CN109532831B - 一种车辆速度控制方法及其相关装置 - Google Patents

一种车辆速度控制方法及其相关装置 Download PDF

Info

Publication number
CN109532831B
CN109532831B CN201811366231.9A CN201811366231A CN109532831B CN 109532831 B CN109532831 B CN 109532831B CN 201811366231 A CN201811366231 A CN 201811366231A CN 109532831 B CN109532831 B CN 109532831B
Authority
CN
China
Prior art keywords
information
vehicle
speed
speed control
predicted
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.)
Active
Application number
CN201811366231.9A
Other languages
English (en)
Other versions
CN109532831A (zh
Inventor
谢胜利
张学文
吴宗泽
任志刚
李建中
张兴斌
沈明
田野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201811366231.9A priority Critical patent/CN109532831B/zh
Publication of CN109532831A publication Critical patent/CN109532831A/zh
Application granted granted Critical
Publication of CN109532831B publication Critical patent/CN109532831B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • B60W30/14—Adaptive cruise control
    • B60W30/143—Speed control
    • B60W30/146—Speed limiting
    • 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
    • B60W2300/00—Indexing codes relating to the type of vehicle
    • B60W2300/12—Trucks; Load vehicles
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • 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
    • B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
    • B60W2530/20—Tyre data
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • 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
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way
    • 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
    • B60W2720/00—Output or target parameters relating to overall vehicle dynamics
    • B60W2720/10—Longitudinal speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种车辆速度控制方法，包括接收信息采集设备采集的运输品状态信息和限速信息；通过预设模糊神经网络模型对所述运输品状态信息进行处理，获得预测速度；判断所述预测速度是否超出所述限速信息对应的限速值，若是，则将所述限速值作为车辆的行驶速度，若否，则将所述预测速度作为车辆的行驶速度；该车辆速度控制方法可实现对危险品车辆的车速控制，有效保证了车辆的行驶安全。本申请还公开了一种车辆速度控制装置、设备、车辆以及计算机可读存储介质，也具有上述有益效果。

Description

一种车辆速度控制方法及其相关装置
技术领域
本申请涉及交通安全领域，特别涉及一种车辆速度控制方法，还涉及一种车辆速度控制装置、设备、车辆以及计算机可读存储介质。
背景技术
科学技术的发展推进了人们生活水平的提高，车辆在人们的生活中越来越普遍。然而，车辆的大幅度增加却给道路交通带来了严重不便，为保证车辆的行驶安全，在其行驶过程中，通常需要对车速进行控制。
在已有技术中，在进行车速控制时都是基于大数据的最优车速推荐，例如，根据路口的拥堵状况、降雨量情况等为用户推荐车速。具体而言，首先可通过某些途径实现道路拥堵状况、降雨量等信息的获取，然后将这些信息发送给车载处理终端，通过相关公式、处理规则等对其进行计算获得一个推荐车速，以便用户根据该推荐车速进行驾驶。
然而，以上车速控制方法仅能够实现对一般车辆的车速预测，如轿车、公交车辆等，而对于用于运输危险品的车辆，如运输天然气、汽油等的车辆，由于没有考虑到危险品的状态信息，基于上述方法实现车速控制无法在真正意义上保证车辆的安全行驶。根据研究资料表明，当车辆行驶速度越快时，其车箱内危化品的晃动程度也将加剧，且该晃动程度将对危化品的温度、压力等造成影响，很容易出现由于运输品发生环境变化，如汽油温度骤升、天然气压力不均等导致交通事故发生的问题，因此，已有技术中的车速控制方法无法满足危险品物流运输的需要。
因此，如何提供一种车辆速度控制方法，以实现对危险品车辆的车速控制，进一步保证车辆行驶安全是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种车辆速度控制方法，该车辆速度控制方法可实现对危险品车辆的车速控制，有效保证了车辆的行驶安全；本申请的另一目的是提供一种车辆速度控制装置、设备、车辆以及计算机可读存储介质，也具有上述有益效果。
为解决上述技术问题，本申请提供了一种车辆速度控制方法，所述方法包括：
接收信息采集设备采集的运输品状态信息和限速信息；
通过预设模糊神经网络模型对所述运输品状态信息进行处理，获得预测速度；
判断所述预测速度是否超出所述限速信息对应的限速值，若是，则将所述限速值作为车辆的行驶速度，若否，则将所述预测速度作为车辆的行驶速度。
优选的，所述接收信息采集设备采集的运输品状态信息和限速信息之前，还包括：
对所述车辆的行驶路程进行实时统计；
当所述行驶路程达到预设行驶路程时，发送信息采集指令至所述信息采集设备。
优选的，还包括：
获取所述车辆的胎压信息和路面信息；
则所述通过预设模糊神经网络模型对所述运输品状态信息进行处理，获得预测速度，包括：
通过所述预设模糊神经网络模型对所述运输品状态信息、所述胎压信息和所述路面信息进行处理，获得所述预测速度。
优选的，所述获取所述车辆的胎压信息和路面信息之后，还包括：
判断所述胎压信息和所述运输品状态信息是否均未超出预设范围；
若否，则发送报警指令至报警设备；
若是，则执行所述通过所述预设模糊神经网络模型对所述运输品状态信息、所述胎压信息和所述路面信息进行处理，获得所述预测速度的步骤。
优选的，所述通过所述预设模糊神经网络模型对所述运输品状态信息、所述胎压信息和所述路面信息进行处理，获得所述预测速度，包括：
通过高斯隶属函数对所述运输品状态信息、所述胎压信息和所述路面信息进行计算，获得隶属度；
对所述隶属度进行激励强度计算，获得适用度；
对所述适用度进行归一化处理，获得归一化值；
根据所述归一化值计算获得所述预测速度。
优选的，所述车辆速度控制方法还包括：
获取所述车辆的位置信息；
将所述位置信息和所述行驶速度上传至云端数据库。
为解决上述技术问题，本申请提供了一种车辆速度控制装置，所述装置包括：
信息获取模块，用于接收信息采集设备采集的运输品状态信息和限速信息；
信息处理模块，用于通过预设模糊神经网络模型对所述运输品状态信息进行处理，获得预测速度；
速度控制模块，用于判断所述预测速度是否超出所述限速信息对应的限速值，若是，则将所述限速值作为车辆的行驶速度，若否，则将所述预测速度作为车辆的行驶速度。
为解决上述技术问题，本申请提供了一种车辆速度控制设备，所述设备包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述任意一种车辆速度控制方法的步骤。
为解决上述技术问题，本申请提供了一种车辆，包括如上所述的车辆速度控制设备。
为解决上述技术问题，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种车辆速度控制方法的步骤。
本申请所提供的一种车辆速度控制方法，包括接收信息采集设备采集的运输品状态信息和限速信息；通过预设模糊神经网络模型对所述运输品状态信息进行处理，获得预测速度；判断所述预测速度是否超出所述限速信息对应的限速值，若是，则将所述限速值作为车辆的行驶速度，若否，则将所述预测速度作为车辆的行驶速度。
