[发明专利]一种智能无人驾驶车辆极限里程智能多源评估方法及装置

摘要

本发明公开了一种智能无人驾驶车辆极限里程智能多源评估方法及装置，该方法结合道路环境，提出坡度能耗值、温度能耗值、风阻能耗值、不同速度路段长度指标，将复杂道路环境对无人驾驶车辆电量能耗的影响因素进行量化，建立了无人驾驶车辆电量消耗的预测模型；本方法预测电量与电池、车辆型号、车辆零部件性能无关，模型实时进行训练，预测结果不受电池和车辆的使用时间和寿命的影响；当车辆行驶速度高时，风阻占车能耗的主要部分，本方法依据风速大小选择不同的耗电量预测模型，针对高、低风速使用不同的耗电量预测模型使得模型输入参数减少，计算时间降低，能够提高模型预测精度，时效性更强。

主权项

1.一种智能无人驾驶车辆极限里程智能多源评估方法，其特征在于，包括以下步骤：步骤1：获取训练数据；所述训练数据包括无人驾驶车辆在行驶过程中的间隔时间T内的能耗值、行驶距离和耗电量，所述能耗值包括风阻能耗值、坡度能耗值以及温度能耗值；所述风阻能耗值由无人驾驶车辆在间隔时间T内的相对风速累加获得，所述相对风速是指车辆外部风速与车速的差值；所述坡度能耗值由无人驾驶车辆在间隔时间T内的爬坡因子对时间进行积分获得，爬坡因子为β，β＝0.02*cos(α)+sin(α)，α为无人驾驶车辆在行驶过程中的对离散时刻采集的坡度角值进行线性拟合得到的随时间连续变化的坡度角；所述温度能耗值由无人驾驶车辆在间隔时间T内的车内温度与车外温度的差值累加获得；所述行驶距离由无人驾驶车辆在间隔时间T内的车速对时间进行积分获得；步骤2：构建基于小波神经网络的相对风速预测模型；利用训练数据中的无人驾驶车辆相对风速时间序列中的连续n个时刻的相对风速作为输入数据，第n+1个时刻的相对风速作为输出数据，对小波神经网络模型进行训练，构建基于小波神经网络的相对风速预测模型；步骤3：基于能耗值和行驶距离构建耗电量预测模型；所述耗电量预测模型包括基于小波神经网络的高速耗电量预测模型和基于Elman神经网络的低速耗电量预测模型；以无人驾驶车辆的在设定间隔时间段内风阻能耗值、坡度能耗值、温度能耗值以及中高速行驶距离作为输入数据，以无人驾驶车辆的在设定间隔时间段内的耗电量作为输出数据，对小波神经网络模型进行训练，构建基于小波神经网络的高速耗电量预测模型；以无人驾驶车辆的在设定间隔时间段内坡度能耗值、温度能耗值、低速行驶距离作为输入数据，以无人驾驶车辆的在设定间隔时间段内的耗电量作为输出数据，对Elman神经网络模型进行训练，构建基于Elman神经网络的低速耗电量预测模型；以无人驾驶车辆平均车速高于40km/h时和不超过40km/h时，在设定间隔时间段内，无人驾驶车辆经过的路程分别作为中高速行驶距离和低速行驶距离；步骤4：构建云端路径上各经纬度行车数据库；所述云端路径上各经纬度行车数据库包括各经纬度点上的车速、坡度角以及相邻参考经纬度之间的行驶时间；对路径上的经纬度进行等间距划分，获得参考经纬度，相邻参考经纬度之间间距为2米，将云端共享服务器中所有在该路径上行驶的车辆获取车速、坡度角时的经纬度依据距离最近原则，划分到与该路径上最近的参考经纬度，以同一参考经纬度上的所有车辆车速和坡度角均值，作为参考经纬度上的云端车速和坡度角，并按照前一参考经纬度上的云端车速行驶至下一参考经纬度，获取相邻参考经纬度之间的行驶时间；若所述无人驾驶车辆与云端路径上各经纬度行车数据库中坡度角数据所属车辆的行驶方向一致，则提取对应坡度角数据；若行驶方向相反，则提取对应坡度角数据的负值数据；若存在某路段空缺数据，则位于该路段上的坡度角为零；步骤5：采集实时无人驾驶车辆数据，利用基于小波神经网络的相对风速预测模型和云端路径数据，计算未来间隔时间T内的风阻能耗值、行驶距离、坡度能耗值和温度能耗值；利用无人驾驶车辆实时采集的外部风速和车速，利用基于小波神经网络的相对风速预测模型，获得未来间隔时间T内的相对风速，并计算未来间隔时间T内的风阻能耗值；同时利用无人驾驶车辆所在的经纬度，依据云端路径上的相邻参考经纬度之间的行驶时间数据，确定无人驾驶车辆在经过未来间隔时间T后所处的经纬度位置，并从云端获取在未来路径上在未来间隔时间T内的经过各经纬度时的云端车速和云端坡度角，计算未来间隔时间T内行驶距离和坡度能耗值；利用无人驾驶车辆实时采集的车内外温度的差值在未来设定间隔时间内的累加值作为未来设定间隔时间内的温度能耗值；步骤6：依据未来间隔时间T内的车辆外部风速，选择耗电量预测模型，利用未来间隔时间T内的行驶距离和能耗值，输入所选耗电量预测模型，获取未来间隔时间内的耗电量；若未来间隔时间T内的车辆外部风速大于40km/s，则选择高速耗电量预测模型，否则选择低速耗电量预测模型。