CN112824196A - 用于里程预测的驾驶员模型估计、分类和适配 - Google Patents

Abstract

本发明涉及用于里程预测的驾驶员模型估计、分类和适配。一种使用控制系统来估计由驾驶员操作的电气化车辆的里程的方法包括：在车辆在操作中时监测第一组驾驶员行为；以及将监测到的第一组驾驶员行为与具有相应的存储行为的多个已知简档进行比较。该方法可包括：将第一组驾驶员行为与已知简档中的至少一者相匹配以创建适配的驾驶员模型；基于匹配后的适配的驾驶员模型来对适配的驾驶循环简档进行建模；以及基于适配的驾驶循环简档来计算预测的驾驶里程。该方法可相对于所述多个已知简档将监测到的第一组驾驶员行为分类为保守型、中立型和激进型中的至少一种，并且对适配的驾驶循环简档进行建模进一步基于保守型、中立型或激进型分类。

Description

用于里程预测的驾驶员模型估计、分类和适配

技术领域

本公开涉及在具有电推进系统的车辆中基于自适应驾驶员简档（profile，或为“曲线图”或“数据图表”）的里程预测。示例车辆包括电动或插电式混合动力车辆。

发明内容

提供了一种使用控制系统来估计由驾驶员操作的电气化车辆（electrifiedvehicle）的里程的方法。该方法可包括：在车辆在操作中时监测第一组驾驶员行为；以及将监测到的第一组驾驶员行为与具有相应的存储行为的多个已知简档进行比较。

该方法可将第一组驾驶员行为与已知简档中的至少一者相匹配以创建适配的驾驶员模型，并且基于匹配后的适配的驾驶员模型来对适配的驾驶循环简档进行建模。该方法包括基于适配的驾驶循环简档来计算预测的驾驶里程。

在一些构型中，该方法可包括将电气化车辆分类为以下各者中的至少一者：第一类、第二类和第三类。该方法还可访问云数据库以确定驾驶员是否具有存储的驾驶员ID。

如果云数据库针对与电气化车辆相同的类不具有存储的驾驶员ID，则该方法：在车辆在操作中时监测第一组驾驶员行为；以及将监测到的第一组驾驶员行为与具有相应的存储行为的多个已知简档进行比较。该方法将第一组驾驶员行为与已知简档中的至少一者相匹配以创建适配的驾驶员模型，并且基于匹配后的适配的驾驶员模型来对适配的驾驶循环简档进行建模。基于适配的驾驶循环简档来计算预测的驾驶里程。

如果云数据库针对与电气化车辆相同的类不具有存储的驾驶员ID，则该方法基于与存储的驾驶员ID相匹配的个性化全动态驾驶员模型来对适配的驾驶循环简档进行建模。利用足够的数据通过机器学习来训练该个性化全动态驾驶员模型。然后，基于个性化全动态驾驶员模型来计算预测的驾驶里程。

在一些构型中，通过人工智能和统计方法中的一者基于所述多个已知简档来训练分类模型。如果云数据库针对本电气化车辆不具有存储的驾驶员ID，则该方法包括：通过将第一组驾驶员行为与训练后的分类模型进行比较，将监测到的第一组驾驶员行为分类为保守型、中立型和激进型中的至少一种。

适配的驾驶循环简档可进一步基于保守型、中立型或激进型分类。该方法可包括基于电气化车辆的预测的地理空间路线、道路条件、交通条件和/或环境条件来计算预测的驾驶里程。

如果云数据库针对与电气化车辆相同的类不具有存储的驾驶员ID，则该方法可包括：监测在第一组驾驶员行为之后发生的第二组驾驶员行为；以及将监测到的第二组驾驶员行为与已知简档进行比较。该方法可基于第二组驾驶员行为来更新建模后的适配的驾驶循环简档，并且基于更新后的适配的驾驶循环简档来重新计算预测的驾驶里程。

