[发明专利]一种基于端边云架构的无人驾驶矿车云智能调度方法

摘要

本发明公开了一种基于端边云架构的无人驾驶矿车云智能调度方法，无人驾驶矿车云智能调度系统主要由监控应急系统、智能停车场系统、无人驾驶矿车、云智能调度平台四个子系统构成；本发明提出的一种基于端边云架构的无人驾驶矿车云智能调度方法，设定了无人驾驶汽车新的应用场景和实施办法，为无人驾驶矿车调度提供了新思路新方法，可以有效减少企业的运营成本；可以有效避免在无任务情况下无人驾驶矿车仍在矿区占用路面资源，提高总体运输效率。

主权项

1.一种基于端边云架构的无人驾驶矿车云智能调度方法，其特征在于，所述方法采用基于端边云架构的无人驾驶矿车云智能调度实现，所述基于端边云架构的无人驾驶矿车云智能调度系统包括：监控应急系统、智能停车场系统、无人驾驶矿车、云智能调度平台；监控应急系统，是加载在无人驾驶矿车的系统，包括了监测模块和紧急管理模块两个模块；所述监测模块用于监测矿车任务完成情况，监测模块包括无人驾驶矿车车载的视频传感器传回的现场任务情况和矿区安装的监控传回的视频；所述紧急管理模块用于当自动驾驶矿车出现紧急问题，管理人员通过该模块对矿车进行控制，强制其停止任务，防止安全事故的发生；智能停车场系统，是为了实现无人驾驶矿车自助泊车而设置的系统，智能停车场系统实时在线发布剩余车位信息，与无人驾驶矿车进行信息交互，从而辅助车辆快速入库；智能停车场系统包括地磁感应器、无线通讯模块、实时信息管理与发布模块；无人驾驶矿车，包括通讯模块、环境感知模块、规划与决策模块、定位模块、自助泊车模块、控制模块；所述通讯模块用于接收云智能调度平台发送的控制指令，同时将无人驾驶矿车的决策信息及实时运行状况回传至云智能调度平台，包括矿车所处地理位置、速度、规划运行路线；环境感知模块通过传感器、视频等设备采集无人驾驶矿车所处矿区环境，获取可行驶路况信息，用于可通行路面识别、障碍物识别等，为无人驾驶矿车运行控制提供依据；定位模块用于获取无人驾驶矿车的地理位置信息；自助泊车模块即在无人驾驶矿车装载任务结束且无新任务接入时，完成无人驾驶矿车停车区域可停车位搜寻与自动倒车入库两大关键任务，以矿车当前地理位置和周围的环境参数为基点，搜寻距离矿车当前位置较近的停车区域，获取其剩余停车位数量信息，再根据特定的停车算法获得正确的泊车策略和泊车路径；通过车身的环境感知模块检测出泊车位信息，通过自动驾驶系统将车辆自动停泊入位；控制装置根据道路信息、位置信息和控制指令对无人驾驶矿车进行控制，完成无人驾驶矿车运行需求；云智能调度平台接收挖机装载任务信息、无人驾驶矿车实时位置及速度信息，云智能调度平台分析任务需求和任务位置点信息，综合考虑运输效率、任务等级重要性、车辆装载量等因素，生成车辆调度指令，并下达给无人驾驶矿车；所述云智能调度平台包括如下模块：矿区工作任务上传模块，所述矿区工作任务上传模块接收管理人员上传矿区工作任务至云智能调度平台，其中工作任务的信息包括：装载区编号、装载量大小、开始装载时间；云智能调度平台收集任务订单并更新无人驾驶矿车当前的运行/等待状态；计算模块，云智能调度平台的计算模块含有矿区的地图文件，通过分析任务需求中的装载区地理位置和所需装载量大小来寻找其周围适配的矿车；云智能调度平台寻找的矿车不仅是处于矿区停车场的静态等待车辆，也包括处于工作状态中的有装载余量的无人驾驶矿车；若能够匹配到处于工作状态且有装载余量的无人驾驶矿车，则优先选择该车辆；若在规定的时间内未搜寻到符合条件的在途车辆，则寻找静态等待车辆；计算模块完成多目标多无人驾驶矿车的调度模型建立以及算法求解；所述方法包括如下步骤：S001 多目标多无人驾驶矿车调度模型建立将装载任务需求匹配到矿区地图并标记为节点，无人驾驶矿的行驶路径设定为路径上各节点的连线；调度系统中无人驾驶矿车的数量是确定的，且运行过程中以恒定速度行驶，当有新任务接入时系统刷新一次，在初始分配方案基础上执行一次匹配，若能寻找到有装载余量的在途无人驾驶矿车，则优先安排该矿车，否则安排新一辆矿车；S002 对提出的多目标多无人驾驶矿车调度模型进行求解，选用粒子群算法找到较优解；在d维空间中，有n个粒子，其中粒子i的位置X_i＝(x_i1，x_i2，...，x_id)，速度为V_i＝(v_i1，w_i2，...，v_id)；粒子i所搜寻到的最好位置Pbest_id＝(pbest_i1，pbest_i2，...，pbest_id)，种群所经历的最好的位置Gbest_id＝(gbest_i1，gbest_i2，...，gbest_id)；第i个粒子在第k次迭代第d维速度和位置的更新公式为：式中：w是惯性权重；c₁和c₂为学习因子；r₁和r₂为(0，1)之间均匀分布的随机数；第d维的位置变化范围为[‑XMax_d，XMax_a]，速度变化范围为[‑VMaxX_d，VMaxX_d]；对于每个粒子，将其当前的fitness value与历史最佳的位置(Pbest)所对应的fitness value做比较；若当前的fitness value更高，则将当前的位置更新Pbest；对于每个粒子，将其当前的fitness value与群体历史最佳的位置(Gbest)所对应的fitness value做比较；若当前的fitness value更高，则将当前的位置更新Gbest；基于端边云架构的无人驾驶矿车云智能调度模型的目标函数有2个，由于量纲不同，将其归一化转化为但目标求解，得到的fitness函数表达式如下：式中N₁、N₂是为了消除量纲不同人为选取的权重系数；粒子群算法参数主要包括惯性权重、学习因子、种群大小、迭代次数、惩罚系数；惯性权重的取值一般为0.2≤w≤1，通常在[0.4，0.9]之间效果较好，经过多次实验，本文将惯性权重值w设置为0.8，种群大小设置为50；模型的约束条件在粒子编码过程中得到满足；采用2×M维向量表示无人驾驶矿车的分配问题，M是将每个装载区根据装载量划分的子任务总数量，粒子的第一维表示装载区的任务分配和运输顺序，第二维表示每个子任务对应的卸货区；第一维任务分配和运输顺序采用轮盘赌策略生成，顺序以数值从大到小进行排列；第二维为卸货区的随机排列；S003 云智能调度平台匹配好矿区装卸区任务点与无人驾驶矿车后，下达调度指令给车辆，车辆启动并开始执行任务，在此过程中，无人驾驶矿车的监控应急系统启动，管理人员可查看车辆实时工作状况；S004 在无人驾驶矿车工作过程中，其行驶路线和行驶状态都由云智能调度平台掌握，当有新任务需求接入时，云智能调度平台判断是否有符合要求的车辆。若有，则将新任务派送给该辆无人驾驶矿车，重复步骤S003，依次完成任务；若无，该车辆完成原任务后，无人驾驶矿车的自助泊车模块启动。基于当前车辆地理位置与矿区的智能停车场系统进行交互，获取停车区地点及停车位数量，根据最佳停车路径算法确定停车路线，从而控制无人驾驶矿车前往停车点并倒车入库；S005 无人驾驶矿车倒车入库后进行等待模式，向云智能调度平台发送最终位置信息并更新车辆状态。