CN114550105B - 基于车联网的货物运输方法及*** - Google Patents

基于车联网的货物运输方法及*** Download PDF

Info

Publication number
CN114550105B
CN114550105B CN202210436393.5A CN202210436393A CN114550105B CN 114550105 B CN114550105 B CN 114550105B CN 202210436393 A CN202210436393 A CN 202210436393A CN 114550105 B CN114550105 B CN 114550105B
Authority
CN
China
Prior art keywords
truck
vehicles
vehicle
pixel
moment
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.)
Active
Application number
CN202210436393.5A
Other languages
English (en)
Other versions
CN114550105A (zh
Inventor
陈宇亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Shunwo Supply Chain Management Co ltd
Original Assignee
Nantong Shunwo Supply Chain Management Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Shunwo Supply Chain Management Co ltd filed Critical Nantong Shunwo Supply Chain Management Co ltd
Priority to CN202210436393.5A priority Critical patent/CN114550105B/zh
Publication of CN114550105A publication Critical patent/CN114550105A/zh
Application granted granted Critical
Publication of CN114550105B publication Critical patent/CN114550105B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及车联网领域，具体涉及基于车联网的货物运输方法及***，包括：车联网***中的红外相机获取所有车辆的位置，货车根据临近车辆的位置获得每个临近车辆的危险因子；根据货车在离开相机视野后的所有临近车辆的位置，获得每个临近车辆的影响分布图，根据每个临近车辆的危险因子对所有临近车辆的所述影响分布图进行叠加，获得货车综合行驶危险分布图，进而获得行驶安全程度分布图；根据行驶安全程度分布图构建一个有向图，在有向图上获得一条最短路径，货车在离开相机视野之后根据所述路径进行加速和变道行驶。本发明保证了货车能够在雾天不能看到其他车辆的位置的情况下依然能够以较高的速度和安全性行驶，提高了货物运输效率。

Description

基于车联网的货物运输方法及***
技术领域
本发明涉及车联网领域，具体涉及基于车联网的货物运输方法及***。
背景技术
企业仓库的货物往往采用货车进行运输，相比飞机、列车等货物运输方法，货车运输货物具有成本低、运输方式灵活等优点，但是货车运输货物的方式路况和天气等条件的约束，使得现有的货车运输获取的方式不能达到最高的运输效率，运输效率是与货车的运输速度和货车运输途中的安全与否相关的；例如遇到大雾、大雨等能见度低的天气时，货车的运输速度会大幅降低，甚至存在货物运输途中的交通安全事故，导致获取运输效率大幅下降。
另一方面，随着车联网技术的发展，将车联网技术与货物运输结合在一起是未来的发展趋势，通过利用车联网技术来实现能见度低的天气下货车高效运输货物的目的也是企业发展的一个重要环节。
发明内容
针对上述技术问题，本发明的目的在于提供基于车联网的货物运输方法及***，所采用的技术方案具体如下：
本发明提供了基于车联网的货物运输方法，其特征在于，该方法包括以下步骤：
货车和道路之间构建车联网***，车联网***中的每个路侧单元上的红外相机获取视野内每个时刻的所有车辆的位置，在货车驶进相机视野和驶出相机视野过程中，路侧单元对货车进行身份识别，并且路侧单元将货车在每个时刻位置以及货车的临近车辆在每个时刻的位置发送给货车，货车根据所述临近车辆的位置以及天气的能见度获得每个临近车辆的危险因子；
根据货车在离开相机视野后的每个时刻上所有临近车辆的位置，获得每个时刻上每个临近车辆的影响分布图，根据每个临近车辆的危险因子对所有临近车辆的所述影响分布图进行叠加，获得货车综合行驶危险分布图，根据货车综合行驶危险分布图上像素之间的灰度值获得行驶安全程度分布图，在行驶安全程度分布图上获取一条最优行驶路径，货车在离开相机视野之后根据所述行驶路径进行加速和变道行驶，直至货车进入下一个路侧单元的红外相机视野为止。
进一步地，所述的每个临近车辆的危险因子的获取步骤包括：
在货车驶进相机视野到驶出相机视野的一时间段内，对于每个临近车辆，根据其在每个时刻的位置获得其在每个时刻的速度大小，以及获得每个时刻和前车的距离，并且获取每个时刻的能见度，所述每个时刻的能见度的获取方法为：将货车行车记录仪在每个时刻采集的图像输入神经网络中，神经网络输出每个时刻的能见度；
对于所述的和前车的距离大于能见度的所有时刻，将所述所有时刻的速度大小和时间拟合成一个第一线性模型；
对于所述的和前车的距离小于等于能见度的所有时刻，获取每个时刻的能见度和所述的和前车的距离的差值，将所述所有时刻的速度大小和所述差值拟合成一个第二线性模型；
每个临近车辆的危险因子与所述第一线性模型和第二线性模型的差值成正相关。
进一步地，所述的每个临近车辆的影响分布图的获取步骤包括：
根据货车离开相机视野区域前所有时刻上的每个临近车辆的位置，利用卡曼滤波获得货车离开相机视野区域后的每个时刻上的每个临近车辆的位置；
在货车离开相机视野区域后的每个时刻，根据货车的所有临近车辆的位置，获取每个临近车辆的所有受影响车辆，所述的每个受影响车辆是指：在每个车道上，在每个临近车辆后面的且与临近车辆距离最近的其他临近车辆，在所有车道上的所述其他临近车辆就是所述的所有受影响车辆；
计算的每个临近车辆和其所有受影响车辆的欧式距离，然后以所有位置为像素坐标，构建一张图像，所述图像上的在所有受影响车辆位置处的灰度值设置为所有受影响车辆对应的欧式距离的倒数，所述图像上的在其他位置处的灰度值设置为0，对所述图像进行滤波，获得的结果称为每个临近车辆的影响分布图。
进一步地，所述的货车综合行驶危险分布图的获取步骤包括：
在货车离开相机视野区域后的预设时间段内，将每个时刻所有临近车辆的影响分布图进行加权求和，权重为每个临近车辆的危险因子，获得的结果称为每个时刻的行驶危险分布图，获取货车离开相机视野区域后的预设时间段内所有时刻的行驶危险分布图的均值，所述均值作为货车综合行驶危险分布图。
进一步地，所述的最优行驶路径的获取步骤包括：
在货车综合行驶危险分布图上，获取每个像素和其他任意像素的欧式距离和每个像素与其他任意像素的灰度值之和，所述的欧式距离与所述的和的乘积再取倒数，获得的结果称为每个像素和其他任意像素的安全系数，每个像素和其他所有像素的安全系数的和称为每个像素的行驶安全程度；所有像素的行驶安全程度构成的单通道图像作为行驶安全程度分布图；
根据行驶安全程度分布图构建一个有向图，并且将货车离开相机视野时的位置为初始位置，获取货车最前方的且在行驶安全程度分布图上灰度值最小的位置作为目标位置，利用弗洛伊德算法在有向图上获得初始位置和目标位置的最短路径，所述的最短路径作为最优行驶路径。
进一步地，所述的根据行驶安全程度分布图构建一个有向图的步骤包括：
在行驶安全程度分布图上，以每个像素点为节点，如果任意一个像素与另外任意一个像素相邻，前者像素对应的节点到后者像素对应的节点之间的存在一条有向边，边权值大小为后者像素的灰度值与前者像素灰度值的差，另外后者像素对应的节点到前者像素对应的节点之间也存在一条有向边，边权值大小为前者像素的灰度值与后者像素灰度值的差，如果所述的两个像素点不相邻那么对应的节点之间边权值为0，所有像素的节点构成一个有向图。
进一步地，所述的货车的临近车辆是指在货车在驶进相机视野和驶出相机视野过程中，相机所有获得到的所有车辆。
本发明还提供了基于车联网的货物运输***，所述的车联网***由车载***和路侧单元构成，所述的路侧单元包括通信***和红外相机以及存储计算***；所述的车载***包括但不限货车上搭载的通信***、行车记录仪、存储计算和显示***；车载***和路侧单元实现如权利要求1-7中任一项所述的基于车联网的货物运输方法。
本发明具有如下有益效果：
本发明通过构建车联网***，根据车联网***获取雾天环境下货车与周围其他车辆的分布位置，并根据车辆的行驶轨迹获得车辆对货车的影响程度，进而得到货车在每个位置的行驶安全程度，并获取货车的运行路径，保证了货车能够在雾天不能看到其他车辆的位置的情况下依然能够以较高的速度和安全性行驶，提高了货物运输效率。
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和优点，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的介绍，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它附图。
图1为本发明一个实施例所提供的基于车联网的货物运输方法的流程图。
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基于车联网的货物运输方法及***，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基于车联网的货物运输方法及***的具体方案。
请参阅图1，其表示出了本发明的基于车联网的货物运输方法及***，其特征在于，该方法包括以下步骤：
步骤S001，构建车联网***，实施获取道路上的车辆的位置。
不同于私家车，货车是被仓储运输企业统一管理的，令每个货车都统一安装通信设备和***，每个货车都具有唯一的身份信息，用于和道路的路侧单元进行通信和身份识别，除此之外每个货车需要实时开启行车记录仪，并且每个货车安装存储、计算、显示设备和***，以实现每个货车能够采集数据、处理数据、可视化数据等功能。
在交通道路，例如高速公路上每个一定的距离安装一个路侧单元，例如500至1000米，本发明的路侧单元具有一个红外相机，相机从高处斜向下俯视道路；所述的路侧单元还具有图像存储和计算功能，并且具有和货车通信的装置和***，能够将图像的处理和分析结果利用通信***和货车进行数据传输。本发明所述的路侧单元和货车所安装的设备和***构成本发明所述的车联网***。
本发明主要针对大雾等能见度低的天气条件，但是在正常天气下本发明依然能够实施，其中使用红外相机的目的是保证能见度低的天气下依然能够采集到道路车辆的图像数据以及获取车辆在图像上的位置。
首先考虑到相机是斜视向下的，因此采集的图像是斜视视角的，本发明需要获取俯视视角的图像，那么在刚安装完红外相机后，预先在道路上绘制一些网格点，并获取所有网格点的真实坐标，每个网格点处放置一个热源，相机采集这些热源的红外图像，人为的在图像中标注出所有热源在红外图像中的像素坐标，根据所有热源的像素坐标和对应的真实坐标用RANSAC算法拟合一个单应性矩阵。
获取红外相机任意时刻采集的红外图像，将红外图像利用单应性矩阵进行仿射变换，使得斜视视角的红外图像变换为俯视视角的红外图像，再将俯视视角的红外图像输入关键点检测网络中，获得图像中获得每个车辆的关键点，本发明所述的关键点是指车辆车身的中心点；获得的关键点的坐标表示的是在红外相机视野内任意时刻所有车辆的位置，路侧单元将任意时刻的所有车辆的位置存储进存储器中。
步骤S002、获取货车经过路侧单元时货车周围车辆的影响分布图。
路侧单元通过向进入相机视野的每个车辆分别定向发送信号来获取车辆的身份信息，当根据身份信息判断是货车时，路侧单元实时的将相机视野范围内的所有车辆的位置信息传输给货车，直到检测到货车离开相机视野范围为止。
货车在相机视野中时，将周围车辆的位置实时显示在货车的显示设备上，司机根据周围货车的位置进行加速和变道，实现高效的运输，但是当货车驶出相机视野时，周围车辆的位置具有较大不确定性，那么本发明通过以下方法来获得当货车驶出相机视野时的最优最高效的行驶方法。
假设货车从第1个时刻进入相机视野，第T个时刻离开相机视野；在第1到第T个时刻之间的时间段内，货车根据每个时刻所有车辆的位置信息，获得每个车辆的运动轨迹，根据运动轨迹计算出每个车辆在每个时刻的运动速度大小以及与前车的距离；统计获得这段时间内进入相机视野的所有其他车辆，这些车辆都是货车周围的车辆，这些车辆的行驶过程限制了货车的行驶和货物运输效率。
所有的周围车辆中，假设第i个车辆在第t个时刻的速度为
Figure DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE004
,与前车的距离为
Figure DEST_PATH_IMAGE006
;除此之外，获取t时刻的能见度为
Figure DEST_PATH_IMAGE008
，
Figure 527386DEST_PATH_IMAGE008
的获取方法为：获取货车在t时刻时行车记录仪采集的图像，将该图像输入到神经网络中，神经网络输出t时刻的能见度大小
Figure 788734DEST_PATH_IMAGE008
，
Figure 302892DEST_PATH_IMAGE008
表示第t个时刻货车能够看到的最远距离；令
Figure DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE012
称为第i个车辆在第t个时刻的跟随程度；如果第i个车辆在第t时刻未驶入或已经驶出相机视野，那么就不计算
Figure 307888DEST_PATH_IMAGE012
。
对于第i个车辆，获取满足
Figure 981315DEST_PATH_IMAGE012
等于0的所有t的取值，获取这些时刻对应的速度大小，利用最小二乘法拟合这些速度大小随时间变化的线性模型，该模型的斜率记为
Figure DEST_PATH_IMAGE014
，
Figure 388464DEST_PATH_IMAGE014
越大说明第i个车辆在未看到前方车辆时速度增加的越快，危险性越高；然后获取满足
Figure 999705DEST_PATH_IMAGE012
大于0的所有t的取值获取这些时刻对应的速度大小以及跟随程度，利用最小二乘法拟合这些速度大小随跟随程度变化的线性模型，该模型的斜率记为
Figure DEST_PATH_IMAGE016
，
Figure 464184DEST_PATH_IMAGE016
越小说明第i个车辆在已看到前方车辆的情况加时速度增加的越快，危险性越高。本发明将
Figure DEST_PATH_IMAGE018
作为第i个车辆的危险因子，并且保证
Figure DEST_PATH_IMAGE020
大于0。
Figure 808097DEST_PATH_IMAGE020
表征的是车辆在雾天行驶时具有的危险性，是对车辆行驶习惯的评估和表征。
在货车驶出相机视野时，即第T个时刻，获取所有周围车辆和货车的位置，构造一个车辆分布图，在该图上有车辆的位置的像素的灰度值设置为1，没有车辆位置的像素灰度值设置为0；需要说明的是：当T时刻已经驶出相机视野的车辆，根据其运动轨迹，利用卡曼滤波预测出其在T时刻的位置。
在第T时刻，获取第i个车辆的影响程度分布图
Figure DEST_PATH_IMAGE022
，具体方法为：第i个车辆行驶过程中主要影响后面相邻车辆的行驶，所述的后面相邻车辆是指：在每个车道上，在第i个车辆后面的且与第i个车辆距离最近的车辆，由于存在多个车道，因此第i个车辆对应多个后面相邻车辆，这些车辆称为第i个车辆的受影响车辆；计算每个受影响车辆和第i个车辆的欧式距离；然后复制一份车辆分布图，在该车辆分布图上，将所有受影响车辆位置处像素的灰度值设置为受影响车辆对应的欧式距离的倒数，其他所有像素的灰度值设置为0；对该车辆分布图进行高斯滤波，滤波核的大小为每个车道的宽度，目的是对该车辆分布图进行平滑，滤波后的车辆分布图称为第i个车辆的影响分布图
Figure 817772DEST_PATH_IMAGE022
,该图上灰度值越大的位置说明越容易影响货车的通行。
同理获得货车周围其他所有车辆的影响分布图。
S003、根据货车周围所有车辆的影响分布图获得货车的行驶危险分布图，进而获得货车的行驶路径。
为了获取周围所有车辆行驶过程对货车的影响，需要将所有车辆的影响分布图进行融合，假设货车周围有N个车辆，包括货车，令
Figure DEST_PATH_IMAGE024
,I表示货车行驶危险分布图，其等于对所有车辆的影响分布图的加权求和，其中权重系数为每个车辆的危险因子，当车辆的危险因子越大说明车辆越容易产生再雾天行驶受到影响，因此越关注车辆的影响分布图。
获取T时刻之后的Q个时刻内，本发明Q=5，利用卡曼滤波算法根据每个车辆的运动轨迹预测出每个时刻的每个车辆的位置，即Q个时刻内获得Q个车辆分布图，根据Q个车辆分布图，获得Q个货车行驶危险分布图，对Q个货车行驶危险分布图求均值，获得的结果称为货车综合行驶危险分布图I，该货车综合行驶危险分布图更加能够准确的表示或者在驶出相机视野后一段时间的行驶危险分布情况，能够保证获得的货车行驶路径更加准确和具有鲁棒性。
以货车在T时刻的位置为初始位置，以该初始位置为起点为货车规划一条行驶路径，具体方法为：在综合行驶危险分布图I上，对于像素点p，其行驶安全程度
Figure DEST_PATH_IMAGE026
，其中
Figure DEST_PATH_IMAGE028
表示I上的任意不为p的像素点，
Figure DEST_PATH_IMAGE030
、
Figure DEST_PATH_IMAGE032
表示像素点p和q在图像I上的灰度值,
Figure DEST_PATH_IMAGE034
表示像素点p和q的欧式距离，
Figure DEST_PATH_IMAGE036
越大表示像素点q越和像素点p的距离越近同时两个位置的危险程度较大，
Figure 916309DEST_PATH_IMAGE036
越小表示像素点q越和像素点p的距离越远同时两个位置的危险程度较小，那么
Figure 387742DEST_PATH_IMAGE026
越大，说明对于像素点p来说其危险程度较小，且其周围其他像素点也越小，因此p点越安全，因此越希望货车经过p点。所有像素点的行驶安全程度构成一个行驶安全程度分布图；在行驶安全程度分布图上，在T时刻，获取货车最前方的且在行驶安全程度分布图上灰度值最小的位置，该位置作为目标位置。
在行驶安全程度分布图上，以每个像素点为节点，如果一个像素与另一个像素相邻，前者像素对应的节点到后者像素对应的节点之间的存在一条有向边，边权值大小为后者像素的灰度值与前者像素灰度值的差，另外后者像素对应的节点到前者像素对应的节点之间也存在一条有向边，边权值大小为前者像素的灰度值与后者像素灰度值的差，如果这两个像素点不相邻那么对应的节点之间边权值为0，以此将行驶安全程度分布图上所有像素点构成一个有向图，然后根据有向图利用弗洛伊德算法获得初始位置和目标位置的最短路径，该最短路径就是货车保证安全行驶的路径，能够保证货车尽可能少的受其他车辆的干扰。
在T时刻之后，货车驶出了相机视野区域，货车根据最短路径进行行驶，货车可以在最短路径上进行变道和加速，加速的大小取决于道路的限速大小，以提高货车的运行效率，在实际情况中货车仍需依靠驾驶员来进行加速决断，本发明提供的最短路径只是辅助参考。
当货车行驶到下一个路侧单元时重新实施本发明，进而使得货车在整个运输途中都能保持较高的速度和较高的安全性，提高货物运输的效率。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，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 (5)

1.基于车联网的货物运输方法，其特征在于，该方法包括以下步骤：
货车和道路之间构建车联网***，车联网***中的每个路侧单元上的红外相机获取视野内每个时刻的所有车辆的位置，在货车驶进相机视野和驶出相机视野过程中，路侧单元对货车进行身份识别，并且路侧单元将货车在每个时刻位置以及货车的临近车辆在每个时刻的位置发送给货车，货车根据所述临近车辆的位置以及天气的能见度获得每个临近车辆的危险因子；
根据货车在离开相机视野后的每个时刻上所有临近车辆的位置，获得每个时刻上每个临近车辆的影响分布图，根据每个临近车辆的危险因子对所有临近车辆的所述影响分布图进行叠加，获得货车综合行驶危险分布图，根据货车综合行驶危险分布图上像素之间的灰度值获得行驶安全程度分布图，在行驶安全程度分布图上获取一条最优行驶路径，货车在离开相机视野之后根据所述行驶路径进行加速和变道行驶，直至货车进入下一个路侧单元的红外相机视野为止；
所述的每个临近车辆的影响分布图的获取步骤包括：
根据货车离开相机视野区域前所有时刻上的每个临近车辆的位置，利用卡尔曼滤波获得货车离开相机视野区域后的每个时刻上的每个临近车辆的位置；
在货车离开相机视野区域后的每个时刻，根据货车的所有临近车辆的位置，获取每个临近车辆的所有受影响车辆，每个受影响车辆是指：在每个车道上，在每个临近车辆后面的且与临近车辆距离最近的其他临近车辆，在所有车道上的所述其他临近车辆就是所述的所有受影响车辆；
计算的每个临近车辆和其所有受影响车辆的欧式距离，然后以所有位置为像素坐标，构建一张图像，所述图像上的在所有受影响车辆位置处的灰度值设置为所有受影响车辆对应的欧式距离的倒数，所述图像上的在其他位置处的灰度值设置为0，对所述图像进行滤波，获得的结果称为每个临近车辆的影响分布图；
所述的货车综合行驶危险分布图的获取步骤包括：
在货车离开相机视野区域后的预设时间段内，将每个时刻所有临近车辆的影响分布图进行加权求和，权重为每个临近车辆的危险因子，获得的结果称为每个时刻的行驶危险分布图，获取货车离开相机视野区域后的预设时间段内所有时刻的行驶危险分布图的均值，所述均值作为货车综合行驶危险分布图；
所述的最优行驶路径的获取步骤包括：
在货车综合行驶危险分布图上，获取每个像素和其他任意像素的欧式距离和每个像素与其他任意像素的灰度值之和，所述的欧式距离与所述的和的乘积再取倒数，获得的结果称为每个像素和其他任意像素的安全系数，每个像素和其他所有像素的安全系数的和称为每个像素的行驶安全程度；所有像素的行驶安全程度构成的单通道图像作为行驶安全程度分布图；
根据行驶安全程度分布图构建一个有向图，并且将货车离开相机视野时的位置作为初始位置，获取货车最前方的且在行驶安全程度分布图上灰度值最小的位置作为目标位置，利用弗洛伊德算法在有向图上获得初始位置和目标位置的最短路径，所述的最短路径作为最优行驶路径。
2.根据权利要求1所述的基于车联网的货物运输方法，其特征在于，所述的每个临近车辆的危险因子的获取步骤包括：
在货车驶进相机视野到驶出相机视野的一时间段内，对于每个临近车辆，根据其在每个时刻的位置获得其在每个时刻的速度大小，以及获得每个时刻和前车的距离，并且获取每个时刻的能见度，所述每个时刻的能见度的获取方法为：将货车行车记录仪在每个时刻采集的图像输入神经网络中，神经网络输出每个时刻的能见度；
对于所述的和前车的距离大于能见度的所有时刻，将所述所有时刻的速度大小和时间拟合成一个第一线性模型；
对于所述的和前车的距离小于等于能见度的所有时刻，获取每个时刻的能见度和所述的和前车的距离的差值，将所述所有时刻的速度大小和所述差值拟合成一个第二线性模型；
每个临近车辆的危险因子与所述第一线性模型和第二线性模型的差值成正相关。
3.根据权利要求1所述的基于车联网的货物运输方法，其特征在于，所述的根据行驶安全程度分布图构建一个有向图的步骤包括：
在行驶安全程度分布图上，以每个像素点为节点，如果任意一个像素与另外任意一个像素相邻，前者像素对应的节点到后者像素对应的节点之间的存在一条有向边，边权值大小为后者像素的灰度值与前者像素灰度值的差，另外后者像素对应的节点到前者像素对应的节点之间也存在一条有向边，边权值大小为前者像素的灰度值与后者像素灰度值的差，如果两个像素不相邻，那么对应的节点之间边权值为0，所有像素的节点构成一个有向图。
4.根据权利要求1所述的基于车联网的货物运输方法，其特征在于，所述的货车的临近车辆是指货车在驶进相机视野和驶出相机视野过程中，相机所有获得到的所有车辆。
5.基于车联网的货物运输***，其特征在于，车联网***由车载***和路侧单元构成，所述的路侧单元包括通信***和红外相机以及存储计算***；所述的车载***包括但不限货车上搭载的通信***、行车记录仪、存储计算和显示***；车载***和路侧单元实现如权利要求1-4中任一项所述的基于车联网的货物运输方法。
CN202210436393.5A 2022-04-25 2022-04-25 基于车联网的货物运输方法及*** Active CN114550105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210436393.5A CN114550105B (zh) 2022-04-25 2022-04-25 基于车联网的货物运输方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210436393.5A CN114550105B (zh) 2022-04-25 2022-04-25 基于车联网的货物运输方法及***

Publications (2)

Publication Number Publication Date
CN114550105A CN114550105A (zh) 2022-05-27
CN114550105B true CN114550105B (zh) 2022-08-09

Family

ID=81666930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210436393.5A Active CN114550105B (zh) 2022-04-25 2022-04-25 基于车联网的货物运输方法及***

Country Status (1)

Country Link
CN (1) CN114550105B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006154967A (ja) * 2004-11-25 2006-06-15 Nissan Motor Co Ltd リスク最小軌跡生成装置およびこれを用いた危険状況警報装置
CN106708057A (zh) * 2017-02-16 2017-05-24 北理慧动（常熟）车辆科技有限公司 一种智能车辆编队行驶方法
CN114205394A (zh) * 2022-02-17 2022-03-18 深圳市菲尼基科技有限公司 一种车联网终端自适应数据识别存储方法和***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006154967A (ja) * 2004-11-25 2006-06-15 Nissan Motor Co Ltd リスク最小軌跡生成装置およびこれを用いた危険状況警報装置
CN106708057A (zh) * 2017-02-16 2017-05-24 北理慧动（常熟）车辆科技有限公司 一种智能车辆编队行驶方法
CN114205394A (zh) * 2022-02-17 2022-03-18 深圳市菲尼基科技有限公司 一种车联网终端自适应数据识别存储方法和***

Also Published As

Publication number Publication date
CN114550105A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
US11794785B2 (en) Multi-task machine-learned models for object intention determination in autonomous driving
Bachute et al. Autonomous driving architectures: insights of machine learning and deep learning algorithms
WO2022206942A1 (zh) 一种基于行车安全风险场的激光雷达点云动态分割及融合方法
CN110531753B (zh) 自主车辆的控制***、控制方法和控制器
EP4152204A1 (en) Lane line detection method, and related apparatus
US11380105B2 (en) Identification and classification of traffic conflicts
US11468285B1 (en) Analysis of objects of interest in sensor data using deep neural networks
US11527078B2 (en) Using captured video data to identify pose of a vehicle
WO2021226921A1 (en) Method and system of data processing for autonomous driving
US20210261123A1 (en) Autonomous Vehicle Operation with Explicit Occlusion Reasoning
CN111860227A (zh) 训练轨迹规划模型的方法、装置和计算机存储介质
US10901417B2 (en) Autonomous vehicle operational management with visual saliency perception control
US20220146277A1 (en) Architecture for map change detection in autonomous vehicles
Park et al. Real-time signal light detection
CN114945952A (zh) 使用神经网络从相机图像和已知深度数据生成深度
US20220373354A1 (en) Automatic generation of vector map for vehicle navigation
Saleem et al. Steering angle prediction techniques for autonomous ground vehicles: a review
CN114550105B (zh) 基于车联网的货物运输方法及***
Ho et al. Localization on freeways using the horizon line signature
US20230048926A1 (en) Methods and Systems for Predicting Properties of a Plurality of Objects in a Vicinity of a Vehicle
Chipka et al. Estimation and navigation methods with limited information for autonomous urban driving
Shan et al. Vehicle collision risk estimation based on RGB-D camera for urban road
CN114913329A (zh) 一种图像处理方法、语义分割网络的训练方法及装置
Wu et al. Color vision-based multi-level analysis and fusion for road area detection
CN117612140B (zh) 道路场景的识别方法、装置和存储介质及电子设备

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