CN114911238A - 一种无人驾驶矿车协同控制方法及*** - Google Patents
一种无人驾驶矿车协同控制方法及*** Download PDFInfo
- Publication number
- CN114911238A CN114911238A CN202210585251.5A CN202210585251A CN114911238A CN 114911238 A CN114911238 A CN 114911238A CN 202210585251 A CN202210585251 A CN 202210585251A CN 114911238 A CN114911238 A CN 114911238A
- Authority
- CN
- China
- Prior art keywords
- mine
- transportation
- mine car
- items
- calculating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 claims abstract description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 42
- 239000011707 mineral Substances 0.000 claims description 42
- 238000005065 mining Methods 0.000 claims description 39
- 238000005265 energy consumption Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 abstract description 2
- 230000015654 memory Effects 0.000 description 15
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000032258 transport Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241000282472 Canis lupus familiaris Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及无人驾驶技术领域,具体公开了一种无人驾驶矿车协同控制方法及***,所述方法包括获取矿场的尺寸参数,根据尺寸数据和预设的比例尺建立矿场模型;基于所述信息点生成含有编号的运输任务,根据所述运输任务确定矿车排班表;基于所述矿车排班表向各矿车发送工作指令;实时监测矿场模型中各矿车的工作参数,根据所述工作参数生成调整指令,并修正相关的矿车排班表中的矿车余量项。本发明通过建立与矿场相匹配的矿场模型,基于矿场模型生成运输任务,根据运输任务向矿车发送简单的工作指令,矿车只需要接收工作指令,即可完成运输任务,这一过程改变了传统的人工控制的工作架构,极大地降低了人力成本。
Description
技术领域
本发明涉及无人驾驶技术领域,具体是一种无人驾驶矿车协同控制方法及***。
背景技术
由于用于开采的矿车工作环境恶劣,危险程度高,矿区人员不仅安全风险高,还需要对矿区人员完成矿车进入无人驾驶前的基本操作,增加了人工成本支出,而在矿车实际运行过程中,安全员存在大量错误操作或盲目干预车辆运行,进而造成车辆频繁停车,容易影响工作效率甚至引发安全问题。因此,无人驾驶在矿车上的应用应运而生。
现有无人驾驶矿车自身的控制***可以借鉴许多像机械狗这一类的机电产品,但是在矿场中的工作流程却需要自己设计;现有的工作流程大都是工作人员远程控制,其核心还是人的主观能动性,人工成本很高;实际上,一些重复的装卸货或是运输过程,完全可以进行预先设计,真正的实现自动化流程,大大地降低人力成本。如何对已有的重复流程进行规划是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种无人驾驶矿车协同控制方法及***,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种无人驾驶矿车协同控制方法,所述方法包括:
获取矿场的尺寸参数,根据尺寸数据和预设的比例尺建立矿场模型;其中,所述矿场模型包括装卸区域以及与装卸区域相对应的信息点;所述装卸区域包括采集点,所述矿场对应采集点的位置处设有采集设备,所述采集设备的数据输入以信息点为索引的数据表中;
基于所述信息点生成含有编号的运输任务,根据所述运输任务确定矿车排班表;其中,所述矿车排班表包括矿车编号项、矿车余量项和矿车状态项;所述矿车状态项的值至少包括两个,用于区分已装载状态和未装载状态;
基于所述矿车排班表向各矿车发送工作指令;
实时监测矿场模型中各矿车的工作参数,根据所述工作参数生成调整指令,并修正相关的矿车排班表中的矿车余量项。
作为本发明进一步的方案:采集设备获取数据的步骤包括:
获取矿场的区域图像,并对所述区域图像进行轮廓识别,定位矿物区域;
对所述矿物区域进行色值识别;
获取采集设备的空间位置,根据所述空间位置确定图像-实景映射关系;
根据色值识别结果和图像-实景映射关系计算矿物量。
作为本发明进一步的方案:所述基于所述信息点生成含有编号的运输任务,根据所述运输任务确定矿车排班表的步骤包括:
依次定位各信息点对应的数据表,读取数据表中的矿物量;
根据矿物量对各信息点进行分类;
获取矿场出口的位置数据,依次提取各类信息点中任一信息点的位置数据,将矿场出口的位置数据和任一信息点的位置数据输入迪杰斯特拉算法模型,计算最短运输路径;每生成一条运输路径时,从各类信息点中删除相应的信息点;
依次根据各运输路径确定含有编号的运输任务,根据所述运输任务确定矿车排班表。
作为本发明进一步的方案:所述依次根据各运输路径确定含有编号的运输任务,根据所述运输任务确定矿车排班表的步骤包括:
计算运输路径中各信息点对应的矿物量,计算运输路径的总矿物量;
获取空闲矿车的载荷量、单次运输能耗量、单次运输耗时量,根据载荷量和总矿物量计算运输次数,根据所述运输次数计算总能耗量和总耗时量;其中,所述空闲矿车的数量为变量;
统计不同数量空闲矿车对应的运输次数、总能耗量和总耗时量,生成运输计划表;
开放参数获取端口,基于所述参数获取端口获取边界条件,根据边界条件在所述运输计算表中确定矿车排班表。
作为本发明进一步的方案:所述实时监测矿场模型中各矿车的工作参数,根据所述工作参数生成调整指令,并修正相关的矿车排班表中的矿车余量项的步骤包括:
采集矿车中各节点的输入信号,将所述输入信号输入训练好的预测模型,得到各节点的预测信号;所述节点为具有输入信号和输出信号的电子设备;
获取各节点的输出信号,将所述输出信号与所述预测信号进行比对,得到各节点的偏差率;
将各节点的偏差率和相应的节点位置输入训练好的风险模型中,得到风险类型;
根据风险类型生成调整指令,并修正相关的矿车排班表中的矿车余量项。
作为本发明进一步的方案:所述根据风险类型生成调整指令,并修正相关的矿车排班表中的矿车余量项的步骤包括:
根据风险类型生成卸货指令,记录卸货量和卸货位置;
建立与该矿车所属的矿车排班表的连接通道,根据矿车状态项定位未装载矿车;
向其中一个未装载矿车发送含有卸货位置的装货指令,并修改其矿车余量项;所述矿车余量项与所述卸货量之间存在映射关系。
作为本发明进一步的方案:当生成卸货指令时,建立与该矿车所属的矿车排班表的连接通道,根据矿车状态项定位该矿车与未装载矿车之间的已装载矿车,并向该矿车与未装载矿车之间的已装载矿车发送含有卸货量和卸货位置的预警信息。
本发明技术方案还提供了一种无人驾驶矿车协同控制***,所述***包括:
模型建立模块,用于获取矿场的尺寸参数,根据尺寸数据和预设的比例尺建立矿场模型;其中,所述矿场模型包括装卸区域以及与装卸区域相对应的信息点;所述装卸区域包括采集点,所述矿场对应采集点的位置处设有采集设备,所述采集设备的数据输入以信息点为索引的数据表中;
排班表生成模块,用于基于所述信息点生成含有编号的运输任务,根据所述运输任务确定矿车排班表;其中,所述矿车排班表包括矿车编号项、矿车余量项和矿车状态项;所述矿车状态项的值至少包括两个,用于区分已装载状态和未装载状态;
指令发送模块,用于基于所述矿车排班表向各矿车发送工作指令;
指令调整模块,用于实时监测矿场模型中各矿车的工作参数,根据所述工作参数生成调整指令,并修正相关的矿车排班表中的矿车余量项。
作为本发明进一步的方案:所述排班表生成模块包括:
矿物量读取单元,用于依次定位各信息点对应的数据表,读取数据表中的矿物量;
分类单元,用于根据矿物量对各信息点进行分类;
路径生成单元,用于获取矿场出口的位置数据,依次提取各类信息点中任一信息点的位置数据,将矿场出口的位置数据和任一信息点的位置数据输入迪杰斯特拉算法模型,计算最短运输路径;每生成一条运输路径时,从各类信息点中删除相应的信息点;
处理执行单元,用于依次根据各运输路径确定含有编号的运输任务,根据所述运输任务确定矿车排班表。
作为本发明进一步的方案:所述处理执行单元包括:
第一计算子单元,用于计算运输路径中各信息点对应的矿物量,计算运输路径的总矿物量;
第二计算子单元,用于获取空闲矿车的载荷量、单次运输能耗量、单次运输耗时量,根据载荷量和总矿物量计算运输次数,根据所述运输次数计算总能耗量和总耗时量;其中,所述空闲矿车的数量为变量;
统计子单元,用于统计不同数量空闲矿车对应的运输次数、总能耗量和总耗时量,生成运输计划表;
条件确定子单元,用于开放参数获取端口,基于所述参数获取端口获取边界条件,根据边界条件在所述运输计算表中确定矿车排班表。
与现有技术相比,本发明的有益效果是:本发明通过建立与矿场相匹配的矿场模型,基于矿场模型生成运输任务,根据运输任务向矿车发送简单的工作指令,矿车只需要接收工作指令,即可完成运输任务,这一过程改变了传统的人工控制的工作架构,极大地降低了人力成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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。
图1为无人驾驶矿车协同控制方法的流程框图。
图2为无人驾驶矿车协同控制方法的第一子流程框图。
图3为无人驾驶矿车协同控制方法的第二子流程框图。
图4为无人驾驶矿车协同控制***的组成结构框图。
图5为无人驾驶矿车协同控制***中排班表生成模块的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
图1为无人驾驶矿车协同控制方法的流程框图,本发明实施例中,一种无人驾驶矿车协同控制方法,所述方法包括步骤S100至步骤S400:
步骤S100:获取矿场的尺寸参数,根据尺寸数据和预设的比例尺建立矿场模型;其中,所述矿场模型包括装卸区域以及与装卸区域相对应的信息点;所述装卸区域包括采集点,所述矿场对应采集点的位置处设有采集设备,所述采集设备的数据输入以信息点为索引的数据表中;
无人驾驶技术中,往往由两部分组成,一是无人驾驶运动主体的行进逻辑,二是多个无人驾驶运动主体的配合逻辑;对于无人驾驶运动主体的行进逻辑现在已经较为完善,现有的各大高校或是企业,都一直致力于研究此类课题,取得到效果很显著,最著名的就是机械狗,它的软硬件***都极为先进,并且不断地进步。但是对于多个无人驾驶运动主体的配合逻辑,与实际应用过程也是相关的,因此,它并不具备一个普适性的方法,各种工作环境,不同的工作状态都需要独立设计,其中,无人驾驶矿车就是其中一种应用。
步骤S100生成了一个矿场模型,矿场模型与实际矿场之间存在着一个确定的比例尺,基于矿场模型的设计,可以等比映射至实际。在矿场中,需要装货的区域,对应上述装卸区域,装卸区域上安装有一些摄像头,这对应着上述采集设备;信息点是矿场模型中虚拟的,一般情况下,它与无人驾驶矿车的停泊位置对应。
步骤S200:基于所述信息点生成含有编号的运输任务,根据所述运输任务确定矿车排班表;其中,所述矿车排班表包括矿车编号项、矿车余量项和矿车状态项;所述矿车状态项的值至少包括两个,用于区分已装载状态和未装载状态;
运输任务存在编号,这个编号与信息点之间一般是相关的,也就是根据信息点的参数生成运输任务的编号,同一运输任务往往需要多台矿车共同配合完成,因此,步骤S200最终生成一个矿车排班表。
步骤S300:基于所述矿车排班表向各矿车发送工作指令;
步骤S400:实时监测矿场模型中各矿车的工作参数,根据所述工作参数生成调整指令,并修正相关的矿车排班表中的矿车余量项。
步骤S300和步骤S400是执行步骤,当矿车排班表确定后,向相应的矿车发送一些行进指令或装卸指令即可,矿车开始执行任务时,实时监测矿车状态,对矿车进行调整,这是本发明技术方案的创新点所在;实际上,调整指令,最多的就是卸货指令,在本发明技术方案的一个实例中,矿车在运行过程中,一旦发生不稳定的现象,就采取原地卸货操作,当后续的矿车跟上时,再进行装卸,这在现有体系中并未涉及,是本发明技术方案独创性的内容。
进一步的,采集设备获取数据的步骤包括:
获取矿场的区域图像,并对所述区域图像进行轮廓识别,定位矿物区域;
对所述矿物区域进行色值识别;
获取采集设备的空间位置,根据所述空间位置确定图像-实景映射关系;
根据色值识别结果和图像-实景映射关系计算矿物量。
上述内容对采集设备的工作过程进行了限定,首先,获取区域图像,这一过程由图像获取设备完成即可;然后,对区域图像进行区域定位和色值识别,这两部分都有相关的技术进行支持,精度无需太高;最后,根据图像中矿物区域的大小即可推断出矿物量。
图2为无人驾驶矿车协同控制方法的第一子流程框图,所述基于所述信息点生成含有编号的运输任务,根据所述运输任务确定矿车排班表的步骤包括步骤S201至步骤S204:
步骤S201:依次定位各信息点对应的数据表,读取数据表中的矿物量;
步骤S202:根据矿物量对各信息点进行分类;
步骤S203:获取矿场出口的位置数据,依次提取各类信息点中任一信息点的位置数据,将矿场出口的位置数据和任一信息点的位置数据输入迪杰斯特拉算法模型,计算最短运输路径;每生成一条运输路径时,从各类信息点中删除相应的信息点;
步骤S204:依次根据各运输路径确定含有编号的运输任务,根据所述运输任务确定矿车排班表。
步骤S201至步骤S204对矿车排班表的生成过程进行了具体的限定,工作流程较为简单,就是获取各个信息点的位置,根据这些位置生成运输路径;每一个信息点仅属于一条运输路径。
需要说明的是,迪杰斯特拉算法(Dijkstra)是由荷兰计算机科学家狄克斯特拉于1959年提出的,因此又叫狄克斯特拉算法。是从一个顶点到其余各顶点的最短路径算法,解决的是有权图中最短路径问题。迪杰斯特拉算法主要特点是从起始点开始,采用贪心算法的策略,每次遍历到始点距离最近且未访问过的顶点的邻接节点,直到扩展到终点为止。在本发明技术方案的应用中,终点是矿场出口,起点可以是任意的,一般选取离矿场出口最远的一个信息点作为起点。
具体的,所述依次根据各运输路径确定含有编号的运输任务,根据所述运输任务确定矿车排班表的步骤包括:
计算运输路径中各信息点对应的矿物量,计算运输路径的总矿物量;
获取空闲矿车的载荷量、单次运输能耗量、单次运输耗时量,根据载荷量和总矿物量计算运输次数,根据所述运输次数计算总能耗量和总耗时量;其中,所述空闲矿车的数量为变量;
统计不同数量空闲矿车对应的运输次数、总能耗量和总耗时量,生成运输计划表;
开放参数获取端口,基于所述参数获取端口获取边界条件,根据边界条件在所述运输计算表中确定矿车排班表。
上述内容对矿车排班表的生成过程进行了具体的限定,其中,变量是空闲矿车的数量,矿车的数量选取是有一定讲究的,在一定数量的限度内,数量越多,总耗时量越小,所述一定数量指的是,矿车数量不能过多,比如几万台矿车,将矿车堵住,那自然是适得其反的。但是数量越多的矿车,总能耗量会多一些,因此,会有一个最适宜数量区间,满足耗时量的同时,降低能耗量。
值得一提的是,矿车的类型可能是不同的,因此,在进行参数获取时,还需要获取矿车的载荷量。
图3为无人驾驶矿车协同控制方法的第二子流程框图,所述实时监测矿场模型中各矿车的工作参数,根据所述工作参数生成调整指令,并修正相关的矿车排班表中的矿车余量项的步骤包括步骤S401至步骤S404:
步骤S401:采集矿车中各节点的输入信号,将所述输入信号输入训练好的预测模型,得到各节点的预测信号;所述节点为具有输入信号和输出信号的电子设备;
步骤S402:获取各节点的输出信号,将所述输出信号与所述预测信号进行比对,得到各节点的偏差率;
步骤S403:将各节点的偏差率和相应的节点位置输入训练好的风险模型中,得到风险类型;
步骤S404:根据风险类型生成调整指令,并修正相关的矿车排班表中的矿车余量项。
步骤S401至步骤S404对矿车的检测过程进行了具体的描述,矿车中具有很多电子设备,这些电子设备大都具有输入信号和输出信号,这些具有输入信号和输出信号的电子设备就是关键的节点,一旦它们出现了问题,那么矿车出现问题的概率就会很高,至于具体的判断过程需要借助一个预测模型,所述预测模型是标准状态下的矿车模型,根据这一标准状态下的矿车模型,可以对输入信号进行预测,预测出理想状态下的输出信号是什么样的,然后获取真实的输出信号,将真实的输出信号与预测的输出信号进行比对,即可计算出偏差率,这个偏差率就足以反映出矿车的状态。
进一步的,所述根据风险类型生成调整指令,并修正相关的矿车排班表中的矿车余量项的步骤包括:
根据风险类型生成卸货指令,记录卸货量和卸货位置;
建立与该矿车所属的矿车排班表的连接通道,根据矿车状态项定位未装载矿车;
向其中一个未装载矿车发送含有卸货位置的装货指令,并修改其矿车余量项;所述矿车余量项与所述卸货量之间存在映射关系。
具体的,当生成卸货指令时,建立与该矿车所属的矿车排班表的连接通道,根据矿车状态项定位该矿车与未装载矿车之间的已装载矿车,并向该矿车与未装载矿车之间的已装载矿车发送含有卸货量和卸货位置的预警信息。
在本发明技术方案的一个实例中,将调整指令限定为卸货指令,当矿车卸货后,这批货物被留在路径上,它并不是由下一个矿车运输,因为下一个矿车是满载的状态,下一个矿车在运动到该货物处时,需要进行避障;真正运输这批货物的还没有装货的矿车,通过矿车余量项使得这一个矿车预留出位置,当它运动到这批货物的位置时,进行装货。
实施例2
图4为无人驾驶矿车协同控制***的组成结构框图,本发明实施例中,一种无人驾驶矿车协同控制***,所述***10包括:
模型建立模块11,用于获取矿场的尺寸参数,根据尺寸数据和预设的比例尺建立矿场模型;其中,所述矿场模型包括装卸区域以及与装卸区域相对应的信息点;所述装卸区域包括采集点,所述矿场对应采集点的位置处设有采集设备,所述采集设备的数据输入以信息点为索引的数据表中;
排班表生成模块12,用于基于所述信息点生成含有编号的运输任务,根据所述运输任务确定矿车排班表;其中,所述矿车排班表包括矿车编号项、矿车余量项和矿车状态项;所述矿车状态项的值至少包括两个,用于区分已装载状态和未装载状态;
指令发送模块13,用于基于所述矿车排班表向各矿车发送工作指令;
指令调整模块14,用于实时监测矿场模型中各矿车的工作参数,根据所述工作参数生成调整指令,并修正相关的矿车排班表中的矿车余量项。
图5为无人驾驶矿车协同控制***中排班表生成模块12的组成结构框图,所述排班表生成模块12包括:
矿物量读取单元121,用于依次定位各信息点对应的数据表,读取数据表中的矿物量;
分类单元122,用于根据矿物量对各信息点进行分类;
路径生成单元123,用于获取矿场出口的位置数据,依次提取各类信息点中任一信息点的位置数据,将矿场出口的位置数据和任一信息点的位置数据输入迪杰斯特拉算法模型,计算最短运输路径;每生成一条运输路径时,从各类信息点中删除相应的信息点;
处理执行单元124,用于依次根据各运输路径确定含有编号的运输任务,根据所述运输任务确定矿车排班表。
进一步的,所述处理执行单元124包括:
第一计算子单元,用于计算运输路径中各信息点对应的矿物量,计算运输路径的总矿物量;
第二计算子单元,用于获取空闲矿车的载荷量、单次运输能耗量、单次运输耗时量,根据载荷量和总矿物量计算运输次数,根据所述运输次数计算总能耗量和总耗时量;其中,所述空闲矿车的数量为变量;
统计子单元,用于统计不同数量空闲矿车对应的运输次数、总能耗量和总耗时量,生成运输计划表;
条件确定子单元,用于开放参数获取端口,基于所述参数获取端口获取边界条件,根据边界条件在所述运输计算表中确定矿车排班表。
所述无人驾驶矿车协同控制方法所能实现的功能均由计算机设备完成,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述程序代码由所述一个或多个处理器加载并执行以实现所述无人驾驶矿车协同控制方法。
处理器从存储器中逐条取出指令、分析指令,然后根据指令要求完成相应操作,产生一系列控制命令,使计算机各部分自动、连续并协调动作,成为一个有机的整体,实现程序的输入、数据的输入以及运算并输出结果,这一过程中产生的算术运算或逻辑运算均由运算器完成;所述存储器包括只读存储器(Read-Only Memory,ROM),所述只读存储器用于存储计算机程序,所述存储器外部设有保护装置。
示例性的,计算机程序可以被分割成一个或多个模块,一个或者多个模块被存储在存储器中,并由处理器执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解,上述服务设备的描述仅仅是示例,并不构成对终端设备的限定,可以包括比上述描述更多或更少的部件,或者组合某些部件,或者不同的部件,例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,上述处理器是上述终端设备的控制中心,利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块,上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等;存储数据区可存储根据泊位状态显示***的使用所创建的数据(比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
终端设备集成的模块/单元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取介质中。基于这样的理解,本发明实现上述实施例***中的全部或部分模块/单元,也可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于计算机可读介质中,该计算机程序在被处理器执行时,可实现上述各个***实施例的功能。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种无人驾驶矿车协同控制方法,其特征在于,所述方法包括:
获取矿场的尺寸参数,根据尺寸数据和预设的比例尺建立矿场模型;其中,所述矿场模型包括装卸区域以及与装卸区域相对应的信息点;所述装卸区域包括采集点,所述矿场对应采集点的位置处设有采集设备,所述采集设备的数据输入以信息点为索引的数据表中;
基于所述信息点生成含有编号的运输任务,根据所述运输任务确定矿车排班表;其中,所述矿车排班表包括矿车编号项、矿车余量项和矿车状态项;所述矿车状态项的值至少包括两个,用于区分已装载状态和未装载状态;
基于所述矿车排班表向各矿车发送工作指令;
实时监测矿场模型中各矿车的工作参数,根据所述工作参数生成调整指令,并修正相关的矿车排班表中的矿车余量项。
2.根据权利要求1所述的无人驾驶矿车协同控制方法,其特征在于,采集设备获取数据的步骤包括:
获取矿场的区域图像,并对所述区域图像进行轮廓识别,定位矿物区域;
对所述矿物区域进行色值识别;
获取采集设备的空间位置,根据所述空间位置确定图像-实景映射关系;
根据色值识别结果和图像-实景映射关系计算矿物量。
3.根据权利要求2所述的无人驾驶矿车协同控制方法,其特征在于,所述基于所述信息点生成含有编号的运输任务,根据所述运输任务确定矿车排班表的步骤包括:
依次定位各信息点对应的数据表,读取数据表中的矿物量;
根据矿物量对各信息点进行分类;
获取矿场出口的位置数据,依次提取各类信息点中任一信息点的位置数据,将矿场出口的位置数据和任一信息点的位置数据输入迪杰斯特拉算法模型,计算最短运输路径;每生成一条运输路径时,从各类信息点中删除相应的信息点;
依次根据各运输路径确定含有编号的运输任务,根据所述运输任务确定矿车排班表。
4.根据权利要求3所述的无人驾驶矿车协同控制方法,其特征在于,所述依次根据各运输路径确定含有编号的运输任务,根据所述运输任务确定矿车排班表的步骤包括:
计算运输路径中各信息点对应的矿物量,计算运输路径的总矿物量;
获取空闲矿车的载荷量、单次运输能耗量、单次运输耗时量,根据载荷量和总矿物量计算运输次数,根据所述运输次数计算总能耗量和总耗时量;其中,所述空闲矿车的数量为变量;
统计不同数量空闲矿车对应的运输次数、总能耗量和总耗时量,生成运输计划表;
开放参数获取端口,基于所述参数获取端口获取边界条件,根据边界条件在所述运输计算表中确定矿车排班表。
5.根据权利要求1所述的无人驾驶矿车协同控制方法,其特征在于,所述实时监测矿场模型中各矿车的工作参数,根据所述工作参数生成调整指令,并修正相关的矿车排班表中的矿车余量项的步骤包括:
采集矿车中各节点的输入信号,将所述输入信号输入训练好的预测模型,得到各节点的预测信号;所述节点为具有输入信号和输出信号的电子设备;
获取各节点的输出信号,将所述输出信号与所述预测信号进行比对,得到各节点的偏差率;
将各节点的偏差率和相应的节点位置输入训练好的风险模型中,得到风险类型;
根据风险类型生成调整指令,并修正相关的矿车排班表中的矿车余量项。
6.根据权利要求5所述的无人驾驶矿车协同控制方法,其特征在于,所述根据风险类型生成调整指令,并修正相关的矿车排班表中的矿车余量项的步骤包括:
根据风险类型生成卸货指令,记录卸货量和卸货位置;
建立与该矿车所属的矿车排班表的连接通道,根据矿车状态项定位未装载矿车;
向其中一个未装载矿车发送含有卸货位置的装货指令,并修改其矿车余量项;所述矿车余量项与所述卸货量之间存在映射关系。
7.根据权利要求6所述的无人驾驶矿车协同控制方法,其特征在于,当生成卸货指令时,建立与该矿车所属的矿车排班表的连接通道,根据矿车状态项定位该矿车与未装载矿车之间的已装载矿车,并向该矿车与未装载矿车之间的已装载矿车发送含有卸货量和卸货位置的预警信息。
8.一种无人驾驶矿车协同控制***,其特征在于,所述***包括:
模型建立模块,用于获取矿场的尺寸参数,根据尺寸数据和预设的比例尺建立矿场模型;其中,所述矿场模型包括装卸区域以及与装卸区域相对应的信息点;所述装卸区域包括采集点,所述矿场对应采集点的位置处设有采集设备,所述采集设备的数据输入以信息点为索引的数据表中;
排班表生成模块,用于基于所述信息点生成含有编号的运输任务,根据所述运输任务确定矿车排班表;其中,所述矿车排班表包括矿车编号项、矿车余量项和矿车状态项;所述矿车状态项的值至少包括两个,用于区分已装载状态和未装载状态;
指令发送模块,用于基于所述矿车排班表向各矿车发送工作指令;
指令调整模块,用于实时监测矿场模型中各矿车的工作参数,根据所述工作参数生成调整指令,并修正相关的矿车排班表中的矿车余量项。
9.根据权利要求8所述的无人驾驶矿车协同控制***,其特征在于,所述排班表生成模块包括:
矿物量读取单元,用于依次定位各信息点对应的数据表,读取数据表中的矿物量;
分类单元,用于根据矿物量对各信息点进行分类;
路径生成单元,用于获取矿场出口的位置数据,依次提取各类信息点中任一信息点的位置数据,将矿场出口的位置数据和任一信息点的位置数据输入迪杰斯特拉算法模型,计算最短运输路径;每生成一条运输路径时,从各类信息点中删除相应的信息点;
处理执行单元,用于依次根据各运输路径确定含有编号的运输任务,根据所述运输任务确定矿车排班表。
10.根据权利要求9所述的无人驾驶矿车协同控制***,其特征在于,所述处理执行单元包括:
第一计算子单元,用于计算运输路径中各信息点对应的矿物量,计算运输路径的总矿物量;
第二计算子单元,用于获取空闲矿车的载荷量、单次运输能耗量、单次运输耗时量,根据载荷量和总矿物量计算运输次数,根据所述运输次数计算总能耗量和总耗时量;其中,所述空闲矿车的数量为变量;
统计子单元,用于统计不同数量空闲矿车对应的运输次数、总能耗量和总耗时量,生成运输计划表;
条件确定子单元,用于开放参数获取端口,基于所述参数获取端口获取边界条件,根据边界条件在所述运输计算表中确定矿车排班表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210585251.5A CN114911238B (zh) | 2022-05-27 | 2022-05-27 | 一种无人驾驶矿车协同控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210585251.5A CN114911238B (zh) | 2022-05-27 | 2022-05-27 | 一种无人驾驶矿车协同控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114911238A true CN114911238A (zh) | 2022-08-16 |
CN114911238B CN114911238B (zh) | 2024-06-21 |
Family
ID=82768582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210585251.5A Active CN114911238B (zh) | 2022-05-27 | 2022-05-27 | 一种无人驾驶矿车协同控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114911238B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115195563A (zh) * | 2022-09-15 | 2022-10-18 | 上海伯镭智能科技有限公司 | 一种基于激光感知的无人矿车自主卸料方法 |
CN115265522A (zh) * | 2022-09-27 | 2022-11-01 | 山东明源智能装备股份有限公司 | 一种用于矿场车辆的自动导航方法及*** |
CN117649094A (zh) * | 2024-01-24 | 2024-03-05 | 中国科学院自动化研究所 | 无人驾驶矿车调度***及方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140358382A1 (en) * | 2012-03-15 | 2014-12-04 | Komatsu Ltd. | Operation control system for mining machine and operation control method for mining machine |
US20160300405A1 (en) * | 2014-10-30 | 2016-10-13 | (Komatsu Ltd.) | System for managing mining machine and method for managing mining machine |
CN110409550A (zh) * | 2019-07-29 | 2019-11-05 | 湖南大学 | 一种全自动作业地下采矿铲运机 |
CN110428161A (zh) * | 2019-07-25 | 2019-11-08 | 北京航空航天大学 | 一种基于端边云架构的无人驾驶矿车云智能调度方法 |
CN110456745A (zh) * | 2019-07-29 | 2019-11-15 | 湖南大学 | 一种全自动地下采矿运输*** |
CN111240338A (zh) * | 2020-02-11 | 2020-06-05 | 三一智矿科技有限公司 | 无人驾驶矿车自主装卸方法及*** |
CN111367290A (zh) * | 2020-03-19 | 2020-07-03 | 三一智矿科技有限公司 | 矿车无人驾驶装置、方法、可读存储介质和矿车 |
CN111614706A (zh) * | 2019-02-26 | 2020-09-01 | 陕西汽车集团有限责任公司 | 一种自动驾驶矿用车装卸过程云控制***和控制方法 |
CN111784143A (zh) * | 2020-06-24 | 2020-10-16 | 合肥工大高科信息科技股份有限公司 | 一种矿石自动运输调度方法及*** |
CN212229815U (zh) * | 2020-05-15 | 2020-12-25 | 长沙智能驾驶研究院有限公司 | 矿区装运管理*** |
CN113222463A (zh) * | 2021-05-31 | 2021-08-06 | 西安建筑科技大学 | 基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法 |
CN113219933A (zh) * | 2021-07-08 | 2021-08-06 | 北京踏歌智行科技有限公司 | 基于数字孪生预测的露天矿无人驾驶卡车调度***及方法 |
WO2021228147A1 (zh) * | 2020-05-15 | 2021-11-18 | 长沙智能驾驶研究院有限公司 | 矿车运输驾驶控制方法、装置、矿车和存储介质 |
US20220003116A1 (en) * | 2019-02-15 | 2022-01-06 | Bewimo Pty Ltd | Improvements relating to underground mining |
CN114355891A (zh) * | 2021-12-09 | 2022-04-15 | 青岛慧拓智能机器有限公司 | 一种井工矿智能无人运输*** |
CN114418341A (zh) * | 2021-12-28 | 2022-04-29 | 青岛慧拓智能机器有限公司 | 矿区多矿卡协同作业的控制方法及装置 |
-
2022
- 2022-05-27 CN CN202210585251.5A patent/CN114911238B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140358382A1 (en) * | 2012-03-15 | 2014-12-04 | Komatsu Ltd. | Operation control system for mining machine and operation control method for mining machine |
US20160300405A1 (en) * | 2014-10-30 | 2016-10-13 | (Komatsu Ltd.) | System for managing mining machine and method for managing mining machine |
US20220003116A1 (en) * | 2019-02-15 | 2022-01-06 | Bewimo Pty Ltd | Improvements relating to underground mining |
CN111614706A (zh) * | 2019-02-26 | 2020-09-01 | 陕西汽车集团有限责任公司 | 一种自动驾驶矿用车装卸过程云控制***和控制方法 |
CN110428161A (zh) * | 2019-07-25 | 2019-11-08 | 北京航空航天大学 | 一种基于端边云架构的无人驾驶矿车云智能调度方法 |
CN110409550A (zh) * | 2019-07-29 | 2019-11-05 | 湖南大学 | 一种全自动作业地下采矿铲运机 |
CN110456745A (zh) * | 2019-07-29 | 2019-11-15 | 湖南大学 | 一种全自动地下采矿运输*** |
CN111240338A (zh) * | 2020-02-11 | 2020-06-05 | 三一智矿科技有限公司 | 无人驾驶矿车自主装卸方法及*** |
CN111367290A (zh) * | 2020-03-19 | 2020-07-03 | 三一智矿科技有限公司 | 矿车无人驾驶装置、方法、可读存储介质和矿车 |
WO2021228147A1 (zh) * | 2020-05-15 | 2021-11-18 | 长沙智能驾驶研究院有限公司 | 矿车运输驾驶控制方法、装置、矿车和存储介质 |
CN212229815U (zh) * | 2020-05-15 | 2020-12-25 | 长沙智能驾驶研究院有限公司 | 矿区装运管理*** |
CN111784143A (zh) * | 2020-06-24 | 2020-10-16 | 合肥工大高科信息科技股份有限公司 | 一种矿石自动运输调度方法及*** |
CN113222463A (zh) * | 2021-05-31 | 2021-08-06 | 西安建筑科技大学 | 基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法 |
CN113219933A (zh) * | 2021-07-08 | 2021-08-06 | 北京踏歌智行科技有限公司 | 基于数字孪生预测的露天矿无人驾驶卡车调度***及方法 |
CN114355891A (zh) * | 2021-12-09 | 2022-04-15 | 青岛慧拓智能机器有限公司 | 一种井工矿智能无人运输*** |
CN114418341A (zh) * | 2021-12-28 | 2022-04-29 | 青岛慧拓智能机器有限公司 | 矿区多矿卡协同作业的控制方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115195563A (zh) * | 2022-09-15 | 2022-10-18 | 上海伯镭智能科技有限公司 | 一种基于激光感知的无人矿车自主卸料方法 |
CN115195563B (zh) * | 2022-09-15 | 2022-11-15 | 上海伯镭智能科技有限公司 | 一种基于激光感知的无人矿车自主卸料方法 |
CN115265522A (zh) * | 2022-09-27 | 2022-11-01 | 山东明源智能装备股份有限公司 | 一种用于矿场车辆的自动导航方法及*** |
CN115265522B (zh) * | 2022-09-27 | 2022-12-27 | 山东明源智能装备股份有限公司 | 一种用于矿场车辆的自动导航方法及*** |
CN117649094A (zh) * | 2024-01-24 | 2024-03-05 | 中国科学院自动化研究所 | 无人驾驶矿车调度***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114911238B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114911238A (zh) | 一种无人驾驶矿车协同控制方法及*** | |
CN111768629B (zh) | 车辆调度方法、装置和*** | |
JP5369845B2 (ja) | 配車計画作成方法 | |
CN112348428B (zh) | 集装箱的监控方法、装置、服务器及存储介质 | |
CN108897317B (zh) | 一种自动导引小车agv的路径寻优方法、相关装置及存储介质 | |
CN107993025A (zh) | 一种多agv的实时动态解锁调度方法 | |
US10643159B2 (en) | System and method for mining site production planning | |
CN114911833A (zh) | 工业互联网平台监测数据传输交换方法及*** | |
Chaikovskaia et al. | Sizing of a fleet of cooperative and reconfigurable robots for the transport of heterogeneous loads | |
CN114444998A (zh) | 一种物流供应链管理*** | |
CN116522801B (zh) | 一种用于物流***的布局仿真方法及装置 | |
CN114707820A (zh) | 货物运输方法、装置、终端设备及可读存储介质 | |
DE102022103730A1 (de) | System zur digitalen Repräsentation eines Waren- und/oder Materiallagers | |
Reinhart et al. | Adaptive scheduling by means of product-specific emergence data | |
US10995615B2 (en) | Method for optimizing mining production | |
CN112365204A (zh) | 化工产品的储运管理方法、管理***及电子设备 | |
CN112633585A (zh) | 无人设备调度方法、装置、电子设备及存储介质 | |
CN110414904A (zh) | 一种集装箱智能场站*** | |
CN113269457B (zh) | 一种基于大数据的商品销售供货一体化管理***及方法 | |
CN114442614B (zh) | 一种多机协同机器人***及其控制方法 | |
JP6659927B2 (ja) | 情報把握管理装置、情報把握管理装置の端末機および情報把握管理装置のプログラム | |
Wucherpfennig et al. | Model-based systems engineering for the design of an intermodal high-speed freight train terminal | |
WO2024139906A1 (zh) | 基于有人驾驶的无人驾驶作业方法和装置 | |
DE102023107092A1 (de) | Optimierte aufgabenerzeugung und -planung von fahrerlosen transport-carts unter verwendung von überkopfsensorsystemen | |
Raja et al. | Implementation of digital twin in supply chain and logistics |
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 |