利用模拟数据进行交通工具分析的方法和系统技术方案

本公开描述利用模拟数据进行交通工具分析的方法和系统，公开了用于生成模拟交通工具性能数据的方法和系统。在一个示例中，方法包括：基于从一个或多个训练交通工具收集的传感器数据构建交通工具模型；基于交通工具模型生成虚拟交通工具的模拟集合；多实例地执行对交通工具的模拟集合中的每一个的模拟，每个实例以不同的模拟交通工具操作参数被执行；在每个实例中从交通工具的模拟集合中的每一个获得模拟交通工具数据；用模拟交通工具数据训练机器学习模型；以及基于来自经训练的机器学习模型的输出设置一个或多个真实交通工具的一个或多个参数。或多个参数。或多个参数。

【技术实现步骤摘要】
利用模拟数据进行交通工具分析的方法和系统


[0001]本公开总体上涉及生成模拟交通工具(vehicle)性能数据以用于更稳健的数据分析。
技术介绍
和
技术实现思路

[0002]可以通过分析在交通工具的操作期间生成的数据来提高交通工具的性能。数据可以在不同条件下(诸如在不同的路线上、具有不同的道路条件、具有不同的驾驶员和/或在不同的环境条件下)的操作期间从交通工具收集。一旦收集了足够的数据，就可以对数据应用各种分析技术和方法，以确定如何提高交通工具性能。作为示例，机器学习(ML)可以用于标识交通工具的一个或多个子系统的操作参数的最佳设置，这些最佳设置提高了一个或多个子系统的效率。例如，可以优化参与能量再生的交通工具子系统的参数，以增加交通工具操作期间再生的能量的量。
[0003]然而，本文的专利技术人已经认识到，生成足够的数据来构建稳健的分析解决方案可能是有问题的或不可行的。对于某些交通工具，诸如通常被部署在具有典型商用车队规模的商用车队中的新的交通工具模型或新的交通工具，可能需要较长时间来收集足够的数据以充分地训练ML模型，并且针对一系列交通工具和行驶条件收集到的数据的分布可能会出现偏差。因此，针对特定的交通工具模型或交通工具类型进行性能增强开发的时间(time frame)可能还太短，以致于无法有效地将高维分析解决方案应用于商用交通工具操作期间收集的数据。这可能适用于诸如电池电动交通工具(BEV)之类的专用交通工具，因为操作中的模型可能较少。
[0004]在各种实施例中，上述问题可以通过一种方法来解决，该方法包括：基于从一个或多个训练交通工具收集的传感器数据构建交通工具模型；基于交通工具模型生成虚拟交通工具的模拟集合；多实例地执行对交通工具的模拟集合中的每一个的模拟，每个实例以不同的模拟交通工具操作参数被执行；在每个实例中从交通工具的模拟集合中的每一个获得模拟交通工具数据；用模拟交通工具数据训练机器学习模型；以及基于来自经训练的机器学习模型的输出设置一个或多个真实交通工具的一个或多个参数。通过使用由虚拟交通工具而不是真实交通工具生成的性能数据，可以增加用于训练ML模型的可用数据量，这是因为不依赖于真实世界中遇到的真实交通工具的数量或行驶条件。由于可以在分布式计算环境中(诸如在资源按需分配的云中)模拟虚拟交通工具操作，因此虚拟交通工具模拟可以被并行执行，从而减少收集数据所花费的时间量。此外，可以控制从虚拟交通工具收集性能数据的路线和条件，以确保数据的合理分布，这可以减少训练时间并提高经训练的模型的准确度。通过减少收集数据所花费的时间和训练ML模型所花费的时间，可以减少基于ML模型性能开发和部署性能增强的时间。本文所描述的方法和系统的附加优点是可以更准确地预测和控制用于开发和部署性能增强的成本，从而以更低的成本获得更高的交通工具效率。
[0005]当下面的具体实施方式单独地或结合附图时，本说明书的上述优点和其他优点以及特征将从中显而易见。应该理解，以上概述以简化形式介绍了一些概念，这些概念将在具体实施方式中进一步描述。这并不旨在标识所要求保护主题的关键或必要特征，所要求保
护主题的范围由具体实施方式之后的权利要求书来唯一地限定。此外，所要求保护的主题不限于解决在上述或本公开的任一部分中提及的任何缺点的实现。
附图说明
[0006]参考所附附图，通过阅读下列非限制性实施例的描述，将更好地理解本公开，其中：
[0007]图1是根据本公开的一个或多个实施例的用于模拟多个虚拟交通工具的操作的基于云的系统的示意性表示；
[0008]图2A是根据本公开的一个或多个实施例的交通工具模型的第一部分的示意性表示；
[0009]图2B是根据本公开的一个或多个实施例的交通工具模型的第二部分的示意性表示；
[0010]图2C是根据本公开的一个或多个实施例的与交通工具模型交互的云生态系统的组件的示意性表示；
[0011]图3是示出根据本公开的一个或多个实施例的用于在交通工具模拟数据上训练机器学习模型的示例性方法的高级流程图；以及
[0012]图4是示出根据本公开的一个或多个实施例的用于从交通工具模拟数据生成机器学习模型的训练数据的示例性方法的流程图。
具体实施方式
[0013]本文所描述的方法和系统涉及用于增加用于训练高维统计模型(诸如机器学习(ML)模型)的可用训练数据量以提高交通工具性能的框架。在实施例中，基于云的系统包括模拟引擎，模拟引擎可以基于真实交通工具的基于物理的交通工具模型生成多个虚拟交通工具。多个虚拟交通工具中的每个虚拟交通工具的操作可以由模拟引擎在各种条件和场景下进行模拟，同时性能数据被收集。此外，通过利用基于云的系统的按需处理和存储器资源，可以并行模拟每个虚拟交通工具的操作。作为模拟并行化的结果，与可从多个真实交通工具切实收集的量相比，可以收集更大量的虚拟交通工具的操作性能数据。随后可以对ML模型进行训练，以确定交通工具模型的一组参数，该组参数优化了交通工具模型的一个或多个系统(诸如能量再生系统)的性能。然后，可以将由经训练的ML模型生成的一组优化的参数传输到多个真实交通工具，从而提高多个真实交通工具的性能。
[0014]图1中示出了用于模拟多个虚拟交通工具的操作的基于云的系统。多个虚拟交通工具中的每个虚拟交通工具可以基于真实交通工具的交通工具模型。图2A中示出了交通工具模型的第一部分，该部分包括驾驶员模型和交通工具控制器模型，图2B中示出了交通工具模型的第二部分，该部分包括动力总成模型和交通工具模型。如图2C所示，交通工具模型可以捆绑在支持用于并行化模拟的灵活配置的软件中。图3描述了用于生成模拟交通工具数据和训练基于云的系统的ML模型的方法。可以通过遵循图4中描述的方法的一个或多个步骤，从模拟数据生成用于训练ML模型的训练数据集。
[0015]现在参考图1，该图示出了交通工具性能增强系统100，用于基于真实交通工具的操作来模拟多个虚拟交通工具的操作，并且随后在从多个虚拟交通工具收集的数据上训练
ML模型以提高真实交通工具的性能。具体而言，可以训练ML模型以输出真实交通工具的一个或多个交通工具系统的一组参数，这可以最大化一个或多个交通工具系统的性能和/或效率。
[0016]交通工具性能增强系统100可以包括交通工具104的交通工具模型102。在各种实施例中，交通工具104可以是卡车车队130中的卡车。例如，车队130可以是用于商业分销商的配送卡车车队。交通工具104是真实世界的现实交通工具，因此可以包括交通工具系统和组件105，交通工具系统和组件105可以包括但不限于电机、电池/燃料电池、变速器、悬架系统、制动系统、交通工具加热、通风和冷却(HVAC)系统、座舱辅助件(例如，车载娱乐系统)和交通工具控制单元(VCU)。VCU可以在存储器中存储各种可校准交通工具参数，这些参数可以包括电机参数(例如，作为加速器踏板位置的函数的电机扭矩)、变速器参数、电池参数、辅助负载参数等。在特定示例中，可校准交通工具参数可以包括与再生制动相关的参数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，所述方法包括：基于从一个或多个训练交通工具收集的传感器数据构建交通工具模型(304)；基于所述交通工具模型生成虚拟交通工具的模拟集合(306)；多实例地执行对所述交通工具的模拟集合中的每一个的模拟(308)，每个实例以不同的模拟交通工具操作参数被执行；在每个实例中从所述交通工具的模拟集合中的每一个获得模拟交通工具数据(310)；用所述模拟交通工具数据训练机器学习模型(314)；以及基于来自经训练的机器学习模型的输出设置一个或多个真实交通工具的一个或多个参数(316)。2.如权利要求1所述的方法，其特征在于，基于从一个或多个训练交通工具收集的传感器数据构建所述交通工具模型包括基于来自第一数量的传感器的传感器数据构建所述交通工具模型，其中所述第一数量的传感器中的每一个传感器都被安装在所述一个或多个训练交通工具上，并且所述机器学习模型被训练以采用来自被安装在所述一个或多个真实交通工具上的第二数量的传感器的传感器数据作为输入。3.如权利要求1所述的方法，其特征在于，更新所述一个或多个真实交通工具包括在所述一个或多个真实交通工具的存储器中存储所述经训练的机器学习模型。4.如权利要求1所述的方法，其特征在于，设置所述一个或多个真实交通工具的一个或多个参数包括基于来自所述机器学习模型的输出更新所述一个或多个真实交通工具中的每一个真实交通工具的一个或多个可校准交通工具参数(320)。5.如权利要求4所述的方法，其特征在于，更新所述一个或多个可校准交通工具参数(320)包括更新被配置成用于确定在制动事件期间应用的制动扭矩分配的制动动态方程，所述制动扭矩分配包括将经由再生制动施加的一部分制动扭矩和将经由摩擦制动施加的一部分制动扭矩。6.如权利要求1所述的方法，其特征在于，所述不同的模拟交通工具操作参数包括针对每个实例的不同的模拟环境道路条件、不同的模拟道路路线、不同的模拟驾驶员参数和/或不同的模拟可校准交通工具参数。7.如权利要求1所述的方法，其特征在于，训练所述机器学习模型包括训练所述机器学习模型以基于一组交通工具输入参数输出再生制动是否应被执行、在制动事件期间要应...

【专利技术属性】
技术研发人员：T，
申请(专利权)人：德纳重型车辆系统集团有限责任公司，
类型：发明
国别省市：