CN116465647A - 一种基于虚拟现实技术的汽车性能测试方法及系统 - Google Patents

一种基于虚拟现实技术的汽车性能测试方法及系统 Download PDF

Info

Publication number
CN116465647A
CN116465647A CN202310414081.9A CN202310414081A CN116465647A CN 116465647 A CN116465647 A CN 116465647A CN 202310414081 A CN202310414081 A CN 202310414081A CN 116465647 A CN116465647 A CN 116465647A
Authority
CN
China
Prior art keywords
automobile
data
test
climbing
downhill
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
Application number
CN202310414081.9A
Other languages
English (en)
Other versions
CN116465647B (zh
Inventor
申丹
慕朝芬
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.)
Rizhao Chaoli Information Technology Co ltd
Original Assignee
Rizhao Chaoli Information Technology 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 Rizhao Chaoli Information Technology Co ltd filed Critical Rizhao Chaoli Information Technology Co ltd
Priority to CN202310414081.9A priority Critical patent/CN116465647B/zh
Publication of CN116465647A publication Critical patent/CN116465647A/zh
Application granted granted Critical
Publication of CN116465647B publication Critical patent/CN116465647B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00Testing of vehicles
    • G01M17/007Wheeled or endless-tracked vehicles
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147Distances to closest patterns, e.g. nearest neighbour classification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/0499Feedforward networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/09Supervised learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/18Details relating to CAD techniques using virtual or augmented reality
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Abstract

本发明提供了一种基于虚拟现实技术的汽车性能测试方法及系统,涉及汽车试验技术领域,在目标车辆上坡时进行数据采集,获取爬坡数据集合,下坡时使用脚刹控制速度,获取下坡数据集合,使用Lab VIEW生成模拟测试环境,将爬坡数据集合与下坡数据集合同步传送至模拟测试环境中,获取汽车越坡试验模型,获取汽车模拟测试结果,以此在性能测试试验实验室中进行汽车越陡坡试验,获取汽车性能测试结果。本发明解决了现有技术中汽车性能测试方法需要进行多次测试,使得测试过程耗费时间长、成本高、效率低的技术问题,实现了采用虚拟现实技术模拟测试,达到加快测试速度、降低测试成本、提升测试效率的技术效果。

Description

一种基于虚拟现实技术的汽车性能测试方法及系统
技术领域
本发明涉及汽车试验技术领域,具体涉及一种基于虚拟现实技术的汽车性能测试方法及系统。
背景技术
在汽车研发过程中,为了保证汽车的技术特性、可靠性、耐久性和环境适应性,需要做大量的试验。由于汽车需在不同的道路、地理和气候条件下使用,它的性能、效率、可靠性和耐久性等不能只依靠计算,必须经过试验证实。在实际使用环境中、专用试验场中或室内试验台上,按照预定程序对汽车或其零部件、材料等进行的试验。然而现今常用的汽车性能测试方法还存在着一定的弊端,对于汽车性能测试还存在着一定的可提升空间。
现有技术中汽车性能测试方法需要进行多次测试,使得测试过程耗费时间长、成本高、效率低。
发明内容
本申请实施例提供了一种基于虚拟现实技术的汽车性能测试方法及系统,用于针对解决现有技术中汽车性能测试方法需要进行多次测试,使得测试过程耗费时间长、成本高、效率低的技术问题。
鉴于上述问题,本申请实施例提供了一种基于虚拟现实技术的汽车性能测试方法及系统。
第一方面,本申请实施例提供了一种基于虚拟现实技术的汽车性能测试方法,所述方法包括:在目标车辆上坡时,进行数据采集,获取爬坡数据集合;在所述目标车辆下坡时,使用脚刹控制速度,同步进行车速采集,获取下坡实时车速数据;通过所述下坡实时车速数据与当前档位信息,合成下坡数据集合;使用Lab VIEW,模拟所述目标车辆的测试环境,生成模拟测试环境;将所述爬坡数据集合与所述下坡数据集合同步传送至所述模拟测试环境中,获取汽车越坡试验模型;通过所述汽车越坡试验模型,进行汽车越陡坡模拟试验,获取汽车模拟测试结果;通过所述汽车模拟测试结果,在性能测试试验实验室中进行汽车越陡坡试验,获取汽车性能测试结果。
第二方面,本申请实施例提供了一种基于虚拟现实技术的汽车性能测试系统,所述系统包括:上坡数据采集模块,所述上坡数据采集模块用于在目标车辆上坡时,进行数据采集,获取爬坡数据集合;下坡数据采集模块,所述下坡数据采集模块用于在所述目标车辆下坡时,使用脚刹控制速度,同步进行车速采集,获取下坡实时车速数据;下坡数据集合获取模块,所述下坡数据集合获取模块用于通过所述下坡实时车速数据与当前档位信息,合成下坡数据集合;测试环境生成模块,所述测试环境生成模块用于使用Lab VIEW,模拟所述目标车辆的测试环境,生成模拟测试环境;越坡试验模型获取模块,所述越坡试验模型获取模块用于将所述爬坡数据集合与所述下坡数据集合同步传送至所述模拟测试环境中,获取汽车越坡试验模型;越陡坡模拟试验模块,所述越陡坡模拟试验模块用于通过所述汽车越坡试验模型,进行汽车越陡坡模拟试验,获取汽车模拟测试结果;性能测试结果获取模块,所述性能测试结果获取模块用于通过所述汽车模拟测试结果,在性能测试试验实验室中进行汽车越陡坡试验,获取汽车性能测试结果。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种基于虚拟现实技术的汽车性能测试方法,涉及汽车试验技术领域,在目标车辆上坡时进行数据采集,获取爬坡数据集合,在目标车辆下坡时使用脚刹控制速度,获取下坡数据集合,使用Lab VIEW模拟目标车辆的测试环境,生成模拟测试环境,将爬坡数据集合与下坡数据集合同步传送至模拟测试环境中,获取汽车越坡试验模型,进行汽车越陡坡模拟试验,获取汽车模拟测试结果,通过汽车模拟测试结果,在性能测试试验实验室中进行汽车越陡坡试验,获取汽车性能测试结果。解决了现有技术中汽车性能测试方法需要进行多次测试,使得测试过程耗费时间长、成本高、效率低的技术问题,实现了采用虚拟现实技术模拟测试,达到加快测试速度、降低测试成本、提升测试效率的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种基于虚拟现实技术的汽车性能测试方法流程示意图;
图2为本申请实施例提供了一种基于虚拟现实技术的汽车性能测试方法中获取爬坡数据集合流程示意图;
图3为本申请实施例提供了一种基于虚拟现实技术的汽车性能测试方法中获取下坡数据集合流程示意图;
图4为本申请实施例提供了一种基于虚拟现实技术的汽车性能测试系统结构示意图。
附图标记说明:上坡数据采集模块10,下坡数据采集模块20,下坡数据集合获取模块30,测试环境生成模块40,越坡试验模型获取模块50,越陡坡模拟试验模块60,性能测试结果获取模块70。
具体实施方式
本申请实施例通过提供一种基于虚拟现实技术的汽车性能测试方法,用于针对解决现有技术中汽车性能测试方法需要进行多次测试,使得测试过程耗费时间长、成本高、效率低的技术问题。
实施例一
如图1所示,本申请实施例提供了一种基于虚拟现实技术的汽车性能测试方法,所述方法包括:
步骤S100:在目标车辆上坡时,进行数据采集,获取爬坡数据集合;
具体而言,本申请实施例提供的一种基于虚拟现实技术的汽车性能测试方法应用于汽车性能测试系统。首先,汽车最大爬坡度测试方法为在目标车辆满载的情况下,选择与该车预计爬坡度相近的坡道,坡道长度应大于25m,坡前有8-10m的平直路段, 目标车辆停于坡底靠近坡道的平直路段上,变速器置于最大牵引力输出档 ,通常是一档(手动档上坡时可以设置为一档、二档、三档或四档;自动档上坡时可以设置为S档、D档), 汽车起步后将加速踏板踩到底进行爬坡。在爬坡过程中通过车速传感器对车速进行实时采集,同时记录目标车辆满载时的载荷以及每次进行爬坡度测试对应的坡度,其中,坡度为坡道垂直高度与水平距离的百分比。实现了对目标车辆爬坡数据的精准掌控,为后续构建汽车越坡试验模型提供数据支撑。
进一步的,本申请实施例还包括:
步骤S110:在所述目标车辆完成质量检测后,依照汽车爬陡坡试验规范,确定爬陡坡试验场所;
步骤S120:在所述爬陡坡试验场所中,进行车速采集,获取上坡实时车速数据;
步骤S130:通过所述上坡实时车速数据,计算上坡实时加速度数据;
步骤S140:将所述上坡实时车速数据作为第一类别特征;将所述上坡实时加速度数据作为第二类别特征;将当前档位信息作为第K类别特征;
步骤S150:按照所述第一类别特征、第二类别特征与第K类别特征,设置第一坐标系,同时进行车速采集,获取爬坡数据集合。
具体而言,所述目标车辆需要优先进行质量检测(满足IATF 16949:2016《汽车质量管理体系标准》等的统一的出厂标准),在所述目标车辆完成质量检测后,依照GB/T12539-2018《汽车爬陡坡试验方法》汽车爬陡坡试验规范,确定爬陡坡试验场所(爬陡坡试验场所就是一个执行陡坡试验区域);
基于KNN算法(K-Nearest Neighbor,K-近邻算法,当然的,使用KNN算法可以保证取样数据具有代表性,为保证所述爬坡数据集合的完整性提供了支持)为基础,在所述爬陡坡试验场所中,对所述目标车辆进行车速采集,获取上坡实时车速数据;通过所述上坡实时车速数据,计算上坡实时加速度数据(现有的);
须知的,所述第一坐标系的坐标维度为K维,即与所述K类别特征性对应,比如K=3,即所述第一坐标系为三维坐标系,三维坐标系的坐标值为上坡实时车速数据;三维坐标系的坐标值为上坡实时加速度数据;三维坐标系的坐标值为当前档位信息,以此对应建立第一坐标系;
设置第一坐标系,将所述上坡实时车速数据作为第一类别特征;将所述上坡实时加速度数据作为第二类别特征、……、将当前档位信息作为第K类别特征(所述类别特征还包括载荷、发动机转速、坡度、车速,此处不一一列举),在所述第一坐标系中录入多个坐标点(将多类爬坡指标以坐标值的形式表达:第一坐标系的第一坐标轴内的坐标值可以是上坡实时车速数据、第一坐标系的第二坐标轴的坐标值可以是上坡实时加速度数据、……、第一坐标系的第K坐标轴的可以是当前档位信息),K为正整数,在建立完成坐标系后,同时进行车速采集,在输入的信息不具备代表性后(就是输入数据中有99%的数据可以使用最邻近的M个数据样本进行表征,即表明爬坡数据集合具有性能测试所需要的代表性),第一坐标系空间中样本数据作为爬坡数据集合,为后续分析提供条理明晰的数据基础。
步骤S200:在所述目标车辆下坡时,使用脚刹控制速度,同步进行车速采集,获取下坡实时车速数据;
具体而言,考虑到很多司机的开车习惯,就是下坡直接用刹车减速,而不是采用减档的方式,直接在这种方式下设置最大下坡度的阈值上限,即在当前档位下坡时,对车速进行实时采集,获取下坡路段的限速信息,如下坡限速30km/h,当目标车辆下坡时在刹车的情况下车速还超过限速时,说明目标车辆还需要辅助制动才能刹住车,同时当前坡度超过目标车辆当前档位可控制的最大坡度。通过车速传感器对下坡时目标车辆的车速进行实时采集,车速传感器是用来检测电控汽车的车速的装置,它的输出信号可以是磁电式交流信号,也可以是霍尔式数字信号或者是光电式数字信号,通常安装在驱动桥壳或变速器壳内,通过车速传感器获取目标车辆的下坡实时车速数据。实现了对目标车辆下坡数据的精准掌控,为后续构建汽车越坡试验模型提供数据支撑。
步骤S300:通过所述下坡实时车速数据与当前档位信息,合成下坡数据集合;
具体而言,考虑到很多司机的开车习惯,就是下坡直接用刹车减速,而不是采用减档的方式,因此直接在这种方式下设置最大下坡度的阈值上限。对同一坡度进行多次下坡测试,依次调整档位,对同一坡度下每个档位对应的实时车速变化进行记录,获取同一坡度下档位与实时车速的对应关系,即每个档位对应一个实时车速变化数据。以时间为横坐标以实时车速为纵坐标构建车速变化坐标系,在坐标系中绘制多条不同档位下车速的变化曲线,曲线的斜率代表减速效果,斜率越大减速效果越好。设下坡限速为a,绘制y=a的一条直线,任一条曲线与直线y=a交点对应的时间,即为对应档位下目标车辆刹车失效的时间节点,该交点表明在该档位进行下坡操作时,当到达该节点/>,需要开启辅助刹车功能,当目标车辆开启辅助刹车功能,即说明当前坡度超过目标车辆最大坡度阈值。通过对比不同的曲线的斜率获得不同档位对应的车速变化情况,通过任一条曲线与直线y=a交点获取下坡过程中制动失效节点,获取第一档位的第一制动失效节点,以及在第一档位进行下坡操作时的目标车辆数据,包括车辆第一下坡实时车速数据、第一下坡实时加速度数据、第一档位信息,将所述第一制动失效节点、第一下坡实时车速数据、第一下坡实时加速度数据、第一档位信息添加至下坡数据集合,获取下坡数据集合。
进一步的,如图3所示,本申请实施例还包括:
步骤S310:在所述爬陡坡试验场所中,进行车速采集,获取下坡实时车速数据;
步骤S320:通过所述下坡实时车速数据,计算下坡实时加速度数据;
步骤S330:将所述下坡实时车速数据作为第一类别特征;将所述下坡实时加速度数据作为第二类别特征;将当前档位信息作为第K类别特征;
步骤S340:按照所述第一类别特征、第二类别特征与第K类别特征,设置第二坐标系,同时进行车速采集,获取下坡数据集合。
具体而言,基于KNN算法(为保证所述下坡数据集合的完整性提供了支持)为基础,在所述爬陡坡试验场所中,对所述目标车辆进行车速采集,获取下坡实时车速数据;通过所述下坡实时车速数据,计算下坡实时加速度数据;
设置第二坐标系,将所述下坡实时车速数据作为第一类别特征;将所述下坡实时加速度数据作为第二类别特征、……、将当前档位信息作为第K类别特征(第一类别特征、第二类别特征、……、第K类别特征均为KNN算法中特征空间的指标称谓名,不具备其他特别含义),在第二坐标系中录入多个坐标点(第二坐标系的第一坐标轴内的坐标值可以是下坡实时车速数据、第二坐标系的第二坐标轴的坐标值可以是下坡实时加速度数据、……、第二坐标系的第K坐标轴的可以是当前档位信息),K为正整数,在建立完成坐标系后,同时进行车速采集,在输入的信息不具备代表性后,第二坐标系空间中样本数据作为下坡数据集合(此处不做重复性描述说明),为后续进行验证测试提供数据支持。
步骤S400:使用Lab VIEW,模拟所述目标车辆的测试环境,生成模拟测试环境;
具体而言,Lab VIEW是一种用图标代替文本行创建应用程序的图形化编程语言,采用数据流编程方式,程序框图中节点之间的数据流向决定了VI及函数的执行顺序。根据汽车爬陡坡实验方法标准获取目标车辆的标准测试环境,包括道路要求、测量参数、车辆条件等,其中,道路要求包括测试路段坡道长度要求、渐变路段要求、坡前平直路段要求、路面要求等,示例性地,一般路面要求为表面平整、坚实、干燥、坡度均匀的自然沥青路面或混凝土路面;测量参数包括测量时间、长度、大气温度、大气压力、转速、坡度等;车辆条件包括轮胎气压、装载质量、车辆准备及其他条件等。将目标车辆的标准测试环境的各项参数进行整理输入至Lab VIEW,生成模拟测试环境,实现了以计算机为依托实现测试功能,进而提升测试效果。
步骤S500:将所述爬坡数据集合与所述下坡数据集合同步传送至所述模拟测试环境中,获取汽车越坡试验模型;
具体而言,通过第一嵌入式数据接口,将所述爬坡数据集合同步传送至所述模拟测试环境,以BP网络模型为模型基础,将所述爬坡数据集合作为输入训练数据,输入所述BP网络模型中,采用每次根据训练得到的结果与预想结果进行误差分析,进而修改权值和阈值,修改权值和阈值可以将BP网络模型训练至适用于进行汽车爬坡试验,一步一步得到能输出和预想结果一致的模型,在模型输出趋于稳定,即输出和预想结果一致后,获取汽车爬坡试验模型;以同样的方法,通过第二嵌入式数据接口,将所述下坡数据集合同步传送至所述模拟测试环境,以BP网络模型为模型基础,将所述下坡数据集合作为输入训练数据,输入所述BP网络模型中,训练至适用于进行汽车下坡试验(具体训练过程此处不做重复性说明),获取汽车下坡试验模型,将所述汽车爬坡试验模型与汽车下坡试验模型合并,获取汽车越坡试验模型。
步骤S600:通过所述汽车越坡试验模型,进行汽车越陡坡模拟试验,获取汽车模拟测试结果;
具体而言,在Lab VIEW中的前面板中添加控件,包括控制控件和显示控件,其中显示控件用于向用户显示数据或信息,控制控件则用于用户向程序输入数据或控制信号,同时Lab VIEW中的很多控件都模仿了现实世界的仪器界面,如旋钮、开关和滑动条等,放置旋钮,通过旋钮控制汽车越陡坡模拟试验的相关参数,如坡度、档位等。最后在程序中进行仿真, 如果程序编辑正确, 工具栏上的运行按钮为一个白色箭头,它表示程序可以执行,否则为一个断裂的灰色箭头,它表示程序中存错误不可执行,对程序进行调整后执行程序。
将变速器置于最大牵引力输出档 ,通常是一档, 汽车起步后将加速踏板踩到底进行爬坡,如果汽车能顺利爬上该坡道,再选择更大一级坡道进行测试,直到汽车不能爬上坡道为止,该坡道的前一级坡道即为汽车能爬上的最大坡道,提取前一级坡道的坡度,作为模拟最大爬坡度。以同样的方法,获取模拟最大下坡度,为了说明书的简洁在此不再赘述;
控制发动机在一转速下运行,获取能发出的最大功率,将其减去该转速下的实际功率,获取模拟汽车后备功率;控制汽车高速制动、短时间多次重复制动或下长坡连续制动,获取制动效能的热稳定性,即模拟炕热衰退性;
将所述模拟最大爬坡度、所述模拟最大下坡度、所述模拟汽车后备功率、所述模拟炕热衰退性作为所述汽车模拟测试结果。
步骤S700:通过所述汽车模拟测试结果,在性能测试试验实验室中进行汽车越陡坡试验,获取汽车性能测试结果。
具体而言,将汽车的里程数、汽车轮胎行驶里程作为汽车磨损;将风向数据、风速数据作为环境影响;将里程数误差、汽车轮胎行驶里程误差、风向数据误差、风速数据误差作为计算误差,其中,里程小计为10km的时候,对比实际里程,里程数误差为正负2%,实际跑的路程应该在9.8到10.2km之间,在理想状态下,基于所述汽车模拟测试结果,将汽车磨损、环境影响、计算误差作为修正数据,对所述汽车模拟测试结果进行修正,获取汽车性能测试结果;
所述汽车模拟测试结果为理想状态下的测试结果,在实际试验中,不可避免的存在汽车磨损、环境影响、计算误差等情况,因此需要根据汽车模拟测试结果再次进行汽车越陡坡试验,根据汽车模拟测试结果对应的各项数据对性能测试试验实验室中的各项参数进行调整,包括道路要求、测量参数、车辆条件等,根据试验情况对试验参数进行调整获得真实测试结果,以此作为汽车性能测试结果。
进一步而言,本申请步骤S500包括:
步骤S510:依照用在车载导航系统的Wince模拟器,在目标车辆驾驶过程中,获取数据接入标识;
步骤S520:依据所述数据接入标识,通过第一嵌入式数据接口,将所述爬坡数据集合同步传送至所述模拟测试环境,获取汽车爬坡试验模型;
步骤S530:依据所述数据接入标识,通过第二嵌入式数据接口,将所述下坡数据集合同步传送至所述模拟测试环境,获取汽车下坡试验模型;
步骤S540:将所述汽车爬坡试验模型与汽车下坡试验模型合并,获取汽车越坡试验模型。
具体而言,Wince模拟器是一款在电脑上模拟车载导航的导航仪模拟器,不仅有地图导航功能,还支持在线上传数据到软件内,用于进行应用程序调试与数据接入标识,数据接入标识包括第一嵌入式数据接口接入标识、第二嵌入式数据接口接入标识。
启动Lab VIEW后,新建一个空白VI,可以得到两个窗口,一个是程序框图,一个是前面板。用户界面在 Lab VIEW 中被称为前面板,使用图标和连线,可以通过编程对前面板上的对象进行控制。这就是图形化源代码,又称G代码,Lab VIEW的图形化源代码在某种程度上类似于数据流流程图,因此又被称作程序框图代码。前面板上的每一个控件对应于程序框图中的一个对象,当数据 流向 该控件时,控件就会根据自己的特性以一定的方式显示数据,例如开关、数字或者图形。当所有的模块图标都摆放正确,属性也设置完好之后,汽车爬坡试验模型构建完毕,以同样的方法构建汽车下坡试验模型,将所述汽车爬坡试验模型与汽车下坡试验模型合并,获取汽车越坡试验模型。
进一步而言,本申请步骤S520包括:
步骤S521:在面板中添加数据输入控件,依据所述数据接入标识,获取第一嵌入式数据接口;
步骤S522:通过第一嵌入式数据接口,将所述爬坡数据集合同步传送至所述模拟测试环境;
步骤S523:在“配置仿真任意信号” 对话框,设置爬坡参数属性;
步骤S524:进入while循环,对汽车爬坡试验模型进行迭代监督训练和验证,获得准确率符合预设要求的汽车爬坡试验模型。
具体而言,Lab VIEW是通过控件选板选择控件对象的,控件选板包含了大量的Lab VIEW控件,按照控件能代表的数据类型,如数值型数据、布尔型数据、字符串和路径数据等,将其分成不同的类别,每个类别中的控件所包含的数据类型是相同的或者近似的,其中,数据输入控件有多种显示方式,但是它们都有一个共同的特点,即控件包含的数据类型都是数值型的,数值输入控件是最基本的数值控件,其他不同外观的数值型控件都是以它为基础,Lab VIEW通过前述多种控件来方便地创建用户界面。
在 VI 前向板单击运行按钮,此时运行按钮变为黑色箭头,它表示程序正在运行中。将鼠标移动到旋钮控件上,以此调整爬坡参数属性,其中,爬坡参数属性包括坡度、实时车速、实时加速度、档位等,单击 STOP 按钮停止该 VI ,当单击 STOP 按钮时,该按钮作为一个布尔变量将真值传递给while循环,在while循环过程中,以BP网络模型为模型基础,将爬坡数据集合作为构建数据,将构建数据按照一定的比例随机划分成训练集、验证集和测试集,并对划分的训练集、验证集和测试集进行标注,示例性地,本申请优选比例为8:1:1,其中,训练集用来训练模型,即确定模型的权重和偏置这些学习参数;验证集用于在训练集训练出多个模型后,使用验证集数据对各个模型进行验证,并记录模型准确率,进而选出效果最佳的模型及其对应的参数;测试集中的数据只使用一次,即在训练完成后评价最终的模型时使用,既不参与学习参数的过程,也不参与超参数选择的过程,而仅仅使用与模型的评价。基于机器学习,通过训练集对模型进行监督训练,通过验证集对得到的模型进行验证,通过测试集对训练完成的模型进行评价,不断调整超参数,直到准确率符合预设要求(一般的,准确率符合预设要求可以设置为正确率不低于99%),当准确率符合预设要求(在不断调整超参数过程中,若进行正确次数与训练总次数的统计,正确率=正确次数/训练总次数×100%),while循环完成当前迭代后停止循环,由于停止循环后没有别的代码需要执行,因此 VI 会自动停止运行,以此获得准确率符合预设要求的汽车爬坡试验模型。
实施例二
基于与前述实施例中一种基于虚拟现实技术的汽车性能测试方法相同的发明构思,如图4所示,本申请提供了一种基于虚拟现实技术的汽车性能测试系统,所述系统包括:
上坡数据采集模块10,所述上坡数据采集模块10用于在目标车辆上坡时,进行数据采集,获取爬坡数据集合;
下坡数据采集模块20,所述下坡数据采集模块20用于在所述目标车辆下坡时,使用脚刹控制速度,同步进行车速采集,获取下坡实时车速数据;
下坡数据集合获取模块30,所述下坡数据集合获取模块30用于通过所述下坡实时车速数据与当前档位信息,合成下坡数据集合;
测试环境生成模块40,所述测试环境生成模块40用于使用Lab VIEW,模拟所述目标车辆的测试环境,生成模拟测试环境;
越坡试验模型获取模块50,所述越坡试验模型获取模块50用于将所述爬坡数据集合与所述下坡数据集合同步传送至所述模拟测试环境中,获取汽车越坡试验模型;
越陡坡模拟试验模块60,所述越陡坡模拟试验模块60用于通过所述汽车越坡试验模型,进行汽车越陡坡模拟试验,获取汽车模拟测试结果;
性能测试结果获取模块70,所述性能测试结果获取模块70用于通过所述汽车模拟测试结果,在性能测试试验实验室中进行汽车越陡坡试验,获取汽车性能测试结果。
进一步而言,系统还包括:
爬陡坡试验场所确定模块,用于在所述目标车辆完成质量检测后,依照汽车爬陡坡试验规范,确定爬陡坡试验场所;
上坡车速采集模块,用于在所述爬陡坡试验场所中,进行车速采集,获取上坡实时车速数据;
上坡加速度数据计算模块,用于通过所述上坡实时车速数据,计算上坡实时加速度数据;
上坡类别特征获取模块,用于将所述上坡实时车速数据作为第一类别特征;将所述上坡实时加速度数据作为第二类别特征;将当前档位信息作为第K类别特征;
爬坡数据集合获取模块,用于按照所述第一类别特征、第二类别特征与第K类别特征,设置第一坐标系,同时进行车速采集,获取爬坡数据集合。
进一步而言,系统还包括:
下坡车速采集模块,用于在所述爬陡坡试验场所中,进行车速采集,获取下坡实时车速数据;
下坡加速度数据计算模块,用于通过所述下坡实时车速数据,计算下坡实时加速度数据;
下坡类别特征获取模块,用于将所述下坡实时车速数据作为第一类别特征;将所述下坡实时加速度数据作为第二类别特征;将当前档位信息作为第K类别特征;
下坡数据集合获取模块,用于按照所述第一类别特征、第二类别特征与第K类别特征,设置第二坐标系,同时进行车速采集,获取下坡数据集合。
进一步而言,系统还包括:
数据接入标识获取模块,用于依照用在车载导航系统的Wince模拟器,在目标车辆驾驶过程中,获取数据接入标识;
汽车爬坡试验模型获取模块,用于依据所述数据接入标识,通过第一嵌入式数据接口,将所述爬坡数据集合同步传送至所述模拟测试环境,获取汽车爬坡试验模型;
汽车下坡试验模型获取模块,用于依据所述数据接入标识,通过第二嵌入式数据接口,将所述下坡数据集合同步传送至所述模拟测试环境,获取汽车下坡试验模型;
汽车越坡试验模型获取模块,用于将所述汽车爬坡试验模型与汽车下坡试验模型合并,获取汽车越坡试验模型。
进一步而言,系统还包括:
第一嵌入式数据接口获取模块,用于在面板中添加数据输入控件,依据所述数据接入标识,获取第一嵌入式数据接口;
爬坡数据集合同步模块,用于通过第一嵌入式数据接口,将所述爬坡数据集合同步传送至所述模拟测试环境;
爬坡参数属性设置模块,用于在“配置仿真任意信号” 对话框,设置爬坡参数属性;
试验模型获取模块,用于进入while循环,对汽车爬坡试验模型进行迭代监督训练和验证,获得准确率符合预设要求的汽车爬坡试验模型。
本说明书通过前述对一种基于虚拟现实技术的汽车性能测试方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于虚拟现实技术的汽车性能测试方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于虚拟现实技术的汽车性能测试方法,其特征在于,所述方法包括:
在目标车辆上坡时,进行数据采集,获取爬坡数据集合;
在所述目标车辆下坡时,使用脚刹控制速度,同步进行车速采集,获取下坡实时车速数据;
通过所述下坡实时车速数据与当前档位信息,合成下坡数据集合;
使用Lab VIEW,模拟所述目标车辆的测试环境,生成模拟测试环境;
将所述爬坡数据集合与所述下坡数据集合同步传送至所述模拟测试环境中,获取汽车越坡试验模型;
通过所述汽车越坡试验模型,进行汽车越陡坡模拟试验,获取汽车模拟测试结果;
通过所述汽车模拟测试结果,在性能测试试验实验室中进行汽车越陡坡试验,获取汽车性能测试结果。
2.如权利要求1所述的方法,其特征在于,所述在目标车辆上坡时,进行数据采集,获取爬坡数据集合,所述方法包括:
在所述目标车辆完成质量检测后,依照汽车爬陡坡试验规范,确定爬陡坡试验场所;
在所述爬陡坡试验场所中,进行车速采集,获取上坡实时车速数据;
通过所述上坡实时车速数据,计算上坡实时加速度数据;
将所述上坡实时车速数据作为第一类别特征;将所述上坡实时加速度数据作为第二类别特征;将当前档位信息作为第K类别特征;
按照所述第一类别特征、第二类别特征与第K类别特征,设置第一坐标系,同时进行车速采集,获取爬坡数据集合。
3.如权利要求2所述的方法,其特征在于,所述通过所述下坡实时车速数据与当前档位信息,合成下坡数据集合,所述方法包括:
在所述爬陡坡试验场所中,进行车速采集,获取下坡实时车速数据;
通过所述下坡实时车速数据,计算下坡实时加速度数据;
将所述下坡实时车速数据作为第一类别特征;将所述下坡实时加速度数据作为第二类别特征;将当前档位信息作为第K类别特征;
按照所述第一类别特征、第二类别特征与第K类别特征,设置第二坐标系,同时进行车速采集,获取下坡数据集合。
4.如权利要求1所述的方法,其特征在于,所述将所述爬坡数据集合与所述下坡数据集合同步传送至所述模拟测试环境中,获取汽车越坡试验模型,所述方法包括:
依照用在车载导航系统的Wince模拟器,在目标车辆驾驶过程中,获取数据接入标识;
依据所述数据接入标识,通过第一嵌入式数据接口,将所述爬坡数据集合同步传送至所述模拟测试环境,获取汽车爬坡试验模型;
依据所述数据接入标识,通过第二嵌入式数据接口,将所述下坡数据集合同步传送至所述模拟测试环境,获取汽车下坡试验模型;
将所述汽车爬坡试验模型与汽车下坡试验模型合并,获取汽车越坡试验模型。
5.如权利要求4所述的方法,其特征在于,所述依据所述数据接入标识,通过第一嵌入式数据接口,将所述爬坡数据集合同步传送至所述模拟测试环境,获取汽车爬坡试验模型,所述方法包括:
在面板中添加数据输入控件,依据所述数据接入标识,获取第一嵌入式数据接口;
通过第一嵌入式数据接口,将所述爬坡数据集合同步传送至所述模拟测试环境;
在“配置仿真任意信号” 对话框,设置爬坡参数属性;
进入while循环,对汽车爬坡试验模型进行迭代监督训练和验证,获得准确率符合预设要求的汽车爬坡试验模型。
6.一种基于虚拟现实技术的汽车性能测试系统,其特征在于,所述系统包括:
上坡数据采集模块,所述上坡数据采集模块用于在目标车辆上坡时,进行数据采集,获取爬坡数据集合;
下坡数据采集模块,所述下坡数据采集模块用于在所述目标车辆下坡时,使用脚刹控制速度,同步进行车速采集,获取下坡实时车速数据;
下坡数据集合获取模块,所述下坡数据集合获取模块用于通过所述下坡实时车速数据与当前档位信息,合成下坡数据集合;
测试环境生成模块,所述测试环境生成模块用于使用Lab VIEW,模拟所述目标车辆的测试环境,生成模拟测试环境;
越坡试验模型获取模块,所述越坡试验模型获取模块用于将所述爬坡数据集合与所述下坡数据集合同步传送至所述模拟测试环境中,获取汽车越坡试验模型;
越陡坡模拟试验模块,所述越陡坡模拟试验模块用于通过所述汽车越坡试验模型,进行汽车越陡坡模拟试验,获取汽车模拟测试结果;
性能测试结果获取模块,所述性能测试结果获取模块用于通过所述汽车模拟测试结果,在性能测试试验实验室中进行汽车越陡坡试验,获取汽车性能测试结果。
CN202310414081.9A 2023-04-18 2023-04-18 一种基于虚拟现实技术的汽车性能测试方法及系统 Active CN116465647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310414081.9A CN116465647B (zh) 2023-04-18 2023-04-18 一种基于虚拟现实技术的汽车性能测试方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310414081.9A CN116465647B (zh) 2023-04-18 2023-04-18 一种基于虚拟现实技术的汽车性能测试方法及系统

Publications (2)

Publication Number Publication Date
CN116465647A true CN116465647A (zh) 2023-07-21
CN116465647B CN116465647B (zh) 2024-03-26

Family

ID=87181877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310414081.9A Active CN116465647B (zh) 2023-04-18 2023-04-18 一种基于虚拟现实技术的汽车性能测试方法及系统

Country Status (1)

Country Link
CN (1) CN116465647B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102331353A (zh) * 2011-06-21 2012-01-25 上海理工大学 基于虚拟仪器的汽车abs测控系统及测试方法
CN105954043A (zh) * 2016-05-25 2016-09-21 重庆理工大学 混合动力汽车半实物仿真系统
DE102017204901A1 (de) * 2017-03-23 2018-09-27 Telemotive Aktiengesellschaft Verfahren zum Testen einer Fahrzeugsteuerungseinrichtung
DE102017107396A1 (de) * 2017-04-06 2018-10-11 Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr Testverfahren und Testvorrichtung für Fahrerassistenzsysteme
CN111811828A (zh) * 2020-04-17 2020-10-23 新奇点智能科技集团有限公司 一种无人车驾驶测试方法、装置、系统及存储介质
CN112550450A (zh) * 2020-12-26 2021-03-26 浙江天行健智能科技有限公司 基于K-Means和CART回归树的路感模拟方法
CN112937587A (zh) * 2021-02-26 2021-06-11 南京经纬达汽车科技有限公司 基于K-Medoids和分类回归树的路感模拟方法
CN113050455A (zh) * 2021-03-27 2021-06-29 上海智能新能源汽车科创功能平台有限公司 一种用于智能网联汽车的数字孪生测试系统及控制方法
CN114303048A (zh) * 2019-10-15 2022-04-08 本田技研工业株式会社 车辆检查系统以及位置对准方法
WO2022183227A1 (de) * 2021-03-01 2022-09-09 Avl List Gmbh Verfahren und system zum erzeugen von szenariendaten zum testen eines fahrerassistenzsystems eines fahrzeugs

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102331353A (zh) * 2011-06-21 2012-01-25 上海理工大学 基于虚拟仪器的汽车abs测控系统及测试方法
CN105954043A (zh) * 2016-05-25 2016-09-21 重庆理工大学 混合动力汽车半实物仿真系统
DE102017204901A1 (de) * 2017-03-23 2018-09-27 Telemotive Aktiengesellschaft Verfahren zum Testen einer Fahrzeugsteuerungseinrichtung
DE102017107396A1 (de) * 2017-04-06 2018-10-11 Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr Testverfahren und Testvorrichtung für Fahrerassistenzsysteme
CN114303048A (zh) * 2019-10-15 2022-04-08 本田技研工业株式会社 车辆检查系统以及位置对准方法
CN111811828A (zh) * 2020-04-17 2020-10-23 新奇点智能科技集团有限公司 一种无人车驾驶测试方法、装置、系统及存储介质
CN112550450A (zh) * 2020-12-26 2021-03-26 浙江天行健智能科技有限公司 基于K-Means和CART回归树的路感模拟方法
CN112937587A (zh) * 2021-02-26 2021-06-11 南京经纬达汽车科技有限公司 基于K-Medoids和分类回归树的路感模拟方法
WO2022183227A1 (de) * 2021-03-01 2022-09-09 Avl List Gmbh Verfahren und system zum erzeugen von szenariendaten zum testen eines fahrerassistenzsystems eines fahrzeugs
CN113050455A (zh) * 2021-03-27 2021-06-29 上海智能新能源汽车科创功能平台有限公司 一种用于智能网联汽车的数字孪生测试系统及控制方法

Also Published As

Publication number Publication date
CN116465647B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
US11897494B2 (en) Method and a device for generating a dynamic speed profile of a motor vehicle
JP6898101B2 (ja) 車両のエネルギー効率を分析するためのシステムおよび方法
CN109726426A (zh) 一种车辆自动驾驶虚拟环境构建方法
CN111753426B (zh) 颗粒物污染的源解析方法和装置
CN103398168B (zh) 一种自动变速器换档规律的建模方法
CN107526906A (zh) 一种基于数据采集的驾驶风格辨识装置及方法
CN112685289A (zh) 场景的生成方法、基于场景的模型在环测试方法和系统
CN109147465A (zh) 一种汽车驾驶模拟器测试系统及控制方法
US11169052B2 (en) Test stand and method for performing a test to simulate a test drive of a vehicle
CN109814404A (zh) 整车控制器的在环仿真标定系统及标定方法
CN115422747A (zh) 一种机动车尾气污染物排放量的计算方法和计算装置
CN113778066A (zh) 基于真值采集的智能驾驶及adas测试方法和系统
CN115860214A (zh) 一种pm2.5排放浓度的预警方法和装置
CN115392015A (zh) 一种基于数字孪生的自动驾驶推演系统和推演方法
CN116465647B (zh) 一种基于虚拟现实技术的汽车性能测试方法及系统
CN110134024A (zh) 车辆自动驾驶虚拟环境中特殊标志物的构建方法
CN116859880A (zh) 一种车辆预见性巡航仿真测试方法及系统
CN113515813B (zh) 一种汽车动力学仿真软件模拟可靠度现场校验方法
CN109084867A (zh) 一种汽车组合仪表燃油仿真测试系统及方法
CN209168449U (zh) 一种汽车驾驶模拟器测试系统
CN114881406A (zh) 驾驶性评价方法、系统、可读存储介质及计算机设备
WO2019034233A1 (en) SYSTEM AND METHOD FOR VEHICLE MODELING AND SIMULATION
CN113919170A (zh) 一种基于多传感融合的工况环境模拟方法及系统
CN116380495B (zh) 基于数字孪生的排放和能耗试验方法、系统、设备和介质
AU2016294674B2 (en) Method and system for determining the aerodynamic resistance of a cyclist

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