[發明專利]一種暴雨道路無人駕駛車輛電量預測方法及預警系統

有效

• 申請號: 201810444271.4
• 申請日: 2018-05-10
• 公開（公告）號: CN108621844B
• 公開（公告）日: 2020-01-03
• 發明（設計）人: 劉輝;李燕飛;吳海平
• 申請（專利權）人: 中南大學
• 主分類號: B60L58/10
• 分類號: B60L58/10;B60L58/12;G06N3/08;G06N3/12
• 代理公司: 43114 長沙市融智專利事務所(普通合伙)
• 代理人: 龔燕妮

本發明公開了一種暴雨道路無人駕駛車輛電量預測方法與預警系統，該方法采用多種傳感器組成傳感器網絡，能夠綜合考慮暴雨道路下無人駕駛車輛的多種行駛環境因素，采用了力敏傳感器測量車身的降雨阻力，并利用融合系數進行集中數據融合；利用遺傳算法對采集到的數據信息進行權重系數優化，能夠區分不同行駛環境因素對車輛電量的影響大小，得到的數據結構更有代表性；利用兩層神經網絡對無人駕駛車輛在極端暴雨環境下的電量進行實時預測，神經網絡的使用充分考慮了這種非線性環境下的各種定量和定性的變量因子，得到的電量預測結果與一般的SOC電池電量預測方法相比，更加智能，預測結果也更加準確，能夠起到很好的預警功能。

技術領域

本發明涉及一種暴雨道路無人駕駛車輛電量預測方法及預警系統。

背景技術

近年來無人駕駛車輛技術的研發越來越受到各大公司的重視，谷歌、Uber等公司不斷加大對無人駕駛車輛的研究力度，各國也一直在促進無人車輛上路的法律實行。但是現在的無人車輛還不能完全代替現有車輛，其原因有很多，其中比較重要的一點就是無人車輛電池電量的控制，如何保證無人駕駛車輛能夠正確的掌控實時電量，是無人駕駛車輛能否投入實際使用的技術基礎。

現在無人駕駛車輛的電池電量計算一般是采用簡單的SOC預測方法等等，計算結果不夠準確，實時性也不好。特別是對于無人駕駛車輛如何在極端環境下正確估算車輛電量情況，是現在的一個難題，迄今為止也沒有公開的有效技術，這正是急需解決的核心技術問題，與正常天氣下的行駛條件相比，暴雨天氣無人駕駛車輛的行駛條件會有很大的不同，比如降雨阻力，道路積水等因素的變化都會使無人車輛的耗電情況更加復雜。

發明內容

本發明提供了一種暴雨道路無人駕駛車輛電量預測方法及預警系統，其目的在于，克服現有技術中無法在暴雨情況下對無人駕駛車輛的電量受到多因素影響，而無法進行準確預測的問題。

一種暴雨道路無人駕駛車輛電量預測方法，包括以下步驟：

步驟1：獲取暴雨環境下的無人駕駛車輛歷史行駛數據；

所述歷史行駛數據包括各時刻的降雨阻力、道路積水阻力、道路坡道損耗功率、車載電池溫度以及耗電率、剩余電量；

步驟2：構建基于小波神經網絡的無人駕駛車輛的電池耗電率擬合模型；

以所述歷史行駛數據中各指定時間間隔T內的降雨阻力、道路積水阻力、道路坡道損耗功率、車載電池溫度作為小波神經網絡的輸入數據，耗電率作為輸出數據，對小波神經網絡進行訓練，獲得基于小波神經網絡的無人駕駛車輛的電池耗電率擬合模型；

所述小波神經網絡的輸入層節點個數為4，隱含層小波元個數為8，輸出層節點個數為1，隱層小波神經元采用Mexican Hat小波函數，輸出層節點采用Sigmoid函數；訓練過程中的最大迭代次數設置為1000，訓練學習率為0.1，閾值為0.00004；

步驟3：構建基于BP神經網絡的無人駕駛車輛剩余電量預測模型；

以所述歷史行駛過程中的t時刻的耗電率和對應的剩余電量作為輸入數據，t+T時刻的剩余電量作為輸出數據，對BP神經網絡模型進行訓練，獲得基于BP神經網絡的無人駕駛車輛剩余電量預測模型；

所述BP神經網絡輸入層包含3個節點，輸出層節點個數為1，訓練過程中的最大迭代次數設置為500，訓練學習率為0.2；

步驟4：利用當前時間在指定時間間隔T時間內獲得的降雨阻力、道路積水阻力、道路坡道損耗功率、車載電池溫度輸入基于小波神經網絡的無人駕駛車輛的電池耗電率擬合模型，獲得當前時間在指定時間間隔T時間內的電池耗電率，并基于獲得的當前電池耗電率以及實時剩余電量，輸入基于BP神經網絡的無人駕駛車輛剩余電量預測模型，獲得經過指定時間間隔T時的剩余電量；