一种基于车联网大数据的整车智能控制方法及系统

技术领域

本发明属于整车智能控制技术领域，具体是指一种基于车联网大数据的整车智能控制方法及系统。

背景技术

整车智能控制是通过各种系统和技术相互协作，以实现更安全、高效和便捷的驾驶体验。但是现有技术采集的多传感器实时数据存在缺失值和异常值，增加数据的不准确性和不可靠性，得到不准确的整车状态和环境信息的问题；存在传统的路径规划算法初始化位置分布不均匀，遍历性较弱，以及路径规划算法后期，位置更新的多样性降低，算法陷入局部最优和过早收敛，导致产生错误的驾驶决策，增加事故的风险的问题。

发明内容

针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于车联网大数据的整车智能控制方法及系统，针对采集的多传感器实时数据存在缺失值和异常值，增加数据的不准确性和不可靠性，得到不准确的整车状态和环境信息的问题，本方案采用车联网平台处理数据，使用均值替换法替换缺失值，通过KNN重新定义了DPC算法的局部密度，消除了截止距离对聚类性能的影响，从异常值检测的角度定义和优化了确定异常值的规则，准确有效地消除异常值，并基于EKF进行数据融合，得到更准确的整车状态和环境信息；针对传统的路径规划算法初始化位置分布不均匀，遍历性较弱，以及路径规划算法后期，位置更新的多样性降低，算法陷入局部最优和过早收敛，导致产生错误的驾驶决策，增加事故的风险的问题，本方案采用改进后的混沌变量优化位置初始化过程，增强遍历性，提高初始个体多样性，并使用自适应惯性权重调节函数优化第一次位置更新过程，以及使用拉普拉斯分布函数和经验交换策略优化第二次位置更新过程，平衡全局与局部寻优能力，避免陷入局部最优，从而找到最优路径规划方案。

本发明采取的技术方案如下：本发明提供的一种基于车联网大数据的整车智能控制方法，该方法包括以下步骤：

步骤S1：数据采集，采集多传感器实时数据并上传到车联网平台；

步骤S2：数据处理，用均值替换法替换缺失值，通过KNN重新定义局部密度，识别并删除异常值，并基于EKF进行数据融合，得到整车状态和环境信息；

步骤S3：计算目标函数，基于整车状态和环境信息计算目标函数；

步骤S4：路径规划，采用改进后的混沌变量优化位置初始化过程，并使用自适应惯性权重调节函数优化第一次位置更新过程，以及使用拉普拉斯分布函数和经验交换策略优化第二次位置更新过程，找到最优路径规划方案；

步骤S5：整车智能控制，按照最优路径规划方案进行整车自动驾驶智能控制。

进一步地，在步骤S1中，所述数据采集是基于整车上安装的激光雷达、惯性测量单元和车轮里程计采集多传感器实时数据形成分析数据集，将分析数据集上传到车联网平台并进行存储。

进一步地，在步骤S2中，所述数据处理具体包括以下步骤：

步骤S21：数据预处理，使用均值替换法替换分析数据集中的缺失值；

步骤S22：计算欧几里得距离，所用公式如下：

；

式中，w

步骤S23：计算局部密度，所用公式如下：

；

式中，ρ

步骤S24：计算相对距离，所用公式如下：

；

式中，ξ

步骤S25：计算局部密度的阈值，预先设定局部密度经验参数r

；

式中，ρ

步骤S26：计算相对距离的阈值，预先设定相对距离经验参数r

；

式中，ξ

步骤S27：删除异常值，将ρ

步骤S28：数据融合，基于EKF将删除异常值后的分析数据集中的数据进行融合，得到更准确的整车状态和环境信息。

进一步地，在步骤S3中，所述计算目标函数具体包括以下步骤：

步骤S31：路径初始化，将需要规划的路径分为M-1条线段，P

u=[x

式中，u是路径规划中整车坐标点（x

步骤S32：计算路径长度最小化的目标函数，所用公式如下：

；

式中，J

步骤S33：计算路径平滑度最大的目标函数，所用公式如下：

；

；

式中，J

步骤S34：计算整车与障碍物之间的距离，所用公式如下：

；

式中，d

步骤S35：计算最小安全距离，预先设定确保整车避免碰撞的临界值即加权因子ζ，且0.5<ζ<1，所用公式如下：

；

式中，

步骤S36：计算惩罚项，所用公式如下：

；

式中，

步骤S37：计算路径规划算法的目标函数，预先设定J

；

式中，J（u）是路径规划算法的目标函数。

进一步地，在步骤S4中，所述路径规划具体包括以下步骤：

步骤S41：个体构建，每个个体表示一个路径规划方案，所用公式如下：

X=[x

D

式中，X是个体，（x

步骤S42：参数初始化，预先设定个体数量Np、混沌变量控制参数β、混沌变量初始条件h

步骤S43：个体位置初始化，基于混沌变量初始条件生成Np个混沌变量，对每个混沌变量随机生成一个[0，1]之间的随机数λ，改进混沌变量，基于改进后的混沌变量初始化个体位置，所用公式如下：

h

；

；

式中，h是原始混沌变量，n是混沌变量的索引，

步骤S44：计算适应度值和全局最优位置，基于步骤S37的目标函数J，计算每个个体的适应度值，将所有个体的适应度值按从小到大的顺序进行排列，选择最小适应度值作为最优适应度值，最优适应度值对应的个体作为最优个体，最优个体的位置作为全局最优位置X

步骤S45：计算平均值，所用公式如下：

；

式中，E

步骤S46：计算差异值，所用公式如下：

γ=round（1+rand（0，1））；

；

式中，γ是最优因子，F

步骤S47：第一次位置更新，基于自适应惯性权重调节函数进行第一次位置更新，所用公式如下：

；

；

；

；

式中，g（t）是第t次迭代中个体适应度值降低率，n

步骤S48：第二次位置更新，基于拉普拉斯分布函数和经验交换策略进行第二次位置更新，所用公式如下：

；

；

式中，Laplace（）是拉普拉斯分布函数，ε是位置参数，s是刻度参数，X2

步骤S49：更新全局最优位置，采用步骤S44相同的方法计算个体的适应度值，更新最优适应度值、最优个体和全局最优位置；

步骤S410：确定最优路径规划方案，当最优适应度值低于评估阈值ψ，则将当前全局最优位置作为最优路径规划方案，并将最优路径规划方案发送至整车的自动驾驶控制器；否则，若达到最大迭代次数T，则转至步骤S43；否则转至步骤S45。

进一步地，在步骤S5中，所述整车智能控制是自动驾驶控制器按照车联网平台发送的最优路径规划方案进行整车自动驾驶智能控制。

本发明提供的一种基于车联网大数据的整车智能控制系统，包括数据采集模块、数据处理模块、计算目标函数模块、路径规划模块和整车智能控制模块；

所述数据采集模块基于整车上安装的激光雷达、惯性测量单元和车轮里程计采集多传感器实时数据形成分析数据集，将分析数据集上传到车联网平台并进行存储，并将分析数据集发送到数据处理模块；

所述数据处理模块用均值替换法替换缺失值，通过KNN重新定义局部密度，识别并删除异常值，并基于EKF进行数据融合，得到整车状态和环境信息，并将整车状态和环境信息发送至计算目标函数模块；

所述计算目标函数模块基于整车状态和环境信息计算目标函数，并将目标函数发送至路径规划模块；

所述路径规划模块采用改进后的混沌变量优化位置初始化过程，并使用自适应惯性权重调节函数优化第一次位置更新过程，以及使用拉普拉斯分布函数和经验交换策略优化第二次位置更新过程，找到最优路径规划方案，并将最优路径规划方案发送至整车智能控制模块；

所述整车智能控制模块按照最优路径规划方案进行整车自动驾驶智能控制。

采用上述方案本发明取得的有益效果如下：

（1）针对采集的多传感器实时数据存在缺失值和异常值，增加数据的不准确性和不可靠性，得到不准确的整车状态和环境信息的问题，本方案采用车联网平台处理数据，使用均值替换法替换缺失值，通过KNN重新定义了DPC算法的局部密度，消除了截止距离对聚类性能的影响，从异常值检测的角度定义和优化了确定异常值的规则，准确有效地消除异常值，并基于EKF进行数据融合，得到更准确的整车状态和环境信息。

（2）针对传统的路径规划算法初始化位置分布不均匀，遍历性较弱，以及路径规划算法后期，位置更新的多样性降低，算法陷入局部最优和过早收敛，导致产生错误的驾驶决策，增加事故的风险的问题，本方案采用改进后的混沌变量优化位置初始化过程，增强遍历性，提高初始个体多样性，并使用自适应惯性权重调节函数优化第一次位置更新过程，以及使用拉普拉斯分布函数和经验交换策略优化第二次位置更新过程，平衡全局与局部寻优能力，避免陷入局部最优，从而找到最优路径规划方案。

附图说明

图1为本发明提供的一种基于车联网大数据的整车智能控制方法的流程示意图；

图2为本发明提供的一种基于车联网大数据的整车智能控制系统的示意图；

图3为步骤S2的流程示意图；

图4为步骤S3的流程示意图；

图5为步骤S4的流程示意图。

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，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，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

实施例一，参阅图1，本发明提供的一种基于车联网大数据的整车智能控制方法，该方法包括以下步骤：

步骤S1：数据采集，采集多传感器实时数据并上传到车联网平台；

步骤S2：数据处理，用均值替换法替换缺失值，通过KNN重新定义局部密度，识别并删除异常值，并基于EKF进行数据融合，得到整车状态和环境信息；

步骤S3：计算目标函数，基于整车状态和环境信息计算目标函数；

步骤S4：路径规划，采用改进后的混沌变量优化位置初始化过程，并使用自适应惯性权重调节函数优化第一次位置更新过程，以及使用拉普拉斯分布函数和经验交换策略优化第二次位置更新过程，找到最优路径规划方案；

步骤S5：整车智能控制，按照最优路径规划方案进行整车自动驾驶智能控制。

实施例二，参阅图1，该实施例基于上述实施例，在步骤S1中，数据采集是基于整车上安装的激光雷达、惯性测量单元和车轮里程计采集多传感器实时数据形成分析数据集，将分析数据集上传到车联网平台并进行存储。

实施例三，参阅图1和图3，该实施例基于上述实施例，在步骤S2中，数据处理具体包括以下步骤：

步骤S21：数据预处理，使用均值替换法替换分析数据集中的缺失值；

步骤S22：计算欧几里得距离，所用公式如下：

；

式中，w

步骤S23：计算局部密度，所用公式如下：

；

式中，ρ

步骤S24：计算相对距离，所用公式如下：

；

式中，ξ

步骤S25：计算局部密度的阈值，预先设定局部密度经验参数r

；

式中，ρ

步骤S26：计算相对距离的阈值，预先设定相对距离经验参数r

；

式中，ξ

步骤S27：删除异常值，将ρ

步骤S28：数据融合，基于EKF将删除异常值后的分析数据集中的数据进行融合，得到更准确的整车状态和环境信息。

通过执行上述操作，针对采集的多传感器实时数据存在缺失值和异常值，增加数据的不准确性和不可靠性，得到不准确的整车状态和环境信息的问题，本方案采用车联网平台处理数据，使用均值替换法替换缺失值，通过KNN重新定义了DPC算法的局部密度，消除了截止距离对聚类性能的影响，从异常值检测的角度定义和优化了确定异常值的规则，准确有效地消除异常值，并基于EKF进行数据融合，得到更准确的整车状态和环境信息。

实施例四，参阅图1和图4，该实施例基于上述实施例，在步骤S3中，计算目标函数具体包括以下步骤：

步骤S31：路径初始化，将需要规划的路径分为M-1条线段，P

u=[x

式中，u是路径规划中整车坐标点（x

步骤S32：计算路径长度最小化的目标函数，所用公式如下：

；

式中，J

步骤S33：计算路径平滑度最大的目标函数，所用公式如下：

；

；

式中，J

步骤S34：计算整车与障碍物之间的距离，所用公式如下：

；

式中，d

步骤S35：计算最小安全距离，预先设定确保整车避免碰撞的临界值即加权因子ζ，且0.5<ζ<1，所用公式如下：

；

式中，

步骤S36：计算惩罚项，所用公式如下：

；

式中，

步骤S37：计算路径规划算法的目标函数，预先设定J

；

式中，J（u）是路径规划算法的目标函数。

实施例五，参阅图1和图5，该实施例基于上述实施例，在步骤S4中，路径规划具体包括以下步骤：

步骤S41：个体构建，每个个体表示一个路径规划方案，所用公式如下：

X=[x

D

式中，X是个体，（x

步骤S42：参数初始化，预先设定个体数量Np、混沌变量控制参数β、混沌变量初始条件h

步骤S43：个体位置初始化，基于混沌变量初始条件生成Np个混沌变量，对每个混沌变量随机生成一个[0，1]之间的随机数λ，改进混沌变量，基于改进后的混沌变量初始化个体位置，所用公式如下：

h

；

；

式中，h是原始混沌变量，n是混沌变量的索引，

步骤S44：计算适应度值和全局最优位置，基于步骤S37的目标函数J，计算每个个体的适应度值，将所有个体的适应度值按从小到大的顺序进行排列，选择最小适应度值作为最优适应度值，最优适应度值对应的个体作为最优个体，最优个体的位置作为全局最优位置X

步骤S45：计算平均值，所用公式如下：

；

式中，E

步骤S46：计算差异值，所用公式如下：

γ=round（1+rand（0，1））；

；

式中，γ是最优因子，F

步骤S47：第一次位置更新，基于自适应惯性权重调节函数进行第一次位置更新，所用公式如下：

；

；

；

；

式中，g（t）是第t次迭代中个体适应度值降低率，n

步骤S48：第二次位置更新，基于拉普拉斯分布函数和经验交换策略进行第二次位置更新，所用公式如下：

；

；

式中，Laplace（）是拉普拉斯分布函数，ε是位置参数，s是刻度参数，X2

步骤S49：更新全局最优位置，采用步骤S44相同的方法计算个体的适应度值，更新最优适应度值、最优个体和全局最优位置；

步骤S410：确定最优路径规划方案，当最优适应度值低于评估阈值ψ，则将当前全局最优位置作为最优路径规划方案，并将最优路径规划方案发送至整车的自动驾驶控制器；否则，若达到最大迭代次数T，则转至步骤S43；否则转至步骤S45。

通过执行上述操作，针对传统的路径规划算法初始化位置分布不均匀，遍历性较弱，以及路径规划算法后期，位置更新的多样性降低，算法陷入局部最优和过早收敛，导致产生错误的驾驶决策，增加事故的风险的问题，本方案采用改进后的混沌变量优化位置初始化过程，增强遍历性，提高初始个体多样性，并使用自适应惯性权重调节函数优化第一次位置更新过程，以及使用拉普拉斯分布函数和经验交换策略优化第二次位置更新过程，平衡全局与局部寻优能力，避免陷入局部最优，从而找到最优路径规划方案。

实施例六，参阅图1，该实施例基于上述实施例，在步骤S5中，整车智能控制是自动驾驶控制器按照车联网平台发送的最优路径规划方案进行整车自动驾驶智能控制。

实施例七，参阅图2，该实施例基于上述实施例，本发明提供的一种基于车联网大数据的整车智能控制系统，包括数据采集模块、数据处理模块、计算目标函数模块、路径规划模块和整车智能控制模块；

所述数据采集模块基于整车上安装的激光雷达、惯性测量单元和车轮里程计采集多传感器实时数据形成分析数据集，将分析数据集上传到车联网平台并进行存储，并将分析数据集发送到数据处理模块；

所述数据处理模块用均值替换法替换缺失值，通过KNN重新定义局部密度，识别并删除异常值，并基于EKF进行数据融合，得到整车状态和环境信息，并将整车状态和环境信息发送至计算目标函数模块；

所述计算目标函数模块基于整车状态和环境信息计算目标函数，并将目标函数发送至路径规划模块；

所述路径规划模块采用改进后的混沌变量优化位置初始化过程，并使用自适应惯性权重调节函数优化第一次位置更新过程，以及使用拉普拉斯分布函数和经验交换策略优化第二次位置更新过程，找到最优路径规划方案，并将最优路径规划方案发送至整车智能控制模块；

所述整车智能控制模块按照最优路径规划方案进行整车自动驾驶智能控制。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。