CN108501948A - 一种基于虚拟现实的无人驾驶汽车控制方法 - Google Patents
一种基于虚拟现实的无人驾驶汽车控制方法 Download PDFInfo
- Publication number
- CN108501948A CN108501948A CN201810338678.9A CN201810338678A CN108501948A CN 108501948 A CN108501948 A CN 108501948A CN 201810338678 A CN201810338678 A CN 201810338678A CN 108501948 A CN108501948 A CN 108501948A
- Authority
- CN
- China
- Prior art keywords
- module
- interference
- virtual reality
- space
- quantum
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 238000006243 chemical reaction Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 239000002096 quantum dot Substances 0.000 claims description 21
- 239000013256 coordination polymer Substances 0.000 claims description 18
- 238000010187 selection method Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000010287 polarization Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 3
- 230000002028 premature Effects 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于无人驾驶领域,公开了一种基于虚拟现实的无人驾驶汽车控制方法,设置有虚拟现实模拟模块,虚拟现实模拟模块通过信息转化模块接收模拟图像采集模块、声音收集模块、车身自感模块等信息,车身自感模块包括:距离传感器、雷达。该发明设有紧急制动模块,在车身自感模块检查出车存在安全隐患时将会直接进行停车不经过虚拟现实模拟模块进行模拟并且直接进行激活救援呼叫模块,通过虚拟现实模拟模块实现无人驾驶,大大提高了可行性与安全性;该发明拥有大大的提高了无人驾驶汽车的安全性,使得无人驾驶汽车更加的智能。
Description
技术领域
本发明属于无人驾驶领域,尤其涉及一种基于虚拟现实的无人驾驶汽车控制方法。
背景技术
目前,业内常用的现有技术是这样的:
目前,无人驾驶技术可谓来势汹汹,发展迅速。曾有报道预测,到2020年至少会有1000万辆无人驾驶汽车上路。谷歌、苹果,以及一些传统汽车厂商纷纷跻身其中。作为该技术的“领跑者”,目前无人驾驶汽车依靠激光测距仪、视频摄像头、车载雷达、传感器等获得环境感知和识别能力,确保行驶路径遵循谷歌街景地图预先设定的路线,但是在行驶过程中存在着各种突发情况,由于需要进行复杂的计算无法进行快速反应,存在着安全隐患。
由于无线传输媒介的广播特性,干扰问题成为限制无线通信系统性能的重要因素,无线网络的干扰管理问题是未来通信技术发展中的重要研究内容。
为了进行干扰管理,首先应准确刻画干扰。在实际的无线通信系统中,干扰携带有信息并且有特定的结构,它首先具有功率,频率和时间这些基本特征,根据所采用的具体技术,干扰还可能具有空间角度、极化方向、编码方式等新的特征,因此干扰具有多维特征。虽然部分文献考虑了联合维度的资源及干扰管理,但缺乏关于干扰的基本数学表征。另外,在无线网络性能的分析、优化以及接入、调度和路由机制设计中,常常需要通过抽象对无线信道干扰进行建模,而全面的认识干扰是进行合理抽象的基础。因此,根据未来无线通信网络异构、动态、智能等特征,结合多种具体通信技术从多个方面和角度描述干扰特征,实现干扰的多维表示,进而构建具体的干扰空间,是设计干扰管理方法,改善网络容量的先决条件。
