CN116485063B - 一种基于大数据的无人驾驶碾压机群控制方法及装置 - Google Patents

一种基于大数据的无人驾驶碾压机群控制方法及装置 Download PDF

Info

Publication number
CN116485063B
CN116485063B CN202310731563.7A CN202310731563A CN116485063B CN 116485063 B CN116485063 B CN 116485063B CN 202310731563 A CN202310731563 A CN 202310731563A CN 116485063 B CN116485063 B CN 116485063B
Authority
CN
China
Prior art keywords
compactness
information
rolling machine
engineering
scheme
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
CN202310731563.7A
Other languages
English (en)
Other versions
CN116485063A (zh
Inventor
韩勇
周远非
赵涛
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.)
Chengdu Vocational and Technical College of Industry
Original Assignee
Chengdu Vocational and Technical College of Industry
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 Chengdu Vocational and Technical College of Industry filed Critical Chengdu Vocational and Technical College of Industry
Priority to CN202310731563.7A priority Critical patent/CN116485063B/zh
Publication of CN116485063A publication Critical patent/CN116485063A/zh
Application granted granted Critical
Publication of CN116485063B publication Critical patent/CN116485063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02B—HYDRAULIC ENGINEERING
    • E02B7/00—Barrages or weirs; Layout, construction, methods of, or devices for, making same
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
    • E02D3/00—Improving or preserving soil or rock, e.g. preserving permafrost soil
    • E02D3/02—Improving by compacting
    • E02D3/026—Improving by compacting by rolling with rollers usable only for or specially adapted for soil compaction, e.g. sheepsfoot rollers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Structural Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Civil Engineering (AREA)
  • Computational Linguistics (AREA)
  • Genetics & Genomics (AREA)
  • Agronomy & Crop Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Environmental & Geological Engineering (AREA)

Abstract

本发明提供了一种基于大数据的无人驾驶碾压机群控制方法及装置，涉及无人驾驶车辆技术领域，包括：获取历史工程信息、工程任务信息和实时监测数据；基于大数据技术对历史工程信息进行分析，构建得到路径预测模型，将工程任务信息作为路径预测模型的输入值，计算得到路径规划方案；根据路径规划方案和地质信息，将工程任务区域按照工作量和地形特征划分为至少两个子区域；根据工程任务信息和子区域确定碾压机群内部的走位方案；根据走位方案、压实度要求和实时监测数据，调整碾压机群的运行方式。本发明利用大数据技术对历史工程信息进行分析，构建路径预测模型，得到路径规划方案，提高路径规划的准确性和碾压机群的工作效率。

Description

一种基于大数据的无人驾驶碾压机群控制方法及装置
技术领域
本发明涉及无人驾驶车辆技术领域，具体而言，涉及一种基于大数据的无人驾驶碾压机群控制方法及装置。
背景技术
土石坝是指用土、石、水泥等材料建造的一种工程建筑物，主要用于控制水流、拦截泥沙、提高河床水位等。土石坝碾压工程是指在建造土石坝的过程中，使用碾压机群对土方进行压实的工作。当前的碾压工程主要通过调度员组织和协调碾压机群的操作人员，根据压实度的要求和碾压机群的运行情况，制定碾压方案，并对碾压机群的工作进行监督和检查。这样的方法存在一些缺点，调度员需要具备较高的专业知识和技能，必须了解土石坝碾压工程的技术规范和碾压机群的使用方法，才能正确地制定碾压方案和进行监督和检查，且调度员的工作量较大，他们需要对碾压机群的工作进行全天候监督和检查，并随时应对突发情况，这对调度员的精力和耐力都有很大的要求。
基于上述问题，现需要一种基于大数据的无人驾驶碾压机群控制方法，通过大数据分析技术对历史工程信息进行分析建立路径预测模型，根据当前的工程任务信息自动规划碾压路径形成走位方案，并且无人驾驶碾压机群在碾压作业中能够通过实时监测数据智能决策以调整设备的运行方式。
发明内容
本发明的目的在于提供一种基于大数据的无人驾驶碾压机群控制方法及装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
一方面，本申请提供了一种基于大数据的无人驾驶碾压机群控制方法，包括：
获取历史工程信息、工程任务信息和实时监测数据，所述历史工程信息包括历史工程任务及对应的路径规划数据，所述工程任务信息包括压实度要求、工程任务区域和地质信息，所述实时监测数据包括土石坝的压实度参数和碾压机群的运行参数；
基于大数据技术对所述历史工程信息进行分析，构建得到路径预测模型，将所述工程任务信息作为所述路径预测模型的输入值，计算得到路径规划方案；
根据所述路径规划方案和所述地质信息，将所述工程任务区域按照工作量和地形特征划分为至少两个子区域；
根据所述工程任务信息和所述子区域确定碾压机群内部的走位方案；
根据所述走位方案、所述压实度要求和所述实时监测数据，运用数据分析和机器学习技术进行智能决策，调整碾压机群的运行方式。
另一方面，本申请还提供了一种基于大数据的无人驾驶碾压机群控制装置，包括：
获取模块，用于获取历史工程信息、工程任务信息和实时监测数据，所述历史工程信息包括历史工程任务及对应的路径规划数据，所述工程任务信息包括压实度要求、工程任务区域和地质信息，所述实时监测数据包括土石坝的压实度参数和碾压机群的运行参数；
预测模块，基于大数据技术对所述历史工程信息进行分析，构建得到路径预测模型，将所述工程任务信息作为所述路径预测模型的输入值，计算得到路径规划方案；
划分模块，用于根据所述路径规划方案和所述地质信息，将所述工程任务区域按照工作量和地形特征划分为至少两个子区域；
整合模块，用于根据所述工程任务信息和所述子区域确定碾压机群内部的走位方案；
调整模块，用于根据所述走位方案、所述压实度要求和所述实时监测数据，运用数据分析和机器学习技术进行智能决策，调整碾压机群的运行方式。
本发明的有益效果为：
本发明利用大数据技术对历史工程信息进行分析，构建路径预测模型，得到路径规划方案，提高路径规划的准确性和碾压机群的工作效率。本发明通过运用数据分析和机器学习技术进行智能决策，可以根据实时监测数据调整碾压机群的运行方式，确保碾压机群能够达到规定的压实度要求。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本发明实施例中所述的基于大数据的无人驾驶碾压机群控制方法流程示意图；
图2为本发明实施例中所述的基于大数据的无人驾驶碾压机群控制装置结构示意图。
图中标记：701、获取模块；702、预测模块；7021、第一处理单元；7022、第一分析单元；7023、第一计算单元；7024、第二处理单元；703、划分模块；7031、第三处理单元；7032、第四处理单元；7033、第五处理单元；7034、第一分类单元；704、整合模块；7041、第二计算单元；7042、第三计算单元；7043、第四计算单元；7044、第六处理单元；705、调整模块；7051、第七处理单元；7052、第八处理单元；7053、第九处理单元；7054、第二分析单元；7055、第十处理单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种基于大数据的无人驾驶碾压机群控制方法。
参见图1，图中示出了本方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。
步骤S1、获取历史工程信息、工程任务信息和实时监测数据，历史工程信息包括历史工程任务及对应的路径规划数据，工程任务信息包括压实度要求、工程任务区域和地质信息，实时监测数据包括土石坝的压实度参数和碾压机群的运行参数。
可以理解的是，在本步骤中，历史工程信息包括以往进行的工程任务及对应的路径规划数据，这些信息可以为后续构建路径预测模型提供重要参考。工程任务信息包括压实度要求、工程任务区域和地质信息，这些信息可以用来确定工程任务的具体要求和所在区域的地质情况。实时监测数据包括土石坝的压实度参数和碾压机群的运行参数，这些信息可以用来实时追踪工程的进展情况，并对碾压机群的运行进行调整。
步骤S2、基于大数据技术对历史工程信息进行分析，构建得到路径预测模型，将工程任务信息作为路径预测模型的输入值，计算得到路径规划方案。
可以理解的是，在本步骤中，历史工程信息可以通过数据库或者文件***等方式进行获取，然后使用大数据技术对历史工程信息进行分析，构建出路径预测模型。路径预测模型是基于历史工程信息建立的，能够根据工程任务信息预测出最优的路径规划方案。需要说明的是，步骤S2包括步骤S21、步骤S22、步骤S23和步骤S24。
步骤S21、对历史工程信息进行预处理得到结构化的数据表格。
可以理解的是，在本步骤中，需要对所收集的历史工程信息进行预处理，使之成为一张结构化的数据表格。结构化的数据表格指每一条数据都有明确的字段名称和数据类型，便于进行后续的分析。
步骤S22、基于数据挖掘和分析技术对数据表格进行分析，得到影响路径规划的特征向量。
可以理解的是，在本步骤中，可以使用决策树发现数据表格中的规律和模式。根据分析得到的信息，提取出影响路径规划的特征向量。特征向量是指在数据分析过程中发现的，对路径规划有重要影响的数据特征。例如，在工程信息数据中，发现土质较松的地方的压实度要求更低，而土质较硬的地方的压实度要求更高。在这种情况下，土质状况就可以作为一个特征向量。
步骤S23、使用支持向量机算法，通过对特征向量和对应的路径规划之间的分析，构建得到路径预测模型，将工程任务信息作为路径预测模型的输入值得到初步路径规划方案。
可以理解的是，在本步骤中，使用支持向量机算法对历史工程信息进行分析，以构建路径预测模型。支持向量机算法是一种监督学习方法，通过训练数据集来构建预测模型。在本实施例中，将每一条路径规划看作一个类，对应的特征向量就是该类的样本数据。使用支持向量机算法进行训练时，输入训练数据集和对应的类别标签，然后根据这些数据学习出一个决策边界，当输入新的数据时，支持向量机模型就可以使用学习到的决策边界对其进行分类。
步骤S24、使用遗传算法对初步路径规划方案进行优化得到路径规划方案。
可以理解的是，在本步骤中，首先将路径规划方案转化为染色体表示方式。染色体表示方式是将路径规划方案中的每个关键参数转化为一个由若干个二进制位组成的数字。接下来，需要对这些染色体进行初始化，通常使用随机数生成的方式进行初始化。然后，对每一对染色体进行交叉操作，交叉操作的过程中会生成两个新的染色体。接着对新生成的染色体进行变异操作，变异操作的过程中会对染色体中的某些二进制位进行修改。然后，根据新生成的染色体的适应度，使用轮盘赌选择算法从中选择优秀的染色体进入下一代，并将不优秀的染色体淘汰。通过不断进行交叉、变异和选择操作，最终可以得到最优的路径规划方案。在本发明中使用遗传算法优化路径规划方案，可以使得路径规划方案更加适合实际情况，使得碾压机群在工作中压实效果更好，工作效率更高。
步骤S3、根据路径规划方案和地质信息，将工程任务区域按照工作量和地形特征划分为至少两个子区域。
可以理解的是，在本步骤中，将工程任务区域划分为若干个子区域，可以更精细地控制碾压机群的工作过程，以便于后续碾压机群的运行规划。需要说明的是，步骤S3包括步骤S31、步骤S32、步骤S33和步骤S34。
步骤S31、基于GIS技术对地质信息进行可视化处理，得到任务区域地形图。
可以理解的是，在本步骤中，通过使用GIS技术，将原本抽象的地质信息转化为图像的形式，可以更直观地理解工程任务区域的地形情况。通过获取工程任务区域的地形图，可以基于实际情况做出更准确的决策，从而有效提升工程质量。
步骤S32、根据路径规划方案中的路径信息在任务区域地形图中绘制出规划路线。
可以理解的是，在本步骤中，将路径规划方案中的路径信息可视化在任务区域地形图中，即在地形图的基础上绘制出规划的路线。通过可视化的规划路线，可以更直观地了解规划的路径情况，为进一步的任务调度提供便利。提高了任务调度的效率和可视性。
步骤S33、根据预设的标注规则在规划路线上标注得到至少两个位置点，并标注出每个位置点的工作量值得到工作量分布图。
可以理解的是，在本步骤中，规划路线上标注至少两个位置点。标注位置点的方法可以是在规划路线的某些特征点（例如拐弯处、上下坡处等）处进行标注，或者是按照一定的距离间隔在路线上进行标注。然后，为每个位置点标注工作量值。工作量值是根据地形复杂度确定的一个权值，表示在这个位置点工作的难度程度。最后，根据标注的位置点和工作量值，绘制出工作量分布图。工作量分布图使用柱状图呈现，表示出不同位置的工作量值的分布情况。
步骤S34、将工作量分布图中的每个位置点作为一个单独的数据样本，并根据每个位置点的工作量值和地形特征进行分类运算，得到至少两个子区域。
可以理解的是，在本步骤中，每个位置点都代表了一个路径规划方案中的具***置。为了将这些位置点分配到至少两个子区域，使用分类算法对这些位置点进行分类。分类算法可以根据每个位置点的工作量值和地形特征对位置点进行分类，并将每个位置点分配到相应的子区域中。在本实施例中，可以使用决策树算法，根据位置点的地形特征（例如土壤类型、坡度等）和工作量值（例如所需要的碾压次数、压实度要求等）构建决策树，将位置点分配到对应的子区域中，并保证子区域之间地貌特征和内部工作量总量基本相同。使用决策树算法可以较为精确地将位置点划分到合适的子区域中，使得后续工作更加高效。
步骤S4、根据工程任务信息和子区域确定碾压机群内部的走位方案。
可以理解的是，在本步骤中，通过构建最优解模型，并利用数据挖掘和机器学习算法（如决策树算法、贝叶斯网络算法等）对模型进行训练和预测，得到最优走位方案。需要说明的是，步骤S4包括步骤S41、步骤S42、步骤S43和步骤S44。
步骤S41、根据工程任务信息和子区域的划分情况，确定碾压机群中每个碾压机的移动顺序。
可以理解的是，在本步骤中，根据工程任务信息，确定碾压机群需要完成的具体任务。然后，根据子区域的划分情况，可以确定碾压机群中的每个碾压机在哪个子区域内工作。最后，根据碾压机在每个子区域内的工作顺序，可以确定碾压机群中每个碾压机的移动顺序。
步骤S42、根据移动顺序和地质信息，规划出碾压机群在每个子区域内部每个碾压机的行进路线。
可以理解的是，在本步骤中，首先利用地质信息对子区域内部的地貌特征进行分析，确定可以通行和不可以通行的位置，然后，根据碾压机群的移动顺序，使用最短路径算法，找出从碾压机当前位置到下一个碾压区域的最短路径从而规划出每个碾压机在每个子区域内部的行进路线。
步骤S43、根据移动顺序和行进路线，确定碾压机群整体在相邻两个子区域间的转移路线。
可以理解的是，在本步骤中，首先需要确定碾压机群要在哪两个子区域之间进行转移，根据碾压机群的移动顺序和每个碾压机在子区域内部的行进路线，规划出碾压机群整体在相邻两个子区域之间的转移路线，这个转移路线尽量经过地形较平坦的区域，以保证碾压机群的行进安全和高效。在本实施例中，基于地形图和碾压机群的移动顺序，在GIS软件中规划出碾压机群在相邻两个子区域之间的转移路线。
步骤S44、将移动顺序、行进路线和转移路线进行整合得到走位方案。
可以理解的是，在本步骤中，走位方案包括了碾压机群在每个子区域内部的行进路线，以及碾压机群在相邻两个子区域间的转移路线，并且按照移动顺序进行排列。通过这个走位方案，碾压机群可以按照预先规划的路线行进，在保证工作效率的同时，也能够满足地质信息的要求。
步骤S5、根据走位方案、压实度要求和实时监测数据，运用数据分析和机器学习技术进行智能决策，调整碾压机群的运行方式。
可以理解的是，在本步骤中，根据走位方案、压实度要求和实时监测数据进行数据分析和机器学习，得出对碾压机群运行方式的调整方案。需要说明的是，步骤S5包括步骤S51、步骤S52、步骤S53、步骤S54和步骤S55。
步骤S51、根据走位方案和压实度要求，利用GIS技术对碾压机群的路线进行可视化处理，得到压实度目标图。
可以理解的是，在本步骤中，使用GIS软件来把碾压机群的路线在地图上绘制出来，并根据预设的压实度要求对碾压机群的路线进行染色，从而得到压实度目标图。压实度目标图是一幅表示碾压机群路线上的每个位置的目标压实度的地图，可以清晰地展示出碾压机群在工程任务区域内应遵循的压实度要求。这样就可以根据压实度目标图来指导碾压机群的运行，使得碾压机群的压实度能够满足预设的要求。
步骤S52、根据实时监测数据对碾压机群的实际压实度进行实时追踪，得到实际压实度图。
可以理解的是，在本步骤中，使用实时监测***收集到的压实度数据，进行实时追踪分析，得到碾压机群在各个时间点和位置的压实度值。压实度图呈现为一张二维平面图，其中横坐标表示时间，纵坐标表示压实度值，在图中表示出碾压机群在不同时间、不同位置的压实度值的变化情况。这样可以根据压实度图的信息来了解碾压机群的实际压实情况，判断是否达到了规定的压实度要求。
步骤S53、根据压实度目标图和实际压实度图的数据计算出每一个相同位置的压实度差异值，并将这些压实度差异值按照空间位置关系可视化呈现，得到压实度差异图。
可以理解的是，在本步骤中，通过计算来获取压实度目标图和实际压实度图中每个位置的压实度数据，然后计算出这两张图中每个位置的压实度差异值。接着，通过可视化技术将这些压实度差异值以图像的形式呈现出来，得到一张压实度差异图。这张图中的每一个位置都代表着一个具体的位置点，并且通过颜色或者其他可视化方法来表示该位置的压实度差异值。通过压实度差异图，可以直观地看出压实度目标图和实际压实度图之间的差异情况。
步骤S54、基于回归分析方法，根据压实度差异图建立压实度偏差与影响因素之间的关系模型，分析各个因素对压实度偏差的贡献程度，得到压实度偏差的分析报告。
可以理解的是，在本步骤中，回归分析是一种统计学方法，用于探究某一个自变量（例如压实度偏差）和多个因变量（例如地形、碾压机速度等）之间的相关关系，并建立起一个模型来描述这种关系。基于这个模型，就可以对每一个影响因素的贡献程度进行分析，并得到压实度偏差的分析报告。
步骤S55、根据分析报告和预设的参数设置规则调整碾压机群的运行方式。
可以理解的是，在本步骤中，根据分析出的压实度偏差的原因，通过调整碾压机群的运行方式来改善压实度偏差。首先根据压实度偏差的分析报告，确定压实度偏差的原因，然后根据预设的参数设置规则，调整碾压机群的相关参数，从而改变碾压机群的运行方式，使压实度偏差得到改善。预设的参数设置规则包括：当压实度偏差大于等于设定值时，调整碾压机群的运行速度，使压实度达到目标值；当压实度偏差达到设定范围时，调整碾压机群的行进路线，使压实度偏差减小；当压实度偏差持续较长时间不能恢复到正常范围内，则停止碾压机群的运行，进行检修和维护。
实施例2：
如图2所示，本实施例提供了一种基于大数据的无人驾驶碾压机群控制装置，装置包括：
获取模块701，用于获取历史工程信息、工程任务信息和实时监测数据，历史工程信息包括历史工程任务及对应的路径规划数据，工程任务信息包括压实度要求、工程任务区域和地质信息，实时监测数据包括土石坝的压实度参数和碾压机群的运行参数。
预测模块702，基于大数据技术对历史工程信息进行分析，构建得到路径预测模型，将工程任务信息作为路径预测模型的输入值，计算得到路径规划方案。
划分模块703，用于根据路径规划方案和地质信息，将工程任务区域按照工作量和地形特征划分为至少两个子区域。
整合模块704，用于根据工程任务信息和子区域确定碾压机群内部的走位方案。
调整模块705，用于根据走位方案、压实度要求和实时监测数据，运用数据分析和机器学习技术进行智能决策，调整碾压机群的运行方式。
在本公开的一种具体实施方式中，预测装置包括：
第一处理单元7021，用于对历史工程信息进行预处理得到结构化的数据表格。
第一分析单元7022，基于数据挖掘和分析技术对数据表格进行分析，得到影响路径规划的特征向量。
第一计算单元7023，使用支持向量机算法，通过对特征向量和对应的路径规划之间的分析，构建得到路径预测模型，将工程任务信息作为路径预测模型的输入值得到初步路径规划方案。
第二处理单元7024，使用遗传算法对初步路径规划方案进行优化得到路径规划方案。
在本公开的一种具体实施方式中，划分装置包括：
第三处理单元7031，基于GIS技术对地质信息进行可视化处理，得到任务区域地形图。
第四处理单元7032，用于根据路径规划方案中的路径信息在任务区域地形图中绘制出规划路线。
第五处理单元7033，用于根据预设的标注规则在规划路线上标注得到至少两个位置点，并标注出每个位置点的工作量值得到工作量分布图。
第一分类单元7034，用于将工作量分布图中的每个位置点作为一个单独的数据样本，并根据每个位置点的工作量值和地形特征进行分类运算，得到至少两个子区域。
在本公开的一种具体实施方式中，整合装置包括：
第二计算单元7041，用于根据工程任务信息和子区域的划分情况，确定碾压机群中每个碾压机的移动顺序。
第三计算单元7042，用于根据移动顺序和地质信息，规划出碾压机群在每个子区域内部每个碾压机的行进路线。
第四计算单元7043，用于根据移动顺序和行进路线，确定碾压机群整体在相邻两个子区域间的转移路线。
第六处理单元7044，用于将移动顺序、行进路线和转移路线进行整合得到走位方案。
在本公开的一种具体实施方式中，调整装置包括：
第七处理单元7051，用于根据走位方案和压实度要求，利用GIS技术对碾压机群的路线进行可视化处理，得到压实度目标图。
第八处理单元7052，用于根据实时监测数据对碾压机群的实际压实度进行实时追踪，得到实际压实度图。
第九处理单元7053，用于根据压实度目标图和实际压实度图的数据计算出每一个相同位置的压实度差异值，并将这些压实度差异值按照空间位置关系可视化呈现，得到压实度差异图。
第二分析单元7054，基于回归分析方法，根据压实度差异图建立压实度偏差与影响因素之间的关系模型，分析各个因素对压实度偏差的贡献程度，得到压实度偏差的分析报告。
第十处理单元7055，用于根据分析报告和预设的参数设置规则调整碾压机群的运行方式。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于大数据的无人驾驶碾压机群控制方法，其特征在于，包括：
获取历史工程信息、工程任务信息和实时监测数据，所述历史工程信息包括历史工程任务及对应的路径规划数据，所述工程任务信息包括压实度要求、工程任务区域和地质信息，所述实时监测数据包括土石坝的压实度参数和碾压机群的运行参数；
基于大数据技术对所述历史工程信息进行分析，构建得到路径预测模型，将所述工程任务信息作为所述路径预测模型的输入值，计算得到路径规划方案；
根据所述路径规划方案和所述地质信息，将所述工程任务区域按照工作量和地形特征划分为至少两个子区域；
根据所述工程任务信息和所述子区域确定碾压机群内部的走位方案；
根据所述走位方案、所述压实度要求和所述实时监测数据，运用数据分析和机器学习技术进行智能决策，调整碾压机群的运行方式。
2.根据权利要求1所述的基于大数据的无人驾驶碾压机群控制方法，其特征在于，基于大数据技术对所述历史工程信息进行分析，构建得到路径预测模型，将所述工程任务信息作为所述路径预测模型的输入值，计算得到路径规划方案，包括：
对所述历史工程信息进行预处理得到结构化的数据表格；
基于数据挖掘和分析技术对所述数据表格进行分析，得到影响路径规划的特征向量；
使用支持向量机算法，通过对所述特征向量和对应的路径规划之间的分析，构建得到路径预测模型，将所述工程任务信息作为所述路径预测模型的输入值得到初步路径规划方案；
使用遗传算法对所述初步路径规划方案进行优化得到路径规划方案。
3.根据权利要求1所述的基于大数据的无人驾驶碾压机群控制方法，其特征在于，根据所述路径规划方案和所述地质信息，将所述工程任务区域按照工作量和地形特征划分为至少两个子区域，包括：
基于GIS技术对所述地质信息进行可视化处理，得到任务区域地形图；
根据所述路径规划方案中的路径信息在所述任务区域地形图中绘制出规划路线；
根据预设的标注规则在所述规划路线上标注得到至少两个位置点，并标注出每个所述位置点的工作量值得到工作量分布图；
将所述工作量分布图中的每个所述位置点作为一个单独的数据样本，并根据每个所述位置点的所述工作量值和地形特征进行分类运算，得到至少两个子区域。
4.根据权利要求1所述的基于大数据的无人驾驶碾压机群控制方法，其特征在于，根据所述工程任务信息和所述子区域确定碾压机群内部的走位方案，包括：
根据所述工程任务信息和所述子区域的划分情况，确定碾压机群中每个碾压机的移动顺序；
根据所述移动顺序和所述地质信息，规划出碾压机群在每个所述子区域内部每个碾压机的行进路线；
根据所述移动顺序和所述行进路线，确定碾压机群整体在相邻两个所述子区域间的转移路线；
将所述移动顺序、所述行进路线和所述转移路线进行整合得到走位方案。
5.根据权利要求1所述的基于大数据的无人驾驶碾压机群控制方法，其特征在于，根据所述走位方案、所述压实度要求和所述实时监测数据，运用数据分析和机器学习技术进行智能决策，调整碾压机群的运行方式，包括：
根据所述走位方案和所述压实度要求，利用GIS技术对碾压机群的路线进行可视化处理，得到压实度目标图；
根据所述实时监测数据对碾压机群的实际压实度进行实时追踪，得到实际压实度图；
根据所述压实度目标图和所述实际压实度图的数据计算出每一个相同位置的压实度差异值，并将这些压实度差异值按照空间位置关系可视化呈现，得到压实度差异图；
基于回归分析方法，根据所述压实度差异图建立压实度偏差与影响因素之间的关系模型，分析各个因素对压实度偏差的贡献程度，得到压实度偏差的分析报告；
根据所述分析报告和预设的参数设置规则调整碾压机群的运行方式。
6.一种基于大数据的无人驾驶碾压机群控制装置，其特征在于，包括：
获取模块，用于获取历史工程信息、工程任务信息和实时监测数据，所述历史工程信息包括历史工程任务及对应的路径规划数据，所述工程任务信息包括压实度要求、工程任务区域和地质信息，所述实时监测数据包括土石坝的压实度参数和碾压机群的运行参数；
预测模块，基于大数据技术对所述历史工程信息进行分析，构建得到路径预测模型，将所述工程任务信息作为所述路径预测模型的输入值，计算得到路径规划方案；
划分模块，用于根据所述路径规划方案和所述地质信息，将所述工程任务区域按照工作量和地形特征划分为至少两个子区域；
整合模块，用于根据所述工程任务信息和所述子区域确定碾压机群内部的走位方案；
调整模块，用于根据所述走位方案、所述压实度要求和所述实时监测数据，运用数据分析和机器学习技术进行智能决策，调整碾压机群的运行方式。
7.根据权利要求6所述的基于大数据的无人驾驶碾压机群控制装置，其特征在于，所述预测模块包括：
第一处理单元，用于对所述历史工程信息进行预处理得到结构化的数据表格；
第一分析单元，基于数据挖掘和分析技术对所述数据表格进行分析，得到影响路径规划的特征向量；
第一计算单元，使用支持向量机算法，通过对所述特征向量和对应的路径规划之间的分析，构建得到路径预测模型，将所述工程任务信息作为所述路径预测模型的输入值得到初步路径规划方案；
第二处理单元，使用遗传算法对所述初步路径规划方案进行优化得到路径规划方案。
8.根据权利要求6所述的基于大数据的无人驾驶碾压机群控制装置，其特征在于，所述划分模块包括：
第三处理单元，基于GIS技术对所述地质信息进行可视化处理，得到任务区域地形图；
第四处理单元，用于根据所述路径规划方案中的路径信息在所述任务区域地形图中绘制出规划路线；
第五处理单元，用于根据预设的标注规则在所述规划路线上标注得到至少两个位置点，并标注出每个所述位置点的工作量值得到工作量分布图；
第一分类单元，用于将所述工作量分布图中的每个所述位置点作为一个单独的数据样本，并根据每个所述位置点的所述工作量值和地形特征进行分类运算，得到至少两个子区域。
9.根据权利要求6所述的基于大数据的无人驾驶碾压机群控制装置，其特征在于，所述整合模块，包括：
第二计算单元，用于根据所述工程任务信息和所述子区域的划分情况，确定碾压机群中每个碾压机的移动顺序；
第三计算单元，用于根据所述移动顺序和所述地质信息，规划出碾压机群在每个所述子区域内部每个碾压机的行进路线；
第四计算单元，用于根据所述移动顺序和所述行进路线，确定碾压机群整体在相邻两个所述子区域间的转移路线；
第六处理单元，用于将所述移动顺序、所述行进路线和所述转移路线进行整合得到走位方案。
10.根据权利要求6所述的基于大数据的无人驾驶碾压机群控制装置，其特征在于，所述调整模块包括：
第七处理单元，用于根据所述走位方案和所述压实度要求，利用GIS技术对碾压机群的路线进行可视化处理，得到压实度目标图；
第八处理单元，用于根据所述实时监测数据对碾压机群的实际压实度进行实时追踪，得到实际压实度图；
第九处理单元，用于根据所述压实度目标图和所述实际压实度图的数据计算出每一个相同位置的压实度差异值，并将这些压实度差异值按照空间位置关系可视化呈现，得到压实度差异图；
第二分析单元，基于回归分析方法，根据所述压实度差异图建立压实度偏差与影响因素之间的关系模型，分析各个因素对压实度偏差的贡献程度，得到压实度偏差的分析报告；
第十处理单元，用于根据所述分析报告和预设的参数设置规则调整碾压机群的运行方式。
CN202310731563.7A 2023-06-20 2023-06-20 一种基于大数据的无人驾驶碾压机群控制方法及装置 Active CN116485063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310731563.7A CN116485063B (zh) 2023-06-20 2023-06-20 一种基于大数据的无人驾驶碾压机群控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310731563.7A CN116485063B (zh) 2023-06-20 2023-06-20 一种基于大数据的无人驾驶碾压机群控制方法及装置

Publications (2)

Publication Number Publication Date
CN116485063A CN116485063A (zh) 2023-07-25
CN116485063B true CN116485063B (zh) 2023-08-18

Family

ID=87221715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310731563.7A Active CN116485063B (zh) 2023-06-20 2023-06-20 一种基于大数据的无人驾驶碾压机群控制方法及装置

Country Status (1)

Country Link
CN (1) CN116485063B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107390692A (zh) * 2017-07-31 2017-11-24 山东四维卓识信息技术有限公司 一种无人驾驶控制方法以及基于无人驾驶控制方法的土石方压实施工方法
CN108646755A (zh) * 2018-07-03 2018-10-12 清华大学 一种土石方智能碾压***
CN111236010A (zh) * 2020-01-17 2020-06-05 三一汽车制造有限公司 无人驾驶压路机群的运行控制方法和***
CN111445170A (zh) * 2020-04-30 2020-07-24 天津大学 一种无人碾压机群自主作业***及方法
CN111595355A (zh) * 2020-05-28 2020-08-28 天津大学 一种无人碾压机群路径规划方法
JP2021525426A (ja) * 2018-05-28 2021-09-24 ▲広▼州▲極飛▼科技有限公司Ｇｕａｎｇｚｈｏｕ Ｘａｉｒｃｒａｆｔ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．， Ｌｔｄ． ターゲット領域作業の計画方法、装置、記憶媒体及びプロセッサ
CN113671948A (zh) * 2021-07-27 2021-11-19 北京科技大学 一种土石方工程无人碾压机机群协同智能作业控制方法
CN114460929A (zh) * 2021-12-20 2022-05-10 黑龙江省哈肇高速公路投资建设有限公司 一种基于栅格化的无人驾驶压路机作业路径规划方法及***
CN115565147A (zh) * 2022-11-03 2023-01-03 西华大学 基于大数据的无人驾驶自动清洁车辆的清洁方法及装置
CN115790635A (zh) * 2023-01-31 2023-03-14 西华大学 基于区块链的无人驾驶运输车行驶路线规划方法及装置
CN115790636A (zh) * 2023-02-01 2023-03-14 西华大学 基于大数据的无人驾驶零售车巡航路径规划方法及装置
CN116151506A (zh) * 2023-04-21 2023-05-23 成都工业职业技术学院 基于天气的无人驾驶车辆实时营运路线确定方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020013114A1 (ja) * 2018-07-12 2020-01-16 株式会社Ｚｍｐ 無人配送車両による無人配送システム

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107390692A (zh) * 2017-07-31 2017-11-24 山东四维卓识信息技术有限公司 一种无人驾驶控制方法以及基于无人驾驶控制方法的土石方压实施工方法
JP2021525426A (ja) * 2018-05-28 2021-09-24 ▲広▼州▲極飛▼科技有限公司Ｇｕａｎｇｚｈｏｕ Ｘａｉｒｃｒａｆｔ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．， Ｌｔｄ． ターゲット領域作業の計画方法、装置、記憶媒体及びプロセッサ
CN108646755A (zh) * 2018-07-03 2018-10-12 清华大学 一种土石方智能碾压***
CN111236010A (zh) * 2020-01-17 2020-06-05 三一汽车制造有限公司 无人驾驶压路机群的运行控制方法和***
CN111445170A (zh) * 2020-04-30 2020-07-24 天津大学 一种无人碾压机群自主作业***及方法
CN111595355A (zh) * 2020-05-28 2020-08-28 天津大学 一种无人碾压机群路径规划方法
CN113671948A (zh) * 2021-07-27 2021-11-19 北京科技大学 一种土石方工程无人碾压机机群协同智能作业控制方法
CN114460929A (zh) * 2021-12-20 2022-05-10 黑龙江省哈肇高速公路投资建设有限公司 一种基于栅格化的无人驾驶压路机作业路径规划方法及***
CN115565147A (zh) * 2022-11-03 2023-01-03 西华大学 基于大数据的无人驾驶自动清洁车辆的清洁方法及装置
CN115790635A (zh) * 2023-01-31 2023-03-14 西华大学 基于区块链的无人驾驶运输车行驶路线规划方法及装置
CN115790636A (zh) * 2023-02-01 2023-03-14 西华大学 基于大数据的无人驾驶零售车巡航路径规划方法及装置
CN116151506A (zh) * 2023-04-21 2023-05-23 成都工业职业技术学院 基于天气的无人驾驶车辆实时营运路线确定方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
无人驾驶碾压机自趋优高精度智能错距算法研究;高懿;《中国优秀硕士学位论文全文数据库 工程科技II辑》(第2期);C034-249 *

Also Published As

Publication number Publication date
CN116485063A (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
Yang et al. Bus arrival time prediction using support vector machine with genetic algorithm
CN106228808B (zh) 基于浮动车时空网格数据的城市快速路旅行时间预测方法
CN110443314A (zh) 基于机器学习的景区客流量预测方法及装置
CN107045788A (zh) 交通路况预测方法及装置
CN109785385A (zh) 视觉目标跟踪方法及***
CN111473794B (zh) 一种基于强化学习的结构化道路无人驾驶决策规划方法
CN110111574A (zh) 一种基于流量树分析的城市交通不平衡评价方法
CN109615851B (zh) 一种在群智感知***中基于关键路段的感知节点选取方法
CN116151506B (zh) 基于天气的无人驾驶车辆实时营运路线确定方法及装置
CN117351702A (zh) 一种基于车流量进行调节的智慧交通管理方法
Fu et al. Identification of workstations in earthwork operations from vehicle GPS data
CN116485063B (zh) 一种基于大数据的无人驾驶碾压机群控制方法及装置
CN117094534B (zh) 一种物联智控方法及***
CN109712402B (zh) 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置
CN117892882A (zh) 基于网络通讯平台的黄河坝岸监控报警报险***及方法
CN114913447A (zh) 基于场景识别的警务智慧指挥室***及方法
CN117935562A (zh) 一种基于深度学习的交通灯控制方法及***
CN116789016B (zh) 一种智慧工地塔机的运行隐患监控方法及设备
CN117875517A (zh) 黄河防汛指挥决策支持***及方法
CN110309957A (zh) 一种面向在用矿车无人驾驶运输***的矿车运输时间预判方法
Kubota et al. Autopilot model for shield tunneling machines using support vector regression and its application to previously constructed tunnels
CN118071040B (zh) 一种公路施工的安全检查评价方法及***
Robinet et al. Leveraging privileged information to limit distraction in end-to-end lane following
CN117408123B (zh) 一种采运装备时空推进健康状态评估***及方法
CN118012977B (zh) 一种基于ai与gis融合的二三维多模态数据处理方法

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