CN112307905B - 一种用于车辆预测控制的道路坡度自学习方法及系统 - Google Patents

一种用于车辆预测控制的道路坡度自学习方法及系统 Download PDF

Info

Publication number
CN112307905B
CN112307905B CN202011060104.3A CN202011060104A CN112307905B CN 112307905 B CN112307905 B CN 112307905B CN 202011060104 A CN202011060104 A CN 202011060104A CN 112307905 B CN112307905 B CN 112307905B
Authority
CN
China
Prior art keywords
road
point
recordpoint
learning
characteristic
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
CN202011060104.3A
Other languages
English (en)
Other versions
CN112307905A (zh
Inventor
滕昱棠
石庆兰
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.)
ZF Commercial Vehicle Systems Qingdao Co Ltd
Original Assignee
ZF Commercial Vehicle Systems Qingdao Co 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 ZF Commercial Vehicle Systems Qingdao Co Ltd filed Critical ZF Commercial Vehicle Systems Qingdao Co Ltd
Priority to CN202011060104.3A priority Critical patent/CN112307905B/zh
Publication of CN112307905A publication Critical patent/CN112307905A/zh
Application granted granted Critical
Publication of CN112307905B publication Critical patent/CN112307905B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/50Context or environment of the image
    • G06V20/56Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W40/00Estimation 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
    • B60W40/02Estimation 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 ambient conditions
    • B60W40/06Road conditions
    • B60W40/076Slope angle of the road
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/393Trajectory determination or predictive tracking, e.g. Kalman filtering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147Distances to closest patterns, e.g. nearest neighbour classification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/42Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mechanical Engineering (AREA)
  • Computing Systems (AREA)
  • Transportation (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种用于车辆预测控制的道路坡度自学习方法及系统,属于汽车道路信息识别技术领域,方法包括道路特征自学习阶段和道路匹配与坡度预测阶段;系统包括道路特征自学习单元和道路匹配与坡度预测单元。道路特征自学习单元执行自学习阶段的任务,对初次行驶的道路,通过特征识别算法自学习找出道路特征点,存储在指定数据区域;道路匹配与坡度预测单元执行道路匹配与坡度预测阶段的任务,当再次行驶这条道路时,运用道路匹配算法自动进行位置匹配,并预测前方坡度。本发明可以应用于预测性巡航,预测性换档,预测性混合动力能量管理,预测性制动管理,以较低的成本提高辅助驾驶系统决策效率和准确度。

