CN116546067B - 一种基于鸿蒙***的车联网编队方法、***及介质 - Google Patents
一种基于鸿蒙***的车联网编队方法、***及介质 Download PDFInfo
- Publication number
- CN116546067B CN116546067B CN202310730413.4A CN202310730413A CN116546067B CN 116546067 B CN116546067 B CN 116546067B CN 202310730413 A CN202310730413 A CN 202310730413A CN 116546067 B CN116546067 B CN 116546067B
- Authority
- CN
- China
- Prior art keywords
- data
- unmanned
- angle
- position information
- unmanned automobile
- 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
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004891 communication Methods 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 35
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 238000000691 measurement method Methods 0.000 claims description 5
- 238000005755 formation reaction Methods 0.000 description 91
- 230000000694 effects Effects 0.000 description 17
- 238000004088 simulation Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/14—Session management
- H04L67/141—Setup of application sessions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/026—Services making use of location information using location based information parameters using orientation information, e.g. compass
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于鸿蒙***的车联网编队方法、***及介质。通过获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接:基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理;云服务器通过与无人驾驶汽车的通讯传输,获取S2中预处理后的行驶速度、角度和位置信息;云服务器基于所述预处理后的行驶速度、角度和位置信息,通过编写协同控制算法,动态计算出每辆无人驾驶汽车的控制命令,并将所述控制命令发送到对应的无人驾驶汽车上,并等待所有无人驾驶汽车接收到所述控制命令,从而实现高效、稳定的车联网编队驾驶。
Description
技术领域
本发明涉及车联网领域,更具体的,涉及一种基于鸿蒙***的车联网编队方法、***及介质。
背景技术
在自动驾驶领域,无人驾驶汽车主要是利用车载传感器来感知车辆周围环境,并根据感知所获得的道路、周围车辆、行人以及障碍物信息来控制车辆的速度与转向,从而使车辆能够在道路上行驶。
但是这套感知***仍然存在着许多问题,首先就是视觉识别问题。由于视觉识别对光线的要求极为苛刻,没有合适的光线,视觉***就无法识别出所需要的信息,尤其是到了晚上,汽车必须用照明灯进行补光,而在补光之后图像依旧模糊,为了提高清晰度,往往就会采用更贵的摄像头。其次,为了能完美感知周围环境,汽车上必须装上各式各样的传感器,这不仅大大增加了汽车生产的成本,而且会导致计算量过大,很容易出现***漏洞,很难保证哪一天不会出现错误,造成安全隐患。
目前无人驾驶汽车作为单智能体只能与自己内部的环境进行通信,无法与其他智能体进行有效的通信和协作,导致信息孤立。故现有的车载传感***方案存在着很大的局限性。
因此现有技术需要一种能够克服视觉感知***的不足,提高自动驾驶定位的准确性的方法,同时需要让无人驾驶汽车之间可以进行有效的通信和协作,实现分工协作,并且根据实际情况进行动态调整,提高***的稳定性和准确性。
发明内容
本发明克服了现有技术的缺陷,提出了一种基于鸿蒙***的车联网编队方法、***及介质。
本发明第一方面提供了一种基于鸿蒙***的车联网编队方法,包括:
S1,获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接;
S2:基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理;
S3:云服务器通过与无人驾驶汽车的通讯传输,获取S2中预处理后的行驶速度、角度和位置信息;
S4:云服务器基于所述预处理后的行驶速度、角度和位置信息,通过编写协同控制算法,动态计算出每辆无人驾驶汽车的控制命令,并将所述控制命令发送到对应的无人驾驶汽车上,并等待所有无人驾驶汽车接收到所述控制命令。
本方案中,所述获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接,具体为:
基于鸿蒙***的多线程技术,创建四个线程;
第一个线程通过加速度计实时计算获取无人驾驶汽车的速度;
第二个线程通过实时获取陀螺仪监测数据并计算得到无人驾驶汽车的角度;
第三个线程通过UWB定位技术获取汽车的位置信息;
第四个线程通过开启无线通信模块连接云服务器并生成无人驾驶汽车与云服务器的通信连接通道。
本方案中,所述获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接,还包括:
基于无人驾驶汽车的UWB便签,获取对应的标签坐标Tn(x0,y0);
获取无人驾驶汽车在预设范围内的3个基站坐标,并分别标记为为A0(x1,y1),A1(x2,y2),A2(x3,y3);
通过双向测距法测量出标签坐标与所述3个基站坐标的距离值,得到d1,d2,d3;
基于毕达哥拉斯定理,坐标Tn、A0、A1、A2与d1,d2,d3满足以下等式:
(x1-x0)(x1-x0)+(y1-y0)(y1-y0)=d1d1
(x2-x0)(x2-x0)+(y2-y0)(y2-y0)=d2d2
(x3-x0)(x3-x0)+(y3-y0)(y3-y0)=d3d3
其中,根据上述3条等式确定坐标Tn(x0,y0);
判断Tn位置是否存在误差,若存在,则基于加权三边算法,计算出准确的目标节点Tn(x',y'),计算公式如下:
x'=(W1x1+W2x2+W3x3)/(W1+W2+W3)
y'=(W1y1+W2y2+W3x3)/(W1+W2+W3)
其中,Wi为第i个基站的可信度权重,(xi,yi)表示第i个基站的位置,x',y'为输出加权平均后的位置坐标,将所述位置坐标作为目标节点的最终定位结果。
本方案中,所述基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理中,所述基于卡尔曼滤波器进行预处理具体为:
S21,初始化状态估计方程和协方差矩阵;
S22,通过状态估计方程预测下一时刻的状态;
S23,通过观测方程更新卡尔曼增益;
S24,通过卡尔曼增益和观测值更新状态估计和后验误差协方差矩阵;
S25,重复步骤S22-S24,直到滤波结束;
其中,将所述S1中的行驶速度、角度和位置信息作为卡尔曼滤波器处理的源数据。
本方案中,所述基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理中,还包括:
将S1中的行驶速度、角度和位置信息进行数据整合得到初始数据;
基于时间维度,判断初始数据是否为连续数据,若出现数据不连续,则判定当前初始数据存在数据丢失;
将数据丢失的时间点标记为t3,对应丢失数据标记为DT3;
获取t3前后两个时间点t1、t2,与所述两个时间点对应的已知数据DT1、DT2;
基于线性插值法预测出时刻t3的数据DT3,计算公式如下,
DT3=DT1+(DT2-DT1)*(t3-t1)/(t2-t1);
基于线性插值法,对初始数据进行计算并填充所有丢失数据值,得到第一预处理数据。
本方案中,所述云服务器基于所述预处理后的行驶速度、角度和位置信息,通过编写协同控制算法,动态计算出每辆无人驾驶汽车的控制命令,并将所述控制命令发送到对应的无人驾驶汽车上,并等待所有无人驾驶汽车接收到所述控制命令,具体为:
构建无人驾驶模型;
将第一预处理数据导入无人驾驶模型,基于预设协同控制算法,动态计算出每辆无人驾驶汽车的控制命令;
其中,所述协同控制算法具体公式为:
;
其中,式子1表示,位置变量在时间上的导数是速度,式子2表示,速度变量在时间上的导数是设计的控制协议;表示小车i在时刻t上的速度;/>表示领航者在时刻t上的速度导数;/>表示小车i和小车j是否能够通讯,不能则等于0,能则大于0;/>代表小车i和小车j期望之中的距离;/>表示小车i和领航者是否能够通讯,不能则等于0,能则大于0;表示小车i和领航者期望之中的距离;/>和/>为增益参数。/>表示小车i在时刻t上的位置。
本发明第二方面还提供了一种基于鸿蒙***的车联网编队***,该***包括:无人驾驶汽车、云服务器,所述无人驾驶汽车、云服务器进行基于鸿蒙***的车联网编队时实现如下步骤:
S1,获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接;
S2:基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理;
S3:云服务器通过与无人驾驶汽车的通讯传输,获取S2中预处理后的行驶速度、角度和位置信息;
S4:云服务器基于所述预处理后的行驶速度、角度和位置信息,通过编写协同控制算法,动态计算出每辆无人驾驶汽车的控制命令,并将所述控制命令发送到对应的无人驾驶汽车上,并等待所有无人驾驶汽车接收到所述控制命令。
本方案中,所述获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接,具体为:
基于鸿蒙***的多线程技术,创建四个线程;
第一个线程通过加速度计实时计算获取无人驾驶汽车的速度;
第二个线程通过实时获取陀螺仪监测数据并计算得到无人驾驶汽车的角度;
第三个线程通过UWB定位技术获取汽车的位置信息;
第四个线程通过开启无线通信模块连接云服务器并生成无人驾驶汽车与云服务器的通信连接通道。
本方案中,所述基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理中,所述基于卡尔曼滤波器进行预处理具体为:
S21,初始化状态估计方程和协方差矩阵;
S22,通过状态估计方程预测下一时刻的状态;
S23,通过观测方程更新卡尔曼增益;
S24,通过卡尔曼增益和观测值更新状态估计和后验误差协方差矩阵;
S25,重复步骤S22-S24,直到滤波结束;
其中,将所述S1中的行驶速度、角度和位置信息作为卡尔曼滤波器处理的源数据。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于鸿蒙***的车联网编队程序,所述基于鸿蒙***的车联网编队程序被处理器执行时,实现如上述任一项所述的基于鸿蒙***的车联网编队方法的步骤。
通过本发明方案,能够实现以下有益效果:
本发明搭载鸿蒙***可以高效地实现任务调度和资源分配,将不同的任务分配到不同的线程中执行,避免了某个任务的异常或崩溃对整个***的影响,提高了程序的并发能力,***的稳定性和响应速度。
相比传统无人驾驶汽车的单智能体,本发明采用的多智能体***,具有更强的自适应性、鲁棒性和更低的成本。通过车辆之间的通信,实现编队内车辆之间的实时信息交换和协同控制,从而避免了车辆之间的碰撞和事故,提高了行驶的安全性。同时通过协同控制算法实现编队内车辆的自动化协同行驶,避免了车辆之间频繁的加速、减速、换道等操作,从而减少了道路拥堵和交通事故,提高了道路运输的效率。
本发明采用UWB定位技术获取无人驾驶汽车的位置信息,可以实现高精度和高稳定性定位。UWB定位技术利用宽带信号,具有很强的抗干扰能力。在有多条反射路径时,UWB定位技术可以将干扰信号与主要信号分离,从而实现更准确的定位。相比于其他无线定位技术,UWB定位技术的多路径效应较弱,因为UWB信号在传播过程中会发生衰减和吸收,同时UWB定位技术的信号带宽很宽,因此可以获得更高的距离分辨率,可以区分两个距离非常接近的物体。
本发明公开了一种基于鸿蒙***的车联网编队方法、***及介质。通过获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接:基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理;云服务器通过与无人驾驶汽车的通讯传输,获取S2中预处理后的行驶速度、角度和位置信息;云服务器基于所述预处理后的行驶速度、角度和位置信息,通过编写协同控制算法,动态计算出每辆无人驾驶汽车的控制命令,并将所述控制命令发送到对应的无人驾驶汽车上,并等待所有无人驾驶汽车接收到所述控制命令,从而实现高效、稳定的车联网编队驾驶。
附图说明
图1示出了本发明一种基于鸿蒙***的车联网编队方法的***架构图;
图2示出了本发明三边定位算法示意图;
图3示出了本发明理想场景下定位效果图;
图4示出了本发明实际场景下定位效果图;
图5示出了本发明多智能体***协同控制效果。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明第一方面提供了一种基于鸿蒙***的车联网编队方法,包括:
S1,获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接;
S2:基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理;
S3:云服务器通过与无人驾驶汽车的通讯传输,获取S2中预处理后的行驶速度、角度和位置信息;
S4:云服务器基于所述预处理后的行驶速度、角度和位置信息,通过编写协同控制算法,动态计算出每辆无人驾驶汽车的控制命令,并将所述控制命令发送到对应的无人驾驶汽车上,并等待所有无人驾驶汽车接收到所述控制命令。
需要说明的是,本发明得到的控制命令为实时计算得到的,通过发送至所有无人驾驶汽车进行动态规划调整车队驾驶,从而逐步达到预期标准编队收敛的效果。
根据本发明实施例,所述获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接,具体为:
基于鸿蒙***的多线程技术,创建四个线程;
第一个线程通过加速度计实时计算获取无人驾驶汽车的速度;
第二个线程通过实时获取陀螺仪监测数据并计算得到无人驾驶汽车的角度;
第三个线程通过UWB定位技术获取汽车的位置信息;
第四个线程通过开启无线通信模块连接云服务器并生成无人驾驶汽车与云服务器的通信连接通道。
需要说明的是,所述基于鸿蒙***的多线程技术,创建四个线程中,若***有其他任务需求,***可以创建更多的线程完成其他任务需求。
图2示出了本发明三边定位算法示意图;
所述UWB定位技术使用三边定位算法图2实现对无人驾驶汽车的定位。首先,需要给每辆无人驾驶汽车贴上UWB便签Tn(x0,y0),可以安装于汽车的固定位置如车牌等,其次,需要在道路两侧放置3个UWB基站,设定3个基站的坐标分别为A0(x1,y1),A1(x2,y2),A2(x3,y3),且已通过基站与标签之间的双向测距测量出待测标签Tn(x0,y0)到每个基站的距离值分别为d1,d2,d3。
根据本发明实施例,所述获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接,还包括:
基于无人驾驶汽车的UWB便签,获取对应的标签坐标Tn(x0,y0);
获取无人驾驶汽车在预设范围内的3个基站坐标,并分别标记为为A0(x1,y1),A1(x2,y2),A2(x3,y3);
通过双向测距法测量出标签坐标与所述3个基站坐标的距离值,得到d1,d2,d3;
基于毕达哥拉斯定理,坐标Tn、A0、A1、A2与d1,d2,d3满足以下等式:
(x1-x0)(x1-x0)+(y1-y0)(y1-y0)=d1d1
(x2-x0)(x2-x0)+(y2-y0)(y2-y0)=d2d2
(x3-x0)(x3-x0)+(y3-y0)(y3-y0)=d3d3
其中,根据上述3条等式确定坐标Tn(x0,y0);
判断Tn位置是否存在误差,若存在,则基于加权三边算法,计算出准确的目标节点Tn(x',y'),计算公式如下:
x'=(W1x1+W2x2+W3x3)/(W1+W2+W3)
y'=(W1y1+W2y2+W3x3)/(W1+W2+W3)
其中,Wi为第i个基站的可信度权重,(xi,yi)表示第i个基站的位置,x',y'为输出加权平均后的位置坐标,将所述位置坐标作为目标节点的最终定位结果。
图3示出了本发明理想场景下定位效果图;
图4示出了本发明实际场景下定位效果图;
需要说明的是,在理想场景下,标签Tn到达基站A0,A1,A2的距离值都是精准的,即标签Tn有且仅有一个正确解,如图3所示。但在真实场景下,真实的测距是存在误差的,产生误差的原因包括测距本身的误差和实际场景中遮挡或者金属等原因影响到电磁波的穿透性和传输效果从而产生的误差,但该误差为正向误差,即测量值比实际偏大,则形成了如图4所示的效果,解算的Tn坐标不再是一点,而是一个区域,因此,需要在重叠区域查找一个最优解。本发明针对真实场景中存在的问题,利用加权三边算法来解决坐标问题,根据基站的可信度权重对目标节点的位置进行加权平均并计算出相对准确的目标节点坐标Tn(x',y')。
根据本发明实施例,所述基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理中,所述基于卡尔曼滤波器进行预处理具体为:
S21,初始化状态估计方程和协方差矩阵;
S22,通过状态估计方程预测下一时刻的状态;
S23,通过观测方程更新卡尔曼增益;
S24,通过卡尔曼增益和观测值更新状态估计和后验误差协方差矩阵;
S25,重复步骤S22-S24,直到滤波结束;
其中,将所述S1中的行驶速度、角度和位置信息作为卡尔曼滤波器处理的源数据。
需要说明的是,所述卡尔曼滤波器涉及的方程如下:
状态估计方程:
x(k)=F(k)*x(k-1)+B(k)*u(k)+w(k)
其中,x(k)表示当前状态,F(k)表示状态转移矩阵,B(k)表示控制输入矩阵,u(k)表示控制输入,w(k)表示***噪声。
观测方程:
z(k)=H(k)*x(k)+v(k)
其中,z(k)表示观测值,H(k)表示观测矩阵,v(k)表示观测噪声。
卡尔曼增益方程:
K(k)=P(k|k-1)*H(k)^T*(H(k)*P(k|k-1)*H(k)^T+R(k))^-1
其中,K(k)表示卡尔曼增益,P(k|k-1)表示先验误差协方差,R(k)表示观测噪声协方差。
先验误差协方差更新方程:
P(k|k-1)=F(k)*P(k-1|k-1)*F(k)^T+Q(k)
其中,P(k-1|k-1)表示上一时刻的后验误差协方差,Q(k)表示***噪声协方差。
后验误差协方差更新方程:
P(k|k)=(I-K(k)*H(k))*P(k|k-1)
其中,I表示单位矩阵。
值得一提的是,通过使用卡尔曼滤波对相关数据信息的噪声和误差进行滤除,从而能够得到更准确的状态估计结果。具体来说,卡尔曼滤波可以通过测量模型和***模型来对状态变量进行估计和预测,并通过卡尔曼增益的加权平均方式将测量值和预测值进行融合,从而得到更准确的状态估计结果。通过这种方式,可以大大减少噪声对测量结果的影响,提高控制***的准确性和可靠性。进一步,本发明方法还包括使用卡尔曼滤波器、灵敏度校准、线性插值、傅里叶变换等方法对S1中获取到的相关数据进行预处理。
根据本发明实施例,所述基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理中,还包括:
将S1中的行驶速度、角度和位置信息进行数据整合得到初始数据;
基于时间维度,判断初始数据是否为连续数据,若出现数据不连续,则判定当前初始数据存在数据丢失;
将数据丢失的时间点标记为t3,对应丢失数据标记为DT3;
获取t3前后两个时间点t1、t2,与所述两个时间点对应的已知数据DT1、DT2;
基于线性插值法预测出时刻t3的数据DT3,计算公式如下,
DT3=DT1+(DT2-DT1)*(t3-t1)/(t2-t1);
基于线性插值法,对初始数据进行计算并填充所有丢失数据值,得到第一预处理数据。
需要说明的是,上述公式基于线性插值的基本原理,即在两个已知数据点之间,假设数据随时间线性变化,则两个数据点之间的任意时间点的数据值可以通过两个已知数据点的线性关系进行估算,填充缺失的数据点。
根据本发明实施例,所述云服务器基于所述预处理后的行驶速度、角度和位置信息,通过编写协同控制算法,动态计算出每辆无人驾驶汽车的控制命令,并将所述控制命令发送到对应的无人驾驶汽车上,并等待所有无人驾驶汽车接收到所述控制命令,具体为:
构建无人驾驶模型;
将第一预处理数据导入无人驾驶模型,基于预设协同控制算法,动态计算出每辆无人驾驶汽车的控制命令;
;
其中,所述协同控制算法具体公式为:
其中,式子1表示,位置变量在时间上的导数是速度,式子2表示,速度变量在时间上的导数是设计的控制协议;表示小车i在时刻t上的速度;/>表示领航者在时刻t上的速度导数;/>表示小车i和小车j是否能够通讯,不能则等于0,能则大于0;/>代表小车i和小车j期望之中的距离;/>表示小车i和领航者是否能够通讯,不能则等于0,能则大于0;表示小车i和领航者期望之中的距离;/>和/>为增益参数。/>表示小车i在时刻t上的位置。
需要说明的是,本发明通过搭建云服务器的通讯和数据收集功能,实现云服务器与无人驾驶汽车的通讯,具体为创建云服务器并配置相应的网络环境,如IP地址、端口等,编写通讯协议,包括数据格式、数据传输方式(如TCP/IP),编写数据收集程序,实现对无人驾驶汽车的数据采集和存储,包括对S2中预处理后的相关数据信息的获取,还包括将数据存储在数据库中,以备后续分析和处理使用。
优先地,搭建云服务器的数据处理功能,在获取到相关数据信息后,通过编写协同控制算法,动态计算出每辆无人驾驶汽车的控制命令,将命令发送到对应的无人驾驶汽车上,并等待所有无人驾驶汽车接收到命令。具体为:基于预处理后的数据信息,编写多智能体***协同控制算法,在多智能体***协同编队中,每个无人驾驶汽车可以和其他无人驾驶汽车以及领航者通信。通过获得每个无人驾驶汽车每个时刻的物理位置、物理速度,根据控制协议设计,进行每个小车下一步加速度的运算,传导回小车进行下一状态的控制,最终达到预期状态的收敛效果,并将控制命令发送到对应的无人驾驶汽车上。
图5示出了本发明多智能体***协同控制效果。
效果如图5所示,Leader代表领航车,Veh_i0、Veh_i1、Veh_i2为跟随车。他们均以不同的初始速度和初始位置开始行驶,通过相互之间的信息交流,并根据自身所获得的信息,经过算法进行决策,并根据决策改变自身行驶状态,最后使得整个***达到预期标准编队通过的收敛效果。
根据本发明实施例,还包括:
在预设区域内,实时获取领航车初始数据与跟随车初始数据;
基于领航车初始数据获取当前领航车位置;
根据预设区域的面积大小轮廓特征构建区域地图模型;
获取驾驶路线信息,基于当前领航车位置,获取下一段路线信息;
获取无人驾驶车队信息;
将当前领航车位置、下一段路线信息、无人驾驶车队信息导入区域地图模型进行分析,基于下一段路线信息,分析出下一段路线的路况数据、障碍物信息;
基于下一段路线的路况数据、障碍物信息,分析出对汽车编队的实时图像需求信息;
基于下一段路线的路况数据与实时图像需求信息进行最优编队分析,得到当前最优编队队形;
基于最优编队队形,分析出对所有无人驾驶汽车的控制命令,将所述控制命令通过领航车终端设备发送至跟随车终端设备。
需要说明的是,所述无人驾驶车队信息包括无人驾驶汽车数量与汽车类别、领航车数量、跟随车数量等信息。值得一提的是,在多汽车编队行驶过程中,由于受道路环境的复杂情况影响,有时需要更改队形以适应不同的路况驾驶,本申请通过对下一段路线的实时分析,并基于下一路段的路况分析出相应的图像需求信息,所述图像需求信息即对车队稳定行驶的实时图像需求,所述实时图像为通过所有无人驾驶汽车中的摄像装置获取,不同队形所构成的实时图像数据较大差异,因此,实时图像数据对应分析出的道路影像范围、道路视线也存在差异。进一步,本发明通过分析出实时图像需求信息进一步得到最优的编队队形,实现提前更改编队主动适应路况,从而提高无人驾驶的安全性与智能性、进一步适应复杂多变的道路状况。所述编队队形包括单列、多列、交错等队形,具体由当前路况需求而定。
根据本发明实施例,还包括:
在预设区域内,实时获取领航车初始数据与跟随车初始数据;
基于领航车初始数据获取当前领航车位置;
将当前领航车位置与终点位置导入区域地图模型进行路线分析,得到多条驾驶路线;
基于当前路线与当前编队信息,计算出当前行驶计划的预测编队行驶时间;
根据多条驾驶路线,将当前编队进行模拟编队拆分,并形成多条编队,并基于模拟编队拆分过程,形成模拟拆分方案;
将多条编队与多条驾驶路线导入区域地图模型进行模拟行驶,并预测出多条编队的行驶时间信息;
根据多条编队的行驶时间信息计算出总体编队行驶时间;
若总体编队行驶时间小于预测编队行驶时间,则将模拟拆分方案发送至领航车终端设备。
需要说明的是,由于一条编队与拆分为多条编队所对应的行驶速度可以不同,一般多条编队的总体行驶速度与编队操作效率比一条编队要高。因此,本发明通过分析当前多条到达终端的路线,并模拟拆分汽车编队进行,形成多条编队,每一条编队可选择一条驾驶路线,且每一条编队中重新分配领航车与跟随车,最后基于模拟计算结果分析拆分方案的可行性,若若总体编队行驶时间小于预测编队行驶时间则代表方案可行,进一步基于模拟拆分方案进行编队拆分与行驶,从而提高车队行驶效率。
图1示出了本发明一种基于鸿蒙***的车联网编队方法的***架构图;
本发明第二方面还提供了一种基于鸿蒙***的车联网编队***4,该***包括:无人驾驶汽车、云服务器,所述无人驾驶汽车、云服务器进行基于鸿蒙***的车联网编队时实现如下步骤:
S1,获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接;
S2:基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理;
S3:云服务器通过与无人驾驶汽车的通讯传输,获取S2中预处理后的行驶速度、角度和位置信息;
S4:云服务器基于所述预处理后的行驶速度、角度和位置信息,通过编写协同控制算法,动态计算出每辆无人驾驶汽车的控制命令,并将所述控制命令发送到对应的无人驾驶汽车上,并等待所有无人驾驶汽车接收到所述控制命令。
需要说明的是,本发明得到的控制命令为实时计算得到的,通过发送至所有无人驾驶汽车进行动态规划调整车队驾驶,从而逐步达到预期标准编队收敛的效果。
根据本发明实施例,所述获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接,具体为:
基于鸿蒙***的多线程技术,创建四个线程;
第一个线程通过加速度计实时计算获取无人驾驶汽车的速度;
第二个线程通过实时获取陀螺仪监测数据并计算得到无人驾驶汽车的角度;
第三个线程通过UWB定位技术获取汽车的位置信息;
第四个线程通过开启无线通信模块连接云服务器并生成无人驾驶汽车与云服务器的通信连接通道。
需要说明的是,所述基于鸿蒙***的多线程技术,创建四个线程中,若***有其他任务需求,***可以创建更多的线程完成其他任务需求。
所述UWB定位技术使用三边定位算法图2实现对无人驾驶汽车的定位。首先,需要给每辆无人驾驶汽车贴上UWB便签Tn(x0,y0),可以安装于汽车的固定位置如车牌等,其次,需要在道路两侧放置3个UWB基站,设定3个基站的坐标分别为A0(x1,y1),A1(x2,y2),A2(x3,y3),且已通过基站与标签之间的双向测距测量出待测标签Tn(x0,y0)到每个基站的距离值分别为d1,d2,d3。
根据本发明实施例,所述获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接,还包括:
基于无人驾驶汽车的UWB便签,获取对应的标签坐标Tn(x0,y0);
获取无人驾驶汽车在预设范围内的3个基站坐标,并分别标记为为A0(x1,y1),A1(x2,y2),A2(x3,y3);
通过双向测距法测量出标签坐标与所述3个基站坐标的距离值,得到d1,d2,d3;
