CN111413932A - 无人驾驶电动清洁车的信息化管理与调度系统及方法 - Google Patents

Abstract

本发明公开了一种无人驾驶电动清洁车的信息化管理与调度系统及方法，通过在现有清洁车的基础上设置数据采集系统、远程服务器和Web客户端，获取实时车辆位置和目标位置之间的路径信息，根据相应的约束条件规划最优路径，在行进过程中通过传感器获取车辆周围的环境信息和车辆的运行信息，并实现车辆的自动驾驶和清扫；本申请通过在现有清洁车的基础上进行扩充，实现旧物利用的同时，增加了现有技术的适用范围，降低人员的劳动强度。

Description

无人驾驶电动清洁车的信息化管理与调度系统及方法

技术领域：

本发明涉及车辆自动驾驶领域，特别是涉及一种无人驾驶电动清洁车的信息化管理与调度系统。

背景技术：

随着城市化的步伐加速，城市的道路垃圾也日益增多，环卫行业面临着巨大的压力。然而我国目前许多城市道路依然依靠环卫工人使用扫帚清扫，这种工作方式效率极其低下且需要大量劳动力，目前道路清洁车的智能化水平还比较低，依然需要投入大量的人力参与清洁作业，这也增加了企业的负担。为了减轻环卫工人的工作量和减少企业的经济负担，国内外已经有不少清洁车生产企业开始着手研发无人驾驶清洁车，让清洁车实现更高效的自主工作已经是当今清洁车行业的趋势。

由于清洁车行驶速度较慢且行驶路线比较固定，清洁车更容易实现无人驾驶。无人驾驶的关键技术中的两个重要技术为横向运动控制和车辆信息管理与调度系统。横向运动控制是运动控制的重要组成部分，它控制着汽车的行驶方向。当无人驾驶汽车遇到障碍物时需要改变行驶路径，这就要求汽车准确而快速的控制汽车的横向运动。车辆信息管理系统记录了电动清洁车上各个传感器的信息，例如实时经纬度信息和剩余电量信息，这些信息是管理员进行车辆管理与调度的前提。自动作业调度是为了进一步减少管理人员的参与，让系统自动规划出路径最短、电量损耗最少的最优行车路径。

发明内容：

本发明所要解决的技术问题是：克服现有技术的不足，在现有电动清洁车的基础上进行改进，增加信息管理与调度系统，获取实时车辆位置和目标位置之间的路径信息，根据相应的约束条件规划最优路径，在行进过程中通过传感器获取车辆周围的环境信息和车辆的运行信息，并实现车辆自动驾驶和清扫的无人驾驶电动清洁车的信息化管理与调度系统。

本发明的技术方案是：一种无人驾驶电动清洁车的信息化管理与调度系统，包括电动清洁车，其特征在于，电动清洁车上设置有：环境感知系统：通过激光雷达、摄像机等传感器获得车辆周边环境的信息；规划决策系统：用于车辆的路径规划、传感器数据融合与决策；底层控制系统：根据规划决策系统的决策结果控制车辆的执行动作，执行动作包括车辆的纵向控制和横向控制；车辆数据采集系统：通过前轮偏角传感器、车速传感器和电感传感器采集车辆的行驶速度、前轮偏转角、电量状态等信息；应急停车系统：将上述数据信息与预置的警戒数据相比较，并且输出比较结果进行制动停车或无线遥控紧急停车功能；数据通信系统：实现各个传感器数据的传输、控制指令的发送和接收；扫刷控制系统：控制扫刷的抬起及旋转速度；其它接口：车灯、蜂鸣器、风机、水泵垃圾箱抬放等设备的控制接口；所述环境感知系统与规划决策系统连接，并通过RS232总线与车辆RTU连接，车辆RTU还与底层控制系统、车辆数据采集系统、扫刷控制系统、危险应急停车系统和其它接口。

进一步的，所述环境感知系统包括与信息处理系统、差分GPS导航系统和OCTANS,所述摄像机通过USB与信息处理系统连接，所述激光雷达通过LAN与信息处理系统连接，差分GPS和OCTANS通过RS232与规划决策系统连接。

进一步的，所述底层控制系统包括横向控制系统和纵向控制系统，纵向控制系统包括电门机构和制动机构，横向控制系统包括转向机构。

一种无人驾驶电动清洁车的横向运动控制和信息化管理与调度方法，其特征在于，获取实时车辆位置和目标位置之间的路径信息，根据相应的约束条件规划最优路径，在行进过程中通过传感器获取车辆周围的环境信息和车辆的运行信息，并实现车辆的自动驾驶，具体步骤为：步骤一、建立由数据采集系统、远程服务器和Web客户端组成的信息管理与调度系统；步骤二、数据采集系统获取车辆实时的状态参数，将采集到的状态参数信息通过GPRS模块发送到远程服务器，远程服务器对接收的状态参数处理后存储到相应的数据库服务器中，Web客户端通过浏览器登入系统与远程服务器连通；步骤三、通过Web客户端获取并显示车辆实时的状态参数，并对目标位置进行标注，解析目标位置的经纬度信息，将经纬度信息提交给地图服务器的Route Matrix计算，并结合获取的车辆状态参数完成车辆最优行驶路线的生成；步骤四、车辆从远程控制器获取最优行驶路线信息，通过车辆的纵向运动和横向运动实现车辆按照获取的最优行驶路线信息进行自动行驶。

进一步的，所述Web客户端包括，用户模块、车辆模块和预约调度模块；

用户模块：包括普通用户类型、管理员类型和超级管理员类型，不同类型的用户拥有不同权限功能；用户模块的功能包括用户的信息注册和修改、用户登录和用户信息查询，只有在系统中注册并通过审核的用户才能登录系统；

车辆模块：负责所有车辆信息的录入，例如车牌号、续航里程、该车负责人等重要信息，查看车辆的一些重要实时数据，如清洁车辆目前所在的地理位置、车速和电量状态信息，根据车牌号和时间区间查询相应的历史信息；当清洁车辆发生险情，如电量过低、超速、翻车等情况，系统会及时报警并通知管理员；

预约调度模块：完成用户对清洁车辆的预定，用户在系统订单预定页面中填写扫地地点、清扫面积和扫地时间等信息。

进一步的，所述车辆最优行驶路线的生成，采用车辆的电量约束，以最短时间完成所有目标位置任务为目标，利用最大-最小蚂蚁系统调度算法获得，其具体步骤为：步骤1：读取目标位置的经纬度信息，用百度地图Route Matrix API获取各地点的相互驾车距离，根据扫地面积计算出各地点的扫地时间；步骤2：对最大迭代次数NC_max、蚂蚁个数m、挥发系数ρ等参数进行初始化；步骤3：m只蚂蚁的初始出发地都为充电站；步骤4：每循环一次NC←NC+1；步骤5：禁忌表初始化tabu_k；步骤6：蚂蚁数目k←k+1，直到k＝m；步骤7：构造任务执行顺序，按照概率原则和电量约束条件选取下一个任务执行点，如果剩余电量不足以执行下一个任务则返回充电站，将执行完毕的任务放入禁忌表tabu_k，直到所有的任务执行完毕；步骤8：计算每只蚂蚁所走过的路径长度，如果所有蚂蚁都任务执行完毕则进入下一步，否则回到步骤6；步骤9：选取出此次迭代中找到最短路径的那只蚂蚁，更新这只蚂蚁走过的路径上的信息素；步骤10：若迭代完毕，即NC＝NC_max，输出所有迭代中路径最短的任务执行顺序，否则清空禁忌表tabu_k，跳转到步骤4。

进一步的，横向运动的控制，是基于观测器的神经网络滑模控制器，其控制器的获取过程为：通过转向柱式EPS模型，建立关于电动汽车横向运动的状态空间方程，考虑在控制输出限幅条件下，获得基于观测器的神经网络滑模控制器。

进一步的，所述转向柱式EPS模型中的转向柱模型可以被描述为：

齿轮齿条模型可被描述为：

助力电动机的模型为：

助力电机中的驱动电压方程为：

助力电机的电磁转矩方程为：T_m＝k_eI

转矩传感器的测量值为：

则根据上述公式可以建立关于电动汽车横向运动的状态空间方程：

其中，

为系统的状态变量，ω(t)＝(T_h,F_r)^T为EPS系统的外部干扰，u(t)为控制输入，y_p(t)＝(T_c,T_a,θ_c,θ_m,β,ω_r)^T为系统的测量输出。

进一步的，采用的观测器为：

其中，L_o，N_o，T_o为观测器中待设计的矩阵。ξ(t)为观测器的状态向量，

为观测器的观测值。

进一步的，所述清洁车辆横向运动控制中的控制输入限幅问题，采用径向基神经网络的方法对故障进行逼近。

本发明的有益效果是：

(1)以TY16DDQS-02小型多功能清扫机为改造主体，完成其刹车系统、方向盘转向系统和扫刷控制系统的全自动化改造工作，进一步完成了支撑其实现无人驾驶的相关功能模块的安装，主要包括：GPS定位与惯性导航、激光雷达、机器视觉、GPRS通信系统等的安装，在现有基础上进行改造，节省资源的同时，扩大了现有清洁车的利用效率。

(2)以汽车电动助力转向系统(EPS)的原理，完成了EPS建模的理论推导。考虑无人驾驶电动清洁车的控制输入限幅问题，结合H_∞控制、滑模控制、以及神经网络控制设计了一套基于滑模观测器的控制系统，结合Lyapunov函数分析了滑模观测器和控制器的鲁棒性能。

(3)针对无人电动清洁车信息化管理与作业调度优化，基于ASP.NET和SQLServer，完成了用户模块、车辆模块和预约调度模块的设计工作，实现了对清洁车作业数据的远程记录与监控，以及清洁车扫地业务的预约管理和远程调度。

(4)考虑电动清洁车的电量约束，以最短时间完成所有扫地任务为目标，采用基于最大-最小蚂蚁系统的无人电动清洁车优化调度系统对工作任务进行优化，获得最优工作任务顺序，并通过对比仿真，验证了调度系统的可行性与有效性。

附图说明：

图1为无人驾驶电动清洁车系统组成示意图。；图2为最大-最小蚂蚁算法求解路径规划的流程图；图3为AS和MMAS的仿真对比结果；图4为MMAS算法求解Tsp225得到的最优仿真结果；图5为MMAS算法求解Tsp225时每次迭代的最优解和平均解；图6为EPS系统模型；图7为EPS系统示意图；图8为电动机助力转矩仿真结果；图9为横摆角速度仿真结果；图10为横向控制系统控制仿真结果；图11为本申请中各公式的参数列表一；图12为本申请中各公式的参数列表二。

具体实施方式：

实施例：参见图1、图2、图3、图4、图5、图6、图7、图8、图9、图10、图11和图12。

本申请中的电动清洁车是采用上海田意环卫科技有限公司生产的TY16DDQS-02型号的纯电动清洁车，并在其基础上设置GPS定位及惯性导航、激光雷达避障、高精度地图、机器视觉、GPRS通讯、刹车系统、转向系统和扫刷控制系统，其可分为：(1)环境感知系统：环境感知是实现无人驾驶技术的基础和前提，主要是通过激光雷达、摄像机等传感器获得清洁车周边环境的信息。(2)规划决策系统：该系统包括车辆的路径规划、传感器数据融合与决策等。(3)底层控制系统：该系统根据决策结果控制清洁车的执行动作。例如汽车的纵向控制和横向控制。(4)车辆数据采集系统：采集车辆的行驶速度、前轮偏转角、电量状态等信息。(5)危险应急停车系统：为了确保行车安全，对清洁车还设置了手动紧急停车和无线遥控紧急停车功能。(6)数据通信系统：各个传感器数据的传输、控制指令的发送等功能。(7)扫刷控制系统：控制扫刷的抬起及旋转速度。(8)其它接口：车灯、蜂鸣器、风机、水泵垃圾箱抬放等设备的控制接口。

其中，激光雷达采用的是Velodyne公司研发的型号为VLP-16 3D的16线激光雷达。GPS定位及惯性导航选用北京星网宇达科技股份有限公司研发的ETS-V2车载测量终端作为GPS导航系统。机器视觉采用的是美国FLIR公司生产的FL3-U3-20E4C-C型号的摄像机。GPRSDTU通信模块采用的是济南有人物联网技术有限公司的USR-GPRS232-730。采用欧姆龙CP1H-XA型号的PLC，通过PLC的输出端子输出的控制开关量，控制电动清洁车的车灯、雨刮电机、蜂鸣器、风机电源、扫刷抬放、水泵垃圾箱抬放、加速器(油门)、扫刷的转动速度和刹车控制等。

方向盘转向系统，采用在转向柱上安装了一个伺服电机来实现车辆的自动转向，通过履带将伺服电机与转向柱相连，伺服电机转动时带动转向柱运动，经EPS系统再到转向轮。

其工作实现的步骤为：步骤一、建立由数据采集系统、远程服务器和Web客户端组成的信息管理与调度系统；步骤二、数据采集系统获取车辆实时的状态参数，将采集到的状态参数信息通过GPRS模块发送到远程服务器，远程服务器对接收的状态参数处理后存储到相应的数据库服务器中，Web客户端通过浏览器登入系统与远程服务器连通；步骤三、通过Web客户端获取并显示车辆实时的状态参数，并对目标位置进行标注，解析目标位置的经纬度信息，将经纬度信息提交给地图服务器的Route Matrix计算，并结合获取的车辆状态参数完成车辆最优行驶路线的生成；步骤四、车辆从远程控制器获取最优行驶路线信息，通过车辆的纵向运动和横向运动实现车辆按照获取的最优行驶路线信息进行自动行驶。

其中，用户模块主要分为用户注册、用户登录、用户信息管理三个功能。

1、用户注册：为了系统的安全，系统的所有使用者都需要进行注册并通过管理员的审核。审核通过的用户才有权限登入信息管理与调度系统，用户注册时提交的信息主要包括用户类型、用户名、密码、公司、邮箱、联系电话等。这些信息都会被记录到服务器的数据库当中。

系统的用户分为超级管理员、管理员、一般用户三种类型，每种类型对系统的访问权限不同。(1)一般用户：即有清洁车扫地需求的客户，它拥有用户信息注册、系统登录、查看指定车辆的状态信息和订单预定的权限。(2)管理员：管理员可查看用户信息和车辆信息，能查看所有订单信息。(3)超级管理员：超级管理员拥有最高的权限，可查询、修改和删除所有管理员、用户、车辆和订单的信息，有权限设置各传感器报警数据的阈值。

2、用户登录；用户登录时需要验证用户名、密码和用户类型这三个重要信息。用户首先需要填写用户名和密码信息，点击登录后，这些信息会被提交到服务器，系统会在数据库中验证是否存在该用户并且验证密码是否正确。如果均一致，则查询出该用户的用户类型，即超级管理员、管理员或者一般用户。登录成功之后用户将进入相应权限的管理系统。若信息对比有误，系统将提示用户登录信息有误，提示用户需要进行重新登录。

3、用户管理：超级管理员、管理员和一般用户这三种用户类型所对应的权限和功能都有所区别。通常只设置一名超级管理员，他是整个系统的最主要的负责人，具有本系统中的最高权限，他不仅可修改、调整监测参数故障报警的阈值，还包括对管理员、用户信息和车辆信息的增加、删除、修改、查找等功能。而管理员的数量可以根据清洁车数量而定，例如，每个管理员可管理一定数量或某特定区域的无人驾驶电动清洁车。管理员可对其管理范围下的一般用户和车辆进行信息查询、修改、增加和删除。普通用户可以查看和管理自己的信息，对清洁车进行预约。但是普通用户只能查看到预约车辆的当前状态信息，例如位置信息和当前任务信息。这样的设计一方面提高了系统的安全性，方便对系统进行分层管理，另外一方面可防止系统被无关人员操作。

车辆模块主要包括车辆注册、车辆信息查询和报警提示功能。

1.车辆注册：投入运营使用的每一辆无人电动清洁车都需要对车辆的信息进行注册，只有安全测试合格且在系统中注册的无人电动清洁车才能投入运营。注册信息主要包括车辆编号、车辆型号、生产日期、续航里程、该车负责人、负责人联系方式等。这些车辆信息通常固定不变，需要更改信息时可由管理员或超级管理员进行更改。车辆编号是无人驾驶电动清洁车的唯一标识，车辆型号和续航里程等信息为车辆的调度模块提供了参考数据。每辆车都配备了一个负责人，当无人电动清洁车发生故障时，可及时查询到该车负责人的联系方式并通知负责人及时处理。

2.车辆信息查询：除了车辆注册时的一些基本信息外，无人驾驶电动清洁车上的各个传感器还在不断的产生实时数据。这些数据主要包括GPS的经纬度高度信息、陀螺仪的角速度信息、激光雷达的点云数据、摄像机拍摄的图像、剩余电量等。由于激光雷达每秒产生的点超过30000个，图像的数据量也较大，如果传输这些数据会占用大量的带宽。所以系统主要采集经纬度、车速、电量等信息。

根据信息产生的时间，车辆信息又可分为车辆实时信息和车辆历史信息。实时信息即清洁车当前时刻的传感器数据和状态信息。管理员能在系统主界面上查看到所有清洁车当前所在的位置、车速、当前任务和剩余电量等重要信息。

历史信息是清洁车之前记录的数据，用于信息的查询、追溯和大数据分析。管理员可以根据车辆编号日期查询到清洁车当天的所有生产数据。例如，可以查出某辆清洁车某个时间段的所有经纬度信息，根据经纬度信息在百度地图画出行驶轨迹。

此外，这些数据还能为后续的故障分析提供依据，例如，记录下每辆清洁车各传感器的故障频次、违章时的图像、碰撞发生时的激光雷达点云和执行机构的动作信息。这些信息对于后期的无人驾驶技术的改进和责任追溯都有着非常重要的意义。

3.故障报警提示：当前的无人驾驶技术还处于起步研究阶段，环境感知、定位导航等关键技术还不够成熟，无人驾驶电动清洁车在实际运行中必然会产生许多故障。例如，GPS信号丢失、剩余电量过低、车速过快、发生碰撞等情况。故障报警提示模块主要用来对清洁车状态参数超过设定阈值时的警告显示，当无人驾驶清洁车发生故障时，可通过系统的主界面弹出对话框提示管理人员，并且对话框中显示发生故障的清洁车的具体编号和故障信息。使管理员能够及时通知该车的负责人进行维修、排除故障。

预约调度模块包括车辆预约和车辆调度。

1.车辆预约：为了更合理的完成清洁车的调度安排，客户在系统中需提前预约清洁车，主要包括预约人基本信息和扫地相关信息。预约人信息主要包括预约人姓名、联系方式、清扫地点、清扫面积、清扫时间等信息。预约人姓名和联系方式是为了方便管理员与客户之间的联系沟通。清扫面积和清扫时间是为调度提供参数依据。用户可在输入框中直接输入扫地地点的经纬度，也可以在地图中标注出扫地地点，百度地图API能够自动匹配出标注地点的经纬度信息。最后将订单中填写的所有信息记录在数据库的订单表中。每提交一次，订单表中的信息就多一条记录，由此可以查询出订单数量。

2.车辆调度：从数据库当中提取客户提交的所有订单的扫地地点信息和扫地面积信息，将扫地地点转换为相对应的经纬度。百度地图API中的Route Matrix能自动计算出每个地点相互之间的驾车距离，将驾车距离和扫地面积换算成扫地时间。同时考虑到电量约束条件，当清洁车的电量不足以去执行下一个任务时应让电动清洁车回到充电站，充满电之后再次执行下一个任务。根据总时间最短原则，调度系统规划出一个最佳的任务执行顺序。

调度系统通过最大-最小蚂蚁系统对任务执行顺序进行优化，以花费时间最短为原则，并融合电量约束条件，获得最优任务执行顺序。

MMAS(最大-最小蚂蚁系统)是由Stutzle等学者提出的一种基于蚂蚁系统的改进算法，它的改进之处主要在于(柯亨通.基于最大最小蚁群算法的配电网优化重构研究[D].华中科技大学,2013.)：

(1)对路径上的信息素浓度设置最大和最小值[τ_min,τ_max]，当某条路径上的信息素浓度大于τ_max时，则让该路径上的浓度保持为τ_max。相反，如果路径上的浓度小于τ_min，则让该路径保持最小值τ_min。这样能够避免某条路径上的信息素浓度远远大于其他路径上的信息素浓度，避免算法过早的陷入局部最优。

(2)只允许本次迭代中或全局中寻找到最优解的蚂蚁更新路径的信息素浓度，这是因为增加对最优解的利用能够提高算法的寻优能力。

(3)将信息素的初始浓度设为τ_max，当信息素挥发率ρ较小时，算法能找到更多更优解。

每次迭代之后，路径上的信息素更新方式如下：

上式中，Q为信息素更新比例系数，L^best为最短路径。

MMAS算法参数设置步骤如下。

MMAS信息素的上下限取值：选择合理的信息素的最大值τ_max和最小值τ_min是MMAS算法的关键，它决定了MMAS算法是否有更好的改进效果。

为了满足MMAS算法的收敛性，则经过多次迭代之后，算法较优解的路径上的信息素浓度值都将趋向于τ_max，而其它路径上信息素的浓度值都趋向于τ_min。此外，还应考虑MMAS算法搜索停滞的问题。

根据算法收敛的概念，对τ_max的极限值作出下面的定理：

定理6.1随着迭代次数Dd的不断增加，路径(i,j)的信息素浓度τ_ij满足：

证明 由公式(6-6)可知，算法每次迭代之后信息素的增加量为Q/L_best，L_best为全局最短路径长度。经过第Dd次迭代后，信息素的值为：

由于信息挥发系数ρ＜1，所以上式是个收敛函数，这个值收敛于：

由上式可知，将信息素的最大值可设置为：

对于信息素最小值的设置，通常可设为：

其中n为城市的数目。

挥发系数的设置：信息素挥发系数ρ是影响蚁群算法计算性能的一个重要参数，它对算法的全局搜索能力和收敛速度都有较明显的影响。由公式(6-4)可知，信息素挥发系数ρ的取值越大，则意味着每次迭代之后路径上的信息素差异越大，信息素的更新速度越快则意味着越多的蚂蚁会趋向选择信息素浓度更高的路径，这能够加快算法的收敛速度；但是当ρ取值过大时则又不利于蚂蚁探寻更多的路径，这样会减少算法的求解多样性。当然如果ρ取值过小则信息素更新速度太慢，算法容易陷入长期的随机搜索，算法找到的最优路径的质量往往也不高。

假设蚁群算法经过t次迭代之后，算法经过不断收敛逐渐接近较优的解。那么，较差路径上的信息素应满足如公式6-12：

(1-ρ)^t·τ₀≥τ_min (6-12)

即经过t次迭代之后，那些较差路径上的信息素不断挥发，信息素浓度逐渐接近设定的最小值τ_min。根据上式反推可得：

在最大-最小蚂蚁系统中，信息素的初始值τ₀通常设置为最大值τ_max，即：

通常迭代次数t都会在20以上，结合公式(6-14)可推出ρ的取值。众多的实验表明，当

时，算法具有较好的求解结果。

迭代次数的设置：对蚁群算法迭代次数的设置并没有一个明确的定义，通常是根据经验不断的调整来选取一个较合适的数值。下面是对最小迭代次数D_t的一个推理。

假设经过D_t次迭代之后，从未得到更新的路径(i,j)上的信息素浓度τ_ij逼近于最小值τ_min。即Dd＞D_t时，τ_ij的值将保持为τ_min。

由上式可推导出：

当

时，τ_ij的值会第一次到达τ_min。其中

表示向下取整。为了让算法继续搜索更好的结果，总迭代次数Dd的值都会大于D_t。

采用百度地图API的批量算路服务(Route Matrix)获取各个地点的驾车距离。

批量算法服务(又名Route Matrix API)是一套以HTTP/HTTPS形式提供的轻量级批量算路接口。该服务可以根据起点和终点，返回路线规划距离和行驶时间。以下为批量算路服务的举例：http://api.map.baidu.com/routematrix/v2/driving？output＝json&origins＝31.28,121.46|31.28,121.45&destinations＝31.23,121.47|31.30,121.53&ak＝ak；请求参数driving表示查询驾车路线，output＝json表示输出类型为json格式的文件，origins和destinations分别表示起点和终点，ak为访问权限。百度地图服务器接收到请求数据后，会返回一个json格式的文件，该文件包含了origins起点到destinations终点的相互驾车距离和驾车时间等信息。

结合最大-最小蚂蚁算法能优化出个更好的任务执行顺序。求解步骤如下所示：步骤1：读取订单中的扫地地点的经纬度信息，用百度地图Route Matrix API获取各地点的相互驾车距离。根据扫地面积计算出各地点的扫地时间；步骤2：参数的初始化，例如，最大迭代次数NC_max、蚂蚁个数m、挥发系数ρ；步骤3：m只蚂蚁的初始出发地都为充电站；步骤4：每循环一次NC←NC+1；步骤5：禁忌表初始化tabu_k；步骤6：蚂蚁数目k←k+1，直到k＝m；步骤7：构造任务执行顺序，按照概率原则和电量约束条件选取下一个任务执行点，如果剩余电量不足以执行下一个任务则返回充电站。将执行完毕的任务放入禁忌表tabu_k，直到所有的任务执行完毕；步骤8：计算每只蚂蚁所走过的路径长度，如果所有蚂蚁都任务执行完毕则进入下一步，否则回到步骤6；步骤9：选取出此次迭代中找到最短路径的那只蚂蚁，更新这只蚂蚁走过的路径上的信息素；步骤10：若迭代完毕，即NC＝NC_max，输出所有迭代中路径最短的任务执行顺序。否则清空禁忌表tabu_k，跳转到步骤4。

电动清洁车辆的充电时间也是影响任务执行顺序的一个重要因素。电动清洁车的电量状态SOC、外界温度、充电电流大小等因素都会影响充电速率，设电动清洁车的充电速率为线性比例，且从零电量状态到满电状态的充电时间为t_{zero_full}。则充电速率为：

设每次出发都为满电量状态，则第z次出发执行任务所耗费的电量为T_cost(z)，则此次需要充电的时间为：

为了对比蚂蚁系统和最大-最小蚂蚁系统的寻优能力，从TSP标准问题库(http://elib.zib.de/pub/mp-testdata/tsp/tsplib/tsp/index.html)当中选取了三个TSP问题模型，分别是eil51,tsp225和kroa100。仿真平台为MATLAB R2016b，处理器的芯片型号为Intel(R)Core^TM i7-7500U CPU@2.70GHz(8.00GB RAM)。

对三个模型分别测试了25次，迭代次数设为200次。其他参数的大小为α＝1.0，β＝7.0，ρ＝0.15，Q＝10⁶，m＝30。

由图3可以看出，MMAS算法求出的最优解、最差解和平均值都比AS算法要好。图4为用MMAS算法求解Tsp225时得到的最优仿真结果。图5为用MMAS算法求解Tsp225时每次迭代得到的最优解与平均解，全局最优解的大小为3969。

电动清洁车辆在最优路径上行驶时，横向运动的控制，是基于观测器的神经网络滑模控制器，其控制器的获取过程为：通过转向柱式EPS模型，建立关于电动汽车横向运动的状态空间方程，考虑在控制输出限幅条件下，获得基于观测器的神经网络滑模控制器。

EPS系统具有易于装配，控制灵活等诸多优点。其中主要部件包括了助力电机，转矩传感器以及发动机电子控制单元(Electronic control unit,ECU)。它的工作过程为：当转向轴转动时，与之相连接的转矩转角传感器能检测到输入轴与输出轴之间的相对转动角位移，并将角位移转变成相应的电信号传递给ECU。ECU根据车速传感器和转角传感器信号控制电机的旋转方向和助力大小，进而控制转向。现阶段对电动汽车横向运动的控制算法，大多是基于转向柱式EPS模型。

转向柱式EPS模型中的转向柱模型可以被描述为：

齿轮齿条模型可被描述为：

助力电动机的模型为：

助力电机中的驱动电压方程为：

助力电机的电磁转矩方程为：T_m＝k_eI (3-8)

转矩传感器的测量值为：

则根据上述公式可以建立关于电动汽车横向运动的状态空间方程：

其中，

为系统的状态变量，ω(t)＝(T_h,F_r)^T为EPS系统的外部干扰，u(t)为控制输入，y_p(t)＝(T_c,T_a,θ_c,θ_m,β,ω_r)^T为系统的测量输出。矩阵A_p，B_p，C_p，D_p为系数矩阵：

引理3.1(舒尔互补定理)对于给定的对称矩阵：

下式均为等价条件：

引理3.2对于系统(3-10)，若存在常数γ＞0，以及一个对称且正定的矩阵P使得：

成立，其中I为适当维数的单位矩阵，则系统(2-10)渐近稳定。

引理3.3(H_∞性能)对于动态方程

其中ρ(t)为系统的状态向量，

为系统的外部扰动。若系统满足如下指标，则满足H_∞性能：(1)当外部扰动为0时，系统渐进稳定；(2)当外部扰动不为0时，在0初始条件下满足：

其中，P为对称正定矩阵。

本申请中的观测器，将基于王振华(描述系统的故障诊断观测器设计[D].哈尔滨工业大学,2013.)的研究，设计具有鲁棒性的状态观测器，并同时保证了观测器易于被求解。

所设计的观测器为：

其中，L_o，N_o，T_o为观测器中待设计的矩阵。ξ(t)为观测器的状态向量，

为观测器的观测值。

引理3.4对于矩阵M∈R^a×b，W∈R^b×c，Z∈R^a×c，如果矩阵W的秩为c，且满足如下矩阵等式：MW＝Z

则M的通解为：M＝ZW⁺+U(I_b-WW⁺)

其中，U为给定的任意矩阵且维数适当，W⁺表示矩阵W的广义逆矩阵。

因此，根据引理3.1，对于观测器中矩阵系数则有：

下面对系数矩阵L进行求解。定义：

则有：

由此，根据式(3-10)和式(3-13)可得式(3-15)的动态方程为：

定理1考虑观测器(3-13)无人清洁车系统模型(3-10)，若存在对称且正定的矩阵P_o∈R^(n+q)×(n+q)和正常数χ使得如下矩阵不等式成立：

其中*表示矩阵中对称位置元素的转置，则系统状态x_p(t)可以被观测。

证明 考虑如下的李雅普诺夫方程：

上式两侧对时间求导数，则可以得到：

若外界扰动为0，根据(3-18)和舒尔定理。则可以得到

误差动态方程(3-17)渐进稳定。若外界扰动不为0，定义：

则，在零初始条件下得到：

于是，通过(3-20)可以得到：

其中：

因此，若式(3-18)满足，则有J_o＜0。根据引理3.3，观测器具有H_∞性能，并可观测出系统状态x_p(t)。

注1：定理1可通过舒尔互补定理转化为LMI问题。定义J＝P_oL，则(3-18)可被改写为：

由此，观测器中的参数可以被获得

选取车辆横向运动控制器的控制模型，即上述电动汽车横向运动的状态空间方程(3-10)。由于无人电动清洁车受机械结构的限制，采用径向基神经网络(radial basisfunction neural network,RBFNN)的方法对故障进行逼近，解决无人清洁车横向运动控制中的控制输入限幅问题，设计基于观测器的神经网络滑模控制器。

引理4.1 RBFNN输入与输出关系可表达为：

其中x为网络输入，i表示网络输入层第i个输入，j为网络隐含层第j个网络输入，h＝[h_j]^T为高斯基函数的输出，R^*为网络的理想权值，ε为理想神经网络逼近δ的误差，ε≤ε_max，

为网络输出，

为神经网络的估计权值。

根据引理4.1，网络输入取x＝v，则网络输出为：

取

则有

基于故障观测器(3-13)，本节将设计基于神经网络的滑模控制器对被控系统(3-10)进行控制。定义控制器的滑模面为：

其中P_k为对称正定矩阵。

定理4.1若存在基于观测器的滑模控制器为：

其中：

且K为待求参数矩阵，η为正常数。则系统(3-10)可趋向稳定。

证明 取如下的Lyapunov函数：

取自适应律：

对式(4-14)两端进行求导可得：

则从上式中可见，若η的选择满足：

则式(4.17)满足滑模存在的条件，即

将控制器(4.13)带入到系统(3-10)中得到：

其中

通过本章所设计的基于观测器的滑模控制器可使为

为Hurwitz矩阵。

定理4.1若控制器(4-13)有效，则存在对称正定矩阵P_k*以及正常数

使得如下

矩阵不等式成立：

证明 取Lyapunov函数：

则，通过对上式求导可得到：

其中，通过式(4-13)可知，当滑模存在条件满足,即不等式(4.17)成立时，则有B^TPx(t)＝x^T(t)PB＝0成立。定义：

在上式中，t₀表示控制器作动时刻。由此可得：

从上式可得：

其中：

因此，当矩阵不等式Ψ＜0满足时，将得到J_k＜0。因此，根据引理4.3，闭环系统(3-10)将有H_∞性能。

注2为求解控制器中系数P_k*，可将等式Ψ＜0转化为LMI问题。定义矩阵变量

Y＝KQ，并对不等式Ψ＜0左右乘以矩阵diag{Q,I}将得到：

通过转换等式K＝Y_pQ^-1，即可得到控制其中系数K。

RBF神经网络的表达式为：

上式中，输入层x为n维向量；y(x)为神经网络的输出；p为隐含层的节点数；c_i为隐节点中心；σ_i为归一化参数；w_i是隐含层到输出层之间的权值系数。Φ(·)为隐含层的激活函数，一般取高斯函数，即：

下面对电动清洁车横向运动的控制算法进行仿真验证，设定电动清洁车中的参数如表2。

表2电动清洁车参数设定

在仿真中，假设外部扰动信号均为sin(t)。在控制输入通道上，假设限幅为||δ_f||≤40，

为了验证所提出方法的鲁棒性，为模型参数，K_c，L，G加入其数值绝对值5％幅值的摄动。

对于观测器(3-13)，指定其系数矩阵为：

通过引理(3-14)则可以得到观测器中的系数矩阵：

在矩阵不等式(3-19)中，设定χ＝1，则可以得到观测器中系数L。

至此，观测器全部参数已得。

通过仿真验证，证明了所提出的观测器能够有效地观测出电动汽车在横向运动时的电机助力转矩和横摆角速度，并具有一定的鲁棒性。

在求解控制器参数中，设定

通过求解矩阵不等式(4-24)，可得控制器中参数为

至此，无人清洁车横向控制系统能够实现。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种无人驾驶电动清洁车的信息化管理与调度系统，包括电动清洁车，其特征在于，电动清洁车上设置有：

环境感知系统：通过激光雷达、摄像机等传感器获得车辆周边环境的信息；

规划决策系统：用于车辆的路径规划、传感器数据融合与决策；

底层控制系统：根据规划决策系统的决策结果控制车辆的执行动作，执行动作包括车辆的纵向控制和横向控制；

车辆数据采集系统：通过前轮偏角传感器、车速传感器和电感传感器采集车辆的行驶速度、前轮偏转角、电量状态等信息；

应急停车系统：将上述数据信息与预置的警戒数据相比较，并且输出比较结果进行制动停车或无线遥控紧急停车功能；

数据通信系统：实现各个传感器数据的传输、控制指令的发送和接收；

扫刷控制系统：控制扫刷的抬起及旋转速度

其它接口：车灯、蜂鸣器、风机、水泵垃圾箱抬放等设备的控制接口

所述环境感知系统与规划决策系统连接，并通过RS232总线与车辆RTU连接，车辆RTU还与底层控制系统、车辆数据采集系统、扫刷控制系统、危险应急停车系统和其它接口。

2.根据权利要求1所述的无人驾驶电动清洁车的信息化管理与调度系统，其特征是：所述环境感知系统包括与信息处理系统、差分GPS导航系统和OCTANS,所述摄像机通过USB与信息处理系统连接，所述激光雷达通过LAN与信息处理系统连接，差分GPS和OCTANS通过RS232与规划决策系统连接。

3.根据权利要求1所述的无人驾驶电动清洁车的信息化管理与调度系统，其特征是：所述底层控制系统包括横向控制系统和纵向控制系统，纵向控制系统包括电门机构和制动机构，横向控制系统包括转向机构。

4.一种无人驾驶电动清洁车的信息化管理与调度方法，其特征在于，获取实时车辆位置和目标位置之间的路径信息，根据相应的约束条件规划最优路径，在行进过程中通过传感器获取车辆周围的环境信息和车辆的运行信息，并实现车辆的自动驾驶和清扫，具体步骤为：

步骤一、建立由数据采集系统、远程服务器和Web客户端组成的信息管理与调度系统；

步骤二、数据采集系统获取车辆实时的状态参数，将采集到的状态参数信息通过GPRS模块发送到远程服务器，远程服务器对接收的状态参数处理后存储到相应的数据库服务器中，Web客户端通过浏览器登入系统与远程服务器连通；

步骤三、通过Web客户端获取并显示车辆实时的状态参数，并对目标位置进行标注，解析目标位置的经纬度信息，将经纬度信息提交给地图服务器的Route Matrix计算，并结合获取的车辆状态参数完成车辆最优行驶路线的生成；

步骤四、车辆从远程控制器获取最优行驶路线信息，通过车辆的纵向运动和横向运动实现车辆按照获取的最优行驶路线信息进行自动行驶和清扫。

5.根据权利要求4所述的无人驾驶电动清洁车的信息化管理与调度方法，其特征是：所述Web客户端包括，用户模块、车辆模块和预约调度模块；

用户模块：包括普通用户类型、管理员类型和超级管理员类型，不同类型的用户拥有不同权限功能；用户模块的功能包括用户的信息注册和修改、用户登录和用户信息查询，只有在系统中注册并通过审核的用户才能登录系统；

车辆模块：负责所有车辆信息的录入，例如车牌号、续航里程、该车负责人等重要信息，查看车辆的一些重要实时数据，如清洁车辆目前所在的地理位置、车速和电量状态信息，根据车牌号和时间区间查询相应的历史信息；当清洁车辆发生险情，如电量过低、超速、翻车等情况，系统会及时报警并通知管理员；

预约调度模块：完成用户对清洁车辆的预定，用户在系统订单预定页面中填写扫地地点、清扫面积和扫地时间等信息。

6.根据权利要求4所述的无人驾驶电动清洁车的信息化管理与调度方法，其特征是：所述车辆最优行驶路线的生成，采用车辆的电量约束，以最短时间完成所有目标位置任务为目标，利用最大-最小蚂蚁系统调度算法获得，其具体步骤为：步骤1：读取目标位置的经纬度信息，用百度地图Route Matrix API获取各地点的相互驾车距离，根据扫地面积计算出各地点的扫地时间；

步骤2：对最大迭代次数NC_max、蚂蚁个数m、挥发系数ρ等参数进行初始化；

步骤3：m只蚂蚁的初始出发地都为充电站；

步骤4：每循环一次NC←NC+1；

步骤5：禁忌表初始化tabu_k；

步骤6：蚂蚁数目k←k+1，直到k＝m；

步骤7：构造任务执行顺序，按照概率原则和电量约束条件选取下一个任务执行点，如果剩余电量不足以执行下一个任务则返回充电站，将执行完毕的任务放入禁忌表tabu_k，直到所有的任务执行完毕；

步骤8：计算每只蚂蚁所走过的路径长度，如果所有蚂蚁都任务执行完毕则进入下一步，否则回到步骤6；

步骤9：选取出此次迭代中找到最短路径的那只蚂蚁，更新这只蚂蚁走过的路径上的信息素；

步骤10：若迭代完毕，即NC＝NC_max，输出所有迭代中路径最短的任务执行顺序，否则清空禁忌表tabu_k，跳转到步骤4。

7.根据权利要求4所述的无人驾驶电动清洁车的信息化管理与调度方法，其特征是：横向运动的控制，是基于观测器的神经网络滑模控制器，其控制器的获取过程为：通过转向柱式EPS模型，建立关于电动汽车横向运动的状态空间方程，考虑在控制输出限幅条件下，获得基于观测器的神经网络滑模控制器。

8.根据权利要求7所述的无人驾驶电动清洁车的信息化管理与调度方法，其特征是：所述转向柱式EPS模型中的转向柱模型可以被描述为：

齿轮齿条模型可被描述为：

助力电动机的模型为：

助力电机中的驱动电压方程为：

助力电机的电磁转矩方程为：

T_m＝k_eI

转矩传感器的测量值为：

则根据上述公式可以建立关于电动汽车横向运动的状态空间方程：

其中，

为系统的状态变量，ω(t)＝(T_h,F_r)^T为EPS系统的外部干扰，u(t)为控制输入，y_p(t)＝(T_c,T_a,θ_c,θ_m,β,ω_r)^T为系统的测量输出。

9.根据权利要求7所述的无人驾驶电动清洁车的信息化管理与调度方法，其特征是：采用的观测器为：

其中，L_o，N_o，T_o为观测器中待设计的矩阵。ξ(t)为观测器的状态向量，

为观测器的观测值。

10.根据权利要求7所述的无人驾驶电动清洁车的信息化管理与调度方法，其特征是：所述清洁车辆横向运动控制中的控制输入限幅问题，采用径向基神经网络的方法对故障进行逼近。

Images