CN117325877A - 一种车辆胎压预测方法、装置、设备和存储介质 - Google Patents
一种车辆胎压预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117325877A CN117325877A CN202311308436.2A CN202311308436A CN117325877A CN 117325877 A CN117325877 A CN 117325877A CN 202311308436 A CN202311308436 A CN 202311308436A CN 117325877 A CN117325877 A CN 117325877A
- Authority
- CN
- China
- Prior art keywords
- tire pressure
- target
- vehicle
- pressure prediction
- data
- 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 47
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000002787 reinforcement Effects 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims description 26
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
-
- 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
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/28—Wheel speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
- B60W2530/20—Tyre data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明实施例公开了一种车辆胎压预测方法、装置、设备和存储介质，其中，方法包括：获取目标车辆的目标行驶属性数据；其中，所述目标行驶属性数据包括：车辆轮速、车辆偏航角、车辆轮速和轮胎温度中的至少一种；将所述目标行驶属性数据输入至经过预先训练的目标胎压预测模型中，得到所述目标行驶属性数据对应的目标胎压预测数据；其中，所述目标胎压预测模型是基于强化学习训练得到的模型。本发明实施例的技术方案解决了现有胎压预测技术中，所分析的车辆属性信号较为片面，出现车辆胎压预测准确性不足的问题，可以拓展进行胎压预测对应的车辆属性信号，从多角度分析来对车辆胎压进行预测，提高车辆胎压预测准确性。
Description
技术领域
本发明实施例涉及汽车技术领域，尤其涉及一种车辆胎压预测方法、装置、设备和存储介质。
背景技术
胎压监测系统的主要目的是提高车辆的安全性能。它可以帮助驾驶员及时发现和处理胎压异常，减少胎炸和事故的风险。此外，它还可以提高燃油效率，因为正确的胎压有助于减少滚动阻力。
现有胎压监控系统有采用已有的轮速、电机转速等信息进行胎压估算的间接监控方法，但是该方法所分析的车辆属性信号较为片面，容易出现车辆胎压预测准确性不足的问题。
发明内容
本发明实施例提供了一种车辆胎压预测方法、装置、设备和存储介质，可以拓展进行胎压预测对应的车辆属性信号，从多角度分析来对车辆胎压进行预测，提高车辆胎压预测准确性。
第一方面，本发明实施例提供了一种车辆胎压预测方法，该方法包括：
获取目标车辆的目标行驶属性数据；其中，所述目标行驶属性数据包括：车辆轮速、车辆偏航角、车辆轮速和轮胎温度中的至少一种；
将所述目标行驶属性数据输入至经过预先训练的目标胎压预测模型中，得到所述目标行驶属性数据对应的目标胎压预测数据；其中，所述目标胎压预测模型是基于强化学习训练得到的模型。
第二方面，本发明实施例提供了一种车辆胎压预测装置，该装置包括：
行驶属性数据获取模块，用于获取目标车辆的目标行驶属性数据；其中，所述目标行驶属性数据包括：车辆轮速、车辆偏航角、车辆轮速和轮胎温度中的至少一种；
车辆胎压预测模块，用于将所述目标行驶属性数据输入至经过预先训练的目标胎压预测模型中，得到所述目标行驶属性数据对应的目标胎压预测数据；其中，所述目标胎压预测模型是基于强化学习训练得到的模型。
第三方面，本发明实施例提供了一种计算机设备，该计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的车辆胎压预测方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的车辆胎压预测方法。
本发明实施例所提供的技术方案，通过获取目标车辆的目标行驶属性数据；其中，所述目标行驶属性数据包括：车辆轮速、车辆偏航角、车辆轮速和轮胎温度中的至少一种；将所述目标行驶属性数据输入至经过预先训练的目标胎压预测模型中，得到所述目标行驶属性数据对应的目标胎压预测数据；其中，所述目标胎压预测模型是基于强化学习训练得到的模型。本发明实施例的技术方案解决了现有胎压预测技术中，所分析的车辆属性信号较为片面，出现车辆胎压预测准确性不足的问题，可以拓展进行胎压预测对应的车辆属性信号，从多角度分析来对车辆胎压进行预测，提高车辆胎压预测准确性。
附图说明
图1是本发明实施例提供的一种车辆胎压预测方法流程图；
图2是本发明实施例提供的一种基于强化学习的胎压监测方法流程图；
图3是本发明实施例提供的一种实车环境模型决策方法流程图；
图4是本发明实施例提供的又一种车辆胎压预测方法流程图；
图5是本发明实施例提供的一种基于强化学习的胎压监测方法流程图；
图6是本发明实施例提供的一种车辆胎压预测装置的结构示意图；
图7是本发明实施例提供的又一种车辆胎压预测装置的结构示意图；
图8是本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种车辆胎压预测方法流程图，本发明实施例可适用于对车辆的胎压进行预测的场景中，该方法可以由车辆胎压预测装置执行，该装置可以由软件和/或硬件的方式来实现。
如图1所示，车辆胎压预测方法包括以下步骤：
S110、获取目标车辆的目标行驶属性数据。
其中，目标车辆可以是需要对其车辆轮胎的胎压进行预测的车辆。目标行驶属性数据可以是需要对其对应的车辆胎压进行预测的车辆行驶属性数据。具体的，目标行驶属性数据包括：车辆轮速、车辆偏航角、车辆轮速和轮胎温度中的至少一种。目标行驶属性数据可以基于目标车辆的传感器检测获得。进一步的，为了实现对目标车辆的胎压实时监测，可以将目标车辆的当前行驶属性数据作为目标行驶属性数据，实现对目标车辆的胎压实时监测。
在一种可选的实施方式中，可以获取目标车辆的初始行驶属性数据；对初始行驶属性数据进行预处理，得到目标行驶属性数据。
其中，初始行驶属性数据可以是经过传感器直接获得的原始行驶属性数据。在初始行驶属性数据可以存在部分异常数据，因此，可以对初始行驶属性数据进行预处理，以对初始行驶属性数据中的非正常数据进行处理。具体的，预处理的方式包括去除异常值、标准化数据等数据处理方式。
S120、将所述目标行驶属性数据输入至经过预先训练的目标胎压预测模型中，得到所述目标行驶属性数据对应的目标胎压预测数据。
其中，可以是目标胎压预测模型可以是用于对目标车辆的胎压进行预测的模型。其中，目标胎压预测模型是基于强化学习训练得到的模型。目标胎压预测模型的训练过程包括：获取目标车辆的预设样本行驶属性数据和对应的胎压检测数据；将预设样本行驶属性数据输入至初始胎压预测模型中，得到相应的样本胎压预测数据；根据样本胎压预测数据和胎压检测数据之间的差值，对初始胎压预测模型进行优化，得到目标胎压预测模型。
其中，预设样本属性数据可以是与目标车辆行驶相关的样本属性数据。具体的，预设样本属性数据包括：车辆轮速、车辆偏航角、车辆轮速和轮胎温度。胎压检测数据可以是预设样本属性数据对应的胎压数据。具体的，可以用预设胎压检测传感器检测目标车辆在预设样本行驶数据对应场景下的胎压数据，进而获得胎压检测数据。初始胎压预测模型可以是没有经过预先训练原始的胎压预测模型。具体的，可以选用深度神经网络作为初始胎压预测模型。样本胎压预测数据可以是基于预设样本行驶数据预测得到的胎压数据。
进一步的，根据样本胎压预测数据和胎压检测数据之间的差值，基于强化学习的方式对初始胎压预测模型进行优化，得到目标胎压预测模型。具体的，可以基于样本胎压预测数据和胎压检测数据之间的差值计算相应的奖励值，再根据奖励值对初始胎压预测模型进行优化，得到目标胎压预测模型。
在一种可选的实施方式中，可以将目标胎压预测数据与至少一个预设胎压阈值进行对比，并根据对比结果确定车辆胎压状态；在车辆胎压状态为异常状态的情况下，生成相应的胎压异常预警信息。
其中，预设胎压阈值可以是预设的胎压参考阈值。处于车辆安全的考虑，需要车辆轮胎胎压处于一定的数值区间内。因此，可以设置一个预设高胎压阈值和一个预设低胎压阈值。进一步的，可以将目标胎压预测数据中的胎压数值与两个胎压阈值进行对比，并根据对比结果确定目标车辆的轮胎胎压是否正常。示例性的，在目标胎压预测数据中的胎压数值大于预设低胎压阈值，且小于预设高胎压阈值的情况下，可以确定目标车辆的轮胎胎压正常；在目标胎压预测数据中的胎压数值小于预设低胎压阈值，或大于预设高胎压阈值的情况下，可以确定目标车辆的轮胎胎压异常。
进一步的，胎压异常预警信息可以是车辆胎压异常时的预警信息。具体的，胎压异常预警信息可以弹窗的方式，向具体的胎压异常信息在车辆中控显示屏中进行显示。
可选的，目标车辆在接收到胎压异常预警信息，可以作出相应的调整，以保持车辆胎压稳定在正常的数值范围内。
示例性的，图2是本发明实施例提供的一种基于强化学习的胎压监测方法流程图。其中，状态St主要为轮速、胎压和偏航角；动作αt主要为增压、减压或者保压控制信号。
示例性的，图3是本发明实施例提供的一种实车环境模型决策方法流程图。如图3所示，可以通过观测数据(轮速、胎压和偏航角)和四轮压力数据(增压、减压或者保压控制信号)建立实车环境模型，可以通过轮速、胎压、偏航角、温度、方向盘转角等数据，确定相应的胎压控制信号，进而实现对轮速、胎压和偏航角等数据的调整。在对胎压预测模型的训练过程中，可以通过设置奖励函数指导策略向着预期的方向学习，该奖励函数根据当前胎压、轮速及偏航角和目标胎压、轮速及偏航角之间的差异来计算奖励值，差异越小，奖励值越高。
本发明实施例所提供的胎压预测方法，区别于直接式胎压监测选用的多个传感器，大大降低了成本费用，强化学习可以自动地学习和优化胎压的调整策略，而无需手动干预；这可以提高预测的准确性，并确保胎压在安全范围内；强化学习模型还可以根据不同的驾驶条件和路况自动调整胎压设置，这有助于确保车辆在各种环境下都能保持最佳性能；强化学习模型还可以实时监测胎压并做出即时调整，以应对突发状况，如胎压下降或异常情况，通过实时监测和调整胎压，可以延长轮胎的寿命，减少轮胎磨损，从而节省车主的成本，正确的胎压可以提高车辆的稳定性和操控性，从而增强驾驶安全性。
本发明实施例所提供的技术方案，通过获取目标车辆的目标行驶属性数据；其中，目标行驶属性数据包括：车辆轮速、车辆偏航角、车辆轮速和轮胎温度中的至少一种；将目标行驶属性数据输入至经过预先训练的目标胎压预测模型中，得到目标行驶属性数据对应的目标胎压预测数据；其中，目标胎压预测模型是基于强化学习训练得到的模型。本发明实施例的技术方案解决了现有胎压预测技术中，所分析的车辆属性信号较为片面，出现车辆胎压预测准确性不足的问题，可以拓展进行胎压预测对应的车辆属性信号，从多角度分析来对车辆胎压进行预测，提高车辆胎压预测准确性。
图4是本发明实施例提供的又一种车辆胎压预测方法流程图，本发明实施例可适用于对车辆的胎压进行预测的场景中，本实施例在上述实施例的基础上，进一步的说明如何基于强化学习的方式对初始胎压预测模型训练，得到目标胎压预测模型，该装置可以由软件和/或硬件的方式来实现，集成于具有应用开发功能的计算机设备中。
如图4所示，车辆胎压预测方法包括以下步骤：
S210、获取目标车辆的预设样本行驶属性数据和对应的胎压检测数据。
其中，目标车辆可以是需要对其车辆轮胎的胎压进行预测的车辆。预设样本属性数据可以是与目标车辆行驶相关的样本属性数据。具体的，预设样本属性数据包括：车辆轮速、车辆偏航角、车辆轮速和轮胎温度。需要说明的是，本发明实施例的模型是基于强化学习的方式训练得到的模型，预设样本属性数据可以不需要人工进行批注，提高模型的训练效率。胎压检测数据可以是预设样本属性数据对应的胎压数据。具体的，可以用预设胎压检测传感器检测目标车辆在预设样本行驶数据对应场景下的胎压数据，进而获得胎压检测数据。预设样本属性数据和胎压检测数据可以作为后续胎压预测模型的训练样本。
S220、将所述预设样本行驶属性数据输入至初始胎压预测模型中，得到相应的样本胎压预测数据。
其中，初始胎压预测模型可以是没有经过预先训练原始的胎压预测模型。具体的，可以选用深度神经网络作为初始胎压预测模型。样本胎压预测数据可以是基于预设样本行驶数据预测得到的胎压数据。具体的，可以将预设样本形式数据输入至初始胎压预测模型中，基于初始胎压预测模型进行胎压预测，进而得到样本胎压预测数据。
S230、根据所述样本胎压预测数据和所述胎压检测数据确定胎压预测误差值。
其中，胎压预测误差值可以是样本胎压预测数据和胎压检测数据之间的差值。具体的，可以将胎压检测数据和样本胎压预测数据进行做差，并将做差得到的差值作为胎压预测误差值。通过胎压预测误差值可以反映，初始胎压预测模型预测得到的胎压数据与真实胎压数据之间的误差情况，便于后续基于胎压预测误差值对初始胎压预测模型进行优化。
