CN117649094A - 无人驾驶矿车调度系统及方法 - Google Patents
无人驾驶矿车调度系统及方法 Download PDFInfo
- Publication number
- CN117649094A CN117649094A CN202410099232.0A CN202410099232A CN117649094A CN 117649094 A CN117649094 A CN 117649094A CN 202410099232 A CN202410099232 A CN 202410099232A CN 117649094 A CN117649094 A CN 117649094A
- Authority
- CN
- China
- Prior art keywords
- time
- target point
- mine car
- unmanned mine
- task
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005065 mining Methods 0.000 claims abstract description 51
- 238000004519 manufacturing process Methods 0.000 claims abstract description 14
- 230000002068 genetic effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 7
- 230000010354 integration Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明提供一种无人驾驶矿车调度系统及方法,属于智能运输技术领域,该系统包括:云平台UI,用于根据矿区在预设时间段的生产计划,对矿区内的无人驾驶矿车和目标点进行编组,并生成任务订单,目标点包括矿区的装载区的装载位和卸载区的卸载位;调度模块,包括调度业务和调度算法,调度业务用于将任务订单下发给无人驾驶矿车,根据编组确定任务订单对应的目标点集合;调度算法用于从目标点集合中确定无人驾驶矿车每次执行任务订单中运输任务的目标点对,使得无人驾驶矿车完成任务订单的总时间最短,和/或在所有目标点对中目标点的总排队等待时间最短。本发明实现对无人驾驶矿车的细粒度调度,提高智能调度的准确性。
Description
技术领域
本发明涉及智能运输技术领域,尤其涉及一种无人驾驶矿车调度系统及方法。
背景技术
为了实现露天矿采矿过程中的智能调度,提高对矿车采矿过程中的采矿情况的监控准确性,对露天矿矿车进行智能调度通常需要将矿车内的设备运输数据进行采集,然后通过无线通信网络传输至数据处理端进行数据统计等处理。
目前,现有对采集的矿车内的设备运输数据的处理目标仅仅包括运输趟数、距离等与路程相关特征。但是,仅仅对运输趟数、距离等与路程相关特征进行处理,无法满足对矿车的精细化调度,大大降低了对基于车辆数据处理的矿车调度有效性,从而影响了对矿车进行智能调度的准确性。
发明内容
本发明提供一种无人驾驶矿车调度系统及方法,用以解决现有技术中无法满足对矿车的精细化调度的缺陷,实现提高无人驾驶矿车智能调度的准确性。
本发明提供一种无人驾驶矿车调度系统,包括:
云平台UI,用于根据矿区在预设时间段的生产计划,对所述矿区内的无人驾驶矿车和目标点进行编组,并生成任务订单,所述目标点包括所述矿区的装载区的装载位和卸载区的卸载位;
调度模块,包括调度业务和调度算法,所述调度业务用于将所述任务订单下发给所述无人驾驶矿车,并根据所述编组确定所述任务订单对应的目标点集合;
所述调度算法用于从所述目标点集合中确定所述无人驾驶矿车每次执行所述任务订单中运输任务的目标点对,使得所述无人驾驶矿车完成所述任务订单的总时间最短,和/或在所有目标点对中目标点的总排队等待时间最短,所述目标点对包括单个装载位和单个卸载位。
根据本发明提供的一种无人驾驶矿车调度系统,所述调度算法具体用于:
从所述目标点集合中确定所述无人驾驶矿车每次执行所述运输任务的目标点对;
确定所述无人驾驶矿车在各目标点对执行对应运输任务的时间和在各目标点对中目标点的排队等待时间;
根据所述无人驾驶矿车在各目标点对执行对应运输任务的时间,确定所述无人驾驶矿车完成所述任务订单的总时间;
根据所述无人驾驶矿车在各目标点对中目标点的排队等待时间,确定所述无人驾驶矿车的总排队等待时间;
对所述无人驾驶矿车每次执行所述运输任务的目标点对进行调整,使得所述无人驾驶矿车完成所述任务订单的总时间最短,和/或所述总排队等待时间最短。
根据本发明提供的一种无人驾驶矿车调度系统,所述调度算法具体用于:
依次根据所述无人驾驶矿车上次执行所述运输任务的目标点对,从所述目标点集合中确定上次执行所述运输任务的目标点对所支配的目标点对,作为所述无人驾驶矿车下次执行所述运输任务的目标点对。
根据本发明提供的一种无人驾驶矿车调度系统,所述调度算法具体用于:
确定所述无人驾驶矿车相邻两次执行所述运输任务的目标点对之间的相对位置;
根据所述无人驾驶矿车在所述目标点对之间运行的时间和距离,确定所述目标点对的拥挤度;
根据所述目标点对之间的相对位置和所述目标点对的拥挤度,确定所述无人驾驶矿车每次执行所述运输任务的时间;
根据所述无人驾驶矿车每次执行所述运输任务的时间,确定所述无人驾驶矿车完成所述任务订单的总时间。
根据本发明提供的一种无人驾驶矿车调度系统,所述调度算法具体用于:
确定所述无人驾驶矿车每次执行所述运输任务时到达所述目标点对中目标点的时间和离开所述目标点对中目标点的时间;
根据所述无人驾驶矿车每次执行所述运输任务时到达所述目标点对中目标点的时间和离开所述目标点对中目标点的时间,确定所述无人驾驶矿车每次执行所述运输任务在所述目标点的排队等待时间;
根据所述无人驾驶矿车每次执行所述运输任务在所述目标点的排队等待时间和每次执行所述运输任务的时间,确定所述无人驾驶矿车的总排队等待时间。
根据本发明提供的一种无人驾驶矿车调度系统,所述调度算法具体用于:
基于遗传调度算法对所述无人驾驶矿车每次执行所述运输任务的目标点对进行调整,使得所述无人驾驶矿车完成所述任务订单的总时间最短,和/或所述总排队等待时间最短。
根据本发明提供的一种无人驾驶矿车调度系统,还包括全局规划模块,用于:
确定所述无人驾驶矿车每次执行所述运输任务的目标点对之间的路径;
确定所述无人驾驶矿车到达所述路径上各关键点的时间;
对所述路径和所述无人驾驶矿车到达所述路径上各关键点的时间进行审核。
本发明还提供一种无人驾驶矿车调度方法,包括:
云平台UI根据矿区在预设时间段的生产计划,对所述矿区内的无人驾驶矿车和目标点进行编组,并生成任务订单,所述目标点包括所述矿区的装载区的装载位和卸载区的卸载位;
调度模块中的调度业务将所述任务订单下发给所述无人驾驶矿车,并根据所述编组确定所述任务订单对应的目标点集合;
所述调度模块中的调度算法从所述目标点集合中确定所述无人驾驶矿车每次执行所述任务订单中运输任务的目标点对,使得所述无人驾驶矿车完成所述任务订单的总时间最短,和/或在所有目标点对中目标点的总排队等待时间最短,所述目标点对包括单个装载位和单个卸载位。
根据本发明提供的一种无人驾驶矿车调度方法,所述调度模块中的调度算法从所述目标点集合中确定所述无人驾驶矿车每次执行所述任务订单中运输任务的目标点对,使得所述无人驾驶矿车完成所述任务订单的总时间最短,和/或在所有目标点对中目标点的总排队等待时间最短,所述目标点对包括单个装载位和单个卸载位,包括:
从所述目标点集合中确定所述无人驾驶矿车每次执行所述运输任务的目标点对;
确定所述无人驾驶矿车在各目标点对执行对应运输任务的时间和在各目标点对中目标点的排队等待时间;
根据所述无人驾驶矿车在各目标点对执行对应运输任务的时间,确定所述无人驾驶矿车完成所述任务订单的总时间;
根据所述无人驾驶矿车在各目标点对中目标点的排队等待时间,确定所述无人驾驶矿车的总排队等待时间;
对所述无人驾驶矿车每次执行所述运输任务的目标点对进行调整,使得所述无人驾驶矿车完成所述任务订单的总时间最短,和/或所述总排队等待时间最短。
根据本发明提供的一种无人驾驶矿车调度方法,所述从所述目标点集合中确定所述无人驾驶矿车每次执行所述运输任务的目标点对,包括:
依次根据所述无人驾驶矿车上次执行所述运输任务的目标点对,从所述目标点集合中确定上次执行所述运输任务的目标点对所支配的目标点对,作为所述无人驾驶矿车下次执行所述运输任务的目标点对。
本发明提供的无人驾驶矿车调度系统及方法,通过根据矿区在预设时间段的生产计划,对矿区内的无人驾驶矿车和目标点进行编组,并生成任务订单下发给无人驾驶矿车,根据编组确定任务订单对应的目标点集合,实现对调度前所需数据的整合,然后基于调度算法从目标点集合中确定无人驾驶矿车每次执行任务订单中运输任务的目标点对,使得无人驾驶矿车完成任务订单的总时间最短,和/或在所有目标点对中目标点的总排队等待时间最短,实现对无人驾驶矿车的细粒度调度,达到全局任务订单完成时间和/或总排队等待时间最优,从而提高无人驾驶矿车智能调度的准确性。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的无人驾驶矿车调度系统的结构示意图;
图2是本发明提供的无人驾驶矿车调度系统的调度流程示意图;
图3是本发明提供的无人驾驶矿车调度方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
下面结合图1描述本发明的一种无人驾驶矿车调度系统,包括:
云平台UI(User Interface,用户界面),用于根据矿区在预设时间段的生产计划,对所述矿区内的无人驾驶矿车和目标点进行编组,并生成任务订单,所述目标点包括所述矿区的装载区的装载位和卸载区的卸载位;
云平台UI从用户的角度出发,为用户干预调度方案进行前期的配置和后期的干预。智能调度主要的运行环境在云端完成,云平台UI是前提条件,主要包括排班计划、编组规划、调度策略和设备状态。
排班可制定矿区每日的工作生产计划,将生产计划下发给系统。系统根据每日生产计划生成每日实际的编组规划,将实际的挖机、无人驾驶矿车、卸载区等物理实体进行前期的设定;同时根据当日的实际情况添加调度配置策略,提供调度条件;每日的各设备状态是动态变化的,根据实际情况,配置设备运行状态。
根据矿区在预设时间段(如每日)的生产计划动态进行编组,从而初步确定无人驾驶矿车和目标点之间的对应关系。每个编组中包括至少一个无人驾驶矿车、至少一个装载位和至少一个卸载位。可根据每个编组和每个编组需完成的运输任务生成任务订单。
云平台在生成对应的任务订单过程中需要具体的调度参数,包括指定的装载区、卸载区、装载位、卸载位、装载机、排土设备、无人矿卡,以及周围的辅助车辆。云平台UI将生成好的数据参数经过初步整合,触发调度业务子模块。调度业务根据装、运和卸条件,进行静态调度的派发。
在运输设备无人驾驶矿车进行实际作业过程中,还需要根据矿区每日的实际情况开放对应的作业场景等参数,进行订单的每日实际派发。在无人驾驶矿车运行过程中,可同时根据显性因素和隐性因素进行任务订单的规范,两种因素是在实时运行中动态生成的,静态调度的结果会随着两种因素进行动态调度的优化。
其中,显性因素包括目标点基本信息改变、设备基本信息改变、设备可用状态改变、编组配置改变、调度规则改变、资源占用代价改变、路由改变、人工干预和订单执行状态改变等。
隐性因素包括目标点资源当前被占用的不稳定因素、车辆实际到达入场点时间的不稳定因素、车辆实际到达等待点时间的不稳定因素和资源饱和度的不均衡性等。
调度模块,包括调度业务和调度算法,所述调度业务用于将所述任务订单下发给所述无人驾驶矿车,并根据所述编组确定所述任务订单对应的目标点集合;
调度业务是智能调度系统中的核心子模块,包括调度业务流程生成规范。调度业务在智能调度模块中与调度算法进行隔离。
在编组生成后,调度业务将实时分发任务订单给对应的挖机、无人驾驶矿车和对应的排土场。无人驾驶矿车根据编组结果以及设备状态进行无人运输,挖机根据编组结果生成对应的装载任务。无人驾驶矿车和挖掘设备根据智能调度结果产生对应的动态调整,体现无人驾驶矿车的机动灵活性。
在云端智能调度的同时,将无人驾驶矿车的实时状态反馈给云端调度平台,同时云端调度平台对无人驾驶矿车进行实时调度,完成调度业务和无人驾驶矿车的双向绑定。尤其是在装卸区、卸载区等容易造成等待排队场景,无人驾驶矿车的灵活调度在效率上得到很大提升。
所述调度算法用于从所述目标点集合中确定所述无人驾驶矿车每次执行所述任务订单中运输任务的目标点对,使得所述无人驾驶矿车完成所述任务订单的总时间最短,和/或在所有目标点对中目标点的总排队等待时间最短,所述目标点对包括单个装载位和单个卸载位。
调度算法是被调度业务触发的子模块。调度业务完成调度算法的入参准备后,根据内部算法要求,将整合后的入参数据,归类纳入调度算法的执行阶段。
调度算法根据不同的调度目标需要不同的参数。例如,根据无人驾驶矿车到达目标点的时间最短的要求,需要输入整个路段的预测时间、全路段平均时间、路网信息、路口规则和路线高程信息等。根据无人驾驶矿车到达目标点的路径最短的要求,需要输入路网信息、多个交叉口的规则、道路通行规则等。通过设定预期目标,包括效率最高,所有车的最后一个运输任务完成时间之和最小,路径最短,各目标点排队时间最短等作为优化策略。同时设定约定条件,包括车辆与资源的绑定,车辆车型与资源的匹配等。
另外,可根据无人驾驶矿车的调度类型为静态调度、实时调度或应急调度,输出无人驾驶矿车去合理的装载区和卸载区,避免不必要的等待排队现象,从而在单位时间开采增加、相同开采量行驶里程减少、挖机使用效率提高上得到保障。其中,静态调度为根据编组结果进行调度,实时调度为采用调度算法进行调度,应急调度为优先调度矿车执行运输任务。
假设通过编组得到某个编组中包括n辆无人驾驶矿车,n辆无人驾驶矿车需在a个装载位和b个卸载位之间完成m趟运输任务。根据该编组生成任务订单。a个装载位和b个卸载位构成任务订单对应的目标点集合。任务订单也可根据多个编组生成。
将m趟运输任务分配给n辆无人驾驶矿车完成,确定无人驾驶矿车执行每趟运输任务的目标点对,即执行每趟运输任务的装载位和卸载位,使得n辆无人驾驶矿车完成m趟运输任务的总时间最短,和/或n辆无人驾驶矿车在m趟运输任务的目标点对处的总排队等待时间最短。
本实施例通过根据矿区在预设时间段的生产计划,对矿区内的无人驾驶矿车和目标点进行编组,并生成任务订单下发给无人驾驶矿车,根据编组确定任务订单对应的目标点集合,实现对调度前所需数据的整合,然后基于调度算法从目标点集合中确定无人驾驶矿车每次执行任务订单中运输任务的目标点对,使得无人驾驶矿车完成任务订单的总时间最短,和/或在所有目标点对中目标点的总排队等待时间最短,实现对无人驾驶矿车的细粒度调度,达到全局任务订单完成时间和/或总排队等待时间最优,从而提高无人驾驶矿车智能调度的准确性。
在上述实施例的基础上,本实施例中所述调度算法具体用于:
从所述目标点集合中确定所述无人驾驶矿车每次执行所述运输任务的目标点对;
确定所述无人驾驶矿车在各目标点对执行对应运输任务的时间和在各目标点对中目标点的排队等待时间;
根据所述无人驾驶矿车在各目标点对执行对应运输任务的时间,确定所述无人驾驶矿车完成所述任务订单的总时间;
根据所述无人驾驶矿车在各目标点对中目标点的排队等待时间,确定所述无人驾驶矿车的总排队等待时间;
对所述无人驾驶矿车每次执行所述运输任务的目标点对进行调整,使得所述无人驾驶矿车完成所述任务订单的总时间最短,和/或所述总排队等待时间最短。
假设T(i,j)为第i个无人驾驶矿车分配的第j个任务订单,D{i,j}为第i个无人驾驶矿车分配的第j个任务订单可以去的目标点集合。R{i,j}为第i个装载区的第j个运输任务。对T(i,j)、D{i,j}和R{i,j}进行初始化,通过链表管理所有无人驾驶矿车最快完成运输任务。
可从目标点集合D{i,j}中随机确定无人驾驶矿车每次执行运输任务的目标点对。目标点对包括单个装载位和单个卸载位。根据目标点对中装载位和卸载位之间的路径和无人驾驶矿车的速度,确定无人驾驶矿车在各目标点对执行对应运输任务的时间。可将无人驾驶矿车在各目标点对执行对应第i次运输任务的时间相加,即可得到无人驾驶矿车完成任务订单的总时间/>。
根据无人驾驶矿车到达目标点对中目标点的时间ARRIVE(R{i,j})和离开该目标点的时间LEAVE(R{i,j})之间的间隔,确定无人驾驶矿车在各目标点对中目标点的排队等待时间为LEAVE(R{i,j})-ARRIVE(R{i,j})。ARRIVE(R{i,j})表示第i个装载区的第j个运输任务的车辆到达时间,LEAVE(R{i,j})表示第i个装载区的第j个运输任务的车辆离开时间。可将无人驾驶矿车在各目标点对中目标点的排队等待时间相加,得到无人驾驶矿车在目标点的总排队等待时间。
对无人驾驶矿车每次执行所述运输任务的目标点对进行调整,使得两个函数中的一个或两个最小。在对每次执行运输任务的目标点对进行调整时,需遵循约束条件。约束条件包括车辆与装载区的绑定、车辆编组与装载区的绑定,以及车辆车型与装载区的匹配关系。
本实施例通过基于调度算法从目标点集合中确定无人驾驶矿车每次执行任务订单中运输任务的目标点对,使得无人驾驶矿车完成任务订单的总时间最短,和/或在所有目标点对中目标点的总排队等待时间最短,实现对无人驾驶矿车的细粒度调度,达到全局任务订单完成时间和/或总排队等待时间最优,从而提高无人驾驶矿车智能调度的准确性。
在上述实施例的基础上,本实施例中所述调度算法具体用于:
依次根据所述无人驾驶矿车上次执行所述运输任务的目标点对,从所述目标点集合中确定上次执行所述运输任务的目标点对所支配的目标点对,作为所述无人驾驶矿车下次执行所述运输任务的目标点对。
可初始化无人驾驶矿车首次执行运输任务的目标点对,后续执行运输任务的目标点对根据前一次执行运输任务的目标点对确定,可使用帕累托分层计算。假设前一次执行运输任务的目标点对为个体A(x1,y1),从目标点集合中选择本次执行运输任务的目标点对个体B(x2,y2),个体A(x1,y1)与个体B(x2,y2)之间的相对位置越小越好。x1和x2为装载位,y1和y2为卸载位。
为了使得个体A(x1,y1)支持个体B(x2,y2),需满足x1<=x2且y1<=y2,或者x1<=y1或x2<=y2。可从目标点集合中选择满足条件的个体B(x2,y2)。
在上述实施例的基础上,本实施例中所述调度算法具体用于:
确定所述无人驾驶矿车相邻两次执行所述运输任务的目标点对之间的相对位置;
根据所述无人驾驶矿车在所述目标点对之间运行的时间和距离,确定所述目标点对的拥挤度;
根据所述目标点对之间的相对位置和所述目标点对的拥挤度,确定所述无人驾驶矿车每次执行所述运输任务的时间;
根据所述无人驾驶矿车每次执行所述运输任务的时间,确定所述无人驾驶矿车完成所述任务订单的总时间。
假设无人驾驶矿车相邻两次执行运输任务的目标点对分别为个体A(x1,y1)和个体B(x2,y2),则可根据x1和y1是否属于同一编组,以及x1和y1之间的距离,计算x1和y1之间的相对位置。x1和y1之间的相对位置G(x1,y1)可以表示为S(x1,y1)+ma。其中S(x1,y1)为x1和y1之间的距离,x1和y1属于同一编组时,m为0,x1和y1不属于同一编组时,m为1,a为预设常数。以同样的方式可得到x2和y2之间的相对位置G(x2,y2),则无人驾驶矿车相邻两次执行运输任务的目标点对之间的相对位置可为G=G(x1,y1)/>G(x2,y2)。
确定无人驾驶矿车在目标点对中的目标点i和j之间运行的时间代价矩阵C{i,j},确定无人驾驶矿车在目标点对中的目标点i和j之间运行的距离代价矩阵L{i,j},则目标点对中的目标点i和j之间的拥挤度M=C{i,j} L{i,j}。
可将本次和上次执行运输任务的目标点对之间的相对位置G,以及本次执行运输任务的目标点对的拥挤度M作为权重,计算得到无人驾驶矿车每次执行运输任务的时间为。将每次执行运输任务的时间相加,得到无人驾驶矿车完成任务订单的总时间。
本实施例考虑到根据无人驾驶矿车执行运输任务的目标点对之间的相对位置和目标点对的拥挤度,准确确定无人驾驶矿车每次执行运输任务的时间,提高无人驾驶矿车的调度精度。
在上述实施例的基础上,本实施例中所述调度算法具体用于:
确定所述无人驾驶矿车每次执行所述运输任务时到达所述目标点对中目标点的时间和离开所述目标点对中目标点的时间;
根据所述无人驾驶矿车每次执行所述运输任务时到达所述目标点对中目标点的时间和离开所述目标点对中目标点的时间,确定所述无人驾驶矿车每次执行所述运输任务在所述目标点的排队等待时间;
根据所述无人驾驶矿车每次执行所述运输任务在所述目标点的排队等待时间和每次执行所述运输任务的时间,确定所述无人驾驶矿车的总排队等待时间。
由于每次执行运输任务的时间会影响目标点的排队等待时间,因此可将每次执行运输任务的时间作为权重,确定无人驾驶矿车每次执行运输任务的排队等待时间。
本实施例考虑到根据无人驾驶矿车每次执行运输任务的时间,准确确定无人驾驶矿车每次执行运输任务的排队等待时间,提高无人驾驶矿车的调度精度。
在上述实施例的基础上,本实施例中所述调度算法具体用于:
基于遗传调度算法对所述无人驾驶矿车每次执行所述运输任务的目标点对进行调整,使得所述无人驾驶矿车完成所述任务订单的总时间最短,和/或所述总排队等待时间最短。
本实施例中的遗传调度算法可为蚁群算法,也可为其他遗传调度算法,通过使用遗传调度算法可自动求解出使得目标函数最优的目标点对调度方案。
在上述各实施例的基础上,本实施例中还包括全局规划模块,用于:
确定所述无人驾驶矿车每次执行所述运输任务的目标点对之间的路径;
确定所述无人驾驶矿车到达所述路径上各关键点的时间;
对所述路径和所述无人驾驶矿车到达所述路径上各关键点的时间进行审核。
全局规划是决策规划在云端的规划策略。全局规划是无人驾驶矿车执行前的静态调度和实时调度的协助模块,在系统解耦上起到数据隔离作用。在调度结果输出后,触发全局规划模块,规划拿到自动审核的结果,按照规划策略,进而引导无人驾驶矿车的执行。
在审核过程中分为两种模式,一种是规划本身的审核,规划在执行过程中,通过调度结果的合理性检查,进行规划路线的纠错,通过实际运行路线规划产生的结果进行执行动作;另一种是云平台UI产生的审核过程,规划执行过程会有错误路线的产生,这种通过规划本身无法大范围纠错的路段,通过云平台UI可进行界面地图关系修改,全局规划在执行过程中再执行自身的审核。这种在全局规划过程中的审核模式达到了双重路线规划安全性的保障。
全局规划模块审核的内容包括目标点对之间的路径是否为最短路径,无人驾驶矿车到达路径上的关键点的时间是否接近设定时间。路径上的关键点包括装载位的入口处和出口处,卸载位的入口处和出口处。
全局规划模块能够通过云平台UI的审核,获取审核后的结果,内部经过进一步过滤订单,将目标点的装卸成对输出,达到无人驾驶矿车循环往复的执行调度策略。全局规划能够产生动态的路由方案,通过动态路由方案,触发动态调度策略,进而达到智能调度的实时性要求。
此外,还包括数据服务模块,数据服务模块同时为云平台UI、调度业务、调度算法和全局规划模块提供不同的数据支持。云平台UI中需要各类设备的状态信息,提前配置的调度规则等;调度业务需要初期整合的调度参数,包括车辆实时位置、各状态点的历史时间、历史配对规则等;调度算法需要订单的历史整合信息,包括历史细化区间的等待时间、排班的开始和结束时间、执行趟次等;全局规划模块同步获取数据服务的订单整合配对信息。数据服务支持数据持久化和数据实时大数据维护,可利用数据中间件ES,数据缓存Redis等方案提高数据查询的效率。
如图2所示,无人驾驶矿车调度系统包括云平台UI、调度模块、数据服务模块和全局规划模块。各部分在完成智能调度数据通信的同时,根据智能调度的要求完成从用户界面到无人驾驶矿车执行的整体运行流程,具体包括如下步骤:
云平台UI提供排班计划、编组规划、调度策略和设备状态信息,触发调度的业务执行。调度业务创建订单,根据调度的前提规则,以及显性因素和隐性因素的影响,完成目标点的分配。
数据服务模块根据调度业务的要求,提供调度需要的基础数据和入参用的数据整合。
调度模块根据全局规划的动态路由信息,创建订单,根据各目标点进行时间预估、场景决策、资源决策等,生成装卸订单编组。
调度模块根据生成的任务订单,调用遗传调度算法,生成最终的装卸订单,同时提供给云端界面和全局规划模块,完成自动化调度和人工干预审核操作。
全局规划模块收到云端界面审核后的目标点配置信息,收到调度算法产生的调度方案,触发无人驾驶矿车执行调度订单任务。
下面对本发明提供的无人驾驶矿车调度方法进行描述,下文描述的无人驾驶矿车调度方法与上文描述的无人驾驶矿车调度系统可相互对应参照。
如图3所示,该方法包括:
步骤301,云平台UI根据矿区在预设时间段的生产计划,对所述矿区内的无人驾驶矿车和目标点进行编组,并生成任务订单,所述目标点包括所述矿区的装载区的装载位和卸载区的卸载位;
步骤302,调度模块中的调度业务将所述任务订单下发给所述无人驾驶矿车,并根据所述编组确定所述任务订单对应的目标点集合;
步骤303,所述调度模块中的调度算法从所述目标点集合中确定所述无人驾驶矿车每次执行所述任务订单中运输任务的目标点对,使得所述无人驾驶矿车完成所述任务订单的总时间最短,和/或在所有目标点对中目标点的总排队等待时间最短,所述目标点对包括单个装载位和单个卸载位。
本发明通过根据矿区在预设时间段的生产计划,对矿区内的无人驾驶矿车和目标点进行编组,并生成任务订单下发给无人驾驶矿车,根据编组确定任务订单对应的目标点集合,实现对调度前所需数据的整合,然后基于调度算法从目标点集合中确定无人驾驶矿车每次执行任务订单中运输任务的目标点对,使得无人驾驶矿车完成任务订单的总时间最短,和/或在所有目标点对中目标点的总排队等待时间最短,实现对无人驾驶矿车的细粒度调度,达到全局任务订单完成时间和/或总排队等待时间最优,从而提高无人驾驶矿车智能调度的准确性。
在上述实施例的基础上,本实施例中所述调度模块中的调度算法从所述目标点集合中确定所述无人驾驶矿车每次执行所述任务订单中运输任务的目标点对,使得所述无人驾驶矿车完成所述任务订单的总时间最短,和/或在所有目标点对中目标点的总排队等待时间最短,所述目标点对包括单个装载位和单个卸载位,包括:
从所述目标点集合中确定所述无人驾驶矿车每次执行所述运输任务的目标点对;
确定所述无人驾驶矿车在各目标点对执行对应运输任务的时间和在各目标点对中目标点的排队等待时间;
根据所述无人驾驶矿车在各目标点对执行对应运输任务的时间,确定所述无人驾驶矿车完成所述任务订单的总时间;
根据所述无人驾驶矿车在各目标点对中目标点的排队等待时间,确定所述无人驾驶矿车的总排队等待时间;
对所述无人驾驶矿车每次执行所述运输任务的目标点对进行调整,使得所述无人驾驶矿车完成所述任务订单的总时间最短,和/或所述总排队等待时间最短。
在上述实施例的基础上,本实施例中所述从所述目标点集合中确定所述无人驾驶矿车每次执行所述运输任务的目标点对,包括:
依次根据所述无人驾驶矿车上次执行所述运输任务的目标点对,从所述目标点集合中确定上次执行所述运输任务的目标点对所支配的目标点对,作为所述无人驾驶矿车下次执行所述运输任务的目标点对。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种无人驾驶矿车调度系统,其特征在于,包括:
云平台UI,用于根据矿区在预设时间段的生产计划,对所述矿区内的无人驾驶矿车和目标点进行编组,并生成任务订单,所述目标点包括所述矿区的装载区的装载位和卸载区的卸载位;
调度模块,包括调度业务和调度算法,所述调度业务用于将所述任务订单下发给所述无人驾驶矿车,并根据所述编组确定所述任务订单对应的目标点集合;
所述调度算法用于从所述目标点集合中确定所述无人驾驶矿车每次执行所述任务订单中运输任务的目标点对,使得所述无人驾驶矿车完成所述任务订单的总时间最短,和/或在所有目标点对中目标点的总排队等待时间最短,所述目标点对包括单个装载位和单个卸载位。
2.根据权利要求1所述的无人驾驶矿车调度系统,其特征在于,所述调度算法具体用于:
从所述目标点集合中确定所述无人驾驶矿车每次执行所述运输任务的目标点对;
确定所述无人驾驶矿车在各目标点对执行对应运输任务的时间和在各目标点对中目标点的排队等待时间;
根据所述无人驾驶矿车在各目标点对执行对应运输任务的时间,确定所述无人驾驶矿车完成所述任务订单的总时间;
根据所述无人驾驶矿车在各目标点对中目标点的排队等待时间,确定所述无人驾驶矿车的总排队等待时间;
对所述无人驾驶矿车每次执行所述运输任务的目标点对进行调整,使得所述无人驾驶矿车完成所述任务订单的总时间最短,和/或所述总排队等待时间最短。
3.根据权利要求2所述的无人驾驶矿车调度系统,其特征在于,所述调度算法具体用于:
依次根据所述无人驾驶矿车上次执行所述运输任务的目标点对,从所述目标点集合中确定上次执行所述运输任务的目标点对所支配的目标点对,作为所述无人驾驶矿车下次执行所述运输任务的目标点对。
4.根据权利要求2所述的无人驾驶矿车调度系统,其特征在于,所述调度算法具体用于:
确定所述无人驾驶矿车相邻两次执行所述运输任务的目标点对之间的相对位置;
根据所述无人驾驶矿车在所述目标点对之间运行的时间和距离,确定所述目标点对的拥挤度;
根据所述目标点对之间的相对位置和所述目标点对的拥挤度,确定所述无人驾驶矿车每次执行所述运输任务的时间;
根据所述无人驾驶矿车每次执行所述运输任务的时间,确定所述无人驾驶矿车完成所述任务订单的总时间。
5.根据权利要求4所述的无人驾驶矿车调度系统,其特征在于,所述调度算法具体用于:
确定所述无人驾驶矿车每次执行所述运输任务时到达所述目标点对中目标点的时间和离开所述目标点对中目标点的时间;
根据所述无人驾驶矿车每次执行所述运输任务时到达所述目标点对中目标点的时间和离开所述目标点对中目标点的时间,确定所述无人驾驶矿车每次执行所述运输任务在所述目标点的排队等待时间;
根据所述无人驾驶矿车每次执行所述运输任务在所述目标点的排队等待时间和每次执行所述运输任务的时间,确定所述无人驾驶矿车的总排队等待时间。
6.根据权利要求2所述的无人驾驶矿车调度系统,其特征在于,所述调度算法具体用于:
基于遗传调度算法对所述无人驾驶矿车每次执行所述运输任务的目标点对进行调整,使得所述无人驾驶矿车完成所述任务订单的总时间最短,和/或所述总排队等待时间最短。
7.根据权利要求1-6任一所述的无人驾驶矿车调度系统,其特征在于,还包括全局规划模块,用于:
确定所述无人驾驶矿车每次执行所述运输任务的目标点对之间的路径;
确定所述无人驾驶矿车到达所述路径上各关键点的时间;
对所述路径和所述无人驾驶矿车到达所述路径上各关键点的时间进行审核。
8.一种无人驾驶矿车调度方法,其特征在于,包括:
云平台UI根据矿区在预设时间段的生产计划,对所述矿区内的无人驾驶矿车和目标点进行编组,并生成任务订单,所述目标点包括所述矿区的装载区的装载位和卸载区的卸载位;
调度模块中的调度业务将所述任务订单下发给所述无人驾驶矿车,并根据所述编组确定所述任务订单对应的目标点集合;
所述调度模块中的调度算法从所述目标点集合中确定所述无人驾驶矿车每次执行所述任务订单中运输任务的目标点对,使得所述无人驾驶矿车完成所述任务订单的总时间最短,和/或在所有目标点对中目标点的总排队等待时间最短,所述目标点对包括单个装载位和单个卸载位。
9.根据权利要求8所述的无人驾驶矿车调度方法,其特征在于,所述调度模块中的调度算法从所述目标点集合中确定所述无人驾驶矿车每次执行所述任务订单中运输任务的目标点对,使得所述无人驾驶矿车完成所述任务订单的总时间最短,和/或在所有目标点对中目标点的总排队等待时间最短,所述目标点对包括单个装载位和单个卸载位,包括:
从所述目标点集合中确定所述无人驾驶矿车每次执行所述运输任务的目标点对;
确定所述无人驾驶矿车在各目标点对执行对应运输任务的时间和在各目标点对中目标点的排队等待时间;
根据所述无人驾驶矿车在各目标点对执行对应运输任务的时间,确定所述无人驾驶矿车完成所述任务订单的总时间;
根据所述无人驾驶矿车在各目标点对中目标点的排队等待时间,确定所述无人驾驶矿车的总排队等待时间;
对所述无人驾驶矿车每次执行所述运输任务的目标点对进行调整,使得所述无人驾驶矿车完成所述任务订单的总时间最短,和/或所述总排队等待时间最短。
10.根据权利要求9所述的无人驾驶矿车调度方法,其特征在于,所述从所述目标点集合中确定所述无人驾驶矿车每次执行所述运输任务的目标点对,包括:
依次根据所述无人驾驶矿车上次执行所述运输任务的目标点对,从所述目标点集合中确定上次执行所述运输任务的目标点对所支配的目标点对,作为所述无人驾驶矿车下次执行所述运输任务的目标点对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410099232.0A CN117649094A (zh) | 2024-01-24 | 2024-01-24 | 无人驾驶矿车调度系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410099232.0A CN117649094A (zh) | 2024-01-24 | 2024-01-24 | 无人驾驶矿车调度系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117649094A true CN117649094A (zh) | 2024-03-05 |
Family
ID=90049759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410099232.0A Pending CN117649094A (zh) | 2024-01-24 | 2024-01-24 | 无人驾驶矿车调度系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117649094A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200082304A1 (en) * | 2018-09-10 | 2020-03-12 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, Apparatus and Device for Scheduling Unmanned Vehicles and Storage Medium |
CN114662943A (zh) * | 2022-03-28 | 2022-06-24 | 湘潭大学 | 基于多目标遗传算法的露天矿卡车调度方法 |
CN114911238A (zh) * | 2022-05-27 | 2022-08-16 | 上海伯镭智能科技有限公司 | 一种无人驾驶矿车协同控制方法及系统 |
CN116882645A (zh) * | 2023-05-30 | 2023-10-13 | 华能伊敏煤电有限责任公司 | 一种无人驾驶矿车生产调度方法 |
-
2024
- 2024-01-24 CN CN202410099232.0A patent/CN117649094A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200082304A1 (en) * | 2018-09-10 | 2020-03-12 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, Apparatus and Device for Scheduling Unmanned Vehicles and Storage Medium |
CN114662943A (zh) * | 2022-03-28 | 2022-06-24 | 湘潭大学 | 基于多目标遗传算法的露天矿卡车调度方法 |
CN114911238A (zh) * | 2022-05-27 | 2022-08-16 | 上海伯镭智能科技有限公司 | 一种无人驾驶矿车协同控制方法及系统 |
CN116882645A (zh) * | 2023-05-30 | 2023-10-13 | 华能伊敏煤电有限责任公司 | 一种无人驾驶矿车生产调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bhoopalam et al. | Planning of truck platoons: A literature review and directions for future research | |
US20220114690A1 (en) | Vehicle dispatching method and system | |
CN107103383B (zh) | 一种基于打车热点的动态拼车调度方法 | |
US8781726B2 (en) | Method and system for adjusting a demand-response transit schedule | |
CN108873905A (zh) | 自动驾驶车辆控制方法、自动驾驶车辆及可读存储介质 | |
CN111105141B (zh) | 一种需求响应型公交调度方法 | |
CN113222387B (zh) | 面向氢燃料车辆的多目标调度与协同优化方法 | |
Abbatecola et al. | A review of new approaches for dynamic vehicle routing problem | |
WO2019197854A1 (ja) | 配車管理装置及び配車管理方法 | |
Linares et al. | A simulation framework for real-time assessment of dynamic ride sharing demand responsive transportation models | |
CN110942193A (zh) | 车辆调度方法及存储介质 | |
CN112465211A (zh) | 一种轨道交通列车满载率控制方法及应用 | |
Delgado et al. | Integrated real-time transit signal priority control for high-frequency segregated transit services | |
CN115907333B (zh) | 一种公共应急事件中区域资源调度系统和方法 | |
Oliskevych | Dynamic scheduling of highway cargo transportation | |
CN117649094A (zh) | 无人驾驶矿车调度系统及方法 | |
Zheng et al. | Vehicle routing and scheduling of flex-route transit under a dynamic operating environment | |
CN116524705A (zh) | 一种城际出行车辆的调度方法及终端 | |
Kim et al. | Dynamic truckload truck routing and scheduling in oversaturated demand situations | |
KR102635663B1 (ko) | 수요 응답형 모빌리티 및 이의 경로 최적화 방법 | |
WO2023023755A1 (en) | A hybrid method for controlling a railway system and an apparatus therefor | |
Lioris et al. | Evaluation of collective taxi systems by discrete-event simulation | |
Balbo et al. | Bimodal traffic regulation system: A multi-agent approach | |
Hoff-Hoffmeyer-Zlotnik et al. | Vehicle compound planning and control system: A planning and control framework for vehicle compounds with online-optimization on the level of individual workers | |
Lu et al. | Scheduling multiple vehicle mobility allowance shuttle transit (m-MAST) services |
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 |