开云优惠体育网页版入口

专利名称：基于视觉感知的物资转运车辆路径规划方法及专用车

专利类型：发明专利

专利申请号：CN202411087306.5

专利申请（专利权）人：朝阳辽西人防工程防护设施有限公司
权利人地址：辽宁省朝阳市双塔区创新街218号

专利发明（设计）人：陈昶,吴海芬,李军,李书印,薛妍

专利摘要：本发明公开了基于视觉感知的物资转运车辆路径规划方法及专用车，涉及车辆路径规划技术领域，包括以下步骤：通过视觉传感器以标准图像采集频率获取周围环境的图像和深度信息，实现实时的行驶路径动态规划；获取物流中心的物资转运车辆转运网络信息，对转运网络进行特征提。⒍蕴崛〉奶卣鹘蟹治龊，对转运网络内的物资转运车辆进行动态分析。本发明通过标准图像采集频率进行基础路径规划，结合特征提取和深度学习模型动态评估网络复杂度，调整视觉传感器采集频率，适应简单和交织转运网络。在简单网络中维持标准频率，在交织网络中动态提升频率，确保实时感知和路径规划，提升物流效率，提高高峰期配送能力，提高运营稳定性和效率。

主权利要求：
1.基于视觉感知的物资转运车辆路径规划方法，其特征在于，包括以下步骤：通过视觉传感器以标准图像采集频率获取周围环境的图像和深度信息，实现实时的行驶路径动态规划；
获取物流中心的物资转运车辆转运网络信息，对转运网络进行特征提。⒍蕴崛〉奶卣鹘蟹治龊，对转运网络内的物资转运车辆进行动态分析;将物流中心的物资转运过程划分为若干个相同时长的固定检测窗口，对每个固定检测窗口下车辆行驶路径中交叉点的数量和高优先级任务占总任务的比例进行分析后，生成路径交叉点指数和任务优先级占比指数，通过路径交叉点指数和任务优先级占比指数对转运网络内的物资转运车辆进行动态分析；
在固定检测窗口下，对物流中心转运网络中的车辆行驶路径中交叉点的数量进行分析后，生成路径交叉点指数的步骤如下：在每个固定检测窗口内，使用传感器和车辆导航系统，收集所有车辆的行驶路径数据，路径数据包括车辆的起点、终点、路径点序列和时间戳，将路径数据的格式用多维坐标点序列表示，记为 ，其中 和 是车辆在时间 的位置坐标；
分析路径数据，识别出车辆行驶路径中的交叉点，交叉点定义为两条或多条路径在空间和时间上相交的点，每个交叉点用坐标 表示，并记录交叉的路径编号和时间戳；
在固定检测窗口内，统计所有识别出的交叉点数量 ，同时，计算总路径段数量 和每条路径的平均长度 ，路径段数量是所有车辆路径中不同路段的数量，每条路径的平均长度是路径长度的总和除以路径数量，根据交叉点数量、总路径段数量和每条路径的平均长度，计算路径交叉点指数，计算的表达式为：，式中， 表示路
径交叉点指数， 表示交叉点j到路径段i的距离， 表示路径段i在交叉点k处的相对速度， 表示每路径段的平均交叉点数量，反映了路径交织的复杂度；
将分析后的特征输入至预先训练好的深度学习模型中，通过深度学习模型对转运网络的动态变化情况进行评估，进一步将转运网络划分为交织转运网络和简单转运网络；
将分析后的路径交叉点指数和任务优先级占比指数输入至预先训练好的深度学习模型中，生成复杂度评估系数，通过复杂度评估系数对转运网络的动态变化情况进行评估；
将在固定检测窗口对转运网络分析生成的复杂度评估系数与预先设定的复杂度评估系数参考阈值进行比对分析，对转运网络进行进一步划分，具体的划分步骤如下：若复杂度评估系数大于等于复杂度评估系数参考阈值，则将该固定检测窗口下的转运网络划分为交织转运网络；
若复杂度评估系数小于复杂度评估系数参考阈值，则将该固定检测窗口下的转运网络划分为简单转运网络；
针对简单转运网络，继续以标准图像采集频率获取周围环境的图像和深度信息实现实时的行驶路径动态规划；
针对交织转运网络，以标准图像采集频率为基。允泳醮衅鞯氖导释枷癫杉德式卸骺，并以调控后的实际图像采集频率获取周围环境的图像和深度信息；
针对交织转运网络，以标准图像采集频率为基。允泳醮衅鞯氖导释枷癫杉德式卸骺氐木咛宀街枞缦：确定标准图像采集频率 、复杂度评估系数 以及复杂度评估系数参考阈值 ；
计算当前复杂度评估系 与复杂度评估系数参考阈值 的复杂度比率R，以评估当前转运网络的复杂程度，其中， ；
定义一个调控函数 ，用于根据复杂度比率R动态调整实际图像采集频率，调控函数 定义为： ，式中， 为调节系数，确定复杂度比率对采集频率调整的敏感度，通常设定为大于0的常数；
根据调控函数 和复杂度比率R，计算动态调控后的实际图像采集频率，计算的表达式为： ，式中， 表示动态调控后的实际图像采集频率；
将计算得到的实际图像采集频率 应用于视觉传感器，调整传感器的图像采集频率，以获取周围环境的图像和深度信息。
2.根据权利要求1所述的基于视觉感知的物资转运车辆路径规划方法，其特征在于，从转运网络中提取的特征包括车辆行驶路径中交叉点的数量和高优先级任务占总任务的比例；
在固定检测窗口下对车辆行驶路径中交叉点的数量进行特征提取的步骤如下：收集车辆在物流中心内的行驶路径数据，并对收集的行驶路径数据进行预处理；
对于每个固定检测窗口内的路径段，应用空间分析算法识别路径中的交叉点；
在完成交叉点的检测和统计后，将每个固定检测窗口内的交叉点数量作为特征提取出来。
3.根据权利要求2所述的基于视觉感知的物资转运车辆路径规划方法，其特征在于，在固定检测窗口下对高优先级任务占总任务的比例进行特征提取的步骤如下：在每个固定检测窗口内，收集所有的任务数据；
在每个固定检测窗口结束后，对收集到的任务数据进行分类，分别统计高优先级任务和低优先级任务的数量；
在完成任务分类和总任务数统计后，计算高优先级任务占总任务的比例；
将计算得到的高优先级任务比例作为特征存储在系统的数据库中，供后续分析和应用。
4.根据权利要求1所述的基于视觉感知的物资转运车辆路径规划方法，其特征在于，在固定检测窗口下，对物流中心转运网络中的高优先级任务占总任务的比例进行分析后，生成任务优先级占比指数的步骤如下：在每个检测窗口内，收集所有任务的数据，标记高优先级任务和低优先级任务，高优先级任务标记为1，低优先级任务标记为0，将任务按优先级分类；
计算高优先级任务占总任务的比例，计算的表达式为： ，其中， 表示高优先级任务比例， 表示检测窗口内的高优先级任务数量， 表示检测窗口内的总任务数量；
引入任务权重和时间因素，计算加权高优先级任务比例，计算的表达式为：，式中， 表示加权高优先级任务比例， 表示第f个任务的权重，表示第f个任务的时间因素；
基于高优先级任务比例 和加权高优先级任务比例 计算任务优先级占比指数，计算的表达式为： ，式中， 表示任务优先级占比指数， 和 分别表示高优先级任务比例 和加权高优先级任务比例 的权重系数，且满足 。
5.基于视觉感知的物资转运车辆路径规划专用车，用于实现上述权利要求1?4中任意一项所述的基于视觉感知的物资转运车辆路径规划方法，其特征在于，包括基础路径规划模块、特征提取与动态分析模块、深度学习评估与网络划分模块、简单网络路径规划模块以及交织网络动态调控模块；
基础路径规划模块，通过视觉传感器以标准图像采集频率获取周围环境的图像和深度信息，实现实时的行驶路径动态规划；
特征提取与动态分析模块，获取物流中心的物资转运车辆转运网络信息，对转运网络进行特征提。⒍蕴崛〉奶卣鹘蟹治龊，对转运网络内的物资转运车辆进行动态分析；
深度学习评估与网络划分模块，将分析后的特征输入至预先训练好的深度学习模型中，通过深度学习模型对转运网络的动态变化情况进行评估，进一步将转运网络划分为交织转运网络和简单转运网络；
简单网络路径规划模块，针对简单转运网络，继续以标准图像采集频率获取周围环境的图像和深度信息实现实时的行驶路径动态规划；
交织网络动态调控模块，针对交织转运网络，以标准图像采集频率为基。允泳醮衅鞯氖导释枷癫杉德式卸骺，并以调控后的实际图像采集频率获取周围环境的图像和深度信息。 说明书 : 基于视觉感知的物资转运车辆路径规划方法及专用车技术领域[0001] 本发明涉及车辆路径规划技术领域，具体涉及基于视觉感知的物资转运车辆路径规划方法及专用车。背景技术[0002] 基于视觉感知的物资转运车辆路径规划是指利用车辆配备的视觉传感器（如摄像头、激光雷达等）获取周围环境的图像和深度信息，并通过计算机视觉技术分析这些数据，以实现对车辆行驶路径的实时动态规划。该技术通过识别道路、障碍物、交通标志、行人等信息，生成最优的行驶路径，确保车辆能够安全、高效地完成物资的转运任务。这种路径规划方法的优势在于它能够适应复杂、多变的环境，不依赖于预先设定的固定路径。当环境发生变化时，如出现新的障碍物或道路封闭，车辆可以通过视觉感知系统及时检测并重新规划路径，从而提高了灵活性和响应速度。这种技术在物流、仓储、智能交通等领域具有广泛的应用前景。[0003] 基于视觉感知的物资转运车辆运用在物流转运中时，在物流中心的高峰期，物资转运车辆所处的环境极为复杂，这是由于多个因素交织在一起造成的。首先，物流中心内的车辆调度频繁，数十甚至数百辆运输车在狭窄的空间内进进出出，极大增加了交通流量的密度。其次，物资装卸点的位置可能随时变动，新的货物不断到达，不同货物的卸载和装载需要动态分配装卸区域，这使得固定的运输路线变得不再适用。再次，仓库内外的工作人员和机械设备（如叉车、自动导引车AGV等）不断移动，进一步增加了路径规划的难度。此外，高峰期往往伴随着紧张的时间压力，各项操作需要在最短的时间内完成，以提高周转效率。这样的环境中，基于视觉感知的物资转运车辆必须能够实时获取并处理大量动态信息，通过精确的视觉传感和算法计算，及时调整路径，避免障碍，确保在复杂多变的环境中安全、高效地完成物资转运任务。[0004] 现有技术存在以下不足：[0005] 物资转运车辆通常通过视觉传感器以固定频率获取周围环境的图像和深度信息，从而实现实时的行驶路径动态规划。然而，当物流中心的大量物资转运车辆同时运行，形成一个复杂的转运网络时，固定频率的环境感知可能无法及时更新和处理迅速变化的环境信息。如果感知频率不足以应对这些高动态变化，车辆可能无法及时感知和避开突然出现的其他车辆，导致频繁的碰撞事故。这些碰撞事故会阻塞通道，导致物流中心内的交通严重拥堵，影响其他车辆的正常通行，进而显著降低整体物流效率，影响高峰期货物的及时配送。[0006] 在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。发明内容[0007] 本发明的目的是提供基于视觉感知的物资转运车辆路径规划方法及专用车，通过标准图像采集频率获取环境信息进行基础路径规划，结合对转运网络特征的提取和分析，利用深度学习模型进行动态评估和划分网络复杂度，进一步调整视觉传感器的采集频率，实现了对简单和交织转运网络的适应性管理。在简单转运网络中维持标准频率，在交织转运网络中动态提升采集频率，确保了车辆在复杂环境中的实时感知和路径规划能力，从而提升了整体物流效率，减少了交通拥堵，提高了高峰期货物的及时配送能力，显著增强了物流中心的运营稳定性和效率，以解决上述背景技术中的问题。[0008] 为了实现上述目的，本发明提供如下技术方案：基于视觉感知的物资转运车辆路径规划方法，包括以下步骤：[0009] 通过视觉传感器以标准图像采集频率获取周围环境的图像和深度信息，实现实时的行驶路径动态规划；[0010] 获取物流中心的物资转运车辆转运网络信息，对转运网络进行特征提。⒍蕴崛〉奶卣鹘蟹治龊，对转运网络内的物资转运车辆进行动态分析；[0011] 将分析后的特征输入至预先训练好的深度学习模型中，通过深度学习模型对转运网络的动态变化情况进行评估，进一步将转运网络划分为交织转运网络和简单转运网络；[0012] 针对简单转运网络，继续以标准图像采集频率获取周围环境的图像和深度信息实现实时的行驶路径动态规划；[0013] 针对交织转运网络，以标准图像采集频率为基。允泳醮衅鞯氖导释枷癫杉德式卸骺，并以调控后的实际图像采集频率获取周围环境的图像和深度信息。[0014] 优选的，从转运网络中提取的特征包括车辆行驶路径中交叉点的数量和高优先级任务占总任务的比例；[0015] 在固定检测窗口下对车辆行驶路径中交叉点的数量进行特征提取的步骤如下：[0016] 收集车辆在物流中心内的行驶路径数据，并对收集的行驶路径数据进行预处理；[0017] 对于每个固定检测窗口内的路径段，应用空间分析算法识别路径中的交叉点；[0018] 在完成交叉点的检测和统计后，将每个固定检测窗口内的交叉点数量作为特征提取出来。[0019] 优选的，在固定检测窗口下对高优先级任务占总任务的比例进行特征提取的步骤如下：[0020] 在每个固定检测窗口内，收集所有的任务数据；[0021] 在每个固定检测窗口结束后，对收集到的任务数据进行分类，分别统计高优先级任务和低优先级任务的数量；[0022] 在完成任务分类和总任务数统计后，计算高优先级任务占总任务的比例；[0023] 将计算得到的高优先级任务比例作为特征存储在系统的数据库中，供后续分析和应用。[0024] 优选的，将物流中心的物资转运过程划分为若干个相同时长的固定检测窗口，对每个固定检测窗口下车辆行驶路径中交叉点的数量和高优先级任务占总任务的比例进行分析后，生成路径交叉点指数和任务优先级占比指数，通过路径交叉点指数和任务优先级占比指数对转运网络内的物资转运车辆进行动态分析，将分析后的路径交叉点指数和任务优先级占比指数输入至预先训练好的深度学习模型中，生成复杂度评估系数，通过复杂度评估系数对转运网络的动态变化情况进行评估。[0025] 优选的，将在固定检测窗口对转运网络分析生成的复杂度评估系数与预先设定的复杂度评估系数参考阈值进行比对分析，对转运网络进行进一步划分，具体的划分步骤如下：[0026] 若复杂度评估系数大于等于复杂度评估系数参考阈值，则将该固定检测窗口下的转运网络划分为交织转运网络；[0027] 若复杂度评估系数小于复杂度评估系数参考阈值，则将该固定检测窗口下的转运网络划分为简单转运网络。[0028] 优选的，针对交织转运网络，以标准图像采集频率为基。允泳醮衅鞯氖导释枷癫杉德式卸骺氐木咛宀街枞缦：[0029] 确定标准图像采集频率 、复杂度评估系数 以及复杂度评估系数参考阈值 ；[0030] 计算当前复杂度评估系 与复杂度评估系数参考阈值 的复杂度比率R，以评估当前转运网络的复杂程度，其中， ；[0031] 定义一个调控函数 ，用于根据复杂度比率R动态调整实际图像采集频率，调控函数 定义为： ，式中， 为调节系数，确定复杂度比率对采集频率调整的敏感度，通常设定为大于0的常数；[0032] 根据调控函数 和复杂度比率R，计算动态调控后的实际图像采集频率，计算的表达式为： ，式中， 表示动态调控后的实际图像采集频率；[0033] 将计算得到的实际图像采集频率 应用于视觉传感器，调整传感器的图像采集频率，以获取周围环境的图像和深度信息。[0034] 优选的，在固定检测窗口下，对物流中心转运网络中的车辆行驶路径中交叉点的数量进行分析后，生成路径交叉点指数的步骤如下：[0035] 在每个固定检测窗口内，使用传感器和车辆导航系统，收集所有车辆的行驶路径数据，路径数据包括车辆的起点、终点、路径点序列和时间戳，将路径数据的格式用多维坐标点序列表示，记为 ，其中 和 是车辆在时间 的位置坐标；[0036] 分析路径数据，识别出车辆行驶路径中的交叉点，交叉点定义为两条或多条路径在空间和时间上相交的点，每个交叉点用坐标 表示，并记录交叉的路径编号和时间戳；[0037] 在固定检测窗口内，统计所有识别出的交叉点数量 ，同时，计算总路径段数量和每条路径的平均长度 ，路径段数量是所有车辆路径中不同路段的数量，每条路径的平均长度是路径长度的总和除以路径数量，根据交叉点数量、总路径段数量和每条路径的平均长度，计算路径交叉点指数，计算的表达式为：，式中， 表示路径交叉点指数， 表示交叉点j到路径段i的距离， 表示路径段i在交叉点k处的相对速度， 表示每路径段的平均交叉点数量，反映了路径交织的复杂度。[0038] 优选的，在固定检测窗口下，对物流中心转运网络中的高优先级任务占总任务的比例进行分析后，生成任务优先级占比指数的步骤如下：[0039] 在每个检测窗口内，收集所有任务的数据，标记高优先级任务和低优先级任务，高优先级任务标记为1，低优先级任务标记为0，将任务按优先级分类；[0040] 计算高优先级任务占总任务的比例，计算的表达式为： ，其中， 表示高优先级任务比例， 表示检测窗口内的高优先级任务数量， 表示检测窗口内的总任务数量；[0041] 引入任务权重和时间因素，计算加权高优先级任务比例，计算的表达式为：，式中， 表示加权高优先级任务比例， 表示第f个任务的权重，表示第f个任务的时间因素；[0042] 基于高优先级任务比例 和加权高优先级任务比例 计算任务优先级占比指数，计算的表达式为： ，式中， 表示任务优先级占比指数， 和 分别表示高优先级任务比例 和加权高优先级任务比例 的权重系数，且满足 。[0043] 基于视觉感知的物资转运车辆路径规划专用车，包括基础路径规划模块、特征提取与动态分析模块、深度学习评估与网络划分模块、简单网络路径规划模块以及交织网络动态调控模块；[0044] 基础路径规划模块，通过视觉传感器以标准图像采集频率获取周围环境的图像和深度信息，实现实时的行驶路径动态规划；[0045] 特征提取与动态分析模块，获取物流中心的物资转运车辆转运网络信息，对转运网络进行特征提。⒍蕴崛〉奶卣鹘蟹治龊，对转运网络内的物资转运车辆进行动态分析；[0046] 深度学习评估与网络划分模块，将分析后的特征输入至预先训练好的深度学习模型中，通过深度学习模型对转运网络的动态变化情况进行评估，进一步将转运网络划分为交织转运网络和简单转运网络；[0047] 简单网络路径规划模块，针对简单转运网络，继续以标准图像采集频率获取周围环境的图像和深度信息实现实时的行驶路径动态规划；[0048] 交织网络动态调控模块，针对交织转运网络，以标准图像采集频率为基。允泳醮衅鞯氖导释枷癫杉德式卸骺，并以调控后的实际图像采集频率获取周围环境的图像和深度信息。[0049] 在上述技术方案中，本发明提供的技术效果和优点：[0050] 本发明通过标准图像采集频率获取环境信息进行基础路径规划，结合对转运网络特征的提取和分析，利用深度学习模型进行动态评估和划分网络复杂度，进一步调整视觉传感器的采集频率，实现了对简单和交织转运网络的适应性管理。在简单转运网络中维持标准频率，在交织转运网络中动态提升采集频率，确保了车辆在复杂环境中的实时感知和路径规划能力，从而提升了整体物流效率，减少了交通拥堵，提高了高峰期货物的及时配送能力，显著增强了物流中心的运营稳定性和效率。附图说明[0051] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单的介绍，显而易见的，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。[0052] 图1为本发明基于视觉感知的物资转运车辆路径规划方法的方法流程图。[0053] 图2为本发明基于视觉感知的物资转运车辆路径规划专用车的模块示意图。具体实施方式[0054] 现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些示例实施方式使得本公开的描述将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。[0055] 本发明提供了如图1所示的基于视觉感知的物资转运车辆路径规划方法，包括以下步骤：[0056] 通过视觉传感器以标准图像采集频率获取周围环境的图像和深度信息，实现实时的行驶路径动态规划；[0057] 物资转运车辆利用安装在车辆上的视觉传感器（如摄像头、激光雷达等）定期地获取周围环境的视觉数据。这些视觉数据包括图像和深度信息，通过处理这些数据，系统可以生成当前环境的实时地图。基于这张地图，车辆可以动态规划其行驶路径，以确保安全和高效地到达目标位置。[0058] 标准图像采集频率指的是视觉传感器采集环境数据的频率。通常以每秒采集的帧数来表示，例如，每秒30。30FPS）或每秒60。60FPS）。标准图像采集频率的设定是基于传感器和处理器的性能，以及环境动态变化的需求。在标准图像采集频率下，车辆可以以固定的间隔时间获取环境信息，从而持续更新其周围环境的实时图像和深度数据。这种频率的设定需要在数据的实时性和系统处理能力之间找到平衡：过低的采集频率可能导致车辆无法及时感知环境变化，而过高的采集频率则可能导致数据处理过载，影响系统的实时响应能力。因此，选择合适的标准图像采集频率对于确保车辆的安全和高效运行至关重要。[0059] 标准图像采集频率应达到能够及时反映环境变化的要求，以确保物资转运车辆能够实时感知并响应周围的动态情况。具体来说，采集频率通常需要在每秒30。30FPS）到60。60FPS）之间。这一频率范围能够在平衡数据处理能力和实时性需求的同时，提供足够的环境细节和更新速度，确保车辆在复杂和高动态的物流中心环境中安全高效地运行。[0060] 获取物流中心的物资转运车辆转运网络信息，对转运网络进行特征提。⒍蕴崛〉奶卣鹘蟹治龊，对转运网络内的物资转运车辆进行动态分析；[0061] 从转运网络中提取的特征包括车辆行驶路径中交叉点的数量和高优先级任务占总任务的比例，将物流中心的物资转运过程划分为若干个相同时长的固定检测窗口，对每个固定检测窗口下车辆行驶路径中交叉点的数量和高优先级任务占总任务的比例进行分析后，生成路径交叉点指数和任务优先级占比指数，通过路径交叉点指数和任务优先级占比指数对转运网络内的物资转运车辆进行动态分析。[0062] 在固定检测窗口下对车辆行驶路径中交叉点的数量进行特征提取的步骤如下：[0063] 收集车辆在物流中心内的行驶路径数据，并对收集的行驶路径数据进行预处理；[0064] 首先，需要收集车辆在物流中心内的行驶路径数据。这些数据通常通过车辆安装的GPS、视觉传感器（如摄像头、激光雷达等）以及中央控制系统记录的位置信息获取。收集的数据可能包含时间戳、车辆坐标、速度、方向等信息。为了确保数据的准确性和一致性，需要对数据进行预处理，包括去除噪声、处理缺失值和进行坐标转换等操作。预处理后的数据将作为后续分析的基。繁Ｌ卣魈崛」痰目煽啃。[0065] 对于每个固定检测窗口内的路径段，应用空间分析算法识别路径中的交叉点；[0066] 常用的空间分析算法包括R树或四叉树等。具体而言，可以使用路径线段之间的相交检测技术，确定哪些点是实际的交叉点。检测到的交叉点需要进行进一步统计，包括每个固定检测窗口内交叉点的数量和位置。[0067] 在完成交叉点的检测和统计后，将每个固定检测窗口内的交叉点数量作为特征提取出来。[0068] 在固定检测窗口下对高优先级任务占总任务的比例进行特征提取的步骤如下：[0069] 在每个固定检测窗口内，收集所有的任务数据；[0070] 任务数据包括任务的开始时间、结束时间、优先级、任务类型等。任务优先级可以通过预先设定的规则进行标记，例如高优先级任务标记为1，低优先级任务标记为0。在数据收集过程中，确保数据的准确性和完整性是关键，这可以通过自动化的数据采集系统来实现，减少人为干预和错误。同时，数据收集过程中要注意保护数据隐私和安全，遵循相关法规和标准。[0071] 在每个固定检测窗口结束后，对收集到的任务数据进行分类，分别统计高优先级任务和低优先级任务的数量；[0072] 首先，通过任务标记将高优先级任务和低优先级任务区分开来。然后，计算总任务数，包括高优先级任务和低优先级任务的数量。这一步的准确性直接影响后续的特征提取结果，因此需要确保分类和统计过程的精确性。[0073] 在完成任务分类和总任务数统计后，计算高优先级任务占总任务的比例；[0074] 具体公式为：高优先级任务比例=高优先级任务数/总任务数。例如，如果在一个固定检测窗口内共有100个任务，其中20个为高优先级任务，则高优先级任务比例为20%。这一比例反映了当前固定检测窗口内高优先级任务的相对重要性，能够为系统提供关键的任务负载信息。[0075] 将计算得到的高优先级任务比例作为特征存储在系统的数据库中，供后续分析和应用；[0076] 这一特征可以用于实时监控、系统优化、预测分析等多个方面。例如，通过历史数据分析，可以发现高优先级任务比例的变化趋势，提前预测高负载时段，优化资源分配和调度策略。[0077] 物流中心物资转运车辆转运物资形成的转运网络中的车辆行驶路径中交叉点的数量越多，表明转运网络越交织复杂。这是因为交叉点的数量直接影响了车辆行驶的协调难度和潜在冲突的频率。每个交叉点都是一个潜在的冲突点，多个车辆在同一时间可能会通过同一个交叉点，增加了路径规划的复杂性和车辆调度的难度。更高的交叉点数量意味着车辆在行驶过程中需要更频繁地减速、停下、避让，从而增加了行驶时间和能源消耗，降低了物流效率。[0078] 此外，更多的交叉点也意味着路径选择的灵活性增加，导致路径规划算法需要考虑更多的变量和约束条件。这不仅增加了计算的复杂性，还可能导致路径规划的不确定性和实时性挑战。在高密度交叉点区域，任何一个车辆的延误或故障都可能引发连锁反应，导致大范围的交通拥堵和物流中断。因此，交叉点的数量是衡量转运网络复杂性的重要指标，越多的交叉点往往意味着更复杂的转运网络，需要更高级的路径规划和调度算法来确保物流中心的高效运行。[0079] 在固定检测窗口下，对物流中心转运网络中的车辆行驶路径中交叉点的数量进行分析后，生成路径交叉点指数的步骤如下：[0080] 在每个固定检测窗口内，使用传感器和车辆导航系统，收集所有车辆的行驶路径数据，路径数据包括车辆的起点、终点、路径点序列和时间戳，将路径数据的格式用多维坐标点序列表示，记为 ，其中 和 是车辆在时间 的位置坐标；[0081] 分析路径数据，识别出车辆行驶路径中的交叉点，交叉点定义为两条或多条路径在空间和时间上相交的点，每个交叉点用坐标 表示，并记录交叉的路径编号和时间戳；[0082] 在固定检测窗口内，统计所有识别出的交叉点数量 ，同时，计算总路径段数量和每条路径的平均长度 ，路径段数量是所有车辆路径中不同路段的数量，每条路径的平均长度是路径长度的总和除以路径数量，根据交叉点数量、总路径段数量和每条路径的平均长度，计算路径交叉点指数，计算的表达式为：，式中， 表示路径交叉点指数， 表示交叉点j到路径段i的距离， 表示路径段i在交叉点k处的相对速度， 表示每路径段的平均交叉点数量，反映了路径交织的复杂度， 表示路径长度的倒数，确保较长路径不会显著拉低指数， 的表达式中结合了路径段和交叉点的距离及相对速度，计算路径复杂度的加权和，可实现全面评估物流中心内物资转运车辆的行驶路径的复杂性；[0083] 需要说明的是，车辆配备有速度传感器（如轮速传感器、惯性测量单元（IMU）），可以实时记录车辆在行驶过程中的速度数据，从而获取路径段i在交叉点k处的相对速度 。[0084] 由路径交叉点指数可知，在固定检测窗口下，对物流中心转运网络中的车辆行驶路径中交叉点的数量进行分析后，生成的路径交叉点指数的表现值越大，表明物流中心的转运网络越复杂交织。具体而言，较高的路径交叉点指数反映了更多的路径交叉点、较高的交叉点密度以及车辆在这些交叉点处较高的相对速度，指示了更复杂的交通状况和更大的协调难度。相反，较低的路径交叉点指数则表明路径交织程度较低，车辆行驶路径相对简单，交通状况较为顺畅，调度和路径规划也相对容易。[0085] 在物流中心物资转运车辆的转运网络中，高优先级任务占总任务的比例越高，通常表明转运网络越交织复杂。这是因为高优先级任务通常需要更快的响应时间、更灵活的路径规划以及更高的资源调配效率，以确保这些任务能够按时完成。由于这些任务对时间和资源的要求较高，物流系统必须迅速调整和重新分配现有资源来满足需求，这种频繁的调整和调度增加了系统的复杂性。高优先级任务的增多意味着更多的任务需要同时进行，这不仅增加了路径规划的难度，还提高了车辆之间的协调需求，导致转运网络更加交织和复杂。[0086] 此外，高优先级任务往往涉及关键货物或时间敏感的交付，这对物流中心的整体运营提出了更高的要求。为了满足这些高优先级任务，系统必须在多任务处理和资源分配上更加精细和迅速。具体表现为，车辆可能需要在更短的时间内完成更多的路线调整，避开拥堵或其他障碍，同时确保任务的高效完成。这种情况下，任何一个小的延误或错误都可能引发连锁反应，影响其他任务的进度，进一步增加系统的复杂性。因此，高优先级任务比例的增加不仅仅是数量上的变化，更是对整个转运网络运行模式和效率的重大挑战，反映出网络的高度交织和复杂性。[0087] 在固定检测窗口下，对物流中心转运网络中的高优先级任务占总任务的比例进行分析后，生成任务优先级占比指数的步骤如下：[0088] 在每个检测窗口内，收集所有任务的数据，标记高优先级任务和低优先级任务，高优先级任务标记为1，低优先级任务标记为0，将任务按优先级分类；[0089] 计算高优先级任务占总任务的比例，计算的表达式为： ，其中， 表示高优先级任务比例， 表示检测窗口内的高优先级任务数量， 表示检测窗口内的总任务数量；[0090] 引入任务权重和时间因素，计算加权高优先级任务比例，计算的表达式为：，式中， 表示加权高优先级任务比例， 表示第f个任务的权重，任务权重可以基于任务的紧急程度和重要性进行设置， 表示第f个任务的时间因素（时间因素可以是任务的执行时间，也可以是任务的开始时间到检测窗口结束时间的剩余时间）；[0091] 基于高优先级任务比例 和加权高优先级任务比例 计算任务优先级占比指数，计算的表达式为： ，式中， 表示任务优先级占比指数， 和 分别表示高优先级任务比例 和加权高优先级任务比例 的权重系数，且满足 ，权重系数 和 可根据实际情况进行调整，以平衡基本比例和加权比例的影响，在此不做具体的限定。[0092] 由任务优先级占比指数可知，在固定检测窗口下，对物流中心转运网络中的高优先级任务占总任务的比例进行分析后，生成的任务优先级占比指数的表现值越大，表明物流中心的转运网络越复杂和交织。这是因为高优先级任务通常需要更快速地响应、更灵活的路径规划和更高的资源调配效率，以确保任务的及时完成。这种需求增加了系统的调度难度和路径规划的复杂性。反之，任务优先级占比指数的表现值越。虮砻魑锪髦行牡淖送缭郊虻，任务之间的相互干扰较少，系统运行更加顺畅。[0093] 将分析后的特征输入至预先训练好的深度学习模型中，通过深度学习模型对转运网络的动态变化情况进行评估，进一步将转运网络划分为交织转运网络和简单转运网络；[0094] 将分析后的路径交叉点指数 和任务优先级占比指数 输入至预先训练好的深度学习模型中，生成复杂度评估系数 ，通过复杂度评估系数对转运网络的动态变化情况进行评估。[0095] 深度学习模型在此不做具体的限定，能实现将路径交叉点指数 和任务优先级占比指数 进行综合分析生成复杂度评估系数 的深度学习模型均可，为了实现本发明的技术方案，本发明提供一种具体的实现方式；[0096] 复杂度评估系数 生成的计算公式为：，式中， 、 分别为路径交叉点指数 和任务优先级占比指数 的预设比例系数，且 、 均大于0。[0097] 由复杂度评估系数可知，在固定检测窗口内，对车辆行驶路径中交叉点的数量进行分析后，生成的路径交叉点指数的表现值越大，对高优先级任务占总任务的比例进行分析后，生成的任务优先级占比指数的表现值越大，也即生成的复杂度评估系数的表现值越大，表明物流中心物资转运车辆转运物资形成的转运网络越交织复杂，反之则表明物流中心物资转运车辆转运物资形成的转运网络越简单。[0098] 将在固定检测窗口对转运网络分析生成的复杂度评估系数与预先设定的复杂度评估系数参考阈值进行比对分析，对转运网络进行进一步划分，具体的划分步骤如下：[0099] 若复杂度评估系数大于等于复杂度评估系数参考阈值，则将该固定检测窗口下的转运网络划分为交织转运网络；[0100] 若复杂度评估系数小于复杂度评估系数参考阈值，则将该固定检测窗口下的转运网络划分为简单转运网络。[0101] 针对简单转运网络，继续以标准图像采集频率获取周围环境的图像和深度信息实现实时的行驶路径动态规划；[0102] 对于在物流中心内被识别为简单转运网络的区域，物资转运车辆将继续以预设的标准图像采集频率（如每秒30帧或60。┗袢≈芪Щ肪车耐枷窈蜕疃刃畔。这些数据用于实时动态规划车辆的行驶路径，以确保车辆能够高效、安全地完成任务。在这种相对简单的环境中，标准图像采集频率的感知能够提供足够的环境信息，支持车辆进行有效的路径规划和导航。[0103] 针对交织转运网络，以标准图像采集频率为基。允泳醮衅鞯氖导释枷癫杉德式卸骺，并以调控后的实际图像采集频率获取周围环境的图像和深度信息；[0104] 针对交织转运网络，以标准图像采集频率为基。允泳醮衅鞯氖导释枷癫杉德式卸骺氐木咛宀街枞缦：[0105] 确定标准图像采集频率 、复杂度评估系数 以及复杂度评估系数参考阈值 ；[0106] 计算当前复杂度评估系 与复杂度评估系数参考阈值 的复杂度比率R，以评估当前转运网络的复杂程度，其中， ；[0107] 定义一个调控函数 ，用于根据复杂度比率R动态调整实际图像采集频率，调控函数 定义为： ，式中， 为调节系数，确定复杂度比率对采集频率调整的敏感度，通常设定为大于0的常数；[0108] 根据调控函数 和复杂度比率R，计算动态调控后的实际图像采集频率，计算的表达式为： ，式中， 表示动态调控后的实际图像采集频率；[0109] 将计算得到的实际图像采集频率 应用于视觉传感器，调整传感器的图像采集频率，以获取周围环境的图像和深度信息；[0110] 通过此方式确保传感器在高复杂度时增加采集频率，以提高环境感知能力，在低复杂度时保持标准频率以节省资源。[0111] 本发明通过上述基于视觉感知的物资转运车辆路径规划方法，有效解决了物流中心内固定频率环境感知不足导致的频繁碰撞和交通拥堵问题。通过标准图像采集频率获取环境信息进行基础路径规划，结合对转运网络特征的提取和分析，利用深度学习模型进行动态评估和划分网络复杂度，进一步调整视觉传感器的采集频率，实现了对简单和交织转运网络的适应性管理。在简单转运网络中维持标准频率，在交织转运网络中动态提升采集频率，确保了车辆在复杂环境中的实时感知和路径规划能力，从而提升了整体物流效率，减少了交通拥堵，提高了高峰期货物的及时配送能力，显著增强了物流中心的运营稳定性和效率。[0112] 本发明提供了如图2所示的基于视觉感知的物资转运车辆路径规划专用车，包括基础路径规划模块、特征提取与动态分析模块、深度学习评估与网络划分模块、简单网络路径规划模块以及交织网络动态调控模块；[0113] 基础路径规划模块，通过视觉传感器以标准图像采集频率获取周围环境的图像和深度信息，实现实时的行驶路径动态规划；[0114] 特征提取与动态分析模块，获取物流中心的物资转运车辆转运网络信息，对转运网络进行特征提。⒍蕴崛〉奶卣鹘蟹治龊，对转运网络内的物资转运车辆进行动态分析；[0115] 深度学习评估与网络划分模块，将分析后的特征输入至预先训练好的深度学习模型中，通过深度学习模型对转运网络的动态变化情况进行评估，进一步将转运网络划分为交织转运网络和简单转运网络；[0116] 简单网络路径规划模块，针对简单转运网络，继续以标准图像采集频率获取周围环境的图像和深度信息实现实时的行驶路径动态规划；[0117] 交织网络动态调控模块，针对交织转运网络，以标准图像采集频率为基。允泳醮衅鞯氖导释枷癫杉德式卸骺，并以调控后的实际图像采集频率获取周围环境的图像和深度信息；[0118] 本发明实施例提供的基于视觉感知的物资转运车辆路径规划方法，通过上述基于视觉感知的物资转运车辆路径规划专用车来实现，基于视觉感知的物资转运车辆路径规划专用车的具体方法和流程详见上述基于视觉感知的物资转运车辆路径规划方法的实施例，此处不再赘述。[0119] 上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。[0120] 以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。[0121] 以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。

专利地区：辽宁

专利申请日期：2024-08-09

专利公开日期：2024-11-22

专利公告号：CN118657467B