CN109165902A - 一种基于智能无人车的动态区域物流派送方法及系统 - Google Patents

Abstract

本发明提供一种基于智能无人车的动态区域物流派送方法及系统，利用无人车环境感知系统，建立基于路阻函数的动态路径优化算法与基于扫描法的多地点派送顺序优化方法，使智能无人物流车可在派送途中根据道路状况随时调整派送路线，并选择最优路径完成派送，实现了区域内无人车物流派送的动态路径规划，缩短派送时间，提高派件效率。同时搭建了基于车路协同的智能信息交互系统，实现车、货、人之间的实时通讯与物流状态的共享。在居民区、校园等区域性地点应用该系统，可在一定程度上改善交通状况，降低物流运输成本，为消费者带来更优质的体验，为物流运输行业实现真正的智能化、无人化提供可能。

Description

一种基于智能无人车的动态区域物流派送方法及系统

技术领域

本发明属于智能物流交通/无人车区域运输技术领域，具体涉及一种在区域性地点的物流运输，由智能无人车进行货物派送，结合实时动态路径优化算法与智能交互系统，在提高区域性地点物流派送效率的同时节省人力资源。

背景技术

目前在区域性地点内的物流派送大多依靠人力，借助电动车和自行车等交通工具来进行，这种方式不仅效率较低，且易造成区域管理混乱、客户需求满意度差等问题。要解决物流货运领域“小散乱差”的现状，使用智能无人车在区域内进行派送是较好的选择，同时也契合人工智能的趋势潮流。

从国内外使用无人车进行物流派送的情况可知，现有的无人车只是沿固定路径进行派送工作，即设置好目的地后按照确定的一条或几条路线行驶。其工作过程一般是物流人员为智能无人车安排所需派送的快递，在设置目的地后启动车辆，使其完成配送任务。综上，在目前研究或市场中的无人车派送系统主要是按照固定路线行驶，缺少车车协同、车路协同的单一派送模式。

按照固定路线行驶的物流派送方式对智能无人车的利用率与开发率较低，仅仅将其作为一个运输工具来实现货物的派送，在遇到特殊的道路状况时，如临时施工、严重堵塞等，不能及时根据实际情况对派送路线作出调整，机动性不强。若物流车在运送货物途中遭遇车辆损坏、撞车事故等突发状况，物流人员也无法及时得知，从而耽误物流车的修理与继续使用，并给道路交通管理带来困难；同时造成快递延误，难以保证客户的满意度，不利于快递公司良好信誉的建立与高效运营。

因此，基于智能无人车物流运输、车路协同智能交互的区域共享物流运输系统必然会成为智能物流运输系统的重要组成部分。随着无人驾驶技术的发展，现有的无人车快递派送系统层出不穷，但由于快递派送过程中道路与交通状况的复杂性，系统应不仅涉及到智能无人车对周围环境的感知，还要涉及行驶路径的实时调整，而且需要考虑运输途中物流车与客户及配送端的信息交互、运输路线规划、车辆调度方法等。而区域性地点中智能无人车快递派送的实时路径规划调整与智能交互系统的研究较为复杂，系统的机动性和综合性要求较高，目前国内外还没有针对区域性地点智能物流派送的系统性研究，相应的技术成果和产品应用案例也很少。

相关技术

1、环境感知系统

无人车环境感知系统包含激光雷达、毫米波雷达、摄像头、陀螺仪等多个传感器，其核心在于对道路信息的检测。感知层获取的信息是无人驾驶系统其他模块工作的基础，运动规划层、行为执行层、任务规划层和智能交互层根据经过融合处理的车载传感器数据对车辆的行驶与通讯进行调控。

2、无人车定位与导航系统

智能无人物流车采用GPS/北斗双模卫星导航定位系统，可提供区域导航，在全球范围内全天候提供高精度的导航定位和授时服务，抗干扰性能良好，并通过无线网络信号与精确数字地图集成,辅以立体视觉导航技术，在复杂交通环境中增强物流车的定位与自主导航能力。

3、无人车智能控制系统

控制系统按照行车动作可分为横向控制与纵向控制，其目标是使车辆的位置、姿态、速度及加速度等参数符合当前决策结果。车辆智能控制系统包括上层规划系统与底层控制系统两个子系统，上层规划系统进行全局规划与局部规划，底层控制系统负责转向控制系统、油门控制系统与制动控制系统，各个子系统之间相互反馈，实现对智能物流车的精确与实时控制。

现有技术不足

1.对于派送路径的选择，都是按照既定路线导航行驶，信息量单一，实时性弱，不能根据路况对送货路线进行调整与重新规划，对突发状况的应对性低，机动性较差，没有充分利用智能无人车的环境感知功能来获取实时路况并做出派送路径优化；

2.对于多地点送货顺序的安排，多为物流车随机配货派送。没有对送货地点进行统筹规划来得到最优配送路径，导致没有很好地减少车辆行驶里程以及提高派送效率；

3.对于车、货、人之间的实时通讯与信息共享，配送端与物流车之间没有建立信息交互模块，对派送过程中的问题与突发状况不能及时了解与应对，从而影响其对智能物流派送车的调度与维护。

发明内容

针对以上三个相关技术的不足，本发明充分利用智能无人车的环境感知功能，建立智能交互模块和动态路径优化算法，设计了一种在区域性地点的智能物流运输系统，在节省人力资源的同时提高派送效率。

本发明具体采用如下方法：

基于智能无人车的动态区域物流派送方法，该方法包括如下步骤：

(1)建立阻抗函数模型

若两地之间的第p条可行路径由n_p个路段组成，该路线上的路口个数为m_p，建立阻抗函数模型：

式中，X_pi为路段阻抗，Y_pj为路口阻抗，k₁,k₂为参数；

(2)确定基本阻抗函数

基本阻抗函数描述为：

其中q_i为当前路段交通量，c_i为实际道路通行能力；

(3)计算路段行驶时间

路段上的行驶时间为：

其中，S_i为路段长度，v为物流车当前速度；

(4)速度修正

智能无人车实际速度为：

v＝μv_m

其中，μ为修正系数，v_m为智能无人车的最大速度；

(5)计算路口冲突向车头时距大于智能无人车通过路口时间的概率

当智能无人车通过距离大小为L的路口时，所用时间其中t₀为智能无人车启动所需时间，若智能无人车到达路口时不需停车等待，则t₀＝0；

设冲突向车流量为Q_c,则到达的车头时距h_t大于t的概率为：

其中，e为自然对数的底数；

(6)参数标定

采用极大似然法对参数k₁、k₂进行标定，设两点间有n个路径，总交通量为V，各路径上分配的交通量分别为V₁,V₂,…,V_n，有车辆选择的路线相互独立，应用Logit模型，可得各路径选择概率为：

根据极大似然估计原理，n个出行选择路径的联合概率分布为：

F_n两边取对数：

对k_θ求导：

将P_i代入得：

取n＝2，有V＝V₁+V₂，则：

再选取一对恰有两条路径的OD点，建立方程组求解k₁、k₂；

(7)计算路段阻抗、路口阻抗，得到阻抗函数：

路段阻抗：

路口阻抗：

阻抗函数：

附图说明

图1是物流车派送流程图。

图2是以配送点为坐标原点的极坐标系示意图。

图3是扫描客户点流程示意图。

图4是具体的派送路径顺序示意图。

图5是车辆结构示意图。

图6是智能无人车快递派送系统流程图。

图7是物流车分层式工作模式及交互过程。

图8是手持终端功能框架。

具体实施方式

(一)基于路阻函数的动态路径优化方法

步骤1：建立阻抗函数模型

利用阻抗来表示智能无人物流车在两地之间行进时受到干扰的程度，建立阻抗函数模型：

W_p＝k₁X_p+k₂Y_p (1)

式中，X_p为路段阻抗，Y_p为路口阻抗，k₁,k₂为参数。

若某两地之间的第p条可行路径由n个路段组成，该路线上的路口个数为m，则路径p由公式(1)累加推导得：

步骤2：基本阻抗函数

当路段上的交通量很小，即交通量趋近于0时，道路上的车辆以畅行速度行驶，此时道路阻抗最小；当路段上的交通量逐渐增大，车辆开始产生拥挤，交通密度逐渐增大直至达到阻塞密度，此时车辆行驶速度为0，道路阻抗最大，因此基本阻抗函数描述为：

其中q为当前路段交通量，c为实际道路通行能力。

步骤3：路段行驶时间

对于物流派送的工作系统来说，因要求货物配送的时效性与快捷性，故主要研究目标为行驶线路最短。但由于道路交通状况复杂多变，行驶距离最短的路径不一定是快递派送的最优路径，因此将各路段的长度S由距离尺度转化为时间尺度，路段上的行驶时间为：

其中，Z为道路基本阻抗，v为物流车当前速度；

步骤4：速度修正

因研究对象为区域性地点，物流车在路段上行驶时，行人流量的大小对其速度会产生较大影响，所以考虑此因素，物流车设定的最大速度为v_m，则其实际速度为：

v＝μv_m (5)

建议的行人干扰修正系数值如表1所示：

表1行人干扰系数修正

步骤5：路口冲突向车头时距

当小车通过大小为L的路口时，所用时间其中t₀为车辆启动所需时间，若物流车到达路口时不需停车等待，则t₀＝0；

设冲突向车流量为Q_c,则到达的车头时距h_t大于t的概率为：

其中，e为自然对数的底数；

概率P越大，单位时间内提供给物流车的可穿越间隙越多，物流车通过路口的困难度就越小。在此为P取倒数，再增设调整参数α，将概率转化为时间概念(其中P∈(0,1]，则P∈(0，1])；

步骤6：参数标定

采用极大似然法对参数k₁、k₂进行标定。设两点间有n个路径，总交通量为V，各路径上分配的交通量分别为V₁,V₂,…,V_n，有车辆选择的路线相互独立，应用Logit模型，可得各路径选择概率为：

把V辆车的出行路径选择看作V重Bernoulli分布，根据极大似然估计原理，n个出行选择路径的联合概率分布为：

F_n两边取对数：

对k_θ求导：

将P_i代入得：

基于简单求解原则，取n＝2，即两个路径时，有V＝V₁+V₂，则式(11)左端可化为：

因此，当n＝2时似然方程组(11)只有一个独立的方程，无法求出k₁、k₂，需再选取一对恰有两条路径的OD点，建立如式(12)的方程，组成关于k₁、k₂的方程组进行求解。

步骤7：

路段阻抗：

路口阻抗：

阻抗函数：

如式(15)所示，W_p的值越小，说明该路径上的阻抗越小，更有利于物流车的行驶，在路径选择时更趋向于选择该路径，物流车派送流程如图1所示。

(二)基于扫描法的多地点派送顺序优化方法

目前多数情况是随机为无人车装载货物进行物流派送，完成所设置的几个送货点后回到配送中心，此类派送方式随机且无规划，对智能无人物流车的利用率低，还会增加不必要的电量损耗。为实现高效率的派送，使物流车在最短时间内尽可能完成多个派送任务，减小成本消耗，在此利用扫描法进行路径优化，在无人车派送之前，使用该方法得到每辆车的送回顺序，物流车按照优化结果携带相应货物进行快递派送。

由于研究使用无人车进行快递派送的主要对象是区域性地点，如居民小区、大学校园等，此类客户的聚集特点较为明显，若将同一物流车服务的客户按距离或区域划分聚类，将在有效提高派送效率的同时降低车辆消耗。扫描法即将一定区域内的客户群分配给一辆物流车执行派送任务，具体设计过程如下：

在某区域性地点，有一个物流配送点P₀，n个需要派送的客户点，分别为：P₁,P₂,P₃,……P_n，各个客户点间的距离及与配送点之间距离如表2所示：

表2各点间距离表

距离	P<sub>1</sub>	P<sub>2</sub>	P<sub>3</sub>	……	P<sub>n</sub>
						P<sub>0</sub>	L<sub>01</sub>	L<sub>02</sub>	L<sub>03</sub>	……	L<sub>0n</sub>
P<sub>1</sub>		L<sub>12</sub>	L<sub>13</sub>	……	L<sub>1n</sub>
						P<sub>2</sub>			L<sub>23</sub>	……	L<sub>2n</sub>
P<sub>3</sub>				……	L<sub>3n</sub>
						……					……
P<sub>n</sub>

以配送点为坐标原点，以水平向东引出的射线为零角度线，建立极坐标系，如图2所示，准确找到每一个客户点的位置，并将其通过计算得到相应度数来转化成极坐标系，客户点的待送件数用W表示，各客户点情况如表3所示：

表3各客户点信息表

客户点	极坐标	快递件数
			P<sub>1</sub>	(r<sub>1</sub>,θ<sub>1</sub>)	W<sub>1</sub>
P<sub>2</sub>	(r<sub>2</sub>,θ<sub>2</sub>)	W<sub>2</sub>
			P<sub>3</sub>	(r<sub>3</sub>,θ<sub>3</sub>)	W<sub>3</sub>
……	……	……
			P<sub>n</sub>	(r<sub>n</sub>,θ<sub>n</sub>)	W<sub>n</sub>

从零度线开始进行逆时针扫描，记录经过的客户点及该点所需派送件数，C_ij表示到达第i个客户点的第j辆物流车，物流车的最大载货量用m表示。

首先扫描的是客户点P₁，若W₁≥m,则第一组中只有客户点P₁，由物流车C₁派送，然后扫描第二组；若W₁＜m,继续扫描客户点P₂，直至到达客户点P_a时不满足最大载货量限制，即接着依次扫描客户点P_a+1，P_a+2...并继续分组，如图3所示，直到所有的客户点被扫描完毕，得到物流车运送情况如表4所示：

表4物流车运送情况表

将由同一辆物流车服务的客户划分为一组后，对每一个组内的客户点而言，变为独立的旅行商问题。每两点间行驶路径的选择根据基于路阻函数的动态路径优化算法来获得，然后利用TSP方法对各组进行线路优化，得到具体的派送路径顺序，如图4所示(图中路径仅为假设，不代表真实情况)；

根据上一步骤中的计算结果，物流人员为智能无人物流车装载对应货物，令其开始执行派送任务。按照此方法，每辆物流车都是在小范围内进行快递的派送，行驶路程明显减少，同时大大提高了派件效率。

(三)基于车路协同的智能信息交互系统

1——避障模块采用双目立体视觉避障，处理速度每次16个像素；

2——数据传输模块，与配送端管理系统进行信息实时共享；

3——定位系统采用GPS/北斗双模卫星导航定位系统；

4——控制系统采用百度开源“Apollo”自动驾驶平台；

5——传感器(安装在智能无人物流车顶部)，使用红外视觉图像传感器，感

知范围150cm，垂直视角26.5度，刷新率15hz；

6——室内设计，特殊情况下进行人为操作。

快递到达物流配送点后，其信息录入数据库，配送点控制终端根据目前货物状态整合快递信息，由已嵌入控制终端的多地点派送顺序优化算法为每辆物流车分配送货路径，确定各个物流车所需服务的客户点，然后进行派遣车辆规划。

智能无人物流车在派送点进行货物装配，控制终端计算当前各条道路的阻抗大小，并使智能无人物流车沿阻抗最小的路径进行派送，令其根据此初次规划路线开始派货；在行驶过程中，物流车通过红外传感器与双目避障模块感知外部环境，完成规范行驶；与此同时，控制终端将即将派送的信息发送至用户的客户端APP，供其随时查看自己的快递状态；

物流车在派送过程中，根据各个传感器采集到的数据，对道路状况进行实时评估，并通过数据传输模块将道路情况数据信息返送回控制终端，若控制终端经过算法计算发现更优的送货路径，将向物流车发送运动行为调整的指令，使其改变派送路线，使配送过程更加流畅；若当前行驶路径即为最佳路径，物流车继续按初始规划路径完成此次快递派送；

物流车到达客户点后，等待用户进行收货并通过客户端APP进行确认，物流车及控制终端收到反馈信息后前往下一客户点继续派送，同时用户可在客户端APP进行后续订单的评价与反馈。当前装载快递全部派送完毕后，物流车返回派送点，控制终端为其规划下一次的派送任务或进行车辆维护，保证智能物流派送系统的稳定性。物流车派送流程如图6所示，工作模式及交互过程如图7所示，手持终端功能如图8所示。

Claims (1)

1.一种基于智能无人车的动态区域物流派送方法，其特征在于，该方法包括如下步骤：

(1)建立阻抗函数模型

若两地之间的第p条可行路径由n_p个路段组成，该路线上的路口个数为m_p，建立阻抗函数模型：

式中，X_pi为路段阻抗，Y_pj为路口阻抗，k₁,k₂为参数；

(2)确定基本阻抗函数

基本阻抗函数描述为：

其中q_i为当前路段交通量，c_i为实际道路通行能力；

(3)计算路段行驶时间

路段上的行驶时间为：

其中，S_i为路段长度，v为物流车当前速度；

(4)速度修正

智能无人车实际速度为：

v＝μv_m

其中，μ为修正系数，v_m为智能无人车的最大速度；

(5)计算路口冲突向车头时距大于智能无人车通过路口时间的概率

当智能无人车通过距离大小为L的路口时，所用时间其中t₀为智能无人车启动所需时间，若智能无人车到达路口时不需停车等待，则t₀＝0；

设冲突向车流量为Q_c,则到达的车头时距h_t大于t的概率为：

其中，e为自然对数的底数；

(6)参数标定

采用极大似然法对参数k₁、k₂进行标定，设两点间有n个路径，总交通量为V，各路径上分配的交通量分别为V₁,V₂,…,V_n，有车辆选择的路线相互独立，应用Logit模型，可得各路径选择概率为：

根据极大似然估计原理，n个出行选择路径的联合概率分布为：

F_n两边取对数：

对k_θ求导：

将P_i代入得：

取n＝2，有V＝V₁+V₂，则：

再选取一对恰有两条路径的OD点，建立方程组求解k₁、k₂；

(7)计算路段阻抗、路口阻抗，得到阻抗函数：

路段阻抗：

路口阻抗：

阻抗函数：