(有n层),通过调整系统中参数,使得它的输出仍然是输入I,那么就可以自动地获取得到输入I的一系列层次特征,即S1,…, Sn。
对于深度学习来说,其思想就是对堆叠多个层,也就是说这一层的输出作为下一层的输入。通过这种方式,就可以实现对输入信息进行分级表达了。
本方案恰是运用了深度学习的技术,将土地信息、天气情况、车辆位置、所拖拽的器械以及牵引力作为输入量,让车辆经深度学习后,有一个输出量,即车辆档位。每一次从车辆启动到平稳运行期间所采集到的参数以及最终确定的车辆运行数据都是最后对深度学习模块进行训练的实景学习材料,初期模块所能自主判断的情景会十分的有限,但是在把环境数据与车辆平稳运行时的稳定参数联系起来整合,并作为输入端对学习模块进行不断的训练后,深度学习的神经网络会存储积累下来大量的应对策略,在数量级的训练后,深度模块便可以迅速的应对近乎所有的外部环境做出正确的判断,这也是在2)中进行时的必要条件。
可以预期的是,通过深度学习和自动换挡系统的相互结合,可以完成智能作业情景下的深度无人化,自动换挡系统和外部传感器所提供的每一项数据都是深度学习网络的训练途径,而深度学习模块的不断学习进化则会反过来预期档位的判断和速度的解读,在人类的正确引导下,通过深度学习的自动换挡模块将为无人操作提供十分大的便利。
以上内容中未细述部份为现有技术,故未做细述。
Claims (2)
1.一种基于深度学习的实现农机自动换挡的方法,其特征在于:包括如下步骤:
第一步,启动处于静止的拖拉机;
第二步,随后利用各项传感器对当前的环境数据信息进行采集;
第三步,将传感器采集到的信息与数据库中所包含的所有数据进行对比,判断是否有类似的环境,如果有,则直接使用基于深度学习的应对策略调整车辆档位进行作业,直至完成,如果没有类似数据,则默认以一档启动车辆;
第四步,通过传感器测出拖拉机进行作业时所受的所有阻力,当牵引力等于阻力时,可以通过微积分理论中动态运动功率与牵引力的平衡关系计算得到理论上的最大速度V;
第五步,此时判断,计算出的最大速度V是否大于当前档位的速度区间,若大于,则车辆档位增加一档,然后再重复进行判断;若不大于当前档位的最大速度,则可以按照用户需求设定行驶速度直至达到V,并即刻将环境信息及车辆速度档位信息存储至数据库并记忆学习;
第六步,拖拉机以一个最佳的速度一直进行作业直至结束。
2.根据权利要求1所述的一种基于深度学习的实现农机自动换挡的方法,其特征在于:所述环境数据信息包括土地信息、天气情况、车辆位置、所拖拽的器械和牵引力及阻力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810053501.4A CN108407797B (zh) | 2018-01-19 | 2018-01-19 | 一种基于深度学习的实现农机自动换挡的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810053501.4A CN108407797B (zh) | 2018-01-19 | 2018-01-19 | 一种基于深度学习的实现农机自动换挡的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108407797A true CN108407797A (zh) | 2018-08-17 |
CN108407797B CN108407797B (zh) | 2021-02-05 |
Family
ID=63126217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810053501.4A Active CN108407797B (zh) | 2018-01-19 | 2018-01-19 | 一种基于深度学习的实现农机自动换挡的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108407797B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801178A (zh) * | 2018-12-29 | 2019-05-24 | 丰疆智慧农业股份有限公司 | 农机工作模式管控方法及其管控系统 |
CN110716550A (zh) * | 2019-11-06 | 2020-01-21 | 南京理工大学 | 一种基于深度强化学习的换挡策略动态优化方法 |
CN113126628A (zh) * | 2021-04-26 | 2021-07-16 | 上海联适导航技术股份有限公司 | 一种农机自动驾驶的方法、系统、设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003039978A (ja) * | 2001-07-27 | 2003-02-13 | Hitachi Ltd | 車両走行制御方法、その装置及び車両 |
CN104470781A (zh) * | 2012-06-01 | 2015-03-25 | 谷歌公司 | 基于替代数据推断交通信号状态和车辆环境的其他方面 |
CN105864420A (zh) * | 2016-06-15 | 2016-08-17 | 奇瑞商用车(安徽)有限公司 | 一种自动变速箱手动模式换挡提醒控制方法 |
CN106122465A (zh) * | 2015-05-07 | 2016-11-16 | 现代自动车株式会社 | 用于自动控制挡位的方法和系统 |
CN106864451A (zh) * | 2017-01-22 | 2017-06-20 | 郑云丰 | 一种基于自学习功能的混合电动汽车智能动力控制方法 |
CN106874886A (zh) * | 2017-03-10 | 2017-06-20 | 南京沃杨机械科技有限公司 | 用于农机无人驾驶的多传感器融合的农田环境感知方法 |
-
2018
- 2018-01-19 CN CN201810053501.4A patent/CN108407797B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003039978A (ja) * | 2001-07-27 | 2003-02-13 | Hitachi Ltd | 車両走行制御方法、その装置及び車両 |
CN104470781A (zh) * | 2012-06-01 | 2015-03-25 | 谷歌公司 | 基于替代数据推断交通信号状态和车辆环境的其他方面 |
