车辆的速度预测装置及方法制造方法及图纸

本发明专利技术涉及一种车辆的速度预测装置及方法。为了以时序数据的形式高精度地预测车速，本发明专利技术可以包括：输入装置，将预测时间点之前的驾驶概况的时序数据输入到编码器中；学习装置，通过利用作为编码器的输出的低维表示、预测时间点的车速和预测时间点的驾驶概况来学习车速模型；以及控制器，基于车速模型来预测车速。车速。车速。

【技术实现步骤摘要】
车辆的速度预测装置及方法
[0001]相关申请的交叉引用
[0002]本申请要求于2020年9月15日提交的申请号为10
‑
2020
‑
0118481的韩国专利申请的优先权，该韩国专利申请的全部内容为了所有目的通过引用并入本文。


[0003]本专利技术涉及一种基于变分自动编码器(VAE)来预测车速的技术。

技术介绍

[0004]通常，深度学习或深度神经网络是一种机器学习，并且由输入和输出之间的多层人工神经网络(ANN)组成。
[0005]根据结构、要解决的问题和目的，除了主要在视觉领域中使用的卷积神经网络(CNN)和主要处理诸如自然语言、声音等的序列数据的递归神经网络(RNN)之外，ANN还可以包括VAE。
[0006]VAE是一种无监督的数据学习技术，该技术将输入变量的数据集(X)建模为表示正态分布的平均值的低维表示(low
‑
dimensional representation)(Z)并从Z中提取X的特征。通过重复学习将重构的输出(X')与数据集(X)匹配本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种根据变分自动编码器预测车速的速度预测装置，即，根据VAE预测车速的速度预测装置，所述速度预测装置包括：输入装置，将预测时间点之前的驾驶概况的时序数据输入到编码器中；学习装置，包括所述编码器，并通过利用作为所述编码器的输出的低维表示、所述预测时间点的车速和所述预测时间点的驾驶概况来学习车速模型；以及控制器，根据所述车速模型来生成预测的车速。2.根据权利要求1所述的速度预测装置，其中，所述驾驶概况包括车辆的油门踏板位置值即GPP值、道路坡度、所述车辆的转向角、所述车辆的制动状态、所述车辆与在前车辆的隔开距离、所述车辆的挡位、所述车辆的每分钟转数即RPM、所述车辆的制动压力、所述车辆与所述在前车辆的相对速度和道路曲率中的至少一个。3.根据权利要求1所述的速度预测装置，其中，所述车速模型用于以时序数据的形式输出车速。4.根据权利要求1所述的速度预测装置，其中，所述编码器将所述预测时间点之前的驾驶概况的时序数据的特征建模为分布在第一区域中的所述低维表示。5.根据权利要求4所述的速度预测装置，其中，所述学习装置进一步包括解码器，所述编码器包括卷积神经网络和多层感知器网络，所述解码器包括多层感知器网络和反卷积神经网络，以输出所述预测的车速，并且所述低维表示、所述预测时间点的车速和所述预测时间点的驾驶概况被输入到所述解码器的多层感知器网络。6.根据权利要求5所述的速度预测装置，其中，所述驾驶概况包括车辆的油门踏板位置值即GPP值、道路坡度、所述车辆的转向角、所述车辆的制动状态、所述车辆与在前车辆的隔开距离、所述车辆的挡位、所述车辆的每分钟转数即RPM、所述车辆的制动压力、所述车辆与所述在前车辆的相对速度和道路曲率中的至少一个。7.根据权利要求4所述的速度预测装置，其中，所述学习装置进一步包括解码器，所述编码器包括卷积神经网络和多层感知器网络，所述解码器包括多层感知器网络和反卷积神经网络，以输出所述预测的车速，所述预测时间点的驾驶概况被输入到所述编码器的多层感知器网络，并且所述低维表示和所述预测时间点的车速被输入到所述解码器的多层感知器网络。8.根据权利要求7所述的速度预测装置，其中，所述驾驶概况包括车辆的油门踏板位置值即GPP值、道路坡度、所述车辆的转向角、所述车辆的制动状态、所述车辆与在前车辆的隔开距离、所述车辆的挡位、所述车辆的每分钟转数即RPM、所述车辆的制动压力、所述车辆与所述在前车辆的相对速度和道路曲率中的至少一个。9.一种根据变分自动编码器预测车速的速度预测方法，即，根据VAE预测车速的速度预
测方法，所述方法包括：通过输入装置，将预测时间点之前的驾驶概况的时序数据输入到编码器中；通过包括所述编码器的学习装置，通过利用作为所述编码器的输出的低维表示、所述预测时间点的车速和所述预测时间点的驾驶概况...

【专利技术属性】
技术研发人员：郑同训，田炳昱，蔡旻宰，申容旭，
申请(专利权)人：起亚株式会社，
类型：发明
国别省市：