CN113544597A - 优化用于操作车辆的控制信号的方法 - Google Patents

优化用于操作车辆的控制信号的方法 Download PDF

Info

Publication number
CN113544597A
CN113544597A CN201980093844.6A CN201980093844A CN113544597A CN 113544597 A CN113544597 A CN 113544597A CN 201980093844 A CN201980093844 A CN 201980093844A CN 113544597 A CN113544597 A CN 113544597A
Authority
CN
China
Prior art keywords
control signal
vehicle
iteration
operating
values
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
CN201980093844.6A
Other languages
English (en)
Inventor
布赖恩·E·布鲁克斯
吉勒斯·J·伯努瓦
彼得·O·奥尔森
泰勒·W·奥尔森
希曼舒·纳亚尔
弗雷德里克·J·阿瑟诺
尼古拉斯·A·约翰逊
约翰·A·惠特利
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.)
3M Innovative Properties Co
Original Assignee
3M Innovative Properties Co
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 3M Innovative Properties Co filed Critical 3M Innovative Properties Co
Publication of CN113544597A publication Critical patent/CN113544597A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B60W40/064—Degree of grip
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/021—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a variable is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4065—Monitoring tool breakage, life or condition
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41835—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by programme execution
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/043—Distributed expert systems; Blackboards
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/36—Nc in input of data, input key till input tape
    • G05B2219/36301—Optimisation of sequence of operations
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Transportation (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Mechanical Engineering (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)

Abstract

本发明描述了一种优化用于操作车辆的多个控制信号的方法。该操作具有多个相关联的可测量参数。该方法包括：对于每个控制信号，从预先确定的集合中选择多个可能的优化值；在至少第一操作迭代序列中操作该车辆，其中对于该第一操作迭代序列中的每一对连续的第一操作迭代和第二操作迭代，在该第二操作迭代中，该第一操作迭代中的一个控制信号的该可能的优化值被替换为该控制信号的下一个可能的优化值，同时保持其余控制信号的可能的优化值；对于每个操作迭代，测量多个可测量参数中的每个参数；以及生成所述控制信号的置信区间，以确定所述控制信号与所述可测量参数之间的因果关系。

Description

优化用于操作车辆的控制信号的方法
背景技术
车辆可包括控制系统，该控制系统包括电子控制单元(ECU)，该电子控制单元接收传感器数据并且提供用于控制车辆操作的各个方面的控制信号。
发明内容
本发明描述了优化用于操作车辆的控制信号的方法、操作车辆的方法以及被配置为实现所述方法的车辆。
在本说明书的一些方面，提供了一种优化用于操作车辆的多个控制信号的方法。该操作可具有多个相关联的可测量参数。该方法可包括：对于每个控制信号，从控制信号的一组预先确定的可能的优化值中选择多个可能的优化值，并且以预先确定的序列布置可能的优化值；在至少第一操作迭代序列中操作车辆，其中对于第一操作迭代序列中的每一对连续的第一操作迭代和第二操作迭代，在第二操作迭代中，第一操作迭代中的一个所选择的控制信号的可能的优化值被替换为所选择的控制信号在可能的优化值的对应的预先确定的序列中的下一个可能的优化值，同时在第二操作迭代中保持第一操作迭代中其余控制信号的可能的优化值；对于至少第一操作迭代序列中的每个操作迭代，测量多个可测量参数中的每个参数；以及生成控制信号的置信区间，以确定控制信号与可测量参数之间的因果关系。
在本说明书的一些方面，提供了一种优化用于操作车辆的多个控制信号的方法。该操作可具有多个相关联的可测量参数。该方法可包括：对于每个控制信号，从控制信号的一组预先确定的可能的优化值中选择多个可能的优化值；在至少第一操作迭代序列中操作车辆，其中对于第一操作迭代序列中的每一对连续的第一操作迭代和第二操作迭代，在第二操作迭代中，第一操作迭代中的一个控制信号的可能的优化值被替换为一个控制信号在对应的多个可能的优化值中的另一个可能的优化值，同时在第二操作迭代中保持第一操作迭代中其余控制信号的可能的优化值；在操作车辆时，接收至少一个其他车辆的至少一个可测量参数的至少一个测量值；对于至少第一操作迭代序列中的每个操作迭代，测量多个可测量参数中的每个参数；以及生成控制信号的置信区间，以确定控制信号与可测量参数之间的因果关系。
在本说明书的一些方面，提供了一种确定用于操作车辆并且在优化操作范围内操作的多个控制信号的优化值的方法。该方法可包括：接收用于车辆的一组操作约束；基于所接收的一组操作约束，生成预期优化操作范围内的预期优化值；以及迭代地生成对应的操作范围内的控制信号值，使得对于至少一次迭代，控制信号值中的至少一个控制信号值不同于先前迭代中的对应的控制信号值，并且控制信号值中的至少一个控制信号值但并非全部控制信号值在先前迭代中的操作范围之外。
在本说明书的一些方面，提供了一种操作车辆的方法。车辆的操作可以使用多个控制信号并且具有多个相关联的可测量参数。该方法可包括优化多个控制信号。多个控制信号的优化可包括：对于每个控制信号，从控制信号的一组预先确定的可能的优化值中选择多个可能的优化值，并且以预先确定的序列布置可能的优化值；在至少第一操作迭代序列中操作车辆，其中对于第一操作迭代序列中的每一对连续的第一操作迭代和第二操作迭代，在第二操作迭代中第一操作迭代中的一个所选择的控制信号的可能的优化值被替换为所选择的控制信号在可能的优化值的对应的预先确定的序列中的下一个可能的优化值，同时在第二操作迭代中保持第一操作迭代中其余控制信号的可能的优化值；对于至少第一操作迭代序列中的每个操作迭代，测量多个可测量参数中的每个参数；以及生成控制信号的置信区间，以确定控制信号与可测量参数之间的因果关系。该方法可包括使用由因果关系确定的至少控制信号来操作车辆，以因果性地影响可测量参数中的至少一个可测量参数。
在本说明书的一些方面，提供了一种操作车辆的方法。车辆的操作可以使用多个控制信号并且具有多个相关联的可测量参数。该方法可包括优化多个控制信号。多个控制信号的优化可包括：对于每个控制信号，从控制信号的一组预先确定的可能的优化值中选择多个可能的优化值；在至少第一操作迭代序列中操作车辆，其中对于第一操作迭代序列中的每一对连续的第一操作迭代和第二操作迭代，在第二操作迭代中第一操作迭代中的一个控制信号的可能的优化值被替换为一个控制信号在对应的多个可能的优化值中的另一个可能的优化值，同时在第二操作迭代中保持第一操作迭代中其余控制信号的可能的优化值；在操作车辆时，接收至少一个其他车辆的至少一个可测量参数的至少一个测量值；对于至少第一操作迭代序列中的每个操作迭代，测量多个可测量参数中的每个参数；以及生成控制信号的置信区间，以确定控制信号与可测量参数之间的因果关系。该方法可包括使用由因果关系确定的至少控制信号来操作车辆，以因果性地影响可测量参数中的至少一个可测量参数。
在本说明书的一些方面，提供了一种操作车辆的方法。车辆的操作可以使用多个控制信号并且具有多个相关联的可测量参数。该方法可包括确定在优化操作范围内操作的多个控制信号的优化值。确定优化值可包括：接收车辆的一组操作约束；基于所接收的一组操作约束，生成预期优化操作范围内的预期优化值；迭代地生成对应的操作范围内的控制信号值，使得对于至少一次迭代，控制信号值中的至少一个控制信号值不同于先前迭代中的对应的控制信号值，并且控制信号值中的至少一个控制信号值但并非全部控制信号值在先前迭代中的操作范围之外；对于每次迭代，测量一个或多个可测量参数的值；以及生成控制信号的置信区间，以确定控制信号与可测量参数之间的因果关系。该方法可包括使用由因果关系确定的至少控制信号来操作车辆，以因果性地影响可测量参数中的至少一个可测量参数。
附图说明
图1是示意性地示出优化用于操作车辆的控制信号的方法的流程图；
图2是系统的示意图；
图3是车辆的示意性侧视图。
图4至图5是优化多个控制信号的方法的示意图；
图6A至图6B是控制信号的可能的优化值的预先确定的集合的示意图；
图6C是控制信号的可能的优化值的子集的示意图；
图7A至图7C是控制信号的置信区间的示意图；
图8是控制信号的品质因数的置信区间的示意图；
图9是品质因数中使用的权重的变化的示意图；
图10A至图10C示意性地示出了控制信号的分布。
图11是优化多个控制信号的方法的示意图；
图12A至图12C是控制信号的置信区间的示意图；并且
图13是控制信号的随迭代变化的置信区间的示意图。
具体实施方式
在以下说明中参考附图，该附图形成本发明的一部分并且其中以举例说明的方式示出各种实施方案。附图未必按比例绘制。应当理解，在不脱离本说明书的范围或实质的情况下，可设想并进行其他实施方案。因此，以下具体实施方式不应被视为具有限制意义。
车辆可包括控制系统，该控制系统包括接收传感器数据(例如，引擎速度、引擎负载、引擎温度、车辆速度、车轮速度、车辆加速度、转向角度或节气门位置中的一个或多个)并且提供用于控制车辆操作的各个方面(例如，空气-燃料混合物控制、点火控制、怠速、齿轮箱、防抱死制动系统、牵引力控制或悬架控制中的一个或多个)的控制信号的电子控制单元(ECU)。本文所述的方法可应用于优化ECU产生的控制信号。更一般地，本文所述的方法可以应用于优化用于操作车辆的控制信号。在一些实施方案中，这些方法可以提供对每个子系统参数的基本上连续的重新校准，以提供例如范围/效率；性能和磨损；以及部件寿命之间的优化折衷。
车辆的操作可具有多个相关联的可测量参数(例如，传感器数据)。根据一些实施方案，方法包括确定控制信号和可测量参数之间的因果关系。此类方法可被称为因果学习方法。根据一些实施方案，本文所述的因果学习方法的优点在于，当存在大量数据(例如，来自汽车中的大量的传感器)时，确定哪些变量在确定要使用的适当控制信号时最重要。这可改善响应于变化的状况而改变控制信号的效率(例如，利用比常规方法更少的计算功率以及/或者有效地确定例如哪些控制信号需要响应于危险状况而快速变化，以及哪些控制信号可以不那么频繁地变化)。在一些实施方案中，本文所述的因果学习方法的另一个优点是，这些方法可例如比相关法更具普遍性，并且可以为转移学习提供合理的基础。例如，在一些实施方案中，当利用本文所述的因果学习方法的车辆遇到新的情况时，可以利用来自其他车辆的协作因果学习并且转移该学习以快速更新其自身的学习，从而限制与模型外推相关联的风险。转移学习的另一个示例如下。在明尼苏达州驾驶的车辆通常是在佛罗里达州出售的。在一些实施方案中，当车辆实现本文所述的方法时，可以从主要在佛罗里达州行驶的类似车辆下载校准值。
因果关系可被测量为与改变控制信号相关联的可测量参数具有统计意义上的显著差异，同时保持所有其他控制信号不变，并且阻止已知或疑似与可测量参数共变的外部变量/因素。可测量参数的差异可被计算并且存储为d评分，并且统计显著性的评估可通过计算每个d评分分布的平均值周围的置信区间来完成，这量化了控制信号变化的因果效应的预期值及其周围的不确定性(并且表示推断精度的量度或程度)。在一些情况下，确定控制信号和可测量参数之间的因果关系包括确定至少一个控制信号对至少一个可测量参数没有统计意义上的显著因果效应，并且可包括针对至少一个其他控制信号和/或至少一个其他可测量参数确定控制信号对可测量参数具有统计意义上的显著因果效应。在实施该方法时，可保持并且更新因果关系。在一些实施方案中，在更新因果关系时，该方法包括为控制信号重复选择不同的值，并且测量不同值对可测量参数的影响。在一些实施方案中，该方法包括生成或选择用于迭代地操作车辆的控制信号的值，其中在稍后的迭代中生成或选择的控制信号值至少部分地取决于在先前的迭代中确定的因果关系。在一些实施方案中，至少部分地基于置信区间来确定控制信号的优化值。例如，置信区间可指示控制信号的值在由置信区间指定的值的范围内生成优化测量参数。
根据一些实施方案的方法包括对贫乏的(impoverished)输入进行操作的能力，其中条件或交互最初是未知的、不完整的或假设的估计，并且随时间的推移通过例如置信区间的解释和自适应使用来学习。例如，解释和自适应使用置信区间以自动地理解和利用过程决策的影响(改变控制信号)允许通过概率匹配来进行透明且优化的遗憾管理。具体地，置信区间的计算可允许风险调整的优化，因为这可以量化过程决策的优化和最坏情况的预期效用。根据一些实施方案的方法可以标识和调整否则将混淆、引入偏差和/或掩蔽因果知识并且限制优化结果的错误输入(例如，假的假设)，以及监测和动态地适应控制信号和可测量参数之间的因果关系的变化(例如，由于设备故障、磨损或道路或交通状况的变化导致)。
本文所述的一些方法涉及2019年3月15日提交的标题为“用于持续测试、诊断和优化的深度因果学习(Deep Causal Learning for Continuous Testing,Diagnosis,andOptimization)”的美国临时专利申请号62/818816中描述的方法。
图1为示意性地示出本发明的方法的一些实施方案的流程图。方法100可包括接收输入的步骤102。所接收的输入可包括车辆的一个或多个操作约束、每个可测量参数的优化范围(例如，可测量参数的期望的结果范围)、每个控制信号的一组预先确定的可能的优化值，以及任选地包括外部变量114的值(例如，关于一天中的时间、天气、一条或多条道路和交通中的至少一者的信息)。在一些实施方案中，在步骤102中接收的输入包括关于车辆当前状况的输入信息，诸如重量、跨车辆的重量分布、年龄、电池状态、燃料水平和轮胎压力中的一个或多个。步骤102还可包括处理所接收的输入。例如，输入可包括针对每个控制信号的一组预先确定的可能的优化值，并且步骤102可包括针对每个控制信号从控制信号的一组预先确定的可能的优化值中选择多个可能的优化值，并且以预先确定的序列布置可能的优化值。在一些实施方案中，输入信息中的至少一些输入信息可由如由线条103示意性地指示的多个可测量参数中的一个或多个可测量参数提供或更新(例如，操作者可基于所测量的参数调整过程约束以缩小或扩展搜索空间)。来自一个操作迭代序列的(例如，在步骤107和/或108中确定的)测量参数可用作后续操作迭代序列的输入信息。在一些实施方案中，可至少部分地基于如由线105示意性地指示的置信区间来更新输入信息中的至少一些输入信息。例如，车辆的一个或多个操作约束和/或控制信号的一组或多组可能的优化值可随着关于由方法100确定的因果关系的信息的累积而更新(例如，当发现基于置信区间的优化值处于当前集合或范围的边界时，可以更新一组可能的优化值)。在一些实施方案中，操作约束条件包括对车辆的动态约束条件(例如，从步骤107、108和/或114确定的给定道路或交通状况的速度约束条件)。
方法100包括迭代地执行步骤104、106和108。在步骤104中，确定控制信号的值。在一些实施方案中，步骤102包括接收每个控制信号的一组预先确定的可能的优化值，以及从控制信号的一组预先确定的可能的优化值中选择多个可能的优化值。在一些实施方案中，步骤102还包括以预先确定的序列布置可能的优化值。在步骤104中，从可能的优化值确定控制信号的值。在步骤106中，使用在步骤104中确定的控制信号来操作车辆。在步骤108中，确定可测量参数中的至少一些可测量参数。在一些实施方案中，在完成迭代地操作车辆之后测量其他可测量参数。这在图1中示意性地示出为步骤107，其中测量附加参数。在一些实施方案中，在步骤108中测量在方法100中测量的所有可测量参数，并且省略步骤107。在其他实施方案中，在步骤107中测量在该方法中测量的所有可测量参数，并且省略步骤108(例如，可在车辆停止之后分析在迭代地操作车辆时收集的数据)。
方法100包括生成置信区间的步骤112，该置信区间可由测量的参数和控制信号的值的历史来确定。例如，置信区间可以在每个步骤处生成，或者可以仅在已经执行指定数量的步骤之后生成，或者可以在已经执行指定数量的步骤之后初始生成，然后在每个后续步骤之后或者在每个指定数量的步骤之后更新，或者可以在完成迭代地操作车辆之后生成。置信区间可用于确定控制信号与可测量参数之间的因果关系，并且当可用时，可在步骤104中用于确定控制信号的下一个值。如果在完成迭代地操作车辆之后在步骤107中测量附加的可测量参数，则这些参数可在步骤112中用于生成或更新随后操作车辆时可利用的置信区间。即使当在步骤107中测量附加的可测量参数时，在迭代地操作车辆时测量的那些可测量参数的置信区间也可以在完成迭代地操作车辆之前确定，并且可用于做出决定(例如，在步骤104中)。
步骤106可以在足以允许确定控制信号和所测量的参数之间的因果效应的持续时间内操作。在一些实施方案中，步骤106的持续时间随着车辆迭代地操作而变化。在一些实施方案中，至少部分地基于先前确定的因果关系来确定步骤106的持续时间。在一些实施方案中，持续时间可随控制信号值而变化。在一些实施方案中，控制信号中的一个或多个控制信号可确定用于测量参数的一组协议，该组协议可包括不同的持续时间(例如，当效应传播所需的时间长度不确定时)。
在一些实施方案中，方法100包括接收外部变量114的值或测量值。例如，外部变量114可包括天气数据或关于交通状况或道路状况的信息。在一些实施方案中，外部变量114可以包括至少一个其他车辆的至少一个可测量参数的至少一个测量值。在一些实施方案中，该方法包括确定d评分是否与外部变量114相关。如果d评分分布被确定为与外部变量114相关联，则可针对外部变量的不同范围确定置信区间，使得可以比较从相同外部变量范围确定的置信区间。这可减少或消除将由这些不受控制的外部变量引起的因果估计的偏差，并且可有助于提高因果模型的精度和准确度(置信区间)，并且允许更细致的上下文过程控制。
图2是根据一些实施方案的用于执行本说明书的方法的系统200的示意图。系统200包括处理器224和存储器226。输入222(例如，控制信号的预先确定的一组可能的优化值，或在步骤102中接收的任何输入信息)可通过用户界面230提供，由处理器224接收并且存储在存储器226中。车辆228接收控制信号并且将来自多个可测量参数246的测量参数提供给处理器224。处理器224可迭代地更新控制信号并且接收更新的测量参数。在一些实施方案中，在操作车辆228时，接收至少一个其他车辆229的至少一个可测量参数的至少一个测量值。处理器224可将控制信号和所测量的参数存储在存储器226中。处理器224可计算置信区间，以确定控制信号与可测量参数之间和/或控制信号与品质因数之间的因果关系。
在一些实施方案中，本说明书的方法包括提供存储器226和耦接到存储器226的处理器224，其中处理器224被配置为：对于每次操作迭代，将控制信号的值和所测量的参数存储在存储器226中；以及根据所存储的控制信号的值和所测量的参数计算置信区间。在一些实施方案中，通过用户界面230将所得置信区间提供给操作者或用户。在一些实施方案中，用户界面230包括车辆中的显示器。在一些实施方案中，用户界面230包括车辆外部的显示器，该显示器可(无线地或有线地)连接至处理器224。
车辆228可以是可以利用控制信号的任何合适类型的车辆。例如，车辆228可以是汽车、卡车、货车、飞机、船只、公共汽车或火车。
在一些实施方案中，多个控制信号中的至少一个控制信号244控制一个或多个量245。一个或多个量245可以是以下各项中的一个或多个：速度、加速度、制动(例如，至少一个控制信号244可以控制防抱死制动系统)、转向、与车辆乘员之间的通信、外部照明条件(例如，设定为远光灯、近光灯或关闭的前照灯)、警告信号、与另一个车辆的距离、空气-燃料混合物、车辆的内部照明、音响系统、主动式空气动力学(例如，前扰流板和/或后扰流板和/或格栅挡板的位置)、悬架高度、牵引力控制、点火控制、怠速、齿轮箱状态和传感器处理(例如，使用LIDAR(光检测和测距)传感器、雷达单元、声纳单元、超声波传感器、红外传感器和相机中的一个或多个)。
在一些实施方案中，可测量参数246包括以下各项中的一个或多个：车辆滑移、车辆的至少一部分的振动、内部和外部噪声水平、车轮速度、车辆速度、相同警告信号被激活的次数、车辆的乘员对激活的警告信号的反应(例如，由驾驶员转向或刹车反应确定)、乘员的心率(例如，使用方向盘中的传感器确定)、与另一个车辆的距离、燃料效率、范围(例如，基于燃料水平和燃料效率估计)、车辆可靠性(例如，根据关于引擎的操作状态的当前信息和过去的数据确定)、驾驶员压力(例如，由发热量、其他生物识别数据和/或面部识别传感器确定)、驾驶员注意力(例如，由行驶偏离或道路或漂移到车道外的频率确定)、驾驶员攻击性(例如，由加速和/或制动时间确定)、乘客压力(例如，使用生物识别传感器和/或面部识别传感器确定)、乘客舒适度(例如，根据差异确定乘客附近的当前温度和设定的温度和/或确定的面部识别传感器)，以及驾驶员对一个或多个控制信号的响应时间(例如，响应警告信号的时间)。
在一些实施方案中，提供了一种操作车辆的方法，其中该方法包括根据本文所述的确定因果关系的任何方法优化用于操作车辆的多个控制信号；以及使用由因果关系确定的至少控制信号来操作车辆，以因果性地影响可测量参数中的至少一个可测量参数。该方法可使用车辆中的(例如，包括处理器224和存储器226的)系统来执行。在一些实施方案中，提供了一种车辆，其包括被配置为执行本文所述的(例如，优化控制信号和/或操作车辆的)方法的(例如，包括处理器224和存储器226的)系统。
图3是车辆10的示意性侧视图，示出了可以用(例如，对应于量245的)控制信号至少部分地控制和/或(例如，对应于可测量参数246的)可以测量的各种量或参数。量或参数包括车辆速度301、加速度302、制动303、转向304(例如，转向角度)、去往和/或来自车辆10的乘员305的通信(例如，经由警告信号315以及/或者经由可包括扬声器和麦克风的音响系统311)、外部照明条件306、警告信号315、与另一个车辆11的距离d、车辆10的内部照明307、音响系统311的输出、主动式空气动力学308、悬架高度309、传感器处理310(例如，使用可设置在罩子下方的LIDAR传感器)、车轮速度314、车辆滑移(例如，由车辆速度301和车轮速度314所暗示的车辆速度的差确定)、轮胎压力317、车辆10的至少一部分的振动312、内部噪声水平(例如，如由音响系统311示意性地表示的)、外部噪声水平313、来自生物识别系统321的数据、可包括燃料效率、空气-燃料混合物、电池状态、燃料水平、范围、引擎速度、引擎负载、引擎温度、节气门位置和/或车辆可靠性的引擎/马达属性316。在一些实施方案中，该方法可包括接收信息318(例如，作为输入信息或作为在车辆10的操作期间接收的信息)。信息318可包括关于车辆10的当前状况的输入信息，诸如重量、跨车辆的重量分布和年龄。信息318可包括关于车辆10的驾驶员的信息，诸如偏好、年龄、压力水平和注意力中的一个或多个。
警告信号可以是例如从车辆到车辆、从车辆到基础设施以及/或者从基础设施到车辆(例如，经由道路一侧上的小区或传感器传送到云)，或者从车辆到人(例如，车辆的乘员或车辆附近的行人)。警告信号可以是电磁的(例如，显示的警告信号315、红外信号(例如，至另一个车辆)、无线电信号、蜂窝信号)或声学的(例如，音响系统311提供的声波或超声波信号)。在一些实施方案中，警告信号包括向车辆10的乘员305发出的音频(例如，经由音响系统311)或视觉(例如，315)警告信号以及向另一个车辆11发出的音频(例如，经由音响系统311)或光学(例如，315)警告信号中的一个或多个。在一些实施方案中，警告信号包括声音警告信号、电磁警告信号、对车辆乘员的警告信号或对另一车辆的警告信号中的一种或多种。可从另一车辆11接收警告信号，诸如音频警告信号320或光学警告信号319。
图4至图5是优化用于操作车辆的多个控制信号(1至3)的方法300和方法400的示意图。车辆的操作40具有多个相关联的可测量参数(P1至P3)。
在一些实施方案中，方法300和/或400包括：对于每个控制信号(例如，1)，从控制信号的一组(例如，图6A至图6B中描绘的51或52)预先确定的可能的优化值(例如，1a至1l)中选择多个可能的优化值(例如，1'、1”、1”')，并且以预先确定的序列布置可能的优化值；在操作迭代的至少第一序列(a、b、c、d、e)中操作车辆，其中对于第一操作迭代序列中的每一对顺序的第一(例如，a)和第二(例如，b)操作迭代，在第二操作迭代中第一操作迭代中一个所选择的(例如，在第二操作迭代之前随机选择或以其他方式选择的)控制信号(例如，1)的可能的优化值(例如，1')被替换为可能的优化值的对应的预先确定的序列中所选择的控制信号的下一个可能的优化值(例如，1”)，同时在第二操作迭代中保持第一操作迭代中的其余控制信号(例如，2、3)的可能的优化值(例如，2”'、3”)。
在一些实施方案中，方法300和/或400包括：对于每个控制信号(例如，1)，从控制信号的一组(例如，图6A至图6B中描绘的51或52)预先确定的可能的优化值(例如，1a至1l)中选择多个可能的优化值(例如，1'、1”、1”')；在至少第一操作迭代序列(a、b、c、d、e)中操作车辆，其中对于第一操作迭代序列中的每一对连续的第一(例如，a)操作迭代和第二(例如，b)操作迭代，在第二操作迭代中第一操作迭代中的一个控制信号(例如，1)的可能的优化值(例如，1')被替换为一个控制信号在对应的多个可能的优化值中的另一个可能的优化值(1”)，同时在第二操作迭代中保持第一操作迭代中其余控制信号(例如，2、3)的可能的优化值(例如，2”'、3”)。在一些实施方案中，该方法可以回顾以找到可以从中计算d评分的操作迭代对。例如，在给定迭代“b”的情况下，该方法可以回顾以查看是否可以找到适当的迭代“a”，由此可以计算d评分(例如，仅具有一个控制信号，该控制信号具有与迭代“b”的值不同的值，其中迭代之间的一个控制信号的值相差一个单位)。
在一些实施方案中，对于每个控制信号，从控制信号的预先确定的一组可能的优化值中随机选择可能的优化值。在一些实施方案中，可以选择可能的优化值(例如，一组预先确定的可能的优化值或选自该组的多个值)以优化学习(例如，探究过去未广泛探究的值，因此具有较宽的置信区间)或优化总体性能(例如，利用具有更高预期效用的值，如由置信区间之间的重叠所确定的)。
该方法还包括对于至少第一操作迭代序列中的每个操作迭代，测量多个可测量参数中的每个参数；以及生成控制信号的置信区间，以确定控制信号与可测量参数之间的因果关系。
在一些实施方案中，在至少第一操作迭代序列中操作车辆还包括在第二操作迭代序列(f、g、h)中操作车辆。在一些实施方案中，对于第二操作迭代序列中的每一对顺序的第一操作迭代(例如，f)和第二(例如，g)操作迭代，在第二操作迭代中第一操作迭代中的一个所选择的控制信号(例如，3)的可能的优化值(例如，3')被替换为所选择的控制信号的另一个可能的优化值(例如，替换为可能的优化值的对应的预先确定的序列中控制信号的下一个可能的优化值(例如，3”))，同时在第二操作迭代中保持第一操作迭代中其余控制信号(例如，1、2)的可能的优化值。在一些实施方案中，如图5所示，在第一操作迭代序列中的两个操作迭代(例如，a、b)之间执行第二操作迭代序列中的至少一个操作迭代(例如，f)。在一些实施方案中，如图4所示，在第一操作迭代序列(a、b、c、d、e)之后执行第二操作迭代序列(f、g、h)。在一些实施方案中，在至少第一操作迭代序列中操作车辆还包括针对不在第一操作迭代序列中的至少一个操作迭代(例如，图5中描绘的操作迭代i或不在第一序列中的第二序列中的任何操作迭代)，操作车辆。不在第一操作迭代序列中的至少一个操作迭代可以使用与在第一操作迭代序列中使用的控制信号不同的控制信号。例如，图5所示的操作迭代i使用取值4'和5'的控制信号4和控制信号5。
在一些实施方案中，在操作车辆时，对于至少一个控制信号，改变所选择的多个可能的优化值。这在图4中示意性地示出，其中在操作迭代e开始之后并且在操作迭代f开始之前，控制信号1的多个可能的优化值被改成1”、1”'和1””。在一些实施方案中，改变的可能的优化值选自控制信号的一组预先确定的可能的优化值的子集，其中该子集至少部分地基于可测量参数的存储值和/或置信区间的存储值来选择。在一些实施方案中，选择子集以满足对车辆的动态约束。例如，预先确定的集合可以是图6A中描绘的集合51，并且子集51'可以是如图6C中示意性地示出的值(1e、1f、1g、1h、1i)。在一些实施方案中，从子集中随机选择已改变的可能的优化值。在一些实施方案中，基于对多个可测量参数中的每个可测量参数的测量，控制信号的可能的优化值(例如，1')被替换为控制信号的预先确定的一组可能的优化值中的另一个可能的优化值(例如，1””)。在一些实施方案中，可能的优化值和另一个可能的优化值是两种不同类型的警告信号(例如，一个警告信号可以是显示的警告信号(例如，315)，并且另一个警告信号可以是由音响系统311产生的音频信号)。在一些实施方案中，基于对多个可测量参数中的每个参数的测量，多个控制信号中的一个控制信号被替换为多个控制信号中的另一个控制信号(例如，在第一操作迭代序列中变化的第一控制信号可以用在第一操作迭代序列中不变化的第二控制信号替换，使得在替换之后，第二控制信号变化并且第一控制信号不变化)。在一些实施方案中，控制信号和其他控制信号控制两种不同类型的警告信号。例如，基于对多个可测量参数中的每个可测量参数的测量，该方法可以确定指示第一警告信号的第一控制信号或第一控制信号值是无根据的，但是却需要指示不同的第二警告信号的不同的第二控制信号或控制信号值。
在一些实施方案中，控制信号的可能的优化值(例如，1')被替换为新的可能的优化值(例如，1””)，其中新的可能的优化值通过两个先前的可能的优化值之间的插值来获得。例如，可通过对先前两个可能的优化值的d评分求平均(或利用回归技术来获得新值的d评分)来确定新值的初始d评分，从而初始化新值的因果学习。
在一些实施方案中，执行第一操作迭代序列中的至少一个操作迭代的持续时间与至少一个其他操作迭代的持续时间不同。例如，操作迭代b可以执行持续时间d1，并且操作迭代c可以执行持续时间d2，其中d1>d2，如图4中示意性地示出。在一些实施方案中，至少部分地基于在至少一个先前操作迭代(例如，b)中测量的可测量参数和/或基于置信区间来确定至少一个后续操作迭代(例如，c)的持续时间。在一些实施方案中，持续时间可取决于是否已经接收或生成警告信号。在一些实施方案中，持续时间由控制信号指定。在一些实施方案中，可在同一迭代内测量多个持续时间。例如，当表征因果效应的动态性质时，可在不同的持续时间测量每个可测量的参数以理解该效应如何传播。
在一些实施方案中，如图5中示意性地示出的，该方法(例如，方法100、300、400或500(参见图11)包括在操作车辆时接收至少一个其他车辆的至少一个可测量参数的至少一个测量值V4。在一些实施方案中，如图5中示意性地示出的，该方法(例如，方法100、300、400或500)包括在迭代地操作车辆之前，接收至少一个其他车辆的至少一个可测量参数的至少一个测量值V5。至少一个实测值V4和/或V5可以从例如小区连接或卫星连接获得。在一些实施方案中，至少一个测量值包括另一个车辆遇到的道路危险或交通状况的位置。
如图6A至图6C中示意性地示出的，在一些实施方案中，每个控制信号(例如，控制信号1)的可能的优化值(例如，1'、1”、1”')选自控制信号的预先确定的一组51、52、51’的可能的优化值(例如，1a至1l)。在一些实施方案中，对于每个控制信号，控制信号的多个可能的优化值随机地选自预先确定的一组可能的优化值(例如，基于均匀分布、泊松分布、高斯分布、二项分布或任何其他分布随机选择)。在一些实施方案中，对于每个控制信号，控制信号的多个可能的优化值被选择为使所选择的可能的优化值之间的距离最大化。如图6B中示意性地示出的，在一些实施方案中，对于至少一个控制信号(例如，控制信号2)，可能的优化值的集合52是连续集合(2A至2B的范围)。在连续集合的情况下，可以从集合中均匀地或随机地选择离散的可能的优化值。另选地，连续范围可被分成子范围，并且值可例如从每个子范围被随机采样。
在一些实施方案中，对于至少一个操作迭代，从多个可能的优化值的子集(例如，子集1'、1”)中(例如，随机地)选择至少一个控制信号的值。在一些实施方案中，至少部分地基于可测量参数的存储值和/或置信区间的存储值来选择子集。在一些实施方案中，在操作车辆时，对于至少一个控制信号，改变多个可能的优化值(参见例如图4)。该变化可至少部分地基于可测量参数的存储值和/或置信区间的存储值。
该方法(例如，100、300、400或500)可包括为控制信号生成置信区间，以确定控制信号与可测量参数之间的因果关系。图7A至图7C分别示意性地示出了控制信号1的置信区间C11'至C11”'、C21'至C21”'和C31'至C31”'。Cmn是当控制信号n具有给定值时可测量参数Pm的置信区间，例如，该值可以是指定值(例如，1'、1”或1”')或来自最近的迭代的值。例如，C21”是当控制信号1取值1”时可测量参数P2的置信区间。可以针对指定的置信水平确定置信区间。例如，该方法可包括执行t检验或其他统计假设检验以构建P％置信区间，其中P为固定值，例如，90％、或95％、或97.5％、或99％。
生成用于控制信号的置信区间，以确定控制信号和可测量参数之间的因果关系可包括针对控制信号的至少一些可能的优化值生成至少一个可测量参数的置信区间。例如，控制信号1、2和3与可测量参数P1、P2和P3之间的因果关系可以是，将控制信号1从指定的可能的优化值改变一个单位导致P1在第一置信区间内改变，并且将控制信号2从指定的可能的优化值改变一个单位导致P1在第二置信区间内改变。在一些实施方案中，生成控制信号的置信区间包括针对每个控制信号(例如，控制信号1)的每个可能的优化值(例如，1'、1”、1”')生成置信区间，以确定控制信号的可能的优化值与每个可测量参数(例如，P1、P2、P3)之间的因果关系。
在一些实施方案中，每个置信区间(例如，C11')包括上限17a和下限17b，并且如果对于多个控制信号中的控制信号(例如，控制信号1)，控制信号的可能的优化值(例如，1'、1”、1”')的置信区间(例如，C11'、C11”、C11”')不重叠，则控制信号的优化值被选为对应于具有最高下限17b的置信区间(例如，C11')的控制信号的可能的优化值(例如，1')。例如，可能期望使由置信区间表征的可测量参数最大化。
在一些实施方案中，每个置信区间(例如，C11')包括上限17a和下限17b，并且如果对于多个控制信号中的控制信号(例如，控制信号1)，控制信号的可能的优化值(例如，1'、1”、1”')的置信区间(例如，C11'、C11”、C11”')不重叠，则控制信号的优化值被选为对应于具有最低上限17a'的置信区间(例如，C11”')的控制信号的可能的优化值(例如，1”')。例如，可能期望使由置信区间表征的可测量参数最小化。
在一些实施方案中，如果对于多个控制信号中的控制信号(例如，控制信号1)，控制信号的可能的优化值(例如，1'、1”、1”')的置信区间(例如，C31'、C31”、C31”')重叠，则控制信号的优化值被选择为控制信号的多个可能的优化值(例如，1'、1”、1”')中的任何一个。可以从可能的优化值中随机选择控制信号，或者可以基于用于选择优化值的任何合适的采样算法来选择。在一些实施方案中，如果对于多个控制信号中的控制信号，控制信号的可能的优化值的置信区间重叠，则通过从控制信号的可能的优化值中进行汤普森采样或概率匹配来选择控制信号的优化值。汤普森采样和概率匹配在本领域中是已知的，并且例如在美国专利公布号2017/0278114(Renders)、2017/0109642(Kawale等人)、2019/0244110(Qiu等人)和美国专利号10,133,983(Chelian等人)中有所描述。
图8示意性地示出了品质因数(FOM)的置信区间，该品质因数是可测量参数的函数。CFn是当控制信号n具有给定值时FOM的置信区间。可针对每个控制信号确定置信区间CFn。在一些实施方案中，生成控制信号的置信区间包括将品质因数定义为可测量参数的函数，以及生成控制信号的置信区间(例如，CF1')，以确定控制信号与品质因数之间的因果关系。在一些实施方案中，FOM还可以包括软约束。例如，如果可测量参数应该大于1.2，则可以包括连续型罚函数，其中当可测量参数进一步降低至1.2以下时，惩罚呈指数增长。在一些实施方案中，生成控制信号的置信区间包括针对每个控制信号n的每个可能的优化值生成置信区间CFn。在一些实施方案中，品质因数是或者包括可测量参数的加权函数，其中加权函数将预先确定的权重分配给每个可测量参数。例如，FOM可以被定义为P1+b P2+c P3，如图9所示，其中值a、b和c中的每一个值都是预先确定的权重。在一些实施方案中，FOM是可测量参数的非线性函数。例如，FOM可以是P1+b P22+c P3。在一些实施方案中，在操作车辆时，改变分配给可测量参数中的至少一个可测量参数的预先确定的权重。这在图9中示意性地示出，其中在FOM'中使用的权重b在FOM”中改变为b'。例如，如果确定第一可测量参数可偏移到对应的优化范围之外的值，而FOM中没有足够的对应的偏移，则可以增加分配给第一可测量参数的权重。在一些实施方案中，权重被改变，因为总体优化目标已经改变(例如，更高的性能与更低的燃料效率)。
FOM可被定义为使得FOM的最大值是期望的，或者可以被定义为使得FOM的最小值是期望的。在一些实施方案中，期望最大化品质因数。在一些此类实施方案中，当每个可测量参数在对应的优化范围内(例如，可测量参数的优化范围P1可以为P1≥1)时品质因数较高，并且当至少一个可测量参数在对应的优化范围之外时品质因数较低。在一些实施方案中，期望最小化品质因数。在一些此类实施方案中，当每个可测量参数在对应的优化范围内时品质因数较低，并且当至少一个可测量参数在对应的优化范围之外时品质因数较高。
在一些实施方案中，在第二操作迭代中将第一操作迭代中所选择的控制信号(例如，1)的可能的优化值(例如，1')替换为另一个可能的优化值(例如，可能的优化值的对应的预先确定的序列中所选择的控制信号的下一个可能的优化值(例如，1”))，同时保持其余控制信号的值。在一些实施方案中，所选择的控制信号随机地选自多个控制信号。在一些实施方案中，基于多个控制信号中的控制信号的分布，来随机选择所选择的控制信号。图10A至图10C示意性地示出了三种可能的分布53、53'和53”。分布53为每个控制信号分配相等的权重，使得当基于分布53选择控制信号时，每个控制信号被选择的可能性相等。分布53'为控制信号2分配较高权重，并且为控制信号1和控制信号3分配较低权重，使得当基于分布53'选择控制信号时，控制信号2比其他控制信号更有可能被选择。例如，如果该方法在确定期望的可测量参数时确定控制信号2比其他控制信号更重要，或者如果其他控制信号的置信区间低于阈值，则这可能是期望的。在一些实施方案中，在操作车辆时，修改分布(例如，从53到53')。在一些实施方案中，对于至少一个操作迭代，所选择的控制信号选自多个控制信号的子集(例如，子集1、子集2)。例如，可以使用图13C中示意性地示出的分布53”，该分布中为控制信号3分配零概率，使得基于分布53”选择的控制信号选自子集(1、2)。在一些实施方案中，至少部分地基于在先前操作迭代中测量的可测量参数和/或基于置信区间来选择子集。在一些实施方案中，从子集中随机选择所选择的控制信号。
在一些实施方案中，该方法包括以预先确定的序列(例如，1'、1”、1”')布置可能的优化值(例如，1'、1”、1”')。可以对预先确定的序列进行排序以促进d评分的计算(例如，以使每次迭代能够计算d评分的可能性最大化)。序列可在达到最后一个可能的优化值之后反向继续(例如，序列可以为1'、1”、1”'、1”、1'、1”…)，使得对于每个可能的优化值，下一个可能的优化值被限定并且可接近可能的优化值(例如，相差一个单位)。
在一些实施方案中，该方法可包括基于对现有控制信号的因果影响的因果知识动态地且基本上无缝地添加/丢弃控制信号以及/或者添加/丢弃现有控制信号的控制值(更新搜索空间)并且改变操作约束。在一些实施方案中，例如，为了在驾驶车辆时运行该方法，可能需要保持小的操作范围(例如，使得控制信号的变化更像是扰动而不是实验变化的设计)。在一些此类实施方案中，优化控制信号值通常在初始范围之外。在一些实施方案中，该方法可迭代地向优化操作范围调节操作范围。
图11是方法500的示意图。在一些实施方案中，方法500是确定用于操作车辆并且在优化操作范围12o内操作的多个控制信号(例如，1、2、3)的优化值(例如，1o、2o、3o)的方法。在一些实施方案中，方法500包括接收用于车辆的一组操作约束20；基于所接收的一组操作约束，生成在预期优化操作范围12z内的预期优化值(例如，1z、2z、3z)；以及迭代地(a至e)生成对应的操作范围(12a-e)内的控制信号值(例如，1a-e、2a-e、3a-e)，使得对于至少一次迭代(例如，d)，控制信号值中的至少一个控制信号值(例如，1d、2d、3d中的至少一个)不同于先前迭代(例如，a)中的对应的控制信号值(例如，1a、2a、3a)，并且控制信号值中的至少一个控制信号值(例如，1d、2d中的至少一个)但并非全部在先前迭代(例如，b)中的操作范围(例如，12b)之外。生成预期优化值可包括生成预期优化值使得预期操作约束(例如，基于在生成预期优化值时可用的知识)得到满足。
在一些实施方案中，车辆10的操作具有一个或多个相关联的可测量参数(例如，P1至P3)。在一些实施方案中，方法500还包括接收一个或多个可测量参数(例如，P1至P3)的优化范围，其中优化范围预期由在预期的优化操作范围12z内操作的控制信号(例如，1、2、3)产生。在一些实施方案中，方法500包括针对每次迭代，测量一个或多个可测量参数的值。在一些实施方案中，方法500还包括为控制信号生成置信区间，以确定控制信号与可测量参数之间的因果关系。例如，方法500可以生成图12A至12C中示意性地示出的置信区间C11-C13、C21-C23、C31-C33，这些置信区间是d评分的置信区间，d评分被定义为随机选择控制信号值时的可测量参数与通过概率匹配选择控制信号值时的可测量参数之间的差，这是衡量控制信号变量为该可测量参数提供多少操作益处的度量。如图13中示意性地示出的，置信区间(例如，C21)可随操作迭代而变化。这可由于可用于确定置信区间的可用数据的增加和/或由于控制信号的值的变化而发生。在一些实施方案中，控制信号的值在适当收敛到优化值之后不再进一步修改。在一些实施方案中，在操作车辆时，当对应于一个或多个可测量参数(例如，P2)中的至少一个可测量参数的控制信号的置信区间(例如，C21)小于预先确定的置信区间阈值(例如，T21)时，不再修改多个控制信号中的控制信号(例如，控制信号1)。例如，一旦表示基线(所有可能的值/水平的随机采样)与漏洞利用(始终选择优化值/水平)中的可测量参数之间的差的置信区间很小，则可能期望停止对基线进行采样并且利用100％的时间。
在一些实施方案中，在多次迭代(例如，a至d)之后，当执行进一步的迭代(例如，e)时，消除多个控制信号中的控制信号(例如，控制信号3)。在一些此类实施方案中，或者在其他实施方案中，在多次迭代(例如，a至d)之后，当执行进一步的迭代(例如，e)时，包括新的控制信号(例如，控制信号4)。迭代次数为正数，通常足以使该方法生成至少一些关于控制信号对可测量结果的因果效应的知识。在一些实施方案中，在迭代地生成控制信号值时测量至少一个可测量参数(例如，P1)；并且在迭代地生成控制信号值完成之后测量至少一个其他可测量参数(例如，P2)，如在其他部分进一步描述的。
预期的优化操作范围12z可以基于对车辆的先验知识(例如，基于在本文所述方法的先前实施期间建立的现有因果模型)以及/或者基于所接收的一组操作约束20来生成。例如，预期的优化操作范围12z可以是与先前产生优化或至少期望的结果的所接收的操作约束一致的操作范围。在一些实施方案中，当迭代地生成控制信号值时，操作约束集中的至少一个被修改。可基于由方法500生成的信息来更新预期的优化操作范围12z。在一些实施方案中，方法500还包括在每次迭代中量化预期优化操作范围12z和操作范围(例如，12a-e)之间的间隙(例如，50a-e)。例如，间隙可根据控制信号值的变化频率来量化(例如，它们改变值的频率，或者它们离达到优化值还有多远)。这可以类似于牛顿的用于确定根的当前估计与下一次迭代的估计之间的差距。例如，可定义作为可测量参数的函数的品质因数，使得品质因数的优化值为零。然后可以将间隙量化为品质因数的当前值除以品质因数相对于其在先前迭代中的值的变化。在一些实施方案中，至少一次迭代(例如，迭代c)的间隙(例如，50c)小于至少一次先前迭代(例如，迭代a)的间隙(例如，50a)。
在一些实施方案中，优化操作范围12o不同于预期的优化操作范围12z。在一些实施方案中，在通过确定控制信号的优化值来优化控制信号之后，优化的控制信号(例如，1、4、5)在与优化操作范围12o和预期的优化操作范围12z不同的优化操作范围12x内操作。例如，优化操作范围12o可以是理想的操作范围，而由执行方法500产生的优化的操作范围12x可以考虑限制诸如非理想外部变量(例如，湿滑道路或结冰道路)，并且因此可以与优化操作范围12o不同。在一些实施方案中，预期的优化操作范围12z和优化的操作范围12x不同(例如，由于不完全收敛)。
在一些实施方案中，方法500是确定用于操作车辆，并且操作并且具有在优化操作范围内的对应值(例如，1o、2o、3o)的多个控制信号(例如，1、2、3)的优化操作范围12o的方法。在一些实施方案中，方法500包括接收用于车辆的一组操作约束20；基于所接收的一组操作约束生成控制信号的预期优化操作范围12z，其中控制信号预期操作并且具有在预期的优化操作范围内的对应值(例如，1z、2z、3z)；生成用于操作并且具有在第一操作范围内的对应值(例如，1a、2a、3a)的控制信号的第一操作范围(例如，12a)；对第一操作范围(例如，12a)和预期的优化操作范围12z之间的第一间隙(例如，50a)进行定量；以及修改在第一操作范围内操作的控制信号中的至少一个(例如，1a、2a、3a中的至少一个)以形成在第二操作范围(例如，12b)中操作并且具有对应值(例如，1b、2b、3b)的控制信号的第二操作范围(例如，12b)，使得至少一个(例如，3b)但并非全部的控制信号值在第一操作范围之外，并且第二操作范围和预期的优化操作范围之间的第二间隙(例如，50b)小于第一间隙。在一些此类实施方案中，优化操作范围12o不同于预期的优化操作范围12z。
在一些实施方案中，方法500迭代地(例如，12a-e)执行，其中在第一迭代中确定的第二操作范围(例如，12b)被用作接下来的第二迭代的第一操作范围，其中第二迭代确定另一个第二操作范围(例如，12c)。在一些实施方案中，优化控制信号值可以在初始操作范围之外，并且该方法可以在车辆操作时向优化操作范围迭代地调节操作范围。
在一些实施方案中，提供了一种操作车辆的方法，其中车辆的操作使用多个控制信号并且具有一个或更多个(例如，多个)相关联的可测量参数。该方法可包括优化多个控制信号(例如，根据方法100、300、400或500中的任一种方法)，其中优化包括为控制信号生成置信区间，以确定控制信号与可测量参数之间的因果关系。该方法还可包括使用由因果关系确定的至少控制信号(例如，其优化值)来操作车辆，以因果性地影响一个或多个可测量参数中的至少一个可测量参数。
以下为本说明书的示例性实施方案的列表。
第一实施方案是一种优化用于操作车辆的多个控制信号的方法，该操作具有多个相关联的可测量参数，该方法包括：
对于每个控制信号，从控制信号的一组预先确定的可能的优化值中选择多个可能的优化值，并且以预先确定的序列布置可能的优化值；
在至少第一操作迭代序列中操作车辆，其中对于第一操作迭代序列中的每一对连续的第一操作迭代和第二操作迭代，在第二操作迭代中第一操作迭代中的一个所选择的控制信号的可能的优化值被替换为所选择的控制信号在可能的优化值的对应的预先确定的序列中的下一个可能的优化值，同时在第二操作迭代中保持第一操作迭代中其余控制信号的可能的优化值；
对于至少第一操作迭代序列中的每个操作迭代，测量多个可测量参数中的每个参数；以及
生成所述控制信号的置信区间，以确定所述控制信号与所述可测量参数之间的因果关系。
第二实施方案是根据第一实施方案所述的方法，其中在至少第一操作迭代序列中操作车辆还包括在第二操作迭代序列中操作车辆，其中对于第二操作迭代序列中的每一对连续的第一操作迭代和第二操作迭代，在第二操作迭代中第一操作迭代中的一个所选择的控制信号的可能的优化值被替换为所选择的控制信号在可能的优化值的对应的预先确定的序列中的下一个可能的优化值，同时在第二操作迭代中保持第一操作迭代中其余控制信号的可能的优化值；
第三实施方案是根据第二实施方案所述的方法，其中在第一操作迭代序列中的两个操作迭代之间执行第二操作迭代序列中的至少一个操作迭代。
第四实施方案是根据第一实施方案所述的方法，其中在至少第一操作迭代序列中操作车辆还包括针对不在第一操作迭代序列中的至少一个操作迭代，操作车辆。
第五实施方案是根据第一实施方案至第四实施方案中任一项所述的方法，其中执行第一操作迭代序列中的至少一个操作迭代的持续时间与第一操作迭代序列中的至少一个其他操作迭代的持续时间不同。
第六实施方案是根据第一实施方案至第五实施方案中任一项所述的方法，其中基于多个控制信号中的控制信号的分布，来随机选择所选择的控制信号。
第七实施方案是根据第六实施方案所述的方法，其中在操作车辆时，修改分布。
第八实施方案是第一实施方案至第七实施方案中任一项所述的方法，其中生成控制信号的置信区间包括针对每个控制信号的每个可能的优化值生成置信区间，以确定控制信号的可能的优化值与每个可测量参数之间的因果关系。
第九实施方案是根据第一实施方案至第八实施方案中任一项所述的方法，其中生成控制信号的置信区间包括：将品质因数定义为可测量参数的函数；以及生成控制信号的置信区间，以确定控制信号与品质因数之间的因果关系。
第十实施方案是第一实施方案至第九实施方案中任一项所述的方法，其中多个控制信号中的至少一个控制信号控制以下各项中的一个或多个：速度、加速度、制动、转向、与车辆的乘员的通信、外部照明条件、警告信号、与另一个车辆的距离、空气-燃料混合物、车辆的内部照明、音响系统、主动式空气动力学、悬架高度、以及传感器处理。
第十一实施方案是根据第一实施方案至第十实施方案中任一项所述的方法，其中可测量参数包括以下各项中的一个或多个：车辆滑移、车辆的至少一部分的振动、内部和外部噪声水平、车轮速度、车辆速度、相同警告信号被激活的次数、车辆的乘员对激活的警告信号的反应、乘员的心率、与另一个车辆的距离、燃料效率、范围、车辆可靠性、驾驶员压力、驾驶员注意力、驾驶员攻击性、乘客压力、乘客舒适度、以及驾驶员对一个或多个控制信号的响应时间。
第十二实施方案是一种操作车辆的方法，该方法包括：根据第一实施方案至第十一实施方案中任一项所述的方法优化用于操作车辆的多个控制信号；以及使用由因果关系确定的至少控制信号来操作车辆，以因果性地影响可测量参数中的至少一个可测量参数。
第十三实施方案是一种优化用于操作车辆的多个控制信号的方法，该操作具有多个相关联的可测量参数，该方法包括：
对于每个控制信号，从控制信号的一组预先确定的可能的优化值中选择多个可能的优化值；
在至少第一操作迭代序列中操作车辆，其中对于第一操作迭代序列中的每一对连续的第一操作迭代和第二操作迭代，在第二操作迭代中第一操作迭代中的一个控制信号的可能的优化值被替换为一个控制信号在对应的多个可能的优化值中的另一个可能的优化值，同时在第二操作迭代中保持第一操作迭代中其余控制信号的可能的优化值；
在操作车辆时，接收至少一个其他车辆的至少一个可测量参数的至少一个测量值；
对于至少第一操作迭代序列中的每个操作迭代，测量多个可测量参数中的每个参数；以及
生成所述控制信号的置信区间，以确定所述控制信号与所述可测量参数之间的因果关系。
第十四实施方案是一种确定用于操作车辆并且在优化操作范围内操作的多个控制信号的优化值的方法，该方法包括：
接收用于车辆的一组操作约束；
基于所接收的一组操作约束，生成预期优化操作范围内的预期优化值；以及
迭代地生成对应的操作范围内的控制信号值，使得对于至少一次迭代，控制信号值中的至少一个控制信号值不同于先前迭代中的对应的控制信号值，并且控制信号值中的至少一个控制信号值但并非全部控制信号值在先前迭代中的操作范围之外。
第十五实施方案是第十四实施方案所述的方法，其中车辆的操作具有一个或多个相关联的可测量参数，该方法还包括：对于每次迭代，测量一个或多个可测量参数的值；以及生成控制信号的置信区间，以确定控制信号与一个或多个可测量参数之间的因果关系。
上述所有引用的参考文献、专利和专利申请以一致的方式全文据此以引用方式并入本文。在并入的参考文献部分与本申请之间存在不一致或矛盾的情况下，应以前述说明中的信息为准。
除非另外指明，否则针对附图中元件的描述应被理解为同样应用于其他附图中的对应的元件。虽然本文已经例示并描述了具体实施方案，但本领域的普通技术人员将会知道，在不脱离本公开范围的情况下，可用多种另选的和/或等同形式的具体实施来代替所示出和所描述的具体实施方案。本申请旨在涵盖本文所讨论的具体实施方案的任何改型或变型。因此，本公开旨在仅受权利要求及其等同形式的限制。

Claims (15)

1.一种优化用于操作车辆的多个控制信号的方法，所述操作具有多个相关联的可测量参数，所述方法包括：
对于每个控制信号，从所述控制信号的一组预先确定的可能的优化值中选择多个可能的优化值，并且以预先确定的序列布置所述可能的优化值；
在至少第一操作迭代序列中操作所述车辆，其中对于所述第一操作迭代序列中的每一对连续的第一操作迭代和第二操作迭代，在所述第二操作迭代中，所述第一操作迭代中的一个所选择的控制信号的所述可能的优化值被替换为所选择的控制信号在所述可能的优化值的对应的预先确定的序列中的下一个可能的优化值，同时在所述第二操作迭代中保持所述第一操作迭代中其余控制信号的所述可能的优化值；
对于至少所述第一操作迭代序列中的每个操作迭代，测量所述多个可测量参数中的每个参数；以及
生成所述控制信号的置信区间，以确定所述控制信号与所述可测量参数之间的因果关系。
2.根据权利要求1所述的方法，其中在至少所述第一操作迭代序列中操作所述车辆还包括在第二操作迭代序列中操作所述车辆，其中对于所述第二操作迭代序列中的每一对连续的第一操作迭代和第二操作迭代，在所述第二操作迭代中，所述第一操作迭代中的一个所选择的控制信号的所述可能的优化值被替换为所选择的控制信号在所述可能的优化值的对应的预先确定的序列中的下一个可能的优化值，同时在所述第二操作迭代中保持所述第一操作迭代中其余控制信号的所述可能的优化值。
3.根据权利要求2所述的方法，其中在所述第一操作迭代序列中的两个操作迭代之间执行所述第二操作迭代序列中的至少一个操作迭代。
4.根据权利要求1所述的方法，其中在至少所述第一操作迭代序列中操作所述车辆还包括针对不在所述第一操作迭代序列中的至少一个操作迭代，操作所述车辆。
5.根据权利要求1所述的方法，其中执行所述第一操作迭代序列中的至少一个操作迭代的持续时间与所述第一操作迭代序列中的至少一个其他操作迭代的持续时间不同。
6.根据权利要求1所述的方法，其中基于所述控制信号在所述多个控制信号中的分布，来随机选择所选择的控制信号。
7.根据权利要求6所述的方法，其中在操作所述车辆时，修改所述分布。
8.根据权利要求1所述的方法，其中生成所述控制信号的所述置信区间包括针对每个控制信号的每个可能的优化值生成置信区间，以确定所述控制信号的所述可能的优化值与每个可测量参数之间的因果关系。
9.根据权利要求1所述的方法，其中生成所述控制信号的所述置信区间包括：
将品质因数定义为所述可测量参数的函数；以及
生成所述控制信号的置信区间，以确定所述控制信号与所述品质因数之间的因果关系。
10.根据权利要求1所述的方法，其中所述多个控制信号中的至少一个控制信号控制以下各项中的一个或多个：速度、加速度、制动、转向、与所述车辆的乘员的通信、外部照明条件、警告信号、与另一个车辆的距离、空气-燃料混合物、车辆的内部照明、音响系统、主动式空气动力学、悬架高度、以及传感器处理。
11.根据权利要求1所述的方法，其中所述可测量参数包括以下各项中的一个或多个：车辆滑移、所述车辆的至少一部分的振动、内部和外部噪声水平、车轮速度、车辆速度、相同警告信号被激活的次数、所述车辆的乘员对激活的警告信号的反应、乘员的心率、与另一个车辆的距离、燃料效率、范围、车辆可靠性、驾驶员压力、驾驶员注意力、驾驶员攻击性、乘客压力、乘客舒适度、以及驾驶员对一个或多个控制信号的响应时间。
12.一种操作车辆的方法，所述方法包括：
根据权利要求1所述的方法优化用于操作所述车辆的多个控制信号；以及
使用由所述因果关系确定的至少所述控制信号来操作所述车辆，以因果性地影响所述可测量参数中的至少一个可测量参数。
13.一种优化用于操作车辆的多个控制信号的方法，所述操作具有多个相关联的可测量参数，所述方法包括：
对于每个控制信号，从所述控制信号的一组预先确定的可能的优化值中选择多个可能的优化值；
在至少第一操作迭代序列中操作所述车辆，其中对于所述第一操作迭代序列中的每一对连续的第一操作迭代和第二操作迭代，在所述第二操作迭代中，所述第一操作迭代中的一个控制信号的所述可能的优化值被替换为所述一个控制信号在对应的多个可能的优化值中的另一个可能的优化值，同时在所述第二操作迭代中保持所述第一操作迭代中其余控制信号的所述可能的优化值；
在操作所述车辆时，接收至少一个其他车辆的至少一个可测量参数的至少一个测量值；
对于至少所述第一操作迭代序列中的每个操作迭代，测量所述多个可测量参数中的每个参数；以及
生成所述控制信号的置信区间，以确定所述控制信号与所述可测量参数之间的因果关系。
14.一种确定用于操作车辆并且在优化操作范围内操作的多个控制信号的优化值的方法，所述方法包括：
接收用于所述车辆的一组操作约束；
基于所接收的一组操作约束，生成预期优化操作范围内的预期优化值；以及
迭代地生成对应的操作范围内的控制信号值，使得对于至少一次迭代，所述控制信号值中的至少一个控制信号值不同于先前迭代中的对应的控制信号值，并且所述控制信号值中的至少一个控制信号值但并非全部控制信号值在先前迭代中的操作范围之外。
15.根据权利要求14所述的方法，其中所述车辆的所述操作具有一个或多个相关联的可测量参数，所述方法还包括：
对于每次迭代，测量所述一个或多个可测量参数的值；以及
生成所述控制信号的置信区间，以确定所述控制信号与所述一个或多个可测量参数之间的因果关系。
CN201980093844.6A 2019-03-15 2019-09-11 优化用于操作车辆的控制信号的方法 Pending CN113544597A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962818816P 2019-03-15 2019-03-15
US62/818,816 2019-03-15
PCT/IB2019/057646 WO2020188327A1 (en) 2019-03-15 2019-09-11 Method of optimizing control signals used in operating vehicle

Publications (1)

Publication Number Publication Date
CN113544597A true CN113544597A (zh) 2021-10-22

Family

ID=68052013

Family Applications (11)

Application Number Title Priority Date Filing Date
CN201980094141.5A Pending CN113574554A (zh) 2019-03-15 2019-09-11 使用因果模型操作供应链
CN201980093844.6A Pending CN113544597A (zh) 2019-03-15 2019-09-11 优化用于操作车辆的控制信号的方法
CN201980094103.XA Active CN113574327B (zh) 2019-03-15 2019-09-11 通过选择控制设置来控制环境的方法及系统
CN201980094142.XA Pending CN113574475A (zh) 2019-03-15 2019-09-11 确定用于控制环境的因果模型
CN201980093765.5A Pending CN113544599A (zh) 2019-03-15 2019-09-11 执行过程并优化在该过程中使用的控制信号的方法
CN201980093416.3A Pending CN113544707A (zh) 2019-03-15 2019-09-11 用于连续检测、诊断和优化的深度因果学习
CN202310933600.2A Pending CN117008465A (zh) 2019-03-15 2019-09-11 使用因果模型控制制造过程
CN201980094032.3A Pending CN113574546A (zh) 2019-03-15 2019-09-11 确定用于控制环境的因果模型
CN201980094093.XA Active CN113574325B (zh) 2019-03-15 2019-09-11 通过选择控制设置来控制环境的方法和系统
CN201980094196.6A Pending CN113574476A (zh) 2019-03-15 2019-09-11 确定用于控制环境的因果模型
CN201980094220.6A Active CN113631867B (zh) 2019-03-15 2019-09-11 使用因果模型控制制造过程

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201980094141.5A Pending CN113574554A (zh) 2019-03-15 2019-09-11 使用因果模型操作供应链

Family Applications After (9)

Application Number Title Priority Date Filing Date
CN201980094103.XA Active CN113574327B (zh) 2019-03-15 2019-09-11 通过选择控制设置来控制环境的方法及系统
CN201980094142.XA Pending CN113574475A (zh) 2019-03-15 2019-09-11 确定用于控制环境的因果模型
CN201980093765.5A Pending CN113544599A (zh) 2019-03-15 2019-09-11 执行过程并优化在该过程中使用的控制信号的方法
CN201980093416.3A Pending CN113544707A (zh) 2019-03-15 2019-09-11 用于连续检测、诊断和优化的深度因果学习
CN202310933600.2A Pending CN117008465A (zh) 2019-03-15 2019-09-11 使用因果模型控制制造过程
CN201980094032.3A Pending CN113574546A (zh) 2019-03-15 2019-09-11 确定用于控制环境的因果模型
CN201980094093.XA Active CN113574325B (zh) 2019-03-15 2019-09-11 通过选择控制设置来控制环境的方法和系统
CN201980094196.6A Pending CN113574476A (zh) 2019-03-15 2019-09-11 确定用于控制环境的因果模型
CN201980094220.6A Active CN113631867B (zh) 2019-03-15 2019-09-11 使用因果模型控制制造过程

Country Status (5)

Country Link
US (13) US11927926B2 (zh)
EP (10) EP3938717A4 (zh)
CN (11) CN113574554A (zh)
CA (1) CA3133587A1 (zh)
WO (10) WO2020188330A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019162919A (ja) * 2018-03-19 2019-09-26 本田技研工業株式会社 制御装置、制御方法及びプログラム
US20220004475A1 (en) * 2018-11-28 2022-01-06 3M Innovative Properties Company Data center infrastructure optimization method based on causal learning
US20220146991A1 (en) * 2019-03-15 2022-05-12 3M Innovative Properties Company Polishing semiconductor wafers using causal models
EP3938717A4 (en) 2019-03-15 2022-12-21 3M Innovative Properties Company CONTROL OF A MANUFACTURING PROCESS USING CAUSED MODELS
JP6890632B2 (ja) * 2019-06-27 2021-06-18 東京エレクトロン株式会社 データ処理装置、データ処理方法及びプログラム
US20210158259A1 (en) * 2019-11-25 2021-05-27 David Michael Evans Orchestrated intelligent supply chain optimizer
WO2021171152A1 (en) 2020-02-28 2021-09-02 3M Innovative Properties Company Deep causal learning for data storage and processing power management
CA3191782A1 (en) * 2020-09-08 2022-03-17 Kurt E. Hecox Systems and methods for seizure detection with a statistical analysis and an artificial intelligence analysis
US20220092492A1 (en) * 2020-09-21 2022-03-24 International Business Machines Corporation Temporal and spatial supply chain risk analysis
US20220230481A1 (en) * 2021-01-18 2022-07-21 The Goodyear Tire & Rubber Company System for auto-location of tires
WO2023064340A1 (en) 2021-10-13 2023-04-20 3M Innovative Properties Company Systems, media, and methods for adaptive experimentation modeling
WO2023126912A1 (en) * 2021-12-27 2023-07-06 Kornit Digital Ltd. Process parameters for setting up a printing-system for printing on a media

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102874250A (zh) * 2011-07-14 2013-01-16 通用汽车环球科技运作有限责任公司 增强车辆控制的系统及方法
CN103419777A (zh) * 2012-07-11 2013-12-04 上海理工大学 一种改善车道跟踪与操控稳定性能的设计方法
CN109094573A (zh) * 2017-06-20 2018-12-28 百度（美国）有限责任公司 用于确定自动驾驶车辆的控制器的最佳系数的方法和系统

Family Cites Families (180)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5196997A (en) 1991-01-22 1993-03-23 International Business Machines Corporation Method and apparatus for quality measure driven process control
US5882774A (en) 1993-12-21 1999-03-16 Minnesota Mining And Manufacturing Company Optical film
EP0770967A3 (en) 1995-10-26 1998-12-30 Koninklijke Philips Electronics N.V. Decision support system for the management of an agile supply chain
US5976424A (en) 1996-07-31 1999-11-02 Minnesota Mining And Manufacturing Company Method for making multilayer optical films having thin optical layers
US10839321B2 (en) * 1997-01-06 2020-11-17 Jeffrey Eder Automated data storage system
US20070031853A1 (en) 1999-02-22 2007-02-08 Variagenics, Inc., A Delaware Corporation Gene sequence variations with utility in determining the treatment of neurological or psychiatric disease
US6440334B2 (en) 1999-06-11 2002-08-27 3M Innovative Properties Company Method of making a retroreflective article
US6266853B1 (en) 1999-09-24 2001-07-31 Wen-Lung Ho Non-rotatable enclosing buckle of fabric article
US6268853B1 (en) * 1999-09-30 2001-07-31 Rockwell Technologies, L.L.C. Data structure for use in enterprise controls
IL132663A (en) 1999-10-31 2004-06-01 Insyt Ltd Protocol system for knowledge engineering
US7461040B1 (en) 1999-10-31 2008-12-02 Insyst Ltd. Strategic method for process control
AT3773U3 (de) * 2000-02-09 2001-06-25 Avl List Gmbh Verfahren zur automatischen optimierung einer ausgangsgrösse eines von mehreren eingangsgrössen abhängigen systems
US7277822B2 (en) * 2000-09-28 2007-10-02 Blemel Kenneth G Embedded system for diagnostics and prognostics of conduits
US6945780B2 (en) * 2001-04-02 2005-09-20 United Defense, L.P. Integrated performance simulation system for military weapon systems
US6826477B2 (en) * 2001-04-23 2004-11-30 Ecole Polytechnique Federale De Lausanne (Epfl) Pedestrian navigation method and apparatus operative in a dead reckoning mode
US6594024B1 (en) 2001-06-21 2003-07-15 Advanced Micro Devices, Inc. Monitor CMP process using scatterometry
US6847854B2 (en) * 2001-08-10 2005-01-25 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US8417360B2 (en) * 2001-08-10 2013-04-09 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US8914300B2 (en) 2001-08-10 2014-12-16 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US7797062B2 (en) * 2001-08-10 2010-09-14 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US9729639B2 (en) * 2001-08-10 2017-08-08 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
GB0127551D0 (en) * 2001-11-16 2002-01-09 Abb Ab Analysing events
US20080027841A1 (en) 2002-01-16 2008-01-31 Jeff Scott Eder System for integrating enterprise performance management
US9971877B1 (en) * 2002-06-07 2018-05-15 Jda Software Group, Inc. Managing plan problems across planning cycles
DE10341764B4 (de) * 2002-09-11 2019-01-10 Fisher-Rosemount Systems, Inc. Integrierte Modell-Vorhersagesteuerung und -Optimierung innerhalb eines Prozesssteuerungssystems
US7376472B2 (en) * 2002-09-11 2008-05-20 Fisher-Rosemount Systems, Inc. Integrated model predictive control and optimization within a process control system
US7499766B2 (en) * 2002-10-11 2009-03-03 Invistics Corporation Associated systems and methods for improving planning, scheduling, and supply chain management
US6936209B2 (en) 2002-11-27 2005-08-30 3M Innovative Properties Company Methods and devices for processing polymer films
US20120010867A1 (en) 2002-12-10 2012-01-12 Jeffrey Scott Eder Personalized Medicine System
US7401057B2 (en) * 2002-12-10 2008-07-15 Asset Trust, Inc. Entity centric computer system
US8374974B2 (en) * 2003-01-06 2013-02-12 Halliburton Energy Services, Inc. Neural network training data selection using memory reduced cluster analysis for field model development
US20060111931A1 (en) * 2003-01-09 2006-05-25 General Electric Company Method for the use of and interaction with business system transfer functions
US20040138936A1 (en) * 2003-01-09 2004-07-15 Johnson Christopher D. Performing what-if forecasts using a business information and decisioning control system
US7835893B2 (en) * 2003-04-30 2010-11-16 Landmark Graphics Corporation Method and system for scenario and case decision management
US7788119B2 (en) * 2003-05-09 2010-08-31 I2 Technologies Us, Inc. System providing for inventory optimization in association with a centrally managed master repository for core reference data associated with an enterprise
US6853952B2 (en) 2003-05-13 2005-02-08 Pa Knowledge Limited Method and systems of enhancing the effectiveness and success of research and development
CA2567055C (en) * 2004-05-20 2013-11-19 Mcmaster University Method for controlling the appearance of products and process performance by image analysis
WO2005124580A1 (en) 2004-06-15 2005-12-29 The University Of Melbourne A threat assessment system and process
US7536370B2 (en) 2004-06-24 2009-05-19 Sun Microsystems, Inc. Inferential diagnosing engines for grid-based computing systems
US20120215492A1 (en) * 2004-06-24 2012-08-23 Vijay Masurkar Methods & apparatus for remotely diagnosing grid-based computing systems
US10311455B2 (en) * 2004-07-08 2019-06-04 One Network Enterprises, Inc. Computer program product and method for sales forecasting and adjusting a sales forecast
US8392228B2 (en) * 2010-03-24 2013-03-05 One Network Enterprises, Inc. Computer program product and method for sales forecasting and adjusting a sales forecast
US8352300B2 (en) * 2004-07-08 2013-01-08 One Network Enterprises, Inc. System, computer program and method for implementing and managing a value chain network
US7721959B2 (en) * 2004-07-19 2010-05-25 I2 Technologies Us, Inc. Optimizing inventory in accordance with a constrained network
US7680752B1 (en) 2005-01-06 2010-03-16 Parasoft Corporation System and method for predictive process management
JP4296160B2 (ja) 2005-03-29 2009-07-15 株式会社東芝 回路基板の品質解析システム及び品質解析方法
ATE442599T1 (de) 2005-04-08 2009-09-15 3M Innovative Properties Co Strukturierte orientierte filme zur verwendung in displays
US7660642B1 (en) * 2005-11-04 2010-02-09 Tuszynski Steve W Dynamic control system for manufacturing processes
US20070156382A1 (en) * 2005-12-29 2007-07-05 Graham James L Ii Systems and methods for designing experiments
US7953521B2 (en) * 2005-12-30 2011-05-31 Microsoft Corporation Learning controller for vehicle control
US8134681B2 (en) 2006-02-17 2012-03-13 Nikon Corporation Adjustment method, substrate processing method, substrate processing apparatus, exposure apparatus, inspection apparatus, measurement and/or inspection system, processing apparatus, computer system, program and information recording medium
US7840287B2 (en) * 2006-04-13 2010-11-23 Fisher-Rosemount Systems, Inc. Robust process model identification in model based control techniques
CN101127100A (zh) * 2006-08-18 2008-02-20 张湛 一种处理不确定因果关系类信息的智能系统的构造方法
US7693809B2 (en) 2006-09-12 2010-04-06 Home Comfort Zones, Inc. Control interface for environment control systems
US8571803B2 (en) 2006-11-15 2013-10-29 Gene Network Sciences, Inc. Systems and methods for modeling and analyzing networks
US20080311040A1 (en) 2007-03-06 2008-12-18 Flagship Ventures METHODS AND COMPOSITIONS FOR IMPROVED THERAPEUTIC EFFECTS WITH siRNA
US20090006125A1 (en) 2007-06-29 2009-01-01 Robert Lee Angell Method and apparatus for implementing digital video modeling to generate an optimal healthcare delivery model
CN101785022B (zh) 2007-07-03 2016-06-01 3M创新有限公司 用于产生可以将内容分配到其上的时隙样本以用于测定所分配内容效应的系统和方法
EP2028504B1 (en) * 2007-08-23 2016-04-13 STMicroelectronics Srl Method and device for calibrating a magnetic sensor
US10229026B1 (en) 2007-11-17 2019-03-12 EMC IP Holding Company LLC Method and apparatus for providing environmental management in distributed system data centers
WO2009070159A1 (en) * 2007-11-27 2009-06-04 Hewlett-Packard Development Company, L.P. System synthesis to meet an exergy loss target value
JP2009140350A (ja) * 2007-12-07 2009-06-25 Hitachi Ltd サプライチェーン評価システム、方法、及びプログラム。
CN101925866B (zh) * 2008-01-31 2016-06-01 费希尔-罗斯蒙特系统公司 具有用来补偿模型失配的调节的鲁棒的自适应模型预测控制器
US7840297B1 (en) * 2008-03-14 2010-11-23 Tuszynski Steve W Dynamic control system for manufacturing processes including indirect process variable profiles
US8209045B2 (en) * 2008-04-07 2012-06-26 Honeywell International Inc. System and method for discrete supply chain control and optimization using model predictive control
US10410220B2 (en) * 2008-06-12 2019-09-10 Guardian Analytics, Inc. Fraud detection and analysis system
US8577822B2 (en) * 2008-09-25 2013-11-05 University Of Iowa Research Foundation Data-driven approach to modeling sensors wherein optimal time delays are determined for a first set of predictors and stored as a second set of predictors
US8594828B2 (en) * 2008-09-30 2013-11-26 Rockwell Automation Technologies, Inc. System and method for optimizing a paper manufacturing process
CN102203642A (zh) 2008-10-22 2011-09-28 3M创新有限公司 回射片材
US8955365B2 (en) * 2008-12-23 2015-02-17 Embraer S.A. Performance monitoring and prognostics for aircraft pneumatic control valves
CN102341820B (zh) * 2009-01-07 2015-11-25 3M创新有限公司 用于同时进行关于内容有效性的因果实验和调整内容分配以优化商业目标的系统和方法
US9069345B2 (en) * 2009-01-23 2015-06-30 Mks Instruments, Inc. Controlling a manufacturing process with a multivariate model
JP6120481B2 (ja) 2009-02-06 2017-04-26 スリーエム イノベイティブ プロパティズ カンパニー 光制御フィルム及び多層光学フィルムスタック
US8577480B2 (en) * 2009-05-14 2013-11-05 Mks Instruments, Inc. Methods and apparatus for automated predictive design space estimation
US8086327B2 (en) * 2009-05-14 2011-12-27 Mks Instruments, Inc. Methods and apparatus for automated predictive design space estimation
US9196009B2 (en) * 2009-06-22 2015-11-24 Johnson Controls Technology Company Systems and methods for detecting changes in energy usage in a building
US20110016610A1 (en) 2009-07-27 2011-01-27 Steven Wieder Sweatband with absorbent bamboo inner layer and related method of use
JP5633734B2 (ja) * 2009-11-11 2014-12-03 ソニー株式会社 情報処理装置、情報処理方法、及び、プログラム
WO2011133904A1 (en) * 2010-04-22 2011-10-27 Accenture Global Services Limited Performance analytics based on high performance indices
KR101842728B1 (ko) 2010-05-07 2018-03-27 쓰리엠 이노베이티브 프로퍼티즈 컴파니 미세구조화 표면을 포함하는 반사방지 필름
US8069370B1 (en) * 2010-07-02 2011-11-29 Oracle International Corporation Fault identification of multi-host complex systems with timesliding window analysis in a time series
EP2601560B1 (en) 2010-08-06 2018-02-28 The Regents of The University of California Systems and methods for analyzing building operations sensor data
US20150142399A1 (en) * 2010-11-17 2015-05-21 Toyota Motor Engineering & Manufacturing North America, Inc. Exact parameter space reduction
US9955552B2 (en) 2011-04-14 2018-04-24 Suntracker Technologies Ltd. Predictive daylight harvesting system
CA2835196C (en) 2011-05-05 2020-05-05 Aegis Analytical Corporation A system for designating, displaying and selecting types of process parameters and product outcome parameters
US20140207385A1 (en) * 2011-08-26 2014-07-24 Philip Morris Products Sa Systems and methods for characterizing topological network perturbations
US9110452B2 (en) * 2011-09-19 2015-08-18 Fisher-Rosemount Systems, Inc. Inferential process modeling, quality prediction and fault detection using multi-stage data segregation
EP2788935A4 (en) * 2011-12-09 2016-06-22 Exxonmobil Upstream Res Co SYSTEMS AND METHODS FOR EVALUATING AND VALIDATING OPTIONS AND OPPORTUNITIES IN PLANNING AND OPERATIONS FOR A PROJECT OR PORTFOLIO OF LIQUEFIED NATURAL GAS PROJECTS
US20130197698A1 (en) 2012-01-26 2013-08-01 Carrier Corporation HVAC System Fault Root Cause Self-Determination
WO2013113388A1 (en) 2012-02-02 2013-08-08 Foss Analytical A/S Method of controlling a production process
JP6254953B2 (ja) 2012-03-02 2017-12-27 ヴィジレント コーポレイションＶｉｇｉｌｅｎｔ Ｃｏｒｐｏｒａｔｉｏｎ 環境維持モジュールを制御するための多次元最適化
US10146214B2 (en) * 2012-07-05 2018-12-04 Flextronics Ap, Llc Method and system for collecting supply chain performance information
CN102937784A (zh) * 2012-10-30 2013-02-20 中冶南方工程技术有限公司 基于人工神经网络的铸坯质量在线预报的控制方法
US8924941B2 (en) * 2013-02-12 2014-12-30 Concurix Corporation Optimization analysis using similar frequencies
US10649424B2 (en) 2013-03-04 2020-05-12 Fisher-Rosemount Systems, Inc. Distributed industrial performance monitoring and analytics
KR102036166B1 (ko) * 2013-03-06 2019-10-24 한국전자통신연구원 미검침 구간의 검침 데이터 예측 및 보정 방법과 그 장치
US20160217406A1 (en) * 2013-03-13 2016-07-28 Jda Software Group, Inc. Self-Learning Supply Chain System
US20140289174A1 (en) 2013-03-15 2014-09-25 Alexander Statnikov Data Analysis Computer System and Method For Causal Discovery with Experimentation Optimization
US10108154B2 (en) * 2013-05-08 2018-10-23 Vigilent Corporation Influence learning for managing physical conditions of an environmentally controlled space by utilizing a calibration override which constrains an actuator to a trajectory
US20150039375A1 (en) * 2013-08-02 2015-02-05 Caterpillar Inc. Supply chain optimization method and system
US20150046363A1 (en) * 2013-08-07 2015-02-12 Flextronics Ap, Llc Method and Apparatus for Managing, Displaying, Analyzing, Coordinating, and Optimizing Innovation, Engineering, Manufacturing, and Logistics Infrastructures
US10108916B2 (en) * 2013-08-16 2018-10-23 Tata Consultancy Services Systems and methods for supply chain design and analysis
US10133983B1 (en) 2013-10-02 2018-11-20 Hrl Laboratories, Llc Method and apparatus for modeling probability matching and loss sensitivity among human subjects in a resource allocation task
US9679258B2 (en) 2013-10-08 2017-06-13 Google Inc. Methods and apparatus for reinforcement learning
US9678505B2 (en) * 2013-10-14 2017-06-13 Invensys Systems, Inc. Line management in manufacturing execution system
KR20160068972A (ko) 2013-11-15 2016-06-15 노파르티스 아게 잔여 세포 배양 불순물의 제거
US9189742B2 (en) * 2013-11-20 2015-11-17 Justin London Adaptive virtual intelligent agent
CN103745273B (zh) * 2014-01-06 2017-01-18 北京化工大学 一种半导体制造过程的多性能预测方法
US20160350796A1 (en) 2014-01-29 2016-12-01 3M Innovative Properties Company Conducting multivariate experiments
US10142685B2 (en) * 2014-01-29 2018-11-27 3M Innovative Properties Company Systems and methods for spacial and temporal experimentation on content effectiveness
IN2014MU00735A (zh) * 2014-03-04 2015-09-25 Tata Consultancy Services Ltd
US10439836B2 (en) * 2014-03-26 2019-10-08 Unanimous A. I., Inc. Systems and methods for hybrid swarm intelligence
DE102014006319A1 (de) * 2014-04-30 2015-11-05 Avl List Gmbh System zur Beurteilung und/oder Optimierung des Betriebsverhaltens eines Fahrzeugs
CN106537443B (zh) * 2014-07-17 2020-10-16 3M创新有限公司 用于对表示网格异常状态严重性的原位传感器响应数据模式分类的系统及方法
CA2955008A1 (en) * 2014-07-17 2016-01-21 3M Innovative Properties Company Systems and methods for maximizing expected utility of signal injection test patterns in utility grids
US9983554B2 (en) 2014-11-25 2018-05-29 Mitsubishi Electric Research Laboratories, Inc. Model predictive control with uncertainties
CN104850893A (zh) 2014-12-01 2015-08-19 厦门易联创质检技术服务有限公司 基于三维评价与时域追溯的质量感知信息管理方法和系统
US10401170B2 (en) * 2014-12-12 2019-09-03 Honeywell International Inc. Systems and methods for providing automatic detection of inertial sensor deployment environments
US10445152B1 (en) * 2014-12-19 2019-10-15 Experian Information Solutions, Inc. Systems and methods for dynamic report generation based on automatic modeling of complex data structures
CN105786830A (zh) * 2014-12-19 2016-07-20 阿里巴巴集团控股有限公司 计算机系统中模型自适应调整方法、装置及系统
AU2015373896A1 (en) * 2015-01-02 2017-06-29 Earth Networks, Inc. Optimizing and controlling the energy consumption of a building
CN107111844B (zh) * 2015-01-16 2021-07-13 3M创新有限公司 用于选择网格动作以改善网格结果的系统和方法
US20160243766A1 (en) * 2015-02-24 2016-08-25 Siemens Aktiengesellschaft Energy Star for Manufacturing
EP3064782B1 (de) 2015-03-06 2018-06-20 Otto Nussbaum GmbH & Co. KG Zylinderkolbenaggregat
EP3079106B1 (en) 2015-04-06 2022-06-08 DeepMind Technologies Limited Selecting reinforcement learning actions using goals and observations
US9720738B2 (en) * 2015-04-09 2017-08-01 International Business Machines Corporation Datacenter scheduling of applications using machine learning techniques
US10280722B2 (en) * 2015-06-02 2019-05-07 Baker Hughes, A Ge Company, Llc System and method for real-time monitoring and estimation of intelligent well system production performance
US10088836B2 (en) * 2015-07-29 2018-10-02 General Electric Company Methods, systems, and apparatus for resource allocation in a manufacturing environment
US10332015B2 (en) 2015-10-16 2019-06-25 Adobe Inc. Particle thompson sampling for online matrix factorization recommendation
CN106650189A (zh) * 2015-10-30 2017-05-10 日本电气株式会社 一种用于因果关系挖掘的方法和设备
GB2544098B (en) * 2015-11-06 2021-02-24 Solution Seeker As Assessment of flow networks
US10250403B2 (en) * 2015-11-23 2019-04-02 International Business Machines Corporation Dynamic control of smart home using wearable device
US9703546B1 (en) * 2015-12-21 2017-07-11 Schneider Electric Software, Llc Monitoring application states for deployment during runtime operations
US20170278114A1 (en) 2016-03-24 2017-09-28 Xerox Corporation Adaptive collaborative filtering with extended kalman filters and multi-armed bandits
US10190791B2 (en) 2016-04-27 2019-01-29 Crestron Electronics, Inc. Three-dimensional building management system visualization
US20170323239A1 (en) * 2016-05-06 2017-11-09 General Electric Company Constrained time computing control system to simulate and optimize aircraft operations with dynamic thermodynamic state and asset utilization attainment
US10417614B2 (en) * 2016-05-06 2019-09-17 General Electric Company Controlling aircraft operations and aircraft engine components assignment
DE102016209984A1 (de) * 2016-06-07 2017-12-07 Lucas Automotive Gmbh Verfahren zur Schätzung einer Wahrscheinlichkeitsverteilung des maximalen Reibwerts an einem aktuellen und/oder zukünftigen Wegpunkt eines Fahrzeugs
US10451302B2 (en) 2016-08-29 2019-10-22 Iot Cloud Technologies Inc. Weather anticipating programmable thermostat and wireless network PTAC control
US10809674B2 (en) * 2016-09-16 2020-10-20 Honeywell Limited Model-plant mismatch detection using model parameter data clustering for paper machines or other systems
US10378324B2 (en) * 2016-09-26 2019-08-13 International Business Machines Corporation Controlling operation of a steam-assisted gravity drainage oil well system by adjusting controls based on forecast emulsion production
EP3316140A1 (en) 2016-10-28 2018-05-02 Alcatel Lucent Improvements in or relating to determining performance in a distributed application or system
US20180121817A1 (en) 2016-10-28 2018-05-03 Carnegie Mellon University System and method for assisting in the provision of algorithmic transparency
JP7056823B2 (ja) * 2016-11-10 2022-04-19 スリーエム イノベイティブ プロパティズ カンパニー ローカル分析の監視のシステム及び方法
CN106648654A (zh) * 2016-12-20 2017-05-10 深圳先进技术研究院 一种数据感知的Spark配置参数自动优化方法
US10747994B2 (en) * 2016-12-28 2020-08-18 Captricity, Inc. Identifying versions of a form
US20180197087A1 (en) * 2017-01-06 2018-07-12 Accenture Global Solutions Limited Systems and methods for retraining a classification model
CN110494882A (zh) * 2017-02-08 2019-11-22 白鹰Cec公司 决策支持系统及其相关方法
EP3379356A1 (en) * 2017-03-23 2018-09-26 ASML Netherlands B.V. Method of modelling lithographic systems for performing predictive maintenance
JP6557272B2 (ja) * 2017-03-29 2019-08-07 ファナック株式会社 状態判定装置
CN108733508B (zh) * 2017-04-17 2022-03-11 伊姆西Ip控股有限责任公司 用于控制数据备份的方法和系统
US10146237B2 (en) 2017-04-28 2018-12-04 Johnson Controls Technology Company Smart thermostat with model predictive control
US10089467B1 (en) * 2017-05-23 2018-10-02 Malwarebytes Inc. Static anomaly-based detection of malware files
WO2018222203A1 (en) * 2017-06-02 2018-12-06 Google Llc Systems and methods for black-box optimization
WO2018236242A1 (ru) * 2017-06-21 2018-12-27 Общество С Ограниченной Ответственностью "Оптимальное Управление" Способ и устройство планирования операций с активами предприятия
CN107358542B (zh) * 2017-06-28 2021-05-11 同济大学 一种励磁系统性能评估模型的构建方法
US20190066238A1 (en) * 2017-08-22 2019-02-28 One Network Enterprises, Inc. System and computer program for optimized execution in a value chain network
JP6871842B2 (ja) * 2017-11-30 2021-05-19 三菱重工工作機械株式会社 加工シミュレーションの条件の適正化方法、加工シミュレーション装置、加工シミュレーションシステム及びプログラム
US11574201B2 (en) 2018-02-06 2023-02-07 Cognizant Technology Solutions U.S. Corporation Enhancing evolutionary optimization in uncertain environments by allocating evaluations via multi-armed bandit algorithms
CN108361927A (zh) 2018-02-08 2018-08-03 广东美的暖通设备有限公司 一种基于机器学习的空调器控制方法、装置以及空调器
CN108596229B (zh) * 2018-04-13 2021-09-10 北京华电智慧科技产业有限公司 在线异常的监测诊断方法和系统
US11113605B2 (en) 2018-05-18 2021-09-07 Deepmind Technologies Limited Reinforcement learning using agent curricula
CN108710289B (zh) 2018-05-18 2021-11-09 厦门理工学院 一种基于改进型spsa的继电器底座质量优化的方法
RU2021127618A (ru) * 2018-06-21 2021-11-16 БВКсТ НЬЮКЛИАР ЭНЕРДЖИ, ИНК. Универсальный инвертированный реактор и способ для проектирования и изготовления универсального инвертированного реактора
WO2020010350A1 (en) * 2018-07-06 2020-01-09 The Research Foundation For The State University Of New York System and method associated with generating an interactive visualization of structural causal models used in analytics of data associated with static or temporal phenomena
CN108944947A (zh) * 2018-07-15 2018-12-07 北京三快在线科技有限公司 驾驶设备决策的预测方法和装置
US10787981B2 (en) * 2018-08-08 2020-09-29 Caterpillar Inc. Power system optimization
US11126167B2 (en) * 2018-09-28 2021-09-21 Rockwell Automation Technologies, Inc. Systems and methods for encrypting data between modules of a control system
EP3644267A1 (en) * 2018-10-26 2020-04-29 Tata Consultancy Services Limited Method and system for online monitoring and optimization of mining and mineral processing operations
US20220004475A1 (en) 2018-11-28 2022-01-06 3M Innovative Properties Company Data center infrastructure optimization method based on causal learning
US10905337B2 (en) * 2019-02-26 2021-02-02 Bao Tran Hearing and monitoring system
US20220189632A1 (en) 2019-03-15 2022-06-16 3M Innovative Properties Company Individualized medicine using causal models
EP3938849A4 (en) * 2019-03-15 2022-12-28 3M Innovative Properties Company TUNING PID PARAMETERS USING CAUSAL MODELS
EP3938717A4 (en) 2019-03-15 2022-12-21 3M Innovative Properties Company CONTROL OF A MANUFACTURING PROCESS USING CAUSED MODELS
US20220163951A1 (en) * 2019-03-15 2022-05-26 3M Innovative Properties Company Manufacturing a product using causal models
US20220172830A1 (en) * 2019-03-15 2022-06-02 3M Innovative Properties Company Controlling hospital operations using causal models
EP3938977A4 (en) 2019-03-15 2023-01-04 3M Innovative Properties Company ADAPTIVE CLINICAL TRIALS
US20220146991A1 (en) * 2019-03-15 2022-05-12 3M Innovative Properties Company Polishing semiconductor wafers using causal models
US20220178899A1 (en) * 2019-03-15 2022-06-09 3M Innovative Properties Company Manufacturing a biologic pharmaceutical using causal models
US20220366360A1 (en) * 2021-04-30 2022-11-17 Aspen Technology, Inc. Optimization of Large-scale Industrial Value Chains

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102874250A (zh) * 2011-07-14 2013-01-16 通用汽车环球科技运作有限责任公司 增强车辆控制的系统及方法
US20130218396A1 (en) * 2011-07-14 2013-08-22 GM Global Technology Operations LLC System and method for enhanced vehicle control
CN103419777A (zh) * 2012-07-11 2013-12-04 上海理工大学 一种改善车道跟踪与操控稳定性能的设计方法
CN109094573A (zh) * 2017-06-20 2018-12-28 百度（美国）有限责任公司 用于确定自动驾驶车辆的控制器的最佳系数的方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
施小明: "《大学生创新能力培养体系研究与机械类实证分析》", 31 December 2013, 武汉华中科技大学出版社, pages: 170 - 175 *
洪玲: "《轨道交通运营管理综合实验指导书》", 31 May 2017, 上海同济大学出版社, pages: 9 *

Also Published As

Publication number Publication date
US20220146988A1 (en) 2022-05-12
EP3938717A1 (en) 2022-01-19
EP3938969A1 (en) 2022-01-19
EP3938854A1 (en) 2022-01-19
CN113544707A (zh) 2021-10-22
US11853018B2 (en) 2023-12-26
US20220146995A1 (en) 2022-05-12
US20220187774A1 (en) 2022-06-16
CN113574546A (zh) 2021-10-29
WO2020190327A1 (en) 2020-09-24
CN113574476A (zh) 2021-10-29
US11927926B2 (en) 2024-03-12
EP3938716A1 (en) 2022-01-19
US11720070B2 (en) 2023-08-08
US20240085868A1 (en) 2024-03-14
WO2020188329A1 (en) 2020-09-24
WO2020188327A1 (en) 2020-09-24
CN117008465A (zh) 2023-11-07
US20220176968A1 (en) 2022-06-09
EP3938718A4 (en) 2023-01-25
US20220121971A1 (en) 2022-04-21
EP3938930A1 (en) 2022-01-19
US20230341829A1 (en) 2023-10-26
EP3938717A4 (en) 2022-12-21
WO2020190328A1 (en) 2020-09-24
US11966204B2 (en) 2024-04-23
CN113574327B (zh) 2023-01-10
CN113574554A (zh) 2021-10-29
EP3938930A4 (en) 2023-01-11
WO2020190324A1 (en) 2020-09-24
EP3938850A1 (en) 2022-01-19
WO2020188330A1 (en) 2020-09-24
WO2020190326A1 (en) 2020-09-24
EP3938964A4 (en) 2023-01-04
CN113574475A (zh) 2021-10-29
CN113574327A (zh) 2021-10-29
WO2020188328A1 (en) 2020-09-24
CN113544599A (zh) 2021-10-22
US20220050428A1 (en) 2022-02-17
CN113574325B (zh) 2022-12-27
EP3938716A4 (en) 2023-01-11
CA3133587A1 (en) 2020-09-24
US20220172139A1 (en) 2022-06-02
US20220128955A1 (en) 2022-04-28
WO2020188331A1 (en) 2020-09-24
EP3938974A4 (en) 2023-01-04
US20240176316A1 (en) 2024-05-30
CN113631867A (zh) 2021-11-09
EP3938718A1 (en) 2022-01-19
WO2020190325A1 (en) 2020-09-24
EP3938974A1 (en) 2022-01-19
CN113574325A (zh) 2021-10-29
EP3938929A4 (en) 2023-01-11
US20220128979A1 (en) 2022-04-28
EP3938929A1 (en) 2022-01-19
US20220155733A1 (en) 2022-05-19
EP3938964A1 (en) 2022-01-19
CN113631867B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN113544597A (zh) 优化用于操作车辆的控制信号的方法
US11993260B2 (en) System and method for predicting tire traction capabilities and active safety applications
US11091165B2 (en) Method for estimating a probability distribution of the maximum coefficient of friction at a current and/or future waypoint of a vehicle
JP6576578B2 (ja) 車両を制御する方法、システム、及び非一時的コンピューター可読メモリ
US20220016939A1 (en) System and method for feature extraction from real-time vehicle kinetics data for remote tire wear modeling
US11560146B2 (en) Interpreting data of reinforcement learning agent controller
US11945265B2 (en) Systems and methods for estimating tire wear
US20230256778A1 (en) Vehicle tire localization system and method using temperature rise data
US20230001940A1 (en) Method and Device for Optimum Parameterization of a Driving Dynamics Control System for Vehicles
CN112977412A (zh) 一种车辆控制方法、装置、设备及计算机存储介质
CN115943396A (zh) 使用机器学习检测车辆故障和网络攻击
CN116348752B (zh) 用于轮胎磨损预测的分级数据结构和方法
EP3640857B1 (en) Method, vehicle, system, and storage medium for indicating anomalous vehicle scenario using encoder network and discriminator network intermediate layer activation
CN111752265B (zh) 情景存储器中的超关联
Hoekstra et al. Evolving Markov chain models of driving conditions using onboard learning
CN114792478B (zh) 一种基于事件触发的智能网联汽车编队控制方法
CN114154227A (zh) 一种重型挂车制动过程自适应学习方法
EP3654246A1 (en) Method, vehicle, system, and storage medium for indicating anomalous vehicle scenario using encoder network and replay buffer
US12038292B2 (en) Adaptive in-drive updating of energy consumption prediction for vehicle with a load
KR102614816B1 (ko) 자율주행 차량의 물리적 특성을 반영한 인공신경망 기반 동역학 모델의 모델링 방법 및 모델 은닉층 내 잠재 변수들을 활용한 자율주행 제어 방법
US20230408272A1 (en) Adaptive in-drive updating of energy consumption prediction for vehicle with a load
US20240157970A1 (en) Method or system using human driving characteristics in autonomous driving method or system
Hong et al. Transition probability estimation and its application in evaluation of automated driving
WO2024100443A1 (en) System and method for vehicle control based on driving pattern analysis
CN117057219A (zh) 轮胎受损预测方法、装置、设备、存储介质及车辆

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