基于车辆载荷的车速控制方法及其系统技术方案

公开了一种基于车辆载荷的车速控制方法及其系统。该控制方法包括：获取预定时间段内多个预定时间点的车辆载荷值、道路坡度值和车辆车速值；基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量；以及，基于所述参数关联特征向量，确定车速控制策略。这样，可以智能化地对车速进行调整和控制，提高车辆在复杂行驶工况下的可靠性和安全性。安全性。安全性。

【技术实现步骤摘要】
基于车辆载荷的车速控制方法及其系统


[0001]本公开涉及智能化控制领域，且更为具体地，涉及一种基于车辆载荷的车速控制方法及其系统。

技术介绍

[0002]通常情况下车辆自动变速系统换档策略是以车速和油门开度作为控制参数，在水平良好路面具有令人满意的性能，但在行驶工况比较复杂情况下，这种换档策略会产生换档问题，如换档循环，意外换档等。究其原因是自动变速系统没有理解车辆自身及其所处环境信息。
[0003]因此，期待一种优化的车速控制方案，以此来增加自动变速系统的可靠性和安全性。

技术实现思路

[0004]有鉴于此，本公开提出了一种基于车辆载荷的车速控制方法及其系统，其基于深度学习和人工智能技术，并综合利用车辆载荷、道路坡度和车辆车速的多维度数据，来实现智能化地对车速进行调整和控制，提高车辆在复杂行驶工况下的可靠性和安全性。
[0005]根据本公开的一方面，提供了一种基于车辆载荷的车速控制方法，其包括：
[0006]获取预定时间段内多个预定时间点的车辆载荷值、道路坡度值和车辆车速值；
[0007]基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量；以及
[0008]基于所述参数关联特征向量，确定车速控制策略。
[0009]根据本公开的另一方面，提供了一种基于车辆载荷的车速控制系统，其包括：
[0010]数据获取模块，用于获取预定时间段内多个预定时间点的车辆载荷值、道路坡度值和车辆车速值；
[0011]分析处理模块，用于基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量；以及
[0012]车速控制模块，用于基于所述参数关联特征向量，确定车速控制策略。
[0013]根据本公开的实施例，其首先获取预定时间段内多个预定时间点的车辆载荷值、道路坡度值和车辆车速值；接着，基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量；最后，基于所述参数关联特征向量，确定车速控制策略。这样，可以智能化地对车速进行调整和控制，提高车辆在复杂行驶工况下的可靠性和安全性。
[0014]根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
[0015]包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
[0016]图1示出根据本公开的实施例的基于车辆载荷的车速控制方法的流程图。
[0017]图2示出根据本公开的实施例的基于车辆载荷的车速控制方法的架构示意图。
[0018]图3示出根据本公开的实施例的基于车辆载荷的车速控制方法的子步骤S120的流程图。
[0019]图4示出根据本公开的实施例的基于车辆载荷的车速控制方法的子步骤S130的流程图。
[0020]图5示出根据本公开的实施例的基于车辆载荷的车速控制方法进一步包括的训练步骤的流程图。
[0021]图6示出根据本公开的实施例的基于车辆载荷的车速控制系统的框图。
[0022]图7示出根据本公开的实施例的基于车辆载荷的车速控制方法的应用场景图。
具体实施方式
[0023]下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本公开保护的范围。
[0024]如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
[0025]以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
[0026]另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
[0027]针对上述技术问题，本公开的技术构思为基于深度学习和人工智能技术，并综合利用车辆载荷、道路坡度和车辆车速的多维度数据，来实现智能化地对车速进行调整和控制，提高车辆在复杂行驶工况下的可靠性和安全性。
[0028]图1示出根据本公开的实施例的基于车辆载荷的车速控制方法的流程图。图2示出根据本公开的实施例的基于车辆载荷的车速控制方法的架构示意图。如图1和图2所示，根据本公开实施例的基于车辆载荷的车速控制方法，包括步骤：S110，获取预定时间段内多个预定时间点的车辆载荷值、道路坡度值和车辆车速值；S120，基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量；以及，S130，基于所述参数关联特征向量，确定车速控制策略。
[0029]更具体地，在步骤S110中，获取预定时间段内多个预定时间点的车辆载荷值、道路
坡度值和车辆车速值。通过获取预定时间段内多个预定时间点的车辆载荷值、道路坡度值和车辆车速值可以从中获得车辆自身及其所处环境的信息。在一个示例中，首先，确定需要获取数据的车辆和时间段，接着，可以使用车辆传感器或车载设备，获取车辆载荷值和车速值，例如通过车辆的CAN总线或OBD
‑
II接口获取车辆载荷值和车辆车速值，然后，可以使用GPS设备或地图API，获取车辆所在位置的地形信息，该地形信息包括道路坡度值，最后，将获取到的数据存储在数据库或数据仓库中，以便后续分析和处理，例如，可以使用数据分析工具，如Python对数据进行处理和分析，以获得有关车辆载荷、道路坡度和车速的更深入的见解。
[0030]更具体地，在步骤S120中，基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量。应可以理解，深度卷积神经网络(Deep Convolutional Neural Network，DCNN)是一种用于图像识别和处理的深度学习模型。深度卷积神经网络是卷积神经网络(ConvolutionalNeural Network，CNN)的扩展，具有更深层次的结构和更多的卷积层和池化层。深度卷积神经网络模型由多个卷积层、池化层和全连接层组成，卷积层通过卷积操作提取图像的特征，池化层通过下采样操作减少特征的维度，全连接层则将特征映射到输出结果。在图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于车辆载荷的车速控制方法，其特征在于，包括：获取预定时间段内多个预定时间点的车辆载荷值、道路坡度值和车辆车速值；基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量；以及基于所述参数关联特征向量，确定车速控制策略。2.根据权利要求1所述的基于车辆载荷的车速控制方法，其特征在于，基于深度卷积神经网络模型对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值进行分析和处理以得到参数关联特征向量，包括：对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值分别进行数据结构化处理以得到车辆载荷时序输入向量、道路坡度时序输入向量和车辆车速时序输入向量；对所述车辆载荷时序输入向量、所述道路坡度时序输入向量和所述车辆车速时序输入向量进行时序特征提取以得到车辆载荷时序特征向量、道路坡度时序特征向量和车辆车速时序特征向量；以及融合所述车辆载荷时序特征向量、所述道路坡度时序特征向量和所述车辆车速时序特征向量以得到所述参数关联特征向量。3.根据权利要求2所述的基于车辆载荷的车速控制方法，其特征在于，对所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值分别进行数据结构化处理以得到车辆载荷时序输入向量、道路坡度时序输入向量和车辆车速时序输入向量，包括：将所述多个预定时间点的车辆载荷值、道路坡度值和车辆车速值分别按照时间维度排列为所述车辆载荷时序输入向量、所述道路坡度时序输入向量和所述车辆车速时序输入向量。4.根据权利要求3所述的基于车辆载荷的车速控制方法，其特征在于，对所述车辆载荷时序输入向量、所述道路坡度时序输入向量和所述车辆车速时序输入向量进行时序特征提取以得到车辆载荷时序特征向量、道路坡度时序特征向量和车辆车速时序特征向量，包括：将所述车辆载荷时序输入向量、道路坡度时序输入向量和车辆车速时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到所述车辆载荷时序特征向量、所述道路坡度时序特征向量和所述车辆车速时序特征向量。5.根据权利要求4所述的基于车辆载荷的车速控制方法，其特征在于，融合所述车辆载荷时序特征向量、所述道路坡度时序特征向量和所述车辆车速时序特征向量以得到所述参数关联特征向量，包括：以所述车辆车速时序特征向量作为查询特征向量、所述车辆载荷时序特征向量作为键特征向量和所述道路坡度时序特征向量为值特征向量，通过自注意力机制来融合所述车辆载荷时序特征向量、所述道路坡度时序特征向量和所述车辆车速时序特征向量以得到所述参数关联特征向量。6.根据权利要求5所述的基于车辆载荷的车速控制方法，其特征在于，基于所述参数关联特征向量，确定车速控制策略，包括：将所述参数关联特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的车...

【专利技术属性】
技术研发人员：戴肖肖，张汉章，施彬华，张建东，蒋连杰，张建辉，陈春喜，
申请(专利权)人：浙江加力仓储设备股份有限公司，
类型：发明
国别省市：