CN110516935B - 一种基于端边云架构的矿车无人驾驶运输系统路权云智能分配方法 - Google Patents

Abstract

本专利公开了一种无人驾驶运输系统路权云智能分配方法，所述方法包括：步骤一、选取备选路径；步骤二、确定决策属性；步骤三，构建特征矩阵并进行标准化处理；步骤四、构造权重规范化矩阵；步骤五、计算距离及与理想解的接近程度。通过上述技术方案，用自动驾驶车辆取代了人工驾驶车辆，使得矿场内部道路利用律最大化，使尽可能多的矿车投入到生产运作当中，提高生产效率的同时降低了运输过程中的安全隐患。

Description

一种基于端边云架构的矿车无人驾驶运输系统路权云智能分 配方法

技术领域

本发明属于矿车无人驾驶运输系统领域，尤其涉及一种基于端边云架构的矿车无人驾驶运输系统路权云智能分配方法。

背景技术

煤炭是一种主要能源和工业原料。在制造业水平提升、煤炭需求量持续增加的大背景下，露天煤矿的开采以其独有的产能巨大，生产成本低的优势，成为了未来煤矿开采的趋势。但因其工作环境恶劣、人力成本高昂及其24小时昼夜不停的运作方式，露天煤矿的开采对矿车无人驾驶系统有着迫切的需求。

但因厂矿道路环境崎岖复杂、曲折回旋且缺乏必要的车道线及厂矿道路需兼顾运输、装卸、垃圾清运等多种职能，有较多车辆不间断运行的特点，矿车路权分配的问题成为了矿车无人驾驶系统面临的核心问题。

针对以上问题，基于端边云架构，本发明提出了一种矿车无人驾驶运输系统路权云智能分配方法。

发明内容

本专利正是基于现有技术的上述问题而提出的，本专利要解决的问题是提出一种无人驾驶运输系统路权云智能分配方法，以协调矿车之间的路权问题。

为解决上述问题，本发明提出的技术方案包括：

一种无人驾驶运输系统路权云智能分配方法，其特征在于，所述方法包括：

步骤一、选取备选路径

首先在厂矿道路上建立与之匹配的初始路网，所述路网包含x个节点与y个路段，并标记有节点，相邻节点能够一次到达；根据初始路网和承担不同任务矿车的OD可获取备选轨迹集T＝{T₁，T₂，...，T_n}，T_j是第j条备选轨迹，n为备选轨迹个数；

步骤二、确定决策属性

选取车辆通过交叉口的次数、车辆通过路段数、车辆速度，3个决策属性；其中，车辆沿轨迹T_j所通过交叉口的次数为D_j，

表示所有备选轨迹中车辆通过交叉口次数的最大值，

表示所有备选轨迹中车辆通过交叉口次数的最小值；车辆沿轨迹T_j所通过的路段数为M_j，

表示所有备选轨迹中车辆通过路段数的最大值，

表示所有备选轨迹中车辆通过路段数的最小值；车辆沿备选轨迹T_j行驶的理论时速为V_j；计算方法为，划分白日与夜间两个时段对于备选轨迹T_j所包含的所有路段

分别测得各时段所有路段的车速为

则白日与夜间的V_j均由公式

计算得出；

表示所有备选轨迹中车辆行驶的理论时速的最大值，

表示所有备选轨迹中车辆行驶的理论时速的最小值；

步骤三，构建特征矩阵并进行标准化处理

对于备选轨迹T_j，车辆通过交叉口的次数、车辆通过路段数、车辆速度这三个决策属性分别为x_1j、x_2j、x_3j，1≤j≤n；对于所有的目标，特征矩阵为：

对特征矩阵进行规范化处理，获得规范化矩阵r_ij：

步骤四、构造权重规范化矩阵

设定w_i值一致，即各决策属性所占权重相同，因此w₁＝w₂＝w₃且

即w₁＝w₂＝w₃＝1/3；根据权重w_i计算权重规格化值v_ij，建立关于权重规范化值v_ij的权重规范化矩阵：v_ij＝w_ir_ij；

根据权重的值v_ij得到所有决策属性的正理想解A⁺和负理想解A^-；

正理想解为每个属性值中的最优值，具体到各个决策属性中分别为车辆通过交叉口的最小次数、车辆通过路段的最小个数、车辆的最大理论速度，即：

其中

表示在第i个属性值上的最优值，

负理想解为每个属性值中的最劣值，具体到各个决策属性中分别为车辆通过交叉口的最大次数、车辆通过路段的最大个数、车辆的最小理论速度，即：

表示在第i个属性值上的最劣值，

步骤五、计算距离及与理想解的接近程度

计算备选轨迹T_i到正负理想解的距离值，将每个备选轨迹到正理想解的距离记为Sj₊，到负理想解的距离记为S_j-，则：

分别获取了备选轨迹T_i到正负理想解的距离后，其与理想解的接近程度C_j可由公式

计算得出，其中0≤C_j≤1，当C_j＝0时是最差目标，当C_j＝1时为最优目标；将C_j+按大小进行排列，选取最大的C_j+作为最优解，此时对应的轨迹T_j即为备选轨迹中的最优轨迹。

通过上述技术方案：

首先，用自动驾驶车辆取代了人工驾驶车辆，不仅从用工成本上减少了驾驶员工资的开支，更避免了因驾驶员经验的不同而引发事故的可能。减少暴露在矿场上的工作人员，从而避免了因长期接触粉尘污染而导致尘肺病等疾病的发生。将人从重复而繁重的体力劳动中解放出来。

其次，本发明提出的基于端边云架构的矿车无人驾驶运输系统路权云智能分配方法，可以实现矿车和矿车之间、矿车与路侧协同控制设备、路侧协同控制设备与云端调度优化系统的实时通信，进而做到调度优化系统和矿车之间，矿场所有矿车之间的协同控制，矿车信息可视化系统有利于实时监控矿车状态，避免意外事故发生。

再次，本发明提出的协同控制方案，使得矿场内部道路利用律最大化，使尽可能多的矿车投入到生产运作当中，提高生产效率的同时降低了运输过程中的安全隐患。通过上述技术方案能够降低成本，增加了安全性；并提升运输效率。

附图说明

图1、2为本发明系统整体架构示意图；

图3为云智能平台调度优化系统的道路分配示意图；

图4为自动驾驶矿车路径发生交叉时转弯控制示意图。

具体实施方式

下面将结合具体实例及附图对本发明提出的一种基于端边云架构的矿车无人驾驶运输系统路权云智能分配方法作进一步说明：

在本具体实施方式中

端：即为无人驾驶矿车

包含无人驾驶矿车及传输控制设备，功能为根据规划的路径实现矿车的无人驾驶及完成矿车实时运行参数及环境的采集、上传。

矿车运行及环境参数主要包括矿车实时所处的矿场内道路位置，矿车车辆的车速，矿车是否装载货物参数，矿车预计到达装货地点时间(卸货地点时间)，矿车与前车车距，矿车与后车车距等车辆具体行驶信息。

边：即为智能路侧协同控制系统

路侧协同控制系统控制硬件设备安放在矿车行驶的路侧，负责一定区域内的矿车车载终端的数据的实时采集、上传与调度方案的下发，具有无线通信能力，利用太阳能发电。

在接收到来自无人驾驶矿车的运行参数后，路侧协同控制系统将对数据进行预处理，过滤异常数据。

在接收到云智能平台的调度轨迹后，系统下传的信息实时传输给区域内保持连接的自动驾驶矿车，使得矿车可以按照云端的统一调度行驶。

云：即为云智能平台

云智能平台主要由可视化子系统与优化调度子系统构成，前者可将路侧协同控制设备所上传的车辆数据信息投射到可视化的地图上，直观地展示矿区内所有的行驶中的无人驾驶矿车的信息。后者则负责无人驾驶矿车的轨迹选择与优化。

如图1、图2所示，系统由前端无人驾驶矿车、智能路侧协同控制系统及云智能平台构成，使用5G网络通信。无人驾驶矿车负责按下发路线执行无人驾驶及车辆、环境信息的获取与上传；智能路侧协同控制系统则负责车辆、环境数据的预处理，经过预处理的信息的上传，以及向无人驾驶矿车下发接收到的调度方案；云智能平台则主要实现无人驾驶矿车信息的可视化及其调度路径优化。

对路径的优化基于TOPSIS算法，具体过程如下：

1.备选路径的选取

首先在厂矿道路上建立合适的初始路网，包含x个节点与y个路段，并标记算有节点，相邻梁节点可一次到达。根据初始路网和承担不同任务矿车的OD可获取备选轨迹集T＝{T₁，T₂，...，T_n}，T_j是第j条备选轨迹，n为备选轨迹个数。

2.决策属性的选取

为了对备选轨迹进行评价，需选取决策属性。介于厂矿道路复杂的道路环境，本专利共选取3个决策属性：车辆通过交叉口的次数、车辆通过路段数、车辆速度。

①车辆通过交叉口的次数

车辆沿轨迹T_j所通过交叉口的次数为D_j，

表示所有备选轨迹中车辆通过交叉口次数的最大值，

表示所有备选轨迹中车辆通过交叉口次数的最小值。

②车辆通过路段数

车辆沿轨迹T_j所通过的路段数为M_j，

表示所有备选轨迹中车辆通过路段数的最大值，

表示所有备选轨迹中车辆通过路段数的最小值。

③车辆速度

车辆沿备选轨迹T_j行驶的理论时速为V_j。

计算方法为：划分白日与夜间两个时段(6：00-18：00，18：00-次日6：00)对于备选轨迹T_j所包含的所有路段

分别测得各时段所有路段的车速为

则白日与夜间的V_j均以下公式计算得出。

表示所有备选轨迹中车辆行驶的理论时速的最大值，

表示所有备选轨迹中车辆行驶的理论时速的最小值

3.构建特征矩阵并进行标准化处理

对于备选轨迹T_j，车辆通过交叉口的次数、车辆通过路段数、车辆速度这三个决策属性分别为x_1j、x_2j、x_3j，1≤j≤n。对于所有的目标，特征矩阵为：

对特征矩阵进行规范化处理，获得规范化矩阵r_ij：

4.构造权重规范化矩阵

本专利中设定w_i值一致，即各决策属性所占权重相同，因此w₁＝w₂＝w₃且

即

根据权重w_i计算权重规格化值v_ij，建立关于权重规范化值v_ij的权重规范化矩阵：

v_ij＝w_ir_ij

根据权重的值v_ij得到所有评价目标的正理想解A⁺和负理想解A^-。

正理想解为每个属性值中的最优值，具体到各个决策属性中分别为车辆通过交叉口的最小次数、车辆通过路段的最小个数、车辆的最大理论速度，即：

表示在第i个属性值上的最优值，

负理想解为每个属性值中的最劣值，具体到各个决策属性中分别为车辆通过交叉口的最大次数、车辆通过路段的最大个数、车辆的最小理论速度，即：

表示在第i个属性值上的最劣值，

5.计算距离及与理想解的接近程度

计算备选轨迹T_j到正负理想解的距离值，将每个备选轨迹到正理想解的距离记为S_j+，到负理想解的距离记为S_j-，则：

分别获取了备选轨迹T_i到正负理想解的距离后，其与理想解的接近程度可由公式计算得出。

其中0≤C_j≤1。当C_j＝0时，证明是最差目标，当C_j＝1时，表明为最优目标。

在实际应用中，最优最劣都存在的可能性不大，则将C_j+按大小进行排列，选取最大的C_j+作为最优解，此时对应的轨迹T_j即为备选轨迹中的最优轨迹。

车辆的整体运行如图3所示，将整体的矿场道路划分为一个个小格子，每一个小格子要求大于一辆矿车的长度，并且预留前后的安全距离，为车头时距2.0s。

当矿车运行路径在道路上发生交叉时，如图4所示，通过协调控制，让其中一个方向的车辆制动后依次退后，为穿越车辆留出可穿越的间隙。如图4所示，将整体的矿场道路划分为一个个小格子，每一个小格子要求大于一辆矿车的长度，并且预留前后的安全距离。同一批次沿相同路径行驶的车辆，相邻辆车保持车头时距为2s。当矿车运行路径在道路上发生交叉时，如图4所示，通过协调控制，让其中一个方向的车辆制动后依次退后，为穿越车辆留出可穿越的间隙。

以上仅仅是本专利优选的实施方式而已，凡是在本专利发明构思下对本案例技术要素进行的修改，删除或者是替代，并应当纳入到本专利的保护范围之内。

Claims (1)

1.一种无人驾驶运输系统路权云智能分配方法，其特征在于，所述方法包括：

步骤一、选取备选路径

首先在厂矿道路上建立与之匹配的初始路网，所述路网包含x个节点与y个路段，并标记有节点，相邻节点能够一次到达；根据初始路网和承担不同任务矿车的OD可获取备选轨迹集T＝{T₁，T₂，...，T_n}，T_j是第j条备选轨迹，n为备选轨迹个数；

步骤二、确定决策属性

选取车辆通过交叉口的次数、车辆通过路段数、车辆速度，3个决策属性；其中，车辆沿轨迹T_j所通过交叉口的次数为D_j，

表示所有备选轨迹中车辆通过交叉口次数的最大值，

表示所有备选轨迹中车辆通过交叉口次数的最小值；车辆沿轨迹T_j所通过的路段数为M_j，

表示所有备选轨迹中车辆通过路段数的最大值，

表示所有备选轨迹中车辆通过路段数的最小值；车辆沿备选轨迹T_j行驶的理论时速为V_j；计算方法为，划分白日与夜间两个时段对于备选轨迹T_j所包含的所有路段

分别测得各时段所有路段的车速为

则白日与夜间的V_j均由公式

计算得出；

表示所有备选轨迹中车辆行驶的理论时速的最大值，

表示所有备选轨迹中车辆行驶的理论时速的最小值；

步骤三，构建特征矩阵并进行标准化处理

对于备选轨迹T_j，车辆通过交叉口的次数、车辆通过路段数、车辆速度这三个决策属性分别为x_1j、x_2j、x_3j，1≤j≤n；对于所有的目标，特征矩阵为：

对特征矩阵进行规范化处理，获得规范化矩阵r_ij：

步骤四、构造权重规范化矩阵

设定w_i值一致，即各决策属性所占权重相同，因此w₁＝w₂＝w₃且

即w₁＝w₂＝w₃＝1/3；根据权重w_i计算权重规范化值v_ij，建立关于权重规范化值v_ij的权重规范化矩阵：v_ij＝w_ir_ij；

根据权重规范化值v_ij得到所有决策属性的正理想解A⁺和负理想解A^-；

正理想解为每个属性值中的最优值，具体到各个决策属性中分别为车辆通过交叉口的最小次数、车辆通过路段的最小个数、车辆的最大理论速度，即：

其中

表示在第i个属性值上的最优值，

负理想解为每个属性值中的最劣值，具体到各个决策属性中分别为车辆通过交叉口的最大次数、车辆通过路段的最大个数、车辆的最小理论速度，即：

表示在第i个属性值上的最劣值，

步骤五、计算距离及与理想解的接近程度

计算备选轨迹T_j到正负理想解的距离值，将每个备选轨迹到正理想解的距离记为S_j+，到负理想解的距离记为S_j-，则：

分别获取了备选轨迹T_j到正负理想解的距离后，其与理想解的接近程度C_j可由公式

计算得出，其中0≤C_j≤1，当C_j＝0时是最差目标，当C_j＝1时为最优目标；将C_j按大小进行排列，选取最大的C_j作为最优解，此时对应的轨迹T_j即为备选轨迹中的最优轨迹。

Images