一种挂车监控设备的控制系统及多重控制方法与流程

本发明挂车监控控制，尤其是涉及一种汽车挂车监控设备的控制系统及多重控制方法。

背景技术：

1、挂车是指由汽车牵引而本身无动力驱动装置的车辆。由一辆汽车(货车或牵引车、叉车)与一辆或一辆以上挂车的组合。载货汽车和牵引汽车为汽车列车的驱动车节，称为主车。被主车牵引的从动车节称为挂车。是公路运输的重要车种，采用汽车列车运输是提高经济效益最有效而简单的重要手段。具有迅速、机动、灵活、安全等优势；可方便地实现区段运输。

2、挂车在行驶过程中，因视觉盲区的存在，在车辆转弯或变道的过程中极易与周围人员或车辆发生碰撞，造成安全事故，在挂车倒车或者驶入一些较窄路况时，也容易出现磕碰或存在多个视角盲区的情况，导致危险系数比起一般轿车大大增加，并且由于盲点多且路况多变在一些恶劣环境或光线不好的情况下，仍然存在较大安全隐患；另外，挂车能否与周围车辆或物体保持一定的安全距离也是驾驶人员特别关注的问题。

3、在挂车的领域中，通常因为挂车的车型较大，所以在行车、启动挂车时和倒车时车辆容易出现盲点，然而因为车辆盲点较多，通过普通的行车记录仪进行监控会导致驾驶员分身乏术，一种可以减少视觉盲区，提高驾驶安全性的报警系统是非常必要的。

技术实现思路

1、本发明的目的在于提出一种汽车挂车监控设备的控制系统及多重控制方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

2、一种挂车监控设备的多重控制方法，所述方法包括以下步骤：

3、s100：通过在挂车的盲点区域增加摄像头获取车辆周围实时监控画面，并构建监控模型；

4、s200：读取监控模型，获取挂车形式状态下的环境数据与行驶数据；

5、s300：通过系统自动多重控制视角切换，确定在行驶过程中的环境状态，输出行驶状态提示指令；

6、s400：读取监控模型，获取倒车状态下挂车的盲点区域的环境数据；

7、s500：通过倒车时系统自动多重控制视角切换，输出倒车操作提示指令；

8、s600：通过在行驶过程中的环境状态并整合车身控制数据以及倒车状态下输出倒车操作提示指令，经过卷积神经网络输出挂车的控制策略。

9、进一步地，在步骤s100中，所述在挂车的盲点区域增加摄像头，通过摄像头获取当前监控画面，将所述监控画面转化为图像数据并上传至云端控制系统中，通过云端控制系统读取所述图像数据，通过自主学习输出监控模型，所述监控模型为通过监控画面自动判断监控画面中出现的车辆与障碍物与挂车车身距离的变化组合成的判断模型。

10、进一步地，在步骤s200中，读取监控模型，获取监控模型中画面中出现的障碍物与车身的距离和画面中出现的车辆的位置信息，生成包含时间戳、障碍物及挂车车辆的三维坐标和速度矢量的实时行驶数据，对同一时间戳的实时行驶数据融合生成云端的融合点云数据。

11、进一步地，通过融合点云数据对车辆行驶中的危险进行判断，所述判断方法为：

12、将融合点云数据基于所述判断模型对监控画面中的障碍物进行分类，通过ai识别障碍物类型和障碍物位置；对障碍物类别模拟障碍物体积于模型中，并且根据障碍物位置确定模型中障碍物的坐标，通过置信度确定障碍物后续的运动轨迹，将汽车定义为固定参考点，其坐标定义为（0,0），基于零点校准机制，对障碍物的坐标进行坐标转换和速度矢量校准，生成统一参考系下的校准挂车行驶状态下的环境数据；将校准挂车行驶状态下的环境数据定义为[，]，其中表示为当前时刻下的障碍物的坐标点的速度矢量，所述（，）表示为障碍物集合[o]的坐标点，所述坐标点表示为障碍物轮廓坐标点，j表示为在整个障碍物轮廓坐标点中随机排序的第j个坐标点；

13、采用加权平均融合算法对所述校准挂车行驶状态环境数据进行融合处理，得到包含时间戳、三维坐标和速度矢量的结构化数据集；对所述结构化数据集进行去噪处理，生成最终的融合点云数据。

14、进一步地，在步骤s300中，根据所述最终的融合点云数据的精度要求，调整所述加权平均融合算法的权重参数；基于权重参数和融合点云数对当前车辆安全进行判断，并记录当前安全信息，所述方法为：

15、s301：识别障碍物类型，将障碍物类型根据零点校准机制判断为静止障碍物和运动障碍物，所述运动障碍物根据速度差异包括其它车辆及其他运动障碍物，将所述静止障碍物根据汽车运动速度标定静止障碍物相对运动状态，静止障碍物的坐标值定义为，所述记录静止障碍物相对运动状态的两相邻点的差值为，，a为静止障碍物相对运动状态轨迹的斜率，为记录的初始状态坐标点的y值，所述静止障碍物相对运动状态轨迹表示为：，所述为静止障碍物相对运动状态轨迹的斜率均值；

16、优选地，通过将障碍物集合[o]，根据障碍物分类后，将属于静止障碍物的坐标构建集合[os]，将属于其它车辆的坐标构建集合[oc]，将属于其他运动障碍物的坐标构建集合[om]，所述集合中记录为障碍物轮廓坐标点，通过障碍物轮廓坐标点获取障碍物面积，根据障碍物面积与其运动状态轨迹计算得到运动状态面积；

17、s302：所述运动障碍物中其他运动障碍物的运动轨迹，获取其他运动障碍物的初始运动坐标点，记录在初始运动坐标点到第二运动坐标点的方向定义为第一运动方向，记录运动状态下两个相邻的坐标点与第一运动方向不相同的运动方向为第二运动方向，记录所有第二运动方向与第一运动方向形成的小于90°的夹角，根据夹角与相邻坐标点均值构成安全扇形面积s，通过扇形面积s与其运动轨迹构筑成所述其他运动障碍物的运动轨迹；

18、优选地，所述其他运动障碍物的运动轨迹为根据扇形面积s以及移动轨迹建立的路径面积，通过对应路径面积可更好表示其他运动障碍物的在行驶过程中的不确定性，所述其他运动障碍物的运动轨迹可表示为：，其中，所述为他运动障碍物相对运动状态轨迹的斜率均值，为第i时刻的扇形面积s；

19、s303：所述其它车辆的的运动轨迹，通过gps模块获取当前挂车车辆的速度v，根据当前车辆的速度判断其它车辆的速度c，通过其他车辆速度判断其安全行驶路径，并输出其它车辆的运动轨迹；获取在挂车行驶过程中判断模型中多个视角的监控画面和挂车行驶过程中的其它车辆定位数据，并根据监控画面中出现的其它车辆的数量和其它车辆距离挂车车身的长度判断车辆行驶的路况，输出其它车辆的运动轨迹；

20、s304：根据融合点云数据计算融合算法的权重系数判断当前挂车车辆行驶安全的控制方法：将所述静止障碍物相对运动状态轨迹、其他运动障碍物的运动轨迹和其它车辆的运动轨迹上传云端生成融合点云数据，根据所述融合点云数据，生成扩展数据集，计算障碍物的风险等级数据，根据所述障碍物的风险等级数据生成紧急干预提示指令，所述提示指令包括障碍物危险提示及当前行驶状态提示。

21、优选地，将所述障碍物的运动轨迹及运动状态面积进行整合，通过不同障碍物的运动状态面积和融合点云数据中坐标点的速度对同一时间下，监控画面出现的障碍物的安全等级赋予权重值，并通过权重值对挂车行驶过程中对该情况进行优先提示；

22、s3041：通过对监控画面中出现的不同障碍物的两个相邻时刻运动状态面积与挂车的最近欧氏距离作为判断权重值的第一指标，对集合[o]计算到挂车的最近欧氏距离序列[l]，所述序列[l]中取不同适合障碍物离挂车最近的坐标点到挂车的最近欧氏距离为元素值，并且根据时间顺序对元素进行排序，，所述和均为序列[l]中的元素，分别为序列[l]中第k位和第k+1位元素，判断权重值计算，根据给定的赋值，可以不同障碍物的两个相邻时刻运动状态面积对挂车安全性影响的权重，所述通过距离判断对挂车的安全性的影响，其中n为序列[l]的元素总数；

23、s3042：结合速度计算速度对判断权重值的第一指标的影响，得到第二指标：

24、；

25、；

26、；

27、其中，所述、、分别表示静止障碍物、其它车辆、其它运动障碍物的相对速度影响权重系数，所述表示该障碍物的对挂车安全性影响的权重值，表示为在当前i时刻下挂车车辆的速度，静止障碍物可视为与挂车车辆相同速度，所述和分别为当前i时刻和i+1时刻障碍物的矢量速度，所述θ表示为在当前i时刻下，速度与挂车行驶的速度方向形成夹角；

28、s3043：根据第二指标q构建权重序列[ve]，所述第二指标权重系数，根据监控持续判断，对新出现的障碍物以及障碍物的运动状态发生改变的过程中，第二指标q的权重系数都会相应发生变化，所以通过对出现的权重系数的时间对序列[ve]进行排序，通过计算获得所述第二指标q的权重临界值的临界值l，

29、；

30、为权重序列ve中的第i位元素值，为权重序列ve中的最大值，为权重序列中的最小值，exp（）为指数函数，设定临界值l为发出操作提示的最低权重值，若≥l，则所述权重值判定为出现影响驾驶因素，若＜l，则所述权重值为低，判断为安全驾驶状态，当权重值大于临界值时，通过云端记录的出现的障碍物类型进行判断，系统优先对该情况进行提醒，并控制该情况的监控画面优先显示于车机显示屏中。

31、进一步地，在步骤s400中，读取挂车在倒车状态下的监控模型，基于固定参考点的零点校准机制，对盲区环境数据进行坐标转换和速度矢量校准，生成统一参考系下的校准盲区环境数据；根据车尾左侧、车尾右侧和半挂车连接部划分盲区区域，将所述融合点云数据输入预训练的卷积神经网络模型，输出所述融合点云数据的空间特征；

32、根据所述融合点云数据的空间特征，生成空间特征数据集，确定障碍物的初步类别和位置；

33、对所述障碍物的初步类别和位置通过预置的置信度评估模型进行置信度评估，得到置信度数据；

34、根据预设的置信度阈值，筛选所述置信度数据，生成包含障碍物类别、位置和置信度的障碍物分类数据；

35、通过预设的障碍物分类验证算法，判断所述障碍物分类数据是否符合准确性要求，若判断结果符合要求，得到最终障碍物分类数据和具体位置数据。

36、进一步地，在步骤s500中，根据最终障碍物分类数据和具体位置数据，确定初始倒车路径；通过固定频率更新的补盲算法，动态调整所述初始倒车路径对应的补盲区域；根据所述融合点云数据，提取所述补盲区域内的障碍物分布特征；根据所述障碍物分布特征，生成初始倒车路径安全性评估数据；通过预设的风险评估规则，确定所述初始倒车路径安全性评估数据中的碰撞风险点坐标；根据所述碰撞风险点坐标，生成包含安全状态和碰撞风险点坐标的路径安全性评估数据。优选地，获取倒车引导数据和融合点云数据，确定车辆周围环境的三维空间模型。根据三维空间模型，采用补盲算法以每秒30次频率更新补盲区域。通过更新后的补盲区域，生成路径安全性评估数据，包含安全状态和碰撞风险点坐标。若路径安全性评估数据中的安全状态为非安全，则提取碰撞风险点坐标，确定高风险区域。根据高风险区域和融合点云数据，调整补盲算法参数，得到优化后的补盲区域。通过优化后的补盲区域和倒车引导数据，生成新的路径安全性评估数据。

37、一种挂车监控设备的控制系统，所述控制系统包括：监控系统、数据处理系统、数据存储系统、反馈系统、云端服务器、监控视角切换系统和车辆定位系统，所述监控系统、数据处理系统、数据存储系统、反馈系统、云端服务器、监控视角切换系统和车辆定位系统集成为一个完整的控制系统，所述控制系统运行上述方法中任一种汽车挂车监控设备的多重控制方法。

38、本发明的有益效果为：本发明通过设置多视角摄像头获得挂车的盲区监控画面构建判断模型对行驶中和倒车时的挂车增加在高风险情况下生成紧急干预指令和倒车引导。解决了大型车辆盲区监测难度大、倒车风险高和正常行驶路况复杂的问题，通过多维数据融合、智能算法分析和人机协作，实现了精确的盲区感知、风险预警和安全辅助倒车，有效提高了大型车辆作业安全性和效率。