综上所述,现有技术存在的问题是:
目前无人驾驶汽车在行驶过程中存在着各种突发情况,由于需要进行复杂的计算无法进行快速反应,存在着安全隐患。
现有技术无线网络存在的干扰管理没有考虑多维特征,管理效率较低的问题。
发明内容
针对现有技术存在的问题,本发明提供了一种基于虚拟现实的无人驾驶汽车控制方法,
本发明是这样实现的,一种基于虚拟现实的无人驾驶汽车控制系统,所述基于虚拟现实的无人驾驶汽车控制系统设置有:
虚拟现实模拟模块;
虚拟现实模拟模块通过信息转化模块接收模拟图像采集模块、声音收集模块、车身自感模块信息;
GPS定位模块将位置信息传输给虚拟现实模拟模块,虚拟现实模拟模块通过数据传输传递给无人驾驶系统与紧急制动模块;
无人驾驶系统包括路径选择模块、智能控制模块;
紧急制动模块直接与智能控制模块连接;
车身自感模块与紧急制动模块连接;
车身自感模块包含有距离传感器、雷达信息;
路径选择模块内含智能地图信息;
信息转化模块接收模拟图像采集模块、声音收集模块、车身自感模块信息中,对干扰信号进行处理,具体包括:
选取若干个干扰信号的特征参数CP,包括无线信号的频率F、时间T、对于观测点空域角度Θ、极化方向Γ、以及编码方式C,并将参数作为坐标轴建立多维坐标系,对于坐标系的各个坐标轴,分别根据各个干扰特征参数的分辨率确定对应坐标轴的单位量,基于坐标系建立多维特征参数的空间模型,定义为干扰空间:HSI=SPACE(CP1,CP2…CPN),在此干扰空间中的任意一个矢量由坐标进行表示:
其中CPi为矢量在干扰空间中某一维度的坐标,是对于特征参量CPi的具体取值,对于单模的干扰信号,在干扰空间中表示为一个单一矢量:
对于多模的干扰信号,即干扰信号的一个或者数个特征参数表现为具有多值特性,在干扰空间中使用干扰特征矢量的集合表示:
路径选择模块路径选择方法包括:
第一步,基于基本蝙蝠算法的基础上采用量子位的概率幅对蝙蝠个体进行编码,即用量子旋转门对量子位的概率幅进行更新,采用量子非门作为变异操作以避免算法的早熟收敛;对于每个量子位具有两个概率幅,每只蝙蝠可以表示优化空间的两个位置;
第二步,在量子计算中,最小的信息单元存储在一个量子比特中,该量子比特的状态可能为“0”,也可能为“1”,或是“0”和“1”之间的任意状态;一个量子比特的状态可以表示如下:
|Ψ>=α|0>+β|1>
其中,α和β满足:
|α|2+|β|2=1
其中,|α|2和|β|2分别表示趋于状态|0>和|1>的概率;
一个n元量子比特定义为:
量子旋转门定义如下:
量子非门定义如下:
进一步,路径选择模块路径选择方法还包括:
产生初始种群:
算法采用的编码方案如下:
其中,θij是幅角,由式(17)可以看出每只蝙蝠对应了问题空间的两个位置,分别对应量子态|0>和|1>的概率幅:
Pic=(cos(θi1),cos(θi2),...,cos(θin))
Pis=(sin(θi1),sin(θi2),...,sin(θin))。
进一步,路径选择模块路径选择方法还包括:
解空间的转换:
为计算个体的适应度并对个体的优劣进行评价,需对种群的解空间进行转换;个体的量子位的每个概率幅对应了问题的解空间的一个解,每只蝙蝠对应了优化问题的两个解;
其中,由量子态|0>的概率幅求得,而是由量子态|1>的概率幅得到。
进一步,路径选择模块路径选择方法还包括:更新策略:
在量子蝙蝠算法QBA中,采用蝙蝠算法BA)的更新策略对量子位的幅角增量进行更新,其更新过程如下:
Δθij(t+1)=Δθij(t)+Δθg*Q(i)*stepnow
θij(t+1)=θij(t)+Δθij(t+1)
其中,Δθij和θij分别为幅角增量和幅角;
参数值分别为:w=2,σe=0,σs=2;
利用量子旋转门对概率幅进行更新:
得到两个新位置:
进一步,路径选择模块路径选择方法还包括:
变异策略:
在量子蝙蝠算法QBA)中,为防止算法过早地陷入局部最优,采用变异策略来增加种群的多样性,变异策略通过量子非门实现;如果rand()<pm,则执行量子非门操作,将两个概率值进行兑换;其中,pm为变异概率;
进一步,所述在选取的若干个干扰信号特征参数之前需要确定干扰信号和参照信号在无线信号领域上的物理参数,包括无线信号的频率F、时间T、对于观测点空域角度Θ、极化方向Γ、以及编码方式C;
用特征参数作为坐标轴建立空间坐标系,定义的干扰空间为:
HSI=SPACE(F,T,Θ,Γ,C);
干扰空间中的任意一个矢量由干扰特征空间中的坐标进行表示:
其中的f,t,θ,γ,c分别是对应于各个维度的坐标值;
对于单模的干扰信号,在干扰空间中表示为一个单一矢量:
其中的f,t,θ,γ,c分别是对应于各个维度的坐标值;
干扰信号为多模信号,即干扰信号的一个或者数个特征参数表现为具有多值特性,在干扰空间中使用干扰特征矢量的集合表示:
在干扰空间中是个矢量集合,代表的是一个满足一定区间约束条件的子空间区域。
本发明的另一目的在于提供一种基于虚拟现实的无人驾驶汽车控制方法通过声音收集模块、图像采集模块、车身自感模块将外界信息传给信息转化模块进行转化,GPS定位模块实现位置的确定,虚拟现实模拟模块将外界信息进行虚拟模拟,并通过路径选择模块、分析寻找可行路线;紧急制动模块、救援呼叫模块保证无人驾驶汽车的安全,无人驾驶系统中智能控制模块实现对指令的实施。
本发明的优点及积极效果为:
该发明设有紧急制动模块,在车身自感模块检查出车存在安全隐患时将会直接进行停车不经过虚拟现实模拟模块进行模拟并且直接进行激活救援呼叫模块,通过虚拟现实模拟模块实现无人驾驶,大大提高了可行性与安全性。该发明拥有大大的提高了无人驾驶汽车的安全性,使得无人驾驶汽车更加的智能。
本发明以描述干扰信号的特征参量作为坐标轴建立坐标系,通过构建的干扰空间模型,利用矢量表示和运算,可以支持无线通信系统干扰信号的分析、表示、与具体运算,从而为系统对干扰信号的判定、分析和管理形成数学依据。在干扰空间模型支撑的基础上,可以通过数学的方法为系统进行干扰管理技术提供指导和帮助;利用数学空间概念形成的干扰空间模型,对无线通信系统中干扰信号的状态进行分析和表征,创造性的提出了多维度干扰状态空间模型。
本发明的路径选择方法可获得准确的数据,相比于现有技术,提高很多。
附图说明
图1是本发明实施例提供的基于虚拟现实的无人驾驶汽车控制系统结构示意图;
图中:1、声音收集模块;2、图像采集模块;3、信息转化模块;4、车身自感模块;5、GPS定位模块;6、虚拟现实模拟模块;7、紧急制动模块;8、救援呼叫模块;9、路径选择模块;10、智能控制模块;11、无人驾驶系统。
图2是本发明实施例提供的基于虚拟现实的无人驾驶汽车控制系统结构中车身自感模块结构示意图;
图中:12、距离传感器;13、雷达示意图。
图3是本发明实施例提供的基于虚拟现实的无人驾驶汽车控制系统结构中路径选择模块结构示意图;
图中:14、壳体;15、数据接收器;16、WIFI连接器;17、智能地图。
图4是本发明实施例提供的干扰空间模型对无线通信系统中单模式干扰信号的具体表示示意图;
图5是本发明实施例提供的干扰空间模型对无线通信系统中多模式干扰信号的具体表示示意图;
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1至图3所示,本发明实施例提供的基于虚拟现实的无人驾驶汽车控制系统包括:声音收集模块1、图像采集模块2、信息转化模块3、车身自感模块4、GPS定位模块5、虚拟现实模拟模块6、紧急制动模块7、救援呼叫模块8、路径选择模块9、智能控制模块10、无人驾驶系统11。
如图2所示,本发明实施例提供的基于虚拟现实的无人驾驶汽车控制系统车身自感模块包括:距离传感器12、雷达13。
如图3所示,本发明实施例提供的基于虚拟现实的无人驾驶汽车控制系统路径选择模块包括:壳体14、数据接收器15、WIFI连接器16、智能地图17。
虚拟现实模拟模块6通过信息转化模块3接收模拟图像采集模块2、声音收集模块1、车身自感模块等信息4,GPS定位模块5将位置信息传输给虚拟现实模拟模块6,虚拟现实模拟模块6通过数据传输传递给无人驾驶系统11与紧急制动模块7。所述距离传感器12焊接与汽车内部,与信息转化模3块相连;所述雷达13焊接与车身上,与信息转化模块3通过导线相连。所述数据15接收器嵌于壳体14内部;所述壳体14置于汽车内部;所述WIFI连接器16嵌于壳体14外表面;所述智能地图17与数据接收器15相连。
