CN109131345B - 交通工具和控制交通工具的方法和系统 - Google Patents

交通工具和控制交通工具的方法和系统 Download PDF

Info

Publication number
CN109131345B
CN109131345B CN201810173202.4A CN201810173202A CN109131345B CN 109131345 B CN109131345 B CN 109131345B CN 201810173202 A CN201810173202 A CN 201810173202A CN 109131345 B CN109131345 B CN 109131345B
Authority
CN
China
Prior art keywords
vehicle
route
vehicles
speed
portions
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
Application number
CN201810173202.4A
Other languages
English (en)
Other versions
CN109131345A (zh
Inventor
亚舍迪普·隆纳略
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.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
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 Hitachi Ltd filed Critical Hitachi Ltd
Publication of CN109131345A publication Critical patent/CN109131345A/zh
Application granted granted Critical
Publication of CN109131345B publication Critical patent/CN109131345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B60W10/06—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion engines
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/10—Conjoint control of vehicle sub-units of different type or different function including control of change-speed gearings
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • B60W30/188—Controlling power parameters of the driveline, e.g. determining the required power
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3469—Fuel consumption; Energy use; Emission aspects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3605—Destination input or retrieval
    • G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0291—Fleet control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/22—Platooning, i.e. convoy of communicating vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
    • B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/65—Data transmitted between vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Social Psychology (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本文所述的系统和方法在于基于要针对交通工具导航的路线预测交通工具的速度和轨迹，由此针对路线的一个或多个段估计交通工具驾驶周期。根据机器学习功能确定所预测的速度轨迹，该机器学习功能考虑来自其他交通工具行驶的交通工具路线的历史信息。

Description

交通工具和控制交通工具的方法和系统
技术领域
本公开总体上涉及交通工具系统，且更具体地，涉及用于基于预测的交通工具轨迹和速度来控制交通工具的系统和方法。
背景技术
在现有技术的实现中，道路预览信息被应用于诸如ADAS(高级驾驶员辅助系统)的系统的汽车应用中。这种预览信息的时间标度是相对短期的(例如大约50-400秒)。相关技术实现利用短期道路预览信息来减少交通工具能量消耗。
发明内容
本公开的示例实现包括机载交通工具设备，其被配置为与诸如云服务器、交通工具对其他通信(V2X)和全球定位卫星(GPS)设备的系统进行通信以接收路线、天气、即将到来的交通速度、交通信号阶段和定时以及给定路线的事件信息。将这种信息连同在路线上已行驶的交通工具或其他交通工具(例如，相同类型的交通工具或不同类型的交通工具)的以往历史驾驶数据一起用于预测未来的交通工具状态，诸如在预定地平线或动态地平线(诸如，电子地平线)上的未来交通工具速度。通过优化在现实世界驾驶日程/周期中实现的能量使用，来解决交通工具能耗减少问题，其中所述现实世界驾驶日程/周期包括城市和公路操作中驾驶历史的变化。
本公开的示例实现有助于获得驾驶预览的短期和长期道路预览信息(例如，从10秒到30分钟)。通过利用长期预览信息，本文描述的示例实现可以通过对动力系交通工具系统行为的优化调度来显著节省燃料。在示例实现中，给定路线的预览道路信息用来最小化对操作低效区域的冲程，提供对动力系(例如，柴油交通工具、汽油交通工具、电动交通工具、后处理)和可再充电能量存储系统的前瞻性预调度操作。
示例实现利用基于机器学习的交通工具速度预测来确定电子地平线。来自GPS的输入和交通流速度用来训练人工神经网络(ANN)模型，以用于预测给定路线上的交通工具速度。该模型用来针对测试路线预测交通工具速度，预测和测试的交通工具路线速度可以产生良好的相关性。估计的速度轨迹/驾驶周期可以用于对驾驶周期进行分类并且根据历史驾驶数据确定驾驶周期的等同物或等同的驾驶周期。
在未来的地平线上的交通工具状态轨迹预测可以是交通工具能量管理系统的重要步骤，并且可以提供对连接的且自主的交通工具的安全控制。预测的交通工具速度轨迹可以用来开发高效的换挡策略、混合动力交通工具的拓扑控制、交通工具编队控制、发动机和后处理控制等。考虑到动力系系统的老化，预测的交通工具速度轨迹还可以促进电子地平线上的最佳动力系性能。预测的交通工具状态还被作为输入提供给在具有功率处理能力控制器的云或机载中托管交通工具或动力系模型。
本公开的方面可以包括交通工具，具有一个或多个传感器；以及处理器。所述处理器被配置为针对路线的一个或多个部分确定交通工具的预期速度；基于从一个或多个传感器接收的数据，修改针对所述路线的一个或多个部分的预期速度；以及基于修改的预期速度来控制交通工具的后处理系统和换挡系统中的至少一个。
本公开的方面还可以包括一种方法，所述方法可以涉及：从一个或多个交通工具接收路线信息；针对路线的一个或多个部分，确定一个或多个交通工具中的每一个的预期速度，其中根据与一个或多个交通工具中的每一个相关联的路线信息确定所述路线的一个或多个部分；以及发送所述一个或多个交通工具中的每一个的预期速度。
本公开的方面还可以包括一种存储用于执行处理的指令的非暂时性计算机可读介质，所述指令可以涉及：从一个或多个交通工具接收路线信息；针对路线的一个或多个部分，确定一个或多个交通工具中的每一个的预期速度，其中根据与一个或多个交通工具中的每一个相关联的路线信息确定所述路线的一个或多个部分；以及发送所述一个或多个交通工具中的每一个的预期速度。
本公开的方面还可以包括一种系统，所述系统可以涉及：用于从一个或多个交通工具接收路线信息的装置；用于针对路线的一个或多个部分，确定一个或多个交通工具中的每一个的预期速度的装置，其中根据与一个或多个交通工具中的每一个相关联的路线信息确定所述路线的一个或多个部分；以及用于发送所述一个或多个交通工具中的每一个的预期速度的装置。
本公开的方面还可以包括一种系统，所述系统可以包括一个或多个交通工具，所述一个或多个交通工具被配置为提供路线信息；以及管理装置，所述管理装置包括处理器，其中所述处理器被配置为：从一个或多个交通工具接收路线信息；针对路线的一个或多个部分，确定一个或多个交通工具中的每一个的预期速度，其中根据与一个或多个交通工具中的每一个相关联的路线信息确定所述路线的一个或多个部分；以及发送所述一个或多个交通工具中的每一个的预期速度。
附图说明
图1示出了根据示例实现的包括一个或多个交通工具和管理装置的系统。
图2示出了根据示例实现的示例交通工具系统。
图3(a)示出了根据示例实现的基于估计速度来控制交通工具的示例流程。
图3(b)和3(c)示出了根据示例实现的示例管理信息。
图4(a)和4(b)示出了根据示例实现的机器学习过程的方面。
图5(a)至5(c)示出了根据示例实现的基于估计的速度轨迹进行交通工具控制的方面。
图6示出了具有适于在一些示例实现中使用的示例计算机设备的示例计算环境。
具体实施方式
以下详细描述还提供了对本申请的附图和示例实现的详情。为了清楚起见，将省略附图之间的冗余元件的附图标记和描述。贯穿本说明书使用的术语被提供作为示例且不旨在用于限制。例如，取决于实践本应用的实现的本领域普通技术人员的期望实现，术语“自动”的使用可以涉及全自动或半自动实现，半自动实现涉及用户或管理员在实现的某些方面上进行控制。用户可以通过用户界面或其他输入装置来进行选择，或者可以通过期望的算法来实现选择。如本文所述的示例实现可以单独或组合使用，并且示例实现的功能可以根据期望的实现通过任何装置来实现。
示例实现针对使用基于机器学习的算法。在相关技术中，许多基于机器学习的算法已被应用于图像或模式识别，例如，对其他汽车的交通标志或障碍物的识别、或基于特定训练对元素的分类。鉴于功率计算的进步，示例实现可以利用机器学习来对针对给定路线的交通工具的预期速度进行建模。
示例实现针对基于使用交通工具的连通性和机载传感器来促进针对交通工具的效率。本文描述的示例实现可以有多个方面。在第一方面，存在矢量轨迹估计，其针对确定交通工具在下一时间段(例如，十分钟、二十分钟)中将做什么。这种估计可以取决于期望的实现而包括交通工具速度、驾驶周期和其他参数。根据对关于路线的一个或多个部分(例如，路段)的历史驾驶数据以及从交通工具到基础设施以及交通工具到交通工具估计的其他输入应用的机器学习，来确定车辆轨迹估计。估计的速度轨迹/驾驶周期用于对驾驶周期进行分类并且根据历史驾驶数据确定等同的驾驶周期。
一旦获得了估计，交通工具控制器可以基于交通工具速度分布对控制进行优化。因此，在示例实现中，交通工具轨迹估计使用机器学习。因此，它融合了来自该路线上历史驾驶数据的信息、来自该路段上的历史驾驶数据的信息以及从交通工具到基础设施和交通工具到交通工具通信的其他输入。机载传感器可以纠正估计中的任何错误，以将机器学习预测应用于交通工具的当前状况。将由机载传感器检测到的错误报告回云服务器，其转而用于改善估计。
图1示出了根据示例实现的包括一个或多个交通工具和管理装置的系统。诸如机载诊断(OBD)101-1、101-2、101-3和101-4的一个或多个交通工具或交通工具系统可通信地耦接到与管理装置102相连的网络100。管理装置102管理数据库103，所述数据库103包含从网络100中的交通工具和交通工具系统累积的数据反馈。在示例实现中，来自交通工具和交通工具系统101-1、101-2、101-3和101-4的数据反馈可以在中央储存库或中央数据库中累积，例如，累积来自交通工具或交通工具系统的数据的专有数据库(诸如，企业资源计划系统或云存储系统)，且管理装置102可以访问或取回来自中央储存库或中央数据库的数据。
在图1的示例实现中，交通工具系统101-1、101-2、101-3、101-4可以被配置为向管理装置102提供路线信息(例如，交通工具将经过的GPS路线)。管理装置102被配置为：从一个或多个交通工具接收路线信息；针对路线的一个或多个部分，确定一个或多个交通工具中的每一个的预期速度，其中根据与一个或多个交通工具中的每一个相关联的路线信息确定所述路线的一个或多个部分；以及发送所述一个或多个交通工具中的每一个的预期速度，如图4(b)所示。取决于期望的实现，管理装置102可以被配置为基于输入到一个或多个交通工具中的每一个的GPS路线以及历史行程信息来确定所述一个或多个交通工具中的每一个的预期速度，如图3(a)和3(b)所示。所述一个或多个交通工具可以被配置为基于从与所述一个或多个交通工具相关联的一个或多个传感器接收到的数据来修改针对所述路线的一个或多个部分的预期速度。
在示例实现中，管理装置102可以被配置为根据机器学习过程构建速度轨迹估计函数，以针对所述路线的一个或多个部分确定交通工具的预期速度，其中所述机器学习过程被配置为将针对一个或多个历史路线的历史GPS信息和历史交通信息作为输入进行处理；以及生成速度轨迹估计函数，所述速度轨迹估计函数被配置为将所述一个或多个交通工具中的每一个的路线作为输入进行处理以确定预期速度，如图4(a)和4(b)所示。
在示例实现中，管理装置102被配置为执行图5(a)的流程图，以基于路线信息从一个或多个交通工具中识别可以加入队列的交通工具；基于所估计的所述一个或多个交通工具的速度，针对所识别的交通工具确定路线信息的一个或多个路段的编队配置；以及将指令发送给所识别的交通工具以输入编队配置，所述指令包括针对所述一个或多个路段的速度和轨迹。
在示例实现中，管理装置102被配置为向一个或多个交通工具提供针对后处理系统、档位控制系统和动力系控制系统中的至少一个的模型，每个模型被配置为基于路线信息的一个或多个路段的估计速度的输入来控制交通工具，如图5(b)所示。
图2示出了根据示例实现的示例交通工具系统101。交通工具系统101可以涉及传感器全球定位卫星(GPS)110、交通信息111、速度计112、一个或多个相机113以及网络接口(I/F)115，网络接口(I/F)115被配置为促进经由机载诊断(OBD)接口或汽车局域网(CAN)接口在交通工具内的通信以及经由无线或其他方法(取决于期望的实现)与云或管理装置102的通信。交通工具系统101还可以包括机载计算机(OBC)114，其被配置为基于期望的实现来管理交通工具系统101的功能以及执行本文描述的示例实现。交通工具系统101还可以被配置为存储针对给定路线的传感器数据120和速度估计121以及可以被配置为提供用于后处理、换档和动力系功能的模型的交通工具模型122。
OBC 114可以配置有一个或多个处理器，所述处理器被配置为针对路线的一个或多个部分确定交通工具的预期速度；基于从一个或多个传感器接收的数据，修改针对所述路线的一个或多个部分的预期速度；以及基于修改的预期速度来控制交通工具的后处理系统和换挡系统中的至少一个，如图3(a)所示。OBC 114可以被配置为基于输入到交通工具的GPS路线和历史行程信息来确定交通工具的预期速度，如图3(b)所示，其中从所述一个或多个传感器接收到的数据包括沿着所述路线的交通信息。
取决于期望的实现，OBC 114可以被配置为根据机器学习过程构建速度轨迹估计函数，以针对所述路线的一个或多个部分确定交通工具的预期速度，所述机器学习过程被配置为将针对一个或多个历史路线的历史GPS信息和历史交通信息作为输入进行处理，如图3(b)所示；以及生成速度轨迹估计函数，所述速度轨迹估计函数被配置为将所述交通工具的路线作为输入进行处理以确定预期速度，如图4(a)和4(b)所示。
OBC 114可以被配置为如图3(a)所示地接合车辆编队系统，基于修改后的预期速度来针对路线的一个或多个部分中的一部分接收车辆编队指令；以及基于修改后的预期速度和针对所述路线的一个或多个部分中的所述部分确定的轨迹，根据针对所述路线的一个或多个部分中的所述部分的交通工具编队指令来控制车辆，如图5(a)所示。
如图5(b)所示，OBC 114可以被配置为基于修改后的预期速度来控制交通工具的后处理系统产生NOX，并基于修改后的预期速度针对路线的一个或多个部分确定后处理系统的NOX产生。类似地，OBC 114可以被配置为基于修改后的预期速度，针对路线的一个或多个部分控制交通工具的换档和传动比中的至少一个。
图3(a)示出了根据示例实现的基于估计速度来控制交通工具的示例流程。在交通工具系统101中，当交通工具处于操作中时，在300处，将诸如传感器数据(例如，GPS 110、交通信息111、速度计112、相机113)的信息记录并存储在交通工具系统101的存储器中。然后，在301处将传感器数据连同历史交通信息和当前路线一起提供给速度估计121，其中速度估计被配置为预测沿着当前路线(例如，在下一x时间段)即将达到的速度。取决于期望的实现，可以针对路线的一个或多个部分或路段(例如，识别的直线路段、每个街区、每个交通灯等)提供这种估计。然后，将这种信息提供给估计校正302，以基于当前传感器信息修改预测的速度。例如，如果所讨论的路段被交通事故或建筑物中断，则可以利用当前的传感器数据(例如，更新后的交通信息)来根据预期的实现来更新受影响的路段的估计速度。
在确定修改后的估计速度之后，将这种信息提供给交通工具的控制系统310，该控制系统310可以被配置为向编队控制系统311、发动机控制系统312、换档/控制系统313和功率控制314提供参数/指令。也可以根据期望的实现来控制交通工具的其他功能，并且本公开不特别限于图3(a)的示例。
在示例实现中，交通工具编队控制系统311从管理装置102或从其他交通工具101接收指令，以促进交通工具区域内的交通工具之间的交通工具编队。这样的指令可以取决于期望的实现而包括改变交通工具轨迹、保持附近交通工具之间的交通工具距离、基于附近交通工具调整速度等。在这样的示例实现中，管理装置102可以被配置为从该交通工具附近的交通工具或基于预测的交通工具轨迹被预测为在其附近的交通工具接收估计速度，并且根据期望的实现提供编队指令。还可以通过将参与队列的交通工具在边缘侧执行这种分析，且可以从网络I/F 115经由交通工具到交通工具(V2V)接口来在交通工具之间发送这种通信。
在示例实现中，发动机控制系统312可以被配置为控制发动机和后处理系统的方面。考虑到来自交通工具轨迹估计的预测速度，发动机控制系统312可以被配置为改变发动机速度和燃料喷射定时以进行优化，例如，在优化(例如，基于所产生的NOX使燃料消耗最小化)的同时时使NOX的产生最大化，同时在允许的NOX产生的约束条件内。因此，这样的示例实现可以管理后处理系统的老化并延长系统的使用寿命。根据期望的实现，可以由发动机控制系统312控制其他方面，例如，排气温度、启动/停止控制等。
在示例实现中，档位控制器313可以被配置为基于所估计的速度轨迹来控制档位变化和制动事件。例如，可以基于即将到来的路段的即将到来的预期速度来换档和/或改变传动比，并且可以类似地接合再生制动。档位控制313可以被配置为基于来自交通工具编队控制系统313的所产生的交错队列来控制换档时间选择或传动比，这样为用于预期进入交错队列的档位控制313提供编队配置。
在示例实现中，功率控制系统314可以用于控制到交通工具的功率输入和动力系的其他功能。取决于期望的实现，这种功能可以包括发动机功率输入、发动机起停、加热、通风和空调(HVAC)负载等。
图3(b)和3(c)示出了根据示例实现的示例管理信息。具体而言，图3(b)示出了可以在机器学习过程中使用的示例历史信息。取决于期望的实现，这种信息可以包括交通工具或其他交通工具行驶的历史路线(例如，对于交通工具X从A点到B点的路径)、与路线相关联的GPS数据、沿着路线的交通信息(例如，拥堵程度、天气数据、道路类型、道路坡度等)等。还可以包括的其他信息包括路线的行程时间、交通工具的平均速度和针对机器学习可以考虑的其他信息。
图3(c)示出了根据示例实现的基于机器学习生成函数的执行的示例管理数据。当为交通工具选择路线以从一个点行驶到另一点时，该路线可以被分成多个路段，每个路段与一个速度轨迹相关联。速度轨迹可以包括交通工具的预测速度以及交通工具的预期方向。还可以基于从交通工具的一个或多个传感器接收到的传感器信息来修改交通工具轨迹。例如，如果当前的交通信息指示由于高于正常的交通量而导致速度不被预期为如此高，则可以基于交通水平向下修改速度。
一旦确定了速度轨迹信息，则可将速度轨迹信息应用于与后处理和档位控制相关联的模型，以生成针对每个路段的控制系统的参数。这种模型可以包括针对每个路段确定换挡或传动比，以及针对每个路段的NOX的产生，其被存储在交通工具模型122中。模型可以从管理装置102提供，或可以根据期望的实现预先配置到交通工具中。
图4(a)和4(b)示出了根据示例实现的示例机器学习过程。如图4(a)所示，示例实现利用基于机器学习的交通工具速度预测来确定电子地平线。来自GPS的输入和交通流速度可以用来训练人工神经网络(ANN)模型，用于预测给定路线上的交通工具速度。该模型用来针对测试路线预测交通工具速度，直到满足足够的相关性。如图图4(a)所示，输入可以包括交通工具的GPS(纬度/经度)、包括交通工具针对一个或多个路线中的每一个的当前速度在内的交通信息以及针对一个或多个历史路线中的每一个的自由流动速度。将输入馈送到训练过程中以训练ANN模型，直到ANN模型被配置为针对给定测试路线提供在期望的误差范围内的估计速度。一旦生成ANN模型，ANN模型可以用来针对给定当前路线(例如，路线的GPS信息)确定交通工具的估计速度和历史交通信息。
图4(b)示出了根据示例实现的用于应用机器学习过程的示例流程图。在示例实现中，机器学习应用于生成用于在给定路线的情况下估计交通工具轨迹的函数，如图4(a)所示。根据期望的实现，图4的流程可以实现在交通工具系统101中，实现在管理装置102中，或者如图4中所描述的功能可以被划分到上述两个系统之间。
在401处，流程处理历史路线信息。历史数据可以涉及在数据库103中存储的数据和/或传感器数据120，如图3(a)所示。在402处，该流程根据将机器学习应用到历史路线信息，来生成速度轨迹估计功能，如图4(a)所示。取决于期望的实现，速度轨迹估计函数可以被优化以针对所选择的测试路线提供特定相关性内的估计速度。因此，交通工具轨迹估计函数被配置为针对给定路线的一个或多个路段预测即将到来的速度和轨迹，如图4(b)所示，然后将这种估计提供给交通工具控制器以控制交通工具的各种功能。
在403处，对于正在操作中的给定交通工具，流程针对向交通工具输入的路线或与正在操作中的交通工具相关联的路线确定速度轨迹。取决于期望的实现，这样的路线信息可以包括由驾驶员输入到交通工具中的GPS信息，可以通过移动设备上的应用来进行，或通过其他方法来进行。根据历史驾驶数据，可以估计驾驶的目的地，并且可以要求驾驶员确认目的地。在示例实现中，OBC基于历史驾驶数据持续地估计下一个“x”时间量(秒/分钟)的路线，而无需明确的驾驶员输入。
在404处，当交通工具处于操作中时，传感器数据120被记录并用于在交通工具处于操作中的同时更新估计的速度和轨迹。此外，这种数据被存储为传感器数据120，其可以被用作历史传感器数据以应用于机器学习过程从而再生或更新机器学习过程，如图4(a)所示。
图5(a)和5(b)示出了根据示例实现的基于估计的速度轨迹进行交通工具控制的方面。图5(a)的示例示出了用于接合编队配置系统311的示例流程；然而，取决于期望的实现，还可以在管理装置102中执行一个或多个流程。在501处，该流程基于路线信息识别可以加入该队列的交通工具。这种识别可以是基于针对给定的路段被确定为彼此邻近或将彼此相邻的交通工具的，或通过根据期望的实现的其他方法。在502处，该流程获得估计的速度轨迹，所有被识别的交通工具对于该队列都有资格。可以通过网络100将估计的速度轨迹传送给每个交通工具。在503处，该流程基于所获得的估计速度轨迹来确定编队配置。这种配置可以是基于编队配置系统311确定的或由管理装置102通过根据期望的实现构建的一个或多个模型的实现来确定的。在504处，然后将指令提供给该队列中的交通工具，以针对指定的路段以指定的速度和轨迹进行操作，从而形成该队列。指令可以提供给编队配置系统，编队配置系统然后可以控制交通工具以促使该队列。
图5(b)示出了基于应用于交通工具模型122的估计速度进行交通工具控制的方面。交通工具模型可以包括由发动机控制系统312使用的后处理模型、由档位控制313使用的档位模型和由功率控制314使用的功率模型。在511处，交通工具被配置为从管理装置102更新交通工具模型122。这种模型可以包括用于发动机控制系统312、档位控制系统313和动力系控制314的后处理系统，使得每个模型被配置为基于针对给定路线的一个或多个路段的估计速度的输入来控制交通工具。可以使用的其他模型涉及针对正在优化的系统/子系统的控制和工厂模型以及普遍的校准参数/映射。
在512处，修改后的预期速度轨迹可以被提供给由发动机控制系统312使用的后处理模型。后处理系统可以被配置为基于用于使燃料消耗最小化的函数来控制交通工具的NOX的产生。这种函数的示例可以是：
Figure GDA0003502914190000111
其中，x是可以表示交通工具系统的各种状态(例如，发动机开启或关闭、电池充电状态(SOC))的状态变量，u是控制输入(例如，喷射开始、档位数、节气门、燃料压力等)，
Figure GDA0003502914190000112
是燃料流率，Ppowertrain是来自动力系系统的功率，且Pdriver是驾驶者的功率需求。
相应地，发动机控制系统可以被配置为根据修改的预期速度轨迹来修改扭矩和发动机速度。
在513处，修改后的预期交通工具轨迹可以被应用于档位控制系统313以改变传动比或换档。例如，如果即将到来的路段指示交通工具将处于较低的速度下，则可以根据期望的实现，以预测性方式将档位向下换挡，且反之亦然，而不是作为反应行为，从而改善系统响应和效率。
在514处，修改后的预期交通工具轨迹可以被应用于动力系控制314。这种功率控制可以包括HVAC、对发动机输入的功率、电池控制以及根据期望的实现的其他操作。
图5(c)示出了根据示例实现的发动机控制系统312的示例流程。发动机控制系统312可以包括发动机控制器520、发动机521、后处理522和后处理控制523。基于预测的速度，后处理控制523被配置为发出指令以增加或减少来自发动机的排气化学物质或废气(例如，NOx)的产生，同时使燃料消耗520最小化，并管理喷射到后处理522中的脲。发动机控制器52()处理来自发动机521的传感器数据和来自后处理控制523的反馈，以将指令发送到发动机521的气道致动器。然后，发动机521基于发动机521的致动器控制而促进后处理522的NOx生成，其中后处理522接着将关注的排气化学物质(NOx、HC、CO等，取决于目标)氧化或还原在规定的极限内。
