KR20230078740A - 확률에 기반하여 기반에 대한 속도를 예측하기 위한 컴퓨터-보조 방법 및 디바이스 - Google Patents

확률에 기반하여 기반에 대한 속도를 예측하기 위한 컴퓨터-보조 방법 및 디바이스 Download PDF

Info

Publication number
KR20230078740A
KR20230078740A KR1020237014202A KR20237014202A KR20230078740A KR 20230078740 A KR20230078740 A KR 20230078740A KR 1020237014202 A KR1020237014202 A KR 1020237014202A KR 20237014202 A KR20237014202 A KR 20237014202A KR 20230078740 A KR20230078740 A KR 20230078740A
Authority
KR
South Korea
Prior art keywords
acceleration
value
driving
time interval
speed
Prior art date
Application number
KR1020237014202A
Other languages
English (en)
Inventor
니코 디트코크
알렉산더 바세르부르거
크리스토프 하메트너
크리스티안 마이어
Original Assignee
아베엘 리스트 게엠베하
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 아베엘 리스트 게엠베하 filed Critical 아베엘 리스트 게엠베하
Publication of KR20230078740A publication Critical patent/KR20230078740A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/004—Testing the effects of speed or acceleration
    • 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
    • G01M17/06—Steering behaviour; Rolling behaviour
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • 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
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/02—Details or accessories of testing apparatus
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/10—Testing internal-combustion engines by monitoring exhaust gases or combustion flame
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B9/00—Simulators for teaching or training purposes
    • G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
    • G09B9/04—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles
    • G09B9/042—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles providing simulation in a real vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Mechanical Engineering (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Combustion & Propulsion (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Analytical Chemistry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)

Abstract

본 발명은 차량용 주행 사이클을 생성하기 위한 컴퓨터-보조 방법에 관한 것으로서, 상기 주행 사이클은 운전 동작, 특히 실제 운전 동작을 시뮬레이션하기에 적합하다. 이러한 컴퓨터-보조 방법은, 과거 속도 곡선으로부터, 현재 시간 간격에 대한 주행 사이클의 상태 벡터를 알아내는 단계, 가속도 예측 모델을 제공하는 단계, 상기 가속도 예측 모델 및 상기 상태 벡터로부터 얻어지는 확률을 고려하면서 가속도 값을 결정하는 단계, 다음 장래 시간 간격에 대한 예측된 속도 값을 획득하기 위하여, 결정된 가속도 값을 상기 현재 시간 간격 동안에 적분하는 단계, 및 상기 주행 사이클을 생성하기 위하여, 상기 예측된 속도 값을 상기 과거 속도 곡선에 추가하는 단계를 가진다. 또한 본 발명은 차량용 주행 사이클을 생성하기 위한 디바이스 - 상기 주행 사이클은 운전 동작, 특히 실제 운전 동작을 시뮬레이션하기에 적합함 -, 과거 속도 곡선으로부터, 현재 시간 간격에 대한 주행 사이클의 상태 벡터를 알아내기 위한 수단, 가속도 예측 모델을 제공하기 위한 수단, 상기 가속도 예측 모델 및 상기 상태 벡터로부터 얻어지는 확률을 고려하여, 가속도 값을 결정하기 위한 수단, 다음 장래 시간 간격에 대한 예측된 속도 값을 획득하기 위하여, 결정된 가속도 값을 상기 현재 시간 간격에 걸쳐 적분하기 위한 수단, 및 상기 주행 사이클을 생성하기 위하여, 상기 예측된 속도 값을 상기 과거 속도 곡선에 추가하기 위한 수단에 관한 것이다.

Description

확률에 기반하여 기반에 대한 속도를 예측하기 위한 컴퓨터-보조 방법 및 디바이스
본 발명은 운전 동작, 특히 실제 운전 동작을 시뮬레이션하기에 적합한 차량용 주행 사이클을 생성하기 위한 컴퓨터-보조 방법 및 디바이스에 관한 것이다.
연소 엔진이 있는 차량에 대한 배기가스 규정은 도로 상에서의 실제 운전 조건에 점점 더 가까워지고 있는 운전 조건을 고려하는 것을 목적으로 하는 진행중인 변화에 노출된다. 이러한 배기가스 규정의 하나의 예는 실제 운전 조건에서의 차량 배기가스에 대한 테스팅 프로시저에 대한 유럽 연합의 규정, 소위 RDE(Real Driving Emissions)이다. 이러한 테스트 프로시저는, 예를 들어 차량 타입에 대한 승인 프로시저의 일부이다. 결과적으로, 배기가스 테스트는 더 이상 일반적으로 규정된 주행 사이클을 가지고 차량 테스트 벤치 상에서만 일어나지 않고, 그 대신에, 예를 들어 실제 교통 상황의 영향 및 운전자의 실제 운전 거동을 고려하기 위해서 실제 운전 조건에서 수행될 필요가 있다.
따라서, 예를 들어, 상이한 속도 범위 및 최소 또는 최대 정지 시간을 수반하는 경로들이, 방향별(directive-compliant) 배기가스 결정을 위한 기반으로서의 역할을 하는 RDE-준수 주행 사이클에 포함되어야 한다. 그러나, 도로에서의 실제 운전 조건을 고려하는 것을 목적으로 하는 배기가스 규정은 복수 개의 상이한 주행 사이클이 생길 수 있게 하고, 따라서 차량 개발 과정 중에 차량 제조사에 대한 방대한 양의 테스트를 수반한다. 실제 운전 조건에서의 차량의 소모량을 결정할 수 있기 위하여, 소모량은 통상적으로 약 1000 개의 RDE-준수 주행 사이클에 대해서 결정된다. 이러한 테스팅 노력은 사실적인 운전 거동을 고려하는 복수 개의 상이한 가이드라인-준수 주행 사이클을 시뮬레이션함으로써 절감될 수 있다.
이러한 주행 사이클을 생성하기 위하여, 마코프 사슬(Markov chain) 또는 신경망이 주행 사이클을 시뮬레이션하기 위하여 사용될 수 있다. 그러나, 이러한 방식으로 생성된 주행 사이클은 실제 도로 조건에서 측정된 주행 사이클로부터 상당한 편차를 보여준다. 대안적으로, 주행 사이클을 생성하기 위하여, 실제 도로 조건에서 측정된 짧은 경로들이 상이한 방식으로 서로 조합될 수 있다. 그러나, 이러한 방식으로 생성된 주행 사이클은 서로 상대적으로 유사하고, 따라서 단순하게도 차량의 실제 평균 소모량을 결정하기 위한 가변성(variability)을 충분하게 제공하지 않는다.
본 발명의 하나의 목적은 차량의 실제 운전 거동에 대응하는 복수 개의 상이한 주행 사이클을 생성하는 것이다.
이러한 목적은 독립 청구항에 따른 컴퓨터-보조 방법 및 디바이스에 의해서 해결된다. 바람직한 실시형태들은 종속항에서 청구된다.
본 발명의 제 1 양태는 운전 동작, 특히 실제 운전 동작을 시뮬레이션하기에 적합한 차량용 주행 사이클을 생성하기 위한 컴퓨터-보조 방법에 관련된다. 컴퓨터-보조 방법은, 과거 속도 곡선으로부터, 현재 시간 간격에 대한 주행 사이클의 상태 벡터를 구축하는 작업 단계, 가속도 예측 모델을 제공하는 작업 단계, 상기 가속도 예측 모델 및 상기 상태 벡터로부터 얻어지는 확률을 고려하여, 가속도 값을 결정하는 작업 단계, 다음 장래 시간 간격에 대한 예측된 속도 값을 획득하기 위하여, 결정된 가속도 값을 상기 현재 시간 간격 동안에 적분하는 작업 단계, 및 상기 주행 사이클을 생성하기 위하여, 상기 예측된 속도 값을 상기 과거 속도 곡선에 첨부하는 작업 단계를 포함한다.
본 발명의 의미에서 주행 사이클은, 특히 등속도 값이 지정된 시간 간격 또는, 등속도 값이 각각 지정된 다수의 시간 간격의 시간순 시퀀스이다.
본 발명의 의미에서 주행 사이클의 현재 시간 간격은, 특히 과거의 주행 사이클 시간 간격에 바로 따라오고, 유한 값이거나 0일 수 있는 현재 속도 값이 지정되는 시간 간격이다.
본 발명의 의미에서 과거 속도 곡선은, 특히 속도 값이 지정되는 현재 시간 간격 및/또는 속도 값이 지정되는 과거 시간 간격 및/또는 지정된 등속도 값이 각각 지정된 복수 개의 과거 시간 간격이다. 속도 값은 유한 값이거나 0일 수 있다.
본 발명의 의미에서 가속도 값은 양의 가속도의 경우에는 양수이거나, 본 명세서에서 감속이라고 불리는 음의 가속도의 경우에는 음수이다.
본 발명의 의미에서 현재 시간 간격에 대한 주행 사이클의 상태 벡터는, 특히 하나 이상의 속도 값 및/또는 하나 이상의 가속도 값 및/또는 하나 이상의 가속도 변화 값 및/또는 여러 시간 간격을 포함하는 하나 이상의 값에 대응하는 성분이 있는 벡터이다.
본 발명의 의미에서 가속도 예측 모델은, 특히 현재 시간 간격에 대한 또는 현재 시간 간격에 연대순으로 후속하는 하나 이상의 시간 간격에 대한 하나 이상의 가속도 값을 결정하기 위한 모델이다. 본 발명의 의미에서 가속도 예측 모델은, 조건부 가속도 예측(conditional acceleration prediction; CAP)이라고도 불릴 수 있다.
본 발명은, 특히 현재 시간 간격에서의 주행 사이클의 현재 상태, 즉, 현재 시간 간격 및/또는 적어도 하나의 과거 시간 간격과 연관된 적어도 하나의 속도 값을 과거 속도 곡선으로부터 구축하고, 상태 벡터 및 확률-기반 가속도 예측 모델을 사용하여 현재 시간 간격에 대한 가속도 값을 결정하는 접근 방법에 기반하고 있다. 이렇게 결정된 가속도 값을 현재 시간 간격에 걸쳐서 적분함으로써, 예측된 속도 값이 장래 시간 간격에 대해서 획득되고, 이것이 과거 속도 곡선에 첨부된다.
종래 기술과 비교할 때, 본 발명에 따라서 차량용 주행 사이클을 생성하기 위한 컴퓨터-보조 방법은, 일면으로는 상이한 속도 곡선을 가지고, 다른 면으로는 실제 조건에서 측정된 주행 사이클에 대해서 가속도 예측 모델을 사용하는 것에 기인하여 많은 유사도를 보여주는 임의의 개수의 주행 사이클이 생성될 수 있다는 장점을 가진다.
주행 사이클을 생성하기 위한 방법의 하나의 바람직한 실시예에서, 상기 가속도 예측 모델 및 상기 상태 벡터로부터 얻어지는 확률을 고려하여, 가속도 값을 결정하는 작업 단계는, 상기 상태 벡터의 함수인 상기 가속도 예측 모델을 이용하여, 가속인 현재 시나리오에 대한 확률 값 및 감속인 현재 시나리오에 대한 확률 값 및 등속 상태인 현재 시나리오에 대한 확률 값을 구축하는 작업 단계를 포함한다. 확률을 고려하여 가속도 값을 결정하는 작업 단계는, 가속, 감속 및 등속인 현재 시나리오에 대한 확률 값에 기반하여, 상기 현재 시간 간격에 대하여 가속, 감속 또는 등속 시나리오를 무작위로 선택하는 작업 단계, 및/또는 상기 상태 벡터의 함수인 가속도 예측 모델을 이용하여, 상기 무작위로 선택된 시나리오의 가속도 값의 확률 분포를 구축하는 작업 단계, 및 상기 무작위로 선택된 시나리오의 가속도 값의 확률 분포에 기반하여, 상기 현재 시간 간격에 대한 가속도 값을 무작위로 선택하는 작업 단계를 더 포함한다.
본 발명의 의미에서 현재 시나리오는, 특히 현재 시간 간격 안에서 가속, 감속 또는 등속 상태이다.
본 발명의 의미에서 무작위 선택은, 특히 개별적으로 통계적인 의미에서의 무작위 샘플링인 무작위 샘플링이다.
가속, 감속 또는 등속 시나리오를 현재의 가속, 감속 및 등속 시나리오에 대한 확률 값에 기반하여 무작위로 선택하고, 현재 시간 간격에 대한 가속도 값을 가속도 값의 확률 분포에 기반하여 무작위로 선택하면 다음의 장점들이 생긴다: 서로 유사성이 없는 복수 개의 주행 사이클이 가속도 예측 모델을 사용하여 동일한 과거 속도 곡선으로부터 생성될 수 있다. 더욱이, 이들은 실제 운전 조건에서의 차량의 평균 소모량을 결정하기 위한 충분한 가변성을 제공한다.
주행 사이클을 생성하기 위한 방법의 추가적인 바람직한 실시형태에서, 주행 사이클은 상기 방법의 작업 단계를 나열된 순서로 반복적으로 실행함으로써 생성되고, 각각의 예측된 속도 값이 이전의 반복으로부터의 과거 속도 곡선에 첨부된다. 그러면, 임의의 길이의 주행 사이클을 생성할 수 있는 장점이 생긴다.
주행 사이클을 생성하기 위한 방법의 추가적인 바람직한 실시형태에서, 통계적 속도 분포가 장래 시간 간격에 대하여 획득되도록, 다수의 예측된 속도 값이 각각의 경우에 과거 속도 곡선에 기반하여 동일한 장래 시간 간격에 대해서 획득된다. 장래 시간 간격에 대한 통계적 속도 분포는 생성된 주행 사이클의 통계적 평가가 가능해지게 한다. 예를 들어, 이를 통하여, 통계적 속도 분포의 각각의 기대 값에 대응하는 속도 값을 가지는 주행 사이클들이 생성될 수 있다.
주행 사이클을 생성하기 위한 방법의 추가적인 바람직한 실시형태에서, 상태 벡터는 상기 현재 시간 간격에 대하여, 적어도 하나의 현재 속도 값 및/또는 하나 이상의 과거 속도 값 및/또는 하나 이상의 시간 간격의 하나 이상의 가속도 값 및/또는 하나 이상의 시간 간격의 하나 이상의 가속도 변화 값 및/또는 진행중인 가속 기동(ongoing acceleration maneuver)의 지속시간에 따른 시간 간격의 개수에 대응하는 값 및/또는 진행중인 감속 기동의 지속시간에 따른 시간 간격의 개수에 대응하는 값 및/또는 및 진행중인 등속 상태의 지속시간에 따른 시간 간격의 개수에 대응하는 값을 보여준다.
본 발명의 의미에서 시간 간격 가속도 변화는, 특히 어떤 시간 간격 내의 가속도 값과 이전의 시간 간격 내의 가속도 값 사이의 차이이다.
본 발명의 의미에서 가속 기동은, 특히 과거에, 즉 현재 시간 간격 이전의 과거 시간 간격에 시작된 하나 이상의 시간 간격에 걸친 임의의 가속도 값의 비단속(uninterrupted) 가속 프로세스이다. 진행중인 가속 기동은, 가속 기동이 현재 시간 간격 바로 앞의 시간 간격까지 계속된다는 것을 의미한다.
본 발명의 의미에서 감속 기동은, 특히 과거에, 즉 현재 시간 간격 이전의 과거 시간 간격에 시작된 하나 이상의 시간 간격에 걸친 임의의 음의 가속도 값의 감속의 비단속 프로세스이다. 진행중인 감속 기동은, 감속 기동이 현재 시간 간격 바로 앞의 시간 간격까지 계속된다는 것을 의미한다.
본 발명의 의미에서 등속 상태, 특히 과거에, 현재 시간 간격 이전의 과거 시간 간격에 시작된 하나 이상의 시간 간격에 걸쳐서 등속도 값을 유지하는 것이다. 진행중인 등속 상태는, 등속 상태가 현재 시간 간격 바로 앞의 시간 간격까지 계속된다는 것을 의미한다.
현재 시간 간격의 상태 벡터가 진행중인 가속 기동의 지속기간에 따른 값, 진행중인 감속 기동의 지속기간에 따른 값 및/또는 진행중인 등속 상태의 지속기간에 따른 값을 포함하기 때문에, 주행 사이클의 이미 생성된 부분 내의 가속 기동, 감속 기동의 지속기간 및/또는 등속 상태의 지속기간은 주행 사이클의 추가적인 코스(course)에 영향을 준다.
차량의 실제 운전 거동에 따라서, 주행 사이클의 과거의 가속 기동의 지속기간은, 가속 기동이 주행 사이클의 현재 시간 간격 및 장래 시간 간격 내에서 계속되도록 본 발명에 따라 구축된 확률에 영향을 준다. 동일한 내용이 감속 기동 및 등속 상태에도 적용된다. 현재 시간 간격 및 장래 시간 간격에 대한 무작위로 선택된 시나리오의 가속도 값의 구축된 확률 분포는, 주행 사이클의 과거에 있는 가속 기동, 감속 기동 또는 등속 상태의 지속시간에도 의존한다. 이것은, 생성된 주행 사이클 및 실제 조건에서 측정된 주행 사이클의 유사도가 더 증가되는 장점을 가진다.
