CN116252708A - 一种适用于风电专用车的行驶碰撞预警系统 - Google Patents

一种适用于风电专用车的行驶碰撞预警系统 Download PDF

Info

Publication number
CN116252708A
CN116252708A CN202310537502.7A CN202310537502A CN116252708A CN 116252708 A CN116252708 A CN 116252708A CN 202310537502 A CN202310537502 A CN 202310537502A CN 116252708 A CN116252708 A CN 116252708A
Authority
CN
China
Prior art keywords
wind power
transport vehicle
time
power transport
vehicle
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
Application number
CN202310537502.7A
Other languages
English (en)
Other versions
CN116252708B (zh
Inventor
魏秋东
李红强
宋德锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sigma Intelligent Equipment Shandong Co ltd
Original Assignee
Sigma Intelligent Equipment Shandong Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sigma Intelligent Equipment Shandong Co ltd filed Critical Sigma Intelligent Equipment Shandong Co ltd
Priority to CN202310537502.7A priority Critical patent/CN116252708B/zh
Publication of CN116252708A publication Critical patent/CN116252708A/zh
Application granted granted Critical
Publication of CN116252708B publication Critical patent/CN116252708B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
    • B60Q9/008—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling for anti-collision purposes

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及汽车驾驶技术领域，具体公开了一种适用于风电专用车的行驶碰撞预警系统，包括道路监测模块，用于实时获取风电运输车前方道路信息，根据道路信息预测风电运输车是否能够以标准过弯速度过弯，本发明通过道路监测模块获取道路信息，并根据道路信息，根据道路信息预测风电运输车是否能够以标准过弯速度过弯，可以保证增速过弯的安全性，其中增速过弯采用的推荐过弯速度是通过神经网络模型训练获取的，是基于实际运行参数预测的高于标准过弯速度的数据，相比于传统理论测算，安全性更高。

Description

一种适用于风电专用车的行驶碰撞预警系统
技术领域
本发明涉及汽车驾驶技术领域，具体的，涉及一种适用于风电专用车的行驶碰撞预警系统。
背景技术
风电专用车指的是用于运输风电设备的运输车，尤其是风电设备的扇叶，由于其长度过长，需要使用专用的运输车进行运输。
也因为长度过长，其运输难度极大，在运输之前，往往需要运输队提前对运输路线进行勘察，并于勘察过程中对可能与风电扇叶发生碰撞的树枝、电线进行处理，部分情况下需要对路线进行改造以保障运输车的通过性。
在实际运输过程中，特别是向山区运输扇叶，往往需要数天乃至十数天的时间，其主要原因是，山区路线弯道过多，而载有扇叶的风电运输车为了尽可能避免与车辆、行人或者其他障碍物碰撞，在过弯时会以规定的最低安全速度过弯，弯道跨幅较大的情况下，一个弯道往往需要十几分钟完成过弯，在具有连续弯道的山区道路上，连续过弯需要花费很久的时间，运输效率较为低下。
为了在避免碰撞的前提下减少风电运输车过弯用时，提升风电运输车的运输效率，本发明提出一种适用于风电专用车的行驶碰撞预警系统。
发明内容
本发明的目的在于提供一种适用于风电专用车的行驶碰撞预警系统，解决以下技术问题：
如何在避免碰撞的前提下减少风电运输车过弯用时，提升风电运输车的运输效率。
本发明的目的可以通过以下技术方案实现：
一种适用于风电专用车的行驶碰撞预警系统，包括：
预勘测信息存储模块，用于存储道路勘测信息；
道路监测模块，用于实时获取风电运输车前方道路信息，根据道路信息预测风电运输车是否能够以标准过弯速度过弯，具体为：
若过弯过程中与其他车辆或者人员相遇，则判断风电运输车需要以标准过弯速度过弯，其中标准过弯速度是符合安全要求的风电运输车常用过弯速度，属于经验数据；
若过弯过程中不与其他车辆或者人员相遇，则将道路信息中的转弯半径数据输入训练好的神经网络模型中获取当前弯道的理想过弯速度；
预警模块，根据道路勘测信息、风电运输车的实时车速和理想过弯速度对驾驶员进行提醒，并提供推荐过弯速度。
作为本发明的进一步技术方案：所述根据道路信息预测风电运输车过弯过程中是否会与其他车辆或者人员相遇的过程包括：
根据当前风电运输车车速以及位置获得风电运输车过弯动作的起始时间点以及结束时间点；
获取弯道另一边道路的车辆或者人员从出现到抵达过弯起始点的期望时长区间，并根据期望时长区间获取实时出现的车辆到达转弯起始点的预测时间点；
判断预测时间点是否位于起始时间点和结束时间点之间，若是，则判断风电运输车为会与其他车辆或者人员相遇；若否，则判断风电运输车为不会与其他车辆或者人员相遇。
通过上述技术方案：通过道路监测模块获取道路信息，并根据道路信息，根据道路信息预测风电运输车是否能够以标准过弯速度过弯，可以保证增速过弯的安全性，其中增速过弯采用的推荐过弯速度是通过神经网络模型训练获取的，是基于实际运行参数预测的高于标准过弯速度的数据，相比于传统理论测算，安全性更高。
作为本发明的进一步技术方案：所述判断风电运输车不会与其他车辆或者人员相遇的过程还包括：
将
Figure SMS_1
时间段划分为M个时间片段，其中/>
Figure SMS_2
是正常行驶的风电运输车过弯时间点，/>
Figure SMS_3
是风电运输车以推荐过弯速度过弯的时长，/>
Figure SMS_4
是划分系数，时间片段的长度优选为30秒或者60秒；
从路口的历史数据中获取
Figure SMS_5
个时间片段的车流数据；
从
Figure SMS_6
个时间片段中筛选出车流为0的i个时间片段；
求取i个时间片段在向后
Figure SMS_7
时长内的预测车流系数/>
Figure SMS_8
，获取符合/>
Figure SMS_9
＜/>
Figure SMS_10
的j个时间片段；
若j≥1，则判断风电运输车不会与其他车辆或者人员相遇；
若j＝0，则判断风电运输车会与其他车辆或者人员相遇。
通过上述技术方案：可以在一个大于风电运输车预期过弯时间段内选择一个符合风电运输车不会与其他车辆或者人员相遇的时间段，通过降低风电运输车车速的方式，使得风电运输车在该时间段通过当前弯道，同时减速消耗的时间小于过弯节省的时间，从而最终达到节约过弯时间的目的。
作为本发明的进一步技术方案：所述求取i个时间片段在向后
Figure SMS_11
时长内的预测车流系数/>
Figure SMS_12
的过程包括：
通过公式：
Figure SMS_13
；
其中，
Figure SMS_15
是车流权重系数，/>
Figure SMS_18
是修正权重系数，/>
Figure SMS_22
+/>
Figure SMS_16
=1；/>
Figure SMS_19
是历史车流量关于时间t的函数曲线，/>
Figure SMS_21
是今日车流量关于时间t的函数曲线；/>
Figure SMS_23
是第i个时间片段的起始时间点；/>
Figure SMS_14
是/>
Figure SMS_17
时间点之前/>
Figure SMS_20
上若干个点的拟合斜率的连续差值累计量。
作为本发明的进一步技术方案：取j个时间片段中与
Figure SMS_24
重合度最高的时间片段作为风电运输车过弯的起始时间段，所述重合度根据j个时间片段与/>
Figure SMS_25
重合长度占据/>
Figure SMS_26
的长度比例确定。
通过上述技术方案：以历史数据及历史数据的变化趋势，结合当日经过该弯道的车流数据及数据变化趋势获取j个安全时间区间的预测车流系数
Figure SMS_27
，根据预测车流系数/>
Figure SMS_28
可以预测j个安全时间区间的车流状态，可以在缺少摄像头确定道路上车辆数量及位置的情况下，辅助对通过该弯道的车流进行预测。
作为本发明的进一步技术方案：所述训练好的神经网络模型使用车速，转弯半径以及风电运输车的稳定系数作为输入层的训练数据。
作为本发明的进一步技术方案：所述风电运输车的稳定系数包括纵向稳定系数和横向稳定系数，所述稳定系数求取过程包括：
纵向:
Figure SMS_29
；
横向:
Figure SMS_30
；
其中，F是稳定力矩，
Figure SMS_31
是货物重量，/>
Figure SMS_32
是货物长度的一半，b是货物宽度的一半，/>
Figure SMS_33
是纵向惯性力，/>
Figure SMS_34
是横向惯性力，/>
Figure SMS_35
是货物重心高，/>
Figure SMS_36
是风力，/>
Figure SMS_37
是货物高度的一半。
作为本发明的进一步技术方案：所述神经网络模型的训练数据从风电运输车日常行驶数据中抽出符合模型数据训练要求的部分以增加训练样本数量；
所述模型数据训练要求为车速和转弯半径的训练数据呈等间距变化。
通过上述技术方案：由神经网络模型可以根据当前弯道信息快速推算安全的推荐过弯速度，使用大量的实验数据或者日常行驶数据可以充分逼近任意复杂的非线性关系，同时省略了传统计算方式的验证过程。
本发明的有益效果：
（1）本发明通过道路监测模块获取道路信息，并根据道路信息，根据道路信息预测风电运输车是否能够以标准过弯速度过弯，可以保证增速过弯的安全性，其中增速过弯采用的推荐过弯速度是通过神经网络模型训练获取的，是基于实际运行参数预测的高于标准过弯速度的数据，相比于传统理论测算，安全性更高。
（2）本发明可以在一个大于风电运输车预期过弯时间段内选择一个符合风电运输车不会与其他车辆或者人员相遇的时间段，通过降低风电运输车车速的方式，使得风电运输车在该时间段通过当前弯道，同时减速消耗的时间小于过弯节省的时间，从而最终达到节约过弯时间的目的。
（3）本发明以历史数据及历史数据的变化趋势，结合当日经过该弯道的车流数据及数据变化趋势获取j个安全时间区间的预测车流系数
Figure SMS_38
，根据预测车流系数/>
Figure SMS_39
可以预测j个安全时间区间的车流状态，可以在缺少摄像头确定道路上车辆数量及位置的情况下，辅助对通过该弯道的车流进行预测。
（4）本发明由神经网络模型可以根据当前弯道信息快速推算安全的推荐过弯速度，使用大量的实验数据或者日常行驶数据可以充分逼近任意复杂的非线性关系，同时省略了传统计算方式的验证过程。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明模块关系示意图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1所示，在一个实施例中，提供了一种适用于风电专用车的行驶碰撞预警系统，包括：
预勘测信息存储模块，用于存储道路勘测信息，道路勘测信息包括桥洞高度，转弯处树木距离道路的间距等，用于辅助驾驶员调整扇叶的角度；
道路监测模块，道路监测模块可以是行驶在风电运输车前的预警车或者通过卫星数据获取，用于实时获取风电运输车前方道路信息，道路信息包括车辆数量、车辆位置以及对应车速，根据道路信息预测风电运输车是否能够以标准过弯速度过弯，具体为：
若过弯过程中与其他车辆或者人员相遇，则判断风电运输车需要以标准过弯速度过弯，其中标准过弯速度是符合安全要求的风电运输车常用过弯速度，属于经验数据；
若过弯过程中不与其他车辆或者人员相遇，则不以标准过弯速度过弯，并将道路信息中的转弯半径数据输入训练好的神经网络模型中获取当前弯道的理想过弯速度；
需要说明的是，在风电车辆运输之前需要对行走的道路进行预勘测，尤其是对弯道部分需要检查弯道幅度和宽度是否满足车辆的通过条件，对于不满足而又无法绕道的区域，需要进行施工改造以满足载有扇叶的风电运输车的通过要求，也就是说输入训练好的神经网络模型中的转弯半径数据是存储于预勘测信息存储模块中的。
预警模块，根据道路勘测信息、风电运输车的实时车速和理想过弯速度对驾驶员进行提醒，并提供推荐过弯速度，提醒信息中包括根据道路勘测信息获取的调节扇叶高度和位置以避免与提前勘察过的地形碰撞。
其中，所述根据道路信息预测风电运输车过弯过程中是否会与其他车辆或者人员相遇的过程包括：
根据当前风电运输车过弯前的车速以及车辆位置获得风电运输车过弯动作的起始时间点以及结束时间点；
获取弯道另一边道路的车辆或者人员从出现到抵达过弯起始点的期望时长区间，并根据期望时长区间获取实时出现的车辆到达转弯起始点的预测时间点，其中获取弯道另一边道路的车辆或者人员从出现到抵达过弯起始点的期望时长区间可以通过道路监测模块中行走与风电运输车之前的预警车或者路口处卫星联网的摄像头获取，当然，期望时长区间是基于平均速度获取的，实际运行过程中，可能会有部分车辆会超出平均速度行驶，可以由行驶于风电运输车之前的预警车进行减速警示以避免加速车辆提前到达，实际上，于山地弯道行驶的车辆为了保证安全一般都是出于减速状态，而行人移动速度改变有限，可以通过足够长的期望时长区间覆盖行人所有的抵达时间；
判断预测时间点是否位于起始时间点和结束时间点之间，若是，则判断风电运输车为会与其他车辆或者人员相遇；若否，则判断风电运输车为不会与其他车辆或者人员相遇，通过风电运输车过弯时间内是否会有其他车辆经过来判断是否能够以高于标准过弯速度的速度过弯，是因为，风电运输车车身连同扇叶长度过长（约80米），在加速过弯的情况且保证风电运输车及其运输的叶片安全的情况下需要占用其他车道，因此需要最大限度的保证过弯过程中没有或者只有数量极少的其他车辆路过。
通过上述技术方案：通过道路监测模块获取道路信息，并根据道路信息，根据道路信息预测风电运输车是否能够以标准过弯速度过弯，可以保证增速过弯的安全性，其中增速过弯采用的推荐过弯速度是通过神经网络模型训练获取的，是基于实际运行参数预测的高于标准过弯速度的数据，相比于传统理论测算，安全性更高。
其中，所述判断风电运输车不会与其他车辆或者人员相遇的过程还包括：
将
Figure SMS_40
时间段划分为M个时间片段，M为正整数，其中/>
Figure SMS_41
是正常行驶的风电运输车过弯时间点，/>
Figure SMS_42
是风电运输车以推荐过弯速度过弯的时长，/>
Figure SMS_43
是划分系数，属于经验常数，通常/>
Figure SMS_44
≥/>
Figure SMS_45
，时间片段的长度优选为30秒或者60秒；
从路口的历史数据中获取
Figure SMS_46
个时间片段的车流数据；
从
Figure SMS_47
个时间片段中筛选出车流为0的i个时间片段；
求取i个时间片段在向后
Figure SMS_48
时长内的预测车流系数/>
Figure SMS_49
，获取符合/>
Figure SMS_50
＜/>
Figure SMS_51
的j个安全时间区间，其中，/>
Figure SMS_52
是安全车流系数，是以统计方法获得的经验常数，在预测车流系数/>
Figure SMS_53
小于/>
Figure SMS_54
的情况下，载有风电扇叶的风电运输车过弯均属于安全状态；
若j≥1，则判断风电运输车不会与其他车辆或者人员相遇，需要说明的是，该判断过程是基于对风电运输车车速进行调整，当出现；
若j＝0，则判断风电运输车会与其他车辆或者人员相遇。
通过上述技术方案：可以在一个大于风电运输车预期过弯时间段内选择一个符合风电运输车不会与其他车辆或者人员相遇的时间段，通过降低风电运输车车速的方式，使得风电运输车在该时间段通过当前弯道，同时减速消耗的时间小于过弯节省的时间，从而最终达到节约过弯时间的目的。
所述求取i个时间片段在向后
Figure SMS_55
时长内的预测车流系数/>
Figure SMS_56
的过程包括：
通过公式：
Figure SMS_57
；
其中，
Figure SMS_60
是车流权重系数，/>
Figure SMS_63
是修正权重系数，/>
Figure SMS_65
、/>
Figure SMS_61
均为经验常系数，且/>
Figure SMS_64
+/>
Figure SMS_67
=1；/>
Figure SMS_69
是历史车流量关于时间t的函数曲线，/>
Figure SMS_58
是今日车流量关于时间t的函数曲线，可以由弯道处的监控获取数据统计得到；/>
Figure SMS_62
是第i个时间片段的起始时间点；/>
Figure SMS_66
是/>
Figure SMS_68
时间点之前/>
Figure SMS_59
上若干个点的拟合斜率的连续差值累计量。/>
取j个安全时间区间中与
Figure SMS_70
重合度最高的时间片段作为风电运输车过弯的起始时间段，所述重合度根据j个安全时间区间与/>
Figure SMS_71
重合长度占据
