CN111767896A - 一种清扫车底盘上装协同控制方法及感知识别实现装置 - Google Patents
一种清扫车底盘上装协同控制方法及感知识别实现装置 Download PDFInfo
- Publication number
- CN111767896A CN111767896A CN202010678086.9A CN202010678086A CN111767896A CN 111767896 A CN111767896 A CN 111767896A CN 202010678086 A CN202010678086 A CN 202010678086A CN 111767896 A CN111767896 A CN 111767896A
- Authority
- CN
- China
- Prior art keywords
- sweeper
- garbage
- algorithm
- vehicle speed
- control
- 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
Links
- 241001417527 Pempheridae Species 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000008447 perception Effects 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 107
- 239000013643 reference control Substances 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 57
- 230000005284 excitation Effects 0.000 claims description 52
- 238000011156 evaluation Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 14
- 238000010408 sweeping Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000003672 processing method Methods 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Abstract
本发明公开了一种清扫车底盘上装协同控制方法,通过车载的摄像头采集清扫车前方地面图像,采用路面垃圾图像识别感知算法对采集的图像进行处理,获得清扫车前方路面上的垃圾物的种类及指定种类的垃圾的覆盖率估计;通过检测当前清扫车车速情况和上装执行器档位情况判断此时清扫车所处状态;通过决策规划算法,利用清扫车当前状态信息和前方地面垃圾分布信息对当前时刻进行评估,并由此提出下一时刻底盘协同上装目标参考控制量;通过协同控制算法,以设置车速以及决策规划算法输出的下一时刻目标参考控制量,进行车速和上装档位的协同控制。本发明同时公开了一种清扫车感知识别实现装置。
Description
技术领域
本发明属于人工智能纯电动商用车领域,具体涉及一种N3类清扫车底盘上装协同及车速在线寻优控制算法与感知识别实现装置。
背景技术
近年来,汽车领域呈现出“电动化、智能化”的发展趋势,以自适应巡航为代表的车辆底盘智能化控制技术得到了长足的发展。传统的车辆底盘智能化控制技术均以提高驾驶舒适性与安全性为目的,以特殊用途(如上装协同)为目的的车辆底盘智能化控制技术研究还较少。目前的N3类智能清扫车,其底盘控制方法大多还是将底盘与上装执行器分别进行控制的分层式底盘控制方法,该种控制方法难以解决清扫车行驶作业时底盘控制需求与清扫执行需求之间的矛盾。同时,在智能清扫车工作的过程中,常常因为对电池能量利用的不充分,为了确保完成作业任务而加装大容量的电池,并对电池频繁的进行充电,不仅影响了作业效率,也降低了电池的使用寿命。而由于不同智能清扫车所处的工况和环境的不同,采用统一的控制方法往往得不到很好的效果;针对所有工况设计控制方法则会消耗大量的人力和物力。
发明内容
为解决现有技术存在的上述问题,本发明提供一种清扫车底盘上装协同控制方法及感知识别实现装置。
作为本发明的一方面,提供一种清扫车底盘上装协同控制方法,步骤如下:
步骤一、通过车载的摄像头采集清扫车前方地面图像,采用路面垃圾图像识别感知算法对采集的图像进行处理,获得清扫车前方路面上的垃圾物的种类及指定种类的垃圾的覆盖率估计;
步骤二、通过检测当前清扫车车速情况和上装执行器档位情况判断此时清扫车所处状态;通过决策规划算法,利用清扫车当前状态信息和前方地面垃圾分布信息对当前时刻进行评估,并由此提出下一时刻底盘协同上装目标参考控制量;
步骤三、通过协同控制算法,以设置车速以及决策规划算法输出的下一时刻目标参考控制量,进行车速和上装档位的协同控制。
进一步地,所述步骤一中采用的路面垃圾图像识别感知算法包括:
1.1)采用Faster-RCNN深度学习方法对车辆前方地面上的垃圾种类进行识别;采用数字图像处理方法对车辆前方地面上的垃圾数量进行估计;
1.2)对采用Faster-RCNN深度学习方法得到的垃圾种类识别结果进行坐标变换,同时对采用数字图像处理方法得到的垃圾覆盖率估计结果进行标定融合;
1.3)将垃圾种类识别结果与垃圾覆盖率估计结果进行对照结合,得到指定种类垃圾的相应覆盖率。
进一步地,所述步骤二中,决策规划算法包括以下步骤:
2.1)决策规划算法采用马尔科夫决策过程,马尔科夫决策过程包含以下要素:
(S,A,Pa,Ra,γ)
其中,S代表当前清扫车的有限的状态空间,包含清扫车的车速、上装执行器状态;A表示当前清扫车所有状态下行为空间的集合,包括清扫车的加速、减速,上装执行器的升、降档位操作;Pa代表清扫车在状态S下发生A行为从而转移至下一时刻状态S’的条件概率;Ra代表动作的激励函数,即执行某个状态转移动作时得到的激励;γ∈(0,1)代表激励衰减因子;
2.1)选取主要垃圾的激励函数分段响应规则作为评价指标来建立激励函数:
将垃圾物检测矩阵代入激励函数公式中:
其中,HXY代表主要垃圾分类的分布向量,其中包含特定垃圾物种类Kind(fnum)与垃圾覆盖率Cover(Snum)信息;E风机为实验测得的主要垃圾的风机功率响应矩阵;E盘扫为实验测得的主要垃圾的盘扫功率响应矩阵;α为风机功率权重系数;β为盘扫功率权重系数;
2.3)决策规划算法中,默认输入时进入初始状态,然后通过检测当前车速情况和上装执行器档位情况判断此时车辆所处状态,依据当前状态与感知结果,利用激励函数计算激励值T;
2.4)激励值T若超过概率阈值则执行状态转移动作,并执行相应的激励衰减,之后进入下一时刻状态的状态窗口对下一时刻车辆状态进行预估并输出参考控制量;若激励值没有超过概率阈值则执行保持当前状态,下一时刻的控制状态与当前状态保持一致,控制参考量也与当前步长输出一致。
进一步地,所述步骤三中,协同控制算法为基于模糊自适应PID控制的协同控制算法,以设置车速和所述决策规划算法输出的下一时刻的目标参考上装档位作为参考输入变量VR,结合清扫车实时车速与上装执行器档位,获得输入与输出之间的差值以及差值的变化率,由此通过模糊控制手段对PID控制器控制参数进行调整,实现相应的车速控制并实现档位协同的协同控制,最终将车速误差和执行器档位误差缩小在合理的范围内。
更进一步地,所述模糊自适应PID控制的控制过程为:首先将设定的参考输入值和反馈的输出值的差值e和差值的变化率et进行模糊化处理,得到模糊值E和ET,再根据模糊规则,对E和ET进行模糊推理,得到其比例、积分和微分系数模糊后的模糊值KP、KI和KD;之后对KP、KI和KD进行去模糊化得到相应的精确值kp、ki和kd;最后将比例、积分和微分系数的精确值kp、ki和kd传递给PID控制器,输出控制结果并进行下一轮的模糊自适应PID控制。
进一步地,所述步骤三中,协同控制算法的设置车速通过车速在线寻优算法得到,车速在线寻优算法包括以下步骤:
3.1)建立与各智能清扫车终端相连接的云端数据库;
3.2)各智能清扫车在执行清扫任务时,实时上传自身的工作时刻和工作区域,以及车速、加速度、驱动电机功率、上装执行器功率、电池温度和放电倍率信息到步骤四中构建的云端数据库中;
3.3)对步骤3.2)中收集的数据信息,以工作时刻和工作区域进行分类,对同一区域和时间段的数据信息构造评价函数,并利用模拟航海算法,在数据库中分别保存不同上装执行器功率对应的五组函数值较高的数据;
3.4)在某台智能清扫车执行清扫任务时,实时上传其步骤五中所提及的各项信息,按照步骤3.3)的方式进行分类和评价函数值计算后,利用模拟航海算法进行评价函数值的在线寻优,得到对应的最优组数据,回传给智能清扫车终端,并更新数据库;
3.5)、将步骤3.4)中得到的最优组数据对应的车速与自适应巡航系统得到的车速通过比对得到目标车速,该目标车速极为协同控制算法的设置车速。
更进一步地,所述步骤3.3)中构造的评价函数为:
其中,ps为上装执行器功率,t为电池温度,c为放电倍率,pw为驱动电机功率,a为加速度,α为电池温度t的权重,β为放电倍率c的权重,γ为驱动电机功率pw的权重,θ为加速度a的权重。
更进一步地,所述步骤3.3)中的模拟航海算法,包括以下步骤:
S1.确定航海坐标值,可以是一维、二维、三维乃至更多维度的航海坐标;
S2.利用坐标值,将模拟出的船驶向目标岛屿;
S3.船长在目标岛屿上用自己所持旗帜与岛上至多五个旗帜的值进行依次比对;
S4.若船长所持旗帜的值大于岛上某一旗帜的值,则进行旗帜替换与值的抄录,若否则抄录该旗帜的值;
S5.重复S4的过程直至检查过每一个旗帜;
S6.船长将旗帜带回船上,并返回。
作为本发明的另一方面,同时提供一种清扫车感知识别实现装置,用于实现清扫车底盘上装协同控制方法,包括三个部分:感知传感器、计算单元、控制单元;感知传感器实时获取路面垃圾物图像,计算单元识别感知传感器传递的图像,并通过CAN接口将识别信息传递给控制单元,控制单元接收车载级工控机的指令并向对应的执行器输出数字I/O信号,控制执行器动作。
进一步地,所述感知传感器为摄像头,采用POE供电,通过以太网接口与计算单元连接;计算单元为车载级工控机,通过CAN接口与控制单元连接;控制单元为原清扫车辆执行器控制器以及清扫车本体,控制器通过I/O口与执行器连接。
与现有技术相比本发明的有益效果是:
1.本发明通过结合底盘上装集成控制器与车辆模型实现车辆的协同上装功能,能够有效提高清扫车作业效率;
2.本发明通过对主要垃圾的激励函数分段响应,针对不同的垃圾种类调整上装执行器的工作档位,有效的降低了清扫车的总体能耗;
3.本发明在确保智能清扫车清洁效率不降低的同时,减少了其电池在低放电倍率工况下的输出功率,提高了电池能量利用效率,使智能清扫车更加节能和环保;
4.本发明使得智能清扫车的充电周期和电池使用寿命延长,变相降低了智能清扫车的使用成本,并提高了工作效率;
5.本发明建立的云端数据库及后续的数据更新记录,可以在一段时间内形成园区智能清扫车清扫作业分布规划图,以此进行智能清扫车的调度可以大大增加整个园区内的清扫效率。
附图说明
图1感知识别实现装置结构
图2底盘上装协同控制算法架构示意图
图3路面垃圾图像识别感知算法流程原理图
图4决策规划模块原理示意图
图5模糊自适应PID控制层结构图
图6模糊自适应PID控制原理图
图7模糊自适应协同控制算法Simulink模型
图8云端数据库模型
图9模拟航海算法流程图
图10协同控制流程图
具体实施方式
以下结合附图进一步描述本发明的技术方案:
一种N3类清扫车感知识别实现装置,包括三个部分:感知传感器、计算单元、控制单元;感知传感器实时获取路面垃圾物图像,计算单元识别感知传感器传递的图像,并通过CAN接口将识别信息传递给控制单元,控制单元接收车载级工控机的指令并向对应的执行器输出数字I/O信号,控制执行器动作。
进一步地,所述感知传感器为摄像头,采用POE供电,通过以太网接口与计算单元连接;计算单元为车载级工控机,通过CAN接口与控制单元连接;控制单元为原清扫车辆执行器控制器以及清扫车本体,控制器通过I/O口与执行器连接。
本发明同时提供一种清扫车底盘上装协同控制方法,步骤如下:
步骤一、通过车载的摄像头采集清扫车前方地面图像,采用路面垃圾图像识别感知算法对采集的图像进行处理,获得清扫车前方路面上的垃圾物的种类及指定种类的垃圾的覆盖率估计;
步骤二、通过检测当前清扫车车速情况和上装执行器档位情况判断此时清扫车所处状态;通过决策规划算法,利用清扫车当前状态信息和前方地面垃圾分布信息对当前时刻进行评估,并由此提出下一时刻底盘协同上装目标参考控制量;
步骤三、通过协同控制算法,以设置车速以及决策规划算法输出的下一时刻目标参考控制量,进行车速和上装档位的协同控制。
进一步地,所述步骤一中采用的路面垃圾图像识别感知算法包括:
1.1)采用Faster-RCNN深度学习方法对车辆前方地面上的垃圾种类进行识别;采用数字图像处理方法对车辆前方地面上的垃圾数量进行估计;
1.2)对采用Faster-RCNN深度学习方法得到的垃圾种类识别结果进行坐标变换,同时对采用数字图像处理方法得到的垃圾覆盖率估计结果进行标定融合;
1.3)将垃圾种类识别结果与垃圾覆盖率估计结果进行对照结合,得到指定种类垃圾的相应覆盖率。
进一步地,所述步骤二种,决策规划算法包括以下步骤:
2.1)决策规划算法采用马尔科夫决策过程,马尔科夫决策过程包含以下要素:
(S,A,Pa,Ra,γ)
其中,S代表当前清扫车的有限的状态空间,包含清扫车的车速、上装执行器状态;A表示当前清扫车所有状态下行为空间的集合,包括清扫车的加速、减速,上装执行器的升、降档位操作;Pa代表清扫车在状态S下发生A行为从而转移至下一时刻状态S’的条件概率;Ra代表动作的激励函数,即执行某个状态转移动作时得到的激励;γ∈(0,1)代表激励衰减因子;
2.1)选取主要垃圾的激励函数分段响应规则作为评价指标来建立激励函数:
将垃圾物检测矩阵代入激励函数公式中:
其中,HXY代表主要垃圾分类的分布向量,其中包含特定垃圾物种类Kind(fnum)与垃圾覆盖率Cover(Snum)信息;E风机为实验测得的主要垃圾的风机功率响应矩阵;E盘扫为实验测得的主要垃圾的盘扫功率响应矩阵;α为风机功率权重系数;β为盘扫功率权重系数;
2.3)决策规划算法中,默认输入时进入初始状态,然后通过检测当前车速情况和上装执行器档位情况判断此时车辆所处状态,依据当前状态与感知结果,利用激励函数计算激励值T;
2.4)激励值T若超过概率阈值则执行状态转移动作,并执行相应的激励衰减,之后进入下一时刻状态的状态窗口对下一时刻车辆状态进行预估并输出参考控制量;若激励值没有超过概率阈值则执行保持当前状态,下一时刻的控制状态与当前状态保持一致,控制参考量也与当前步长输出一致。
进一步地,所述步骤三中,协同控制算法为基于模糊自适应PID控制的协同控制算法,以设置车速和所述决策规划算法输出的下一时刻的目标参考上装档位作为参考输入变量VR,结合清扫车实时车速与上装执行器档位,获得输入与输出之间的差值以及差值的变化率,由此通过模糊控制手段对PID控制器控制参数进行调整,实现相应的车速控制并实现档位协同的协同控制,最终将车速误差和执行器档位误差缩小在合理的范围内。
更进一步地,所述模糊自适应PID控制的控制过程为:首先将设定的参考输入值和反馈的输出值的差值e和差值的变化率et进行模糊化处理,得到模糊值E和ET,再根据模糊规则,对E和ET进行模糊推理,得到其比例、积分和微分系数模糊后的模糊值KP、KI和KD;之后对KP、KI和KD进行去模糊化得到相应的精确值kp、ki和kd;最后将比例、积分和微分系数的精确值kp、ki和kd传递给PID控制器,输出控制结果并进行下一轮的模糊自适应PID控制。
进一步地,所述步骤三中,协同控制算法的设置车速通过车速在线寻优算法得到,车速在线寻优算法包括以下步骤:
3.1)建立与各智能清扫车终端相连接的云端数据库;
3.2)各智能清扫车在执行清扫任务时,实时上传自身的工作时刻和工作区域,以及车速、加速度、驱动电机功率、上装执行器功率、电池温度和放电倍率信息到步骤四中构建的云端数据库中;
3.3)对步骤3.2)中收集的数据信息,以工作时刻和工作区域进行分类,对同一区域和时间段的数据信息构造评价函数,并利用模拟航海算法,在数据库中分别保存不同上装执行器功率对应的五组函数值较高的数据;
3.4)在某台智能清扫车执行清扫任务时,实时上传其步骤五中所提及的各项信息,按照步骤3.3)的方式进行分类和评价函数值计算后,利用模拟航海算法进行评价函数值的在线寻优,得到对应的最优组数据,回传给智能清扫车终端,并更新数据库;
3.5)、将步骤3.4)中得到的最优组数据对应的车速与自适应巡航系统得到的车速通过比对得到目标车速,该目标车速极为协同控制算法的设置车速。
更进一步地,所述步骤3.3)中构造的评价函数为:
其中,ps为上装执行器功率,t为电池温度,c为放电倍率,pw为驱动电机功率,a为加速度,α为电池温度t的权重,β为放电倍率c的权重,γ为驱动电机功率pw的权重,θ为加速度a的权重。
更进一步地,所述步骤3.3)中的模拟航海算法,包括以下步骤:
S1.确定航海坐标值,可以是一维、二维、三维乃至更多维度的航海坐标;
S2.利用坐标值,将模拟出的船驶向目标岛屿;
S3.船长在目标岛屿上用自己所持旗帜与岛上至多五个旗帜的值进行依次比对;
S4.若船长所持旗帜的值大于岛上某一旗帜的值,则进行旗帜替换与值的抄录,若否则抄录该旗帜的值;
S5.重复S4的过程直至检查过每一个旗帜;
S6.船长将旗帜带回船上,并返回。
实施例1
一种清扫车感知识别实现装置,用于N3类清扫车,包括感知传感器、计算单元、控制单元。感知传感器选型为海康威视DS-2CD3356WD-I网络摄像头,摄像头采用POE供电,通过以太网接口与计算单元连接;计算单元选型为车载级工控机Nuvo-7160GC;控制单元选型为原清扫车辆执行器控制器以及清扫车本体。
各硬件部分的连接如图1所示,其中,DS-2CD3356WD-I网络摄像头用于实时获取路面垃圾物图像;车载级工控机Nuvo-7160GC用于接收并处理摄像头传输的原始图像数据,控制信号经由外接Canbus板卡EMUC-B202-W1发送到上装CAN总线中,将档位识别结果传递给执行器控制器;控制单元的执行器控制器包括底盘集成控制器以及上装集成控制器,用于接收工控机指令并向对应的执行器输出相应控制信号,控制执行器动作。
实施例2
本发明要提供一种清扫车底盘上装协同控制方法,其技术方案实现过程为:
首先,从N3类清扫车的典型工况出发进行综合考虑,底盘上装协同控制需求如下:
(1)保洁定速工况,在保洁定速工况下,图像识别算法检测到路面较为干净,路面垃圾上装难度小,因此在此工况下底盘上装协同控制算法以车辆定速巡航控制为主,具体为在保证上装效果的前提下进行车辆定速巡航;
(2)协同作业工况,在协同作业工况下,图像识别算法检测到路面垃圾分布较多且具有随机性,车辆底盘协同控制需要统筹兼顾底盘车速控制与上装执行控制,并且在此工况下为了提升底盘上装协同控制算法的效率性和经济性,会同时考虑车辆驱动部件和上装执行器的功率消耗,具体为在保证作业效果的同时不断自适应调整车辆的巡航车速和上装档位;
(3)模式切换工况,指的是车辆由保洁定速工况向协同作业工况过渡的过程或是车辆由协同作业工况向保洁定速保洁定速工况过渡的过程。在该工况下,图像识别算法检测到路面垃圾分布出现“由多变少”或者“由少变多”的特征变化,此时车辆底盘协同控制需要进行模式切换,在切换过程中保证稳定性,避免底盘控制和上装执行控制产生较大的冲击。
底盘上装协同控制需求表如下表所示:
本发明所讨论的底盘上装协同控制算法主要搭载于车载级工控机,用于处理感知数据并输出底盘集成控制器与上装集成控制器相关控制信号,实现清扫车的底盘上装协同控制。上装协同控制算法要实现功能,就必须基于路面垃圾感知结果来进行车辆的自适应优化控制,算法架构如图2所示。
1.上装协同控制算法的详细设计
上装协同控制算法从结构上可以分为感知算法、决策规划算法以及协同控制算法三部分。
1.1路面垃圾图像识别感知算法
路面垃圾图像识别感知算法旨在通过车载的摄像头作为视觉传感输入,对于清扫车前方路面上覆盖的垃圾进行种类以及数量的估计。
一般采用Fast-RCNN深度学习方法进行垃圾种类的识别,采用传统数字图像处理方法进行垃圾数量的估计。而路面垃圾图像识别感知算法则是在
Fast-RCNN深度学习方法及传统数字图像处理方法的基础上,通过原始图像的坐标变换以及标定融合的手段,结合两种图像识别方法优点,创新性地实现了实时在线的路面垃圾物的种类与覆盖率估计。如图3所示,路面垃圾图像识别感知算法具体步骤如下:
采用Faster-RCNN深度学习方法对清扫车前方路面上的垃圾种类进行识别;采用数字图像处理方法对对清扫车前方路面上的垃圾数量进行估计;
然后,对采用Faster-RCNN深度学习方法得到的垃圾种类识别结果进行坐标变换,同时对采用数字图像处理方法得到的垃圾覆盖率估计结果进行标定融合。
之后,将垃圾种类识别结果与垃圾覆盖率估计结果进行对照结合,得到指定种类垃圾的相应覆盖率。
其中Fast-RCNN深度学习算法实现了端到端的训练。种类识别算法关键部分在于RPN网络和回归分类两个部分。通过训练,RPN网络能够得到许多建议区域(RegionProposal),回归分类则能对候选区域与标签真值进行回归分类,最终得到目标区域内垃圾种类的分类置信度与区域坐标。
而对垃圾覆盖率进行估算的数字图像处理方法,则采用了灰度处理,高斯滤波,梯度算子,统计学直方阈值分割法、图像形态学等技术方法实现了垃圾的覆盖率估计。
1.2决策规划算法设计
决策规划算法旨在利用有限的垃圾分布信息与车辆状态信息拟定底盘协同上装控制目标。为了达成该目标,决策规划算法从有限状态机(FSM)的思想出发,利用车辆当前状态和垃圾分布对本车的当前时刻进行评估,并由此提出下一时刻下车辆的目标参考状态。决策规划原理如图4所示。
车辆状态与车辆的典型工况相对应,主要分为保洁定速工况、协同作业工况、模式切换工况。决策规划模块中的有限状态机(FSM)决策过程实际上是一个马尔科夫决策过程,马尔科夫决策过程包含几个要素:
(S,A,Pa,Ra,γ)
S代表的是当前车辆的有限的状态空间,在本发明中它包含了车辆的车速,上装执行器状态等相关状态量;A代表的是当前车辆的行为决策空间,在本发明中表示当前车辆所有状态下行为空间的集合,如车辆的加速、减速,上装执行器的升、降档位操作等;Pa代表的是车辆在状态S下发生A行为从而转移至下一时刻状态S’的条件概率;Ra代表的动作的激励函数,在本发明中特指执行某个状态转移动作时得到的激励;γ∈(0,1)代表的则是激励衰减因子,在本发明中设置激励衰减因子的目的是为了使得当前时刻的激励的重要性要高于之前发生的激励。
建立决策规划算法的关键是建立合理的激励函数,决策规划算法的激励函数从逻辑上应该由路面垃圾的上装难度来确定,因此需要设定评价指标来同时反映垃圾属性与上装特性,选取主要垃圾的激励函数分段响应规则作为评价指标来建立激励函数,主要垃圾的激励函数分段响应规则如下表所示:
在确定了激励函数相应规则后,将垃圾物检测矩阵代入如下激励函数公式中。
其中HXY代表主要垃圾分类的分布向量,其中包含特定垃圾物种类Kind(fnum)与垃圾覆盖率Cover(Snum)信息,E风机为实验测得的主要垃圾的风机功率响应矩阵,E盘扫为实验测得的主要垃圾的盘扫功率响应矩阵,α则为风机功率权重系数,β为盘扫功率权重系数。
公式通过矩阵点乘的方式获得相应激励值T。激励值T能够触发状态转移,实现从当前状态向目标状态转移的动作。状态转移完成后模型将会输出下一时刻的参考控制量,并执行激励信号衰减。
决策规划算法中,默认输入时进入初始状态,然后通过检测当前车速情况和上装执行器档位情况判断此时车辆所处状态,依据当前状态与感知结果可以利用激励函数计算激励值T。激励值T若超过概率阈值则执行状态转移动作,并执行相应的激励衰减,之后进入下一时刻状态的状态窗口对下一时刻车辆状态进行预估并输出参考控制量;若激励值没有超过概率阈值则执行保持当前状态,下一时刻的控制状态与当前状态保持一致,控制参考量也与当前步长输出一致。
1.3协同控制算法设计
协同控制算法是基于当前车辆状态以及下一时刻控制参考量进行车辆速度控制和上装控制的控制方法。模糊自适应PID控制方法的控制参数能够实时动态调整,能够有效提高系统的动态性和适应性,具有精度高,适应广泛等特点。协同控制算法设计从模糊自适应PID控制出发,通过上装执行器和车辆车速双重偏差限定来实现底盘上装的协同控制。该模糊自适应PID控制层的结构如图5所示。
模糊自适应PID控制器内部,首先将设定的参考值和反馈值的差值e和差值的变化率et进行模糊化处理,得到模糊值E和ET,再根据模糊规则,对E和ET进行模糊推理,得到其比例、积分和微分系数模糊后的模糊值KP、KI和KD,之后对KP、KI和KD进行去模糊化得到相应的精确值kp、ki和kd,最后将比例、积分和微分系数的精确值kp、ki和kd传递给PID控制器,输出控制结果并进行下一轮的模糊自适应PID控制。模糊自适应PID控制原理如图6所示。
模糊自适应控制系统想要好的控制效果,合适的控制参数调节是问题的关键所在。针对输入变量的KP,KI,KD值的参数调节,需要有确定的模糊规则来完成其相应的模糊推理,然后才能实时进行模糊规则下的参数调整。比例参数KP值是决定控制速率的关键,KP值调整变大后,控制速率加快,响应时长变短,但控制的超调量也随之增大,当KP值到达一定数值后系统发生震荡,稳定性变差;积分系数KI则能够消除系统误差,在时间上存在滞后性,用于小范围内的微调;微分系数KD值则是起着抑制KP、KI值的作用,它一方面能够减小系统的超调效应,另一方面能够抑制时间上的迟滞效应,用于增强系统的动态性和鲁棒性。
基于模糊自适应PID的协同控制算法以设置车速和决策规划算法输出的目标参考上装档位作为参考输入变量VR,结合实际车辆模型或传感器反馈回来的实时车速与执行器档位,可以获得输入与输出之间的差值以及差值的变化率,也由此通过模糊控制手段对PID控制器控制参数进行调整,从而实现相应的车速控制并实现档位协同的协同控制,最终将车速误差和执行器档位误差缩小在合理的范围内。协同控制算法总体模型如图7所示。
设置车速通过车速在线寻优算法得到,建立云端数据库用于存放园区内所有智能清扫车所上传的数据信息,为了确保所有信息的准确性以及方便后续计算和调用,数据采集和保存时应遵循以下原则:
1)各清扫车应在相对稳定的工作状态下进行数据的上传;
2)数据以每台智能清扫车为单位进行保存;
3)为了便于对大量的数据进行整理,将数据按照区域和时间段进行分类;
4)定期清理无用数据,确保数据库有足够的容量和运算速度。
云端数据库模型如图8所示。
采集到的数据包含工作区域、时间、车速、加速度、驱动电机功率、上装执行器功率、电池温度和放电倍率会直接上传到云端数据库中,再按照区域和时间进行分类后,就可以直接的观测到同一区域、同一时间段内,各清扫车所处的工作状态。
由于智能清扫车上装有的电池,其内阻随电池温度变化而变化,而内阻的变化会导致其放电倍率的改变。随着电池温度的升高,其内阻减小,电池放电倍率也会相应提升,所以应尽可能的在电池温度足够高的情况下输出功率,以此来提升电池能量利用效率。
但实际执行清扫作业的过程中,工况相对复杂,不能简单地判断哪种情况在更节能的同时更高效,因此,对工作区域相同、工作时间相同且清扫强度相近,也就是上装执行器功率相近的两组数据,应用评价函数对智能清扫车当前节能程度进行评价,并利用模拟航海算法对代表清扫车节能程度的评价函数值进行在线寻优,以求得到节能程度更高的清扫车工作状态对应的车速。
2.建立评价函数
由于智能清扫车的节能程度是由多个参数决定的,无法单一的判断最优解,所以需要建立评价函数,根据不同参数对清扫车节能效果的影响的程度不同,即影响因子的权重不同,来综合的评价某一组参数的节能程度究竟如何。建立如下评价函数:
其中,ps为上装执行器功率,t为电池温度,c为放电倍率,pw为驱动电机功率,a为加速度,α为电池温度t的权重,β为放电倍率c的权重,γ为驱动电机功率pw的权重,θ为加速度a的权重。
各参数的权重如下表所示。
我们希望智能清扫车在上装执行器功率相同或相近时,工作在电池温度和放电倍率较高、驱动电机功率较低且加速度较小的状态下,因此一组数据的平价函数值越大,则代表这组数据越优秀。
智能清扫车Xi在经过评价函数对相关数据进行计算并得到函数值后,其状态信息xi以如下形式保存在云端数据库中:
xi=[Si,Ti,psi,ti,ci,pwi,ai,Fi(ps),vi]
其中,S为智能清扫车的区域代码矩阵,T为智能清扫车的工作时间段代码矩阵,v为智能清扫车的车速。
在此之后,就是对xi中的Si、Ti和psi进行编码后作为岛屿三维坐标,对Fi(ps)利用模拟航海算法进行在线寻优。每个岛屿保留五个较优值,是为了避免在某些极端情况下,评价函数值较优的某个状态无法作为控制目标对智能清扫车进行控制,此时则要选取评价函数值次优的状态作为在线寻优的结果进行控制。
模拟航海算法流程图如图9所示;
3.利用模拟航海算法进行数据寻优
3.1模拟航海算法
模拟航海算法,采用的是古代航海时,船长往往可以通过海图上的坐标逐步靠近并找到标注的岛屿这一行为特点,通过构造模拟的航海船只与带有n维坐标的海图,来实现对有一种或数种约束条件的数据进行群体寻优的目的。主要包括以下几种行为:
1)目标航行:船只在海上按照海图上的坐标前往标注的岛屿;
2)旗帜比对:船长在登岛后,将会不断比对手中旗帜和岛上旗帜的数值;
3)旗帜抄录:船长在进行旗帜比对时,将较高的数值抄录在手持的旗帜上;
4)旗帜替换:若船长手持旗帜的数值高于岛上旗帜,则将两者互换。
3.2模拟航海算法的具体过程:
为了实现模拟航海算法,进行以下步骤:
步骤一,对包括海图坐标n维纵向量A、船只位置A0、船只速度Speed、船长手持旗帜上数值Y0和岛上旗帜数量Num进行初始化,其中Num的初始值为5,船只速度初始值为1,针对本专利中应用的情况,海图为三维坐标,即n=3,海图初始坐标A={0,0,0},船只初始位置A0={0,0,0},船长手持旗帜上初始数值Y0=0;
步骤二,根据选定的目标岛屿,对岛屿坐标依次进行赋值,对本专利中所应用的情况,三维坐标分别为进行编码后的清扫车工作区域、工作时间以及上装执行器功率;
步骤三,对船长手持旗帜上数值进行赋值,对本专利中所用的情况,即为评价函数的函数值;
步骤四,船只以速度Speed逐步向岛屿进行航行,即船只坐标以速度为增量向海图坐标靠拢,直至抵达岛屿,即A0=A;
步骤五,船长登岛并进行旗帜比对、旗帜抄录、旗帜替换,直到进行五次比对后,船长手持旗帜上的值即为岛屿上所有旗帜中的最大值;
步骤六,船长携带其手持旗帜上的值所对应的一组数据返程,提交改组数据,之后进行步骤一等待下次航行。
3.3岛屿坐标的编码
在3.2模拟航海算法具体实施过程中所需的岛屿坐标,为了便于算法的实现,需要事先对其进行编码。在本专利的情况下,需要进行编码的分别为智能清扫车的工作区域、工作时间以及上装执行器功率,编码原则如下:
(1)对工作区域的编码,以园区某一角所在区域的编码值为1,某一方向的下一区域编码为2,以此类推对园区所有区域利用从1开始的连续自然数进行编码;
(2)对工作时间的编码,以所有智能清扫车中,最早工作的智能清扫车开始工作的第一个时间跨度为一小时的时间段为编码1,对每个一小时时间段利用连续自然数进行编码;
(3)对上装执行器功率的编码,应对上装执行器功率值进行四舍五入的取整,得到的值作为其编码值。
4.在线寻优与自适应巡航系统协同控制
由于智能清扫车在实际工作的过程中,不能仅考虑由电池温度和放电倍率决定的经济速度,还要对当前所面临的路况进行识别分析。因此在进行车速控制时,采用在线寻优与自适应巡航系统进行协同控制,在保证节能的同时确保作业安全。协同控制流程如图10所示。
若在这一时刻,在线寻优系统决定的车速vi>自适应巡航系统决定的车速vc,则将vc作为协同控制算法的设置车速;
若此时,在线寻优系统决定的车速vi<自适应巡航系统决定的车速vc,则将vi作为协同控制算法的设置车速。
至此,成功构建了智能清扫车的云端数据库,并将包括电池温度、放电倍率、车速、上装执行器功率、驱动电机功率以及清扫车位置信息和工作时间段上传到了云端数据库中。
进一步地,经过评价函数的加权运算,对智能清扫车的工作区域和工作时间以及上装执行器功率等岛屿三维坐标的编码,并以此岛屿坐标利用模拟航海算法对评价函数的函数值进行群体寻优,找到了相同区域和时间段内,不同上装执行器功率的清扫车对应的最优状态,即确保清扫车电池在较高的温度和放电倍率下输出更大功率。此举可以有效的提高清扫车的电池能量利用效率,降低能量损耗,延长电池寿命并提高工作效率。
进一步地,将通过在线寻优与自适应巡航系统协同控制确定的车速,作为协同控制算法中的设置车速,而后以模糊PID控制算法完成对智能清扫车的底盘上装协同及车速在线寻优控制。
Claims (10)
1.一种清扫车底盘上装协同控制方法,其特征在于,包括以下步骤:
步骤一、通过车载的摄像头采集清扫车前方地面图像,采用路面垃圾图像识别感知算法对采集的图像进行处理,获得清扫车前方路面上的垃圾物的种类及指定种类的垃圾的覆盖率估计;
步骤二、通过检测当前清扫车车速情况和上装执行器档位情况判断此时清扫车所处状态;通过决策规划算法,利用清扫车当前状态信息和前方地面垃圾分布信息对当前时刻进行评估,并由此提出下一时刻底盘协同上装目标参考控制量;
步骤三、通过协同控制算法,以设置车速以及决策规划算法输出的下一时刻目标参考控制量,进行车速和上装档位的协同控制。
2.如权利要求1所述的一种清扫车底盘上装协同控制方法,其特征在于,所述步骤一中采用的路面垃圾图像识别感知算法包括:
1.1)采用Faster-RCNN深度学习方法对车辆前方地面上的垃圾种类进行识别;采用数字图像处理方法对车辆前方地面上的垃圾数量进行估计;
1.2)对采用Faster-RCNN深度学习方法得到的垃圾种类识别结果进行坐标变换,同时对采用数字图像处理方法得到的垃圾覆盖率估计结果进行标定融合;
1.3)将垃圾种类识别结果与垃圾覆盖率估计结果进行对照结合,得到指定种类垃圾的相应覆盖率。
3.如权利要求1所述的一种清扫车底盘上装协同控制方法,其特征在于,所述步骤二中,决策规划算法包括以下步骤:
2.1)决策规划算法采用马尔科夫决策过程,马尔科夫决策过程包含以下要素:
(S,A,Pa,Ra,γ)
其中,S代表当前清扫车的有限的状态空间,包含清扫车的车速、上装执行器状态;A表示当前清扫车所有状态下行为空间的集合,包括清扫车的加速、减速,上装执行器的升、降档位操作;Pa代表清扫车在状态S下发生A行为从而转移至下一时刻状态S’的条件概率;Ra代表动作的激励函数,即执行某个状态转移动作时得到的激励;γ∈(0,1)代表激励衰减因子;
2.1)选取主要垃圾的激励函数分段响应规则作为评价指标来建立激励函数:
将垃圾物检测矩阵代入激励函数公式中:
其中,HXY代表主要垃圾分类的分布向量,其中包含特定垃圾物种类Kind(fnum)与垃圾覆盖率Cover(Snum)信息;E风机为实验测得的主要垃圾的风机功率响应矩阵;E盘扫为实验测得的主要垃圾的盘扫功率响应矩阵;α为风机功率权重系数;β为盘扫功率权重系数;
2.3)决策规划算法中,默认输入时进入初始状态,然后通过检测当前车速情况和上装执行器档位情况判断此时车辆所处状态,依据当前状态与感知结果,利用激励函数计算激励值T;
2.4)激励值T若超过概率阈值则执行状态转移动作,并执行相应的激励衰减,之后进入下一时刻状态的状态窗口对下一时刻车辆状态进行预估并输出参考控制量;若激励值没有超过概率阈值则执行保持当前状态,下一时刻的控制状态与当前状态保持一致,控制参考量也与当前步长输出一致。
4.如权利要求1所述的一种清扫车底盘上装协同控制方法,其特征在于,所述步骤三中,协同控制算法为基于模糊自适应PID控制的协同控制算法,以设置车速和所述决策规划算法输出的下一时刻的目标参考上装档位作为参考输入变量VR,结合清扫车实时车速与上装执行器档位,获得输入与输出之间的差值以及差值的变化率,由此通过模糊控制手段对PID控制器控制参数进行调整,实现相应的车速控制并实现档位协同的协同控制,最终将车速误差和执行器档位误差缩小在一定的范围内。
5.如权利要求4所述的一种清扫车底盘上装协同控制方法,其特征在于,所述模糊自适应PID控制的控制过程为:首先将设定的参考输入值和反馈的输出值的差值e和差值的变化率et进行模糊化处理,得到模糊值E和ET,再根据模糊规则,对E和ET进行模糊推理,得到其比例、积分和微分系数模糊后的模糊值KP、KI和KD;之后对KP、KI和KD进行去模糊化得到相应的精确值kp、ki和kd;最后将比例、积分和微分系数的精确值kp、ki和kd传递给PID控制器,输出控制结果并进行下一轮的模糊自适应PID控制。
6.如权利要求1所述的一种清扫车底盘上装协同控制方法,其特征在于,所述步骤三中,协同控制算法的设置车速通过车速在线寻优算法得到,车速在线寻优算法包括以下步骤:
3.1)建立与各智能清扫车终端相连接的云端数据库;
3.2)各智能清扫车在执行清扫任务时,实时上传自身的工作时刻和工作区域,以及车速、加速度、驱动电机功率、上装执行器功率、电池温度和放电倍率信息到步骤四中构建的云端数据库中;
3.3)对步骤3.2)中收集的数据信息,以工作时刻和工作区域进行分类,对同一区域和时间段的数据信息构造评价函数,并利用模拟航海算法,在数据库中分别保存不同上装执行器功率对应的五组函数值较高的数据;
3.4)在某台智能清扫车执行清扫任务时,实时上传其步骤五中所提及的各项信息,按照步骤3.3)的方式进行分类和评价函数值计算后,利用模拟航海算法进行评价函数值的在线寻优,得到对应的最优组数据,回传给智能清扫车终端,并更新数据库;
3.5)、将步骤3.4)中得到的最优组数据对应的车速与自适应巡航系统得到的车速通过比对得到目标车速,该目标车速极为协同控制算法的设置车速。
8.如权利要求6所述的一种清扫车底盘上装协同控制方法,其特征在于,所述步骤3.3)中的模拟航海算法,包括以下步骤:
S1.确定航海坐标值,可以是一维、二维、三维乃至更多维度的航海坐标;
S2.利用坐标值,将模拟出的船驶向目标岛屿;
S3.船长在目标岛屿上用自己所持旗帜与岛上至多五个旗帜的值进行依次比对;
S4.若船长所持旗帜的值大于岛上某一旗帜的值,则进行旗帜替换与值的抄录,若否则抄录该旗帜的值;
S5.重复S4的过程直至检查过每一个旗帜;
S6.船长将旗帜带回船上,并返回。
9.一种清扫车感知识别实现装置,用于实现如权利要求1所述的清扫车底盘上装协同控制方法,其特征在于,清扫车感知识别实现装置包括感知传感器、计算单元、控制单元;感知传感器实时获取路面垃圾物图像,计算单元识别感知传感器传递的图像,并通过CAN接口将识别信息传递给控制单元,控制单元接收车载级工控机的指令并向对应的执行器输出数字I/O信号,控制执行器动作。
10.如权利要求9所述的一种清扫车感知识别实现装置,其特征在于,所述感知传感器为摄像头,采用POE供电,通过以太网接口与计算单元连接;计算单元为车载级工控机,通过CAN接口与控制单元连接;控制单元为原清扫车辆执行器控制器以及清扫车本体,控制器通过I/O口与执行器连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010678086.9A CN111767896B (zh) | 2020-07-15 | 2020-07-15 | 一种清扫车底盘上装协同控制方法及感知识别实现装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010678086.9A CN111767896B (zh) | 2020-07-15 | 2020-07-15 | 一种清扫车底盘上装协同控制方法及感知识别实现装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111767896A true CN111767896A (zh) | 2020-10-13 |
CN111767896B CN111767896B (zh) | 2024-04-05 |
Family
ID=72725600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010678086.9A Active CN111767896B (zh) | 2020-07-15 | 2020-07-15 | 一种清扫车底盘上装协同控制方法及感知识别实现装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767896B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257623A (zh) * | 2020-10-28 | 2021-01-22 | 长沙立中汽车设计开发股份有限公司 | 一种路面清洁度判定和自动清扫方法及自动清扫环卫装置 |
CN112419122A (zh) * | 2020-11-17 | 2021-02-26 | 南京汽车集团有限公司 | 一种道路作业车的数据处理方法 |
CN112572466A (zh) * | 2020-11-24 | 2021-03-30 | 苏州泛像汽车技术有限公司 | 一种自适应无人扫地车的控制方法 |
CN114237089A (zh) * | 2021-11-15 | 2022-03-25 | 成都壹为新能源汽车有限公司 | 一种面向洗扫作业车的智能上装控制系统 |
CN114481920A (zh) * | 2022-02-28 | 2022-05-13 | 华侨大学 | 一种盘刷系统及扫洗车 |
CN114567726A (zh) * | 2022-02-25 | 2022-05-31 | 苏州安智汽车零部件有限公司 | 一种类人眼自适应消抖前视摄像头 |
CN114991047A (zh) * | 2022-08-02 | 2022-09-02 | 山东省凯麟环保设备股份有限公司 | 基于智能视觉和双向地面清洁度判断的清扫方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753890A (zh) * | 2018-12-18 | 2019-05-14 | 吉林大学 | 一种路面垃圾物智能识别与感知方法及其实现装置 |
CN109871639A (zh) * | 2019-03-07 | 2019-06-11 | 吉林大学 | 一种基于视觉感知技术的清扫车作业功率计算装置及方法 |
CN110703769A (zh) * | 2019-11-12 | 2020-01-17 | 山东交通学院 | 一种基于云平台的自动驾驶清扫车系统及控制方法 |
-
2020
- 2020-07-15 CN CN202010678086.9A patent/CN111767896B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753890A (zh) * | 2018-12-18 | 2019-05-14 | 吉林大学 | 一种路面垃圾物智能识别与感知方法及其实现装置 |
CN109871639A (zh) * | 2019-03-07 | 2019-06-11 | 吉林大学 | 一种基于视觉感知技术的清扫车作业功率计算装置及方法 |
CN110703769A (zh) * | 2019-11-12 | 2020-01-17 | 山东交通学院 | 一种基于云平台的自动驾驶清扫车系统及控制方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257623A (zh) * | 2020-10-28 | 2021-01-22 | 长沙立中汽车设计开发股份有限公司 | 一种路面清洁度判定和自动清扫方法及自动清扫环卫装置 |
CN112419122A (zh) * | 2020-11-17 | 2021-02-26 | 南京汽车集团有限公司 | 一种道路作业车的数据处理方法 |
CN112419122B (zh) * | 2020-11-17 | 2024-03-05 | 南京汽车集团有限公司 | 一种道路作业车的数据处理方法 |
CN112572466A (zh) * | 2020-11-24 | 2021-03-30 | 苏州泛像汽车技术有限公司 | 一种自适应无人扫地车的控制方法 |
CN114237089A (zh) * | 2021-11-15 | 2022-03-25 | 成都壹为新能源汽车有限公司 | 一种面向洗扫作业车的智能上装控制系统 |
CN114567726A (zh) * | 2022-02-25 | 2022-05-31 | 苏州安智汽车零部件有限公司 | 一种类人眼自适应消抖前视摄像头 |
CN114481920A (zh) * | 2022-02-28 | 2022-05-13 | 华侨大学 | 一种盘刷系统及扫洗车 |
CN114481920B (zh) * | 2022-02-28 | 2024-02-02 | 华侨大学 | 一种盘刷系统及扫洗车 |
CN114991047A (zh) * | 2022-08-02 | 2022-09-02 | 山东省凯麟环保设备股份有限公司 | 基于智能视觉和双向地面清洁度判断的清扫方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111767896B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111767896B (zh) | 一种清扫车底盘上装协同控制方法及感知识别实现装置 | |
CN111267831B (zh) | 一种混合动力车辆智能变时域模型预测能量管理方法 | |
WO2021103625A1 (zh) | 一种基于前车与自车互动的短期车速工况实时预测方法 | |
Liessner et al. | Deep reinforcement learning for advanced energy management of hybrid electric vehicles. | |
CN110745136A (zh) | 一种驾驶自适应控制方法 | |
CN110481536B (zh) | 一种应用于混合动力汽车的控制方法及设备 | |
CN112668799A (zh) | 基于行驶大数据的phev的智能能量管理方法和存储介质 | |
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 | |
CN112757922B (zh) | 一种车用燃料电池混合动力能量管理方法及系统 | |
CN113110052B (zh) | 一种基于神经网络和强化学习的混合能量管理方法 | |
CN111891111B (zh) | 基于mcpso的混合动力汽车区间ii型模糊逻辑自适应控制方法 | |
CN112277927B (zh) | 一种基于强化学习的混合动力汽车能量管理方法 | |
CN110879595A (zh) | 一种基于深度强化学习的无人矿卡循迹控制系统及方法 | |
Montazeri-Gh et al. | Driving condition recognition for genetic-fuzzy HEV control | |
Fayyazi et al. | Real-time self-adaptive Q-learning controller for energy management of conventional autonomous vehicles | |
CN212229663U (zh) | 一种n3类清扫车感知识别实现装置 | |
CN109932909A (zh) | 火电机组脱硫系统的大系统耦合多变量优化匹配控制方法 | |
CN116892932A (zh) | 一种结合好奇心机制与自模仿学习的导航决策方法 | |
CN113135113A (zh) | 一种全局soc规划方法及装置 | |
CN112440974B (zh) | 基于分布式深度确定性策略梯度的hev能量管理方法 | |
Chen et al. | Reinforcement learning-based energy management control strategy of hybrid electric vehicles | |
CN113246958B (zh) | 基于td3多目标hev能量管理方法及系统 | |
Filev et al. | Contextual on-board learning and prediction of vehicle destinations | |
CN113978259B (zh) | 一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法 | |
CN116476800B (zh) | 基于多传感器数据融合的新能源汽车动力分配控制方法 |
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 |