CN117746619A - 一种路侧感知增强辅助的混合交通集群调度方法及系统 - Google Patents
一种路侧感知增强辅助的混合交通集群调度方法及系统 Download PDFInfo
- Publication number
- CN117746619A CN117746619A CN202311600571.4A CN202311600571A CN117746619A CN 117746619 A CN117746619 A CN 117746619A CN 202311600571 A CN202311600571 A CN 202311600571A CN 117746619 A CN117746619 A CN 117746619A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- port
- automatic driving
- service
- time
- 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 61
- 230000008447 perception Effects 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims description 54
- 230000008569 process Effects 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 14
- 230000000875 corresponding effect Effects 0.000 claims description 12
- 101000847024 Homo sapiens Tetratricopeptide repeat protein 1 Proteins 0.000 claims description 11
- 102100032841 Tetratricopeptide repeat protein 1 Human genes 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Abstract
本发明涉及车辆调动技术领域,尤其是公开了一种路侧感知增强辅助的混合交通集群调度方法及系统,所述集群调度系统包括集群调度控制器、虚拟业务模拟器、环境场景库、业务场景库、事件驱动引擎、实时业务库、调度适配器、智能路侧融合感知系统。有益效果在于:本发明融合了港口TOS系统业务调度需求、港机实时状态、自动驾驶编队系统FMS中自动驾驶车辆状态、路侧融合感知车辆状态,通过建立的场景数据库及事件驱动引擎,虚拟业务模拟器实时在线预测业务发展趋势,有效解决了单一自动驾驶车辆调度或单独业务系统调度存在的调度效率低、混行车辆安全隐患突出的问题,提升了自动驾驶港口业务运输效率与行驶安全性。
Description
技术领域
本发明涉及车辆调动技术领域,尤其是涉及一种路侧感知增强辅助的混合交通集群调度方法及系统。
背景技术
车港协同是指综合运用融合感知、车路通信(5G、V2X)、边缘计算等技术,通过车辆与港机设备(龙门吊、正面吊)、港口业务操作系统(TOS,Terminal Operation System)等协同感知、协同调度,实现车辆在港口安全行驶、高效运输的一种综合性技术与系统。车港协同涉及路侧融合感知、路侧风险识别、港机协同调度、云端集中调度等技术,其中,面向不同类型车辆、港机设备的集群调度是提升港口运行效率的关键。随着自动驾驶技术的不断发展,已有一些港口引入不同类型的自动驾驶车辆开展运输工作,自动驾驶车辆的引入在一方面提升了自动化程度,另一方面也对传统调度系统和方法提出了新的挑战,需要引入新的面向自动驾驶特征的港口集群调度方法。
集群调度是指对多种类型车辆、港机设施进行任务规划、调度,通过实时获取车辆、港机设备状态,动态反馈任务执行状态,实现任务安全、高效执行的方法。
V2X(Vehicle to Everything),是指在车辆上安装一种专用通信终端,可实现与其他车辆、道路、行人以及云端进行数据交互服务,具体包括V2V(Vehicle To Vehicle车与车连接),V2I(Vehicle To Infrastructure车与基础设施连接),V2P(Vehicle ToPedestrian车与行人连接),V2N(Vehicle To Network车与网络连接)。所述专用通信终端主要对通信时延要求较高(小于10ms),且支持设备之间直接连接。目前主流技术之一是DSRC(Dedicated Short Range Communications,专用短距离通讯),另一种是LTE-V2X(基于蜂窝移动通信的V2X)。
V2X四类方式实现的功能介绍如下:
(1)V2V表示车跟车之间可以进行直接通信,把车作为一个移动通信终端,具有接收和发送车身基本数据的能力,例如,在一条路面上,当后面的一辆车HV(Host Vehicle)跟前面的一辆车RV(Remote Vehicle)快要发生碰撞危险时,如果两车都具有V2X通讯的能力,后面的车辆就可以通过接收前车的速度、航向角、车身的灯光状态等车身基本数据,然后跟自身的车身数据进行算法分析,判断是否有碰撞的危险,若有,则提醒驾驶员有跟前车发生碰撞的危险。
(2)V2I表示车跟周边基础设施进行通信。例如跟十字路口的红绿灯、RSU(路侧设备)进行通信,有时候我们大雾的时候,会看不到红绿灯的信息,这时候,车跟红绿灯进行通讯,获取当前红绿灯实时信息,并且把红绿灯信息都显示到车载的大屏上,就能判断出是否通过十字路口。
(3)V2P表示车人也可以进行通信,主要通过人身上的可穿戴设备、手机、电脑等方式,车跟人进行通信主要也是减少车跟人发生碰撞的危险,例如人在过马路的时候,车跟人之间还有另外其他的车辆隔挡住了视线,造成了盲区,车辆则可以通过与人的通信,判断出盲区有行人驶入,立即对驾驶员进行盲区预警。
(4)V2N表示车跟边缘云进行通信,大家都知道在城市道路中,十字路口最容易发生事故,很大概率的原因就是处于不同道路方向的车辆无法感知其他方向的路面是否有车驶来,那这样当有盲区两辆车在十字路口不减速的情况下就会造车事故。倘若这两辆车之间又有建筑物进行隔挡,这时候边缘云可以通过路侧设备接收这两辆车的车身基本数据,然后进行运算,再把结果通过路侧设备下发到车辆上,若会造车碰撞危险,则对驾驶员进行预警。
码头TOS系统,是指码头业务管理系统,主要针对码头业务实现堆场计划、船舶配载、车辆业务调度、作业控制、港机远程控制等功能。码头TOS系统,主要是对业务总体进行规划调度、对港机状态进行监控,并未考虑自动驾驶车辆实时运输状态、异常事件信息。
自动驾驶车队管理系统(Fleet Management System,FMS),是指自动驾驶车辆调度管理平台,主要通过与TOS系统对接为自动驾驶车辆目标业务数据,并由自动驾驶车辆动态导航至目标地,自动驾驶车辆运行过程中平台对车辆状态事件进行实时监管、远程控制等。自动驾驶车队管理系统FMS,主要是通过对接码头TOS系统获取车辆运输任务,并将任务下发至自动驾驶车辆,由车辆自主导航至目的地完成运输任务。该平台在车辆运输过程中,并未综合考虑TOS系统各港机状态、业务调度状态的动态变化,缺少港区内各设备、车辆的动态实时综合运行信息,经常遇到龙门吊等车辆、车辆等卸货、路线突然关闭、港机安全冲突等问题,无法实现对港区内运输作业效率的总体最优与局部最优控制。
随着自动驾驶在港口的不断部署,现有码头TOS系统只考虑港口业务运行状态和港机运行状态,而车队管理系统只考虑自动驾驶车辆在港口的运行安全状态,自动驾驶车辆与非自动驾驶车辆混合行驶,在港口运行过程中经常遇到自动驾驶车辆与非自动驾驶车辆碰撞、车辆盲区安全冲突、港机路线安全冲突等安全问题以及龙门吊等待车辆通过、车辆等待卸货、自动驾驶车辆让非自动驾驶车辆、路线突然关闭等效率问题日益突出。
发明内容
本发明就是为了解决上述问题而提出一种路侧感知增强辅助的混合交通集群调度方法及系统。
本发明的技术方案是这样实现的:
一种路侧感知增强辅助的混合交通集群调度系统,包括集群调度控制器、虚拟业务模拟器、环境场景库、业务场景库、事件驱动引擎、实时业务库、调度适配器、智能路侧融合感知系统,
所述集群调度控制器内置集群调度算法、控制算法,为虚拟业务模拟器提供集群调度算法,实现安全预警控制、运输路径控制、港机动作控制、车辆行驶速度控制,从虚拟业务模拟器获取预测控制指标,包括车辆运输路径、运输速度控制指标,港机运行控制指标,控制算法对各控制指标进行优化并生成实际调度控制指令并将控制指令转发至调度适配器;
所述虚拟业务模拟器用于根据实际港口状况采集环境场景库、业务场景库,定义事件驱动引擎机制,由虚拟业务模拟器构建与实际港口对应的虚拟港口,同时,构建与真实业务系统相互映射的并行处理虚拟业务系统,虚拟港口由实时业务库数据进行驱动,由事件驱动引擎、集群调度控制器控制算法驱动虚拟业务系统在线运行,实现在线业务状态模拟仿真、预测;
所述环境场景库采用基础元素构建方法对港口堆场、泊位、道路、路侧设施、港机设备等基础环境设施进行建模,并构建虚拟场景,形成环境场景库;
所述业务场景库:基于环境场景库、港口业务流转模型建立的船舶、集装箱、港机等对象流转过程模型,自动驾驶车辆、非自动驾驶车辆等运输对象运输过程模型,并由流转过程模型、运输过程模型构建业务场景模型;
所述事件驱动引擎用于构建虚拟业务系统所需的环境场景、业务场景及实时状态数据,针对港口港机类型、自动驾驶车辆类型、业务处理预案等建立一套港口事件处理引擎实例,为虚拟业务模拟器提供业务流程中各设备联动处理机制、业务处理机制;
所述实时业务库包括业务需求数据、港机状态数据、自动驾驶车辆状态数据;
所述调度适配器用于将不同港口业务操作系统、不同类型港机设备、不同品牌自动驾驶车辆数据、不同类型路侧感知数据进行统一适配,保障数据交互标准化;
所述智能路侧融合感知系统用于实时感知实际道路上自动驾驶车辆、非自动驾驶车辆运行状态,将感知数据回传至调度适配器用于构建实时业务库,同时,将感知数据发送至自动驾驶车辆、非自动驾驶车辆,提升车辆盲区感知范围。
进一步的,所述流转过程模型包括卸货港机类型、可运行港机编号、接货车辆编号。
进一步的,所述运输过程模型包括可行驶运输路线、可停靠贝位、可卸货堆场、可行驶运输车辆、运输路线周边港机设施。
进一步的,所述港口事件处理引擎实例包括车辆与港机冲突判别机制、车辆与车辆安全冲突机制、车辆与港机冲突处理机制、车辆异常处理机制、港机异常处理机制、异常优先处理机制。
进一步的,所述业务需求数据包括待卸货船舶位置、待卸货集装箱数;所述港机状态数据包括港机类型、港机位置、当前任务状态、当前任务剩余集装箱数量;所述自动驾驶车辆状态数据包括当前车辆位置、车辆类型、可运输状态、可运输里程、剩余电量。
进一步的,实时业务库将港口实时运行状态数据反馈至虚拟业务模拟器,由虚拟业务模拟器根据业务需求动态调整设备、车辆运行状态。
进一步的,所述集群调度控制器与港口业务操作系统(TOS)、智能路侧融合感知系统部署在同一网络,集群调度控制器通过局域网与TOS对接,获取实时业务需求数据、港机状态数据,通过智能路侧融合感知系统感知自动驾驶车辆、非自动驾驶车辆运动状态,自动驾驶车辆、非自动驾驶车辆业务状态数据直接接入集群调度系统。
一种应用上述路侧感知增强辅助的混合交通集群调度系统的路侧感知增强辅助的混合交通集群调度方法,包括以下步骤:
步骤一:构建虚拟业务系统
1.1、环境场景建模:采集并建立港口堆场、泊位、道路、路侧设施、港机设备、路侧感知设备等基础环境设施模型;
1.2、业务场景建模:建立船舶、集装箱、港机等对象流转过程模型,自动驾驶车辆等运输对象运输过程模型,并由流转过程模型、运行过程模型构建业务场景模型;
1.3、事件驱动引擎实例化:建立车辆与港机冲突判别机制、车辆与车辆安全冲突机制、车辆与港机冲突处理机制、车辆异常处理机制、港机异常处理机制、异常优先处理机制等,为虚拟业务模拟器提供业务流程中各设备联动处理机制、业务处理机制;
1.4、虚拟业务模拟器实例化:在虚拟业务模拟器中导入环境场景库、业务场景库、事件驱动引擎机制,由虚拟业务模拟器构建与实际港口对应的虚拟业务系统,同时,虚拟业务系统由实时业务库数据进行驱动,由事件驱动引擎、集群调度控制器控制算法驱动虚拟业务系统在线运行;
