无人驾驶汽车路况信息实时获取装置与系统制造方法及图纸

本发明专利技术公开了一种无人驾驶汽车路况信息实时获取装置与系统，包括激光测距仪、GIS地理信息装置、定位装置和通信装置，所述激光测距仪、GIS地理信息装置和定位装置分别与通信装置连接，激光测距仪用于采集距离数据，GIS地理信息装置用于获取地理位置数据，定位装置用于对车辆进行卫星定位，利用通信装置将采集的第一数据上传至云服务器，并且，在无人驾驶汽车经过道路交叉口处的交通监控系统时，利用道路交叉口处的交通监控系统采集第二数据，并上传至云服务器。本发明专利技术提高了无人驾驶汽车采集路况信息数据的实时性，而且提升了移动终端或设备获取无人驾驶汽车驾驶路况数据的实时性，可以改善城市交通拥堵状况。

【技术实现步骤摘要】
无人驾驶汽车路况信息实时获取装置与系统
本专利技术涉及交通
，更为具体地，涉及一种无人驾驶汽车路况信息实时获取装置与系统。
技术介绍
随着汽车工业的发展，在汽车为人们带来各种便利的同时，也制造了一系列问题，如交通拥堵、环境污染、交通事故等。我国的交通国情在于机动车与非机动车混行，自行车数量大，机动车数量多，而路网容纳能力有限等，近年来，无人驾驶汽车技术日渐成熟，例如公开号为CN105788330A的中国专利申请公开了一种无人驾驶车辆的实时路况预警方法和装置。所述方法的一具体实施方式包括：采集无人驾驶车辆的行驶信息，其中，所述行驶信息包括：目的地、当前时间、速度信息、位置信息和规划路线；向云服务器发送所述行驶信息，以供所述云服务器根据所述行驶信息确定与所述规划路线相关的路况信息；接收所述云服务器反馈的路况信息；根据所述路况信息调整所述无人驾驶车辆的规划路线；控制所述无人驾驶车辆按照调整后的规划路线行驶，实现了无人驾驶车辆对拥堵道路的规避。但是，仍然存在不足之处，例如，路况信息获取的实时性较差，导致在交叉口交通控制系统上相应较慢，存在周期长、车辆延误和通行能力有限等问题。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种无人驾驶汽车路况信息实时获取装置与系统，基于神经网络算法对采集的路况信息数据进行学习，并能够将学习后的道路预测数据下发到终端侧的设备，使得终端侧的设备能够将历史路况数据和云端学习后形成的道路预测数据传输至移动终端设备或应用，不仅提高了无人驾驶汽车采集路况信息数据的实时性，而且提升了移动终端或设备获取无人驾驶汽车驾驶路况数据的实时性，改善了城市交通拥堵状况。本专利技术的目的是通过以下技术方案来实现的：一种无人驾驶汽车路况信息实时获取装置，包括在终端侧的设备中，设置有激光雷达探测系统，所述激光雷达探测系统包括激光测距仪、GIS地理信息装置、定位装置和通信装置，所述激光测距仪、GIS地理信息装置和定位装置分别与通信装置连接，激光测距仪用于采集距离数据，GIS地理信息装置用于获取地理位置数据，定位装置用于对车辆进行卫星定位，利用所述通信装置将采集的第一数据上传至云服务器，并且，在无人驾驶汽车经过道路交叉口处的交通监控系统时，利用道路交叉口处的交通监控系统采集第二数据，并上传至云服务器；第一接收装置，设置在云服务器上，用于接收所述第一数据和所述第二数据，并基于人工智能算法程序模块进行处理，包括如下流程：S21，选取多个第一数据和多个第二数据，同时将第一数据和第二数据作为神经网络的样本数据，设定权值误差向量为e(w)，利用如下公式计算权值误差和函数E(w)，其中，eT(w)是e(w)的转置向量；S22，计算神经网络权值的Jacobian矩阵J(w)；其中，i为第i个神经元，j为第j个神经元，第i个神经元与第j个神经元之间的权值为wij；S23，使用如下公式计算新的权值w(k+1)，w(k+1)＝w(k)-[JT(wk)J(wk)+μI]-1JT(wk)e(wk)其中，μ为附加因子，μ＞0，I为单位矩阵；S24，将新的权值w(k+1)带入步骤S21中的权值误差和函数计算公式，计算得到新的权值误差和函数E(w)2，比较E(w)2与原来的E(w)1的大小，如果E(w)2的数值减小，则利用数值μ除以大于1的因子θ1，然后，对w(k+1)的值进行更新，然后转至步骤S21；如果E(w)2的数值没有减小，则利用数值μ乘上一个大于1的因子θ2，不更新w(k+1)并跳转至步骤S23，当神经网络的误差达到预设值或收敛时，停止函数的迭代计算，输出道路预测数据；传输装置，用于将所述道路预测数据传输至终端侧的设备；第二接收装置，设置在终端侧的设备，用于接收云服务器回传的数据，并将其保存在本地存储装置中。进一步地，还包括更新模块，设置在云服务器上，用于实时获取所述第一数据，和用于实时获取所述第二数据，并将第一数据和第二数据作为新的输入变量，基于人工智能算法模块进行持续学习，不断优化输出道路预测数据。进一步地，包括检测模块、第一标记模块、第一计算模块、第二计算模块、第一提取程序模块、第二提取程序模块和无线通信装置；检测模块，设置在在终端侧的设备上，用于检测本地存储装置中是否保存有当前道路的历史路况数据，如果有，则通过提取程序模块提取当前道路的历史路况数据，并利用第一标记模块，根据时间特征进行第一标记；第一计算模块，用于计算在当前道路上的历史路况数据的车速均值；第二计算模块，用于计算在当前道路上的历史路况数据的行驶时间均值，并将计算数据保存在本地存储装置中；根据第一标记信息，通过第二提取程序模，用于提取当前道路在不同时间段的历史路况数据的车速均值和/或行驶时间均值；无线通信装置，用于将道路预测数据与历史路况数据传输至移动终端设备或设置在移动终端设备上的应用。进一步地，第一数据包括实时行驶速度、停留时间、行驶时间、里程数据中的任一种。进一步地，第二数据包括在信号灯处的行驶速度、行驶时间、停留时间、信号灯周期、绿灯时间、红灯时间中的任一种或多种。一种无人驾驶汽车路况信息实时获取系统，包括如上技术方案中任一所述装置。本专利技术的有益效果是：(1)本专利技术基于神经网络算法对采集的路况信息数据进行学习，并能够将学习后的道路预测数据下发到终端侧的设备，使得终端侧的设备能够将历史路况数据和云端学习后形成的道路预测数据传输至移动终端设备或应用，不仅提高了无人驾驶汽车采集路况信息数据的实时性，而且提升了移动终端或设备获取无人驾驶汽车驾驶路况数据的实时性，改善了城市交通拥堵状况。(2)本专利技术采用改进的神经网络算法，收敛速度快，具有计算量小，精度高，消耗资源少的特点，特别是易于收敛，使得信息交互的实时性得到了显著提高。(3)无人驾驶平台对信息的实时性要求非常高，因此，本专利技术由于采用改进后的神经网络算法，提高了运算收敛速度，实时性强，预测速度快，具有非常大的意义。(4)本专利技术在对终端侧的设备存储的历史路况数据进行处理时，通过标记动作的处理步骤，使得在调用数据时，程序运行性能得到了提升，提高了数据处理效率，增强了设备的运行性能。(5)本专利技术结合了终端侧的设备采集的实时交通数据和道路交通监控系统采集的交通数据作为云端侧的神经网络算法的输入变量，将人工智能算法模块部署在云端服务器，在云端服务器进行学习处理后将预测数据下发到终端侧设备，可以集中处理大量分布式设备或系统上传的数据，降低在终端侧的设备或系统上进行分析处理的成本，提高了对交通道路拥堵的预测效率，有效调控城市通勤者的交通出行。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术的结构示意图。图2是本专利技术的方法步骤流程图。具体实施方式下面结合附图进一步详细描述本专利技术的技术方案，但本专利技术的保护范围不局限于以下所述。本说明书中公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。本说明书(包括任何附加权利要求、摘要和附图)中本文档来自技高网...

【技术保护点】
1.一种无人驾驶汽车路况信息实时获取装置，其特征在于，包括：在终端侧的设备中，设置有激光雷达探测系统，所述激光雷达探测系统包括激光测距仪、GIS地理信息装置、定位装置和通信装置，所述激光测距仪、GIS地理信息装置和定位装置分别与通信装置连接，激光测距仪用于采集距离数据，GIS地理信息装置用于获取地理位置数据，定位装置用于对车辆进行卫星定位，利用所述通信装置将采集的第一数据上传至云服务器，并且，在无人驾驶汽车经过道路交叉口处的交通监控系统时，利用道路交叉口处的交通监控系统采集第二数据，并上传至云服务器；第一接收装置，设置在云服务器上，用于接收所述第一数据和所述第二数据，并基于人工智能算法程序模块进行处理，包括如下流程：S21，选取多个第一数据和多个第二数据，同时将第一数据和第二数据作为神经网络的样本数据，设定权值误差向量为e(w)，利用如下公式计算权值误差和函数E(w)，

【技术特征摘要】
1.一种无人驾驶汽车路况信息实时获取装置，其特征在于，包括：在终端侧的设备中，设置有激光雷达探测系统，所述激光雷达探测系统包括激光测距仪、GIS地理信息装置、定位装置和通信装置，所述激光测距仪、GIS地理信息装置和定位装置分别与通信装置连接，激光测距仪用于采集距离数据，GIS地理信息装置用于获取地理位置数据，定位装置用于对车辆进行卫星定位，利用所述通信装置将采集的第一数据上传至云服务器，并且，在无人驾驶汽车经过道路交叉口处的交通监控系统时，利用道路交叉口处的交通监控系统采集第二数据，并上传至云服务器；第一接收装置，设置在云服务器上，用于接收所述第一数据和所述第二数据，并基于人工智能算法程序模块进行处理，包括如下流程：S21，选取多个第一数据和多个第二数据，同时将第一数据和第二数据作为神经网络的样本数据，设定权值误差向量为e(w)，利用如下公式计算权值误差和函数E(w)，其中，eT(w)是e(w)的转置向量；S22，计算神经网络权值的Jacobian矩阵J(w)；其中，i为第i个神经元，j为第j个神经元，第i个神经元与第j个神经元之间的权值为wij；S23，使用如下公式计算新的权值w(k+1)，w(k+1)＝w(k)-[JT(wk)J(wk)+μI]-1JT(wk)e(wk)其中，μ为附加因子，μ＞0，I为单位矩阵；S24，将新的权值w(k+1)带入步骤S21中的权值误差和函数计算公式，计算得到新的权值误差和函数E(w)2，比较E(w)2与原来的E(w)1的大小，如果E(w)2的数值减小，则利用数值μ除以大于1的因子θ1，然后，对w(k+1)的值进行更新，然后转至步骤S21；如果E(w)2的数值没有减小，则利用数值μ乘上一个大于1的因子θ2，不更新w(k+1)并跳转至步骤S23，当神经网络的误差达到预设值或收敛时，停止函数的迭代计算，输出道路...

【专利技术属性】
技术研发人员：刘威，王玉环，
申请(专利权)人：佛山杰致信息科技有限公司，
类型：发明
国别省市：广东,44