CN108594799A - 无人驾驶汽车路况信息实时获取装置与*** - Google Patents
无人驾驶汽车路况信息实时获取装置与*** Download PDFInfo
- Publication number
- CN108594799A CN108594799A CN201810045749.6A CN201810045749A CN108594799A CN 108594799 A CN108594799 A CN 108594799A CN 201810045749 A CN201810045749 A CN 201810045749A CN 108594799 A CN108594799 A CN 108594799A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- real
- road
- pilotless automobile
- 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.)
- Withdrawn
Links
- 238000004891 communication Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 24
- 210000002569 neuron Anatomy 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 210000004218 nerve net Anatomy 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 2
- 230000000903 blocking effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
- G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种无人驾驶汽车路况信息实时获取装置与***,包括激光测距仪、GIS地理信息装置、定位装置和通信装置,所述激光测距仪、GIS地理信息装置和定位装置分别与通信装置连接,激光测距仪用于采集距离数据,GIS地理信息装置用于获取地理位置数据,定位装置用于对车辆进行卫星定位,利用通信装置将采集的第一数据上传至云服务器,并且,在无人驾驶汽车经过道路交叉口处的交通监控***时,利用道路交叉口处的交通监控***采集第二数据,并上传至云服务器。本发明提高了无人驾驶汽车采集路况信息数据的实时性,而且提升了移动终端或设备获取无人驾驶汽车驾驶路况数据的实时性,可以改善城市交通拥堵状况。
Description
技术领域
本发明涉及交通技术领域,更为具体地,涉及一种无人驾驶汽车路况信息实时获取装置与***。
背景技术
随着汽车工业的发展,在汽车为人们带来各种便利的同时,也制造了一系列问题,如交通拥堵、环境污染、交通事故等。我国的交通国情在于机动车与非机动车混行,自行车数量大,机动车数量多,而路网容纳能力有限等,近年来,无人驾驶汽车技术日渐成熟,例如公开号为CN105788330A的中国专利申请公开了一种无人驾驶车辆的实时路况预警方法和装置。所述方法的一具体实施方式包括:采集无人驾驶车辆的行驶信息,其中,所述行驶信息包括:目的地、当前时间、速度信息、位置信息和规划路线;向云服务器发送所述行驶信息,以供所述云服务器根据所述行驶信息确定与所述规划路线相关的路况信息;接收所述云服务器反馈的路况信息;根据所述路况信息调整所述无人驾驶车辆的规划路线;控制所述无人驾驶车辆按照调整后的规划路线行驶,实现了无人驾驶车辆对拥堵道路的规避。但是,仍然存在不足之处,例如,路况信息获取的实时性较差,导致在交叉***通控制***上相应较慢,存在周期长、车辆延误和通行能力有限等问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种无人驾驶汽车路况信息实时获取装置与***,基于神经网络算法对采集的路况信息数据进行学习,并能够将学习后的道路预测数据下发到终端侧的设备,使得终端侧的设备能够将历史路况数据和云端学习后形成的道路预测数据传输至移动终端设备或应用,不仅提高了无人驾驶汽车采集路况信息数据的实时性,而且提升了移动终端或设备获取无人驾驶汽车驾驶路况数据的实时性,改善了城市交通拥堵状况。
本发明的目的是通过以下技术方案来实现的:一种无人驾驶汽车路况信息实时获取装置,包括在终端侧的设备中,设置有激光雷达探测***,所述激光雷达探测***包括激光测距仪、GIS地理信息装置、定位装置和通信装置,所述激光测距仪、GIS地理信息装置和定位装置分别与通信装置连接,激光测距仪用于采集距离数据,GIS地理信息装置用于获取地理位置数据,定位装置用于对车辆进行卫星定位,利用所述通信装置将采集的第一数据上传至云服务器,并且,在无人驾驶汽车经过道路交叉口处的交通监控***时,利用道路交叉口处的交通监控***采集第二数据,并上传至云服务器;第一接收装置,设置在云服务器上,用于接收所述第一数据和所述第二数据,并基于人工智能算法程序模块进行处理,包括如下流程:
S21,选取多个第一数据和多个第二数据,同时将第一数据和第二数据作为神经网络的样本数据,设定权值误差向量为e(w),利用如下公式计算权值误差和函数E(w),
其中,eT(w)是e(w)的转置向量;
S22,计算神经网络权值的Jacobian矩阵J(w);
其中,i为第i个神经元,j为第j个神经元,第i个神经元与第j个神经元之间的权值为wij;
S23,使用如下公式计算新的权值w(k+1),
w(k+1)=w(k)-[JT(wk)J(wk)+μI]-1JT(wk)e(wk)
其中,μ为附加因子,μ>0,I为单位矩阵;
S24,将新的权值w(k+1)带入步骤S21中的权值误差和函数计算公式,计算得到新的权值误差和函数E(w)2,比较E(w)2与原来的E(w)1的大小,如果E(w)2的数值减小,则利用数值μ除以大于1的因子θ1,然后,对w(k+1)的值进行更新,然后转至步骤S21;如果E(w)2的数值没有减小,则利用数值μ乘上一个大于1的因子θ2,不更新w(k+1)并跳转至步骤S23,当神经网络的误差达到预设值或收敛时,停止函数的迭代计算,输出道路预测数据;传输装置,用于将所述道路预测数据传输至终端侧的设备;第二接收装置,设置在终端侧的设备,用于接收云服务器回传的数据,并将其保存在本地存储装置中。
进一步地,还包括更新模块,设置在云服务器上,用于实时获取所述第一数据,和用于实时获取所述第二数据,并将第一数据和第二数据作为新的输入变量,基于人工智能算法模块进行持续学习,不断优化输出道路预测数据。
进一步地,包括检测模块、第一标记模块、第一计算模块、第二计算模块、第一提取程序模块、第二提取程序模块和无线通信装置;检测模块,设置在在终端侧的设备上,用于检测本地存储装置中是否保存有当前道路的历史路况数据,如果有,则通过提取程序模块提取当前道路的历史路况数据,并利用第一标记模块,根据时间特征进行第一标记;
第一计算模块,用于计算在当前道路上的历史路况数据的车速均值;第二计算模块,用于计算在当前道路上的历史路况数据的行驶时间均值,并将计算数据保存在本地存储装置中;
根据第一标记信息,通过第二提取程序模,用于提取当前道路在不同时间段的历史路况数据的车速均值和/或行驶时间均值;
无线通信装置,用于将道路预测数据与历史路况数据传输至移动终端设备或设置在移动终端设备上的应用。
进一步地,第一数据包括实时行驶速度、停留时间、行驶时间、里程数据中的任一种。
进一步地,第二数据包括在信号灯处的行驶速度、行驶时间、停留时间、信号灯周期、绿灯时间、红灯时间中的任一种或多种。
一种无人驾驶汽车路况信息实时获取***,包括如上技术方案中任一所述装置。
本发明的有益效果是:
(1)本发明基于神经网络算法对采集的路况信息数据进行学习,并能够将学习后的道路预测数据下发到终端侧的设备,使得终端侧的设备能够将历史路况数据和云端学习后形成的道路预测数据传输至移动终端设备或应用,不仅提高了无人驾驶汽车采集路况信息数据的实时性,而且提升了移动终端或设备获取无人驾驶汽车驾驶路况数据的实时性,改善了城市交通拥堵状况。
(2)本发明采用改进的神经网络算法,收敛速度快,具有计算量小,精度高,消耗资源少的特点,特别是易于收敛,使得信息交互的实时性得到了显著提高。
(3)无人驾驶平台对信息的实时性要求非常高,因此,本发明由于采用改进后的神经网络算法,提高了运算收敛速度,实时性强,预测速度快,具有非常大的意义。
(4)本发明在对终端侧的设备存储的历史路况数据进行处理时,通过标记动作的处理步骤,使得在调用数据时,程序运行性能得到了提升,提高了数据处理效率,增强了设备的运行性能。
(5)本发明结合了终端侧的设备采集的实时交通数据和道路交通监控***采集的交通数据作为云端侧的神经网络算法的输入变量,将人工智能算法模块部署在云端服务器,在云端服务器进行学习处理后将预测数据下发到终端侧设备,可以集中处理大量分布式设备或***上传的数据,降低在终端侧的设备或***上进行分析处理的成本,提高了对交通道路拥堵的预测效率,有效调控城市通勤者的交通出行。
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是本发明的结构示意图。
图2是本发明的方法步骤流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。本说明书中公开的所有特征,或隐含公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
下面将详细描述本发明的具体实施例,应当注意,这里描述的实施例只用于举例说明,并不用于限制本发明。在以下描述中,为了提供对本发明的透彻理解,阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实例中,为了避免混淆本发明,未具体描述公知的电路,软件或方法。
如图1所示,一种无人驾驶汽车路况信息实时获取装置,包括在终端侧的设备中,设置有激光雷达探测***,所述激光雷达探测***包括激光测距仪、GIS地理信息装置、定位装置和通信装置,所述激光测距仪、GIS地理信息装置和定位装置分别与通信装置连接,激光测距仪用于采集距离数据,GIS地理信息装置用于获取地理位置数据,定位装置用于对车辆进行卫星定位,利用所述通信装置将采集的第一数据上传至云服务器,并且,在无人驾驶汽车经过道路交叉口处的交通监控***时,利用道路交叉口处的交通监控***采集第二数据,并上传至云服务器;第一接收装置,设置在云服务器上,用于接收所述第一数据和所述第二数据,并基于人工智能算法程序模块进行处理,包括如下流程:
S21,选取多个第一数据和多个第二数据,同时将第一数据和第二数据作为神经网络的样本数据,设定权值误差向量为e(w),利用如下公式计算权值误差和函数E(w),
其中,eT(w)是e(w)的转置向量;
S22,计算神经网络权值的Jacobian矩阵J(w);
其中,i为第i个神经元,j为第j个神经元,第i个神经元与第j个神经元之间的权值为wij;
S23,使用如下公式计算新的权值w(k+1),
w(k+1)=w(k)-[JT(wk)J(wk)+μI]-1JT(wk)e(wk)
其中,μ为附加因子,μ>0,I为单位矩阵;
S24,将新的权值w(k+1)带入步骤S21中的权值误差和函数计算公式,计算得到新的权值误差和函数E(w)2,比较E(w)2与原来的E(w)1的大小,如果E(w)2的数值减小,则利用数值μ除以大于1的因子θ1,然后,对w(k+1)的值进行更新,然后转至步骤S21;如果E(w)2的数值没有减小,则利用数值μ乘上一个大于1的因子θ2,不更新w(k+1)并跳转至步骤S23,当神经网络的误差达到预设值或收敛时,停止函数的迭代计算,输出道路预测数据;传输装置,用于将所述道路预测数据传输至终端侧的设备;第二接收装置,设置在终端侧的设备,用于接收云服务器回传的数据,并将其保存在本地存储装置中。
进一步地,还包括更新模块,设置在云服务器上,用于实时获取所述第一数据,和用于实时获取所述第二数据,并将第一数据和第二数据作为新的输入变量,基于人工智能算法模块进行持续学习,不断优化输出道路预测数据。
进一步地,包括检测模块、第一标记模块、第一计算模块、第二计算模块、第一提取程序模块、第二提取程序模块和无线通信装置;检测模块,设置在在终端侧的设备上,用于检测本地存储装置中是否保存有当前道路的历史路况数据,如果有,则通过提取程序模块提取当前道路的历史路况数据,并利用第一标记模块,根据时间特征进行第一标记;
第一计算模块,用于计算在当前道路上的历史路况数据的车速均值;第二计算模块,用于计算在当前道路上的历史路况数据的行驶时间均值,并将计算数据保存在本地存储装置中;
根据第一标记信息,通过第二提取程序模,用于提取当前道路在不同时间段的历史路况数据的车速均值和/或行驶时间均值;
无线通信装置,用于将道路预测数据与历史路况数据传输至移动终端设备或设置在移动终端设备上的应用。
进一步地,第一数据包括实时行驶速度、停留时间、行驶时间、里程数据中的任一种。
进一步地,第二数据包括在信号灯处的行驶速度、行驶时间、停留时间、信号灯周期、绿灯时间、红灯时间中的任一种或多种。
一种无人驾驶汽车路况信息实时获取***,包括如上技术方案中任一所述装置。
如图2所示,一种无人驾驶汽车路况信息实时获取装置与***,在工作时,执行如下步骤:
S1,在终端侧的设备中,设置有激光雷达探测***,所述激光雷达探测***包括激光测距仪、GIS地理信息装置、定位装置和通信装置,所述激光测距仪、GIS地理信息装置和定位装置分别与通信装置连接,激光测距仪用于采集距离数据,GIS地理信息装置用于获取地理位置数据,定位装置用于对车辆进行卫星定位,利用所述通信装置将采集的第一数据上传至云服务器,并且,在无人驾驶汽车经过道路交叉口处的交通监控***时,利用道路交叉口处的交通监控***采集第二数据,并上传至云服务器;
S2,云服务器接收所述第一数据和所述第二数据,并基于改进的神经网络算法进行处理,进一步包括如下步骤:
S21,选取多个第一数据和多个第二数据,同时将第一数据和第二数据作为神经网络的样本数据,设定权值误差向量为e(w),利用如下公式计算权值误差和函数E(w),
其中,eT(w)是e(w)的转置向量;
S22,计算神经网络权值的Jacobian矩阵J(w);
其中,i为第i个神经元,j为第j个神经元,第i个神经元与第j个神经元之间的权值为wij;
S23,使用如下公式计算新的权值w(k+1),
w(k+1)=w(k)-[JT(wk)J(wk)+μI]-1JT(wk)e(wk)
其中,μ为附加因子,μ>0,I为单位矩阵;
S24,将新的权值w(k+1)带入步骤S21中的权值误差和函数计算公式,计算得到新的权值误差和函数E(w)2,比较E(w)2与原来的E(w)1的大小,如果E(w)2的数值减小,则利用数值μ除以大于1的因子θ1,然后,对w(k+1)的值进行更新,然后转至步骤S21;如果E(w)2的数值没有减小,则利用数值μ乘上一个大于1的因子θ2,不更新w(k+1)并跳转至步骤S23,当神经网络的误差达到预设值或收敛时,停止函数的迭代计算,输出道路预测数据;
S3,云服务器将所述道路预测数据传输至终端侧的设备;
S4,终端侧的设备接收云服务器回传的数据,并将其保存在本地存储装置中。
进一步地,还包括更新步骤S5;
S5,云服务器实时获取所述第一数据,云服务器实时获取所述第二数据,并将第一数据和第二数据作为新的输入变量,基于步骤S2中所述改进的神经网络算法持续学习,不断优化输出道路预测数据。
进一步地,,在步骤S4中,对包括如下步骤:
S41,在终端侧的设备上,检测本地存储装置中是否保存有当前道路的历史路况数据,如果有,则提取当前道路的历史路况数据,并根据时间特征进行第一标记;如果没有,则直接进入步骤S44;
S42,第一计算,计算在当前道路上的历史路况数据的车速均值;第二计算,计算在当前道路上的历史路况数据的行驶时间均值,并将计算数据保存在本地存储装置中;
S43,根据步骤S41中的第一标记信息,提取当前道路在不同时间段的历史路况数据的车速均值和/或行驶时间均值;
S44,基于无线通信装置,将道路预测数据与历史路况数据传输至移动终端设备或设置在移动终端设备上的应用。
进一步地,第一数据包括实时行驶速度、停留时间、行驶时间、里程数据中的任一种。
进一步地,第二数据包括在信号灯处的行驶速度、行驶时间、停留时间、信号灯周期、绿灯时间、红灯时间中的任一种或多种。
神经网络算法的基本原理,包括输入层、隐含层(学习层)和输出层,信号在神经元之间正向传输,得到网络输出以后与期望输出相比较,得到误差值,误差值再反向传播,用来改变初始的权值和阈值,不断迭代直到所输出的误差和最小。在这个过程中,神经网络的权值和阈值通过误差的反向传播而不断调整,并将调整后的权值和阈值保存下来,用于对新输入的变量进行计算,达到预测的目的。包括如下步骤:
SS1:对于一组序列值(x,y),对应于每一个输入变量x,都有一个期望输出y与之对应,在神经网络的实际运算中需要确定输入神经元的节点数,例如,将其设为n,输出神经元的节点数设为m,中间的隐含层的节点数设为p;
SS2:隐含层输出计算,根据神经网络预设的输入以及神经元之间的连接权值和阈值b,可以得到中间神经元j的输出H,
其中,w为权值,b为阈值,f为激励函数,其计算公式如下:
SS3:输出层输出计算,根据隐含层神经元的计算结果和权值,使用如下公式计算整个神经网络的输出结果Ok:
SS4:误差计算,得到神经网络输出,将其与实际输出进行比较,计算神经网络输出与实际输出的误差值e:
e=Yk-OK
SS5:权值更新,误差e进行反向传播,同时利用权值的变化量进行权值的调整,其表达式如下:
wjk=wjk+ηHjek
其中,η为学习速率,可根据实际情况进行调整;
SS6:如果达到设定的预测误差则迭代停止,如果没有得到则转入SS2继续进行迭代计算。
其中,对初始值和阈值,一般选取0~1之间的随机数,对于学习速率,在同一个神经网络中的不同阶段可能会有不同的学习速率,可根据实际情况进行设置,一般可设置为0.01~0.8之间。
进一步地,改进后的神经网络算法的原理,
设神经元i与神经元j之间的权值为wij,对于一个输入变量xk,网络的输出为yk,节点i的输出为oik,对第s层的第j个神经元,当输入第k个样本时,节点j的输出为:
其中,为第s-1层输入第k个样本时,第j个神经元节点的输出,是第j个神经元的阈值;
定义误差和函数Ek,
神经网络的训练即是求E为最小值时的权值;
定义神经网络第s层共有n个节点,权值的误差向量为e(W),其为列向量,则权值误差和函数E可表示为,
其中,计算平方误差和函数E(w)的梯度,
其中,
计算新的权值w(k+1),
w(k+1)=w(k)-[JT(wk)J(wk)+μI]-1JT(wk)e(wk)
由于JT(wk)J(wk)不一定可逆,加入微小增量μI,用于保证其可逆性。在本实施例中的其余技术特征,本领域技术人员均可以根据实际情况进行灵活选用和以满足不同的具体实际需求。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实例中,为了避免混淆本发明,未具体描述公知的算法,方法或***等,均在本发明的权利要求书请求保护的技术方案限定技术保护范围之内。
对于前述的方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某一些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和单元并不一定是本申请所必须的。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法实现所描述的功能,但是这种实现不应超出本发明的范围。
所揭露的***、模块和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例,仅仅是示意性的,例如,所述单元的划分,可以仅仅是一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以说通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述分立部件说明的单元可以是或者也可以不收物理上分开的,作为单元显示的部件可以是或者可以不收物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例的方案的目的。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、ROM、RAM等。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (6)
1.一种无人驾驶汽车路况信息实时获取装置,其特征在于,包括:
在终端侧的设备中,设置有激光雷达探测***,所述激光雷达探测***包括激光测距仪、GIS地理信息装置、定位装置和通信装置,所述激光测距仪、GIS地理信息装置和定位装置分别与通信装置连接,激光测距仪用于采集距离数据,GIS地理信息装置用于获取地理位置数据,定位装置用于对车辆进行卫星定位,利用所述通信装置将采集的第一数据上传至云服务器,并且,在无人驾驶汽车经过道路交叉口处的交通监控***时,利用道路交叉口处的交通监控***采集第二数据,并上传至云服务器;
第一接收装置,设置在云服务器上,用于接收所述第一数据和所述第二数据,并基于人工智能算法程序模块进行处理,包括如下流程:
S21,选取多个第一数据和多个第二数据,同时将第一数据和第二数据作为神经网络的样本数据,设定权值误差向量为e(w),利用如下公式计算权值误差和函数E(w),
其中,eT(w)是e(w)的转置向量;
S22,计算神经网络权值的Jacobian矩阵J(w);
其中,i为第i个神经元,j为第j个神经元,第i个神经元与第j个神经元之间的权值为wij;
S23,使用如下公式计算新的权值w(k+1),
w(k+1)=w(k)-[JT(wk)J(wk)+μI]-1JT(wk)e(wk)
其中,μ为附加因子,μ>0,I为单位矩阵;
S24,将新的权值w(k+1)带入步骤S21中的权值误差和函数计算公式,计算得到新的权值误差和函数E(w)2,比较E(w)2与原来的E(w)1的大小,如果E(w)2的数值减小,则利用数值μ除以大于1的因子θ1,然后,对w(k+1)的值进行更新,然后转至步骤S21;如果E(w)2的数值没有减小,则利用数值μ乘上一个大于1的因子θ2,不更新w(k+1)并跳转至步骤S23,当神经网络的误差达到预设值或收敛时,停止函数的迭代计算,输出道路预测数据;
传输装置,用于将所述道路预测数据传输至终端侧的设备;
第二接收装置,设置在终端侧的设备,用于接收云服务器回传的数据,并将其保存在本地存储装置中。
2.根据权利要求1所述的一种无人驾驶汽车路况信息实时获取装置,其特征在于,还包括更新模块,设置在云服务器上,用于实时获取所述第一数据,和用于实时获取所述第二数据,并将第一数据和第二数据作为新的输入变量,基于人工智能算法模块进行持续学习,不断优化输出道路预测数据。
3.根据权利要求1所述的一种无人驾驶汽车路况信息实时获取装置,其特征在于,包括检测模块、第一标记模块、第一计算模块、第二计算模块、第一提取程序模块、第二提取程序模块和无线通信装置;检测模块,设置在在终端侧的设备上,用于检测本地存储装置中是否保存有当前道路的历史路况数据,如果有,则通过提取程序模块提取当前道路的历史路况数据,并利用第一标记模块,根据时间特征进行第一标记;
第一计算模块,用于计算在当前道路上的历史路况数据的车速均值;第二计算模块,用于计算在当前道路上的历史路况数据的行驶时间均值,并将计算数据保存在本地存储装置中;
根据第一标记信息,通过第二提取程序模,用于提取当前道路在不同时间段的历史路况数据的车速均值和/或行驶时间均值;
无线通信装置,用于将道路预测数据与历史路况数据传输至移动终端设备或设置在移动终端设备上的应用。
4.根据权利要求1-3任一项所述的一种无人驾驶汽车路况信息实时获取装置,其特征在于,第一数据包括实时行驶速度、停留时间、行驶时间、里程数据中的任一种。
5.根据权利要求1-3任一项所述的一种无人驾驶汽车路况信息实时获取装置,其特征在于,第二数据包括在信号灯处的行驶速度、行驶时间、停留时间、信号灯周期、绿灯时间、红灯时间中的任一种或多种。
6.一种无人驾驶汽车路况信息实时获取***,其特征在于,包括如上权利要求中任一所述装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810045749.6A CN108594799A (zh) | 2018-01-17 | 2018-01-17 | 无人驾驶汽车路况信息实时获取装置与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810045749.6A CN108594799A (zh) | 2018-01-17 | 2018-01-17 | 无人驾驶汽车路况信息实时获取装置与*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108594799A true CN108594799A (zh) | 2018-09-28 |
Family
ID=63608397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810045749.6A Withdrawn CN108594799A (zh) | 2018-01-17 | 2018-01-17 | 无人驾驶汽车路况信息实时获取装置与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108594799A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118777A (zh) * | 2018-10-12 | 2019-01-01 | 鄂尔多斯市普渡科技有限公司 | 一种基于无人驾驶的路况监测车以及监测方法 |
CN110515106A (zh) * | 2019-07-23 | 2019-11-29 | 东南大学 | 一种bds、gps相结合的多源信息融合多模态车辆定位装置及定位方法 |
CN111508253A (zh) * | 2019-01-31 | 2020-08-07 | 斯特拉德视觉公司 | 提供自动行驶服务平台的方法及利用其的服务器 |
-
2018
- 2018-01-17 CN CN201810045749.6A patent/CN108594799A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118777A (zh) * | 2018-10-12 | 2019-01-01 | 鄂尔多斯市普渡科技有限公司 | 一种基于无人驾驶的路况监测车以及监测方法 |
CN109118777B (zh) * | 2018-10-12 | 2021-06-22 | 鄂尔多斯市普渡科技有限公司 | 一种基于无人驾驶的路况监测车的监测方法 |
CN111508253A (zh) * | 2019-01-31 | 2020-08-07 | 斯特拉德视觉公司 | 提供自动行驶服务平台的方法及利用其的服务器 |
CN110515106A (zh) * | 2019-07-23 | 2019-11-29 | 东南大学 | 一种bds、gps相结合的多源信息融合多模态车辆定位装置及定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Prediction for tourism flow based on LSTM neural network | |
EP3035314B1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
Singla et al. | GPS based bus tracking system | |
CN101719315B (zh) | 一种基于中间件的动态交通信息采集方法 | |
CN108334079A (zh) | 无人驾驶汽车路况信息实时获取方法 | |
US20160125307A1 (en) | Air quality inference using multiple data sources | |
CN113591380B (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN112561191A (zh) | 预测模型的训练、预测方法、装置、设备、程序和介质 | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
CN101706888B (zh) | 一种旅行时间预测的方法 | |
CN107067076A (zh) | 一种基于时滞narx神经网络的客流预测方法 | |
CN108594799A (zh) | 无人驾驶汽车路况信息实时获取装置与*** | |
CN110889444B (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、***及存储介质 | |
CN109887284A (zh) | 一种智慧城市交通信号控制推荐方法、***及装置 | |
CN108364490A (zh) | 城市公路交通***车辆运行调控方法 | |
Grover et al. | Traffic control using V-2-V based method using reinforcement learning | |
Jabamony et al. | IoT Based Bus Arrival Time Prediction Using Artificial Neural Network (ANN) for Smart Public Transport System (SPTS). | |
CN108364491A (zh) | 基于车流量预测的驾驶员信息提醒方法 | |
CN108376470A (zh) | 基于粒子群算法的交通道路拥堵预测方法 | |
Lartey et al. | XGBoost: a tree-based approach for traffic volume prediction | |
CN109685288B (zh) | 一种分布式交通流预测方法及*** | |
Haviluddin et al. | Comparing of ARIMA and RBFNN for short-term forecasting | |
US20230153742A1 (en) | Methods for shared bicycle delivery and operation area planning in smart cities and internet of things (iot) systems thereof | |
CN110349428A (zh) | 识别用户是否正在前往公交站点的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180928 |
|
WW01 | Invention patent application withdrawn after publication |