주행 사이클을 생성하기 위한 방법의 추가적인 바람직한 실시형태에서, 상기 가속도 예측 모델 및 상기 상태 벡터로부터 얻어지는 확률을 고려하여, 결정된 상기 가속도 값은, 진행중인 가속 기동, 진행중인 감속 기동 또는 진행중인 등속 상태의 지속기간에 기반한다. 이것은 가속 기동, 감속 기동 또는 등속 상태의 지속기간이 실제 운전 조건에 맞게 적응되고, 따라서 생성된 주행 사이클 및 실제 조건에서 측정된 주행 사이클 사이의 유사도를 더 증가시킬 수 있다는 장점을 가진다.
주행 사이클을 생성하기 위한 방법의 추가적인 바람직한 실시형태에서, 과거 속도 곡선은 적어도 하나의 속도 값을 가진다. 적어도 하나의 속도 값은 유한 값 또는 0일 수 있다. 이것은 주행 사이클이 하나의 속도 값으로부터 생성될 수 있다는 장점을 가진다.
주행 사이클을 생성하기 위한 방법의 추가적인 바람직한 실시형태에서, 가속인 현재 시나리오 및/또는 감속인 현재 시나리오 및/또는 등속 상태인 현재 시나리오는 가속도 값의 확률 분포를 각각 나타낸다. 그러면 생성된 주행 사이클의 통계적 평가가 가능해진다. 예를 들어, 주행 사이클은 이를 통하여 속도 값을 가지고, 개별적인 시간 간격 내의 가속도 값의 확률 분포의 각각의 기대 값에 대응하는 가속도 값에 기반하여 생성될 수 있다.
주행 사이클을 생성하기 위한 방법의 추가적인 바람직한 실시형태는 가속도 값의 확률 분포의 기대 값을 과거 속도 곡선에 기반하여 설정한다. 바람직하게는, 모델링된 확률 분포의 기대 값이 현재 속도 값 및 과거 속도 값에 기반하여 유도된다. 바람직하게는, 모델링된 확률 분포의 기대 값은 현재 속도 값 및 바로 앞의 현재 속도 값에 기반하여 설정된다. 이것은 주행 사이클의 속도 곡선이 연대순으로 부드럽거나 일정한 진행을 보여준다는 장점을 가진다. 이를 통하여, 시간에 따라서 생성된 주행 사이클의 속도 곡선에 갑작스러운 도약이 생기는 것이 방지되고, 그러면 실제 조건에서 측정된 주행 사이클에 대한 주행 사이클의 유사도가 더 증가된다.
주행 사이클을 생성하기 위한 방법의 추가적인 바람직한 실시형태에서, 상기 가속도 예측 모델은, 적어도 하나의 실제 차량의 측정된 운전 데이터의 통계적 평가에 기반하고, 적어도 하나의 실제 차량의 상기 측정된 운전 데이터는 속도 값들의 시간순 시퀀스만을 포함한다. 바람직하게는, 실제 운전 조건에서 측정된 실제 차량의 운전 데이터가 모델 훈련을 위하여, 특히 모델 파라미터를 결정하기 위하여 사용된다. 이것은 가속도 예측 모델을 사용하여 생성된 주행 사이클 및 실제 조건에서 측정된 주행 사이클 사이의 유사도가 증가되는 장점을 가진다.
본 발명의 추가적인 양태는 특히 예측 운전 기능을 위하여 적응식 크루즈 콘트롤 시스템(adaptive cruise control system), 특히 운전자 보조 시스템(driver assistance system)을 사용하여 차량을 운전하기 위한 방법으로서, 상기 차량 전방에서 운행중인 차량의 주행 사이클은 인용된 실시형태 중 하나에 따른 컴퓨터-보조 방법을 사용하여 결정되는, 차량 운전 방법에 관한 것이다.
차량을 운전하기 위한 방법의 하나의 바람직한 실시형태에서, 차량 및 전방에 있는 차량 사이의 거리는 적응식 크루즈 콘트롤을 위한 입력 값 또는 경계 조건으로서 사용되지 않고, 바람직하게는 차량 및 전방의 차량 사이의 거리는 비용 함수 솔루션 또는 비용 최적화 함수 솔루션 각각에 기반하고 있다. 따라서, 차량 및 전방의 차량 사이의 거리는 일정한 변수가 아니고, 이것은 거리가 현재 교통 상태에 적응될 수 있다는 장점을 가진다.
차량을 운전하기 위한 방법의 추가적인 바람직한 실시형태에서, 통계적 속도 분포가 장래 시간 간격에 대해서 획득되도록, 다수의 예측된 속도 값이 과거 속도 곡선에 기반하여 동일한 장래 시간 간격에 대하여 획득되고, 상기 차량을 운전하기 위한 안전 조건(safety condition)이 상기 통계적 속도 분포로부터 유도된다. 특히, 차량을 운전하기 위한 이러한 안전 조건 중에서, 두 차량들이 충돌하는 것을 방지하기 위하여 차량 및 전방의 차량 사이에 유지될 필요가 있는 최소 거리를 결정하는 것이 있다. 이를 통하여, 차량을 운전할 때에 안전도가 증가될 수 있다.
본 발명의 추가적인 양태는, 특히 예측 운전 기능을 위하여 운전자 보조 시스템에 의해서 사용되기에 적합한 차량용 주행 사이클을 생성하기 위한 방법으로서, 인용된 실시형태 중 하나에 따라서 주행 사이클을 생성하기 위한 방법의 작업 단계를 포함하는, 주행 사이클 생성 방법에 관한 것이다.
본 발명의 추가적인 양태는, 자동차의 적어도 하나의 컴포넌트를 분석하기 위한 방법으로서, 상기 적어도 하나의 컴포넌트 또는 상기 자동차가 인용된 실시형태 중 하나에 따라서 주행 사이클을 생성하기 위한 방법을 사용하여 결정된 적어도 하나의 주행 사이클에 기반하여, 실제 또는 시뮬레이션된 테스트 동작을 거치는, 자동차 컴포넌트 분석 방법에 관한 것이다.
더 바람직하게는, 적어도 하나의 자동차 컴포넌트를 분석하기 위한 방법은, 규정된 횟수의 반복 이후에, 다수의 예측된 속도 값이 적어도 하나의 경계 조건, 특히 RDE(Real Driving Emission) 가이드라인을 준수하는지 점검하는 단계를 포함하고, 이러한 점검은, 특히 특정 횟수의 반복들 각각의 종료 시에 주기적으로 되풀이되며, 상기 특정 횟수의 반복은, 예를 들어 약 5 분인 미리 규정된 총 시간 간격에 대응한다. 그러면, RDE 가이드라인을 준수하는 주행 사이클을 생성할 수 있다는 장점이 생긴다.
더 바람직하게는, 적어도 하나의 자동차 컴포넌트를 분석하기 위한 방법은, 상기 점검에 기반하여, 현재 가속 시나리오에 대한 확률 값 및/또는 현재 감속 시나리오에 대한 확률 값 및/또는 현재 등속 상태 시나리오에 대한 확률 값을 현재 시간 간격에 대하여 정정하는 단계 및/또는 상기 점검에 기반하여, 가속도 값을 상기 현재 시간 간격에 대하여 정정하는 단계를 포함한다. 그러면, RDE 가이드라인을 준수하는 주행 사이클을 생성할 수 있다는 장점이 생긴다.
본 발명의 추가적인 양태는, 컴퓨터에 의하여 실행될 때 컴퓨터가 인용된 실시형태 중 하나에 따른 방법의 단계들을 실행하도록 하는 명령을 보유한 컴퓨터 프로그램 제품에 관한 것이다.
본 발명의 추가적인 양태는, 인용된 실시형태 중 하나에 따른 컴퓨터 프로그램 제품이 저장된 컴퓨터-판독가능 매체에 관한 것이다.
본 발명의 추가적인 양태는, 운전 동작, 특히 실제 운전 동작을 시뮬레이션하기에 적합한 차량용 주행 사이클을 생성하기 위한 디바이스, 및 과거 속도 곡선으로부터, 현재 시간 간격에 대한 주행 사이클의 상태 벡터를 구축하기 위한 수단, 가속도 예측 모델을 제공하기 위한 수단, 상기 가속도 예측 모델 및 상기 상태 벡터로부터 얻어지는 확률을 고려하여, 가속도 값을 결정하기 위한 수단, 다음 장래 시간 간격에 대한 예측된 속도 값을 획득하기 위하여, 결정된 가속도 값을 상기 현재 시간 간격 동안에 적분하기 위한 수단, 및 상기 주행 사이클을 생성하기 위하여, 상기 예측된 속도 값을 상기 과거 속도 곡선에 첨부하기 위한 수단에 관한 것이다.
본 발명의 의미 안에서 수단은 하드웨어 및/또는 소프트웨어일 수 있고, 특히 바람직하게는 메모리 또는 버스 시스템에 데이터로 연결되거나 각각 신호가 연결되는 특히 디지털 처리 유닛, 특히 마이크로프로세서 유닛(CPU) 및/또는 하나 이상의 프로그램 또는 프로그램 모듈을 진다. 이를 통하여, CPU는 메모리 시스템 내에 저장된 프로그램으로서 구현된 명령어를 처리하고, 데이터 버스로부터의 입력 신호를 캡쳐하며 및/또는 출력 신호를 데이터 버스에 전송하도록 설계될 수 있다. 메모리 시스템은 하나 이상의, 특히 상이한 저장 매체, 특히 광학식, 자기식 고상 및/또는 그 외의 비-휘발성 매체를 포함할 수 있다. 프로그램은, CPU가 이러한 방법의 단계를 실행할 수 있고, 따라서 특히 왕복운동하는 피스톤 엔진을 모니터링할 수 있도록, 본 명세서에 기술된 방법을 구현하거나 수행할 수 있도록 제공될 수 있다.
추가적인 특징 및 장점은 도면과 공동으로 후속하는 설명으로부터 유도된다.
도면은 적어도 부분적으로 그리고 개략적으로 다음을 보여준다:
도 1은 차량용 주행 사이클을 생성하기 위한 진보적인 컴퓨터-보조 방법의 바람직한 예시적인 실시형태를 보여주고, 이러한 방법은 실제 운전 동작을 시뮬레이션하기에 적합하다;
도 2는 RDE-준수 차량용 주행 사이클을 생성하기 위한 진보적인 컴퓨터-보조 방법의 바람직한 예시적인 실시형태를 보여준다; 그리고
도 3은 실제 운전 동작을 시뮬레이션하기에 적합한, 차량용 주행 사이클을 생성하기 위한 디바이스의 바람직한 예시적인 실시형태를 보여준다.
도 1은 차량용 주행 사이클을 생성하기 위한 본 발명에 따른 컴퓨터-보조 방법(100)의 바람직한 예시적인 실시형태를 보여주고, 이러한 방법(100)은 실제 운전 동작을 시뮬레이션하기에 적합하다.
방법(100)의 단계 101은 제공되는 과거 데이터를 가진다. 과거 데이터는 과거 속도 데이터 또는 과거 속도 곡선을 나타내고, 연속적으로 규정된 시간 간격들과 각각 연관된 속도 값을 포함하거나 이것으로 이루어진다. 규정된 시간 간격은 일정한 시간 간격일 수 있거나 그 길이가 변할 수 있다. 과거 데이터는 하나의 시간 간격과 연관된 하나의 속도 값을 포함하거나 이것으로 이루어진다. 이러한 단일 속도 값은 0일 수도 있다. 과거 속도 곡선의 가장 최근의 속도 값이 현재 시간 간격에 지정된다.
단계 102에서, 과거 속도 데이터 또는 속도 곡선 각각으로부터 상태 벡터 xt가 현재 시간 간격에 대하여 구축된다. 상태 벡터 xt는 성분으로서, 현재 시간 간격 t의 현재 속도 값 vt, 현재 시간 간격 t 바로 직전인 시간 간격 t-1의 가속도 값 at-1, 가속 기동이 현재 시간 간격 직전에 일어나는 시간 간격들의 개수에 대응하는 값 sa,t, 감속 기동이 현재 시간 간격 직전에 일어나는 시간 간격들의 개수에 대응하는 값 se,t, 및 등속 상태가 현재 시간 간격 직전에 유지되었던 시간 간격들의 개수에 대응하는 값 sk,t를 가진다.
도 1 사용된 sj,t 지정은 sa,t, se,t 및 sk,t의 세 개의 값을 가리키고, 여기에서 인덱스 j는 가속 기동에 대하여 a를, 감속 기동에 대하여 e를, 또는 등속 상태에 대하여 k를 취할 수 있다. 상태 벡터는 속도 값, 가속도 값, 가속도 값의 변화, 또는 시간 간격들의 개수에 대응하는 추가적인 성분 또는 그 외의 성분을 가질 수 있다.
단계 103에서, 현재 가속 시나리오에 대한 확률 값 p(xt) 및 현재 감속 시나리오에 대한 확률 값 q(xt)는 가속도 예측 모델을 이용하여 상태 벡터로부터 구축된다. 그러면, 등속 상태에 대한 확률 값 y는 바람직하게는 다음 관계식으로부터 얻어진다: y =(1) -p(xt)-q(xt). 가속도 예측 모델은 바람직하게는 실제 차량의 측정된 운전 데이터의 통계적 평가에 기반하는데, 여기에서 측정된 운전 데이터는 연대순으로 연속적인 시간 간격들과 연관된 속도 값들의 시간순 시퀀스로만 이루어진다.
단계 104에서, 단계 103에서 구축된 확률 값 p(xt), q(xt) 및 1-p(xt)-q(xt)에 기반하여, 세 가지 시나리오, 즉 가속 시나리오, 감속 시나리오 또는 등속 상태의 시나리오 중 하나의 무작위 선택이 이제 통계적 무작위 샘플링의 측면에서 이루어진다.
가속도 값의 확률 분포가 무작위로 선택된 시나리오에 대하여 상태 벡터의 함수인 가속도 예측 모델을 이용하여 구축되고, 바람직하게는 연속 확률 분포가 해당 확률 분포에 맞게 모델링된다. 더 바람직하게는, 무작위로 선택된 시나리오 내의 가능한 각각의 가속도 값에 확률이 지정될 수 있다.
단계 105에서, 임의의 무작위 가속도 값 at의 통계적 무작위 샘플링의 측면에서의 무작위 선택이 현재 시간 간격 t에 대하여, 무작위로 선택된 시나리오의 구축된 확률 분포로부터 이루어진다.
단계 106에서, 장래의 다음 시간 간격 t+1에 대한 다음 예측된 속도 값 vt+1을 획득하기 위하여, 무작위로 선택된 가속도 값 at가 현재 시간 간격 t에 걸쳐서 적분된다.
단계 107에서, 새로운 속도 값 vt+1이 과거 속도 곡선에 첨부된다. 그 후에, 시간 간격 t+1에 대한 새로운 속도 값 vt+1이, 단계 102에서의 방법의 두 번째 반복에서 현재 시간 간격으로 취급된다. 단계 102 내지 단계 107을 반복적으로 실행하면, 가속도 예측 모델의 속성에 기인하여 실제 조건에서 측정된 주행 사이클과 유사한 주행 사이클이 생성된다.
도 2는 RDE-준수 차량용 주행 사이클을 생성하기 위한 진보적인 컴퓨터-보조 방법(200)의 바람직한 예시적인 실시형태를 보여준다.
방법(200)의 단계 201은 방법(100)의 전술된 단계 101과 동일하다. 과거의 속도 데이터가 제공된다.
방법(200)의 단계 202는 전술된 방법(100)의 단계 102 및 단계 103을 포함한다. 과거 속도 곡선으로부터, 상태 벡터 xt가 현재 시간 간격에 대하여 구축된다. 현재 가속 시나리오에 대한 확률 값 p(xt) 및 현재 감속 시나리오에 대한 확률 값 q(xt)가 가속도 예측 모델을 사용하여 상태 벡터로부터 구축된다.
방법(100)의 반복적 실행을 통하여 다수의 예측된 속도 값이 획득되고 과거 속도 곡선에 첨부된 이후에, 방법(100)의 규정된 횟수의 반복의 종료 시에, RDE 가이드라인의 기준들을 준수하기 위한 이전에 예측된, 즉 이전에 생성된 속도 값의 점검이 방법(200)의 단계 203에서 일어난다. 예를 들어, 이러한 주기적으로 순환하는 점검은 각각의 경우에 주행 사이클의 5-분 시간 범위가 도과되는 것에 대응하는 시간 간격들의 개수 이후에 일어날 수 있지만, 주기적 점검을 위한 다른 시간 범위도 역시 가능하다.
현재 가속 시나리오에 대한 및 현재 감속 시나리오에 대한 확률 값 p(xt) 및 q(xt)가 단계 202에서 구축된 이후에, 단계 203에서의 점검이, 과거 속도 곡선에 첨부된 이전에 예측된 속도 값이 RDE 가이드라인의 기준들을 준수하지 않는다는 것을 나타내면, 구축된 확률 값 p(xt) 및 q(xt)는 이에 상응하여 단계 204에서 정정된다.
따라서, 현재 가속 시나리오 또는 감속 시나리오는 정정된 확률 값 p'(xt) 및 q'(xt)를 각각 수신한다. 예를 들어, 단계 203에서의 점검이, 이전에 예측된 속도 값 및 대응하는 시간 간격이 증가된 속도에서의 고속도로 운전의 지속기간에 대한 RDE 가이드라인의 기준들을 만족시키지 않는다고 표시하면, 단계 204에서 가속 시나리오의 확률이 정정에 의해서 증가되고, 감속 시나리오에 대한 확률이 대응하도록 감소된다.
단계 205에서, 세 가지 시나리오, 즉 가속 시나리오, 감속 시나리오 또는 등속 상태의 시나리오 중 하나가 그 이후에, 단계 204를 통하여 정정된 확률 값 p'(xt), q'(xt) 및 1- p'(xt)- q'(xt)에 기반하여 무작위로 선택되고, 임의의 무작위 가속도 값 at의 무작위 선택이 방법(100)의 콘텍스트에서 설명된 바와 같이 무작위로 선택된 시나리오의 구축된 확률 분포로부터 이루어진다.
단계 204에서의 정정에 대안적으로 또는 추가적으로, 무작위로 선택된 가속도 값이 단계 206에서 단계 203의 점검에 따라서 정정될 수 있고, 정정된 가속도 값 a't가 이렇게 생성된다.
단계 207에서, 장래의 다음 시간 간격 t+1에 대한 다음 예측된 속도 값 vt+1을 획득하기 위하여, 정정된 가속도 값 a't가 현재 시간 간격 t에 걸쳐서 적분된다.
단계 208에서, 새로운 속도 값 vt+1이 과거 속도 곡선에 첨부된다. 그 후에, 시간 간격 t+1에 대한 새로운 속도 값 vt+1이, 단계 202에서의 방법(200)의 그 다음 반복에서 현재 시간 간격으로 취급된다. 단계 202 내지 단계 208을 반복적으로 실행하면, 가속도 예측 모델의 속성에 기인하여 실제 조건에서 측정된 주행 사이클과 유사하고 RDE 가이드라인을 준수하는 주행 사이클이 생성된다.
도 3은 실제 운전 동작을 시뮬레이션하기에 적합한, 차량용 주행 사이클을 생성하기 위한 디바이스(300)의 바람직한 예시적인 실시형태를 보여준다. 차량용 주행 사이클을 생성하기 위한 디바이스는 현재 시간 간격에 대한 주행 사이클의 상태 벡터를 과거 속도 곡선으로부터 구축하기 위한 수단(301)을 포함한다. 더 나아가, 주행 사이클을 생성하기 위한 디바이스는, 가속도 예측 모델을 제공하기 위한 수단(302), 상기 가속도 예측 모델 및 상기 상태 벡터로부터 얻어지는 확률을 고려하여, 가속도 값을 결정하기 위한 수단(303), 다음 장래 시간 간격에 대한 예측된 속도 값을 획득하기 위하여, 결정된 가속도 값을 상기 현재 시간 간격에 걸쳐 적분하기 위한 수단(304), 및 상기 주행 사이클을 생성하기 위하여, 상기 예측된 속도 값을 상기 과거 속도 곡선에 첨부하기 위한 수단(305)을 포함한다.
예시적인 실시형태가 어떠한 경우에도 보호 범위, 적용예, 및 구성을 한정하려는 의도가 아니라는 것에 주의해야 한다. 오히려, 앞선 설명은, 적어도 하나의 실시형태를 구현하기 위한 가이드라인을 당업자에게 제공하고, 특히 설명된 컴포넌트들의 기능과 배치에 관련하여 청구항 및 특징들의 등가 조합으로부터 얻어지는 보호 범위로부터 벗어나지 않으면서 다양한 변형들이 이루어질 수 있다.
참조 번호들의 목록
300 차량용 주행 사이클을 생성하기 위한 디바이스
301 주행 사이클의 상태 벡터를 구축하기 위한 수단
302 가속도 예측 모델을 제공하기 위한 수단
303 가속도 값을 결정하기 위한 수단
304 결정된 가속도 값을 적분하기 위한 수단
305 예측된 속도 값을 과거 속도 곡선에 첨부하기 위한 수단

Claims (19)

  1. 운전 동작, 특히 실제 운전 동작을 시뮬레이션하기에 적합한 차량용 주행 사이클(drive cycle)을 생성하기 위한 컴퓨터-보조 방법(100)으로서,
    과거 속도 곡선으로부터, 현재 시간 간격에 대한 주행 사이클의 상태 벡터를 구축하는 작업 단계(102);
    가속도 예측 모델을 제공하는 작업 단계;
    상기 가속도 예측 모델 및 상기 상태 벡터로부터 얻어지는 확률을 고려하여, 가속도 값을 결정하는 작업 단계(103, 104, 105);
    다음 장래 시간 간격에 대한 예측된 속도 값을 획득하기 위하여, 결정된 가속도 값을 상기 현재 시간 간격에 걸쳐 적분하는 작업 단계(106); 및
    상기 주행 사이클을 생성하기 위하여, 상기 예측된 속도 값을 상기 과거 속도 곡선에 첨부하는 작업 단계(107)
    를 포함하는, 컴퓨터-보조 방법.
  2. 제 1 항에 있어서,
    상기 가속도 예측 모델 및 상기 상태 벡터로부터 얻어지는 확률을 고려하여, 가속도 값을 결정하는 작업 단계(103, 104, 105)는,
    상기 상태 벡터의 함수인 상기 가속도 예측 모델을 이용하여, 가속인 현재 시나리오에 대한 확률 값 및 감속인 현재 시나리오에 대한 확률 값 및 등속 상태인 현재 시나리오에 대한 확률 값을 구축하는 작업 단계(103); 및
    가속, 감속 및 등속인 현재 시나리오에 대한 확률 값에 기반하여, 상기 현재 시간 간격에 대하여 가속, 감속 또는 등속 시나리오를 무작위로 선택하는 작업 단계(104); 및/또는
    상기 상태 벡터의 함수인 가속도 예측 모델을 이용하여, 상기 무작위로 선택된 시나리오의 가속도 값의 확률 분포를 구축하는 작업 단계; 및
    상기 무작위로 선택된 시나리오의 가속도 값의 확률 분포에 기반하여, 상기 현재 시간 간격에 대한 가속도 값을 무작위로 선택하는 작업 단계(105)
    를 포함하는, 컴퓨터-보조 방법.
  3. 제 1 항 또는 제 2 항에 있어서,
    상기 주행 사이클은,
    상기 방법의 작업 단계(102, 103, 104, 105, 106, 107)를 나열된 순서로 반복적으로 실행함으로써 생성되고,
    각각의 예측된 속도 값이 이전의 반복으로부터의 과거 속도 곡선에 첨부되는, 컴퓨터-보조 방법.
  4. 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
    통계적 속도 분포가 장래 시간 간격에 대하여 획득되도록, 다수의 예측된 속도 값이 각각의 경우에 과거 속도 곡선에 기반하여 동일한 장래 시간 간격에 대해서 획득되는, 컴퓨터-보조 방법.
  5. 제 1 항 내지 제 4 항 중 어느 한 항에 있어서,
    상기 현재 시간 간격에 대한 상태 벡터는,
    현재 속도 값, 하나 이상의 과거 속도 값, 하나 이상의 시간 간격의 하나 이상의 가속도 값, 하나 이상의 시간 간격의 하나 이상의 가속도 변화 값, 진행중인 가속 기동의 지속시간에 따른 시간 간격의 개수에 대응하는 값, 진행중인 감속 기동의 지속시간에 따른 시간 간격의 개수에 대응하는 값, 및 진행중인 등속 상태의 지속시간에 따른 시간 간격의 개수에 대응하는 값의 성분들 중 적어도 하나를 포함하는, 컴퓨터-보조 방법.
  6. 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
    상기 가속도 예측 모델 및 상기 상태 벡터로부터 얻어지는 확률을 고려하여 결정된 상기 가속도 값은,
    진행중인 가속 기동, 진행중인 감속 기동 또는 진행중인 등속 상태의 지속기간에 기반하는, 컴퓨터-보조 방법.
  7. 제 1 항 내지 제 6 항 중 어느 한 항에 있어서,
    상기 과거 속도 곡선은 적어도 하나의 속도 값을 포함하는, 컴퓨터-보조 방법.
  8. 제 1 항 내지 제 7 항 중 어느 한 항에 있어서,
    가속인 현재 시나리오 및/또는 감속인 현재 시나리오 및/또는 등속 상태인 현재 시나리오는 가속도 값의 확률 분포를 각각 나타내는, 컴퓨터-보조 방법.
  9. 제 2 항 내지 제 8 항 중 어느 한 항에 있어서,
    가속도 값의 확률 분포의 기대 값은 상기 과거 속도 곡선에 기반하여 설정되는, 컴퓨터-보조 방법.
  10. 제 1 항 내지 제 9 항 중 어느 한 항에 있어서,
    상기 가속도 예측 모델은, 적어도 하나의 실제 차량의 측정된 운전 데이터의 통계적 평가에 기반하고,
    적어도 하나의 실제 차량의 상기 측정된 운전 데이터는 속도 값들의 시간순 시퀀스만을 포함하는, 컴퓨터-보조 방법.
  11. 특히 예측 운전 기능(predictive driving function)을 위하여 적응식 크루즈 콘트롤 시스템(adaptive cruise control system), 특히 운전자 보조 시스템(driver assistance system)을 사용하여 차량을 운전하기 위한 방법으로서,
    차량 전방에서 운행중인 차량의 주행 사이클은 제 1 항 내지 제 10 항 중 어느 한 항에 따른 방법을 사용하여 결정되는, 차량 운전 방법.
  12. 제 11 항에 있어서,
    통계적 속도 분포가 장래 시간 간격에 대해서 획득되도록, 다수의 예측된 속도 값이 과거 속도 곡선에 기반하여 동일한 장래 시간 간격에 대하여 획득되고,
    상기 차량을 운전하기 위한 안전 조건(safety condition)이 상기 통계적 속도 분포로부터 유도되는, 차량 운전 방법.
  13. 특히 예측 운전 기능을 위하여 운전자 보조 시스템에 의해서 사용되기에 적합한 차량용 주행 사이클을 생성하기 위한 방법으로서,
    제 1 항 내지 제 10 항 중 어느 한 항의 작업 단계를 포함하는, 주행 사이클 생성 방법.
  14. 자동차의 적어도 하나의 컴포넌트를 분석하기 위한 방법(200)으로서,
    상기 적어도 하나의 컴포넌트 또는 상기 자동차가 제 1 항 내지 제 10 항 중 어느 한 항에 따른 방법을 사용하여 결정된 적어도 하나의 주행 사이클에 기반하여, 실제 또는 시뮬레이션된 테스트 동작을 거치는, 자동차 컴포넌트 분석 방법.
  15. 제 14 항에 있어서,
    상기 방법은,
    규정된 횟수의 반복 이후에, 다수의 예측된 속도 값이 적어도 하나의 경계 조건, 특히 RDE(Real Driving Emission) 가이드라인을 준수하는지 점검하는 추가 작업 단계(203)를 포함하고,
    이러한 점검은, 특히 특정 횟수의 반복들 각각의 종료 시에 주기적으로 되풀이되며,
    상기 특정 횟수의 반복은, 특히 바람직하게는 약 5 분인 미리 규정된 총 시간 간격에 대응하는, 자동차 컴포넌트 분석 방법.
  16. 제 15 항에 있어서,
    상기 방법은,
    상기 점검에 기반하여, 현재 가속 시나리오에 대한 확률 값 및/또는 현재 감속 시나리오에 대한 확률 값 및/또는 현재 등속 상태 시나리오에 대한 확률 값을 현재 시간 간격에 대하여 정정하는 추가 작업 단계(204); 및/또는
    상기 점검에 기반하여, 가속도 값을 상기 현재 시간 간격에 대하여 정정하는 추가 작업 단계(206)
    를 포함하는, 자동차 컴포넌트 분석 방법.
  17. 컴퓨터에 의하여 실행될 때 컴퓨터가 제 1 항 내지 제 16 항 중 어느 한 항에 따른 방법의 단계들을 실행하도록 하는 명령을 가지는 컴퓨터 프로그램 제품.
  18. 제 17 항에 따른 컴퓨터 프로그램 제품이 저장된 컴퓨터-판독가능 매체.
  19. 운전 동작, 특히 실제 운전 동작을 시뮬레이션하기에 적합한 차량용 주행 사이클을 생성하기 위한 디바이스(300)로서,
    과거 속도 곡선으로부터, 현재 시간 간격에 대한 주행 사이클의 상태 벡터를 구축하기 위한 수단(301);
    가속도 예측 모델을 제공하기 위한 수단(302);
    상기 가속도 예측 모델 및 상기 상태 벡터로부터 얻어지는 확률을 고려하여, 가속도 값을 결정하기 위한 수단(303);
    다음 장래 시간 간격에 대한 예측된 속도 값을 획득하기 위하여, 결정된 가속도 값을 상기 현재 시간 간격에 걸쳐 적분하기 위한 수단(304); 및
    상기 주행 사이클을 생성하기 위하여, 상기 예측된 속도 값을 상기 과거 속도 곡선에 첨부하기 위한 수단(305)
    을 포함하는, 디바이스.
KR1020237014202A 2020-10-02 2021-10-01 확률에 기반하여 기반에 대한 속도를 예측하기 위한 컴퓨터-보조 방법 및 디바이스 KR20230078740A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
ATA50847/2020A AT523850B1 (de) 2020-10-02 2020-10-02 Computergestütztes Verfahren und Vorrichtung zur wahrscheinlichkeitsbasierten Geschwindigkeitsprognose für Fahrzeuge
ATA50847/2020 2020-10-02
PCT/AT2021/060355 WO2022067368A1 (de) 2020-10-02 2021-10-01 Computergestütztes verfahren und vorrichtung zur wahrscheinlichkeitsbasierten geschwindigkeitsprognose für fahrzeuge

Publications (1)

Publication Number Publication Date
KR20230078740A true KR20230078740A (ko) 2023-06-02

Family

ID=78463304

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237014202A KR20230078740A (ko) 2020-10-02 2021-10-01 확률에 기반하여 기반에 대한 속도를 예측하기 위한 컴퓨터-보조 방법 및 디바이스

Country Status (7)

Country Link
US (1) US20230236088A1 (ko)
EP (1) EP4222470A1 (ko)
JP (1) JP2023543302A (ko)
KR (1) KR20230078740A (ko)
CN (1) CN116438434A (ko)
AT (1) AT523850B1 (ko)
WO (1) WO2022067368A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115731713A (zh) * 2022-11-30 2023-03-03 广东联合电子服务股份有限公司 一种预测异常车辆高速出口及时间的方法
CN117325875B (zh) * 2023-12-01 2024-02-02 北京航空航天大学 一种基于个性驾驶特征的车辆长时速度预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017107271A1 (de) * 2016-04-14 2017-07-06 FEV Europe GmbH Verfahren zur Ermittlung eines Leitfahrzyklus für Fahrversuche zur Ermittlung von Abgasemissionen von Kraftfahrzeugen
EP3540403B1 (de) * 2018-03-15 2023-08-09 AVL List GmbH Verfahren zur durchführung eines prüflaufs eines prüflings

Also Published As

Publication number Publication date
US20230236088A1 (en) 2023-07-27
EP4222470A1 (de) 2023-08-09
WO2022067368A1 (de) 2022-04-07
CN116438434A (zh) 2023-07-14
AT523850A4 (de) 2021-12-15
AT523850B1 (de) 2021-12-15
JP2023543302A (ja) 2023-10-13

Similar Documents

Publication Publication Date Title
US11513523B1 (en) Automated vehicle artificial intelligence training based on simulations
CN110197027B (zh) 一种自动驾驶测试方法、装置、智能设备和服务器
KR20230078740A (ko) 확률에 기반하여 기반에 대한 속도를 예측하기 위한 컴퓨터-보조 방법 및 디바이스
CN109782730B (zh) 用于自主系统性能和评级的方法和装置
US11675361B2 (en) Method for ascertaining driving profiles
Weng et al. Towards guaranteed safety assurance of automated driving systems with scenario sampling: An invariant set perspective
JP6934974B2 (ja) 内燃機関を有する車両の駆動システムの排気ガス排出量を低減するための方法
Rodionova et al. How safe is safe enough? Automatic safety constraints boundary estimation for decision-making in automated vehicles
CN108454609B (zh) 用于运行车辆的混合动力系统的方法
Hekmatnejad et al. Search-based test-case generation by monitoring responsibility safety rules
CN115268296A (zh) 一种提高自动驾驶开发测试效率的并行仿真系统
CN115204455A (zh) 适用于高速与环路交通场景的长时域驾驶行为决策方法
CN116348355A (zh) 用于测试车辆的驾驶员辅助系统的方法和系统
US20230347933A1 (en) Method for validating a control software for a robotic device
KR20210090386A (ko) 자율 주행 차량의 최적 속도 궤적을 예측하기 위한 방법 및 그 장치
JP7176285B2 (ja) 訓練データ評価装置、訓練データ評価方法、およびプログラム
US20220358024A1 (en) Computer-implemented method for scenario-based testing and / or homologation of at least partially autonomous driving functions to be tested by means of key performance indicators (kpi)
US20210056432A1 (en) Method for training an artificial neural generator network, method for training an artificial neural discriminator network, and test unit
Arcaini et al. Less is more: Simplification of test scenarios for autonomous driving system testing
CN115358415A (zh) 自动驾驶学习模型的分布式训练方法及自动驾驶方法
CN113485300B (zh) 一种基于强化学习的自动驾驶车辆碰撞测试方法
US11912300B2 (en) Behavioral planning in autonomus vehicle
JPWO2022067368A5 (ko)
CN113657604A (zh) 用于运行检查台的设备和方法
CN114616157A (zh) 用于通过强化学习检查自动化的行驶功能的方法和系统