可见，本申请所提供的车辆速度控制方法，通过相应的信息采集设备对车辆的运输品进行状态信息采集，并基于模糊神经网络模型对其进行分析处理，获得了车辆在负载危险物质等运输品情况下的预测车速；进一步将该预测车速与限速值进行比较，并从中选取最小值作为车辆的行驶速度，以告知用户按照该行驶速度对车辆进行驾驶，由此，将车辆运输品的状态信息考虑在内，实现了对车辆的速度控制，有效保证了危险品运输车辆的安全行驶，进一步保证了交通安全。
本申请所提供的一种车辆速度控制装置、设备、车辆以及计算机可读存储介质，也具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请所提供的一种车辆速度控制方法的流程示意图；
图2为本申请所提供的一种基于模糊神经网络模型进行数据处理的方法的流程示意图；
图3为本申请所提供的另一种车辆速度控制方法的流程示意图；
图4为本申请所提供的一种运输品状态信息采集系统的结构示意图；
图5为本申请所提供的一种车辆速度控制装置的结构示意图；
图6为本申请所提供的一种车辆速度控制设备的结构示意图。
具体实施方式
本申请的核心是提供一种车辆速度控制方法，该车辆速度控制方法可实现对危险品车辆的车速控制，有效保证了车辆的行驶安全；本申请的另一核心是提供一种车辆速度控制装置、设备、车辆以及计算机可读存储介质，也具有上述有益效果。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
已有的车速控制方法仅能够实现对一般车辆的车速预测而对于用于运输危险品的车辆，由于没有考虑到危险品的状态信息，很容易出现由于汽油温度骤升、天然气压力不均等导致交通事故发生的问题，无法在真正意义上保证车辆的安全行驶。因此，为解决上述问题，本申请提供了一种车辆速度控制方法，该车辆速度控制方法可实现对危险品车辆的车速控制，有效保证了车辆的行驶安全。
基于上述阐述，请参考图1，图1为本申请所提供的一种车辆速度控制方法的流程示意图，该车辆速度控制方法可以包括：
S101：接收信息采集设备采集的运输品状态信息和限速信息；
本步骤旨在实现对运输品的状态信息和车辆当前行驶道路限速信息的获取，具体而言，可通过相应的信息采集设备对以上运输品状态信息和限速信息进行采集，并将其发送至处理器进行后续处理。
其中，上述运输品可以为危化学品，如汽油、天然气等，对应的运输品状态信息则可以相应运输品的压力信息、温度信息以及液位信息等，相应的，其信息采集设备可以为压力传感器、温度传感器、液位传感器等。当然，以上运输品状态信息的数量和种类并不限于此，可根据实际情况进行选择性设置。
进一步，对于上述当前道路的限速信息，可通过图像采集设备对当前行驶道路上的限速指示牌进行拍照，基于图像识别技术实现限速信息的获取，也可以通过GPS定位系统实现对当前道路限速信息的获取，其具体获取方式并不影响本技术方案的实施。
此外，对于上述信息采集设备对相关信息的采集，可基于处理器发送相应的信息采集指令实现，而对于信息采集指令的下发方式，本申请不做限定，可由处理器按照预设条件自动下发，也可由用户通过车载终端等根据实际需求进行下发。另外，以上信息采集指令的下发和运输品状态信息、限速信息的上传均可基于车载网络实现。
作为一种优选实施例，上述接收信息采集设备采集的运输品状态信息和限速信息之前，还可以包括：对车辆的行驶路程进行实时统计；当行驶路程达到预设行驶路程时，发送信息采集指令至信息采集设备。
本申请提供了一种较为具体的信息采集指令的下发方式，即按照车辆的行驶路程进行指令下发。具体而言，首先，在车辆行驶过程中，可对其行驶路程进行实时统计；进一步，当其行驶路程达到预设行驶路程时，处理器自动下发信息采集指令至信息采集设备。其中，上述预设行驶路程的具体取值并不唯一，例如，在本申请中，将该预设行驶路程设置为500米，即车辆每行驶500米进行一次相关信息的采集。由此，即可有效减少由于路况变化对运输品状态信息所产生的影响。
S102：通过预设模糊神经网络模型对运输品状态信息进行处理，获得预测速度；
具体的，本步骤旨在基于预设的模糊神经网络模型实现对以上获取的运输品状态信息的处理，以获得对车辆的预测速度，即结合运输品的状态信息实现对车辆行驶速度的预测。其中，模糊神经网络是模糊理论同神经网络相结合的产物，模糊控制是以模糊集理论、模糊语言变量和模糊逻辑推理为基础的一种智能控制方法，该方法首先将操作人员或专家经验编成模糊规则，然后将来自传感器的实时信号模糊化，将模糊化后的信号作为模糊规则的输入完成模糊推理，将推理后得到的输出量经过一次反模糊化，得到最后的输出；神经网络是通过对人脑的基本单元，即神经元的建模和联接，探索模拟人脑神经系统功能的模型，并研制一种具有学习、联想、记忆和模式识别等智能信息处理功能的人工系统，能够从环境中学习，并把学习的结果分布存储于网络的突触连接中。因此，模糊神经网络汇集了神经网络与模糊理论的优点，集学习、联想、识别、信息处理于一体。
