CN115891824A - 机动车辆的操作方法 - Google Patents

机动车辆的操作方法 Download PDF

Info

Publication number
CN115891824A
CN115891824A CN202210983329.9A CN202210983329A CN115891824A CN 115891824 A CN115891824 A CN 115891824A CN 202210983329 A CN202210983329 A CN 202210983329A CN 115891824 A CN115891824 A CN 115891824A
Authority
CN
China
Prior art keywords
data
motor vehicle
neural network
artificial neural
vehicle
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
CN202210983329.9A
Other languages
English (en)
Inventor
弗雷德里克·斯蒂芬
克里斯托夫·阿恩特德尔哈比尔
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 CN115891824A publication Critical patent/CN115891824A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q5/00—Arrangement or adaptation of acoustic signal devices
    • B60Q5/005—Arrangement or adaptation of acoustic signal devices automatically actuated
    • B60Q5/008—Arrangement or adaptation of acoustic signal devices automatically actuated for signaling silent vehicles, e.g. for warning that a hybrid or electric vehicle is approaching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Acoustics & Sound (AREA)
  • Mechanical Engineering (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Soundproofing, Sound Blocking, And Sound Damping (AREA)

Abstract

本发明涉及一种机动车辆(4)的操作方法，该机动车辆具有至少一台作为牵引马达的马达驱动的电机，该操作方法包括步骤如下：(S300)加载机动车辆(4)的车辆数据(FD)，该车辆数据表明声音发射要求；(S400)将车辆数据(FD)输送给经过训练的人工神经网络(24)，以获得声音发射发生器控制数据(GA)；以及(S500)将声音发射发生器控制数据(GA)输送给机动车辆(4)的声音发射发生器(6)。

Description

机动车辆的操作方法
技术领域
本发明涉及一种具有至少一台作为牵引马达的马达驱动的电机的机动车辆的操作方法。
背景技术
在机动车辆技术中，机动车辆的动力系统被理解为给机动车辆的驱动产生动力并将其传递到地面的所有部件。
这种类型的动力系统可以有一个电机，当它是马达驱动时作为牵引马达，并作为发电机使用以回收制动能量。这种类型的机动车辆可以设计为只有一个电力驱动的纯电动车辆(all-electric vehicle，BEV)，也可以设计为动力系统除电机外还有一个内燃机的混合动力车辆(hybrid electric vehicle，HEV)，但也可以根据情况进行纯电动驱动，即暂时只由马达驱动的电机作为牵引马达提供驱动。
这种类型的电机固有的产生比内燃机更少的噪音排放，特别是在低于30公里/小时的低车速下。然而，噪声的排放不仅代表噪音干扰，而且对驶近的机动车辆执行声音报警功能，从而提高道路交通安全。
对于具有至少一台马达驱动的电机作为牵引马达的机动车辆来说，可以通过排放最小的噪声来控制和优化机动车辆产生的噪声以提高道路交通安全。
因此，立法当局规定实施人造声音发射发生器，以简化在公共道路交通中这类机动车辆的听觉感知。
这种类型的声音发射发生器由US 10997962 B2，CN 110341591 A，US 80331085B1，CN 112652315 A和US 8362921 B2可知。然而，这些设备即使没有必要也会产生声音发射，从而增加噪音干扰。
因此，有必要找到补救的办法。
发明内容
本发明的目的是通过机动车辆的操作方法实现的，该机动车辆具有至少一台作为牵引马达的马达驱动的电机，该操作方法包括如下步骤：
加载表明声音发射要求的所述机动车辆的车辆数据；
将所述车辆数据输送给经过训练的人工神经网络，以获得声音发射发生器控制数据；以及
将所述声音发射发生器控制数据输送给所述机动车辆的声音发射发生器。
人工神经网络，简称ANN(Artificial neural network)，是由人工神经元组成的网络。人工神经网络的这些神经元(也称为节点)是分层排列的，并且通常以固定的层次结构相互连接。神经元通常连接在两层之间，而很少在一层内。
这种类型的人工神经网络在调试前的训练阶段进行训练。人工神经网络在训练阶段进行修改，以使其为特定的输入模式生成相关的输出模式。这可以通过监测学习、非监测学习、强化学习或随机学习来实现。
通过使用在训练阶段预先训练的人工神经网络，可以专门控制声音发射发生器根据情况产生相适应的声音发射。避免发出构成噪音干扰的不必要的声音。
根据一个实施例，在进一步的步骤中，通过用测量和/或模拟方式获得的训练数据训练未经训练的人工神经网络。为了做到这一点，可以使用车队的机动车辆，其车辆数据和来自测量站的测量数据表明噪音水平和/或交通量，这些数据通过无线传输到云端，人工神经网络也可以在云端进行训练。用测量方式获得的数据也可以被使用，例如，用适当的模拟产生进一步的数据，以通过以这种方式增加训练数据的数量。
根据进一步的实施例，车辆数据是指示机动车辆当前位置的位置数据和/或机动车辆的能源管理模块的运行数据和/或机动车辆的噪声测定模块的噪声数据和/或机动车辆的噪声要求测定模块的噪声数据。位置数据可以用机动车辆的导航系统确定，从而有可能确定机动车辆是否位于在例如城市地区、高速公路上或乡村道路上。机动车辆的能源管理模块的运行数据可以是，例如，包含与机动车辆的牵引电池的荷电状态有关的信息的电池管理系统(battery management system，BMS)的数据。机动车辆的噪声测定模块的噪声数据描述了机动车辆所处环境的当前噪声水平，以及描述了在适当情况下例如机动车辆所处环境中的噪声随时间和/或频谱的变化情况。噪声数据根据交通密度及道路使用者的类别(乘用车、货车、巴士、骑单车者等)而定。机动车辆的噪声要求测定模块的噪声数据表示必要的声音发射，这些声音发射是为了保证机动车辆在当前噪声水平下足够的听觉感知所需要的。
根据进一步的实施例，使用循环神经网络作为人工神经网络。循环神经网络(Recurrent neural network，RNN)是指这样一种人工神经网络，与前馈神经网络不同的是，该人工神经网络的特征是一层神经元与同一层或前一层神经元连接。以序列形式出现的数据，例如噪声序列，可以用这种类型的循环神经网络特别好地处理。
根据进一步的实施例，该人工神经网络具有长短期记忆(long short-termmemory，LSTM)。这种类型的长短期记忆可以提高训练阶段的训练效果。
根据进一步的实施例，设计了用于信号丢失(Dropout)的人工神经网络。信号丢失被理解为在人工神经网络中使用并且降低过度拟合的风险的正则化方法。为此，在人工神经网络的每一层中暂停预定数量(例如30％)的神经元(“信号丢失”)，并且在随后的计算步骤中将其考虑在内。这构成了用于训练深度神经网络的高效方法。
本发明还涉及一种用于执行这种类型的方法的计算机程序产品、一种系统和一种适用于这种类型的系统的机动车辆。
附图说明
现在将参照附图说明本发明。在附图中，
图1示出了机动车辆操作系统的部件的示意图；
图2示出了图1所示系统的人工神经网络的详细示意图；
图3示出了操作图1所示系统的方法序列的示意图。
具体实施方式
首先参考图1。
系统2具有作为部件的机动车辆4或具有与系统2进行数据交换连接的移动平台。
机动车辆4具有动力传动系统，动力传动系统具有至少一个马达驱动的电机6，该电机至少临时用作牵引马达。这种类型的机动车辆4可以是只有一个电力驱动的纯电动车辆(BEV)，或者混合动力车辆(HEV)。
机动车辆4的声音发射发生器8设计成根据预定义的特征(强度、频率、图案等)产生所需的声音发射。
如果机动车辆4设计为混合动力车辆(HEV)，机动车辆4的动力传动系统除了电机6外还有一个内燃机10。
机动车辆4的能源管理模块12设计成用于至少监测机动车辆4中的电能状态，例如，牵引电池的荷电状态，并与系统2的其他部件交换数据。
机动车辆4的位置测定模块14是一种导航系统，例如GPS，该导航系统能够确定机动车辆4的当前位置。
机动车辆4的噪声测定模块16设计成用于在具有预定尺寸(例如半径为1公里的圆)的预定地理区域中对噪声水平或声音载荷进行估计。为此，对所有与交通相关的声源进行评估。
地理区域以机动车辆4为中心，并且也可以有不同的形状和尺寸。机动车辆4可以有自己的麦克风和/或具有到路边具有麦克风的测量站的数据传输连接。测量站的数据也可以传输到云中，在云中如下所述进一步处理它们。此外，还可以评估地理区域内道路使用者的数量、它们的类型(乘用车、卡车、公共汽车、自行车等)和/或它们的速度。
机动车辆4的噪声要求测定模块18设计用于估计声音发射的要求，以保证机动车辆4在预定的地理区域内有足够的听觉感知能力。噪声要求测定模块18可以被分配给机动车辆4或者可以被提供在云中。噪声要求测定模块18还可以具有基于机动车辆4的特定参数(例如，机动车辆4的速度和/或其车辆类型或其类别和/或其驱动类型和/或声音发射发生器8的状态)的预测模型(例如，具有分类算法)。
系统2的接口模块20设计成使机动车辆4可以与系统2的部件以及机动车辆4外的其他部件进行数据交换。接口模块20可以进一步设计为：例如用于C2I(汽车到基础设施)通信。
系统2的控制模块22设计成用于控制系统2的不同运作模式，例如训练阶段或正常运作阶段，以保证系统2各部件之间的数据交换。
上文和下文描述的系统2和系统2的部件可以具有用于这些任务和/或功能以及用于下面描述的任务和/或者功能的相应设计的硬件和/或软件部件。
现在另外参见图2。
人工神经网络24以系统2的另一个部件示出。
在本示例性实施例中，人工神经网络24是循环神经网络。在本示例性实施例中，人工神经网络24被设计为单向网络。与本示例性实施例相比，人工神经网络24也可以设计为双向网络。
在本示例性实施例中，人工神经网络24进一步设计为多层神经网络，即，连同输入层26和输出层30，它具有至少一个具有人工神经元的中间层28。
在本示例性实施例中，输入层26和至少一个所示中间层28在每个情况下具有多个人工神经元。相反，在本示例性实施例中，输出层30只有一个信号丢失单元34a，提供softmax功能的softmax单元36下游连接到该信号丢失单元34a。因此，在本示例性实施例中，人工神经网络24具有多对一架构，即它具有多个输入，但只有一个输出。
在本示例性实施例中，在每种情况下，将长短期记忆(LSTM)单元32a、32b、…32n形式的长短期记忆(LSTM)分配给输入层26和中间层28的人工神经元。
在本示例性实施例中，人工神经网络24进一步设计为用于信号丢失。为此，在输入层26和至少一个所示的中间层28之间提供了信号丢失单元34a、34b、…34n。
人工神经网络24在其调试前的训练阶段被输入训练数据TD。例如通过误差反向传播方法通过修改人工神经网络24的人工神经元的加权因子或训练参数来训练人工神经网络，以实现给定输入向量到给定输出向量的最可靠的可能映射。
这里a0，c0；a1、c1；a2、c2…an、cn是在训练阶段要优化的训练参数，而x0、x1、…x(n-1)是在时间段T(例如1s)内分配给相应采样时间(例如每100ms)的特征向量，代表输入参数。Y是系统2的输出参数，其可以是矢量或标量，其对应于声音发射发生器控制数据GA的控制值。控制值可以是二进制值，其中，例如，没有人为产生的声音被分配给逻辑值0，而人为产生的声音被分配给逻辑值1。然而，控制值也可以是连续的标量值，以便预先确定生成声音的强度。
训练阶段的训练数据TD包含由输入侧特征向量x0，x1，…x(n-1)和输出Y组成的数据对，训练数据TD可以被标记为数据，而训练后的人工神经网络24在正常运行时所使用的车辆数据FD仅由输入侧特征向量x0，x1，…x(n-1)组成。
现在将另外参见图3以便解释操作图1中所示的系统2的方法序列。
在第一步骤S100中收集或生成训练数据TD并标记之后，在训练阶段的另一步骤S200中使用这些数据，以便使用丢失信息的训练数据TD训练仍然未训练的人工神经网络24。
在正常操作阶段的另一步骤S300中，系统2随后被激活，例如在机动车辆4的每次调试期间，根据其检测到的当前位置自动激活，并且加载指示声音发射要求的机动车辆4的当前车辆数据FD。
车辆数据FD包含机动车辆4的位置测定模块14的位置数据PD和/或能源管理模块12的运行数据BD和/或噪声测定模块16的噪声数据LD和/或的噪声要求测定模块18的噪声数据GD。
在进一步的步骤S400中，将车辆数据FD输送给训练好的人工神经网络24，以得到声音发射发生器控制数据GA。
在进一步的步骤S500中，向机动车辆4的声音发射发生器6输送声音发射发生器控制数据GA。
与本示例性实施例相比，步骤的顺序也可以是不同的。此外，还可以同时或同时执行多个步骤。此外，也相对于本示例性实施例，可以跳过或省略单个步骤。
通过使用在训练阶段预先训练的人工神经网络24，可以专门控制机动车辆4的声音发射发生器8，从而根据情况产生适应的声音发射。避免了构成噪声干扰的不必要的声音发射。
附图标记列表:
2 系统
4 机动车辆
6 电机
8 声音发射发生器
10 内燃机
12 能源管理模块
16 噪声测定模块
18 噪声要求测定模块
20 接口模块
22 控制模块
24 人工神经网络
26 输入层
28 中间层
30 输出层
32a LSTM单元
32b LSTM单元
32n LSTM单元
34a 信号丢失单元
34b 信号丢失单元
34n 信号丢失单元
36 Softmax单元
a0 训练参数
a1 训练参数
a2 训练参数
an 训练参数
c0 训练参数
c1 训练参数
c2 训练参数
cn 训练参数
x0 特征向量
x1 特征向量
x(n-1) 特征向量
FD 车辆数据
GA 声音发射发生器的控制数据
GD 噪声数据
LD 噪声数据
PD 位置数据
T 时间段
Y 输出参数
S100 步骤
S200 步骤
S300 步骤
S400 步骤
S500 步骤

Claims (14)

1.一种机动车辆(4)的操作方法，所述机动车辆具有至少一台作为牵引马达的马达驱动的电机，所述操作方法包括如下步骤：
(S300)加载表明声音发射要求的所述机动车辆(4)的车辆数据(FD)；
(S400)将所述车辆数据(FD)输送给经过训练的人工神经网络(24)，以获得声音发射发生器控制数据(GA)；以及，
(S500)将所述声音发射发生器控制数据(GA)输送给所述机动车辆(4)的声音发射发生器(6)。
2.根据权利要求1所述的方法，其中在进一步的步骤(S200)中，通过用测量和/或模拟方式获得的训练数据(TD)训练未经训练的所述人工神经网络(24)。
3.根据权利要求1或2所述的方法，其中所述车辆数据(FD)是指示所述机动车辆(4)当前位置的位置数据(PD)和/或所述机动车辆(4)的能源管理模块(12)的运行数据(BD)和/或所述机动车辆(4)的噪声测定模块(16)的噪声数据(LD)和/或所述机动车辆(4)的噪声要求测定模块(18)的噪声数据(GD)。
4.根据权利要求1至3任一项所述的方法，其中使用循环神经网络作为所述人工神经网络(24)。
5.根据权利要求1至4任一项所述的方法，其中所述人工神经网络(24)具有长短期记忆。
6.根据权利要求1至5任一项所述的方法，其中所述人工神经网络(24)设计成用于信号丢失。
7.一种计算机程序产品，设计用于执行根据权利要求1至6中的任一项所述的方法。
8.一种用于操作机动车辆(4)的系统(2)，所述机动车辆具有至少一台作为牵引马达的马达驱动的电机，其中所述系统(2)设计成用于加载表明声音发射要求的所述机动车辆(4)的车辆数据(FD)，设计成用于将所述车辆数据(FD)输送给经过训练的人工神经网络(24)以获得声音发射发生器控制数据(GA)，以及设计成用于将所述声音发射发生器控制数据(GA)输送给所述机动车辆(4)的声音发射发生器(6)。
9.根据权利要求8所述的系统(2)，其中所述系统(2)设计成通过用测量和/或模拟方式获得的训练数据(TD)训练未经训练的人工神经网络(24)。
10.根据权利要求8或9所述的系统(2)，其中所述车辆数据(FD)是指示所述机动车辆(4)当前位置的位置数据(PD)和/或所述机动车辆(4)的能源管理模块(12)的运行数据(BD)和/或所述机动车辆(4)的噪声测定模块(16)的噪声数据(LD)和/或所述机动车辆(4)的噪声要求测定模块(18)的噪声数据(GD)。
11.根据权利要求8、9或10任一项所述的系统(2)，其中所述人工神经网络(24)为循环神经网络。
12.根据权利要求8至11任一项所述的系统(2)，其中所述人工神经网络(24)具有长短期记忆。
13.根据权利要求8至12任一项所述的系统(2)，其中所述人工神经网络(24)设计成用于信号丢失。
14.一种用于根据权利要求8至13任一项所述的系统(2)的机动车辆(4)。
CN202210983329.9A 2021-08-26 2022-08-16 机动车辆的操作方法 Pending CN115891824A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021122094.7 2021-08-26
DE102021122094.7A DE102021122094A1 (de) 2021-08-26 2021-08-26 Verfahren zum Betrieb eines Kraftfahrzeugs

Publications (1)

Publication Number Publication Date
CN115891824A true CN115891824A (zh) 2023-04-04

Family

ID=85175120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210983329.9A Pending CN115891824A (zh) 2021-08-26 2022-08-16 机动车辆的操作方法

Country Status (3)

Country Link
US (1) US20230066337A1 (zh)
CN (1) CN115891824A (zh)
DE (1) DE102021122094A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020206134A1 (de) * 2020-05-15 2021-11-18 Ford Global Technologies, Llc Verfahren zum Betrieb eines Kraftfahrzeugs

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009058152A1 (de) 2009-12-12 2011-06-16 Volkswagen Ag Fahrzeug mit Elektroantrieb
US8031085B1 (en) 2010-04-15 2011-10-04 Deere & Company Context-based sound generation
US8362921B2 (en) 2010-09-15 2013-01-29 Bose Corporation Vehicle external warning sound generation system and method
DE102017116017A1 (de) 2017-07-17 2019-01-17 Valeo Schalter Und Sensoren Gmbh Kraftfahrzeug-Sensorvorrichtung mit mehreren Sensoreinheiten und mehreren neuronalen Netzen zum Erzeugen einer kombinierten Repräsentation einer Umgebung
DE102019111913A1 (de) 2019-05-08 2020-11-12 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren und System zur Erzeugung eines künstlichen Motorgeräusches bei einem Kraftfahrzeug
DE102019207090A1 (de) 2019-05-16 2020-11-19 Volkswagen Aktiengesellschaft Verfahren zum Bereitstellen einer Objektverfolgungsfunktion
CN110341591A (zh) 2019-07-10 2019-10-18 太原科技大学 一种用于纯电动或混合动力汽车主动安全的声音管理系统
KR102225975B1 (ko) 2019-08-26 2021-03-10 엘지전자 주식회사 엔진음 합성 장치 및 엔진음 합성 방법
CN112652315A (zh) 2020-08-03 2021-04-13 李�昊 基于深度学习的汽车引擎声实时合成系统及方法

Also Published As

Publication number Publication date
DE102021122094A1 (de) 2023-03-02
US20230066337A1 (en) 2023-03-02

Similar Documents

Publication Publication Date Title
US9663111B2 (en) Vehicle speed profile prediction using neural networks
Yavasoglu et al. Implementation of machine learning based real time range estimation method without destination knowledge for BEVs
US20210291698A1 (en) Diagnostic device, diagnostic method, and program
US20210146785A1 (en) Driver model estimation, classification, and adaptation for range prediction
CN105083270A (zh) 用于控制车辆的再生制动的方法和装置
EP3323669B1 (en) Vehicle control unit (vcu) and operating method thereof
Chacko et al. Optimization & validation of Intelligent Energy Management System for pseudo dynamic predictive regulation of plug-in hybrid electric vehicle as donor clients
Li et al. Distributed cooperative energy management system of connected hybrid electric vehicles with personalized non-stationary inference
CN115891824A (zh) 机动车辆的操作方法
CN106989752A (zh) 对具有有限的车载能量的车辆规划旅程的方法和系统
Huang et al. Energy saving performance improvement of intelligent connected PHEVs via NN-based lane change decision
Salunkhe et al. Energy optimization for CAN bus and media controls in electric vehicles using deep learning algorithms
Jiang et al. A PHEV power management cyber-physical system for on-road applications
Ye et al. An imitation learning-based energy management strategy for electric vehicles considering battery aging
CN106696952A (zh) 一种智能网联混合动力汽车能量控制方法
Guo et al. Clustered energy management strategy of plug-in hybrid electric logistics vehicle based on Gaussian mixture model and stochastic dynamic programming
Ruan et al. A modularized electric vehicle model-in-the-loop simulation for transportation electrification modeling and analysis
Ziadia et al. An adaptive regenerative braking strategy design based on naturalistic regeneration performance for intelligent vehicles
CN116395069A (zh) 电动车辆能量管理方法、装置、存储介质及电动车辆
US20230085422A1 (en) Task-informed behavior planning
Rezvanizanian et al. A mobility performance assessment on plug-in EV battery
CN115938148A (zh) 低/无连接区域中的驾驶事件检测的智能车辆导航系统和控制逻辑
Sun et al. System-level energy management optimization based on external information for power-split hybrid electric buses
Naitmalek et al. Embedded real-time speed forecasting for electric vehicles: a case study on RSK urban roads
Nguyen et al. Optimal Energy Management Strategy based on Driving Pattern Recognition for a Dual-Motor Dual-Source Electric Vehicle

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication