CN113065429A - 一种基于北斗的电力应急抢险车辆监控方法及系统 - Google Patents
一种基于北斗的电力应急抢险车辆监控方法及系统 Download PDFInfo
- Publication number
- CN113065429A CN113065429A CN202110300964.8A CN202110300964A CN113065429A CN 113065429 A CN113065429 A CN 113065429A CN 202110300964 A CN202110300964 A CN 202110300964A CN 113065429 A CN113065429 A CN 113065429A
- Authority
- CN
- China
- Prior art keywords
- sparse
- signal
- vehicle
- electric power
- dictionary
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 230000009467 reduction Effects 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000002787 reinforcement Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 68
- 230000009471 action Effects 0.000 claims description 25
- 238000004088 simulation Methods 0.000 claims description 24
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Radar, Positioning & Navigation (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Navigation (AREA)
Abstract
本发明涉及一种车辆监控的技术领域,揭露了一种基于北斗的电力应急抢险车辆监控方法,包括:利用北斗导航获取电力应急抢险车辆路段的环境信号和电力应急抢险车辆信号,利用基于字典的信号稀疏算法对信号进行稀疏处理,得到稀疏信号;利用稀疏信号降噪方法对稀疏信号进行降噪处理,得到降噪后的稀疏信号;根据降噪后的稀疏信号,利用基于信号的三维数字化场景建模方案进行电力应急抢险车辆路段的三维环境建模;根据所建立的三维数字化场景,利用基于强化学习的电力应急抢险车辆导航算法进行电力应急抢险车辆的实时监控导航。本发明还提供了一种基于北斗的电力应急抢险车辆监控系统。本发明实现了电力应急抢险车辆的监控。
Description
技术领域
本发明涉及车辆监控的技术领域,尤其涉及一种基于北斗的电力应急抢险车辆监控方法及系统。
背景技术
随着科学技术的发展和城市化的加速,汽车成为人们日常生活必需品,其拥有量急剧增加。特别是在共享自行车、共享汽车的推广下,城市中的车辆数量已呈爆发式增长,在此背景下,城市道路交通拥堵日益严重,导致电力应急抢险车辆无法按时到达目的地,对电力应急抢险车辆进行实时监控导航成为当前研究领域的热门话题。
传统的基于有线通信的车辆监控方式在山区等特殊环境以及移动物体情况下布线极其困难甚至无法完成布线,且需要耗费较大的人力物力,其次有线方式扩展性差,对于系统新增设备可能需要破坏当前系统通讯链路重新布线,并且有线方式线路检修困难,维护难度较大;而基于无线通信的车辆监控方式中使物与物直接相连的比如wifi、蓝牙、Zigbee等传统无线方式已被广泛用于智能家居、智能穿戴、工农业物联网中,但由于通信距离短的原因,无法满足大范围通信,从而无法实现大范围的车辆监控。
鉴于此,如何在任何场景,实现大范围的电力应急抢险车辆监控,成为本领域技术人员亟待解决的问题。
发明内容
本发明提供一种基于北斗的电力应急抢险车辆监控方法,通过北斗导航获取电力应急抢险车辆路段的环境信号和电力应急抢险车辆信号,并利用基于字典的信号稀疏降噪算法进行信号的稀疏降噪,同时利用基于环境信号的三维数字化场景建模方案进行电力应急抢险车辆路段的三维环境建模,根据所建立的三维数字化场景,利用基于强化学习的电力应急抢险车辆导航算法进行电力应急抢险车辆的实时监控导航。
为实现上述目的,本发明提供的一种基于北斗的电力应急抢险车辆监控方法,包括:
利用北斗导航获取电力应急抢险车辆路段的环境信号和电力应急抢险车辆信号,利用基于字典的信号稀疏算法对信号进行稀疏处理,得到稀疏信号;
利用稀疏信号降噪方法对稀疏信号进行降噪处理,得到降噪后的稀疏信号;
根据降噪后的稀疏信号,利用基于信号的三维数字化场景建模方案进行电力应急抢险车辆路段的三维环境建模;
根据所建立的三维数字化场景,利用基于强化学习的电力应急抢险车辆导航算法进行电力应急抢险车辆的实时监控导航。
可选地,所述利用基于字典的信号稀疏算法对信号进行稀疏处理,得到稀疏系数,包括:
初始化一个l2范数归一化的字典矩阵D,并设置迭代计数变量为i,Di表示第i次迭代的字典矩阵,初始化i=1;
对于给定的字典矩阵Di-1,利用稀疏分解算法对信号进行稀疏处理,得到字典矩阵的稀疏系数;
所采用的稀疏分解算法流程为:
设置迭代计数k,并初始化为1,设置初始稀疏系数为x0,残差为r0=Y-Dx0,索引集S为空集;
计算所有字典原子di的误差ε(i),并找出残差与字典原子之积的最大值所对应的脚标i:
找出其中最小的误差ε(i0),并更新索引集S′=S∪{i0}
利用正交化的方式对xk进行更新:
其中:
Y为所获取的信号矩阵;
对残差进行更新:
rk=Y-Dxk
若达到预先设置的迭代次数,则停止稀疏分解算法,并输出字典矩阵的稀疏稀疏;否则返回计算所有字典原子di的误差ε(i),直到达到设置的迭代次数。
可选地,所述利用基于字典的信号稀疏算法进行字典更新,并得到稀疏信号,包括:
逐列对字典矩阵Di-1进行更新,其中字典的列记为{d1,d2,...,dk};所述字典矩阵的更新流程为:
对当前更新的字典列建立索引集合ω:
ω={i|1≤i≤k,x(i)≠0}
其中:
k为字典列的长度;
x(i)为字典原子di的稀疏系数;
构建字典矩阵的误差矩阵E:
其中:
Y为所获取的信号矩阵;
从误差矩阵中提取出对应ω不为0的列,得到新的误差矩阵E′;
对误差矩阵E′进行奇异值分解,将左奇异值矩阵U的第一列作为字典的新列,将右奇异矩阵V的第一列与第一个奇异值Δ(1,1)的乘积作为新的稀疏系数列;
当达到预先设置的迭代停止次数,则终止算法,并输出迭代字典以及稀疏系数,所述稀疏系数即为稀疏信号;若未达到预先设置的迭代停止次数,则重新计算稀疏系数。
可选地,所述利用稀疏信号降噪方法对稀疏信号进行降噪处理,包括:
1)将稀疏信号分解为若干稀疏信号片段,则所有稀疏信号片段的泛化表示为:
其中:
mi为第i段稀疏信号系数;
M为降噪后的稀疏信号;
D为字典矩阵;
Ri为第i段稀疏信号的信号矩阵;
2)获取稀疏信号片段的稀疏信号系数,计算得到降噪后的稀疏信号:
其中:
M为降噪后的稀疏信号。
可选地,所述利用基于信号的三维数字化场景建模方案进行电力应急抢险车辆路段的三维环境建模,包括:
所述三维环境建模结果为当前电力应急抢险车辆所处位置与目的位置之间的环境建模结果,包括道路分布情况,车辆分布情况,红绿灯所处状态等;
所述基于信号的三维数字化场景建模方案为:
1)将电力应急抢险车辆与目的位置之间的三维场景初始化为地图栅格,并按照50米里程标准进行等间隔栅格划分,设置电力应急抢险车辆当前位置为三维场景中心点,提取三维场景内的所有道路线段,得到道路线段集合S={S1,S2,…};
2)初始化三维场景中的环境类别集合C=(c1,c2,...,ck),最初将每个稀疏信号作为一类,计算不同稀疏信号之间的距离dist,若两个稀疏信号A、B之间的距离distAB为所有信号间距离的最小值,则合并稀疏信号A、B为一类;在本发明一个实施例中,本发明利用欧氏距离计算公式计算稀疏信号之间的距离;
3)根据稀疏信号的分类结果,将分类后的稀疏信号同环境中的道路、建筑物以及行人进行类别匹配,根据类别匹配结果建立电力应急抢险车辆路段的三维数字化场景;在本发明一个具体实施例中,本发明对三维数字化场景中的电力应急抢险车辆进行高亮标记,实现电力应急抢险车辆的实时监控。
可选地,所述利用基于强化学习的电力应急抢险车辆导航算法进行电力应急抢险车辆的实时监控导航,包括:
1)将三维数字化场景中车辆环境信息作为神经网络的输入,所述车辆环境信息包括电力应急抢险车辆的速度、经纬度、行驶方向,以及周围车辆、行人的分布情况;
2)根据电力应急抢险车辆的实时监控情况,设置车辆行驶间隔为t,表示北斗导航对于两次车辆监控的时间差值;并设置车辆动作集合a={a1,a2,a3,a4},表示电力应急抢险车辆的左拐、右拐、直行、掉头;
3)在三维数字化场景中的每个路口进行电力应急抢险车辆动作的多次模拟,若车辆选择无法执行的动作,即后续路段不存在可行驶路段,将给予一个数值较大的惩罚项,经过多次训练车辆将不会再选择该动作;
4)根据车辆动作模拟结果,计算不同模拟路径i的奖励函数:
rewardi=λ(a*tan(w1*d+w2*h+w3*T))
其中:
λ为拉伸程度值,将其设置为0.8;
a为模拟路径i中电力应急抢险车辆的动作集合;
w为不同参数的权重,设置w1为0.2,w2为0.5,w3为0.3;
d为电力应急抢险车辆拐弯的数量;
h为电力应急抢险车辆经过的路段总数;
T为电力应急抢险车辆等待红绿灯的时间;
选取奖励函数最大的模拟路径,作为电力应急抢险车辆的导航路径。
此外,为实现上述目的,本发明还提供一种基于北斗的电力应急抢险车辆监控系统,所述系统包括:
车辆信息获取装置,用于利用北斗导航获取电力应急抢险车辆路段的环境信号和电力应急抢险车辆信号;
数据处理器,用于利用基于字典的信号稀疏算法对信号进行稀疏处理,利用稀疏信号降噪方法对稀疏信号进行降噪处理,得到降噪后的稀疏信号;
车辆监控装置,用于利用基于信号的三维数字化场景建模方案进行电力应急抢险车辆路段的三维环境建模,并利用基于强化学习的电力应急抢险车辆导航算法进行电力应急抢险车辆的实时监控导航。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有车辆监控程序指令,所述车辆监控程序指令可被一个或者多个处理器执行,以实现如上所述的基于北斗的电力应急抢险车辆监控的实现方法的步骤。
相对于现有技术,本发明提出一种基于北斗的电力应急抢险车辆监控方法,该技术具有以下优势:
首先,本发明通过利用北斗导航获取电力应急抢险车辆路段的环境信号和电力应急抢险车辆信号,并利用基于字典的信号稀疏算法对信号进行稀疏处理,通过使用少量原子对信号进行表征,获取信号的全息数据,从而减小信号噪声带来的误差,在所述基于字典的信号稀疏算法中,首先初始化一个l2范数归一化的字典矩阵D,并设置迭代计数变量为i,Di表示第i次迭代的字典矩阵,初始化i=1;对于给定的字典矩阵Di-1,利用稀疏分解算法对信号进行稀疏处理,得到字典矩阵的稀疏系数;逐列对字典矩阵Di-1进行更新,其中字典的列记为{d1,d2,...,dk};所述字典矩阵的更新流程为:
对当前更新的字典列建立索引集合ω:
ω={i|1≤i≤k,x(i)≠0}
其中:k为字典列的长度;x(i)为字典原子di的稀疏系数;构建字典矩阵的误差矩阵E:
其中:Y为所获取的信号矩阵;从误差矩阵中提取出对应ω不为0的列,得到新的误差矩阵E′;对误差矩阵E′进行奇异值分解,将左奇异值矩阵U的第一列作为字典的新列,将右奇异矩阵V的第一列与第一个奇异值Δ(1,1)的乘积作为新的稀疏系数列;当达到预先设置的迭代停止次数,则终止算法,并输出迭代字典以及稀疏系数,所述稀疏系数即为稀疏信号;若未达到预先设置的迭代停止次数,则重复计算稀疏系数。
同时本发明根据降噪后的稀疏信号,利用基于信号的三维数字化场景建模方案进行电力应急抢险车辆路段的三维环境建模,通过将电力应急抢险车辆与目的位置之间的三维场景初始化为地图栅格,并按照50米里程标准进行等间隔栅格划分,设置电力应急抢险车辆当前位置为三维场景中心点,提取三维场景内的所有道路线段,得到道路线段集合S={s1,s2,...};并初始化三维场景中的环境类别集合C=(c1,c2,...,ck),最初将每个稀疏信号作为一类,计算不同稀疏信号之间的距离dist,若两个稀疏信号A、B之间的距离diStAB为所有信号间距离的最小值,则合并稀疏信号A、B为一类;根据稀疏信号的分类结果,将分类后的稀疏信号同环境中的道路、建筑物以及行人进行类别匹配,根据类别匹配结果建立电力应急抢险车辆路段的三维数字化场景,从而实现电力应急抢险车辆周围环境的仿真;根据仿真得到的三维数据化场景,将三维数字化场景中车辆环境信息作为神经网络的输入,所述车辆环境信息包括电力应急抢险车辆的速度、经纬度、行驶方向,以及周围车辆、行人的分布情况;
并设置车辆动作集合a={a1,a2,a3,a4},表示电力应急抢险车辆的左拐、右拐、直行、掉头;在三维数字化场景中的每个路口进行电力应急抢险车辆动作的多次模拟,若车辆选择无法执行的动作,即后续路段不存在可行驶路段,将给予一个数值较大的惩罚项,经过多次训练车辆将不会再选择该动作;根据车辆动作模拟结果,综合考虑模拟路径的转弯次数、红绿灯等待时间等,计算不同模拟路径i的奖励函数:
rewardi=λ(a*tan(w1*d+w2*h+w3*T))
其中:λ为拉伸程度值,将其设置为0.8;a为模拟路径i中电力应急抢险车辆的动作集合;w为不同参数的权重,设置w1为0.2,w2为0.5,w3为0.3;d为电力应急抢险车辆拐弯的数量;h为电力应急抢险车辆经过的路段总数;T为电力应急抢险车辆等待红绿灯的时间;选取奖励函数最大的模拟路径,并将该路径作为电力应急抢险车辆的导航路径,从而基于电力应急抢险车辆场景以及动作进行路径模拟,得到最优的电力应急抢险路径,更为高效地完成电力应急抢险任务。
附图说明
图1为本发明一实施例提供的一种基于北斗的电力应急抢险车辆监控方法的流程示意图;
图2为本发明一实施例提供的一种基于北斗的电力应急抢险车辆监控系统的结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
通过北斗导航获取电力应急抢险车辆路段的环境信号和电力应急抢险车辆信号,并利用基于字典的信号稀疏降噪算法进行信号的稀疏降噪,同时利用基于环境信号的三维数字化场景建模方案进行电力应急抢险车辆路段的三维环境建模,根据所建立的三维数字化场景,利用基于强化学习的电力应急抢险车辆导航算法进行电力应急抢险车辆的实时监控导航。参照图1所示,为本发明一实施例提供的基于北斗的电力应急抢险车辆监控方法示意图。
在本实施例中,基于北斗的电力应急抢险车辆监控方法包括:
S1、利用北斗导航获取电力应急抢险车辆路段的环境信号和电力应急抢险车辆信号,利用基于字典的信号稀疏算法对信号进行稀疏处理,得到稀疏信号。
首先,本发明利用北斗导航获取电力应急抢险车辆路段的环境信号以及电力应急抢险车辆信号,所述电力应急抢险车辆路段的环境包括建筑物、行人、车辆、地形等;
进一步地,本发明利用基于字典的信号稀疏算法对信号进行稀疏处理,所述基于字典的信号稀疏算法流程为:
1)初始化一个l2范数归一化的字典矩阵D,并设置迭代计数变量为i,Di表示第i次迭代的字典矩阵,初始化i=1;
2)对于给定的字典矩阵Di-1,利用稀疏分解算法对信号进行稀疏处理,得到字典矩阵的稀疏系数;所采用的稀疏分解算法流程为:
设置迭代计数k,并初始化为1,设置初始稀疏系数为x0,残差为r0=Y-Dx0,索引集S为空集;
计算所有字典原子di的误差ε(i),并找出残差与字典原子之积的最大值所对应的脚标i:
找出其中最小的误差ε(i0),并更新索引集S′=S∪{i0}
利用正交化的方式对xk进行更新:
其中:
Y为所获取的信号矩阵;
对残差进行更新:
rk=Y-Dxk
若达到预先设置的迭代次数,则停止稀疏分解算法,并输出字典矩阵的稀疏稀疏;否则返回计算所有字典原子di的误差ε(i),直到达到设置的迭代次数;
3)逐列对字典矩阵Di-1进行更新,其中字典的列记为{d1,d2,...,dk};所述字典矩阵的更新流程为:
对当前更新的字典列建立索引集合ω:
ω={i|1≤i≤k,x(i)≠0}
其中:
k为字典列的长度;
x(i)为字典原子di的稀疏系数;
构建字典矩阵的误差矩阵E:
其中:
Y为所获取的信号矩阵;
从误差矩阵中提取出对应ω不为0的列,得到新的误差矩阵E′;
对误差矩阵E′进行奇异值分解,将左奇异值矩阵U的第一列作为字典的新列,将右奇异矩阵V的第一列与第一个奇异值Δ(1,1)的乘积作为新的稀疏系数列;
4)当达到预先设置的迭代停止次数,则终止算法,并输出迭代字典以及稀疏系数,所述稀疏系数即为稀疏信号;若未达到预先设置的迭代停止次数,则重复步骤2)-3)。
S2、利用稀疏信号降噪方法对稀疏信号进行降噪处理,得到降噪后的稀疏信号。
进一步地,本发明利用稀疏信号降噪方法对稀疏信号进行降噪处理,得到降噪后的稀疏信号,所述稀疏信号降噪方法流程为:
1)将稀疏信号分解为若干稀疏信号片段,则所有稀疏信号片段的泛化表示为:
其中:
mi为第i段稀疏信号系数;
M为降噪后的稀疏信号;
D为字典矩阵;
Ri为第i段稀疏信号的信号矩阵;
2)获取稀疏信号片段的稀疏信号系数,计算得到降噪后的稀疏信号:
其中:
M为降噪后的稀疏信号。
S3、根据降噪后的稀疏信号,利用基于信号的三维数字化场景建模方案进行电力应急抢险车辆路段的三维环境建模。
进一步地,根据降噪后的稀疏信号,本发明利用基于信号的三维数字化场景建模方案进行电力应急抢险车辆路段的三维环境建模,所述三维环境建模结果为当前电力应急抢险车辆所处位置与目的位置之间的环境建模结果,包括道路分布情况,车辆分布情况,红绿灯所处状态等;
所述基于信号的三维数字化场景建模方案为:
1)将电力应急抢险车辆与目的位置之间的三维场景初始化为地图栅格,并按照50米里程标准进行等间隔栅格划分,设置电力应急抢险车辆当前位置为三维场景中心点,提取三维场景内的所有道路线段,得到道路线段集合S={s1,s2,...};
2)初始化三维场景中的环境类别集合C=(c1,c2,...,ck),最初将每个稀疏信号作为一类,计算不同稀疏信号之间的距离dist,若两个稀疏信号A、B之间的距离distAB为所有信号间距离的最小值,则合并稀疏信号A、B为一类;在本发明一个实施例中,本发明利用欧氏距离计算公式计算稀疏信号之间的距离;
3)根据稀疏信号的分类结果,将分类后的稀疏信号同环境中的道路、建筑物以及行人进行类别匹配,根据类别匹配结果建立电力应急抢险车辆路段的三维数字化场景;在本发明一个具体实施例中,本发明对三维数字化场景中的电力应急抢险车辆进行高亮标记,实现电力应急抢险车辆的实时监控。
S4、根据所建立的三维数字化场景,利用基于强化学习的电力应急抢险车辆导航算法进行电力应急抢险车辆的实时监控导航。
进一步地,根据所建立的三维数字化场景以及电力应急抢险车辆的实时监控场景,本发明利用基于强化学习的电力应急抢险车辆导航算法进行电力应急抢险车辆的实时监控导航,所述基于强化学习的电力应急抢险车辆导航算法流程为:
1)将三维数字化场景中车辆环境信息作为神经网络的输入,所述车辆环境信息包括电力应急抢险车辆的速度、经纬度、行驶方向,以及周围车辆、行人的分布情况;
2)根据电力应急抢险车辆的实时监控情况,设置车辆行驶间隔为t,表示北斗导航对于两次车辆监控的时间差值;并设置车辆动作集合a={a1,a2,a3,a4},表示电力应急抢险车辆的左拐、右拐、直行、掉头;
3)在三维数字化场景中的每个路口进行电力应急抢险车辆动作的多次模拟,若车辆选择无法执行的动作,即后续路段不存在可行驶路段,将给予一个数值较大的惩罚项,经过多次训练车辆将不会再选择该动作;
4)根据车辆动作模拟结果,计算不同模拟路径i的奖励函数:
rewardi=λ(a*tan(w1*d+w2*h+w3*T))
其中:
λ为拉伸程度值,将其设置为0.8;
a为模拟路径i中电力应急抢险车辆的动作集合;
w为不同参数的权重,设置w1为0.2,w2为0.5,w3为0.3;
d为电力应急抢险车辆拐弯的数量;
h为电力应急抢险车辆经过的路段总数;
T为电力应急抢险车辆等待红绿灯的时间;
选取奖励函数最大的模拟路径,作为电力应急抢险车辆的导航路径。
下面通过一个算法实验来说明本发明的具体实施方式,并对发明的处理方法进行测试。本发明算法的硬件测试环境为:Inter(R)Core(TM)i7-6700KCPU,软件为Matlab2018a;对比方法为基于SVM的车辆监控算法以及基于VGG16的车辆监控算法。
在本发明所述算法实验中,数据集为10G的车辆行驶的北斗导航数据。本实验通过将北斗导航数据输入到算法模型中,将车辆监控的准确率作为算法可行性的评价指标,其中车辆监控的准确率越高,则说明算法的有效性、可行性越高。
根据实验结果,基于SVM的车辆监控算法的车辆监控准确率为83.1%,基于VGG16的车辆监控算法的车辆监控准确率为79.34%,本发明所述方法的车辆监控准确率为86.73%,相较于对比算法,本发明所提出的基于北斗的电力应急抢险车辆监控方法能够实现更高的车辆监控准确率。
发明还提供一种基于北斗的电力应急抢险车辆监控系统。参照图2所示,为本发明一实施例提供的基于北斗的电力应急抢险车辆监控系统的内部结构示意图。
在本实施例中,所述基于北斗的电力应急抢险车辆监控系统1至少包括车辆信息获取装置11、数据处理器12、车辆监控装置13,通信总线14,以及网络接口15。
其中,车辆信息获取装置11可以是PC(Personal Computer,个人电脑),或者是智能手机、平板电脑、便携计算机等终端设备,也可以是一种服务器等。
数据处理器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。数据处理器12在一些实施例中可以是基于北斗的电力应急抢险车辆监控系统1的内部存储单元,例如该基于北斗的电力应急抢险车辆监控系统1的硬盘。数据处理器12在另一些实施例中也可以是基于北斗的电力应急抢险车辆监控系统1的外部存储设备,例如基于北斗的电力应急抢险车辆监控系统1上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,数据处理器12还可以既包括基于北斗的电力应急抢险车辆监控系统1的内部存储单元也包括外部存储设备。数据处理器12不仅可以用于存储安装于基于北斗的电力应急抢险车辆监控系统1的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
车辆监控装置13在一些实施例中可以是一中央处理器(CentralProcessingUnit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行数据处理器12中存储的程序代码或处理数据,例如车辆监控程序指令等。
通信总线14用于实现这些组件之间的连接通信。
网络接口15可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该系统1与其他电子设备之间建立通信连接。
可选地,该系统1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在基于北斗的电力应急抢险车辆监控系统1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-15以及基于北斗的电力应急抢险车辆监控系统1,本领域技术人员可以理解的是,图1示出的结构并不构成对基于北斗的电力应急抢险车辆监控系统1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的装置1实施例中,数据处理器12中存储有车辆监控程序指令;车辆监控装置13执行数据处理器12中存储的车辆监控程序指令的步骤,与基于北斗的电力应急抢险车辆监控方法的实现方法相同,在此不作类述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有车辆监控程序指令,所述车辆监控程序指令可被一个或多个处理器执行,以实现如下操作:
利用北斗导航获取电力应急抢险车辆路段的环境信号和电力应急抢险车辆信号,利用基于字典的信号稀疏算法对信号进行稀疏处理,得到稀疏信号;
利用稀疏信号降噪方法对稀疏信号进行降噪处理,得到降噪后的稀疏信号;
根据降噪后的稀疏信号,利用基于信号的三维数字化场景建模方案进行电力应急抢险车辆路段的三维环境建模;
根据所建立的三维数字化场景,利用基于强化学习的电力应急抢险车辆导航算法进行电力应急抢险车辆的实时监控导航。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于北斗的电力应急抢险车辆监控方法,其特征在于,所述方法包括:
利用北斗导航获取电力应急抢险车辆路段的环境信号和电力应急抢险车辆信号,利用基于字典的信号稀疏算法对信号进行稀疏处理,得到稀疏信号;
利用稀疏信号降噪方法对稀疏信号进行降噪处理,得到降噪后的稀疏信号;
根据降噪后的稀疏信号,利用基于信号的三维数字化场景建模方案进行电力应急抢险车辆路段的三维环境建模;
根据所建立的三维数字化场景,利用基于强化学习的电力应急抢险车辆导航算法进行电力应急抢险车辆的实时监控导航。
2.如权利要求1所述的一种基于北斗的电力应急抢险车辆监控方法,其特征在于,所述利用基于字典的信号稀疏算法对信号进行稀疏处理,得到稀疏系数,包括:
初始化一个l2范数归一化的字典矩阵D,并设置迭代计数变量为i,Di表示第i次迭代的字典矩阵,初始化i=1;
对于给定的字典矩阵Di-1,利用稀疏分解算法对信号进行稀疏处理,得到字典矩阵的稀疏系数;
所采用的稀疏分解算法流程为:
设置迭代计数k,并初始化为1,设置初始稀疏系数为x0,残差为r0=Y-Dx0,索引集S为空集;
计算所有字典原子di的误差ε(i),并找出残差与字典原子之积的最大值所对应的脚标i:
找出其中最小的误差ε(i0),并更新索引集S′=S∪{i0}
利用正交化的方式对xk进行更新:
其中:
Y为所获取的信号矩阵;
对残差进行更新:
rk=Y-Dxk
若达到预先设置的迭代次数,则停止稀疏分解算法,并输出字典矩阵的稀疏稀疏;否则返回计算所有字典原子di的误差ε(i),直到达到设置的迭代次数。
3.如权利要求2所述的一种基于北斗的电力应急抢险车辆监控方法,其特征在于,所述利用基于字典的信号稀疏算法进行字典更新,并得到稀疏信号,包括:
逐列对字典矩阵Di-1进行更新,其中字典的列记为{d1,d2,...,dk};所述字典矩阵的更新流程为:
对当前更新的字典列建立索引集合ω:
ω={i|1≤i≤k,x(i)≠0}
其中:
k为字典列的长度;
x(i)为字典原子di的稀疏系数;
构建字典矩阵的误差矩阵E:
其中:
Y为所获取的信号矩阵;
从误差矩阵中提取出对应ω不为0的列,得到新的误差矩阵E′;
对误差矩阵E′进行奇异值分解,将左奇异值矩阵U的第一列作为字典的新列,将右奇异矩阵V的第一列与第一个奇异值Δ(1,1)的乘积作为新的稀疏系数列;
当达到预先设置的迭代停止次数,则终止算法,并输出迭代字典以及稀疏系数,所述稀疏系数即为稀疏信号;若未达到预先设置的迭代停止次数,则重新计算稀疏系数。
5.如权利要求4所述的一种基于北斗的电力应急抢险车辆监控方法,其特征在于,所述利用基于信号的三维数字化场景建模方案进行电力应急抢险车辆路段的三维环境建模,包括:
所述基于信号的三维数字化场景建模方案为:
1)将电力应急抢险车辆与目的位置之间的三维场景初始化为地图栅格,并按照50米里程标准进行等间隔栅格划分,设置电力应急抢险车辆当前位置为三维场景中心点,提取三维场景内的所有道路线段,得到道路线段集合S={S1,S2,…};
2)初始化三维场景中的环境类别集合C=(c1,c2,…,ck),最初将每个稀疏信号作为一类,计算不同稀疏信号之间的距离dist,若两个稀疏信号A、B之间的距离distAB为所有信号间距离的最小值,则合并稀疏信号A、B为一类;
3)根据稀疏信号的分类结果,将分类后的稀疏信号同环境中的道路、建筑物以及行人进行类别匹配,根据类别匹配结果建立电力应急抢险车辆路段的三维数字化场景。
6.如权利要求5所述的一种基于北斗的电力应急抢险车辆监控方法,其特征在于,所述利用基于强化学习的电力应急抢险车辆导航算法进行电力应急抢险车辆的实时监控导航,包括:
1)将三维数字化场景中车辆环境信息作为神经网络的输入,所述车辆环境信息包括电力应急抢险车辆的速度、经纬度、行驶方向,以及周围车辆、行人的分布情况;
2)根据电力应急抢险车辆的实时监控情况,设置车辆行驶间隔为t,表示北斗导航对于两次车辆监控的时间差值;并设置车辆动作集合a={a1,a2,a3,a4},表示电力应急抢险车辆的左拐、右拐、直行、掉头;
3)在三维数字化场景中的每个路口进行电力应急抢险车辆动作的多次模拟,若车辆选择无法执行的动作,即后续路段不存在可行驶路段,将给予一个数值较大的惩罚项,经过多次训练车辆将不会再选择该动作;
4)根据车辆动作模拟结果,计算不同模拟路径i的奖励函数:
rewardi=λ(a*tan(w1*d+w2*h+w3*T))
其中:
λ为拉伸程度值,将其设置为0.8;
a为模拟路径i中电力应急抢险车辆的动作集合;
w为不同参数的权重,设置w1为0.2,w2为0.5,w3为0.3;
d为电力应急抢险车辆拐弯的数量;
h为电力应急抢险车辆经过的路段总数;
T为电力应急抢险车辆等待红绿灯的时间;
选取奖励函数最大的模拟路径,作为电力应急抢险车辆的导航路径。
7.一种基于北斗的电力应急抢险车辆监控系统,其特征在于,所述系统包括:
车辆信息获取装置,用于利用北斗导航获取电力应急抢险车辆路段的环境信号和电力应急抢险车辆信号;
数据处理器,用于利用基于字典的信号稀疏算法对信号进行稀疏处理,利用稀疏信号降噪方法对稀疏信号进行降噪处理,得到降噪后的稀疏信号;
车辆监控装置,用于利用基于信号的三维数字化场景建模方案进行电力应急抢险车辆路段的三维环境建模,并利用基于强化学习的电力应急抢险车辆导航算法进行电力应急抢险车辆的实时监控导航。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有车辆监控程序指令,所述车辆监控程序指令可被一个或者多个处理器执行,以实现如权利要求1至6中任一项所述的一种基于北斗的电力应急抢险车辆监控的实现方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300964.8A CN113065429A (zh) | 2021-03-22 | 2021-03-22 | 一种基于北斗的电力应急抢险车辆监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110300964.8A CN113065429A (zh) | 2021-03-22 | 2021-03-22 | 一种基于北斗的电力应急抢险车辆监控方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113065429A true CN113065429A (zh) | 2021-07-02 |
Family
ID=76563104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110300964.8A Pending CN113065429A (zh) | 2021-03-22 | 2021-03-22 | 一种基于北斗的电力应急抢险车辆监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065429A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529526A (zh) * | 2016-07-06 | 2017-03-22 | 安徽大学 | 一种基于稀疏表示和先验概率相结合的目标跟踪算法 |
CN107368668A (zh) * | 2017-05-30 | 2017-11-21 | 中国石油大学(华东) | 基于双重稀疏字典学习的地震数据去噪方法 |
US20180025235A1 (en) * | 2016-07-21 | 2018-01-25 | Mobileye Vision Technologies Ltd. | Crowdsourcing the collection of road surface information |
CN109085576A (zh) * | 2018-06-29 | 2018-12-25 | 湖北大学 | 一种基于北斗卫星信号的三维成像系统及其实现方法 |
CN110095132A (zh) * | 2019-04-29 | 2019-08-06 | 成都信息工程大学 | 基于北斗导航定位的特种车辆应急系统 |
CN111380545A (zh) * | 2015-02-10 | 2020-07-07 | 御眼视觉技术有限公司 | 用于自主车辆导航的方法、服务器、自主车辆以及介质 |
US20200284591A1 (en) * | 2019-03-07 | 2020-09-10 | Mobileye Vision Technologies Ltd. | Aligning road information for navigation |
CN112050825A (zh) * | 2020-09-21 | 2020-12-08 | 金陵科技学院 | 基于lgc-mdl非线性信息抗干扰识别的导航控制系统 |
CN112102489A (zh) * | 2020-09-24 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 导航界面显示方法、装置、计算设备和存储介质 |
CN112162560A (zh) * | 2020-10-10 | 2021-01-01 | 金陵科技学院 | 基于非线性字典的回归误差抗干扰导航控制系统 |
CN112214027A (zh) * | 2017-06-14 | 2021-01-12 | 御眼视觉技术有限公司 | 自主导航的导航信息的融合构架和分批对齐 |
CN112415551A (zh) * | 2019-08-20 | 2021-02-26 | 青岛北斗天地科技有限公司 | 工程运输车辆在北斗/gps定位下的压缩感知矢量跟踪定位方法 |
-
2021
- 2021-03-22 CN CN202110300964.8A patent/CN113065429A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111380545A (zh) * | 2015-02-10 | 2020-07-07 | 御眼视觉技术有限公司 | 用于自主车辆导航的方法、服务器、自主车辆以及介质 |
CN106529526A (zh) * | 2016-07-06 | 2017-03-22 | 安徽大学 | 一种基于稀疏表示和先验概率相结合的目标跟踪算法 |
US20180025235A1 (en) * | 2016-07-21 | 2018-01-25 | Mobileye Vision Technologies Ltd. | Crowdsourcing the collection of road surface information |
CN107368668A (zh) * | 2017-05-30 | 2017-11-21 | 中国石油大学(华东) | 基于双重稀疏字典学习的地震数据去噪方法 |
CN112214027A (zh) * | 2017-06-14 | 2021-01-12 | 御眼视觉技术有限公司 | 自主导航的导航信息的融合构架和分批对齐 |
CN109085576A (zh) * | 2018-06-29 | 2018-12-25 | 湖北大学 | 一种基于北斗卫星信号的三维成像系统及其实现方法 |
US20200284591A1 (en) * | 2019-03-07 | 2020-09-10 | Mobileye Vision Technologies Ltd. | Aligning road information for navigation |
CN110095132A (zh) * | 2019-04-29 | 2019-08-06 | 成都信息工程大学 | 基于北斗导航定位的特种车辆应急系统 |
CN112415551A (zh) * | 2019-08-20 | 2021-02-26 | 青岛北斗天地科技有限公司 | 工程运输车辆在北斗/gps定位下的压缩感知矢量跟踪定位方法 |
CN112050825A (zh) * | 2020-09-21 | 2020-12-08 | 金陵科技学院 | 基于lgc-mdl非线性信息抗干扰识别的导航控制系统 |
CN112102489A (zh) * | 2020-09-24 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 导航界面显示方法、装置、计算设备和存储介质 |
CN112162560A (zh) * | 2020-10-10 | 2021-01-01 | 金陵科技学院 | 基于非线性字典的回归误差抗干扰导航控制系统 |
Non-Patent Citations (4)
Title |
---|
HAORAN LI ET AL: "Deep Reinforcement Learning-Based Automatic Exploration for Navigation in Unknown Environment", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》, vol. 31, no. 6, 30 June 2020 (2020-06-30), pages 2064 - 2076, XP011791093, DOI: 10.1109/TNNLS.2019.2927869 * |
MENGYIN FU 等: "Path Planning and Decision Making for Autonomous Vehicle in Urban Environment", 《2015 IEEE 18TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS》, 2 November 2015 (2015-11-02), pages 686 - 692 * |
刘梓林 等: "基于非结构化环境点云稀疏表示的 无人驾驶汽车局部路径规划方法", 《机械工程学报》, vol. 56, no. 2, 31 January 2020 (2020-01-31), pages 163 - 173 * |
王涛 等: "一种基于强化学习的自主导航控制算法研究", 《计算机仿真》, vol. 35, no. 11, 30 November 2018 (2018-11-30), pages 294 - 298 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hou et al. | Interactive trajectory prediction of surrounding road users for autonomous driving using structural-LSTM network | |
Li et al. | Survey on artificial intelligence for vehicles | |
Veres et al. | Deep learning for intelligent transportation systems: A survey of emerging trends | |
CN110059734B (zh) | 一种目标识别分类模型的训练方法、物体识别方法、装置、机器人和介质 | |
Jia et al. | Long short‐term memory and convolutional neural network for abnormal driving behaviour recognition | |
Alsolami et al. | Hybrid statistical and machine learning methods for road traffic prediction: A review and tutorial | |
Chaudhary et al. | Video‐based road traffic monitoring and prediction using dynamic Bayesian networks | |
CN112598192B (zh) | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 | |
CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
CN116046008A (zh) | 基于态势感知的路线规划方法、系统及效能评估装置 | |
CN114187489B (zh) | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 | |
Nikitin et al. | Traffic Signs Recognition System Development | |
Xiao et al. | Parking prediction in smart cities: A survey | |
Zheng et al. | A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images | |
Abraham et al. | Traffic lights and traffic signs detection system using modified you only look once | |
Yang et al. | Spatiotemporal DeepWalk gated recurrent neural network: a deep learning framework for traffic learning and forecasting | |
CN114201997B (zh) | 路口转向识别方法、装置、设备及存储介质 | |
CN113065429A (zh) | 一种基于北斗的电力应急抢险车辆监控方法及系统 | |
JP2023095812A (ja) | 車載データ処理方法、装置、電子デバイス、記憶媒体、及びプログラム | |
CN115098079B (zh) | 雷达检测模型确定方法、系统、电子设备及可读存储介质 | |
CN116580382A (zh) | 一种多任务联合检测方法、系统、电子设备及存储介质 | |
CN113780480B (zh) | 基于YOLOv5的多目标检测及类别识别模型的构建方法 | |
Tian et al. | RSG-GCN: Predicting Semantic Relationships in Urban Traffic Scene With Map Geometric Prior | |
CN113119996B (zh) | 一种轨迹预测方法、装置、电子设备及存储介质 | |
CN115773744A (zh) | 模型训练和路网处理方法、装置、设备、介质和产品 |
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 |