CN109597404A - 压路机及其控制器、控制方法和系统 - Google Patents
压路机及其控制器、控制方法和系统 Download PDFInfo
- Publication number
- CN109597404A CN109597404A CN201710912867.8A CN201710912867A CN109597404A CN 109597404 A CN109597404 A CN 109597404A CN 201710912867 A CN201710912867 A CN 201710912867A CN 109597404 A CN109597404 A CN 109597404A
- Authority
- CN
- China
- Prior art keywords
- road roller
- information
- vehicle
- roller
- control
- 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 42
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 230000033001 locomotion Effects 0.000 claims abstract description 16
- 230000001953 sensory effect Effects 0.000 claims description 24
- 230000000007 visual effect Effects 0.000 claims description 24
- 230000004888 barrier function Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 239000000523 sample Substances 0.000 claims description 7
- 238000011282 treatment Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 5
- 208000010877 cognitive disease Diseases 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 238000007423 screening assay Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000010365 information processing Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000003044 adaptive effect Effects 0.000 abstract description 8
- 238000012360 testing method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 24
- 238000013528 artificial neural network Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 15
- 230000001105 regulatory effect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000010355 oscillation Effects 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 description 4
- 239000011707 mineral Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 125000000623 heterocyclic group Chemical group 0.000 description 1
- 230000001900 immune effect Effects 0.000 description 1
- 238000013532 laser treatment Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- VIKNJXKGJWUCNN-XGXHKTLJSA-N norethisterone Chemical compound O=C1CC[C@@H]2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 VIKNJXKGJWUCNN-XGXHKTLJSA-N 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种压路机及其控制器、控制方法和系统。该压路机控制方法包括:获取压路机的周围环境信息;确定与所述周围环境信息相对应的压路机工况;获取车辆姿态信息和车辆位置信息;根据周围环境信息、车辆姿态信息和车辆位置信息生成路径规划信息;根据路径规划信息和压路机内部的传感器信息,对压路机进行运动控制。本发明通过信号采集使用多传感器互补融合技术检测分析周围环境,提高了无人操控压路机的控制精度、自学习能力和自适应能力;并大大提高了无人操控压路机在各种工作状态下快速平稳起步转向精度和速度。
Description
技术领域
本发明涉及压路机领域,特别涉及一种压路机及其控制器、控制方法和系统。
背景技术
目前传统的压路机全依靠操作手进行施工,部分学校在实验室实现无人操控压路机仅仅是基于卫星在常规环境下进行控制,对于行走、起振、洒水、逼障、识别、跟踪、机群协同作业控制,采用了传统的PID调节和基于卫星定位的姿态信息,对跟踪机群协同作业没有任何调节全凭经验,对现实状态和施工场景没有采集识别反馈。
采用常规PID控制法对行走系统进行控制,PID控制器是应用十分广泛的一种调节器。控制系统都是由被控对象和传统PID控制器组成的,PID控制器是一种基于比例积分微分控制的线性控制器,通过偏差对系统的被控对象进行控制。
发明内容
鉴于以上技术问题,本发明提供了一种压路机及其控制器、控制方法和系统,提高了无人操控压路机的控制精度、自学习能力和自适应能力。
根据本发明的一个方面,提供一种压路机控制方法,包括:
获取压路机的周围环境信息;
确定与所述周围环境信息相对应的压路机工况;
获取车辆姿态信息和车辆位置信息;
根据周围环境信息、车辆姿态信息和车辆位置信息生成路径规划信息;
根据路径规划信息和压路机内部的传感器信息,对压路机进行运动控制。
在本发明的一个实施例中,所述获取压路机的周围环境信息包括:
使用感知系统来检测压路机的周围环境信息,其中所述感知系统包括超声波传感器、视觉传感器、姿态传感器、场景传感器、毫米波雷达、压力传感器、转速传感器、振动传感器、激光雷达、惯性导航系统、全球定位系统、红外传感器中的至少一项。
在本发明的一个实施例中,所述确定与所述周围环境信息相对应的压路机工况包括:
对所述周围环境信息进行处理;
对处理后的周围环境信息进行互补融合,并从融合后的周围环境信息中提取环境特征参数;
将环境特征参数进行分类筛选,通过一级融合处理确定特征环境方案;
将特征环境方案进入二级筛选分析,按照权重确定压路机所在区域的实际状况;
确定与所述实际状况相对应的压路机工况。
在本发明的一个实施例中,所述确定与所述实际状况相对应的压路机工况包括:
通过超深度学习结合人工智能确定与所述实际状况相对应的压路机工况。
