[发明专利]用于对电动车辆拖挂进行建模的系统和方法

说明书

本文公开了用于对电动车辆拖挂进行建模的系统和方法。示例方法包括：确定挂车连接到车辆；基于所述车辆的传感器总成的输出生成所述挂车的表面映射；基于所述表面映射预测所述挂车的拖曳系数；基于所述拖曳系数和所述表面映射估计拖曳力，基于所述拖曳力计算所述车辆的估计续航里程；以及在所述车辆的人机接口上显示所述估计续航里程。

技术领域

本公开总体上涉及用于电池电动车辆的允许在电池电动车辆拖挂挂车时确定估计的续航里程的系统和方法，以及通过选择性地调整车辆和/或挂车参数来提高续航里程的方法。

背景技术

电池电动车辆(BEV)能够拖挂重负载或挂车，就像内燃发动机(ICE)车辆一样。然而，与ICE车辆相比，BEV在拖挂时续航里程受影响的程度可能更明显。BEV充电基础设施目前也不如加气基础设施发达。也就是说，充电站通常比加油站更稀缺、更难定位或更远。BEV用户可能不了解他们的车辆在所有使用状况下(包括拖挂挂车)的续航能力，因此他们可以使用辅助提前计划并且避免陷入困境。

发明内容

本公开总体上涉及用于BEV的允许在BEV拖挂挂车时确定估计的续航里程的系统和方法，以及通过选择性地调整车辆和/或挂车参数来提高续航里程的方法。这些系统和方法可由电动车辆使用，以通过确定挂车的拖曳系数来确定拖挂挂车时的车辆续航里程。

示例方法包括使用车辆上的相机(或其他传感器)来检测是否存在连接的挂车。如果存在，相机(或其他传感器)使用激光投影(或超声波或其他传感器反馈)来确定车辆和挂车之间的距离。车载计算机使用带有相机图像(和/或其他传感器数据)的机器学习来绘制挂车轮廓和表面。挂车的表面映射可以涉及模式识别，诸如识别挂车轮廓/侧影的形状、识别曲率周围的阴影、识别黑暗空间和开口(诸如槽、窗等)，和/或识别表面上的不连续性，诸如螺栓。车载计算机使用机器学习和挂车表面映射来预测挂车的拖曳系数。车载计算机使用拖曳系数和迎风面积来估计挂车的拖曳力。拖曳力被输入到续航里程估计计算器中，然后向驾驶员提供车辆的改善的续航里程估计。在一些情况下，也可以使用位于挂车上的发射器标签诸如蓝牙低功耗(BLE)标签来获得挂车的拖曳信息(例如，标签可以允许访问包括拖曳信息的先前存储的记录)。

挂车的拖曳信息可以用作改变的输入，以减少挂车的拖曳。例如，可以基于从机器学习估计的挂车外形/轮廓来升高或降低悬架，以在车辆和挂车之间创建平滑的气流路径。

附图说明

参考附图阐述具体实施方式。使用相同的附图标记可以指示类似或相同的项。各种实施例可以利用除了附图中示出的那些之外的元件和/或部件，并且一些元件和/或部件可能不存在于各种实施例中。附图中的元件和/或部件不一定按比例绘制。在整个本公开中，根据上下文，可以可互换地使用单数和复数术语。

图1描绘了可实现用于提供本文所公开的系统和方法的技术和结构的说明性架构。

图2描绘了示例表面映射/系数建模过程。

图3是用于估计拖挂车辆的续航里程的示例方法的流程图。

图4是用于估计拖挂车辆的续航里程的另一个示例方法的流程图。

具体实施方式

现在转到附图，图1描绘了可实现本公开的技术和结构的说明性架构100。架构100可以包括与挂车104结合的车辆102(可以包括BEV、燃烧和/或混合动力车辆)以及服务提供商106。架构100中的这些部件中的一些或全部可以使用网络108彼此通信。网络108可以包括使架构100中的部件能够彼此通信的网络组合。网络108可包括诸如有线网络、互联网、无线网络和其他专用和/或公共网络的多种不同类型的网络中的任一者或其组合。在一些情况下，网络108可包括蜂窝网络、Wi-Fi或Wi-Fi直连。