无人驾驶系统11包括路径选择模块9、智能控制模块10。
紧急制动模块7直接与智能控制模块10连接。
车身自感模块4直接与紧急制动模块7连接。
本发明的工作原理:通过声音收集模块1、图像采集模块2、车身自感模块4将外界信息传给信息转化模块3进行转化,GPS定位模块5实现位置的确定,虚拟现实模拟模块6将外界信息进行虚拟模拟,并通过路径选择模块9、分析寻找可行路线。紧急制动模块7、救援呼叫模块8保证无人驾驶汽车的安全,无人驾驶系统11中智能控制模块10实现对指令的实施。通过距离传感器12回传回来的信号来控制汽车速度,防止危险发生;雷达13通过判断前方信号灯的状态和障碍物来触动紧急制动模块7;通过数据接收器15将接受的信息进行处理,将数据传输给智能地图17,在连接WIFI连接器16的情况下,来综合判断汽车行进的路线。
图4是本发明实施例提供的干扰空间模型对无线通信系统中单模式干扰信号的具体表示示意图;
图5是本发明实施例提供的干扰空间模型对无线通信系统中多模式干扰信号的具体表示示意图。
下面结合具体分析对本发明作进一步描述。
信息转化模块接收模拟图像采集模块、声音收集模块、车身自感模块信息中,对干扰信号进行处理,具体包括:
选取若干个干扰信号的特征参数CP,包括无线信号的频率F、时间T、对于观测点空域角度Θ、极化方向Γ、以及编码方式C,并将参数作为坐标轴建立多维坐标系,对于坐标系的各个坐标轴,分别根据各个干扰特征参数的分辨率确定对应坐标轴的单位量,基于坐标系建立多维特征参数的空间模型,定义为干扰空间:HSI=SPACE(CP1,CP2…CPN),在此干扰空间中的任意一个矢量由坐标进行表示:
其中CPi为矢量在干扰空间中某一维度的坐标,是对于特征参量CPi的具体取值,对于单模的干扰信号,在干扰空间中表示为一个单一矢量:
对于多模的干扰信号,即干扰信号的一个或者数个特征参数表现为具有多值特性,在干扰空间中使用干扰特征矢量的集合表示:
路径选择模块路径选择方法包括:
第一步,基于基本蝙蝠算法的基础上采用量子位的概率幅对蝙蝠个体进行编码,即用量子旋转门对量子位的概率幅进行更新,采用量子非门作为变异操作以避免算法的早熟收敛;对于每个量子位具有两个概率幅,每只蝙蝠可以表示优化空间的两个位置;
第二步,在量子计算中,最小的信息单元存储在一个量子比特中,该量子比特的状态可能为“0”,也可能为“1”,或是“0”和“1”之间的任意状态;一个量子比特的状态可以表示如下:
|Ψ>=α|0>+β|1>
其中,α和β满足:
|α|2+|β|2=1
其中,|α|2和|β|2分别表示趋于状态|0>和|1>的概率;
一个n元量子比特定义为:
量子旋转门定义如下:
量子非门定义如下:
进一步,路径选择模块路径选择方法还包括:
产生初始种群:
算法采用的编码方案如下:
其中,θij是幅角,由式(17)可以看出每只蝙蝠对应了问题空间的两个位置,分别对应量子态|0>和|1>的概率幅:
Pic=(cos(θi1),cos(θi2),...,cos(θin))
Pis=(sin(θi1),sin(θi2),...,sin(θin))。
进一步,路径选择模块路径选择方法还包括:
解空间的转换:
为计算个体的适应度并对个体的优劣进行评价,需对种群的解空间进行转换;个体的量子位的每个概率幅对应了问题的解空间的一个解,每只蝙蝠对应了优化问题的两个解;
其中,由量子态|0>的概率幅求得,而是由量子态|1>的概率幅得到。
进一步,路径选择模块路径选择方法还包括:更新策略:
在量子蝙蝠算法QBA中,采用蝙蝠算法BA)的更新策略对量子位的幅角增量进行更新,其更新过程如下:
Δθij(t+1)=Δθij(t)+Δθg*Q(i)*stepnow
θij(t+1)=θij(t)+Δθij(t+1)
其中,Δθij和θij分别为幅角增量和幅角;
参数值分别为:w=2,σe=0,σs=2;
利用量子旋转门对概率幅进行更新:
得到两个新位置:
进一步,路径选择模块路径选择方法还包括:
变异策略:
在量子蝙蝠算法QBA)中,为防止算法过早地陷入局部最优,采用变异策略来增加种群的多样性,变异策略通过量子非门实现;如果rand()<pm,则执行量子非门操作,将两个概率值进行兑换;其中,pm为变异概率;
