CN116861758A - 用于ev行程能量预测的结合交通信息的nnt驾驶员模型 - Google Patents

用于ev行程能量预测的结合交通信息的nnt驾驶员模型 Download PDF

Info

Publication number
CN116861758A
CN116861758A CN202211287145.5A CN202211287145A CN116861758A CN 116861758 A CN116861758 A CN 116861758A CN 202211287145 A CN202211287145 A CN 202211287145A CN 116861758 A CN116861758 A CN 116861758A
Authority
CN
China
Prior art keywords
speed
vehicle
module
trip
planned route
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
CN202211287145.5A
Other languages
English (en)
Inventor
Y·朱
李冬旭
王跃云
张振芳
C·J·李
B·D·马扎拉
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.)
GM Global Technology Operations LLC
Original Assignee
GM Global Technology Operations 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 GM Global Technology Operations LLC filed Critical GM Global Technology Operations LLC
Publication of CN116861758A publication Critical patent/CN116861758A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Navigation (AREA)

Abstract

本发明公开了用于EV行程能量预测的结合交通信息的NNT驾驶员模型。用于车辆的行程能量估计系统包括：交通速度模块，其被构造成确定沿着规划路线的平均交通速度；路径信息模块，其被构造成输出指示沿着规划路线的路线特征的路径信息；感知速度模块，其被构造成基于平均交通速度和路径信息来输出沿着规划路线的感知车辆速度；以及动态驾驶模块，其被构造成基于感知车辆速度和反馈输入来计算并输出预测的驾驶员速度，该反馈输入指示该预测的驾驶员速度。动态驾驶模块被构造成执行机器学习算法以计算预测的驾驶员速度。

Description

用于EV行程能量预测的结合交通信息的NNT驾驶员模型
技术领域
本节中提供的信息是为了总体上呈现本公开的上下文的目的。当前署名的发明人的工作（就其在本节中所描述的程度而言）以及在提交时可不被另视为现有技术的该描述的各方面既不明确地也不隐含地被认作针对本公开的现有技术。
本公开涉及电动车辆，且更特别地涉及出发地和目的地之间的预测的能量使用情况。
背景技术
电动车辆包括电池组以及由电池组供电以实现推进目的的一个或多个马达。电池组将电力提供给各种车辆系统，包括推进系统、照明系统、信息娱乐系统、空调系统、制动系统、转向系统、自主控制系统、导航系统等。推进系统可包括用于驱动车辆车轮的所述一个或多个马达。
发明内容
一种用于车辆的行程能量估计系统包括：交通速度模块，其被构造成确定沿着规划路线的平均交通速度；路径信息模块，其被构造成输出指示沿着规划路线的路线特征的路径信息；感知速度模块，其被构造成基于平均交通速度和路径信息来输出沿着规划路线的感知车辆速度；以及动态驾驶模块，其被构造成基于感知车辆速度和反馈输入来计算并输出预测的驾驶员速度，该反馈输入指示该预测的驾驶员速度。动态驾驶模块被构造成执行机器学习算法以计算预测的驾驶员速度。
在其他特征中，行程能量估计系统被构造成基于预测的驾驶员速度来计算与规划路线相关联的总行程能量。
在其他特征中，总行程能量是根据来计算的，E trip 是总行程能量，M是车辆质量，f 0 是滚动阻力系数，f 1 是道路摩擦力，f 2 是空气阻力，v是由动态驾驶模块计算的预测的驾驶员速度，a是沿着路线的平均加速度和由预测的驾驶员速度计算的加速度中的一者，g是重力，并且θ是道路的坡度。
在其他特征中，机器学习算法对应于动态函数。
在其他特征中，机器学习算法对应于带外部输入的非线性自回归网络（NARX）的网络。
在其他特征中，机器学习算法对应于基于车辆速度历史的层递归神经网络。
在其他特征中，动态驾驶模块被构造成根据NNT(V(t-1),V(t-2),x(t),x(t-1),x (t-2))来计算作为神经网络NNT的函数的预测的驾驶员速度，V是车辆速度，t是采样时间，并且x对应于一个或多个其他变量输入。
在其他特征中，动态驾驶模块被构造成进一步基于沿着规划路线的坡度信息和转弯信息中的至少一者来计算预测的驾驶员速度。
在其他特征中，行程能量估计系统进一步包括：坡度模块，其被构造成基于沿着规划路线的道路的坡度来输出坡度信息；以及转弯模块，其被构造成基于沿着规划路线的转弯来输出转弯信息。
在其他特征中，行程能量估计系统进一步包括距离模块，该距离模块被构造成基于预测的驾驶员速度来计算沿着规划路线行驶的距离。
在其他特征中，路径信息模块和交通速度模块中的每一者接收所计算的距离。
在其他特征中，交通速度模块被构造成确定作为距离的函数的沿着规划路线的平均交通速度，并且感知速度模块被构造成确定作为时间的函数的沿着规划路线的感知车辆速度。
在其他特征中，一种车辆包括行程能量估计系统。
一种方法包括：确定沿着规划路线的平均交通速度；生成指示沿着规划路线的路线特征的路径信息；基于平均交通速度和路径信息来计算沿着规划路线的感知车辆速度；以及使用机器学习算法基于感知车辆速度和反馈输入来计算并输出预测的驾驶员速度，该反馈输入指示该预测的驾驶员速度。
在其他特征中，该方法进一步包括：基于预测的驾驶员速度来计算与规划路线相关的总行程能量。
在其他特征中，该方法进一步包括：根据来计算总行程能量，E trip 是总行程能量，M是车辆质量，f 0 是滚动阻力系数，f 1 是道路摩擦力，f 2 是空气阻力，v是由动态驾驶模块计算的预测的驾驶员速度，a是沿着路线的平均加速度和由预测的驾驶员速度计算的加速度中的一者，g是重力，并且θ是道路的坡度。
在其他特征中，机器学习算法对应于神经网络工具箱（NNT）、带外部输入的非线性自回归网络（NARX）的网络以及基于车辆速度历史的层递归神经网络中的至少一者。
在其他特征中，该方法进一步包括：根据NNT(V(t-1),V(t-2),x(t),x(t-1),x(t- 2))来计算作为神经网络NNT的函数的预测的驾驶员速度，V是车辆速度，t是采样时间，并且x对应于一个或多个其他变量输入。
在其他特征中，该方法进一步包括：进一步基于沿着规划路线的坡度信息和转弯信息中的至少一者来计算预测的驾驶员速度。
在其他特征中，该方法进一步包括：确定作为距离的函数的沿着规划路线的平均交通速度；以及确定作为时间的函数的沿着规划路线的感知车辆速度。
本发明还公开了如下技术方案：
方案1. 一种用于车辆的行程能量估计系统，所述行程能量估计系统包括：
交通速度模块，其被构造成确定沿着规划路线的平均交通速度；
路径信息模块，其被构造成输出指示沿着所述规划路线的路线特征的路径信息；
感知速度模块，其被构造成基于所述平均交通速度和所述路径信息来输出沿着所述规划路线的感知车辆速度；以及
动态驾驶模块，其被构造成基于所述感知车辆速度和反馈输入来计算并输出预测的驾驶员速度，所述反馈输入指示所述预测的驾驶员速度，其中，所述动态驾驶模块被构造成执行机器学习算法以计算所述预测的驾驶员速度。
方案2. 根据方案1所述的行程能量估计系统，其中，所述行程能量估计系统被构造成基于所述预测的驾驶员速度来计算与所述规划路线相关联的总行程能量。
方案3. 根据方案2所述的行程能量估计系统，其中，所述总行程能量是根据来计算的，其中，E trip 是所述总行程能量，M是车辆质量，f 0 是滚动阻力系数，f 1 是道路摩擦力，f 2 是空气阻力，v是由所述动态驾驶模块计算的所述预测的驾驶员速度，a是沿着所述路线的平均加速度和由所述预测的驾驶员速度计算的加速度中的一者，g是重力，并且θ是所述道路的坡度。
方案4. 根据方案1所述的行程能量估计系统，其中，所述机器学习算法对应于动态函数。
方案5. 根据方案1所述的行程能量估计系统，其中，所述机器学习算法对应于带外部输入的非线性自回归网络（NARX）的网络。
方案6. 根据方案1所述的行程能量估计系统，其中，所述机器学习算法对应于基于车辆速度历史的层递归神经网络。
方案7. 根据方案1所述的行程能量估计系统，其中，所述动态驾驶模块被构造成根据NNT(V(t-1),V(t-2),x(t),x(t-1),x(t-2))来计算作为神经网络NNT的函数的所述预测的驾驶员速度，其中，V是车辆速度，t是采样时间，并且x对应于一个或多个其他变量输入。
方案8. 根据方案1所述的行程能量估计系统，其中，所述动态驾驶模块被构造成进一步基于沿着所述规划路线的坡度信息和转弯信息中的至少一者来计算所述预测的驾驶员速度。
9. 根据方案8所述的行程能量估计系统，其中，进一步包括：
方案坡度模块，其被构造成基于沿着所述规划路线的道路的坡度来输出所述坡度信息；以及
转弯模块，其被构造成基于沿着所述规划路线的转弯来输出所述转弯信息。
10. 根据方案1所述的行程能量估计系统，其进一步包括距离模块，所述距离模块被方案构造成基于所述预测的驾驶员速度来计算沿着所述规划路线行驶的距离。
方案11. 根据方案10所述的行程能量估计系统，其中，所述路径信息模块和所述交通速度模块中的每一者接收所述所计算的距离。
方案12. 根据方案1所述的行程能量估计系统，其中，所述交通速度模块被构造成确定作为距离的函数的沿着所述规划路线的所述平均交通速度，并且所述感知速度模块被构造成确定作为时间的函数的沿着所述规划路线的所述感知车辆速度。
方案13. 一种车辆，其包括根据方案1所述的行程能量估计系统。
方案14. 一种方法，包括：
确定沿着规划路线的平均交通速度；
生成指示沿着所述规划路线的路线特征的路径信息；
基于所述平均交通速度和所述路径信息来计算沿着所述规划路线的感知车辆速度；
使用机器学习算法基于所述感知车辆速度和反馈输入来计算并输出预测的驾驶员速度，所述反馈输入指示所述预测的驾驶员速度。
方案15. 根据方案14所述的方法，其进一步包括：基于所述预测的驾驶员速度来计算与所述规划路线相关的总行程能量。
方案16. 根据方案15所述的方法，其进一步包括：根据来计算所述总行程能量，其中，E trip 是所述总行程能量，M是车辆质量，f 0 是滚动阻力系数，f 1 是道路摩擦力，f 2 是空气阻力，v是由所述动态驾驶模块计算的所述预测的驾驶员速度，a是沿着所述路线的平均加速度和由所述预测的驾驶员速度计算的加速度中的一者，g是重力，并且θ是所述道路的坡度。
方案17. 根据方案14所述的方法，其中，所述机器学习算法对应于神经网络工具箱（NNT）、带外部输入的非线性自回归网络（NARX）的网络以及基于车辆速度历史的层递归神经网络中的至少一者。
方案18. 根据方案14所述的方法，其进一步包括：根据NNT(V(t-1),V(t-2),x(t), x(t-1),x(t-2))来计算作为神经网络NNT的函数的所述预测的驾驶员速度，其中，V是车辆速度，t是采样时间，并且x对应于一个或多个其他变量输入。
方案19. 根据方案14所述的方法，其进一步包括：进一步基于沿着所述规划路线的坡度信息和转弯信息中的至少一者来计算所述预测的驾驶员速度。
方案20. 根据方案14所述的方法，其进一步包括：确定作为距离的函数的沿着规划路线的所述平均交通速度；以及确定作为时间的函数的沿着所述规划路线的所述感知车辆速度。
本公开的进一步的适用领域将从详细描述、权利要求书和附图变得显而易见。详细描述和特定示例仅旨在用于图示的目的而非旨在限制本公开的范围。
附图说明
本公开将从详细描述和附图变得被更充分地理解，其中：
图1是根据本公开的行程能量预测系统的一部分的示例的功能性框图；
图2是图1的行程能量预测系统的另一个部分的示例的功能性框图；
图3是根据本公开的包括行程能量估计模块的车辆的示例的功能性框图；
图4图示了根据本公开的用于估计特定驾驶员的行程能量的方法的示例；
图5A是沿着路线的平均交通速度的示例绘图；
图5B是沿着路线的感知车辆速度的示例绘图；
图5C是沿着路线的实际驾驶员速度的示例绘图；以及
图6是根据本公开的实施动态驾驶模型的示例行程能量估计模块。
在附图中，附图标记可被重复使用以识别类似和/或相同的元件。
具体实施方式
车辆可配备有行程能量预测装置以用于估计供车辆从第一地点（或出发地）行驶到第二地点（或目的地）的能量的量。作为示例，行程能量预测装置可包括用于所有驾驶员的导航和充电计划的驾驶员模型。行程能量预测值对于所有驾驶员来说可能是相同的。这种装置是不准确的，并且会由于不同的驾驶风格和变化的交通状况所致而导致20%或更大的预测误差。结果，装置可指示车辆有足够的剩余能量来进行中途不停留的（non-stop）行程，而由于预测误差所致却可能需要在到达目的地之前沿着路线充电。
根据本公开的行程能量估计系统和方法被构造成基于驾驶员的具体行为以及对交通状况和特征（诸如，信号灯、停车标志、交通信号、转弯和曲线等）的反应来估计总行程能量。本文中所阐述的示例包括动态驾驶模型和能量估计算法以用于准确地估计总行程能量。示例包括被构造成预测在总行程上特定于给定驾驶员的车辆速度的动态驾驶模型（例如，神经网络，诸如神经网络工具箱（NNT）、NARX（带外部输入的非线性自回归网络）的网络或其他类型的机器学习网络）。
因此，动态驾驶模型学习并考虑到个体驾驶员关于交通状况和道路特征的加速度、减速度和速度习惯。动态驾驶模型的输出（例如，预测速度）用于预测个体驾驶员针对给定路线的能量使用情况，这允许改进对充电需求的预测和/或是否有可能在不沿着路线充电的情况下进行中途不停留的行程。个体驾驶员的能量使用情况可指代当个体驾驶员直接驾驶车辆并且车辆不以半自主驾驶模式操作时、当个体驾驶员以半自主驾驶模式驾驶车辆时等的能量使用情况。
图1-2示出了根据本公开的行程能量估计系统100。行程能量估计系统100可包括基于云的网络装置102、中央站104、车辆106和便携式网络装置108。基于云的网络装置102可实施为基于云的网络的服务器，并且包括控制模块110、收发器112和存储器114。存储器114可存储平均交通速度数据120、平均交通加速度数据122、驾驶员类别性平均加速度数据124、驾驶员特定性平均加速度数据126、驾驶员特定性速度数据128和估计能量预测数据130。数据120、122、124、126、128、130可在以下各者中的任一者处收集、确定和/或存储、和/或与以下各者中的任一者共享：基于云的网络装置102、中央站104、车辆106和便携式网络装置108。在实施例中，便携式网络装置108存储数据124、126、128、130而不存储数据120、122。便携式网络装置108可以是移动电话、可穿戴装置、平板电脑、膝上型计算机等。
中央站104可包括控制模块140、收发器142以及存储地图数据库146的存储器144。地图数据库146可存储交通信息以及路径信息。交通信息可包括不同地点处的拥堵程度、各个地点和各条路线的平均交通速度、路线的平均交通加速度以及其他交通相关信息，诸如天气状况、碰撞地点等。路径信息可包括交通灯的位置和类型、交通标志的位置和类型、道路曲率位置和道路坡度等。
车辆106可包括控制模块150、收发器152和存储器154。存储器154可存储数据120、122、124、126、128和130。示出了多个车辆1-N，其中车辆2-N可与车辆106类似地构造和操作。收发器152可与收发器112、142通信。便携式网络装置可包括控制模块160、收发器162、存储器164和显示器166（例如，触摸屏）。
图3示出了车辆106，其包括控制模块150、电源302、远程信息处理模块304、信息娱乐模块306、其他控制模块308和推进系统310。控制模块150可控制车辆106以及模块304、306、308和推进系统310的操作。电源302可包括一个或多个电池组、发电机、转换器、控制电路、用于高电压和低电压负载的端子等。
远程信息处理模块304在车辆106内提供无线通信服务并与服务提供商进行无线通信。远程信息处理模块304可支持Wi-Fi®、蓝牙®、蓝牙低功耗（BLE）、近场通信（NFC）、蜂窝、传统（LG）传输控制协议（TCP）、长期演进（LTE）和/或其他无线通信，和/或根据Wi-Fi®、蓝牙®、BLE、NFC、蜂窝和/或其他无线通信协议操作。远程信息处理模块304可包括一个或多个收发器323和导航模块327，该导航模块具有全球定位系统（GPS）328。收发器323与车辆106内部和外部的网络装置进行无线通信，这些网络装置包括图1-2的基于云的网络装置102、中央站104和便携式网络装置108。收发器323可执行模式辨识、信道寻址、信道访问控制和滤波操作。
导航模块327执行导航应用程序以提供导航服务。导航服务可包括位置识别服务以识别车辆106所在的位置。导航服务还可包括将驾驶员导引到选定的位置和/或将车辆106引导到选定的位置。导航模块327可与中央站104通信，以收集指示交通和路径信息的交通地图信息。作为示例，如果车辆106是自主车辆，则导航模块327可沿着选定的路线将控制模块150引导到选定的目的地。GPS接收器328可提供车辆的车辆速度和/或方向（或航向）和/或全球时钟定时信息。
信息娱乐模块306可包括和/或连接到音频系统322和/或包括一个或多个显示器（示出了一个显示器320）的视频系统，以提供行程能量信息、车辆状态信息、诊断信息、预知信息、娱乐特征等。信息娱乐模块306可用于将车辆操作者导引到某个位置、指示行程能量估计和其他相关的行程能量信息。其他相关的行程能量信息可包括是否可用电源302中剩余量的储能和/或准许用于推进目的的可用量的储能（总剩余能量的百分比）进行中途不停留的行程。推进系统310可包括一个或多个电动马达346以推进车辆106。
模块150、304、306、308可经由一条或多条总线311（诸如，控制器区域网络（CAN）总线和/或其他合适的接口）彼此通信。控制模块150可基于来自传感器329的反馈来控制车辆模块、装置和系统的操作。传感器329可包括传感器、相机、目标检测传感器、温度传感器、加速度计、车辆速度传感器和/或其他传感器。
控制模块150可包括模式选择模块312、参数调整模块314和行程能量估计模块316。模式选择模块312可选择车辆操作模式。参数调整模块314可用于调整车辆106的参数。行程能量估计模块316可估计供车辆106在不同地点之间行驶的行程能量，这可以是基于驾驶员类别性的和/或驾驶员特定性的，如下文进一步描述。类别可包括激进型、正常型和经济型驾驶类别，它们可针对某些驾驶路线、一天中的时间、交通状况等具有相关联的车辆速度、平均车辆速度、加速度和/或平均加速度。仅例如，行程能量估计模块316可实施根据本公开的动态驾驶模型。
车辆106可进一步包括存储器154。存储器154可存储传感器数据330和/或车辆参数332、其他参数334（例如，电池组充电状态或剩余能量）、以及应用程序336（例如，行程能量估计应用程序）。应用程序336可包括由模块150、304、306、308执行的应用程序。尽管存储器154和控制模块150被示为单独的装置，但存储器154和控制模块150可实施为单个装置。存储器154还可存储交通、路径、速度和加速度数据338（诸如，本文中提到的交通、路径、速度和加速度数据）和估计能量预测数据340（诸如，本文中提到的估计能量预测数据）。
控制模块150可根据由模块150、304、306、308设定的参数来控制窗/门系统350、照明系统352、座椅系统354、后视镜系统356、制动系统358、电动马达360和/或转向系统362的操作。
控制模块150可基于从传感器329接收到的信号来设定一些参数。控制模块150可从电源302接收电力，该电力可被提供给推进系统310、窗/门系统350、照明系统352、座椅系统354、后视镜系统356、制动系统358、电动马达360和/或转向系统362等。一些车辆控制操作可包括解锁窗/门系统350的门、启动电动马达360、为模块304、306、308、327和系统322、350、352、354、356、358、362中的任一者供电、和/或执行如本文中进一步描述的其他操作。
供应给马达346、窗/门系统350、照明系统352、座椅系统354、后视镜系统356、制动系统358、电动马达360和/或转向系统362和/或其致动器的电力可由控制模块150控制，以例如调整：马达速度、扭矩和/或加速度；制动压力；方向盘角度；踏板位置；门锁和窗位置；座椅角度等。这种控制可基于传感器329、导航模块327、GPS接收器328的输出、以及存储在存储器154中的数据和信息。
控制模块150可确定各种参数，包括车辆速度、马达速度、齿轮状态、加速器位置、制动踏板位置、再生（充电）功率量、自动开始/停止放电功率量和/或其他信息。其他信息可包括电源302上的负载的优先等级、每个源端子的功率、电流和电压需求等。控制模块150可与电源302共享这种信息和车辆操作模式。
电源302和/或其控制电路可确定其他参数，诸如：每个源端子处的充电功率量；每个源端子处的放电功率量；源端子处的最大和最小电压；电力轨、电芯、块、电池组和/或群组（group）的最大和最小电压；电芯、块、电池组和/或群组的SOX值；电芯、块、电池组和/或群组的温度；电芯、块、电池组和/或群组的电流值；电芯、块、电池组和/或群组的功率值等。首字母缩略词“SOX”指代充电状态（SOC）、健康状态（SOH）、功率状态（SOP）和/或功能状态（SOF）。功率、电压和/或电流传感器可被包括为与电源302分开和/或包括在电源302中，以便进行SOX确定。电芯、电池组和/或群组的SOC可指代存储在电芯、电池组和/或群组中的可用电力的电压、电流和/或量。电芯、电池组和/或群组的SOH可指代：年龄（或操作小时数）；是否存在短路；是否存在松动的电线或坏的连接；在某些操作条件期间供应给或来源于电芯、电池组和/或群组的温度、电压、功率水平和/或电流水平；和/或描述电芯、电池组和/或群组的健康状况的其他参数。
电芯、电池组和/或群组的SOF可指代：供应给或来源于电芯、电池组和/或群组的当前温度、电压和/或电流水平；以及描述电芯、电池组和/或群组的当前功能状态的其他参数。电源302可基于由控制模块150和/或电源302的控制电路（或模块）确定的参数来确定电芯的连接构型和如本文中所描述的对应的开关状态。
以下示例和/或其部分可由图1-3的控制模块110、140、150、160和行程能量估计模块316中的一个或多个实施。尽管图1-3示出了车辆的包括行程能量估计模块316的控制模块150，但控制模块110、140和160可实施相同或类似的模块。行程能量估计模块316可在导航模块327中实施，并与控制模块150共享任何收集和/或确定的信息。
行程能量估计模块316可确定、跟踪和/或学习每个驾驶员的加速风格和速度风格。这可针对每个驾驶员和每个车辆来执行。加速风格指代驾驶员的典型加速率和减速率。速度风格指代驾驶员是否通常超过授权的交通速度界限、以交通速度界限、或低于交通速度界限驾驶，包括超过交通速度界限多少和低于交通速度界限多少。行程能量估计模块316可实施机器学习算法，以针对每个关注车辆的每个驾驶员来跟踪和更新这种信息。机器学习算法可用于表征每个驾驶员的驾驶风格。这种表征可以是基于路线的和/或基于一天中的时间的。路线交通和路径信息可投射到平均交通速度绘图上，以确定在哪里发生走走停停事件以考虑到在每个走走停停事件期间使用的能量。这在下文进行进一步描述。
行程能量估计模块316实施动态驾驶模型，该动态驾驶模型被制定为所学习的具有相关联的交通和路径信息的驾驶风格的函数。动态驾驶模型用于计算个体驾驶员的动态能量使用情况。供电动车辆从第一地点行驶到第二地点的行程能量是基于动态能量使用情况来预测的，如下文进一步详细描述的。
图4示出了估计特定驾驶员的行程能量的方法400。这些操作可迭代地执行。这些操作可由上文所描述的行程能量估计模块316来执行。在一个实施例中，一个或多个操作由行程能量估计模块316中的一个执行，并且其结果与一个或多个其他行程能量估计模块316共享。
在402处，可开始行程能量估计应用程序。这可包括例如驾驶员在图3的显示器320上、在车辆106的另一个显示器上、在便携式网络装置108的显示器166上等选择该应用程序。这可包括将输入提供给例如导航模块327。
在404处，为行程确定开始目的地和停靠目的地。这可包括接收来自驾驶员的输入，这些输入指示行程将在例如车辆当前所处的位置（被称为点A）开始并提供停靠目的地（被称为点B）。
在406处，车辆的导航模块327、行程能量估计模块中的一个和/或便携式网络装置108的控制模块160可确定用于从点A行驶到点B的一条或多条路径。车辆的导航模块327、行程能量估计模块316、控制模块160或驾驶员可选择可能的路径中的一个。作为示例，可选择具有最短驾驶时间、最少交通量和/或最少能量的量的路径。
在一个实施例中，在执行操作408、410、412、416、420和424之后，并基于为每条可能的路径所确定的预测的能量使用情况，可调整或重新选择路径。可选择需要最少能量使用量的路径。该选择可由所陈述的模块中的一个执行。然后，如果车辆106是部分或完全自主的车辆，则控制模块160可协助、引导和/或引起车辆从A点驾驶到B点。
在408处，可收集包括加速度和速度信息的交通相关信息（例如，从第三方或其他外部交通信息源，诸如交通或导航系统或应用程序）。这可包括所述一条或多条路径的平均交通速度和加速度数据。这还可包括驾驶员在沿着所述一条或多条路径行驶时的实际车辆速度和加速度。这种信息可在车辆106和/或便携式网络装置108处收集，并且可从基于云的网络装置接收。这可包括数据120、122、126、128。图5A示出了沿着路线的平均交通速度的示例绘图。
在410处，获得路径相关信息，包括道路标志的位置和类型、停车标志的位置、信号灯的位置和类型、交通拥堵的位置、道路曲率的位置和类型、道路封闭的位置、道路绕行的位置等。路径信息可在车辆106和/或便携式网络装置108处收集，并且可从中央站104接收，其中该信息可存储在地图数据库146中。
在412处，基于平均交通速度信息和路径相关信息来计算感知车辆速度。图5B示出了沿着与图5A中所示的相同路线的感知车辆速度的示例绘图。感知车辆速度将平均交通速度与引起走走停停事件的物体、状况和/或道路变化相关联。换句话说，方法400调整平均交通速度以考虑到在路线上的停停、走走和减速事件，从而计算感知车辆速度。在一些示例中，感知车辆速度对应于感知速度界限。
在416处，基于感知车辆速度和特定于驾驶员的信息来计算路线上的预测的驾驶员速度。图5C示出了路线上的实际驾驶员速度相对于同一路线上的感知车辆速度的示例绘图。实际驾驶员速度（即，对于给定驾驶员）与感知车辆速度或平均交通速度不相同。相反，实际驾驶员速度基于驾驶习惯、就各种交通和道路特征而言的反应和行为等而变化。因此，随着时间的推移监测特定驾驶员的驾驶员行为（即，特定于驾驶员的信息）并且根据本公开训练动态驾驶模型，以使用特定于驾驶员的信息来计算或预测与实际驾驶速度匹配的驾驶员速度。一旦动态驾驶模型用足够的数据经充分训练，就可以应用该动态模型来预测任何给定路径的行程能量，如下文更详细描述的。以这种方式，预测的驾驶员速度更准确地反映实际驾驶员速度，并且估计的行程能量更准确。
在420处，基于预测的驾驶员速度来获得路线的估计的行程能量。估计的行程能量可基于起始（或开始）目的地和停靠（或结束）目的地之间的行驶距离、行驶持续时间、交通平均速度和交通平均加速度。可根据等式1来确定行程能量E trip ，其中M是车辆质量，f 0 是滚动阻力系数，f 1 是道路摩擦力，f 2 是空气阻力，v是预测的驾驶员速度（例如，如由动态驾驶模型计算），a是所学习的沿着路线的驾驶员平均加速度或从预测的驾驶员速度v直接计算的加速度，g是重力，并且θ是道路坡度（即，倾角或偏角）。能量E trip 可基于行驶持续时间和/或行驶距离。
（1）。
预测的驾驶员速度由动态驾驶模块根据等式2来计算。换句话说，预测的驾驶员速度是整条路线上在前一个采样时间的预测车辆速度以及在当前和前一个采样时间的其他输入的函数NNT。
V(t) = NNT(V(t-1),V(t-2),x(t),x(t-1),x(t-2)) （2）。
函数NNT使用例如神经网络（例如，层递归神经网络）来计算，如下文更详细描述的。层递归神经网络将如在相应时间t处所确定的车辆速度（V(t-1)、V(t-2)等）历史以及在相应时间处的其他输入向量x（x(t)、x(t-1)、x(t-2)等）用作输入。其他输入向量x包括但不限于感知车辆速度、转弯和坡度信息等。
使用各种方法来获得和/或确定与驾驶员沿着所述一条或多条路径从起始目的地和停靠目的地驾驶车辆106相关联的加速度。例如，该数据可基于从先前的驾驶数据学习的驾驶员加速风格来从存储器中检索。加速度数据可以是与驾驶员先前沿着所述一条或多条路径驾驶相关联和/或与沿着所述一条或多条其他路径驾驶相关联的平均加速度数据。行程能量估计模块316可连续地监测、跟踪和存储驾驶员的车辆速度和加速度数据并执行对这些参数的统计学习，以便当前和随后用于估计与驾驶员相关联的加速度数据和/或平均量。作为示例，对驾驶员的加速度的统计学习可基于车辆速度对时间的绘图来执行。在2021年12月27日提交的美国专利申请号17/562,171中更详细地描述了加速度的统计学习的示例，该申请的全部内容并入本文中。
如上文所描述的，根据预测的驾驶员速度所计算的能量考虑到了以下各者：（i）驾驶员的不同加速驾驶风格、（ii）驾驶员在沿着路线行驶时经历的走走停停事件、以及（iii）驾驶员的超速和/或低速。在424处，车辆106（例如，控制模块150、远程信息处理模块304、信息娱乐模块306、其他模块308等中的一个或多个）可基于所计算的能量来执行各种功能。
例如，可提供行程估计信息（例如，行程估计的指示）。例如，该信息可指示剩余能量（例如，以里程数为单位）、剩余能量是否将支持中途不停留的行程、或者是否基于总行程能量和剩余能量而将需要一个或多个充电站等。该指示可经由例如显示器320提供给车辆操作员。其他行程估计可包括何时将需要充电以及基于驾驶员的驾驶风格在当前充电状态下可以行驶的距离的指示。如上文所陈述的，可基于路径的估计的行程能量来选择和遵循该路径，和/或可基于总行程能量和剩余能量来执行各种其他操作。
在其他示例中，车辆106可基于所计算的能量来执行其他功能，包括但不限于调整驾驶行为（例如，在使用更多或更少的能量提供不同性能水平的驾驶模式之间切换）、调整导航参数（例如，在可使用更多或更少能量的路线之间切换）、调整充电行为等。
图6中示出了根据本公开的以闭环控制方案实施动态驾驶模块600的行程能量估计模块316的示例。例如，动态驾驶模块600被构造为神经网络，诸如NARX（带外部输入的非线性自回归网络）的网络、层递归神经网络、或其他类型的机器学习网络，其被构造成预测在总行程中特定于给定驾驶员的车辆速度（即，使用如上文所描述的动态驾驶模型）。动态驾驶模块600学习并考虑到个体驾驶员关于交通状况和道路特征的加速度、减速度和速度习惯。动态驾驶模块600的输出（例如，预测速度）用于预测个体驾驶员针对给定路线的能量使用情况，这允许改进对充电需求的预测。
动态驾驶模块600接收输入，包括但不限于感知车辆速度（例如，来自感知速度模块604）、坡度信息输入（例如，来自坡度模块608）、转弯信息输入（例如，来自转弯模块612）、以及作为闭环反馈输入的动态驾驶模块600的先前预测的驾驶员速度输出。例如，动态驾驶模块600根据如上文所描述的等式2来计算并输出预测的驾驶员速度，该预测的驾驶员速度对应于随时间的推移进行调适的自适应性、个性化的驾驶员模型。换句话说，动态驾驶模型实施为随时间的推移适应驾驶员行为的个性化的驾驶员模块，诸如机器学习网络或算法（例如，经NNT训练的机器学习算法）。动态驾驶模块600的输出可进一步包括指示由车辆使用的能量的其他值，诸如车轴扭矩和车轴功率。
感知速度模块604从交通速度模块616接收平均交通速度以及从路径信息模块620接收路径信息。例如，交通速度模块616收集交通相关信息，包括加速度和速度信息（例如，从第三方或其他外部交通信息源，诸如交通或导航系统或应用程序）。交通速度模块616的输出对应于沿着车辆的规划路线的基于距离的交通速度。换句话说，交通速度模块616的输出对应于作为沿着规划路线行驶的距离的函数的车辆速度。
作为示例，交通速度模块616接收规划路线的路线信息和预测的驾驶距离。例如，距离模块624基于预测速度（例如，作为速度的积分）来计算预测的驾驶距离。坡度模块608、转弯模块612、交通速度模块616和路径信息模块620中的每一个接收预测的驾驶距离。因此，交通速度模块616输出作为沿着规划路线行驶的距离的函数的平均交通速度。坡度模块608和转弯模块612基于沿着规划路线行驶的距离依据沿着规划路线的转弯和道路坡度来输出作为时间的函数的坡度和转弯信息。
类似地，路径信息模块620输出作为关于规划路线的距离的函数的路径信息。路径信息包括路线特征，诸如道路标志的位置和类型、停车标志的位置、信号灯的位置和类型、交通拥堵的位置、道路曲率的位置和类型、道路封闭的位置、道路绕行的位置等。因此，路径信息指示沿着规划路线的各种路线特征的位置。
感知速度模块604基于平均交通速度和路径信息（例如，如上文在图4中所描述的）来计算并输出感知车辆速度。作为示例，感知速度模块604计算作为时间的函数（例如，关于规划路线的时间的函数）的感知车辆速度。换句话说，感知速度模块604将由交通速度模块616输出的基于距离的平均交通速度转换为基于时间的感知车辆速度。
以这种方式，动态驾驶模块600将基于时间的感知车辆速度、坡度信息、转弯信息和反馈输入用作输入（例如，到NNT的输入）来计算预测的驾驶员速度。然后，可以使用预测的驾驶员速度来计算规划路线的总行程能量（例如，使用行程能量估计模块316根据等式1）。
上文描述的操作意在为图示性示例。取决于应用，这些操作可被顺序地、同步地、同时地、连续地、在交叠的时间段期间或以不同的次序执行。而且，取决于实施方式和/或事件的顺序，所述操作中的任一者可不被执行或被跳过。这种信息可在上述显示器中的一个或多个上指示。
如本文中所描述的，本公开的原理解决了对车辆的准确的行程能量预测，并且所要求保护的实施例包括被构造成特定地解决对车辆的行程能量预测的改进的精度的行程能量估计系统和/或方法。因此，所要求保护的实施例在对车辆的行程能量预测的技术领域提供了一项改进。
前面的描述本质上仅仅是图示性的，并且决不旨在限制本公开、其应用或使用。本公开的广泛教导可以以各种形式实施。因此，虽然本公开包括特定示例，但是本公开的真实范围不应受到如此限制，因为在研究附图、说明书和以下权利要求时，其他修改将变得显而易见。应理解，方法内的一个或多个步骤可按不同次序（或同时）执行，而不更改本公开的原理。进一步地，虽然上文将实施例中的每一个描述为具有某些特征，但是关于本公开的任何实施例描述的那些特征中的任何一个或多个可以在其他实施例中的任一个的特征中实施和/或与其组合，即使该组合未明确描述。换句话说，所描述的实施例不是相互排斥的，并且一个或多个实施例彼此的排列仍然在本公开的范围内。
元件之间（例如，模块、电路元件、半导体层等之间）的空间和功能关系使用各种术语来描述，包括“连接”、“接合”、“联接”、“相邻”、“紧邻”、“在……顶部上”、“上方”、“下方”和“设置”。除非明确地描述为“直接”，否则当在上面的公开中描述第一元件和第二元件之间的关系时，该关系可以是在第一元件和第二元件之间不存在其他介入元件的直接关系，但也可以是在第一元件和第二元件之间存在（空间抑或功能上）一个或多个介入元件的间接关系。如本文中所使用的，短语A、B和C中的至少一个应被解释为使用非排他性逻辑或来意指逻辑（A或B或C），并且不应被解释为意指“A中的至少一个、B中的至少一个、以及C中的至少一个”。
在附图中，如由箭头指示的箭头方向总体上展示图示所感兴趣的信息（诸如，数据或指令）的流动。例如，当元件A和元件B交换各种信息但是从元件A传输到元件B的信息与图示相关时，箭头可从元件A指向元件B。该单向箭头并不暗示没有其他信息从元件B传输到元件A。进一步地，对于从元件A发送到元件B的信息，元件B可向元件A发送针对信息的请求或接收对信息的确认。
在本申请（包括下面的定义）中，术语“模块”或术语“控制器”可用术语“电路”代替。术语“模块”可指代以下各者、为以下各者的一部分、或包括以下各者：专用集成电路（ASIC）；数字、模拟或混合模拟/数字分立电路；数字、模拟或混合模拟/数字集成电路；组合逻辑电路；现场可编程门阵列（FPGA）；执行代码的处理器电路（共享、专用或组）；存储由处理器电路执行的代码的存储器电路（共享、专用或组）；提供所描述的功能的其他合适的硬件部件；或者以上各者中的一些或全部的组合，诸如在片上系统中。
模块可包括一个或多个接口电路。在一些示例中，接口电路可包括连接到局域网（LAN）、因特网、广域网（WAN）或其组合的有线或无线接口。本公开的任何给定模块的功能可分布在经由接口电路连接的多个模块当中。例如，多个模块可允许负载平衡。在进一步的示例中，服务器（也被称为远程或云）模块可代表客户端模块完成某种功能。
如上文所使用的术语代码可包括软件、固件和/或微代码，并且可指代程序、例程、函数、类、数据结构和/或对象。术语共享处理器电路涵盖单个处理器电路，其执行来自多个模块的一些或所有代码。术语组处理器电路涵盖处理器电路，该处理器电路与附加的处理器电路组合来执行来自一个或多个模块的一些或所有代码。对多个处理器电路的引用涵盖分立裸片上的多个处理器电路、单个裸片上的多个处理器电路、单个处理器电路的多个核、单个处理器电路的多个线程、或以上各者的组合。术语共享存储器电路涵盖单个存储器电路，其存储来自多个模块的一些或所有代码。术语组存储器电路涵盖存储器电路，该存储器电路与附加的存储器组合来存储来自一个或多个模块的一些或所有代码。
术语存储器电路是术语计算机可读介质的子集。如本文中所使用的术语计算机可读介质不涵盖通过介质（诸如，载波上）传播的瞬时电信号或电磁信号；因此，术语计算机可读介质可被认为是有形的和非暂时性的。非暂时性、有形计算机可读介质的非限制性示例是非易失性存储器电路（诸如，快闪存储器电路、可擦除可编程只读存储器电路或掩模只读存储器电路）、易失性存储器电路（诸如，静态随机存取存储器电路或动态随机存取存储器电路）、磁性存储介质（诸如，模拟或数字磁带或硬盘驱动器）和光学存储介质（诸如，CD、DVD或蓝光光盘）。
本申请中所描述的设备和方法可由专用计算机部分地或全部地实施，该专用计算机通过将通用计算机构造成执行体现在计算机程序中的一个或多个特定功能而创建。上文描述的功能块、流程图部件和其他元件用作软件规范，其可以通过熟练技术人员或程序员的例行工作转换成计算机程序。
计算机程序包括存储在至少一个非暂时性、有形计算机可读介质上的处理器可执行指令。计算机程序还可包括或依赖于所存储的数据。计算机程序可涵盖与专用计算机的硬件交互的基本输入/输出系统（BIOS）、与专用计算机的特定装置交互的装置驱动程序、一个或多个操作系统、用户应用程序、后台服务、后台应用程序等。
计算机程序可包括：（i）要解析的描述性文本，诸如HTML（超文本标记语言）、XML（可扩展标记语言）或JSON（JavaScript对象表示法），（ii）汇编代码，（iii）由编译器从源代码生成的目标代码，（iv）由解释器执行的源代码，（v）由即时编译器编译和执行的源代码等。仅作为示例，可使用语法由包括C、C++、C#、Objective-C、Swift、Haskell、Go、SQL、R、Lisp、Java®、Fortran、Perl、Pascal、Curl、OCaml、Javascript®、HTML5（超文本标记语言第5版）、Ada、ASP（动态服务器网页）、PHP（PHP：超级文本预处理语言）、Scala、Eiffel、Smalltalk、Erlang、Ruby、Flash®、Visual Basic®、Lua、MATLAB、SIMULINK和Python®的语言编写源代码。

Claims (10)

1.一种用于车辆的行程能量估计系统，所述行程能量估计系统包括：
交通速度模块，其被构造成确定沿着规划路线的平均交通速度；
路径信息模块，其被构造成输出指示沿着所述规划路线的路线特征的路径信息；
感知速度模块，其被构造成基于所述平均交通速度和所述路径信息来输出沿着所述规划路线的感知车辆速度；以及
动态驾驶模块，其被构造成基于所述感知车辆速度和反馈输入来计算并输出预测的驾驶员速度，所述反馈输入指示所述预测的驾驶员速度，其中，所述动态驾驶模块被构造成执行机器学习算法以计算所述预测的驾驶员速度。
2.根据权利要求1所述的行程能量估计系统，其中，所述行程能量估计系统被构造成基于所述预测的驾驶员速度来计算与所述规划路线相关联的总行程能量。
3.根据权利要求2所述的行程能量估计系统，其中，所述总行程能量是根据来计算的，其中，E trip 是所述总行程能量，M是车辆质量，f 0 是滚动阻力系数，f 1 是道路摩擦力，f 2 是空气阻力，v是由所述动态驾驶模块计算的所述预测的驾驶员速度，a是沿着所述路线的平均加速度和由所述预测的驾驶员速度计算的加速度中的一者，g是重力，并且θ是所述道路的坡度。
4.根据权利要求1所述的行程能量估计系统，其中，所述机器学习算法对应于动态函数。
5.根据权利要求1所述的行程能量估计系统，其中，所述机器学习算法对应于带外部输入的非线性自回归网络（NARX）的网络。
6.根据权利要求1所述的行程能量估计系统，其中，所述机器学习算法对应于基于车辆速度历史的层递归神经网络。
7.根据权利要求1所述的行程能量估计系统，其中，所述动态驾驶模块被构造成根据NNT(V(t-1),V(t-2),x(t),x(t-1),x(t-2))来计算作为神经网络NNT的函数的所述预测的驾驶员速度，其中，V是车辆速度，t是采样时间，并且x对应于一个或多个其他变量输入。
8.根据权利要求1所述的行程能量估计系统，其中，所述动态驾驶模块被构造成进一步基于沿着所述规划路线的坡度信息和转弯信息中的至少一者来计算所述预测的驾驶员速度。
9.一种车辆，其包括根据权利要求1所述的行程能量估计系统。
10.一种方法，包括：
确定沿着规划路线的平均交通速度；
生成指示沿着所述规划路线的路线特征的路径信息；
基于所述平均交通速度和所述路径信息来计算沿着所述规划路线的感知车辆速度；
使用机器学习算法基于所述感知车辆速度和反馈输入来计算并输出预测的驾驶员速度，所述反馈输入指示所述预测的驾驶员速度。
CN202211287145.5A 2022-03-22 2022-10-20 用于ev行程能量预测的结合交通信息的nnt驾驶员模型 Pending CN116861758A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/700996 2022-03-22
US17/700,996 US20230304810A1 (en) 2022-03-22 2022-03-22 Traffic-info-incorporated nnt driver model for ev trip energy prediction

Publications (1)

Publication Number Publication Date
CN116861758A true CN116861758A (zh) 2023-10-10

Family

ID=87930565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211287145.5A Pending CN116861758A (zh) 2022-03-22 2022-10-20 用于ev行程能量预测的结合交通信息的nnt驾驶员模型

Country Status (3)

Country Link
US (1) US20230304810A1 (zh)
CN (1) CN116861758A (zh)
DE (1) DE102022126849A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240075939A1 (en) * 2022-09-02 2024-03-07 Caret Holdings, Inc. Inferring Operator Characteristics from Device Motion Data

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4331905B2 (ja) * 2001-09-28 2009-09-16 パイオニア株式会社 ハイブリッドカー、及びハイブリッドカーの制御方法
US10949864B2 (en) * 2010-01-08 2021-03-16 Orlando McMaster Smart vehicle navigation and tracking system
US9121719B2 (en) * 2013-03-15 2015-09-01 Abalta Technologies, Inc. Vehicle range projection
EP2887018B1 (en) * 2013-12-18 2018-02-07 Harman Becker Automotive Systems GmbH Method and system for providing fueling cost information in a vehicle
US20150356635A1 (en) * 2014-05-23 2015-12-10 Rochester Institute Of Technology Method for optimizing asset value based on driver acceleration and braking behavior
US9759573B2 (en) * 2014-08-29 2017-09-12 Ford Global Technologies, Llc Route based energy consumption estimation using physical models
FR3070658B1 (fr) * 2017-09-06 2019-08-30 IFP Energies Nouvelles Procede de determination d'une vitesse a atteindre pour un premier vehicule precede par un deuxieme vehicule, en particulier pour un vehicule autonome
US10814881B2 (en) * 2018-10-16 2020-10-27 Toyota Motor Engineering & Manufacturing North America, Inc. Vehicle velocity predictor using neural networks based on V2X data augmentation to enable predictive optimal control of connected and automated vehicles
CN115485681A (zh) * 2020-03-18 2022-12-16 伊莱克特拉车辆股份有限公司 用于管理速度配置文件的系统和方法

Also Published As

Publication number Publication date
US20230304810A1 (en) 2023-09-28
DE102022126849A1 (de) 2023-09-28

Similar Documents

Publication Publication Date Title
US11307043B2 (en) Vehicle energy management
CN106767874B (zh) 用于通过在车辆导航系统中的群体感知的燃料消耗预测和成本估计的方法及装置
CN110686689B (zh) 车辆能量使用跟踪
US11814032B2 (en) Electrified vehicle control with dynamic segment-based distance-to-empty (DTE)
JP5860831B2 (ja) 走行支援システム、走行支援方法及びコンピュータプログラム
KR101769723B1 (ko) 이동 지원 장치, 이동 지원 방법, 및 구동 지원 시스템
US11529887B2 (en) System and method for controlling a battery management system
US20170043790A1 (en) Movement assistance apparatus, movement assistance method, and driving assistance system based on the display of the driving modes according the different sections of the travel in the range allowed by the state of charge of the battery
US11900471B1 (en) System for monitoring and using data indicative of driver characteristics based on sensors
CN115083186A (zh) 实时动态交通速度控制
US20230150395A1 (en) Parameterization of an electric vehicle's energy consumption
JP7298698B2 (ja) 電池管理装置、学習モデル、コンピュータプログラム、電池管理方法、及び情報提供装置
CN114103671A (zh) 电动车辆的充电系统和方法
JP5931145B2 (ja) 車両用エネルギーマネジメント装置
CN116861758A (zh) 用于ev行程能量预测的结合交通信息的nnt驾驶员模型
Boehme et al. Application of an optimal control problem to a trip-based energy management for electric vehicles
US20240078911A1 (en) Vehicle convoy formation
US11906315B2 (en) Electric vehicle trip energy prediction based on baseline and dynamic driver models
US12117303B2 (en) Route planning based on battery state of health
US20240227565A1 (en) Vehicle Data Managing Server, Platform Managing Server and Service Server, and Service Providing System Associated With Autonomous Driving Platform
EP4368443A1 (en) Method and apparatus for optimal timed charging
US20240262242A1 (en) Range estimation for battery electric vehicles
US20240149731A1 (en) Method and apparatus for optimal charging at charging station having a cooling system
US20240233455A1 (en) Vehicle Data Managing Server, Platform Managing Server and Service Server, and Service Providing System Associated with Autonomous Driving Platform
Wang et al. Data-Driven Framework for Fuel Efficiency Improvement in Extended Range Electric Vehicle Used in Package Delivery Applications

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