CN116403437A - 一种基于云雾融合的露天矿山车路协同*** - Google Patents
一种基于云雾融合的露天矿山车路协同*** Download PDFInfo
- Publication number
- CN116403437A CN116403437A CN202310275418.2A CN202310275418A CN116403437A CN 116403437 A CN116403437 A CN 116403437A CN 202310275418 A CN202310275418 A CN 202310275418A CN 116403437 A CN116403437 A CN 116403437A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- road
- fog
- cloud
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 230000003993 interaction Effects 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 230000033001 locomotion Effects 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 12
- 239000010410 layer Substances 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 1
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 208000032140 Sleepiness Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000037321 sleepiness Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/164—Centralised systems, e.g. external to vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及车路协同技术领域,公开了一种基于云雾融合的露天矿山车路协同***,包括:基于云雾混合计算架构的交通信息采集模块,获取车辆信息;信息交互模块,负责将自车的定位信息、车辆运行状况信息等信息广播给周边其他智能车辆,同时接受其他车辆信息以及路侧信号;车速预警模块,基于车辆动力学原理计算车辆的安全车速,引入安全系数,并结合车辆行驶安全度综合评价指标,建立安全预警模型,根据计算得到的安全车速,输出安全状态判定结果;能够可得到不同天气条件、不同时间段、不同驾驶经验、不同道路拥挤程度下的安全车速,为实现车道偏离、车辆接车过近等危险状态的判断和预警提供数据支持。
Description
技术领域
本发明涉及车路协同技术领域,具体涉及一种基于云雾融合的露天矿山车路协同***。
背景技术
对露天矿山近几年的道路交通事故统计分析后发现,引起交通事故的原因包括:不良天气,对车距、自车状态的错误认识,疲劳瞌睡等。为了降低此类交通事故发生几率,减少生命财产损失,发展车路协同交通技术具有重大意义。
传统的车路协同***往往通过位于网络核心层的云数据中心为行驶车辆提供大量的资源,但是距离终端车辆较远,车辆消息需要经过若干跳才能到达,导致了较高的网络延迟。而雾计算正好能够弥补这个缺点,雾计算支持本地化的计算和服务,信息的传递时延特别低。尽管雾计算的概念由思科在2012年提出,但是在车联网方面的研究还处于起步阶段,仅限于理论方面。
目前,比较常见的车辆防追尾技术主要是通过微波雷达和摄像头技术,但是雷达和摄像头技术容易受到天气、遮挡物的干扰,影响了***的性能,设备成本高昂,一般车辆很难安装,并且只通过测量距离和速度并没有考虑前车的加速度信息和路面信息,使***预警有一定的滞后性,并且***不能适用于其他路况,比如潮湿路面、冰雪路面等。
车路协同卫星定位信息化***很好地补充了车辆传统被动安全技术的不足,保障在复杂交通环境下车辆行驶安全、实现道路交通主动控制,***可以实时、准确地感知和采集车辆、道路环境以及全路网的交通运行状况等信息,有效实现车与车、车与路、车路与监控中心之间的数据传输、综合分析、快速判定或预测道路上的交通异常状况,最终为社会大众提供优质的交通综合服务。同时,通过车联网技术与车路协同***相结合,将进一步为车路协同***的应用搭建一个宽阔的技术平台,提供强有力的技术保障,并且极大提升智能交通***的协调性和安全性,实现车联网***的推广应用,优化交通环境。
本发明首次将雾计算与车联网联合考虑,所设计的云雾混合架构通过在网络边缘引入雾设备,使得车载终端能够快速接入网络,就近选择雾设备为其提供计算和存储服务,节约了带宽资源,提升了数据传输速率,减少了时延。通过对雾计算环境下车路协同卫星定位信息化***进行优化部署,降低了网络成本,使得***更加经济可靠。
发明内容
为解决上述技术问题,本发明提供一种基于云雾融合的露天矿山车路协同***。
为解决上述技术问题,本发明采用如下技术方案:
一种基于云雾融合的露天矿山车路协同***,包括:
基于云雾混合计算架构的交通信息采集模块,获取车辆信息;
信息交互模块,将本车的车辆信息发送至给周边其他车辆,同时接受其他车辆得车辆信息以及路侧信号;
车速预警模块,基于车辆动力学原理计算车辆的安全车速,引入安全系数,并结合车辆行驶安全度综合评价指标,建立基于BP神经网络的安全预警模型,安全预警模型根据计算得到的安全车速,输出安全状态判定结果。
具体地,车辆信息包括车辆运动状态、行车环境信息、车辆定位信息;
车辆运动状态包括车速、加速度、方向盘转角、转速、油门踏板位置、刹车踏板位置;
行车环境信息包括周边其他车辆信息、道路及路面信息、人员及非机动车信息;
车辆定位信息包括车辆的绝对定位和相对定位。
具体地,所述云雾混合计算架构包括路侧单元、雾设备和云数据中心:
路侧单元部署在矿山道路侧边,车辆通过无线方式接入路侧单元,路侧单元将采集到的车辆信息发送至雾设备;
雾设备对收到的车辆信息进行临时存储和计算,并将车辆信息工发送至云数据中心。
具体地,基于BP神经网络的安全预警模型的构建过程如下:对BP神经网络及车速序列特性进行分析,建立了基于车速自回归的BP神经网络,并采用反向传播算法串并联的形式对BP神经网络进行训练,对BP神经网络结构参数进行优化。
具体地,还包括人员识别模块;
人员识别模块采用车载摄像头和车载雷达检测人员的运动轨迹信息,通过D-S证据推理算法对运动轨迹信息预处理,再将运动轨迹信息的获取延时、卫星定位误差以及路面附着系数作为输入影响因素,通过循环神经网络进行车路协同环境下的
多源混合误差补偿,完成对人员的位置估计。
与现有技术相比,本发明的有益技术效果是:
本发明通过分析影响车辆安全车速的各种因素,结合深度学习算法,建立了基于BP神经网络的车速预警模块,综合考虑了影响矿车车辆安全车速的主要因素,能够可得到不同天气条件、不同时间段、不同驾驶经验、不同道路拥挤程度下的安全车速,为实现车道偏离、车辆接车过近等危险状态的判断和预警提供数据支持。
现有的车载人员识别***存在检测时间长、精确度不高以及受光线影响较大等问题,在恶劣天气条件下适应性差。为提高人员防碰撞***的预警效果,本发明提出在车路协同环境下的人员目标信息融合算法,采用车载摄像头和车载雷达检测人员运动轨迹信息,通过D-S证据推理算法进行信息预处理,再通过对信息获取延时、卫星定位误差以及路面附着系数的作为输入影响因素,通过RNN神经网络进行车路协同环境下的多源混合误差补偿,完成对人员目标的位置精准估计。
附图说明
图1为本发明露天矿山车路协同***的体系图;
图2为本发明云雾混合计算架构的架构图;
图3为本发明云雾混合计算架构的层次结构图;
图4为本发明多元信息通讯管理平台的架构图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
本发明的露天矿山车路协同***主要是利用环境感知技术和信息交互技术,通过交通环境信息、自车信息、周边车辆信息,为露天矿山车辆调度提供安全信息支持。***构成如图1所示。
1.交通信息采集模块
1.1云雾混合计算架构
根据雾计算模型和车联网的特点,设计了云雾混合计算架构,如图2所示。
云雾混合计算架构以矿山道路环境为应用场景,由车辆、路侧单元(RoadsideUnit,RSU)、雾设备和云计算数据中心组成。车辆通过无线方式接入到部署在道路两侧的RSU中,RSU将采集到的车辆信息通过有线连接方式传输到附近的雾设备中,例如智能网关,雾设备对收到的信息进行临时地存储和计算,并将车辆信息传送至云数据中心上,进行永久的存储。如图3所示,为了方便阐述,用逻辑层次结构图对云雾混合计算架构进行展示,主要包括云计算层、雾计算层和基础设施层。
云计算层主要由高性能的云服务器集群组成,具有强大的计算和存储能力,本发明将采集到的大数据存储在云数据中心上,经过计算和分析大数据结果,对交通信息进行管控,制定合理的交通方案。智能网关与上层云服务器进行连通,将采集到的下层数据发送到上层网络。
雾计算层主要由具有一定计算和存储能力的边缘网络设备(例如智能网关)互联组成,雾设备主要部署在十字路口等交通流量较大,容易造成交通拥堵的地方,或者事故频发区。雾设备与道路边上的RSU采用远距离光纤传输方式,根据周围的交通情况,对接收到的数据信息进行快速的处理和转发,方便信息的调度;同时,还可记录车辆的位置信息,对通过RSU收集到的车辆信息进行临时存储,并将存储的车辆信息上传到云数据中心上,实现数据和信息的交换共享。
1.2车辆运动状态获取
获取车辆运动状态信息,是车辆主动安全研究、车辆危险态势分析、主动安全预警、车辆自适应控制等车路协同上层应用的基础。
车辆运动状态获取的途径主要有两种:通过加装独立的传感器和通过车载CAN总线获取车辆ECU(行车电脑)、VCU等信息。从车载CAN总线的信息主要包括:车速、转速、油门踏板位置、刹车踏板位置等。通过加装传感器获取车辆运动状态信息的方法是多种多样,例如通过在车辆上加装高性能陀螺仪、方向盘转角传感器、加速度传感器等设备,可分别获取高精度的车身状态信息、方向盘转角信息以及加速度等信息。
本实施例中,车辆运动状态包括车速、加速度、方向盘转角、转速、油门踏板位置、刹车踏板位置。
1.3行车环境信息感知
行车环境信息感知是为车辆行驶服务的,获取更多更准确的环境信息,就会为车辆行驶提供更多的安全保障,行车环境信息主要是包括:周边其他车辆信息、道路及路面信息、人员及非机动车信息等。
周边其他车辆信息主要是前方车辆的车速以及与前方车辆的车距信息,通过加装毫米波雷达、超声波雷达或者激光雷达可以获取高精度的数据信息。露天矿山交通的特点是行车辆混行,因此,使车辆具备机动车以及人员检测能力,能够降低由于对行车环境信息感知不足所产生的交通事故。
1.4车辆定位信息获取
车路协同***中的车辆自适应驾驶和安全预警等上层应用都必须知道车辆在车道的具***置,因此获取车辆的定位信息是信息获取环节中的一个重要环节。车辆定位信息包括绝对定位和相对定位。
2.信息交互模块
信息交互模块是车辆与外界的数据接口,负责将自车的车辆信息广播给周边其他车辆,同时接受其他车辆信息以及路侧信号。由于信息的种类多样性,信息来源的差异性,为了保证车辆能有效地接受到正确的信息,需要设计数据信息帧格式和数据交互的方式。下面将详细说明多元信息通讯管理平台的数据帧格式和数据交互的方式,针对明多元信息通讯管理平台的应用程序设计,进行了详细分析。
2.1多元信息通讯管理平台
多元信息通讯管理平台保证了整个车路协同***的开发性,实现车路协同***应用层和通讯设备层的隔离,以及车路协同***应用层与设备层的协同作用。其具体功能如下:
数据交互:实现了车-车、车-路之间的数据交互,本地应用程序与多元信息通讯管理平台的通讯;
通讯控制:多模式无线接入与通讯控制,网络拓扑发现与管理,路由管理功能;
通讯保障:通讯安全与可靠性保障,通讯质量检测。
2.2车-路信息交互,以及车-车信息交互
车-路信息交互是利用路侧设备和车载设备的信息交互。车辆通过车载信息设备可以接收来自路侧设备的交通状态信息、道路状态信息以及交通管制信息。此外,在某些特定路况路侧设备可以接收车辆的运动状态信息、定位信息等等,并将数据传递给云数据中心,从而有助于云数据中心进行动态的交通管理和交通引导。
车-车信息交互的核心是多通道多方式的通信,即车辆与车辆之间通过多种接入方式组成信息交互网络,信息交互网络在距离较近时可以通过DSRC进行车辆间直接的数据交互,而在距离较远时可以借助于3G/4G/5G、GPRS、无线电台等方式进行车辆间的通信。通过车-车信息交互技术将自己的车辆信息发送给其他车辆,同时接受
来自其他车辆的车辆信息。
2.3信息交互性能优化
MAC层信道接入协议决定了车路协同***网络资源的公平和高效利用。通过分析不同的MAC层握手机制及典型的退避算法,结合车路协同***的交通特性和IEEE802.11p特点,本发明提出了自适应的信道接入协议ATEDCA。ATEDCA将车辆密度及数据重传次数融入到优化的握手机制和自适应调节退避算法中,减少了节点间发送信道碰撞的可能性,提高了网络性能。
基于自适应神经网络的车路协同多通信模式融合机制设计,涵盖WAVE、WLAN及3G/4G通信模式。通过学***均行驶速度及传输数据量为输入,经过LMS学习算法进行学习后,融合机制能够准确预测当前交通场景下的最合理的通信模式。
2.4信息处理及管理
车路协同***会接受大量的数据,其中数据主要是来自三个方面的:自车CAN信号及传感器获取的数据;其他车辆传递的本车辆的数据;路侧设备发送的道路状况数据。
接受到如此多的数据,需要开发应用软件对数据进行处理和管理,因此应用软件需要具备如下的功能:对多元多路数据的接入和处理功能;对数据的发布和存储功能;实现简易的人机交互功能,以便人工对***的干预。
3.安全车速预警模块
安全车速预警模型是基于车辆制动力学分析建立的,车辆纵向防碰撞预警工作原理如下。首先以车载传感器(如轮速传感器、视觉相机、雷达等)实时的获取本车行驶状态数据与前方障碍物数据信息(如车速、相对车距)。然后,不同传感器获取的数据经融合处理后发送给***处理器,处理器根据防碰撞算法判断本车行驶状态是否安全,判断依据是两车临界安全距离与实际车距的比较:当两车的实际车间距大于临界安全距离时,***判断不存在碰撞危险不采取任何措施,继续对数据进行实时分析;当实际车距小于临界安全车距时可能存在碰撞危险,***首先判断出危险等级,根据对应的危险等级通过警示灯、声音预警或两者结合对驾驶员进行不同等级的预警提醒驾驶员对车辆做出相应操作,从而将发生碰撞危险的可能性降到最低。有的防碰撞预警***在紧急情况下,若驾驶员没有采取相应操作的话,就自动接管车辆驾驶,同时调整各控制***如防抱死制动***(ABS)、车身电子稳定***(ESP)等采取相应操作,从而降低车辆碰撞危险的发生,保证车上人员的安全,当***判断出车辆行驶安全或者驾驶员进行相应操作后,解除对车辆的操纵。
本发明基于车辆动力学原理,计算车辆安全车速,引入安全系数,结合矿山道路车辆行驶安全度综合评价指标,建立基于车路协同的矿山道路安全预警模型。安全预警模型综合考虑了影响矿车车辆安全车速的主要因素,能够可得到不同天气条件、不同时间段、不同驾驶经验、不同道路拥挤程度下的安全车速,为实现车道偏离、车辆接车过近等危险状态的判断和预警提供数据支持。
基于BP神经网络的安全预警模型构建过程如下:首先对BP神经网络及车速序列特性进行分析,建立了基于车速自回归的神经网络结构,并采用反向传播算法串并联的形式对神经网络结构进行训练,对神经网络结构参数进行优化,通过与其他安全车速预测方法的对比以及矿车工况的预测分析进行验证,本发明中的基于BP神经网络的安全预警模型具有很好的预测精度、时变性能以及长期预测能力。
本发明安全预警模块的功能包括参数信号导入、安全车速计算、安全状态判定预警等,实现了行驶状态信息输入、车辆运行状态判定、监测结果显示、储存及预警。同时根据***所需功能要求完成前面板(人机交互界面)设计,用户可以在前面板设置参数并观察显示屏的输出,最终实现用户要求的功能。
4.人员识别模块
本发明采用车载摄像头和车载雷达的检测人员运动轨迹信息,通过D-S证据推理算法进行信息预处理,再将信息获取延时、卫星定位误差以及路面附着系数作为输入影响因素,通过循环神经网络(Recurrent Neural Network,简称RNN)进行车路协同环境下多源混合误差补偿,完成对人员目标的位置精准估计。
4.1基于D-S证据推理算法的信息预处理
人员检测与识别的核心思路,就是利用计算机视觉技术对人员进行检测、跟踪等工作,在此基础上完成识别人员的身份或行为。由于人员目标的特殊性、人员目标所处背景的复杂性以及摄像机拍摄位置和角度的不可预知性,给人员检测的造成了很大的困难,传统的检测算法用于人员检测都已十分困难,更不适合用于人员的识别。D-S证据理论在目标识别中有着广泛的应用,是较好的数据融合方法之一,但在证据高度冲突时,会产生有悖常理的结果。针对此问题,通过引入传感器的可信度,提出了一种新的改进算法。该算法弥补了D-S证据理论所存在的不足,比其他改进算法融合效果好,此算法应用于人员目标识别,计算结果表明提高了人员目标识别的准确性和有效性。
本发明通过引入可信度,定量地反映被融合信息的质量,可信度高的信息赋予较高的权值,可信度低的赋予较低的权值,这样便增加了正确信息的优势,削弱了错误信息对最终结果的影响,有效地减少了***的不确定性。确定传感器可信的方法通常有2种:一是根据传感器本身的工作性能,对其进行长期的测试积累或者多周期的循环测量,通过统计试验将传感器的识别结果与真实人员目标进行比较,计算其识别准确率作为信任度;二是由相关领域专家根据以往的实践及经验给出。本发明的D-S证据理论改进算法加入了传感器报告的可信度,使可信度高的传感器报告得到了较高的基本概率赋值,消除了D-S证据理论在解决冲突问题时可能产生的与直觉相悖的结果的问题。加入第三条证据后,基本概率赋值得到了明显的提高,而未知信息明显降低,改变了证据失效的问题。
4.2基于RNN的人员目标识别
本发明提出一种基于融合颜色、纹理及对应子空间信息的RNN人员跟踪算法。首先,提取目标人员的空间信息并细化成头部、上身、腿部三个局部子区域;其次,利用改进的纹理及颜色信息提取算法提取对应目标子区域中的联合纹理、颜色信息;最后,通过基于空间划分的颜色纹理相似度指标来判断跟踪目标的位置,实现准确跟踪。考虑到多线索信息融合算法计算效率低的问题,本发明使用RNN方法来提高运算速度。
传统的车载人员识别方法存在检测时间长、精确度不高以及受光线影响较大等问题,在恶劣天气条件下适应性差。为提高人员防碰撞***的预警效果,本发明提出在车路协同环境下的人员目标信息融合算法,采用车载摄像头和车载雷达的检测人员运动轨迹信息,通过D-S证据推理算法进行信息预处理,再通过对信息获取延时、卫星定位误差以及路面附着系数的作为输入影响因素,通过RNN神经网络的车路协同环境下多源混合误差补偿,完成对人员目标的位置精准估计。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内,不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立技术方案,说明书的这种叙述方式仅仅是为了清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种基于云雾融合的露天矿山车路协同***,其特征在于,包括:
基于云雾混合计算架构的交通信息采集模块,获取车辆信息;
信息交互模块,将本车的车辆信息发送至给周边其他车辆,同时接受其他车辆得车辆信息以及路侧信号;
车速预警模块,基于车辆动力学原理计算车辆的安全车速,引入安全系数,并结合车辆行驶安全度综合评价指标,建立基于BP神经网络的安全预警模型,安全预警模型根据计算得到的安全车速,输出安全状态判定结果。
2.根据权利要求1所述的基于云雾融合的露天矿山车路协同***,其特征在于:车辆信息包括车辆运动状态、行车环境信息、车辆定位信息;
车辆运动状态包括车速、加速度、方向盘转角、转速、油门踏板位置、刹车踏板位置;
行车环境信息包括周边其他车辆信息、道路及路面信息、人员及非机动车信息;
车辆定位信息包括车辆的绝对定位和相对定位。
3.根据权利要求1所述的基于云雾融合的露天矿山车路协同***,其特征在于:所述云雾混合计算架构包括路侧单元、雾设备和云数据中心:
路侧单元部署在矿山道路侧边,车辆通过无线方式接入路侧单元,路侧单元将采集到的车辆信息发送至雾设备;
雾设备对收到的车辆信息进行临时存储和计算,并将车辆信息工发送至云数据中心。
4.根据权利要求1所述的基于云雾融合的露天矿山车路协同***,其特征在于,基于BP神经网络的安全预警模型的构建过程如下:对BP神经网络及车速序列特性进行分析,建立了基于车速自回归的BP神经网络,并采用反向传播算法串并联的形式对BP神经网络进行训练,对BP神经网络结构参数进行优化。
5.根据权利要求1所述的基于云雾融合的露天矿山车路协同***,其特征在于:还包括人员识别模块;
人员识别模块采用车载摄像头和车载雷达检测人员的运动轨迹信息,通过D-S证据推理算法对运动轨迹信息预处理,再将运动轨迹信息的获取延时、卫星定位误差以及路面附着系数作为输入影响因素,通过循环神经网络进行车路协同环境下的多源混合误差补偿,完成对人员的位置估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310275418.2A CN116403437A (zh) | 2023-03-16 | 2023-03-16 | 一种基于云雾融合的露天矿山车路协同*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310275418.2A CN116403437A (zh) | 2023-03-16 | 2023-03-16 | 一种基于云雾融合的露天矿山车路协同*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116403437A true CN116403437A (zh) | 2023-07-07 |
Family
ID=87006657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310275418.2A Pending CN116403437A (zh) | 2023-03-16 | 2023-03-16 | 一种基于云雾融合的露天矿山车路协同*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116403437A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017015951A1 (zh) * | 2015-07-28 | 2017-02-02 | 苏州大学张家港工业技术研究院 | 基于车路协同的无控交叉口车辆通行引导***及其引导方法 |
CN109993968A (zh) * | 2019-02-26 | 2019-07-09 | 北京工业大学 | 基于车联网的交通控制*** |
CN111081067A (zh) * | 2019-12-27 | 2020-04-28 | 武汉大学 | 车联网环境下基于iga-bp神经网络的车辆碰撞预警***及方法 |
CN113378947A (zh) * | 2021-06-21 | 2021-09-10 | 北京踏歌智行科技有限公司 | 一种面向露天矿区无人运输的车路云融合感知***及方法 |
CN115639818A (zh) * | 2022-10-11 | 2023-01-24 | 重庆车联网科技有限公司 | 一种车路协同大数据智能*** |
WO2023019761A1 (zh) * | 2021-08-20 | 2023-02-23 | 西安电子科技大学 | 一种面向混合交通流的路网运行状态检测***及方法 |
-
2023
- 2023-03-16 CN CN202310275418.2A patent/CN116403437A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017015951A1 (zh) * | 2015-07-28 | 2017-02-02 | 苏州大学张家港工业技术研究院 | 基于车路协同的无控交叉口车辆通行引导***及其引导方法 |
CN109993968A (zh) * | 2019-02-26 | 2019-07-09 | 北京工业大学 | 基于车联网的交通控制*** |
CN111081067A (zh) * | 2019-12-27 | 2020-04-28 | 武汉大学 | 车联网环境下基于iga-bp神经网络的车辆碰撞预警***及方法 |
CN113378947A (zh) * | 2021-06-21 | 2021-09-10 | 北京踏歌智行科技有限公司 | 一种面向露天矿区无人运输的车路云融合感知***及方法 |
WO2023019761A1 (zh) * | 2021-08-20 | 2023-02-23 | 西安电子科技大学 | 一种面向混合交通流的路网运行状态检测***及方法 |
CN115639818A (zh) * | 2022-10-11 | 2023-01-24 | 重庆车联网科技有限公司 | 一种车路协同大数据智能*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108495330B (zh) | 一种车-车信息交互通信的碰撞预警可靠性测试方法 | |
CN110880236B (zh) | 路况信息处理方法、装置及*** | |
CN113870553B (zh) | 一种面向混合交通流的路网运行状态检测***及方法 | |
CN105739534A (zh) | 基于车联网的无人驾驶车多车协同驾驶方法及装置 | |
CN117651848A (zh) | 车路协同多车路径规划和路权决策方法、***和路基单元 | |
CN109720348A (zh) | 车载装置、信息处理***和信息处理方法 | |
CN113895442B (zh) | 一种基于路侧与车端协同感知的车辆行驶决策方法及*** | |
WO2022227616A1 (zh) | 驾驶辅助处理方法、装置、计算机可读介质及电子设备 | |
CN113415275A (zh) | 车辆消息的处理方法、装置、可读介质及电子设备 | |
CN113112841A (zh) | 一种基于路面湿滑状态感知的车辆智能引导*** | |
CN113119962A (zh) | 驾驶辅助处理方法、装置、计算机可读介质及电子设备 | |
CN113085902A (zh) | 一种基于网络的智能汽车驾驶预估方法和装置 | |
CN113012434A (zh) | 一种车辆行驶控制方法、装置及电子设备 | |
CN115376339A (zh) | 一种交通预警方法和*** | |
WO2022242125A1 (zh) | 编队行驶处理方法、装置、计算机可读介质及电子设备 | |
CN114882700A (zh) | 一种基于v2x车路协同的精准公交实现方式 | |
CN117022146B (zh) | 一种客运车辆的双域电子电气架构、工作方法及客运车辆 | |
US20230419200A1 (en) | Decentralized parking fulfillment service | |
CN116403437A (zh) | 一种基于云雾融合的露天矿山车路协同*** | |
CN113859250B (zh) | 一种基于驾驶行为异常识别的智能网联汽车信息安全威胁检测*** | |
CN115240470A (zh) | 基于nr-v2x的弱势交通参与者碰撞预警***与方法 | |
US11374667B2 (en) | Localizing communications interference node | |
Tang et al. | Cooperative connected smart road infrastructure and autonomous vehicles for safe driving | |
Lu et al. | An anti-collision algorithm for self-organizing vehicular ad-hoc network using deep learning | |
Galinski et al. | Chain Collision Avoidance Using Vehicle-to-Everything (V2X) Communication |
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 |