所述在选取的若干个干扰信号特征参数之前需要确定干扰信号和参照信号在无线信号领域上的物理参数,包括无线信号的频率F、时间T、对于观测点空域角度Θ、极化方向Γ、以及编码方式C;
用特征参数作为坐标轴建立空间坐标系,定义的干扰空间为:
HSI=SPACE(F,T,Θ,Γ,C);
干扰空间中的任意一个矢量由干扰特征空间中的坐标进行表示:
其中的f,t,θ,γ,c分别是对应于各个维度的坐标值;
对于单模的干扰信号,在干扰空间中表示为一个单一矢量:
其中的f,t,θ,γ,c分别是对应于各个维度的坐标值;
干扰信号为多模信号,即干扰信号的一个或者数个特征参数表现为具有多值特性,在干扰空间中使用干扰特征矢量的集合表示:
在干扰空间中是个矢量集合,代表的是一个满足一定区间约束条件的子空间区域。
本发明提供一种基于虚拟现实的无人驾驶汽车控制方法通过声音收集模块、图像采集模块、车身自感模块将外界信息传给信息转化模块进行转化,GPS定位模块实现位置的确定,虚拟现实模拟模块将外界信息进行虚拟模拟,并通过路径选择模块、分析寻找可行路线;紧急制动模块、救援呼叫模块保证无人驾驶汽车的安全,无人驾驶系统中智能控制模块实现对指令的实施。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (7)
1.一种基于虚拟现实的无人驾驶汽车控制系统,其特征在于,所述基于虚拟现实的无人驾驶汽车控制系统设置有:
虚拟现实模拟模块;
虚拟现实模拟模块通过信息转化模块接收模拟图像采集模块、声音收集模块、车身自感模块信息;
GPS定位模块将位置信息传输给虚拟现实模拟模块,虚拟现实模拟模块通过数据传输传递给无人驾驶系统与紧急制动模块;
无人驾驶系统包括路径选择模块、智能控制模块;
紧急制动模块直接与智能控制模块连接;
车身自感模块与紧急制动模块连接;
车身自感模块包含有距离传感器、雷达信息;
路径选择模块内含智能地图信息;
信息转化模块接收模拟图像采集模块、声音收集模块、车身自感模块信息中,对干扰信号进行处理,具体包括:
选取若干个干扰信号的特征参数CP,包括无线信号的频率F、时间T、对于观测点空域角度Θ、极化方向Γ、以及编码方式C,并将参数作为坐标轴建立多维坐标系,对于坐标系的各个坐标轴,分别根据各个干扰特征参数的分辨率确定对应坐标轴的单位量,基于坐标系建立多维特征参数的空间模型,定义为干扰空间:HSI=SPACE(CP1,CP2…CPN),在此干扰空间中的任意一个矢量由坐标进行表示:
其中CPi为矢量在干扰空间中某一维度的坐标,是对于特征参量CPi的具体取值,对于单模的干扰信号,在干扰空间中表示为一个单一矢量:
对于多模的干扰信号,即干扰信号的一个或者数个特征参数表现为具有多值特性,在干扰空间中使用干扰特征矢量的集合表示:
路径选择模块路径选择方法包括:
第一步,基于基本蝙蝠算法的基础上采用量子位的概率幅对蝙蝠个体进行编码,即用量子旋转门对量子位的概率幅进行更新,采用量子非门作为变异操作以避免算法的早熟收敛;对于每个量子位具有两个概率幅,每只蝙蝠可以表示优化空间的两个位置;
第二步,在量子计算中,最小的信息单元存储在一个量子比特中,该量子比特的状态可能为“0”,也可能为“1”,或是“0”和“1”之间的任意状态;一个量子比特的状态可以表示如下:
|Ψ>=α|0>+β|1>
其中,α和β满足:
|α|2+|β|2=1
其中,|α|2和|β|2分别表示趋于状态|0>和|1>的概率;
一个n元量子比特定义为:
量子旋转门定义如下:
量子非门定义如下:
2.如权利要求1所述的基于虚拟现实的无人驾驶汽车控制系统,其特征在于,路径选择模块路径选择方法还包括:
产生初始种群:
算法采用的编码方案如下:
其中,θij是幅角,由式(17)可以看出每只蝙蝠对应了问题空间的两个位置,分别对应量子态|0>和|1>的概率幅:
Pic=(cos(θi1),cos(θi2),...,cos(θin))
Pis=(sin(θi1),sin(θi2),...,sin(θin))。
3.如权利要求1所述的基于虚拟现实的无人驾驶汽车控制系统,其特征在于,路径选择模块路径选择方法还包括:
解空间的转换:
为计算个体的适应度并对个体的优劣进行评价,需对种群的解空间进行转换;个体的量子位的每个概率幅对应了问题的解空间的一个解,每只蝙蝠对应了优化问题的两个解;
其中,由量子态|0>的概率幅求得,而是由量子态|1>的概率幅得到。
4.如权利要求1所述的基于虚拟现实的无人驾驶汽车控制系统,其特征在于,路径选择模块路径选择方法还包括:更新策略:
在量子蝙蝠算法QBA中,采用蝙蝠算法BA)的更新策略对量子位的幅角增量进行更新,其更新过程如下:
Δθij(t+1)=Δθij(t)+Δθg*Q(i)*stepnow
θij(t+1)=θij(t)+Δθij(t+1)
其中,Δθij和θij分别为幅角增量和幅角;
参数值分别为:w=2,σe=0,σs=2;
利用量子旋转门对概率幅进行更新:
得到两个新位置:
5.如权利要求1所述的基于虚拟现实的无人驾驶汽车控制系统,其特征在于,路径选择模块路径选择方法还包括:
变异策略:
在量子蝙蝠算法QBA)中,为防止算法过早地陷入局部最优,采用变异策略来增加种群的多样性,变异策略通过量子非门实现;如果rand()<pm,则执行量子非门操作,将两个概率值进行兑换;其中,pm为变异概率;
6.如权利要求1所述的基于虚拟现实的无人驾驶汽车控制系统,其特征在于,所述在选取的若干个干扰信号特征参数之前需要确定干扰信号和参照信号在无线信号领域上的物理参数,包括无线信号的频率F、时间T、对于观测点空域角度Θ、极化方向Γ、以及编码方式C;
用特征参数作为坐标轴建立空间坐标系,定义的干扰空间为:
HSI=SPACE(F,T,Θ,Γ,C);
干扰空间中的任意一个矢量由干扰特征空间中的坐标进行表示:
其中的f,t,θ,γ,c分别是对应于各个维度的坐标值;
对于单模的干扰信号,在干扰空间中表示为一个单一矢量:
其中的f,t,θ,γ,c分别是对应于各个维度的坐标值;
干扰信号为多模信号,即干扰信号的一个或者数个特征参数表现为具有多值特性,在干扰空间中使用干扰特征矢量的集合表示:
在干扰空间中是个矢量集合,代表的是一个满足一定区间约束条件的子空间区域。
7.一种如权利要求1所述基于虚拟现实的无人驾驶汽车控制系统的基于虚拟现实的无人驾驶汽车控制方法,其特征在于,所述基于虚拟现实的无人驾驶汽车控制方法通过声音收集模块、图像采集模块、车身自感模块将外界信息传给信息转化模块进行转化,GPS定位模块实现位置的确定,虚拟现实模拟模块将外界信息进行虚拟模拟,并通过路径选择模块、分析寻找可行路线;紧急制动模块、救援呼叫模块保证无人驾驶汽车的安全,无人驾驶系统中智能控制模块实现对指令的实施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810338678.9A CN108501948A (zh) | 2018-04-16 | 2018-04-16 | 一种基于虚拟现实的无人驾驶汽车控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810338678.9A CN108501948A (zh) | 2018-04-16 | 2018-04-16 | 一种基于虚拟现实的无人驾驶汽车控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108501948A true CN108501948A (zh) | 2018-09-07 |
Family
ID=63381904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810338678.9A Pending CN108501948A (zh) | 2018-04-16 | 2018-04-16 | 一种基于虚拟现实的无人驾驶汽车控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108501948A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109330669A (zh) * | 2018-09-27 | 2019-02-15 | 迟惠清 | 一种基于虚拟现实的超声引导穿刺图像处理系统及方法 |
