CN113978259B - 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

一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法 Download PDF

Info

Publication number
CN113978259B
CN113978259B CN202111397810.1A CN202111397810A CN113978259B CN 113978259 B CN113978259 B CN 113978259B CN 202111397810 A CN202111397810 A CN 202111397810A CN 113978259 B CN113978259 B CN 113978259B
Authority
CN
China
Prior art keywords
driving
parameters
control method
data
brake control
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.)
Active
Application number
CN202111397810.1A
Other languages
English (en)
Other versions
CN113978259A (zh
Inventor
张展浩
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202111397810.1A priority Critical patent/CN113978259B/zh
Publication of CN113978259A publication Critical patent/CN113978259A/zh
Application granted granted Critical
Publication of CN113978259B publication Critical patent/CN113978259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L7/00—Electrodynamic brake systems for vehicles in general
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T13/00—Transmitting braking action from initiating means to ultimate brake actuator with power assistance or drive; Brake systems incorporating such transmitting means, e.g. air-pressure brake systems
    • B60T13/74—Transmitting braking action from initiating means to ultimate brake actuator with power assistance or drive; Brake systems incorporating such transmitting means, e.g. air-pressure brake systems with electrical assistance or drive

Landscapes

  • Engineering & Computer Science (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Power Engineering (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

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：
Figure GDA0003441714090000031
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：
Figure GDA0003441714090000032
式中，xnorm为归一化后的输出结果，x为样本数据，xmin为样本数据中的最小值，xmax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：
Figure GDA0003441714090000041
式中，
Figure GDA0003441714090000042
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，
Figure GDA0003441714090000043
为
Figure GDA0003441714090000044
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：
Figure GDA0003441714090000061
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：
Figure GDA0003441714090000062
式中，xnorm为归一化后的输出结果，x为样本数据，xmin为样本数据中的最小值，xmax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：
Figure GDA0003441714090000071
式中，
Figure GDA0003441714090000072
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，
Figure GDA0003441714090000073
为
Figure GDA0003441714090000074
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∈RN×F，其中P表示每个维度上的特征数量，设Xt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：
Figure GDA0003441714090000075
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 (8)

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；
所述步骤二中，实时线性插值法的计算公式如下：
Figure FDA0003810605890000021
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；
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。
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，归一化的计算公式如下：
Figure FDA0003810605890000031
式中，xnorm为归一化后的输出结果，x为样本数据，xmin为样本数据中的最小值，xmax为样本数据中的最大值。
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：所述步骤三中，图卷积运算的计算公式如下：
Figure FDA0003810605890000032
式中，
Figure FDA0003810605890000033
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，
Figure FDA0003810605890000034
为
Figure FDA0003810605890000035
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。
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。
CN202111397810.1A 2021-11-19 2021-11-19 一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法 Active CN113978259B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111397810.1A CN113978259B (zh) 2021-11-19 2021-11-19 一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111397810.1A CN113978259B (zh) 2021-11-19 2021-11-19 一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法

Publications (2)

Publication Number Publication Date
CN113978259A CN113978259A (zh) 2022-01-28
CN113978259B true CN113978259B (zh) 2022-10-18

Family

ID=79750117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111397810.1A Active CN113978259B (zh) 2021-11-19 2021-11-19 一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法

Country Status (1)

Country Link
CN (1) CN113978259B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002152903A (ja) * 1995-09-20 2002-05-24 Mitsubishi Motors Corp 電気式車両の回生制動制御装置
CN109552289A (zh) * 2018-11-29 2019-04-02 辽宁工业大学 一种汽车自适应辅助制动系统及其控制方法
EP3495193A1 (de) * 2017-12-06 2019-06-12 MAN Truck & Bus AG Verfahren zum betreiben eines kraftfahrzeugs
US10324463B1 (en) * 2016-01-22 2019-06-18 State Farm Mutual Automobile Insurance Company Autonomous vehicle operation adjustment based upon route
CN109901572A (zh) * 2018-12-13 2019-06-18 华为技术有限公司 自动驾驶方法、训练方法及相关装置
CN110379193A (zh) * 2019-07-08 2019-10-25 华为技术有限公司 自动驾驶车辆的行为规划方法及行为规划装置
CN111204346A (zh) * 2018-11-05 2020-05-29 通用汽车环球科技运作有限责任公司 用于自动车辆的控制命令的端对端学习的方法及系统
CN111469670A (zh) * 2020-04-14 2020-07-31 桂林电子科技大学 一种基于路面识别的电动汽车再生制动控制策略
CN111497846A (zh) * 2020-04-22 2020-08-07 北京理工大学 一种电动汽车的电液复合制动控制方法及系统
CN112498350A (zh) * 2019-09-13 2021-03-16 图森有限公司 自主车辆中的补充制动控制系统
CN112909973A (zh) * 2021-01-29 2021-06-04 张展浩 一种电动汽车蓄电池经济性充放电方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4193838B2 (ja) * 2005-12-16 2008-12-10 トヨタ自動車株式会社 車輌の制駆動力制御装置
US20210157312A1 (en) * 2016-05-09 2021-05-27 Strong Force Iot Portfolio 2016, Llc Intelligent vibration digital twin systems and methods for industrial environments
CN108791270B (zh) * 2018-06-20 2021-10-29 北京理工大学 一种混合动力车辆基于工况预测的动力部件工作点调控方法
CN112601685A (zh) * 2018-07-06 2021-04-02 伊戈尔航空有限公司 自适应制动和方向控制系统(abadcs)
US20200031361A1 (en) * 2018-07-25 2020-01-30 Continental Powertrain USA, LLC Autonomous Efficient Driving Strategy Using Behavior-Based Learning
US10845815B2 (en) * 2018-07-27 2020-11-24 GM Global Technology Operations LLC Systems, methods and controllers for an autonomous vehicle that implement autonomous driver agents and driving policy learners for generating and improving policies based on collective driving experiences of the autonomous driver agents
US11137762B2 (en) * 2018-11-30 2021-10-05 Baidu Usa Llc Real time decision making for autonomous driving vehicles
US11235665B2 (en) * 2019-03-26 2022-02-01 Ford Global Technologies, Llc Regenerative braking control system
US20200363800A1 (en) * 2019-05-13 2020-11-19 Great Wall Motor Company Limited Decision Making Methods and Systems for Automated Vehicle
KR20190098735A (ko) * 2019-08-01 2019-08-22 엘지전자 주식회사 차량 단말 및 그의 동작 방법
CN110949398B (zh) * 2019-11-28 2021-09-03 同济大学 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法
CN115175841A (zh) * 2020-02-19 2022-10-11 辉达公司 自主车辆的行为规划
US11458987B2 (en) * 2020-02-26 2022-10-04 Honda Motor Co., Ltd. Driver-centric risk assessment: risk object identification via causal inference with intent-aware driving models
DE102020107548A1 (de) * 2020-03-19 2021-09-23 Ford Global Technologies Llc Kraftfahrzeug und Verfahren zum Betreiben eines Kraftfahrzeugs

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002152903A (ja) * 1995-09-20 2002-05-24 Mitsubishi Motors Corp 電気式車両の回生制動制御装置
US10324463B1 (en) * 2016-01-22 2019-06-18 State Farm Mutual Automobile Insurance Company Autonomous vehicle operation adjustment based upon route
EP3495193A1 (de) * 2017-12-06 2019-06-12 MAN Truck & Bus AG Verfahren zum betreiben eines kraftfahrzeugs
CN111204346A (zh) * 2018-11-05 2020-05-29 通用汽车环球科技运作有限责任公司 用于自动车辆的控制命令的端对端学习的方法及系统
CN109552289A (zh) * 2018-11-29 2019-04-02 辽宁工业大学 一种汽车自适应辅助制动系统及其控制方法
CN109901572A (zh) * 2018-12-13 2019-06-18 华为技术有限公司 自动驾驶方法、训练方法及相关装置
CN110379193A (zh) * 2019-07-08 2019-10-25 华为技术有限公司 自动驾驶车辆的行为规划方法及行为规划装置
CN112498350A (zh) * 2019-09-13 2021-03-16 图森有限公司 自主车辆中的补充制动控制系统
CN111469670A (zh) * 2020-04-14 2020-07-31 桂林电子科技大学 一种基于路面识别的电动汽车再生制动控制策略
CN111497846A (zh) * 2020-04-22 2020-08-07 北京理工大学 一种电动汽车的电液复合制动控制方法及系统
CN112909973A (zh) * 2021-01-29 2021-06-04 张展浩 一种电动汽车蓄电池经济性充放电方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GCN图卷积;jzwei023;《CSDN博客，https://blog.csdn.net/jzwei023/article/details/115025479》;20210320;第1-6页 *
基于卷积神经网络的驾驶辅助系统设计;史二娜等;《计算机测量与控制》;20191225(第12期);第121~125页 *
考虑驾驶风格的智能车自主驾驶决策方法;王鑫鹏等;《交通信息与安全》;20200628(第02期);第43~52页 *
融合制动意图预测的电动汽车制动力分配策略研究;孙静;《中国优秀硕士学位论文全文数据库》;20210731(第7期);第13-42页 *

Also Published As

Publication number Publication date
CN113978259A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
WO2021103625A1 (zh) 一种基于前车与自车互动的短期车速工况实时预测方法
CN112668799A (zh) 基于行驶大数据的phev的智能能量管理方法和存储介质
CN113788021B (zh) 一种结合前车速度预测的自适应跟车巡航控制方法
CN107539306A (zh) 基于模糊小脑模型神经网络的汽车转矩分配控制方法
CN111552185B (zh) 一种基于pmp的插电式混合动力汽车模型预测控制的能量管理方法
CN112327168A (zh) 一种基于XGBoost的电动汽车电池消耗预测方法
CN111767896A (zh) 一种清扫车底盘上装协同控制方法及感知识别实现装置
CN113821875A (zh) 一个基于端云协同的智能车辆故障实时预测方法及系统
CN116070783A (zh) 一种混动传动系统在通勤路段下的学习型能量管理方法
George et al. Driving Range Estimation of Electric Vehicles using Deep Learning
CN117841952A (zh) 一种能源需求控制方法、系统、可读存储介质及车辆
CN113978259B (zh) 一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法
Feng et al. Energy consumption prediction strategy for electric vehicle based on LSTM-transformer framework
CN117922373A (zh) 一种不同海拔下的增程式电动汽车apu自适应控制方法
CN110667540B (zh) 一种用于电动汽车的电子电力控制动力系统及其控制方法
CN109376473B (zh) 车辆控制器、车辆及其续航里程的计算方法和装置
CN116176557A (zh) 一种混合动力越野车的能量管理方法、装置及电子设备
CN116258242A (zh) 一种自动驾驶车辆反应式轨迹预测方法及系统
US20230369857A1 (en) Methods and systems for power-supply management in smart urban based on internet of things
Beşkardeş et al. Data-driven-based fuzzy control system design for a hybrid electric vehicle
Kim et al. Deep-Learning-Based Prediction Algorithm for Fuel Cell Electric Vehicle Energy with Shift Mixup
CN113650622A (zh) 车速轨迹规划方法、装置、设备及存储介质
CN112660127B (zh) 一种基于深度迁移学习的列队混动卡车cacc能量管理方法
CN115782595B (zh) 一种基于能量回收状态的电动公交车瞬时能耗估计方法
CN115547047B (zh) 一种基于注意力模型的智能网联车跟驰模型

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
GR01 Patent grant
GR01 Patent grant