CN110309957A - 一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法 - Google Patents

一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法 Download PDF

Info

Publication number
CN110309957A
CN110309957A CN201910521770.3A CN201910521770A CN110309957A CN 110309957 A CN110309957 A CN 110309957A CN 201910521770 A CN201910521770 A CN 201910521770A CN 110309957 A CN110309957 A CN 110309957A
Authority
CN
China
Prior art keywords
time
model
data
mine car
anticipation
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.)
Granted
Application number
CN201910521770.3A
Other languages
English (en)
Other versions
CN110309957B (zh
Inventor
王云鹏
冯小原
任毅龙
于海洋
季楠
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.)
Beijing Tage Idriver Technology Co Ltd
Original Assignee
Beijing University of Aeronautics and Astronautics
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 Beijing University of Aeronautics and Astronautics filed Critical Beijing University of Aeronautics and Astronautics
Priority to CN201910521770.3A priority Critical patent/CN110309957B/zh
Publication of CN110309957A publication Critical patent/CN110309957A/zh
Application granted granted Critical
Publication of CN110309957B publication Critical patent/CN110309957B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法，所述方法，包括步骤一、利用历史数据建立离线运行的第一时间预判模型；步骤二、基于在线数据，建立第二时间预判模型；步骤三：综合模型M_1和模型M_2结果，得到预判值。本发明分利用端边云架构的在用矿车无人驾驶运输系统的设备优势和便利性，并将此反哺于在用矿车无人驾驶运输系统的服务中去，最终为达到提高系统运行效率的目的奠定基础。