S240、基于预设奖励函数计算所述胎压预测误差值的奖励值，得到模型奖励值。
其中，模型奖励值可以是初始胎压预测模型进行胎压预测时的奖励值。通过模型奖励值可以反映当前模型进行胎压预测的准确性。示例性的，当模型奖励值越高，表示该模型进行胎压预测时的准确性越高；当模型奖励值越低，表示该模型进行胎压预测时的准确性越低。
进一步的，预设奖励函数可以是预设的用于计算模型奖励值的一个函数。基于预设奖励函数可以计算模型预测的胎压数据对应的奖励值，得到当前状态下模型的模型奖励值。模型奖励值可以反应当前状态下的胎压预测模型的预测准确性，便于通过模型奖励值来对模型进行优化，以实现模型奖励值的最大化，也即实现模型预测准确率的最大化，完成胎压预测模型的训练过程。
预设奖励函数为：
其中，r表示奖励值，ω1表示车辆偏航角，θ2表示方向盘转角，t表示轮胎温度，p表示轮胎胎压，s表示轮胎速度。
S250、根据所述模型奖励值对所述初始胎压预测模型进行优化，得到目标胎压预测模型。
其中，目标胎压预测模型可以是训练完成得到的胎压预测模型。具体的，可以用强化学习的方式，根据模型奖励值对初始胎压预测模型进行优化，得到目标胎压预测模型。示例性的，可以基于deep Q-network算法对初始胎压预测模型进行训练，得到目标胎压预测模型。
其中，基于强化学习的方式进行胎压预测模型的训练，一方面可以省去对样本数据的标注标签的步骤，提高模型训练效率，另一方面可以根据历史数据不断学习和适应，以适应车辆的磨损、气温和路况等变化，强化学习使用实际数据来制定决策，而不是基于静态规则或经验法则，这意味着可以更好地适应不同车辆和驾驶风格。
S260、获取目标车辆的目标行驶属性数据。
其中，目标行驶属性数据可以是需要对其对应的车辆胎压进行预测的车辆行驶属性数据。具体的，目标行驶属性数据包括：车辆轮速、车辆偏航角、车辆轮速和轮胎温度。目标行驶属性数据可以基于目标车辆的传感器检测获得。进一步的，为了实现对目标车辆的胎压实时监测，可以将目标车辆的当前行驶属性数据作为目标行驶属性数据，实现对目标车辆的胎压实时监测。
S270、将所述目标行驶属性数据输入至经过预先训练的目标胎压预测模型中，得到所述目标行驶属性数据对应的目标胎压预测数据。
其中，目标胎压监测数据可以是目标行驶属性数据对应的胎压数据。具体的，可以将目标行驶属性数据输入至经过预先训练的目标胎压预测模型中，得到目标行驶属性数据对应的目标胎压预测数据。
示例性的，图5是本发明实施例提供的一种基于强化学习的胎压监测方法流程图。如图5所示，基于强化学习的胎压监测方法流程为：首先通过传感器收集大量的车辆行驶数据并对数据进行预处理，去除异常值、标准化数据等；随后提取数据中有用的特征，包括胎压、轮速、偏航角等数据，然后选择适当的强化学习模型，并使用上述样本数据进行模型训练；将训练好的模型部署到胎压监测系统中，可以选择嵌入式系统或云端；模型部署后，可以实时监测车辆的胎压状态，并在异常时出发警报。
本发明实施例所提供的技术方案，通过获取目标车辆的预设样本行驶属性数据和对应的胎压检测数据；将预设样本行驶属性数据输入至初始胎压预测模型中，得到相应的样本胎压预测数据；根据样本胎压预测数据和胎压检测数据确定胎压预测误差值；基于预设奖励函数计算胎压预测误差值的奖励值，得到模型奖励值；根据模型奖励值对初始胎压预测模型进行优化，得到目标胎压预测模型；获取目标车辆的目标行驶属性数据；将目标行驶属性数据输入至经过预先训练的目标胎压预测模型中，得到目标行驶属性数据对应的目标胎压预测数据。本发明实施例的技术方案解决了现有胎压预测技术中，所分析的车辆属性信号较为片面，出现车辆胎压预测准确性不足的问题，可以拓展进行胎压预测对应的车辆属性信号，从多角度分析来对车辆胎压进行预测，提高车辆胎压预测准确性。
图6是本发明实施例提供的一种车辆胎压预测装置的结构示意图，本发明实施例可适用于对车辆的胎压进行预测的场景中，该装置可以由软件和/或硬件的方式来实现，集成于具有应用开发功能的计算机设备中。
如图6所示，车辆胎压预测装置包括：行驶属性数据获取模块410和车辆胎压预测模块420。
其中，行驶属性数据获取模块410，用于获取目标车辆的目标行驶属性数据；其中，所述目标行驶属性数据包括：车辆轮速、车辆偏航角、车辆轮速和轮胎温度中的至少一种；车辆胎压预测模块420，用于将所述目标行驶属性数据输入至经过预先训练的目标胎压预测模型中，得到所述目标行驶属性数据对应的目标胎压预测数据；其中，所述目标胎压预测模型是基于强化学习训练得到的模型。
本发明实施例所提供的技术方案，通过获取目标车辆的目标行驶属性数据；其中，所述目标行驶属性数据包括：车辆轮速、车辆偏航角、车辆轮速和轮胎温度中的至少一种；将所述目标行驶属性数据输入至经过预先训练的目标胎压预测模型中，得到所述目标行驶属性数据对应的目标胎压预测数据；其中，所述目标胎压预测模型是基于强化学习训练得到的模型。本发明实施例的技术方案解决了现有胎压预测技术中，所分析的车辆属性信号较为片面，出现车辆胎压预测准确性不足的问题，可以拓展进行胎压预测对应的车辆属性信号，从多角度分析来对车辆胎压进行预测，提高车辆胎压预测准确性。
在一种可选的实施方式中，所述行驶属性数据获取模块410具体用于：获取所述目标车辆的初始行驶属性数据；对所述初始行驶属性数据进行预处理，得到所述目标行驶属性数据。
在一种可选的实施方式中，所述车辆胎压预测装置还包括：胎压预测模型训练模块，用于：获取所述目标车辆的预设样本行驶属性数据和对应的胎压检测数据将所述预设样本行驶属性数据输入至初始胎压预测模型中，得到相应的样本胎压预测数据；根据所述样本胎压预测数据和所述胎压检测数据之间的差值，对所述初始胎压预测模型进行优化，得到所述目标胎压预测模型。
在一种可选的实施方式中，所述胎压预测模型训练模块包括：胎压预测模型优化单元，用于：根据所述样本胎压预测数据和所述胎压检测数据确定胎压预测误差值；基于预设奖励函数计算所述胎压预测误差值的奖励值，得到模型奖励值；根据所述模型奖励值对所述初始胎压预测模型进行优化，得到所述目标胎压预测模型。
在一种可选的实施方式中，所述预设奖励函数为：
其中，r表示奖励值，ω1表示车辆偏航角，θ2表示方向盘转角，t表示轮胎温度，p表示轮胎胎压，s表示轮胎速度。
在一种可选的实施方式中，所述胎压预测模型训练模块还包括：胎压预测模型训练单元，用于：基于deep Q-network算法对所述初始胎压预测模型进行训练，得到所述目标胎压预测模型。
图7是本发明实施例提供的又一种车辆胎压预测装置的结构示意图。如图7所示，车辆胎压预测装置包括数据预处理模块、强化学习模块、数据分析模块、实时监测模块和部署集成模块。其中，数据预处理模块用于通过传感器收集大量的车辆行驶数据并对数据进行预处理，去除异常值、标准化数据等；强化学习模块用于提取数据中有用的特征，包括胎压、轮速、偏航角等数据，强化学习模块用于选择适当的强化学习模型，并使用上述样本数据进行模型训练；部署集成模块用于将训练好的模型部署到胎压监测系统中；实时监测模块用于实时监测车辆的胎压状态，并在异常时出发警报。
本发明实施例所提供的车辆胎压预测装置可执行本发明任意实施例所提供的车辆胎压预测方法，具备执行方法相应的功能模块和有益效果。
图8为本发明实施例提供的一种计算机设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图8显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。计算机设备12可以是任意具有计算能力的终端设备，可以配置于车辆胎压预测设备中。
如图8所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18可以是几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图8所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图8中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发实施例所提供的车辆胎压预测方法，该方法包括：
获取目标车辆的目标行驶属性数据；其中，所述目标行驶属性数据包括：车辆轮速、车辆偏航角、车辆轮速和轮胎温度中的至少一种；
将所述目标行驶属性数据输入至经过预先训练的目标胎压预测模型中，得到所述目标行驶属性数据对应的目标胎压预测数据；其中，所述目标胎压预测模型是基于强化学习训练得到的模型。
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的车辆胎压预测方法，包括：
获取目标车辆的目标行驶属性数据；其中，所述目标行驶属性数据包括：车辆轮速、车辆偏航角、车辆轮速和轮胎温度中的至少一种；
将所述目标行驶属性数据输入至经过预先训练的目标胎压预测模型中，得到所述目标行驶属性数据对应的目标胎压预测数据；其中，所述目标胎压预测模型是基于强化学习训练得到的模型。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种车辆胎压预测方法，其特征在于，包括：
获取目标车辆的目标行驶属性数据；其中，所述目标行驶属性数据包括：车辆轮速、车辆偏航角、车辆轮速和轮胎温度中的至少一种；
将所述目标行驶属性数据输入至经过预先训练的目标胎压预测模型中，得到所述目标行驶属性数据对应的目标胎压预测数据；其中，所述目标胎压预测模型是基于强化学习训练得到的模型。
2.根据权利要求1所述的方法，其特征在于，所述目标胎压预测模型的训练过程包括：
获取目标车辆的预设目标行驶属性数据和对应的胎压检测数据；
将所述预设目标行驶属性数据输入至初始胎压预测模型中，得到相应的样本胎压预测数据；
根据所述样本胎压预测数据和所述胎压检测数据之间的差值，对所述初始胎压预测模型进行优化，得到所述目标胎压预测模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述样本胎压预测数据和所述胎压检测数据的差异值，对所述初始胎压预测模型进行优化，得到所述目标胎压预测模型，包括：
根据所述样本胎压预测数据和所述胎压检测数据确定胎压预测误差值；
基于预设奖励函数计算所述胎压预测误差值的奖励值，得到模型奖励值；
根据所述模型奖励值对所述初始胎压预测模型进行优化，得到所述目标胎压预测模型。
4.根据权利要求3所述的方法，其特征在于，所述预设奖励函数为：
其中，r表示奖励值，ω1表示车辆偏航角，θ2表示方向盘转角，t表示轮胎温度，p表示轮胎胎压，s表示轮胎速度。
5.根据权利要求1所述的方法，其特征在于，所述获取目标车辆的目标行驶属性数据，包括：
获取所述目标车辆的初始行驶属性数据；
对所述初始行驶属性数据进行预处理，得到所述目标行驶属性数据。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于deep Q-network算法对所述初始胎压预测模型进行训练，得到所述目标胎压预测模型。
7.根据权利要求2所述的方法，其特征在于，所述方法还包括：
将所述目标胎压预测数据与至少一个预设胎压阈值进行对比，并根据对比结果确定车辆胎压状态；
在所述车辆胎压状态为异常状态的情况下，生成相应的胎压异常预警信息。
8.一种车辆胎压预测装置，其特征在于，所述装置包括：
行驶属性数据获取模块，用于获取目标车辆的目标行驶属性数据；其中，所述目标行驶属性数据包括：车辆轮速、车辆偏航角、车辆轮速和轮胎温度中的至少一种；
车辆胎压预测模块，用于将所述目标行驶属性数据输入至经过预先训练的目标胎压预测模型中，得到所述目标行驶属性数据对应的目标胎压预测数据；其中，所述目标胎压预测模型是基于强化学习训练得到的模型。
9.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的车辆胎压预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的车辆胎压预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311308436.2A CN117325877A (zh) | 2023-10-10 | 2023-10-10 | 一种车辆胎压预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311308436.2A CN117325877A (zh) | 2023-10-10 | 2023-10-10 | 一种车辆胎压预测方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117325877A true CN117325877A (zh) | 2024-01-02 |
Family
ID=89276862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311308436.2A Pending CN117325877A (zh) | 2023-10-10 | 2023-10-10 | 一种车辆胎压预测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117325877A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110060500A1 (en) * | 2007-12-10 | 2011-03-10 | Continental Teves Ag &Co. Ohg | Method for indirectly monitoring tire pressure and tire pressure monitoring system |
| CN103419577A (zh) * | 2013-08-20 | 2013-12-04 | 深圳市道通科技有限公司 | 一种可升级通用型胎压感测装置、系统及系统实现方法 |
| CN107379898A (zh) * | 2017-07-07 | 2017-11-24 | 淮阴工学院 | 一种汽车轮胎安全智能检测系统 |
| CN107878450A (zh) * | 2017-10-20 | 2018-04-06 | 江苏大学 | 一种基于深度学习的车况智能监测方法 |
| WO2018137920A1 (en) * | 2017-01-26 | 2018-08-02 | Jaguar Land Rover Limited | A system and method for monitoring and detecting tyre wear |
| US20200409359A1 (en) * | 2019-06-27 | 2020-12-31 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for safety-aware training of ai-based control systems |
| CN114872498A (zh) * | 2022-05-17 | 2022-08-09 | 联合汽车电子有限公司 | 胎压预测模型的建立方法、轮胎漏气的监测系统及方法 |
| KR20220124018A (ko) * | 2021-03-02 | 2022-09-13 | 현대모비스 주식회사 | 타이어 상태 추정 방법 및 장치 |
| CN115214272A (zh) * | 2022-08-12 | 2022-10-21 | 中国第一汽车股份有限公司 | 胎压监测方法、装置、车辆及存储介质 |
| CN115891520A (zh) * | 2022-12-02 | 2023-04-04 | 清华大学 | 间接式轮胎压力监测方法、装置、车辆及存储介质 |
-
2023
- 2023-10-10 CN CN202311308436.2A patent/CN117325877A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110060500A1 (en) * | 2007-12-10 | 2011-03-10 | Continental Teves Ag &Co. Ohg | Method for indirectly monitoring tire pressure and tire pressure monitoring system |
| CN103419577A (zh) * | 2013-08-20 | 2013-12-04 | 深圳市道通科技有限公司 | 一种可升级通用型胎压感测装置、系统及系统实现方法 |
| WO2018137920A1 (en) * | 2017-01-26 | 2018-08-02 | Jaguar Land Rover Limited | A system and method for monitoring and detecting tyre wear |
| CN107379898A (zh) * | 2017-07-07 | 2017-11-24 | 淮阴工学院 | 一种汽车轮胎安全智能检测系统 |
| CN107878450A (zh) * | 2017-10-20 | 2018-04-06 | 江苏大学 | 一种基于深度学习的车况智能监测方法 |
| US20200409359A1 (en) * | 2019-06-27 | 2020-12-31 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for safety-aware training of ai-based control systems |
| KR20220124018A (ko) * | 2021-03-02 | 2022-09-13 | 현대모비스 주식회사 | 타이어 상태 추정 방법 및 장치 |
| CN114872498A (zh) * | 2022-05-17 | 2022-08-09 | 联合汽车电子有限公司 | 胎压预测模型的建立方法、轮胎漏气的监测系统及方法 |
| CN115214272A (zh) * | 2022-08-12 | 2022-10-21 | 中国第一汽车股份有限公司 | 胎压监测方法、装置、车辆及存储介质 |
| CN115891520A (zh) * | 2022-12-02 | 2023-04-04 | 清华大学 | 间接式轮胎压力监测方法、装置、车辆及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108773373B (zh) | 用于操作自动驾驶车辆的方法和装置 | |
| CN111311914B (zh) | 车辆行驶事故监控方法、装置和车辆 | |
| US10471967B2 (en) | Optimization of a vehicle to compensate for water contamination of a fluid of a vehicle component | |
| EP3570214B1 (en) | Automobile image processing method and apparatus, and readable storage medium | |
| CN109927675B (zh) | 一种雨刷控制方法、装置、设备及存储介质 | |
| US11887409B2 (en) | Device health code broadcasting on mixed vehicle communication networks | |
| CN118282780B (zh) | 一种新能源汽车车载网络入侵检测方法、设备及存储介质 | |
| CN116108717A (zh) | 一种基于数字孪生的交通运输设备运行预测方法及装置 | |
| CN113723338A (zh) | 传感器异常检测方法、装置及计算机可读存储介质 | |
| CN114021080A (zh) | 轨迹预测模型训练以及轨迹预测方法、装置、设备及介质 | |
| CN114973212A (zh) | 一种基于视觉特征、方向盘操作检测并主动干预的制止疲劳驾驶方法 | |
| CN113085882B (zh) | 一种故障处理方法、装置、电子设备和存储介质 | |
| CN117850431A (zh) | 一种基于深度学习的远程驾驶自动控制方法、系统及介质 | |
| CN110450788B (zh) | 一种驾驶模式切换方法、装置、设备及存储介质 | |
| CN117325877A (zh) | 一种车辆胎压预测方法、装置、设备和存储介质 | |
| CN112319550A (zh) | 一种基于列车初上电的故障诊断方法、系统、装置及列车 | |
| CN116461507A (zh) | 一种车辆驾驶决策方法、装置、设备和存储介质 | |
| CN110866996A (zh) | 一种发动机起停频次控制方法、系统、车辆和存储介质 | |
| CN111027859A (zh) | 基于机动车状态监控数据挖掘的驾驶风险防范方法及系统 | |
| US12024100B2 (en) | Device-level fault detection | |
| US20220237961A1 (en) | Systems and methods for detecting software interactions for autonomous vehicles within changing environmental conditions | |
| CN113534222B (zh) | 用于车辆定位的方法、用于车辆定位的设备和车辆 | |
| EP3654246B1 (en) | Method, vehicle, system, and storage medium for indicating anomalous vehicle scenario using encoder network and replay buffer | |
| US12073668B1 (en) | Machine-learned models for electric vehicle component health monitoring | |
| KR20240122950A (ko) | 주행 차량에서 발생하는 데이터 처리 및 획득 데이터 기반 차량 데이터 예측 방법 및 그 장치 |
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 |