RU2560825C1 - Способ моделирования дорожных характеристик в регионе, в котором движется транспортное средство, и система для его осуществления - Google Patents
Способ моделирования дорожных характеристик в регионе, в котором движется транспортное средство, и система для его осуществления Download PDFInfo
- Publication number
- RU2560825C1 RU2560825C1 RU2014107114/08A RU2014107114A RU2560825C1 RU 2560825 C1 RU2560825 C1 RU 2560825C1 RU 2014107114/08 A RU2014107114/08 A RU 2014107114/08A RU 2014107114 A RU2014107114 A RU 2014107114A RU 2560825 C1 RU2560825 C1 RU 2560825C1
- Authority
- RU
- Russia
- Prior art keywords
- matrix
- vehicle
- road
- convergence
- road characteristics
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 73
- 230000007704 transition Effects 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract 1
- 239000000446 fuel Substances 0.000 description 13
- 230000008569 process Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002939 deleterious effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3826—Terrain data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
-
- 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
- G01C21/3822—Road feature data, e.g. slope data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/15—Road slope, i.e. the inclination of a road segment in the longitudinal direction
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Control Of Transmission Device (AREA)
- Traffic Control Systems (AREA)
- Feedback Control In General (AREA)
- Vehicle Body Suspensions (AREA)
Abstract
Изобретение относится к способу и системе моделирования дорожных характеристик в регионе, где движется транспортное средство. Техническим результатом является повышение эффективности обнаружения движения транспортного средства. При движении транспортного средства с заданной скоростью генерируют последовательность характеристических значений, где каждое характеристическое значение соответствует своему заданному диапазону, обнаруживаемому транспортным средством. Модель марковской цепи для дорожных характеристик обновляют при смене последовательных характеристических значений, причем модель представляет соответствующие элементы вероятности в матрице событий перехода от каждого заданного диапазона к следующему в последовательности диапазону. Каждый элемент матрицы имеет значение πi,j, представляющее собой взвешенную частоту событий перехода от первого характеристического значения ко второму соответствующему характеристическому значению, деленную на взвешенную частоту событий перехода, начавшихся от первого характеристического значения, в результате чего матрица последовательно аппроксимирует дорожные характеристики в этом регионе. 2 н. и 6 з.п. ф-лы, 6 ил.
Description
Область техники, к которой относится изобретение
Настоящее изобретение относится к системам управления транспортного средства, а именно к созданию и использованию модели уклона дорожного профиля и других характеристик дороги для оптимизации работы силового агрегата транспортного средства.
Уровень техники
Производители транспортных средств постоянно пытаются минимизировать расход топлива (например, увеличивая значение пройденного расстояния на единицу объема бензина для транспортных средств с бензиновыми двигателями или на единицу электрического заряда для транспортных средств с электрическими двигателями). Сильное влияние на топливную эффективность оказывает скорость, с которой движется транспортное средство, изменение уклона дороги на маршруте и дорожная обстановка. Системы автоматической регулировки скорости (то есть круиз-контроля) могут помочь повысить экономию топлива, уменьшая время на разгон транспортного средства, особенно при движении по шоссе. Однако, сохраняя постоянное значение скорости на подъемах и спусках, транспортное средство расходует больше топлива по сравнению с ситуацией, когда для оптимизации расхода топлива можно было бы изменять скорость, учитывая уклон дороги. Если знать будущее изменение уклона дороги заранее (например, на основании спутниковых карт и систем построения маршрута), то можно вводить временные изменения значения скорости, уменьшая расход топлива. Однако необходимость использования GPS-навигации и автомобильных картографических данных, расчетных данных и/или удаленных данных для определения таких изменений в режиме реального времени увеличивает стоимость транспортного средства, либо такие средства могут быть недоступны в некоторых областях. Следовательно, было бы желательно избежать использования таких средств при определении соответствующих изменений скорости.
Статья Kolmanovsky и др. «Оптимизированное управление скоростью при различных условиях движения и при различных уклонах дороги», 6-й Симпозиум организации IFAC по достижениям в сфере автоматизированного управления, Мюнхен, июль, 2010 г., которая включена в данный документ в качестве ссылки, описывает принцип управления, используемого транспортным средством в особых географических регионах для получения наилучшей средней производительности без получения подробной информации о маршруте или уклоне дороги. В данном варианте управления используется заранее установленное значение скорости транспортного средства для достижения оптимального соотношения между предполагаемым средним расходом топлива и предполагаемой средней скоростью движения. Параметры рельефа и условий движения указаны в матрице переходных вероятностей (ТРМ) модели марковской цепи в виде значений переходных вероятностей. Принцип управления задается заранее с помощью вероятностного динамического программирования (то есть вне транспортного средства на стадии его разработки с независимым определением характеристик рельефа местности), после чего загружается в транспортное средство для использования во время движения по соответствующей местности.