CN109754665A (zh) * | 2019-03-08 | 2019-05-14 | 闽南理工学院 | 一种机械制造模具虚拟装配培训信息处理系统及培训方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104406593A (zh) * | 2014-12-03 | 2015-03-11 | 广西民族大学 | 一种确定无人机航路最优路径的方法 |
CN105049141A (zh) * | 2015-05-26 | 2015-11-11 | 西安电子科技大学 | 一种基于多维干扰空间模型的信号间干扰关系分析方法 |
CN105050130A (zh) * | 2015-05-26 | 2015-11-11 | 西安电子科技大学 | 一种多维干扰空间模型的构建方法 |
CN105751999A (zh) * | 2016-03-31 | 2016-07-13 | 汪家琳 | 全智能全自动(无人)驾驶汽车 |
CN105974920A (zh) * | 2016-06-14 | 2016-09-28 | 北京汽车研究总院有限公司 | 一种无人驾驶系统 |
CN106394545A (zh) * | 2016-10-09 | 2017-02-15 | 北京汽车集团有限公司 | 驾驶系统、无人驾驶车辆及车辆远程控制端 |
CN106915347A (zh) * | 2015-12-26 | 2017-07-04 | 天津华方科技有限公司 | 应用物联网传感器规避障碍物的汽车自动驾驶装置 |
CN107369207A (zh) * | 2016-05-11 | 2017-11-21 | 百度(美国)有限责任公司 | 在无人驾驶车辆中提供增强虚拟现实内容的系统和方法 |
-
2018
- 2018-04-16 CN CN201810338678.9A patent/CN108501948A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104406593A (zh) * | 2014-12-03 | 2015-03-11 | 广西民族大学 | 一种确定无人机航路最优路径的方法 |
CN105049141A (zh) * | 2015-05-26 | 2015-11-11 | 西安电子科技大学 | 一种基于多维干扰空间模型的信号间干扰关系分析方法 |
CN105050130A (zh) * | 2015-05-26 | 2015-11-11 | 西安电子科技大学 | 一种多维干扰空间模型的构建方法 |
CN106915347A (zh) * | 2015-12-26 | 2017-07-04 | 天津华方科技有限公司 | 应用物联网传感器规避障碍物的汽车自动驾驶装置 |
CN105751999A (zh) * | 2016-03-31 | 2016-07-13 | 汪家琳 | 全智能全自动(无人)驾驶汽车 |
CN107369207A (zh) * | 2016-05-11 | 2017-11-21 | 百度(美国)有限责任公司 | 在无人驾驶车辆中提供增强虚拟现实内容的系统和方法 |
CN105974920A (zh) * | 2016-06-14 | 2016-09-28 | 北京汽车研究总院有限公司 | 一种无人驾驶系统 |
CN106394545A (zh) * | 2016-10-09 | 2017-02-15 | 北京汽车集团有限公司 | 驾驶系统、无人驾驶车辆及车辆远程控制端 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109330669A (zh) * | 2018-09-27 | 2019-02-15 | 迟惠清 | 一种基于虚拟现实的超声引导穿刺图像处理系统及方法 |
CN109754665A (zh) * | 2019-03-08 | 2019-05-14 | 闽南理工学院 | 一种机械制造模具虚拟装配培训信息处理系统及培训方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Machine learning for next‐generation intelligent transportation systems: A survey | |
