CN107205046B - 面向智能网联车辆的未来运行工况信息获取*** - Google Patents
面向智能网联车辆的未来运行工况信息获取*** Download PDFInfo
- Publication number
- CN107205046B CN107205046B CN201710586341.5A CN201710586341A CN107205046B CN 107205046 B CN107205046 B CN 107205046B CN 201710586341 A CN201710586341 A CN 201710586341A CN 107205046 B CN107205046 B CN 107205046B
- Authority
- CN
- China
- Prior art keywords
- front truck
- information
- car
- operating condition
- condition 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.)
- Expired - Fee Related
Links
- 238000004891 communication Methods 0.000 claims abstract description 38
- 238000013459 approach Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 abstract description 4
- 230000001568 sexual effect Effects 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 7
- 230000001537 neural effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种面向智能网联车辆的未来运行工况信息获取***,属于智能网联汽车技术领域,包括V2V车车通讯***、V2I车路通讯***、车载定位***、远程监控平台、前车信息采集单元、前车信息分析单元,其特征在于:还包括目标前车确定单元、交通流状态分析单元和信息获取途径确定单元。该运行工况信息获取***基于车联网通讯信息,在充分考虑影响工况信息获取实效性和准确性因素的基础上,确定了最佳的工况信息获取途径,保证了所获取的运行工况信息的更接近于未来实际工况信息,提高了所获取的运行工况信息作为未来实际工况信息的可参考性和准确性。
Description
技术领域
本发明提供一种面向智能网联车辆的未来运行工况信息获取***,属于智能网联汽车技术领域。
背景技术
运行工况是混合动力汽车能量管理策略设计考虑的重要因素之一,对提高整车燃油经济性有着至关重要的作用。准确有效的获取汽车未来工况信息进而结合预测能量管理算法实现混合动力***实时最优控制,已成为混动汽车智能能量管理策略的有效方法。目前现有技术中车辆未来运行工况的获取方法:主要利用GPS***获取车辆信息、道路信息及运行数据,或者直接接收其他车辆的信息进行分析处理后得到。这些方法在工况信息获取途径方面都存在考虑因素单一,获取途径的实效性不足的问题,进而导致获取的数据信息准确性较低、将其作为未来运行工况的可参考性不强。如2015年3月11日授权公告的发明专利:授权公告号:CN 102881060 B,一种实现车辆典型工况获取的方法及***,该方法包括:采集车辆行驶过程中的全球定位***GPS信息以及运行特性数据,根据接收到的GPS信息,将车辆行驶路段的经纬度数据转换为车辆行驶路段的道路信息,接收并保存车辆信息、道路信息以及对应的运行特性数据,对时间连续,且车辆信息、道路信息一致的运行特性数据进行分段,建立不同车辆信息、道路信息情况下的平均车速频谱图、分段车速频谱图、平均转速频谱图、分段转速频谱图、平均扭矩频谱图以及分段扭矩频谱图,确定对应于车辆信息以及道路信息的典型工况。又如2016年2月17日申请公布的发明专利,申请公布号:CN105336165A,一种获取车辆行驶信息的方法及装置,其中,获取车辆行驶信息的方法包括:接收来自其他车辆的行驶路线信息,将接收到的行驶路线信息与自身预设的行驶路线进行匹配,在匹配成功的情况下记录接收到的行驶路线信息。
发明内容
发明的目的是提供一种能充分考虑影响工况信息获取实效性和准确性因素,通过确定最佳的工况信息获取途径,保证所获取运行工况信息更接近于未来实际工况信息的面向智能网联车辆的未来运行工况信息获取***,其技术内容为:
面向智能网联车辆的未来运行工况信息获取***,包括V2V车车通讯***、V2I车路通讯***、车载定位***、远程监控平台、前车信息采集单元、前车信息分析单元,其特征在于:还包括目标前车确定单元、交通流状态分析单元和信息获取途径确定单元;
所述的前车信息采集单元,接收V2V车车通讯***及车载定位***采集的前车运行工况信息,包括本车与前车车距、前车行驶方向及路径信息,并将前车运行工况信息输入至前车信息分析单元;
所述的前车信息分析单元,根据所得前车运行工况信息进行分析并将分析结果划分为两类:(1)本车与前车同向同路且距离小于S,(2)本车与前车不同向或不同路或车距大于S,同时把本车与前车同向同路且距离小于S的分析结果送入目标前车确定单元,把本车与前车不同向或不同路或车距大于S的分析结果送入信息获取途径确定单元;
所述的目标前车确定单元,针对前车信息分析单元所得本车与前车同向同路且距离小于S的结果,进一步确定用于V2V车车通讯的目标前车,并将确定的目标前车信息传递给交通流状态分析单元;用于V2V车车通讯的目标前车的确定为:首先在本车与前车同向同路且距离小于S的所有前车中,进一步判断前车类型与本车类型是否相同时,若前车类型与本车类型不相同,则通过对前车类型进行筛选,匹配与本车类型最相近的前车作为目标前车,若前车与本车类型相同且数量M=1时,直接将前车作为目标对象,若前车与本车类型相同且数量M>1时,通过前车此前与本车在相同路段内的运行工况信息比对确定前车筛选的优先级,优先选定工况信息相似度较高的前车作为目标前车;所述的同类型车辆为同款同型号完全相同的车型,所述的最相近的车辆类型是指整车质量、动力源部件功率及滚阻都近似相同的车型;所述的相同路段内的运行工况信息对比,是在相同路段内对车辆瞬时速度vt、平均车速vave、最大速度vmax、车速变化频率f、路面坡度i、路面等级g、最大加速度amax、加速度均值am进行的比对;
所述的交通流状态分析单元,用于接收目标前车确定单元提供的目标前车信息,以及来自V2I车路通讯***获取目标前车此前Ty段与本车当前Tn段两相同路段的交通流信息,包括目标前车此前Ty段的交通流密度Ky、交通流流量Qy,本车当前Tn段的交通流密度Kn、交通流流量Qn,并计算两者交通流密度的差值Ek、交通流流量的差值Eq,分别与设定交通流密度变化情况临界值k、交通流流量变化情况临界值q进行比较,将分析比较结果传递给信息获取途径确定单元;
所述的信息获取途径确定单元,根据交通流状态分析单元得出的比较结果,以及前车信息分析单元所得本车与前车不同向或不同路或车距大于S的结果,确定不同的信息获取途径:若交通流变化较小即:Ek≤k且Eq≤q,利用V2V车车通讯***获取前车工况信息,作为本车未来运行工况信息;若交通流变化较大即:Ek>k或Eq>q,由V2V车车通讯***获取前车工况信息,同时结合V2I车路通讯***获取实时交通流信息,建立基于交通流变化的车速修正模型,对前车工况信息中车速信息加以修正后作为本车未来运行工况信息;
若本车与前车不同向或不同路或车距大于S,放弃目标前车的确定,利用V2I车路通讯***获取由远程监控平台提供的上一时刻前车工况信息,作为本车未来运行工况信息。
本发明与现有技术相比,有益效果如下:
该运行工况信息获取***基于车联网通讯信息,在充分考虑影响工况信息获取实效性和准确性因素的基础上,确定了最佳的工况信息获取途径,保证了所获取的运行工况信息的更接近于未来实际工况信息,提高了所获取的运行工况信息作为未来实际工况信息的可参考性和准确性。
附图说明
图1是本发明实施例的未来运行工况信息获取***结构框图。
图2是本发明实施例的未来运行工况信息获取方法具体流程图。
图3是本发明实施例前车此前Ty段与本车当前Tn段两相同路段的示意图。
具体实施方式
下面结合附图对本发明作进一步说明:
面向智能网联车辆的未来运行工况信息获取***,如图1所示,包括V2V车车通讯***、V2I车路通讯***、车载定位***、远程监控平台、前车信息采集单元、前车信息分析单元,其特征在于:还包括目标前车确定单元、交通流状态分析单元和信息获取途径确定单元;
所述的前车信息采集单元,接收V2V车车通讯***及车载定位***采集的前车运行工况信息,包括本车与前车车距、前车行驶方向及路径信息,并将前车运行工况信息输入至前车信息分析单元;
所述的前车信息分析单元,根据所得前车运行工况信息进行分析并将分析结果划分为两类:(1)本车与前车同向同路且距离小于S,(2)本车与前车不同向或不同路或车距大于S,同时把本车与前车同向同路且距离小于S的分析结果送入目标前车确定单元,把本车与前车不同向或不同路或车距大于S的分析结果送入信息获取途径确定单元;
所述的目标前车确定单元,针对前车信息分析单元所得本车与前车同向同路且距离小于S的结果,进一步确定用于V2V车车通讯的目标前车,并将确定的目标前车信息传递给交通流状态分析单元;
所述的交通流状态分析单元,用于接收目标前车确定单元提供的目标前车信息,以及来自V2I车路通讯***获取目标前车此前Ty段与本车当前Tn段两相同路段的交通流信息,包括目标前车此前Ty段的交通流密度Ky、交通流流量Qy,本车当前Tn段的交通流密度Kn、交通流流量Qn,并计算两者交通流密度的差值Ek、交通流流量的差值Eq,分别与设定交通流密度变化情况临界值k、交通流流量变化情况临界值q进行比较,将分析比较结果传递给信息获取途径确定单元;
所述的信息获取途径确定单元,根据交通流状态分析单元得出的比较结果,以及前车信息分析单元所得本车与前车不同向或不同路或车距大于S的结果,确定不同的信息获取途径:若交通流变化较小即:Ek≤k且Eq≤q,利用V2V车车通讯***获取前车工况信息,作为本车未来运行工况信息;若交通流变化较大即:Ek>k或Eq>q,由V2V车车通讯***获取前车工况信息,同时结合V2I车路通讯***获取实时交通流信息,建立基于交通流变化的车速修正模型,对前车工况信息中车速信息加以修正后作为本车未来运行工况信息;
若本车与前车不同向或不同路或车距大于S,放弃目标前车的确定,利用V2I车路通讯***获取由远程监控平台提供的上一时刻前车工况信息,作为本车未来运行工况信息。
面向智能网联车辆的未来运行工况信息获取***,进行未来运行工况信息获取时,流程具体包括前车信息分析、目标前车确定、交通流状态变化分析和信息获取途径的确定,如下:
如图2所示,第一步,前车信息的分析:首先,利用车联网通讯***中的V2V车车通讯***和车载定位***确定本车与前车车距、前车行驶方向及路径信息,再针对所得前车信息进行分析并将分析结果划分为两类:(1)本车与前车同向同路且距离小于S,(2)本车与前车不同向或不同路或车距大于S;
第二步,目标前车的确定:根据前车信息分析结果,当本车与前车同向同路且距离小于S时,确定用于V2V车车通讯的目标前车,首先在本车与前车同向同路且距离小于S的所有前车中,进一步判断前车类型与本车类型是否相同时,若前车类型与本车类型不相同,则通过对前车类型进行筛选,匹配与本车类型最相近的前车作为目标前车,若前车与本车类型相同且数量M=1时,直接将前车作为目标对象,若前车与本车类型相同且数量M>1时,通过对前车此前Ty段与本车当前Tn段两相同路段内的工况信息进行比对确定前车筛选的优先级,优先选定工况信息相似度较高的前车作为目标前车,前车此前Ty段与本车当前Tn段两相同路段的示意图,如图3所示;
所述的同类型车辆为同款同型号完全相同的车型,所述的最相近的车辆类型是指整车质量、动力源部件功率及滚阻都近似相同的车型;
所述的相同路段内的工况信息对比,是在相同路段内对车辆瞬时速度vt、平均车速vave、最大速度vmax、车速变化频率f、路面坡度i、路面等级g、最大加速度amax、加速度均值am进行的比对;
第三步,交通流状态变化的分析:通过车联网通讯***中的V2I车路通讯***获取目标前车此前Ty段与本车当前Tn段两相同路段的交通流信息,包括目标前车此前Ty段的交通流密度Ky、交通流流量Qy,本车当前Tn段的交通流密度Kn、交通流流量Qn,并计算两者交通流密度的差值Ek、交通流流量差值Eq,然后分别与设定交通流密度变化情况临界值k、交通流流量变化情况临界值q进行比较;
第四步,信息获取途径的确定:若交通流变化较小即:Ek≤k且Eq≤q,利用V2V车车通讯***获取前车的工况信息,作为本车未来运行工况信息;若交通流变化较大即:Ek>k或Eq>q,由V2V车车通讯***获取前车工况信息,同时结合V2I车路通讯***获取实时交通流信息,建立基于交通流变化的车速修正模型,对前车工况信息中车速信息加以修正后作为本车未来运行工况信息;