需要说明的是，以上模糊神经网络模型是预先根据已有的历史数据进行训练获得的，已经对神经网络的各项权重参数进行了优化，可有效保证实时计算出的结果的准确性。进一步，将该预设模糊神经网络模型存储于相应存储介质中，在开启实时计算后，该模型即可根据输入的参数，即上述各类采集信息进行计算，并获得车辆的预测速度。
作为一种优选实施例，该车辆速度控制方法还可以包括获取车辆的胎压信息和路面信息；则上述通过预设模糊神经网络模型对运输品状态信息进行处理，获得预测速度，可以包括通过预设模糊神经网络模型对运输品状态信息、胎压信息和路面信息进行处理，获得预测速度。
具体的，由于车辆速度的变化会对轮胎的温度和胎压等产生一定的影响，而危险品运输车辆对于胎压和轮胎温度有着更高的要求，因此，在对运输品状态信息进行采集时，还可以同时对车辆的胎压信息和路面信息进行采集，从而可将运输品状态信息、胎压信息以及路面信息一同输入至预设模糊神经网络模型进行处理，获得对应的预测速度，结合多方信息实现对车辆行驶速度的预测，可有效提高预测速度的准确性，进一步保证车辆行驶安全。
其中，上述胎压信息可包括车辆轮胎的胎压信息和温度信息，类似于上述运输品状态信息的采集，同样可通过相应的传感器实现，在本申请中，采用了直接式轮胎压力监测系统(Pressure-Senso rBased TPMS，PSBTPMS)，其可利用安装在轮胎上的压力传感器和温度传感器来测量轮胎的气压和温度，并利用车载网络将以上信息从轮胎内部发送至模糊神经网络模型进行处理。
其中，上述路面信息可包括路面的弯道、倾斜度、路面技术情况等信息，同样可通过相应的信息采集设备实现，如GPS系统。进一步，即可由车载路面信息采集系统根据该路面信息实现对车辆当前行驶道路路面状态的判定。具体而言，路面信息采集系统内部的路面状况判定模块可预先对多种路面信息进行训练，进一步得到多个层级的路面状况，例如，在本申请中，通过对36种路面信息的训练获得了三个层级的路面状况，即好、中、差三个层级。由此，即可通过该路面状况模块根据采集的路面信息判定当前道路属于以上三个层级中的哪一层路面状况，并将该种路面状况的相关参数输入到模糊神经网络模型中，与以上述运输品状态信息、胎压信息一同进行计算，从而获得合理的推荐车速，即预测车速。
优选的，请参考图2，图2为本申请所提供的一种基于模糊神经网络模型进行数据处理的方法的流程示意图。上述通过预设模糊神经网络模型对运输品状态信息、胎压信息和路面信息进行处理，获得所述预测速度，可以包括：
S21：通过高斯隶属函数对运输品状态信息、胎压信息和路面信息进行计算，获得隶属度；
S22：对隶属度进行激励强度计算，获得适用度；
S23：对适用度进行归一化处理，获得归一化值；
S24：根据归一化值计算获得预测速度。
本部分对基于预设模糊神经网络模型实现对各采集信息的计算处理做出了具体说明。具体而言，预设神经网络模型从初始的模糊化层到最终的输出层共有五层，前4层构成前件网络，最后一层构成后件网络。其中，第1层计算各个输入变量的模糊隶属度，对应于S21；第2层计算每条规则的适用度，对应于S22；第3层计算适用度的归一化值，对应于S23；第4层计算每一条规则的输出，第5层计算所有输入数据的总输出，对应于S24。
以下结合实际应用详细介绍了模糊神经网络模型中各层的作用以及输出，假设
Figure BDA0001868632200000081
表示第k层、第j个节点的输出。
(1)计算输入变量的模糊隶属度：
首先，输入参数如下：胎压传感器采集的压力值(bar)和轮胎温度值(℃)分别用X1和X2表示；危险品采集设备采集的压力信息，温度信息和液位信息分别用X3、X4、X5表示；路面信息采集系统获得的路面信息用X6表示。进一步，以上X1～X6共6个模糊语言变量组成输入向量X：
X＝[X1，X2，…，Xn，…，X6]；其中，n＝1，2，3，4，5，6；
其中，每个模糊语言变量集合为：
Figure BDA0001868632200000082
假设X1-X5分为高，中，低三个区间，路面情况X6分为好，中，差分为3个层级，则sn＝1,2,3，则模糊神经网络模型第一层共有6*3＝18个节点；进一步，将输入向量X输入至预设模糊神经网络模型，其中，在本申请中，以上6个特征参数对于不同区间的隶属度函数均采用高斯隶属函数，则第一层各节点输出结果，即隶属度
Figure BDA0001868632200000084
为：
Figure BDA0001868632200000083
其中，cn为高斯函数中心，σn为高斯函数宽度，二者作为前件网络参数，均可通过模糊神经网络模型进行自动调整；μ为高斯隶属函数参数，为常值。
