CN112904820B - 无人驾驶工程车辆矿区流量调配方法及装置 - Google Patents
无人驾驶工程车辆矿区流量调配方法及装置 Download PDFInfo
- Publication number
- CN112904820B CN112904820B CN202110088864.3A CN202110088864A CN112904820B CN 112904820 B CN112904820 B CN 112904820B CN 202110088864 A CN202110088864 A CN 202110088864A CN 112904820 B CN112904820 B CN 112904820B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- path
- value
- mining area
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000005065 mining Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims description 37
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 238000010606 normalization Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000035605 chemotaxis Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4189—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the transport system
- G05B19/41895—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the transport system using automatic guided vehicles [AGV]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明属于无人驾驶技术领域,具体涉及无人驾驶工程车辆矿区流量调配方法及装置,所述方法执行以下步骤:步骤1:在矿区内等间距设置多个信息获取装置,用以获取矿区内每个工程车辆的运行数据;所述运行数据包括两类,分别为:车辆自身数据和车辆运行路线;步骤2:将矿区内的每个工程车辆的位置作为一个节点,将所有节点彼此互联,构成一个位置网络;步骤3:计算位置网络中的流量拥堵状态。其通过广泛布置无人驾驶车辆在矿洞内,来实现矿洞内的无人工作,同时,在无人驾驶车辆工作过程中,实时获取车辆的运行数据。
Description
技术领域
本发明属于无人驾驶技术领域,具体涉及无人驾驶工程车辆矿区流量调配方法及装置。
背景技术
无人驾驶车辆是一种智能汽车,其通过车载传感系统感知道路环境,并根据感知所获得的道路、车辆位置和障碍物信息,自动规划行车路线并控制车辆的转向和速度,并最终到达预定目标。近年来随着人工智能相关技术的迅速发展,无人驾驶得到广泛的关注与进步。然而,目前无人驾驶的应用还仅限于公路运输系统。
随着无人驾驶技术的逐步成熟,汽车行业将会呈现前所未有的发展前景。除了民用汽车无人驾驶技术的突破,一些工业用途汽车的无人驾驶技术也将得到广泛应用。如无人驾驶矿车、无人驾驶农业机械用车、无人驾驶装甲车等。矿车采矿作业环境危险,一方面,稍有不慎将会造成生命安全隐患,另一方面,培养一名娴熟的矿车驾驶员成本代价极高。将无人驾驶汽车用在矿山机械车上,将极大地减少人工成本,同时极大地保证了人员的生命安全。
发明内容
本发明的主要目的在于提供无人驾驶工程车辆矿区流量调配方法及装置,其通过广泛布置无人驾驶车辆在矿洞内,来实现矿洞内的无人工作,同时,在无人驾驶车辆工作过程中,实时获取车辆的运行数据,以规划路径,在规划路径过程中,除以智能的方式找到效率最高的路径外,还以整个矿洞内的无人驾驶车辆的流量为重要参考因素,以最大化提升矿洞内的无人驾驶车辆的运行效率,具有智能化程度高和效率高的优点。
为达到上述目的,本发明的技术方案是这样实现的:
无人驾驶工程车辆矿区流量调配方法,所述方法执行以下步骤:
步骤1:在矿区内等间距设置多个信息获取装置,用以获取矿区内每个工程车辆的运行数据;所述运行数据包括两类,分别为:车辆自身数据和车辆运行路线;
步骤2:将矿区内的每个工程车辆的位置作为一个节点,将所有节点彼此互联,构成一个位置网络;
步骤3:计算位置网络中的流量拥堵状态;
步骤4:接收到新的运输任务后,对获取到的车辆自身数据进行数据分析,以判断车辆自身数据对应的车辆当前是否能够运输,将能够进行运输的车辆筛选出来;
步骤5:对能够进行运输的车辆进行路径规划,在路径规划过程中,针对每个能够进行运输的车辆,规划至少三条路径;对每个能够进行运输的车辆进行流量拥堵运算;所述流量拥堵运算的计算方法包括:对每个能够进行运输的车辆的三条路径,计算每条路径经过的所有的位置网络中的节点的占用值,所述占用值定义为该经过该节点的车辆的数量,将三条路径的占用值的总和作为该车辆对应的流量拥堵值,统计所有能够进行运输的车辆的流量拥堵值,选取流量拥堵值最小的车辆,以及其对应的三条路径进行新的运输任务;
步骤6:首先选取进行新的运输任务的车辆对应的三条路径中的节点的占用值最小的路径进行新的运输任务,在完成一次新的运输任务后,第二次执行该新的运输任务时,实时更新位置网络中的流量拥堵状态,重新计算该车辆的对应的三条路径的节点的占用值,将节点的占用值最小的路径作为进行新的运输任务的路径。
进一步的,所述车身自身数据包括:车辆速度、车辆位置和车辆载荷状态;所述车辆运行路线通过路径信息来表征;所述路径信息包括:起始点、目标点和中途点。
进一步的,所述步骤2在构成位置网络后,还同时将路径信息中的起始点、目标点和中途点在添加到位置网络中,进行标注。
进一步的,所述步骤3计算位置网络中的流量拥堵状态的方法包括:设定一个以固定值为半径的圆形窗筛选器,该圆形窗筛选器以窗函数的方式,遍历整个位置网络,统计位置网络中的每个区域的节点数量,以节点数量来表征该区域的流量拥堵状态。
进一步的,所述步骤5在对能够进行运输的车辆进行路径规划过程中,首先确定新的运输任务的起始点和目标点,以起始点和目标点为圆心,以起始点和目标点的直线距离的一半作为半径,划定一个圆周区域,获得圆周区域内能够进行运输的车辆,分别对这些车辆进行路径规划。
进一步的,所述步骤4中对获取到的车辆自身数据进行数据分析,以判断车辆自身数据对应的车辆当前是否能够运输,将能够进行运输的车辆筛选出来的方法包括:首先根据车辆的载荷状态,判断该车辆是否处于工作状态;若处于工作状态,则直接将该车辆剔除,若未处于工作状态,则计算车辆的位置距离与调度任务的目标点的直线距离,若直线距离超过设定的阈值范围,则将该车辆剔除。
进一步的,所述步骤5中对车辆进行路径规划的方法包括:在车辆的位置、新的运输任务的起始点和目标点之间随机连接路线,构成一个临时路径,使用以下公式计算临时路径的复杂度:其中,α为该临时路径的长度,定义为起始点和目标点之间随机连接路线的长度;β为临时路径的转折数,取值为:起始点和目标点之间随机连接路线经过的节点数量-1,vt为新的运输任务的起始点,vl为新的运输任务的目标点,表示新的运输任务的起始点和目标点的距离,为车辆的位置距离起始点的距离,m为临时路径的数量,<>表示取差值的绝对值运算,rt,l表示该临时路径的节点的占用值,f(rt,l)表示对节点的占用值进行数据转换,使其数值转换到一个设定的范围内。
进一步的,所述步骤1获取矿区内每个工程车辆的运行数据后,还包括对运行数据进行数据处理的步骤;所述数据处理的步骤包括:进行数据预处理,包括:去除唯一属性、处理缺失值和异常值检测及处理;进行数据规约处理,包括:去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量、对特征值从大到小排序、保留最大的特征向量、将数据转换到特征向量构建的新空间中;最后得处理后的新的数据,这些数据之间两两不相干,但保持原有的信息。
进一步的,所述步骤2在对运行数据进行数据处理之前还包括对运行数据进行数据标准化处理的步骤,包括:将运行数据按比例缩放,使之落入一个小的特定区间;其中,使用如下的转换函数,对运行数据进行线性变换,使结果落到[0,1]区间,转换函数如下:其中,x*为数据标准化处理后的结果;x为待处理的数据;min为数据中的最小值;max为数据中的最大值。
