一种基于云端数据的无人驾驶矿车任务分配方法及系统与流程

1.本发明属于计算机技术领域，尤其设计一种基于云端数据的无人驾驶矿车任务分配方法及系统。


背景技术：

2.无人驾驶矿车通过采用智能控制器和车辆线控技术，能够在矿山现场流畅、精准、平稳地完成倒车入位、精准停靠、自动倾卸、轨迹运行、自主避障等动作；同时通过安装激光雷达与毫米波雷达，该矿用车能够实现环境探测双重保障，达到360
°
无死角感知，能够有效解决人力成本高的难题；自无人驾驶矿车在矿场应用以来，对该无人驾驶技术在该应用场景的研究越来越多。
3.作为无人驾驶矿车的一个重要分支，任务调度和分配是一个重要的研究课题，现如今，基于云端服务器的任务调度是云计算中一个具有挑战性但又很重要的课题，现有技术中一般采用蚁群算法对矿场的任务进行分配，公开号为cn103345657a的中国发明专利公开了一种云计算环境下基于蚁群的任务调度方法，该专利在云计算环境下利用遗传算法生成任务调度初始解，同时以其解初始化为信息素分布，再利用蚁群算法寻求最优任务分配，该方案并未对蒸发系数进行调节，致使收敛速度很慢。
4.同时，现有技术中存在通过改变蒸发系数从而提高收敛速度的方案，然而，仅仅简单的将蒸发系数进行了分段，然后每段设置成固定值，首先，这种方案一定程度上提高了算法的收敛速度，但是，该方案由于简单的设置了几个蒸发系数的固定数值，使得蒸发系数通过迭代次数对模型的控制力减弱，通过该模型得到的最优解有可能出现并非最优路线的情况。


技术实现要素：

5.本发明要解决的技术问题是针对上述技术方案的不足，提供一种基于云端数据的无人驾驶矿车任务分配方法及系统，在进行任务分配时，对蚁群算法进行改进，引入总目标约束，将无人驾驶车辆的任务分配算法所要面临的实际影响因素考虑的更全面，并且在蚁群算法的基础上对算法中的蒸发系数进行分段设置，并在中期设置成与迭代次数的函数，在未减弱迭代次数对模型控制力的基础上加快了模型的收敛。
6.为了实现上述目的，根据本发明的一个方面，一种基于云端数据的无人驾驶矿车任务分配方法，包括：步骤1：云端服务器下发检测指令，检测所有受该云端服务器调配的无人驾驶矿车是否满足上线运行条件；并将不满足上线运行条件的无人驾驶矿车剔除；具体地，所述检测指令包括无人驾驶系统状态检测、车载传感器状态检测、车辆基本状态检测；步骤2：确定所述无人驾驶矿车任务分配的总目标；所述总目标为：（1）任务分配所属区域的所有无人驾驶矿车行走的总里程最短；
（2）完成该区域内所有任务动用的无人驾驶矿车数量最少；步骤3：根据云端服务器收集到的多个任务信息以及云端服务器获取的所述无人驾驶矿车信息，采用改进的蚁群算法得到任务分配方案；步骤3.1：根据所述步骤2的总目标建立改进的蚁群算法模型，所述模型为：
ꢀꢀꢀ‑‑
公式1
ꢀꢀꢀ‑‑‑
公式2
ꢀꢀꢀ‑‑
公式3
ꢀꢀꢀꢀ‑‑‑‑
公式4
ꢀꢀꢀꢀ‑‑‑‑
公式5其中，为无人驾驶矿车执行的任务，为无人驾驶矿车的状态函数，函数表示为任务分配所属区域的所有无人驾驶矿车行走的总里程最短，函数表示为完成该区域内所有任务动用的无人驾驶矿车数量最少；为负责某区域的无人驾驶矿车的总数量，为某矿区中矿石装载点和矿石集中点的总数量；为无人驾驶矿车从装载点到矿石集中点的路径长度；表示无人驾驶矿车随机选择矿石集中点的转移概率，参数指从到路径上的信息素的浓度值，参数表示无人驾驶矿车选择从一个矿石装载点到矿石集中点的可能性大小，表示信息素对无人驾驶矿车移动过程中的影响因子的权值大小，当时，蚂蚁的移动方式会按照进行，表示在无人驾驶矿车移动过程中的相对影响因子大小，为时间；为所有可选矿石装载点和矿石集中点的集合；步骤3.2：采用信息素的局部更新，在探索最优路径的时候，蚂蚁每经过一个矿石装载点到下一个矿石集中点，这段路上的信息素按照公式6和公式7来进行计算，
ꢀꢀ‑‑‑
公式6
ꢀꢀ‑‑‑
公式7表示此刻经过运算后此段路径上的信息素的值；表示每条最优路径
上，全局更新的信息素蒸发系数，表示信息素的变化值，为次迭代时的最优路径的长度，为次迭代完成时，所有迭代结果里最优路径长度；在本实施例中，步骤3.3：将所述更新的信息素带入公式5中，得到转移概率的值，根据转移概率值指示蚂蚁下一个需要行走的路线，同时通过对蒸发系数进行分段调节，在算法初期，将蒸发系数设置成大的区间，从而使蚁群算法具有强大的全局搜索能力，在对收敛速度影响最大的中间阶段，将蒸发系数设置成迭代次数的函数，蒸发系数会随着迭代次数的增加相比简单的设置一个固定值会减少的更快，在算法后期，在达到固定次数的迭代后，设置蒸发系数为较小值，从而使改进的蚁群算法具有较快的收敛速度，上述的调节过程用数学式表达为：
ꢀꢀꢀꢀ‑‑‑
公式8其中，为迭代次数，表示最大迭代次数；从而遍历所有可能的路线，信息素浓度值最大的路线即为初始最优路线；步骤3.4：对每次迭代结束输出的最优路径结果进行2-opt 或3-opt搜索的基础上进行搜索计算的结果替换当前结果，将计算所得的结果与当前结果进行对比在最优路径将路径最短作为最优路径输出，获取该路径上的矿石装载点与矿石集中点，作为分配给该矿车的任务；步骤4：所述无人驾驶矿车接收到云端服务器指令后，执行所述分配方案。
7.根据本发明的另一个方面，一种基于云端数据的无人驾驶矿车任务分配系统，包括：检测模块：用于检测所有受该云端服务器调配的无人驾驶矿车是否满足上线运行条件；并将不满足上线运行条件的无人驾驶矿车剔除；目标确定模块：用于确定所述任务分配的总目标；处理器，用于处理上述的基于云端数据的无人驾驶矿车任务分配方法；控制模块：用于控制所述无人驾驶矿车执行所述任务分配方法。
8.基于上述技术方案，本技术提供的一种基于云端数据的无人驾驶矿车任务分配方法，具有如下技术效果：1、本技术在无人驾驶矿车任务分配时，根据无人驾驶矿车这种应用场景的特点，采用蚁群算法时，设置了总目标：（1）任务分配所属区域的所有无人驾驶矿车行走的总里程最短；（2）完成该区域内所有任务动用的无人驾驶矿车数量最少，利用总目标进行约束，得出的结论更符合无人驾驶在矿场应用的实际情况；2、本技术在将蚁群算法应用到无人驾驶领域时，根据无人驾驶领域时效性较强的情况，对蚁群算法进行改进，根据迭代次数，将蒸发系数进行分段调节，并且，在对收敛速度影响最大的中期，将蒸发系数设置为迭代次数的函数，相对于简单的设置蒸发系数为定值，
不但使模型更快的收敛，而且使得迭代次数对模型的控制力并未减弱。
附图说明
9.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
10.图1为本技术实施例提供的基于云端数据的无人驾驶矿车任务分配方法的流程图；图2为本技术实施例提供的改进的蚁群算法得到任务分配方案的具体步骤图。
具体实施方式
11.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
12.下面首先结合附图对本技术所涉及的概念进行说明。在此需要指出的是，以下对各个概念的说明，仅为了使本技术的内容更加容易理解，并不表示对本技术保护范围的限定。
13.己知在矿区不同区域分布着一定数量的矿机以及一定数量的矿石集中点，矿机所挖矿石积累到一定数量时会发布装载请求到云端服务器，云端服务器接收到该矿机的任务请求后获取该挖矿机位置坐标以及需要装载运输的矿石量，然后获取周边无人驾驶矿车的坐标信息以及接收到的任务列表，任务列表中记载了该无人驾驶矿车的装载运输任务以及每个装载运输任务的装载点以及矿石集中点，这样，对无人驾驶矿车的任务分配问题实质上是对多个无人驾驶车辆选择不同的装载点以及矿石集中点的路径规划问题。
14.如图1所示，一种基于云端数据的无人驾驶矿车任务分配方法，包括：步骤1：云端服务器下发检测指令，检测所有受该云端服务器调配的无人驾驶矿车是否满足上线运行条件；并将不满足上线运行条件的无人驾驶矿车剔除；所述检测指令包括无人驾驶系统状态检测、车载传感器状态检测、车辆基本状态检测；步骤2：确定所述无人驾驶矿车任务分配的总目标；现如今，成本控制成为矿区无人驾驶项目的一个重要课题，因此，本技术中，确定的所述总目标为：（1）任务分配所属区域的所有无人驾驶矿车行走的总里程最短；（2）完成该区域内所有任务动用的无人驾驶矿车数量最少；步骤3：根据云端服务器收集到的多个任务信息以及云端服务器获取的所述无人驾驶矿车信息，采用改进的蚁群算法得到分配方案；具体地，如附图2所示，所述步骤3具体包括：步骤3.1：根据所述步骤2的总目标建立改进的蚁群算法模型，所述模型为：
ꢀꢀ‑‑
公式1
ꢀꢀ‑‑‑
公式2
ꢀꢀ‑‑
公式3
ꢀꢀꢀ‑‑‑‑
公式4
ꢀꢀꢀ‑‑‑‑
公式5其中，为无人驾驶矿车执行的任务，为无人驾驶矿车的状态函数，函数表示为任务分配所属区域的所有无人驾驶矿车行走的总里程最短，函数表示为完成该区域内所有任务动用的无人驾驶矿车数量最少；为负责某区域的无人驾驶矿车的总数量，为某矿区中矿石装载点和矿石集中点的总数量；为无人驾驶矿车从装载点到矿石集中点的路径长度；表示无人驾驶矿车随机选择矿石集中点的转移概率，参数指从到路径上的信息素的浓度值，参数表示无人驾驶矿车选择从一个矿石装载点到矿石集中点的可能性大小，表示信息素对无人驾驶矿车移动过程中的影响因子的权值大小，当时，蚂蚁的移动方式会按照进行，表示在无人驾驶矿车移动过程中的相对影响因子大小，为时间；为所有可选矿石装载点和矿石集中点的集合；步骤3.2：传统的蚁群算法，在计算矿石装载点和矿石集中点的信息素浓度时，会发现由于没有对信息素的更新方式进行干预，在蚂蚁探索初期，任务分配上的信息素浓度普遍偏低，蚁群会随机探索路径，这样就会造成搜索速度较慢，信息素浓度的积累速度也很慢，所以，在信息素更新时，加入信息素正反馈，使信息素积累加速，为后期蚂蚁的路径探索做准备。当出现有一条路径上的信息素比较高时，其余蚂蚁都会选择这条路径，其他路径就被永远忽略，此时，算法进入一个局部探索，针对某一条路径信息素浓度偏大的情况，要对算法进行一个局部信息素的更新，对某一条路径上的信息素进行加速蒸发，使路径上的信息素浓度差别减少，使蚂蚁进行全局探索，避免算法陷入局部最优，影响最优任务分配的产生；具体地，采用信息素的局部更新，在探索最优路径的时候，蚂蚁每经过一个矿石装载点到下一个矿石集中点，这段路上的信息素都会按照如下公式6’来进行，
ꢀꢀ‑‑‑
公式6’式中，表示本段路径上信息素的蒸发系数，表示信息素的初始值，是一个较小的正的常数，表示此刻经过运算后此段路径上的信息素的值，这样，可以在原始信息素积累的情况下，额外增加一个信息素挥发系数，使路径上的信息素无法快速积累，避免与其他路径段的信息素值产生较大差距，使后续蚂蚁在探索时不会因为信息素差距大而全都选择这一路径，这样，避免了局部最优解的产生，使得最终的解为全局最优解；为了确定所述初始最优路线，一般地会对公式6进行改进：
ꢀꢀ‑‑‑
公式6
ꢀꢀ‑‑‑
公式7表示每条最优路径上，全局更新的信息素蒸发系数，表示信息素的变化值，为次迭代时的最优路径的长度，为次迭代完成时，所有迭代结果里最优路径长度，通过公式7和8，该改进一定程度上可加快最优路径的确定，加快蚁群算法的收敛速度，但是，该方法虽然一定程度上调节了信息素的蒸发系数，但是当遇到复杂的应用场景，比如说将蚁群算法应用到无人驾驶领域时，由于无人驾驶矿车对时效性要求较高，上述对蚁群算法的改进仍然会造成较大的时延，限制了该改进的蚁群算法在无人驾驶的应用；在本实施例中，步骤3.3：将所述更新的信息素带入公式5中，得到转移概率的值，根据转移概率值指示蚂蚁下一个需要行走的路线，同时，通过对蒸发系数进行分段调节，在算法初期，将蒸发系数设置成大的区间，从而使蚁群算法具有强大的全局搜索能力，在对收敛速度影响最大的中间阶段，将蒸发系数设置成迭代次数的函数，蒸发系数会随着迭代次数的增加相比简单的设置一个固定值会减少的更快，在算法后期，在达到固定次数的迭代后，设置蒸发系数为较小值，从而使改进的蚁群算法具有较快的收敛速度，上述的调节过程用数学式表达为：
ꢀꢀꢀꢀ‑‑‑
公式8其中，为迭代次数，表示最大迭代次数；遍历所有可能的路线，信息素浓度值最大的路线即为初始最优路线，步骤3.4：对每次迭代结束输出的最优路径结果进行2-opt 或3-opt搜索的基础上进行搜索计算的结果替换当前结果，将计算所得的结果与当前结果进行对比在最优路径将路径最短作为最优路径输出，获取该路径上的矿石装载点与矿石集中点，作为分配给该矿车的任务；步骤4：所述无人驾驶矿车接收到云端服务器指令后，执行所述分配方案。
15.根据本发明的另一个方面，一种基于云端数据的无人驾驶矿车任务分配系统，包括：检测模块：用于检测所有受该云端服务器调配的无人驾驶矿车是否满足上线运行条件；并将不满足上线运行条件的无人驾驶矿车剔除；目标确定模块：用于确定所述任务分配的总目标；处理器，用于处理上述的基于云端数据的无人驾驶矿车任务分配方法；控制模块：用于控制所述无人驾驶矿车执行所述任务分配方法。
16.本技术在进行任务分配时，对蚁群算法进行改进，首先根据实际需求，引入总目标约束，将无人驾驶车辆的任务分配算法所要面临的实际影响因素考虑的更全面，并且在蚁群算法的基础上对算法中的蒸发系数进行分段设置，并在中期设置成与迭代次数的函数，在未减弱迭代次数对模型控制力的基础上加快了模型的收敛。
17.以上所述的实施例及/或实施方式，仅是用以说明实现本发明技术的较佳实施例及/或实施方式，并非对本发明技术的实施方式作任何形式上的限制，任何本领域技术人员，在不脱离本发明内容所公开的技术手段的范围，当可作些许的更动或修改为其它等效的实施例，但仍应视为与本发明实质相同的技术或实施例。

技术特征：
1.一种基于云端数据的无人驾驶矿车任务分配方法，其特征在于，包括以下步骤：步骤1：云端服务器下发检测指令，检测所有受该云端服务器调配的无人驾驶矿车是否满足上线运行条件；并将不满足上线运行条件的无人驾驶矿车剔除；步骤2：确定所述无人驾驶矿车任务分配的总目标；步骤3：根据云端服务器收集到的多个任务信息以及云端服务器获取的所述无人驾驶矿车信息，采用改进的蚁群算法得到任务分配方案；所述步骤3具体包括：步骤3.1：根据所述步骤2的总目标建立改进的蚁群算法模型；步骤3.2：进行信息素的局部更新；步骤3.3：通过所述更新的信息素得到转移概率的值，根据转移概率值指示蚂蚁下一个需要行走的路线，同时通过对蒸发系数进行分段调节，从而遍历所有可能的路线，将信息素浓度值最大的路线确定为初始最优路线；所述步骤3.3中，所述通过对蒸发系数进行分段调节具体包括：在蚁群算法初期，将蒸发系数设置成大的区间值，在对收敛速度影响最大的中间阶段，将蒸发系数设置成迭代次数的函数，在算法后期，在达到固定次数的迭代后，设置蒸发系数为较小值，上述的调节过程用数学式表达为：
ꢀꢀꢀꢀ‑‑‑
公式8其中，n
c
为迭代次数，n
max
表示最大迭代次数；步骤3.4：对每次迭代结束输出的最优路径结果进行3-opt搜索的基础上进行搜索计算的结果替换当前结果，将计算所得的结果与当前结果进行对比在最优路径将路径最短作为最优路径输出，获取该路径上的矿石装载点与矿石集中点，作为分配给该矿车的任务；步骤4：无人驾驶矿车接收到云端服务器指令后，执行所述任务分配方案。2.根据权利要求1所述的基于云端数据的无人驾驶矿车任务分配方法，其特征在于，所述检测指令包括无人驾驶系统状态检测、车载传感器状态检测、车辆基本状态检测。3.根据权利要求1所述的基于云端数据的无人驾驶矿车任务分配方法，其特征在于，所述总目标为：（1）任务分配所属区域的所有无人驾驶矿车行走的总里程最短；（2）完成该区域内所有任务动用的无人驾驶矿车数量最少。4.根据权利要求3所述的基于云端数据的无人驾驶矿车任务分配方法，其特征在于，所述步骤3.1中，所述模型具体为：
ꢀꢀꢀ‑‑‑
公式1
ꢀꢀꢀꢀ‑‑‑
公式2
ꢀꢀꢀ‑‑‑
公式3
ꢀꢀꢀꢀ‑‑‑
公式4
ꢀꢀꢀ‑‑‑
公式5其中，为无人驾驶矿车执行的任务，为无人驾驶矿车的状态函数，函数表示为任务分配所属区域的所有无人驾驶矿车行走的总里程最短，函数表示为完成该区域内所有任务动用的无人驾驶矿车数量最少；为负责某区域的无人驾驶矿车的总数量，为某矿区中矿石装载点和矿石集中点的总数量； 为无人驾驶矿车从装载点到矿石集中点的路径长度；表示无人驾驶矿车随机选择矿石集中点的转移概率，参数指从到路径上的信息素的浓度值，参数表示无人驾驶矿车选择从一个矿石装载点到矿石集中点的可能性大小，表示信息素对无人驾驶矿车移动过程中的影响因子的权值大小，当时，蚂蚁的移动方式会按照进行，表示在无人驾驶矿车移动过程中的相对影响因子大小，为时间；为所有可选矿石装载点和矿石集中点的集合。5.根据权利要求3所述的基于云端数据的无人驾驶矿车任务分配方法，其特征在于，所述步骤3.2具体包括：采用信息素的局部更新，在探索最优路径时，蚂蚁每经过一个矿石装载点到下一个矿石集中点，这段路上的信息素按照公式6和公式7来进行计算，
ꢀꢀ‑‑‑
公式6
ꢀꢀ‑‑‑
公式7表示此刻经过运算后此段路径上的信息素的值；表示每条最优路径上，全局更新的信息素蒸发系数，表示信息素的变化值，为次迭代时的最优路径的长度为次迭代完成时，所有迭代结果里最优路径长度。6.根据权利要求5所述的基于云端数据的无人驾驶矿车任务分配方法，其特征在于，所述步骤3.4中：也可对每次迭代结束输出的最优路径结果进行2-opt搜索的基础上进行搜索计算的结果替换当前结果。7.一种基于云端数据的无人驾驶矿车任务分配系统，其特征在于，包括：检测模块：用于检测所有受该云端服务器调配的无人驾驶矿车是否满足上线运行条
件；并将不满足上线运行条件的无人驾驶矿车剔除；目标确定模块：用于确定所述任务分配的总目标；处理器，用于处理权利要求1-6任一项所述的基于云端数据的无人驾驶矿车任务分配方法；控制模块：用于控制所述无人驾驶矿车执行所述任务分配方法。

技术总结
本申请在无人驾驶矿车任务分配时，根据无人驾驶矿车这种应用场景的特点，采用蚁群算法时，设置了总目标：（1）任务分配所属区域的所有无人驾驶矿车行走的总里程最短；（2）完成该区域内所有任务动用的无人驾驶矿车数量最少，利用总目标进行约束，得出的结论更符合无人驾驶在矿场应用的实际情况；同时在将蚁群算法应用到无人驾驶领域时，根据无人驾驶领域时效性较强的情况，对蚁群算法进行改进，根据迭代次数，将蒸发系数进行分段调节，并且，在对收敛速度影响最大的中期，将蒸发系数设置为迭代次数的函数，相对于简单的设置蒸发系数为定值，不但使模型更快的收敛，而且使得迭代次数对模型的控制力并未减弱。控制力并未减弱。控制力并未减弱。


技术研发人员：杨扬 胡心怡
受保护的技术使用者：上海伯镭智能科技有限公司
技术研发日：2023.06.13
技术公布日：2023/7/18