CN113267345A - 车辆前方未知路段阻力预测方法、存储介质、控制器和系统 - Google Patents

车辆前方未知路段阻力预测方法、存储介质、控制器和系统 Download PDF

Info

Publication number
CN113267345A
CN113267345A CN202110442835.2A CN202110442835A CN113267345A CN 113267345 A CN113267345 A CN 113267345A CN 202110442835 A CN202110442835 A CN 202110442835A CN 113267345 A CN113267345 A CN 113267345A
Authority
CN
China
Prior art keywords
vehicle
resistance
data
unknown
principal component
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
CN202110442835.2A
Other languages
English (en)
Inventor
鄢挺
程玉佼
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.)
United Automotive Electronic Systems Co Ltd
Original Assignee
United Automotive Electronic Systems 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 United Automotive Electronic Systems Co Ltd filed Critical United Automotive Electronic Systems Co Ltd
Priority to CN202110442835.2A priority Critical patent/CN113267345A/zh
Publication of CN113267345A publication Critical patent/CN113267345A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining 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
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G01S19/46—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being of a radio-wave signal type
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Analytical Chemistry (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Electromagnetism (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车辆前方未知路段阻力预测方法，包括：在历史数据中筛选出与自车前方未知路段场景最匹配的历史车辆数据；提取该最匹配的历史车辆数据中阻力项Ff和车速v；形成阻力项和车速的二次函数Ff‑v；选用指定数据组的Ff‑v曲线中的n个数据点，计算n个数据点的阻力项Ffs，联合求解确定Ffs的各项系数；将确定各项系数代入Ff‑v曲线，获得预测自车阻力。本发明基于车联网能精准且快速对前方未知路段的行驶阻力(滚阻力和风阻力)进行准确的预测计算，也可为车辆预测性能量管理策略提供必要的输入。

Description

车辆前方未知路段阻力预测方法、存储介质、控制器和系统
技术领域
本发明涉及汽车领域，特别是涉及一种基于车联网的车辆前方未知路段阻力预测方法。本发明还涉及一种用于执行所述基于车联网的车辆前方未知路段阻力预测方法中步骤的计算机可读存储介质，一种用于执行所述基于车联网的车辆前方未知路段阻力预测方法的控制器，以及一种基于车联网的车辆前方未知路段阻力预测系统。
背景技术
车辆在行驶过程中的受力分为三个方向——纵向、垂向和横向，与此相对应，车辆动力学的内容主要包括驱动和制动、车辆振动和行驶的操纵稳定性。在纵向动力学当中，车辆行驶过程中的加速度由车辆驱动力与行驶阻力之差决定，即：
mα＝Ft-FR-Fw-Fi；
其中m为车辆质量，α为车辆减速度，Ft为车辆驱动力，FR为滚动阻力，Fw为空气阻力，Fi为坡道阻力。对于车辆预测性控制而言，若需要知悉前方车辆行驶速度轨迹，就必须要确定车辆的加速度，即需要确定上式中驱动力和各行驶阻力的值。
车辆驱动力Ft可直接由动力输出装置(发动机或电机)经由传动链传递到轮端的扭矩得到。
坡道阻力Ft＝mgsinβ，主要由坡度角β决定，为主要行驶阻力项。
滚动阻力FR＝μmgcosβ，主要由坡度角β和滚阻系数μ决定，影响因素较多。
空气阻力
Figure BDA0003035814250000011
主要由风阻系数CD决定，其中ρ为空气密度，A为迎风面积，均为定值。
随着智能网联技术的不断发展，现有技术已经可通过雷达、摄像头或地图等手段获取前方道路基本信息(车载环境感知系统)，例如道路坡度、曲率、海拔、拥堵状况等，因此坡道阻力Ft可直接得到。但是由于无法确定滚阻力和风阻力，导致行驶中的滚动阻力和空气阻力无法直接获得。
为了确定滚阻力和风阻力，目前大部分现有技术中均基于历史数据进行数据拟合，包含通过最小二乘法拟合、遗传算法拟合等，这些算法均需要已经行驶过的历史数据，而对于即将到来的前方未知路段的阻力是无法预知的，因此这类算法无法直接应用于车辆的预测性控制中。
借助于车联网信息交互的优势，前方道路信息可以通过采集分析已经行驶过此路段的其他车辆数据来估计得到，为通过前方道路信息对阻力进行估计提供了可行性。
发明内容
在发明内容部分中引入了一系列简化形式的概念,该简化形式的概念均为本领域现有技术简化，这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
本发明要解决的技术问题是提供一种基于车联网能对前方未知路段的阻力(滚阻力和风阻力)进行预测的方法。
相应的，本发明还提供了一种用于执行基于车联网的车辆前方未知路段阻力预测方法中步骤的计算机可读存储介质，一种用于执行基于车联网的车辆前方未知路段阻力预测方法的控制器，以及一种基于车联网的车辆前方未知路段阻力预测系统。
为解决上述技术问题，本发明提供一种基于车联网的车辆前方未知路段阻力预测方法，包括以下步骤：
S1，在历史数据中筛选出与自车前方未知路段场景最匹配的历史车辆数据；
S2，提取该最匹配的历史车辆数据中阻力项Ff和车速v；
S3，形成阻力项和车速的二次函数Ff-v；
S4，选用指定数据组的Ff-v曲线中的n个数据点，计算n个数据点的阻力项Ffs，联合求解确定Ffs的各项系数；
S5，将确定各项系数代入Ff-v曲线，获得预测自车阻力。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，通过相似度评价筛选历史数据，将相似度最高历史数据作为与自车前方未知路段场景最匹配的历史车辆数据。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，相似度评价采用以下方式：
建立相似度评价函数Θ，
Figure BDA0003035814250000031
w1、w2...w5表示权重系数，可根据实际需要调节相对大小)；
δ表示选取历史数据所属车辆的其他路段历史数据与相同路段下自车数据的误差；δ体现的是车辆本身特征的相似度，这项最为关键，建议权重系数取较大值；
Figure BDA0003035814250000032
表示选取历史数据与自车进入该路段初始车速的误差，体现的是不同车速下阻力的差异；
etyp表示选取历史数据所属车辆类型与自车类型的误差；
ewth表示选取历史数据的天气数据与自车当前天气数据误差，体现的是天气因素对阻力的差异，天气因素可根据实际需求选择，例如常年冰冻带就不需要选择暴雨作为考虑的天气因素，热带地区就不需要选择暴学作为考虑的天气因素；
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，w1是w1、w2...w5中的最大值。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，车辆类型包括：动力结构、车辆参数、车辆所属厂牌和/或车辆型号。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，有两种表达方式，车辆类型完全一致和车辆类型完全不一致。例如：误差etyp取值0和1，0表示车辆类型完全一致，1表示完全不一致；
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，天气数据包括：温度、湿度、风力和/或天气状况。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，天气状况包括：晴天、阴天、雨天和雪天。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，利用相似度评价函数Θ筛选出与自车前方未知路段场景最匹配的车辆数据，包括：
S1.1，选取该历史数据所属车辆n个路段之前路段的历史数据，同时调用自车在该n个路段中的历史数据进行主成分分析(Principal Components Analysis,PCA)，从而尽可能多的反映原始参数携带的信息，获得主成分变量；
S1.2，选取p个原始参数变量线性组合得到m个主成分变量，m＜p；
S1.3，根据需求在m个主成分变量中选出自车和选取车辆的多组主成分变量，进行自车和选取车辆数据比较；
S1.4，获得满足指定判断条件的λ组选取车辆数据；
S1.5，通过Θopt＝min(Θ1、Θ2...Θλ)，获得与自车前方未知路段场景匹配的车辆数据。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，主成分分析包括：对每段路况中的原始参数进行线性组合，构造出相互正交的新参数作为主成分。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，原始参数包括车辆运动学参数和车辆性能参数。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，车辆运动学参数包括：平均车速、最大车速、车速标准差、平均加速度、最大加速度、加速度标准差和/或急缓加减速时间占比；
车辆性能参数包括：油耗、排放数据、发动机功率和/或电功率。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，采用以下线性组合构造主成分变量；
p个原始参数X1、X2......XP采用以下线性组合公式获得m个主成分变量F1、F2......Fm；
Figure BDA0003035814250000051
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，选出自车和选取车辆的多组主成分变量采用以下方式；
将该m个主成分变量计算方差，按方差从大至小依次排列投影到坐标系统中，根据需求从大至小依次选择多组主成分变量。
通过主成分分析的线性变换将这些参数投影到新坐标系统中的第一大方差落在第一个坐标(即第一主成分)，第二大方差在第二个坐标(第二主成分)上，依次类推。通过转换后可用于减少数据集的维数，并保持数据集的对方差贡献最大的特征，这是通过保留低阶主成分，忽略高阶主成分做到的，因为通常低阶主成分保留住数据的最重要方面。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，线性组合应满足以下条件；
1)每个主成分系数平方和为1，即ai'ai＝1；
2)每个主成分相互独立，即cov(Fi,Fj)＝0，i≠j；
3)主成分方差依次递减，即Var(F1)≥Var(F2)≥......Var(Fm)。
以上三个条件可保证不同变量信息不重叠和解决变量效用不高的问题，然后可根据需要选用前几个主成分变量即可，它们的特征值贡献率之和可占绝大部分。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，选出自车和选取车辆的多组主成分变量应满足以下条件；
Figure BDA0003035814250000052
S1表示根据需求选出多组主成分变量的特征值贡献率之和，S2表示m个主成分变量特征值贡献率之和。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，自车和选取车辆数据利用距离函数进行比较，获得λ组选取车辆数据。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，距离函数包括：
Figure BDA0003035814250000061
Fij'表示选取数据在第i组路段的第j个主成分变量，Fij表示自车数据在第i组路段的第j个主成分变量，q表示从m个主成分变量中选择贡献率由大至小顺序排列的q个主成分变量。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，指定判断条件为Γ≤Γini+Γextra，Γini表示初始阈值，Γextra表示附加阈值，是为了放宽相似性判断条件，保证数据库中能寻找到足够的相似工况，Γextra可标定。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，还包括：利用成分系数递减法和/或反距离加权平均法，对Θopt进一步筛选。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，阻力项Ff表示去除坡道阻力的滑行阻力。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，二次函数Ff-v表达式为，Ff＝k2v2+k1v+k0，k2、k1和k0是常数项。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，二次函数Ff-v中k2v2表达空气阻力，k1v+k0表达滚动阻力。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，通过二次回归的拟合，基于其最小偏差准则获得所述指定数据组。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，确定Ffs的各项系数包括：
S4.1，选取指定数据组Ff-v曲线的n个数据点(x1,y1),(x2,y2),(x3,y3)......(xn,yn)；
S4.2，构造多项式函数，
Figure BDA0003035814250000062
Ffs表示指定数据组的阻力项；
S4.3，分别对S求k2、k1和k0的偏导函数，并令它们等于零获得k2、k1和k0未知数的三元一次方程；
S4.4，求解该三元一次方程，若获得唯一解，则获得S最小值；若无解，表示S不存在最小值，则重新选取n个数据点再次计算，直至获得常数项k2、k1和k0。
可选择的，进一步改进所述的车辆前方未知路段阻力预测方法，通过k2、k1和k0获得前方未知路段的预测滚动阻力和预测空气阻力。
本发明提供一种用于上述任意一项所述车辆前方未知路段阻力预测方法中步骤的计算机可读存储介质。
本发明提供一种用于上述任意一项所述车辆前方未知路段阻力预测方法的控制器。
本发明提供一种车辆前方未知路段阻力预测系统，包括：
通信模块，其基于车联网连接云端服务器，用于执行自车和云端服务器数据交互；
环境感知模块，其用于感知自车前方未知路段场景发送至控制器；
云端服务器，其在历史数据中筛选出与自车前方未知路段场景最匹配的历史车辆数据，提取该最匹配的历史车辆数据中阻力项Ff和车速v形成阻力项和车速的二次函数Ff-v，选用指定数据组的Ff-v曲线中的n个数据点，计算n个数据点的阻力项Ffs，联合求解确定Ffs的各项系数，将确定各项系数代入Ff-v曲线，获得预测前方未知路段自车阻力发送至通信模块；
控制器，其用于调取自车传感器采集的前方道路阻力计算参数发送至云端服务器，其用于接收云端服务器计算的前方未知路段阻力发送至自车执行机构。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，云端服务器通过相似度评价筛选历史数据，将相似度最高历史数据作为与自车前方未知路段场景最匹配的历史车辆数据。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，云端服务器采用以下方式进行相似度评价；
建立相似度评价函数Θ，
Figure BDA0003035814250000071
w1、w2...w5表示权重系数，δ表示选取历史数据所属车辆的其他路段历史数据与相同路段下自车数据的误差，
Figure BDA0003035814250000081
表示选取历史数据与自车进入该路段初始车速的误差，etyp表示选取历史数据所属车辆类型与自车类型的误差，ewth表示选取历史数据的天气数据与自车当前天气数据误差。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，w1是w1、w2…w5中的最大值。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，车辆类型包括：动力结构、车辆参数、车辆所属厂牌和/或车辆型号。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，etyp有两种表达方式，车辆类型完全一致和车辆类型完全不一致。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，天气数据包括：温度、湿度、风力和/或天气状况。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，天气状况包括：晴天、阴天、雨天和雪天。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，云端服务器利用相似度评价函数Θ筛选出与自车前方未知路段场景最匹配的车辆数据，包括：
S1.1，选取该历史数据所属车辆n个路段之前路段的历史数据，同时调用自车在该n个路段中的历史数据进行主成分分析，获得主成分变量；
S1.2，选取p个原始参数变量线性组合得到m个主成分变量，m＜p；
S1.3，根据需求在m个主成分变量中选出自车和选取车辆的多组主成分变量，进行自车和选取车辆数据比较；
S1.4，获得满足指定判断条件的λ组选取车辆数据；
S1.5，通过Θopt＝min(Θ1、Θ2...Θλ)，获得与自车前方未知路段场景匹配的车辆数据。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，云端服务器执行主成分分析包括：
对每段路况中的原始参数进行线性组合，构造出相互正交的新参数作为主成分。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，原始参数包括车辆运动学参数和车辆性能参数。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，车辆运动学参数包括：平均车速、最大车速、车速标准差、平均加速度、最大加速度、加速度标准差和/或急缓加减速时间占比；
车辆性能参数包括：油耗、排放数据、发动机功率和/或电功率。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，采用以下线性组合构造主成分变量；
p个原始参数X1、X2......XP采用以下线性组合公式获得m个主成分变量F1、F2......Fm；
Figure BDA0003035814250000091
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，选出自车和选取车辆的多组主成分变量采用以下方式；
将该m个主成分变量计算方差，按方差从大至小依次排列投影到坐标系统中，根据需求从大至小依次选择多组主成分变量。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，线性组合应满足以下条件；
1)每个主成分系数平方和为1；
2)每个主成分相互独立；
3)主成分方差依次递减。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，选出自车和选取车辆的多组主成分变量应满足以下条件；
Figure BDA0003035814250000101
S1表示根据需求选出多组主成分变量的特征值贡献率之和，S2表示m个主成分变量特征值贡献率之和。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，自车和选取车辆数据利用距离函数进行比较，获得λ组选取车辆数据。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，距离函数包括：
Figure BDA0003035814250000102
Fij'表示选取数据在第i组路段的第j个主成分变量，Fij表示自车数据在第i组路段的第j个主成分变量，q表示从m个主成分变量中选择贡献率由大至小顺序排列的q个主成分变量。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，指定判断条件为Γ≤Γini+Γextra，Γini表示初始阈值，Γextra表示附加阈值。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，还包括：利用成分系数递减法和/或反距离加权平均法，对Θopt进一步筛选。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，阻力项Ff表示去除坡道阻力的滑行阻力。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，二次函数Ff-v表达式为，Ff＝k2v2+k1v+k0，k2、k1和k0是常数项。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，二次函数Ff-v中k2v2表达空气阻力，k1v+k0表达滚动阻力。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，通过二次回归的拟合，基于其最小偏差准则获得所述指定数据组。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，确定Ffs的各项系数包括：
S4.1，选取指定数据组Ff-v曲线的n个数据点(x1,y1),(x2,y2),(x3,y3)......(xn,yn)；
S4.2，构造多项式函数，
Figure BDA0003035814250000111
Ffs表示指定数据组的阻力项；
S4.3，分别对S求k2、k1和k0的偏导函数，并令它们等于零获得k2、k1和k0未知数的三元一次方程；
S4.4，求解该三元一次方程，若获得唯一解，则获得S最小值；若无解，表示S不存在最小值，则重新选取n个数据点再次计算，直至获得常数项k2、k1和k0。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，通过k2、k1和k0获得前方未知路段的预测滚动阻力和预测空气阻力。
可选择的，进一步改进所述的车辆前方未知路段阻力预测系统，所述通信模块是T-BOX，所述环境感知模块包括雷达、摄像头和/或GPS模块(GPS模块根据定位提供当前道路地图，进而确定自车行驶场景)，所述控制器能集成于ECU。
进一步的，对本发明的工作原理说明如下：
从数据结构上划分，本发明的提供的解决方案能划分为2大部分：历史数据筛选和数据拟合计算前方未知路段阻力；
历史数据筛选的目的是，在众多的历史数据中如何筛选提取与自车行驶场景接近的车辆数据。选取出是场景接近的车辆数据是本发明计算阻力的关键，直接影响到后续数据拟合计算未来阻力的可信度和精准度。本发明通过历史场景相似度评价、主成分分析、选取主成分变量等步骤，选取出选出最接近自车场景的数据。
通过数据拟合、线性组合等技术手段构建二次函数Ff-v、选用最优数据组的Ff-v、获得关于Ffs三元二次多项式函数Ffs、确定三元二次多项式函数Ffs的各项系数最终准确预测前方未知路段的滚动阻力和空气阻力。
本发明通过构造相似度评价函数，综合考虑历史数据相似度、天气相似度、初始车速误差等多重因素来获得最接近自车行驶场景的数据，再由得到的最优数据拟合获取滚动阻力和空气阻力等效值，精准且快速的借由车联网优势预测得到前方未知路段的行驶阻力参数，也可为车辆预测性能量管理策略提供必要的输入。
附图说明
本发明附图旨在示出根据本发明的特定示例性实施例中所使用的方法、结构和/或材料的一般特性，对说明书中的描述进行补充。然而，本发明附图是未按比例绘制的示意图，因而可能未能够准确反映任何所给出的实施例的精确结构或性能特点，本发明附图不应当被解释为限定或限制由根据本发明的示例性实施例所涵盖的数值或属性的范围。下面结合附图与具体实施方式对本发明作进一步详细的说明：
图1是本发明的流程示意图。
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所公开的内容充分地了解本发明的其他优点与技术效果。本发明还可以通过不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点加以应用，在没有背离发明总的设计思路下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。本发明下述示例性实施例可以多种不同的形式来实施，并且不应当被解释为只限于这里所阐述的具体实施例。应当理解的是，提供这些实施例是为了使得本发明的公开彻底且完整，并且将这些示例性具体实施例的技术方案充分传达给本领域技术人员。
第一实施例；
如图1所示，本发明提供一种车辆前方未知路段阻力预测方法，包括以下步骤：
S1，在历史数据中筛选出与自车前方未知路段场景最匹配的历史车辆数据；
S2，提取该最匹配的历史车辆数据中阻力项Ff和车速v；
S3，形成阻力项和车速的二次函数Ff-v；
S4，选用指定数据组的Ff-v曲线中的n个数据点，计算n个数据点的阻力项Ffs，联合求解确定Ffs的各项系数；
S5，将确定各项系数代入Ff-v曲线，获得预测自车阻力。
第二实施例；
本发明提供一种车辆前方未知路段阻力预测方法，包括以下步骤：
S1，在历史数据中通过相似度评价筛选历史数据，将相似度最高历史数据作为与自车前方未知路段场景最匹配的历史车辆数据，相似度评价采用以下方式：
建立相似度评价函数Θ，
Figure BDA0003035814250000131
w1、w2...w5表示权重系数，δ表示选取历史数据所属车辆的其他路段历史数据与相同路段下自车数据的误差，
Figure BDA0003035814250000132
表示选取历史数据与自车进入该路段初始车速的误差，etyp表示选取历史数据所属车辆类型与自车类型的误差，etyp有两种表达方式，车辆类型完全一致和车辆类型完全不一致，ewth表示选取历史数据的天气数据与自车当前天气数据误差，w1是w1、w2...w5中的最大值；
车辆类型包括：动力结构、车辆参数、车辆所属厂牌和/或车辆型号。
天气数据包括：温度、湿度、风力和/或天气状况，天气状况包括：晴天、阴天、雨天和雪天。
利用相似度评价函数Θ筛选出与自车前方未知路段场景最匹配的车辆数据，包括：
S1.1，选取该历史数据所属车辆n个路段之前路段的历史数据，同时调用自车在该n个路段中的历史数据进行主成分分析，获得主成分变量；主成分分析包括：
对每段路况中的原始参数进行线性组合，构造出相互正交的新参数作为主成分，原始参数包括车辆运动学参数和车辆性能参数；
车辆运动学参数包括：平均车速、最大车速、车速标准差、平均加速度、最大加速度、加速度标准差和/或急缓加减速时间占比；
车辆性能参数包括：油耗、排放数据、发动机功率和/或电功率；
S1.2，选取p个原始参数变量线性组合得到m个主成分变量，m＜p，包括：
p个原始参数X1、X2......XP采用以下线性组合公式获得m个主成分变量F1、F2......Fm；
Figure BDA0003035814250000141
上述线性组合应满足以下条件；
1)每个主成分系数平方和为1；
2)每个主成分相互独立；
3)主成分方差依次递减。
S1.3，根据需求在m个主成分变量中选出自车和选取车辆的多组主成分变量，进行自车和选取车辆数据比较；将该m个主成分变量计算方差，按方差从大至小依次排列投影到坐标系统中，根据需求从大至小依次根据需求选择多组主成分变量；并且，选出自车和选取车辆的多组主成分变量应满足以下条件；
Figure BDA0003035814250000142
S1表示根据需求选出多组主成分变量的特征值贡献率之和，S2表示m个主成分变量特征值贡献率之和；
S1.4，将自车和选取车辆数据利用距离函数进行比较，获得满足指定判断条件的λ组选取车辆数据，距离函数包括：
Figure BDA0003035814250000143
Fij'表示选取数据在第i组路段的第j个主成分变量，Fij表示自车数据在第i组路段的第j个主成分变量，q表示从m个主成分变量中选择贡献率由大至小顺序排列的q个主成分变量；指定判断条件为Γ≤Γini+Γextra，Γini表示初始阈值，Γextra表示附加阈值；
S1.5，通过Θopt＝min(Θ1、Θ2...Θλ)，获得与自车前方未知路段场景匹配的车辆数据；
S2，提取该最匹配的历史车辆数据中阻力项Ff和车速v；
S3，形成阻力项和车速的二次函数Ff-v；
S4，选用指定数据组的Ff-v曲线中的n个数据点，计算n个数据点的阻力项Ffs，联合求解确定Ffs的各项系数；
S5，将确定各项系数代入Ff-v曲线，获得预测自车阻力。
可选择的对上述第二实施例进一步改进，增加利用成分系数递减法和/或反距离加权平均法，对Θopt进一步筛选的步骤后再执行步骤S2。
第三实施例；
本发明提供一种车辆前方未知路段阻力预测方法，包括以下步骤：
S1，在历史数据中通过相似度评价筛选历史数据，将相似度最高历史数据作为与自车前方未知路段场景最匹配的历史车辆数据，相似度评价采用以下方式：
建立相似度评价函数Θ，
Figure BDA0003035814250000151
w1、w2...w5表示权重系数，δ表示选取历史数据所属车辆的其他路段历史数据与相同路段下自车数据的误差，
Figure BDA0003035814250000152
表示选取历史数据与自车进入该路段初始车速的误差，etyp表示选取历史数据所属车辆类型与自车类型的误差，etyp有两种表达方式，车辆类型完全一致和车辆类型完全不一致，ewth表示选取历史数据的天气数据与自车当前天气数据误差，w1是w1、w2...w5中的最大值；
车辆类型包括：动力结构、车辆参数、车辆所属厂牌和/或车辆型号。
天气数据包括：温度、湿度、风力和/或天气状况，天气状况包括：晴天、阴天、雨天和雪天。
利用相似度评价函数Θ筛选出与自车前方未知路段场景最匹配的车辆数据，包括：
S1.1，选取该历史数据所属车辆n个路段之前路段的历史数据，同时调用自车在该n个路段中的历史数据进行主成分分析，获得主成分变量；主成分分析包括：
对每段路况中的原始参数进行线性组合，构造出相互正交的新参数作为主成分，原始参数包括车辆运动学参数和车辆性能参数；
车辆运动学参数包括：平均车速、最大车速、车速标准差、平均加速度、最大加速度、加速度标准差和/或急缓加减速时间占比；
车辆性能参数包括：油耗、排放数据、发动机功率和/或电功率；
S1.2，选取p个原始参数变量线性组合得到m个主成分变量，m＜p，包括：
p个原始参数X1、X2......XP采用以下线性组合公式获得m个主成分变量F1、F2......Fm；
Figure BDA0003035814250000161
上述线性组合应满足以下条件；
1)每个主成分系数平方和为1；
2)每个主成分相互独立；
3)主成分方差依次递减。
S1.3，根据需求在m个主成分变量中选出自车和选取车辆的多组主成分变量，进行自车和选取车辆数据比较；将该m个主成分变量计算方差，按方差从大至小依次排列投影到坐标系统中，根据需求从大至小依次根据需求选择多组主成分变量；并且，选出自车和选取车辆的多组主成分变量应满足以下条件；
Figure BDA0003035814250000162
S1表示根据需求选出多组主成分变量的特征值贡献率之和，S2表示m个主成分变量特征值贡献率之和；
S1.4，将自车和选取车辆数据利用距离函数进行比较，获得满足指定判断条件的λ组选取车辆数据，距离函数包括：
Figure BDA0003035814250000163
Fij'表示选取数据在第i组路段的第j个主成分变量，Fij表示自车数据在第i组路段的第j个主成分变量，q表示从m个主成分变量中选择贡献率由大至小顺序排列的q个主成分变量；指定判断条件为Γ≤Γini+Γextra，Γini表示初始阈值，Γextra表示附加阈值；
S1.5，通过Θopt＝min(Θ1、Θ2...Θλ)，获得与自车前方未知路段场景匹配的车辆数据；
S2，提取该最匹配的历史车辆数据中阻力项Ff和车速v，阻力项Ff表示去除坡道阻力的滑行阻力；
S3，形成阻力项和车速的二次函数Ff-v：Ff＝k2v2+k1v+k0，k2、k1和k0是常数项，二次函数Ff-v中k2v2表达空气阻力，k1v+k0表达滚动阻力；
S4，选用指定数据组的Ff-v曲线中的n个数据点，计算n个数据点的阻力项Ffs，联合求解确定Ffs的各项系数；通过二次回归的拟合，基于其最小偏差准则获得所述指定数据组，确定Ffs的各项系数包括：
S4.1，选取指定数据组Ff-v曲线的n个数据点(x1,y1),(x2,y2),(x3,y3)......(xn,yn)，使拟合后的曲线满足到这些控制点的垂直距离的平方和最小；
S4.2，构造三元二次多项式函数
Figure BDA0003035814250000171
Ffs表示指定数据组的阻力项；构造此多项式函数的目的是找到一组k2、k1和k0，使得在n个车速点的阻力项与真实数据中的阻力项差距最小，即拟合后最贴近真实情况；
S4.3，分别对S求k2、k1和k0的偏导函数，并令它们等于零获得k2、k1和k0未知数的三元一次方程；
Figure BDA0003035814250000172
Figure BDA0003035814250000173
Figure BDA0003035814250000174
S4.4，求解该三元一次方程，若获得唯一解，则获得S最小值；若无解，表示S不存在最小值，则重新选取n个数据点再次计算，直至获得常数项k2、k1和k0；
S5，将确定各项系数代入Ff-v曲线，通过k2、k1和k0获得前方未知路段的预测滚动阻力和预测空气阻力；
可选择的对上述第三实施例进一步改进，增加利用成分系数递减法和/或反距离加权平均法，对Θopt进一步筛选的步骤后再执行步骤S2。
第四实施例；
本发明提供一种用于执行第一实施例～第三实施例任意一项所述车辆前方未知路段阻力预测方法中步骤的计算机可读存储介质。
第五实施例；
本发明提供一种用于执行第一实施例～第三实施例任意一项所述车辆前方未知路段阻力预测方法的控制器。
第六实施例；
本发明提供一种车辆前方未知路段阻力预测系统，包括：
通信模块，其基于车联网连接云端服务器，用于执行自车和云端服务器数据交互；
环境感知模块，其用于感知自车前方未知路段场景发送至控制器；
云端服务器，其在历史数据中筛选出与自车前方未知路段场景最匹配的历史车辆数据，提取该最匹配的历史车辆数据中阻力项Ff和车速v形成阻力项和车速的二次函数Ff-v，选用指定数据组的Ff-v曲线中的n个数据点，计算n个数据点的阻力项Ffs，联合求解确定Ffs的各项系数，将确定各项系数代入Ff-v曲线，获得预测前方未知路段自车阻力发送至通信模块；
控制器，其用于调取自车传感器采集的前方道路阻力计算参数发送至云端服务器，其用于接收云端服务器计算的前方未知路段阻力发送至自车执行机构。
第七实施例；
本发明提供一种车辆前方未知路段阻力预测系统，包括：
通信模块，其基于车联网连接云端服务器，用于执行自车和云端服务器数据交互；
环境感知模块，其用于感知自车前方未知路段场景发送至控制器；
云端服务器，其通过相似度评价筛选历史数据，将相似度最高历史数据作为与自车前方未知路段场景最匹配的历史车辆数据，提取该最匹配的历史车辆数据中阻力项Ff和车速v形成阻力项和车速的二次函数Ff-v，选用指定数据组的Ff-v曲线中的n个数据点，计算n个数据点的阻力项Ffs，联合求解确定Ffs的各项系数，将确定各项系数代入Ff-v曲线，获得预测前方未知路段自车阻力发送至通信模块；
控制器，其用于调取自车传感器采集的前方道路阻力计算参数发送至云端服务器，其用于接收云端服务器计算的前方未知路段阻力发送至自车执行机构。
相似度评价包括，建立相似度评价函数Θ，
Figure BDA0003035814250000191
w1、w2...w5表示权重系数，δ表示选取历史数据所属车辆的其他路段历史数据与相同路段下自车数据的误差，
Figure BDA0003035814250000192
表示选取历史数据与自车进入该路段初始车速的误差，etyp表示选取历史数据所属车辆类型与自车类型的误差，etyp有两种表达方式，车辆类型完全一致和车辆类型完全不一致，ewth表示选取历史数据的天气数据与自车当前天气数据误差，w1是w1、w2...w5中的最大值。
车辆类型包括：动力结构、车辆参数、车辆所属厂牌和/或车辆型号；
天气数据包括：温度、湿度、风力和/或天气状况，天气状况包括：晴天、阴天、雨天和雪天。
云端服务器利用相似度评价函数Θ筛选出与自车前方未知路段场景最匹配的车辆数据，包括：
S1.1，选取该历史数据所属车辆n个路段之前路段的历史数据，同时调用自车在该n个路段中的历史数据进行主成分分析，执行主成分分析包括：对每段路况中的原始参数进行线性组合，构造出相互正交的新参数作为主成分，获得主成分变量；
S1.2，选取p个原始参数变量线性组合得到m个主成分变量，m＜p，包括：
p个原始参数X1、X2......XP采用以下线性组合公式获得m个主成分变量F1、F2......Fm；
Figure BDA0003035814250000201
上述线性组合应满足以下条件；
1)每个主成分系数平方和为1；
2)每个主成分相互独立；
3)主成分方差依次递减。
S1.3，根据需求在m个主成分变量中选出自车和选取车辆的多组主成分变量，进行自车和选取车辆数据比较；将该m个主成分变量计算方差，按方差从大至小依次排列投影到坐标系统中，根据需求从大至小依次根据需求选择多组主成分变量；并且，选出自车和选取车辆的多组主成分变量应满足以下条件；
Figure BDA0003035814250000202
S1表示根据需求选出多组主成分变量的特征值贡献率之和，S2表示m个主成分变量特征值贡献率之和；
S1.4，将自车和选取车辆数据利用距离函数进行比较，获得满足指定判断条件的λ组选取车辆数据，距离函数包括：
Figure BDA0003035814250000203
Fij'表示选取数据在第i组路段的第j个主成分变量，Fij表示自车数据在第i组路段的第j个主成分变量，q表示从m个主成分变量中选择贡献率由大至小顺序排列的q个主成分变量；指定判断条件为Γ≤Γini+Γextra，Γini表示初始阈值，Γextra表示附加阈值；
S1.5，通过Θopt＝min(Θ1、Θ2...Θλ)，获得与自车前方未知路段场景匹配的车辆数据；
原始参数包括车辆运动学参数和车辆性能参数；
车辆运动学参数包括：平均车速、最大车速、车速标准差、平均加速度、最大加速度、加速度标准差和/或急缓加减速时间占比；
车辆性能参数包括：油耗、排放数据、发动机功率和/或电功率。
可选择的进一步改进第七实施例利用成分系数递减法和/或反距离加权平均法，对Θopt进一步筛选。
第八实施例；
本发明提供一种车辆前方未知路段阻力预测系统，包括：
通信模块，其基于车联网连接云端服务器，用于执行自车和云端服务器数据交互；
环境感知模块，其用于感知自车前方未知路段场景发送至控制器；
控制器，其用于调取自车传感器采集的前方道路阻力计算参数发送至云端服务器，其用于接收云端服务器计算的前方未知路段阻力发送至自车执行机构；
云端服务器，其通过相似度评价筛选历史数据，将相似度最高历史数据作为与自车前方未知路段场景最匹配的历史车辆数据，提取该最匹配的历史车辆数据中阻力项Ff和车速v形成阻力项和车速的二次函数Ff-v，选用指定数据组的Ff-v曲线中的n个数据点，计算n个数据点的阻力项Ffs，联合求解确定Ffs的各项系数，将确定各项系数代入Ff-v曲线，获得预测前方未知路段自车阻力发送至通信模块，详细执行过程如下；
相似度评价包括，建立相似度评价函数Θ，
Figure BDA0003035814250000211
w1、w2...w5表示权重系数，δ表示选取历史数据所属车辆的其他路段历史数据与相同路段下自车数据的误差，
Figure BDA0003035814250000212
表示选取历史数据与自车进入该路段初始车速的误差，etyp表示选取历史数据所属车辆类型与自车类型的误差，etyp有两种表达方式，车辆类型完全一致和车辆类型完全不一致，ewth表示选取历史数据的天气数据与自车当前天气数据误差，w1是w1、w2...w5中的最大值。
车辆类型包括：动力结构、车辆参数、车辆所属厂牌和/或车辆型号；
天气数据包括：温度、湿度、风力和/或天气状况，天气状况包括：晴天、阴天、雨天和雪天。
云端服务器利用相似度评价函数Θ筛选出与自车前方未知路段场景最匹配的车辆数据，包括：
S1.1，选取该历史数据所属车辆n个路段之前路段的历史数据，同时调用自车在该n个路段中的历史数据进行主成分分析，执行主成分分析包括：对每段路况中的原始参数进行线性组合，构造出相互正交的新参数作为主成分，获得主成分变量；
S1.2，选取p个原始参数变量线性组合得到m个主成分变量，m＜p，包括：
p个原始参数X1、X2......XP采用以下线性组合公式获得m个主成分变量F1、F2......Fm；
Figure BDA0003035814250000221
上述线性组合应满足以下条件；
1)每个主成分系数平方和为1；
2)每个主成分相互独立；
3)主成分方差依次递减。
S1.3，根据需求在m个主成分变量中选出自车和选取车辆的多组主成分变量，进行自车和选取车辆数据比较；将该m个主成分变量计算方差，按方差从大至小依次排列投影到坐标系统中，根据需求从大至小依次根据需求选择多组主成分变量；并且，选出自车和选取车辆的多组主成分变量应满足以下条件；
Figure BDA0003035814250000222
S1表示根据需求选出多组主成分变量的特征值贡献率之和，S2表示m个主成分变量特征值贡献率之和；
S1.4，将自车和选取车辆数据利用距离函数进行比较，获得满足指定判断条件的λ组选取车辆数据，距离函数包括：
Figure BDA0003035814250000231
F’ij表示选取数据在第i组路段的第j个主成分变量，Fij表示自车数据在第i组路段的第j个主成分变量，q表示从m个主成分变量中选择贡献率由大至小顺序排列的q个主成分变量；指定判断条件为Γ≤Γini+Γextra，Γini表示初始阈值，Γextra表示附加阈值；
S1.5，通过Θopt＝min(Θ1、Θ2...Θλ)，获得与自车前方未知路段场景匹配的车辆数据；
原始参数包括车辆运动学参数和车辆性能参数；
车辆运动学参数包括：平均车速、最大车速、车速标准差、平均加速度、最大加速度、加速度标准差和/或急缓加减速时间占比；
车辆性能参数包括：油耗、排放数据、发动机功率和/或电功率。
云端服务器提取该最匹配的历史车辆数据中阻力项Ff和车速v，阻力项Ff表示去除坡道阻力的滑行阻力；
形成阻力项和车速的二次函数Ff-v：Ff＝k2v2+k1v+k0，k2、k1和k0是常数项，二次函数Ff-v中k2v2表达空气阻力，k1v+k0表达滚动阻力；
选用指定数据组的Ff-v曲线中的n个数据点，计算n个数据点的阻力项Ffs，联合求解确定Ffs的各项系数；通过二次回归的拟合，基于其最小偏差准则获得所述指定数据组，确定Ffs的各项系数包括：
选取指定数据组Ff-v曲线的n个数据点(x1,y1),(x2,y2),(x3,y3)......(xn,yn)，使拟合后的曲线满足到这些控制点的垂直距离的平方和最小；
构造三元二次多项式函数
Figure BDA0003035814250000232
Ffs表示指定数据组的阻力项；构造此多项式函数的目的是找到一组k2、k1和k0，使得在n个车速点的阻力项与真实数据中的阻力项差距最小，即拟合后最贴近真实情况；
分别对S求k2、k1和k0的偏导函数，并令它们等于零获得k2、k1和k0未知数的三元一次方程；
Figure BDA0003035814250000241
Figure BDA0003035814250000242
Figure BDA0003035814250000243
求解该三元一次方程，若获得唯一解，则获得S最小值；若无解，表示S不存在最小值，则重新选取n个数据点再次计算，直至获得常数项k2、k1和k0；
将确定各项系数代入Ff-v曲线，通过k2、k1和k0获得前方未知路段的预测滚动阻力和预测空气阻力。
可选择的进一步改进第八实施例利用成分系数递减法和/或反距离加权平均法，对Θopt进一步筛选。
第九实施例；
本发明提供一种具有第六实施例～第八实施例任意一项所述的车辆前方未知路段阻力预测系统，所述通信模块是T-BOX，所述环境感知模块包括雷达、摄像头和/或GPS模块，所述控制器能集成于ECU。
可选择的进一步改进第八实施例利用成分系数递减法和/或反距离加权平均法，对Θopt进一步筛选。
除非另有定义，否则这里所使用的全部术语(包括技术术语和科学术语)都具有与本发明所属领域的普通技术人员通常理解的意思相同的意思。还将理解的是，除非这里明确定义，否则诸如在通用字典中定义的术语这类术语应当被解释为具有与它们在相关领域语境中的意思相一致的意思，而不以理想的或过于正式的含义加以解释。
以上通过具体实施方式和实施例对本发明进行了详细的说明，但这些并非构成对本发明的限制。在不脱离本发明原理的情况下，本领域的技术人员还可做出许多变形和改进，这些也应视为本发明的保护范围。

Claims (55)

1.一种车辆前方未知路段阻力预测方法，其特征在于，包括以下步骤：
S1，在历史数据中筛选出与自车前方未知路段场景最匹配的历史车辆数据；
S2，提取该最匹配的历史车辆数据中阻力项Ff和车速v；
S3，形成阻力项和车速的二次函数Ff-v；
S4，选用指定数据组的Ff-v曲线中的n个数据点，计算n个数据点的阻力项Ffs，联合求解确定Ffs的各项系数；
S5，将确定各项系数代入Ff-v曲线，获得预测自车阻力。
2.如权利要求1所述的车辆前方未知路段阻力预测方法，其特征在于：通过相似度评价筛选历史数据，将相似度最高历史数据作为与自车前方未知路段场景最匹配的历史车辆数据。
3.如权利要求2所述的车辆前方未知路段阻力预测方法，其特征在于，相似度评价采用以下方式：
建立相似度评价函数Θ，
Figure RE-FDA0003125622240000011
w1、w2...w5表示权重系数，δ表示选取历史数据所属车辆的其他路段历史数据与相同路段下自车数据的误差，
Figure RE-FDA0003125622240000012
表示选取历史数据与自车进入该路段初始车速的误差，etyp表示选取历史数据所属车辆类型与自车类型的误差，ewth表示选取历史数据的天气数据与自车当前天气数据误差。
4.如权利要求3所述的车辆前方未知路段阻力预测方法，其特征在于：w1是w1、w2...w5中的最大值。
5.如权利要求3所述的车辆前方未知路段阻力预测方法，其特征在于，车辆类型包括：动力结构、车辆参数、车辆所属厂牌和/或车辆型号。
6.如权利要求5所述的车辆前方未知路段阻力预测方法，其特征在于：etyp有两种表达方式，车辆类型完全一致和车辆类型完全不一致。
7.如权利要求3所述的车辆前方未知路段阻力预测方法，其特征在于，天气数据包括：温度、湿度、风力和/或天气状况。
8.如权利要求7所述的车辆前方未知路段阻力预测方法，其特征在于，天气状况包括：晴天、阴天、雨天和雪天。
9.如权利要求3所述的车辆前方未知路段阻力预测方法，其特征在于，利用相似度评价函数Θ筛选出与自车前方未知路段场景最匹配的车辆数据，包括：
S1.1，选取该历史数据所属车辆n个路段之前路段的历史数据，同时调用自车在该n个路段中的历史数据进行主成分分析，获得主成分变量；
S1.2，选取p个原始参数变量线性组合得到m个主成分变量，m＜p；
S1.3，根据需求在m个主成分变量中选出自车和选取车辆的多组主成分变量，进行自车和选取车辆数据比较；
S1.4，获得满足指定判断条件的λ组选取车辆数据；
S1.5，通过Θopt＝min(Θ1、Θ2...Θλ)，获得与自车前方未知路段场景匹配的车辆数据。
10.如权利要求9所述的车辆前方未知路段阻力预测方法，其特征在于，主成分分析包括：
对每段路况中的原始参数进行线性组合，构造出相互正交的新参数作为主成分。
11.如权利要求10所述的车辆前方未知路段阻力预测方法，其特征在于，原始参数包括车辆运动学参数和车辆性能参数。
12.如权利要求11所述的车辆前方未知路段阻力预测方法，其特征在于：
车辆运动学参数包括：平均车速、最大车速、车速标准差、平均加速度、最大加速度、加速度标准差和/或急缓加减速时间占比；
车辆性能参数包括：油耗、排放数据、发动机功率和/或电功率。
13.如权利要求9所述的车辆前方未知路段阻力预测方法，其特征在于：采用以下线性组合构造主成分变量；
p个原始参数X1、X2......XP采用以下线性组合公式获得m个主成分变量F1、F2......Fm；
Figure RE-FDA0003125622240000031
14.如权利要求9所述的车辆前方未知路段阻力预测方法，其特征在于，选出自车和选取车辆的多组主成分变量采用以下方式；
将该m个主成分变量计算方差，按方差从大至小依次排列投影到坐标系统中，根据需求从大至小依次选择多组主成分变量。
15.如权利要求13所述的车辆前方未知路段阻力预测方法，其特征在于，线性组合应满足以下条件；
1)每个主成分系数平方和为1；
2)每个主成分相互独立；
3)主成分方差依次递减。
16.如权利要求14所述的车辆前方未知路段阻力预测方法，其特征在于：选出自车和选取车辆的多组主成分变量应满足以下条件；
Figure RE-FDA0003125622240000032
S1表示根据需求选出多组主成分变量的特征值贡献率之和，S2表示m个主成分变量特征值贡献率之和。
17.如权利要求9所述的车辆前方未知路段阻力预测方法，其特征在于，自车和选取车辆数据利用距离函数进行比较，获得λ组选取车辆数据。
18.如权利要求17所述的车辆前方未知路段阻力预测方法，其特征在于，距离函数包括：
Figure RE-FDA0003125622240000033
F′ij表示选取数据在第i组路段的第j个主成分变量，Fij表示自车数据在第i组路段的第j个主成分变量，q表示从m个主成分变量中选择贡献率由大至小顺序排列的q个主成分变量。
19.如权利要求18所述的车辆前方未知路段阻力预测方法，其特征在于：指定判断条件为Γ≤Γini+Γextra，Γini表示初始阈值，Γextra表示附加阈值。
20.如权利要求17所述的车辆前方未知路段阻力预测方法，其特征在于，还包括：利用成分系数递减法和/或反距离加权平均法，对Θopt进一步筛选。
21.如权利要求1所述的车辆前方未知路段阻力预测方法，其特征在于：阻力项Ff表示去除坡道阻力的滑行阻力。
22.如权利要求1所述的车辆前方未知路段阻力预测方法，其特征在于：二次函数Ff-v表达式为，Ff＝k2v2+k1v+k0，k2、k1和k0是常数项。
23.如权利要求1所述的车辆前方未知路段阻力预测方法，其特征在于：
二次函数Ff-v中k2v2表达空气阻力，k1v+k0表达滚动阻力。
24.如权利要求1所述的车辆前方未知路段阻力预测方法，其特征在于：
通过二次回归的拟合，基于其最小偏差准则获得所述指定数据组。
25.如权利要求24所述的车辆前方未知路段阻力预测方法，其特征在于，确定Ffs的各项系数包括：
S4.1，选取指定数据组Ff-v曲线的n个数据点(x1,y1),(x2,y2),(x3,y3)......(xn,yn)；
S4.2，构造多项式函数，
Figure RE-FDA0003125622240000041
Ffs表示指定数据组的阻力项；
S4.3，分别对S求k2、k1和k0的偏导函数，并令它们等于零获得k2、k1和k0未知数的三元一次方程；
S4.4，求解该三元一次方程，若获得唯一解，则获得S最小值；若无解，表示S不存在最小值，则重新选取n个数据点再次计算，直至获得常数项k2、k1和k0。
26.如权利要求25所述的车辆前方未知路段阻力预测方法，其特征在于：通过k2、k1和k0获得前方未知路段的预测滚动阻力和预测空气阻力。
27.一种用于执行权利要求1-26任意一项所述车辆前方未知路段阻力预测方法中步骤的计算机可读存储介质。
28.一种用于执行权利要求1-26任意一项所述车辆前方未知路段阻力预测方法的控制器。
29.一种车辆前方未知路段阻力预测系统，其特征在于，包括：
通信模块，其基于车联网连接云端服务器，用于执行自车和云端服务器数据交互；
环境感知模块，其用于感知自车前方未知路段场景发送至控制器；
云端服务器，其在历史数据中筛选出与自车前方未知路段场景最匹配的历史车辆数据，提取该最匹配的历史车辆数据中阻力项Ff和车速v形成阻力项和车速的二次函数Ff-v，选用指定数据组的Ff-v曲线中的n个数据点，计算n个数据点的阻力项Ffs，联合求解确定Ffs的各项系数，将确定各项系数代入Ff-v曲线，获得预测前方未知路段自车阻力发送至通信模块；
控制器，其用于调取自车传感器采集的前方道路阻力计算参数发送至云端服务器，其用于接收云端服务器计算的前方未知路段阻力发送至自车执行机构。
30.如权利要求29所述的车辆前方未知路段阻力预测系统，其特征在于：云端服务器通过相似度评价筛选历史数据，将相似度最高历史数据作为与自车前方未知路段场景最匹配的历史车辆数据。
31.如权利要求30所述的车辆前方未知路段阻力预测系统，其特征在于：云端服务器采用以下方式进行相似度评价；
建立相似度评价函数Θ，
Figure RE-FDA0003125622240000051
w1、w2...w5表示权重系数，δ表示选取历史数据所属车辆的其他路段历史数据与相同路段下自车数据的误差，
Figure RE-FDA0003125622240000052
表示选取历史数据与自车进入该路段初始车速的误差，etyp表示选取历史数据所属车辆类型与自车类型的误差，ewth表示选取历史数据的天气数据与自车当前天气数据误差。
32.如权利要求31所述的车辆前方未知路段阻力预测系统，其特征在于：w1是w1、w2...w5中的最大值。
33.如权利要求31所述的车辆前方未知路段阻力预测系统，其特征在于，车辆类型包括：动力结构、车辆参数、车辆所属厂牌和/或车辆型号。
34.如权利要求31所述的车辆前方未知路段阻力预测系统，其特征在于：etyp有两种表达方式，车辆类型完全一致和车辆类型完全不一致。
35.如权利要求31所述的车辆前方未知路段阻力预测系统，其特征在于，天气数据包括：温度、湿度、风力和/或天气状况。
36.如权利要求35所述的车辆前方未知路段阻力预测系统，其特征在于，天气状况包括：晴天、阴天、雨天和雪天。
37.如权利要求35所述的车辆前方未知路段阻力预测系统，其特征在于，云端服务器利用相似度评价函数Θ筛选出与自车前方未知路段场景最匹配的车辆数据，包括：
S1.1，选取该历史数据所属车辆n个路段之前路段的历史数据，同时调用自车在该n个路段中的历史数据进行主成分分析，获得主成分变量；
S1.2，选取p个原始参数变量线性组合得到m个主成分变量，m＜p；
S1.3，根据需求在m个主成分变量中选出自车和选取车辆的多组主成分变量，进行自车和选取车辆数据比较；
S1.4，获得满足指定判断条件的λ组选取车辆数据；
S1.5，通过Θopt＝min(Θ1、Θ2...Θλ)，获得与自车前方未知路段场景匹配的车辆数据。
38.如权利要求37所述的车辆前方未知路段阻力预测系统，其特征在于，云端服务器执行主成分分析包括：
对每段路况中的原始参数进行线性组合，构造出相互正交的新参数作为主成分。
39.如权利要求38所述的车辆前方未知路段阻力预测系统，其特征在于，原始参数包括车辆运动学参数和车辆性能参数。
40.如权利要求39所述的车辆前方未知路段阻力预测系统，其特征在于：
车辆运动学参数包括：平均车速、最大车速、车速标准差、平均加速度、最大加速度、加速度标准差和/或急缓加减速时间占比；
车辆性能参数包括：油耗、排放数据、发动机功率和/或电功率。
41.如权利要求37所述的车辆前方未知路段阻力预测系统，其特征在于：采用以下线性组合构造主成分变量；
p个原始参数X1、X2......XP采用以下线性组合公式获得m个主成分变量F1、F2......Fm；
Figure RE-FDA0003125622240000071
42.如权利要求37所述的车辆前方未知路段阻力预测系统，其特征在于，选出自车和选取车辆的多组主成分变量采用以下方式；
将该m个主成分变量计算方差，按方差从大至小依次排列投影到坐标系统中，根据需求从大至小依次选择多组主成分变量。
43.如权利要求41所述的车辆前方未知路段阻力预测系统，其特征在于，线性组合应满足以下条件；
1)每个主成分系数平方和为1；
2)每个主成分相互独立；
3)主成分方差依次递减。
44.如权利要求42所述的车辆前方未知路段阻力预测系统，其特征在于：选出自车和选取车辆的多组主成分变量应满足以下条件；
Figure RE-FDA0003125622240000072
S1表示根据需求选出多组主成分变量的特征值贡献率之和，S2表示m个主成分变量特征值贡献率之和。
45.如权利要求37所述的车辆前方未知路段阻力预测系统，自车和选取车辆数据利用距离函数进行比较，获得λ组选取车辆数据。
46.如权利要求45所述的车辆前方未知路段阻力预测系统，其特征在于，距离函数包括：
Figure RE-FDA0003125622240000081
F′ij表示选取数据在第i组路段的第j个主成分变量，Fij表示自车数据在第i组路段的第j个主成分变量，q表示从m个主成分变量中选择贡献率由大至小顺序排列的q个主成分变量。
47.如权利要求46所述的车辆前方未知路段阻力预测系统，其特征在于：指定判断条件为Γ≤Γini+Γextra，Γini表示初始阈值，Γextra表示附加阈值。
48.如权利要求45所述的车辆前方未知路段阻力预测系统，其特征在于，还包括：利用成分系数递减法和/或反距离加权平均法，对Θopt进一步筛选。
49.如权利要求29所述的车辆前方未知路段阻力预测系统，其特征在于：阻力项Ff表示去除坡道阻力的滑行阻力。
50.如权利要求29所述的车辆前方未知路段阻力预测系统，其特征在于：二次函数Ff-v表达式为，Ff＝k2v2+k1v+k0，k2、k1和k0是常数项。
51.如权利要求29所述的车辆前方未知路段阻力预测系统，其特征在于：二次函数Ff-v中k2v2表达空气阻力，k1v+k0表达滚动阻力。
52.如权利要求29所述的车辆前方未知路段阻力预测系统，其特征在于：通过二次回归的拟合，基于其最小偏差准则获得所述指定数据组。
53.如权利要求52所述的车辆前方未知路段阻力预测系统，其特征在于，确定Ffs的各项系数包括：
S4.1，选取指定数据组Ff-v曲线的n个数据点(x1,y1),(x2,y2),(x3,y3)......(xn,yn)；
S4.2，构造多项式函数，
Figure RE-FDA0003125622240000082
Ffs表示指定数据组的阻力项；
S4.3，分别对S求k2、k1和k0的偏导函数，并令它们等于零获得k2、k1和k0未知数的三元一次方程；
S4.4，求解该三元一次方程，若获得唯一解，则获得S最小值；若无解，表示S不存在最小值，则重新选取n个数据点再次计算，直至获得常数项k2、k1和k0。
54.如权利要求53所述的车辆前方未知路段阻力预测系统，其特征在于：通过k2、k1和k0获得前方未知路段的预测滚动阻力和预测空气阻力。
55.如权利要求29-54任意一项所述的车辆前方未知路段阻力预测系统，其特征在于：所述通信模块是T-BOX，所述环境感知模块包括雷达、摄像头和/或GPS模块，所述控制器能集成于ECU。
CN202110442835.2A 2021-04-23 2021-04-23 车辆前方未知路段阻力预测方法、存储介质、控制器和系统 Pending CN113267345A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110442835.2A CN113267345A (zh) 2021-04-23 2021-04-23 车辆前方未知路段阻力预测方法、存储介质、控制器和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110442835.2A CN113267345A (zh) 2021-04-23 2021-04-23 车辆前方未知路段阻力预测方法、存储介质、控制器和系统

Publications (1)

Publication Number Publication Date
CN113267345A true CN113267345A (zh) 2021-08-17

Family

ID=77229260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110442835.2A Pending CN113267345A (zh) 2021-04-23 2021-04-23 车辆前方未知路段阻力预测方法、存储介质、控制器和系统

Country Status (1)

Country Link
CN (1) CN113267345A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080115563A1 (en) * 2006-11-20 2008-05-22 Potts Gerald R Methods and systems for measurement of tire rolling resistance
CN103648879A (zh) * 2011-06-27 2014-03-19 斯堪尼亚商用车有限公司 车辆的行进阻力的确定方法
SE1350172A1 (sv) * 2013-02-14 2014-08-15 Scania Cv Ab Samtidig skattning av åtminstone massa och rullmotstånd
JP2016090267A (ja) * 2014-10-30 2016-05-23 横浜ゴム株式会社 走行抵抗算出方法、走行抵抗計測方法、及び走行抵抗算出装置
DE102015009567A1 (de) * 2015-07-23 2017-01-26 Audi Ag Prädiktion der benötigten Antriebsleistung im Kraftfahrzeug
CN107229801A (zh) * 2017-06-12 2017-10-03 吉林大学 轮胎滚动阻力系数在线辨识方法
CN109767619A (zh) * 2018-12-29 2019-05-17 江苏大学 一种智能网联纯电动汽车行驶工况预测方法
DE102018210715A1 (de) * 2018-06-29 2020-01-02 Zf Friedrichshafen Ag Verfahren zur Adaption eines Wertes zumindest eines Fahrwiderstandsparameters
CN111009134A (zh) * 2019-11-25 2020-04-14 北京理工大学 一种基于前车与自车互动的短期车速工况实时预测方法
CN111024404A (zh) * 2018-10-09 2020-04-17 上海汽车集团股份有限公司 一种车辆道路阻力的测量方法、装置、设备及系统
CN112455422A (zh) * 2019-09-06 2021-03-09 现代自动车株式会社 混合动力车辆及其行驶控制方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080115563A1 (en) * 2006-11-20 2008-05-22 Potts Gerald R Methods and systems for measurement of tire rolling resistance
CN103648879A (zh) * 2011-06-27 2014-03-19 斯堪尼亚商用车有限公司 车辆的行进阻力的确定方法
SE1350172A1 (sv) * 2013-02-14 2014-08-15 Scania Cv Ab Samtidig skattning av åtminstone massa och rullmotstånd
JP2016090267A (ja) * 2014-10-30 2016-05-23 横浜ゴム株式会社 走行抵抗算出方法、走行抵抗計測方法、及び走行抵抗算出装置
DE102015009567A1 (de) * 2015-07-23 2017-01-26 Audi Ag Prädiktion der benötigten Antriebsleistung im Kraftfahrzeug
CN107229801A (zh) * 2017-06-12 2017-10-03 吉林大学 轮胎滚动阻力系数在线辨识方法
DE102018210715A1 (de) * 2018-06-29 2020-01-02 Zf Friedrichshafen Ag Verfahren zur Adaption eines Wertes zumindest eines Fahrwiderstandsparameters
CN111024404A (zh) * 2018-10-09 2020-04-17 上海汽车集团股份有限公司 一种车辆道路阻力的测量方法、装置、设备及系统
CN109767619A (zh) * 2018-12-29 2019-05-17 江苏大学 一种智能网联纯电动汽车行驶工况预测方法
CN112455422A (zh) * 2019-09-06 2021-03-09 现代自动车株式会社 混合动力车辆及其行驶控制方法
CN111009134A (zh) * 2019-11-25 2020-04-14 北京理工大学 一种基于前车与自车互动的短期车速工况实时预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
周荣宽 等: "基于道路试验的电动汽车滑行阻力系数分析", 汽车技术, no. 04, 24 April 2015 (2015-04-24) *
李晓甫 等: "汽车行驶阻力模型参数的确定", 汽车工程, no. 08, 25 August 2011 (2011-08-25) *
王甲 等: "汽车道路阻力测算方法研究", 北京汽车, no. 05, 25 October 2018 (2018-10-25) *
陈耀琦;周维;张维刚;: "基于动态规划的电动汽车最佳驾驶决策分析", 控制与信息技术, no. 06 *

Similar Documents

Publication Publication Date Title
CN111452619B (zh) 电动车辆在线能耗预测方法及系统
Xing et al. Energy oriented driving behavior analysis and personalized prediction of vehicle states with joint time series modeling
CN107958269A (zh) 一种基于隐马尔可夫模型的行车危险度预测方法
US8965597B2 (en) Road grade auto-mapping
CN108475358B (zh) 用于评价驾驶员的行程性能的方法和系统
CN110910531B (zh) 一种基于车载obd信息的路面摩擦系数快速检测方法
CN108369682B (zh) 用于评价驾驶员的行程性能的方法和系统
CN106956680B (zh) 一种电动汽车驾驶行为识别分析方法
CN108431837B (zh) 用于评价驾驶员的行程性能的方法和系统
CN108475359B (zh) 用于评价驾驶员的行程性能的方法和系统
CN112406875B (zh) 一种车辆能耗的分析方法和装置
CN108369683B (zh) 用于评价驾驶员的行程性能的方法和系统
JP2022089806A (ja) 車両の動作プロファイルのモデリング
CN113581188A (zh) 一种基于车联网数据的商用车驾驶员驾驶风格识别方法
CN108369681B (zh) 用于评价驾驶员的行程性能的方法和系统
CN113401123B (zh) 融合驾驶模式信息的汽车预测巡航参数自整定控制系统
CN113657432A (zh) 一种基于车联网数据的商用车驾驶行为风险等级辨识方法
CN108475357B (zh) 用于评价驾驶员的行程性能的方法和系统
Kan et al. A deep learning engine power model for estimating the fuel consumption of heavy-duty trucks
CN115204755B (zh) 服务区入区率测算方法、装置、电子设备及可读存储介质
CN113267345A (zh) 车辆前方未知路段阻力预测方法、存储介质、控制器和系统
Hoekstra et al. Evolving Markov chain models of driving conditions using onboard learning
Kan et al. Development of a novel engine power model to estimate heavy-duty truck fuel consumption
CN116151472A (zh) 一种基于车联网数据挖掘的电动汽车短期能耗预测方法
CN115587327A (zh) 一种考虑Jerk的汽车油耗预测方法

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