CN108656992A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN108656992A
CN108656992A CN201810443654.XA CN201810443654A CN108656992A CN 108656992 A CN108656992 A CN 108656992A CN 201810443654 A CN201810443654 A CN 201810443654A CN 108656992 A CN108656992 A CN 108656992A
Authority
CN
China
Prior art keywords
value
ponding
vehicle
road
resistance
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.)
Granted
Application number
CN201810443654.XA
Other languages
English (en)
Other versions
CN108656992B (zh
Inventor
刘辉
李燕飞
龙治豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201810443654.XA priority Critical patent/CN108656992B/zh
Publication of CN108656992A publication Critical patent/CN108656992A/zh
Application granted granted Critical
Publication of CN108656992B publication Critical patent/CN108656992B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/10—Vehicle control parameters
    • B60L2240/12—Speed
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/10—Vehicle control parameters
    • B60L2240/26—Vehicle weight
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/545—Temperature
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/64—Road conditions
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/66—Ambient conditions
    • B60L2240/667—Precipitation
    • 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
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/54—Energy consumption estimation
    • 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)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了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，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，采用了力敏传感器测量车身的降雨阻力，并用分级分散融合算法进行数据融合；利用Kinect摄像头进行图像采集并用进行灰度处理，得到的积水检测图像简洁明了，检测精度较高；利用两层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，神经网络的使用充分考虑了这种非线性环境下的各种定量和定性的变量因子，得到的电量预测结果与一般的SOC电池电量预测方法相比，更加智能，预测结果也更加准确。

Description

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
技术领域
本发明属于无人驾驶车辆领域，特别涉及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。
背景技术
随着科技的快速发展，无人驾驶车辆技术的研发已经越来越受到人们的重视。但是就现有技术而言，无人车辆的行驶还不能完全替代现有车辆，其受到限制的方面有很多，其中最重要的一点就是车辆电池电量的控制，这是一切车载无人驾驶技术的实现基础。
就现有条件来说，无人车辆如何准确的估算极端环境下的车辆电量情况，是现在的一个难题，至今为止没有公开的有效技术，这是是发明专利所要解决的核心技术问题。与正常形式环境相比，在暴雨状况下车辆的行驶情况必然会发生很大的改变，比如因为下雨导致的行驶阻力变化，车辆行驶速度模式的改变，车内设备如雨刷器等的耗电，这些都将使车辆的耗电情况变得更加复杂。
发明内容
本发明提出了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，针对现有的车载电池计算方法单一的情况，设置了多种外在传感器，综合考虑了无人驾驶车辆行驶过程中的多种环境因素，可以有效的解决车载电池电量的预测问题。
一种极端暴雨环境下无人驾驶车辆电源智慧预测方法，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、坡道损耗功率、车载电池温度以及耗电率、剩余电量；
步骤2：构建基于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、坡道损耗功率、车载电池温度作为输入数据，耗电率作为输出数据，对小波神经网络进行训练，获得基于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；
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、坡道损耗功率、车载电池温度输入基于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；
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分级分散融合处理获得，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传感器采集的坡度角，车辆行驶速度计算获得。
输入基于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，并以任意一个力敏传感器作为融合中心传感器，将融合中心传感器的状态方差预测值与其他力敏传感器的估计值的差值进行求和，获得车身表面所有力敏传感器之间的状态误差总值，以所述状态误差总值对融合中心传感器的降雨阻力估计值进行修正，实现车身表面所有力敏传感器采集数据的融合，得到车身表面的降雨阻力融合值；
以所述状态误差总值对融合中心传感器的降雨阻力估计值进行修正的公式如下：
其中，X融合 j(k|k)表示车身表面j的降雨阻力融合值，P(k|k)表示融合中心传感器实测值的协方差；P(k|k)根据对融合中心传感器的实测值进行计算得到；
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，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，i取值为1时，对应的传感器作为融合中心传感器；
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
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(k1)、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。
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；
表示第i个力敏传感器基于k-1时刻对于k时刻的状态预测值，表示第i个力敏传感器k-1时刻的状态预测值，且 取值为的值，Xpi(0|0)的取值为第i个力敏传感器在初始时刻采集的实测值，当i取1时对应的传感器作为融合中心传感器：
在T时间内测量的k＝0时刻的状态值作为通过上面的递推公式我们可以得到第i个力敏传感器k＝1时刻的状态预测值然后将作为得到第i个力敏传感器k＝2时刻的状态预测值再将作为以此类推最终得到
Ppi -1(k|k)表示第i个力敏传感器在k时刻的协方差估计值的逆，当i取1时，表示对应的传感器为融合中心传感器：
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；
Xpi(k|k)表示结点传感器的状态估计值，当i取1时，表示对应的传感器为融合中心传感器：
其中，Zpi(k)表示第i个力敏传感器在k时刻的观测值，取值为力敏传感器采集的实测值；
表示第i个传感器的观测预测值，其计算由以下公式得到：
进一步地，所述基于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小波神经网络的权值、阈值和伸缩平移系数采用水循环算法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，输出小波神经网络模型的权值、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，并将路面积水图像转化为灰度图像；
步骤A2：根据步骤A1得到的灰度图像，并对灰度图像进行二值化处理，若二值化图像的像素值为255，则判断前方道路有积水，否则，前方道路无积水；
二值化阈值采用双峰法计算获得；
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道路坡道损耗功率，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时间间隔T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。
一种极端暴雨环境下无人驾驶车辆电源智慧预测装置，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分级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传感器采集的坡度角，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、道路坡道阻力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、坡道损耗功率、车载电池温度输入基于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极端暴雨环境下无人驾驶车辆电源智慧预测方法进行处理。
有益效果
相比与现有技术而言，本发明具有如下优点：
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，并用分级分散融合算法进行数据融合。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，得到的数据具有代表性和实时性。
3)利用Kinect摄像头进行图像采集并用进行灰度处理，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)利用两层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，神经网络的使用充分考虑了这种非线性环境下的各种定量和定性的变量因子，得到的电量预测结果与一般的SOC电池电量预测方法相比，更加智能，预测结果也更加准确。
附图说明
图1为本发明所述方法的流程示意图；
图2为本发明所述装置的结构示意图；
图3为本发明所述红外检测仪的设置示意图；
图4为力敏传感器设置示意图，其中，(a)为车身侧面，(b)为车身表面，(c)为车头端部。
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的说明。
如图1所示，一种极端暴雨环境下无人驾驶车辆电源智慧预测方法，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、坡道损耗功率、车载电池温度以及耗电率、剩余电量；
步骤2：构建基于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、坡道损耗功率、车载电池温度作为输入数据，在本实例中指定时间间隔T为30s，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；(P1，P2，P3…Pn)是利用车载水平检测仪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；然后以耗电率作为输出数据，预设隐藏层神经元个数，输出各个情况下的耗电率，带入历史数据作为训练样本，不断对神经网络进行训练，自适应调整权值，获得基于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小波神经网络的权值、阈值和伸缩平移系数采用水循环算法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，输出小波神经网络模型的权值、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、坡道损耗功率、车载电池温度输入基于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；
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分级分散融合处理获得，以每个表面的降雨阻力形成的降雨阻力向量；
如图4所示，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，并以任意一个力敏传感器作为融合中心传感器，将融合中心传感器的状态方差预测值与其他力敏传感器的估计值的差值进行求和，获得车身表面所有力敏传感器之间的状态误差总值，以所述状态误差总值对融合中心传感器的降雨阻力估计值进行修正，实现车身表面所有力敏传感器采集数据的融合，得到车身表面的降雨阻力融合值；
以所述状态误差总值对融合中心传感器的降雨阻力估计值进行修正的公式如下：
其中，X融合 j(k|k)表示车身表面j的降雨阻力融合值，P(k|k)表示融合中心传感器实测值的协方差；P(k|k)根据对融合中心传感器的实测值进行计算得到；
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，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，i取值为1时，对应的传感器作为融合中心传感器；
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
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。
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；
表示第i个力敏传感器基于k-1时刻对于k时刻的状态预测值，表示第i个力敏传感器k-1时刻的状态预测值，且 取值为的值，Xpi(0|0)的取值为第i个力敏传感器在初始时刻采集的实测值，当i取1时对应的传感器作为融合中心传感器：
在T时间内测量的k＝0时刻的状态值作为通过上面的递推公式我们可以得到第i个力敏传感器k＝1时刻的状态预测值然后将作为得到第i个力敏传感器k＝2时刻的状态预测值再将作为以此类推最终得到
Ppi -1(k|k)表示第i个力敏传感器在k时刻的协方差估计值的逆，当i取1时，表示对应的传感器为融合中心传感器：
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；
Xpi(k|k)表示结点传感器的状态估计值，当i取1时，表示对应的传感器为融合中心传感器：
其中，Zpi(k)表示第i个力敏传感器在k时刻的观测值，取值为力敏传感器采集的实测值；
表示第i个传感器的观测预测值，其计算由以下公式得到：
输入基于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；
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，并将路面积水图像转化为灰度图像；
步骤A2：根据步骤A1得到的灰度图像，并对灰度图像进行二值化处理，若二值化图像的像素值为255，则判断前方道路有积水，否则，前方道路无积水；
二值化阈值采用双峰法计算获得；
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，每段积水区域的穿水系数由积水长度和行车速度代入对应的穿水函数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。
所述道路坡度损耗功率是利用安装在车底的水平传感器采集的坡度角，车辆行驶速度计算获得。
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，一种极端暴雨环境下无人驾驶车辆电源智慧预测装置，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分级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传感器采集的坡度角，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确定车辆穿水阻力，利用设置在道路侧边的红外检测仪(如图3所示)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、坡道损耗功率、车载电池温度输入基于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极端暴雨环境下无人驾驶车辆电源智慧预测方法进行处理。
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 (8)

1.一种极端暴雨环境下无人驾驶车辆电源智慧预测方法，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、坡道损耗功率、车载电池温度以及耗电率、剩余电量；
步骤2：构建基于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、坡道损耗功率、车载电池温度作为输入数据，耗电率作为输出数据，对小波神经网络进行训练，获得基于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；
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、坡道损耗功率、车载电池温度输入基于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；
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分级分散融合处理获得，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传感器采集的坡度角，车辆行驶速度计算获得。
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，并以任意一个力敏传感器作为融合中心传感器，将融合中心传感器的状态方差预测值与其他力敏传感器的估计值的差值进行求和，获得车身表面所有力敏传感器之间的状态误差总值，以所述状态误差总值对融合中心传感器的降雨阻力估计值进行修正，实现车身表面所有力敏传感器采集数据的融合，得到车身表面的降雨阻力融合值；
以所述状态误差总值对融合中心传感器的降雨阻力估计值进行修正的公式如下：
其中，X融合j(k|k)表示车身表面j的降雨阻力融合值，P(k|k)表示融合中心传感器实测值的协方差；
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，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，i取值为1时，对应的传感器作为融合中心传感器；
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；
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；
表示第i个力敏传感器基于k-1时刻对于k时刻的状态预测值，表示第i个力敏传感器k-1时刻的状态预测值，且 取值为的值，Xpi(0|0)的取值为第i个力敏传感器在初始时刻采集的实测值，当i取1时对应的传感器作为融合中心传感器：
Ppi -1(k|k)表示第i个力敏传感器在k时刻的协方差估计值的逆，当i取1时，表示对应的传感器为融合中心传感器：
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；
Xpi(k|k)表示结点传感器的状态估计值，当i取1时，表示对应的传感器为融合中心传感器：
其中，Zpi(k)表示第i个力敏传感器在k时刻的观测值，取值为力敏传感器采集的实测值；
表示第i个传感器的观测预测值，其计算由以下公式得到：
3.根据权利要求2所述的方法，其特征在于，所述基于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小波神经网络的权值、阈值和伸缩平移系数采用水循环算法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，输出小波神经网络模型的权值、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。
4.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神经网络的的权值和阈值。
5.根据权利要求2-4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，并将路面积水图像转化为灰度图像；
步骤A2：根据步骤A1得到的灰度图像，并对灰度图像进行二值化处理，若二值化图像的像素值为255，则判断前方道路有积水，否则，前方道路无积水；
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的平均值，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。
6.根据权利要求2-4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)，
步骤D3：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时间间隔T内的坡道损耗功率。
7.根据权利要求2-4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。
8.一种极端暴雨环境下无人驾驶车辆电源智慧预测装置，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分级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传感器采集的坡度角，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、坡道损耗功率、车载电池温度输入基于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权利要求1-7任一项所述的极端暴雨环境下无人驾驶车辆电源智慧预测方法进行处理。
CN201810443654.XA 2018-05-10 2018-05-10 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 Active CN108656992B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810443654.XA CN108656992B (zh) 2018-05-10 2018-05-10 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810443654.XA CN108656992B (zh) 2018-05-10 2018-05-10 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

Publications (2)

Publication Number Publication Date
CN108656992A true CN108656992A (zh) 2018-10-16
CN108656992B CN108656992B (zh) 2020-05-22

Family

ID=63778982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810443654.XA Active CN108656992B (zh) 2018-05-10 2018-05-10 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

Country Status (1)

Country Link
CN (1) CN108656992B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109466375A (zh) * 2018-12-05 2019-03-15 北京车和家信息技术有限公司 增程器控制方法及设备、计算机可读存储介质、车辆
US11586925B2 (en) * 2017-09-29 2023-02-21 Samsung Electronics Co., Ltd. Neural network recogntion and training method and apparatus
CN116418120A (zh) * 2023-06-08 2023-07-11 深圳市联明电源有限公司 一种应用于水冷电源的智能预警方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070005276A1 (en) * 2005-06-13 2007-01-04 Il Cho Apparatus and method for testing state of charge in battery
CN101504443A (zh) * 2008-02-05 2009-08-12 比亚迪股份有限公司 一种锂离子电池放电容量的预测方法
CN106125007A (zh) * 2016-08-31 2016-11-16 北京新能源汽车股份有限公司 一种电池剩余电量的确定方法、装置及汽车
CN106671785A (zh) * 2016-10-12 2017-05-17 西安科技大学 一种电动汽车电池管理系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070005276A1 (en) * 2005-06-13 2007-01-04 Il Cho Apparatus and method for testing state of charge in battery
CN101198922A (zh) * 2005-06-13 2008-06-11 Lg化学株式会社 用于测试电池充电状态的装置和方法
CN101504443A (zh) * 2008-02-05 2009-08-12 比亚迪股份有限公司 一种锂离子电池放电容量的预测方法
CN106125007A (zh) * 2016-08-31 2016-11-16 北京新能源汽车股份有限公司 一种电池剩余电量的确定方法、装置及汽车
CN106671785A (zh) * 2016-10-12 2017-05-17 西安科技大学 一种电动汽车电池管理系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11586925B2 (en) * 2017-09-29 2023-02-21 Samsung Electronics Co., Ltd. Neural network recogntion and training method and apparatus
CN109466375A (zh) * 2018-12-05 2019-03-15 北京车和家信息技术有限公司 增程器控制方法及设备、计算机可读存储介质、车辆
CN116418120A (zh) * 2023-06-08 2023-07-11 深圳市联明电源有限公司 一种应用于水冷电源的智能预警方法
CN116418120B (zh) * 2023-06-08 2023-08-08 深圳市联明电源有限公司 一种应用于水冷电源的智能预警方法

Also Published As

Publication number Publication date
CN108656992B (zh) 2020-05-22

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
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
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
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
CN109219547B (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
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
KR101936586B1 (ko) Gps-기반 무작위 샘플링 방식으로 측정된 데이터를 활용한 녹조지도 작성 시스템 및 그 방법
CN108572648B (zh) 一种无人驾驶车辆电源多源融合预测方法及系统
CN108510129B (zh) 一种无人驾驶车辆实时电量智慧预测方法及装置
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
CN107346460B (zh) 基于智能网联系统下前车运行信息的未来工况预测方法
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
CN109466552B (zh) 智能驾驶车道保持方法及系统
CN108510130B (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
CN110378416A (zh) 一种基于视觉的路面附着系数估计方法
CN112180361B (zh) 一种基于动态联邦滤波的车载雷达目标跟踪方法
CN108008099A (zh) 一种污染源定位方法
CN111967094B (zh) 一种基于Mobileye提供车道线方程的后向车道线推算方法
CN112542049A (zh) 智慧交通综合管控平台
Vosahlik et al. Self-supervised learning of camera-based drivable surface friction
KR101868791B1 (ko) 유출유 확산 예측을 위한 입자 추적 모듈 최적화 방법 및 이를 이용한 예측 시스템
CN113978473A (zh) 一种车辆质量与道路坡度估计方法
KR100794591B1 (ko) 차량정보 자동계측시스템
CN114620059A (zh) 一种自动驾驶方法及其系统、计算机可读存储介质
CN116977966A (zh) 用于电动小车的道路识别系统

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