CN117549891A - 一种矿区无人驾驶车辆预测碰撞的方法及系统 - Google Patents
一种矿区无人驾驶车辆预测碰撞的方法及系统 Download PDFInfo
- Publication number
- CN117549891A CN117549891A CN202410041270.0A CN202410041270A CN117549891A CN 117549891 A CN117549891 A CN 117549891A CN 202410041270 A CN202410041270 A CN 202410041270A CN 117549891 A CN117549891 A CN 117549891A
- Authority
- CN
- China
- Prior art keywords
- mine car
- road
- target
- running
- shortest path
- 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
- 238000000034 method Methods 0.000 title claims abstract description 114
- 238000005065 mining Methods 0.000 title claims abstract description 53
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 2
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- 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)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及无人矿车控制系统领域,提出了一种矿区无人驾驶车辆预测碰撞的方法及系统,包括:采集矿区的路线图,得到矿区的路网图结构;得到每辆矿车的行驶树结构;根据行驶树结构获取每辆矿车的最短路径;获取每条道路的重复率;将重复率最大的道路作为第一目标道路,将最短路径中包含第一目标道路的矿车记为第一目标矿车;根据第一目标道路及第一目标矿车的行驶树结构,获取第一目标矿车在第一目标道路的可替代因子、第一目标道路的若干种调整方法及每种调整方法的替换因子;得到每辆矿车的最佳路径;根据每辆矿车的最短路径及最佳路径获取碰撞评价。本发明旨在解决矿区中矿车相同时段行驶在相同道路上会发生碰撞的问题。
Description
技术领域
本发明涉及无人矿车控制系统领域,具体涉及一种矿区无人驾驶车辆预测碰撞的方法及系统。
背景技术
矿区中矿车行驶路径四通八达,道路众多同时路口众多,而每辆无人驾驶矿车均具有相应的出发点与终到点,因而每辆矿车均有多条行驶路径;然而不同矿车的运行时间固定,而在多条行驶路径中进行最佳路径规划时,不同矿车驶过同一道路的时间段会存在交集,进而产生潜在的碰撞风险,导致不同矿车运行过程中会发生碰撞事故;因此需要在最短路径的基础上,通过分析各条道路对应矿车驶过的时间段,对不同矿车的行驶路径进行调整,进而在矿区中无人驾驶矿车路径规划过程中,实现对碰撞的预测及规避。
发明内容
本发明提供一种矿区无人驾驶车辆预测碰撞的方法及系统,以解决现有的矿区中矿车相同时段行驶在相同道路上会发生碰撞的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种矿区无人驾驶车辆预测碰撞的方法,该方法包括以下步骤:
采集矿区的路线图,得到矿区的路网图结构;所述路线图包括若干路口及若干道路;
获取每辆矿车的出发点与终到点,得到每辆矿车的若干行驶路径,结合路网图结构得到每辆矿车的行驶树结构;根据行驶树结构获取每辆矿车的最短路径;结合矿车在最短路径上行驶的时间,得到每条道路的若干时段序列;根据时段序列获取每条道路的重复率;
将重复率最大的道路作为第一目标道路,将最短路径中包含第一目标道路的矿车记为第一目标矿车;根据第一目标道路及第一目标矿车的行驶树结构,获取第一目标矿车在第一目标道路的可替代因子、第一目标道路的若干种调整方法及每种调整方法的替换因子;
根据调整方法的替换因子,对所有矿车的最短路径进行多次调整,得到每辆矿车的最佳路径;根据每辆矿车的最短路径及最佳路径获取碰撞评价。
进一步的,所述得到每条道路的若干时段序列,包括的具体方法为:
对于任意一辆矿车,该辆矿车在出发点与终到点之间通过最短路径来回行驶,每次出发时间固定,每次行驶过程均对应一段行驶时间,根据每次的行驶时间以及最短路径上每条边对应道路的边值,得到该辆矿车在最短路径的每条边对应道路上行驶的若干时段,将每个时段记为一个时段序列,对该辆矿车的最短路径上每条道路,分别得到了若干时段序列;
对每辆矿车获取最短路径,根据每辆矿车每次行驶过程对应的行驶时间,获取每辆矿车在其最短路径上每条道路的若干时段序列,每条道路均对应若干时段序列。
进一步的,所述根据时段序列获取每条道路的重复率,包括的具体方法为:
对于任意一条道路,该条道路对应若干时段序列,将每个时段序列转换为一个时段集合;对该条道路的任意两个时段集合获取交并比,将所有交并比的和值作为该条道路的重复率。
进一步的,所述第一目标矿车在第一目标道路的可替代因子、第一目标道路的若干种调整方法及每种调整方法的替换因子,具体的获取方法为:
对于任意一辆第一目标矿车,获取该第一目标矿车的行驶树结构中第一目标道路对应的边的父节点下,除第一目标道路对应的边的子节点之外其他子节点的数量,作为该第一目标矿车的行驶树结构中第一目标道路对应的边的可替代因子;
若得到的可替代因子中最小值为0,将可替代因子为0的若干第一目标矿车的行驶树结构中第一目标道路对应的边直接作为对应第一目标矿车的替换边,并对可替代因子中次小值对应的第一目标矿车进行调整,将该第一目标矿车的可替代因子对应的若干其他子节点,与第一目标道路在该第一目标矿车的行驶树结构中对应父节点之间的若干边,记为该第一目标矿车的可替代边,将所有可替代边对应的道路中重复率最小的可替代边,作为该第一目标矿车的替换边;若重复率最小的可替代边不止一条,将每条重复率最小的可替代边作为替换边,并分别作为一种调整方法;若次小值对应的第一目标矿车不止一辆,对每辆矿车分别获取替换边;若得到的可替代因子中最小值不为0,对可替代因子中最小值对应的第一目标矿车调整获取替换边;
按照可替代因子从小到大的顺序,逐个对第一目标矿车的行驶树结构中第一目标道路对应的边进行调整,存在多个替换边的情况下,分别作为一种调整方法,得到第一目标道路的若干种调整方法;
根据不同调整方法下的替换边,以及每辆第一目标矿车的行驶树结构最短路径,获取第一目标道路的每种调整方法的替换因子。
进一步的,所述第一目标道路的每种调整方法的替换因子,具体的获取方法为:
对于任意一辆第一目标矿车的行驶树结构,获取该行驶树结构中同一父节点下子节点数量的最大值,记为,对该行驶树结构中同一父节点下每个子节点对应的边按照/>进制从左到右进行编码,编码均从0开始;
对该第一目标矿车在经过替换边的情况下,重新通过Dijkstra算法获取最短路径,记为该第一目标矿车在第一目标道路下的最短路径;
对于原最短路径,从根节点开始到对应的叶节点逐条边遍历,将编码从后向前排列,得到原最短路径对应的路径编码,获取调整后的最短路径对应的路径编码,获取两个路径编码转换十进制后数值之间的差值绝对值,记为该第一目标矿车在第一目标道路下的替换代价;
对于该行驶树结构中第一目标道路对应的边,获取该边父节点在第一目标道路对应的端点,获取第一目标道路在该端点的切线,以及替换边对应道路在该端点的切线,将两个切线之间的夹角与180°的比值,作为该第一目标矿车在第一目标道路下的替换转折性;
对于第一目标道路的任意一种调整方法,该种调整方法下每辆第一目标矿车都具有对应的替换代价与替换转折性,获取每辆第一目标矿车的替换代价与替换转折性的乘积,将所有第一目标矿车的乘积的和值,作为该种调整方法的替换因子。
进一步的,所述得到每辆矿车的最佳路径,包括的具体方法为:
将替换因子最小的调整方法作为第一目标道路的最优调整方法,将每辆第一目标矿车在最优调整方法的替换边,作为第一目标道路下的最优替换边,通过调整后的最短路径对原最短路径进行更新;
对各条道路按照重复率从大到小的顺序,获取第二目标道路及若干第二目标矿车,并继续进行最短路径的更新,以此类推,直到对重复率不为0的所有道路完成调整,将每辆矿车经过多次更新后的最短路径,记为每辆矿车的最佳路径。
进一步的,所述根据每辆矿车的最短路径及最佳路径获取碰撞评价,包括的具体方法为:
根据矿车的最佳路径,重新对每条道路计算重复率,记为调整重复率,获取每条道路的重复率减去调整重复率得到的差值,将所有道路的差值的均值,作为碰撞评价。
进一步的,所述结合路网图结构得到每辆矿车的行驶树结构;根据行驶树结构获取每辆矿车的最短路径,包括的具体方法为:
对于任意一辆矿车,将该辆矿车的出发点对应的节点作为根节点,根据该辆矿车的多条行驶路径构建树结构,每条行驶路径的叶节点均为终到点对应的节点,得到的树结构记为该辆矿车的行驶树结构,行驶树结构上每条边的边值为路网图结构中对应道路的边值;
通过Dijkstra算法对该辆矿车的行驶树结构获取最短路径,记为该辆矿车的最短路径。
进一步的,所述得到矿区的路网图结构,包括的具体方法为:
将各个路口作为节点,路口之间的道路作为边,各条道路的长度作为边值,构建无向图结构,记为矿区的路网图结构。
第二方面,本发明另一个实施例提供了一种矿区无人驾驶车辆预测碰撞的系统,该系统包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明的有益效果是:本发明通过对矿区的路线图构建路网图结构,并根据不同矿车的行驶构建行驶树结构,结合矿车的行驶时间,对矿区不同道路获取重复率,并基于重复率及行驶树结构进行道路的调整,最终得到每辆矿车的最佳路径,使得最佳路径相较于原有的最短路径,能够尽可能地避免同一时段不同矿车行驶在相同道路上,从而降低碰撞发生的可能性;其中重复率获取能够反映同一时段不同矿车驶过相同道路的可能性,进而根据这种可能性从大到小逐个道路进行调整,基于矿车在路网图结构中的最短路径,同时考虑路径改变带来的路程延长以及转向角的问题,从而保证矿车最终的最佳路径不会过多改变最短路径的同时,保证矿车的稳定行驶,进而有效降低矿区中矿车之间的碰撞发生。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种矿区无人驾驶车辆预测碰撞的方法流程示意图;
图2为矿车路网图结构及每辆矿车的行驶树结构转换示意图;
图3为矿车A的行驶树结构示意图;
图4为矿车B的行驶树结构示意图;
图5为矿车A的行驶树结构编码示意图。
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。
请参阅图1,其示出了本发明一个实施例所提供的一种矿区无人驾驶车辆预测碰撞的方法流程图,该方法包括以下步骤:
步骤S001、采集矿区的路线图,得到矿区的路网图结构。
本实施例的目的是对矿区无人驾驶车辆进行路权分配,即路径规划,因此首先需要获取矿区内的所有道路,同时道路之间通过路口进行分段,即路口之间的道路作为一条道路,根据得到的道路及路口来构建路网图结构。
具体的,获取矿区的路线图,其中路线图为二维平面图,则记录路线图中每个路口的坐标信息,路口包括各条道路的交叉点及端点,即根据二维平面图构建二维坐标系得到的坐标信息;同时对于任意一条道路,将该条道路靠近路线图中左上方的路口作为该条道路的起始点,在该条道路上每间隔1米(道路长度上的1米)获取一个采样点,记录采样点的坐标信息,则对该条道路获取若干采样点的信息,需要说明的是,若该条道路获取若干采样点后,最后一个采样点与该条道路另一个路口即终止点的道路长度不足1米,则不再获取采样点;则得到路线图中若干路口的坐标信息,以及每条道路上若干采样点的位置信息;将各个路口作为节点,路口之间的道路作为边,各条道路的长度作为边值,构建无向图结构,记为矿区的路网图结构。
至此,采集到了矿区的路线图及其中若干路口的坐标信息,以及每条道路上若干采样点的位置信息,并以此构建得到路网图结构。
步骤S002、获取每辆矿车的出发点与终到点,得到每辆矿车的若干行驶路径,结合路网图结构得到每辆矿车的行驶树结构;根据行驶树结构获取每辆矿车的最短路径;结合矿车在最短路径上行驶的时间,得到每条道路的若干时段序列;根据时段序列获取每条道路的重复率。
需要说明的是,矿车在矿区中运行时,出发点与终到点以及行驶时间,即行驶的时间段均是固定的,而基于路网图结构及矿车的出发点与终到点,对每辆矿车构建行驶路径的树结构,通过行驶树结构首先对各矿车获取最短路径,即行驶路程最短的一条路径;而后再结合矿车的行驶时间,通过匀速行驶确定矿车在最短路径上每条道路所对应的时间段,并根据每条道路对应不同矿车的时间段,通过时间段之间的交集,量化得到每条道路的重复率,用以反映道路在一个固定时段存在多辆矿车驶过的情况,为后续矿车调整得到最佳路径提供基础。
具体的,对于矿区中的若干辆矿车,每辆矿车均对应固定的出发点与终到点,即对应的路口,则对于任意一辆矿车,根据路网图结构中该辆矿车的出发点与终到点对应的节点,得到该辆矿车的若干条路径,将每条路径记为该辆矿车的一条行驶路径,得到该辆矿车的若干条行驶路径。
进一步的,将该辆矿车的出发点对应的节点作为根节点,根据该辆矿车的多条行驶路径构建树结构,每条行驶路径的叶节点均为终到点对应的节点,得到的树结构记为该辆矿车的行驶树结构,行驶树结构上每条边的边值即为路网图结构中对应道路的边值;请参阅图2,其中左侧为路网图结构的示意图,右侧为出发点为a,终到点为e的矿车的行驶树结构;按照上述方法获取每辆矿车的行驶树结构。
进一步的,对于任意一辆矿车的行驶树结构,行驶树结构中边值已知,且根节点即为出发点,叶节点即为终到点,则通过Dijkstra算法对该辆矿车的行驶树结构获取最短路径,记为该辆矿车的最短路径;该辆矿车在出发点与终到点之间通过最短路径来回行驶,本实施例默认矿车在最短路径上匀速行驶,每次出发时间固定,则每次行驶过程均对应一段行驶时间,则根据每次的行驶时间以及最短路径上每条边对应道路的边值,即道路长度,得到该辆矿车在最短路径的每条边对应道路上行驶的若干时段,将每个时段记为一个时段序列,其中时间的单位精确到秒,则对该辆矿车的最短路径上每条道路,分别得到了若干时段序列;按照上述方法对每辆矿车获取最短路径,并根据每辆矿车每次行驶过程对应的行驶时间,获取每辆矿车在其最短路径上每条道路的若干时段序列,则每条道路均对应若干时段序列。
进一步的,对于任意一条道路,该条道路对应若干时段序列,将每个时段序列转换为一个时段集合,即去除其中的顺序关系,仅将每个元素作为集合中的元素,每个元素即为一秒的时间;对该条道路的任意两个时段集合获取交并比,将所有交并比的和值作为该条道路的重复率;需要说明的是,若该条道路对应的时段序列的数量为0或1,则该条道路的重复率为0;则通过道路对应的若干时段序列转换成集合后,之间的交集与并集来进行重复率的量化,则对应的时段序列数量越多,出现交集的可能性越大,进而交并比越大,交并比和值越大,重复率越大,表明该条道路上存在多次相同矿车在相同时段驶入的情况,需要根据该种情况进行后续矿车行驶路径的调整。
至此,对每辆矿车得到行驶树结构及最短路径,并结合行驶时间得到每条道路的若干时段序列,进而获取用于后续行驶路径调整的每条道路的重复率。
步骤S003、将重复率最大的道路作为第一目标道路,将最短路径中包含第一目标道路的矿车记为第一目标矿车;根据第一目标道路及第一目标矿车的行驶树结构,获取第一目标矿车在第一目标道路的可替代因子、第一目标道路的若干种调整方法及每种调整方法的替换因子。
需要说明的是,道路的重复率可以表征道路上存在多辆矿车在同一时段同时驶入的情况,则该种情况下发生碰撞的可能性较大,需要根据重复率的大小逐个道路进行调整,而调整过程中,则需要在一条道路对应的多个时段序列对应的多辆矿车下,对每辆矿车的行驶树结构中对应的边进行可替代因子的量化,即可选的能够替换的其他道路的数量,并通过可替代因子来反映调整代价,进而通过可替代因子对该条道路上不同车辆逐个调整,从而得到不同行驶树结构中每条边的若干调整方法,并对每种调整方法进行替换因子量化,为后续最终的调整提供基础。
具体的,将所有道路中重复率最大的道路,作为第一目标道路;将最短路径中包含第一目标道路的若干矿车,记为若干第一目标矿车;对于任意一辆第一目标矿车,获取该第一目标矿车的行驶树结构中第一目标道路对应的边的父节点下,除第一目标道路对应的边的子节点之外其他子节点的数量,作为该第一目标矿车的行驶树结构中第一目标道路对应的边的可替代因子;请参阅图3及图4,例如第一目标道路为be的情况下,矿车A对应的可替代因子为1,而矿车B对应的可替代因子为0,即矿车A中b作为父节点,除了e这个子节点还有a这个子节点,而矿车B中b作为父节点,仅有e一个子节点;获取每辆第一目标矿车的行驶树结构中第一目标道路对应的边的可替代因子;可替代因子反映调整代价,可替代因子越小,能够替换的道路就越少,则调整代价越大,因此需要从可替代因子最小的第一目标矿车开始调整。
进一步的,若得到的可替代因子中最小值为0,则将可替代因子为0的若干第一目标矿车的行驶树结构中第一目标道路对应的边直接作为对应第一目标矿车的替换边,并对可替代因子中次小值对应的第一目标矿车进行调整,将该第一目标矿车的可替代因子对应的若干其他子节点,与第一目标道路在该第一目标矿车的行驶树结构中对应父节点之间的若干边,记为该第一目标矿车的可替代边,将所有可替代边对应的道路中重复率最小的可替代边,作为该第一目标矿车的替换边;若重复率最小的可替代边不止一条,则将每条重复率最小的可替代边作为替换边,并分别作为一种调整方法;若次小值对应的第一目标矿车不止一辆,则对每辆矿车分别获取替换边,替换边对应道路相同的情况下不作其他处理;若得到的可替代因子中最小值不为0,则对可替代因子中最小值对应的第一目标矿车调整获取替换边;则按照可替代因子从小到大的顺序,逐个对第一目标矿车的行驶树结构中第一目标道路对应的边进行调整,而存在多个替换边的情况下,则分别作为一种调整方法,得到第一目标道路的若干种调整方法;因此逐个第一目标矿车进行行驶路径调整后,调整方法的数量呈累积形式增加;需要说明的是,各第一目标矿车的替换边获取后,存在替换边对应道路相同的情况,该种情况不作特殊处理。
进一步的,对于任意一辆第一目标矿车的行驶树结构,获取该行驶树结构中同一父节点下子节点数量的最大值,记为,对该行驶树结构中同一父节点下每个子节点对应的边按照/>进制从左到右进行编码,编码均从0开始,如图5所示;对该第一目标矿车在经过替换边的情况下,重新获取最短路径,即替换边固定,其他边通过Dijkstra算法获取最短路径,记为该第一目标矿车在第一目标道路下的最短路径,若存在多个替换边即多种调整方法,则每种调整方法均对应一个最短路径;对于原最短路径,从根节点开始到对应的叶节点逐条边遍历,将编码从后向前排列,即根节点到对应子节点的边作为编码最后一位,叶节点对应的边作为编码第一位,得到原最短路径对应的路径编码,同理获取调整后的最短路径对应的路径编码,获取两个路径编码转换十进制后数值之间的差值绝对值,记为该第一目标矿车在第一目标道路下的替换代价,若存在多种调整方法,则每种调整方法均获取一个路径编码,并得到对应的替换代价;同时对于该行驶树结构中第一目标道路对应的边,获取该边父节点在第一目标道路对应的端点,同时替换边与该边的父节点相同,则对应的端点也相同,即同一路口;则获取第一目标道路在该端点的切线,以及替换边对应道路在该端点的切线,将两个切线之间的夹角与180°的比值,作为该第一目标矿车在第一目标道路下的替换转折性,同样不止一条替换边的时候,每种调整方法对应一个替换转折性;则对于第一目标道路的任意一种调整方法,该种调整方法下每辆第一目标矿车都具有对应的替换代价与替换转折性,获取每辆第一目标矿车的替换代价与替换转折性的乘积,将所有第一目标矿车的乘积的和值,作为该种调整方法的替换因子;按照上述方法获取第一目标道路的每种调整方法的替换因子;需要说明的是,通过路径编码得到的替换代价,替换代价越大,矿车路程差异越大,不适合作为最优调整方法,而替换转折性则反映了转向角,较大的转向角变化影响矿车的稳定行驶,同样不适合作为最优调整方法。
至此,对重复率最大的第一目标道路获取了若干调整方法,并对每种调整方法获取了替换因子,用于后续对第一目标道路完成调整,并继续对其他道路进行调整。
步骤S004、根据调整方法的替换因子,对所有矿车的最短路径进行多次调整,得到每辆矿车的最佳路径;根据每辆矿车的最短路径及最佳路径,获取碰撞评价,完成矿区无人驾驶车辆的碰撞预测。
需要说明的是,第一目标道路的若干调整方法的替换因子获取后,则需要根据替换因子选取最优的调整方法进行调整,并按照相同的方法按照重复率从大到小的顺序逐个调整,最终完成每辆矿车的最佳路径的获取;再依据最佳路径与最短路径之间的差异,量化碰撞评价,实现矿区无人驾驶车辆的碰撞预测。
具体的,将替换因子最小的调整方法作为第一目标道路的最优调整方法,将每辆第一目标矿车在最优调整方法的替换边,作为第一目标道路下的最优替换边,同时通过调整后的最短路径对原最短路径进行更新;按照上述方法对各条道路按照重复率从大到小的顺序,获取第二目标道路及若干第二目标矿车,并继续进行最短路径的更新,其中更新过程中已经调整的替换边在最短路径重新获取过程中同样固定,以此类推,直到对重复率不为0的所有道路完成调整,此时每辆矿车经过多次更新后的最短路径,记为每辆矿车的最佳路径。
进一步的,根据矿车的最佳路径,按照重复率的计算方法,重新对每条道路计算重复率,记为调整重复率,获取每条道路的重复率减去调整重复率得到的差值,将所有道路的差值的均值,作为碰撞评价;则碰撞评价越大,调整后不同矿车相同时段行驶在相同道路上的可能性越小,碰撞概率越小,从而有效通过路径规划对矿区无人驾驶车辆的碰撞进行了规避。
至此,本实施例完成。
本发明另一个实施例提供了一种矿区无人驾驶车辆预测碰撞的系统,该系统包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,执行以下操作:
采集矿区的路线图,得到矿区的路网图结构;获取每辆矿车的出发点与终到点,得到每辆矿车的若干行驶路径,结合路网图结构得到每辆矿车的行驶树结构;根据行驶树结构获取每辆矿车的最短路径;结合矿车在最短路径上行驶的时间,得到每条道路的若干时段序列;根据时段序列获取每条道路的重复率;将重复率最大的道路作为第一目标道路,将最短路径中包含第一目标道路的矿车记为第一目标矿车;根据第一目标道路及第一目标矿车的行驶树结构,获取第一目标矿车在第一目标道路的可替代因子、第一目标道路的若干种调整方法及每种调整方法的替换因子;根据调整方法的替换因子,对所有矿车的最短路径进行多次调整,得到每辆矿车的最佳路径;根据每辆矿车的最短路径及最佳路径,获取碰撞评价,完成矿区无人驾驶车辆的碰撞预测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种矿区无人驾驶车辆预测碰撞的方法,其特征在于,该方法包括以下步骤:
采集矿区的路线图,得到矿区的路网图结构;所述路线图包括若干路口及若干道路;
获取每辆矿车的出发点与终到点,得到每辆矿车的若干行驶路径,结合路网图结构得到每辆矿车的行驶树结构;根据行驶树结构获取每辆矿车的最短路径;结合矿车在最短路径上行驶的时间,得到每条道路的若干时段序列;根据时段序列获取每条道路的重复率;
将重复率最大的道路作为第一目标道路,将最短路径中包含第一目标道路的矿车记为第一目标矿车;根据第一目标道路及第一目标矿车的行驶树结构,获取第一目标矿车在第一目标道路的可替代因子、第一目标道路的若干种调整方法及每种调整方法的替换因子;
根据调整方法的替换因子,对所有矿车的最短路径进行多次调整,得到每辆矿车的最佳路径;根据每辆矿车的最短路径及最佳路径获取碰撞评价。
2.根据权利要求1所述的一种矿区无人驾驶车辆预测碰撞的方法,其特征在于,所述得到每条道路的若干时段序列,包括的具体方法为:
对于任意一辆矿车,该辆矿车在出发点与终到点之间通过最短路径来回行驶,每次出发时间固定,每次行驶过程均对应一段行驶时间,根据每次的行驶时间以及最短路径上每条边对应道路的边值,得到该辆矿车在最短路径的每条边对应道路上行驶的若干时段,将每个时段记为一个时段序列,对该辆矿车的最短路径上每条道路,分别得到了若干时段序列;
对每辆矿车获取最短路径,根据每辆矿车每次行驶过程对应的行驶时间,获取每辆矿车在其最短路径上每条道路的若干时段序列,每条道路均对应若干时段序列。
3.根据权利要求1所述的一种矿区无人驾驶车辆预测碰撞的方法,其特征在于,所述根据时段序列获取每条道路的重复率,包括的具体方法为:
对于任意一条道路,该条道路对应若干时段序列,将每个时段序列转换为一个时段集合;对该条道路的任意两个时段集合获取交并比,将所有交并比的和值作为该条道路的重复率。
4.根据权利要求1所述的一种矿区无人驾驶车辆预测碰撞的方法,其特征在于,所述第一目标矿车在第一目标道路的可替代因子、第一目标道路的若干种调整方法及每种调整方法的替换因子,具体的获取方法为:
对于任意一辆第一目标矿车,获取该第一目标矿车的行驶树结构中第一目标道路对应的边的父节点下,除第一目标道路对应的边的子节点之外其他子节点的数量,作为该第一目标矿车的行驶树结构中第一目标道路对应的边的可替代因子;
若得到的可替代因子中最小值为0,将可替代因子为0的若干第一目标矿车的行驶树结构中第一目标道路对应的边直接作为对应第一目标矿车的替换边,并对可替代因子中次小值对应的第一目标矿车进行调整,将该第一目标矿车的可替代因子对应的若干其他子节点,与第一目标道路在该第一目标矿车的行驶树结构中对应父节点之间的若干边,记为该第一目标矿车的可替代边,将所有可替代边对应的道路中重复率最小的可替代边,作为该第一目标矿车的替换边;若重复率最小的可替代边不止一条,将每条重复率最小的可替代边作为替换边,并分别作为一种调整方法;若次小值对应的第一目标矿车不止一辆,对每辆矿车分别获取替换边;若得到的可替代因子中最小值不为0,对可替代因子中最小值对应的第一目标矿车调整获取替换边;
按照可替代因子从小到大的顺序,逐个对第一目标矿车的行驶树结构中第一目标道路对应的边进行调整,存在多个替换边的情况下,分别作为一种调整方法,得到第一目标道路的若干种调整方法;
根据不同调整方法下的替换边,以及每辆第一目标矿车的行驶树结构最短路径,获取第一目标道路的每种调整方法的替换因子。
5.根据权利要求4所述的一种矿区无人驾驶车辆预测碰撞的方法,其特征在于,所述第一目标道路的每种调整方法的替换因子,具体的获取方法为:
对于任意一辆第一目标矿车的行驶树结构,获取该行驶树结构中同一父节点下子节点数量的最大值,记为,对该行驶树结构中同一父节点下每个子节点对应的边按照/>进制从左到右进行编码,编码均从0开始;
对该第一目标矿车在经过替换边的情况下,重新通过Dijkstra算法获取最短路径,记为该第一目标矿车在第一目标道路下的最短路径;
对于原最短路径,从根节点开始到对应的叶节点逐条边遍历,将编码从后向前排列,得到原最短路径对应的路径编码,获取调整后的最短路径对应的路径编码,获取两个路径编码转换十进制后数值之间的差值绝对值,记为该第一目标矿车在第一目标道路下的替换代价;
对于该行驶树结构中第一目标道路对应的边,获取该边父节点在第一目标道路对应的端点,获取第一目标道路在该端点的切线,以及替换边对应道路在该端点的切线,将两个切线之间的夹角与180°的比值,作为该第一目标矿车在第一目标道路下的替换转折性;
对于第一目标道路的任意一种调整方法,该种调整方法下每辆第一目标矿车都具有对应的替换代价与替换转折性,获取每辆第一目标矿车的替换代价与替换转折性的乘积,将所有第一目标矿车的乘积的和值,作为该种调整方法的替换因子。
6.根据权利要求5所述的一种矿区无人驾驶车辆预测碰撞的方法,其特征在于,所述得到每辆矿车的最佳路径,包括的具体方法为:
将替换因子最小的调整方法作为第一目标道路的最优调整方法,将每辆第一目标矿车在最优调整方法的替换边,作为第一目标道路下的最优替换边,通过调整后的最短路径对原最短路径进行更新;
对各条道路按照重复率从大到小的顺序,获取第二目标道路及若干第二目标矿车,并继续进行最短路径的更新,以此类推,直到对重复率不为0的所有道路完成调整,将每辆矿车经过多次更新后的最短路径,记为每辆矿车的最佳路径。
7.根据权利要求1所述的一种矿区无人驾驶车辆预测碰撞的方法,其特征在于,所述根据每辆矿车的最短路径及最佳路径获取碰撞评价,包括的具体方法为:
根据矿车的最佳路径,重新对每条道路计算重复率,记为调整重复率,获取每条道路的重复率减去调整重复率得到的差值,将所有道路的差值的均值,作为碰撞评价。
8.根据权利要求1所述的一种矿区无人驾驶车辆预测碰撞的方法,其特征在于,所述结合路网图结构得到每辆矿车的行驶树结构;根据行驶树结构获取每辆矿车的最短路径,包括的具体方法为:
对于任意一辆矿车,将该辆矿车的出发点对应的节点作为根节点,根据该辆矿车的多条行驶路径构建树结构,每条行驶路径的叶节点均为终到点对应的节点,得到的树结构记为该辆矿车的行驶树结构,行驶树结构上每条边的边值为路网图结构中对应道路的边值;
通过Dijkstra算法对该辆矿车的行驶树结构获取最短路径,记为该辆矿车的最短路径。
9.根据权利要求1所述的一种矿区无人驾驶车辆预测碰撞的方法,其特征在于,所述得到矿区的路网图结构,包括的具体方法为:
将各个路口作为节点,路口之间的道路作为边,各条道路的长度作为边值,构建无向图结构,记为矿区的路网图结构。
10.一种矿区无人驾驶车辆预测碰撞的系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述一种矿区无人驾驶车辆预测碰撞的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410041270.0A CN117549891B (zh) | 2024-01-11 | 2024-01-11 | 一种矿区无人驾驶车辆预测碰撞的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410041270.0A CN117549891B (zh) | 2024-01-11 | 2024-01-11 | 一种矿区无人驾驶车辆预测碰撞的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117549891A true CN117549891A (zh) | 2024-02-13 |
CN117549891B CN117549891B (zh) | 2024-03-29 |
Family
ID=89815176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410041270.0A Active CN117549891B (zh) | 2024-01-11 | 2024-01-11 | 一种矿区无人驾驶车辆预测碰撞的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117549891B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10185604A (ja) * | 1996-12-26 | 1998-07-14 | Mazda Motor Corp | ナビゲーション装置 |
US20060195237A1 (en) * | 2003-03-25 | 2006-08-31 | Maekelae Hannu | Arrangement in connection with unmanned mine vehicle |
US9229453B1 (en) * | 2014-08-29 | 2016-01-05 | GM Global Technology Operations LLC | Unified motion planner for autonomous driving vehicle in avoiding the moving obstacle |
CN111950930A (zh) * | 2020-08-25 | 2020-11-17 | 盟识(上海)科技有限公司 | 一种矿区自动驾驶车辆的调度方法、系统及设备 |
CN113071521A (zh) * | 2021-04-23 | 2021-07-06 | 银隆新能源股份有限公司 | 无人驾驶车辆的控制方法及控制装置、无人驾驶车辆 |
CN114111793A (zh) * | 2021-11-23 | 2022-03-01 | 上海伯镭智能科技有限公司 | 一种矿山无人机与矿车的协同作业方法及装置 |
CN114791288A (zh) * | 2022-06-27 | 2022-07-26 | 青岛慧拓智能机器有限公司 | 矿区车辆的行驶路径规划方法、装置及计算机设备 |
CN114872732A (zh) * | 2019-09-11 | 2022-08-09 | 北京百度网讯科技有限公司 | 自动驾驶车辆的驾驶决策共享方法、装置、设备和介质 |
WO2022257767A1 (zh) * | 2021-06-11 | 2022-12-15 | 华能伊敏煤电有限责任公司 | 矿区运输卡车自动控制路径的方法 |
CN115731706A (zh) * | 2022-11-14 | 2023-03-03 | 宁波长壁流体动力科技有限公司 | 一种矿车行驶道路选择方法 |
CN116300973A (zh) * | 2023-05-18 | 2023-06-23 | 上海伯镭智能科技有限公司 | 一种复杂天气下无人驾驶矿车自主避障方法 |
CN116767017A (zh) * | 2023-05-30 | 2023-09-19 | 华能伊敏煤电有限责任公司 | 一种无人驾驶矿车电池优化方法 |
-
2024
- 2024-01-11 CN CN202410041270.0A patent/CN117549891B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10185604A (ja) * | 1996-12-26 | 1998-07-14 | Mazda Motor Corp | ナビゲーション装置 |
US20060195237A1 (en) * | 2003-03-25 | 2006-08-31 | Maekelae Hannu | Arrangement in connection with unmanned mine vehicle |
US9229453B1 (en) * | 2014-08-29 | 2016-01-05 | GM Global Technology Operations LLC | Unified motion planner for autonomous driving vehicle in avoiding the moving obstacle |
CN114872732A (zh) * | 2019-09-11 | 2022-08-09 | 北京百度网讯科技有限公司 | 自动驾驶车辆的驾驶决策共享方法、装置、设备和介质 |
CN111950930A (zh) * | 2020-08-25 | 2020-11-17 | 盟识(上海)科技有限公司 | 一种矿区自动驾驶车辆的调度方法、系统及设备 |
CN113071521A (zh) * | 2021-04-23 | 2021-07-06 | 银隆新能源股份有限公司 | 无人驾驶车辆的控制方法及控制装置、无人驾驶车辆 |
WO2022257767A1 (zh) * | 2021-06-11 | 2022-12-15 | 华能伊敏煤电有限责任公司 | 矿区运输卡车自动控制路径的方法 |
CN114111793A (zh) * | 2021-11-23 | 2022-03-01 | 上海伯镭智能科技有限公司 | 一种矿山无人机与矿车的协同作业方法及装置 |
CN114791288A (zh) * | 2022-06-27 | 2022-07-26 | 青岛慧拓智能机器有限公司 | 矿区车辆的行驶路径规划方法、装置及计算机设备 |
CN115731706A (zh) * | 2022-11-14 | 2023-03-03 | 宁波长壁流体动力科技有限公司 | 一种矿车行驶道路选择方法 |
CN116300973A (zh) * | 2023-05-18 | 2023-06-23 | 上海伯镭智能科技有限公司 | 一种复杂天气下无人驾驶矿车自主避障方法 |
CN116767017A (zh) * | 2023-05-30 | 2023-09-19 | 华能伊敏煤电有限责任公司 | 一种无人驾驶矿车电池优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117549891B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
CN108519094B (zh) | 局部路径规划方法及云处理端 | |
CN107945507B (zh) | 行程时间预测方法及装置 | |
CN114005280B (zh) | 一种基于不确定性估计的车辆轨迹预测方法 | |
US8660723B2 (en) | Method for determining run-curves for vehicles in real-time subject to dynamic travel time and speed limit constraint | |
US20110161261A1 (en) | Method and system for traffic prediction based on space-time relation | |
Ardakani et al. | A decremental approach with the A∗ algorithm for speeding-up the optimization process in dynamic shortest path problems | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
Wirthmüller et al. | Predicting the time until a vehicle changes the lane using LSTM-based recurrent neural networks | |
CN108132056B (zh) | 一种通过gps推断公交路径方法 | |
CN113997954B (zh) | 一种车辆行驶意图预测方法、装置、设备及可读存储介质 | |
Gaikwad | Vehicle velocity prediction using artificial neural networks and effect of real-world signals on prediction window | |
CN113822190B (zh) | 一种厂区路网数据拟合方法、装置、电子设备和存储介质 | |
CN113335310B (zh) | 基于决策的运动规划方法、装置、电子设备及存储介质 | |
JP5378002B2 (ja) | 車両動作推定装置、車両動作推定方法および車両動作推定プログラム | |
CN114475585A (zh) | 路口自动驾驶方法、装置、电子设备及自动驾驶车辆 | |
CN114596709A (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN117549891B (zh) | 一种矿区无人驾驶车辆预测碰撞的方法及系统 | |
CN110094498B (zh) | 一种轮速比的获取方法及装置 | |
CN113753078A (zh) | 障碍物轨迹的预测方法、装置、电子设备及自动驾驶车辆 | |
CN113119999A (zh) | 自动驾驶特征的确定方法、装置、设备、介质及程序产品 | |
CN117110987A (zh) | 隧道内的定位方法、装置、车辆以及存储介质 | |
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 | |
CN115657684A (zh) | 车辆路径信息生成方法、装置、设备和计算机可读介质 | |
CN110148298B (zh) | 基于机动车电子标识数据的私家车规律出行行为发现方法 |
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 |