Description

一种用于车辆预测控制的道路坡度自学习方法及系统
技术领域
本发明属于汽车道路信息识别技术领域,具体涉及一种用于车辆预测控制的道路坡度自学习方法及系统。
背景技术
目前,业内存在的技术模式为,由一种专门的电子地平线地图信息设备根据当前的GPS定位和内部存储的地图数据库来预测前方道路情况,然后通过ADASIS协议,传递给对应的车辆控制器(巡航控制器、变速箱控制器)。但是该种方式目前存在三个缺点:地图成本较高,地图数据库由专业地图供应商通过道路测试收集的,其地图数据售价很高,且其数据通常按照省级范围销售,对于一些只走固定路段的客户来说,成本过高;设备和软件成本高,为了提供地图数据,需要特定的ECU设备和软件来处理地图信息,另一方面,对于车辆控制器,在接受到ADASIS的报文后,在其ECU中仍需要额外的软件模块(eHorizonreconstructurer)来重构道路信息,这就导致了每个产品链的成本非常高;ADAS地图仅能覆盖部分高速、国道,无法覆盖商用车辆的所有驾驶情况,比如,矿场、码头,造成现有技术无法在所有道路上应用。
发明内容
针对现有技术中存在的上述问题,本发明提出了一种用于车辆预测控制的道路坡度自学习方法及系统,克服了现有技术的不足,具有良好的效果。
为了实现上述目的,本发明采用如下技术方案:
一种用于车辆预测控制的道路坡度自学习方法,其特征在于,包括道路特征自学习阶段和道路匹配与坡度预测阶段;其中,
在道路特征自学习阶段,包括如下步骤:
1.1:初次行驶到需要记录的道路,驾驶员按下道路学习按钮,进入学习;
1.2:在学习中,实时获得当前道路GPS定位点的经度、纬度,ECU实时计算当前点坡度信息,并通过特征识别算法自动判断当前位置点是否为道路特征点,将道路特征点自动保存到ECU指定的数据存储区中;
1.3:当道路特征点达到ECU分配的最大数据量或者驾驶员按下停止按钮后,学习结束;
在道路匹配与坡度预测阶段,包括如下步骤:
2.1:当车辆再次行驶到已学习过的路段时,驾驶员按下道路匹配按钮,请求道路匹配,执行道路匹配算法,根据当前的GPS定位位置与已记录的道路特征点矩阵RecordPoint[0,1,…Last]组成的位置曲线进行自动匹配,检查当前GPS定位是否在已学习路段的范围内;
2.2:当道路匹配失败时,驾驶员需要重新按下道路匹配按钮,恢复道路匹配指令;
2.3:当道路匹配成功时,接着对当前位置进行坡度预测,同步判断是否需要重新匹配。
优选地,在所述步骤1.2中,道路特征点指的是如下两种情况对应的GPS定位点:坡度出现明显变化的位置点、道路曲率出现明显变化的位置点。
优选地,在所述步骤1.2中,特征点的经纬度信息采用相对于初始特征点RecordPoint[0]的相对位置来保存,而初始特征点RecordPoint[0]位置用全球坐标系的绝对位置来定位。
优选地,在所述步骤2.3中,需要重新匹配的情况包括:车辆驶出该道路或GPS出现异常偏差。
一种用于车辆预测控制的道路坡度自学习系统,采用如上所述的用于车辆预测控制的道路坡度自学习方法,其特征在于,包括道路特征自学习单元和道路匹配与坡度预测单元;
道路特征自学习单元采用特征识别算法,该算法步骤为:
1)学习开始时刻的当前GPS定位点为初始特征点,记为RecordPoint[N],N=0;
2)每隔一定行驶距离取一个位置点,将该点的经纬度和坡度信息作为一个数据单元记录下来,作为检查点;行驶过程中需要实时更新最近的两个检查点,用于与特征点识别判断,即当前点设置为CheckPoint2,当前位置前一个检查点设置为CheckPoint1;
3)分别计算线段RecordPoint[N]、CheckPoint1和线段CheckPoint1、CheckPoint2坡度变化率,RecordPoint[N]为最近一个识别为特征点的位置点;如果坡度变化率大于设定的阈值,则保存CheckPoint1作为新的特征点RecordPoint[N+1],坡度特征点识别成功,此时N=N+1,进入5);
否则,进入4);
4)计算由RecordPoint[N]、CheckPoint1、CheckPoint2三点组成的曲线的曲率,并判断其是否大于设定的阈值;
如果曲率大于阈值,则把CheckPoint1作为新的特征点RecordPoint[N+1],放进RecordPoint序列中,曲率特征点识别成功,此时N=N+1;
否则,CheckPoint1为非特征点;
5)循环步骤2)-4),直到N达到设定的最大值;
6)将记录的特征点数据处理后保存进控制器的Flash中,学习阶段结束;
道路匹配和坡度预测单元采用道路匹配算法,存储道路曲线是由特征点RecordPoint[0,1,…Last]组成的线段,将各点的经纬度坐标(lat,long)转换成平面距离坐标(111km*lat,111km*long*cos(lat*π/180)),通过优化的二分法快速查找出当前位置P到特征曲线最近的距离。
优选地,所述二分法的计算步骤如下:
1)当前曲线为RecordPoint[a…b],找出该曲线中间的两个端点RecordPoint[c]和RecordPoint[d],其中c=(a+b)/2取整,d=c+1;
2)计算当前位置P到这两个点的距离L_c和L_d;
3)比较L_c和L_d的大小,
若L_c<=L_d,则P距离左边的线段部分更近,留下曲线RecordPoint[a]到RecordPoint[d]的部分,令b=d,进行下一次迭代;
反之,留下曲线RecordPoint[c]到RecordPoint[b]的部分,令a=c,进入下一次迭代;
4)直到最后仅剩下3个点,迭代结束,计算P到这三个点组成的线段的最近距离。
本发明所带来的有益技术效果:
1.本发明能够准确地探测到行驶路线上面的特征信息点,并最大程度的降低数据量;能够快速准确地匹配出当前位置与存储器中已学习路段的位置关系;采用相对位置方法优化了数据量存储占用的内存问题。
2.本发明充分利用了原有车辆控制系统中已有信息,不依赖地图数据预测前方的道路信息,包括坡度、曲率,且与后续预测性车辆控制功能集成在同一控制器中,简化了整个系统的软硬件复杂度,降低了开发周期和开发成本。
3.本发明允许用户记录指定路段的道路信息,无需任何地图数据使用成本,可以应用于常规ADAS地图没有覆盖到的路段,解决了特定场景无法使用电子地平线工具链的局限性,扩展了预测性传动控制的使用场景。
附图说明
图1是本发明特征点识别示意图;
图2是本发明位置匹配与预测坡度查找示意图;
图3是本发明二分法简图;
图4是本发明道路特征学习流程图;
图5是本发明道路匹配流程图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
对于一些商用车辆,运输路线相对比较固定,可以在某一次运输过程中记录对应路线的经纬度和坡度信息,并存储在预测性巡航控制器的ECU或TCU中,在下次行驶到同一路段时,自动将之前存储的道路信息与当前的GPS位置进行匹配,提取出前方道路的坡度信息。通过这种方式,车辆可以进行预测驱动控制,显著降低油耗。这种方法只需要通过GPS获取纬度和经度,通过变速箱控制器或坡度传感器获取当前的坡度信息,因此成本非常低。
实施例1:
在一段道路的首次行驶过程中,根据坡度和经纬度信息,记录下能代表当前道路信息的一些特征点,并保存到控制器的存储器中。当再次行驶到该路段时,根据驾驶员请求,自动进行位置匹配,准确查找出当前车辆位置在已学习道路曲线上对应的位置,预测出前方的坡度。
本发明方法包括两个阶段:
一、道路特征信息的自学习阶段
1)行驶到需要记录的道路,驾驶员按下道路学习按钮,执行道路自学习指令;
2)实时获得当前道路GPS定位点的经度、纬度、坡度信息,并通过特征识别算法自动判断当前位置点是否为道路特征点,自动保存道路特征点到ECU指定的数据存储区中;
3)当特征点达到ECU分配的最大数据量或者驾驶员按下停止按钮后,学习结束;
其中,道路特征点指坡度、道路曲率出现明显变化的位置点。由于ECU存储空间有限,必须合理提取特征点,用尽量少的点数记录下整个道路特征,这是整个发明中最关键的一点。然后,将识别到的特征点按照顺序连接起来,如图1所示,就组成了位置曲线和坡度曲线。
其中,为了减少存储的数据量,可将特征点的经纬度信息采用相对于初始特征点RecordPoint[0]的相对位置来保存,而初始特征点RecordPoint[0]位置用全球坐标系的绝对位置来定位。
二、位置匹配与坡度预测阶段
在车辆行驶到已学习的路段后,驾驶员按下道路匹配开关进行道路匹配。道路匹配算法将根据当前的GPS定位位置与已记录的道路特征点矩阵RecordPoint[0,1,…Last]组成的位置曲线进行自动匹配,检查当前GPS定位是否在已学习路段的范围内,匹配的具体流程如下:
1)计算当前点到位置曲线的最近距离,并判断是否在进入道路距离阈值范围内,
是:进入2);
否:进入3);
2)判断在进入道路距离范围维持的时间是否达到了阈值,
是:道路匹配成功;
否:进入3);
3)判断距离是否超出退出道路距离阈值范围,
是:进入4);
否:返回1);
4)判断在退出道路距离范围外维持的时间是否达到了阈值,
是:道路匹配失败,当前车辆并未行驶在已学习的路段上,结束;
否:返回1)。
当道路匹配成功后,根据当前位置进行坡度预测,如图2所示。坡度预测的同时,还需要判断是否仍在匹配道路上行驶,当车辆驶出该道路或GPS出现异常偏差时,需要重新进行道路匹配。
道路匹配算法的核心是快速计算当前位置到存储道路曲线最近距离,存储道路曲线是由特征点RecordPoint[0,1,…Last]组成的线段,将各点的经纬度坐标(lat,long)转换成平面距离坐标(111km*lat,111km*long*cos(lat*π/180)),通过优化的二分法快速查找出当前位置P到特征曲线最近的距离。
二分法计算方法的过程,如图3所示:
当前曲线可以表示为RecordPoint[a…b],其中a=0,b=Last(最后一个有效的特征点编号)。
1)找出该曲线中间的两个端点RecordPoint[c]和RecordPoint[d],其中c=(a+b)/2取整,d=c+1;
2)计算当前位置P到这两个点的距离L_c和L_d;
3)比较L_c和L_d的大小,
若L_c<=L_d,则P距离左边的线段部分更近,留下曲线RecordPoint[a]到RecordPoint[d]的部分,令b=d,进行下一次迭代;
反之,留下曲线RecordPoint[c]到RecordPoint[b]的部分,令a=c,进入下一次迭代;
4)直到最后仅剩下3个点,迭代结束,计算P到这三个点组成的线段的最近距离。
本发明充分了利用了原有车辆控制系统中已有信息,不依赖地图数据预测前方的道路信息,包括坡度、曲率,且与后续预测性车辆控制功能集成在同一控制器中,简化了整个系统的软硬件复杂度,降低了开发周期和开发成本。后续预测性车辆控制指的是利用预测的前方坡度、曲率等道路信息,进行预测性的车辆控制,包括但并不限于预测性巡航、预测性换档、预测性混合动力能量管理、预测性制动管理等功能,以较低的成本提高辅助驾驶系统决策效率和准确度。
实施例2:
本发明系统包括两个功能单元模块:道路特征自学习单元、道路匹配与坡度预测单元。道路特征自学习单元通过自学习存储当前道路信息后,道路匹配与坡度预测单元进行道路位置匹配,最终实现前方坡度预测,具体实施步骤如下:
道路特征自学习单元,具体执行流程如图4所示,包括:
1)当车辆初次行驶到某一需要记录的道路时,驾驶员按下道路学习按钮,执行道路特征自学习指令;
2)记录当前位置信息(经度、纬度、坡度),作为第一个特征点,记为RecordPoint[N],此时N=0;
3)判断当前驾驶员是否按下停止按钮,
是:记录当前位置信息作为下一个记录点,记为RecordPoint[N+1],放入特征点序列中,再进入8);
否:进入4);
4)每隔一定的行驶距离取一个点,将该位置点上的经纬度及坡度信息作为一个数据单元记录下来,作为检查点,记作CheckPoint,行驶过程中需要实时更新最近的两个检查点,用于与特征点识别判断,即当前点设置为CheckPoint2,当前位置前一个检查点设置为CheckPoint1;
5)分别计算线段RecordPoint[N]、CheckPoint1和线段CheckPoint1、CheckPoint2坡度变化率,RecordPoint[N]为最近一个识别为特征点的位置点;
如果坡度变化率大于设定的阈值,则保存CheckPoint1作为新的特征点RecordPoint[N+1],坡度特征点识别成功,此时N=N+1,进入7);
否则,进入6);
6)计算由RecordPoint[N]、CheckPoint1、CheckPoint2三点组成的曲线的曲率,并判断其是否大于设定的阈值;
如果曲率大于阈值,则把CheckPoint1作为新的特征点RecordPoint[N+1],放进RecordPoint序列中,曲率特征点识别成功,此时N=N+1;
否则,CheckPoint1为非特征点;
7)判断N是否达到设定的最大值,
如果N没有达到最大值,回到3);
否则,特征点识别结束。
8)将记录的特征点数据处理后保存进控制器的Flash中,学习阶段结束。
道路匹配与坡度预测单元,当车辆再次驾驶到该段道路上时,驾驶员按下道路匹配请求按钮,执行道路匹配与坡度预测指令,开始道路位置匹配和坡度预测,具体流程如图5所示,包括:
1)计算当前点到存储曲线的最近距离,并判断其是否在进入距离阈值范围内,
是,清空退出计时器Counter2,即Counter2=0,增加进入记时器Counter1的时间,Counter1=Counter1+1,再进入2);
否,清空进入计时器Counter1,再进入3);
2)判断进入计时器Counter1时间是否达到了阈值,
是:道路匹配成功,进入5)。
否:返回1)。
3)判断最近距离是否超出退出道路距离的阈值范围,
是:退出计时器Counter2计时加1,再进入4);
否:清空退出计时器Counter2,返回1)。
4)判断退出计时器Counter2时间是否达到了阈值,
是:道路匹配失败,当前车辆并未行驶在已学习的路段上,结束。
否:返回1)。
5)计算当前位置到存储道路曲线上的最近距离,并判断是否保持在退出距离阈值范围内,
是:表示依然行驶在该道路上,清空计时器Counter3,进入7);
否:达到退出条件,退出计时Counter3加1,再进入6);
6)判断退出计时器Counter3时间是否达到了阈值:
是:车辆短时间偏离道路,前方坡度未知,需重新进行道路匹配,返回1)。
否:道路匹配依然保持成功状态,但是当前位置不确定,前方坡度未知,返回5)。
7)根据当前点位置,线性插值计算出当前坡度以及前方一定距离内坡度信息(如图2),返回5)。
此方法通过一种低成本的道路信息自学习方法,充分利用车辆控制系统中已有的数据信息(比如,部分厂家的变速箱控制器能够实时的估算当前坡度、车辆转弯半径),在第一次行驶过该道路时,记录下对应整条路段特征点的经纬度和坡度信息。然后在后期再次行驶过该路段时,通过GPS定位实时匹配已记录过的道路,以获得前方坡度信息,用于优化车辆动力链控制,提高车辆的燃油经济型。该方法所有的功能均在车辆控制器(比如,巡航控制器或变速箱控制器)内部实现,不需要额外的设备和数据库,极大的降低了产品成本。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。

Claims (5)

1.一种用于车辆预测控制的道路坡度自学习系统,其特征在于,采用一种用于车辆预测控制的道路坡度自学习方法,道路坡度自学习方法包括道路特征自学习阶段和道路匹配与坡度预测阶段;其中,
在道路特征自学习阶段,包括如下步骤:
1.1:初次行驶到需要记录的道路,驾驶员按下道路学习按钮,进入学习;
1.2:在学习中,实时获得当前道路GPS定位点的经度、纬度,ECU实时计算当前点坡度信息,并通过特征识别算法自动判断当前位置点是否为道路特征点,将道路特征点自动保存到ECU指定的数据存储区中;
1.3:当道路特征点达到ECU分配的最大数据量或者驾驶员按下停止按钮后,学习结束;
在道路匹配与坡度预测阶段,包括如下步骤:
2.1:当车辆再次行驶到已学习过的路段时,驾驶员按下道路匹配按钮,请求道路匹配,执行道路匹配算法,根据当前的GPS定位位置与已记录的道路特征点矩阵RecordPoint[0,1,…Last]组成的位置曲线进行自动匹配,检查当前GPS定位是否在已学习路段的范围内;
2.2:当道路匹配失败时,驾驶员需要重新按下道路匹配按钮,恢复道路匹配指令;
2.3:当道路匹配成功时,接着对当前位置进行坡度预测,同步判断是否需要重新匹配;
道路坡度自学习系统包括道路特征自学习单元和道路匹配与坡度预测单元;
道路特征自学习单元采用特征识别算法,该算法步骤为:
1)学习开始时刻的当前GPS定位点为初始特征点,记为RecordPoint[N],N=0;
2)每隔一定行驶距离取一个位置点,将该点的经纬度和坡度信息作为一个数据单元记录下来,作为检查点;行驶过程中需要实时更新最近的两个检查点,用于与特征点识别判断,当前点设置为CheckPoint2,当前位置前一个检查点设置为CheckPoint1;
3)分别计算线段RecordPoint[N]、CheckPoint1和线段CheckPoint1、CheckPoint2坡度变化率,RecordPoint[N]为最近一个识别为特征点的位置点;如果坡度变化率大于设定的阈值,则保存CheckPoint1作为新的特征点RecordPoint[N+1],坡度特征点识别成功,此时N=N+1,进入5);
否则,进入4);
4)计算由RecordPoint[N]、CheckPoint1、CheckPoint2三点组成的曲线的曲率,并判断其是否大于设定的阈值;
如果曲率大于阈值,则把CheckPoint1作为新的特征点RecordPoint[N+1],放进RecordPoint序列中,曲率特征点识别成功,此时N=N+1;
否则,CheckPoint1为非特征点;
5)循环步骤2)-4),直到N达到设定的最大值;
6)将记录的特征点数据处理后保存进控制器的Flash中,学习阶段结束;
道路匹配和坡度预测单元采用道路匹配算法,存储道路曲线是由特征点RecordPoint[0,1,…Last]组成的线段,将各点的经纬度坐标(lat,long)转换成平面距离坐标(111km*lat,111km*long*cos(lat*π/180)),通过优化的二分法快速查找出当前位置P到特征曲线最近的距离。
2.根据权利要求1所述的一种用于车辆预测控制的道路坡度自学习系统,其特征在于,在所述步骤1.2中,道路特征点指的是如下两种情况对应的GPS定位点:坡度出现明显变化的位置点、道路曲率出现明显变化的位置点。
3.根据权利要求1所述的一种用于车辆预测控制的道路坡度自学习系统,其特征在于,在所述步骤1.2中,特征点的经纬度信息采用相对于初始特征点RecordPoint[0]的相对位置来保存,而初始特征点RecordPoint[0]位置用全球坐标系的绝对位置来定位。
4.根据权利要求1所述的一种用于车辆预测控制的道路坡度自学习系统,其特征在于,在所述步骤2.3中,需要重新匹配的情况包括:车辆驶出该道路或GPS出现异常偏差。
5.根据权利要求1所述的一种用于车辆预测控制的道路坡度自学习系统,其特征在于,所述二分法的计算步骤如下:
1)当前曲线为RecordPoint[a…b],找出该曲线中间的两个端点RecordPoint[c]和RecordPoint[d],其中c=(a+b)/2取整,d=c+1;
2)计算当前位置P到这两个点的距离L_c和L_d;
3)比较L_c和L_d的大小,
若L_c<=L_d,则P距离左边的线段部分更近,留下曲线RecordPoint[a]到RecordPoint[d]的部分,令b=d,进行下一次迭代;
反之,留下曲线RecordPoint[c]到RecordPoint[b]的部分,令a=c,进入下一次迭代;
4)直到最后仅剩下3个点,迭代结束,计算P到这三个点组成的线段的最近距离。
CN202011060104.3A 2020-09-30 2020-09-30 一种用于车辆预测控制的道路坡度自学习方法及系统 Active CN112307905B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011060104.3A CN112307905B (zh) 2020-09-30 2020-09-30 一种用于车辆预测控制的道路坡度自学习方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011060104.3A CN112307905B (zh) 2020-09-30 2020-09-30 一种用于车辆预测控制的道路坡度自学习方法及系统

Publications (2)

Publication Number Publication Date
CN112307905A CN112307905A (zh) 2021-02-02
CN112307905B true CN112307905B (zh) 2023-03-17

Family

ID=74489387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011060104.3A Active CN112307905B (zh) 2020-09-30 2020-09-30 一种用于车辆预测控制的道路坡度自学习方法及系统

Country Status (1)

Country Link
CN (1) CN112307905B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113360833B (zh) * 2021-06-07 2022-04-19 上海大不自多信息科技有限公司 户外路线坡度的识别方法及存储介质
CN114136326B (zh) * 2021-10-13 2023-06-27 武汉光庭信息技术股份有限公司 同步Horizon状态与导航状态的方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005134402A (ja) * 2004-12-06 2005-05-26 Mitsubishi Electric Corp 車両用道路関連情報事前提示装置
CN106610299A (zh) * 2015-10-21 2017-05-03 现代自动车株式会社 高级驾驶员辅助系统、包含其的车辆及其控制方法
CN107300013A (zh) * 2017-07-11 2017-10-27 吉林工程技术师范学院 一种自动变速器道路坡度识别方法及系统
CN108286979A (zh) * 2017-01-09 2018-07-17 北京四维图新科技股份有限公司 一种获取高精度导航路径数据的方法和装置以及导航系统、驾驶系统
CN108717796A (zh) * 2018-03-21 2018-10-30 厦门雅迅网络股份有限公司 一种车辆的地理坡道自学习方法和系统
CN109583081A (zh) * 2018-11-29 2019-04-05 南通大学 一种车辆行驶速度预测模型构建方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005134402A (ja) * 2004-12-06 2005-05-26 Mitsubishi Electric Corp 車両用道路関連情報事前提示装置
CN106610299A (zh) * 2015-10-21 2017-05-03 现代自动车株式会社 高级驾驶员辅助系统、包含其的车辆及其控制方法
CN108286979A (zh) * 2017-01-09 2018-07-17 北京四维图新科技股份有限公司 一种获取高精度导航路径数据的方法和装置以及导航系统、驾驶系统
CN107300013A (zh) * 2017-07-11 2017-10-27 吉林工程技术师范学院 一种自动变速器道路坡度识别方法及系统
CN108717796A (zh) * 2018-03-21 2018-10-30 厦门雅迅网络股份有限公司 一种车辆的地理坡道自学习方法和系统
CN109583081A (zh) * 2018-11-29 2019-04-05 南通大学 一种车辆行驶速度预测模型构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于支持向量机的道路坡度实时预测方法试验;张小龙 等;《农业机械学报》;20141130;第45卷(第11期);第14-19页 *
基于特征点采样和曲线拟合的道路坡度计算方法;王宇 等;《测试试验》;20191231(第14期);第131-134页 *

Also Published As

Publication number Publication date
CN112307905A (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
RU2741818C1 (ru) Способ формирования энергоэффективного трека транспортного средства, устройство формирования энергоэффективного трека и система формирования энергоэффективного трека
CN112307905B (zh) 一种用于车辆预测控制的道路坡度自学习方法及系统
US20110309926A1 (en) Method and system for determining a route for efficient energy consumption
JP4556794B2 (ja) ナビゲーション装置
CN112406875B (zh) 一种车辆能耗的分析方法和装置
CN112977412A (zh) 一种车辆控制方法、装置、设备及计算机存储介质
CN110910531A (zh) 一种基于车载obd信息的路面摩擦系数快速检测方法
CN114802189A (zh) 车辆的能耗控制方法、装置、车辆及存储介质
CN115140060A (zh) 一种数据处理方法、装置、电子设备及存储介质
CN116749774A (zh) 续航里程确定方法、装置、电子设备及可读存储介质
US11624625B2 (en) System and method for evaluation of a route score for an electric vehicle and electric vehicle fleets
CN115759347A (zh) 一种基于特征数据的电动公交车行程能耗快速预测方法
CN113361317A (zh) 用于车道检测不确定性的端到端预测的系统和方法
RU2771586C1 (ru) Транспортное средство с функцией формирования корректирующего энергоэффективного трека эксплуатируемого транспортного средства
RU2764469C1 (ru) Система формирования корректирующего энергоэффективного трека эксплуатируемого транспортного средства
RU2772223C1 (ru) Устройство и система генерирования графического интерфейса пользователя
RU2766900C1 (ru) Транспортное средство с функцией формирования корректирующего энергоэффективного трека эксплуатируемого транспортного средства
RU2766650C1 (ru) Устройство формирования корректирующего энергоэффективного трека эксплуатируемого транспортного средства
RU2777853C1 (ru) Транспортное средство с функцией формирования энергоэффективного трека эксплуатируемого транспортного средства при движении эксплуатируемого транспортного средства по участку пути, включающему точку обязательной остановки
RU2771591C1 (ru) Пользовательское устройство генерирования графического интерфейса пользователя
RU2782970C1 (ru) Система формирования энергоэффективного трека эксплуатируемого транспортного средства при движении эксплуатируемого транспортного средства по участку пути, включающему точку обязательной остановки
RU2766649C1 (ru) Система формирования корректирующего энергоэффективного трека эксплуатируемого транспортного средства
RU2771190C1 (ru) Транспортное средство с функцией генерирования графического интерфейса пользователя
RU2766546C1 (ru) Способ генерирования графического интерфейса пользователя и машиночитаемый носитель данных
RU2777852C1 (ru) Способ формирования энергоэффективного трека эксплуатируемого транспортного средства при движении эксплуатируемого транспортного средства по участку пути, включающему точку обязательной остановки

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 266510 No. 917, Weihe Road, Huangdao District, Shandong, Qingdao

Applicant after: ZF commercial vehicle systems (Qingdao) Co.,Ltd.

Address before: 266510 No. 917, Weihe Road, Huangdao District, Shandong, Qingdao

Applicant before: Wabco (China) Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant