技术领域
[0001] 本
发明属于无人驾驶车辆领域，特别涉及一种冰雪环境无人驾驶车辆电源模型预测方法与系统。
背景技术
[0002] 近年来，随着市场对车辆安全和智能化的要求越来越高，无人驾驶车辆逐渐成为一项热
门技术，越来越多的企业和科研机构参与到这个领域。谷歌、沃尔沃等
汽车生产公司一直致
力于无人驾驶车辆新技术的研发，但大都分布在改进无人驾驶车辆的导航技术、提高
定位精度、优化决策控制系统、路权分配、交通智能综合规划等方面，并没有针对无人驾驶车辆车载电源的技术方案或技术创新。然而作为车辆动力源，车载电源是无人驾驶车辆一切技术实现的
基础。没有高效的车载电源，再先进的车载无人技术及相关控制技术都将成为装饰。
[0003] 截至目前，国内外鲜有这方面的公开技术，能够对无人驾驶车辆在动态冰雪天气下的剩余电量做出精确的预测。目前的通用技术手段是根据目标里程、
电池电量和行驶速度做出简单的数学计算，得出当前实时的剩余车载电量能够持续的运行里程，然后引导无人驾驶车辆在电源耗尽前充电，应用到的设备也都是较为传统的测量装置，由于冰雪状态下测量环境也会变得更加复杂，传统的测量装置的鲁棒性也会大大降低。然而，在实际情况中，车辆车载电源的使用跟道路路况(如上下坡)、车辆行驶环境(如
风雨雪天气)都息息相关，而且之间的物理参数是强非线性的，无法通过简单的数学计算得到，需要通过对道路和
气候参数的融合以及对采集物理数据的在线智能学习才有可能解决。
[0004] 综上说述，无人驾驶车辆车载电量的精确计算，特别是在恶劣天气如冰雪环境下的无人驾驶车辆的电量预测，是至关重要的。
发明内容
[0005] 本发明提出了一种冰雪环境无人驾驶车辆电源模型预测方法与系统，其目的在于，克服
现有技术中在冰雪环境中无人驾驶车辆电池电量预测方法对外界环境干扰的适应性差、系统预测实行性差、实用性不强的问题，尤其是在冰雪环境中，将采集到的有效积雪深度、道路坡度、电池
温度等多种参数融合到无人驾驶车辆电池电量综合
预测模型中，实现电池的高可靠性、高精度的预测。
[0006] 一种冰雪环境无人驾驶车辆电源模型预测方法，包括以下步骤：
[0007] 步骤1：获取冰雪环境下无人驾驶车辆历史行驶数据；
[0008] 所述行驶数据包括各时刻的路面积雪深度、道路坡度、电池温度以及耗电率、剩余电量；
[0009] 步骤2：构建基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型；
[0010] 以所述历史行驶数据中的路面积雪深度、道路坡度、电池温度作为输入数据，耗电率作为输出数据，对小波神经网络进行训练，获得基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型；
[0011] 所述小波神经网络的
输入层节点个数为3，隐含层小波元个数为6，
输出层节点个数为1，隐层小波神经元采用Mexican Hat小波函数，输出层节点采用Sigmoid函数；训练过程中的最大
迭代次数设置为1500，训练学习率为0.1，
阈值为0.0002；
[0012] 步骤3：构建基于BP神经网络的无人驾驶车辆剩余电量预测模型；
[0013] 以所述历史行驶数据中的t时刻的耗电率和对应的剩余电量作为输入数据，t+1时刻的剩余电量作为输出数据，对BP神经网络进行训练，获得基于BP神经网络的剩余电量预测模型；
[0014] 所述BP神经网络的输入层包含2个节点，最大迭代次数设置为200，训练学习率为0.1；
[0015] 步骤4：对下一时刻的剩余电量进行预测；
[0016] 利用实时获得的有效路面积雪深度、道路坡度以及电池温度数据输入基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型，获得当前时刻的电池耗电率，并基于获得的当前电池耗电率以及实时剩余电量，输入基于BP神经网络的剩余电量预测模型，获得下一时刻的剩余电量；
