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 PDF

Info

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
Application number
CN202310694143.6A
Other languages
English (en)
Inventor
杨扬
胡心怡
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.)
Shanghai Boonray Intelligent Technology Co Ltd
Original Assignee
Shanghai Boonray Intelligent Technology 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 Shanghai Boonray Intelligent Technology Co Ltd filed Critical Shanghai Boonray Intelligent Technology Co Ltd
Priority to CN202310694143.6A priority Critical patent/CN116430877A/zh
Publication of CN116430877A publication Critical patent/CN116430877A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02Control of position or course in two dimensions
    • G05D1/021Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0287Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0011Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement
    • G05D1/0027Control 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
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088Control 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
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02Control of position or course in two dimensions
    • G05D1/021Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0285Control 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial 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]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047Optimisation of routes or paths, e.g. travelling salesman problem
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0631Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313Resource planning in a project environment
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02Agriculture; 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

一种基于云端数据的无人驾驶矿车任务分配方法及系统
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:
Figure SMS_1
--公式1
Figure SMS_2
---公式2
Figure SMS_3
--公式3
Figure SMS_4
----公式4
Figure SMS_5
----公式5
其中,
Figure SMS_14
为无人驾驶矿车/>
Figure SMS_18
执行的任务,/>
Figure SMS_22
为无人驾驶矿车/>
Figure SMS_7
的状态函数,/>
Figure SMS_11
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,/>
Figure SMS_15
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;/>
Figure SMS_19
为负责某区域的无人驾驶矿车的总数量,/>
Figure SMS_9
为某矿区中矿石装载点和矿石集中点的总数量;/>
Figure SMS_12
为无人驾驶矿车从装载点/>
Figure SMS_16
到矿石集中点/>
Figure SMS_20
的路径长度;/>
Figure SMS_24
表示/>
Figure SMS_26
无人驾驶矿车随机选择矿石集中点的转移概率,参数
Figure SMS_28
指从/>
Figure SMS_30
到/>
Figure SMS_23
路径上的信息素的浓度值,参数/>
Figure SMS_25
表示无人驾驶矿车选择从一个矿石装载点/>
Figure SMS_27
到矿石集中点的可能性大小,/>
Figure SMS_29
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/>
Figure SMS_6
时,蚂蚁的移动方式会按照/>
Figure SMS_13
进行,/>
Figure SMS_17
表示/>
Figure SMS_21
在无人驾驶矿车移动过程中的相对影响因子大小,/>
Figure SMS_8
为时间;/>
Figure SMS_10
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,
Figure SMS_31
---公式6
Figure SMS_32
---公式7
Figure SMS_33
表示此刻经过运算后此段路径上的信息素的值;/>
Figure SMS_34
表示每条最优路径上,全局更新的信息素蒸发系数,/>
Figure SMS_35
表示信息素的变化值,/>
Figure SMS_36
为/>
Figure SMS_37
次迭代时的最优路径的长度,/>
Figure SMS_38
为/>
Figure SMS_39
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:
Figure SMS_40
---公式8
其中,
Figure SMS_41
为迭代次数,/>
Figure SMS_42
表示最大迭代次数;
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:
Figure SMS_43
--公式1
Figure SMS_44
---公式2
Figure SMS_45
--公式3
Figure SMS_46
----公式4
Figure SMS_47
----公式5
其中,
Figure SMS_62
为无人驾驶矿车/>
Figure SMS_65
执行的任务,/>
Figure SMS_68
为无人驾驶矿车/>
Figure SMS_48
的状态函数,/>
Figure SMS_52
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,/>
Figure SMS_55
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;/>
Figure SMS_59
为负责某区域的无人驾驶矿车的总数量,/>
Figure SMS_61
为某矿区中矿石装载点和矿石集中点的总数量;/>
Figure SMS_66
为无人驾驶矿车从装载点/>
Figure SMS_70
到矿石集中点/>
Figure SMS_72
的路径长度;/>
Figure SMS_64
表示/>
Figure SMS_67
无人驾驶矿车随机选择矿石集中点的转移概率,参数
Figure SMS_69
指从/>
Figure SMS_71
到/>
Figure SMS_51
路径上的信息素的浓度值,参数/>
Figure SMS_53
表示无人驾驶矿车选择从一个矿石装载点/>
Figure SMS_56
到矿石集中点的可能性大小,/>
Figure SMS_60
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/>
Figure SMS_49
时,蚂蚁的移动方式会按照/>
Figure SMS_54
进行,/>
Figure SMS_57
表示/>
Figure SMS_63
在无人驾驶矿车移动过程中的相对影响因子大小,/>
Figure SMS_50
为时间;/>
Figure SMS_58
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,
Figure SMS_73
---公式6
式中,
Figure SMS_74
表示本段路径上信息素的蒸发系数,/>
Figure SMS_75
表示信息素的初始值,是一个较小的正的常数,/>
Figure SMS_76
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:
Figure SMS_77
---公式6
Figure SMS_78
---公式7
Figure SMS_79
表示每条最优路径上,全局更新的信息素蒸发系数,/>
Figure SMS_80
表示信息素的变化值,/>
Figure SMS_81
为/>
Figure SMS_82
次迭代时的最优路径的长度,/>
Figure SMS_83
为/>
Figure SMS_84
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:
Figure SMS_85
---公式8
其中,
Figure SMS_86
为迭代次数,/>
Figure SMS_87
表示最大迭代次数;
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:
Figure QLYQS_1
---公式8
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:
Figure QLYQS_2
---公式1
Figure QLYQS_3
---公式2
Figure QLYQS_4
---公式3
Figure QLYQS_5
---公式4
Figure QLYQS_6
---公式5
其中,
Figure QLYQS_24
为无人驾驶矿车/>
Figure QLYQS_28
执行的任务,/>
Figure QLYQS_31
为无人驾驶矿车/>
Figure QLYQS_9
的状态函数,/>
Figure QLYQS_12
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,/>
Figure QLYQS_18
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;/>
Figure QLYQS_23
为负责某区域的无人驾驶矿车的总数量,/>
Figure QLYQS_10
为某矿区中矿石装载点和矿石集中点的总数量; />
Figure QLYQS_16
为无人驾驶矿车从装载点/>
Figure QLYQS_20
到矿石集中点/>
Figure QLYQS_26
的路径长度;/>
Figure QLYQS_11
表示/>
Figure QLYQS_14
无人驾驶矿车随机选择矿石集中点的转移概率,参数/>
Figure QLYQS_17
指从/>
Figure QLYQS_21
到/>
Figure QLYQS_19
路径上的信息素的浓度值,参数/>
Figure QLYQS_22
表示无人驾驶矿车选择从一个矿石装载点/>
Figure QLYQS_25
到矿石集中点的可能性大小,/>
Figure QLYQS_29
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/>
Figure QLYQS_7
时,蚂蚁的移动方式会按照/>
Figure QLYQS_8
进行,/>
Figure QLYQS_13
表示/>
Figure QLYQS_15
在无人驾驶矿车移动过程中的相对影响因子大小,/>
Figure QLYQS_27
为时间;/>
Figure QLYQS_30
为所有可选矿石装载点和矿石集中点的集合。
5.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3.2具体包括:采用信息素的局部更新,在探索最优路径时,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,
Figure QLYQS_32
---公式6
Figure QLYQS_33
---公式7
Figure QLYQS_34
表示此刻经过运算后此段路径上的信息素的值;/>
Figure QLYQS_35
表示每条最优路径上,全局更新的信息素蒸发系数,/>
Figure QLYQS_36
表示信息素的变化值,/>
Figure QLYQS_37
为/>
Figure QLYQS_38
次迭代时的最优路径的长度
Figure QLYQS_39
为/>
Figure QLYQS_40
次迭代完成时,所有迭代结果里最优路径长度。
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。
CN202310694143.6A 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 Pending CN116430877A (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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