DE102020126883A1

DE102020126883A1 - Schätzung, klassifizierung und anpassung von treibermodellen für die reichweitenvorhersage

Info

Publication number: DE102020126883A1
Application number: DE102020126883.1A
Authority: DE
Inventors: Yue-Yun Wang; Jun-Mo Kang; Dongxu Li; Chunhao J. Lee; Jinzhu Chen; Donald K. Grimm; David J. Brooks
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2019-11-19
Filing date: 2020-10-13
Publication date: 2021-05-20
Also published as: US20210146785A1; CN112824196A

Abstract

Ein Verfahren zur Verwendung eines Steuersystems, um die Reichweite eines von einem Fahrer betriebenen elektrifizierten Fahrzeugs abzuschätzen, beinhaltet die Überwachung eines ersten Satzes von Fahrerverhalten während des Betriebs des Fahrzeugs und den Vergleich des überwachten ersten Satzes von Fahrerverhalten mit einer Vielzahl bekannter Profile mit jeweils gespeicherten Verhaltensweisen. Das Verfahren kann den Abgleich des ersten Satzes von Fahrerverhalten mit mindestens einem der bekannten Profile umfassen, um ein angepasstes Fahrermodell zu erstellen, die Modellierung eines angepassten Fahrzyklusprofils auf der Grundlage des passenden angepassten Fahrermodells und die Berechnung einer vorhergesagten Fahrreichweite auf der Grundlage des angepassten Fahrzyklusprofils. Das Verfahren kann den überwachten ersten Satz von Fahrerverhalten in Bezug auf die Vielzahl bekannter Profile mindestens als konservativ, neutral oder aggressiv klassifizieren und ein Modell des angepassten Fahrzyklusprofils erstellen, das weiterhin auf der konservativen, neutralen oder aggressiven Klassifizierung basiert.

Description

EINLEITUNG
Die vorliegende Offenbarung bezieht sich auf die Reichweitenvorhersage, basierend auf adaptiven Fahrerprofilen, in Fahrzeugen mit elektrischen Antriebssystemen. Beispiele für Fahrzeuge sind Elektro- oder Plug-in-Hybridfahrzeuge.
BESCHREIBUNG
Es wird ein Verfahren zur Verwendung eines Steuersystems zur Abschätzung der Reichweite eines von einem Fahrer betriebenen elektrifizierten Fahrzeugs bereitgestellt. Das Verfahren kann die Überwachung eines ersten Satzes von Fahrerverhalten während des Betriebs des Fahrzeugs und den Vergleich des überwachten ersten Satzes von Fahrerverhalten mit einer Vielzahl bekannter Profile mit jeweils gespeicherten Verhaltensweisen umfassen.
Das Verfahren kann den ersten Satz von Fahrerverhalten mit mindestens einem der bekannten Profile abgleichen, um ein angepasstes Fahrermodell zu erstellen, und ein angepasstes Fahrzyklusprofil auf der Grundlage des abgeglichenen angepassten Fahrermodells modellieren. Das Verfahren umfasst die Berechnung einer vorhergesagten Reichweite auf der Grundlage des angepassten Fahrzyklusprofils.
In einigen Konfigurationen kann das Verfahren die Einstufung des elektrifizierten Fahrzeugs in mindestens eine der folgenden Klassen umfassen: eine erste Klasse, eine zweite Klasse und eine dritte Klasse. Das Verfahren kann auch auf eine Cloud-Datenbank zugreifen, um festzustellen, ob der Fahrer eine gespeicherte Fahrer-ID hat.
Wenn die Cloud-Datenbank nicht über die gespeicherte Fahrer-ID für die gleiche Klasse wie das elektrifizierte Fahrzeug verfügt, überwacht das Verfahren einen ersten Satz von Fahrerverhalten während des Betriebs des Fahrzeugs und vergleicht den überwachten ersten Satz von Fahrerverhalten mit einer Vielzahl bekannter Profile mit jeweils gespeicherten Verhaltensweisen.
Das Verfahren ordnet den ersten Satz von Fahrerverhalten mindestens einem der bekannten Profile zu, um ein angepasstes Fahrermodell zu erstellen, und modelliert ein angepasstes Fahrzyklusprofil auf der Grundlage des passenden angepassten Fahrermodells. Auf der Grundlage des angepassten Fahrzyklusprofils wird eine vorhergesagte Reichweite berechnet.
Wenn die Cloud-Datenbank nicht über die gespeicherte Fahrer-ID für die gleiche Klasse wie das elektrifizierte Fahrzeug verfügt, modelliert Das Verfahren das angepasste Fahrzyklusprofil auf der Grundlage eines personalisierten volldynamischen Fahrermodells, das mit der gespeicherten Fahrer-ID übereinstimmt. Dieses personalisierte volldynamische Fahrermodell wird mit ausreichenden Daten durch maschinelles Lernen trainiert. Die vorhergesagte Reichweite wird dann auf der Grundlage des personalisierten volldynamischen Fahrermodells berechnet.
In einigen Konfigurationen wird ein Klassifizierungsmodell durch eine von künstlicher Intelligenz und statistischen Verfahren auf der Grundlage der Vielzahl bekannter Profile trainiert. Wenn die Clouddatenbank nicht über die gespeicherte Fahrer-ID für das sofort elektrifizierte Fahrzeug verfügt, beinhaltet das Verfahren die Klassifizierung des überwachten ersten Satzes von Fahrerverhalten als mindestens eines von konservativ, neutral und aggressiv, indem der erste Satz von Fahrerverhalten mit dem trainierten Klassifizierungsmodell verglichen wird.
Das angepasste Fahrzyklusprofil kann weiterhin auf der konservativen, neutralen oder aggressiven Klassifizierung basieren. Das Verfahren kann die Berechnung der vorhergesagten Reichweite auf der Grundlage einer vorhergesagten georäumlichen Route für das elektrifizierte Fahrzeug, der Straßenbedingungen, der Verkehrsbedingungen und/oder der Umweltbedingungen umfassen.
Wenn die Cloud-Datenbank nicht über die gespeicherte Fahrer-ID für dieselbe Klasse wie das elektrifizierte Fahrzeug verfügt, kann Das Verfahren die Überwachung eines zweiten Satzes von Fahrerverhalten umfassen, der nach dem ersten Satz von Fahrerverhalten auftritt, und den Vergleich des überwachten zweiten Satzes von Fahrerverhalten mit den bekannten Profilen. Das Verfahren kann das modellierte angepasste Fahrzyklus-Profil auf der Grundlage des zweiten Satzes von Fahrerverhalten aktualisieren und die vorhergesagte Reichweite auf der Grundlage des aktualisierten angepassten Fahrzyklus-Profils neu berechnen.
Die oben genannten Merkmale und Vorteile sowie andere Merkmale und Vorteile der vorliegenden Offenbarung sind aus der folgenden detaillierten Beschreibung der bevorzugten Ausführungsformen für die Durchführung der Offenbarung in Verbindung mit den beigefügten Figuren leicht ersichtlich.
Figurenliste

1 ist eine schematische Umweltsicht eines beispielhaften Kraftfahrzeugs mit elektrischem Antrieb, wie z.B. eines Hybrid- oder Batterie-Elektrofahrzeugs.
2 ist ein schematisches Flussdiagramm, das einen auf einem Vorhersagemodell basierenden Algorithmus zur Schätzung des Gesamtenergieverbrauchs des Elektroantriebs veranschaulicht, um eine intelligente Reichweitenplanung abzuleiten, die auf der Grundlage des vorhergesagten Fahrerverhaltens variiert werden kann.
3 ist ein schematisches Flussdiagramm, das die Interaktion zwischen dem Vorhersagemodell von 2 und einem Cloud-basierten System zur Bestimmung von Fahrermodellen mit begrenzten Informationen veranschaulicht.
4 ist ein schematisches Flussdiagramm, das ein mögliches Verfahren zur Bestimmung relevanter Fahrermodelle, unabhängig vom Fahrzeugtyp, und die darauf basierende Abschätzung der elektrischen Reichweite veranschaulicht.

DETAILLIERTE BESCHREIBUNG
Verweise auf die Figuren, wie Bezugsziffern, beziehen sich, wo immer möglich, auf ähnliche Komponenten. 1 zeigt schematisch eine Seitenansicht eines Motors oder elektrifizierten Fahrzeugs 10, das hier zu Diskussionszwecken als ein Kraftfahrzeug mit Elektroantrieb (Hybrid- oder Elektroantrieb) in Limousinenbauweise dargestellt wird, das einfach als elektrifiziertes Fahrzeug bezeichnet werden kann. In einer Fahrzeugkarosserie 12 des Fahrzeugs 10, z.B. in einem Fahrgastraum, einem Kofferraum oder einem speziellen Batteriefach, befindet sich eine Traktionsbatterie 14, die elektrisch mit einem oder mehreren elektrischen Motor-Generatoren oder elektrischen Maschinen 16 gekoppelt ist und diese antreibt, die ein oder mehrere der Straßenräder 18 drehen und dadurch das Fahrzeug 10 antreiben.
Das abgebildete Fahrzeug 10, das hier auch als Automobil oder Kraftfahrzeug bezeichnet werden kann, ist lediglich eine Beispielanwendung, an der Aspekte und Merkmale dieser Offenbarung geübt werden können. Während das abgebildete Fahrzeug 10 als Auto dargestellt wird, sollte man sich darüber im Klaren sein, dass das Fahrzeug 10 ein Auto, ein Lastwagen, ein SUV, ein Lieferwagen, ein Sattelschlepper, ein Traktor, ein Bus, ein Go-Kart oder eine andere rollende Plattform sein kann, ohne vom Umfang oder der Absicht dieser Offenbarung abzuweichen.
In gleicher Weise ist die Umsetzung der vorliegenden Konzepte für die in 1 dargestellte spezifische Elektrofahrzeug-Versorgungsanlage (EVSE) als beispielhafte Anwendung der offengelegten Konzepte und Merkmale zu werten. Als solche wird davon ausgegangen, dass Aspekte und Merkmale dieser Offenbarung auf andere Typen von EVSE angewandt und für jeden logisch relevanten Kraftfahrzeugtyp implementiert werden können. Darüber hinaus wurden nur ausgewählte Komponenten des Fahrzeugs 10 und des EVSE gezeigt und werden hierin zusätzlich detailliert beschrieben. Nichtsdestotrotz können die nachfolgend besprochenen Kraftfahrzeuge und EVSE-Architekturen zahlreiche zusätzliche und alternative Merkmale sowie andere kommerziell erhältliche periphere Komponenten enthalten, z.B. zur Ausführung der verschiedenen Protokolle und Algorithmen dieser Offenbarung.
Die hier vorgestellten Figuren sind nicht maßstabsgetreu und werden ausschließlich zu Lehrzwecken zur Verfügung gestellt. Die in den Figuren gezeigten spezifischen und relativen Abmessungen sind daher nicht als einschränkend zu verstehen.
Während die Offenbarung in Bezug auf bestimmte Anwendungen oder Branchen veranschaulicht werden kann, werden diejenigen, die sich in der Kunst auskennen, die breitere Anwendbarkeit der Offenbarung erkennen. Diejenigen, die über gewöhnliche Fachkenntnisse auf diesem Gebiet verfügen, werden erkennen, dass Begriffe wie „oben“, „unten“, „nach oben“, „nach unten“ usw. zur Beschreibung der Figuren verwendet werden und keine Einschränkungen des Umfangs der Offenbarung darstellen, wie sie in den beigefügten Ansprüchen definiert sind. Alle numerischen Bezeichnungen, wie „erste“ oder „zweite“, dienen lediglich der Veranschaulichung und sollen den Umfang der Offenbarung in keiner Weise einschränken.