[0017] 其中，所述有效路面积雪深度是利用路面积雪深度测量值和观察值进行加权融合获得；所述路面积雪深度测量值是通过设置在无人驾驶车辆车底两侧的车载激光
传感器和倾
角传感器进行实时测量计算获得；
[0018] 所述路面积雪深度观察值是利用
图像采集装置获取路面图像，通过红外图像和参考图像进行三角测量得到
深度图像，利用
三维重建方法对重建后的三维信息进行识别与特征提取获得。
[0019] 路面积雪深度测量值包括从两侧测得的路面积雪深度，进行加权融合时，H＝d1*H1+d2*H2+d3*H3，d1+d2+d3＝1；H1、H2分别为两侧测得的路面积雪深度测量值，H3为路面积雪深度观察值，d1、d2及d3为用于获取有效路面积雪深度的权值；
[0020] 进一步地，所述基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型的中用于获取有效路面积雪深度的权值、小波神经网络的权值、阈值和伸缩平移系数采用自适应花
授粉算法进行寻优获得的过程如下：
[0021] 步骤C1：种群花粉个体的
位置作为用于获取有效路面积雪深度的权值、小波神经网络的权值、阈值和伸缩平移系数，初始化种群；
[0022] 种群规模的取值范围为[55,220]，变异因子初始值ε的取值范围为[0.02,0.15]，最大迭代次数的取值范围为[110,400]，最大搜索精度的取值范围为[0.035,0.12]；
[0023] 步骤C2：设定适应度函数，并获取种群中的最优个体；
[0024] 将种群个体位置对应的用于获取有效路面积雪深度的权值、小波神经网络的权值、阈值和伸缩平移系数代入基于小波神经网络的耗电率预测模型中，并利用种群个体位置确定的基于小波神经网络的权值、阈值和伸缩平移系数的耗电率预测模型计算出输出值，将输出值和实际值的均方差MSE的倒数作为第一适应度函数f1(x)；
[0025] 步骤C3：计算每个个体的适应值，并保留适应度值最小的个体及当前最优解g*；
[0026] 步骤C4：随机生成rand1，按照式(1)计算转换概率p，以调节花授粉算法中全局搜索和局部搜索之间的转化；
[0027] p＝0.8+0.2×rand1 (1)
[0028] 步骤C5：随机生成rand∈[0，1]，若转换概率p>rand，利用式(2)进行全局搜索；
[0029]
[0030] 其中， 表示第t次迭代时花粉的位置，g*表示的是当前群体中的最优解，参数L表示步长，取0.5；
[0031] 步骤C6：若转换概率p≤rand，按式(3)计算ε，并将ε值代入式(4)进行局部搜索；
[0032]
[0033] 其中，rand2,rand3是[0,1]之间产生的随机数，εt是第t次迭代时变异因子的值，λ、ε1都取0.1；
[0034]
[0035] 其中， 和 分别表示的是同一
植物上对应所述极限学习机参数的不同花朵的花粉；
[0036] 步骤C7：计算更新后的所有个体的适应度值及最优个体值g*，判断是否达到最大迭代次数或者最大搜索精度，若达到，则以适应度最大的个体作为最优个体，输出最优个体对应的基于小波神经网络的耗电率预测模型中用于获取有效路面积雪深度的权值、小波神经网络的权值、阈值和伸缩平移系数，否则返回步骤C4，进行下一次迭代。
[0037] 进一步地，所述获取路面积雪深度观察值的具体过程如下：
[0038] 步骤A1：利用实时获取的红外图像和储存在传感器中的参考图像通过三角测量方法获得深度图像；
[0039] 步骤A2：对深度图像进行三角化，在尺度空间中构建分层有向距离场，对距离场中所有的
体素应用整体Delaunay三角剖分算法产生一个涵盖所有体素的凸包，并利用Marching Tetrahedra算法构造等值面，完成积雪道路表面重建；
[0040] 步骤A3：对重建的三维信息提取线状特征，通过对积雪道路
像素点特征的立体匹配获得深度图像信息；
[0041] 步骤A4：利用深度图像信息进行深度插值，拟合积雪深度分布曲线，取极大值输出作为积雪深度观测值。
[0042] 进一步地，利用图像采集装置采集的路面图像对路面积雪深度测量值进行修正，具体步骤如下：
[0043] 步骤B1：将采集到的连续多
帧路面图像转化为灰度图像；
[0044] 步骤B2：对连续两帧路面图像的灰度图像的灰度做差处理，得到两帧图像的灰度差值Dgray，并与预先设定的差值阈值进行比较，按照下式判断道路状况：
[0045]
[0046] 步骤B3：依据道路状况对应的雪深修正系数与路面积雪深度测量值相乘，得到路面积雪深度测量值的修正值；
[0047] 所述修正系数的取值范围如下：
[0048] 当道路仅积雪时，雪深修正系数取值为1.0；
[0049] 当道路有积
水时，雪深修正系数取值为0.6-0.7；
[0050] 当道路有结冰时，雪深修正系数取值为0.7-0.8。
[0051] 进一步地，所述基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型的中小波神经网络的权值、阈值和伸缩平移系数采用自适应花授粉算法进行寻优获得的过程如下：
[0052] 步骤C1：种群花粉个体的位置作为小波神经网络的权值、阈值和伸缩平移系数，初始化种群；
[0053] 种群规模的取值范围为[55,220]，变异因子初始值ε的取值范围为[0.02,0.15]，最大迭代次数的取值范围为[110,400]，最大搜索精度的取值范围为[0.035,0.12]；
[0054] 步骤C2：设定适应度函数，并获取种群中的最优个体；
[0055] 将种群个体位置对应的小波神经网络的权值、阈值和伸缩平移系数代入基于小波神经网络的耗电率预测模型中，并利用种群个体位置确定的基于小波神经网络的权值、阈值和伸缩平移系数的耗电率预测模型计算出输出值，将输出值和实际值的均方差MSE的倒数作为第一适应度函数f1(x)；
[0056] 步骤C3：计算每个个体的适应值，并保留适应度值最小的个体及当前最优解g*；
[0057] 步骤C4：随机生成rand1，按照式(1)计算转换概率p，以调节花授粉算法中全局搜索和局部搜索之间的转化；
[0058] p＝0.8+0.2×rand1 (1)
[0059] 步骤C5：随机生成rand∈[0，1]，若转换概率p>rand，利用式(2)进行全局搜索；
[0060]
[0061] 其中， 表示第t次迭代时花粉的位置，g*表示的是当前群体中的最优解，参数L表示步长，取0.5；
[0062] 步骤C6：若转换概率p≤rand，按式(3)计算ε，并将ε值代入式(4)进行局部搜索；
[0063]
[0064] 其中，rand2,rand3是[0,1]之间产生的随机数，εt是第t次迭代时变异因子的值，λ、ε1都取0.1；
[0065]
[0066] 其中， 和 分别表示的是同一植物上对应所述极限学习机参数的不同花朵的花粉；
[0067] 步骤C7：计算更新后的所有个体的适应度值及最优个体值g*，判断是否达到最大迭代次数或者最大搜索精度，若达到，则以适应度最大的个体作为最优个体，输出最优个体对应的基于小波神经网络的耗电率预测模型的权值、阈值和伸缩平移系数，否则返回步骤C4，进行下一次迭代。
[0068] 进一步地，利用无人驾驶车辆车载
电子水平仪，
感知到
车身方向和水平方向的夹角作为道路坡度测量值。
[0069] 进一步地，利用均匀分布在电池表面的16个非
接触式温度传感器实时采集无人驾驶车辆的电池温度，通过插值处理，拟合出电池表面的三维温度分布数据图，并从中取极大值作为电池温度。
[0070] 一种冰雪环境无人驾驶车辆电源模型预测系统，包括感知层、传输层、第一处理层以及第二处理层；
[0071] 感知层，将感知设备采集到的数据信息发送到传输层；
[0072] 所述感知设备包括设置在无人驾驶车辆上的激光传感器、倾角传感器、kinect传感器、电子水平仪和非接触式温度传感器；所述激光传感器和倾角传感器设置在无人驾驶车辆车体底部两侧
轮距线中点处，所述kinect传感器设置于无人驾驶车辆的前端中部；
[0073] 传输层，将感知层传输的数据转发至第一处理层和第二处理层；
[0074] 第一处理层，对数据信息进行实时处理并发送到传输层；
[0075] 第一处理层包括数据信息演算模
块、
图像处理模块和数据融合处理模块，所述数据信息演算模块将感知层中激光传感器、倾角传感器、电子水平仪和温度传感器采集的信息进行综合演算处理得到有效积雪深度测量值，计算最优道路坡度和最优电池温度；所述图像处理模块利用kinect传感器获取路面图像，通过红外图像和参考图像进行三角测量得到深度图像，利用三维重建方法对重建后的三维信息进行识别与特征提取获得积雪深度值；所述数据融合处理模块利用灰色神经网络模型将两种测量方法得到的有效积雪深度测量值进行加权融合，得到最优有效积雪深度测量值；
[0076] 第二处理层，对经过第一处理层处理的数据进行电池电量的实时预测；
[0077] 第二处理层包括基于小波神经网络的无人驾驶车辆的电池耗电率拟合网络和基于BP神经网络的无人驾驶车辆剩余电量预测网络，利用传输层发送的数据融合后的有效积雪深度、道路坡度和电池温度作为模型输入值，每一采集单位对应的电池耗电率作为模型输出值，将多个节点采集得到的数据信息作为训练样本，前一层基于小波神经网络的无人驾驶车辆的电池耗电率拟合网络输出的电池耗电率作为下一层基于BP神经网络的输入神经元，构建无人驾驶车辆电池电量的智能预测模型；然后利用经过第一处理层对感知层实时采集的数据进行处理后，经传输层传输至第二处理层的无人驾驶车辆电池电量的智能预测模型，获得车辆电池电量的实时预测。
[0078] 第一处理层和第二处理层的
数据处理过程采用上述的一种冰雪环境无人驾驶车辆电源模型预测方法中的数据处理方法。
[0079] 有益效果
[0080] 本发明提供了一种冰雪环境无人驾驶车辆电源模型预测方法与系统，对于无人驾驶车辆运行在积雪道路等复杂环境下的情况，实现了无人驾驶车辆的电池电量智能化综合计算和预测，将道路有效积雪深度的实时检测与无人驾驶车辆的电池电量计算有机结合，为无人驾驶车辆电池设计研发领域提供了更加完备的考虑因素。
[0081] 本发明综合考虑了冰雪环境下道路有效积雪深度、道路坡度、无人驾驶车辆电池温度等多方面因素，并且利用积雪深度的测量值和对应的三维深度图像观察值进行加权融合，实现对道路有效积雪深度的车载式精确测量，摆脱了对于道路沿线固定式积雪深度测量装置的依赖，实现了无人驾驶车辆供电系统的资源优化配置，使无人驾驶车辆的续航能力得到了一定程度的提升。
附图说明
[0082] 图1为冰雪天气无人驾驶车辆电量智能预测方法
流程图；
[0083] 图2为激光传感器与倾角传感器测量有效积雪深度示意图；
[0084] 图3为激光传感器与倾角传感器安装位置侧面示意图；
[0085] 图4为激光传感器与倾角传感器安装位置底面示意图。
具体实施方式
[0086] 下面将结合附图和
实施例对本发明做进一步的说明。
[0087] 如图1所示，一种冰雪环境无人驾驶车辆电源模型预测方法，包括以下步骤：
[0088] 步骤1：获取冰雪环境下无人驾驶车辆历史行驶数据；
[0089] 所述行驶数据包括各时刻的路面积雪深度、道路坡度、电池温度以及耗电率、剩余电量；
[0090] 利用无人驾驶车辆车载电子水平仪，感知到车身方向和水平方向的夹角作为道路坡度测量值。
[0091] 利用均匀分布在电池表面的16个非接触式温度传感器实时采集无人驾驶车辆的电池温度，通过插值处理，拟合出电池表面的三维温度分布数据图，并从中取极大值作为电池温度。
[0092] 步骤2：构建基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型；
[0093] 以所述历史行驶数据中的路面积雪深度、道路坡度、电池温度作为输入数据，耗电率作为输出数据，对小波神经网络进行训练，获得基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型；
[0094] 所述小波神经网络的输入层节点个数为3，隐含层小波元个数为6，输出层节点个数为1，隐层小波神经元采用Mexican Hat小波函数，输出层节点采用Sigmoid函数；训练过程中的最大迭代次数设置为1500，训练学习率为0.1，阈值为0.0002；
[0095] 所述基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型的中用于获取有效路面积雪深度的权值、小波神经网络的权值、阈值和伸缩平移系数采用自适应花授粉算法进行寻优获得的过程如下：
[0096] 步骤C1：种群花粉个体的位置作为用于获取有效路面积雪深度的权值、小波神经网络的权值、阈值和伸缩平移系数，初始化种群；
[0097] 种群规模的取值范围为[55,220]，变异因子初始值ε的取值范围为[0.02,0.15]，最大迭代次数的取值范围为[110,400]，最大搜索精度的取值范围为[0.035,0.12]；
[0098] 步骤C2：设定适应度函数，并获取种群中的最优个体；
[0099] 将种群个体位置对应的用于获取有效路面积雪深度的权值、小波神经网络的权值、阈值和伸缩平移系数代入基于小波神经网络的耗电率预测模型中，并利用种群个体位置确定的基于小波神经网络的权值、阈值和伸缩平移系数的耗电率预测模型计算出输出值，将输出值和实际值的均方差MSE的倒数作为第一适应度函数f1(x)；
[0100] 步骤C3：计算每个个体的适应值，并保留适应度值最小的个体及当前最优解g*；
[0101] 步骤C4：随机生成rand1，按照式(1)计算转换概率p，以调节花授粉算法中全局搜索和局部搜索之间的转化；
[0102] p＝0.8+0.2×rand1 (1)
[0103] 步骤C5：随机生成rand∈[0，1]，若转换概率p>rand，利用式(2)进行全局搜索；
[0104]
[0105] 其中， 表示第t次迭代时花粉的位置，g*表示的是当前群体中的最优解，参数L表示步长，取0.5；
[0106] 步骤C6：若转换概率p≤rand，按式(3)计算ε，并将ε值代入式(4)进行局部搜索；
[0107]
[0108] 其中，rand2,rand3是[0,1]之间产生的随机数，εt是第t次迭代时变异因子的值，λ、ε1都取0.1；
[0109]
[0110] 其中， 和 分别表示的是同一植物上对应所述极限学习机参数的不同花朵的花粉；
[0111] 步骤C7：计算更新后的所有个体的适应度值及最优个体值g*，判断是否达到最大迭代次数或者最大搜索精度，若达到，则以适应度最大的个体作为最优个体，输出最优个体对应的基于小波神经网络的耗电率预测模型中用于获取有效路面积雪深度的权值、小波神经网络的权值、阈值和伸缩平移系数，否则返回步骤C4，进行下一次迭代。
[0112] 步骤3：构建基于BP神经网络的无人驾驶车辆剩余电量预测模型；
[0113] 以所述历史行驶数据中的t时刻的耗电率和对应的剩余电量作为输入数据，t+1时刻的剩余电量作为输出数据，对BP神经网络进行训练，获得基于BP神经网络的剩余电量预测模型；
[0114] 所述BP神经网络的输入层包含2个节点，最大迭代次数设置为200，训练学习率为0.1；
[0115] 所述基于BP神经网络的剩余电量预测模型中BP神经网络的权值和阈值采用带有自适应权值的量子粒子群算法进行寻优获得的过程如下：
[0116] 步骤D1：以量子粒子群中每个量子粒子个体的位置向量作为所述BP神经网络的权值和阈值，将量子粒子种群个体的位置向量参数初始化为[-1,1]的随机数；
[0117] 量子粒子群种群的个数的取值范围为[25,70]，量子粒子群的粒子个数的取值范围为[5,50]，最大迭代次数的取值范围为[400,1000]，组建精英种群的迭代次数的取值范围为[60,180]，早熟收敛判断阈值的取值范围为[0.01,0.45]，种群最差粒子变异比例δ％的取值范围为[2％,7％]；
[0118] 步骤D2：设定适应度函数，确定初始最优量子粒子个体位置向量和迭代次数t，t＝1；
[0119] 将量子粒子个体位置向量对应的权值和阈值代入基于BP神经网络的脸部识别模型中，并利用量子粒子个体位置向量确定的基于BP神经网络的剩余电量预测模型计算当前剩余电量，将预测的剩余电量和实际值的均方差的倒数作为第二适应度函数f2(x)；
[0120] 步骤D3：计算每个量子粒子群的群体适应度方差，进行早熟收敛判断；
[0121] 若量子粒子群群体适应度方差小于早熟收敛判断阈值γ，则对量子粒子群中δ％的适应度最差粒子和群体极值粒子进行变异，并以当前适应度最好的粒子作为全局最优量子粒子个体；
[0122] 步骤D4：判断是否组建精英种群；
[0123] 当迭代次数大于精英种群迭代次数时，则通过种群间的信息共享，提取各种群的极值组建精英种群，转入步骤D8，否则转入步骤D5；
[0124] 步骤D5：更新各种群粒子参数；
[0125] 步骤D6：重新计算并比较每个粒子的适应度值，如果优于当前的个体极值，则更新个体极值；比较全局极值粒子，如果存在粒子适应度值优于当前的群体极值，则更新全局极值粒子，令t＝t+1，转入步骤D3；
[0126] 步骤D7：精英种群继续进化；
[0127] 步骤D8：判断是否满足最大迭代次数，若满足则退出，否则，令t＝t+1，转入步骤D3，直到找到全局最优值，输出所述BP神经网络的权值和阈值。
[0128] 步骤4：利用实时获得的有效路面积雪深度、道路坡度以及电池温度数据输入基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型，获得当前时刻的电池耗电率，并基于获得的当前电池耗电率以及实时剩余电量，输入基于BP神经网络的剩余电量预测模型，获得下一时刻的剩余电量；
[0129] 其中，所述有效路面积雪深度是利用路面积雪深度测量值和观察值采用加权融合进行融合获得；
[0130] 所述路面积雪深度测量值是通过设置在无人驾驶车辆车底两侧的车载激光传感器和倾角传感器进行实时测量计算获得；
[0131] 如图2所示，激光传感器和倾角传感器采集数据，采集周期为5s。激光传感器同时向两个预定方向发射激光，其中垂直地面向下的一束激光会被自身接收器接收，激光传播时间为t1，另一束会被对侧的接收器接收，激光传播时间为t2；倾角传感器测量两支
激光束的倾角θ；处理层1的前端处理模块中的数据信息演算模块利用激光传播时长、激光束倾角和激光在正常状态下的传播速度计算出单侧有效积雪深度H1。其工作原理图如图2所示。
[0132] 从图2中可得出： H1＝L1-L2·cosθ
[0133] 式中：v为激光在正常状态下的传播速度，取3×108m/s；H1为单侧有效积雪深度测量值。
[0134] 利用相同原理获取车底另一侧传感器组测量得到的有效积雪深度值H2。
[0135] 所述路面积雪深度观察值是利用图像采集装置获取路面图像，通过红外图像和参考图像进行三角测量得到深度图像，利用三维重建方法对重建后的三维信息进行识别与特征提取获得。
[0136] 路面积雪深度测量值包括从两侧测得的路面积雪深度，进行加权融合时，H＝d1*H1+d2*H2+d3*H3，d1+d2+d3＝1；H1、H2分别为两侧测得的路面积雪深度测量值，H3为路面积雪深度观察值，d1、d2及d3为用于获取有效路面积雪深度的权值；
[0137] 所述获取路面积雪深度观察值的具体过程如下：
[0138] 步骤A1：利用实时获取的红外图像和储存在传感器中的参考图像通过三角测量方法获得深度图像；
[0139] 步骤A2：对深度图像进行三角化，在尺度空间中构建分层有向距离场，对距离场中所有的体素应用整体Delaunay三角剖分算法产生一个涵盖所有体素的凸包，并利用Marching Tetrahedra算法构造等值面，完成积雪道路表面重建；
[0140] 步骤A3：对重建的三维信息提取线状特征，通过对积雪道路像素点特征的立体匹配获得深度图像信息；
[0141] 步骤A4：利用深度图像信息进行深度插值，拟合积雪深度分布曲线，取极大值输出作为积雪深度观测值。
[0142] 利用图像采集装置采集的路面图像对路面积雪深度测量值进行修正，具体步骤如下：
[0143] 步骤B1：将采集到的连续多帧路面图像转化为灰度图像；
[0144]
[0145] 其中，f(x，y)表示灰度图像，F(x，y)为f(x，y)对应的路面图像，Fmax为人眼视觉系统的饱和
亮度值，取值为225；M是自定义的灰度函数值域的最大值，取值为255；
[0146] 步骤B2：对连续两帧路面图像的灰度图像的灰度做差处理，得到两帧图像的灰度差值Dgrey，并与预先设定的差值阈值进行比较，按照下式判断道路状况：
[0147]
[0148] 步骤B3：依据道路状况对应的雪深修正系数与路面积雪深度测量值相乘，得到路面积雪深度测量值的修正值；
[0149] 所述修正系数的取值范围如下：
[0150] 当道路仅积雪时，雪深修正系数取值为1.0；
[0151] 当道路有积水时，雪深修正系数取值为0.6-0.7；
[0152] 当道路有结冰时，雪深修正系数取值为0.7-0.8。
[0153] 一种冰雪环境无人驾驶车辆电源模型预测系统，包括感知层、传输层、第一处理层以及第二处理层；
[0154] 感知层，将感知设备采集到的数据信息发送到传输层；
[0155] 所述感知设备包括设置在无人驾驶车辆上的激光传感器、倾角传感器、kinect传感器、车载
陀螺仪和非接触式温度传感器；如图3和图4所示，所述激光传感器和倾角传感器设置在无人驾驶车辆车体底部两侧轮距线中点处，所述kinect传感器设置于无人驾驶车辆的前端中部；
[0156] 激光传感器和倾角传感器用于实时测量有效积雪深度并将信息上传至传输层；
[0157] kinect传感器，用于拍摄无人驾驶车辆实际位置前端的道路积雪图像，并将拍摄的每帧图像发送至传输层；
[0158] 传输层，将感知层传输的数据转发至第一处理层和第二处理层；
[0159] 传输层包括无线转发模块，具有
信号无线转发功能。传输层的无线转发模块具有多个RS485
接口，支持多种传输协议和功能的Zigbee短距离无线传输方式，具有DTU(数据传输单元)功能。
[0160] 激光传感器和倾角传感器构成的传感器组以及非接触式温度传感器通过RS485接口与第一处理层中前端处理模块相连；
[0161] kinect传感器通过双绞线与第一处理层中前端处理模块相连，通过网络摄像机IP地址
访问。
[0162] 第一处理层，对数据信息进行实时处理并发送到传输层；
[0163] 第一处理层包括数据信息演算模块、图像处理模块和数据融合处理模块，所述数据信息演算模块将感知层中激光传感器、倾角传感器、车载电子水平仪和温度传感器采集的信息进行综合演算处理得到有效积雪深度测量值，计算最优道路坡度和最优电池温度；所述图像处理模块对kinect传感器采集的红外图像和参考图像进行三角测量得到深度图像，利用三维重建方法对重建后的三维信息进行识别与特征提取获得有效积雪深度测量值；所述数据融合处理模块将两种测量方法得到的有效积雪深度测量值进行加权融合，得到最优有效积雪深度值；
[0164] 第二处理层，对经过第一处理层处理的数据进行电池电量的实时预测；
[0165] 第二处理层包括基于小波神经网络的无人驾驶车辆的电池耗电率拟合网络和基于BP神经网络的无人驾驶车辆剩余电量预测网络，利用传输层发送的数据融合后的有效积雪深度、道路坡度和电池温度作为模型输入值，每一采集单位对应的电池耗电率作为模型输出值，将多个节点采集得到的数据信息作为训练样本，前一层基于小波神经网络的无人驾驶车辆的电池耗电率拟合网络输出的电池耗电率作为下一层基于BP神经网络的输入神经元，构建无人驾驶车辆电池电量的智能预测模型；然后利用经过第一处理层对感知层实时采集的数据进行处理后，经传输层传输至第二处理层的无人驾驶车辆电池电量的智能预测模型，获得车辆电池电量的实时预测。
[0166] 第一处理层和第二处理层的数据处理过程采用上述的一种冰雪环境无人驾驶车辆电源模型预测方法中的数据处理方法。
[0167] 本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的
修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附
权利要求书所定义的范围。
