CN114644001A - 一种车辆载重预测方法、装置、存储介质及车辆 - Google Patents
一种车辆载重预测方法、装置、存储介质及车辆 Download PDFInfo
- Publication number
- CN114644001A CN114644001A CN202110554411.5A CN202110554411A CN114644001A CN 114644001 A CN114644001 A CN 114644001A CN 202110554411 A CN202110554411 A CN 202110554411A CN 114644001 A CN114644001 A CN 114644001A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- load
- information
- load prediction
- parameter information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 106
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000001133 acceleration Effects 0.000 claims description 38
- 239000000725 suspension Substances 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 description 21
- 230000000875 corresponding effect Effects 0.000 description 21
- 239000000446 fuel Substances 0.000 description 18
- 238000010586 diagram Methods 0.000 description 11
- 230000003746 surface roughness Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 239000002828 fuel tank Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- B60W40/12—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 parameters of the vehicle itself, e.g. tyre models
- B60W40/13—Load or weight
-
- 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
- B60W40/02—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 ambient conditions
- B60W40/06—Road conditions
- B60W40/076—Slope angle of the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- B60W2552/35—Road bumpiness, e.g. potholes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请提供了一种车辆载重预测方法、装置、存储介质及车辆，涉及车辆技术领域。该方法包括：获取当前车辆的属于目标类别的参数信息，并将属于目标类别的参数信息作为当前车辆的特征信息；将特征信息输入到载重预测模型中，获得载重预测模型输出的当前车辆的载重；其中，载重预测模型是以试验车辆的特征信息为训练样本，对预设模型进行训练得到的。由于当前车辆的特征信息是与当前车辆的载重相关的信息，利用当前车辆的特征信息和载重预测模型预测当前车辆的载重时，预测结果具有较高的可靠性和准确度，且可以实现实时预测。
Description
技术领域
本申请涉及车辆技术领域，特别是一种车辆载重预测方法、装置、存储介质及车辆。
背景技术
为保证道路交通运输的安全，车辆的装载质量一般都有严格的规定，超重不但会对车辆安全存在严重隐患，而且对人生安全也存在着极大的威胁；特别是载货车辆，由于超重而引起的交通事故比比皆是，给人们的生命财产安全带来重大损失。目前，通常采用以下两种方案测量车辆的载重。
方案一、在车辆悬架位置安装传感器，通过传感器检测悬架的形变，从而计算出车辆载重。
方案二、通过采集整车信息，利用整车加速度与车辆驱动力，根据牛顿第二定律，推导出车辆载重。
但是，方案一中，需要在悬架出增加传感器，硬件方案复杂，增加整车重量成本，增加车辆复杂度，现有技术无法满足量产需求；与悬架系统调教强相关，如调整悬架性能，需重新进行标定，影响一致性；在恶劣路面行驶时(如砂石路、颠簸路)；悬架系统位移波动大，会产生较大的误差。方案二中，由于整车动力损耗不可控，驱动力计算误差大；且无法获取坡度、路面不平度、环境信息，恶劣路况计算数据波动大，计算误差大。
