CN114895682A - 一种基于云端数据的无人驾驶矿车行走参数校正方法及系统 - Google Patents

Abstract

一种基于云端数据的无人驾驶矿车行走参数校正方法及系统，通过在无人驾驶矿车路线上设置多个特征位置以及推荐行走参数，无人驾驶矿车在行走时将实时位置路况信息与特征位置比较，判断匹配程度，从而对行走参数进行校正，不需要通过复杂模型运算实现行走参数校正，提高了校正效率；同时，根据矿场路线中经常出现的矿石洒落道路影响矿车通行的情况，本申请在实时路况与特征位置匹配度较低情况下，通过深度学习模型得到推荐行走参数对当前行走参数进行校正，提高了无人驾驶矿车行走的安全性，并且将运算过程移植到了云端服务器中，降低了无人驾驶矿车的成本。

Description

一种基于云端数据的无人驾驶矿车行走参数校正方法及系统

技术领域

本发明属于无人驾驶技术领域，尤其涉及一种基于云端数据的无人驾驶矿车行走参数校正方法及系统。

背景技术

无人驾驶技术为利用包括雷达、激光、超声波、GPS、里程计、计算机视觉等多种技术来感知其周边环境，通过先进的计算和控制系统，来识别障碍物和各种标识牌，规划合适的路径来控制车辆行驶，随着汽车智能化技术的快速发展以及广泛应用，无人驾驶汽车成为了汽车行业未来的发展趋势，由于具有创新性、实用性、复杂性和多学科交叉等特点，无人驾驶汽车也是目前非常热门的一个研究领域，国际国内多个公司均对无人驾驶技术展开研究。

现有技术中一般都是通过复杂的模型对无人驾驶车辆的行走参数进行校正，例如，连天宇在硕士论文《城市环境下的无人驾驶汽车换道决策研究》中提到采用深度强化学习的方法来研究城市环境下的换道驾驶决策问题，以深度确定性策略梯度算法为基础，针对原始算法在动作探索中存在大量盲目的探索和重要样本数据利用率低导致学习到的换道驾驶策略差、学习速度慢等问题，在原有算法的基础上设计出了一种基于专家指导的深度确定性策略梯度算法完成换道驾驶任务校正，验证了改进算法在换道驾驶上能够安全合理地做出决策；然而，该文献采用一种基于专家指导的深度确定性策略梯度算法(DDPGWEG)对行驶参数进行决策，造成了计算时间过长，且需要对无人驾驶车辆配备昂贵的处理设备进行模型学习，上述方案而在实际应用过程中，并不能起到很好的效果；

同时，由于劳动力成本逐渐升高，针对矿区的无人驾驶矿车也正在逐渐的出现在了人们的视野，但是，现有技术中没有记载针对矿区的特点，对无人驾驶矿车的行走参数进行校正的技术方案。

发明内容

本发明要解决的技术问题是针对上述技术方案的不足，提供一种基于云端数据的无人驾驶矿车行走参数校正方法及系统，针对矿区的特点，通过无人驾驶矿车的实时周边信息与特征位置匹配，得到推荐行走参数实现校正，达到提供一种适用于矿区的，减少运算时间以及无人驾驶矿车成本的技术方案的目的。

为了实现上述目的，根据本发明的一个方面，一种基于云端数据的无人驾驶矿车行走参数校正方法，包括：

步骤1：路线标定阶段，首先对路况进行清理，得到理想的路况，通过熟练司机驾驶该无人驾驶矿车对运输路线进行首次行走，并利用车载计算机、GPS、GNSS、RGB相机、三维激光雷达获取无人驾驶矿车行驶路线中的行走参数数据和周边环境数据；

具体地，所述行走参数数据包括通过车载计算机以及GPS获取的发动机转速、车速、车辆加速度。是否改变路径等信息，所述周边环境数据包括通过GNSS获取的道路的坡度信息，通过三维激光雷达获取道路的曲率信息，通过RBG相机获取的道路图像信息；司机在该路线行走时应保证安全并尽可能地对于不同路况给出准确的行走参数。

步骤2：提取该运输路线中的特征位置以及所述特征位置的周边环境信息和行走参数，并上传保存在云端服务器中；

具体地，由于矿业运输路线的特殊性，其存在大量的上下坡路线和大曲率路线，因此，在该运输路线中提取200个平坦位置、500个大坡度位置、300个小坡度位置、500个大曲率位置、300个小曲率位置作为特征位置，并将上述位置以及上述位置的周边环境信息以及行走参数一并上传导云端服务器中，得益于5G通讯技术的发展和普及，端与端、端与服务器之间的数据交互速度有了质的飞跃，可以通过5G通讯技术实现无人驾驶矿车车载计算机和云端服务器实现数据传输，同时，也可在通过在矿区建立边缘网络通讯节点，采用无人驾驶车载计算机将数据流传输到边缘节点，边缘网络节点再将数据传输到云端计算机的通讯方式实现数据传输；

步骤3：进入无人驾驶阶段，无人驾驶矿车车载服务器每隔60s将该时刻实时获取的周边环境信息上传到云端服务器中；针对与路况比较复杂的区域，可将上传间隔时间适当缩小，以提高校正的准确率

步骤4：将无人驾驶矿车上传的周边环境信息与云端服务器中的所述特征位置进行匹配，判断是否得到匹配度>95％的特征位置；若得到，则进入步骤5，若未得到则进入步骤7；

步骤5：云端服务器将该时刻匹配度最高的特征位置的行走参数作为推荐行走参数输出到无人驾驶矿车的车载计算机中；

步骤6：无人驾驶矿车的车载计算机判断当前行走参数是否与所述推荐行走参数是否相同，若相同，则不需要对当前行走参数进行校正，若不同，通过车载计算机更改所述无人驾驶矿车的行走参数为推荐参数；

步骤7：根据该时刻上传的周边环境信息通过深度学习模型的方式确定推荐行走参数，并对当前行走参数进行校正；

由于无人驾驶矿区运输路线坡度和曲率以及车辆所拉矿石过满的原因，极易造成运输路线上洒落矿石的情况，若此时按照司机标定的行走参数驾驶，会造成车辆大范围颠簸，造成矿石洒落在运输路线上，甚至还会造成翻车等事故，给整个运输作业造成很大的困扰；本申请在匹配无法得到推荐行走参数时，再根据周边环境信息确定推荐行走参数。

具体地，所述步骤7中深度学习模型具体包括：将RGB相机的图像信息作为周边环境信息输入到深度学习模型中，通过不同结构的深度学习模型将彩色图像与控制信号联系起来，分别进行自编码、控制、评估等任务，从而实现决策规划，由于图像信息的空间的高维度以及分布复杂，首先将图像空间通过自编码模型转换为降维且约束为标准正态分布的稀疏编码空间，再在编码空间中使用循环神经网络实现道路跟踪模型，使用前馈网络实现控制模型，同样使用前馈网络的评估模型对道路跟踪模型以及控制模型的输出结果进行评估，满足一定的约束条件时，输出相应的控制值，所述控制值即为推荐行走参数。

根据本发明的另一个方面，提供了一种基于云端数据的无人驾驶矿车行走参数校正系统，包括：

数据采集装置：利用车载计算机、GPS、GNSS、RGB相机、三维激光雷达获取无人驾驶矿车行驶路线中的行走参数数据和周边环境数据

车载计算机：用于实现无人驾驶矿车行走控制；

云端服务器：用于执行权利要求1-7任一项所述的基于云端数据的无人驾驶矿车行走参数校正方法。

基于上述技术方案，本申请提供的一种基于云端数据的无人驾驶矿车行走参数校正方法及系统，具有如下技术效果：

1、针对无人驾驶矿车行走路线特定，路况较为简单的应用场景，本申请通过在无人驾驶矿车路线上设置多个特征位置以及推荐行走参数，然后，无人驾驶矿车在行走时将实时位置路况信息与特征位置比较，判断匹配程度，从而对行走参数进行校正，不需要通过复杂运算实现行走参数校正，提高了校正效率；

2、根据矿场路线中经常出现的矿石洒落道路影响矿车通行的情况，本申请在实时路况与特征位置匹配度较低情况下，通过深度学习模型得到推荐行走参数对当前行走参数进行校正，提高了无人驾驶矿车行走的安全性；

3、本申请将路况匹配以及模型计算移植到云端计算机中，由此，不必在无人驾驶矿车中设置昂贵的运算设备，减少了无人驾驶矿车硬件设备的投资，降低了成本。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请实施例提供的一种基于云端数据的无人驾驶矿车行走参数校正方法的流程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

下面首先结合附图对本申请所涉及的概念进行说明。在此需要指出的是，以下对各个概念的说明，仅为了使本申请的内容更加容易理解，并不表示对本申请保护范围的限定。

无人驾驶矿区一般作为封闭产业园区，参与运输的车辆较少，路况较为简单，并且，矿车一般都是在规定的路线上进行运输，传统的复杂模型对此类场景极易造成运算复杂，响应时间长的问题，因此，本申请出于减少提高行走参数校正效率，提出一种新的无人驾驶矿车行走参数校正的方法和系统。

如图1所示，一种基于云端数据的无人驾驶矿车行走参数校正方法，包括：

步骤1：在路线标定阶段，首先对路况进行清理，得到理想的路况，通过熟练司机驾驶该无人驾驶矿车对运输路线进行首次行走，并保证整个行驶过程尽量达到安全，高效，减少刹车等的使用频率，以达到近乎完美的驾驶，并利用车载计算机、GPS、GNSS、RGB相机、三维激光雷达获取无人驾驶矿车行驶路线中的行走参数数据和周边环境数据，所述行走参数数据包括通过车载计算机以及GPS获取的发动机转速、车速、车辆加速度。是否改变路径等信息，所述周边环境数据包括通过GNSS获取的道路的坡度信息，通过三维激光雷达获取道路的曲率信息，通过RBG相机获取的道路图像信息；司机在该路线行走时应保证安全并尽可能地对于不同路况给出准确的行走参数，所述行走参数包括发送机转速、车速、车辆加速度，是否改变路线；

步骤2：提取该运输路线中的特征位置以及所述特征位置的周边环境信息和行走参数，并上传保存在云端服务器中；

具体地，由于矿业运输路线的特殊性，其存在大量的上下坡路线和大曲率路线，因此，在该运输路线中提取200个平坦位置、500个大坡度位置、300个小坡度位置、500个大曲率位置、300个小曲率位置作为特征位置，并将上述位置以及上述位置的周边环境信息以及行走参数一并上传导云端服务器中，其中，由于坡度和曲率比较大的地区，路况复杂，并且无人驾驶矿车在这些区域更容易出问题，因此，本实施例在这些区域设置更多的特征位置，以期望当无人驾驶矿车行驶在这些区域时，行走参数校正的准确率更高；

得益于5G通讯技术的发展和普及，端与端、端与服务器之间的数据交互速度有了质的飞跃，可以通过5G通讯技术实现无人驾驶矿车车载计算机和云端服务器实现数据传输，同时，也可在通过在矿区建立边缘网络通讯节点，采用无人驾驶车载计算机将数据流传输到边缘节点，边缘网络节点再将数据传输到云端计算机的通讯方式实现数据传输；

步骤3：进入无人驾驶阶段，无人驾驶矿车车载服务器每隔60s将该时刻实时获取的周边环境信息上传到云端服务器中；无人驾驶车辆中集成了大量的传感器，在行驶过程中会产生庞大的数据流，因此，本实施例每隔60s会将该时刻实时获取的周边环境信息上传到云端服务器上，即以每60s为一个区间，在该区间内只上传1s的数据流，这将大大减少数据传输的压力，同时，针对与路况比较复杂的区域，可将上传间隔时间适当缩小，以提高校正的准确率；

步骤4：将无人驾驶矿车上传的周边环境信息与云端服务器中的所述特征位置进行匹配，判断是否得到匹配度>95％的特征位置；具体地匹配算法为现有技术，在此不予赘述；

若匹配到保存的特征位置，则进入步骤5，若未匹配到特征位置则进入步骤7；

步骤5：云端服务器将该时刻匹配度最高的特征位置的行走参数作为推荐行走参数输出到无人驾驶矿车的车载计算机中；

步骤6：无人驾驶矿车的车载计算机判断当前行走参数是否与所述推荐行走参数是否相同，若相同，则不需要对该时刻的行走参数进行校正，若不同，通过车载计算机将更改所述无人驾驶矿车的行走参数为推荐参数；

步骤7：根据该时刻上传的周边环境信息通过深度学习模型的方式确定推荐行走参数，并对当前行走参数进行校正；

由于无人驾驶矿区运输路线坡度和曲率以及车辆所拉矿石过满的原因，极易造成运输路线上洒落矿石的情况，若此时按照司机标定的行走参数驾驶，会造成车辆大范围颠簸，造成矿石洒落在运输路线上，甚至还会造成翻车等事故，给整个运输作业造成很大的困扰；本申请在匹配无法得到推荐行走参数时，再根据周边环境信息确定推荐行走参数。

具体地，所述步骤7中深度学习模型具体包括：将RGB相机的图像信息作为周边环境信息输入到深度学习模型中，通过不同结构的深度学习模型将彩色图像与控制信号联系起来，分别进行自编码、控制、评估等任务，从而实现决策规划，由于图像信息的空间的高维度以及分布复杂，首先将图像空间通过自编码模型转换为降维且约束为标准正态分布的稀疏编码空间，再在编码空间中使用循环神经网络实现道路跟踪模型，使用前馈网络实现控制模型，同样使用前馈网络的评估模型对道路跟踪模型以及控制模型的输出结果进行评估，满足约束条件时，输出相应的控制值，所述控制值即为推荐行走参数。

以安徽铜陵有色某矿区一无人驾驶矿车作业路线为例，该作业路线为31km，采用本申请的方法，完成整个作业路线，共需时间16min32s，云端服务器运算时间总计为42s，而，采用现有技术中常见的双向神经网络模型，车载计算机处理器为TC397芯片，对该作业路线进行校正，则，整个路线运算时间达到了1min12s，可见，采用本申请的方法和系统，大大减少了运算时间，使得校正效率有了显著的提高。

根据本发明的另一个方面，提供了一种基于云端数据的无人驾驶矿车行走参数校正系统，包括：

数据采集装置：利用车载计算机、GPS、GNSS、RGB相机、三维激光雷达获取无人驾驶矿车行驶路线中的行走参数数据和周边环境数据

车载计算机：用于实现无人驾驶矿车行走控制；

云端服务器：用于执行前述的基于云端数据的无人驾驶矿车行走参数校正方法。

以上所述的实施例及/或实施方式，仅是用以说明实现本发明技术的较佳实施例及/或实施方式，并非对本发明技术的实施方式作任何形式上的限制，任何本领域技术人员，在不脱离本发明内容所公开的技术手段的范围，当可作些许的更动或修改为其它等效的实施例，但仍应视为与本发明实质相同的技术或实施例。

Claims (8)

1.一种基于云端数据的无人驾驶矿车行走参数校正方法，其特征在于，包括以下步骤：

步骤1：路线标定阶段，首先对路况进行清理，通过熟练司机驾驶该无人驾驶矿车对运输路线进行首次行走，并利用车载计算机、GPS、GNSS、RGB相机、三维激光雷达获取无人驾驶矿车行驶路线中的行走参数数据和周边环境数据；

步骤2：提取该运输路线中的特征位置以及所述特征位置的周边环境信息和行走参数，并上传保存在云端服务器中；

步骤3：进入无人驾驶阶段，无人驾驶矿车车载服务器每隔60s将该时刻实时获取的周边环境信息上传到云端服务器中；

步骤4：将无人驾驶矿车上传的周边环境信息与云端服务器中的所述特征位置进行匹配，判断是否得到匹配度>95％的特征位置；若得到，则进入步骤5，若未得到则进入步骤7；

步骤5：云端服务器将该时刻匹配度最高的特征位置的行走参数作为推荐行走参数输出到无人驾驶矿车的车载计算机中；

步骤6：无人驾驶矿车的车载计算机判断当前行走参数是否与所述推荐行走参数是否相同，若相同，则不需要对当前行走参数进行校正，若不同，通过车载计算机将更改所述无人驾驶矿车的行走参数为推荐参数；

步骤7：根据该时刻上传的周边环境信息通过深度学习模型的方式确定推荐行走参数，并对当前行走参数进行校正。

2.根据权利要求1所述的基于云端数据的无人驾驶矿车行走参数校正方法，其特征在于，所述步骤1中，所述行走参数数据包括通过车载计算机以及GPS获取的发动机转速、车速、车辆加速度、是否改变路径。

3.根据权利要求1所述的基于云端数据的无人驾驶矿车行走参数校正方法，其特征在于，所述步骤1中，所述周边环境数据包括通过GNSS获取的道路的坡度信息，通过三维激光雷达获取道路的曲率信息，通过RBG相机获取的道路图像信息。

4.根据权利要求1所述的基于云端数据的无人驾驶矿车行走参数校正方法，其特征在于，所述步骤2具体为：在该运输路线中提取200个平坦位置、500个大坡度位置、300个小坡度位置、500个大曲率位置、300个小曲率位置作为特征位置，并将上述位置以及上述位置的周边环境信息以及行走参数一并上传到云端服务器中。

5.根据权利要求1所述的基于云端数据的无人驾驶矿车行走参数校正方法，其特征在于，所述步骤3中，通过5G通讯技术实现无人驾驶矿车车载计算机和云端服务器实现数据传输。

6.根据权利要求1所述的基于云端数据的无人驾驶矿车行走参数校正方法，其特征在于，所述步骤3中，通过在矿区建立边缘网络通讯节点，采用无人驾驶车载计算机将数据流传输到所述边缘网络节点，所述边缘网络节点再将数据传输到云端计算机的通讯方式实现数据传输。

7.根据权利要求1所述的基于云端数据的无人驾驶矿车行走参数校正方法，其特征在于，所述步骤7中深度学习模型具体包括：将RGB相机的图像信息作为周边环境信息输入到深度学习模型中，通过不同结构的深度学习模型将彩色图像与控制信号联系起来，分别进行自编码、控制、评估等任务，从而实现决策规划，由于图像信息的空间的高维度以及分布复杂，首先将图像空间通过自编码模型转换为降维且约束为标准正态分布的稀疏编码空间，再在编码空间中使用循环神经网络实现道路跟踪模型，使用前馈网络实现控制模型，同样使用前馈网络的评估模型对道路跟踪模型以及控制模型的输出结果进行评估，满足约束条件时，输出相应的控制值，所述控制值即为推荐行走参数。

8.一种基于云端数据的无人驾驶矿车行走参数校正系统，包括：

数据采集装置：利用车载计算机、GPS、GNSS、RGB相机、三维激光雷达获取无人驾驶矿车行驶路线中的行走参数数据和周边环境数据；

车载计算机：用于实现无人驾驶矿车行走控制；

云端服务器：用于执行权利要求1-7任一项所述的基于云端数据的无人驾驶矿车行走参数校正方法。

Images