CN109712424B - 一种基于物联网的车辆导航方法 - Google Patents

Abstract

本发明公开一种基于物联网的车辆导航方法，采集路况、车况、车辆的当前位置以及目标位置，并基于BP神经网络确定行车路径和车辆运动状态，具体包括步骤1、按照采样周期，采集待导航车辆的当前位置，目标位置，环境状态，信号灯信息，道路信息；步骤2、确定三层BP神经网络的输入层神经元向量x＝{x₁,x₂,x₃,x₄,x₅}；步骤3、所述输入层向量映射到隐层，隐层的神经元为m个；步骤4、得到输出层神经元向量o＝{o₁,o₂,o₃,o₄,o₅,o₆,o₇,o₈}。本发明设计开发的基于物联网的车辆导航方法，能够采集路况、车况、车辆的当前位置以及目标位置，并基于BP神经网络确定行车路径和车辆运动状态，还能够根据路况和车况确定待导航车辆与纵向相邻车辆的距离和待导航车辆与横向相邻车辆的距离要求，实现安全导航。

Description

一种基于物联网的车辆导航方法

技术领域

本发明涉及多车辆协同控制技术领域，更具体的是，本发明涉及一种基于物联网的车辆导航方法。

背景技术

随着经济的发展，车辆保有量增加，人们对车辆的驾驶和乘坐舒适性提出了越来越高的要求；无人驾驶技术成为现今研究的热点。

现有的无人驾驶技术通过物联网已经控制中心对车辆进行导航，主要集中于纵向协同控制方向，以速度以及加速度等作为控制变量，通过某种纵向车间距控制策略，使车辆以纵向队形的形式进行道路行驶。但是其无法体现道路中不同车辆的异质性，即无法描述车辆之间动力学参数的区别，现有的车辆动力学模型只能体现传统车辆前轮转向控制，无法适用于未来四轮转向车辆等，并且控制器中，没有涉及道路中欧车辆存在时，其横向间距优化控制策略，使车辆之间无法进行横向最优协同，忽略这些要素进行控制易引发安全问题。

发明内容

本发明设计开发了一种基于物联网的车辆导航方法，能够采集路况、车况、车辆的当前位置以及目标位置，并基于BP神经网络确定行车路径和车辆运动状态，实现车辆路径导航。

本发明还能够根据路况和车况确定待导航车辆与纵向相邻车辆的距离和待导航车辆与横向相邻车辆的距离要求，实现安全导航。

本发明提供的技术方案为：

一种基于物联网的车辆导航方法，采集路况、车况、车辆的当前位置以及目标位置，并基于BP神经网络确定行车路径和车辆运动状态，具体包括如下步骤：

步骤1、按照采样周期，采集待导航车辆的当前位置，目标位置，环境状态，信号灯信息，道路信息；

步骤2、确定三层BP神经网络的输入层神经元向量x＝{x₁,x₂,x₃,x₄,x₅}；其中，x₁为待导航车辆的当前位置，x₂为待导航车辆的目标位置，x₃为环境信息，x₄为信号灯信息，x₅为道路信息；

步骤3、所述输入层向量映射到隐层，隐层的神经元为m个；

步骤4、得到输出层神经元向量o＝{o₁,o₂,o₃,o₄,o₅,o₆,o₇,o₈}；其中，o₁为待导航车辆的行车路径，o₂为待导航车辆的横向位移，o₃为待导航车辆的横向车速，o₄为待导航车辆的纵向位移，o₅为待导航车辆的纵向车速，o₆为待导航车辆的横摆角，o₇为待导航车辆的前车轮转角，o₈为待导航车辆的后车轮转角。

优选的是，在待导航车辆行驶过程中，待导航车辆与纵向相邻车辆的距离满足：

其中，D_S为待导航车辆与纵向相邻车辆的距离，d₀为当前车况环境下应当保持的安全距离，d_s为能见度，V_c为待导航车辆的纵向车速，k为校正参数，n为等概率出现的选择对象数，χ为天气状况系数且χ∈[-2,1]，g为重力加速度，e为自然对数的底数，σ为风力等级且σ∈[0,9]，ζ为调节参数，M为车身重量，M_A为单位重量，p为车轮胎压，p₀为大气压强。

