CN115503501A - 基于人工智能的轮毂电机扭矩分配方法和装置 - Google Patents
基于人工智能的轮毂电机扭矩分配方法和装置 Download PDFInfo
- Publication number
- CN115503501A CN115503501A CN202211189104.2A CN202211189104A CN115503501A CN 115503501 A CN115503501 A CN 115503501A CN 202211189104 A CN202211189104 A CN 202211189104A CN 115503501 A CN115503501 A CN 115503501A
- Authority
- CN
- China
- Prior art keywords
- torque
- moment
- predicted
- 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.)
- Granted
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
- B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
- B60L15/20—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed
-
- 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
-
- 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
- B60L2220/00—Electrical machine types; Structures or applications thereof
- B60L2220/40—Electrical machine applications
- B60L2220/44—Wheel Hub motors, i.e. integrated in the wheel hub
-
- 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
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请涉及一种基于人工智能的轮毂电机扭矩分配方法和装置。该方法根据车辆的控制参数中踏板开度,计算需求扭矩,将每个时刻的真实扭矩输入扭矩预测模型,得到预测扭矩,使用扭矩预测模型预测前N个连续时刻的下一时刻的扭矩,并与真实扭矩比对,以比对结果计算预测扭矩的权重值,以权重值对预测扭矩和需求扭矩进行加权求和得到修正后的需求扭矩,通过相似度比较确定相似度最大的车况参数,以得到对应的每个轮毂电机的扭矩分配比例,以根据扭矩分配比例对预测修正后的需求扭矩进行分配,通过对预测的扭矩需求进行修正,提高了扭矩输出的准确性,相较于大量参数计算而言上述修正过程和相似比较过程的响应时间较短,从而提高了车辆控制的响应效率。
Description
技术领域
本申请属于车辆控制技术领域,尤其涉及一种基于人工智能的轮毂电机扭矩分配方法和装置。
背景技术
目前,随着用户对车辆操控稳定性和灵活性需求的提高,传统采用转动轴、差速器等部件进行车辆驱动控制的方式已经无法满足复杂的驱动需求,且导致车辆的传动结构较为复杂,难以实时检修和维护,因此,越来越多的车辆采用轮毂电机的方式进行驱动。
轮毂电机直接将动力、传动和制动装置都整合到轮毂内,精简了车辆结构,同时,每个车轮都能够独立驱动,可实现多种复杂的驱动方式,但是,轮毂电机依靠智能电子装置提供轮毂电机的扭矩分配,而扭矩分配的参数较多,车载终端难以快速地给出最优的扭矩分配,导致车辆动力控制存在延迟,影响用户体验,因此,如何提高轮毂电机扭矩分配的效率成为亟需解决的问题。
发明内容
有鉴于此,本申请实施例提供了一种基于人工智能的轮毂电机扭矩分配方法和装置,以解决现有对轮毂电机的扭矩分配效率较低的问题。
第一方面,本申请实施例提供一种基于人工智能的轮毂电机扭矩分配方法,所述轮毂电机扭矩分配方法包括:
获取当前时刻车辆的控制参数,根据所述控制参数中踏板开度,结合踏板开度与需求扭矩的映射关系,计算得到下一时刻的需求扭矩;
获取所述当前时刻至前N个连续时刻中每个时刻的真实扭矩,将每个时刻的真实扭矩输入扭矩预测模型,得到所述下一时刻的预测扭矩,N为大于零的整数;
针对所述前N个连续时刻中任一时刻,使用所述扭矩预测模型预测得到所述任一时刻的下一时刻的扭矩,将预测得到的所述任一时刻的下一时刻的扭矩与所述任一时刻的下一时刻的真实扭矩进行比对,得到每个时刻的比对结果;
根据每个时刻的比对结果,计算得到表征所述预测扭矩的准确度的权重值,根据所述权重值,对所述预测扭矩和所述需求扭矩进行加权求和,确定加权求和结果为预测修正后的需求扭矩;
将所述控制参数与预设的车况参数进行相似度比较,确定相似度最大的车况参数,根据预设的映射表,确定所述相似度最大的车况参数对应的每个轮毂电机的扭矩分配比例;
根据所述扭矩分配比例,对所述预测修正后的需求扭矩进行分配,得到每个轮毂电机的扭矩值,以控制轮毂电机输出对应的扭矩值。
第二方面,本申请实施例提供一种基于人工智能的轮毂电机扭矩分配装置,所述轮毂电机扭矩分配装置包括:
扭矩需求计算模块,用于获取当前时刻车辆的控制参数,根据所述控制参数中踏板开度,结合踏板开度与需求扭矩的映射关系,计算得到下一时刻的需求扭矩;
扭矩预测模块,用于获取所述当前时刻至前N个连续时刻中每个时刻的真实扭矩,将每个时刻的真实扭矩输入扭矩预测模型,得到所述下一时刻的预测扭矩,N为大于零的整数;
预测需求比较模块,用于针对所述前N个连续时刻中任一时刻,使用所述扭矩预测模型预测得到所述任一时刻的下一时刻的扭矩,将预测得到的所述任一时刻的下一时刻的扭矩与所述任一时刻的下一时刻的真实扭矩进行比对,得到每个时刻的比对结果;
扭矩需求修正模块,用于根据每个时刻的比对结果,计算得到表征所述预测扭矩的准确度的权重值,根据所述权重值,对所述预测扭矩和所述需求扭矩进行加权求和,确定加权求和结果为预测修正后的需求扭矩;
分配比例确定模块,用于将所述控制参数与预设的车况参数进行相似度比较,确定相似度最大的车况参数,根据预设的映射表,确定所述相似度最大的车况参数对应的每个轮毂电机的扭矩分配比例;
扭矩分配模块,用于根据所述扭矩分配比例,对所述预测修正后的需求扭矩进行分配,得到每个轮毂电机的扭矩值,以控制轮毂电机输出对应的扭矩值。
本申请实施例与现有技术相比存在的有益效果是:本申请获取当前时刻车辆的控制参数,根据控制参数中踏板开度,结合踏板开度与需求扭矩的映射关系,计算得到下一时刻的需求扭矩,获取当前时刻至前N个连续时刻中每个时刻的真实扭矩,将每个时刻的真实扭矩输入扭矩预测模型,得到下一时刻的预测扭矩,针对前N个连续时刻中任一时刻,使用扭矩预测模型预测得到任一时刻的下一时刻的扭矩,将预测得到的任一时刻的下一时刻的扭矩与任一时刻的下一时刻的真实扭矩进行比对,得到每个时刻的比对结果,根据每个时刻的比对结果,计算得到表征预测扭矩的准确度的权重值,根据权重值,对预测扭矩和需求扭矩进行加权求和,确定加权求和结果为预测修正后的需求扭矩,将控制参数与预设的车况参数进行相似度比较,确定相似度最大的车况参数,根据预设的映射表,确定相似度最大的车况参数对应的每个轮毂电机的扭矩分配比例,根据扭矩分配比例,对预测修正后的需求扭矩进行分配,得到每个轮毂电机的扭矩值,以控制轮毂电机输出对应的扭矩值,采用结合踏板开度对扭矩的需求和扭矩变化的方式,对预测的扭矩需求进行修正,提高了扭矩输出的准确性,且通过控制参数与车况参数配准的方式得到分配比例,进而将扭矩需求分配至每个轮毂电机处,相较于大量参数计算而言上述修正过程和配准过程的响应时间较短,从而可以快速地进行扭矩分配,提高了车辆控制的响应效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,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是本申请实施例一提供的一种基于人工智能的轮毂电机扭矩分配方法的流程示意图;
图2是本申请实施例二提供的一种基于人工智能的轮毂电机扭矩分配方法的流程示意图;
图3是本申请实施例三提供的一种基于人工智能的轮毂电机扭矩分配装置的结构示意图;
图4是本申请实施例四提供的一种车载终端的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、车载终端技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应理解,以下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,而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请的技术方案,下面通过具体实施例来进行说明。
参见图1,是本申请实施例一提供的一种基于人工智能的轮毂电机扭矩分配方法的流程示意图,上述轮毂电机扭矩分配方法应用于车辆中,尤其是车辆的车载终端,该车载终端能够获取车辆中所有传感器的数据,从而知晓当前时刻、历史时刻的车辆控制参数,如车速、方向盘转角、扭矩、踏板开度等参数,另外,在该车载终端中还配置有相应的映射表、控制模型、判断模型、计算模型等,车载终端连接车辆的轮毂电机的电机控制器,从而实现对轮毂电机的扭矩的控制。如图1所示,该轮毂电机扭矩分配方法可以包括以下步骤:
步骤S101,获取当前时刻车辆的控制参数,根据控制参数中踏板开度,结合踏板开度与需求扭矩的映射关系,计算得到下一时刻的需求扭矩。
本申请中,车辆的控制参数可以是指由车辆内各传感器采集的参数,传感器可以包括车速传感器、扭矩传感器、方向盘传感器、油门/制动踏板传感器,车速传感器可以采集到车辆的实时车速,扭矩传感器可以采集轮毂电机的实时扭矩,方向盘传感器可以采集到方向盘转角和方向盘角速度,油门/制动踏板传感器可以采集到油门/制动踏板开度。
踏板开度与需求扭矩之间存在着映射关系,在对车辆进行设计时,在满足一定的要求时,固定踏板开度与需求扭矩之间的映射关系,具体可以为线性关系或者非线性关系。一般情况下,认为踏板开度越大,即用户踩踏板踩得较深,则对应的需求扭矩越高。
在知晓当前的踏板开度时即可明确其对应的需求扭矩,由于扭矩的响应与踏板开度信号之间存在着时间差,因而,认为当前时刻的踏板开度应对应下一时刻的扭矩需求,当前时刻对应的车辆的扭矩为根据上一时刻踏板开度计算得到。其中,时刻的间隔可根据需求设置,一般可以为毫秒甚至微秒的量级。
可选的是,根据控制参数中踏板开度,结合踏板开度与需求扭矩的映射关系,计算得到下一时刻的需求扭矩包括:
获取基于训练样本训练好的映射模型,训练样本为人工标注了需求扭矩的踏板开度;
将控制参数中踏板开度输入训练好的映射模型,输出对应踏板开度的扭矩值,确定扭矩值为下一时刻的需求扭矩。
步骤S102,获取当前时刻至前N个连续时刻中每个时刻的真实扭矩,将每个时刻的真实扭矩输入扭矩预测模型,得到下一时刻的预测扭矩。
本申请中,N为大于零的整数。真实扭矩为进入到控制轮毂电机进行输出时的扭矩,当前时刻的真实扭矩可以采样得到,前N个连续时刻的真实扭矩即为历史扭矩,在相应的存储器中会进行记录,因而,对存储内容进行提取即可得到。
扭矩预测模型可以是指根据历史的扭矩来预测下一时刻扭矩的模型,具体可以是根据对历史扭矩的分析来预测,由于历史扭矩具有时间的关联性,因而,扭矩预测模型可以是一种时间卷积模型,能够对短时间间隔的下一时刻的数据进行预测。
可选的是,将每个时刻的真实扭矩输入扭矩预测模型,得到下一时刻的预测扭矩包括:
使用扭矩预测模型对输入的每个时刻的真实扭矩进行分析,确定所有真实扭矩的变化曲线;
对变化曲线进行拟合,得到拟合曲线,根据时刻的间隔,从拟合曲线上匹配到下一时刻的扭矩值,确定下一时刻的扭矩值为下一时刻的预测扭矩。
其中,对每个时刻的真实扭矩进行分析,即可得出时间与扭矩的关系曲线,也即是变化曲线,对变化曲线进行拟合得到拟合曲线,也是时间和扭矩的曲线,只不过对时间进行了延长,因而可以得到下一时刻的扭矩。上述的拟合可以采用解析表达式逼近离散数据的方法或者最小二乘法。
步骤S103,针对前N个连续时刻中任一时刻,使用扭矩预测模型预测得到任一时刻的下一时刻的扭矩,将预测得到的任一时刻的下一时刻的扭矩与任一时刻的下一时刻的真实扭矩进行比对,得到每个时刻的比对结果。
本申请中,对于每个时刻的扭矩均使用扭矩预测模型进行预测,得到对应的预测扭矩,如果对t时刻进行预测,则以t-1时刻及其之前时刻的扭矩作为扭矩预测模型的输入。
在得到每个时刻的预测扭矩后,与每个时刻的真实扭矩进行比对,例如,将预测扭矩与真实扭矩进行作差,如果比对结果相差较大,则说明预测的不准确,如果比对结果相差较小,则说明预测的较为准确。因而,比对结果可以用于表征预测的准确度,本申请中,以该比对结果来构建预测扭矩的权重,来表征预测扭矩的重要程度,其中,准确度越高,预测扭矩的重要程度越高,准确度越低,预测扭矩的重要程度越低。
步骤S104,根据每个时刻的比对结果,计算得到表征预测扭矩的准确度的权重值,根据权重值,对预测扭矩和需求扭矩进行加权求和,确定加权求和结果为预测修正后的需求扭矩。
本申请中,比对结果可以用于表征预测扭矩的准确度,为便于对需求扭矩进行修正,以权重值的方式来表征预测扭矩的准确度,权重值越大,即比对结果的差异较小,预测扭矩的准确度越高,权重值越小,即比对结果的差异较大,预测扭矩的准确度越低。
使用比对结果计算权重值时,可以使用相应的映射函数,将比对结果映射为[0,1]中的一个值,映射函数需满足比对结果越大,权重值越小的原则。
在得到权重值后,对预测扭矩和需求扭矩进行加权求和,也即是将权重值与预测扭矩相乘,将需求扭矩与剩余的权重相乘,再进行求和,得到扭矩即为使用预测进行修正的需求扭矩。此过程使用预测来修正需求,能够更准确地给出需求扭矩,用于后续的扭矩分配工作。
可选的是,将预测得到的任一时刻的下一时刻的扭矩与任一时刻的下一时刻的真实扭矩进行比对,得到每个时刻的比对结果包括:
将预测得到的任一时刻的下一时刻的扭矩与任一时刻的下一时刻的真实扭矩作差,确定差值的绝对值为对应时刻的比对结果,得到每个时刻的比对结果;
根据每个时刻的比对结果,计算得到表征预测扭矩的准确度的权重值包括:
将所有的比对结果相加,得到相加结果;
将相加结果输入映射函数,得到表征预测扭矩的准确度的权重值,映射函数如下:
式中,α表示权重值,A表示相加结果。
其中,当A越大,说明预测准确程度低,难以根据预测扭矩确定需求扭矩,α越接近0,当A越小,说明预测准确程度高,可以根据预测扭矩确定需求扭矩,α越接近0.5,说明预测扭矩和需求扭矩一起决定修正的需求扭矩。
可选的是,根据权重值,对预测扭矩和需求扭矩进行加权求和,确定加权求和结果为预测修正后的需求扭矩包括:
将权重值输入加权求和函数,得到加权求和结果,确定加权求和结果为预测修正后的需求扭矩,加权求和函数如下:
Z0=(1-α)·Z1+α·Z2
式中,Z0表示加权求和结果,Z1表示需求扭矩,Z2表示预测扭矩。
其中,需求扭矩的权值为1-α。
步骤S105,将控制参数与预设的车况参数进行相似度比较,确定相似度最大的车况参数,根据预设的映射表,确定相似度最大的车况参数对应的每个轮毂电机的扭矩分配比例。
本申请中,预设的映射表表征为预设的车况参数与扭矩分配比例的映射关系,通过确定的车况参数可以得到对应的扭矩分配比例,其中,扭矩分配比例为对每个轮毂电机的扭矩分配的比例。例如,车辆包含两个轮毂电机时,一个轮毂电机的分配比例为50%,另一个轮毂电机的分配比例为50%,即所有轮毂电机的分配比例和为1,又如,车辆包含四个轮毂电机时,每个轮毂电机的分配比例分别为20%、20%、30%、30%。
控制参数与预设的车况参数进行相似度比较,以确定最相近的车况参数,以表征与控制参数最为接近的车况,从而得到较为准确地分配比例。
可选的是,将控制参数与预设的车况参数进行相似度比较,确定相似度最大的车况参数包括:
将控制参数中方向盘转角参数、方向盘角速度参数、整车车速参数、车辆横摆率以及预测修正后的需求扭矩,按照预设顺序拼接为表征车辆当前车况的目标矩阵;
将目标矩阵与预设的车况参数对应的车况矩阵进行相似度计算,确定相似度最大的车况矩阵为相似度最大的车况参数。
其中,将控制参数中的一些参数信息拼接为目标矩阵,用于与预设的车况参数对应的车况矩阵进行相似度计算,拼接的方式是按照预设的参数的顺序进行拼接形成。进一步地,对应的控制参数中每个参数可以使用相应的编码器进行向量编码,形成对应的参数向量,将每个参数的参数向量按照顺序进行联结,形成的联结结果为目标矩阵,可以有效地实现相似度的计算,以准确地得到对应的车况参数。
可选的是,在将控制参数与预设的车况参数进行相似度比较,确定相似度最大的车况参数之前,还包括:
根据控制参数中的车辆外侧速度、车辆内侧速度、内外轮距和车轮偏角,计算得到车辆横摆率,车辆横摆角计算公式如下:
式中,yaw表示车辆横摆角,v1表示车辆外侧速度,v2表示车辆内侧速度,B表示内外轮距,γ表示车轮偏角。
其中,控制参数中的车辆横摆角是通过传感器采集的参数计算得到,采集的参数为车辆外侧速度、车辆内侧速度、车轮偏角以及车辆的固定参数(即内外轮距),降低了车辆横摆角采集的难度。
步骤S106,根据扭矩分配比例,对预测修正后的需求扭矩进行分配,得到每个轮毂电机的扭矩值,以控制轮毂电机输出对应的扭矩值。
本申请中,在得到扭矩分配比例之后,即可对预测修正后的需求扭矩进行分配,得到每个轮毂电机的扭矩值,从而控制相应的轮毂电机。
本申请实施例获取当前时刻车辆的控制参数,根据控制参数中踏板开度,结合踏板开度与需求扭矩的映射关系,计算得到下一时刻的需求扭矩,获取当前时刻至前N个连续时刻中每个时刻的真实扭矩,将每个时刻的真实扭矩输入扭矩预测模型,得到下一时刻的预测扭矩,针对前N个连续时刻中任一时刻,使用扭矩预测模型预测得到任一时刻的下一时刻的扭矩,将预测得到的任一时刻的下一时刻的扭矩与任一时刻的下一时刻的真实扭矩进行比对,得到每个时刻的比对结果,根据每个时刻的比对结果,计算得到表征预测扭矩的准确度的权重值,根据权重值,对预测扭矩和需求扭矩进行加权求和,确定加权求和结果为预测修正后的需求扭矩,将控制参数与预设的车况参数进行相似度比较,确定相似度最大的车况参数,根据预设的映射表,确定相似度最大的车况参数对应的每个轮毂电机的扭矩分配比例,根据扭矩分配比例,对预测修正后的需求扭矩进行分配,得到每个轮毂电机的扭矩值,以控制轮毂电机输出对应的扭矩值,采用结合踏板开度对扭矩的需求和扭矩变化的方式,对预测的扭矩需求进行修正,提高了扭矩输出的准确性,且通过控制参数与车况参数配准的方式得到分配比例,进而将扭矩需求分配至每个轮毂电机处,相较于大量参数计算而言上述修正过程和配准过程的响应时间较短,从而可以快速地进行扭矩分配,提高了车辆控制的响应效率。
参见图2,是本申请实施例二提供的一种基于人工智能的轮毂电机扭矩分配方法的流程示意图,如图2所示,该轮毂电机扭矩分配方法可以包括以下步骤:
步骤S201,获取当前时刻车辆的控制参数,根据控制参数中踏板开度,结合踏板开度与需求扭矩的映射关系,计算得到下一时刻的需求扭矩。
步骤S202,获取当前时刻至前N个连续时刻中每个时刻的真实扭矩,将每个时刻的真实扭矩输入扭矩预测模型,得到下一时刻的预测扭矩。
步骤S203,针对前N个连续时刻中任一时刻,使用扭矩预测模型预测得到任一时刻的下一时刻的扭矩,将预测得到的任一时刻的下一时刻的扭矩与任一时刻的下一时刻的真实扭矩进行比对,得到每个时刻的比对结果。
步骤S204,根据每个时刻的比对结果,计算得到表征预测扭矩的准确度的权重值,根据权重值,对预测扭矩和需求扭矩进行加权求和,确定加权求和结果为预测修正后的需求扭矩。
其中,步骤S201至步骤S204的内容与上述步骤S101至步骤S104的内容相同,具体可以参考上述步骤S101至步骤S104的描述,在此不再赘述。
步骤S205,将控制参数与预设的车况参数进行相似度比较,确定相似度最大的车况参数,从预设的映射表中,匹配到相似度最大的车况参数的初始分配比例。
本申请中,初始分配比例包括对每个轮毂电机的初始的扭矩分配比例,映射表中存储的为车况参数与分配比例的映射关系,但该分配比例为初始分配比例,具有一定的人为因素,因而,可以进行相应的优化,以得到准确地分配比例。
步骤S206,将初始分配比例输入训练好的编码器,输出分配特征矩阵,将分配特征矩阵与目标矩阵联结,得到联结结果,将联结结果输入训练好的解码器,输出优化分配比例,确定优化分配比例为每个轮毂电机的扭矩分配比例。
本申请中,目标矩阵为将控制参数中方向盘转角参数、方向盘角速度参数、整车车速参数、车辆横摆率以及预测修正后的需求扭矩等以向量的形式表征,并按照预设顺序将所有向量拼接形成的矩阵。该目标矩阵可以为一维矩阵,当然,根据表征量维度的需求,可以将该目标矩阵设置为多维的矩阵。
对初始分配比例进行优化可以是使用训练好的编码器和解码器,结合控制参数(即目标矩阵)进行优化,得到优化好的扭矩分配比例。
由于对优化扭矩分配的生成难以监督,即没有对应的标签进行监督,因此,变分自编码器的训练过程采用循环训练方式,以对应样本车况向量的样本矢量分配为训练样本,进行训练,能够取得较好的训练效果。
可选的是,训练好的编码器和训练好的解码器为基于对变分自编码器的训练得到,变分自编码器中包括初始编码器和初始解码器,变分自编码器的训练过程包括:
获取分配比例样本、目标矩阵样本,将分配比例样本输入初始编码器,输出第一样本特征矩阵,将第一样本特征矩阵与目标矩阵样本联结后输入初始解码器,输出重构的分配比例样本;
根据分配比例样本和重构的分配比例样本的均方误差损失,采用梯度下降法对初始编码器和初始解码器进行训练,直至满足训练要求,得到初步训练好的编码器和初步训练好的解码器;
将分配比例样本输入初步训练好的编码器,输出第二样本特征矩阵,将第二样本特征矩阵与目标矩阵样本联结后输入初步训练好的解码器,输出第一重构结果;
将第一重构结果输入初步训练好的编码器,输出第三样本特征矩阵,将第三样本特征矩阵与目标矩阵样本联结后输入初步训练好的解码器,输出第二重构结果;
根据分配比例样本和第二重构结果的均方误差损失,采用梯度下降法对初步训练好的编码器和初步训练好的解码器进行训练,直至满足训练要求,得到训练好的编码器和训练好的解码器。
其中,采用上述的训练过程能够得到较为准确地训练好的编码器和解码器,从而用于准确地优化扭矩分配比例。
步骤S207,根据扭矩分配比例,对预测修正后的需求扭矩进行分配,得到每个轮毂电机的扭矩值,以控制轮毂电机输出对应的扭矩值。
其中,步骤S207的内容与上述步骤S106的内容相同,具体可以参考上述步骤S101至步骤S104的描述,在此不再赘述。
本申请实施例在根据相似度和映射表的方式确定分配比例后,由于此分配比例为人为设定的映射表得到的,为了排除人为因素干扰,对确定的分配比例进行优化,即,通过编解码的方式,使用车辆当前的控制参数(即目标矩阵)对分配比例进行优化,从而可以提高扭矩分配的准确率,同时,此编解码的过程不需要复杂、大量的计算,不会降低车辆的响应效率。
对应于上文实施例的轮毂电机扭矩分配方法,图3示出了本申请实施例三提供的基于人工智能的轮毂电机扭矩分配装置的结构框图,上述轮毂电机扭矩分配装置应用于车辆中,尤其是车辆的车载终端,该车载终端能够获取车辆中所有传感器的数据,从而知晓当前时刻、历史时刻的车辆控制参数,如车速、方向盘转角、扭矩、踏板开度等参数,另外,在该车载终端中还配置有相应的映射表、控制模型、判断模型、计算模型等,车载终端连接车辆的轮毂电机的电机控制器,从而实现对轮毂电机的扭矩的控制。为了便于说明,仅示出了与本申请实施例相关的部分。
参见图3,该轮毂电机扭矩分配装置包括:
扭矩需求计算模块31,用于获取当前时刻车辆的控制参数,根据控制参数中踏板开度,结合踏板开度与需求扭矩的映射关系,计算得到下一时刻的需求扭矩;
扭矩预测模块32,用于获取当前时刻至前N个连续时刻中每个时刻的真实扭矩,将每个时刻的真实扭矩输入扭矩预测模型,得到下一时刻的预测扭矩,N为大于零的整数;
预测需求比较模块33,用于针对前N个连续时刻中任一时刻,使用扭矩预测模型预测得到任一时刻的下一时刻的扭矩,将预测得到的任一时刻的下一时刻的扭矩与任一时刻的下一时刻的真实扭矩进行比对,得到每个时刻的比对结果;
扭矩需求修正模块34,用于根据每个时刻的比对结果,计算得到表征预测扭矩的准确度的权重值,根据权重值,对预测扭矩和需求扭矩进行加权求和,确定加权求和结果为预测修正后的需求扭矩;
分配比例确定模块35,用于将控制参数与预设的车况参数进行相似度比较,确定相似度最大的车况参数,根据预设的映射表,确定相似度最大的车况参数对应的每个轮毂电机的扭矩分配比例;
扭矩分配模块36,用于根据扭矩分配比例,对预测修正后的需求扭矩进行分配,得到每个轮毂电机的扭矩值,以控制轮毂电机输出对应的扭矩值。
可选的是,上述预测需求比较模块33包括:
比对单元,用于将预测得到的任一时刻的下一时刻的扭矩与任一时刻的下一时刻的真实扭矩作差,确定差值的绝对值为对应时刻的比对结果,得到每个时刻的比对结果;
上述扭矩需求修正模块34包括:
相加单元,用于将所有的比对结果相加,得到相加结果;
权重值计算单元,用于将相加结果输入映射函数,得到表征预测扭矩的准确度的权重值,映射函数如下:
式中,α表示权重值,A表示相加结果。
可选的是,上述扭矩需求修正模块34包括:
修正单元,用于将权重值输入加权求和函数,得到加权求和结果,确定加权求和结果为预测修正后的需求扭矩,加权求和函数如下:
Z0=(1-α)·Z1+α·Z2
式中,Z0表示加权求和结果,Z1表示需求扭矩,Z2表示预测扭矩。
可选的是,上述分配比例确定模块35包括:
矩阵拼接单元,用于将控制参数中方向盘转角参数、方向盘角速度参数、整车车速参数、车辆横摆率以及预测修正后的需求扭矩,按照预设顺序拼接为表征车辆当前车况的目标矩阵;
相似度计算单元,用于将目标矩阵与预设的车况参数对应的车况矩阵进行相似度计算,确定相似度最大的车况矩阵为相似度最大的车况参数。
可选的是,上述轮毂电机扭矩分配装置还包括:
横摆率计算模块,用于在将控制参数与预设的车况参数进行相似度比较,确定相似度最大的车况参数之前,根据控制参数中的车辆外侧速度、车辆内侧速度、内外轮距和车轮偏角,计算得到车辆横摆率,车辆横摆角计算公式如下:
式中,yaw表示车辆横摆角,v1表示车辆外侧速度,v2表示车辆内侧速度,B表示内外轮距,γ表示车轮偏角。
可选的是,上述分配比例确定模块35包括:
初始比例确定单元,用于从预设的映射表中,匹配到相似度最大的车况参数的初始分配比例,初始分配比例包括对每个轮毂电机的初始的扭矩分配比例;
比例优化单元,用于将初始分配比例输入训练好的编码器,输出分配特征矩阵;
优化比例确定单元,用于将分配特征矩阵与目标矩阵联结,得到联结结果,将联结结果输入训练好的解码器,输出优化分配比例,确定优化分配比例为每个轮毂电机的扭矩分配比例。
可选的是,训练好的编码器和训练好的解码器为基于对变分自编码器的训练得到,变分自编码器中包括初始编码器和初始解码器,变分自编码器的训练过程包括:
获取分配比例样本、目标矩阵样本,将分配比例样本输入初始编码器,输出第一样本特征矩阵,将第一样本特征矩阵与目标矩阵样本联结后输入初始解码器,输出重构的分配比例样本;
根据分配比例样本和重构的分配比例样本的均方误差损失,采用梯度下降法对初始编码器和初始解码器进行训练,直至满足训练要求,得到初步训练好的编码器和初步训练好的解码器;
将分配比例样本输入初步训练好的编码器,输出第二样本特征矩阵,将第二样本特征矩阵与目标矩阵样本联结后输入初步训练好的解码器,输出第一重构结果;
将第一重构结果输入初步训练好的编码器,输出第三样本特征矩阵,将第三样本特征矩阵与目标矩阵样本联结后输入初步训练好的解码器,输出第二重构结果;
根据分配比例样本和第二重构结果的均方误差损失,采用梯度下降法对初步训练好的编码器和初步训练好的解码器进行训练,直至满足训练要求,得到训练好的编码器和训练好的解码器。
可选的是,上述扭矩需求计算模块31包括:
映射模型获取单元,用于获取基于训练样本训练好的映射模型,训练样本为人工标注了需求扭矩的踏板开度;
需求扭矩计算单元,用于将控制参数中踏板开度输入训练好的映射模型,输出对应踏板开度的扭矩值,确定扭矩值为下一时刻的需求扭矩。
可选的是,上述扭矩预测模块32包括:
扭矩分析单元,用于使用扭矩预测模型对输入的每个时刻的真实扭矩进行分析,确定所有真实扭矩的变化曲线;
扭矩预测单元,用于对变化曲线进行拟合,得到拟合曲线,根据时刻的间隔,从拟合曲线上匹配到下一时刻的扭矩值,确定下一时刻的扭矩值为下一时刻的预测扭矩。
需要说明的是,上述模块之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图4为本申请实施例四提供的一种车载终端的结构示意图。如图4所示,该实施例的车载终端4包括:至少一个处理器40(图4中仅示出一个)、存储器41以及存储在存储器41中并可在至少一个处理器40上运行的计算机程序42,处理器40连接车辆的CAN总线以获取车辆的参数,处理器40执行计算机程序42时实现上述任意各个轮毂电机扭矩分配方法实施例中的步骤。
该车载终端4可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是车载终端4的举例,并不构成对车载终端4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器40可以是CPU,该处理器40还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器41在一些实施例中可以是车载终端4的内部存储单元,例如车载终端4的硬盘或内存。存储器41在另一些实施例中也可以是车载终端4的外部存储设备,例如车载终端4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器41还可以既包括车载终端4的内部存储单元也包括外部存储设备。存储器41用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如计算机程序的程序代码等。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
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。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当计算机程序产品在车载终端上运行时,使得车载终端执行时实现可实现上述方法实施例中的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/车载终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/车载终端实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于人工智能的轮毂电机扭矩分配方法,其特征在于,所述轮毂电机扭矩分配方法包括:
获取当前时刻车辆的控制参数,根据所述控制参数中踏板开度,结合踏板开度与需求扭矩的映射关系,计算得到下一时刻的需求扭矩;
获取所述当前时刻至前N个连续时刻中每个时刻的真实扭矩,将每个时刻的真实扭矩输入扭矩预测模型,得到所述下一时刻的预测扭矩,N为大于零的整数;
针对所述前N个连续时刻中任一时刻,使用所述扭矩预测模型预测得到所述任一时刻的下一时刻的扭矩,将预测得到的所述任一时刻的下一时刻的扭矩与所述任一时刻的下一时刻的真实扭矩进行比对,得到每个时刻的比对结果;
根据每个时刻的比对结果,计算得到表征所述预测扭矩的准确度的权重值,根据所述权重值,对所述预测扭矩和所述需求扭矩进行加权求和,确定加权求和结果为预测修正后的需求扭矩;
将所述控制参数与预设的车况参数进行相似度比较,确定相似度最大的车况参数,根据预设的映射表,确定所述相似度最大的车况参数对应的每个轮毂电机的扭矩分配比例;
根据所述扭矩分配比例,对所述预测修正后的需求扭矩进行分配,得到每个轮毂电机的扭矩值,以控制轮毂电机输出对应的扭矩值。
3.根据权利要求2所述的轮毂电机扭矩分配方法,其特征在于,根据所述权重值,对所述预测扭矩和所述需求扭矩进行加权求和,确定加权求和结果为预测修正后的需求扭矩包括:
将所述权重值输入加权求和函数,得到加权求和结果,确定所述加权求和结果为预测修正后的需求扭矩,所述加权求和函数如下:
Z0=(1-α)·Z1+α·Z2
式中,Z0表示所述加权求和结果,Z1表示所述需求扭矩,Z2表示所述预测扭矩。
4.根据权利要求1所述的轮毂电机扭矩分配方法,其特征在于,将所述控制参数与预设的车况参数进行相似度比较,确定相似度最大的车况参数包括:
将所述控制参数中方向盘转角参数、方向盘角速度参数、整车车速参数、车辆横摆率以及所述预测修正后的需求扭矩,按照预设顺序拼接为表征车辆当前车况的目标矩阵;
将所述目标矩阵与预设的车况参数对应的车况矩阵进行相似度计算,确定相似度最大的车况矩阵为相似度最大的车况参数。
6.根据权利要求4所述的轮毂电机扭矩分配方法,其特征在于,根据预设的映射表,确定所述相似度最大的车况参数对应的每个轮毂电机的扭矩分配比例包括:
从预设的映射表中,匹配到所述相似度最大的车况参数的初始分配比例,所述初始分配比例包括对每个轮毂电机的初始的扭矩分配比例;
将所述初始分配比例输入训练好的编码器,输出分配特征矩阵;
将所述分配特征矩阵与所述目标矩阵联结,得到联结结果,将所述联结结果输入训练好的解码器,输出优化分配比例,确定所述优化分配比例为每个轮毂电机的扭矩分配比例。
7.根据权利要求6所述的轮毂电机扭矩分配方法,其特征在于,所述训练好的编码器和所述训练好的解码器为基于对变分自编码器的训练得到,所述变分自编码器中包括初始编码器和初始解码器,所述变分自编码器的训练过程包括:
获取分配比例样本、目标矩阵样本,将所述分配比例样本输入初始编码器,输出第一样本特征矩阵,将所述第一样本特征矩阵与所述目标矩阵样本联结后输入初始解码器,输出重构的分配比例样本;
根据所述分配比例样本和所述重构的分配比例样本的均方误差损失,采用梯度下降法对所述初始编码器和所述初始解码器进行训练,直至满足训练要求,得到初步训练好的编码器和初步训练好的解码器;
将所述分配比例样本输入所述初步训练好的编码器,输出第二样本特征矩阵,将所述第二样本特征矩阵与所述目标矩阵样本联结后输入所述初步训练好的解码器,输出第一重构结果;
将所述第一重构结果输入所述初步训练好的编码器,输出第三样本特征矩阵,将所述第三样本特征矩阵与所述目标矩阵样本联结后输入所述初步训练好的解码器,输出第二重构结果;
根据所述分配比例样本和所述第二重构结果的均方误差损失,采用梯度下降法对所述初步训练好的编码器和所述初步训练好的解码器进行训练,直至满足训练要求,得到训练好的编码器和训练好的解码器。
8.根据权利要求1所述的轮毂电机扭矩分配方法,其特征在于,根据所述控制参数中踏板开度,结合踏板开度与需求扭矩的映射关系,计算得到下一时刻的需求扭矩包括:
获取基于训练样本训练好的映射模型,所述训练样本为人工标注了需求扭矩的踏板开度;
将所述控制参数中踏板开度输入所述训练好的映射模型,输出对应所述踏板开度的扭矩值,确定所述扭矩值为下一时刻的需求扭矩。
9.根据权利要求1至8任一项所述的轮毂电机扭矩分配方法,其特征在于,将每个时刻的真实扭矩输入扭矩预测模型,得到所述下一时刻的预测扭矩包括:
使用扭矩预测模型对输入的每个时刻的真实扭矩进行分析,确定所有真实扭矩的变化曲线;
对所述变化曲线进行拟合,得到拟合曲线,根据时刻的间隔,从所述拟合曲线上匹配到所述下一时刻的扭矩值,确定所述下一时刻的扭矩值为所述下一时刻的预测扭矩。
10.一种基于人工智能的轮毂电机扭矩分配装置,其特征在于,所述轮毂电机扭矩分配装置包括:
扭矩需求计算模块,用于获取当前时刻车辆的控制参数,根据所述控制参数中踏板开度,结合踏板开度与需求扭矩的映射关系,计算得到下一时刻的需求扭矩;
扭矩预测模块,用于获取所述当前时刻至前N个连续时刻中每个时刻的真实扭矩,将每个时刻的真实扭矩输入扭矩预测模型,得到所述下一时刻的预测扭矩,N为大于零的整数;
预测需求比较模块,用于针对所述前N个连续时刻中任一时刻,使用所述扭矩预测模型预测得到所述任一时刻的下一时刻的扭矩,将预测得到的所述任一时刻的下一时刻的扭矩与所述任一时刻的下一时刻的真实扭矩进行比对,得到每个时刻的比对结果;
扭矩需求修正模块,用于根据每个时刻的比对结果,计算得到表征所述预测扭矩的准确度的权重值,根据所述权重值,对所述预测扭矩和所述需求扭矩进行加权求和,确定加权求和结果为预测修正后的需求扭矩;
分配比例确定模块,用于将所述控制参数与预设的车况参数进行相似度比较,确定相似度最大的车况参数,根据预设的映射表,确定所述相似度最大的车况参数对应的每个轮毂电机的扭矩分配比例;
扭矩分配模块,用于根据所述扭矩分配比例,对所述预测修正后的需求扭矩进行分配,得到每个轮毂电机的扭矩值,以控制轮毂电机输出对应的扭矩值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211189104.2A CN115503501B (zh) | 2022-09-28 | 2022-09-28 | 基于人工智能的轮毂电机扭矩分配方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211189104.2A CN115503501B (zh) | 2022-09-28 | 2022-09-28 | 基于人工智能的轮毂电机扭矩分配方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115503501A true CN115503501A (zh) | 2022-12-23 |
CN115503501B CN115503501B (zh) | 2023-08-29 |
Family
ID=84505877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211189104.2A Active CN115503501B (zh) | 2022-09-28 | 2022-09-28 | 基于人工智能的轮毂电机扭矩分配方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115503501B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103350696A (zh) * | 2013-07-11 | 2013-10-16 | 北京交通大学 | 一种控制混合动力汽车扭矩输出的装置及方法 |
CN107323308A (zh) * | 2017-06-26 | 2017-11-07 | 杭州氢途科技有限公司 | 一种具有预测能力的燃料电池汽车牵引扭矩计算方法 |
CN108016427A (zh) * | 2016-11-02 | 2018-05-11 | 现代自动车株式会社 | 混合动力车辆和控制变速器的方法 |
CN109835345A (zh) * | 2019-03-05 | 2019-06-04 | 四川阿尔特新能源汽车有限公司 | 需求扭矩计算方法、需求扭矩计算装置和汽车 |
CN110466359A (zh) * | 2019-08-05 | 2019-11-19 | 东风汽车集团有限公司 | 轮毂四驱纯电动汽车扭矩矢量控制系统及控制方法 |
CN111098717A (zh) * | 2019-12-20 | 2020-05-05 | 中国第一汽车股份有限公司 | 一种电动汽车的单踏板控制方法、装置及系统 |
CN111379633A (zh) * | 2020-03-25 | 2020-07-07 | 北京经纬恒润科技有限公司 | 发动机扭矩控制方法及装置 |
CN112163269A (zh) * | 2020-08-26 | 2021-01-01 | 东风汽车集团有限公司 | 一种能耗优化控制方法、装置及电动四驱车 |
CN113060015A (zh) * | 2021-04-22 | 2021-07-02 | 恒大新能源汽车投资控股集团有限公司 | 一种车辆扭矩处理方法、装置及设备 |
CN113400951A (zh) * | 2020-03-16 | 2021-09-17 | 北京新能源汽车股份有限公司 | 一种电机输出扭矩的控制方法、装置及电动汽车 |
-
2022
- 2022-09-28 CN CN202211189104.2A patent/CN115503501B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103350696A (zh) * | 2013-07-11 | 2013-10-16 | 北京交通大学 | 一种控制混合动力汽车扭矩输出的装置及方法 |
CN108016427A (zh) * | 2016-11-02 | 2018-05-11 | 现代自动车株式会社 | 混合动力车辆和控制变速器的方法 |
CN107323308A (zh) * | 2017-06-26 | 2017-11-07 | 杭州氢途科技有限公司 | 一种具有预测能力的燃料电池汽车牵引扭矩计算方法 |
CN109835345A (zh) * | 2019-03-05 | 2019-06-04 | 四川阿尔特新能源汽车有限公司 | 需求扭矩计算方法、需求扭矩计算装置和汽车 |
CN110466359A (zh) * | 2019-08-05 | 2019-11-19 | 东风汽车集团有限公司 | 轮毂四驱纯电动汽车扭矩矢量控制系统及控制方法 |
CN111098717A (zh) * | 2019-12-20 | 2020-05-05 | 中国第一汽车股份有限公司 | 一种电动汽车的单踏板控制方法、装置及系统 |
CN113400951A (zh) * | 2020-03-16 | 2021-09-17 | 北京新能源汽车股份有限公司 | 一种电机输出扭矩的控制方法、装置及电动汽车 |
CN111379633A (zh) * | 2020-03-25 | 2020-07-07 | 北京经纬恒润科技有限公司 | 发动机扭矩控制方法及装置 |
CN112163269A (zh) * | 2020-08-26 | 2021-01-01 | 东风汽车集团有限公司 | 一种能耗优化控制方法、装置及电动四驱车 |
CN113060015A (zh) * | 2021-04-22 | 2021-07-02 | 恒大新能源汽车投资控股集团有限公司 | 一种车辆扭矩处理方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
卢辰昊;李秋红;姜洁;李业波;: "基于预测扭矩前馈的涡轴发动机内模控制方法", 航空动力学报, vol. 28, no. 05, pages 1166 - 1172 * |
马志勋: "基于EtherCAT 的磁浮交通PMLSM驱动系统架构及控制研究", 电气工程学报, vol. 17, no. 2, pages 73 - 82 * |
Also Published As
Publication number | Publication date |
---|---|
CN115503501B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109870698B (zh) | 一种超声波阵列障碍物检测结果处理方法及系统 | |
CN109491369B (zh) | 车辆实际控制单元的性能评估方法、装置、设备和介质 | |
CN114022847A (zh) | 一种智能体轨迹预测方法、系统、设备和存储介质 | |
CN115489336B (zh) | 基于大数据的电机扭矩输出优化方法和装置 | |
CN112834249B (zh) | 转向参数检测方法、装置、设备及存储介质 | |
CN111572551B (zh) | 泊车工况下的航向角计算方法、装置、设备及存储介质 | |
CN112560967A (zh) | 一种多源遥感图像分类方法、存储介质及计算设备 | |
CN111626359A (zh) | 数据融合方法、装置、控制终端和船舶 | |
CN111367901B (zh) | 一种船舶数据去噪方法 | |
CN115503501A (zh) | 基于人工智能的轮毂电机扭矩分配方法和装置 | |
CN113627268A (zh) | 模型训练方法、矿井提升机用减速器故障检测方法和装置 | |
CN116680385A (zh) | 基于人工智能的对话问答方法、装置、计算机设备及介质 | |
CN116580702A (zh) | 基于人工智能的语音识别方法、装置、计算机设备及介质 | |
WO2023045791A1 (zh) | 车道保持方法、装置、设备、介质及系统 | |
CN112541515A (zh) | 模型训练方法、驾驶数据处理方法、装置、介质和设备 | |
CN109740109A (zh) | 一种基于酉变换的PolSAR图像广义目标分解方法 | |
CN114385619A (zh) | 一种多通道海洋观测时序标量数据缺失值预测方法及系统 | |
CN113822593A (zh) | 一种安全态势评估方法、装置、存储介质及电子设备 | |
CN113792410B (zh) | 一种车辆操控数据到仿真环境的映射方法及系统 | |
CN114400049B (zh) | 肽段定量模型的训练方法、装置、计算机设备及存储介质 | |
CN113753063A (zh) | 一种车辆行驶指令确定方法、装置、设备及存储介质 | |
CN117372983A (zh) | 一种低算力的自动驾驶实时多任务感知方法及装置 | |
CN117034025A (zh) | 一种基于多通道特征学习的轨迹相似性度量方法 | |
CN115601394A (zh) | 轨迹预测方法、装置、电子设备及计算机可读存储介质 | |
CN116331235A (zh) | 一种车辆预瞄点的确定方法、装置、电子设备及介质 |
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 |