CN112836301A - 车辆能耗的预测方法和装置、存储介质及电子设备 - Google Patents

车辆能耗的预测方法和装置、存储介质及电子设备 Download PDF

Info

Publication number
CN112836301A
CN112836301A CN202110189699.0A CN202110189699A CN112836301A CN 112836301 A CN112836301 A CN 112836301A CN 202110189699 A CN202110189699 A CN 202110189699A CN 112836301 A CN112836301 A CN 112836301A
Authority
CN
China
Prior art keywords
target
data
energy consumption
vehicle
consumption 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.)
Pending
Application number
CN202110189699.0A
Other languages
English (en)
Inventor
胡太群
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202110189699.0A priority Critical patent/CN112836301A/zh
Publication of CN112836301A publication Critical patent/CN112836301A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车辆能耗的预测方法和装置、存储介质及电子设备。其中，该方法包括：目标仿真车辆按照目标自动驾驶算法的控制在目标路段上行驶时，获取目标仿真车辆的车辆固定参数的参数数据、目标仿真车辆在目标路段上的车辆行驶参数的参数数据、以及目标路段的道路参数的参数数据；将获取的参数数据输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出目标能耗预测数据，根据目标能耗预测数据预测目标自动驾驶算法的能耗，基于目标能耗预测神经网络训练出自动驾驶汽车能耗评估模型，评估车辆在实际场景中的能源消耗情况的目的，解决了现有技术中，在仿真系统中无法准确评估车辆实际行驶时能源消耗的技术问题。

Description

车辆能耗的预测方法和装置、存储介质及电子设备
技术领域
本发明涉及智能驾驶领域，具体而言，涉及一种车辆能耗的预测方法和装置、存储介质及电子设备。
背景技术
在车辆研发过程中，车辆的能耗是影响车辆研发的一个重要指标，为保证研发完成后的能耗达到预设能耗目标，在设计以及试制时将影响车辆能耗的每一个影响因素取一实验值，对整车进行工况测试，并通过多次调整影响因素值，进而确地符合要求的设计方案，在车辆仿真系统中，并不能准确、快速的仿真出目标车辆的能耗数据。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种车辆能耗的预测方法和装置、存储介质及电子设备，以至少解决现有技术中，在仿真系统中无法准确评估车辆实际行驶时能源消耗的技术问题。
根据本发明实施例的一个方面，提供了一种车辆能耗的预测方法，包括：获取目标仿真车辆的车辆固定参数的参数数据、所述目标仿真车辆在目标路段上的车辆行驶参数的参数数据、以及所述目标路段的道路参数的参数数据，其中，所述目标仿真车辆按照目标自动驾驶算法的控制在所述目标路段上行驶；将所述车辆固定参数的参数数据、所述车辆行驶参数的参数数据以及所述道路参数的参数数据输入到目标能耗预测神经网络中，得到所述目标能耗预测神经网络输出的目标能耗预测数据，其中，所述目标能耗预测数据包括所述目标路段上预测的所述目标仿真车辆的车辆能耗数据，所述目标能耗预测神经网络是使用一组样本数据对待训练的能耗预测神经网络进行训练得到的神经网络，所述一组样本数据包括一组样本车辆的样本车辆固定参数的参数数据、所述一组样本车辆在所述目标路段上的样本车辆行驶参数的参数数据、以及所述目标路段的道路参数的参数数据，在结束对所述能耗预测神经网络进行训练时，所述能耗预测神经网络输出的样本能耗预测数据与所述一组样本车辆在所述目标路段上的能耗实际数据之间的损失值满足预设的损失条件；其中，所述目标能耗预测数据，用于在自动驾驶中对所述目标自动驾驶算法进行能耗预测。
根据本发明实施例的另一方面，还提供了一种车辆能耗的预测装置，包括：第一获取单元，用于获取目标仿真车辆的车辆固定参数的参数数据、所述目标仿真车辆在目标路段上的车辆行驶参数的参数数据、以及所述目标路段的道路参数的参数数据，其中，所述目标仿真车辆按照目标自动驾驶算法的控制在所述目标路段上行驶；第一输出单元，用于将所述车辆固定参数的参数数据、所述车辆行驶参数的参数数据以及所述道路参数的参数数据输入到目标能耗预测神经网络中，得到所述目标能耗预测神经网络输出的目标能耗预测数据，其中，所述目标能耗预测数据包括所述目标路段上预测的所述目标仿真车辆的车辆能耗数据，所述目标能耗预测神经网络是使用一组样本数据对待训练的能耗预测神经网络进行训练得到的神经网络，所述一组样本数据包括一组样本车辆的样本车辆固定参数的参数数据、所述一组样本车辆在所述目标路段上的样本车辆行驶参数的参数数据、以及所述目标路段的道路参数的参数数据，在结束对所述能耗预测神经网络进行训练时，所述能耗预测神经网络输出的样本能耗预测数据与所述一组样本车辆在所述目标路段上的能耗实际数据之间的损失值满足预设的损失条件；其中，所述目标能耗预测数据，用于在自动驾驶中对所述目标自动驾驶算法进行能耗预测。
根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述车辆能耗的预测方法。
根据本发明实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过所述计算机程序执行上述的车辆能耗的预测方法。
在本发明实施例中，通过获取目标仿真车辆的车辆固定参数的参数数据、目标仿真车辆在目标路段上的车辆行驶参数的参数数据、以及目标路段的道路参数的参数数据，其中，目标仿真车辆按照目标自动驾驶算法的控制在目标路段上行驶；将车辆固定参数的参数数据、车辆行驶参数的参数数据以及道路参数的参数数据输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出的目标能耗预测数据，其中，目标能耗预测数据包括目标路段上预测的目标仿真车辆的车辆能耗数据，目标能耗预测神经网络是使用一组样本数据对待训练的能耗预测神经网络进行训练得到的神经网络，一组样本数据包括一组样本车辆的样本车辆固定参数的参数数据、一组样本车辆在目标路段上的样本车辆行驶参数的参数数据、以及目标路段的道路参数的参数数据，在结束对能耗预测神经网络进行训练时，能耗预测神经网络输出的样本能耗预测数据与一组样本车辆在目标路段上的能耗实际数据之间的损失值满足预设的损失条件；其中，目标能耗预测数据，用于在自动驾驶中对目标自动驾驶算法进行能耗预测，达到了通过采集各种真实工况下目标车辆的车辆数据(目标车辆自身固有的数据和/或目标车辆行驶的数据)以及路段的路段数据，基于目标能耗预测神经网络训练出自动驾驶汽车能耗评估模型，将能耗评估模型部署在自动驾驶仿真系统中，在仿真系统中通过运行自动驾驶算法，评估车辆在实际场景中的能源消耗情况的目的，进而解决了现有技术中，在仿真系统中无法准确评估车辆实际行驶时能源消耗的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的车辆能耗的预测方法的应用环境的示意图；
图2是根据本发明实施例的一种可选的车辆能耗的预测方法的流程图；
图3是根据本发明实施例的一种可选的一组目标子路段示意图；
图4是根据本发明实施例的一种可选的一组目标车辆数据与一组目标子路段具有一一对应的关系的示意图；
图5是根据本发明实施例的一种可选的一组能耗预测数据与一组目标子路段具有一一对应的关系的示意图；
图6是根据本发明实施例的一种可选的输出一组能耗预测数据的结构图；
图7是根据本发明实施例的一种可选的目标车辆能耗预测的仿真系统的结构图；
图8是根据本发明实施例的一种可选的待训练的能耗预测神经网络训练的结构示意图；
图9是根据本发明实施例的一种可选的目标路段划分示意图；
图10是根据本发明实施例的一种可选的自动驾驶汽车能耗仿真评估方法的系统结构图；
图11是根据本发明实施例的一种可选的CNN模型示意图；
图12是根据本发明实施例的一种可选的双向循环神经网络结构图；
图13是根据本发明实施例的一种可选的车辆能耗的预测装置的结构示意图；
图14是根据本发明实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了更好的理解本申请提供的实施例，部分名词说明如下：
卷积神经网络(CNN，Convolutional Neural Networks)：是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deeplearning)的代表算法之一。
循环神经网络(RNN，Recurrent Neural Network)：是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。
惯性测量仪(IMU，Inertial measurement unit)：是测量物体三轴姿态角及加速度的装置，一般IMU包括三轴陀螺仪及三轴加速度计。
根据本发明实施例的一个方面，提供了一种车辆能耗的预测方法，可选地，作为一种可选的实施方式，上述车辆能耗的预测方法可以但不限于应用于如图1所示的环境中。终端设备102、网络104以及服务器106。
服务器106获取目标仿真车辆的车辆固定参数的参数数据、目标仿真车辆在目标路段上的车辆行驶参数的参数数据、以及目标路段的道路参数的参数数据，其中，目标仿真车辆按照目标自动驾驶算法的控制在目标路段上行驶；将车辆固定参数的参数数据、车辆行驶参数的参数数据以及道路参数的参数数据输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出的目标能耗预测数据，其中，目标能耗预测数据包括目标路段上预测的目标仿真车辆的车辆能耗数据，目标能耗预测神经网络是使用一组样本数据对待训练的能耗预测神经网络进行训练得到的神经网络，一组样本数据包括一组样本车辆的样本车辆固定参数的参数数据、一组样本车辆在目标路段上的样本车辆行驶参数的参数数据、以及目标路段的道路参数的参数数据，在结束对能耗预测神经网络进行训练时，能耗预测神经网络输出的样本能耗预测数据与一组样本车辆在目标路段上的能耗实际数据之间的损失值满足预设的损失条件；其中，目标能耗预测数据，用于在自动驾驶中对目标自动驾驶算法进行能耗预测，达到了通过采集各种真实工况下目标车辆的车辆数据(目标车辆自身固有的数据和/或目标车辆行驶的数据)以及路段的路段数据，基于目标能耗预测神经网络训练出自动驾驶汽车能耗评估模型，将能耗评估模型部署在自动驾驶仿真系统中，在仿真系统中通过运行自动驾驶算法，评估车辆在实际场景中的能源消耗情况的目的，进而解决了现有技术中，在仿真系统中无法准确评估车辆实际行驶时能源消耗的技术问题。
可选地，在本实施例中，上述终端设备可以是配置有目标客户端的终端设备，可以包括但不限于以下至少之一：手机(如Android手机、iOS手机等)、笔记本电脑、平板电脑、掌上电脑、MID(Mobile Internet Devices，移动互联网设备)、PAD、台式电脑、智能电视等。目标客户端可以是显示客户端等。上述网络可以包括但不限于：有线网络，无线网络，其中，该有线网络包括：局域网、城域网和广域网，该无线网络包括：蓝牙、WIFI及其他实现无线通信的网络。上述服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，或者是云服务器。上述仅是一种示例，本实施例中对此不作任何限定。
可选地，作为一种可选的实施方式，如图2所示，上述车辆能耗的预测方法包括：
步骤S202，获取目标仿真车辆的车辆固定参数的参数数据、目标仿真车辆在目标路段上的车辆行驶参数的参数数据、以及目标路段的道路参数的参数数据，其中，目标仿真车辆按照目标自动驾驶算法的控制在目标路段上行驶。
步骤S204，将车辆固定参数的参数数据、车辆行驶参数的参数数据以及道路参数的参数数据输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出的目标能耗预测数据，其中，目标能耗预测数据包括目标路段上预测的目标仿真车辆的车辆能耗数据，目标能耗预测神经网络是使用一组样本数据对待训练的能耗预测神经网络进行训练得到的神经网络，一组样本数据包括一组样本车辆的样本车辆固定参数的参数数据、一组样本车辆在目标路段上的样本车辆行驶参数的参数数据、以及目标路段的道路参数的参数数据，在结束对能耗预测神经网络进行训练时，能耗预测神经网络输出的样本能耗预测数据与一组样本车辆在目标路段上的能耗实际数据之间的损失值满足预设的损失条件；其中，目标能耗预测数据，用于在自动驾驶中对目标自动驾驶算法进行能耗预测。
可选的，在本实施例中，上述车辆能耗的预测方法可以包括但不限于应用于车辆仿真系统中。上述车辆能耗的预测方法中可以确定目标仿真车辆的目标能耗预测数据，进而方便研发人员在研发阶段低成本地促进自动驾驶算法优化改进能源消耗，达到节能环保的经济和社会效益。
在本实施例中，上述目标仿真车辆可以包括但不限于由目标自动驾驶算法控制在目标路段上行驶。也就是说，在目标车辆仿真系统中，目标仿真车辆的行驶是由自动驾驶算法进行控制的，可以获取目标仿真车辆行驶过程的中的目标车辆数据。进而将目标仿真车辆的一组目标车辆数据以及一组目标子路段的路段数据输入至目标能耗预测神经网络，进而得到目标能耗预测神经网络输出一组能耗预测数据，并根据一组能耗预测数据，确定目标仿真车辆的目标能耗预测数据。
可选的，在本实施例中，目标能耗预测数据用于对目标自动驾驶算法进行能耗预测，将目标能耗预测数据确定为目标自动驾驶算法的能耗预测数据。可选的，在本实施例中，将多次得到的目标能耗预测数据的平均值确定为目标自动驾驶算法的能耗预测数据，在目标自动驾驶算法的能耗预测数据大于预设阈值的情况下，确定目标自动驾驶算法不满足预设的能耗条件，即在目标道路上目标车辆可以不采用目标自动驾驶算法进行自动驾驶。在目标自动驾驶算法的能耗预测数据小于预设阈值的情况下，确定目标自动驾驶算法满足预设的能耗条件，即在目标道路上目标车辆可以采用目标自动驾驶算法进行自动驾驶。
可选的，在本实施例中，上述目标仿真车辆的车辆固定参数的参数可以理解为目标仿真车辆的固有数据(即目标仿真车辆的自身数据)，其中，目标仿真车辆的固有数据可以包括但不限于目标仿真车辆的重量、轴距、轮距、总长、总宽、前悬、后悬、接近角、离去角、最小离地距离等。目标仿真车辆的行驶数据可以包括但不限于行驶速度、加速度、所规划的路径长度、所规划路径的坡度等。上述目标路段的道路参数数据可以包括但不限于道路材质、坡度大小、气温、风力等等信息。其中，道路材质、坡度大小等信息可以通过高精地图，依据目标仿真车辆所行驶的轨迹进行查询获取。
可选的，在本实施例中，可以通过一组样本车辆的样本车辆固定参数的参数数据，训练得到目标路段上，目标自动驾驶算法的能耗预测神经网络。
在本实施例中，可以获取一组样本车辆的样本车辆固定参数的参数数据、一组样本车辆在目标路段上的样本车辆行驶参数的参数数据、目标路段的道路参数的参数数据、以及一组能耗实际数据，其中，一组能耗实际数据包括一组样本车辆在目标路段上的能耗实际数据；使用一组样本车辆的样本车辆固定参数的参数数据、一组样本车辆在目标路段上的样本车辆行驶参数的参数数据、目标路段的道路参数的参数数据，对待训练的能耗预测神经网络进行训练，得到目标能耗预测神经网络。
需要说明的是，在本实施例中，可以根据改变目标仿真车辆的目标自动驾驶算法，得到每个目标自动驾驶算法在目标路段上的能耗预测数据，进而确定目标路段上目标仿真车辆的目标自动驾驶算法。
为了得到更准确的目标能耗预测数据，由于目标道路的道路参数可能存在多个情况下，可以按照目标道路中包括的道路参数，对目标道路进行划分，得到一组目标子道路。在本实施例中，获取目标仿真车辆的车辆固定参数的参数数据、目标仿真车辆在目标路段上的车辆行驶参数的参数数据、以及目标路段的道路参数的参数数据，可以包括：获取目标仿真车辆的一组目标车辆数据以及一组目标子路段的路段数据，其中，一组目标子路段为目标路段上的连续子路段，一组目标车辆数据与一组目标子路段具有一一对应的关系，一组目标车辆数据中的每条目标车辆数据包括车辆固定参数的参数数据以及目标仿真车辆在对应的目标子路段上的车辆行驶参数的参数数据，一组目标子路段的路段数据包括每个目标子路段的道路参数的参数数据，或者，包括每个目标子路段的道路参数的参数数据以及每个目标子路段上的天气参数的参数数据。
将车辆固定参数的参数数据、车辆行驶参数的参数数据以及道路参数的参数数据输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出目标能耗预测数据，可以包括：将一组目标车辆数据和一组目标子路段的路段数据输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出的一组能耗预测数据，其中，一组能耗预测数据与一组目标子路段具有一一对应的关系，一组能耗预测数据中的每条能耗预测数据包括在对应的目标子路段上预测的目标仿真车辆的车辆能耗数据，目标能耗预测数据包括一组能耗预测数据；其中，一组能耗预测数据，用于在自动驾驶中对目标自动驾驶算法进行能耗预测。
在本实施例中，上述一组目标车辆数据可以包括但不限于目标仿真车辆的固有数据(即目标仿真车辆的自身数据)以及目标仿真车辆的行驶数据，其中，目标仿真车辆的固有数据可以包括但不限于目标仿真车辆的重量、轴距、轮距、总长、总宽、前悬、后悬、接近角、离去角、最小离地距离等。目标仿真车辆的行驶数据可以包括但不限于行驶速度、加速度、所规划的路径长度、所规划路径的坡度等。上述一组目标子路段的路段数据可以包括但不限于道路材质、坡度大小、气温、风力等等信息。其中，道路材质、坡度大小等信息可以通过高精地图，依据目标仿真车辆所行驶的轨迹进行查询获取。
其中，在本实施例中，一组目标子路段为目标路段上的连续子路段，即将目标仿真车辆行驶的目标路段划分为对个连续的子路段，得到目标路段的一组目标子路段，其中，上述一组目标车辆数据与一组目标子路段具有一一对应的关系，一组目标车辆数据中的每条目标车辆数据包括一个数据集合，一个数据集合中可以包括多个数据，多个数据可以是不同维度的数据。
需要说明的是，一组目标子路段数据可以包括但不限于多条目标车辆数据，每条目标车辆数据可以相同，也可以不相同。如一组目标子路段包括3条目标子路段，路段1、路段2以及路段3，一组目标子路段包括3条目标子路段对应的3个数据集合，每个数据集合中可以包括但不限于包括多个数据。如图3所示，一组目标子路段示意图，在图3中，目标路段A被划分为3个子路段，路段1、路段2、路段3，其中，路段1对应多个道路数据。如图4所示，一组目标车辆数据与一组目标子路段具有一一对应的关系的示意图。在图4中可知，一组目标车辆数据中的每条目标车辆数据包括在对应的目标子路段上目标仿真车辆的车辆数据。
在本实施例中，将一组目标车辆数据和一组目标子路段的路段数据输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出一组能耗预测数据，其中，一组能耗预测数据与一组目标子路段具有一一对应的关系，如图5所示，一组能耗预测数据与一组目标子路段具有一一对应的关系的示意图。如图5所示，一组目标子路段为3个子路段，则对应3个能耗预测数据，即能耗数据1、能耗数据2以及能耗数据3。
在本实施例中，上述目标能耗预测神经网络可以包括一组目标能耗预测子神经网络，一组目标能耗预测子神经网络对应一组目标子路段，用于得到对应的一组能耗预测数据。也就是说，在本实施例中，目标能耗预测神经网络可以包括多个神经网络模块，对应一组目标子路段中的子路段，用于输出得到一组能耗预测数据。如图6所示，输出一组能耗预测数据的结构图。在图6中目标能耗预测神经网络可以包括3个子预设神经网络，通过数据的3组数据，得到一组能耗预测数据，即3个能耗预测数据。进而可以根据这3个能耗预测数据确定目标路段上目标仿真车辆的目标能耗预测数据，可以包括但不限于将3个能耗预测数据相加确定为目标仿真车辆的目能耗预测数据，根据该目标能耗预测数据调整自动驾驶算法，以便获取该目标路段上消耗最小的自动驾驶算法。
在本实施例中，上述车辆能耗预测方法可以包括但不限于应用于仿真系统中，用于目标车辆的仿真。如图7所示，目标车辆能耗预测的仿真系统的结构图。如图7所示，在目标车辆仿真系统中，算法开发者将控制目标车辆的自动驾驶算法输入至仿真平台NMI中，控制目标仿真车辆在目标路段上行驶，获取目标车辆的车辆数据，以及目标路段的路段数据，将车辆数据和路段数据输入至目标能耗预测神经网络，运行仿真测试场景，可以得到算法能耗评估报告，即可以得到目标仿真车辆在该自动驾驶算法下，行驶在目标路段上的目标能耗预测数据。
可选的，在本实施例中，自动驾驶算法能耗评估应用场景中，将目标能耗预测神经网络部署在自动驾驶仿真系统中，将开发过程中的自动驾驶算法(如决策、规划、控制、车辆动力学模型等)接入仿真系统中，通过执行一系列测试场景，获取自动驾驶算法在仿真系统中所控制的车辆行驶参数(如行驶速度、加速度、所规划的路径长度、所规划路径的坡度等)，加上输入的车身重量、气温、风力等非算法本身影响的外部参数等信息，在仿真系统中评估自动驾驶算法模块的能耗，从而可以评估各迭代周期自动驾驶算法模块对实车所造成的能耗变化，以此作为评估自动驾驶算法优劣的一个重要参考值。
通过本申请提供的实施例，获取目标仿真车辆的车辆固定参数的参数数据、目标仿真车辆在目标路段上的车辆行驶参数的参数数据、以及目标路段的道路参数的参数数据，其中，目标仿真车辆按照目标自动驾驶算法的控制在目标路段上行驶；将车辆固定参数的参数数据、车辆行驶参数的参数数据以及道路参数的参数数据输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出的目标能耗预测数据，其中，目标能耗预测数据包括目标路段上预测的目标仿真车辆的车辆能耗数据，目标能耗预测神经网络是使用一组样本数据对待训练的能耗预测神经网络进行训练得到的神经网络，一组样本数据包括一组样本车辆的样本车辆固定参数的参数数据、一组样本车辆在目标路段上的样本车辆行驶参数的参数数据、以及目标路段的道路参数的参数数据，在结束对能耗预测神经网络进行训练时，能耗预测神经网络输出的样本能耗预测数据与一组样本车辆在目标路段上的能耗实际数据之间的损失值满足预设的损失条件；其中，目标能耗预测数据，用于在自动驾驶中对目标自动驾驶算法进行能耗预测，达到了通过采集各种真实工况下目标车辆的一组车辆数据(目标车辆自身固有的数据和/或目标车辆行驶的数据)以及一组目标子路段的路段数据，基于目标能耗预测神经网络训练出自动驾驶汽车能耗评估模型，将能耗评估模型部署在自动驾驶仿真系统中，在仿真系统中通过运行自动驾驶算法，评估车辆在实际场景中的能源消耗情况的目的，进而解决了现有技术中，在仿真系统中无法准确评估车辆实际行驶时能源消耗的技术问题。
可选的，上述方法可以包括：根据一组能耗预测数据以及一组权重值，确定目标仿真车辆的目标能耗预测数据，其中，一组权重值与一组目标子路段具有一一对应的关系，一组权重值中的每个权重值与目标仿真车辆在对应的目标子路段上的行驶里程相关。
其中，根据一组能耗预测数据以及一组权重值，确定目标仿真车辆的目标能耗预测数据，可以包括：通过以下公式确定目标仿真车辆的目标能耗预测数据：
Figure BDA0002944928160000131
其中，E表示目标能耗预测数据，wi表示一组权重值中与第i个目标子路段对应的第i个权重值，n表示一组目标子路段中的目标子路段的数量，Ei表示一组能耗预测数据中与第i个目标子路段对应的第i条能耗预测数据，wi为目标仿真车辆在第i个目标子路段上的行驶里程与目标仿真车辆在目标路段上的行驶里程的比值，n为大于1的自然数。
在本实施例中，目标仿真车辆在目标路段上的行驶里程为L，目标路段划分为3段，如图3所示。路段1上目标仿真车辆的行驶里程为s1，则对应路段1的w1＝s1/L，同样的方式可以得到不同子路段对应的wi。如目标仿真车辆在目标路段上的行驶里程在路段1上的行驶里程为3米，目标仿真车辆在目标路段上的行驶里程为10米，则路段1上的w1＝3/10，为0.3。
可选的，将一组目标车辆数据和一组目标子路段的路段数据输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出一组能耗预测数据，可以包括：
将N条目标车辆数据和N个目标子路段的路段数据分批输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出的N条能耗预测数据，其中，每次将具有对应关系的一条目标车辆数据和一个目标子路段的路段数据输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出的与一个目标子路段对应的一条能耗预测数据，一条目标车辆数据包括在一条目标子路段上目标仿真车辆的车辆数据，一条能耗预测数据包括在一条目标子路段上目标仿真车辆的能耗预测数据，一组目标车辆数据包括N条目标车辆数据，一组目标子路段的路段数据包括N个目标子路段的路段数据，一组能耗预测数据包括N条能耗预测数据，N为1或者大于1的自然数。
在本实施例中，将N条目标车辆数据和N个目标子路段的路段数据分批输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出的N条能耗预测数据，其中，可以将N条目标车辆数据中的每条数据和N个目标子路段的路段数据中的每条数据分批输入对应的子预设神经网络中，得到一组能耗预测数据。
其中，将N条目标车辆数据和N个目标子路段的路段数据分批输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出的N条能耗预测数据，可以包括：将具有对应关系的第i条目标车辆数据和第i个目标子路段的路段数据输入到第i个目标能耗预测子神经网络中，得到第i个目标能耗预测子神经网络输出的与第i个目标子路段对应的Mi个维度的能耗预测数据，其中，Mi为1或者大于1的自然数，目标能耗预测神经网络包括N个目标能耗预测子神经网络，N个目标能耗预测子神经网络与N个目标子路段具有一一对应的关系，N个目标能耗预测子神经网络中的每个目标能耗预测子神经网络用于生成在对应的目标子路段上预测的目标仿真车辆的车辆能耗数据，1≤i≤N。
在本实施例中，在N取值为3的情况下，对应图6所示的结构图。N取值，在本实施例仅是一种示例，本实施例中不作具体限定。
可选的，上述方法还可以包括：获取样本车辆的一组样本车辆数据以及一组目标子路段的路段数据，其中，一组样本车辆数据与一组目标子路段具有一一对应的关系，一组样本车辆数据中的每条目标车辆数据包括在对应的目标子路段上样本车辆的车辆数据；使用一组样本车辆数据、一组目标子路段的路段数据以及一组能耗实际数据，对待训练的能耗预测神经网络进行训练，得到目标能耗预测神经网络，其中，一组能耗实际数据与一组目标子路段具有一一对应的关系，一组能耗实际数据中的每条能耗实际数据包括在对应的目标子路段上实际采集到的样本车辆的车辆能耗数据。
其中，使用一组样本车辆数据、一组目标子路段的路段数据以及一组能耗实际数据，对待训练的能耗预测神经网络进行训练，得到目标能耗预测神经网络，可以包括：在待训练的能耗预测神经网络包括N个待训练的能耗预测子神经网络、且一组目标子路段包括N个目标子路段的情况下，针对每个待训练的能耗预测子神经网络，重复执行以下步骤，直到结束对每个待训练的能耗预测子神经网络进行的训练，共得到N个目标能耗预测子神经网络，其中，N个待训练的能耗预测子神经网络与N个目标子路段具有一一对应的关系，在执行以下步骤时，每个待训练的能耗预测子神经网络被视为当前能耗预测子神经网络，具有对应关系的一条样本车辆数据和一个目标子路段的路段数据被分别视为当前样本车辆数据和当前子路段的路段数据，当前能耗预测子神经网络与当前子路段具有对应关系：将当前样本车辆数据和当前子路段的路段数据输入到当前能耗预测子神经网络中，得到当前能耗预测子神经网络输出的多个维度的能耗预测数据；根据多个维度的能耗预测数据以及多个维度的能耗实际数据，确定与当前能耗预测子神经网络对应的当前损失函数的损失值；在当前损失函数的损失值不满足对应的当前损失条件的情况下，对当前能耗预测子神经网络中的网络参数进行调整；在当前损失函数的损失值满足当前损失条件的情况下，结束对当前能耗预测子神经网络进行的训练。
在本实施例中，如图8所示，待训练的能耗预测神经网络训练的结构示意图。在图8中所示，将样本车辆的一组样本车辆数据以及一组目标子路段的路段数据以及一组能耗实际数据，输入至待训练的能耗预测神经网络中，得到目标能耗预测神经网络，其中，在待训练的能耗预测神经网络中包括多个子预测神经网络，可以将对应的数据输入至对应的子预测神经网络中，根据输出的预测能耗数据与能耗实际数据调整待训练的能耗预测神经网络，在当前损失函数的损失值满足当前损失条件的情况下，结束对当前能耗预测子神经网络进行的训练。
需要说明的是，在当前损失函数的损失值不满足对应的当前损失条件的情况下，对当前能耗预测子神经网络中的网络参数进行调整，可以包括但不限于调整各个子能耗预测神经网络，使其各个子能耗预测神经网络满足损失条件，得到目标能耗预测神经网络；还可以在各个子能耗预测神经网络满足损失条件，且待训练的能耗预测神经网络也要满足损失条件的情况下，结束对当前能耗预测子神经网络进行的训练，得到目标能耗预测神经网络。
在本实施例中，上述N个待训练的能耗预测子神经网络与N个目标子路段具有一一对应的关系，其中，N个待训练的能耗预测子神经网络中的每个对待训练的能耗预测子神经网络可以包括但不限于多组样本训练数据进行训练。
其中，获取样本车辆的一组样本车辆数据以及一组目标子路段的路段数据，可以包括：
S1，获取样本车辆的车辆固定参数的参数数据以及样本车辆在每个目标子路段上的车辆行驶参数的参数数据，其中，一组样本车辆数据中的每条样本车辆数据包括车辆固定参数的参数数据以及样本车辆在对应的目标子路段上的车辆行驶参数的参数数据；
S2，获取每个目标子路段的道路参数的参数数据，其中，一组目标子路段的路段数据包括每个目标子路段的道路参数的参数数据；或者，获取每个目标子路段的道路参数的参数数据以及每个目标子路段上的天气参数的参数数据，其中，一组目标子路段的路段数据包括每个目标子路段的道路参数的参数数据以及每个目标子路段上的天气参数的参数数据。
可选的，获取目标仿真车辆的一组目标车辆数据以及一组目标子路段的路段数据，可以包括：
S1，获取目标仿真车辆的车辆固定参数的参数数据以及目标仿真车辆在每个目标子路段上的车辆行驶参数的参数数据，其中，一组目标车辆数据中的每条目标车辆数据包括车辆固定参数的参数数据以及目标仿真车辆在对应的目标子路段上的车辆行驶参数的参数数据；
S2，获取每个目标子路段的道路参数的参数数据，其中，一组目标子路段的路段数据包括每个目标子路段的道路参数的参数数据；或者，获取每个目标子路段的道路参数的参数数据以及每个目标子路段上的天气参数的参数数据，其中，一组目标子路段的路段数据包括每个目标子路段的道路参数的参数数据以及每个目标子路段上的天气参数的参数数据。
可选的，上述方法还可以包括：将目标路段按照路段类型划分为一组目标子路段，其中，路段类型包括以下至少之一：直行路段类型、转弯路段类型、通过人行横道类型、通过路口类型、上坡路段类型、下坡路段类型。
在本实施例中，如图9所示，目标路段划分示意图，在图9中，目标路段包括直行路段类型，通过路口类型以及转弯路段类型，即可以得到直行路段1、通过路口路段2、直行路段3以及转弯路段4。
可选的，本申请还提供了一种可选的自动驾驶汽车能耗仿真评估方法。
如图10所述，自动驾驶汽车能耗仿真评估方法的系统结构图。在本实施例中，自动驾驶汽车能耗仿真评估方法的系统可以包括但不限于采集系统、模型训练系统、仿真系统三大部分组成。
在本实施例中，上述采集系统可以包括但不限于由能耗采集装置、数据处理模块、数据传输模块等组成。
其中，能耗采集装置可以是以下一种或多种或其组合，且根据需要不限于所列举的设备，例如温度计、GPS、IMU、汽车油耗监控设备、汽车电量监控设备等等。采集能够影响能源消耗相关的数据，包括车身重量、行驶速度、行驶加速度、行驶距离、道路材质、坡度大小、气温、风力等等信息。其中道路材质、坡度大小等信息可以通过高精地图，依据实车所行驶的轨迹进行查询获取。
需要说明的是，采集系统可以包括但不限于用于获取目标仿真车辆的车辆固定参数的参数数据以及目标仿真车辆在每个目标子路段上的车辆行驶参数的参数数据，以及获取每个目标子路段的道路参数的参数数据，还可以获取每个目标子路段的道路参数的参数数据以及每个目标子路段上的天气参数的参数数据。
还需要说明的是，车辆自身数据可以包括：固定参数(车辆重量)，驾驶速度，驾驶加速度。
外部环境数据可以包括：1)道路数据，道路材质，道路曲率，道路类型(城市，高速)；2)天气数据(雨雪天气)。
其中，数据处理模块，可以根据各采集设备的采集数据、已知数据(如车身重量等)、计算数据(如根据速度和时间，计算出加速度)等，进行数据归一化处理和异常值筛选过滤，得到某小段时间δt的能源消耗数据向量E。向量E的每个元素分别表示需要度量的能源消耗子项，比如激光雷达传感器、摄像机、工控机等。
数据处理模块还可以根据采集数据信息(能耗、车辆驾驶行为、道路特征等)，建立起能源消耗数据与车辆驾驶行为、道路特征等映射关系，作为训练系统的含真值标注的训练数据，其中，标注真值的数据主要用于监督学习的训练模型，本实施例中提到的卷积神经网络CNN中。
其中，数据传输模块，负责对数据进行压缩、通过无线网络将能耗相关数据上传到云平台。
在本实施例中，模型训练系统，将采集数据作为训练数据，基于CNN训练能耗评估模型。根据不同维度的数据，对数据进行加权归一化处理，转换成N*N的输入矩阵。如图11所示，CNN模型示意图，以32*32维度为例，CNN模型运算过程如下：
上述32*32的输入数据是真实采集的车身重量、行驶速度、行驶加速度、行驶距离、道路材质、坡度大小、气温、风力等等多组信息经过归一化处理后的矩阵。
上述最终在全连接层输出的10表示具有10个维度的向量，可以用于精细化表示整车的能耗，比如(摄像头功耗、激光雷达功耗、毫米波雷达功耗、…、工控机功耗、车辆自身功耗)10个维度，也可根据实际需求，将输出维度进行扩大或缩小。
需要说明的是，在本实施例中，可以选用其他CNN模型图或其他深度学习算法训练能耗评估模型，如图12所示的，双向循环神经网络结构图，即可选用双向循环神经网络训练上述能耗评估模型。训练过程如下：
正向计算时，隐藏层的值st与st-1有关；反向计算时，隐藏层的值s′t与s′t+1有关；最终的输出取决于正向和反向计算的加和。上面的双向神经网络的计算方法如下：
yt＝g(Vst+V′s′t)
st＝f(Uxt+Wst-1)
s′t＝f(U′xt+W′s′t+1)
其中，V和V′，U和U′，W和W′都是不同的权重矩阵，通过训练过程不断调整优化而来。
上述输入数据x是真实采集的车身重量、行驶速度、行驶加速度、行驶距离、道路材质、坡度大小、气温、风力等信息经过归一化处理后的向量，上述y是对应的各子模块能源消耗的向量。
在本实施例中，上述所述仿真系统，将已经训练好的能耗评估模型作为评测的部分，部署到系统中，作为众多仿真评估模型的一部分。
算法开发者将需要评估的算法模块提交到仿真系统中，仿真系统调用算法模块，运行测试场景，最终给出能耗评估报告。并可依据历史数据，对所提交的算法模块进行横向(与其他厂商的算法)对比或纵向(与该算法提交者历史提交的算法版本)对比。
下面举例说明城区道路下如何评测整个自动驾驶算法的能耗。
在某城区选取一段经典路段，覆盖常见的城区路况，比如含有直行、转弯、通过人行横道、通过十字路口、含有上坡和下坡路段等。
设置自动驾驶车辆的起点S，终点T。在车辆从S点行驶到T点的过程中，根据所设定的细化评估测试场景分段统计子场景的能耗。
例如，通过直行道路，通过人行横道等，分别记录通过直行道路的能耗为E1，通过人行横道的能耗为E2，依次类推。
分别对子场景的能耗进行加权求和，得到整体的自动驾驶车辆从S点到达终点T的总能耗，具体计算方式如下：
Figure BDA0002944928160000201
其中，n表示S到T的n个分段子场景，L表示S到T的行驶里程，wi和Ei分别表示第i个子场景的能耗权重和能耗，其中，
Figure BDA0002944928160000202
上述子场景的权重参数主要用于反映该子场景占行驶轨迹的比重，比如以该子场景所行驶的里程除以S到T的总里程L作为权重参数。
子模块的能耗评估流程与上述步骤类似，把整体能耗替换成对应的子模块能耗即可。
在本实施例中，通过采集各种真实工况下自动驾驶汽车的能源(油、电等)消耗数据，基于卷积神经网络(CNN)和循环神经网络(RNN)训练出自动驾驶汽车能耗评估模型(简称“能耗评估模型”)(相当于目标能耗预测神经网络)，将能耗评估模型部署在自动驾驶仿真系统中，在仿真系统中通过运行自动驾驶算法(决策、规划、控制等)，评估车辆在实际场景中的能源消耗情况，解决了在仿真系统中无法准确评估车辆实际行驶时能源消耗的问题，可以在研发阶段低成本地促进自动驾驶算法优化改进能源消耗，达到节能环保的经济和社会效益。
通过本申请提供的实施例，通过深度学习算法训练自动驾驶汽车能耗评估模型，在仿真系统中部署能耗评估模型，通过在仿真系统中运行自动驾驶算法来评估车辆在实际场景中的能源消耗，从而达到评估验证和优化改进自动驾驶算法能耗指标，促进自动驾驶车辆的节能环保的效果。
本实施例中方案具有如下益处：1，在仿真系统评估自动驾驶算法对实车能耗的影响，具有成本低精度高的特性；2，支持多维度能耗评估，能够精细化评估各能耗子模块(如多个传感器、工控机等)，方便各子模块调优；3，能耗评估模型不仅可用于仿真平台，也可在实车部署作为能耗评估、监控和预测模块使用。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面，还提供了一种用于实施上述车辆能耗的预测方法的车辆能耗的预测装置。如图13所示，该车辆能耗的预测装置包括：第一获取单元1301以及第一输出单元1303。
第一获取单元1301，用于获取目标仿真车辆的车辆固定参数的参数数据、目标仿真车辆在目标路段上的车辆行驶参数的参数数据、以及目标路段的道路参数的参数数据，其中，目标仿真车辆按照目标自动驾驶算法的控制在目标路段上行驶。
第一输出单元1303，用于将车辆固定参数的参数数据、车辆行驶参数的参数数据以及道路参数的参数数据输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出的目标能耗预测数据，其中，目标能耗预测数据包括目标路段上预测的目标仿真车辆的车辆能耗数据，目标能耗预测神经网络是使用一组样本数据对待训练的能耗预测神经网络进行训练得到的神经网络，一组样本数据包括一组样本车辆的样本车辆固定参数的参数数据、一组样本车辆在目标路段上的样本车辆行驶参数的参数数据、以及目标路段的道路参数的参数数据，在结束对能耗预测神经网络进行训练时，能耗预测神经网络输出的样本能耗预测数据与一组样本车辆在目标路段上的能耗实际数据之间的损失值满足预设的损失条件；其中，目标能耗预测数据，用于在自动驾驶中对目标自动驾驶算法进行能耗预测。
通过本申请提供的实施例，第一获取单元1301获取目标仿真车辆的车辆固定参数的参数数据、目标仿真车辆在目标路段上的车辆行驶参数的参数数据、以及目标路段的道路参数的参数数据，其中，目标仿真车辆按照目标自动驾驶算法的控制在目标路段上行驶；第一输出单元1303将车辆固定参数的参数数据、车辆行驶参数的参数数据以及道路参数的参数数据输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出的目标能耗预测数据，其中，目标能耗预测数据包括目标路段上预测的目标仿真车辆的车辆能耗数据，目标能耗预测神经网络是使用一组样本数据对待训练的能耗预测神经网络进行训练得到的神经网络，一组样本数据包括一组样本车辆的样本车辆固定参数的参数数据、一组样本车辆在目标路段上的样本车辆行驶参数的参数数据、以及目标路段的道路参数的参数数据，在结束对能耗预测神经网络进行训练时，能耗预测神经网络输出的样本能耗预测数据与一组样本车辆在目标路段上的能耗实际数据之间的损失值满足预设的损失条件；其中，目标能耗预测数据，用于在自动驾驶中对目标自动驾驶算法进行能耗预测。达到了通过采集各种真实工况下目标车辆的一组车辆数据(目标车辆自身固有的数据和/或目标车辆行驶的数据)以及一组目标子路段的路段数据，基于目标能耗预测神经网络训练出自动驾驶汽车能耗评估模型，将能耗评估模型部署在自动驾驶仿真系统中，在仿真系统中通过运行自动驾驶算法，评估车辆在实际场景中的能源消耗情况的目的，进而解决了现有技术中，在仿真系统中无法准确评估车辆实际行驶时能源消耗的技术问题。
可选的，上述装置还可以包括，第二获取单元，用于获取所述一组样本车辆的样本车辆固定参数的参数数据、所述一组样本车辆在所述目标路段上的样本车辆行驶参数的参数数据、所述目标路段的道路参数的参数数据、以及一组能耗实际数据，其中，所述一组能耗实际数据包括所述一组样本车辆在所述目标路段上的能耗实际数据；第一训练单元，用于使用所述一组样本车辆的样本车辆固定参数的参数数据、所述一组样本车辆在所述目标路段上的样本车辆行驶参数的参数数据、所述目标路段的道路参数的参数数据，对所述待训练的能耗预测神经网络进行训练，得到所述目标能耗预测神经网络。
可选的，上述第一获取单元1301可以包括：第一获取模块，用于获取目标仿真车辆的一组目标车辆数据以及一组目标子路段的路段数据，其中，一组目标子路段为目标路段上的连续子路段，一组目标车辆数据与一组目标子路段具有一一对应的关系，一组目标车辆数据中的每条目标车辆数据包括车辆固定参数的参数数据以及目标仿真车辆在对应的目标子路段上的车辆行驶参数的参数数据，一组目标子路段的路段数据包括每个目标子路段的道路参数的参数数据，或者，包括每个目标子路段的道路参数的参数数据以及每个目标子路段上的天气参数的参数数据。上述第一输出单元1303，可以包括：第一输出模块，用于将一组目标车辆数据和一组目标子路段的路段数据输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出的一组能耗预测数据，其中，一组能耗预测数据与一组目标子路段具有一一对应的关系，一组能耗预测数据中的每条能耗预测数据包括在对应的目标子路段上预测的目标仿真车辆的车辆能耗数据，目标能耗预测数据包括一组能耗预测数据，其中，一组能耗预测数据，用于在自动驾驶中对目标自动驾驶算法进行能耗预测。
可选的，上述装置可以包括：第一确定模块，用于根据一组能耗预测数据以及一组权重值，确定目标仿真车辆的目标能耗预测数据，其中，一组权重值与一组目标子路段具有一一对应的关系，一组权重值中的每个权重值与目标仿真车辆在对应的目标子路段上的行驶里程相关。
其中，上述第一确定模块，可以包括：第一确定子模块，用于通过以下公式确定目标仿真车辆的目标能耗预测数据：
Figure BDA0002944928160000241
其中，E表示目标能耗预测数据，wi表示一组权重值中与第i个目标子路段对应的第i个权重值，n表示一组目标子路段中的目标子路段的数量，Ei表示一组能耗预测数据中与第i个目标子路段对应的第i条能耗预测数据，wi为目标仿真车辆在第i个目标子路段上的行驶里程与目标仿真车辆在目标路段上的行驶里程的比值，n为大于1的自然数。
可选的，上述第一输出单元1303，可以包括：第二输出模块，用于将N条目标车辆数据和N个目标子路段的路段数据分批输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出的N条能耗预测数据，其中，每次将具有对应关系的一条目标车辆数据和一个目标子路段的路段数据输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出的与一个目标子路段对应的一条能耗预测数据，一条目标车辆数据包括在一条目标子路段上目标仿真车辆的车辆数据，一条能耗预测数据包括在一条目标子路段上目标仿真车辆的能耗预测数据，一组目标车辆数据包括N条目标车辆数据，一组目标子路段的路段数据包括N个目标子路段的路段数据，一组能耗预测数据包括N条能耗预测数据，N为1或者大于1的自然数。
其中，上述第二输出模块，可以包括：输出子模块，用于将具有对应关系的第i条目标车辆数据和第i个目标子路段的路段数据输入到第i个目标能耗预测子神经网络中，得到第i个目标能耗预测子神经网络输出的与第i个目标子路段对应的Mi个维度的能耗预测数据，其中，Mi为1或者大于1的自然数，目标能耗预测神经网络包括N个目标能耗预测子神经网络，N个目标能耗预测子神经网络与N个目标子路段具有一一对应的关系，N个目标能耗预测子神经网络中的每个目标能耗预测子神经网络用于生成在对应的目标子路段上预测的目标仿真车辆的车辆能耗数据，1≤i≤N。
可选的，上述装置还可以包括：第三获取单元，用于获取样本车辆的一组样本车辆数据以及一组目标子路段的路段数据，其中，一组样本车辆数据与一组目标子路段具有一一对应的关系，一组样本车辆数据中的每条目标车辆数据包括在对应的目标子路段上样本车辆的车辆数据；第二训练单元，用于使用一组样本车辆数据、一组目标子路段的路段数据以及一组能耗实际数据，对待训练的能耗预测神经网络进行训练，得到目标能耗预测神经网络，其中，一组能耗实际数据与一组目标子路段具有一一对应的关系，一组能耗实际数据中的每条能耗实际数据包括在对应的目标子路段上实际采集到的样本车辆的车辆能耗数据。
上述第二训练单元，可以包括：
1)训练模块，用于在待训练的能耗预测神经网络包括N个待训练的能耗预测子神经网络、且一组目标子路段包括N个目标子路段的情况下，针对每个待训练的能耗预测子神经网络，重复执行以下步骤，直到结束对每个待训练的能耗预测子神经网络进行的训练，共得到N个目标能耗预测子神经网络，其中，N个待训练的能耗预测子神经网络与N个目标子路段具有一一对应的关系，在执行以下步骤时，每个待训练的能耗预测子神经网络被视为当前能耗预测子神经网络，具有对应关系的一条样本车辆数据和一个目标子路段的路段数据被分别视为当前样本车辆数据和当前子路段的路段数据，当前能耗预测子神经网络与当前子路段具有对应关系。
2)输入模块，用于将当前样本车辆数据和当前子路段的路段数据输入到当前能耗预测子神经网络中，得到当前能耗预测子神经网络输出的多个维度的能耗预测数据。
3)第二确定模块，用于根据多个维度的能耗预测数据以及多个维度的能耗实际数据，确定与当前能耗预测子神经网络对应的当前损失函数的损失值。
4)调整模块，用于在当前损失函数的损失值不满足对应的当前损失条件的情况下，对当前能耗预测子神经网络中的网络参数进行调整。
5)结束模块，用于在当前损失函数的损失值满足当前损失条件的情况下，结束对当前能耗预测子神经网络进行的训练。
可选的，上述第三获取单元，可以包括：第二获取模块，用于获取样本车辆的车辆固定参数的参数数据以及样本车辆在每个目标子路段上的车辆行驶参数的参数数据，其中，一组样本车辆数据中的每条样本车辆数据包括车辆固定参数的参数数据以及样本车辆在对应的目标子路段上的车辆行驶参数的参数数据；第三获取模块，用于获取每个目标子路段的道路参数的参数数据，其中，一组目标子路段的路段数据包括每个目标子路段的道路参数的参数数据；或者，获取每个目标子路段的道路参数的参数数据以及每个目标子路段上的天气参数的参数数据，其中，一组目标子路段的路段数据包括每个目标子路段的道路参数的参数数据以及每个目标子路段上的天气参数的参数数据。
可选的，上述第一获取单元1301，可以包括：第四获取模块，用于获取目标仿真车辆的车辆固定参数的参数数据以及目标仿真车辆在每个目标子路段上的车辆行驶参数的参数数据，其中，一组目标车辆数据中的每条目标车辆数据包括车辆固定参数的参数数据以及目标仿真车辆在对应的目标子路段上的车辆行驶参数的参数数据；第五获取模块，用于获取每个目标子路段的道路参数的参数数据，其中，一组目标子路段的路段数据包括每个目标子路段的道路参数的参数数据；或者，获取每个目标子路段的道路参数的参数数据以及每个目标子路段上的天气参数的参数数据，其中，一组目标子路段的路段数据包括每个目标子路段的道路参数的参数数据以及每个目标子路段上的天气参数的参数数据。
可选的，上述装置还可以包括：划分单元，用于将目标路段按照路段类型划分为一组目标子路段，其中，路段类型包括以下至少之一：直行路段类型、转弯路段类型、通过人行横道类型、通过路口类型、上坡路段类型、下坡路段类型。
根据本发明实施例的又一个方面，还提供了一种用于实施上述车辆能耗的预测方法的电子设备，该电子设备可以是图1所示的终端设备或服务器。本实施例以该电子设备为服务器为例来说明。如图14所示，该电子设备包括存储器1402和处理器1404，该存储器1402中存储有计算机程序，该处理器1404被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取目标仿真车辆的车辆固定参数的参数数据、目标仿真车辆在目标路段上的车辆行驶参数的参数数据、以及目标路段的道路参数的参数数据，其中，目标仿真车辆按照目标自动驾驶算法的控制在目标路段上行驶；
S2，将车辆固定参数的参数数据、车辆行驶参数的参数数据以及道路参数的参数数据输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出目标能耗预测数据，其中，目标能耗预测数据包括目标路段上预测的目标仿真车辆的车辆能耗数据，目标能耗预测神经网络是使用一组样本数据对待训练的能耗预测神经网络进行训练得到的神经网络，一组样本数据包括一组样本车辆的样本车辆固定参数的参数数据、一组样本车辆在目标路段上的样本车辆行驶参数的参数数据、以及目标路段的道路参数的参数数据，在结束对能耗预测神经网络进行训练时，能耗预测神经网络输出的样本能耗预测数据与一组样本车辆在目标路段上的能耗实际数据之间的损失值满足预设的损失条件；其中，目标能耗预测数据，用于在自动驾驶中对目标自动驾驶算法进行能耗预测。
可选地，本领域普通技术人员可以理解，图14所示的结构仅为示意，电子装置电子设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图14其并不对上述电子装置电子设备的结构造成限定。例如，电子装置电子设备还可包括比图14中所示更多或者更少的组件(如网络接口等)，或者具有与图14所示不同的配置。
其中，存储器1402可用于存储软件程序以及模块，如本发明实施例中的车辆能耗的预测方法和装置对应的程序指令/模块，处理器1404通过运行存储在存储器1402内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的车辆能耗的预测方法。存储器1402可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1402可进一步包括相对于处理器1404远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器1402具体可以但不限于用于一组目标车辆数据、一组目标子路段的路段数据、一组能耗预测数据以及目标能耗预测数据等信息。作为一种示例，如图14所示，上述存储器1402中可以但不限于包括上述车辆能耗的预测装置中的第一获取单元1301以及第一输出单元1303。此外，还可以包括但不限于上述车辆能耗的预测装置中的其他模块单元，本示例中不再赘述。
可选地，上述的传输装置1406用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1406包括一个网络适配器(Network Interface Controller，NIC)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1406为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
此外，上述电子设备还包括：显示器1408，用于显示上述待处理的订单信息；和连接总线1410，用于连接上述电子设备中的各个模块部件。
在其他实施例中，上述终端设备或者服务器可以是一个分布式系统中的一个节点，其中，该分布式系统可以为区块链系统，该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中，节点之间可以组成点对点(P2P，Peer To Peer)网络，任意形式的计算设备，比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述车辆能耗的预测方面或者车辆能耗的预测方面的各种可选实现方式中提供的车辆能耗的预测方法。其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，获取目标仿真车辆的车辆固定参数的参数数据、目标仿真车辆在目标路段上的车辆行驶参数的参数数据、以及目标路段的道路参数的参数数据，其中，目标仿真车辆按照目标自动驾驶算法的控制在目标路段上行驶；
S2，将车辆固定参数的参数数据、车辆行驶参数的参数数据以及道路参数的参数数据输入到目标能耗预测神经网络中，得到目标能耗预测神经网络输出目标能耗预测数据，其中，目标能耗预测数据包括目标路段上预测的目标仿真车辆的车辆能耗数据，目标能耗预测神经网络是使用一组样本数据对待训练的能耗预测神经网络进行训练得到的神经网络，一组样本数据包括一组样本车辆的样本车辆固定参数的参数数据、一组样本车辆在目标路段上的样本车辆行驶参数的参数数据、以及目标路段的道路参数的参数数据，在结束对能耗预测神经网络进行训练时，能耗预测神经网络输出的样本能耗预测数据与一组样本车辆在目标路段上的能耗实际数据之间的损失值满足预设的损失条件；其中，目标能耗预测数据，用于在自动驾驶中对目标自动驾驶算法进行能耗预测。
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random Access Memory，RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (15)

1.一种车辆能耗的预测方法，其特征在于，包括：
获取目标仿真车辆的车辆固定参数的参数数据、所述目标仿真车辆在目标路段上的车辆行驶参数的参数数据、以及所述目标路段的道路参数的参数数据，其中，所述目标仿真车辆按照目标自动驾驶算法的控制在所述目标路段上行驶；
将所述车辆固定参数的参数数据、所述车辆行驶参数的参数数据以及所述道路参数的参数数据输入到目标能耗预测神经网络中，得到所述目标能耗预测神经网络输出的目标能耗预测数据，其中，所述目标能耗预测数据包括所述目标路段上预测的所述目标仿真车辆的车辆能耗数据，所述目标能耗预测神经网络是使用一组样本数据对待训练的能耗预测神经网络进行训练得到的神经网络，所述一组样本数据包括一组样本车辆的样本车辆固定参数的参数数据、所述一组样本车辆在所述目标路段上的样本车辆行驶参数的参数数据、以及所述目标路段的道路参数的参数数据，在结束对所述能耗预测神经网络进行训练时，所述能耗预测神经网络输出的样本能耗预测数据与所述一组样本车辆在所述目标路段上的能耗实际数据之间的损失值满足预设的损失条件；
其中，所述目标能耗预测数据，用于在自动驾驶中对所述目标自动驾驶算法进行能耗预测。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述一组样本车辆的样本车辆固定参数的参数数据、所述一组样本车辆在所述目标路段上的样本车辆行驶参数的参数数据、所述目标路段的道路参数的参数数据、以及一组能耗实际数据，其中，所述一组能耗实际数据包括所述一组样本车辆在所述目标路段上的能耗实际数据；
使用所述一组样本车辆的样本车辆固定参数的参数数据、所述一组样本车辆在所述目标路段上的样本车辆行驶参数的参数数据、所述目标路段的道路参数的参数数据，对所述待训练的能耗预测神经网络进行训练，得到所述目标能耗预测神经网络。
3.根据权利要求1所述的方法，其特征在于，
所述获取目标仿真车辆的车辆固定参数的参数数据、所述目标仿真车辆在目标路段上的车辆行驶参数的参数数据、以及所述目标路段的道路参数的参数数据，包括：获取所述目标仿真车辆的一组目标车辆数据以及一组目标子路段的路段数据，其中，所述一组目标子路段为所述目标路段上的连续子路段，所述一组目标车辆数据与所述一组目标子路段具有一一对应的关系，所述一组目标车辆数据中的每条目标车辆数据包括所述车辆固定参数的参数数据以及所述目标仿真车辆在对应的目标子路段上的所述车辆行驶参数的参数数据，所述一组目标子路段的路段数据包括每个目标子路段的道路参数的参数数据，或者，包括所述每个目标子路段的道路参数的参数数据以及所述每个目标子路段上的天气参数的参数数据；
所述将所述车辆固定参数的参数数据、所述车辆行驶参数的参数数据以及所述道路参数的参数数据输入到目标能耗预测神经网络中，得到所述目标能耗预测神经网络输出目标能耗预测数据，包括：将所述一组目标车辆数据和所述一组目标子路段的路段数据输入到所述目标能耗预测神经网络中，得到所述目标能耗预测神经网络输出的一组能耗预测数据，其中，所述一组能耗预测数据与所述一组目标子路段具有一一对应的关系，所述一组能耗预测数据中的每条能耗预测数据包括在对应的目标子路段上预测的所述目标仿真车辆的车辆能耗数据，所述目标能耗预测数据包括所述一组能耗预测数据；
其中，所述一组能耗预测数据，用于在自动驾驶中对所述目标自动驾驶算法进行能耗预测。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
根据所述一组能耗预测数据以及一组权重值，确定所述目标仿真车辆的目标能耗预测数据，其中，所述一组权重值与所述一组目标子路段具有一一对应的关系，所述一组权重值中的每个权重值与所述目标仿真车辆在对应的目标子路段上的行驶里程相关。
5.根据权利要求4所述的方法，其特征在于，所述根据所述一组能耗预测数据以及一组权重值，确定所述目标仿真车辆的目标能耗预测数据，包括：
通过以下公式确定所述目标仿真车辆的目标能耗预测数据：
Figure FDA0002944928150000031
其中，E表示所述目标能耗预测数据，wi表示所述一组权重值中与第i个目标子路段对应的第i个权重值，n表示所述一组目标子路段中的目标子路段的数量，Ei表示所述一组能耗预测数据中与所述第i个目标子路段对应的第i条能耗预测数据，wi为所述目标仿真车辆在所述第i个目标子路段上的行驶里程与所述目标仿真车辆在所述目标路段上的行驶里程的比值，n为大于1的自然数。
6.根据权利要求3所述的方法，其特征在于，所述将所述一组目标车辆数据和所述一组目标子路段的路段数据输入到所述目标能耗预测神经网络中，得到所述目标能耗预测神经网络输出的一组能耗预测数据，包括：
将N条目标车辆数据和N个目标子路段的路段数据分批输入到所述目标能耗预测神经网络中，得到所述目标能耗预测神经网络输出的N条能耗预测数据，其中，每次将具有对应关系的一条目标车辆数据和一个目标子路段的路段数据输入到所述目标能耗预测神经网络中，得到所述目标能耗预测神经网络输出的与所述一个目标子路段对应的一条能耗预测数据，所述一条目标车辆数据包括在所述一条目标子路段上所述目标仿真车辆的车辆数据，所述一条能耗预测数据包括在所述一条目标子路段上所述目标仿真车辆的能耗预测数据，所述一组目标车辆数据包括所述N条目标车辆数据，所述一组目标子路段的路段数据包括所述N个目标子路段的路段数据，所述一组能耗预测数据包括N条能耗预测数据，N为1或者大于1的自然数。
7.根据权利要求6所述的方法，其特征在于，所述将N条目标车辆数据和N个目标子路段的路段数据分批输入到所述目标能耗预测神经网络中，得到所述目标能耗预测神经网络输出的N条能耗预测数据，包括：
将具有对应关系的第i条目标车辆数据和第i个目标子路段的路段数据输入到第i个目标能耗预测子神经网络中，得到所述第i个目标能耗预测子神经网络输出的与所述第i个目标子路段对应的Mi个维度的能耗预测数据，其中，Mi为1或者大于1的自然数，所述目标能耗预测神经网络包括N个目标能耗预测子神经网络，所述N个目标能耗预测子神经网络与所述N个目标子路段具有一一对应的关系，所述N个目标能耗预测子神经网络中的每个目标能耗预测子神经网络用于生成在对应的目标子路段上预测的所述目标仿真车辆的车辆能耗数据，1≤i≤N。
8.根据权利要求3至7中任一项所述的方法，其特征在于，所述方法还包括：
获取样本车辆的一组样本车辆数据以及所述一组目标子路段的路段数据，其中，所述一组样本车辆数据与所述一组目标子路段具有一一对应的关系，所述一组样本车辆数据中的每条目标车辆数据包括在对应的目标子路段上所述样本车辆的车辆数据；
使用所述一组样本车辆数据、所述一组目标子路段的路段数据以及一组能耗实际数据，对所述待训练的能耗预测神经网络进行训练，得到所述目标能耗预测神经网络，其中，所述一组能耗实际数据与所述一组目标子路段具有一一对应的关系，所述一组能耗实际数据中的每条能耗实际数据包括在对应的目标子路段上实际采集到的所述样本车辆的车辆能耗数据。
9.根据权利要求8所述的方法，其特征在于，所述使用所述一组样本车辆数据、所述一组目标子路段的路段数据以及一组能耗实际数据，对所述待训练的能耗预测神经网络进行训练，得到所述目标能耗预测神经网络，包括：
在所述待训练的能耗预测神经网络包括N个待训练的能耗预测子神经网络、且所述一组目标子路段包括N个目标子路段的情况下，针对每个待训练的能耗预测子神经网络，重复执行以下步骤，直到结束对所述每个待训练的能耗预测子神经网络进行的训练，共得到N个目标能耗预测子神经网络，其中，所述N个待训练的能耗预测子神经网络与所述N个目标子路段具有一一对应的关系，在执行以下步骤时，每个待训练的能耗预测子神经网络被视为当前能耗预测子神经网络，具有对应关系的一条样本车辆数据和一个目标子路段的路段数据被分别视为当前样本车辆数据和当前子路段的路段数据，所述当前能耗预测子神经网络与所述当前子路段具有对应关系：
将所述当前样本车辆数据和所述当前子路段的路段数据输入到所述当前能耗预测子神经网络中，得到所述当前能耗预测子神经网络输出的多个维度的能耗预测数据；
根据所述多个维度的能耗预测数据以及所述多个维度的能耗实际数据，确定与所述当前能耗预测子神经网络对应的当前损失函数的损失值；
在所述当前损失函数的损失值不满足对应的当前损失条件的情况下，对所述当前能耗预测子神经网络中的网络参数进行调整；
在所述当前损失函数的损失值满足所述当前损失条件的情况下，结束对所述当前能耗预测子神经网络进行的训练。
10.根据权利要求8所述的方法，其特征在于，所述获取样本车辆的一组样本车辆数据以及所述一组目标子路段的路段数据，包括：
获取所述样本车辆的车辆固定参数的参数数据以及所述样本车辆在每个目标子路段上的车辆行驶参数的参数数据，其中，所述一组样本车辆数据中的每条样本车辆数据包括所述车辆固定参数的参数数据以及所述样本车辆在对应的目标子路段上的所述车辆行驶参数的参数数据；
获取所述每个目标子路段的道路参数的参数数据，其中，所述一组目标子路段的路段数据包括所述每个目标子路段的道路参数的参数数据；或者，获取所述每个目标子路段的道路参数的参数数据以及所述每个目标子路段上的天气参数的参数数据，其中，所述一组目标子路段的路段数据包括所述每个目标子路段的道路参数的参数数据以及所述每个目标子路段上的天气参数的参数数据。
11.根据权利要求3至7中任一项所述的方法，其特征在于，所述方法还包括：
将所述目标路段按照路段类型划分为所述一组目标子路段，其中，路段类型包括以下至少之一：直行路段类型、转弯路段类型、通过人行横道类型、通过路口类型、上坡路段类型、下坡路段类型。
12.一种车辆能耗的预测装置，其特征在于，包括：
第一获取单元，用于获取目标仿真车辆的车辆固定参数的参数数据、所述目标仿真车辆在目标路段上的车辆行驶参数的参数数据、以及所述目标路段的道路参数的参数数据，其中，所述目标仿真车辆按照目标自动驾驶算法的控制在所述目标路段上行驶；
第一输出单元，用于将所述车辆固定参数的参数数据、所述车辆行驶参数的参数数据以及所述道路参数的参数数据输入到目标能耗预测神经网络中，得到所述目标能耗预测神经网络输出的目标能耗预测数据，其中，所述目标能耗预测数据包括所述目标路段上预测的所述目标仿真车辆的车辆能耗数据，所述目标能耗预测神经网络是使用一组样本数据对待训练的能耗预测神经网络进行训练得到的神经网络，所述一组样本数据包括一组样本车辆的样本车辆固定参数的参数数据、所述一组样本车辆在所述目标路段上的样本车辆行驶参数的参数数据、以及所述目标路段的道路参数的参数数据，在结束对所述能耗预测神经网络进行训练时，所述能耗预测神经网络输出的样本能耗预测数据与所述一组样本车辆在所述目标路段上的能耗实际数据之间的损失值满足预设的损失条件；其中，所述目标能耗预测数据，用于在自动驾驶中对所述目标自动驾驶算法进行能耗预测。
13.根据权利要求12所述的装置，其特征在于，
第一获取单元包括：第一获取模块，用于获取所述目标仿真车辆的一组目标车辆数据以及一组目标子路段的路段数据，其中，所述一组目标子路段为所述目标路段上的连续子路段，所述一组目标车辆数据与所述一组目标子路段具有一一对应的关系，所述一组目标车辆数据中的每条目标车辆数据包括所述车辆固定参数的参数数据以及所述目标仿真车辆在对应的目标子路段上的所述车辆行驶参数的参数数据，所述一组目标子路段的路段数据包括每个目标子路段的道路参数的参数数据，或者，包括所述每个目标子路段的道路参数的参数数据以及所述每个目标子路段上的天气参数的参数数据；
所述第一输出单元，包括：第一输出模块，用于将所述一组目标车辆数据和所述一组目标子路段的路段数据输入到所述目标能耗预测神经网络中，得到所述目标能耗预测神经网络输出的一组能耗预测数据，其中，所述一组能耗预测数据与所述一组目标子路段具有一一对应的关系，所述一组能耗预测数据中的每条能耗预测数据包括在对应的目标子路段上预测的所述目标仿真车辆的车辆能耗数据，所述目标能耗预测数据包括所述一组能耗预测数据，其中，所述一组能耗预测数据，用于在自动驾驶中对所述目标自动驾驶算法进行能耗预测。
14.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行所述权利要求1至11任一项中所述的方法。
15.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至11任一项中所述的方法。
CN202110189699.0A 2021-02-19 2021-02-19 车辆能耗的预测方法和装置、存储介质及电子设备 Pending CN112836301A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110189699.0A CN112836301A (zh) 2021-02-19 2021-02-19 车辆能耗的预测方法和装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110189699.0A CN112836301A (zh) 2021-02-19 2021-02-19 车辆能耗的预测方法和装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN112836301A true CN112836301A (zh) 2021-05-25

Family

ID=75933745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110189699.0A Pending CN112836301A (zh) 2021-02-19 2021-02-19 车辆能耗的预测方法和装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN112836301A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113479177A (zh) * 2021-07-07 2021-10-08 的卢技术有限公司 车辆制动控制方法、系统、计算机设备和存储介质
CN113688466A (zh) * 2021-08-26 2021-11-23 苏州同元软控信息技术有限公司 车辆能耗仿真方法、装置和设备
CN114742236A (zh) * 2022-04-24 2022-07-12 重庆长安汽车股份有限公司 一种环境车辆行为预测模型训练方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298374A (zh) * 2019-05-09 2019-10-01 清华大学 一种基于深度学习的驾驶轨迹能耗分析方法和装置
CN110610260A (zh) * 2019-08-21 2019-12-24 南京航空航天大学 行车能耗预测系统、方法、存储介质和设备
CN111806443A (zh) * 2020-05-22 2020-10-23 博雷顿科技有限公司 一种纯电动重卡无人驾驶能耗优化方法
CN112200932A (zh) * 2020-09-03 2021-01-08 北京蜂云科创信息技术有限公司 一种评估重型柴油车能耗的方法和设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298374A (zh) * 2019-05-09 2019-10-01 清华大学 一种基于深度学习的驾驶轨迹能耗分析方法和装置
CN110610260A (zh) * 2019-08-21 2019-12-24 南京航空航天大学 行车能耗预测系统、方法、存储介质和设备
CN111806443A (zh) * 2020-05-22 2020-10-23 博雷顿科技有限公司 一种纯电动重卡无人驾驶能耗优化方法
CN112200932A (zh) * 2020-09-03 2021-01-08 北京蜂云科创信息技术有限公司 一种评估重型柴油车能耗的方法和设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113479177A (zh) * 2021-07-07 2021-10-08 的卢技术有限公司 车辆制动控制方法、系统、计算机设备和存储介质
CN113479177B (zh) * 2021-07-07 2024-04-09 的卢技术有限公司 车辆制动控制方法、系统、计算机设备和存储介质
CN113688466A (zh) * 2021-08-26 2021-11-23 苏州同元软控信息技术有限公司 车辆能耗仿真方法、装置和设备
CN113688466B (zh) * 2021-08-26 2023-11-24 苏州同元软控信息技术有限公司 车辆能耗仿真方法、装置和设备
CN114742236A (zh) * 2022-04-24 2022-07-12 重庆长安汽车股份有限公司 一种环境车辆行为预测模型训练方法及系统

Similar Documents

Publication Publication Date Title
JP7075366B2 (ja) 運転場面データを分類するための方法、装置、機器及び媒体
US10453256B2 (en) Lane boundary detection data generation in virtual environment
CN112789619B (zh) 一种仿真场景的构建方法、仿真方法以及设备
CN110443969B (zh) 一种火点检测方法、装置、电子设备及存储介质
US20200089247A1 (en) Iterative generation of adversarial scenarios
CN112465395A (zh) 一种面向自动驾驶汽车的多维度综合评价方法及装置
US11142209B2 (en) Vehicle road friction control
US12097873B2 (en) Dynamic sensor data augmentation via deep learning loop
CN108528458A (zh) 用于车辆尺寸预测的系统和方法
CN106198049A (zh) 真实车辆在环测试系统和方法
CN107807542A (zh) 自动驾驶仿真系统
US11474529B2 (en) System and method for motion planning of an autonomous driving machine
CN113962141A (zh) 一种目标检测模型自动化迭代方法、设备及存储介质
CN112836301A (zh) 车辆能耗的预测方法和装置、存储介质及电子设备
US20230365145A1 (en) Method, system and computer program product for calibrating and validating a driver assistance system (adas) and/or an automated driving system (ads)
CN110782120A (zh) 一种交通流模型的评测方法、系统、设备及介质
CN114970303A (zh) 一种模型自动化迭代方法、设备及存储介质
CN115206103B (zh) 一种基于平行仿真系统的可变限速控制系统
CN111582559A (zh) 一种到达时间的预估方法及装置
CN113283460A (zh) 机器学习系统和用于操作该系统以便确定时间序列的方法
CN115470118A (zh) 基于环境仿真场景的测试分析方法、装置、介质及设备
CN110782670A (zh) 基于数据融合的场景还原方法、车辆云平台及存储介质
CN118171723A (zh) 智能驾驶策略的部署方法、装置、设备、存储介质和程序产品
US20230077516A1 (en) Systems and methods for utilizing machine learning for vehicle detection of adverse conditions
CN111353644A (zh) 基于强化学习的智能网联云平台的预测模型生成方法

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40043516

Country of ref document: HK