CN115293606A - 一种无人送货车*** - Google Patents
一种无人送货车*** Download PDFInfo
- Publication number
- CN115293606A CN115293606A CN202210966400.2A CN202210966400A CN115293606A CN 115293606 A CN115293606 A CN 115293606A CN 202210966400 A CN202210966400 A CN 202210966400A CN 115293606 A CN115293606 A CN 115293606A
- Authority
- CN
- China
- Prior art keywords
- delivery vehicle
- unmanned delivery
- information
- module
- goods
- 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
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 238000007726 management method Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001934 delay Effects 0.000 claims description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004089 microcirculation Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人送货车***,属于物流技术领域,包括用户平台、订单分发模块、货物登记模块、车载摄像头、行驶控制模块、取货记录模块、管理平台以及参数分析模块,所述用户平台用于客户登陆,并选择自己所需要的物品以及确认;本发明能够准确地依据周围环境对无人送货车进行控制,降低事故发生概率,提高商品安全性,保护客户以及商家利益,通过构建分析神经网络,能够高效准确的对无人送货车参数进行更新,提高无人送货车送货效率。
Description
技术领域
本发明涉及物流技术领域,尤其涉及一种无人送货车***。
背景技术
无人汽车是依靠人工智能、视觉计算、雷达、监控装置和全球定位***协同合作,让电脑可以在没有任何人类主动的操作下,自动安全地操作机动车辆,随着5G时代地来临以及外卖行业地不断壮大,无人送货车也随之出现并普及,无人送货车地出现与社区道路和实景产生实时互联交互,实现非接触"安心送",畅通"最后一公里"智慧物流微循环,有效推进智慧社区建设,由于无人配送车属于自动驾驶产业过程发展中出现的新产品,产品始终处于管理空白区。因此无人送货车行驶过程地安全性成为各企业地重点研究方向之一;
现有的无人送货车***无法准确地依据周围环境对无人送货车进行控制,事故发生概率高,无法保障商品安全性;此外,现有的无人送货车***无法自行地对无人送货车参数进行更新,降低无人送货车送货效率,且不方便管理人员对无人送货车数据进行修改与维护;为此,我们提出一种无人送货车***。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的一种无人送货车***。
为了实现上述目的,本发明采用了如下技术方案:
一种无人送货车***,包括用户平台、订单分发模块、货物登记模块、车载摄像头、行驶控制模块、取货记录模块、管理平台以及参数分析模块;
其中,所述用户平台用于客户登陆,并选择自己所需要的物品以及确认;
所述订单分发模块用于接收用户平台发送的各组数据,并生成相对应的订单信息,之后对各订单信息进行选择分发;
所述货物登记模块用于无人送货车依据订单信息对待运输货物进行装载登记;
所述车载摄像头用于无人送货车在行驶过程中实时采集路面信息;
所述行驶控制模块用于接收车载摄像头采集的路面信息,并对其进行级联分析;
所述取货记录模块用于向客户发送取货消息,并进行记录存储;
所述参数分析模块用于实时采集无人送货车行驶参数,并对其进行分析调整;
所述管理平台用于管理人员查看无人送货车行驶情况,并下发相关控制指令。
作为本发明的进一步方案,所述订单分发模块选择分发具体步骤如下:
步骤一:订单分发模块将各组订单信息按照不同区域进行分类,之后依据分类信息生成相同数量的区域记录表,并将各区域订单信息录入相对应的区域记录表中;
步骤二:之后检测各区域记录表中客户收货地址是否在无人送货车配送范围,若不在配送范围内,则将该订单发送至管理平台以供送货人员进行选择接取,若在配送范围内,则对商家位置进行提取;
步骤三:对各区域无人送货车进行定位,并对各区域无人送货车位置与各区域相对应的商家位置进行距离计算,之后为各组无人送货车绘制依据距离由近到远绘制对应取货路线,并将相对应的订单信息发送至相关无人送货车进行存储。
作为本发明的进一步方案,所述货物登记模块装载登记具体步骤如下:
步骤(1):无人送货车行驶至相对应的商家处后,向该商家发送取货信息,并等待商家进行商品存储;
步骤(2):若商家在规定时间内未将商品存储至无人送货车中,货物登记模块则将该订单信息移除,并将其发送至管理平台以供送货人员进行选择接取,若商家在规定时间内将商品存储至无人送货车中,则对该商品订单条形码进行扫描确认,并向客户发送商品已接取信息。
作为本发明的进一步方案,所述行驶控制模块级联分析具体步骤如下:
第一步:行驶控制模块收集各车载摄像头采集的各组影像信息后,离线处理固定帧率的视频或图像序列帧,并对实际视频帧的间隔时间进行计算;
第二步:记录计算出的实际视频帧的间隔时间,并通过卡尔曼滤波理论建立运动模型,同时通过构建的运动模型实时获取路面目标的运动状态,并采集所有路面目标的外观特征向量,之后运动模型依据对移动目标的线性运动假设,对其在视频帧中的运动状态进行定义;
第三步:收集路面目标在当前视频帧中的运动状态,并构建预测方程对各路面目标在下一视频帧中的运动状态进行估计,之后提前控制无人送货车做出转向、直行或停车;
第四步:当无人送货车在十字路口时,将提取出的外观特征向量送入双向特征金字塔,进行特征融合,再将融合结果进行分类回归,并输出检测框,类别和分数;
第五步:对固定帧率的视频或图像序列帧中交通灯检测框信息进行收集,并生成对应检测框坐标,再对相关固定帧率的视频或图像序列帧进行扩大化剪裁以获取交通灯图片;
第六步:过滤掉各组交通灯图片中属于背景的简单负样本,并选择无人送货车行驶道路所对应的交通灯进行判断,若为绿灯,无人送货车则继续行驶,若为红灯或者黄灯,无人送货车则停止行驶。
作为本发明的进一步方案,第一步中所述间隔时间具体计算公式如下:
第二步中所述运动状态具体定义形式如下:
作为本发明的进一步方案,所述取货记录模块记录存储具体步骤如下:
S1.1:当无人送货车到达客户位置后,依据存储的订单信息向对应的客户手机发送取货信息,同时在规定时间内等待客户取货;
S1.2:若客户在规定时间内到达取货处,无人送货车通过扫描仪对客户取货二维码进行扫描,并确认客户订单信息,之后打开相对应的储货仓以供用户进行取货,若客户未在规定时间内到达取货处,无人送货车去往下一位距离最近的客户处,同时向该客户方案延时取货信息;
S1.3:同时无人送货车定期统计已送出的订单数量,并将其发送至外部数据库进行存储,同时将每日订单完成量反馈至管理平台以供工作人员查看。
作为本发明的进一步方案,所述参数分析模块分析调整具体步骤如下:
S2.1:参数分析模块构建并优化一组分析神经网络,之后对行驶过程中的无人送货车各项运行参数进行收集,再通过符值转换将各组运行参数转换为符合条件的进制数据,并将各项运行参数导入分析神经网络中,之后通过归一化处理将各项运行参数转换至规定检测区间内;
S2.2:提取各运行参数特征信息,并对其进行特征降维,之后将处理后的运行参数分为验证集、测试集以及训练集,同时重复多次使用验证集中的各组数据对分析神经网络精度进行验证,并统计测试集中各数据均方根误差,再对每组数据都进行一次预测,并将预测结果最好的数据作为最优参数输出;
S2.3:分析神经网络依据最优参数对训练集进行标准化处理以生成训练样本,之后依据训练样本构建上层控制器,计算期望驱动以及制动速度,并构建下层控制器,再基于模糊控制理论以及纵向动力学生成驱动控制以及制动控制;
S2.4:依据生成的驱动控制以及制动控制分别对驱动方案以及制动方案,并依据生成的两组方案对无人送货车进行参数更新,并将更新后的各项参数值传输至管理平台供管理人员查看。
相比于现有技术,本发明的有益效果在于:
1、无人送货车在行驶过程中通过车载摄像头实时采集路面信息,同时行驶控制模块收集各车载摄像头采集的各组影像信息后,离线处理固定帧率的视频或图像序列帧,并对实际视频帧的间隔时间进行计算,之后记录计算出的实际视频帧的间隔时间,并通过卡尔曼滤波理论建立运动模型,同时通过构建的运动模型实时获取路面目标的运动状态,并构建预测方程对各路面目标在下一视频帧中的运动状态进行估计,之后提前控制无人送货车做出转向、直行或停车,当无人送货车在十字路口时,对固定帧率的视频或图像序列帧进行特征融合以生成检测框,并对其进行扩大化剪裁以获取交通灯图片,再过滤掉各组交通灯图片中属于背景的简单负样本,并选择无人送货车行驶道路所对应的交通灯进行判断,能够准确地依据周围环境对无人送货车进行控制,降低事故发生概率,提高商品安全性,保护客户以及商家利益;
2、本发明通过参数分析模块构建一组分析神经网络,并对无人送货车各项运行参数进行收集,通过分析神经网络将各项运行参数转换至规定检测区间内,并对每组数据都进行一次预测,并将预测结果最好的数据作为最优参数输出,分析神经网络依据最优参数对数据进行标准化处理以生成训练样本,之后依据训练样本构建上层控制器,计算期望驱动以及制动速度,并构建下层控制器,再基于模糊控制理论以及纵向动力学生成驱动控制以及制动控制,最后依据生成的驱动控制以及制动控制分别对驱动方案以及制动方案,并依据生成的两组方案对无人送货车进行参数更新,通过构建分析神经网络,能够高效自行地对无人送货车参数进行更新,提高无人送货车送货效率,方便管理人员对无人送货车数据进行修改与维护。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提出的一种无人送货车***的***框图。
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。
实施例1
参照图1,一种无人送货车***,包括用户平台、订单分发模块、货物登记模块、车载摄像头、行驶控制模块、取货记录模块、管理平台以及参数分析模块。
用户平台用于客户登陆,并选择自己所需要的物品以及确认。
订单分发模块用于接收用户平台发送的各组数据,并生成相对应的订单信息,之后对各订单信息进行选择分发。
具体的,订单分发模块将各组订单信息按照不同区域进行分类,之后依据分类信息生成相同数量的区域记录表,并将各区域订单信息录入相对应的区域记录表中,之后检测各区域记录表中客户收货地址是否在无人送货车配送范围,若不在配送范围内,则将该订单发送至管理平台以供送货人员进行选择接取,若在配送范围内,则对商家位置进行提取,最后,订单分发模块对各区域无人送货车进行定位,并对各区域无人送货车位置与各区域相对应的商家位置进行距离计算,之后为各组无人送货车绘制依据距离由近到远绘制对应取货路线,并将相对应的订单信息发送至相关无人送货车进行存储。
货物登记模块用于无人送货车依据订单信息对待运输货物进行装载登记。
具体的,无人送货车行驶至相对应的商家处后,向该商家发送取货信息,并等待商家进行商品存储,若商家在规定时间内未将商品存储至无人送货车中,货物登记模块则将该订单信息移除,并将其发送至管理平台以供送货人员进行选择接取,若商家在规定时间内将商品存储至无人送货车中,则对该商品订单条形码进行扫描确认,并向客户发送商品已接取信息。
车载摄像头用于无人送货车在行驶过程中实时采集路面信息。
行驶控制模块用于接收车载摄像头采集的路面信息,并对其进行级联分析。
具体的,行驶控制模块收集各车载摄像头采集的各组影像信息后,离线处理固定帧率的视频或图像序列帧,并对实际视频帧的间隔时间进行计算,之后记录计算出的实际视频帧的间隔时间,并通过卡尔曼滤波理论建立运动模型,同时通过构建的运动模型实时获取路面目标的运动状态,并采集所有路面目标的外观特征向量,之后运动模型依据对移动目标的线性运动假设,对其在视频帧中的运动状态进行定义,再收集路面目标在当前视频帧中的运动状态,并构建预测方程对各路面目标在下一视频帧中的运动状态进行估计,之后提前控制无人送货车做出转向、直行或停车,当无人送货车在十字路口时,将提取出的外观特征向量送入双向特征金字塔,进行特征融合,再将融合结果进行分类回归,并输出检测框,类别和分数,之后对固定帧率的视频或图像序列帧中交通灯检测框信息进行收集,并生成对应检测框坐标,再对相关固定帧率的视频或图像序列帧进行扩大化剪裁以获取交通灯图片,再过滤掉各组交通灯图片中属于背景的简单负样本,并选择无人送货车行驶道路所对应的交通灯进行判断,若为绿灯,无人送货车则继续行驶,若为红灯或者黄灯,无人送货车则停止行驶。
需要进一步说明的是,间隔时间具体计算公式如下:
运动状态具体定义形式如下:
实施例2
参照图1,一种无人送货车***,包括包括用户平台、订单分发模块、货物登记模块、车载摄像头、行驶控制模块、取货记录模块、管理平台以及参数分析模块。
取货记录模块用于向客户发送取货消息,并进行记录存储。
具体的,当无人送货车到达客户位置后,依据存储的订单信息向对应的客户手机发送取货信息,同时在规定时间内等待客户取货,若客户在规定时间内到达取货处,无人送货车通过扫描仪对客户取货二维码进行扫描,并确认客户订单信息,之后打开相对应的储货仓以供用户进行取货,若客户未在规定时间内到达取货处,无人送货车去往下一位距离最近的客户处,同时向该客户方案延时取货信息,同时无人送货车定期统计已送出的订单数量,并将其发送至外部数据库进行存储,同时将每日订单完成量反馈至管理平台以供工作人员查看。
参数分析模块用于实时采集无人送货车行驶参数,并对其进行分析调整。
具体的,参数分析模块构建并优化一组分析神经网络,之后对行驶过程中的无人送货车各项运行参数进行收集,再通过符值转换将各组运行参数转换为符合条件的进制数据,并将各项运行参数导入分析神经网络中,之后通过归一化处理将各项运行参数转换至规定检测区间内,再提取各运行参数特征信息,并对其进行特征降维,之后将处理后的运行参数分为验证集、测试集以及训练集,同时重复多次使用验证集中的各组数据对分析神经网络精度进行验证,并统计测试集中各数据均方根误差,再对每组数据都进行一次预测,并将预测结果最好的数据作为最优参数输出,分析神经网络依据最优参数对训练集进行标准化处理以生成训练样本,之后依据训练样本构建上层控制器,计算期望驱动以及制动速度,并构建下层控制器,再基于模糊控制理论以及纵向动力学生成驱动控制以及制动控制,最后依据生成的驱动控制以及制动控制分别对驱动方案以及制动方案,并依据生成的两组方案对无人送货车进行参数更新,并将更新后的各项参数值传输至管理平台供管理人员查看。
管理平台用于管理人员查看无人送货车行驶情况,并下发相关控制指令。
Claims (7)
1.一种无人送货车***,其特征在于,包括用户平台、订单分发模块、货物登记模块、车载摄像头、行驶控制模块、取货记录模块、管理平台以及参数分析模块;
其中,所述用户平台用于客户登陆,并选择自己所需要的物品以及确认;
所述订单分发模块用于接收用户平台发送的各组数据,并生成相对应的订单信息,之后对各订单信息进行选择分发;
所述货物登记模块用于无人送货车依据订单信息对待运输货物进行装载登记;
所述车载摄像头用于无人送货车在行驶过程中实时采集路面信息;
所述行驶控制模块用于接收车载摄像头采集的路面信息,并对其进行级联分析;
所述取货记录模块用于向客户发送取货消息,并进行记录存储;
所述参数分析模块用于实时采集无人送货车行驶参数,并对其进行分析调整;
所述管理平台用于管理人员查看无人送货车行驶情况,并下发相关控制指令。
2.根据权利要求1所述的一种无人送货车***,其特征在于,所述订单分发模块选择分发具体步骤如下:
步骤一:订单分发模块将各组订单信息按照不同区域进行分类,之后依据分类信息生成相同数量的区域记录表,并将各区域订单信息录入相对应的区域记录表中;
步骤二:之后检测各区域记录表中客户收货地址是否在无人送货车配送范围,若不在配送范围内,则将该订单发送至管理平台以供送货人员进行选择接取,若在配送范围内,则对商家位置进行提取;
步骤三:对各区域无人送货车进行定位,并对各区域无人送货车位置与各区域相对应的商家位置进行距离计算,之后为各组无人送货车绘制依据距离由近到远绘制对应取货路线,并将相对应的订单信息发送至相关无人送货车进行存储。
3.根据权利要求2所述的一种无人送货车***,其特征在于,所述货物登记模块装载登记具体步骤如下:
步骤(1):无人送货车行驶至相对应的商家处后,向该商家发送取货信息,并等待商家进行商品存储;
步骤(2):若商家在规定时间内未将商品存储至无人送货车中,货物登记模块则将该订单信息移除,并将其发送至管理平台以供送货人员进行选择接取,若商家在规定时间内将商品存储至无人送货车中,则对该商品订单条形码进行扫描确认,并向客户发送商品已接取信息。
4.根据权利要求3所述的一种无人送货车***,其特征在于,所述行驶控制模块级联分析具体步骤如下:
第一步:行驶控制模块收集各车载摄像头采集的各组影像信息后,离线处理固定帧率的视频或图像序列帧,并对实际视频帧的间隔时间进行计算;
第二步:记录计算出的实际视频帧的间隔时间,并通过卡尔曼滤波理论建立运动模型,同时通过构建的运动模型实时获取路面目标的运动状态,并采集所有路面目标的外观特征向量,之后运动模型依据对移动目标的线性运动假设,对其在视频帧中的运动状态进行定义;
第三步:收集路面目标在当前视频帧中的运动状态,并构建预测方程对各路面目标在下一视频帧中的运动状态进行估计,之后提前控制无人送货车做出转向、直行或停车;
第四步:当无人送货车在十字路口时,将提取出的外观特征向量送入双向特征金字塔,进行特征融合,再将融合结果进行分类回归,并输出检测框,类别和分数;
第五步:对固定帧率的视频或图像序列帧中交通灯检测框信息进行收集,并生成对应检测框坐标,再对相关固定帧率的视频或图像序列帧进行扩大化剪裁以获取交通灯图片;
第六步:过滤掉各组交通灯图片中属于背景的简单负样本,并选择无人送货车行驶道路所对应的交通灯进行判断,若为绿灯,无人送货车则继续行驶,若为红灯或者黄灯,无人送货车则停止行驶。
6.根据权利要求1所述的一种无人送货车***,其特征在于,所述取货记录模块记录存储具体步骤如下:
S1.1:当无人送货车到达客户位置后,依据存储的订单信息向对应的客户手机发送取货信息,同时在规定时间内等待客户取货;
S1.2:若客户在规定时间内到达取货处,无人送货车通过扫描仪对客户取货二维码进行扫描,并确认客户订单信息,之后打开相对应的储货仓以供用户进行取货,若客户未在规定时间内到达取货处,无人送货车去往下一位距离最近的客户处,同时向该客户方案延时取货信息;
S1.3:同时无人送货车定期统计已送出的订单数量,并将其发送至外部数据库进行存储,同时将每日订单完成量反馈至管理平台以供工作人员查看。
7.根据权利要求1所述的一种无人送货车***,其特征在于,所述参数分析模块分析调整具体步骤如下:
S2.1:参数分析模块构建并优化一组分析神经网络,之后对行驶过程中的无人送货车各项运行参数进行收集,再通过符值转换将各组运行参数转换为符合条件的进制数据,并将各项运行参数导入分析神经网络中,之后通过归一化处理将各项运行参数转换至规定检测区间内;
S2.2:提取各运行参数特征信息,并对其进行特征降维,之后将处理后的运行参数分为验证集、测试集以及训练集,同时重复多次使用验证集中的各组数据对分析神经网络精度进行验证,并统计测试集中各数据均方根误差,再对每组数据都进行一次预测,并将预测结果最好的数据作为最优参数输出;
S2.3:分析神经网络依据最优参数对训练集进行标准化处理以生成训练样本,之后依据训练样本构建上层控制器,计算期望驱动以及制动速度,并构建下层控制器,再基于模糊控制理论以及纵向动力学生成驱动控制以及制动控制;
S2.4:依据生成的驱动控制以及制动控制分别对驱动方案以及制动方案,并依据生成的两组方案对无人送货车进行参数更新,并将更新后的各项参数值传输至管理平台供管理人员查看。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210966400.2A CN115293606A (zh) | 2022-08-12 | 2022-08-12 | 一种无人送货车*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210966400.2A CN115293606A (zh) | 2022-08-12 | 2022-08-12 | 一种无人送货车*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115293606A true CN115293606A (zh) | 2022-11-04 |
Family
ID=83828252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210966400.2A Pending CN115293606A (zh) | 2022-08-12 | 2022-08-12 | 一种无人送货车*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293606A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116189439A (zh) * | 2023-05-05 | 2023-05-30 | 成都市青羊大数据有限责任公司 | 城市智能管理*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030009398A1 (en) * | 2001-07-03 | 2003-01-09 | Kuang-Shin Lin | Computer system for goods management in a stock company |
CN107093040A (zh) * | 2017-03-03 | 2017-08-25 | 北京小度信息科技有限公司 | 信息生成方法及装置 |
CN109541943A (zh) * | 2018-12-07 | 2019-03-29 | 西南交通大学 | 一种有轨电车在线优化控制方法 |
CN111199366A (zh) * | 2018-11-19 | 2020-05-26 | 奥迪股份公司 | 无人配送方法及装置、计算机设备及计算机可读存储介质 |
CN111401823A (zh) * | 2020-06-08 | 2020-07-10 | 北京云迹科技有限公司 | 一种用于无人车的货物配送方法、装置及*** |
CN113052531A (zh) * | 2021-03-23 | 2021-06-29 | 苏州易航远智智能科技有限公司 | 基于动作分析的无人物流车配送方法及*** |
-
2022
- 2022-08-12 CN CN202210966400.2A patent/CN115293606A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030009398A1 (en) * | 2001-07-03 | 2003-01-09 | Kuang-Shin Lin | Computer system for goods management in a stock company |
CN107093040A (zh) * | 2017-03-03 | 2017-08-25 | 北京小度信息科技有限公司 | 信息生成方法及装置 |
CN111199366A (zh) * | 2018-11-19 | 2020-05-26 | 奥迪股份公司 | 无人配送方法及装置、计算机设备及计算机可读存储介质 |
CN109541943A (zh) * | 2018-12-07 | 2019-03-29 | 西南交通大学 | 一种有轨电车在线优化控制方法 |
CN111401823A (zh) * | 2020-06-08 | 2020-07-10 | 北京云迹科技有限公司 | 一种用于无人车的货物配送方法、装置及*** |
CN113052531A (zh) * | 2021-03-23 | 2021-06-29 | 苏州易航远智智能科技有限公司 | 基于动作分析的无人物流车配送方法及*** |
Non-Patent Citations (2)
Title |
---|
范婉舒,赖际舟等: "基于改进DeepSORT的视觉/激光雷达目标跟踪与定位方法", 《导航定位与授时》, vol. 9, no. 4, 31 July 2022 (2022-07-31), pages 77 - 84 * |
顾超越,李喆等: "基于改进Faster-RCNN的无人机巡检架空线路销钉缺陷检测", 《高电压技术》, vol. 46, no. 9, 30 September 2020 (2020-09-30), pages 3089 - 3096 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116189439A (zh) * | 2023-05-05 | 2023-05-30 | 成都市青羊大数据有限责任公司 | 城市智能管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110398972B (zh) | 一种自主配送外卖机器人 | |
CN109784162B (zh) | 一种行人行为识别及轨迹跟踪方法 | |
CN106128140B (zh) | 车联网环境下行车服务主动感知***及方法 | |
CN112633176B (zh) | 一种基于深度学习的轨道交通障碍物检测方法 | |
US11769318B2 (en) | Systems and methods for intelligent selection of data for building a machine learning model | |
Jiménez | Intelligent Vehicles: Enabling technologies and future developments | |
CN110765922A (zh) | 一种agv用双目视觉物体检测障碍物*** | |
US11657591B2 (en) | Autonomous vehicle system for intelligent on-board selection of data for building a remote machine learning model | |
CN108491782A (zh) | 一种基于行车图像采集的车辆识别方法 | |
US20220146277A1 (en) | Architecture for map change detection in autonomous vehicles | |
CN110796104A (zh) | 目标检测方法、装置、存储介质及无人机 | |
US20220301099A1 (en) | Systems and methods for generating object detection labels using foveated image magnification for autonomous driving | |
CN115375234A (zh) | 基于gnss的运输车辆运行轨迹规划方法 | |
CN115293606A (zh) | 一种无人送货车*** | |
US20230111354A1 (en) | Method and system for determining a mover model for motion forecasting in autonomous vehicle control | |
CN113052531A (zh) | 基于动作分析的无人物流车配送方法及*** | |
CN115861968A (zh) | 一种基于实时点云数据的动态障碍物剔除方法 | |
CN115861963A (zh) | 一种基于深度学习与数字孪生的叉车作业安全预警*** | |
CN117589167A (zh) | 一种基于三维点云模型的无人机巡检航线规划方法 | |
CN115027506B (zh) | 一种物流行李牵引车驾驶控制***及方法 | |
CN115790635A (zh) | 基于区块链的无人驾驶运输车行驶路线规划方法及装置 | |
Wu et al. | Observation Time Difference: an Online Dynamic Objects Removal Method for Ground Vehicles | |
Astudillo et al. | Reducing the breach between simulated and real data for top view images | |
CN117877276B (zh) | 一种厂内物流交通管制的方法 | |
Yang et al. | Crowd motion detection and prediction for transportation efficiency in shared spaces |
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 |