CN115514787A - 用于车联网环境的智能无人机辅助决策规划方法及装置 - Google Patents
用于车联网环境的智能无人机辅助决策规划方法及装置 Download PDFInfo
- Publication number
- CN115514787A CN115514787A CN202211130407.7A CN202211130407A CN115514787A CN 115514787 A CN115514787 A CN 115514787A CN 202211130407 A CN202211130407 A CN 202211130407A CN 115514787 A CN115514787 A CN 115514787A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- vehicle
- layer
- network
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/18502—Airborne stations
- H04B7/18506—Communications with or from aircraft, i.e. aeronautical mobile service
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于车联网环境的智能无人机辅助决策规划方法及装置,首先将训练好的无人机辅助网络部署于多旋翼无人机上,得到智能无人机;其次创建道路信息数据库,将智能无人机部署在道路网络中收集实时数据;然后将智能无人机收集的实时数据输入三层人工神经网络的输入层,在隐藏层中对传入的信息进行数据预处理和预测,在输出层中对预测结果进行判断和决策,输出对车辆驱动部分的控制命令;最后对控制命令进行判断,再输出到目标车辆的驱动设备上,完成最终的驾驶行为转换。本发明提高了车辆决策规划的准确性,同时保证了信息的实时性,从而降低了决策的错误率,提高了对无人机的控制准确性,能够大面积覆盖道路,从而高效收集实时信息。
Description
技术领域
本发明涉及车联网技术领域,尤其涉及一种用于车联网环境的智能无人机辅助决策规划方法及装置。
背景技术
近年来,由于汽车用户的增加,各类交通事故问题和道路拥堵问题越来越多。自动驾驶技术在互联网技术和数据科学的支持下蓬勃发展,能够降低人为造成的疲劳驾驶、酒驾等安全隐患,同时规划车辆行驶路线,从而提高出行效率。因此,自动驾驶成为了研究热点。
根据国际自动机工程师学会(Society of Automotive Engineers,SAE)机构对自动驾驶技术的评级划分,从自动化程度入手,能够将其划分为5级。为了尽可能高地实现自动驾驶技术的自动化等级,研究者们面临了很多难题。一方面,随着各类车辆的增加,预计到2050年将达到25亿,交通控制的难度也随之上升。另一方面,车联网中车辆间和车辆到传感器的连接也是一个难点问题。
由于大多数的道路决策规划模型没有基于用户实时的驾驶经验来进行道路规划,这造成了自动驾驶技术的安全问题,例如:Tesla事故。在现实的驾驶环境中,换道行为是驾驶员通过人脑判断后作出的复杂驾驶行为。换道行为需要多方配合才能够完成,需要加速、制动和转向的共同参与,在不同的车辆换道场景中所需要的基础行为也不相同。因此,在自动驾驶技术中的决策规划模块,研究者们将目光集中于自动换道技术。为了解决自动驾驶车辆的安全换道问题,研究者们在自动驾驶技术的决策层和运动规划层进行了大量的研究工作。传统的自动驾驶行为决策与规划系统依赖于确定性的数学方程式和规则,没有考虑变道期间环境感知和决策的不确定性,这会造成自动驾驶车辆的决策规划不准确。另外,传统的自动驾驶行为决策与规划系统中忽略了驾驶员的行为特征,没有做到高度拟人化。为了进一步提升自动驾驶行为决策与规划系统的准确性和普适性,研究者们又提出了基于人工智能和深度学习的系统模型,能够更好地实现人类驾驶员在变道行为决策规划过程中的思维逻辑判断。然而这种系统模型需要大量的数据支持,而且数据量巨大,会增加模型训练的时间和服务器的计算开销;在特定场景下无缝、恰当地匹配模型参数也是一个挑战,在通过大量数据集训练模型后得到一组特定的训练好的参数,不一定能与所需场景匹配。同时,在避免或减轻事故方面,基于人工智能和深度学习的系统模型没有取得任何成功的突破。此外,一般通过在车辆周围安装部署固定传感器来收集信息,然而这种方式会出现信息收集不及时和传感器空闲或过载的情况,同时在车联网环境中普通车辆间也缺乏安全高效的通信。
发明内容
针对自动驾驶技术在车联网中所存在的路线规划不准确、信息收集不及时、车辆通信不安全等问题,本发明提出一种用于车联网环境的智能无人机辅助决策规划方法及装置,通过全球定位系统监控和跟踪运动的可靠网络,减少了交通拥堵率,提高了车辆在突发场景下的应急性能,可应用于各种车辆换道场景的决策中,提高了车辆决策规划的准确性。
为了实现上述目的,本发明提供如下技术方案:
一种用于车联网环境的智能无人机辅助决策规划方法,包括以下步骤:
S1、将训练好的无人机辅助网络部署于多旋翼无人机上,得到智能无人机;
S2、创建道路信息数据库,将智能无人机部署在道路网络中收集实时数据;
S3、将智能无人机收集的实时数据输入三层人工神经网络的输入层,在隐藏层中对传入的信息进行数据预处理和预测,在输出层中对预测结果进行判断和决策,输出对车辆驱动部分的控制命令;
S4、对控制命令进行判断,再输出到目标车辆的驱动设备上,完成最终的驾驶行为转换。
进一步地,步骤S1中,无人机辅助网络分为请求预测模块和监控管理模块;无人机通过基于人工智能的请求提前安排和部署无人机位置,请求预测模块根据基于人工智能系统的请求分析结果和当前时刻收到的无人机位置和信息量来预测下一时间段的无人机所在位置和所需计算资源;监控管理模块用于对无人机的电池容量、数据精度要求、计算资源进行监控分析,根据实际情况动态调整无人机网络的部署结构。
进一步地,步骤S1中,请求预测模块分别采用短期预测和长期预测两种预测方法,并将两种预测方法的结果融合来获取准确预测结果。
进一步地,步骤S1中,无人机辅助网络中采用基于云的全局优化算法,利用优化算法来优化全局范围内的无人机部署效率和调度效率。
进一步地,步骤S2中,无人机将收集的实时数据通过无人机网络上提前部署的路径规划协议,按照规划路径上传到云服务器上的信息数据库内,同时数据库内的信息用于无人机辅助网络的迭代训练。
进一步地,步骤S3的三层人工神经网络中,第一层为输入层或感知层,用于智能无人机信息的收集并将收集到的车速和道路状况发送给人工神经网络的第二层;第二层为隐藏层,用于对第一层输入的信息进行预处理,通过传输的信息对道路上的车辆信息和交通状况进行预测,从而对目标车辆的行驶路线和换道行为进行规划判断;第三层是输出层,通过第二层对道路状况的预测,自动输出对车辆驱动部分的命令。
进一步地,步骤S3的三层人工神经网络遵循神经网络的前馈传播过程,通过梯度下降算法来优化网络模型。
进一步地,步骤S4对控制命令的判断过程为:对命令完成后的道路状况进行模拟,若该命令完成了当前的驾驶任务,则对下一时刻进行运动规划,完成路径规划和车速规划后,输出这一驱动命令,使目标车辆完成驾驶任务。
另一方面,本发明提供一种用于车联网环境的智能无人机辅助决策规划装置,包括以下模块以实现上述任一项所述的方法:
无人机辅助网络,部署于多旋翼无人机上,用于提供无人机的预先部署和全局预测调度;
无人机部署模块,用于在无人机辅助网络在无人机上部署完成后对无人机的部署安排和数据传输工作;
三层人工神经网络,用于对智能无人机所收集到的实时信息进行分析决策后,输出对车辆驱动部分的控制命令;
命令输出模块,用于对三层人工神经网络对车辆驱动部分输出的控制命令进行判断,再将命令输出到目标车辆的驱动设备上,完成车辆整体行驶路线的决策规划;
车载控制模块,用于接收控制命令并代替驾驶员完成驾驶任务。
此外,本发明还提供一种装置,包括:处理器、通信接口、存储器和通信总线,处理器、通信接口、存储器通过通信总线完成相互间的通信,其中,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一项所述的方法。
与现有技术相比,本发明的有益效果为:
本发明提出的用于车联网环境的智能无人机辅助决策规划方法及装置,将三层人工神经网络用于车联网环境中的车辆决策规划,提高了车辆决策规划的准确性。同时,在三层人工神经网络的第一层感知层中引入智能无人机,用于收集道路和环境信息,保证了信息的实时性,从而降低了决策的错误率。此外,本发明将基于机器学习的无人机辅助网络与三层人工神经网络相结合,提高了对无人机的控制准确性,能够大面积覆盖道路,从而高效收集实时信息。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的用于车联网环境的智能无人机辅助决策规划方法的模型架构图。
图2为本发明实施例提供的用于车联网环境的智能无人机辅助决策规划方法的流程图。
图3为本发明实施例提供的设备结构图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面将结合附图和实施例对本发明作进一步的详细介绍。
一种用于车联网环境的智能无人机辅助决策规划方法,模型如图1所述,包括以下步骤:
S1、首先我们训练一个基于人工智能的无人机辅助网络,无人机辅助网络训练完成后,将训练好的无人机辅助网络部署于多旋翼无人机上,得到智能无人机,提高了无人机的部署效率和调度效率;
S2、创建道路信息数据库,将智能无人机部署在道路网络中收集实时数据;
S3、将智能无人机收集的实时数据输入三层人工神经网络的输入层,在隐藏层中对传入的信息进行数据预处理和预测,在输出层中对预测结果进行判断和决策,输出对车辆驱动部分的控制命令;
S4、对控制命令进行判断,再输出到目标车辆的驱动设备上,完成最终的驾驶行为转换。
相应于上述本发明实施例提供的用于车联网环境的智能无人机辅助决策规划方法,本发明实施例还提供了一种用于车联网环境的智能无人机辅助决策规划装置。
如图2所示,该用于车联网环境的智能无人机辅助决策规划装置包括:
无人机辅助网络,部署于多旋翼无人机上,用于提供无人机的预先部署和全局预测调度;
无人机部署模块,用于在无人机辅助网络在无人机上部署完成后对无人机的部署安排和数据传输工作;
三层人工神经网络,用于对智能无人机所收集到的实时信息进行分析决策后,输出对车辆驱动部分的控制命令;
命令输出模块,用于对三层人工神经网络对车辆驱动部分输出的控制命令进行判断,再将命令输出到目标车辆的驱动设备上,完成车辆整体行驶路线的决策规划;
车载控制模块,用于接收控制命令并代替驾驶员完成驾驶任务。
下面详细介绍各个组成部分。
无人机辅助网络:
无人机辅助网络部署于多旋翼无人机上,能够提供无人机的预先部署和全局预测调度。无人机辅助网络可以分为请求预测模块和监控管理模块。请求预测模块中分别采用短期预测和长期预测两种预测方法,无人机通过基于人工智能的请求提前安排和部署无人机位置。请求预测模块根据基于人工智能系统的请求分析结果和当前时刻收到的无人机位置和信息量来预测下一时间段的无人机所在位置和所需计算资源等。监控管理模块中对无人机的电池容量、数据精度要求、计算资源等进行了监控分析,根据实际情况动态调整无人机网络的部署结构。我们在无人机辅助网络中采用了基于云的全局优化算法,利用优化算法来优化全局范围内的无人机部署效率和调度效率。无人机辅助网络在训练完毕后,部署到云服务器上,能够提高系统运行效率,节省客户端计算资源。当数据集进行更新迭代时,将数据集上传到云服务器上,进行模型的进一步迭代训练。
无人机部署模块:
当无人机辅助网络在无人机上部署完成后,无人机部署模块用于对无人机的部署安排和数据传输工作。根据无人机辅助网络中对无人机下一时间段位置的预测值,无人机部署模块对多旋翼无人机进行部署;然后通过部署好的无人机网络对道路、环境和车辆等信息进行实时收集;无人机将收集的信息通过无人机网络上提前部署的路径规划协议,按照规划路径将实时信息上传到云服务器上;我们提前在云服务器上创建了信息数据库,将所收集到的信息存储到数据库内,同时数据库内的信息用于无人机辅助网络模型的迭代训练中;最后,我们将所收集到的信息作为三层人工神经网络的输入。
三层人工神经网络:
三层人工神经网络是智能无人机辅助决策规划模型的核心,我们将智能无人机所收集到的实时信息输入三层人工神经网络中,三层人工神经网络对信息进行分析决策后,输出对车辆驱动部分的控制命令。顾名思义,人工神经网络分为三层:第一层称作感知层,用于智能无人机信息的收集,智能无人机将收集到的车速和道路状况发送给人工神经网络的数据处理单元;第二层对上一层输入的信息进行预处理,通过传输的信息对道路上的车辆信息等交通状况进行预测,从而对目标车辆的行驶路线和换道行为进行规划判断;第三层是输出层,通过上一层对道路状况的预测,自动输出对车辆驱动部分的命令。整个三层人工神经网络遵循了神经网络的前馈传播过程,通过梯度下降算法来优化网络模型。
命令输出模块:
当三层人工神经网络输出对车辆驱动部分的命令时,我们使用命令输出模块对命令进行判断后,再输出到目标车辆的驱动设备上,完成车辆整体行驶路线的决策规划。命令输出模块收到三层人工神经网络根据道路状况预测所输出的命令后,对命令完成后的道路状况进行模拟,若该命令完成了当前的驾驶任务,则对下一时刻进行运动规划,完成路径规划和车速规划后,输出这一驱动命令,使目标车辆圆满完成驾驶任务。
智能无人机辅助决策规划模型的整体运行流程,如图2所示。整体模型分为:无人机辅助网络、无人机部署模块、三层人工神经网络、命令输出模块、车载控制模块,这五部分串联组成智能无人机辅助决策规划模型。模型的输入是GPS数据、道路信息等相关数据,模型的输出是车辆驱动命令。
具体流程为:
针对无人机辅助网络部分,首先增加请求预测模块,根据车辆服务请求的多少和间隔程度分为短期预测和长期预测两种。短期预测主要是根据车辆服务请求与相关信息(车辆分布、道路负荷以及紧急情况等)来预测请求的下一个时间段,产生了一个精确且微观的结果。长期预测主要是根据一个基本的请求来进行很长一段时间的预测,输出一个粗略且宏观的估计结果。这里为了平衡计算时间与预测结果,选用将两种结果融合的方式来获取准确预测结果。预测过程可以表示为:
而后针对无人机辅助网络部分,增加监控管理模块,精准获取无人机在空中的指定飞行轨迹,无人机可以根据实时流量被调度到任何位置。无人机辅助网络训练完成后部署到所有相应的混合旋翼无人机上,根据道路流量需求来进行无人机调度。无人机使用无人机部署模块部署完毕后,使用所收集到道路信息、道路密度、平均车速以及道路分布等信息构建道路信息数据库,道路信息数据库用来充当三层人工神经网络的输入层,然后根据ANN的训练反馈结果来迭代训练无人机辅助网络。
针对三层人工神经网络部分,直接输入道路信息数据库中信息作为第一层的输入,第一层对输入信息简单处理。第二层中的每个节点采用加权求和的方法,根据输入和偏差对信息进行处理,可以表示为:
加权值计算完成后,使用激活函数完成简单线性组合到非线性变换的转换,表示为:
这里激活函数选用sigmoid函数,将变量值映射到[0,1]范围内,易于求导,如公式7所示。
因此,对于隐藏层的第一个节点权重计算过程可以表示为:
隐藏层中其他节点与第一个节点相同,由上层节点的输入和激活函数来决定隐藏层节点的最终输出,从而完成对输入信息的过滤提取。第三层则对上层节点的输出进行进一步卷积处理,输出对道路信息的处理结果。整体三层人工神经网络的误差为输出层的两个节点误差简单求和,可以表示为:
最终将网络输出结果输入到命令输出模块,在命令输出模块中经过多次if条件判断后,判断为真则将命令输出到车载控制模块,从而代替驾驶员完成驾驶任务。
相应于上述本发明实施例提供的用于车联网环境的智能无人机辅助决策规划方法,本发明实施例还提供了一种电子设备。
如图3所示,该电子设备包括:处理器301、通信接口302、存储器603和通信总线304,其中,处理器601、通信接口302、存储器303通过通信总线304完成相互间的通信,
存储器303,用于存放计算机程序;
