一种智能网络运营服务平台及方法与流程

1.本发明属于人工智能技术领域，涉及一种智能网络运营服务平台及方法。


背景技术：

2.在一些矿场、矿山、工厂等地方，需要将物料从一个区域运输到另一个区域。目前，这种运输往往都是采用人工驾驶车辆进行的。但是，人工驾驶车辆进行运输存在如下问题：1、需要大量工人，人工成本高；2、作业环境差、危险性高，给驾驶人员的身心和生命健康造成了威胁。
3.为此，由于路况简单且不存在其它车辆的交叉影响，无人驾驶运输车在一些矿场、矿山、工厂等开始使用。但是，现有的无人驾驶运输车通常存在如下问题：1、现有的无人驾驶运输车都是孤立的，无法实现无人驾驶运输车的监控、监测，使得无人驾驶运输车在出现故障等时无法及时获知，影响效率。2、现有的无人驾驶运输车仅仅依靠gps等进行定位，导致其定位不准确，难以实现在装料区和卸料区的准确定位，从而使得装料和卸料效果较差，3、现有的无人驾驶运输车在出现车轮打滑等的情况下，会出现测速不准的情况，从而导致其自动驾驶的控制较差。
4.鉴于现有技术的上述缺陷，目前急需一种能够解决上述缺陷的新型的智能网络运营服务平台及方法。


技术实现要素：

5.本发明的目的在于克服现有技术中存在的缺点，提供一种智能网络运营服务平台及方法，其能够实现无人驾驶运输车的监控和监测，并且其使得无人驾驶运输车定位和测速准确，控制精准。
6.为了实现上述目的，本发明提供如下技术方案：一种智能网络运营服务平台，其包括自动驾驶运输车、云平台、装料区和卸料区，其特征在于，所述自动驾驶运输车上安装有两个32线激光雷达、前补盲激光雷达、后补盲激光雷达、4个侧向毫米波雷达、前向毫米波雷达、单目相机、组合导航装置、can卡、4g路由器和工控机，所述两个32线激光雷达、前补盲激光雷达、后补盲激光雷达、单目相机和can卡通过网络通信与所述工控机相连，所述组合导航装置通过串口通信与所述工控机相连，所述4个侧向毫米波雷达、前向毫米波雷达以及所述自动驾驶运输车的电子控制单元通过can通信与所述can卡相连，所述工控机通过所述4g路由器与所述云平台无线通信连接；所述装料区设有多个装料子区域，每个所述装料子区域的入口处都设有装料反光标识牌、装料相机和装料路由器且每个所述装料子区域内都设有挖掘机，所述装料相机与所述装料路由器相连且所述装料路由器通过无线网络与所述云平台无线通信，所述卸料区设有多个卸料子区域，每个所述卸料子区域的入口处都设有卸料反光标识牌、卸料相机和卸料路由器，所述卸料相机与所述卸料路由器相连且所述卸料路由器通过无线网络与所述云平台无线通信。
7.优选地，所述装料区的装料入口处设有第一自动开闭门，所述第一自动开闭门通
过无线网络与所述云平台无线通信。
8.优选地，所述卸料区的卸料入口处设有第二自动开闭门，所述第二自动开闭门通过无线网络与所述云平台无线通信。
9.优选地，所述两个32线激光雷达分别安装在所述自动驾驶运输车的前端的左右两侧；所述4个侧向毫米波雷达分别安装在所述自动驾驶运输车的前端的左右两侧和后端的左右两侧。
10.优选地，所述组合导航装置包括gps接收器。
11.优选地，所述组合导航装置还包括惯性测量单元和加速度计。
12.优选地，所述自动驾驶运输车在行驶过程中采用所述前向毫米波雷达、两个32线激光雷达和惯性测量单元的测量结果进行联合定位。
13.优选地，所述自动驾驶运输车在行驶过程中采用所述前向毫米波雷达和加速度计的测量结果进行联合测速。
14.此外，本发明还提供一种基于上述智能网络运营服务平台的方法，其特征在于，包括以下步骤：1）、所述云平台根据目前需要装料和卸料的区域，进行装料区和路线的调度，并将指令发送到所述自动驾驶运输车；2）、所述自动驾驶运输车接收到指令后，加载前往所述装料区的电子地图，自动行驶到所述装料区的装料入口处，到达后停车，向所述云平台请求进入所述装料区；3）、所述云平台接收到所述自动驾驶运输车的请求后，根据所述装料区的情况进行判断，不存在异常情况时，允许所述自动驾驶运输车进入所述装料区，并给出等待装料的装料子区域；4）、所述自动驾驶运输车接收到指令后，自动规划路径，行驶到给定的所述装料子区域，然后向所述云平台请求装料；5）、所述云平台判断所述装料子区域是否有其他车辆并判断位于所述装料子区域的挖掘机的状态是否正常，满足条件后向所述自动驾驶运输车下达装料命令；6）、所述自动驾驶运输车收到装料指令后，自动规划轨迹，泊车停靠在所述挖掘机旁，当停靠完成后，向所述云平台发送装料请求；7）、所述云平台将所述自动驾驶运输车的装料请求转发给所述挖掘机；8）、所述挖掘机收到装料请求后，开始给所述自动驾驶运输车装料；9）、待所述云平台感知到装料完成后，将完成指令发送给所述挖掘机以停止装料，并将所述卸料区的路线和坐标发送给所述自动驾驶运输车；10）、所述自动驾驶运输车收到指令后，加载前往所述卸料区的电子地图，行驶前往所述卸料区，并在到达所述卸料区的卸料入口后停车，向所述云平台请求入场；11）、所述云平台接收到请求入场指令后，根据所述卸料区的情况进行判断，不存在异常情况，允许所述自动驾驶运输车入场，并给出等待卸料的卸料子区域；12）、所述自动驾驶运输车接收到指令后，自动规划路径，行驶到给定的所述卸料子区域，然后向所述云平台请求卸料；13）、所述云平台判断所述卸料子区域是否有其他车辆，卸料口状态是否正常，满足条件后向所述自动驾驶运输车下达卸料命令；
14）、所述自动驾驶运输车收到指令后，自动规划轨迹，泊车停靠在给定的卸料子区域，当停靠完成后，开始自动卸料，完成卸料动作后，向所述云平台发送卸料完成指令。
15.优选地，所述方法进一步包括以下步骤：15）、所述云平台收到所述自动驾驶运输车的卸料完成指令后，判断所述自动驾驶运输车是否还需要装料，如果还需装料，将所述装料区的路线和坐标发送给所述自动驾驶运输车；如果不需要继续作业，则将停车场的路线和坐标发送给所述自动驾驶运输车；16）、所述自动驾驶运输车根据所述云平台的指令，加载对应地图，前往所述装料区或者停车场。
16.与现有技术相比，本发明的智能网络运营服务平台及方法具有如下有益技术效果中的一者或多者：1、其通过云平台能够实现无人驾驶运输车的监测和监控，从而使得所述无人驾驶运输车在出现故障或偏航时，能够及时预警，进而有助于保证安全和效率。
17.2、其采用毫米波雷达、激光雷达和惯性测量单元进行联合定位，定位精度高，能够实现装料区和卸料区的准确定位，从而能够满足自动装料和卸料的需求。
18.3、其采用毫米波雷达和加速度计进行联合测速，测速准确，能够实现车辆的准确无人驾驶。
19.4、其使得装料和卸料自动进行，即节省了人工，又能够保证工人的身心和生命健康。
附图说明
20.图1是本发明的智能网络运行服务平台的构成示意图。
21.图2是本发明的无人驾驶运输车上安装的各种传感器的示意图。
22.图3是本发明的无人驾驶运输车的硬件连接图。
23.图4是本发明中确定地标点云的流程图。
24.图5是本发明中确定车辆位置的流程图。
25.图6示出了车辆在坡道上的重力分解图。
26.图7是本发明中确定速度的流程图。
27.图8是本发明的装料区的示意图。
28.图9是本发明的装料子区域入口处设置的标识装置的构成示意图。
29.图10是本发明的卸料区的示意图。
30.图11是本发明的卸料子区域入口处设置的标识装置的构成示意图。
具体实施方式
31.下面结合附图和实施例对本发明进一步说明，实施例的内容不作为对本发明的保护范围的限制。
32.本发明涉及一种智能网络运输服务平台及方法，其用于控制自动驾驶运输车自动实现装料和卸料。
33.图1示出了本发明的智能网络运行服务平台的构成示意图。如图1所示，本发明的智能网络运营服务平台包括自动驾驶运输车1、云平台2、装料区3和卸料区4。
34.如图2所示，在本发明中，所述自动驾驶运输车1上安装有两个32线激光雷达2.7、2.8，前补盲激光雷达2.10，后补盲激光雷达2.11、4个侧向毫米波雷达2.3、2.4、2.5、2.6，前向毫米波雷达2.9，单目相机2.1和组合导航装置2.2。
35.其中，所述两个32线激光雷达2.7、2.8分别安装在所述自动驾驶运输车1的前端的左右两侧，一方面用于探测所述自动驾驶运输车1的前向和侧向的障碍物，另一方面用于进行车辆定位。
36.所述前补盲激光雷达2.10安装在所述自动驾驶运输车1的前端的中部，用于探测所述自动驾驶运输车1前向的近处障碍物，对所述两个32线激光雷达2.7、2.8进行补盲。所述后补盲激光雷达2.11安装在所述自动驾驶运输车1的后端的中部，用于探测所述自动驾驶运输车1后向的近处障碍物，对所述两个32线激光雷达2.7、2.8进行补盲。
37.所述4个侧向毫米波雷达2.3、2.4、2.5、2.6分别安装在所述自动驾驶运输车1的前端的左右两侧和后端的左右两侧。所述前向毫米波雷达2.9安装在所述自动驾驶运输车1的前端的中间。通过所述4个侧向毫米波雷达2.3、2.4、2.5、2.6以及所述前向毫米波雷达2.9，能够实现动态障碍物的检测。并且，通过所述前向毫米波雷达2.9，能够实现所述自动驾驶运输车1的定位和测速。
38.所述单目相机2.1安装在所述自动驾驶运输车1的前端的中间，用于识别所述自动驾驶运输车1前向的车辆和行人等。
39.在本发明中，通过安装多个激光雷达、毫米波雷达和单目相机，能够更好地实现各种障碍物、行人、和车辆等的识别。
40.所述组合导航装置2.2用于定位所述自动驾驶运输车1的位置和获取其车姿信息。
41.在本发明中，优选地，所述组合导航装置2.2包括gps接收器、惯性测量单元和加速度计。其中，所述gps接收器用于通过gps实现粗定位。所述惯性测量单元用于与所述前向毫米波雷达2.9以及所述两个32线激光雷达2.7、2.8进行联合定位，以确定车辆位置。所述加速度计用于与所述前向毫米波雷达2.9进行联合测速，以确定车辆速度。
42.如图3所示，所述自动驾驶运输车1上还安装有can卡2.13、4g路由器2.14和工控机2.15。其中，所述两个32线激光雷达2.7、2.8，前补盲激光雷达2.10、后补盲激光雷达2.11、单目相机2.1和can卡2.13通过网络通信与所述工控机2.15相连。所述组合导航装置2.2通过串口通信与所述工控机2.15相连。所述4个侧向毫米波雷达2.3、2.4、2.5、2.6，前向毫米波雷达2.9以及所述自动驾驶运输车1的电子控制单元2.12通过can通信与所述can卡2.13相连。
43.其中，所述32线激光雷达2.7、2.8对所述自动驾驶运输车1前方进行扫描以获取实时扫描点云。所述前向毫米波雷达2.9输出所述自动驾驶运输车1的实时运行速度（即线速度）。所述惯性测量单元输出所述自动驾驶运输车1的实时角速度（x，y，z三轴）。所述工控机2.15基于所述32线激光雷达2.7、2.8，前向毫米波雷达2.9和惯性测量单元的输出进行定位计算。
44.具体地，整个定位计算过程如下：一、确定地标点云。
45.如图4所示，确定地标点云的整个过程如下：1、获取点云数据，也就是，建立地标点云。
46.在使用地标点云进行定位之前，首先需要建立地标点云。建立地标点云的数据来自所述32线激光雷达2.7、2.8、前向毫米波雷达2.9（mmw）和惯性测量单元（imu）。
47.如果要使用地标点云对高精定位的位姿进行校正，则应该选用生成高精电子地图的数据来生成地标点云，并在生成高精度电子地图的过程中为每一帧点云记录其在地图（世界坐标系）中的精确位姿。
48.位姿由位置 （x,y,z）和姿态 (pitch, roll,yaw)组成，表述一帧点云在电子地图的三维空间（世界坐标系）中的精确位置和姿态，简称位姿。高精度电子地图就是由建图的点云按照其各自的位姿逐一变换到世界坐标系后叠加而成的。
49.2、速度积分。
50.对所述惯性测量单元（imu）输出的角速度和所述前向毫米波雷达2.9（mmw）输出的线速度数据进行积分，积分的时间范围选择前一帧点云时间戳到当前点云时间戳，获得当前点云帧对应的位姿增量。
51.3、点云去畸变。
52.当所述自动驾驶运输车1的速度比较高时，由于一帧点云的生成需要持续一段时间（对10hz帧频的激光雷达是100毫秒），在这段时间内所述自动驾驶运输车1是运动的，因此原始点云是存在畸变的。例如，所述自动驾驶运输车1前方有一栋建筑，所述自动驾驶运输车1驶向该建筑，激光雷达的扫描方向是从上向下，t0时刻开始扫描，t1时刻完成扫描，理想情况下应获得与建筑轮廓一致、竖直的一列扫描点云，但由于在扫描过程中所述自动驾驶运输车1持续向前运动，最终获得的点云是倾斜的，第一个点最远，最后一个点最近，这就是畸变。只有通过去畸变校正才能使倾斜的点云恢复成竖直的状态，近似于在t0时刻瞬时扫描完成。
53.实际情况下，如果再考虑到弯道、坡道等场景，以及激光雷达的扫描机制等问题，点云的扭曲情况会更复杂，如果直接对原始点云进行匹配则无法获得正确的结果，因此需要根据所述自动驾驶运输车1在生成该帧点云期间的位姿增量进行去畸变校正，使得校正后的点云近似于在同一个时刻扫描获得。
54.畸变校正采用插值法，由于帧周期通常都比较短（通常是100毫秒），可以近似认为在一帧点云生成的过程中所述自动驾驶运输车1是匀速运动的，一帧点云总共有n个点，期间总的位置和姿态增量分别是t和r，则第一个点的位姿增量是0，最后一个点的位姿增量是t和r，根据第t个点在帧内的时刻位置，通过插值的方法计算出对应的位姿增量是ti和ri，对第i个点进行ti和ri的位姿逆变换，使其回到起始时刻的位置，按照这种方法完成所有n个点的位姿变换，就完成了对该帧点云的畸变校正。
55.4、点云筛选。
56.从完成去畸变校正的点云中筛选出具有特异性结构化特征场景对应的点云帧，获得候选的地标点云帧。
57.然后将候选地标点云帧与全线的其他点云进行匹配验证。设定一个阈值 t，如果某地标点云仅与其相邻的若干帧点云的匹配分值＜t ，则说明该帧点云对应场景的结构化特征具有全线唯一性，该帧点云可以作为全局地标点云。
58.如果与若干个相隔一定距离（300米以上）的点云匹配分值＜ t，则说明该帧点云对应场景的结构化特征具有局部唯一性，该帧点云可以作为局部地标点云。
59.如果与大范围的连续的点云匹配分值＜t ，则说明该帧点云对应场景缺乏特异性结构化特征，不能作为地标点云。
60.如果线路的某些区段在很长的距离内都找不到满足条件的地标点云，则说明该区段整体都缺乏特异性结构化特征，就需要通过架设反光板等无源标志物的方式来建立地标，解决所述自动驾驶运输车1在该区段的定位问题。两个相邻地标点云的最大间距通常不应超过500米，超过500米的话，要设置反光板等无源标志物，并采用已有专利的方式进行定位。
61.为了验证地标点云的可靠性，还应该使用不同自动驾驶运输车、不同批次的数据进行匹配验证，以确认选定的地标点云始终具有唯一性且匹配分值＜ t。
62.二、自动驾驶运输车行走时定位。
63.有了地标点云之后，就可以实现所述自动驾驶运输车1的行走时定位了。为每一个筛选出来的地标点云赋予一个id，并将该地标点云的精确位置记录在电子地图中，然后将地标点云和电子地图加载到所述工控机2.15中。
64.如图5所示，自动驾驶运输车行走时定位的整个过程如下：1、速度积分。
65.在所述自动驾驶运输车1行走时，对所述惯性测量单元（imu）输出的角速度和所述前向毫米波雷达2.9（mmw）输出的线速度数据进行积分，积分的时间范围选择前一帧点云时间戳到当前点云时间戳，获得当前点云帧对应的位姿增量。
66.2、位置更新。
67.基于线速度积分的结果，获得当前点云帧对应的所述自动驾驶运输车1的位置增量，叠加到上一帧点云对应的“车辆位置”上，获得当前点云帧对应的车辆位置的估计值。
68.3、点云去畸变。
69.同样，采用插值法进行点云去畸变。由于帧周期通常都比较短（通常是100毫秒），可以近似认为在一帧点云生成的过程中所述自动驾驶运输车1是匀速运动的，一帧点云总共有n个点，期间总的位置和姿态增量分别是t和r，则第一个点的位姿增量是0，最后一个点的位姿增量是t和r，根据第t个点在帧内的时刻位置，通过插值的方法计算出对应的位姿增量是ti和ri，对第i个点进行ti和ri的位姿逆变换，使其回到起始时刻的位置，按照这种方法完成所有n个点的位姿变换，就完成了对该帧点云的畸变校正。
70.4、地标匹配。
71.将去畸变后的扫描点云与地标点云进行匹配，确认匹配的分值是否达标，如果不达标则继续取下一帧扫描点云进行匹配，直到匹配分值＜ t为止，获得当前扫描点云与该地标点云的相对位置关系，即相对距离，进入下一环节。常见的匹配方法包括但不限于icp（iterative closest point）等。
72.如果所述自动驾驶运输车1尚未完成定位的初始化，每一帧实时扫描点云需要和所有的全局地标点云进行匹配，耗费的时间较长。如果所述自动驾驶运输车1通常在固定的位置（例如某个装料子区域或卸料子区域）进行位置初始化，则应该将这些位置对应的全局地标点云筛选出来，并按照可能性的大小进行排序，优先对可能性最大的地标点云进行匹配，可以显著缩短地标点云匹配的时间。
73.如果所述自动驾驶运输车1已经完成定位初始化，则应该从电子地图中查询出列
车前方最近的地标点云位置及其id，全局或局部地标点云均可，待所述自动驾驶运输车1接近该地标点云时再进行匹配，从而大幅度降低地标点云匹配的代价。
74.5、位置查询。
75.凭借匹配命中的地标点云的id，在电子地图中找到该地标点云的精确位置，再叠加当前扫描点云与该地标点云的相对距离，就获得了当前扫描点云对应的车辆可靠位置。
76.由于地标点云是经过仔细筛选并反复测试确认的，因此通过地标匹配以及位置查询获得的精确位置是可靠的，将它称作可靠位置。
77.6、校正。
78.用第5步获得的可靠位置对车辆位置的估计值进行校正，输出所述自动驾驶运输车1的位置，并更新“车辆位置”，用于下一帧车辆位置的估计。
79.通过以上步骤，可以实现所述自动驾驶运输车1的精准定位，从而有助于自动驾驶和对车辆的控制。
80.下面介绍本发明采用的加速度计与所述前向毫米波雷达2.9的联合测速。
81.毫米波雷达基于多普勒效应实现对车辆前方目标的速度测量，每一帧返回若干个目标点，具体的点数依赖于具体毫米波雷达型号，从几十个到几百个不等，每个点对应雷达前方被扫描到的一个目标，每个点都含有该目标与毫米波雷达的相对速度。如果车辆前方没有任何运动物体，只有墙壁等静态物体，则毫米波雷达返回的一帧数据中所有点的速度都是相同的，即所述自动驾驶运输车1的前进速度。
82.但是有些露天场景下会出现与对向的自动驾驶运输车相会的情况，此时毫米波雷达返回的一帧数据中就会有部分点的速度是对向的自动驾驶运输车相对于本车的速度，而不是本车的真实运行速度。此外，飞鸟、小动物，行人等都会导致毫米波雷达返回的数据含有异常速度。需要设法将这部分“异常点”从当前帧中剔除掉，以获得正确的车辆速度。
83.所述加速度计测量车辆的加速度，以比较高的频率输出每时每刻车辆速度的变化率，即加速度，对加速度的积分可以获得车辆速度的变化量，因此基于加速度计输出的加速度，结合车辆的历史速度能够计算出当前车辆速度的估计值，基于这个估计值就能够剔除掉毫米波雷达输出数据中的异常值。
84.但是加速度计会受到重力加速度的影响，加速度计输出的加速度通常叫做比力，即含有重力加速度的测量值，当自动驾驶运输车在水平道路上运行时，重力加速度垂直于地面（z 轴），只需要取y轴（车辆前进方向）的加速度即可。但是当自动驾驶运输车位于坡道上时， y轴方向的加速度就会包含重力加速度的分量，如图6所示，其中，垂直向下的重力加速度 g在坡道区域分解到 y轴和 z轴的分量分别是 gy和 gz，其中 gy与车辆前进方向的加速度重合，需要去除。
85.对于坡度为3%的坡道，倾斜度数约为1.7
°
，重力加速度在车辆前进方向（ y轴）上的分量 gy最大达到0.29m/s
²ꢀ
，相对于 1.4m/s
²
左右的车辆紧急制动率来说，gy 的数值比较大，必须要设法剔除。
86.如图7所示，采用加速度计与所述前向毫米波雷达2.9联合测速具体包括如下步骤：1、坡度查询：基于车辆的位置信息查询线路地图，获取当前的坡度 s。
87.2、加速度修正：用当前的坡度数据计算出重力加速度 g在车辆前进方向（ y轴）上
的分量 gy，用加速度计输出的加速度测量值减去gy，获得加速度的真实值 acc： gy=sin(arctan(s))*g3、加速度积分：加速度计的帧率通常大大高于毫米波雷达，一帧毫米波雷达数据通常对应多帧加速度计数据，因此对毫米波雷达的当前（k 1）帧和上一（k）帧之间的若干帧加速度的真实值进行积分，获得毫米波雷达当前（k 1）帧对应的速度增量。
88.4、速度估计：用历史（第k帧）速度加上速度增量，获得毫米波雷达当前（k 1）帧对应的速度估计值：5、速度聚类：对毫米波雷达当前（ ）帧的数十个点的速度根据数值大小进行分组，速度相同的为一组，然后按照每组点数的多少进行排序，点数极少的组大概率是噪点，剔除掉。
89.6、速度筛选：根据第4步获得的速度估计值 ，从第5步获得的若干速度中选出数值最接近的一组，获得毫米波雷达当前（）帧的速度真实值 ，作为当前帧的速度进行输出，并更新到历史速度中，作为下一帧速度估计的输入。
90.通过以上步骤，可以实现所述自动驾驶运输车1的精准测速，从而有助于自动驾驶和对车辆的控制。
91.所述工控机2.15可以基于前面确定的可靠位置对所述自动驾驶运输车1进行路径规划和决策控制。其中，路径规划、决策控制等与现有的自动驾驶方式一样，例如，采用dijkstra算法进行自动驾驶的路径规划，这不是本发明的重点，因此，不在此对其进行详细描述。
92.所述工控机2.15通过所述4g路由器2.14与所述云平台2无线通信连接。由此，所述工控机2.15可以通过无线传输方式将所述自动驾驶运输车1的可靠位置的经纬度信息、车辆基础数据（来自于电子控制单元2.12）、车辆行驶控制命令、车辆异常状况（来自于电子控制单元2.12）、控制指令（来自于电子控制单元2.12）、传感器数据等上传到所述云平台2。
93.当然，考虑到原始数据的大小影响数据传输的效率，在上传之前可以进行相应的预处理，比如压缩、数据稀疏等，同时硬件具备相应的数据缓存、导出功能。这属于本领域的公知常识，在此不对其进行详细描述。
94.图8示出了本发明的装料区的示意图。如图8所示，所述装料区3设有多个装料子区域3.2。如图9所示，每个所述装料子区域3.2的入口处都设有装料反光标识牌3.4、装料相机3.5和装料路由器3.6且每个所述装料子区域3.2内都设有挖掘机3.3。所述挖掘机3.3可以是自动驾驶挖掘机，也可以是人工驾驶的挖掘机。
95.其中，所述装料相机3.5与所述装料路由器3.6相连且所述装料路由器3.6通过无线网络与所述云平台2无线通信。所述装料相机3.5可以对相应的所述装料子区域3.2进行拍摄并将拍摄的图像传输到所述云平台2。所述云平台2可以基于所述图像判定所述装料子区域3.2是否有其他车辆、是否异常等，以便于确定是否允许所述自动驾驶运输车1进入所
述装料子区域3.2进行装料。
96.在本发明中，在每个所述装料子区域3.2的入口处都设有装料反光标识牌3.4。
97.由于所述装料区3的各个装料子区域3.2的入口类似，不便于激光雷达进行识别和定位。为了实现所述自动驾驶运输车1在所述装料区3的各个装料子区域3.2处的定位，在其入口处安装了装料反光标识牌3.4。
98.所述装料反光标识牌3.4对激光的反射率远高于常规的材质（例如混凝土、金属、油漆等），白色的卡纸、白色的墙体等都属于是反射率很高的材质，如果将白色卡纸的反射率定为100%，则反光板的反射率＞300%。正是基于这样的特性，能够通过反射率将所述装料反光标识牌3.4对应的点云快速可靠的从雷达的扫描点云中筛选出来。
99.但是这只解决了快速识别的问题，还需要解决唯一性的问题，这就需要通过多块反光板的组合来实现。
100.具体地，如图9所示，每一组所述装料反光标识牌3.4都由多“串”组成，通常不超过三串，每一串上有多个反光标识牌，通常不超过三个。如图9所示，其由两串组成，从近到远，第一串2个，第二串3个。
101.通过每一串上反光标识牌的数量的不同，以及串与串之间的水平间距l的不同，实现编码和唯一标识的目的，如下面的反光标识牌信息表所示：反光标识牌信息表中还记录了每一组反光标识牌的一些特征信息，例如每个反光标识牌的反射率、每一串反光标识牌之间的垂直间距以及两串之间的精确间距等信息，这些信息主要用于日常运行过程中的检查和维护，确认反光标识牌没有发生移位、丢失、脏污等情况。
102.由此，使得所述自动驾驶运输车1可以借助所述装料反光标识牌3.4实现对各个装料子区域3.2的识别和定位。
103.优选地，所述装料区3的装料入口3.1处设有第一自动开闭门。所述第一自动开闭门通过无线网络与所述云平台2无线通信。由此，所述云平台2可以根据所述装料区3的情况确定所述第一自动开闭门是否打开，从而确定是否允许所述自动驾驶运输车1进入所述装
料区3内。例如，当所述装料相机3.5拍摄的图像表明某个装料子区域3.2出现异常时，所述云平台2可以控制所述第一自动开闭门关闭，防止所述自动驾驶运输车1进入所述装料区3内，以保证安全。
104.图10示出了本发明的卸料区的示意图。如图10所示，所述卸料区4设有多个卸料子区域4.2。如图11所示，每个所述卸料子区域4.2的入口处都设有卸料反光标识牌4.3、卸料相机4.4和卸料路由器4.5。所述卸料相机4.4与所述卸料路由器4.5相连且所述卸料路由器4.5通过无线网络与所述云平台2无线通信。
105.所述卸料相机4.4可以对相应的所述卸料子区域4.2进行拍摄并将拍摄的图像传输到所述云平台2。所述云平台2可以基于所述图像判定所述卸料子区域4.2是否有其他车辆、是否异常等，以便于确定是否允许所述自动驾驶运输车1进入所述卸料子区域4.2进行卸料。
106.在本发明中，在每个所述卸料子区域4.2的入口处都设有卸料反光标识牌4.3。
107.由于所述卸料区4的各个卸料子区域4.2的入口类似，不便于激光雷达进行识别和定位。为了实现所述自动驾驶运输车1在所述卸料区4的各个卸料子区域4.2处的定位，在其入口处安装了卸料反光标识牌4.3。
108.如图11所示，每一组所述卸料反光标识牌4.3由固定数量的条状发光板组成，反光板之间的间距各不相同，设定一个最小间距（例如1米）为基本单位，则其他间距都是这个基本单位的整数倍，然后反光板间距就形成了一个编码，例如图11所示的3212，这个数字就是该组反光板的唯一编码。有了该唯一编码，激光雷达就可以对其进行识别和定位，从而有助于实现所述自动驾驶运输车1在各个卸料子区域4.2处的识别和定位。
109.优选地，所述卸料区4的卸料入口4.1处设有第二自动开闭门。所述第二自动开闭门通过无线网络与所述云平台2无线通信。由此，所述云平台2可以根据所述卸料区4的情况确定所述第二自动开闭门是否打开，从而确定是否允许所述自动驾驶运输车1进入所述卸料区4内。例如，当所述卸料相机4.4拍摄的图像表明某个卸料子区域4.2出现异常时，所述云平台2可以控制所述第二自动开闭门关闭，防止所述自动驾驶运输车1进入所述卸料区4内，以保证安全。
110.下面，介绍如何基于所述智能网络运营服务平台实现自动装料和自动卸料，以实现物料的自动转运。
111.一、所述云平台2根据目前需要装料和卸料的区域，进行装料区3、卸料区4和路线的调度，并将指令发送到所述自动驾驶运输车1。
112.二、所述自动驾驶运输车1接收到指令后，加载前往所述装料区3的电子地图，自动规划形式路径，自动行驶到所述装料区3的装料入口3.1处。到达后停车，向所述云平台3请求进入所述装料区3。
113.三、所述云平台3接收到所述自动驾驶运输车1的请求后，通过所述装料相机3.5判断所述装料区3的情况，如是否有异常、是否有危险等，并根据所述装料区3的情况进行判断，不存在异常情况时，打开所述第一自动开闭门，允许所述自动驾驶运输车1进入所述装料区3，并给出等待装料的装料子区域3.2。
114.四、所述自动驾驶运输车1接收到指令后，自动规划路径，行驶到给定的所述装料子区域3.2，然后向所述云平台3请求装料。
115.五、所述云平台2基于所述装料相机3.5的图像判断所述装料子区域3.2是否有其他车辆并判断位于所述装料子区域3.2的挖掘机3.3的状态是否正常，满足条件后向所述自动驾驶运输车1下达装料命令。
116.其中，如果所述挖掘机3.3是人工驾驶的，可以由驾驶员向所述云平台2反馈所述挖掘机3.3的状态。如果所述挖掘机3.3是自动驾驶的，可以由所述挖掘机3.3上安装的检测传感器实现对所述挖掘机3.3的状态的检测，并上传到所述云平台2。
117.六、所述自动驾驶运输车1收到装料指令后，自动规划轨迹，泊车停靠在所述挖掘机3.3旁，当停靠完成后，向所述云平台2发送装料请求。
118.七、所述云平台2将所述自动驾驶运输车1的装料请求转发给所述挖掘机3.3。
119.八、所述挖掘机3.3收到装料请求后，开始给所述自动驾驶运输车1装料。
120.九、待所述云平台2感知到装料完成后，例如，通过所述装料相机3.5的图像感知到装料完成后，将完成指令发送给所述挖掘机3.3以停止装料，并将所述卸料区4的路线和坐标发送给所述自动驾驶运输车1。
121.十、所述自动驾驶运输车1收到指令后，加载前往所述卸料区4的电子地图，行驶前往所述卸料区4，并在到达所述卸料区4的卸料入口4.1后停车，向所述云平台2请求入场。
122.十一、所述云平台2接收到请求入场指令后，根据所述卸料区4的情况进行判断，不存在异常情况，允许所述自动驾驶运输车1入场，并给出等待卸料的卸料子区域4.2。
123.十二、所述自动驾驶运输车1接收到指令后，自动规划路径，行驶到给定的所述卸料子区域4.2，然后向所述云平台2请求卸料。
124.十三、所述云平台2判断所述卸料子区域4.2是否有其他车辆，卸料口状态是否正常（可以通过所述卸料相机4.4的图像判断），满足条件后向所述自动驾驶运输车1下达卸料命令。
125.十四、所述自动驾驶运输车1收到指令后，自动规划轨迹，泊车停靠在给定的卸料子区域4.2，当停靠完成后，开始自动卸料，完成卸料动作后，向所述云平台2发送卸料完成指令。
126.十五、所述云平台2收到所述自动驾驶运输车1的卸料完成指令后，判断所述自动驾驶运输车1是否还需要装料。如果还需装料，将所述装料区3的路线和坐标发送给所述自动驾驶运输车1；如果不需要继续作业，则将停车场的路线和坐标发送给所述自动驾驶运输车1。
127.十六、所述自动驾驶运输车1根据所述云平台2的指令，加载对应地图，前往所述装料区3或者停车场。
128.本发明通过云平台能够实现无人驾驶运输车的监测和监控，从而使得所述无人驾驶运输车在出现故障或偏航时，能够及时预警，进而有助于保证安全和效率。而且，其采用毫米波雷达、激光雷达和惯性测量单元进行联合定位，定位精度高，能够实现装料区和卸料区的准确定位，从而能够满足自动装料和卸料的需求。此外，其采用毫米波雷达和加速度计进行联合测速，测速准确，能够实现车辆的准确无人驾驶。最后，其使得装料和卸料自动进行，即节省了人工，又能够保证工人的身心和生命健康。
129.本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出
其它不同形式的变化或变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。