基于毕达哥拉斯定理,坐标Tn、A0、A1、A2与d1,d2,d3满足以下等式:
(x1-x0)(x1-x0)+(y1-y0)(y1-y0)=d1d1
(x2-x0)(x2-x0)+(y2-y0)(y2-y0)=d2d2
(x3-x0)(x3-x0)+(y3-y0)(y3-y0)=d3d3
其中,根据上述3条等式确定坐标Tn(x0,y0);
判断Tn位置是否存在误差,若存在,则基于加权三边算法,计算出准确的目标节点Tn(x',y'),计算公式如下:
x'=(W1x1+W2x2+W3x3)/(W1+W2+W3)
y'=(W1y1+W2y2+W3x3)/(W1+W2+W3)
其中,Wi为第i个基站的可信度权重,(xi,yi)表示第i个基站的位置,x',y'为输出加权平均后的位置坐标,将所述位置坐标作为目标节点的最终定位结果。
需要说明的是,在理想场景下,标签Tn到达基站A0,A1,A2的距离值都是精准的,即标签Tn有且仅有一个正确解,如图3所示。但在真实场景下,真实的测距是存在误差的,产生误差的原因包括测距本身的误差和实际场景中遮挡或者金属等原因影响到电磁波的穿透性和传输效果从而产生的误差,但该误差为正向误差,即测量值比实际偏大,则形成了如图4所示的效果,解算的Tn坐标不再是一点,而是一个区域,因此,需要在重叠区域查找一个最优解。本发明针对真实场景中存在的问题,利用加权三边算法来解决坐标问题,根据基站的可信度权重对目标节点的位置进行加权平均并计算出相对准确的目标节点坐标Tn(x',y')。
根据本发明实施例,所述基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理中,所述基于卡尔曼滤波器进行预处理具体为:
S21,初始化状态估计方程和协方差矩阵;
S22,通过状态估计方程预测下一时刻的状态;
S23,通过观测方程更新卡尔曼增益;
S24,通过卡尔曼增益和观测值更新状态估计和后验误差协方差矩阵;
S25,重复步骤S22-S24,直到滤波结束;
其中,将所述S1中的行驶速度、角度和位置信息作为卡尔曼滤波器处理的源数据。
需要说明的是,所述卡尔曼滤波器涉及的方程如下:
状态估计方程:
x(k)=F(k)*x(k-1)+B(k)*u(k)+w(k)
其中,x(k)表示当前状态,F(k)表示状态转移矩阵,B(k)表示控制输入矩阵,u(k)表示控制输入,w(k)表示***噪声。
观测方程:
z(k)=H(k)*x(k)+v(k)
其中,z(k)表示观测值,H(k)表示观测矩阵,v(k)表示观测噪声。
卡尔曼增益方程:
K(k)=P(k|k-1)*H(k)^T*(H(k)*P(k|k-1)*H(k)^T+R(k))^-1
其中,K(k)表示卡尔曼增益,P(k|k-1)表示先验误差协方差,R(k)表示观测噪声协方差。
先验误差协方差更新方程:
P(k|k-1)=F(k)*P(k-1|k-1)*F(k)^T+Q(k)
其中,P(k-1|k-1)表示上一时刻的后验误差协方差,Q(k)表示***噪声协方差。
后验误差协方差更新方程:
P(k|k)=(I-K(k)*H(k))*P(k|k-1)
其中,I表示单位矩阵。
值得一提的是,通过使用卡尔曼滤波对相关数据信息的噪声和误差进行滤除,从而能够得到更准确的状态估计结果。具体来说,卡尔曼滤波可以通过测量模型和***模型来对状态变量进行估计和预测,并通过卡尔曼增益的加权平均方式将测量值和预测值进行融合,从而得到更准确的状态估计结果。通过这种方式,可以大大减少噪声对测量结果的影响,提高控制***的准确性和可靠性。进一步,本发明方法还包括使用卡尔曼滤波器、灵敏度校准、线性插值、傅里叶变换等方法对S1中获取到的相关数据进行预处理。
根据本发明实施例,所述基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理中,还包括:
将S1中的行驶速度、角度和位置信息进行数据整合得到初始数据;
基于时间维度,判断初始数据是否为连续数据,若出现数据不连续,则判定当前初始数据存在数据丢失;
将数据丢失的时间点标记为t3,对应丢失数据标记为DT3;
获取t3前后两个时间点t1、t2,与所述两个时间点对应的已知数据DT1、DT2;
基于线性插值法预测出时刻t3的数据DT3,计算公式如下,
DT3=DT1+(DT2-DT1)*(t3-t1)/(t2-t1);
基于线性插值法,对初始数据进行计算并填充所有丢失数据值,得到第一预处理数据。
需要说明的是,上述公式基于线性插值的基本原理,即在两个已知数据点之间,假设数据随时间线性变化,则两个数据点之间的任意时间点的数据值可以通过两个已知数据点的线性关系进行估算,填充缺失的数据点。
根据本发明实施例,所述云服务器基于所述预处理后的行驶速度、角度和位置信息,通过编写协同控制算法,动态计算出每辆无人驾驶汽车的控制命令,并将所述控制命令发送到对应的无人驾驶汽车上,并等待所有无人驾驶汽车接收到所述控制命令,具体为:
构建无人驾驶模型;
将第一预处理数据导入无人驾驶模型,基于预设协同控制算法,动态计算出每辆无人驾驶汽车的控制命令;
其中,所述协同控制算法具体公式为:
;
其中,式子1表示,位置变量在时间上的导数是速度,式子2表示,速度变量在时间上的导数是设计的控制协议;表示小车i在时刻t上的速度;/>表示领航者在时刻t上的速度导数;/>表示小车i和小车j是否能够通讯,不能则等于0,能则大于0;/>代表小车i和小车j期望之中的距离;/>表示小车i和领航者是否能够通讯,不能则等于0,能则大于0;表示小车i和领航者期望之中的距离;/>和/>为增益参数。/>表示小车i在时刻t上的位置。
需要说明的是,本发明通过搭建云服务器的通讯和数据收集功能,实现云服务器与无人驾驶汽车的通讯,具体为创建云服务器并配置相应的网络环境,如IP地址、端口等,编写通讯协议,包括数据格式、数据传输方式(如TCP/IP),编写数据收集程序,实现对无人驾驶汽车的数据采集和存储,包括对S2中预处理后的相关数据信息的获取,还包括将数据存储在数据库中,以备后续分析和处理使用。
优先地,搭建云服务器的数据处理功能,在获取到相关数据信息后,通过编写协同控制算法,动态计算出每辆无人驾驶汽车的控制命令,将命令发送到对应的无人驾驶汽车上,并等待所有无人驾驶汽车接收到命令。具体为:基于预处理后的数据信息,编写多智能体***协同控制算法,在多智能体***协同编队中,每个无人驾驶汽车可以和其他无人驾驶汽车以及领航者通信。通过获得每个无人驾驶汽车每个时刻的物理位置、物理速度,根据控制协议设计,进行每个小车下一步加速度的运算,传导回小车进行下一状态的控制,最终达到预期状态的收敛效果,并将控制命令发送到对应的无人驾驶汽车上。
效果如图5所示,Leader代表领航车,Veh_i0、Veh_i1、Veh_i2为跟随车。他们均以不同的初始速度和初始位置开始行驶,通过相互之间的信息交流,并根据自身所获得的信息,经过算法进行决策,并根据决策改变自身行驶状态,最后使得整个***达到预期标准编队通过的收敛效果。
根据本发明实施例,还包括:
在预设区域内,实时获取领航车初始数据与跟随车初始数据;
基于领航车初始数据获取当前领航车位置;
根据预设区域的面积大小轮廓特征构建区域地图模型;
获取驾驶路线信息,基于当前领航车位置,获取下一段路线信息;
获取无人驾驶车队信息;
将当前领航车位置、下一段路线信息、无人驾驶车队信息导入区域地图模型进行分析,基于下一段路线信息,分析出下一段路线的路况数据、障碍物信息;
基于下一段路线的路况数据、障碍物信息,分析出对汽车编队的实时图像需求信息;
基于下一段路线的路况数据与实时图像需求信息进行最优编队分析,得到当前最优编队队形;
基于最优编队队形,分析出对所有无人驾驶汽车的控制命令,将所述控制命令通过领航车终端设备发送至跟随车终端设备。
需要说明的是,所述无人驾驶车队信息包括无人驾驶汽车数量与汽车类别、领航车数量、跟随车数量等信息。值得一提的是,在多汽车编队行驶过程中,由于受道路环境的复杂情况影响,有时需要更改队形以适应不同的路况驾驶,本申请通过对下一段路线的实时分析,并基于下一路段的路况分析出相应的图像需求信息,所述图像需求信息即对车队稳定行驶的实时图像需求,所述实时图像为通过所有无人驾驶汽车中的摄像装置获取,不同队形所构成的实时图像数据较大差异,因此,实时图像数据对应分析出的道路影像范围、道路视线也存在差异。进一步,本发明通过分析出实时图像需求信息进一步得到最优的编队队形,实现提前更改编队主动适应路况,从而提高无人驾驶的安全性与智能性、进一步适应复杂多变的道路状况。所述编队队形包括单列、多列、交错等队形,具体由当前路况需求而定。
根据本发明实施例,还包括:
在预设区域内,实时获取领航车初始数据与跟随车初始数据;
基于领航车初始数据获取当前领航车位置;
将当前领航车位置与终点位置导入区域地图模型进行路线分析,得到多条驾驶路线;
基于当前路线与当前编队信息,计算出当前行驶计划的预测编队行驶时间;
根据多条驾驶路线,将当前编队进行模拟编队拆分,并形成多条编队,并基于模拟编队拆分过程,形成模拟拆分方案;
将多条编队与多条驾驶路线导入区域地图模型进行模拟行驶,并预测出多条编队的行驶时间信息;
根据多条编队的行驶时间信息计算出总体编队行驶时间;
若总体编队行驶时间小于预测编队行驶时间,则将模拟拆分方案发送至领航车终端设备。
需要说明的是,由于一条编队与拆分为多条编队所对应的行驶速度可以不同,一般多条编队的总体行驶速度与编队操作效率比一条编队要高。因此,本发明通过分析当前多条到达终端的路线,并模拟拆分汽车编队进行,形成多条编队,每一条编队可选择一条驾驶路线,且每一条编队中重新分配领航车与跟随车,最后基于模拟计算结果分析拆分方案的可行性,若若总体编队行驶时间小于预测编队行驶时间则代表方案可行,进一步基于模拟拆分方案进行编队拆分与行驶,从而提高车队行驶效率。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于鸿蒙***的车联网编队程序,所述基于鸿蒙***的车联网编队程序被处理器执行时,实现如上述任一项所述的基于鸿蒙***的车联网编队方法的步骤。
本发明公开了一种基于鸿蒙***的车联网编队方法、***及介质。通过获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接:基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理;云服务器通过与无人驾驶汽车的通讯传输,获取S2中预处理后的行驶速度、角度和位置信息;云服务器基于所述预处理后的行驶速度、角度和位置信息,通过编写协同控制算法,动态计算出每辆无人驾驶汽车的控制命令,并将所述控制命令发送到对应的无人驾驶汽车上,并等待所有无人驾驶汽车接收到所述控制命令,从而实现高效、稳定的车联网编队驾驶。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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所述权利要求的保护范围为准。
Claims (6)
1.一种基于鸿蒙***的车联网编队方法,其特征在于,包括:
S1,获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接;
S2:基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理;
S3:云服务器通过与无人驾驶汽车的通讯传输,获取S2中预处理后的行驶速度、角度和位置信息;
S4:云服务器基于所述预处理后的行驶速度、角度和位置信息,通过编写协同控制算法,动态计算出每辆无人驾驶汽车的控制命令,并将所述控制命令发送到对应的无人驾驶汽车上,并等待所有无人驾驶汽车接收到所述控制命令;
其中,所述获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接,还包括:
基于无人驾驶汽车的UWB便签,获取对应的标签坐标Tn(x0,y0);
获取无人驾驶汽车在预设范围内的3个基站坐标,并分别标记为为A0(x1,y1),A1(x2,y2),A2(x3,y3);
通过双向测距法测量出标签坐标与所述3个基站坐标的距离值,得到d1,d2,d3;
基于毕达哥拉斯定理,坐标Tn、A0、A1、A2与d1,d2,d3满足以下等式:
(x1-x0)(x1-x0)+(y1-y0)(y1-y0)=d1d1
(x2-x0)(x2-x0)+(y2-y0)(y2-y0)=d2d2
(x3-x0)(x3-x0)+(y3-y0)(y3-y0)=d3d3
其中,根据上述3条等式确定坐标Tn(x0,y0);
判断Tn位置是否存在误差,若存在,则基于加权三边算法,计算出准确的目标节点Tn(x',y'),计算公式如下:
x'=(W1x1+W2x2+W3x3)/(W1+W2+W3)
y'=(W1y1+W2y2+W3x3)/(W1+W2+W3)
其中,Wi为第i个基站的可信度权重,(xi,yi)表示第i个基站的位置,x',y'为输出加权平均后的位置坐标,将所述位置坐标作为目标节点的最终定位结果;
其中,所述基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理中,所述基于卡尔曼滤波器进行预处理具体为:
S21,初始化状态估计方程和协方差矩阵;
S22,通过状态估计方程预测下一时刻的状态;
S23,通过观测方程更新卡尔曼增益;
S24,通过卡尔曼增益和观测值更新状态估计和后验误差协方差矩阵;
S25,重复步骤S22-S24,直到滤波结束;
其中,将所述S1中的行驶速度、角度和位置信息作为卡尔曼滤波器处理的源数据;
其中,所述基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理中,还包括:
将S1中的行驶速度、角度和位置信息进行数据整合得到初始数据;
基于时间维度,判断初始数据是否为连续数据,若出现数据不连续,则判定当前初始数据存在数据丢失;
将数据丢失的时间点标记为t3,对应丢失数据标记为DT3;
获取t3前后两个时间点t1、t2,与所述两个时间点对应的已知数据DT1、DT2;
基于线性插值法预测出时刻t3的数据DT3,计算公式如下,
DT3=DT1+(DT2-DT1)*(t3-t1)/(t2-t1);
基于线性插值法,对初始数据进行计算并填充所有丢失数据值,得到第一预处理数据。
2.根据权利要求1所述的一种基于鸿蒙***的车联网编队方法,其特征在于,所述获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接,具体为:
基于鸿蒙***的多线程技术,创建四个线程;
第一个线程通过加速度计实时计算获取无人驾驶汽车的速度;
第二个线程通过实时获取陀螺仪监测数据并计算得到无人驾驶汽车的角度;
第三个线程通过UWB定位技术获取汽车的位置信息;
第四个线程通过开启无线通信模块连接云服务器并生成无人驾驶汽车与云服务器的通信连接通道。
3.根据权利要求1所述的一种基于鸿蒙***的车联网编队方法,其特征在于,所述云服务器基于所述预处理后的行驶速度、角度和位置信息,通过编写协同控制算法,动态计算出每辆无人驾驶汽车的控制命令,并将所述控制命令发送到对应的无人驾驶汽车上,并等待所有无人驾驶汽车接收到所述控制命令,具体为:
构建无人驾驶模型;
将第一预处理数据导入无人驾驶模型,基于预设协同控制算法,动态计算出每辆无人驾驶汽车的控制命令;
其中,所述协同控制算法具体公式为:
;
其中,式子1表示,位置变量在时间上的导数是速度,式子2表示,速度变量在时间上的导数符合上述协同控制算法公式;表示小车i在时刻t上的速度;/>表示领航者在时刻t上的速度导数;/>表示小车i和小车j是否能够通讯,不能则等于0,能则大于0;/>代表小车i和小车j期望之中的距离;/>表示小车i和领航者是否能够通讯,不能则等于0,能则大于0;/>表示小车i和领航者期望之中的距离;/>和/>为增益参数,/>表示小车i在时刻t上的位置,/>表示领航者在时刻t上的位置。
4.一种基于鸿蒙***的车联网编队***,其特征在于,该***包括:无人驾驶汽车、云服务器,所述无人驾驶汽车、云服务器进行基于鸿蒙***的车联网编队时实现如下步骤:
S1,获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接;
S2:基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理;
S3:云服务器通过与无人驾驶汽车的通讯传输,获取S2中预处理后的行驶速度、角度和位置信息;
S4:云服务器基于所述预处理后的行驶速度、角度和位置信息,通过编写协同控制算法,动态计算出每辆无人驾驶汽车的控制命令,并将所述控制命令发送到对应的无人驾驶汽车上,并等待所有无人驾驶汽车接收到所述控制命令;
其中,所述获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接,还包括:
基于无人驾驶汽车的UWB便签,获取对应的标签坐标Tn(x0,y0);
获取无人驾驶汽车在预设范围内的3个基站坐标,并分别标记为为A0(x1,y1),A1(x2,y2),A2(x3,y3);
通过双向测距法测量出标签坐标与所述3个基站坐标的距离值,得到d1,d2,d3;
基于毕达哥拉斯定理,坐标Tn、A0、A1、A2与d1,d2,d3满足以下等式:
(x1-x0)(x1-x0)+(y1-y0)(y1-y0)=d1d1
(x2-x0)(x2-x0)+(y2-y0)(y2-y0)=d2d2
(x3-x0)(x3-x0)+(y3-y0)(y3-y0)=d3d3
其中,根据上述3条等式确定坐标Tn(x0,y0);
判断Tn位置是否存在误差,若存在,则基于加权三边算法,计算出准确的目标节点Tn(x',y'),计算公式如下:
x'=(W1x1+W2x2+W3x3)/(W1+W2+W3)
y'=(W1y1+W2y2+W3x3)/(W1+W2+W3)
其中,Wi为第i个基站的可信度权重,(xi,yi)表示第i个基站的位置,x',y'为输出加权平均后的位置坐标,将所述位置坐标作为目标节点的最终定位结果;
其中,所述基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理中,所述基于卡尔曼滤波器进行预处理具体为:
S21,初始化状态估计方程和协方差矩阵;
S22,通过状态估计方程预测下一时刻的状态;
S23,通过观测方程更新卡尔曼增益;
S24,通过卡尔曼增益和观测值更新状态估计和后验误差协方差矩阵;
S25,重复步骤S22-S24,直到滤波结束;
其中,将所述S1中的行驶速度、角度和位置信息作为卡尔曼滤波器处理的源数据;
其中,所述基于卡尔曼滤波器与线性插值方法,将S1中的行驶速度、角度和位置信息进行数据预处理中,还包括:
将S1中的行驶速度、角度和位置信息进行数据整合得到初始数据;
基于时间维度,判断初始数据是否为连续数据,若出现数据不连续,则判定当前初始数据存在数据丢失;
将数据丢失的时间点标记为t3,对应丢失数据标记为DT3;
获取t3前后两个时间点t1、t2,与所述两个时间点对应的已知数据DT1、DT2;
基于线性插值法预测出时刻t3的数据DT3,计算公式如下,
DT3=DT1+(DT2-DT1)*(t3-t1)/(t2-t1);
基于线性插值法,对初始数据进行计算并填充所有丢失数据值,得到第一预处理数据。
5.根据权利要求4所述的一种基于鸿蒙***的车联网编队***,其特征在于,所述获取至少一台无人驾驶汽车的行驶速度、角度和位置信息,将所述无人驾驶汽车与云服务器进行通信连接,具体为:
基于鸿蒙***的多线程技术,创建四个线程;
第一个线程通过加速度计实时计算获取无人驾驶汽车的速度;
第二个线程通过实时获取陀螺仪监测数据并计算得到无人驾驶汽车的角度;
第三个线程通过UWB定位技术获取汽车的位置信息;
第四个线程通过开启无线通信模块连接云服务器并生成无人驾驶汽车与云服务器的通信连接通道。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括基于鸿蒙***的车联网编队程序,所述基于鸿蒙***的车联网编队程序被处理器执行时,实现如权利要求1至4中任一项所述的基于鸿蒙***的车联网编队方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310730413.4A CN116546067B (zh) | 2023-06-20 | 2023-06-20 | 一种基于鸿蒙***的车联网编队方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310730413.4A CN116546067B (zh) | 2023-06-20 | 2023-06-20 | 一种基于鸿蒙***的车联网编队方法、***及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116546067A CN116546067A (zh) | 2023-08-04 |
CN116546067B true CN116546067B (zh) | 2023-09-08 |
Family
ID=87445505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310730413.4A Active CN116546067B (zh) | 2023-06-20 | 2023-06-20 | 一种基于鸿蒙***的车联网编队方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116546067B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117260379B (zh) * | 2023-11-21 | 2024-02-23 | 靖江市恒友汽车部件制造有限公司 | 一种汽车零件加工直径在线控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109471430A (zh) * | 2018-09-29 | 2019-03-15 | 广东工业大学 | 一种基于rtos的汽车自动行驶模拟***及其方法 |
CN112026786A (zh) * | 2020-09-09 | 2020-12-04 | 深圳技术大学 | 智能车的协同驾驶控制***及多车协同驾驶控制*** |
CN113112840A (zh) * | 2021-03-15 | 2021-07-13 | 上海交通大学 | 一种基于车路协同的无人车超视距导航***及方法 |
CN114852079A (zh) * | 2022-05-10 | 2022-08-05 | 阿波罗智联(北京)科技有限公司 | 行为决策信息生成方法、装置、电子设备以及存储介质 |
CN115112138A (zh) * | 2022-05-10 | 2022-09-27 | 阿波罗智联(北京)科技有限公司 | 轨迹规划信息生成方法、装置、电子设备以及存储介质 |
CN115826583A (zh) * | 2022-12-28 | 2023-03-21 | 北京航空航天大学 | 一种基于点云地图的自动驾驶车辆编队方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210127558A (ko) * | 2020-04-14 | 2021-10-22 | 한국전자통신연구원 | 멀티 에이전트 기반 유무인 협업 시스템 및 방법 |
-
2023
- 2023-06-20 CN CN202310730413.4A patent/CN116546067B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109471430A (zh) * | 2018-09-29 | 2019-03-15 | 广东工业大学 | 一种基于rtos的汽车自动行驶模拟***及其方法 |
CN112026786A (zh) * | 2020-09-09 | 2020-12-04 | 深圳技术大学 | 智能车的协同驾驶控制***及多车协同驾驶控制*** |
CN113112840A (zh) * | 2021-03-15 | 2021-07-13 | 上海交通大学 | 一种基于车路协同的无人车超视距导航***及方法 |
CN114852079A (zh) * | 2022-05-10 | 2022-08-05 | 阿波罗智联(北京)科技有限公司 | 行为决策信息生成方法、装置、电子设备以及存储介质 |
CN115112138A (zh) * | 2022-05-10 | 2022-09-27 | 阿波罗智联(北京)科技有限公司 | 轨迹规划信息生成方法、装置、电子设备以及存储介质 |
CN115826583A (zh) * | 2022-12-28 | 2023-03-21 | 北京航空航天大学 | 一种基于点云地图的自动驾驶车辆编队方法 |
Non-Patent Citations (1)
Title |
---|
智能网联汽车云控***原理及其典型应用;***;李家文;常雪阳;高博麟;许庆;李升波;;汽车安全与节能学报(第03期);第261-275页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116546067A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11113545B2 (en) | Road detection using traffic sign information | |
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
US11460851B2 (en) | Eccentricity image fusion | |
CN108693876A (zh) | 目标跟踪 | |
CN112539755B (zh) | 用于自主车辆的基于admm算法的更新点云配准管线 | |
CN113792566B (zh) | 一种激光点云的处理方法及相关设备 | |
CN110519703A (zh) | 一种矿车无人驾驶*** | |
US20220188695A1 (en) | Autonomous vehicle system for intelligent on-board selection of data for training a remote machine learning model | |
CN110487288A (zh) | 一种行车道路的估计方法以及行车道路估计*** | |
US11453410B2 (en) | Reducing processing requirements for vehicle control | |
CN116546067B (zh) | 一种基于鸿蒙***的车联网编队方法、***及介质 | |
CN113085852A (zh) | 自动驾驶车辆的行为预警方法、装置及云端设备 | |
JP2020193954A (ja) | 位置補正サーバ、位置管理装置、移動体の位置管理システム及び方法、位置情報の補正方法、コンピュータプログラム、車載装置並びに車両 | |
CN109583312A (zh) | 车道线识别方法、装置、设备及存储介质 | |
CN112305499B (zh) | 一种根据光源进行定位的方法及装置 | |
CN110789515B (zh) | 机动车辆中用于硬件验证的***和方法 | |
CN115269371A (zh) | 用于自动驾驶***的路径规划***开发的平台 | |
CN116724214A (zh) | 用于生成用于自主车辆的导航的感兴趣区域的车道级地图的方法和*** | |
CN117387647A (zh) | 融合车载传感器数据与道路传感器数据的道路规划方法 | |
CN108986463A (zh) | 一种路况信息处理方法、装置及电子设备 | |
US20230168368A1 (en) | Guardrail estimation method based on multi-sensor data fusion, and vehicle-mounted device | |
CN116135654A (zh) | 一种车辆行驶速度生成方法以及相关设备 | |
US20230053243A1 (en) | Hybrid Performance Critic for Planning Module's Parameter Tuning in Autonomous Driving Vehicles | |
US11610412B2 (en) | Vehicle neural network training | |
US20240140486A1 (en) | Methods and apparatuses for closed-loop evaluation for autonomous vehicles |
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 |