(2)计算每条规则的激励强度：
将(1)中获得的结果作为(2)的输入，本申请中(2)的输入量采用单点模糊集合的模糊化方法，其输出共有3*3*3*3*3*3＝729个节点，每个节点对应一条模糊规则，则可通过模糊取小运算求得每条规则的适用度，即第二层各节点的输出结果
Figure BDA0001868632200000091
为：
Figure BDA0001868632200000092
(3)计算适用度的归一化值：
假设
Figure BDA0001868632200000093
表示第j条规则的适用度的归一化值，则对于该第三层中的每一个节点的输出
Figure BDA0001868632200000094
为：
Figure BDA0001868632200000095
(4)计算每一条规则的输出：
假设第j4条规则的后向结论为
Figure BDA0001868632200000096
则第4层第j4个节点的输出为
Figure BDA0001868632200000097
Figure BDA0001868632200000098
其中，
Figure BDA0001868632200000099
为第四层节点的参数集，称为后件参数。
(5)计算有且仅有一个节点上的所有输入数据的总输出y：
Figure BDA00018686322000000910
其中，
Figure BDA00018686322000000911
前四层构成模糊神经网络的前件网络，第五层构成后件网络，由此，即实现了基于模糊神经网络模型的车辆速度预测。
S103：判断预测速度是否超出限速信息对应的限速值，若是，则将限速值作为车辆的行驶速度，若否，则将预测速度作为车辆的行驶速度。
具体的，为进一步保证车辆行驶安全，在基于模糊神经网络模型获得对应的预测速度后，可将该预测速度与S101采集的限速信息进行比对，并从两者之中选取最小值作为车辆的行驶速度，从而实现对危险品运输车辆的速度控制，保证交通安全。
本申请所提供的车辆速度控制方法，通过相应的信息采集设备对车辆的运输品进行状态信息采集，并基于模糊神经网络模型对其进行分析处理，获得了车辆在负载危险物质等运输品情况下的预测车速；进一步将该预测车速与限速值进行比较，并从中选取最小值作为车辆的行驶速度，以告知用户按照该行驶速度对车辆进行驾驶，由此，将车辆运输品的状态信息考虑在内，实现了对车辆的速度控制，有效保证了危险品运输车辆的安全行驶，进一步保证了交通安全。
在上述实施例的基础上，请参考图3，图3为本申请所提供的另一种车辆速度控制方法的流程示意图。
作为一种优选实施例，上述获取车辆的胎压信息和路面信息之后，还可以包括：
S203：判断胎压信息和运输品状态信息是否均未超出预设范围；若否，则执行S204，若是，则执行S205；
S204：发送报警指令至报警设备；
S205：通过预设模糊神经网络模型对运输品状态信息、胎压信息和路面信息进行处理，获得预测速度。
具体的，在获得运输品状态信息和胎压信息之后，可先判断二者是否均处于各自对应的预设范围内，即在确保危险品状态安全的前提下，再对车速进行预测，可进一步保证运输过程的安全性。进一步，当上述其中任意一项超出其对应的预设范围时，均可立即通过报警设备进行报警。当二者均未超出预设范围时，方可继续执行后续基于模糊神经网络模型进行数据处理的步骤。
请参考图4，图4为本申请所提供的一种运输品状态信息采集系统的结构示意图，该运输品状态信息采集系统主要用于实现对危险运输品状态信息的采集。
具体而言，在本申请中，运输品状态信息采集系统采用的是ZigBee危化学品数据采集节点方案，Zigbee是一种短距离、低速率、低功耗、低成本、稳定性高的无线通信技术，工作在2.4GHz国际免费频段，适用于无线传感网络。因此，可以采用ZigBee技术完成危化学品状态数据的提取工作，从而实现危化学品的有效监测，并满足低成本、低功耗、布设简单、稳定性好、安全性高的要求。
如图4所示，Zigbee RF模块是节点设计的核心，其主要负责逻辑控制和数据处理；传感器接口电路负责各传感器信号的接入、调整；通信接口电路包括串口和JTAG调试接口电路，用于与上位机(如车载终端)的通信；指示电路包括LED指示灯、蜂鸣器和按键电路，用于指示节点状态和模块参数配置。
其中，传感器接口电路包括危化品物流车辆四种信号的采集电路，可同时接3种类型的传感器(危险品压力传感器、危险品温度传感器、危险品液位传感器)。其中，以上四种信号分别为0-5V、4-20mA、开关量、数字量，其中数字量主要是DS18B20(温度传感器)、DHT11(湿度传感器)的输出信号；4-20mA主要是压力传感器、液位传感器的输出信号；开关量主要是红外、门开关、倾斜传感器的输出信号；信号接入后进行了信号隔离和二极管钳位保护电路。
对于本申请实施例的其他实施步骤，参照上述方法实施例即可，本申请在此不在赘述。
本申请实施例所提供的车辆速度控制方法在危险品的状态信息采集到并确保安全后，才进行速度预测，否则直接报警，进一步保证了车辆的安全行驶。
在上述实施例的基础上，作为一种优选实施例，该车辆速度控制方法还可以包括获取车辆的位置信息；将位置信息和行驶速度上传至云端数据库。
具体的，本步骤旨在实现将车辆的位置信息，如经纬度信息以及该位置信息对应的行驶速度一同上传至云端数据库进行存储，当然，一同上传的还可包括各传感器采集到的相关参数信息。其中，上述位置信息可基于GPS定位系统实现。此外，上述云端数据库可包括Hbase(数据库名称)和Redis(数据库名称)，其中，存入Hbase的数据可用作离线数据分析统计，存入redis的数据可为其他需要实时计算的业务提供车速。
具体而言，上述位置信息和行驶速度的上传过程可基于系统内部的信息推送模块实现。此外，该推送模块同时还可实现将预测速度直接推送至车载主控显示器，以便驾驶员的查看。进一步，驾驶员还可以通过主控面板发送查看请求，以在Hbase中调取当前所在路段的历史数据进行查看，从而为驾驶员提供路况参考。
优选的，为进一步保证预测速度的准确性，还可通过预测速度或行驶速度对预设模糊神经网络模型进行修正，以获得准确度更高的模糊神经网络模型，保证车辆的行驶安全。此外，该模糊神经网络模型也可在云端进行存储，将更加便于以上过程的实现。
为解决上述问题，请参考图5，图5为本申请所提供的一种车辆速度控制装置的结构示意图，该车辆速度控制装置可包括：
信息获取模块10，用于接收信息采集设备采集的运输品状态信息和限速信息；
信息处理模块20，用于通过预设模糊神经网络模型对运输品状态信息进行处理，获得预测速度；
速度控制模块30，用于判断预测速度是否超出限速信息对应的限速值，若是，则将限速值作为车辆的行驶速度，若否，则将预测速度作为车辆的行驶速度。
作为一种优选实施例，该车辆速度控制装置还可以包括：
指令下发模块，用于对车辆的行驶路程进行实时统计；当行驶路程达到预设行驶路程时，发送信息采集指令至信息采集设备。
作为一种优选实施例，该车辆速度控制装置还可以包括：
车辆信息获取模块，用于获取车辆的胎压信息和路面信息；
则上述信息处理模块20具体用于通过预设模糊神经网络模型对运输品状态信息、胎压信息和路面信息进行处理，获得预测速度。
作为一种优选实施例，该车辆速度控制装置还可以包括：
报警模块，用于判断胎压信息和运输品状态信息是否均未超出预设范围；若否，则发送报警指令至报警设备；若是，则执行通过预设模糊神经网络模型对运输品状态信息、胎压信息和路面信息进行处理，获得预测速度的步骤。
作为一种优选实施例，上述信息处理模块20可以包括：
隶属度计算子模块，用于通过高斯隶属函数对运输品状态信息、胎压信息和路面信息进行计算，获得隶属度；
适用度计算子模块，用于对隶属度进行激励强度计算，获得适用度；
归一化处理子模块，用于对适用度进行归一化处理，获得归一化值；
预测速度计算子模块，用于根据归一化值计算获得预测速度。
作为一种优选实施例，该车辆速度控制装置还可以包括：
云端存储模块，用于获取车辆的位置信息；将位置信息和行驶速度上传至云端数据库。
对于本申请提供的装置的介绍请参照上述方法实施例，本申请在此不做赘述。
为解决上述问题，请参考图6，图6为本申请所提供的一种车辆速度控制设备的结构示意图，该车辆速度控制设备可包括：
存储器1，用于存储计算机程序；
处理器2，用于执行计算机程序时可实现以下步骤：
接收信息采集设备采集的运输品状态信息和限速信息；通过预设模糊神经网络模型对运输品状态信息进行处理，获得预测速度；判断预测速度是否超出限速信息对应的限速值，若是，则将限速值作为车辆的行驶速度，若否，则将预测速度作为车辆的行驶速度。
对于本申请提供的设备的介绍请参照上述方法实施例，本申请在此不做赘述。
为解决上述问题，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现一下步骤：
接收信息采集设备采集的运输品状态信息和限速信息；通过预设模糊神经网络模型对运输品状态信息进行处理，获得预测速度；判断预测速度是否超出限速信息对应的限速值，若是，则将限速值作为车辆的行驶速度，若否，则将预测速度作为车辆的行驶速度。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本申请提供的计算机可读存储介质的介绍请参照上述方法实施例，本申请在此不做赘述。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的车辆速度控制方法、装置、设备、车辆以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围要素。

Claims (9)

1.一种车辆速度控制方法，其特征在于，包括：
对所述车辆的行驶路程进行实时统计；
当所述行驶路程达到预设行驶路程时，发送信息采集指令至信息采集设备；
接收信息采集设备采集的运输品状态信息和限速信息；
通过预设模糊神经网络模型对所述运输品状态信息进行处理，获得预测速度；
判断所述预测速度是否超出所述限速信息对应的限速值，若是，则将所述限速值作为车辆的行驶速度，若否，则将所述预测速度作为车辆的行驶速度。
2.如权利要求1所述的车辆速度控制方法，其特征在于，还包括：
获取所述车辆的胎压信息和路面信息；
则所述通过预设模糊神经网络模型对所述运输品状态信息进行处理，获得预测速度，包括：
通过所述预设模糊神经网络模型对所述运输品状态信息、所述胎压信息和所述路面信息进行处理，获得所述预测速度。
3.如权利要求2所述的车辆速度控制方法，其特征在于，所述获取所述车辆的胎压信息和路面信息之后，还包括：
判断所述胎压信息和所述运输品状态信息是否均未超出预设范围；
若否，则发送报警指令至报警设备；
若是，则执行所述通过所述预设模糊神经网络模型对所述运输品状态信息、所述胎压信息和所述路面信息进行处理，获得所述预测速度的步骤。
4.如权利要求2所述的车辆速度控制方法，其特征在于，所述通过所述预设模糊神经网络模型对所述运输品状态信息、所述胎压信息和所述路面信息进行处理，获得所述预测速度，包括：
通过高斯隶属函数对所述运输品状态信息、所述胎压信息和所述路面信息进行计算，获得隶属度；
对所述隶属度进行激励强度计算，获得适用度；
对所述适用度进行归一化处理，获得归一化值；
根据所述归一化值计算获得所述预测速度。
5.如权利要求1至4任意一项所述的车辆速度控制方法，其特征在于，还包括：
获取所述车辆的位置信息；
将所述位置信息和所述行驶速度上传至云端数据库。
6.一种车辆速度控制装置，其特征在于，包括：
指令下发模块，用于对所述车辆的行驶路程进行实时统计；当所述行驶路程达到预设行驶路程时，发送信息采集指令至信息采集设备；
信息获取模块，用于接收信息采集设备采集的运输品状态信息和限速信息；
信息处理模块，用于通过预设模糊神经网络模型对所述运输品状态信息进行处理，获得预测速度；
速度控制模块，用于判断所述预测速度是否超出所述限速信息对应的限速值，若是，则将所述限速值作为车辆的行驶速度，若否，则将所述预测速度作为车辆的行驶速度。
7.一种车辆速度控制设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任意一项所述的车辆速度控制方法的步骤。
8.一种车辆，其特征在于，包括如权利要求7所述的车辆速度控制设备。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任意一项所述的车辆速度控制方法的步骤。
CN201811366231.9A 2018-11-16 2018-11-16 一种车辆速度控制方法及其相关装置 Active CN109532831B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811366231.9A CN109532831B (zh) 2018-11-16 2018-11-16 一种车辆速度控制方法及其相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811366231.9A CN109532831B (zh) 2018-11-16 2018-11-16 一种车辆速度控制方法及其相关装置

Publications (2)

Publication Number Publication Date
CN109532831A CN109532831A (zh) 2019-03-29
CN109532831B true CN109532831B (zh) 2021-03-16

Family

ID=65847675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811366231.9A Active CN109532831B (zh) 2018-11-16 2018-11-16 一种车辆速度控制方法及其相关装置

Country Status (1)

Country Link
CN (1) CN109532831B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516353B (zh) * 2019-08-27 2024-03-26 浙江科技学院 一种山区高速公路弯道设计缺陷快速识别方法
CN111721556B (zh) * 2020-06-29 2022-05-17 中车长春轨道客车股份有限公司 一种撞击速度的控制方法、装置、存储介质及电子设备
CN111891127B (zh) * 2020-08-11 2021-10-19 辽宁工业大学 一种用于自动驾驶车辆的安全行驶方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6327528B1 (en) * 2000-02-11 2001-12-04 International Truck Intellectual Property Company L.L.C. Method and apparatus for conditioning deployment of air bags on vehicle load
KR20140061019A (ko) * 2012-11-13 2014-05-21 현대중공업 주식회사 백호 로더의 제어 방법
CN104553797A (zh) * 2013-10-18 2015-04-29 宁夏先锋软件有限公司 一种危险品车辆速度监控系统
CN106205148A (zh) * 2016-09-21 2016-12-07 山西省交通科学研究院 一种危险货物罐车弯道安全车速获取方法及超速警示系统
CN106515732A (zh) * 2015-09-10 2017-03-22 株式会社万都 驾驶辅助设备和驾驶辅助方法
CN106828490A (zh) * 2015-12-03 2017-06-13 成都九十度工业产品设计有限公司 一种汽车智能巡航控制方法
CN107010063A (zh) * 2015-10-21 2017-08-04 福特全球技术公司 基于感知的速度限制估算和学习
DE102017004844A1 (de) * 2017-05-19 2017-12-28 Daimler Ag Verfahren zur Bestimmung einer Geschwindigkeitsbegrenzung eines Nutzfahrzeuges
CN207173306U (zh) * 2017-04-24 2018-04-03 深圳智慧车联科技有限公司 一种车辆限速系统及车辆
CN108528432A (zh) * 2017-03-02 2018-09-14 比亚迪股份有限公司 车辆行驶自动控制方法和装置
CN108805472A (zh) * 2018-09-18 2018-11-13 中国特种设备检测研究院 一种罐式集装箱的公路运输预警方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE537471C2 (sv) * 2013-09-09 2015-05-12 Scania Cv Ab Förfarande och system för adaptiv farthållning samt fordon
US9792817B2 (en) * 2013-12-24 2017-10-17 Intel Corporation Road hazard communication
JP2017155699A (ja) * 2016-03-03 2017-09-07 株式会社クボタ 多目的車両
US9799218B1 (en) * 2016-05-09 2017-10-24 Robert Gordon Prediction for lane guidance assist
CN106985818A (zh) * 2017-04-14 2017-07-28 济南浪潮高新科技投资发展有限公司 一种基于云计算的机动车智能驾驶辅助系统
CN107985440A (zh) * 2017-12-26 2018-05-04 长沙智能驾驶研究院有限公司 智能车辆、智能半挂车的控制系统及其控制方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6327528B1 (en) * 2000-02-11 2001-12-04 International Truck Intellectual Property Company L.L.C. Method and apparatus for conditioning deployment of air bags on vehicle load
KR20140061019A (ko) * 2012-11-13 2014-05-21 현대중공업 주식회사 백호 로더의 제어 방법
CN104553797A (zh) * 2013-10-18 2015-04-29 宁夏先锋软件有限公司 一种危险品车辆速度监控系统
CN106515732A (zh) * 2015-09-10 2017-03-22 株式会社万都 驾驶辅助设备和驾驶辅助方法
CN107010063A (zh) * 2015-10-21 2017-08-04 福特全球技术公司 基于感知的速度限制估算和学习
CN106828490A (zh) * 2015-12-03 2017-06-13 成都九十度工业产品设计有限公司 一种汽车智能巡航控制方法
CN106205148A (zh) * 2016-09-21 2016-12-07 山西省交通科学研究院 一种危险货物罐车弯道安全车速获取方法及超速警示系统
CN108528432A (zh) * 2017-03-02 2018-09-14 比亚迪股份有限公司 车辆行驶自动控制方法和装置
CN207173306U (zh) * 2017-04-24 2018-04-03 深圳智慧车联科技有限公司 一种车辆限速系统及车辆
DE102017004844A1 (de) * 2017-05-19 2017-12-28 Daimler Ag Verfahren zur Bestimmung einer Geschwindigkeitsbegrenzung eines Nutzfahrzeuges
CN108805472A (zh) * 2018-09-18 2018-11-13 中国特种设备检测研究院 一种罐式集装箱的公路运输预警方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高速公路模糊神经网络限速控制与仿真研究;梁新荣 等;《公路交通科技》;20051115;第22卷(第11期);第123~125、129页 *

Also Published As

Publication number Publication date
CN109532831A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
CN109532831B (zh) 一种车辆速度控制方法及其相关装置
US20220222556A1 (en) Road traffic jam early warning method and system
CN109214107A (zh) 一种船舶航行行为在线预测方法
Quek et al. POP-TRAFFIC: A novel fuzzy neural approach to road traffic analysis and prediction
CN109799700B (zh) 一种基于模糊神经网络的危化品运输预警系统
CN106815971A (zh) 一种基于rbf神经网络的滑坡灾害预报方法
CN110494902A (zh) 用于管理地理位置中的交通的系统、设备和方法
CN104827963B (zh) 一种用于车辆防撞智能预警的方法、控制系统以及控制装置
CN102136190A (zh) 城市公交客运事件应急响应调度管理系统及方法
CN112083456B (zh) 一种货运状态识别方法、装置、设备及存储介质
CN105679031B (zh) 快速路养护施工区主动预警方法
Zarandi et al. Interval type-2 fuzzy expert system for prediction of carbon monoxide concentration in mega-cities
CN105261240B (zh) 一种基于聚类分析的扇区运行性能综合检测方法及系统
CN106503868A (zh) 一种车队线路规划方法及相关设备
CN102564546A (zh) 对车辆违法超载的检测方法及系统
CN205890699U (zh) 一种终端设备、服务器及状态监测系统
CN105225007A (zh) 一种基于gabp神经网络的扇区运行性能综合检测方法及系统
CN109754595A (zh) 车辆风险的评估方法、装置及接口设备
CN113742163A (zh) 一种故障预警方法、装置、设备及存储介质
Tang et al. Hybrid prediction approach based on weekly similarities of traffic flow for different temporal scales
CN104331746B (zh) 一种分离式的动态路径优化系统及其方法
Zeng et al. An LSTM-based driving operation suggestion method for riding comfort-oriented critical zone
CN115762169A (zh) 一种环卫车无人驾驶的智能控制系统及方法
CN115635961A (zh) 样本数据生成方法及应用其的轨迹预测方法、装置
Effati et al. A geospatial neuro-fuzzy approach for identification of hazardous zones in regional transportation corridors

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