CN114390672A - 一种车辆智能定位方法、装置、设备及介质 - Google Patents
一种车辆智能定位方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114390672A CN114390672A CN202111537524.0A CN202111537524A CN114390672A CN 114390672 A CN114390672 A CN 114390672A CN 202111537524 A CN202111537524 A CN 202111537524A CN 114390672 A CN114390672 A CN 114390672A
- Authority
- CN
- China
- Prior art keywords
- population
- updating
- model
- vehicle
- predator
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本发明提供了一种车辆智能定位方法、装置、设备及介质,所述方法包括:根据车辆定位模型得到车辆位置的目标函数;对基于改进后的捕食者算法的种群的相关参数进行初始化,并根据车辆位置的目标函数计算种群的适应度值;根据当前迭代次数获取捕食者算法在对应阶段的位置更新模型,并根据位置更新模型和预设的环境因素模型对种群的位置进行第一更新,得到种群的第一更新位置;根据种群的适应度值的大小对种群的第一更新位置进行第二更新,得到种群的最优位置;判断当前迭代次数是否大于或等于最大迭代次数,若是,则输出种群的最优位置。采用本发明实施例,能够基于改进后的捕食者算法对地下空间的车辆位置进行优化,提高了车辆的定位准确度。
Description
技术领域
本发明涉及定位技术领域,尤其涉及一种车辆智能定位方法、装置、设备及介质。
背景技术
随着人们生活质量越来越好,私家车的数量呈线性增长,露天停车场已经无法满足巨大数量的车辆的停放,因此各种社会场所的地下停车场越来越普及。相比于露天停车场,大型的地下停车场往往存在着空间封闭性高、地形复杂、可见度地、线路不清晰、内部空间狭窄、空余车位难找等问题,这些均严重影响了用户的停车体验和停车场的使用效率。虽然高精度的定位技术可以辅助人们随车出行,保障人们的行车安全,但是,在地下停车场等地下封闭场所,全球定位系统的信号较弱或信号缺失,极易使车辆定位发生偏差或无法定位的情况。
另外,本发明人在对现有技术的研究中发现,在地下停车场环境中,无线电信号在传播过程中易受到环境影响,RSS值存在较大波动,因此,如何在GPS等卫星定位信号弱或者信号缺失的室内环境中为智能车辆提供精准的地理位置服务已经成为当前车辆高精度定位技术的研究热点和难题。
发明内容
本发明提供一种车辆智能定位方法、装置、设备及介质,能够提高车辆在地下封闭场所的定位准确度。
为实现上述目的,本发明实施例提供了一种车辆智能定位方法,包括以下步骤:
获取预设场景下建立的车辆定位模型,并根据所述车辆定位模型得到车辆位置的目标函数;
对基于改进后的捕食者算法的种群的相关参数进行初始化,并根据所述车辆位置的目标函数计算所述种群的适应度值;
根据当前迭代次数获取所述捕食者算法在对应阶段的位置更新模型,并根据所述位置更新模型和预设的环境因素模型对所述种群的位置进行第一更新,得到所述种群的第一更新位置;
根据所述种群的适应度值的大小对所述种群的第一更新位置进行第二更新,得到所述种群的最优位置;
判断所述当前迭代次数是否大于或等于所述最大迭代次数,若是,则输出所述种群的最优位置,若否,则令所述当前迭代次数加一,并返回至所述对基于改进后的捕食者算法的种群的相关参数进行初始化,并根据所述车辆位置的目标函数计算所述种群的适应度值的步骤。
作为其中一种可选的实施例,所述获取预设场景下建立的车辆定位模型,并根据所述车辆定位模型得到车辆位置的目标函数,包括:
获取预设场景下建立的车辆定位模型;
根据所述车辆定位模型计算得到车辆的位置观测值和位置估计值;
根据所述车辆的位置观测值、位置估计值与预设误差阈值之间的数学关系得到所述车辆位置的目标函数。
作为其中一种可选的实施例,所述根据当前迭代次数获取所述捕食者算法在对应阶段的位置更新模型,并根据所述位置更新模型和预设的环境因素模型对所述种群的位置进行第一更新,得到所述种群的第一更新位置,包括:
基于改进后的捕食者算法建立精英捕食者的矩阵和猎物矩阵;
