CN113978259A - 一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法 - Google Patents

Abstract

本发明提出一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法,包括数据采集、数据处理、构建自学模型与预测输出制动踏板位置，通过利用传感器采集到的多元驾驶员操作参数及行车电脑计算的驾驶场景参数、车辆工作状态参数，输入图神经网络，获取用户偏好的车辆制动行为与行车环境、车辆工作状态的内在联系，进而得出优选的车辆制动策略，使制动时机更加精准、制动过程更加平顺，提高了行车安全性及用户驾驶体验感，同时最大化制动过程的能量回收，减小了传统多变量、多目标控制设计的复杂度，并且依托新型图卷积神经网络技术，具有自我更新和探索的能力，随着使用时间的延长，可以逐步提升控制效果，并提高网络收敛速度。

Description

一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法

技术领域

本发明涉及电动汽车智能控制技术领域，尤其涉及一种基于驾驶 场景及驾驶习惯的电动汽车制动控制方法。

背景技术

纯电动汽车驾驶过程中的舒适性、安全性和节能问题也必将备受 关注，其中，制动问题是保障纯电动汽车安全性的核心，若能在考虑 驾驶舒适度与节能的前提下，保证纯电动汽车的制动安全性，则可大 幅度提升驾驶体验感。

目前，常见的汽车制动控制方法有通过汽车仿真软件ADVISOR提 供的查表制动方法，依据查表方式结合总制动力得到各制动力分配情 况，但与实际汽车行驶工况不相符，无法保证驾驶安全性，此外，还 有利用智能控制算法实现汽车制动控制的方法，但大多未考虑实际环 境因素和驾驶舒适度因素，无法改善制动过程的舒适性与节能问题， 因此本发明提出一种基于驾驶场景及驾驶习惯的电动汽车制动控制 方法以解决现有技术中存在的问题。

发明内容

针对上述问题，本发明的目的在于提出一种基于驾驶场景及驾驶 习惯的电动汽车制动控制方法，该种基于驾驶场景及驾驶习惯的电动 汽车制动控制方法通过依托新型图卷积神经网络技术，获取用户偏好 的车辆制动行为与行车环境、车辆工作状态的内在联系，进而得出优 选的车辆制动策略，使制动时机更加精准、制动过程更加平顺，来解 决现有技术中存在的问题。

为实现本发明的目的，本发明通过以下技术方案实现：一种基于 驾驶场景及驾驶习惯的电动汽车制动控制方法，包括以下步骤：

步骤一、数据采集

通过行车电脑以及传感器来采集纯电动汽车行驶过程中的多维 度多变量状态参数，该多维度多变量状态参数包括驾驶人行为参数、 车辆状态参数、气象参数和路面参数；

步骤二、数据处理

对步骤一中采集到的多维度多变量状态参数进行数据处理，先监 测数据中的异常点，并删除异常值，再看作缺失值处理，之后再对数 据中原有的缺失值和异常处理后的缺失值，统一采用实时线性插值法 实现数据缺失值的补充，最后再进行归一化处理；

步骤三、构建自学模型

将N个维度的驾驶场景参数、车辆状态参数、路面参数及驾驶人 行为参数表示为一个图向量，然后根据构造的图向量，再通过图卷积 运算，获取多维度多变量状态参数间的依赖关系，建立成驾驶场景与 驾驶习惯自学习模型；

步骤四、预测输出制动踏板位置

将步骤三中所有的图向量完成图卷积运算后，将每个更新后的节 点信息按照时间顺序组成序列，并送入编码GRU中，得到每个节点的 编码向量和时间序列的长期依赖关系，之后再通过解码GRU对编码向 量进行解码，将每一时间步的隐向量输入到多层感知器神经网络内， 得到时间窗口内每个时间步特定驾驶场景下制动踏板位置的预测输 出。

进一步改进在于：所述步骤一中，驾驶人行为参数包括制动踏板 位置、方向盘转角和充电习惯。

进一步改进在于：所述步骤一中，所述车辆状态参数包括行驶里 程、剩余电量、放电深度、车辆重心和行驶方向。

进一步改进在于：所述步骤一中，所述气象参数包括环境温度、 空气湿度和风阻系数。

进一步改进在于：所述步骤一中，所述路面参数包括道路类型、 拥堵状况、摩擦系数和跟车距离。

进一步改进在于：所述步骤二中，实时线性插值法的计算公式如 下：

式中，x₀和x₁分别为缺失值前、后的有效数据样本，p(x)为线性 拟合出的补偿值。

进一步改进在于：所述步骤二中，归一化的计算公式如下：

式中，x_norm为归一化后的输出结果，x为样本数据，x_min为样本 数据中的最小值，x_max为样本数据中的最大值。

进一步改进在于：所述步骤二中，通过基于核主成分分析方法， 并通过一个核函数完成非线性变换，将变量由非线性的输入空间转换 为高维线性特征空间，在特征空间进行主成分分析，来监测数据中的 异常点。

进一步改进在于：所述步骤三中，图卷积运算的计算公式如下：

式中，

表示图的邻接矩阵与单位矩阵的加和，A表示G 的邻接矩阵，

为

的度矩阵，H^(l)表示图卷积神经网络第l层的输入 向量，W^(l)表示第l层的变换参数，σ为Sigmoid激活函数。

进一步改进在于：所述步骤三中，图向量的表达公式为：

G＝(V,E)

式中，V是节点集|V|＝N，E是边集。

本发明的有益效果为：该种基于驾驶场景及驾驶习惯的电动汽车 制动控制方法通过利用传感器采集到的多元驾驶员操作参数及行车 电脑计算的驾驶场景参数、车辆工作状态参数，输入图神经网络，获 取用户偏好的车辆制动行为与行车环境、车辆工作状态的内在联系， 进而得出优选的车辆制动策略，使制动时机更加精准、制动过程更加 平顺，提高了行车安全性及用户驾驶体验感，同时最大化制动过程的 能量回收，减小了传统多变量、多目标控制设计的复杂度，并且依托 新型图卷积神经网络技术，具有自我更新和探索的能力，随着使用时 间的延长，可以逐步提升控制效果，并提高网络收敛速度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面 将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而 易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域 普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这 些附图获得其他的附图。

图1是本发明的整体流程示意图。

图2是本发明的工作原理示意图。

图3是本发明的图神经网络结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方 案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部 分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普 通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例， 都属于本发明保护的范围。

根据图1-3所示，本实施例提出了一种基于驾驶场景及驾驶习惯 的电动汽车制动控制方法，包括以下步骤：

步骤一、数据采集

通过行车电脑以及传感器来采集纯电动汽车行驶过程中的多维 度多变量状态参数，该多维度多变量状态参数包括驾驶人行为参数、 车辆状态参数、气象参数和路面参数，其中，驾驶人行为参数包括制 动踏板位置、方向盘转角和充电习惯，车辆状态参数包括行驶里程、 剩余电量、放电深度、车辆重心和行驶方向，气象参数包括环境温度、 空气湿度和风阻系数，路面参数包括道路类型、拥堵状况、摩擦系数 和跟车距离；

步骤二、数据处理

对步骤一中采集到的多维度多变量状态参数进行数据处理，先监 测数据中的异常点，并删除异常值，再看作缺失值处理，之后再对数 据中原有的缺失值和异常处理后的缺失值，统一采用实时线性插值法 实现数据缺失值的补充，最后再进行归一化处理，其中，实时线性插 值法的计算公式如下：

式中，x₀和x₁分别为缺失值前、后的有效数据样本，p(x)为线性 拟合出的补偿值，其中，归一化的计算公式如下：

式中，x_norm为归一化后的输出结果，x为样本数据，x_min为样本 数据中的最小值，x_max为样本数据中的最大值，步骤二中，通过基于 核主成分分析方法，并通过一个核函数完成非线性变换，将变量由非 线性的输入空间转换为高维线性特征空间，在特征空间进行主成分分 析，来监测数据中的异常点；

步骤三、构建自学模型

将N个维度的驾驶场景参数、车辆状态参数、路面参数及驾驶人 行为参数表示为一个图向量，然后根据构造的图向量，再通过图卷积 运算，获取多维度多变量状态参数间的依赖关系，基于图卷积神经网 络(GCN)建立成驾驶场景与驾驶习惯自学习模型，其中，所构件的 图神经网络结构如附图3所示，其中，图卷积运算的计算公式如下：

式中，

表示图的邻接矩阵与单位矩阵的加和，A表示G 的邻接矩阵，

为

的度矩阵，H^(l)表示图卷积神经网络第l层的输入 向量，W^(l)表示第l层的变换参数，σ为Sigmoid激活函数，其中，图 向量的表达公式为：

G＝(V,E)

式中，V是节点集|V|＝N，E是边集，将图向量G上观察到的 驾驶场景与驾驶行为关系表示为图形信号X∈R^N×F，其中P表示每个 维度上的特征数量，设X_t表示在t时刻观测到的图向量，则驾驶场景 与驾驶习惯自学习过程就是学习一个函数h(.)，得到历时时刻T′的图向量到未来时刻T的图向量的映射，公式表达如下：

步骤四、预测输出制动踏板位置

将步骤三中所有的图向量完成图卷积运算后，将每个更新后的节 点信息按照时间顺序组成序列，并送入编码GRU中，得到每个节点的 编码向量和时间序列的长期依赖关系，之后再通过解码GRU对编码向 量进行解码，将每一时间步的隐向量输入到多层感知器(MLP)神经 网络内，得到时间窗口内每个时间步特定驾驶场景下制动踏板位置的 预测输出，其中，制动策略的得出，主要表现为门控循环单元(GRU) 对时间依赖关系的捕获。

在本实施例中，对与数据的采集，需要考虑如下情况：

情况一：考虑在北方地区冬季下雪天气的情境，环境温度较低， 纯电动汽车的电池组不仅需要提供车辆行驶动力，还需提供热量维持 自身工况，对纯电动汽车续航影响较大，路面参数变化较大，摩擦系 数降低。

情况二：考虑在南方地区夏季天气的情景，环境温度较高，纯电 动汽车电池组可能会发生电池过热情况，影响纯电动汽车安全性，需 对电池仓采取降温措施，同样影响纯电动汽车续航，其余数据变化不 大。

在不同的情况下，所采集得到的特征数据差别较大，而获取特征 数据的途径如下：

获取驾驶人行为参数数据时，制动踏板位置、方向盘角度数据和 充电习惯可直接在行车电脑获取；

在获取车辆状态参数数据时，纯电动汽车的剩余电量、放电深度、 行驶里程和行驶方向可通过行车电脑直接获取，车辆重心可通过车辆 说明书直接获得；

在获取气象参数数据时，可通过加装温度传感器等各类传感器， 直接获取纯电动汽车行驶过程中的环境温度、空气湿度和风阻系数等 数据；

在获取路面参数数据时，可通过结合天气预报信息，结合环境参 数测得的温度信息、空气湿度信息和风阻信息综合分析，得到当前驾 驶时的道路类型和摩擦系数；

可通过导航软件，获取道路的拥堵状况。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业 的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和 说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围 的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要 求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及 其等效物界定。

Claims (10)

1.一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法，其特征在于：包括以下步骤：

步骤一、数据采集

通过行车电脑以及传感器来采集纯电动汽车行驶过程中的多维度多变量状态参数，该多维度多变量状态参数包括驾驶人行为参数、车辆状态参数、气象参数和路面参数；

步骤二、数据处理

对步骤一中采集到的多维度多变量状态参数进行数据处理，先监测数据中的异常点，并删除异常值，再看作缺失值处理，之后再对数据中原有的缺失值和异常处理后的缺失值，统一采用实时线性插值法实现数据缺失值的补充，最后再进行归一化处理；

步骤三、构建自学模型

将N个维度的驾驶场景参数、车辆状态参数、路面参数及驾驶人行为参数表示为一个图向量，然后根据构造的图向量，再通过图卷积运算，获取多维度多变量状态参数间的依赖关系，建立成驾驶场景与驾驶习惯自学习模型；

步骤四、预测输出制动踏板位置

将步骤三中所有的图向量完成图卷积运算后，将每个更新后的节点信息按照时间顺序组成序列，并送入编码GRU中，得到每个节点的编码向量和时间序列的长期依赖关系，之后再通过解码GRU对编码向量进行解码，将每一时间步的隐向量输入到多层感知器神经网络内，得到时间窗口内每个时间步特定驾驶场景下制动踏板位置的预测输出。

2.根据权利要求1所述的一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法，其特征在于：所述步骤一中，驾驶人行为参数包括制动踏板位置、方向盘转角和充电习惯。

3.根据权利要求1所述的一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法，其特征在于：所述步骤一中，所述车辆状态参数包括行驶里程、剩余电量、放电深度、车辆重心和行驶方向。

4.根据权利要求1所述的一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法，其特征在于：所述步骤一中，所述气象参数包括环境温度、空气湿度和风阻系数。

5.根据权利要求1所述的一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法，其特征在于：所述步骤一中，所述路面参数包括道路类型、拥堵状况、摩擦系数和跟车距离。

6.根据权利要求1所述的一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法，其特征在于：所述步骤二中，实时线性插值法的计算公式如下：

式中，x₀和x₁分别为缺失值前、后的有效数据样本，p(x)为线性拟合出的补偿值。

7.根据权利要求1所述的一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法，其特征在于：所述步骤二中，归一化的计算公式如下：

式中，x_norm为归一化后的输出结果，x为样本数据，x_min为样本数据中的最小值，x_max为样本数据中的最大值。

8.根据权利要求1所述的一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法，其特征在于：所述步骤二中，通过基于核主成分分析方法，并通过一个核函数完成非线性变换，将变量由非线性的输入空间转换为高维线性特征空间，在特征空间进行主成分分析，来监测数据中的异常点。

9.根据权利要求1所述的一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法，其特征在于：所述步骤三中，图卷积运算的计算公式如下：

式中，

表示图的邻接矩阵与单位矩阵的加和，A表示G的邻接矩阵，

为

的度矩阵，H^(l)表示图卷积神经网络第l层的输入向量，W^(l)表示第l层的变换参数，σ为Sigmoid激活函数。

10.根据权利要求1所述的一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法，其特征在于：所述步骤三中，图向量的表达公式为：

G＝(V,E)

式中，V是节点集|V|＝N，E是边集。

Images