本發明涉及礦區交通規劃，尤其是涉及融合ai算法與多模態數據的礦區車速規劃方法。
背景技術：
1、隨著礦山智能化、無人化建設的深入推進，礦區自動駕駛車輛，特別是礦用運輸車輛的自動跟車行駛技術，已成為提升運輸效率和安全性的核心方向。然而，礦區作業環境的復雜性、多變性及惡劣性，對現有車輛跟車技術提出了傳統公路環境所不具備的嚴峻挑戰。
2、當前，在礦山自動駕駛車輛領域，常見的跟車系統往往是跟隨車輛基于固定的距離或時間間隔來跟隨前導車輛。這種方法的主要缺陷在于，其忽視了礦區特有的復雜地形，特別是坡道對車輛行駛特性和制動性能的影響。在坡道上或離開坡道時，車輛的動力響應、制動距離會發生非線性變化，而固定的跟車策略無法有效適應這些動態變化，會導致跟隨車輛與前導車輛之間的安全距離不足，從而增加了碰撞風險。尤其是在坡道進出口等過渡區域，車輛狀態變化最為劇烈，傳統的跟車方法在此類高風險場景下難以提供充分的安全裕度。
3、此外，現有跟車技術在環境感知方面也存在局限性。部分系統僅依賴單一傳感器獲取有限的環境信息，難以全面、精準地感知礦區復雜的實時路況，如坡道的精確幾何特征、坡度變化率以及路面附著條件等。在礦區多塵、泥濘、光照變化劇烈等惡劣環境下，單一傳感器的感知能力會受到進一步限制，容易導致環境信息獲取滯后或不準確，進而影響跟車決策的及時性和可靠性，無法在風險發生之前進行有效預判，從而增加了潛在的跟車風險。
4、再者，在礦山多車協同作業或編隊行駛的場景下，如何實現車隊內部車輛間的高效協同和全局優化，是提升整體運輸效率和安全性的關鍵。傳統的單車智能跟車策略缺乏車隊層面的信息共享和協作優化能力，會導致局部調整引發的剎車波現象，從而降低車隊整體的平順性和通行能力。更為重要的是，一旦編隊中有一輛跟隨車輛發生異常，缺乏全局優化和協調的系統難以有效應對，會導致該異常車輛與其他車輛之間發生碰撞的風險急劇增加，從而嚴重影響整個系統的穩定性和安全性。
技術實現思路
1、本發明的目的是提供融合ai算法與多模態數據的礦區車速規劃方法，解決了現有礦區車輛跟車系統在復雜地形下跟車安全性不足、車隊全局協調性差以及效率受限的問題。
2、為實現以上目的，本發明通過以下技術方案予以實現：
3、融合ai算法與多模態數據的礦區車速規劃方法，包括以下步驟：
4、s1、確定當前車輛處于跟車行駛狀態，并獲取當前車輛的初始行駛參數、前導車輛的位置信息，以及當前車輛與前導車輛之間的路程長度；
5、s2、根據所述當前車輛所在的位置和所述前導車輛的位置信息，判斷所述前導車輛是否在坡道上行駛還是離開坡道的距離小于預設距離；
6、s3、當所述前導車輛在坡道上行駛和離開坡道的距離小于所述預設距離，根據所述當前車輛與所述前導車輛之間的路程長度和所述前導車輛的坡道行駛距離，確定所述當前車輛與所述前導車輛之間的跟車距離；
7、s4、根據所述跟車距離，規劃所述當前車輛的車速。
8、優選的，s1步驟中，所述當前車輛的初始行駛參數、前導車輛的位置信息，以及當前車輛與前導車輛之間的路程長度，通過以下方式獲取：
9、通過激光雷達和視覺傳感器獲取所述前導車輛的精確位置及周邊地形信息；
10、所述地形信息包括所述當前車輛與所述前導車輛之間的直線距離。
11、優選的，s2步驟中，所述判斷所述前導車輛是否在坡道上行駛還是離開坡道的距離小于預設距離，具體包括以下步驟：
12、s21、利用激光雷達和視覺傳感器獲取的所述前導車輛周邊地形信息，實時構建所述前導車輛周邊局部地形模型；
13、s22、采用ai算法，結合所述前導車輛周邊局部地形模型，提取所述前導車輛行駛軌跡上當前所處坡道及其坡度角和坡道長度；
14、s23、結合所述前導車輛的速度、航向及前方地形模型，同時基于所述前導車輛速度、坡度變化率和當前跟車距離因素由預設模型實時調整的動態閾值，預測所述前導車輛即將進入坡道還是即將離開坡道的時刻和位置；
15、s24、判斷所述前導車輛是否處于預測的坡道相關區域內。
16、優選的，s3步驟中，所述當前車輛與所述前導車輛之間的跟車距離的確定，具體包括：
17、通過對機器學習模型進行訓練，以所述當前車輛速度、加速度、所述前導車輛速度、加速度、坡度角、坡道長度、所述前導車輛在坡道上的位置和進度、預測的坡道變化點距離以及路面狀況為輸入數據，輸出動態的風險調整因子和最優跟車距離。
18、優選的，所述機器學習模型的訓練包括以下步驟：
19、s31、利用包含礦區場景數據、歷史事故數據和模擬場景數據對所述機器學習模型進行訓練；
20、s32、以捕捉坡度陡峭程度對制動距離的非線性影響、坡道長度對前車行為變化持續時間的影響和坡道進出口過渡區的風險。
21、優選的，s3步驟中，所述當前車輛與所述前導車輛之間的跟車距離，通過以下方式進行確定：
22、若所述前導車輛處于上坡狀態，則將跟車距離確定為上坡跟車距離；
23、若所述前導車輛處于下坡狀態，則將跟車距離確定為下坡跟車距離；
24、所述上坡跟車距離，通過以下公式進行計算：
25、；
26、式中，為預設的平坦路面基礎安全距離；為機器學習模型輸出的上坡風險因子；函數為考慮坡度、所述前導車輛速度和加速度、剩余坡道長度計算的距離增量函數；函數為基于后車反應時間和速度的安全余量函數；為坡度角；為前導車輛速度；為加速度；為前導車輛距離坡道頂點的剩余長度；為基于當前車輛反應時間和速度的安全余量函數；表示當前車輛系統的總反應時間；表示當前車輛速度；
27、所述下坡跟車距離，通過以下公式進行計算：
28、；
29、式中，為所述機器學習模型輸出的下坡風險因子；為函數為考慮坡度、所述前導車輛速度、制動性能計算的距離增量函數；為函數為考慮所述后車速度、制動性能和坡度計算的后車制動距離增量函數；表示車輛制動性能參數；表示考慮當前車輛速度、制動性能和坡度計算的后車制動距離增量函數；表示當前車輛速度。
30、優選的，s4步驟中，所述規劃所述當前車輛的車速，具體包括以下步驟：
31、s41、將所述確定的跟車距離作為所述當前車輛的目標跟車距離；
32、s42、基于所述目標跟車距離、當前跟車距離、所述前導車輛速度和所述當前車輛速度，通過協作式自適應巡航控制算法，生成所述當前車輛的目標速度和目標加速度指令。
33、優選的，s42步驟中，所述協作式自適應巡航控制算法包括以下步驟：
34、s421、計算所述當前實際跟車距離與所述目標跟車距離之間的距離誤差，以及所述當前車輛與所述前導車輛之間的速度誤差；
35、s422、根據所述距離誤差和所述速度誤差，應用控制律生成所述目標加速度指令；
36、s423、根據所述目標加速度指令和當前車輛速度，推算出所述目標速度。
37、綜上所述，本發明包括以下至少一種有益技術效果：
38、1.本發明通過精確識別車輛跟車模式，并實時、全面地采集多模態數據，進而利用ai算法對前導車輛的坡道行駛狀態進行高精度感知與前瞻性預測，包括構建局部地形模型、提取坡道特征并預測坡道行為，使得方案能夠充分理解當前及未來即將面臨的復雜地形環境，以此能夠在風險發生之前進行預判，為后續的決策提供了充分且及時的數據支撐，從而有效避免了由于環境信息滯后或不足而導致的跟車風險。
39、2.本發明通過引入預訓練的機器學習模型，并將其輸出的動態風險調整因子融入到跟車距離的計算中，針對上坡和下坡場景分別設計了精細化的跟車距離計算方法，實現了跟車距離的動態、情境感知和自適應調整，同時機器學習模型通過學習大量礦區場景數據，能夠捕捉坡度陡峭程度、坡道長度以及坡道進出口過渡區等高風險因素對安全距離的非線性影響，使得計算出的最優跟車距離更符合實際礦區坡道行駛的安全需求，以此解決了傳統方法在復雜坡道環境下跟車距離固定或調整不及時的問題，提高了車輛在坡道跟車行駛時的安全性。
40、3.本發明通過將動態確定的最優跟車距離轉化為具體的車速指令，并采用協作式自適應巡航控制算法生成目標速度和目標加速度，實現了跟車行為的平穩、高效控制，在多車編隊行駛場景下，本方案能夠通過車隊管理策略實現對跟車距離的全局優化和協調，使得車隊中的各車輛能夠共享信息、協同決策，從而有效避免了局部調整引發的全局不穩定現象，以此提升了整個車隊的整體流動性和運行效率，確保在礦區多車作業環境下，車隊運行的整體安全性與經濟性。