基于捕食者与猎物的移动速度之间的大小关系,根据所述精英捕食者的矩阵和所述猎物矩阵,建立第一位置更新模型、第二位置更新模型和第三位置更新模型;
当判断到当前迭代次数小于第一迭代次数时,根据所述第一位置更新模型对所述种群的位置进行更新,得到更新后的种群的位置;
当判断到所述当前迭代次数大于或等于所述第一迭代次数,且小于第二迭代次数时,根据所述第二位置更新模型对所述种群的位置进行更新,得到更新后的种群的位置;
当判断到所述当前迭代次数大于或等于所述第二迭代次数时,根据所述第三位置更新模型对所述种群的位置进行更新,得到更新后的种群的位置;
根据预设的环境因素模型对所述更新后的种群的位置进行第一更新,得到所述种群的第一更新位置。
作为其中一种可选的实施例,所述基于捕食者与猎物的移动速度之间的大小关系,根据所述精英捕食者的矩阵和所述猎物矩阵,建立第一位置更新模型、第二位置更新模型和第三位置更新模型,包括:
当捕食者的移动速度大于猎物的移动速度时,根据所述精英捕食者的矩阵和所述猎物矩阵,建立第一位置更新模型;
当所述捕食者的移动速度等于所述猎物的移动速度时,根据所述精英捕食者的矩阵和所述猎物矩阵,建立第二位置更新模型;
当所述捕食者的移动速度小于所述猎物的移动速度时,根据所述精英捕食者的矩阵和所述猎物矩阵,建立第三位置更新模型。
作为其中一种可选的实施例,所述根据预设的环境因素模型对所述更新后的种群的位置进行第一更新,得到所述种群的第一更新位置,包括:
基于环境因素和猎物群体的活动的影响,建立预设的环境因素模型;
根据所述预设的环境因素模型对所述更新后的种群的位置进行第一更新,得到所述种群的第一更新位置。
作为其中一种可选的实施例,所述根据所述种群的适应度值的大小对所述种群的第一更新位置进行第二更新,得到所述种群的最优位置,包括:
根据所述适应度值的大小将所述种群由小到大平均分为三个子种群;其中,三个所述子种群分别为领导者子群、追随者子群和衔尾者子群;
对所述追随者子群和所述衔尾者子群的位置进行第二更新,得到所述种群的最优位置。
本发明另一实施例对应提供了一种车辆智能定位装置,包括:
目标函数获取模块,用于获取预设场景下建立的车辆定位模型,并根据所述车辆定位模型得到车辆位置的目标函数;
适应度值计算模块,用于对基于改进后的捕食者算法的种群的相关参数进行初始化,并根据所述车辆位置的目标函数计算所述种群的适应度值;
种群位置更新模块,用于根据当前迭代次数获取所述捕食者算法在对应阶段的位置更新模型,并根据所述位置更新模型和预设的环境因素模型对所述种群的位置进行第一更新,得到所述种群的第一更新位置;
最优位置获取模块,用于根据所述种群的适应度值的大小对所述种群的第一更新位置进行第二更新,得到所述种群的最优位置;
最优位置输出模块,用于判断所述当前迭代次数是否大于或等于所述最大迭代次数,若是,则输出所述种群的最优位置,若否,则令所述当前迭代次数加一,并返回至所述对基于改进后的捕食者算法的种群的相关参数进行初始化,并根据所述车辆位置的目标函数计算所述种群的适应度值的步骤。
本发明另一实施例对应提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述发明实施例所述的车辆智能定位方法。
本发明另一实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的车辆智能定位方法。
与现有技术相比,本发明实施例提供的一种车辆智能定位方法、装置、设备及介质,能够基于改进后的捕食者算法对地下空间的车辆位置进行不断优化,解决了目前地下空间无GPS等卫星定位信号较弱的情况下车辆定位准确度较差的问题,进一步提高了车辆的定位准确度。
附图说明
图1是本发明实施例提供的一种车辆智能定位方法的流程示意图;
图2是本发明实施例提供的一种车辆智能定位装置的结构示意图;
图3是本发明实施例提供的一种终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,是本发明实施例提供的一种车辆智能定位方法的流程示意图,所述方法包括步骤S11至步骤S15:
S11、获取预设场景下建立的车辆定位模型,并根据所述车辆定位模型得到车辆位置的目标函数。
S12、对基于改进后的捕食者算法的种群的相关参数进行初始化,并根据所述车辆位置的目标函数计算所述种群的适应度值。
S13、根据当前迭代次数获取所述捕食者算法在对应阶段的位置更新模型,并根据所述位置更新模型和预设的环境因素模型对所述种群的位置进行第一更新,得到所述种群的第一更新位置。
