一种特种车辆行进状态检测方法及装置与流程

本发明涉及特种车辆行进状态检测技术领域，尤其是涉及一种特种车辆行进状态检测方法及装置。

背景技术：

现有技术中的特种车辆在使用状态下通常仅在固定作业区域内行驶。为提高作业区域内特种车辆的合理利用率，车辆调度的人员在调配车辆时需要准确获知每辆特种车辆的使用状态。以场地内经常使用的叉车为例，叉车状态如果依靠人工方式统计几乎是不可实现的目标，工厂或仓库工作环境复杂，货物运输频繁，叉车运动整体体现不可控性。现有技术中用于检测叉车行进状态的设备通常依赖于can数据信息或者霍尔传感器两种方式，第一种方式检测准确但是设备成本较高,第二种检测方式准确度低效果不好。

BMI160采用14管脚LGA封装，尺寸为2.5×3.0×0.8mm³。当加速度计和陀螺仪在全速模式下运行时，耗电典型值低至950μA，仅为市场上同类产品耗电量的50％或者更低。BMI160可以控制外挂传感器的数据采集并将所有的传感器数据缓冲在内置FIFO中。当辅助接口被配置为高速SPI接口与相机模块通讯时，BMI160还可支持光学防抖(OIS)功能。BMI160的内置电源管理单元(PMU)提供了进一步降低系统功耗的机制。通过PMU设置，可以让陀螺仪在空闲时自动进入节能的“快速启动”模式。当加速度计检测到预先设定的运动变化时，可通过“任意运动”(anymotion)中断将陀螺仪唤醒，从而大大降低系统的功耗。当与地磁传感器连接时，BMI160可在无主处理器干预的情况下触发地磁传感器数据的读出操作，从而延长主处理器的睡眠周期并降低系统功耗。内置FIFO缓冲器能防止系统在非实时运行时的数据丢失，并帮助实现低功耗应用。FIFO缓冲器架构支持动态分配加速度计、陀螺仪和外部传感器三者的存储空间。BMI160拥有一个片内中断引擎，支持低功耗状态下实现运动动作识别和情景感知。支持的中断检测包括：任意运动或无运动检测、敲击或双击检测、方位检测、自由落体或震动事件检测。现有技术中并未存在将上述BMI160应用在特种车辆行进状态检测上的应用实例，故在准确获知每辆特种车辆的使用状态时，迟迟未取得低成本高精度的检测效果。

因此，针对上述问题提供一种特种车辆行进状态检测方法及装置成为一种必需。

技术实现要素：

本发明的目的在于提供一种特种车辆行进状态检测方法及装置，用于准确检测叉车运动状态，有效提高叉车管理效率，实现叉车的自动化管理。

一方面，本发明提供的一种特种车辆行进状态检测方法，所述方法包括如下步骤：获取特种车辆的运动状态参数；提取所述运动状态参数中的加速度参数，并与预设的动静状态阈值相比较，判断车辆是否在运动；当判断结果为车辆运动时，检测车辆的运动状态是否为前进或后退；提取所述运动状态参数中的角速度参数，并与预设的转弯状态阈值相比较，判断车辆是否在转弯；将车辆当前的行进状态以可视化的方式反馈至显示终端。

进一步地，判断车辆是否在运动时，通过动静状态的阈值和时序信号中车辆震动的特征方差来区分车辆是处于静止状态还是处于运动状态。

进一步地，获取车辆当前的行进状态的方法包括：设定状态阈值；将接收到的所述特种车辆的运动状态参数转化为时序信号；通过CNN算法对所述时序信号进行滤波，并提取波动特征；及衡量滤波后的时序信号及波动特征是否满足所述设定的状态特征。

进一步地，“将接收到的所述特种车辆的运动状态参数转化为时序信号”包括：将数据间的欧几里德距离和各轴的加速度数据分别存于不同的队列中，形成随时间转播的时序信号；将被提取的所述波动特征及所述时序信号，作为获取车辆当前的行进状态结果所需的数据输入。

进一步地，所述时序信号的获取方法包括：将被提取得波形特征可视化；从可视化后的波形图中提取波动特征。

进一步地，获取车辆当前的行进状态的过程中还包括：以自我学习的方式修正所述动静状态阈值和转弯状态阈值。

另一方面，本发明还提供一种特种车辆行进状态检测装置，包括：运动状态参数采集模块；还包括：数据分析模块和服务器展示模块；所述运动状态参数采集模块、数据分析模块和服务器展示模块以串联的方式依次通信连接；所述数据分析模块所采用的数据分析方法为如前所述的特种车辆行进状态的检测方法；所述运动状态参数采集模块用于：感知并获取特种车辆的运动状态参数；所述运动状态参数包括：加速度参数和角速度参数；所述数据分析模块用于：设定状态阈值；将接收到的所述特种车辆的运动状态参数转化为时序信号；通过CNN算法对所述时序信号进行滤波，并提取波动特征；及衡量采集的时序信号及波动特征是否满足所述设定的状态特征，并将检测结果反馈至服务器展示模块；所述服务器展示模块用于：将所述检测结果可视化。

进一步地，所述运动状态参数采集模块包括：陀螺仪及BMI160；所述数据分析模块包括stm32f429。

进一步地，“将接收到的所述特种车辆的运动状态参数转化为时序信号”包括：将数据间的欧几里德距离和各轴的加速度数据分别存于不同的队列中，形成随时间转播的时序信号；被提取得所述波动特征，作为所述检测模块的数据输入。

进一步地，所述陀螺仪为mpu6050。

进一步地，所述数据分析模块在获取检测结果时，通过动静状态的阈值和时序信号中车辆震动的特征方差来区分车辆是处于静止状态还是处于运动状态。

进一步地，所述动静状态的阈值为加速度阈值；所述检测结果还包括转弯状态，所述转弯状态的阈值为角速度阈值。

进一步地，所述数据分析模块包括：转化时序信号模块；所述转化时序信号模块包括：依次以串联的方式通信连接的欧式距离计算模块、波形图绘制模块和波动特征提取模块组成；所述转化时序信号模块用于：将接收到的所述特种车辆的运动状态参数转化为时序信号；所述欧式距离计算模块用于：将数据间的欧几里德距离和各轴的加速度数据分别存于不同的队列中，形成随时间转播的时序信号；所述波形图绘制模块用于：将被提取得波形特征可视化；所述波动特征提取模块用于：从可视化后的波形图中提取波动特征。

进一步地，所述数据分析模块包括：前后运动检测模块和左右转弯检测模块；所述前后运动检测模块和左右转弯检测模块的输入端分别与所述转化时序信号模块的输出端数据通信连接；所述前后运动检测模块和左右转弯检测模块的输出端分别与所述服务器展示模块数据通信连接。

进一步地，所述数据分析模块还包括数据修正模块，所述数据修正模块分别与所述前后运动检测模块和左右转弯检测模块数据连接；所述数据修正模块以自我学习的方式修正所述前后运动检测模块内设定的动静状态阈值和左右转弯检测模块内设定的转弯状态阈值。

进一步地，所述运动状态参数包括：三轴陀螺仪的加速度，及三轴陀螺仪的角速度。

本发明提供的特种车辆行进状态检测装置与现有技术相比具有以下进步：本发明提供的特种车辆行进状态检测装置能够以低廉的硬件成本实现对特种车辆行进状态进行实时检测的功能，并能将检测结果即时可视化；其中，陀螺仪的设置用于将特种车辆发动时的加速度变化及角速度变化转化为电信号输入至BMI160；成本廉价的BMI160数据采集设备可以准确检测出特种车辆的运动状态，数据分析模块及检测模块可以很好的完成特种车辆的运动状态自动化检测，服务器展示模块帮助企业快速获取车辆行进状态的相关信息，完善车辆管理和考勤工作，提高管理和作业效率，有效的节约自动化管理的成本。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1中特种车辆行进状态的检测方法操作步骤示意图；

图2为本发明本发明实施例1中特种车辆行进状态检测装置的结构示意图；

图3为图2中分析模块的结构示意图；

图4为本发明实施例2中数据分析模块具体操作步骤示意图；

图5为本发明实施例2中检测模块的工作流程示意图；

图6为本发明实施例2中特种车辆行进状态检测装置的具体工作流程示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的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。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1：

请参见图1，一方面，本发明提供一种特种车辆行进状态的检测方法，所述方法包括如下步骤：

S1：获取特种车辆的运动状态参数；

S2：提取所述运动状态参数中的加速度参数，并与预设的动静状态阈值相比较，判断车辆是否在运动；

S3：当判断结果为车辆运动时，检测车辆的运动状态是否为前进或后退；

S4：提取所述运动状态参数中的角速度参数，并与预设的转弯状态阈值相比较，判断车辆是否在转弯；

S5：将车辆当前的行进状态以可视化的方式反馈至显示终端。

优选地，在本方法的其中一种具体实施方式中，判断车辆是否在运动时，通过动静状态的阈值和时序信号中车辆震动的特征方差来区分车辆是处于静止状态还是处于运动状态。

优选地，在本方法的其中一种具体实施方式中，获取车辆当前的行进状态的方法包括：设定状态阈值；将接收到的所述特种车辆的运动状态参数转化为时序信号；通过CNN算法对所述时序信号进行滤波，并提取波动特征；及衡量采集的时序信号及波动特征是否满足所述设定的状态特征。

需要说明的是，CNN算法是一直特殊的神经网络搭建方法，不是一种特定的算法，而是指一类算法，或一种神经网络的搭建方式。CNN算法在图像处理领域大放异彩，CNN算法的核心特点是拥有卷积核和池化层，在图像处理领域的CNN算法是对图像进行二维卷积和二维池化。而我们这里使用一维的卷积和一维池化。这样做的目的是为了利用CNN进行对时序数据进行滤波操作，通过滤波可以过滤掉加速度信号中的噪声信号干扰，使得车辆方向上的加速度特征更加的明显，方便分析和提取。类似的滤波操作方式还有很多，比如卡尔曼滤波。此外，本发明所涉及的车辆状态检测装置就是通过获取的加速度判断车辆是在前进和退后的。理论上讲理想状态下的车辆运动时加速—>匀速运动—>减速运动—>停止，通过加速度无法判断驱动匀速运动和静止。但现实世界的工程车辆没有理想状态的绝对匀速运动，通过绘制分析采集的车辆状态的波形图就会发现毫秒级的加速度细微变化。依据这些细微变化即可预测车辆所处的状态。

优选地，在本方法的其中一种具体实施方式中，“将接收到的所述特种车辆的运动状态参数转化为时序信号”包括：将数据间的欧几里德距离和各轴的加速度数据分别存于不同的队列中，形成随时间转播的时序信号；将被提取的所述波动特征及所述时序信号，作为获取车辆当前的行进状态结果所需的数据输入。

优选地，在本方法的其中一种具体实施方式中，所述时序信号的获取方法包括：将被提取得波形特征可视化；从可视化后的波形图中提取波动特征。

优选地，在本方法的其中一种具体实施方式中，获取车辆当前的行进状态的过程中还包括：以自我学习的方式修正所述动静状态阈值和转弯状态阈值。

另一方面，请参见图2，本实施例还提供一种特种车辆行进状态检测装置，包括：运动状态参数采集模块100、数据分析模块200和服务器展示模块300；所述运动状态参数采集模块100、数据分析模块200和服务器展示模块300以串联的方式依次通信连接；所述数据分析模块200所采用的数据分析方法为上述的特种车辆行进状态的检测方法；其中，所述运动状态参数采集模块100用于：感知并获取特种车辆的运动状态参数；所述运动状态参数包括：加速度参数和角速度参数；所述数据分析模块200用于：设定状态阈值；将接收到的所述特种车辆的运动状态参数转化为时序信号；通过CNN算法对所述时序信号进行滤波，并提取波动特征；及衡量采集的时序信号及波动特征是否满足所述设定的状态特征，并将检测结果反馈至服务器展示模块；所述服务器展示模块300用于：将所述检测结果可视化。

需要说明的是，本发明提取特征的过程是在对数据的分析过程中完成的，并不是将CNN算法放到检测装置中，放到装置中的是本发明分析后的算法特征，而分析模块就是为了提取该特征。本申请中分析模块就好比是算法的训练过程，将训练好的特征参数存储下来；检测过程就好比是算法的预测，而数据分析模块就用于执行本申请的检测过程。

优选地，在本实施例其中一种具体实施方式中，所述运动状态参数包括：三轴陀螺仪的加速度，及三轴陀螺仪的角速度。

优选地，在本实施例其中一种具体实施方式中，所述运动状态参数采集模块包括：陀螺仪及BMI160；所述数据分析模块包括stm32f429。上述stm32f429用于检测算法运行环境、获取波动特征载入检测算法，并对当前车辆的行进方式实施预测。

优选地，在本实施例其中一种具体实施方式中，“将接收到的所述特种车辆的运动状态参数转化为时序信号”包括：将数据间的欧几里德距离和各轴的加速度数据分别存于不同的队列中，形成随时间转播的时序信号；被提取得所述波动特征，作为所述检测模块的数据输入。

优选地，在本实施例其中一种具体实施方式中，所述陀螺仪为mpu6050。

优选地，在本实施例其中一种具体实施方式中，所述数据分析模块在获取检测结果时，通过动静状态的阈值和时序信号中车辆震动的特征方差来区分车辆是处于静止状态还是处于运动状态。

优选地，在本实施例其中一种具体实施方式中，所述动静状态的阈值为加速度阈值；所述检测结果还包括转弯状态，所述转弯状态的阈值为角速度阈值。

优选地，如图3所示，在本实施例其中一种具体实施方式中，所述数据分析模块200包括：转化时序信号模块210；所述转化时序信号模块210包括：依次以串联的方式通信连接的欧式距离计算模块211、波形图绘制模块212和波动特征提取模块213组成；所述转化时序信号模块210用于：将接收到的所述特种车辆的运动状态参数转化为时序信号；所述欧式距离计算模块211用于：将数据间的欧几里德距离和各轴的加速度数据分别存于不同的队列中，形成随时间转播的时序信号；所述波形图绘制模块212用于：将被提取得波形特征可视化；所述波动特征提取模块213用于：从可视化后的波形图中提取波动特征。

优选地，如图3所示，在本实施例其中一种具体实施方式中，所述数据分析模块包括：前后运动检测模块220和左右转弯检测模块230；所述前后运动检测模块220和左右转弯检测模块230的输入端分别与所述转化时序信号模块210的输出端数据通信连接；所述前后运动检测模块220和左右转弯检测模块230的输出端分别与所述服务器展示模块数据通信连接。

优选地，如图3所示，在本实施例其中一种具体实施方式中，所述数据分析模块还包括数据修正模块240，所述数据修正模块240分别与所述前后运动检测模块220和左右转弯检测模块230数据连接；所述数据修正模块240以自我学习的方式修正所述前后运动检测模块内设定的动静状态阈值和左右转弯检测模块内设定的转弯状态阈值。

本发明提供的特种车辆行进状态检测装置与现有技术相比具有以下进步：本发明提供的特种车辆行进状态检测装置能够以低廉的硬件成本实现对特种车辆行进状态进行实时检测的功能，并能将检测结果即时可视化；其中，陀螺仪的设置用于将特种车辆发动时的加速度变化及角速度变化转化为电信号输入至BMI160；成本廉价的BMI160数据采集设备可以准确检测出特种车辆的运动状态，数据分析模块及检测模块可以很好的完成特种车辆的运动状态自动化检测，服务器展示模块帮助企业快速获取车辆行进状态的相关信息，完善车辆管理和考勤工作，提高管理和作业效率，有效的节约自动化管理的成本。

实施例2：

以检测叉车的行进状态为例，本申请上述特种车辆行进状态检测装置的其中一种实施方式如下：

本实施例主要涉及到四方面的主要的技术分类：第一类：硬件设备stm32f429(单片机)，以及采集数据的设备BMI160。第二类：以zephry为环境的嵌入式技术，zephry环境的语法和C相似但又有不同，很多方法以及库都需要单独编写。第三类：为状态检测核心算法。第四类为包括存储在服务器的web应用技术。管理人员通过web浏览可以很容易的看到检测的效果，方便车辆管理。

对于第一类主要的功能是为提供计算能力和数据的采集，数据采自于陀螺仪mpu6050，数据分为了三轴的加速度和三轴的角速度。第二类主要为算法提供运行的环境和研发的语言环境。第四类技术为数据展示模块，主要是对状态检测模块送达的数据状态进行统计和展示，方便对叉车状态进项展示和叉车考勤管理。

第三类为本发明的核心。第三类技术主要分为数据分析模块和状态检测模块。数据分析模块相当于数据的预处理部分，功能主要是将接收到的震动信号转化为时序信号，并通过CNN算法对所述时序信号进行滤波，并提取波动特征。具体做法主要是将数据间的欧几里德距离和各轴的加速度数据分别存于不同的队列中，形成随时间转播的时序信号然后将CNN算法对所述时序信号进行滤波，并提取波动特征作为状态检测模块数据输入。状态检测模块有较多的超参，本实施例不再进一步赘述，所述超参的主要的作用就是衡量采集的数据的震动数据的特征是否满足相应的状态特征。我们首先是通过训练好模型的动静状态的阈值和时序信号中车辆震动的特征方差来区分车辆是处于静止状态还是处于运动状态。对于运动状态的再通过模型中的前后的阈值和获取的叉车前后方向的时序特征来判断车辆是处于向前运动还是处于向后运动。在判断车辆前后运动的同时，也会通过模型中训练好的左右转弯的角速度阈值和垂直于地面方向的角速度特征进行判断车辆是否在进行转弯运动。最后将预测的车辆状态返回给数据展示模块。在进行车辆状态检测的过程中还涉及到检测状态的安装方式的影响。因为我们所用到的时序信号的波动特征主要是和车辆平行和与地面垂直的特征。而我们采集的数据源并不一定采用平放安装的方式。并且安装平放安装也也会有方向的问题，不同的安装方向会造成轴向的不同和前后左右运动的反向。算法对这一部分进行了着重的处理。而处理的方式主要依赖于重力方向和三轴加速度的朝向，以及设备初次使用时前进的方向自动标注。首先初次使用时三轴力的合成会形成新的力的走向，这个力的走向和重力向量的差值就是车辆前进的方向。今后再运动的向量再改向量上的投影即为车辆的在前后运动方向的分量数据。该数据经过数据分析模块后即可转化为正常的车辆运动特征。而角速度的向量转化可以获得左右转的时序特征。而对于数据反向的问题主要依赖于重力向量的朝向以及不同车型前后运动的频次和时长。

需要说明的是，本发明上述数据分析模块所采用的叉车运动状态的自动化检测方法，在弱计算原件中获得准确的状态检测效果，具体操作步骤参见图4。本发明上述数据分析模块的检测工作流程参见图5。

进一步的，本实施例中，硬件设备包括当车辆运动时，数据从BMI160上产生并传递到数据分析的模块，经过数据分析的模块后的数据特征流向状态检测模块，最后检测模块将检测的叉车状态返回给服务器展示模块，具体流程参见图6。

需要说明的是，上述状态检测模块亦可视为数据分析模块内的其中一个功能模块加以划分，具体结构方式参见图2。但采用上述如图6所示的更为细致的模块划分方式也是本申请所要求保护的。

进一步的，本实施例中，如通过系统的自动学习发现叉车静止数据方差波峰不会超过60，那么就可以以60作为动静检测的阈值。前进后退过程中经过训练发现，车辆朝前加速所造成的时序数据波峰的均值都在500以上，500即可以作为车辆前进的阈值。同样道理，如果车辆向后加速造成的时序数据的波谷的均值都在-200以下，那么-200就可以成为车辆后退的阈值。不过根据持续的实际观察情况，造成车辆前后运动的阈值时刻都会发生变化，这主要和数据采集设备的精度有关。所以需要对前后运动的阈值进行实时的学习，只要车辆重新进入静止状态就需要分析两段静止状态之间的时序数据的波动情况，将阈值前后运动的阈值重新设定。

需要说明的是，当上述车辆运动特征提取完成，这一类型号的车辆在检测装置相同的安装方式下都可以使用该组特征进行检测。当车辆型号和安装方式发生变化时，检测装置的检测算法是无需变化，但是训练出来的特征阈值必须进行调整。上述实施例中列举的关于前进后退等的阈值仅仅是针对一个车型和安装方式的特例。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。