一种基于物联网的车辆行驶控制方法技术

本发明专利技术公开了一种基于物联网的车辆行驶控制方法，包括：步骤一、利用导航设备规划汽车行驶路线；步骤二、实时检测并读取车辆的行驶状态数据，根据车辆在(ti‑t0)～ti时段内关于路况指数的向量群，预测(ti)～(ti+t0)时段内关于路况指数的预测向量群；其中，路况指数预测向量群包括：预测通行系数，预测转弯概率和预测速度指数，将所述预测通行系数Yt，预测转弯概率Yp和预测速度指数Ys、下一时段的行驶距离Sλ+1、车辆的行驶速度vi和行驶加速度ai输入神经网络控制器，得到关于车辆行驶控制策略的向量群，能够根据当前时段的交通状况预测下一时段的交通状况，并将交通状况参数输入神经网络控制器得到下一时段的车辆控制策略，实现自动安全驾驶。

A Vehicle Driving Control Method Based on Internet of Things

【技术实现步骤摘要】
一种基于物联网的车辆行驶控制方法
本专利技术涉及车辆行驶控制领域，尤其涉及一种基于物联网的车辆行驶控制方法。
技术介绍
随着计算机技术和人工智能技术的飞速发展，智能机器人技术已经成为了国内外众多学者研究的热点。其中，服务型机器人开辟了机器人应用的新领域，人类想摆脱重复的劳动。目前的快件需要人工派送，人工需求大，效率低，故人工派送被智能化的无人驾驶自动派送所代替势不可挡。为了更方便的区分和定义自动驾驶技术，自动驾驶的研究就成了一件大事。
技术实现思路
本专利技术设计开发了一种基于物联网的车辆行驶控制方法，能够根据当前时段的交通状况预测下一时段的交通状况，并将交通状况参数输入神经网络控制器得到下一时段的车辆控制策略，实现自动安全驾驶。本专利技术提供的技术方案为：一种基于物联网的车辆行驶控制方法，包括：步骤一、利用导航设备规划汽车行驶路线；步骤二、实时检测并读取车辆的行驶状态数据，所述行驶状态包括车辆的行驶速度vi、行驶加速度ai、车辆转向角βi，车体侧倾角δi，车体与左边线的距离Ll，车辆与右边线的距离Lr；步骤三、根据所述行驶状态数据和交通路况信息，计算车辆在(ti-t0)～ti时段内关于路况指数的实测向量群；其中，所述路况指数的实测向量群包括：实测通行系数St，实测转弯概率Sp和实测速度指数Ss，ti为当前时刻，t0为时间间隔；步骤四、根据车辆在(ti-t0)～ti时段内关于路况指数的向量群，预测(ti)～(ti+t0)时段内关于路况指数的预测向量群；其中，所述路况指数预测向量群包括：预测通行系数，预测转弯概率和预测速度指数；步骤五、根据车辆在(ti-t0)～ti时段内的行驶距离Sλ，预测车辆下一时段(ti)～(ti+t0)的行驶距离Sλ+1；步骤六、将所述预测通行系数Yt，预测转弯概率Yp和预测速度指数Ys、下一时段的行驶距离Sλ+1、车辆的行驶速度vi和行驶加速度ai输入神经网络控制器，得到关于车辆行驶控制策略的向量群。优选的是，所述实测通行系数计算公式为：所述实测转弯概率计算公式为：所述实测速度指数计算公式为：优选的是，所述预测通行系数计算公式为：其中，为平均通行系数；所述预测转弯概率计算公式为：其中，为平均转弯概率；所述预测速度指数计算公式为：其中，为平均速度指数。优选的是，所述下一时段行驶距离预测公式为：其中，为平均行驶距离。优选的是，所述神经网络控制器的计算过程为：步骤1、依次将参数预测通行系数，预测转弯概率和预测速度指数和下一时段的行驶距离进行规格化；步骤2、确定三层BP神经网络的输入层神经元向量x＝{x1，x2，x3，x4，x5，x6}，其中，x1为预测通行系数，x2为预测转弯概率系数，x3为预测速度指数、x4为下一时段的行驶距离系数、x5为车辆的行驶速度系数，x6为车辆行驶加速度系数步骤3、所述输入层向量映射到隐层，所述隐层向量y＝{y1，y2，…，ym}，m为隐层节点个数；步骤4、得到输出层神经元向量o＝{o1，o2，o3，o4}；其中，o1为下一时段速度控制系数，o2为下一时段加速度控制系数，o3为下一时段转角控制系数，o4为下一时段紧急制动系数；步骤5、控制器输出下一时段控制策略关系式。优选的是，所述隐层节点个数m满足：其中n为输入层节点个数，p为输出层节点个数。优选的是，所述预测通行系数Yt，预测转弯概率Yp、预测速度指数Ys、行驶距离Sλ+1、车辆的行驶速度vi和行驶加速度ai的规格化公式为：其中，xj为输入层向量中的参数，Xj分别为测量参数Yt、Yp、Ys、Sλ+1、vi、ai，j＝1，2，3，4，5，6；Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。优选的是，所述控制器输出下一时段的车辆控制策略关系式为：其中，vi+1为ti～(ti+t0)时段车辆的行驶速度，ai+1为ti～(ti+t0)时段车辆的行驶加速度，βi+1为ti～(ti+t0)时段车辆转角，Pi+1为ti～(ti+t0)时段车辆的制动指令。优选的是，所述输出层o4的神经元值为0或1，当o4为1时，此时车辆制动，当o4为0时不进行制动。优选的是，所述隐层及所述输出层的激励函数均采用S型函数fj(x)＝1/(1+e-x)。本专利技术所述的有益效果本专利技术设计开发了一种基于物联网的车辆行驶控制方法，能够根据当前时段的交通状况预测下一时段的交通状况，并将交通状况参数输入神经网络控制器得到下一时段的车辆控制策略，实现自动安全驾驶。本专利技术采用神经网络算法给出车辆行驶控制策略，具有自学习和预测功能，使其具有良好的实用性和调整的准确性，有效提高了自动驾驶的安全性。具体实施方式下面对本专利技术做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。本专利技术提供的一种基于物联网的车辆行驶控制方法，包括：步骤110、利用导航设备规划汽车行驶路线；步骤120、实时检测并读取车辆的行驶状态数据，所述行驶状态包括车辆的行驶速度vi、行驶加速度ai、车辆转向角βi，车体侧倾角δi，车体与左边线的距离Ll，车辆与右边线的距离Lr；步骤130、根据所述行驶状态数据和交通路况信息，计算车辆在(ti-t0)～ti时段内关于路况指数的实测向量群；其中，实测通行系数计算公式为：实测转弯概率计算公式为：实测速度指数计算公式为：其中，所述路况指数的实测向量群包括：实测通行系数St，实测转弯概率Sp和实测速度指数Ss，ti为当前时刻，t0为时间间隔；步骤140、根据车辆在(ti-t0)～ti时段内关于路况指数的向量群，预测(ti)～(ti+t0)时段内关于路况指数的预测向量群；其路况指数预测向量群包括：预测通行系数，预测转弯概率和预测速度指数；预测通行系数计算公式为：其中，为平均通行系数；所述预测转弯概率计算公式为：其中，为平均转弯概率；所述预测速度指数计算公式为：其中，为平均速度指数步骤150、根据车辆在(ti-t0)～ti时段内的行驶距离Sλ，预测车辆下一时段(ti)～(ti+t0)的行驶距离Sλ+1；下一时段行驶距离预测公式为：其中，为平均行驶距离。步骤160、将所述预测通行系数Yt，预测转弯概率Yp、预测速度指数Ys、下一时段的行驶距离Sλ+1、车辆的行驶速度vi和行驶加速度ai输入神经网络控制器，得到关于车辆行驶控制策略的向量群，包括：建立BP神经网络模型。BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即oi＝xi。中间隐含层和输出层的神经元的操作特性为opj＝fj(netpj)其中p表示当前的输入样本，ωji为从神经元i到神经元j的连接权值，opi为神经元j的当前输入，opj为其输出；fj为非线性可微非递减函数，一般取为S型函数，即fj(x)＝1/(1+e-x)。本专利技术采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，其中，m为中间层节点个数，n为输入层节点个数，p为输出层节点个数；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。该网络的数学模型为：输入层向量：x＝(x1，x2，…，xn)T中间层向量：y＝(y1，y2，…，ym)T输出层向量：z＝(z1，z本文档来自技高网...

【技术保护点】
1.一种基于物联网的车辆行驶控制方法，其特征在于，包括：步骤一、利用导航设备规划汽车行驶路线；步骤二、实时检测并读取车辆的行驶状态数据，所述行驶状态包括车辆的行驶速度vi、行驶加速度ai、车辆转向角βi，车体侧倾角δi，车体与左边线的距离Ll，车辆与右边线的距离Lr；步骤三、根据所述行驶状态数据和交通路况信息，计算车辆在(ti‑t0)～ti时段内关于路况指数的实测向量群；其中，所述路况指数的实测向量群包括：实测通行系数St，实测转弯概率Sp和实测速度指数Ss，ti为当前时刻，t0为时间间隔；步骤四、根据车辆在(ti‑t0)～ti时段内关于路况指数的向量群，预测(ti)～(ti+t0)时段内关于路况指数的预测向量群；其中，所述路况指数预测向量群包括：预测通行系数，预测转弯概率和预测速度指数；步骤五、根据车辆在(ti‑t0)～ti时段内的行驶距离Sλ，预测车辆下一时段(ti)～(ti+t0)的行驶距离Sλ+1；步骤六、将所述预测通行系数Yt，预测转弯概率Yp和预测速度指数Ys、下一时段的行驶距离Sλ+1、车辆的行驶速度vi和行驶加速度ai输入神经网络控制器，得到关于车辆行驶控制策略的向量群。...

【技术特征摘要】
1.一种基于物联网的车辆行驶控制方法，其特征在于，包括：步骤一、利用导航设备规划汽车行驶路线；步骤二、实时检测并读取车辆的行驶状态数据，所述行驶状态包括车辆的行驶速度vi、行驶加速度ai、车辆转向角βi，车体侧倾角δi，车体与左边线的距离Ll，车辆与右边线的距离Lr；步骤三、根据所述行驶状态数据和交通路况信息，计算车辆在(ti-t0)～ti时段内关于路况指数的实测向量群；其中，所述路况指数的实测向量群包括：实测通行系数St，实测转弯概率Sp和实测速度指数Ss，ti为当前时刻，t0为时间间隔；步骤四、根据车辆在(ti-t0)～ti时段内关于路况指数的向量群，预测(ti)～(ti+t0)时段内关于路况指数的预测向量群；其中，所述路况指数预测向量群包括：预测通行系数，预测转弯概率和预测速度指数；步骤五、根据车辆在(ti-t0)～ti时段内的行驶距离Sλ，预测车辆下一时段(ti)～(ti+t0)的行驶距离Sλ+1；步骤六、将所述预测通行系数Yt，预测转弯概率Yp和预测速度指数Ys、下一时段的行驶距离Sλ+1、车辆的行驶速度vi和行驶加速度ai输入神经网络控制器，得到关于车辆行驶控制策略的向量群。2.根据权利要求1所述的基于物联网的车辆行驶控制方法，其特征在于，所述实测通行系数计算公式为：所述实测转弯概率计算公式为：所述实测速度指数计算公式为：3.根据权利要求1或2所述的基于物联网的车辆行驶控制方法，其特征在于，所述：预测通行系数计算公式为：其中，为平均通行系数；所述预测转弯概率计算公式为：其中，为平均转弯概率；所述预测速度指数计算公式为：其中，为平均速度指数。4.根据权利要求3所述的基于物联网的车辆行驶控制方法，其特征在于，所述下一时段行驶距离预测公式为：其中，为平均行驶距离。5.根据权利要求4所述的基于物联网的车辆行驶控制方法，其特征在于，所述神经网络控制器的计算过程为：步骤1、依次将参数预测通行系数，预测转弯概率和预测速度指数和下一时段的行驶距离进行规...

【专利技术属性】
技术研发人员：李锐，孙福明，李刚，
申请(专利权)人：辽宁工业大学，
类型：发明
国别省市：辽宁,21