CN110509913A - 基于大数据和人工智能的混合动力推进方法和机器人系统 - Google Patents

基于大数据和人工智能的混合动力推进方法和机器人系统 Download PDF

Info

Publication number
CN110509913A
CN110509913A CN201910794455.8A CN201910794455A CN110509913A CN 110509913 A CN110509913 A CN 110509913A CN 201910794455 A CN201910794455 A CN 201910794455A CN 110509913 A CN110509913 A CN 110509913A
Authority
CN
China
Prior art keywords
data
preset
obtaining
model
big data
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
CN201910794455.8A
Other languages
English (en)
Other versions
CN110509913B (zh
Inventor
朱定局
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.)
Big Country Innovation Intelligent Technology (dongguan) Co Ltd
Nanjing Wisdom Light Information Technology Research Institute Co Ltd
Original Assignee
Big Country Innovation Intelligent Technology (dongguan) Co Ltd
Nanjing Wisdom Light Information Technology Research Institute Co Ltd
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 Big Country Innovation Intelligent Technology (dongguan) Co Ltd, Nanjing Wisdom Light Information Technology Research Institute Co Ltd filed Critical Big Country Innovation Intelligent Technology (dongguan) Co Ltd
Priority to CN201910794455.8A priority Critical patent/CN110509913B/zh
Publication of CN110509913A publication Critical patent/CN110509913A/zh
Priority to PCT/CN2020/097978 priority patent/WO2021036456A1/zh
Application granted granted Critical
Publication of CN110509913B publication Critical patent/CN110509913B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
    • B60W20/11—Controlling the power contribution of each of the prime movers to meet required power demand using model predictive control [MPC] strategies, i.e. control methods based on models predicting performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

基于大数据和人工智能的混合动力推进方法和机器人系统，包括：获取动力推进装置所属的对象的类型，获取预设类型的与所述对象相关的数据，获取预设模型，将所述预设类型的与所述对象相关的数据输入所述预设模型，通过所述预设模型计算得到的输出作为推荐的动力推进方式。上述方法和系统通过基于大数据和人工智能的混合动力推进技术，提高了混合动力推进方式切换的智能性、高效性。

Description

基于大数据和人工智能的混合动力推进方法和机器人系统
技术领域
本发明涉及信息技术领域，特别是涉及一种基于大数据和人工智能的混合动力推进方法和机器人系统。
背景技术
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有技术下混合动力推进方式包括电能推进方式、柴油汽油等热能推进方式、等等、或者多种能混合推进方式；现有技术下混合动力推进方式的切换一般采用手工切换，可见现有技术下混合动力推进方式的切换模式单一、智能性低。
因此，现有技术还有待于改进和发展。
发明内容
基于此，有必要针对现有技术中的缺陷或不足，提供基于大数据和人工智能的混合动力推进方法和机器人系统，以解决现有技术中混合动力推进方式切换的智能性低、高效性不足的缺点。
第一方面，本发明实施例提供一种混合动力推进方法，所述方法包括：
对象类型获取步骤，用于获取动力推进装置所属的对象的类型；
数据获取步骤，用于获取预设类型的与所述对象相关的数据；
预设模型获取步骤，用于获取预设模型；
模型计算步骤，用于将所述预设类型的与所述对象相关的数据输入所述预设模型，通过所述预设模型计算得到的输出作为推荐的动力推进方式。
优选地，所述方法还包括：
系统控制步骤，用于根据所述推荐的动力推进方式控制所述动力推进装置。
优选地，
所述预设类型由用户预先设置或从知识库中获取；
所述预设类型的数据包括与动力推进方式的选择有相关性的数据；
所述与所述对象相关的数据包括所述对象的数据、所述对象的环境数据；
所述预设类型的与所述对象相关的数据为所述预设类型的与所述对象相关的当前数据或近期数据或最近预设时段内的数据。
优选地，所述预设模型获取步骤包括：
历史大数据获取步骤，用于获取所述对象所属类型的所有对象的有效历史大数据；所述历史大数据包括迄今为止所采集的大数据；
对应数据获取步骤，用于获取所述有效历史大数据中预设类型的数据及其对应的动力推进方式；
深度学习模型初始化步骤，用于初始化深度学习模型；
无监督训练步骤，用于将所述有效历史大数据中所述预设类型的数据作为所述深度学习模型的输入，对所述深度学习模型进行无监督训练；
有监督训练步骤，用于将所述历史大数据中所述预设类型的数据及其对应的动力推进方式分别作为所述深度学习模型的输入和输出，对通过无监督训练之后的所述深度学习模型进行有监督训练；
预设模型生成步骤，用于获取有监督训练之后的所述深度学习模型作为所述预设模型。
优选地，
所述预设模型获取步骤包括：
历史大数据获取步骤，用于获取所述对象所属类型的所有对象的有效历史大数据；
对应数据获取步骤，用于获取所述有效历史大数据中预设类型的数据及其对应的动力推进方式；
模型数据设置步骤，用于将所述有效历史大数据中所述预设类型的数据及其对应的动力推进方式分别作为所述预设模型的待匹配数据及其对应的待推荐数据；
所述模型计算步骤包括：
匹配步骤，用于所述将所述预设类型的与所述对象相关的数据与所述预设模型中的每一个所述待匹配数据进行模糊匹配；
选取步骤，用于选取与所述输入的所述预设类型的与所述对象相关的数据匹配度最大的所述预设模型中的所述待匹配数据；
推荐步骤，用于从所述预设模型中获取与所选取的所述待匹配数据所对应的待推荐数据作为所述预设模型计算得到的输出，将所述输出作为推荐的动力推进方式。
优选地，所述历史大数据获取步骤包括：
有人控制数据获取步骤，用于获取“有人控制”且“与所述对象具有至少一种共同的动力推进方式”的所有同类对象的历史数据作为第一大数据；
无人控制数据获取步骤，用于获取“无人控制”且“动力推进方式的选择效果满足预设条件”且“与所述对象具有至少一种共同的动力推进方式”的所有同类对象的历史数据作为第二大数据；
有人控制数据清洗步骤，用于从第一大数据中删除所述对象不具备的动力推进方式及其对应的其他数据，得到第三大数据；
无人控制数据清洗步骤，用于从第二大数据中删除所述对象不具备的动力推进方式及其对应的其他数据，得到第四大数据；
有效历史大数据生成步骤，用于将第三大数据和第四大数据作为有效历史大数据。
优选地，所述对象为车；所述车包括无人车；所述预设类型的与所述对象相关的数据包括所述车当前所在路段的路况数据、所述车当前所在路段的排气污染控制指标数据、所述车当前所在路段的噪音控制指标数据、所述车当前所在路段的限速范围、所述车当前不同动力推进类型所剩余的能量数据、所述车的车型、所述车当前预设数据中的一种或几种。
优选地，所述对象为船；所述船包括无人船；所述预设类型的与所述对象相关的数据包括所述船当前所在航段的海况数据、所述船当前所在航段的排气污染控制指标数据、所述船当前所在航段的噪音控制指标数据、所述船当前所在航段的气象数据、所述船当前所在航段的风力数据、所述船当前需求数据、所述船当前不同动力推进类型所剩余的能量数据、所述船的船型、所述船当前预设数据中的一种或几种。
优选地，所述对象为飞机；所述飞机包括无人机；所述预设类型的与所述对象相关的数据包括所述飞机当前所在航段的天气数据、所述飞机当前所在航段的噪音污染控制指标数据、当前所在航段的风力数据、所述飞机当前不同动力推进类型所剩余的能量数据、机型、所述飞机当前预设数据中的一种或几种。
第二方面，本发明实施例提供一种系统，其特征在于，所述系统执行第一方面任一项所述的混合动力推进方法中的步骤；所述系统包括机器人系统。
本发明实施例具有的优点和有益效果包括：
本发明实施例通过从历史大数据学习得到预设模型，进而通过预设模型和目前数据计算得到目前应该采用的动力推进方式，而且所述历史数据和目前数据中包括动力推进系统所属对象本身的数据和环境数据，从而使得得到的预设模型和推荐的动力推进方式更符合对象和环境的需要、更高效，因此本发明实施例可使得动力推进方式的切换更为智能、高效。例如，对于无人船的混合动力推进的切换而言，需要考虑到的数据包括所述船当前所在航段的海况数据、当前所在航段的排气污染控制指标数据、当前所在航段的噪音控制指标数据、当前所在航段的气象数据、当前所在航段的风力数据、当前其他需求数据、当前不同动力推进类型所剩余的能量数据、船型、当前其他预设数据、等等中的一种或几种。其中，所述航段可以替换为海域。当前其他预设数据包括作战时对噪音、速度等的控制指标数据。而现有技术只能手动切换或者根据速度进行自动切换，手动切换对用户要求高、不智能，而如果仅仅根据速度进行自动切换，只考虑到了速度因素，不适合更广泛的应用场景，在很多应用场景下不但要考虑速度，还要考虑到更多环境的因素和动力推进系统所属对象本身的因素。
本发明实施例提供的基于大数据和人工智能的混合动力推进方法和机器人系统，包括：获取动力推进装置所属的对象的类型，获取预设类型的与所述对象相关的数据，获取预设模型，将所述预设类型的与所述对象相关的数据输入所述预设模型，通过所述预设模型计算得到的输出作为推荐的动力推进方式。上述方法和系统通过基于大数据和人工智能的混合动力推进技术，提高了混合动力推进方式切换的智能性、高效性。
附图说明
图1为本发明的实施例2提供的混合动力推进方法的流程图；
图2为本发明的实施例4提供的预设模型获取步骤的流程图；
图3为本发明的实施例5提供的预设模型获取步骤的流程图；
图4为本发明的实施例5提供的模型计算步骤的流程图；
图5为本发明的实施例11提供的混合动力推进系统的原理框图；
图6为本发明的实施例13提供的预设模型模块的原理框图；
图7为本发明的实施例14提供的预设模型模块的原理框图；
图8为本发明的实施例14提供的模型计算模块的原理框图。
具体实施方式
下面结合本发明实施方式，对本发明实施例中的技术方案进行详细地描述。
(一)本发明的各种实施例中的方法包括以下步骤的各种组合：
实施例1：
一种混合动力推进方法，包括对象类型获取步骤S100、数据获取步骤S200、预设模型获取步骤S300、模型计算步骤S400、系统控制步骤S500。
对象类型获取步骤S100，用于获取动力推进装置所属的对象的类型。所述动力推进装置是所述对象的动力推进装置。所述动力推进装置安装在所述对象上，所以所述对象是动力推进装置所属的对象。所述对象包括车辆、轮船、飞机等等交通工具或者其他需要安装动力推进装置的系统或设备。从而根据对象类型确定所述类型的对象的动力推进装置的动力推进方式，并确定与推进方式相关的预设类型的与所述对象相关的数据。
数据获取步骤S200，用于获取预设类型的与所述对象相关的数据。从而根据预设类型的与所述对象相关的数据计算得到推荐的动力推进方式。
预设模型获取步骤S300，用于获取预设模型。从而通过预设模型在预设类型的与所述对象相关的数据与动力推进方式之间建立对应关系。其中，所述预设模型的输入格式为预设类型的与所述对象相关的数据格式，输出格式为动力推进方式的数据格式；动力推进方式的数据格式可以使用数字格式，将每一个动力推进方式编码成一个数字；动力推进方式(即动力推进的方式)包括使用电能来推进、柴油机来推进、燃气轮机来推进等等、以及一种或多种推进方式混合的推进方式；
模型计算步骤S400，用于将所述预设类型的与所述对象相关的数据输入所述预设模型，通过所述预设模型计算得到的输出作为推荐的动力推进方式。从而为控制所述动力推进系统提供推荐的动力推进方式。其中，所述输出为所述预设模型的输出；
实施例2：
根据实施例1所述的方法，还包括系统控制步骤S500，如图1所示。
系统控制步骤S500，用于根据所述推荐的动力推进方式控制所述动力推进装置；从而使得所述动力推进系统能以更优的方式运行，从而提高所述对象的所述动力推进系统的智能性和高效性。具体用于判断所述推荐的动力推进方式与当前动力推进方式是否一致：否，则向动力推进装置发送将当前动力推进方式切换为所述推荐的动力推进方式的控制指令。
实施例3：
根据实施例1所述的方法，其中，
所述预设类型由用户预先设置或从知识库中获取；
所述预设类型的数据包括与动力推进方式的选择有相关性的数据；
所述与所述对象相关的数据包括所述对象的数据、所述对象的环境数据；
所述预设类型的与所述对象相关的数据为所述预设类型的与所述对象相关的当前数据或近期数据或最近预设时段内的数据。
实施例4：
根据实施例1所述的方法，
其中，预设模型获取步骤S300包括历史大数据获取步骤S311、对应数据获取步骤S312、深度学习模型初始化步骤S313、无监督训练步骤S314、有监督训练步骤S315、预设模型生成步骤S316，如图2所示。
历史大数据获取步骤S311，用于获取所述对象所属类型的所有对象的有效历史大数据；
对应数据获取步骤S312，用于获取所述有效历史大数据中预设类型的与所述对象相关的数据及其对应的动力推进方式，其中，所述预设类型的与所述对象相关的数据为预设类型的历史数据；
深度学习模型初始化步骤S313，用于初始化深度学习模型；
无监督训练步骤S314，用于将所述有效历史大数据中所述预设类型的与所述对象相关的数据作为所述深度学习模型的输入，对所述深度学习模型进行无监督训练；
有监督训练步骤S315，用于将所述历史大数据中所述预设类型的与所述对象相关的数据及其对应的动力推进方式分别作为所述深度学习模型的输入和输出，对通过无监督训练之后的所述深度学习模型进行有监督训练；
预设模型生成步骤S316，用于获取有监督训练之后的所述深度学习模型作为所述预设模型。
其中，所述历史大数据可以通过网络在线获取或从历史大数据库获取。所述有效历史大数据包括预设类型的与所述对象相关的数据及其对应的动力推进方式；所述有效历史大数据是在过去很长一段时间内采集的。预设类型的与所述对象相关的数据及其对应的动力推进方式是每一个被采集的对象在每一个被采集的时刻所采集到的，既要采集每一个被采集的对象在每一个被采集的时刻的预设类型的与所述对象相关的数据，还要采集所述每一个被采集的对象在所述每一个被采集的时刻的动力推进方式，其中，所述每一个被采集的对象属于所述对象所属类型的对象集合。
其中，所述对象所属类型包括与所述对象具有至少一种共同的动力推进方式的对象(包括交通工具)。
实施例5：
根据实施例1所述的方法，
其中，预设模型获取步骤S300包括历史大数据获取步骤S321、对应数据获取步骤S322、模型数据设置步骤S323，如图3所示。
历史大数据获取步骤S321，用于获取所述对象所属类型的所有对象的有效历史大数据；
对应数据获取步骤S322，用于获取所述有效历史大数据中预设类型的与所述对象相关的数据及其对应的动力推进方式；其中，所述预设类型的与所述对象相关的数据为预设类型的历史数据；
模型数据设置步骤S323，用于将所述有效历史大数据中所述预设类型的与所述对象相关的数据及其对应的动力推进方式分别作为所述预设模型的待匹配数据及其对应的待推荐数据。
其中，模型计算步骤S400包括匹配步骤S421、选取步骤S422、推荐步骤S423，如图4所示。
匹配步骤S421，用于所述将所述预设类型的与所述对象相关的数据与所述预设模型中的每一个所述待匹配数据进行模糊匹配；
选取步骤S422，用于选取与所述输入的所述预设类型的与所述对象相关的数据匹配度最大的所述预设模型中的所述待匹配数据；
推荐步骤S423，用于从所述预设模型中获取与所选取的所述待匹配数据所对应的待推荐数据作为所述预设模型计算得到的输出，将所述输出作为推荐的动力推进方式。
实施例4采用的是大数据、深度学习技术，实施例5采用的是大数据及其推荐技术。
实施例6：
根据实施例4或5所述的方法，
历史大数据获取步骤S321包括：
有人控制数据获取步骤S321-1：用于获取“有人控制(例如有人驾驶)”且“与所述对象具有至少一种共同的动力推进方式”的所有同类对象(例如车)的历史数据作为第一大数据；所述同类对象为所述对象所属类型的对象；所述同类对象与所述对象都属于所述对象所属类型；所述历史数据包括所述预设类型的数据及其对应的动力推进方式；因为人是有智能的，对象在有人控制(例如有人驾驶)时所选择的动力推进方式更可信，而无人机、无人车、无人船等无人控制(例如无人驾驶)的对象(例如车)的历史大数据不一定可信。所述有人控制包括有人进行动力推进方式的选择；
无人控制数据获取步骤S321-2：获取“无人控制(例如无人驾驶)”且“动力推进方式的选择效果满足预设条件”且“与所述对象具有至少一种共同的动力推进方式”的所有同类对象(例如车)的历史数据作为第二大数据；所述历史数据包括所述预设类型的数据及其对应的动力推进方式；其中，动力推进方式的选择效果满足预设条件包括动力推进方式的选择效果的用户评分大于预设阈值。所述无人控制包括无人进行动力推进方式的选择；
有人控制数据清洗步骤S321-3：从第一大数据中删除所述对象不具备的动力推进方式及其对应的其他数据，包括从第一大数据中删除所述对象不具备的动力推进方式及其对应的所述预设类型的数据，得到第三大数据；
无人控制数据清洗步骤S321-4：从第二大数据中删除所述对象不具备的动力推进方式及其对应的其他数据，包括从第二大数据中删除所述对象不具备的动力推进方式及其对应的所述预设类型的数据，得到第四大数据；
有效历史大数据生成步骤S321-5：将第三大数据和第四大数据作为有效历史大数据。
实施例7：
根据实施例1所述的方法，
其中，所述对象为车；所述车包括无人车；
其中，所述预设类型的与所述对象相关的数据包括所述车当前所在路段的路况数据、当前所在路段的排气污染控制指标数据、当前所在路段的噪音控制指标数据、当前所在路段的限速范围、当前不同动力推进类型所剩余的能量数据、车型、当前其他预设数据、等等中的一种或几种。其中，所述道段可以替换为区域。当前其他预设数据包括作战时对噪音、速度等的控制指标数据。
实施例8：
根据实施例1所述的方法，
其中，所述对象为船；所述船包括无人船；
其中，所述预设类型的与所述对象相关的数据包括所述船当前所在航段的海况数据、当前所在航段的排气污染控制指标数据、当前所在航段的噪音控制指标数据、当前所在航段的气象数据、当前所在航段的风力数据、当前其他需求数据、当前不同动力推进类型所剩余的能量数据、船型、当前其他预设数据、等等中的一种或几种。其中，所述航段可以替换为海域。当前其他预设数据包括作战时对噪音、速度等的控制指标数据。
实施例9：
根据实施例1所述的方法，
其中，所述对象为飞机；所述飞机包括无人机；
其中，所述预设类型的与所述对象相关的数据包括所述飞机当前所在航段的天气数据、当前所在航段的噪音污染控制指标数据、当前所在航段的风力数据、当前不同动力推进类型所剩余的能量数据、机型、当前其他预设数据、等等中的一种或几种。其中，所述航段可以替换为空域。当前其他预设数据包括作战时对噪音、速度等的控制指标数据。
实施例10：
一种混合动力推进系统，包括对象类型获取模块100、数据获取模块200、预设模型获取模块300、模型计算模块400。
对象类型获取模块100，用于获取动力推进装置所属的对象的类型。
数据获取模块200，用于获取预设类型的与所述对象相关的数据。
预设模型获取模块300，用于获取预设模型。
模型计算模块400，用于将所述预设类型的与所述对象相关的数据输入所述预设模型，通过所述预设模型计算得到的输出作为推荐的动力推进方式。
实施例11：
根据实施例10所述的系统，还包括系统控制模块500，如图5所示。
系统控制模块500，用于根据所述推荐的动力推进方式控制所述动力推进装置。具体为，判断所述推荐的动力推进方式与当前动力推进方式是否一致：否，则向动力推进装置发送将当前动力推进方式切换为所述推荐的动力推进方式的控制指令。
实施例12：
根据实施例10所述的系统，其中，
所述预设类型由用户预先设置或从知识库中获取；
所述预设类型的数据包括与动力推进方式的选择有相关性的数据；
所述与所述对象相关的数据包括所述对象的数据、所述对象的环境数据；
所述预设类型的与所述对象相关的数据为所述预设类型的与所述对象相关的当前数据或近期数据或最近预设时段内的数据。
实施例13：
根据实施例10所述的系统，
其中，预设模型获取模块300包括历史大数据获取模块311、对应数据获取模块312、深度学习模型初始化模块313、无监督训练模块314、有监督训练模块315、预设模型生成模块316，如图6所示。
历史大数据获取模块311，用于获取所述对象所属类型的所有对象的有效历史大数据；
对应数据获取模块312，用于获取所述有效历史大数据中预设类型的与所述对象相关的数据及其对应的动力推进方式；
深度学习模型初始化模块313，用于初始化深度学习模型；
无监督训练模块314，用于将所述有效历史大数据中所述预设类型的与所述对象相关的数据作为所述深度学习模型的输入，对所述深度学习模型进行无监督训练；
有监督训练模块315，用于将所述历史大数据中所述预设类型的与所述对象相关的数据及其对应的动力推进方式分别作为所述深度学习模型的输入和输出，对通过无监督训练之后的所述深度学习模型进行有监督训练；
预设模型生成模块316，用于获取有监督训练之后的所述深度学习模型作为所述预设模型。
实施例14：
根据实施例10所述的系统，
其中，预设模型获取模块300包括历史大数据获取模块321、对应数据获取模块322、模型数据设置模块323，如图7所示。
历史大数据获取模块321，用于获取所述对象所属类型的所有对象的有效历史大数据；
对应数据获取模块322，用于获取所述有效历史大数据中预设类型的与所述对象相关的数据及其对应的动力推进方式；
模型数据设置模块323，用于将所述有效历史大数据中所述预设类型的与所述对象相关的数据及其对应的动力推进方式分别作为所述预设模型的待匹配数据及其对应的待推荐数据。
其中，模型计算模块400包括匹配模块421、选取模块422、推荐模块423，如图8所示。
匹配模块421，用于所述将所述预设类型的与所述对象相关的数据与所述预设模型中的每一个所述待匹配数据进行模糊匹配；
选取模块422，用于选取与所述输入的所述预设类型的与所述对象相关的数据匹配度最大的所述预设模型中的所述待匹配数据；
推荐模块423，用于从所述预设模型中获取与所选取的所述待匹配数据所对应的待推荐数据作为所述预设模型计算得到的输出，将所述输出作为推荐的动力推进方式。
实施例15：
根据实施例13或14所述的系统，
其中，历史大数据获取模块321包括：
有人控制数据获取模块321-1：用于获取“有人控制(例如有人驾驶)”且“与所述对象具有至少一种共同的动力推进方式”的所有同类对象(例如车)的历史数据作为第一大数据；所述同类对象为所述对象所属类型的对象；所述同类对象与所述对象都属于所述对象所属类型；所述历史数据包括所述预设类型的数据及其对应的动力推进方式；
无人控制数据获取模块321-2：获取“无人控制(例如无人驾驶)”且“动力推进方式的选择效果满足预设条件”且“与所述对象具有至少一种共同的动力推进方式”的所有同类对象(例如车)的历史数据作为第二大数据；所述历史数据包括所述预设类型的数据及其对应的动力推进方式；
有人控制数据清洗模块321-3：从第一大数据中删除所述对象不具备的动力推进方式及其对应的其他数据，包括从第一大数据中删除所述对象不具备的动力推进方式及其对应的所述预设类型的数据，得到第三大数据；
无人控制数据清洗模块321-4：从第二大数据中删除所述对象不具备的动力推进方式及其对应的其他数据，包括从第二大数据中删除所述对象不具备的动力推进方式及其对应的所述预设类型的数据，得到第四大数据；
有效历史大数据生成模块321-5：将第三大数据和第四大数据作为有效历史大数据。
实施例16：
根据实施例10所述的系统，包括：
其中，所述对象为车；所述车包括无人车；
其中，所述预设类型的与所述对象相关的数据包括所述车当前所在路段的路况数据、当前所在路段的排气污染控制指标数据、当前所在路段的噪音控制指标数据、当前所在路段的限速范围、当前不同动力推进类型所剩余的能量数据、车型、当前其他预设数据、等等中的一种或几种。其中，所述道段可以替换为区域。当前其他预设数据包括作战时对噪音、速度等的控制指标数据。
实施例17：
根据实施例10所述的系统，
其中，所述对象为船；所述船包括无人船；
其中，所述预设类型的与所述对象相关的数据包括所述船当前所在航段的海况数据、当前所在航段的排气污染控制指标数据、当前所在航段的噪音控制指标数据、当前所在航段的气象数据、当前所在航段的风力数据、当前其他需求数据、当前不同动力推进类型所剩余的能量数据、船型、当前其他预设数据、等等中的一种或几种。其中，所述航段可以替换为海域。当前其他预设数据包括作战时对噪音、速度等的控制指标数据。
实施例18：
根据实施例10所述的系统，
其中，所述对象为飞机；所述飞机包括无人机；
其中，所述预设类型的与所述对象相关的数据包括所述飞机当前所在航段的天气数据、当前所在航段的噪音污染控制指标数据、当前所在航段的风力数据、当前不同动力推进类型所剩余的能量数据、机型、当前其他预设数据、等等中的一种或几种。其中，所述航段可以替换为空域。当前其他预设数据包括作战时对噪音、速度等的控制指标数据。
实施例19：
提供一种机器人系统，所述机器人中分别配置有如实施例10至实施例18所述的系统。
上述各实施例中的方法和系统可以在计算机、服务器、云服务器、超级计算机、机器人、嵌入式设备、电子设备等上执行和部署。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种混合动力推进方法，其特征在于，所述方法包括：
对象类型获取步骤，用于获取动力推进装置所属的对象的类型；
数据获取步骤，用于获取预设类型的与所述对象相关的数据；
预设模型获取步骤，用于获取预设模型；
模型计算步骤，用于将所述预设类型的与所述对象相关的数据输入所述预设模型，通过所述预设模型计算得到的输出作为推荐的动力推进方式。
2.根据权利要求1所述的混合动力推进方法，其特征在于，所述方法还包括：
系统控制步骤，用于根据所述推荐的动力推进方式控制所述动力推进装置。
3.根据权利要求1所述的混合动力推进方法，其特征在于，
所述预设类型由用户预先设置或从知识库中获取；
所述预设类型的数据包括与动力推进方式的选择有相关性的数据；
所述与所述对象相关的数据包括所述对象的数据、所述对象的环境数据；
所述预设类型的与所述对象相关的数据为所述预设类型的与所述对象相关的当前数据或近期数据或最近预设时段内的数据。
4.根据权利要求1所述的混合动力推进方法，其特征在于，所述预设模型获取步骤包括：
历史大数据获取步骤，用于获取所述对象所属类型的所有对象的有效历史大数据；
对应数据获取步骤，用于获取所述有效历史大数据中预设类型的数据及其对应的动力推进方式；
深度学习模型初始化步骤，用于初始化深度学习模型；
无监督训练步骤，用于将所述有效历史大数据中所述预设类型的数据作为所述深度学习模型的输入，对所述深度学习模型进行无监督训练；
有监督训练步骤，用于将所述历史大数据中所述预设类型的数据及其对应的动力推进方式分别作为所述深度学习模型的输入和输出，对通过无监督训练之后的所述深度学习模型进行有监督训练；
预设模型生成步骤，用于获取有监督训练之后的所述深度学习模型作为所述预设模型。
5.根据权利要求1所述的混合动力推进方法，其特征在于，
所述预设模型获取步骤包括：
历史大数据获取步骤，用于获取所述对象所属类型的所有对象的有效历史大数据；
对应数据获取步骤，用于获取所述有效历史大数据中预设类型的数据及其对应的动力推进方式；
模型数据设置步骤，用于将所述有效历史大数据中所述预设类型的数据及其对应的动力推进方式分别作为所述预设模型的待匹配数据及其对应的待推荐数据；
所述模型计算步骤包括：
匹配步骤，用于所述将所述预设类型的与所述对象相关的数据与所述预设模型中的每一个所述待匹配数据进行模糊匹配；
选取步骤，用于选取与所述输入的所述预设类型的与所述对象相关的数据匹配度最大的所述预设模型中的所述待匹配数据；
推荐步骤，用于从所述预设模型中获取与所选取的所述待匹配数据所对应的待推荐数据作为所述预设模型计算得到的输出，将所述输出作为推荐的动力推进方式。
6.根据权利要求4或5所述的混合动力推进方法，其特征在于，历史大数据获取步骤包括：
有人控制数据获取步骤，用于获取“有人控制”且“与所述对象具有至少一种共同的动力推进方式”的所有同类对象的历史数据作为第一大数据；
无人控制数据获取步骤，用于获取“无人控制”且“动力推进方式的选择效果满足预设条件”且“与所述对象具有至少一种共同的动力推进方式”的所有同类对象的历史数据作为第二大数据；
有人控制数据清洗步骤，用于从第一大数据中删除所述对象不具备的动力推进方式及其对应的其他数据，得到第三大数据；
无人控制数据清洗步骤，用于从第二大数据中删除所述对象不具备的动力推进方式及其对应的其他数据，得到第四大数据；
有效历史大数据生成步骤，用于将第三大数据和第四大数据作为有效历史大数据。
7.根据权利要求1所述的混合动力推进方法，其特征在于，所述对象为车；所述车包括无人车；所述预设类型的与所述对象相关的数据包括所述车当前所在路段的路况数据、所述车当前所在路段的排气污染控制指标数据、所述车当前所在路段的噪音控制指标数据、所述车当前所在路段的限速范围、所述车当前不同动力推进类型所剩余的能量数据、所述车的车型、所述车当前预设数据中的一种或几种。
8.根据权利要求1所述的混合动力推进方法，其特征在于，所述对象为船；所述船包括无人船；所述预设类型的与所述对象相关的数据包括所述船当前所在航段的海况数据、所述船当前所在航段的排气污染控制指标数据、所述船当前所在航段的噪音控制指标数据、所述船当前所在航段的气象数据、所述船当前所在航段的风力数据、所述船当前需求数据、所述船当前不同动力推进类型所剩余的能量数据、所述船的船型、所述船当前预设数据中的一种或几种。
9.根据权利要求1所述的混合动力推进方法，其特征在于，所述对象为飞机；所述飞机包括无人机；所述预设类型的与所述对象相关的数据包括所述飞机当前所在航段的天气数据、所述飞机当前所在航段的噪音污染控制指标数据、当前所在航段的风力数据、所述飞机当前不同动力推进类型所剩余的能量数据、机型、所述飞机当前预设数据中的一种或几种。
10.一种系统，其特征在于，所述系统执行权利要求1-9任一项所述的混合动力推进方法中的步骤；所述系统包括机器人系统。
CN201910794455.8A 2019-08-29 2019-08-29 基于大数据和人工智能的混合动力推进方法和机器人系统 Active CN110509913B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910794455.8A CN110509913B (zh) 2019-08-29 2019-08-29 基于大数据和人工智能的混合动力推进方法和机器人系统
PCT/CN2020/097978 WO2021036456A1 (zh) 2019-08-29 2020-06-24 基于大数据和人工智能的混合动力推进方法和机器人系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910794455.8A CN110509913B (zh) 2019-08-29 2019-08-29 基于大数据和人工智能的混合动力推进方法和机器人系统

Publications (2)

Publication Number Publication Date
CN110509913A true CN110509913A (zh) 2019-11-29
CN110509913B CN110509913B (zh) 2021-05-21

Family

ID=68628065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910794455.8A Active CN110509913B (zh) 2019-08-29 2019-08-29 基于大数据和人工智能的混合动力推进方法和机器人系统

Country Status (2)

Country Link
CN (1) CN110509913B (zh)
WO (1) WO2021036456A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021036456A1 (zh) * 2019-08-29 2021-03-04 南京智慧光信息科技研究院有限公司 基于大数据和人工智能的混合动力推进方法和机器人系统
WO2021036543A1 (zh) * 2019-08-29 2021-03-04 南京智慧光信息科技研究院有限公司 基于大数据和人工智能的自动作业方法和机器人系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130338950A1 (en) * 2012-06-13 2013-12-19 Lg Chem, Ltd. Apparatus and method for estimating voltage of secondary battery including blended cathode material
US20150161742A1 (en) * 2013-12-06 2015-06-11 Mastercard International Incorporated Automatic determination of vehicle information based on transaction information
CN105437992A (zh) * 2014-08-19 2016-03-30 通用电气公司 带能量存储系统的车辆推进系统及控制其操作的优化方法
CN107074245A (zh) * 2014-11-04 2017-08-18 大陆汽车有限公司 用于运行混合动力车辆或者电动车辆的方法
US10394243B1 (en) * 2018-09-21 2019-08-27 Luminar Technologies, Inc. Autonomous vehicle technology for facilitating operation according to motion primitives

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3215405A1 (en) * 2014-11-06 2017-09-13 Volvo Truck Corporation A hybrid vehicle and a method for energy management of a hybrid vehicle
CN104554251A (zh) * 2014-12-09 2015-04-29 河南理工大学 基于道路坡度信息的混合动力汽车节能预测控制方法
KR101901801B1 (ko) * 2016-12-29 2018-09-27 현대자동차주식회사 하이브리드 자동차 및 그를 위한 운전 패턴 예측 방법
CN107862864B (zh) * 2017-10-18 2021-06-15 南京航空航天大学 基于驾驶习惯和交通路况的行驶工况智能预测估计方法
CN108108841A (zh) * 2017-12-19 2018-06-01 天津大学 一种基于大数据库的混合动力能量管理策略全局优化系统
CN108177648B (zh) * 2018-01-02 2019-09-17 北京理工大学 一种基于智能预测的插电式混合动力车辆的能量管理方法
CN110509913B (zh) * 2019-08-29 2021-05-21 南京智慧光信息科技研究院有限公司 基于大数据和人工智能的混合动力推进方法和机器人系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130338950A1 (en) * 2012-06-13 2013-12-19 Lg Chem, Ltd. Apparatus and method for estimating voltage of secondary battery including blended cathode material
US20150161742A1 (en) * 2013-12-06 2015-06-11 Mastercard International Incorporated Automatic determination of vehicle information based on transaction information
CN105437992A (zh) * 2014-08-19 2016-03-30 通用电气公司 带能量存储系统的车辆推进系统及控制其操作的优化方法
CN107074245A (zh) * 2014-11-04 2017-08-18 大陆汽车有限公司 用于运行混合动力车辆或者电动车辆的方法
US10394243B1 (en) * 2018-09-21 2019-08-27 Luminar Technologies, Inc. Autonomous vehicle technology for facilitating operation according to motion primitives

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021036456A1 (zh) * 2019-08-29 2021-03-04 南京智慧光信息科技研究院有限公司 基于大数据和人工智能的混合动力推进方法和机器人系统
WO2021036543A1 (zh) * 2019-08-29 2021-03-04 南京智慧光信息科技研究院有限公司 基于大数据和人工智能的自动作业方法和机器人系统

Also Published As

Publication number Publication date
WO2021036456A1 (zh) 2021-03-04
CN110509913B (zh) 2021-05-21

Similar Documents

Publication Publication Date Title
CN110737986B (zh) 一种无人船能效智能优化仿真系统及方法
CN112307688B (zh) 一种电力推进船舶能效监控管理优化系统和方法
CN110032782A (zh) 一种城市级智能交通信号控制系统及方法
CN110509913A (zh) 基于大数据和人工智能的混合动力推进方法和机器人系统
CN108386971A (zh) 中央空调节能自控系统
CN108564202A (zh) 一种基于环境预报信息的无人艇航线优化方法
EP2669630A1 (en) Method and system for determination of a route for a ship
CN112158189A (zh) 基于机器视觉和深度学习的混合动力汽车能量管理方法
CN110502015A (zh) 基于大数据和人工智能的速度控制方法和机器人系统
CN106228850A (zh) 基于滚动规划策略的船舶轨迹实时预测方法
CN116760536B (zh) 一种多智能体协同感知方法、系统、电子设备及存储介质
CN110488828A (zh) 基于大数据和人工智能的航行灯控制方法和机器人系统
CN114488829A (zh) 用于控制家电设备的方法及装置、服务器
CN115981463A (zh) 一种基于虚实融合的热力站调控系统及方法
CN110737260B (zh) 基于大数据和人工智能的自动作业方法和机器人系统
CN118075782A (zh) 基于ai驱动的5g物联网数据处理系统
CN110488803A (zh) 基于大数据和人工智能的制动方法和机器人系统
CN106786537A (zh) 基于能源互联网的城市电网调控系统和调控方法
KR100701439B1 (ko) 마을 하수 처리 시설 통합 관리 방법 및 그 시스템
CN110488804A (zh) 基于大数据和人工智能的联合导航方法和机器人系统
KR20060136071A (ko) 마을 하수 처리 시설 통합 관리 방법 및 그 시스템
CN109324505A (zh) 一种基于机器学习的协同探测控制方法
CN112558615A (zh) 一种智能无人船实时仿真控制系统
Deng et al. Enhancing Multi-Agent Communication Collaboration through GPT-Based Semantic Information Extraction and Prediction
Zhang et al. Towards robust and high-performance operations of wave energy converters: an adaptive tube-based model predictive control approach

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