可见，现有的两种测量方案存在测量误差大且无法量产的问题。
发明内容
本申请提供一种车辆载重预测方法、装置、存储介质及车辆，以解决现有的测量方案误差大且无法量产的问题。
为了解决上述问题，第一方面，本申请公开了一种车辆载重预测方法，该方法包括：
获取当前车辆的属于目标类别的参数信息，并将属于目标类别的参数信息作为当前车辆的特征信息；
将当前车辆的特征信息输入到载重预测模型中，获得载重预测模型输出的当前车辆的载重；
其中，载重预测模型是以试验车辆的特征信息为训练样本，对预设模型进行训练得到的。
在一可选实施例中，目标类别是基于试验车辆的参数信息所对应的参数值和试验车辆的载重之间的相关系数确定的，目标类别的确定方法，包括：
获取试验车辆的参数信息所对应的参数值和试验车辆的载重；
基于试验车辆的参数信息所对应的参数值和试验车辆的载重，确定试验车辆的参数信息所对应的参数值和载重之间的相关系数；
根据试验车辆的参数信息所对应的参数值和载重之间的相关系数，对试验车辆的参数信息进行筛选，确定待获取的参数信息的目标类别。
在一可选实施例中，目标类别的参数信息至少包括：路面坡度、路面不平度和车辆的转向信息。
在一可选实施例中，路面坡度通过传感器、电子地图和卫星定位数据中的一种或几种方式获得。
在一可选实施例中，通过传感器获得路面坡度时，按照式(1)、(2)、(3)计算路面坡度信息：
axvRoadSlope＝axvSensorRA-axvRaw 式(1)
axvSensorRA＝axvSensor+yawRate2*ISPdxvRearAxis2Axsensor 式(2)
axvRaw＝(vxvRef-vxvRefK1)/T 式(3)
式中，axvRoadSlope为路面坡度，axvSensorRA为车辆的总加速度，axvRaw为轮胎的加速度，axvSensor为车辆的纵向加速度，yawRate为车辆的横摆角速度，ISPdxvRearAxis2Axsensor为车辆测试点到车辆的横摆角速度的纵向距离，vxvRef为T1时刻的轮胎速度，vxvRefK1为T2时刻的轮胎速度；T为T1时刻和T2时刻的时间间隔。
在一可选实施例中，路面不平度通过摄像头采集的图像信息获得，其中，摄像头安装于汽车风挡玻璃上部内后视镜处，和/或，
路面不平度通过整车惯性传感器所测量的X、Y、Z三个方向的加速度与角加速度获得，和/或，
路面不平度通过空气悬架输出的轮心到轮眉的纵向距离获得。
在一可选实施例中，载重预测模型包括决策树模型、XGBoost模型和随机森林模型中的任意一种。
第二方面，本申请公开了一种车辆载重预测装置，该装置包括：
确定模块，用于基于试验车辆的参数信息所对应的参数值和试验车辆的载重之间的相关系数，确定待获取的参数信息的目标类别；试验车辆的参数信息至少包括：表征发动机工况和底盘工况的信息；
获取模块，用于获取当前车辆的属于目标类别的参数信息，并将属于目标类别的参数信息作为当前车辆的特征信息；
获得模块，用于将当前车辆的特征信息输入到载重预测模型中，获得载重预测模型输出的当前车辆的载重；其中，载重预测模型是以试验车辆的特征信息为训练样本，对预设模型进行训练得到的。
第三方面，本申请公开了一种计算机可读存储介质，该计算机可读存储介质上存储有车辆载重预测程序，车辆载重预测程序被处理器执行时实现上述第一方面任一项的车辆载重预测方法的步骤。
第四方面，本申请公开了一种车辆，该车辆通过上述第一方面任意一项的车辆载重预测方法预测车辆的载重。
与现有技术相比，本申请包括以下优点：
采用本申请实施例提供的车辆载重预测方法，载重预测模型是以试验车辆的特征信息为训练样本，对预设模型进行训练得到的。由于试验车辆的特征信息和试验车辆的载重是已知的，因而利用试验车辆的特征信息和试验车辆的载重对预设模型进行训练，所得的载重预测模型也是一个确定的模型，该模型可以很好的体现车辆的特征信号与车辆的载重之间的变化规律。当需要预测当前车辆的载重时，只需要将当前车辆的特征信息输入到载重预测模型中，即可预测当前车辆的载重。由于试验车辆的特征信息是与试验车辆的载重相关的信息，利用特征信息训练模型时，可以提高载重预测模型的准确性。与现有的测量方案相比，采用载重预测模型预测当前车辆的载重时，预测结果具有较高的可靠性和准确度，且可以实现实时预测。
附图说明
图1是本申请一实施例的车辆载重预测方法的流程图；
图2是本申请一实施例的获取当前车辆的特征信息的结构框图；
图3是本申请一实施例的确定参数信息的目标类别的流程图；
图4是本申请一实施例的获取试验车辆的参数信息的结构框图；
图5是本申请一实施例的筛选载重预测模型的流程图；
图6是本申请一实施例的车辆载重预测装置的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1，图1是本申请一实施例的车辆载重预测方法的流程图。如图1所示，该方法包括以下步骤：
S101、获取当前车辆的属于目标类别的参数信息，并将属于目标类别的参数信息作为当前车辆的特征信息；
具体地，本发明实施例中，由载体(车端控制器、云端服务器等可实施数据运算的硬件)获取当前车辆的属于目标类别的参数信息，并将属于目标类别的参数信息作为当前车辆的特征信息。即当前车辆的特征信息指当前车辆的属于目标类别的参数信息，是在当前车辆的参数信息中剔除与载重无关的信息，筛选出与载重相关的信息；当前车辆的参数信息为表征当前车辆的发动机工况和底盘工况的信息，当前车辆的特征信息是当前车辆的参数信息中的部分信息。
由于采用载重预测模型获得当前车辆的载重时，若输入模型的参数信息数量过多，会造成模型运行效率慢。为了提高模型的运行效率，在进行运算之前，需要在当前车辆的参数信息中剔除与载重无关的参数信息，将与载重相关的参数信息作为特征信息。而由于当前车辆的载重是未知的，无法利用当前车辆的参数信息筛选特征信息；试验车辆的载重和试验车辆的参数信息均为已知的，因此，可以利用试验车辆的载重和试验车辆参数信息，从试验车辆参数信息中筛选出与载重相关的参数信息，将与载重相关的参数信息所属的类别作为参数信息的目标类别。试验车辆的参数信息的目标类别和当前车辆的参数信息的目标类别是相同的，采用载重预测模型获得当前车辆的载重时，只需要将当前车辆的属于目标类别的参数信息输入模型即可。
需要说明的是，本申请实施例中试验车辆是指参与参数信息筛选和预设模型训练的车辆，试验车辆的参数信息和载重是已知的；当前车辆指的是需要预测载重的车辆，当前车辆的参数信息是已知的，载重是未知的，利用当前车辆的参数信息(特征信息)可以预测当前车辆的载重。试验车辆和当前车辆可以为同一车辆，也可以为同一类型的车辆。
S102、将当前车辆的特征信息输入到载重预测模型中，获得载重预测模型输出的当前车辆的载重；其中，载重预测模型是以试验车辆的特征信息为训练样本，对预设模型进行训练得到的。
具体地，在本发明实施例中，载重预测模型是一个表征车辆的特征信息与车辆的载重之间变化规律的函数，载重预测模型以试验车辆的特征信息为训练样本，对预设模型进行训练得到的，预设模型为决策树模型、XGBoost(EXtreme Gradient Boosting)模型和随机森林模型中的任意一种，载重预测模型为经过训练后的预设模型。此处的试验车辆的特征信息指试验车辆的属于目标类别的参数信息，试验车辆的特征信息是试验车辆的参数信息中的部分信息。将当前车辆的特征信息输入到载重预测模型中，通过载重预测模型可以获得当前车辆的载重。
采用本申请实施例提供的车辆载重预测方法，载重预测模型是以试验车辆的特征信息为训练样本，对预设模型进行训练得到的。由于试验车辆的特征信息和试验车辆的载重是已知的，因而利用试验车辆的特征信息和试验车辆的载重对预设模型进行训练，所得的载重预测模型也是一个确定的模型，该模型可以很好的体现车辆的特征信号与车辆的载重之间的变化规律。当需要预测当前车辆的载重时，只需要将当前车辆的特征信息输入到载重预测模型中，即可预测当前车辆的载重。由于试验车辆的特征信息是与试验车辆的载重相关的信息，利用特征信息训练模型时，可以提高载重预测模型的准确性。与现有的测量方案相比，采用载重预测模型预测当前车辆的载重时，预测结果具有较高的可靠性和准确度，且可以实现实时预测。对当前车辆的载重进行实时预测一方面有助于在车辆载重发生变化的情况下，确定车辆的载重等级，方便司机根据载重选择较为省油的驾驶方式，同时有利于监管部门的审查与监督，有效避免超载的发生；另一方面有助于车队的管理，车队管理人员根据实时上传的车辆载重信息，直接有效地判断车队中车辆的载重情况，便于统计和监管。
在一可选实施例中，由载体获得当前车辆的特征信息时，当前车辆的特征信息可以通过直接或间接的方式进行获取，当前车辆的特征信息包括：车辆的纵向加速度、车辆的横向加速度、横摆角速度、发动机的转速、发动机的状态、车速、制动压力、油门踏板位置、制动踏板位置、瞬时燃油消耗量、剩余燃油、发动机输出扭矩、发动机损耗扭矩、四轮速值、变速器输入扭矩、方向盘转角、方向盘转角方向、方向盘转角速度、方向盘转角速度方向、驾驶员转向扭矩、档位、传动比、风阻系数、路面坡度以及路面不平度。
其中，发动机的转速指单位时间内曲轴所转的圈数，发动机的状态指发动机的起动、停车(关机)和在各种负荷下运转的状态,油门踏板位置指驾驶员是点油门的力度，当油门踏板处于零位表示当前车辆不是加速行驶状态；制动踏板位置指驾驶员点刹车的力度，当制动踏板零位表示当前车辆不是减速行驶状态，瞬时燃油消耗量指某一时刻发动机燃油的消耗量，剩余燃油指油箱中的剩余燃油量，发动机输出扭矩指发动机从曲轴端输出的力矩，发动机损耗扭矩指发动机输出扭矩的过程中所损耗的扭矩。车速指车辆的行驶速度，一般由四轮速值推导而来，制动压力指制动主缸施加到制动盘的压力，四轮速值指轮胎的转速。变速器输入扭矩指变速器承受从发动机端输入的扭矩，档位指变速器的P档、N档、D档、R档、M档。方向盘转角指的是方向盘转动的角度，方向盘的转角方向指的是转动方向盘的方向，方向盘转角速度指的是转动方向盘的速度，方向盘转角速度方向指方向盘当前的方向，驾驶员转向扭矩指驾驶员作用在方向盘上的扭矩。
本实施例中，方向盘转角、方向盘转角方向、方向盘转角速度、方向盘转角速度方向、驾驶员转向扭矩统称为车辆的转向信息，路面不平度和路面坡度统称为路况信息。由于在获取当前车辆的载重时，引入了车辆的转向信息以及路况信息，从而使计算结构更加精确，如坡度的引入可以消除车辆上下坡导致的重力变化。
需要说明的是，利用当前车辆的特征信息获得当前车辆的载重时，需要关注特征信息的有效性。当特征信息无效(如ESP出现故障、EPS出现故障、发动机出现故障以及变速器出现故障是，引起特征信息无效)时，载重预测模型会输出一个带标记的载重，该载重为无效载重，应该舍弃。此处的当前车辆的载重指当前车辆所承载的重量，通常为人员重量、货物重量以及剩余燃油重量之和，引入剩余燃油重量可以防止长时间行车时，燃油消耗所产生的误差。
参见图2，示出了本申请一实施例的获取当前车辆的特征信息的结构框图。本申请实施例中是通过ABM、ESP、EPS、变速器、发动机、惯性传感器、空气悬架、摄像头等获取当前车辆的特征信息，将当前车辆的特征信号经CAN总线(Controller Area Networ，控制器局域网络)传感至载体中。
具体地，车辆的纵向加速度、车辆的横向加速度以及横摆角速度由ABM进行采集，经CAN总线传输至载体中；
发动机的转速、发动机的状态、油门踏板位置、制动踏板位置、瞬时燃油消耗量、剩余燃油、发动机输出扭矩以及发动机损耗扭矩由发动机进行采集，经CAN总线传输至载体中。
车速、制动压力以及四轮速值由ESP进行采集，经CAN总线传输至载体中。
变速器输入扭矩和档位由变速器进行采集，经CAN总线传输至载体中。其中，变速器输入扭矩指变速器承受从发动机端输入的扭矩，档位指变速器的P档、N档、D档、R档、M档。
方向盘转角、方向盘转角方向、方向盘转角速度、方向盘转角速度方向以及驾驶员转向扭矩由EPS进行采集，经CAN总线传输至载体中。
路面坡度通过传感器、电子地图和卫星定位数据中的一种或几种方式获得。即可以通过电子地图获取目标路段的路面坡度，通过卫星定位数据获取目标路段的路面坡度，通过车辆上的传感器获取目标路段的路面坡度，也可以通过电子地图、卫星定位数据和车辆上的传感器数据联合确定。需要说明的是，本发明实施例中的坡度指的是纵向坡度。
在一具体实施例中，通过传感器获得路面坡度时，该方法包括：按照式(1)、(2)、(3)计算路面坡度：
axvRoadSlope＝axvSensorRA-axvRaw 式(1)
axvSensorRA＝axvSensor+yawRate2*ISPdxvRearAxis2Axsensor 式(2)
axvRaw＝(vxvRef-vxvRefK1)/T 式(3)
式中，axvRoadSlope为路面坡度，axvSensorRA为车辆的总加速度，axvRaw为轮胎的加速度，axvSensor为车辆的纵向加速度，yawRate为车辆的横摆角速度，ISPdxvRearAxis2Axsensor为车辆测试点到车辆的横摆角速度的纵向距离，vxvRef为T1时刻的轮胎速度，vxvRefK1为T2时刻的轮胎速度；T为T1时刻和T2时刻的时间间隔。
具体的，通过安装在安全气囊的车辆纵向加速度传感器获取车辆的纵向加速度，通过安装在安全气囊的横摆角速度传感器获取车辆的横摆角速度，通过安装在安全气囊的速度传感器获取T1和T2时刻的轮胎速度，而车辆测试点到车辆的横摆角速度的纵向距离可以理解为后轴中心到安全气囊的距离，通常为固定值。
需要说明的是，式(3)计算的结构为一近似值，即近似的认为车辆的总加速度与轮胎的加速度之差等于路面坡度。路面坡度为车辆每行驶1m，其高度的变化值，如坡度为0.25，代表行驶100m时，其高度变化了25m。
示例的，当车辆的纵向加速度为0.25m/s2，横摆角速度为1rad/s，后轴中心到安全气囊的距离为0.5m，由公式(2)可知，车辆的总加速度为0.75m/s2；当T1时刻的轮胎速度为30Km/h，与T1时刻间隔0.5min的T2时刻的轮胎速度为84Km/h，由公式(3)可知，轮胎的加速度为0.5m/s2；将车辆的总加速度、轮胎的加速度代入式(1)进行计算，可知路面的坡度为0.25。
路面不平度的获得方式为：通过摄像头采集的图像信息获得，其中，摄像头安装于汽车风挡玻璃上部内后视镜处，和/或，通过整车惯性传感器所测量的X、Y、Z三个方向的加速度与角加速度信息获得，和/或，通过空气悬架输出的轮心到轮眉的纵向距离获得。
具体地，路面不平度的获得方式具有以下几种方案：(1)、安装在汽车风挡玻璃上部内后视镜处的摄像头对当前车辆路面信息进行采集，利用图像处理技术计算路面的不平度，将所计算的路面不平度输入到载体中；(2)、整车惯性传感器可以测量车辆X、Y、Z三个方向的加速度与角速度，利用加速度和角速度变化获得路面不平度；(3)、空气悬架可以输出轮心到轮眉的纵向距离，利用轮心到轮眉的纵向距离变化获得路面不平度；(4)、将方案(1)和方案(2)的所获得的路面不平度进行融合，获得路面不平度，如将方案(1)和方案(2)的结果求平均值，将平均值作为路面不平度；(5)、将方案(1)和方案(3)所获得的路面不平度进行融合，获得路面不平度，如将方案(1)和方案(3)的结果求平均值，将平均值作为路面不平度；(6)、将方案(2)和方案(3)所获得的路面不平度进行融合，获得路面不平度，如将方案(2)和方案(3)的结果求平均值，将平均值作为路面不平度；(7)、将方案(1)、方案(2)和方案(3)所获得的路面不平度进行融合，获得路面不平度，如将方案(1)、方案(2)和方案(3)的结果求平均值，将平均值作为路面不平度。
图3是本申请一实施例的确定参数信息的目标类别的流程图。如图3所示，在一种实施方式中，步骤S101中，目标类别是基于试验车辆的参数信息所对应的参数值和试验车辆的载重之间的相关系数确定的，目标类别的确定方法，包括：
S201、获取试验车辆的参数信息所对应的参数值和试验车辆的载重；
参见图4，本申请实施例中是通过ABM(Air Bag Module，安全气囊)、ESP(Electronic Stability Program，车辆电子稳定系统)、EPS(Electric Power Steering，电动助力转向系统)、变速器、发动机、惯性传感器、空气悬架、摄像头等获取试验车辆的参数信息，试验车辆的参数信息至少包括：表征发动机工况和底盘工况的信息。
具体地，利用ABM获取试验车辆的运动信息(如车辆的横向加速度、车辆的横摆角速度、车辆的纵向加速度等)，利用ESP获取试验车辆的制动、轮胎信息(如制动压力、轮胎的速度、轮胎的加速度、轮胎侧偏力、车速、轮胎温度、轮胎压力等信息)，利用变速器获取试验车辆的传动信息(如档位、变速器输出扭矩等)，利用发动机获取试验车辆的动力信息(如发动机扭矩、发动机的转速、剩余油量、油门踏板位置等)，利用EPS获取试验车辆的转向信息(如方向盘转角、方向盘转角方向、方向盘转角速度、方向盘转角速度方向、驾驶员转向扭矩等)，利用汽车风挡玻璃上部内后视镜处的摄像头、惯性传感器和空气悬架中的一个或多个组合获取路面不平度；利用传感器、电子地图和卫星定位数据中的一种或几种方式获得路面坡度。由于风阻系数、风阻面积和传动比为整车度固定参数，可以输入载体中；路面不平度和路面坡度是通过其他方式间接获得的，因此在图4中未示出风阻系数、风阻面积、传动比、路面不平度和路面坡度的获取方式。
S202、基于试验车辆的参数信息所对应的参数值和试验车辆的载重，确定试验车辆的参数信息所对应的参数值和载重之间的相关系数；
具体地，在本发明实施例中，基于试验车辆的参数信息所对应的参数值和试验车辆的载重，利用皮尔森相关系数法确定试验车辆的参数信息所对应的参数值和载重之间的相关系数。根据皮尔森相关系数法的特性可知，当两个变量的方差都不为零时，皮尔森相关系数才有意义，皮尔森相关系数的取值范围为[-1,1]。皮尔森相关系数描述的是两个变量间线性相关强弱的程度。若皮尔森相关系数大于零，表示两个变量正相关，即一个变量的值越大，另一个变量的值也越大；若皮尔森相关系数小于零，表示两个变量负相关，即一个变量值越大另一个变量值反而越小，皮尔森相关系数的绝对值越大表示相关性越强，若皮尔森相关系数为零，表示两个变量间不是线性关系，但有可能是其他方式相关。
S203、根据试验车辆的参数信息所对应的参数值和载重之间的相关系数，对试验车辆的参数信息进行筛选，确定待获取的参数信息的目标类别。
具体地，在本发明实施例中，利用皮尔森相关系数法对试验车辆的参数信息进行筛选后，将与载重相关的参数信息所属的类别作为参数信息的目标类别。如删除轮胎温度、轮胎压力、主驾安全带报警、副驾安全带报警等信息，将车辆的纵向加速度、车辆的横向加速度、发动机的转速、发动机的状态、车速、制动压力、油门踏板位置、制动踏板位置、瞬时燃油消耗量、剩余燃油、发动机输出扭矩、发动机损耗扭矩、四轮速值、变速器输入扭矩、方向盘转角、方向盘转角方向、方向盘转角速度、方向盘转角速度方向、驾驶员转向扭矩、档位、传动比、风阻系数、路面坡度、路面不平度等作为参数信息的目标类别。
在一可选实施例中，以试验车辆的特征信息为训练样本，对预设模型进行训练获得载重预测模型时，载重预测模型为XGBoost模型。XGBoost模型是从决策树模型、XGBoost模型和随机森林模型筛选出的最优模型。图5示出了一种筛选载重预测模型的流程图。如图5所示，在一种实施方式中，步骤S102中，载重预测模型以试验车辆的特征信息为训练样本，对预设模型进行训练得到的，包括：
S301、以试验车辆的特征信息为训练样本，对预设模型进行训练，得到多个候选模型，其中，预设模型包括决策树模型、XGBoost(EXtreme Gradient Boosting)模型和随机森林模型中的任意一种。
本实施例中，试验车辆的特征信息包括试验车辆的纵向加速度、试验车辆的横向加速度、发动机的转速、发动机的状态、车速、制动压力、油门踏板位置、制动踏板位置、瞬时燃油消耗量、剩余燃油、发动机输出扭矩、发动机损耗扭矩、四轮速值、变速器输入扭矩、方向盘转角、方向盘转角方向、方向盘转角速度、方向盘转角速度方向、驾驶员转向扭矩、档位、传动比、风阻系数、路面坡度、路面不平度。将试验车辆的上述数据分别输入到决策树模型、XGBoost模型和随机森林模型中进行训练，得到了多个候选模型。此处的多个候选模型指：训练后的决策树模型、训练后的XGBoost模型和训练后的随机森林模型。
需要说明的是，试验车辆和当前车辆的特征信息相同，但试验车辆的特征信息和当前车辆的特征信息所对应的具体数值并不相同。由于当前车辆的特征信息主要用于预设当前车辆的载重，因此当前车辆的特征信息所对应的数值只有一个，如只有一个车速、一个剩余燃油值；而试验车辆的特征信息主要用于训练预设模型，因此试验车辆的特征信息均具有多个数值，如有M个车速值、N个剩余燃油值。
S302、根据多个候选模型各自的计算精度和性能，从多个候选模型中筛选出训练后的XGBoost模型作为载重预测模型。
具体地，将试验车辆的特征信息分别输入到多个候选模型，利用候选模型计算该特征信息对应的载重，将计算值和试验车辆的真值进行比较，选择误差最小的候选模型作为本实施例的载重预测模型，本实施例中最终选择训练后的XGBoost模型作为载重预测模型。由于试验车辆的特征信息均具有多个数值，可以将其中部分参与模型训练，另外一部分进行模型验证；也可以将多个数值参与模型训练，选取部分进行模型验证。选取多少个样本参与训练，本实施不作任何限制。
此外，在车辆行驶过程中，车辆会遇到自身或环境导致的车辆故障，造成采集的驾驶数据出现无效或异常，为了排除突发情况给参数信息筛选以及后续的预设模型训练带来的误差，在进行参数信息筛选之前，需要对试验车采集的参数信息进行数据清洗，根据数据有效性和合理性，删除数据中的无效信号及异常信号，筛选出有效数据进行参数信息筛选以及后续的预设模型训练。
基于同一发明构思，图6是本申请一实施例的车辆载重预测装置的结构框图。如图6所示，该装置包括：
获取模块101，获取当前车辆载重的属于目标类别的参数信息，并将属于目标类别的参数信息作为当前车辆的特征信息；
获得模块102，用于将特征信息输入到载重预测模型中，获得载重预测模型输出的当前车辆的载重；其中，载重预测模型是以试验车辆的特征信息为训练样本，对预设模型进行训练得到的。
在一可选实施例中，该装置还包括：
确定模块，用于基于试验车辆的参数信息所对应的参数值和试验车辆的载重之间的相关系数确定目标类别。
在一可选实施例中，确定模块包括：
获取子模块，用于获取试验车辆的参数信息所对应的参数值和试验车辆的载重；
第一确定子模块，用于基于试验车辆的参数信息所对应的参数值和试验车辆的载重，确定试验车辆的参数信息所对应的参数值和载重之间的相关系数；
第二确定子模块，用于根据试验车辆的参数信息所对应的参数值和载重之间的相关系数，对试验车辆的参数信息进行筛选，确定待获取的参数信息的目标类别。
在一可选实施例中，车辆载重预测装置还包括：
训练模块，用于以试验车辆的特征信息为训练样本，对预设模型进行训练，获得载重预测模型。
基于同一发明构思，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有车辆载重预测程序，车辆载重预测程序被处理器执行时实现上述任意一个实施例的车辆载重预测方法的步骤。
基于同一发明构思，本申请实施例提供了一种车辆，该车辆通过上述任意一个实施例的车辆载重预测方法预测车辆载重。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种资源分配的方法和资源分配的装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
以上对本申请所提供的一种车辆载重预测方法、系统及车辆，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种车辆载重预测方法，其特征在于，所述方法包括：
获取当前车辆的属于目标类别的参数信息，并将所述属于所述目标类别的参数信息作为所述当前车辆的特征信息；
将所述当前车辆的特征信息输入到载重预测模型中，获得所述载重预测模型输出的当前车辆的载重；
其中，所述载重预测模型是以试验车辆的特征信息为训练样本，对预设模型进行训练得到的。
2.根据权利要求1所述的车辆载重预测方法，其特征在于，所述目标类别是基于试验车辆的参数信息所对应的参数值和试验车辆的载重之间的相关系数确定的，所述目标类别的确定方法包括：
获取所述试验车辆的参数信息所对应的参数值和所述试验车辆的载重；
基于所述试验车辆的参数信息所对应的参数值和所述试验车辆的载重，确定所述试验车辆的参数信息所对应的参数值和所述载重之间的相关系数；
根据所述试验车辆的参数信息所对应的参数值和所述载重之间的相关系数，对所述试验车辆的参数信息进行筛选，确定待获取的参数信息的目标类别。
3.根据权利要求1所述的车辆载重预测方法，其特征在于，所述目标类别的参数信息包括：
路面坡度、路面不平度和车辆的转向信息。
4.根据权利要求3所述的车辆载重预测方法，其特征在于，所述路面坡度通过传感器、电子地图和卫星定位数据中的一种或几种方式获得。
5.根据权利要求4所述的车辆载重预测方法，其特征在于，通过所述传感器获得所述路面坡度时，按照式(1)、(2)、(3)计算所述路面坡度：
axvRoadSlope＝axvSensorRA-axvRaw 式(1)
axvSensorRA＝axvSensor+yawRate2*ISPdxvRearAxis2Axsensor 式(2)
axvRaw＝(vxvRef-vxvRefK1)/T 式(3)
式中，axvRoadSlope为路面坡度，axvSensorRA为车辆的总加速度，axvRaw为轮胎的加速度，axvSensor为车辆的纵向加速度，yawRate为车辆的横摆角速度，ISPdxvRearAxis2Axsensor为车辆测试点到车辆的横摆角速度的纵向距离，vxvRef为T1时刻的轮胎速度，vxvRefK1为T2时刻的轮胎速度；T为T1时刻和T2时刻的时间间隔。
6.根据权利要求3所述的车辆载重预测方法，其特征在于，所述路面不平度通过摄像头采集的图像信息获得，其中，所述摄像头安装于汽车风挡玻璃上部内后视镜处，和/或，
所述路面不平度通过整车惯性传感器所测量的X、Y、Z三个方向的加速度与角加速度信息获得，和/或，
所述路面不平度通过空气悬架输出的轮心到轮眉的纵向距离获得。
7.根据权利要求1～6中任意一项所述的车辆载重预测方法，其特征在于，所述载重预测模型包括：
决策树模型、XGBoost模型和随机森林模型中的任意一种。
8.一种车辆载重预测装置，其特征在于，所述装置包括：
获取模块，用于获取当前车辆的属于目标类别的参数信息，并将所述属于所述目标类别的参数信息作为所述当前车辆的特征信息；
获得模块，用于将所述当前车辆的特征信息输入到载重预测模型中，获得所述载重预测模型输出的当前车辆的载重；其中，所述载重预测模型是以试验车辆的特征信息为训练样本，对预设模型进行训练得到的。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有车辆载重预测程序，所述车辆载重预测程序被处理器执行时实现如权利要求1～7任一项所述的车辆载重预测方法的步骤。
10.一种车辆，其特征在于，所述车辆通过如权利要求1～7任意一项所述的车辆载重预测方法预测车辆的载重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110554411.5A CN114644001A (zh) | 2021-05-20 | 2021-05-20 | 一种车辆载重预测方法、装置、存储介质及车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110554411.5A CN114644001A (zh) | 2021-05-20 | 2021-05-20 | 一种车辆载重预测方法、装置、存储介质及车辆 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114644001A true CN114644001A (zh) | 2022-06-21 |
Family
ID=81991873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110554411.5A Pending CN114644001A (zh) | 2021-05-20 | 2021-05-20 | 一种车辆载重预测方法、装置、存储介质及车辆 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114644001A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116502565A (zh) * | 2023-06-27 | 2023-07-28 | 江铃汽车股份有限公司 | 一种气坝性能测试方法、系统、存储介质及设备 |
| CN117494585A (zh) * | 2023-12-29 | 2024-02-02 | 中汽研汽车检验中心（天津）有限公司 | 一种基于互信息和数据模糊化的商用车实际载重预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016197044A1 (en) * | 2015-06-05 | 2016-12-08 | Gogoro Inc. | Systems and methods for vehicle load detection and response |
| CN108520099A (zh) * | 2018-03-12 | 2018-09-11 | 榆林学院 | 一种坡道上货车所受动力载荷的测量方法 |
| CN112373484A (zh) * | 2020-11-26 | 2021-02-19 | 同济大学 | 一种基于前馈神经网络的汽车整车质量动力学获取方法 |
| CN112685466A (zh) * | 2020-12-23 | 2021-04-20 | 北京千方科技股份有限公司 | 车辆超载预测模型训练方法、超载预测方法、系统和介质 |
| WO2021088381A1 (zh) * | 2019-11-06 | 2021-05-14 | 北京交通大学 | 基于功率分布与车辆自学习的货车超载识别方法 |
-
2021
- 2021-05-20 CN CN202110554411.5A patent/CN114644001A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016197044A1 (en) * | 2015-06-05 | 2016-12-08 | Gogoro Inc. | Systems and methods for vehicle load detection and response |
| CN107873006A (zh) * | 2015-06-05 | 2018-04-03 | 睿能创意公司 | 检测及回应车辆负载的系统和方法 |
| CN108520099A (zh) * | 2018-03-12 | 2018-09-11 | 榆林学院 | 一种坡道上货车所受动力载荷的测量方法 |
| WO2021088381A1 (zh) * | 2019-11-06 | 2021-05-14 | 北京交通大学 | 基于功率分布与车辆自学习的货车超载识别方法 |
| CN112373484A (zh) * | 2020-11-26 | 2021-02-19 | 同济大学 | 一种基于前馈神经网络的汽车整车质量动力学获取方法 |
| CN112685466A (zh) * | 2020-12-23 | 2021-04-20 | 北京千方科技股份有限公司 | 车辆超载预测模型训练方法、超载预测方法、系统和介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116502565A (zh) * | 2023-06-27 | 2023-07-28 | 江铃汽车股份有限公司 | 一种气坝性能测试方法、系统、存储介质及设备 |
| CN116502565B (zh) * | 2023-06-27 | 2023-11-14 | 江铃汽车股份有限公司 | 一种气坝性能测试方法、系统、存储介质及设备 |
| CN117494585A (zh) * | 2023-12-29 | 2024-02-02 | 中汽研汽车检验中心（天津）有限公司 | 一种基于互信息和数据模糊化的商用车实际载重预测方法 |
| CN117494585B (zh) * | 2023-12-29 | 2024-04-02 | 中汽研汽车检验中心（天津）有限公司 | 一种基于互信息和数据模糊化的商用车实际载重预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110155046B (zh) | 自动紧急制动分级控制方法与系统 | |
| US9738284B2 (en) | Vehicle acceleration determination | |
| US10108197B2 (en) | Deceleration determination of a vehicle | |
| CN103129560B (zh) | 用于估计车辆的质量的系统和方法 | |
| US20170158225A1 (en) | Vehicle curvature determination | |
| US20230331222A1 (en) | Vehicle surface impact detection | |
| EP3947087B1 (en) | Condition monitoring of a vehicle | |
| US12296833B2 (en) | System and method for providing an indication of driving performance | |
| CN113962011A (zh) | 一种电动汽车制动系模型及其建立方法 | |
| CN114644001A (zh) | 一种车辆载重预测方法、装置、存储介质及车辆 | |
| CN111348048A (zh) | 货车超载报警方法、装置、设备及存储介质 | |
| CN113442935A (zh) | 一种商用车不良驾驶行为的判断方法及系统 | |
| Kidambi et al. | Accuracy and robustness of parallel vehicle mass and road grade estimation | |
| CN108956156A (zh) | 车辆的制动抱死系统的性能测试方法及其装置 | |
| CN114919593B (zh) | 车辆载荷估算方法、设备和存储介质 | |
| CN111367968A (zh) | 驾驶数据处理方法、装置、设备及存储介质 | |
| US11436877B2 (en) | Apparatus for determining overworked consumable for vehicle | |
| GB2579558A (en) | System and method for providing an indication of driving performance | |
| GB2579559A (en) | System and method for providing an indication of driving performance | |
| CN117951487B (zh) | 基于云计算的重型货运车辆总重辨识及置信度评估方法 | |
| Bian et al. | Adaptive Cruise Control for Electric Bus based on Model Predictive Control with Road Grade Prediction. | |
| CN117382656B (zh) | 节油驾驶引导方法、装置、终端及存储介质 | |
| Jensen et al. | Prediction of Passenger Car Friction Brake Application Based on Longitudinal Dynamics Using On-Road Vehicle Driving Data | |
| CN118062024A (zh) | 车辆档位确定方法、装置、电子控制器和存储介质 | |
| He et al. | A study on the hill climbing performance of trucks based on Trucksim for heavy-duty trucks |
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 |