Nothing Special   »   [go: up one dir, main page]

CN108248609A - 混合动力车辆和在混合动力车辆中预测驾驶样式的方法 - Google Patents

混合动力车辆和在混合动力车辆中预测驾驶样式的方法 Download PDF

Info

Publication number
CN108248609A
CN108248609A CN201711145178.5A CN201711145178A CN108248609A CN 108248609 A CN108248609 A CN 108248609A CN 201711145178 A CN201711145178 A CN 201711145178A CN 108248609 A CN108248609 A CN 108248609A
Authority
CN
China
Prior art keywords
acceleration
torque
deceleration
prediction model
driving
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711145178.5A
Other languages
English (en)
Other versions
CN108248609B (zh
Inventor
赵圭焕
朴俊泳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hyundai Motor Co
Kia Corp
Original Assignee
Hyundai Motor Co
Kia Motors Corp
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 Hyundai Motor Co, Kia Motors Corp filed Critical Hyundai Motor Co
Publication of CN108248609A publication Critical patent/CN108248609A/zh
Application granted granted Critical
Publication of CN108248609B publication Critical patent/CN108248609B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
    • B60W20/11—Controlling the power contribution of each of the prime movers to meet required power demand using model predictive control [MPC] strategies, i.e. control methods based on models predicting performance
    • 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
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B60W10/08—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of electric propulsion units, e.g. motors or generators
    • 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
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
    • B60W20/15—Control strategies specially adapted for achieving a particular effect
    • 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
    • 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
    • B60W50/08—Interaction between the driver and the control system
    • 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
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/10—Interpretation of driver requests or demands
    • 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
    • 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
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B60W2050/0083—Setting, resetting, calibration
    • B60W2050/0088—Adaptive recalibration
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/408—Radar; Laser, e.g. lidar
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/10—Accelerator pedal position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/12—Brake pedal position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/30—Driving style
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2720/00—Output or target parameters relating to overall vehicle dynamics
    • B60W2720/10—Longitudinal speed
    • B60W2720/103—Speed profile
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/92—Hybrid vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Hybrid Electric Vehicles (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明提供一种混合动力车辆和在混合动力车辆中预测驾驶样式的方法。方法包括：获取当前车辆驾驶信息；基于当前车辆驾驶信息，确定即将发生的事件和驾驶风格；以及基于从多个预学习的预测模型中选择的与即将发生的事件和驾驶风格对应的预测模型，生成加速/减速预测值。

Description

混合动力车辆和在混合动力车辆中预测驾驶样式的方法
技术领域
本公开涉及一种混合动力车辆和预测驾驶样式(driving pattern)的方法，更具体地，涉及如下一种预测驾驶样式的方法，其能够学习驾驶员的驾驶样式并且更准确地预测驾驶样式，以及涉及一种能够执行该方法的混合动力车辆。
背景技术
本节中的陈述仅提供与本发明相关的背景信息，并且可能不构成现有技术。
近来，随着对车辆燃料效率提高的需求增加和许多国家对车辆排放的严格管理，对环保型车辆的需求也在增加。为了满足这一需求，已经开发了混合电动车辆(HEV)和插电式混合电动车辆(PHEV)。
混合动力车辆使用包括发动机和电动机在内的两种动力源来行驶。取决于发动机和电动机的协调操作，可以生成最佳输出和扭矩。具体地，在配备有并联型(或安装有变速器的电动设备型(TMED型))混合系统的混合动力车辆(在其中，电动机和发动机离合器(EC)安装在发动机与变速器之间)的情况下，发动机的输出和电动机的输出可以同时传递至驱动轴。
与配备有通用内燃机的车辆相比，为了实现高效行驶，混合动力车辆有更多的因素要确定和控制，例如，是否执行发动机离合器的接合，是否将电动机输出施加至发动机输出，以及是否改变行驶模式。如果可以预测近期(in the near future)(例如，在10秒内)的驾驶员的行为，则可以实现更高效的行驶。
为了预测驾驶员的行为，已经积极地进行了使用机器学习方法对驾驶员的驾驶样式进行采样和通过学习更新样本的方法的研究。但是，这种方法不能反映各驾驶员的独特性。也就是说，在基于获取多个驾驶员的驾驶数据和学习驾驶员的样式来生成单个预测模型的情况下，预测精度可能根据驾驶员的独特性而显著变化。现在将参考图1和图2进行说明。
图1和图2是用于说明驾驶员的样式的常规学习的各个问题的视图。
首先，参考图1，可以看出，驾驶员A在车辆接近测速相机之前提前减速，驾驶员B在车辆紧邻测速相机时突然减速。在基于从这两个驾驶员得出的样本进行驾驶样式的学习的情况下，计算出的预测结果仅对应于作为样本值的简单均值的中间值。因此，通过这种方法生成的预测模型实际上并不适用于两个驾驶员中的任一个。
即使当基于从一个驾驶员(他在车辆几乎到达收费站时突然减速但是在测速相机之前适宜地减速)得出的样本进行驾驶样式的学习时，也可能出现这种问题，如图2所示。
因此，已经发现，不反映各驾驶员对于即将发生的相同或不同事件的独特驾驶样式的常规学习方案可能不能准确地预测驾驶员近期的加速或减速的意图。
发明内容
本发明的目的在于，提供一种在混合动力车辆中更有效地预测驾驶样式的方法和能够实现该方法的混合动力车辆。
本发明的另一目的在于，提供一种在考虑到即将发生的事件的情况下在混合动力车辆中预测驾驶样式的方法以及能够实现该方法的混合动力车辆。
本发明的附加优点、目的和特征将部分地在以下描述中进行阐述，并且根据对以下内容的查阅将部分地对于本领域普通技术人员变得显而易见，或者可以从本发明的实践中得知。本发明的目的和其他优点可以通过在书面说明书和权利要求以及附图中特别指出的结构来实现和获得。
为了实现这些目的和其他优点并且根据本发明的目的，如本文中体现和广泛描述的，在混合动力车辆中预测驾驶样式的方法包括：获取当前车辆驾驶信息；基于当前车辆驾驶信息来确定即将发生的事件和驾驶风格；以及基于从多个预学习的预测模型中选择的与即将发生的事件和驾驶风格对应的预测模型来生成加速/减速预测值。
在本发明的另一方面中，一种混合动力车辆包括：驾驶信息检测单元，被配置为利用至少一个传感器基于混合动力车辆的行驶来检测驾驶信息；和加速/减速预测单元，被配置为利用加速/减速预测模型和混合动力车辆的行驶状况基于驾驶信息来生成加速/减速预测值。驾驶员加速/减速预测单元被配置为：基于通过驾驶信息检测单元检测到的当前车辆驾驶信息来确定即将发生的事件和驾驶风格，并且基于从多个预学习的预测模型中选择的与即将发生的事件和驾驶风格对应的预测模型来生成加速/减速预测值。
根据本文提供的描述，其他应用领域将变得显而易见。应当理解，描述和具体示例仅旨在为了说明的目的，并不旨在限制本发明的范围。
附图说明
为了可以很好地理解本发明，现在将参考附图描述以示例的样式给出的本发明的各种实施方式，其中：
图1和图2是用于说明驾驶员的样式的常规学习的各个问题的视图；
图3是示意性地示出混合动力车辆的传动系控制系统的框图；
图4A和图4B示出预测驾驶员的加速/减速意图的示例性过程；
图5示出通过驾驶员加速/减速预测单元执行的示例性近期预测过程；
图6是示出通过驾驶员加速/减速预测单元执行的示例性近期预测过程的流程图；以及
图7示出使用近期加速/减速预测模型的模式变化确定方法。
这里描述的附图仅用于说明的目的，并不旨在以任何方式限制本发明的范围。
具体实施方式
以下描述本质上仅仅是示例性的，并不旨在限制本发明、应用或用途。应当理解，在整个附图中，对应的附图标记表示相似或对应的部件和特征。
首先，将参考图3描述混合动力车辆的结构。
图3是示意性地示出本发明的一些实施方式中的混合动力车辆的传动系控制系统的框图。
参考图3，在本发明的一些实施方式中，混合动力车辆的传动系控制系统100包括驾驶信息检测单元110、驾驶风格确定单元120、驾驶员加速/减速预测单元130和混合控制单元(HCU)140。这种结构仅仅是说明性的，并且更多或更少数量的组件可以组成传动系控制系统(例如，可以省略驾驶风格确定单元)。
驾驶信息检测单元110与车辆速度传感器11、加速器位置传感器(APS)12、制动器踏板传感器(BPS)13、高级驾驶员辅助系统(ADAS)14和导航设备15中的至少一个连动地检测与车辆的行驶有关的驾驶信息。
驾驶信息检测单元110通过APS 12检测加速器操作状态，并且通过BPS 13检测制动器操作状态。
驾驶信息检测单元110通过车辆速度传感器11检测车辆速度，并通过ADAS 14的雷达传感器或(立体)相机检测关于车辆前方运动的信息，包括与前方车辆的相对距离和加速状态。除了雷达传感器或相机之外，可以根据ADAS的构成采用各种其他传感器，例如，使用超声波或激光器。
驾驶信息检测单元110通过导航设备15检测导航信息(道路环境信息)，例如，基于GPS/GIS的车辆位置、道路类型、拥挤程度、速度限制、交叉路口、收费站、转弯和斜坡。这里，导航设备15可以参考其中存储的导航地图和通过外部无线通信(例如，远程信息处理或TPEG)收集的交通信息，以便提供上述信息。
驾驶风格确定单元120基于由驾驶员的驾驶操作引起的驾驶样式(例如，平均车辆速度、加速器变化dAPS以及制动器踏板变化dBPS)来确定驾驶员的驾驶风格。
例如，驾驶风格确定单元120包括使用通过驾驶信息检测单元110检测的因素(包括APS的变化、BPS的变化、车辆速度和倾斜度)作为输入参数的模糊隶属函数，并且计算短期驾驶风格指数(SI＝0～100％)。
驾驶风格确定单元120可以根据驾驶风格的程度，按预定参考百分比划分计算出的短期驾驶风格指数(SI＝0～100％)，从而使驾驶员的驾驶风格成为多个等级中的一个。
驾驶员加速/减速预测单元130利用机器学习方案来学习依赖于驾驶风格的加速/减速预测模型，并且使用加速/减速预测模型生成驾驶员近期加速/减速的意图的预测值，其反映了车辆的行驶状况和驾驶风格。也就是说，驾驶员加速/减速预测单元130使用通过驾驶信息检测单元110检测到的车辆速度、雷达信息和导航信息以及驾驶员的驾驶风格作为输入参数，并且定量地数字化以比较短时间单位表示的驾驶操作形式，从而确定驾驶员加速/减速的瞬时意图，并且因此生成驾驶员近期加速/减速的预测值。该加速/减速预测值可以包括近期按压加速器或制动器踏板的力和概率(被分解为预定时间单位)。
加速/减速预测单元130的具体预测算法可以包括利用机器学习方案弥补预生成的预测模型的神经网络，之后将对其进行详细描述。
在本发明的一些实施方式中，HCU 140控制用于切换混合动力车辆的模式的组件的操作，并且用作主控制单元，其一体地控制通过网络连接到它的发动机控制单元和电动机控制单元。
HCU 140可以基于通过驾驶信息检测单元110检测到的APS或BPS的变化来分析当前驾驶员需求扭矩，并且可以接收近期加速/减速预测值，从而预测近期特定时间点处的需求扭矩或加速/减速程度。
此外，HCU可以将当前需求扭矩和近期需求扭矩与各个阈值进行比较，并且可以确定是否改变变速器的档位，是否改变模式(例如，从HEV模式到EV模式，反之亦然)，以及是否控制发动机在满负荷或部分负载条件下操作。确定结果可以以控制命令的形式输出，并发送到对应的控制单元。
当然，根据本发明的实施方式，在加速/减速预测单元130还使用近期加速/减速预测值来预测近期需求扭矩的情况下，加速/减速预测单元130可以将近期需求扭矩预测值发送到HCU 140。
此外，变速器控制单元根据当前需求扭矩来执行速度变化的确定，并且允许HCU140根据近期需求扭矩预测值来执行速度变化的确定。由HCU 140执行的速度变化的确定结果被发送到变速器控制单元，以便取代(override)变速器控制单元的速度变化的确定。
上述实施方式可以替代地构成为使得省略驾驶风格确定单元120。在这种情况下，驾驶员加速/减速预测单元130可以执行加速/减速预测，而不需要与驾驶风格相关的输入值。
在下文中，将参考图4A和图4B描述使用驾驶员加速/减速预测单元130来预测驾驶员的加速/减速意图的方法。
图4A和图4B示出预测驾驶员的加速/减速意图的示例性过程。
首先，参考图4A，通过驾驶员加速/减速预测单元130执行的预测驾驶员的加速/减速意图的过程可以包括以下三个步骤。首先，可以确定使用什么参数作为用于预测的输入值(S41)。所确定的输入值通过机器学习修改预测模型(S42)。通过输入值和修改的模型来确定加速度或减速度，并计算与近期情况有关的预测值(S43)。
确定输入值的步骤(S41)可以包括：1)提取输入值的候选值的步骤；2)通过对输入信号进行积分来预处理数据的步骤；以及3)使用预处理的候选值来选择最终参数的步骤。
另一方面，可以使用基于时间序列模型的方法或基于深度学习的方法作为机器学习方案。基于时间序列模型的方法的示例包括自回归积分移动平均(ARIMA)方法(其使用随机指示表示动作随时间的变化)和多层感知(MLP)方法(其将非参数回归方法用于通用逼近器)。基于深度学习的方法的示例包括堆叠自动编码器(SAE)方法(其通过维度减小使得输入和输出数据彼此相似)、递归神经网络(RNN)方法(其为用于处理顺序信息的神经网络算法)以及长期记忆(LSTM)方法(其适用于长期依赖学习)。图4B示出，在上述学习方案中，使用神经网络算法通过驾驶员加速/减速预测单元执行的预测驾驶员近期加速/减速的意图的过程。
参考图4B，在本发明的一些实施方式中，驾驶员加速/减速预测单元130包括神经网络，其利用机器学习方案基于驾驶员的驾驶风格来学习加速/减速预测模型。
优选地，基于驾驶风格的近期加速/减速预测模型(其基于在车辆发售之前通过试验驾驶而累积的大数据，利用神经网络来生成)预先存储在驾驶员加速/减速预测单元130中。
此外，驾驶员加速/减速预测单元130可以基于已经利用神经网络预先存储在其中的驾驶风格将在车辆出售给驾驶员之后根据驾驶员的实际驾驶操作而学习到的车辆移动数据添加到近期加速/减速预测模型，并且因此可以基于专门针对实际驾驶员的驾驶风格生成近期加速/减速预测模型。此时，根据实际驾驶员的风格(例如，温和、正常或运动)的确定，驾驶员加速/减速预测单元130可以将学习到的移动数据应用于与所确定的驾驶风格对应的近期加速/减速预测模型。
基于包括行驶环境和驾驶员的驾驶风格(其基于车辆速度、雷达信息和导航信息来确定)的输入信息，驾驶员加速/减速预测单元130可以根据驾驶员的驾驶风格来计算近期加速/减速意图预测值。这里，如图4B所示，驾驶风格可以分为多种类型，并且可以由平均车辆速度的数值、加速器的使用变化dAPS以及制动器踏板的使用变化dBPS来表示。
此外，驾驶员加速/减速预测单元130可以在安装至车辆的状态下通过机器学习方案实时修改驾驶员加速/减速模型，或者可以仅用于通过从外部接收修改的模型来进行预测，而不进行学习。
也就是说，在外部执行模型的修改的情况下，作为用于学习的输入值的参数被发送到远程信息处理中心或云服务器。因此，在外部执行通过学习进行的模型修改，然后，仅将最终模型发送到车辆。
另一方面，在本发明的一些实施方式中，在混合动力车辆中预测近期驾驶样式的过程可以包括：在考虑到驾驶员的风格和即将发生的事件的情况下进行学习和建模。也就是说，在本发明的一些实施方式中，驾驶员加速/减速预测单元通过各个输入信号来学习预测模型(在图4A中示出)，并且根据关于即将发生的事件的驾驶风格来对预测结果进行分类。因此，驾驶员加速/减速预测单元基于在行驶期间获得的驾驶信息(即，输入信号)来确定哪种驾驶风格对应于即将发生的事件，并且生成与即将发生的事件对应的加速/减速预测结果。
图5中示出实现上述内容的驾驶员加速/减速预测单元的操作。
图5示出在本发明的一些实施方式中通过驾驶员加速/减速预测单元执行的示例性近期预测过程。
参考图5，在本发明的一些实施方式中，驾驶员加速/减速预测单元130'分离学习和预测，即，1)基于通过过去的采样进行的学习，根据关于即将发生的事件的驾驶风格对预测结果进行分类，和2)基于当前驾驶员的驾驶信息，确定关于即将发生的事件的驾驶员的风格。
例如，学习驾驶员对于测速相机、收费站以及前方车辆的状态显示出的风格，并且根据事件和驾驶员的风格来准备多个预测模型。基于即将发生的事件和当前驾驶员的驾驶信息来确定将要应用哪个准备的预测模型，并且从驾驶员加速/减速预测单元130'输出从与当前驾驶信息对应的模型导出的加速/减速预测结果。现在将参考图6中的流程图对此进行详细描述。
图6是示出在本发明的一些实施方式中通过驾驶员加速/减速预测单元执行的示例性近期预测过程的流程图。
参考图6，驾驶员加速/减速预测单元130'接收通过驾驶信息检测单元110检测到的驾驶信息(S611)，学习加速/减速预测模型(S613)，以及根据关于即将发生的事件的驾驶风格来对预测结果进行分类(S615)。基于学习的模型，驾驶员加速/减速预测单元130'接收当前驾驶员的驾驶信息(S621)，确定与关于即将发生的事件的驾驶风格对应的模型(S623)，并且输出对应模型的预测值作为驾驶员近期加速/减速意图预测值(S630)。
图7示出在本发明的一些实施方式中使用近期加速/减速预测模型的模式变化确定方法。
图7中的模式变化可以是在EV模式与HEV模式之间的变化、变速器的当前档位与其更高档位之间的变化、或者发动机的全负载操作模式与其部分负载操作模式之间的变化。在示例中，在EV模式下行驶的状态下，虽然分析出当前行驶模式附加地需要发动机的驱动力，但是如果那时预测到发动机的驱动力在近期将是不必要的，则可以保持EV模式而不变为HEV模式。在另一示例中，虽然分析出当前行驶模式需要比当前档位的最大扭矩大的扭矩，但是如果那时预测到需求扭矩在近期将迅速减小，则可以在保持当前档位的同时通过电动机的裕量扭矩来将扭矩调节至需求水平。如果预测到近期将进一步增加需求扭矩，则可以预先变为更高档位。
在图7中，为了便于说明，虽然要确定和预测的因素被限制为需求扭矩和与需求扭矩相关的模式切换(速度和发动机操作模式的变化)，但是对于本领域技术人员显而易见的是，其他预测值(例如，加速度)也可以是要确定和预测的因素。在这种情况下，驾驶员加速/减速预测单元可以使用近期加速/减速预测值来计算预测加速度值。
参考图7，在本发明的一些实施方式中，HCU 140响应于由驾驶员引起的APS或BPS的操作而分析当前驾驶需求，并且计算需求扭矩(S1)。另外，HCU 140将模式变化边界值与需求扭矩进行比较(S2)。
HCU 140通过根据驾驶员加速/减速预测单元130'使用近期加速/减速预测模型生成的驾驶员加速/减速意图预测信息而将需求扭矩预测值附加地应用于模式变化边界值与需求扭矩之间的比较结果，来确定是否改变模式(S3)，并且将与确定结果对应的命令发送到与其对应的控制单元。例如，假设将步骤S2中的模式变化边界值称为第一阈值，将步骤S3中用于比较的基准值称为第二阈值，则第二阈值可以等于或小于第一阈值。
本发明的上述实施方式可以由计算机可读记录介质中的计算机可读代码来实施。计算机可读记录介质包括存储有计算机系统可读数据的各种记录设备。计算机可读记录介质的示例包括硬盘驱动器(HDD)、固态盘(SSD)、硅盘驱动器(SDD)、ROM、RAM、CD-ROM、磁带、软盘、光数据存储设备等。计算机可读记录介质也可以以载波(例如经由因特网传输)的形式来实施。
从以上描述中显而易见的是，与具有上述结构的本发明的至少一种实施方式相关联的混合动力车辆具有更有效地预测驾驶样式的效果。
特别地，在使用机器学习方案的驾驶样式预测中，由于根据关于即将发生的事件的驾驶风格来执行学习和建模，所以可以改善预测结果。
本发明的描述本质上仅仅是示例性的，因此，不偏离本发明的实质的变化旨在包括在本发明的范围内。不认为这些变化偏离本发明的精神和范围。

Claims (20)

1.一种在混合动力车辆中预测驾驶样式的方法，所述方法包括以下步骤：
获取当前车辆驾驶信息；
基于当前车辆驾驶信息，确定即将发生的事件和驾驶风格；以及
基于预测模型来生成加速/减速预测值，其中，所述预测模型是从多个预学习的预测模型中选择的与即将发生的事件和驾驶风格对应的预测模型。
2.根据权利要求1所述的方法，其中，所述多个预学习的预测模型通过以下步骤生成：
基于过去的车辆驾驶信息来生成加速/减速预测模型；以及
根据即将发生的事件和驾驶风格，将每一个生成的加速/减速预测模型分类为所述多个预测模型中的一个。
3.根据权利要求1所述的方法，其中，当前车辆驾驶信息和过去的车辆驾驶信息至少包括雷达信息、导航信息或驾驶风格信息。
4.根据权利要求3所述的方法，其中，所述驾驶风格信息至少包括车辆速度、加速器位置传感器的值或制动器踏板传感器的值。
5.根据权利要求1所述的方法，其中，以加速器位置传感器的值或制动器踏板传感器的值的大小和概率的形式输出加速/减速预测值。
6.根据权利要求1所述的方法，还包括以下步骤：
基于当前车辆驾驶信息来确定第一扭矩，其中，所述第一扭矩是当前需求扭矩；
基于加速/减速预测值来确定第二扭矩，其中，所述第二扭矩是近期需求扭矩；
当确定所述第一扭矩等于或大于第一阈值时，将所述第二扭矩与第二阈值进行比较；以及
当确定所述第二扭矩等于或大于所述第二阈值时，将行驶模式从第一模式变为第二模式。
7.根据权利要求6所述的方法，还包括以下步骤：
当确定所述第一扭矩小于所述第一阈值，或者所述第二扭矩小于所述第二阈值时，保持所述第一模式。
8.根据权利要求6所述的方法，其中，所述第二阈值等于或小于所述第一阈值。
9.根据权利要求6所述的方法，其中：
所述第一模式包括保持档位的模式、EV模式和发动机的部分操作模式中的至少一个，并且
所述第二模式以与所述第一模式对应的方式包括变为更高档位的模式、HEV模式和发动机的全操作模式中的至少一个。
10.一种计算机可读记录介质，其上记录有程序，所述程序使处理器执行如下步骤：
获取当前车辆驾驶信息；
基于当前车辆驾驶信息，确定即将发生的事件和驾驶风格；以及
基于预测模型来生成驾驶员的加速/减速预测值，其中，所述预测模型是从多个预学习的预测模型中选择的与即将发生的事件和驾驶风格对应的预测模型。
11.一种混合动力车辆，包括：
驾驶信息检测单元，被配置为：基于混合动力车辆的行驶，利用至少一个传感器检测驾驶信息；和
加速/减速预测单元，被配置为：利用加速/减速预测模型和混合动力车辆的行驶状况，基于驾驶信息来生成加速/减速预测值，
其中，所述加速/减速预测单元被配置为：
基于由所述驾驶信息检测单元检测到的当前车辆驾驶信息，确定即将发生的事件和驾驶风格；以及
基于预测模型来生成加速/减速预测值，其中，所述预测模型是从多个预学习的预测模型中选择的与即将发生的事件和驾驶风格对应的预测模型。
12.根据权利要求11所述的混合动力车辆，其中，所述加速/减速预测单元被配置为：
基于过去的车辆驾驶信息来生成加速/减速预测模型；以及
根据即将发生的事件和驾驶风格，将每一个生成的加速/减速预测模型分类为所述多个预测模型中的一个。
13.根据权利要求11所述的混合动力车辆，其中，当前车辆驾驶信息和过去的车辆驾驶信息包括雷达信息、导航信息和驾驶风格信息中的至少一个。
14.根据权利要求13所述的混合动力车辆，其中，所述驾驶风格信息包括车辆速度、加速器位置传感器的值和制动器踏板传感器的值中的至少一个。
15.根据权利要求11所述的混合动力车辆，其中，以加速器位置传感器的值或制动器踏板传感器的值的大小和概率的形式输出加速/减速预测值。
16.根据权利要求11所述的混合动力车辆，还包括：
混合控制单元，被配置为控制子控制单元，其中，所述子控制单元被配置为：
基于从所述驾驶信息检测单元发送的信息来确定第一扭矩，其中，所述第一扭矩是当前需求扭矩；
基于所述加速/减速预测值来确定第二扭矩，其中，所述第二扭矩是近期需求扭矩；
当确定所述第一扭矩等于或大于第一阈值时，将所述第二扭矩与第二阈值进行比较；以及
当确定所述第二扭矩等于或大于所述第二阈值时，将行驶模式从第一模式变为第二模式。
17.根据权利要求16所述的混合动力车辆，其中，所述子控制单元被配置为：
当确定所述第一扭矩小于所述第一阈值，或者所述第二扭矩小于所述第二阈值时，保持所述第一模式。
18.根据权利要求16所述的混合动力车辆，其中，所述第二阈值等于或小于所述第一阈值。
19.根据权利要求16所述的混合动力车辆，其中：
所述第一模式包括保持档位的模式、EV模式和发动机的部分操作模式中的至少一个；并且
所述第二模式以与所述第一模式对应的方式包括变为更高档位的模式、HEV模式和发动机的全操作模式中的至少一个。
20.一种在混合动力车辆中预测驾驶样式的方法，所述方法包括以下步骤：
确定当前需求扭矩；
确定预计近期需求的预测加速度；
当确定所述当前需求扭矩等于或大于第一阈值并且所述预测加速度等于或大于第二阈值时，将行驶模式从第一模式变为第二模式；以及
当确定所述当前需求扭矩小于所述第一阈值或者所述预测加速度小于所述第二阈值时，保持所述第一模式，
其中，确定预测加速度的步骤还包括：
获取当前车辆驾驶信息；
基于当前车辆驾驶信息来确定即将发生的事件和驾驶风格；
基于预测模型来生成加速/减速预测值，其中，所述预测模型是从多个预学习的预测模型中选择的与即将发生的事件和驾驶风格对应的预测模型；以及
基于加速/减速预测值来确定预测加速度。
CN201711145178.5A 2016-12-29 2017-11-17 混合动力车辆和在混合动力车辆中预测驾驶样式的方法 Active CN108248609B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020160182175A KR101901801B1 (ko) 2016-12-29 2016-12-29 하이브리드 자동차 및 그를 위한 운전 패턴 예측 방법
KR10-2016-0182175 2016-12-29

Publications (2)

Publication Number Publication Date
CN108248609A true CN108248609A (zh) 2018-07-06
CN108248609B CN108248609B (zh) 2022-07-19

Family

ID=62708857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711145178.5A Active CN108248609B (zh) 2016-12-29 2017-11-17 混合动力车辆和在混合动力车辆中预测驾驶样式的方法

Country Status (3)

Country Link
US (1) US10632985B2 (zh)
KR (1) KR101901801B1 (zh)
CN (1) CN108248609B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111376911A (zh) * 2018-12-29 2020-07-07 北京宝沃汽车有限公司 车辆及其驾驶风格的自学习方法和装置
CN112149908A (zh) * 2020-09-28 2020-12-29 深圳壹账通智能科技有限公司 车辆驾驶预测方法、系统、计算机设备及可读存储介质
WO2021036456A1 (zh) * 2019-08-29 2021-03-04 南京智慧光信息科技研究院有限公司 基于大数据和人工智能的混合动力推进方法和机器人系统
CN112567437A (zh) * 2018-08-17 2021-03-26 索尼公司 信息处理装置、信息处理系统、信息处理方法、以及程序
CN112888611A (zh) * 2018-08-21 2021-06-01 莱夫特公司 用于检测和记录异常车辆事件的系统和方法
CN112927389A (zh) * 2019-12-06 2021-06-08 丰田自动车株式会社 信息处理装置、信息处理方法及存储介质
CN113393011A (zh) * 2020-03-13 2021-09-14 百度在线网络技术（北京）有限公司 预测限速信息的方法、装置、计算机设备和介质
CN114506344A (zh) * 2022-03-10 2022-05-17 福瑞泰克智能系统有限公司 一种车辆轨迹的确定方法及装置
CN115107782A (zh) * 2021-03-17 2022-09-27 观致汽车有限公司 电动汽车的驾驶模式确定方法、系统和电动汽车

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018203975A1 (de) * 2018-03-15 2019-09-19 Bayerische Motoren Werke Aktiengesellschaft Fahrerassistenzverfahren für ein Fahrzeug, Fahrerassistenzsystem und Fahrzeug mit einem derartigen Fahrerassistenzsystem
US11001248B2 (en) * 2018-10-08 2021-05-11 GM Global Technology Operations LLC Method for enhancing powertrain efficiency and driveline quality through dynamic mission planning optimization
US10814881B2 (en) * 2018-10-16 2020-10-27 Toyota Motor Engineering & Manufacturing North America, Inc. Vehicle velocity predictor using neural networks based on V2X data augmentation to enable predictive optimal control of connected and automated vehicles
KR102575724B1 (ko) * 2018-11-14 2023-09-08 현대자동차주식회사 하이브리드 차량 제어 장치 및 그 방법
KR102575729B1 (ko) * 2018-12-07 2023-09-08 현대자동차주식회사 차량의 변속 제어 장치 및 방법, 그리고 차량 시스템
CN109747654B (zh) * 2019-01-11 2019-08-09 吉林大学 一种面向工况的混合动力汽车控制参数标定方法
US20200369268A1 (en) * 2019-05-20 2020-11-26 Toyota Research Institute, Inc. Vehicles and systems for predicting road agent behavior based on driving style
KR102703177B1 (ko) 2019-12-13 2024-09-04 현대자동차 주식회사 하이브리드 차량의 제어 장치 및 방법
DE102019220196A1 (de) * 2019-12-19 2021-06-24 Robert Bosch Gmbh Verfahren zum Betreiben eines Fahrzeugs
CN113619558B (zh) * 2020-05-06 2023-04-07 上海汽车集团股份有限公司 混合动力系统车辆的扭矩分配方法及系统
JP7487709B2 (ja) * 2021-06-02 2024-05-21 トヨタ自動車株式会社 車両駆動ユニットの制御装置及び制御方法
KR102353224B1 (ko) 2021-07-27 2022-01-19 (주)고고에프앤디 센서 기반 배달 모빌리티의 운전 성향 추정 방법, 장치 및 시스템
CN113947259B (zh) * 2021-11-09 2024-05-31 吉林大学 一种基于gru神经网络的不同风格驾驶员车速预测方法
DE102021129085B3 (de) * 2021-11-09 2023-02-02 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren zur Erzeugung eines Modells zur automatisierten Vorhersage von Interaktionen eines Benutzers mit einer Benutzerschnittstelle eines Kraftfahrzeugs, außerdem Datenverarbeitungseinheit für ein Kraftfahrzeug und Kraftfahrzeug
KR102655066B1 (ko) * 2021-12-02 2024-04-09 주식회사 에이스웍스코리아 자율 주행 차량의 적응 순항 제어 장치 및 방법
KR102477885B1 (ko) 2022-01-18 2022-12-15 재단법인차세대융합기술연구원 자율주행 도로의 주행 안전도를 평가하는 안전도 분석 관리 서버

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002305806A (ja) * 2001-03-30 2002-10-18 Aisin Aw Co Ltd ハイブリッド型車両用駆動制御装置、ハイブリッド型車両用駆動制御方法及びそのプログラム
US20080120025A1 (en) * 2006-11-22 2008-05-22 Denso Corporation Driving behavior prediction method and apparatus
CN101516707A (zh) * 2006-09-14 2009-08-26 丰田自动车株式会社 混合动力车辆、混合动力车辆的控制方法、以及存储了用于使计算机执行混合动力车辆的控制的程序的计算机可读取的存储介质
CN102310856A (zh) * 2010-06-08 2012-01-11 福特全球技术公司 用于加速踏板控制的混合动力电动车辆动力系的控制方法
US20140358841A1 (en) * 2012-01-20 2014-12-04 Toyota Jidosha Kabushiki Kaisha Vehicle behavior prediction device and vehicle behavior prediction method, and driving assistance device
US20150006064A1 (en) * 2012-01-25 2015-01-01 Jaguar Land Rover Limited Motor vehicle and method of control of a motor vehicle
CN104709270A (zh) * 2013-12-16 2015-06-17 现代自动车株式会社 用于控制混合动力电动车辆的发动机离合器的装置和方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006008739A (ja) * 2004-06-22 2006-01-12 Kuraray Co Ltd 接着性樹脂材料
JP2008003707A (ja) 2006-06-20 2008-01-10 Matsushita Electric Ind Co Ltd 危険予測装置
JP4947028B2 (ja) 2008-10-10 2012-06-06 株式会社デンソー 自動車の運転支援装置及び運転支援方法
KR101361384B1 (ko) * 2011-12-26 2014-02-21 현대자동차주식회사 하이브리드 차량의 ｅｖ／ｈｅｖ모드 천이 제어방법
US9767622B2 (en) 2012-03-22 2017-09-19 Tata Consultancy Services Limited System and a method for improved car prognosis
WO2014045355A1 (ja) 2012-09-19 2014-03-27 トヨタ自動車株式会社 車両運転行動予測装置
KR101470120B1 (ko) * 2013-02-01 2014-12-05 현대 파워텍 주식회사 운전자 성향 자동 매칭 방법
KR101473458B1 (ko) 2013-05-30 2014-12-18 서강대학교산학협력단 차등적 전방충돌 경보 시점을 위한 운전자 성향 분류 방법
US20150213555A1 (en) 2014-01-27 2015-07-30 Hti Ip, Llc Predicting driver behavior based on user data and vehicle data
KR101765635B1 (ko) * 2016-02-02 2017-08-07 현대자동차 주식회사 하이브리드 차량의 운전 모드 전환 시스템 및 그 방법
US9630611B1 (en) * 2016-02-03 2017-04-25 Toyota Motor Engineering & Manufacturing North America, Inc. System and method for acceleration event prediction

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002305806A (ja) * 2001-03-30 2002-10-18 Aisin Aw Co Ltd ハイブリッド型車両用駆動制御装置、ハイブリッド型車両用駆動制御方法及びそのプログラム
CN101516707A (zh) * 2006-09-14 2009-08-26 丰田自动车株式会社 混合动力车辆、混合动力车辆的控制方法、以及存储了用于使计算机执行混合动力车辆的控制的程序的计算机可读取的存储介质
US20080120025A1 (en) * 2006-11-22 2008-05-22 Denso Corporation Driving behavior prediction method and apparatus
CN102310856A (zh) * 2010-06-08 2012-01-11 福特全球技术公司 用于加速踏板控制的混合动力电动车辆动力系的控制方法
US20140358841A1 (en) * 2012-01-20 2014-12-04 Toyota Jidosha Kabushiki Kaisha Vehicle behavior prediction device and vehicle behavior prediction method, and driving assistance device
US20150006064A1 (en) * 2012-01-25 2015-01-01 Jaguar Land Rover Limited Motor vehicle and method of control of a motor vehicle
CN104709270A (zh) * 2013-12-16 2015-06-17 现代自动车株式会社 用于控制混合动力电动车辆的发动机离合器的装置和方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112567437A (zh) * 2018-08-17 2021-03-26 索尼公司 信息处理装置、信息处理系统、信息处理方法、以及程序
CN112888611A (zh) * 2018-08-21 2021-06-01 莱夫特公司 用于检测和记录异常车辆事件的系统和方法
CN111376911A (zh) * 2018-12-29 2020-07-07 北京宝沃汽车有限公司 车辆及其驾驶风格的自学习方法和装置
WO2021036456A1 (zh) * 2019-08-29 2021-03-04 南京智慧光信息科技研究院有限公司 基于大数据和人工智能的混合动力推进方法和机器人系统
CN112927389B (zh) * 2019-12-06 2023-03-14 丰田自动车株式会社 信息处理装置、信息处理方法及存储介质
CN112927389A (zh) * 2019-12-06 2021-06-08 丰田自动车株式会社 信息处理装置、信息处理方法及存储介质
CN113393011A (zh) * 2020-03-13 2021-09-14 百度在线网络技术（北京）有限公司 预测限速信息的方法、装置、计算机设备和介质
CN113393011B (zh) * 2020-03-13 2024-05-10 百度在线网络技术（北京）有限公司 预测限速信息的方法、装置、计算机设备和介质
CN112149908A (zh) * 2020-09-28 2020-12-29 深圳壹账通智能科技有限公司 车辆驾驶预测方法、系统、计算机设备及可读存储介质
CN112149908B (zh) * 2020-09-28 2023-09-08 深圳壹账通智能科技有限公司 车辆驾驶预测方法、系统、计算机设备及可读存储介质
CN115107782A (zh) * 2021-03-17 2022-09-27 观致汽车有限公司 电动汽车的驾驶模式确定方法、系统和电动汽车
CN114506344A (zh) * 2022-03-10 2022-05-17 福瑞泰克智能系统有限公司 一种车辆轨迹的确定方法及装置
CN114506344B (zh) * 2022-03-10 2024-03-08 福瑞泰克智能系统有限公司 一种车辆轨迹的确定方法及装置

Also Published As

Publication number Publication date
US10632985B2 (en) 2020-04-28
CN108248609B (zh) 2022-07-19
KR20180077623A (ko) 2018-07-09
US20180186360A1 (en) 2018-07-05
KR101901801B1 (ko) 2018-09-27

Similar Documents

Publication Publication Date Title
CN108248609A (zh) 混合动力车辆和在混合动力车辆中预测驾驶样式的方法
JP6842574B2 (ja) 自律車両運転イベントに応答して乗車者フィードバックを取得するシステムおよび方法
EP3028913B1 (en) Apparatus and method for determining an advised driving speed
US10688981B2 (en) Hybrid vehicle and method of controlling mode transition
US11161497B2 (en) Hybrid vehicle and method of controlling mode transition
KR101994302B1 (ko) 하이브리드 자동차 및 그를 위한 변속 제어 방법
US10399555B2 (en) Hybrid vehicle and method of controlling charge mode therefor
CN101853585B (zh) 车辆操作诊断装置、车辆操作诊断方法
GB2541511A (en) Rapid traffic parameter estimation
JP2013148387A (ja) 経路予測システム、経路予測方法およびプログラム
CN109204301A (zh) 混合动力车辆及其执行温度控制的方法
Bolovinou et al. Driving style recognition for co-operative driving: A survey
EP4316935A1 (en) Method and apparatus for obtaining lane change area
US20200319635A1 (en) Semi-autonomous vehicle driving system, and method of operating semi-autonomous vehicle
CN111984018A (zh) 自动驾驶方法及装置
CN106956680A (zh) 一种电动汽车驾驶行为识别分析方法
CN114676870A (zh) 车速预测方法、车速预测模型训练方法和相关装置
KR20230170305A (ko) 차량 운행지수 평가 방법 및 장치
WO2019034233A1 (en) SYSTEM AND METHOD FOR VEHICLE MODELING AND SIMULATION
US20230339517A1 (en) Autonomous driving evaluation system
Ivens et al. Model-based eco-driving and integrated powertrain control for (hybrid) electric vehicles
CN117163053A (zh) 一种车辆故障提示方法、装置、车辆及可读存储介质
CN115412586A (zh) 任务识别方法、装置、车辆、可读存储介质及芯片
Morlock et al. A longitudinal driver model for long horizon speed prediction in powertrain applications
CN115578877A (zh) 车辆通行控制方法、装置、电子设备、存储介质及车辆

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant