CN116009397A - 一种制动压力模型训练方法、装置、设备及存储介质 - Google Patents
一种制动压力模型训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116009397A CN116009397A CN202211659340.6A CN202211659340A CN116009397A CN 116009397 A CN116009397 A CN 116009397A CN 202211659340 A CN202211659340 A CN 202211659340A CN 116009397 A CN116009397 A CN 116009397A
- Authority
- CN
- China
- Prior art keywords
- state information
- brake pressure
- vehicle state
- target
- braking pressure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 title claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Regulating Braking Force (AREA)
Abstract
本发明公开了一种制动压力模型训练方法、装置、设备及存储介质。该方法包括：获取目标样本集，其中，所述目标样本集包括：车辆状态信息样本和所述车辆状态信息样本对应的制动压力；将所述车辆状态信息样本输入神经网络模型，得到预测制动压力；根据所述预测制动压力和所述车辆状态信息样本对应的制动压力生成的目标函数训练所述神经网络模型的参数；返回执行将所述车辆状态信息样本输入神经网络模型，得到预测制动压力的操作，直至得到制动压力预测模型，通过本发明的技术方案，能够提高预测的制动压力的准确度。
Description
技术领域
本发明实施例涉及车辆技术领域，尤其涉及一种制动压力模型训练方法、装置、设备及存储介质。
背景技术
线控制动使用电子助力取代传统燃油汽车的真空助力，受到新能源汽车的青睐，新能源汽车和自动驾驶技术的发展又进一步加快了这种趋势，目前已经形成庞大的市场规模。
线控制动系统的传统开发方法一般使用MATLAB等仿真软件对控制系统和动力学系统建模，标定调整后放到整车做验证由于模拟系统与实车的差别，发展这类控制系统不得不依赖于交替反复的模拟与道路试验，开发周期较长，且MATLAB这类软件需要收取费用。
传统汽车的制动系统只对整车的制动距离和制动减速度有性能要求，但随着自动驾驶以及高速底盘的快速发展，线控制动系统的压力控制精度和响应延时逐渐也成为了主流要求。线控制动是一种机电液一体化系统，阀体内部紧凑不能直接测量液压流量等关键参数，所以系统建模难度大，使用传统算法在控制上很难做到最优控制。当前的线控制动产品普遍存在四轮建压精度低，响应延时高且不能适应复杂工况等问题。
发明内容
本发明实施例提供一种制动压力模型训练方法、装置、设备及存储介质，能够提高预测的制动压力的准确度。
根据本发明的一方面，提供了一种制动压力模型训练方法，包括：
获取目标样本集，其中，所述目标样本集包括：车辆状态信息样本和所述车辆状态信息样本对应的制动压力；
将所述车辆状态信息样本输入神经网络模型，得到预测制动压力；
根据所述预测制动压力和所述车辆状态信息样本对应的制动压力生成的目标函数训练所述神经网络模型的参数；
返回执行将所述车辆状态信息样本输入神经网络模型，得到预测制动压力的操作，直至得到制动压力预测模型。
根据本发明的另一方面，提供了一种制动压力模型训练装置，该制动压力模型训练装置包括：
样本集获取模块，用于获取目标样本集，其中，所述目标样本集包括：车辆状态信息样本和所述车辆状态信息样本对应的制动压力；
第一预测模块，用于将所述车辆状态信息样本输入神经网络模型，得到预测制动压力；
训练模块，用于根据所述预测制动压力和所述车辆状态信息样本对应的制动压力生成的目标函数训练所述神经网络模型的参数；
第二预测模块，用于返回执行将所述车辆状态信息样本输入神经网络模型，得到预测制动压力的操作，直至得到制动压力预测模型。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的制动压力模型训练方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的制动压力模型训练方法。
本发明实施例通过获取目标样本集，其中，所述目标样本集包括：车辆状态信息样本和所述车辆状态信息样本对应的制动压力；将所述车辆状态信息样本输入神经网络模型，得到预测制动压力；根据所述预测制动压力和所述车辆状态信息样本对应的制动压力生成的目标函数训练所述神经网络模型的参数；返回执行将所述车辆状态信息样本输入神经网络模型，得到预测制动压力的操作，直至得到制动压力预测模型，能够提高预测的制动压力的准确度。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例中的一种制动压力模型训练方法的流程图；
图2是本发明实施例中的一种制动压力模型训练装置的结构示意图；
图3是本发明实施例中的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
实施例一
图1为本发明实施例提供的一种制动压力模型训练方法的流程图，本实施例可适用于制动压力模型训练的情况，该方法可以由本发明实施例中的制动压力模型训练装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
S110，获取目标样本集，其中，所述目标样本集包括：车辆状态信息样本和所述车辆状态信息样本对应的制动压力。
其中，所述车辆状态信息样本包括：车辆的运行参数样本、电磁阀控制参数样本以及电机控制参数样本等，所述车辆的运行参数样本可以包括：车速样本、轮速样本以及偏航角度样本等。所述制动压力可以通过车轮制动卡钳的制动油管接口设置的压力传感器采集得到，需要说明的是，若测试车辆包括四个车轮，则在每个车轮制动卡钳的制动油管接口设置至少一个压力传感器。可以在对训练过程结束时将压力传感器回收。
具体的，获取目标样本集的方式可以为：获取测试用例集合；将测试用例集合中的每个测试用例输入测试车辆，采集测试车辆的车辆状态信息和制动压力，得到测试用例集合中的每个测试用例对应的车辆状态信息和制动压力；根据所述每个测试用例对应的车辆状态信息和制动压力生成目标样本集。
S120，将所述车辆状态信息样本输入神经网络模型，得到预测制动压力。
具体的，将所述车辆状态信息样本输入神经网络模型，得到预测制动压力的方式可以为：将车辆的运行参数样本、电磁阀控制参数样本以及电机控制参数样本输入神经网络模型，得到预测制动压力。
S130，根据所述预测制动压力和所述车辆状态信息样本对应的制动压力生成的目标函数训练所述神经网络模型的参数。
具体的，根据所述预测制动压力和所述车辆状态信息样本对应的制动压力生成的目标函数训练所述神经网络模型的参数的方式可以为：根据预测制动压力、所述车辆状态信息样本对应的制动压力以及损失函数生成目标函数；根据目标函数训练所述神经网络模型的参数。
S140，返回执行将所述车辆状态信息样本输入神经网络模型，得到预测制动压力的操作，直至得到制动压力预测模型。
具体的，重复执行将目标样本集中的车辆状态信息样本输入神经网络模型，得到预测制动压力的操作，直至得到训练好的模型，也就是制动压力预测模型。
可选的，获取目标样本集，包括：
获取测试用例集合；
获取测试用例集合中的每个测试用例对应的车辆状态信息和制动压力；
根据所述每个测试用例对应的车辆状态信息和制动压力生成目标样本集。
其中，所述测试用例集合中的测试用例尽可能多的覆盖车辆的各种工况。例如可以是，所述测试用例包括：车速、工况、方向盘转角、车轮载重以及路面情况等。例如可以是，测试用例示例如表1所示：
表1
具体的，获取测试用例集合中的每个测试用例对应的车辆状态信息和制动压力的方式可以为：将测试用例输入测试车辆，采集测试车辆的车辆状态信息和制动压力，得到测试用例集合中的每个测试用例对应的车辆状态信息和制动压力。其中，所述制动压力可以通过设置在车轮制动卡钳的制动油管接口的压力传感器采集得到。
具体的，根据所述每个测试用例对应的车辆状态信息和制动压力生成目标样本集的方式可以为：将测试用例集合中的每个测试用例对应的车辆状态信息和制动压力确定为一个目标样本，目标样本集中的目标样本的数量和测试用例集合中的测试用例的数量相同。
需要说明的是，设计不同的测试用例，尽可能多的覆盖各种工况，能够保证测试的稳定性，不会受到人为因素影响。
可选的，所述车辆状态信息包括：车辆的运行参数、电磁阀控制参数以及电机控制参数。
可选的，还包括：
获取车辆的运行参数、电磁阀控制参数以及电机控制参数；
将所述车辆的运行参数、电磁阀的控制参数以及电机控制参数输入制动压力预测模型，得到第一制动压力。
其中，所述车辆的运行参数包括：车速、轮速、偏航角度以及转向角度等。
其中，所述电磁阀的控制参数和电机控制参数为标定参数。
需要说明的是，基于车辆的运行参数、电磁阀控制参数、电机控制参数以及训练好的制动压力预测模型就可以进行制动压力的预测，也就是得到车辆的运行参数、电磁阀的控制参数以及电机控制参数对应的第一制动压力。
可选的，在将所述车辆的运行参数、电磁阀控制参数以及电机控制参数输入制动压力预测模型，得到第一制动压力之后，还包括：
获取目标制动压力；
根据所述目标制动压力和所述第一制动压力调整所述电磁阀控制参数以及电机控制参数，得到目标电磁阀控制参数和目标电机控制参数。
其中，所述目标制动压力为设定的目标压力值。
其中，所述目标电磁阀控制参数和目标电机控制参数为目标压力和制动压力预测模型输出的制动压力的差值小于差值阈值时的电磁阀控制参数以及电机控制参数。
具体的，根据所述目标制动压力和所述第一制动压力调整所述电磁阀控制参数以及电机控制参数，得到目标电磁阀控制参数和目标电机控制参数的方式可以为：获取目标制动压力和所述第一制动压力的差值，若差值大于差值阈值，则根据目标制动压力和所述第一制动压力的差值调整电磁阀控制参数以及电机控制参数，将调整后的电磁阀控制参数、调整后的电机控制参数以及车辆的运行参数输入制动压力预测模型，得到制动压力预测模型输出的制动压力，获取目标制动压力和制动压力预测模型输出的制动压力的差值，若差值依旧大于差值阈值，则再根据目标制动压力和制动压力预测模型输出的制动压力的差值调整电磁阀控制参数以及电机控制参数，重复执行上述过程，直至目标压力和制动压力预测模型输出的制动压力的差值小于差值阈值，得到目标电磁阀控制参数和目标电机控制参数。
需要说明的是，在训练好的制动压力预测模型的基础上，根据目标制动压力，设计奖励函数，使用搜索算法让制动压力预测模型输出的制动压力逼近目标制动压力，离线训练优化最终输出一组最优的目标电磁阀控制参数和目标电机控制参数。
可选的，还包括：
将所述目标电磁阀控制参数、目标电机控制参数以及车辆的运行参数输入制动压力预测模型，得到第二制动压力；
将所述第二制动压力、目标电磁阀控制参数、目标电机控制参数以及车辆的运行参数添加至所述目标样本集。
需要说明的是，将离线训练优化最终输出一组最优的目标电磁阀控制参数和目标电机控制参数在实车控制器中进行应用，记录实车制动系统反馈的数据，将新产生的数据与原数据集合并，在规定的循环之后使用新数据全量更新。
本实施例的技术方案，通过获取目标样本集，其中，所述目标样本集包括：车辆状态信息样本和所述车辆状态信息样本对应的制动压力；将所述车辆状态信息样本输入神经网络模型，得到预测制动压力；根据所述预测制动压力和所述车辆状态信息样本对应的制动压力生成的目标函数训练所述神经网络模型的参数；返回执行将所述车辆状态信息样本输入神经网络模型，得到预测制动压力的操作，直至得到制动压力预测模型，能够提高预测的制动压力的准确度。
实施例二
图2为本发明实施例提供的一种制动压力模型训练装置的结构示意图。本实施例可适用于制动压力模型训练的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供制动压力模型训练功能的设备中，如图2所示，所述制动压力模型训练装置具体包括：样本集获取模块210、第一预测模块220、训练模块230和第二预测模块240。
其中，样本集获取模块，用于获取目标样本集，其中，所述目标样本集包括：车辆状态信息样本和所述车辆状态信息样本对应的制动压力；
第一预测模块，用于将所述车辆状态信息样本输入神经网络模型，得到预测制动压力；
训练模块，用于根据所述预测制动压力和所述车辆状态信息样本对应的制动压力生成的目标函数训练所述神经网络模型的参数；
第二预测模块，用于返回执行将所述车辆状态信息样本输入神经网络模型，得到预测制动压力的操作，直至得到制动压力预测模型。
可选的，所述样本集获取模块具体用于：
获取测试用例集合；
获取测试用例集合中的每个测试用例对应的车辆状态信息和制动压力；
根据所述每个测试用例对应的车辆状态信息和制动压力生成目标样本集。
可选的，所述车辆状态信息包括：车辆的运行参数、电磁阀控制参数以及电机控制参数。
可选的，还包括：
参数获取模块，用于获取车辆的运行参数、电磁阀控制参数以及电机控制参数；
第一制动压力确定模块，用于将所述车辆的运行参数、电磁阀的控制参数以及电机控制参数输入制动压力预测模型，得到第一制动压力。
可选的，还包括：
目标制动压力获取模块，用于在将所述车辆的运行参数、电磁阀控制参数以及电机控制参数输入制动压力预测模型，得到第一制动压力之后，获取目标制动压力；
调整模块，用于根据所述目标制动压力和所述第一制动压力调整所述电磁阀控制参数以及电机控制参数，得到目标电磁阀控制参数和目标电机控制参数。
可选的，还包括：
第二制动压力确定模块，用于将所述目标电磁阀控制参数、目标电机控制参数以及车辆的运行参数输入制动压力预测模型，得到第二制动压力；
添加模块，用于将所述第二制动压力、目标电磁阀控制参数、目标电机控制参数以及车辆的运行参数添加至所述目标样本集。
上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如制动压力模型训练方法：
获取目标样本集，其中，所述目标样本集包括：车辆状态信息样本和所述车辆状态信息样本对应的制动压力；
将所述车辆状态信息样本输入神经网络模型，得到预测制动压力；
根据所述预测制动压力和所述车辆状态信息样本对应的制动压力生成的目标函数训练所述神经网络模型的参数；
返回执行将所述车辆状态信息样本输入神经网络模型，得到预测制动压力的操作，直至得到制动压力预测模型。
在一些实施例中，制动压力模型训练方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的制动压力模型训练方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行制动压力模型训练方法：
获取目标样本集，其中，所述目标样本集包括：车辆状态信息样本和所述车辆状态信息样本对应的制动压力；
将所述车辆状态信息样本输入神经网络模型，得到预测制动压力；
根据所述预测制动压力和所述车辆状态信息样本对应的制动压力生成的目标函数训练所述神经网络模型的参数；
返回执行将所述车辆状态信息样本输入神经网络模型，得到预测制动压力的操作，直至得到制动压力预测模型。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种制动压力模型训练方法，其特征在于，包括：
获取目标样本集，其中，所述目标样本集包括：车辆状态信息样本和所述车辆状态信息样本对应的制动压力；
将所述车辆状态信息样本输入神经网络模型，得到预测制动压力；
根据所述预测制动压力和所述车辆状态信息样本对应的制动压力生成的目标函数训练所述神经网络模型的参数；
返回执行将所述车辆状态信息样本输入神经网络模型，得到预测制动压力的操作，直至得到制动压力预测模型。
2.根据权利要求1所述的方法，其特征在于，获取目标样本集，包括：
获取测试用例集合；
获取测试用例集合中的每个测试用例对应的车辆状态信息和制动压力；
根据所述每个测试用例对应的车辆状态信息和制动压力生成目标样本集。
3.根据权利要求1所述的方法，其特征在于，所述车辆状态信息包括：车辆的运行参数、电磁阀控制参数以及电机控制参数。
4.根据权利要求3所述的方法，其特征在于，还包括：
获取车辆的运行参数、电磁阀控制参数以及电机控制参数；
将所述车辆的运行参数、电磁阀的控制参数以及电机控制参数输入制动压力预测模型，得到第一制动压力。
5.根据权利要求4所述的方法，其特征在于，在将所述车辆的运行参数、电磁阀控制参数以及电机控制参数输入制动压力预测模型，得到第一制动压力之后，还包括：
获取目标制动压力；
根据所述目标制动压力和所述第一制动压力调整所述电磁阀控制参数以及电机控制参数，得到目标电磁阀控制参数和目标电机控制参数。
6.根据权利要求5所述的方法，其特征在于，还包括：
将所述目标电磁阀控制参数、目标电机控制参数以及车辆的运行参数输入制动压力预测模型，得到第二制动压力；
将所述第二制动压力、目标电磁阀控制参数、目标电机控制参数以及车辆的运行参数添加至所述目标样本集。
7.一种制动压力模型训练装置，其特征在于，包括：
样本集获取模块，用于获取目标样本集，其中，所述目标样本集包括：车辆状态信息样本和所述车辆状态信息样本对应的制动压力；
第一预测模块，用于将所述车辆状态信息样本输入神经网络模型，得到预测制动压力；
训练模块，用于根据所述预测制动压力和所述车辆状态信息样本对应的制动压力生成的目标函数训练所述神经网络模型的参数；
第二预测模块，用于返回执行将所述车辆状态信息样本输入神经网络模型，得到预测制动压力的操作，直至得到制动压力预测模型。
8.根据权利要求7所述的装置，其特征在于，所述样本集获取模块具体用于：
获取测试用例集合；
获取测试用例集合中的每个测试用例对应的车辆状态信息和制动压力；
根据所述每个测试用例对应的车辆状态信息和制动压力生成目标样本集。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的制动压力模型训练方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的制动压力模型训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211659340.6A CN116009397A (zh) | 2022-12-22 | 2022-12-22 | 一种制动压力模型训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211659340.6A CN116009397A (zh) | 2022-12-22 | 2022-12-22 | 一种制动压力模型训练方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116009397A true CN116009397A (zh) | 2023-04-25 |
Family
ID=86022731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211659340.6A Pending CN116009397A (zh) | 2022-12-22 | 2022-12-22 | 一种制动压力模型训练方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116009397A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116552474A (zh) * | 2023-05-23 | 2023-08-08 | 南栖仙策(南京)高新技术有限公司 | 一种基于强化学习的车速控制方法、装置、设备和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544358A (zh) * | 2013-10-31 | 2014-01-29 | 长城汽车股份有限公司 | 车辆的制动性能的计算方法和装置 |
| CN110962828A (zh) * | 2019-12-23 | 2020-04-07 | 奇瑞汽车股份有限公司 | 预测电动汽车制动压力的方法和设备 |
| CN113765443A (zh) * | 2021-08-30 | 2021-12-07 | 武汉理工大学 | 电动助力制动控制方法及其设计仿真方法、设备及介质 |
| CN114861432A (zh) * | 2022-04-28 | 2022-08-05 | 同济大学 | 车辆制动联合仿真方法、装置、终端设备以及存储介质 |
| CN115107824A (zh) * | 2022-07-26 | 2022-09-27 | 天津铁路信号有限责任公司 | 一种电液车辆减速器监测系统 |
-
2022
- 2022-12-22 CN CN202211659340.6A patent/CN116009397A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544358A (zh) * | 2013-10-31 | 2014-01-29 | 长城汽车股份有限公司 | 车辆的制动性能的计算方法和装置 |
| CN110962828A (zh) * | 2019-12-23 | 2020-04-07 | 奇瑞汽车股份有限公司 | 预测电动汽车制动压力的方法和设备 |
| CN113765443A (zh) * | 2021-08-30 | 2021-12-07 | 武汉理工大学 | 电动助力制动控制方法及其设计仿真方法、设备及介质 |
| CN114861432A (zh) * | 2022-04-28 | 2022-08-05 | 同济大学 | 车辆制动联合仿真方法、装置、终端设备以及存储介质 |
| CN115107824A (zh) * | 2022-07-26 | 2022-09-27 | 天津铁路信号有限责任公司 | 一种电液车辆减速器监测系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116552474A (zh) * | 2023-05-23 | 2023-08-08 | 南栖仙策(南京)高新技术有限公司 | 一种基于强化学习的车速控制方法、装置、设备和介质 |
| CN116552474B (zh) * | 2023-05-23 | 2024-02-06 | 南栖仙策(南京)高新技术有限公司 | 一种基于强化学习的车速控制方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116009397A (zh) | 一种制动压力模型训练方法、装置、设备及存储介质 | |
| CN115743101A (zh) | 车辆轨迹预测方法、轨迹预测模型训练方法和装置 | |
| JP2023029472A (ja) | 情報を確定するための方法および装置、電子機器、記憶媒体並びにコンピュータプログラム | |
| CN113158589B (zh) | 一种电池管理系统的仿真模型校准方法以及装置 | |
| CN115447550A (zh) | 电子助力制动系统的工作方法、装置、设备和存储介质 | |
| CN114884813B (zh) | 一种网络架构确定方法、装置、电子设备及存储介质 | |
| CN116513130A (zh) | 一种emb车型的车轮制动力控制方法、装置、设备及介质 | |
| CN115586438A (zh) | 一种双电机效率测试方法、系统、设备及存储介质 | |
| CN116476851B (zh) | 一种车辆数据的处理方法、装置、电子设备及存储介质 | |
| CN116552474B (zh) | 一种基于强化学习的车速控制方法、装置、设备和介质 | |
| CN116519332A (zh) | 动态加载下轮胎复合工况测试方法、装置、设备和介质 | |
| CN114969962B (zh) | 车辆rde排放恶劣工况的生成方法、装置、设备及存储介质 | |
| CN117033861A (zh) | 一种液压制动系统的轮缸压力估算方法和压力估算装置 | |
| CN116358902B (zh) | 一种车辆功能的测试方法、装置、电子设备及存储介质 | |
| CN116176737B (zh) | 一种车辆控制方法、装置、车辆及存储介质 | |
| CN118010377A (zh) | 一种车辆滑行阻力测试方法、装置、电子设备及存储介质 | |
| CN116733584A (zh) | 一种碳载量的标定方法、装置、车辆和存储介质 | |
| CN117272636A (zh) | 一种汽车钢板弹簧仿真模型的校准方法及装置 | |
| CN116629038A (zh) | 一种抗凹性测试方法、装置、电子设备及存储介质 | |
| CN116894389A (zh) | 一种飞行器性能参数预测方法及装置 | |
| CN117549894A (zh) | 一种车辆制动控制方法、装置、存储介质及电子设备 | |
| CN116756061A (zh) | 一种外部设备适配方法、装置、设备及存储介质 | |
| CN116552480A (zh) | 一种驻车控制方法、装置、电子设备和存储介质 | |
| CN117194018A (zh) | 一种多核多芯片环境下系统控温算法的处理方法及装置 | |
| CN116541187A (zh) | 电子控制单元的缓冲空间管理方法、装置、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 |