在本发明的一个实施例中,所述对所述周围环境信息进行处理包括:
通过统计方法分析激光雷达数据;
通过特征信息提取和模式识别分析视觉信息。
在本发明的一个实施例中,所述确定压路机所在区域的实际状况包括:
通过数据信号分析雷达数据发现周围运动的物体;
结合视觉信息分析结果和雷达数据分析结果识别障碍物,并跟踪移动运动目标。
在本发明的一个实施例中,所述获取车辆姿态信息和车辆位置信息包括:
利用全球定位系统、惯性导航系统和车辆内部传感器中的至少一个来获取车辆姿态信息和车辆位置信息;
采用无迹卡尔曼滤波器跟踪车辆姿态信息和车辆位置信息。
在本发明的一个实施例中,所述根据周围环境信息、车辆姿态信息和车辆位置信息生成路径规划信息包括:
根据周围环境信息、车辆姿态信息和车辆位置信息确定压路机可行驶的道路范围;
根据施工或行驶速度、道路复杂程度生成平滑可行走路线;
根据静态障碍物、动态障碍物和道路实际状况形成路径规划信息。
在本发明的一个实施例中,所述根据路径规划信息和压路机内部的传感器信息,对压路机进行运动控制包括:
根据正反传递神经网络确定PID控制器的输入行走速度、转向角度和振动频率振动幅值;
根据路径规划信息和压路机内部的传感器信息,通过PID控制器实现对车辆速度、发动机转速、车辆方向的控制。
根据本发明的另一方面,提供一种压路机控制器,所述压路机控制器用于执行如上述任一实施例所述的方法步骤。
根据本发明的另一方面,提供一种压路机控制系统,包括感知系统和压路机控制器,其中:
感知系统,用于检测压路机的周围环境信息、车辆姿态信息和车辆位置信息,并将所述周围环境信息、车辆姿态信息和车辆位置信息发送给压路机控制器;
压路机控制器,为如上述任一实施例所述的压路机控制器。
在本发明的一个实施例中,所述压路机控制系统还包括执行装置,其中:
执行装置,用于根据压路机控制器的控制指令,实现对车辆速度、车辆方向、车辆驱动和车辆制动的控制。
在本发明的一个实施例中,所述执行装置包括转向油缸、速度控制模块、制动阀块和却动系统中的至少一项。
根据本发明的另一方面,提供一种压路机,包括如上述任一实施例所述的压路机控制器、和/或如上述任一实施例所述的压路机控制系统。
本发明通过信号采集使用多传感器互补融合技术检测分析周围环境,提高了无人操控压路机的控制精度、自学习能力和自适应能力;并大大提高了无人操控压路机在各种工作状态下快速平稳起步转向精度和速度。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明压路机控制系统一个实施例的示意图。
图2为本发明压路机控制系统另一实施例的示意图。
图3为本发明压路机控制方法一个实施例的示意图。
图4为本发明一个实施例中信息数据层融合原理示意图。
图5为本发明一个实施例中视觉信息识别的示意图。
图6为本发明一个实施例中信息特征层融合原理示意图。
图7为本发明一个实施例中信息决策层融合原理示意图
图8为本发明基于BP网络的PID控制系统的原理示意图。
图9为本发明基于BP网络的PID控制系统的结构原理示意图。
图10为本发明压路机控制方法另一实施例的示意图。
图11为本发明压路机控制系统又一实施例的示意图。
图12为本发明压路机控制系统再一实施例的示意图。
图13为本发明压路机控制器一个实施例的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1为本发明压路机控制系统一个实施例的示意图。如图1所示,所述压路机控制系统可以包括感知系统1和压路机控制器2,其中:
感知系统1和压路机控制器2连接。
感知系统1,用于检测压路机的周围环境信息、车辆姿态信息和车辆位置信息,并将所述周围环境信息、车辆姿态信息和车辆位置信息发送给压路机控制器2。
在本发明的一个实施例中,感知系统1可以包括超声波传感器、视觉传感器、姿态传感器、场景传感器、毫米波雷达、压力传感器、转速传感器、振动传感器、激光雷达、惯性导航系统(INS)、全球定位系统(GPS)、红外传感器中的至少一项。
压路机控制器2,用于根据所述周围环境信息、车辆姿态信息和车辆位置信息控制压路机自动行驶。
基于本发明上述实施例提供的压路机控制系统,信号采集使用多传感器互补融合技术检测分析周围环境,提高了无人操控压路机的控制精度、自学习能力和自适应能力;并大大提高了无人操控压路机在各种工作状态下快速平稳起步转向精度和速度。
图2为本发明压路机控制系统另一实施例的示意图。如图2所示,所述压路机控制系统还可以包括执行装置3,其中:
执行装置3和压路机控制器2连接,根据压路机控制器2的控制指令,实现对车辆速度、车辆方向、车辆驱动和车辆制动的控制。
在本发明的一个实施例中,如图2所示,所述执行装置3包括转向油缸、速度控制模块和制动阀块中的至少一项。
在本发明的一个实施例中,如图2所示,所述压路机控制系统还可以包括驱动系统4和发动机5,其中:
驱动系统4和压路机控制器2连接,驱动系统4和发动机5连接;驱动系统4和发动机5,用于根据压路机控制器2的指令,驱动压路机进行相应操作。
在本发明的一个实施例中,如图2所示,所述压路机控制系统还包括电源模块6和/或车载电器开关7,其中:
电源模块6与感知系统1和压路机控制器2连接;电源模块6,用于为感知系统1和压路机控制器2供电。
车载电器开关7与压路机控制器2连接;车载电器开关7,用于根据压路机控制器2的控制指令控制车载电器开关7。
在本发明的一个实施例中,所述压路机控制系统还可以包括预警系统,其中:
预警系统与压路机控制器2连接,预警系统根据压路机控制器2的指令,向外发出报警信号。
本发明上述实施例的压路机控制系统,信号采集使用多传感器互补融合技术检测分析周围环境,提高了无人操控压路机的控制精度、自学习能力和自适应能力;并大大提高了无人操控压路机在各种工作状态下快速平稳起步转向精度和速度。
下面通过具体实施例对上述实施例中压路机控制器2的结构和功能进行进一步说明。
在本发明的一个实施例中,如图2所示,压路机控制器2可以包括上位机21和下位机22,其中:
上位机21与下位机22连接,上位机21分别与视觉传感器、毫米波雷达、惯性导航系统和全球定位系统连接。
上位机21,用于将视觉传感器、毫米波雷达、惯性导航系统和全球定位系统的采集数据传递给下位机22。
下位机22分别与超声波雷达、激光雷达、执行装置3和驱动系统4连接。
下位机22,用于根据周围环境信息、车辆姿态信息和车辆位置信息控制执行装置3和驱动系统4进行相应操作,以便压路机自动行驶。
在本发明的一个实施例中,如图2所示,压路机控制器2还可以包括端子板23和电器控制板24,其中:
端子板23与下位机22、执行装置3和驱动系统4连接。
端子板23,用于实现下位机22、执行装置3和驱动系统4的通信连接,将下位机22的控制信号发送给执行装置3和驱动系统4。
电器控制板24与端子板23和车载电器开关7连接。
电器控制板24和端子板23,用于将下位机22的控制指令发送给车载电器开关7。
本发明上述实施例中压路机控制器2可以通过执行本发明的压路机控制方法,实现压路机的自动行驶。
下面通过具体实施例对本发明压路机控制方法进行具体说明。
图3为本发明压路机控制方法一个实施例的示意图。优选的,本实施例可由本发明压路机控制器执行。如图3所示,所述方法可以包括:
步骤31,获取压路机的周围环境信息。
在本发明的一个实施例中,步骤31可以包括:使用感知系统1来检测压路机的周围环境信息,其中所述感知系统1包括超声波传感器、视觉传感器、姿态传感器、场景传感器、毫米波雷达、压力传感器、转速传感器、振动传感器、激光雷达、惯性导航系统、全球定位系统、红外传感器中的至少一项。
步骤32,确定与所述周围环境信息相对应的压路机工况。
在本发明的一个实施例中,步骤32可以包括:
步骤321,对所述周围环境信息进行处理。
图4为本发明信息数据层融合原理示意图。在图4实施例中,步骤321可以包括:感知系统对各个传感器采集的周围环境信息进行预处理,之后将预处理后的周围环境信息发送给压路机控制器进行融合处理。图4实施例中,压路机控制器还融合了电平转换模块转换来的开关信号、与电台的交互控制信号、与车载显示器的交互控制信号、遥控控制信号、视觉识别控制信号、以及高精度定位信号等数据,其中,压路机控制器通过RS232接口获取高精度定位信号。
在本发明的一个实施例中,步骤321可以包括:
步骤3211,建立自适应网络,通过统计方法分析激光雷达数据。
步骤3212,通过特征信息提取和模式识别分析视觉信息。
图5为本发明视觉信息识别的示意图。在图5实施例中,步骤3212具体可以包括:对道路信息进行视觉识别的具体过程,首先采集视觉图像,之后进行二值化处理,然后提取特征信息,并确定道路和路边障碍物信息。
步骤322,如图6的本发明信息特征层融合原理示意图所示,对处理后的周围环境信息进行互补融合,并从融合后的周围环境信息中提取环境特征参数;将环境特征参数进行分类筛选,通过一级融合处理确定特征环境方案。
步骤323,如图7的本发明信息决策层融合原理示意图所示,将特征环境方案进入二级筛选分析,按照权重确定压路机所在区域的实际状况。
在本发明的一个实施例中,步骤323中确定压路机所在区域的实际状况的步骤可以包括:通过数据信号分析雷达数据发现周围运动的物体;结合视觉信息分析结果和雷达数据分析结果识别障碍物,并跟踪移动运动目标。
步骤324,确定与所述实际状况相对应的压路机工况。
在本发明的一个实施例中,步骤324可以包括:通过超深度学习结合人工智能确定与所述实际状况相对应的压路机工况。
本发明上述实施例将超深度学习结合人工智能引入到决策模块算法中实现复杂环境的控制决策,通过建立学习库文件将施工场景进行学习、对工地施工设备进行学习、对施工方式进行学习、对标志物指示进行学习等,通过学习在进入复杂工地可进行判断决策,通过结合人工智能和部分认为条件介入将正确的决策结果再次纳入学习库,使得设备智能化越来越强。
步骤33,获取车辆姿态信息和车辆位置信息。
在本发明的一个实施例中,步骤33可以包括:
步骤331,利用全球定位系统、惯性导航系统和车辆内部传感器中的至少一个来获取车辆姿态信息和车辆位置信息。
步骤332,采用无迹卡尔曼(Unscented Kalman)滤波器跟踪车辆姿态信息和车辆位置信息。
步骤34,根据周围环境信息、车辆姿态信息和车辆位置信息生成路径规划信息。
在本发明的一个实施例中,步骤34可以包括:
步骤341,根据周围环境信息、车辆姿态信息和车辆位置信息确定压路机可行驶的道路范围。
在本发明的一个具体实施例中,步骤341具体可以包括:
步骤3411,综合以上结果(周围环境信息、车辆姿态信息和车辆位置信息)识别障碍物(正障碍物(石块、路障、台阶、土堆等),负障碍物(沟壑、水坑等)),跟踪移动运动目标(机械、行人等)。
步骤3412,激光雷达、姿态传感器、场景传感器等分别感知工程机械车辆姿态和外部环境。根据不同传感的特点,利用激光雷达传感器主要获得20m以内的高程信息、视觉传感器获取50m以内的环境信息;通过GPS/INS/工程机械车辆内部传感器获取行车的姿态、位置信息。
步骤3413,根据感知结果分别建立以压路机行驶车辆为中心形成激光雷达局部地图、视觉光学局部地图、雷达感知局部地图。并实现GPS信息、GIS已知道路信息、航拍规划信息、工程机械位置和姿态信息的叠加。提供一种直观了解行车环境各种信息处理结果的实时二维、离线三维的综合地图信息。
步骤3414,根据局部地图层所获取的信息,在通过车辆感知信息可得知压路机可行驶的道路范围
步骤342,根据施工或行驶速度、道路复杂程度生成平滑可行走路线。
步骤343,根据静态障碍物、动态障碍物和道路实际状况形成路径规划信息。
步骤35,根据路径规划信息和压路机内部的各种传感器信息,生成对车辆速度、发动机转速、方向的控制命令,以便对压路机进行运动控制。
在本发明的一个实施例中,步骤35可以包括:
步骤351,根据正反传递神经网络确定PID控制器的输入行走速度、转向角度和振动频率振动幅值。
步骤352,根据路径规划信息和压路机内部的传感器信息,通过PID控制器实现对车辆速度、发动机转速、车辆方向的控制。
本发明上述实施例还将视觉识别与激光雷达和高精度定位融合处理,使压路机在各种复杂状态下都可以实现自身姿态信息。
本发明上述实施例采用BP神经网络结构和感知姿态信息融合处理不仅可以解决复杂环境下压路机姿态问题,并可以提高学习速率、减少系统震荡,还可实现常规PID控制器和神经网络的本质结合。
本发明上述实施例可以保持工程机械车辆按照平稳给定的速度运行,实现无人自主驾驶。本发明上述实施例可以实现内部人员和远程无人驾驶控制系统,可以在任何时候接管自动驾驶的车辆,保证车辆人员安全。本发明上述实施例可以实现各个子系统间的实时高速通讯(Inter-Process Communicatior)、数据和命令实时记录(log)、离线仿真调试环境(offline replay and debug)、系统状态检测系统等各种辅助功能。本发明上述实施例的方法使得无人操控压路机复合模糊控制的精度和智能性得到了显著提高。
申请人发现:传统的压路机全依靠操作手进行施工,部分学校在实验室实现无人操控压路机仅仅是基于卫星在常规环境下进行控制,对于行走、起振、洒水、逼障、识别、跟踪、机群协同作业控制,采用了传统的PID调节和基于卫星定位的姿态信息,对跟踪机群协同作业没有任何调节全凭经验,对现实状态和施工场景没有采集识别反馈。
本发明上述实施例是对无人操控压路机复杂环境智能工矿识别、工矿智能决策、启停转向控制快速响应,使用以超声波传感器、毫米波雷达、压力传感器、转速传感器、振动传感器、激光雷达、双GPS高精度定位、高清摄像头、红外传感器为主的感知系统来检测周围环境信息,将检测的信息通过数据层、特征层、决策层分析确定最终执行数据,按照各自的信息权重调节进行数据分析,为保证对压路机前进后退、压路机转向、震动、转向、换道、无卫星信号情况下进行协调平稳控制。
因此,首先要保证设置调整的合理和无卫星信号下的位置确定,即,整定的好坏直接决定了无人操控压路机控制效果的好坏。
然而,传统参数整定法大都是建立在被控对象的精确数学模型上,并根据某种整定原则来确定PID控制参数的,传统的位置信息确定是通过卫星定位。因此对于无人操控压路机施工环境复杂、卫星信号受干扰严重、行走的时变、非线性、变参数等不确定的系统,以及难以建立准确数学模型的复杂控制系统,当采用常规PID控制器时控制效果难以令人满意,常规的卫星定位很难满足无卫星信号下的姿态信息确定。
PID控制器是一种基于比例积分微分控制的线性控制器,通过偏差对系统的被控对象进行控制。
图8为本发明基于BP网络的PID控制系统的原理示意图。如图8所示,PID控制系统的偏差信号e(t)是系统的给定输入值x(t)与实际输出值y(t)之间的差值,即:e(t)=x(t)-y(t),u(t)为控制器的输出量。
其中PID控制规律为:控制量是由偏差的比例、积分和微分经线性组合而得到,来控制被控对象。即
其传递函数如公式(2)所示:
公式(2)中,Kp为比例系数,Ti为积分时间常数,Td为微分时间常数。
传统的PID控制器控制压路机行走工作,它具有控制方法简单、适应能力强、可靠性高等优点,使其在各控制系统中有着广泛的应用。在PID控制中三个参数(Kp比例系数,Ti积分时间常数,Td微分时间常数)的整定是其核心内容,但是在实际整定参数的过程中,控制系统的快速性和平稳性、动态性能和稳态精度很难同时达到最佳,压路机系统的控制效果也不理想。
尤其是对于那些时变的、非线性的复杂控制对象,在某一时刻通过参数整定系统可以很好的运行,但是当工作环境发生变化或是有外界干扰时,相应的控制参数也得相应的进行调整。但这些控制参数大都是通过凑试法或相关公式推出来的,因此这些参数只适合在某些特定条件下才能达到比较理想的控制效果。传统PID控制器存在抗干扰能力差和参数整定困难等缺陷,导致无人操控压路机过程中出现行走控制效率低、可控性差、稳定性差、燃油经济性差、油耗高等缺点。
为克服PID控制器的这些缺陷,以压路机控制可靠性能、稳定性能以及对复杂环境的适应能力,本发明上述实施例的无人操控压路机复杂环境模糊控制将常规的PID控制器与神经网络技术相结合,神经网络具有可以逼近任意非线性函数的能力,并可通过控制系统的自学习能力来实现PID控制参数的最佳组合。
本发明上述实施例为无人操控压路机设计了复杂环境基于视觉识别/惯性导航/结合正反传递神经网络的决策系统。本发明上述实施例的视觉识别是采用超深度工况识别结合惯性导航确定压路机局域姿态信息,通过卫星高精度定位确定全局位置信息,通过全局结合局域有效地解决了在卫星信号受干扰情况下出现的姿态位置无法确定现象;本发明上述实施例通过正反传递神经网络的算法是基于误差反向传播原理的正反传递神经网络算法,通过对权值误差的修正,与目标值尽可能接近,其过程通过数据信息正向传播阶段和误差反向修正进行完成。
图9为本发明基于BP网络的PID控制系统的结构原理示意图。如图9所示,无卫星信号通过局域信息模糊处理的正向数据递送算法为:
网络输入层的输出如公式(3)所示:
网络隐含层的输入输出如公式(4)所示:
公式(4)式中,为隐含层的加权系数,f(·)为激发函数。
隐含层神经元的活化函数取正负对称的Sigmoid函数,如公式(5)所示:
神经网络输出层的输入输出如公式(6)所示:
其中,为输出层加权系数,g[·]为激活函数,输出层的三个输出节点分别是三个可调参数Kp、Ki、Kd,由于这三个参数只能为正值,所以输出层的活化函数取非负Sigmoid函数,如公式(7)所示:
性能指标函数如公式(8)所示:
通过该函数快速计算出按照目前压路机状态和卫星信号不稳的时刻,确定此时的压路机姿态信息。
仅通过正向开环计算难免出现误差,为保证姿态信息的准确性,上述提出的正反传递算法,下面通过反向传递算法进行姿态信息确定。
通过网络的权系数根据梯度下降法的原则进行修正,即按照E(k)对权系数的负梯度方向进行搜索调整,并附加一个使搜索快速收敛全局极小的惯性项,如公式(9)所示:
公式(9)中:η——网路的学习速率,a——惯性系数。
由于是未知的,所以用近似的符号函数来取代,通过调整学习速率η来补偿由此产生的误差,如公式(10)所示。
由此可得神经网络输出层的权系数,如公式(11)所示:
同理可得隐含层网络权系数,如公式(12)所示:
公式(11)和(12)中,g/(·)=g(x)[1-g(x)],f/(·)=[1-f2(x)]/2
确定正反传递网络的结构,即首先确定神经网络各层节点的数目(输入层节点m、隐含层节点q),并给权系数赋初始值和选取η(学习速率)和a(惯性系数),取k=1。
对传感器信息进行采样得rin(k)、yout(k),并计算此时的误差得e(k)=rin(k)-yout(k)。计算神经网络各层神经元的输入值和输出值,其中神经网络输出值为PID控制器的三个参数(Kp、Ki、Kd)。计算PID控制器的输出值u(k)。在线调整神经网络各层神经元的权系数和实现控制参数的调整。
本发明上述实施例针对在动作执行方面常规PID控制在无人操控压路机复杂环境智能识别跟踪模糊控制系统中行走振动转向存在参数整定困难、响应速度慢、启停平稳性性差、调节时间长、受碾压地质影响大、超调量大以及抗干扰能力差的问题,提出了将采用多传感器信息融合并将BP神经网络算法引入到常规PID控制器中。
由此本发明上述实施例可以通过对传感器检测的场景图片信息、行走转速、位置姿态信息、路况信息、障碍物形状信息、障碍物距离信息等多参数组成信息神经网络,通过神经网络的自学习能力和逼近任意函数的能力,实现在线调整PID的控制参数,使神经网络的输出对应于某种最优控制规律下的PID控制参数,并将其作为常规PID控制器的输入行走速度、转向角度和振动频率振动幅值。
基于本发明上述实施例的方法设计了基于正反传递网络的PID控制器实现无人操控压路机在各种工作状态下快速平稳起步转向并达到准确目标速度;利用实验对正反传递网络PID控制和常规PID控制进行比较,结果表明无人操控压路机在基于正反传递网络的PID控制器模块装置的控制精度、自学习和自适应能力,以及抗干扰能力和系统的鲁棒性能都有了显著的提高,大大提高了无人操控压路机在各种工作状态下快速平稳起步转向精度和速度,提高了无人操控压路机的智能化。
图10为本发明压路机控制方法另一实施例的示意图。优选的,本实施例可由本发明压路机控制器执行。如图10所示,所述方法可以包括:
步骤1-2,对于导航中的压路机,启动压路机的相关设备。
步骤3,启动车载电器。
步骤4,根据用户的输入,选择启动模式。其中,启动模式包括辅助模式、自动模式和手动模式。
步骤5,在用户选择辅助模式和自动模式的情况下,启动上、下位机。
步骤6,检测车载传感器状态。
步骤7,判断车载传感器状态是否正常。若车载传感器状态正常,则执行步骤8;否则,若车载传感器状态不正常,则执行步骤6。
步骤8,启动感知系统(环境检测系统)获取压路机的周围环境信息、车辆姿态信息和车辆位置信息。
步骤9,判断是否可以进行自动行驶。若可以进行自动行驶,则执行步骤11;否则,若不可以进行自动行驶,则执行步骤10。
步骤10,启动预警系统;之后执行步骤13。
步骤11,进行运动导航规划决策。
步骤12,进行运动控制,其中所述运动控制可以包括方向控制、加速控制和制动控制中的至少一项。
步骤13,判断压路机是否到达行程终点。若压路机到达行程终点,则介绍;若压路机未到达行程终点,则执行步骤10和步骤11。
针对在动作执行方面常规PID控制在无人操控压路机复杂环境智能识别跟踪模糊控制系统中行走振动转向存在参数整定困难、响应速度慢、启停平稳性性差、调节时间长、受碾压地质影响大、超调量大以及抗干扰能力差的问题,本发明上述实施例提出了将采用多传感器信息融合并将BP神经网络算法引入到常规PID控制器中,通过对传感器检测的场景图片信息、行走转速、位置姿态信息、路况信息、障碍物形状信息、障碍物距离信息等多参数组成信息神经网络,通过神经网络的自学习能力和逼近任意函数的能力,实现在线调整PID的控制参数,使神经网络的输出对应于某种最优控制规律下的PID控制参数,并将其作为常规PID控制器的输入行走速度、转向角度和振动频率振动幅值。
本发明上述实施例基于此方法设计了基于正反传递网络的PID控制器实现无人操控压路机在各种工作状态下快速平稳起步转向并达到准确目标速度;本发明上述实施例利用实验对正反传递网络PID控制和常规PID控制进行比较,结果表明无人操控压路机在基于正反传递网络的PID控制器模块装置的控制精度、自学习和自适应能力,以及抗干扰能力和系统的鲁棒性能都有了显著的提高,从而大大提高了无人操控压路机在各种工作状态下快速平稳起步转向精度和速度,提高了无人操控压路机的智能化。
图11为本发明压路机控制系统又一实施例的示意图。如图11所示,所述压路机控制系统包括感知系统和压路机控制器,其中,所述感知系统包括外部控制器、车身控制器和位置姿态传感器,而压路机控制器包括控制决策模块、车辆控制模块和数据处理模块,其中:
数据处理模块用于对外部传感器采集的周围环境信息进行处理,所述处理包括千兆相机处理、普通相机处理、SICK处理和3D激光处理。
控制决策模块(位置姿态感知系统控制决策模块),用于根据外部控制器、车身控制器和位置姿态传感器采集的周围环境信息、车辆姿态信息和车辆位置信息生成路径规划信息。
车辆控制模块,用于根据路径规划信息和压路机内部的各种传感器信息,生成对车辆速度、发动机转速、方向的控制命令,以便对压路机进行运动控制。
在本发明的一个实施例中,本发明压路机控制器可以采用STC15F2K60S2为主控运算芯片。
本发明上述实施例可以包括专用控制器、激光雷达、视觉采集模块、差分基站、双GPS、惯性导航、驱动模块、PID智能调节模块、决策模块、多传感器采集模块等组成部分。本发明上述实施例的无人操控压路机复杂环境智能识别跟踪控制方法的设计中,信号采集使用多传感器互补融合技术检测分析周围环境,本发明上述实施例采用将BP神经网络算法引入到常规PID控制中实现压路机前进后退行走控制和转向振动控制。本发明上述实施例将超深度学习结合人工智能引入到决策模块算法中实现复杂环境的控制决策,使用以超声波传感器、毫米波雷达、压力传感器、转速传感器、振动传感器、激光雷达、双GPS高精度定位、高清摄像头、红外传感器为主的感知系统来检测周围环境信息,实现了无人操控压路机复杂环境智能识别跟踪模糊控制功能。
图12为本发明压路机控制系统再一实施例的示意图。如图12所示,所述压路机控制系统包括感知系统和压路机控制器,其中,所述感知系统包括相机、惯性导航系统、全球定位系统、超声波传感器、毫米波雷达和激光利达等感知设备;而压路机控制器包括第一工控机、第二工控机和车辆控制模块,其中:
第一工控机与第二工控机连接,第一工控机分别与视觉传感器、惯性导航系统和全球定位系统连接。
第一工控机,用于将视觉传感器、惯性导航系统和全球定位系统的采集数据传递给第二工控机。
第二工控机分别与超声波雷达、毫米波雷达、激光雷达和车辆控制模块连接。
第二工控机,用于根据视觉传感器、惯性导航系统、全球定位系统、超声波雷达、毫米波雷达和激光雷达采集的周围环境信息、车辆姿态信息和车辆位置信息生成路径规划信息。
车辆控制模块,用于根据路径规划信息和压路机内部的各种传感器信息,生成对车辆速度、发动机转速、方向的控制命令,以便对压路机进行运动控制;并实现驱动、制动、起振和停振等功能。
本发明上述实施例的无人操控压路机可以实现复杂环境智能工矿识别、工矿智能决策、启停转向控制快速响应,本发明上述实施例采用以超声波传感器、毫米波雷达、激光雷达、高清摄像头组成局域传感网,在双GPS高精度定位为全局姿态卫星确定装置,通过全局位置确定结合局域传感网,解决了复杂状态下的无人操控姿态信息确定。本发明上述实施例采用正反传递网络算法可以精确计算出在卫星受干扰或没有卫星信号情况下的位置姿态计算的准确性,将检测的信息通过数据层、特征层、决策层分析确定最终执行数据,正反传递网络算法按照各自的信息权重调节进行数据分析,由此可以保证对压路机前进后退、压路机转向、震动、转向、换道等在无卫星信号情况下进行协调平稳控制。
图13为本发明压路机控制器一个实施例的示意图。如图13所示,所述压路机控制器可以包括应用模块、支撑模块和驱动模块,其中:
应用模块包括感知单元、认知单元和行为单元,其中:
感知单元,用于进行图像预处理、雷达数据预处理、GPS数据预处理等操作。
认知单元,用于进行信息融合、道路要素融合;与泊车记忆棒(存储器)、危险物场景记忆棒和路口记忆棒进行比对;进行路径导航和人工干预;做出决策,生成路径规划信息。
行为单元,用于进行驱动和制动控制、起振和停振控制、转向控制等其它控制。
支撑模块,用于实现虚拟交换、日志管理、进程监控、交互调试等支撑功能。
驱动模块包括雷达类传感器驱动模块、图像类传感器驱动模块和GPS类传感器驱动模块,其中:
雷达类传感器驱动模块,用于驱动激光雷达、毫米波雷达、超声波雷达和红外雷达。
图像类传感器驱动模块,用于驱动单目相机和双目相机。
GPS类传感器驱动模块,用于驱动GPS IMU(惯性测量单元)和BDS(BeiDouNavigation Satellite System,中国北斗卫星导航系统)IMU。
本发明上述实施例可以通过摄像头、雷达等传感器采集前方道路图像,判断行车方向上的障碍物等,并实时的将上述障碍信息传输给决策控制单元,以调用或控制车辆的动态运动关系等。本发明上述实施例将视觉部分的信息与GPS数据、地图数据、车辆运行状态数据等相关信息,通过一定的算法和控制策略,协调车辆的运行状态,实现对车辆行驶位置及状态准确监测,并能根据路径规划,实现特种作业车辆最优作业路径规划功能。本发明上述实施例的车辆动态控制部分主要根据路径规划与决策控制部分的控制指令,实现对车辆运行状态的实时控制,其主要实现理想路径保持功能、自动转向功能、自动避撞功能、自动紧急制动功能、自动启停功能等各种功能。本发明上述实施例使得无人操控压路机的精度、智能性、无人化、安全性等得到了显著提高。
根据本发明的另一方面,提供一种压路机,包括如上述任一实施例所述的压路机控制器、和/或如上述任一实施例所述的压路机控制系统。
基于本发明上述实施例提供的无人操控压路机,设计了复杂环境基于视觉识别/惯性导航/结合正反传递神经网络的决策系统,视觉识别是采用超深度工况识别结合惯性导航确定压路机局域姿态信息,通过卫星高精度定位确定全局位置信息,通过全局结合局域有效地解决了在卫星信号受干扰情况下出现的姿态位置无法确定现象;通过正反传递神经网络的算法是基于误差反向传播原理的正反传递神经网络算法,通过对权值误差的修正,与目标值尽可能接近,以及自学习能力、加权系数自调整能力来修正控制器的参数,最终达到一定状态下的最优组合,使无人操控压路机可以快速确定姿态信息。
在上面所描述的压路机控制器可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
至此,已经详细描述了本发明。为了避免遮蔽本发明的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (14)
1.一种压路机控制方法,其特征在于,包括:
获取压路机的周围环境信息;
确定与所述周围环境信息相对应的压路机工况;
获取车辆姿态信息和车辆位置信息;
根据周围环境信息、车辆姿态信息和车辆位置信息生成路径规划信息;
根据路径规划信息和压路机内部的传感器信息,对压路机进行运动控制。
2.根据权利要求1所述的压路机控制方法,其特征在于,所述获取压路机的周围环境信息包括:
使用感知系统来检测压路机的周围环境信息,其中所述感知系统包括超声波传感器、视觉传感器、姿态传感器、场景传感器、毫米波雷达、压力传感器、转速传感器、振动传感器、激光雷达、惯性导航系统、全球定位系统、红外传感器中的至少一项。
3.根据权利要求1或2所述的压路机控制方法,其特征在于,所述确定与所述周围环境信息相对应的压路机工况包括:
对所述周围环境信息进行处理;
对处理后的周围环境信息进行互补融合,并从融合后的周围环境信息中提取环境特征参数;
将环境特征参数进行分类筛选,通过一级融合处理确定特征环境方案;
将特征环境方案进入二级筛选分析,按照权重确定压路机所在区域的实际状况;
确定与所述实际状况相对应的压路机工况。
4.根据权利要求3所述的压路机控制方法,其特征在于,所述确定与所述实际状况相对应的压路机工况包括:
通过超深度学习结合人工智能确定与所述实际状况相对应的压路机工况。
5.根据权利要求3所述的压路机控制方法,其特征在于,所述对所述周围环境信息进行处理包括:
通过统计方法分析激光雷达数据;
通过特征信息提取和模式识别分析视觉信息。
6.根据权利要求3所述的压路机控制方法,其特征在于,所述确定压路机所在区域的实际状况包括:
通过数据信号分析雷达数据发现周围运动的物体;
结合视觉信息分析结果和雷达数据分析结果识别障碍物,并跟踪移动运动目标。
7.根据权利要求1或2所述的压路机控制方法,其特征在于,所述获取车辆姿态信息和车辆位置信息包括:
利用全球定位系统、惯性导航系统和车辆内部传感器中的至少一个来获取车辆姿态信息和车辆位置信息;
采用无迹卡尔曼滤波器跟踪车辆姿态信息和车辆位置信息。
8.根据权利要求1或2所述的压路机控制方法,其特征在于,所述根据周围环境信息、车辆姿态信息和车辆位置信息生成路径规划信息包括:
根据周围环境信息、车辆姿态信息和车辆位置信息确定压路机可行驶的道路范围;
根据施工或行驶速度、道路复杂程度生成平滑可行走路线;
根据静态障碍物、动态障碍物和道路实际状况形成路径规划信息。
9.根据权利要求1或2所述的压路机控制方法,其特征在于,所述根据路径规划信息和压路机内部的传感器信息,对压路机进行运动控制包括:
根据正反传递神经网络确定PID控制器的输入行走速度、转向角度和振动频率振动幅值;
根据路径规划信息和压路机内部的传感器信息,通过PID控制器实现对车辆速度、发动机转速、车辆方向的控制。
10.一种压路机控制器,其特征在于,所述压路机控制器用于执行权利要求1-9中任一项所述的方法步骤。
11.一种压路机控制系统,其特征在于,包括感知系统和压路机控制器,其中:
感知系统,用于检测压路机的周围环境信息、车辆姿态信息和车辆位置信息,并将所述周围环境信息、车辆姿态信息和车辆位置信息发送给压路机控制器;
压路机控制器,为权利要求10所述的压路机控制器。
12.根据权利要求11所述的压路机控制系统,其特征在于,还包括执行装置,其中:
执行装置,用于根据压路机控制器的控制指令,实现对车辆速度、车辆方向、车辆驱动和车辆制动的控制。
13.根据权利要求12所述的压路机控制系统,其特征在于,
所述执行装置包括转向油缸、速度控制模块、制动阀块和却动系统中的至少一项。
14.一种压路机,其特征在于,包括如权利要求10所述的压路机控制器、和/或如权利要求1-9中任一项所述的压路机控制系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710912867.8A CN109597404A (zh) | 2017-09-30 | 2017-09-30 | 压路机及其控制器、控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710912867.8A CN109597404A (zh) | 2017-09-30 | 2017-09-30 | 压路机及其控制器、控制方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109597404A true CN109597404A (zh) | 2019-04-09 |
Family
ID=65955478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710912867.8A Pending CN109597404A (zh) | 2017-09-30 | 2017-09-30 | 压路机及其控制器、控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109597404A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110258260A (zh) * | 2019-06-19 | 2019-09-20 | 四川川交路桥有限责任公司 | 无卫星信号的隧道内无人驾驶压路机碾压系统 |
CN110254424A (zh) * | 2019-07-01 | 2019-09-20 | 江苏东交工程检测股份有限公司 | 行驶矫正方法、装置、控制器及存储介质 |
CN110658816A (zh) * | 2019-09-27 | 2020-01-07 | 东南大学 | 一种基于智能组件的移动机器人导航与控制方法 |
CN111236010A (zh) * | 2020-01-17 | 2020-06-05 | 三一汽车制造有限公司 | 无人驾驶压路机群的运行控制方法和系统 |
CN111236017A (zh) * | 2020-01-14 | 2020-06-05 | 三一汽车制造有限公司 | 摊铺机的自动行驶控制方法、控制系统和摊铺机 |
CN111445170A (zh) * | 2020-04-30 | 2020-07-24 | 天津大学 | 一种无人碾压机群自主作业系统及方法 |
CN111638710A (zh) * | 2020-05-19 | 2020-09-08 | 三一汽车制造有限公司 | 无人化多路面设备的协同作业方法和控制系统 |
CN112572470A (zh) * | 2020-12-07 | 2021-03-30 | 清华大学 | 施工机械设备自动驾驶方法及装置 |
CN113470008A (zh) * | 2021-07-26 | 2021-10-01 | 南通市江海公路工程有限公司 | 一种智能监控沥青路面施工质量的方法及系统 |
CN113884026A (zh) * | 2021-09-30 | 2022-01-04 | 天津大学 | 一种动态环境下无人碾压模型预测轮廓控制方法 |
CN114197275A (zh) * | 2022-01-21 | 2022-03-18 | 山推工程机械股份有限公司 | 一种压路机的控制系统及方法 |
CN114371706A (zh) * | 2021-12-31 | 2022-04-19 | 江苏徐工工程机械研究院有限公司 | 一种压路机控制系统及控制方法 |
CN115341765A (zh) * | 2021-05-14 | 2022-11-15 | 广东博智林机器人有限公司 | 一种整平装置、整平机器人和整平装置的施工方法 |
CN115755919A (zh) * | 2022-11-29 | 2023-03-07 | 淮阴工学院 | 一种化工巡检车轨迹跟踪方法及系统 |
CN115903836A (zh) * | 2022-12-15 | 2023-04-04 | 徐工集团工程机械股份有限公司道路机械分公司 | 一种道路环境下无人操控振动压路机碾压行为决策系统 |
CN116224837A (zh) * | 2023-05-06 | 2023-06-06 | 湖南致同工程科技有限公司 | 一种可抗通信延迟的多无人压路车协同控制仿真系统及方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100223008A1 (en) * | 2007-03-21 | 2010-09-02 | Matthew Dunbabin | Method for planning and executing obstacle-free paths for rotating excavation machinery |
CN102034212A (zh) * | 2010-06-21 | 2011-04-27 | 艾浩军 | 一种基于视频分析的城市管理系统 |
CN103048996A (zh) * | 2012-12-27 | 2013-04-17 | 深圳先进技术研究院 | 基于激光扫描测距仪的自动引导车、系统及导航方法 |
CN103256939A (zh) * | 2013-04-15 | 2013-08-21 | 李德毅 | 智能车辆利用变粒度路权雷达图进行信息融合的方法 |
CN103576154A (zh) * | 2012-08-01 | 2014-02-12 | 通用汽车环球科技运作有限责任公司 | 使用雷达和摄像机的障碍物探测的融合 |
CN104914865A (zh) * | 2015-05-29 | 2015-09-16 | 国网山东省电力公司电力科学研究院 | 变电站巡检机器人定位导航系统及方法 |
CN204845800U (zh) * | 2015-08-04 | 2015-12-09 | 内蒙古麦酷智能车技术有限公司 | 一种无人驾驶汽车 |
CN105137997A (zh) * | 2015-09-22 | 2015-12-09 | 清华大学 | 水利施工振动碾压机自动驾驶系统与方法 |
CN105260747A (zh) * | 2015-09-30 | 2016-01-20 | 广东工业大学 | 基于衣物共现信息与多任务学习的衣物识别方法 |
CN105759715A (zh) * | 2016-02-23 | 2016-07-13 | 柳州职业技术学院 | 智能自整定注塑机控制方法 |
CN106020205A (zh) * | 2016-07-22 | 2016-10-12 | 百度在线网络技术(北京)有限公司 | 一种无人车系统节能控制方法和装置 |
CN106702937A (zh) * | 2017-03-07 | 2017-05-24 | 浙江工业大学 | 一种自动清扫的清洁车及其自动驾驶方法 |
KR20170068937A (ko) * | 2015-12-10 | 2017-06-20 | 현대모비스 주식회사 | 터널 조명을 이용한 자율주행 차량 항법 시스템 |
WO2017148222A1 (zh) * | 2016-02-29 | 2017-09-08 | 青岛科技大学 | 多传感器信息采集导航系统及方法 |
CN107168324A (zh) * | 2017-06-08 | 2017-09-15 | 中国矿业大学 | 一种基于anfis模糊神经网络的机器人路径规划方法 |
CN107161141A (zh) * | 2017-03-08 | 2017-09-15 | 深圳市速腾聚创科技有限公司 | 无人驾驶汽车系统及汽车 |
CN207198663U (zh) * | 2017-09-30 | 2018-04-06 | 徐工集团工程机械股份有限公司 | 压路机及压路机控制系统 |
-
2017
- 2017-09-30 CN CN201710912867.8A patent/CN109597404A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100223008A1 (en) * | 2007-03-21 | 2010-09-02 | Matthew Dunbabin | Method for planning and executing obstacle-free paths for rotating excavation machinery |
CN102034212A (zh) * | 2010-06-21 | 2011-04-27 | 艾浩军 | 一种基于视频分析的城市管理系统 |
CN103576154A (zh) * | 2012-08-01 | 2014-02-12 | 通用汽车环球科技运作有限责任公司 | 使用雷达和摄像机的障碍物探测的融合 |
CN103048996A (zh) * | 2012-12-27 | 2013-04-17 | 深圳先进技术研究院 | 基于激光扫描测距仪的自动引导车、系统及导航方法 |
CN103256939A (zh) * | 2013-04-15 | 2013-08-21 | 李德毅 | 智能车辆利用变粒度路权雷达图进行信息融合的方法 |
CN104914865A (zh) * | 2015-05-29 | 2015-09-16 | 国网山东省电力公司电力科学研究院 | 变电站巡检机器人定位导航系统及方法 |
CN204845800U (zh) * | 2015-08-04 | 2015-12-09 | 内蒙古麦酷智能车技术有限公司 | 一种无人驾驶汽车 |
CN105137997A (zh) * | 2015-09-22 | 2015-12-09 | 清华大学 | 水利施工振动碾压机自动驾驶系统与方法 |
CN105260747A (zh) * | 2015-09-30 | 2016-01-20 | 广东工业大学 | 基于衣物共现信息与多任务学习的衣物识别方法 |
KR20170068937A (ko) * | 2015-12-10 | 2017-06-20 | 현대모비스 주식회사 | 터널 조명을 이용한 자율주행 차량 항법 시스템 |
CN105759715A (zh) * | 2016-02-23 | 2016-07-13 | 柳州职业技术学院 | 智能自整定注塑机控制方法 |
WO2017148222A1 (zh) * | 2016-02-29 | 2017-09-08 | 青岛科技大学 | 多传感器信息采集导航系统及方法 |
CN106020205A (zh) * | 2016-07-22 | 2016-10-12 | 百度在线网络技术(北京)有限公司 | 一种无人车系统节能控制方法和装置 |
CN106702937A (zh) * | 2017-03-07 | 2017-05-24 | 浙江工业大学 | 一种自动清扫的清洁车及其自动驾驶方法 |
CN107161141A (zh) * | 2017-03-08 | 2017-09-15 | 深圳市速腾聚创科技有限公司 | 无人驾驶汽车系统及汽车 |
CN107168324A (zh) * | 2017-06-08 | 2017-09-15 | 中国矿业大学 | 一种基于anfis模糊神经网络的机器人路径规划方法 |
CN207198663U (zh) * | 2017-09-30 | 2018-04-06 | 徐工集团工程机械股份有限公司 | 压路机及压路机控制系统 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110258260B (zh) * | 2019-06-19 | 2023-12-12 | 四川川交路桥有限责任公司 | 无卫星信号的隧道内无人驾驶压路机碾压系统 |
CN110258260A (zh) * | 2019-06-19 | 2019-09-20 | 四川川交路桥有限责任公司 | 无卫星信号的隧道内无人驾驶压路机碾压系统 |
CN110254424A (zh) * | 2019-07-01 | 2019-09-20 | 江苏东交工程检测股份有限公司 | 行驶矫正方法、装置、控制器及存储介质 |
CN110254424B (zh) * | 2019-07-01 | 2020-11-03 | 江苏东交工程检测股份有限公司 | 行驶矫正方法、装置、控制器及存储介质 |
CN110658816B (zh) * | 2019-09-27 | 2022-10-25 | 东南大学 | 一种基于智能组件的移动机器人导航与控制方法 |
CN110658816A (zh) * | 2019-09-27 | 2020-01-07 | 东南大学 | 一种基于智能组件的移动机器人导航与控制方法 |
CN111236017B (zh) * | 2020-01-14 | 2022-01-25 | 三一汽车制造有限公司 | 摊铺机的自动行驶控制方法、控制系统和摊铺机 |
CN111236017A (zh) * | 2020-01-14 | 2020-06-05 | 三一汽车制造有限公司 | 摊铺机的自动行驶控制方法、控制系统和摊铺机 |
CN111236010B (zh) * | 2020-01-17 | 2021-09-24 | 三一汽车制造有限公司 | 无人驾驶压路机群的运行控制方法和系统 |
CN111236010A (zh) * | 2020-01-17 | 2020-06-05 | 三一汽车制造有限公司 | 无人驾驶压路机群的运行控制方法和系统 |
CN111445170A (zh) * | 2020-04-30 | 2020-07-24 | 天津大学 | 一种无人碾压机群自主作业系统及方法 |
CN111638710A (zh) * | 2020-05-19 | 2020-09-08 | 三一汽车制造有限公司 | 无人化多路面设备的协同作业方法和控制系统 |
CN112572470A (zh) * | 2020-12-07 | 2021-03-30 | 清华大学 | 施工机械设备自动驾驶方法及装置 |
CN112572470B (zh) * | 2020-12-07 | 2022-01-28 | 清华大学 | 施工机械设备自动驾驶方法及装置 |
CN115341765A (zh) * | 2021-05-14 | 2022-11-15 | 广东博智林机器人有限公司 | 一种整平装置、整平机器人和整平装置的施工方法 |
CN113470008A (zh) * | 2021-07-26 | 2021-10-01 | 南通市江海公路工程有限公司 | 一种智能监控沥青路面施工质量的方法及系统 |
CN113470008B (zh) * | 2021-07-26 | 2023-08-18 | 南通市江海公路工程有限公司 | 一种智能监控沥青路面施工质量的方法及系统 |
CN113884026A (zh) * | 2021-09-30 | 2022-01-04 | 天津大学 | 一种动态环境下无人碾压模型预测轮廓控制方法 |
CN114371706A (zh) * | 2021-12-31 | 2022-04-19 | 江苏徐工工程机械研究院有限公司 | 一种压路机控制系统及控制方法 |
CN114197275A (zh) * | 2022-01-21 | 2022-03-18 | 山推工程机械股份有限公司 | 一种压路机的控制系统及方法 |
CN115755919A (zh) * | 2022-11-29 | 2023-03-07 | 淮阴工学院 | 一种化工巡检车轨迹跟踪方法及系统 |
CN115903836A (zh) * | 2022-12-15 | 2023-04-04 | 徐工集团工程机械股份有限公司道路机械分公司 | 一种道路环境下无人操控振动压路机碾压行为决策系统 |
CN116224837A (zh) * | 2023-05-06 | 2023-06-06 | 湖南致同工程科技有限公司 | 一种可抗通信延迟的多无人压路车协同控制仿真系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109597404A (zh) | 压路机及其控制器、控制方法和系统 | |
CN207198663U (zh) | 压路机及压路机控制系统 | |
Wen et al. | Path planning for active SLAM based on deep reinforcement learning under unknown environments | |
Li et al. | Real-time trajectory planning for autonomous urban driving: Framework, algorithms, and verifications | |
Liu et al. | Human–machine cooperation research for navigation of maritime autonomous surface ships: A review and consideration | |
US20230042431A1 (en) | Prediction and planning for mobile robots | |
CN109964188A (zh) | 控制车辆的方法和系统 | |
Li et al. | A behavior-based mobile robot navigation method with deep reinforcement learning | |
CN115200588A (zh) | 移动机器人的slam自主导航方法及其装置 | |
Elsayed et al. | Fuzzy logic based collision avoidance system for autonomous navigation vehicle | |
Liang et al. | Human-in-the-loop reinforcement learning | |
Muzahid et al. | Deep reinforcement learning-based driving strategy for avoidance of chain collisions and its safety efficiency analysis in autonomous vehicles | |
de Oliveira et al. | A robot architecture for outdoor competitions | |
Milanés et al. | An approach to driverless vehicles in highways | |
Cheng et al. | Multi-objective deep reinforcement learning for crowd-aware robot navigation with dynamic human preference | |
Raipuria et al. | Road infrastructure indicators for trajectory prediction | |
Madhavan et al. | Intelligent vehicle systems: a 4D/RCS Approach | |
Feng | Technical change and development trend of automatic driving | |
Rajchandar et al. | 12 Robotics Navigation and Techniques its | |
WO2024101344A1 (ja) | 制御システム、制御方法及び制御プログラム | |
Moshiri et al. | Multi-sensor data fusion used in intelligent autonomous navigation | |
Sukthankar et al. | Distributed tactical reasoning framework for intelligent vehicles | |
Xin et al. | Design and Test of an Experimental Platform for Unmanned Surface Vessel | |
Sang et al. | P‐19.6: Research on Path Planning Algorithms in Autonomous Driving | |
斉柯利 | Path planning including obstacle avoidance based on reinforcement learning with human-supervision |
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 |