优选的是，在待导航车辆行驶过程中，待导航车辆与横向相邻车辆的距离满足：

其中，D_t为待导航车辆与横向相邻车辆的距离，ψ为参数，V_t为待导航车辆的横向车速。

优选的是，在步骤4中，所述待导航车辆还要满足以下约束条件：

-12°≤β≤12°；

a_y,min≤a_y≤a_y,max；

-2.5°≤α_f,_t≤2.5°；

-2.5°≤α_r,t≤2.5°；

V_C≤V_light,i；

式中，β为待导航车辆的质心侧偏角，a_y为待导航车辆的侧向加速度，a_y,min,a_y,max分别为待导航车辆的侧向加速度的最小值和最大值，α_f,t,α_r,t分别为待导航车辆左侧轮胎和右侧轮胎的侧偏角，X_C,Y_C分别为待导航车辆的横向位置和纵向位置，X_O,Y_O分别为障碍物的横向位置和纵向位置，d为待导航车辆和障碍物的安全距离，V_C为待导航车辆的纵向车速，V_light_,i为第i类信号灯下的限定车速。

优选的是，步骤4中，在待导航车辆行驶过程中，基于BP神经网络对待导航车辆的前车轮转角、后车轮转角和纵向车速进行调控优化，包括如下步骤：

步骤5：按照采样周期，采集待导航车辆与纵向相邻前车的距离，待导航车辆的纵向相邻前车的车速，待导航车辆与纵向相邻后车的距离，待导航车辆的纵向相邻后车的车速，待导航车辆与横向相邻左车的距离，待导航车辆的横向相邻左车的车速，待导航车辆与横向相邻右车的距离，待导航车辆的横向相邻右车的车速；

步骤6：依次将待导航车辆与纵向相邻前车的距离，待导航车辆的纵向相邻前车的车速，待导航车辆与纵向相邻后车的距离，待导航车辆的纵向相邻后车的车速，待导航车辆与横向相邻左车的距离，待导航车辆的横向相邻左车的车速，待导航车辆与横向相邻右车的距离，待导航车辆的横向相邻右车的车速，待导航车辆的横向位移、纵向位移、横向车速和横摆角进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀,x₁₁,x₁₂}；其中，x₁为待导航车辆与纵向相邻前车的距离系数，x₂为待导航车辆的纵向相邻前车的车速系数，x₃为待导航车辆与纵向相邻后车的距离系数，x₄为待导航车辆的纵向相邻后车的车速系数，x₅为待导航车辆与横向相邻左车的距离系数，x₆为待导航车辆的横向相邻左车的车速系数，x₇为待导航车辆与横向相邻右车的距离系数，x₈为待导航车辆的横向相邻右车的车速系数，x₉为待导航车辆的横向位移系数，x₁₀为待导航车辆的纵向位移系数，x₁₁为待导航车辆的横向车速系数，x₁₂为待导航车辆的横摆角系数；

步骤7：所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_t}；t为中间层节点个数；

步骤8：得到输出层向量z＝{z₁,z₂,z₃}；其中，z₁为待导航车辆的前车轮转角调节系数，z₂为待导航车辆的后车轮转角调节系数，z₃为待导航车辆的纵向车速调节系数，使

其中，z₁ ⁱ、z₂ ⁱ、z₃ ⁱ分别为第i个采样周期输出层向量参数，

分别为设定的待导航车辆的前车轮最大转角、待导航车辆后车轮最大转角、待导航车辆最大纵向车速，

分别为第i+1个采样周期时的待导航车辆的前车轮转角、待导航车辆后车轮转角、待导航车辆纵向车速。

优选的是，在所述步骤5中，初始运行状态下，待导航车辆的前车轮转角、待导航车辆的后车轮转角、待导航车辆的纵向车速满足经验值：

δ_FV,f,0＝0，

其中，δ_FV,f,0、

分别为随车前车轮初始转角、待导航车辆后车轮初始转角、待导航车辆初始纵向车速。

优选的是，所述步骤6中，待导航车辆与纵向相邻前车的距离，待导航车辆的纵向相邻前车的车速，待导航车辆与纵向相邻后车的距离，待导航车辆的纵向相邻后车的车速，待导航车辆与横向相邻左车的距离，待导航车辆的横向相邻左车的车速，待导航车辆与横向相邻右车的距离，待导航车辆的横向相邻右车的车速，待导航车辆的横向位移、纵向位移、横向车速和横摆角进行规格化公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

优选的是，所述隐层的神经元m＝t＝7。

优选的是，所述隐层及所述输出层的激励函数均采用S型函数f_j(x)＝1/(1+e^-x)。

本发明所述的有益效果：

本发明设计开发的基于物联网的车辆导航方法，能够采集路况、车况、车辆的当前位置以及目标位置，并基于BP神经网络确定行车路径和车辆运动状态，实现车辆路径导航。本发明还能够根据路况和车况确定待导航车辆与纵向相邻车辆的距离和待导航车辆与横向相邻车辆的距离要求，实现安全导航。

具体实施方式

下面对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

本发明提供一种基于物联网的车辆导航方法，采集路况、车况、车辆的当前位置以及目标位置，并基于BP神经网络确定行车路径和车辆运动状态，具体包括如下步骤：

步骤一、建立BP神经网络模型。

BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即o_i＝x_i。中间隐含层和输出层的神经元的操作特性为

o_pj＝f_j(net_pj)

其中p表示当前的输入样本，ω_ji为从神经元i到神经元j的连接权值，o_pi为神经元j的当前输入，o_pj为其输出；f_j为非线性可微非递减函数，一般取为S型函数，即f_j(x)＝1/(1+e^-x)。

本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示车辆行驶过程中的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入向量：x＝(x₁,x₂,...,x_n)^T

中间层向量：y＝(y₁,y₂,...,y_m)^T

输出向量：o＝(o₁,o₂,...,o_p)^T

本发明中，输入层节点数为n＝5，输出层节点数为p＝8，隐藏层节点数m＝7。

输入层5个参数分别表示为：x₁为待导航车辆的当前位置，x₂为待导航车辆的目标位置，x₃为环境信息，x₄为信号灯信息，x₅为道路信息；

输出层8个参数分别表示为：o₁为待导航车辆的行车路径，o₂为待导航车辆的横向位移，o₃为待导航车辆的横向车速，o₄为待导航车辆的纵向位移，o₅为待导航车辆的纵向车速，o₆为待导航车辆的横摆角，o₇为待导航车辆的前车轮转角，o₈为待导航车辆的后车轮转角。

步骤二、进行BP神经网络的训练。

建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值，隐层节点j和输出层节点k之间的连接权值。

(1)训练方法

各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致。

(2)训练算法

BP网络采用误差反向传播(Backward Propagation)算法进行训练，其步骤可归纳如下：

第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。

第二步：对每个输入样本作如下计算：

(a)前向计算：对l层的j单元

式中，

为第n次计算时l层的j单元信息加权和，

为l层的j单元与前一层(即l-1层)的单元i之间的连接权值，

为前一层(即l-1层，节点数为n_l-1)的单元i送来的工作信号；i＝0时，令

为l层的j单元的阈值。

若单元j的激活函数为sigmoid函数，则

且

若神经元j属于第一隐层(l＝1)，则有

若神经元j属于输出层(l＝L)，则有

且e_j(n)＝x_j(n)-o_j(n)；

(b)反向计算误差：

对于输出单元

对隐单元

(c)修正权值：

η为学习速率。

第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。

BP算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为

Δω＝(J^TJ+μI)^-1J^Te

其中J为误差对权值微分的雅可比(Jacobian)矩阵，I为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。

在系统设计时，系统模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能。

得到输出神经元值后，再基于一个BP神经网络对待导航车辆的前车轮转角、后车轮转角和纵向车速进行调控优化，包括如下步骤：

步骤1：再建立一个BP神经网络模型；

该BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示车辆行驶状态的n个检测信号，这些信号参数由数据预处理模块给出。第二层为隐层，共t个节点，由网络的训练过程以自适应的方式确定。第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入层向量：x＝(x₁,x₂,…,x_n)^T

中间层向量：y＝(y₁,y₂,…,y_t)^T

输出层向量：z＝(z₁,z₂,…,z_p)^T

本发明中，输入层节点数为n＝12，输出层节点数为p＝3。隐藏层节点数t由下式估算得出：

按照采样周期，输入的12个参数为，x₁为待导航车辆与纵向相邻前车的距离系数，x₂为待导航车辆的纵向相邻前车的车速系数，x₃为待导航车辆与纵向相邻后车的距离系数，x₄为待导航车辆的纵向相邻后车的车速系数，x₅为待导航车辆与横向相邻左车的距离系数，x₆为待导航车辆的横向相邻左车的车速系数，x₇为待导航车辆与横向相邻右车的距离系数，x₈为待导航车辆的横向相邻右车的车速系数，x₉为待导航车辆的横向位移系数，x₁₀为待导航车辆的纵向位移系数，x₁₁为待导航车辆的横向车速系数，x₁₂为待导航车辆的横摆角系数；

由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入神经网络之前，需要将数据规格化为0-1之间的数。

具体而言，对于待导航车辆与纵向相邻前车的距离L₁，进行规格化后，得到待导航车辆与纵向相邻前车的距离系数x₁：

其中，L_1,min和L_1,max分别为待导航车辆与纵向相邻前车的最小距离和最大距离。

同样的，对于待导航车辆的纵向相邻前车的车速V_x，进行规格化后，得到待导航车辆的纵向相邻前车的车速x₂：

其中，

和

分别为待导航车辆的纵向相邻前车的最小车速和最大车速。

对于待导航车辆与纵向相邻后车的距离L₂，进行规格化后，得到待导航车辆与纵向相邻后车的距离系数x₃：

其中，L_2,min和L_2,max分别为待导航车辆与纵向相邻后车的最小距离和最大距离。

对于待导航车辆的纵向相邻后车的车速V_y，进行规格化后，得到待导航车辆的纵向相邻后车的车速系数x₄：

其中，

和

分别为待导航车辆的纵向相邻后车的最小车速和最大车速。

对于待导航车辆与横向相邻左车的距离L₃，进行规格化后，得到待导航车辆与横向相邻左车的距离系数x₅：

其中，L_3,min和L_3,max分别为待导航车辆与横向相邻左车的最小距离和最大距离。

对于待导航车辆的纵向相邻左车的车速V_f，进行规格化后，得到待导航车辆的纵向相邻左车的车速系数x₆：

其中，

和

分别为待导航车辆的横向相邻左车的最小车速和最大车速。

对于待导航车辆与横向相邻右车的距离L₄，进行规格化后，得到待导航车辆与横向相邻右车的距离系数x₇：

其中，L_4,min和L_4,max分别为待导航车辆与横向相邻右车的最小距离和最大距离。

对于待导航车辆的横向相邻右车的车速V_r，进行规格化后，得到待导航车辆的横向相邻右车的车速系数x₈：

其中，

和

分别为待导航车辆的横向相邻右车的最小车速和最大车速。

对于待导航车辆的横向位移L_FV,t，进行规格化后，得到待导航车辆的横向位移系数x₉：

其中，L_FV,tmin和

分别为待导航车辆的最小横向位移和最大横向位移。

对于待导航车辆的纵向位移L_FV,p，进行规格化后，得到待导航车辆的纵向位移系数x₁₀：

其中，

和

分别为待导航车辆的最小纵向位移和最大纵向位移。

对待导航车辆的横向车速V_FV,t，进行规格化后，得到待导航车辆的横向车速系数x₁₁：

其中，

和

分别为待导航车辆的最小横向车速和最大横向车速。

对待导航车辆的横摆角

进行规格化后，得到待导航车辆的横摆角系数x₁₂：

其中，

和

分别为待导航车辆的最小横摆角和最大横摆角。

输出信号的3个参数分别表示为：z₁为待导航车辆前车轮转角调节系数，z₂为待导航车辆后车轮转角调节系数，z₃为待导航车辆纵向车速调节系数；

待导航车辆前车轮转角调节系数z₁表示为下一个采样周期中的待导航车辆前车轮转角与当前采样周期中设定的待导航车辆前车轮最大转角之比，即在第i个采样周期中，采集到的待导航车辆前车轮转角为

通过BP神经网络输出第i个采样周期的待导航车辆前车轮转角调节系数z₁ ⁱ后，控制第i+1个采样周期中待导航车辆前车轮转角为

使其满足

待导航车辆后车轮转角调节系数z₂表示为下一个采样周期中的待导航车辆后车轮转角与当前采样周期中设定的待导航车辆后车轮最大转角之比，即在第i个采样周期中，采集到的待导航车辆后车轮转角为

通过BP神经网络输出第i个采样周期的待导航车辆后车轮转角调节系数z₂ ⁱ后，控制第i+1个采样周期中待导航车辆后车轮转角为

使其满足

待导航车辆纵向车速调节系数z₃表示为下一个采样周期中的待导航车辆纵向车速与当前采样周期中设定的待导航车辆最大纵向车速之比，即在第i个采样周期中，采集到的待导航车辆纵向车速为

通过BP神经网络输出第i个采样周期的待导航车辆纵向车速调节系数z₃ ⁱ后，控制第i+1个采样周期中的待导航车辆纵向车速为

使其满足

步骤2：进行BP神经网络的训练。

建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值w_ij，隐层节点j和输出层节点k之间的连接权值w_jk，隐层节点j的阈值θ_j，输出层节点k的阈值w_ij、w_jk、θ_j、θ_k均为-1到1之间的随机数。

在训练过程中，不断修正w_ij和w_jk的值，直至系统误差小于等于期望误差时，完成神经网络的训练过程。

如表1所示，给定了一组训练样本以及训练过程中各节点的值。

表1训练过程各节点值

步骤3：采集数据运行参数输入神经网络得到调控系数；

当待导航车辆行驶时，即初始运行状态下，待导航车辆前车轮转角、待导航车辆后车轮转角、待导航车辆纵向车速满足经验值：

δ_FV,f,0＝0，

其中，δ_FV,f,0、

分别为随车前车轮初始转角、待导航车辆后车轮初始转角、待导航车辆初始纵向车速。

同时，待导航车辆与纵向相邻前车的初始距离L₁₀、待导航车辆的纵向相邻前车的初始速度V_x0、待导航车辆与纵向相邻后车的初始距离L₂₀、待导航车辆的纵向相邻后车的初始车速V_y0、待导航车辆与横向相邻左车的初始距离L₃₀、待导航车辆的纵向相邻左车的初始车速V_f0、待导航车辆与横向相邻右车的初始距离L₄₀、待导航车辆的横向相邻右车的初始车速V_r0以及待导航车辆的初始横向位移L_FV,t0、初始纵向位移L_FV,p0、初始横向车速V_FV,t0和初始横摆角

通过将上述参数规格化，得到BP神经网络的初始输入向量

通过BP神经网络的运算得到初始输出向量

步骤4：得到初始输出向量

后，即可调节待导航车辆的前车轮转角、后车轮转角和纵向车速，使下一个采样周期待导航车辆的前车轮转角、后车轮转角和纵向车速分别为：

通过传感器获取第i个采样周期中的待导航车辆与纵向相邻前车的距离L₁、待导航车辆的纵向相邻前车的速度V_x、待导航车辆与纵向相邻后车的距离L₂、待导航车辆的纵向相邻后车的车速V_y、待导航车辆与横向相邻左车的距离L₃、待导航车辆的纵向相邻左车的车速V_f、待导航车辆与横向相邻右车的距离L₄、待导航车辆的横向相邻右车的车速V_r以及待导航车辆的横向位移L_FV,t、纵向位移L_FV,p、横向车速V_FV,t和横摆角

通过进行规格化得到第i个采样周期的输入向量xⁱ＝(x₁ ⁱ,x₂ ⁱ,x₃ ⁱ,x₄ ⁱ,x₅ ⁱ,x₆ ⁱ,x₇ ⁱ,x₈ ⁱ,x₉ ⁱ,x₁₀ ⁱ,x₁₁ ⁱ,x₁₂ ⁱ)，通过BP神经网络的运算得到第i个采样周期的输出向量zⁱ＝(z₁ ⁱ,z₂ ⁱ,z₃ ⁱ)，然后控制调节待导航车辆的前车轮转角、后车轮转角和纵向车速，使第i+1个采样周期时待导航车辆的前车轮转角、后车轮转角和纵向车速分别为：

所述待导航车辆在行驶过程中还要满足以下约束条件：

-12°≤β≤12°；

a_y,min≤a_y≤a_y,max；

-2.5°≤α_f,_t≤2.5°；

-2.5°≤α_r,t≤2.5°；

V_C≤V_light,i；

式中，β为待导航车辆的质心侧偏角，a_y为待导航车辆的侧向加速度，a_y,min,a_y,max分别为待导航车辆的侧向加速度的最小值和最大值，α_f,t,α_r,t分别为待导航车辆左侧轮胎和右侧轮胎的侧偏角，X_C,Y_C分别为待导航车辆的横向位置和纵向位置，X_O,Y_O分别为障碍物的横向位置和纵向位置，d为待导航车辆和障碍物的安全距离，V_C为待导航车辆的纵向车速，V_light,i为第i类信号灯下的限定车速。

在待导航车辆行驶过程中，待导航车辆与纵向相邻车辆的距离还要满足：

其中，D_S为待导航车辆与纵向相邻车辆的距离，d₀为当前车况环境下应当保持的安全距离，d_s为能见度，V_c为待导航车辆的纵向车速，k为校正参数，n为等概率出现的选择对象数，χ为天气状况系数且χ∈[-2,1]，g为重力加速度，e为自然对数的底数，σ为风力等级且σ∈[0,9]，ζ为调节参数，M为车身重量，M_A为单位重量，p为车轮胎压，p₀为大气压强。

在待导航车辆行驶过程中，待导航车辆与横向相邻车辆的距离也要满足：

其中，D_t为待导航车辆与横向相邻车辆的距离，ψ为参数，V_t为待导航车辆的横向车速。

本发明设计开发的基于物联网的车辆导航方法，能够采集路况、车况、车辆的当前位置以及目标位置，并基于BP神经网络确定行车路径和车辆运动状态，实现车辆路径导航。本发明还能够根据路况和车况确定待导航车辆与纵向相邻车辆的距离和待导航车辆与横向相邻车辆的距离要求，实现安全导航。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。

Claims (6)

1.一种基于物联网的车辆导航方法，其特征在于，采集路况、车况、车辆的当前位置以及目标位置，并基于BP神经网络确定行车路径和车辆运动状态，具体包括如下步骤：

步骤1、按照采样周期，采集待导航车辆的当前位置，目标位置，环境状态，信号灯信息，道路信息；

步骤2、确定三层BP神经网络的输入层神经元向量x＝{x₁,x₂,x₃,x₄,x₅}；其中，x₁为待导航车辆的当前位置，x₂为待导航车辆的目标位置，x₃为环境信息，x₄为信号灯信息，x₅为道路信息；

步骤3、所述输入层向量映射到隐层，隐层的神经元为m个；

步骤4、得到输出层神经元向量o＝{o₁,o₂,o₃,o₄,o₅,o₆,o₇,o₈}；其中，o₁为待导航车辆的行车路径，o₂为待导航车辆的横向位移，o₃为待导航车辆的横向车速，o₄为待导航车辆的纵向位移，o₅为待导航车辆的纵向车速，o₆为待导航车辆的横摆角，o₇为待导航车辆的前车轮转角，o₈为待导航车辆的后车轮转角；

其中，在步骤4中，在待导航车辆行驶过程中，基于BP神经网络对待导航车辆的前车轮转角、后车轮转角和纵向车速进行调控优化，还包括如下步骤：

步骤5：按照采样周期，采集待导航车辆与纵向相邻前车的距离，待导航车辆的纵向相邻前车的车速，待导航车辆与纵向相邻后车的距离，待导航车辆的纵向相邻后车的车速，待导航车辆与横向相邻左车的距离，待导航车辆的横向相邻左车的车速，待导航车辆与横向相邻右车的距离，待导航车辆的横向相邻右车的车速；

步骤6：依次将待导航车辆与纵向相邻前车的距离，待导航车辆的纵向相邻前车的车速，待导航车辆与纵向相邻后车的距离，待导航车辆的纵向相邻后车的车速，待导航车辆与横向相邻左车的距离，待导航车辆的横向相邻左车的车速，待导航车辆与横向相邻右车的距离，待导航车辆的横向相邻右车的车速，待导航车辆的横向位移、纵向位移、横向车速和横摆角进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀,x₁₁,x₁₂}；其中，x₁为待导航车辆与纵向相邻前车的距离系数，x₂为待导航车辆的纵向相邻前车的车速系数，x₃为待导航车辆与纵向相邻后车的距离系数，x₄为待导航车辆的纵向相邻后车的车速系数，x₅为待导航车辆与横向相邻左车的距离系数，x₆为待导航车辆的横向相邻左车的车速系数，x₇为待导航车辆与横向相邻右车的距离系数，x₈为待导航车辆的横向相邻右车的车速系数，x₉为待导航车辆的横向位移系数，x₁₀为待导航车辆的纵向位移系数，x₁₁为待导航车辆的横向车速系数，x₁₂为待导航车辆的横摆角系数；

步骤7：所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_t}；t为中间层节点个数；

步骤8：得到输出层向量z＝{z₁,z₂,z₃}；其中，z₁为待导航车辆的前车轮转角调节系数，z₂为待导航车辆的后车轮转角调节系数，z₃为待导航车辆的纵向车速调节系数，使

其中，z₁ ⁱ、z₂ ⁱ、z₃ ⁱ分别为第i个采样周期输出层向量参数，

分别为设定的待导航车辆的前车轮最大转角、待导航车辆后车轮最大转角、待导航车辆最大纵向车速，

分别为第i+1个采样周期时的待导航车辆的前车轮转角、待导航车辆后车轮转角、待导航车辆纵向车速。

2.如权利要求1所述的基于物联网的车辆导航方法，其特征在于，在步骤4中，所述待导航车辆还要满足以下约束条件：

-12°≤β≤12°；

a_y,min≤a_y≤a_y,max；

-2.5°≤α_f,t≤2.5°；

-2.5°≤α_r,t≤2.5°；

V_C≤V_light,i；

式中，β为待导航车辆的质心侧偏角，a_y为待导航车辆的侧向加速度，a_y,min,a_y,max分别为待导航车辆的侧向加速度的最小值和最大值，α_f,t,α_r,t分别为待导航车辆左侧轮胎和右侧轮胎的侧偏角，X_C,Y_C分别为待导航车辆的横向位置和纵向位置，X_O,Y_O分别为障碍物的横向位置和纵向位置，d为待导航车辆和障碍物的安全距离，V_C为待导航车辆的纵向车速，V_light,i为第i类信号灯下的限定车速。

3.如权利要求2所述的基于物联网的车辆导航方法，其特征在于，在所述步骤5中，初始运行状态下，待导航车辆的前车轮转角、待导航车辆的后车轮转角、待导航车辆的纵向车速满足经验值：

δ_FV,f,0＝0，

其中，δ_FV,f,0、

分别为随车前车轮初始转角、待导航车辆后车轮初始转角、待导航车辆初始纵向车速。

4.如权利要求3所述的基于物联网的车辆导航方法，其特征在于，所述步骤6中，待导航车辆与纵向相邻前车的距离，待导航车辆的纵向相邻前车的车速，待导航车辆与纵向相邻后车的距离，待导航车辆的纵向相邻后车的车速，待导航车辆与横向相邻左车的距离，待导航车辆的横向相邻左车的车速，待导航车辆与横向相邻右车的距离，待导航车辆的横向相邻右车的车速，待导航车辆的横向位移、纵向位移、横向车速和横摆角进行规格化公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

5.如权利要求4所述的基于物联网的车辆导航方法，其特征在于，所述隐层的神经元m＝t＝7。

6.如权利要求5所述的基于物联网的车辆导航方法，其特征在于，所述隐层及所述输出层的激励函数均采用S型函数f_j(x)＝1/(1+e^-x)。