S14、根据所述种群的适应度值的大小对所述种群的第一更新位置进行第二更新,得到所述种群的最优位置。
S15、判断所述当前迭代次数是否大于或等于所述最大迭代次数,若是,则输出所述种群的最优位置,若否,则令所述当前迭代次数加一,并返回至所述对基于改进后的捕食者算法的种群的相关参数进行初始化,并根据所述车辆位置的目标函数计算所述种群的适应度值的步骤。
可以理解的是,在现有技术中,近年来,随着我国经济飞速发展,地下空间开发和利用越来越受到各方重视。作为地下空间开发和利用的重要部分,地下停车场工程发展迅速;且随着人们的生活质量越来越好,私家车的数量呈线性增长,露天停车场已经无法满足如此大数量的车辆的停放,因此各种社会场所的地下停车场越来越普及。相比于露天停车场,大型的地下停车场往往存在着空间封闭性高、地形复杂、可见度地、线路不清晰、内部空间狭窄、空余车位难找等问题,这些都严重影响了用户的停车体验和停车场的使用效率。高精度的定位技术作为汽车的重要发展方向,可以提高人们出行的安全性,保障人们的行车安全。但是在地下停车场这种地下封闭场所,全球定位系统信号较弱或信号缺失,导致车辆定位出现偏差或无法定位的情况。如何在GPS等卫星定位信号弱或者信号缺失的室内环境中为智能车辆提供精准的地理位置服务已经成为当前车辆高精度定位技术的研究热点和难题。在地下停车场环境中,无线电信号在传播过程中易受到环境影响,RSS值存在较大波动,本文针对RSS在传播过程中容易受到环境干扰明显、精确度较低等痛点,在建立车路自组织协作模型的基础上,基于改进猎食者算法应用于车联网中地下停车场的车辆定位,阐明了在非对称传输路径下车辆协同定位过程中的发散特性,从而在地下停车场等复杂且封闭环境下进行车辆的精确定位。
而与现有技术相比,本发明实施例提供的一种车辆智能定位方法,能够基于改进后的捕食者算法对地下空间的车辆位置进行不断优化,解决了目前地下空间无GPS等卫星定位信号较弱的情况下车辆定位准确度较差的问题,进一步提高了车辆的定位准确度。
作为其中一种可选的实施例,所述步骤S11包括:
S111、获取预设场景下建立的车辆定位模型;
S112、根据所述车辆定位模型计算得到车辆的位置观测值和位置估计值;
S113、根据所述车辆的位置观测值、位置估计值与预设误差阈值之间的数学关系得到所述车辆位置的目标函数。
示例性的,建立一个GPS等卫星定位信号缺失的地下停车场,在停车场内安装一个能够获得准确时间和自身地理位置信息的源节点S。假设在源节点S广播覆盖范围内包含n-1(n≥2)个车辆。每个车辆与源节点S均配备无线信号收发装置。车辆与源节点通过自组织时分复用的方式以T为周期广播合作感知消息,每个感知消息包含当前车辆的瞬时速、地理位置等情况,以实现源节点S与车辆之间的信息共享。
相关符号定义如下:
n:车辆的数量;
T:广播周期,T≤100ms;
V={vi|i≤n-1,n∈N+}:表示源节点广播覆盖范围内的所有车辆;
E={(i.j)|i≤n,j≤n,i,j∈N+}:表示在源节点广播覆盖范围内所有可实现信息交互的无线通信链路;
τ:网络中所有节点维护的一个线性时钟;
Li:车辆vi的定位估计值;
Vi:车辆vi的瞬时车速;
mi:车辆vi的二位随机定位误差;
定义t为真实时间,网络中所有节点维护一个线性时钟:
τi(t)=αit+βi (1)
式中:αi为本地时钟漂移;βi为本地时钟偏差。
以源节点S为原点建立二维平面坐标系,车辆vi在源节点S的广播范围内运动,其中为车辆vi在τi(t)时刻的二维(x、y轴分量)定位估计值,τi(t+)-τi(t)=100ms表示车速的更新间隔,即为车辆的感知消息的广播周期。考虑到车辆vi的车速Vi(t)的更新间隔足够小,可认为更新间隔内车辆vi的车速Vi(t)=[Vix(t),Viy(t)]T保持恒定。定义mi(τi(t+))为二维随机定位误差,则车辆vi的本地定位估计值可以表示为:
在同一时间间隔内,源节点S对于车辆vi位置的观察值为:
由于路基S可以获得准确时间,所以可以认为其本地时间为绝对时间,即τs(tk)=tk。此时式(3)可以简化为:
则所述根据所述车辆的位置观测值、位置估计值与预设误差阈值之间的数学关系得到所述车辆位置的目标函数,即为下式(5)。对于任意给定的ε>0,在t>0的条件下有:
则认为完成了对车辆vi的高精度定位。
定义tk为第k轮信息交互的绝对时间,只取x轴方向的定位估计,定义为(tk+1-tk)时间内源节点S对车辆vi地理位置改变值的观测值,为(tk+1-tk)时间内车辆vi地理位置改变值的估计值,则式(3)可转换为:
式(2)可化为:
式中:αi为相对漂移量补偿。
将式(5)、(6)代入式(7)中可得:
补偿车辆vi地理位置改变值的估计值的相对漂移量与相对偏移量,其中为第k+1轮相对漂移量补偿,为第k+1轮相对偏移量补偿,ρc与ρo为权重参数。定义dis(tk)为第k轮信息交互中源节点S将消息发送给车辆的非对称随机通信时延,且为服从正态分布的有界独立随机变量,则式(6)可转换为:
作为其中一种可选的实施例,所述步骤S13包括:
S131、基于改进后的捕食者算法建立精英捕食者的矩阵和猎物矩阵;
S132、基于捕食者与猎物的移动速度之间的大小关系,根据所述精英捕食者的矩阵和所述猎物矩阵,建立第一位置更新模型、第二位置更新模型和第三位置更新模型;
S133、当判断到当前迭代次数小于第一迭代次数时,根据所述第一位置更新模型对所述种群的位置进行更新,得到更新后的种群的位置;
S134、当判断到所述当前迭代次数大于或等于所述第一迭代次数,且小于第二迭代次数时,根据所述第二位置更新模型对所述种群的位置进行更新,得到更新后的种群的位置;
S135、当判断到所述当前迭代次数大于或等于所述第二迭代次数时,根据所述第三位置更新模型对所述种群的位置进行更新,得到更新后的种群的位置;
S136、根据预设的环境因素模型对所述更新后的种群的位置进行第一更新,得到所述种群的第一更新位置。
示例性的,所述步骤S131具体为:
猎食者算法通过下式生成初始种群。
X0=Xmin+rand(Xmax-Xmin). (13)
式中:Xmax、Xmin分别为搜索空间上、下限值;rand()为服从[0,1]均匀分布的随机数。
在猎食者算法中,精英捕食者的矩阵和猎物矩阵公式为:
式中:XI为顶级捕食者向量,该向量被复制N次构建精英矩阵;N为种群数量;D为搜索空间维度。另一个与精英矩阵具有相同维数的矩阵称为猎物矩阵,捕食者根据它更新自己的位置;Xi,j为第i个猎物第j维空间位置。
作为其中一种可选的实施例,所述步骤S132具体为:
当捕食者的移动速度大于猎物的移动速度时,根据所述精英捕食者的矩阵和所述猎物矩阵,建立第一位置更新模型;
当所述捕食者的移动速度等于所述猎物的移动速度时,根据所述精英捕食者的矩阵和所述猎物矩阵,建立第二位置更新模型;
当所述捕食者的移动速度小于所述猎物的移动速度时,根据所述精英捕食者的矩阵和所述猎物矩阵,建立第三位置更新模型。
作为其中一种可选的实施例,所述步骤S136具体为:
基于环境因素和猎物群体的活动的影响,建立预设的环境因素模型;
根据所述预设的环境因素模型对所述更新后的种群的位置进行第一更新,得到所述种群的第一更新位置。
示例性的,所述步骤S132~S135具体为:
(1)在勘探阶段,设定在迭代总数的前三分之一处时捕食者的移动速度快于猎物,此阶段旨在探索搜索空间并捕获猎物,如公式(4)中所示更新其位置迭代初始阶段。该阶段的数学模型是:
(2)在勘探转换开发过程阶段。此阶段代表将种群从勘探阶段转移到开发阶段的过程,该阶段发生在探索阶段的迭代次数的前三分之一到迭代次数的前三分之二中,设该阶段捕食者和猎物以相同的速度运动。在该阶段中猎物使用Lévy游走进行开发,捕食者利用布朗运动进行探索,相关公式如下所示:
式中:RL为基于Lévy分布生成的随机向量;CF是自适应参数,用于控制捕食者运动的步长;RB为基于布朗游走正态分布的随机向量;为逐项乘法运算;P为常量,等于0.5;R为[0,1]中均匀随机向量;it为当前迭代次数;imax为最大迭代次数;N为种群数量。
(3)在开发阶段。在最后三分之一的迭代中,捕食者使用Lévy的运动要慢于猎物,其数学模型为:
式中各参数同上。
示例性的,所述步骤S136具体为:
(4)涡流形成和环境因素。本算法考虑环境因素对猎物群体的活动的影响,用以避开局部点,公式如下:
式中:FFADs是对优化过程产生影响的概率,暂设为0.2;U为包含0和1的数组的二进制向量;r为[0,1]中均匀随机数;r1、r2分别为猎物矩阵的随机索引。
作为其中一种可选的实施例,引入高斯变异以提升算法搜索效率。
示例性的,针对猎食者算法搜索效率不高的缺点,入高斯变异以提升算法搜索效率。高斯分布由于其曲线中间高两端较短的特点,容易在亲本候选解附近生成新解,在搜索过程中,高斯变异将采取较小的步长进而探索解更大空间,可以防止搜索过程中多样性的丧失。将高斯变异用于猎食者算法的位置更新,具体公式如下。
Pi=Pi*(1+Gaussian(θ)). (22)
式中:Gaussian(θ)为服从高斯变异的随机向量。
作为其中一种可选的实施例,所述根据所述种群的适应度值的大小对所述种群的第一更新位置进行第二更新,得到所述种群的最优位置,包括:
根据所述适应度值的大小将所述种群由小到大平均分为三个子种群;其中,三个所述子种群分别为领导者子群、追随者子群和衔尾者子群;
对所述追随者子群和所述衔尾者子群的位置进行第二更新,得到所述种群的最优位置。
示例性的,为了进一步提高猎食者算法的搜索寻优能力,现引入多子群概念改进猎食者算法。在算法的种群进行迭代后,根据获得的种群适应度值的大小对各个种群按适应度值大小由小到大进行排序,将排序后的种群由前到后平均分为三个子种群,每个子群3/N个个体,然后对不同的子种群进行不同的操作,适应度最小的子群称为领导者子群;适应度居中的子群称为追随者子群;适应度最大的子群称为衔尾者子群。领导者子群由于具有优异的寻优能力,其位置保持不变。追随者子群、衔尾者子群更新公式如下:
追随者子群更新公式:
Pi=Pi*(1+Gaussian(θ)). (23)
衔尾者子群更新公式:
式中:式(23)中Pi为追随者新的位置;式(24)中Pi为衔尾者新的位置;Pbest为全局最优个体位置;Pmean为所有个体位置矢量的平均值;lbi和ubi为动态边界的下界和上界;r3和r4为服从[0,1]均匀分布的随机值。
值得说明的是,本发明实施例通过传感器探测数据建立地下空间车辆定位模型,基于改进后的捕食者算法求解车辆位置,以“建立车辆定位模型,初始化种群及确定模型参数、计算适应度值和构建精英矩阵、实行勘探、实行勘探转化开发过程、实行开发、排除环境因素对种群影响、将种群均分为三个子群、对各子群位置进行更新、判断迭代次数”循环程序,用科学高效的方法确定地下空间车辆位置。
参见图2,是本发明实施例提供的一种车辆智能定位装置的结构示意图,包括:
目标函数获取模块21,用于获取预设场景下建立的车辆定位模型,并根据所述车辆定位模型得到车辆位置的目标函数。
适应度值计算模块22,用于对基于改进后的捕食者算法的种群的相关参数进行初始化,并根据所述车辆位置的目标函数计算所述种群的适应度值。
种群位置更新模块23,用于根据当前迭代次数获取所述捕食者算法在对应阶段的位置更新模型,并根据所述位置更新模型和预设的环境因素模型对所述种群的位置进行第一更新,得到所述种群的第一更新位置。
最优位置获取模块24,用于根据所述种群的适应度值的大小对所述种群的第一更新位置进行第二更新,得到所述种群的最优位置。
最优位置输出模块25,用于判断所述当前迭代次数是否大于或等于所述最大迭代次数,若是,则输出所述种群的最优位置,若否,则令所述当前迭代次数加一,并返回至所述对基于改进后的捕食者算法的种群的相关参数进行初始化,并根据所述车辆位置的目标函数计算所述种群的适应度值的步骤。
与现有技术相比,本发明实施例提供的一种车辆智能定位装置,通过目标函数获取模块21得到车辆位置的目标函数,通过适应度值计算模块22计算所述种群的适应度值,通过种群位置更新模块23得到所述种群的第一更新位置,通过最优位置获取模块24得到所述种群的最优位置,通过最优位置输出模块25输出所述种群的最优位置。采用本发明实施例,能够基于改进后的捕食者算法对地下空间的车辆位置进行不断优化,解决了目前地下空间无GPS等卫星定位信号较弱的情况下车辆定位准确度较差的问题,进一步提高了车辆的定位准确度。
参见图3,是本发明实施例提供的一种终端设备的结构示意图。该实施例的终端设备3包括:处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序。所述处理器30执行所述计算机程序时实现上述各个车载氛围灯的控制方法实施例中的步骤。或者,所述处理器30执行所述计算机程序时实现上述各装置实施例中各模块的功能。
示例性的,所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器31中,并由所述处理器30执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备3中的执行过程。
所述终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备3可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,所述示意图仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备3还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器30是所述终端设备3的控制中心,利用各种接口和线路连接整个终端设备3的各个部分。
所述存储器31可用于存储所述计算机程序和/或模块,所述处理器30通过运行或执行存储在所述存储器31内的计算机程序和/或模块,以及调用存储在存储器31内的数据,实现所述终端设备3的各种功能。所述存储器31可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器31可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述终端设备3集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器30执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述所述的车辆智能定位方法。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种车辆智能定位方法,其特征在于,包括:
获取预设场景下建立的车辆定位模型,并根据所述车辆定位模型得到车辆位置的目标函数;
对基于改进后的捕食者算法的种群的相关参数进行初始化,并根据所述车辆位置的目标函数计算所述种群的适应度值;
根据当前迭代次数获取所述捕食者算法在对应阶段的位置更新模型,并根据所述位置更新模型和预设的环境因素模型对所述种群的位置进行第一更新,得到所述种群的第一更新位置;
根据所述种群的适应度值的大小对所述种群的第一更新位置进行第二更新,得到所述种群的最优位置;
判断所述当前迭代次数是否大于或等于所述最大迭代次数,若是,则输出所述种群的最优位置,若否,则令所述当前迭代次数加一,并返回至所述对基于改进后的捕食者算法的种群的相关参数进行初始化,并根据所述车辆位置的目标函数计算所述种群的适应度值的步骤。
2.根据权利要求1所述的车辆智能定位方法,其特征在于,所述获取预设场景下建立的车辆定位模型,并根据所述车辆定位模型得到车辆位置的目标函数,包括:
获取预设场景下建立的车辆定位模型;
根据所述车辆定位模型计算得到车辆的位置观测值和位置估计值;
根据所述车辆的位置观测值、位置估计值与预设误差阈值之间的数学关系得到所述车辆位置的目标函数。
3.根据权利要求1所述的车辆智能定位方法,其特征在于,所述根据当前迭代次数获取所述捕食者算法在对应阶段的位置更新模型,并根据所述位置更新模型和预设的环境因素模型对所述种群的位置进行第一更新,得到所述种群的第一更新位置,包括:
基于改进后的捕食者算法建立精英捕食者的矩阵和猎物矩阵;
基于捕食者与猎物的移动速度之间的大小关系,根据所述精英捕食者的矩阵和所述猎物矩阵,建立第一位置更新模型、第二位置更新模型和第三位置更新模型;
当判断到当前迭代次数小于第一迭代次数时,根据所述第一位置更新模型对所述种群的位置进行更新,得到更新后的种群的位置;
当判断到所述当前迭代次数大于或等于所述第一迭代次数,且小于第二迭代次数时,根据所述第二位置更新模型对所述种群的位置进行更新,得到更新后的种群的位置;
当判断到所述当前迭代次数大于或等于所述第二迭代次数时,根据所述第三位置更新模型对所述种群的位置进行更新,得到更新后的种群的位置;
根据预设的环境因素模型对所述更新后的种群的位置进行第一更新,得到所述种群的第一更新位置。
4.根据权利要求3所述的车辆智能定位方法,其特征在于,所述基于捕食者与猎物的移动速度之间的大小关系,根据所述精英捕食者的矩阵和所述猎物矩阵,建立第一位置更新模型、第二位置更新模型和第三位置更新模型,包括:
当捕食者的移动速度大于猎物的移动速度时,根据所述精英捕食者的矩阵和所述猎物矩阵,建立第一位置更新模型;
当所述捕食者的移动速度等于所述猎物的移动速度时,根据所述精英捕食者的矩阵和所述猎物矩阵,建立第二位置更新模型;
当所述捕食者的移动速度小于所述猎物的移动速度时,根据所述精英捕食者的矩阵和所述猎物矩阵,建立第三位置更新模型。
5.根据权利要求3所述的车辆智能定位方法,其特征在于,所述根据预设的环境因素模型对所述更新后的种群的位置进行第一更新,得到所述种群的第一更新位置,包括:
基于环境因素和猎物群体的活动的影响,建立预设的环境因素模型;
根据所述预设的环境因素模型对所述更新后的种群的位置进行第一更新,得到所述种群的第一更新位置。
6.根据权利要求1所述的车辆智能定位方法,其特征在于,所述根据所述种群的适应度值的大小对所述种群的第一更新位置进行第二更新,得到所述种群的最优位置,包括:
根据所述适应度值的大小将所述种群由小到大平均分为三个子种群;其中,三个所述子种群分别为领导者子群、追随者子群和衔尾者子群;
对所述追随者子群和所述衔尾者子群的位置进行第二更新,得到所述种群的最优位置。
7.一种车辆智能定位装置,其特征在于,包括:
目标函数获取模块,用于获取预设场景下建立的车辆定位模型,并根据所述车辆定位模型得到车辆位置的目标函数;
适应度值计算模块,用于对基于改进后的捕食者算法的种群的相关参数进行初始化,并根据所述车辆位置的目标函数计算所述种群的适应度值;
种群位置更新模块,用于根据当前迭代次数获取所述捕食者算法在对应阶段的位置更新模型,并根据所述位置更新模型和预设的环境因素模型对所述种群的位置进行第一更新,得到所述种群的第一更新位置;
最优位置获取模块,用于根据所述种群的适应度值的大小对所述种群的第一更新位置进行第二更新,得到所述种群的最优位置;
最优位置输出模块,用于判断所述当前迭代次数是否大于或等于所述最大迭代次数,若是,则输出所述种群的最优位置,若否,则令所述当前迭代次数加一,并返回至所述对基于改进后的捕食者算法的种群的相关参数进行初始化,并根据所述车辆位置的目标函数计算所述种群的适应度值的步骤。
8.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的车辆智能定位方法。
9.一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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的车辆智能定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111537524.0A CN114390672A (zh) | 2021-12-15 | 2021-12-15 | 一种车辆智能定位方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111537524.0A CN114390672A (zh) | 2021-12-15 | 2021-12-15 | 一种车辆智能定位方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114390672A true CN114390672A (zh) | 2022-04-22 |
Family
ID=81198317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111537524.0A Pending CN114390672A (zh) | 2021-12-15 | 2021-12-15 | 一种车辆智能定位方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114390672A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877241A (zh) * | 2018-08-29 | 2018-11-23 | 深圳市旭发智能科技有限公司 | 一种用于超速车辆跟踪监控的无人机及存储介质 |
CN109946730A (zh) * | 2019-03-06 | 2019-06-28 | 东南大学 | 一种车路协同下基于超宽带的车辆高可靠融合定位方法 |
CN110996287A (zh) * | 2019-12-04 | 2020-04-10 | 上海工程技术大学 | 基于鲸鱼优化算法的网络节点选择方法、系统及存储介质 |
-
2021
- 2021-12-15 CN CN202111537524.0A patent/CN114390672A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877241A (zh) * | 2018-08-29 | 2018-11-23 | 深圳市旭发智能科技有限公司 | 一种用于超速车辆跟踪监控的无人机及存储介质 |
CN109946730A (zh) * | 2019-03-06 | 2019-06-28 | 东南大学 | 一种车路协同下基于超宽带的车辆高可靠融合定位方法 |
CN110996287A (zh) * | 2019-12-04 | 2020-04-10 | 上海工程技术大学 | 基于鲸鱼优化算法的网络节点选择方法、系统及存储介质 |
Non-Patent Citations (2)
Title |
---|
MEHDI RAMEZANI等: "A New Improved Model of Marine Predator Algorithm for Optimization Problems", 《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》, pages 1 - 25 * |
刘洋;邵良杉;: "改进鲸群优化算法及其应用", 辽宁工程技术大学学报(自然科学版), no. 02 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Labriji et al. | Mobility aware and dynamic migration of MEC services for the Internet of Vehicles | |
CN114116198A (zh) | 一种移动车辆的异步联邦学习方法、系统、设备及终端 | |
CN109379711B (zh) | 一种定位方法 | |
CN109117856A (zh) | 基于智能边缘云的人及物追踪方法、装置及系统 | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
CN110191411A (zh) | 一种基于时空域联合处理的分布式协作定位系统和方法 | |
CN111757266B (zh) | 基于太阳能供电型农业物联网的uav数据采集轨迹算法 | |
WO2020223908A1 (en) | Privacy management | |
CN110909303A (zh) | 一种自适应时空异质性反距离插值方法 | |
CN114390672A (zh) | 一种车辆智能定位方法、装置、设备及介质 | |
Jwo et al. | Particle swarm optimization for GPS navigation Kalman filter adaptation | |
CN115358419A (zh) | 一种基于联邦蒸馏的物联网室内定位方法 | |
CN108848456A (zh) | 采用分类指纹选取的室内定位方法 | |
CN113516163B (zh) | 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质 | |
CN115665869A (zh) | 基于边缘计算和有向无环图的多用户协作平台及其方法 | |
CN109831737B (zh) | 一种基于置信度的蓝牙定位方法、装置、设备和系统 | |
Kitagawa et al. | Urban traffic control using distributed multi-agent deep reinforcement learning | |
JP2021076593A (ja) | 構築及び位置特定技術分野に焦点を当てた動的マップ生成 | |
Konstantinidis et al. | Radio map prefetching for indoor navigation in intermittently connected wi-fi networks | |
CN111954149A (zh) | 面向车联网定位的非全覆盖场景路边单元部署方法和系统 | |
WO2024093203A1 (zh) | 位姿调整方法、位姿调整装置、电子设备及可读存储介质 | |
CN109613476B (zh) | 一种具有灵活鲁棒性的动态目标rss定位方法 | |
CN116049690B (zh) | 一种移动目标的活动规律确定方法、装置、设备和介质 | |
Wang et al. | Research on mobility prediction in 5G and beyond for vertical industries | |
CN114756367B (zh) | 服务迁移方法、装置、介质及电子设备 |
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 |