ES2535689T3 - Dispositivo y método para la predicción 'on-line' del ciclo de conducción en un vehículo automóvil - Google Patents
Dispositivo y método para la predicción 'on-line' del ciclo de conducción en un vehículo automóvil Download PDFInfo
- Publication number
- ES2535689T3 ES2535689T3 ES12382494.8T ES12382494T ES2535689T3 ES 2535689 T3 ES2535689 T3 ES 2535689T3 ES 12382494 T ES12382494 T ES 12382494T ES 2535689 T3 ES2535689 T3 ES 2535689T3
- Authority
- ES
- Spain
- Prior art keywords
- driving cycle
- speed
- horizon
- vehicle
- prediction
- 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.)
- Active
Links
Classifications
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
- Feedback Control In General (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
Método para la predicción `on-line' del ciclo de conducción en un vehículo automóvil mientras está circulando, siendo el ciclo de conducción la velocidad del vehículo como una función de tiempo, caracterizado por que comprende: - una etapa de preprocesamiento de datos (200), que a su vez comprende: * recibir la velocidad del vehículo (Vsp); * recibir información de tráfico (HTI) correspondiente al trayecto previsto para el vehículo dentro de al menos un horizonte (H) de predicción considerado; * obtener (212) un ciclo de conducción de referencia (Vpat) correspondiente al trayecto previsto dentro de al menos dicho horizonte (H) de predicción a partir de la información de tráfico (HTI) recibida; * calcular (208) la desviación (DVsp) de la velocidad del vehículo (Vsp) con respecto al ciclo de conducción de referencia (Vpat); - una etapa de procesamiento de datos mediante una red neuronal (202) que comprende obtener de forma recursiva las desviaciones previstas (D*Vsp) para el horizonte (H) de predicción, utilizando para ello las desviaciones de velocidad (NN_DVsp) calculadas previamente y que corresponden a un pasado reciente en un número de muestras de retardo (DSN), así como información relativa al ciclo de conducción de referencia (NN_Vpat) que contiene información perteneciente tanto al pasado reciente en un número de muestras de retardo (DSN) como al futuro próximo en un número de muestras de futuro próximo (FSN), como entradas de la red neuronal (202); - una etapa de postprocesamiento de datos (204) que comprende la obtención de la velocidad estimada (V*sp) para dicho horizonte (H) de predicción a partir de las desviaciones previstas (D*Vsp) y el ciclo de conducción de referencia (Vpat) para el horizonte (H) de predicción.
Description
E12382494
23-04-2015
-Información de tráfico (Horizon Traffic Information, HTI): Entrada de tipo estructura obtenida del sistema de navegación del vehículo 104 con información del tráfico en tiempo real que contiene los siguientes vectores:
* Vector Límites_de_Velocidad (Horizon Speed limits HTI_HSL): Vector que contiene los límites de velocidad en condiciones de circulación ideales existentes en el intervalo [p, p + H ], siendo p la posición
5 actual del vehículo y H el horizonte de predicción seleccionado (generalmente en Km). Por lo tanto son los límites de velocidad definidos por el tráfico (señales de tráfico correspondientes a los límites de velocidad) que existen en el trayecto que se está realizando. El tamaño de este vector depende de la resolución deseada (parámetro H_Resol (por lo general en Km)) y del tamaño del horizonte de predicción seleccionado
H. Por tanto, el tamaño vendrá dado por: Tamaño = H / H_Resol. Debe indicarse que en lugar de dicho
10 vector Límites_de_Velocidad, se podría sustituir por cualquier otro vector que suministre información a partir de la cual el dispositivo pueda deducir los límites de velocidad; por ejemplo, el tipo de vía (autopista, carretera con un arcén ancho, etc.) cuando no haya una limitación mayor.
* Vector Pendientes_de_la_Carretera (Horizon Road Slopes, HTI_HRS): Vector que contiene el valor de las pendientes de la carretera en % existentes en el intervalo [p, p + H], siendo p la posición actual
15 del vehículo y H el horizonte de predicción seleccionado. El tamaño de este vector depende de la resolución deseada (parámetro H_Resol) y del tamaño del horizonte de predicción seleccionado H. Por tanto, el tamaño vendrá dado por: Tamaño = H / H_Resol.
* Vector Señales_de_Stop (Horizon Stop Signals, HTI_HSS): Vector que contiene las próximas señales de stop, ceda el paso, semáforos y peajes de carretera existentes en el intervalo [p, p + H], siendo
20 p la posición actual del vehículo y H el horizonte de predicción seleccionado. El tamaño de este vector depende de la resolución deseada (parámetro H_Resol) y del tamaño del horizonte de predicción seleccionado H. Por tanto, el tamaño vendrá dado por: Tamaño = H / H_Resol. A modo de ejemplo, los valores que el vector contiene podrían ser:
0 => No hay señal
25 1 => Señal de stop
2 => señal de ceda el paso
3 => peaje
4 => Semáforo
Como se puede observar, se trata de información que se conoce de antemano de acuerdo con el trayecto que se
30 esté realizando. Los sistemas de navegación tienen esta información en sus bases de datos y podrían proporcionarla de manera anticipada con respecto al horizonte de predicción seleccionado.
-Información_de_Eventos_de_Tráfico (Horizon Traffic Events Information, HTEI): Entrada de tipo estructura que contiene los siguientes vectores:
* Vector Estado_de_Tráfico (Horizon Traffic State, HTEI_HTS): Vector que contiene el estado del
35 tráfico en el intervalo [p, p + H], siendo p la posición actual del vehículo y H el horizonte de predicción seleccionado. El tamaño de este vector depende de la resolución deseada (parámetro H_Resol) y del tamaño del horizonte de predicción seleccionado H. Por tanto, el tamaño vendrá dado por: Tamaño = H / H_Resol. Los valores que este vector contiene dependerán del estado del tráfico en el horizonte de predicción seleccionado el cuál vendrá dado por el sistema de navegación y su información de tráfico en
40 tiempo real. Cada elemento del vector podría tener valores diferentes, tales como los siguientes:
0 => tráfico muy fluido.
1 => Tráfico fluido.
2 => Tráfico denso.
3 => Tráfico muy denso.
45 4 => Tráfico parado.
* Vector Obras_en_la_Carretera (Horizon Road Works, HTEI_HRW): Vector que contiene los límites de velocidad debido a obras en la carretera existentes en el intervalo [p, p + H], siendo p la posición actual del vehículo y H el horizonte de predicción seleccionado. El tamaño de este vector depende de la resolución deseada (parámetro H_Resol) y del tamaño del horizonte de predicción seleccionado H. Por tanto, el tamaño vendrá dado por: Tamaño =
9
5
10
15
20
25
30
35
40
45
50
E12382494
23-04-2015
quiere decir que el alcance de visión y, por tanto, de anticipación del conductor ante próximos cambios en los límites de velocidad (señales de tráfico) es de 200 metros.
-Modo de cálculo del estilo de conducción (DSCM): Modo de cálculo del estilo de conducción del conductor. La manera en que el dispositivo calcula el estilo de conducción se selecciona por medio de este parámetro. Los modos de cálculo pueden ser: cálculo basado en la transformada de Fourier (valor medio y valor del primer armónico o señal fundamental) (DSCM = 1), cálculo basado en la variación media de la velocidad durante un período de tiempo (DSCM = 2), o cálculo basado en los tiempos de reacción del conductor (DSCM = 3).
El dispositivo de predicción de ciclo de conducción 100 obtiene las siguientes salidas, mostradas en la figura 1, las cuales se proporcionan a una unidad externa 108, que puede ser el Sistema de Administración de Energía (EMS) del vehículo o cualquier otra aplicación de terceros:
-Velocidad Estimada (V*sp): La predicción de la velocidad con respecto al horizonte H se realiza en el espacio y en el tiempo. En concreto:
V*sp [p, p + H)]: la velocidad en el intervalo espacial [p, p + H)] se estima, siendo p la
posición actual del vehículo y H el horizonte de predicción seleccionado.
V*sp [t, t + TH]: la velocidad en el intervalo de tiempo [t, t + TH] se estima, siendo t el
instante actual en el tiempo y TH (s) el tiempo estimado en el que el vehículo alcanza el
horizonte de predicción.
-Pendiente de la Carretera Estimada (Sest): la predicción de la pendiente de la carretera con respecto al horizonte H se realiza en el espacio y en el tiempo. En concreto:
S* [p, p + H]: la pendiente en el intervalo espacial [p, p + H)] se estima, siendo p la
posición actual del vehículo y H el horizonte de predicción seleccionado.
S* [t, t + TH]: la pendiente en el intervalo de tiempo [t, t+ TH] se estima, siendo t el instante
actual en el tiempo y TH (s) el tiempo estimado en el que el vehículo alcanzará el
horizonte de predicción.
-Estilo de Conducción (DS): se obtiene el estilo de conducción del conductor del vehículo.
A continuación se explican las estrategias, algoritmos y técnicas utilizados para la obtención de cada una de dichas salidas del dispositivo de predicción del ciclo de conducción 100:
1. Predicción de velocidades estimadas (salidas V*sp [p, p + H ] y V*sp [t, t + TH])
La estrategia de predicción creada se basa en utilizar una Red Neuronal Artificial (RNA) de topología NARX (red autorregresiva no lineal con entradas exógenas) previamente entrenada. Esta estrategia se completa con una serie de funciones de pre y post procesamiento de tanto las entradas como de las salidas de esta RNA-NARX. El objetivo de la RNA-NARX es aprender el comportamiento y modo de conducción de la combinación conductor y vehículo mediante la evaluación de las desviaciones de la velocidad del vehículo con respecto a un ciclo de conducción de referencia o patrón correspondiente al trayecto que se está realizando.
El ciclo de conducción de referencia o patrón para el próximo horizonte se construye dinámicamente en cada tiempo de muestreo en función de la información recibida a través de las entradas Información de Tráfico (HTI) e Información de Eventos de Tráfico (HTEI). También en cada instante de muestreo, la RNA-NARX obtiene las desviaciones previstas de velocidad (con respecto al ciclo de referencia) para el próximo horizonte utilizando para ello el ciclo de conducción de referencia (ciclo patrón) y las desviaciones de velocidad producidos en el pasado reciente del trayecto. Por lo tanto, el ciclo de conducción real previsto con respecto al horizonte de predicción seleccionado puede obtenerse finalmente mediante el uso de la predicción de las desviaciones previstas de velocidad y el ciclo de referencia previsto.
El diagrama de bloques correspondiente a la estrategia utilizada por el dispositivo de predicción del ciclo de conducción se muestra en la figura 2. A continuación se explica en detalle las tres etapas de la estrategia: el preprocesamiento (200), la red neuronal artificial (202) y el postprocesamiento (204). El preprocesamiento (200), la red neuronal artificial (202) y el postprocesamiento (204) se realizan por medio de procesamiento de datos, utilizando por ejemplo un sistema o dispositivo basado en un microcontrolador o microprocesador con el apoyo de un conjunto de elementos de memoria y puertos de entrada / salida y de comunicación.
En el preprocesamiento (200), la primera función que se realiza consiste en aplicar un filtro en tiempo real 206 en la variable de entrada Velocidad del Vehículo (Vsp). En una realización preferida, el tipo de filtro aplicado es un Filtro de Kalman en tiempo real. La segunda función en el preprocesamiento (200) consiste en realizar una transformación de dominio 207 en la variable Vspkf obtenida como salida después de aplicar el filtro 206. Una transformación desde el dominio tiempo al dominio distancia (punto kilométrico) se realiza mediante esta segunda función 207, obteniendo la
11
E12382494
23-04-2015
Funciones utilizadas en neuronas de la capa oculta = Tangente sigmoide.
Función utilizada en neuronas de la capa de salida = Lineal (purelin).
Tal y como se muestra arriba, la red neuronal NARX 202 obtiene la estimación de la desviación de velocidad prevista para el horizonte seleccionado desde i hasta i + H / H _ Resol, como salida para cada punto kilométrico i 5 (PKm (i)).
El propósito de las funciones realizadas en la etapa de postprocesamiento 204 es para obtener finalmente las salidas:
-V*sp [i, i + H]: Vector de velocidad del vehículo prevista para el próximo horizonte en el dominio de punto kilométrico. Velocidad = f (PKm)
10 -V*sp [t, t + TH]: Vector de velocidad del vehículo prevista para el próximo horizonte con respecto al dominio del tiempo. Velocidad = f (tiempo)
La obtención del vector velocidad V*sp [i, i + H] en el dominio correspondiente al Punto _ Kilométrico (PKm) es simple y directa. Sólo hay que utilizar los puntos del vector de velocidad patrón correspondientes al horizonte seleccionado. Su cálculo se muestra en (7), restando la estimación de la desviación de velocidad prevista para el
15 horizonte seleccionado (DV*sp).
para (j = i + 1)a(j = i + H / H_Resol)
(NN_DVsp,NN_Vpat) = preparación_entradas_NARX(Vpat,DVsp,D*Vsp)
D*Vsp,(j) = Salida_red_neuronal_NARX_(NN_DVsp,NN_Vpat) (7)
V*sp(j) = Vpat(j) – DV*sp(j)
20 termina para
La obtención del vector de velocidad V*sp [t, t + TH] en el dominio del tiempo es algo más compleja ya que requiere la realización de la transformación 222 desde el dominio "Punto Kilométrico" al dominio del tiempo. Una distancia equivalente a H_Resol se recorre en cada paso i, por lo que al conocer la velocidad en dicho instante, se puede estimar el incremento de tiempo que ha sido necesario utilizar para recorrer dicha distancia a dicha velocidad en
25 cada paso i. La ecuación (8) muestra el cálculo que se realiza.
Por tanto, la variable tiempo comienza con el instante actual en el tiempo y los incrementos de tiempo en cada paso i en el intervalo de predicción se calculan y acumulan de acuerdo con (9).
tiempo*(i) = tiempo_actual
para (j = i + 1)a(j = H / H _Resol)
tiempo*(j) = tiempo * (j – 1) + IncrT termina para
2. Predicción de pendientes estimadas (salidas S* [i, i + H] y S* [t, t + TH])
35 La obtención del vector S* [i, i + H], que contiene las pendientes de la carretera en relación al horizonte de predicción del punto kilométrico actual, es directa porque se conoce previamente la pendiente de la carretera en todos los puntos kilométricos del trayecto que se está realizando o se espera realizar (vector Sroad). Suponiendo que estas
15
E12382494
23-04-2015
pendientes se almacenan en el vector pendientes de la carretera (HTI_HRS), se procede según el algoritmo mostrado en (10). para (j = i + 1)a(j = H / H _Resol) S*(j) = Sroad(j) (10)
5 termina para Para la obtención del vector S* [t, t + TH], correspondiente a las pendientes con respecto al horizonte de predicción desde el instante actual en el tiempo, es necesario realizar también una transformación de dominio desde el dominio "Punto Kilométrico " hasta el dominio del tiempo. Para ello, se procede de manera similar a la que se explicó anteriormente en la etapa de postprocesamiento 204. Por lo tanto, a cada punto S(i) del intervalo correspondiente al
10 horizonte de predicción le corresponde un instante en el tiempo, tiempo*(i) de acuerdo con (11). tiempo*(i) = tiempo_actual para (j = i + 1)a(j = H / H _Resol)
tiempo*(j) tiempo*(j – 1) + IncrT
15 termina para
3. Estilo de conducción (salida DS)
El estilo de conducción se obtiene de diferentes maneras de acuerdo con la selección realizada mediante el parámetro DSCM (Modo de Cálculo de Estilo de Conducción). A continuación se describen las formas en la que se 20 obtienen en función de la selección realizada:
-Cálculo basado en la transformada de Fourier: DSCM = 1
Este método trata de observar las variaciones de velocidad que está provocando el conductor con respecto al vehículo, así como sus frecuencias. Parece lógico pensar que, por ejemplo, en un tramo donde el límite de velocidad es de 80 Km / h (velocidad patrón), si la velocidad del vehículo es más alta y oscilante a este este límite, la 25 conclusión probable sería que el conductor tiene prisa y está conduciendo de manera agresiva. La transformada de Fourier aplicada a la señal de velocidad del vehículo ofrece la posibilidad de calcular el valor medio o continuo de la señal (valor DC), así como las amplitudes del armónico principal y de otros órdenes. Al relacionar estos valores con la señal de velocidad patrón, se pueden sacar conclusiones sobre el modo de conducción. Por lo tanto, el proceso de cálculo consiste en aplicar la transformada de Fourier a la señal de velocidad del vehículo con respecto a un 30 intervalo correspondiente al pasado reciente, obtener las magnitudes de valor medio y amplitud del primer armónico (señal fundamental) y relacionarlos con sus correspondientes en la señal de velocidad patrón para ver la variación existente. Este proceso se muestra en (12), donde D representa el número deseado de muestras anteriores (pasado reciente) que se evalúan en el algoritmo, DC representa el valor continuo de la señal después de realizar la transformada rápida de Fourier, y A1 representa la amplitud del primer armónico (señal fundamental) después de la
35 transformada. Debe señalarse el uso del índice i en el algoritmo (dominio Punto Kilométrico).
para (j = 1) a (j = D)
vector (j) = Vsp(i – D + j)
VectorPatrón(i) = VspPatrón(i -D + j)
termina para
40 FFT1 = FFT(vector)
FFT2 = FFT(VectorPatrón)
EstiloConducción 1 = FFT1.DC x 100(%) (12) 16
E12382494
23-04-2015
FFT2.DC EstiloConducción 2 = FFT1.A1 x 100(%) FFT2.A1
5 -Cálculo basado en la variación media de la velocidad en un período de tiempo: DSCM = 2 Este método trata de observar la variación media de velocidad del vehículo en un intervalo de tiempo predeterminado. Esta medida también podría indicar el grado de agresividad en la conducción. El proceso para su obtención se presenta en (13). Como se puede observar, se utiliza esta vez el índice k (dominio del tiempo) obteniendo la media de las variaciones de velocidad con respecto al valor medio de la velocidad en el intervalo de 10 tiempo correspondiente a D x ST, siendo ST el tiempo de muestreo seleccionado mediante el correspondiente
parámetro. para(j = 1)a(j = D) Vector(j) = Vsp(k -D + j) Termina para
15 ValorMedio = FunciónMedia (vector) para (j = 1)a(j = D) (13) Variación(j) = abs(vector(j) – ValorMedio) termina para
Variación(j)
EstiloConducción.1 =
20
-Cálculo basado en los tiempos de reacción del conductor: DSCM = 3
Este método se basa en la obtención del tiempo de anticipación del conductor en caso de un próximo cambio de límite de velocidad. Por ejemplo, un conductor que comienza a acelerar 100 metros antes de la señal de tráfico correspondiente a un cambio de límite de velocidad (a un valor superior) es muy probable que esté conduciendo de
25 manera agresiva. Además, un conductor que empieza a frenar en un punto kilométrico mayor que el correspondiente donde se encuentra situada una señal de tráfico que indica un cambio de límite de velocidad (a un valor inferior), se supone que está conduciendo de manera agresiva. La medida de estos valores de anticipación y retraso en el pasado reciente combinados con la desviación de velocidad acontecida en los regímenes permanentes (a velocidad constante, como en los métodos anteriores) podría proporcionar un estilo de conducción más exacto.
30 La figura 6 muestra de una manera no limitativa los componentes de un dispositivo de predicción de ciclo de conducción 100, que realiza las etapas del método descrito anteriormente.
El dispositivo comprende unos primeros medios de comunicación 600 para recibir la información de la velocidad del vehículo y del tráfico, por lo general procedente del sistema de navegación 104 (la velocidad del vehículo puede ser recibida por otros medios, por ejemplo a partir de medidas realizadas por el propio vehículo). Dichos primeros
35 medios de comunicación 600 pueden incluir un puerto de comunicaciones CANbus.
El dispositivo 100 puede comprender unos segundos medios de comunicación 602 para recibir la señal de encendido (EN) del sistema de encendido 102 o del propio sistema de administración de energía del vehículo 108. En una realización preferida, dichos segundos medios de comunicación 602 comprenden un puerto de entrada digital.
40 El dispositivo 100 comprende unos medios de procesamiento de datos 604, por ejemplo una unidad DSP o un microcontrolador con alta capacidad de cálculo para realizar las diferentes etapas de cálculo. Dichos medios de procesamiento de datos 604 disponen de, o tiene acceso a, medios de almacenamiento de datos 606, por ejemplo, una memoria RAM y una memoria EPROM.
17
Claims (1)
-
imagen1 imagen2 imagen3
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES201132144A ES2411629B1 (es) | 2011-12-30 | 2011-12-30 | Dispositivo y método para la predicción "on-line" del ciclo de conducción en un vehículo automóvil. |
| ES201132144 | 2011-12-30 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2535689T3 true ES2535689T3 (es) | 2015-05-13 |
Family
ID=47715809
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES201132144A Expired - Fee Related ES2411629B1 (es) | 2011-12-30 | 2011-12-30 | Dispositivo y método para la predicción "on-line" del ciclo de conducción en un vehículo automóvil. |
| ES12382494.8T Active ES2535689T3 (es) | 2011-12-30 | 2012-12-12 | Dispositivo y método para la predicción 'on-line' del ciclo de conducción en un vehículo automóvil |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES201132144A Expired - Fee Related ES2411629B1 (es) | 2011-12-30 | 2011-12-30 | Dispositivo y método para la predicción "on-line" del ciclo de conducción en un vehículo automóvil. |
Country Status (2)
| Country | Link |
|---|---|
| EP (1) | EP2610836B1 (es) |
| ES (2) | ES2411629B1 (es) |
Families Citing this family (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104118328B (zh) * | 2013-04-27 | 2017-07-07 | 日电（中国）有限公司 | 基于综合变量的汽车能耗率估计设备和方法 |
| CN105006147B (zh) * | 2015-06-19 | 2017-03-15 | 武汉大学 | 一种基于道路时空关联关系的路段行程时间推断方法 |
| EP3340001A1 (en) * | 2016-12-20 | 2018-06-27 | Bayerische Motoren Werke Aktiengesellschaft | Device for measuring the influence of a sensor signal of a vehicle |
| CN106997662B (zh) * | 2017-04-26 | 2020-04-10 | 长安大学 | 一种城市公交车工况构建方法 |
| US10551842B2 (en) | 2017-06-19 | 2020-02-04 | Hitachi, Ltd. | Real-time vehicle state trajectory prediction for vehicle energy management and autonomous drive |
| CN108053067A (zh) * | 2017-12-12 | 2018-05-18 | 深圳市易成自动驾驶技术有限公司 | 最优路径的规划方法、装置及计算机可读存储介质 |
| US11794757B2 (en) * | 2018-06-11 | 2023-10-24 | Colorado State University Research Foundation | Systems and methods for prediction windows for optimal powertrain control |
| CN109215350B (zh) * | 2018-11-02 | 2021-05-25 | 重庆大学 | 一种基于rfid电子车牌数据的短期交通状态预测方法 |
| CN109345832B (zh) * | 2018-11-13 | 2021-06-29 | 上海应用技术大学 | 一种基于深度递归神经网络的城市道路超车预测方法 |
| CN109615064A (zh) * | 2018-12-07 | 2019-04-12 | 电子科技大学 | 一种基于时空特征融合递归神经网络的智能车端到端决策方法 |
| DE102019205520A1 (de) | 2019-04-16 | 2020-10-22 | Robert Bosch Gmbh | Verfahren zum Ermitteln von Fahrverläufen |
| DE102019205519A1 (de) * | 2019-04-16 | 2020-10-22 | Robert Bosch Gmbh | Verfahren zum Ermitteln von Fahrverläufen |
| DE102019205521A1 (de) * | 2019-04-16 | 2020-10-22 | Robert Bosch Gmbh | Verfahren zur Reduzierung von Abgasemissionen eines Antriebssystems eines Fahrzeugs mit Verbrennungsmotor |
| CN110349420B (zh) * | 2019-07-01 | 2020-12-18 | 福建睿思特科技股份有限公司 | 一种基于数据分析的智能路况管理系统 |
| DE102019213749A1 (de) * | 2019-09-10 | 2021-03-11 | Zf Friedrichshafen Ag | Verfahren zum Einhalten einer optimalen Geschwindigkeitsvorgabe für eine von einem Fahrzeug zurückzulegende Strecke |
| US20220371590A1 (en) * | 2019-10-25 | 2022-11-24 | Zf Friedrichshafen Ag | Model-Based Predictive Control of a Drive Machine of the Powertrain of a Motor Vehicle and at Least One Vehicle Component Which Influences the Energy Efficiency of the Motor Vehicle |
| US20220371450A1 (en) | 2019-10-25 | 2022-11-24 | Zf Friedrichshafen Ag | Model-Based Predictive Regulation of an Electric Machine in a Drivetrain of a Motor Vehicle |
| US20220402508A1 (en) | 2019-11-14 | 2022-12-22 | Zf Friedrichshafen Ag | Model Predictive Control of Multiple Components of a Motor Vehicle |
| CN111008505B (zh) * | 2019-11-18 | 2023-05-23 | 西华大学 | 城市坡道行驶工况构建方法及应用 |
| CN111260117B (zh) * | 2020-01-10 | 2022-03-25 | 燕山大学 | 一种基于气象因子的ca-narx水质预测方法 |
| US11685262B2 (en) | 2020-12-03 | 2023-06-27 | GM Global Technology Operations LLC | Intelligent motor vehicles and control logic for speed horizon generation and transition for one-pedal driving |
| US11752881B2 (en) | 2021-01-20 | 2023-09-12 | GM Global Technology Operations LLC | Intelligent vehicles and control logic for brake torque request estimation for cooperative brake system control |
| DE102021202468A1 (de) | 2021-03-15 | 2022-09-15 | Zf Friedrichshafen Ag | Vorrichtung und Verfahren zur modellbasierten prädizierten Regelung einer Komponente eines Fahrzeugs |
| US12122248B2 (en) | 2021-03-15 | 2024-10-22 | GM Global Technology Operations LLC | Intelligent vehicles and control logic for managing faults for dual-independent drive unit axle powertrains |
| US12024025B2 (en) | 2022-02-11 | 2024-07-02 | GM Global Technology Operations LLC | Intelligent motor systems and control logic for creating heat with constant offset torque in stationary vehicles |
| CN114523967B (zh) * | 2022-02-28 | 2024-06-11 | 重庆长安汽车股份有限公司 | 一种基于神经网络的预见巡航控制方法 |
| CN115859123B (zh) * | 2023-03-01 | 2023-05-02 | 太原理工大学 | 基于随机预测与机器学习的车辆行驶工况在线识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10062856B4 (de) * | 2000-12-16 | 2008-01-10 | Daimlerchrysler Ag | Verfahren zur fahrzeugindividuellen Verkehrsprognose |
| JP5378002B2 (ja) * | 2009-02-19 | 2013-12-25 | アイシン・エィ・ダブリュ株式会社 | 車両動作推定装置、車両動作推定方法および車両動作推定プログラム |
-
2011
- 2011-12-30 ES ES201132144A patent/ES2411629B1/es not_active Expired - Fee Related
-
2012
- 2012-12-12 ES ES12382494.8T patent/ES2535689T3/es active Active
- 2012-12-12 EP EP20120382494 patent/EP2610836B1/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| ES2411629R1 (es) | 2013-08-28 |
| EP2610836B1 (en) | 2015-02-18 |
| EP2610836A1 (en) | 2013-07-03 |
| ES2411629B1 (es) | 2014-03-11 |
| ES2411629A2 (es) | 2013-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2535689T3 (es) | Dispositivo y método para la predicción 'on-line' del ciclo de conducción en un vehículo automóvil | |
| Hellinga et al. | Decomposing travel times measured by probe-based traffic monitoring systems to individual road segments | |
| Covaciu et al. | Estimation of the noise level produced by road traffic in roundabouts | |
| Allström et al. | Hybrid approach for short-term traffic state and travel time prediction on highways | |
| Balakrishna et al. | Time-dependent origin-destination estimation without assignment matrices | |
| Valera et al. | Driving cycle and road grade on-board predictions for the optimal energy management in EV-PHEVs | |
| CN105206051B (zh) | 一种城市路网合理性评价方法及装置 | |
| CN108335483A (zh) | 交通拥堵扩散路径的推断方法及其系统 | |
| CN101807348B (zh) | 一种动态网络导航系统及方法 | |
| CN104406530A (zh) | 一种基于激光测距的车辆超高超宽监控系统 | |
| Salim et al. | Estimation of average space headway under heterogeneous traffic conditions | |
| Bellini et al. | WiP: traffic flow reconstruction from scattered data | |
| ES2681958T3 (es) | Sistema y procedimiento de clasificación de vehículos | |
| CN109358351B (zh) | 基于北斗定位的曲线路径动态车距测算方法 | |
| Dalton et al. | A simplified route choice model using the shortest angular path assumption | |
| Alrukaibi et al. | Real-time travel time estimation in partial network coverage: A case study in Kuwait City | |
| CN106571031A (zh) | 一种结合元胞自动机交通流模型的交通噪声动态模拟方法 | |
| Mugayskikh et al. | Time-dependent multiple depot vehicle routing problem on megapolis network under wardrop's traffic flow assignment | |
| CN104952251A (zh) | 基于卡口和hadoop技术的城市高架桥交通状态感知方法 | |
| Wei et al. | GPS probe based freeway real-time travel speed estimation using Kalman filter | |
| Marinósson et al. | Simulation framework for the autobahn traffic in North Rhine-Westphalia | |
| Fan et al. | The Access Delay Model under High Access Volume | |
| Guo et al. | Offline time-sensitive travel time estimation in an urban road network | |
| Haumann | Optimizing the operation range of e-bikes in routing systems | |
| Hanzl et al. | Implementation of a theoretical model for the calculation of slow vehicle travel times on alternative routes |