CN106122465A (zh) * | 2015-05-07 | 2016-11-16 | 现代自动车株式会社 | 用于自动控制挡位的方法和系统 |
CN105864420A (zh) * | 2016-06-15 | 2016-08-17 | 奇瑞商用车(安徽)有限公司 | 一种自动变速箱手动模式换挡提醒控制方法 |
CN106864451A (zh) * | 2017-01-22 | 2017-06-20 | 郑云丰 | 一种基于自学习功能的混合电动汽车智能动力控制方法 |
CN106874886A (zh) * | 2017-03-10 | 2017-06-20 | 南京沃杨机械科技有限公司 | 用于农机无人驾驶的多传感器融合的农田环境感知方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801178A (zh) * | 2018-12-29 | 2019-05-24 | 丰疆智慧农业股份有限公司 | 农机工作模式管控方法及其管控系统 |
CN110716550A (zh) * | 2019-11-06 | 2020-01-21 | 南京理工大学 | 一种基于深度强化学习的换挡策略动态优化方法 |
CN110716550B (zh) * | 2019-11-06 | 2022-07-22 | 南京理工大学 | 一种基于深度强化学习的换挡策略动态优化方法 |
CN113126628A (zh) * | 2021-04-26 | 2021-07-16 | 上海联适导航技术股份有限公司 | 一种农机自动驾驶的方法、系统、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108407797B (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108407797A (zh) | 一种基于深度学习的实现农机自动换挡的方法 | |
Terwen et al. | Predictive powertrain control for heavy duty trucks | |
CN104484911A (zh) | 基于QoE的个性化自动驾驶参数优化设定方法 | |
CN108229730B (zh) | 一种基于模糊奖励的无人驾驶车辆轨迹生成方法 | |
CN105068421A (zh) | 多移动机器人的二自由度协同控制方法 | |
Su et al. | Robot path planning based on random coding particle swarm optimization | |
Zhao et al. | “InfoRich” Eco-Driving Control Strategy for Connected and Automated Vehicles | |
Ali et al. | Model predictive control with constraints for a nonlinear adaptive cruise control vehicle model in transition manoeuvres | |
CN104653760B (zh) | Amt变速器换挡控制方法、控制装置及amt变速器 | |
CN102393741B (zh) | 视觉引导移动机器人的控制系统及其方法 | |
CN111830971B (zh) | 一种用于在稀疏奖励信号下学习多机器人编队导航策略的课程学习方法 | |
CN113635900A (zh) | 一种预测巡航过程中基于能量管理的换道决策控制方法 | |
Bueno et al. | Regulation of uncertain Markov jump linear systems with application on automotive powertrain control | |
WO2022090040A1 (de) | Verfahren und vorrichtung zum steuern eines fahrzeugs entlang einer fahrttrajektorie | |
CN114342615A (zh) | 插秧机自动控制方法、装置、设备和存储介质 | |
Fellicious | Transfer learning and organic computing for autonomous vehicles | |
CN115688861B (zh) | 一种用于混合交通环境行为决策的模块化图强化学习系统 | |
Ma et al. | A new framework of optimal multi-robot formation problem | |
EP4242494A1 (en) | Method and system for dynamic gear-shifting control of vehicle on basis of terrain | |
Pan et al. | Implementation of data distribution management services in a service oriented HLA RTI | |
CN112118989B (zh) | 驾驶设备、控制方法、装置及存储介质 | |
Xuejian et al. | A speed inference planning of groove cutting robot based on machine vision and improved fuzzy neural network | |
Töpfer | Predictive operation strategies for future machine concepts | |
Zhang et al. | Human-Machine Co-Driving Mode Switching Method of Autonomous Vehicles based on Traffic Scenarios | |
Yuan et al. | Analyze on multi-vehicle coordination-enhanced intelligent driving framework based on human–machine hybrid intelligence |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |