本发明涉及一种立体车库控制系统。
背景技术：
在立体车库路径规划控制方面，传统的方式主要在于遍历可能路径，基于CPU的特性，遍历的方式耗时较长，而且一旦计算过于复杂则极容易造成系统卡死，需要在工程中使用大量其他手段解决，研发成本高。
基于神经网络算法及实现的发展，目前深度学习用于规划求解问题的应用剧增，通过神经网络模型解决立体车库路径规划问题在实验室中证明可行，但实践中，由于神经网络模型涉及大量神经元的计算，一般是采用GPU专门处理，成本较高，资源利用率低。
技术实现要素：
为解决上述技术问题，本发明提供了一种立体车库控制系统，该立体车库控制系统通过将控制器视为神经网络模型中的节点，有效利用现场资源，能极大降低成本。
本发明通过以下技术方案得以实现。
本发明提供的一种立体车库控制系统，包括现场主机、内部路由器、控制器、执行机构；所述内部路由器为多个构成内部路由组，现场主机通信连接至内部路由组，内部路由器接有多个控制器，控制器连接控制执行机构，执行机构控制立体车库中单个车位移动，每一内部路由器连接的多个控制器构成控制器组；所述现场主机对于接收的每一车位移动规划请求，通过内部路由器通信将控制器视为神经网络模型中的节点，进行单层神经网络模型判别，并通过控制器执行判别结果。
所述控制器中承担1～4个神经网络模型节点的计算。
所述现场主机还连接近端服务器，近端服务器向外提供web服务。
所述现场主机接收近端服务器发送的车位移动规划请求。
所述现场主机和近端服务器之间通信直连。
所述远端主机通过网际网络连接近端服务器进行管理。
每一控制器组中的控制器所承担神经网络模型节点的计算数量相同。
所述控制器为STM32F4系列单片机。
本发明的有益效果在于：通过将控制器视为神经网络模型中的节点，有效利用现场资源，能极大降低成本，提高资源利用率，而且为神经网络模型的实际应用方式提供全新思路。
附图说明
图1是本发明的连接示意图。
图中：101-现场主机，102-近端服务器，103-远端主机，20-内部路由组，201-内部路由器，30-控制器组，301-控制器，302-执行机构。
具体实施方式
下面进一步描述本发明的技术方案，但要求保护的范围并不局限于所述。
如图1所示的一种立体车库控制系统，包括现场主机101、内部路由器201、控制器301、执行机构302；所述内部路由器201为多个构成内部路由组20，现场主机101通信连接至内部路由组20，内部路由器201接有多个控制器301，控制器301连接控制执行机构302，执行机构302控制立体车库中单个车位移动，每一内部路由器201连接的多个控制器301构成控制器组30；所述现场主机101对于接收的每一车位移动规划请求，通过内部路由器201通信将控制器301视为神经网络模型中的节点，进行单层神经网络模型判别，并通过控制器301执行判别结果。
所述控制器301中承担1～4个神经网络模型节点的计算。
所述现场主机101还连接近端服务器102，近端服务器102向外提供web服务。
所述现场主机101接收近端服务器102发送的车位移动规划请求。
所述现场主机101和近端服务器102之间通信直连。
所述远端主机103通过网际网络连接近端服务器102进行管理。
每一控制器组30中的控制器301所承担神经网络模型节点的计算数量相同。
所述控制器301为STM32F4系列单片机。
一般而言，神经网络模型中的单个节点进行的都是较为简单的计算，计算量小，而在对每一车位设置独立控制器301的方案中，为了保证系统稳定，控制器301的性能一般都有冗余，并且从常用的STM32F1系列单片机改为使用STM32F4系列单片机，成本增加不足20％，性能提升可超过80％，因此通过将控制器301视为神经网络节点，有效利用控制器301的性能冗余，性价比极高。