CN108983788A - 基于大数据挖掘的无人驾驶环卫车智能控制系统及方法 - Google Patents

Abstract

本发明公开一种基于大数据挖掘的无人驾驶环卫车智能控制系统及方法，该系统包含：GPS模块，检测环卫车位置信息；车载称重装置，测量垃圾量信息；MCU模块，获取环卫车的位置信息和垃圾量信息；行车监控系统，接收MCU模块发送的环卫车的位置信息、垃圾量数据；深度学习模块，接收并分析处理行车监控系统发送的垃圾量数据，预测出清扫路段并规划出的作业路径，MCU模块接收作业路径信息。本发明采用深度学习框架下的数据挖掘技术，对无人驾驶环卫车前期清扫作业时采集得到的大量垃圾量数据及右气象部门得来的天气数据进行分析处理，预测下一时间段内各个街道对应的垃圾量，自主规划出环卫车的最优行车路径，从而实现节省无人驾驶环卫车资源消耗。

Description

基于大数据挖掘的无人驾驶环卫车智能控制系统及方法

技术领域

本发明涉及环卫车控制管理领域，尤其涉及一种基于大数据挖掘的无人驾驶环卫车智能控制系统及方法。

背景技术

当前正处于城镇化深入发展的关键时期，走低碳绿色道路成为今后助力新型城镇化发展的重要任务和发展方向。2018年3月，全球首辆无人驾驶清洁车队诞生，该技术仅仅是实现了环卫车的无人驾驶，并不符合当下建设资源节约型社会的趋势，其存在的主要问题为：环卫车只能实现对规定区域的所有路段进行轮询清扫，即默认所有路段的垃圾量相同。而根据实际调查显示，距离居民区较近的路段垃圾量较多，距离居民区较远且人口密度低的路段垃圾量较少甚或是没有，由于天气、温度等原因，各路段的垃圾量又会发生较大变化。对于垃圾量较少或无垃圾的路段，仍由环卫车进行作业则会造成资源浪费。

发明内容

本发明的目的是提供一种基于大数据挖掘的无人驾驶环卫车智能控制系统及方法，预测出垃圾量大于阈值的街道，使环卫车只对这些街道进行清扫作业，从而减少环卫车的资源消耗，解决现有技术中无人驾驶环卫车只能进行轮询清扫作业而造成的资源浪费问题。

为了达到上述目的，本发明提供了一种基于大数据挖掘的无人驾驶环卫车智能控制系统，该系统包含：

GPS模块，检测环卫车的位置信息；

车载称重装置，测量垃圾量信息；

MCU模块，与所述GPS模块连接，获取所述环卫车的位置信息；所述MCU模块与所述车载称重装置连接，获取垃圾量信息；

行车监控系统，与所述MCU模块连接，接收所述MCU模块发送的环卫车的位置信息和垃圾量数据；

深度学习模块，接收并分析处理所述行车监控系统发送的垃圾量数据，预测出清扫路段并规划出作业路径；所述MCU模块接收所述深度学习模块规划的作业路径信息；

监测所述环卫车的无线充电控制系统，与所述MCU模块连接。

优选地，所述MCU模块、所述GPS模块、所述车载称重装置、所述无线充电控制系统均配备在所述环卫车上；所述深度学习模块和所述行车监控系统均设置在PC端。

优选地，所述深度学习模块对从所述环卫车采集得来的各路段对应的垃圾量以及由气象部门得来的包含风速和温度在内的各种天气数据进行分析处理，预测出下一时期各路段所对应的垃圾量，再通过人为设置垃圾量阈值，使环卫车只对超过所述垃圾量阈值的路段进行清扫作业，并自主规划出环卫车的最优作业路径；

所述行车监控系统将所述深度学习模块预测出的清扫路段和规划出的作业路径下发给所述MCU模块，所述MCU模块接收所述行车监控系统的作业路径信息后传递给无人驾驶系统。

优选地，所述行车监控系统通过无线串口模块与所述MCU模块连接，所述无线串口模块配备在所述环卫车上。

优选地，所述MCU模块根据所述GPS模块的位置信息，在每一路段清扫结束时采集一次垃圾量信息。

优选地，所述行车监控系统可将环卫车的位置、速度、障碍物及充电状态信息显示在界面上。

优选地，所述无线充电控制系统实施监测环卫车动力电池的电压、电流及温度信息，计算出电池的剩余荷电状态，当电池的剩余荷电状态值低于设定阈值时，所述无线充电控制模块向行车监控系统发送信号，由所述行车监控系统指引所述环卫车驶向最近的充电点进行充电。

优选地，所述电池的剩余荷电状态值的计算采用安时积分法和开路电压法相结合的方法：电池的剩余荷电状态值的计算公式为：式中，SOC₀为初始时刻的SOC值；η₁为库伦效率，η₂为充放电效率，C为电池的标称容量，为电池的放电电流I在时间[0，t]上的积分。

本发明还提供了一种采用如上文所述的无人驾驶环卫车智能控制系统的无人驾驶环卫车的作业方法，该方法包含：

GPS模块检测环卫车的位置信息；

车载称重装置测量垃圾量信息；

MCU模块将环卫车的位置信息、垃圾量数据发送至行车监控系统；

行车监控系统将各路段对应的垃圾量数据上传给深度学习模块；

深度学习模块对从环卫车采集的各路段的数据进行分析处理，预测出的清扫路段和规划出的作业路径，以使环卫车对相应路段的垃圾进行清扫作业；

MCU模块获取GPS模块发送的环卫车的位置信息以及接收行车监控系统预测出的清扫路段以及规划出的作业路径信息，MCU模块接收行车监控系统的作业路径信息后传递给无人驾驶系统。

优选地，所述深度学习模块预测清扫路段的方法是通过构建垃圾量预测模型的训练框架，该预测模型的训练框架包含输入层、隐藏层和输出层，其中在输入层中先采样收集得到原始数据，再从原始数据获得训练样本，去训练神经网络模型，得到权重ω和偏置b；

所述输入层输入的是一个矢量X＝[x₁,x₂,…,x_i…,x_n]，输入参量为[Tt,St,Kt]，Tt表示第t天的温度，St表示第t天风速，Kt表示第t天垃圾量；

所述隐藏层接收所述输入层的数据，再由输出层输出结果，该输出层输出为矢量Y＝[y₁,y₂,…,y_i…,y_n]，y_i表示第i天垃圾量；

所述隐藏层包含若干个LSTM细胞，在整个LSTM细胞中，利用先前传播产生权重ω和偏置b，通过误差函数对权重矩阵和偏置项求导向后传播更新权重ω和偏置b，向前传播的公式可表示如下：

i_t＝σ(ω_xix_t+ω_hih_t-1+ω_cic_t-1+b_i) (1)

f_t＝σ(ω_xfx_t+ω_hfh_t-1+ω_cfc_t-1+b_f) (2)

c_t＝f_tc_t-1+i_ttanh(ω_xcx_t+ω_hch_t-1+b_c) (3)

o_t＝σ(ω_xox_t+ω_hoh_t-1+ω_coc_t+b_o) (4)

h_t＝o_ttanh(c_t) (5)

式中，i、f、c、o分别为输入门、遗忘门、状态细胞、输出门；ω和b分别为对应的权重系数矩阵和偏置项；ω_xi为输入到输入门之间的权重，ω_xo为输入到输出门之间的权重，ω_xc为输入到状态细胞之间的权重；ω_hi为上一时刻隐藏层与输入门之间的权重，ω_ho为上一时刻隐藏层与输出门之间的权重，ω_hc为上一时刻隐藏层与状态细胞之间的权重；ω_ci为输出状态与输入门之间的权重，ω_co为输出状态与输出门之间的权重；ω_xf为输入到遗忘门之间的权重，ω_hf为上一时刻隐藏层与遗忘门之间的权重，ω_cf为输出状态与遗忘门之间的权重；σ和tanh分别为sigma和双曲正切激活函数；

神经网络反向传播中，通过利用一误差函数来计算真实值与预测值之间的均方根误差其中，误差函数：N表示选取的整个训练集的序列长度，P_i和y_i分别表示第i时刻的真实值和预测值。

与现有技术相比，本发明的有益效果为：(1)本发明采用深度学习框架下的数据挖掘技术，对无人驾驶环卫车前期轮询清扫作业时采集得到的大量垃圾量数据及右气象部门得来的天气数据进行分析处理，通过提取据特征来训练LSTM神经网络模型(LSTM，LongShort-Term Memory，长短期记忆网络)，实现对下一时间段(例如一个星期)内个街道对应的垃圾量作出预测，并自主规划出环卫车的最优行车路径，从而实现节省无人驾驶环卫车资源消耗。

附图说明

图1本发明的无人驾驶环卫车智能控制系统结构示意图；

图2本发明的2017年5月街道垃圾量数据图；

图3本发明的2017年5月25日街道垃圾量数据图；

图4本发明的街道垃圾量预测模型训练框架示意图；

图5本发明的LSTM细胞框架图；

图6本发明的2018年5月第一条街道垃圾量预测值与真实值对比图；

图7本发明的行车监控系统界面示意图。

具体实施方式

本发明公开了一种基于大数据挖掘的无人驾驶环卫车智能控制系统及方法，为了使本发明更加明显易懂，以下结合附图和具体实施方式对本发明做进一步说明。

如图1所示，本发明的基于大数据挖掘技术的无人驾驶环卫车智能控制系统，包括深度学习模块、行车监控系统、MCU模块(Micro controller Unit，微控制器，又称单片机)、GPS模块(GPS模块是集成了RF射频芯片、基带芯片和核心CPU，并加上相关外围电路而组成的一个集成电路)、车载称重装置、无线充电控制系统和无线串口模块。

其中，MCU模块、GPS模块、车载称重装置、无线充电控制系统和无线串口模块均配备在环卫车上。深度学习模块和行车监控系统设置在PC端。MCU模块分别与GPS模块、车载称重装置、无线充电控制系统连接。行车监控系统与深度学习模块连接，且该行车监控系统还通过无线串口模块与MCU模块连接。

GPS模块用于检测环卫车的位置信息。车载称重装置用于测量垃圾量信息。

MCU模块根据GPS模块的位置信息，在每一路段清扫结束时采集一次垃圾量信息；MCU模块将环卫车的速度信息、位置信息、垃圾量数据以及行车路况通过无线串口模块发送至行车监控系统；MCU模块还接收行车监控系统的作业路径信息并传递给无人驾驶系统。

无线充电控制系统实施监测环卫车动力电池的电压、电流及温度信息，从而计算出电池的剩余荷电状态(SOC，State of Charge)。当电池的SOC值低于一定阈值(例如20％)时，向行车监控系统发送信号，由行车监控系统指引环卫车驶向最近的充电点进行充电。电池的SOC值的计算可采用安时积分法和开路电压法相结合的方法，以提高SOC的计算精度。

其中，SOC值的计算公式为：式中，SOC₀为初始时刻的SOC值；η₁为库伦效率，η₂为充放电效率，C为电池的标称容量，为电池的放电电流I在时间[0，t]上的积分。

深度学习模块可以对从环卫车采集得来的各路段对应的垃圾量和由气象部门得来的风速、温度等天气数据进行分析处理，进而预测出下一时期(例如：一个星期)各路段所对应的垃圾量；再通过人为设置一个垃圾量阈值，使环卫车只对超过阈值的路段进行清扫作业，并自主规划出环卫车的最优作业路径，减少资源消耗。

行车监控系统起到连接深度学习模块和MCU模块的作用，将深度学习模块预测出的清扫路段和规划出的行车路径下发给MCU模块，还读取MCU模块发送的位置、速度及垃圾量等信息，并将各路段对应的垃圾量上传给深度学习模块。该行车监控系统还可将环卫车的位置、速度、障碍物及充电状态信息显示在界面上。

根据实际调查显示，得到街道垃圾分布结果，基于街道垃圾分布结果，可以得知各个路段的垃圾量的多少(例如位于两个居民区之间的某一街道垃圾量最多，居民区周边的某一街道垃圾量次之，无人居住处的某一街道垃圾量最少)，因此，对于不同的街道需要进行不同的清扫作业。

作为本发明的一个实施例，为设计本发明的无人驾驶环卫车智能控制系统，一共收集了2017年5月至2018年4月期间的某八条街道的垃圾量信息以及风速、温度和降雨量等天气数据。

如图2所示，单独分析2017年5月八条街道垃圾量分布(图3中的折线P1、P2、P3、P4、P5、P6、P7、P8分别表示各个街道垃圾量分布)，图中直线P0为需环卫车进行清扫作业的垃圾量阈值线(本实施例的模拟案例暂定为80g，具体以实际应用为准)，垃圾量小于该阈值的街道则不需要进行清扫，垃圾量大于该阈值的街道则需要进行清扫。由图3可知，在上述八条街道中，5月每日都存在垃圾量小于阈值线的街道，在环卫车实际工作过程中，将不对这些街道进行作业。

如图3所示，单独对2017年5月25日八条街道垃圾量进行分析，共有街道P1、P2、P4、P5、P7、P8这六条街道需要进行清扫作业。本发明的目的就是预测出垃圾量大于阈值的街道，使环卫车只对这些街道进行清扫作业，从而减少环卫车的资源消耗。

如图4所示为垃圾量预测模型的训练框架，该预测模型的训练框架包含输入层、隐藏层和输出层，其中在输入层中先采样收集得到原始数据，再从原始数据获得训练样本，例如将2017年5月至2018年4月收集得到的街道垃圾量、风速、温度等数据最为训练数据集，去训练神经网络模型，得到权重ω和偏置b。

输入层输入的是一个矢量X＝[x₁,x₂,…,x_i…,x_n]。本实施例中输入参量为[Tt,St,Kt]，Tt表示第t天的温度，St表示第t天风速，Kt表示第t天垃圾量。

隐藏层接收输入层的数据，再由输出层输出结果，该输出层输出为矢量Y＝[y₁,y₂,…,y_i…,y_n]，y_i表示第i天垃圾量。

隐藏层包含若干个LSTM细胞，该LSTM细胞的内部结构框图如图5所示。在整个LSTM细胞中，利用先前传播产生权重ω和偏置b，在通过误差函数对权重矩阵和偏置项求导向后传播更新权重ω和偏置b。向前传播的公式可表示如下：

i_t＝σ(ω_xix_t+ω_hih_t-1+ω_cic_t-1+b_i) (1)

f_t＝σ(ω_xfx_t+ω_hfh_t-1+ω_cfc_t-1+b_f) (2)

c_t＝f_tc_t-1+i_ttanh(ω_xcx_t+ω_hch_t-1+b_c) (3)

o_t＝σ(ω_xox_t+ω_hoh_t-1+ω_coc_t+b_o) (4)

h_t＝o_ttanh(c_t) (5)

式中，i、f、c、o分别为输入门、遗忘门、状态细胞、输出门；ω和b分别为对应的权重系数矩阵和偏置项；ω_xi为输入到输入门之间的权重，ω_xo为输入到输出门之间的权重，ω_xc为输入到状态细胞之间的权重；ω_hi为上一时刻隐藏层与输入门之间的权重，ω_ho为上一时刻隐藏层与输出门之间的权重，ω_hc为上一时刻隐藏层与状态细胞之间的权重；ω_ci为输出状态与输入门之间的权重，ω_co为输出状态与输出门之间的权重；ω_xf为输入到遗忘门之间的权重，ω_hf为上一时刻隐藏层与遗忘门之间的权重，ω_cf为输出状态与遗忘门之间的权重；σ和tanh分别为sigma和双曲正切激活函数。

本实施例还利用一误差函数来计算真实值与预测值之间的均方根误差，用于神经网络反向传播，其中，误差函数：N表示选取的整个训练集的序列长度，P_i和y_i分别表示第i时刻的真实值和预测值。

如图6所示为使用2018年5月第一条街道垃圾量数据作为验证集的验证结果，折线T1为预测值，折线T2为真实值，由图6可见预测值与真实值之间的误差很小，模型可靠。

将以上预测结果及环卫车的行车路径下发至行车监控系统，如图7所示，图7中显示了垃圾量大于阈值线的街道及自主规划出的环卫车行车路径，此监控系统还可对环卫车的行车状况进行监控，如速度、位置、障碍物及充电状态等。

无人驾驶环卫车行车监控系统具体功能描述如下：(1)串口配置：用于实现无线串口模块的参数配置，包括使用端口的选择、比特率、数据位等参数；(2)文件选择：选择储存深度学习模块预测结果文件的路径，以及储存环卫车反馈信号的文件路径；(3)系统指示：实现系统各功能的启停；(4)垃圾量>80g路段示意图：显示深度学习模块预测结果中垃圾量大于80g的路段；(5)小车行车实时显示图：显示深度学习模块自主规划出的环卫车闭合行车路径，以及显示环卫车正在工作的路段；(6)行车指示灯：显示环卫车行车方向发生的改变，环卫车行车方向改变时，对应的指示灯闪烁；(7)清扫完成：环卫车作业完成时该等亮起；(8)障碍物指示灯：环卫车遇见障碍物时发现障碍物指示灯闪烁，安全通过障碍物时通过障碍物指示灯闪烁；(9)充电指示灯：环卫车进入充电区时正在充电指示灯闪烁，电量充满时充电完成指示灯闪烁。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种基于大数据挖掘的无人驾驶环卫车智能控制系统，其特征在于，包含：

GPS模块，检测环卫车的位置信息；

车载称重装置，测量垃圾量信息；

MCU模块，与所述GPS模块连接，获取所述环卫车的位置信息；所述MCU模块与所述车载称重装置连接，获取垃圾量信息；

行车监控系统，与所述MCU模块连接，接收所述MCU模块发送的环卫车的位置信息和垃圾量数据；

深度学习模块，接收并分析处理所述行车监控系统发送的垃圾量数据，预测出清扫路段并规划出作业路径；所述MCU模块接收所述深度学习模块规划的作业路径信息；

监测所述环卫车的无线充电控制系统，与所述MCU模块连接。

2.如权利要求1所述的无人驾驶环卫车智能控制系统，其特征在于，

所述MCU模块、所述GPS模块、所述车载称重装置、所述无线充电控制系统均配备在所述环卫车上；

所述深度学习模块和所述行车监控系统均设置在PC端。

3.如权利要求1或2所述的无人驾驶环卫车智能控制系统，其特征在于，

所述深度学习模块对从所述环卫车采集得来的各路段对应的垃圾量以及由气象部门得来的包含风速和温度在内的各种天气数据进行分析处理，预测出下一时期各路段所对应的垃圾量，再通过人为设置垃圾量阈值，使环卫车只对超过所述垃圾量阈值的路段进行清扫作业，并自主规划出环卫车的最优作业路径；

所述行车监控系统将所述深度学习模块预测出的清扫路段和规划出的作业路径下发给所述MCU模块，所述MCU模块接收所述行车监控系统的作业路径信息后传递给无人驾驶系统。

4.如权利要求1所述的无人驾驶环卫车智能控制系统，其特征在于，

所述行车监控系统通过无线串口模块与所述MCU模块连接，所述无线串口模块配备在所述环卫车上。

5.如权利要求1所述的无人驾驶环卫车智能控制系统，其特征在于，

所述MCU模块根据所述GPS模块的位置信息，在每一路段清扫结束时采集一次垃圾量信息。

6.如权利要求1所述的无人驾驶环卫车智能控制系统，其特征在于，

所述行车监控系统可将环卫车的位置、速度、障碍物及充电状态信息显示在界面上。

7.如权利要求1所述的无人驾驶环卫车智能控制系统，其特征在于，

所述无线充电控制系统实施监测环卫车动力电池的电压、电流及温度信息，计算出电池的剩余荷电状态，当电池的剩余荷电状态值低于设定阈值时，所述无线充电控制模块向行车监控系统发送信号，由所述行车监控系统指引所述环卫车驶向最近的充电点进行充电。

8.如权利要求7所述的无人驾驶环卫车智能控制系统，其特征在于，

所述电池的剩余荷电状态值的计算采用安时积分法和开路电压法相结合的方法：电池的剩余荷电状态值的计算公式为：式中，SOC₀为初始时刻的SOC值；η₁为库伦效率，η₂为充放电效率，C为电池的标称容量，为电池的放电电流I在时间[0，t]上的积分。

9.一种采用如权利要求1-8任意一项所述的无人驾驶环卫车智能控制系统的无人驾驶环卫车的作业方法，其特征在于，该方法包含：

GPS模块检测环卫车的位置信息；

车载称重装置测量垃圾量信息；

MCU模块将环卫车的位置信息、垃圾量数据发送至行车监控系统；

行车监控系统将各路段对应的垃圾量数据上传给深度学习模块；

深度学习模块对从环卫车采集的各路段的数据进行分析处理，预测出的清扫路段和规划出的作业路径，以使环卫车对相应路段的垃圾进行清扫作业；

MCU模块获取GPS模块发送的环卫车的位置信息以及接收行车监控系统预测出的清扫路段以及规划出的作业路径信息，MCU模块接收行车监控系统的作业路径信息后传递给无人驾驶系统。

10.如权利要求9所述的基于大数据挖掘技术的无人驾驶环卫车智能控制系统，其特征在于，

所述深度学习模块预测清扫路段的方法是通过构建垃圾量预测模型的训练框架，该预测模型的训练框架包含输入层、隐藏层和输出层，其中在输入层中先采样收集得到原始数据，再从原始数据获得训练样本，去训练神经网络模型，得到权重ω和偏置b；

所述输入层输入的是一个矢量X＝[x₁,x₂,…,x_i…,x_n]，输入参量为[Tt,St,Kt]，Tt表示第t天的温度，St表示第t天风速，Kt表示第t天垃圾量；

所述隐藏层接收所述输入层的数据，再由输出层输出结果，该输出层输出为矢量Y＝[y₁,y₂,…,y_i…,y_n]，y_i表示第i天垃圾量；

所述隐藏层包含若干个LSTM细胞，在整个LSTM细胞中，利用先前传播产生权重ω和偏置b，通过误差函数对权重矩阵和偏置项求导向后传播更新权重ω和偏置b，向前传播的公式可表示如下：

i_t＝σ(ω_xix_t+ω_hih_t-1+ω_cic_t-1+b_i) (1)

f_t＝σ(ω_xfx_t+ω_hfh_t-1+ω_cfc_t-1+b_f) (2)

c_t＝f_tc_t-1+i_ttanh(ω_xcx_t+ω_hch_t-1+b_c) (3)

o_t＝σ(ω_xox_t+ω_hoh_t-1+ω_coc_t+b_o) (4)

h_t＝o_ttanh(c_t) (5)

式中，i、f、c、o分别为输入门、遗忘门、状态细胞、输出门；ω和b分别为对应的权重系数矩阵和偏置项；ω_xi为输入到输入门之间的权重，ω_xo为输入到输出门之间的权重，ω_xc为输入到状态细胞之间的权重；ω_hi为上一时刻隐藏层与输入门之间的权重，ω_ho为上一时刻隐藏层与输出门之间的权重，ω_hc为上一时刻隐藏层与状态细胞之间的权重；ω_ci为输出状态与输入门之间的权重，ω_co为输出状态与输出门之间的权重；ω_xf为输入到遗忘门之间的权重，ω_hf为上一时刻隐藏层与遗忘门之间的权重，ω_cf为输出状态与遗忘门之间的权重；σ和tanh分别为sigma和双曲正切激活函数；

神经网络反向传播中，通过利用一误差函数来计算真实值与预测值之间的均方根误差其中，误差函数：N表示选取的整个训练集的序列长度，P_i和y_i分别表示第i时刻的真实值和预测值。