控制车辆的方法

摘要

一种控制车辆的方法，包括：测量多个训练集，所述多个训练集中的每一个训练集包括多个元素，每个元素存储车辆速度值；基于所述车辆速度值将来自所述多个训练集的所述元素分组成速度分组；基于所述训练集中在所述第一速度分组中的所述多个元素之前的元素将所述速度分组中的第一个速度分组的元素再划分成多个聚类；基于所述训练集中在所述第一聚类的所述元素之后的元素来确定所述多个聚类中第一个聚类的统计函数；接收一系列的车辆速度值；基于所述一系列的车辆速度值来选择所述多个聚类中的一个聚类；基于所选择聚类的所述统计函数来输出车辆速度概率值；并且基于所述车辆速度概率值来控制车辆系统。

权利要求

1.一种控制车辆的方法，包括：获取车辆的最终速度和逐渐导致该最终速度的所有加速度，该所有加速度被分组为多个集合；

识别每个集合的中心点，该中心点与不同的驱动策略相关联；

确定车辆速度的当前值；

将所确定的车辆速度的当前值与该中心点相比较；

将该当前值分配给具有最近中心点的集合；

基于该分配的集合来确定未来车辆速度值的统计分布；以及基于最有可能的车辆速度值来控制车辆.

2.如权利要求1所述的方法，其中所述驱动策略包括：高制动、高加速、巡航、轻微制动和轻微加速。

说明书

控制车辆的方法

[0001] 本案是申请日为2006年1月9日、申请号为200610051374.1的发明专利申请的分案申请。

技术领域

[0002] 本发明涉及车辆控制，更具体地涉及条件概率模型(CPM)车辆控制。

背景技术

[0003] 车辆动力系一般包括单个或多个动力装置，用于产生传动转矩以驱动一个或多个车轮。该动力装置产生的传动转矩通过动力传动系统(driveline)传递到车轮。动力传动系统部件包括但不限于：传动装置(transmission)、动力输出单元(PTU)、变速箱(transfer case)、等速万向节(CVJ)、半轴、推进轴(propshaft)、差速器和转矩偏置系统(例如离合器系统)。设计车辆动力系的一个挑战是理解该动力系将被如何使用。

[0004] 动力系控制系统必须基于不确定或可变的工作参数重复做出控制决定，该工作参数包括但不限于操作员输入(例如油门)。该控制决定一般是在获得该操作员命令时设法优化动力系性能和能耗。通常在一些即时利益和可能的未来利益之间存在折衷。而且，当前的控制决定会影响未来的控制决定和利益。

[0005] 在该控制系统的设计中实施随机动态编程(SDP)。能够在控制系统设计中应用SDP的关键概念是，该应用的随机特性模型以及当在车辆中使用该控制时实时工作以估计该随机模型中的特征的估计。传统模型，包括马尔可夫模型，是相当巨大的并且生成极大数量的自由变量。这限制了该控制系统的性能。例如，处理传统模型的处理器将是不充分的，而需要更强大的处理器。这导致了额外的成本和处理复杂性。

发明内容

[0006] 因而，本发明提供了一种控制车辆的方法，包括：测量多个训练集，所述多个训练集中的每一个训练集包括多个元素，每个元素存储车辆速度值；基于所述车辆速度值将来自所述多个训练集的所述元素分组成速度分组；基于所述训练集中在所述第一速度分组中的所述多个元素之前的元素将所述速度分组中的第一个速度分组的元素再划分成多个聚类；基于所述训练集中在所述第一聚类的所述元素之后的元素来确定所述多个聚类中第一个聚类的统计函数；接收一系列的车辆速度值；基于所述一系列的车辆速度值来选择所述多个聚类中的一个聚类；基于所选择聚类的所述统计函数来输出车辆速度概率值；并且基于所述车辆速度概率值来控制车辆系统。

[0007] 在一个实施例中，所述统计函数包括最可能的车辆速度值。

[0008] 在另一个实施例中，所述最可能的车辆速度值基于的是所述多个聚类中对应一个聚类中最频繁出现的车辆速度值。

[0009] 在另一个实施例中，所述统计函数包括车辆速度值的概率分布。

[0010] 在另一个实施例中，所述车辆速度概率值包括特定的车辆速度值。

[0011] 在另一个实施例中，所述方法还包括通过使用所述概率分布随机选择一个值来确定所述特定的值。

[0012] 在另一个实施例中，所述随机选择是由所述概率分布来加权的。

[0013] 在另一个实施例中，所述车辆速度概率值包括最可能的车辆速度值。

[0014] 在本发明的另一个方面，提供了一种控制车辆的方法，包括：测量多个训练集，所述多个训练集中的每一个训练集包括多个元素，每个元素存储车辆速度值；为每个所述元素确定车辆加速度；对于所述多个训练集中的每个训练集，将在该训练集内的所述元素之前的所述预定数量元素以及在该训练集内的所述元素之后的所述元素之一与该训练集中的所述多个元素中的每个元素相关联；基于所述车辆速度值将来自所述多个训练集的所述元素分组成速度分组；对于所述速度分组中的每个速度分组的多个元素，基于与该多个元素相关联的所述之前的元素将该多个元素再划分成多个聚类；对于所述多个聚类中的每个聚类，基于与该聚类的所述元素相关联的所述之后元素来确定该聚类的统计函数；在确定所述统计函数之后，接收一系列的车辆速度值；基于所述一系列的车辆速度值中的最近一个车辆速度值来选择所述多个车辆分组中的一个车辆分组；基于所述一系列的车辆速度值中之前的车辆速度值来选择所述多个聚类中的一个聚类；和基于所选择聚类的所述统计函数来输出车辆速度概率值；并且基于所述车辆速度概率值来控制车辆系统。

[0015] 本发明提供了一种对车辆参数的循环进行建模的方法。本方法包括，生成多个训练集，和基于该车辆参数的当前值和该车辆参数随后的变化而对每个训练集的元素进行部分地分类。本发明进一步包括基于该元素将该多个训练集减少到相应的多个参数集，并且基于一个值和该值的历史记录定义该参数集的多个统计分组。

[0016] 在一个特征中，该多个训练集的每个均包括多个参数向量。

[0017] 在另一特征中，本发明进一步包括，对每个训练集加权，从而使得特定训练集的最近元素比该特定训练集中的较早元素对该统计分组具有更大的影响。

[0018] 在另一特征中，本发明进一步包括基于每个训练集的各个低阶表示对每个训练集进行近似。

[0019] 在又一特征中，该定义多个统计分组的步骤包括对该训练集进行聚类分析以生成该统计分组。该聚类分析是基于该值和多个历史值而进行的。

[0020] 根据下文给出的详细说明，本发明可适用的其他领域将会变得清楚。应当理解，虽然该详细说明和特定示例指示了本发明的示例性实施例，但是其仅用于例示的目的，而不是要限制本发明的范围。

附图说明

[0021] 根据该详细说明和附图，本发明将会被更透彻地理解，其中：

[0022] 图1是图形表示的用于示例性车辆参数的训练集的汇编；

[0023] 图2是示出建立该车辆参数的条件概率模型(CPM)所执行的步骤的流程图；

[0024] 图3是显示使用单个历史样本对示例性车速进行聚类的图；

[0025] 图4是显示使用多个历史样本对示例性车速进行聚类的图；

[0026] 图5是未来车速的示例性概率分布的图表；

[0027] 图6是显示基于本发明的CPM控制车辆工作所执行的步骤的流程图。

具体实施方式

[0028] 以下对本发明的各种实施例的说明实质上仅是示例性的，而决不是为了限制本发明、其应用或用途。为了清楚起见，在附图中将使用相同的标记数字标记相似的元件。

[0029] 本发明提供了一个条件概率模型(CPM)，可用于预测车辆工作参数的未来状态。该CPM是随机模型，可以实现为马尔可夫模型的近似。术语马尔可夫模型或隐马尔可夫模型(HMM)是指一个有限状态集，其中每一个状态都具有相关联的概率分布。该概率分布是多维的。转换概率控制状态间的转换。对于一个特定的状态，可以基于该相关联的概率分布生成观测值。

[0030] 本发明的CPM能够实现依赖于车辆参数的预测或车辆参数的统计描述的控制系统。该CPM可以用于为随机动态编程(SDP)而对车辆使用的随机特性建模。该CPM对于混合电动车(hybrid-electricvehicle)(HEV)的情况特别有用。该CPM还可以实施为用于控制规则的随机状态的估计器。此外，该CPM可以用作预览生成器，为该车辆可能的未来使用生成预览。该CPM可以自适应地更新以考虑特定车辆的使用特性。

[0031] 现在参照图1，示例性车辆参数包括车速。虽然这里使用速度描述该CPM，但是可以理解，可以对于任何其他车辆工作参数类似地建立和实施该CPM，该车辆工作参数包括但不限于转矩、引擎RPM、传动齿轮、交流发电机占空比、电池负载、燃料电池负载、排放(emission)或用于任何类型车辆(例如内燃机、燃料电池、电、混合电等)的任何其他随机工作参数。为多个参数循环提供训练集。该训练集由包含速度与时间关系的多个示例性驱动循环构成。

[0032] 条件概率是在给定其他已知信息时事件发生的概率。该CPM通过从该训练集中推断的条件概率对车速建模。下一个速度(Vk+1)的概率是以在前速度的历史和该训练集为条件。该关系表征如下：

[0033] Pr(Vk+1|Vk，Vk-1，...，Vk-N，D) (1)

[0034] 其中Vk表示当前时间步长的车速，而D表示该训练集。

[0035] 该训练集被减少到参数集，并且基于该参数集计算该条件概率。该关系表征如下：

[0036] Pr(Vk+1|Vk，Vk-1，...，Vk-N，θ) (2)

[0037] 其中Vk表示当前时间步长的车速，而θ表示该参数集。该参数集是该训练集的低阶表示(lower order representation)。例如，该训练集提供了使用大量变量描述速度的向量，从而在每个时间点提供该速度的确切值。该参数集是使用减少数量的变量对该速度进行的低阶近似。

[0038] 公式2提供了该条件概率，以使得能够观察该模型并且在模拟中使用它。然而，对于该条件概率已经发展了更简洁的表示。更特别地，该简洁表示包含条件概率和动态方程，提供如下：

[0039] Pr((Vk+1-Vk)|Vk，(Vk-Vk-1)，(Vk-1-Vk-2)，...，(Vk-N+1-Vk-N)，θ) (3)[0040]

[0041] 现在参照图2，通过初始选择模型阶来建立该CPM。该模型阶确定该概率以过去多远为条件。并且，添加加权因子以减少更远的(即较早的)数据的影响。该原始数据集被减少以训练该训练集(D)中的向量并且被划分为类别(ωi)。该原始数据集包括表示该车辆在每个时间步长的速度的一组可变长度向量。对该训练向量执行分析以将它们分组为聚类(cluster)。

[0042] 该数据减少过程以该原始数据集(D)开始。因为该速度的变化是有界的，所以创建该训练集(Di，j)以反映该速度变化的历史(vi，k-vi，k-1)。该速度的变化被加权从而使得过去的变化比更近的变化更少被定标。为达到这一点，使用加权因子(wi)。初始分类(ωi)被分配给该训练集中的每个元素。该分类是基于速度的下一个变化和当前速度的。为此，建立下列关系：

[0043] D＝{V1，V2，...，Vk} (5)[0044]

[0045] Di，j＝((vi，k-vi，k-1)·w1，(vi，k-1-vi，k-2)·w2，...，(vi，k-N+1-vi，k-N)·wN) (7)[0046]

[0047] 然后将Di，j和wi，j用于聚类分析。

[0048] 通过聚类分析对Di，j和wi，j进行处理。聚类分析可以通过多种方式进行。聚类分析用于将数据分类为分组或聚类中，从而在相同聚类中的数据之间的关联度较强，而在不同聚类中的数据之间的关联度较弱。每个聚类描述了其成员所属的分类。该聚类通过聚类参数(θ)进行参数化。例如，考虑基于平均速度的聚类方案。该聚类参数用于为该聚类类别定义平均速度的中心点。通过概率密度估计(PDE)对Di，j和wi，j和θ进行处理以提供PDE映射。

[0049] 在一个聚类分析方法中，基于当前速度(vi，k)对该数据进行部分地分类。应用主成分分析(PCA)将该数据减少到1维子空间。PCA是一种根据主成分从数据集中获取差异的聚类分析工具。该数据的维数被减少以在滤掉噪声的同时对最重要的(即定义的)部分求和。主成分是定义一个射影的一组变量，该射影将最大数量的差异封装在数据集中并且与该同一数据集的在前主成分正交(即不相关)。从该1维子空间中选择十个(10)均匀间隔的聚类。虽然这种聚类分析方法能够提供良好的结果，但是应用更简单的方法能够获得更好的性能。

[0050] 在可选的聚类分析方法中，类别成员(class membership)被分配给通过数据减少而生成的先验类别(即不基于经验的类别)的重叠组。因为在该类别之间存在重叠，所以使用每个聚类的平均来对该训练样本的空间进行划分。图3示出了当使用一个历史样本时获得的对于单个速度(例如V(k)＝30mph)的聚类。图4示出了使用两个历史样本获得的对于该单个速度的聚类。每个阴影部分代表单个聚类。可以看出，通过增加历史样本的数量，可以减少所生成聚类的数量。

[0051] 总之，聚类分析取最终速度和逐渐导致该最终速度的所有加速度的数组，并且将它们减少为可控制的集合。例如，如果一个向量被提供有30mph的示例性最终速度，在产生或导致30mph的该原始数据中可能存在数百个不同的加速度。该数百个加速度使用聚类分析分组为多个集合(例如4或5个)。更特别地，聚类分析识别该数百个加速度向量的多个中心点(例如4或5个)。该中心点可以关联有不同的驱动策略(driving maneuver)，包括但不限于：高制动、高加速、巡航(cruising)、轻微制动和轻微加速。

[0052] 该集合的中心点确定特定的速度向量可能存在于哪个统计分组中。更特别地，该速度向量被分配到与其最近的中心点相关联的分组中。例如，如果该速度向量距离轻微加速集的中心点最近，则该速度向量被分配到轻微加速分组，并且基于组成该轻微加速集的速度向量历史来确定下一个或预测速度。

[0053] 现在参照图5，一旦发现该聚类参数(θ)，就根据聚类对该训练集(Di，j)分类。确定每个聚类中下一个速度(V(k+1))的分布。根据该下一个速度指示的柱状图计算该概率分布。图5示出了对于包含V(k)＝30和V(k-1)＝28的示例性聚类所得到的概率分布之一的示例性图表。更特别地，该图表示出了在给定当前速度(V(k)＝30)和在前速度(V(k-1)＝28)的条件下下一个速度(V(k+1))的概率。给定图5的示例性图表，有大约7％的机会V(k+1)将是24mph，有大约12％的机会V(k+1)将是28mph，并且有大约45％的机会V(k+1)将是29mph。

[0054] 该PCM是基于所使用的聚类对该车辆速度的真是条件概率的近似。通过将所有速度四舍五入到整数，该PCM将是很大的马尔可夫模型的非常简洁、确切的表示。例如，如果对0到90mph的车速范围考虑50个历史速度，则所得到的马尔可夫模型将是元素195
一个具有大约8·10 个元素的矩阵。本发明所生成的该PCM则仅具有75000个元素。

[0055] 现在参照图6，将对车辆控制系统所执行的示例性步骤进行详细说明。在步骤600，控制流程确定工作参数(X(k))(例如速度)的当前值。在步骤602，控制流程将X(k)与由本发明的CPM所定义集合的中心点相比较。在步骤604，控制流程将X(k)分配给具有最近中心点的集合。在步骤606，控制流程基于该分配的集合确定未来工作参数(X(k+1))的统计分布。在步骤608，控制流程基于X(k+1)的最可能值操作该车辆并且控制流程结束。

[0056] 该CPM可以用于通过估计未来的工作特征来优化控制任何动态系统。通过处理工作条件的当前值，控制模块可以确定该工作条件的未来值或在统计分布上散布的多个未来值。通过这种方式，该控制模块可以预期该工作参数的变化并因而调整车辆部件。

[0057] 通过前面的说明，本领域普通技术人员现在能够清楚，本发明的宽泛教导能够以多种形式实现。因此，虽然本发明是结合特定示例进行说明的，但是本发明的实质范围不应被限于此，因为基于对附图、说明书和所附权利要求的学习，其他修改对于熟练技术人员也是显而易见的。