用于电动汽车的充电方法及装置
技术领域
本发明涉及汽车技术领域,具体涉及一种用于电动汽车的充电方法及装置。
背景技术
随着环保意识的增强,电动汽车以其零排放、无污染的优势逐渐占据了汽车市场的一席之地。但是,由于电动汽车的电池容量有限导致电动汽车的续航里程较短,加之充电桩的数量较为稀少等因素的影响,导致电动汽车因电量耗尽而使车主被困的现象频频出现。
为了解决上述问题,现有技术中出现了一些能够自动导航至附近充电桩的应用。但是,发明人在实现本发明的过程中发现,现有技术中的充电桩导航应用至少存在下述缺陷:首先,充电桩导航应用只能在接收到用户主动触发的寻找充电桩指令后启动并查询附近充电桩,一旦用户因专注开车而忽略了电量消耗情况则会导致电动汽车因未及时充电而被困途中的问题。其次,充电桩导航应用仅仅根据充电桩与电动汽车之间的距离,简单地向用户推荐较近的充电桩,但实际情况中,由于路况复杂等诸多因素的影响,导致电动汽车在到达充电桩之前可能已耗尽电量。
由此可见,现有技术中的充电桩导航应用既不能主动在电动汽车电量耗尽之前提醒用户充电,也无法保证电动汽车的电量足以到达目标充电桩,由此为用户带来了诸多不便。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的用于电动汽车的充电方法及装置。
根据本发明的一个方面,提供了一种电动汽车的充电方法,包括:
检测电动汽车的剩余电量,根据环境地图确定充电桩分布信息;
根据所述剩余电量以及所述充电桩分布信息确定所述电动汽车是否符合预设充电条件;
若是,根据所述环境地图以及预设的能耗模型,分别计算所述电动汽车行驶至各个充电桩时的预计耗电量;
根据所述预计耗电量以及所述剩余电量确定目标充电桩,将所述电动汽车导航至所述目标充电桩进行充电。
根据本发明的另一个方面,提供了一种电动汽车的充电装置,包括:
检测模块,适于检测电动汽车的剩余电量,根据环境地图确定充电桩分布信息;
确定模块,适于根据所述剩余电量以及所述充电桩分布信息确定所述电动汽车是否符合预设充电条件;
计算模块,适于若是,根据所述环境地图以及预设的能耗模型,分别计算所述电动汽车行驶至各个充电桩时的预计耗电量;
充电模块,适于根据所述预计耗电量以及所述剩余电量确定目标充电桩,将所述电动汽车导航至所述目标充电桩进行充电。
根据本发明的又一方面,提供了一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述电动汽车的充电方法对应的操作。
根据本发明的再一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述电动汽车的充电方法对应的操作。
根据本发明的用于电动汽车的充电方法及装置,既能够根据剩余电量以及充电桩分布信息自动判断电动汽车是否需要充电,又能够结合环境地图和能耗模型,估算电动汽车行驶至各个充电桩时的预计耗电量,并据此将用户导航至当前电量可到达的目标充电桩。由此可见,采用本发明中的方式,一方面,能够自动地在电动汽车电量耗尽之前判断出汽车需要充电,也能够确保电动汽车的电量足以到达目标充电桩,从而在无需用户参与的情况下实现了电动汽车的智能充电。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明一个实施例的电动汽车的充电方法的流程图;
图2示出了本发明另一个实施例的电动汽车的充电方法的流程图;
图3示出了步骤S220所包含的各个子步骤的流程示意图;
图4示出了本发明一个实施例的电动汽车的充电装置的功能框图;
图5示出了根据本发明实施例的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了本发明一个实施例的用于电动汽车的充电方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101:检测电动汽车的剩余电量,根据环境地图确定充电桩分布信息。
其中,本步骤可以每隔预设的时间周期触发一次,以实现持续检测电量是否充足的目的。该时间周期可以设置为固定周期。另外,该步骤还可以不定期的执行,例如,可以根据上一次检测到的剩余电量调整下一次触发本步骤的时间间隔,具体地,上一次检测到的剩余电量越低,下一次触发本步骤的时间间隔越短,以防止电量耗尽的情况发生。每当检测到剩余电量之后,根据环境地图确定充电桩分布信息。其中,该充电桩分布信息包括:根据电动汽车的当前位置确定的局部环境地图中所包含的各个充电桩的分布地点。
步骤S102:根据剩余电量以及充电桩分布信息确定电动汽车是否符合预设充电条件。
本步骤主要用于根据电动汽车的剩余电量以及充电桩分布信息,智能判断电动汽车是否需要充电。具体地,可通过多种方式实现:
在第一种实现方式中,以剩余电量作为触发电动汽车充电的首要条件,当检测到剩余电量低于预设阈值(比如低于30%)时,根据充电桩分布信息查找电动汽车附近的充电桩以实现充电。该实现方式仅仅根据电动汽车的剩余电量判断是否需要充电,为了防止因附近充电桩距离较远而导致电动汽车无法到达,可将预设阈值设置为较高的数值。在第二种实现方式中,结合充电桩分布信息来确定触发电动汽车充电的条件。具体地,获取到剩余电量之后,进一步判断该剩余电量是否远大于到达附近充电桩所需的电量,若是,可以暂不充电;若否,则需要前往附近充电桩充电。上述的两种方式也可以单独使用,也可以结合使用。
步骤S103:若是,根据环境地图以及预设的能耗模型,分别计算电动汽车行驶至各个充电桩时的预计耗电量。
当判断出电动汽车需要充电时,需要从附近的多个充电桩中选择目标充电桩进行充电。为此,需要根据预设的能耗模型,计算电动汽车行驶至各个充电桩时的预计耗电量,具体计算时,除考虑距离因素之外,还需要考虑道路信息、交通状况等各类能够影响耗电量的因素,从而准确估算汽车到达各个充电桩的预计耗电量、行驶里程、行驶时间等,并据此确定目标充电桩。
其中,能耗模型是指:通过对获取到的预设数量的样本进行训练,并基于样本的训练结果而生成的用于预计电动汽车能耗情况的机器学习模型。本领域技术人员可以灵活采用各种方式生成该能耗模型,例如,可以采用深度学习、神经网络等各类算法生成该能耗模型。
步骤S104:根据预计耗电量以及剩余电量确定目标充电桩,将电动汽车导航至该目标充电桩进行充电。
具体地,在确定目标充电桩时,可以按照耗电最低、耗时最低、距离最短等多种规则进行规则,既可由系统默认各种规则间的先后顺序,也可由用户预先设定各种规则的优先级。并且,既可以由系统直接选定一个充电桩作为目标充电桩,也可以由系统选出多个充电桩,并分别显示行驶至各个充电桩时所需的预计耗电量、行驶里程、行驶时间等信息,以供用户从中选择一个目标充电桩。
由此可见,采用本发明中的方式,一方面,能够自动地在电动汽车电量耗尽之前判断出汽车需要充电,也能够确保电动汽车的电量足以到达目标充电桩,从而在无需用户参与的情况下实现了电动汽车的智能充电。
图2示出了本发明一个具体实施例的用于电动汽车的充电方法的流程图。如图2所示,该方法包括以下步骤:
步骤S200:预先建立用于根据实时交通信息和/或道路属性信息估算耗电量的能耗模型。
为了更加准确地估算电动汽车的耗电量,本实施例预先创建了能耗模型,该能耗模型能够根据多角度、全方位的信息确定耗电量,计算结果更为准确。具体地,能耗模型是指:通过对获取到的预设数量的样本进行训练,并基于样本的训练结果而生成的用于预计电动汽车能耗情况的机器学习模型。本领域技术人员可以灵活采用各种方式生成该能耗模型,例如,可以采用深度学习、神经网络等各类算法生成该能耗模型。
其中,主要基于以下两方面的信息建立能耗模型:
第一方面的信息为实时交通信息。该实时交通信息主要包括拥堵系数、和/或交通管制信息。例如,拥堵系数用于反映路段的拥堵程度,越拥堵的路段所消耗的电量越多。交通管制信息用于反映因政策或其他原因而不能通过只能绕行的路段,绕行过程势必将导致耗电量的增加。由此可见,实时交通信息主要用于根据实时交通状态来估算汽车的耗电量,其他本领域技术人员能够想到的与耗电量相关的实时交通信息都可应用于本发明,本发明对实时交通信息的具体信息内涵不做限定。
第二方面的信息为道路属性信息。该道路属性信息包括:上坡属性信息、下坡属性信息、坡度指数信息、急转弯属性信息、和/或红绿灯属性信息。例如,汽车上坡时能耗增加,下坡时能耗降低,且具体能耗值与用于描述坡的陡峭程度的坡度指数信息密切相关。又如,汽车急转弯时能耗将瞬时增大,因此,通过急转弯属性信息所描述的道路中的弯路及转弯弧度大小均可准确估算耗电量。再如,若一路段中红绿灯较多,车辆频频刹车、启动,势必也会导致能耗增加。除此之外,路段中的车辆的平均通行速度、和/或当前汽车的实时通信速度或惯用通行速度均可能会对能耗带来影响。其中,当前汽车的惯用通行速度是由司机的驾驶偏好决定的。另外,高速路段和普通路段的能耗情况也不尽相同。由此可见,道路属性信息主要用于根据道路本身的情况来估算汽车的耗电量,其他本领域技术人员能够想到的与耗电量相关的道路属性信息都可应用于本发明,本发明对道路属性信息的具体信息内涵不做限定。
具体地,在根据实时交通信息和/或道路属性信息建立模型时,既可以直接根据大量样本的统计结果确定,也可以通过机器学习的方式,通过对样本的不断训练优化模型。由此可见,本实施例利用实时交通信息和/或道路属性信息建立能耗模型,该能耗模型能够基于输入的实时交通信息和/或道路属性信息输出预测的能耗结果。由于能耗模型全面考虑了与能耗相关的各个因素,从而能够得出准确的能耗预测结果。其中,能耗模型的具体生成过程可参照各种机器学习算法实现,此处不再赘述。
步骤S210:检测电动汽车的剩余电量,根据环境地图确定充电桩分布信息。
其中,本步骤可以每隔预设的时间周期触发一次,以实现持续检测电量是否充足的目的。该时间周期可以设置为固定周期。另外,该步骤还可以不定期的执行,例如,可以根据上一次检测到的剩余电量调整下一次触发本步骤的时间间隔,具体地,上一次检测到的剩余电量越低,下一次触发本步骤的时间间隔越短,以防止电量耗尽的情况发生。每当检测到剩余电量之后,根据环境地图确定充电桩分布信息。其中,该充电桩分布信息包括:根据电动汽车的当前位置确定的局部环境地图中所包含的各个充电桩的分布地点。
步骤S220:根据剩余电量以及充电桩分布信息确定电动汽车是否符合预设充电条件。
本步骤主要用于根据电动汽车的剩余电量以及充电桩分布信息,智能判断电动汽车是否需要充电。具体地,在本实施例中,本步骤进一步多个子步骤,图3示出了步骤S220所包含的各个子步骤的流程示意图:
子步骤S221:确定与剩余电量相对应的剩余行驶里程。
其中,与剩余电量相对应的剩余行驶里程可以直接根据预设的电量里程对照表确定。该电量里程对照表中存储了剩余电量与剩余行驶里程之间的对应关系,能够快速确定结果。具体地,电量里程对照表可通过预先测试多辆汽车的电量与剩余行驶里程之间的关系确定,也可以通过机器学习的方式确定。
另外,与剩余电量相对应的剩余行驶里程可以结合多种因素综合确定。例如,可以根据电动汽车的型号、司机驾驶偏好、当前路段的行驶速度、当前路段的实时交通信息和/或当前路段的道路属性信息(例如为高速、平路或颠簸路面等)来确定。具体确定时,也可以预先通过机器学习的方式建立用于测算剩余行驶里程的模型,模型的输入与上述多种因素有关,从而能够更加精准地预测剩余行驶里程。
子步骤S222:根据充电桩分布信息确定与电动汽车的当前位置相对应的当前邻近充电桩,计算电动汽车的当前位置与当前邻近充电桩之间的当前邻近距离。
其中,与电动汽车的当前位置相对应的当前邻近充电桩是指:与电动汽车邻近的充电桩,例如,与电动汽车之间的距离小于预设的第一阈值的充电桩。例如,该第一阈值可设置为1公里,假设电动汽车的当前位置为位置A,则将位置A所对应的方圆1公里内的充电桩确定为当前邻近充电桩。由此可见,当前邻近充电桩的数量可能为一个或多个。但是,考虑到实际情况中,充电桩的数量可能较为稀少且分布不均,因此,优选地,该第一阈值并非固定值,而是一个可以动态调整的值,例如,若电动汽车当前位置的1公里范围内不存在充电桩,则可增大第一阈值,继续搜寻电动汽车方圆3公里甚至10公里的范围内是否存在充电桩,直至搜索到充电桩之后将当前距离电动汽车最近的至少一个充电桩确定为当前邻近充电桩。
另外,在计算电动汽车的当前位置与当前邻近充电桩之间的当前邻近距离时,既可以直接将根据环境地图获取的电动汽车的当前位置与该当前邻近充电桩之间的实际距离确定为当前邻近距离,也可以通过下述方式确定:根据环境地图确定当前邻近充电桩对应的实时交通信息和/或道路属性信息;根据该实时交通信息和/或道路属性信息确定修正系数,通过修正系数对上述电动汽车的当前位置与该当前邻近充电桩之间的实际距离进行修正,得到电动汽车的当前位置与当前邻近充电桩之间的当前邻近距离。具体地,首先确定从电动汽车的当前位置到达该当前邻近充电桩时的路线,然后,根据该路线所对应的实时交通信息和/或道路属性信息确定修正系数。例如,若交通拥堵,或道路中上坡较多、转弯较多、红绿灯较多等,则需要将修正系数设置为0-1之间的小数,以便在实际距离的基础上缩短当前邻近距离的数值。原因在于,若道路情况复杂势必会消耗更多的电量,从而导致实际行驶里程低于预测值。
另外,本领域技术人员也可以采用其他方式确定上述的当前邻近距离。例如,也可以预先通过机器学习的方式建立用于测算当前邻近距离的模型,模型的输入与上述多种因素有关,从而能够更加精准地预测当前邻近距离。
子步骤S223:判断剩余行驶里程与当前邻近距离之间的差值是否小于预设当前邻近阈值,若是,执行子步骤S224,若否,执行子步骤S225。
其中,预设当前邻近阈值主要用于使剩余行驶里程预留出余量,防止因行程中的意外因素而导致电动汽车无法到达充电桩。相应地,预设当前邻近阈值的设定也结合剩余行驶里程和/或当前邻近距离的测算误差确定,当算法误差越大时,该预设当前邻近阈值可设置的越大;当算法误差越小时,该预设当前邻近阈值可设置的越小。例如,在本实施例中可将预设当前邻近阈值设置为15公里。假设剩余行驶里程为30公里,当前邻近距离为20公里,二者之间的差值为10,小于预设当前邻近阈值为15,因此,为了防止电动汽车电量耗尽,应尽快充电并执行子步骤S224,否则,说明电动汽车的剩余行驶里程远大于当前邻近距离,因此,电动汽车不必尽快充电,可继续行驶。
子步骤S224:直接确定电动汽车符合预设充电条件。
具体地,当电动汽车的剩余行驶里程与当前邻近阈值之间的差值较小时,一旦电动汽车错失该当前邻近充电桩,则可能导致电动汽车电量耗尽,因此,确定该电动汽车符合预设充电条件,应尽快前往充电桩充电。
子步骤S225:根据电动汽车的行驶方向以及充电桩分布信息,确定与电动汽车的前方位置相对应的前方邻近充电桩;计算电动汽车的当前位置与前方邻近充电桩之间的前方邻近距离;当剩余行驶里程与前方邻近距离之间的差值小于预设前方邻近阈值时,确定电动汽车符合预设充电条件。
具体地,当电动汽车的剩余行驶里程与当前邻近阈值之间的差值较大时,说明电动汽车不必立即充电,可继续行驶。但是,考虑到充电桩位置分布稀疏,因此,为了防止因前方较远距离内没有充电桩而导致电动汽车电量减少后无法及时充电的问题发生,本实施例进一步根据前方充电桩的分布情况预判电动汽车现在是否应就近充电。
下面详细介绍子步骤S225的具体实现方式:
首先,根据电动汽车的行驶方向以及充电桩分布信息,确定与电动汽车的前方位置相对应的前方邻近充电桩。
假设电动汽车的当前位置为位置A,且距离位置A方圆1公里的范围内设置有当前邻近充电桩,由于电动汽车的电量尚充足,因此,沿电动汽车的行驶方向,继续搜寻与电动汽车的前方位置相对应的前方邻近充电桩。该前方邻近充电桩是指:电动汽车错失当前邻近充电桩之后,将在后续行程中遇到的下一个邻近的充电桩。假设沿电动汽车的行驶方向确定的下一个邻近充电桩位于距离电动汽车的前方位置B方圆2公里的范围内。而电动汽车的前方位置B与位置A之间相距较远,即:前方邻近充电桩与当前邻近充电桩相距较远。此时,需要预先估算电动汽车的当前位置与该前方邻近充电桩之间的前方邻近距离,以便提前判断电动汽车的电量能够维持至该前方邻近充电桩,若否,则说明电动汽车不能错失当前邻近充电桩,应尽快充电。
具体地,计算电动汽车的当前位置与前方邻近充电桩之间的前方邻近距离的实现方式与计算电动汽车的当前位置与当前邻近充电桩之间的当前邻近距离的实现方式类似:根据环境地图获取电动汽车的当前位置与前方邻近充电桩之间的实际距离;根据环境地图确定前方邻近充电桩对应的实时交通信息和/或道路属性信息;根据实时交通信息和/或道路属性信息确定修正系数,通过修正系数对电动汽车的当前位置与前方邻近充电桩之间的实际距离进行修正,得到电动汽车的当前位置与前方邻近充电桩之间的当前邻近距离。
另外,本领域技术人员也可以采用其他方式确定上述的前方邻近距离。例如,也可以预先通过机器学习的方式建立用于测算前方邻近距离的模型,模型的输入与上述多种因素有关,从而能够更加精准地预测前方邻近距离。
总之,通过步骤S220能够实时判断电动汽车当前是否需要充电,不仅考虑了较近的充电桩的位置分布情况,还考虑了错失较近的充电桩之后的下一个充电桩的位置分布情况,因而能够有效防止电动汽车电量耗尽未及时充电的问题。无需用户关注电动汽车的剩余电量以及周围充电桩的分布情况,直接由电动汽车自动实现智能预判的效果。
步骤S230:当确定电动汽车符合预设充电条件后,根据环境地图以及预设的能耗模型,分别计算电动汽车行驶至各个充电桩时的预计耗电量。
具体地,当判断出电动汽车需要充电时,需要从附近的多个充电桩中选择目标充电桩进行充电。具体实施时,可以直接从附近的多个充电桩中选择一个距离最近的充电桩作为目标充电桩。但是,考虑到可能会同时存在多个距离相近的充电桩,此时,由于耗电情况与多种因素有关,若仅考虑距离这一单一因素可能不够准确。为此,需要根据预设的能耗模型,计算电动汽车行驶至附近的各个充电桩时的预计耗电量,具体计算时,除考虑距离因素之外,还需要考虑道路信息、交通状况等各类能够影响耗电量的因素,从而准确估算汽车到达各个充电桩的预计耗电量、行驶里程、行驶时间等,并据此确定目标充电桩。
下面介绍本步骤的一种具体实现方式:分别针对每个与电动汽车的当前位置相对应的当前邻近充电桩,根据环境地图确定该当前邻近充电桩对应的实时交通信息和/或道路属性信息;将根据实时交通信息和/或道路属性信息确定的输入参数输入步骤S200中设置的能耗模型,根据能耗模型的输出结果计算电动汽车行驶至该充电桩时的预计耗电量。其中,实时交通信息包括:拥堵系数、和/或交通管制信息;道路属性信息包括:上坡属性信息、下坡属性信息、坡度指数信息、急转弯属性信息、和/或红绿灯属性信息等。其中,关于实时交通信息和/或道路属性信息的具体确定方式可参照上文相关部分的描述,此处不再赘述。总之,本实施例在选择充电桩时,充分考虑了电动汽车行驶至目标充电桩时的交通情况、道路情况,因而能够准确估算电动汽车可到达的充电桩,避免了单纯考虑距离时由于道路复杂而致使耗电量增加并导致电动汽车无法到达目标充电桩的情况发生,提高了用户体验。
步骤S240:根据预计耗电量以及剩余电量确定目标充电桩,将电动汽车导航至该目标充电桩进行充电。
具体地,在确定目标充电桩时,可以按照耗电最低、耗时最低、距离最短等多种规则进行规则,既可由系统默认各种规则间的先后顺序,也可由用户预先设定各种规则的优先级。并且,既可以由系统直接选定一个充电桩作为目标充电桩,也可以由系统选出多个充电桩,并分别显示行驶至各个充电桩时所需的预计耗电量、行驶里程、行驶时间等信息,以供用户从中选择一个目标充电桩。
另外,为了进一步提升用户体验,在本步骤中,在根据预计耗电量以及剩余电量确定目标充电桩之后,还可以进一步通过预设的预约入口向目标充电桩发送预约充电请求,以实现针对目标充电桩的预约,从而缩减充电时的等待时间。
并且,在完成充电之后,可通过车牌识别的方式自动完成支付。例如,车主预先将车牌信息与个人支付账号绑定,相应地,当检测到充电完成后,自动实现支付,由此实现了用户的无感知充电过程。
综上可知,本实施例中的方案,为用户提供了一体化充电服务,充电过程全程无需用户操作,大大提升了智能性及可靠性。并且,由于本实施例能够在电动汽车的行驶过程中动态地持续判断电动汽车的剩余电量是否足以到达附近充电桩,并且还能够根据前方充电桩的分布情况进行预判,因而能够在汽车的行驶过程中提供可靠的充电提示服务,有效避免了电量耗尽的问题。而且,本实施例在选择充电桩时,综合考虑了道路的上下坡、转弯等多种属性信息,因而能够更加合理的确定目标充电桩,避免了用户无法到达目标充电桩的问题。
图4示出了根据本发明实施例的一种电子设备的结构示意图。如图4所示,该装置包括:检测模块401、确定模块402、计算模块403、充电模块405。其中,
检测模块401,适于检测电动汽车的剩余电量,根据环境地图确定充电桩分布信息;
确定模块402,适于根据所述剩余电量以及所述充电桩分布信息确定所述电动汽车是否符合预设充电条件;
计算模块403,适于若是,根据所述环境地图以及预设的能耗模型,分别计算所述电动汽车行驶至各个充电桩时的预计耗电量;
充电模块405,适于根据所述预计耗电量以及所述剩余电量确定目标充电桩,将所述电动汽车导航至所述目标充电桩进行充电。
可选地,所述确定模块402具体适于:
确定与所述剩余电量相对应的剩余行驶里程;
根据所述充电桩分布信息确定与所述电动汽车的当前位置相对应的当前邻近充电桩,计算所述电动汽车的当前位置与所述当前邻近充电桩之间的当前邻近距离;
当所述剩余行驶里程与所述当前邻近距离之间的差值小于预设当前邻近阈值时,确定所述电动汽车符合预设充电条件;
当所述剩余行驶里程与所述当前邻近距离之间的差值不小于预设当前邻近阈值时,根据所述电动汽车的行驶方向以及所述充电桩分布信息,确定与所述电动汽车的前方位置相对应的前方邻近充电桩;计算所述电动汽车的当前位置与所述前方邻近充电桩之间的前方邻近距离;当所述剩余行驶里程与所述前方邻近距离之间的差值小于预设前方邻近阈值时,确定所述电动汽车符合预设充电条件。
可选地,所述确定模块402具体适于:
根据所述环境地图获取所述电动汽车的当前位置与所述当前邻近充电桩之间的实际距离;
根据所述环境地图确定所述当前邻近充电桩对应的实时交通信息和/或道路属性信息;
根据所述实时交通信息和/或道路属性信息确定修正系数,通过所述修正系数对所述电动汽车的当前位置与所述当前邻近充电桩之间的实际距离进行修正,得到所述电动汽车的当前位置与所述当前邻近充电桩之间的当前邻近距离;和/或,
根据所述环境地图获取所述电动汽车的当前位置与所述前方邻近充电桩之间的实际距离;
根据所述环境地图确定所述前方邻近充电桩对应的实时交通信息和/或道路属性信息;
根据所述实时交通信息和/或道路属性信息确定修正系数,通过所述修正系数对所述电动汽车的当前位置与所述前方邻近充电桩之间的实际距离进行修正,得到所述电动汽车的当前位置与所述前方邻近充电桩之间的当前邻近距离。
可选地,所述计算模块403具体适于:
分别针对每个与所述电动汽车的当前位置相对应的当前邻近充电桩,根据所述环境地图确定该当前邻近充电桩对应的实时交通信息和/或道路属性信息;
将根据所述实时交通信息和/或道路属性信息确定的输入参数输入所述能耗模型,根据能耗模型的输出结果计算电动汽车行驶至该充电桩时的预计耗电量。
可选地,所述实时交通信息包括:拥堵系数、和/或交通管制信息;所述道路属性信息包括:上坡属性信息、下坡属性信息、坡度指数信息、急转弯属性信息、和/或红绿灯属性信息。
可选地,所述装置还包括:发送模块404,适于通过预设的预约入口向所述目标充电桩发送预约充电请求,以实现针对所述目标充电桩的预约。
其中,上述各个模块的具体工作原理可参照方法实施例中相应步骤的描述,此处不再赘述。
如图5所示,该电子设备可以包括:处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中:
处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502,用于执行程序510,具体可以执行上述机器人的碰撞处理方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作:
检测电动汽车的剩余电量,根据环境地图确定充电桩分布信息;
根据所述剩余电量以及所述充电桩分布信息确定所述电动汽车是否符合预设充电条件;
若是,根据所述环境地图以及预设的能耗模型,分别计算所述电动汽车行驶至各个充电桩时的预计耗电量;
根据所述预计耗电量以及所述剩余电量确定目标充电桩,将所述电动汽车导航至所述目标充电桩进行充电。
在一种可选的方式中,程序510具体可以进一步用于使得处理器502执行以下操作:所述根据所述剩余电量以及所述充电桩分布信息确定所述电动汽车是否符合预设充电条件的步骤具体包括:
确定与所述剩余电量相对应的剩余行驶里程;
根据所述充电桩分布信息确定与所述电动汽车的当前位置相对应的当前邻近充电桩,计算所述电动汽车的当前位置与所述当前邻近充电桩之间的当前邻近距离;
当所述剩余行驶里程与所述当前邻近距离之间的差值小于预设当前邻近阈值时,确定所述电动汽车符合预设充电条件;
当所述剩余行驶里程与所述当前邻近距离之间的差值不小于预设当前邻近阈值时,根据所述电动汽车的行驶方向以及所述充电桩分布信息,确定与所述电动汽车的前方位置相对应的前方邻近充电桩;计算所述电动汽车的当前位置与所述前方邻近充电桩之间的前方邻近距离;当所述剩余行驶里程与所述前方邻近距离之间的差值小于预设前方邻近阈值时,确定所述电动汽车符合预设充电条件。
在一种可选的方式中,程序510具体可以进一步用于使得处理器502执行以下操作:所述计算所述电动汽车的当前位置与所述当前邻近充电桩之间的当前邻近距离的步骤具体包括:
根据所述环境地图获取所述电动汽车的当前位置与所述当前邻近充电桩之间的实际距离;
根据所述环境地图确定所述当前邻近充电桩对应的实时交通信息和/或道路属性信息;
根据所述实时交通信息和/或道路属性信息确定修正系数,通过所述修正系数对所述电动汽车的当前位置与所述当前邻近充电桩之间的实际距离进行修正,得到所述电动汽车的当前位置与所述当前邻近充电桩之间的当前邻近距离;和/或,
所述计算所述电动汽车的当前位置与所述前方邻近充电桩之间的前方邻近距离的步骤具体包括:
根据所述环境地图获取所述电动汽车的当前位置与所述前方邻近充电桩之间的实际距离;
根据所述环境地图确定所述前方邻近充电桩对应的实时交通信息和/或道路属性信息;
根据所述实时交通信息和/或道路属性信息确定修正系数,通过所述修正系数对所述电动汽车的当前位置与所述前方邻近充电桩之间的实际距离进行修正,得到所述电动汽车的当前位置与所述前方邻近充电桩之间的当前邻近距离。
在一种可选的方式中,程序510具体可以进一步用于使得处理器502执行以下操作:所述根据所述环境地图以及预设的能耗模型,分别计算所述电动汽车行驶至各个充电桩时的预计耗电量的步骤具体包括:
分别针对每个与所述电动汽车的当前位置相对应的当前邻近充电桩,根据所述环境地图确定该当前邻近充电桩对应的实时交通信息和/或道路属性信息;
将根据所述实时交通信息和/或道路属性信息确定的输入参数输入所述能耗模型,根据能耗模型的输出结果计算电动汽车行驶至该充电桩时的预计耗电量。
在一种可选的方式中,程序510具体可以进一步用于使得处理器502执行以下操作:所述实时交通信息包括:拥堵系数、和/或交通管制信息;所述道路属性信息包括:上坡属性信息、下坡属性信息、坡度指数信息、急转弯属性信息、和/或红绿灯属性信息。
在一种可选的方式中,程序510具体可以进一步用于使得处理器502执行以下操作:所述将所述电动汽车导航至所述目标充电桩进行充电的步骤之前,进一步包括:
通过预设的预约入口向所述目标充电桩发送预约充电请求,以实现针对所述目标充电桩的预约。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的电动汽车的充电装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。