通过模式识别进行的车辆和操作者引导的制作方法
【专利说明】通过模式识别进行的车辆和操作者引导
[0001]相关申请
[0002]本申请要求2013年04月12日提交的美国专利申请S/N.61/811，264的优先权与权益，其全部内容通过引用结合于此。
技术领域
[0003]通过识别车辆、车辆组件和/或操作者的重复模式，可改善车辆生产力及操作者舒适度。当识别出一种模式时，可采取主动和/或被动的行为以改善生产力和舒适度。
【背景技术】
[0004]某些车辆可在典型的工作循环中以重复的模式运行。例如，车辆操作者可使用车辆来执行相同的行为或运动或沿着相同的路径反复行驶。诸如轮式装载车，叉车之类的车辆是以这种方式运行的非公路车辆的典型示例。可意识到车辆在这些循环中执行相同的行为，而车辆的组件和操作者可能也是如此。如果可以识别这些模式并且然后在车辆控制中实现这些模式使得控制被预先考虑，则将增加车辆和操作者的效率和生产力。
【发明内容】
[0005]—种通过模式识别进行的车辆和操作者引导的方法开始于通过传感器采集车辆和操作者模式的数据。所采集的数据利用模式识别算法来组合和分析。所组合和分析的数据与模式数据库中的模式相比较。如果该数据与模式数据库中的模式相匹配，则可选择该模式。如果该数据与模式数据库中的模式不匹配，则创建并选择新的模式。基于所选择的模式，作出确定来被动地辅助操作者、主动地辅助操作者，或者被动且主动地辅助操作者。然后实施所确定的行动。
【附图说明】
[0006]现在将参考附图通过示例的方式描述本公开的示例性实施例，其中:
[0007]图1示意性地示出轮式装载车的短Y-循环的一个实施例；
[0008]图2示意性地示出轮式装载车的土堆挖掘循环的一个实施例；
[0009]图3示意性地示出叉车工作循环的一个实施例；
[0010]图4是示意性地示出通过模式识别进行的车辆和操作者引导的步骤的一个实施例的流程图；以及
[0011]图5示意性地示出根据图4的装备有多种传感器的车辆的一个实施例。
【具体实施方式】
[0012]如果识别出操作者和/或车辆的重复模式或运动，则可改善操作者舒适度和车辆生产力。例如，如果车辆控制参数可适用于识别重复的模式或运动，则可改善操作者舒适度和/或车辆生产力。可有利地适用于重复模式或运动的车辆控制参数中的一些包括，但不限于离合器的预填充阶段，在被选择之前齿轮的预啮合，轮式装载车的铲斗的控制(诸如铲斗调平)或叉车的叉和杆(mast)的控制。
[0013]模式可代表车辆的重复运动，类似于轮式装载车在装载和卸载土时所遵循的模式。图1和图2示出了轮式装载车的两个典型装载与卸载模式。图1中的模式是短Y循环。图2中的模式是土堆挖掘循环。
[0014]如上所建议的，重复的模式不仅仅限于整个车辆的运动。模式还可以是某些机器组件作出的重复运动(即工作功能)，诸如轮式装载车的铲斗或叉车的叉和杆。
[0015]通过示例的方式，图3示出叉车的典型模式。叉车操作者将典型地遵循某一行为列表来拾取负载。这些行为通常包括缓慢地接近负载，调整杆角度、叉位置和叉宽，在负载下插入叉，升起叉，以某一角度向后倾斜杆，反向驾驶等。
[0016]图1、2和3中的数字，箭头，标记和不同的线类型传达了每一个图中表示的典型模式。
[0017]—旦识别了模式，则可采取许多行为，诸如被动的行为(例如，预啮合某些离合器)、主动的行为(例如，引导操作者行为或甚至完成模式的自动化)。
[0018]图4总地示出了模式识别的一个实施例。车辆装备有多种传感器。传感器通常可被分类为车辆传感器、用于操作者行为的传感器和车队管理传感器。
[0019]车辆传感器的示例包括内燃机速度传感器、轮速传感器、用于离合器和液压缸的压力传感器，以及叉升降杆的负载传感器等。用于操作者行为的传感器的示例包括用于转向的位置、施加在油门上的压力以及控制杆(lever)和操纵杆(joystick)的位置或角度的传感器。车队管理传感器的示例包括采集和处理用于车辆定位的GPS数据、来自其他车辆的位置和行为、要做的行为，以及负载的位置和重量等的传感器。这些传感器在图5中的一个示例性车辆上示出。
[0020]从车辆传感器、车队管理传感器和操作者行为传感器采集的信息通过模式识别算法来组合和处理。使用典型的监督学习算法(该算法涵盖了车辆运动的一组数据(即训练数据)已经被预先定义(预先手动标记)的情况)，由传感器所获得的信息利用任务的相关分类来标记。这样的车辆的示例操作(例如土壤挖掘)包括一序列的若干任务。控制器将尝试使通过传感器所解释的行为与训练数据匹配以获得序列标记。作为这个识别阶段的结果，该算法将通过使用参数分类方法将行为解释为无量纲数据组(左转，右转，前移，升起负载……)来确定正在遵循哪个模式。
[0021]任意数量的模式分类(即任务的序列)可被储存在车辆控制器的内部存储器中以基于传感器输入值来分类。CPU(即主车辆控制器)将执行上述算法。在车辆所遵循的模式不能匹配训练数据(即已经储存的)的情况下，通过将重复的运动解释为群集的(clustered)(未标记的)数据，可形成新的模式结构(任务的序列)并将其传授给机器(即无监督机器学习)。
[0022]在一个实施例中，可存在四种模式分类:(I)原始模式、(2)更新的模式、(3)从车队管理获取的模式以及(4)自学的模式。
[0023]如图1，2和3所示，原始模式可包括由控制设计者以离线的方式实现的预定模式(即标记的训练数据)(例如，一般模式)。
[0024]更新的模式可包括基于车辆上现有的(或新安装的)传感器测量结果(例如负载的重量或在路线上经过的距离……)在车辆运行或操作者操作期间所学习的原始模式的改进。
[0025]接收的模式可包括通过安装在车辆上的通信系统由车队管理服务器和/或云(即来自其他车辆或基础设施的信息)所接收的信息。例如，叉车的操作(诸如从仓库入口的卡车上升起货盘并将其储存在特定位置处的架子上)可形成任务序列的新标记且可与车队的所有其他车辆共享。随着其他车俩第一次学习新模式，它们可通过立即识别新模式来替代第一车辆操作相同的任务序列。
[0026]自学的模式可包括在原始安装模式中没有包括的模式。识别算法可检测并记录车辆或操作者的重复运动。在车辆存储器上分配单独的空间以逐步地储存车辆所遵循的所有新模式。控制器将通过聚类方法来解释这种行为序列且这些行为可通过检查为每个特定应用所分配的相关参数(例如，行为重复了多少次或每次重复之中的变化等)来形成新的标记。为了限制数据库中模式的数量，所遵循的模式可首