本发明涉及物流的，尤其涉及一种基于通道模型的大件货物运输通过性评估方法。
背景技术：
1、大件货物运输在物流和供应链管理中占据重要地位，特别是在工程建设、机械设备运输、航天航空和能源行业等领域，大件货物运输的安全性和效率直接影响到项目的进度和成本。然而，大件货物运输面临着诸多挑战，如运输路线的复杂性、多种障碍物的存在、环境条件的动态变化等。
2、传统的通过性评估方法通常依赖于人工经验和静态评估模型，难以实时响应实际运输过程中的动态变化，导致运输过程中容易出现不可预见的风险和障碍，从而影响运输效率和安全性现有技术中，通过性评估方法大多基于单一传感器的数据采集，缺乏多维数据融合和实时处理能力。这些方法通常难以提供精确的环境模型和动态的通道模型，导致评估结果不准确，无法有效指导大件货物的运输路径规划和避障操作。此外，传统方法缺乏智能避障技术的应用，在识别和处理障碍物方面存在局限性，无法确保大件货物在复杂环境中的安全通过。
技术实现思路
1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
2、鉴于上述现有一种基于通道模型的大件货物运输通过性评估方法存在的问题，提出了本发明。
3、为解决上述技术问题，本发明提供如下技术方案：
4、一种基于通道模型的大件货物运输通过性评估方法，该方法包括以下步骤：
5、制定多维传感器数据融合策略；即对部署在运输路径的关键节点和大件货物上多种传感器所采集的不同数据进行预处理，并使用数据融合算法整合多源数据，生成一个综合的、精确的环境模型和通道模型；
6、边缘计算实时数据处理与评估；即通过预先部署在运输路径的关键节点边缘计算设备接收实时传感器数据，并对数据进行快速处理和分析，更新和优化通道模型，根据新的环境数据进行调整，确保模型的动态性和准确性；
7、基于实时更新的通道模型和障碍物信息，使用智能避障算法，规划避障路径，确保避障路径能够保证大件货物的安全通过，同时最小化运输时间和成本。
8、作为本发明所述一种基于通道模型的大件货物运输通过性评估方法的一种优选方案，其中：数据的预处理方式为使用高斯滤波函数gσ(x)进行处理，则滤波后的数据可表示为：
9、
10、其中，σ是高斯滤波的标注差参数。
11、作为本发明所述一种基于通道模型的大件货物运输通过性评估方法的一种优选方案，其中：所述数据融合算法包括：数据归一化和加权求和的方式进行多多源数据进行融合；
12、其中，对预处理后的数据进行归一化处理，得到归一化数据
13、则该归一化函数表示为：
14、
15、其中，使用加权求和的方式对多源数据进行融合，融合结果f(t)表示为：
16、
17、wi表示权重，由卡尔曼滤波确定，公式中的f(t)表示在时间t上，所有传感器数据融合后的综合环境模型和通道模型数据。
18、作为本发明所述一种基于通道模型的大件货物运输通过性评估方法的一种优选方案，其中：基于多源数据的融合结果，使用高阶积分函数i(f(t))进行特征提取，则有：
19、其中，α为多源融合数据f(t)的高阶积分特征提取部分的衰减系数，控制数据在过去的影响程度；
20、使用特征提取后的数据对通道模型c(t)进行更新，模型更新实用卡尔曼滤波算法：
21、c(t)＝(c(t-1)+k(t)(i(f(t))-hc(t-1)))；
22、其中，k(t)为卡尔曼增益，h为观测矩阵；
23、使用更新后的通道模型进行大件货物的通过性评估，评估函数p(t)表示为：
24、
25、其中，wi为权重；β为用于通道模型c(t)的评估部分的衰减系数，它控制通道模型在时间上的衰减效果，影响实时通过性评估中的权重分布；ui为ci(t)的均值。
26、作为本发明所述一种基于通道模型的大件货物运输通过性评估方法的一种优选方案，其中：通过实时通道模型c(t)和传感器数据di(t)来识别障碍物，识别函数：
27、
28、其中，衰减系数γ控制数据在过去的影响程度，平滑参数λ用于调节识别结果的敏感度，o(t)表示在时间t上的综合障碍物识别结果；
29、对障碍物的类型、位置和大小进行详细分析,分析函数：
30、
31、其中，μo和σo分别表示均值标准差，用于标准化和归一化障碍物数据，a(t)表示在时间t上对障碍物进行分析的结果。
32、作为本发明所述一种基于通道模型的大件货物运输通过性评估方法的一种优选方案，其中：基于实时更新的通道模型c(t)和障碍物信息a(t)，使用智能避障算法规划避障路径，路径规划函数r(t)可以表示为：
33、
34、其中,p为所有可能的路径集合，k为调节参数，控制通道模型和障碍物之间的关系；θ为权重参数，调整路径规划中的障碍物影响，p(τ)表示在时间τ上的路径位置，|p(τ)-a(τ)|表示路径路径p(τ)与障碍物分析结果a(τ)之间的欧氏距离。
35、作为本发明所述一种基于通道模型的大件货物运输通过性评估方法的一种优选方案，其中：设融合结果f(t)的可信度为cf(t)；
36、
37、其中，si(t)是第i个传感器在时间t的实际数据，是第i个传感器在时间t的实际数据；
38、若多源融合结果f(t)的可信度cf(t)大于第一阈值，则判定环境模型和通道模型的精度高，进行正常的路径规划：
39、若多源融合结果f(t)的可信度cf(t)小于第二阈值，则判定环境模型和通道模型的精度低，重新进行数据融合和模型更新：
40、若多源融合结果f(t)的可信度cf(t)介于第二阈值和第一阈值之间，则判定环境模型和通道模型的精度中等，进行谨慎的路径规划：
41、基于通道模型的大件货物运输通过性评估系统，该系统应用于上述一种基于通道模型的大件货物运输通过性评估方法，该系统包括以下模块：
42、多维传感器数据融合模块，对多种传感器所采集的不同数据通过高斯滤波函数进行处理，并通过数据归一化和加权求和的方式进行多多源数据进行融合，生成一个综合的、精确的环境模型和通道模型；
43、实时数据处理与评估模块，基于多源数据的融合结果，使用高阶积分函数进行特征提取，并通过提取后的数据对通道模型进行更新，使用更新后的通道模型进行大件货物的通过性评估；
44、智能避障模块，基于实时更新的通道模型和障碍物信息，通过智能避障算法规划避障路径。
45、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的一种基于通道模型的大件货物运输通过性评估方法的步骤。
46、一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的一种基于通道模型的大件货物运输通过性评估方法的步骤。
47、本发明的有益效果：
48、1、本发明采用多传感器数据融合算法，综合处理多源数据，生成更加精确的环境模型和通道模型，有效提升评估结果的准确性，并且采用卡尔曼滤波和多传感器数据融合算法，综合处理多源数据，生成更加精确的环境模型和通道模型，有效提升评估结果的准确性。
49、2、本发明结合实时数据处理和智能避障技术，动态评估大件货物的通过性，提供实时的运输路径优化方案，通过综合考虑环境条件、障碍物信息和运输路径，实现最佳路径规划，提高运输效率，减少运输风险和成本。
1.一种基于通道模型的大件货物运输通过性评估方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种基于通道模型的大件货物运输通过性评估方法，其特征在于：数据的预处理方式为使用高斯滤波函数gσ(x)进行处理，则滤波后的数据可表示为：
3.根据权利要求2所述的一种基于通道模型的大件货物运输通过性评估方法，其特征在于：所述数据融合算法包括：数据归一化和加权求和的方式进行多多源数据进行融合；
4.根据权利要求3所述的一种基于通道模型的大件货物运输通过性评估方法，其特征在于：基于多源数据的融合结果，使用高阶积分函数i(f(t))进行特征提取，则有：
5.根据权利要求4所述的一种基于通道模型的大件货物运输通过性评估方法，其特征在于：通过实时通道模型c(t)和传感器数据di(t)来识别障碍物，识别函数：
6.根据权利要求5所述的一种基于通道模型的大件货物运输通过性评估方法，其特征在于：基于实时更新的通道模型c(t)和障碍物信息a(t)，使用智能避障算法规划避障路径，路径规划函数r(t)可以表示为：
7.根据权利要求6所述的一种基于通道模型的大件货物运输通过性评估方法，其特征在于：设融合结果f(t)的可信度为cf(t)；
8.一种基于通道模型的大件货物运输通过性评估系统，该系统应用于权利要求1-7任一项所述的一种基于通道模型的大件货物运输通过性评估方法，其特征在于：该系统包括以下模块：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的一种基于通道模型的大件货物运输通过性评估方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的一种基于通道模型的大件货物运输通过性评估方法的步骤。