US10935978B2 (en) | Vehicle self-localization using particle filters and visual odometry | |
JP7105305B2 (ja) | 多段画像ベースの物体検出および認識 | |
US11814052B2 (en) | Safety system for a vehicle | |
US9697730B2 (en) | Spatial clustering of vehicle probe data | |
CN113792566B (zh) | 一种激光点云的处理方法及相关设备 | |
KR102539942B1 (ko) | 궤적 계획 모델을 훈련하는 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
CN113498529B (zh) | 一种目标跟踪方法及其装置 | |
US11375041B2 (en) | Autonomous vehicle ad-hoc networking and data processing | |
CN110096051B (zh) | 用于生成车辆控制指令的方法和装置 | |
Wei et al. | Survey of connected automated vehicle perception mode: from autonomy to interaction | |
US11521491B2 (en) | Priority vehicle management | |
CN114332494A (zh) | 车路协同场景下基于多源融合的三维目标检测与识别方法 | |
US11670169B2 (en) | Systems and methods for distributed cooperative localization in a connected vehicular platform | |
US20210058814A1 (en) | Methods and systems for processing traffic data from vehicles | |
US20230204755A1 (en) | Target tracking method and apparatus | |
CN107784708A (zh) | 一种基于不同路况来判断驾驶风险的方法 | |
US20220309806A1 (en) | Road structure detection method and apparatus | |
CN108501948A (zh) | 一种基于虚拟现实的无人驾驶汽车控制方法 | |
Ma et al. | Safety cruise control of connected vehicles using radar and vehicle-to-vehicle communication | |
CN113674355A (zh) | 一种基于相机与激光雷达的目标识别与定位方法 | |
CN116013067A (zh) | 车辆数据处理方法、处理器及服务器 | |
CN115546781A (zh) | 一种点云数据的聚类方法以及装置 | |
Ngo et al. | Beamforming and scalable image processing in vehicle-to-vehicle networks | |
US20240104427A1 (en) | Systems and methods for federated learning with heterogeneous clients via data-free knowledge distillation |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180907 |