CN104139782A - 用于配置车辆设备参数的系统和方法 - Google Patents

Abstract

提供了一种用于配置车辆设备参数的系统，包括：车辆设备参数获取单元，被配置为获取用户的直接车辆设备参数；用户特征数据计算单元，被配置为基于所获取的直接车辆设备参数来计算用户的特征数据；特征数据比较单元，被配置为将用户的特征数据与相同车型的群体特征数据进行比较，以建立用户的特征数据与群体特征数据之间的函数关系；以及车辆设备参数计算单元，被配置为基于所述函数关系和车辆设备参数的调节范围来计算车辆设备参数。还提供了一种用于配置车辆设备参数的方法。本发明精确地分析了用户个性化驾驶需求，并在此基础上扩展了可调节车辆设备的种类，进一步提高了整车对于用户个性化的适应性。

Description

用于配置车辆设备参数的系统和方法

技术领域

本申请涉及汽车领域，具体涉及一种用于配置车辆设备参数的系统和方法。

背景技术

随着科技的不断进步，汽车的智能化进程也在不断加快。但相比于互联网和消费电子行业，汽车行业的智能化进程还很缓慢。现在各个车厂生产的汽车设备运行的各种参数还都是在出厂前都配置完成的，车辆设备的参数调整大多也只能召回重新写入硬件程序进行修改，不能像互联网或移动互联网设备进行远程设置。这既耗费了大量的人力和物力，又不能满足用户个性化的需求。

随着车辆安全性的提升，用户个性化需求的不断上涨。在保证驾驶安全的前提下，基于用户驾驶行为的车辆参数配置，让车辆更加符合用户的驾驶行为必将成为未来汽车发展的趋势。

参考文献1(CN102745202A，标题为“一种人与车主动适应的系统”)提出了一种人与车主动适应系统，该系统通过用户终端采集以往汽车用户各项驾车信息，并在用户终端中存储当前用户驾车信息，最终完成汽车当次的主动适应工作。具体地，图1示出了该系统的操作流程图。

在步骤S110处，采集用户驾车参数。用户终端模块能够采集到用户的以往驾车的各种习惯参数，包括用户使用转向、刹车、油门和离合器的习惯，即用户以往操作汽车零部件的力度、次数和频率等等，以及以往路径上车辆的行驶时间、路程和耗油量。

在步骤S120，判断用户选取的历史路径。汽车先提示用户为本次驾驶选择行驶路径，可以根据行驶路径获得用户以往在此路径上设备使用习惯，修改汽车相应部件的参数。

如果步骤S120处的结果为“是”，则继续进行到步骤S130，按照用户选取路径对应的参数修改汽车配置。相反，如果步骤S120处的结果为“否”，则进行到步骤S140，按照用户以往的使用习惯配置车辆参数。

最后，在步骤S150，基于匹配的车辆参数，调整汽车设备参数配置，让车辆主动适应人的驾驶。

然而，上述方案对用户需求的满足是有限的。例如，在配置汽车参数时，现有技术考虑的因素是用户驾驶当前车辆的驾驶习惯和当前车辆的行驶记录。然而个性化是相对于群体特征而体现的，用户对当前车辆的驾驶习惯受到车辆本身性能的影响，只能反映出用户对当前车辆的需求，而不能恰当的反映出用户的个性化需求。另外，现有技术提出的方案只能体现出用户在部分车辆设备参数上的驾驶特点，而不能调整那些通过用户驾驶行为无法收集到的车辆设备参数，如燃油汽车的发动机的燃空比、电动机输出功率等参数，这些参数在满足用户个性化驾驶需求上有着至关重要的作用。

发明内容

本发明解决了车辆设备参数设置不能满足用户个性化需求的问题。具体地，本发明不采用预先设定的车辆控制设备与驱动源的对应关系，而是基于用户单体的驾驶特征与同类型车辆的群体驾驶特征的关系分析来调整车辆控制设备与驱动源之间的对应参数，使车辆更加准确符合驾驶者的驾驶偏好。

