CN115107779A - 用于使用机器学习和人工智能的节能交通的系统和方法 - Google Patents

用于使用机器学习和人工智能的节能交通的系统和方法 Download PDF

Info

Publication number
CN115107779A
CN115107779A CN202210247404.5A CN202210247404A CN115107779A CN 115107779 A CN115107779 A CN 115107779A CN 202210247404 A CN202210247404 A CN 202210247404A CN 115107779 A CN115107779 A CN 115107779A
Authority
CN
China
Prior art keywords
vehicle
energy
cavitation zone
determining
calculating
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
CN202210247404.5A
Other languages
English (en)
Inventor
维诺德·拉维
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.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
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 Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of CN115107779A publication Critical patent/CN115107779A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3469—Fuel consumption; Energy use; Emission aspects
    • 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
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
    • 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
    • B60W40/1005—Driving resistance
    • 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
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4042—Longitudinal speed
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/802—Longitudinal distance
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data
    • 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
    • B60W2754/00—Output or target parameters relating to objects
    • B60W2754/10—Spatial relation or speed relative to objects
    • B60W2754/30—Longitudinal distance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了“用于使用机器学习和人工智能的节能交通的系统和方法”。提供了用于节能交通的系统和方法。所述方法可包括：识别在道路上移动的车辆；计算完成行程所需的第一能量；确定所述车辆的气穴区的大小；计算转变到所述车辆的所述气穴区并在所述车辆的所述气穴区中完成所述行程所需的第二能量；以及如果所述第二能量比所述第一能量更节能，则转变到所述车辆的所述气穴区。

Description

用于使用机器学习和人工智能的节能交通的系统和方法
技术领域
本公开涉及用于使车辆使用机器学习和/或人工智能(AI)识别另一车辆后方的气穴区(APZ)并允许车辆在该气穴区(低压区或湍流区)中巡航的系统和方法，在该气穴区中，阻力最小，因此低能量用于推进。
背景技术
滑流或“牵引”是赛车手用来获得直线速度优势以进行超越的技术。原则上，当车辆穿过空气时在车辆后部形成气穴，在所述气穴中存在湍流空气。湍流空气通常产生较小的阻力，从而允许位于湍流空气内的第二车辆有更快速度和更高效率。关于这些和其他考虑因素，提出了本文的公开内容。
发明内容
本文公开了用于使车辆使用机器学习和/或人工智能(AI)识别另一车辆后方的气穴区(APZ)并允许车辆在该气穴区(低压区或湍流区)中巡航的系统和方法，在该气穴区中，阻力最小，因此低能量用于推进。这允许车辆以最低的能量使用量和最短的时间完成其行程。在这种情况下的行程可能需要在道路上进行多次车道切换。例如，车辆可能在SUV后面巡航，并且如果车辆识别出拖车，则车辆可以切换车道、加速/减速以接近拖车的气穴区并在拖车后面巡航，直到被认为是有益的。可以计算车道切换的能量效率，并将其与巡航时间、速度和其他因素(包括整体安全性)进行比较。
一个动机是优化用于整个行程的能量。本文描述的方法可以用于确定是否切换使得整个行程能量效率得到优化。这可能涉及或可能不涉及与其他车辆的交互。此外，可以向车辆的驾驶员提供百分比标度以确定对他们的行程的激进性切换或最小切换。例如，驾驶员可能不希望在下雪天而不是在交通较少的晴天在车辆后面执行许多车道切换。
附图说明
参考附图阐述具体实施方式。使用相同的附图标记可以指示类似或相同的项。各种实施例可以利用除了附图中示出的那些之外的元件和/或部件，并且一些元件和/或部件可能不存在于各种实施例中。附图中的元件和/或部件不一定按比例绘制。在整个本公开中，根据上下文，单数和复数术语可以可互换地使用。
图1A和图1B示出了空气动力学车辆的阻力。
图1C和图1D示出了较少空气动力学车辆的阻力。
图2示出了根据本公开的原理的用于节能交通的系统。
图3示出了根据本公开的原理的可以包括在节能操作平台中的一些示例性部件。
图4是示出根据本公开的原理的用于节能交通的示例性步骤的流程图。
具体实施方式
下文将参考附图更全面地描述本公开，其中示出了本公开的示例性实施例。然而，本公开可以以许多不同形式来体现，并且不应被解释为受限于本文阐述的示例实施例。相关领域技术人员将理解，在不脱离本公开的精神和范围的情况下可对各种实施例作出形式和细节上的各种变化。因此，本公开的广度和范围不应受到上述示例性实施例中的任何一个限制，而是应仅根据以下权利要求和其等效物限定。以下描述是为了说明目的而呈现，并且不意图是详尽性的或受限于所公开的精确形式。应当理解，替代实施方式可以以任何组合来使用，以形成本公开的另外的混合实施方式。例如，相对于特定装置/部件描述的功能中的任一者可以由另一个装置/部件执行。此外，尽管已经描述了具体装置特性，但是本公开的实施例可能涉及许多其他装置特性。此外，尽管已用特定于结构特征和/或方法动作的语言描述了实施例，但是应当理解，本公开不一定受限于所描述的特定特征或动作。而是，将特定特征和动作公开为实施实施例的说明性形式。
本文中使用的某些字词和短语仅是为了方便，并且此类字词和术语应被解释为指代本领域的普通技术人员一般以各种形式和等效形式所理解的各种对象和动作。
根据本公开的原理，可以识别道路上的附近车辆的气穴区(APZ)，使得在具有较大APZ且因此具有较小阻力的车辆的APZ中巡航可以优化给定行程的总能量效率。如图1A和图1B所示，较小且空气动力学较大的车辆(例如，车辆V)通常具有较小的APZ，因为空气动力学设计引起较少湍流并在车辆后方产生更多层流。相比之下，如图1C和图1D所示，较大且空气动力学较小的车辆(例如，拖车T)通常具有较大APZ，因为车辆以较小阻力产生更多湍流，这具有较低压力，从而允许具有更快速度。如图1D所示，卡车T后部的气流突然转变(例如，65mph)在低压区的边界上产生强大的剪切力，从而提供更大的APZ。
现在参考图2，提供了用于节能交通的系统100。如图2所示，系统200可以包括车辆101，所述车辆具有用于识别道路上的一个或多个附近车辆(例如，车辆V和/或车辆T)的装置102以及在线数据库120，所有这些都经由例如网络150通信地耦合到节能操作平台200。在一些实施例中，车辆101可以通过网络150与道路上的其他有能力的车辆(例如，车辆V和/或车辆T)直接对接，使得“主”车辆可以直接与附近的车辆共享数据。例如，车辆V和/或车辆T可以将车辆信息直接传送到车辆101。节能操作平台200可以位于一个或多个服务器上，和/或可以与车辆101集成。节能操作平台200可以计算在不切换车道的情况下完成行程所需的能量，以及在行程的其余部分内切换车道并在附近车辆的APZ中巡航所需的能量，并且确定哪个选项将是最节能的，同时考虑整体安全性和巡航时间。
车辆101可以是手动驾驶的车辆(例如，无自主)和/或被配置和/或编程为在完全自主(例如，无人驾驶)模式(例如，5级自主)下或在可以包括驾驶员辅助技术(例如，自适应巡航控制)的一个或多个部分自主模式下操作。部分自主(或驾驶员辅助)模式的示例在本领域中被广泛地理解为1级至4级自主。具有0级自主自动化的车辆可能不包括自主驾驶特征。具有1级自主的自主车辆(AV)可以包括单个自动化驾驶员辅助特征，诸如转向或加速辅助。自适应巡航控制是1级自主系统的一个此类示例，其包括加速和转向两个方面。车辆中的2级自主可以提供转向和加速功能的部分自动化，其中自动化系统由执行非自动化操作(诸如制动和其他控制)的人类驾驶员监督。在一些方面，在2级和更高级别的自主特征情况下，主用户可以在用户在车辆内部时控制车辆，或者在一些示例性实施例中，在车辆处于远程操作时，从远离车辆但在从车辆延伸长达几米的控制区内的位置控制车辆。车辆中的3级自主可提供对驾驶特征的条件自动化和控制。例如，3级车辆自主典型地包括“环境检测”能力，其中车辆可以独立于当前的驾驶员而做出明智的决策，诸如加速驶过缓慢移动的车辆，而如果系统无法执行任务，则当前的驾驶员仍准备好重新取得对车辆的控制。4级自主车辆可以独立于人类驾驶员操作，但仍可以包括用于超驰操作的人类控制。4级自动化还可使自驾驶模式能够响应于预定义的条件触发(诸如道路危险或系统故障)进行干预。5级自主与自主车辆系统相关联，其无需人类输入以进行操作，并且通常不包括人类操作的驾驶控制。根据本公开的实施例，节能操作平台200可被配置和/或编程为与具有4级或5级自主车辆控制器的车辆一起操作。
在一些实施例中，用于识别道路上的一个或多个附近车辆的装置102可以是用于捕获附近车辆的图像数据的一个或多个相机。例如，车辆101的一个或多个前置相机可以用于读取前方车辆的牌照。然后可以使用该信息来访问在线数据库120，所述在线数据库可以包含前方车辆的详细规格，包括例如其尺寸，所述详细规格可以用于计算所识别车辆的横截面积以确定APZ的大小，如下文进一步详细描述的。如图2所示，车辆T(例如，拖车)将具有比车辆V(例如，更具空气动力学的车辆)更大的APZ。
在一些实施例中，由一个或多个相机捕获的图像数据可以用于执行逐像素比较并观察颜色变化，并且识别前方的所识别车辆的极端拐角，这可以用于确定所述识别车辆的横截面积以确定APZ的大小以及估计阻力。另外或替代地，用于识别道路上的一个或多个附近车辆的装置102可以是激光雷达扫描装置，其可以测量车辆101与所识别的前方车辆之间的距离以根据速度来估计阻力。
在线数据库120可以包括与所识别车辆相关联的附加车辆和/或驾驶员信息。例如，基于车牌或前方车辆的其他识别特征，节能操作平台200可以接收指示例如车辆是否具有防抱死制动系统(ABS)、智能巡航控制、自主制动等的信息。该信息可以用于确定所识别车辆后方的安全优化巡航距离。另外，取决于访问级别和可以推断出的信息，可以获得车辆维护记录(诸如自从上次更换制动衬片以来的持续时间)、驾驶员行为(温和或激进性等)和/或超速罚单以衡量与所识别车辆相关联的驾驶员是否是要跟随或不跟随的安全驾驶员。
网络150可包括各网络中的任一者或组合，诸如局域网(LAN)、广域网(WAN)、电话网络、蜂窝网络、电缆网络、无线网络和/或专用/公共网络(诸如互联网)。例如，网络150可支持诸如TCP/IP、蓝牙、蜂窝、近场通信(NFC)、Wi-Fi、Wi-Fi直连、机器对机器通信、人对机器通信和/或车辆对外界(V2X)通信的通信技术。
现在参考图3，更详细地描述了可以包括在节能操作平台200中的部件。节能操作平台200可以包括一个或多个处理器202、通信系统204和存储器206。通信系统204可以包括允许节能操作平台200与车辆101、装置102和在线数据库120通信的无线收发器。无线收发器可使用各种通信格式中的任何一种，例如诸如互联网通信格式或蜂窝通信格式。
作为非暂时性计算机可读介质的一个示例的存储器206可以用于存储操作系统(OS)216、相机数据处理模块208、在线数据处理模块210、能量效率计算模块212以及节能操作预测模块214。所述模块以可由处理器202执行以执行根据本公开的各种操作的计算机可执行指令的形式提供。
存储器206可包括任何一个存储器元件或易失性存储器元件(例如，随机存取存储器(RAM，诸如DRAM、SRAM、SDRAM等))和非易失性存储器元件(例如，ROM、硬盘驱动器、磁带、CDROM等)的组合。此外，存储器206可并入电子、磁性、光学和/或其他类型的存储介质。在本文件的背景下，“非暂时性计算机可读介质”可以是例如但不限于电子、磁性、光学、电磁、红外或半导体系统、设备或装置。计算机可读介质的更具体的示例(非详尽列表)将包括以下项：便携式计算机软磁盘(磁性)、随机存取存储器(RAM)(电子)、只读存储器(ROM)(电子)、可擦除可编程只读存储器(EPROM、EEPROM或快闪存储器)(电子)以及便携式压缩盘只读存储器(CD ROM)(光学)。计算机可读介质甚至可为上面打印有程序的纸张或另一合适的介质，因为可(例如)经由对纸张或其他介质的光学扫描来电子地捕获程序，然后进行编译、解译或另外在需要时以合适的方式进行处理，并且然后存储在计算机存储器中。
相机数据处理模块208可以由处理器202执行以接收和处理来自装置102的图像数据。例如，相机数据处理模块208可以从捕获的图像数据推导牌照信息，和/或执行图像数据的逐像素比较并观察颜色变化，并且识别前方的所识别车辆的极端拐角以用于确定横截面积。另外或替代地，相机数据处理模块208可以从激光雷达扫描装置接收数据以确定横截面积。另外，相机数据处理模块208可以执行图像处理以识别特定车辆后方的车辆数量。例如，如果在某个卡车后面有许多车辆，则对于某个速度，所述模型可能会阻止切换，因为所获得的益处可能是最小的。
在线数据处理模块210可以由处理器202执行以用于从在线数据库120发送和接收车辆信息数据。例如，基于由装置102捕获的图像数据，在线数据处理模块210可以经由网络150将牌照信息数据传输到在线数据库120。结果，在线数据处理模块210可以基于牌照信息接收与所识别车辆相关联的车辆信息数据。如上所述，车辆信息可以包括指示车辆是否具有防抱死制动系统(ABS)、智能巡航控制、自主制动和车辆维护记录(诸如自上次更换制动衬片以来的持续时间)、驾驶员行为(温和或激进等)和/或超速罚单的信息。
能量效率计算模块212可以由处理器202执行以用于计算完成行程所需的第一能量，基于来自装置102的所捕获数据来确定所识别的前方车辆的APZ的大小，计算转变为所识别的前方车辆的APZ并在所述车辆的APZ中完成行程所需的第二能量，以及确定第二能量是否比第一能量更节能。
例如，可以使用牛顿第二定律来计算车辆101上的净力，例如车辆运动方程：
Figure BDA0003545341620000071
其中Ft＝牵引力，Fa＝空气动力学阻力，Fr＝滚动阻力，Fg＝重力，并且其中Ft>0指示牵引力，Ft<0指示制动，并且Ft＝0指示滑行。
一旦计算出净力，能量效率计算模块212就可以使用以下方程来确定能量：
能量＝力×距离
功率＝力×速度
能量效率计算模块212可以使用诸如自适应矩估计和梯度下降等优化技术来优化行程的能量方程。此外，能量效率计算模块212可以根据所识别的前方车辆的横截面积、所识别的前方车辆的速度和/或海拔来确定所识别的前方车辆的APZ的大小。例如，车辆T(例如，拖车)将具有比车辆V(例如，更具空气动力学的车辆)更大的APZ。此外，在该方程中也可以考虑制动距离。例如，车辆可以通过协调方式改变速度以优化车辆的组合阻力损失。
另外，能量效率计算模块212可以计算转变到所识别的前方车辆的APZ所需的第二能量，同时考虑使车辆101加速/减速以接近APZ并在所述车辆的APZ中完成行程所需的能量。能量效率计算模块212还可以基于车辆速度和制动效率来确定在所识别的前方车辆后面跟随的最佳距离，以在维持安全制动距离的同时获得阻力减小。例如，与较大卡车相比，较小的前方车辆可以在更近的距离处被跟随。因此，可以为切换到APZ计算能量效率，并将其与巡航时间、速度和其他因素(包括整体安全性)进行比较。
在一些实施例中，如果第二能量被确定为比第一能量更节能，则能量效率计算模块212可以使车辆101自动转变到更节能的APZ。替代地，能量效率计算模块212可以向车辆101的驾驶员产生并显示指示用于转变到更节能APZ的能量效率的信息，使得驾驶员可以选择是否进行转变。该信息还可以伴随有与所识别的前方车辆相关联的附加车辆/驾驶员信息，诸如驾驶历史、超速罚单、自从如制动器更换以来的时间等(如果可用)，使得驾驶员可以考虑转变的整体安全性。
在一些实施例中，能量效率计算模块212可以从车辆101的驾驶员接收输入，例如，针对给定行程在激进切换或最小切换之间的选择。例如，驾驶员可能不喜欢在下雪天而不是在交通较少的晴天执行许多车道切换。因此，可以经由车辆101的用户界面向驾驶员提供百分比标度等以在激进切换模式或最小切换模式之间进行选择。
能量效率预测模块214可以使用机器学习和/或人工智能来适应由能量效率计算模块212针对各个驾驶员、地形、交通状况等执行的能量效率计算。主要动机是优化用于整体行程的能量。因此，车辆101可以不断地寻找附近的“更佳车辆”，这可以提供更佳的“能量交易”并择机切换。另外或替代地，可以基于实验数据和/或车辆模型来设计优先级列表。例如，SUV可能比掀背车更佳，掀背车可能比轿车更佳，并且轿车可能比摩托车更佳。
此外，能量效率预测模块214基于可从例如在线数据库获得的能量效率计算和交通状况/模式来产生推荐的“旅程开始时间”，例如，关于车辆101应当何时开始其规划的导航路线的建议。例如，一些城市和/或国家的交通法律允许大型拖车仅在预定的当日时间期间(例如，在晚上10点之后)在道路上，以努力减少道路上的交通拥堵。因此，当能量效率预测模块214基于可从在线数据库获得或预编程到能量效率预测模块214中的信息来预测道路上将有更多大型卡车时，能量效率预测模块214可以产生对车辆101在稍晚时间(例如，在晚上10点)开始规划的导航路线的推荐。此外，能量效率预测模块214可以考虑可从在线数据库获得的估计的交通数据，并且推荐较晚的开始时间以避免关于能量效率的不良交通状况。因此，如果车辆101在较晚的建议时间开始规划的导航路线，则能量效率预测模块214可以产生包括指示改善的能量效率的信息的推荐，例如，“如果旅程从晚上10点而不是下午5点开始，则整个行程的能量将更节能大约10％”。车辆101的驾驶员可以选择遵循或不遵循推荐。
现在参考图4，描述了用于节能交通的示例性方法300。在步骤302处，车辆101的装置102可以扫描/识别周围车辆，并且捕获例如周围车辆的图像数据。根据捕获的数据，相机数据处理模块208可以确定所识别的前方车辆的横截面积和/或速度和海拔。在步骤304处，能量效率计算模块212可以计算在不切换车道的情况下完成行程所需的第一能量，例如，E基本。在步骤306处，能量效率计算模块212可以例如使用机器学习和/或AI来确定所识别的周围车辆中的每一者的APZ的大小。
在步骤308处，能量效率计算模块212可以计算转变到所识别的前方车辆中的每一者的APZ并在那些车辆中的每一者的APZ中完成行程所需的第二能量，例如，E1、E2、E3…En。可以将E1、E2、E3…En中的每一者与E基本进行比较，以确定应当在哪个APZ车辆101中巡航以优化行程的其余部分的能量效率。因此，在步骤310处，车辆101可以转变到具有最高能量效率的所识别的前方车辆的APZ。
在以上公开中，已参考了形成以上公开的一部分的附图，附图示出了其中可实践本公开的具体实施方式。应当理解，在不脱离本公开的范围的情况下，可以利用其他实施方式，并且可以作出结构上的改变。说明书中对“一个实施例”、“实施例”、“一个示例实施例”、“示例实施例”等的引用指示所描述的实施例可以包括特定特征、结构或特性，但是每一个实施例可以不必包括所述特定特征、结构或特性。另外，此类短语不一定是指同一个实施例。此外，当结合实施例描述特定特征、结构或特性时，无论是否明确描述，本领域的技术人员都将认识到结合其他实施例的此类特征、结构或特性。
本文所公开的系统、设备、装置和方法的实施方式可以包括或利用包括硬件(诸如，例如本文所讨论的一个或多个处理器和系统存储器)的一个或多个装置。本文公开的装置、系统和方法的实施方式可以通过计算机网络进行通信。“网络”被定义为使得能够在计算机系统和/或模块和/或其他电子装置之间传输电子数据的一个或多个数据链路。当通过网络或另一种通信连接(硬连线、无线或者硬连线或无线的任何组合)向计算机传送或提供信息时，计算机适当地将所述连接视为传输介质。传输介质可以包括网络和/或数据链路，所述网络和/或数据链路可以用于携载呈计算机可执行指令或数据结构的形式的期望的程序代码装置，并且可以由通用或专用计算机访问。以上项的组合也应包括在非暂时性计算机可读介质的范围内。
计算机可执行指令包括例如当在处理器处执行时致使处理器执行特定功能或功能组的指令和数据。计算机可执行指令可以是例如二进制代码、中间格式指令(诸如汇编语言)或甚至源代码。虽然已经用特定于结构特征和/或方法动作的语言描述了本主题，但是应理解，在所附权利要求中限定的主题不一定限于上面描述的所述特征或动作。而是，所描述的特征和动作被公开作为实施权利要求的示例性形式。
本领域技术人员将了解，本公开可以在具有许多类型的计算机系统配置的网络计算环境中实践，所述计算机系统配置包括内置式车辆计算机、个人计算机、台式计算机、膝上型计算机、消息处理器、手持式装置、多处理器系统、基于微处理器的或可编程的消费电子产品、网络PC、小型计算机、大型计算机、移动电话、PDA、平板计算机、寻呼机、路由器、交换机、各种存储装置等。本公开也可以在分布式系统环境中实施，其中通过网络链接(通过硬连线数据链路、无线数据链路或硬连线和无线数据链路的组合)的本地和远程计算机系统都执行任务。在分布式系统环境中，程序模块可以位于本地和远程存储器存储装置两者中。
此外，在适当的情况下，本文所描述的功能可在以下中的一个或多个中执行：硬件、软件、固件、数字部件或模拟部件。例如，一个或多个专用集成电路(ASIC)可以被编程为执行本文所描述的系统和程序中的一者或多者。贯穿说明书以及权利要求使用某些术语指代特定系统部件。如本领域技术人员将理解，部件可以通过不同的名称来指代。本文件不意图区分名称不同但功能相同的部件。
本公开的至少一些实施例已经涉及计算机程序产品，其包括存储在任何计算机可用介质上的这种逻辑(例如，以软件的形式)。这种软件当在一个或多个数据处理装置中被执行时致使装置如本文所描述那样进行操作。
尽管上文已描述了本公开的各种实施例，但应理解，仅通过示例而非限制的方式呈现本公开的各种实施例。相关领域的技术人员将明白，在不脱离本公开的精神和范围的情况下可进行形式和细节上的各种改变。因此，本公开的广度和范围不应受到上述示例性实施例中的任何一个限制，而是应仅根据以下权利要求和其等效物限定。已经出于说明和描述目的而呈现了前述描述。前述描述并不意图是详尽的或将本公开限制于所公开的精确形式。鉴于以上教导，许多修改和变化形式是可能的。此外，应当注意，前述替代实施方式中的任一者或全部可按任何所期望的组合使用，以形成本公开的附加混合实施方式。例如，相对于特定装置或部件描述的功能中的任一者可以由另一个装置或部件执行。此外，尽管已经描述了具体装置特性，但是本公开的实施例可能涉及许多其他装置特性。此外，尽管已用特定于结构特征和/或方法动作的语言描述了实施例，但是应当理解，本公开不一定受限于所描述的特定特征或动作。而是，将特定特征和动作公开为实施实施例的说明性形式。除非另有特别说明或在使用时在上下文内以其他方式理解，否则诸如尤其是“能够”、“可能”、“可以”或“可”的条件语言通常意图表达某些实施例可以包括某些特征、元件和/或步骤，而其他实施例可以不包括某些特征、元件和/或步骤。因此，此类条件语言一般并不意图暗示一个或多个实施例无论如何都需要各特征、元件和/或步骤。
在本发明的一个方面中，所述处理器被配置为基于所述图像数据从在线数据库接收车辆信息。
根据一个实施例，所述装置是激光雷达扫描仪。
根据一个实施例，所述处理器被配置为使用自适应矩估计或梯度下降中的至少一者来计算所述第一能量。
根据一个实施例，所述处理器被配置为使用机器学习或人工智能来确定所述车辆的所述气穴区的所述大小。
根据一个实施例，所述处理器还被配置为如果所述第二能量比所述第一能量更节能，则产生转变到所述车辆的所述气穴区的建议。

Claims (15)

1.一种用于节能交通的方法，所述方法包括：
识别在道路上移动的车辆；
计算完成行程所需的第一能量；
确定所述车辆的气穴区的大小；
计算转变到所述车辆的所述气穴区并在所述车辆的所述气穴区中完成所述行程所需的第二能量；以及
基于所述第二能量比所述第一能量更节能而转变到所述车辆的所述气穴区。
2.根据权利要求1所述的方法，其中识别所述车辆包括经由相机捕获图像数据。
3.根据权利要求2所述的方法，其中识别所述车辆包括基于所述图像数据从在线数据库接收车辆信息。
4.根据权利要求3所述的方法，其中所述车辆信息包括历史驾驶员信息。
5.根据权利要求1所述的方法，其中识别所述车辆包括使用激光雷达扫描仪。
6.根据权利要求1所述的方法，其中确定所述车辆的所述气穴区的所述大小包括经由机器学习或人工智能来确定所述车辆的所述气穴区的所述大小。
7.根据权利要求1所述的方法，其中确定所述车辆的所述气穴区的所述大小是基于所述车辆的后部的横截面积。
8.根据权利要求1所述的方法，其中确定所述车辆的所述气穴区的所述大小是基于所述车辆的速度。
9.根据权利要求1所述的方法，其中计算所述第一能量包括使用自适应矩估计或梯度下降中的至少一者。
10.根据权利要求1所述的方法，其还包括确定具有最佳能量效率的所述车辆后方的最佳距离。
11.根据权利要求10所述的方法，其中计算所述第二能量包括使用所述最佳距离。
12.根据权利要求10所述的方法，其中所述最佳距离包括安全制动距离。
13.根据权利要求1所述的方法，其还包括识别在所述道路上移动的第二车辆；
确定所述第二车辆的气穴区的大小；
计算转变到所述第二车辆的所述气穴区并在所述第二车辆的所述气穴区中完成所述行程所需的第三能量；以及
如果所述第三能量比所述第一能量和所述第二能量更节能，则转变到所述第二车辆的所述气穴区。
14.一种用于节能交通的系统，所述系统包括：
装置，所述装置被配置为识别在道路上移动的车辆；
存储器，所述存储器存储计算机可执行指令；以及
处理器，所述处理器被配置为访问所述存储器并执行所述计算机可执行指令以：
计算完成行程所需的第一能量；
确定所述车辆的气穴区的大小；
计算转变到所述车辆的所述气穴区并在所述车辆的所述气穴区中完成所述行程所需的第二能量；以及
确定所述第二能量是否比所述第一能量更节能。
15.根据权利要求14所述的系统，其中所述装置是被配置为捕获图像数据的相机。
CN202210247404.5A 2021-03-19 2022-03-14 用于使用机器学习和人工智能的节能交通的系统和方法 Pending CN115107779A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/206,909 2021-03-19
US17/206,909 US20220299327A1 (en) 2021-03-19 2021-03-19 Systems and methods for energy efficient mobility using machine learning and artificial intelligence

Publications (1)

Publication Number Publication Date
CN115107779A true CN115107779A (zh) 2022-09-27

Family

ID=83115073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210247404.5A Pending CN115107779A (zh) 2021-03-19 2022-03-14 用于使用机器学习和人工智能的节能交通的系统和方法

Country Status (3)

Country Link
US (1) US20220299327A1 (zh)
CN (1) CN115107779A (zh)
DE (1) DE102022105980A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230066635A1 (en) * 2021-08-26 2023-03-02 Motional Ad Llc Controlling vehicle performance based on data associated with an atmospheric condition

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1886202A4 (en) * 2005-06-01 2011-09-21 Allstate Insurance Co COLLECTION AND ANALYSIS OF OPERATING DATA OF A MOTORIZED VEHICLE
US8886453B2 (en) * 2008-12-11 2014-11-11 Telogis, Inc. System and method for efficient routing on a network in the presence of multiple-edge restrictions and other constraints
US20120255350A1 (en) * 2011-04-08 2012-10-11 Technos, Inc. Apparatuses and methods for visualizing air flow around vehicles
KR101316217B1 (ko) * 2011-09-28 2013-10-08 현대자동차주식회사 차량의 연비 및 주행안정성 향상을 위한 공력정보 제공 시스템 및 그 방법
US9182764B1 (en) * 2014-08-04 2015-11-10 Cummins, Inc. Apparatus and method for grouping vehicles for cooperative driving
US9725091B2 (en) * 2015-07-02 2017-08-08 Cummins, Inc. Vehicle speed management integrated with vehicle monitoring system
US10272921B2 (en) * 2015-08-25 2019-04-30 International Business Machines Corporation Enriched connected car analysis services
US10059330B2 (en) * 2016-09-22 2018-08-28 Toyota Motor Engineering & Manufacturing North America, Inc. Drafting detection and vehicle operation optimization system
US10192171B2 (en) * 2016-12-16 2019-01-29 Autonomous Fusion, Inc. Method and system using machine learning to determine an automotive driver's emotional state
US10377358B2 (en) * 2017-01-19 2019-08-13 GM Global Technology Operations LLC Methods of learning long term brake corner specific torque variation
US10392001B2 (en) * 2017-08-11 2019-08-27 Toyota Motor Engineering & Manufacturing North America, Inc. Efficient acceleration semi-autonomous feature
DE102017216408A1 (de) * 2017-09-15 2019-03-21 Bayerische Motoren Werke Aktiengesellschaft Adaptive Abstandswahl zur Effizienzoptimierung
US10955250B2 (en) * 2017-11-21 2021-03-23 Ford Global Technologies, Llc Vehicle maintenance operation
US10788845B2 (en) * 2017-12-01 2020-09-29 Cummins Inc. Optimization of mission efficiency through platoon opportunity assessment
US11060883B2 (en) * 2017-12-21 2021-07-13 Spark EV Technology Ltd. System and method for determining the energy requirement of a vehicle for a journey
US20190308624A1 (en) * 2018-04-04 2019-10-10 Cummins Inc. Intelligent adaptive cruise control for platooning
US11155263B2 (en) * 2019-03-08 2021-10-26 Uber Technologies, Inc. Network computer system to control freight vehicle operation configurations
DE102019109133A1 (de) * 2019-04-08 2020-10-08 Man Truck & Bus Se Technik zum Abgleich von Fahrten von Kraftfahrzeugen
CN114450207B (zh) * 2019-10-25 2024-04-12 Zf腓德烈斯哈芬股份公司 对机动车的驱动机以及车辆部件的基于模型的预测性控制
US11465622B2 (en) * 2020-01-10 2022-10-11 Paccar Inc Predictive adaptive cruise control
US11708074B2 (en) * 2020-02-14 2023-07-25 Robotic Research Opco, Llc Effect of multiple rules of the road at different elevation profiles on speed constraints and fuel consumption
US20220073070A1 (en) * 2020-09-09 2022-03-10 Ford Global Technologies, Llc Vehicle draft mode
US11572068B2 (en) * 2020-10-07 2023-02-07 Toyota Motor Engineering & Manufacturing North Amfrica, Inc. Trailing vehicle positioning system based on detected lead vehicle
US11643080B2 (en) * 2020-10-07 2023-05-09 Toyota Motor Engineering & Manufacturing North America, Inc. Trailing vehicle positioning system based on detected pressure zones
US11584392B2 (en) * 2020-11-04 2023-02-21 Waymo Llc Route optimization for autonomous driving systems
US11623640B2 (en) * 2021-02-22 2023-04-11 Ford Global Technologies, Llc Methods and systems for assistive action of a vehicle
JP2022139186A (ja) * 2021-03-11 2022-09-26 本田技研工業株式会社 情報処理装置及びプログラム

Also Published As

Publication number Publication date
DE102022105980A1 (de) 2022-09-22
US20220299327A1 (en) 2022-09-22

Similar Documents

Publication Publication Date Title
US11780431B2 (en) Testing predictions for autonomous vehicles
EP4067821A1 (en) Path planning method for vehicle and path planning apparatus for vehicle
US11543823B2 (en) Reducing inconvenience to surrounding road users caused by stopped autonomous vehicles
CN112208533B (zh) 车辆控制系统、车辆控制方法及存储介质
CN113525373B (zh) 一种车辆的变道控制系统、控制方法以及变道控制装置
EP4316935A1 (en) Method and apparatus for obtaining lane change area
US10683002B2 (en) Efficient acceleration from surrounding vehicles
CN114882464B (zh) 多任务模型训练方法、多任务处理方法、装置及车辆
CN107107820A (zh) 用于车辆的智能语音助理系统、装置和方法
CN114506342B (zh) 一种自动驾驶变道决策的方法、系统及车辆
US11046304B2 (en) Rider selectable ride comfort system for autonomous vehicle
CN115107779A (zh) 用于使用机器学习和人工智能的节能交通的系统和方法
CN116258174A (zh) 用于检测深度神经网络推理质量的系统和方法
US11834042B2 (en) Methods, systems, and apparatuses for behavioral based adaptive cruise control (ACC) to driver&#39;s vehicle operation style
CN114596727A (zh) 用于车辆的辅助方法、系统、相应的车辆和存储介质
CN111750087A (zh) 主车辆、用于控制主车辆变速器的方法和计算机可读介质
WO2023206388A1 (zh) 换道决策方法、装置及存储介质
CN114572219B (zh) 自动超车方法、装置、车辆、存储介质及芯片
US20240109541A1 (en) Systems and methods to manage drivers under abnormal driving
EP4163755A1 (en) Systems and methods for controlling speed of an autonomous vehicle
US20230256970A1 (en) Lane Change Track Planning Method and Apparatus
US20220032957A1 (en) Systems and methods for multiple algorithm selection
JP2023165374A (ja) 給電方法及び給電システム
CN115115822A (zh) 车端图像处理方法、装置、车辆、存储介质及芯片
CN115147794A (zh) 车道线确定方法、装置、车辆、介质及芯片

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