一种远程驾驶巡逻车系统的制作方法 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及无人驾驶领域，尤其涉及一种远程驾驶巡逻车系统。背景技术：2.远程控制是指管理人员在异地通过计算机网络异地拨号或双方都接入 internet等手段，连通需被控制的设备，将被控设备的采集数据显示到自己的计算机上，通过本地计算机对远方设备进行配置、软件安装程序、修改等工作，随着基于5g通讯的平行驾驶技术的出现使远程控车成为了现实，不同于遥控控车，平行驾驶控车具有控车距离远、时延小、可靠性高的特点，因此该技术逐渐应用在巡逻车上以方便相关人员进行日常巡逻有效地节约人力；3.经检索，中国专利号cn202111466122.6公开了一种履带式巡逻车远程驾驶控制系统及方法，该发明虽然消除了驾驶员操作带来的抖动，优化了踏板行程与速度映射关系，改善驾驶体验，但是目标检测的准确性低，降低相关人员分析效率，增加相关人员工作量；此外，现有的远程驾驶巡逻车系统系统内存利用率低，容易因冗余数据过多而导致通信传输效率降低，系统运行稳定性差，为此，我们提出一种远程驾驶巡逻车系统。技术实现要素：4.本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种远程驾驶巡逻车系统。5.为了实现上述目的，本发明采用了如下技术方案：6.一种远程驾驶巡逻车系统，包括控制平台、车载摄像头、通信连接模块、目标检测模块、参数调整模块、故障检测模块、内置存储模块、云端数据库以及警报模块；7.其中，所述控制平台用于管理员登录并控制巡逻车行驶，同时接收各子模块反馈信息并以图形化形式供管理人员查看；8.所述车载摄像头用于巡逻车采集周围环境信息以生成影像数据；9.所述通信连接模块用于接收控制平台发送的控制指令，并进行通信检测；10.所述目标检测模块用于接收影像数据，并对其进行分析反馈；11.所述参数调整模块用于收集巡逻车行驶参数，再对巡逻车进行优化调整；12.所述故障检测模块用于时候接收巡逻车行驶数据，并进行故障反馈；13.所述内置存储模块用于临时存储巡逻车各组数据，同时定期进行数据回收；14.所述云端数据库用于接收并存储控制平台上传的各组数据；15.警报模块用于接收目标检测模块反馈的各组数据，并依据数据内容向管理人员发送警报信息。16.作为本发明的进一步方案，所述通信连接模块通信检测具体步骤如下：17.步骤一：通信连接模块创建一组文件描述符形式的套接字，并将生成的套接字与本地ip地址端口进行绑定以设置监听；18.步骤二：监听设置成功后，通信连接模块等待并接收客户端的连接请求，并获取一组新的文件描述符，同时调用accept函数检测文件描述符的读缓冲区；19.步骤三：若读缓冲区检测不到数据，则该函数阻塞，并断开该连接，若读缓冲区检测到数据，则解除阻塞，并建立连接。20.作为本发明的进一步方案，所述目标检测模块分析反馈具体步骤如下：21.步骤(1)：目标检测模块处理影像数据中固定帧率的视频或图像序列帧，之后计算并记录实际视频帧的间隔时间，同时构建一级目标检测网络对影像数据进行逐帧提取巡检图片，并依据各组巡检图片的不同尺寸构建图片数据集；22.步骤(2)：之后将采集到的各组环境巡检图片按照管理员设定的不同分辨率进行缩放，并依据缩放完成的巡检图片构建图像金字塔，提取图片数据集中各组巡检图片的特征信息，并将各组特征信息送入双向特征金字塔中进行特征融合，再通过图像金字塔对其进行尺度归一化处理，并输出检测框，类别和分数；23.步骤(3)：对巡检图片中物体检测框信息进行收集，并生成对应检测框坐标，并对相关巡检图片进行扩大化剪裁，并收集扩大化剪裁后的各组物体图片，再通过内置存储模块进行暂时存储，之后构建二级目标检测网络过滤掉各组物体图片中属于背景的简单负样本，挑选出可能含有物体的区域进行分类和回归；24.步骤(4)：在五个语义信息有高有低的物体图片的每一个点上生成规定比例以及大小的九个锚框并对这些锚框进行分类和回归，再通过扩大化剪裁对各组物体图片中的物体位置进行检测，并将检测结果反馈至控制平台，同时进行目标跟踪。25.作为本发明的进一步方案，步骤(4)中所述目标追踪具体步骤如下：26.第一步：通过卡尔曼滤波理论建立运动模型，同时通过构建的运动模型实时获取各物体的运动状态，之后运动模型依据对各物体的线性运动假设，对其在视频帧中的运动状态进行定义；27.第二步：收集各物体在当前视频帧中的运动状态，并构建预测方程对各物体在下一视频帧中的运动状态进行估计，并依据多目标实时检测算法计算出的第i个车载摄像头当前视频帧中所有物体的检测结果；28.第三步：计算检测结果与物体之间的余弦距离，并通过人工设定的阈值进行过滤以得到余弦距离表征的代价矩阵，之后进行二分匹配以得到匹配结果集合；29.第四步：目标检测模块对于最终匹配失败的物体的运动模型中的卡尔曼增益和协方差矩阵进行更新，更新完成后，重新对最终匹配失败的各组物体进行匹配，匹配完成后，依次并行处理每一路视频流的视频帧数据，并对每一路视频流中下采样后得到的视频帧依次执行物体标记、估计物体的运动状态、匹配关联以及跨监控多物体跟踪。30.作为本发明的进一步方案，所述参数调整模块优化调整具体步骤如下：31.s1.1：参数调整模块接收巡逻车各项行驶数据，并构建该巡逻车相对应的优化神经网络，优化神经网络采用独立编码器将各项行驶数据中非二进制的数据转换为二进制；32.s1.2：再通过归一化处理将各项行驶数据转换至规定检测区间内，之后将各项行驶数据分为验证集、测试集以及训练集,同时重复多次使用验证集中的各组数据对该巡逻车行驶稳定性进行验证；33.s1.3：统计测试集中各数据均方根误差，再对每组数据都进行一次预测，并将预测结果最好的数据作为最优参数输出，之后依据最优参数对训练集进行标准化处理生成训练样本，之后将训练样本输送到优化神经网络中，并采用长期迭代法对该巡逻车行驶效率进行实时优化，并通过焦点损失函数对该巡逻车行驶过程的损失值进行计算；34.s1.4：参数分析模块接受计算出的各组损失值并进行准确率、检出率以及误报率分析，并将分析结果反馈给工作人员进行分析调整，同时构建上层控制器以及下层控制器，再基于模糊控制理论以及纵向动力学生成驱动控制以及制动控制，并依据生成的驱动控制以及制动控制对巡逻车进行参数优化。35.作为本发明的进一步方案，所述内置存储模块数据回收具体步骤如下：36.s2.1：控制平台依据系统默认或人工设定的循环时间值定期对内置存储模块临时存储数据进行回收率计算，并向内置存储模块下发回收指令；37.s3.1：内置存储模块收回收指令后启动，并接收控制平台计算的回收率数值，再抽取各组临时存储数据，并依据计算出的回收率对临时存储数据进行回收，之后生成回收日志，并将回收数据信息以及回收日期记录在回收日志中，并将其反馈至控制平台供管理人员查看。38.相比于现有技术，本发明的有益效果在于：39.1、本发明设置有目标检测模块，巡逻车通过车载摄像头采集周围环境影像数据，目标检测模块构建一级目标检测网络对影像数据进行逐帧提取巡检图片，之后将采集到的各组环境巡检图片按照管理员设定的不同分辨率进行缩放，提取图片数据集中各组巡检图片的特征信息，并将各组特征信息进行处理，并输出检测框，收集检测框信息并生成对应检测框坐标，对相关巡检图片进行扩大化剪裁，并收集扩大化剪裁后的各组物体图片，之后构建二级目标检测网络过滤掉各组物体图片中属于背景的简单负样本，挑选出可能含有物体的区域进行分类和回归，再通过扩大化剪裁对各组物体图片中的物体位置进行检测，通过构建一级目标检测网络以及二级目标检测网络对采集到的影像数据进行过级联分析，能够更加准确的对巡逻环境中的各物体信息进行分析，提高巡逻车目标检测的准确性，提高相关人员分析效率，减少相关人员工作量；40.2、本发明设置有内置存储模块，目标检测模块将扩大化剪裁后的各组物体图片导入内置存储模块进行暂时存储，之后控制平台依据系统默认或人工设定的循环时间值定期对内置存储模块临时存储数据进行回收率计算，并向内置存储模块下发回收指令，内置存储模块收回收指令后启动，并接收控制平台计算的回收率数值，再抽取各组临时存储数据，并依据计算出的回收率对临时存储数据进行回收，之后生成回收日志，并将回收数据信息以及回收日期记录在回收日志中，并将其反馈至控制平台供管理人员查看，能够自行对内部存储的数据进行回收删除，提高该系统内存利用率，防止冗余数据过多降低通信传输效率，保证系统运行稳定。附图说明41.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。42.图1为本发明提出的一种远程驾驶巡逻车系统的系统框图。具体实施方式43.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。44.实施例145.参照图1，一种远程驾驶巡逻车系统，包括控制平台、车载摄像头、通信连接模块、目标检测模块、参数调整模块、故障检测模块、内置存储模块、云端数据库以及警报模块。46.控制平台用于管理员登录并控制巡逻车行驶，同时接收各子模块反馈信息并以图形化形式供管理人员查看。47.车载摄像头用于巡逻车采集周围环境信息以生成影像数据。48.通信连接模块用于接收控制平台发送的控制指令，并进行通信检测。49.具体的，通信连接模块创建一组文件描述符形式的套接字，并将生成的套接字与本地ip地址端口进行绑定以设置监听，监听设置成功后，通信连接模块等待并接收客户端的连接请求，并获取一组新的文件描述符，同时调用 accept函数检测文件描述符的读缓冲区，若读缓冲区检测不到数据，则该函数阻塞，并断开该连接，若读缓冲区检测到数据，则解除阻塞，并建立连接。50.目标检测模块用于接收影像数据，并对其进行分析反馈。51.具体的，目标检测模块处理影像数据中固定帧率的视频或图像序列帧，之后计算并记录实际视频帧的间隔时间，同时构建一级目标检测网络对影像数据进行逐帧提取巡检图片，并依据各组巡检图片的不同尺寸构建图片数据集，之后将采集到的各组环境巡检图片按照管理员设定的不同分辨率进行缩放，并依据缩放完成的巡检图片构建图像金字塔，提取图片数据集中各组巡检图片的特征信息，并将各组特征信息送入双向特征金字塔中进行特征融合，再通过图像金字塔对其进行尺度归一化处理，并输出检测框，类别和分数，目标检测模块对巡检图片中物体检测框信息进行收集，并生成对应检测框坐标，并对相关巡检图片进行扩大化剪裁，并收集扩大化剪裁后的各组物体图片，再通过内置存储模块进行暂时存储，之后构建二级目标检测网络过滤掉各组物体图片中属于背景的简单负样本，挑选出可能含有物体的区域进行分类和回归，之后在五个语义信息有高有低的物体图片的每一个点上生成规定比例以及大小的九个锚框并对这些锚框进行分类和回归，再通过扩大化剪裁对各组物体图片中的物体位置进行检测，并将检测结果反馈至控制平台，同时进行目标跟踪，通过构建一级目标检测网络以及二级目标检测网络对采集到的影像数据进行过级联分析，能够更加准确的对巡逻环境中的各物体信息进行分析，提高巡逻车目标检测的准确性，提高相关人员分析效率，减少相关人员工作量。52.需要进一步说明的是，目标检测模块通过卡尔曼滤波理论建立运动模型，同时通过构建的运动模型实时获取各物体的运动状态，之后运动模型依据对各物体的线性运动假设，对其在视频帧中的运动状态进行定义，收集各物体在当前视频帧中的运动状态，并构建预测方程对各物体在下一视频帧中的运动状态进行估计，并依据多目标实时检测算法计算出的第i个车载摄像头当前视频帧中所有物体的检测结果，计算检测结果与物体之间的余弦距离，并通过人工设定的阈值进行过滤以得到余弦距离表征的代价矩阵，之后进行二分匹配以得到匹配结果集合，之后目标检测模块对于最终匹配失败的物体的运动模型中的卡尔曼增益和协方差矩阵进行更新，更新完成后，重新对最终匹配失败的各组物体进行匹配，匹配完成后，依次并行处理每一路视频流的视频帧数据，并对每一路视频流中下采样后得到的视频帧依次执行物体标记、估计物体的运动状态、匹配关联以及跨监控多物体跟踪。53.实施例254.参照图1，一种远程驾驶巡逻车系统，包括控制平台、车载摄像头、通信连接模块、目标检测模块、参数调整模块、故障检测模块、内置存储模块、云端数据库以及警报模块。55.参数调整模块用于收集巡逻车行驶参数，再对巡逻车进行优化调整。56.具体的，参数调整模块接收巡逻车各项行驶数据，并构建该巡逻车相对应的优化神经网络，优化神经网络采用独立编码器将各项行驶数据中非二进制的数据转换为二进制，再通过归一化处理将各项行驶数据转换至规定检测区间内，之后将各项行驶数据分为验证集、测试集以及训练集,同时重复多次使用验证集中的各组数据对该巡逻车行驶稳定性进行验证，之后统计测试集中各数据均方根误差，再对每组数据都进行一次预测，并将预测结果最好的数据作为最优参数输出，之后依据最优参数对训练集进行标准化处理生成训练样本，之后将训练样本输送到优化神经网络中，并采用长期迭代法对该巡逻车行驶效率进行实时优化，并通过焦点损失函数对该巡逻车行驶过程的损失值进行计算，最后参数分析模块接受计算出的各组损失值并进行准确率、检出率以及误报率分析，并将分析结果反馈给工作人员进行分析调整，同时构建上层控制器以及下层控制器，再基于模糊控制理论以及纵向动力学生成驱动控制以及制动控制，并依据生成的驱动控制以及制动控制对巡逻车进行参数优化。57.故障检测模块用于时候接收巡逻车行驶数据，并进行故障反馈。58.内置存储模块用于临时存储巡逻车各组数据，同时定期进行数据回收。59.具体的，控制平台依据系统默认或人工设定的循环时间值定期对内置存储模块临时存储数据进行回收率计算，并向内置存储模块下发回收指令，内置存储模块收回收指令后启动，并接收控制平台计算的回收率数值，再抽取各组临时存储数据，并依据计算出的回收率对临时存储数据进行回收，之后生成回收日志，并将回收数据信息以及回收日期记录在回收日志中，并将其反馈至控制平台供管理人员查看，能够自行对内部存储的数据进行回收删除，提高该系统内存利用率，防止冗余数据过多降低通信传输效率，保证系统运行稳定。60.云端数据库用于接收并存储控制平台上传的各组数据。61.警报模块用于接收目标检测模块反馈的各组数据，并依据数据内容向管理人员发送警报信息。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!