CN108549037B - 一种基于并行神经网络的无人驾驶车辆电源预测方法及系统 - Google Patents
一种基于并行神经网络的无人驾驶车辆电源预测方法及系统 Download PDFInfo
- Publication number
- CN108549037B CN108549037B CN201810444260.6A CN201810444260A CN108549037B CN 108549037 B CN108549037 B CN 108549037B CN 201810444260 A CN201810444260 A CN 201810444260A CN 108549037 B CN108549037 B CN 108549037B
- Authority
- CN
- China
- Prior art keywords
- value
- vehicle
- ponding
- road
- neural network
- 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.)
- Active
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于并行神经网络的无人驾驶车辆电源预测方法及系统,该方法采用力敏传感器测量车身的降雨阻力,并用连续协方差融合算法进行数据融合;利用Kinect摄像头进行图像采集并用Sobel算子进行处理,得到的积水检测图像简洁明了,检测精度较高;利用三部分神经网络对无人驾驶车辆在极端暴雨环境下的电量进行实时预测,一部分是对降雨阻力和积水阻力的数据进行处理,得出暴雨环境下车辆耗电率的增加值,一部分是对道路坡道损耗功率和电池温度的传递数据进行处理,得出车辆在正常天气下行驶的耗电率。将暴雨环境下的变量与正常天气下的变量分开计算,提高了数据处理速度,进而提高了系统的实时性。
Description
技术领域
本发明属于智能监测领域,特别涉及一种基于并行神经网络的无人驾驶车辆电源预测方法及系统。
背景技术
随着科技的快速发展,无人驾驶车辆技术的研发越来越受到人们的重视。但是现在的无人车辆还不能完全代替现有车辆,究其缘由,其受到的限制方面还有很多。其中最重要的一点就是无人车辆电池电量的控制,如何保证无人车辆可以正确的掌控实时电量,是一切车载无人驾驶技术实现的基础。
就现有的技术条件来说,电池电量的计算方法一般为SOC估测算法,该方法计算的实时性差,而且没法考虑环境变化对无人驾驶车辆耗电情况造成的影响。因此,现在无人驾驶车辆如何准确实时的估算在极端环境下的车辆电量情况,是现在无人驾驶技术所面临的一个技术难题,迄今为止没有公开的有效技术。
发明内容
本发明提供了一种基于并行神经网络的无人驾驶车辆电源预测方法及系统,该方法能在下雨天时,实时检测到外界环境对无人车辆耗电的影响情况,并将测得的变化量反馈到电池估算系统中,以正确估算出在雨天道路环境中无人车辆电池的实时电量。考虑雨天时的环境变化,和正常情况下相比,主要增加情况就是雨水打击到车体造成的阻力、车体行驶过积水路段的阻力,同时为了让估算结果更加精确,道路坡度和温度情况应也在我们系统的计算范围内。
一种基于并行神经网络的无人驾驶车辆电源预测方法,包括以下步骤:
步骤1:获取暴雨环境下的无人驾驶车辆历史行驶数据;
所述历史行驶数据包括各时刻的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度以及第一耗电率、第二耗电率、剩余电量;
其中,所述第一耗电率在暴雨环境下采集的值减去第二耗电率,所述第二耗电率在相同道路上行驶时,在无雨情况下采集获得;
步骤2:构建基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型;
以所述历史行驶数据中各指定时间间隔T内的降雨阻力、道路积水阻力作为第一并行小波神经网络的输入数据,第一耗电率作为第一并行小波神经网络的输出数据;
以所述历史行驶数据中各指定时间间隔T内的道路坡道损耗功率、车载电池温度作为第二并行小波神经网络的输入数据,第二耗电率作为第二并行小波神经网络的输出数据;
对两个并行小波神经网络进行训练,并以两个并行小波神经网络的输出结果求和,获得基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型;
所述两个并行小波神经网络的输入层节点个数为4,隐含层小波元个数为8,输出层节点个数为1,隐含层小波神经元采用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1000,训练学习率为0.1,阈值为0.00004;
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;
以所述历史行驶过程中的t时刻的耗电率和对应的剩余电量作为输入数据,t+T时刻的剩余电量作为输出数据,对BP神经网络模型进行训练,获得基于BP神经网络的无人驾驶车辆剩余电量预测模型;
所述BP神经网络输入层包含3个节点,输出层节点个数为1,训练过程中的最大迭代次数设置为500,训练学习率为0.2;
步骤4:利用当前时间在指定时间间隔T时间内获得的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度输入基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型,获得当前时间在指定时间间隔T时间内的电池耗电率,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神经网络的无人驾驶车辆剩余电量预测模型,获得经过指定时间间隔T时的剩余电量;
其中,所述降雨阻力是指通过设置在车身不同表面的力敏传感器网络进行实时测量,将每个车身表面的所有力敏传感器的测量数据进行连续协方差融合处理获得,以每个表面的降雨阻力形成的降雨阻力向量;
所述道路积水阻力是利用图像采集装置获取路面图像,并对路面图像进行灰度处理以判断前方路面是否有积水,如果无积水则输出预设的道路积水阻力值;如果有积水则利用道路两旁的红外测量仪采集的积水数量、长度和深度信息计算道路积水阻力;
所述道路坡道损耗功率是利用安装在车底的水平仪采集的车身偏角信息、车辆行驶速度以及车重计算获得。
并行神经网络的优点在于将暴雨环境下的变量与正常天气下的变量分开计算,提高了数据处理速度,进而提高了系统的实时性,且该方法在正常环境下也可以使用于无人车辆的电量拟合。
输入基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型的降雨阻力,是各车身表面的降雨阻力形成的降雨阻力向量;
进一步地,每个车身表面设置至少两个力敏传感器,以每个力敏传感器在指定时间间隔T内各采样时刻采集的测量值形成的向量作为观测值,结合观测矩阵和预测噪声矩阵,构建每个力敏传感器的卡尔曼估计方程,获得每个力敏传感器的降雨力估计值以及估计值的协方差;采用两两协方差连续融合的方式,以最小融合协方差为标准建立最优方程,得到融合系数;再利用融合系数和协方差估计值进行状态值估计值的两两连续融合,得到车身表面的降雨阻力融合状态值;
以所述融合系数对车身表面的传感器进行融合的过程如下:
其中,表示第i-1步融合得到的融合状态值,和θi-1分别表示第i-1步融合中的融合协方差值和融合系数,和分别表示第i-2步融合得到的融合状态值和融合协方差值,Ppi和Xpi分别表示第i-1步融合时新加入的力敏传感器的协方差估计值和状态估计值,其中,i表示参与融合的传感器数量,取值范围为[1,m],m表示车身表面设置的力敏传感器数量,当i取值为1时,表示参与融合的力敏传感器为随机选取的力敏传感器,且
θi-1表示融合系数,通过建立最优方程的取值为在范围[0,1]之间使得取得最小值时的值;
Ppi的取值为k为最大值的Ppi(k|k)的值,Ppi -1(k|k)表示k时刻时协方差估计值的逆,Hpi(k)表示第i个力敏传感器的观测矩阵,取值为[1 0 0],R(k)表示预测噪声矩阵的协方差,按经验值取1;
Ppi的取值为在采集时间间隔T中最后一个时刻k时Ppi(k|k)的值;
表示第i个力敏传感器基于k-1时刻对k时刻的协方差预测值;
其中,F(·)表示状态转移矩阵,其值为α,β,γ为状态系数,先利用每个力敏传感器连续采集多个数据,代入回归方程后进行拟合获得每个力敏传感器的状态系数,然后对同一车身表面所有力敏传感器对应的状态系数分别求均值获取;
为第i个力敏传感器在k-1时刻的协方差预测值,且 取值为的值,的取值为第i个力敏传感器在初始时刻采集的实测值的协方差;
G(k)是噪声矩阵,按照系统的输入噪声模型取值Q(k)是测量过程中噪声矩阵的协方差,按经验值取1;
Xpi的取值为在采集时间间隔T中最后一个时刻k时Xpi(k)的值:
其中,Hpi(k)表示第i个力敏传感器的观测矩阵,取值为[1 0 0],R(k)表示预测噪声矩阵的协方差,按经验值取1;
Zpi(k)表示第i个力敏传感器在k时刻采集的实测值;
表示第i个传感器的观测预测值,由以下公式计算得到:
进一步地,融合系数θi-1采用黄金分割法或者斐波那契法进行求解获得。
进一步地,所述基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型中的两个并行小波神经网络的权值、阈值和伸缩平移系数均采用水循环算法WCA算法进行优化选择的过程如下:
步骤B1:每个降雨层作为第一并行小波神经网络模型和第二并行小波神经网络模型的权值、阈值和伸缩平移系数,初始化降雨层种群;
设定降雨层种群数量的取值范围为[20,100],海洋数量为1,河流数量的取值范围为[5,30],最大迭代次数的取值范围为[200,1000]、极小值的取值范围为[0.005,0.1];
步骤B2:设定适应度函数;
将降雨层对应的权值、阈值和伸缩平移系数代入基于并行小波神经网络的耗电率预测模型中,并利用降雨层确定的基于并行小波神经网络的耗电率拟合模型计算下一时刻的耗电率,将预测值和实际值的均方差MSE的倒数作为第一适应度函数;
步骤B3:以适应度大的降雨层作为大海,以适应度次小的降雨层作为河流,其余的降雨层作为流入河流或海洋的溪流;
步骤B4:如果溪流解优于河流解,则溪流与河流交换位置,如果河流解优于海洋解,则河流与海洋交换位置;然后使溪流流入河流,使河流汇入海洋;
步骤B5:判断河流解与海洋解之间的差值绝对值是否小于设定的极小值,如果小于,则认为满足降雨条件,从种群中去掉该河流,并重新进行降雨过程,随机生成新的降雨层加入种群,返回步骤B3继续一次迭代,否则,进入步骤B6;
步骤B6:判断是否到达最大迭代次数,若满足则输出最优的降雨层对应的参数,输出基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型的权值、阈值和伸缩平移系数,若不满足则进入步骤B3继续下一次迭代。
进一步地,所述基于BP神经网络的无人驾驶车辆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:
步骤C1: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;
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%];
步骤C2: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;
将量子粒子个体位置向量对应的权值和阈值代入基于BP神经网络的无人驾驶车辆剩余电量预测模型中,并利用量子粒子个体位置向量确定的基于BP神经网络的无人驾驶车辆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;
步骤C3: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;
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;
步骤C4:判断是否组建精英种群;
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C8,否则转入步骤C5;
步骤C5:更新各种群粒子参数;
步骤C6: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C3;
步骤C7:精英种群继续进化;
步骤C8: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C3,直到找到全局最优值,输出所述BP神经网络的权值和阈值。
进一步地,所述获取道路积水阻力的具体过程如下:
步骤A1:利用车载的Kinect摄像头获取路面积水图像,并将连续采集的三帧路面积水图像进行均值处理,得到均值图像;
步骤A2:采用Sobel微分算子对均值图像进行滤波处理,再对滤波处理后的图像进行二值化阈值处理得到水坑边缘图像,对水坑边缘图像进行膨胀处理,得到水坑处理图像;
若水坑处理图像的像素值为255,则判断前方道路有积水,否则,前方道路无积水;
二值化阈值依据经验值设定;
Sobel微分算子的模板表示如下:
其中,Dx和Dy分别表示x方向上的模板和y方向上的模板,表示滤波后的梯度图像,对梯度图像进行阈值处理。若那么该点的像素值为255,否则为0,得到边缘图像。然后进行膨胀处理,填充边缘内部,输出得到水坑处理图像。
步骤A3:如果无积水信号,则按照车辆在潮湿地面行驶的情况输出道路积水阻力F道路积水:F道路积水=k潮湿·F干燥;
如果有积水信号,则根据车载的GPS信息,搜索车辆坐标范围100~150米内的红外检测仪,利用4G网络调用附近的红外测量仪,利用车上的无线接收器收集前方100~150米距离的道路积水部分的积水信息,依据道路积水信息获取道路积水阻力F道路积水;
F道路积水=k平均·F干燥
其中,k潮湿取0.5,F干燥=Ga·(0.0116+0.000142v),Ga为车重,v为车速,L表示检测区域长度,L积水表示从云端获得的积水长度总和,表示积水区域的穿水系数平均值,L潮湿表示检测区域中无积水的潮湿路段长度,由检测区域长度减去积水长度总和得到,k潮湿表示无积水路面的阻力系数,取0.5;
其中,穿水系数由积水长度和行车速度代入穿水函数k穿(h,v)计算获得,所述穿水函数k穿(h,v)以实际测得的多组车辆在积水中行驶的穿水阻力实测值、车辆行驶速度和穿水长度进行拟合获得,穿水阻力实测值为F实测积水为实际测量得到的积水阻力、F干燥为实际测量得到干燥路面车辆的行驶阻力,F干燥=Ga·(0.0116+0.000142v),穿水长度由设置在路边的红外检测仪直接得到。
进一步地,利用无人驾驶车辆的电子水平仪,感知到车身方向和水平方向的夹角,计算指定间隔时间内无人驾驶车辆的坡道损耗功率,具体过程如下:
步骤D1:在指定间隔时间内,根据电子水平仪采集的车身偏角数据,拟合得到车身偏角在采集时间间隔T内的数据θ(θ1,θ2,…θn);
步骤D2:调用无人车辆上的车速记录仪,得到无人车辆在采集时间间隔T内的行驶速度V(V1,V2,…Vn),
在不同偏角下,车辆的行驶阻力为F=Ga·cosθ,Ga为车重,则对应的无人车辆克服阻力做功增加的功率为:P(t)=Ga·V·θT,得到无人驾驶车辆在这30s内的道路坡道损耗功率。
进一步地,利用均匀对称分布在电池表面的16个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。
一种实现上述基于并行神经网络的无人驾驶车辆电源预测方法的基于并行神经网络的无人驾驶车辆电源预测系统,包括:
车身降雨阻力计算模块,利用设置在车身表面的力敏传感器采集的数据进行连续协方差融合获得各车身表面的降雨阻力;
车身电池温度拟合计算模块,利用设置在电池表面的温度传感器采集的电池温度数据进行插值处理后,再利用插值后的数据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;
道路坡道损耗功率计算模块,利用安装在车底的水平仪集的车身偏角信息,结合车辆行驶速度计算获得;
道路积水阻力计算模块,利用车载的Kinect摄像头采集道路积水图像,并采用Sobel算子确定车辆穿水阻力,利用设置在道路侧边的红外检测仪采集道路上的积水数量、长度和深度信息结合车辆穿水阻力计算道路积水阻力;
电源预测模块,包括基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型和基于BP神经网络的无人驾驶车辆剩余电量预测模型,利用车身降雨阻力计算模块、车身电池温度拟合计算模块、道路坡道损耗功率计算模块、道路积水阻力计算模块在指定时间间隔T时间内获得的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度输入基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型,获得当前时间在指定时间间隔T时间内的电池耗电率,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神经网络的无人驾驶车辆剩余电量预测模型,获得经过指定时间间隔T时的剩余电量。
有益效果
1)该方法采用了多种传感器,能够综合考虑极端暴雨环境下无人驾驶车辆的多种环境信息,可以更加精准的得到无人驾驶车辆的实时电量,保证了无人驾驶车辆运行的可靠性和安全性,有助于减少无人驾驶车辆意外情况的发生,为无人驾驶汽车的推广提供了一定的帮助。
2)采用了力敏传感器测量车身的降雨阻力,并用连续协方差算法进行数据融合。在降雨力的测量和数据处理方面都做出了极大的改变。通过该方法得到的降雨力值考虑到了车身表面的状态差异和受力差异,而且可以简化多维数据的融合过程,提高了系统的运算速度,进而提高了系统的实时性。
3)利用Kinect摄像头进行图像采集并用Sobel算子等方法对采集图像进行处理,得到的积水检测图像简洁明了,检测精度较高,处理过程快速,保证了无人驾驶车辆电量检测的实时性和准确性的要求。
4)搭建的神经网络模型由三部分组成。一部分是对降雨阻力和积水阻力的数据进行处理,得出暴雨环境下车辆耗电率的增加值,一部分是对坡道阻力和电池温度的传递数据进行处理,得出车辆在正常天气下行驶的耗电率。最后将这两个神经网络的输出神经元作为输入数据,送入后面的BP神经网络模型,最终得到无人车辆的实时电量。这种并行神经网络的优点在于将暴雨环境下的变量与正常天气下的变量分开计算,提高了数据处理速度,进而提高了系统的实时性,且该方法在正常环境下也可以使用于无人车辆的电量拟合。
附图说明
图1为本发明所述方法的流程图;
图2为本发明所述系统的框架示意图。
具体实施方式
下面将结合附图和实施例对本发明做进一步地说明。
如图1所示,一种基于并行神经网络的无人驾驶车辆电源预测方法,包括以下步骤:
步骤1:获取暴雨环境下的无人驾驶车辆历史行驶数据;
所述历史行驶数据包括各时刻的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度以及第一耗电率、第二耗电率、剩余电量;
其中,所述第一耗电率在暴雨环境下采集的值减去第二耗电率,所述第二耗电率在相同道路上行驶时,在无雨情况下采集获得;
步骤2:构建基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型;
以所述历史行驶数据中各指定时间间隔T内的降雨阻力、道路积水阻力作为第一并行小波神经网络的输入数据,第一耗电率作为第一并行小波神经网络的输出数据,在本实例中指定时间间隔T为30s;
输入数据结构的为该实例中,在四个车身表面设置了力敏传感器,(y1,y2,y3,y4)分别表示4个表面的降雨阻力值;F道路积水表示由车载积水阻力计算模块得到的道路积水阻力值;
以所述历史行驶数据中各指定时间间隔T内的道路坡道损耗功率、车载电池温度作为第二并行小波神经网络的输入数据,第二耗电率作为第二并行小波神经网络的输出数据;
输入数据结构的为(P1,P2,P3…Pn)是利用车载水平检测仪在指定时间间隔T内,采样间隔为5s得到的车身偏角信息,结合车辆速度计算得到的道路坡道损耗功率,tmax是利用分布在车载电池的温度传感器检测计算得到的电池温度值;
对两个并行小波神经网络进行训练,并以两个并行小波神经网络的输出结果求和,获得基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型;
所述两个并行小波神经网络的输入层节点个数为4,隐含层小波元个数为8,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1000,训练学习率为0.1,阈值为0.00004;
所述基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型中的两个并行小波神经网络的权值、阈值和伸缩平移系数均采用水循环算法WCA算法进行优化选择的过程如下:
步骤B1:每个降雨层作为第一并行小波神经网络模型和第二并行小波神经网络模型的权值、阈值和伸缩平移系数,初始化降雨层种群;
设定降雨层种群数量的取值范围为[20,100],海洋数量为1,河流数量的取值范围为[5,30],最大迭代次数的取值范围为[200,1000]、极小值的取值范围为[0.005,0.1];
步骤B2:设定适应度函数;
将降雨层对应的权值、阈值和伸缩平移系数代入基于并行小波神经网络的耗电率预测模型中,并利用降雨层确定的基于并行小波神经网络的耗电率预测模型计算下一时刻的耗电率,将预测值和实际值的均方差MSE的倒数作为第一适应度函数;
步骤B3:以适应度大的降雨层作为大海,以适应度次小的降雨层作为河流,其余的降雨层作为流入河流或海洋的溪流;
步骤B4:如果溪流解优于河流解,则溪流与河流交换位置,如果河流解优于海洋解,则河流与海洋交换位置;然后使溪流流入河流,使河流汇入海洋;
步骤B5:判断河流解与海洋解之间的差值绝对值是否小于设定的极小值,如果小于,则认为满足降雨条件,从种群中去掉该河流,并重新进行降雨过程,随机生成新的降雨层加入种群,返回步骤B3继续一次迭代,否则,进入步骤B6;
步骤B6:判断是否到达最大迭代次数,若满足则输出最优的降雨层对应的参数,输出基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型的权值、阈值和伸缩平移系数,若不满足则进入步骤B3继续下一次迭代。
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;
以所述历史行驶过程中的t时刻的耗电率和对应的剩余电量作为输入数据,t+T时刻的剩余电量作为输出数据,对BP神经网络模型进行训练,获得基于BP神经网络的无人驾驶车辆剩余电量预测模型;
所述BP神经网络输入层包含3个节点,输出层节点个数为1,训练过程中的最大迭代次数设置为500,训练学习率为0.2;
所述基于BP神经网络的无人驾驶车辆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:
步骤C1: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;
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%];
步骤C2: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;
将量子粒子个体位置向量对应的权值和阈值代入基于BP神经网络的无人驾驶车辆剩余电量预测模型中,并利用量子粒子个体位置向量确定的基于BP神经网络的无人驾驶车辆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;
步骤C3: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;
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;
步骤C4:判断是否组建精英种群;
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C8,否则转入步骤C5;
步骤C5:更新各种群粒子参数;
步骤C6: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C3;
步骤C7:精英种群继续进化;
步骤C8: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C3,直到找到全局最优值,输出所述BP神经网络的权值和阈值。
步骤4:利用当前时间在指定时间间隔T时间内获得的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度输入基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型,获得当前时间在指定时间间隔T时间内的电池耗电率,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神经网络的无人驾驶车辆剩余电量预测模型,获得经过指定时间间隔T时的剩余电量;
其中,所述降雨阻力是指通过设置在车身不同表面的力敏传感器网络进行实时测量,将每个车身表面的所有力敏传感器的测量数据进行连续协方差融合处理获得,以每个表面的降雨阻力形成的降雨阻力向量;
所述道路积水阻力是利用图像采集装置获取路面图像,并对路面图像进行灰度处理以判断前方路面是否有积水,如果无积水则输出预设的道路积水阻力值;如果有积水则利用道路两旁的红外测量仪采集的积水数量、长度和深度信息计算道路积水阻力;
所述道路坡道损耗功率是利用安装在车底的水平仪采集的车身偏角信息、车辆行驶速度以及车重计算获得。
每个车身表面设置至少两个力敏传感器,以每个力敏传感器在指定时间间隔T内各采样时刻采集的测量值形成的向量作为观测值,结合观测矩阵和预测噪声矩阵,构建每个力敏传感器的卡尔曼估计方程,获得每个力敏传感器的降雨力估计值以及估计值的协方差;采用两两协方差连续融合的方式,以最小融合协方差为标准建立最优方程,得到融合系数;再利用融合系数和协方差估计值进行状态值估计值的两两连续融合,得到车身表面的降雨阻力融合状态值;
以所述融合系数对车身表面的传感器进行融合的过程如下:
其中,表示第i-1步融合得到的融合状态值,和θi-1分别表示第i-1步融合中的融合协方差值和融合系数,和分别表示第i-2步融合得到的融合状态值和融合协方差值,Ppi和Xpi分别表示第i-1步融合时新加入的力敏传感器的协方差估计值和状态估计值,其中,i表示参与融合的传感器数量,取值范围为[1,m],m表示车身表面设置的力敏传感器数量,当i取值为1时,表示参与融合的力敏传感器为随机选取的力敏传感器,且
θi-1表示融合系数,通过建立最优方程的取值为在范围[0,1]之间使得取得最小值时的值;
采用黄金分割法或者斐波那契法对θi-1进行求解;
Ppi的取值为k为最大值的Ppi(k|k)的值,Ppi -1(k|k)表示k时刻时协方差估计值的逆,Hpi(k)表示第i个力敏传感器的观测矩阵,取值为[1 0 0],R(k)表示预测噪声矩阵的协方差,按经验值取1;
Ppi的取值为在采集时间间隔T中最后一个时刻k时Ppi(k|k)的值;
表示第i个力敏传感器基于k-1时刻对k时刻的协方差预测值;
其中,F(·)表示状态转移矩阵,其值为α,β,γ为状态系数,先利用每个力敏传感器连续采集多个数据,代入回归方程后进行拟合获得每个力敏传感器的状态系数,然后对同一车身表面所有力敏传感器对应的状态系数分别求均值获取;
以车端盖为例,其计算过程为:这里取车端盖五个传感器各测得的100组的时间序列数据,拟合各自的数据得到五个传感器的回归方程
Xpi(k)=αiXpi(k-1)+βiXpi(k-2)+γiXpi(k-3)+ak
这里k表示时刻点;pi表示传感器数量i=1,2,3···m,对于车端盖m=5,Xpi(k)、Xpi(k-1)、Xpi(k-2)、Xpi(k-3)表示第i个传感器在k、k-1、k-2、k-3时刻的状态值,即力敏传感器的实测值;ak表示系统的固定误差值,通过拟合回归方程得到具体数值;然后对三个系数取均值得到α,β,γ。
为第i个力敏传感器在k-1时刻的协方差预测值,且 取值为的值,的取值为第i个力敏传感器在初始时刻采集的实测值的协方差;
G(k)是噪声矩阵,按照系统的输入噪声模型取值Q(k)是测量过程中噪声矩阵的协方差,按经验值取1;
Xpi的取值为在采集时间间隔T中最后一个时刻k时Xpi(k)的值:
其中,Hpi(k)表示第i个力敏传感器的观测矩阵,取值为[1 0 0],R(k)表示预测噪声矩阵的协方差,按经验值取1;
Zpi(k)表示第i个力敏传感器在k时刻采集的实测值;
表示第i个传感器的观测预测值,由以下公式计算得到:
所述获取道路积水阻力的具体过程如下:
步骤A1:利用车载的Kinect摄像头获取路面积水图像,并将连续采集的三帧路面积水图像进行均值处理,得到均值图像;
步骤A2:采用Sobel微分算子对均值图像进行滤波处理,再对滤波处理后的图像进行二值化阈值处理得到水坑边缘图像,对水坑边缘图像进行膨胀处理,得到水坑处理图像;
若水坑处理图像的像素值为255,则判断前方道路有积水,否则,前方道路无积水;
二值化阈值依据经验值设定;
Sobel微分算子的模板表示如下:
其中,Dx和Dy分别表示x方向上的模板和y方向上的模板,表示滤波后的梯度图像,对梯度图像进行阈值处理。若那么该点的像素值为255,否则为0,得到边缘图像;然后进行膨胀处理,填充边缘内部,输出得到水坑处理图像。
步骤A3:如果无积水信号,则按照车辆在潮湿地面行驶的情况输出道路积水阻力F道路积水:F道路积水=k潮湿·F干燥;
如果有积水信号,则根据车载的GPS信息,搜索车辆坐标范围100~150米内的红外检测仪,利用4G网络调用附近的红外测量仪,利用车上的无线接收器收集前方100~150米距离的道路积水部分的积水信息,依据道路积水信息获取道路积水阻力F道路积水;
F道路积水=k平均·F干燥
其中,k潮湿取0.5,F干燥=Ga·(0.0116+0.000142v),Ga为车重,v为车速,L表示检测区域长度,L积水表示从云端获得的积水长度总和,表示积水区域的穿水系数平均值,L潮湿表示检测区域中无积水的潮湿路段长度,由检测区域长度减去积水长度总和得到,k潮湿表示无积水路面的阻力系数,取0.5;
其中,穿水系数由积水长度和行车速度代入穿水函数k穿(h,v)计算获得,所述穿水函数k穿(h,v)以实际测得的多组车辆在积水中行驶的穿水阻力实测值、车辆行驶速度和穿水长度进行拟合获得,穿水阻力实测值为F实测积水为实际测量得到的积水阻力、F干燥为实际测量得到干燥路面车辆的行驶阻力,F干燥=Ga·(0.0116+0.000142v),穿水长度由设置在路边的红外检测仪直接得到。
利用无人驾驶车辆的电子水平仪,感知到车身方向和水平方向的夹角,计算指定间隔时间内无人驾驶车辆的坡道损耗功率,具体过程如下:
步骤D1:在指定间隔时间内,根据电子水平仪采集的车身偏角数据,拟合得到车身偏角在采集时间间隔T内的数据θ(θ1,θ2,…θn);
步骤D2:调用无人车辆上的车速记录仪,得到无人车辆在采集时间间隔T内的行驶速度V(V1,V2,…Vn);
在不同偏角下,车辆的行驶阻力为F=Ga·cosθ,Ga为车重,则对应的无人车辆克服阻力做功增加的功率为:P(t)=Ga·V·θT,得到无人驾驶车辆在这30s内的道路坡道损耗功率。
利用均匀对称分布在电池表面的16个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。
如图2所示,一种实现本实例中基于并行神经网络的无人驾驶车辆电源预测方法的基于并行神经网络的无人驾驶车辆电源预测系统,包括:
车身降雨阻力计算模块,利用设置在车身表面的力敏传感器采集的数据进行连续协方差融合获得各车身表面的降雨阻力;
车身电池温度拟合计算模块,利用设置在电池表面的温度传感器采集的电池温度数据进行插值处理后,再利用插值后的数据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;
道路坡道损耗功率计算模块,利用安装在车底的水平仪采集的车身偏角信息,结合车辆行驶速度计算获得;
道路积水阻力计算模块,利用车载的Kinect摄像头采集道路积水图像,并采用Sobel算子确定车辆穿水阻力,利用设置在道路侧边的红外检测仪采集道路上的积水数量、长度和深度信息结合车辆穿水阻力计算道路积水阻力;
电源预测模块,包括基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型和基于BP神经网络的无人驾驶车辆剩余电量预测模型,利用车身降雨阻力计算模块、车身电池温度拟合计算模块、道路坡道损耗功率计算模块、道路积水阻力计算模块在指定时间间隔T时间内获得的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度输入基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型,获得当前时间在指定时间间隔T时间内的电池耗电率,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,获得经过指定时间间隔T时的剩余电量;
所述车身降雨阻力计算模块、车身电池温度拟合计算模块、道路坡道损耗功率计算模块、道路积水阻力计算模块以及电源预测模块的数据采用上述的基于并行神经网络的无人驾驶车辆电源预测方法进行处理。
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。
Claims (9)
1.一种基于并行神经网络的无人驾驶车辆电源预测方法,其特征在于,包括以下步骤:
步骤1:获取暴雨环境下的无人驾驶车辆历史行驶数据;
所述历史行驶数据包括各时刻的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度以及第一耗电率、第二耗电率、剩余电量;
其中,所述第一耗电率在暴雨环境下采集的值减去第二耗电率,所述第二耗电率在相同道路上行驶时,在无雨情况下采集获得;
步骤2:构建基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型;
以所述历史行驶数据中各指定时间间隔T内的降雨阻力、道路积水阻力作为第一并行小波神经网络的输入数据,第一耗电率作为第一并行小波神经网络的输出数据;
以所述历史行驶数据中各指定时间间隔T内的道路坡道损耗功率、车载电池温度作为第二并行小波神经网络的输入数据,第二耗电率作为第二并行小波神经网络的输出数据;
对两个并行小波神经网络进行训练,并以两个并行小波神经网络的输出结果求和,获得基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型;
所述两个并行小波神经网络的输入层节点个数为4,隐含层小波元个数为8,输出层节点个数为1,隐含层小波神经元采用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1000,训练学习率为0.1,阈值为0.00004;
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;
以所述历史行驶过程中的t时刻的耗电率和对应的剩余电量作为输入数据,t+T时刻的剩余电量作为输出数据,对BP神经网络模型进行训练,获得基于BP神经网络的无人驾驶车辆剩余电量预测模型;
所述BP神经网络输入层包含3个节点,输出层节点个数为1,训练过程中的最大迭代次数设置为500,训练学习率为0.2;
步骤4:利用当前时间在指定时间间隔T时间内获得的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度输入基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型,获得当前时间在指定时间间隔T时间内的电池耗电率,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神经网络的无人驾驶车辆剩余电量预测模型,获得经过指定时间间隔T时的剩余电量;
其中,所述降雨阻力是指通过设置在车身不同表面的力敏传感器网络进行实时测量,将每个车身表面的所有力敏传感器的测量数据进行连续协方差融合处理获得,以每个表面的降雨阻力形成的降雨阻力向量;
所述道路积水阻力是利用图像采集装置获取路面图像,并对路面图像进行灰度处理以判断前方路面是否有积水,如果无积水则输出预设的道路积水阻力值;如果有积水则利用道路两旁的红外测量仪采集的积水数量、长度和深度信息计算道路积水阻力;
所述道路坡道损耗功率是利用安装在车底的水平仪采集的车身偏角信息、车辆行驶速度以及车重计算获得。
2.根据权利要求1所述的方法,其特征在于,每个车身表面设置至少两个力敏传感器,以每个力敏传感器在指定时间间隔T内各采样时刻采集的测量值形成的向量作为观测值,结合观测矩阵和预测噪声矩阵,构建每个力敏传感器的卡尔曼估计方程,获得每个力敏传感器的降雨力估计值以及估计值的协方差;采用两两协方差连续融合的方式,以最小融合协方差为标准建立最优方程,得到融合系数;再利用融合系数和协方差估计值进行状态值估计值的两两连续融合,得到车身表面的降雨阻力融合状态值;
以所述融合系数对车身表面的传感器进行融合的过程如下:
其中,表示第i-1步融合得到的融合状态值,和θi-1分别表示第i-1步融合中的融合协方差值和融合系数,和分别表示第i-2步融合得到的融合状态值和融合协方差值,Ppi和Xpi分别表示第i-1步融合时新加入的力敏传感器的协方差估计值和状态估计值,其中,i表示参与融合的传感器数量,取值范围为[1,m],m表示车身表面设置的力敏传感器数量,当i取值为1时,表示参与融合的力敏传感器为随机选取的力敏传感器,且
θi-1表示融合系数,通过建立最优方程的取值为在范围[0,1]之间使得取得最小值时的值;
Ppi的取值为k为最大值的Ppi(k|k)的值,Ppi -1(k|k)表示k时刻时协方差估计值的逆,Hpi(k)表示第i个力敏传感器的观测矩阵,取值为[1 0 0],R(k)表示预测噪声矩阵的协方差,按经验值取1;
表示第i个力敏传感器基于k-1时刻对k时刻的协方差预测值;
其中,F(k-1)表示状态转移矩阵,其值为α,β,γ为状态系数,先利用每个力敏传感器连续采集多个数据,代入回归方程后进行拟合获得每个力敏传感器的状态系数,然后对同一车身表面所有力敏传感器对应的状态系数分别求均值获取;
为第i个力敏传感器在k-1时刻的协方差预测值,且 取值为的值,的取值为第i个力敏传感器在初始时刻采集的实测值的协方差;
G(k)是噪声矩阵,按照系统的输入噪声模型取值Q(k)是测量过程中噪声矩阵的协方差,按经验值取1;
Xpi的取值为在采集时间间隔T中最后一个时刻k时Xpi(k)的值:
其中,Hpi(k)表示第i个力敏传感器的观测矩阵,取值为[1 0 0],R(k)表示预测噪声矩阵的协方差,按经验值取1;
Zpi(k)表示第i个力敏传感器在k时刻采集的实测值;
表示第i个传感器的观测预测值,由以下公式计算得到:
3.根据权利要求2所述的方法,其特征在于,融合系数θi-1采用黄金分割法或者斐波那契法进行求解获得。
4.根据权利要求2所述的方法,其特征在于,所述基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型中的两个并行小波神经网络的权值、阈值和伸缩平移系数均采用水循环算法WCA算法进行优化选择的过程如下:
步骤B1:每个降雨层作为第一并行小波神经网络模型和第二并行小波神经网络模型的权值、阈值和伸缩平移系数,初始化降雨层种群;
设定降雨层种群数量的取值范围为[20,100],海洋数量为1,河流数量的取值范围为[5,30],最大迭代次数的取值范围为[200,1000]、极小值的取值范围为[0.005,0.1];
步骤B2:设定适应度函数;
将降雨层对应的权值、阈值和伸缩平移系数代入基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型中,并利用降雨层确定的基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型计算下一时刻的耗电率,将预测值和实际值的均方差MSE的倒数作为第一适应度函数;
步骤B3:以适应度大的降雨层作为大海,以适应度次小的降雨层作为河流,其余的降雨层作为流入河流或海洋的溪流;
步骤B4:如果溪流解优于河流解,则溪流与河流交换位置,如果河流解优于海洋解,则河流与海洋交换位置;然后使溪流流入河流,使河流汇入海洋;
步骤B5:判断河流解与海洋解之间的差值绝对值是否小于设定的极小值,如果小于,则认为满足降雨条件,从种群中去掉该河流,并重新进行降雨过程,随机生成新的降雨层加入种群,返回步骤B3继续一次迭代,否则,进入步骤B6;
步骤B6:判断是否到达最大迭代次数,若满足则输出最优的降雨层对应的参数,输出所述基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型的权值、阈值和伸缩平移系数,若不满足则进入步骤B3继续下一次迭代。
5.根据权利要求2所述的方法,其特征在于,所述基于BP神经网络的无人驾驶车辆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:
步骤C1: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;
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%];
步骤C2: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;
将量子粒子个体位置向量对应的权值和阈值代入基于BP神经网络的无人驾驶车辆剩余电量预测模型中,并利用量子粒子个体位置向量确定的基于BP神经网络的无人驾驶车辆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;
步骤C3: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;
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;
步骤C4:判断是否组建精英种群;
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C8,否则转入步骤C5;
步骤C5:更新各种群粒子参数;
步骤C6: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C3;
步骤C7:精英种群继续进化;
步骤C8: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C3,直到找到全局最优值,输出所述BP神经网络的权值和阈值。
6.根据权利要求2-5任一项所述的方法,其特征在于,所述获取道路积水阻力的具体过程如下:
步骤A1:利用车载的Kinect摄像头获取路面积水图像,并将连续采集的三帧路面积水图像进行均值处理,得到均值图像;
步骤A2:采用Sobel微分算子对均值图像进行滤波处理,再对滤波处理后的图像进行二值化阈值处理得到水坑边缘图像,对水坑边缘图像进行膨胀处理,得到水坑处理图像;
若水坑处理图像的像素值为255,则判断前方道路有积水,否则,前方道路无积水;
二值化阈值依据经验值设定;
步骤A3:如果无积水信号,则按照车辆在潮湿地面行驶的情况输出道路积水阻力F道路积水:F道路积水=k潮湿·F干燥;
如果有积水信号,则根据车载的GPS信息,搜索车辆坐标范围100~150米内的红外检测仪,利用4G网络调用附近的红外测量仪,利用车上的无线接收器收集前方100~150米距离的道路积水部分的积水信息,依据道路积水信息获取道路积水阻力F道路积水;
F道路积水=k平均·F干燥
其中,k潮湿取0.5,F干燥=Ga·(0.0116+0.000142v),Ga为车重,v为车速,L表示检测区域长度,L积水表示从云端获得的积水长度总和,表示积水区域的穿水系数平均值,L潮湿表示检测区域中无积水的潮湿路段长度,由检测区域长度减去积水长度总和得到,k潮湿表示无积水路面的阻力系数,取0.5;
其中,穿水系数由积水长度和行车速度代入穿水函数k穿(h,v)计算获得,所述穿水函数k穿(h,v)以实际测得的多组车辆在积水中行驶的穿水阻力实测值、车辆行驶速度和穿水长度进行拟合获得,穿水阻力实测值为F实测积水为实际测量得到的积水阻力、F干燥为实际测量得到干燥路面车辆的行驶阻力,F干燥=Ga·(0.0116+0.000142v),穿水长度由设置在路边的红外检测仪直接得到。
7.根据权利要求2-5任一项所述的方法,其特征在于,利用无人驾驶车辆的电子水平仪,感知到车身方向和水平方向的夹角,计算指定间隔时间内无人驾驶车辆的坡道损耗功率,具体过程如下:
步骤D1:在指定间隔时间内,根据电子水平仪采集的车身偏角数据,拟合得到车身偏角在采集时间间隔T内的数据θ(θ1,θ2,…θn);
步骤D2:调用无人车辆上的车速记录仪,得到无人车辆在采集时间间隔T内的行驶速度V(V1,V2,…Vn);
在不同偏角下,车辆的行驶阻力为F=Ga·cosθ,Ga为车重,则对应的无人车辆克服阻力做功增加的功率为:P(t)=Ga·V·θT,得到无人驾驶车辆在指定间隔时间T内的道路坡道损耗功率。
8.根据权利要求2-5任一项所述的方法,其特征在于,利用均匀对称分布在电池表面的16个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。
9.一种实现权利要求1-8任一项所述方法的基于并行神经网络的无人驾驶车辆电源预测系统,其特征在于,包括:
车身降雨阻力计算模块,利用设置在车身表面的力敏传感器采集的数据进行连续协方差融合获得各车身表面的降雨阻力;
车身电池温度拟合计算模块,利用设置在电池表面的温度传感器采集的电池温度数据进行插值处理后,再利用插值后的数据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;
道路坡道损耗功率计算模块,利用安装在车底的水平仪采集的车身偏角信息,结合车辆行驶速度计算获得;
道路积水阻力计算模块,利用车载的Kinect摄像头采集道路积水图像,并采用Sobel算子确定车辆穿水阻力,利用设置在道路侧边的红外检测仪采集道路上的积水数量、长度和深度信息结合车辆穿水阻力计算道路积水阻力;
电源预测模块,包括基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型和基于BP神经网络的无人驾驶车辆剩余电量预测模型,利用车身降雨阻力计算模块、车身电池温度拟合计算模块、道路坡道损耗功率计算模块、道路积水阻力计算模块在指定时间间隔T时间内获得的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度输入基于并行小波神经网络的无人驾驶车辆的电池耗电率拟合模型,获得当前时间在指定时间间隔T时间内的电池耗电率,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神经网络的无人驾驶车辆剩余电量预测模型,获得经过指定时间间隔T时的剩余电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810444260.6A CN108549037B (zh) | 2018-05-10 | 2018-05-10 | 一种基于并行神经网络的无人驾驶车辆电源预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810444260.6A CN108549037B (zh) | 2018-05-10 | 2018-05-10 | 一种基于并行神经网络的无人驾驶车辆电源预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108549037A CN108549037A (zh) | 2018-09-18 |
CN108549037B true CN108549037B (zh) | 2019-09-27 |
Family
ID=63494835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810444260.6A Active CN108549037B (zh) | 2018-05-10 | 2018-05-10 | 一种基于并行神经网络的无人驾驶车辆电源预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108549037B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359738A (zh) * | 2018-10-19 | 2019-02-19 | 西南交通大学 | 一种基于qpso-bp神经网络的滑坡危险性评估方法 |
CN111090048B (zh) * | 2019-12-19 | 2021-09-24 | 重庆大学 | 一种新能源汽车车载数据自适应时间间隔传输方法 |
CN113218536B (zh) * | 2021-05-14 | 2024-04-02 | 湘潭大学 | 一种电动汽车电池包温度测点的选取方法 |
CN116625317B (zh) * | 2023-07-26 | 2023-10-03 | 天津达一众诚科技有限公司 | 一种基于图像处理的陡坡表面坡度检测方法及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1469321A1 (en) * | 2003-04-15 | 2004-10-20 | Denso Corporation | Device for monitoring the state of charge of a battery |
CN105365592A (zh) * | 2015-10-30 | 2016-03-02 | 北京新能源汽车股份有限公司 | 电动汽车的剩余续航里程估计方法、系统及电动汽车 |
CN105383304A (zh) * | 2014-08-20 | 2016-03-09 | 福特全球技术公司 | 使用能量消耗数据划分估计可用行驶距离的系统和方法 |
CN107791854A (zh) * | 2016-09-06 | 2018-03-13 | 现代自动车株式会社 | 用于估算电动车辆的可用行驶距离的系统和方法 |
-
2018
- 2018-05-10 CN CN201810444260.6A patent/CN108549037B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1469321A1 (en) * | 2003-04-15 | 2004-10-20 | Denso Corporation | Device for monitoring the state of charge of a battery |
CN105383304A (zh) * | 2014-08-20 | 2016-03-09 | 福特全球技术公司 | 使用能量消耗数据划分估计可用行驶距离的系统和方法 |
CN105365592A (zh) * | 2015-10-30 | 2016-03-02 | 北京新能源汽车股份有限公司 | 电动汽车的剩余续航里程估计方法、系统及电动汽车 |
CN107791854A (zh) * | 2016-09-06 | 2018-03-13 | 现代自动车株式会社 | 用于估算电动车辆的可用行驶距离的系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108549037A (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549037B (zh) | 一种基于并行神经网络的无人驾驶车辆电源预测方法及系统 | |
CN108508372B (zh) | 一种基于环境视觉融合的无人驾驶电量计算和预警方法与系统 | |
CN108621844A (zh) | 一种暴雨道路无人驾驶车辆电量预测方法及预警系统 | |
CN112561146B (zh) | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 | |
CN108572648B (zh) | 一种无人驾驶车辆电源多源融合预测方法及系统 | |
KR101936586B1 (ko) | Gps-기반 무작위 샘플링 방식으로 측정된 데이터를 활용한 녹조지도 작성 시스템 및 그 방법 | |
CN110197215A (zh) | 一种自主驾驶的地面感知点云语义分割方法 | |
CN108510737B (zh) | 一种融合风环境的无人驾驶车辆电源实时监控方法及装置 | |
CN105957342B (zh) | 基于众包时空大数据的车道级道路测图方法及系统 | |
CN108573545B (zh) | 一种冰雪环境无人驾驶车辆电源模型预测方法与系统 | |
CN109583571B (zh) | 一种基于lstm网络的移动机器人软地面通过性预测方法 | |
CN109900280A (zh) | 一种基于自主导航的畜禽信息感知机器人与地图构建方法 | |
CN106599827A (zh) | 一种基于深度卷积神经网络的小目标快速检测方法 | |
CN109460709A (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
CN109219547A (zh) | 用于估计在车辆的当前的和/或未来的航路点处的最大摩擦系数的概率分布的方法 | |
CN109466552B (zh) | 智能驾驶车道保持方法及系统 | |
CN110378416A (zh) | 一种基于视觉的路面附着系数估计方法 | |
CN108510129A (zh) | 一种无人驾驶车辆实时电量智慧预测方法及装置 | |
CN108656992A (zh) | 一种极端暴雨环境下无人驾驶车辆电源智慧预测方法及装置 | |
CN110956154A (zh) | 一种基于cnn-lstm的振动信息地形分类识别方法 | |
CN111027627A (zh) | 一种基于多层感知机的振动信息地形分类识别方法 | |
CN114005021B (zh) | 基于激光视觉融合的水产养殖车间无人巡检系统和方法 | |
CN108510130A (zh) | 一种智能无人驾驶车辆极限里程智能多源评估方法及装置 | |
CN113033899B (zh) | 无人驾驶邻近车辆轨迹预测方法 | |
CN108664043A (zh) | 基于双目视觉的驾驶员特征点测量装置及其控制方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |