CN110262491B - 一种基于混合学习方式的车辆制动意图预测的方法及系统 - Google Patents

一种基于混合学习方式的车辆制动意图预测的方法及系统 Download PDF

Info

Publication number
CN110262491B
CN110262491B CN201910553593.7A CN201910553593A CN110262491B CN 110262491 B CN110262491 B CN 110262491B CN 201910553593 A CN201910553593 A CN 201910553593A CN 110262491 B CN110262491 B CN 110262491B
Authority
CN
China
Prior art keywords
braking
vehicle
bus
braking intention
prediction
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
CN201910553593.7A
Other languages
English (en)
Other versions
CN110262491A (zh
Inventor
周健豪
孙静
何龙强
丁一
薛四伍
孙开培
顾诚
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201910553593.7A priority Critical patent/CN110262491B/zh
Publication of CN110262491A publication Critical patent/CN110262491A/zh
Application granted granted Critical
Publication of CN110262491B publication Critical patent/CN110262491B/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
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • 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
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • 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
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开一种基于混合学习方式的车辆制动意图预测的方法及系统，属于车辆制动意图的预测领域，能够提前进行制动控制、进行制动能量的管理，从而提高车辆的制动性能、提高能量回收效率。本发明方法为：首先采集数据并对采集的数据进行平滑处理、归一化处理；然后基于无监督学习方式模糊C均值算法将制动意图聚为四类：轻微制动、普通制动、强制动、紧急制动；再基于特征选择算法ReliefF进行特征参数的选择；最后基于监督学习算法Adaboost离线训练制动意图预测模型，用于在线预测。所述系统主要包括：压力传感器、电机控制器、电池控制器、变速箱控制器、CAN总线、外围电路、电子控制单元ECU，离线训练得到的预测模型位于ECU内，用于在线预测。

Description

一种基于混合学习方式的车辆制动意图预测的方法及系统
技术领域
本发明属于车辆制动意图的预测领域，尤其涉及一种基于混合学习方式的车辆制动意图预测的方法及系统。
背景技术
汽车工业的快速发展，在给人们带来便利的同时，也导致了交通堵塞、交通事故频发，造成了资源短缺、环境污染等问题，故智能驾驶技术、新能源电动汽车技术应运而生。制动意图的预测一方面在智能驾驶辅助系统以及自动驾驶中有着广泛的应用，能够及时的发现车辆的危险紧急工况以及驾驶员的异常行为，提前进行安全制动的控制，保证车辆系统的安全性能；另一方面，制动意图的预测可以用于电动汽车制动力分配策略研究，根据制动意图的预测结果提前进行制动能量的回收，优化制动力分配策略，从而提高电动汽车能量回收的效率。
当前，对制动意图的研究多集中于制动意图的识别，对制动意图的预测研究较少。驾驶员制动意图的识别方式，大致分为两类：一类是通过安装在车辆系统上的传感器获取车辆及周围环境的当前状态，通过对获取数据的分析，基于模糊逻辑、机器学习等对驾驶员制动意图进行识别；另一类，是通过采集脑电图信号(EEG)、肌电图信号(EMG)等驾驶员自身的反应对制动意图进行识别，该方式准确率高并且可以实现对制动意图的预测，但是脑信号与肌信号的提取是一个特别复杂的过程，所需要的实验设备也极其昂贵，故现阶段实用价值不高。
发明内容
本发明提供了一种基于混合学习方式的车辆制动意图预测的方法及系统，能够在不提高车辆成本的前提下，通过预测驾驶员的制动意图，提前进行安全制动的控制，提高车辆系统的安全性能；对于电动汽车还可以提前进行制动能量的回收，提高能量回收效率。
为实现以上目的，本发明采用以下技术方案：
一种基于混合学习方式的车辆制动意图预测的方法，包括以下步骤：
步骤1：基于Random Cycle Generator产生一个随机工况，采集实验车辆在所述随机工况下行驶时CAN总线上的数据，采集制动主缸压力的数据；
步骤2：对步骤1采集的主缸压力进行平滑处理；
步骤3：以车辆平滑化处理后的主缸压力作为输入，基于无监督学习方式模糊C均值算法(FCM)，将制动意图进行分类；
步骤4：在CAN总线上采集的原始数据中选取与制动意图有关的变量以及变量的统计信息作为初步选择的特征参数，并对所有特征参数进行平滑化以及归一化处理。
步骤5：基于特征选择算法ReliefF算法进行特征参数的选择；
步骤6：以所述特征参数组成的特征向量矩阵作为输入，以对应的下一个预测周期的制动意图作为目标，基于监督学习方式Adaboost训练制动意图预测模型；
步骤7：基于离线训练的制动意图预测模型，在线预测制动意图。
以上所述方法中，所述混合学习方式指无监督学习方式与监督学习方式的混合；
步骤1所述实验车辆为电动汽车；所述CAN总线数据包括：速度、加速度、电机转速、电机转矩、电池电流、电池电压、电池荷电状态SOC、电池电流变化率、电池电压变化率。
步骤2所述平滑处理的过程为：
Figure BDA0002106220250000021
式(1)中，Xt为在时间t内，平滑处理后得到的样本数值；N为时间t
内，原始样本个数；Xtn为在时间t内，第n个原始数据。
步骤3基于FCM进行分类时，取类别为4，四种制动意图分别为轻微制动、普通制动、强制动、紧急制动；
步骤4所述统计信息包括：前三个取样周期内速度均值、速度标准方差、加速度均值、加速度标准方差；所述归一化处理过程为：
Figure BDA0002106220250000022
式(2)中，Xi为xi归一化处理后的数据，xmin为特征向量x的最小值，xmax为特征向量x的最大值。
步骤5所述基于ReliefF算法选择的特征参数包括：车速、加速度、电流、电机转速、电机转矩、速度均值、速度标准差、加速度均值、制动主缸压力。
步骤6所述作为目标值的四种制动意图：轻微制动、普通制动、强制动、紧急制动，分别用数字1、2、3、4表示。
一种基于混合学习方式的车辆制动意图预测的系统，所述系统包括：压力传感器、电机控制器、电池控制器、变速箱控制器、CAN总线、外围电路、电子控制单元ECU；电机控制器中储存电机转速、电机转矩信号，电池控制器中储存电池电流、电池电压、电池荷电状态SOC、电池电流变化率、电池电压变化率信号，变速器控制器中储存速度、加速度信号；所述压力传感器通过外围电路与电子控制单元ECU连接，所述电机控制器、电池控制器、变速箱控制器均通过外围电路与CAN总线连接，所述CAN总线通过外围电路与电子控制单元ECU连接。
所述外围电路包括：电源电路、时钟电路、通讯接口电路、信息采集电路；所述电机控制器、电池控制器、变速箱控制器通过信息采集电路与CAN总线连接，所述CAN总线通过通讯接口电路与电子控制单元ECU连接，所述压力传感器通过信息采集电路连接电子控制单元ECU，所述电源电路将交流电压转换为CAN总线所需要的电压值，同时为整个系统提供电能，所述时钟电路用于控制系统的采样频率；所述外围电路中的信息采集电路将采集到的速度、加速度、电机转速、电机转矩、电池电流、电池电压、电池荷电状态SOC、电池电流变化率、电池电压变化率信号传递给CAN总线。
所述电子控制单元ECU包括：处理模块、训练模块、存储模块、计算输出模块；所述处理模块负责根据收集的数据计算相应的统计信息，进行平滑化、归一化处理，并且基于ReliefF算法选择特征参数；所述训练模块负责将处理后的数据作为训练样本，基于监督学习方式Adaboost训练制动意图预测模型；所述存储模块负责存储制动意图预测模型，用于在线预测制动意图；所述计算输出模块负责输出制动意图预测结果。
有益效果：本发明提供了一种基于混合学习方式的车辆制动意图预测的方法及系统，以采集的驾驶员的驾驶数据作为输入，基于无监督学习方式FCM对制动意图进行聚类，得到每个制动意图的阈值，而不是按照标准对制动意图的阈值进行规定。因此，本发明制动意图的分类标准更加人性化，更能贴近每个驾驶员的驾驶风格。本发明基于ReliefF算法提前进行特征参数的选择，能够在不漏掉重要参数的同时，达到简化训练模型的效果；而且能够实现制动意图的预测，从而能够提前发现车辆的危险紧急工况以及驾驶员的异常行为，提前进行安全制动的控制，保证车辆系统的安全性能；并且能够提前进行制动能量的回收，优化制动力分配策略，提高电动汽车能量回收的效率。本发明还具有系统简单，成本低的优点。
附图说明
图1为车辆制动意图预测方法示意图；
图2为随机循环工况速度曲线示意图；
图3为FCM算法流程图；
图4为FCM聚类结果图；
图5为每个特征所占权重示意图；
图6为Adaboost算法流程图；
图7为车辆制动意图预测系统示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明：
如图1所示的车辆制动意图预测方法示意图，图中实线表示离线训练的过程，虚线表示在线预测过程，混合学习方式是指无监督学习方式FCM与监督学习方式Adaboost的混合，一种基于混合学习方式的车辆制动意图预测的方法，包括以下步骤：
步骤1：基于Random Cycle Generator产生一个随机工况，采集实验车辆在该随机工况下行驶时CAN总线上的数据，采集制动主缸压力的数据；
所用实验工况为Random Cycle Generator产生的随机工况，Random CycleGenerator数据库为全球轻型汽车测试循环(WLTC)，WLTC没有周期性的加减速，更好的体现了不同拥堵程度的车速变化情况；与其它标准循环工况(例：NEDC)相比，WLTC拥有更长的测试周期和更高的平均速度，明显更加贴近车辆实际驾驶情况，而且其速度变化区间更广。图2给出了本发明所用随机循环工况的速度曲线示意图，最高速度接近150km/h，采集到的数据中，加速度可以达到7m/s2，因此，该随机工况基本满足所有制动情况，可以用作取样样本，同时为了保证取样样本的充足，以10HZ的频率采集了三组随机循环工况共74491组数据；
其中，本实施例实验车辆选用电动汽车，对于其他车辆该发明方法同样适用。
采集的CAN总线数据包括：速度、加速度、电机转速、电机转矩、电池电流、电池电压、电池荷电状态SOC、电池电流变化率、电池电压变化率。
步骤2：对采集的数据进行平滑处理；
平滑处理的过程为：
Figure BDA0002106220250000051
式(1)中，Xt为在时间t内，平滑处理后得到的样本数值；N为时间t
内，原始样本个数；Xtn为在时间t内，第n个原始数据。本文取样频率为10HZ，
选取t＝0.5s，N＝5；
步骤3：以车辆制动主缸的压力作为输入，基于无监督学习方式模糊C均值算法(FCM)，将制动意图进行分类；
图3给出了FCM算法的示意图，具体步骤为：
(1)初始化聚类数c、模糊指数m、阈值ε、最大迭代次数L以及隶属度矩阵U；
(2)基于式(2)更新聚类中心V：
Figure BDA0002106220250000052
(3)基于式(3)更新隶属度矩阵U：
Figure BDA0002106220250000053
(4)基于式(4)重新计算目标函数值：
Figure BDA0002106220250000054
(5)若目标函数值J小于阈值ε或者到达指定的最大迭代次数，则算法停止，否则重复步骤(2)～(4)。
其中，xj为给定数据集X＝{x1,x2,……,xn}中的一个元素，每个元素包含s个属性；vi为聚类中心；uij表示第j个样本属于第i类的隶属度，uij∈[0,1]，
Figure BDA0002106220250000061
dij＝‖xj―vi‖为元素xj与聚类中心vi之间的距离；m为模糊因子，m值越大，模糊的程度越高；取聚类数c＝4，即制动意图分为四类分别为：轻微制动、普通制动、强制动、紧急制动。
以收集到的主缸压力数值作为输入，图4给出了FCM的聚类结果图，轻微制动的范围为0～1.5bar，表示车辆处于无制动或者轻微制动状态，此时不对车辆采取制动控制，认为车辆行驶在颠簸路面或者制动踏板出现松动而导致的轻微制动；中等制动的范围为1.5～5.3bar，此时，认为该车辆与前车车辆之间的距离相差较远，在进行制动时可以优先考虑舒适性和能量回收效率；强制动的范围为5.3～11.1bar，此时，认为该车辆与前车之间的距离并不是绝对的安全距离，因此，制动时可以损失掉一部分舒适性和能量回收效率，从而保证制动安全性；紧急制动的范围大于11.1bar，此时，制动防抱死以及其他辅助驾驶控制系统应该介入进行安全控制，从而完全保证制动安全性；
步骤4：在CAN总线上采集的原始数据中选取与制动意图有关的变量以及变量的统计信息作为初步选择的特征参数，并对所有特征参数进行平滑化以及归一化处理。
变量的统计信息包括：速度均值、速度标准差、加速度均值、加速度标准差，故初步选择的特征参数包括：速度、加速度、电机转速、电机转矩、电池电流、电池电压、电池荷电状态SOC、电池电流变化率、电池电压变化率、速度均值、速度标准差、加速度均值、加速度标准差、主缸压力。
归一化处理过程为：
Figure BDA0002106220250000062
式(5)中，Xi为xi归一化处理后的数据，xmin为特征向量x的最小值，xmax为特征向量x的最大值；
步骤5：基于特征选择算法ReliefF算法进行特征参数的选择；
ReliefF算法可以为每个特征分配权重，从而能够根据权重进行特征参数的选择，ReliefF算法的主要步骤为：
(1)从训练数据集D中，每次随机取出一个样本R，共抽取m次；
(2)在与样本R相同分类的样本组内，取出k个最近邻样本Hj；
(3)在所有其它与样本R不同分类的样本组内，也分别取出k个最近邻样本Mj(C)；
(4)基于式(6)计算每个特征的权重：
Figure BDA0002106220250000071
式(6)中，A表示特征；P(C)是类别C占总样本的比例；P(class(R))是随机选取的样本R的类别的比例；而diff(A,R,Hj)表示样本R和Hj在特征A上的不同，式(7)为具体表达式：
Figure BDA0002106220250000072
图5为每个特征所占权重示意图，为了使训练模型简单，未选择权重比较低的特征，最终选择的特征参数包括：车速、加速度、电流、电机转速、电机转矩、速度平均值、速度标准差、加速度平均值、主缸压力；
步骤5：以特征参数组成的特征向量矩阵作为输入，以对应的下一个预测周期的制动意图作为目标，基于监督学习方式Adaboost训练制动意图预测模型；
图6给出了Adaboost算法的示意图，为一个串行过程，其主要步骤为：首先初始化训练数据X的权值分布，每个xi权重相等，用该初始权重训练出一个弱分类器1；根据弱分类器1的学习误差率更新训练样本的权重，弱分类器1学习误差率高的训练样本点的权重变高，从而使得误差率高的点在弱分类器2中得到更多的重视；如此重复进行，直到弱分类器数达到事先指定的数目T；最终将这T个弱分类器进行整合，得到最终的强分类器；
步骤7：基于离线训练的制动意图预测模型，在线预测制动意图。当进行制动意图识别，即预测周期为0s时，准确率达到97.4％；当预测周期为0.5s时，预测准确率达到94.1％。
如图7所示，一种基于混合学习方式的车辆制动意图预测的系统，所述系统包括：压力传感器、电机控制器、电池控制器、变速箱控制器、CAN总线、外围电路、电子控制单元ECU；电机控制器中储存电机转速、电机转矩信号，电池控制器中储存电池电流、电池电压、电池荷电状态SOC、电池电流变化率、电池电压变化率信号，变速器控制器中储存速度、加速度信号；所述压力传感器通过外围电路与电子控制单元ECU连接，所述电机控制器、电池控制器、变速箱控制器均通过外围电路与CAN总线连接，所述CAN总线通过外围电路与电子控制单元ECU连接。
所述外围电路包括：电源电路、时钟电路、通讯接口电路、信息采集电路；电源电路、时钟电路、通讯接口电路、信息采集电路；所述电机控制器、电池控制器、变速箱控制器通过信息采集电路与CAN总线连接，所述CAN总线通过通讯接口电路与电子控制单元ECU连接，所述压力传感器通过信息采集电路连接电子控制单元ECU，所述电源电路将交流电压转换为CAN总线所需要的电压值，同时为整个系统提供电能，所述时钟电路用于控制系统的采样频率；所述外围电路中的信息采集电路将采集到的速度、加速度、电机转速、电机转矩、电池电流、电池电压、电池荷电状态SOC、电池电流变化率、电池电压变化率信号传递给CAN总线；
所述电子控制单元ECU包括：处理模块、训练模块、存储模块、计算输出模块；所述处理模块负责根据收集的数据计算相应的统计信息，进行平滑化、归一化处理，并且基于ReliefF算法选择特征参数；所述训练模块负责将处理后的数据作为训练样本，基于监督学习方式Adaboost训练制动意图预测模型；所述存储模块负责存储制动意图预测模型，用于在线预测制动意图；所述计算输出模块负责将制动意图预测模型的输出1、2、3、4分别转化为轻微制动、普通制动、强制动、紧急制动，并进行输出。
以上所述仅为本发明的优选实施方式，但本发明的保护范围并不局限于此，本领域技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于混合学习方式的车辆制动意图预测的方法，其特征在于，包括以下步骤：
步骤1：基于Random Cycle Generator产生一个随机工况，采集实验车辆在所述随机工况下行驶时CAN总线上的数据，采集制动主缸压力的数据；
步骤2：对步骤1采集的主缸压力的数据进行平滑处理；
步骤3：以车辆平滑化处理后的主缸压力数据作为输入，基于无监督学习方式模糊C均值算法，将制动意图进行分类；
步骤4：在CAN总线上采集的原始数据中选取与制动意图有关的变量以及变量的统计信息作为初步选择的特征参数，并对所有特征参数进行平滑化以及归一化处理；
步骤5：基于ReliefF算法进行特征参数的选择；
步骤6：以所述特征参数组成的特征向量矩阵作为输入，以对应的下一个预测周期的制动意图作为目标，基于监督学习方式Adaboost训练制动意图预测模型；
步骤7：基于离线训练的制动意图预测模型，在线预测制动意图。
2.根据权利要求1所述的基于混合学习方式的车辆制动意图预测的方法，其特征在于，所述混合学习方式指无监督学习方式与监督学习方式的混合。
3.根据权利要求1所述的基于混合学习方式的车辆制动意图预测的方法，其特征在于，步骤1所述实验车辆为电动汽车；所述CAN总线数据包括：速度、加速度、电机转速、电机转矩、电池电流、电池电压、电池荷电状态SOC、电池电流变化率、电池电压变化率。
4.根据权利要求1所述的基于混合学习方式的车辆制动意图预测的方法，其特征在于，步骤2所述平滑处理的过程为：
Figure FDA0003132866120000011
式(1)中，Xt为在时间t内，平滑处理后得到的样本数值；N为时间t内，原始样本个数；Xtn为在时间t内，第n个原始数据，取样频率为10HZ，选取t＝0.5s，N＝5。
5.根据权利要求1所述的基于混合学习方式的车辆制动意图预测的方法，其特征在于，步骤3基于FCM进行分类时，取类别为4，四种制动意图分别为轻微制动、普通制动、强制动、紧急制动。
6.根据权利要求1所述的基于混合学习方式的车辆制动意图预测的方法，其特征在于，步骤4所述统计信息包括：前三个取样周期内速度均值、速度标准方差、加速度均值、加速度标准方差；所述归一化处理过程为：
Figure FDA0003132866120000021
式(2)中，Xi为xi归一化处理后的数据，xmin为特征向量x的最小值，xmax为特征向量x的最大值。
7.根据权利要求1所述的基于混合学习方式的车辆制动意图预测的方法，其特征在于，步骤5所述基于ReliefF算法选择的特征参数包括：车速、加速度、电流、电机转速、电机转矩、速度均值、速度标准差、加速度均值、制动主缸压力。
8.一种基于混合学习方式的车辆制动意图预测的系统，其特征在于，所述系统包括：压力传感器、电机控制器、电池控制器、变速箱控制器、CAN总线、外围电路、电子控制单元ECU；所述压力传感器通过外围电路与电子控制单元ECU连接，所述电机控制器、电池控制器、变速箱控制器均通过外围电路与CAN总线连接，所述CAN总线通过外围电路与电子控制单元ECU连接；所述电子控制单元ECU包括：处理模块、训练模块、存储模块、计算输出模块；所述处理模块负责根据收集的数据计算相应的统计信息，进行平滑化、归一化处理，并且基于ReliefF算法选择特征参数；所述训练模块负责将处理后的数据作为训练样本，基于监督学习方式Adaboost训练制动意图预测模型；所述存储模块负责存储制动意图预测模型，用于在线预测制动意图；所述计算输出模块负责输出制动意图预测结果。
9.根据权利要求8所述的基于混合学习方式的车辆制动意图预测的系统，其特征在于，所述外围电路包括：电源电路、时钟电路、通讯接口电路、信息采集电路；所述电机控制器、电池控制器、变速箱控制器通过信息采集电路与CAN总线连接，所述CAN总线通过通讯接口电路与电子控制单元ECU连接，所述压力传感器通过信息采集电路连接电子控制单元ECU，所述电源电路将交流电压转换为CAN总线所需要的电压值，同时为整个系统提供电能，所述时钟电路用于控制系统的采样频率。
CN201910553593.7A 2019-06-25 2019-06-25 一种基于混合学习方式的车辆制动意图预测的方法及系统 Active CN110262491B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910553593.7A CN110262491B (zh) 2019-06-25 2019-06-25 一种基于混合学习方式的车辆制动意图预测的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910553593.7A CN110262491B (zh) 2019-06-25 2019-06-25 一种基于混合学习方式的车辆制动意图预测的方法及系统

Publications (2)

Publication Number Publication Date
CN110262491A CN110262491A (zh) 2019-09-20
CN110262491B true CN110262491B (zh) 2021-12-14

Family

ID=67921245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910553593.7A Active CN110262491B (zh) 2019-06-25 2019-06-25 一种基于混合学习方式的车辆制动意图预测的方法及系统

Country Status (1)

Country Link
CN (1) CN110262491B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111177939B (zh) * 2020-01-03 2023-04-18 中国铁路郑州局集团有限公司科学技术研究所 一种基于深度学习的列车空气制动系统制动缸压力预测方法
CN111340074B (zh) * 2020-02-13 2023-05-26 南京航空航天大学 基于改进的rbf神经网络的驾驶员制动意图辨识方法
CN112124079B (zh) * 2020-09-30 2021-09-28 安徽江淮汽车集团股份有限公司 能量回收自学习方法、设备、存储介质及装置
CN114228692B (zh) * 2021-12-16 2024-04-26 合肥学院 一种基于行驶意图辨识的车辆传动及制动系统工况自适应控制方法
CN114802156B (zh) * 2022-04-22 2023-04-25 江苏恒力制动器制造有限公司 考虑驾驶员踏板操作特性的电子液压制动系统及控制方法
CN116442970B (zh) * 2023-06-20 2023-08-15 广汽埃安新能源汽车股份有限公司 一种车辆制动控制方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202115330U (zh) * 2011-05-20 2012-01-18 上海亿威泰客新能源技术有限公司 混合动力装置
CN106203856A (zh) * 2016-07-18 2016-12-07 交通运输部公路科学研究所 一种组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法
CN106740863A (zh) * 2016-11-30 2017-05-31 武汉长江通信智联技术有限公司 驾驶行为分析方法
CN107067722A (zh) * 2017-04-24 2017-08-18 中国汽车技术研究中心 一种新的车辆行驶工况构建方法
CN107153916A (zh) * 2017-04-30 2017-09-12 安徽中科美络信息技术有限公司 一种基于fcm聚类和bp神经网络的驾驶行为评价方法
CN107662503A (zh) * 2017-09-13 2018-02-06 浙江工业大学之江学院 基于加速与制动踏板状态的电动汽车制动意图辨识方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202115330U (zh) * 2011-05-20 2012-01-18 上海亿威泰客新能源技术有限公司 混合动力装置
CN106203856A (zh) * 2016-07-18 2016-12-07 交通运输部公路科学研究所 一种组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法
CN106740863A (zh) * 2016-11-30 2017-05-31 武汉长江通信智联技术有限公司 驾驶行为分析方法
CN107067722A (zh) * 2017-04-24 2017-08-18 中国汽车技术研究中心 一种新的车辆行驶工况构建方法
CN107153916A (zh) * 2017-04-30 2017-09-12 安徽中科美络信息技术有限公司 一种基于fcm聚类和bp神经网络的驾驶行为评价方法
CN107662503A (zh) * 2017-09-13 2018-02-06 浙江工业大学之江学院 基于加速与制动踏板状态的电动汽车制动意图辨识方法

Also Published As

Publication number Publication date
CN110262491A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
CN110262491B (zh) 一种基于混合学习方式的车辆制动意图预测的方法及系统
Lv et al. Hybrid-learning-based classification and quantitative inference of driver braking intensity of an electrified vehicle
CN107662503B (zh) 基于加速与制动踏板状态的电动汽车制动意图辨识方法
CN111547064B (zh) 一种用于汽车自适应巡航系统的驾驶风格识别和分类方法
CN111783943B (zh) 一种基于lstm神经网络的驾驶员制动强度预测方法
Zhao et al. Identification of driver’s braking intention based on a hybrid model of GHMM and GGAP-RBFNN
CN110949398A (zh) 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法
CN112590801B (zh) 一种基于驾驶员疲劳程度的前方碰撞预警控制方法
CN104828062A (zh) 一种基于驾驶员制动意图识别的制动控制方法
CN108491859A (zh) 基于自动编码机的驾驶行为异质性特征的识别方法
CN111459995A (zh) 一种基于驾驶数据的多模态车速预测方法
CN110858312A (zh) 基于模糊c均值聚类算法的驾驶员驾驶风格分类方法
CN111216736A (zh) 基于行驶工况的辅助驾驶系统自适应调节方法及系统
CN115675099A (zh) 一种基于驾驶员风格识别的纯电动汽车制动能量回收方法
CN118219851B (zh) 新能源汽车速度分布式监测系统及方法
CN113570747A (zh) 一种基于大数据分析的行驶安全监测系统和方法
CN115774942A (zh) 基于车联网实车数据和svm的驾驶风格辨识模型建模与统计方法
CN115186594A (zh) 一种人-车-路耦合影响下的节能速度优化方法
Park et al. Performance potential of regenerative braking energy recovery of autonomous electric vehicles
Canale et al. Analysis and classification of human driving behaviour in an urban environment
CN111340074A (zh) 基于改进的rbf神经网络的驾驶员制动意图辨识方法
CN115071712A (zh) 一种新能源汽车滑行工况能量回收强度智能化控制方法
CN112918448A (zh) 一种基于神经网络算法实现的汽车防抱死制动控制方法、装置、车辆、存储介质
Anil et al. Driver behavior analysis using K-means algorithm
Xing et al. Recognizing driver braking intention with vehicle data using unsupervised learning methods

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