ES2411629A2 - Device and method for the on-line prediction of the driving cycle in an automotive vehicle - Google Patents
Device and method for the on-line prediction of the driving cycle in an automotive vehicle Download PDFInfo
- Publication number
- ES2411629A2 ES2411629A2 ES201132144A ES201132144A ES2411629A2 ES 2411629 A2 ES2411629 A2 ES 2411629A2 ES 201132144 A ES201132144 A ES 201132144A ES 201132144 A ES201132144 A ES 201132144A ES 2411629 A2 ES2411629 A2 ES 2411629A2
- Authority
- ES
- Spain
- Prior art keywords
- vehicle
- driving cycle
- prediction
- speed
- vpat
- 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.)
- Granted
Links
Classifications
-
- 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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Feedback Control In General (AREA)
Abstract
Description
Dispositivo y método para la predicción ‘on-line’ del ciclo de conducción en un vehículo automóvil Device and method for predicting ‘on-line’ driving cycle in a motor vehicle
Campo de la invención Field of the Invention
La presente invención se engloba dentro del campo de la automoción, y más concretamente dentro de los dispositivos y métodos de predicción ‘on-line’ (mientras el vehículo está en circulación) del ciclo de 5 conducción de un vehículo híbrido sobre un horizonte de predicción preseleccionado. El objetivo de la invención es suministrar la predicción realizada al subsistema de gestión energética del vehículo híbrido para que éste adapte su estrategia energética en función de dicha predicción, y de esta forma pueda reducir el consumo del vehículo así como optimizar los diferentes flujos energéticos que se dan cita en un vehículo híbrido de cara a aumentar su eficiencia energética, autonomía, y disminuir las emisiones de CO2. 10 The present invention is encompassed within the automotive field, and more specifically within the 'on-line' prediction devices and methods (while the vehicle is in circulation) of the driving cycle of a hybrid vehicle over a prediction horizon. preselected The objective of the invention is to provide the prediction made to the energy management subsystem of the hybrid vehicle so that it adapts its energy strategy based on said prediction, and thus can reduce the consumption of the vehicle as well as optimize the different energy flows that are They meet in a hybrid vehicle in order to increase their energy efficiency, autonomy, and reduce CO2 emissions. 10
Antecedentes de la invención Background of the invention
Es bien conocido el hecho de que si el ciclo de conducción (velocidad vehículo = f (tiempo)) y el ciclo de pendientes o gradientes del terreno (gradiente = f (tiempo)) se conociera de antemano, sería posible calcular una estrategia energética óptima para el sistema de propulsión de un vehículo híbrido-eléctrico que minimice una función de coste compuesta por términos relacionados con el consumo, emisiones, y/o 15 eficiencia energética, entre otros, del vehículo. It is well known that if the driving cycle (vehicle speed = f (time)) and the cycle of slopes or gradients of the terrain (gradient = f (time)) were known in advance, it would be possible to calculate an optimal energy strategy for the propulsion system of a hybrid-electric vehicle that minimizes a cost function composed of terms related to the consumption, emissions, and / or energy efficiency, among others, of the vehicle.
Para alcanzar el óptimo global existen tres inconvenientes o barreras que superar: To reach the global optimum there are three drawbacks or barriers to overcome:
1) El ciclo de conducción a realizar por el conductor no se conoce a priori. Incluso aunque se conociera el destino final y trayecto a realizar, el ciclo de conducción depende del estilo de conducción que esté llevando el conductor y de posibles perturbaciones relacionadas con el entorno 20 de conducción tales como congestión de tráfico, condiciones meteorológicas, limitaciones de velocidad por obras, etc. 1) The driving cycle to be performed by the driver is not known a priori. Even if the final destination and route to be performed are known, the driving cycle depends on the driving style the driver is carrying and possible disturbances related to the driving environment 20 such as traffic congestion, weather conditions, speed limitations by works, etc.
2) Aunque el ciclo de conducción se conociera de antemano, es necesario tener bien modelado el comportamiento del vehículo de cara a poder construir la función de coste que resulta al plantear el problema de optimización. 25 2) Even if the driving cycle was known in advance, it is necessary to have the vehicle's behavior well modeled in order to be able to build the cost function that results when raising the optimization problem. 25
3) Una vez planteado el problema de optimización es necesario resolverlo para calcular el óptimo global. Destacar en este sentido de que se trata de la resolución de un problema de optimización no-lineal, no-convexo y no-cuadrático, por lo que: (i) no existe solución explícita o analítica del mismo, y (ii) existen técnicas para encontrar el óptimo global tales como la Programación Dinámica (DP) pero se trata de técnicas computacionalmente intratables en sistemas de control ‘on-line’ en tiempo real. 30 De esta forma, se deben realizar ciertas aproximaciones al problema para su resolución con un coste computacional adecuado. Así, la solución se acercará al óptimo global pero éste no se podrá alcanzar (estrategias subóptimas). 3) Once the optimization problem has been raised, it is necessary to solve it to calculate the global optimum. Highlight in this sense that it is the resolution of a non-linear, non-convex and non-quadratic optimization problem, so that: (i) there is no explicit or analytical solution to it, and (ii) there are techniques to find the global optimum such as Dynamic Programming (DP) but these are computationally intractable techniques in real-time online control systems. 30 In this way, certain approaches to the problem must be made for resolution with an adequate computational cost. Thus, the solution will approach the global optimum but this cannot be achieved (suboptimal strategies).
La presente invención se centra en el desarrollo de un sistema o dispositivo que contribuya a resolver el primer inconveniente o barrera relacionado con el conocimiento a priori del ciclo de conducción 35 que realizará el vehículo. De esta forma, este sistema o dispositivo obtiene la predicción ‘on-line’ del ciclo de conducción futuro (velocidad* = f* (tiempo)) y el ciclo de pendientes o gradientes del terreno (gradiente* = f* (tiempo)) sobre un horizonte de predicción preseleccionado, enviando esta predicción al sistema de gestión energética del vehículo híbrido-eléctrico. Por tanto, el sistema de gestión energética del vehículo podrá utilizar esta predicción en el planteamiento del problema de optimización energético y la resolución o búsqueda de 40 una solución (gestión energética / reparto de potencia-energía en el sistema de propulsión) óptima y cercana a la solución óptima global. The present invention focuses on the development of a system or device that contributes to solving the first inconvenience or barrier related to the prior knowledge of the driving cycle 35 that the vehicle will perform. In this way, this system or device obtains the 'on-line' prediction of the future driving cycle (speed * = f * (time)) and the cycle of slopes or gradients of the terrain (gradient * = f * (time)) over a preselected prediction horizon, sending this prediction to the energy management system of the hybrid-electric vehicle. Therefore, the vehicle energy management system may use this prediction in the approach to the problem of energy optimization and the resolution or search for a solution (energy management / power-energy distribution in the propulsion system) that is optimal and close to The optimal global solution.
El modelo de un conductor se refiere a la representación mediante formulaciones matemáticas o algoritmos inteligentes del comportamiento del conductor de un vehículo, es decir, de las tareas del conductor, para analizar o inferir qué acciones toma éste con dicho vehículo. 45 The model of a driver refers to the representation by mathematical formulations or intelligent algorithms of the behavior of the driver of a vehicle, that is, of the driver's tasks, to analyze or infer what actions he takes with said vehicle. Four. Five
En la referencia bibliográfica [1] (Boyraz, Sathyanarayana, & Hansen, 2009) se detallan distintos algoritmos o técnicas de modelado de conductor. Los modelos eran inicialmente lineales, siendo reemplazados gradualmente por modelos no lineales, probabilísticos y con técnicas inteligentes como lógica borrosa y redes neuronales, según se detalla en la referencia bibliográfica [2] (Panou, Bekiaris, & Papakostopoulos, 2007). Sin embargo, las últimas tendencias del modelado del conductor apuntan hacia una 50 combinación de algunas o todas las técnicas anteriormente mencionadas, denominando a este grupo de modelos híbridos. En esta clasificación habría que añadir autómatas tipo Mealy empleados en [3] (Kiencke & Nielsen, “Road and Driver Models”, 2005) para la lógica de control de las maniobras del vehículo. In the bibliographic reference [1] (Boyraz, Sathyanarayana, & Hansen, 2009) different algorithms or driver modeling techniques are detailed. The models were initially linear, being gradually replaced by nonlinear, probabilistic and intelligent techniques such as fuzzy logic and neural networks, as detailed in the bibliographic reference [2] (Panou, Bekiaris, & Papakostopoulos, 2007). However, the latest trends in driver modeling point to a combination of some or all of the techniques mentioned above, calling this group of hybrid models. In this classification, Mealy type automatons used in [3] (Kiencke & Nielsen, "Road and Driver Models", 2005) should be added to the control logic of vehicle maneuvers.
Una aproximación más amplia relaciona el modelo del conductor junto con el modelo puramente dinámico del coche, así como con el entorno del conductor y su vehículo, es decir, la ciudad y los demás conductores. De esta forma, podemos definir distintos tipos de modelos de conductor atendiendo a la realidad que mejor quieren representar. A broader approach relates the driver's model along with the purely dynamic model of the car, as well as the driver's environment and his vehicle, that is, the city and the other drivers. In this way, we can define different types of driver models according to the reality that they best want to represent.
Existen muchos campos de aplicación de dichos modelos y la tendencia en las últimas décadas es 5 que tengan cada vez mayor repercusión, [2] (Panou, Bekiaris, & Papakostopoulos, 2007). Si agrupamos las diferentes aplicaciones bajo paraguas comunes, tenemos principalmente tres corrientes, a las cuales añadiremos una cuarta según los últimos trabajos realizados en este campo. There are many fields of application of these models and the trend in recent decades is 5 that have increasing impact, [2] (Panou, Bekiaris, & Papakostopoulos, 2007). If we group the different applications under common umbrellas, we have mainly three currents, to which we will add a fourth according to the latest work done in this field.
1. El comportamiento del conductor atendiendo a los procesos cognitivos y fisiológicos 1. Driver behavior attending to cognitive and physiological processes
a. Análisis del comportamiento del conductor 10 to. Driver behavior analysis 10
b. Inferencia del comportamiento del conductor b. Inference of driver behavior
c. Entrenamiento y asesoría de conductores C. Driver training and advice
2. El control del vehículo 2. Vehicle control
a. Simulación y el prototipado to. Simulation and prototyping
b. Dinámica vehicular 15 b. Vehicle dynamics 15
c. Sistemas de control para ayuda a la conducción y seguridad (ABS, ESC, control de tracción…) C. Control systems for driving assistance and safety (ABS, ESC, traction control ...)
d. La conducción autónoma d. Autonomous driving
3. Simulación del tráfico 3. Traffic simulation
a. Microscópico to. Microscopic
b. Macroscópico 20 b. Macroscopic 20
4. Estrategias energéticas 4. Energy strategies
La primera de ellas se centra en las características del comportamiento humano del conductor, es decir, el análisis de dicho comportamiento, su interpretación de gestos y emociones por una parte y la inferencia de ese comportamiento en el control del vehículo, maniobras y estrategia de conducción. Dentro de este paraguas, resulta clarividente incluir el modelo jerárquico de control de Michon (1985). La primera 25 distinción que hace es la de diferenciar entre modelo externos de tipo entrada-salida y los de tipo interno, de estados. La otra distinción se refiere a la de modelos funcionales o modelos de taxonomía. Michon afirma que los modelos son generalmente “bottom-up” (internos) y que los “top-down” son generalmente inespecíficos y demasiado simplificados. Su modelo tipo proceso cognitivo, el Modelo de Control Jerárquico (“Hierarchical Control Model”), divide la tarea de conducción en tres niveles acoplados y jerárquicos: 30 The first of these focuses on the characteristics of the driver's human behavior, that is, the analysis of said behavior, his interpretation of gestures and emotions on the one hand and the inference of that behavior in the control of the vehicle, maneuvers and driving strategy . Within this umbrella, it is clairvoyant to include the hierarchical control model of Michon (1985). The first distinction he makes is to differentiate between external models of the input-output type and those of the internal type of states. The other distinction refers to that of functional models or taxonomy models. Michon states that the models are generally "bottom-up" (internal) and that the "top-down" are generally nonspecific and too simplified. Its cognitive process model, the Hierarchical Control Model, divides the driving task into three coupled and hierarchical levels: 30
1. El nivel estratégico: planificación del trayecto, elección de ruta 1. The strategic level: path planning, route choice
2. El de maniobrabilidad: relaciona al conductor con los demás vehículos 2. The maneuverability: relates the driver to the other vehicles
3. El nivel de control: se refiere al nivel del control del vehículo 3. The control level: refers to the vehicle control level
Un cuarto nivel sería el nivel de puramente de comportamiento, [2] (Panou, Bekiaris, & Papakostopoulos, 2007). Otra oportuna clasificación del comportamiento del conductor es la que distingue 35 entre el seguimiento de una trayectoria deseada y la de la estabilidad ante perturbaciones. A fourth level would be the level of purely behavior, [2] (Panou, Bekiaris, & Papakostopoulos, 2007). Another timely classification of driver behavior is the one that distinguishes between tracking a desired trajectory and that of disturbance stability.
El segundo grupo de aplicaciones se centra en la tarea puramente de control del vehículo. Este grupo tiene una correlación directa con el nivel de control de Michon. El control de un vehículo se divide en dos, control longitudinal (acelerador y freno) y control lateral (volante). Se considera a Tustin (1947) como el primero en publicar un modelo de conductor matemáticamente. A él se unieron después realizando 40 aportaciones de interés McRuer & Krendel, Ragazzini y Jackson ([4] Abe, 2009). The second group of applications focuses on the purely vehicle control task. This group has a direct correlation with Michon's level of control. The control of a vehicle is divided into two, longitudinal control (accelerator and brake) and lateral control (steering wheel). Tustin (1947) is considered the first to publish a driver model mathematically. He was joined later by making 40 contributions of interest McRuer & Krendel, Ragazzini and Jackson ([4] Abe, 2009).
Aunque en un principio el control longitudinal y el lateral se controlaban de forma independiente, las últimas aportaciones relacionan ambos controles, ya que una influencia en la otra ([1] Boyraz, Sathyanarayana, & Hansen, 2009). Estos controles se estudian en conjunto con las diferentes maniobras del vehículo. Las tres principales son mantenimiento en el carril, cambio de carril y control de velocidad según las 45 señales y seguimiento a un vehículo. Para una exhaustivo resumen crítico de estas técnicas referirse a [5] Although the longitudinal and lateral control were initially controlled independently, the last contributions relate both controls, since one influence on the other ([1] Boyraz, Sathyanarayana, & Hansen, 2009). These controls are studied in conjunction with the different maneuvers of the vehicle. The main three are lane maintenance, lane change and speed control according to the 45 signals and vehicle tracking. For an exhaustive critical summary of these techniques refer to [5]
(Khodayari, Ghaffari, Ameli, & Flahatgar, 2010). Por encima de estos controles, específicos a cada maniobra, tendríamos una lógica de decisión para establecer qué maniobra es la adecuada a cada situación. La referencia [3] (Kiencke & Nielsen, Road and Driver Models, 2005) propone un autómata de Mealy. (Khodayari, Ghaffari, Ameli, & Flahatgar, 2010). Above these controls, specific to each maneuver, we would have a decision logic to establish which maneuver is appropriate for each situation. Reference [3] (Kiencke & Nielsen, Road and Driver Models, 2005) proposes a Mealy automaton.
El tercer tipo de modelos se centra en la simulación del tráfico, tanto de forma microscópica (comportamiento individual sobre el tráfico) como macroscópica (entornos grandes con varios conductores) 5 ([6] Fernandez, 2010). The third type of model focuses on traffic simulation, both microscopically (individual behavior on traffic) and macroscopic (large environments with several drivers) 5 ([6] Fernandez, 2010).
El cuarto tipo de modelos se refiere a aquellos usados en la búsqueda de un sistema de gestión energética óptima para vehículos híbridos. La importancia del modelo de conductor en estas aplicaciones se debe a que su comportamiento influye de manera importante en la distribución energética. The fourth type of models refers to those used in the search for an optimal energy management system for hybrid vehicles. The importance of the driver model in these applications is due to the fact that its behavior has an important influence on the energy distribution.
En la referencia bibliográfica [7] (Froberg & Nielsen, 2008) se desarrolla un nuevo modelo de 10 conductor específicamente para simulaciones inversas dinámicas con el fin de optimizar los tiempos de simulación empleados en la búsqueda de estrategias energéticas y de propulsión. Su objetivo es la eficiencia de la simulación de ciclos de conducción, no su implementación en tiempo real. In the bibliographic reference [7] (Froberg & Nielsen, 2008) a new 10-conductor model is developed specifically for dynamic inverse simulations in order to optimize the simulation times used in the search for energy and propulsion strategies. Its objective is the efficiency of the simulation of driving cycles, not their implementation in real time.
Sin embargo, además del efecto del conductor, también influye considerablemente el tipo de vía, la situación del tráfico, el modo de operación y la tendencia en la conducción ([8] Murphey Y., 2008). La clave 15 de esta problemática está en la predicción del comportamiento del conductor y su entorno para determinar así el modo de operación óptimo. Tan solo recientemente se han enfocado los esfuerzos de investigación en este camino. Los algoritmos empleados se basan en parte en técnicas inteligentes. However, in addition to the effect of the driver, the type of road, the traffic situation, the mode of operation and the driving trend also influence considerably ([8] Murphey Y., 2008). The key 15 of this problem is in the prediction of the driver's behavior and its environment to determine the optimal mode of operation. Only recently have research efforts focused on this path. The algorithms used are based in part on intelligent techniques.
Un trabajo relevante es el de la referencia [9] (Langari & Won, 2005). Su trabajo presenta un sistema identificación del ciclo de conducción mediante una red neuronal LQV y un sistema de lógica borrosa con la 20 finalidad de mejorar la gestión energética (IEMA). Analizando el ciclo de conducción actual, trata de identificarlo comparándolo con 9 ciclos de conducción previamente seleccionadas de diferentes vías. Por lo tanto la predicción no tiene en cuenta los datos reales del entorno en un futuro, sino que los estima a partir de ciclos tipo. A relevant work is that of the reference [9] (Langari & Won, 2005). His work presents a driving cycle identification system through an LQV neural network and a fuzzy logic system with the purpose of improving energy management (IEMA). Analyzing the current driving cycle, try to identify it by comparing it with 9 previously selected driving cycles of different routes. Therefore the prediction does not take into account the real data of the environment in the future, but estimates them from type cycles.
De una forma muy similar, en la referencia [10] (Murphey, y otros, 2008) se desarrolla su propio 25 algoritmo y lo aplican a un vehículo convencional consiguiendo reducciones de combustible de hasta el 2.68% en tiempo real. Subrayan que la mejora con un algoritmo de DP (Dynamic Programming) en off-line es de 2.81%. Su sistema IPC está basado en redes neuronales para la predicción del entorno de conducción actual. Después lo analizan con ciclos de conducción tipo para su identificación. Una evolución de este mismo algoritmo la podemos encontrar en [11] (Park, y otros, 2009). Al igual que el anterior, no se tiene en 30 cuenta los datos reales del entorno en un futuro. In a very similar way, in reference [10] (Murphey, et al., 2008) its own algorithm is developed and applied to a conventional vehicle achieving fuel reductions of up to 2.68% in real time. They emphasize that the improvement with an off-line DP (Dynamic Programming) algorithm is 2.81%. Its IPC system is based on neural networks for the prediction of the current driving environment. Then they analyze it with type driving cycles for identification. An evolution of this same algorithm can be found in [11] (Park, and others, 2009). Like the previous one, the real data of the environment in the future is not taken into account.
Otro algoritmo similar es el mostrado en la referencia [12] (Huang, Tan, & He, 2010). Primero realizan un análisis estadístico del ciclo de conducción muestreado en tiempo real y después predicen las condiciones de la conducción mediante un SVM (“support vector machine”) y una red neuronal. Su precisión es de un 95%. Sin embargo, basa toda su predicción en los datos recogidos en el tiempo real por lo que no 35 incluye datos reales del entorno en un futuro. Another similar algorithm is the one shown in reference [12] (Huang, Tan, & He, 2010). First they perform a statistical analysis of the driving cycle sampled in real time and then predict the driving conditions using an SVM (“support vector machine”) and a neural network. Its accuracy is 95%. However, it bases all its prediction on the data collected in real time, so it does not include real data from the environment in the future.
Otra aproximación al problema es mediante el reconocimiento del patrón de conducción mediante lógica borrosa y la posterior predicción mediante Hidden Markov Models ([13] Montazeri- Gh, Ahmadi, & Asadi, 2008). Al usar lógica borrosa, no se garantiza el óptimo. Another approach to the problem is by recognizing the driving pattern through fuzzy logic and the subsequent prediction using Hidden Markov Models ([13] Montazeri- Gh, Ahmadi, & Asadi, 2008). When using fuzzy logic, the optimum is not guaranteed.
El éxito de la estrategia de control depende en gran medida en la calidad de esa predicción así como 40 en la longitud de dicha predicción ([14] Koot, Kessels, Jager, Heemels, den, & Steinbuch, 2005). El algoritmo empleado debe ser óptimo, si bien, por la complejidad del problema se llegue a un quasi óptimo. Para incluir la mayor información posible del entorno del conductor, se deberían obtener datos del estado de la carretera y congestión del tráfico y del tipo de vía y sus límites de velocidad. Con la ayuda de los sistemas de navegación modernos, tipo GPS, sería posible la obtención de estos datos. Esta tecnología puede redundar 45 en una mayor eficiencia y precisión en la predicción del comportamiento del conductor, y con ello el del sistema de propulsión inteligente, algo fundamental en la eficiencia global de los vehículos híbridos eléctricos. The success of the control strategy depends largely on the quality of that prediction as well as 40 on the length of that prediction ([14] Koot, Kessels, Jager, Heemels, den, & Steinbuch, 2005). The algorithm used must be optimal, although, due to the complexity of the problem, a quasi optimum is reached. To include as much information as possible about the driver's environment, data on the state of the road and traffic congestion and the type of road and its speed limits should be obtained. With the help of modern GPS navigation systems, it would be possible to obtain this data. This technology can result in greater efficiency and precision in the prediction of driver behavior, and with that of the intelligent propulsion system, something fundamental in the overall efficiency of electric hybrid vehicles.
Bibliografía Bibliography
[1] Boyraz, P., Sathyanarayana, A., & Hansen, J. H. (2009). “Driver behavior modeling using hybrid dynamic systems for ‘driver-aware’ active vehicle safety. (ESV) Enhanced Safety for Vehicles”, -, 50 13-15. [1] Boyraz, P., Sathyanarayana, A., & Hansen, J. H. (2009). “Driver behavior modeling using hybrid dynamic systems for‘ driver-aware ’active vehicle safety. (ESV) Enhanced Safety for Vehicles ”, -, 50 13-15.
[2] Panou, M., Bekiaris, E., & Papakostopoulos, V. (2007). Modelling Driver Behaviour in European Union and International Projects. En Modelling Driver Behaviour in Automotive Environments (págs. 3-25). Springer London. [2] Panou, M., Bekiaris, E., & Papakostopoulos, V. (2007). Modeling Driver Behavior in European Union and International Projects. In Modeling Driver Behavior in Automotive Environments (pp. 3-25). Springer London
[3] Kiencke, U., & Nielsen, L. (2005). Road and Driver Models. En Automotive Control Systems (págs. 425-464). Springer Berlin Heidelberg. 5 [3] Kiencke, U., & Nielsen, L. (2005). Road and Driver Models. In Automotive Control Systems (pp. 425-464). Springer Berlin Heidelberg. 5
[4] Abe, M. (2009). Vehicle Handling Dynamics. El Sevier. [4] Abe, M. (2009). Vehicle Handling Dynamics. The Sevier
[5] Khodayari, A., Ghaffari, A., Ameli, S., & Flahatgar, J. (2010). A historical review on lateral and longitudinal control of autonomous vehicle motions., (págs. 421-429). [5] Khodayari, A., Ghaffari, A., Ameli, S., & Flahatgar, J. (2010). A historical review on lateral and longitudinal control of autonomous vehicle motions., (Pp. 421-429).
[6] Fernandez, A. (2010). Simulación del comportamiento de los conductores mediante agentes inteligentes. Universidad Complutense Madrid. 10 [6] Fernandez, A. (2010). Simulation of driver behavior through intelligent agents. Complutense University Madrid. 10
[7] Froberg, A., & Nielsen, L. (2008). Efficient Drive Cycle Simulation. Vehicular Technology, IEEE Transactions on, 57, 1442-1453. [7] Froberg, A., & Nielsen, L. (2008). Efficient Drive Cycle Simulation. Vehicular Technology, IEEE Transactions on, 57, 1442-1453.
[8] Murphey, Y. (2008). Intelligent Vehicle Power Management - An Overview. En Computacional Intelligence in Automotive Applications (Vol. 132, págs. 223-251). Springer Berlin / Heidelberg. [8] Murphey, Y. (2008). Intelligent Vehicle Power Management - An Overview. In Computational Intelligence in Automotive Applications (Vol. 132, pp. 223-251). Springer Berlin / Heidelberg.
[9] Langari, R., & Won, J.-S. (2005). Intelligent energy management agent for a parallel hybrid vehicle-part I: 15 system architecture and design of the driving situation identification process. Vehicular Technology, IEEE Transactions on, 54, 925-934. [9] Langari, R., & Won, J.-S. (2005). Intelligent energy management agent for a parallel hybrid vehicle-part I: 15 system architecture and design of the driving situation identification process. Vehicular Technology, IEEE Transactions on, 54, 925-934.
[10] Murphey, Y., Chen, Z. H., Kiliaris, L., Park, J., Kuang, M., Masrur, A., y otros. (2008). Neural learning of driving environment prediction for vehicle power management., (págs. 3755-3761). [10] Murphey, Y., Chen, Z. H., Kiliaris, L., Park, J., Kuang, M., Masrur, A., and others. (2008). Neural learning of driving environment prediction for vehicle power management., (Pp. 3755-3761).
[11] Park, J., Chen, Z., Kiliaris, L., Kuang, M., Masrur, M., Phillips, A., y otros. (2009). Intelligent Vehicle 20 Power Control Based on Machine Learning of Optimal Control Parameters and Prediction of Road Type and Traffic Congestion. Vehicular Technology, IEEE Transactions on, 58, 4741-4756. [11] Park, J., Chen, Z., Kiliaris, L., Kuang, M., Masrur, M., Phillips, A., and others. (2009). Intelligent Vehicle 20 Power Control Based on Machine Learning of Optimal Control Parameters and Prediction of Road Type and Traffic Congestion. Vehicular Technology, IEEE Transactions on, 58, 4741-4756.
[12] Huang, X., Tan, Y., & He, X. (2010). An Intelligent Multifeature Statistical Approach for the Discrimination of Driving Conditions of a Hybrid Electric Vehicle. Intelligent Transportation Systems, IEEE Transactions on, PP, 1-13. 25 [12] Huang, X., Tan, Y., & He, X. (2010). An Intelligent Multifeature Statistical Approach for the Discrimination of Driving Conditions of a Hybrid Electric Vehicle. Intelligent Transportation Systems, IEEE Transactions on, PP, 1-13. 25
[13] Montazeri-Gh, M., Ahmadi, A., & Asadi, M. (2008). Driving condition recognition for eneticfuzzy HEV Control., (págs. 65-70). [13] Montazeri-Gh, M., Ahmadi, A., & Asadi, M. (2008). Driving condition recognition for eneticfuzzy HEV Control., (Pp. 65-70).
[14] Koot, M., Kessels, J., Jager, B. d., Heemels, W., den, P. v., & Steinbuch, M. (2005). Energy management strategies for vehicular electric power systems. Vehicular Technology, IEEE Transactions on, 54, 771-782. 30 [14] Koot, M., Kessels, J., Jager, B. d., Heemels, W., den, P. v., & Steinbuch, M. (2005). Energy management strategies for vehicular electric power systems. Vehicular Technology, IEEE Transactions on, 54, 771-782. 30
Descripción de la invención Description of the invention
La presente invención consiste en un dispositivo y un método de predicción ‘on-line’ (mientras el vehículo está en circulación) del ciclo de conducción en un vehículo sobre un horizonte de predicción preseleccionado. El dispositivo propuesto está basado en una estrategia de predicción compuesta por una etapa de pre-procesamiento de las entradas recibidas, una red neuronal artificial (RNA), y una etapa de post-35 procesamiento de cara a la obtención de la predicción. La estrategia se apoya en tres fuentes de información principales: The present invention consists of a device and an "online" prediction method (while the vehicle is in circulation) of the driving cycle in a vehicle over a preselected prediction horizon. The proposed device is based on a prediction strategy composed of a pre-processing stage of the received inputs, an artificial neural network (RNA), and a post-processing stage in order to obtain the prediction. The strategy is based on three main sources of information:
- --
- Ejemplos/datos utilizados para el entrenamiento de la red neuronal artificial. Examples / data used for training the artificial neural network.
- --
- Base de datos de tráfico (señales de tráfico según trayecto a realizar). Traffic database (traffic signals according to the route to be made).
- --
- Sistema de navegación generación II con información de tráfico en tiempo real. Utilización de la 40 información (eventos y estado de tráfico) que facilitan este tipo de sistemas de manera anticipada. Generation II navigation system with real-time traffic information. Use of the information (events and traffic status) that facilitate this type of systems in advance.
El dispositivo predice el ciclo de conducción futuro (velocidad Vs tiempo, y gradiente del trayecto Vs tiempo) mientras el vehículo se encuentra en circulación. Para ello, el dispositivo utiliza cierta información (medidas) del ciclo de conducción realizado en el pasado reciente, así como cierta información (proveniente de los nuevos sistemas de navegación que están conectados con sistemas de gestión del tráfico en tiempo 45 The device predicts the future driving cycle (speed Vs time, and path gradient Vs time) while the vehicle is in circulation. For this, the device uses certain information (measurements) of the driving cycle carried out in the recent past, as well as certain information (coming from the new navigation systems that are connected with time management systems 45
real, sistemas de generación II)) de carácter anticipativo relacionada con los próximos eventos de tráfico que ocurrirán en el trayecto que se está realizando. real, generation systems II)) of an anticipatory nature related to the next traffic events that will occur on the route being made.
El objetivo principal de este dispositivo y método es el de suministrar la predicción realizada al subsistema de gestión energética del vehículo híbrido para que éste adapte su estrategia energética en función de dicha predicción, y de esta forma, pueda reducir el consumo del vehículo así como optimizar los 5 diferentes flujos energéticos que se dan cita en un vehículo híbrido de cara a aumentar su autonomía y disminuir las emisiones de CO2. The main objective of this device and method is to provide the prediction made to the energy management subsystem of the hybrid vehicle so that it adapts its energy strategy based on said prediction, and in this way, can reduce vehicle consumption as well as optimize the 5 different energy flows that come together in a hybrid vehicle in order to increase its autonomy and reduce CO2 emissions.
El dispositivo propuesto dispone de un canal de comunicaciones para conectarse al sistema de navegación de generación II del vehículo, y un canal de comunicación más para conectarse al subsistema (Unidad de Control Electrónico, ECU) que realiza las funciones de gestión energética en un vehículo híbrido. 10 The proposed device has a communications channel to connect to the vehicle's generation II navigation system, and one more communication channel to connect to the subsystem (Electronic Control Unit, ECU) that performs the energy management functions in a hybrid vehicle . 10
El dispositivo/método propuesto recibe la medida de velocidad actual del vehículo, así como información del subsistema de navegación relacionada con información del trayecto que se está realizando (límites de velocidad, pendientes de la carretera,…), así como información en tiempo real de eventos de tráfico que están ocurriendo en los próximos puntos por los que va a circular el vehículo (atascos, retenciones,…). 15 The proposed device / method receives the current vehicle speed measurement, as well as information from the navigation subsystem related to the information of the route being made (speed limits, road slopes, ...), as well as real-time information of traffic events that are occurring in the next points through which the vehicle will circulate (traffic jams, retentions, ...). fifteen
Esta información (medida de velocidad y información del sistema de navegación) es pre-procesada y utilizada como entrada en una red neuronal con una topología específica la cuál obtiene dos salidas principalmente. La primera salida se corresponde con la predicción del ciclo de conducción (velocidad Vs tiempo*) realizada sobre un horizonte de predicción seleccionado (normalmente dado en Km), mientras que la segunda salida se corresponde con la predicción del ciclo de pendientes (pendiente Vs tiempo*) sobre el 20 horizonte seleccionado. El dispositivo y método propuesto, además obtiene una tercera salida relacionada con el estilo de conducción que lleva el conductor. Para la obtención de esta tercera salida, se utiliza un sistema de inferencia borroso utilizando determinadas reglas expertas que se basan en determinados parámetros que se están obteniendo utilizando las medidas del ciclo de conducción del pasado reciente. This information (speed measurement and navigation system information) is pre-processed and used as an input in a neural network with a specific topology which mainly obtains two outputs. The first output corresponds to the prediction of the driving cycle (speed Vs time *) made on a selected prediction horizon (normally given in Km), while the second output corresponds to the prediction of the slope cycle (slope Vs time *) over the 20 horizon selected. The proposed device and method also obtains a third output related to the driver's driving style. To obtain this third output, a fuzzy inference system is used using certain expert rules that are based on certain parameters that are being obtained using the measurements of the driving cycle of the recent past.
Destacar finalmente que el algoritmo y técnica de predicción propuesta (basada en red neuronal, 25 sistema de inferencia borroso y etapas de pre-procesamiento y post-procesamiento de la información) funciona en “on-line” mientras el vehículo está circulando, calculando y obteniendo nuevas predicciones (actualización de la predicción) en cada instante de muestreo seleccionado para el mismo. Finally, it should be pointed out that the algorithm and prediction technique proposed (based on the neural network, 25 blurred inference system and stages of pre-processing and post-processing of information) works on-line while the vehicle is circulating, calculating and obtaining new predictions (update of the prediction) in each instant of sampling selected for it.
La red neuronal utilizada trata de obtener la función no lineal que mejor aproxima a la circulación actual del vehículo-conductor. Para ello, esta red va aprendiendo de una manera gradual mediante los ciclos de 30 conducción que finalmente se van realizando, el comportamiento del vehículo y los diferentes modos de conducción del conductor habitual. Por tanto, se trata de un dispositivo/método que posee la capacidad de autoaprendizaje. The neural network used tries to obtain the non-linear function that best approximates the current circulation of the driver-vehicle. To do this, this network gradually learns through the driving cycles that are finally carried out, the behavior of the vehicle and the different driving modes of the usual driver. Therefore, it is a device / method that has the capacity for self-learning.
A modo de diferencias con respecto a otros sistemas similares se puede destacar que este dispositivo/método no trata de caracterizar o clasificar el ciclo de conducción que se está realizando (como lo 35 hacen la mayoría de los sistemas/técnicas revisadas) de acuerdo con unos ciclos patrón, y a partir de esta clasificación tomar acciones en función de un sistema basado en reglas, sino que el dispositivo propuesto obtiene la predicción utilizando información tomada del pasado reciente de la conducción y de información futura de eventos de tráfico integrándose de esta forma con sistemas de navegación que utilizan las nuevas tecnologías (redes móviles, gestión de tráfico, conexión a servidores de gestión y supervisión del tráfico, etc.) 40 con el objetivo de construir en “on-line” (mientras se circula) el ciclo de conducción más probable que seguirá el vehículo-conductor en los próximos kilómetros del trayecto que se está realizando. Además el dispositivo/método propuesto es capaz de realizar la predicción sin conocer de antemano el destino final del trayecto, aunque es de mayor precisión y exactitud y ofrece gran potencial si la ruta y/o destino final es conocida de antemano: marcada en el sistema de navegación por el conductor o incluso reconocible por el 45 propio sistema (trayectos realizados habitualmente). De esta forma, si el destino final y ruta que se está realizando es conocida de antemano, el horizonte de predicción seleccionado puede ser muy grande obteniendo una precisión alta en la predicción. Sin embargo, si el destino final y ruta no se conoce, el horizonte de predicción seleccionado debería ser menor si se desea mantener precisión en la predicción, o de lo contrario (horizontes de predicción grandes) la precisión de la predicción podría verse afectada, debido a 50 que el sistema o dispositivo se debe decantar (o debe adivinar) por una ruta, de entre todas las posibles, que el conductor va a seguir, en base a probabilidades y datos estadísticos. Cabe destacar, que aunque el destino/ruta no se conozca de antemano, el dispositivo seguiría funcionando aunque con cierta penalización en la precisión. Además, y debido a que las predicciones se realizan on-line (mientras que el vehículo circula), éstas se van renovando cada instante de muestreo y por tanto las decisiones de ruta que va 55 tomando el conductor se tienen en cuenta en el “recálculo” de las predicciones en cada instante de muestreo. By way of differences with respect to other similar systems, it can be emphasized that this device / method does not attempt to characterize or classify the driving cycle that is being carried out (as most of the systems / techniques reviewed do) according to some pattern cycles, and from this classification take actions based on a system based on rules, but the proposed device obtains the prediction using information taken from the recent past of the driving and future information of traffic events integrating in this way with systems of navigation using new technologies (mobile networks, traffic management, connection to traffic management and monitoring servers, etc.) 40 with the aim of building the driving cycle on-line (while driving) It is likely that the vehicle-driver will follow in the next kilometers of the journey being made. In addition, the proposed device / method is capable of making the prediction without knowing in advance the final destination of the route, although it is of greater precision and accuracy and offers great potential if the route and / or final destination is known in advance: marked on the system of navigation by the driver or even recognizable by the system itself (routes usually taken). In this way, if the final destination and route being performed is known in advance, the selected prediction horizon can be very large, obtaining a high accuracy in the prediction. However, if the final destination and route is unknown, the prediction horizon selected should be smaller if it is desired to maintain prediction accuracy, or else (large prediction horizons) the accuracy of the prediction could be affected, because to 50 that the system or device should be chosen (or guessed) by a route, among all possible, that the driver will follow, based on probabilities and statistical data. It should be noted that although the destination / route is not known in advance, the device would continue to work although with a certain penalty in accuracy. In addition, and because the predictions are made online (while the vehicle is driving), they are renewed every moment of sampling and therefore the route decisions taken by the driver are taken into account in the “recalculation ”Of the predictions at each sampling moment.
El método para la predicción ‘on-line’ del ciclo de conducción en un vehículo automóvil comprende: The method for predicting the online cycle of driving in a motor vehicle includes:
- --
- una etapa de pre-procesamiento de datos que a su vez comprende: a stage of pre-processing of data that in turn comprises:
• recibir la velocidad del vehículo; • receive vehicle speed;
• recibir información de tráfico correspondiente al trayecto previsto para el vehículo dentro de al menos un horizonte de predicción considerado; • receive traffic information corresponding to the planned route for the vehicle within at least one forecast horizon considered;
• obtener, a partir de la información de tráfico recibida, un ciclo de conducción de referencia 5 correspondiente al trayecto previsto dentro de al menos dicho horizonte de predicción; • obtain, from the traffic information received, a reference driving cycle 5 corresponding to the planned path within at least said prediction horizon;
• calcular el desvío de la velocidad del vehículo con respecto al ciclo de conducción de referencia; • calculate the deviation of the vehicle speed from the reference driving cycle;
- --
- una etapa de procesamiento de datos mediante una red neuronal, que comprende obtener de manera recursiva los desvíos previstos para el horizonte de predicción, utilizando para ello como entradas de 10 la red neuronal los desvíos de velocidad previamente calculados y correspondientes al pasado reciente en un número de muestras de retardo así como información relativa al ciclo de conducción de referencia que contiene información perteneciente tanto al pasado reciente en un número de muestras de retardo como al futuro próximo en un número de muestras de futuro próximo; a stage of data processing by means of a neural network, which comprises recursively obtaining the deviations foreseen for the prediction horizon, using for this purpose as inputs of the neural network the previously calculated speed deviations corresponding to the recent past in a number of delay samples as well as information relating to the reference driving cycle containing information pertaining to both the recent past in a number of delay samples and the near future in a number of samples of the near future;
- --
- una etapa de post-procesamiento de datos que comprende obtener, a partir de los desvíos 15 previstos y el ciclo de conducción de referencia para el horizonte de predicción, la velocidad estimada para dicho horizonte de predicción. a data post-processing step comprising obtaining, from the planned deviations 15 and the reference driving cycle for the prediction horizon, the estimated speed for said prediction horizon.
La etapa de pre-procesamiento de datos puede comprender recibir información de eventos de tráfico correspondiente al trayecto previsto para el vehículo dentro de al menos el horizonte de predicción, y donde para la obtención del ciclo de conducción de referencia se emplea también dicha información de eventos de 20 tráfico recibida. The data preprocessing step may comprise receiving traffic event information corresponding to the intended path for the vehicle within at least the prediction horizon, and where to obtain the reference driving cycle said event information is also used of 20 traffic received.
La red neuronal es preferentemente una red neuronal dinámica recurrente de topología NARX, previamente entrenada. The neural network is preferably a recurrent dynamic neuronal network of NARX topology, previously trained.
En una realización preferida en la etapa de pre-procesamiento de datos la velocidad del vehículo se muestrea según un determinado tiempo de muestreo, y la obtención del ciclo patrón de referencia y el cálculo 25 del desvío de la velocidad del vehículo con respecto al ciclo de conducción de referencia se realiza para cada tiempo de muestreo. In a preferred embodiment in the data preprocessing stage the vehicle speed is sampled according to a certain sampling time, and the obtaining of the reference standard cycle and the calculation of the vehicle speed deviation from the vehicle cycle Reference driving is done for each sampling time.
La información relativa al ciclo de conducción de referencia puede comprender una velocidad patrón adelantada un número de muestras de futuro próximo, el cual es equivalente a la distancia de visión del conductor y la anticipación del conductor ante próximos cambios en la situación del tráfico. 30 The information relating to the reference driving cycle may comprise an advanced standard speed a number of near-future samples, which is equivalent to the driver's viewing distance and the driver's anticipation of upcoming changes in the traffic situation. 30
La información de tráfico puede incluir adicionalmente al menos una de las siguientes informaciones: Traffic information may additionally include at least one of the following information:
- --
- los límites de velocidad; speed limits;
- --
- información del tipo de vía; track type information;
- --
- las pendientes de la carretera; the slopes of the road;
- --
- las señales de tráfico del trayecto previsto. 35 Road signs of the planned route. 35
La información de eventos de tráfico puede incluir información relativa a al menos uno de los siguientes: Traffic event information may include information regarding at least one of the following:
- --
- estado del tráfico; traffic status;
- --
- límites de velocidad por motivo de obras en la carretera; speed limits due to road works;
- --
- condiciones de visibilidad; 40 visibility conditions; 40
- --
- condiciones del asfalto. asphalt conditions.
La información de tráfico y la información de eventos de tráfico son preferentemente recibidas dentro del intervalo [p, p+H] siendo p la posición actual del vehículo y H el horizonte de predicción seleccionado. Traffic information and traffic event information are preferably received within the range [p, p + H] with p being the current position of the vehicle and H the selected prediction horizon.
El método puede comprender obtener el estilo de conducción del conductor del vehículo según unos cálculos que dependen de un parámetro relativo al modo de cálculo del estilo de conducción seleccionado, 45 donde los modos de cálculo están basados en al menos uno de los siguientes: The method may comprise obtaining the driving style of the driver of the vehicle according to calculations that depend on a parameter relative to the calculation mode of the selected driving style, 45 where the calculation modes are based on at least one of the following:
- --
- cálculo basado en transformada de Fourier de un vector formado por los valores de velocidad del vehículo correspondientes al pasado reciente; Fourier transform based calculation of a vector formed by vehicle speed values corresponding to the recent past;
- --
- cálculo basado en la variación media de la velocidad sobre un periodo de tiempo; calculation based on the average variation of the speed over a period of time;
- --
- cálculo basado en los tiempos de reacción del conductor. calculation based on driver reaction times.
Es objeto también de la presente invención un dispositivo para la predicción ‘on-line’ del ciclo de 5 conducción en un vehículo automóvil , que comprende: The object of the present invention is also a device for the "online" prediction of the driving cycle in a motor vehicle, comprising:
- --
- medios de comunicación configurados para recibir la velocidad del vehículo y para recibir de un sistema de navegación información de tráfico correspondiente al trayecto previsto para el vehículo dentro de al menos un horizonte de predicción considerado; communication means configured to receive the vehicle speed and to receive traffic information from a navigation system corresponding to the intended route for the vehicle within at least one predicted horizon considered;
- --
- medios de procesamiento de datos configurados para: 10 data processing media configured for: 10
• obtener, a partir de la información de tráfico recibida por los medios de comunicación, un ciclo de conducción de referencia correspondiente al trayecto previsto dentro de al menos dicho horizonte de predicción; • obtain, from the traffic information received by the communication media, a reference driving cycle corresponding to the planned path within at least said prediction horizon;
• calcular el desvío de la velocidad del vehículo con respecto al ciclo de conducción de referencia; 15 • calculate the deviation of the vehicle speed from the reference driving cycle; fifteen
• obtener de manera recursiva, mediante una red neuronal, los desvíos previstos para el horizonte de predicción, utilizando para ello como entradas de la red neuronal los desvíos de velocidad previamente calculados y correspondientes al pasado reciente en un número de muestras de retardo así como información relativa al ciclo de conducción de referencia que contiene información perteneciente tanto al pasado reciente en un número de muestras de retardo como al 20 futuro próximo en un número de muestras de futuro próximo; • recursively obtain, by means of a neural network, the deviations foreseen for the prediction horizon, using the speed deviations previously calculated and corresponding to the recent past in a number of delay samples as well as information as inputs of the neural network relative to the reference driving cycle that contains information pertaining to both the recent past in a number of delay samples and the near future in a number of samples of the near future;
• obtener, a partir de los desvíos previstos y el ciclo de conducción de referencia para el horizonte de predicción, la velocidad estimada para dicho horizonte de predicción. • obtain, from the planned deviations and the reference driving cycle for the prediction horizon, the estimated speed for said prediction horizon.
Los medios de comunicación pueden estar adicionalmente configurados para recibir, del sistema de navegación, información de eventos de tráfico correspondiente al trayecto previsto para el vehículo dentro de 25 al menos el horizonte de predicción, y donde los medios de procesamiento de datos están configurados para obtener el ciclo de conducción de referencia empleando también dicha información de eventos de tráfico recibida por los medios de comunicación. The communication means may be additionally configured to receive, from the navigation system, traffic event information corresponding to the planned route for the vehicle within at least the prediction horizon, and where the data processing means are configured to obtain the reference driving cycle also using said traffic event information received by the media.
Los medios de procesamiento de datos están preferentemente configurados para muestrear la velocidad del vehículo según un determinado tiempo de muestreo y para obtener el ciclo patrón de referencia 30 y el cálculo del desvío de la velocidad del vehículo con respecto al ciclo de conducción de referencia para cada tiempo de muestreo. The data processing means are preferably configured to sample the vehicle speed according to a specific sampling time and to obtain the reference standard cycle 30 and the calculation of the vehicle speed deviation from the reference driving cycle for each sampling time.
El dispositivo puede comprender también el propio módulo de navegación. The device may also comprise the navigation module itself.
Los medios de procesamiento de datos pueden estar configurados para realizar el cálculo de predicción mientras el vehículo está en circulación y cada vez que el vehículo avanza una distancia 35 seleccionada mediante un parámetro. The data processing means may be configured to perform the prediction calculation while the vehicle is in circulation and each time the vehicle advances a selected distance by means of a parameter.
Breve descripción de los dibujos Brief description of the drawings
A continuación se pasa a describir de manera muy breve una serie de dibujos que ayudan a comprender mejor la invención y que se relacionan expresamente con una realización de dicha invención que se presenta como un ejemplo no limitativo de ésta. 40 A series of drawings that help to better understand the invention and that expressly relate to an embodiment of said invention which is presented as a non-limiting example thereof is described very briefly below. 40
La Figura 1 muestra la estructura del sistema de predicción de ciclo de conducción propuesto en la presente invención. Figure 1 shows the structure of the driving cycle prediction system proposed in the present invention.
La Figura 2 muestra la estrategia para la predicción del ciclo de conducción. Figure 2 shows the strategy for the prediction of the driving cycle.
La Figura 3 representa un ciclo de conducción real y ciclo patrón en función del punto kilométrico. Figure 3 represents a real driving cycle and standard cycle as a function of the kilometric point.
La Figura 4 muestra una estructura de la red neuronal NARX propuesta. 45 Figure 4 shows a structure of the proposed NARX neural network. Four. Five
La Figura 5 muestra una realización concreta, con sus entradas y salidas, de la red neuronal NARX para un modo de realización de la presente invención. Figure 5 shows a concrete embodiment, with its inputs and outputs, of the NARX neural network for an embodiment of the present invention.
La Figura 6 muestra un esquema con los componentes del dispositivo de predicción objeto de la presente invención. Figure 6 shows a diagram with the components of the prediction device object of the present invention.
Descripción detallada de la invención Detailed description of the invention
La estructura del dispositivo de predicción del ciclo de conducción propuesto se presenta en la Figura 1 a modo de caja negra con entradas y salidas. 5 The structure of the predicted driving cycle prediction device is presented in Figure 1 as a black box with inputs and outputs. 5
Tal y como se puede observar, el dispositivo de predicción de ciclo de conducción 100 tiene como entradas la medida de velocidad instantánea del vehículo (en Km/h) y dos entradas específicas referentes a la información de tráfico obtenidas mediante un sistema de navegación 104, Información de Tráfico (HTI, “Horizon Traffic Information”) e Información de Eventos de Tráfico (HTEI, “Horizon Traffic Events Information”). La entrada Información de Tráfico (HTI) contiene los límites de velocidad, las pendientes de la 10 carretera y las señales de tráfico en el horizonte de predicción considerado. La entrada Información de Eventos de Tráfico (HTEI) contiene información como estado/fluidez del tráfico, obras, visibilidad y condiciones del asfalto. El horizonte de predicción (H) es el intervalo de predicción del ciclo de conducción. As can be seen, the driving cycle prediction device 100 has as inputs the instantaneous speed of the vehicle (in km / h) and two specific inputs referring to the traffic information obtained by a navigation system 104, Traffic Information (HTI, “Horizon Traffic Information”) and Traffic Event Information (HTEI, “Horizon Traffic Events Information”). The Traffic Information (HTI) entry contains the speed limits, the slopes of the road and the traffic signals on the forecast horizon considered. The Traffic Event Information (HTEI) entry contains information such as traffic status / flow, works, visibility and asphalt conditions. The prediction horizon (H) is the prediction interval of the driving cycle.
A continuación se explican en detalle los parámetros de entrada del dispositivo de predicción de ciclo de conducción 100: 15 The input parameters of the 100: 15 driving cycle prediction device are explained in detail below.
- --
- Encendido (EN): Activación del dispositivo de predicción de ciclo de conducción 100, realizado a través del sistema de encendido 102 o del propio gestor energético del vehículo (EMS) 108. Esta entrada se utiliza para sincronizar el sistema con la aplicación que utilizará las predicciones realizadas. Cuando esta entrada es activada a “1”, se utiliza el flanco de subida para establecer la variable tiempo a 0 (t=0) y la estrategia de predicción y cálculo de las salidas es iniciada. 20 Ignition (EN): Activation of the driving cycle prediction device 100, performed through the ignition system 102 or the vehicle's own energy manager (EMS) 108. This input is used to synchronize the system with the application that will use the Predictions made. When this input is activated at “1”, the rising edge is used to set the time variable to 0 (t = 0) and the prediction and calculation strategy of the outputs is initiated. twenty
- --
- Velocidad Vehículo (Vsp): Velocidad instantánea del vehículo (normalmente dado en Km/h). Esta entrada (medida) podrá ser obtenida o bien del sistema de navegación del vehículo 104 (tal y como muestra la Figura 1) o bien de la unidad de control del vehículo por medio del bus de comunicaciones del mismo. Vehicle Speed (Vsp): Instantaneous vehicle speed (usually given in Km / h). This input (measurement) may be obtained either from the navigation system of the vehicle 104 (as shown in Figure 1) or from the vehicle control unit by means of its communications bus.
- --
- Información de Tráfico (“Horizon Traffic Information”, HTI): Entrada tipo estructura, obtenida del sistema de navegación del vehículo 104 con información del tráfico en tiempo real, que contiene los 25 siguientes vectores: Traffic Information (“Horizon Traffic Information”, HTI): Entrance type structure, obtained from the vehicle navigation system 104 with real-time traffic information, which contains the following 25 vectors:
* Vector Límites_de_Velocidad (‘Horizon Speed Limits’, HTI_HSL): Vector que contiene los límites de velocidad en condiciones ideales de circulación existentes en el intervalo [p, p+H], siendo p la posición actual del vehículo y H el horizonte de predicción seleccionado (normalmente dado en Km). Se trata por tanto de los límites de velocidad definidos por tráfico (señales de tráfico 30 correspondientes a los límites de velocidad) existentes en el trayecto que se está realizando. El tamaño de este vector depende de la resolución deseada (parámetro H_Resol (normalmente en Km)) y del tamaño del horizonte de predicción seleccionado H. De esta forma el tamaño vendrá dado por: Tamaño = H / H_Resol. Indicar que en lugar de dicho vector Límites_de_Velocidad se podría sustituir por cualquier otro vector que suministre información a partir de la cual el dispositivo 35 pueda deducir los límites de velocidad; por ejemplo, el tipo de vía (autopista, carretera de ancho arcén, etc.) cuando no haya una limitación mayor. * Vector Speed Limits ('Horizon Speed Limits', HTI_HSL): Vector containing the speed limits under ideal conditions of circulation existing in the interval [p, p + H], where p is the current position of the vehicle and H the prediction horizon selected (usually given in Km). It is therefore the speed limits defined by traffic (traffic signals 30 corresponding to the speed limits) existing in the path being made. The size of this vector depends on the desired resolution (parameter H_Resol (usually in Km)) and the size of the selected prediction horizon H. In this way the size will be given by: Size = H / H_Resol. Indicate that instead of said vector Speed Limits could be replaced by any other vector that provides information from which the device 35 can deduce the speed limits; for example, the type of road (highway, shoulder-width road, etc.) when there is no major limitation.
* Vector Pendientes_de_la_Carretera (‘Horizon Road Slopes’, HTI_HRS): Vector que contiene el valor de las pendientes de la carretera en % existentes en el intervalo [p, p+H] siendo p la posición actual del vehículo y H el horizonte de predicción seleccionado. El tamaño de este vector 40 depende de la resolución deseada (parámetro H_Resol) y del tamaño del horizonte de predicción seleccionado H. De esta forma el tamaño vendrá dado por: Tamaño = H / H_Resol. * Vector Slopes_of_the_Road ('Horizon Road Slopes', HTI_HRS): Vector containing the value of the slopes of the road in% existing in the interval [p, p + H] where p is the current position of the vehicle and H the prediction horizon selected. The size of this vector 40 depends on the desired resolution (parameter H_Resol) and the size of the selected prediction horizon H. In this way the size will be given by: Size = H / H_Resol.
* Vector Señales_de_Stop (‘Horizon Stop Signals’, HTI_HSS): Vector que contiene las próximas señales de stop, ceda el paso, semáforos y peajes de carretera existentes dentro del intervalo [p, p+H] siendo p la posición actual del vehículo y H el horizonte de predicción 45 seleccionado. El tamaño de este vector depende de la resolución deseada (parámetro H_Resol) y del tamaño del horizonte de predicción seleccionado H. De esta forma el tamaño vendrá dado por: Tamaño = H / H_Resol. Los valores que contiene el vector podrán ser, a modo de ejemplo: * Vector Signs_of_Stop ('Horizon Stop Signals', HTI_HSS): Vector containing the next stop signs, yields, traffic lights and road tolls existing within the interval [p, p + H] where p is the current position of the vehicle and H the prediction horizon 45 selected. The size of this vector depends on the desired resolution (parameter H_Resol) and the size of the selected prediction horizon H. In this way the size will be given by: Size = H / H_Resol. The values contained in the vector may be, by way of example:
0 => no hay señal. 0 => there is no signal.
1 => Señal de stop. 50 1 => Stop signal. fifty
2 => Señal de ceda el paso. 2 => Yield signal the step.
3 => peaje 3 => toll
4 => semáforo 4 => traffic light
Tal y como se puede observar se trata de información que se conoce de antemano según el trayecto que se esté realizando. Los sistemas de navegación poseen esta información en sus bases de datos y podrían darla de manera anticipativa sobre el horizonte de predicción seleccionado. As you can see, it is information that is known in advance according to the path being made. Navigation systems have this information in their databases and could give it in advance on the selected prediction horizon.
- --
- Información de Eventos de Tráfico (“Horizon Traffic Events Information”, HTEI): Entrada tipo 5 estructura que contiene los siguientes vectores: Traffic Event Information (HTEI): Type 5 structure that contains the following vectors:
* Vector Estado_de_Tráfico (“Horizon Traffic State”, HTEI_HTS): Vector que contiene el estatus del tráfico dentro del intervalo [p, p+H] siendo p la posición actual del vehículo y H el horizonte de predicción seleccionado. El tamaño de este vector depende de la resolución deseada (parámetro H_Resol) y del tamaño del horizonte de predicción seleccionado H. De esta forma el 10 tamaño vendrá dado por: Tamaño = H / H_Resol. Los valores que contiene este vector dependen del estado del tráfico dentro del horizonte de predicción seleccionado el cuál vendrá dado por el sistema de navegación y su información de tráfico en tiempo real. Cada elemento del vector podrá tener distintos valores, a modo de ejemplo los siguientes: * Vector Traffic_Status (“Horizon Traffic State”, HTEI_HTS): Vector containing the traffic status within the interval [p, p + H] where p is the current position of the vehicle and H the selected prediction horizon. The size of this vector depends on the desired resolution (parameter H_Resol) and the size of the selected prediction horizon H. Thus, the size will be given by: Size = H / H_Resol. The values contained in this vector depend on the state of the traffic within the selected prediction horizon which will be given by the navigation system and its real-time traffic information. Each element of the vector may have different values, as an example the following:
0 => Tráfico muy fluido. 15 0 => Very fluid traffic. fifteen
1 => Tráfico fluido. 1 => Fluent traffic.
2 => Tráfico denso. 2 => Dense traffic.
3 => Tráfico muy denso. 3 => Very dense traffic.
4 => Tráfico parado. 4 => Traffic stopped.
* Vector Obras_en_la_Carretera (‘Horizon Road Works’, HTEI_HRW): Vector que contiene 20 los límites de velocidad por motivo de obras o trabajos en la carretera existentes dentro del intervalo [p, p+H] siendo p la posición actual del vehículo y H el horizonte de predicción seleccionado. El tamaño de este vector depende de la resolución deseada (parámetro H_Resol) y del tamaño del horizonte de predicción seleccionado H. De esta forma el tamaño vendrá dado por: Tamaño = H / H_Resol. Los valores que contiene este vector dependen de las obras en la carretera dentro del 25 horizonte de predicción seleccionado el cuál vendrá dado por el sistema de navegación y su información de tráfico en tiempo real. * Vector Works_in_the_Road ('Horizon Road Works', HTEI_HRW): Vector containing 20 speed limits due to works or road works existing within the interval [p, p + H] where p is the current position of the vehicle and H the prediction horizon selected. The size of this vector depends on the desired resolution (parameter H_Resol) and the size of the selected prediction horizon H. In this way the size will be given by: Size = H / H_Resol. The values contained in this vector depend on the works on the road within the selected prediction horizon which will be given by the navigation system and its real-time traffic information.
* Variable Condiciones_de_Visibilidad (‘Horizon Visibility’, HTEI_HV): Variable que contiene el estatus de las condiciones de visibilidad (efecto de la niebla, lluvia o nieve) dentro del horizonte seleccionado. Podrá tener los siguientes valores, a modo de ejemplo: 30 * Variable Visibility Conditions (‘Horizon Visibility’, HTEI_HV): Variable that contains the status of visibility conditions (fog, rain or snow effect) within the selected horizon. It may have the following values, as an example: 30
0 => Visibilidad buena. 0 => Visibility good.
1 => Visibilidad media. 1 => Average visibility.
2 => Visibilidad mala. 2 => Bad visibility.
3 => Visibilidad muy mala. 3 => Very bad visibility.
* Variable Condiciones_del_Asfalto (‘Horizon Road Condition’, HTEI_HRC): Variable que 35 contiene el estatus en el que se encuentra el asfalto de la carretera (efecto del hielo, agua, etc.) dentro del horizonte seleccionado. Podrá tener los siguientes valores, a modo de ejemplo: * Variable Conditions_of_Asphalt (‘Horizon Road Condition’, HTEI_HRC): Variable that contains the status of the asphalt of the road (effect of ice, water, etc.) within the selected horizon. It may have the following values, as an example:
0 => Asfalto en buenas condiciones. 0 => Asphalt in good condition.
1 => Asfalto un poco resbaladizo. 1 => A bit slippery asphalt.
2 => Asfalto resbaladizo. 40 2 => Slippery asphalt. 40
3 => Asfalto muy resbaladizo. 3 => Very slippery asphalt.
Tal y como se puede observar, en este caso estas variables no se conocen de antemano y tienen un carácter dinámico. Los sistemas de navegación a emplear deberán tener la característica de poder obtener la información de tráfico y eventos en tiempo real. En la actualidad ya se empiezan a comercializar algún tipo de modelo que puede obtener este tipo de información en tiempo real. Para ello, los dispositivos o bien se 45 conectan a sistemas de gestión de tráfico vía comunicaciones (RDS, 802.11x, etc.) o bien obtienen la información creando redes de comunicación cuyos usuarios son los sistemas de navegación embarcados en As you can see, in this case these variables are not known beforehand and have a dynamic character. The navigation systems to be used must have the characteristic of being able to obtain traffic information and events in real time. Currently, some type of model that can obtain this type of information in real time is already being commercialized. For this, the devices either connect to traffic management systems via communications (RDS, 802.11x, etc.) or obtain the information by creating communication networks whose users are the navigation systems embarked on
vehículos. Estos vehículos/usuarios comparten información con un servidor que infiere el estado del tráfico en base a las medidas de velocidad y posición que recibe de los diferentes vehículos que forman la red. En la actualidad existen modelos de sistemas de navegación que comparten información de varios millones de usuarios/vehículos en determinadas zonas o regiones geográficas. vehicles. These vehicles / users share information with a server that infers traffic status based on the speed and position measurements it receives from the different vehicles that make up the network. Currently there are models of navigation systems that share information from several million users / vehicles in certain geographical areas or regions.
El dispositivo de predicción de ciclo de conducción 100 emplea los siguientes parámetros: 5 The driving cycle prediction device 100 uses the following parameters: 5
- --
- Tiempo de muestreo (“Sampling Time”, ST): Tiempo de muestreo seleccionado expresado en segundos. Variable de tipo real. El dispositivo de predicción de ciclo de conducción 100 muestrea la entrada de velocidad instantánea del vehículo Vsp según el valor introducido en este parámetro. Sampling Time (ST): Selected sampling time expressed in seconds. Real type variable. The driving cycle prediction device 100 samples the instantaneous speed input of the vehicle Vsp according to the value entered in this parameter.
- Nivel Filtro de Kalman (“Kalman Filter Level”, KFL): El dispositivo de predicción de ciclo de conducción 100 filtra en tiempo real la entrada de velocidad instantánea del vehículo Vsp según el valor 10 introducido (entre 0 y 4) en este parámetro. - Kalman Filter Level (KFL): The driving cycle prediction device 100 filters in real time the instantaneous speed input of the Vsp vehicle according to the value 10 entered (between 0 and 4) in this parameter .
- --
- Horizonte de Predicción (“Predictive Horizon”, H): Horizonte de predicción deseado, expresado normalmente en Km. Desde la posición del vehículo actual (p) se realizará la predicción sobre el horizonte seleccionado: p -> p + H Prediction Horizon (“Predictive Horizon”, H): Prediction horizon desired, normally expressed in Km. From the current vehicle position (p) the prediction will be made on the selected horizon: p -> p + H
- --
- Resolución de Horizonte (“Horizon Resolution”, H_Resol): Resolución deseada para el horizonte 15 seleccionado, expresado normalmente en Km. Por ejemplo, para un horizonte de predicción H = 10Km, si seleccionamos un valor de H_Resol = 0.01Km, el tamaño del vector horizonte de predicción será de 1000 elementos. Además este parámetro representa cada cuántos kilómetros de avance del vehículo se realiza/recalcula la predicción, por ejemplo si H_Resol = 0.05Km, la predicción se efectuará/recalculará cada 50m de avance del vehículo. 20 Horizon Resolution (“Horizon Resolution”, H_Resol): Desired resolution for the selected horizon 15, normally expressed in Km. For example, for a prediction horizon H = 10Km, if we select a value of H_Resol = 0.01Km, the size of the Vector horizon prediction will be 1000 items. In addition this parameter represents how many kilometers of vehicle advance the prediction is made / recalculated, for example if H_Resol = 0.05Km, the prediction will be made / recalculated every 50m of vehicle advance. twenty
- --
- Número de muestras de retardo (“Delay Sample Number”, DSN): Número de muestras seleccionadas para conformar el pasado reciente. Por ejemplo un valor de 40, hace que la distancia considerada como pasado reciente sea de 40xH_Resol (Km), es decir el pasado reciente serían los últimos 40xH_Resol Kilómetros. Number of delay samples (“Delay Sample Number”, DSN): Number of samples selected to conform to the recent past. For example, a value of 40 means that the distance considered as recent past is 40xH_Resol (Km), that is, the recent past would be the last 40xH_Resol Kilometers.
- --
- Número de muestras futuro próximo (“Future Sample Number”, FSN): Número de muestras 25 seleccionadas para conformar el futuro próximo. Por ejemplo un valor de 2, hace que la distancia considerada como futuro próximo sea de 2xH_Resol (Km), es decir el futuro próximo serían los próximos 2xH_Resol kilómetros. Normalmente este parámetro es elegido para que la distancia considerada como futuro próximo sea equivalente a la distancia de visión, anticipación y reacción del conductor. Por ejemplo, un valor de FSN que haga que la distancia del futuro próximo sea de 0.2 Km, quiere decir que el alcance de visión y por tanto 30 de anticipación del conductor ante próximos cambios en los límites de velocidad (señales de tráfico) es de 200 metros. Number of future samples (“Future Sample Number”, FSN): Number of samples 25 selected to form the near future. For example, a value of 2 means that the distance considered as near future is 2xH_Resol (Km), that is, the near future would be the next 2xH_Resol kilometers. Normally this parameter is chosen so that the distance considered as near future is equivalent to the distance of vision, anticipation and reaction of the driver. For example, a value of FSN that makes the distance of the near future is 0.2 km, which means that the scope of vision and therefore 30 anticipation of the driver in the face of upcoming changes in speed limits (traffic signals) is 200 meters.
- --
- Modo de cálculo del estilo de conducción (“Driving Style Calculation Mode”, DSCM): Modo de cálculo del estilo de conducción del conductor. Mediante este parámetro se selecciona el modo en el que el dispositivo calcula el estilo de conducción. Los modos de cálculo pueden ser: Cálculo basado en la 35 transformada de Fourier (valor medio y valor del primer armónico o señal fundamental) (DSCM = 1), cálculo basado en la variación media de la velocidad sobre un periodo de tiempo (DSCM = 2), o cálculo basado en los tiempos de reacción del conductor (DSCM = 3). Driving Style Calculation Mode (DSCM): Driver's driving style calculation mode. This parameter selects the mode in which the device calculates the driving style. The calculation modes can be: Calculation based on the Fourier transform (mean value and value of the first harmonic or fundamental signal) (DSCM = 1), calculation based on the average variation of the speed over a period of time (DSCM = 2), or calculation based on driver reaction times (DSCM = 3).
El dispositivo de predicción de ciclo de conducción 100 obtiene las siguientes salidas, mostradas en la Figura 1, las cuales son suministradas a una unidad externa 108, que puede ser el sistema de gestión 40 energética del vehículo (EMS, Energy Management System) o cualquier otra aplicación de terceros: The driving cycle prediction device 100 obtains the following outputs, shown in Figure 1, which are supplied to an external unit 108, which can be the vehicle's energy management system 40 (EMS) or any Other third party application:
- - -
- Velocidad Estimada (V*sp): Se realiza la predicción de la velocidad sobre el horizonte H, en el espacio y en el tiempo. En concreto: Estimated Speed (V * sp): The prediction of the velocity over the H horizon, in space and time, is made. Specific:
• V*sp [p, p+H)]: se estima la velocidad en el intervalo espacial [p, p+H)], siendo p la posición actual del vehículo y H el horizonte de predicción seleccionado. 45 • V * sp [p, p + H)]: the velocity in the spatial interval [p, p + H)] is estimated, with p being the current position of the vehicle and H the prediction horizon selected. Four. Five
• V*sp [t, t+TH]: se estima la velocidad en el intervalo temporal [t, t+TH], siendo t el instante de tiempo actual y TH (s) el tiempo estimado en que el vehículo alcanzará el horizonte de predicción. • V * sp [t, t + TH]: the speed is estimated in the time interval [t, t + TH], where t is the current time instant and TH (s) the estimated time the vehicle will reach the horizon Prediction
- --
- Pendiente de la Carretera Estimada (Sest): Se realiza la predicción de la pendiente de la carretera sobre el horizonte H, en el espacio y en el tiempo. En concreto: Slope of the Estimated Road (Sest): Prediction of the slope of the road over the H horizon, in space and time, is made. Specific:
• S* [p, p+H]: se estima la pendiente en el intervalo espacial [p, p+H)], siendo p la posición 50 actual del vehículo y H el horizonte de predicción seleccionado. • S * [p, p + H]: the slope in the spatial interval [p, p + H)] is estimated, where p is the current position 50 of the vehicle and H the selected prediction horizon.
• S* [t, t+TH]: se estima la pendiente en el intervalo temporal [t, t+TH], siendo t el instante de tiempo actual y TH (s) el tiempo estimado en que el vehículo alcanzará el horizonte de predicción. • S * [t, t + TH]: the slope in the time interval [t, t + TH] is estimated, where t is the current time instant and TH (s) the estimated time in which the vehicle will reach the horizon of prediction.
- --
- Estilo de Conducción (DS): Se obtiene el estilo de conducción del conductor del vehículo. Driving Style (DS): The driving style of the vehicle driver is obtained.
A continuación se explica la estrategia, algoritmia y técnica empleada para la obtención de cada una de dichas salidas del dispositivo de predicción de ciclo de conducción 100: 5 The following explains the strategy, algorithm and technique used to obtain each of said outputs from the 100: 5 driving cycle prediction device
1. Predicción de velocidades estimadas (salidas V*sp [p, p+H] y V*sp [t, t+TH]) 1. Prediction of estimated speeds (outputs V * sp [p, p + H] and V * sp [t, t + TH])
La estrategia de predicción creada se basa en la utilización de una Red Neuronal Artificial (RNA) de topología NARX (nonlinear autoregresive network with exogenous inputs) previamente entrenada. Esta estrategia se completa con una serie de funciones de pre y post procesamiento tanto de las entradas como de las salidas de esta RNA-NARX. El objetivo de la RNA-NARX es aprender el comportamiento y modo de 10 conducción del conjunto conductor y vehículo, evaluando los desvíos de velocidad del vehículo con respecto a un ciclo de conducción de referencia o patrón correspondiente al trayecto que se está realizando. The prediction strategy created is based on the use of a previously trained NARX (nonlinear autoregresive network with exogenous inputs) topology network (RNA). This strategy is completed with a series of pre and post processing functions of both the inputs and outputs of this RNA-NARX. The objective of the RNA-NARX is to learn the behavior and driving mode of the driver and vehicle assembly, evaluating the vehicle speed deviations with respect to a reference driving cycle or pattern corresponding to the path being made.
El ciclo de conducción de referencia o patrón para el próximo horizonte se construye de manera dinámica en cada tiempo de muestreo, en función de la información recibida a través de las entradas Información de Tráfico (HTI) e Información de Eventos de Tráfico (HTEI). También en cada instante de 15 muestreo, la RNA-NARX obtiene los desvíos de velocidad previstos (con respecto al ciclo de referencia) para el próximo horizonte (futuro), utilizando para ello el ciclo de conducción de referencia (ciclo patrón) y los desvíos de velocidad acontecidos en el pasado reciente del trayecto. De esta forma, utilizando la predicción de los desvíos de velocidad previstos y el ciclo de referencia previsto se puede obtener finalmente el ciclo de conducción real previsto sobre el horizonte de predicción seleccionado. 20 The reference driving cycle or pattern for the next horizon is dynamically constructed at each sampling time, based on the information received through the Traffic Information (HTI) and Traffic Event Information (HTEI) inputs. Also at each instant of 15 sampling, the RNA-NARX obtains the expected speed deviations (with respect to the reference cycle) for the next (future) horizon, using the reference driving cycle (standard cycle) and the deviations of speed occurred in the recent past of the journey. In this way, using the prediction of the anticipated speed deviations and the planned reference cycle, the actual expected driving cycle over the selected prediction horizon can finally be obtained. twenty
El diagrama de bloques correspondiente a la estrategia utilizada por el dispositivo para la predicción del ciclo de conducción se muestra en la Figura 2. A continuación se explica en detalle las tres etapas de la estrategia: el pre-procesamiento (200), la red neuronal artificial (202) y el post-procesamiento (204). El pre-procesamiento (200), la red neuronal artificial (202) y el post-procesamiento (204) son realizados por medio del procesamiento de datos, utilizando por ejemplo un sistema o dispositivo basado en microcontrolador o 25 microprocesador apoyado por un conjunto de elementos de memoria, y puertos de entrada/salida y comunicaciones. The block diagram corresponding to the strategy used by the device for the prediction of the driving cycle is shown in Figure 2. The three stages of the strategy are explained in detail: the pre-processing (200), the neural network artificial (202) and post-processing (204). The pre-processing (200), the artificial neural network (202) and the post-processing (204) are performed by means of data processing, using for example a microcontroller-based system or device or microprocessor supported by a set of memory elements, and input / output ports and communications.
En el pre-procesamiento (200) la primera función que se realiza consiste en la aplicación de un filtro en tiempo real 206 sobre la variable de entrada Velocidad Vehículo (Vsp), El tipo de filtro aplicado es, en una realización preferida, Filtro de Kalman en tiempo real. La segunda función en el pre-procesamiento (200) 30 consiste en realizar una transformación de dominio 207 sobre la variable Vspkf obtenida como salida tras la aplicación del filtro 206. Mediante esta segunda función 207 se realiza una transformación desde el dominio tiempo al dominio distancia (punto kilométrico) obteniendo la variable interna Punto_Kilométrico (PKm). Esta variable es obtenida mediante integración numérica de la velocidad Vspkf. De esta forma esta función va generando un vector de dos columnas [Vspf(i), PKm(i)] donde cada fila “i” se calcula según el algoritmo 35 presentado en (1) en cada tiempo de muestreo “k”. Se puede observar que el vector PKm(i) es siempre creciente y además tiene un muestreo constante “i” que se corresponde con una distancia de H_Resol. La variable Vspf(i) representa la velocidad del vehículo correspondiente a cada punto kilométrico PKm(i). In the preprocessing (200) the first function performed is the application of a real-time filter 206 on the input variable Vehicle Speed (Vsp). The type of filter applied is, in a preferred embodiment, Kalman in real time. The second function in preprocessing (200) 30 consists in performing a domain transformation 207 on the variable Vspkf obtained as an output after the application of filter 206. By this second function 207 a transformation is carried out from the time domain to the distance domain (kilometric point) obtaining the internal variable Punto_Kilométrico (PKm). This variable is obtained by numerical integration of the velocity Vspkf. In this way, this function generates a vector of two columns [Vspf (i), PKm (i)] where each row "i" is calculated according to algorithm 35 presented in (1) at each sampling time "k". It can be seen that the vector PKm (i) is always increasing and also has a constant sampling "i" corresponding to a distance of H_Resol. The variable Vspf (i) represents the vehicle speed corresponding to each kilometer point PKm (i).
(1) endifelseiikViVsolHiPKmiPKmthensolHiPKmciaDisifIncrKmciaDisciaDisSTkVkVIncrKmkVkVKalmanfiltrokVspkfspfspkfspkfspspspkf1)()1(Re_)()1(Re_))(tan(tantan36002)1()(),...)1(),((_)( (one) endifelseiikViVsolHiPKmiPKmthensolHiPKmciaDisifIncrKmciaDisciaDisSTkVkVIncrKmkVkVKalmanfiltrokVspkfspfspkfspkfspspspkf1) () 1 (Re _) () 1 (Re) () (1)
La siguiente función que se realiza dentro de esta etapa es el cálculo del vector de desvío 208, que consiste en calcular para cada punto kilométrico PKm(i), el desvío existente entre la velocidad del vehículo Vspf(i) y la velocidad patrón o ciclo de conducción de referencia Vpat(i) (siendo Vpat(i) la velocidad permitida para dicho punto kilométrico i). El cálculo para construir el vector de desvío DVsp(i), se muestra en el algoritmo (2) y se realiza a medida que se va construyendo los vectores PKm(i) y Vspf(i). 5 The next function performed within this stage is the calculation of the deviation vector 208, which consists in calculating for each kilometer point PKm (i), the deviation between the vehicle speed Vspf (i) and the standard or cycle speed of driving reference Vpat (i) (where Vpat (i) is the speed allowed for said kilometer point i). The calculation to construct the diversion vector DVsp (i) is shown in the algorithm (2) and is carried out as the vectors PKm (i) and Vspf (i) are constructed. 5
(2) endifelseiiiViViDVkViVsolHiPKmiPKmthensolHiPKmciaDisifIncrKmciaDisciaDisSTkVkVIncrKmkVkVKalmanfiltrokVspfpatspspkfspfspkfspkfspspspkf1)1()1()1()()1(Re_)()1(Re_))(tan(tantan36002)1()(),...)1(),((_)( (2) endifelseiiiViViDVkViVsolHiPKmiPKmthensolHiPKmciaDisifIncrKmciaDisciaDisSTkVkVIncrKmkVkVKalmanfiltrokVspfpatspspkfspfspkfspkfspspspkf (1) 1 (1) 1 (1) 1 (1) 1 (1) 1 (1)
La construcción del vector de velocidades patrón Vpat(i) se realiza utilizando la información de tráfico disponible proveniente del sistema de navegación (entrada Información de Tráfico, HTI). Si se conoce el trayecto a realizar (destino final y ruta a seguir) se pueden conocer las señales de tráfico correspondientes a los límites de velocidad existentes en cada punto kilométrico de dicha ruta o trayecto a realizar. Un ejemplo 10 se puede observar en la Figura 3, en la cual se ha representado, a modo de ejemplo, un ciclo de conducción real realizado sobre un determinado trayecto marcado en color azul la velocidad del vehículo Vspf(i) y su correspondiente vector de velocidades patrón Vpat(i), marcado en color rojo. Se puede observar que ambos vectores están representados con respecto al vector Punto_Kilométrico PKm(i). El ciclo representado a modo de ejemplo en la Figura 3 se ha realizado con un vehículo al que se equipó con un sistema de adquisición de 15 datos embarcado. Si no se conoce el trayecto realizar, éste se debe estimar por métodos probabilísticos de cara a construir el vector de velocidades patrón para el próximo horizonte. Lógicamente, en este caso, a mayor horizonte de predicción seleccionado el error en la obtención del vector de velocidades patrón y por consiguiente en la predicción final realizada podría verse penalizado. The construction of the standard velocity vector Vpat (i) is performed using the available traffic information from the navigation system (Traffic Information entry, HTI). If the route to be made is known (final destination and route to be followed), the traffic signals corresponding to the speed limits existing at each kilometer point of said route or route to be made can be known. An example 10 can be seen in Figure 3, in which, by way of example, a real driving cycle has been represented on a certain path marked in blue, the vehicle speed Vspf (i) and its corresponding driving vector Vpat pattern speeds (i), marked in red. It can be seen that both vectors are represented with respect to the KM_point PKm (i) vector. The cycle represented by way of example in Figure 3 has been carried out with a vehicle that was equipped with an on-board data acquisition system. If the path is not known, it must be estimated by probabilistic methods in order to construct the vector of standard speeds for the next horizon. Logically, in this case, the higher the prediction horizon selected, the error in obtaining the vector of standard speeds and therefore in the final prediction made could be penalized.
El conocimiento a priori del trayecto a realizar o en su defecto su estimación, permite construir en 20 cada tiempo de muestreo el vector de velocidades patrón Vpat(i), en la etapa construcción ciclo patrón 212 de la Figura 2 utilizando la entrada Información de Tráfico (HTI). Una vez construido el vector, éste podría variar de acuerdo con diferentes eventos que pueden ocurrir derivados de las diferentes condiciones de tráfico que existan en dicho trayecto y que son por naturaleza impredecibles. De esta forma, este vector de velocidades patrón Vpat(i) podrá ir cambiando o adaptándose mientras el vehículo está en circulación (“on line”), utilizando 25 para dicha adaptación la información de tráfico en tiempo real que se recibe a través del sistema de navegación 104 por medio de la entrada Información de Eventos de Tráfico (HTEI). The a priori knowledge of the path to be carried out or, in the absence thereof, its estimation, allows to construct the standard velocity vector Vpat (i) in each sampling time in 20, in the construction phase pattern cycle 212 of Figure 2 using the Traffic Information entry (HTI). Once the vector has been constructed, it could vary according to different events that may occur due to the different traffic conditions that exist on that route and that are unpredictable by nature. In this way, this vector of standard speeds Vpat (i) can be changed or adapted while the vehicle is in circulation (“online”), using 25 for said adaptation the real-time traffic information received through the system Navigation 104 through the Traffic Event Information (HTEI) entry.
Finalmente, en esta etapa de pre-procesamiento 200, se generan los vectores NN_DVsp(i), y NN_Vpat(i), los cuales son las entradas de la red neuronal artificial 202. El vector NN_DVsp(i) se genera en la etapa 209, y contiene las últimas DSN muestras del vector DVsp(i), donde DSN (parámetro del dispositivo de 30 predicción de ciclo de conducción 100) representa el número de muestras que definen el tamaño del vector NN_DVsp(i), o lo que es lo mismo, el tamaño del pasado reciente. De esta forma, el vector NN_DVsp(i) contiene los últimos DSN valores del vector DVsp(i), ver algoritmo (3). Finally, in this preprocessing stage 200, the vectors NN_DVsp (i), and NN_Vpat (i) are generated, which are the inputs of the artificial neural network 202. The vector NN_DVsp (i) is generated in step 209 , and contains the latest DSN samples of the DVsp vector (i), where DSN (parameter of the 30 driving cycle prediction device 100) represents the number of samples that define the size of the NN_DVsp (i) vector, or what is same, the size of the recent past. In this way, the vector NN_DVsp (i) contains the last DSN values of the vector DVsp (i), see algorithm (3).
(3) endforjjjDVjDVNNDSNkjtokjforspsp1)()(_),,( (3) endforjjjDVjDVNNDSNkjtokjforspsp1) () (_) ,, (
El vector NN_Vpat(i) se genera en la etapa 210, y contiene por un lado las últimas DSN muestras del vector Vpat(i), donde DSN representa el número de muestras que definen el tamaño del pasado reciente, y por otro lado las futuras FSN muestras del vector Vpat(i), donde FSN (parámetro del dispositivo de predicción de ciclo de conducción 100) representa el número de muestras que definen el tamaño del futuro reciente. De esta forma, el vector NN_Vpat(i) contiene los últimos DSN valores del vector Vpat(i), y los próximos FSN 5 valores del vector Vpat(i), ver algoritmo (4). The NN_Vpat (i) vector is generated in step 210, and contains on the one hand the last DSN samples of the Vpat (i) vector, where DSN represents the number of samples that define the size of the recent past, and on the other hand the future FSN samples from the Vpat vector (i), where FSN (parameter of the driving cycle prediction device 100) represents the number of samples that define the size of the recent future. Thus, the NN_Vpat vector (i) contains the last DSN values of the Vpat vector (i), and the next FSN 5 values of the Vpat vector (i), see algorithm (4).
(4) endforjjjVjVNNFSNkjtokjforendforjjjVjVNNDSNkjtokjforpatpatpatpat1)()(_),,(1)()(_),,( (4) endforjjjVjVNNFSNkjtokjforendforjjjVjVNNDSNkjtokjforpatpatpatpat1) () (_) ,, (1) () (_) ,, (
Resumiendo, las funciones realizadas en esta etapa de pre-procesamiento 200 van encaminadas a la construcción de los vectores NN_DVsp(i), y NN_Vpat(i) que son las entradas a la red neuronal artificial 202 creada y utilizada para realizar la predicción del ciclo de conducción. 10 In summary, the functions performed in this preprocessing stage 200 are aimed at the construction of the vectors NN_DVsp (i), and NN_Vpat (i) which are the inputs to the artificial neural network 202 created and used to perform the prediction of the cycle of conduction. 10
La topología de red neuronal artificial 202 seleccionada para realizar la predicción entra dentro de las redes neuronales dinámicas recurrentes y se denomina NARX (“nonlinear autoregressive network with exogenous inputs”). El modelo NARX está basado en el modelo lineal ARX el cuál es comúnmente usado en el análisis y predicción de series temporales. La ecuación que define al modelo no lineal NARX se muestra en (5), donde y representa la variable de salida y x1, x2, …, xn, representan las posibles entradas del modelo o 15 sistema a modelar, f representa una posible función no lineal, y NumRetardosY, NumRetardosX1..n., representan el número de muestras anteriores que se tienen en cuenta para calcular la salida de la función no lineal. The artificial neural network topology 202 selected to perform the prediction falls within the recurrent dynamic neural networks and is called NARX ("nonlinear autoregressive network with exogenous inputs"). The NARX model is based on the linear ARX model which is commonly used in the analysis and prediction of time series. The equation that defines the nonlinear NARX model is shown in (5), where y represents the output variable and x1, x2, ..., xn, represent the possible inputs of the model or system to be modeled, f represents a possible non-function linear, and NumRetardosY, NumRetardosX1..n., represent the number of previous samples that are taken into account to calculate the output of the nonlinear function.
y(k+1) = f [( y(k), y(k-1), y(k-2),..., y(k – NumRetardosY), x1(k), x1(k-1), x1(k-2),..., x1(k-NumRetardosX1), x2(k), x2 (k-1), x2(k-2), …, x2(k- NumRetardosX2), …, xn(k), xn(k-1), xn(k-2),..., xn(k- NumRetardosXn) ] (5) 20 y (k + 1) = f [(y (k), y (k-1), y (k-2), ..., y (k - NumRetardosY), x1 (k), x1 (k-1 ), x1 (k-2), ..., x1 (k-NumRetardosX1), x2 (k), x2 (k-1), x2 (k-2), ..., x2 (k- NumRetardosX2), ..., xn (k), xn (k-1), xn (k-2), ..., xn (k- NumRetardosXn)] (5) 20
Un modelo no lineal NARX se puede implementar a través de una red neuronal “feed-forward” que aproxime a la función no lineal f. En la Figura 4 se muestra un esquemático de la estructura de la red neuronal 202 propuesta en la que se pueden observar las entradas 400, la salida 408 y las capas de entrada 402, oculta 404 y de salida 406 las cuáles están formadas por neuronas. Como se puede observar las entradas y la salida se corresponden con las presentes en (5). 25 A nonlinear NARX model can be implemented through a “feed-forward” neural network that approximates the nonlinear function f. Figure 4 shows a schematic of the structure of the proposed neural network 202 in which the inputs 400, the output 408 and the input layers 402, hidden 404 and output 406 can be observed which are formed by neurons. As you can see the inputs and outputs correspond to those present in (5). 25
En una red neuronal a cada entrada le corresponden una serie de parámetros (pesos y bías 410) que unen a cada neurona de entrada con las correspondientes neuronas que forman la capa de neuronas ocultas 404. De esta forma el valor de cada neurona que pertenece a la capa oculta 404 se calcula aplicando una función normalmente no-lineal al sumatorio del producto de las neuronas de entrada por sus correspondientes pesos añadidos los bías. Esta operación se va transmitiendo hacia las neuronas que 30 forman la capa de salida 406, donde el valor de cada salida se obtiene mediante la aplicación de una función lineal o no-lineal al sumatorio del producto, en dirección feed-forward. In a neural network, each input corresponds to a series of parameters (weights and bias 410) that link each input neuron with the corresponding neurons that form the hidden neuron layer 404. In this way the value of each neuron that belongs to The hidden layer 404 is calculated by applying a normally non-linear function to the sum of the product of the input neurons by their corresponding added bias weights. This operation is transmitted to the neurons that form the output layer 406, where the value of each output is obtained by applying a linear or non-linear function to the sum of the product, in the feed-forward direction.
Dado unos ejemplos/ensayos realizados donde se han registrado los datos de entrada y salida de la función no lineal que se quiere aproximar por una red neuronal de tipo NARX, el proceso de entrenamiento de la red neuronal definida consiste en obtener los parámetros de la misma (pesos y bías 410 de todas las 35 conexiones) que consiguen que para las entradas de los ejemplos se obtengan las salidas de los ejemplos con un error mínimo. De esta forma, la red neuronal “aprende” de estos ejemplos adquiriendo la propiedad de “generalizar” cuando en la red se presentan otras secuencias y entradas diferentes. El éxito del entrenamiento de la red depende del algoritmo de entrenamiento empleado, del número de capas y neuronas seleccionadas, y sobre todo de los ejemplos utilizados para su entrenamiento los cuales deben poseer 40 información suficiente para que la red adquiera la propiedad de generalizar y no la de sobre-aprender los ejemplos utilizados. Given some examples / tests carried out where the input and output data of the nonlinear function that is to be approximated by a NARX type neural network have been recorded, the training process of the defined neural network consists in obtaining the parameters of the same (weights and bias 410 of all 35 connections) that ensure that for the inputs of the examples the outputs of the examples are obtained with a minimum error. In this way, the neural network “learns” from these examples by acquiring the property of “generalizing” when other different sequences and inputs are presented in the network. The success of the training of the network depends on the training algorithm used, the number of layers and neurons selected, and especially on the examples used for its training which must have enough information for the network to acquire the property of generalizing and not that of over-learning the examples used.
Para el caso que nos ocupa referente a la predicción del ciclo de conducción, la salida a estimar (salida de la red) es el desvío de velocidad en el punto kilométrico siguiente, D*Vsp (k+1). Como entradas se In the case at hand concerning the prediction of the driving cycle, the output to be estimated (network output) is the speed deviation at the next kilometer point, D * Vsp (k + 1). How tickets are
encuentran la variable NN_DVsp junto con sus correspondientes DSN muestras anteriores, la variable Vpat junto con sus correspondientes DSN muestras anteriores y FSN muestras posteriores, ver Figura 5. find the variable NN_DVsp together with its corresponding DSN previous samples, the variable Vpat together with its corresponding DSN previous samples and FSN subsequent samples, see Figure 5.
La red calcula la salida en el instante k+1, pero debido a que nosotros necesitamos realizar la predicción sobre un horizonte H, este cálculo se puede repetir n veces de una manera recursiva y de esta forma calcular la predicción del desvío previsto de velocidad (D*Vsp) sobre el horizonte de predicción 5 seleccionado H. Lógicamente para realizar esta predicción sobre horizonte H, las propias variables estimadas de la salida de la red (D*Vsp) son necesitadas, tal y como se representa por la línea a puntos de la figura 5. El algoritmo básico para realizar la predicción sobre el horizonte H se muestra en (6), donde en la sub-función preparación_entradas_NARX(), se construyen los vectores de entrada en la red junto con sus correspondientes muestras, ver figuras 2 y 5. Para construir el vector de entrada NN_DVsp es necesario 10 utilizar la propia salida estimada de la red D*Vsp cuando se está aplicando la red neuronal durante el horizonte de predicción H, ya que los valores reales de la variable DVsp aún no se conocen. De esta forma para preparar las entradas de la red son necesarios los vectores Vpat, DVsp, y D*Vsp, tal y como se muestra en (6). The network calculates the output at the moment k + 1, but because we need to make the prediction on a horizon H, this calculation can be repeated n times in a recursive way and in this way calculate the prediction of the predicted deviation of speed ( D * Vsp) on the prediction horizon 5 selected H. Logically to make this prediction on horizon H, the estimated variables of the network output (D * Vsp) are needed, as represented by the dotted line Figure 5. The basic algorithm for predicting the H horizon is shown in (6), where in the sub-function preparation_NARX_ inputs (), the input vectors in the network are constructed together with their corresponding samples, see figures 2 and 5. To construct the input vector NN_DVsp it is necessary to use the estimated output of the D * Vsp network itself when the neural network is being applied during the prediction horizon H, since the values re The variables of the DVsp variable are not yet known. In this way, the vectors Vpat, DVsp, and D * Vsp are necessary to prepare the network inputs, as shown in (6).
(6) 15 endforVNNDVNNNARXneuronalredsalidajVDVDDVVNARXentradasnpreparacioVNNDVNNsolHHijtoijforpatspspspsppatpatsp)_,_(___)(*)*,,(__)_,_()Re_/()1( (6) 15 endforVNNDVNNNARXneuronalredsalidajVDVDDVVNARXentriesnpreparacioVNNDVNNsolHHijtoijforpatspspspsppatpatsp) _, _ (___) (*) * ,, (__) _, _ () Re _ / () 1 (
Después de realizar varios ejemplos y entrenamientos con datos de ciclos de conducción tanto reales como obtenidos mediante simulador de conducción virtual sobre escenarios donde la conducción “no urbana” predomina sobre la conducción “urbana” en el trayecto, los parámetros y la estructura de la red que mejor aproximan estos desvíos es la siguiente: After carrying out several examples and training with data on both real and obtained driving cycles through virtual driving simulator on scenarios where “non-urban” driving predominates over “urban” driving on the path, parameters and network structure which best approximate these deviations is the following:
H_Resol = 0.05 Km 20 H_Resol = 0.05 Km 20
DSN = 40 retardos (equivalentes a un pasado reciente de 2Km) DSN = 40 delays (equivalent to a recent past of 2Km)
FSN = 4 (equivalente a un futuro próximo de 0.2Km) FSN = 4 (equivalent to a near future of 0.2Km)
Número de neuronas en capa oculta = 20 Number of neurons in hidden layer = 20
Funciones utilizadas en neuronas de capa oculta = Tangente sigmoide. Functions used in hidden layer neurons = Sigmoid tangent.
Función utilizada en neurona de capa de salida = Lineal (purelin). 25 Function used in output layer neuron = Linear (purelin). 25
Tal y como se ha mostrado anteriormente, la red neuronal NARX 202 obtiene como salida para cada punto kilométrico i (PKm(i)), la estimación del desvío de velocidad previsto para el horizonte seleccionado, desde i hasta i+H/H_Resol. As shown above, the NARX 202 neural network obtains as an output for each kilometer point i (PKm (i)), the estimated speed deviation for the selected horizon, from i to i + H / H_Resol.
Las funciones que se realizan dentro de la etapa de post-procesamiento 204 tienen como misión obtener finalmente las salidas: 30 The functions that are performed within the post-processing stage 204 have the mission of finally obtaining the outputs:
- --
- V*sp [i, i+H]: Vector de velocidad del vehículo prevista para el próximo horizonte en el dominio de punto kilométrico. Velocidad = f(PKm) V * sp [i, i + H]: Vehicle speed vector planned for the next horizon in the kilometer point domain. Speed = f (PKm)
- --
- V*sp [t, t+TH]: Vector de velocidad del vehículo prevista para el próximo horizonte sobre el dominio temporal. Velocidad = f (tiempo) V * sp [t, t + TH]: Vehicle speed vector expected for the next horizon over the time domain. Speed = f (time)
La obtención del vector velocidad V*sp [i, i+H] en el dominio correspondiente al Punto_Kilométrico 35 (PKm) es sencilla y directa. Sólo hace falta utilizar los puntos del vector de velocidad patrón correspondientes al horizonte seleccionado. Su cálculo se muestra en (7), restando la estimación del desvío de velocidad previsto para el horizonte seleccionado (DV*sp). Obtaining the velocity vector V * sp [i, i + H] in the domain corresponding to Kilometric Point 35 (PKm) is simple and straightforward. It is only necessary to use the points of the standard velocity vector corresponding to the selected horizon. Its calculation is shown in (7), subtracting the estimated speed deviation for the selected horizon (DV * sp).
(7) endforjDVjVjVVNNDVNNNARXneuronalredsalidajVDVDDVVNARXentradasnpreparacioVNNDVNNsolHHijtoijforsppatsppatspspspsppatpatsp)()()()_,_(___)(),,(__)_,_()Re_/()1(**** (7) endforjDVjVjVVNNDVNNNARXneuronalredsalidajVDVDDVVNARXentrynpreparacioVNNDVNNsolHHijtoijforsppatsppatspspspsppatpatsp) () () () _, _ (___) () ,, (__) _, _)
La obtención del vector de velocidad V*sp [t, t+TH] en el dominio temporal es un poco más compleja ya que se requiere realizar la transformación 222 desde el dominio “Punto Kilométrico” al dominio temporal. En cada paso i se recorre una distancia equivalente a H_Resol, por lo que conociendo la velocidad en dicho instante se puede estimar el incremento de tiempo que ha sido necesario emplear para recorrer dicha 5 distancia a dicha velocidad para en cada paso i. La ecuación (8) muestra el cálculo que se realiza. Obtaining the velocity vector V * sp [t, t + TH] in the temporal domain is a bit more complex since the transformation 222 from the "Kilometer Point" domain to the temporal domain is required. In each step i a distance equivalent to H_Resol is traveled, so knowing the speed at that moment you can estimate the increase in time that has been necessary to travel said distance at said speed for in each step i. Equation (8) shows the calculation that is performed.
(8) 2))()1(()()1()1(**iViViPKmiPKmiiIncrTspsp (8) 2)) () 1 (() () 1 () 1 (** iViViPKmiPKmiiIncrTspsp
De esta forma la variable tiempo se inicializa con el instante de tiempo actual y en cada paso i dentro del intervalo de predicción se van calculando y acumulando los incrementos de tiempo según (9). In this way the time variable is initialized with the current time instant and in each step i within the prediction interval the time increments are calculated and accumulated according to (9).
(9) 10 endforIncrTjtiempojtiempojVjVjPKmjPKmIncrTsolHHjtoijforactualtiempoitiempospsp)1()(2))1()((3600)1()()Re_/()1(_)(***** (9) 10 endforIncrTjtimejtimejVjVjPKmjPKmIncrTsolHHjtoijforactualtiempoitiempospsp) 1 () (2)) 1 () ((3600) 1 () () Re _ / () 1 (_) (*****
2. Predicción de pendientes estimadas (salidas S* [i, i+H] y S*[t, t+TH]) 2. Prediction of estimated slopes (outputs S * [i, i + H] and S * [t, t + TH])
La obtención del vector S* [i, i+H], que contiene las pendientes de la carretera sobre el horizonte de predicción desde el punto kilométrico actual, es directa debido a que se conoce previamente la pendiente de la carretera en todos los puntos kilométricos del trayecto que se está realizando o se prevé realizar (vector Sroad). Suponiendo que estas pendientes están almacenadas en el vector Pendientes de la Carretera 15 (HTI_HRS), se procede según el algoritmo mostrado en (10). Obtaining the vector S * [i, i + H], which contains the slopes of the road over the prediction horizon from the current kilometer point, is direct because the slope of the road is previously known at all kilometer points of the path that is being made or planned to be made (Sroad vector). Assuming that these slopes are stored in the Slopes vector of Highway 15 (HTI_HRS), we proceed according to the algorithm shown in (10).
(10) endforjSjSsolHHjtoijforroad)()()Re_/()1(* (10) endforjSjSsolHHjtoijforroad) () () Re _ / () 1 (*
Para la obtención del vector S* [t, t+TH], correspondiente a las pendientes sobre el horizonte de predicción desde el instante de tiempo actual, es necesario realizar también una transformación de dominio desde el dominio “Punto Kilométrico” hasta el dominio temporal. Para ello se procede de manera análoga a la 20 explicada anteriormente en la etapa de post-procesado 204. De esta forma a cada punto S(i) del intervalo correspondiente al horizonte de predicción le corresponde un instante de tiempo, tiempo*(i) según (11). In order to obtain the vector S * [t, t + TH], corresponding to the slopes on the prediction horizon from the current time, it is also necessary to perform a domain transformation from the “Kilometer Point” domain to the temporal domain . This is done in a similar way to the 20 explained above in the post-processing stage 204. Thus, each point S (i) of the interval corresponding to the prediction horizon corresponds to an instant of time, time * (i) according to (11).
(11) (eleven)
3. Estilo de conducción (salida DS) 3. Driving style (DS output)
El estilo de conducción se obtiene de diferentes formas según la selección realizada mediante el parámetro DSCM (“Driving Style Calculation Mode”). A continuación se describen las formas en la que se obtiene dependiendo de la selección realizada: 5 The driving style is obtained in different ways depending on the selection made using the DSCM parameter (“Driving Style Calculation Mode”). The following describes the ways in which it is obtained depending on the selection made: 5
- Cálculo basado en la transformada de Fourier: DSCM = 1 - Calculation based on the Fourier transform: DSCM = 1
Mediante este método se pretende observar las variaciones de velocidad que está provocando el conductor sobre el vehículo así como sus frecuencias. Parece lógico pensar que por ejemplo sobre un tramo donde el límite de velocidad es de 80Km/h (velocidad patrón), si la velocidad del vehículo es superior y oscilante a este límite, la conclusión probable sería que el conductor tiene prisa y está conduciendo de 10 manera agresiva. La transformada de Fourier aplicada sobre la señal de velocidad que lleva el vehículo nos ofrece la posibilidad de calcular el valor medio o continuo de la señal (valor DC) así como las amplitudes del armónico principal y de otros órdenes. Relacionando estos valores con la señal de velocidad patrón se pueden extraer conclusiones acerca del modo de conducción. De esta forma, el procedimiento de cálculo consiste en aplicar la transformada de Fourier a la señal de velocidad del vehículo sobre un intervalo 15 correspondiente al pasado reciente, obtener las magnitudes de valor medio y amplitud del primer armónico (señal fundamental) y relacionarlos con sus correspondientes en la señal de velocidad patrón para ver la variación existente. Este procedimiento se muestra en (12), donde D representa el número deseado de muestras anteriores (pasado reciente) que se evalúan en el algoritmo, DC representa el valor continuo de la señal tras realizar la transformada rápida de Fourier y A1 representa la amplitud del primer armónico (señal 20 fundamental) tras la transormada. Cabe destacar la utilización del índice i en el algoritmo (dominio Punto Kilométrico). This method is intended to observe the variations in speed that the driver is causing on the vehicle as well as its frequencies. It seems logical to think that for example on a section where the speed limit is 80Km / h (standard speed), if the vehicle speed is higher and oscillating than this limit, the likely conclusion would be that the driver is in a hurry and is driving 10 aggressive way. The Fourier transform applied to the speed signal carried by the vehicle offers us the possibility of calculating the average or continuous value of the signal (DC value) as well as the amplitudes of the main harmonic and other orders. By relating these values to the standard speed signal, conclusions about the driving mode can be drawn. In this way, the calculation procedure consists in applying the Fourier transform to the vehicle speed signal over an interval 15 corresponding to the recent past, obtaining the mean value and amplitude magnitudes of the first harmonic (fundamental signal) and relating them to its corresponding in the standard speed signal to see the existing variation. This procedure is shown in (12), where D represents the desired number of previous samples (recent past) that are evaluated in the algorithm, DC represents the continuous value of the signal after performing the fast Fourier transform and A1 represents the amplitude of the first harmonic (fundamental signal 20) after the transordered one. Note the use of index i in the algorithm (Kilometer Point domain).
(12) (%)1001.21.12.(%)100.2.11.)(2)(1)()()()()()1(AFFTAFFTleDrivingStyDCFFTDCFFTleDrivingStyonvectorPatrFFTFFTvectorFFTFFTendforjDiVspPatronionvectorPatrjDiVjvectorDjtojforsp (12) (%) 1001.21.12. (%) 100.2.11.) (2) (1) () () () () () 1 (AFFTAFFTleDrivingStyDCFFTDCFFTleDrivingStyonvectorPatrFFTFFTvectorFFTFFTendforjDiVspPatronionvectorPatrjDiVjvectorPatrjDiVjvectorStron
- Cálculo basado en la variación media de la velocidad sobre un periodo de tiempo: DSCM = 2 - Calculation based on the average speed variation over a period of time: DSCM = 2
Mediante este método se pretende observar la variación media de velocidad del vehículo en un 25 intervalo de tiempo predeterminado. Esta medida también podría dar una indicación del grado de agresividad en la conducción. El proceso de obtención se presenta en (13). Tal y como se puede observar se emplea esta vez el índice k (dominio temporal) obteniendo la media de las variaciones de velocidad con respecto al valor medio de la velocidad en el intervalo de tiempo correspondiente a D x ST, siendo ST el tiempo de muestreo seleccionado mediante el parámetro correspondiente. 30 This method is intended to observe the average variation in vehicle speed in a predetermined time interval. This measure could also give an indication of the degree of aggressiveness in driving. The process of obtaining is presented in (13). As can be seen, the index k (time domain) is used this time, obtaining the average of the velocity variations with respect to the average value of the speed in the time interval corresponding to D x ST, where ST is the sampling time selected by the corresponding parameter. 30
(13) STDjiacionleDrivingStyendforvalorMediojvectorabsjiacionDjtojforvectoronmeanFunctivalorMedioendforjDkVspjvectorDjtojforDjj1)(var1.))(()(var)()1()()()()()1( (13) STDjiacionleDrivingStyendforvalueMedicalJoodjournalizationDjtojforvectoronmeanFunctivalorMedioendforjDkVspjvectorDjtojforDjj1) (var1.)) (() (Var) () 1 () () () () () 1 (
- --
- Cálculo basado en los tiempos de reacción del conductor: DSCM = 3 Calculation based on driver reaction times: DSCM = 3
Este método se basa en la obtención del tiempo de anticipación del conductor ante un cambio de límite de velocidad próximo. Por ejemplo, un conductor que comienza a acelerar 100 metros antes de la señal de tráfico correspondiente a un cambio de límite de velocidad (a mayor valor) es probable que esté 5 conduciendo de manera agresiva. También, un conductor que empieza a frenar en un punto kilométrico mayor al correspondiente donde se encuentra situada una señal de tráfico de cambio de límite de velocidad (a menor valor), se supone que está conduciendo de manera agresiva. La medición de estos valores de anticipación y retraso en el pasado reciente combinados con la desviación de velocidad acontecida en los regímenes permanentes (a velocidad constante, caso de los métodos anteriores) podría dar un estilo de 10 conducción más exacto. This method is based on obtaining the driver's anticipation time before a change in the next speed limit. For example, a driver who starts accelerating 100 meters before the traffic signal corresponding to a change in speed limit (at a higher value) is likely to be driving aggressively. Also, a driver who starts braking at a kilometer point greater than the corresponding one where a speed limit change traffic signal is located (at a lower value) is assumed to be driving aggressively. The measurement of these anticipation and delay values in the recent past combined with the speed deviation in permanent regimes (at constant speed, in the case of the previous methods) could give a more accurate driving style.
En la Figura 6 se muestran, de forma no limitativa, los componentes de un dispositivo de predicción de ciclo de conducción 100, que ejecuta las etapas del método previamente descrito. Figure 6 shows, without limitation, the components of a driving cycle prediction device 100, which executes the steps of the previously described method.
El dispositivo comprende unos primeros medios de comunicación 600 para recibir la velocidad del vehículo y la información de tráfico, normalmente proveniente del sistema de navegación 104 (la velocidad 15 del vehículo la puede recibir por otros medios, por ejemplo de las mediciones realizadas por el propio vehículo). Dichos primeros medios de comunicación 600 puede incluir un puerto de comunicaciones CANbus. The device comprises first communication means 600 for receiving the vehicle speed and traffic information, normally coming from the navigation system 104 (the vehicle speed 15 can be received by other means, for example from the measurements made by the vehicle itself). vehicle). Said first communication means 600 may include a CANbus communication port.
El dispositivo 100 puede comprender unos segundos medios de comunicación 602 para recibir del sistema de encendido 102 o del propio gestor energético del vehículo 108 la señal de encendido (EN). Dichos segundos medios de comunicación 602 comprende, en una realización preferida, un puerto de entradas 20 digitales. The device 100 may comprise a second communication means 602 for receiving the ignition signal (EN) from the ignition system 102 or the vehicle's own energy manager 108. Said second communication means 602 comprises, in a preferred embodiment, a digital input port 20.
El dispositivo 100 comprende unos medios de procesamiento de datos 604, por ejemplo una unidad DSP o un microcontrolador de alta capacidad computacional, para realizar las distintas etapas de cálculo. Dichos medios de procesamiento de datos 604 disponen de, o tienen acceso a, medios de almacenamientos de datos 606, por ejemplo una memoria RAM y una memoria EPROM. 25 The device 100 comprises data processing means 604, for example a DSP unit or a microcontroller of high computational capacity, to perform the different calculation steps. Said data processing means 604 have, or have access to, data storage means 606, for example a RAM and an EPROM. 25
El dispositivo dispone de medios de comunicaciones con el gestor energético del vehículo 108, por ejemplo a través de un puerto de comunicaciones CANbus 608. También puede disponer de un puerto de salidas digitales 610. The device has communication means with the energy manager of the vehicle 108, for example through a CANbus communication port 608. It can also have a digital output port 610.
Claims (16)
- --
- una etapa de pre-procesamiento de datos (200), que a su vez comprende: a data preprocessing stage (200), which in turn comprises:
- --
- una etapa de procesamiento de datos mediante una red neuronal (202), que comprende obtener de manera recursiva los desvíos previstos (D*Vsp) para el horizonte de predicción (H), utilizando para ello como entradas de la red neuronal (202) los desvíos de velocidad (NN_DVsp) previamente calculados y 15 correspondientes al pasado reciente en un número de muestras de retardo (DSN) así como información relativa al ciclo de conducción de referencia (NN_Vpat) que contiene información perteneciente tanto al pasado reciente en un número de muestras de retardo (DSN) como al futuro próximo en un número de muestras de futuro próximo (FSN); a stage of data processing by means of a neural network (202), which comprises recursively obtaining the expected deviations (D * Vsp) for the prediction horizon (H), using the neural network inputs (202) as the inputs Speed deviations (NN_DVsp) previously calculated and corresponding to the recent past in a number of delay samples (DSN) as well as information related to the reference driving cycle (NN_Vpat) containing information pertaining to both the recent past in a number of samples delay (DSN) as in the near future in a number of near future samples (FSN);
- --
- una etapa de post-procesamiento de datos (204) que comprende obtener, a partir de los desvíos 20 previstos (D*Vsp) y el ciclo de conducción de referencia (Vpat) para el horizonte de predicción (H), la velocidad estimada (V*sp) para dicho horizonte de predicción (H). a data post-processing step (204) comprising obtaining, from the planned deviations 20 (D * Vsp) and the reference driving cycle (Vpat) for the prediction horizon (H), the estimated speed ( V * sp) for said prediction horizon (H).
- --
- los límites de velocidad; 40 speed limits; 40
- --
- información del tipo de vía; track type information;
- --
- las pendientes de la carretera; the slopes of the road;
- --
- las señales de tráfico del trayecto previsto. Road signs of the planned route.
- --
- estado del tráfico; traffic status;
- --
- límites de velocidad por motivo de obras en la carretera; speed limits due to road works;
- --
- condiciones de visibilidad; visibility conditions;
- --
- condiciones del asfalto. asphalt conditions.
- --
- cálculo basado en transformada de Fourier de un vector formado por los valores de velocidad del 10 vehículo correspondientes al pasado reciente; Fourier transform based calculation of a vector formed by the velocity values of the vehicle corresponding to the recent past;
- --
- cálculo basado en la variación media de la velocidad sobre un periodo de tiempo; calculation based on the average variation of the speed over a period of time;
- --
- cálculo basado en los tiempos de reacción del conductor. calculation based on driver reaction times.
- --
- medios de comunicación (600) configurados para recibir la velocidad del vehículo (Vsp) y para recibir de un sistema de navegación (104) información de tráfico (HTI) correspondiente al trayecto previsto para el vehículo dentro de al menos un horizonte de predicción (H) considerado; communication means (600) configured to receive the vehicle speed (Vsp) and to receive from a navigation system (104) traffic information (HTI) corresponding to the intended path for the vehicle within at least one prediction horizon (H ) considered;
- --
- medios de procesamiento de datos (604) configurados para: data processing means (604) configured to:
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES201132144A ES2411629B1 (en) | 2011-12-30 | 2011-12-30 | DEVICE AND METHOD FOR THE ON-LINE PREDICTION OF THE DRIVING CYCLE IN AN AUTOMOBILE VEHICLE. |
| EP20120382494 EP2610836B1 (en) | 2011-12-30 | 2012-12-12 | Device and method for the on-line prediction of the driving cycle in an automotive vehicle |
| ES12382494.8T ES2535689T3 (en) | 2011-12-30 | 2012-12-12 | Device and method for the online prediction of the driving cycle in a motor vehicle |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES201132144A ES2411629B1 (en) | 2011-12-30 | 2011-12-30 | DEVICE AND METHOD FOR THE ON-LINE PREDICTION OF THE DRIVING CYCLE IN AN AUTOMOBILE VEHICLE. |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| ES2411629A2 true ES2411629A2 (en) | 2013-07-05 |
| ES2411629R1 ES2411629R1 (en) | 2013-08-28 |
| ES2411629B1 ES2411629B1 (en) | 2014-03-11 |
Family
ID=47715809
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES201132144A Expired - Fee Related ES2411629B1 (en) | 2011-12-30 | 2011-12-30 | DEVICE AND METHOD FOR THE ON-LINE PREDICTION OF THE DRIVING CYCLE IN AN AUTOMOBILE VEHICLE. |
| ES12382494.8T Active ES2535689T3 (en) | 2011-12-30 | 2012-12-12 | Device and method for the online prediction of the driving cycle in a motor vehicle |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES12382494.8T Active ES2535689T3 (en) | 2011-12-30 | 2012-12-12 | Device and method for the online prediction of the driving cycle in a motor vehicle |
Country Status (2)
| Country | Link |
|---|---|
| EP (1) | EP2610836B1 (en) |
| ES (2) | ES2411629B1 (en) |
Families Citing this family (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104118328B (en) * | 2013-04-27 | 2017-07-07 | 日电（中国）有限公司 | Automobile energy consumption rate based on generalized variable estimates apparatus and method |
| CN105006147B (en) * | 2015-06-19 | 2017-03-15 | 武汉大学 | A kind of Link Travel Time estimating method based on road spatial and temporal association |
| EP3340001A1 (en) * | 2016-12-20 | 2018-06-27 | Bayerische Motoren Werke Aktiengesellschaft | Device for measuring the influence of a sensor signal of a vehicle |
| CN106997662B (en) * | 2017-04-26 | 2020-04-10 | 长安大学 | Urban bus working condition construction method |
| US10551842B2 (en) | 2017-06-19 | 2020-02-04 | Hitachi, Ltd. | Real-time vehicle state trajectory prediction for vehicle energy management and autonomous drive |
| CN108053067A (en) * | 2017-12-12 | 2018-05-18 | 深圳市易成自动驾驶技术有限公司 | Planing method, device and the computer readable storage medium of optimal path |
| US11794757B2 (en) * | 2018-06-11 | 2023-10-24 | Colorado State University Research Foundation | Systems and methods for prediction windows for optimal powertrain control |
| CN109215350B (en) * | 2018-11-02 | 2021-05-25 | 重庆大学 | Short-term traffic state prediction method based on RFID electronic license plate data |
| CN109345832B (en) * | 2018-11-13 | 2021-06-29 | 上海应用技术大学 | Urban road overtaking prediction method based on deep recurrent neural network |
| CN109615064A (en) * | 2018-12-07 | 2019-04-12 | 电子科技大学 | A kind of end-to-end decision-making technique of intelligent vehicle based on space-time characteristic fusion recurrent neural network |
| DE102019205520A1 (en) | 2019-04-16 | 2020-10-22 | Robert Bosch Gmbh | Method for determining driving courses |
| DE102019205521A1 (en) | 2019-04-16 | 2020-10-22 | Robert Bosch Gmbh | Method for reducing exhaust emissions of a drive system of a vehicle with an internal combustion engine |
| DE102019205519A1 (en) | 2019-04-16 | 2020-10-22 | Robert Bosch Gmbh | Method for determining driving courses |
| CN110349420B (en) * | 2019-07-01 | 2020-12-18 | 福建睿思特科技股份有限公司 | Intelligent road condition management system based on data analysis |
| DE102019213749A1 (en) * | 2019-09-10 | 2021-03-11 | Zf Friedrichshafen Ag | Method for maintaining an optimal speed specification for a distance to be covered by a vehicle |
| CN114450207B (en) * | 2019-10-25 | 2024-04-12 | Zf腓德烈斯哈芬股份公司 | Model-based predictive control of a drive machine of a motor vehicle and of a vehicle component |
| US20220371450A1 (en) | 2019-10-25 | 2022-11-24 | Zf Friedrichshafen Ag | Model-Based Predictive Regulation of an Electric Machine in a Drivetrain of a Motor Vehicle |
| WO2021093953A1 (en) | 2019-11-14 | 2021-05-20 | Zf Friedrichshafen Ag | Model predictive control of multiple components of a motor vehicle |
| CN111008505B (en) * | 2019-11-18 | 2023-05-23 | 西华大学 | Urban ramp driving condition construction method and application |
| CN111260117B (en) * | 2020-01-10 | 2022-03-25 | 燕山大学 | CA-NARX water quality prediction method based on meteorological factors |
| US11685262B2 (en) | 2020-12-03 | 2023-06-27 | GM Global Technology Operations LLC | Intelligent motor vehicles and control logic for speed horizon generation and transition for one-pedal driving |
| US11752881B2 (en) | 2021-01-20 | 2023-09-12 | GM Global Technology Operations LLC | Intelligent vehicles and control logic for brake torque request estimation for cooperative brake system control |
| DE102021202468A1 (en) | 2021-03-15 | 2022-09-15 | Zf Friedrichshafen Ag | Device and method for model-based predicted control of a component of a vehicle |
| US12024025B2 (en) | 2022-02-11 | 2024-07-02 | GM Global Technology Operations LLC | Intelligent motor systems and control logic for creating heat with constant offset torque in stationary vehicles |
| CN114523967B (en) * | 2022-02-28 | 2024-06-11 | 重庆长安汽车股份有限公司 | Neural network-based prediction cruise control method |
| CN115859123B (en) * | 2023-03-01 | 2023-05-02 | 太原理工大学 | Vehicle driving condition online identification method based on random prediction and machine learning |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10062856B4 (en) * | 2000-12-16 | 2008-01-10 | Daimlerchrysler Ag | Method for vehicle-specific traffic forecast |
| JP5378002B2 (en) * | 2009-02-19 | 2013-12-25 | アイシン・エィ・ダブリュ株式会社 | Vehicle motion estimation device, vehicle motion estimation method, and vehicle motion estimation program |
-
2011
- 2011-12-30 ES ES201132144A patent/ES2411629B1/en not_active Expired - Fee Related
-
2012
- 2012-12-12 ES ES12382494.8T patent/ES2535689T3/en active Active
- 2012-12-12 EP EP20120382494 patent/EP2610836B1/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| ES2411629B1 (en) | 2014-03-11 |
| EP2610836A1 (en) | 2013-07-03 |
| ES2411629R1 (en) | 2013-08-28 |
| EP2610836B1 (en) | 2015-02-18 |
| ES2535689T3 (en) | 2015-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2411629B1 (en) | DEVICE AND METHOD FOR THE ON-LINE PREDICTION OF THE DRIVING CYCLE IN AN AUTOMOBILE VEHICLE. | |
| US11403526B2 (en) | Decision making for autonomous vehicle motion control | |
| Huang et al. | Personalized trajectory planning and control of lane-change maneuvers for autonomous driving | |
| US11243532B1 (en) | Evaluating varying-sized action spaces using reinforcement learning | |
| Banzhaf et al. | The future of parking: A survey on automated valet parking with an outlook on high density parking | |
| JP2021526478A (en) | Vehicle control system, how to control the vehicle, and non-temporary computer-readable memory | |
| US10649453B1 (en) | Introspective autonomous vehicle operational management | |
| US11436504B1 (en) | Unified scene graphs | |
| Li et al. | Human-like trajectory planning on curved road: Learning from human drivers | |
| Scheubner et al. | A stochastic range estimation algorithm for electric vehicles using traffic phase classification | |
| CN107310550A (en) | Road vehicles travel control method and device | |
| Shin et al. | Comparative study of Markov chain with recurrent neural network for short term velocity prediction implemented on an embedded system | |
| CN112947406A (en) | FLOYD and Astar-based hybrid path planning method | |
| Valera et al. | Driving cycle and road grade on-board predictions for the optimal energy management in EV-PHEVs | |
| CN113291318B (en) | Unmanned vehicle blind area turning planning method based on partially observable Markov model | |
| Fünfgeld et al. | Stochastic forecasting of vehicle dynamics using sequential Monte Carlo simulation | |
| Fors et al. | Resilient branching MPC for multi-vehicle traffic scenarios using adversarial disturbance sequences | |
| Bertolazzi et al. | Efficient re-planning for robotic cars | |
| Wang et al. | Decision-making at unsignalized intersection for autonomous vehicles: Left-turn maneuver with deep reinforcement learning | |
| CN117032203A (en) | Svo-based intelligent control method for automatic driving | |
| Wegener et al. | Longitudinal vehicle motion prediction in urban settings with traffic light interaction | |
| Shin et al. | Ego-vehicle speed prediction using fuzzy Markov chain with speed constraints | |
| Wang et al. | A state dependent mandatory lane-changing model for urban arterials with hidden Markov model method | |
| Ritter et al. | Real-time graph construction algorithm for probabilistic predictions in vehicular applications | |
| Cai et al. | Rule‐constrained reinforcement learning control for autonomous vehicle left turn at unsignalized intersection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FG2A | Definitive protection |
Ref document number: 2411629 Country of ref document: ES Kind code of ref document: B1 Effective date: 20140311 |
|
| FD2A | Announcement of lapse in spain |
Effective date: 20210915 |