Description

一种面向在用矿车无人驾驶运输系统的矿车运输时间预判 方法
技术领域
本发明涉及在用矿车无人驾驶运输系统领域。具体是一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法。
背景技术
随着传感器技术和大数据技术的快速发展，自动驾驶技术得到了广泛关注，相较于传统的道路交通场景，矿区、港口等一些特殊的封闭场景已经率先使得这一技术落地，有效地提高了生产效率。但是在矿区使用全新的自动驾驶车辆并不现实。一方面，矿车造价高昂，大批次的淘汰在用矿车、更换成新的自动驾驶车辆，成本过高；另一方面，矿区环境恶劣，灰尘弥漫，道路标线等基础设施不完备，这不利于大多自动驾驶车辆多依赖的高精度环境感知设备(如高清摄像机、毫米波雷达等)正常工作。因此，使用端边云架构的在用矿车无人驾驶运输系统成为了较为理想的解决方案。
在端边云架构的在用矿车无人驾驶运输系统中：“端”指智能矿车，通过智能驾驶机器人对在用矿车改装实现无人驾驶功能，降低成本；“边”指智能路侧设备，通过在固定道路位置点装配智能设备帮助矿车完成环境感知，并及时发布控制、调度指令；“云”指云端智能平台，是整个矿车无人驾驶运输系统的“大脑”，通过处理、计算上传到的矿车、路侧设备的实时感知信息和系统运行状态信息，借助云智能技术实现智能地控制、调度矿车等任务，是保证系统有序、高效运行的基础。
矿车的运输时间预判是端边云框架下云智能技术中的一项重要内容，是了解并分析矿区运行状态的先验手段，也是未来矿区任务规划的基本前提。
发明内容
本发明提供一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法，以提高对于矿车运输时间的判断准确性。
为了解决上述问题，本专利提供的技术方案包括：
一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法，其特征在于，所述方法，包括如下步骤：
步骤一、利用历史数据建立离线运行的第一时间预判模型
在本步骤中，建立一个离线的矿车运输时间预判模型，从历史数据中把握矿车运输的一般性规律。步骤一主要包括如下子步骤：
S101历史时空数据收集。
在本步骤中收集矿车在矿区道路运输时的历史轨迹数据。在本步骤中依托于在用矿车的智能驾驶改装，通过高精度的定位设备帮助矿车在矿区道路运输上时收集时空数据，即矿车轨迹数据，具体是指实时位置数据以及从其它位置到达该位置的时间，并将数据上传至后台的云端。另一方面，智能路侧的传感器设备同时收集道路上矿车运行的时空数据，并将数据上传至云端。经过一段时间的数据收集，大量、长期矿车行驶能够形成较为可观的数据集，可基本涵盖矿区道路上任意起讫点。
S102数据处理。
首先，对矿车端和智能路侧传感器设备收集的数据进行相互校验，优选地，通过时间、空间以及车辆编码的三维信息进行匹配，剔除异常数据值。其次，将收集到的时空数据处理成包含信息：“起点位置”、“讫点位置”、“时段”、“运输时间”。其中，“时段”是指这次行程发生在一天内的哪个小时，此字段取整数值0～23。
S103建立离线模型。
建立具有1个输入层、3个网络层和1个输出层的深度堆式自编码模型(记为M1)，其中输入层神经元个数与输入特征维度一致；网络层的神经元数量分别是40，40和40个；输出层神经元个数为1。首先，在大量的历史数据中划分特征与标签，即以“起点位置”、“讫点位置”、“时段”为特征作为模型输入，以矿车的“运输时间”为标签作为模型输出(记为T1)，并根据反向传播算法训练模型M1。训练步骤采用分层预训练的方式，即先建立3个包含单一网络层且与M1中各网络层结构一致的预训练网络，分别训练预训练网络，再将预训练网络中的网络层迁移到M1中，最后对M1进行训练。设第i层计算结果为fi,激活函数为σi(除输出层使用线性激活函数外，其他各层使用线性整流函数)，wi和bi是参数,则：
