CN114859796A - 一种车辆控制方法、电子设备及存储介质 - Google Patents
一种车辆控制方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114859796A CN114859796A CN202210651867.8A CN202210651867A CN114859796A CN 114859796 A CN114859796 A CN 114859796A CN 202210651867 A CN202210651867 A CN 202210651867A CN 114859796 A CN114859796 A CN 114859796A
- Authority
- CN
- China
- Prior art keywords
- vehicle model
- optimized
- function
- vehicle
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012360 testing method Methods 0.000 claims abstract description 114
- 230000006870 function Effects 0.000 claims description 144
- 238000005457 optimization Methods 0.000 claims description 84
- 238000004590 computer program Methods 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
- G05B19/0423—Input/output
-
- 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
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25257—Microcontroller
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种车辆控制方法、电子设备及存储介质。该方法包括:获取测试数据和待优化车辆模型,待优化车辆模型包括ECU车辆模型、TCU车辆模型、VCU车辆模型、HCU车辆模型、MCU车辆模型中的至少一项;根据测试数据,对待优化车辆模型进行优化,得到预设车辆模型;基于预设车辆模型对车辆进行控制。本发明的技术方案,通过获取测试数据和待优化车辆模型,然后根据测试数据对待优化车辆模型进行优化,得到预设车辆模型,并基于预设车辆模型对车辆进行控制,能够提高车辆控制的准确度,降低车辆控制的复杂度,提升车辆控制效率。
Description
技术领域
本发明实施例涉及车辆控制领域,尤其涉及一种车辆控制方法、电子设备及存储介质。
背景技术
随着汽车技术的不断发展,人们对汽车的性能需求也逐渐提高,其中,汽车控制器的性能更是备受关注。
汽车控制器越来越多地使用基于模型的控制策略,目前,汽车控制模型的参数优化主要是在车辆或待优化系统等处于运转状态时手动调整模型参数或离线人工调整参数对比仿真结果。但这种方法需要计算高维超定方程,对计算资源要求较高且计算时间较长,且人工解耦计算的前提是参数之间无交互,不能全局同步优化,同时优化结果缺乏客观性。
发明内容
本发明提供一种车辆控制方法、电子设备及存储介质,以快速、简单、客观的进行车辆控制。
根据本发明的一方面,提供了一种车辆控制方法,该方法包括:
获取测试数据和待优化车辆模型,待优化车辆模型包括ECU车辆模型、TCU车辆模型、VCU车辆模型、HCU车辆模型、MCU车辆模型中的至少一项;
根据测试数据,对待优化车辆模型进行优化,得到预设车辆模型;
基于预设车辆模型对车辆进行控制。
可选的,测试数据包括测试输入数据和测试输出数据,待优化车辆模型包括待优化参数。
可选的,根据测试数据,对待优化车辆模型进行优化,得到预设车辆模型,包括:获取当前优化次数l和预设优化次数,并令l=1;根据测试输入数据、测试输出数据和待优化车辆模型,确定损失函数;若损失函数的取值小于或者等于预设阈值,则令待优化车辆模型为预设车辆模型;若损失函数的取值大于预设阈值,则根据测试输入数据和待优化参数,确定约束函数;根据损失函数和约束函数,确定目标函数;根据目标函数,确定待优化参数的取值,并根据待优化参数的取值更新待优化车辆模型,得到更新后的车辆模型;判断当前优化次数是否等于预设优化次数;若当前优化次数等于预设优化次数,则令更新后的车辆模型为预设车辆模型;若当前优化次数小于预设优化次数,则令当前优化次数等于l=l+1,并返回执行根据测试输入数据、测试输出数据和待优化车辆模型,确定损失函数的步骤。
可选的,根据测试输入数据、测试输出数据和待优化车辆模型,确定损失函数,包括:根据测试输入数据和待优化车辆模型,确定实际输出数据;根据测试输出数据和实际输出数据,确定损失函数。
可选的,根据测试输入数据和待优化参数,确定约束函数,包括:根据测试输入数据和待优化参数,分别确定平滑性函数和单调性函数;根据平滑性函数,确定平滑性约束项;并根据单调性函数,确定单调性约束项;根据平滑性约束项和单调性约束项,确定约束函数。
可选的,根据目标函数,确定待优化参数的取值,包括:根据目标函数,确定待优化参数的有限差分梯度;根据有限差分梯度和待优化参数的历史取值,确定待优化参数的取值。
根据本发明的另一方面,提供了一种车辆控制装置,该装置包括:
获取模块,用于获取测试数据和待优化车辆模型,待优化车辆模型包括ECU车辆模型、TCU车辆模型、VCU车辆模型、HCU车辆模型、MCU车辆模型中的至少一项;
处理模块,用于根据测试数据,对待优化车辆模型进行优化,得到预设车辆模型;
控制模块,用于基于预设车辆模型对车辆进行控制。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的车辆控制方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的车辆控制方法。
本发明实施例的技术方案,通过获取测试数据和待优化车辆模型,待优化车辆模型包括ECU车辆模型、TCU车辆模型、VCU车辆模型、HCU车辆模型、MCU车辆模型中的至少一项;根据测试数据,对待优化车辆模型进行优化,得到预设车辆模型;基于预设车辆模型对车辆进行控制。本发明提供的方案解决了车辆控制时需要计算高维超定方程,对计算资源要求较高且计算时间较长,且人工解耦计算的前提是参数之间无交互,不能全局同步优化,同时优化结果缺乏客观性的问题。能够提高车辆控制的准确度,降低车辆控制的复杂度,提升车辆控制效率,实现快速、简单、客观的进行车辆控制的目的。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明实施例一提供的一种车辆控制方法的流程示意图;
图2是本发明实施例二提供的一种车辆控制方法的流程示意图;
图3是本发明实施例二提供的一种待优化车辆模型的结构示意图;
图4a是本发明实施例二提供的一种待优化参数的优化对比图;
图4b是本发明实施例二提供的一种车辆模型的优化对比图;
图5是本发明实施例三提供的一种车辆控制装置的结构示意图;
图6是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种车辆控制方法的流程示意图,本实施例可适用于车辆控制等情况,该方法可以由本发明实施例提供的车辆控制装置来执行,该装置可采用软件和/或硬件的方式实现,在一个具体的实施例中,该装置可以集成在电子设备(如车辆)中。以下实施例将以该装置集成在电子设备中为例进行说明,参考图1,该方法具体包括如下步骤:
S101、获取测试数据和待优化车辆模型,待优化车辆模型包括ECU车辆模型、TCU车辆模型、VCU车辆模型、HCU车辆模型、MCU车辆模型中的至少一项。
其中,测试数据可用于优化车辆的待优化车辆模型,测试数据可以包括测试输入数据和测试输出数据,测试输入数据为输入待优化车辆模型的数据,测试输出数据为测量的输出数据。待优化车辆模型可以模拟车辆某一系统的运行,具体可以包括气路模型、排气温度模型、后处理模ECU车辆模型、TCU车辆模型、VCU车辆模型、HCU车辆模型、MCU车辆模型等,本发明实施例对此不进行限定。
具体的,ECU车辆模型为电子控制器单元(Electronic Control Unit,ECU)模型车辆模型,用于控制汽车的行驶状态以及实现汽车的各种功能。主要是利用各种传感器、总线的数据采集与交换判断车辆状态以及司机的意图,然后通过执行器来操控汽车。TCU车辆模型为车辆网控制单元(Telematics Control Unit,TCU)车辆模型,用于控制跟踪汽车的嵌入式系统,是车内网、智能车载控制单元、车辆后台系统、智能交通网等互联互通的核心枢纽。VCU车辆模型为整车控制器(Vehicle Control Unit,VCU)车辆模型,是整个车辆控制系统的核心。HCU车辆模型为混合动力整车控制单元(Hybrid Control Unit,VCU)车辆模型。MCU车辆模型为微控制单元(Micro Controller Unit,MCU)车辆模型,用于将计算机的中央处理器(Central Processing Unit,CPU)、随机存取存储器(Random Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、定时数器和多种输入/输出(Input/Output,I/O)接口集成在一片芯片上,从而形成芯片级的计算机,为不同的应用场合提供不同的组合控制。
示例性的,获取测试数据和待优化车辆模型即为获取输入待优化车辆模型的数据、测量的输出数据及待优化车辆模型。
S102、根据测试数据,对待优化车辆模型进行优化,得到预设车辆模型。
具体的,对待优化车辆模型进行优化是指通过输入待优化车辆模型的数据和测量的输出数据等数据确定待优化车辆模型的优化方法,并基于该优化方法对待优化车辆模型进行优化。
示例性的,若待优化车辆模型包括参数A1、B1、C1、D1和E1,输入待优化车辆模型的数据和待优化车辆模型的输出数据等数据确定出的优化方法是将参数A1和C1分别调整为A2和C2,那么将基于此调整方案对待优化模型进行优化,优化后的待优化车辆模型即为预设车辆模型,预设车辆模型包括的参数为A2、B1、C2、D1和E1。
S103、基于预设车辆模型对车辆进行控制。
具体的,确定好车辆的预设车辆模型后,即可根据确定的预设车辆模型对车辆进行控制。示例性的,预设车辆模型是优化后的待优化车辆模型,优化后的模型与之前相比,能够快速、高效、客观的进行车辆控制。
本实施例的技术方案,通过获取测试数据和待优化车辆模型,待优化车辆模型包括ECU车辆模型、TCU车辆模型、VCU车辆模型、HCU车辆模型、MCU车辆模型中的至少一项;根据测试数据,对待优化车辆模型进行优化,得到预设车辆模型;基于预设车辆模型对车辆进行控制。解决了车辆控制时需要计算高维超定方程,对计算资源要求较高且计算时间较长,且人工解耦计算的前提是参数之间无交互,不能全局同步优化,同时优化结果缺乏客观性的问题。能够提高车辆控制的准确度,降低车辆控制的复杂度,提升车辆控制效率,实现快速、简单、客观的进行车辆控制的目的。
实施例二
图2为本发明实施例二提供的一种车辆控制方法的流程示意图,本实施例可适用于车辆控制等情况,该方法可以由本发明实施例提供的车辆控制装置来执行,该装置可采用软件和/或硬件的方式实现,在一个具体的实施例中,该装置可以集成在电子设备中。以下实施例将以该装置集成在电子设备中为例进行说明,参考图2,该方法具体包括如下步骤:
S201、获取测试数据和待优化车辆模型,测试数据包括测试输入数据和测试输出数据,待优化车辆模型包括待优化参数。
其中,测试数据可用于优化车辆的待优化车辆模型,测试输入数据为输入待优化车辆模型的数据,测试输出数据为测量的输出数据。待优化参数为待优化模型中需要进行调整和优化的参数,包括常量、曲线、二维数组(MAP)等;待优化车辆模型可以模拟车辆某一系统的运行,具体可以包括气路模型、排气温度模型、后处理模ECU车辆模型、TCU车辆模型、VCU车辆模型、HCU车辆模型、MCU车辆模型等,本发明实施例对此不进行限定。
示例性的,获取测试数据和待优化车辆模型即为获取输入待优化车辆模型的数据、测量的输出数据、待优化车辆模型及待优化模型中需要进行调整的参数。
S202、获取当前优化次数l和预设优化次数,并令l=1;根据测试输入数据、测试输出数据和待优化车辆模型,确定损失函数。
其中,预设优化次数是用于衡量优化过程的,当优化次数等于预设优化次数时,停止模型优化动作;当前优化次数用于记录待优化车辆模型的优化过程;损失函数用于表示待优化车辆模型的偏差。
具体的,根据测试输入数据、测试输出数据和待优化车辆模型,确定损失函数,包括:根据测试输入数据和待优化车辆模型,确定实际输出数据;根据测试输出数据和实际输出数据,确定损失函数。
其中,测试输出数据为测量的待优化车辆模型对应的车辆模型的输出数据,可以理解为真值或目标数据;实际输出数据为待优化车辆模型的输出数据,具体的,将测试输入数据传送至待优化车辆模型,待优化车辆模型会输出一组数据,该输出数据即为实际输出数据。进一步的,将实际输出数据和测试输出数据进行对比,即可确定出待优化车辆模型的偏差。
进一步的,图3是本发明实施例二提供的一种待优化车辆模型的结构示意图,以图3为例,待优化参数包括常数、二维数组和曲线,且待优化参数的初始值分别为Cons、pmap和pcurve,x1 i、x2 i和x3 i为测试输入数据,表示实际输出数据,θ1、θ2和θ3可以理解为待优化车辆模型中的运算规则,即待优化参数。由此可知,实际输出数据为
S203、判断损失函数的取值是否小于或者等于预设阈值。
其中,预设阈值是衡量待优化车辆模型的偏差的指标数据,预设阈值可以根据待优化车辆模型的类型和预期优化程度等进行设定,具体的,预设阈值可以设置在1e-9到1e-5之间。本发明实施例对此不进行限定。
进一步的,当待优化车辆模型的偏差(即损失函数的取值)小于或者等于预设阈值时,执行S204步骤,当待优化车辆模型的偏差(即损失函数的取值)大于预设阈值时,执行S205步骤。
S204、令待优化车辆模型为预设车辆模型。
具体的,当损失函数的取值小于或者等于预设阈值时,可以认为待优化模型的偏差很小,能够直接使用,不需要优化,此时,可直接令待优化车辆模型为预设车辆模型,并进行下一个车辆控制动作。
S205、根据测试输入数据和待优化参数,确定约束函数。
其中,约束函数是为了提高待优化车辆模型的鲁棒性而设定的一个约束项,能够使参数的变化趋势更加合理、有效及符合物理规律。
具体的,如若待优化车辆模型的偏差大于预设阈值时,则认为待优化模型的偏差较大,需要进行一定程度上的优化才可以进行使用,此时将需要根据测试输入数据和待优化参数确定待优化车辆模型的约束项。
可选的,根据测试输入数据和待优化参数,确定约束函数,包括:根据测试输入数据和待优化参数,分别确定平滑性函数和单调性函数;根据平滑性函数,确定平滑性约束项;并根据单调性函数,确定单调性约束项;根据平滑性约束项和单调性约束项,确定约束函数。
其中,平滑性函数用于描述参数在某一工况点处的斜率;单调性函数用于保证参数的趋势,约束函数是根据平滑性约束项和单调性约束项确定的一个约束项,具体的,约束函数可以理解为平滑性约束项和单调性约束项之和。
具体的,曲线参数pcurve的平滑性函数为 其中,Scurve表示曲线参数pcurve的平滑性函数,i表示曲线参数pcurve支持的工况点数,x3 i表示曲线参数pcurve的测试输入数据,θ3表示曲线参数pcurve的运算规则。参数数组pmap的平滑性函数为其中,Smap表示参数数组pmap的平滑性函数,i表示参数数组pmap支持的坐标点数,x1 i和x2 i表示参数数组pmap的测试输入数据,θ1和θ2表示参数数组pmap的运算规则。单调性函数的求解方法与平滑性函数类似。曲线参数的单调性函数为其中,SCmon表示曲线参数的单调性函数,i表示曲线参数支持的工况点数,x3 i表示曲线参数的测试输入数据,θ3表示曲线参数的运算规则。参数数组的单调性函数为其中,SMmon表示参数数组的单调性函数,i表示参数数组支持的坐标点数,x1 i和x2 i表示参数数组的测试输入数据,θ1和θ2表示参数数组的运算规则。
进一步的,平滑性约束项为其中,rj表示平滑率因子,Sj表示平滑性函数,j=1,2,…N。具体的,当平滑性函数为Scurve时,Sj为Scurve,当平滑性函数为Smap时,Sj为Smap。单调性约束项为其中,rm表示单调性权重因子,Sm表示单调性函数,m=1,2,…N。具体的,当单调性函数为SCmon时,Sm为SCmon,当单调性函数为SMmon时,Sm为SMmon。
可选的,改小平滑率因子和单调性权重因子可以提高模型质量,如果想弱化单调性约束项与平滑性约束项,可将对应的因子减小。
S206、根据损失函数和约束函数,确定目标函数;根据目标函数,确定待优化参数的取值,并根据待优化参数的取值更新待优化车辆模型,得到更新后的车辆模型。
其中,目标函数可以理解为结合了约束函数的损失函数,用于稳定、准确的测量待优化车辆模型的偏差。
具体的,根据目标函数即可得到待优化车辆模型的待优化参数的优化值,用优化值替换之前的数值,即可对待优化车辆模型进行更新。这样设置的好处在于能够实时调整待优化车辆模型的参数,提高待优化车辆模型的准确度和性能,以便高效的进行车辆控制。
S207、判断当前优化次数是否等于预设优化次数;若当前优化次数等于预设优化次数,则令更新后的车辆模型为预设车辆模型;若当前优化次数小于预设优化次数,则令当前优化次数等于l=l+1,并返回执行根据测试输入数据、测试输出数据和待优化车辆模型,确定损失函数的步骤。
具体的,本发明实施例设置有预设优化次数,用于衡量待优化车辆模型的优化过程,当待优化车辆模型的当前优化次数等于预设优化次数时,停止优化动作,并将更新后的车辆模型确定为预设车辆模型。
进一步的,当待优化车辆模型的当前优化次数等于预设优化次数时,会停止优化动作,但不意味着待优化车辆模型已优化成功。这样设置的意义在于可以通过观察预设车辆模型的实际输出数据,判断参数优化的方法是否正确,及时调整优化策略,减少测试时间的浪费。
可选的,根据目标函数,确定待优化参数的取值,包括:根据目标函数,确定待优化参数的有限差分梯度;根据有限差分梯度和待优化参数的历史取值,确定待优化参数的取值。
具体的,有限差分梯度为在本申请实施例中,其中,G(θ)表示待优化参数的有限差分梯度,f(θ)表示与θ相关的函数,e=fg*10-16。fg为有限差分因子,初始值为1,当待优化模型对优化的参数不敏感时,以10的幂指数变化fg(如100,101,…,10n)。fg的大小非常重要,如果太小,则找到目标函数最小值的速度就很慢,如果太大,则可能会出现在最小值附近震荡而无法找到最小值的现象。进一步的,式中变量为θ而不是x,原因在于θ是待优化的未知变量,而x是已知的测试数据点。
示例性的,如若要目标函数最小,那么G(θ)的反方向就是函数减小的速度最快方向,迭代算法为θt'=θt-G(θ),t==1,2,…N,其中,θt'表示新的参数值,θt表示上一次的参数值,t表示待优化参数。以图3为例进行分析,则待优化
参数为每迭代一次将新的参数更新到模型中的pmap、pcurve、Cons,每更新一次都遍历所有测试数据。具体的,参数的优化可以同时优化pmap、pcurve、Cons,也可以仅优化部分参数。优化部分参数时只更新对应的参数即可,例如只更新θ1,θ2和θ3不更新等。
可选的,图4a是本发明实施例二提供的一种待优化参数的优化对比图,图4b是本发明实施例二提供的一种车辆模型的优化对比图。从图中可以看出,优化后的待优化车辆模型的输出结果为45°斜线,且偏差是期望为0的正态分布,证明优化后的模型输出结果与测量的真实值接近。而参数优化前的模型的输出结果与测量的真实值的偏差较大,因此,本发明实施例提供的方法能够有效提升车辆模型的精准度。
S208、基于预设车辆模型对车辆进行控制。
具体的,确定好车辆的预设车辆模型后,即可根据确定的预设车辆模型对车辆进行控制。示例性的,预设车辆模型是对待优化车辆模型的待优化参数进行调整后的模型,优化后的模型与之前相比,能够快速、高效、客观的进行车辆控制,同时还可以提升车辆控制的准确度。
本实施例的技术方案,通过获取测试数据和待优化车辆模型,测试数据包括测试输入数据和测试输出数据,待优化车辆模型包括待优化参数;获取当前优化次数l和预设优化次数,并令l=1;根据测试输入数据、测试输出数据和待优化车辆模型,确定损失函数;判断损失函数的取值小于或者等于预设阈值;如果损失函数的取值小于或者等于预设阈值,则令待优化车辆模型为预设车辆模型;如果损失函数的取值大于预设阈值,则根据测试输入数据和待优化参数,确定约束函数;根据损失函数和约束函数,确定目标函数;根据目标函数,确定待优化参数的取值,并根据待优化参数的取值更新待优化车辆模型,得到更新后的车辆模型;判断当前优化次数是否等于预设优化次数;若当前优化次数等于预设优化次数,则令更新后的车辆模型为预设车辆模型;若当前优化次数小于预设优化次数,则令当前优化次数等于l=l+1,并返回执行根据测试输入数据、测试输出数据和待优化车辆模型,确定损失函数的步骤;基于预设车辆模型对车辆进行控制。解决了车辆控制时需要计算高维超定方程,对计算资源要求较高且计算时间较长,且人工解耦计算的前提是参数之间无交互,不能全局同步优化,同时优化结果缺乏客观性的问题。能够提高车辆控制的准确度,降低车辆控制的复杂度,提升车辆控制效率,实现快速、简单、客观的进行车辆控制的目的,同时能够提升预设车辆模型的模型质量。
实施例三
本发明实施例三所提供的车辆控制装置可执行本发明上述实施例中任意实施例所提供的车辆控制方法,具备执行方法相应的功能模块和有益效果。
图5为本发明实施例三提供的一种车辆控制装置的结构示意图,如图5所示,包括:获取模块501、处理模块502和控制模块503。
获取模块501,用于获取测试数据和待优化车辆模型,待优化车辆模型包括ECU车辆模型、TCU车辆模型、VCU车辆模型、HCU车辆模型、MCU车辆模型中的至少一项。
处理模块502,用于根据测试数据,对待优化车辆模型进行优化,得到预设车辆模型。
控制模块503,用于基于预设车辆模型对车辆进行控制。
本实施例提供的车辆控制装置为实现上述实施例中的车辆控制方法,本实施例提供的车辆控制装置实现原理和技术效果与上述实施例类似,此处不再赘述。
可选的,测试数据包括测试输入数据和测试输出数据,待优化车辆模型包括待优化参数。
可选的,处理模块502,具体用于获取当前优化次数l和预设优化次数,并令l=1;根据测试输入数据、测试输出数据和待优化车辆模型,确定损失函数;若损失函数的取值小于或者等于预设阈值,则令待优化车辆模型为预设车辆模型;若损失函数的取值大于预设阈值,则根据测试输入数据和待优化参数,确定约束函数;根据损失函数和约束函数,确定目标函数;根据目标函数,确定待优化参数的取值,并根据待优化参数的取值更新待优化车辆模型,得到更新后的车辆模型;判断当前优化次数是否等于预设优化次数;若当前优化次数等于预设优化次数,则令更新后的车辆模型为预设车辆模型;若当前优化次数小于预设优化次数,则令当前优化次数等于l=l+1,并返回执行根据测试输入数据、测试输出数据和待优化车辆模型,确定损失函数的步骤。
可选的,处理模块502,具体用于根据测试输入数据和待优化车辆模型,确定实际输出数据;根据测试输出数据和实际输出数据,确定损失函数。
可选的,处理模块502,具体用于根据测试输入数据和待优化参数,分别确定平滑性函数和单调性函数;根据平滑性函数,确定平滑性约束项;并根据单调性函数,确定单调性约束项;根据平滑性约束项和单调性约束项,确定约束函数。
可选的,目标函数为其中,minf(x)表示目标函数,表示测试输出数据,表示实际输出数据,表示平滑性约束项,rj表示平滑率因子,表示单调性约束项,Sj表示平滑性函数,rm表示单调性权重因子,Sm表示单调性函数,m=1,2,…N,j=1,2,…N,i=1,2,…N。
可选的,处理模块502,具体用于根据目标函数,确定待优化参数的有限差分梯度;根据有限差分梯度和待优化参数的历史取值,确定待优化参数的取值。
实施例四
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如车辆控制方法。
在一些实施例中,车辆控制方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的车辆控制方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为车辆控制方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种车辆控制方法,其特征在于,包括:
获取测试数据和待优化车辆模型,所述待优化车辆模型包括ECU车辆模型、TCU车辆模型、VCU车辆模型、HCU车辆模型、MCU车辆模型中的至少一项;
根据所述测试数据,对所述待优化车辆模型进行优化,得到预设车辆模型;
基于所述预设车辆模型对车辆进行控制。
2.根据权利要求1所述的方法,其特征在于,所述测试数据包括测试输入数据和测试输出数据,所述待优化车辆模型包括待优化参数;
所述根据所述测试数据,对所述待优化车辆模型进行优化,得到预设车辆模型,包括:
获取当前优化次数l和预设优化次数,并令l=1;
根据所述测试输入数据、所述测试输出数据和所述待优化车辆模型,确定损失函数;
若所述损失函数的取值小于或者等于预设阈值,则令所述待优化车辆模型为所述预设车辆模型;
若所述损失函数的取值大于预设阈值,则根据所述测试输入数据和所述待优化参数,确定约束函数;根据所述损失函数和所述约束函数,确定目标函数;根据所述目标函数,确定所述待优化参数的取值,并根据所述待优化参数的取值更新所述待优化车辆模型,得到更新后的车辆模型;
判断所述当前优化次数是否等于预设优化次数;
若所述当前优化次数等于预设优化次数,则令所述更新后的车辆模型为所述预设车辆模型;若所述当前优化次数小于预设优化次数,则令当前优化次数等于l=l+1,并返回执行根据所述测试输入数据、所述测试输出数据和所述待优化车辆模型,确定损失函数的步骤。
3.根据权利要求2所述的方法,其特征在于,所述根据所述测试输入数据、所述测试输出数据和所述待优化车辆模型,确定损失函数,包括:
根据所述测试输入数据和所述待优化车辆模型,确定实际输出数据;
根据所述测试输出数据和所述实际输出数据,确定所述损失函数。
5.根据权利要求2所述的方法,其特征在于,所述根据所述测试输入数据和所述待优化参数,确定约束函数,包括:
根据所述测试输入数据和所述待优化参数,分别确定平滑性函数和单调性函数;
根据所述平滑性函数,确定平滑性约束项;并根据所述单调性函数,确定单调性约束项;
根据所述平滑性约束项和所述单调性约束项,确定所述约束函数。
8.根据权利要求2所述的方法,其特征在于,所述根据所述目标函数,确定所述待优化参数的取值,包括:
根据所述目标函数,确定所述待优化参数的有限差分梯度;
根据所述有限差分梯度和所述待优化参数的历史取值,确定待优化参数的取值。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至8中任一所述的车辆控制方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1至8中任一所述的车辆控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210651867.8A CN114859796A (zh) | 2022-06-09 | 2022-06-09 | 一种车辆控制方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210651867.8A CN114859796A (zh) | 2022-06-09 | 2022-06-09 | 一种车辆控制方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114859796A true CN114859796A (zh) | 2022-08-05 |
Family
ID=82624878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210651867.8A Pending CN114859796A (zh) | 2022-06-09 | 2022-06-09 | 一种车辆控制方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114859796A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104216341A (zh) * | 2013-05-31 | 2014-12-17 | 中国石油化工股份有限公司 | 一种基于改进随机扰动近似算法的油藏生产实时优化方法 |
CN109521763A (zh) * | 2017-09-18 | 2019-03-26 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的基于约束平滑样条的路径优化 |
CN109522673A (zh) * | 2018-11-30 | 2019-03-26 | 百度在线网络技术(北京)有限公司 | 一种测试方法、装置、设备和存储介质 |
CN110834644A (zh) * | 2019-10-30 | 2020-02-25 | 中国第一汽车股份有限公司 | 一种车辆控制方法、装置、待控制车辆及存储介质 |
CN111695278A (zh) * | 2020-05-18 | 2020-09-22 | 东南大学 | 一种基于改进同步扰动随机逼近算法的交通仿真参数校正方法 |
CN112305938A (zh) * | 2020-09-23 | 2021-02-02 | 东风汽车集团有限公司 | 一种控制模型开环仿真验证方法、装置、设备和介质 |
DE102019127908A1 (de) * | 2019-10-16 | 2021-04-22 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Parametrierung einer Fahrzeugfunktion |
CN112731925A (zh) * | 2020-12-21 | 2021-04-30 | 浙江科技学院 | 用于无人驾驶方程式赛车锥桶识别和路径规划及控制方法 |
CN112800231A (zh) * | 2021-03-31 | 2021-05-14 | 南方电网数字电网研究院有限公司 | 电力数据校验方法、装置、计算机设备和存储介质 |
CN114185264A (zh) * | 2021-12-06 | 2022-03-15 | 广东工业大学 | 一种基于物理信息神经网络的pid控制器参数整定方法 |
CN114194218A (zh) * | 2022-01-29 | 2022-03-18 | 中国第一汽车股份有限公司 | 自动驾驶系统的优化方法、装置、服务器、车辆和介质 |
CN114463636A (zh) * | 2022-01-24 | 2022-05-10 | 湖北工业大学 | 一种改进的复杂背景遥感图像目标检测方法及系统 |
-
2022
- 2022-06-09 CN CN202210651867.8A patent/CN114859796A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104216341A (zh) * | 2013-05-31 | 2014-12-17 | 中国石油化工股份有限公司 | 一种基于改进随机扰动近似算法的油藏生产实时优化方法 |
CN109521763A (zh) * | 2017-09-18 | 2019-03-26 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的基于约束平滑样条的路径优化 |
CN109522673A (zh) * | 2018-11-30 | 2019-03-26 | 百度在线网络技术(北京)有限公司 | 一种测试方法、装置、设备和存储介质 |
DE102019127908A1 (de) * | 2019-10-16 | 2021-04-22 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Parametrierung einer Fahrzeugfunktion |
CN110834644A (zh) * | 2019-10-30 | 2020-02-25 | 中国第一汽车股份有限公司 | 一种车辆控制方法、装置、待控制车辆及存储介质 |
CN111695278A (zh) * | 2020-05-18 | 2020-09-22 | 东南大学 | 一种基于改进同步扰动随机逼近算法的交通仿真参数校正方法 |
CN112305938A (zh) * | 2020-09-23 | 2021-02-02 | 东风汽车集团有限公司 | 一种控制模型开环仿真验证方法、装置、设备和介质 |
CN112731925A (zh) * | 2020-12-21 | 2021-04-30 | 浙江科技学院 | 用于无人驾驶方程式赛车锥桶识别和路径规划及控制方法 |
CN112800231A (zh) * | 2021-03-31 | 2021-05-14 | 南方电网数字电网研究院有限公司 | 电力数据校验方法、装置、计算机设备和存储介质 |
CN114185264A (zh) * | 2021-12-06 | 2022-03-15 | 广东工业大学 | 一种基于物理信息神经网络的pid控制器参数整定方法 |
CN114463636A (zh) * | 2022-01-24 | 2022-05-10 | 湖北工业大学 | 一种改进的复杂背景遥感图像目标检测方法及系统 |
CN114194218A (zh) * | 2022-01-29 | 2022-03-18 | 中国第一汽车股份有限公司 | 自动驾驶系统的优化方法、装置、服务器、车辆和介质 |
Non-Patent Citations (3)
Title |
---|
王军敏: "《纹理图像的特征提取与识别》", vol. 1, 30 April 2022, 新华出版社, pages: 133 - 135 * |
石博强等: "《MATLAB数学计算与工程分析范例教程》", 31 May 2005, 中国铁道出版社, pages: 204 - 205 * |
章玉;于雷;赵娜乐;朱丽颖;陈旭梅;: "SPSA算法在微观交通仿真模型VISSIM参数标定中的应用", 交通运输系统工程与信息, no. 04, 15 August 2010 (2010-08-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110832509B (zh) | 使用神经网络的黑盒优化 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
JP2022510667A (ja) | エネルギー消費量を予測するための方法および装置 | |
CN114312843B (zh) | 用于确定信息的方法和装置 | |
CN109063818A (zh) | 一种热工过程模型在线辨识方法及装置 | |
CN114771283A (zh) | 一种爬行控制方法、装置、电动汽车和存储介质 | |
CN117692487A (zh) | 设备的远程控制方法、装置、电子设备及存储介质 | |
CN114996660B (zh) | 碳载量预测方法、装置、电子设备及存储介质 | |
CN114859796A (zh) | 一种车辆控制方法、电子设备及存储介质 | |
CN115859808B (zh) | 一种泵组工作预测方法、装置、电子设备及存储介质 | |
CN116176531A (zh) | 开度调节的性能指标的确定方法、装置和存储介质 | |
CN115017466A (zh) | 碳载量确定方法、装置、电子设备及存储介质 | |
CN116009397A (zh) | 一种制动压力模型训练方法、装置、设备及存储介质 | |
CN113361719B (zh) | 基于图像处理模型的增量学习方法和图像处理方法 | |
CN114596042A (zh) | 一种货物运输的方法、装置、电子设备及存储介质 | |
CN115009278B (zh) | 一种巡航控制方法、装置、设备及存储介质 | |
CN116756265B (zh) | 一种轨迹数据的处理方法、装置、电子设备及存储介质 | |
CN117589188B (zh) | 行车路径规划方法、装置、电子设备和存储介质 | |
CN117950306A (zh) | 一种pid控制参数确定方法、装置、设备及介质 | |
CN115402310A (zh) | 一种巡航控制方法、装置、设备及存储介质 | |
CN115712294A (zh) | 一种发动机标定方法、装置、设备及存储介质 | |
CN117539602A (zh) | 落后者任务推测的方法及装置、电子设备和存储介质 | |
CN115598967A (zh) | 参数整定模型训练、参数确定方法、装置、设备及介质 | |
CN118551597A (zh) | 加速度相关性曲线的生成方法、装置、设备、介质及车辆 | |
CN117494779A (zh) | 结构优化模型的训练方法、结构优化方法和装置 |
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 |