CN117584991A - 一种矿区无人驾驶车外人员安全保护方法及系统 - Google Patents
一种矿区无人驾驶车外人员安全保护方法及系统 Download PDFInfo
- Publication number
- CN117584991A CN117584991A CN202410065300.1A CN202410065300A CN117584991A CN 117584991 A CN117584991 A CN 117584991A CN 202410065300 A CN202410065300 A CN 202410065300A CN 117584991 A CN117584991 A CN 117584991A
- Authority
- CN
- China
- Prior art keywords
- subsystem
- subsystems
- time
- degree
- value
- 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
- 238000005065 mining Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005070 sampling Methods 0.000 claims abstract description 44
- 230000008859 change Effects 0.000 claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 9
- 241000669618 Nothes Species 0.000 description 8
- 230000004044 response Effects 0.000 description 7
- 230000001419 dependent effect Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
-
- 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
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及车辆子系统联合控制技术领域,具体涉及一种矿区无人驾驶车外人员安全保护方法及系统,包括:采集各个子系统的不同维度的传感器数据;构建每个子系统的时刻序列,并得到子系统的若干分段;获取子系统的每个分段的差异度;获取所有时刻的综合特征值向量;根据每个分段的差异度以及综合特征值向量进行聚类;获取所有子系统的每个时刻的变化度;获取所述两个子系统之间的依赖程度;获取与每个子系统具有依赖性的子系统;根据与子系统具有依赖性的其他子系统,获取所述子系统的采样频率;根据自适应采样频率后的各个子系统,获取最优化路径,实现矿区无人驾驶车外人员的安全保护。
Description
技术领域
本发明涉及车辆子系统联合控制技术领域,具体涉及一种矿区无人驾驶车外人员安全保护方法及系统。
背景技术
在矿区无人驾驶车的应用中,安全是最重要的考虑因素之一。作为一个复杂的环境,矿区可能包括多种地形、各种设备以及不同的工作条件。在这样的环境中,无人驾驶车需要能够准确地感知环境,合理地做出决策并精确地执行操作。为了实现这些目标,需要从各个子系统中收集大量数据。
在实际情况中,每个子系统根据获取的完整的情景信息共享给所有的子系统中,每个子系统都基于共享的情景信息来确定各个子系统的行动,例如导航控制系统根据环境信息和车辆动力信息来确定最佳的行驶路线,动力系统可以调整输出以匹配预期的速度和加速度等。而每个子系统对整体性能的贡献并不相同,且会随着工作条件和时间的变化而改变。如果对所有子系统都采用相同的采样频率,那么可能会造成关键信息的遗漏或者资源的浪费。同时,矿区可能有许多工作人员或其他机动车辆在场,因此无人驾驶车辆需要能够及时并准确地检测到这些潜在的障碍物,对这些传感器的采样频率进行自适应调整,以获取最优的环境感知效果,以避免发生碰撞,因此,需要进行子系统各个维度的数据之间采样频率自适应获取。
发明内容
为了解决上述问题,本发明提出一种矿区无人驾驶车外人员安全保护方法及系统。
本发明的一种矿区无人驾驶车外人员安全保护方法及系统采用如下技术方案:
本发明一个实施例提供了一种矿区无人驾驶车外人员安全保护方法,该方法包括以下步骤:
采集各个子系统的不同维度的传感器数据;
根据每个子系统的每个维度的传感器数据中的极值点对应的时刻构建每个子系统的时刻序列,根据所述时刻序列对每个子系统的所有维度数据进行分段,得到子系统的若干分段;
将任意一个子系统记为目标子系统,根据目标子系统与其他所有子系统的时刻序列,获取目标子系统的每个分段的差异度;
根据所有子系统之间的各个分段的皮尔逊相关系数值,构建所有时刻的第一特征值曲线;
根据所有子系统的时刻序列的并集,获取综合时刻序列,根据综合时段序列中的所有时刻的第一特征值曲线,获取所有时刻的综合特征值向量;
根据每个分段的差异度以及所有时刻的综合特征值向量进行聚类,得到若干聚类簇,根据聚类簇中的所有时刻的数据,获取所有子系统的每个时刻的变化度;
对于任意两个子系统,根据每个时刻的变化度,获取所述两个子系统之间的依赖程度;预设依赖程度阈值,根据依赖程度和依赖程度阈值获取与每个子系统具有依赖性的子系统;
对于任意一个子系统,根据与所述子系统具有依赖性的其他子系统,获取所述子系统的采样频率;
根据自适应采样频率后的各个子系统,获取最优化路径。
进一步的,所述将任意一个子系统记为目标子系统,根据目标子系统与其他所有子系统的时刻序列,获取目标子系统的每个分段的差异度,包括的具体步骤如下:
将目标子系统记为第个子系统,对于第个子系统和除第个子系统之外的第
个子系统,根据第个子系统和第个子系统的时刻序列,获取第个子系统和第个子系统
