CN114861516B - 一种车辆动力性能确定方法、装置及存储介质 - Google Patents

一种车辆动力性能确定方法、装置及存储介质 Download PDF

Info

Publication number
CN114861516B
CN114861516B CN202110154977.9A CN202110154977A CN114861516B CN 114861516 B CN114861516 B CN 114861516B CN 202110154977 A CN202110154977 A CN 202110154977A CN 114861516 B CN114861516 B CN 114861516B
Authority
CN
China
Prior art keywords
dimensional space
acceleration performance
vehicle
vehicle types
acceleration
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
CN202110154977.9A
Other languages
English (en)
Other versions
CN114861516A (zh
Inventor
黄健鹏
刘巨江
曹昱聪
刘卓
白晨旴
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.)
Guangzhou Automobile Group Co Ltd
Original Assignee
Guangzhou Automobile Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Automobile Group Co Ltd filed Critical Guangzhou Automobile Group Co Ltd
Priority to CN202110154977.9A priority Critical patent/CN114861516B/zh
Publication of CN114861516A publication Critical patent/CN114861516A/zh
Application granted granted Critical
Publication of CN114861516B publication Critical patent/CN114861516B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车辆动力性能确定方法、装置及存储介质，其中，方法部分包括：获取不同车型的车辆在不同油门开度下的加速性能数据，根据加速性能数据生成车辆的加速特征向量集合，以表征车型在高维空间下加速性能，将不同车型在高维空间下加速性能转化至低维空间，以获得不同车型在低维空间下加速性能，对不同车型在低维空间下加速性能进行聚类分类，获得不同车型的动力性能评估结果；本发明中，考虑了各油门下的加速度性能，对采集的高维空间加速性能转化为低维空间，同时保留高维空间下的加速特征结构特点，以便于后续根据需求对低维空间下加速性能进行聚类分类，能有效区分不同车型的加速性能，提高了车辆动力性能评估的有效性。

Description

一种车辆动力性能确定方法、装置及存储介质
技术领域
本发明涉及车辆性能评估领域，尤其涉及一种车辆动力性能确定方法、装置及存储介质。
背景技术
随着汽车工业的发展，消费者除了关注车辆的安全、节油性能之外，也越来越关注车辆的动力表现。目前评估车辆动力性能最常用的方法为通过最高车速或者百公里加速时间评估各车辆的动力性能。其中，最高车速的测试方法为：在长度为2.2km以上的铺装路上，经过1km内的辅助行驶后，在200m测定区间按每100m进行测定，最后在开始的100m区间和总的200m区间的平均速度中，取最大值作为最高车速；而百公里加速时间的测试方法：在长度为2.2km以上的铺装路上，对车辆进行全油门加速，记录车辆车速从零到百公里所需要的时间。
最高车速和百公里加速时间虽然能够体现车辆的最大动力性能，但与用户日常驾驶并没有直接的关联。例如，百公里加速时间是在全油门的情况下测试，从而对测试数据进行分析以获得车辆百公里内动力性能，而在日常驾驶中，用户极少会使用全油门工况，因此全油门的测试评估方法无法准确表现用户在日常使用的车辆加速性能，导致不能有效评估车辆动力性能。
发明内容
本发明提供一种车辆动力性能确定方法、装置及存储介质，以解决现有技术中，全油门的测试评估方法无法准确表现车辆加速性能，导致不能有效评估车辆动力性能的问题。
一种车辆动力性能确定方法，包括：
获取不同车型的车辆在不同油门开度下的加速性能数据；
根据所述加速性能数据生成所述车辆的加速特征向量集合，以表征所述车型在高维空间下加速性能；
将所述不同车型在高维空间下加速性能转化至低维空间，以获得所述不同车型在低维空间下加速性能，所述车型在低维空间下加速性能保持所述车型在高维空间下加速性能的结构特征；
对所述不同车型在低维空间下加速性能进行聚类分类，获得所述不同车型的动力性能评估结果。
进一步地，所述低维空间为二维空间，所述将所述不同车型在高维空间下加速性能转化至低维空间，以获得所述不同车型在低维空间下加速性能，包括：
确定每两种车型在高维空间下加速性能的差异；
获得每所述两种车型在所述二维空间下加速性能的差异；
确定每所述两种车型在高维空间下加速性能的差异，与每所述两种车型在二维空间下加速性能的差异之间的KL散度函数；
采用梯度下降方法对所述KL散度函数的最小值进行迭代求解，以获得所述不同车型在二维空间下加速性能。
进一步地，所述采用梯度下降方法对所述KL散度函数的最小值进行迭代求解，迭代公式为：
其中，Y(t)为迭代第t次时所述不同车型在二维空间下加速性能的集合，Y(t-1)为迭代第t-1次时所述不同车型在二维空间下加速性能的集合，为所述KL散度函数的导数，θ为步长。
进一步地，所述确定每两种车型在高维空间下加速性能的差异，包括：
采用高维的欧式距离表示所述不同车型的加速性能差异；
通过高斯分布方法对所述不同车型中每两种车型在高维空间下加速性能的差异进行建模，以获得所述两种车型在高维空间下加速性能的差异：
其中，Pj|i为所述两种车型在高维空间下加速性能的差异,xi为i车型在高维空间下加速性能，xj为j车型在高维空间下加速性能，xk为除i车型外的其他车型在高维空间下加速性能，σi为控制高斯密度分布的参数。
进一步地，所述获得每所述两种车型在所述二维空间下加速性能的差异，包括：
采用t-分布方法对所述两种车型在高维空间下加速性能的差异进行建模，获得两种车型在所述二维空间下加速性能的差异：
其中，Qj|i为所述两种车型在二维空间下加速性能的差异，yi为i车型在二维空间下加速性能，yj为j车型在二维空间下加速性能，yk为j除i车型外的其他车型在二维空间下加速性能。
进一步地，所述获取不同车辆在不同油门开度下的加速性能数据，包括：
获取所述车辆在直线加速性能测试中的油门行程信号、发动机转速、行驶距离、车速和纵向加速度；
将所述油门行程信号和所述油门行程信号对应的发动机转速、行驶距离、车速和纵向加速度作为所述直线加速性能数据，以获得所述不同车辆在不同油门开度下的加速性能数据。
一种车辆动力性能确定装置，包括：
获取模块，用于获取不同车型的车辆在不同油门开度下的加速性能数据；
生成模块，用于根据所述加速性能数据生成所述车辆的加速特征向量集合，以表征所述车型在高维空间下加速性能；
转化模块，用于将所述不同车型在高维空间下加速性能转化至低维空间，以获得所述不同车型在低维空间下加速性能，所述车型在低维空间下加速性能保持所述车型在高维空间下加速性能的结构特征；
聚类模块，用于对所述不同车型在低维空间下加速性能进行聚类分类，获得所述不同车型的动力性能评估结果。
进一步地，所述转化模块具体用于：
确定每两种车型在高维空间下加速性能的差异；
获得每所述两种车型在所述二维空间下加速性能的差异；
确定每所述两种车型在高维空间下加速性能的差异，与每所述两种车型在二维空间下加速性能的差异之间的KL散度函数；
采用梯度下降方法对所述KL散度函数的最小值进行迭代求解，以获得所述不同车型在二维空间下加速性能。
一种车辆动力性能确定装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述车辆动力性能确定方法的步骤。
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程序，所述计算机程序被处理器执行时实现上述车辆动力性能确定方法的步骤。
上述车辆动力性能确定方法、装置及存储介质所提供的一个方案在，通过获取不同车型的车辆在不同油门开度下的加速性能数据；根据加速性能数据生成车辆的加速特征向量集合，以表征车型在高维空间下加速性能，将不同车型在高维空间下加速性能转化至低维空间，以获得不同车型在低维空间下加速性能，车型在低维空间下加速性能保持车型在高维空间下加速性能的结构特征，对不同车型在低维空间下加速性能进行聚类分类，获得不同车型的动力性能评估结果；本发明中，充分考虑了各油门下的加速度性能，克服以往只考虑车辆全油门加速性能的缺点，对采集的高维空间加速性能转化为低维空间，同时保留高维空间下的加速特征结构特点，以便于后续根据需求对低维空间下加速性能进行聚类分类，能有效区分不同车型的加速性能，提高了车辆动力性能评估的有效性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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是本发明一实施例中车辆动力性能确定系统的一结构示意图；
图2是本发明一实施例中车辆动力性能确定方法的一流程示意图；
图3是本发明一实施例中不同车型的动力性能评估结果的二维图；
图4是本发明一实施例中车辆动力性能确定装置的一结构示意图；
图5是本发明一实施例中车辆动力性能确定装置的另一结构示意图。
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。
本发明实施例提供的车辆动力性能确定方法，可应用在如图1所示的车辆动力性能确定系统中，该车辆动力性能确定系统包括不同车型的车辆(车型1、车型2、车型3…车型n)和车辆动力性能确定装置，其中，不同车型的车辆和车辆动力性能确定装置通过网络进行通信。车辆动力性能确定装置可以是云端服务器，该云端服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
车辆动力性能确定装置获取不同车型的车辆在不同油门开度下的加速性能数据，然后根据加速性能数据生成车辆的加速特征向量集合，以表征车型在高维空间下加速性能，将不同车型在高维空间下加速性能转化至低维空间，以获得不同车型在低维空间下加速性能，车型在低维空间下加速性能保持车型在高维空间下加速性能的结构特征，最后对不同车型在低维空间下加速性能进行聚类分类，获得不同车型的动力性能评估结果；充分考虑了各油门下的加速度性能，克服以往只考虑车辆全油门加速性能的缺点，对采集的高维空间加速性能转化为低维空间，同时保留高维空间下的加速特征结构特点，以便于后续根据需求对低维空间下加速性能进行聚类分类，能有效区分不同车型的加速性能，提高了车辆动力性能评估的有效性。
本实施例中，车辆动力性能确定系统包括不同车型的车辆和车辆动力性能确定装置仅为示例性说明，在其他实施例中，车辆动力性能确定系统还包括其他装置，在此不再赘述。
在一实施例中，如图2所示，提供一种车辆动力性能确定方法，以该方法应用在图1中的车辆动力性能确定装置为例进行说明，包括如下步骤：
S10：获取不同车型的车辆在不同油门开度下的加速性能数据。
在对不同车型的车辆进行动力性能评估之前，需要对不同车型的车辆进行动力性能测试，以获得不同车型的车辆在不同油门开度下的加速性能数据。
其中，对不同车型的车辆进行动力性能测试，可以为对不同车型的车辆进行直线加速性能测试，具体为：在一段三公里的平直道路上对不同车型的车辆进行性能测试，在测试过程中，驾驶员需要控制油门踏板，以预设油门踏板行程信号为间距(如以油门踏板行程信号5％为间距)，依次进行恒油门加速测试，以对当前油门踏板行程信号内的车辆加速性能数据进行采集，直到油门踏板行程信号为全油门信号(100％)为止，以采集车辆在各油门下的加速性能数据。其中，在每一个油门踏板行程信号的测试过程中，需要使车辆的车速达到匀速状态(如车辆的加速度小于0.1m/s)或者加速到预设车速(如120km/h)为止，才能进入下一油门踏板行程信号测试阶段。
其中，对不同车型的车辆进行动力性能测试之前，需要在车辆上安装数据采集系统，以通过车载CAN信号卡(车辆CAN网络读取板卡)从车辆上的CAN网络进行数据采集，并在车辆上安装陀螺仪与GPS模块，可以测量车辆的车身速度与加速度、角速度以及位置信息。在车辆进行动力性能测试的过程中，数据采集系统同时连接车载CAN信号卡、陀螺仪与GPS模块，以记录车辆的油门踏板行程信号、发动机转速、挡位信号、车速、车身加速度、角速度与位置信息等信号，对上述信号进行分析，从而获得不同车型的车辆在不同油门开度下的加速性能数据。
本实施例中，上述通过对不同车型的车辆进行动力性能测试，以获取不同车型的车辆在不同油门开度下的加速性能数据仅为示例性说明，在其他实施例中，也可以通过大数据获取用户在实际使用车辆过程中的车辆加速数据，作为不同车型的车辆在不同油门开度下的加速性能数据，在此不再赘述。
本实施例中，在对不同车型的车辆进行动力性能测试的过程中，以油门踏板行程信号5％为间距仅为示例性说明，在其他实施例中，还可以以其他值的油门踏板行程信号为间距，在此不再赘述。
本实施例中，在每一个油门踏板行程信号的测试过程中，车辆的车速达到匀速状态为车辆的加速度小于0.1m/s仅为示例性说明，预设车速为120km/h仅为示例性说明，在其他实施例中，辆的车速达到匀速状态还可以用其他加速度或者其他状态表示，预设车速还可以是其他车速，在此不再赘述。
S20：根据加速性能数据生成车辆的加速特征向量集合，以表征车型在高维空间下加速性能。
在获取不同车型的车辆在不同油门开度下的加速性能数据之后，需要对车辆在不同油门开度下的加速性能数据进行加速特征向量提取，以生成车辆的加速特征向量集合，作为该车型在高维空间下加速性能。
例如，车辆在不同油门开度下的加速性能数据路包括车辆的油门踏板行程、发动机转速、挡位、车速、车身加速度(包括纵向加速度)、行驶距离等数据，为了评估车辆的加速性能，需要在加速性能数据中选择多个加速特征向量生成车辆的加速特征向量集合，其中，车辆的加速特征向量集合可以为车辆的油门行程信号、发动机的转速、行驶距离、车速、纵向加速度、加速时间等组成，即采用加速特征向量集合x＝(p,r,s,v,a)来描述车辆的加速性能。其中，p为油门行程信号，r为发动机的转速，s为行驶距离，v为车速，a为纵向加速度。
本实施例中，车辆的加速特征向量集合为车辆的油门行程信号、发动机的转速、行驶距离、车速、纵向加速度、加速时间组成仅为示例性说明在，在其他实施例中，车辆的加速特征向量集合还可以包括加速性能特征向量，在此不再赘述。
S30：将不同车型在高维空间下加速性能转化至低维空间，以获得不同车型在低维空间下加速性能。
在获取不同车型在高维空间下加速性能之后，将不同车型在高维空间下加速性能转化至低维空间，以获得不同车型在低维空间下加速性能，目的是对高维空间下加速性能进行降维处理，以便后续再低维空间对车辆的加速性能进行分析。其中，车型在低维空间下加速性能保持车型在高维空间下加速性能的结构特征。
例如，可以采用函数迭代映射、参数迭代映射、正态迭代映射等方式，将不同车型在高维空间下加速性能映射到三维空间或者二维空间，然后获得不同车型在三维空间下加速性能或者不同车型在二维空间下加速性能。
本实施例中，采用函数迭代映射、参数迭代映射、正态迭代映射等方式，将不同车型在高维空间下加速性能映射到三维空间或者二维空间，仅为示例性说明，在其他实施例中，还可以使用其他方式将将不同车型在高维空间下加速性能转化至低维空间，在此不再赘述。
S40：对不同车型在低维空间下加速性能进行聚类分类，获得不同车型的动力性能评估结果。
在获得不同车型在低维空间下加速性能之后，根据用户的实际需求对不同车型在低维空间下加速性能进行聚类分类，获得不同车型的动力性能评估结果，并将不同车型的动力性能评估结果输出给用户，以便用户可获知不同车型的动力性能评估结果。
例如，低维空间为二维空间，在获得不同车型在二维空间下加速性能之后，需要根据车辆舒适性对不同车型在低维空间下加速性能进行聚类分类，可以获得运动车型、中性车型和舒适车型三类车型的聚类分类结果，如图3所示，为对不同车辆(vehicle)在二维空间下加速性能进行聚类分类后输出的不同车型的动力性能评估结果，即为图中的二维图。其中，如图3所示，运动车型集聚在二维图的上方，舒适车型集聚在二维图的下方，而中性车型介于运动车型与舒适车型之间，通过聚类分类结果可以很好地区分各车型的加速性能，符合现实生活中用户对不同车辆的舒适性体验，验证了本实施例中提出车辆动力性能确定方法的有效性。
本实施例中，在获得不同车型在低维空间下加速性能之后，根据车辆舒适性对不同车型在低维空间下加速性能进行聚类分类，以获得运动车型、中性车型和舒适车型三类车型的聚类分类结果仅为示例性说明，在其他实施例中，还可以根据用户的其他需求，对不同车型在低维空间下加速性能进行聚类分类，在此不再赘述。
本实施例中，将不同车型在高维空间下加速性能转化至低维空间，以获得不同车型在低维空间下加速性能，并车保留车型在高维空间下加速性能的结构特征，以便后续对不同车型在低维空间下加速性能进行聚类分类，从而获得不同车型的动力性能评估结果；充分考虑了各油门下的加速度性能，克服以往只考虑车辆全油门加速性能的缺点，对采集的高维空间加速性能转化为低维空间，同时保留高维空间下的加速特征结构特点，以便于后续根据需求对低维空间下加速性能进行聚类分类，能有效区分不同车型的加速性能，提高了车辆动力性能评估的有效性。
在一实施例中，步骤S10中，即获取不同车辆在不同油门开度下的加速性能数据，具体包括如下步骤：
S11：获取车辆在直线加速性能测试中的油门行程信号、发动机转速、行驶距离、车速和纵向加速度。
S12：将油门行程信号和油门行程信号对应的发动机转速、行驶距离、车速和纵向加速度作为直线加速性能数据，以获得不同车辆在不同油门开度下的加速性能数据。
在对车辆进行直线加速性能测试的过程中，车辆上的数据采集系统同时连接车载CAN信号卡、陀螺仪与GPS模块，以记录车辆的油门踏板行程信号、发动机转速、挡位信号、车速、车身加速度、角速度与位置信息等信号，以获得车辆的油门行程信号、发动机转速、挡位信号、车速、车身加速度(包括纵向加速度)、角速度与行驶距离等数据，其中，将车辆的油门行程信号、发动机转速、行驶距离、车速和纵向加速度提取出来，作为车辆的直线加速性能数据，从而获得不同车型的车辆在不同油门开度下的加速性能数据，以便后续直接将车辆的油门行程信号、发动机转速、行驶距离、车速和纵向加速度的集合，作为车辆在高维空间下加速性能表达。
本实施例中，通过获取车辆在直线加速性能测试中的油门行程信号、发动机转速、行驶距离、车速和纵向加速度，将油门行程信号和油门行程信号对应的发动机转速、行驶距离、车速和纵向加速度作为直线加速性能数据，以获得不同车辆在不同油门开度下的加速性能数据，明确了获取不同车辆在不同油门开度下的加速性能数据，减少了数据处理量，为后续根据不同车辆在不同油门开度下的加速性能数据，确定不同车型在高维空间下加速性能提供基础。
在一实施例中，低维空间为二维空间，步骤S30中，即将不同车型在高维空间下加速性能转化至低维空间，以获得不同车型在低维空间下加速性能，具体包括如下步骤：
S31：确定每两种车型在高维空间下加速性能的差异。
在获取不同车型在高维空间下加速性能的差异之后，需要确定每两种车型在高维空间下加速性能的差异。
其中，确定每两种车型在高维空间下加速性能的差异，具体包括如下：采用高维度的欧式距离表示不同车型的加速性能差异，然后通过高斯分布方法对不同车型中，每两种车型在高维空间下加速性能的差异进行建模，以获得两种车型在高维空间下加速性能的差异。其中，两种车型之间的差异程度，使用以下函数表示：
其中，Pj|i为两种车型在高维空间下加速性能的差异,xi为i车型在高维空间下加速性能，xj为j车型在高维空间下加速性能，xk为除i车型外的其他车型在高维空间下加速性能，σi为控制高斯密度分布的参数。通过调整σi，令∑jPj|ilog2Pj|i基本相同，使每种车型较于其它车型都有相近的高斯分布。
本实施例中，采用高维度的欧式距离表示不同车型的加速性能差异、高斯分布函数对每两种车型在高维空间下加速性能的差异进行建模，以获得两种车型在高维空间下加速性能的差异，仅为示例性说明，在其他实施例中，还可以通过其他函数表示不同车型的加速性能差异，并可以通过其他方式确定两种车型在高维空间下加速性能的差异，在此不再赘述。
S32：确定每两种车型在二维空间下加速性能的差异。
获得不同车型在二维空间下加速性能的差异，确定每两种车型在二维空间下加速性能的差异。
其中，确定每两种车型在二维空间下加速性能的差异，具体包括：采用t-分布方法对两种车型在高维空间下加速性能的差异进行建模，获得两种车型在二维空间下加速性能的差异，其中，两种车型在二维空间下加速性能的差异通过以下函数表示：
其中，Qj|i为两种车型在二维空间下加速性能的差异，yi为i车型在二维空间下加速性能，yj为j车型在二维空间下加速性能，yk为j除i车型外的其他车型在二维空间下加速性能。
本实施例中，采用t-分布方法对两种车型在高维空间下加速性能的差异进行建模，获得两种车型在二维空间下加速性能的差异，仅为示例性说明，在其他实施例中，还可以通过其他方式确定两种车型在二维空间下加速性能的差异，在此不再赘述。
S33：确定每两种车型在高维空间下加速性能的差异，与每两种车型在二维空间下加速性能的差异之间的KL散度函数。
在确定每两种车型在高维空间下加速性能的差异、每两种车型在二维空间下加速性能的差异之后，确定两者之间的KL散度函数。在机器学习领域，KL散度用来表示两个函数的相似程度。采用KL散度来表示在高维与二维模型之间的相似性，以实现对车辆加速性能的聚类分析。KL散度函数可以使用以下公式表示：
其中，Qj|i为两种车型在二维空间下加速性能的差异，Pj|i为两种车型在高维空间下加速性能的差异。
S34：采用梯度下降方法对KL散度函数的最小值进行迭代求解，以获得不同车型在二维空间下加速性能。
由于KL散度越小，表示两个模型越相似，即Qj|i与Pj|i相似，因此，要保证车辆在二维空间上加速性能与车辆在高维空间上加速性能结构特征相近，即确保车辆在二维空间上加速性能能够保留车辆在高维空间上加速性能的结构特征，需求出目标函数KL的最小值。此时，可以采用梯度下降方法对KL散度函数的最小值进行迭代求解，以对KL散度函数的最小值进行优化求解，从而确定不同车型在二维空间下加速性能。
本实施例中，采用梯度下降方法对KL散度函数的最小值进行迭代求解，仅为示例性说明，在其他实施例中，还可以采用其他最优化方式对KL散度函数的最小值，在此不再赘述。
一般来说KL散度函数的最小值出现在KL散度函数的导数为0的时候，可以对KL散度函数进行求导，以获得KL散度函数的导数，然后求得KL散度函数的导数等于0时，KL散度函数的值作为KL散度函数的最小值，以获得不同车型在二维空间下加速性能。
其中，对KL散度函数进行求导，获得KL散度函数的导数为：
其中，为KL散度函数的导数，Qj|i为两种车型在二维空间下加速性能的差异，Pj|i为两种车型在高维空间下加速性能的差异，yi为i车型在二维空间下加速性能，yj为j车型在二维空间下加速性能。
其中，在采用梯度下降方法对KL散度函数的最小值进行迭代求解时，设Y为不同车型在二维空间加速性能的集合，Y＝{y1,y2，y3，y4…，yn}，可采用随机梯度下降方法对KL散度函数的最小值进行迭代求解，迭代公式为：
其中，Y(t)为迭代第t次时不同车型在二维空间下加速性能的集合；Y(t-1)为迭代第t-1次时不同车型在二维空间下加速性能的集合；为KL散度函数的导数；θ为步长。
根据上述公式对进行不断迭代，以求出Y，即不同车型在二维空间下加速性能的表达，其中，迭代的结束条件为：Y(t)-Y(t-1)<error，其中，error为预先设置的精度。
本实施例中，采用随机梯度下降方法对KL散度函数的最小值进行迭代求解仅为示例性说明，在其他实施例中，还可以采用其他梯度下降方法对KL散度函数的最小值进行迭代求解，例如批量梯度下降法、小批量梯度下降法等，在此不再赘述。
本实施例中，通过确定每两种车型在高维空间下加速性能的差异，确定每两种车型在二维空间下加速性能的差异，确定每两种车型在高维空间下加速性能的差异，与每两种车型在二维空间下加速性能的差异之间的KL散度函数，然后采用梯度下降方法对KL散度函数的最小值进行迭代求解，以获得不同车型在二维空间下加速性能，细化了将不同车型在高维空间下加速性能转化至二维空间，以获得不同车型在二维空间下加速性能的具体过程，为后续的计算提供了基础。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种车辆动力性能确定装置，该车辆动力性能确定装置与上述实施例中车辆动力性能确定方法一一对应。如图4所示，该车辆动力性能确定装置包括获取模块401、生成模块402、转化模块403和聚类模块404。各功能模块详细说明如下：
获取模块401，用于获取不同车型的车辆在不同油门开度下的加速性能数据；
生成模块402，用于根据所述加速性能数据生成所述车辆的加速特征向量集合，以表征所述车型在高维空间下加速性能；
转化模块403，用于将所述不同车型在高维空间下加速性能转化至低维空间，以获得所述不同车型在低维空间下加速性能，所述车型在低维空间下加速性能保持所述车型在高维空间下加速性能的结构特征；
聚类模块404，用于对所述不同车型在低维空间下加速性能进行聚类分类，获得所述不同车型的动力性能评估结果。
进一步地，所述低维空间为二维空间，所述转化模块403具体用于：
确定每两种车型在高维空间下加速性能的差异；
获得每所述两种车型在所述二维空间下加速性能的差异；
确定每所述两种车型在高维空间下加速性能的差异，与每所述两种车型在二维空间下加速性能的差异之间的KL散度函数；
采用梯度下降方法对所述KL散度函数的最小值进行迭代求解，以获得所述不同车型在二维空间下加速性能。
进一步地，所述转化模块403还具体用于根据如下迭代公式对所述KL散度函数的最小值进行迭代求解：
其中，Y(t)为迭代第t次时所述不同车型在二维空间下加速性能的集合，Y(t-1)为迭代第t-1次时所述不同车型在二维空间下加速性能的集合，为所述KL散度函数的导数，θ为步长。
进一步地，所述转化模块403还具体用于：
采用高维的欧式距离表示所述不同车型的加速性能差异；
通过高斯分布方法对所述不同车型中每两种车型在高维空间下加速性能的差异进行建模，以获得所述两种车型在高维空间下加速性能的差异：
其中，Pj|i为所述两种车型在高维空间下加速性能的差异,xi为i车型在高维空间下加速性能，xj为j车型在高维空间下加速性能，xk为除i车型外的其他车型在高维空间下加速性能，σi为控制高斯密度分布的参数。
进一步地，所述转化模块403还具体用于：
采用t-分布方法对所述两种车型在高维空间下加速性能的差异进行建模，获得两种车型在所述二维空间下加速性能的差异：
其中，Qj|i为所述两种车型在二维空间下加速性能的差异，yi为i车型在二维空间下加速性能，yj为j车型在二维空间下加速性能，yk为j除i车型外的其他车型在二维空间下加速性能。
进一步地，所述获取模块401具体用于：
获取所述车辆在直线加速性能测试中的油门行程信号、发动机转速、行驶距离、车速和纵向加速度；
将所述油门行程信号和所述油门行程信号对应的发动机转速、行驶距离、车速和纵向加速度作为所述直线加速性能数据，以获得所述不同车辆在不同油门开度下的加速性能数据。
关于车辆动力性能确定装置的具体限定可以参见上文中对于车辆动力性能确定方法的限定，在此不再赘述。上述车辆动力性能确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种车辆动力性能确定装置，该车辆动力性能确定装置包括通过系统总线连接的处理器、存储器、网络接口和显示屏。其中，该车辆动力性能确定装置的处理器用于提供计算和控制能力。该车辆动力性能确定装置的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该车辆动力性能确定装置的网络接口用于与车辆通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆动力性能确定方法。
在一个实施例中，如图5所示，提供了一种车辆动力性能确定装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取不同车型的车辆在不同油门开度下的加速性能数据；
根据所述加速性能数据生成所述车辆的加速特征向量集合，以表征所述车型在高维空间下加速性能；
将所述不同车型在高维空间下加速性能转化至低维空间，以获得所述不同车型在低维空间下加速性能，所述车型在低维空间下加速性能保持所述车型在高维空间下加速性能的结构特征；
对所述不同车型在低维空间下加速性能进行聚类分类，获得所述不同车型的动力性能评估结果。
在一个实施例中，提供了一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取不同车型的车辆在不同油门开度下的加速性能数据；
根据所述加速性能数据生成所述车辆的加速特征向量集合，以表征所述车型在高维空间下加速性能；
将所述不同车型在高维空间下加速性能转化至低维空间，以获得所述不同车型在低维空间下加速性能，所述车型在低维空间下加速性能保持所述车型在高维空间下加速性能的结构特征；
对所述不同车型在低维空间下加速性能进行聚类分类，获得所述不同车型的动力性能评估结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种车辆动力性能确定方法，其特征在于，包括：
获取不同车型的车辆在不同油门开度下的加速性能数据；
根据所述加速性能数据生成所述车辆的加速特征向量集合，以表征所述车型在高维空间下加速性能；
将所述不同车型在高维空间下加速性能转化至低维空间，以获得所述不同车型在低维空间下加速性能，所述车型在低维空间下加速性能保持所述车型在高维空间下加速性能的结构特征；
对所述不同车型在低维空间下加速性能进行聚类分类，获得所述不同车型的动力性能评估结果；
所述低维空间为二维空间，所述将所述不同车型在高维空间下加速性能转化至低维空间，以获得所述不同车型在低维空间下加速性能，包括：
确定每两种车型在高维空间下加速性能的差异；
获得每所述两种车型在所述二维空间下加速性能的差异；
确定每所述两种车型在高维空间下加速性能的差异，与每所述两种车型在二维空间下加速性能的差异之间的KL散度函数；
采用梯度下降方法对所述KL散度函数的最小值进行迭代求解，以获得所述不同车型在二维空间下加速性能。
2.如权利要求1所述的车辆动力性能确定方法，其特征在于，所述采用梯度下降方法对所述KL散度函数的最小值进行迭代求解，迭代公式为：
其中，Y(t)为迭代第t次时所述不同车型在二维空间下加速性能的集合，Y(t-1)为迭代第t-1次时所述不同车型在二维空间下加速性能的集合，为所述KL散度函数的导数，θ为步长。
3.如权利要求1所述的车辆动力性能确定方法，其特征在于，所述确定每两种车型在高维空间下加速性能的差异，包括：
采用高维的欧式距离表示所述不同车型的加速性能差异；
通过高斯分布方法对所述不同车型中每两种车型在高维空间下加速性能的差异进行建模，以获得所述两种车型在高维空间下加速性能的差异：
其中，Pj|i为所述两种车型在高维空间下加速性能的差异,xi为i车型在高维空间下加速性能，xj为j车型在高维空间下加速性能，xk为除i车型外的其他车型在高维空间下加速性能，σi为控制高斯密度分布的参数。
4.如权利要求1所述的车辆动力性能确定方法，其特征在于，所述获得每所述两种车型在所述二维空间下加速性能的差异，包括：
采用t-分布方法对所述两种车型在高维空间下加速性能的差异进行建模，获得两种车型在所述二维空间下加速性能的差异：
其中，Qj|i为所述两种车型在二维空间下加速性能的差异，yi为i车型在二维空间下加速性能，yj为j车型在二维空间下加速性能，yk为j除i车型外的其他车型在二维空间下加速性能。
5.如权利要求1-4任一项所述的车辆动力性能确定方法，其特征在于，所述获取不同车型的车辆在不同油门开度下的加速性能数据，包括：
获取所述车辆在直线加速性能测试中的油门行程信号、发动机转速、行驶距离、车速和纵向加速度；
将所述油门行程信号和所述油门行程信号对应的发动机转速、行驶距离、车速和纵向加速度作为所述直线加速性能数据，以获得所述不同车型的车辆在不同油门开度下的加速性能数据。
6.一种车辆动力性能确定装置，其特征在于，包括：
获取模块，用于获取不同车型的车辆在不同油门开度下的加速性能数据；
生成模块，用于根据所述加速性能数据生生成所述车辆的加速特征向量集合，以表征所述车型在高维空间下加速性能；
转化模块，用于将所述不同车型在高维空间下加速性能转化至低维空间，以获得所述不同车型在低维空间下加速性能，所述车型在低维空间下加速性能保持所述车型在高维空间下加速性能的结构特征；
聚类模块，用于对所述不同车型在低维空间下加速性能进行聚类分类，获得所述不同车型的动力性能评估结果；所述低维空间为二维空间；
所述转化模块具体用于：
确定每两种车型在高维空间下加速性能的差异；
获得每所述两种车型在所述二维空间下加速性能的差异；
确定每所述两种车型在高维空间下加速性能的差异，与每所述两种车型在二维空间下加速性能的差异之间的KL散度函数；
采用梯度下降方法对所述KL散度函数的最小值进行迭代求解，以获得所述不同车型在二维空间下加速性能。
7.一种车辆动力性能确定装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述车辆动力性能确定方法的步骤。
8.一种可读存储介质，所述可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述车辆动力性能确定方法的步骤。
CN202110154977.9A 2021-02-04 2021-02-04 一种车辆动力性能确定方法、装置及存储介质 Active CN114861516B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110154977.9A CN114861516B (zh) 2021-02-04 2021-02-04 一种车辆动力性能确定方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110154977.9A CN114861516B (zh) 2021-02-04 2021-02-04 一种车辆动力性能确定方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN114861516A CN114861516A (zh) 2022-08-05
CN114861516B true CN114861516B (zh) 2023-09-01

Family

ID=82622884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110154977.9A Active CN114861516B (zh) 2021-02-04 2021-02-04 一种车辆动力性能确定方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114861516B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003172190A (ja) * 2001-09-28 2003-06-20 Yamaha Motor Co Ltd 加速性能の評価方法、加速性能評価装置及び車両
CN109933021A (zh) * 2018-11-22 2019-06-25 湖南大学 考虑车辆动力学参数不确定性的车辆队列稳定性控制方法
CN112198824A (zh) * 2020-10-13 2021-01-08 广州汽车集团股份有限公司 一种车载数据处理方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003172190A (ja) * 2001-09-28 2003-06-20 Yamaha Motor Co Ltd 加速性能の評価方法、加速性能評価装置及び車両
CN109933021A (zh) * 2018-11-22 2019-06-25 湖南大学 考虑车辆动力学参数不确定性的车辆队列稳定性控制方法
CN112198824A (zh) * 2020-10-13 2021-01-08 广州汽车集团股份有限公司 一种车载数据处理方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
汽油机瞬态工况性能测评及数值仿真方法研究;唐琦军;《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》(第2期);C035-38 *

Also Published As

Publication number Publication date
CN114861516A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
WO2020107894A1 (zh) 一种驾驶行为评分方法、装置及计算机可读存储介质
CN111797526B (zh) 一种仿真测试场景构建方法及装置
CN107953888B (zh) 一种道路类型识别方法及系统
CN114815605A (zh) 自动驾驶测试用例生成方法、装置、电子设备及存储介质
CN113433950A (zh) 车辆控制数据标定方法、装置、计算机设备和存储介质
Hamed et al. Fuel consumption prediction model using machine learning
Jiang et al. Efficient and unbiased safety test for autonomous driving systems
Cai et al. Cnn-lstm driving style classification model based on driver operation time series data
Kumar et al. Driving behavior analysis and classification by vehicle OBD data using machine learning
CN114861516B (zh) 一种车辆动力性能确定方法、装置及存储介质
Kar et al. Scotto: Real-time driver behavior scoring using in-vehicle data
Li et al. A remaining useful life prediction method considering the dimension optimization and the iterative speed
CN115841712A (zh) 一种基于v2x技术的驾驶数据处理方法、装置及设备
Schuermann et al. How to Model Real-World Driving Behavior? Probability-Based Driver Model for Energy Analyses
Khosravinia et al. Enhancing Road Safety through Accurate Detection of Hazardous Driving Behaviors with Graph Convolutional Recurrent Networks
Zehelein et al. Automotive damper defect detection using novelty detection methods
CN115979679B (zh) 自动驾驶系统实际道路测试方法、设备和存储介质
Cao et al. Application oriented testcase generation for validation of environment perception sensor in automated driving systems
Abhinand Krishna et al. IoT-based driving pattern analysis and engine sensor damage prediction using onboard diagnostics
Luo et al. Localized model to segmentally estimate miles per gallon (mpg) for equipment engines
CN116628395B (zh) 一种基于城市地形特征的道路车辆碳排放测算方法及系统
CN116302364B (zh) 自动驾驶可靠性测试方法、装置、设备、介质和程序产品
Gorodnichev et al. Research on Driver Monitoring Methods
Milardo et al. An unsupervised approach for driving behavior analysis of professional truck drivers
CN113044046A (zh) 驾驶员风格识别方法、系统、电子设备及可读存储介质

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