所述的基于交通流变化的车速修正模型,可通过构建基于交通流变化的RBF神经网络车速修正模型得到;RBF神经网络车速修正模型的构建包括:(1)确定RBF神经网络车速修正模型输入参数矢量和输出参数矢量,输入参数矢量为当前接收到得前车工况信息包括的瞬时速度vy_t,平均车速vy_ave、最大速度vy_max、车速变化频率fy,以及本车当前路段交通流信息包括交通流密度Kn、交通流流量Qn,即{vy_t,vy_ave,vy_max,fy,Kn,Qn},输出参数矢量为本车所对应的未来实际工况的车速信息,包括本车瞬时速度vn_t,平均车速vn_ave、最大速度vn_max、车速变化频率fn,即{vn_t,vn_ave,vn_max,fn};(2)将输入参数矢量和输出参数矢量作为训练样本,输入到RBF神经网络模型中进行离线训练,选用自组织选取中心的RBF神经网络学习方法,求解确定隐含层基函数中心、奇函数的方差和隐含层单元输出单元权值,最终建立的基于交通流变化的车速修正RBF神经网络模型;
当本车与前车不同向或不同路或车距大于S,放弃目标前车的确定,利用V2I车路通讯***获取由远程监控平台***提供的上一时刻前车工况信息,作为本车未来运行工况信息。
Claims (1)
1.一种面向智能网联车辆的未来运行工况信息获取***,包括V2V车车通讯***、V2I车路通讯***、车载定位***、远程监控平台、前车信息采集单元、前车信息分析单元,其特征在于:还包括目标前车确定单元、交通流状态分析单元和信息获取途径确定单元;
所述的前车信息采集单元,接收V2V车车通讯***及车载定位***采集的前车运行工况信息,包括本车与前车车距、前车行驶方向及路径信息,并将前车运行工况信息输入至前车信息分析单元;
所述的前车信息分析单元,根据所得前车运行工况信息进行分析并将分析结果划分为两类:(1)本车与前车同向同路且距离小于S,(2)本车与前车不同向或不同路或车距大于S,同时把本车与前车同向同路且距离小于S的分析结果送入目标前车确定单元,把本车与前车不同向或不同路或车距大于S的分析结果送入信息获取途径确定单元;
所述的目标前车确定单元,针对前车信息分析单元所得本车与前车同向同路且距离小于S的结果,进一步确定用于V2V车车通讯的目标前车,并将确定的目标前车信息传递给交通流状态分析单元;用于V2V车车通讯的目标前车的确定为:首先在本车与前车同向同路且距离小于S的所有前车中,进一步判断前车类型与本车类型是否相同时,若前车类型与本车类型不相同,则通过对前车类型进行筛选,匹配与本车类型最相近的前车作为目标前车,若前车与本车类型相同且数量M=1时,直接将前车作为目标对象,若前车与本车类型相同且数量M>1时,通过前车此前与本车在相同路段内的运行工况信息比对确定前车筛选的优先级,优先选定工况信息相似度较高的前车作为目标前车;所述的同类型车辆为同款同型号完全相同的车型,所述的最相近的车辆类型是指整车质量、动力源部件功率及滚阻都近似相同的车型;所述的相同路段内的运行工况信息对比,是在相同路段内对车辆瞬时速度vt、平均车速vave、最大速度vmax、车速变化频率f、路面坡度i、路面等级g、最大加速度amax、加速度均值am进行的比对;
所述的交通流状态分析单元,用于接收目标前车确定单元提供的目标前车信息,以及来自V2I车路通讯***获取目标前车此前Ty段与本车当前Tn段两相同路段的交通流信息,包括目标前车此前Ty段的交通流密度Ky、交通流流量Qy,本车当前Tn段的交通流密度Kn、交通流流量Qn,并计算两者交通流密度的差值Ek、交通流流量的差值Eq,分别与设定交通流密度变化情况临界值k、交通流流量变化情况临界值q进行比较,将分析比较结果传递给信息获取途径确定单元;
所述的信息获取途径确定单元,根据交通流状态分析单元得出的比较结果,以及前车信息分析单元所得本车与前车不同向或不同路或车距大于S的结果,确定不同的信息获取途径:若交通流变化较小即:Ek≤k且Eq≤q,利用V2V车车通讯***获取前车工况信息,作为本车未来运行工况信息;若交通流变化较大即:Ek>k或Eq>q,由V2V车车通讯***获取前车工况信息,同时结合V2I车路通讯***获取实时交通流信息,建立基于交通流变化的车速修正模型,对前车工况信息中车速信息加以修正后作为本车未来运行工况信息;
若本车与前车不同向或不同路或车距大于S,放弃目标前车的确定,利用V2I车路通讯***获取由远程监控平台提供的上一时刻前车工况信息,作为本车未来运行工况信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710586341.5A CN107205046B (zh) | 2017-07-18 | 2017-07-18 | 面向智能网联车辆的未来运行工况信息获取*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710586341.5A CN107205046B (zh) | 2017-07-18 | 2017-07-18 | 面向智能网联车辆的未来运行工况信息获取*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107205046A CN107205046A (zh) | 2017-09-26 |
CN107205046B true CN107205046B (zh) | 2018-02-27 |
Family
ID=59911801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710586341.5A Expired - Fee Related CN107205046B (zh) | 2017-07-18 | 2017-07-18 | 面向智能网联车辆的未来运行工况信息获取*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107205046B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734810B (zh) * | 2018-04-17 | 2020-09-25 | 江苏大学 | 一种基于车联网的纯电动汽车行驶工况预测方法 |
US11749108B2 (en) | 2021-03-31 | 2023-09-05 | Honda Motor Co., Ltd. | System and method for lane level traffic state estimation |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831768A (zh) * | 2012-08-15 | 2012-12-19 | 大连理工大学 | 一种基于车联网的混合动力客车行驶工况预测方法 |
CN102881060A (zh) * | 2012-10-17 | 2013-01-16 | 潍柴动力股份有限公司 | 一种实现车辆典型工况获取的方法及*** |
CN104064044A (zh) * | 2014-06-30 | 2014-09-24 | 北京航空航天大学 | 基于车路协同的发动机起停控制***及其方法 |
CN105336165A (zh) * | 2015-10-28 | 2016-02-17 | 东莞酷派软件技术有限公司 | 一种获取车辆行驶信息的方法及装置 |
CN106080600A (zh) * | 2016-06-30 | 2016-11-09 | 深圳市赛格导航科技股份有限公司 | 一种基于v2v的汽车距离控制***及方法 |
US9529357B1 (en) * | 2013-06-17 | 2016-12-27 | The United States Of America As Represented By The Secretary Of The Air Force | Method and apparatus for operator supervision and direction of highly autonomous vehicles |
-
2017
- 2017-07-18 CN CN201710586341.5A patent/CN107205046B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831768A (zh) * | 2012-08-15 | 2012-12-19 | 大连理工大学 | 一种基于车联网的混合动力客车行驶工况预测方法 |
CN102881060A (zh) * | 2012-10-17 | 2013-01-16 | 潍柴动力股份有限公司 | 一种实现车辆典型工况获取的方法及*** |
US9529357B1 (en) * | 2013-06-17 | 2016-12-27 | The United States Of America As Represented By The Secretary Of The Air Force | Method and apparatus for operator supervision and direction of highly autonomous vehicles |
CN104064044A (zh) * | 2014-06-30 | 2014-09-24 | 北京航空航天大学 | 基于车路协同的发动机起停控制***及其方法 |
CN105336165A (zh) * | 2015-10-28 | 2016-02-17 | 东莞酷派软件技术有限公司 | 一种获取车辆行驶信息的方法及装置 |
CN106080600A (zh) * | 2016-06-30 | 2016-11-09 | 深圳市赛格导航科技股份有限公司 | 一种基于v2v的汽车距离控制***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107205046A (zh) | 2017-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107172215B (zh) | 车联网环境下的未来行驶工况信息获取方法 | |
RU2683902C2 (ru) | Транспортное средство, способ и система для планирования режимов транспортного средства с использованием изученных предпочтений пользователя | |
Saka | Model for determining optimum bus-stop spacingin urban areas | |
CN109191876B (zh) | 一种基于车联网技术的特殊车辆交通诱导***及其控制方法 | |
CN107284452B (zh) | 融合智能通讯信息的混合动力汽车未来工况预测*** | |
CN103428006B (zh) | 一种堵车时聊天群的建立方法及*** | |
CN104680820B (zh) | 一种基于梯度场的交通流车联网***及交通流控制方法 | |
US20100305798A1 (en) | System And Method For Vehicle Drive Cycle Determination And Energy Management | |
CN107346460A (zh) | 基于智能网联***下前车运行信息的未来工况预测方法 | |
CN105405302B (zh) | 限速调整方法和管理平台 | |
CN103403639A (zh) | 关于车辆队列的方法和管理单元 | |
CN113299107B (zh) | 一种多目标融合的交叉口动态车辆网联速度引导控制方法 | |
CN107248299B (zh) | 一种基于驻站时间的专用道公交优先干线协调控制方法 | |
CN105303854A (zh) | 一种出行路线数据的处理方法和装置 | |
CN108022435A (zh) | 一种交通控制方法及*** | |
CN108694841A (zh) | 一种基于v2x技术的智能车辆通行路口红绿灯方法 | |
CN114627648B (zh) | 一种基于联邦学习的城市交通流诱导方法及*** | |
CN107205046B (zh) | 面向智能网联车辆的未来运行工况信息获取*** | |
Bishop et al. | Results of initial test and evaluation of a driver-assistive truck platooning prototype | |
Saha et al. | Evaluation of speed–flow characteristics on two-lane highways with mixed traffic | |
CN109347852A (zh) | 一种轻量级的车联网信任评估方法 | |
CN110505601A (zh) | 一种车联网中基于车辆行驶态势场模型的信息发送频率优化方法 | |
CN112907955A (zh) | 一种基于信息融合的车路协同***的评价方法 | |
CN113673756B (zh) | 车辆的推荐车速确定方法、装置及计算机设备 | |
CN113450564A (zh) | 一种基于narx神经网络和c-v2x技术的交叉路口的通行方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180227 |