CN108961934A - 一种应用于驾校无人驾驶教练车的协同调度系统 - Google Patents

Abstract

本发明公开了一种应用于驾校无人驾驶教练车的协同调度系统，包括无人驾驶车终端、云端数据库服务器、调度服务器和上位机，调度服务器包括数据计算模块和调度算法模块，多个所述无人驾驶车终端的数据输出端与所述云端数据库服务器的数据输入端连接，所述云端数据库服务器的数据输出端与所述调度服务器的输入端连接，所述调度服务器的输出端与所述上位机的输入端连接，所述上位机的控制输出端分别与多个所述无人驾驶车终端的控制输入端连接。本发明减少学员等待时间，合理规划路径，可以完全替换人工教练员，提高训练效率，充分利用驾校训练资源。

Description

一种应用于驾校无人驾驶教练车的协同调度系统

技术领域

本发明涉及驾校智能教学领域，尤其涉及一种应用于驾校无人驾驶教练车的协同调度系统及方法。

背景技术

目前人们生活水平不断地提高，车辆对人们的生活起至关重要的作用。由于人们对驾驶技能的巨大需求，驾校在资源调度方面面临挑战。目前，主要是教练员与学员自主选择资源包括车辆，训练场等，这种方式存在很多问题：对教练员依赖性很强，等待时间过长，效率低下等。因此，将数字化、信息化的先进手段引入驾培领域迫不及待。本发明引入同时具有自动驾驶模式和有人驾驶模式的无人教练车，从而提供一种使无人驾驶车辆和有人驾驶车辆安全高效工作的协同调度系统及方法。

发明内容

针对上述问题，本发明的目的就在于提供一种应用于驾校无人驾驶教练车的协同调度系统及方法。

本发明通过以下技术方案来实现上述目的：

本发明包括无人驾驶车终端、云端数据库服务器、调度服务器和上位机，调度服务器包括数据计算模块和调度算法模块，多个所述无人驾驶车终端的数据输出端与所述云端数据库服务器的数据输入端连接，所述云端数据库服务器的数据输出端与所述调度服务器的输入端连接，所述调度服务器的输出端与所述上位机的输入端连接，所述上位机的控制输出端分别与多个所述无人驾驶车终端的控制输入端连接。

所述无人驾驶车终端采集GPS位置信息、启动时间数据和车辆使用次数。

所述云端数据库服务器存储学员历史训练数据、车辆使用次数和GPS位置信息。

所述数据计算模块为所述调度算法模块的任务调度、车辆调度和训练场地调度提供调度指标，所述数据计算模块包括训练场地使用率、任务优先级、任务相关系数、车辆使用率、阻塞系数、时间比值。

所述调度算法模块包括任务调度，车辆调度，项目及训练场地调度。

具体地，所述调度算法模块包括以下步骤：

Step1：从数据计算模块获取任务优先级ξ、任务相关系数η和open集合项目的训练场地使用率α_i，选择预约人员；

Step2：从数据计算模块获取车辆使用率，进行车辆调度，选择车辆使用率最低的车辆为调度车辆；

Step3：项目及训练场地调度：从数据计算模块获取open集合项目对应的路径path_i(阻塞系数c，训练场地使用率α，时间比值ψ，项目，训练场)。根据获取数据构造分类树结构，根据分类树结构的节点自定义节点分值，根据累计节点的分值进得到类别值，根据类别值的最大值得到路径集合。

对路径集合中的每个路径path_i，根据以下公式计算路径path_i优先权p：

p＝c+2ψ-3α

p值越大，对应的路径越优先，若p值相等且α不相等，考虑场地使用率越低越先选择，若p值相等且α相等，判断ψ大小。

所述上位机控制所述无人驾驶车终端选择最优路径。

进一步地，所述构造分类树的构建方法如下：

(a)构造分类树结构。初始化类别为7类{6,5,...,1,0}训练场地使用率α为第一属性，时间比值ψ为第二属性，阻塞系数c为第三属性以这三个属性建立树结构。第一层是代表第一属性分类的根节点，第二层是代表第二属性分类的节点，第三层是代表第三属性分类的节点，第四层是代表类别的叶节点。

(b)每一个内部节点都表示一个属性条件判断:第一属性{(α＝1,"高",0),(0.5<＝α<1,"中",1),(0<＝α<0.5,"低",3)}，第二属性{(0.8<＝ψ<1,"短",2),(0.6<＝ψ<0.8,"中",1),(0<ψ<0.6,"长",0)},第三属性{(0.2<＝c_i<1或c_i＝0,"不堵",1),(0<c_i<0.2,"堵",0)。叶节点表示路径类别，根据判断得到的分值进行累加得到的值为类别。

(c)根据分类结果，获取最大类别的数据集{path₀,path₂,...,path_n},n为最大类别数据集的size。

本发明有益效果：

本发明提供了一种应用于驾校无人驾驶教练车的协同调度系统及方法，减少学员等待时间，合理规划路径，完全替换人工教练员，提高训练效率，充分利用驾校训练资源。

附图说明

图1为本发明的系统结构图；

图2为本发明的调度算法模块的流程图；

图3为本发明的分类树结构图；

具体实施方式

下面结合附图对本发明作进一步说明：

本发明包括无人驾驶车终端、云端数据库服务器、调度服务器和上位机，调度服务器包括数据计算模块和调度算法模块，多个所述无人驾驶车终端的数据输出端与所述云端数据库服务器的数据输入端连接，所述云端数据库服务器的数据输出端与所述调度服务器的输入端连接，所述调度服务器的输出端与所述上位机的输入端连接，所述上位机的控制输出端分别与多个所述无人驾驶车终端的控制输入端连接。

所述无人驾驶车终端采集GPS位置信息、启动时间数据和车辆使用次数。

所述云端数据库服务器存储学员历史训练数据、车辆使用次数和GPS位置信息。

所述数据计算模块为所述调度算法模块的任务调度、车辆调度和训练场地调度提供调度指标，所述数据计算模块包括训练场地使用率、任务优先级、任务相关系数、车辆使用率、阻塞系数、时间比值。

所述数据计算模块中的指标计算如下：

1)训练场地使用率。从云端数据库服务器实时获取项目i训练场地使用数据，通过场地使用数据计算项目的训练场地使用率：

b_i为项目i处于使用状态的训练场地数量，N_i为项目i的训练场地的总数

2)任务优先级：从云端数据库服务器获取学员的预约信息，计算任务优先级：

T_s为训练总时长，T_w为学员等待时间

3)任务相关系数：(a)从云端数据库服务器获取待训练学员的历史训练数据，根据历史数据进行分析统计。设互为互补关系的open集合和close集合，建立训练数据单元的数据结构(项目i编号，剩余学时)。当项目i的已训练时长小于预设时长时，项目i添加到open集合，并从close集合中移除，当项目i的已训练时长等于预设时长时，项目i添加到close集合，并从open集合中移除。(b)统计open集合的项目数N'。(c)计算学员的任务相关系数η

4)车辆使用率。从云端数据库服务器获取车辆使用历史数据，计算车辆使用率：

a为车辆使用次数，M为所有车辆使用次数

5)阻塞系数。(a)从云端数据库获取所有预设路径，建立网络图G(V,E)，V＝{f,c₁,...,c_n,g},f为出发停车场,g为终点停车场,c_i为运行车辆位置，E为预设路径e_j的集合。(b)计算c_i与预设路径的距离d(c_i,e_j)，当d(c_i,e_j)<阈值，视c_i为路径e_j的节点。(c)计算当前调度车辆到达c_i的时间t_i，c_i剩余训练时间为t_i'，识别c_i是否为阻塞节点。

阻塞发生在t_i＞t_i'，当前调度车辆的行驶不会受到阻塞的影响，在自动驾驶车辆到达时，阻塞已经结束。c_i不是阻塞节点

阻塞发生在t_i≤t_i'，当前调度车辆达到阻塞点，需要等待。c_i是阻塞节点。

(d)计算阻塞系数c_i：

其中，n_i为阻塞点数量，n_i＝0时，c_i＝0

6)时间比值ψ：

路径上起始节点，目的地节点以及阻塞节点都为路径有效节点{a₀,a₁,...,a_n+1},n为阻塞节点数，花费时间为

其中d(a_n,a_n+1)为节点a_n到a_n+1的距离，T(a_n)为a_n节点所使用时间，T(a_n+1)为目的地节点剩余训练时间，v为车辆速度。

时间比值ψ：

t为无阻塞到达目的训练场地的时间

所述调度算法模块的具体算法包括以下步骤：

Step1：从数据计算模块获取任务优先级ξ、任务相关系数η和open集合项目的训练场地使用率α_i。首先通过以下公式计算综合使用率参数q：

α_i为项目i场地使用率，n为open集合的大小再计算任务调度参数当h值越小调度优先级越高。当h值相等但q不相同时，q值越小调度优先级越高。当h、q值相等但η不相同时，η值越小调度优先级越高。任务调度即选择预约学员。

Step2：从数据计算模块获取车辆使用率，为预约学员(任务)调度车辆。选择车辆使用率最低的车辆为调度车辆，当最低使用率存在多个车辆，从其中随机选择调度车辆。

Step3：从数据计算模块获取open集合项目对应的路径path_i(阻塞系数c_i，训练场地使用率α，时间比值ψ，项目，训练场)。根据获取数据构造分类树结构，根据分类树结构的节点(非叶节点)自定义节点分值，根据累计节点的分值得到类别值，类别值最大的路径组成路径集合。

对路径集合中路径分别计算优先权：

p＝c+2ψ-3α

p值越大，对应的路径越优先，若p值相等且α不相等，考虑场地使用率越低越先选择，若p值相等且α相等，判断ψ大小。

Ι)构造分类树，对路径进行分类：

所述构造分类树的构建方法如下：

(a)构造分类树结构。初始化类别为7类{6,5,...,1,0}训练场地使用率α为第一属性，时间比值ψ为第二属性，阻塞系数c为第三属性以这三个属性建立树结构。第一层是代表第一属性分类的根节点，第二层是代表第二属性分类的节点，第三层是代表第三属性分类的节点，第四层是代表类别的叶节点。

(b)每一个内部节点都表示一个属性条件判断:第一属性{(α＝1,"高",0),(0.5<＝α<1,"中",1),(0<＝α<0.5,"低",3)}，第二属性{(0.8<＝ψ<1,"短",2),(0.6<＝ψ<0.8,"中",1),(0<ψ<0.6,"长",0)},第三属性{(0.2<＝c<1或c＝0,"不堵",1),(0<c<0.2,"堵",0)。叶节点表示路径类别，根据判断得到的分值进行累加得到的值为类别。

(c)根据分类结果，获取最大类别的路径集合{path₀,path₂,...,path_n},n为最大类别数据集的size。

II)对路径集合中的路径分别计算优先权：

p＝c+2ψ-3α

p值越大，对应的路径越优先，若p值相等且α不相等，考虑场地使用率越低越先选择，若p值相等且α相等，判断ψ大小。

实施例：设

项目	A	B	C	D	E
						αi	1	0.5	0.6	0.33	0.75

Step1：通过预约学员的历史训练信息、等待信息以及训练时长，计算出任务调度参数h：时间单位为(min)

	Ts	Tw	N'	Open集合	ξ	η	q	h
									Stu1	20	40	3	{A,B,D}	3	0.33	0.7	0.077
Stu2	30	40	2	{D,E}	2.33	0.5	0.54	0.1158
									Stu3	20	10	4	{A,B,C,D}	1.5	0.25	0.6075	0.10125
Stu4	15	10	3	{B,C,D}	1.67	0.33	0.4767	0.0942

根据h值，调度Stu1任务。

Step2：统计车辆使用率，调度车辆b。

	a	b	c	d	e	f
							β	0.4	0.1	0.5	0.9	0.8	0.4

Step3：获取任务Stu1中的open集合及集合中项目对应的路径，对这些路径进行分类，获取类别值最大的路径Path7，即调度项目D，选择训练场地d3。

	α	ψ	c	判别	类别	项目	训练场
								Path1	1	0.6	0.6	011	2	A	a1
Path2	1	0.2	0	001	1	A	a2
								Path3	0.5	0.5	0.2	101	2	B	b1
Path4	0.5	0.2	0.6	101	2	B	b2
								Path5	0.33	0.4	0.6	301	4	D	d1
Path6	0.33	0.55	1	300	3	D	d2
								Path7	0.33	0.6	0.5	311	5	D	d3

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围内。

Claims (3)

1.一种应用于驾校无人驾驶教练车的协同调度系统，包括无人驾驶车终端，其特征在于：还包括云端数据库服务器、调度服务器和上位机，调度服务器包括数据计算模块和调度算法模块，多个所述无人驾驶车终端的数据输出端与所述云端数据库服务器的数据输入端连接，所述云端数据库服务器的数据输出端与所述调度服务器的输入端连接，所述调度服务器的输出端与所述上位机的输入端连接，所述上位机的控制输出端分别与多个所述无人驾驶车终端的控制输入端连接。

所述无人驾驶车终端采集GPS位置信息、启动时间数据和车辆使用次数。

所述云端数据库服务器存储学员历史训练数据、车辆使用次数和GPS位置信息。

所述数据计算模块为所述调度算法模块的任务调度、车辆调度和训练场地调度提供调度指标，所述数据计算模块包括训练场地使用率、任务优先级、任务相关系数、车辆使用率、阻塞系数、时间比值。

所述调度算法模块包括任务调度，车辆调度，项目及训练场地调度。

2.根据权利要求1所述的一种应用于驾校无人驾驶教练车的协同调度系统，其特征在于：所述调度算法模块包括以下步骤：

Step1：车辆调度：从数据计算模块获取任务优先级ξ、任务相关系数η和open集合项目的训练场地使用率α_i，选择预约人员；

Step2：车辆调度：从数据计算模块获取车辆使用率，进行车辆调度，选择车辆使用率最低的车辆为调度车辆；

Step3：项目及训练场地调度：从数据计算模块获取open集合项目对应的路径path_i(阻塞系数c，训练场地使用率α，时间比值ψ，项目，训练场)。根据获取数据构造分类树结构，根据分类树结构的节点自定义节点分值，根据累计节点的分值进得到类别值，根据类别值的最大值得到路径集合。

对路径集合中的每个路径path_i，根据以下公式计算路径path_i优先权p：

p＝c+2ψ-3α

p值越大，对应的路径越优先，若p值相等且α不相等，考虑场地使用率越低越先选择，若p值相等且α相等，判断ψ大小。所述上位机控制所述无人驾驶车终端选择最优路径。

3.根据权利要求1所述的一种应用于驾校无人驾驶教练车的协同调度系统，其特征在于：所述构造分类树的构建方法如下：

(a)构造分类树结构。初始化类别为7类{6,5,...,1,0}训练场地使用率α为第一属性，时间比值ψ为第二属性，阻塞系数c为第三属性以这三个属性建立树结构。第一层是代表第一属性分类的根节点，第二层是代表第二属性分类的节点，第三层是代表第三属性分类的节点，第四层是代表类别的叶节点。

(b)每一个内部节点都表示一个属性条件判断:第一属性{(α＝1,"高",0),(0.5<＝α<1,"中",1),(0<＝α<0.5,"低",3)}，第二属性{(0.8<＝ψ<1,"短",2),(0.6<＝ψ<0.8,"中",1),(0<ψ<0.6,"长",0)},第三属性{(0.2<＝c_i<1或c_i＝0,"不堵",1),(0<c_i<0.2,"堵",0)。叶节点表示路径类别，根据判断得到的分值进行累加得到的值为类别。

(c)根据分类结果，获取最大类别的数据集{path₀,path₂,...,path_n},n为最大类别数据集的size。