WO2024138355A1 - 一种用于估算车辆质量的方法、装置和电子设备以及计算机可读介质和车辆 - Google Patents
一种用于估算车辆质量的方法、装置和电子设备以及计算机可读介质和车辆 Download PDFInfo
- Publication number
- WO2024138355A1 WO2024138355A1 PCT/CN2022/142216 CN2022142216W WO2024138355A1 WO 2024138355 A1 WO2024138355 A1 WO 2024138355A1 CN 2022142216 W CN2022142216 W CN 2022142216W WO 2024138355 A1 WO2024138355 A1 WO 2024138355A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- vehicle
- mass
- value
- quality
- quality value
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000006870 function Effects 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000001303 quality assessment method Methods 0.000 description 4
- 238000013441 quality evaluation Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 2
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/02—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing wheeled or rolling bodies, e.g. vehicles
Definitions
- the present invention relates to the field of vehicle control, and in particular to a method, a device and an electronic device for estimating vehicle mass, as well as a computer-readable medium and a vehicle.
- the method generally comprises the following steps: obtaining vehicle dynamics data, such as vehicle speed, engine speed, etc., during vehicle driving; identifying the gear shifting phase of the vehicle according to the vehicle dynamics data, wherein the gear shifting phase refers to a phase without traction in which the engine is completely separated from the driving wheel, i.e., the clutch of the transmission is in a completely separated state, and the non-gear shifting phase refers to a phase in which the clutch of the transmission is in a completely engaged state; extracting vehicle dynamics data within two adjacent time periods (gear shifting phase and non-gear shifting phase) to estimate the vehicle mass, wherein a formula based on the kinematic equation can be used: Or based on the power theorem: The plurality of estimated mass values are reprocessed to obtain a final vehicle mass.
- vehicle dynamics data such as vehicle speed, engine speed, etc.
- a method for estimating vehicle mass characterized in that it comprises the following steps:
- a first quality value is assigned to the first mass value and a respective second quality value is assigned to each second mass value, and in dependence on the quality value the associated mass value is evaluated as a usable mass value or an unusable mass value,
- the idea of the present invention is to provide a quality value for evaluating the credibility of the quality value.
- the size of the quality value depends on the vehicle state characteristic signal of the gear shift event, and the higher the quality value, the higher the credibility of the quality value. In this way, the credibility of the quality value can be qualitatively or even quantitatively evaluated.
- the quality value can be divided into two levels: usable and unusable, wherein a quality value lower than a set threshold value indicates that the quality value is unreliable and thus unusable.
- the technical advantage of the method according to the present invention is that those quality estimation results with low accuracy or unguaranteed accuracy are identified and excluded.
- the quality value provides a basis for quality judgment between multiple quality values estimated from different shift events, thereby bringing the possibility of merging different quality values with higher accuracy.
- the available mass values are further evaluated as credible mass values or partially credible mass values depending on the individual quality values, wherein only credible mass values are used to generate the vehicle mass.
- the reliability of the vehicle mass estimation can be further increased by a more detailed division of the quality values into three levels: untrustworthy, partially credible and credible.
- the available mass values are further evaluated as credible mass values or partially credible mass values depending on the individual quality values, wherein, if no credible mass value exists among the available mass values, either the mass value with the highest quality value is used as the vehicle mass, or the mass value with the highest quality value and the second highest quality value are merged to obtain the vehicle mass.
- the possibility of quantitatively evaluating the mass values is obtained. As a result, even when using partially credible mass values, a relatively reliable estimation of the vehicle mass can be achieved.
- a device for estimating vehicle mass characterized in that it comprises:
- an estimation module configured to acquire vehicle dynamics data during vehicle travel and to identify a gear shifting phase of the vehicle based on the vehicle dynamics data, the estimation module being further configured to estimate a first mass value depending on vehicle dynamics data within and before a first gear shifting phase, and to estimate at least one second mass value depending on vehicle dynamics data within and before at least one second gear shifting phase,
- an evaluation module which, at least as a function of the vehicle state characteristic signal of the respective shifting event, assigns a first quality value to the first mass value and assigns a respective second quality value to each second mass value, and which, as a function of the quality value, evaluates the associated mass value as a usable quality value or an unusable quality value,
- processors one or more processors
- FIG1 is a schematic diagram showing a main flow of a method for estimating vehicle mass according to the present invention, which comprises the following steps:
- a large amount of vehicle dynamics data can be obtained from the CAN bus data, such as vehicle speed, engine speed, engine driving torque, etc., which are used to identify the gear shift phase and estimate the vehicle mass.
- the acquired vehicle data is preprocessed, preferably by low-pass filtering and eliminating obvious anomalies.
- Step S102 Identifying the gear shifting phase of the vehicle according to the vehicle dynamics data.
- Step S104 at least depending on the vehicle state characteristic signal of each shifting event, a first quality value is assigned to the first quality value and a respective second quality value is assigned to each second quality value, and depending on the quality value, the associated quality value is evaluated as a usable quality value or an unusable quality value.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Transmission Device (AREA)
