一种基于大数据平台无人驾驶模型的建立方法及无人驾驶系统与流程

1.本发明涉及一种基于大数据平台无人驾驶模型的建立方法及无人驾驶系统，属于无人驾驶技术领域。


背景技术：

2.目前，随着无人驾驶技术在乘用车上应用的越来越广泛，工程机械车辆对无人驾驶需求也越来越紧迫。一种经济高效的无人驾驶技术也变得越来越重要。工程机械车辆工作环境复杂多变，驾驶模型众多，无人驾驶技术实施起来就会更复杂。
3.现有的驾驶模型有以下缺陷：1、场景单一，传统乘用车主要工作场景是道路，行驶空间场景单一，在自动驾驶过程中，只要对道路车辆、障碍物进行判断即可实现。工程机械车辆工作空间场景比较复杂，在工作场景中，行驶路径不固定，工作介质不同，周围障碍物也千变万化；2、硬件算力要求比较高，传统乘用车自动驾驶主要依赖于车体cpu的算力，再车体进行算法的学习和存储，并通过多线程进行环境感知和车辆控制。
4.3、云平台功能单一，传统乘用车市场主要利用大数据平台进行车辆工况数据采集和分析，功能单一。


技术实现要素：

5.本发明的目的在于克服现有技术中的不足，提供一种基于大数据平台无人驾驶模型的建立方法及无人驾驶系统，可建立海量工作模型，解决环境复杂多变的痛点。
6.为达到上述目的，本发明是采用下述技术方案实现的：第一方面，本发明提供了一种基于大数据平台无人驾驶模型的建立方法，包括以下步骤：对车辆周边环境进行分区，分为左方、右方、前方、后方、上方和下方六个分区，并通过雷达传感器和摄像头传感器建立工作场景模型；把摄像头采集的图像信息通过图像识别技术进行介质识别和判断，进行障碍物距离、体积、高度判断，并匹配最优算法；把所采集的六个方位模型进行交叉变异处理，得到多个不同的融合场景；主要包括主车驾驶室场景、工作部件场景、车辆周边场景；把多个融合场景通过边缘侧自动驾驶算法进行计算分析，在大数据云平台上遍历搜索场景适应度最优模型，并加载到车身存储介质中；根据各个场景的工作模型，从各个场景中筛选融合出全景场景，并建立模型；模型完成后，上传到云平台中。
7.进一步的，通过雷达传感器和摄像头传感器建立工作场景模型的方法包括：基于深度学习的图像分割技术，通过基于神经网络的图像分割方法，达到图像分
割的目的；基于神经网络的计算方法，通过采用多点采样结合多尺度特征融合，以及多个神经元网络的感知，达到物体感知的准确性；基于雷达技术的目标运动模型和跟踪算法，对场景中运动物体进行感知，获取到工作场景中工作介质、运动物体、障碍物、标准标线特征；把摄像头采集的图像信息通过图像识别技术进行介质、标志标线、工作环境等识别和判断，雷达进行障碍物距离、体积、高度判断，并匹配最优算法；进一步的，在大数据平台上遍历搜索场景适应度最优模型，并获取最优自动算法模型的方法包括：通过近似匹配算法，获取近似模型，主要通过近似匹配算法获取公共子图和公共超图的相似程度；通过精确匹配算法从上一步获取的算法中进行模型筛选，筛选出属性一致的算法模型；在获取的多个算法模型中，进行算法融合，生成最优算法。
8.进一步的，所述方法还包括：若当前工作场景与所载入的自动驾驶工作模型场景不匹配时，人工接入操作，人工操作的所带来的新的影响因子在车体存储介质中进行缓存，并根据新的影响因子的重要性，对当前自动驾驶模型进行更新，建立新的自动驾驶模型，并上传到大数据平台。
9.进一步的，云平台的构建方法包括：车体通过无线通信技术传输到大数据库中的自动驾驶模型，进行大数据模型建立。并从旧有数据中挖掘新的数据模型，并将各类数据模型进行融合，生成新的数据模型。
10.根据影响因子对大数据模型进行分类，所述影响因子包括车辆类型、工作环境、车辆部件、道路车辆、非道路车辆，进行金字塔式对所有大数据模型进行分类，形成大数据模型数据库。
11.进一步的，所述大数据模型数据库分为道路车辆和非道路车辆。
12.每个模型数据库分为自动避障模块、介质识别模块、路径规划模块、车辆控制模块、工况分析模块和人工智能模块；自动避障模块在道路车辆应用中，主要对道路行驶车辆、道路行人、道路障碍物等进行避障。在非道路车辆中，除了对施工场景中车辆、人员、障碍物进行躲避之外，还要能够识别施工场景下车辆上方障碍物、沟壑、工地标识物进行避障。
13.介质识别模块在道路车辆应用中，主要对道路行驶标牌、地标线、红绿灯进行识别，而在非道路车辆中，还要要对施工场景中工作介质、工作标识、工作车辆、工作环境进行识别。
14.车辆控制模块在道路车辆应用中，主要对车辆进行紧急制动、自动避障、自动行驶、速度切换功能，在非道路车辆中还要对起重机力臂、打桩机钻头等工作结构进行控制。
15.路径规划模块可以对通过事先环境建模进行路径绘制或者通过摄像头和传感器自动建立路径模型，在规定路径上进行工作。
16.工况分析模块主要是对车辆的油温、油压、液压、发动机、制动等参数进行监控，通过这些数据实时分析车辆工作状况，从而控制车辆健康工作。
17.人工智能模块主要是对采集的众多模型进行拆分分析，提取自动驾驶过程中的影响因子，自动组建新的模型，并能够通过车辆上传工作环境模型自动匹配最优自动驾驶模型，训练出更优质更合理的自动驾驶模型。
18.第二方面，本发明提供一种车辆无人驾驶系统，包括相连接的云平台、车体控制系统和车体传感系统；车体控制系统通过车体传感系统获取场景空间信息，并将场景空间信息上传至云平台；云平台根据场景空间信息进行处理搜索，匹配到最合适的驾驶模型并下发至车体控制系统；车体控制系统加载该驾驶模型并根据该驾驶模型控制底层驾驶系统进行自动驾驶。
19.如果当前工作场景与所载入的自动驾驶工作模型场景不匹配时，人工接入操作，人工操作的所带来的新的影响因子在车体存储介质中进行缓存，并根据新的影响因子的重要性，对当前自动驾驶模型进行更新，建立新的自动驾驶模型，并上传到大数据平台。
20.进一步的，车体传感系统包括安装在车辆上的雷达传感器和摄像头传感器；所述车体传感系统通过can总线与车辆控制系统与发动机控制器系统等车辆部件进行数据交互，并且通过车身摄像头、雷达系统，获得空间场景的场景空间数据，并将所述场景空间数据传输给所述车体控制系统；所述车体控制系统从场景空间数据中提取自动驾驶模型因子，自动驾驶模型因子包括施工现场介质、车速、位置、障碍物、发动机转速，并根据这些因子的约束力和自由组合技术，建立最优自动驾驶算法。
21.进一步的，匹配到最合适的驾驶模型的方法包括：车辆在启动后，车体控制系统根据车体传感系统采集的当前工作空间场景和当前影响因子，在大数据平台中进行遍历搜索，获取初始自动驾驶模型。
22.若当前工作场景与所载入的自动驾驶工作模型场景不匹配时，人工接入操作，人工操作的所带来的新的影响因子在车体存储介质中进行缓存，并根据新的影响因子的重要性，对当前自动驾驶模型进行更新，建立新的自动驾驶模型，并上传到大数据平台。
23.与现有技术相比，本发明所达到的有益效果：1、本技术通过ai识别技术、边缘计算技术、大数据云平台、云计算等技术手段建立海量工作模型，解决环境复杂多变的痛点；2、本技术通过大数据平台和车体相结合的方式，减小了对车体硬件依赖性过高的痛点，大大减少了硬件成本和开发难度；3、本技术在采集工况数据的同时，充分利用了大数据分析、云计算、设备画像和云计算的技术，通过多场景下生成的智能驾驶模型进行拆分和组合，通过车辆对当前工况的工作场景在数据库中进行遍历搜索，找到适合的自动驾驶模型，从而让车辆在最优工作模型下进行工作。
附图说明
24.图1是自动驾驶模型端云训练方法流程图；图2是云平台模型结构图；
图3是自动驾驶模型端云训练方法流程图。
具体实施方式
25.下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
26.实施例一：本发明主要用于工程机械车辆，在工程机械车辆在复杂的工作场景下进行不断的学习和模型构建，建立一个完备的无人驾驶数据库。主包括：边缘侧训练方法，如图1首先对车辆周边环境进行分区，主要分为左方、右方、前方、后方、上方和下方六个分区，并通过雷达传感器和摄像头传感器建立工作场景模型；把摄像头采集的图像信息通过图像识别技术进行介质识别和判断，雷达进行障碍物距离、体积、高度等信息判断，并匹配最优算法；把所采集的六个方位模型进行交叉变异处理，得到多个不同的融合场景。主要包括主车驾驶室场景、工作部件场景、车辆周边场景等；把多个融合场景通过边缘侧自动驾驶算法进行计算分析，在平台上遍历搜索场景适应度最优模型，并加载到车身存储介质中；根据各个场景的工作模型，从各个场景中筛选融合出全景场景，并建立模型。模型完成后，上传到云平台中；大数据建模技术图2，通过车体通过无线通信技术传输到大数据库中的自动驾驶模型，进行大数据模型建立。并从旧有数据中挖掘新的数据模型，并将各类数据模型进行融合，生成新的数据模型。对大数据模型进行分类，可根据车辆类型、工作环境、车辆部件、道路车辆、非道路车辆等影响因子进行分类，尽量进行金字塔式对所有大数据模型进行分类，这样可以再数据模型模型遍历搜索时更快捷、更方便。
27.针对大数据模型数据库来说，主要分为道路车辆和非道路车辆。每个模型下面又分为自动避障模块、介质识别模块、路径规划模块、车辆控制模块、工况分析模块和人工智能模块六个模块。
28.自动避障模块在道路车辆应用中，主要对道路行驶车辆、道路行人、道路障碍物等进行避障。在非道路车辆中，除了对施工场景中车辆、人员、障碍物进行躲避之外，还要能够识别施工场景下车辆上方障碍物、沟壑、工地标识物进行避障。
29.介质识别模块在道路车辆应用中，主要对道路行驶标牌、地标线、红绿灯进行识别，而在非道路车辆中，还要对施工场景中工作介质、工作标识、工作车辆、工作环境进行识别。
30.车辆控制模块在道路车辆应用中，主要对车辆进行紧急制动、自动避障、自动行驶、速度切换功能，在非道路车辆中还要对起重机力臂、打桩机钻头等工作结构进行控制。
31.路径规划模块可以对通过事先环境建模进行路径绘制或者通过摄像头和传感器自动建立路径模型，在规定路径上进行工作。
32.工况分析主要是对车辆的油温、油压、液压、发动机、制动等参数进行监控，通过这些数据实时分析车辆工作状况，从而控制车辆健康工作。
33.人工智能模块主要是对采集的众多模型进行拆分分析，提取自动驾驶过程中的影
响因子，自动组建新的模型，并能够通过车辆上传工作环境模型自动匹配最优自动驾驶模型，训练出更优质更合理的自动驾驶模型。
34.通过can总线与车辆控制系统与发动机控制器系统等车辆部件进行数据交互，并且通过车身摄像头、雷达系统，获得空间场景的场景空间数据，并从场景空间数据中提取自动驾驶模型因子，这些因子包括施工现场介质、车速、位置、障碍物、发动机转速等，并根据这些因子的约束力和自由组合技术，建立最优自动驾驶算法。
35.车辆在启动后，车体控制系统充分利用5g低时延、高带宽技术，根据当前工作空间场景和当前影响因子，在大数据平台中进行遍历搜索，获取初始自动驾驶模型。若当前工作场景与所载入的自动驾驶工作模型场景不匹配时，人工接入操作，人工操作的所带来的新的影响因子在车体存储介质中进行缓存，并根据新的影响因子的重要性，对当前自动驾驶模型进行更新，建立新的自动驾驶模型，并上传到大数据平台。
36.本发明的关键点1）自动驾驶模型建立时，要对众多影响因子进行算法建立和重要性进行分析，算法要实时进行学习。
37.算法学习主要通过边缘端进行分析，主要对不同工程车辆工作特点的分析，比如矿车进行装卸货时，如果固有算法中未识别到矿这种介质，就要判定这个影响因子是重要的，要重新学习。
38.2）大数据建模时，要对海量的自动驾驶模型进行分类，可以根据众多的影响影响因子进行分类，能够根据车辆启动时第一时间获取的影响因子第一时间能够获取到最相近的自动驾驶模型。
39.3）根据新的工作空间场景，相应的自动驾驶模型进行学习和更新，使自动驾驶模型更加完善。
40.4）车辆对新的工作空间场景不识别时，需要人工介入，当人工介入时，要充分利用本地存储介质和核心算力对当前数据进行进行计算、学习和存储。
41.本实施例提供一种自动驾驶系统，包括云平台-车体控制系统-车体传感系统车体控制系统通过车体传感系统获取场景控制信息，并将场景空间信息上传至云平台；云平台根据场景空间信息进行处理搜索，找到最合适的驾驶模型并下发至车体控制系统；车体控制系统加载该驾驶模型并根据该驾驶模型控制底层驾驶系统进行自动驾驶，如果当前工作场景与所载入的自动驾驶工作模型场景不匹配时，人工接入操作，人工操作的所带来的新的影响因子在车体存储介质中进行缓存，并根据新的影响因子的重要性，对当前自动驾驶模型进行更新，建立新的自动驾驶模型，并上传到大数据平台。
42.如图3所示，自动驾驶模型端云训练方法如图所示：通过传感器和摄像头参数进行当前环境学习和模型训练，并建立多个并行自动驾驶模型；把训练完成的多个并行自动驾驶模型进行融合，融合成一个当前环境模型，并上传至云平台，建立自动驾驶数据库；该数据库内存储车辆工作状态和音视频数据模型；
车辆工作时，根据环境感知和ai识别技术，对数据库自动驾驶模型进行匹配，匹配最近的自动驾驶模型，并加载到边缘端；在新的工作环境下，在边缘端进行新的驾驶参数计算，并更新当前自动驾驶模型，并把新的自动驾驶模型上传数据库；在大数据库中对海量大数据进行学习和自由组合，分裂出更多的自动驾驶模型。
43.实施例二：本实施例提供一种车辆无人驾驶系统，包括相连接的云平台、车体控制系统和车体传感系统；车体控制系统通过车体传感系统获取场景控制信息，并将场景空间信息上传至云平台；云平台根据场景空间信息进行处理搜索，找到最合适的驾驶模型并下发至车体控制系统；车体控制系统加载该驾驶模型并根据该驾驶模型控制底层驾驶系统进行自动驾驶，如果当前工作场景与所载入的自动驾驶工作模型场景不匹配时，人工接入操作，人工操作的所带来的新的影响因子在端侧存储介质中进行缓存，并根据新的影响因子的重要性，对当前自动驾驶模型进行更新，建立新的自动驾驶模型，并上传到大数据平台。
44.车体传感系统包括安装在车辆上的雷达传感器和摄像头传感器；所述车体传感系统通过can总线与车辆控制系统与发动机控制器系统等车辆部件进行数据交互，并且通过车身摄像头、雷达系统，获得空间场景的场景空间数据，并将所述场景空间数据传输给所述车体控制系统；所述车体控制系统从场景空间数据中提取自动驾驶模型因子，自动驾驶模型因子包括施工现场介质、车速、位置、障碍物、发动机转速，并根据这些因子的约束力和自由组合技术，建立最优自动驾驶算法。
45.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
46.本技术是参照根据本技术实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
47.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
48.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计
算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
49.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。