Figure SMS_72
的长度比例确定。
通过上述技术方案：以历史数据及历史数据的变化趋势，结合当日经过该弯道的车流数据及数据变化趋势获取j个安全时间区间的预测车流系数
Figure SMS_73
，根据预测车流系数/>
Figure SMS_74
可以预测j个安全时间区间的车流状态，可以在缺少摄像头确定道路上车辆数量及位置的情况下，辅助对通过该弯道的车流进行预测。
所述训练好的神经网络模型使用车速，转弯半径以及风电运输车的稳定系数作为输入层的训练数据，神经网络模型类型属于回声状态网络，其具体的网络结构属于现有技术，为数据挖掘领域的常用技术方案，用于对数据进行预测，本实施例中，数据训练的步骤如下：
步骤一，固定过弯半径数据，以等间距变化的车速及对应的稳定系数进行训练，训练40组数据，获取车速与稳定系数的映射关系；
步骤二，固定车速数据，以等间距变化的过弯半径数据及对应的稳定系数进行训练，训练40组数据，获取过弯半径与与稳定系数的映射关系；
步骤三，将等间距变化的过弯半径数据及对应的稳定系数加入等间距变化的车速及对应的稳定系数进行训练，总计39*39组数据，同时加入实际驾驶数据中分离出的线性变化数据1000组，以获取车速，转弯半径以及风电运输车的稳定系数之间的复合映射关系，形成神经网络模型，从而在实际驾驶过程中，由当前弯道信息以及负载状态获取推荐过弯速度。
需要说明的是，加入实际驾驶数据之前的训练数据，均是在车辆安全行驶的状态下获取的，同时在已知过弯半径以及车辆相关数据的情况下，最大过弯速度是可以由物理学公式直接进行理论计算的，也就是说过弯半径与过弯速度之间存在着极强的线性关系，比如加水对某种液体进行稀释，加水量与液体浓度之间的关系符合浓度稀释的理化公式，从而使得即使只有十几个稀释的数据样本也可以获取极为可靠的预测效果，这种情况下，通过第一步和第二步40+40的线性度高的数据组初步去初步训练并通过在第三步中约2600组数据去验证和修正，最终使得使用的神经网络模型获得可靠的预测效果。
所述风电运输车的稳定系数包括纵向稳定系数和横向稳定系数，所述稳定系数求取过程包括：
纵向:
Figure SMS_75
；
横向:
Figure SMS_76
；
其中，F是稳定力矩，
Figure SMS_78
是货物重量，/>
Figure SMS_83
是货物长度的一半，b是货物宽度的一半，/>
Figure SMS_87
是纵向惯性力，/>
Figure SMS_80
是横向惯性力，/>
Figure SMS_84
是货物重心高，/>
Figure SMS_86
是风力，/>
Figure SMS_89
是货物高度的一半；在数据训练过程中，需要保证/>
Figure SMS_77
和/>
Figure SMS_81
均需要大于稳定常数/>
Figure SMS_85
，/>
Figure SMS_88
是预设的经验常数，任意/>
Figure SMS_79
或者
Figure SMS_82
在小于其的状态下都代表着货物也就是风机叶片具有倾倒的风险。/>
所述神经网络模型的训练数据从风电运输车日常行驶数据中抽出符合模型数据训练要求的部分以增加训练样本数量；
所述模型数据训练要求为车速和转弯半径的训练数据呈等间距变化。
通过上述技术方案：由神经网络模型可以根据当前弯道信息快速推算安全的推荐过弯速度，使用大量的实验数据或者日常行驶数据可以充分逼近任意复杂的非线性关系，同时省略了传统计算方式的验证过程。
所述推荐过弯速度为所述理想过弯速度的80％-85％。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (8)

1.一种适用于风电专用车的行驶碰撞预警系统，其特征在于，包括：
预勘测信息存储模块，用于存储道路勘测信息；
道路监测模块，用于实时获取风电运输车前方道路信息，根据道路信息预测风电运输车是否能够以标准过弯速度过弯，具体为：
若过弯过程中与其他车辆或者人员相遇，则判断风电运输车需要以标准过弯速度过弯；
若过弯过程中不与其他车辆或者人员相遇，则将道路信息中的转弯半径数据输入训练好的神经网络模型中获取当前弯道的理想过弯速度；
预警模块，根据道路勘测信息、风电运输车的实时车速和理想过弯速度对驾驶员进行提醒，并提供推荐过弯速度。
2.根据权利要求1所述的一种适用于风电专用车的行驶碰撞预警系统，其特征在于，所述根据道路信息预测风电运输车过弯过程中是否会与其他车辆或者人员相遇的过程包括：
根据当前风电运输车车速以及位置获得风电运输车过弯动作的起始时间点以及结束时间点；
获取弯道另一边道路的车辆或者人员从出现到抵达过弯起始点的期望时长区间，并根据期望时长区间获取实时出现的车辆到达转弯起始点的预测时间点；
判断预测时间点是否位于起始时间点和结束时间点之间，若是，则判断风电运输车为会与其他车辆或者人员相遇；若否，则判断风电运输车为不会与其他车辆或者人员相遇。
3.根据权利要求2所述的一种适用于风电专用车的行驶碰撞预警系统，其特征在于，所述判断风电运输车不会与其他车辆或者人员相遇的过程还包括：
将
Figure QLYQS_1
时间段划分为M个时间片段，其中/>
Figure QLYQS_2
是正常行驶的风电运输车过弯时间点，/>
Figure QLYQS_3
是风电运输车以推荐过弯速度过弯的时长，/>
Figure QLYQS_4
是划分系数；
从路口的历史数据中获取
Figure QLYQS_5
个时间片段的车流数据；
从
Figure QLYQS_6
个时间片段中筛选出车流为0的i个时间片段；
求取i个时间片段在向后
Figure QLYQS_7
时长内的预测车流系数/>
Figure QLYQS_8
，获取符合/>
Figure QLYQS_9
＜/>
Figure QLYQS_10
的j个安全时间区间，其中，/>
Figure QLYQS_11
是安全车流系数；
若j≥1，则判断风电运输车不会与其他车辆或者人员相遇；
若j＝0，则判断风电运输车会与其他车辆或者人员相遇。
4.根据权利要求3所述的一种适用于风电专用车的行驶碰撞预警系统，其特征在于，所述求取i个时间片段在向后
Figure QLYQS_12
时长内的预测车流系数/>
Figure QLYQS_13
的过程包括：
通过公式：
Figure QLYQS_14
；
其中，
Figure QLYQS_16
是车流权重系数，/>
Figure QLYQS_19
是修正权重系数，/>
Figure QLYQS_21
+/>
Figure QLYQS_17
=1；/>
Figure QLYQS_20
是历史车流量关于时间t的函数曲线，/>
Figure QLYQS_23
是今日车流量关于时间t的函数曲线；/>
Figure QLYQS_24
是第i个时间片段的起始时间点；/>
Figure QLYQS_15
是/>
Figure QLYQS_18
时间点之前/>
Figure QLYQS_22
上若干个点的拟合斜率的连续差值累计量。
5.根据权利要求3所述的一种适用于风电专用车的行驶碰撞预警系统，其特征在于，取j个安全时间区间中与
Figure QLYQS_25
重合度最高的时间片段作为风电运输车过弯的起始时间段，所述重合度根据j个安全时间区间与/>
Figure QLYQS_26
重合长度占据/>
Figure QLYQS_27
的长度比例确定。
6.根据权利要求1所述的一种适用于风电专用车的行驶碰撞预警系统，其特征在于，所述训练好的神经网络模型使用车速，转弯半径以及风电运输车的稳定系数作为输入层的训练数据。
7.根据权利要求6所述的一种适用于风电专用车的行驶碰撞预警系统，其特征在于，所述风电运输车的稳定系数包括纵向稳定系数和横向稳定系数，所述稳定系数求取过程包括：
纵向:
Figure QLYQS_28
，
横向:
Figure QLYQS_29
；
其中，F是稳定力矩，
Figure QLYQS_30
是货物重量，/>
Figure QLYQS_31
是货物长度的一半，b是货物宽度的一半，/>
Figure QLYQS_32
是纵向惯性力，/>
Figure QLYQS_33
是横向惯性力，/>
Figure QLYQS_34
是货物重心高，/>
Figure QLYQS_35
是风力，/>
Figure QLYQS_36
是货物高度的一半。
8.根据权利要求6所述的一种适用于风电专用车的行驶碰撞预警系统，其特征在于，所述神经网络模型的训练数据从风电运输车日常行驶数据中抽出符合模型数据训练要求的部分以增加训练样本数量；
所述模型数据训练要求为车速和转弯半径的训练数据呈等间距变化。
CN202310537502.7A 2023-05-15 2023-05-15 一种适用于风电专用车的行驶碰撞预警系统 Active CN116252708B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310537502.7A CN116252708B (zh) 2023-05-15 2023-05-15 一种适用于风电专用车的行驶碰撞预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310537502.7A CN116252708B (zh) 2023-05-15 2023-05-15 一种适用于风电专用车的行驶碰撞预警系统

Publications (2)

Publication Number Publication Date
CN116252708A true CN116252708A (zh) 2023-06-13
CN116252708B CN116252708B (zh) 2023-07-25

Family

ID=86681031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310537502.7A Active CN116252708B (zh) 2023-05-15 2023-05-15 一种适用于风电专用车的行驶碰撞预警系统

Country Status (1)

Country Link
CN (1) CN116252708B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009202711A (ja) * 2008-02-27 2009-09-10 Nissan Motor Co Ltd 車両用走行制御装置及びその方法
CN110281926A (zh) * 2019-06-27 2019-09-27 淮安信息职业技术学院 山区公路弯道信息识别和行车安全预警的方法及系统
CN110654460A (zh) * 2019-12-02 2020-01-07 浙江中车电车有限公司 一种用于车辆转弯主动控制的方法及系统
KR102182257B1 (ko) * 2019-08-08 2020-11-24 주식회사 이테크놀리지 곡선도로에서의 안전사고 방지를 위한 차량통행 안내시스템
WO2021077725A1 (zh) * 2019-10-21 2021-04-29 南京航空航天大学 一种基于驾驶意图的周围车辆运动状态预测系统及方法
CN113753036A (zh) * 2020-06-04 2021-12-07 现代摩比斯株式会社 控制车辆驾驶的系统、方法及计算机可读存储介质
CN115339470A (zh) * 2022-07-27 2022-11-15 深圳季连科技有限公司 一种基于自动驾驶的狭窄车道车辆避让方法
CN115547033A (zh) * 2022-08-25 2022-12-30 安徽仓擎机器人有限公司 基于交通状况的交通信号协同控制方法
CN115691157A (zh) * 2022-09-19 2023-02-03 哈尔滨工业大学 一种基于车路协同的弯道路段车速预警方法与系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009202711A (ja) * 2008-02-27 2009-09-10 Nissan Motor Co Ltd 車両用走行制御装置及びその方法
CN110281926A (zh) * 2019-06-27 2019-09-27 淮安信息职业技术学院 山区公路弯道信息识别和行车安全预警的方法及系统
KR102182257B1 (ko) * 2019-08-08 2020-11-24 주식회사 이테크놀리지 곡선도로에서의 안전사고 방지를 위한 차량통행 안내시스템
WO2021077725A1 (zh) * 2019-10-21 2021-04-29 南京航空航天大学 一种基于驾驶意图的周围车辆运动状态预测系统及方法
CN110654460A (zh) * 2019-12-02 2020-01-07 浙江中车电车有限公司 一种用于车辆转弯主动控制的方法及系统
CN113753036A (zh) * 2020-06-04 2021-12-07 现代摩比斯株式会社 控制车辆驾驶的系统、方法及计算机可读存储介质
CN115339470A (zh) * 2022-07-27 2022-11-15 深圳季连科技有限公司 一种基于自动驾驶的狭窄车道车辆避让方法
CN115547033A (zh) * 2022-08-25 2022-12-30 安徽仓擎机器人有限公司 基于交通状况的交通信号协同控制方法
CN115691157A (zh) * 2022-09-19 2023-02-03 哈尔滨工业大学 一种基于车路协同的弯道路段车速预警方法与系统

Also Published As

Publication number Publication date
CN116252708B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN103854505B (zh) 车辆实时导航方法及装置
CN102157062B (zh) 获取公交专用道停靠站通行能力的方法
CN109887286A (zh) 一种基于云平台的卡车驾驶指导系统及其指导方法
CN102803039B (zh) 用于控制车辆速度的方法和模块
CN106297340A (zh) 一种行驶车辆安全监测预警系统与方法
EP2692604B1 (de) Verfahren zum Steuern des Ladezustands eines Energiespeichers eines Hybridfahrzeugs
CN204256963U (zh) 一种基于gps的交叉口交通信号灯实时控制装置
CN108922177A (zh) 一种无人驾驶车辆通过交叉路口时速度控制系统及方法
DE102011080845A1 (de) Sparsame Streckenplanung
CN104575050B (zh) 一种基于浮动车的快速路匝道智能诱导方法及装置
CN102081859A (zh) 一种公交车到站时间预测模型控制方法
US11273827B2 (en) Method and system for obtaining reference signals for vehicles control systems and corresponding control system
CN110182215A (zh) 一种汽车经济性巡航控制方法及装置
CN103714705A (zh) 高速公路车速指导系统
CN102521998A (zh) 特大灾害条件下基于可靠性的应急交通疏散路径优化方法
US20230242155A1 (en) Vehicle energy management system
CN116631211B (zh) 一种基于车联网的紧急车辆道路拥堵疏散系统
CN102324186A (zh) 一种计算信号灯路口车辆通过时间的方法
CN106097718A (zh) 基于gps数据的信号交叉口区域通行时间估计方法
CN110838228A (zh) 一种营运货车车队智能交互行驶系统及装置
CN108665720A (zh) 一种智能辅助驾驶方法、系统及装置
CN116252708B (zh) 一种适用于风电专用车的行驶碰撞预警系统
Pourabdollah et al. Fuel economy assessment of semi-autonomous vehicles using measured data
Anastassov et al. Driving speed profiles for autonomous vehicles
US20220185345A1 (en) Control system for operating long vehicles

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