之间的差异度;
根据第个子系统与除第个子系统之外的其他所有子系统之间的差异度,得到
第个子系统的分段的差异度。
进一步的,所述对于第个子系统和除第个子系统之外的第个子系统,根据第
个子系统和第个子系统的时刻序列,获取第个子系统和第个子系统之间的差异度,包括
的具体步骤如下:
将第个子系统和第个子系统的时刻序列的并集,记为第一时刻序列;将第一时
刻序列中所有时刻的方差值并记为第一时刻方差;
对于第个子系统和第个子系统的时刻序列,分别计算第个子系统和第个子
系统的时刻序列中所有时刻的方差值,分别记为第个子系统的第二时刻方差和第个子系
统的第二时刻方差;
计算第个子系统的第二时刻方差和第个子系统的第二时刻方差的和,并将第一
时刻方差与所述方差的和之间作差的绝对值记为第个子系统和第个子系统的差异度。
进一步的,所述根据第个子系统与除第个子系统之外的其他所有子系统之间
的差异度,得到第个子系统的分段的差异度,包括的具体公式如下:
其中,表示第个子系统的第个分段的差异度;表示第个子系统与除第
个子系统之外的其他所有子系统中,两两子系统组合的数量;表示第个子系统的第二时
刻方差;表示第个子系统去掉第个分段的之后的第二时刻方差;表示第个子系统
组合的子系统之间的差异度;表示第个分段的权重函数,其中;表示线性归一化函数。
进一步的,所述根据所有子系统之间的各个分段的皮尔逊相关系数值,构建所有时刻的第一特征值曲线,包括的具体步骤如下:
对于任意一个子系统任意一个分段,获取所述子系统的分段内的所有维度的数据,将所述子系统中的任意一个维度记为目标维度,其他非目标维度的任意一个维度记为待计算维度,计算所述分段的目标维度与待计算维度之间的皮尔逊相关系数值;
计算每个分段的目标维度与待计算维度之间的皮尔逊相关系数值,并计算所有分段之间的皮尔逊相关系数均值,并对于每个分段,计算每个分段的目标维度与待计算维度之间的皮尔逊相关系数值与均值之间的差异,将所述分段的目标维度与所有计算维度的第一特征值的均值记为所述分段的第一特征值;
根据所有分段的第一特征值构建所述子系统的所有时刻的第一特征值曲线,其中横坐标为时刻,纵坐标为第一特征值。
进一步的,所述根据所有子系统的时刻序列的并集,获取综合时刻序列,根据综合时段序列中的所有时刻的第一特征值曲线,获取所有时刻的综合特征值向量,包括的具体步骤如下:
获取所有子系统的时刻序列,并获取所有子系统的时刻序列的并集,得到综合时刻序列;
对于任意一个时刻,在每个子系统的第一特征值曲线中获取所述时刻的第一特征值,将在所有子系统的第一特征值曲线中获取的所有第一特征值构成所述时刻的综合特征值向量。
进一步的,所述根据每个分段的差异度以及所有时刻的综合特征值向量进行聚类,得到若干聚类簇,根据聚类簇中的所有时刻的数据,获取所有子系统的每个时刻的变化度,包括的具体步骤如下:
对于第个综合分段和第个综合分段之间的距离度量的计算方法为:
其中,表示第个综合分段和第个综合分段之间的综合特征值向量的余
弦相似度;表示第个综合分段的差异度;表示第个综合分段的差异度;
根据综合分段之间的距离度量进行聚类,得到若干聚类簇;
获取属于同一个聚类簇的若干个时刻,其中对于第个聚类簇的若干个时刻,计算
所述若干个时刻中第个维度的历史数据的均值,并将所述均值记为第个聚类簇的第
个维度的基准值;其中若第个子系统的第个时刻属于第个聚类簇,则第个子系统的第个时刻的变化度的计算方法为:
其中,表示第个子系统的维度的数量;表示第个子系统的第个维度
在第个时刻的数据值;表示第个子系统的第个时刻所在聚类簇在第个维度的
基准值;表示以自然常数为底数的指数函数;表示取绝对值函数。
进一步的,所述对于任意两个子系统,根据每个时刻的变化度,获取所述两个子系统之间的依赖程度;预设依赖程度阈值,根据依赖程度和依赖程度阈值获取与每个子系统具有依赖性的子系统,包括的具体步骤如下:
对于第个子系统以及任意一个非第个子系统中的第个子系统,每个时刻的预
设时刻邻域范围为左相邻和右相邻各5个时刻,将任意一个时刻记为计算时刻,将计算时刻
的邻域范围内的任意一个时刻记为待计算时刻,将待计算时刻与待计算时刻的前一个时刻
的差值,记为待计算时刻斜率值,将若干待计算时刻的斜率值构建计算时刻的斜率值序列,
则第个子系统与第个子系统之间的依赖程度的计算方法为:
其中,表示在第个子系统的维度与第个子系统的维度之间,两两维度组合的
数量;表示时刻的数量;表示第个子系统的第个待计算时刻的变化度;表示第
个子系统的第个待计算时刻的变化度;表示第个子系统与第个子系统的两两维度组
合中同一个待计算时刻的斜率值比值,其中表示维度组合中第个子系统的待计算时刻
的斜率值序列的斜率值,表示维度组合中第个子系统的待计算时刻的斜率值序列的斜
率值;表示在第个子系统与第个子系统所有维度组合中,第个子系统与第个子
系统在第个待计算时刻的斜率比值的方差值;表示以自然常数为底数的指数函数;
获取第个子系统与除第个子系统之外的其他子系统的依赖程度,得到其他所
有子系统与子系统之间的依赖程度,对所有的依赖程度进行线性归一化处理,得到处理后
的依赖程度;
预设依赖程度阈值,若第个子系统与任意一个非第个子系统中的子系统的处
理后的依赖程度大于依赖程度阈值,则第个子系统与所述非第个子系统的子系统之间
具有依赖性。
进一步的,所述对于任意一个子系统,根据与所述子系统具有依赖性的其他子系统,获取所述子系统的采样频率,包括的具体步骤如下:
对于具有依赖性的任意两个子系统,记为第一子系统和第二子系统,对第一子系统的任意一个维度的时刻序列和第二子系统的任意一个维度的时刻序列进行dtw匹配,得到若干时刻匹配点对,将所有时刻匹配点对之间的差值的均值记为第一子系统所述维度和第二子系统所述维度的第一时刻差值;
计算第一子系统的所有维度的时刻序列和第二子系统的所有维度的第一时刻差值,将所有维度的第一时刻差值的均值作为综合时刻差值,若综合时刻差值为正值,则第二子系统依赖于第一子系统;若综合时刻差值为负值,则第一子系统依赖于第二子系统;