具体地，本发明将用户的单体与群体驾驶特征与相同车型的群体驾驶特征相比较，建立单体与群体特征的函数关系，即获得用户的个性化驾驶需求。然后，基于函数关系，在车辆性能参数可调整范围内对车辆设备参数进行调整。

根据本发明的第一方面，提供了一种用于配置车辆设备参数的系统，包括：车辆设备参数获取单元，被配置为获取用户的直接车辆设备参数；用户特征数据计算单元，被配置为基于所获取的直接车辆设备参数来计算用户的特征数据；特征数据比较单元，被配置为将用户的特征数据与相同车型的群体特征数据进行比较，以建立用户的特征数据与群体特征数据之间的函数关系；以及车辆设备参数计算单元，被配置为基于所述函数关系和车辆设备参数的调节范围来计算车辆设备参数。

优选地，用户特征数据计算单元通过聚类分析来计算用户的特征数据的范围和基准值。

优选地，相同车型的群体特征数据是通过对相同车型的群体历史数据进行聚类分析而获得的。

优选地，特征数据比较单元将用户的特征数据的基准值与群体特征数据的聚类范围进行比较，以建立用户的特征数据与群体特征数据之间的函数关系，所述函数关系表示用户在群体中的排位。

优选地，车辆设备参数计算单元基于所述函数关系和车辆设备参数的调节范围来计算直接车辆设备参数和/或间接车辆设备参数。

根据本发明的第二方面，提供了一种用于配置车辆设备参数的方法，包括：获取用户的直接车辆设备参数；基于所获取的直接车辆设备参数来计算用户的特征数据；将用户的特征数据与相同车型的群体特征数据进行比较，以建立用户的特征数据与群体特征数据之间的函数关系；以及基于函数关系和车辆设备参数的调节范围来计算车辆设备参数。

优选地，计算用户的特征数据包括：通过聚类分析来计算用户的特征数据的范围和基准值。

优选地，相同车型的群体特征数据是通过对相同车型的群体历史数据进行聚类分析而获得的。

优选地，将用户的特征数据的基准值与群体特征数据的聚类范围进行比较，以建立用户的特征数据与群体特征数据之间的函数关系，所述函数关系表示用户在群体中的排位。

优选地，基于所述函数关系和车辆设备参数的调节范围来计算直接车辆设备参数和/或间接车辆设备参数。

本发明通过采用单体与群体特征的函数关系，更精确地分析了用户个性化驾驶需求，并在此基础上扩展了可调节车辆设备的种类，进一步提高了整车对于用户个性化的适应性。

附图说明

通过下文结合附图的详细描述，本发明的上述和其它特征将会变得更加明显，其中：

图1是示出了根据现有技术的一种人与车主动适应系统的操作流程图。

图2是示出了根据本发明一个示例实施例的用于配置车辆设备参数的系统以及车辆终端的框图。

图3(a)-3(d)是示出了根据本发明一个示例实施例的特征数据计算中的示意图。

图4是示出了根据本发明另一个示例实施例的用于配置车辆设备参数的方法的流程图。

具体实施方式

下面，通过结合附图对本发明的具体实施例的描述，本发明的原理和实现将会变得明显。应当注意的是，本发明不应局限于下文所述的具体实施例。另外，为了简便起见，省略了与本发明无关的公知技术的详细描述。

在本申请的上下文中，聚类分析包括许多聚类算法。具体地，聚类算法可以被分为五类：划分方法、层次方法、基于密度的方法、基于网格的方法和基于模型的方法。

回归分析是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。按照涉及的自变量的多少，回归分析可分为一元回归分析和多元回归分析。按照自变量和因变量之间的关系类型，回归分析可分为线性回归分析和非线性回归分析。如果在回归分析中只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。

图2是示出了根据本发明一个示例实施例的用于配置车辆设备参数的系统以及车辆终端的框图。如图2所示，用于配置车辆设备参数的系统20(车辆设备参数配置系统20)包括：车辆设备参数获取单元210、用户特征数据计算单元220、特征数据比较单元230和车辆设备参数计算单元240。另外，车辆终端30包括数据采集单元310和车辆设备参数配置单元320。下面，详细描述车辆设备参数配置系统20和车辆终端30中的各个单元的操作。

车辆终端30的数据采集单元310采集车辆的各种数据。例如，数据采集单元310中可以包括诸如刹车传感器、加速传感器、转向传感器、变速传感器、车速传感器等的各种传感器。

车辆设备参数配置系统20的车辆设备参数获取单元210被配置为从车辆终端30的数据采集单元310获取用户的直接车辆设备参数(即，与用户驾驶习惯直接相关的设备参数)。在下文中，以加速行为下的数据作为示例来描述该参数。然而，本领域技术人员可以理解，该参数并不限于加速。例如，该参数还可以是转向或变速，等等。

例如，车辆设备参数获取单元210可以获取用户车辆的加速量与时间的关系。加速量是指对加速踏板的压力、角度和踩踏次数通过计算后获得的对于车辆加速影响的综合量值(如供油量)。图3(a)示出了两个用户a、b的加速行为数据。经过回归分析曲线拟合，可以获得图3(b)所示的3条曲线，其中a1代表用户a的一次加速行为，b1和b2代表用户b的两次加速行为。可以看出，用户a和b基于时间的加速量值所展现出的用户行为各不相同。

用户特征数据计算单元220被配置为基于所获取的直接车辆设备参数来计算用户的特征数据。用户的特征数据主要是指用户自身的驾驶行为。在上面的例子中，用户的特征数据是指在加速时某一时间范围内踩踏板的角度。优选地，用户特征数据计算单元220可以通过基于密度的聚类分析来获取用户的特征数据的聚类范围和重心，其结果可认为是用户的特征数据的范围和基准值。

优选地，选取一个经济效益比较好的加速量值做为标准。如图3(c)中所示，可以选取D值作为加速量值的标准。这样，在获取用户b的多次驾驶行为数据后，可以通过聚类分析的方法获得b用户的特征，例如通常情况下针对b用户的特征数据在0.4秒时会达到D值。

特征数据比较单元230被配置为将用户的特征数据与相同车型的群体特征数据进行比较，以建立用户的特征数据与群体特征数据之间的函数关系。其中，相同车型的群体特征数据是通过对相同车型的群体历史数据进行聚类分析而获得的。

例如，群体特征数据可以包括类似于图3(a)和图3(b)所示的更多用户的历史特征数据。通过基于密度的聚类分析的方法，可以获取群体用户的特征数据的聚类的范围，其结果可以认为是群体用户的特征。在本示例中，优选地使用聚类分析中的孤立点分析来排除采集数据中的噪声，从而获取一个更加真实准确的群体范围。在上述示例中，如图3(d)中所示，群体用户加速量到D值时的时间范围为0.3-0.8秒，并且通过孤立点分析应该将数据点S排除。

特征数据比较单元230将用户的特征数据的基准值与群体特征数据的聚类范围进行比较，以建立用户的特征数据与群体特征数据之间的函数关系，该函数关系表示用户在群体中的排位。例如，在上面的示例中，可以采用以下的函数关系：

F(t)＝(t-a)/(b-a)

其中，t表示用户达到D值时的特征数据，a表示群体特征数据的聚类范围的下界，而b表示群体特征数据的聚类范围的上界。

车辆设备参数计算单元240被被配置为基于特征数据比较单元230所建立的函数关系和车辆设备参数的调节范围来计算车辆设备参数。例如，在上面的示例中，用户b在群体中的排位可以按照公式F(t)计算为：F(0.4)＝(0.4-0.3)/(0.8-0.3)＝0.2。该数值小于1，可以看出该用户b喜欢较快地加速。

可以将用户驾驶期望定义为x，相关的车辆设备调整参数定义为G(x)。一般情况下，车厂的出场参数为G(x0)，其中x0是基于大量用户和工程师的经验预先设定的，不能满足特定用户的特殊需求。根据本发明，在车辆驾驶一段后可以获得用户的驾驶期望x1。可以将x0调整为x1，同时将获得该用户的调整参数G(x1)。

例如，假设车辆加速踏板的角度范围0-90度，其中90度代表没有加油，0度代表加满油。用户加速踏板角度和供油量之间的关系设置的出厂值是45度，车厂采用用户的平均期望。此时，G(x)＝(1-x)*90。假设出厂设置为G(0.5)＝45度为最佳供油位置。当通过用户b驾驶后得到用户b的期望为0.2时(即上文中的F(t)＝0.2)，该参数可以调整为G(0.2)＝72度，从而能够提前增加该用户的供油量。

除了直接车辆设备参数之外，车辆设备参数计算单元240还可以计算间接车辆设备参数。换句话说，车辆设备参数计算单元240可计算的设备类型参数不限于能够直接采集的设备参数，而且还包括能够调节与这类行为相关的其他设备参数。例如，在上文所述的例子中，在计算汽车加速踏板的相关参数时，还能扩展到与速度、加速度相关设备的其他参数，如发动机的燃空比、点火速度、怠速、废气再循环等参数。

例如，当发动机的燃空比的可调节范围是14-16时(燃空比越大，加速性能越好)，可以采用以下公式来计算发动机的燃空比：

H(t)＝16-2*(t-a)/(b-a)

其中，t表示用户达到D值时的特征数据，a表示群体特征数据的聚类范围的下界，而b表示群体特征数据的聚类范围的上界。例如，在上面的示例中，针对用户b可以将燃空比调整为H(0.4)＝16-2*(0.4-0.3)/(0.8-0.3)＝15.6。

车辆终端30的车辆设备参数配置单元320可以从车辆设备参数配置系统20的车辆设备参数计算单元240接收计算得到的车辆设备参数，并相应地写入车辆中的各个设备的控制单元，从而使车辆能够适应特定用户的驾驶习惯。

根据本实施例的车辆设备参数配置系统20能够更精确地分析用户的个性化驾驶需求，并在此基础上扩展了可调节车辆设备的种类，进一步提高了整车对于用户个性化的适应性。

图4是示出了根据本发明另一个示例实施例的用于配置车辆设备参数的方法的流程图。如图4所示，方法40在步骤S410处开始。

在步骤S420，获取用户的直接车辆设备参数(即，与用户驾驶习惯直接相关的设备参数)。这些数据可以通过车辆终端中的各个传感器测量得到。

在步骤S430，基于所获取的直接车辆设备参数来计算用户的特征数据。用户的特征数据主要是指用户自身的驾驶行为。优选地，可以通过基于密度的聚类分析来获取用户的特征数据的聚类范围和重心，其结果可认为是用户的特征数据的范围和基准值。

在步骤S440，将用户的特征数据与相同车型的群体特征数据进行比较，以建立用户的特征数据与群体特征数据之间的函数关系。优选地，相同车型的群体特征数据是通过对相同车型的群体历史数据进行聚类分析而获得的。此外，优选地将用户的特征数据的基准值与群体特征数据的聚类范围进行比较，以建立用户的特征数据与群体特征数据之间的函数关系，所述函数关系表示用户在群体中的排位。

在步骤S450，基于函数关系和车辆设备参数的调节范围来计算车辆设备参数。优选地，可以计算直接车辆设备参数和/或间接车辆设备参数。

最后，方法40在步骤S460处结束。

应该理解，本发明的上述实施例可以通过软件、硬件或者软件和硬件两者的结合来实现。例如，上述实施例中的车辆设备参数配置系统内的各种组件可以通过多种器件来实现，这些器件包括但不限于：模拟电路、数字电路、通用处理器、数字信号处理(DSP)电路、可编程处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、可编程逻辑器件(CPLD)，等等。

另外，本领域的技术人员可以理解，本发明实施例中描述的历史群体特征数据可以存储在本地数据库中，也可以存储在分布式数据库中或者可以存储在远程数据库中。

此外，这里所公开的本发明的实施例可以在计算机程序产品上实现。更具体地，该计算机程序产品是如下的一种产品：具有计算机可读介质，计算机可读介质上编码有计算机程序逻辑，当在计算设备上执行时，该计算机程序逻辑提供相关的操作以实现本发明的上述技术方案。当在计算系统的至少一个处理器上执行时，计算机程序逻辑使得处理器执行本发明实施例所述的操作(方法)。本发明的这种设置典型地提供为设置或编码在例如光介质(例如CD-ROM)、软盘或硬盘等的计算机可读介质上的软件、代码和/或其他数据结构、或者诸如一个或多个ROM或RAM或PROM芯片上的固件或微代码的其他介质、或一个或多个模块中的可下载的软件图像、共享数据库等。软件或固件或这种配置可安装在计算设备上，以使得计算设备中的一个或多个处理器执行本发明实施例所描述的技术方案。

尽管以上已经结合本发明的优选实施例示出了本发明，但是本领域的技术人员将会理解，在不脱离本发明的精神和范围的情况下，可以对本发明进行各种修改、替换和改变。因此，本发明不应由上述实施例来限定，而应由所附权利要求及其等价物来限定。

Claims (10)

1.一种用于配置车辆设备参数的系统，包括：

车辆设备参数获取单元，被配置为获取用户的直接车辆设备参数；

用户特征数据计算单元，被配置为基于所获取的直接车辆设备参数来计算用户的特征数据；

特征数据比较单元，被配置为将用户的特征数据与相同车型的群体特征数据进行比较，以建立用户的特征数据与群体特征数据之间的函数关系；以及

车辆设备参数计算单元，被配置为基于所述函数关系和车辆设备参数的调节范围来计算车辆设备参数。

2.根据权利要求1所述的系统，其中，所述用户特征数据计算单元通过聚类分析来计算用户的特征数据的范围和基准值。

3.根据权利要求1所述的系统，其中，所述相同车型的群体特征数据是通过对相同车型的群体历史数据进行聚类分析而获得的。

4.根据权利要求2所述的系统，其中，所述特征数据比较单元将用户的特征数据的基准值与群体特征数据的聚类范围进行比较，以建立用户的特征数据与群体特征数据之间的函数关系，所述函数关系表示用户在群体中的排位。

5.根据权利要求1所述的系统，其中，所述车辆设备参数计算单元基于所述函数关系和车辆设备参数的调节范围来计算直接车辆设备参数和/或间接车辆设备参数。

6.一种用于配置车辆设备参数的方法，包括：

获取用户的直接车辆设备参数；

基于所获取的直接车辆设备参数来计算用户的特征数据；

将用户的特征数据与相同车型的群体特征数据进行比较，以建立用户的特征数据与群体特征数据之间的函数关系；以及

基于函数关系和车辆设备参数的调节范围来计算车辆设备参数。

7.根据权利要求6所述的方法，其中，计算用户的特征数据包括：通过聚类分析来计算用户的特征数据的范围和基准值。

8.根据权利要求6所述的方法，其中，所述相同车型的群体特征数据是通过对相同车型的群体历史数据进行聚类分析而获得的。

9.根据权利要求7所述的方法，其中，将用户的特征数据的基准值与群体特征数据的聚类范围进行比较，以建立用户的特征数据与群体特征数据之间的函数关系，所述函数关系表示用户在群体中的排位。

10.根据权利要求6所述的方法，其中，基于所述函数关系和车辆设备参数的调节范围来计算直接车辆设备参数和/或间接车辆设备参数。