CN112861266A - 设备驱动模式的控制方法、装置、介质及电子设备 - Google Patents
设备驱动模式的控制方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN112861266A CN112861266A CN202110245882.8A CN202110245882A CN112861266A CN 112861266 A CN112861266 A CN 112861266A CN 202110245882 A CN202110245882 A CN 202110245882A CN 112861266 A CN112861266 A CN 112861266A
- Authority
- CN
- China
- Prior art keywords
- target
- driving mode
- driving
- information
- motion
- 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.)
- Granted
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请的实施例提供了一种设备驱动模式的控制方法、装置、计算机可读介质及电子设备。该方法包括:获取目标设备所在运动区域的环境图像;通过所述环境图像确定所述运动区域所对应的场景标签信息,所述场景标签信息用于表征所述运动区域的环境特征;根据所述场景标签信息,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式,其中,所述多个驱动模式中的每一个驱动模式对应于一种针对所述目标设备的能量控制策略;将所述目标设备的当前驱动模式切换至所述目标驱动模式。本申请实施例的技术方案可应用的领域包括但不限于自动驾驶、智慧交通、车联网、车载系统等领域,可以提高设备驱动系统的整体性能。
Description
技术领域
本申请涉及计算机及人工智能技术领域,具体而言,涉及一种设备驱动模式的控制方法、装置、计算机可读介质及电子设备。
背景技术
在设备驱动模式的控制场景中,比如多驱动源车辆驱动模式的控制场景,通常是基于车辆动力系统运行状态的能量控制策略,核心是保证蓄电池荷电状态处于规定的范围内运行,且最大可能保证发动机的燃烧热效率。然而,基于车辆动力系统运行状态的能量控制策略,难以在实际的驾驶循环过程中适应复杂多变的行驶工况,对行驶场景的变化敏感性较低,工况适应性差。基于此,如何提高设备驱动系统的整体性能是亟待解决的技术问题。
发明内容
本申请的实施例提供了一种设备驱动模式的控制方法、装置、计算机程序产品或计算机程序、计算机可读介质及电子设备,进而至少在一定程度上可以提高设备驱动系统的整体性能。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种设备驱动模式的控制方法,所述方法包括:获取目标设备所在运动区域的环境图像;通过所述环境图像确定所述运动区域所对应的场景标签信息,所述场景标签信息用于表征所述运动区域的环境特征;根据所述场景标签信息,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式,其中,所述多个驱动模式中的每一个驱动模式对应于一种针对所述目标设备的能量控制策略;将所述目标设备的当前驱动模式切换至所述目标驱动模式。
根据本申请实施例的一个方面,提供了一种设备驱动模式的控制装置,所述装置包括:获取单元,用于获取目标设备所在运动区域的环境图像;确定单元,用于通过所述环境图像确定所述运动区域所对应的场景标签信息,所述场景标签信息用于表征所述运动区域的环境特征;选择单元,用于根据所述场景标签信息,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式,其中,所述多个驱动模式中的每一个驱动模式对应于一种针对所述目标设备的能量控制策略;切换单元,用于将所述目标设备的当前驱动模式切换至所述目标驱动模式。
在本申请的一些实施例中,基于前述方案,所述场景标签信息包括至少一个子标签,每一个子标签用于表征所述运动区域在一种环境类别上的环境特征,所述选择单元配置为:根据所述至少一个子标签中的优先级,从所述至少一个子标签中选择目标子标签;基于所述目标子标签,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的驱动模式,得到所述目标驱动模式。
在本申请的一些实施例中,基于前述方案,所述场景标签信息包括至少一个子标签,每一个子标签用于表征所述运动区域在一种环境类别上的环境特征,所述选择单元配置为:针对每一个子标签所表征的环境特征,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的待选驱动模式,得到至少一个待选驱动模式;根据各个待选驱动模式对应的优先级,在所述至少一个待选驱动模式中选择所述目标驱动模式。
在本申请的一些实施例中,基于前述方案,所述选择单元配置为:获取人工控制指令信息和所述目标设备的运动状态信息;根据所述人工控制指令信息、所述运动状态信息,以及所述场景标签信息,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式。
在本申请的一些实施例中,基于前述方案,所述场景标签信息包括场景标签和信息可信度,所述信息可信度用于表征所述场景标签的受信任概率,所述选择单元配置为:在所述信息可信度超过预定阈值时,根据所述人工控制指令信息、所述运动状态信息,以及所述场景标签,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式。
在本申请的一些实施例中,基于前述方案,所述选择单元配置为:对所述人工控制指令信息、所述运动状态信息,以及所述场景标签信息进行组合,得到所述目标设备的目标运动信息组合;基于运动信息组合与所需驱动参数之间的对应关系,根据所述目标运动信息组合确定所述目标设备在所述运动区域内运动的需求驱动参数;从所述目标设备的多个驱动模式中选择符合所述需求驱动参数的目标驱动模式。
在本申请的一些实施例中,基于前述方案,所述需求驱动参数包括需求转矩和需求转速,所述选择单元配置为:基于运动信息组合与所需转矩之间的对应关系,根据所述目标运动信息组合确定所述目标设备在所述运动区域内运动的需求转矩;基于运动信息组合与所需转速之间的对应关系,根据所述目标运动信息组合确定所述目标设备在所述运动区域内运动的需求转速。
在本申请的一些实施例中,基于前述方案,所述需求驱动参数包括需求转矩和需求转速,所述选择单元配置为:在所述目标设备的驱动系统Map图中确定由所述需求转矩和所述需求转速限定的目标位置,所述Map图中包括多个图区域,每一个图区域对应一个驱动模式;将所述目标位置的所属图区域对应的驱动模式确定为目标驱动模式。
在本申请的一些实施例中,基于前述方案,所述确定单元配置为:将所述环境图像输入预先训练的环境感知模型中,所述环境感知模型设于所述目标设备的本地计算设备中,或者所述环境感知模型设于与所述目标设备关联的云计算平台中;获取由所述环境感知模型输出的所述运动区域的场景标签信息。
