协同决策分析神经网络算法系统设计方法、系统及车辆与流程

1.本发明涉及无人驾驶技术领域，更具体地说，涉及一种协同决策分析神经网络算法系统设计方法、系统及车辆。


背景技术：

2.目前，无人驾驶主要以车辆自身的环境感知及预判为主，通过距离及速度计算、图像分析方式判断周围环境粗略状况，进而采取刹车、变道、加速等操控行为，但在不同职责、不同车型、不同功能车辆间的协同技术方面还处于空白状态，特别是在矿山高强度作业方面，工程车辆间的协同功能有限，缺乏灵活的多工种车辆全自动化、智能化协同策略及协同机制技术方法。
3.同样，在港口、码头、物流集装箱装载现场，主要依赖于人为判断及操控，缺乏有效的智能化、无人化协同作业方法。在疫情高发时期，尽管人为远程控制方式能够有效降低疫情传播风险，但人为远程操作在协同作业方面效率低下，缺乏智能化及灵活性。
4.前面的叙述在于提供一般的背景信息，并不一定构成现有技术。


技术实现要素：

5.本发明的目的在于提供一种协同决策分析神经网络算法系统设计方法、系统及车辆，该协同决策分析神经网络算法系统设计方法解决了现有无人驾驶车辆无法多车辆协同的技术问题，解决了现有无人驾驶协同算法种类有限的问题，解决了现有无人驾驶智能化算法功能不足的问题。
6.本发明提供一种协同决策分析神经网络算法系统设计方法，包括以下步骤：
7.s1：将工程车辆分类为tgi，并进入s2步骤；
8.s2：将每种工程车辆的动作分类为atg
ij
，并进入s3步骤；
9.s3：将atg
ij
作为节点，多个节点分别按照流向顺序并通过箭头线连接组成工程车辆动作流程图seta
ij
，并进入s4步骤；
10.s4：将工程车辆动作流程图seta
ij
从宏观到微观分为多个级gi，每一级由n个有序节点组成，将每一级作为一个节点组，将节点组视为节点，多个节点组连接为一个流程图，将复杂流程图简化为简单流程图，并进入s5步骤；
11.s5：设计车辆动作库为节点库；设计有序的多个动作库为流程图库，并进入s6步骤；
12.s6：将工程场景分类为sce
ij
，并进入s7步骤；
13.s7：将工程场景sce
ij
作为输入，机器学习训练工程车辆动作流程图seta
ij
，将seta
ij
作为输出，seta
ij
为已验证结果，训练计算数学算法公式参数par，并将输入、输出、参数的对应关系写入流程图库；并采用流程图分级训练方式，先训练步骤s4中简化后的宏观级流程图，再进一步训练步骤s4中的微观级流程图，并进入s8步骤；
14.s8：基于流程图库，将工程场景sce
ij
作为输入，并基于已训练好的参数par，计算
seta
ij
，即预测seta
ij
，并进入s9步骤；
15.s9：机器学习识别对方流程图，并进入s10步骤；
16.s10：基于预测到的对方车辆流程图seta
ij
，作出本车辆操控响应流程图mseta
ij
，并进入s11步骤；
17.s11：mseta
ij
中的每个节点关联代码块，箭头线为关联代码块调用关系的函数，mseta
ij
所关联的完整代码即为本车辆操控代码。
18.进一步地，所述tgi、所述atg
ij
、所述seta
ij
、所述sce
ij
和所述mseta
ij
中i＝1，2，3，4，5，6
……
n；j＝1，2，3，4，5，6
……
n；所述步骤s4中n＝1，2，3，4，5，6
……
n。
19.进一步地，所述有序节点由所述节点和所述箭头线组成。
20.进一步地，所述步骤s5中动作库中的动作分为常规定义型、后学习型，所述常规定义型为人为事先定义的动作规则，所述后学习型为无人驾驶车辆工程应用中机器学习到的动作。
21.进一步地，所述步骤s9中机器学习识别对方流程图中的识别方法为卷积神经网络算法。
22.进一步地，所述步骤s10中本车辆操控响应流程图mseta
ij
基于机器学习训练得出或事先人为定义。
23.本发明还提供一种系统，通过上述的协同决策分析神经网络算法系统设计方法设计得出。
24.进一步地，所述系统包括：
25.至少一个处理器；
26.至少一个存储器，用于存储至少一个程序；
27.当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上述的协同决策分析神经网络算法系统设计方法。
28.本发明还提供一种车辆，包括上述的系统，所述系统安装于所述车辆上，用于控制无人驾驶的工程车辆之间的智能协同决策分析。
29.本发明提供的协同决策分析神经网络算法系统设计方法，解决了现有无人驾驶车辆无法多车辆协同的技术问题，解决了现有无人驾驶协同算法种类有限的问题，解决了现有无人驾驶智能化算法功能不足的问题。
附图说明
30.图1为本发明实施例提供的协同决策分析神经网络算法系统设计方法的流程示意图。
31.图2为本发明实施例提供的工程车辆动作节点流程图级结构示意图。
32.图3为本发明实施例提供的完整流程示意图。
33.图4为图3的级层缩略图。
34.图5为图3的次级图。
35.图6为图3的另一次级图。
具体实施方式
36.下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
37.本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
38.实施例1
39.图1为本发明实施例提供的协同决策分析神经网络算法系统设计方法的流程示意图。请参照图1，本发明实施例提供的协同决策分析神经网络算法系统设计方法，包括以下步骤：
40.s1：将工程车辆分类为tgi，并进入s2步骤；
41.其中i＝1，2，3，4，5，6
……
n；例如tg1是装载机，tg2是翻斗运载车；
42.s2：将每种工程车辆的动作分类为atg
ij
，并进入s3步骤；
43.其中i＝1，2，3，4，5，6
……
n；j＝1，2，3，4，5，6
……
n；例如atg
1j
是tg1类型车辆的所有动作即动作集，atg
11
是tg1类型车辆的动作1，atg
12
是tg1类型车辆的动作2；
44.图2为本发明实施例提供的工程车辆动作节点流程图级结构示意图。如图2所示，s3：将atg
ij
作为节点，多个节点分别按照流向顺序并通过箭头线连接组成工程车辆动作流程图seta
ij
，并进入s4步骤；
45.s4：将工程车辆动作流程图seta
ij
从宏观到微观分为多个级gi，每一级由n个有序节点组成，具体地，有序节点由节点和箭头线组成；将每一级作为一个节点组，将节点组视为节点，多个节点组连接为一个流程图，将复杂流程图简化为简单流程图，并进入s5步骤；
46.其中i＝1，2，3，4，5，6
……
n；j＝1，2，3，4，5，6
……
n；n＝1，2，3，4，5，6
……
n；
47.具体地，如图2所示，图中阿拉伯数字分别代表节点，箭头指向点代表流入节点，箭头线起始点为流出节点；大括号指向的节点是节点组，大括号包含的多个节点是所指向节点组的子节点即次级节点；
48.需要说明的是，图2中数字0代表0级即包含所有级的特殊级，是将整个流程图作为一个节点(0节点)；0节点包含的子节点为11、12、13、14，0级的次级(一级)包含的顺序关系分别是1、2、3、4，其中顺序1的节点为11，顺序2的节点为12，顺序3的节点为13，顺序4的节点为14；11节点包含次级(二级)节点即21、22，13节点包含了2级节点即24、25、26，以此类推，从宏观到微观，逐步细化的过程，节点的第一位阿拉伯数字代表其所在级的序号，第二位数字代表层号，若有下角标则表示在同一层中有多个节点，下角标是区分同层节点的编号，例如(如图2所示)最后一级即6级的641节点、642节点同处于顺序4，671节点、672节点同处于顺序7，其余级同理。
49.s5：设计车辆动作库为节点库；设计有序的多个动作库为流程图库，并进入s6步骤；
50.其中，动作库中的动作分为常规定义型、后学习型；具体地，常规定义型为人为事先定义的动作规则，后学习型为无人驾驶车辆工程应用中机器学习到的动作。
51.s6：将工程场景分类为sce
ij
，并进入s7步骤；
52.其中i＝1，2，3，4，5，6
……
n；j＝1，2，3，4，5，6
……
n；例如装载机tg1和翻斗车tg2协同装载的场景sce
11
；
53.s7：将工程场景sce
ij
作为输入，机器学习训练工程车辆动作流程图seta
ij
，将seta
ij
作为输出，seta
ij
为已验证结果，训练计算数学算法公式参数par，并将输入、输出、参数的对应关系写入流程图库；并采用流程图分级训练方式，先训练步骤s4中简化后的宏观级流程图，再进一步训练步骤s4中的微观级流程图，并进入s8步骤；
54.s8：基于流程图库，将工程场景sce
ij
作为输入，并基于已训练好的参数par，计算seta
ij
，即预测seta
ij
，具体地，首先预测宏观级流程图，再预测次一级的相对微观级流程图，预测方式为从宏观到微观层层递进关系；并进入s9步骤；
55.s9：机器学习识别对方流程图，识别方法为卷积神经网络算法或基于节点及流程图的事先定义；并进入s10步骤；
56.s10：基于预测到的对方车辆流程图seta
ij
，作出本车辆操控响应流程图mseta
ij
，具体地，mseta
ij
基于机器学习训练得出或事先人为定义；并进入s11步骤；其中i＝1，2，3，4，5，6
……
n；j＝1，2，3，4，5，6
……
n；
57.s11：mseta
ij
中的每个节点关联代码块，箭头线为关联代码块调用关系的函数，mseta
ij
所关联的完整代码即为本车辆操控代码。
58.需要说明的是，将每个节点关联的多行代码即代码块写作一个类，通过箭头线实现节点间的类层次关系，即通过箭头线约束代码类之间的关联关系，包括嵌套包含关系、同级关系。例如用python语言，则通过箭头线实现节点关联代码块之间的包含关系，python语言通过缩进标识代码块之间的包含关系，c和c 语言则通过大括号{}标识代码块之间的包含关系。
59.具体地，基于流程图生成程序代码。简单流程图代替软件复杂参数设置，基于不同的流程图生成不同的配置，包括无人机集群的协同方式、激光靶向医疗软件的靶点控制方式。通过设计不同形状的界面图形标识、箭头连接线分别表示节点、边，每个图形标识(节点)、箭头连接线(边)分别关联一段代码(代码块)，按照一定规则手动拖动节点与边组合形成流程图，相应代码块拼接成连续的多段代码(代码流)。
60.简单流程图代表复杂流程图。简单流程图的节点嵌套次级(二级)流程图，次级(二级)流程图节点再嵌套次次级(三级)流程图，每一级按级号关联嵌套，直到最次级(n级)。
61.流程图节点库设计及节点存取结构化分类。节点库包含多个虚拟库，每个虚拟库包括多个节点存放区，即节点数据表，节点数据表按组节点规模分类，并反映动作具体分类，节点数据表中的节点按层次化嵌套关系分类。
62.例如，si为节点规模，即：s1＝最次级，即fi；s2＝次级，即ei；s3＝准次级，即pi，s4＝上级，即宏观级ci；
63.如下表1、表2、表3、表4中所示：
64.表1(是s4类数据表，序列号为唯一识别号)
65.序列号fi(i＝1，2，...nf)ei(i＝1，2，...ne)pi(i＝1，2，...n
p
)ci(i＝1，2，...nc)asn1f1e1p1c1asn2f1e1p1c2asn3f1e1p1c3asn4f1e1p1c4……………
…
f1e1p2c1…
f1e1p2c2………………
f1e2p1c1…
f1e2p1c2………………
f1e2p2c1………………
f2e1p1c1……………
66.表2(是s3类数据表)
[0067][0068][0069]
表3(是s2类数据表)
[0070]
序列号fi(i＝1，2，...nf)ei(i＝1，2，...ne)pi(i＝1，2，...n
p
)ci(i＝1，2，...nc)csn1f1e1p1c1csn2f1e1p1c2csn3f1e1p1c3csn4f1e1p1c4………………
f1e1p2c1…
f1e1p2c2……………
…
f1e2p1c1…
f1e2p1c2………………
f1e2p2c1………………
f2e1p1c1……………
[0071]
表4(是s1类数据表)
[0072]
序列号fi(i＝1，2，...nf)ei(i＝1，2，...ne)pi(i＝1，2，...n
p
)ci(i＝1，2，...nc)dsn1f1e1p1c1dsn2f1e1p1c2dsn3f1e1p1c3dsn4f1e1p1c4………………
f1e1p2c1…
f1e1p2c2………………
f1e2p1c1…
f1e2p1c2………………
f1e2p2c1………………
f2e1p1c1……………
[0073]
四个指标的组合总数为：其中nf是s1分类总数，ne是s2分类总数，n
p
是s3分类总数，nc是s4分类总数。
[0074]
表1、表2、表3、表4中的s1、s2、s3、s4为包含嵌套关系或层次嵌套关系，即：s4属于s3，s3属于s2，s2属于s1。表中一个类别仅一行，但代表了无数的同类型节点，实际应用基于场景设置。
[0075]
进一步地，机器学习智能设计流程图方法及组合卷积神经网络算法c-cnn；
[0076]
具体地，神经网络算法中的“分层”定义：即基于层结构分层li(神经网络算法术语，非流程图中的层ci)处理。采用卷积神经网络基本思路，每个神经元接收来自其他神经元的输入，每个输入项对神经元的影响由权重系数控制，每一层的神经元将其输出向前传递至下一层，直至得到最终输出，设计基础公式：递至下一层，直至得到最终输出，设计基础公式：
[0077]
第一步，基于第1级流程图特征数据预测第二级流程图节点及边。
[0078]
第一层l1为输入层，输入xi是权重系数和训练(指标n
in
)数据的组合，假设某一组训练数据是固定的，而参数是可以调整的，通过变化参数并对比输出结果筛选出最贴近理想结果的参数值，从而达到训练的目标，通过计算梯度对参数进行更新。
[0079]
第二层l2至第n层ln为卷积层，卷积层设有多个卷积核，每个卷积核提取不同输入指标数据的特征。另设有激活函数，以提取有效特征，防止过拟合，同时将线性关系转化为分类关系。为提高训练速度，激活函数采用非饱和函数relu即relu(x)＝max(0，x)。
[0080]
第n 1层l
n 1
为全连接层，基于应用场景特征可在全连接层之前增加池化层即模糊细节特征，以提高运算速度。ni个指标n
in
、维度为ni×
no的权重系数矩阵、no个卷积后的神经元组成全连接层。
[0081]
最后一层为输出层，在训练过程中，输出层为预设的结果数据；在预测过程中，输出层为基于输入层及卷积层的特征指标数据及权重系数、偏置系数预测的输出结果。
[0082]
第二步，基于第二级流程图特征数据预测第三级流程图节点及边。
[0083]
结合第一步中的算法、第1级流程图特征输入数据、预测结果数据、流程图第二级特征输入数据预测第三级流程图节点及边。
[0084]
第三步，基于第i-1级流程图特征输入数据、预测结果数据、第i级流程图特征输入数据，预测i 1级流程图节点及边，依次类推。
[0085]
智能响应动作分情形预测：
[0086]
分两种，第一种是模糊预测，是在模糊条件下预测，即基于gi级中某些指标数据预测g
i 1
级模糊节点和边概况；第二种是精确预测，即基于gi级中的数据精确预测g
i 1
级节点、边，例如精确预测到表4或表3中的具体类别，进而精确定位到表2、表1中的具体类别。
[0087]
第一步：基于在g1级流程图信息(包括流程图信息、应用场景信息)训练成的权值系数、偏置预测g2级节点和边，基于g2级流程图训练成的权值系数、偏置预测g3级节点和边，基于g
i 3
级流程图训练成的权值系数、偏置预测g
i 4
级节点和边。
[0088]
第二步：基于的外形、尺寸数据预测其车型，进而基于动作预测对方下一步的动作宏观流程图，此种方案适用于初步预判，进而响应初步操控流程图。
[0089]
第三步：基于在g1级流程图信息(包括流程图信息、应用场景信息)训练成的权值系数、偏置精确预测g2、g3、gi(i＝4，5，...)级节点和边，基于对方动作进而预测具体微观流程图，进而基于对方动作节点分类预测本车辆具体应对动作流程图。
[0090]
第二种情形的抽象化示例：基于对方车型、当前动作、场景，精确预测下一步动作，进而执行具体响应动作。
[0091]
图3为本发明实施例提供的完整流程示意图，图4为图3的级层缩略图，图5为图3的次级图，图6为图3的另一次级图。进一步参照图3-图6，宏观动作到微观动作的预测：
[0092]
如图3所示，图3流程图是假设的车辆动作完整流程图(包括对方车辆的假定完整动作流程图、无人驾驶自身车辆的响应动作完整流程图)，图4是基于特征识别或预选出的宏观流程图，图4是对图3流程图中虚线框内具体节点的模糊化，图5、图6分别是对图4节点(模糊化的节点组类型节点，节点组类型节点即嵌套节点的节点)。图4、图5、图6是基于上述机器学习智能设计流程图方法及组合卷积神经网络算法c-cnn中的步骤所预测的结果，图4是初步预测的结果，图5、图6是进一步预测的微观结果。
[0093]
本发明还提供一种系统，通过上述的协同决策分析神经网络算法系统设计方法设计得出。
[0094]
系统包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；
[0095]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现
上述的协同决策分析神经网络算法系统设计方法。
[0096]
本发明还提供一种车辆，包括上述的系统，所述系统安装于所述车辆上，用于控制无人驾驶的工程车辆之间的智能协同决策分析。
[0097]
基于上文的描述可知，本发明优点在于：
[0098]
1、本发明提供的协同决策分析神经网络算法系统设计方法，解决了现有无人驾驶车辆无法多车辆协同的技术问题，解决了现有无人驾驶协同算法种类有限的问题，解决了现有无人驾驶智能化算法功能不足的问题。
[0099]
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。