CN107818377A - 基于云计算平台的车辆全局优化控制方法、系统、车辆和云计算平台 - Google Patents
基于云计算平台的车辆全局优化控制方法、系统、车辆和云计算平台 Download PDFInfo
- Publication number
- CN107818377A CN107818377A CN201610819521.9A CN201610819521A CN107818377A CN 107818377 A CN107818377 A CN 107818377A CN 201610819521 A CN201610819521 A CN 201610819521A CN 107818377 A CN107818377 A CN 107818377A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- mrow
- cloud computing
- computing platform
- global optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Abstract
本发明涉及基于云计算平台的车辆全局优化控制方法、系统、车辆和云计算平台，尤其涉及一种提出基于云计算平台的车辆全局优化控制方法，所述方法包括：将车辆的目的地信息请求发送到云计算平台，以建立云计算平台与该车辆之间的通信；将车辆的当前位置、车型信息、实际载荷发送到云计算平台；云计算平台基于从车辆获得的信息得到用于该车辆的优化控制轨迹。
Description
技术领域
本发明涉及一种基于云计算平台的车辆全局优化控制方法，用于基于云计算平台和大数据计算获得用于车辆的优化控制轨迹。本发明还涉及一种相应的基于云计算平台的车辆全局优化控制系统，一种根据基于云计算平台的车辆全局优化控制方法来获得优化控制轨迹并且根据该优化控制轨迹控制其驾驶的车辆和一种根据基于云计算平台的车辆全局优化控制方法为向其发出目的地请求的车辆提供优化控制轨迹的云计算平台。
背景技术
自动驾驶和驾驶辅助相关的技术在汽车的驾驶体验和安全性方面都具有越来越重要的意义。尤其是在电动车和混合动力车的情况下，驾驶路线受到续航能力的制约，而后者又与充电程度、电池性能、载荷及未来路况等因素相关。已知的是，可以根据特定行驶状况下获悉的车辆行驶特征曲线，通常为速度-时间曲线，再结合车辆当前状态、如SOC(荷电状态)来进行全局优化计算并给出建议路线。
在此对行驶工况做简要介绍，其本为测试不同发动机性能差异的测试程序。为了测试不同路况下的、不同车型的发动机性能而设计了各种行驶工况。2009年4月8日，法规规定的标准行驶工况包括例如美国的市内测功机测试工况﹙UDDSHDV﹚，它主要模拟重型汽油机在市内区域进行运行工况的操作，运行长度为1060s，怠速为33％，而中均速度为30.4Km/h，并用于燃油蒸发排放测试；纽约城市运行工况﹙NYCC﹚代表了市内区域道路的大型车辆的运行工况；欧洲的包含了市内道路行驶工况、市郊道路行驶工况和高速行驶工况在内的HYZEM瞬间行驶工况等等。为了获悉其它有意义的参数，例如排放，还存在诸如美国环保局﹙EPA﹚发布的“认证车辆排放测试程序﹙FTP)”的关乎环保的行驶工况。除了法规规定的行驶工况之外也可以根据需要自定义非标准行驶工况。除了按标准与非标准区分，也可以根据其内容、数据采集方法等进行分类。
现有的基于全局优化算法获得的车辆能量管理、控制策略在实际应用过程中存在很多问题。
首先，其一般采用有限的路况样本数，并且将特定行驶工况标准得出的状态参数纳入计算，而随着实际交通状况的改变，优化结果的可信性降低。
另外，现有的全局优化策略的车辆对当前路况的判断和未来路况的预测都是基于自身传感器采集的信息。致使其对当前路况的判断不够全面因此可能不准确，还致使其对未来路况进行预测的时间窗口不能太长，即只能预测未来很短的路程。可以预见，基于“本车已知路况”的全局优化结果并不能很好的应用。
再者，现有的全局优化策略中未全面考虑诸如车辆实时载荷、路况坡度、车型特点、针对路段或具体车型的法律法规等的因素。
综上可见，现有的全局优化策略不能适用于全程自动驾驶。
发明内容
本发明的任务是提出基于云计算平台的车辆全局优化控制方法，所述方法包括：将车辆的目的地信息请求发送到云计算平台，以建立云计算平台与该车辆之间的通信；将车辆的当前位置、车型信息、实际载荷发送到云计算平台；云计算平台基于从车辆获得的信息得到用于该车辆的优化控制轨迹，包括：
通过与车辆制造商通信或者检索车辆的存储器，由云计算平台获得与车型信息对应的整车模型；根据实际载荷调整整车模型的参数，以获得匹配于实际载荷的整车模型；根据车辆的当前位置和目的地信息确定候选行驶路线，对候选行驶路线预测路况并根据路况确定结果行驶路线；根据结果行驶路线、匹配于实际载荷的整车模型和结果行驶路线的预测路况在云计算平台的云存储器中搜索匹配的、所存储的优化控制轨迹，在搜索到匹配的优化控制轨迹的条件下将其作为优化控制轨迹提供给车辆；在未搜索到匹配的优化控制轨迹的条件下：对结果行驶路线的预测路况进行工况分类处理，将得出的行驶工况发送到整车模型以通过整车模型得出包括能耗信息的车辆状态参数，将车辆状态参数用于优化控制轨迹的全局优化计算，将算出的优化控制轨迹提供给车辆。
在本发明的一个优选实施例中，在将目的地信息发送到云计算平台之后，在车辆按照优化控制轨迹驾驶到达目的地之前，实时将车辆的3D行驶轨迹发送到云计算平台以检验3D行驶轨迹与优化控制轨迹的偏差。在本发明的一个优选实施例中，3D行驶轨迹包括所驶过的多个历史路段，每个历史路段的路况，如拥堵情况、坡度、行驶阻力、交通法规的特殊规定等，在每个历史路段中该车辆的瞬时速度、加速度、扭矩、油耗、排放和SOC(荷电状态)等。
在本发明的一个优选实施例中，云计算平台根据所述目的地信息和车辆的当前位置预选多个候选行驶路线，对每个可能的行驶路线如上所述地预测路况。其中，在预选多个候选行驶路线时，云计算平台还考虑交通法规对特殊车辆的通行限制和临时交通管制等因素。其中，该多个可能的行驶路线中可以包括根据车辆提供的历史行驶轨迹或者云计算平台的云存储器所存储的该车辆相关信息中得出的习惯行驶路线或者偏好行驶路线。在本发明的一个优选实施例中，车辆除了目的地之外还可以将希望的途经地点发送到云计算平台，云计算平台在预选候选行驶路线时会将这些途经地点计入。这些途经地点的发送时间可以与目的地同时，也可以在其之后，即，云计算平台可以及时调整行驶路线。如若行驶路线被调整，云计算平台可以首先在其存储器中搜索其针对调整后行驶路线已经进行过的路况预测，并且在搜索成功的情况下直接调用搜索到的路况预测；在云计算平台尚未针对调整后行驶路线进行过路况预测的情况下，云计算平台重新针对该调整后行驶路线预测未来路况。该云计算平台还可以根据所预测的路况筛选出结果行驶路线。
在本发明的一个优选实施例中，其特征在于，根据从候选行驶路线的预测路况中得出的行驶时间、停车次数和驾驶难度确定结果行驶路线。
在本发明的一个优选实施例中，其特征在于，借助3D地图实时数据和候选行驶路线的历史行车信息预测路况。由此克服了目前的行车实践中，即使带有自动驾驶功能的车辆也只能依据自身传感器数据预测未来路况，进而可预测的时间窗口较小的缺陷。
在本发明的一个优选实施例中，在预测路况时考虑车辆的自带传感器采集的路况数据，以进一步提高路况预测的精度。该自身传感器数据向云计算平台的上传可以是实时的，用于对运输计算平台所预测的路况进行及时精调和更新。还可以考虑车辆周边的车辆的行驶状态、历史行车信息和候选行驶路线。在本发明的一个优选实施例中，在由云计算平台提供优化控制轨迹这一服务在长时间范围中广泛应用的情况下，云计算平台与道路上行驶的大多数车辆有合作关系，进而存储有或者可调用其历史行车信息，并且可以实时采集其位置和速度等参数。于是，如果车辆将目的地请求发送到云计算平台，则云计算平台实时采集该车辆前方、后方的车辆行驶状态、历史行车信息和地图信息等等，从而为更加准确地确定所述车辆的当前及未来的路况做好准备。
在本发明的一个优选实施例中，云计算平台在预测路况时还考虑诸如临时交通管制、天气等临时性因素和早晚高峰、学校上学放学时间、医院高峰就医时间等惯常性因素。
在本发明的一个优选实施例中，将结果行驶路线的预测路况划分成路况区段，对于各路况区段分别求出行驶工况。在本发明的一个优选实施例中，云计算平台根据所预测的路况确定行驶工况类别，并且云计算平台是按照这些所确定的行驶工况类别对行驶轨迹进行行驶工况分类处理的。例如，云计算平台将所预测的路况离散化成多个路况区段，根据每个路况区段的特点，云计算平台选择对该路况区段合适的行驶工况。在一般的实践中，每个路况区段的实际行驶工况都是多个标准工况的组合，这些标准工况例如为低速巡航、高速巡航、低速急加速、中速超车等。如果标准工况不能满足对实际行驶工况的描述，也可以采用自定义工况或自定义工况与标准工况的组合。在该情况下，云计算平台可以将自定义工况存储到该云计算平台的标准工况库中，以不断丰富标准工况库。
在本发明的一个优选实施例中，在求出各个路况区段的行驶工况之后，云计算平台根据从当前位置到目的地的总行程的总的期望行驶时间来求出与各个路况区段的行驶工况对应的适中的行车速度和加速度作为车辆状态参数，其可以以速度-时间曲线的形式被提供。在本发明的一个优选实施例中，所述车辆状态参数还包括荷电状态。云计算模块将与行驶工况对应的行车速度和加速度输入由OEM提供的整车模型，其中，在接下来使用该整车模型进行接下来的计算的过程中，云计算平台根据车辆的实时载荷不断修改该整车模型的相关参数，以将该整车模型适配于车辆的实际载荷状况。适配后的整车模型根据所输入速度-时间曲线来算出对于该路况区段的需求功率和动力源转速，并将其输出、尤其输出至云计算平台的大数据模块以作为随后的全局优化算法的参数。云计算平台可以根据需求功率和动力源转速得出需求转矩。在车辆具有两个以上动力源、尤其两个动力源的情况下，云计算平台还根据所需精度将需求转矩网格化，即划分成N(N为大于2的自然数)份，并且以遍历该N份在动力源之间所有划分可能性的方式输出扭矩划分序列给整车模型。整车模型随即输出(尤其输出至云计算平台的大数据模块)与该扭矩划分序列中每个划分对应的能耗信息以用于随后的全局优化算法。
在考虑SOC作为状态参数的情况下，通过使如下成本函数最小化来获得最优的控制轨迹。
其中，J为总成本，N为时间段总数，fuel(k)为第k时间段的燃油消耗，NOx(k)、PM(k)为氮氧化物和颗粒物的排放量，SOC(N)为计算终点(即k＝N时)的荷电状态，SOCf为期望的荷电状态SOC的终值，μ、ν、α为各项影响因素相应的加权因子，L(x(k),u(k))表示燃油消耗和排放，G(x(N))表示SOC的变化影响。
在本发明的一个优选实施例中，求解控制轨迹包括：先计算出车辆的电池SOC的可行域，然后在满足SOC平衡约束的条件下，计算控制轨迹。
在本发明的一个优选实施例中，云计算平台基于大数据计算技术对多个车辆进行全局优化计算，以批量求解最优的控制轨迹。特别是，在同时处理多个车辆的目的地请求的条件下，云计算平台基于并行地处理该多个目的地请求，并且在处理每个个别目的地请求时考虑其它的请求，以力求不仅有效率地实现每个个别的目的地请求，也使得该多个目的地请求在总体上的有关于能耗、排放、时间等的效率提高。当然，批量求解目的地请求也能够充分利用云计算平台的计算性能，提高响应的速度。
在本发明的一个优选实施例中，云计算平台在一次路况预测中为多个车辆预测路况，即在针对每个车辆的路况预测中都考虑其它车辆的请求；并且云计算平台在一次全局优化计算中为多个车辆计算优化控制轨迹，即在对每个车辆的优化控制轨迹求解中都考虑对其它车辆的控制轨迹的影响。
在本发明的一个优选实施例中，利用如下成本函数进行全局优化计算：
其中，J为总成本，M为参与一次全局优化计算的车辆总数，C(i)为第i个车辆的成本，k为时间段编号，N为时间段总数，E(k)为第k个时间段中第i个车辆的能耗，D(k)为第k个时间段中第i个车辆距目的地的直线距离缩短，是第k个时间段中第i个车辆的当前规划控制轨迹对对所有车辆造成的控制轨迹改变之总和，j代表车辆的编号，v、u、a分别是加权系数。
在本发明的一个优选实施例中，所预测的路况中包括坡度信息，将坡度信息用于求出行驶工况。现有的路口预测中往往缺乏坡度信息，而需求扭矩取决于坡度信息，进而所需功率和能耗信息取决于坡度信息。本发明在路口预测中尤其考虑坡度信息对能耗的影响，以进一步提高对车辆的控制轨迹的优化程度。
在本发明的一个优选实施例中，云计算平台将从所求出优化控制轨迹中导出的驾驶命令与该优化控制轨迹一起发送给车辆，或者车辆自身从所接收的优化控制轨迹中导出驾驶命令。具体地，云计算平台在多目标数学规划和最小值原理的框架下求出针对车辆的优化控制轨迹，将该优化控制轨迹换算为包括例如速度、加速度、转向角等具体行驶指令，将这些具体行驶指令发送给相应的车辆以用于自动、半自动或人工驾驶。或者，云计算平台仅将优化控制轨迹本身发送到车辆，由各个车辆利用自身的计算设备分散式地将优化控制轨迹换算为包括例如速度、加速度、转向角等具体行驶指令，将这些具体行驶指令发送给相应的车辆以用于自动、半自动或人工驾驶。将优化控制轨迹到具体驾驶指令的换算分配给车辆自带的计算设备是适应于该自带计算设备的计算性能的，不会影响正常驾驶或车内电子设备的正常使用，并且如此可以减轻云计算平台的计算负荷，提高优化控制轨迹的计算效率以及减少出错率。其中，优化控制轨迹包括行驶路线，与行驶路线上的每个行驶路线点对应的速度、加速度和转向角。或者，优化控制轨迹包括时间曲线，和与时间曲线对应的速度、加速度和转向角。或者，包括行驶路线，与行驶路线上的每个行驶路线点对应的时间点、速度、加速度和转向角。
在本发明的一个优选实施例中，将求出的优化控制轨迹存储到云计算平台的存储器和/或车辆存储器上。在优化控制轨迹被存储到云计算平台的存储器上的情况下，云计算平台预测出路况后，根据从行驶工况分类处理中得出的车辆状态参数和适配于实际载荷的整车模型，在自身的存储器中搜索与车辆当前位置、请求目的地、车辆状态参数、整车模型相匹配的优化控制轨迹。在搜索到匹配的优化控制轨迹的条件下，云计算平台直接将该搜索到的优化控制轨迹直接或换算为驾驶指令后发送到车辆。这样做显然避免了重复计算，尤其在例如车辆的请求路线为习惯路线、如上下班路线时，极大提高了效率和降低了计算时的出错概率。在优化控制轨迹仅存储到车辆存储器上的情况下，云计算平台预测出路况后，根据从行驶工况分类处理中得出的车辆状态参数和适配于实际载荷的整车模型，向车辆发送搜索请求，由车辆自带的计算设备对车辆子带的存储器进行检索，在搜索到匹配的优化控制轨迹的条件下，车辆可以自行从中导出驾驶指令以用于该车辆至请求目的地的驾驶。在将优化控制轨迹存储到车辆自带的存储器上的情况下节省了云计算平台的存储空间和检索资源，进一步提高了响应的效率和降低了检索时的出错概率。
在本发明的一个优选实施例中，车辆与云计算平台通过4G或5G网络进行数据传输。该数据传输可以包括从车辆向云计算平台发送请求目的地、自身传感器数据、途经地点数据等，以及从云计算平台向车辆发送优化控制轨迹、驾驶指令、搜索请求等。在其它的优选实施例中，车辆与云计算平台也可以通过本领域技术人员认为合理的任何其它传输途经进行通信。例如例如当前或未来的无线通信网络，例如第三代合作伙伴计划(3GPP)、全球移动通信系统、改进的GSM数据速率(EDGE)、GSM无线接入网络(GERAN)、通用陆地无线接入网(UTRAN)或进化的UTRAN(E-UTRAN)、长期演进技术(LTE)或先进LTE(LTE-A)、或具有不同标准的移动通讯系统，例如全球互通微波访问(WIMAX)IEEE802.16或无线局域网络(WLAN)IEEE802.11，基于时分多址(TDMA)、频分多址(FDMA)、正交频分多址(OFDMA)、码分多址(CDMA)的任何系统。
在本发明的一个实施例中，通过车辆的唯一标识码从车辆制造商获得与车型信息对应的整车模型。
本发明还提出了一种基于云计算平台的车辆全局优化控制系统，所述系统包括：车辆，车辆具有车辆通信接口，车辆将目的地信息是经由车辆通信接口发送到云计算平台的，以建立云计算平台与该车辆之间的通信，车辆还将当前位置、车型信息、实际载荷是经由车辆通信接口发送到云计算平台的；云计算平台，云计算平台具有：云通信接口，经由云通信接口，云计算平台与车辆制造商通信或者检索车辆的存储器以获得与车型信息对应的整车模型；整车模型模块，整车模型模块从云通信接口获取整车模型，根据实际载荷调整整车模型的参数，以获得匹配于实际载荷的整车模型；大数据模块，用于根据车辆的当前位置的所述目的地信息确定候选行驶路线，对候选行驶路线预测路况并根据路况确定结果行驶路线；匹配模块，根据结果行驶路线、匹配于实际载荷的整车模型和结果行驶路线的预测路况在云计算平台的云存储器中搜索匹配的、所存储的优化控制轨迹，其中，在搜索到匹配的优化控制轨迹的条件下匹配模块将其作为优化控制轨迹提供给车辆；行驶工况分类处理模块，在匹配模块未搜索到匹配的优化控制轨迹的条件下，行驶工况分类处理模块对结果行驶路线的预测路况进行工况分类处理，将得出的行驶工况发送到整车模型以通过整车模型得出包括能耗信息的车辆状态参数，将车辆状态参数发送到大数据模块，其中，大数据模块将车辆状态参数用于优化控制轨迹的全局优化计算，将算出的优化控制轨迹提供给车辆。
根据本发明基于云计算平台的车辆全局优化控制系统执行根据本发明的车辆全局优化控制方法。因此，对于根据本发明的车辆全局优化控制方法描述过的所有优选实施例都可以由根据本发明的车辆全局优化控制系统实现。
在上文中对于根据本发明的车辆全局优化控制方法阐述过的技术效果和优点也可以转用于根据本发明的车辆全局优化控制系统，反之亦然。
本发明还提出了一种车辆，其用根据本发明的基于云计算平台的车辆全局优化控制方法来获得优化控制轨迹并且根据该优化控制轨迹控制其驾驶。
本发明还提出了一种云计算平台，其用根据本发明的基于云计算平台的车辆全局优化控制方法为向其发出目的地请求的车辆提供优化控制轨迹。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。
图1示意性地示出了根据本发明的一个实施例的基于云计算平台的车辆全局优化控制方法的基本原理；
图2示出了图1所示原理的具体方法步骤的流程示意图；
图3示出了用于在电池SOC可行域的范围内计算优化控制轨迹的方法的流程示意图；
图4是根据图2所示方法步骤得出的电池SOC可行域的示意图；
图5示意性地示出了根据本发明的一个实施例的基于云计算平台的车辆全局优化控制系统的框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不必然表示数量限制。“包括”或者“包含”等类似的词语意指出现该词前面的元件或物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
图1示意性地示出了根据本发明的一个实施例的基于云计算平台的车辆全局优化控制方法的基本原理。迄今，具有驾驶辅助系统(Driver Assistance System)或者自动驾驶系统(Auto Driving System)的车辆主要依赖于自身传感器采集的路况数据，结合卫星导航地图来确定驾驶路线，由于被采集的样本少，即只有本车数据，而且自带传感器采集到的数据量受到时间空间局限，所以可预测路况的时间窗口窄，进而实际上无法实现自动驾驶。
在本发明中，车辆通过其车辆通信接口向云计算平台的云通信接口发送目的地请求以获取由云计算平台提供的、足以满足自动驾驶需求的优化控制轨迹。这种发出请求的车辆被称作车辆。随目的地发送到云计算平台的还有车辆的车型信息、车辆的当前位置、实际载荷状态和以3D坐标轨迹为形式的历史行车数据。
响应于目的地请求和车型信息的接收，云计算平台通过其云通信接口向该车型的OEM请求整车模型，并通过云通信接口接收该整车模型。
云计算平台的大数据模块根据车辆的当前位置和所述目的地信息预选出多个候选行驶路线，在进行预选时，大数据模块计入经验因素和临时因素作为条件，其中经验因素包括例如早晚高峰易拥堵路段、特定路段或时段对特定车辆类型的通行限制等，临时因素包括临时交通管制、天气原因造成的特定路段行车困难、交通事故等。在车辆网普及的情况下，云计算平台还可以临时采集或调用车辆的驾驶员或乘客的诸如驾驶经验、驾驶水平、驾驶偏好、路线偏好等个性化信息，以预选更适合该车辆的候选行驶路线。
接下来，由云计算平台的大数据模块根据3D实施地图针对所预选的多个候选行驶路线进行路况预测。根据路况预测，大数据模块从多个候选行驶路线中选出结果行驶路线。
接下来大数据模块将预测的路况传输给云计算平台的行驶工况计算模块，后者针对各个候选行驶路线，按照预测路况对每个候选行驶路线进行行驶工况分类处理。具体地，行驶工况计算模块根据预测路况将每个候选行驶路线划分为多个路况区段，在针对每个路况区段选择行驶工况。在云计算平台的标准工况库中的标准行驶工况不足以描述该路况区段时，行驶工况计算模块可以自定义行驶工况，并且使用该自定义行驶工况或者自定义行驶工况与标准工况的组合作为行驶工况。行驶工况计算模块还将自定义行驶工况存储到标准工况库中以不断丰富其。
另一方面，从OEM处获取的整车模型根据车辆的实际载荷修改其参数，以匹配于该车辆。
行驶工况计算模块将所得出的行驶工况以状态参数的形式，例如速度-时间曲线或速度-加速度-时间曲线的形式传送给匹配后的整车模型。整车模型根据该行驶工况算出需求功率和动力源转速并发送到大数据模块。
大数据模块根据需求功率和动力源转速计算出所需的扭矩。在整车模型仅具有一个动力源的情况下，大数据模块将扭矩发送到整车模型，由整车模型算出能耗信息并发回至大数据模块。在整车模型具有多于一个动力源的情况下，大数据模块将扭矩划分序列发送到整车模型，整车模型算出与扭矩划分序列对应的能耗信息序列并发回至大数据模块。
大数据模块在多目标数学规划和最小值原理的框架下进行全局优化计算，最后算出与最优行驶路线对应的优化控制轨迹。之后，大数据模块将优化控制轨迹换算为驾驶指令后发送到车辆以实现自动驾驶，或者大数据模块将优化控制轨迹直接发送到车辆，由车辆利用其自带的计算设备将所接收的优化控制轨迹换算为驾驶指令以实现自动驾驶。
在根据优化控制轨迹进行自动驾驶中，也即在到达所述目的地信息之前，车辆实时将3D行驶轨迹发送到云计算平台，由大数据模块将其与优化控制轨迹相比较，在偏离优化控制轨迹的情况下，大数据模块经通过云通信接口向车辆发送警告连同示出偏离情况的文字和/或图形提示。在连续检测到较大偏离的情况下，大数据模块还可以将警告信息发送到车联网控制中心以及交通管理部门的移动通信设备或者服务器。
图2示出了图1所示原理的具体方法步骤的流程图。在方法步骤101中，车辆将目的地请求通过该车辆的车辆通信接口发送到云计算平台，云计算平台通过其云通信接口接收该目的地请求。在方法步骤102中，车辆发送其该车辆的车型信息、当前位置和实际载荷至云计算平台。或者，由云计算平台响应于该目的地请求从该车辆采集到该车辆的车型信息、当前位置、实际载荷和3D行驶轨迹。云计算平台：
在方法步骤103中，云计算平台根据所接收的车型信息从OEM处获取与车型对应的整车模型。整车模型在云计算平台上根据车辆的实际载荷修改其参数，以匹配于该车辆的实际状态。
在方法步骤104中，由云计算平台的大数据模块根据3D实时地图预测路况。在预测路况之前，大数据模块已经根据车辆的当前位置和目的地信息预选出了多个候选行驶路线。这些候选行驶路线中例如包括车辆用户的习惯行驶路线，以及根据车辆发送的途经地点或避开地点设置的特别行驶路线。预测路况指的是，分别针对该多个候选行驶路线预测路况。在预测路况之后，大数据模块已经可以根据路况预测情况对该多个候选行驶路线进行筛选，例如，含有特别拥堵路段、交通事故路段等的行驶路线可以被抛弃，最后根据下式确定出具有结果行驶路线：
K(i)＝α·Z(i)+β·S(i)+δ·SW(i),i＝1,...,n (3)
其中，K(i)代表第i条候选行驶路线的成本，Z(i)是第i条候选行驶路线的预计行驶时间，S(i)是第i条候选行驶路线的预计停车次数，SW(i)是第i条候选行驶路线的驾驶难度，α、β和δ是根据每个车辆向云计算平台提供的或者云计算平台存储的该车辆的驾驶偏好所确定的加权系数。将各个候选行驶路线的成本K(i)相比较，选出成本最小的作为结果行驶路线。
除了3D实时地图外，大数据模块还可以利用车辆自带传感器采集的周边路况信息来作为路况预测的输入参数。在一个优选实施例中，云计算平台被广泛使用的情况下，云计算平台可以响应于所述目的地请求实时采集该车辆前方、后方的车辆行驶状态、历史行车信息和地图信息等等，用于更加准确地预测车辆的未来路况。
在方法步骤105中，云计算平台通过其匹配模块根据结果行驶路线、所输出的行驶工况、匹配于车辆的实际载荷的整车模型搜索云计算平台的云存储器，并且判断是否搜索得到匹配的、曾算出并存储过的优化控制轨迹。如果有，在方法步骤106中将该存储的优化控制轨迹确定为优化控制轨迹。如果没有，在方法步骤107中起动优化控制轨迹计算。
具体地，大数据模块将预测路况发送到云计算平台的行驶工况计算模块，由其对预测路况进行行驶工况分类处理。具体地，针对结果行驶路线的预测路况，行驶工况计算模块将其划分为路况区段，并且针对每个路况区段选择合适的行驶工况。其中首先从云计算平台的标准工况库中检索标准工况，一般情况下，每个路况区段的行驶工况是多个标准工况的组合。例如，在路况区段为排放敏感的生活区，考虑美国制定的FTP75行驶工况，再考虑到坡度对油耗进而排放的影响，可以选用美国制定的HWFET－MTN行驶工况。在路况区段为开阔无障碍路段时，考虑美国制定的LA92行驶工况，其具有很高的最高速度和平均速度、较少的怠速运行时间和在单位里程中的停车次数以及更高的最大加速度。在路况区段为典型市内路况时，考虑欧洲制定的HYZEM行驶工况。在标准行驶工况的组合仍不能描述相应的路况区段时，大数据模块可以自定义行驶工况，并且将该自定义行驶工况或者该自定义行驶工况与标准工况的组合用作该路况区段的行驶工况。大数据模块还将该自定义行驶工况存储到云计算平台的标准工况库中。
在得出各个路况区段的行驶工况后，大数据模块将其以速度-时间曲线或者速度-加速度-时间曲线的形式输送给根据车辆的实际载荷匹配过的整车模型。
响应于行驶工况的得出，具体地，整车模型根据行驶工况算出针对当前被处理的候选行驶路线输出需求功率和动力源转速至大数据模块。大数据模块根据需求动率和动力源转速求出需求扭矩。在车辆只有一个动力源的条件下，大数据模块将该需求扭矩发送到整车模型，由整车模型算出对应的能耗信息并发回大数据模块。在车辆具有多于一个动力源的情况下，大数据模块将需求扭矩网格化成多份，以遍历该多于一个动力源间所有扭矩划分比例的方式得出扭矩划分序列，将该扭矩划分序列发送到整车模型，然后由整车模型求出与该扭矩划分序列对应的能耗信息序列并发回大数据模块。可以根据车辆所需的精度和大数据模块的计算性能来决定将扭矩网格化的份数，例如10份或1000份。
接下来，由大数据模块根据能耗信息进行优化控制轨迹计算，其中优化标准包括能耗小。在本发明的一个优选实施例中，在车辆为混合动力车或电动车的条件下，针对每个目的地请求，云计算平台主要将油耗和SOC(即，荷电状态)的变化作为优化的成本函数(如下列公式(2)所示)，通过使成本函数最小化来获得最优的控制轨迹。
其中，J为总成本，N为时间段总数，fuel(k)为第k时间段的燃油消耗，NOx(k)、PM(k)为氮氧化物和颗粒物的排放量，SOC(N)为计算终点(即k＝N时)的荷电状态，SOCf为期望的荷电状态SOC的终值，μ、ν、α为各项影响因素相应的加权因子，L(x(k),u(k))表示燃油消耗和排放，G(x(N))表示SOC的变化影响。
在上述成本公式中考虑了燃油消耗、排放和SOC的变化。特别的，油耗和SOC变化是优化的成本函数中起主导作用的参数。其中，α(SOC(N)-SOCf)2为基于SOC的变化设计的惩罚函数，用于保证SOC平衡，而最优的SOC控制轨迹则是通过使成本函数最小化而获得。
由于SOC惩罚函数项次的存在，当SOC偏离初始值越大时，得到的成本函数值越高；因此，根据上述优化算法得到的轨迹(即，使得成本函数的值最小化)更偏向于选择SOC变化较小的控制轨迹(即SOC惩罚函数的值较低)。
根据上述优化方法可以获得在车辆行驶过程中优化的SOC轨迹，以实现良好的油耗和排放性能。
在替代的实施例中，可以仅将油耗和SOC变化作为成本函数的影响因素，而不考虑氮氧化物和颗粒物的排放量的影响(即删去上述公式中NOx(k)、PM(k)的项次)。因此，对成本函数影响较小的影响因素在计算SOC优化轨迹的过程中不被考虑在内，这能够简化成本函数，并且降低计算SOC优化轨迹的复杂程度，而同时也能够实现较为准确的SOC最优轨迹。
在根据本发明实施例的用于混合动力电动汽车的控制轨迹优化方法中，为了保证SOC的平衡(即，SOCstart(工况起始时刻的SOC)大致等于SOCterminal(工况终止时刻的SOC))，需要采用特定的方法计算出SOC的可行区间，在满足SOC平衡约束的条件下，可以通过根据本发明的能量轨迹优化算法获得最优的控制轨迹。
在同时处理多个车辆的目的地请求的情况下，为了提高响应速度、充分利用大数据模块的计算能力和尤其优化最优行驶轨迹规划的总体效率，大数据模块在计算时还考虑车辆之间的相互影响。具体地，大数据模块利用利用如下成本函数进行全局优化计算：
其中，J为总成本，M为参与一次全局优化计算的车辆总数，C(i)为第i个车辆的成本，k为时间段编号，N为时间段总数，E(k)为第k个时间段中第i个车辆的能耗，D(k)为第k个时间段中第i个车辆距目的地的直线距离缩短，是第k个时间段中第i个车辆的当前规划控制轨迹对对所有车辆造成的控制轨迹改变之总和，j代表车辆的编号，v、u、a分别是加权系数。
在方法步骤108中，由匹配模块将搜索到的优化控制轨迹或者大数据模块将算出的优化控制轨迹发送到车辆，由车辆后续利用自带计算设备将该优化控制轨迹换算为驾驶指令以进行自动或半自动驾驶。替选地，在方法步骤108中，由大数据模块将匹配模块搜索到的优化控制轨迹或者大数据模块算出的优化控制轨迹换算为驾驶指令后发送到车辆。
在车辆按照优化控制轨迹驾驶的过程中，也即在到达目的地之前，其实时将其3D行驶轨迹发送到云计算平台，由云计算平台验证其是否符合优化控制轨迹。在3D行驶轨迹偏离优化控制轨迹的情况下，云计算平台将警报信息发送到车辆，由车辆的信息娱乐系统以声或光信号输出给车辆的驾驶员或乘客。在连续检测到偏离，并且车辆设置为自动驾驶的情况下，云计算平台将警报信息发送到车联网控制中心或交通管理部门的移动终端或服务器。
在车辆按照优化控制轨迹驾驶的过程中，也即在到达目的地之前，云计算平台实时根据3D实时地图的车辆的实时状态信息检验优化控制轨迹，在3D实施地图的变化或者车辆实时状态的变化导致需要修改优化控制轨迹时，云计算平台利用大数据模块对优化控制轨迹进行修改并重新发送到车辆。
图3示出了用于在电池SOC可行域的范围内计算优化控制轨迹的方法的流程示意图。图4是根据图3所示方法步骤得出的电池SOC可行域的示意图。
如图3所示，在步骤S100，在时间维度上对一定时间(可以是一个驾驶循环或者多于一个相同或者不同驾驶循环的组合)内的系统状态进行离散化处理，沿时间方向给出电池SOC的计算网格。具体地，可将整个时间区间沿时间方向划分为N个离散时间轴，并基于诸如SOC轨迹精度要求等参数来确定在纵轴(SOC轴，见图4)的离散度，从而得到整个过程的二维离散状态点分布网格。该离散化处理和网格划分可以用于简化在后续步骤中进行的数值计算。该离散步骤可以如上所述首先完成，也可以在下述计算过程中进行。
在步骤S200，根据已知的驾驶循环，应用车辆数学模型来计算上述预定期间内沿时间方向的动力源需求功率和转速。具体地，在每个单独的离散状态点，根据当前选定的驾驶循环所提供的驾驶信息，诸如车速和加速度，基于车辆数学模型，计算出该车辆要达到预期车速和加速度所需要提供的功率和/或扭矩和转速信息(通常可以理解为功率是扭矩和转速的乘积)。
在步骤S300，根据电机、电池和发动机的约束，分别从系统的初始状态和终止状态出发，获得整个驾驶循环的系统可达边界。
具体地，首先，如步骤301所示，基于从整车模型输出的、车辆要达到预期车速和加速度而所需要提供的功率和/或扭矩和转速等信息，从系统的初始状态(k＝1)出发，根据电机、电池、发动机的约束，得到在图4中示出的电池SOC的可行域到达SOC上下限之前的部分(即，图4中示出的SOC可行域的上行曲线在0-T1时间段和下行曲线在0-T2时间段之间的部分)。
其中电机的约束可以包括电机能够发出的最大、最小功率和/或提供的最大、最小扭矩等；电池的约束可以包括电池单位时间段内的最大放电量和最大充电量(两者之差表示为图4中的ΔSOCmax(k))，以及电池的最大和最小允许的荷电状态(在图4中分别表示为SOCmax和SOCmin，该上限和下限可以是预先设定的，例如，基于电池的有效工作区间或高效工作区间设定，比如电池荷电量的10％～90％，或者20％～80％，等，但是该示例仅作为参考，而非用于限制)；发动机的约束可以包括发动机所能够发出的最大、最小功率和/或能够提供的最大、最小扭矩等，也可以是高效工作区间。当然，也可根据具体的需求或经验而在电池SOC的可行域的具体计算过程中添加其他的约束条件。由于驾驶循环和整车模型都是已知的，可以获得比较确定的电池SOC可行域。
在SOC分别到达其上限或下限(即图4中SOCmax和SOCmin)时，电池达到其预设的或有效工作的荷电量边界值，此时不对电池继续充电或放电，从而限制了电池SOC的可行域的上下限。电池有效工作的荷电量的边界值可根据电池的类型，需求的电池效率和/或使用寿命，以及电池的布置方式等条件来确定。
出于保证SOC平衡的要求，在驾驶循环的末尾(即第N个时间点)处的SOC值需要达到一定的数值SOCterminal(从SOC的上限下降到该数值，或从SOC的下限上升到该数值，该数值例如可以等于或者大致等于SOC初始数值SOCstart)。从SOC上限下降或从SOC下限上升到SOCterminal的过程也受到电机、电池和/或发动机的约束，从而根据所述约束可以得到图4中示出的电池SOC的可行域在从SOC上下限到达SOCterminal的部分(即，图4中示出的SOC可行域的上行曲线在T3-TN时间段和下行曲线在T4-TN时间段之间的部分)。为了便于理解和计算，该部分的SOC可行域可通过沿时间逆方向从终止状态(k＝N)开始，根据电机、电池和/或发动机的约束，以与沿时间轴正方向计算相类似的方式而进行计算，如步骤302所示。也就是说，从初始离散时间点出发，沿时间方向计算从SOC轨迹起点到达SOC上下限之前的可行域部分；从终止离散时间点出发，逆时间方向计算从SOC上下限到达SOC终点之前的可行域部分，得出可行域如图3所示。从图3中也可以看出，这两部分可行域并非对称。但是在替代的实施例中，这两部分也可以是对称的。
在步骤S400，在SOC可达边界范围内，以满足系统约束(即上文所提到的针对电机、电池和发动机的功率/转速/扭矩/SOC等约束)为条件，根据设计的成本函数正向计算，获得整个时间区间的SOC可达状态集R(图3)和油耗矩阵。控制算法根据获得的需求功率，根据划分的SOC网格计算对应的电机、发动机的功率或扭矩以反馈给整车模型从而便于油耗矩阵的计算。具体地，根据在步骤100划分的时间网格，沿时间方向正向遍历每个时间点，以满足系统约束和可行域外边界为限制条件，根据设计的单步成本函数(fuel(k))，获得在每个时间点的SOC的可能状态以及相应的油耗值，从而得到整个时间区间(包括所有时间点)的所有的SOC状态值和相应的油耗值(即，得到SOC可达状态矩阵R和油耗矩阵F)。SOC状态值沿时间方向遍历的所有可能点在图4中以SOC可行域中的多个点示意性地示出。
在步骤S500，通过递归调用的方式，从终止状态逆推至初始状态，完成遍历寻优过程，获得使油耗最小的能量分配轨迹(控制轨迹，图4)。具体地，在计算过程中，从终止状态k＝N时刻起依次向前计算，即计算k＝N-1，k＝N-2，直至k＝1的每一时刻的油耗值，并进行累积，从而获得每个状态到达终止状态的累积油耗，通过找到累积油耗的最小值，规划出使得整个驾驶循环油耗最小的轨迹，并且确定轨迹中每个点对应的坐标。该坐标可以指向与该状态点对应的信息，包括：SOC状态值、燃油消耗、基于车辆模型计算的电机和发动机分别对应的扭矩和功率等信息。
在步骤S600，将算出的优化控制轨迹输出并存储到车载的或远程的数据存储模块中，以用于后续的使用。
图5示意性地示出了根据本发明的一个实施例的基于云计算平台的车辆全局优化控制系统的框图。其中，该系统包括车辆和与车辆通信的云计算平台500。车辆将目的地请求发送至云计算平台500，云计算平台500经由云通信接口501接收该目的地请求。连同目的地请求一起发送或者在其后车辆将当前为、车型信息、实际载荷和包括3D坐标的行驶轨迹上传至云计算平台500的云通信接口501。云计算平台500响应于对车型信息的接收通过云通信接口与车辆制造商通信并且获得与车型信息对应的整车模型并输入至整车模型模块502。整车模型模块502根据车辆的实际载荷调整整车模型的参数。大数据模块503根据车辆当前位置和请求目的地多个候选行驶路线，然后对该多个候选行驶路线预测路况。在预测路况后，大数据模块503筛选出在行驶时间、停车次数和驾驶难度方面总成本最小的候选行驶路线作为结果行驶路线，并且将对应于结果行驶路线的预测路况发送到匹配模块504。匹配模块504根据结果行驶路线、匹配于实际载荷的整车模型、预测路况在云计算平台的云存储器505中进行搜索，在搜索到匹配的、存储的优化控制轨迹的情况下，如图5左边所示，直接将该优化控制轨迹发送到云通信接口501。云通信接口501响应于对优化控制轨迹的接收将该优化控制轨迹发送给车辆。在未搜索到匹配的、存储的优化控制轨迹的情况下，如图5右边所示，匹配模块504将该搜索结果通知大数据模块503，大数据模块503将结果行驶路线的预测路况发送到行驶工况计算模块506。行驶工况计算模块506将路况分成多个路况区段后分别计算出各路况区段的行驶工况。在计算出所有路况区段的行驶工况后将结果行驶路线的行驶工况以速度-时间-曲线或者速度-加速度-时间曲线的形式发送到整车模型模块502。整车模型模块502随即算出需求功率和动力源转速并且将其发送到大数据模块503。大数据模块503根据需求功率和动力源转速算出需求转矩，并且将需求转矩网格化成多份，以遍历该多份子需求转矩在车辆的动力源之间所有划分比例的方式形成转矩序列，并且将该转矩序列发回给整车模型模块502以由整车模型模块502算出与转矩序列对应的能耗信息序列。然后整车模型模块502将能耗信息序列发送到大数据模块503以由后者计算出优化控制轨迹。在算出优化控制轨迹后，大数据模块503将其存储到云存储器505中并且将其发送到云通信接口501。云通信接口501响应于对优化控制轨迹的接收将该优化控制轨迹发送给车辆。在一个替选方案中，大数据模块502将算出的优化控制轨迹换算成驾驶指令后发送到云通信接口501，云通信接口501响应于对驾驶指令的接收将该驾驶指令发送给车辆。
以上所述仅是本发明的示范性实施方式，而非用于限制本发明的保护范围，本发明的保护范围由所附的权利要求确定。
Claims (20)
1.一种基于云计算平台的车辆全局优化控制方法，
其特征在于，所述方法包括：
将车辆的目的地信息发送到云计算平台，以建立云计算平台与该车辆之间的通信；
将车辆的当前位置、车型信息、实际载荷发送到云计算平台；
云计算平台基于从车辆获得的信息得到用于该车辆的优化控制轨迹，包括：
通过与车辆制造商通信或者检索车辆的存储器，由云计算平台获得与车型信息对应的整车模型；
根据实际载荷调整整车模型的参数，以获得匹配于实际载荷的整车模型；
根据车辆的当前位置和目的地信息确定候选行驶路线，对候选行驶路线预测路况并根据路况确定结果行驶路线；
根据结果行驶路线、匹配于实际载荷的整车模型和结果行驶路线的预测路况在云计算平台的云存储器中搜索匹配的、所存储的优化控制轨迹，
在搜索到匹配的优化控制轨迹的条件下将其作为优化控制轨迹提供给车辆；
在未搜索到匹配的优化控制轨迹的条件下：
对结果行驶路线的预测路况进行工况分类处理，将得出的行驶工况输入整车模型以通过整车模型得出包括能耗信息的车辆状态参数，将车辆状态参数用于优化控制轨迹的全局优化计算，将算出的优化控制轨迹提供给车辆。
2.根据权利要求1所述的车辆全局优化控制方法，其特征在于，在将目的地信息发送到云计算平台之后，在车辆按照优化控制轨迹驾驶到达目的地之前，实时将车辆的3D行驶轨迹发送到云计算平台以检验3D行驶轨迹与优化控制轨迹的偏差。
3.根据权利要求1所述的车辆全局优化控制方法，其特征在于，根据从候选行驶路线的预测路况中得出的行驶时间、停车次数和驾驶难度确定结果行驶路线。
4.根据权利要求1所述的车辆全局优化控制方法，其特征在于，借助3D地图实时数据和候选行驶路线的历史行车信息预测路况。
5.根据权利要求1所述的车辆全局优化控制方法，其特征在于，在预测路况时考虑车辆的自带传感器采集的路况数据，和/或考虑车辆周边的车辆的行驶状态、历史行车信息和候选行驶路线。
6.根据权利要求1所述的车辆全局优化控制方法，其特征在于，将结果行驶路线的预测路况划分成路况区段，对于各路况区段分别求出行驶工况。
7.根据权利要求1所述的车辆全局优化控制方法，其特征在于，所述车辆状态参数还包括荷电状态。
8.根据权利要求7所述的车辆全局优化控制方法，其特征在于，通过使如下成本函数最小化来获得最优的控制轨迹：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>J</mi>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>&lsqb;</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>,</mo>
<mi>u</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>+</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>(</mo>
<mi>N</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>&lsqb;</mo>
<mi>f</mi>
<mi>u</mi>
<mi>e</mi>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&mu;</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>NO</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>v</mi>
<mo>&CenterDot;</mo>
<mi>P</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>+</mo>
<mi>&alpha;</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mi>O</mi>
<mi>C</mi>
<mo>(</mo>
<mi>N</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>SOC</mi>
<mi>f</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，J为总成本，N为时间段总数，fuel(k)为第k时间段的燃油消耗，NOx(k)、PM(k)为氮氧化物和颗粒物的排放量，SOC(N)为计算终点的荷电状态，SOCf为期望的荷电状态SOC的终值，μ、ν、α为各项影响因素相应的加权因子，L(x(k),u(k))表示燃油消耗和排放，G(x(N))表示SOC的变化影响。
9.根据权利要求8所述的车辆全局优化控制方法，其特征在于，求解控制轨迹包括：先计算出车辆的电池SOC的可行域，然后在满足SOC平衡约束的条件下，计算控制轨迹。
10.根据权利要求1所述的车辆全局优化控制方法，其特征在于，基于大数据计算技术对多个车辆进行全局优化计算，以批量求解最优的控制轨迹，并且在对每个车辆的优化控制轨迹求解中都考虑对其它车辆的控制轨迹的影响，尤其利用如下成本函数进行全局优化计算：
<mrow>
<mi>J</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>&lsqb;</mo>
<mi>v</mi>
<mo>&CenterDot;</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>u</mi>
<mo>&CenterDot;</mo>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>V</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>...</mo>
<mi>M</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>...</mo>
<mi>M</mi>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
</mrow>
其中，J为总成本，M为参与一次全局优化计算的车辆总数，C(i)为第i个车辆的成本，k为时间段编号，N为时间段总数，E(k)为第k个时间段中第i个车辆的能耗，D(k)为第k个时间段中第i个车辆距目的地的直线距离缩短，是第k个时间段中第i个车辆的当前规划控制轨迹对对所有车辆造成的控制轨迹改变之总和，j代表车辆的编号，v、u、a分别是加权系数。
11.根据权利要求1所述的车辆全局优化控制方法，其特征在于，所预测的路况中包括坡度信息，将坡度信息用于求出行驶工况。
12.根据权利要求1所述的车辆全局优化控制方法，其特征在于，为求出包括能耗信息的车辆状态参数，
根据行驶工况从整车模型求出需求功率和动力源转速，
根据能耗信息和动力源转速求出需求转矩，
将需求扭矩网格化成多份，以遍历车辆动力源间所有扭矩划分比例的方式得出扭矩划分序列，并且将该扭矩划分序列发送到整车模型，以及
借助整车模型求出与该扭矩划分序列对应的能耗信息序列来作为所述状态参数。
13.根据权利要求1所述的车辆全局优化控制方法，其特征在于，将优化控制轨迹提供给车辆包括从优化控制轨迹中导出驾驶命令发送给车辆，或者直接将优化控制轨迹发送给车辆。
14.根据权利要求1所述的车辆全局优化控制方法，其特征在于，将优化控制轨迹存储到云计算平台的云存储器和/或车辆的车辆存储器上。
15.根据权利要求1所述的车辆全局优化控制方法，其特征在于，车辆与云计算平台通过4G或5G网络进行数据传输。
16.根据权利要求1所述的车辆全局优化控制方法，其特征在于，通过车辆的唯一标识码从车辆制造商获得与车型信息对应的整车模型。
17.一种基于云计算平台的车辆全局优化控制系统，
其特征在于，所述系统包括：
车辆，车辆具有车辆通信接口，车辆将目的地信息经由车辆通信接口发送到云计算平台，以建立云计算平台与该车辆之间的通信，车辆还将其当前位置、车型信息、实际载荷经由车辆通信接口发送到云计算平台；
云计算平台，云计算平台具有：
云通信接口，经由云通信接口，云计算平台与车辆制造商通信或者检索车辆的存储器，以获得与车型信息对应的整车模型；
整车模型模块，整车模型模块从云通信接口获取整车模型，根据实际载荷调整整车模型的参数，以获得匹配于实际载荷的整车模型；
大数据模块，用于根据车辆的当前位置和目的地信息确定候选行驶路线，对候选行驶路线预测路况并根据路况确定结果行驶路线；
匹配模块，根据结果行驶路线、匹配于实际载荷的整车模型和结果行驶路线的预测路况在云计算平台的云存储器中搜索匹配的、所存储的优化控制轨迹，
其中，在搜索到匹配的优化控制轨迹的条件下匹配模块将其作为优化控制轨迹提供给车辆；
行驶工况分类处理模块，在匹配模块未搜索到匹配的优化控制轨迹的条件下，行驶工况分类处理模块对结果行驶路线的预测路况进行工况分类处理，将得出的行驶工况发送到整车模型以通过整车模型得出包括能耗信息的车辆状态参数，将车辆状态参数发送到大数据模块，其中，大数据模块将车辆状态参数用于优化控制轨迹的全局优化计算，将算出的优化控制轨迹提供给车辆。
18.根据权利要求17所述的车辆全局优化控制系统，其特征在于，所述车辆全局优化控制系统构建为用于实施根据权利要求1至16中任一项所述的车辆全局优化控制方法。
19.一种车辆，其根据权利要求1至16中任一项所述的基于云计算平台的车辆全局优化控制方法来获得优化控制轨迹并且根据该优化控制轨迹控制其驾驶。
20.一种云计算平台，其根据权利要求1至16中任一项所述的基于云计算平台的车辆全局优化控制方法为向其发出目的地请求的车辆提供优化控制轨迹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610819521.9A CN107818377A (zh) | 2016-09-12 | 2016-09-12 | 基于云计算平台的车辆全局优化控制方法、系统、车辆和云计算平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610819521.9A CN107818377A (zh) | 2016-09-12 | 2016-09-12 | 基于云计算平台的车辆全局优化控制方法、系统、车辆和云计算平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107818377A true CN107818377A (zh) | 2018-03-20 |
Family
ID=61600566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610819521.9A Withdrawn CN107818377A (zh) | 2016-09-12 | 2016-09-12 | 基于云计算平台的车辆全局优化控制方法、系统、车辆和云计算平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107818377A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108875998A (zh) * | 2018-04-20 | 2018-11-23 | 北京智行者科技有限公司 | 一种自动驾驶车辆规划方法和系统 |
| CN109523062A (zh) * | 2018-10-23 | 2019-03-26 | 重庆扬升信息技术有限公司 | 一种基于海量共享交换平台数据环境下的手持移动端路径优化方法 |
| CN109729164A (zh) * | 2018-12-28 | 2019-05-07 | 国汽(北京)智能网联汽车研究院有限公司 | 智能网联汽车计算平台车端与云端运算等级分配方法 |
| CN110053626A (zh) * | 2019-05-10 | 2019-07-26 | 深圳市元征科技股份有限公司 | 一种车辆控制方法及相关装置 |
| TWI667582B (zh) * | 2018-06-20 | 2019-08-01 | 創星物聯科技股份有限公司 | 基於大數據的行駛路線分析系統及其分析方法 |
| CN110395245A (zh) * | 2019-07-25 | 2019-11-01 | 西华大学 | 一种基于固定路线驾驶信息的混动汽车能量管理系统 |
| CN110852482A (zh) * | 2019-10-15 | 2020-02-28 | 江苏大学 | 一种燃料电池公交车实时全局优化智能控制系统及方法 |
| CN111176121A (zh) * | 2020-02-06 | 2020-05-19 | 山东大学 | 一种基于云平台的整车控制器优化系统及方法 |
| CN111460885A (zh) * | 2020-02-21 | 2020-07-28 | 中国电子技术标准化研究院 | 一种基于汽车计算平台的信息监测方法 |
| CN112319473A (zh) * | 2020-11-19 | 2021-02-05 | 清华大学苏州汽车研究院（吴江） | 带环境自适应能力的自动驾驶车辆纵向控制方法及系统 |
| CN112686444A (zh) * | 2020-12-29 | 2021-04-20 | 北京中交兴路信息科技有限公司 | 基于相似车辆行驶特征数据的货车路线规划方法及装置 |
| CN113177742A (zh) * | 2021-05-29 | 2021-07-27 | 苏州智能交通信息科技股份有限公司 | 基于智能交通的公交服务方法、系统、终端及存储介质 |
| CN114399125A (zh) * | 2022-03-24 | 2022-04-26 | 清华大学 | 车队最优轨迹控制方法、装置、电子设备及存储介质 |
| CN115246410A (zh) * | 2021-07-29 | 2022-10-28 | 上海仙途智能科技有限公司 | 参数更新方法、装置、设备及计算机可读存储介质 |
| CN116167687A (zh) * | 2023-04-25 | 2023-05-26 | 成都运荔枝科技有限公司 | 一种冷链系统智能调度方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102712318A (zh) * | 2010-01-15 | 2012-10-03 | 丰田自动车株式会社 | 车辆控制装置 |
| US20120284791A1 (en) * | 2011-05-06 | 2012-11-08 | The Penn State Research Foundation | Robust anomaly detection and regularized domain adaptation of classifiers with application to internet packet-flows |
| CN102901550A (zh) * | 2012-11-15 | 2013-01-30 | 陕西电器研究所 | 一种实现车载动态称重的方法 |
| CN103900598A (zh) * | 2012-12-28 | 2014-07-02 | 日电（中国）有限公司 | 车辆路径规划方法及装置 |
| CN103914985A (zh) * | 2014-04-25 | 2014-07-09 | 大连理工大学 | 一种混合动力客车未来车速轨迹预测方法 |
| US20160109251A1 (en) * | 2014-10-16 | 2016-04-21 | Aayush Thakur | Route optimization system and methods of use thereof |
-
2016
- 2016-09-12 CN CN201610819521.9A patent/CN107818377A/zh not_active Withdrawn
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102712318A (zh) * | 2010-01-15 | 2012-10-03 | 丰田自动车株式会社 | 车辆控制装置 |
| US20120284791A1 (en) * | 2011-05-06 | 2012-11-08 | The Penn State Research Foundation | Robust anomaly detection and regularized domain adaptation of classifiers with application to internet packet-flows |
| CN102901550A (zh) * | 2012-11-15 | 2013-01-30 | 陕西电器研究所 | 一种实现车载动态称重的方法 |
| CN103900598A (zh) * | 2012-12-28 | 2014-07-02 | 日电（中国）有限公司 | 车辆路径规划方法及装置 |
| CN103914985A (zh) * | 2014-04-25 | 2014-07-09 | 大连理工大学 | 一种混合动力客车未来车速轨迹预测方法 |
| US20160109251A1 (en) * | 2014-10-16 | 2016-04-21 | Aayush Thakur | Route optimization system and methods of use thereof |
Non-Patent Citations (1)
| Title |
|---|
| 崔淑梅 等: "基于电气变速器的混合动力汽车", 《电工技术学报》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108875998A (zh) * | 2018-04-20 | 2018-11-23 | 北京智行者科技有限公司 | 一种自动驾驶车辆规划方法和系统 |
| TWI667582B (zh) * | 2018-06-20 | 2019-08-01 | 創星物聯科技股份有限公司 | 基於大數據的行駛路線分析系統及其分析方法 |
| CN109523062A (zh) * | 2018-10-23 | 2019-03-26 | 重庆扬升信息技术有限公司 | 一种基于海量共享交换平台数据环境下的手持移动端路径优化方法 |
| CN109523062B (zh) * | 2018-10-23 | 2021-04-30 | 重庆扬升信息技术有限公司 | 一种基于海量共享交换平台数据环境下的手持移动端路径优化方法 |
| CN109729164A (zh) * | 2018-12-28 | 2019-05-07 | 国汽(北京)智能网联汽车研究院有限公司 | 智能网联汽车计算平台车端与云端运算等级分配方法 |
| CN110053626A (zh) * | 2019-05-10 | 2019-07-26 | 深圳市元征科技股份有限公司 | 一种车辆控制方法及相关装置 |
| CN110053626B (zh) * | 2019-05-10 | 2021-07-06 | 深圳市元征科技股份有限公司 | 一种车辆控制方法及相关装置 |
| CN110395245A (zh) * | 2019-07-25 | 2019-11-01 | 西华大学 | 一种基于固定路线驾驶信息的混动汽车能量管理系统 |
| WO2021073036A1 (zh) * | 2019-10-15 | 2021-04-22 | 江苏大学 | 一种燃料电池公交车实时全局优化智能控制系统及方法 |
| CN110852482A (zh) * | 2019-10-15 | 2020-02-28 | 江苏大学 | 一种燃料电池公交车实时全局优化智能控制系统及方法 |
| CN111176121A (zh) * | 2020-02-06 | 2020-05-19 | 山东大学 | 一种基于云平台的整车控制器优化系统及方法 |
| CN111460885B (zh) * | 2020-02-21 | 2022-01-11 | 中国电子技术标准化研究院 | 一种基于汽车计算平台的信息监测方法 |
| CN111460885A (zh) * | 2020-02-21 | 2020-07-28 | 中国电子技术标准化研究院 | 一种基于汽车计算平台的信息监测方法 |
| CN112319473A (zh) * | 2020-11-19 | 2021-02-05 | 清华大学苏州汽车研究院（吴江） | 带环境自适应能力的自动驾驶车辆纵向控制方法及系统 |
| CN112686444A (zh) * | 2020-12-29 | 2021-04-20 | 北京中交兴路信息科技有限公司 | 基于相似车辆行驶特征数据的货车路线规划方法及装置 |
| CN112686444B (zh) * | 2020-12-29 | 2024-02-09 | 北京中交兴路信息科技有限公司 | 基于相似车辆行驶特征数据的货车路线规划方法及装置 |
| CN113177742A (zh) * | 2021-05-29 | 2021-07-27 | 苏州智能交通信息科技股份有限公司 | 基于智能交通的公交服务方法、系统、终端及存储介质 |
| CN115246410A (zh) * | 2021-07-29 | 2022-10-28 | 上海仙途智能科技有限公司 | 参数更新方法、装置、设备及计算机可读存储介质 |
| WO2023005156A1 (zh) * | 2021-07-29 | 2023-02-02 | 上海仙途智能科技有限公司 | 参数更新 |
| CN114399125A (zh) * | 2022-03-24 | 2022-04-26 | 清华大学 | 车队最优轨迹控制方法、装置、电子设备及存储介质 |
| CN116167687A (zh) * | 2023-04-25 | 2023-05-26 | 成都运荔枝科技有限公司 | 一种冷链系统智能调度方法 |
| CN116167687B (zh) * | 2023-04-25 | 2023-06-27 | 成都运荔枝科技有限公司 | 一种冷链系统智能调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107818377A (zh) | 基于云计算平台的车辆全局优化控制方法、系统、车辆和云计算平台 | |
| US11597296B2 (en) | Systems and methods for optimizing travel time using route information | |
| Zhang et al. | Energy management strategies of connected HEVs and PHEVs: Recent progress and outlook | |
| CN107782327B (zh) | 能量最优的车辆路线选择 | |
| CN110126841B (zh) | 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法 | |
| CN107351840B (zh) | 一种基于v2i的汽车节能路径及经济车速动态规划方法 | |
| CN105946857B (zh) | 基于智能交通系统的并联phev能量管理方法 | |
| CN103575285B (zh) | 路径搜索装置 | |
| CN104677374B (zh) | 多模式路线规划 | |
| CN102439396B (zh) | 电力驱动式车辆 | |
| CN111452794B (zh) | 一种确定能耗的方法及装置和确定驾驶策略的方法及装置 | |
| CN103292820B (zh) | 向用户提供移动体的精确续航范围的设备和方法 | |
| Fotouhi et al. | A review on the applications of driving data and traffic information for vehicles׳ energy conservation | |
| CN104867348B (zh) | 行驶支持设备、行驶支持方法和驱动支持系统 | |
| US11325468B2 (en) | Vehicle power management system | |
| CN105636850B (zh) | 移动支持设备、移动支持方法和驱动支持系统 | |
| US11390165B2 (en) | Electric vehicle power management system | |
| CN106525058A (zh) | 一种车辆组队出行导航方法及装置 | |
| US11267338B2 (en) | Electric vehicle power management system | |
| CN108871362A (zh) | 一种汽车动态环保出行路径规划方法 | |
| CN112950128A (zh) | 一种基于大数据融合的智能物流运输系统及方法 | |
| US11370302B2 (en) | Electric vehicle power management system | |
| CN110139789A (zh) | 用于优化混合动力车辆的能量消耗的方法 | |
| Tielert et al. | Can V2X communication help electric vehicles save energy? | |
| CN106427635A (zh) | 一种电动汽车 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 511400 9, Nansha District Beach Road, Guangzhou, Guangdong, 9 Applicant after: Evergrande Faraday Future Smart Car (Guangdong) Co.,Ltd. Address before: 511400 9, Nansha District Beach Road, Guangzhou, Guangdong, 9 Applicant before: Rui Chi Intelligent Automobile (Guangzhou) Co.,Ltd. Address after: 100026 8 floor 909, 105 building 3, Yao Yuan Road, Chaoyang District, Beijing. Applicant after: Lexus Automobile (Beijing) Co.,Ltd. Address before: 100026 8 floor 909, 105 building 3, Yao Yuan Road, Chaoyang District, Beijing. Applicant before: FARADAY (BEIJING) NETWORK TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20181113 Address after: 511400 9, Nansha District Beach Road, Guangzhou, Guangdong, 9 Applicant after: Rui Chi Intelligent Automobile (Guangzhou) Co.,Ltd. Address before: 100026 8 floor 909, 105 building 3, Yao Yuan Road, Chaoyang District, Beijing. Applicant before: Lexus Automobile (Beijing) Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190318 Address after: 100015 Building No. 7, 74, Jiuxianqiao North Road, Chaoyang District, Beijing, 001 Applicant after: FAFA Automobile (China) Co.,Ltd. Address before: 511400 9, Nansha District Beach Road, Guangzhou, Guangdong, 9 Applicant before: Evergrande Faraday Future Smart Car (Guangdong) Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180320 |
|
| WW01 | Invention patent application withdrawn after publication |