在本申请的一些实施例中,基于前述方案,所述目标设备为多驱动源的设备,所述能量控制策略包括针对各个驱动源的控制方式,所述装置还包括:第一控制单元,用于按照所述目标驱动模式对应的针对各个驱动源的控制方式,控制各个驱动源。
在本申请的一些实施例中,基于前述方案,所述多驱动源包括电动机和发动机,所述第一控制单元配置为:在所述目标驱动模式为电动机驱动模式时,控制所述电动机输出或回收动能;在所述目标驱动模式为经济性充电驱动模式时,控制所述发动机输出动能,并控制所述电动机对应的储能装置储存电能;在所述目标驱动模式为发动机单独驱动模式时,控制所述发动机输出动能;在所述目标驱动模式为电动机辅助发动机驱动模式时,控制所述发动机和所述电动机同时输出动能。
在本申请的一些实施例中,基于前述方案,所述目标设备为单驱动源的设备,所述能量控制策略包括输出功率,所述装置还包括:第二控制单元,用于按照所述目标驱动模式对应的输出功率,控制所述单驱动源的能量输出。
根据本申请实施例的一个方面,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实施例中所述的设备驱动模式的控制方法。
根据本申请实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中所述的设备驱动模式的控制方法。
根据本申请实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的设备驱动模式的控制方法。
在本申请的一些实施例所提供的技术方案中,根据用于表征目标设备所在运动区域环境特征的场景标签信息,可以从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式,并将所述目标设备的当前驱动模式切换至所述目标驱动模式,以按照所述目标驱动模式对应的能量控制策略驱动所述目标设备。由于申请的技术方案则是通过与设备工况相关的场景标签信息,辅助目标设备确定相适应的驱动模式,从而实现根据观测的运动工况及时自动切换不同的能量控制策略,提升目标设备的工况适应性,进一步优化设备的动力性,进而可以提高设备驱动系统的整体性能。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图;
图2示出了根据本申请一个实施例的设备驱动模式的控制方法的流程图;
图3示出了根据本申请一个实施例的基于云对机动车辆的行驶区域所对应的场景标签信息进行确定的示意图;
图4示出了根据本申请一个实施例的从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式的细节流程图;
图5示出了根据本申请一个实施例的从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式的细节流程图;
图6示出了根据本申请一个实施例的从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式的细节流程图;
图7示出了根据本申请一个实施例的从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式的细节流程图;
图8示出了根据本申请一个实施例的车辆的工作区域的划分图;
图9A-1示出了根据本申请一个实施例的多驱动源设备的电动机驱动模式的示意图;
图9A-2示出了根据本申请一个实施例的多驱动源设备的电动机驱动模式的示意图;
图9B示出了根据本申请一个实施例的多驱动源设备的经济性充电驱动模式的示意图;
图9C示出了根据本申请一个实施例的多驱动源设备的发动机单独驱动模式的示意图;
图9D示出了根据本申请一个实施例的多驱动源设备的电动机辅助发动机驱动模式的示意图;
图10示出了根据本申请的一个实施例的设备驱动模式的控制装置的框图;
图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
需要说明的是:在本文中提及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
需要注意的是,本申请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对象在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在图示或描述的那些以外的顺序实施。
本申请中的实施例有涉及到关于人工智能的技术。人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
其中,机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
如图1所示,系统架构可以包括车辆101(即目标设备),网络102和服务器103。网络102用以在车辆101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线通信链路、无线通信链路等等。车辆101中携带有计算机设备,例如智能手机、平板电脑和便携式计算机、车载设备中的一种或多种。
本申请提供的设备驱动模式的控制方法,可以应用于如图1所示的系统架构中。其中,可以是由车辆101中的计算机设备获取车辆所在运动区域的环境图像,并将所述环境图像发送给服务器103,通过服务器103确定用于表征所述运动区域环境特征的场景标签信息,然后车辆101中的计算机设备根据所述场景标签信息,从所述车辆的多个驱动模式中选择适应所述车辆在所述运动区域内运动的目标驱动模式,其中,所述多个驱动模式中的每一个驱动模式对应于一种针对所述车辆的能量控制策略,最后,车辆101中的计算机设备将所述车辆的当前驱动模式切换至所述目标驱动模式。
需要说明的是,所述运动区域对应的场景标签信息也可以是由车辆自身的计算机设备确定的。
需要说明的是,本申请实施例所提供的设备驱动模式的控制方法可以由车辆101中的计算机设备执行,相应地,设备驱动模式的控制装置一般设置于车辆101中的计算机设备中。但是,在本申请的其它实施例中,服务器103也可以与车辆101中的计算机设备具有相似的功能,从而执行本申请实施例所提供的设备驱动模式的控制方案。
还需要说明的是,图1中的服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、车载设备等,但并不局限于此,本申请在此不做限制。
需要解释的是,如上所述的云计算(cloud computing)是一种计算模式,它将计算任务分布在大量计算机构成的资源池上,使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的,并且可以随时获取,按需使用,随时扩展。通过建立云计算资源池(简称云平台,一般称为IaaS(Infrastructure as a Service,基础设施即服务)平台,在资源池中部署多种类型的虚拟资源,供外部客户选择使用。云计算资源池中主要包括:计算设备(为虚拟化机器,包含操作系统)、存储设备、网络设备。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图2示出了根据本申请一个实施例的设备驱动模式的控制方法的流程图,该设备驱动模式的控制方法可以由具有计算处理功能的设备来执行,比如可以由图1中所示的终端设备来执行。参照图2所示,该设备驱动模式的控制方法至少包括步骤210至步骤270,介绍如下:
步骤210,获取目标设备所在运动区域的环境图像。
在本申请中,可以通过目标设备上安置的相机获取目标设备在运动过程中周围环境的图像数据集。
步骤230,通过所述环境图像确定所述运动区域所对应的场景标签信息,所述场景标签信息用于表征所述运动区域的环境特征。
在本申请中,可以是对环境图像进行特征提取,再将提取的特征输入到深度卷积神经网络分类器中进行训练,调整训练参数以期达到较好的训练结果,最后输出场景分类的结果,即场景标签信息。
步骤250,根据所述场景标签信息,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式,其中,所述多个驱动模式中的每一个驱动模式对应于一种针对所述目标设备的能量控制策略。
在本申请中,在不同的运动环境中,目标设备可以开启不同的驱动模式。例如,对于机动车辆而言,可以根据不同场景标签信息所表征的环境特征,开启与环境特征相适应的驱动模式。
步骤270,将所述目标设备的当前驱动模式切换至所述目标驱动模式。
在本申请中,若所述目标设备的当前驱动模式与所述目标驱动模式不同时,则将所述目标设备的当前驱动模式切换至所述目标驱动模式。
在本申请的一个实施例中,在如图2所示的步骤230中,通过所述环境图像确定所述运动区域所对应的场景标签信息可以按照如下方式实现:
将所述环境图像输入预先训练的环境感知模型中,并获由所述环境感知模型输出的所述运动区域的场景标签信息。
在本申请中,目标设备运动场景标签识别的核心是一组基于深度学习技术的环境感知模型,其能够提供高度实时性、区域性的环境感知能力,为目标设备提供丰富的运动工况信息。
在一个或多个本实施例中,所述环境感知模型可以设于所述目标设备的本地计算设备中。
在一个或多个本实施例中,所述环境感知模型可以设于与所述目标设备关联的云计算平台中。
具体的,例如,在所述目标设备为机动车辆时,所述环境感知模型可以设于机动车辆的本地计算设备中,也可以设于与所述目标设备关联的云计算平台中。
如图3,示出了根据本申请一个实施例的基于云对机动车辆的行驶区域所对应的场景标签信息进行确定的示意图。在图3中,环境感知模型可以设于云计算平台中,云计算平台可以是边缘云302,也可以是区域云303,或者还可以是汽车云304,其中,机动车辆301在通过车载相机获取其周围的环境图像之后,可以将环境图像上传到云计算平台中,由云计算平台中的环境感知模型输出机动车辆301周围环境的场景标签信息。
在上述示例中,相对于本地计算设备而言,云计算平台具有更大的存储空间和计算空间,能够嵌入计算能力更强的环境感知模型,因此,将环境感知模型设于与所述目标设备关联的云计算平台中,可以提高对机动车辆周围环境的识别能力,从而可以提高输出的场景标签信息的可信度。
在本申请的一个实施例中,所述场景标签信息包括至少一个子标签,每一个子标签用于表征所述运动区域在一种环境类别上的环境特征。
在本申请中,所述场景标签信息可以用于表征所述运动区域的环境特征,例如,在所述目标设备为机动车辆时,则所述场景标签信息可以包括道路信息和交通参与者信息。其中道路信息包括道路状况和道路设施,交通参与者信息包括行人、机动车以及非机动车的几何/运动属性。
进一步的,针对道路状况又可分为道路坡度(大下坡、小下坡、平路、小上坡、大上坡)、弯道曲率(直道、弯道、急转弯道)、路面附着(低附着路面、中附着路面、高附着路面),路面平整度(平整路面、颠簸路面);针对道路设施可分为信号灯、交通标识牌;针对行人、机动车以及非机动车几何/运动属性可以判断其对驾车的危险程度和拥堵状况。
基于此,机动车辆所在行驶环境的一个场景标签就可以是“道路坡度(小上坡);弯道曲率(弯道);路面附着(中附着路面);路面平整度(平整路面);信号灯(无);交通标识牌(弯道标识牌);危险程度(较低);拥堵状况(低)”,其中,“小上坡”就表示机动车辆在道路坡度环境类别上的环境特征,“弯道”就表示机动车辆在弯道曲率环境类别上的环境特征。
在本实施例的一个具体示例中,在如图2所示的步骤250中,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式,可以按照如图4所示出的步骤执行。
参见图4,示出了根据本申请一个实施例的从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式的细节流程图。具体包括步骤251至步骤252:
在步骤251中,根据所述至少一个子标签中的优先级,从所述至少一个子标签中选择目标子标签。
在步骤252中,基于所述目标子标签,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的驱动模式,得到所述目标驱动模式。
在本示例中,可以是每一种环境类别对应一种优先级,基于此,可以理解的是,每一种环境类别下的子标签对应相同的优先级,通过优先级可以区分不同类别的环境对目标设备运动的不同影响程度,根据所述至少一个子标签中的优先级,从所述至少一个子标签中选择目标子标签,可保证目标子标签对目标设备运动的影响程度最大,从而选择出最适应所述目标设备在所述运动区域内运动的驱动模式。
在本申请中,可以是将优先级最高的子标签作为目标子标签。
具体的,例如,所述目标设备为机动车辆时,具体该机动车辆为混合动力电动汽车时,环境类别“道路坡度、弯道曲率、路面附着、路面平整度、信号灯、交通标识牌、危险程度、拥堵状况”均可以对应一个优先级,对应的,每一种环境类别下的子标签对应相同的优先级,具体如表1所示,比如,当道路坡度的环境类别的优先级为P0时,则对应的子标签“大下坡、或者小下坡、或者平路、或者小上坡、或者大上坡”的优先级均为P0。
表1
需要说明的是,在上述表1中,驱动模式A/B、驱动模式C、驱动模式D、驱动模式E分别对应混合动力电动汽车的纯电动驱动模式、经济性充电驱动模式、发动机单独驱动模式、电机辅助发动机驱动模式。
还需要说明的是,上述表1中的优先级从高至低排序为P0>P1>P2。
在本实施例的另一个具体示例中,在如图2所示的步骤250中,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式,可以按照如图5所示出的步骤执行。
参见图5,示出了根据本申请一个实施例的从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式的细节流程图。具体包括步骤253至步骤254:
在步骤253中,针对每一个子标签所表征的环境特征,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的待选驱动模式,得到至少一个待选驱动模式。
在步骤254中,根据各个待选驱动模式对应的优先级,在所述至少一个待选驱动模式中选择所述目标驱动模式。
在本申请中,可以是将优先级最高的待选驱动模式作为目标驱动模式。
在本申请中,根据目标设备的运动环境从多个驱动模式中选择适应所述目标设备在所述运动区域内运动的驱动模式,得到所述目标驱动模式,其好处在于,可以根据目标设备的实时运动工况进行系统效率优化,保证目标设备在面对复杂多变的运动工况中保持较强的自适应性,进一步保证目标设备运行的安全性、良好的燃油经济性、动力性以及排放性能。
在本申请的一个实施例中,在如图2所示的步骤250中,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式,可以按照如图6所示出的步骤执行。
参见图6,示出了根据本申请一个实施例的从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式的细节流程图。具体包括步骤255至步骤256:
在步骤255中,获取人工控制指令信息和所述目标设备的运动状态信息。
在步骤256中,根据所述人工控制指令信息、所述运动状态信息,以及所述场景标签信息,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式。
在本实施例的一个具体示例中,所述场景标签信息可以包括场景标签和信息可信度,所述信息可信度用于表征所述场景标签的受信任概率,在如图6所示的步骤256中,可以是在所述信息可信度超过预定阈值时,根据所述人工控制指令信息、所述运动状态信息,以及所述场景标签,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式。
在本示例中,场景标签信息中的信息可信度用于表征所述场景标签的受信任概率,因为场景标签信息是根据目标设备的环境图像由环境感知模型确定的,只有场景标签信息中的信息可信度较高时,才能保证场景标签对目标设备周围的环境描述的可靠性,进而才能保证从多个驱动模式中选择目标驱动模式的准确性。
在本实施例的一个具体示例中,在如图6所示的步骤256中,根据所述人工控制指令信息、所述运动状态信息,以及所述场景标签信息,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式,还可以按照如图7所示的步骤执行。
参见图7,示出了根据本申请一个实施例的从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式的细节流程图。具体包括步骤2561至步骤2563:
在步骤2561中,对所述人工控制指令信息、所述运动状态信息,以及所述场景标签信息进行组合,得到所述目标设备的目标运动信息组合。
在步骤2562中,基于运动信息组合与所需驱动参数之间的对应关系,根据所述目标运动信息组合确定所述目标设备在所述运动区域内运动的需求驱动参数。
在步骤2563中,从所述目标设备的多个驱动模式中选择符合所述需求驱动参数的目标驱动模式。
在本申请中,所述需求驱动参数可以包括需求转矩和需求转速。
在如图7所示的步骤2562中,基于运动信息组合与所需驱动参数之间的对应关系,根据所述目标运动信息组合确定所述目标设备在所述运动区域内运动的需求驱动参数,可以确定需求转矩和需求转速两个驱动参数。
针对需求转矩,可以是基于运动信息组合与所需转矩之间的对应关系,根据所述目标运动信息组合确定所述目标设备在所述运动区域内运动的需求转矩。
针对需求转速,可以是基于运动信息组合与所需转速之间的对应关系,根据所述目标运动信息组合确定所述目标设备在所述运动区域内运动的需求转速。
具体的,在本申请中,所述目标设备为机动车辆时,具体该机动车辆为混合动力电动汽车时,所述人工控制指令信息可以是指驾驶员指令信息,所述运动状态信息可以是指车辆行驶状态。其中,驾驶员指令主要是根据制动踏板行程和加速踏板行程判断,识别出驾驶员意图。场景标签信息主要是道路信息和交通参与者信息,获取实时行驶工况信息。车辆行驶状态主要是车载传感器反馈车辆控制器的车辆行驶参数,主要包括车辆负载和车速,或者荷电状态等等。
在本申请中,所述目标设备为混合动力电动汽车时,运动信息组合与所需转矩之间的对应关系可以参照表2、表3,以及表4所示。
表2
表3
表4
在本申请中,所述目标设备为混合动力电动汽车时,运动信息组合与所需转速之间的对应关系可以参照表5、表6,以及表7所示。
表5
表6
表7
在本申请中,在如图7所示的步骤2563中,从所述目标设备的多个驱动模式中选择符合所述需求驱动参数的目标驱动模式,可以按照如下方式执行:
在所述目标设备的驱动系统Map图中确定由所述需求转矩和所述需求转速限定的目标位置,所述Map图中包括多个图区域,每一个图区域对应一个驱动模式;将所述目标位置的所属图区域对应的驱动模式确定为目标驱动模式。
在本申请中,在所述目标设备为混合动力电动汽车时,其驱动模式的具体选择可将根据系统需求转矩和需求转速进行确定,可基于优化ICE曲线的控制策略进行工作区域的划分,决定具体的车辆工作模式。例如图8,示出了根据本申请一个实施例的车辆的工作区域的划分图,其中T1(n)801为纯电动区域上限,T2(n)802为经济性充电区域上限,T3(n)803为发动机外特性曲线。
进一步的,可以根据需求转矩和需求转速所在的图区域进行驱动模式的选择,如下表8所示。
需求转矩和需求转速所在图区域 | 驱动模式 |
[0,T<sub>1</sub>(n)] | 纯电动驱动模式A/B |
[T<sub>1</sub>(n),T<sub>2</sub>(n)] | 经济性充电驱动模式C |
[T<sub>2</sub>(n),T<sub>3</sub>(n)] | 发动机单独驱动模式D |
[T<sub>3</sub>(n),T<sub>4</sub>(n)] | 电机辅助发动机驱动模式E |
表8
在本申请中,可以采用车辆的实测数据,通过滑行、最高车速、节气门全开等多个关键工况点确定车辆的需求转矩和需求转速,拟合出整个车辆需求转矩和需求转速曲面,并根据驾驶员的实际感受进行动态调节,而行驶场景标签可以将实时行驶工况的信息输入到需求转矩和需求转速曲面对应关系中,增强了汽车对复杂多变行驶工况的适应性。
在本申请的一个实施例中,所述目标设备可以为多驱动源的设备,所述能量控制策略可以包括针对各个驱动源的控制方式。
在将所述目标设备的当前驱动模式切换至所述目标驱动模式之后,还可以按照所述目标驱动模式对应的针对各个驱动源的控制方式,控制各个驱动源。
具体的,所述多驱动源包括电动机和发动机(即内燃机)。按照所述目标驱动模式对应的针对各个驱动源的控制方式,控制各个驱动源,可以包括如下四种情况:
第一种、在所述目标驱动模式为电动机驱动模式时,控制所述电动机输出或回收动能。
如图9A-1和图9A-2,示出了根据本申请一个实施例的多驱动源设备的电动机驱动模式的示意图。
在图9A-1中,电动机驱动模式901由蓄电池为电动机输出电能,电动机为传动装置输出动能。
在图9A-2中,电动机驱动模式902,电动机利用传动装置的动能发电,并将得到的电能回收至蓄电池。
第二种、在所述目标驱动模式为经济性充电驱动模式时,控制所述发动机输出动能,并控制所述电动机对应的储能装置储存电能。
图9B示出了根据本申请一个实施例的多驱动源设备的经济性充电驱动模式的示意图。
在图9B中,经济性充电驱动模式903,内燃机利用燃料输出动能,将一部分动能传递给传动装置,将另一部分动能转化为电能,并将电能存储至蓄电池。
第三种、在所述目标驱动模式为发动机单独驱动模式时,控制所述发动机输出动能。
图9C示出了根据本申请一个实施例的多驱动源设备的发动机单独驱动模式的示意图。
在图9C中,发动机单独驱动模式904,内燃机利用燃料输出动能,将一部分动能直接传递给传动装置,将另一部分动能转化为电能,并通过电动机将该电能转化为动能输出给传动装置。
第四种、在所述目标驱动模式为电动机辅助发动机驱动模式时,控制所述发动机和所述电动机同时输出动能。
图9D示出了根据本申请一个实施例的多驱动源设备的电动机辅助发动机驱动模式的示意图。
在图9D中,电动机辅助发动机驱动模式905,内燃机利用燃料输出动能,将一部分动能直接传递给传动装置,将另一部分动能转化为电能,并通过电动机将该电能转化为动能输出给传动装置,同时,由蓄电池为电动机输出电能,电动机将电能转化为动能输出给传动装置。
在本申请的一个实施例中,所述目标设备还可以为单驱动源的设备,所述能量控制策略可以包括输出功率。
在将所述目标设备的当前驱动模式切换至所述目标驱动模式之后,还可以按照所述目标驱动模式对应的输出功率,控制所述单驱动源的能量输出。
在本申请中,在所述目标设备为多驱动源车辆时,本申请所提出的设备驱动模式的控制方案至少可以应用如下几种场景:
其一、车辆在拥堵路段行驶时,车辆频繁启停,传统工程应用的能量控制策略难以精确掌握动力模型切换的时机,那么通过车载摄像头拍摄的图像信息就可以通过目标检测,确定前方行人、其他机动车、非机动车等交通参与者与本车的相对距离,判断危险程度和拥堵状况。
根据给出的危险程度和拥堵状况确定车辆动力模式,当危险程度或拥堵状况较高时,关闭发动机,直接由电动机来驱动车辆;当危险程度和拥堵状况较低时,可起动发动机,让发动机输出一部分功率直接驱动车辆,剩余部分功率用来给蓄电池充电。
其二、车辆需加速或爬坡。通过对车载摄像头获取的图像信息进行场景分类和目标检测,获取前方道路状况和交通参与者信息,具体包括道路的坡度、前方拥堵状况等可,提前确定车辆是否需要进行加速或爬坡。
如能提前确定车辆要进行加速或爬坡,就可以利用发动机加电动机共同组成的混合动力驱动模式来驱动车辆,此时车辆的最大输出功率相当于发动机加电动机的最大输出功率之和。
其三、车辆需减速或制动。通过对车载摄像头获取的图像信息进行场景分类和目标检测,获取前方道路状况和交通参与者信息,具体包括弯道曲率、路面附着、路面平整度、前方危险程度以及拥堵状况。若确定车辆需要进行减速或制动,可提前预备将驱动电动机转换为发电机,进行制动能量回收。
由于申请的技术方案则是通过与设备工况相关的场景标签信息,辅助目标设备确定相适应的驱动模式,从而实现根据观测的运动工况及时自动切换不同的能量控制策略,提升目标设备的工况适应性,进一步优化设备的动力性,进而可以提高设备驱动系统的整体性能。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的设备驱动模式的控制方法。对于本申请装置实施例中未披露的细节,请参照本申请上述的设备驱动模式的控制方法的实施例。
图10示出了根据本申请的一个实施例的设备驱动模式的控制装置的框图。
参照图10所示,根据本申请的一个实施例的设备驱动模式的控制装置1000,包括:获取单元1001、确定单元1002、选择单元1003和切换单元1004。
其中,获取单元1001,用于获取目标设备所在运动区域的环境图像;确定单元1002,用于通过所述环境图像确定所述运动区域所对应的场景标签信息,所述场景标签信息用于表征所述运动区域的环境特征;选择单元1003,用于根据所述场景标签信息,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式,其中,所述多个驱动模式中的每一个驱动模式对应于一种针对所述目标设备的能量控制策略;切换单元1004,用于将所述目标设备的当前驱动模式切换至所述目标驱动模式。
在本申请的一些实施例中,基于前述方案,所述场景标签信息包括至少一个子标签,每一个子标签用于表征所述运动区域在一种环境类别上的环境特征,所述选择单元1003配置为:根据所述至少一个子标签中的优先级,从所述至少一个子标签中选择目标子标签;基于所述目标子标签,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的驱动模式,得到所述目标驱动模式。
在本申请的一些实施例中,基于前述方案,所述场景标签信息包括至少一个子标签,每一个子标签用于表征所述运动区域在一种环境类别上的环境特征,所述选择单元1003配置为:针对每一个子标签所表征的环境特征,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的待选驱动模式,得到至少一个待选驱动模式;根据各个待选驱动模式对应的优先级,在所述至少一个待选驱动模式中选择所述目标驱动模式。
在本申请的一些实施例中,基于前述方案,所述选择单元1003配置为:获取人工控制指令信息和所述目标设备的运动状态信息;根据所述人工控制指令信息、所述运动状态信息,以及所述场景标签信息,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式。
在本申请的一些实施例中,基于前述方案,所述场景标签信息包括场景标签和信息可信度,所述信息可信度用于表征所述场景标签的受信任概率,所述选择单元1003配置为:在所述信息可信度超过预定阈值时,根据所述人工控制指令信息、所述运动状态信息,以及所述场景标签,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式。
在本申请的一些实施例中,基于前述方案,所述选择单元1003配置为:对所述人工控制指令信息、所述运动状态信息,以及所述场景标签信息进行组合,得到所述目标设备的目标运动信息组合;基于运动信息组合与所需驱动参数之间的对应关系,根据所述目标运动信息组合确定所述目标设备在所述运动区域内运动的需求驱动参数;从所述目标设备的多个驱动模式中选择符合所述需求驱动参数的目标驱动模式。
在本申请的一些实施例中,基于前述方案,所述需求驱动参数包括需求转矩和需求转速,所述选择单元1003配置为:基于运动信息组合与所需转矩之间的对应关系,根据所述目标运动信息组合确定所述目标设备在所述运动区域内运动的需求转矩;基于运动信息组合与所需转速之间的对应关系,根据所述目标运动信息组合确定所述目标设备在所述运动区域内运动的需求转速。
在本申请的一些实施例中,基于前述方案,所述需求驱动参数包括需求转矩和需求转速,所述选择单元1003配置为:在所述目标设备的驱动系统Map图中确定由所述需求转矩和所述需求转速限定的目标位置,所述Map图中包括多个图区域,每一个图区域对应一个驱动模式;将所述目标位置的所属图区域对应的驱动模式确定为目标驱动模式。
在本申请的一些实施例中,基于前述方案,所述确定单元1002配置为:将所述环境图像输入预先训练的环境感知模型中,所述环境感知模型设于所述目标设备的本地计算设备中,或者所述环境感知模型设于与所述目标设备关联的云计算平台中;获取由所述环境感知模型输出的所述运动区域的场景标签信息。
在本申请的一些实施例中,基于前述方案,所述目标设备为多驱动源的设备,所述能量控制策略包括针对各个驱动源的控制方式,所述装置还包括:第一控制单元,用于按照所述目标驱动模式对应的针对各个驱动源的控制方式,控制各个驱动源。
在本申请的一些实施例中,基于前述方案,所述多驱动源包括电动机和发动机,所述第一控制单元配置为:在所述目标驱动模式为电动机驱动模式时,控制所述电动机输出或回收动能;在所述目标驱动模式为经济性充电驱动模式时,控制所述发动机输出动能,并控制所述电动机对应的储能装置储存电能;在所述目标驱动模式为发动机单独驱动模式时,控制所述发动机输出动能;在所述目标驱动模式为电动机辅助发动机驱动模式时,控制所述发动机和所述电动机同时输出动能。
在本申请的一些实施例中,基于前述方案,所述目标设备为单驱动源的设备,所述能量控制策略包括输出功率,所述装置还包括:第二控制单元,用于按照所述目标驱动模式对应的输出功率,控制所述单驱动源的能量输出。
图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图11示出的电子设备的计算机系统1100仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图11所示,计算机系统1100包括中央处理单元(Central Processing Unit,CPU)1101,其可以根据存储在只读存储器(Read-Only Memory,ROM)1102中的程序或者从储存部分1108加载到随机访问存储器(Random Access Memory,RAM)1103中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 1103中,还存储有系统操作所需的各种程序和数据。CPU 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(Input/Output,I/O)接口1105也连接至总线1104。
以下部件连接至I/O接口1105:包括键盘、鼠标等的输入部分1106;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1107;包括硬盘等的储存部分1108;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1110上,以便于从其上读出的计算机程序根据需要被安装入储存部分1108。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(CPU)1101执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还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实施例中所述的设备驱动模式的控制方法。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的设备驱动模式的控制方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (15)
1.一种设备驱动模式的控制方法,其特征在于,所述方法包括:
获取目标设备所在运动区域的环境图像;
通过所述环境图像确定所述运动区域所对应的场景标签信息,所述场景标签信息用于表征所述运动区域的环境特征;
根据所述场景标签信息,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式,其中,所述多个驱动模式中的每一个驱动模式对应于一种针对所述目标设备的能量控制策略;
将所述目标设备的当前驱动模式切换至所述目标驱动模式。
2.根据权利要求1所述的方法,其特征在于,所述场景标签信息包括至少一个子标签,每一个子标签用于表征所述运动区域在一种环境类别上的环境特征;
所述根据所述场景标签信息,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式,包括:
根据所述至少一个子标签中的优先级,从所述至少一个子标签中选择目标子标签;
基于所述目标子标签,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的驱动模式,得到所述目标驱动模式。
3.根据权利要求1所述的方法,其特征在于,所述场景标签信息包括至少一个子标签,每一个子标签用于表征所述运动区域在一种环境类别上的环境特征;
所述根据所述场景标签信息,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式,包括:
针对每一个子标签所表征的环境特征,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的待选驱动模式,得到至少一个待选驱动模式;
根据各个待选驱动模式对应的优先级,在所述至少一个待选驱动模式中选择所述目标驱动模式。
4.根据权利要求1所述的方法,其特征在于,所述根据所述场景标签信息,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式,包括:
获取人工控制指令信息和所述目标设备的运动状态信息;
根据所述人工控制指令信息、所述运动状态信息,以及所述场景标签信息,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式。
5.根据权利要求4所述的方法,其特征在于,所述场景标签信息包括场景标签和信息可信度,所述信息可信度用于表征所述场景标签的受信任概率;
所述根据所述人工控制指令信息、所述运动状态信息,以及所述场景标签信息,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式,包括:
在所述信息可信度超过预定阈值时,根据所述人工控制指令信息、所述运动状态信息,以及所述场景标签,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式。
6.根据权利要求4所述的方法,其特征在于,所述根据所述人工控制指令信息、所述运动状态信息,以及所述场景标签信息,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式,包括:
对所述人工控制指令信息、所述运动状态信息,以及所述场景标签信息进行组合,得到所述目标设备的目标运动信息组合;
基于运动信息组合与所需驱动参数之间的对应关系,根据所述目标运动信息组合确定所述目标设备在所述运动区域内运动的需求驱动参数;
从所述目标设备的多个驱动模式中选择符合所述需求驱动参数的目标驱动模式。
7.根据权利要求6所述的方法,其特征在于,所述需求驱动参数包括需求转矩和需求转速,所述基于运动信息组合与所需驱动参数之间的对应关系,根据所述目标运动信息组合确定所述目标设备在所述运动区域内运动的需求驱动参数,包括:
基于运动信息组合与所需转矩之间的对应关系,根据所述目标运动信息组合确定所述目标设备在所述运动区域内运动的需求转矩;
基于运动信息组合与所需转速之间的对应关系,根据所述目标运动信息组合确定所述目标设备在所述运动区域内运动的需求转速。
8.根据权利要求6所述的方法,其特征在于,所述需求驱动参数包括需求转矩和需求转速,所述从所述目标设备的多个驱动模式中选择符合所述需求驱动参数的目标驱动模式,包括:
在所述目标设备的驱动系统Map图中确定由所述需求转矩和所述需求转速限定的目标位置,所述Map图中包括多个图区域,每一个图区域对应一个驱动模式;
将所述目标位置的所属图区域对应的驱动模式确定为目标驱动模式。
9.根据权利要求1所述的方法,其特征在于,所述通过所述环境图像确定所述运动区域所对应的场景标签信息,包括:
将所述环境图像输入预先训练的环境感知模型中,所述环境感知模型设于所述目标设备的本地计算设备中,或者所述环境感知模型设于与所述目标设备关联的云计算平台中;
获取由所述环境感知模型输出的所述运动区域的场景标签信息。
10.根据权利要求1-9任一项所述的方法,其特征在于,所述目标设备为多驱动源的设备,所述能量控制策略包括针对各个驱动源的控制方式;
所述在将所述目标设备的当前驱动模式切换至所述目标驱动模式之后,所述方法还包括:
按照所述目标驱动模式对应的针对所述各个驱动源的控制方式,控制所述各个驱动源。
11.根据权利要求10所述的方法,其特征在于,所述多驱动源包括电动机和发动机;
所述按照所述目标驱动模式对应的针对所述各个驱动源的控制方式,控制所述各个驱动源,包括:
在所述目标驱动模式为电动机驱动模式时,控制所述电动机输出或回收动能;
在所述目标驱动模式为经济性充电驱动模式时,控制所述发动机输出动能,并控制所述电动机对应的储能装置储存电能;
在所述目标驱动模式为发动机单独驱动模式时,控制所述发动机输出动能;
在所述目标驱动模式为电动机辅助发动机驱动模式时,控制所述发动机和所述电动机同时输出动能。
12.根据权利要求1-9任一项所述的方法,其特征在于,所述目标设备为单驱动源的设备,所述能量控制策略包括输出功率;
所述在将所述目标设备的当前驱动模式切换至所述目标驱动模式之后,所述方法还包括:
按照所述目标驱动模式对应的输出功率,控制所述单驱动源的能量输出。
13.一种设备驱动模式的控制装置,其特征在于,所述装置包括:
获取单元,用于获取目标设备所在运动区域的环境图像;
确定单元,用于通过所述环境图像确定所述运动区域所对应的场景标签信息,所述场景标签信息用于表征所述运动区域的环境特征;
选择单元,用于根据所述场景标签信息,从所述目标设备的多个驱动模式中选择适应所述目标设备在所述运动区域内运动的目标驱动模式,其中,所述多个驱动模式中的每一个驱动模式对应于一种针对所述目标设备的能量控制策略;
切换单元,用于将所述目标设备的当前驱动模式切换至所述目标驱动模式。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条程序代码,所述至少一条程序代码由处理器加载并执行以实现如权利要求1至12任一项所述的设备驱动模式的控制方法所执行的操作。
15.一种计算机设备,其特征在于,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述至少一条程序代码由所述一个或多个处理器加载并执行以实现如权利要求1至12任一项所述的设备驱动模式的控制方法所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110245882.8A CN112861266B (zh) | 2021-03-05 | 2021-03-05 | 设备驱动模式的控制方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110245882.8A CN112861266B (zh) | 2021-03-05 | 2021-03-05 | 设备驱动模式的控制方法、装置、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861266A true CN112861266A (zh) | 2021-05-28 |
CN112861266B CN112861266B (zh) | 2022-05-06 |
Family
ID=75993798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110245882.8A Active CN112861266B (zh) | 2021-03-05 | 2021-03-05 | 设备驱动模式的控制方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861266B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114500643A (zh) * | 2022-04-07 | 2022-05-13 | 北京远特科技股份有限公司 | 一种车载信息推荐方法、装置、电子设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102556055A (zh) * | 2012-01-11 | 2012-07-11 | 河南科技大学 | 混合动力汽车多工作模式下的能量切换控制方法及系统 |
CN109440697A (zh) * | 2018-10-08 | 2019-03-08 | 南京蓝泰交通设施有限责任公司 | 一种公路智能移动机器人控制方法及系统 |
CN109787511A (zh) * | 2019-01-28 | 2019-05-21 | 电子科技大学 | 一种能量事件驱动方法及系统 |
CN109829395A (zh) * | 2019-01-15 | 2019-05-31 | 北京百度网讯科技有限公司 | 基于无人车的数据处理方法、装置、设备以及存储介质 |
US20190185004A1 (en) * | 2017-12-18 | 2019-06-20 | Hyundai Motor Company | Method for controlling driving of environmentally friendly vehicle using front driving environment information |
CN110329258A (zh) * | 2019-07-23 | 2019-10-15 | 吉林大学 | 智能驾驶汽车节能减排协调控制方法 |
CN110395247A (zh) * | 2019-07-29 | 2019-11-01 | 浙江吉利新能源商用车集团有限公司 | 一种用于增程式电动车的驱动控制方法及控制系统 |
CN111169480A (zh) * | 2020-01-08 | 2020-05-19 | 浙江吉利新能源商用车集团有限公司 | 一种动力系统能量管理方法、装置、设备和介质 |
CN111428571A (zh) * | 2020-02-28 | 2020-07-17 | 宁波吉利汽车研究开发有限公司 | 一种车辆引导方法、装置、设备及存储介质 |
CN111619699A (zh) * | 2020-05-21 | 2020-09-04 | 广东博智林机器人有限公司 | Agv移动平台及其控制方法和控制装置 |
-
2021
- 2021-03-05 CN CN202110245882.8A patent/CN112861266B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102556055A (zh) * | 2012-01-11 | 2012-07-11 | 河南科技大学 | 混合动力汽车多工作模式下的能量切换控制方法及系统 |
US20190185004A1 (en) * | 2017-12-18 | 2019-06-20 | Hyundai Motor Company | Method for controlling driving of environmentally friendly vehicle using front driving environment information |
CN109440697A (zh) * | 2018-10-08 | 2019-03-08 | 南京蓝泰交通设施有限责任公司 | 一种公路智能移动机器人控制方法及系统 |
CN109829395A (zh) * | 2019-01-15 | 2019-05-31 | 北京百度网讯科技有限公司 | 基于无人车的数据处理方法、装置、设备以及存储介质 |
CN109787511A (zh) * | 2019-01-28 | 2019-05-21 | 电子科技大学 | 一种能量事件驱动方法及系统 |
CN110329258A (zh) * | 2019-07-23 | 2019-10-15 | 吉林大学 | 智能驾驶汽车节能减排协调控制方法 |
CN110395247A (zh) * | 2019-07-29 | 2019-11-01 | 浙江吉利新能源商用车集团有限公司 | 一种用于增程式电动车的驱动控制方法及控制系统 |
CN111169480A (zh) * | 2020-01-08 | 2020-05-19 | 浙江吉利新能源商用车集团有限公司 | 一种动力系统能量管理方法、装置、设备和介质 |
CN111428571A (zh) * | 2020-02-28 | 2020-07-17 | 宁波吉利汽车研究开发有限公司 | 一种车辆引导方法、装置、设备及存储介质 |
CN111619699A (zh) * | 2020-05-21 | 2020-09-04 | 广东博智林机器人有限公司 | Agv移动平台及其控制方法和控制装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114500643A (zh) * | 2022-04-07 | 2022-05-13 | 北京远特科技股份有限公司 | 一种车载信息推荐方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112861266B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818910B (zh) | 车辆挡位控制方法、装置、计算机设备和存储介质 | |
CN110796856B (zh) | 车辆变道意图预测方法及变道意图预测网络的训练方法 | |
CN107229973B (zh) | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 | |
US9663111B2 (en) | Vehicle speed profile prediction using neural networks | |
US20220219691A1 (en) | Automated cruise control system | |
CN111476139B (zh) | 基于联邦迁移学习的驾驶员行为云边协同学习系统 | |
US20210356968A1 (en) | Scenario identification for validation and training of machine learning based models for autonomous vehicles | |
CN112861266B (zh) | 设备驱动模式的控制方法、装置、介质及电子设备 | |
Hegde et al. | Velocity and energy trajectory prediction of electrified powertrain for look ahead control | |
Chen et al. | An effective approach of vehicle detection using deep learning | |
CN113415275A (zh) | 车辆消息的处理方法、装置、可读介质及电子设备 | |
CN116680601A (zh) | 边缘交通对象预测方法、装置、设备和存储介质 | |
CN115116216A (zh) | 基于车路云接口实现的全域协同感知与决策方法、装置 | |
Staino et al. | Real-time detection and recognition of railway traffic signals using deep learning | |
WO2022017307A1 (zh) | 自动驾驶场景生成方法、装置及系统 | |
US20230215151A1 (en) | Information processing apparatus, information processing method, information processing system, and a program | |
CN107139723A (zh) | 控制车辆的行驶速度的方法和装置 | |
US11055624B1 (en) | Probabilistic heat maps for behavior prediction | |
CN115203457B (zh) | 图像检索方法、装置、车辆、存储介质及芯片 | |
Lee et al. | Individual stable driving pattern analysis for evaluating driver readiness at autonomous driving levels 2 and 3 | |
US20220188621A1 (en) | Generative domain adaptation in a neural network | |
CN111524389B (zh) | 车辆驾驶方法和装置 | |
Jagtap et al. | Improving Run Time Efficiency of Semantic Video Event Classification | |
CN111216722A (zh) | 一种车辆驾驶控制方法、装置、设备及存储介质 | |
CN117612140B (zh) | 道路场景的识别方法、装置和存储介质及电子设备 |
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: 40044554 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |