CN117828540A - 驾驶员评分平台 - Google Patents
驾驶员评分平台 Download PDFInfo
- Publication number
- CN117828540A CN117828540A CN202310915471.4A CN202310915471A CN117828540A CN 117828540 A CN117828540 A CN 117828540A CN 202310915471 A CN202310915471 A CN 202310915471A CN 117828540 A CN117828540 A CN 117828540A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- wear
- driver
- driving
- correlation
- 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 claims abstract description 71
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 70
- 238000012546 transfer Methods 0.000 claims description 31
- 230000006399 behavior Effects 0.000 claims description 22
- 238000007405 data analysis Methods 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 description 76
- 238000005259 measurement Methods 0.000 description 51
- 238000004891 communication Methods 0.000 description 21
- 239000011159 matrix material Substances 0.000 description 19
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000008439 repair process Effects 0.000 description 8
- 230000036541 health Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 230000006855 networking Effects 0.000 description 7
- 230000002123 temporal effect Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002730 additional effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000001360 synchronised effect Effects 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
- B60W40/08—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 drivers or passengers
- B60W40/09—Driving style or behaviour
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- 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
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/26—Discovering frequent patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/10—Accelerator pedal position
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/12—Brake pedal position
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/18—Steering angle
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种用于将驾驶行为与车辆的磨损相关的方法,该方法可包括识别该车辆的驾驶员以及接收由内置于该车辆上特定位置中的多个传感器生成的信号。该方法可包括:确定与该驾驶员相关联的驾驶模式,评估由于一种或多种磨损机制而导致的该车辆的磨损,识别该驾驶模式与所评估的该车辆的磨损之间的相关性,以及传输与该驾驶模式和所评估的该车辆的磨损之间的相关性相关联的信息。
Description
引言
随着时间推移,车辆部件可能会因振动或摩擦等磨损机制而退化或磨损。不同的车辆操作员可能会对车辆造成不同程度的磨损(例如,基于不同的驾驶风格等)。
发明内容
本公开的实施方案涉及用于评估车辆操作员并生成建议以减轻车辆的磨损的车辆控制系统、方法和计算机可读介质。本公开的系统和方法可以监测车辆的磨损并且将该磨损与操作员的驾驶模式相关以生成调整操作员行为的建议,从而减少车辆磨损、车辆停机时间和维护成本。
本公开的一个具体实施是一种用于将驾驶行为与车辆的磨损相关的方法。在一些实施方案中,该方法包括通过车辆的控制模块识别车辆的驾驶员,以及通过车辆的控制模块接收由内置于车辆特定位置中的多个传感器生成的信号。在一些实施方案中,这些传感器包括至少一个振动传感器。在一些实施方案中,该方法包括:通过车辆的控制模块基于这些信号确定与驾驶员相关联的驾驶模式;通过车辆的控制模块基于这些信号评估由于一种或多种磨损机制而导致的车辆的磨损;识别驾驶模式与评估的车辆的磨损之间的相关性,以及通过车辆的电信模块向车辆数据分析系统传输与驾驶模式和评估的车辆的磨损之间的相关性相关联的信息。
在一些实施方案中,这些信号包括以下各项中的至少一项:(i)描述车辆的制动器位置的制动器数据、(ii)描述车辆的加速器位置的加速器数据或(iii)描述车辆的转向角的转向数据。在一些实施方案中,确定驾驶模式包括生成描述驾驶员的驾驶特性的度量。在一些实施方案中,驾驶特性包括以下各项中的至少一项:(i)停车距离、(ii)跟车距离、(iii)车道中的位置、(iv)实际速度与阈值的比率、(v)车道变化的频率、(vi)快速加速的频率或(vii)快速减速的频率。在一些实施方案中,确定驾驶模式包括生成目标函数,该目标函数表示驾驶特性对评估的磨损的贡献并且包括度量。在一些实施方案中,识别驾驶模式与评估的磨损之间的相关性包括确定驾驶特性对评估的磨损的贡献。
在一些实施方案中,确定驾驶特性对评估的磨损的贡献包括确定与目标函数中的度量相关联的权重,该权重表示驾驶特性对评估的磨损的贡献。在一些实施方案中,传输与相关性相关联的信息包括基于贡献传输与驾驶特性相关联的报告。在一些实施方案中,评估车辆的磨损包括以下各项中的至少一者:(i)将被训练以预测部件磨损的机器学习(ML)模型应用于信号的至少第一部分,(ii)将传递函数应用于信号的至少第二部分,或者(iii)生成信号的至少第三部分的频域表示。
本公开的另一具体实施是一种用于将驾驶行为与车辆的磨损相关的车辆系统,该车辆系统包括内置于车辆特定位置中的多个传感器、显示器以及一个或多个计算设备。在一些实施方案中,该多个传感器包括至少一个振动传感器。在一些实施方案中,该一个或多个计算设备包括:包括指令的一个或多个非暂态计算机可读存储介质,以及耦接到该一个或多个存储介质的一个或多个处理器。在一些实施方案中,该一个或多个处理器被配置为执行指令以:识别车辆的驾驶员;接收由该多个传感器生成的信号;基于这些信号确定与驾驶员相关联的驾驶模式;基于这些信号评估由于一种或多种磨损机制而导致的车辆的磨损;识别驾驶模式与评估的车辆的磨损之间的相关性,以及向车辆数据分析系统传输与驾驶模式和评估的车辆的磨损之间的相关性相关联的信息。
在一些实施方案中,这些信号包括以下各项中的至少一项:(i)描述车辆的制动器位置的制动器数据、(ii)描述车辆的加速器位置的加速器数据或(iii)描述车辆的转向角的转向数据。在一些实施方案中,确定驾驶模式包括生成描述驾驶员的驾驶特性的度量。在一些实施方案中,驾驶特性包括以下各项中的至少一项:(i)停车距离、(ii)跟车距离、(iii)车道中的位置、(iv)速度、(v)车道变化的频率、(vi)快速加速的频率或(vii)快速减速的频率。在一些实施方案中,确定驾驶模式包括生成目标函数,该目标函数表示驾驶特性对评估的磨损的贡献并且包括度量。在一些实施方案中,识别驾驶模式与评估的磨损之间的相关性包括确定驾驶特性对评估的磨损的贡献。
在一些实施方案中,确定驾驶特性对评估的磨损的贡献包括确定与目标函数中的度量相关联的权重,该权重表示驾驶特性对评估的磨损的贡献。在一些实施方案中,传输与相关性相关联的信息包括基于贡献传输与驾驶特性相关联的报告。在一些实施方案中,评估车辆的磨损包括以下各项中的至少一者:(i)将被训练以预测部件磨损的机器学习(ML)模型应用于信号的至少第一部分,(ii)将传递函数应用于信号的至少第二部分,或者(iii)生成信号的至少第三部分的频域表示。
本公开的另一具体实施是包括指令的非暂态计算机可读介质。在一些实施方案中,当由一个或多个计算设备的一个或多个处理器执行时,这些指令使得该一个或多个处理器识别车辆的驾驶员,接收由内置于车辆上特定位置中的多个传感器生成的信号。在一些实施方案中,这些传感器包括至少一个振动传感器。在一些实施方案中,这些指令使得该一个或多个处理器:基于这些信号确定与驾驶员相关联的驾驶模式;基于这些信号评估由于一种或多种磨损机制而导致的车辆的磨损;识别驾驶模式与评估的车辆的磨损之间的相关性,以及向车辆数据分析系统传输与驾驶模式和评估的车辆的磨损之间的相关性相关联的信息。
在一些实施方案中,传输信息包括传输与驾驶员相关联的排名,该排名描述与其他驾驶员的驾驶特性相比的该驾驶员的驾驶特性。
本公开的另一具体实施是一种用于将驾驶行为与车辆的磨损相关的方法。在一些实施方案中,该方法包括通过与车辆数据分析系统相关联的一个或多个服务器接收与由内置于车辆上特定位置中的多个传感器生成的信号相关的信息。在一些实施方案中,这些传感器包括至少一个振动传感器。在一些实施方案中,该方法包括:通过该一个或多个服务器基于这些信号确定与驾驶员相关联的驾驶模式;通过该一个或多个服务器基于这些信号评估由于一种或多种磨损机制而导致的车辆的磨损;通过该一个或多个服务器识别驾驶模式与评估的车辆的磨损之间的相关性,以及通过该一个或多个服务器计算与驾驶员相关联的分数。在一些实施方案中,该分数基于(1)与驾驶员相关联的驾驶模式和评估的车辆的磨损之间的相关性和(2)与其他驾驶员相关联的驾驶模式和评估的他们相应车辆的磨损之间的相关性之间的比较。
在一些实施方案中,与这些信号相关的信息包括以下各项中的至少一项:(i)描述车辆的制动器位置的制动器数据、(ii)描述车辆的加速器位置的加速器数据或(iii)描述车辆的转向角的转向数据。在一些实施方案中,确定驾驶模式包括通过该一个或多个服务器生成描述驾驶员的驾驶特性的度量。在一些实施方案中,识别驾驶模式与评估的磨损之间的相关性包括确定驾驶特性对评估的磨损的贡献。在一些实施方案中,确定驾驶特性对评估的磨损的贡献包括确定与目标函数中的度量相关联的权重,该权重表示驾驶特性对评估的磨损的贡献。在一些实施方案中,计算分数包括评估目标函数。
在一些实施方案中,识别驾驶模式与评估的磨损之间的相关性包括通过该一个或多个服务器识别与车辆相关联的增加的磨损速率,以及通过该一个或多个服务器确定增加的磨损速率的原因。在一些实施方案中,该方法包括通过该一个或多个服务器基于与该驾驶员相关联的分数来对该驾驶员和其他驾驶员进行排名。在一些实施方案中,评估车辆的磨损包括以下各项中的至少一者:(i)将被训练以预测部件磨损的机器学习(ML)模型应用于信号的至少第一部分,(ii)将传递函数应用于信号的至少第二部分,或者(iii)生成信号的至少第三部分的频域表示。
本公开的另一具体实施是包括一个或多个计算设备的车辆系统。在一些实施方案中,该一个或多个计算设备包括:包括指令的一个或多个非暂态计算机可读存储介质,以及耦接到该一个或多个存储介质的一个或多个处理器。在一些实施方案中,该一个或多个处理器被配置为执行指令以接收与由内置于车辆上特定位置中的多个传感器生成的信号相关的信息。在一些实施方案中,这些传感器包括至少一个振动传感器。在一些实施方案中,该一个或多个处理器被配置为执行指令以:基于这些信号确定与驾驶员相关联的驾驶模式;基于这些信号评估由于一种或多种磨损机制而导致的车辆的磨损;识别驾驶模式与评估的车辆的磨损之间的相关性,以及计算与驾驶员相关联的分数。在一些实施方案中,该分数基于(1)与驾驶员相关联的驾驶模式和评估的车辆的磨损之间的相关性和(2)与其他驾驶员相关联的驾驶模式和评估的他们相应车辆的磨损之间的相关性之间的比较。
在一些实施方案中,与这些信号相关的信息包括以下各项中的至少一项:(i)描述车辆的制动器位置的制动器数据、(ii)描述车辆的加速器位置的加速器数据或(iii)描述车辆的转向角的转向数据。在一些实施方案中,确定驾驶模式包括生成描述驾驶员的驾驶特性的度量。在一些实施方案中,识别驾驶模式与评估的磨损之间的相关性包括确定驾驶特性对评估的磨损的贡献。在一些实施方案中,确定驾驶特性对评估的磨损的贡献包括确定与目标函数中的度量相关联的权重,该权重表示驾驶特性对评估的磨损的贡献。
在一些实施方案中,计算分数包括评估目标函数。在一些实施方案中,识别驾驶模式与评估的磨损之间的相关性包括识别与车辆相关联的增加的磨损速率,并且确定增加的磨损速率的原因。在一些实施方案中,该一个或多个处理器被配置为基于与该驾驶员相关联的分数来对该驾驶员和其他驾驶员进行排名。在一些实施方案中,评估车辆的磨损包括以下各项中的至少一者:(i)将被训练以预测部件磨损的机器学习(ML)模型应用于信号的至少第一部分,(ii)将传递函数应用于信号的至少第二部分,或者(iii)生成信号的至少第三部分的频域表示。
本公开的另一具体实施是包括指令的非暂态计算机可读介质。在一些实施方案中,当由一个或多个计算设备的一个或多个处理器执行时,这些指令使得该一个或多个处理器接收与由内置于车辆上特定位置中的多个传感器生成的信号相关的信息。在一些实施方案中,这些传感器包括至少一个振动传感器。在一些实施方案中,这些指令使得该一个或多个处理器:基于这些信号确定与驾驶员相关联的驾驶模式;基于这些信号评估由于一种或多种磨损机制而导致的车辆的磨损;识别驾驶模式与评估的车辆的磨损之间的相关性,以及计算与驾驶员相关联的分数。在一些实施方案中,该分数基于(1)与驾驶员相关联的驾驶模式和评估的车辆的磨损之间的相关性和(2)与其他驾驶员相关联的驾驶模式和评估的他们相应车辆的磨损之间的相关性之间的比较。
在一些实施方案中,识别驾驶模式与评估的磨损之间的相关性包括确定驾驶模式的驾驶特性对评估的磨损的贡献。在一些实施方案中,驾驶特性包括以下各项中的至少一项:(i)停车距离、(ii)跟车距离、(iii)车道中的位置、(iv)速度、(v)车道变化的频率、(vi)快速加速的频率或(vii)快速减速的频率。
上文公开的实施方案仅仅是示例,并且本公开的范围不限于它们。特定实施方案可以包括上文所公开的实施方案的部件、元件、特征、功能、操作或步骤中的全部、一部分或者不包括它们。根据本发明的实施方案具体公开在涉及方法、存储介质、系统和计算机程序产品的所附权利要求中,其中在一个权利要求类别(例如,方法)中提到的任何特征也可以在另一个权利要求类别(例如,系统)中要求保护。所附权利要求中的从属或引用仅仅是出于形式上的原因而选择的。然而,由故意引用任何在前的权利要求(特别是多个从属关系)而产生的任何主题也可以受权利要求书保护,使得权利要求书及其特征的任何组合被公开并且可以受权利要求书保护,而不管所附权利要求书中所选择的从属关系如何。可以要求保护的主题不仅包括如所附权利要求书中所阐述的特征的组合,而且包括权利要求中的特征的任何其他组合,其中权利要求书中提到的每个特征可以与权利要求书中的任何其他特征或其他特征的组合相组合。此外,本文描述或描绘的实施方案和特征中的任一者可以在单独的权利要求中受保护和/或以与本文描述或描绘的任何实施方案或特征或与所附权利要求的任何特征的任何组合受保护。
附图说明
图1示出了确定驾驶模式与车辆磨损之间的相关性的示例。
图2示出了具有用于测量车辆磨损的示例性传感器的示例性车辆。
图3是示出计算车辆的磨损并基于磨损对多个车辆进行排名的方法的流程图。
图4示出了计算车辆的部件磨损的方法。
图5是示出监测车辆的磨损的方法的流程图。
图6是示出将驾驶行为与车辆的磨损相关的方法的流程图。
图7示出了包括连接的车辆的示例性网络系统。
图8A是示例性计算机系统的示意图。
图8B示出了针对车辆ECU的示例性固件。
具体实施方式
本公开的实施方案涉及用于将驾驶行为与车辆的磨损相关的车辆控制系统、方法和计算机可读介质。具体地,本公开的系统和方法使得能够连续监测驾驶员行为(例如,驾驶员跟随其他车辆的接近程度、驾驶员转向的平稳程度、驾驶员制动的猛烈程度、驾驶员超过速度限制的频率等),以确定驾驶员行为对各种结果(例如,加速的车辆/车辆部件磨损、计划外的停机/维护、事故等)的影响并且生成与各种结果相关的建议。在各种实施方案中,车辆装配有测量驾驶员的驾驶模式的传感器。例如,车辆可以连续记录油门/制动器位置、方向盘位置、车辆与周围对象(例如,车辆跟随的其他车辆等)之间的距离和/或车辆的位置(例如,道路车道内的位置等),并且可以将各种测量结果组合成链接到特定驾驶员的驾驶模式。驾驶模式可以与结果诸如加速的车辆/车辆部件磨损、计划外的停机时间和/或事故(例如,车辆碰撞等)相关,以确定驾驶员的动作在导致结果方面的影响。例如,本公开的系统和方法可以确定用户超过速度限制平均每小时10英里(MPH)的趋势正在导致车辆部件的加速磨损(例如,根据路面特性,磨损累积速度大于预期等)。
在各种实施方案中,车辆装配有多个高带宽三轴加速计以便于监测机械磨损。来自加速计的信息可以与车辆在车载模块内生成的其他信号集成,以允许实时、同步处理,从而提供车辆所经历的磨损量的指示。车辆所经历的磨损量的指示可以与驾驶模式相关以生成用于调整驾驶员行为的建议(例如,更缓慢地驾驶、允许驾驶员与驾驶员所跟随的车辆之间的更大距离等),从而减少车辆的磨损累积。例如,车队管理系统可以为驾驶员生成放慢驾驶速度的建议,以减少运输车辆的基于振动的磨损。
现在一般而言,平台可以从嵌入车辆中的传感器收集多个信号。在一些实施方案中,车载模块接收信号。附加地或另选地,基于云的数据处理系统(例如,车辆数据分析系统等)可以接收信号。例如,车载模块可以接收第一组信号并且对第一组信号执行第一类型的分析(例如,基于物理的分析等),并且基于云的数据处理系统可以接收第二组信号并且对第二组信号执行第二类型的分析(例如,基于AI的分析等)。这些信号可以与车辆/车辆部件的健康状况(例如,振动数据、麦克风数据、描述施加到车辆的部件的扭矩的数据等)、车辆的用户操作(例如,转向角数据、油门/制动踏板应用数据、车轮速度数据、驱动单元速度/扭矩数据等)和/或车辆的环境背景(例如,环境温度数据、描述车辆的跟车距离的数据、描述车辆正在行驶的路面的特性的数据等)相关联。这些信号可以包括油门位置、停车距离的测量值、急转弯的测量值、快速转向的测量值、相对位置(例如,车道中的位置、跟随距离等)、与地面特性的相互作用的测量值(例如,坑洼撞击等)、车辆框架扭转的测量值和/或速度的测量值。
在各种实施方案中,车载模块和/或基于云的数据处理系统使用模型来分析信号以生成多个输出。该模型可以包括机器学习(ML)模型,诸如回归模型。在一些实施方案中,该模型包括线性模型。附加地或另选地,该模型可以包括非线性模型。该模型可以接收这些信号作为输入并且可以确定这些输入与一个或多个结果(诸如加速的车辆/车辆部件磨损、计划外的停机时间和/或事故)之间的相关性。在各种实施方案中,将这些输入与该一个或多个结果相关包括确定目标函数的一个或多个参数的权重。例如,目标函数可以用于为每个驾驶员生成描述驾驶员的驾驶模式对车辆磨损的影响的分数,并且基于云的数据处理系统可以将驾驶员的驾驶模式的各方面与结果诸如意外停机时间(例如,由于机械部件故障等)相关。又如,基于云的数据处理系统可以将由驾驶员执行的急转弯事件的频率与加速的轮胎磨损相关。在各种实施方案中,模型输出每个驾驶员的目标函数权重和/或分数。平台可以使用该分数来对驾驶员进行排名,并且驾驶员的排名可以用于执行附加的分析。例如,驾驶员的分数/排名可被用作模型的输入以确定驾驶员的保险费。
在各种实施方案中,车载模块和/或基于云的数据处理系统训练模型以使用反馈生成驾驶员分数和/或描述特定驾驶特性对驾驶员分数的影响的权重。例如,基于云的信息处理系统可以使用历史时间序列振动信息(例如,指示车辆/车辆部件由于经过路面而经历的振动)和历史维修数据(例如,指示车辆/车辆部件经历的磨损等)来训练卷积神经网络(CNN)自动编码器,该历史维修数据被标记为标识特定驾驶事件(例如,急转弯事件、坑洼撞击、快速转向事件等),以标识振动数据中与特定驾驶事件相关的模式。又如,基于云的处理系统可以使用来自车辆的指示驾驶事件(例如,急转弯事件、坑洼撞击、快速转向事件等)的标记时间序列数据以及历史维修数据来训练非线性回归模型,以标识驾驶事件和与车辆相关联的磨损/计划外的停机时间之间的相关性。车载模块和/或基于云的数据处理系统可以应用不同的模型来产生不同的输出。例如,可以使用神经网络来标记振动数据中的驾驶事件,并且可以使用回归模型来确定驾驶事件与计划外的停机时间之间的相关性。
在一些实施方案中,车载模块和/或基于云的数据处理系统识别每个驾驶员的驾驶模式。驾驶模式可以描述驾驶员行为的各种特性,诸如他们超过速度限制的频率、他们跟随其他汽车的接近程度、他们偏离车道的频率等。驾驶模式可以被表示为包括多个单独的驾驶员特性/度量的矩阵。例如,驾驶模式可以包括描述以下各项的度量:(i)驾驶员的平均跟车距离,(ii)驾驶员发生紧急制动事件的频率,(iii)驾驶员在转弯期间在车辆框架上产生的平均扭转量,以及(iv)驾驶员偏离车道的频率。在一些实施方案中,驾驶模式被表示为具有多个加权参数的目标函数,每个参数对应于驾驶员特性/度量。
将驾驶员行为(例如,驾驶员的驾驶模式等)与结果诸如加速磨损相关可以包括生成与车辆/车辆部件相关联的磨损的测量值。例如,车载模块可以分析振动数据和/或麦克风数据以生成与车辆和/或车辆部件相关联的一个或多个健康度量。在各种实施方案中,健康度量包括磨损的测量结果,诸如基于振动的磨损和/或基于应变的磨损。例如,车载模块可以将传递函数应用于振动数据以确定部件处的应变,并且可以使用部件处的应变来计算累积雨流矩阵以生成部件的基于应变的磨损的测量结果。在各种实施方案中,车载模块和/或基于云的数据处理系统用一个或多个健康度量来更新数据结构(例如,存储在数据库中等)。例如,车载模块可以计算与车辆的部件相关联的在24小时时段内累积的基于应变的磨损,并且可以更新与车辆相关联的数据库条目以包括累积的基于应变的磨损。该数据库可以存储与车辆、车队等相关联的各种度量。例如,数据库可以包括列出与车辆相关联的多个部件以及与这些部件中的每个部件相关联的磨损测量结果的分类帐。
车载模块和/或基于云的数据处理系统可以传输来自模型的输出(例如,驾驶员分数、与对应于驾驶员特性/度量的参数相关联的权重等)以用于附加的分析。例如,基于云的数据处理系统可以将驾驶员分数传输到车队管理系统以使得车队管理者能够确定哪些运输驾驶员需要附加训练。又如,基于云的数据处理系统可以将驾驶员排名传输到保险商计算系统,以在模型中使用以确定驾驶员的保险费。
在各种实施方案中,平台(例如,基于云的数据处理系统和/或车载模块等)基于将驾驶模式与结果(例如,加速的车辆/车辆部件磨损、计划外的停机时间、事故等)相关来主动生成建议。例如,平台可以将用户的驾驶模式与部件磨损的趋势相关,以向用户生成关于如何调整他们的驾驶以减少车辆的进一步磨损的建议。又如,平台可以将用户的驾驶模式与事故相关,以生成用于在将来避免事故的建议。
现在转向图1,示出了根据示例性实施方案的确定驾驶模式与车辆磨损之间的相关性的示例。简言之,平台(例如,车载模块和/或基于云的数据处理系统等)可以生成驾驶模式10和车辆磨损20的测量值。平台可以将驾驶模式10和车辆磨损20的测量值输入到模型30中以确定相关性32。模型30可以输出与相关性32相关联的信息,诸如描述驾驶员的动作对加速的车辆磨损的影响的驾驶员分数。
在各种实施方案中,车载模块和/或基于云的数据处理系统基于传感器信号生成驾驶模式10。例如,基于云的数据处理系统可以接收描述油门/制动器位置、转向角度、车辆的相对位置(例如,相对于其他车辆、相对于车辆正在行驶的车道等)以及作用在车辆上的力(例如,车辆的侧倾力矩、由于经过粗糙表面而施加到车辆的框架的扭矩等)的传感器信号,并且可以基于这些传感器信号生成多个驾驶员特性/度量。驾驶员特性/度量可以包括描述驾驶员加速的速度、驾驶员的平均停车距离、车道漂移的频率、驾驶员的实际跟车距离的度量和/或描述驾驶员如何操作车辆的其他度量。车载模块和/或基于云的数据处理系统可以基于传感器信号计算一个或多个统计测量值以生成驾驶员特性/度量。例如,车载模块可检索时间序列制动位置数据和加速计数据(例如,描述驾驶员在制动期间经历的制动力的量等),可识别紧急制动事件(例如,制动/制动力超过阈值的事件等),可标记数据以标识紧急制动事件,并且可基于标记的数据计算正常制动事件(例如,制动/制动力不超过阈值的事件等)与紧急制动事件的比率。
在各种实施方案中,驾驶模式10包括多个驾驶员特性/度量。例如,特定驾驶员的驾驶模式10可以包括急转弯事件频率的测量(例如,每驾驶120英里一个急转弯事件、每驾驶至少90°的70个拐角三个急转弯事件等)、平均跟车距离的测量(例如,当在另一车辆后面100英尺内并且以至少20MPH行驶时,驾驶员平均留出30英尺的间隙等),以及超过速度限制的驾驶时间的比率(例如,驾驶员在超过20MPH的驾驶时间中超过相关速度限制的10%等)。在各种实施方案中,每个驾驶员被分配有驾驶模式10。每个驾驶模式10可以包括驾驶员特性/度量的相同组合。附加地或另选地,不同的驾驶模式10可以包括不同的驾驶员特性/度量。例如,基于云的数据处理系统可以为第一类型的驾驶员(例如,长途货车司机等)生成包括第一组驾驶员特性/度量的第一驾驶模式,并且可以为第二类型的驾驶员(例如,救护车驾驶员等)生成包括第二组驾驶员特性/度量的第二驾驶模式。
在各种实施方案中,车载模块和/或基于云的数据处理系统基于传感器信号生成车辆磨损20的测量值。例如,车载模块可以从多个车载三轴加速计接收振动数据,可以将传递函数应用于振动数据以生成与车辆部件相关联的应力的测量值,并且可以使用应力的测量值来计算雨流矩阵以生成与部件相关联的基于应力的磨损的测量值。在一些实施方案中,车辆磨损20的测量值包括与车辆的部件相关联的车辆磨损的一个或多个测量值。例如,车辆磨损20的测量值可以包括驾驶单元轴承磨损的测量值、右后轮胎磨损的测量值以及AC压缩机磨损的测量值。附加地或另选地,车辆磨损20的测量值可以包括车辆磨损的合计测量值。例如,车载模块可以计算多个部件级磨损测量值的平均值以确定车辆磨损的合计测量值。下面参考图2至图5更详细地描述计算磨损。
模型30可以是ML模型。例如,模型30可以包括非线性回归模型。又如,模型30可以包括线性回归模型。在各种实施方案中,模型30包括多个模型。例如,模型30可以包括用于将特定驾驶员特性/度量与加速磨损相关的第一模型、用于将特定驾驶员特性与计划外停机时间相关的第二模型,以及用于生成驾驶员分数的第三模型。附加地或另选地,可以将该多个模型组合成单个模型。在各种实施方案中,模型30基于驾驶模式10和车辆磨损20的测量值来为每个驾驶员生成分数。例如,模型30可以比较(i)与驾驶员相关联的驾驶模式和与由驾驶员操作的车辆相关联的合计磨损测量值之间的相关性以及(ii)与其他驾驶员相关联的驾驶模式和与他们的相应车辆相关联的合计磨损测量值之间的相关性。在各种实施方案中,模型30包括目标函数。例如,模型30可以使用包括多个加权参数的目标函数来输出每个驾驶员的驾驶员分数,每个加权参数对应于驾驶员特性/度量对驾驶员分数的贡献。在一些实施方案中,驾驶员分数表示驾驶员对车辆磨损(例如,合计车辆磨损、轮胎磨损、驾驶单元轴承磨损等)的贡献。
模型30可以生成相关性32。相关性32可以描述第一度量(例如,当用户转弯时车辆所经历的平均侧倾力矩等)与第二度量(例如,车辆部件的磨损的累积等)之间的关系。在各种实施方案中,模块30生成多个相关性32。例如,模型30可以生成特定驾驶员的驾驶模式和由该特定驾驶员操作的车辆的磨损之间的第一相关性,并且可以生成与多个驾驶员相关联的驾驶模式和与由该多个驾驶员操作的车辆相关联的合计磨损的测量值之间的第二相关性。在各种实施方案中,模型30基于相关性32生成一个或多个相关性系数(例如,皮尔森相关性系数等)。
在各种实施方案中,使用训练数据来训练模型30。例如,基于云的数据处理系统可以使用在一队车辆的运行期间收集的历史维修数据和历史传感器信号(例如,振动数据、图像数据、声音数据、描述车辆的用户操作的数据等)来训练模型30。训练数据可以包括描述车辆的驾驶员操作(例如,车辆的速度、车辆的油门/制动器位置、由车辆的驾驶单元产生的扭矩等)的时间序列数据,该时间序列数据被标记以标识驾驶员行为模式(例如,急转弯事件、超速事件、快速转向事件、紧急制动事件等)。附加地或另选地,训练数据可以包括描述车辆/车辆部件磨损的数据(例如,来自布置在车辆上的多个三轴加速计的振动数据、车辆轮胎的轮胎胎面的图像数据、来自对车辆部件进行维修的技术人员的反馈等)。可以使用反馈过程来训练模型30。例如,基于云的数据处理系统可以使用从接收自一队车辆的振动数据计算的车辆磨损的测量值来连续更新模型30。在各种实施方案中,使用多个数据集来训练模型30。例如,基于云的数据处理系统可以最初使用来自对车辆部件进行维修的技术人员的反馈来训练模型30,并且然后可以使用在运行期间收集自一队车辆的振动数据生成的磨损测量值来连续更新模型30。
车载模块和/或基于云的数据处理系统可以基于相关性32从模型30生成一个或多个输出。例如,基于云的数据处理系统可以生成与产生驾驶员分数的目标函数的参数相关联的多个系数。输出可以包括描述驾驶员对车辆/车辆部件磨损的贡献的驾驶员分数。附加地或另选地,输出可以包括基于驾驶员分数的排名。例如,基于云的数据处理系统可以基于他们的相应驾驶员分数来对车队中的多个驾驶员进行排名,以确定哪些驾驶员导致最多的车辆磨损以及哪些驾驶员导致最少的车辆磨损。
在各种实施方案中,模型30的输出用于执行附加的分析。例如,基于云的数据处理系统可以将驾驶员排名传输到保险商计算系统,以便于确定驾驶员的保险费。又如,基于云的数据处理系统可以将驾驶员分数传输到车队管理系统以使得车队管理者能够确定哪些驾驶员需要附加训练(例如,因为他们的驾驶员分数指示他们正在产生异常高的车辆磨损量等)。在一些实施方案中,车载模块和/或基于云的数据处理系统基于与相关性32相关联的信息生成建议。例如,基于云的数据处理系统可以从目标函数识别指示导致加速的轮胎磨损的特定驾驶员特性/度量的系数,并且可以为驾驶员生成调整对车辆的操作以改变特定驾驶员特性/度量的建议,从而降低未来轮胎磨损速率。
图2示出了具有用于测量车辆磨损的示例性传感器的示例性车辆200。车辆200可以包括多个传感器210、多个摄像头220和控制系统230。在一些实施方案中,车辆200能够与计算设备250(例如,智能手机250a、平板计算设备250b、或智能车辆附件)配对。作为示例而非限制,传感器210可以是加速计、陀螺仪、磁力计、全球定位卫星(GPS)信号传感器、振动传感器(例如,压电加速计)、光探测和测距(LiDAR)传感器、无线电探测和测距(RADAR)传感器、超声波传感器、温度传感器、压力传感器、湿度传感器、化学传感器、电磁接近传感器、电流传感器、另一种合适的传感器或它们的组合。例如,传感器210可以包括GPS传感器、麦克风、转向角传感器、环境温度传感器、环境状况传感器(例如,检测雨、雪、雾等)、油门传感器、制动踏板应用传感器、惯性测量结果传感器、加速计、轮胎速度传感器和/或驾驶单元速度/扭矩传感器。
在各种实施方案中,车辆200包括振动传感器240。振动传感器240可以是连接到车载模块上的高带宽、双向、数字音频总线的加速度计。具体示例可以是将振动传感器240连接到用于信息娱乐显示和音频的模块上的A2B-2总线。车载模块可以经由有线连接将加速计数据传输到第二车载模块,第二车载模块又无线地传输到云。使用先前示例,信息娱乐模块可经由以太网将加速计数据传输到远程信息处理控制模块,该远程信息处理控制模块控制无线车辆通信网关和车辆与对应云之间的空中(OTA)通信。一旦远程信息处理模块接收到加速计数据,便可将该数据无线地传输到云端。
在各种实施方案中,振动传感器240被放置在车辆200的特定部分中。例如,振动传感器240可以放置在车辆200的前部上,以便生成车辆200的前部部件的累积磨损的估计,并且确定该部件上是否可能存在裂纹。在各种实施方案中,振动传感器240可被添加到前驾驶单元以便减轻可靠性问题。可向来自振动传感器240的信号数据应用多种技术,以估计车辆部件(例如,轮胎、支柱、驾驶单元齿轮等)上累积的振动。累积振动的估计值可以指示车辆部件的磨损并且可以与车辆健康和维护的需要相关。在各种实施方案中,振动传感器240定位在车辆200上的第一位置中,并且用于测量与车辆200上远离第一位置的第二位置处的部件相关联的振动。例如,振动传感器240可以定位在车辆200的部件上,并且可以使用传递函数生成车辆200的车轮处的振动的测量结果。下面更详细地描述信号数据的分析。
作为示例而非限制,摄像头220可以是静止图像摄像头、视频摄像头、3D扫描系统(例如,基于调制光、激光三角测量、激光脉冲、结构光、光探测和测距(LiDAR))、红外摄像头、其他合适的摄像头或它们的组合。车辆200可以包括各种可控部件(例如,车门、座椅、车窗、灯、HVAC、娱乐系统、安全系统)、仪器和信息显示器和/或交互界面、将计算设备250与车辆配对的功能(这可以实现使用计算设备250控制某些车辆功能)、以及将附件与车辆配对的功能,然后可以通过车辆中的交互界面或通过配对的计算设备250来控制这些附件。在一些实施方案中,车辆200包括定位在车辆200的车轮舱中的一个或多个摄像头220。例如,车辆200可以包括定位在车轮舱中的多个摄像头以监测车辆200的轮胎,从而生成轮胎磨损的估计(例如,根据图像数据确定胎面深度等)。
控制系统230可以实现对车辆上各种系统的控制。如图2所示,控制系统230可包括一个或多个电子控制单元(ECU),每个ECU专用于一组特定的功能。每个ECU可以是计算机系统(如在图8A和图8B中进一步描述),并且每个ECU可包括由下文描述的一个或多个示例性ECU提供的功能。
如本文所描述的实施方案的特征可以由远程信息处理控制模块(TCM)ECU控制。TCM ECU可以提供无线车辆通信网关以支持功能,诸如(作为示例而非限制)空中(OTA)软件更新、车辆与互联网之间的通信、车辆与计算设备250之间的通信、车内导航、车间通信、车辆与景观特征(例如,自动收费道路传感器、自动收费门、充电站处的电力分配器)之间的通信或自动呼叫功能。在各种实施方案中,TCM ECU传输与车辆200和/或车辆200的部件的健康状况相关联的信息。例如,TCM ECU可将原始传感器数据从振动传感器240传输到云处理系统,诸如参考图1描述的车辆数据分析系统。又如,TCM ECU可将与车辆部件相关联的时间磨损的测量结果(例如,在运行的15分钟内累积的疲劳循环的次数等)传输到车辆数据分析系统。在一些实施方案中,TCM ECU传输与车辆200的运行相关联的附加信息。例如,TCM ECU可传输与由车辆200识别的道路特性相关联的位置。又如,TCM ECU可传输与车辆200的用户的驾驶模式相关联的一个或多个驾驶特性(例如,平均跟车距离、超过速度限制的时间百分比等)。在各种实施方案中,TCM ECU基于从传感器(诸如传感器210和/或振动传感器240)接收的信号来计算附加信息(诸如部件磨损)。例如,TCM ECU可包括使用雨流矩阵计算与车辆部件相关联的磨损的诊断特征。
如本文所描述的实施方案的特征可以由中央网关模块(CGM)ECU控制。CGM ECU可以用作车辆的通信中枢,其连接各种ECU、传感器、摄像头、电机和其他车辆部件,并且向和从各种ECU、传感器、摄像头、电机和其他车辆部件传输数据。CGM ECU可以包括通过控制器局域网(CAN)端口、本地互连网络(LIN)端口和以太网端口提供连接性的网络开关。CGM ECU还可以用作对不同车辆模式(例如,道路驾驶模式、驻车模式、越野模式、牵引模式、露营模式)的主控制,从而控制与将车辆置于这些车辆模式中的一个车辆模式相关的某些车辆部件。在一些实施方案中,对于电动车辆,CGM ECU还可以控制车辆充电端口门和相关的灯和传感器。在各种实施方案中,CGM ECU收集来自车辆200的一个或多个传感器的传感器信号。例如,CGM ECU可以从振动传感器240收集振动信号以便经由TCM ECU传输到远程处理系统。又如,CGM ECU可以收集关于车辆200行驶的路面的信息。例如,CGM ECU可以收集与经过路线相关联的振动信号并且可以将位置数据(例如,GPS位置等)与振动信号相关联。在各种实施方案中,CGM ECU收集与用户对车辆200的操作相关联的信号。例如,CGM ECU可以记录任何紧急制动事件、车辆200在其他车辆后面的跟车距离、基于急转弯事件对车辆200的部件上扭矩的测量结果和/或类似物。
车辆200可包括一个或多个附加ECU,诸如(作为示例而非限制):车辆动态模块(VDM)ECU、体验管理模块(XMM)ECU、车辆进出系统(VAS)ECU、近场通信(NFC)ECU、车身控制模块(BCM)ECU、座椅控制模块(SCM)ECU、车门控制模块(DCM)ECU、后区控制(RZC)ECU、自主控制模块(ACM)ECU、自主安全模块(ASM)ECU、驾驶员监测系统(DMS)ECU和/或绞盘控制模块(WCM)ECU。如果车辆200是电动车辆,则一个或多个ECU可提供与车辆的电池组相关的功能,诸如电池管理系统(BMS)ECU、电池电源隔离(BPI)ECU、平衡电压温度(BVT)ECU和/或热管理模块(TMM)ECU。在各种实施方案中,XMM ECU将数据从振动传感器240传输到TCM ECU(例如,经由以太网等)。附加地或另选地,XMM ECU可将其他数据(例如,来自多个麦克风的声音数据等)传输到TCM ECU。
现在参考图3,根据示例性实施方案,示出了例示计算车辆的磨损并且基于磨损对多个车辆进行排名的方法300的流程图。在各种实施方案中,车辆200执行方法300的一个或多个步骤。附加地或另选地,一个或多个外部系统诸如基于云的数据处理系统可以执行方法300的一个或多个步骤。例如,车辆200可计算(例如,经由控制系统230的TCM ECU等)与车辆200相关联的磨损,并且车辆数据分析系统可以基于与每个车辆相关联的计算出的磨损来对多个车辆进行排名。
部件上累积的基于应变的磨损和基于振动的磨损可以单独地但并行地计算。在这两种情况下,可以首先将传递函数应用于传入振动传感器信号。时间雨流矩阵可以被集成到用于计算最终磨损量的持续更新的累积雨流矩阵中。可将磨损与阈值进行比较,并且可识别累积磨损超过可接受阈值的部件进行维修。
在步骤302处,控制系统230可接收振动传感器信号。例如,控制系统230可以从定位在车辆200的特定部分上的振动传感器240接收振动传感器信号。在各种实施方案中,振动传感器信号包括时间序列数据。在步骤304处,控制系统230可以应用第一传递函数来确定车辆200的部件处的应变。例如,控制系统230可以从查找表检索对应于特定振动传感器240和部件对的传递函数,并且可以将该传递函数应用于来自特定振动传感器240的信号以确定部件处的应变。
一般而言,控制系统230可以利用一个或多个传递函数,该一个或多个传递函数基于第一位置处的车辆200的特性对第二位置处的车辆200的特性进行建模。例如,控制系统230可以利用第一传递函数,该第一传递函数基于车辆200的车轮处的振动的测量结果对车辆200的部件的一部分上的力进行建模。又如,控制系统230可以利用第二传递函数,该第二传递函数基于车辆200的部件处的振动的测量结果对车轮支柱处的振动进行建模。在各种实施方案中,基于运行测量结果(例如,描述振动与应变之间的关系的测量结果等)来确定该一个或多个传递函数。
在各种实施方案中,确定应变包括基于振动传感器信号计算部件处的振动的测量结果。附加地或另选地,确定应变可以包括基于振动传感器信号计算部件处的力的测量结果。例如,控制系统230可以通过将第一传递函数应用于来自定位在车辆200的车轮上的振动传感器的传感器信号来计算在车辆200的部件上的位置处的振动的测量结果,并且可以通过将第二传递函数应用于在该位置处的振动的测量结果来计算在该部件上的该位置处的力的测量结果。
在步骤306处,控制系统230可以计算时间雨流矩阵以评估由于部件应变引起的部件的时间磨损。例如,控制系统230可以基于描述弹簧阻尼器上的力的时间序列数据来计算与弹簧阻尼器相关联的疲劳循环的次数。在各种实施方案中,时间雨流矩阵与时间段相关联。例如,时间雨流矩阵可以表示与部件相关联的疲劳循环在24小时时段内的累积。应当理解,可以使用不同的时段(例如,15秒、1小时、每当连接到因特网时等)。在各种实施方案中,时间雨流矩阵是多个疲劳循环、与疲劳循环相关联的幅值和/或疲劳循环的频率的集合。
在步骤308处,控制系统230可以计算累积雨流矩阵以确定由于部件应变引起的部件的基于应变的磨损。例如,控制系统230可以计算与车辆200的部件在该部件的寿命期间相关联的疲劳循环的累积次数。在一些实施方案中,步骤308包括查询外部系统,诸如车辆数据分析系统,以检索与第一时间段相关联的疲劳周期的第一测量结果,并添加与第二时间段相关联的疲劳周期的第二测量结果,以确定基于应变的磨损。附加地或另选地,车辆200可以存储与一个或多个部件相关联的疲劳循环的运行计数。在各种实施方案中,基于应变的磨损包括疲劳循环的总数和与对应于部件的疲劳循环相关联的幅值。在一些实施方案中,控制系统230将疲劳循环的总数和与疲劳循环相关联的幅值与关联于部件故障的值进行比较,以确定与部件相关联的剩余寿命的百分比。在一些实施方案中,与部件故障相关联的值是通过实验确定的(例如,经由试样测试等)。
在步骤310处,控制系统230可以应用第二传递函数来确定部件处的振动。例如,控制系统230可以从查找表检索对应于特定振动传感器240和部件对的传递函数,并且可以将该传递函数应用于来自特定振动传感器240的信号以确定部件处的振动。在步骤312处,控制系统230可以计算时间雨流矩阵以评估由于部件振动引起的部件的时间磨损。例如,控制系统230可以基于部件处的振动来计算与部件相关联的疲劳循环的次数和疲劳循环的幅值。
在步骤314处,控制系统230可以计算累积雨流矩阵,以确定由于部件振动引起的部件的基于振动的磨损。例如,控制系统230可以将在24小时时段内累积的与部件相关联的疲劳循环的次数与在24小时时段之前累积的与部件相关联的疲劳循环的次数相加。在车辆200是电动车辆的实施方案中,步骤316可以响应于控制系统230感测到车辆200已经连接到充电器而发生。在一些实施方案中,控制系统230将疲劳循环的总数和与疲劳循环相关联的幅值与关联于部件故障的值进行比较,以确定与部件相关联的剩余寿命的百分比。
在步骤316处,控制系统230可以将基于应变的磨损与阈值进行比较。例如,控制系统230可以将在部件的寿命期间与部件相关联的疲劳循环的总数与阈值进行比较,以确定疲劳循环的总数是否超过阈值。附加地或另选地,控制系统230可以将基于振动的磨损与阈值进行比较。在各种实施方案中,控制系统230使用用于比较基于应变的磨损的第一阈值和用于比较基于振动的磨损的第二阈值。在各种实施方案中,如果基于振动的磨损和/或基于应变的磨损超过阈值,则控制系统230生成警报。该警报可以触发附加动作,诸如自动安排维修预约来对该部件进行维修。在一些实施方案中,第一阈值和第二阈值是通过实验确定的(例如,经由试样测试等)。附加地或另选地,可使用利用历史维修数据训练的AI模型来确定第一阈值和第二阈值。
在步骤318处,车辆数据分析系统(例如,基于云的数据处理系统等)可以基于磨损对车辆进行排名。例如,车辆数据分析系统可以查询包含与一队车辆相关联的一个或多个车辆健康度量的分类帐,并且可以将该车队中的车辆从磨损最多到磨损最少地排名。在一些实施方案中,步骤318包括将与车辆的多个部件相关联的一个或多个磨损度量合计成表示整个车辆的单个磨损度量。例如,车辆数据分析系统可以跟踪与车辆的100个车辆部件相关联的磨损,并且可以通过计算100个部件磨损度量的平均值来生成车辆的平均磨损度量。在各种实施方案中,车辆数据分析系统基于平均磨损度量对车辆进行排名。附加地或另选地,车辆数据分析系统可基于单个部件磨损度量对车辆进行排名。
在一些实施方案中,步骤318包括对驾驶员进行排名。例如,车辆数据分析系统可以将车辆磨损与驾驶模式相关,可以确定每个驾驶员对车辆磨损部分的责任(例如,基于每个驾驶员的驾驶模式),并且可以基于驾驶员对车辆磨损的相应贡献来对驾驶员进行排名。在各种实施方案中,排名被用于生成建议。例如,车辆数据分析系统可以生成在驾驶过程中登记排名前十位的驾驶员(例如,导致最多车辆磨损的十位驾驶员等)的建议。附加地或另选地,排名(或与其相关联的信息)可以被传输到外部系统。例如,排名可以被传输到保险提供商计算系统以便于确定每个驾驶员的保险费。在一些实施方案中,高驾驶员分数指示驾驶员对少量车辆磨损负责。另选地,高驾驶员分数可指示驾驶员对大量车辆磨损负责。
图4示出了根据示例性实施方案的计算车辆的部件磨损的方法400。方法400可用于执行车辆200的部件的背景监测。振动传感器可耦接到部件。第一振动传感器的输出可以由{AFD}表示。第二振动传感器406的输出可以由{AW}表示。在一些实施方案中,基于振动传感器的输出来计算对应于车轮的力。对应于车轮的力可以由{FW}表示。振动传感器可用于监测部件的一部分的磨损。例如,方法400可用于识别部件的一部分处的裂纹。部件的该部分处的力和振动可以分别表示为{F1}和{A1}。
在步骤410处,可以测量一个或多个传递函数。传递函数可以描述第一位置(例如,第一振动传感器的位置等)处的振动与第二位置(例如,部件的该部分的位置等)处的振动之间的关系。然而,应当理解,表示其他关系的传递函数是可能的。例如,传递函数可以描述第一位置处的振动与第二位置处的力之间的关系。该一个或多个传递函数可以表示为:
在步骤420处,可测量振动传感器的输出。在一些实施方案中,步骤420包括基于车轮处的振动测量结果来计算车轮处的力。在步骤430处,可以基于车轮处的振动来估计部件的一部分处的力的估计。例如,控制系统230可以通过将传递函数应用于来自振动传感器的振动数据来计算部件的一部分处的力的估计。在一些实施方案中,步骤430的输出包括对应于部件的该部分随时间经历的力的时间序列力数据。在各种实施方案中,步骤430包括实现以下函数:
在步骤440处,控制系统230可以使用在步骤430中计算的力来计算与部件的该部分相关联的磨损。在各种实施方案中,步骤440包括基于该力计算雨流矩阵。例如,控制系统230可以对根据时间序列力数据生成的疲劳循环的次数求和。在一些实施方案中,磨损被表示为疲劳循环的阈值次数的百分比。在各种实施方案中,控制系统230执行步骤440至480。在步骤450处,控制系统230可从振动传感器接收振动数据。在步骤460处,控制系统230可以使用来自振动传感器的振动数据来计算部件振动。在各种实施方案中,步骤460包括将传递函数应用于来自振动传感器的振动数据。例如,控制系统230可以实现以下函数:
在步骤470处,控制系统230可以使用来自这些振动传感器的振动数据来计算部件的该部分的部件力。在各种实施方案中,步骤470包括将传递函数应用于来自振动传感器的振动数据。例如,控制系统230可以实现以下函数:
在步骤480处,控制系统230可以基于在步骤470中计算的部件力来计算部件磨损。在各种实施方案中,步骤480包括基于该力计算雨流矩阵。例如,控制系统230可以对根据时间序列力数据生成的疲劳循环的次数求和。在一些实施方案中,磨损被表示为疲劳循环的阈值次数的百分比。在一些实施方案中,步骤480包括将根据来自第一振动传感器的振动数据生成的与部件的该部分相关联的磨损测量值与根据来自第二振动传感器的振动数据生成的与部件的该部分相关联的磨损测量值相组合。例如,控制系统230可以使用磨损的两个测量结果来计算平均磨损。在一些实施方案中,步骤420至440与步骤450至480并行执行。
图5是示出监测车辆的磨损的方法500的流程图。例如,控制系统230可以实施方法500以连续监测与车辆200的一个或多个部件相关联的磨损。从根据以上描述计算的总累积部件磨损开始,可以做出确定以确定车辆当前是否处于越野环境中。使用车辆的越野模式作为初始指示符,该模式下的车辆可能会产生磨损计算以及越野里程和时间计算。然后可以将这些累积的总数与表示可接受阈值的阈值进行比较,超过任一阈值都可能导致触发诊断故障代码(DTC),以通知客户潜在问题和维修需求。另一方面,如果车辆的越野模式未被启用,则车辆的GPS可被用来确定车辆当前经受的道路状况。越野状况的指示可能会产生实际磨损计算,而在其他情况下仅执行标称磨损计算。在这两种情况下,计算的总磨损随后与阈值进行比较,并且也可能反过来导致DTC的触发。
在步骤504处,控制系统230可以确定是否选择越野模式。例如,TCM ECU可以查询CGM ECU以确定车辆200处于什么模式。如果选择越野模式(是),则方法500可以继续步骤516、522和524。在步骤516处,控制系统230可以连续运行磨损计算。例如,控制系统230可以执行如以上详细描述的监测部件磨损的方法。在步骤518处,控制系统230可以基于来自步骤516的磨损计算结果来计算总累积磨损。例如,控制系统230可以计算雨流矩阵,该雨流矩阵表示与车辆和/或车辆部件在其寿命期间发生的累积疲劳周期的总数。在步骤520处,控制系统230可以将来自步骤518的总累积磨损与阈值进行比较。如果总累积磨损小于阈值(否),则控制系统230可以保存总累积部件磨损(步骤502)。如果总累积磨损大于阈值(是),则控制系统230可以执行动作(步骤530)。该动作可包括自动安排维修预约,对被确定为磨损程度超过阈值水平的部件进行维修。附加地或另选地,该动作可以包括提醒维修人员车辆需要维修。
在步骤522处,控制系统230可累积总越野里程。例如,控制系统230可以更新计数器以确定在越野模式下驾驶的英里数。在步骤524处,控制系统230可累积总越野时间。例如,控制系统230可以更新计时器以确定在越野模式下花费的总时间。在步骤526处,控制系统230可以计算总数。例如,控制系统230可以计算越野驾驶的总里程数和/或越野花费的总时间量。在步骤528处,控制系统230可以将总里程和/或总时间与阈值进行比较。在一些实施方案中,控制系统230将总里程与第一阈值进行比较并且将总时间与第二阈值进行比较。如果总里程和/或总时间大于阈值(是),则控制系统230可以执行动作(步骤530)。例如,控制系统230可以基于越野驾驶的总英里数来提醒用户建议预约维修。如果总里程和/或总时间小于阈值(否),则控制系统230可以继续监测与越野相关联的磨损、里程和/或时间。
如果未选择越野模式(否),则方法500可以继续步骤506。在步骤506处,控制系统230可确定GPS数据是否指示车辆处于越野状态。例如,控制系统230可以将车辆200的GPS位置与已知道路的地图进行比较以确定车辆200是否在已知道路中的一条道路上。如果GPS数据指示车辆处于越野状态(是),则控制系统230可执行上述越野监测(例如,步骤516、522和524)。如果GPS数据指示车辆未处于越野状态(否),则控制系统230可以确定车辆是否在不平整道路上行驶(步骤508)。例如,控制系统230可以将振动数据信号的振幅与阈值进行比较,并且如果该振动数据信号的振幅在一定时段期间超过阈值达阈值次数,则确定该车辆正在不平整道路上行驶。
如果控制系统230确定车辆正在不平整道路上行驶(是),则控制系统230可以连续运行磨损计算(步骤510)。运行磨损计算可以包括计算雨流矩阵以基于振动数据确定疲劳循环的总数,如以上详细描述的。如果控制系统230确定车辆没有在不平整道路上行驶(否),则控制系统可以累积每英里的标称磨损(步骤512)。例如,控制系统230可以为车辆行驶的每英里向雨流矩阵添加一定标量值。在各种实施方案中,控制系统230在步骤510和512之后执行步骤518。
在一些实施方案中,如本文所述的磨损评估可涉及用于监测表面特性和评估驾驶路线以减轻车辆的磨损的车辆控制系统、方法和计算机可读介质。本公开的系统和方法可以监测表面诸如路面,以基于来自内置于车辆上特定位置中的传感器的传感器信号来识别表面特性(例如,道路纹理、坑洼、裂缝、颠簸、路缘、减速带等),并且可以基于所识别的表面特性来生成/评估驾驶路线以减轻车辆部件的磨损,从而减少车辆部件的磨损、车辆停机时间和维护成本。与此类实施方案相关的进一步描述公开于_______提交的美国非临时申请________号,名称为“Wear Mitigation Routing Platform”(代理人案卷号22445-20015.00),该申请以引用方式并入本文。
现在转到图6,根据示例性实施方案,示出了例示用于将驾驶员行为与磨损相关的方法600的流程图。在各种实施方案中,基于云的数据处理系统执行方法600。附加地或另选地,车辆200的车载模块可以执行方法600。简言之,方法600可便于通过将(i)对应于车辆磨损和驾驶员行为的先前收集的传感器信号的库与(ii)各种结果诸如加速的车辆/车辆部件磨损、计划外的停机时间和/或事故相关来生成模型。该模型可以用于将特定驾驶员特性/度量与结果(诸如车辆磨损)相关。例如,基于云的数据处理系统可以确定驾驶员倾向于以对车辆的轮胎造成加速的轮胎磨损的方式拐弯,并且可以生成调整他们如何拐弯以减少未来轮胎磨损的建议。方法600是关于基于云的数据处理系统来描述的;然而,应当理解,任何处理系统(例如,车辆200的车载模块等)都可以执行方法600。
在步骤610处,基于云的数据处理系统可以识别车辆的驾驶员。例如,基于云的数据处理系统可以从车辆200的座椅接收重量测量结果并且使用该重量执行查找以基于该重量识别与驾驶员相对应的驾驶员简档。又如,基于云的数据处理系统可以从车辆200接收基于驾驶员用于启动车辆的钥匙来标识驾驶员的通知(例如,其中每个钥匙被链接到特定驾驶员等)。又如,车辆200可以使用生物测定标识符(例如,面部识别、语音识别等)来识别驾驶员,并且可以向基于云的数据处理系统传输该驾驶员的指示。在一些实施方案中,步骤610包括接收来自驾驶员的输入。例如,驾驶员可以将登录凭证输入到车辆200的用户界面(UI)中,并且车辆200可以基于登录凭证向基于云的数据处理系统传输该驾驶员的指示。
在步骤620处,基于云的数据处理系统可以接收由内置于车辆上特定位置中的多个传感器生成的信号。例如,基于云的数据处理系统可以接收与由经过路面导致的部件振动相关联的振动数据,并且可以接收车辆的轮胎的图像数据。在各种实施方案中,基于云的数据处理系统接收描述驾驶员对车辆的操作的数据。例如,基于云的数据处理系统可以接收描述制动/油门位置、车辆的相对位置(例如,相对于其他车辆、相对于车辆正在行驶的车道等)、转向角度和/或作用在车辆上的力(例如,车辆的侧倾力矩、车架扭转的测量值等)的数据。在各种实施方案中,这些传感器包括至少一个振动传感器(例如,三轴加速计等)。在各种实施方案中,步骤620包括将信号存储在数据结构中。例如,基于云的数据处理系统可以将信号存储在与驾驶员相关联的分类账中。
在步骤630处,基于云的数据处理系统可以确定与驾驶员相关联的驾驶模式。例如,基于云的数据处理系统可以基于这些信号计算多个驾驶员特性/度量,并且可以将该多个驾驶员特性/度量组合成驾驶模式。在各种实施方案中,步骤630包括使用模型分析信号。例如,基于云的数字处理系统可将描述驾驶员对车辆的操作的数据输入到CNN自动编码器中以标记数据中的一个或多个驾驶事件(例如,急转弯事件/正常转弯事件、快速转向事件/非快速转向事件、紧急制动事件/正常制动事件等)。在各种实施方案中,步骤630包括标记时间序列数据。例如,基于云的数据处理系统可以使用先前收集的被标记为标识快速转向事件的转向角数据来训练模型,并且可以将该模型应用于与驾驶员相关联的时间序列转向角数据以在该时间序列转向角数据中标记快速转向事件。基于云的数据处理系统可以分析标记的时间序列数据以生成该多个驾驶员特性/度量。例如,基于云的数据处理系统可以基于标记的车辆速度数据来计算平均停车距离,并且可以将平均停车距离与多个其他驾驶员特性/度量相组合以生成驾驶员的驾驶模式。在各种实施方案中,驾驶员特性/度量包括停车距离、跟车距离、车道中的位置、实际速度与阈值的比率、车道变化的频率、快速加速的频率和/或快速减速的频率。
在步骤640处,基于云的数据处理系统可以基于信号评估车辆的磨损。例如,基于云的数据处理系统可以将传递函数应用于振动数据以生成车辆200的支柱处的应力的测量值,并且可以使用应力的测量值来计算雨流矩阵以生成支柱的基于应力的磨损的测量值。又如,基于云的数据处理系统可以执行图像分析以确定车辆200的轮胎的胎面深度,并且可以将该胎面深度与先前确定的胎面深度进行比较以确定轮胎磨损的测量值。在一些实施方案中,步骤640包括确定车辆的部件级磨损的测量值。附加地或另选地,步骤640可以包括确定车辆磨损的测量值(例如,通过合计与车辆相关联的部件级磨损等)。在一些实施方案中,步骤640包括基于这些信号执行频率分析。例如,车载模块可以根据振动数据计算快速傅里叶变换(FFT),并且可以应用峰值拾取滤波器来识别与特定部件故障状态相关联的频率,并且可以将部件故障状态与部件磨损的测量值相联系。附加地或另选地,步骤640可以包括确定每个部件的剩余寿命的测量值(例如,剩余寿命的百分比等)。在各种实施方案中,评估磨损包括识别车辆/车辆部件磨损速率的变化。例如,基于云的数据处理系统可以跟踪随时间累积的部件磨损,并且可以识别与部件相关联的磨损速率的加速度。
在步骤650处,基于云的数据处理系统可以确定驾驶模式是否与评估的车辆的磨损相关。例如,基于云的数据处理系统可以应用使用驾驶模式训练的ML模型,这些驾驶模式基于先前从多个车辆收集的信号和与该多个车辆相关联的评估的磨损而生成。在一些实施方案中,步骤650包括将描述驾驶模式与评估的车辆的磨损之间的相关性的度量与阈值进行比较。例如,基于云的数据处理系统可以将R2值与阈值进行比较以确定驾驶员的行为是否与车辆磨损密切相关。在一些实施方案中,基于云的数据处理系统确定驾驶模式是否与部件级磨损相关。附加地或另选地,基于云的数据处理系统可以确定驾驶模式是否与合计车辆磨损相关(例如,通过合计多个部件级相关等)。在各种实施方案中,步骤650包括计算与驾驶员相关联的分数。例如,基于云的数据处理系统可以比较(i)与驾驶员相关联的驾驶模式和评估的车辆的磨损之间的相关性,以及(ii)与其他驾驶员相关联的驾驶模式和评估的他们相应车辆的磨损之间的相关性。在各种实施方案中,步骤650包括确定与目标函数的参数相关联的一个或多个权重。例如,基于云的数据处理系统可以应用目标函数来生成驾驶员分数,并且可以基于驾驶模式的特定驾驶员特性/度量与车辆磨损之间的相关性来确定与目标函数相关联的多个参数权重。如果基于云的数据处理系统确定驾驶模式与评估的车辆磨损不相关(否),则方法600可以进行到步骤620。例如,基于云的数据处理系统可以连续监测驾驶员行为直到其确定驾驶员行为与结果诸如车辆磨损相关。如果基于云的数据处理系统确定驾驶模式与评估的车辆磨损相关(是),则方法600可以进行到步骤660。
在步骤660处,基于云的数据处理系统可以传输与驾驶模式和评估的车辆的磨损之间的相关性相关联的信息。例如,基于云的数字处理系统可以将驾驶员分数传输到保险商计算系统以便于确定保险费。又如,基于云的数据处理系统可以传输描述被确定为与发生的事故相关的驾驶员特性/度量的事故重建。在一些实施方案中,步骤660包括传输驾驶员排名,该驾驶员排名将该驾驶员的驾驶员分数与关联于其他驾驶员的其他驾驶员分数进行比较。
在一些实施方案中,步骤660包括基于该相关性生成一个或多个建议。例如,基于云的数据处理系统可以将与驾驶员相关联的第一目标函数与关联于其他驾驶员的多个目标函数进行比较,以确定与第一目标函数的参数相关联的权重显著大于用于对应数量的目标函数的参数的权重,并且可以基于该比较为驾驶员生成调整他们的行为(例如,放慢驾驶速度等)的建议。在一些实施方案中,步骤660包括传输报告。例如,基于云的数据处理系统可以向车队管理系统传输报告,该报告包括车队中每个驾驶员的排名(例如,基于每个驾驶员的驾驶员分数)。附加地或另选地,步骤660可以包括向驾驶员传输建议或警告。例如,基于云的数据处理系统可以确定驾驶员的快速加速正在导致车辆的驱动单元的加速的衬套磨损,并且可以向用户传输放慢加速的建议和/或驾驶员的行为正在导致车辆磨损的警告。在一些实施方案中,步骤660包括控制车辆的运行。继续先前的示例,车载模块可以响应于确定驾驶员控制车辆操作的方式正在导致加速的衬套磨损而调整驾驶员控制的车辆运行(例如,通过调整加速控制以减小加速速率,通过调整制动控制以更平稳地制动或响应于交通状况自动地发起制动操作,或者通过将车辆悬架调整到更大高度),从而减少衬套的持续磨损。在特定实施方案中,对驾驶员控制的车辆运行的调整可由第三方管理者(例如,车队管理者、车主或家长)发起。
图7示出了示例性联网环境700。计算机系统700可包括具有能够向/从网络710传输数据的控制系统230的已连接车辆200。网络710还可以连接到与车辆制造商、车辆服务提供商、车队运营商或车辆充电设施提供商相关联的一个或多个计算服务器720(例如,包括计算单元722和存储单元724)。网络710还可连接到与例如智能附件制造商、组事件组织者、服务提供商或政府组织相关联的一个或多个第三方计算服务器730(例如,包括计算单元732和存储单元734)。联网环境700可包括一个或多个景观特征740(例如,自动收费道路传感器、智能道路标志或道路标记、自动收费门、充电站处的电力分配器)。联网环境700还可包括能够通过网络710与车辆200通信和/或直接与车辆200通信(例如,当已连接车辆750在短程通信网络(诸如蓝牙)的范围内时,通过与车辆200的控制系统230的TCM ECU通信)的其他已连接车辆750。联网环境700还可包括能够与网络710通信和/或直接与车辆200通信的一个或多个计算设备250(例如,智能电话250a、平板计算设备250b或智能车辆附件)。
联网环境700可使得能够在所描绘的任何元件之间传输数据和通信。在一些实施方案中,此信息可仅在一个方向上传送(例如,智能道路标志广播与由于施工而引起的交通控制或延迟相关的信息);在其他实施方案中,信息可包括双向通信(例如,自动收费站,其处理从车辆200接收的请求以从指定账户扣除费用并且提供交易的确认)。在特定实施方案中,联网环境700的一个或多个元件可包括一个或多个计算机系统,如相对于图8A进一步详细描述的。在特定实施方案中,联网环境700的一个或多个元件执行本文描述或示出的一个或多个方法的一个或多个步骤。在特定实施方案中,在联网环境700的一个或多个元件上运行的软件可由单个实体控制以执行本文描述或示出的一个或多个方法的一个或多个步骤或者提供本文描述或示出的功能。
图8A示出了示例性计算机系统800。计算机系统800可包括处理器802、存储器804、存储装置806、输入/输出(I/O)接口808、通信接口810和总线812。尽管本公开描述了以特定布置包括指定部件的一个示例性计算机系统,但是本公开设想了以任何合适的布置具有任何合适数量的任何合适部件的任何合适计算机系统。作为示例而非限制,计算机系统800可以是电子控制单元(ECU)、嵌入式计算机系统、片上系统、单板计算机系统、台式计算机系统、膝上型或笔记本型计算机系统、大型机、计算机系统网、移动电话、个人数字助理、服务器计算系统、平板计算机系统或这些中的两者或更多者的组合。在适当的情况下,计算机系统800可以包括一个或多个计算机系统800;可以是单一的或分布式的,跨越多个位置、机器或数据中心;或驻留在云端中,该云端可以包括一个或多个网络中的一个或多个云部件。在适当的情况下,计算机系统800可以在不同的时间或不同的位置,实时地或以批处理模式执行本文所描述或示出的一个或多个方法的一个或多个步骤。
处理器802(例如,计算单元722和计算单元732)可包括用于执行指令的硬件,诸如构成计算机程序的指令。作为示例而非限制,为了执行指令,处理器802可以从内部寄存器、内部高速缓存、存储器804或存储装置806检索(或获取)指令;解码并执行它们;以及然后将一个或多个结果写入内部寄存器、内部高速缓存、存储器804或存储装置806(例如,存储单元724和存储单元734)。处理器802可以包括用于数据、指令或地址的一个或多个内部高速缓存。
在特定实施方案中,存储器804包括主存储器,用于存储供处理器802执行的指令或供处理器802进行操作的数据。在特定实施方案中,一个或多个存储器管理单元(MMU)驻留在处理器802与存储器804之间,并且便于访问由处理器802请求的存储器804。在特定实施方案中,存储器804包括随机存取存储器(RAM)。本公开考虑了任何合适的RAM。
在特定实施方案中,存储装置806包括用于数据或指令的海量存储装置。作为示例而非限制,存储装置806可以包括可移动磁盘驱动器、闪速存储器、光盘、磁光盘、磁带或通用串行总线(USB)驱动器,或者这些中的两者或更多者。存储装置806可以包括可移动或固定介质,并且可以在计算机系统800的内部或外部。存储装置806可以包括任何合适形式的非易失性固态存储器或只读存储器(ROM)。
在特定实施方案中,I/O接口808包括硬件、软件或两者,为计算机系统800和一个或多个输入和/或输出(I/O)设备之间的通信提供一个或多个接口。计算机系统800可以可通信地连接到这些I/O设备中的一者或多者,这些I/O设备可以并入、插入、配对或以其他方式可通信地连接到车辆200(例如,通过TCM ECU)。输入设备可以包括用于将用户意志输入转换成可由计算机系统800处理的数字信号的任何合适的设备,诸如(作为示例而非限制)方向盘、触摸屏、麦克风、操纵杆、滚轮、按钮、拨动开关、开关、拨号盘或踏板。输入设备可以包括用于捕获不同类型信息的一个或多个传感器,诸如(作为示例而非限制)上文描述的传感器210。输出设备可以包括设计成从计算机系统800接收数字信号并将它们转换成输出格式的设备,诸如(作为示例而非限制)扬声器、耳机、显示屏、平视显示器、灯、智能车辆附件、其他合适的输出设备或它们的组合。本公开考虑了任何合适的I/O设备和用于这些I/O设备的任何合适的I/O接口808。在适当的情况下,I/O接口808可以包括一个或多个I/O接口808。
在特定实施方案中,通信接口810包括硬件、软件或两者,为计算机系统800和一个或多个其他计算机系统800或一个或多个网络之间的数据通信提供一个或多个接口。通信接口810可以包括连接到控制器局域网(CAN)或本地互连网络(LIN)的一个或多个接口。通信接口810可以包括串行外围设备接口(SPI)或隔离串行外围设备接口(isoSPI)中的一者或多者。在一些实施方案中,通信接口810可以包括用于与以太网或其他有线网络通信的网络接口控制器(NIC)或网络适配器,或者用于与无线网络(诸如WI-FI网络或蜂窝网络)通信的无线NIC(WNIC)或无线适配器。
在特定实施方案中,总线812包括将计算机系统800的部件彼此耦接的硬件、软件或两者。在适当的情况下,总线812可以包括任何合适的总线,以及一个或多个总线812。尽管本公开描述了特定的总线,但是设想了任何合适的总线或互连。
这里,一个或多个计算机可读非暂态存储介质可以包括一个或多个基于半导体的集成电路或其他集成电路(IC)(诸如例如现场可编程门阵列或专用IC)、硬盘驱动器、混合硬盘驱动器、光盘、光盘驱动器、磁光盘、磁光盘驱动器、固态驱动器、RAM驱动器、任何其他合适的计算机可读非暂态存储介质或任何合适的组合。在适当的情况下,计算机可读非暂态存储介质可以是易失性的、非易失性的或易失性的和非易失性的组合。
图8B示出了如相对于控制系统230所描述的车辆ECU 800的示例性固件850。固件850可以包括用于基于通过通信接口810从传感器210或摄像头220接收的信号来分析传感器数据的功能852。固件850可以包括用于处理通过I/O接口808接收的用户输入(例如,由车辆200的驾驶员或乘客直接提供,或者通过计算设备250提供)的功能854。固件850可以包括用于记录检测到的事件(其可以存储在存储装置806中或上传到云中)的功能856,以及用于报告检测到的事件的功能(例如,通过车辆的仪表显示器或交互界面向车辆的驾驶员或乘客报告,或者通过通信接口810向车辆制造商、服务提供商或第三方报告)。固件850可以包括用于评估安全参数的功能858(例如,监测车辆电池的温度或者车辆200与附近车辆之间的距离)。固件850可以包括用于将控制信号传输到车辆200的部件(包括其他车辆ECU 800)的功能860。
在适当的情况下,特定实施方案可以重复图3、图4、图5和/或图6的方法的一个或多个步骤。尽管本公开将图3、图4、图5和/或图6的方法的特定步骤描述并示出为以特定顺序发生,但本公开考虑了图3、图4、图5和/或图6的方法的任何合适的步骤以任何合适的顺序发生。此外,尽管本公开描述并示出了用于以下操作的示例性方法:(i)计算车辆的磨损并对多个车辆进行排名、(ii)计算部件磨损、(iii)监测车辆的磨损,以及(iv)将驾驶行为与车辆的磨损相关联,包括图3、图4、图5和/或图6的方法的特定步骤,但是本公开设想了用于上述方法的任何合适的方法,包括任何合适的步骤,在适当的情况下,这些步骤可以包括图3、图4、图5和/或图6的方法的所有步骤、一些步骤或者不包括这些步骤。此外,尽管本公开描述并示出了实施图3、图4、图5和/或图6的方法的特定步骤的特定部件、设备或系统,但本公开考虑了实施图3、图4、图5和/或图6的方法的任何合适步骤的任何合适部件、设备或系统的任何合适组合。
在本文中,“或”是包括性的而非排他性的,除非另有明确说明或通过上下文另有说明。因此,在本文中,“A或B”指的是“A、B或两者”,除非另有明确说明或通过上下文另有说明。此外,“和”既是共同的又是各自的,除非另有明确说明或通过上下文另有说明。因此,在本文中,“A和B”指的是“A和B,共同地或各自地”,除非另有明确说明或通过上下文另有说明。
本公开的范围涵盖对本文描述或示出的示例性实施方案的所有更改、替换、变型、变更和修改,这些是本领域普通技术人员可以理解的。本公开的范围不限于本文描述或示出的示例性实施方案。此外,尽管本公开将本文相应的实施方案描述并示出为包括特定部件、元件、特征、功能、操作或步骤,但这些实施方案中的任何实施方案可以包括本文任何地方所描述或示出的任何部件、元件、特征、功能、操作或步骤的任何组合或排列,这些是本领域普通技术人员可以理解的。此外,在所附权利要求中提及被适配为、被布置成、能够、被配置为、被使能、可操作为、能够操作以执行特定功能的装置或系统或者装置或系统的部件,涵盖该装置、系统、部件,无论其或者该特定功能是否被激活、打开或解锁,只要该装置、系统或部件是如此适配、布置、具备能力、配置、使能、可操作或能够操作即可。另外,尽管本公开将特定实施方案描述或示出为提供特定优点,但特定实施方案可以不提供这些优点或者提供这些优点中的一部分或全部。
Claims (20)
1.一种用于将驾驶行为与车辆的磨损相关的方法,所述方法包括:
通过所述车辆的控制模块识别所述车辆的驾驶员;
通过所述车辆的所述控制模块接收由内置于所述车辆上特定位置中的多个传感器生成的信号,所述传感器包括至少一个振动传感器;
通过所述车辆的所述控制模块基于所述信号确定与所述驾驶员相关联的驾驶模式;
通过所述车辆的所述控制模块基于所述信号评估由于一种或多种磨损机制而导致的所述车辆的磨损;
识别所述驾驶模式与所评估的所述车辆的磨损之间的相关性;以及
通过所述车辆的电信模块向车辆数据分析系统传输与所述驾驶模式和所评估的所述车辆的磨损之间的所述相关性相关联的信息。
2.根据权利要求1所述的方法,其中所述信号包括以下各项中的至少一项:(i)描述所述车辆的制动器位置的制动器数据、(ii)描述所述车辆的加速器位置的加速器数据或(iii)描述所述车辆的转向角的转向数据。
3.根据权利要求1所述的方法,其中确定所述驾驶模式包括生成描述所述驾驶员的驾驶特性的度量。
4.根据权利要求3所述的方法,其中所述驾驶特性包括以下各项中的至少一项:(i)停车距离、(ii)跟车距离、(iii)车道中的位置、
(iv)实际速度与阈值的比率、(v)车道变化的频率、(vi)快速加速的频率或(vii)快速减速的频率。
5.根据权利要求3所述的方法,其中确定所述驾驶模式包括生成目标函数,所述目标函数表示所述驾驶特性对所评估的磨损的贡献并且包括所述度量。
6.根据权利要求3所述的方法,其中识别所述驾驶模式与所评估的磨损之间的所述相关性包括确定所述驾驶特性对所评估的磨损的贡献。
7.根据权利要求6所述的方法,其中确定所述驾驶特性对所评估的磨损的所述贡献包括确定与目标函数中的所述度量相关联的权重,所述权重表示所述驾驶特性对所评估的磨损的所述贡献。
8.根据权利要求6所述的方法,其中传输与所述相关性相关联的所述信息包括基于所述贡献传输与所述驾驶特性相关联的报告。
9.根据权利要求1所述的方法,其中评估所述车辆的磨损包括以下各项中的至少一项:(i)将被训练以预测部件磨损的机器学习(ML)模型应用于所述信号的至少第一部分,(ii)将传递函数应用于所述信号的至少第二部分,或者(iii)生成所述信号的至少第三部分的频域表示。
10.一种用于将驾驶行为与车辆的磨损相关的车辆系统,所述车辆系统包括:
内置于所述车辆上特定位置中的多个传感器,所述多个传感器包括至少一个振动传感器;
显示器;和
一个或多个计算设备,所述一个或多个计算设备包括:
一个或多个非暂态计算机可读存储介质,所述一个或多个非暂态计算机可读存储介质包括指令;和
一个或多个处理器,所述一个或多个处理器耦接到所述一个或多个存储介质,所述一个或多个处理器被配置为执行所述指令以:
识别所述车辆的驾驶员;
接收由所述多个传感器生成的信号;
基于所述信号确定与所述驾驶员相关联的驾驶模式;
基于所述信号评估由于一种或多种磨损机制而导致的所述车辆的磨损;
识别所述驾驶模式与所评估的所述车辆的磨损之间的相关性;以及
向车辆数据分析系统传输与所述驾驶模式和所评估的所述车辆的磨损之间的所述相关性相关联的信息。
11.根据权利要求10所述的车辆系统,其中所述信号包括以下各项中的至少一项:(i)描述所述车辆的制动器位置的制动器数据、(ii)描述所述车辆的加速器位置的加速器数据或(iii)描述所述车辆的转向角的转向数据。
12.根据权利要求10所述的车辆系统,其中确定所述驾驶模式包括生成描述所述驾驶员的驾驶特性的度量。
13.根据权利要求12所述的车辆系统,其中所述驾驶特性包括以下各项中的至少一项:(i)停车距离、(ii)跟车距离、(iii)车道中的位置、(iv)速度、(v)车道变化的频率、(vi)快速加速的频率或(vii)快速减速的频率。
14.根据权利要求12所述的车辆系统,其中确定所述驾驶模式包括生成目标函数,所述目标函数表示所述驾驶特性对所评估的磨损的贡献并且包括所述度量。
15.根据权利要求12所述的车辆系统,其中识别所述驾驶模式与所评估的磨损之间的所述相关性包括确定所述驾驶特性对所评估的磨损的贡献。
16.根据权利要求15所述的车辆系统,其中确定所述驾驶特性对所评估的磨损的所述贡献包括确定与目标函数中的所述度量相关联的权重,所述权重表示所述驾驶特性对所评估的磨损的所述贡献。
17.根据权利要求15所述的车辆系统,其中传输与所述相关性相关联的所述信息包括基于所述贡献传输与所述驾驶特性相关联的报告。
18.根据权利要求10所述的车辆系统,其中评估所述车辆的磨损包括以下各项中的至少一项:(i)将被训练以预测部件磨损的机器学习(ML)模型应用于所述信号的至少第一部分,(ii)将传递函数应用于所述信号的至少第二部分,或者(iii)生成所述信号的至少第三部分的频域表示。
19.一种非暂态计算机可读介质,所述非暂态计算机可读介质包括指令,当由一个或多个计算设备的一个或多个处理器执行时,所述指令使得所述一个或多个处理器:
识别所述车辆的驾驶员;
接收由内置于所述车辆上特定位置中的多个传感器生成的信号,所述传感器包括至少一个振动传感器;
基于所述信号确定与所述驾驶员相关联的驾驶模式;
基于所述信号评估由于一种或多种磨损机制而导致的所述车辆的磨损;
识别所述驾驶模式与所评估的所述车辆的磨损之间的相关性;以及
向车辆数据分析系统传输与所述驾驶模式和所评估的所述车辆的磨损之间的所述相关性相关联的信息。
20.根据权利要求19所述的非暂态计算机可读介质,其中传输所述信息包括传输与所述驾驶员相关联的排名,所述排名描述与其他驾驶员的驾驶特性相比的所述驾驶员的驾驶特性。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/959,158 US20240116515A1 (en) | 2022-10-03 | 2022-10-03 | Driver scoring platform |
US17/959,158 | 2022-10-03 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117828540A true CN117828540A (zh) | 2024-04-05 |
Family
ID=90246309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310915471.4A Pending CN117828540A (zh) | 2022-10-03 | 2023-07-25 | 驾驶员评分平台 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240116515A1 (zh) |
CN (1) | CN117828540A (zh) |
DE (1) | DE102023120036A1 (zh) |
-
2022
- 2022-10-03 US US17/959,158 patent/US20240116515A1/en active Pending
-
2023
- 2023-07-25 CN CN202310915471.4A patent/CN117828540A/zh active Pending
- 2023-07-27 DE DE102023120036.4A patent/DE102023120036A1/de active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102023120036A1 (de) | 2024-04-04 |
US20240116515A1 (en) | 2024-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11436683B1 (en) | System and method for incentivizing driving characteristics by monitoring operational data and providing feedback | |
US20230060300A1 (en) | Method and system for analyzing the control of a vehicle | |
US20210407015A1 (en) | Methods of determining accident cause and/or fault using telematics data | |
US20230070573A1 (en) | Autonomous Vehicle Operating Status Assessment | |
CN107490488B (zh) | 经由噪声和振动水平进行的车辆健康状况检查 | |
US10102531B2 (en) | Real time failure analysis and accurate warranty claim assesment | |
US10445758B1 (en) | Providing rewards based on driving behaviors detected by a mobile computing device | |
US10204460B2 (en) | System for performing driver and vehicle analysis and alerting | |
JP4995046B2 (ja) | 自動車保険料設定システム | |
US10169931B2 (en) | Service improvement by better incoming diagnosis data, problem specific training and technician feedback | |
US10984479B1 (en) | System and method for tracking the operation of a vehicle and/or the actions of a driver | |
JP7413503B2 (ja) | 車両の安全性能を評価すること | |
US20180197355A1 (en) | Faster new feature launch | |
WO2008124805A2 (en) | Methods, systems, and apparatuses for determining driver behavior | |
EP4256502B1 (en) | Electronic system for forward-looking measurements of frequencies and/or probabilities of accident occurrences based on localized automotive device measurements, and corresponding method thereof | |
JP2022533183A (ja) | 車両の運転者の責任を計算するためのシステムおよび方法 | |
US20240116515A1 (en) | Driver scoring platform | |
WO2023152239A1 (en) | Digital framework for autonomous or partially autonomous vehicle and/or electric vehicles risk exposure monitoring, measuring and exposure cover pricing, and method thereof | |
US20240110800A1 (en) | Wear mitigation routing platform | |
US20240194000A1 (en) | Predictive maintenance platform | |
WO2023187851A1 (ja) | 車両データ分析方法および装置 | |
US12073668B1 (en) | Machine-learned models for electric vehicle component health monitoring | |
CN113836790B (zh) | 电动单车智能化等级的测评方法、装置及计算机设备 | |
RU2798078C2 (ru) | Способ и система для определения и мониторинга причины чрезмерного расхода топлива | |
TW202309821A (zh) | 車輛駕駛風險評估系統 |
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 |