处理器301,用于执行存储器303上所存放的程序时,实现上述本发明实施例提供的用于车联网环境的智能无人机辅助决策规划方法的步骤。
上述控制设备设备中提到的通信总线可以是外设部件互连标准(PeripheralComponent Interconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,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。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述本发明实施例提供的任一用于车联网环境的智能无人机辅助决策规划方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述本发明实施例提供的任一用于车联网环境的智能无人机辅助决策规划方法的步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字终端设备线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、方法、物品或者设备不仅包括那些要素,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、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例、电子设备实施例、计算机可读存储介质实施例和计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,但这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种用于车联网环境的智能无人机辅助决策规划方法,其特征在于,包括以下步骤:
S1、将训练好的无人机辅助网络部署于多旋翼无人机上,得到智能无人机;
S2、创建道路信息数据库,将智能无人机部署在道路网络中收集实时数据;
S3、将智能无人机收集的实时数据输入三层人工神经网络的输入层,在隐藏层中对传入的信息进行数据预处理和预测,在输出层中对预测结果进行判断和决策,输出对车辆驱动部分的控制命令;
S4、对控制命令进行判断,再输出到目标车辆的驱动设备上,完成最终的驾驶行为转换。
2.根据权利要求1所述的用于车联网环境的智能无人机辅助决策规划方法,其特征在于,步骤S1中,无人机辅助网络分为请求预测模块和监控管理模块;无人机通过基于人工智能的请求提前安排和部署无人机位置,请求预测模块根据基于人工智能系统的请求分析结果和当前时刻收到的无人机位置和信息量来预测下一时间段的无人机所在位置和所需计算资源;监控管理模块用于对无人机的电池容量、数据精度要求、计算资源进行监控分析,根据实际情况动态调整无人机网络的部署结构。
3.根据权利要求1所述的用于车联网环境的智能无人机辅助决策规划方法,其特征在于,步骤S1中,请求预测模块分别采用短期预测和长期预测两种预测方法,并将两种预测方法的结果融合来获取准确预测结果。
4.根据权利要求1所述的用于车联网环境的智能无人机辅助决策规划方法,其特征在于,步骤S1中,无人机辅助网络中采用基于云的全局优化算法,利用优化算法来优化全局范围内的无人机部署效率和调度效率。
5.根据权利要求1所述的用于车联网环境的智能无人机辅助决策规划方法,其特征在于,步骤S2中,无人机将收集的实时数据通过无人机网络上提前部署的路径规划协议,按照规划路径上传到云服务器上的信息数据库内,同时数据库内的信息用于无人机辅助网络的迭代训练。
6.根据权利要求1所述的用于车联网环境的智能无人机辅助决策规划方法,其特征在于,步骤S3的三层人工神经网络中,第一层为输入层或感知层,用于智能无人机信息的收集并将收集到的车速和道路状况发送给人工神经网络的第二层;第二层为隐藏层,用于对第一层输入的信息进行预处理,通过传输的信息对道路上的车辆信息和交通状况进行预测,从而对目标车辆的行驶路线和换道行为进行规划判断;第三层是输出层,通过第二层对道路状况的预测,自动输出对车辆驱动部分的命令。
7.根据权利要求6所述的用于车联网环境的智能无人机辅助决策规划方法,其特征在于,步骤S3的三层人工神经网络遵循神经网络的前馈传播过程,通过梯度下降算法来优化网络模型。
8.根据权利要求1所述的用于车联网环境的智能无人机辅助决策规划方法,其特征在于,步骤S4对控制命令的判断过程为:对命令完成后的道路状况进行模拟,若该命令完成了当前的驾驶任务,则对下一时刻进行运动规划,完成路径规划和车速规划后,输出这一驱动命令,使目标车辆完成驾驶任务。
9.一种用于车联网环境的智能无人机辅助决策规划装置,其特征在于,包括以下模块以实现权利要求1-8任一项所述的方法:
无人机辅助网络,部署于多旋翼无人机上,用于提供无人机的预先部署和全局预测调度;
无人机部署模块,用于在无人机辅助网络在无人机上部署完成后对无人机的部署安排和数据传输工作;
三层人工神经网络,用于对智能无人机所收集到的实时信息进行分析决策后,输出对车辆驱动部分的控制命令;
命令输出模块,用于对三层人工神经网络对车辆驱动部分输出的控制命令进行判断,再将命令输出到目标车辆的驱动设备上,完成车辆整体行驶路线的决策规划;
车载控制模块,用于接收控制命令并代替驾驶员完成驾驶任务。
10.一种装置,包括:处理器、通信接口、存储器和通信总线,处理器、通信接口、存储器通过通信总线完成相互间的通信,其特征在于,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211130407.7A CN115514787B (zh) | 2022-09-16 | 2022-09-16 | 用于车联网环境的智能无人机辅助决策规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211130407.7A CN115514787B (zh) | 2022-09-16 | 2022-09-16 | 用于车联网环境的智能无人机辅助决策规划方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115514787A true CN115514787A (zh) | 2022-12-23 |
CN115514787B CN115514787B (zh) | 2023-06-27 |
Family
ID=84503269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211130407.7A Active CN115514787B (zh) | 2022-09-16 | 2022-09-16 | 用于车联网环境的智能无人机辅助决策规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115514787B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116125953A (zh) * | 2023-02-22 | 2023-05-16 | 吉林大学 | 基于飞行器的车辆监控系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506830A (zh) * | 2017-06-20 | 2017-12-22 | 同济大学 | 面向智能汽车规划决策模块的人工智能训练平台 |
CN110958619A (zh) * | 2019-11-18 | 2020-04-03 | 北京邮电大学 | 一种基于无线能量传输的无人机辅助网络中资源分配方法 |
EP3660745A1 (en) * | 2018-11-30 | 2020-06-03 | Baidu USA LLC | Real time decision making for autonomous driving vehicles |
CN111476116A (zh) * | 2020-03-24 | 2020-07-31 | 南京新一代人工智能研究院有限公司 | 一种用于车辆检测跟踪的旋翼无人机系统及检测跟踪方法 |
CN111967087A (zh) * | 2020-07-16 | 2020-11-20 | 山东派蒙机电技术有限公司 | 基于神经网络的网联车辆决策控制模型建立及评估方法 |
CN113329428A (zh) * | 2021-06-07 | 2021-08-31 | 大连理工大学 | 一种无人机辅助的移动边缘网络的请求调度方法 |
-
2022
- 2022-09-16 CN CN202211130407.7A patent/CN115514787B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506830A (zh) * | 2017-06-20 | 2017-12-22 | 同济大学 | 面向智能汽车规划决策模块的人工智能训练平台 |
EP3660745A1 (en) * | 2018-11-30 | 2020-06-03 | Baidu USA LLC | Real time decision making for autonomous driving vehicles |
CN110958619A (zh) * | 2019-11-18 | 2020-04-03 | 北京邮电大学 | 一种基于无线能量传输的无人机辅助网络中资源分配方法 |
CN111476116A (zh) * | 2020-03-24 | 2020-07-31 | 南京新一代人工智能研究院有限公司 | 一种用于车辆检测跟踪的旋翼无人机系统及检测跟踪方法 |
CN111967087A (zh) * | 2020-07-16 | 2020-11-20 | 山东派蒙机电技术有限公司 | 基于神经网络的网联车辆决策控制模型建立及评估方法 |
CN113329428A (zh) * | 2021-06-07 | 2021-08-31 | 大连理工大学 | 一种无人机辅助的移动边缘网络的请求调度方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116125953A (zh) * | 2023-02-22 | 2023-05-16 | 吉林大学 | 基于飞行器的车辆监控系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115514787B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169567B (zh) | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 | |
US11537134B1 (en) | Generating environmental input encoding for training neural networks | |
Chen et al. | Milestones in autonomous driving and intelligent vehicles—part 1: Control, computing system design, communication, hd map, testing, and human behaviors | |
Cui et al. | Offloading autonomous driving services via edge computing | |
Yu et al. | Model predictive control for autonomous ground vehicles: a review | |
CN110162003B (zh) | 一种行车主动服务系统测试验证平台及其测试方法 | |
WO2016096226A1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
CN113906716A (zh) | 雾节点资源的分配 | |
US11541773B2 (en) | Apparatus and method for assigning charger to electric vehicles | |
US11567495B2 (en) | Methods and systems for selecting machine learning models to predict distributed computing resources | |
US11465611B2 (en) | Autonomous vehicle behavior synchronization | |
CN115514787B (zh) | 用于车联网环境的智能无人机辅助决策规划方法及装置 | |
CN114919578B (zh) | 智能车行为决策方法、规划方法、系统及存储介质 | |
Jutury et al. | Adaptive neuro-fuzzy enabled multi-mode traffic light control system for urban transport network | |
Braud et al. | AVDM: A hierarchical command-and-control system architecture for cooperative autonomous vehicles in highways scenario using microscopic simulations | |
US20220147664A1 (en) | Systems and Methods for Multi-Modal Transportation Simulation Verification | |
Shamsi et al. | Reinforcement learning for traffic light control with emphasis on emergency vehicles | |
Yu et al. | Performance of an eco‐driving model predictive control system for hevs during car following | |
EP4171080A1 (en) | Intelligent messaging framework for vehicle ecosystem communication | |
Xiao et al. | [Retracted] Accident Liability Determination of Autonomous Driving Systems Based on Artificial Intelligence Technology and Its Impact on Public Mental Health | |
CN114926823B (zh) | 基于wgcn的车辆驾驶行为预测方法 | |
Jotanovic et al. | Smart city iot on-demand monitoring system using a drone fleet | |
CN115454082A (zh) | 车辆避障方法及系统、计算机可读存储介质和电子设备 | |
Naitmalek et al. | Embedded real-time speed forecasting for electric vehicles: a case study on RSK urban roads | |
Panagiotopoulos et al. | Cognitive intelligence of highly automated vehicles in a car‐sharing context |
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 |