Die in einer Abbildung gezeigten Merkmale können mit den in jeder der Figuren gezeigten Merkmalen kombiniert, durch diese ersetzt oder modifiziert werden. Sofern nicht anders angegeben, schließen keine Merkmale, Elemente oder Einschränkungen andere Merkmale, Elemente oder Einschränkungen gegenseitig aus. Darüber hinaus sind keine Merkmale, Elemente oder Einschränkungen für den Betrieb unbedingt erforderlich. Alle in den Figuren gezeigten spezifischen Konfigurationen dienen lediglich der Veranschaulichung, und die gezeigten spezifischen Konfigurationen stellen keine Einschränkung der Ansprüche oder der Beschreibung dar.
Wenn der Begriff „im Wesentlichen“ hier verwendet wird, bezieht er sich auf Beziehungen, die im Idealfall perfekt oder vollständig sind, bei denen jedoch Herstellungsgegebenheiten eine absolute Perfektion verhindern. Daher bezeichnet „substanziell“ die typische Abweichung von der Perfektion. Wenn zum Beispiel die Höhe A im Wesentlichen gleich der Höhe B ist, kann es vorzuziehen sein, dass die beiden Höhen 100,0% äquivalent sind, aber die Herstellungsrealitäten führen wahrscheinlich dazu, dass die Abstände von dieser Perfektion abweichen. Erfahrene Fachleute würden das Ausmaß der akzeptablen Abweichung erkennen. Zum Beispiel, und ohne Einschränkung, können Abdeckungen, Flächen oder Entfernungen im Allgemeinen innerhalb von 10% der Perfektion liegen, um eine substantielle Äquivalenz zu erreichen. Gleichermaßen können relative Ausrichtungen, wie z.B. parallel oder senkrecht, im Allgemeinen als innerhalb von 5% liegend betrachtet werden. Wenn hier der Begriff „sofort“ verwendet wird, bezieht sich der Begriff „sofort“ im Allgemeinen auf den Fahrer oder das Fahrzeug, der bzw. das zur Verfügung steht, im Gegensatz zu früheren oder anderen Fahrern oder Fahrzeugen.
1 ist eine vereinfachte Darstellung des elektrisch angetriebenen Fahrzeugs 10, das an eine Fahrzeugladestation 20 angedockt und mit dieser operativ gekoppelt ist, um eine an Bord befindliche wiederaufladbare Energiequelle, wie z.B. eine Hochspannungs-Gleichstrom-(DC)-Traktionsbatterie 14, aufzuladen. Die Traktionsbatterie 14 kann viele geeignete Konfigurationen annehmen, einschließlich einer Reihe von Blei-Säure-, Lithium-Ionen- oder anderen anwendbaren Typen von wiederaufladbaren Batterien, die für Batterien für Elektrofahrzeuge (EVB) geeignet sind.
Um eine funktionsfähige Kopplung zwischen der Traktionsbatterie 14 und der Fahrzeugladestation 20 herzustellen, kann das Fahrzeug 10 ein induktives Ladebauteil 22 enthalten, z.B. mit einer integrierten Induktionsspule, die an der Unterseite des Fahrzeugaufbaus 12 montiert ist. Dieses induktive Ladebauteil 22 fungiert als drahtlose Ladeschnittstelle, die mit einem drahtlosen Ladepad oder einer Plattform 24 kompatibel ist, z.B. mit einer internen EMF-Spule der Fahrzeugladestation 20.
In der abgebildeten Konfiguration befindet sich die kabellose Ladeplattform 24 auf dem Boden der Fahrzeugladestation 20 und wird in Übereinstimmung mit einem Zielort positioniert, der als gewünschter Parkplatz dient und ein effizientes und effektives kabelloses Aufladen des Fahrzeugs 10 fördert. Insbesondere 1 zeigt das Fahrzeug 10, das an einem Ort geparkt ist, der dazu beiträgt, dass das induktive Ladebauteil22 sowohl in Quer- als auch in Längsrichtung im Wesentlichen mit der drahtlosen Ladeplattform 24 ausgerichtet ist. Anders ausgedrückt, das Fahrzeug 10 in 1 wird als in korrekter Ausrichtung von vorne nach hinten und in korrekter Ausrichtung von Steuerbord zu Steuerbord mit dem vorgesehenen Zielort betrachtet, um ein induktives Ladeereignis für das Fahrzeug 10 abzuschließen.
Die Fahrzeugladestation 20 kann jede bisher und im Folgenden entwickelte Art von drahtgebundener und drahtloser Ladetechnologie verwenden, einschließlich, aber nicht beschränkt auf: induktives Laden, Funkladung und Resonanzladung. In Übereinstimmung mit der elektromagnetischen Induktionsladetechnologie kann die repräsentative drahtlose Ladeplattform 24 von 1 mit elektrischem Strom aktiviert werden, um in der Nähe des induktiven Ladebauteils22 ein elektromagnetisches Wechselfeld zu erzeugen. Dieses Magnetfeld induziert wiederum einen elektrischen Strom in dem induktiven Ladebauteil 22 des Fahrzeugs 10. Der induzierte Strom kann durch eine fahrzeugeigene elektrische Modulationsschaltung gefiltert, verringert und/oder phasenverschoben werden, um die Traktionsbatterie 14 oder jede andere Energiespeicherquelle des Fahrzeugs 10 zu laden (z.B. und ohne Einschränkung eine Standard 12V-Blei-Säure-Start-, Beleuchtungs- und Zündbatterie (SLI-Batterie) oder ein Hilfsstrommodul).
Die Traktionsbatterie 14 speichert Energie, die für den Antrieb der elektrischen Maschinen 16 und für den Betrieb anderer elektrischer Fahrzeugsysteme verwendet werden kann. Der Traktionsbatterie-Pack 14 ist operativ (verdrahtet oder drahtlos) mit einem oder mehreren Fahrzeugsteuersystemen oder Reglern 26 verbunden, zu denen eine elektronische Steuereinheit (ECU) gehören kann, die den Betrieb verschiedener Fahrzeugkomponenten regelt. Vom Steuergerät 26 gesteuerte Schütze können z.B. das Traktionsbatterie-Pack 14 von anderen Komponenten trennen, wenn es geöffnet ist, und das Traktionsbatterie-Pack 14 mit anderen Komponenten verbinden, wenn es geschlossen ist. Der Regler 26 ist auch kommunikativ mit den elektrischen Maschinen 16 verbunden, um z.B. die bidirektionale Energieübertragung zwischen dem Traktionsbatterie-Pack 14 und jeder elektrischen Maschine 16 zu steuern. So kann z.B. die Traktionsbatterie 14 eine Gleichspannung liefern, während die elektrischen Maschinen 16 mit einem dreiphasigen Wechselstrom betrieben werden können. In einer solchen Konfiguration wandelt der Regler 26 oder die von ihm gesteuerte Komponente die Gleichspannung in einen dreiphasigen Wechselstrom zur Verwendung durch die elektrischen Maschinen 16 um.
In einem regenerativen Modus, bei dem die elektrischen Maschinen 16 als Generatoren fungieren, kann der Regler 26 Drehstrom von den elektrischen Maschinen 16 in Gleichstrom umwandeln, der mit der Traktionsbatterie 14 kompatibel ist. Es wird auch gezeigt, wie der repräsentative Regler 26 z.B. und ohne Einschränkung mit der Ladekomponente 22 kommuniziert, um die von der Fahrzeugladestation 20 an den Batteriesatz 14 gelieferte Energie so zu konditionieren, dass ein korrektes Spannungs- und Stromniveau gewährleistet ist. Der Regler 26 kann auch eine Schnittstelle zur Ladestation 20 bilden oder mit dieser kommunizieren, um z.B. und ohne Einschränkung die Stromversorgung des Fahrzeugs 10 zu koordinieren.
Die Kfz-Ladestation 20 von 1 bietet auch das kabelgebundene Laden für Elektrofahrzeug 10 über einen elektrischen Steckverbinder 32, der einer von mehreren verschiedenen handelsüblichen elektrischen Steckverbindertypen sein kann. Zum Beispiel, und ohne Einschränkung, kann der elektrische Verbinder 32 ein elektrischer Verbinder der Society of Automotive Engineers (SAE) J1772 (Typ 1) oder J1772-2009 (Typ 2) mit ein- oder zweiphasigem Modus sein, der bei 120 bis 240 Volt (V) mit Wechselstrom (AC) mit bis zu 80 Ampere (A) Spitzenstrom für leitfähige Fahrzeugladung arbeitet. Darüber hinaus kann der elektrische Verbinder 32 auch so konstruiert sein, dass er die in der Internationalen Elektrotechnischen Kommission (IEC) 62196-3 Fdis und/oder IEC 62196-2 festgelegten Normen sowie alle anderen derzeit verfügbaren oder im Folgenden entwickelten Normen erfüllt.
Ein Ladeanschluss 34 kann an der Außenseite der Fahrzeugkarosserie 12 als verdrahtete Ladeschnittstelle zugänglich sein, die als elektrischer Eingang fungiert, in den der elektrische Verbinder 32 eingesteckt oder anderweitig angeschlossen werden kann. Der Ladeanschluss 34 ermöglicht es dem Benutzer, das Elektrofahrzeug 10 über die Ladestation 20 leicht an eine leicht zugängliche Wechsel- oder Gleichstromquelle, wie z.B. ein öffentliches Versorgungsnetz, anzuschließen und von dieser zu trennen. Der Ladeanschluss 34 von 1 ist nicht auf eine bestimmte Konstruktion beschränkt und kann jede Art von Einlass, Anschluss, Verbindung, Buchse, Stecker usw. sein, die leitende oder andere Arten von elektrischen Verbindungen ermöglicht. Eine aufklappbare Tür der Ladeöffnung, die als CPD 36 bezeichnet werden kann, an der Fahrzeugkarosserie 12 kann selektiv geöffnet und geschlossen werden, um die Ladeöffnung 34 zugänglich zu machen bzw. abzudecken.
Als Teil des Ladevorgangs kann das elektrisch angetriebene Fahrzeug 10 die kabelgebundene oder drahtlose Ladeverfügbarkeit, die Stromqualität und andere damit zusammenhängende Aspekte überwachen, die das Aufladen des Fahrzeugs 10 beeinflussen können. Nach dem abgebildeten Beispiel kommuniziert der Fahrzeug-Regler 26 von 1 mit einem Überwachungssystem, das ein oder mehrere bordeigene Sensoren 28 des Fahrzeugs 10 und/oder ein oder mehrere externe Fernerkennungsgeräte 30 der Fahrzeugladestation 20 umfassen kann, und empfängt Sensorsignale von diesem System. In der Praxis kann das Überwachungssystem einen einzelnen Sensor oder eine verteilte Sensorarchitektur mit einer Auswahl von Sensoren umfassen, die an ähnlichen oder alternativen Stellen wie in den Zeichnungen dargestellt untergebracht sind. Ein CPD-Sensor 38, der an der Ladestation 34 montiert ist, kann einen - geöffneten oder geschlossenen - Türstatus des CPD 36 erfassen und vom Regler 26 des Fahrzeugs abgefragt oder gelesen werden, um ihn zu bestimmen. Als weitere Option kann ein Verriegelungsknopf 40, der dazu beiträgt, den elektrischen Verbinder 32 physisch am Ladeanschluss 34 anzubringen und zu sichern, einen internen Schalter (z.B. einen Schalter vom Typ SAE S3) enthalten, der als Abtastvorrichtung fungiert, um festzustellen, ob der elektrische Verbinder 32 operativ mit dem Ladeanschluss 34 verbunden ist oder nicht.
Fachkundige Handwerker werden zahlreiche andere Arten von Sensorvorrichtungen erkennen, die ebenfalls verwendet werden können, darunter, ohne Einschränkung: thermische Sensorvorrichtungen, wie passive thermische Infrarot-Sensoren; optische Sensorvorrichtungen, wie licht- und laserbasierte Sensoren; akustische Sensorvorrichtungen, wie akustische Oberflächenwellen- (SAW) und Ultraschallsensoren; oder kapazitive Sensorvorrichtungen, wie kapazitiv-basierte Näherungssensoren.
Das repräsentative Fahrzeug 10 der 1 kann ursprünglich mit einer Fahrzeug-Telekommunikations- und Informationseinheit ausgestattet sein, die als Telematikeinheit 42 bezeichnet werden kann, die mit einem entfernt gelegenen (offboard) Cloud-Computing-System 44 kommuniziert, das einfach als Cloud-Computing-System 44 bezeichnet werden kann. Die Telematikeinheit 42 kann z.B. und ohne Einschränkung über Zellentürme, Basisstationen und/oder mobile Vermittlungszentren (MSCs) kommunizieren.
Diese Hardwarekomponenten der Telematikeinheit 42 können auch, zumindest teilweise, als residentes Fahrzeugnavigationssystem fungieren, um eine unterstützte und/oder automatisierte Fahrzeugnavigation zu ermöglichen, und als Mensch-Maschine-Schnittstelle (HMI), um einem Benutzer die Kommunikation mit der Telematikeinheit 42 und anderen Systemen und Systemkomponenten des Fahrzeugs zu ermöglichen 10. Die Telematikeinheit 42, die sowohl als Benutzereingabe- als auch als Fahrzeugausgabegerät fungiert, kann mit einem elektronischen Videoanzeigegerät 46 und verschiedenen HMI-Eingabesteuerungen 48 (z.B. Tasten, Knöpfe, Schalter, Trackpads, Tastaturen, Touchscreens usw.) ausgestattet sein.
Andere Peripherie-Hardware kann ein Mikrofon umfassen, das den Fahrzeuginsassen die Möglichkeit bietet, verbale oder andere akustische Befehle einzugeben, sowie eine eingebettete Sprachverarbeitungseinheit, die mit rechnergestützter Spracherkennungssoftware programmiert ist. Ein Audiosystem mit einer oder mehreren Lautsprecherkomponenten kann den Insassen eine hörbare Ausgabe liefern und kann entweder ein eigenständiges Gerät zur Verwendung mit der Telematikeinheit 42 sein oder Teil eines allgemeinen Audiosystems sein.
Unter kontinuierlicher Bezugnahme auf 1 kann die Telematikeinheit 42 ein Bordcomputergerät sein, das eine Vielzahl von Diensten sowohl einzeln als auch durch seine Kommunikation mit anderen Geräten des Fahrzeugs 10 erbringt. Die Telematikeinheit 42 kann im Allgemeinen aus einem oder mehreren Prozessoren bestehen, von denen jeder z.B. und ohne Einschränkung als diskreter Mikroprozessor, anwendungsspezifischer integrierter Schaltkreis (ASIC) oder als dediziertes Steuermodul ausgeführt sein kann. Fahrzeug 10 kann eine zentrale Steuerung über den Regler 26 bieten, der operativ mit einem oder mehreren elektronischen Speicherbausteinen 50 gekoppelt ist, von denen jeder z.B. und ohne Einschränkung die Form einer CD-ROM, einer Magnetplatte, eines IC-Bausteins oder eines Halbleiterspeichers (z.B. verschiedene Arten von RAM oder ROM) annehmen kann und eine Echtzeituhr (RTC) enthalten kann.
Fernverbindungen und Kommunikationsfähigkeiten mit entfernten, extern vernetzten Geräten können über einen oder mehrere der folgenden Komponenten bereitgestellt werden: einen zellularen Chipsatz/eine zellulare Komponente, einen Navigations- und Ortungs-Chipsatz/eine Komponente, wie z.B. einen GPS-Transceiver (Global Positioning System), oder ein drahtloses Modem. Die Fernkommunikation wird kollektiv in der Fernkomponente 52 dargestellt. Die drahtlose Konnektivität im Nahbereich kann über ein drahtloses Kommunikationsgerät mit kurzer Reichweite bereitgestellt werden, das eines oder mehrere der folgenden Geräte umfasst, ohne Einschränkung: eine Bluetooth^®-Einheit, einen NFC-Transceiver (Near Field Communications), eine dedizierte DSRC-Komponente (Short Range Communications) oder eine Doppelantenne. Die Nahbereichskommunikation wird kollektiv in der Nahbereichskomponente 54 dargestellt. Die verschiedenen oben beschriebenen Kommunikationsgeräte können so konfiguriert werden, dass sie Daten als Teil einer periodischen Übertragung in einem Fahrzeug-zu-Fahrzeug-Kommunikationssystem (V2V) oder einem Fahrzeug-zu-Alles-Kommunikationssystem (V2X) austauschen, z.B. Fahrzeug-zu-Infrastruktur (V2I), Fahrzeug-zu-Fußgänger (V2P), Fahrzeug-zu-Gerät (V2D) usw.
Unter Bezugnahme auf 2 und weiterem Verweis auf 1 wird ein Flussdiagramm 100 gezeigt, das ein verbessertes Verfahren oder Steuerungsstrategie illustriert, bei der auf künstlicher Intelligenz basierende (KI-basierte) oder auf maschinellen Lernverfahren basierende (ML-basierte) prädiktive Modellierung zur Ableitung des Gesamtenergieverbrauchs eines vollelektrischen Fahrzeugs (FEV) für eine bestimmte Strecke in Übereinstimmung mit Aspekten der vorliegenden Offenbarung verwendet wird. Künstliche Intelligenz und maschinelles Lernen werden hier im Allgemeinen austauschbar verwendet.
Einige oder alle der in 2 dargestellten und unten näher beschriebenen Operationen oder andere Diagramme hierin können repräsentativ für einen Algorithmus sein, der prozessorausführbaren Anweisungen entspricht, die z.B. im Haupt-, Hilfs- oder Fernspeicher gespeichert und z.B. von einer Bord- oder Fernsteuerung, einer Verarbeitungseinheit, einer Steuerlogikschaltung oder einem anderen Modul oder Gerät ausgeführt werden können, um einige oder alle der oben oder unten beschriebenen Funktionen in Verbindung mit den offengelegten Konzepten auszuführen. Es ist zu beachten, dass die Reihenfolge der Ausführung der dargestellten Operationsblöcke nicht einschränkend ist und dass die Reihenfolge geändert, zusätzliche Blöcke hinzugefügt und einige der beschriebenen Blöcke modifiziert, kombiniert oder eliminiert werden können.
Flussdiagramm 100 beginnt am Klemmenblock 101 mit prozessorausführbaren Befehlen für eine programmierbare Steuerung oder ein Steuermodul oder einen anderen geeigneten Prozessor oder Server-Computer, um eine Initialisierungsprozedur für ein vorausschauendes Ladeplanungsprotokoll aufzurufen, das genauere Schätzungen der EV-Reichweite liefert, den Energieverbrauch des elektrischen Systems optimiert und zur Verlängerung der Batteriebetriebsdauer beiträgt. Diese Routine kann in Echtzeit, kontinuierlich, systematisch, sporadisch und/oder in regelmäßigen Abständen ausgeführt werden - zum Beispiel und ohne Einschränkung alle 100 Millisekunden während des laufenden Fahrzeugbetriebs. Eine weitere Option ist die Initialisierung des Klemmenblocks 101 als Reaktion auf eine Benutzerbefehlseingabe oder ein Broadcast-Prompt-Signal, das von einem Backend- oder Middleware-Rechenknoten empfangen wird, der mit der Sammlung, Analyse, Sortierung, Speicherung und Verteilung von Fahrzeugdaten beauftragt ist.
Als Teil der Initialisierungsprozedur am Terminalblock 101 kann die ortsansässige Fahrzeugtelematikeinheit 42 ein Navigationsverarbeitungscodesegment ausführen, um Fahrzeugdaten und Geodaten - einschließlich, ohne Einschränkung, Fahrzeuggeschwindigkeit, Kurs, Beschleunigung und/oder Fahrzeugachsmoment, Zeitstempel - zu erhalten und optional ausgewählte Aspekte dieser Daten einem Insassen des Fahrzeugs 10 anzuzeigen. Der Insasse kann jede der HMI-Eingabesteuerungen 48 verwenden, um dann einen gewünschten Ausgangs- und/oder Zielpunkt für das Fahrzeug auszuwählen. Es ist auch vorgesehen, dass die Prozessoren der ECU oder des Steuergeräts 26 oder der Telematikeinheit 42 Informationen über den Fahrzeugursprung und das Fahrzeugziel von anderen Quellen empfangen, wie z.B. von einem Computer der Serverklasse, der den Datenaustausch für das Cloud-Computing-System 44 bereitstellt, oder von einer speziellen mobilen Softwareanwendung, die auf einem Smartphone oder einem anderen Handheld-Computergerät betrieben wird.
An einem Datenblock 103 greift das Fahrzeug auf ein ML-basiertes Vorhersagemodell für den Fahrer zu. Das Vorhersagemodell kann z.B. vom Cloud-Computing-System 44, einer beliebigen Daten-Cloud oder einem ähnlichen System heruntergeladen werden. Das ML-basierte Vorhersagemodell kann verwendet werden, um verschiedene Arten des Energieverbrauchs auf der Grundlage des erwarteten Fahrverhaltens in Bezug auf Straßen-, Verkehrs- oder Wetterbedingungen, einschließlich Umgebungstemperatur und Rückenwind gegenüber Gegenwind, abzuschätzen. Die Ableitung des ML-basierten Vorhersagemodells wird hierin beschrieben, aber der Datenblock 103 kann das Modell entweder von den relativ zu 3 und 4 beschriebenen Prozessen oder von einer gespeicherten ID für den momentanen Fahrer erhalten. Das ML-basierte Vorhersagemodell kann andere Präferenzen enthalten, wie z.B. HLK-Temperatureinstellungen. Der Datenblock 103 kann auch auf andere Informationen zugreifen, wie z.B. Fahrzeugroute, Verkehrs- und Umgebungsbedingungen und das ML-basierte Vorhersagemodell.
Sobald ein Fahrzeug-Ursprung (Startposition) und ein Fahrzeug-Ziel (Endposition) bekannt oder geschätzt sind, führt das Flussdiagramm 100 eine georäumliche Abfrage am Input/Output-Block 105 aus, um ortsspezifische geografische Informationen zu identifizieren. Zum Beispiel, und ohne Einschränkung, kann die am Input-/Output-Block 105 durchgeführte Abfrage die Echtzeit-Standortinformationen eines Fahrzeugs (d.h. einen Satz GPS-generierter geodätischer Daten) und zeitliche Informationen (d.h. einen Fahrzeug-Zeitstempel) nutzen, um eine bestimmte Route für die Fahrt vom Fahrzeug-Ursprungsort zum Fahrzeug-Zielort zu identifizieren. Geodätische Informationen können, in einigen nicht einschränkenden Beispielen, Schulterstandortdaten, Straßenmittelpunkt-Standortdaten, Straßenbegrenzungsstandort- und Geometriedaten, Kreuzungsmittelpunkt-Standortdaten, Verkehrsflussgeschwindigkeit oder regulierte Geschwindigkeitsbegrenzungen usw. umfassen.
Anstatt eine einzelne Routenoption zu identifizieren, kann die georäumliche Abfrage des Input/Output-Blocks 105 mehrere Vorschaurouten identifizieren, die den Start- und Endpositionen des Fahrzeugs entsprechen. Flussdiagramm 100 greift ferner auf einen OPENSTREETMAP^® (OSM)-Datendienst oder eine ähnlich geeignete Kartierungsdatenbank zu, um die mit jeder Route verbundenen Straßendaten als Teil des Ein-/Ausgabeblocks 105 nachzuschlagen. Diese Basisinformationen auf Straßenebene können miteinander verbundene Segmente enthalten, die eine bestimmte Route bilden, einen Namen für jedes Straßensegment, eine Geschwindigkeitsbegrenzung für jedes Straßensegment, Informationen zur Fahrspurausrichtung, Standorte von Ampeln, Positionen von Stoppschildern, Steigungen usw.
Nach der Festlegung von Ausgangs- und Zielort des Fahrzeugs und mindestens einer festgelegten oder voraussichtlichen Route und der anschließenden Aggregation relevanter Daten auf Straßenebene sowie von Straßenverkehrs- und Störungsdaten beginnt das Flussdiagramm 100 mit der Implementierung von eDrive-Energieverbrauchsmodellen, Energieverbrauchsmodellen für Zusatzgeräte, Energieverbrauchsmodellen für autonome Geräte usw., um eine ganzheitliche Simulation des Gesamtenergieverbrauchs des Fahrzeugs zum Erreichen des gewünschten Fahrzeugziels zu erstellen. Jedes dieser Modelle kann das erwartete oder vorhergesagte Fahrerverhalten einbeziehen, um den Gesamtenergieverbrauch des Fahrzeugs und damit die Reichweite des Fahrzeugs besser vorhersagen zu können.
Der Prozessblock 107 stellt gespeicherte, prozessorausführbare Anweisungen zur Berechnung eines vorhergesagten Motor-Energieverbrauchs eines Fahrmotors (z.B. der elektrischen Maschinen 16 aus 1) zur Verfügung, um ein Elektrofahrzeug (z.B. ein Fahrzeug mit Elektroantrieb 10) über eine vorgegebene Vorschaustrecke anzutreiben. Die vorhergesagte Motordrehzahl, ω, ist eine Funktion einer vorhergesagten Fahrzeuggeschwindigkeit Vp und eines Verhältnisses von Motordrehzahl zu Fahrzeuggeschwindigkeit k: $ω = k (r, Gr) Vp$
wobei k eine Funktion des Übersetzungsverhältnisses Gr und des Reifenradius r ist. Es kann wünschenswert sein, ein bestimmtes Fahrermodell für den Fahrer zu bestimmen, um die Vorhersage der Fahrzeuggeschwindigkeit, des gewünschten Antriebsmoments und anderer dynamischer Fahrverhaltensweisen für eine bestimmte Strecke zu unterstützen. Mechanismen zur Bestimmung eines anwendbaren Fahrermodells, basierend auf der Überwachung der primären Eingaben des Fahrers und der Kommunikation mit dem Cloud-Computing-System 44, werden hier diskutiert.
Die Bestimmung des Treibermodells kann Techniken des Deep Learning Neural Network (DNN) umfassen. Es sollte jedoch berücksichtigt werden, dass auch andere Formen von Treibermodellen verwendet werden können, darunter Modelle neuronaler Netze mit Langzeit-Kurzzeitgedächtnis (LSTM), statistische Modelle (z.B. Markov-Kette), Hidden-Markov-Modell (HMM), nichtlineare Regressionsmodelle usw.
Aus einem vorhergesagten gewünschten Antriebsdrehmoment Tq_des, das durch ein ML-basiertes Treibermodell geschätzt wird, ist das System in der Lage, ein vorhergesagtes Motordrehmoment T_MGU(A:B) für die untersuchte Vorschaustrecke zu berechnen. Durch Integration berechnet das System einen vorhergesagten Gesamtmotor-Energieverbrauch als E_MGU(A:B): $E_{M G U} = \int_{A}^{B} ω T_{M G U} d t - E_{R G N}$
wobei A und B die Zeichen für den Fahrzeugursprung bzw. das Fahrzeugziel sind und E_RGN die gesamte regenerierte Energie für die Vorschauroute darstellt.
Während eines Bremsvorgangs kann die ECU oder der Regler 26, z.B. durch Implementierung eines Motorsteuermoduls (MCM) und eines Batteriesteuermoduls (BCM), die elektrischen Maschinen 16 betreiben, um Energie aus dem Abbremsen des Fahrzeugs 10 zurückzugewinnen und die Energie durch einen regenerativen Bremsvorgang im EVB-Traktionsbatterie-Pack 14 zu speichern. Der tatsächliche Energieverbrauch des Motors kann höher sein als der vorhergesagte Gesamtenergieverbrauch des Motors E_MGU, da der Motor wahrscheinlich nicht 100% effizient ist. Um dieses Problem zu korrigieren, kann der vorhergesagte Gesamtenergieverbrauch des Motors E_MGU durch einen η Begriff geteilt werden, der eine Funktion der Motordrehzahl oder des Drehmoments ist und einen unvollkommenen Wirkungsgrad erklärt.
Im Prozessblock 109 berechnet das Flussdiagramm 100 einen Umrichter/Umrichter-Energieverlust in Abhängigkeit von der vorhergesagten Motordrehzahl und dem vorhergesagten Motordrehmoment. Ein solcher Umrichter/Umrichter-Energieverlust ergibt sich daraus, dass der elektrifizierte Antriebsstrang ein Umrichtermodul oder einen AC/DC-Wandler verwendet, um den Traktionsmotor und das Batteriepaket auf der vorgesehenen Strecke zu betreiben.
Fahrzeug 10 kann ein Wechselrichtermodul verwenden, um eine von der Traktionsbatterie 14 empfangene Gleichspannung zu modulieren und eine für die Versorgung der elektrischen Maschinen 16 geeignete Wechselspannung auszugeben. Im Vergleich dazu kann ein Wechselstrom-Gleichstrom-Wandler als Batterieladegerät oder Bordlademodul (OBCM) verwendet werden, um die Wechselstrom-Ladeleistung von einer bordunabhängigen Wechselstromversorgung (z.B. der Fahrzeugladestation 20) oder die Wechselspannung von den elektrischen Maschinen 16, die im regenerativen Betrieb arbeiten, in eine Gleichspannung umzuwandeln, die für die Verwendung durch den Batteriepack 14 und andere Gleichstromvorrichtungen geeignet ist.
Das Flussdiagramm 100 berechnet dann den Energieverlust des Motors als Funktion der vorhergesagten Motordrehzahl und des Drehmoments am Prozessblock 111. Motor-Energieverluste können aus mehreren Faktoren resultieren, wie z.B: (1) ohmsche Verluste in den Statorwicklungen; (2) Hystereseverluste in den Statorkernen; und (3) nicht eingefangene hochfrequente elektrische Energie, die von den Spulen zurückreflektiert wird.
Der im Prozessblock 109 berechnete Umrichter/Umrichter-Energieverlust und der im Prozessblock 111 berechnete Motor-Energieverlust können beide durch unterschiedliche Fahrstile oder Verhaltensweisen verschiedener Fahrer beeinflusst werden. Daher variiert das Flussdiagramm 100 die Berechnungen durch das ML-basierte Fahrermodell vom Datenblock 103, der das Verhalten des Fahrers des Fahrzeugs 10 schätzt.
Unter fortwährender Bezugnahme auf 2 wird im Prozessblock 113 ein geschätzter Gesamtenergieverbrauch eines Fahrzeug-Heizungs-, Lüftungs- und Klimatisierungssystems (HVAC) berechnet. Zum Beispiel kann im Fahrzeug 10 ein kältemittelbasierter Kompressor zur Kühlung der in den Fahrgastraum eingespritzten Luft verwendet werden, während elektrisch widerstandsfähige metallische Heizbänder oder von einem Hochspannungsheizgerät erwärmtes Kühlmittel zur Erwärmung der Luft und der Batterie bereitgestellt werden können. Zusätzlich zum Antrieb des Luftkompressors und der Heizleisten wird elektrische Energie verbraucht, um Gebläse oder Ventilatoren zu betreiben, die die erwärmte/gekühlte Luft in den Fahrgastraum und andere gewünschte Bereiche der Fahrzeugkarosserie 12 zirkulieren lassen.
Der Gesamtenergieverbrauch des Fahrzeugs kann auch die Energie der Hilfsgeräte berücksichtigen, die für die Versorgung der peripheren Elektronik benötigt wird, die während der Dauer der festgelegten Strecke im Prozessblock 115 betrieben wird. Eine solche Hilfs- oder Nichtfahrzeugantriebsausrüstung kann einen DC/DC-Wandler zur Umwandlung der Hochspannungsleistung des Traktionsbatterieblocks 14 in eine Niederspannungsleistung für den Betrieb verschiedener elektrischer Komponenten im Fahrzeug, wie z.B. eines Radios, eines Displays in der Mittelkonsole, eines elektronischen Kombiinstruments usw., umfassen. In diesem Zusammenhang kann eine 12V-Batterielast für den Betrieb einer beliebigen im Fahrzeug 10 vorhandenen Peripherie-Hardware ohne Antrieb reserviert werden, einschließlich zusätzlicher (Hilfs-)Eingangsbuchsen, die im gesamten Fahrgastraum als standardisierte Kommunikationsanschlüsse für den Anschluss der Handelektronik und persönlicher Computergeräte eines Insassen an das Fahrzeug 10 vorgesehen sind.
Zusätzlich zu den oben aufgezählten elektrischen Lasten kann das Flussdiagramm 100 auch den Energieverbrauch von elektronischen Geräten berücksichtigen, die zur Bereitstellung von Funktionen für autonomes Fahren und Advanced Driver Assistance System (ADAS) im Prozessblock 117 eingesetzt werden. Zu diesen Lasten können unter anderem Dynamiksensoren, Radarsensorikkomponenten, Lidar, Kameras und Computerprozessoren gehören.
Die im Prozessblock 113 berechneten HVAC-Lasten, die im Prozessblock 115 berechnete benötigte Hilfsgeräteenergie und die ADAS-Funktionalität im Prozessblock 117 können alle durch unterschiedliche Fahrstile oder Verhaltensweisen verschiedener Fahrer beeinflusst werden. Daher variiert das Flussdiagramm 100 die Berechnungen durch das ML-basierte Fahrermodell vom Datenblock 103, der das Verhalten des Fahrers des Fahrzeugs 10 schätzt und vorhersagt.
Jede der in den Prozessblöcken 107, 109, 111, 113, 115 und 117 ausgeführten Berechnungen wird durch unterschiedliche Fahrstile oder Verhaltensweisen verschiedener Fahrer beeinflusst. Darüber hinaus können die Umgebungsbedingungen den von diesen Prozessblöcken berechneten Energieverbrauch verändern. So können beispielsweise und ohne Einschränkung die HVAC-Lasten, der Rollwiderstand der Reifen und der Energieverbrauch der elektrischen Maschinen 16 auf der Grundlage der Umgebungstemperatur an verschiedenen Punkten entlang der vorhergesagten Strecke variieren. Darüber hinaus verändern die Straßen- und Verkehrsbedingungen und die vorhergesagten Reaktionen des Fahrers darauf den von diesen Prozessblöcken berechneten Energieverbrauch.
Daher variiert das Flussdiagramm 100 die Berechnungen durch das ML-basierte Fahrermodell aus dem Datenblock 103, basierend auf der Schätzung des Verhaltens des Fahrers des Fahrzeugs 10 im Hinblick auf verschiedene äußere Faktoren. Durch die Einbeziehung des vorhergesagten Fahrerverhaltens - einschließlich derer, die von der geplanten Route, den Verkehrsbedingungen auf der Straße und den Umweltbedingungen beeinflusst werden - ist das Verfahren besser in der Lage, eine genauere Vorhersage des Gesamtenergieverbrauchs abzuleiten.
Das Flussdiagramm 100 setzt die Summierungsoperation 119 mit prozessorausführbaren Anweisungen fort, um alle vorhergesagten Werte der ML-basierten Energieverbrauchsmodelle, die an den Prozessblöcken 107, 109, 111, 113, 115 und 117 ausgeführt werden, zu aggregieren und dadurch einen vorhergesagten Gesamtenergieverbrauch Ep(A:B) abzuleiten. Einmal aggregiert, wird der Gesamtenergieverbrauch Ep(A:B) am Prozessblock 121 angewendet, um eine geschätzte verbleibende Batterieenergie ΔE des Traktionsbatterie-Packs 14 zu berechnen, wenn das Fahrzeug 10 sein Ziel erreicht. Die verbleibende Batterieenergie ΔE kann wie folgt berechnet werden: $Δ E = \frac{Q}{100} \int_{a}^{S O C (A)} V_{o c} (S O C) d S O C - E p (A : B) - E {(T)}_{- b a t t l o s s}$
wobei a ein kalibrierter minimaler Batterie-SOC ist, um einen Traktionsbatterie-Pack in einem gesunden Zustand zu halten, SOC(A) einen aktuellen SOC an einer aktuellen Position A anzeigt, VOC(SOC) eine Leerlaufspannung des Traktionsbatterie-Packs als Funktion des SOC ist, E(T)_battloss ein Batterieenergieverlust des Traktionsbatterie-Packs als Funktion der Batterietemperatur T ist und Q die Energiekapazität des Batterie-Packs ist. In diesem Beispiel ist die erste Integration $\int_{a}^{SOC (A)} V_{oc} (SOC) dSOC$
berechnet eine geschätzte verbleibende Batterieenergie des Traktionsbatterie-Packs 14 an der aktuellen Position A des Fahrzeugs oder, wenn nicht gleichbedeutend, an der Startposition der gewünschten Strecke, die bis zur minimalen Energie a genutzt wird.
Alternativ kann die geschätzte verbleibende Batterieenergie ΔE wie folgt berechnet werden: $Δ E = (S O C (A) - a) Q_{-} E p (A : B) - E {(T)}_{- b a t t l o s s}$
Wenn der SOC einer Batterie bekannt ist, kann die Batterieenergie in Amperestunden (Ah) als Gesamtkapazität *%SOC berechnet werden. Die Batteriespannung bei offenem Stromkreis VOC ist eine starke Funktion des SOC, was das Integral nichtlinear macht; die Spannung bei offenem Stromkreis VOC kann als eine Eins-zu-Eins-Beziehung zum SOC betrachtet werden.
Nach der Berechnung der verbleibenden Batterieenergie ΔE fährt das Flussdiagramm 100 mit dem Entscheidungsblock 123 fort, um zu bestimmen, ob die Batterieleistung des Fahrzeugs 10 ausreicht, um das gewünschte Ziel auf der aktuell festgelegten Route mit dem vorhergesagten Fahrerverhalten zu erreichen. Diese Bestimmung kann im Allgemeinen die Feststellung einschließen, ob der aktuelle SOC des Traktionsbatterie-Packs 14 um mindestens einen kalibrierten Prozentsatz oder Wert über dem vorhergesagten Gesamtenergieverbrauch liegt oder nicht. In einem spezifischeren Beispiel wird der Entscheidungsblock 123 feststellen, ob die vorhergesagte verbleibende Batterieenergie ΔE größer ist als ein kalibrierter Ladungserhaltungswert Thd, der experimentell abgeleitet wird, um eine vollständige Entladung des Traktionsbatterie-Packs 14 zu verhindern und so zu einer längeren Batterielebensdauer beizutragen.
Als Reaktion auf die Feststellung, dass die verbleibende Batterieenergie ΔE wahrscheinlich größer als der kalibrierte Ladungserhaltungswert Thd ist und somit genügend Batterieleistung für das Fahrzeug 10 vorhanden ist, um das gewünschte Ziel auf der vorgesehenen Strecke zu erreichen (Entscheidungsblock 123 = JA), kann das Flussdiagramm 100 bis zum Anschlussblock 125 weitergehen und danach ohne präventive oder korrigierende Maßnahmen enden. Das Flussdiagramm 100 kann danach zur Klemme 101 zurückschleifen und in einer kontinuierlichen oder iterativen Schleife weiterlaufen.
Wenn umgekehrt festgestellt wird, dass die verbleibende Batterieenergie ΔE nicht größer als der kalibrierte Ladungserhaltungswert Thd ist und somit nicht genügend Batterieenergie für das Fahrzeug 10 vorhanden ist, um das gewünschte Ziel vor der nächsten Ladestation auf der vorgesehenen Route (Block 123 = NEIN) zu erreichen, fährt das Flussdiagramm 100 mit der Verarbeitung von Block 127 fort, der im Speicher gespeicherte, prozessorausführbare Anweisungen für den ortsansässigen Fahrzeug-Regler 26 enthält, um automatisch ein oder mehrere Befehlssignale an ein ortsansässiges Fahrzeug-Teilsystem zu senden, um eine oder mehrere präventive oder korrigierende Steuerungsoperationen auszuführen.
Beispielsweise und ohne Einschränkung kann das Flussdiagramm 100 zum Eingabe-/Ausgabeblock 105 zurückkehren, um Daten auf Straßenebene, die mit einer oder mehreren alternativen Routen (Umleitungen) verbunden sind, abzurufen und/oder neu zu berechnen. Jede der alternativen Routen kann als eine entsprechende Vorschau-Route in Übereinstimmung mit dem Rest des Flussdiagramms 100 von 2 bewertet werden. Die Fahrzeugtelematikeinheit 42 kann gleichzeitig die ursprünglich festgelegte Route und eine oder mehrere der Alternativrouten anzeigen, mit dem Hinweis, dass das aktuelle SOC wahrscheinlich nicht ausreicht, damit das Fahrzeug 10 das Ziel auf der festgelegten Route erreichen kann.
Als zusätzliche oder alternative Option kann der Prozessblock 127 Anweisungen für den Regler oder den Controller 26 bereitstellen, die mit einem Antriebsstrang-Steuermodul (PCM) koordiniert werden, um eine Reihe von verbesserten Fahrregeln mit niedrigem Energieverbrauch zu implementieren, wie z.B. das Setzen des Fahrzeugs 10 in einen „Eco-Driver-Modus“, der die Fahrzeuggeschwindigkeit und das Motordrehmoment begrenzt. In diesem Zusammenhang kann das ADAS-Modul ein oder mehrere vorbestimmte Fahrmanöver automatisieren, um die Batterieladung zu schonen, einschließlich der Einleitung der adaptiven Geschwindigkeitsregelung (ACC), die auf eine kalibrierte Geschwindigkeit eingestellt ist, die zur Optimierung der Batterieauslastung verifiziert wurde.
Zumindest für einige Anwendungen kann es wünschenswert sein, das vollständig autonome Fahren des Fahrzeugs 10 für die Dauer der Strecke zu deaktivieren. Dadurch entfällt die zusätzliche Mautgebühr, die auf das elektrische System des Fahrzeugs erhoben wird, um die verschiedenen Sensoren, Hardwarekomponenten und Prozessoren zu versorgen, die für die Automatisierung des Fahrzeugbetriebs erforderlich sind. Der gesamte Motor-/Fahrzeug-Energieverbrauch für jede Vorschau-Route kann in einer ortsansässigen oder in einem entfernten Speicher gespeicherten Kartendatenbank gespeichert werden. Optional kann das Anzeigegerät des residenten Fahrzeugnavigationssystems jede Route mit einem Hinweis auf den entsprechenden Gesamtenergieverbrauch des Motors/Fahrzeugs anzeigen.
Unter Bezugnahme auf 3 und unter weiterer Bezugnahme auf 1 und 2 wird ein Flussdiagramm oder Prozess 200 gezeigt, das Prozesse für die Fahrerklassifizierung und das adaptive Lernen illustriert, um ein angepasstes Fahrermodell zu etablieren, das das Fahrerverhalten besser vorhersagen kann. Das angepasste Fahrermodell kann verwendet werden, um ein angepasstes Fahrzyklusprofil zu erstellen, das den Energieverbrauch durch das Fahrzeug besser vorhersagen und die Reichweite des Fahrzeugs besser abschätzen kann. Das angepasste Fahrzyklusprofil sagt das Verhalten des Fahrers während der gesamten Fahrt voraus und kann äußere Einflüsse (wie Wetter, Verkehr usw.) mit einbeziehen. Das Flussdiagramm kann mit den in 1 dargestellten Strukturen verwendet werden und einige seiner Daten an andere Prozesse ausgeben, wie z.B. die in 2 oder an anderer Stelle dargestellten.
Der Prozess 200 umfasst mindestens zwei Eingaben, nämlich 210 Eingaben des Fahrers und Eingaben des Fahrzeugbestands 212. Die Fahrereingaben 210 können die Verwendung von Merkmalseingaben zur direkten Überwachung von Aktionen des Fahrers beinhalten. Zu den Merkmalseingaben gehören, ohne Einschränkung: Fahrzeuggeschwindigkeit und -beschleunigung, Pedalstellung und Pedalstellungsänderungsrate, Bremsen, Fahren, Lenkwinkel und Geschwindigkeit relativ zur Geschwindigkeitsbegrenzung (d.h. Variation über die Geschwindigkeitsbegrenzung).
Zusätzlich können Fahrerpräferenz, Fahrzeugstatus und Umwelteinflüsse in die Fahrereingaben 210 aufgenommen werden. Diese sekundären Eingaben sind mit dem Verhalten des Fahrers verbunden und können den Energieverbrauch des Fahrzeugs beeinflussen. So können beispielsweise und ohne Einschränkung die Umgebungstemperatur, die Höhe, der aktuelle Status des HVAC-Systems und andere Systemeinstellungen (wie z.B. Eco-Mode-Tempomat) in die Fahrereingaben 210 einfließen.
Die Eingaben des Fahrzeugbestands 212 werden in einer Daten-Cloud oder Cloud-Datenbank 214 gespeichert und umfassen zuvor entwickelte oder aufgezeichnete Fahrermodelle, die in die Gruppen verschiedener Fahrstile für bestimmte Fahrzeuge eingeteilt sind. Daher verfügt die Cloud-Datenbank 214 über eine Vielzahl bekannter Profile oder Modelle mit jeweils gespeicherten Verhaltensweisen, die einem bestimmten Fahrer zugeordnet sind, um den Energieverbrauch von Fahrzeugen vorherzusagen. Diese bekannten Modelle können Al-basierte oder ML-basierte Fahrermodelle und das Betriebsverhalten eines oder mehrerer der einzelnen Fahrer umfassen und werden aus den Eingaben des Fahrzeugbestands 212 gebildet.
Die Cloud-Datenbank 214 kann mit dem Cloud-Computing-System 44 der 1 identisch oder mit diesem verbunden sein, oder aber ein separates System darstellen. Beispielsweise und ohne Einschränkung können die Cloud-Datenbank 214 und das Cloud-Computing-System 44 in einen proprietären Kommunikationsdienst wie ONSTAR® integriert sein oder mit einem solchen kommunizieren.
Zu beachten ist, dass die Eingaben des Fahrzeugbestands 212 auf der Grundlage des verwendeten spezifischen Fahrzeugs oder auf der Grundlage von begrenzteren Fahrzeugklassifikationen differenziert werden können. Beispielsweise und ohne Einschränkung können spezifische Fahrzeugtypen, wie eine erste Klasse, eine zweite Klasse und eine dritte Klasse, die Eingaben des Fahrzeugbestands 212 differenzieren. Die Klassen können unterschieden werden nach, ohne Einschränkung: Limousine A, Limousine B, großes SUV A oder großes SUV B oder nach allgemeineren Fahrzeugkategorien, wie z.B. LKW, SUV oder PKW. Es ist zu beachten, dass zusätzliche Kategorien verwendet werden können und dass innerhalb desselben Fahrzeugtyps zahlreiche verschiedene spezifische Fahrzeugindikatoren, einschließlich spezifischer Ausstattungsniveaus oder Antriebsstrangkonfigurationen, verwendet werden können.
Bei den Eingaben des Fahrzeugbestands 212 kann es sich um aufgezeichnete Verhaltensweisen handeln, die mit Großdatentechniken sortiert und/oder verarbeitet werden können, oder um aufgezeichnete ML-basierte Fahrermodelle. Die Merkmale der Eingaben des Fahrzeugbestands 212 werden in der Cloud-Datenbank 214 gespeichert, so dass andere Prozesse innerhalb des Prozesses 200 auf sie zugreifen können. Die Cloud-Datenbank 214 fungiert sowohl als Input als auch als Output, da sie sowohl Informationen von den übrigen Prozessen innerhalb des Prozesses 200 empfängt als auch Informationen an diese ausgibt.
Anonyme Fahrerindikatoren oder Tags können die einzelnen Fahrermodelle identifizieren, die in der Cloud-Datenbank 214 gespeichert sind. Daher kann der Prozess 200 die Cloud-Datenbank 214 verwenden, um anonyme Verhaltensweisen mit denen des Soforttreibers zu vergleichen. Alternativ können andere Schritte oder Mechanismen Treiber-ID-Nummern und alle erkennbaren Daten vom Rest des Prozesses 200 trennen.
Die Eingaben des Fahrzeugbestands 212 dienen als Deskriptoren möglicher Fahrerverhaltensweisen und/oder Fahrermodelle, die auf den Sofortfahrer angewendet werden können. Daher stellen die Eingaben des Fahrzeugbestands 212 der Cloud-Datenbank 214 einen Speicherplatz für zahlreiche Fahrerverhalten zur Verfügung. Diese Fahrerverhaltensweisen oder -modelle können dann von anderen Teilen des Prozesses 200 verwendet werden, um mit den aktuell erfassten oder aufgezeichneten aktuellen Fahrerverhalten des Fahrzeugs zu korrelieren 10.
Bei einem Fahrer-ID-Block 216 bestimmt der Prozess 200, ob der Fahrer eine gespeicherte Fahrer-ID hat - d.h. bereits vorhandene Fahreridentifikationsinformationen oder ein bereits vorhandenes Fahrerprofil - und für welches Fahrzeug diese gespeicherte Fahrer-ID gegebenenfalls gilt. Zum Beispiel kann sich der Fahrer in die Telematikeinheit 42 einloggen, die mit dem Cloud-Computing-System 44 oder der Cloud-Datenbank 214 kommunizieren kann, um eine gespeicherte Fahrer-ID abzurufen.
Wenn die gespeicherte Fahrer-ID zeigt, dass der Fahrer bereits ein Fahrermodell für sein regelmäßig gefahrenes Fahrzeug oder ein im Wesentlichen ähnliches Fahrzeug besitzt, dann weiß der Prozess 200, dass er in der Lage ist, das erwartete Fahrerverhalten zu identifizieren und auf das Fahrzeug 10 anzuwenden. Basierend auf dieser gespeicherten ID versteht der Prozess 200, dass er auf ein dynamisches vollständiges Fahrermodell in einem Fahrermodellblock 218 zugreifen oder ein solches erstellen kann. Dieses personalisierte volldynamische Fahrermodell wird aus der gespeicherten ID für den sofortigen Fahrer gezogen.
Das volldynamische Fahrermodell, das im Fahrermodell-Block 218 implementiert ist, kann mit ausreichenden Daten durch maschinelles Lernen trainiert werden, z.B. durch eine ausreichende Historie aus dem Fahrer-ID-Block 216. Für identifizierte Fahrer kann das volldynamische Fahrer-Vollmodell zur Vorhersage des Fahrerverhaltens und damit zur Vorhersage der für den geplanten Fahrzyklus benötigten Energie verwendet werden.
In einigen Situationen kann der Fahrer-ID-Block 216 bestimmen, dass die gespeicherte Fahrer-ID für einen anderen Fahrzeugtyp gilt. In einem solchen Fall kann der Prozess 200 immer noch dieses Modell zur Vorhersage des Fahrerverhaltens verwenden. Alternativ kann der Prozess 200, wie hier erläutert, die gespeicherte Fahrer-ID für ein anderes Fahrzeug als Basis oder Ausgangspunkt für die Ableitung eines neuen ML-basierten Fahrermodells für das aktuelle Fahrzeug verwenden.
Die Verwendung von ML-basierten Fahrermodellen zur Vorhersage des Fahrverhaltens und zur Vorhersage der Fahrstrecke daraus wird unter Bezugnahme auf 2 erläutert. Zusätzliche Informationen zur Reichweitenvorhersage aus dem Fahrverhalten und/oder aus ML-basierten Fahrermodellen finden Sie in der U.S. Patentanmeldung 16/116,129 , eingereicht am 29. August 2018, die hiermit durch Verweis in ihrer Gesamtheit aufgenommen wird. Fachkundige Handwerker werden erkennen, dass aufgezeichnete ML-basierte Fahrermodelle und das Fahrverhalten, das zur Bildung dieser Modelle verwendet wird, auch die Quelle für einige der Informationen sein können, die die Eingaben des Fahrzeugbestands 212 bilden.
In vielen Situationen kann der Fahrer-ID-Block 216 feststellen, dass keine Fahrer-ID vorhanden ist, z.B. wenn der Fahrer zuvor noch nie ein Fahrzeug im System gelenkt hat oder sich nicht im System registriert hat. Das vollständige Fehlen einer Fahrer-ID kann als Kaltstart-Fahrerprofil bezeichnet werden. Zusätzlich kann der Fahrer-ID-Block 216 feststellen, dass die gespeicherte Fahrer-ID für ein anderes Fahrzeug oder eine andere Fahrzeugkategorie gilt. In diesen Situationen kann der Fahrer-ID-Block 216 interaktive Fragen stellen, z.B. mit Hilfe der HMI-Eingangssteuerung 48, fahrzeuginterner Sprachkommunikation oder mobiler Anwendungen. Diese Fragen können es dem Fahrer ermöglichen, selbst zu erkennen, ob es sich um einen sportlichen (aggressiven) Fahrer, einen normalen (neutralen) Fahrer oder einen umweltbewussten (konservativen) Fahrer handelt. Basierend auf diesen Eingaben und anderen verfügbaren Informationen des Fahrers wird der Fahrer zunächst in eine Fahrerkategorie eingestuft.
Der Prozess 200 verwendet einen Verhaltensblock 220, einen Modell-Trainingsblock 222 und einen passenden Block 224, um ein ML-basiertes, AI-basiertes oder statistikbasiertes Fahrermodell für das Kaltstartfahrerprofil zu charakterisieren und zu identifizieren. Der Verhaltensblock 220 überwacht das Fahrerverhalten, insbesondere wenn keine Fahrer-ID gespeichert ist oder die gespeicherte Fahrer-ID mit einem anderen Fahrzeug übereinstimmt. Der Modelltrainingsblock 222 trainiert ein Klassifizierungsmodell unter Verwendung von Merkmalseingabedaten, die aus einer großen Population von Fahrzeugen derselben Fahrzeugkategorie gesammelt wurden. Qualifizierte Handwerker werden erkennen, dass große Populationen für die Ausbildung des Modells ausreichen und vielleicht nur Hunderte von Fahrzeugen umfassen, aber wahrscheinlich Tausende von Fahrzeugen. Der passende Block 224 korreliert das beobachtete Fahrerverhalten mit den Modellen mit dem Modelltrainingsblock 222.
Der Verhaltensblock 220 kann während des Betriebs des Fahrzeugs Merkmalseingaben überwachen, um Informationen über den Fahrstil, z.B. auf einer Aggressivitätsskala, zu erhalten. Durch Verwendung der Merkmalseingaben überwacht und identifiziert der Prozess 200 das tatsächliche Verhalten des Fahrers, das er dann zur Ableitung, Schätzung oder Korrelation relevanter MLbasierter Fahrermodelle verwenden kann.
Der Prozess 200 verwendet den Modelltrainingsblock 222, um ein Klassifizierungsmodell zu trainieren, das die Eingabedaten von Merkmalen verwendet, die von einer großen Population von Fahrzeugen derselben Fahrzeugkategorie gesammelt wurden. Der Modelltrainingsblock 222 verwendet die Eingaben des Fahrzeugbestands 212 aus einer großen Population von Fahrzeugdaten, einschließlich des individuellen Fahrerverhaltens dieser Fahrzeuge, um die Fahrstile für die Fahrzeugpopulation zu klassifizieren, und kann in die Cloud-Datenbank 214 integriert werden oder Teil eines separaten Computersystems sein. Das trainierte Modell kann ähnliche DNA-Fahrerverhaltensweisen korrelieren und auf der Grundlage der gesamten Population in eine Aggressivitätsskala klassifizieren. Wie hier verwendet, bezieht sich ähnliche DNA auf die Übereinstimmung ähnlicher Fahreigenschaften oder Profile. Das Modelltraining kann mit Hilfe von Techniken für große Datenmengen, künstliche Intelligenz (KI) oder maschinelles Lernen (ML) durchgeführt werden, wie z.B. tief lernende neuronale Netze, Techniken zur Analyse der Hauptkomponenten, wie sie von erfahrenen Handwerkern erkannt werden.
Der Matching-Block 224 verwendet die Merkmalseingaben aus dem Verhaltensblock 220 und das Klassifizierungsmodell des Modelltrainingsblocks 222, um den Sofortfahrer auf der Aggressivitätsskala relativ zur Fahrzeugpopulation zu identifizieren. Basierend auf der neuen Klassifikation können dann die ähnlichen DNA-Fahrerverhaltensmodelle als Modell verwendet werden, um das Verhalten des Sofortfahrers abzuschätzen und daraus die Fahrreichweite vorherzusagen, selbst wenn nur wenige oder keine gespeicherten ID-Informationen vorhanden waren.
Die Aggressivitätsskala kann zum Beispiel und ohne Einschränkung eine dreistufige Differenzierung oder eine fünfstufige Differenzierung umfassen. Die dreistufige Aggressivitätsskala kann das Fahrerverhalten als aggressiv, neutral oder konservativ kategorisieren - wobei zusätzliche Kategorien möglich sind. In ähnlicher Weise kann die fünfstufige Aggressivitätsskala das Fahrerverhalten mit ganzen Zahlen kategorisieren, z. B. -2, -1, 0, 1 oder 2, wobei -2 für die aggressivsten Fahrer und 2 für die konservativsten Fahrer steht.
Die Verfahren, die Merkmalseingaben zur Klassifizierung des Fahrerverhaltens verwenden, können zum Beispiel und ohne Einschränkung: neuronale Netze, die Technik der Principal Component Analysis oder die statistische Analyse verwenden. Die Principal Component Analysis kann den größten Singulärwert einer Kovarianzmatrix verwenden [X. X^T] um den Grad der Aggressivität zu klassifizieren, wobei X eine Matrix ist und seine Spalten Zeitreihenbeobachtungen von Merkmalseingaben sind, wie z.B. Fahrzeugbeschleunigung, Gaspedalwechselrate, Geschwindigkeitsüberschreitungen usw.
Nach der Klassifikation des Fahrerverhaltens korreliert der Prozess 200 anhand des passenden Blocks 224 das Fahrerverhalten mit den fahrzeugspezifisch klassifizierten Fahrermodellen des Modelltrainingsblocks 222, basierend auf der Aggressivitätsklassifikation, die durch den Verhaltensblock 220 bestimmt wird. Der Matching-Block 224 liefert die Basispunktbestimmung für das personalisierte und fahrzeugspezifisch klassifizierte Modell, das später geändert werden kann, wenn mehr Fahrdaten des aktuellen Fahrers zur Verfügung stehen. Beispielsweise kann der Verhaltensblock 220 bestimmen, dass der Fahrer leicht aggressiv ist (-1), und der passende Block 224 zieht dann ein vorgegebenes fahrzeugspezifisch klassifiziertes Modell für leicht aggressive Fahrer der aktuellen Fahrzeugkategorie - d.h. ein leicht aggressives SUV-Fahrermodell - aus dem Modellschulungsblock 222.
In Situationen, in denen die Fahrer-ID mit einer anderen Fahrzeugklasse übereinstimmt, z.B. wenn es sich bei dem Sofortfahrzeug um ein SUV handelt, der Fahrer aber normalerweise ein Auto fährt, kann der passende Block 224 die bekannte Aggressivitätskategorie des Fahrers verwenden und diese mit dem vorgegebenen fahrzeugspezifischen klassifizierten Modell für die Sofortfahrzeugkategorie aus dem Modelltrainingsblock 222 abgleichen. Wenn es sich bei dem momentanen Fahrer beispielsweise um einen leicht konservativen (+1) Autofahrer handelt, kann der passende Block 224 das vorgegebene Fahrerprofil für leicht konservative Fahrer eines SUVs ziehen.
In einigen Konfigurationen kann ein Modifikationsblock 228 das fahrzeugspezifische klassifizierte Modell für die aktuelle Fahrzeugkategorie aus dem Modellschulungsblock 222 ändern. Insbesondere kann der Prozess 200 das grundlegende fahrzeugspezifische klassifizierte Modell ändern, insbesondere wenn es von einem anderen Fahrzeug übertragen wird. Beispielsweise und ohne Einschränkung kann ein leicht konservativer Fahrer eines Autos auf der Grundlage von Informationen aus den Fahrereingaben 210 als neutraler oder leicht aggressiver Fahrer eines SUV bestimmt werden, insbesondere wenn dieses SUV ein Mietfahrzeug ist. Daher kann Modifikationsblock 228 das fahrzeugspezifische klassifizierte Modell auf der Grundlage der Korrelation oder Paarung des tatsächlichen Verhaltens des momentanen Fahrers mit den in der Cloud-Datenbank 214 gespeicherten und vom Modelltrainingsblock 222 abgeleiteten Eingaben des Fahrzeugbestands 212 modifizieren.
In einigen Konfigurationen kann der Modifikationsblock 228, wenn der Prozess 200 über die Fahrereingaben 210 genügend Fahrverlaufsdaten gesammelt hat, direkt das sofortige Fahrerverhalten lernen oder das fahrzeugspezifische Fahrermodell durch maschinelles Lernen trainieren. Der Verhaltensblock 220 kann dann - z.B. während nachfolgender Schleifen des Prozesses 200 mit zusätzlichen Sätzen von Fahrerverhalten - bestätigen, dass die Fahrereingaben 210 im Allgemeinen mit den Verhaltensweisen übereinstimmen, die mit der gespeicherten Fahrer-ID verbunden sind, mit der das dynamische vollständige Fahrermodell erstellt wurde. Wenn diese Verhaltensweisen auf ein anderes Fahrermodell hindeuten - z.B. wenn sich ein Fahrer in das Fahrzeug einloggt, aber ein anderer Fahrer tatsächlich das Steuer übernimmt - können der Verhaltensblock 220, der Modelltrainingsblock 222 und der Matching-Block 224 die Informationen in der Cloud-Datenbank 214 verwenden, um entweder das dynamische vollständige Fahrermodell zu ändern oder zu versuchen, das sofortige Fahrerverhalten mit einem völlig neuen Modell zu korre li eren.
In einem Ausgabeblock 230 gibt der Prozess 200 ein angepasstes Fahrermodell aus dem Modifikationsblock 228 und/oder eine aktualisierte Fahrer-ID zur Verwendung durch das Fahrzeug 10 und zur Speicherung in der Cloud-Datenbank 214 aus. Die aktualisierte Fahrer-ID kann das neu überwachte Verhalten des Fahrers enthalten, möglicherweise aktualisiert, um ein neues Fahrzeug einzubeziehen, oder kann das korrelierte Fahrermodell enthalten, das durch den Abgleich von Block 224 ermittelt wurde, und/oder das angepasste Modell aus dem Modifikationsblock 228. Das angepasste Fahrermodell kann für eine verbesserte Berechnung der Fahrreichweite verwendet werden, insbesondere für vollelektrische Fahrzeuge (aber auch für Hybridfahrzeuge).
Unter Bezugnahme auf 4 und mit fortgesetztem Bezug auf 1-3 wird ein Flussdiagramm gezeigt, das einen Prozess, Algorithmus oder ein Verfahren 300 für die Fahrerklassifizierung und das adaptive Lernen veranschaulicht, um das angepasste Fahrermodell zu erstellen und es zur Berechnung der Fahrreichweite zu verwenden. Das Verfahren 300 kann ähnliche Elemente wie der in 2 gezeigte Prozess 200 enthalten, veranschaulicht jedoch ein Beispiel für einen schrittweisen Ablauf, dem das Fahrzeug 10 oder ein anderes Fahrzeug mit ausreichenden Ressourcen folgen kann. Alle Komponenten, die nicht explizit erwähnt werden, können als Teil des Fahrzeugs 10 oder eines anderen geeigneten Fahrzeugs angenommen werden, was von erfahrenen Handwerkern anerkannt wird.
Das Verfahren 300 kann von einem oder mehreren Fahrzeugsteuersystemen, wie z.B. dem Controller 26, ausgeführt werden, der über ausreichende Rechen-, Ausführungs- und Kommunikationsfähigkeiten verfügt, um jeden der hier beschriebenen Prozesse, Verfahren oder Algorithmen zu bestimmen und zu implementieren. Die in 4 dargestellten Schritte sind beispielhaft für einen bestimmten Algorithmus oder Prozess und sind nicht einschränkend - es sind keine Schritte erforderlich, und alle Schritte können optional sein, unabhängig davon, ob sie als solche gekennzeichnet sind oder nicht. Die Reihenfolge der dargestellten Schritte oder Prozesse ist ebenfalls nicht einschränkend, und wie von erfahrenen Handwerkern erkannt wird, können Schritte neu geordnet oder neu ausgerichtet werden.
Schritt 310: Starten/Initialisieren
Das Verfahren 300 darf erst dann in Betrieb genommen werden, wenn sie vom Controller 26 aufgerufen wird. Beispielsweise kann das Verfahren 300 initialisiert werden, wenn das Fahrzeug 10 eingeschaltet, entriegelt oder geöffnet wird. Das Verfahren 300 darf nur bei speziellem Aufruf ausgeführt werden, sie kann konstant laufen oder in einer Schleife iterativ ablaufen.
Zahlreiche Elemente innerhalb des Verfahrens 300 können mit Offboard-Systemen kommunizieren, wie z.B. dem Cloud Computing System 44, der Cloud-Datenbank 214 oder dem ONSTAR^®-Netzwerk. Die von den Offboard-Systemen empfangenen Inputs und die an diese gesendeten Outputs werden im Flussdiagramm jedoch nicht separat dargestellt. Geschickte Handwerker erkennen die Prozesse, die die Kommunikation mit den Offboard-Systemen, insbesondere den Cloud-Systemen, beinhalten.
Schritt 312: Feature-Eingaben überwachen
Das Verfahren 300 liest und/oder analysiert Merkmalseingaben, wenn der Fahrer das Fahrzeug sofort zu lenken beginnt. Diese Merkmalseingaben - wie Fahrzeuggeschwindigkeit und - beschleunigung, Pedalstellung und -änderung, Bremsen, Fahren, Lenkwinkel und Geschwindigkeit relativ zur Geschwindigkeitsbegrenzung - ermöglichen es dem Verfahren 300, zumindest einen ersten Satz von Fahrerverhalten zu überwachen oder zu bestimmen.
Schritt 314: Gespeicherte ID?
Bei oder kurz nach der Initiierung prüft das Verfahren 300, ob der Fahrer des aktuellen Fahrzeugs eine gespeicherte Fahrer-ID oder ein bereits vorhandenes Fahrerprofil hat. Die gespeicherte Fahrer-ID kann verwendet werden, um auf die Fahrhistorie zuzugreifen, einschließlich Aggressivitätsklassifizierungen, Fahrzeughistorie und alle zuvor entwickelten ML-basierten Fahrermodelle oder statistischen oder anderen Arten von Fahrermodellen, die für diese gespeicherte Fahrer-ID existieren.
Schritt 316: Aggressivität-Klassifizierung
Wenn keine Fahrer-ID gespeichert ist, verwendet das Verfahren 300 die Merkmalseingaben, um den ersten Satz von Fahrverhalten auf einer Aggressivitätsskala zu klassifizieren. Die Aggressivitätsskala kann drei Stufen (aggressiv, neutral oder konservativ), fünf Stufen (-2, -1, 0, 1 oder 2) oder andere Klassifizierungsgruppierungen, einschließlich Gleitskalen oder Glockenkurven mit nahezu unendlichen Differenzierungen, aufweisen. Dieser Vergleich und diese Aggressivitätsklassifizierung kann einige der Techniken verwenden, die im Zusammenhang mit dem Modelltrainingsblock 222 von 3 diskutiert wurden, wo ein Klassifizierungsmodell unter Verwendung von Merkmalseingabedaten trainiert wird, die von einer großen Population von Fahrzeugen der gleichen Fahrzeugkategorie und möglicherweise von anderen Kategorien gesammelt wurden.
Schritt 318: Modell anpassen
Nach der Bestimmung der Aggressivitätsklassifizierung findet das Verfahren 300 ein Basis- oder Startmodell für das Sofortfahrzeug, das der Aggressivitätsklassifizierung entspricht. Das Verfahren vergleicht den überwachten ersten Satz von Fahrerverhalten aus den Merkmalseingaben mit einer Vielzahl bekannter Profile, die jeweils gespeicherte Verhaltensweisen aufweisen, und ordnet diese Fahrerverhalten mindestens einem der bekannten Profile zu, um ein grundlegend angepasstes Fahrermodell zu erstellen. Der Abgleich kann das Herunterladen eines vorgegebenen Fahrermodells aus der Cloud umfassen, oder die Basismodelle - insbesondere wenn es drei Klassifikationen gibt - können im Fahrzeug gespeichert werden.
Schritt 320: ID für aktuelles Fahrzeug?
Wenn in Schritt 314 festgestellt wird, dass der Fahrer eine gespeicherte ID hat, bestimmt das Verfahren 300, ob die gespeicherte ID auf das aktuelle Fahrzeug zutrifft. Wenn die gespeicherte ID auf einen anderen Fahrzeugtyp zutrifft, geht das Verfahren 300 zurück zu Schritt 318, um ein Basismodell mit dem gespeicherten Verhaltensprofil des Fahrers abzugleichen, indem die bekannten Verhaltensweisen des Fahrers mit den bekannten, in der Cloud gespeicherten Profilen verglichen werden.
Die bekannte Aggressivitätsklassifizierung in Verbindung mit der gespeicherten ID kann verwendet werden, um ein Basis-Fahrermodell zu finden, das mit dem aktuellen Fahrzeug korreliert. Wenn die gespeicherte ID z.B. zeigt, dass der Fahrer in seinem normalen Auto ein leicht konservativer Fahrer ist, kann das Verfahren 300 das Basisfahrermodell für leicht konservative Fahrer des aktuellen Fahrzeugs ermitteln.
Wenn der Fahrer eine gespeicherte ID für das aktuelle Fahrzeug hat, verfügt das Verfahren 300 über ein Modell, das aus dem früheren Verhalten des Fahrers abgeleitet ist, oder kann aus der Cloud darauf zugreifen. Das gespeicherte Modell fungiert als Basismodell.
Schritt 330: Adaptives Modell
Nachdem ein Basismodell für den Fahrer gefunden wurde, geht das Verfahren 300 zur adaptiven Modellierung über, die zur Verbesserung des Basismodells durch bessere Vorhersage des Fahrerverhaltens verwendet werden kann. Mit kontinuierlicher oder schleifenförmiger Überwachung der Merkmalseingaben kann das Verfahren 300 das Basismodell - sei es durch Anpassung an die Aggressivitätsklassifikationen oder aus der gespeicherten Fahrer-ID bestimmt - aufgrund unterschiedlichen Fahrerverhaltens anpassen. Das Verfahren 300 kann die Merkmale der Merkmalseingaben mit ähnlichen DNA-Fahrerverhaltensmodellen korrelieren und die ähnlichen DNA-Modelle in das angepasste Modell integrieren.
Alternativ kann das Verfahren 300 das zuvor ermittelte Basismodell einfach modifizieren oder anpassen. Wenn z.B. die gespeicherte ID des Fahrers einen neutralen Fahrer eines Autos zeigt, aber die Merkmalseingaben ein leicht aggressives Verhalten im aktuellen Auto nahelegen, kann das Verfahren 300 das adaptive Modell geringfügig modifizieren, um aggressiver zu sein, aber nicht bis zu einem leicht aggressiven Fahrerprofil übergehen, da das anfängliche Verhalten eine Aberration sein kann. Aus dem angepassten Fahrermodell modelliert das Verfahren 300 ein angepasstes Fahrzyklusprofil, das das Fahrerverhalten entlang der vorhergesagten georäumlichen Route vorhersagt.
Der adaptive Modellierungsprozess kann selbstschleifend oder iterativ sein, so dass er die Merkmalseingaben überwacht, bis hinreichend sicheres Fahrerverhalten vorliegt. Alternativ verwenden nachfolgende Schleifen des Verfahrens 300 dieses adaptierte Modell als Ausgangspunkt.
Schritt 332: ID und Modell aktualisieren
Nach der Erstellung des adaptiven Modells fährt das Verfahren 300 damit fort, die gespeicherte ID des Fahrers zu aktualisieren, was den Austausch des vorherigen Basismodells durch das in Schritt 330 ermittelte adaptierte Modell einschließen kann. Die aktualisierte ID kann an die Cloud gesendet werden, so dass sie bei zukünftigen Fahrzeugen verwendet werden kann. Zusätzlich kann das Verfahren 300 das Bordsteuersystem aktualisieren, so dass das angepasste Modell für spätere Berechnungen verwendet werden kann.
Schritt 334: Schätzbereich vom dynamischen Modell
Das Verfahren 300 verwendet dann das neu aktualisierte Basismodell aus dem angepassten Modell von Schritt 330, um die Reichweite des aktuellen Fahrzeugs abzuschätzen. Dazu gehört die Modellierung des angepassten Fahrzyklusprofils für die gesamte Strecke, wie es in Bezug auf 2 diskutiert wurde, in Bezug auf die ermittelte Aggressivitätsklassifizierung. Durch die Integration der erwarteten individuellen Verhaltensweisen über die vorhergesagte Strecke ist das Verfahren 300 in der Lage, den Gesamtenergieverbrauch über die vorhergesagte Strecke abzuschätzen und die vorhergesagte Fahrreichweite des Fahrzeugs zu berechnen. Die Schätzreichweite des volldynamischen Modells kann ohne Einschränkung die Vorhersage von Fahrerreaktionen auf: Straßen-, Verkehrs- und/oder Umweltbedingungen beinhalten.
Schritt 336: Ende/Schleife
Nach Schätzung der Reichweite des Fahrzeugs fährt das Verfahren 300 entweder zum Ende oder zur Schleife. In vielen Konfigurationen wird das Verfahren 300 ständig, möglicherweise in regelmäßigen Abständen, eine Schleife bilden, während das Fahrzeug in Betrieb ist.
Die detaillierte Beschreibung und die Figuren oder Abbildungen sind unterstützend und beschreibend für den hier behandelten Gegenstand. Während einige der bevorzugten Ausführungsformen Modi und andere Ausführungsformen ausführlich beschrieben wurden, gibt es verschiedene alternative Designs, Ausführungsformen und Konfigurationen.
Darüber hinaus sind die in den Figuren gezeigten Ausführungsformen oder die Merkmale der verschiedenen in dieser Beschreibung erwähnten Ausführungsformen nicht unbedingt als voneinander unabhängige Ausführungsformen zu verstehen. Vielmehr ist es möglich, dass jedes der in einem der Ausführungsbeispiele beschriebenen Merkmale mit einem oder mehreren anderen gewünschten Merkmalen aus anderen Ausführungsformen kombiniert werden kann, was zu anderen Ausführungsformen führt, die nicht in Worten oder durch Bezugnahme auf die Zeichnungen beschrieben sind. Dementsprechend fallen solche anderen Ausführungsformen in den Rahmen des Geltungsbereichs der beigefügten Ansprüche.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 16/116129 [0078]

Claims

Ein Verfahren zur Verwendung eines Steuersystems zur Abschätzung der Reichweite eines von einem Fahrer betriebenen elektrifizierten Fahrzeugs, umfassend: Zugreifen auf eine Cloud-Datenbank, um festzustellen, ob der Fahrer eine gespeicherte Fahrer-ID hat; Einstufen des elektrifizierten Fahrzeugs in eine der folgenden Klassen: erste Klasse, zweite Klasse oder dritte Klasse; wenn die Cloud-Datenbank nicht über die gespeicherte Fahrer-ID für die Klasse des elektrifizierten Fahrzeugs verfügt: Überwachen eines ersten Satzes von Fahrerverhalten während des Betriebs des Fahrzeugs; Vergleichen des überwachten ersten Satzes von Fahrerverhalten mit einer Vielzahl bekannter Profile, die entsprechende gespeicherte Verhaltensweisen aufweisen; Abgleichen des ersten Satzes von Fahrerverhalten mit mindestens einem der bekannten Profile, um ein angepasstes Fahrermodell zu erstellen; Modellieren eines angepassten Fahrzyklusprofils auf der Grundlage des angepassten Fahrermodells; und Berechnen einer vorhergesagten Reichweite auf der Grundlage des angepassten Fahrzyklusprofils; und wenn die Cloud-Datenbank nicht über die gespeicherte Fahrer-ID für die Klasse des elektrifizierten Fahrzeugs verfügt: Modellieren des angepassten Fahrzyklusprofils auf der Grundlage eines personalisierten volldynamischen Fahrermodells, das mit der gespeicherten Fahrer-ID übereinstimmt, wobei das personalisierte volldynamische Fahrermodell durch maschinelles Lernen trainiert wird; und Berechnen der vorhergesagten Reichweite auf der Grundlage des personalisierten volldynamischen Fahrermodells.
Das Verfahren von Anspruch 1, weiter umfassend: Trainieren eines Klassifizierungsmodells durch künstliche Intelligenz oder statistischem Verfahren auf der Grundlage der Vielzahl bekannter Profile; und wenn die Cloud-Datenbank nicht über die gespeicherte Fahrer-ID für die Klasse des elektrifizierten Fahrzeugs verfügt, Klassifizieren des überwachten ersten Satzes von Fahrerverhalten als konservativ, neutral oder aggressiv, indem der erste Satz von Fahrerverhalten mit dem trainierten Klassifizierungsmodell verglichen wird, wobei die Modellierung des angepassten Fahrzyklusprofils weiterhin auf der konservativen, neutralen oder aggressiven Klassifizierung basiert.
Das Verfahren nach Anspruch 2, ferner Berechnen der vorhergesagten Reichweite, basierend auf: eine vorhergesagte georäumliche Route für das elektrifizierte Fahrzeug; Straßenbedingungen; die Verkehrsbedingungen; und Umweltbedingungen.
Das Verfahren nach Anspruch 3, wenn die Cloud-Datenbank nicht über die gespeicherte Fahrer-ID für die Klasse des elektrifizierten Fahrzeugs verfügt, ferner umfassend: Überwachen eines zweiten Satzes von Fahrerverhalten, das nach dem ersten Satz von Fahrerverhalten auftritt; Vergleichen des überwachten zweiten Satzes von Fahrerverhalten mit den bekannten Profilen; Aktualisieren des modellierten angepassten Fahrzyklusprofils auf der Grundlage des zweiten Satzes von Fahrerverhalten; und Neuberechnen der vorausberechneten Fahrstrecke auf der Grundlage des aktualisierten angepassten Fahrzyklusprofils.
Ein Verfahren zur Verwendung eines Steuersystems zur Abschätzung der Reichweite eines von einem Fahrer betriebenen elektrifizierten Fahrzeugs, umfassend Überwachen eines ersten Satzes von Fahrerverhalten während des Betriebs des Fahrzeugs; Vergleichen des überwachten ersten Satzes von Fahrerverhalten mit einer Vielzahl bekannter Profile, die entsprechende gespeicherte Verhaltensweisen aufweisen; Abgleichen des ersten Satzes von Fahrerverhalten mit mindestens einem der bekannten Profile, um ein angepasstes Fahrermodell zu erstellen; Modellieren eines angepassten Fahrzyklusprofils auf der Grundlage des angepassten Fahrermodells; und Berechnen einer vorhergesagten Reichweite des elektrifizierten Fahrzeugs auf der Grundlage des angepassten Fahrzyklusprofils.
Das Verfahren nach Anspruch 5, ferner umfassend: Einstufen des überwachten ersten Satzes von Fahrerverhalten als konservativ, neutral oder aggressiv in Bezug auf die Vielzahl bekannter Profile; und wobei die Modellierung des angepassten Fahrzyklusprofils weiterhin auf der konservativen, neutralen oder aggressiven Klassifizierung basiert.
Das Verfahren nach Anspruch 6: wobei das Klassifizieren des überwachten ersten Satzes von Fahrerverhalten das Durchführen der Klassifizierung unter Verwendung entweder der künstlichen Intelligenz oder der Hauptkomponentenanalyse auf der Grundlage von Zeitreihenbeobachtungen von Merkmalseingaben aus dem Fahrzeug umfasst, und wobei die Merkmalseingaben mindestens drei der folgenden Merkmale umfassen: Beschleunigung, Geschwindigkeit, Bremsen, Pedalstellung, Pedalstellungsänderungsrate, Variation über die Geschwindigkeitsgrenze oder Lenkwinkel.
Das Verfahren nach Anspruch 7: wobei sich die bekannten Profile in einem Cloud-Computing-System befinden, das mit dem elektrifizierten Fahrzeug in Kommunikation steht, und Zugriff auf die bekannten Profile aus dem Cloud-Computing-System.
Das Verfahren nach Anspruch 5, ferner umfassend: Bestimmen, ob der Fahrer ein bereits vorhandenes Fahrerprofil hat; und wenn der Fahrer nicht über das bereits vorhandene Fahrerprofil verfügt, Modellieren des angepassten Fahrzyklusprofils auf der Grundlage der Übereinstimmung des ersten Satzes von Fahrerverhalten mit den bekannten Profilen; und wenn der Fahrer über das bereits vorhandene Fahrerprofil verfügt, Modellieren des angepassten Fahrzyklusprofils auf der Grundlage des bereits vorhandenen Fahrerprofils.
Das Verfahren nach Anspruch 5, wobei die vorhergesagte Reichweite auf der Grundlage einer vorhergesagten georäumlichen Route für das elektrifizierte Fahrzeug weiter berechnet wird.