CN116430877A - 一种基于云端数据的无人驾驶矿车任务分配方法及系统 - Google Patents
一种基于云端数据的无人驾驶矿车任务分配方法及系统 Download PDFInfo
- Publication number
- CN116430877A CN116430877A CN202310694143.6A CN202310694143A CN116430877A CN 116430877 A CN116430877 A CN 116430877A CN 202310694143 A CN202310694143 A CN 202310694143A CN 116430877 A CN116430877 A CN 116430877A
- Authority
- CN
- China
- Prior art keywords
- unmanned
- mine car
- unmanned mine
- task allocation
- pheromone
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000008020 evaporation Effects 0.000 claims abstract description 31
- 238000001704 evaporation Methods 0.000 claims abstract description 31
- 239000003016 pheromone Substances 0.000 claims description 49
- 238000001514 detection method Methods 0.000 claims description 19
- 241000257303 Hymenoptera Species 0.000 claims description 13
- 238000005065 mining Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0011—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement
- G05D1/0027—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement involving a plurality of vehicles, e.g. fleet or convoy travelling
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
Abstract
本申请在无人驾驶矿车任务分配时,根据无人驾驶矿车这种应用场景的特点,采用蚁群算法时,设置了总目标:(1)任务分配所属区域的所有无人驾驶矿车行走的总里程最短;(2)完成该区域内所有任务动用的无人驾驶矿车数量最少,利用总目标进行约束,得出的结论更符合无人驾驶在矿场应用的实际情况;同时在将蚁群算法应用到无人驾驶领域时,根据无人驾驶领域时效性较强的情况,对蚁群算法进行改进,根据迭代次数,将蒸发系数进行分段调节,并且,在对收敛速度影响最大的中期,将蒸发系数设置为迭代次数的函数,相对于简单的设置蒸发系数为定值,不但使模型更快的收敛,而且使得迭代次数对模型的控制力并未减弱。
Description
技术领域
本发明属于计算机技术领域,尤其设计一种基于云端数据的无人驾驶矿车任务分配方法及系统。
背景技术
无人驾驶矿车通过采用智能控制器和车辆线控技术,能够在矿山现场流畅、精准、平稳地完成倒车入位、精准停靠、自动倾卸、轨迹运行、自主避障等动作;同时通过安装激光雷达与毫米波雷达,该矿用车能够实现环境探测双重保障,达到360°无死角感知,能够有效解决人力成本高的难题;自无人驾驶矿车在矿场应用以来,对该无人驾驶技术在该应用场景的研究越来越多。
作为无人驾驶矿车的一个重要分支,任务调度和分配是一个重要的研究课题,现如今,基于云端服务器的任务调度是云计算中一个具有挑战性但又很重要的课题,现有技术中一般采用蚁群算法对矿场的任务进行分配,公开号为CN103345657A的中国发明专利公开了一种云计算环境下基于蚁群的任务调度方法,该专利在云计算环境下利用遗传算法生成任务调度初始解,同时以其解初始化为信息素分布,再利用蚁群算法寻求最优任务分配,该方案并未对蒸发系数进行调节,致使收敛速度很慢。
同时,现有技术中存在通过改变蒸发系数从而提高收敛速度的方案,然而,仅仅简单的将蒸发系数进行了分段,然后每段设置成固定值,首先,这种方案一定程度上提高了算法的收敛速度,但是,该方案由于简单的设置了几个蒸发系数的固定数值,使得蒸发系数通过迭代次数对模型的控制力减弱,通过该模型得到的最优解有可能出现并非最优路线的情况。
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任务分配方法及系统,在进行任务分配时,对蚁群算法进行改进,引入总目标约束,将无人驾驶车辆的任务分配算法所要面临的实际影响因素考虑的更全面,并且在蚁群算法的基础上对算法中的蒸发系数进行分段设置,并在中期设置成与迭代次数的函数,在未减弱迭代次数对模型控制力的基础上加快了模型的收敛。
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任务分配方法,包括:
步骤1:云端服务器下发检测指令,检测所有受该云端服务器调配的无人驾驶矿车是否满足上线运行条件;并将不满足上线运行条件的无人驾驶矿车剔除;
具体地,所述检测指令包括无人驾驶系统状态检测、车载传感器状态检测、车辆基本状态检测;
步骤2:确定所述无人驾驶矿车任务分配的总目标;
所述总目标为:(1)任务分配所属区域的所有无人驾驶矿车行走的总里程最短;(2)完成该区域内所有任务动用的无人驾驶矿车数量最少;
步骤3:根据云端服务器收集到的多个任务信息以及云端服务器获取的所述无人驾驶矿车信息,采用改进的蚁群算法得到任务分配方案;
步骤3.1:根据所述步骤2的总目标建立改进的蚁群算法模型,所述模型为:
其中,为无人驾驶矿车/>执行的任务,/>为无人驾驶矿车/>的状态函数,/>函数表示为任务分配所属区域的所有无人驾驶矿车行走的总里程最短,/>函数表示为完成该区域内所有任务动用的无人驾驶矿车数量最少;/>为负责某区域的无人驾驶矿车的总数量,/>为某矿区中矿石装载点和矿石集中点的总数量;/>为无人驾驶矿车从装载点/>到矿石集中点/>的路径长度;/>表示/>无人驾驶矿车随机选择矿石集中点的转移概率,参数指从/>到/>路径上的信息素的浓度值,参数/>表示无人驾驶矿车选择从一个矿石装载点/>到矿石集中点的可能性大小,/>表示信息素对无人驾驶矿车移动过程中的影响因子的权值大小,当/>时,蚂蚁的移动方式会按照/>进行,/>表示/>在无人驾驶矿车移动过程中的相对影响因子大小,/>为时间;/>为所有可选矿石装载点和矿石集中点的集合;
步骤3.2:采用信息素的局部更新,在探索最优路径的时候,蚂蚁每经过一个矿石装载点到下一个矿石集中点,这段路上的信息素按照公式6和公式7来进行计算,
表示此刻经过运算后此段路径上的信息素的值;/>表示每条最优路径上,全局更新的信息素蒸发系数,/>表示信息素的变化值,/>为/>次迭代时的最优路径的长度,/>为/>次迭代完成时,所有迭代结果里最优路径长度;
在本实施例中,步骤3.3:将所述更新的信息素带入公式5中,得到转移概率的值,根据转移概率值指示蚂蚁下一个需要行走的路线,同时通过对蒸发系数进行分段调节,在算法初期,将蒸发系数设置成大的区间,从而使蚁群算法具有强大的全局搜索能力,在对收敛速度影响最大的中间阶段,将蒸发系数设置成迭代次数的函数,蒸发系数会随着迭代次数的增加相比简单的设置一个固定值会减少的更快,在算法后期,在达到固定次数的迭代后,设置蒸发系数为较小值,从而使改进的蚁群算法具有较快的收敛速度,上述的调节过程用数学式表达为:
从而遍历所有可能的路线,信息素浓度值最大的路线即为初始最优路线;
步骤3.4:对每次迭代结束输出的最优路径结果进行2-opt 或3-opt搜索的基础上进行搜索计算的结果替换当前结果,将计算所得的结果与当前结果进行对比在最优路径将路径最短作为最优路径输出,获取该路径上的矿石装载点与矿石集中点,作为分配给该矿车的任务;
步骤4:所述无人驾驶矿车接收到云端服务器指令后,执行所述分配方案。
根据本发明的另一个方面,一种基于云端数据的无人驾驶矿车任务分配系统,包括:
检测模块:用于检测所有受该云端服务器调配的无人驾驶矿车是否满足上线运行条件;并将不满足上线运行条件的无人驾驶矿车剔除;
目标确定模块:用于确定所述任务分配的总目标;
处理器,用于处理上述的基于云端数据的无人驾驶矿车任务分配方法;
控制模块:用于控制所述无人驾驶矿车执行所述任务分配方法。
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任务分配方法,具有如下技术效果:
1、本申请在无人驾驶矿车任务分配时,根据无人驾驶矿车这种应用场景的特点,采用蚁群算法时,设置了总目标:(1)任务分配所属区域的所有无人驾驶矿车行走的总里程最短;(2)完成该区域内所有任务动用的无人驾驶矿车数量最少,利用总目标进行约束,得出的结论更符合无人驾驶在矿场应用的实际情况;
2、本申请在将蚁群算法应用到无人驾驶领域时,根据无人驾驶领域时效性较强的情况,对蚁群算法进行改进,根据迭代次数,将蒸发系数进行分段调节,并且,在对收敛速度影响最大的中期,将蒸发系数设置为迭代次数的函数,相对于简单的设置蒸发系数为定值,不但使模型更快的收敛,而且使得迭代次数对模型的控制力并未减弱。
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基于云端数据的无人驾驶矿车任务分配方法的流程图;
图2为本申请实施例提供的改进的蚁群算法得到任务分配方案的具体步骤图。
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。
己知在矿区不同区域分布着一定数量的矿机以及一定数量的矿石集中点,矿机所挖矿石积累到一定数量时会发布装载请求到云端服务器,云端服务器接收到该矿机的任务请求后获取该挖矿机位置坐标以及需要装载运输的矿石量,然后获取周边无人驾驶矿车的坐标信息以及接收到的任务列表,任务列表中记载了该无人驾驶矿车的装载运输任务以及每个装载运输任务的装载点以及矿石集中点,这样,对无人驾驶矿车的任务分配问题实质上是对多个无人驾驶车辆选择不同的装载点以及矿石集中点的路径规划问题。
如图1所示,一种基于云端数据的无人驾驶矿车任务分配方法,包括:
步骤1:云端服务器下发检测指令,检测所有受该云端服务器调配的无人驾驶矿车是否满足上线运行条件;并将不满足上线运行条件的无人驾驶矿车剔除;
所述检测指令包括无人驾驶系统状态检测、车载传感器状态检测、车辆基本状态检测;
步骤2:确定所述无人驾驶矿车任务分配的总目标;
现如今,成本控制成为矿区无人驾驶项目的一个重要课题,因此,本申请中,确定的所述总目标为:(1)任务分配所属区域的所有无人驾驶矿车行走的总里程最短;(2)完成该区域内所有任务动用的无人驾驶矿车数量最少;
步骤3:根据云端服务器收集到的多个任务信息以及云端服务器获取的所述无人驾驶矿车信息,采用改进的蚁群算法得到分配方案;
具体地,如附图2所示,所述步骤3具体包括:
步骤3.1:根据所述步骤2的总目标建立改进的蚁群算法模型,所述模型为:
其中,为无人驾驶矿车/>执行的任务,/>为无人驾驶矿车/>的状态函数,/>函数表示为任务分配所属区域的所有无人驾驶矿车行走的总里程最短,/>函数表示为完成该区域内所有任务动用的无人驾驶矿车数量最少;/>为负责某区域的无人驾驶矿车的总数量,/>为某矿区中矿石装载点和矿石集中点的总数量;/>为无人驾驶矿车从装载点/>到矿石集中点/>的路径长度;/>表示/>无人驾驶矿车随机选择矿石集中点的转移概率,参数指从/>到/>路径上的信息素的浓度值,参数/>表示无人驾驶矿车选择从一个矿石装载点/>到矿石集中点的可能性大小,/>表示信息素对无人驾驶矿车移动过程中的影响因子的权值大小,当/>时,蚂蚁的移动方式会按照/>进行,/>表示/>在无人驾驶矿车移动过程中的相对影响因子大小,/>为时间;/>为所有可选矿石装载点和矿石集中点的集合;
步骤3.2:传统的蚁群算法,在计算矿石装载点和矿石集中点的信息素浓度时,会发现由于没有对信息素的更新方式进行干预,在蚂蚁探索初期,任务分配上的信息素浓度普遍偏低,蚁群会随机探索路径,这样就会造成搜索速度较慢,信息素浓度的积累速度也很慢,所以,在信息素更新时,加入信息素正反馈,使信息素积累加速,为后期蚂蚁的路径探索做准备。当出现有一条路径上的信息素比较高时,其余蚂蚁都会选择这条路径,其他路径就被永远忽略,此时,算法进入一个局部探索,针对某一条路径信息素浓度偏大的情况,要对算法进行一个局部信息素的更新,对某一条路径上的信息素进行加速蒸发,使路径上的信息素浓度差别减少,使蚂蚁进行全局探索,避免算法陷入局部最优,影响最优任务分配的产生;具体地,采用信息素的局部更新,在探索最优路径的时候,蚂蚁每经过一个矿石装载点到下一个矿石集中点,这段路上的信息素都会按照如下公式6’来进行,
式中,表示本段路径上信息素的蒸发系数,/>表示信息素的初始值,是一个较小的正的常数,/>表示此刻经过运算后此段路径上的信息素的值,这样,可以在原始信息素积累的情况下,额外增加一个信息素挥发系数,使路径上的信息素无法快速积累,避免与其他路径段的信息素值产生较大差距,使后续蚂蚁在探索时不会因为信息素差距大而全都选择这一路径,这样,避免了局部最优解的产生,使得最终的解为全局最优解;
为了确定所述初始最优路线,一般地会对公式6进行改进:
表示每条最优路径上,全局更新的信息素蒸发系数,/>表示信息素的变化值,/>为/>次迭代时的最优路径的长度,/>为/>次迭代完成时,所有迭代结果里最优路径长度,通过公式7和8,该改进一定程度上可加快最优路径的确定,加快蚁群算法的收敛速度,但是,该方法虽然一定程度上调节了信息素的蒸发系数,但是当遇到复杂的应用场景,比如说将蚁群算法应用到无人驾驶领域时,由于无人驾驶矿车对时效性要求较高,上述对蚁群算法的改进仍然会造成较大的时延,限制了该改进的蚁群算法在无人驾驶的应用;
在本实施例中,步骤3.3:将所述更新的信息素带入公式5中,得到转移概率的值,根据转移概率值指示蚂蚁下一个需要行走的路线,同时,通过对蒸发系数进行分段调节,在算法初期,将蒸发系数设置成大的区间,从而使蚁群算法具有强大的全局搜索能力,在对收敛速度影响最大的中间阶段,将蒸发系数设置成迭代次数的函数,蒸发系数会随着迭代次数的增加相比简单的设置一个固定值会减少的更快,在算法后期,在达到固定次数的迭代后,设置蒸发系数为较小值,从而使改进的蚁群算法具有较快的收敛速度,上述的调节过程用数学式表达为:
遍历所有可能的路线,信息素浓度值最大的路线即为初始最优路线,
步骤3.4:对每次迭代结束输出的最优路径结果进行2-opt 或3-opt搜索的基础上进行搜索计算的结果替换当前结果,将计算所得的结果与当前结果进行对比在最优路径将路径最短作为最优路径输出,获取该路径上的矿石装载点与矿石集中点,作为分配给该矿车的任务;步骤4:所述无人驾驶矿车接收到云端服务器指令后,执行所述分配方案。
根据本发明的另一个方面,一种基于云端数据的无人驾驶矿车任务分配系统,包括:
检测模块:用于检测所有受该云端服务器调配的无人驾驶矿车是否满足上线运行条件;并将不满足上线运行条件的无人驾驶矿车剔除;
目标确定模块:用于确定所述任务分配的总目标;
处理器,用于处理上述的基于云端数据的无人驾驶矿车任务分配方法;
控制模块:用于控制所述无人驾驶矿车执行所述任务分配方法。
本申请在进行任务分配时,对蚁群算法进行改进,首先根据实际需求,引入总目标约束,将无人驾驶车辆的任务分配算法所要面临的实际影响因素考虑的更全面,并且在蚁群算法的基础上对算法中的蒸发系数进行分段设置,并在中期设置成与迭代次数的函数,在未减弱迭代次数对模型控制力的基础上加快了模型的收敛。
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 (7)
1.一种基于云端数据的无人驾驶矿车任务分配方法,其特征在于,包括以下步骤:
步骤1:云端服务器下发检测指令,检测所有受该云端服务器调配的无人驾驶矿车是否满足上线运行条件;并将不满足上线运行条件的无人驾驶矿车剔除;
步骤2:确定所述无人驾驶矿车任务分配的总目标;
步骤3:根据云端服务器收集到的多个任务信息以及云端服务器获取的所述无人驾驶矿车信息,采用改进的蚁群算法得到任务分配方案;
所述步骤3具体包括:
步骤3.1:根据所述步骤2的总目标建立改进的蚁群算法模型;
步骤3.2:进行信息素的局部更新;
步骤3.3:通过所述更新的信息素得到转移概率的值,根据转移概率值指示蚂蚁下一个需要行走的路线,同时通过对蒸发系数进行分段调节,从而遍历所有可能的路线,将信息素浓度值最大的路线确定为初始最优路线;
所述步骤3.3中,所述通过对蒸发系数进行分段调节具体包括:在蚁群算法初期,将蒸发系数设置成大的区间值,在对收敛速度影响最大的中间阶段,将蒸发系数设置成迭代次数的函数,在算法后期,在达到固定次数的迭代后,设置蒸发系数为较小值,上述的调节过程用数学式表达为:
其中,Nc为迭代次数,Nmax表示最大迭代次数;
步骤3.4:对每次迭代结束输出的最优路径结果进行3-opt搜索的基础上进行搜索计算的结果替换当前结果,将计算所得的结果与当前结果进行对比在最优路径将路径最短作为最优路径输出,获取该路径上的矿石装载点与矿石集中点,作为分配给该矿车的任务;
步骤4:无人驾驶矿车接收到云端服务器指令后,执行所述任务分配方案。
2.根据权利要求1所述的基于云端数据的无人驾驶矿车任务分配方法,其特征在于,所述检测指令包括无人驾驶系统状态检测、车载传感器状态检测、车辆基本状态检测。
3.根据权利要求1所述的基于云端数据的无人驾驶矿车任务分配方法,其特征在于,所述总目标为:(1)任务分配所属区域的所有无人驾驶矿车行走的总里程最短;(2)完成该区域内所有任务动用的无人驾驶矿车数量最少。
4.根据权利要求3所述的基于云端数据的无人驾驶矿车任务分配方法,其特征在于,所述步骤3.1中,所述模型具体为:
其中,为无人驾驶矿车/>执行的任务,/>为无人驾驶矿车/>的状态函数,/>函数表示为任务分配所属区域的所有无人驾驶矿车行走的总里程最短,/>函数表示为完成该区域内所有任务动用的无人驾驶矿车数量最少;/>为负责某区域的无人驾驶矿车的总数量,/>为某矿区中矿石装载点和矿石集中点的总数量; />为无人驾驶矿车从装载点/>到矿石集中点/>的路径长度;/>表示/>无人驾驶矿车随机选择矿石集中点的转移概率,参数/>指从/>到/>路径上的信息素的浓度值,参数/>表示无人驾驶矿车选择从一个矿石装载点/>到矿石集中点的可能性大小,/>表示信息素对无人驾驶矿车移动过程中的影响因子的权值大小,当/>时,蚂蚁的移动方式会按照/>进行,/>表示/>在无人驾驶矿车移动过程中的相对影响因子大小,/>为时间;/>为所有可选矿石装载点和矿石集中点的集合。
6.根据权利要求5所述的基于云端数据的无人驾驶矿车任务分配方法,其特征在于,所述步骤3.4中:也可对每次迭代结束输出的最优路径结果进行2-opt搜索的基础上进行搜索计算的结果替换当前结果。
7.一种基于云端数据的无人驾驶矿车任务分配系统,其特征在于,包括:
检测模块:用于检测所有受该云端服务器调配的无人驾驶矿车是否满足上线运行条件;并将不满足上线运行条件的无人驾驶矿车剔除;
目标确定模块:用于确定所述任务分配的总目标;
处理器,用于处理权利要求1-6任一项所述的基于云端数据的无人驾驶矿车任务分配方法;
控制模块:用于控制所述无人驾驶矿车执行所述任务分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310694143.6A CN116430877A (zh) | 2023-06-13 | 2023-06-13 | 一种基于云端数据的无人驾驶矿车任务分配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310694143.6A CN116430877A (zh) | 2023-06-13 | 2023-06-13 | 一种基于云端数据的无人驾驶矿车任务分配方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116430877A true CN116430877A (zh) | 2023-07-14 |
Family
ID=87091105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310694143.6A Pending CN116430877A (zh) | 2023-06-13 | 2023-06-13 | 一种基于云端数据的无人驾驶矿车任务分配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116430877A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992242A (zh) * | 2015-07-01 | 2015-10-21 | 广东工业大学 | 一种求解带软时间窗物流运输车辆路径问题的方法 |
CN105426992A (zh) * | 2015-11-09 | 2016-03-23 | 江苏理工学院 | 移动机器人旅行商优化方法 |
CN108460485A (zh) * | 2018-03-05 | 2018-08-28 | 重庆邮电大学 | 一种基于改进蚁群算法的旅行商问题求解方法 |
CN109190835A (zh) * | 2018-09-13 | 2019-01-11 | 西安建筑科技大学 | 一种基于时间窗限制的露天矿卡车调度路径优化方法 |
CN109214498A (zh) * | 2018-07-10 | 2019-01-15 | 昆明理工大学 | 基于搜索集中度和动态信息素更新的蚁群算法优化方法 |
CN110428161A (zh) * | 2019-07-25 | 2019-11-08 | 北京航空航天大学 | 一种基于端边云架构的无人驾驶矿车云智能调度方法 |
CN111709560A (zh) * | 2020-05-29 | 2020-09-25 | 杭州电子科技大学 | 一种基于改进蚁群算法的解决车辆路径问题方法 |
CN115269162A (zh) * | 2021-04-29 | 2022-11-01 | 西安工业大学 | 一种基于sdn多控制器改进蚁群的负载均衡方法 |
CN115759917A (zh) * | 2022-12-05 | 2023-03-07 | 重庆邮电大学 | 一种基于改进混合蚁群算法的物流路径规划方法 |
-
2023
- 2023-06-13 CN CN202310694143.6A patent/CN116430877A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992242A (zh) * | 2015-07-01 | 2015-10-21 | 广东工业大学 | 一种求解带软时间窗物流运输车辆路径问题的方法 |
CN105426992A (zh) * | 2015-11-09 | 2016-03-23 | 江苏理工学院 | 移动机器人旅行商优化方法 |
CN108460485A (zh) * | 2018-03-05 | 2018-08-28 | 重庆邮电大学 | 一种基于改进蚁群算法的旅行商问题求解方法 |
CN109214498A (zh) * | 2018-07-10 | 2019-01-15 | 昆明理工大学 | 基于搜索集中度和动态信息素更新的蚁群算法优化方法 |
CN109190835A (zh) * | 2018-09-13 | 2019-01-11 | 西安建筑科技大学 | 一种基于时间窗限制的露天矿卡车调度路径优化方法 |
CN110428161A (zh) * | 2019-07-25 | 2019-11-08 | 北京航空航天大学 | 一种基于端边云架构的无人驾驶矿车云智能调度方法 |
CN111709560A (zh) * | 2020-05-29 | 2020-09-25 | 杭州电子科技大学 | 一种基于改进蚁群算法的解决车辆路径问题方法 |
CN115269162A (zh) * | 2021-04-29 | 2022-11-01 | 西安工业大学 | 一种基于sdn多控制器改进蚁群的负载均衡方法 |
CN115759917A (zh) * | 2022-12-05 | 2023-03-07 | 重庆邮电大学 | 一种基于改进混合蚁群算法的物流路径规划方法 |
Non-Patent Citations (2)
Title |
---|
王春林: "《人工智能》", 西安电子科学技术大学出版社, pages: 47 - 49 * |
蔡志民: "基于改进蚁群算法的电动汽车充电调度研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, no. 11, pages 034 - 61 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112362074B (zh) | 一种结构化环境下的智能车辆局部路径规划方法 | |
US10678248B2 (en) | Fast trajectory planning via maneuver pattern selection | |
US11131993B2 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
GB2557434A (en) | Vehicle energy reduction | |
CN111694364A (zh) | 一种应用于智能车路径规划的基于改进蚁群算法与动态窗口法的混合算法 | |
CN112379697B (zh) | 轨迹规划方法、装置、轨迹规划器、无人机及存储介质 | |
CN114407929A (zh) | 无人驾驶绕障处理方法、装置、电子设备及存储介质 | |
US12128930B2 (en) | Method and system for forecasting reactions of other road users in autonomous driving | |
CN112394725A (zh) | 用于自动驾驶的基于预测和反应视场的计划 | |
CN116795108B (zh) | 基于多源感知信号的智能无人车配送方法 | |
CN114879687A (zh) | 一种用于无人物流车的智能控制方法 | |
CN112785072A (zh) | 路线规划和模型训练方法、装置、设备及存储介质 | |
Luo et al. | UAV path planning based on the average TD3 algorithm with prioritized experience replay | |
Ren et al. | Intelligent path planning and obstacle avoidance algorithms for autonomous vehicles based on enhanced rrt algorithm | |
CN116430877A (zh) | 一种基于云端数据的无人驾驶矿车任务分配方法及系统 | |
US11618460B1 (en) | Predictive planning | |
EP4160269A1 (en) | Systems and methods for onboard analysis of sensor data for sensor fusion | |
CN111813100A (zh) | 一种局部路径规划算法及装置 | |
US20240300541A1 (en) | Method and system for controlling autonomous or semi-autonomous vehicle | |
CN113311862B (zh) | 机器人规避障碍物的运动规划方法 | |
CN114578804A (zh) | 编队车辆的控制方法、装置、设备和存储介质 | |
JP5528362B2 (ja) | 目標追尾装置及び目標追尾方法 | |
US20240270250A1 (en) | Active coasting in traffic | |
US20230234617A1 (en) | Determining perceptual spatial relevancy of objects and road actors for automated driving | |
US12043289B2 (en) | Persisting predicted objects for robustness to perception issues in autonomous driving |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230714 |