CN110210806B - 一种5g边缘计算的云基无人车架构及其控制评价方法 - Google Patents

一种5g边缘计算的云基无人车架构及其控制评价方法 Download PDF

Info

Publication number
CN110210806B
CN110210806B CN201910443425.2A CN201910443425A CN110210806B CN 110210806 B CN110210806 B CN 110210806B CN 201910443425 A CN201910443425 A CN 201910443425A CN 110210806 B CN110210806 B CN 110210806B
Authority
CN
China
Prior art keywords
cloud
layer
based unmanned
unmanned vehicle
edge
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
CN201910443425.2A
Other languages
English (en)
Other versions
CN110210806A (zh
Inventor
史彦军
韩俏梅
沈卫明
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.)
Dalian University of Technology
Original Assignee
Dalian 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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201910443425.2A priority Critical patent/CN110210806B/zh
Publication of CN110210806A publication Critical patent/CN110210806A/zh
Application granted granted Critical
Publication of CN110210806B publication Critical patent/CN110210806B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
    • G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Game Theory and Decision Science (AREA)
  • Signal Processing (AREA)
  • Educational Administration (AREA)
  • Multimedia (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明属于5G移动机器人领域，涉及一种5G边缘计算的云基无人车架构及其控制评价方法。所述的云基无人车架构包括设备层、边缘计算层和云计算层三层。设备层包含云基无人车、车间、路侧单元和5G基站。所述的边缘计算层包括边缘计算服务器和5G基站另外发出的5G核心网。每个子区域内设有一个边缘计算服务器，边缘计算服务器与设备层间通过5G核心网进行连接。所述的云计算层包括云服务器和控制中心，控制中心位于工厂内。本发明结合5G通信以及边缘计算技术设计了云基无人车架构，使得工厂中的多辆云基无人车可以实现感知周围环境、任务分配、规划路径、避碰等功能，提高了工厂中多辆云基无人车配送货物的效率。

Description

一种5G边缘计算的云基无人车架构及其控制评价方法
技术领域
本发明属于5G移动机器人领域，涉及一种5G边缘计算的云基无人车架构及其控制评价方法。
背景技术
随着21世纪的计算机技术、控制理论和人工智能等技术的发展，多机器人协同工作将不断深入应用到军用和民用领域。如军用领域无人机群联合侦查、联合打击、多机通信中继、导弹多弹头制导等；在民用领域，多机器人可应用在智能安防、货物仓储搬运、应急救灾、微卫星群协作以及在未来工业4.0下工多机器人智能化协作等。与此同时,多车的路径规划问题也随着多机器人的发展应运而生。根据具体场合可以研究更多上层复杂的功能应用，如任务与角色分配、合作式搜索、编队控制等。
然而，集环境感知、任务分配、物流路径于一身的协同架构一直没有得到足够重视，缺乏深入的研究。且目前对于多辆无人车任务分配和路径规划等在工厂中的各种的任务都是分开计算的，经常会相互影响，导致最终的生产效率没有实现最优化，因此本发明将环境感知和目标定位、任务分配以及路径规划综合起来考虑，旨在设计一个综合架构，可以通过组合优化方法得到最优的整体方案。同时增加了5G边缘计算以及云计算，以达到缩短计算时间，实现低延迟、高可靠性的实时计算。
关于云计算的定义有多种说法，现阶段广为接受的是美国国家标准与技术研究院(NIST)定义：云计算是一种按使用量付费的模式，这种模式提供可用的、便捷的、按需的网络访问，进入可配置的计算资源共享池(资源包括网络，服务器，存储，应用软件，服务等)，这些资源能够快速提供，且只需投入很少的管理工作，与服务供应商进行很少的交互。然而这种将计算任务迁移至云端的方式不仅带来了大量的数据传输，增加了网络负荷，而且引入了大量的数据导致传输时延。为了有效解决以上问题，边缘计算技术应运而生，它通过为无线接入网提供云计算能力，使业务近距离部署成为可能，从而促使无线网络具备低时延、高带宽的传输能力，并且回传带宽需求的降低也极大程度地减少了运营成本。因此，虽然控制中心是边缘计算架构的核心，但云基机器人是“依赖于来自网络的数据或代码来支持其操作的机器人，而不是所有传感、计算和内存被集成到一个独立的系统中”。例如，当构建全局实时地图及障碍物检测时，云基无人车的任务是以较低的资源消耗感测其周围环境，同时将大量数据和密集的计算交托给控制中心。由于云基无人车的计算能力和内存需求较低，将代价高昂的算法转移到边缘计算可以节省成本，这是应用边缘计算技术的优势之一。
因此，本发明研究基于5G边缘计算的云基无人车的车载装置及自主决策和评价方法不仅具有理论意义，更具有很强的现实应用意义。
发明内容
本发明提供一种5G边缘计算的云基无人车架构及其控制评价方法，所要解决的技术问题是使得工厂的多辆无人车可以自主生成解决感知周围环境、任务分配、规划路径、避碰等功能的方案并进行评价。
5G网络的下载速度介于1Gbps和10Gbps之间，上传速度或延迟仅为1毫秒，且满足大范围设备的QoS，能替代WIFI无缝接入园区内外通信网络，不仅可以实时感知关键节点的入园出园及工作状态，而且能够主动响应任务变化和路径障碍。应用最新的5G技术在云计算层和边缘计算层进行计算，极大程度上降低了延迟，提高了工作效率及可靠度。
本发明的技术方案如下：
一.本发明建立了一种基于5G边缘计算的云基无人车架构，在图1中进行展示，包括设备层、边缘计算层和云计算层三层。
所述的设备层包含云基无人车、车间、路侧单元和5G基站，云基无人车上装有传感器、车载控制器和运动控制装置；所述的车间设有工控机；5G基站提供5G专网覆盖云基无人车和车间，云基无人车和车间之间通过5G专网中的5G V2V和V2I通信传输数据，然后将数据通过5G V2I通信传输到路侧单元，路侧单元通过以太网传递到云计算层的云服务器。
所述的边缘计算层包括边缘计算服务器和5G基站另外发出的5G核心网。工厂分为不同子区域，每个子区域内设有一个边缘计算服务器，边缘计算服务器与设备层间通过5G核心网进行连接，传输数据，由于边缘计算服务器安装在靠近设备层的位置，传输距离缩短，计算的实时性提高。
所述的云计算层包括云服务器和控制中心，控制中心位于工厂(应用于整个厂区)内。设备层数据通过5G专网的5G V2I通信传输到路侧单元，路侧单元通过以太网传递到云服务器中；同时边缘计算层计算得到的信息也会上传到云服务器。因此整个系统的信息都会通过云服务器汇总到控制中心处，进行总体的监控和决策。
二.本发明针对基于5G边缘计算的云基无人车架构设计了云基无人车控制方法，其中实现的重要功能包括目标定位及绘制地图、任务分配、全局路径规划和局部避碰路径规划四种，它们的设计方案会互相影响，因此需要根据其他功能选择的方案进行自主决策。基于5G边缘计算的云基无人车架构的工作流程及自主决策关系如图2所示，具体步骤如下：
第一步：收集设备层信息，设备层信息包括云基无人车位置、运行状态和车间的发布配送任务，并将设备层信息传递到边缘计算层和云计算层，由云计算层的云服务器进行保存。
