一种实时监测车辆载重的方法、终端设备及计算机可读存储介质与流程

本发明涉及车辆载重技术领域，尤其涉及一种实时监测车辆载重的方法、终端设备及计算机可读存储介质。

背景技术：

根据中国互联网络信息中心(cnnic)在京发布第44次《中国互联网络发展状况统计报告》显示，中国网络购物用户规模达到6.39亿之多。2018年中国快递业务量达到507.1亿件，据行业预测2019年快递业务将超过600亿件。由于5g、大数据、人工智能、云计算、物联网等技术手段已经让快递仓储、运输、配送等环节趋向于智能化操作。但是相较于仓储和配送环节，快递运输途中由于受外界诸多不可控因素影响，仍然很难达到数字化和可视化，尤其是运输途中车辆载货量。

现有车辆实时称重方案，无法实时监控车辆状态和位置。尤其快递车辆往往需要对运输途中上下货地点和货物重量严格监控。现已有多种车辆动态称重的方案，其中多利用应变传感器数据通过标定来实现。但应用于快递车辆的动态秤重，存在以下缺点：极端天气或者交通状况缺乏有效的车辆定位；由于传感器误差，运输途中快递丢失无法准确判断。

现有技术中缺乏一种实时监测车辆状态和载重的方法。

技术实现要素：

本发明为了解决现有的问题，提供一种实时监测车辆载重的方法、终端设备及计算机可读存储介质。

为了解决上述问题，本发明采用的技术方案如下所述：

一种实时监测车辆载重的方法，包括如下步骤：s1：标定车辆的车桥部位安装的应变计的系数，并实时计算出车辆载重；s2：获取车辆的状态信号和位置信号，计算所述车辆的状态信号与地球相对姿态，设定方差阈值，判断当前时刻得到的所述车辆载重是否有效，根据所述位置信号确定所述车辆的位置；s3：根据判断结果实时输出当前时刻的所述车辆载重或当前时刻的前一刻的车辆载重。

优选地，在步骤s2之后还包括如下步骤：通过卡尔曼滤波对所述位置信号进行滤波修正所述车辆的位置。

优选地，标定所述应变计的系数包括如下步骤：s11：采集数据，所述数据包括在车厢位置依次摆放标准砝码并依次获取车桥部位安装的应变计的数值；s12：利用多元线性回归建立所述应变计的数值与所述标准砝码的重量的映射关系。

优选地，所述应变计在前、后车桥对称的安装偶数个；所述数据包括：标准砝码重量构成的向量yi(i∈1,...,n)和对应的应变计数值构成的矩阵xi,j(i∈1,2,3,...,n；j∈1,2,3,...,m)，其中，n代表加载所述标准砝码的总数，m代表所述应变计的总数。

优选地，采用四元数计算所述车辆的状态信号与地球相对姿态，具体如下：

四元数定义为：

q＝q0+q1i+q2j+q3k

所述车辆的状态信号为四元数，归一成单位四元数：

将归一化后的所述车辆的状态信号转化为地理坐标系下车辆横滚角俯仰角θ和航向角γ：

θ＝-sin^-12(q1q2+q0q3)

优选地，采用惯性测量元件获取车辆的状态信号，分别设定陀螺仪方差阈值σ1＝0.005、加速度计方差阈值σ2＝0.008；分别计算当前时刻k和当前时刻的前一刻k-1时刻所述车辆的姿态角，姿态角差值δ为：

δ＝|φk-φk-1|+|θk-θk-1|+|γk-γk-1|

设定δ阈值为30°；

计算当前时刻k的所述方差阈值、所述姿态角差值满足：σ1<0.005,σ2<0.008,δ<30°，则当前时刻得到的所述车辆载重有效；

如果不满足，则当前时刻得到的所述车辆载重无效。

优选地，当前时刻得到的所述车辆载重有效时，实时输出当前时刻的所述车载重量；当前时刻得到的所述车辆载重无效时，实时输出当前时刻的前一刻k-1时刻对应的车辆载重。

优选地，通过卡尔曼滤波对所述位置信号进行滤波修正所述车辆的位置：s31：根据所述状态信号，将所述车辆的状态简化表示为：

其中，所述车辆在地理坐标系的经纬度简化为位置p，v是所述状态信号中的速度；

s32：假定位置p和速度v满足高斯分布，则p与v之间的协方差矩阵为:

所述车辆的状态转换为：

其中，fk为状态转换矩阵，bk为控制矩阵，为加速度；协方差矩阵转换为：

其中，pk为k时刻协方差矩阵，pk-1为k-1时刻协方差矩阵，为的转置矩阵，qk为引入的随机噪声误差；s33：根据所述位置信号得到所述车辆的位置和速度及其协方差矩阵rk；s34：根据所述状态信号得到的高斯分布与根据所述位置信号得到高斯分布相乘将生成新的高斯分布(μ2，σ2)

k＝μ0(μ0＋μ1)^-1

μ2＝μ0+k(μ1-μ0)^-1

σ2＝σ0-kσ0

其中，k为卡尔曼增益；所述车辆的位置为：

k＝pk(pk+rk)^-1

本发明提供一种实时监测车辆载重的终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上任一所述方法的步骤。

本发明再提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上任一所述方法的步骤。

本发明的有益效果为：提供一种实时监测车辆载重的方法、终端设备及计算机可读存储介质，通过姿态解算融合陀螺仪和加速度计数据，剔除了外界环境引起车辆载重的误差，保证输出的是真实车辆载重。在不需要人力监管条件下，实时获取快递车辆载重、位置和行驶状态，保证运输安全，有效的节约时间和人力成本。

附图说明

图1是本发明实施例中一种实时监测车辆载重的方法的示意图。

图2是本发明实施例中又一种实时监测车辆载重的方法的示意图。

图3是本发明实施例中标定所述应变计的系数的方法示意图。

图4是本发明实施例中车辆示意图。

图5是本发明实施例中b坐标系绕参考坐标系r旋转用欧拉角表示的示意图。

图6是本发明实施例中通过卡尔曼滤波对所述位置信号进行滤波修正所述车辆的位置的方法示意图。

图7是本发明实施例中一种实时监测车辆载重的终端设备的示意图。

图8(a)和图8(b)是本发明实施例中采用现有技术的方法和本发明方法处理后的车辆行驶路径的示意图。

图9(a)和图9(b)是本发明实施例中采用现有技术的方法和本发明方法处理后的车辆载重示意图。

其中，1-车头，2-车厢，3-前车桥，4-后车桥，5、5a、5b-应变计。

具体实施方式

为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接既可以是用于固定作用也可以是用于电路连通作用。

需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“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实施例和简化描述，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”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

相关术语解释

四元数：(quaternion)是简单的超复数。复数是由实数加上虚数单位i组成，其中i^2＝-1。相似地，四元数都是由实数加上三个虚数单位i、j、k组成，而且它们有如下的关系：i^2＝j^2＝k^2＝-1，i^0＝j^0＝k^0＝1,每个四元数都是1、i、j和k的线性组合，即是四元数一般可表示为q0＋q1i＋q2j＋q3k，其中q0、q1、q2、q3是实数。用四元数来刻画三维旋转，比传统欧拉角简单快捷，同时解决万向节死锁(gimballock)问题。

惯性测量元件：简称imu(inertialmeasurementunit)是测量物体三轴姿态角(或角速率)以及加速度的装置。一般的，一个imu包含了三个单轴的加速度计和三个单轴的陀螺，加速度计检测物体在载体坐标系统独立三轴的加速度信号，而陀螺检测载体相对于导航坐标系的角速度信号，测量物体在三维空间中的角速度和加速度，并以此解算出物体的姿态。

卡尔曼滤波：(kalmanfilter)是一种高效率的递归滤波器(自回归滤波器)，它能够从一系列的不完全及包含噪声的测量中，估计动态系统的状态。卡尔曼滤波会根据各测量值在不同时间下的值，考虑各时间下的联合分布，再产生对未知变数的估计，因此会比只以单一测量值为基础的估计方式要准。

如图1所示，本实施例提供一种实时监测车辆载重的方法，包括如下步骤：

s1：标定车辆的车桥部位安装的应变计的系数，并实时计算出车辆载重；

s2：获取车辆的状态信号和位置信号，计算所述车辆的状态信号与地球相对姿态，设定方差阈值，判断当前时刻得到的所述车辆载重是否有效，根据所述位置信号确定所述车辆的位置；

s3：根据判断结果实时输出当前时刻的所述车辆载重或当前时刻的前一刻的车辆载重。

在本发明的一种实施例中，通过惯性测量单元(imu)获得车辆的状态信号，通过gps获得车辆的位置信号。

如图2所示，在本发明的另一种实施例中，实时监测车辆载重的方法在步骤s2之后还包括如下步骤：

通过卡尔曼滤波对所述位置信号进行滤波修正所述车辆的位置。

如图3所示，标定所述应变计的系数包括如下步骤：

s11：采集数据，所述数据包括在车厢位置依次摆放标准砝码并依次获取车桥部位安装的应变计的数值；

s12：利用多元线性回归建立所述应变计的数值与所述标准砝码的重量的映射关系。

在本发明的一种实施例中，应变计在前、后车桥对称的安装偶数个；所述数据包括：标准砝码重量构成的向量yi(i∈1,...,n)和对应的应变计数值构成的矩阵xi,j(i∈1,2,3,...,n；j∈1,2,3,...,m)，其中，n代表加载所述标准砝码的总数，m代表所述应变计的总数。

在本发明的一种实施例中，可以依次放至少15个已知重量的标准砝码获取准砝码重量构成的向量以及对应的应变计数值构成的矩阵。

如图4所示，应变计在前、后车桥对称的安装偶数个，比如6个。车头1后面连接车厢2，两个应变计5装在前车桥3的正上方，两个应变计5a装在后车桥4的正上方，两个应变计5b装在后车桥4的后侧方。通过应变计将车桥形变大小转化为应变计模拟信号值，作为模型输入的特征值。在前、后车桥部分，对称地安装偶数个数的应变计应变计可以均匀地获取到由货物带给车厢的受力，避免受力不均衡带来的形变扑捉丢失的情况，造成精度的丧失。

多元线性回归归建立所述应变计的数值与所述标准砝码的重量的映射关系包括：

y＝β0+β1x1+β2x2+…+βixi+ε

确定各传感器系数βi(i∈1,2,...m)。

姿态解算是指解决imu(车辆)和地球相对姿态问题。地理坐标系是固定不变的，一般定义，(北，东，天)方位构成(x,y,z)坐标系。

在本发明的一种实施例中，imu封装于中央处理单元主板上被固定在车辆驾驶室仪表盘正上方，其坐标系用b来表示。

如图5所示，为一个b坐标系绕参考坐标系r旋转用欧拉角表示的示意图。欧拉角表示相对坐标系的旋转清晰直观，但在实际应用中很难规避死锁问题。因而本文引入更加利于计算的四元数来解决。

四元数定义为：

q＝q0+q1i+q2j+q3k

单位四元数可以表示三维空间中的旋转，因此车辆的状态信号为四元数，归一成单位四元数：

将归一化后的所述车辆的状态信号转化为地理坐标系下车辆横滚角俯仰角θ和航向角γ：

θ＝-sin^-12(q1q2+q0q3)

在一种具体的实施例中，分别分析imu中陀螺仪和加速度计在正常上下货和行车过程中数据变化情况，分别设定陀螺仪方差阈值σ1＝0.005、加速度计方差阈值σ2＝0.008；分别计算当前时刻k和当前时刻的前一刻k-1时刻所述车辆的姿态角，姿态角差值δ为：

δ＝|φk-φk-1|+|θk-θk-1|+|γk-γk-1|

设定δ阈值为30°；

计算当前时刻k的所述方差阈值、所述姿态角差值满足：σ1＜0.005，σ2＜0.008，δ＜30°，则当前时刻得到的所述车辆载重有效；

如果不满足，则当前时刻得到的所述车辆载重无效。

可以理解的是，当前时刻得到的所述车辆载重有效时，实时输出当前时刻的所述车载重量；

当前时刻得到的所述车辆载重无效时，实时输出当前时刻的前一刻k-1时刻对应的车辆载重。

可以理解的是，本发明可以通过客户端应用程序，比如app或微信小程序显示车辆载重，可以显示当前时刻的车辆载重，也可以显示车辆载重形成的车载曲线。

本发明通过姿态解算融合陀螺仪和加速度计数据，剔除了外界环境引起车辆载重的误差。该方法在不需要人力监管条件下，实时获取快递车辆载重、位置和行驶状态，保证运输安全，有效的节约时间和人力成本。

为了精确获知车辆的位置，通过卡尔曼滤波对所述位置信号进行滤波修正所述车辆的位置：

求得的航向角(γ)结合车辆上一时刻k-1时刻信息即可得到当前时刻k车辆位置：

vk＝vk-1+aδt

其中，r为地球半径，latk，latk-1分别为k和k-1时刻纬度，lonk，latk-1分别为k和k-1时刻经度，vk-1，vk分别为k和k-1时刻车辆速度，为上一时刻车辆所在纬度，ax，ay，a分别为车辆东西向加速度，南北向加速度和合加速度。

由此，可以可以根据imu数据求得车辆行驶位置，此外我们也可以根据gps模块数据获取车辆位置信号。根据gps的位置信号也可以获取车辆位置。

gps信号由于自身以及外界不确定因素的影响存在误差，甚至会出现漂移现象，同时在姿态解算过程中需要对陀螺仪数据进行积分也会产生累计误差。卡尔曼滤波非常适合处理包含噪声污染信息中系统真实状态。故我们引入卡尔曼滤波器来估算车辆真实位置。

如图6所示，通过卡尔曼滤波对所述位置信号进行滤波修正所述车辆的位置包括如下步骤：

s31：根据所述状态信号，将所述车辆的状态简化表示为：

其中，所述车辆在地理坐标系的经纬度简化为位置p，v是所述状态信号中的速度；

s32：假定位置p和速度v满足高斯分布，则p与v之间的协方差矩阵为:

所述车辆的状态转换为：

其中，fk为状态转换矩阵，bk为控制矩阵，为加速度；

协方差矩阵转换为：

其中，pk为k时刻协方差矩阵，pk-1为k-1时刻协方差矩阵，为fk的转置矩阵，qk为引入的随机噪声误差；

s33：根据所述位置信号得到所述车辆的位置和速度及其协方差矩阵rk；

s34：根据所述状态信号得到的高斯分布与根据所述位置信号得到高斯分布相乘将生成新的高斯分布(μ2，σ2)：

k＝μ0(μ0+μ1)^-1

μ2＝μ0+k(μ1-μ0)^-工

σ2＝σ0-kσ0

其中，k为卡尔曼增益；

所述车辆的位置为：

k＝pk(pk+rk)^-1

通过上述步骤对车辆的位置进行修订获得更精准的车辆位置。

如图7所示，本发明还提供一种实时监测车辆载重的终端设备，包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如标定程序。所述处理器执行所述计算机程序时实现上述各个实时监测车辆载重的方法实施例中的步骤，例如图1所示的步骤s1-s3。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如标定车辆的车桥部位安装的应变计的系数，并实时计算出车辆载重；获取车辆的状态信号和位置信号，计算所述车辆的状态信号与地球相对姿态，设定方差阈值，判断当前时刻得到的所述车辆载重是否有效，根据所述位置信号确定所述车辆的位置；根据判断结果实时输出当前时刻的所述车辆载重或当前时刻的前一刻的车辆载重。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述实时监测车辆载重的终端设备中的执行过程。

所述实时监测车辆载重的终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述实时监测车辆载重的终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是实时监测车辆载重的终端设备的示例，并不构成对实时监测车辆载重的终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述实时监测车辆载重的终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述实时监测车辆载重的终端设备的控制中心，利用各种接口和线路连接整个实时监测车辆载重的终端设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述实时监测车辆载重的终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所述实时监测车辆载重的终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

如图8(a)和图8(b)是采用现有技术的方法和本发明方法处理后的车辆行驶路径。图8(a)在路径中间gps信号异常出现拐点；图8(b)为融合imu后的车辆路径，信号异常部分已修复。图中的网络为公路网。

如图9(a)和图9(b)是采用现有技术的方法和本发明方法处理后的车辆载重示意图。如图9(a)所示，为根据原始传感器计算得车辆实时重量，在200-450s之间由于车辆行驶途中颠簸，使得车辆载重剧烈波动无法得到真实重量值；如图9(b)所示，为通过陀螺仪和加速度数据计算出车辆处于行驶状态后锁定上货完成时的重量，车辆在行驶过程中重量保持不变。

以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。