CN117130263B - 一种基于车联网大数据的整车智能控制方法及系统 - Google Patents
一种基于车联网大数据的整车智能控制方法及系统 Download PDFInfo
- Publication number
- CN117130263B CN117130263B CN202311397591.6A CN202311397591A CN117130263B CN 117130263 B CN117130263 B CN 117130263B CN 202311397591 A CN202311397591 A CN 202311397591A CN 117130263 B CN117130263 B CN 117130263B
- Authority
- CN
- China
- Prior art keywords
- data
- whole vehicle
- individual
- intelligent control
- path planning
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000000739 chaotic effect Effects 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000005315 distribution function Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 230000007613 environmental effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 63
- 238000004458 analytical method Methods 0.000 claims description 24
- 230000006855 networking Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于车联网大数据的整车智能控制方法及系统,方法包括:数据采集、数据处理、计算目标函数、路径规划和整车智能控制。本发明属于整车智能控制技术领域,具体是指一种基于车联网大数据的整车智能控制方法及系统,本方案用均值替换法替换缺失值,通过KNN重新定义局部密度,识别并删除异常值,并基于EKF进行数据融合,得到整车状态和环境信息;采用改进后的混沌变量优化位置初始化过程,并使用自适应惯性权重调节函数、拉普拉斯分布函数和经验交换策略优化位置更新过程,找到最优路径规划方案。
Description
技术领域
本发明属于整车智能控制技术领域,具体是指一种基于车联网大数据的整车智能控制方法及系统。
背景技术
整车智能控制是通过各种系统和技术相互协作,以实现更安全、高效和便捷的驾驶体验。但是现有技术采集的多传感器实时数据存在缺失值和异常值,增加数据的不准确性和不可靠性,得到不准确的整车状态和环境信息的问题;存在传统的路径规划算法初始化位置分布不均匀,遍历性较弱,以及路径规划算法后期,位置更新的多样性降低,算法陷入局部最优和过早收敛,导致产生错误的驾驶决策,增加事故的风险的问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了一种基于车联网大数据的整车智能控制方法及系统,针对采集的多传感器实时数据存在缺失值和异常值,增加数据的不准确性和不可靠性,得到不准确的整车状态和环境信息的问题,本方案采用车联网平台处理数据,使用均值替换法替换缺失值,通过KNN重新定义了DPC算法的局部密度,消除了截止距离对聚类性能的影响,从异常值检测的角度定义和优化了确定异常值的规则,准确有效地消除异常值,并基于EKF进行数据融合,得到更准确的整车状态和环境信息;针对传统的路径规划算法初始化位置分布不均匀,遍历性较弱,以及路径规划算法后期,位置更新的多样性降低,算法陷入局部最优和过早收敛,导致产生错误的驾驶决策,增加事故的风险的问题,本方案采用改进后的混沌变量优化位置初始化过程,增强遍历性,提高初始个体多样性,并使用自适应惯性权重调节函数优化第一次位置更新过程,以及使用拉普拉斯分布函数和经验交换策略优化第二次位置更新过程,平衡全局与局部寻优能力,避免陷入局部最优,从而找到最优路径规划方案。
本发明采取的技术方案如下:本发明提供的一种基于车联网大数据的整车智能控制方法,该方法包括以下步骤:
步骤S1:数据采集,采集多传感器实时数据并上传到车联网平台;
步骤S2:数据处理,用均值替换法替换缺失值,通过KNN重新定义局部密度,识别并删除异常值,并基于EKF进行数据融合,得到整车状态和环境信息;
步骤S3:计算目标函数,基于整车状态和环境信息计算目标函数;
步骤S4:路径规划,采用改进后的混沌变量优化位置初始化过程,并使用自适应惯性权重调节函数优化第一次位置更新过程,以及使用拉普拉斯分布函数和经验交换策略优化第二次位置更新过程,找到最优路径规划方案;
步骤S5:整车智能控制,按照最优路径规划方案进行整车自动驾驶智能控制。
进一步地,在步骤S1中,所述数据采集是基于整车上安装的激光雷达、惯性测量单元和车轮里程计采集多传感器实时数据形成分析数据集,将分析数据集上传到车联网平台并进行存储。
进一步地,在步骤S2中,所述数据处理具体包括以下步骤:
步骤S21:数据预处理,使用均值替换法替换分析数据集中的缺失值;
步骤S22:计算欧几里得距离,所用公式如下:
;
式中,wef是数据e和数据f之间的欧几里得距离,(xe,ye)和(xf,yf)分别是数据e和数据f的坐标,e和f是分析数据集中的数据索引;
步骤S23:计算局部密度,所用公式如下:
;
式中,ρe是数据e的局部密度,knn()是数据的k个最近邻值的集合,(xe,ye)和(xf,yf)分别是数据e和数据f的坐标,是数据e和其k个最近邻值之间的欧几里得距离之和即数据e的超越度,/>是数据e的k个最近邻值的超越度之和;
步骤S24:计算相对距离,所用公式如下:
;
式中,ξe是数据e和数据f之间的相对距离,×是乘法运算符;
步骤S25:计算局部密度的阈值,预先设定局部密度经验参数rρ,所用公式如下:
;
式中,ρq是局部密度的阈值,Ndata是分析数据集中的数据数量;
步骤S26:计算相对距离的阈值,预先设定相对距离经验参数rξ,所用公式如下:
;
式中,ξq是相对距离的阈值;
步骤S27:删除异常值,将ρe<ρq和ξe>ξq的数据识别为异常值并从分析数据集中将其删除;
步骤S28:数据融合,基于EKF将删除异常值后的分析数据集中的数据进行融合,得到更准确的整车状态和环境信息。
进一步地,在步骤S3中,所述计算目标函数具体包括以下步骤:
步骤S31:路径初始化,将需要规划的路径分为M-1条线段,P1(x1,y1)和PM(xM,yM)分别作为已知的起始点和目标点,P2,…,PM-1是路径规划中整车的M-2个坐标点,所用公式如下:
u=[xi,yi],∀i∈{2,3,…,(M-1)},u∈R2×(M-2);
式中,u是路径规划中整车坐标点(xi,yi)的集合,i是整车坐标点的索引;
步骤S32:计算路径长度最小化的目标函数,所用公式如下:
;
式中,J1(u)是使路径长度最小化的目标函数;
步骤S33:计算路径平滑度最大的目标函数,所用公式如下:
;
;
式中,J2(u)是使路径平滑度最大的目标函数,θ是整车转弯角度,atan()四象限反正切函数;
步骤S34:计算整车与障碍物之间的距离,所用公式如下:
;
式中,dj是整车与第j个障碍物之间的距离,Nobs是检测到的障碍物的数量,j是障碍物的索引,是障碍物的坐标点,obsj是第j个障碍物的重心;
步骤S35:计算最小安全距离,预先设定确保整车避免碰撞的临界值即加权因子ζ,且0.5<ζ<1,所用公式如下:
;
式中,是整车与第j个障碍物之间的最小安全距离,/>是第j个障碍物所处圆的最小半径,/>是整车车辆宽度;
步骤S36:计算惩罚项,所用公式如下:
;
式中,是惩罚项;
步骤S37:计算路径规划算法的目标函数,预先设定J1(u)的加权因子ω1、J2(u)的加权因子ω2和惩罚系数σ,所用公式如下:
;
式中,J(u)是路径规划算法的目标函数。
进一步地,在步骤S4中,所述路径规划具体包括以下步骤:
步骤S41:个体构建,每个个体表示一个路径规划方案,所用公式如下:
X=[xc,yc],∀c∈{2,3,…,(M-1)},X∈R2×(M-2);
Dv=2×(M-2);
式中,X是个体,(xc,yc)是个体项目,c是个体项目的索引,Dv是个体的总维度;
步骤S42:参数初始化,预先设定个体数量Np、混沌变量控制参数β、混沌变量初始条件h0、交换学习因子η、最大迭代次数T、评估阈值ψ、个体位置的上边界Xmax和个体位置的下边界Xmin;
步骤S43:个体位置初始化,基于混沌变量初始条件生成Np个混沌变量,对每个混沌变量随机生成一个[0,1]之间的随机数λ,改进混沌变量,基于改进后的混沌变量初始化个体位置,所用公式如下:
hn+1=β×hn×(1-hn),n=0,1,…,(Np-1);
;
;
式中,h是原始混沌变量,n是混沌变量的索引,是改进后的混沌变量,rand(0,1)是生成一个[0,1]之间的随机数,/>是个体的初始化位置,a是个体维度的索引,z是个体的索引;
步骤S44:计算适应度值和全局最优位置,基于目标函数,计算每个个体的适应度值,将所有个体的适应度值按从小到大的顺序进行排列,选择最小适应度值作为最优适应度值,最优适应度值对应的个体作为最优个体,最优个体的位置作为全局最优位置Xbest;
步骤S45:计算平均值,所用公式如下:
;
式中,Et,a是第t次迭代所有个体在第a个维度上的平均位置,X(t,z,a)是第t次迭代第z个个体在第a个维度上的位置,t是迭代次数的索引;
步骤S46:计算差异值,所用公式如下:
γ=round(1+rand(0,1));
;
式中,γ是最优因子,Ft,a是第t次迭代在第a个维度上全局最优位置与平均位置之间的差异值,round()是四舍五入函数;
步骤S47:第一次位置更新,基于自适应惯性权重调节函数进行第一次位置更新,所用公式如下:
;
;
;
;
式中,g(t)是第t次迭代中个体适应度值降低率,nreduce(t)是第t次迭代中个体适应度值降低个数,μ(t)是自适应惯性权重调节函数,是第一次位置更新后的第z个个体在第a个维度上的中间位置,X1t+1,z,a是第一次位置更新后的第z个个体在第a个维度上的最终位置X1best;
步骤S48:第二次位置更新,基于拉普拉斯分布函数和经验交换策略进行第二次位置更新,所用公式如下:
;
;
式中,Laplace()是拉普拉斯分布函数,ε是位置参数,s是刻度参数,X2t+1,U,a是第二次位置更新后的第U个个体在第a个维度上的位置,U和V是任意两个不相同的个体;
步骤S49:更新全局最优位置,采用步骤S44相同的方法计算个体的适应度值,更新最优适应度值、最优个体和全局最优位置;
步骤S410:确定最优路径规划方案,当最优适应度值低于评估阈值ψ,则将当前全局最优位置作为最优路径规划方案,并将最优路径规划方案发送至整车的自动驾驶控制器;否则,若达到最大迭代次数T,则转至步骤S43;否则转至步骤S45。
进一步地,在步骤S5中,所述整车智能控制是自动驾驶控制器按照车联网平台发送的最优路径规划方案进行整车自动驾驶智能控制。
本发明提供的一种基于车联网大数据的整车智能控制系统,包括数据采集模块、数据处理模块、计算目标函数模块、路径规划模块和整车智能控制模块;
所述数据采集模块基于整车上安装的激光雷达、惯性测量单元和车轮里程计采集多传感器实时数据形成分析数据集,将分析数据集上传到车联网平台并进行存储,并将分析数据集发送到数据处理模块;
所述数据处理模块用均值替换法替换缺失值,通过KNN重新定义局部密度,识别并删除异常值,并基于EKF进行数据融合,得到整车状态和环境信息,并将整车状态和环境信息发送至计算目标函数模块;
所述计算目标函数模块基于整车状态和环境信息计算目标函数,并将目标函数发送至路径规划模块;
所述路径规划模块采用改进后的混沌变量优化位置初始化过程,并使用自适应惯性权重调节函数优化第一次位置更新过程,以及使用拉普拉斯分布函数和经验交换策略优化第二次位置更新过程,找到最优路径规划方案,并将最优路径规划方案发送至整车智能控制模块;
所述整车智能控制模块按照最优路径规划方案进行整车自动驾驶智能控制。
采用上述方案本发明取得的有益效果如下:
(1)针对采集的多传感器实时数据存在缺失值和异常值,增加数据的不准确性和不可靠性,得到不准确的整车状态和环境信息的问题,本方案采用车联网平台处理数据,使用均值替换法替换缺失值,通过KNN重新定义了DPC算法的局部密度,消除了截止距离对聚类性能的影响,从异常值检测的角度定义和优化了确定异常值的规则,准确有效地消除异常值,并基于EKF进行数据融合,得到更准确的整车状态和环境信息。
(2)针对传统的路径规划算法初始化位置分布不均匀,遍历性较弱,以及路径规划算法后期,位置更新的多样性降低,算法陷入局部最优和过早收敛,导致产生错误的驾驶决策,增加事故的风险的问题,本方案采用改进后的混沌变量优化位置初始化过程,增强遍历性,提高初始个体多样性,并使用自适应惯性权重调节函数优化第一次位置更新过程,以及使用拉普拉斯分布函数和经验交换策略优化第二次位置更新过程,平衡全局与局部寻优能力,避免陷入局部最优,从而找到最优路径规划方案。
附图说明
图1为本发明提供的一种基于车联网大数据的整车智能控制方法的流程示意图;
图2为本发明提供的一种基于车联网大数据的整车智能控制系统的示意图;
图3为步骤S2的流程示意图;
图4为步骤S3的流程示意图;
图5为步骤S4的流程示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
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,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明提供的一种基于车联网大数据的整车智能控制方法,该方法包括以下步骤:
步骤S1:数据采集,采集多传感器实时数据并上传到车联网平台;
步骤S2:数据处理,用均值替换法替换缺失值,通过KNN重新定义局部密度,识别并删除异常值,并基于EKF进行数据融合,得到整车状态和环境信息;
步骤S3:计算目标函数,基于整车状态和环境信息计算目标函数;
步骤S4:路径规划,采用改进后的混沌变量优化位置初始化过程,并使用自适应惯性权重调节函数优化第一次位置更新过程,以及使用拉普拉斯分布函数和经验交换策略优化第二次位置更新过程,找到最优路径规划方案;
步骤S5:整车智能控制,按照最优路径规划方案进行整车自动驾驶智能控制。
实施例二,参阅图1,该实施例基于上述实施例,在步骤S1中,数据采集是基于整车上安装的激光雷达、惯性测量单元和车轮里程计采集多传感器实时数据形成分析数据集,将分析数据集上传到车联网平台并进行存储。
实施例三,参阅图1和图3,该实施例基于上述实施例,在步骤S2中,数据处理具体包括以下步骤:
步骤S21:数据预处理,使用均值替换法替换分析数据集中的缺失值;
步骤S22:计算欧几里得距离,所用公式如下:
;
式中,wef是数据e和数据f之间的欧几里得距离,(xe,ye)和(xf,yf)分别是数据e和数据f的坐标,e和f是分析数据集中的数据索引;
步骤S23:计算局部密度,所用公式如下:
;
式中,ρe是数据e的局部密度,knn()是数据的k个最近邻值的集合,(xe,ye)和(xf,yf)分别是数据e和数据f的坐标,是数据e和其k个最近邻值之间的欧几里得距离之和即数据e的超越度,/>是数据e的k个最近邻值的超越度之和;
步骤S24:计算相对距离,所用公式如下:
;
式中,ξe是数据e和数据f之间的相对距离,×是乘法运算符;
步骤S25:计算局部密度的阈值,预先设定局部密度经验参数rρ,所用公式如下:
;
式中,ρq是局部密度的阈值,Ndata是分析数据集中的数据数量;
步骤S26:计算相对距离的阈值,预先设定相对距离经验参数rξ,所用公式如下:
;
式中,ξq是相对距离的阈值;
步骤S27:删除异常值,将ρe<ρq和ξe>ξq的数据识别为异常值并从分析数据集中将其删除;
步骤S28:数据融合,基于EKF将删除异常值后的分析数据集中的数据进行融合,得到更准确的整车状态和环境信息。
通过执行上述操作,针对采集的多传感器实时数据存在缺失值和异常值,增加数据的不准确性和不可靠性,得到不准确的整车状态和环境信息的问题,本方案采用车联网平台处理数据,使用均值替换法替换缺失值,通过KNN重新定义了DPC算法的局部密度,消除了截止距离对聚类性能的影响,从异常值检测的角度定义和优化了确定异常值的规则,准确有效地消除异常值,并基于EKF进行数据融合,得到更准确的整车状态和环境信息。
实施例四,参阅图1和图4,该实施例基于上述实施例,在步骤S3中,计算目标函数具体包括以下步骤:
步骤S31:路径初始化,将需要规划的路径分为M-1条线段,P1(x1,y1)和PM(xM,yM)分别作为已知的起始点和目标点,P2,…,PM-1是路径规划中整车的M-2个坐标点,所用公式如下:
u=[xi,yi],∀i∈{2,3,…,(M-1)},u∈R2×(M-2);
式中,u是路径规划中整车坐标点(xi,yi)的集合,i是整车坐标点的索引;
步骤S32:计算路径长度最小化的目标函数,所用公式如下:
;
式中,J1(u)是使路径长度最小化的目标函数;
步骤S33:计算路径平滑度最大的目标函数,所用公式如下:
;
;
式中,J2(u)是使路径平滑度最大的目标函数,θ是整车转弯角度,atan()四象限反正切函数;
步骤S34:计算整车与障碍物之间的距离,所用公式如下:
;
式中,dj是整车与第j个障碍物之间的距离,Nobs是检测到的障碍物的数量,j是障碍物的索引,是障碍物的坐标点,obsj是第j个障碍物的重心;
步骤S35:计算最小安全距离,预先设定确保整车避免碰撞的临界值即加权因子ζ,且0.5<ζ<1,所用公式如下:
;
式中,是整车与第j个障碍物之间的最小安全距离,/>是第j个障碍物所处圆的最小半径,/>是整车车辆宽度;
步骤S36:计算惩罚项,所用公式如下:
;
式中,是惩罚项;
步骤S37:计算路径规划算法的目标函数,预先设定J1(u)的加权因子ω1、J2(u)的加权因子ω2和惩罚系数σ,所用公式如下:
;
式中,J(u)是路径规划算法的目标函数。
实施例五,参阅图1和图5,该实施例基于上述实施例,在步骤S4中,路径规划具体包括以下步骤:
步骤S41:个体构建,每个个体表示一个路径规划方案,所用公式如下:
X=[xc,yc],∀c∈{2,3,…,(M-1)},X∈R2×(M-2);
Dv=2×(M-2);
式中,X是个体,(xc,yc)是个体项目,c是个体项目的索引,Dv是个体的总维度;
步骤S42:参数初始化,预先设定个体数量Np、混沌变量控制参数β、混沌变量初始条件h0、交换学习因子η、最大迭代次数T、评估阈值ψ、个体位置的上边界Xmax和个体位置的下边界Xmin;
步骤S43:个体位置初始化,基于混沌变量初始条件生成Np个混沌变量,对每个混沌变量随机生成一个[0,1]之间的随机数λ,改进混沌变量,基于改进后的混沌变量初始化个体位置,所用公式如下:
hn+1=β×hn×(1-hn),n=0,1,…,(Np-1);
;
;
式中,h是原始混沌变量,n是混沌变量的索引,是改进后的混沌变量,rand(0,1)是生成一个[0,1]之间的随机数,/>是个体的初始化位置,a是个体维度的索引,z是个体的索引;
步骤S44:计算适应度值和全局最优位置,基于目标函数,计算每个个体的适应度值,将所有个体的适应度值按从小到大的顺序进行排列,选择最小适应度值作为最优适应度值,最优适应度值对应的个体作为最优个体,最优个体的位置作为全局最优位置Xbest;
步骤S45:计算平均值,所用公式如下:
;
式中,Et,a是第t次迭代所有个体在第a个维度上的平均位置,X(t,z,a)是第t次迭代第z个个体在第a个维度上的位置,t是迭代次数的索引;
步骤S46:计算差异值,所用公式如下:
γ=round(1+rand(0,1));
;
式中,γ是最优因子,Ft,a是第t次迭代在第a个维度上全局最优位置与平均位置之间的差异值,round()是四舍五入函数;
步骤S47:第一次位置更新,基于自适应惯性权重调节函数进行第一次位置更新,所用公式如下:
;
;
;
;
式中,g(t)是第t次迭代中个体适应度值降低率,nreduce(t)是第t次迭代中个体适应度值降低个数,μ(t)是自适应惯性权重调节函数,是第一次位置更新后的第z个个体在第a个维度上的中间位置,X1t+1,z,a是第一次位置更新后的第z个个体在第a个维度上的最终位置X1best;
步骤S48:第二次位置更新,基于拉普拉斯分布函数和经验交换策略进行第二次位置更新,所用公式如下:
;
;
式中,Laplace()是拉普拉斯分布函数,ε是位置参数,s是刻度参数,X2t+1,U,a是第二次位置更新后的第U个个体在第a个维度上的位置,U和V是任意两个不相同的个体;
步骤S49:更新全局最优位置,采用步骤S44相同的方法计算个体的适应度值,更新最优适应度值、最优个体和全局最优位置;
步骤S410:确定最优路径规划方案,当最优适应度值低于评估阈值ψ,则将当前全局最优位置作为最优路径规划方案,并将最优路径规划方案发送至整车的自动驾驶控制器;否则,若达到最大迭代次数T,则转至步骤S43;否则转至步骤S45。
通过执行上述操作,针对传统的路径规划算法初始化位置分布不均匀,遍历性较弱,以及路径规划算法后期,位置更新的多样性降低,算法陷入局部最优和过早收敛,导致产生错误的驾驶决策,增加事故的风险的问题,本方案采用改进后的混沌变量优化位置初始化过程,增强遍历性,提高初始个体多样性,并使用自适应惯性权重调节函数优化第一次位置更新过程,以及使用拉普拉斯分布函数和经验交换策略优化第二次位置更新过程,平衡全局与局部寻优能力,避免陷入局部最优,从而找到最优路径规划方案。
实施例六,参阅图1,该实施例基于上述实施例,在步骤S5中,整车智能控制是自动驾驶控制器按照车联网平台发送的最优路径规划方案进行整车自动驾驶智能控制。
实施例七,参阅图2,该实施例基于上述实施例,本发明提供的一种基于车联网大数据的整车智能控制系统,包括数据采集模块、数据处理模块、计算目标函数模块、路径规划模块和整车智能控制模块;
所述数据采集模块基于整车上安装的激光雷达、惯性测量单元和车轮里程计采集多传感器实时数据形成分析数据集,将分析数据集上传到车联网平台并进行存储,并将分析数据集发送到数据处理模块;
所述数据处理模块用均值替换法替换缺失值,通过KNN重新定义局部密度,识别并删除异常值,并基于EKF进行数据融合,得到整车状态和环境信息,并将整车状态和环境信息发送至计算目标函数模块;
所述计算目标函数模块基于整车状态和环境信息计算目标函数,并将目标函数发送至路径规划模块;
所述路径规划模块采用改进后的混沌变量优化位置初始化过程,并使用自适应惯性权重调节函数优化第一次位置更新过程,以及使用拉普拉斯分布函数和经验交换策略优化第二次位置更新过程,找到最优路径规划方案,并将最优路径规划方案发送至整车智能控制模块;
所述整车智能控制模块按照最优路径规划方案进行整车自动驾驶智能控制。
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。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (7)
1.一种基于车联网大数据的整车智能控制方法,其特征在于:该方法包括以下步骤:
步骤S1:数据采集,采集多传感器实时数据并上传到车联网平台;
步骤S2:数据处理,用均值替换法替换缺失值,通过KNN重新定义局部密度,识别并删除异常值,并基于EKF进行数据融合,得到整车状态和环境信息;
步骤S3:计算目标函数,基于整车状态和环境信息计算目标函数;
步骤S4:路径规划,采用改进后的混沌变量优化位置初始化过程,并使用自适应惯性权重调节函数、拉普拉斯分布函数和经验交换策略进行位置更新优化,找到最优路径规划方案;
步骤S5:整车智能控制,按照最优路径规划方案进行整车自动驾驶智能控制;
在步骤S4中,所述路径规划具体包括以下步骤:
步骤S41:个体构建,每个个体表示一个路径规划方案,所用公式如下:
X=[xc,yc],∀c∈{2,3,…,(M-1)},X∈R2×(M-2);
Dv=2×(M-2);
式中,X是个体,(xc,yc)是个体项目,c是个体项目的索引,Dv是个体的总维度;
步骤S42:参数初始化,预先设定个体数量Np、混沌变量控制参数β、混沌变量初始条件h0、交换学习因子η、最大迭代次数T、评估阈值ψ、个体位置的上边界Xmax和个体位置的下边界Xmin;
步骤S43:个体位置初始化,基于混沌变量初始条件生成Np个混沌变量,对每个混沌变量随机生成一个[0,1]之间的随机数λ,改进混沌变量,基于改进后的混沌变量初始化个体位置,所用公式如下:
hn+1=β×hn×(1-hn),n=0,1,…,(Np-1);
;
;
式中,h是原始混沌变量,n是混沌变量的索引,是改进后的混沌变量,rand(0,1)是生成一个[0,1]之间的随机数,/>是个体的初始化位置,a是个体维度的索引,z是个体的索引;
步骤S44:计算适应度值和全局最优位置,基于目标函数,计算每个个体的适应度值,将所有个体的适应度值按从小到大的顺序进行排列,选择最小适应度值作为最优适应度值,最优适应度值对应的个体作为最优个体,最优个体的位置作为全局最优位置Xbest;
步骤S45:计算平均值,所用公式如下:
;
式中,Et,a是第t次迭代所有个体在第a个维度上的平均位置,X(t,z,a)是第t次迭代第z个个体在第a个维度上的位置,t是迭代次数的索引;
步骤S46:计算差异值,所用公式如下:
γ=round(1+rand(0,1));
;
式中,γ是最优因子,Ft,a是第t次迭代在第a个维度上全局最优位置与平均位置之间的差异值,round()是四舍五入函数;
步骤S47:第一次位置更新,基于自适应惯性权重调节函数进行第一次位置更新,所用公式如下:
;
;
;
;
式中,g(t)是第t次迭代中个体适应度值降低率,nreduce(t)是第t次迭代中个体适应度值降低个数,μ(t)是自适应惯性权重调节函数,是第一次位置更新后的第z个个体在第a个维度上的中间位置,X1t+1,z,a是第一次位置更新后的第z个个体在第a个维度上的最终位置X1best;
步骤S48:第二次位置更新,基于拉普拉斯分布函数和经验交换策略进行第二次位置更新,所用公式如下:
;
;
式中,Laplace()是拉普拉斯分布函数,ε是位置参数,s是刻度参数,X2t+1,U,a是第二次位置更新后的第U个个体在第a个维度上的位置,U和V是任意两个不相同的个体;
步骤S49:更新全局最优位置,采用步骤S44相同的方法计算个体的适应度值,更新最优适应度值、最优个体和全局最优位置;
步骤S410:确定最优路径规划方案,当最优适应度值低于评估阈值ψ,则将当前全局最优位置作为最优路径规划方案,并将最优路径规划方案发送至整车的自动驾驶控制器;否则,若达到最大迭代次数T,则转至步骤S43;否则转至步骤S45。
2.根据权利要求1所述的一种基于车联网大数据的整车智能控制方法,其特征在于:在步骤S2中,所述数据处理具体包括以下步骤:
步骤S21:数据预处理,使用均值替换法替换分析数据集中的缺失值;
步骤S22:计算欧几里得距离,所用公式如下:
;
式中,wef是数据e和数据f之间的欧几里得距离,(xe,ye)和(xf,yf)分别是数据e和数据f的坐标,e和f是分析数据集中的数据索引;
步骤S23:计算局部密度,所用公式如下:
;
式中,ρe是数据e的局部密度,knn()是数据的k个最近邻值的集合,(xe,ye)和(xf,yf)分别是数据e和数据f的坐标,是数据e和其k个最近邻值之间的欧几里得距离之和即数据e的超越度,/>是数据e的k个最近邻值的超越度之和;
步骤S24:计算相对距离,所用公式如下:
;
式中,ξe是数据e和数据f之间的相对距离,×是乘法运算符;
步骤S25:计算局部密度的阈值,预先设定局部密度经验参数rρ,所用公式如下:
;
式中,ρq是局部密度的阈值,Ndata是分析数据集中的数据数量;
步骤S26:计算相对距离的阈值,预先设定相对距离经验参数rξ,所用公式如下:
;
式中,ξq是相对距离的阈值;
步骤S27:删除异常值,将ρe<ρq和ξe>ξq的数据识别为异常值并从分析数据集中将其删除;
步骤S28:数据融合,基于EKF将删除异常值后的分析数据集中的数据进行融合,得到更准确的整车状态和环境信息。
3.根据权利要求1所述的一种基于车联网大数据的整车智能控制方法,其特征在于:在步骤S3中,所述计算目标函数具体包括以下步骤:
步骤S31:路径初始化,将需要规划的路径分为M-1条线段,P1(x1,y1)和PM(xM,yM)分别作为已知的起始点和目标点,P2,…,PM-1是路径规划中整车的M-2个坐标点,所用公式如下:
u=[xi,yi],∀i∈{2,3,…,(M-1)},u∈R2×(M-2);
式中,u是路径规划中整车坐标点(xi,yi)的集合,i是整车坐标点的索引;
步骤S32:计算路径长度最小化的目标函数,所用公式如下:
;
式中,J1(u)是使路径长度最小化的目标函数;
步骤S33:计算路径平滑度最大的目标函数,所用公式如下:
;
;
式中,J2(u)是使路径平滑度最大的目标函数,θ是整车转弯角度,atan()四象限反正切函数;
步骤S34:计算整车与障碍物之间的距离,所用公式如下:
;
式中,dj是整车与第j个障碍物之间的距离,Nobs是检测到的障碍物的数量,j是障碍物的索引,是障碍物的坐标点,obsj是第j个障碍物的重心;
步骤S35:计算最小安全距离,预先设定确保整车避免碰撞的临界值即加权因子ζ,且0.5<ζ<1,所用公式如下:
;
式中,是整车与第j个障碍物之间的最小安全距离,/>是第j个障碍物所处圆的最小半径,/>是整车车辆宽度;
步骤S36:计算惩罚项,所用公式如下:
;
式中,是惩罚项;
步骤S37:计算路径规划算法的目标函数,预先设定J1(u)的加权因子ω1、J2(u)的加权因子ω2和惩罚系数σ,所用公式如下:
;
式中,J(u)是路径规划算法的目标函数。
4.根据权利要求1所述的一种基于车联网大数据的整车智能控制方法,其特征在于:在步骤S1中,所述数据采集是基于整车上安装的激光雷达、惯性测量单元和车轮里程计采集多传感器实时数据形成分析数据集,将分析数据集上传到车联网平台并进行存储。
5.根据权利要求1所述的一种基于车联网大数据的整车智能控制方法,其特征在于:在步骤S5中,所述整车智能控制是自动驾驶控制器按照车联网平台发送的最优路径规划方案进行整车自动驾驶智能控制。
6.一种基于车联网大数据的整车智能控制系统,用于实现如权利要求1-5中任一项所述的一种基于车联网大数据的整车智能控制方法,其特征在于:包括数据采集模块、数据处理模块、计算目标函数模块、路径规划模块和整车智能控制模块。
7.根据权利要求6所述的一种基于车联网大数据的整车智能控制系统,其特征在于:所述数据采集模块基于整车上安装的激光雷达、惯性测量单元和车轮里程计采集多传感器实时数据形成分析数据集,将分析数据集上传到车联网平台并进行存储,并将分析数据集发送到数据处理模块;
所述数据处理模块用均值替换法替换缺失值,通过KNN重新定义局部密度,识别并删除异常值,并基于EKF进行数据融合,得到整车状态和环境信息,并将整车状态和环境信息发送至计算目标函数模块;
所述计算目标函数模块基于整车状态和环境信息计算目标函数,并将目标函数发送至路径规划模块;
所述路径规划模块采用改进后的混沌变量优化位置初始化过程,并使用自适应惯性权重调节函数优化第一次位置更新过程,以及使用拉普拉斯分布函数和经验交换策略优化第二次位置更新过程,找到最优路径规划方案,并将最优路径规划方案发送至整车智能控制模块;
所述整车智能控制模块按照最优路径规划方案进行整车自动驾驶智能控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311397591.6A CN117130263B (zh) | 2023-10-26 | 2023-10-26 | 一种基于车联网大数据的整车智能控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311397591.6A CN117130263B (zh) | 2023-10-26 | 2023-10-26 | 一种基于车联网大数据的整车智能控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117130263A CN117130263A (zh) | 2023-11-28 |
CN117130263B true CN117130263B (zh) | 2024-01-16 |
Family
ID=88851142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311397591.6A Active CN117130263B (zh) | 2023-10-26 | 2023-10-26 | 一种基于车联网大数据的整车智能控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117130263B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109269502A (zh) * | 2018-09-19 | 2019-01-25 | 沈阳航空航天大学 | 一种基于多策略改进粒子群算法的无人机三维航路规划方法 |
CN109308803A (zh) * | 2018-07-31 | 2019-02-05 | 北京航空航天大学 | 基于随机波动模型的路径行程时间可靠性分析 |
CN111724599A (zh) * | 2020-06-30 | 2020-09-29 | 暨南大学 | 安全驾驶行为评价数据的获取方法、装置、设备和介质 |
CN112070179A (zh) * | 2020-09-22 | 2020-12-11 | 中国人民解放军国防科技大学 | 一种基于密度峰值的自适应时空轨迹聚类方法 |
CN113495564A (zh) * | 2021-07-30 | 2021-10-12 | 中国人民解放军陆军装甲兵学院 | 一种基于进化型果蝇算法的地面无人平台路径规划方法 |
CN115129064A (zh) * | 2022-07-26 | 2022-09-30 | 南京信息工程大学 | 基于改进萤火虫算法与动态窗口法融合的路径规划方法 |
CN116187161A (zh) * | 2022-12-16 | 2023-05-30 | 江苏大学 | 一种智能网联环境下混合动力客车智能能量管理方法及系统 |
CN116678394A (zh) * | 2023-05-10 | 2023-09-01 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 基于多传感器信息融合实时动态智能路径规划方法及系统 |
CN116679719A (zh) * | 2023-06-30 | 2023-09-01 | 福州大学 | 基于动态窗口法与近端策略的无人车自适应路径规划方法 |
CN116700329A (zh) * | 2023-05-29 | 2023-09-05 | 电子科技大学 | 一种基于改进萤火虫算法的无人机航迹规划方法 |
CN116907509A (zh) * | 2023-07-18 | 2023-10-20 | 中山大学 | 基于图像匹配的auv水下辅助导航方法、系统、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100622B (zh) * | 2021-12-29 | 2023-09-22 | 中国矿业大学 | 深部受限空间无人运输设备可行驶域检测和自主避障方法 |
-
2023
- 2023-10-26 CN CN202311397591.6A patent/CN117130263B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109308803A (zh) * | 2018-07-31 | 2019-02-05 | 北京航空航天大学 | 基于随机波动模型的路径行程时间可靠性分析 |
CN109269502A (zh) * | 2018-09-19 | 2019-01-25 | 沈阳航空航天大学 | 一种基于多策略改进粒子群算法的无人机三维航路规划方法 |
CN111724599A (zh) * | 2020-06-30 | 2020-09-29 | 暨南大学 | 安全驾驶行为评价数据的获取方法、装置、设备和介质 |
CN112070179A (zh) * | 2020-09-22 | 2020-12-11 | 中国人民解放军国防科技大学 | 一种基于密度峰值的自适应时空轨迹聚类方法 |
CN113495564A (zh) * | 2021-07-30 | 2021-10-12 | 中国人民解放军陆军装甲兵学院 | 一种基于进化型果蝇算法的地面无人平台路径规划方法 |
CN115129064A (zh) * | 2022-07-26 | 2022-09-30 | 南京信息工程大学 | 基于改进萤火虫算法与动态窗口法融合的路径规划方法 |
CN116187161A (zh) * | 2022-12-16 | 2023-05-30 | 江苏大学 | 一种智能网联环境下混合动力客车智能能量管理方法及系统 |
CN116678394A (zh) * | 2023-05-10 | 2023-09-01 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 基于多传感器信息融合实时动态智能路径规划方法及系统 |
CN116700329A (zh) * | 2023-05-29 | 2023-09-05 | 电子科技大学 | 一种基于改进萤火虫算法的无人机航迹规划方法 |
CN116679719A (zh) * | 2023-06-30 | 2023-09-01 | 福州大学 | 基于动态窗口法与近端策略的无人车自适应路径规划方法 |
CN116907509A (zh) * | 2023-07-18 | 2023-10-20 | 中山大学 | 基于图像匹配的auv水下辅助导航方法、系统、设备及介质 |
Non-Patent Citations (3)
Title |
---|
AUV Path Planning Based on Improved Genetic Algorithm;Wei Tao 等;2020 5th International Conference on Automation, Control and Robotics Engineering (CACRE);全文 * |
基于改进SVM的无人驾驶行为决策算法;王欣;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(第1期);C035-448 * |
混合网络数据库最优访问路径自适应检测方法;陶伟;宁夏师范学院学报;第44卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117130263A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947119B (zh) | 一种基于多传感器融合的移动机器人自主跟随方法 | |
CN110610271B (zh) | 一种基于长短记忆网络的多重车辆轨迹预测方法 | |
CN112835333B (zh) | 一种基于深度强化学习多agv避障与路径规划方法及系统 | |
CN109947136B (zh) | 一种面向无人机群体快速目标搜索的协同主动感知方法 | |
CN113485380A (zh) | 一种基于强化学习的agv路径规划方法及系统 | |
CN109489667A (zh) | 一种基于权值矩阵的改进蚁群路径规划方法 | |
CN112235808B (zh) | 一种多智能体分布式协同动态覆盖方法及系统 | |
CN109523011B (zh) | 一种面向多无人机协同探测的多传感器自适应管理方法 | |
CN113985879B (zh) | 基于历史数据动态优化的智能移动巡检方法 | |
CN110806585B (zh) | 一种基于树干聚类跟踪的机器人定位方法及系统 | |
CN112415997B (zh) | 一种用于多机器人协作的路径规划方法及系统 | |
US11960291B2 (en) | Computer-implemented method and device for controlling a mobile robot based on semantic environment maps | |
CN110850880A (zh) | 一种基于视觉传感的自动驾驶系统及方法 | |
CN114167898A (zh) | 一种无人机收集数据的全局路径规划方法及系统 | |
CN109657928A (zh) | 一种车载传感器系统的闭环协同调度框架及调度方法 | |
CN110992424B (zh) | 基于双目视觉的定位方法和系统 | |
CN117130263B (zh) | 一种基于车联网大数据的整车智能控制方法及系统 | |
CN110825112A (zh) | 基于多无人机的油田动态侵入目标追踪系统与方法 | |
CN114115248A (zh) | 一种仓储环境下多机器人协同运输方法及系统 | |
CN117075640B (zh) | 基于物联网的人工智能设备无人化运行监管系统及方法 | |
CN110864670B (zh) | 目标障碍物位置的获取方法和系统 | |
CN110779526B (zh) | 一种路径规划方法、装置及存储介质 | |
CN116817957A (zh) | 基于机器视觉的无人车行驶路径规划方法及系统 | |
CN116795108A (zh) | 基于多源感知信号的智能无人车配送方法 | |
CN115373383A (zh) | 一种垃圾回收无人艇的自主避障方法、装置及相关设备 |
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 |