本发明还涉及如下技术方案：

方案1. 一种使用控制系统来估计由驾驶员操作的电气化车辆的里程的方法，所述方法包括：

在所述车辆在操作中时监测第一组驾驶员行为；

将监测到的第一组驾驶员行为与具有相应的存储行为的多个已知简档进行比较；

将所述第一组驾驶员行为与所述已知简档中的至少一者相匹配以创建适配的驾驶员模型；

基于所述适配的驾驶员模型来对适配的驾驶循环简档进行建模；以及

基于所述适配的驾驶循环简档来计算所述电气化车辆的预测的驾驶里程。

方案2. 根据方案1所述的方法，其进一步包括：

相对于所述多个已知简档，将所述监测到的第一组驾驶员行为分类为保守型、中立型或激进型中的一种；并且

其中，对所述适配的驾驶循环简档进行建模进一步基于所述保守型、中立型或激进型分类。

方案3. 根据方案2所述的方法：

其中，对所述监测到的第一组驾驶员行为进行分类包括：使用人工智能或主成分分析中的一者基于来自所述车辆的特征输入的时间序列观测来执行分类，并且

其中，所述特征输入包括以下各者中的一者或多者：加速度、速度、制动、踏板位置、踏板位置变化率、超速限制变化或转向角。

方案4. 根据方案3所述的方法：

其中，所述已知简档位于与所述电气化车辆通信的云计算系统中，并且

从所述云计算系统来访问所述已知简档。

方案5. 根据方案1所述的方法，其进一步包括：

确定所述驾驶员是否具有先前存在的驾驶员简档；以及

如果所述驾驶员不具有所述先前存在的驾驶员简档，则基于将所述第一组驾驶员行为与所述已知简档相匹配来对所述适配的驾驶循环简档进行建模；并且

如果所述驾驶员确实具有所述先前存在的驾驶员简档，则基于所述先前存在的驾驶员简档来对所述适配的驾驶循环简档进行建模。

方案6. 根据方案1所述的方法，其进一步基于所述电气化车辆的预测的地理空间路线来计算所述预测的驾驶里程。

方案7. 根据方案6所述的方法，其进一步基于以下各者来计算所述预测的驾驶里程：

道路条件；

交通条件；以及

环境条件。

方案8. 根据方案1所述的方法，其进一步包括：

监测在所述第一组驾驶员行为之后发生的第二组驾驶员行为；

将监测到的第二组驾驶员行为与所述已知简档进行比较；

基于所述第二组驾驶员行为与所述已知简档的比较来更新所述适配的驾驶循环简档；以及

基于更新后的适配的驾驶循环简档来重新计算所述预测的驾驶里程。

方案9. 根据方案1所述的方法，其进一步包括：

确定所述驾驶员是否具有先前存在的驾驶员简档；

在本车辆类内对所述电气化车辆进行分类，所述本车辆类包括以下各者中的一者：第一类、第二类或第三类；以及

如果所述先前存在的驾驶员简档是针对不同类中的车辆，则将所述先前存在的驾驶员简档与所述已知简档中的匹配所述本车辆类的一个已知简档相匹配。

方案10. 根据方案9所述的方法，其进一步包括：

关于激进度量表来对所述先前存在的驾驶员简档进行分类，所述激进度量表至少包括：保守型、中立型和激进型；以及

将所述先前存在的驾驶员简档与所述已知简档中的匹配所述本车辆类并且匹配所述先前存在的驾驶员简档的所述激进度量表的一个已知简档相匹配。

方案11. 根据方案1所述的方法，其进一步包括：

通过人工智能和统计方法中的一者基于所述多个已知简档来训练分类模型，其中，所述已知简档包括来自大车辆群体的个体驾驶员输入；以及

通过将所述第一组驾驶员行为与训练后的分类模型相比较来将所述监测到的第一组驾驶员行为分类为保守型、中立型或激进型中的一种，

其中，对所述适配的驾驶循环简档进行建模进一步基于所述保守型、中立型或激进型分类。

方案12. 根据方案11所述的方法，其进一步基于以下各者来计算所述预测的驾驶里程：

所述电气化车辆的预测的地理空间路线；

道路条件；

交通条件；以及

环境条件。

方案13. 根据方案12所述的方法，其进一步包括：

监测在所述第一组驾驶员行为之后发生的第二组驾驶员行为；

将监测到的第二组驾驶员行为与所述已知简档进行比较；

基于所述第二组驾驶员行为与所述已知简档的比较来更新所述适配的驾驶循环简档；以及

基于更新后的适配的驾驶循环简档来重新计算所述预测的驾驶里程。

方案14. 根据方案13所述的方法：

其中，所述已知简档和所述分类模型位于与所述电气化车辆通信的云计算系统中，并且

从所述云计算系统访问所述已知简档和所述分类模型。

方案15. 一种使用控制系统来估计由驾驶员操作的电气化车辆的里程的方法，所述方法包括：

访问云数据库以确定所述驾驶员是否具有存储的驾驶员ID；

将所述电气化车辆分类为以下各者中的一者：第一类、第二类或第三类；

如果所述云数据库针对所述电气化车辆的所述类不具有所述存储的驾驶员ID，则：

在所述车辆在操作中时监测第一组驾驶员行为；

将监测到的第一组驾驶员行为与具有相应的存储行为的多个已知简档进行比较；

将所述第一组驾驶员行为关联到所述已知简档中的至少一者以创建适配的驾驶员模型；

基于所述适配的驾驶员模型来对适配的驾驶循环简档进行建模；以及

基于所述适配的驾驶循环简档来计算预测的驾驶里程；以及

如果所述云数据库针对所述电气化车辆的所述类不具有所述存储的驾驶员ID，则：

基于与所述存储的驾驶员ID相匹配的个性化全动态驾驶员模型来对所述适配的驾驶循环简档进行建模，其中，通过机器学习来训练所述个性化全动态驾驶员模型；以及

基于所述个性化全动态驾驶员模型来计算所述预测的驾驶里程。

方案16. 根据方案15所述的方法，其进一步包括：

通过人工智能和统计方法中的一者基于所述多个已知简档来训练分类模型；以及

如果所述云数据库针对所述电气化车辆的所述类不具有所述存储的驾驶员ID，则通过将所述第一组驾驶员行为与训练后的分类模型进行比较来将所述监测到的第一组驾驶员行为分类为保守型、中立型或激进型中的一种，

其中，对所述适配的驾驶循环简档进行建模进一步基于所述保守型、中立型或激进型分类。

方案17. 根据方案16所述的方法，其进一步基于以下各者来计算所述预测的驾驶里程：

所述电气化车辆的预测的地理空间路线；

道路条件；

交通条件；以及

环境条件。

方案18. 根据方案17所述的方法，如果所述云数据库针对所述电气化车辆的所述类不具有所述存储的驾驶员ID，则所述方法进一步包括：

监测在所述第一组驾驶员行为之后发生的第二组驾驶员行为；

将监测到的第二组驾驶员行为与所述已知简档进行比较；

基于所述第二组驾驶员行为来更新建模后的适配的驾驶循环简档；以及

基于更新后的适配的驾驶循环简档来重新计算所述预测的驾驶里程。

当结合附图理解时，本公开的以上特征和优点以及其他特征和优点容易从用于实施本公开的最佳模式的以下详细描述显而易见。

附图说明

图1是具有电推进系统的示例性机动车辆（诸如，混合动力电动车辆或电池电动车辆）的示意性环境视图。

图2是示意性流程图，其图示了一种用于估计总电驱动能量消耗以推导出智能里程规划的基于预测模型的算法，该智能里程规划可基于预测的驾驶员行为而变化。

图3是示意性流程图，其图示了图2的预测模型和基于云的系统之间的交互以用于利用有限的信息来确定驾驶员模型。

图4是示意性流程图，其图示了一种用于无关于车辆类型来确定相关驾驶员模型并且基于其来估计电里程的可能的方法。

具体实施方式

参考附图，在可能的情况下，相似的附图标记指代类似的部件。图1示意性地图示了机动或电气化车辆10的侧视图，出于讨论的目的，该车辆在本文中被描绘为轿车风格的电驱动（混合动力或电动）机动车辆，其可简单地被称为电气化车辆。被封装在车辆10的车身12内（例如，在乘客舱、行李舱或专用电池舱内）的是牵引电池组14，该牵引电池组电联接到并供电给一个或多个电动马达-发电机或电机16，所述电动马达-发电机或电机操作以转动负重轮18中的一者或多者并由此推进车辆10。

所图示的车辆10（其也可在本文中被称为汽车或机动车辆）仅仅是示例应用，可关于该示例应用来实践本公开的各方面和特征。虽然车辆10被描绘为汽车，但是应理解，在不脱离本公开的范围或意图的情况下，车辆10可以是汽车、卡车、SUV、厢式货车、半挂车、牵引车、公共汽车、卡丁车或任何其他滚动平台。

以同样的方式，用于图1中所图示的特定电动车辆供应设备（EVSE）的本构思的实施方式也应被了解为所公开的构思和特征的示例性应用。因而，将理解，本公开的各方面和特征可被应用于其他类型的EVSE，并且可针对任何逻辑上相关类型的机动车辆来实施。此外，仅示出了车辆10和EVSE的所选部件，并且本文中将以附加的细节来描述这些所选部件。尽管如此，下文所讨论的机动车辆和EVSE架构能够包括众多附加和替代特征、以及其他市售的外围部件，例如以实施本公开的各种协议和算法。

本文中呈现的附图将不按比例绘制，并且仅出于指导目的而提供。因此，附图中所示的特定和相对尺寸将不被解释为限制性的。

尽管可关于特定的应用或行业来图示本公开，但是本领域技术人员将认识到本公开的更广泛的适用性。本领域普通技术人员将认识到，诸如“上方”、“下方”、“向上”、“向下”等的术语被用于描述附图，并且不表示对如由所附权利要求定义的本公开的范围的限制。诸如“第一”或“第二”的任何数字标示仅是图示性的，并且不旨在以任何方式限制本公开的范围。

一个图中所示的特征可与任何图中所示的特征进行组合、代替任何图中所示的特征、或被任何图中所示的特征修改。除非另外陈述，否则特征、要素或限制不与任何其他特征、要素或限制互斥。此外，特征、要素或限制对于操作不是绝对需要的。在图中示出的任何特定构型仅仅是图示性的，且所示的特定构型并不限制权利要求书或说明书。

当在本文中使用时，术语“基本上”指代理想地完美或完整的关系，但是其中制造现实阻碍了绝对完美。因此，基本上表示与完美的典型差异。例如，如果高度A基本上等于高度B，则可能优选的是两个高度为100.0％相等，但是制造现实很可能导致与这种完美相差距离。技术人员将认识到可接受的差异量。例如且不限于，覆盖范围、面积或距离可一般地在基本上等同的完美的10％以内。类似地，相对的对准（诸如，平行或垂直）可一般地被认为在5％以内。当在本文中使用时，术语“本（instant，或为‘即时’）”一般地指代在手边的驾驶员或车辆而不是先前或其他的驾驶员或车辆。

图1是电驱动车辆10的简化图示，该电驱动车辆停靠在车辆充电站20处并且操作性地联接到其以用于给车载可再充电能量源（诸如，高电压直流（DC）牵引电池组14）再充电。牵引电池组14可采用许多合适的构型，包括适合于电动车辆电池（EVB）的铅酸、锂离子或其他可应用类型的可再充电电池的阵列。

为了在牵引电池组14和车辆充电站20之间提供可操作的联接，车辆10可包括感应充电部件22，具有例如安装到车身12的下侧的集成式感应线圈。该感应充电部件22用作无线充电接口，其与无线充电垫或平台24（例如，车辆充电站20的内部EMF线圈）兼容。

在所图示的示例中，无线充电平台24位于车辆充电站20的地板上，并且根据目标位置被定位，该目标位置用作期望的停车位置并促进对车辆10的高效和有效的无线充电。特别地，图1描绘了车辆10停放在有助于确保感应充电部件22在侧向和纵向两个维度上与无线充电平台24基本上对准的位置中。换句话说，图1中的车辆10被认为与指定的目标位置处于恰当的前-后对准和恰当的右舷-左舷对准，以完成车辆10的感应充电事件。

车辆充电站20可采用迄今为止和此后开发的任何类型的有线和无线充电技术，包括但不限于：感应充电、无线电充电和谐振充电。根据电磁感应充电技术，可用电流激活图1的代表性无线充电平台24，以在感应充电部件22附近生成交变电磁场。该磁场继而在车辆10的感应充电部件22中感应出电流。感应电流可被车内电调制电路滤波、降压和/或移相，以对牵引电池组14或车辆10的任何其他能量存储源（例如且不限于，标准12V铅酸起动、照明和点火（SLI）电池、或辅助功率模块）充电。

牵引电池组14存储能量，该能量能够用于电机16的推进以及用于操作其他车辆电系统。牵引电池组14操作性地连接（有线或无线）到调节各种车载车辆部件的操作的一个或多个车辆控制系统或控制器26，所述车辆控制系统或控制器可包括电子控制单元（ECU）。由控制器26控制的接触器例如可在断开时将牵引电池组14与其他部件隔离，并且在闭合时将牵引电池组14连接到其他部件。控制器26还通信地连接到电机16，以控制例如牵引电池组14和每个电机16之间的能量双向转移。例如，牵引电池组14可提供DC电压，而电机16可使用三相AC电流操作。在这样的构型中，控制器26或由此所控制的部件部分（componentry）将DC电压转换成供电机16使用的三相AC电流。

在电机16充当发电机的再生模式中，控制器26可将来自电机16的三相AC电流转换成与牵引电池组14兼容的DC电流。代表性的控制器26还被示出为与充电部件22连通，例如且不限于，以调节从车辆充电站20供应到电池组14的功率，从而有助于确保恰当的电压和电流水平。控制器26还可与充电站20对接或连通，以例如且不限于协调向车辆10的功率递送。

图1的车辆充电站20还经由插电式电连接器32为电动车辆10提供有线充电，该插电式电连接器可以是许多种不同的市售电连接器类型中的一种。例如且不限于，电连接器32可以是汽车工程师协会（SAE）J1772（类型1）或J1772-2009（类型2）电连接器，其具有在120至240伏特（V）下操作的单相或分相模式，并且具有高达80安培（A）峰值电流的交流电（AC）以用于车辆传导充电。此外，电连接器32还可被设计成满足国际电工委员会（IEC）62196-3 Fdis和/或IEC 62196-2中阐述的标准、以及任何其他目前可用或后期开发的标准。

可在车身12的外部上接近的充电端口34是有线充电接口，其用作电入口，电连接器32可插入或以其他方式连接到该电入口中。充电端口34使得用户能够经由充电站20轻易地将电动车辆10连接到容易获得的AC或DC源（诸如，公用事业电网），并且从其断开。图1的充电端口34不限于任何特定的设计，并且可以是任何类型的入口、端口、连接、插座、插头等，其实现传导或其他类型的电连接。车身12上的铰接充电端口门（其可被称为CPD 36）能够选择性地打开和关闭以分别进入和覆盖充电端口34。

作为充电过程的一部分，电驱动车辆10可监测有线或无线充电可用性、功率质量以及可能影响对车辆10的充电的其他相关问题。根据所图示的示例，图1的车辆控制器26与监测系统连通并从监测系统接收传感器信号，监测系统可包括车辆10的一个或多个车载常驻感测装置28和/或车辆充电站20的一个或多个非车载远程感测装置30。在实践中，该监测系统可包括单个传感器，或者其可包括分布式传感器架构，其中各种传感器封装在与附图中所示位置类似或替代的位置处。由充电端口34安装的CPD传感器38可感测CPD 36的门状态——打开或关闭，并被车辆的控制器26轮询或读取以确定该门状态。作为另一个选项，有助于将电连接器32物理地附接和固定到充电端口34的闭锁按钮40可包括内部开关（例如，SAE S3型开关），该内部开关用作感测装置以检测电连接器32是否操作性地连接到充电端口34。

技术人员将认识到也能够使用的众多其他类型的感测装置，包括但不限于：热感测装置，诸如无源热红外传感器；光学感测装置，诸如基于光和激光的传感器；声学感测装置，诸如表面声波（SAW）和超声波传感器；或电容感测装置，诸如基于电容的接近传感器。

图1的代表性车辆10可最初配备有与远程定位的（非车载）云计算系统44（其可简单地被称为云计算系统44）通信的车辆电信和信息单元，该车辆电信和信息单元可被称为远程信息处理单元42。远程信息处理单元42可例如且不限于经由蜂窝塔、基站和/或移动交换中心（MSC）来通信。

远程信息处理单元42的这些硬件部件还可至少部分地用作常驻车辆导航系统，以实现辅助和/或自动车辆导航，以及用作人机接口（HMI），以使得用户能够与远程信息处理单元42以及车辆10的其他系统和系统部件通信。在充当用户输入装置和车辆输出装置两者的情况下，远程信息处理单元42可配备有电子视频显示装置46和各种各样的HMI输入控制件48（例如，按钮、旋钮、开关、触控板、键盘、触摸屏等）。

其他外围硬件可包括麦克风，该麦克风为车辆10的乘员提供输入口头或其他听觉命令的手段；以及嵌入式语音处理单元，其被编程有计算语音识别软件能力。具有一个或多个扬声器部件的音频系统可向乘员提供听觉输出，并且可以是专用于与远程信息处理单元42一起使用的独立装置，抑或可以是通用音频系统的一部分。

继续参考图1，远程信息处理单元42可以是车载计算装置，其既单独地又通过其与车辆10的其他装置的通信来提供多种服务。远程信息处理单元42一般地可由一个或多个处理器组成，所述处理器中的每一者可被体现为例如且不限于：分立的微处理器、专用集成电路（ASIC）、或专用控制模块。车辆10可经由控制器26提供集中的控制，该控制器操作性地联接到一个或多个电子存储器装置50，所述电子存储器装置中的每一者可采用例如且不限于CD-ROM、磁盘、IC装置或半导体存储器（例如，各种类型的RAM或ROM）的形式，并且可包括实时时钟（RTC）。

与远程非车载联网装置的远距离连接性和通信能力可经由以下各者中的一者或多者提供：蜂窝芯片组/部件；导航和定位芯片组/部件，诸如全球定位系统（GPS）收发器；或无线调制解调器。远距离通信被共同地表示在远程部件部分52处。近距离无线连接性可经由短程无线通信装置来提供，该短程无线通信装置包括但不限于以下各者中的一者或多者：Bluetooth®单元；近场通信（NFC）收发器；专用短程通信（DSRC）部件；或双天线。近距离通信被共同地表示在近距离部件部分54处。上文描述的各种通信装置可被构造成在车辆对车辆（V2V）通信系统或车辆对一切（V2X）通信系统（例如，车辆对基础设施（V2I）、车辆对行人（V2P）、车辆对装置（V2D）等）中交换数据作为周期性广播的一部分。

参考图2，并且继续参考图1，示出了流程图100，该流程图图示了根据本公开的各方面的一种使用基于人工智能（基于AI）或基于机器学习（基于ML）的预测建模以用于针对指定路线推导出全电动车辆（FEV）的总能量消耗的改进的方法或控制策略。人工智能和机器学习一般地在本文中可互换使用。

图2中所图示且下文进一步详细描述的操作中的一些或全部或者本文中的其他图表可代表一种算法，该算法对应于可存储在例如主或辅助或远程存储器中并且例如由车载或远程控制器、处理单元、控制逻辑电路或其他模块或装置执行的处理器可执行指令，以执行上文或下文所描述的与所公开的构思相关联的功能中的任一者或全部。应认识到，所图示的操作框的执行顺序不是限制性的，并且可改变顺序，可添加附加的框，以及可修改、组合或消除所描述的一些框。

流程图100在端点框101处开始，处理器可执行指令用于可编程控制器或控制模块或其他合适的处理器或服务器计算机，以调用预测性电荷规划协议的初始化过程，该协议提供更准确的EV驾驶里程估计、优化电系统能量使用量，并有助于增加电池操作寿命。该例程可在进行中的车辆操作期间实时地、连续地、系统地、偶尔和/或以规则的间隔（例如且不限于，每100毫秒）执行。作为又一选项，端点框101可响应于从负责收集、分析、分类、存储和分发车辆数据的后端或中间件计算节点接收的用户命令提示或广播提示信号来初始化。

作为在端点框101处初始化过程的一部分，常驻车辆远程信息处理单元42可执行导航处理代码段，以获得车辆数据和地理空间数据——包括但不限于车辆速度、航向、加速度和/或车辆车轴扭矩、时间戳——并且可选地向车辆10的乘员显示该数据的选定方面。乘员可采用HMI输入控制件48中的任一者，以然后选择车辆的期望的起点和/或目的地。还设想的是，ECU或控制器26或远程信息处理单元42处理器从其他来源接收车辆起点和车辆目的地信息，所述来源为诸如为云计算系统44提供数据交换的服务器级计算机或在智能手机或其他手持式计算装置上操作的专用移动软件应用。

在数据框103处，车辆访问驾驶员的基于ML的预测模型。该预测模型可从例如云计算系统44、任何数据云或任何类似的系统下载。基于ML的预测模型可用于基于关于道路、交通或天气条件的预期的驾驶行为（包括环境温度以及顺风与逆风水平）来估计不同类型的能量消耗。本文中描述了基于ML的预测模型的推导，但是数据框103可从关于图3和图4描述的过程抑或从本驾驶员的存储ID接收模型。基于ML的预测模型可包括其他偏好，诸如HVAC温度设定。数据框103也可访问其他信息，诸如车辆路线、交通和环境条件以及基于ML的预测模型。

一旦已知或估计了车辆起点（起始位置）和车辆目的地（结束位置），流程图100就在输入/输出框105处执行地理空间查询，以识别位置特定的地理信息。例如且不限于，在输入/输出框105处进行的查询可利用车辆的实时位置信息（即，一组GPS生成的大地测量数据）和时间信息（即，车辆时间戳）来识别用于从车辆起点横越到车辆目的地的指定路线。在一些非限制性示例中，地理空间信息可包括路肩位置数据、道路中心位置数据、道路边界位置和几何数据、交叉口中点位置数据、交通流速或调节后的速度限制等。

输入/输出框105的地理空间查询可识别对应于车辆的开始位置和结束位置的多个预览路线，而不是识别单个路线选项。作为输入/输出框105的一部分，流程图100进一步访问OPENSTREETMAP®（OSM）数据服务或类似合适的映射数据库，以查找与每条路线相关联的道路级别数据。该基线道路级别信息可包括形成给定路线的互连段、每个路段的名称、每个路段的速度限制、车道对准信息、交通灯位置、停车标志位置、坡度等。

在建立车辆起点、目的地和至少一个指定或预览路线、和然后聚合相关的道路级别数据以及道路交通和干扰数据之后，流程图100开始实施eDrive能量消耗模型、辅助装置能量消耗模型、自主装置能量消耗模型等，以构建到达期望的车辆目的地的车辆总能量消耗的整体模拟。这些模型中的每一者可并入有预期的或预测的驾驶员行为，以更好地预测车辆总能量消耗且因此更好地预测车辆的驾驶里程。

过程框107提供存储器存储的处理器可执行指令，以计算牵引马达（例如，图1的电机16）的预测马达能量使用量，从而推进电动车辆（例如，电驱动车辆10）跨过给定的预览路线。预测的马达速度ω是预测的车辆速度Vp和马达速度与车辆速度之比k的函数：

其中k是齿轮比Gr和轮胎半径r的函数。可期望为驾驶员确定给定的驾驶员模型，以有助于预测给定路线的车辆速度、期望的推进扭矩和其他动态驾驶行为。本文中讨论了用于基于监测来自驾驶员的主要输入以及与云计算系统44的通信来确定可应用的驾驶员模型的机制。

确定驾驶员模型可包括深度学习神经网络（DNN）技术。然而，应了解，可利用其他形式的驾驶员模型，包括长短期记忆（LSTM）神经网络模型、统计模型（例如，马尔可夫链）、隐马尔可夫模型（HMM）、非线性回归模型等。

根据通过基于ML的驾驶员模型所估计的预测的期望推进扭矩Tq_des，系统能够为正在研究的预览路线计算预测的马达扭矩T_MGU(A:B)。通过积分，系统将预测的总马达能量使用量计算为E_MGU：

其中A和B分别是车辆起点和车辆目的地的标记，并且E_RGN是预览路线的总再生能量。

在制动操作期间，诸如通过马达控制模块（MCM）和电池控制模块（BCM）的实施，ECU或控制器26可操作电机16，以从减慢车辆10中回收能量并通过再生制动操作将能量存储在EVB牵引电池组14中。实际的马达能量使用量可能高于预测的总马达能量使用量E_MGU，因为马达很可能不是100％高效的。为了纠正这个问题，能够将预测的总马达能量使用量E_MGU除以η项，该η项是马达速度或扭矩的函数，并且考虑不完美的效率。

在过程框109处，流程图100计算作为预测的马达速度和预测的马达扭矩的函数的逆变器/转换器能量损失。这样的逆变器/转换器能量损失由电气化动力系采用功率逆变器模块或AC-DC转换器在指定路线期间操作牵引马达和电池组造成。

车辆10可采用功率逆变器模块来调制从牵引电池组14接收的DC电压，并且输出适合于给电机16供电的AC电压。相比之下，AC-DC转换器可用作电池充电器或车载充电模块（OBCM），以将来自非车载AC电源（例如，车辆充电站20）或以再生模式操作的电机16的AC电压转换成适合由电池组14和其他DC装置使用的DC电压。

流程图100然后在过程框111处计算作为预测的马达速度和扭矩的函数的马达能量损失。马达能量损失可由若干个因素造成，诸如：（1）定子绕组中的电阻损耗；（2）定子铁芯中的磁滞损耗；以及（3）从线圈反射回来的未捕获的高频电能。

在过程框109处计算的逆变器/转换器能量损失和在过程框111处计算的马达能量损失两者都可能受到不同驾驶员的不同驾驶风格或行为的影响。因此，流程图100通过来自数据框103的基于ML的驾驶员模型来改变计算，该基于ML的驾驶员模型估计车辆10的驾驶员的行为。

继续参考图2，在过程框113处计算车辆采暖、通风和空调（HVAC）系统的估计的总能量使用量。例如，车辆10可采用基于制冷剂的压缩机来冷却喷射到乘客舱中的空气，同时可由高电压加热器提供电阻金属加热条或加热后的冷却剂以用于加热空气和电池。除了给空气压缩机和加热条供电之外，还消耗电能来操作鼓风机或风扇，所述鼓风机或风扇将已加热/冷却的空气循环到乘客舱和车身12的其他期望区段中。

在过程框115处，总车辆能量消耗还可考虑给在指定路线的持续时间内操作的外围电子设备供电所需的辅助装置能量。这样的辅助性或非车辆推进设备可包括DC-DC转换器以用于将来自牵引电池组14的高电压功率转换成低电压功率，以用于运行车辆中的各种电部件，诸如收音机、中央控制台显示器、电子仪表板等。在这点上，12V电池负载可被保留用于操作车辆10中存在的任何非推进外围硬件，包括在整个乘客舱中作为标准化通信端口提供的辅助（aux）输入插孔以用于将乘员的手持式电子设备和个人计算装置与车辆10对接。

除了上文列举的电负载之外，流程图100还可在过程框117处考虑被采用来提供自主驾驶和高级驾驶员辅助系统（ADAS）功能的电子装置的能量使用量。这些负载可包括但不限于：动态传感器、雷达感测部件、激光雷达、摄像机和计算机处理器。

在过程框113处计算的HVAC负载、在过程框115处计算的所需的辅助装置能量、以及在过程框117处的ADAS功能可能全部都受到不同驾驶员的不同驾驶风格或行为的影响。因此，流程图100通过来自数据框103的基于ML的驾驶员模型来改变计算，该基于ML的驾驶员模型估计和预测车辆10的驾驶员的行为。

在过程框107、109、111、113、115和117处执行的计算中的每一者均受到不同驾驶员的不同驾驶风格或行为的影响。此外，环境条件可更改通过这些过程框计算出的能量消耗。例如且不限于，HVAC负载、轮胎的滚动阻力和电机16的能量消耗可基于在沿着预测路线的不同点处的环境温度而变化。附加地，道路条件和交通条件以及驾驶员对此的预测响应，将更改通过这些过程框计算出的能量消耗。

因此，流程图100基于根据若干个外部因素估计车辆10的驾驶员的行为通过来自数据框103的基于ML的驾驶员模型来改变计算。通过并入预测的驾驶员行为——包括受规划的路线、交通条件、道路条件和环境条件影响的驾驶员行为——该过程更好地能够推导出总能量使用量的更准确预测。

流程图100继续到利用处理器可执行指令进行的求和操作119，以合计在过程框107、109、111、113、115和117处执行的基于ML的能量消耗模型的所有预测值，并由此推导出预测的总能量使用量Ep(A:B)。一旦积聚（amass），就在过程框121处应用总能量使用量Ep(A:B)，以计算当车辆10到达其目的地时牵引电池组14的所估计的剩余电池能量ΔE。剩余电池能量ΔE可计算为：

其中a是将牵引电池组保持处于健康状态的校准的最小电池SOC，SOC(A)指示在当前位置A处的当前SOC，V_OC(SOC)是作为SOC的函数的牵引电池组的开路电压，E(T)_battloss是作为电池温度T的函数的牵引电池组的电池能量损失，并且Q是电池组能量容量。在该示例中，第一积分

计算在车辆的当前位置A处（或者当不同义时，在期望路线的起始位置处）牵引电池组14的所估计的剩余电池能量，该剩余电池能量一直使用到维持的最小能量a。

替代地，所估计的剩余电池能量ΔE可计算为：

如果已知电池的SOC，则依据安培小时（Ah）的电池能量可计算为总容量*%SOC。电池开路电压V_OC是SOC的强函数，其使积分非线性；开路电压V_OC可被认为与SOC有一对一的关系。

在计算剩余电池能量ΔE之后，流程图100继续到决策框123，以确定是否存在足够量的电池电量以使车辆10利用预测的驾驶员行为沿着当前指定路线到达期望的目的地。该确定一般地可包括查明牵引电池组14的当前SOC是否比预测的总能量使用量大至少校准的百分比或值。在更特定的示例中，决策框123将查明预测的剩余电池能量ΔE是否大于校准的电荷维持值Thd，该值是通过实验推导出的，以防止牵引电池组14完全放电，且因此有助于保持更长的电池寿命。

响应于确定剩余电池能量ΔE很可能大于校准的电荷维持值Thd，并且因此存在足够的电池电量以使车辆10使用指定路线到达期望的目的地（决策框123＝是（Y）），流程图100可前进到端点框125，并且此后终止，而不采取任何预防或补救动作。流程图100此后可循环回到端点框101，并且以连续或迭代循环运行。

相反地，在确定剩余电池能量ΔE不大于校准的电荷维持值Thd且因此不存在足够量的电池能量以使车辆10使用指定路线在下一个充电站之前到达期望的目的地（框123＝否（N））时，流程图100前进到过程框127，其包括存储器存储的处理器可执行指令以使常驻车辆控制器26自动向常驻车辆子系统发出一个或多个命令信号，以执行一个或多个预防或补救控制操作。

例如且不限于，流程图100可返回到输入/输出框105以检索和/或重新计算与一条或多条替代路线（变更路线）相关联的道路级别数据。根据图2的流程图100的其余部分，替代路线中的每一者可被评估为相应的预览路线。车辆远程信息处理单元42可附随地显示原始的指定路线以及替代路线中的一者或多者，同时指示当前SOC很可能不足以使车辆10使用指定路线到达目的地。

作为附加的或替代的选项，过程框127可为ECU或控制器26提供指令，以与动力系控制模块（PCM）协调来实施一组增强的低能量消耗驾驶规则，诸如将车辆10设定为限制车辆速度和马达扭矩的“经济驾驶员模式”。在这点上，ADAS模块可自动化一个或多个预定的驾驶机动以有助于节省电池电荷，包括启动被设定在校准速度下的自适应巡航控制（ACC），该校准速度已被验证以优化电池使用。

对于至少一些应用，可能期望在该路线的持续时间内禁用车辆10的全自主驾驶。这将消除设在车辆电系统上以给自动化车辆驾驶所必要的各种传感器、硬件部件和处理器供电的附加费用。每条预览路线的总马达/车辆能量使用量可保存在常驻或远程存储器存储的地图数据库中。可选地，常驻车辆导航系统的显示装置可显示每条路线，并指示其对应的总马达/车辆能量使用量。

参考图3，并且继续参考图1和图2，示出了流程图或过程200，其图示用于驾驶员分类和自适应学习以建立更有效地预测驾驶员行为的适配的驾驶员模型的过程。适配的驾驶员模型可用于创建适配的驾驶循环简档，该适配的驾驶循环简档将更好地预测车辆的能量使用量并更好地估计车辆里程。适配的驾驶循环简档预测驾驶员贯穿整个驾驶中的行为，并且可包括外界影响（诸如，天气、交通等）。该流程图可与图1中所示的结构一起使用，并且可将其一些数据输出到其他过程（诸如，图2中或其他地方所图示的过程）。

过程200包括至少两个输入馈源（input feed），即，驾驶员输入210和车辆群体（population）输入212。驾驶员输入210可包括对直接监测驾驶员动作的特征输入的使用。这些特征输入包括但不限于：车辆速度和加速度、踏板位置和踏板位置变化率、制动、滑行、转向角和相对于速度限制的速度（即，超速限制变化）。

附加地，驾驶员偏好、车辆状态和环境输入可被并入到驾驶员输入210中。这些二次输入与驾驶员的行为相关联，并且可影响车辆的能量使用量。例如且不限于，环境温度、高度、HVAC系统的当前状态和其他系统设定（诸如，经济模式巡航控制）可被并入到驾驶员输入210中。

群体输入212被存储在数据云或云数据库214中，并且包括先前开发或记录的驾驶员模型，这些驾驶员模型被分类为针对特定车辆的不同驾驶风格的组。因此，云数据库214具有多个已知简档或模型，所述多个已知简档或模型具有与特定驾驶员相关联的相应的存储行为以预测车辆能量消耗。这些已知模型可包括基于AI或基于ML的驾驶员模型以及个体驾驶员中的一者或多者的操作行为，并且由群体输入212形成。

云数据库214可与图1的云计算系统44相同或相联系，或者能够是单独的系统。例如且不限于，云数据库214和云计算系统44可被并入到专有通信服务（诸如，ONSTAR®）中或与其通信。

注意，可基于所使用的特定车辆或基于更加有限的车辆分类来区分群体输入212。例如且不限于，特定车辆类型（诸如，第一类、第二类和第三类）可区分群体输入212。这些类可按但不限于以下各者来区分：轿车A、轿车B、大型SUV A或大型SUV B，或者按更一般的车辆类别（诸如，卡车、SUV或汽车）来区分。注意，可使用附加类别，并且可在同一车辆类型内使用众多不同的特定车辆指示符，包括特定的内饰等级或动力系构型。

群体输入212可以是所记录的行为（其能够经由大数据技术进行分类和/或处理），或者可以是所记录的基于ML的驾驶员模型。群体输入212的特性存储在云数据库214中，使得可由过程200内的其他过程来访问这些特性。云数据库214既作为输入又作为输出来操作，因为它既从过程200内的这些过程的其余部分接收信息，又将信息输出到过程200内的这些过程的其余部分。

匿名驾驶员指示符或标签可识别存储在云数据库214中的个体驾驶员模型。因此，过程200可使用云数据库214以将匿名行为与本驾驶员的行为进行比较。替代地，其他步骤或机制可将驾驶员ID号码和任何可辨识数据与过程200的其余部分分开。

群体输入212充当可应用于本驾驶员的可能的驾驶员行为和/或驾驶员模型的描述符。因此，群体输入212向云数据库214提供众多驾驶员行为的仓库。这些驾驶员行为或模型然后可由过程200的其他部分使用以关联到车辆10的当前感测或记录的当前驾驶员行为。

在驾驶员ID框216处，过程200确定驾驶员是否具有存储的驾驶员ID——即，先前存在的驾驶员识别信息或先前存在的驾驶员简档——以及存储的驾驶员ID应用于哪个车辆（如果有的话）。例如，驾驶员可登录到远程信息处理单元42中，该远程信息处理单元可与云计算系统44或云数据库214通信以检索存储的驾驶员ID。

如果存储的驾驶员ID显示驾驶员已经针对其常规驾驶的车辆或基本上类似的车辆而具有驾驶员模型，则过程200知道其有能力识别预期的驾驶员行为并将这些驾驶员行为应用于车辆10。基于该存储的ID，过程200理解为它能够在驾驶员模型框218中访问或创建动态全驾驶员模型。从本驾驶员的存储的ID抽取该个性化全动态驾驶员模型。

能够通过机器学习（诸如，通过来自驾驶员ID框216的足够的历史）用足够的数据来训练在驾驶员模型框218中实施的全动态驾驶员模型。对于所识别的驾驶员，可使用动态全驾驶员模型来预测驾驶员行为且因此预测对于规划的驾驶循环所需的能量。

在一些情况下，驾驶员ID框216可确定存储的驾驶员ID适用于不同的车辆类型。在这样的情况下，过程200仍可使用该模型来预测驾驶员行为。替代地，如本文中所解释的，过程200可针对另一车辆而使用存储的驾驶员ID作为基点或起点以推导出用于本车辆的新的基于ML的驾驶员模型。

参考图2解释了使用基于ML的驾驶员模型来预测驾驶行为并自其预测驾驶里程。有关根据驾驶行为和/或根据基于ML的驾驶员模型进行里程预测的附加信息可在2018年8月29日提交的美国专利申请16/116,129中找到，该专利申请以全文引用的方式并入本文。技术人员将认识到，所记录的基于ML的驾驶员模型以及用于形成那些模型的驾驶行为也可以是形成群体输入212的一些信息的来源。

在许多情况下，驾驶员ID框216可确定不存在可用的驾驶员ID，诸如当驾驶员先前没有驾驶在系统内车辆或没有注册到系统中时。完全缺少驾驶员ID可被称为冷起动驾驶员简档。附加地，驾驶员ID框216可确定存储的驾驶员ID适用于不同的车辆或不同的车辆类别。在这些情况下，驾驶员ID框216可使用例如以下各者来询问交互式问题：HMI输入控制件48、车内语音通信、或移动应用程序。这些问题可允许驾驶员自我识别其是运动（激进型）驾驶员、普通（中立型）驾驶员还是经济（保守型）驾驶员。基于该输入和来自驾驶员的其他可用信息，驾驶员最初被分类为驾驶类别。

过程200使用行为框220、模型训练框222和匹配框224来表征和识别冷起动驾驶员简档的基于ML、基于AI或基于统计的驾驶员模型。行为框220监测驾驶员行为，特别是当没有存储的驾驶员ID或存储的驾驶员ID匹配另一车辆时。模型训练框222使用从相同车辆类别中的大车辆群体所收集的特征输入数据来训练分类模型。技术人员将认识到，大群体在大小方面足以训练模型，并且可低至数百辆车辆，但将很可能包括数千辆车辆。匹配框224利用模型训练框222将监测到的驾驶员行为关联到模型。

行为框220可在车辆在操作中时监测特征输入，以获得有关驾驶风格的信息（诸如，关于激进度量表（scale））。通过使用特征输入，过程200监测和识别本驾驶员的实际行为，然后其可用于推导出、估计或关联相关的基于ML的驾驶员模型。

过程200使用模型训练框222以使用从相同车辆类别中的大车辆群体所收集的特征输入数据来训练分类模型。模型训练框222使用来自大车辆数据群体的群体输入212（包括来自那些车辆的个体驾驶员行为）来对车辆群体的驾驶风格进行分类，并且可被并入到云数据库214中或者可以是单独的计算系统的一部分。训练后的模型可以关联类似的DNA驾驶员行为，并且基于整个群体将其分类为激进度量表。如本文中使用的，类似的DNA指代匹配类似的驾驶特性或简档。可通过大数据、人工智能（AI）或机器学习（ML）技术（诸如，深度学习神经网络、主成分分析技术）来执行模型训练，如将由技术人员认识到的。

匹配框224使用来自行为框220的特征输入和模型训练框222的分类模型，以相对于车辆群体关于激进度量表来识别本驾驶员。基于新的分类，类似的DNA驾驶员行为模型然后可被用作一种模型以估计本驾驶员的行为并自其预测驾驶里程，即使当存在很少或不存在存储的ID信息时。

激进度量表可包括例如且不限于：三级分化和五级分化。三级激进度量表可将驾驶员行为归类为激进型、中立型或保守型中的一种——附加的类别是可能的。类似地，五级激进度量表可用整数来对驾驶员行为进行归类，例如-2、-1、0、1或2，其中-2表示最激进型驾驶员，并且2表示最保守型驾驶员。

使用特征输入进行驾驶员行为分类的方法能够使用例如且不限于以下各者：神经网络、主成分分析技术或统计分析。主成分分析可使用协方差矩阵

的最大奇异值来对激进度级别进行分类，其中X是矩阵，并且其各列为特征输入（诸如，车辆加速度、加速度踏板变化率、超速限制等）的时间序列观测。

在对驾驶员行为进行分类之后，过程200使用匹配框224，以基于由行为框220确定的激进度分类而将驾驶员行为关联到模型训练框222的车辆特定分类驾驶员模型。匹配框224为个性化和车辆特定分类模型提供基点确定，之后可随着来自本驾驶员的更多驾驶数据可用而更改该基点确定。例如，行为框220可确定驾驶员是适度激进型（-1），并且匹配框224将然后针对本车辆类别的适度激进型驾驶员从模型训练框222抽取预定的车辆特定分类模型——即，适度激进型SUV驾驶员模型。

在驾驶员ID匹配不同车辆类的情况下，诸如当本车辆是SUV但驾驶员通常驾驶汽车时，匹配框224可使用驾驶员的已知激进度类别，并将其与来自模型训练框222的针对本车辆类别的预定的车辆特定分类模型相匹配。例如，如果本驾驶员是汽车的适度保守型（+1）驾驶员，则匹配框224可针对SUV的适度保守型驾驶员抽取预定的驾驶员简档。

在一些构型中，修改框228可对来自模型训练框222的针对本车辆类别的车辆特定分类模型进行更改。特别地，过程200可修改基本的车辆特定分类模型，特别是当从另一车辆转移时。例如且不限于，可基于来自驾驶员输入210的信息将汽车的适度保守型驾驶员确定为SUV的中立型或适度激进型驾驶员，特别是如果该SUV是租赁车辆。因此，修改框228可基于将本驾驶员的实际行为关联或配对到群体输入212来修改车辆特定分类模型，所述群体输入存储在云数据库214中并且由模型训练框222推导出。

在一些构型中，当过程200已通过驾驶员输入210收集到足够的驾驶历史数据时，修改框228可直接学习本驾驶员行为或者通过机器学习来训练车辆特定驾驶员模型。然后，行为框220可确认——诸如，利用附加的多组驾驶员行为在过程200的后续循环期间——驾驶员输入210一般地符合与创建了动态全驾驶员模型的存储的驾驶员ID相关联的行为。如果那些行为暗示不同的驾驶员模型——例如，一名驾驶员登录到车辆，但另一名驾驶员实际掌握方向盘——则行为框220、模型训练框222和匹配框224可使用云数据库214中的信息，以要么更改动态全驾驶员模型，要么可尝试将本驾驶员行为关联到全新模型。

在输出框230中，过程200输出来自修改框228的适配的驾驶员模型和/或所更新的驾驶员ID，以供由车辆10使用以及供存储在云数据库214中。所更新的驾驶员ID可包括驾驶员（该驾驶员可能地被更新为包括新车辆）的新近监测到的行为，或者可包括由匹配框224确定的关联的驾驶员模型和/或来自修改框228的调整后的模型。适配的驾驶员模型可用于改进驾驶里程的计算，尤其是针对全电动车辆（但也针对混合动力车辆）。

参考图4，并且继续参考图1至图3，示出了流程图，该流程图图示了用于驾驶员分类和自适应学习以建立适配的驾驶员模型并使用其来计算驾驶里程的过程、算法或方法300。方法300可包括与图2中所示的过程200类似的要素，但图示了车辆10或具有足够资源的另一车辆可遵循的逐步流程的一个示例。如将由技术人员认识到的，可将未明确引用的任何部件假设为车辆10或另一合适车辆的一部分。

方法300可由一个或多个车辆控制系统执行，诸如控制器26，该控制器包括足够的计算、执行和通信能力以确定和实施本文中描述的任何过程、方法或算法。图4中所图示的步骤是一种特定算法或过程的示例，并且不是限制性的——不需要步骤，并且任何步骤都可以是可选的，无论是否被识别为如此。所示的步骤或过程的顺序也不是限制性的，并且如由技术人员认识到的，可对步骤进行重新排序或重新排列。

步骤310：开始/初始化

方法300可仅在由控制器26要求时才开始操作。例如，每当车辆10被接通、解锁或打开时，方法300可进行初始化。方法300可仅在被专门调用时才运行，可不断地运行，或者可迭代地循环。

方法300内的众多要素可与非车载系统通信，所述非车载系统为诸如云计算系统44、云数据库214或ONSTAR®网络。然而，从非车载系统接收的输入和发送到非车载系统的输出未在流程图中单独地图示。技术人员将认识到包括与非车载系统（特别是云系统）的通信的过程。

步骤312：监测特征输入

当驾驶员开始驾驶本车辆时，方法300读取和/或分析特征输入。这些特征输入——诸如，车辆速度和加速度、踏板位置和变化、制动、滑行、转向角和相对于速度限制的速度——允许方法300监测或确定至少第一组驾驶员行为。

步骤314：存储的ID

在启动时或启动后不久，方法300检查本车辆的驾驶员是否具有存储的驾驶员ID或先前存在的驾驶员简档。存储的驾驶员ID可用于访问驾驶历史，包括激进度分类、车辆历史以及针对该存储的驾驶员ID而存在的任何先前开发的基于ML的驾驶员模型或者统计或其他类型的驾驶员模型。

步骤316：激进度分类

在没有存储的驾驶员ID的情况下，方法300使用特征输入以关于激进度量表来对第一组驾驶行为进行分类。激进度量表可具有三个级别（激进型、中立型或保守型性）、五个级别（-2、-1、0、1或2）或其他分类分组，包括具有几乎无限分化的浮动量表（slidingscale）或钟形曲线。该比较和激进度分类可利用关于图3的模型训练框222讨论的一些技术，其中使用从相同车辆类别（且可能地来自其他类别）中的大车辆群体所收集的特征输入数据来训练分类模型。

步骤318：匹配模型

在确定激进度分类之后，方法300找到匹配激进度分类的本车辆的基本或起始模型。该方法将来自特征输入的监测到的第一组驾驶员行为与具有相应的存储行为的多个已知简档进行比较，并且将那些驾驶员行为与已知简档中的至少一者相匹配以创建基础的适配的驾驶员模型。匹配可包括从云中下载预定的驾驶员模型，或者基本模型——特别是在存在三种分类的情况下——其可以以车载方式存储在车辆上。

步骤320：本车辆的ID

在步骤314确定驾驶员确实具有存储的ID的情况下，方法300确定存储的ID是否适用于本车辆。如果存储的ID适用于不同的车辆类型，则方法300返回进行到步骤318，以通过将驾驶员的已知行为与存储在云中的已知简档进行比较来使基础模型与驾驶员的存储的行为简档相匹配。

与存储的ID相关联的已知的激进度分类可用于找到关联到本车辆的基本驾驶员模型。例如，如果存储的ID显示驾驶员在她或他的常规汽车中是适度保守型的，则方法300可针对本车辆的适度保守型驾驶员抽取基本驾驶员模型。

在驾驶员具有针对本车辆的存储的ID的情况下，方法300可以或能够从云访问从驾驶员的先前行为推导出的模型。存储的模型充当基础模型。

步骤330：自适应模型

在找到用于驾驶员的基础模型之后，方法300进行到自适应建模，其可用于通过更好地预测驾驶员行为来改进基础模型。在连续或循环监测特征输入的情况下，方法300可由于区分驾驶员行为来适配基础模型——无论是通过与激进度分类相匹配来确定还是从存储的驾驶员ID来确定。方法300可将特征输入的特性关联到类似的DNA驾驶员行为模型，并且将类似的DNA模型并入到适配的模型中。

替代地，方法300可简单地修改或调整先前确定的基础模型。例如，在驾驶员的存储的ID示出汽车的中立型驾驶员但特征输入暗示本汽车中的适度激进型行为的情况下，方法300可稍微修改自适应模型以使其为更激进型的，但是并未一直移动到适度激进型驾驶员简档，因为初始行为可能是异常行为（aberration）。根据适配的驾驶员模型，方法300对适配的驾驶循环简档进行建模，该适配的驾驶循环简档沿着预测的地理空间路线来预测驾驶员行为。

自适应建模过程可以是自循环的或迭代的，使得其监测特征输入，直到充分地确定驾驶员行为为止。替代地，方法300的后续循环将利用该适配的模型作为起点。

步骤332：所更新的ID和模型

在创建自适应模型之后，方法300进行到更新驾驶员的存储的ID，这可包括用在步骤330处确定的适配的模型来代替先前的基础模型。所更新的ID可被发送到云，使得它可与未来车辆一起使用。附加地，方法300可更新车载控制系统，使得可将适配的模型用于后续计算。

步骤334：根据动态模型来估计里程

方法300然后使用从步骤330的适配的模型被新近更新的基础模型来估计本车辆的驾驶里程。这包括相对于所确定的激进度分类针对整个路线来对适配的驾驶循环简档进行建模，诸如关于图2所讨论的。通过对预测路线上的预期的个体行为求积分，方法300能够估计在预测路线上的总能量使用量，并且能够计算车辆的预测的驾驶里程。根据全动态模型来估计里程可包括但不限于，预测驾驶员对以下各者的响应：道路条件、交通条件和/或环境条件。

步骤336：结束/循环

在估计车辆的驾驶里程之后，方法300进行到结束抑或循环。在许多构型中，方法300将在车辆呈操作时不断地循环（可能地以规则的间隔）。

详细描述和附图或图支持和描述本文中的主题。尽管已详细描述了一些最佳模式和其他实施例，但是存在各种替代性设计、实施例和构型。

此外，在附图中示出的任何实施例或本描述中提到的各种实施例的特性不必理解为彼此独立的实施例。相反，可能的是，在实施例的一个示例中描述的特性中的每一者能够与来自其他实施例的一个或多个其他期望的特性组合，从而导致未以文字或通过参考附图来描述的其他实施例。因此，这样的其他实施例落入所附权利要求书的范围的框架内。

Claims (10)

1.一种使用控制系统来估计由驾驶员操作的电气化车辆的里程的方法，所述方法包括：

在所述车辆在操作中时监测第一组驾驶员行为；

将监测到的第一组驾驶员行为与具有相应的存储行为的多个已知简档进行比较；

将所述第一组驾驶员行为与所述已知简档中的至少一者相匹配以创建适配的驾驶员模型；

基于所述适配的驾驶员模型来对适配的驾驶循环简档进行建模；以及

基于所述适配的驾驶循环简档来计算所述电气化车辆的预测的驾驶里程。

2.根据权利要求1所述的方法，其进一步包括：

相对于所述多个已知简档，将所述监测到的第一组驾驶员行为分类为保守型、中立型或激进型中的一种；并且

其中，对所述适配的驾驶循环简档进行建模进一步基于所述保守型、中立型或激进型分类。

3.根据权利要求2所述的方法：

其中，对所述监测到的第一组驾驶员行为进行分类包括：使用人工智能或主成分分析中的一者基于来自所述车辆的特征输入的时间序列观测来执行分类，并且

其中，所述特征输入包括以下各者中的一者或多者：加速度、速度、制动、踏板位置、踏板位置变化率、超速限制变化或转向角。

4.根据权利要求3所述的方法：

其中，所述已知简档位于与所述电气化车辆通信的云计算系统中，并且

从所述云计算系统来访问所述已知简档。

5.根据权利要求1所述的方法，其进一步包括：

确定所述驾驶员是否具有先前存在的驾驶员简档；以及

如果所述驾驶员不具有所述先前存在的驾驶员简档，则基于将所述第一组驾驶员行为与所述已知简档相匹配来对所述适配的驾驶循环简档进行建模；并且

如果所述驾驶员确实具有所述先前存在的驾驶员简档，则基于所述先前存在的驾驶员简档来对所述适配的驾驶循环简档进行建模。

6.根据权利要求1所述的方法，其进一步基于所述电气化车辆的预测的地理空间路线来计算所述预测的驾驶里程。

7.根据权利要求6所述的方法，其进一步基于以下各者来计算所述预测的驾驶里程：

道路条件；

交通条件；以及

环境条件。

8.根据权利要求1所述的方法，其进一步包括：

监测在所述第一组驾驶员行为之后发生的第二组驾驶员行为；

将监测到的第二组驾驶员行为与所述已知简档进行比较；

基于所述第二组驾驶员行为与所述已知简档的比较来更新所述适配的驾驶循环简档；以及

基于更新后的适配的驾驶循环简档来重新计算所述预测的驾驶里程。

9.根据权利要求1所述的方法，其进一步包括：

确定所述驾驶员是否具有先前存在的驾驶员简档；

在本车辆类内对所述电气化车辆进行分类，所述本车辆类包括以下各者中的一者：第一类、第二类或第三类；以及

如果所述先前存在的驾驶员简档是针对不同类中的车辆，则将所述先前存在的驾驶员简档与所述已知简档中的匹配所述本车辆类的一个已知简档相匹配。

10.一种使用控制系统来估计由驾驶员操作的电气化车辆的里程的方法，所述方法包括：

访问云数据库以确定所述驾驶员是否具有存储的驾驶员ID；

将所述电气化车辆分类为以下各者中的一者：第一类、第二类或第三类；

如果所述云数据库针对所述电气化车辆的所述类不具有所述存储的驾驶员ID，则：

在所述车辆在操作中时监测第一组驾驶员行为；

将监测到的第一组驾驶员行为与具有相应的存储行为的多个已知简档进行比较；

将所述第一组驾驶员行为关联到所述已知简档中的至少一者以创建适配的驾驶员模型；

基于所述适配的驾驶员模型来对适配的驾驶循环简档进行建模；以及

基于所述适配的驾驶循环简档来计算预测的驾驶里程；以及

如果所述云数据库针对所述电气化车辆的所述类不具有所述存储的驾驶员ID，则：

基于与所述存储的驾驶员ID相匹配的个性化全动态驾驶员模型来对所述适配的驾驶循环简档进行建模，其中，通过机器学习来训练所述个性化全动态驾驶员模型；以及

基于所述个性化全动态驾驶员模型来计算所述预测的驾驶里程。

Images