第二步：设备层信息传递到边缘计算层后，边缘计算层实现目标定位和构建地图，同时将地图上传到云计算层。
第三步：云计算层内的云服务器根据设备层信息和边缘计算层构建的地图，执行任务分配，为每个边缘计算服务器分配的云基无人车进行监管。
第四步：在云计算层中，首先云服务器进行全局路径规划，接着将全局路径的路线分割成路径片段，然后云基无人车做出响应分步执行各个路径片段，直到到达终点。
第五步：边缘计算层负责实现局部路径规划，当云基无人车上的传感器检测到附近的障碍物，立刻做出响应，改变之后的路径，直至云基无人车到达终点。
三.对基于5G边缘计算的云基无人车架构云基无人车控制方式的评价方法
根据云基无人车架构的三层结构，本发明开发了目标级联分析法(ATC)模型，实现了设备层、边缘计算层和云计算层的自主分析和评价。
ATC是一种有效的多级优化方法。如图3所示，
第一步，将每个层上的节点由ATC单元表示。
所述的节点包括无人车、车间、路侧单元、子区域和云服务器。
第二步，用目标偏差变量(t)和响应变量(r)连接ATC层级，每个层上的ATC单元构成ATC层级。
第三步，分别建立云基无人车整体架构、云计算层、边缘计算层和设备层的ATC单元的目标函数，从顶层元素到底层元素，目标层级逐步向下一级传递。
定义数学模型符号：
i:选取整体架构方案的序号，整体架构方案是指由重要功能组合的方案(即目标定位及绘制地图与任务分配、全局路径规划和局部避碰路径规划的组合方案)；
j:子区域序号(对应边缘计算服务器的序号)；
Sj:对子区域j的方案集(即第j个子区域内的目标定位及绘制地图方案、任务分配方案集、路径规划方案集和局部路径规划方案集)；
Figure BDA0002072819310000051
子区域j的第i个方案；
Figure BDA0002072819310000052
云基无人车架构所有方案的有限集合；
TCi:执行云基无人车整体架构的方案的成本代价(评价指标之一)；
TTi:执行云基无人车整体架构方案的耗时代价(评价指标之二)；
TEi:执行云基无人车整体架构方案的误差代价(评价指标之三)；
Ci:执行云基无人车单层架构方案的成本代价；
Ti:执行云基无人车单层架构方案的耗时代价；
Ei:执行云基无人车单层架构方案的误差代价；
Figure BDA0002072819310000053
方案/>
Figure BDA0002072819310000054
的花费成本代价；
Figure BDA0002072819310000055
方案/>
Figure BDA0002072819310000056
的误差代价；
Figure BDA0002072819310000057
方案/>
Figure BDA0002072819310000058
的时间代价；
Figure BDA0002072819310000059
布尔变量,当方案/>
Figure BDA00020728193100000510
为真，/>
Figure BDA00020728193100000511
否则,/>
Figure BDA00020728193100000512
wC:花费成本代价的加权系数；
wT:时间代价的加权系数；
wE:误差代价的加权系数；
Figure BDA00020728193100000513
节点i面向上层节点的目标成本；
Figure BDA00020728193100000514
节点i面向上层节点的目标时间；
Figure BDA00020728193100000515
节点i面向上层节点的目标误差。
成本的值表示选取当前方案需要付出花费的成本代价，而时间值表示与任务实施时间相关的代价。误差范围的值代表选取方案时的偏离预期而需要的代价。因此，成本、时间和误差范围的单位是相同的，故而可以将它们加权。
3.1云基无人车整体架构的ATC单元的目标函数Xi：
本发明的ATC模型的总体目标即最小化总成本、总时间和总偏离范围的加权和，云基无人车整体架构的ATC单元的目标函数在公式(1)-(8)中展示，其中，(1)解释了云基无人车整体架构的目标函数Xi，即为最小化第i个方案的评价指标的加权和。而(2)-(8)公式则是对(1)的解释和约束。
Xi＝minwC·TCi+wT·TTi+wE·TEi (1)
Figure BDA0002072819310000061
Figure BDA0002072819310000062
Figure BDA0002072819310000063
Figure BDA0002072819310000064
Figure BDA0002072819310000065
Figure BDA0002072819310000066
Figure BDA0002072819310000067
3.2云计算层的ATC单元的目标函数
Figure BDA0002072819310000068
在云计算层，ATC模型旨在最小化设备节点的响应与上一级目标之间的偏差。位于云计算层的ATC单元之一，即第y个云服务器的目标函数Yy在公式(9)-(20)中展示，(9)解释了第y个云服务器计算时的评价指标的加权和，同时由于云计算层中的云服务器数量不止一个，则云计算层的ATC单元的目标函数为
Figure BDA0002072819310000071
其中：
Figure BDA0002072819310000072
(10)-(20)公式则是对(9)的解释和约束。如果取y＝1,即只考虑第1个云服务器，则有
TC1＝C1+TC2+TC3+TC4 (10)
TT1＝T1+max{TT2,TT3,TT4} (11)
TE1＝E1+TE2+TE3+TE4 (12)
Figure BDA0002072819310000073
Figure BDA0002072819310000074
Figure BDA0002072819310000075
Figure BDA0002072819310000076
/>
Figure BDA0002072819310000077
Figure BDA0002072819310000078
Figure BDA0002072819310000079
TC2,TC3,TC4,TT2,TT3,TT4,TE2,TE3,TE4≥0 (20)
3.3边缘计算层的ATC单元的目标函数
Figure BDA0002072819310000081
在边缘计算层，ATC模型旨在最小化设备节点的响应与上一级目标之间的偏差。位于边缘计算层的ATC单元之一，即第z个子区域的目标函数Zz在公式(21)-(32)中展示，(21)解释了第z个子区域计算时的评价指标的加权和，同时由于边缘计算层中的边缘计算服务器数量不止一个，则边缘计算层的ATC单元的目标函数为
Figure BDA0002072819310000082
其中：
Figure BDA0002072819310000083
(22)-(32)公式则是对(21)的解释和约束。如果取z＝3,即只考虑第3个子区域，则有
其中TC3＝C3+TC5+TC6+TC7 (22)
TT3＝T3+TT5+TT6+TT7 (23)
TE3＝E3+TE5+TE6+TE7 (24)
Figure BDA0002072819310000084
Figure BDA0002072819310000085
Figure BDA0002072819310000086
Figure BDA0002072819310000087
Figure BDA0002072819310000088
Figure BDA0002072819310000089
Figure BDA0002072819310000091
TC5,TC6,TC7,TT5,TT6,TT7,TE5,TE6,TE7≥0 (32)
3.4设备层的ATC单元的目标函数
Figure BDA0002072819310000092
在设备层，ATC模型旨在最小化设备节点的响应与上一级目标之间的偏差。位于设备层的ATC单元之一，即云基无人车m的目标函数Mm在公式(33)-(39)中展示，(33)解释了车辆m的目标函数Mm为计算时的评价指标加权和，同时由于设备层规划的云基无人车(或者车间、路侧单元)不止一个，所以设备层的ATC单元的目标函数为
Figure BDA0002072819310000093
其中：
Figure BDA0002072819310000094
(33)-(39)公式则是对(33)的解释和约束。如果取m＝6,即只考虑第6辆云基无人车，则有
TC6＝C6,TT6＝T6,TE6＝E6 (34)
Figure BDA0002072819310000095
Figure BDA0002072819310000096
Figure BDA0002072819310000097
Figure BDA0002072819310000098
Figure BDA0002072819310000099
收敛性判据要求整体架构中ATC单元的目标函数(即公式(1))的相对变化值小于指定的εi阈值：
Figure BDA0002072819310000101
fi k表示目标函数的ATC节点i的第k代。
本发明的有益效果：
本发明提出了一种云基无人车控制方法，结合5G通信以及边缘计算技术设计了云基无人车架构，使得工厂中的多辆云基无人车可以实现感知周围环境、任务分配、规划路径、避碰等功能，同时设计了评价方法，极大程度上降低了延迟，提高了工厂中多辆云基无人车配送货物的效率。
附图说明
图1是云基无人车架构的结构图。
图2是云基无人车架构的工作流程及自主决策关系图。
图3是云基无人车架构的分析评价图。
图4是应用于工业园区场景的云基无人车分层结构图。
图5是通过ATC单元对整体架构方案进行分析的过程。
具体实施方式
以下结合技术方案和附图详细叙述本发明的具体实施例。以某工业园区为例，我们对本发明进行了验证。
1.应用于实际工业园区的云基无人车架构
如图4所示，将实际工业园区根据云基无人车架构分为设备层、边缘计算层和云计算层三层。发布的具体命令为从发布任务的车间A处运送货物到目标车间B处。
(1)设备层
设备层包括云基无人车(11辆)、车间(5处)及其路侧单元等。首先无人车上的传感器感知周围环境，并构建了工业园区地图并传递到边缘计算层和云计算层。
(2)云计算层
当车间发布任务并搜寻附近的云基无人车时，离它们最近的云基无人车做出响应，如图4中的环状发散虚线所示，车间A搜寻到了离它最近的无人车(V3)，它接受发布的配送任务。
当整体的配送任务为从车间A到车间B时，云计算层从宏观角度考虑环境，它将工厂的地图划分为多个有界子区域(图4中为9个)，用于分配任务并定义每个云基无人车要行进的最佳区域顺序。在每个区域内，需要协调云基无人车的运动以保证避免死锁和冲突。目标是为每个云基无人车分配一条路径，使其能够到达下一个计划的区域。全局路径如长实线所示。
(3)边缘计算层
边缘计算层从局部角度考虑环境。在图4中的8区域的星型阴影部分，车载传感器检测到云基无人车路径上的障碍物，云基无人车向边缘计算层发送请求以计算路线图的局部偏差。同时将障碍物的情况同步到云服务器保存。然后，边缘计算层将重新规划路径，避免碰撞的发生。局部的避碰路径就如星型区域的虚线所示。
2.应用于实际工厂的评价模型
图5用ATC单元分层解释了整个架构，整个方案为从SA起始，到SB结束，遵循不同的方案路线，可以得出不同的组合选项的方案。表1给出了使用ATC单元进行分析时所有功能的方案信息，其中每个ATC单元的数据信息都由协作公司的实际数据转换而来的，成本的值表示选取当前方案需要付出花费的成本代价，时间值表示与任务实施时间相关而需要花费的代价，误差范围的值代表选取方案时的偏离预期而需要花费的代价。而成本代价的取值范围为0～500，任务完成时间取值范围为0～200，偏离范围取值范围为0～50。例如，从表1的第1行看出，在设备层中，发货点A是架构方案的起点，首先需要它选择任务分配方案，如果其选择了方案
Figure BDA0002072819310000121
即将配送任务分给第3个子区域A3，此时花费的成本代价为180，时间代价80，误差代价16。
表1使用ATC单元对所有功能的方案信息
Figure BDA0002072819310000122
Figure BDA0002072819310000131
DLS:设备层ATC单元集合；CLS:云计算层ATC单元集合；ELS:边缘计算层ATC单元集合；S:方案的序号；V:云基无人车的序号；A:子区域的序号；M:目标定位和地图构建功能；T:任务分配功能；P:全局路径规划功能；L:局部路径规划功能；C:成本代价；T:时间代价；R:偏差代价。
同时采用R-3.4.1对Windows 7(64位)在Intel Core i7处理器和8.00GB RAM的计算机上进行了计算实验。输入权重系数(wC,wT,wE)，以加权成本、花费时间和误差范围为优化目标。根据不同的应用场景，测试了三种方案模式，包括节省成本型、节约时间型和误差最小型。将三组权重系数分别设置为(0.5、0.3、0.2)、(0.2、0.5、0.3)和(0.2、0.3、0.5)。采用遍历算法执行评价方法。
我们取图5的第1条方案路径为例，即
Figure BDA0002072819310000132
其中，设备层的ATC单元(DLS)包括：
Figure BDA0002072819310000133
云计算层的ATC单元(CLS)包括：A3,V1,A8,V8,A7,V7，整体架构的ATC单元包括：/>
Figure BDA0002072819310000134
以及前两层的目标函数之和。而边缘计算层的ATC单元(ELS)在第1条方案路径并没有涉及，因此计算时跳过这一层。
若将权重系数设为(0.5、0.3、0.2)后，具体数值在表1中可以对应找到，而目标偏差变量(tC,tT,tE)无限趋近于0。在设备层中的目标函数计算公式为：
Figure BDA0002072819310000135
在云计算层中的目标函数计算公式为：
Figure BDA0002072819310000141
整体框架的目标函数计算公式为：
Figure BDA0002072819310000142
因此，应用架构得到第1个方案的目标函数值为1620.5，依此类推将得到所有的方案的目标值。最后，如表2所示，我们得出了三种方案，分别是：
(1)节省成本型方案：
Figure BDA0002072819310000143
(2)节约时间型方案：
Figure BDA0002072819310000144
(3)误差最小型方案：
Figure BDA0002072819310000145
表2三种模式下的ATC方法优化结果
Figure BDA0002072819310000146
因此，经过验证，本发明提出的基于5G边缘计算的云基无人车控制方法，可以应用于实际工厂，实现货物配送任务，并根据不同的模式要求得出不同的最优方案。

Claims (1)

1.一种云基无人车控制方法的评价方法，其特征在于，所述云基无人车控制方法基于一种5G边缘计算的云基无人车架构实现，该5G边缘计算的云基无人车架构包括设备层、边缘计算层和云计算层三层；
所述的设备层包含云基无人车、车间、路侧单元和5G基站，云基无人车上装有传感器、车载控制器和运动控制装置；所述的车间设有工控机；5G基站提供5G专网覆盖云基无人车和车间，云基无人车和车间之间通过5G专网中的5GV2V和V2I通信传输数据，然后将数据通过5G V2I通信传输到路侧单元，路侧单元通过以太网传递到云计算层的云服务器；
所述的边缘计算层包括边缘计算服务器和5G基站发出的5G核心网；工厂分为不同子区域，每个子区域内设有一个边缘计算服务器，边缘计算服务器与设备层间通过5G核心网进行连接，传输数据，由于边缘计算服务器安装在靠近设备层的位置，传输距离缩短，计算的实时性提高；
所述的云计算层包括云服务器和控制中心，控制中心位于工厂内；设备层数据通过5G专网的5G V2I通信传输到路侧单元，路侧单元通过以太网传递到云服务器中；同时边缘计算层计算得到的信息也会上传到云服务器；因此整个系统的信息都会通过云服务器汇总到控制中心处，进行总体的监控和决策；
所述的云基无人车控制方法，步骤如下：
第一步：收集设备层信息，设备层信息包括云基无人车位置、运行状态和车间的发布配送任务，并将设备层信息传递到边缘计算层和云计算层，由云计算层的云服务器进行保存；
第二步：设备层信息传递到边缘计算层后，边缘计算层实现目标定位和构建地图，同时将地图上传到云计算层；
第三步：云计算层内的云服务器根据设备层信息和边缘计算层构建的地图，执行任务分配，为每个边缘计算服务器分配的云基无人车进行监管；
第四步：在云计算层中，首先云服务器进行全局路径规划，接着将全局路径的路线分割成路径片段，然后云基无人车做出响应分步执行各个路径片段，直到到达终点；
第五步：边缘计算层负责实现局部路径规划，当云基无人车上的传感器检测到附近的障碍物，立刻做出响应，改变之后的路径，直至云基无人车到达终点；
所述的云基无人车控制方法的评价方法，步骤如下：
第一步，将每个层上的节点由ATC单元表示；
所述的节点包括无人车、车间、路侧单元、子区域和云服务器；
第二步，用目标偏差变量(t)和响应变量(r)连接ATC层级，每个层上的ATC单元构成ATC层级；
第三步，分别建立云基无人车整体架构、云计算层、边缘计算层和设备层的ATC单元的目标函数，从顶层元素到底层元素，目标层级逐步向下一级传递；
定义数学模型符号：
i:选取整体架构方案的序号；
j:子区域序号；
Sj:对子区域j的方案集；
Figure FDA0003829512730000021
子区域j的第i个方案；
Figure FDA0003829512730000022
云基无人车架构所有方案的有限集合；
TCi:执行云基无人车整体架构的方案的成本代价；
TTi:执行云基无人车整体架构方案的耗时代价；
TEi:执行云基无人车整体架构方案的误差代价；
Ci:执行云基无人车单层架构方案的成本代价；
Ti:执行云基无人车单层架构方案的耗时代价；
Ei:执行云基无人车单层架构方案的误差代价；
Figure FDA0003829512730000031
方案
Figure FDA0003829512730000032
的花费成本代价；
Figure FDA0003829512730000033
方案
Figure FDA0003829512730000034
的误差代价；
Figure FDA0003829512730000035
方案
Figure FDA0003829512730000036
的时间代价；
Figure FDA0003829512730000037
布尔变量,当方案
Figure FDA0003829512730000038
为真，
Figure FDA0003829512730000039
否则,
Figure FDA00038295127300000310
wC:花费成本代价的加权系数；
wT:时间代价的加权系数；
wE:误差代价的加权系数；
Figure FDA00038295127300000311
节点i面向上层节点的目标成本；
Figure FDA00038295127300000312
节点i面向上层节点的目标时间；
Figure FDA00038295127300000313
节点i面向上层节点的目标误差；
3.1云基无人车整体架构的ATC单元的目标函数Xi：
Xi＝minwC·TCi+wT·TTi+wE·TEi (1)
Figure FDA00038295127300000314
Figure FDA00038295127300000315
Figure FDA00038295127300000316
Figure FDA00038295127300000317
Figure FDA00038295127300000318
Figure FDA0003829512730000041
Figure FDA0003829512730000042
3.2云计算层的ATC单元的目标函数
Figure FDA0003829512730000043
云计算层的ATC单元的目标函数为
Figure FDA0003829512730000044
其中：
Figure FDA0003829512730000045
当取y＝1,即只考虑第1个云服务器，则有
TC1＝C1+TC2+TC3+TC4 (10)
TT1＝T1+max{TT2,TT3,TT4} (11)
TE1＝E1+TE2+TE3+TE4 (12)
Figure FDA0003829512730000046
Figure FDA0003829512730000047
Figure FDA0003829512730000048
Figure FDA0003829512730000049
Figure FDA00038295127300000410
Figure FDA00038295127300000411
Figure FDA00038295127300000412
TC2,TC3,TC4,TT2,TT3,TT4,TE2,TE3,TE4≥0 (20)
3.3边缘计算层的ATC单元的目标函数
Figure FDA0003829512730000051
边缘计算层的ATC单元的目标函数为
Figure FDA0003829512730000052
其中：
Figure FDA0003829512730000053
当取z＝3,即只考虑第3个子区域，则有
其中TC3＝C3+TC5+TC6+TC7 (22)
TT3＝T3+TT5+TT6+TT7 (23)
TE3＝E3+TE5+TE6+TE7 (24)
Figure FDA0003829512730000054
Figure FDA0003829512730000055
Figure FDA0003829512730000056
Figure FDA0003829512730000057
Figure FDA0003829512730000058
Figure FDA0003829512730000059
Figure FDA00038295127300000510
TC5,TC6,TC7,TT5,TT6,TT7,TE5,TE6,TE7≥0 (32)
3.4设备层的ATC单元的目标函数
Figure FDA00038295127300000511
设备层的ATC单元的目标函数为
Figure FDA0003829512730000061
其中：
Figure FDA0003829512730000062
(34)-(39)公式则是对(33)的解释和约束；如果取m＝6,即只考虑第6辆云基无人车，则有
TC6＝C6,TT6＝T6,TE6＝E6 (34)
Figure FDA0003829512730000063
Figure FDA0003829512730000064
Figure FDA0003829512730000065
Figure FDA0003829512730000066
Figure FDA0003829512730000067
收敛性判据要求整体架构中ATC单元的目标函数公式(1)的相对变化值小于指定的εi阈值：
Figure FDA0003829512730000068
fi k表示目标函数的ATC节点i的第k代。
CN201910443425.2A 2019-05-27 2019-05-27 一种5g边缘计算的云基无人车架构及其控制评价方法 Active CN110210806B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910443425.2A CN110210806B (zh) 2019-05-27 2019-05-27 一种5g边缘计算的云基无人车架构及其控制评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910443425.2A CN110210806B (zh) 2019-05-27 2019-05-27 一种5g边缘计算的云基无人车架构及其控制评价方法

Publications (2)

Publication Number Publication Date
CN110210806A CN110210806A (zh) 2019-09-06
CN110210806B true CN110210806B (zh) 2023-03-24

Family

ID=67788742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910443425.2A Active CN110210806B (zh) 2019-05-27 2019-05-27 一种5g边缘计算的云基无人车架构及其控制评价方法

Country Status (1)

Country Link
CN (1) CN110210806B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110659034B (zh) * 2019-09-24 2022-09-20 合肥工业大学 云边混合计算服务的组合优化部署方法、系统及存储介质
CN111273892A (zh) * 2020-02-13 2020-06-12 济南浪潮高新科技投资发展有限公司 一种基于云端技术和边缘计算实现智能机器人的方法
CN111367292A (zh) * 2020-03-20 2020-07-03 特路（北京）科技有限公司 自动驾驶汽车智能道路系统
CN111538571B (zh) * 2020-03-20 2021-06-29 重庆特斯联智慧科技股份有限公司 一种用于人工智能物联网的边缘计算节点任务调度的方法和系统
CN111726761B (zh) * 2020-07-23 2021-11-16 拉扎斯网络科技（上海）有限公司 物联网数据传输方法及装置
US11670120B2 (en) 2020-08-31 2023-06-06 Toyota Research Institute, Inc. System and method for monitoring test data for autonomous operation of self-driving vehicles
CN116744368B (zh) * 2023-07-03 2024-01-23 北京理工大学 基于云边端架构的智能协同异构空地无人系统及实现方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130297725A1 (en) * 2012-05-02 2013-11-07 Elwha Llc Control of Transmission to a Target Device with a Cloud-Based Architecture
CN108366118A (zh) * 2018-02-11 2018-08-03 苏州光之翼智能科技有限公司 一种基于云计算的分布式无人机实时测绘系统
CN108430052A (zh) * 2018-02-05 2018-08-21 西安电子科技大学 基于车载基站的智能网联汽车通信网络架构
CN108684047A (zh) * 2018-07-11 2018-10-19 北京邮电大学 一种无人机承载小基站通信系统与方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130297725A1 (en) * 2012-05-02 2013-11-07 Elwha Llc Control of Transmission to a Target Device with a Cloud-Based Architecture
CN108430052A (zh) * 2018-02-05 2018-08-21 西安电子科技大学 基于车载基站的智能网联汽车通信网络架构
CN108366118A (zh) * 2018-02-11 2018-08-03 苏州光之翼智能科技有限公司 一种基于云计算的分布式无人机实时测绘系统
CN108684047A (zh) * 2018-07-11 2018-10-19 北京邮电大学 一种无人机承载小基站通信系统与方法

Also Published As

Publication number Publication date
CN110210806A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
CN110210806B (zh) 一种5g边缘计算的云基无人车架构及其控制评价方法
CN109933089B (zh) 基于最小化最大能量消耗的多无人机任务规划方法及装置
Scherer et al. Persistent multi-UAV surveillance with energy and communication constraints
Grancharova et al. UAVs trajectory planning by distributed MPC under radio communication path loss constraints
CN103256931B (zh) 无人机的可视导航系统
CN111273691B (zh) 一种基于多约束条件的多无人机巡逻任务规划方法
Yanmaz Positioning aerial relays to maintain connectivity during drone team missions
Aliev et al. Prediction and estimation model of energy demand of the AMR with cobot for the designed path in automated logistics systems
Shi et al. A multi-layer collaboration framework for industrial parks with 5G vehicle-to-everything networks
CN114186859B (zh) 复杂未知环境多机协同多目标任务分配方法
Bayer et al. Decentralized topological mapping for multi-robot autonomous exploration under low-bandwidth communication
Liu et al. UAV-USV cooperative task allocation for smart ocean networks
Mahdoui et al. Cooperative exploration strategy for micro-aerial vehicles fleet
He et al. Moving target tracking by UAVs in an urban area
Xu et al. Aerial edge computing: Flying attitude-aware collaboration for multi-UAV
Farid et al. Evolutionary mapping with multiple unmanned aerial vehicles
Mantha et al. Task allocation and route planning for robotic service networks with multiple depots in indoor environments
Chen et al. Coordinated optimal path planning of multiple substation inspection robots based on conflict detection
Sabattini et al. Hierarchical coordination strategy for multi-AGV systems based on dynamic geodesic environment partitioning
Zema et al. 3D trajectory optimization for multimission UAVs in smart city scenarios
Defoort et al. A motion planning framework with connectivity management for multiple cooperative robots
Vikranth UAV swarm co-ordination and control using grossberg neural network
CN114326713A (zh) 基于二维码导航的多agv移动机器人路径优化方法
Zhang et al. Cooperative Route Planning for Fuel-constrained UGV-UAV Exploration
Nesmachnow et al. Multiobjective evolutionary flight planning of autonomous unmanned aerial vehicles for exploration and surveillance.

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