步骤二:启动虚拟业务系统,通过集群调度算法对自动驾驶车辆、港机设备进行协同调度控制,对非自动驾驶车辆进行引导;
2.1、接收实时业务数据,获取港口业务运输需求,港机、船舶、集装箱作业状态,自动驾驶车辆、非自动驾驶车辆实时运输状态,路侧融合感知数据,将数据映射至虚拟业务系统,判断是否有新业务运输需求,如果有,则获取空闲可用港机、自动驾驶车辆状态、非自动驾驶车辆状态,然后进入下一步;否则直接进入下一步;
2.2、安全调度仿真,判断各港机水平、纵向运行与自动驾驶车辆、非自动驾驶车辆路线冲突及潜在碰撞风险识别;
2.2.1、提取各港机运动状态(相对位置(x,y,z)、速度v、方向h)与作业运动路线,各自动驾驶车辆运动状态Pos_i(lon_i,lat_i,ele_i)、速度Vi、加速度Va、方向heading_i与规划路径{pt_j(lon_j,lat_j,ele_j)},非自动驾驶车辆运动状态Pos_ii(lon_ii,lat_ii,ele_ii)、速度Vii、加速度Vai、方向heading_ii与规划路径{pt_jj(lon_jj,lat_jj,ele_jj)};
2.2.2、将港机运动状态及路线以港机高精设备定位安装点为中心转换成三维空间坐标系坐标点,港机作业臂三维坐标位置pt0(lon0,lat0,ele0)、速度V0、方向heading0,港机运动路线点集合{pt_k(lon_k,lat_k,ele_k)};
2.2.3、车-港机安全风险识别:计算某港机的预警TTC0,TTC0=min{TTCi},i=1~N,N为当前时刻靠近该港机的自动驾驶车辆,TTCi为港机与各自动驾驶车辆、非自动驾驶车辆根据当前位置、速度、方向及轨迹计算的潜在碰撞时间,其中TTC是指Time tocollision;
2.2.3.1、建立港机的安全预警势场,即以港机作业臂为中心,预警半径R0的安全预警球形势场,其中预警半径R0=(Rmax<K/TTC0)?Rmax:K/TTC0,其中Rmax为根据港机特征预设的最大预警半径值,K为预警半径常数根据实际情况设置;
2.2.3.2、计算港机的预警级别WarnL0、预警半径R0,
WarnL0=(L1≥K/TTC0)?1:((L2≥K/TTC0)?2:3),
其中,L1为1级预警阈值,L2为2级预警阈值,K为预警半径常数根据实际情况设置,最大为3级预警;
2.2.3.3、判断当前安全碰撞级别,如果存在安全预警,则按照预警级别生成分级安全调度策略,1级预警时相关自动驾驶车辆、非自动驾驶车辆减速或自动驾驶车辆调整路线运行;2级预警碰撞相关自动驾驶车辆、非自动驾驶车辆暂停运行;3级预警时碰撞相关港机、自动驾驶车辆、非自动驾驶车辆暂停运行;如果无安全预警则进入下一步运输效率仿真;
2.2.4、车-车安全风险识别:计算自动驾驶车辆与其他车辆的预警TTC1,TTC1=min{TTCi},i=1~N,N为靠近自动驾驶车辆的其他车辆数量,TTCi为自动驾驶车辆与其他车辆根据当前位置、速度、方向及轨迹计算的潜在碰撞时间;
2.2.4.1、建立车辆安全预警势场,即以车辆几何中心为原点,预警半径R1的安全预警圆形势场,其中预警半径R1=(Rmax<K/TTC1)?Rmax:K/TTC1,其中Rmax为根据车辆类型预设的最大预警半径值,K为预警半径常数根据实际情况设置;
2.2.4.2、计算车辆安全预警级别WarnL、预警半径R1,
WarnL=(L1≥K/TTC1)?1:((L2≥K/TTC1)?2:3),
其中,L1为1级预警阈值,L2为2级预警阈值,K为预警半径常数根据实际情况设置,最大为3级预警;
2.2.4.3、判断当前安全碰撞级别,如果存在安全预警,则按照预警级别生成分级安全调度策略,1级预警时相关自动驾驶车辆减速或调整路线运行;2级预警碰撞相关自动驾驶车辆暂停运行;3级预警时碰撞相关自动驾驶车辆、非自动驾驶车辆暂停运行;如果无安全预警则进入下一步运输效率仿真;
2.3、运输效率仿真,判断各运输过程匹配度,降低货物等车辆的空转时间;
2.3.1、匹配港机端、运输端需求,综合场内待运输集装箱数量totalNum与位置pos_i、可运行港机位置pos_j与状态state_j、可运输自动驾驶车辆位置pos_k与状态state_k,可运输非自动驾驶车辆位置pos_l与状态state_l,将运输集装箱资源分割成不同任务task_i(包括集装箱厂家manufactory、类型type、转运时间time、尺寸size、位置pos信息),生成资源矩阵Matrix_res=[task_i;pos_j,state_j;post_k,state_k;post_l,state_l];
2.3.2、根据资源矩阵,在安全运行前提下,综合利用最短路径法、最小能量法,计算车辆与集装箱距离dist、车辆剩余运输里程(电量)SOC,匹配执行任务最优车辆运输任务task_i;
2.3.3、动态匹配泊位、堆场两端运输资源,动态协调运输两端港机设备提前准备,在车辆到达泊位前,龙门吊等提前准备好集装箱,预估接货时间time_incharge_cal;车辆转运到堆场前,堆场正面吊等准备好接货,预估卸货时间time_discharge_cal;动态调整两端港机资源,降低货物等车辆的空闲时间
time_idle=fabs(time_incharge_cal-time_incharge_real)+
fabs(time_discharge_cal-time_discharge_real),
其中,time_incharge_real为自动驾驶车辆实际接货时间,time_discharge_real为自动驾驶车辆实际卸货时间,fabs为取绝对值;
2.3.4、生成运输策略后,在虚拟业务系统中在线模拟未来N个采样周期(N的具体数值根据虚拟业务系统模型控制平稳性进行确定),验证各车辆运行路线状态,综合车辆行驶事件、港机吊装事件提前预判冲突风险,动态调整运行路线,防止港机空闲等待;
2.3.5、判断运输空转时间time_idle超过本任务task_i的阈值TIME_IDLE_i,则进入下一步生成调度指标;否则提前结束本次循环,重新获取实时业务数据(步骤2.1),进入下一次循环;其中TIME_IDLE_i为每一个任务的最大允许空转时间,综合当前业务饱和度、港机可用数量、运输线路长度综合计算得出;
步骤三:集群调度控制器接收虚拟业务系统调度指标,通过内置控制指令集对自动驾驶车辆、港机生成标准控制指令,对非自动驾驶车辆生成引导指令;
步骤四:调度适配器收到调度控制器生成的控制指令,根据预制港机、车辆模型参数由标准控制指令转换成不同港机、车辆对应协议指令;
步骤五:车辆、港机接收调度控制指令,执行动作并反馈最新状态;
5.1、自动驾驶车辆、港机设备接收到控制指令后,执行相应动作,并将最新运行状态上传至业务平台;
5.2、非自动驾驶车辆车载智能终端接收到引导指令,通过语音、文字方式提示司机按照引导指令进行运输操作,并将最新运行状态上传至业务平台,针对非自动驾驶车辆不可控问题,平台根据反馈执行状态对非自动驾驶车辆进行周期督促引导,连续3次督促后,由调度系统提醒调度人员进行督促;
步骤六:重新获取实时业务数据(步骤2.1),重复执行下一个循环。
采用了上述技术方案,本发明的有益效果为:
1、本发明融合了港口TOS系统业务调度需求、港机实时状态、自动驾驶编队系统FMS中自动驾驶车辆状态、路侧融合感知车辆状态,通过建立的场景数据库及事件驱动引擎,虚拟业务模拟器实时在线预测业务发展趋势,有效解决了单一自动驾驶车辆调度或单独业务系统调度存在的调度效率低、混行车辆安全隐患突出的问题,提升了自动驾驶港口业务运输效率与行驶安全性;
2、本发明提供了一种混合交通安全调度仿真方法,通过路侧融合感知道路实时车辆运动状态,同时,接入自动驾驶车辆状态、港机运行状态,分别判断车辆与港机安全风险、自动驾驶车辆与非自动驾驶车辆安全风险,提升港口混行车辆安全运行水平;
3、本发明提供了一种非自动驾驶车辆调度方法,针对非自动驾驶车辆不可控情况,将虚拟业务系统对非自动驾驶车辆的引导执行定时发送给司机,当超过最大提醒次数仍未执行则通知调度人员人工干预,利用虚拟业务系统在线仿真、及时提醒司机执行业务引导指令,提升混行模式下运行效率。
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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的集群调度系统结构框图;
图2是本发明的集群调度系统数据接入图;
图3是本发明的集群调度方法流程图。
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。
如图1-图2所示,一种路侧感知增强辅助的混合交通集群调度系统包括集群调度控制器、虚拟业务模拟器、环境场景库、业务场景库、事件驱动引擎、实时业务库、调度适配器、智能路侧融合感知系统,
所述集群调度控制器内置集群调度算法、控制算法,为虚拟业务模拟器提供集群调度算法,实现安全预警控制、运输路径控制、港机动作控制、车辆行驶速度控制,从虚拟业务模拟器获取预测控制指标,包括车辆运输路径、运输速度控制指标,港机运行控制指标,控制算法对各控制指标进行优化并生成实际调度控制指令并将控制指令转发至调度适配器;
所述虚拟业务模拟器用于根据实际港口状况采集环境场景库、业务场景库,定义事件驱动引擎机制,由虚拟业务模拟器构建与实际港口对应的虚拟港口,同时,构建与真实业务系统相互映射的并行处理虚拟业务系统,虚拟港口由实时业务库数据进行驱动,由事件驱动引擎、集群调度控制器控制算法驱动虚拟业务系统在线运行,实现在线业务状态模拟仿真、预测;
所述环境场景库采用基础元素构建方法对港口堆场、泊位、道路、路侧设施、港机设备等基础环境设施进行建模,并构建虚拟场景,形成环境场景库,可自定义新型元素,经过标定后可快速搭建环境场景;
所述业务场景库用于构建虚拟业务系统所需的环境场景、业务场景及实时状态数据,所述业务场景库中构建的模型包括基于环境场景库、港口业务流转模型建立的船舶、集装箱、港机等对象流转过程模型,自动驾驶车辆、非自动驾驶车辆等运输对象运输过程模型,并由流转过程模型、运输过程模型构建业务场景模型,所述流转过程模型包括卸货港机类型、可运行港机编号、接货车辆编号,所述运输过程模型包括可行驶运输路线、可停靠贝位、可卸货堆场、可行驶运输车辆、运输路线周边港机设施;
所述事件驱动引擎用于构建虚拟业务系统所需的环境场景、业务场景及实时状态数据,事件驱动引擎针对港口港机类型、自动驾驶车辆类型、业务处理预案等建立一套港口事件处理引擎实例,所述港口事件处理引擎实例包括车辆与港机冲突判别机制、车辆与车辆安全冲突机制、车辆与港机冲突处理机制、车辆异常处理机制、港机异常处理机制、异常优先处理机制,为虚拟业务模拟器提供业务流程中各设备联动处理机制、业务处理机制;
所述实时业务库包括业务需求数据、港机状态数据、自动驾驶车辆状态数据,其中,所述业务需求数据包括待卸货船舶位置、待卸货集装箱数;所述港机状态数据包括港机类型、港机位置、当前任务状态、当前任务剩余集装箱数量;所述自动驾驶车辆状态数据包括当前车辆位置、车辆类型、可运输状态、可运输里程、剩余电量,实时业务库将港口实时运行状态数据反馈至虚拟业务模拟器,由虚拟业务模拟器根据业务需求动态调整设备、车辆运行状态;
所述调度适配器用于将不同港口业务操作系统、不同类型港机设备、不同品牌自动驾驶车辆数据、不同类型路侧感知数据进行统一适配,保障数据交互标准化,针对港口面临的不同自动驾驶厂家、不同港机设备调度需求,由实时业务库制定统一数据交互标准,调度适配器对接不同港口业务操作系统、自动驾驶厂家、港机设备、路侧感知系统生成标准格式数据,实现集群调度系统的普遍适用性及快速部署;
所述智能路侧融合感知系统用于实时感知实际道路上自动驾驶车辆、非自动驾驶车辆运行状态,提升混行模式下虚拟业务系统对实际物流业务系统的映射范围,将感知数据回传至调度适配器用于构建实时业务库,同时,在真实物理业务系统中,将感知数据发送至自动驾驶车辆、非自动驾驶车辆,提升车辆盲区感知范围,智能路侧融合感知系统部署在道路交叉口、弯道、定位干扰区域,解决了港口道路混行模式下存在的感知盲区问题。
优选的,所述集群调度控制器与港口业务操作系统(TOS)、智能路侧融合感知系统部署在同一网络,集群调度控制器通过局域网与TOS对接,获取实时业务需求数据、港机状态数据,通过智能路侧融合感知系统感知自动驾驶车辆、非自动驾驶车辆运动状态,其中,自动驾驶车辆、非自动驾驶车辆业务状态数据直接接入集群调度系统,港机状态数据一般是直接接入TOS,为进一步降低调度时延,港机状态数据可直接接入集群调度系统。
如图3所示,一种应用上述路侧感知增强辅助的混合交通集群调度系统的路侧感知增强辅助的混合交通集群调度方法,包括以下步骤:
步骤一:构建虚拟业务系统
1.1、环境场景建模:采集并建立港口堆场、泊位、道路、路侧设施、港机设备、路侧感知设备等基础环境设施模型;
1.2、业务场景建模:建立船舶、集装箱、港机等对象流转过程模型,自动驾驶车辆等运输对象运输过程模型,并由流转过程模型、运行过程模型构建业务场景模型;
1.3、事件驱动引擎实例化:建立车辆与港机冲突判别机制、车辆与车辆安全冲突机制、车辆与港机冲突处理机制、车辆异常处理机制、港机异常处理机制、异常优先处理机制等,为虚拟业务模拟器提供业务流程中各设备联动处理机制、业务处理机制;
1.4、虚拟业务模拟器实例化:在虚拟业务模拟器中导入环境场景库、业务场景库、事件驱动引擎机制,由虚拟业务模拟器构建与实际港口对应的虚拟业务系统,同时,虚拟业务系统由实时业务库数据进行驱动,由事件驱动引擎、集群调度控制器控制算法驱动虚拟业务系统在线运行;
步骤二:启动虚拟业务系统,通过集群调度算法对自动驾驶车辆、港机设备进行协同调度控制,对非自动驾驶车辆进行引导;
2.1、接收实时业务数据,获取港口业务运输需求,港机、船舶、集装箱作业状态,自动驾驶车辆、非自动驾驶车辆实时运输状态,路侧融合感知数据,将数据映射至虚拟业务系统,判断是否有新业务运输需求,如果有,则获取空闲可用港机、自动驾驶车辆状态、非自动驾驶车辆状态,然后进入下一步;否则直接进入下一步;
2.2、安全调度仿真,判断各港机水平、纵向运行与自动驾驶车辆、非自动驾驶车辆路线冲突及潜在碰撞风险识别;
2.2.1、提取各港机运动状态(相对位置(x,y,z)、速度v、方向h)与作业运动路线,各自动驾驶车辆运动状态Pos_i(lon_i,lat_i,ele_i)、速度Vi、加速度Va、方向heading_i与规划路径{pt_j(lon_j,lat_j,ele_j)},非自动驾驶车辆运动状态Pos_ii(lon_ii,lat_ii,ele_ii)、速度Vii、加速度Vai、方向heading_ii与规划路径{pt_jj(lon_jj,lat_jj,ele_jj)},其中lon为经度,lat为纬度,ele为海拔;
2.2.2、将港机运动状态及路线以港机高精设备定位安装点为中心转换成三维空间坐标系坐标点,港机作业臂三维坐标位置pt0(lon0,lat0,ele0)、速度V0、方向heading0,港机运动路线点集合{pt_k(lon_k,lat_k,ele_k)};
2.2.3、车-港机安全风险识别:计算某港机的预警TTC0,TTC0=min{TTCi},i=1~N,N为当前时刻靠近该港机的自动驾驶车辆,TTCi为港机与各自动驾驶车辆、非自动驾驶车辆根据当前位置、速度、方向及轨迹计算的潜在碰撞时间,其中TTC是指Time tocollision;
2.2.3.1、建立港机的安全预警势场,即以港机作业臂为中心,预警半径R0的安全预警球形势场,
其中预警半径R0=(Rmax<K/TTC0)?Rmax:K/TTC0,
其中Rmax为根据港机特征预设的最大预警半径值,K为预警半径常数根据实际情况设置;
2.2.3.2、计算港机的预警级别WarnL0、预警半径R0,
WarnL0=(L1≥K/TTC0)?1:((L2≥K/TTC0)?2:3),
其中,L1为1级预警阈值,L2为2级预警阈值,K为预警半径常数根据实际情况设置,最大为3级预警;
2.2.3.3、判断当前安全碰撞级别,如果存在安全预警,则按照预警级别生成分级安全调度策略,1级预警时相关自动驾驶车辆、非自动驾驶车辆减速或自动驾驶车辆调整路线运行;2级预警碰撞相关自动驾驶车辆、非自动驾驶车辆暂停运行;3级预警时碰撞相关港机、自动驾驶车辆、非自动驾驶车辆暂停运行;如果无安全预警则进入下一步运输效率仿真;
2.2.4、车-车安全风险识别:计算自动驾驶车辆与其他车辆的预警TTC1,TTC1=min{TTCi},i=1~N,N为靠近自动驾驶车辆的其他车辆数量,TTCi为自动驾驶车辆与其他车辆根据当前位置、速度、方向及轨迹计算的潜在碰撞时间;
2.2.4.1、建立车辆安全预警势场,即以车辆几何中心为原点,预警半径R1的安全预警圆形势场,其中预警半径R1=(Rmax<K/TTC1)?Rmax:K/TTC1,其中Rmax为根据车辆类型预设的最大预警半径值,K为预警半径常数根据实际情况设置;
2.2.4.2、计算车辆安全预警级别WarnL、预警半径R1,WarnL=(L1≥K/TTC1)?1:((L2≥K/TTC1)?2:3),其中,L1为1级预警阈值,L2为2级预警阈值,K为预警半径常数根据实际情况设置,最大为3级预警;
2.2.4.3、断当前安全碰撞级别,如果存在安全预警,则按照预警级别生成分级安全调度策略,1级预警时相关自动驾驶车辆减速或调整路线运行;2级预警碰撞相关自动驾驶车辆暂停运行;3级预警时碰撞相关自动驾驶车辆、非自动驾驶车辆暂停运行;如果无安全预警则进入下一步运输效率仿真;
2.3、运输效率仿真,判断各运输过程匹配度,降低货物等车辆的空转时间;
2.3.1、匹配港机端、运输端需求,综合场内待运输集装箱数量totalNum与位置pos_i、可运行港机位置pos_j与状态state_j、可运输自动驾驶车辆位置pos_k与状态state_k,可运输非自动驾驶车辆位置pos_l与状态state_l,将运输集装箱资源分割成不同任务task_i(包括集装箱厂家manufactory、类型type、转运时间time、尺寸size、位置pos信息),生成资源矩阵:
Matrix_res=[task_i;pos_j,state_j;post_k,state_k;post_l,state_l];
2.3.2、根据资源矩阵,在安全运行前提下,综合利用最短路径法、最小能量法,计算车辆与集装箱距离dist、车辆剩余运输里程(电量)SOC,匹配执行任务最优车辆运输任务task_i;
2.3.3、动态匹配泊位、堆场两端运输资源,动态协调运输两端港机设备提前准备,在车辆到达泊位前,龙门吊等提前准备好集装箱,预估接货时间time_incharge_cal;车辆转运到堆场前,堆场正面吊等准备好接货,预估卸货时间time_discharge_cal;动态调整两端港机资源,降低货物等车辆的空闲时间,
time_idle=fabs(time_incharge_cal-time_incharge_real)+
fabs(time_discharge_cal-time_discharge_real),
其中,time_incharge_real为自动驾驶车辆实际接货时间,time_discharge_real为自动驾驶车辆实际卸货时间,fabs为取绝对值;
2.3.4、生成运输策略后,在虚拟业务系统中在线模拟未来N个采样周期(N的具体数值根据虚拟业务系统模型控制平稳性进行确定),验证各车辆运行路线状态,综合车辆行驶事件、港机吊装事件提前预判冲突风险,动态调整运行路线,防止港机空闲等待;
2.3.5、判断运输空转时间time_idle超过本任务task_i的阈值TIME_IDLE_i,则进入下一步生成调度指标;否则提前结束本次循环,重新获取实时业务数据(步骤2.1),进入下一次循环;其中TIME_IDLE_i为每一个任务的最大允许空转时间,综合当前业务饱和度、港机可用数量、运输线路长度综合计算得出;
步骤三:集群调度控制器接收虚拟业务系统调度指标,通过内置控制指令集对自动驾驶车辆、港机生成标准控制指令,对非自动驾驶车辆生成引导指令;
步骤四:调度适配器收到调度控制器生成的控制指令,根据预制港机、车辆模型参数由标准控制指令转换成不同港机、车辆对应协议指令;
步骤五:车辆、港机接收调度控制指令,执行动作并反馈最新状态;
5.1、自动驾驶车辆、港机设备接收到控制指令后,执行相应动作,并将最新运行状态上传至业务平台;
5.2、非自动驾驶车辆车载智能终端接收到引导指令,通过语音、文字方式提示司机按照引导指令进行运输操作,并将最新运行状态上传至业务平台,针对非自动驾驶车辆不可控问题,平台根据反馈执行状态对非自动驾驶车辆进行周期督促引导,连续3次督促后,由调度系统提醒调度人员进行督促;
步骤六:重新获取实时业务数据(步骤2.1),重复执行下一个循环。
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,凡在本发明的精神和原则之内,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 (7)
1.一种路侧感知增强辅助的混合交通集群调度系统,其特征在于:包括集群调度控制器、虚拟业务模拟器、环境场景库、业务场景库、事件驱动引擎、实时业务库、调度适配器、智能路侧融合感知系统,
所述集群调度控制器内置集群调度算法、控制算法,为虚拟业务模拟器提供集群调度算法,实现安全预警控制、运输路径控制、港机动作控制、车辆行驶速度控制,从虚拟业务模拟器获取预测控制指标,包括车辆运输路径、运输速度控制指标,港机运行控制指标,控制算法对各控制指标进行优化并生成实际调度控制指令并将控制指令转发至调度适配器;
所述虚拟业务模拟器用于根据实际港口状况采集环境场景库、业务场景库,定义事件驱动引擎机制,由虚拟业务模拟器构建与实际港口对应的虚拟港口,同时,构建与真实业务系统相互映射的并行处理虚拟业务系统,虚拟港口由实时业务库数据进行驱动,由事件驱动引擎、集群调度控制器控制算法驱动虚拟业务系统在线运行,实现在线业务状态模拟仿真、预测;
所述环境场景库采用基础元素构建方法对港口堆场、泊位、道路、路侧设施、港机设备等基础环境设施进行建模,并构建虚拟场景,形成环境场景库;
所述业务场景库:基于环境场景库、港口业务流转模型建立的船舶、集装箱、港机等对象流转过程模型,自动驾驶车辆、非自动驾驶车辆等运输对象运输过程模型,并由流转过程模型、运输过程模型构建业务场景模型;
所述事件驱动引擎用于构建虚拟业务系统所需的环境场景、业务场景及实时状态数据,针对港口港机类型、自动驾驶车辆类型、业务处理预案等建立一套港口事件处理引擎实例,为虚拟业务模拟器提供业务流程中各设备联动处理机制、业务处理机制;
所述实时业务库包括业务需求数据、港机状态数据、自动驾驶车辆状态数据;
所述调度适配器用于将不同港口业务操作系统、不同类型港机设备、不同品牌自动驾驶车辆数据、不同类型路侧感知数据进行统一适配,保障数据交互标准化;
所述智能路侧融合感知系统用于实时感知实际道路上自动驾驶车辆、非自动驾驶车辆运行状态,将感知数据回传至调度适配器用于构建实时业务库,同时,将感知数据发送至自动驾驶车辆、非自动驾驶车辆,提升车辆盲区感知范围。
2.根据权利要求1所述的一种路侧感知增强辅助的混合交通集群调度系统,其特征在于:所述流转过程模型包括卸货港机类型、可运行港机编号、接货车辆编号。
3.根据权利要求1所述的一种路侧感知增强辅助的混合交通集群调度系统,其特征在于:所述运输过程模型包括可行驶运输路线、可停靠贝位、可卸货堆场、可行驶运输车辆、运输路线周边港机设施。
4.根据权利要求1所述的一种路侧感知增强辅助的混合交通集群调度系统,其特征在于:所述港口事件处理引擎实例包括车辆与港机冲突判别机制、车辆与车辆安全冲突机制、车辆与港机冲突处理机制、车辆异常处理机制、港机异常处理机制、异常优先处理机制。
5.根据权利要求1所述的一种路侧感知增强辅助的混合交通集群调度系统,其特征在于:所述业务需求数据包括待卸货船舶位置、待卸货集装箱数;所述港机状态数据包括港机类型、港机位置、当前任务状态、当前任务剩余集装箱数量;所述自动驾驶车辆状态数据包括当前车辆位置、车辆类型、可运输状态、可运输里程、剩余电量。
6.根据权利要求1所述的一种路侧感知增强辅助的混合交通集群调度系统,其特征在于:实时业务库将港口实时运行状态数据反馈至虚拟业务模拟器,由虚拟业务模拟器根据业务需求动态调整设备、车辆运行状态。
7.一种应用权利要求1-6任意一项所述的一种路侧感知增强辅助的混合交通集群调度系统的路侧感知增强辅助的混合交通集群调度系统方法,其特征在于:包括以下步骤:
步骤一:构建虚拟业务系统
1.1、环境场景建模:采集并建立港口堆场、泊位、道路、路侧设施、港机设备、路侧感知设备等基础环境设施模型;
1.2、业务场景建模:建立船舶、集装箱、港机等对象流转过程模型,自动驾驶车辆等运输对象运输过程模型,并由流转过程模型、运行过程模型构建业务场景模型;
1.3、事件驱动引擎实例化:建立车辆与港机冲突判别机制、车辆与车辆安全冲突机制、车辆与港机冲突处理机制、车辆异常处理机制、港机异常处理机制、异常优先处理机制等,为虚拟业务模拟器提供业务流程中各设备联动处理机制、业务处理机制;
1.4、虚拟业务模拟器实例化:在虚拟业务模拟器中导入环境场景库、业务场景库、事件驱动引擎机制,由虚拟业务模拟器构建与实际港口对应的虚拟业务系统,同时,虚拟业务系统由实时业务库数据进行驱动,由事件驱动引擎、集群调度控制器控制算法驱动虚拟业务系统在线运行;
步骤二:启动虚拟业务系统,通过集群调度算法对自动驾驶车辆、港机设备进行协同调度控制,对非自动驾驶车辆进行引导;
2.1、接收实时业务数据,获取港口业务运输需求,港机、船舶、集装箱作业状态,自动驾驶车辆、非自动驾驶车辆实时运输状态,路侧融合感知数据,将数据映射至虚拟业务系统,判断是否有新业务运输需求,如果有,则获取空闲可用港机、自动驾驶车辆状态、非自动驾驶车辆状态,然后进入下一步;否则直接进入下一步;
2.2、安全调度仿真,判断各港机水平、纵向运行与自动驾驶车辆、非自动驾驶车辆路线冲突及潜在碰撞风险识别;
2.2.1、提取各港机运动状态(相对位置(x,y,z)、速度v、方向h)与作业运动路线,各自动驾驶车辆运动状态Pos_i(lon_i,lat_i,ele_i)、速度Vi、加速度Va、方向heading_i与规划路径{pt_j(lon_j,lat_j,ele_j)},非自动驾驶车辆运动状态Pos_ii(lon_ii,lat_ii,ele_ii)、速度Vii、加速度Vai、方向heading_ii与规划路径{pt_jj(lon_jj,lat_jj,ele_jj)};
2.2.2、将港机运动状态及路线以港机高精设备定位安装点为中心转换成三维空间坐标系坐标点,港机作业臂三维坐标位置pt0(lon0,lat0,ele0)、速度V0、方向heading0,港机运动路线点集合{pt_k(lon_k,lat_k,ele_k)};
2.2.3、车-港机安全风险识别:计算某港机的预警TTC0,TTC0=min{TTCi},i=1~N,N为当前时刻靠近该港机的自动驾驶车辆,TTCi为港机与各自动驾驶车辆、非自动驾驶车辆根据当前位置、速度、方向及轨迹计算的潜在碰撞时间,其中TTC是指Time to collision;
2.2.3.1、建立港机的安全预警势场,即以港机作业臂为中心,预警半径R0的安全预警球形势场,其中预警半径R0=(Rmax<K/TTC0)?Rmax:K/TTC0,其中Rmax为根据港机特征预设的最大预警半径值,K为预警半径常数根据实际情况设置;
2.2.3.2、计算港机的预警级别WarnL0、预警半径R0,WarnL0=(L1≥K/TTC0)?1:((L2≥K/TTC0)?2:3),其中,L1为1级预警阈值,L2为2级预警阈值,K为预警半径常数根据实际情况设置,最大为3级预警;
2.2.3.3、判断当前安全碰撞级别,如果存在安全预警,则按照预警级别生成分级安全调度策略,1级预警时相关自动驾驶车辆、非自动驾驶车辆减速或自动驾驶车辆调整路线运行;2级预警碰撞相关自动驾驶车辆、非自动驾驶车辆暂停运行;3级预警时碰撞相关港机、自动驾驶车辆、非自动驾驶车辆暂停运行;如果无安全预警则进入下一步运输效率仿真;
2.2.4、车-车安全风险识别:计算自动驾驶车辆与其他车辆的预警TTC1,TTC1=min{TTCi},i=1~N,N为靠近自动驾驶车辆的其他车辆数量,TTCi为自动驾驶车辆与其他车辆根据当前位置、速度、方向及轨迹计算的潜在碰撞时间;
2.2.4.1、建立车辆安全预警势场,即以车辆几何中心为原点,预警半径R1的安全预警圆形势场,其中预警半径R1=(Rmax<K/TTC1)?Rmax:K/TTC1,其中Rmax为根据车辆类型预设的最大预警半径值,K为预警半径常数根据实际情况设置;
2.2.4.2、计算车辆安全预警级别WarnL、预警半径R1,WarnL=(L1≥K/TTC1)?1:((L2≥K/TTC1)?2:3),其中,L1为1级预警阈值,L2为2级预警阈值,K为预警半径常数根据实际情况设置,最大为3级预警;
2.2.4.3、判断当前安全碰撞级别,如果存在安全预警,则按照预警级别生成分级安全调度策略,1级预警时相关自动驾驶车辆减速或调整路线运行;2级预警碰撞相关自动驾驶车辆暂停运行;3级预警时碰撞相关自动驾驶车辆、非自动驾驶车辆暂停运行;如果无安全预警则进入下一步运输效率仿真;
2.3、运输效率仿真,判断各运输过程匹配度,降低货物等车辆的空转时间;
2.3.1、匹配港机端、运输端需求,综合场内待运输集装箱数量totalNum与位置pos_i、可运行港机位置pos_j与状态state_j、可运输自动驾驶车辆位置pos_k与状态state_k,可运输非自动驾驶车辆位置pos_l与状态state_l,将运输集装箱资源分割成不同任务task_i(包括集装箱厂家manufactory、类型type、转运时间time、尺寸size、位置pos信息),生成资源矩阵Matrix_res=[task_i;pos_j,state_j;post_k,state_k;post_l,state_l];
2.3.2、根据资源矩阵,在安全运行前提下,综合利用最短路径法、最小能量法,计算车辆与集装箱距离dist、车辆剩余运输里程(电量)SOC,匹配执行任务最优车辆运输任务task_i;
2.3.3、动态匹配泊位、堆场两端运输资源,动态协调运输两端港机设备提前准备,在车辆到达泊位前,龙门吊等提前准备好集装箱,预估接货时间time_incharge_cal;车辆转运到堆场前,堆场正面吊等准备好接货,预估卸货时间time_discharge_cal;动态调整两端港机资源,降低货物等车辆的空闲时间
time_idle=fabs(time_incharge_cal-time_incharge_real)+
fabs(time_discharge_cal-time_discharge_real),
其中,time_incharge_real为自动驾驶车辆实际接货时间,time_discharge_real为自动驾驶车辆实际卸货时间,fabs为取绝对值;
2.3.4、生成运输策略后,在虚拟业务系统中在线模拟未来N个采样周期,验证各车辆运行路线状态,综合车辆行驶事件、港机吊装事件提前预判冲突风险,动态调整运行路线,防止港机空闲等待;
2.3.5、判断运输空转时间time_idle超过本任务task_i的阈值TIME_IDLE_i,则进入下一步生成调度指标;否则提前结束本次循环,重新获取实时业务数据(步骤2.1),进入下一次循环;其中TIME_IDLE_i为每一个任务的最大允许空转时间,综合当前业务饱和度、港机可用数量、运输线路长度综合计算得出;
步骤三:集群调度控制器接收虚拟业务系统调度指标,通过内置控制指令集对自动驾驶车辆、港机生成标准控制指令,对非自动驾驶车辆生成引导指令;
步骤四:调度适配器收到调度控制器生成的控制指令,根据预制港机、车辆模型参数由标准控制指令转换成不同港机、车辆对应协议指令;
步骤五:车辆、港机接收调度控制指令,执行动作并反馈最新状态;
5.1、自动驾驶车辆、港机设备接收到控制指令后,执行相应动作,并将最新运行状态上传至业务平台;
5.2、非自动驾驶车辆车载智能终端接收到引导指令,通过语音、文字方式提示司机按照引导指令进行运输操作,并将最新运行状态上传至业务平台,针对非自动驾驶车辆不可控问题,平台根据反馈执行状态对非自动驾驶车辆进行周期督促引导,连续3次督促后,由调度系统提醒调度人员进行督促;
步骤六:重新获取实时业务数据(步骤2.1),重复执行下一个循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311600571.4A CN117746619A (zh) | 2023-11-28 | 2023-11-28 | 一种路侧感知增强辅助的混合交通集群调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311600571.4A CN117746619A (zh) | 2023-11-28 | 2023-11-28 | 一种路侧感知增强辅助的混合交通集群调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117746619A true CN117746619A (zh) | 2024-03-22 |
Family
ID=90278403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311600571.4A Pending CN117746619A (zh) | 2023-11-28 | 2023-11-28 | 一种路侧感知增强辅助的混合交通集群调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117746619A (zh) |
-
2023
- 2023-11-28 CN CN202311600571.4A patent/CN117746619A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11842642B2 (en) | Connected automated vehicle highway systems and methods related to heavy vehicles | |
US20220227394A1 (en) | Autonomous Vehicle Operational Management | |
EP3948463B1 (en) | Teleoperation for exception handling | |
WO2020164021A1 (zh) | 用于驾驶控制的方法、装置、设备、介质和系统 | |
WO2021135371A1 (zh) | 一种自动驾驶方法、相关设备及计算机可读存储介质 | |
CN110418743B (zh) | 自主车辆运行管理阻碍监测 | |
CN113968216B (zh) | 一种车辆碰撞检测方法、装置及计算机可读存储介质 | |
JP6726363B2 (ja) | 生成されたインターフェースを使用する自律走行車の監視 | |
CN111260946A (zh) | 一种基于智能网联系统的自动驾驶货车运营控制系统 | |
CN111462481A (zh) | 包含多功能无人车的云大脑智能交通系统 | |
EP4086875A1 (en) | Self-driving method and related device | |
JP2019537159A5 (zh) | ||
WO2022057737A1 (zh) | 一种停车控制方法及相关设备 | |
CN113535743B (zh) | 无人驾驶地图实时更新方法、装置、电子设备、存储介质 | |
WO2022062825A1 (zh) | 车辆的控制方法、装置及车辆 | |
CN112684791A (zh) | 一种基于5g的无人驾驶物流车 | |
US10836405B2 (en) | Continual planning and metareasoning for controlling an autonomous vehicle | |
CN113844465B (zh) | 一种自动驾驶方法及系统 | |
CN113968242A (zh) | 自动驾驶场景生成方法、装置及系统 | |
CN117746619A (zh) | 一种路侧感知增强辅助的混合交通集群调度方法及系统 | |
WO2023060275A1 (en) | Method and system for operation of fleet vehicles | |
JP2023544819A (ja) | 双方向車両輸送ネットワークにおける交通管理のためのシステムおよび方法 | |
CN112673388A (zh) | 一种运输方法及系统、适于运输的车辆 |
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 |