CN115326131A - 一种用于无人驾驶的矿山道路路况智能分析方法和系统 - Google Patents
一种用于无人驾驶的矿山道路路况智能分析方法和系统 Download PDFInfo
- Publication number
- CN115326131A CN115326131A CN202210796802.2A CN202210796802A CN115326131A CN 115326131 A CN115326131 A CN 115326131A CN 202210796802 A CN202210796802 A CN 202210796802A CN 115326131 A CN115326131 A CN 115326131A
- Authority
- CN
- China
- Prior art keywords
- data
- road condition
- wheel speed
- vehicle body
- road
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种用于无人驾驶的矿山道路路况智能分析方法和系统,包括航姿传感器、四个轮速传感器、数据采集器、数据分析服务器、定位装置;所述定位装置用于车辆的精确位置G,四个轮速传感器分别用于采集四个输出轮的轮速信息,所述航姿传感器、定位装置和四个轮速传感器分别连接数据采集器,所述数据采集器连接数据分析服务器,在不增设人员和专用设备的情况下实现对矿山路况的智能感知和动态预警;本发明实施成本和运行成本低,可以依托自动驾驶系统全天时工作;本发明可以做到对矿山运输线路的路况做到早期预警,可提高自动驾驶车队的安全性。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种用于无人驾驶的矿山道路路况智能分析方法和系统。
背景技术
生产安全是矿山管理过程中的重要内容,安全作业直接决定了矿企的经济效益。矿山安全生产内容丰富,既包括作业面、巷道等高风险区域的安全管理,也包括山路、坡道等运输路线的安全管理。当前不少矿区在运输路线上采用铺装路面,但这种铺装路面的施工质量不如公路路面,在重载车辆的反复碾压和雨雪影响下会产生道路坑洼、路基松动等病灾害,无法保证无人驾驶矿卡的行驶安全。因此需要对矿区无人驾驶重载运输线路的路况进行实时感知和管理。
当前矿区主要采用有人驾驶车辆运输,司机凭个人驾驶经验对前方路况进行评估并调整驾驶方式,防止运输事故。有人驾驶保证运输安全依赖人的观察,可以在一定程度上防止事故发生。在采用自动驾驶运输线路的矿区,安全管理人员仅能通过监控观察路况,对路况的感知能力较驾驶员更弱。而自动驾驶车辆本身不具备驾驶员的经验,短无法达到驾驶员对路况风险的评估能力。所以采用自动驾驶运输系统更容易在路况不良的矿山道路发生运输线路事故。在现有的矿山道路场景下的路况分析主要存在以下问题:(1)路况感知完全依赖司机的主观经验,虽能避免部分事故发生,但是整个运输系统无法高效共享路况情况(2)缺乏合理的数据采集和科学分析方法,矿方对道路损坏情况的感知滞后,调度人员也缺乏决策数据依据,不能防范于未然;(3)目前少数单车数据分析的解决方案不适宜无人驾驶运输系统的应用场景,单车数据判断路况的准确性、时效性不足且存在虚警,现有的方案无法真正利用矿山无人驾驶车队的感知能力。
发明内容
本发明的目的在于针对现有技术的不足之处,提供一种用于无人驾驶的矿山道路路况智能分析方法和系统。
本发明解决上述问题的技术方案为:一种用于无人驾驶的矿山道路路况智能分析系统,包括航姿传感器、四个轮速传感器、数据采集器、数据分析服务器、定位装置;
所述航姿传感器设置在自动驾驶矿卡底盘上,用于采集输入轮的轮速信息、车辆的垂直运动距离A、车体滚转角度信号R、车体俯仰角度信号P;
所述定位装置用于车辆的精确位置G;
四个轮速传感器分别用于采集四个输出轮的轮速信息;
所述定位装置用于车辆的精确位置G,四个轮速传感器分别用于采集四个输出轮的轮速信息,所述航姿传感器、定位装置和四个轮速传感器分别连接数据采集器,所述数据采集器连接数据分析服务器。
一种用于无人驾驶的矿山道路路况智能分析方法,具体包括以下步骤:
步骤a,采集数据整理:
分别在路面上采集车辆的垂直运动距离A、车体滚转角度信号R、车体俯仰角度信号P、车辆的精确位置G,并使用精密授时系统按照时间T精确地同步,组成高维的车体运动特征向量(A,R,P,G,T);
步骤b,路面坑洼类路况特征提取与分类:
具体包括以下步骤:
步骤如下:
步骤0:根据空间位置切分待分类的地块并编号。根据车辆的精确位置G,确定待分类路况的地块编号g,后续特征提取以此为提取区域;
步骤1:截取并累积特定地块的姿态数据,形成时序信号;
步骤2:对时序信号进行经验模态分解,分别获得本征模函数分量;
步骤3:本征模函数分量生成频谱图,并输入卷积神经网中分类;
步骤4:获得数据训练路况分类卷积神经网;
步骤c,路况数据的空间关联:
多个自动驾驶矿卡在不间断地采用步骤b进行数据采集、特征提取和路况分类,并对分类结果关联地块标签和相应时段。通过对位置和时间对路况识别的决策结果进行基于位置的聚类和数据融合,得到路况态势图呈现给终端用户。
步骤d,路况态势图生成:
路况态势图可以结合数据产生的时间,生成路况预警信息。
进一步的,步骤1的具体方法为:在切分后的地块在车体运动特征向量g(A,R,P,T)的基础上分别对垂直运动距离、滚转角度和俯仰角度变化进行累积,获得各类特征分量的时序的信号,对应关系如下:垂直运动距离A对应生成垂直震动信号As;车体滚转角度生成车身摇摆信号Rs;车体俯仰角度生成车身颠簸信号Ps。
进一步的,步骤2的具体方法为获得对As,Rs,Ps进行经验模态分解(EMD),获得若干本征模函数分量IMFs分量和一个余项,余项是单调且光滑的原始信号的趋势项。
进一步的,步骤3的具体方法为提取As,Rs,Ps的前8个IMF分量后转化为二维频谱图Ai,Ri,Pi,将频谱图输入到卷积神经网络(CNN)中,使用卷积神经网络分别提取特征,最后将各自特征进行连接和融合,形成路况特征送入分类器分类。
进一步的,步骤4的具体方法为由于分类卷积神经网络需要通过数据与标签对进行训练方能具备分类能力,故需要采集各类灾害路面的姿态数据并加以标注,最后送入卷积神经网络模型进行分类。
本发明具有有益效果:
本发明提供了一种用于无人驾驶的矿山道路路况智能分析方法和系统,利用自动驾驶矿卡上的姿态传感器、定位装置、轮速传感器,采集自动驾驶矿卡经过矿山路面时的姿态、轮速、定位信号。通过将采集到的数据送入数据分析系统,识别出矿山道路路况,最终构建出矿山路况态势感知图,在不增设人员和专用设备的情况下实现对矿山路况的智能感知和动态预警;本发明实施成本和运行成本低,可以依托自动驾驶系统全天时工作;本发明可以做到对矿山运输线路的路况做到早期预警,可提高自动驾驶车队的安全性。
附图说明
图1为本发明的控制电路图;
图2为用于无人驾驶的矿山道路路况智能分析方法的流程图;
图中:1-航姿传感器,2-轮速传感器,3-数据采集器,4-数据分析服务器,5-定位装置。
具体实施方式
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
如图1所示,一种用于无人驾驶的矿山道路路况智能分析系统,包括航姿传感器、四个轮速传感器、数据采集器、数据分析服务器、定位装置,所述航姿传感器设置在自动驾驶矿卡底盘上,用于采集输入轮的轮速信息、车辆的垂直运动距离A、车体滚转角度信号R、车体俯仰角度信号P,所述定位装置用于车辆的精确位置G,四个轮速传感器分别用于采集四个输出轮的轮速信息,所述航姿传感器、定位装置和四个轮速传感器分别连接数据采集器,所述数据采集器连接数据分析服务器。数据分析服务器进行路况分析。
如图2所示,一种用于无人驾驶的矿山道路路况智能分析方法,具体包括以下步骤:
步骤a,采集数据整理:
分别在路面上采集车辆的垂直运动距离A、车体滚转角度信号R、车体俯仰角度信号P、车辆的精确位置G,并使用精密授时系统按照时间T精确地同步,组成高维的车体运动特征向量(A,R,P,G,T);
步骤b,路面坑洼类路况特征提取与分类:
对于坑洼类的路况,单纯计算国际平整度指数(IRI)不能很好识别路面的灾害。路面的坑洼比较容易导致大型矿卡出现滚转和俯仰姿态变化。具体包括以下步骤:
步骤如下:
步骤0:根据空间位置切分待分类的地块并编号。根据车辆的精确位置G,确定待分类路况的地块编号g(将整个矿山区域按照一定规则切分成为互相相邻的区域,其编号即为地块编号),后续特征提取以此为提取区域。
步骤1:截取并累积特定地块的姿态数据,形成时序信号。在切分后的地块在车体运动特征向量g(A,R,P,T)的基础上分别对垂直运动距离、滚转角度和俯仰角度变化进行累积,获得各类特征分量的时序的信号,对应关系如下:垂直运动距离A对应生成垂直震动信号As;车体滚转角度生成车身摇摆信号Rs;车体俯仰角度生成车身颠簸信号Ps。
步骤2:对时序信号进行经验模态分解,分别获得本征模函数分量。获得对As,Rs,Ps进行经验模态分解(EMD),获得若干本征模函数分量IMFs分量和一个余项,余项是单调且光滑的原始信号的趋势项,每个IMF分量要满足以下两个条件:1、在信号的整个时间历程中,序列极值点的数量与穿过零点的次数相等,或者最多相差1;2、在任意一个时间点上,信号的局部极大值组成的上包络线和局部极小值组成的下包络平均值为零;
步骤3:本征模函数分量生成频谱图,并输入卷积神经网中分类。提取As,Rs,Ps的前8个IMF分量后转化为二维频谱图Ai,Ri,Pi,将频谱图输入到卷积神经网络(CNN)中,使用卷积神经网络分别提取特征,最后将各自特征进行连接和融合,形成路况特征送入分类器分类。
步骤4:获得数据训练路况分类卷积神经网。由于分类卷积神经网络需要通过数据与标签对进行训练方能具备分类能力,故需要采集各类灾害路面的姿态数据并加以标注,最后送入卷积神经网络模型进行分类。
步骤c,路况数据的空间关联:
多个自动驾驶矿卡在不间断地采用步骤b进行数据采集、特征提取和路况分类,并对分类结果关联地块标签和相应时段。通过对位置和时间对路况识别的决策结果进行基于位置的聚类和数据融合,得到路况态势图呈现给终端用户。
步骤d,路况态势图生成:
路况态势图可以结合数据产生的时间,生成路况预警信息。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (6)
1.一种用于无人驾驶的矿山道路路况智能分析系统,其特征在于:包括航姿传感器、四个轮速传感器、数据采集器、数据分析服务器、定位装置;
所述航姿传感器设置在自动驾驶矿卡底盘上,用于采集输入轮的轮速信息、车辆的垂直运动距离A、车体滚转角度信号R、车体俯仰角度信号P;
所述定位装置用于车辆的精确位置G;
四个轮速传感器分别用于采集四个输出轮的轮速信息;
所述定位装置用于车辆的精确位置G,四个轮速传感器分别用于采集四个输出轮的轮速信息,所述航姿传感器、定位装置和四个轮速传感器分别连接数据采集器,所述数据采集器连接数据分析服务器。
2.如权利要求1所述的一种用于无人驾驶的矿山道路路况智能分析方法,其特征在于:具体包括以下步骤:
步骤a,采集数据整理:
分别在路面上采集车辆的垂直运动距离A、车体滚转角度信号R、车体俯仰角度信号P、车辆的精确位置G,并使用精密授时系统按照时间T精确地同步,组成高维的车体运动特征向量(A,R,P,G,T);
步骤b,路面坑洼类路况特征提取与分类:
具体包括以下步骤:
步骤如下:
步骤0:根据空间位置切分待分类的地块并编号。根据车辆的精确位置G,确定待分类路况的地块编号g,后续特征提取以此为提取区域;
步骤1:截取并累积特定地块的姿态数据,形成时序信号;
步骤2:对时序信号进行经验模态分解,分别获得本征模函数分量;
步骤3:本征模函数分量生成频谱图,并输入卷积神经网中分类;
步骤4:获得数据训练路况分类卷积神经网;
步骤c,路况数据的空间关联:
多个自动驾驶矿卡在不间断地采用步骤b进行数据采集、特征提取和路况分类,并对分类结果关联地块标签和相应时段。通过对位置和时间对路况识别的决策结果进行基于位置的聚类和数据融合,得到路况态势图呈现给终端用户。
步骤d,路况态势图生成:
路况态势图可以结合数据产生的时间,生成路况预警信息。
3.如权利要求2所述的一种用于无人驾驶的矿山道路路况智能分析方法,其特征在于:步骤1的具体方法为:在切分后的地块在车体运动特征向量g(A,R,P,T)的基础上分别对垂直运动距离、滚转角度和俯仰角度变化进行累积,获得各类特征分量的时序的信号,对应关系如下:垂直运动距离A对应生成垂直震动信号As;车体滚转角度生成车身摇摆信号Rs;车体俯仰角度生成车身颠簸信号Ps。
4.如权利要求2所述的一种用于无人驾驶的矿山道路路况智能分析方法,其特征在于:步骤2的具体方法为获得对As,Rs,Ps进行经验模态分解(EMD),获得若干本征模函数分量IMFs分量和一个余项,余项是单调且光滑的原始信号的趋势项。
5.如权利要求2所述的一种用于无人驾驶的矿山道路路况智能分析方法,其特征在于:步骤3的具体方法为提取As,Rs,Ps的前8个IMF分量后转化为二维频谱图Ai,Ri,Pi,将频谱图输入到卷积神经网络(CNN)中,使用卷积神经网络分别提取特征,最后将各自特征进行连接和融合,形成路况特征送入分类器分类。
6.如权利要求2所述的一种用于无人驾驶的矿山道路路况智能分析方法,其特征在于:步骤4的具体方法为由于分类卷积神经网络需要通过数据与标签对进行训练方能具备分类能力,故需要采集各类灾害路面的姿态数据并加以标注,最后送入卷积神经网络模型进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210796802.2A CN115326131A (zh) | 2022-07-06 | 2022-07-06 | 一种用于无人驾驶的矿山道路路况智能分析方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210796802.2A CN115326131A (zh) | 2022-07-06 | 2022-07-06 | 一种用于无人驾驶的矿山道路路况智能分析方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115326131A true CN115326131A (zh) | 2022-11-11 |
Family
ID=83918084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210796802.2A Pending CN115326131A (zh) | 2022-07-06 | 2022-07-06 | 一种用于无人驾驶的矿山道路路况智能分析方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115326131A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116125996A (zh) * | 2023-04-04 | 2023-05-16 | 北京千种幻影科技有限公司 | 一种无人驾驶车辆的安全监控方法及系统 |
-
2022
- 2022-07-06 CN CN202210796802.2A patent/CN115326131A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116125996A (zh) * | 2023-04-04 | 2023-05-16 | 北京千种幻影科技有限公司 | 一种无人驾驶车辆的安全监控方法及系统 |
CN116125996B (zh) * | 2023-04-04 | 2023-06-27 | 北京千种幻影科技有限公司 | 一种无人驾驶车辆的安全监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11447150B2 (en) | Comfort-based self-driving planning method | |
US11287823B2 (en) | Mapping active and inactive construction zones for autonomous driving | |
CN107782564B (zh) | 一种自动驾驶车辆测评系统及方法 | |
CN107103775B (zh) | 一种基于群智计算的道路质量检测方法 | |
CN107564313A (zh) | 高速公路交通拥堵预告系统及预告方法 | |
CN102855759A (zh) | 高分辨率卫星遥感交通流信息自动采集方法 | |
CN112071061A (zh) | 基于云计算和数据分析的车辆服务系统 | |
CN102867411A (zh) | 一种基于视频监控系统的出租车调度方法及调度系统 | |
CN112466144A (zh) | 一种路网交通态势管控系统 | |
CN114387785A (zh) | 一种基于智慧公路的安全管控方法、系统及可存储介质 | |
CN113869275A (zh) | 一种基于移动边缘计算的车辆抛洒物检测系统 | |
CN115326131A (zh) | 一种用于无人驾驶的矿山道路路况智能分析方法和系统 | |
US20220366336A1 (en) | Fleet operational assessment based on extrapolation of geolocation data | |
CN116631187B (zh) | 一种案件现场勘查信息智能采集分析系统 | |
CN114743168A (zh) | 基于深度学习的行车风险源识别评估方法及系统 | |
CN114299715A (zh) | 一种基于视频、激光雷达与dsrc的高速公路信息检测系统 | |
Koloushani et al. | Introducing Automatic Control Method of Safety Standards in Horizontal Curves by Processing Images Taken by Mobile Mapping System. | |
Kyriakou et al. | A pavement rating system based on machine learning | |
CN117612127B (zh) | 场景生成方法、装置和存储介质及电子设备 | |
CN115985109B (zh) | 一种无人驾驶矿车环境感知方法和系统 | |
CN115691141B (zh) | 一种基于护栏的城市交通管理方法和系统及网络侧服务端 | |
CN107045710A (zh) | 一种基于智能手机传感器的路面破损状况分析及监测方法 | |
CN116704466A (zh) | 车辆位置识别方法、装置、计算机设备及存储介质 | |
Hafizh et al. | Measurement and Analysis of International Roughness Index using IoT-based System | |
Chen | Research on vehicle route automatic identification and equipment parameters based on internet of things technology |
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 |