fi＝σi(wifi-1+bi) (1)
根据M1模型结构，设wo和bo是输出层参数，其最终预判值可以表达为：
T1＝woσ3(σ2(σ1(w1x+b1)+b2)+b3)+bo (2)
步骤二、基于在线数据，建立第二时间预判模型
本步骤中，所述第二时间预测模型与，第一时间预判模型不同之处在于，所述第二时间预判模型进行实时预测，即所述预测至少部分地基于在线进行预测。所述步骤二包括如下子步骤：
S201确定已知信息。
确定所需预判矿车的起讫点和所处时段等信息。
S202收集实时数据。
与离线部分收集的数据不同，上述信息并不过多强调运输的静态特征，而是关注系统的实时动态性，数据具备明显的时变性，甚至随机性。具体收集的数据包括：矿车通过车载智能通信设备上传当前运行状态信息，例如当前车辆瞬时速度、车辆装载状态、车辆主要设备工作状态等；智能路侧设备通过实时通信技术收集矿区各路段当前运行状态信息并上传，包括刚刚驶过所需预测起讫点间的运输时间、车辆装载状态、车辆主要设备工作状态等。
S203：建立在线模型。
建立以梯度提升决策树为基础的在线旅行时间预判模型M2，以确定的已知信息和收集到的实时数据构建的特征向量x为输入，输出所预判的矿车运输时间T2。M2是一组以决策树模型作为弱学习器的集成，每一次训练是在减少上一棵决策树预测残差的梯度方向上建立一个新的决策树gk(·)。其优势在于M2可以广泛地吸纳不同类型的特征，并衡量不同特征的重要性，通过迭代计算弥补原有弱学习器的不足，有效增强模型的泛化能力，取得精度较高的预判效果。最终预判结果是所有树结果的线性累加，具体如式(3)：
步骤三：综合模型M1和模型M2结果，得到预判值。
本步骤中，首先实时数据相关信息输入已经训练好的离线模型M1中，根据上述信息得到预判值T1；并且根据在线的实时预测得到在线模型M2的预判结果；然后综合模型M1和模型M2结果，得到预判值。具体如式(4)所示：
其中，δ为参数，取值范围为[0,1]，其作用是控制预判值的偏向。若进行预判的矿区路段运输状态规律性强，则δ更接近于1，预判值更倾向于模型M1结果；若进行预判的路段交通事件偶发性强，则δ更接近于0，预判值更倾向于模型M2结果。
本发明具有如下优点：
(1)充分利用端边云架构的在用矿车无人驾驶运输系统的设备优势和便利性，并将此反哺于在用矿车无人驾驶运输系统的服务中去，最终为达到提高系统运行效率的目的奠定基础。
(2)结合端边云架构的在用矿车无人驾驶运输系统的运行历史规律，将运输时间预判方法拆分为离线和在线两个部分：离线部分利用深度模型挖掘系统长期运行时积累的数据价值，主要体现了运输系统运输时间的静态规律；在线部分提高了矿车运输时间预判方法在各种系统运行状态下的适应能力，主要侧重于系统动态运行状态对运输时间的影响。二者的有效结合能更好地提高预判精度。
附图说明：
图1为端边云架构的在用矿车无人驾驶运输系统基本结构。
图2为本发明提供的运输时间预判方法实施基本流程。
图3为一种种旅行时间预判的深度学习模型的简易拓扑结构。
具体实施方式：
一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法，建立在端边云架构的在用矿车无人驾驶运输系统的基础上，其基本结构如图1所示，具体方法包括离线部分和在线部分，如图2所示，具体是：
离线部分：离线部分首先建立一个矿车运输时间预判模型，其目的是从历史数据中把握矿车运输的一般性规律。这一部分主要包括如下步骤：
步骤一：历史时空数据收集。依托于在用矿车的智能驾驶改装，通过高精度的定位设备帮助矿车在矿区道路运输上时收集时空数据，即矿车轨迹数据，具体是指实时位置数据以及从某位置到达该位置的时间，并将数据上传至后台的云端。另一方面，智能路侧设备同时收集道路上矿车运行的时空数据，并将数据上传至云端。经过一段时间的数据收集，大量、长期矿车行驶能够形成较为可观的数据集，可基本涵盖矿区道路上任意起讫点。
步骤二：数据处理。首先，对矿车端和智能路侧设备收集的数据进行相互校验，主要通过时间、空间以及车辆编码的三维信息进行匹配，剔除异常数据值。其次，将收集到的时空数据处理成包含信息：“起点位置”、“讫点位置”、“时段”、“运输时间”。其中，“时段”是指这次形成发生在一天内的哪个小时，此字段取整数值0～23。
步骤三：建立离线模型。建立具有1个输入层、3个网络层和1个输出层的深度堆式自编码模型(记为M1)，如图3所示，其中输入层神经元个数与输入特征维度一致；网络层的神经元数量分别是40，40和40个；输出层神经元个数为1。首先，在大量的历史数据中划分特征与标签，即以“起点位置”、“讫点位置”、“时段”为特征作为模型输入，以矿车的“运输时间”为标签作为模型输出(记为T1)，并根据反向传播算法训练模型M1。训练步骤采用分层预训练的方式，即先建立3个包含单一网络层且与M1中各网络层结构一致的预训练网络，分别训练预训练网络，再将预训练网络中的网络层迁移到M1中，最后对M1进行训练。设第i层计算结果为fi,激活函数为σi(除输出层使用线性激活函数外，其他各层使用线性整流函数)，wi和bi是参数,则：
fi＝σi(wifi-1+bi) (1)
根据M1模型结构，设wo和bo是输出层参数，其最终预判值可以表达为：
T1＝woσ3(σ2(σ1(w1x+b1)+b2)+b3)+bo (2)
在线部分：在线部分建立第二个矿车运输时间预判模型，与第一个模型不同的是该模型为实时预测模型，针对需进行运输时间预判的矿车。这一部分主要包括如下步骤：
步骤一：确定已知信息。与离线部分收集的数据不同，上述信息并不过多强调运输的静态特征，而是关注系统的实时动态性，数据具备明显的时变性，甚至随机性。具体收集的数据包括：矿车通过车载智能通信设备上传当前运行状态信息，例如当前车辆瞬时速度、车辆装载状态、车辆主要设备工作状态等；智能路侧设备通过实时通信技术收集矿区各路段当前运行状态信息并上传，包括刚刚驶过所需预测起讫点间的运输时间、车辆装载状态、车辆主要设备工作状态等。
步骤二：收集实时数据。矿车通过车载智能通信设备上传当前运行状态信息，智能路侧设备通过实时通信技术收集矿区各路段当前运行状态信息并上传，包括刚刚驶过所需预测起讫点间的运输时间。
步骤三：实时数据相关信息输入已经训练好的离线模型M1中，根据上述信息得到预判值T1。
步骤四：建立在线模型。建立以梯度提升决策树为基础的在线旅行时间预判模型M2，以确定的已知信息和收集到的实时数据构建的特征向量x为输入，输出所预判的矿车运输时间T2。M2是一组以决策树模型作为弱学习器的集成，每一次训练是在减少上一棵决策树预测残差的梯度方向上建立一个新的决策树gk(·)。其优势在于可以广泛地吸纳不同类型的特征，并衡量不同特征的重要性，通过迭代计算弥补原有弱学习器的不足，有效增强模型的泛化能力，取得精度较高的预判效果。最终预判结果是所有树结果的线性累加，具体如式(3)：
步骤五：综合模型M1和模型M2结果，得到预判值。本步骤中，首先实时数据相关信息输入已经训练好的离线模型M1中，根据上述信息得到预判值T1；并且根据在线的实时预测得到在线模型M2的预判结果；然后综合模型M1和模型M2结果，得到预判值。具体如式(4)所示：
其中，δ为参数，取值范围为[0,1]，其作用是控制预判值的偏向。若进行预判的矿区路段运输状态规律性强，则δ更接近于1，预判值更倾向于模型M1结果；若进行预判的路段交通事件偶发性强，则δ更接近于0，预判值更倾向于模型M2结果。例如，对矿区典型的常态化工作状态，可以标注δ取[0.7,0.9]；当矿区出现意外事故导致运输状态变化时，可取δ取[0.3,0.5]。

Claims (1)

1.一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法，其特征在于，所述方法，包括如下步骤：
步骤一、利用历史数据建立离线运行的第一时间预判模型
在本步骤中，建立一个离线的矿车运输时间预判模型，从历史数据中把握矿车运输的一般性规律；步骤一主要包括如下子步骤：
S101历史时空数据收集
在本步骤中收集矿车在矿区道路运输时的历史轨迹数据。在本步骤中依托于在用矿车的智能驾驶改装，通过高精度的定位设备帮助矿车在矿区道路运输上时收集时空数据，即矿车轨迹数据，具体是指实时位置数据以及从其它位置到达该位置的时间，并将数据上传至后台的云端。另一方面，智能路侧的传感器设备同时收集道路上矿车运行的时空数据，并将数据上传至云端。经过一段时间的数据收集，大量、长期矿车行驶能够形成较为可观的数据集，可基本涵盖矿区道路上任意起讫点；
S102数据处理
首先，对矿车端和智能路侧传感器设备收集的数据进行相互校验，优选地，通过时间、空间以及车辆编码的三维信息进行匹配，剔除异常数据值。其次，将收集到的时空数据处理成包含信息：“起点位置”、“讫点位置”、“时段”、“运输时间”；其中，“时段”是指这次行程发生在一天内的哪个小时，此字段取整数值0～23；
S103建立离线模型
建立具有1个输入层、3个网络层和1个输出层的深度堆式自编码模型(记为M1)，其中输入层神经元个数与输入特征维度一致；网络层的神经元数量分别是40，40和40个；输出层神经元个数为1。首先，在大量的历史数据中划分特征与标签，即以“起点位置”、“讫点位置”、“时段”为特征作为模型输入，以矿车的“运输时间”为标签作为模型输出(记为T1)，并根据反向传播算法训练模型M1；训练步骤采用分层预训练的方式，即先建立3个包含单一网络层且与M1中各网络层结构一致的预训练网络，分别训练预训练网络，再将预训练网络中的网络层迁移到M1中，最后对M1进行训练；设第i层计算结果为fi，激活函数为σi(除输出层使用线性激活函数外，其他各层使用线性整流函数)，wi和bi是参数，则：
fi＝σi(wifi-1+bi) (1)
根据M1模型结构，设wo和bo是输出层参数，其最终预判值可以表达为：
T1＝woσ3(σ2(σ1(w1x+b1)+b2)+b3)+bo (2)
步骤二、基于在线数据，建立第二时间预判模型
本步骤中，所述第二时间预测模型与，第一时间预判模型不同之处在于，所述第二时间预判模型进行实时预测，即所述预测至少部分地基于在线进行预测。所述步骤二包括如下子步骤：
S201确定已知信息
确定所需预判矿车的起讫点和所处时段等信息
S202收集实时数据
与离线部分收集的数据不同，上述信息并不过多强调运输的静态特征，而是关注系统的实时动态性，数据具备明显的时变性，甚至随机性。具体收集的数据包括：矿车通过车载智能通信设备上传当前运行状态信息，例如当前车辆瞬时速度、车辆装载状态、车辆主要设备工作状态等；智能路侧设备通过实时通信技术收集矿区各路段当前运行状态信息并上传，包括刚刚驶过所需预测起讫点间的运输时间、车辆装载状态、车辆主要设备工作状态；
S203：建立在线模型
建立以梯度提升决策树为基础的在线旅行时间预判模型M2，以确定的已知信息和收集到的实时数据构建的特征向量x为输入，输出所预判的矿车运输时间T2；M2是一组以决策树模型作为弱学习器的集成，每一次训练是在减少上一棵决策树预测残差的梯度方向上建立一个新的决策树gk(·)；其优势在于M2可以广泛地吸纳不同类型的特征，并衡量不同特征的重要性，通过迭代计算弥补原有弱学习器的不足，有效增强模型的泛化能力，取得精度较高的预判效果；最终预判结果是所有树结果的线性累加，具体如式(3)：
步骤三：综合模型M1和模型M2结果，得到预判值
本步骤中，首先实时数据相关信息输入已经训练好的离线模型M1中，根据上述信息得到预判值T1；并且根据在线的实时预测得到在线模型M2的预判结果；然后综合模型M1和模型M2结果，得到预判值。具体如式(4)所示：
其中，δ为参数，取值范围为[0，1]，其作用是控制预判值的偏向。若进行预判的矿区路段运输状态规律性强，则δ更接近于1，预判值更倾向于模型M1结果；若进行预判的路段交通事件偶发性强，则δ更接近于0，预判值更倾向于模型M2结果。
CN201910521770.3A 2019-06-17 2019-06-17 一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法 Active CN110309957B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910521770.3A CN110309957B (zh) 2019-06-17 2019-06-17 一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910521770.3A CN110309957B (zh) 2019-06-17 2019-06-17 一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法

Publications (2)

Publication Number Publication Date
CN110309957A true CN110309957A (zh) 2019-10-08
CN110309957B CN110309957B (zh) 2020-04-28

Family

ID=68075969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910521770.3A Active CN110309957B (zh) 2019-06-17 2019-06-17 一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法

Country Status (1)

Country Link
CN (1) CN110309957B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111445695A (zh) * 2019-10-16 2020-07-24 北京航空航天大学 一种智能车路系统的运行状况监测方法
CN112037552A (zh) * 2020-08-10 2020-12-04 北京航空航天大学 一种基于5g的矿区无人运输系统的编组协同作业方法
CN112149888A (zh) * 2020-09-08 2020-12-29 北京踏歌智行科技有限公司 一种面向露天矿的无人驾驶矿卡实时行程时间预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002014816A (ja) * 2000-05-02 2002-01-18 Internatl Business Mach Corp <Ibm> 判別式で決定木を生成し、それをデータ分類に使用するための方法および装置
CN101783075A (zh) * 2010-02-05 2010-07-21 北京科技大学 一种城市环形道路交通流预测系统
CN106548645A (zh) * 2016-11-03 2017-03-29 济南博图信息技术有限公司 基于深度学习的车辆路径寻优方法及系统
CN108919803A (zh) * 2018-07-04 2018-11-30 北京踏歌智行科技有限公司 一种矿用无人驾驶车辆的协同控制方法及装置
CN109658695A (zh) * 2019-01-02 2019-04-19 华南理工大学 一种多因素的短时交通流预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002014816A (ja) * 2000-05-02 2002-01-18 Internatl Business Mach Corp <Ibm> 判別式で決定木を生成し、それをデータ分類に使用するための方法および装置
CN101783075A (zh) * 2010-02-05 2010-07-21 北京科技大学 一种城市环形道路交通流预测系统
CN106548645A (zh) * 2016-11-03 2017-03-29 济南博图信息技术有限公司 基于深度学习的车辆路径寻优方法及系统
CN108919803A (zh) * 2018-07-04 2018-11-30 北京踏歌智行科技有限公司 一种矿用无人驾驶车辆的协同控制方法及装置
CN109658695A (zh) * 2019-01-02 2019-04-19 华南理工大学 一种多因素的短时交通流预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111445695A (zh) * 2019-10-16 2020-07-24 北京航空航天大学 一种智能车路系统的运行状况监测方法
CN111445695B (zh) * 2019-10-16 2021-09-24 北京航空航天大学 一种智能车路系统的运行状况监测方法
CN112037552A (zh) * 2020-08-10 2020-12-04 北京航空航天大学 一种基于5g的矿区无人运输系统的编组协同作业方法
CN112149888A (zh) * 2020-09-08 2020-12-29 北京踏歌智行科技有限公司 一种面向露天矿的无人驾驶矿卡实时行程时间预测方法

Also Published As

Publication number Publication date
CN110309957B (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN110309957A (zh) 一种面向在用矿车无人驾驶运输系统的矿车运输时间预判方法
CN109835375B (zh) 基于人工智能技术的高速铁路列车自动驾驶系统
CN110288001B (zh) 基于目标数据特征训练学习的目标识别方法
CN110371112A (zh) 一种自动驾驶车辆的智能避障系统及方法
CN117172414A (zh) 一种基于bim技术的建筑幕墙施工管理系统
CN106709447A (zh) 基于目标定位与特征融合的视频中异常行为检测方法
CN111415026B (zh) 无人设备调度装置、系统和方法
CN102890862B (zh) 基于向量模式的交通状态分析装置及方法
CN100466010C (zh) 异类交通信息实时融合方法
CN109427200A (zh) 智能无人驾驶系统
CN116129066A (zh) 基于数字孪生的自动驾驶高精度地图模型及高精度静态地图制作方法
CN112017195A (zh) 一种应用于城市轨道交通的智能综合监控系统
CN101588480A (zh) 一种多智能体视觉伺服协调控制方法
Wang et al. Multi-agent trajectory prediction with spatio-temporal sequence fusion
CN116382100A (zh) 一种油气管道检测控制系统及控制方法
CN115129030A (zh) 一种基于模型与神经网络组合的无人机故障诊断系统
CN109934161A (zh) 基于卷积神经网络的车辆识别与检测方法及系统
CN117670182A (zh) 一种基于物联网的物流调度系统
Rezaei et al. A deep learning-based approach for vehicle motion prediction in autonomous driving
CN115565388A (zh) 基于多通道车辆检测与立体特征标注的交通灯控制方法
Mester et al. Automotive Digital Perception
Shao et al. Road Traffic Assignment Algorithm Based on Computer Vision
Funaki Product automation and innovation
Tang et al. Research on machine vision decision-making system for self-driving logistics vehicles
CN118469426B (zh) 一种基于物联网的数据处理方法及系统

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210402

Address after: 100176 901, 9th floor, building 2, yard 10, KEGU 1st Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing

Patentee after: BEIJING TAGE IDRIVER TECHNOLOGY Co.,Ltd.

Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road

Patentee before: BEIHANG University