对于任意一个子系统,根据与所述子系统具有依赖性的其他子系统的处理后的依赖程度的均值,作为所述子系统的采样频率权重值;
根据预设的采样频率以及所述子系统的采样频率权重值,计算所述子系统的自适
应采样频率,其中第个子系统的自适应采样频率的计算方法为:
其中,表示依赖于第个子系统的处理后的依赖程度的均值;表示预设的采样
频率。
本发明还提出一种矿区无人驾驶车外人员安全保护系统,包括存储器、处理器以及存储在所述存储器中并可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任意一项所述一种矿区无人驾驶车外人员安全保护方法的步骤。
本发明的技术方案的有益效果是:本发明通过自适应才采样频率的方式采集所有子系统的多维度的数据,以获取关键的变化信息,进而确定最优路径。其中通过采集各个子系统的不同维度的传感器数据;根据子系统之间的变化时刻的差异获取所述子系统的每个分段的差异度,并结合子系统之间的变化关系获取所有时刻的综合特征值向量,进而得到各个时刻的聚类簇,根据聚类簇中的所有时刻的数据变化,获取每个时刻的变化度,进而获取两个子系统之间的依赖程度,以实现子系统的采样频率自适应,进而获取关键的变化信息确定最优路径,使得子系统能够快速响应变化,进而在矿区无人驾驶车的联合控制过程中保证准确性的同时提高效率。
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为本发明的一种矿区无人驾驶车外人员安全保护方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种矿区无人驾驶车外人员安全保护方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种矿区无人驾驶车外人员安全保护方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种矿区无人驾驶车外人员安全保护方法的步骤流程图,该方法包括以下步骤:
S001.采集矿区无人驾驶车的各个子系统的不同维度的传感器数据。
本实施例的目的是,通过矿区无人驾驶车中不同子系统实现矿区无人驾驶车的联合控制,以达到对车外人员安全保护的目的,因此需要获取矿区无人驾驶车中不同子系统的各维度的数据作为控制的条件。
具体的,本实施例通过在矿区无人驾驶车的不同子系统中安装传感器采集不同维度的传感器数据,其中矿区无人驾驶车的子系统包括环境感知系统、动力系统、导航控制系统、电池管理系统等,并且不同子系统中包含有若干维度的传感器数据,例如环境感知系统包含用于监测周围是否存在人员的激光雷达数据、矿区环境数据等,动力系统中包含有速度维度的数据、加速度维度的数据、电池状态维度数据等。其中在矿区无人驾驶车的开始行驶时进行各个子系统的不同维度的传感器数据的采集,为了保证后续的自适应调整采样频率的准确性,在各个子系统的不同维度的传感器数据的开始采集过程中设置为相同的采样频率,即设置为每3秒采集一次数据,其中当采集20分钟的各个子系统的不同维度的传感器数据后,进行自适应调整采样频率,可根据实施者具体实施情况而定。需要说明的是,本实施例中将需要调整采样频率的时刻记为当前时刻,当前时刻的之前所有时刻的数据记为历史数据。
S002.构建各个子系统的时刻序列,获取子系统的分段;根据两个子系统的时刻序列,获取子系统之间的差异度;根据子系统的分段以及子系统之间的差异度获取子系统分段的差异度;获取子系统的所有时刻的第一特征值;根据每个时刻的若干第一特征值获取分段的特征值向量;根据分段的特征值向量以及分段的差异度进行聚类,得到聚类簇。
需要说明的是,为了通过矿区无人驾驶车的各个子系统实现矿区无人驾驶车的联合控制,需要对各个子系统的不同维度的传感器数据进行分析,每个子系统根据获取的完整的情景信息共享给所有的子系统中,每个子系统都基于共享的情景信息来确定各个子系统的行动,例如导航控制系统根据环境信息和车辆动力信息来确定最佳的行驶路线,动力系统可以调整输出以匹配预期的速度和加速度等。而由于矿区无人驾驶车的计算资源较小,并且在矿区无人驾驶车的联合控制过程中,为了保证控制精度的准确性,需要对各个子系统的不同维度的传感器数据采样频率进行自适应调整,使得获取从各个子系统的不同维度的传感器数据的关键性信息,使得子系统能够快速响应变化,进而在矿区无人驾驶车的联合控制过程中保证准确性的同时提高效率。
需要进一步说明的是,在自适应调整各个子系统的不同维度的传感器数据的采样频率的过程中,由于各个子系统之间存在依赖关系,例如导航控制系统高度依赖于环境感知系统,即对应的导航控制系统需要根据环境感知系统获取的有关于环境变化的数据来对进行分析,确定最佳的行驶路线进行导航控制。在获取两个子系统之间的依赖关系时,由于矿区环境多种多样,因此在不同类型的矿区环境中子系统之间的依赖关系是不同的,因此需要根据多个子系统中历史数据的数据变化来获取不同类型的矿区环境。其中,除了子系统之间的依赖关系外,在单个子系统中的各个维度数据是存在关联的,均是对某个类型的矿区环境的一种响应,因此通过分析单子系统的各个维度数据的变化,并结合多个子系统之间的对于同一类型的矿区的环境的响应,对历史数据进行自适应聚类分析,得到矿区环境分类结果。
具体的,对于任意一个子系统的所有维度的历史数据,获取每个维度的历史数据的极大值点和极小值点,其中将所有维度的所有极大值点和所有极小值点的对应的时刻构建时刻序列,按照从小到大的顺序排列,将所述时刻序列中的相邻时刻对所述子系统的所有维度的数据进行分段处理,其中每个分段的起始时刻和终止时刻即为分段处理时的两个时刻,得到所述子系统的若干分段,分段中包含有若干时刻。
进一步的,对于第个子系统和除第个子系统之外的第个子系统,将第个子系
统和第个子系统的时刻序列的并集,记为第一时刻序列;将第一时刻序列中所有时刻的方
差值并记为第一时刻方差;对于第个子系统和第个子系统的时刻序列,分别计算两个子
系统的时刻序列中所有时刻的方差值,分别记为第二时刻方差和第三时刻方差;计算第二
时刻方差和第三时刻方差和,并将第一时刻方差与所述方差和之间作差,记为第个子系统
和第个子系统的差异度,需要说明的是,本实施例计算两个子系统的差异度采用总方差与
类内方差和类间方差之间的关系公式,其中第一时刻方差表征的为总方差,第二时刻方差
和第三时刻方差和表征的为类内方差,因此通过第一时刻方差与所述方差和之间的差值来
表示类间方差,若第一时刻方差与所述方差和之间的差值越大,则表明两个子系统的时刻
序列差异较大,即两个子系统的差异度越大;类似操作,获取第个子系统与其他非第个
子系统的所有子系统之间的差异度。
进一步的,对于第个子系统的第个分段,根据第个子系统与其他非第个子系
统的所有子系统之间的差异度,获取第个分段的差异度,其计算方法为:
其中,表示第个子系统与除第个子系统之外的其他所有子系统中,两两子系
统组合的数量,其中每个子系统组合中均包含第个子系统;
;
表示第个子系统组合的两两子系统之间的差异度;表示第个分段的权
重函数,其中;表示线性归一化函数,其中对于第个子
系统的所有分段进行归一化处理;其中通过表征第个子系统的第个分
段的权重值的基准值,若第个分段去掉前后方差变化较大,则表明该分段对第个子系统
影响较大,因此在计算分段的差异度时权重越大;通过表示调整权重,若去掉第个
分段后方差变小,则表明第个分段影响着第个系统的数据变化稳定性,因此对于第个子
系统的差异度的影响越大,则表明需要放大第个分段的权重值。
进一步的,对于任意一个分段,获取所述子系统的分段内的所有维度的历史数据,将所述子系统中的任意一个维度记为目标维度,其他非目标维度的任意一个维度记为待计算维度,计算所述分段的目标维度与待计算维度之间的皮尔逊相关系数值,计算每个分段的目标维度与待计算维度之间的皮尔逊相关系数值,并计算所有分段之间的皮尔逊相关系数均值,并对于每个分段,计算每个分段的目标维度与待计算维度之间的皮尔逊相关系数值与均值之间的差异,将所述分段的目标维度与所有计算维度的第一特征值的均值记为所述分段的第一特征值,进而构建所述子系统的所有时刻的第一特征值曲线,其中横坐标为时刻,纵坐标为第一特征值。类似操作,得到其他子系统的所有时刻的第一特征值曲线。
进一步的,获取所有子系统的时刻序列,并获取所有子系统的时刻序列的并集,得到综合时刻序列;根据综合时刻序列进行分段处理,得到综合分段,其中每个综合分段中的每个时刻中均包含有所有子系统的所有时刻的第一特征值曲线中一个第一特征值,即为每个时刻中包含有若干的第一特征值;将每个时刻的若干第一特征值构成所述时刻的综合特征值向量。需要说明的是,根据获取的综合分段中,综合分段中的每个时刻的综合特征值向量均相同。
进一步的,对所有综合分段进行K-Means聚类处理,其中K-Means聚类过程中设置
的K值为5,根据综合分段之间的距离度量作为聚类条件,进而得到若干聚类簇。其中对于第个综合分段和第个综合分段之间的距离度量的计算方法为:
其中,表示第个综合分段和第个综合分段之间的综合特征值向量的余
弦相似度;表示第个综合分段的差异度;表示第个综合分段的差异度。其中通过特征
值向量的余弦相似度以及差异度差值来对距离度量进行量化,其中特征值向量的余弦相似
度越小,且差异度差值越大,则表明两个综合分段的距离度量越大,即两个综合分段在K-
Means聚类过程中越不会聚集为一类。
S003.获取每个聚类簇的各个维度的基准值;根据每个聚类簇的各个维度的基准值获取每个时刻的变化度;获取任意两个子系统之间的依赖程度。
需要说明的是,由于子系统之间的依赖关系对应的为各个子系统的多维度的传感器数据的变化关系,需要根据各个子系统对环境状态变化时的响应,并根据子系统之间响应的相似性来量化子系统之间的依赖关系。其中由于不同矿区环境状态对应的各个子系统的所有维度的数据的基准不同,因此通过获取不同矿区环境状态的基准值,来获取每个时刻的变化情况,根据每个时刻的变化情况,来表征各子系统之间的响应,进而获取两个子系统之间的依赖性。
具体的,对于第个子系统的第个维度的历史数据,根据得到的若干聚类簇,获
取属于同一个聚类簇的若干个时刻,其中对于第个聚类簇的若干个时刻,计算所述若干个
时刻中第个维度的历史数据的均值,并将所述均值记为第个聚类簇的第个维度的基
准值;其中若第个子系统的第个时刻属于第个聚类簇,则第个子系统的第个时刻的
变化度的计算方法为:
其中,表示第个子系统的维度的数量;表示第个子系统的第个维度
在第个时刻的数据值;表示第个子系统的第个时刻所在聚类簇在第个维度的
基准值;表示以自然常数为底数的指数函数,需要说明的是,本实施例中所用的模型仅用于表示负相关关系和约束模型输出的结果处于[0,1)区间内,具体实施时
可替换成具有同样目的的其他模型,本实施例只是以模型为例进行叙述,不对做具
体限定,其中表示该模型的输入;表示取绝对值函数。其中通过计算每个时刻与同一个
聚类簇的基准值之间的差距,来表示子系统中所述时刻变化度,若所述时刻的数据值与对
应的基准值差异较大,则表明所述时刻的变化度较大。
进一步的,对于第个子系统以及任意一个非第个子系统中的第个子系统,对
每个时刻的预设时刻邻域范围为左相邻和右相邻各5个时刻,将任意一个时刻记为计算时
刻,计算时刻的邻域范围内的任意一个时刻记为待计算时刻,获取待计算时刻与待计算时
刻的前一个时刻得到待计算时刻的斜率值,将若干待计算时刻的斜率值构建计算时刻的斜
率值序列,则第个子系统与第个子系统之间的依赖程度的计算方法为:
其中,表示在第个子系统的维度与第个子系统的维度之间,两两维度组合的
数量;表示时刻的数量;表示第个子系统的第个待计算时刻的变化度;表示第
个子系统的第个待计算时刻的变化度;表示第个子系统与第个子系统的两两维度组
合中同一个待计算时刻的斜率值比值,其中表示维度组合中第个子系统的待计算时刻
的斜率值序列的斜率值,表示维度组合中第个子系统的待计算时刻的斜率值序列的斜
率值;表示在第个子系统与第个子系统所有维度组合中,第个子系统与第个子
系统在第个待计算时刻的斜率比值的方差值;表示以自然常数为底数的指数函数,
需要说明的是,本实施例中所用的模型仅用于表示负相关关系和约束模型输出的
结果处于[0,1)区间内,具体实施时可替换成具有同样目的的其他模型,本实施例只是以模型为例进行叙述,不对做具体限定,其中表示该模型的输入。其中示两个子系统的维度数据变化的稳定性,若变化稳定性越大则表明两个子系
统的不同维度响应越相似,则两个子系统的依赖程度越大;表示计算时刻的变化度
均值,该值越大,表明该计算时刻对于不同维度的响应越重要,则通过多个计算时刻获取两
个子系统的依赖关系时,对不同的计算时刻进行加权平均值得到准确的依赖程度。
获取第个子系统与除第个子系统之外的其他子系统的依赖程度,得到其他所
有子系统与子系统之间的依赖程度,对所有的依赖程度进行线性归一化处理,得到处理后
的依赖程度。预设依赖程度阈值为0.65,若第个子系统与任意一个非第个子系统中的子
系统的处理后的依赖程度大于依赖程度阈值,则第个子系统与所述非第个子系统的子
系统之间具有依赖性。
进一步的,对于具有依赖性的任意两个子系统,记为第一子系统和第二子系统。对第一子系统的任意一个维度的时刻序列和第二子系统的任意一个维度的时刻序列进行dtw匹配,得到若干时刻匹配对,计算第一子系统所述维度的匹配点对的时刻减去第二子系统所述维度的同一匹配点对的时刻的差值,类似操作,得到其他匹配点对的时刻的差值,进而得到所有匹配点对点的时刻的差值的均值记为第一子系统所述维度和第二子系统所述维度的第一时刻差值,其中dtw匹配为公知技术,在本实施例中不再赘述。同样,计算得到第一子系统的所有维度的时刻序列和第二子系统的所有维度的第一时刻差值,将所有第一时刻差值的均值作为综合时刻差值。若综合时刻差值为正值,则第二子系统依赖于第一子系统;若综合时刻差值为负值,则第一子系统依赖于第二子系统。
S004.根据获取的依赖于子系统的其他子系统的依赖程度,获取子系统的自适应采样频率,并获取最优化路径。
具体的,对于任意一个子系统,根据与所述子系统具有依赖性的其他子系统的处
理后的依赖程度的均值,作为所述子系统的采样频率权重值。根据预设的采样频率以及所
述子系统的采样频率权重值,计算所述子系统的自适应采样频率,其中第个子系统的自适
应采样频率的计算方法为:
其中,表示依赖于第个子系统的处理后的依赖程度的均值;表示预设的采样
频率,即为步骤S001预设的每3秒采集一次数据。表示对第个子系统的采样频率自
适应调整的程度,若依赖于第个子系统的处理后的依赖程度的均值的越大,则表明需要频
繁地测量并更新第个子系统的数据,以确保所述子系统以及其他依赖于所述子系统的其
他子系统进行恰当的调整。
进一步的,根据得到的自适应采样频率后的各个子系统的数据,进行所有子系统的通信和信息交换,在导航控制系统中将所有子系统采集的数据获取最优路径,其中将环境感知系统中对于人员位置等障碍物作为路径中不可途径的位置,其他位置作为可途径的位置,根据不可途径的位置和可途径的位置利用模拟退火算法获取最优路径,其中该最优路径可远离人员安全,可实现矿区无人驾驶车外人员安全保护,其中模拟退火为公知技术在本实施例中不再赘述。
本发明还提出一种矿区无人驾驶车外人员安全保护系统,包括存储器、处理器以及存储在所述存储器中并可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步骤S001~S004。
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外人员安全保护方法,其特征在于,该方法包括以下步骤:
采集各个子系统的不同维度的传感器数据;
根据每个子系统的每个维度的传感器数据中的极值点对应的时刻构建每个子系统的时刻序列,根据所述时刻序列对每个子系统的所有维度数据进行分段,得到子系统的若干分段;
将任意一个子系统记为目标子系统,根据目标子系统与其他所有子系统的时刻序列,获取目标子系统的每个分段的差异度;
根据所有子系统之间的各个分段的皮尔逊相关系数值,构建所有时刻的第一特征值曲线;
根据所有子系统的时刻序列的并集,获取综合时刻序列,根据综合时段序列中的所有时刻的第一特征值曲线,获取所有时刻的综合特征值向量;
根据每个分段的差异度以及所有时刻的综合特征值向量进行聚类,得到若干聚类簇,根据聚类簇中的所有时刻的数据,获取所有子系统的每个时刻的变化度;
对于任意两个子系统,根据每个时刻的变化度,获取所述两个子系统之间的依赖程度;预设依赖程度阈值,根据依赖程度和依赖程度阈值获取与每个子系统具有依赖性的子系统;
对于任意一个子系统,根据与所述子系统具有依赖性的其他子系统,获取所述子系统的采样频率;
根据自适应采样频率后的各个子系统,获取最优化路径。
2.根据权利要求1所述的一种矿区无人驾驶车外人员安全保护方法,其特征在于,所述将任意一个子系统记为目标子系统,根据目标子系统与其他所有子系统的时刻序列,获取目标子系统的每个分段的差异度,包括的具体步骤如下:
将目标子系统记为第个子系统,对于第/>个子系统和除第/>个子系统之外的第/>个子系统,根据第/>个子系统和第/>个子系统的时刻序列,获取第/>个子系统和第/>个子系统之间的差异度;
根据第个子系统与除第/>个子系统之外的其他所有子系统之间的差异度,得到第/>个子系统的分段的差异度。
3.根据权利要求2所述的一种矿区无人驾驶车外人员安全保护方法,其特征在于,所述对于第个子系统和除第/>个子系统之外的第/>个子系统,根据第/>个子系统和第/>个子系统的时刻序列,获取第/>个子系统和第/>个子系统之间的差异度,包括的具体步骤如下:
将第个子系统和第/>个子系统的时刻序列的并集,记为第一时刻序列;将第一时刻序列中所有时刻的方差值并记为第一时刻方差;
对于第个子系统和第/>个子系统的时刻序列,分别计算第/>个子系统和第/>个子系统的时刻序列中所有时刻的方差值,分别记为第/>个子系统的第二时刻方差和第/>个子系统的第二时刻方差;
计算第个子系统的第二时刻方差和第/>个子系统的第二时刻方差的和,并将第一时刻方差与所述方差的和之间作差的绝对值记为第/>个子系统和第/>个子系统的差异度。
4.根据权利要求3所述的一种矿区无人驾驶车外人员安全保护方法,其特征在于,所述根据第个子系统与除第/>个子系统之外的其他所有子系统之间的差异度,得到第/>个子系统的分段的差异度,包括的具体公式如下:
;
其中,表示第/>个子系统的第/>个分段的差异度;/>表示第/>个子系统与除第/>个子系统之外的其他所有子系统中,两两子系统组合的数量;/>表示第/>个子系统的第二时刻方差;/>表示第/>个子系统去掉第/>个分段的之后的第二时刻方差;/>表示第/>个子系统组合的子系统之间的差异度;/>表示第/>个分段的权重函数,其中/>;表示线性归一化函数。
5.根据权利要求1所述的一种矿区无人驾驶车外人员安全保护方法,其特征在于,所述根据所有子系统之间的各个分段的皮尔逊相关系数值,构建所有时刻的第一特征值曲线,包括的具体步骤如下:
对于任意一个子系统任意一个分段,获取所述子系统的分段内的所有维度的数据,将所述子系统中的任意一个维度记为目标维度,其他非目标维度的任意一个维度记为待计算维度,计算所述分段的目标维度与待计算维度之间的皮尔逊相关系数值;
计算每个分段的目标维度与待计算维度之间的皮尔逊相关系数值,并计算所有分段之间的皮尔逊相关系数均值,并对于每个分段,计算每个分段的目标维度与待计算维度之间的皮尔逊相关系数值与均值之间的差异,将所述分段的目标维度与所有计算维度的第一特征值的均值记为所述分段的第一特征值;
根据所有分段的第一特征值构建所述子系统的所有时刻的第一特征值曲线,其中横坐标为时刻,纵坐标为第一特征值。
6.根据权利要求1所述的一种矿区无人驾驶车外人员安全保护方法,其特征在于,所述根据所有子系统的时刻序列的并集,获取综合时刻序列,根据综合时段序列中的所有时刻的第一特征值曲线,获取所有时刻的综合特征值向量,包括的具体步骤如下:
获取所有子系统的时刻序列,并获取所有子系统的时刻序列的并集,得到综合时刻序列;
对于任意一个时刻,在每个子系统的第一特征值曲线中获取所述时刻的第一特征值,将在所有子系统的第一特征值曲线中获取的所有第一特征值构成所述时刻的综合特征值向量。
7.根据权利要求1所述的一种矿区无人驾驶车外人员安全保护方法,其特征在于,所述根据每个分段的差异度以及所有时刻的综合特征值向量进行聚类,得到若干聚类簇,根据聚类簇中的所有时刻的数据,获取所有子系统的每个时刻的变化度,包括的具体步骤如下:
对于第个综合分段和第/>个综合分段之间的距离度量/>的计算方法为:
;
其中,表示第/>个综合分段和第/>个综合分段之间的综合特征值向量的余弦相似度;/>表示第/>个综合分段的差异度;/>表示第/>个综合分段的差异度;
根据综合分段之间的距离度量进行聚类,得到若干聚类簇;
获取属于同一个聚类簇的若干个时刻,其中对于第个聚类簇的若干个时刻,计算所述若干个时刻中第/>个维度的历史数据的均值,并将所述均值记为第/>个聚类簇的第/>个维度的基准值;其中若第/>个子系统的第/>个时刻属于第/>个聚类簇,则第/>个子系统的第/>个时刻的变化度/>的计算方法为:
;
其中,表示第/>个子系统的维度的数量;/>表示第/>个子系统的第/>个维度在第个时刻的数据值;/>表示第/>个子系统的第/>个时刻所在聚类簇在第/>个维度的基准值;/>表示以自然常数为底数的指数函数;/>表示取绝对值函数。
8.根据权利要求1所述的一种矿区无人驾驶车外人员安全保护方法,其特征在于,所述对于任意两个子系统,根据每个时刻的变化度,获取所述两个子系统之间的依赖程度;预设依赖程度阈值,根据依赖程度和依赖程度阈值获取与每个子系统具有依赖性的子系统,包括的具体步骤如下:
对于第个子系统以及任意一个非第/>个子系统中的第/>个子系统,每个时刻的预设时刻邻域范围为左相邻和右相邻各5个时刻,将任意一个时刻记为计算时刻,将计算时刻的邻域范围内的任意一个时刻记为待计算时刻,将待计算时刻与待计算时刻的前一个时刻的差值,记为待计算时刻斜率值,将若干待计算时刻的斜率值构建计算时刻的斜率值序列,则第个子系统与第/>个子系统之间的依赖程度/>的计算方法为:
;
其中,表示在第/>个子系统的维度与第/>个子系统的维度之间,两两维度组合的数量;表示时刻的数量;/>表示第/>个子系统的第/>个待计算时刻的变化度;/>表示第/>个子系统的第/>个待计算时刻的变化度;/>表示第/>个子系统与第/>个子系统的两两维度组合中同一个待计算时刻的斜率值比值,其中/>表示维度组合中第/>个子系统的待计算时刻的斜率值序列的斜率值,/>表示维度组合中第/>个子系统的待计算时刻的斜率值序列的斜率值;表示在第/>个子系统与第/>个子系统所有维度组合中,第/>个子系统与第/>个子系统在第/>个待计算时刻的斜率比值的方差值;/>表示以自然常数为底数的指数函数;
获取第个子系统与除第/>个子系统之外的其他子系统的依赖程度,得到其他所有子系统与子系统之间的依赖程度,对所有的依赖程度进行线性归一化处理,得到处理后的依赖程度;
预设依赖程度阈值,若第个子系统与任意一个非第/>个子系统中的子系统的处理后的依赖程度大于依赖程度阈值,则第/>个子系统与所述非第/>个子系统的子系统之间具有依赖性。
9.根据权利要求8所述的一种矿区无人驾驶车外人员安全保护方法,其特征在于,所述对于任意一个子系统,根据与所述子系统具有依赖性的其他子系统,获取所述子系统的采样频率,包括的具体步骤如下:
对于具有依赖性的任意两个子系统,记为第一子系统和第二子系统,对第一子系统的任意一个维度的时刻序列和第二子系统的任意一个维度的时刻序列进行dtw匹配,得到若干时刻匹配点对,将所有时刻匹配点对之间的差值的均值记为第一子系统所述维度和第二子系统所述维度的第一时刻差值;
计算第一子系统的所有维度的时刻序列和第二子系统的所有维度的第一时刻差值,将所有维度的第一时刻差值的均值作为综合时刻差值,若综合时刻差值为正值,则第二子系统依赖于第一子系统;若综合时刻差值为负值,则第一子系统依赖于第二子系统;
对于任意一个子系统,根据与所述子系统具有依赖性的其他子系统的处理后的依赖程度的均值,作为所述子系统的采样频率权重值;
根据预设的采样频率以及所述子系统的采样频率权重值,计算所述子系统的自适应采样频率,其中第个子系统的自适应采样频率/>的计算方法为:
;
其中,表示依赖于第/>个子系统的处理后的依赖程度的均值;/>表示预设的采样频率。
10.一种矿区无人驾驶车外人员安全保护系统,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外人员安全保护方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410065300.1A CN117584991B (zh) | 2024-01-17 | 2024-01-17 | 一种矿区无人驾驶车外人员安全保护方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410065300.1A CN117584991B (zh) | 2024-01-17 | 2024-01-17 | 一种矿区无人驾驶车外人员安全保护方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117584991A true CN117584991A (zh) | 2024-02-23 |
CN117584991B CN117584991B (zh) | 2024-03-22 |
Family
ID=89920391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410065300.1A Active CN117584991B (zh) | 2024-01-17 | 2024-01-17 | 一种矿区无人驾驶车外人员安全保护方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117584991B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6134486A (en) * | 1998-04-20 | 2000-10-17 | The United States Of America As Represented By The Secretary Of The Navy | Robot and method of control for an autonomous vehicle to track a path consisting of directed straight lines and circles with positional feedback and continuous curvature |
CN106548644A (zh) * | 2016-11-30 | 2017-03-29 | 深圳明创自控技术有限公司 | 一种自动驾驶系统 |
US20190204841A1 (en) * | 2017-12-29 | 2019-07-04 | Beijing Didi Infinity Technology And Development Co,, Ltd. | Systems and methods for path determination |
CN110058597A (zh) * | 2019-06-19 | 2019-07-26 | 奥特酷智能科技(南京)有限公司 | 一种自动驾驶异构系统及实现方法 |
CN115092138A (zh) * | 2022-05-19 | 2022-09-23 | 同济大学 | 基于自然驾驶人特性的车辆高速公路换道轨迹规划方法 |
CN115123298A (zh) * | 2022-06-15 | 2022-09-30 | 北京航空航天大学 | 适用于双桥转向无驾驶室矿用作业车辆的主动感知系统 |
CN115817500A (zh) * | 2022-11-28 | 2023-03-21 | 中国第一汽车股份有限公司 | 一种驾驶风格确定方法、装置、车辆及存储介质 |
CN116502169A (zh) * | 2023-06-28 | 2023-07-28 | 深圳特力自动化工程有限公司 | 一种基于数据检测的离心脱水机工作状态检测方法 |
CN117235548A (zh) * | 2023-11-15 | 2023-12-15 | 山东济宁运河煤矿有限责任公司 | 基于激光灼烧的煤质数据处理方法及智能化系统 |
-
2024
- 2024-01-17 CN CN202410065300.1A patent/CN117584991B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6134486A (en) * | 1998-04-20 | 2000-10-17 | The United States Of America As Represented By The Secretary Of The Navy | Robot and method of control for an autonomous vehicle to track a path consisting of directed straight lines and circles with positional feedback and continuous curvature |
CN106548644A (zh) * | 2016-11-30 | 2017-03-29 | 深圳明创自控技术有限公司 | 一种自动驾驶系统 |
US20190204841A1 (en) * | 2017-12-29 | 2019-07-04 | Beijing Didi Infinity Technology And Development Co,, Ltd. | Systems and methods for path determination |
CN110058597A (zh) * | 2019-06-19 | 2019-07-26 | 奥特酷智能科技(南京)有限公司 | 一种自动驾驶异构系统及实现方法 |
CN115092138A (zh) * | 2022-05-19 | 2022-09-23 | 同济大学 | 基于自然驾驶人特性的车辆高速公路换道轨迹规划方法 |
CN115123298A (zh) * | 2022-06-15 | 2022-09-30 | 北京航空航天大学 | 适用于双桥转向无驾驶室矿用作业车辆的主动感知系统 |
CN115817500A (zh) * | 2022-11-28 | 2023-03-21 | 中国第一汽车股份有限公司 | 一种驾驶风格确定方法、装置、车辆及存储介质 |
CN116502169A (zh) * | 2023-06-28 | 2023-07-28 | 深圳特力自动化工程有限公司 | 一种基于数据检测的离心脱水机工作状态检测方法 |
CN117235548A (zh) * | 2023-11-15 | 2023-12-15 | 山东济宁运河煤矿有限责任公司 | 基于激光灼烧的煤质数据处理方法及智能化系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117584991B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN106250442A (zh) | 一种网络安全数据的特征选择方法及系统 | |
CN114359738B (zh) | 一种跨场景鲁棒的室内人数无线检测方法及系统 | |
Salehi et al. | Structural assessment and damage identification algorithms using binary data | |
Yoo | Change detection of RSSI fingerprint pattern for indoor positioning system | |
CN110072186B (zh) | 基于属性独立的加权朴素贝叶斯室内定位方法 | |
CN111967535B (zh) | 一种储粮管理场景温度传感器故障诊断方法及其诊断装置 | |
CN112380992A (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
CN111738194B (zh) | 一种用于人脸图像相似性的评价方法和装置 | |
CN117584991B (zh) | 一种矿区无人驾驶车外人员安全保护方法及系统 | |
CN113420506A (zh) | 掘进速度的预测模型建立方法、预测方法及装置 | |
Wu | Fault diagnosis model based on Gaussian support vector classifier machine | |
CN116400244A (zh) | 储能电池的异常检测方法及装置 | |
CN113780573B (zh) | 一种抗噪的高精度测距方法及装置 | |
CN115878987A (zh) | 一种基于贡献值和因果图的故障定位方法 | |
CN116226693A (zh) | 基于密度峰值聚类的高斯混合模型核电运行工况划分方法 | |
Saraf et al. | Classifying the geometric dilution of precision of GPS satellites utilizing Bayesian decision theory | |
CN107025462B (zh) | 一种无人机遥测数据实时并行压缩处理方法 | |
CN116150666B (zh) | 储能系统故障检测方法、装置及智能终端 | |
Liu et al. | Hierarchical fingerprinting and feature extraction for indoor localization | |
Hu et al. | Bearing fault diagnosis based on multi-scale possibilistic clustering algorithm | |
Girija et al. | A Variance Difference Method for Determining Optimal Number of Clusters in Wireless Sensor Networks | |
CN113435244B (zh) | 一种基于模糊熵的跌倒行为检测方法 | |
Zhang et al. | Improved locally linear embedding based method for nonlinear system fault detection | |
CN116449332B (zh) | 一种基于mimo雷达的空域目标检测方法 |
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 |