Статья McDonough и др. «Моделирование условий движения транспортного средства с использованием моделей переходных вероятностей», Мультиконференция IEEE по приложениям управления, Денвер, сентябрь, 2011 г., которая включена в данный документ в качестве ссылки, описывает использование дивергенции Кульбака-Лейблера (KL) между матрицами переходных вероятностей в моделях марковской цепи для определения похожих и непохожих условий движения. На основе матрицы ТРМ, соответствующей текущим условиям движения транспортного средства, дивергенцию KL можно использовать для изменения принципов управления, разработанных для дискретного множества типичных циклов движения для адаптации работы силового агрегата транспортного средства к условиям рельефа и дорожной обстановки.
Предложенные ранее системы сильно зависят от предварительного сбора данных (для описания различных регионов и условий движения) и анализа (для предварительного создания принципов управления и загрузки их в транспортное средство). Для оптимизации большого числа различных моделей транспортного средства для различных регионов и условий движения требуется более практичный подход. Система транспортного средства и способ для создания матриц ТРМ и соответствующих принципов управления на борту транспортного средства в режиме реального времени описаны в находящейся на рассмотрении заявке США на изобретение «Изменение параметра управления скоростью на борту транспортного средства в режиме реального времени».
Получение матрицы ТРМ, которая в точности отражает вероятности перехода в конкретном регионе, зависит от обработки огромного объема данных. Для выполнения такой обработки на борту транспортного средства крайне желательно эффективно использовать объем памяти и использовать только простые вычисления. Более того, желательно обеспечить надежное обнаружение движения транспортного средства между регионами, требующими построения различных матриц ТРМ для точной характеристики.
Раскрытие изобретения
Изобретение представляет исполнительное устройство для автоматического получения характеристик дороги/рельефа (например, уклона дороги или скорости движения транспорта) на борту транспортного средства без использования электронных баз данных топографической или другой информации о местности (например, GPS-карт, платформы «Electronic Horizon» или геоинформационной системы GIS). Основные функции данного исполнительного устройства включают в себя определение свойств рельефа на участке дороги, по которому движется транспортное средство, и объединение этих свойств в набор моделей, охватывающих характеристики рельефа местностей, пройденных транспортным средством. Исполнительное устройство определяет, когда собрано достаточно данных для описания региона, либо когда продолжающийся процесс сбора данных указывает на то, что транспортное средство вошло в другой регион.
В одном аспекте изобретения представлен способ моделирования уклона дороги в регионе, в котором движется транспортное средство. Во время движения транспортного средства по дороге с уклоном, который изменяется в диапазоне заданных значений, задается последовательность величин уклона при движении транспортного средства с заданной скоростью. Каждая величина уклона имеет соответствующий диапазон. Модель марковской цепи для уклона дороги обновляется в ходе последовательных значений уклона. При этом модель представляет соответствующие элементы вероятности в матрице событий перехода от каждого заданного диапазона уклона к следующему в последовательности диапазону. Каждый элемент матрицы имеет значение πi,j, представляющее собой взвешенную частоту переходов от первого соответствующего значения уклона ко второму значению, разделенное на взвешенную частоту переходов, вызванных первым значением уклона, так что матрица последовательно аппроксимирует характеристики дороги в этом регионе.
Краткое описание чертежей
На Фиг.1 изображен график изменения уклона дороги, который преобразован в последовательные значения диапазона.
На Фиг.2 изображено матричное представление вероятностей перехода между последовательными значениями диапазона.
На Фиг.3 представлен трехмерный график модели переходных вероятностей для уклона дороги, соответствующего конкретному географическому региону.
На Фиг.4 изображена логическая схема способа оптимизации управления силовым агрегатом транспортного средства с использованием моделей переходных вероятностей.
На Фиг.5 изображена блок-схема одного предпочтительного варианта используемой системы.
На Фиг.6 изображена логическая схема процесса согласно предпочтительному варианту способа по изобретению.
Осуществление изобретения
Для удобства изобретение подробно описано в отношении характеристики уклона дороги в одном регионе. Однако оно может быть применимо для моделирования (и использовано для оптимизации работы транспортного средства) любых других дорожных характеристик, для которых существуют переходы от одного значения к другому согласно репрезентативным вероятностям. Такие другие дорожные характеристики включают в себя профили скорости транспортного средства и скорость движения.
Бортовое исполнительное устройство, используемое для составления характеристик уклона дороги, может быть представлено сеткой вероятностного заполнения (то есть картографической сеткой) для всего предполагаемого диапазона вероятных уклонов дороги. Карта заполнения является марковской моделью с состояниями, соответствующими диапазонам конкретных значений уклона дороги или интервалам, определяемым путем наложения сетки на весь диапазон значений уклона. Поскольку уклон дороги является пространственно-распределенным, для представления изменений уклона дороги для определенного участка дороги (например, в 30 метров) использована марковская модель. Например, сетка, определяющая вероятностную марковскую модель для всего процентного диапазона уклона дороги, может быть представлена как [-6, -5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5, 6]. Модель определяет вероятность изменения одного значения уклона на следующем участке дороги (например, следующие 30 метров). Например, если весь предполагаемый диапазон [-6%, 6%] разделен на 3 интервала по 4%, то матрица вероятностей перехода марковской модели определяет вероятность того, что на следующих 30 метрах дороги уклон будет изменяться между парами интервалов [от -6% до -2%], [от -2% до 2%] и [от 2% до 6%]. На практике разделение на три диапазона может быть слишком грубым. Увеличение числа интервалов, например, до 6, может быть предпочтительнее, а также можно использовать нечеткое разбиение.
На Фиг.1 кривая 10 представляет собой изменение значения уклона дороги по мере прохождения транспортного средства расстояния S по дороге в пределах конкретного географического региона. Диапазон (измеренный как процентный наклон поверхности) изменяется постоянно, но влияние изменения уклона дороги на эксплуатационные параметры транспортного средства (например, на экономию топлива) можно определить с помощью среднего уклона, измеренного для последовательных интервалов 11 (например, 30 м). Во время движения транспортного средства значение уклона можно определить с помощью традиционных методов, основанных на крутящем моменте двигателя, скорости вращения колеса и других регистрируемых переменных значениях, также его можно измерить, например, с помощью датчиков уклона. Среднее или составное значение уклона на соответствующих интервалах можно определить, например, вычислив интегралы на участках 12 и 13.
Пример матрицы изображен на Фиг.2, где уклон дороги разделен на шесть диапазонов значений уклона от x1 до x6. Каждый диапазон может быть обозначен согласно центру или среднему значению уклона х внутри диапазона. Каждая строка соответствует текущему значению уклона дороги (с индексом i), а каждый столбец соответствует следующему в последовательности диапазону (с индексом j). Каждый элемент матрицы имеет соответствующую вероятность π, которая определяет вероятность события перехода от первого диапазона xi к следующему диапазону xj.
На Фиг.3 изображена модель вероятностей перехода в виде трехмерной поверхности 15. На этой модели вертикальная координата представляет значение вероятности перехода для каждой пары значений текущего и следующего диапазонов. Для получения приемлемой оценки вероятностей перехода требуется очень большая выборка данных для моделируемого региона.
На основе предшествующих значений вероятности перехода можно оптимизировать эксплуатационные параметры транспортного средства, как показано на Фиг.4. Весь метод обеспечивает создание оптимального профиля скорости, который способствует уменьшению расхода топлива. Предпочтительная методика известна как оптимальное управление на основе стохастической теории, которое использует вероятностное динамическое программирование (SDP), для моделей расхода топлива, времени и расстояния перемещения, а также различных уклонов дороги и условий трафика, что влияет на эффективность, время и расстояние. На этапе 16 создается модель переходных вероятностей для описания предполагаемых значений соответствующих дорожных характеристик (например, скорости движения транспорта и уклона дороги) для конкретного региона. Построение моделей расхода топлива (например, для конкретной марки транспортного средства) и времени движения для каждого места назначения производится на этапе 17, который зависит от уклона дороги, условий трафика и/или скорости. Используя вероятностное динамическое программирование (SDP) модели объединяют на этапе 18 так, что можно рассчитать оптимальный принцип управления для регулировки параметра скорости для достижения наилучшего усредненного значения экономии топлива и/или времени движения. На основе принципа управления система управления транспортным средством может либо порекомендовать водителю выбор скорости либо выполнить автоматическую регулировку параметра скорости системы круиз-контроля.
Преимущество данного метода заключается в том, что он не использует предварительных данных о маршруте, кроме того, что транспортное средство движется в конкретном географическом регионе, для которого имеются соответствующие смоделированные дорожные характеристики. Целью является определение принципа управления, который, с одной стороны, соответствует текущим эксплуатационным условиям (как в случае традиционной стратегии управления силовым агрегатом транспортного средства), а с другой стороны, обеспечивает наилучшие усредненные эксплуатационные параметры транспортного средства при частых поездках в данном регионе. Другими словами, требуется заданное значение скорости транспортного средства для достижения оптимального соотношения между предполагаемым средним расходом топлива и предполагаемой средней скоростью движения. Согласно статьям Kolmanovsky и McDonough в данном методе рельеф и параметры движения транспорта региона описаны переходными вероятностями марковской цепи.
Для цепей с марковскими свойствами последующее состояние процесса зависит только от текущего состояния. Следующее состояние может быть предсказано с помощью вероятностного распределения текущего состояния и условных вероятностей перехода между текущим состоянием и всеми возможными последующими состояниями. Из уровня техники известно, что сбор данных осуществлялся заранее на стадии проектирования до получения достаточного количества переходов между состояниями. Это приводит к построению реалистичной модели региона (см. вышеуказанные статьи, а также статью Filev и др. «Обобщенный метод моделирования марковской цепи для использования на транспортных средствах»). Международная совместная конференция 2010 года по нейронным сетям (IJCNN, стр.1-8, июль, 2010 г.). Для этого необходима бортовая система, способная работать в режиме реального времени, автономно строить матрицы ТРМ при движении конкретного транспортного средства.
В конечном состоянии марковской модели, используемой в данном изобретении, вероятности перехода πij рассчитывают из общей частоты переходов. Для множества измерений k:
где Fij(k) - средняя частота событий перехода fij(k) из состояния
в состояние
и F0i(k) - средняя частота событий перехода fi(k), начавшихся из состояния i. Средняя частота может быть определена по следующей формуле:
Для конкретных событий fij(k)=1, если переход от
к
происходит в момент выборки k; fi(k)=1, если переход начался в состоянии
в момент выборки k; и в противном случае принимается нулевое значение.
Частоты (А2) могут быть описаны рекурсивно для их вычисления в рабочем режиме:
где φ - коэффициент затухания. В одном предпочтительном варианте
. Однако более предпочтительным может быть сопоставление старых данных с экспоненциально убывающими весовыми функциями с помощью константы φ (то есть «коэффициента обучения») вместо коэффициента затухания
. Для константы φ рекурсивные выражения (A3) и (А4) могут быть интерпретированы как модели AR, реализующие алгоритм экспоненциального сглаживания (фильтр низких частот), с «коэффициентом забывания» φ.
Подставляя выражения (A3) и (А4) в (А1), мы получим рекурсивную форму оценки вероятностей перехода, что обычно для получения информации в рабочем режиме:
Выражение (А5) можно записать в виде матрицы, заменив fij(k) и fi(k) их векторными эквивалентами, τ(k) γ(k)T и τ(k) γ(k)Te, где τ(k) и γ(k) представляют собой М-размерные векторы i-го и j-го элементов соответственно, и нулями в других местах, при этом e представляет собой М-размерный вектор со всеми элементами, равными единице. Точнее говоря, для матрицы P вероятностей, сформированной спустя время выборки k,
где
На Фиг.5 представлена система транспортного средства, работающая в режиме реального времени, для формирования модели марковской цепи. Транспортное средство имеет контроллер 20 силового агрегата, соединенный с различными датчиками 21 для получения различных выходных параметров управления для различных компонентов силового агрегата транспортного средства (например, дросселя двигателя внутреннего сгорания). Система 22 оптимизации включает в себя контроллер 23 блока оптимизации для поддержки обученной или наблюдаемой модели 24 переходных вероятностей, обозначенной TPML. Предпочтительно, чтобы модель TPML была представлена в виде матрицы данных, взятых из векторной обработки, как было описано выше. Блок 25 контроля уклона соединен с датчиками 21 для анализа сигналов с датчиков для формирования последовательности значений уклона с заданной скоростью (например, на каждые 30 метров пройденного расстояния). Каждое значение уклона имеет соответствующий диапазон, который, как было сказано ранее, требуется для построения соответствующих моделей оптимизации.
Поскольку матрица TPML 24 составлена итерационным способом, она представляет последовательные приближения уклона дороги региона, которые становится все более точными. После достаточного количества выборок в регионе дополнительные выборки сильно не изменят значения вероятности, являющиеся элементами матрицы. В этих условиях говорят, что матрица сходится.
Сходимость полученной матрицы можно периодически проверять с помощью дивергенции Кульбака-Лейблера (KL), которая рассчитывается в блоке 26 KL. Процесс KL измеряет схожесть между двумя матрицами Р и Q вероятностей перехода марковских моделей:
Модель (А6) будет считаться адекватным представлением дорожных характеристик для региона, если временное различие между двумя дивергенциями KL для модели стремится к нулю:
DKL|P(k)||(P(k-d)|<ε
где d - количество накапливаемых выборок между периодами проверки стабильности (то есть сходимости) рассчитанных вероятностей перехода.
Когда блок 26 определяет, что дивергенция KL меньше порогового значения ε, то можно использовать сходимость матрицы для проверки того, соответствуют ли дорожные характеристики текущего региона с дорожными характеристиками, для которых был рассчитан и предоставлен библиотекой 27 оптимальный принцип управления. В библиотеке 27 хранится множество заданных эталонных матриц TPMa,…,TPMn совместно с соответствующими принципами управления CPa, … CPn. Контроллер 23 блока оптимизации по очереди сравнивает известную матрицу TPML с эталонными матрицами библиотеки для определения соответствия эксплуатационных условий и региона. В случае обнаружения такого соответствия из библиотеки 27 извлекается соответствующий принцип управления (СР) и отправляется для выполнения на контроллер 20 силового агрегата транспортного средства.
На Фиг.6 представлен предпочтительный способ согласно настоящему изобретению. Изображенная матрица TPML (обозначена P на Фиг.6) обновляется на этапе 30 с использованием последовательных значений уклона, определенных при движении транспортного средства по дороге в заданном регионе. По мере накопления данных в матрице Р на этапе 31 проверяется ее сходимость. Точнее говоря, дивергенция KL текущей версии матрицы Р и предыдущей версии матрицы Р сравниваются с пороговым значением ε. А именно, если дивергенция DKL больше ε, то процедура возвращается к этапу 30 для продолжения обновления матрицы P. Если дивергенция меньше ε, то способ переходит к этапу 32, в котором матрица Р сравнивается с эталонными матрицами в библиотеке для определения соответствия дорожных условий. Матрица Р сравнивается по очереди с каждой эталонной матрицей Pj, и если дивергенция каждого конкретного сравнения меньше порогового значения δ, то на этапе 33 применяется соответствующий принцип управления CPj, и процедура возвращается к этапу 30, продолжая обновлять матрицу Р.
Если в результате сравнения матрицы Р с эталонными матрицами Pj все значения дивергенции больше δ, то на этапе 34 матрица Р добавляется в библиотеку, и процедура возвращается к этапу 30 или продолжает обновлять матрицу Р. Если на транспортном средстве имеются соответствующие ресурсы, то добавленная эталонная матрица может быть использована в вероятностном динамическом программировании для создания соответствующего принципа управления, который может быть предоставлен контроллеру силового агрегата для использования при движении транспортного средства в текущем регионе. Если такие ресурсы на транспортном средстве недоступны, то эталонная матрица может быть загружена на другие удаленные ресурсы по беспроводной сети, либо при последующем прямом подключении транспортного средства в дилерском центре, либо сервисном центре, а принцип управления может быть передан обратно на транспортное средство для хранения в библиотеке.
После определения принципа управления и загрузки в контроллер силового агрегата способ на Фиг.6 продолжает обновлять матрицу вероятностей. В случае перемещения транспортного средства в другой регион с другими дорожными характеристиками или уклоном дороги матрица Р начнет отклоняться от предыдущего состояния сходимости. Таким образом, сходимость матрицы Р в итоге может быть больше порогового значения ε на этапе 31. Потеря сходимости означает необходимость определения другого принципа управления. При обнаружении данной дивергенции может потребоваться заново инициализировать матрицу Р в другом состоянии (например, сбросить каждый элемент матрицы на значение 1/L, где L - общее число элементов матрицы) для потенциального уменьшения времени, требуемого на сходимость в новом состоянии.
Claims (8)
1. Способ моделирования дорожных характеристик в регионе, где движется транспортное средство, в котором
транспортное средство эксплуатируют на дорогах, имеющих характеристики, которые изменяются в нескольких различных заданных диапазонах,
генерируют последовательность характеристических значений при движении транспортного средства с заданной скоростью, где каждое характеристическое значение соответствует своему заданному диапазону, обнаруживаемому транспортным средством;
обновляют модель марковской цепи для дорожных характеристик, сохраненной в контроллере блока оптимизации, при смене последовательных характеристических значений, где модель представляет соответствующие элементы вероятности в матрице событий перехода от каждого заданного диапазона к следующему в последовательности диапазону, причем в контроллере блока оптимизации сохраняют данные матрицы в текущем состоянии и матрицы в предыдущем состоянии;
периодически проверяют сходимость матрицы в текущем состоянии с матрицей в предыдущем состоянии с помощью дивергенции Кульбака-Лейблера, причем если сходимость обнаружена, то матрицу используют для определения оптимального принципа управления силовым агрегатом транспортного средства для данных дорожных характеристик и регулируют в контроллере силового агрегата транспортного средства работу силового агрегата с использованием этого принципа управления;
причем каждый элемент матрицы имеет значение πi,j, представляющее собой взвешенную частоту событий перехода от первого характеристического значения ко второму соответствующему характеристическому значению, деленную на взвешенную частоту событий перехода, начавшихся от первого характеристического значения, в результате чего матрица последовательно аппроксимирует дорожные характеристики в этом регионе.
транспортное средство эксплуатируют на дорогах, имеющих характеристики, которые изменяются в нескольких различных заданных диапазонах,
генерируют последовательность характеристических значений при движении транспортного средства с заданной скоростью, где каждое характеристическое значение соответствует своему заданному диапазону, обнаруживаемому транспортным средством;
обновляют модель марковской цепи для дорожных характеристик, сохраненной в контроллере блока оптимизации, при смене последовательных характеристических значений, где модель представляет соответствующие элементы вероятности в матрице событий перехода от каждого заданного диапазона к следующему в последовательности диапазону, причем в контроллере блока оптимизации сохраняют данные матрицы в текущем состоянии и матрицы в предыдущем состоянии;
периодически проверяют сходимость матрицы в текущем состоянии с матрицей в предыдущем состоянии с помощью дивергенции Кульбака-Лейблера, причем если сходимость обнаружена, то матрицу используют для определения оптимального принципа управления силовым агрегатом транспортного средства для данных дорожных характеристик и регулируют в контроллере силового агрегата транспортного средства работу силового агрегата с использованием этого принципа управления;
причем каждый элемент матрицы имеет значение πi,j, представляющее собой взвешенную частоту событий перехода от первого характеристического значения ко второму соответствующему характеристическому значению, деленную на взвешенную частоту событий перехода, начавшихся от первого характеристического значения, в результате чего матрица последовательно аппроксимирует дорожные характеристики в этом регионе.
2. Способ по п. 1, в котором для определения принципа управления силовым агрегатом сравнивают сходящуюся матрицу с множеством заранее составленных эталонных матриц для обнаружения соответствия, и выбирают соответствующий обнаруженной совпадающей эталонной матрице принцип управления, который был оптимизирован согласно дорожным характеристикам, описываемым этой эталонной матрицей.
3. Способ по п. 2, в котором если совпадающей эталонной матрицы не обнаружено, сохраняют сходящуюся матрицу в качестве новой эталонной матрицы путем добавления к заранее составленным эталонным матрицам, задают новый принцип управления, оптимизированный для дорожных характеристик, описываемых новой эталонной матрицей, и регулируют работу силового агрегата транспортного средства с использованием нового принципа управления.
4. Способ по п. 1, в котором продолжают периодически проверять сходимость матрицы в текущем состоянии с матрицей в предыдущем состоянии, и если сходимость не обнаружена, то прекращают использование ранее определенного принципа управления и для определения нового принципа управления ожидают, пока сходимость снова не будет обнаружена.
5. Система для моделирования дорожных характеристик в регионе, где движется транспортное средство, где дорожные характеристики изменяются в нескольких различных заданных диапазонах, которая включает в себя контроллер силового агрегата транспортного средства для регулировки параметров управления компонентами силового агрегата; блок контроля дороги, генерирующий последовательность характеристических значений при движении транспортного средства на заданной скорости, где каждое характеристическое значение соответствует своему заданному диапазону, обнаруживаемому транспортным средством; блок оптимизации, использующий модель марковской цепи для дорожных характеристик, которая обновляется при смене последовательных характеристических значений, где модель представляет соответствующие элементы вероятности в матрице событий перехода от каждого заданного диапазона к следующему в последовательности диапазону, причем блок оптимизации выполнен с возможностью сохранять данные матрицы в текущем состоянии и матрицы в предыдущем состоянии, а каждый элемент матрицы имеет значение πi,j, представляющее собой взвешенную частоту событий перехода от первого характеристического значения ко второму соответствующему характеристическому значению, деленную на взвешенную частоту событий перехода, начавшихся от первого характеристического значения, в результате чего матрица последовательно аппроксимирует дорожные характеристики в этом регионе; причем блок оптимизации выполнен с возможностью периодически проверять сходимость матрицы в текущем состоянии с матрицей в предыдущем состоянии, и в случае обнаружения сходимости использовать матрицу для определения принципа управления силовым агрегатом, оптимизированного для данных дорожных характеристик, а контроллер силового агрегата выполнен с возможностью регулировать параметры управления с использованием этого принципа управления.
6. Система по п. 5, которая включает в себя библиотеку составленных эталонных матриц и соответствующих принципов управления, причем блок оптимизации выполнен с возможностью сравнивать сходящиеся матрицы с эталонными матрицами для обнаружения соответствия и выбирать соответствующий обнаруженной совпадающей эталонной матрице принцип управления, который был оптимизирован согласно дорожным характеристикам, описываемым этой эталонной матрицей.
7. Система по п. 6, в которой блок оптимизации выполнен с возможностью сохранять сходящуюся матрицу в качестве новой эталонной матрицы путем добавления к заранее составленным эталонным матрицам, если совпадающей эталонной матрицы не обнаружено, после чего задавать новый принцип управления, оптимизированный для дорожных характеристик, описываемых новой эталонной матрицей, и регулировать работу силового агрегата транспортного средства с использованием нового принципа управления.
8. Система по п. 5, в которой блок оптимизации выполнен с возможностью продолжать периодически проверять сходимость матрицы в текущем состоянии с матрицей в предыдущем состоянии и, если сходимость не обнаружена, прекращать использование ранее определенного принципа управления и для определения нового принципа управления ожидать, пока сходимость снова не будет обнаружена.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/777,100 US8965597B2 (en) | 2013-02-26 | 2013-02-26 | Road grade auto-mapping |
US13/777,100 | 2013-02-26 |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2560825C1 true RU2560825C1 (ru) | 2015-08-20 |
Family
ID=51349693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2014107114/08A RU2560825C1 (ru) | 2013-02-26 | 2014-02-26 | Способ моделирования дорожных характеристик в регионе, в котором движется транспортное средство, и система для его осуществления |
Country Status (4)
Country | Link |
---|---|
US (1) | US8965597B2 (ru) |
CN (1) | CN104008266B (ru) |
DE (1) | DE102014203312A1 (ru) |
RU (1) | RU2560825C1 (ru) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9557746B2 (en) * | 2013-08-23 | 2017-01-31 | 2236008 Ontario Inc. | Vehicle energy management |
DE102014214140A1 (de) * | 2014-07-21 | 2016-01-21 | Zf Friedrichshafen Ag | Verfahren zur vorausschauenden Steuerung einer Geschwindigkeitsregelanlage eines Kraftfahrzeuges |
US10255383B2 (en) * | 2014-10-10 | 2019-04-09 | Autodesk, Inc. | Rule based three-dimensional (3D) intersection model |
CN105043786B (zh) * | 2015-07-13 | 2018-12-07 | 吉林大学 | 一种含道路坡度的汽车运行工况马尔可夫链设计方法 |
US10839302B2 (en) | 2015-11-24 | 2020-11-17 | The Research Foundation For The State University Of New York | Approximate value iteration with complex returns by bounding |
CN105550478B (zh) * | 2016-01-25 | 2018-06-12 | 安徽农业大学 | 一种汽车经济性测试中行驶工况道路坡度的加载方法与装置 |
GB2555794A (en) * | 2016-11-09 | 2018-05-16 | Inventive Cogs Campbell Ltd | Target speed optimisation |
MX2019009397A (es) * | 2017-02-10 | 2019-12-05 | Nissan North America Inc | Gestion operacional de vehiculo autonomo que incluye operar una instancia de modelo de proceso de decision de markov parcialmente observable. |
US10474149B2 (en) * | 2017-08-18 | 2019-11-12 | GM Global Technology Operations LLC | Autonomous behavior control using policy triggering and execution |
CN109085822A (zh) * | 2018-07-04 | 2018-12-25 | 北京踏歌智行科技有限公司 | 矿用无人驾驶车辆的方法和装置 |
CN111079774B (zh) * | 2018-10-18 | 2023-05-16 | 上海经达信息科技股份有限公司 | 基于半监督学习的渣土车偷倒判别方法、系统和装置 |
EP3990326B1 (en) * | 2019-06-26 | 2023-08-16 | Volvo Truck Corporation | A method for controlling a vehicle |
DE102019209255B4 (de) * | 2019-06-26 | 2023-02-09 | Zf Friedrichshafen Ag | Ermitteln eines Fahrbahnzustands |
DE102021211152B3 (de) | 2021-10-04 | 2022-12-15 | Robert Bosch Gesellschaft mit beschränkter Haftung | Vorrichtung und computer-implementiertes Verfahren zum Bereitstellen von Trainingsdaten für einen Agenten für bestärkendes Lernen zum Erzeugen einer zur Steuerung eines Fahrzeugs ausgelegten Strategie, Vorrichtung und Verfahren zum Erzeugen einer zur Steuerung eines Fahrzeugs ausgelegten Strategie und Fahrzeug |
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 |
CN115909747B (zh) * | 2023-01-06 | 2023-05-23 | 山东创安交通预警工程有限公司 | 一种城市交通预警系统 |
CN116946148B (zh) * | 2023-09-20 | 2023-12-12 | 广汽埃安新能源汽车股份有限公司 | 一种车辆状态信息和路面信息估计方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2073912C1 (ru) * | 1991-06-21 | 1997-02-20 | Предприятие "Информатика и новые технологии" | Устройство моделирования дорожного движения для обучения правилам движения транспорта |
RU73528U1 (ru) * | 2008-01-28 | 2008-05-20 | Валерий Григорьевич Мищенко | Тренажер для обучения водителя автомобиля |
RU2406158C2 (ru) * | 2005-09-29 | 2010-12-10 | Майкрософт Корпорейшн | Способы предсказания пунктов назначения из частичных траекторий, применяющие способы моделирования открытого и замкнутого мира |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5933100A (en) | 1995-12-27 | 1999-08-03 | Mitsubishi Electric Information Technology Center America, Inc. | Automobile navigation system with dynamic traffic data |
DE19747230A1 (de) | 1997-10-25 | 1999-05-12 | Bosch Gmbh Robert | Verfahren zur Berücksichtigung ergänzender Verkehrsinformationen in einer fahrzeugfesten Zielführungseinrichtung |
US7685311B2 (en) | 1999-05-03 | 2010-03-23 | Digital Envoy, Inc. | Geo-intelligent traffic reporter |
US6374173B1 (en) * | 1999-05-28 | 2002-04-16 | Freightliner Llc | Terrain adaptive cruise control |
US6480783B1 (en) | 2000-03-17 | 2002-11-12 | Makor Issues And Rights Ltd. | Real time vehicle guidance and forecasting system under traffic jam conditions |
US6990401B2 (en) | 2002-10-04 | 2006-01-24 | Daimlerchrysler Ag | Predictive speed control for a motor vehicle |
DE10254424A1 (de) | 2002-11-21 | 2004-06-03 | Lucas Automotive Gmbh | System zur Beeinflussung der Geschwindigkeit eines Kraftfahrzeuges |
JP3994937B2 (ja) | 2003-07-29 | 2007-10-24 | アイシン・エィ・ダブリュ株式会社 | 自動車用交通情報通知システム及びナビゲーションシステム |
US7289039B2 (en) | 2004-09-10 | 2007-10-30 | Xanavi Informatics Corporation | Apparatus and method for processing and displaying traffic information in an automotive navigation system |
DE102005026065A1 (de) | 2005-06-07 | 2006-12-21 | Robert Bosch Gmbh | Adaptiver Geschwindigkeitsregler mit situationsabhängiger Dynamikanpassung |
US7383154B2 (en) | 2005-12-14 | 2008-06-03 | Gm Global Technology Operations, Inc. | Method for assessing models of vehicle driving style or vehicle usage model detector |
US20070265759A1 (en) | 2006-05-09 | 2007-11-15 | David Salinas | Method and system for utilizing topographical awareness in an adaptive cruise control |
US8630768B2 (en) | 2006-05-22 | 2014-01-14 | Inthinc Technology Solutions, Inc. | System and method for monitoring vehicle parameters and driver behavior |
US7899610B2 (en) | 2006-10-02 | 2011-03-01 | Inthinc Technology Solutions, Inc. | System and method for reconfiguring an electronic control unit of a motor vehicle to optimize fuel economy |
US8352146B2 (en) | 2006-11-13 | 2013-01-08 | Ford Global Technologies, Llc | Engine response adjustment based on traffic conditions |
JP4640441B2 (ja) | 2008-04-28 | 2011-03-02 | トヨタ自動車株式会社 | 走行制御装置及び走行制御方法 |
US8265850B2 (en) | 2009-02-02 | 2012-09-11 | GM Global Technology Operations LLC | Method and apparatus for target vehicle following control for adaptive cruise control |
US8315775B2 (en) | 2009-02-06 | 2012-11-20 | GM Global Technology Operations LLC | Cruise control systems and methods with adaptive speed adjustment rates |
WO2011074096A1 (ja) | 2009-12-17 | 2011-06-23 | トヨタ自動車株式会社 | 車両制御装置 |
GB2480877A (en) | 2010-06-04 | 2011-12-07 | Mir Immad Uddin | Engine control unit which uses vehicle position data to control the engine speed |
US8452509B2 (en) | 2010-12-23 | 2013-05-28 | Cummins Intellectual Property, Inc. | System and method of vehicle speed-based operational cost optimization |
US8972147B2 (en) | 2011-01-10 | 2015-03-03 | Bendix Commercial Vehicle Systems Llc | ACC and AM braking range variable based on internal and external factors |
-
2013
- 2013-02-26 US US13/777,100 patent/US8965597B2/en not_active Expired - Fee Related
-
2014
- 2014-02-25 DE DE102014203312.8A patent/DE102014203312A1/de not_active Withdrawn
- 2014-02-26 CN CN201410067295.4A patent/CN104008266B/zh not_active Expired - Fee Related
- 2014-02-26 RU RU2014107114/08A patent/RU2560825C1/ru not_active IP Right Cessation
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2073912C1 (ru) * | 1991-06-21 | 1997-02-20 | Предприятие "Информатика и новые технологии" | Устройство моделирования дорожного движения для обучения правилам движения транспорта |
RU2406158C2 (ru) * | 2005-09-29 | 2010-12-10 | Майкрософт Корпорейшн | Способы предсказания пунктов назначения из частичных траекторий, применяющие способы моделирования открытого и замкнутого мира |
RU73528U1 (ru) * | 2008-01-28 | 2008-05-20 | Валерий Григорьевич Мищенко | Тренажер для обучения водителя автомобиля |
Also Published As
Publication number | Publication date |
---|---|
US20140244067A1 (en) | 2014-08-28 |
US8965597B2 (en) | 2015-02-24 |
CN104008266A (zh) | 2014-08-27 |
DE102014203312A1 (de) | 2014-08-28 |
CN104008266B (zh) | 2018-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2560825C1 (ru) | Способ моделирования дорожных характеристик в регионе, в котором движется транспортное средство, и система для его осуществления | |
JP7036545B2 (ja) | 能動的探索なしの強化学習に基づくオンライン学習法及び車両制御方法 | |
US20220171797A1 (en) | Autonomous Vehicle Relative Atlas Incorporating Hypergraph Data Structure | |
Thibault et al. | A unified approach for electric vehicles range maximization via eco-routing, eco-driving, and energy consumption prediction | |
US20190170530A1 (en) | Private and Personalized Estimation of Travel Time | |
CN114463977B (zh) | 一种基于车路协同多源数据融合交通流预测的路径规划方法 | |
US11256730B2 (en) | Use of relative atlas in an autonomous vehicle | |
KR20200134313A (ko) | 자율주행 차량을 위한 상대적인 아틀라스 및 그 생성 | |
WO2019071909A1 (zh) | 基于相对熵深度逆强化学习的自动驾驶系统及方法 | |
US20190024781A1 (en) | System and method for predicting and responding to soft underfoot conditions | |
JP6856575B2 (ja) | 能動的探索なしの強化学習に基づく制御ポリシー学習及び車両制御方法 | |
CN104021674B (zh) | 一种快速准确预测车辆通过路段旅行时间的方法 | |
WO2021050152A1 (en) | Systems and methods for predicting fuel consumption efficiency | |
US11913795B2 (en) | Computer-implemented method of predicting energy use for a route | |
CN107092256B (zh) | 一种无人车转向控制方法 | |
González et al. | Stochastic mobility prediction of ground vehicles over large spatial regions: a geostatistical approach | |
Kim et al. | Updating point cloud layer of high definition (hd) map based on crowd-sourcing of multiple vehicles installed lidar | |
CN111257853B (zh) | 一种基于imu预积分的自动驾驶系统激光雷达在线标定方法 | |
Holden et al. | RouteE: A vehicle energy consumption prediction engine | |
Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
US20210333764A1 (en) | Electronic control device and neural network update system | |
US20210293557A1 (en) | Methods and apparatus for ascertaining a driving route for a motor vehicle | |
Wang et al. | A Physics Model-Guided Online Bayesian Framework for Energy Management of Extended Range Electric Delivery Vehicles | |
US11867521B2 (en) | Adaptive in-drive updating of vehicle energy consumption prediction | |
Ng | Reinforcement learning of dynamic collaborative driving |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20190227 |