图6示出了具有适用于一些示例实现的示例计算机设备的示例计算环境，诸如，图1所示的管理装置102和/或图2所示的交通工具系统101/OBC 114。根据期望的实现，本文描述的功能可以在管理装置102、交通工具系统101、OBC 114处实现，或通过基于这些元件的某种组合的系统来促进。
计算环境600中的计算机设备605可以包括一个或多个处理单元、内核、或处理器610、存储器615(例如，RAM、ROM等)、内部存储设备620(例如，磁性、光学、固态存储设备和/或有机)和/或I/O接口625，其中的任何一个可以耦接在用于传送信息的通信机构或总线630上或嵌入在计算机设备605中。I/O接口625还被配置为根据期望的实现从相机接收图像或将图像提供给投影仪或显示器。
计算机设备605可以通信地耦接到输入/用户接口635和输出设备/接口640。输入/用户接口635和输出设备/接口640中的任一个或其两者可以是有线或无线接口，且可以是可拆卸的。输入/用户接口635可以包括可用于提供输入(例如，按钮、触摸屏接口、键盘、指点/光标控制、麦克风、相机、盲文系统、运动传感器、光学读取器等)的任何设备、组件、传感器或接口(物理的或虚拟的)。输出设备/接口640可以包括显示器、电视、监视器、打印机、扬声器、盲文系统等。在一些示例实现中，输入/用户接口635和输出设备/接口640可以嵌入在计算机设备605中或物理耦接到计算机设备605。在其它示例实现中，其他计算机设备可以用作计算机设备605的输入/用户接口635和输出设备/接口640的功能或提供其功能。
计算机设备605的示例可以包括但不限于高度移动设备(例如，智能电话、交通工具和其他机器中的设备、由人和动物携带的设备等)、移动设备(例如，平板计算机、笔记本、膝上型计算机、个人计算机、便携式电视机、无线电设备等)以及并非针对移动性而设计的设备(例如，台式计算机、其他计算机、信息亭、其中嵌入和/或耦接有一个或多个处理器的电视机、无线电设备等)。
计算机设备605可以通信地(例如，经由I/O接口625)耦接到外部存储设备645和网络650，用于与任何数量的联网组件、设备和系统(包括具有相同或不同配置的一个或多个计算机设备)进行通信。计算机设备605或任何连接的计算机设备可以用作提供以下的服务，或被称为服务器、客户端、瘦服务器、通用机器、专用机器或其他标签。
I/O接口625可以包括但不限于使用任何通信或I/O协议或标准(例如，以太网、802.11x、通用系统总线、WiMax、调制解调器、蜂窝网络协议等)的有线和/或无线接口，用于与计算环境600中的至少所有连接的组件、设备和网络传送信息。网络650可以是任何网络或网络的组合(例如，互联网、局域网、广域网、电话网络、蜂窝网络、卫星网络等)。
计算机设备605可以使用包括暂时性介质和非暂时性介质的计算机可用或计算机可读介质来进行使用和/或通信。暂时性介质包括传输介质(例如，金属电缆、光纤)、信号、载波等。非暂时性介质包括磁介质(例如，磁盘和磁带)、光介质(例如，CD ROM、数字视频盘、蓝光盘)、固态介质(例如，RAM、ROM、闪存、固态存储设备)和其他非易失性存储设备或存储器。
计算机设备605可以用于在一些示例计算环境中实现技术、方法、应用、处理或计算机可执行指令。计算机可执行指令可以从暂时性介质中取回，并被存储在非暂时性介质上并从其中取回。可执行指令可以源自任何编程、脚本和机器语言(例如，C、C++、C#、Java、Visual Basic、Python、Perl、JavaScript等)中的一个或多个。
在本地或虚拟环境中，处理器610可以在任何操作系统(OS)(未示出)下执行。可以部署一个或多个应用，其包括逻辑单元660、应用编程接口(API)单元665、输入单元670、输出单元675以及用于不同单元彼此通信和与OS和其他应用(未示出)进行通信的单元间通信机构695。所描述的单元和元件可以在设计、功能、配置或实现上是多变的，且不限于所提供的描述。
在一些示例实现中，当API单元665接收到信息或执行指令时，其可以被传送到一个或多个其他单元(例如，逻辑单元660、输入单元670、输出单元675)。在一些情况下，逻辑单元660可以被配置为控制单元之间的信息流，并引导由API单元665、输入单元670、输出单元675提供的服务(在上面描述的一些示例实现中)。例如，可以由逻辑单元660单独控制或与API单元665一起控制一个或多个过程或实现的流程。输入单元670可以被配置为获得针对在示例实现中描述的计算的输入，且输出单元675可以被配置为基于示例实现中描述的计算来提供输出。
，存储器615可以被配置为存储如图3(b)所示的历史交通信息、且当向交通工具101的GPS 110提供路线时的根据路段的关于路线的一个或多个部分的管理信息、估计速度轨迹和交通工具参数，如图3(c)所示。
在计算机内的操作的算法和符号表示方面呈现了详细描述的一些部分。这些算法描述和符号表示是数据处理领域技术人员向其他技术人员传播他们的创新实质使用的手段。算法是一系列定义步骤，导致期望的最终状态或结果。在示例实现中，所执行的步骤需要对有形的量进行物理操纵以获得有形的结果。
除非如以下讨论中显而易见的另行明确声明，否则应当意识到：在说明书全文中，使用诸如“处理”、“运算”、“计算”、“确定”、“显示”等之类的术语的讨论可以包括计算机系统或其他信息处理设备的动作和进程，该计算机系统或类似电子计算设备将表示计算机系统的寄存器和存储器中的物理(电子)量的数据操作和变换为类似表示为计算机系统存储器或寄存器或其他这种信息存储，传输或显示设备中的物理量的其他数据。
示例实现还可以涉及用于执行本文的操作的装置。该装置可以为了所需的目的而专门构造的，或其可以包括一个或多个通用计算机，所述通用计算机被一个或多个计算机程序选择性地激活或重新配置。这种计算机程序可以存储在诸如计算机可读存储介质或计算机可读信号介质的计算机可读介质中。计算机可读存储介质可以涉及有形介质，诸如但不限于光盘、磁盘、只读存储器、随机存取存储器、固态设备和驱动器或任何其他类型的用于存储电子信息的有形或非暂时性介质。计算机可读信号介质可以包括诸如载波的介质。本文呈现的算法和显示并非固有地与任何特定计算机或其他装置相关。计算机程序可以涉及纯软件实现，其涉及执行期望的实现的操作的指令。
根据本文的示例，可以使用各种通用系统以及程序和模块，或可以证明方便地构造更专业的装置来执行期望的方法步骤。此外，并未参考任何特定编程语言来描述示例实现。应认识到，各种编程语言可以用于执行如本文所述的示例实现的教导。可以由例如中央处理单元(CPU)、处理器或控制器的一个或多个处理设备执行编程语言的指令。
如本领域所知，上述操作可以通过硬件、软件或软件和硬件的某种组合来执行。可以使用电路和逻辑设备(硬件)来实现示例实现的各种方面，同时可以使用存储在机器可读介质(软件)上的指令来实现其他方面，其中如果由处理器执行所述指令，则该指令将使处理器执行用来执行本申请的实现的方法。此外，本申请的一些示例实现可以仅以硬件来执行，而其他示例实现可以仅以软件来执行。此外，所描述的各种功能可以在单个单元中执行，或可以以任意数量的方式分布在多个组件上。当由软件执行时，诸如通用计算机的处理器可以基于存储在计算机可读介质上的指令来执行所述方法。如果期望，则所述指令可以以压缩和/或加密格式被存储在介质上。
此外，通过考虑本申请的说明书和教义的实践，本发明的其他实现将对于本领域技术人员是显而易见的。可以单独地或以任何组合的方式使用上述示例实现的各种方面和/或组件。意图的是本说明书和示例实现仅认为是示例，本申请的真实范围和精神由接下来的权利要求指明。

Claims (6)

1.一种交通工具，包括：
一个或多个传感器；以及
处理器，
所述处理器根据机器学习过程构建速度轨迹估计函数以针对路线的一个或多个部分确定所述交通工具的预期速度，
所述机器学习过程包括：为了训练用于预期交通工具速度的人工神经网络ANN模型，除了将针对一个或多个历史路线的历史全球定位卫星GPS信息和历史交通信息输入到该ANN模型之外，还将来自所述一个或多个传感器的历史传感器数据输入到该ANN模型，
所述处理器配置为：
使用所述速度轨迹估计函数来针对路线的一个或多个部分确定所述交通工具的预期速度，
基于从所述一个或多个传感器接收的传感器数据，修改针对所述路线的所述一个或多个部分的所述预期速度，并且为了在所述机器学习过程之后的机器学习过程中将接收的该传感器数据用作历史传感器数据而存储接收的该传感器数据；以及
为了控制所述交通工具的后处理系统和换挡系统，基于修改后的所述预期速度，针对该后处理系统和换挡系统，使用与后处理和档位控制相关联的模型，来生成针对所述路线的所述一个或多个部分的换挡或传动比，以及针对所述路线的所述一个或多个部分的称为NOX的控制参数。
2.根据权利要求1所述的交通工具，其中，所述处理器被配置为：
基于修改后的预期速度，针对所述路线的所述一个或多个部分中的一个部分接收交通工具编队指令；以及
基于修改后的预期速度和针对所述路线的所述一个或多个部分中的所述部分确定的轨迹，根据针对所述路线的所述一个或多个部分中的所述部分的交通工具编队指令来控制交通工具。
3.一种控制交通工具的方法，包括：
根据机器学习过程构建速度轨迹估计函数以针对一个或多个交通工具的路线的一个或多个部分确定所述交通工具的预期速度，
所述机器学习过程包括：为了训练用于预期交通工具速度的人工神经网络ANN模型，除了将针对一个或多个历史路线的历史全球定位卫星GPS信息和历史交通信息输入到该ANN模型之外，还将来自所述一个或多个传感器的历史传感器数据输入到该ANN模型，
从一个或多个交通工具接收路线信息；
使用所述速度轨迹估计函数来针对路线的一个或多个部分确定所述一个或多个交通工具中的每一个的预期速度，其中根据与所述一个或多个交通工具中的每一个相关联的路线信息确定所述路线的所述一个或多个部分；
基于从所述一个或多个交通工具的传感器接收的传感器数据，修改针对所述路线的所述一个或多个部分的所述预期速度，并且为了在所述机器学习过程之后的机器学习过程中将接收的该传感器数据用作历史传感器数据而存储接收的该传感器数据；以及
发送所述一个或多个交通工具中的每一个的修改后的所述预期速度，
所述一个或多个交通工具中的每一个为了控制所述交通工具的后处理系统和换挡系统，基于修改后的所述预期速度，针对该后处理系统和换挡系统，使用与后处理和档位控制相关联的模型，来生成针对所述路线的所述一个或多个部分的换挡或传动比，以及针对所述路线的所述一个或多个部分的称为NOx的控制参数。
4.根据权利要求3所述的控制交通工具的方法，还包括：
基于所述路线信息从所述一个或多个交通工具中识别能够加入队列的交通工具；
基于所估计的所述一个或多个交通工具的速度，针对所识别的交通工具确定路线信息的一个或多个路段的编队配置；以及
将指令发送给所识别的交通工具以输入所述编队配置，所述指令包括针对所述一个或多个路段的速度和轨迹。
5.一种控制交通工具的系统，包括：
一个或多个交通工具，被配置为提供路线信息；以及
管理装置，
所述管理装置根据机器学习过程构建速度轨迹估计函数以针对所述一个或多个交通工具的路线的一个或多个部分确定所述交通工具的预期速度，
所述机器学习过程包括：为了训练用于预期交通工具速度的人工神经网络ANN模型，除了将针对一个或多个历史路线的历史全球定位卫星GPS信息和历史交通信息输入到该ANN模型之外，还将来自所述一个或多个传感器的历史传感器数据输入到该ANN模型，
所述管理装置被配置为：
从所述一个或多个交通工具接收所述路线信息；
使用所述速度轨迹估计函数来针对路线的一个或多个部分，确定所述一个或多个交通工具中的每一个的预期速度，其中根据与所述一个或多个交通工具中的每一个相关联的路线信息确定所述路线的所述一个或多个部分；
基于从所述一个或多个交通工具的传感器接收的传感器数据，修改针对所述路线的所述一个或多个部分的所述预期速度，并且为了在所述机器学习过程之后的机器学习过程中将接收的该传感器数据用作历史传感器数据而存储接收的该传感器数据；以及
发送所述一个或多个交通工具中的每一个的所述预期速度，
其中，所述一个或多个交通工具中的每一个为了控制所述交通工具的后处理系统和换挡系统，基于修改后的所述预期速度，针对该后处理系统和换挡系统，使用与后处理和档位控制相关联的模型，来生成针对所述路线的所述一个或多个部分的换挡或传动比，以及针对所述路线的所述一个或多个部分的称为NOX的控制参数。
6.根据权利要求5所述的控制交通工具的系统，其中所述管理装置还被配置为：
基于所述路线信息从所述一个或多个交通工具中识别能够加入队列的交通工具；
基于所估计的所述一个或多个交通工具的速度，针对所识别的交通工具确定路线信息的一个或多个路段的编队配置；以及
将指令发送给所识别的交通工具以输入所述编队配置，所述指令包括针对所述一个或多个路段的速度和轨迹。
CN201810173202.4A 2017-06-19 2018-03-01 交通工具和控制交通工具的方法和系统 Active CN109131345B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/627,277 2017-06-19
US15/627,277 US10551842B2 (en) 2017-06-19 2017-06-19 Real-time vehicle state trajectory prediction for vehicle energy management and autonomous drive

Publications (2)

Publication Number Publication Date
CN109131345A CN109131345A (zh) 2019-01-04
CN109131345B true CN109131345B (zh) 2022-06-21

Family

ID=61027550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810173202.4A Active CN109131345B (zh) 2017-06-19 2018-03-01 交通工具和控制交通工具的方法和系统

Country Status (4)

Country Link
US (1) US10551842B2 (zh)
EP (1) EP3418996A1 (zh)
JP (1) JP6484361B2 (zh)
CN (1) CN109131345B (zh)

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9953472B2 (en) * 2016-05-04 2018-04-24 General Electric Company System and method for determining grade errors of a route
KR101973627B1 (ko) * 2017-07-11 2019-04-29 엘지전자 주식회사 차량에 구비된 차량 제어 장치 및 차량의 제어방법
US10621448B2 (en) * 2017-08-02 2020-04-14 Wing Aviation Llc Systems and methods for determining path confidence for unmanned vehicles
GB2567154B (en) * 2017-10-02 2020-03-04 Jaguar Land Rover Ltd Method and apparatus for assisting in the maintenance of a vehicle speed within a speed range, and a vehicle comprising such an apparatus
CN109711591B (zh) * 2017-10-25 2022-02-01 腾讯科技（深圳）有限公司 一种路段速度预测方法、装置、服务器及存储介质
US10791543B2 (en) * 2017-10-31 2020-09-29 Toyota Jidosha Kabushiki Kaisha Service discovery and provisioning for a macro-vehicular cloud
WO2020014128A1 (en) * 2018-07-10 2020-01-16 Cavh Llc Vehicle on-board unit for connected and automated vehicle systems
JP7176376B2 (ja) * 2018-11-30 2022-11-22 トヨタ自動車株式会社 車両の制御装置
US10824947B2 (en) * 2019-01-31 2020-11-03 StradVision, Inc. Learning method for supporting safer autonomous driving without danger of accident by estimating motions of surrounding objects through fusion of information from multiple sources, learning device, testing method and testing device using the same
JP7133497B2 (ja) * 2019-03-05 2022-09-08 株式会社日立製作所 移動範囲設定システム及び移動範囲設定方法
US11364904B2 (en) * 2019-03-26 2022-06-21 GM Global Technology Operations LLC Path-planning fusion for a vehicle
DE102019205521A1 (de) 2019-04-16 2020-10-22 Robert Bosch Gmbh Verfahren zur Reduzierung von Abgasemissionen eines Antriebssystems eines Fahrzeugs mit Verbrennungsmotor
DE102019205519A1 (de) 2019-04-16 2020-10-22 Robert Bosch Gmbh Verfahren zum Ermitteln von Fahrverläufen
DE102019205520A1 (de) * 2019-04-16 2020-10-22 Robert Bosch Gmbh Verfahren zum Ermitteln von Fahrverläufen
JP6885421B2 (ja) * 2019-05-28 2021-06-16 村田機械株式会社 搬送制御装置
DE102020114306A1 (de) * 2019-05-29 2020-12-03 Hyundai-Aptiv Ad Llc Schätzen von geschwindigkeitsprofilen
US11023749B2 (en) 2019-07-05 2021-06-01 Zoox, Inc. Prediction on top-down scenes based on action data
CN110415516B (zh) * 2019-07-15 2021-06-22 厦门大学 基于图卷积神经网络的城市交通流预测方法及介质
EP3790295B1 (en) 2019-09-09 2024-05-29 Volkswagen AG Method, computer program, and apparatus for determining a minimum inter-vehicular distance for a platoon, vehicle, traffic control entity
DE102019216156A1 (de) * 2019-10-21 2021-04-22 Zf Active Safety Gmbh Steuerungssystem und Steuerungsverfahren
CN113383283B (zh) * 2019-12-30 2024-06-18 深圳元戎启行科技有限公司 感知信息处理方法、装置、计算机设备和存储介质
CN111260950B (zh) * 2020-01-17 2021-03-26 清华大学 一种基于轨迹预测的轨迹跟踪方法、介质和车载设备
EP3859192B1 (en) * 2020-02-03 2022-12-21 Robert Bosch GmbH Device, method and machine learning system for determining a state of a transmission for a vehicle
EP3859614A1 (en) * 2020-02-03 2021-08-04 Robert Bosch GmbH Device, method and machine learning system for determining a velocity for a vehicle
CN111231955B (zh) * 2020-02-25 2021-06-01 芜湖雄狮汽车科技有限公司 纵向车速的控制方法、装置、系统及存储介质
DE102020202540A1 (de) * 2020-02-27 2021-09-02 Psa Automobiles Sa Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt sowie Kraftfahrzeug
US11960298B2 (en) * 2020-04-09 2024-04-16 The Regents Of The University Of Michigan Multi-range vehicle speed prediction using vehicle connectivity for enhanced energy efficiency of vehicles
CN112629550B (zh) * 2020-10-13 2024-03-01 北京三快在线科技有限公司 一种预测障碍物轨迹以及模型训练的方法及装置
KR102445622B1 (ko) * 2020-12-31 2022-09-21 주식회사 아이카 클라우드를 이용한 차량 연료 분석 시스템
CN117571001A (zh) * 2021-01-08 2024-02-20 御眼视觉技术有限公司 用于公共速度映射和导航的系统和方法
CN115503681A (zh) * 2021-10-21 2022-12-23 吉林大学 一种混合动力工程车辆轨迹跟踪控制系统及方法
US20230192147A1 (en) * 2021-12-22 2023-06-22 Gm Cruise Holdings Llc Using maps at multiple resolutions and scale for trajectory prediction

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005214203A (ja) * 2004-02-02 2005-08-11 Robert Bosch Gmbh 排気ガス後処理装置の再生方法
CN104044593A (zh) * 2013-03-13 2014-09-17 福特环球技术公司 利用最佳速度曲线的路线导航
CN105270383A (zh) * 2014-05-30 2016-01-27 福特全球技术公司 利用神经网络进行车速曲线预测
CN105683018A (zh) * 2013-10-23 2016-06-15 捷豹路虎有限公司 车辆速度控制的改进
JP2016128997A (ja) * 2015-01-09 2016-07-14 住友電気工業株式会社 車載装置、管理装置、走行モードの判定方法及びコンピュータプログラム
CN106184217A (zh) * 2015-05-25 2016-12-07 丰田自动车株式会社 车辆的自动驾驶系统

Family Cites Families (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2239407B (en) * 1989-12-27 1994-10-12 Nissan Motor Exhaust gas purifying device for an internal combustion engine
US5893894A (en) * 1996-02-23 1999-04-13 Kabushikikaisha Equos Research Apparatus for controlling an automatic transmission of an automobile and method thereof
JPH10184877A (ja) * 1996-12-24 1998-07-14 Toyota Motor Corp 有段変速機の制御装置
US7146264B2 (en) * 2001-03-30 2006-12-05 International Business Machines Corporation Method and system for controlling an automatic transmission using a GPS assist having a learn mode
JP3823923B2 (ja) * 2003-01-16 2006-09-20 日産自動車株式会社 排気浄化装置
US8712650B2 (en) 2005-11-17 2014-04-29 Invent.Ly, Llc Power management systems and designs
DE102006005505A1 (de) * 2005-12-05 2007-06-06 Robert Bosch Gmbh Verfahren zur Steuerung einer Abgasreinigungsanlage
US9376971B2 (en) 2006-03-20 2016-06-28 General Electric Company Energy management system and method for vehicle systems
DE102008008566B4 (de) * 2008-02-08 2023-03-23 Robert Bosch Gmbh Verfahren zum Regenerieren einer Abgasnachbehandlungsanlage
US8315775B2 (en) * 2009-02-06 2012-11-20 GM Global Technology Operations LLC Cruise control systems and methods with adaptive speed adjustment rates
EP2221581B1 (en) * 2009-02-18 2017-07-19 Harman Becker Automotive Systems GmbH Method of estimating a propulsion-related operating parameter
CN102460534B (zh) * 2009-04-22 2014-10-29 因瑞克斯有限公司 基于历史和当前数据预测期望道路交通状况的计算机实现的方法和计算系统
US20100305798A1 (en) 2009-05-29 2010-12-02 Ford Global Technologies, Llc System And Method For Vehicle Drive Cycle Determination And Energy Management
DE112010003258T5 (de) * 2009-08-13 2013-01-03 Cummins Ip, Inc. Vorrichtung, System und Methode zur adaptiven Motorsystemsteuerung mit integrierter globaler Positionsbestimmung
GB201113112D0 (en) * 2011-02-03 2011-09-14 Tomtom Dev Germany Gmbh Method of generating expected average speeds of travel
WO2013033347A1 (en) * 2011-08-29 2013-03-07 5D Robotics, Inc. Fuel efficiency improving system for vehicle
US10377379B2 (en) * 2011-10-29 2019-08-13 Robotic Research, Llc Method and system for utilizing the energy storage provided by a vehicle's mass in the form of potential and kinetic energy to optimize fuel consumption
WO2013095242A1 (en) * 2011-12-22 2013-06-27 Scania Cv Ab Method and module for determining of at least one reference value
ES2411629B1 (es) 2011-12-30 2014-03-11 Seat, S.A. Dispositivo y método para la predicción "on-line" del ciclo de conducción en un vehículo automóvil.
US8862346B2 (en) * 2012-03-20 2014-10-14 Eaton Corporation System and method for simulating the performance of a virtual vehicle
US9002612B2 (en) * 2012-03-20 2015-04-07 Toyota Motor Engineering & Manufacturing North America, Inc. Prediction of driver-specific cruise speed using dynamic modeling
US20140032087A1 (en) 2012-07-25 2014-01-30 Mobiwize Solutions Ltd. Reducing fuel consumption by accommodating to anticipated road and driving conditions
US8768587B2 (en) * 2012-07-25 2014-07-01 Caterpillar Inc. Worksite management system with gear recommendation
DE102012016768A1 (de) * 2012-08-23 2014-05-15 Elektrobit Automotive Gmbh Technik zum Verarbeiten kartographischer Daten für das Bestimmen energiesparender Routen
US9102320B2 (en) * 2012-09-13 2015-08-11 Ford Global Technologies, Llc Predictive aftertreatment scheduling for a vehicle
US9371766B2 (en) * 2012-09-14 2016-06-21 Ford Global Technologies, Llc Engine-on time predictor for aftertreatment scheduling for a vehicle
CN104969274B (zh) * 2013-02-01 2017-03-08 日立汽车系统株式会社 行驶控制装置和行驶控制系统
SE537482C2 (sv) * 2013-09-30 2015-05-12 Scania Cv Ab Metod och system för gemensam körstrategi för fordonståg
US9452754B2 (en) * 2013-12-04 2016-09-27 Mobileye Vision Technologies Ltd. Systems and methods for detecting and responding to traffic laterally encroaching upon a vehicle
US20150197247A1 (en) * 2014-01-14 2015-07-16 Honda Motor Co., Ltd. Managing vehicle velocity
US9272621B2 (en) * 2014-04-24 2016-03-01 Cummins Inc. Systems and methods for vehicle speed management
US9321447B2 (en) * 2014-05-16 2016-04-26 International Business Machines Corporation Vehicle powertrain synchronization based on predicted driver actions
US9732646B2 (en) * 2015-01-12 2017-08-15 Ford Global Technologies, Llc Systems and methods for opportunistic diesel particulate filter regeneration
SE541205C2 (en) 2015-03-31 2019-04-30 Scania Cv Ab System and method for coordination of platoon formation
US10023188B2 (en) * 2015-11-09 2018-07-17 Cummins Inc. Systems and methods for pre-hill cruise speed adjustment
US9953472B2 (en) * 2016-05-04 2018-04-24 General Electric Company System and method for determining grade errors of a route
EP3465371A4 (en) * 2016-05-31 2019-12-18 Peloton Technology Inc. STATE MACHINE FOR PLATOON REGULATOR
US10089882B2 (en) * 2016-09-21 2018-10-02 Wabco Europe Bvba Method for controlling an own vehicle to participate in a platoon
CN106710307A (zh) * 2017-01-06 2017-05-24 汽-大众汽车有限公司 一种车辆辅助驾驶方法和装置
US10029685B1 (en) * 2017-02-24 2018-07-24 Speedgauge, Inc. Vehicle speed limiter
US10309793B2 (en) * 2017-05-26 2019-06-04 Ford Global Technologies, Llc Systems and methods for particulate filter regeneration

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005214203A (ja) * 2004-02-02 2005-08-11 Robert Bosch Gmbh 排気ガス後処理装置の再生方法
CN104044593A (zh) * 2013-03-13 2014-09-17 福特环球技术公司 利用最佳速度曲线的路线导航
CN105683018A (zh) * 2013-10-23 2016-06-15 捷豹路虎有限公司 车辆速度控制的改进
CN105270383A (zh) * 2014-05-30 2016-01-27 福特全球技术公司 利用神经网络进行车速曲线预测
JP2016128997A (ja) * 2015-01-09 2016-07-14 住友電気工業株式会社 車載装置、管理装置、走行モードの判定方法及びコンピュータプログラム
CN106184217A (zh) * 2015-05-25 2016-12-07 丰田自动车株式会社 车辆的自动驾驶系统

Also Published As

Publication number Publication date
JP6484361B2 (ja) 2019-03-13
US10551842B2 (en) 2020-02-04
JP2019001450A (ja) 2019-01-10
EP3418996A1 (en) 2018-12-26
US20180364725A1 (en) 2018-12-20
CN109131345A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN109131345B (zh) 交通工具和控制交通工具的方法和系统
US11302031B2 (en) System, apparatus and method for indoor positioning
CN109131340B (zh) 基于驾驶员行为的主动车辆性能调整
US10473474B2 (en) System and method for vehicle energy estimation, adaptive control and routing
CN108074412B (zh) 用于车辆行驶辅助的方法和设备
US11106209B2 (en) Anomaly mapping by vehicular micro clouds
US11507894B2 (en) System and method for ride order dispatching
CN110850861A (zh) 基于注意的分层变道深度强化学习
CN110850854A (zh) 自动驾驶员代理和为自动驾驶员代理提供策略的策略服务器
US20210233196A1 (en) System and method for ride order dispatching
US11891087B2 (en) Systems and methods for generating behavioral predictions in reaction to autonomous vehicle movement
US11567495B2 (en) Methods and systems for selecting machine learning models to predict distributed computing resources
US20210056854A1 (en) Hierarchical ai assisted safe and efficient platooning
US11176503B2 (en) Managing vehicles using mobility agent
US20200201357A1 (en) Systems and methods for vehicle scheduling and routing
Siegel et al. Algorithms and architectures: A case study in when, where and how to connect vehicles
Biswas et al. State-of-the-art review on recent advancements on lateral control of autonomous vehicles
US11993287B2 (en) Fleet-level AV simulation system and method
Armengaud et al. Development framework for longitudinal automated driving functions with off-board information integration
WO2023136977A1 (en) Systems and methods for pareto domination-based learning
CN113422797A (zh) 一种用于车联网的更新地图的方法及系统
Kale et al. Deep Learning Based Multi-Zone AVP System Utilizing V2I Communications
US11852496B2 (en) Predictable and delay tolerant traffic management system
CN113807913A (zh) 一种更新订单处理模型的方法、装置、设备及存储介质

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