用于评估车辆驾驶风格模型或车辆用法模型检测器的方法
技术领域
本发明涉及一种确定统计模型描述观测车辆的驾驶风格或用法概率的方法。
背景技术
开发混合动力电动汽车的目标在于提高燃油经济性和降低汽车的污染排放物。在设计混合动力车辆时，通过最优化操作和控制策略使得燃油经济性最大化。驾驶风格的统计模型能够为混合动力和非混合动力车辆提供最优化的操作。
发明内容
本发明涉及一种确定统计模型描述观测车辆的驾驶风格或用法概率的方法。通过识别适当的统计模型，可以检测驾驶风格并使车辆操作最优化。该方法可应用于混合动力和非混合动力车辆。
确定统计模型描述观测车辆从时间步长k到当前时刻的驾驶风格概率的方法，也称为通用算法，包括：(a)建立至少一个驾驶风格统计模型，其中，该统计模型为条件概率模型，该条件概率模型描述在给定当前时间步长k的情况下下一时间步长k+1的条件概率；(b)确定驾驶风格或车辆用法的每个统计模型的初始概率分布；(c)确定由每个驾驶风格统计模型正在预测的观测转换的概率；(d)计算解释在未来时间步长k+1所观测车辆的驾驶风格的统计模型概率；其中，所述(c)确定所观测转换的概率和所述(d)计算所述统计模型的概率，这两项在所有时间步长重复，直到当前时刻。
在本发明的另一方面，该方法可以被扩充以确定车辆驾驶风格的最可能统计模型。扩充后的方法称为模型检测算法。这可以对划分为城市、公路、强劲等的驾驶风格进行检测。例如，扩充后的方法可以用于以非常高的可信度区分公路与城市驾驶。
结合附图，通过以下对实施本发明的最佳方式的详细描述将容易理解本发明的以上目的、特征、优点以及其他目的、特征和优点。
附图说明
图1是显示用于描述观测车辆的驾驶风格通用算法的元素的示意性流程图；
图2是显示对模型检测算法的输入与输出的示意性流程图；以及
图3是显示模型检测算法的元素的示意性流程图。
具体实施方式
本发明涉及一种确定统计模型描述观测车辆的驾驶风格或用法概率的方法。这种方法在此称之为“通用算法”。图1是显示该通用算法的元素的示意性流程图。
通用算法
确定统计模型描述观测车辆从时间步长k到当前时刻的驾驶风格概率的方法，该方法包括：(a)建立至少一个驾驶风格统计模型，其中，该统计模型为条件概率模型，该条件概率模型描述在给定当前时间步长k的情况下下一时间步长k+1的条件概率；(b)确定驾驶风格或车辆用法的每个统计模型的初始概率分布，如方框102所示；(c)确定通过每个驾驶风格统计模型预测的观测转换的概率；(d)计算解释所观测车辆在未来时间步长k+1驾驶风格的一个统计模型的概率；其中(c)确定观测转换的概率，(d)计算所述统计模型的概率，这两项对所有时间步长重复，直到当前时刻。(c)和(d)项如方框104所示。
以下描述(a)到(d)项。(a)到(d)项不必要按介绍的顺序执行。
该方法包括建立几种驾驶风格的车辆用法的统计模型。车辆的统计模型由代表特定风格的驾驶采样形成。这些样品最少包括随时间变化的车速。然而，额外的信息，如地理位置，运行时间(time on)，道路坡度和交通状况都可以考虑。由该信息建立起描述在给定当前时间步长的情况下在下一时间步长的条件概率的条件概率模型。
因此，每个驾驶风格的统计模型都是条件概率模型，该条件概率模型描述在给定所述时间步长k的车速vk的情况下，在时间步长k+1具有车速vk+1的概率P。
该方法进一步长包括(b)确定驾驶风格或车辆用法的每个统计模型的初始概率分布，即，初始化驾驶风格或车辆用法的每个统计模型的概率Pmdl，1，其中具有N个模型。Π0为初始概率分布，它对每个统计模型都是预先确定的。Π0是一个包含与驾驶风格相匹配的任何模型初始概率的向量。实际上，通常设置该向量以使得每一个元素都等于1/N，其中N为正被检测的不同模型的数目。在这种情况下，每个统计模型都会具有与观测车辆的驾驶风格相匹配的等概率。
P md l 1 , 1 = Π 0,1 ]]>
P md l N , 1 = Π 0 , N ]]>
此处， Σ j = 1 N Π 0 , j = 1 ]]>且对于所有的j∈{1，2，...，N}，Π0，j≥0
该方法进一步包括(c)确定从第一模型到第N模型，由驾驶风格或车辆用法的每个统计模型正预测的所观测转换的概率Ptrans mdl。使用了参考查询表。查询表为一个二维参考矩阵或阵列，该矩阵或阵列针对每一个驾驶用法统计模型所开发的且对于每一个驾驶用法统计模型而言是唯一的。查询表具有向通用算法输入的功能，且具有三个独立的索引；索引识别特殊统计模型的驾驶用法(1-N)，当前车速和先前车速。M0(vk，vk-1)代表位于方程右侧的最左边的矩阵。
![]()
该方法进一步包括(d)计算任意给定模型的概率，该给定模型解释直到当前时刻所观测的行为。因此计算从第一个模型到第N个模型的、解释在时间步长k+1的车辆驾驶风格的每个模型的概率。
P md l 1 , k + 1 . . . P md l N , K + 1 = M 2 · 1 P trans , md l 1 Σ j = 1 N P trans , md l j . . . P trans , md l N P trans , md l j ]]>
该方法进一步包括(c)确定所观测转换的概率和(d)计算所述统计模型的概率，这两项在所有时间步长中重复，直到当前时刻。因此当(c)重复时，(d)中所确定的向量Pmdl，k+1替换(c)中的向量Pmdl，k。
通用算法的校准
该算法可以使用M0(vk，vk-1)，M1，M2以及Π0来校准。在(a)中使用∏0。在(c)中使用M0(vk，vk-1)和M1。在(d)中使用M2。
M0(vk，vk-1)定义了在每个模型中从一个速度转换到另一个速度的概率。这个矩阵函数基于用于构建条件模型的驾驶数据而校准。M1和M2为用于定义在每一个采样中从一种驾驶风格转换到另一种驾驶风格的概率的矩阵。M1和M2为马尔可夫矩阵。因此，矩阵M1和M2中的每个元素都为非负，并且任意行的和为1。马尔可夫模型为一类统计模型，其中，在未来时刻系统的输出由系统的当前状态所决定。
M1和M2都可以为单位矩阵，这将表明一旦车辆启动，就没有可能从一种风格转换到另一种风格。实际上，如果一个矩阵不是单位矩阵，那么另一个矩阵就将是单位矩阵，虽然这没有被要求。
M1，M2和Π0可用于指定驾驶风格的可能顺序。例如，Π0可设定为在运行(key on)时禁止公路驾驶。一旦已检测到城市驾驶风格，则M1或M2随即可以准许转换到检测公路驾驶风格。
模型检测算法
在本发明的另一方面，可扩充通用算法以确定车辆用法的最可能的统计模型。这可以对划分为城市、公路、强劲等的驾驶风格进行检测。例如，这种扩充的算法可以用于以非常高的可信度区分公路与城市驾驶。
这种方法这里被称之为“模型检测算法”。参照图2，示出了输入和输出到模型检测算法106的示意性流程图。模型检测算法106具有下列各项作为输入：当前车速，如方框108中所示；给定当前车速情况下，下一车速的概率，如方框110中所示。模型检测算法106具有下列各项作为输出：描述驾驶风格的每一统计模型的概率，如方框112中所示；以及描述驾驶风格的最佳统计模型，即，具有描述观测的驾驶风格的最高概率的统计模型，如方框114中所示。
图3为显示模型检测算法的元素的示意性流程图。模型检测方法或确定从时间步长k到当前时刻观测车辆驾驶风格的最大可能统计模型的方法包括：(a)建立至少一个驾驶风格统计模型，其中，该统计模型为条件概率模型，该条件概率模型描述了在给定当前时间步长k的情况下，在下一时间步长k+1的条件概率；(b)确定驾驶风格或车辆用法的每个统计模型的初始概率分布，如方框102中所示；(c)确定由驾驶风格的每个统计模型正预测的观测转换的概率；(d)计算解释所观测车辆在未来时间步长k+1驾驶风格的统计模型的概率；其中，所述(c)确定所观测转换的概率和所述(d)计算所述统计模型的概率，这两项在所有时间步长中重复，直到当前时刻；(e)确定N个统计模型中的哪一个具有解释观测的驾驶风格的最高概率。方框104中示出了(c)和(d)项，而方框116中示出了(e)项。对通用算法进行了如上述(a)到(d)项的描述。(a)到(d)项不必按介绍的顺序执行。
(e)中确定的统计模型为检测模型，其具有解释观测的驾驶风格的最高概率Pmdl，k。
D mdl 1 = P md l j , k > P md l j , k , ∀ j ∈ { 2,3 , . . . , N } ]]>
D md l 2 = P md l 2 , k > P md l j , k , ∀ j ∈ { 1,3 , . . . , N } ]]>
D md l N = P md l N , k > P md l j , k , ∀ j ∈ { 1,2 , . . . , N - 1 } ]]>
Π0的特殊情况：
每个模型的初始概率分布是相等的这种特殊情况导致：
Π0＝[1/N 1/N……1/N]T。另一种特殊情况是，一个特定模型不可能描述系统，例如，模型2不可能描述系统。这将导致Π0＝[1/(N-1) 0 1/(N-1) … 1/(N-1)]T。两个例子中的T都表示转置矩阵。
M1和M2的特殊情况：
P1为改变或转换为不同驾驶风格的概率，P2为保持相同驾驶风格的概率，两者都在通用算法中的检测或(c)之前：
![]()
P1为改变或转换为不同驾驶风格的概率，P2为保持相同驾驶风格的概率，两者都在通用算法(d)中的概率分布更新之前：
![]()
其中，预期的驾驶风格没有改变，M1和M2均为单位矩阵：M1＝I，M2＝I
该算法的其它变化
除对统计模型仅使用速度v外，该方法或算法的增强版本可以向条件概率模型使用其它的输入。
例如，条件概率模型(Pr(Tk+1|vk，Tk))可以使用除了速度外的转矩作为该算法的输入而形成。此处的Tk+1为时间步长k+1时的转矩，vk为前一时间步长k时的速度，Tk为时间步长k时的转矩。
条件概率模型Pr(vk+1|vk，Sk)可以使用速度和统计组作为输入而形成。此处的Sk为将先前观测的驾驶行为映射到有限集的总变量(summaryvariable)。这一集合中的每个元素都代表统计上相似的驾驶行为，即，Sk：[vk，vk-1，...，v1]→{1，2，...，M}。
条件概率模型Pr(vk+1|vk，Gk)可以使用速度和地理位置作为输入而形成。此处的Gk为描述车辆物理位置的变量。
此外，速度、转矩、加速度、道路坡度、时刻、物理位置(例如GPS)、车辆载荷、乘客数和座位数、变速器齿轮、驾驶员身分识别、钥匙、特殊车辆模式等等的所有组合都能用作条件概率模型中的输入。相同的变量可以分组成为统计簇，并用于条件概率模型。
算法的应用
确定统计模型描述从时间步长k到当前时刻所观测车辆的驾驶风格概率的方法，如上所述，可应用于提高混合动力车辆的燃油经济性。车辆的至少一个操作参数可以基于观测的驾驶风格统计模型而进行控制，在某种意义上提高下一时间步长k+1的燃油经济性。车辆的可控操作参数包括与功率分流(power-split)控制相关联的校准和其他适当的参数。功率分流控制影响瞬间使用的电池功率与发动机功率的比率。在特定时间步长混合动力车辆中所使用的电池功率与发动机功率的比率影响燃油经济性。
通过检测驾驶员风格的统计模型，可以微调混合动力电动汽车中的控制规则，提供进一步提高的燃油经济性。该微调提供了适应的好处，而不要求适应或用于前馈控制的机构。例如，混合动力电动汽车中的一个简单适应方案是在指数遗忘窗口上估计平均车速。这典型地包括持久的常量并得到实数。这种适应的结果为大量可能的驾驶风格。使用这种方案，驾驶风格就与小的有限集合的可能驾驶风格分隔开来。
本发明中的方法或算法可与先前提出的混合动力电动汽车控制算法一起使用，并且当车辆以明显不同的方式驱动时，通过识别可以改进控制算法的性能。
另外，该算法是混合动力电动汽车控制技术的一部分。控制合成技术，即通常所说的随机动态编程(SDP)，可以用来设计用于发动机和电池管理的高级策略。SDP依靠系统输入(例如，转矩请求)的统计描述。所使用的特殊统计描述通常称之为马尔可夫模型。给定这种马尔可夫模型就可以合成最佳控制规则。这种技术的一种可能是为最优化操作利用了最大数量的信息。这种检测算法通过区分不同驾驶风格而允许为最优化操作利用最大数量的信息。
在此提出的方法或算法具有计算上的高效率，并且占用最少数量的内存。例如，在一个检测七种不同驾驶风格的实施例中，仅使用了十六位浮点变量。仅需要八个变量来保持估计量(estimator)的状态。该方法或算法寻找“明显的目标”或特殊事件，而不是依靠“运行”时间，即汽车已启动了多久。
其他可能的使用和适应
上述方法或算法也可以应用于非混合动力车辆。该算法可以适合于检测任何系统外部输入的最佳统计模型，即，一组最佳描述系统输入与输出的统计量。所需要的全部就是识别采样时间历史记录，识别输入，将那些输入分组归类成可检测组或库，建立统计模型(即，马尔可夫模型)并执行检测器算法。采样时间历史记录可以是转矩或速度逐秒的在先历史记录采样。
本发明中方法的应用包括辅助调度诊断测试。例如，在系统未来输入的统计模型可以用于确定启动入侵测试的适当时间。例如，一族歧管压力的统计模型可以公式化。在这些统计模型中，其中一个可以成为最佳识别何时启动废气循环(EGR)阀测试的模型。然后检测器可以用于确定何时该模型最可能有效并用于触发测试。
本发明中方法的其他应用包括最佳增益设置的选择或增益调度控制。当我们拥有一种控制器，该控制器必须对不跟随简单行为(例如，步长输入，斜坡输入等)的输入作出反应时，这种方法可用于识别最可能的输入，并对导致最佳操作的增益进行选择。例如，这种技术可用于识别特殊的操纵并选择适当的补偿。在悬挂和稳定系统中，这种方法可用于识别最可能的道路和附近环境的统计模型。
虽然详细描述了实施本发明的最佳方式，但本领域技术人员将认识到用于实现本发明的各种可替换的设计和实施例都应该落入所附权利要求书的保护范围之中。