Abstract
本发明公开了用于估算车辆质量的方法、装置和电子设备以及车辆和计算机可读介质。该方法包括：在车辆行驶期间获取车辆动力学数据；根据所述车辆动力学数据识别车辆的换挡阶段；依赖于第一换挡阶段之内和之前的车辆动力学数据估算第一质量值，并且依赖于至少一个第二换挡阶段之内和之前的车辆动力学数据估算至少一个第二质量值；至少依赖于各个换挡事件的车辆状态特征信号为第一质量值配属有第一品质值并且为各第二质量值配属有各自的第二品质值，依赖于品质值将所属的质量值评估为可用的或不可用的；仅使用可用的质量值来产生车辆质量。该方法能够识别和排除品质较差的经估算的质量值，以确保高质量的质量估算结果。
Description
本发明涉及车辆控制领域，尤其涉及用于估算车辆质量的方法、装置和电子设备以及计算机可读介质和车辆。
在车辆控制领域中，已知有基于与换挡事件相关的车辆纵向动力学参量估算车辆质量的方法，其基本思想在于：分别获得换挡之前和换挡期间的车辆动力学数据，并且基于这两个不同时刻的数据估算车辆的质量。
该方法通常包括如下步骤：在车辆行驶期间获取车辆动力学数据，例如车速、发动机转速等；根据车辆动力学数据识别车辆的换挡阶段，其中，换挡阶段是指发动机与驱动轮完全分离的无牵引力阶段，即变速器的离合器处于完全分离的状态，而非换挡阶段即变速器的离合器处于完全接合的状态；提取两个相邻时间段(换挡阶段和非换挡阶段)之内的车辆动力学数据来估算车辆质量，其中，可以使用基于运动学方程的算式：
或者基于功率定理的算式：
对多个经估算的质量值进行再处理，用以获得最终的车辆质量。
然而，利用换挡事件实现的车辆质量估算并不能始终确保较高的估算品质。因为在某些特定的行驶状态下，使用一次换挡事件估算出的质量值可能与真实的车辆质量有很大差异，由此导致在对多个估算质量进行再处理中，某个或某些准确度很较差的质量值会在很大程度上影响最终的车辆质量估算结果的准确性。
因此，迫切需要一种方法来识别和排除品质较差的经估算的质量值，以确保高质量的质量估算结果。
发明内容
有鉴于此，本发明提供用于估算车辆质量的方法和装置，其能够识别和排除品质较差的经估算的质量值，以确保高质量的质量估算结果。
为实现上述目的，根据本发明的一个方面，提供了一种用于估算车辆质量的方法，其特征在于，包括如下步骤：
在车辆行驶期间获取车辆动力学数据，
根据所述车辆动力学数据识别车辆的换挡阶段，
依赖于第一换挡阶段之内和之前的车辆动力学数据估算第一质量值，并且依赖于至少一个第二换挡阶段之内和之前的车辆动力学数据估算至少一个第二质量值，
至少依赖于各个换挡事件的车辆状态特征信号为第一质量值配属有第一品质值，并且为各第二质量值配属有各自的第二品质值，依赖于品质值将所属的质量值评估为可用的质量值或不可用的质量值，
仅使用可用的质量值来产生车辆质量。
本发明的构思在于：设置有用于评估质量值可信度的品质值。品质值的大小依赖于换挡事件的车辆状态特征信号，品质值越高表示该质量值的可信度越高。由此，可以对质量值的可信度进行定性、甚至定量地评估。在最简单的情况下，可以将品质值划分成两个等级：可用的和不可用的，其中，品质值低于设定的阈值则表示该质量值是不可信的，进而是不可用的。
根据本发明的方法的技术优势在于：识别并且排除了低准确度或无法确保准确度的那些质量估算估计结果。此外，品质值提供了在由不同换挡事件估算的多个质量值之间进行品质评判的依据，由此带来 了以更高准确度对不同质量值进行融合的可能性。
在本发明的范围内，“车辆动力学数据”表示与车辆行驶状态相关，特别是与识别换挡阶段和估算车辆质量相关的车辆数据，例如车速、发动机转速、发动机的驱动力矩等。“换挡事件”表示包括一个换挡阶段及其之前和之后的非换挡阶段，即变速器的离合器从接合状态到分离状态并且返回接合状态的整个过程。“换挡事件的车辆状态特征信号”即在换挡事件期间的如下车辆状态信号，其表征出不同换挡事件。车辆状态特征信号例如是车速信号、加速度信号、发动机转矩信号、转向角信号等，通过它们能够表征出低速/高速下的换挡、加速/减速中的换挡、连续换挡、带转向的换挡等。
在一个优选实施方案中设置的是，在如下条件中的任一个条件下，为质量值配属有不可用的品质值：车速低于估算速度阈值、换挡阶段之前减速、换挡阶段之前和换挡阶段时的道路坡度变化、前后相继的两个换挡阶段的间隔小于间隔阈值和车辆处于转向中。由此，通过给在严重影响估算品质的条件下估算的质量值赋予不可用的品质值，可以直接排除这些不可信的质量值。
在一个优选实施方案中设置的是，依赖于各个品质值将可用的质量值进一步评估为可信的质量值或部分可信的质量值，其中，仅使用可信的质量值来产生车辆质量。由此，通过将品质值更为精细地划分成三个等级：不可信、部分可信和可信，能够进一步提高车辆质量估算的可靠性。
在一个优选实施方案中设置的是，依赖于各个品质值将可用的质量值进一步评估为可信的质量值或部分可信的质量值，其中，当可用的质量值中不存在可信的质量值时，要么以品质值最高的那个质量值作为车辆质量，要么对品质值最高的和第二高的质量值进行融合而得到车辆质量。在品质值更精细的划分的情况下，获得了定量评估质量 值的可能性。由此，即使在使用部分可信的质量值的情况下，也能较为可靠地实现车辆质量估算。
在一个优选实施方案中设置的是，利用递归估计算法来产生车辆质量。可选地，借助卡尔曼滤波器或借助最小二乘估计器(RLS-滤波器)执行递归估计算法。由此，通过以多个可用的质量值来计算车辆质量，提高了最终获得的车辆质量的精确度。
在一个优选实施方案中设置的是，还依赖于每次估算质量值时的干扰因素设定各自的品质值。例如，影响品质值的干扰因素有车速传感器的精度、测得的车速信号的噪声等。由此，考虑到了估算时的测量机构的干扰因素的影响，使得品质值能够更为准确地反映了每次估算的质量值的可信度。
在一个优选实施方案中设置的是，利用经机器学习方法训练的模型，建立换挡事件期间的车辆状态信号的关键特征与品质值的映射关系。事先准备包括关键特征和品质值的训练数据，建立合适的机器学习模型，例如支持向量机(SVM)、决策树模型、最近邻居算法(KNN)和神经网络模型并且进行监督学习，从而由经训练的机器学习模型，建立了换挡事件期间的车辆状态信号的关键特征与品质值的映射关系。由此，能够在复杂的车辆使用环境下根据车辆状态信号的关键特征对估算的质量值进行品质评估。
在一个优选实施方案中设置的是，利用经机器学习方法训练的模型，建立换挡事件期间的车辆状态信号本身与品质值的映射关系。与前一个实施方案不同的是，并不提取车辆状态信号的关键特征，而是直接使用在换挡事件中的车辆状态信号本身，例如车速信号序列或车辆加速度信号序列。在换挡事件期间的不同车辆状态基本上能够通过车速信号或车辆加速度来反映出，因此可以直接使用车速信号序列或加速度信号序列作为机器学习模型的输入。由此，能够在复杂的车辆 使用环境下根据车辆状态信号本身对估算的质量值进行品质评估。
根据本发明的另一方面，提供了一种用于估算车辆质量的装置，其特征在于，包括：
估算模块，所述估算模块用于在车辆行驶期间获取车辆动力学数据并且根据所述车辆动力学数据识别车辆的换挡阶段，所述估算模块还用于依赖于第一换挡阶段之内和之前的车辆动力学数据估算第一质量值，并且依赖于至少一个第二换挡阶段之内和之前的车辆动力学数据估算至少一个第二质量值，
评价模块，所述评价模块至少依赖于各个换挡事件的车辆状态特征信号为第一质量值配属有第一品质值并且为各第二质量值配属有各自的第二品质值，依赖于品质值将所属的质量值评估为可用的质量值或不可用的质量值，
产生模块，所述产生模块用于仅使用可用的质量值来产生车辆质量。
根据本发明的另一方面，提供了一种用于估算车辆质量的电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据本发明的用于估算车辆质量的方法。
根据本发明的另一方面，提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现根据本发明的用于估算车辆质量的方法。
根据本发明的另一方面，提供了一种车辆，其特征在于，所述车辆具有根据本发明的用于估算车辆质量的装置或电子设备。
在根据本发明的用于估算车辆质量的方法的方面所述的优点或有益效果也适用于根据本发明的用于估算车辆质量的装置和电子设备以及根据本发明的计算机可读介质和车辆。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明的用于估算车辆质量的方法的主要流程的示意图；
图2是根据本发明的用于估算车辆质量的装置的主要模块的示意图。
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1示出了根据本发明的用于估算车辆质量的方法的主要流程的示意图，其包括如下步骤：
步骤S101：在车辆行驶期间获取车辆动力学数据。
对于装备有CAN总线的车辆，可以从CAN总线数据中获取大量的车辆动力学数据，例如车速、发动机转速、发动机的驱动力矩等，它们被用于识别换挡阶段和估算车辆质量。
为了消除测量错误以及干扰，对获取的车辆数据进行预处理，优选是低通滤波以及消除明显异常。
步骤S102：根据所述车辆动力学数据识别车辆的换挡阶段。
换挡阶段是指发动机与驱动轮完全分离的无牵引力阶段，即离合器处于完全分离的阶段，而非换挡阶段即变速器的离合器处于完全接合的状态。
在装备有半自动变速器(AMT)的车辆中，可以使用来自CAN总线数据的ETC1(电子变速器控制器#1)参数组中的参数Percent Clutch Slip(离合器打滑百分比)，其指示出离合器是打滑、接合还是分离，离合器的“分离”状态被认为大体上对应于无牵引力的阶段。
此外，在离合器完全分离的阶段，只有行车阻力，例如滚动阻力和空气阻力作用到驱动轮上，车辆近似地处于无牵引力的滑行阶段。通过车速和/或车辆加速度在该阶段内的特定变化，也可以识别出换挡阶段。
步骤S103：依赖于第一换挡阶段之内和之前的车辆动力学数据估算第一质量值，并且依赖于至少一个第二换挡阶段之内和之前的车辆动力学数据估算至少一个第二质量值。
在每次估算质量值时，提取两个短时相继的时间点，例如一个是换挡阶段之内，一个是换挡阶段之前的车辆动力学数据，并且要么基于运动方程，要么基于功率定理来计算车辆质量。因此，利用第一换挡事件可以估算第一质量值，并且利用第二换挡事件可以估算第二质量值。当有更多换挡事件可用时，则估算更多的质量值。
步骤S104：至少依赖于各个换挡事件的车辆状态特征信号为第一 质量值配属有第一品质值并且为各第二质量值配属有各自的第二品质值，依赖于品质值将所属的质量值评估为可用的质量值或不可用的质量值。
品质值的取值范围在0至1，其大小依赖于各个换挡事件的车辆状态特征信号以及信号噪声，其中，品质值越大表示质量值的可信性越高。品质值为0表示该质量值是不可信的，因此其不会被用于产生最终的车辆质量；品质值为1表示该质量值是可信的，其会被用于产生最终的车辆质量。而品质值在0至1之间表示该质量值是部分可信的，是否被用于产生最终的车辆质量需要进一步分析。
为了给通过每个换挡事件估算的质量值配属品质值，本发明提出了三种品质评估方案。
在第一种方案中，根据预设条件进行品质评估。表1中列举了示例性的预设条件：
表1第一种品质评估方案
对于基于一个换挡事件估算的质量值，如果列举的7个条件均未满足，则认为达到最高的评估品质，为该质量值配属为1的品质值。所有品质值为1的质量值被考虑来产生最终的车辆质量。
如果满足条件1至5中任一项，则为质量值配属为0的品质值，这意味着在后续的处理中应排除该质量值。
如果满足条件6或7，则为质量值配属有在0至1之间的品质值，其中，品质值的大小依赖于换挡阶段中的车速与时间的相关系数的大小而设置在0.1至0.5，或者依赖于在换挡阶段/非换挡阶段中的车速噪声大小而设置在0.2至0.4/0.3至0.6。在这种情况下，将该质量值标记为待定，并且与来自其他换挡事件的质量值进行比较，用以决定是否应该排除该质量值，其方式可以是：当存在品质值为1的另一质量值可用时，则排除该质量值；当不存在品质值为1的质量值可用时，要么以品质值最高的那个质量值作为车辆质量，要么使用品质值最高和第二高的质量值来产生，例如以融合方式产生车辆质量。
此外，如果存在其他的能够获知可信质量值的来源，例如车辆的称重传感器，则可以使用称重传感器的称重值来确定是否应排除这个经估算的部分可信的质量值。
可以理解的是，表1中的条件1～5中提到的各个阈值是可以根据实际使用的车辆的机械性能参数以及测量系统的性能参数而适应性设置的，表1中的条件6和7中提到的品质值范围的标定可以根据经验来设置、根据当前测量系统的测试结果来设置或者通过灵敏度分析方法来设置。
在第二种方案中，基于机器学习方法进行品质评估，其中，利用了换挡事件期间的车辆状态信号的关键特征。
首先，准备例如1000组用于模型训练的训练数据。每一组训练数据包括一次基于换挡事件以车辆动力学数据进行的质量估算的信息，将每个估算的质量值与参考质量进行比较，并且根据比较结果依赖于估算质量与实际质量的误差地配属品质值。例如，为估算误差小于等于2％的质量值配属品质值1，为估算误差大于2％且小于等于4％、大于4％且小于等于6％、大于6％且小于等于8％的质量值分别配属品质值0.9、0.8、0.7，等等。可以理解的是，上述仅是配属品质值的示例，具体配属方案可以根据估算质量的可信度的具体要求而定。在配属品质值的同时，还提取能够反映每次换挡期间的车辆状态信号的关键特征，例如换挡阶段之中和之前的车速、挡阶段之中和之前的车辆加速度、换挡阶段之中的车速的线性度(例如相关系数)、车速中信号噪声的强度、车速信号的频域分析结果、两次换挡事件之间的时间间隔、车辆转向角、换挡阶段之前的发动机扭矩等。
随后使用已提取了关键特征且配属有品质值的1000组训练数据对机器学习模型进行训练。可选的模型有支持向量机(SVM)、决策树模型、最近邻居算法(KNN)和神经网络模型。利用经过训练的模型，建立了换挡事件期间的车辆状态信号的关键特征与品质值的映射关系。由此，能够在复杂的车辆使用环境下根据车辆状态信号的关键特征对估算的质量值进行品质评估。
在第三种方案中，基于机器学习方法进行品质评估，其中，利用了换挡事件期间的车速信号序列。
第三种方案的原理与第二种方案的原理类似，区别在于并不提取车辆状态信号的关键特征，而是直接使用在换挡事件中的车辆状态信号，例如车速信号序列或加速度信号序列。在换挡事件期间的不同车辆状态基本上能够通过车速信号或加速度信号来反映出，因此可以直接使用车速信号序列或加速度信号序列作为机器学习模型的输入。在本方案中，可选的模型有长短期记忆(LSTM)。由此，能够在复杂的 车辆使用环境下根据车辆状态信号本身对估算的质量值进行品质评估。
上述三种方案中的任一个均能实现对质量值进行品质评估。同时，它们也可以彼此组合地进行品质评估。例如，使用第一种方案限定品质评估的硬条件，以排除不可用或不可信(品质值为0)的质量值，并且使用第二种方案或第三种方案，根据车辆状态信号的关键特征或使用某个车辆状态信号序列，为部分可信(品质值在0和1之间)的质量值配属品质值。
部分可信的质量值可以被暂存作为后备的质量值，也就是当在后续的换挡事件中估算的质量值是可信的(品质值为1)时，则排除该部分可信的质量值，而仅使用可信的质量值来产生最终的车辆质量。当不存在可信的质量值时，要么以品质值最高的那个质量值作为车辆质量，要么使用品质值最高和第二高的质量值来产生，例如以融合方式产生车辆质量。
步骤S105：仅使用可用的质量值来产生车辆质量。
当存在多个可用的质量值，特别是多个可信的质量值时，可以利用递归估计算法来产生车辆质量。可选地，借助卡尔曼滤波器或借助最小二乘估计器(RLS-滤波器)执行递归估计算法。由此，提高了最终获得的车辆质量的精确度。
根据本发明，还提出了一种用于估算车辆质量的装置200。图2示出了装置200的主要模块的示意图，还装置包括：
估算模块201，所述估算模块201用于在车辆行驶期间获取车辆动力学数据并且根据所述车辆动力学数据识别车辆的换挡阶段，所述估算模块201还用于依赖于第一换挡阶段之内和之前的车辆动力学数据估算第一质量值，并且依赖于至少一个第二换挡阶段之内和之前的车 辆动力学数据估算至少一个第二质量值。
评价模块202，所述评价模块202至少依赖于各个换挡事件的车辆状态特征信号为第一质量值配属有第一品质值并且为各第二质量值配属有各自的第二品质值，依赖于品质值将所属的质量值评估为可用的质量值或不可用的质量值，
产生模块203，所述产生模块203用于仅使用可用的质量值来产生车辆质量。
根据本发明还提出一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现根据本发明的用于估算车辆质量的方法。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由 指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (12)
- 一种用于估算车辆质量的方法，其特征在于，包括如下步骤：在车辆行驶期间获取车辆动力学数据；根据所述车辆动力学数据识别车辆的换挡阶段；依赖于第一换挡阶段之内和之前的车辆动力学数据估算第一质量值，并且依赖于至少一个第二换挡阶段之内和之前的车辆动力学数据估算至少一个第二质量值；至少依赖于各个换挡事件的车辆状态特征信号为第一质量值配属有第一品质值并且为各第二质量值配属有各自的第二品质值，依赖于品质值将所属的质量值评估为可用的质量值或不可用的质量值；仅使用可用的质量值来产生车辆质量。
- 根据权利要求1所述的方法，其特征在于，在如下条件中的任一个条件下，为质量值配属有不可用的品质值：车速低于估算速度阈值、换挡阶段之前减速、换挡阶段之前和换挡阶段时的道路坡度变化、前后相继的两个换挡阶段的间隔小于间隔阈值和车辆处于转向中。
- 根据权利要求1所述的方法，其特征在于，依赖于各个品质值将可用的质量值进一步评估为可信的质量值或部分可信的质量值，其中，仅使用可信的质量值来产生车辆质量。
- 根据权利要求1所述的方法，其特征在于，依赖于各个品质值将可用的质量值进一步评估为可信的质量值或部分可信的质量值，其中，当可用的质量值中不存在可信的质量值时，要么以品质值最高的那个质量值作为车辆质量，要么对品质值最高的和第二高的质量值进行融合而得到车辆质量。
- 根据权利要求1所述的方法，其特征在于，利用递归估计算法 来产生车辆质量。
- 根据权利要求1至5中任一项所述的方法，其特征在于，还依赖于每次估算质量值时的干扰因素设定各自的品质值。
- 根据权利要求1至5中任一项所述的方法，其特征在于，利用经机器学习方法训练的模型，建立换挡事件期间的车辆状态信号的关键特征与品质值的映射关系。
- 根据权利要求1至5中任一项所述的方法，其特征在于，利用经机器学习方法训练的模型，建立换挡事件期间的车辆状态信号本身与品质值的映射关系。
- 一种用于估算车辆质量的装置，其特征在于，包括：估算模块，所述估算模块用于在车辆行驶期间获取车辆动力学数据并且根据所述车辆动力学数据识别车辆的换挡阶段，所述估算模块还用于依赖于第一换挡阶段之内和之前的车辆动力学数据估算第一质量值，并且依赖于至少一个第二换挡阶段之内和之前的车辆动力学数据估算至少一个第二质量值，评价模块，所述评价模块至少依赖于各个换挡事件的车辆状态特征信号为第一质量值配属有第一品质值并且为各第二质量值配属有各自的第二品质值，依赖于品质值将所属的质量值评估为可用的质量值或不可用的质量值，产生模块，所述产生模块用于仅使用可用的质量值来产生车辆质量。
- 一种用于估算车辆质量的电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述 一个或多个处理器实现如权利要求1-8中任一所述的方法。
- 一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
- 一种车辆，其特征在于，所述车辆具有根据权利要求9所述的装置或根据权利要求10所述的电子设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2022/142216 WO2024138355A1 (zh) | 2022-12-27 | 2022-12-27 | 一种用于估算车辆质量的方法、装置和电子设备以及计算机可读介质和车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2022/142216 WO2024138355A1 (zh) | 2022-12-27 | 2022-12-27 | 一种用于估算车辆质量的方法、装置和电子设备以及计算机可读介质和车辆 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2024138355A1 true WO2024138355A1 (zh) | 2024-07-04 |
Family
ID=91716093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2022/142216 WO2024138355A1 (zh) | 2022-12-27 | 2022-12-27 | 一种用于估算车辆质量的方法、装置和电子设备以及计算机可读介质和车辆 |
Country Status (1)
| Country | Link |
|---|---|
| WO (1) | WO2024138355A1 (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103661393A (zh) * | 2012-08-31 | 2014-03-26 | 福特全球技术公司 | 运动学道路坡度估计 |
| CN107117178A (zh) * | 2017-05-23 | 2017-09-01 | 重庆大学 | 考虑换挡和道路坡度因素的车辆质量估计方法 |
| CN107310558A (zh) * | 2017-05-12 | 2017-11-03 | 北汽福田汽车股份有限公司 | 车辆质量的测量方法、装置和车辆 |
| US20180267558A1 (en) * | 2017-03-14 | 2018-09-20 | Starsky Robotics, Inc. | Vehicle sensor system and method of use |
| CN115140070A (zh) * | 2022-07-14 | 2022-10-04 | 东风商用车有限公司 | 一种基于amt换挡控制的整车质量估算方法 |
-
2022
- 2022-12-27 WO PCT/CN2022/142216 patent/WO2024138355A1/zh unknown
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103661393A (zh) * | 2012-08-31 | 2014-03-26 | 福特全球技术公司 | 运动学道路坡度估计 |
| US20180267558A1 (en) * | 2017-03-14 | 2018-09-20 | Starsky Robotics, Inc. | Vehicle sensor system and method of use |
| CN107310558A (zh) * | 2017-05-12 | 2017-11-03 | 北汽福田汽车股份有限公司 | 车辆质量的测量方法、装置和车辆 |
| CN107117178A (zh) * | 2017-05-23 | 2017-09-01 | 重庆大学 | 考虑换挡和道路坡度因素的车辆质量估计方法 |
| CN115140070A (zh) * | 2022-07-14 | 2022-10-04 | 东风商用车有限公司 | 一种基于amt换挡控制的整车质量估算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105209309B (zh) | 用于确定车辆重量的方法和装置以及具有这种装置的车辆 | |
| JP4928612B2 (ja) | センサのノイズを監視する方法および装置 | |
| CN107458380A (zh) | 一种适用于综合驾驶工况下的道路坡度实时估计方法 | |
| CN107933317A (zh) | 估算剩余续驶里程的方法、装置、设备及纯电动汽车 | |
| CN112677982B (zh) | 基于驾驶员特性的车辆纵向速度规划方法 | |
| US11856006B2 (en) | Abnormal communication detection apparatus, abnormal communication detection method and program | |
| CN112579966A (zh) | Abs参考车速的计算方法、装置、电子设备和介质 | |
| US20220166461A1 (en) | Automotive physical layer (PHY) cable fault diagnosis | |
| CN107878462A (zh) | 车速预测方法和装置 | |
| US10097671B2 (en) | Compression algorithms for vehicle-bus-messaging of preview data | |
| WO2024138355A1 (zh) | 一种用于估算车辆质量的方法、装置和电子设备以及计算机可读介质和车辆 | |
| US8484955B2 (en) | System and method for estimating an amount of particulate matter accumulated in a particulate filter | |
| CN113335294B (zh) | 路面纵向坡度的估计方法、装置、电子设备和存储介质 | |
| JP2018052384A (ja) | 車両の制御装置及び車両の制御方法 | |
| CN107719373B (zh) | 用于估计路面摩擦的方法和系统 | |
| US20220292884A1 (en) | Determination device, determination method, and computer-readable recording medium | |
| US20240015047A1 (en) | Traveling object, information processing apparatus, information processing method, and program | |
| JP6292544B2 (ja) | エンジンオイル劣化診断装置 | |
| CN114771283A (zh) | 一种爬行控制方法、装置、电动汽车和存储介质 | |
| CN114932913A (zh) | 基于数据误差提取和特征概率分析的车重估计方法 | |
| JPWO2014037986A1 (ja) | 走行環境推定装置及び走行環境推定方法 | |
| US10690240B2 (en) | Real-time tracking and filtering of estimated driveline ratios | |
| JP2010188885A (ja) | 路面状態推定装置 | |
| KR20170064926A (ko) | 차량 질량 추정 방법 및 장치 | |
| KR101593830B1 (ko) | 엔진 출력 예측 방법 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 22969512 Country of ref document: EP Kind code of ref document: A1 |