一种用于实现权利要求1至9之一所述方法的装置。
本发明的无人驾驶工程车辆矿区流量调配方法及装置,具有如下有益效果:其通过广泛布置无人驾驶车辆在矿洞内,来实现矿洞内的无人工作,同时,在无人驾驶车辆工作过程中,实时获取车辆的运行数据,以规划路径,在规划路径过程中,除以智能的方式找到效率最高的路径外,还以整个矿洞内的无人驾驶车辆的流量为重要参考因素,以最大化提升矿洞内的无人驾驶车辆的运行效率,具有智能化程度高和效率高的优点。主要通过以下过程实现:1.流量控制:本发明在路径规划过程中,针对每个能够进行运输的车辆,规划至少三条路径;对每个能够进行运输的车辆进行流量拥堵运算;所述流量拥堵运算的计算方法包括:对每个能够进行运输的车辆的三条路径,计算每条路径经过的所有的位置网络中的节点的占用值,所述占用值定义为该经过该节点的车辆的数量,将三条路径的占用值的总和作为该车辆对应的流量拥堵值,统计所有能够进行运输的车辆的流量拥堵值,选取流量拥堵值最小的车辆,以及其对应的三条路径进行新的运输任务,这样一方面可以在保证规划的路径较短,同时兼顾其路径不会和其他车辆的路径形成“撞车”的情况出现,从而提升效率;2.路径更新,本发明在规划的一个车辆路径中,会规划三个路径,从而保证随着矿洞内车辆的运行状态改变,导致流量拥堵状态的改变,从而造成当前路径不是最优路径的情况出现;将进行新的运输任务的车辆对应的三条路径中的节点的占用值最小的路径进行新的运输任务,在完成一次新的运输任务后,第二次执行该新的运输任务时,实时更新位置网络中的流量拥堵状态,重新计算该车辆的对应的三条路径的节点的占用值,将节点的占用值最小的路径作为进行新的运输任务的路径,这样更新路径,可以保持每次执行运输任务都是最优路径,从而提升效率。
附图说明
图1为本发明的实施例提供的无人驾驶工程车辆矿区流量调配方法的方法流程示意图;
图2为本发明的实施例提供的无人驾驶工程车辆矿区流量调配方法的数据处理的流程示意图;
图3为本发明的实施例提供的无人驾驶工程车辆矿区流量调配方法及装置的节点的占用值的原理结果示意图
图4为本发明的实施例提供的无人驾驶工程车辆矿区流量调配方法及装置的信息获取装置和位置网络的结构示意图。
具体实施方式
以下结合具体实施方式和附图对本发明的技术方案作进一步详细描述:
实施例1
如图1所示,无人驾驶工程车辆矿区流量调配方法,所述方法执行以下步骤:
步骤1:在矿区内等间距设置多个信息获取装置,用以获取矿区内每个工程车辆的运行数据;所述运行数据包括两类,分别为:车辆自身数据和车辆运行路线;
步骤2:将矿区内的每个工程车辆的位置作为一个节点,将所有节点彼此互联,构成一个位置网络;
步骤3:计算位置网络中的流量拥堵状态;
步骤4:接收到新的运输任务后,对获取到的车辆自身数据进行数据分析,以判断车辆自身数据对应的车辆当前是否能够运输,将能够进行运输的车辆筛选出来;
步骤5:对能够进行运输的车辆进行路径规划,在路径规划过程中,针对每个能够进行运输的车辆,规划至少三条路径;对每个能够进行运输的车辆进行流量拥堵运算;所述流量拥堵运算的计算方法包括:对每个能够进行运输的车辆的三条路径,计算每条路径经过的所有的位置网络中的节点的占用值,所述占用值定义为该经过该节点的车辆的数量,将三条路径的占用值的总和作为该车辆对应的流量拥堵值,统计所有能够进行运输的车辆的流量拥堵值,选取流量拥堵值最小的车辆,以及其对应的三条路径进行新的运输任务;
步骤6:首先选取进行新的运输任务的车辆对应的三条路径中的节点的占用值最小的路径进行新的运输任务,在完成一次新的运输任务后,第二次执行该新的运输任务时,实时更新位置网络中的流量拥堵状态,重新计算该车辆的对应的三条路径的节点的占用值,将节点的占用值最小的路径作为进行新的运输任务的路径。
如图4所示,信息获取装置等间距的布置于矿区中,矿区中的每个车辆都视为一个节点,将这些节点彼此之间都互联起来,构成位置网络。
如图3所示,节点的占用值定义为经过该节点的车辆的数量,在该图中,三条路径经过该节点,所以该节点的占用值为3。
具体的,本发明通过广泛布置无人驾驶车辆在矿洞内,来实现矿洞内的无人工作,同时,在无人驾驶车辆工作过程中,实时获取车辆的运行数据,以规划路径,在规划路径过程中,除以智能的方式找到效率最高的路径外,还以整个矿洞内的无人驾驶车辆的流量为重要参考因素,以最大化提升矿洞内的无人驾驶车辆的运行效率,具有智能化程度高和效率高的优点。主要通过以下过程实现:1.流量控制:本发明在路径规划过程中,针对每个能够进行运输的车辆,规划至少三条路径;对每个能够进行运输的车辆进行流量拥堵运算;所述流量拥堵运算的计算方法包括:对每个能够进行运输的车辆的三条路径,计算每条路径经过的所有的位置网络中的节点的占用值,所述占用值定义为该经过该节点的车辆的数量,将三条路径的占用值的总和作为该车辆对应的流量拥堵值,统计所有能够进行运输的车辆的流量拥堵值,选取流量拥堵值最小的车辆,以及其对应的三条路径进行新的运输任务,这样一方面可以在保证规划的路径较短,同时兼顾其路径不会和其他车辆的路径形成“撞车”的情况出现,从而提升效率;2.路径更新,本发明在规划的一个车辆路径中,会规划三个路径,从而保证随着矿洞内车辆的运行状态改变,导致流量拥堵状态的改变,从而造成当前路径不是最优路径的情况出现;将进行新的运输任务的车辆对应的三条路径中的节点的占用值最小的路径进行新的运输任务,在完成一次新的运输任务后,第二次执行该新的运输任务时,实时更新位置网络中的流量拥堵状态,重新计算该车辆的对应的三条路径的节点的占用值,将节点的占用值最小的路径作为进行新的运输任务的路径,这样更新路径,可以保持每次执行运输任务都是最优路径,从而提升效率
实施例2
在上一实施例的基础上,所述车身自身数据包括:车辆速度、车辆位置和车辆载荷状态;所述车辆运行路线通过路径信息来表征;所述路径信息包括:起始点、目标点和中途点。
实施例3
在上一实施例的基础上,所述步骤2在构成位置网络后,还同时将路径信息中的起始点、目标点和中途点在添加到位置网络中,进行标注。
实施例4
在上一实施例的基础上,所述步骤3计算位置网络中的流量拥堵状态的方法包括:设定一个以固定值为半径的圆形窗筛选器,该圆形窗筛选器以窗函数的方式,遍历整个位置网络,统计位置网络中的每个区域的节点数量,以节点数量来表征该区域的流量拥堵状态。
具体的,所述窗函数法具体包括:圆形窗筛选器将以窗格的方式,按照从上至下,从左至右的方式遍历整个位置网络。
实施例5
在上一实施例的基础上,所述步骤5在对能够进行运输的车辆进行路径规划过程中,首先确定新的运输任务的起始点和目标点,以起始点和目标点为圆心,以起始点和目标点的直线距离的一半作为半径,划定一个圆周区域,获得圆周区域内能够进行运输的车辆,分别对这些车辆进行路径规划。
具体的,根据对环境信息的把握程度可把路径规划划分为基于先验完全信息的全局路径规划和基于传感器信息的局部路径规划。其中,从获取障碍物信息是静态或是动态的角度看,全局路径规划属于静态规划(又称离线规划),局部路径规划属于动态规划(又称在线规划)。全局路径规划需要掌握所有的环境信息,根据环境地图的所有信息进行路径规划;局部路径规划只需要由传感器实时采集环境信息,了解环境地图信息,然后确定出所在地图的位置及其局部的障碍物分布情况,从而可以选出从当前结点到某一子目标结点的最优路径。
实施例6
在上一实施例的基础上,所述步骤4中对获取到的车辆自身数据进行数据分析,以判断车辆自身数据对应的车辆当前是否能够运输,将能够进行运输的车辆筛选出来的方法包括:首先根据车辆的载荷状态,判断该车辆是否处于工作状态;若处于工作状态,则直接将该车辆剔除,若未处于工作状态,则计算车辆的位置距离与调度任务的目标点的直线距离,若直线距离超过设定的阈值范围,则将该车辆剔除。
实施例7
在上一实施例的基础上,所述步骤5中对车辆进行路径规划的方法包括:在车辆的位置、新的运输任务的起始点和目标点之间随机连接路线,构成一个临时路径,使用以下公式计算临时路径的复杂度:其中,α为该临时路径的长度,定义为起始点和目标点之间随机连接路线的长度;β为临时路径的转折数,取值为:起始点和目标点之间随机连接路线经过的节点数量-1,vt为新的运输任务的起始点,vl为新的运输任务的目标点,表示新的运输任务的起始点和目标点的距离,为车辆的位置距离起始点的距离,m为临时路径的数量,<>表示取差值的绝对值运算,rt,l表示该临时路径的节点的占用值,f(rt,l)表示对节点的占用值进行数据转换,使其数值转换到一个设定的范围内。
实施例8
如图2所示,在上一实施例的基础上,所述步骤1获取矿区内每个工程车辆的运行数据后,还包括对运行数据进行数据处理的步骤;所述数据处理的步骤包括:进行数据预处理,包括:去除唯一属性、处理缺失值和异常值检测及处理;进行数据规约处理,包括:去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量、对特征值从大到小排序、保留最大的特征向量、将数据转换到特征向量构建的新空间中;最后得处理后的新的数据,这些数据之间两两不相干,但保持原有的信息。
具体的,数据预处理(data preprocessing)是指在主要的处理以前对数据进行的一些处理。如对大部分地球物理面积性观测数据在进行转换或增强处理之前,首先将不规则分布的测网经过插值转换为规则网的处理,以利于计算机的运算。
实施例9
在上一实施例的基础上,所述步骤2在对运行数据进行数据处理之前还包括对运行数据进行数据标准化处理的步骤,包括:将运行数据按比例缩放,使之落入一个小的特定区间;其中,使用如下的转换函数,对运行数据进行线性变换,使结果落到[0,1]区间,转换函数如下:其中,x*为数据标准化处理后的结果;x为待处理的数据;min为数据中的最小值;max为数据中的最大值。
具体的,在数据分析之前,我们通常需要先将数据标准化(normalization),利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题,对不同性质指标直接加总不能正确反映不同作用力的综合结果,须先考虑改变逆指标数据性质,使所有指标对测评方案的作用力同趋化,再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。数据标准化的方法有很多种,常用的有“最小—最大标准化”、“Z-score标准化”和“按小数定标标准化”等。经过上述标准化处理,原始数据均转换为无量纲化指标测评值,即各指标值都处于同一个数量级别上,可以进行综合测评分析。
实施例10
一种用于实现权利要求1至9之一所述方法的装置。
以上所述仅为本发明的一个实施例子,但不能以此限制本发明的范围,凡依据本发明所做的结构上的变化,只要不失本发明的要义所在,都应视为落入本发明保护范围之内受到制约。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (4)
1.无人驾驶工程车辆矿区流量调配方法,其特征在于,所述方法执行以下步骤:
步骤1:在矿区内等间距设置多个信息获取装置,用以获取矿区内每个工程车辆的运行数据;所述运行数据包括两类,分别为:车辆自身数据和车辆运行路线;
步骤2:将矿区内的每个工程车辆的位置作为一个节点,将所有节点彼此互联,构成一个位置网络;
步骤3:计算位置网络中的流量拥堵状态;
步骤4:接收到新的运输任务后,对获取到的车辆自身数据进行数据分析,以判断车辆自身数据对应的车辆当前是否能够运输,将能够进行运输的车辆筛选出来;
步骤5:对能够进行运输的车辆进行路径规划,在路径规划过程中,针对每个能够进行运输的车辆,规划至少三条路径;对每个能够进行运输的车辆进行流量拥堵运算;所述流量拥堵运算的计算方法包括:对每个能够进行运输的车辆的三条路径,计算每条路径经过的所有的位置网络中的节点的占用值,所述占用值定义为经过该节点的车辆的数量,将三条路径的占用值的总和作为该车辆对应的流量拥堵值,统计所有能够进行运输的车辆的流量拥堵值,选取流量拥堵值最小的车辆,以及其对应的三条路径进行新的运输任务;
步骤6:首先选取进行新的运输任务的车辆对应的三条路径中的节点的占用值最小的路径进行新的运输任务,在完成一次新的运输任务后,第二次执行该新的运输任务时,实时更新位置网络中的流量拥堵状态,重新计算该车辆的对应的三条路径的节点的占用值,将节点的占用值最小的路径作为进行新的运输任务的路径;
所述车辆自身数据包括:车辆速度、车辆位置和车辆载荷状态;所述车辆运行路线通过路径信息来表征;
所述路径信息包括:起始点、目标点和中途点;
所述步骤2在构成位置网络后,还同时将路径信息中的起始点、目标点和中途点添加到位置网络中,进行标注;
所述步骤3计算位置网络中的流量拥堵状态的方法包括:设定一个以固定值为半径的圆形窗筛选器,该圆形窗筛选器以窗函数的方式,遍历整个位置网络,统计位置网络中的每个区域的节点数量,以节点数量来表征该区域的流量拥堵状态;
所述步骤5在对能够进行运输的车辆进行路径规划过程中,首先确定新的运输任务的起始点和目标点,以起始点和目标点为圆心,以起始点和目标点的直线距离的一半作为半径,划定一个圆周区域,获得圆周区域内能够进行运输的车辆,分别对这些车辆进行路径规划;
所述步骤4中对获取到的车辆自身数据进行数据分析,以判断车辆自身数据对应的车辆当前是否能够运输,将能够进行运输的车辆筛选出来的方法包括:首先根据车辆的载荷状态,判断该车辆是否处于工作状态;若处于工作状态,则直接将该车辆剔除,若未处于工作状态,则计算车辆的位置距离与调度任务的目标点的直线距离,若直线距离超过设定的阈值范围,则将该车辆剔除;
2.如权利要求1所述的无人驾驶工程车辆矿区流量调配方法,其特征在于,所述步骤1获取矿区内每个工程车辆的运行数据后,还包括对运行数据进行数据处理的步骤;所述数据处理的步骤包括:进行数据预处理,包括:去除唯一属性、处理缺失值和异常值检测及处理;进行数据规约处理,包括:去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量、对特征值从大到小排序、保留最大的特征向量、将数据转换到特征向量构建的新空间中;最后得处理后的新的数据,这些数据之间两两不相干,但保持原有的信息。
4.一种用于实现权利要求1至3之一所述无人驾驶工程车辆矿区流量调配方法的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110088864.3A CN112904820B (zh) | 2021-01-22 | 2021-01-22 | 无人驾驶工程车辆矿区流量调配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110088864.3A CN112904820B (zh) | 2021-01-22 | 2021-01-22 | 无人驾驶工程车辆矿区流量调配方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112904820A CN112904820A (zh) | 2021-06-04 |
CN112904820B true CN112904820B (zh) | 2022-04-29 |
Family
ID=76118447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110088864.3A Active CN112904820B (zh) | 2021-01-22 | 2021-01-22 | 无人驾驶工程车辆矿区流量调配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112904820B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113219933B (zh) * | 2021-07-08 | 2021-09-14 | 北京踏歌智行科技有限公司 | 基于数字孪生预测的露天矿无人驾驶卡车调度系统及方法 |
CN113450019A (zh) * | 2021-07-16 | 2021-09-28 | 中铁十九局集团矿业投资有限公司 | 基于三维激光扫描的矿场调度方法及系统 |
CN113741474B (zh) * | 2021-09-13 | 2022-04-29 | 上海伯镭智能科技有限公司 | 一种无人驾驶矿车的停泊区域识别方法及装置 |
CN114548746B (zh) * | 2022-02-18 | 2022-09-06 | 深圳市格衡土地房地产资产评估咨询有限公司 | 基于信息素的拆迁全流程监控系统及方法 |
CN114928555B (zh) * | 2022-05-12 | 2024-03-26 | 浙江上创智能科技有限公司 | 一种综采工作面的显示方法、装置及介质 |
CN114911239B (zh) * | 2022-05-27 | 2024-10-18 | 上海伯镭智能科技有限公司 | 一种无人驾驶矿车的异常识别方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110196057B (zh) * | 2018-02-24 | 2022-03-25 | 北京图森智途科技有限公司 | 一种车辆驾驶路径的规划系统、方法和装置 |
CN111307169B (zh) * | 2018-11-22 | 2022-05-24 | 北京图森智途科技有限公司 | 一种路径规划方法、路径规划装置及无人驾驶车 |
CN109945882B (zh) * | 2019-03-27 | 2021-11-02 | 上海交通大学 | 一种无人驾驶车辆路径规划与控制系统及方法 |
CN110333714B (zh) * | 2019-04-09 | 2022-06-10 | 武汉理工大学 | 一种无人驾驶汽车路径规划方法和装置 |
CN112068548B (zh) * | 2020-08-07 | 2022-06-07 | 北京航空航天大学 | 5g环境下面向特殊场景的无人驾驶车辆路径规划方法 |
-
2021
- 2021-01-22 CN CN202110088864.3A patent/CN112904820B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112904820A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112904820B (zh) | 无人驾驶工程车辆矿区流量调配方法及装置 | |
CN110544373B (zh) | 一种基于北斗车联网的货车预警信息提取与风险识别方法 | |
CN108345666B (zh) | 一种基于时间-空间孤立点的车辆异常轨迹检测方法 | |
US11530961B2 (en) | Vehicle vocation system | |
CN108445503A (zh) | 基于激光雷达与高精度地图融合的无人驾驶路径规划算法 | |
CN110276973B (zh) | 一种路口交通规则自动识别方法 | |
Evans et al. | Spatial big data | |
EP2679956B1 (en) | Method and Apparatus for Detecting Deviations from Map Data | |
CN107038860B (zh) | 一种基于adas技术及回归模型的用户驾驶行为评分方法 | |
CN102368351A (zh) | 一种消解无信号交叉口两车交通冲突的方法 | |
CN112824198B (zh) | 一种轨迹决策方法、装置、设备和存储介质 | |
CN109115231A (zh) | 一种车辆定位方法、设备及自动驾驶车辆 | |
CN111353732A (zh) | 车辆运输模式识别方法、装置、设备和存储介质 | |
CN111179589A (zh) | 车辆od预测的方法、装置、设备及存储介质 | |
CN114912689B (zh) | 基于地图网格索引和xgboost的超限车辆目的地预测方法及系统 | |
CN103810382A (zh) | 机载分布式多传感器两级数据融合策略选择方法 | |
CN111488417A (zh) | 信息处理方法、系统、装置、设备及计算机存储介质 | |
CN115619103B (zh) | 基于货车行驶轨迹的典型行业物流联运分析方法及系统 | |
US20200257910A1 (en) | Method for automatically identifying parking areas and/or non-parking areas | |
CN116383678B (zh) | 一种营运客车异常变速行为常发性路段识别方法 | |
CN115409430B (zh) | 基于货车行驶轨迹的物流强度分析方法、系统及存储介质 | |
Duan et al. | Revealing taxi driver route choice characteristics based on GPS data | |
CN114663992B (zh) | 一种多源数据融合高速公路门架定位方法 | |
CN114005271A (zh) | 一种智能网联环境下交叉口碰撞风险量化方法 | |
CN110956820A (zh) | 一种基于乘客手机gps定位的公路客运超载实时预警系统 |
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 |