【技术实现步骤摘要】
本专利技术涉及汽车智能交互，尤其涉及一种路况识别方法、电子设备及可读存储介质。
技术介绍
1、随着汽车产业的不断发展，汽车已经成为现代生活必不可少的交通工具。汽车的用户分布在世界各地，而各个地区的经济发展水平、人口密集程度以及公路基建水平都千差万别，这些因素直接或间接地导致汽车在实际使用中，需要面对复杂多变的道路状况。
2、路况对整车控制策略以及车辆表现等影响很大，对于配备gpf(汽油机颗粒物捕集器，gasoline particular filter)的车辆而言，gpf再生需要在特定且较为稳定的工况进行，工况不满足要求时会严重影响gpf再生，较为通畅的路况往往可以满足gpf再生的工况需求，而在频繁起停的拥堵路况则不能满足gpf再生的工况需求。对于hev(混合动力电动车辆)或phev(插电式混合动力车辆)，往往会有相应的能量管理策略，通过这些策略来对发动机以及电机的能量进行分配，可以达到既满足驾驶员需求，又保证燃油经济型和续航里程的效果，能量管理策略与路况相关性较强。在一些拥堵路况，车辆的平均速度较低，且会频繁地起停，而发动机频繁起动或长时间怠速会导致油耗升高。此时可以通过识别当前路况来调节起停策略，避免非必要的停机，同时也可以获得较好的燃油经济性。而在高速路况，发动机可以工作在较为稳定且高效的工作点，此时可以调节能量分配策略，主要使用发动机输出功率，从而达到较为理想的能量消耗。因此，正确识别车辆当前所处的路况，并实现相应控制策略，对车辆排放以及燃油经济性都意义重大。
3、目前常用的路况识别方法主要是通过
技术实现思路
1、本专利技术的目的在于提供一种路况识别方法、电子设备及可读存储介质，易于在车载控制器中实现，从而快速识别实时路况。
2、为了达到上述目的，本专利技术提供了一种路况识别方法，包括：
3、采集车辆的实时车速信息；
4、对所述实时车速信息进行特征提取获得实时特征参数，并对所述实时特征参数进行归一化处理获得实时输入向量；
5、将所述实时输入向量输入至一学习向量化神经网络中，所述学习向量化神经网络中具有若干路况对应的特征向量，若干所述路况对应的特征向量通过所述学习向量化神经网络离线训练获得，所述学习向量化神经网络输出与所述实时输入向量最接近的特征向量对应的路况作为实时路况。
6、可选的，采集一周期内的若干采样点的实时车速信息。
7、可选的，所述实时特征参数包括若干采样点的平均车速、最大速度、平均加速度、平均减速度和怠速时间占比。
8、可选的，获得若干所述路况对应的特征向量的步骤包括：
9、获得车辆行驶后存储的离线车速信息，并将所述离线车速信息划分为若干车速片段；
10、对每个所述车速片段的离线车速信息进行特征提取获得每个所述车速片段的离线特征参数，并对每个所述车速片段的离线特征参数进行归一化处理获得每个所述车速片段的离线输入向量；
11、获得每个所述车速片段的路况，将每个所述车速片段的离线输入向量及每个所述车速片段的路况输入至所述学习向量化神经网络中，以训练获得每个所述路况对应的特征向量。
12、可选的，采用时间窗口划分或运动片划分将所述离线车速信息划分为若干所述车速片段，其中所述时间窗口划分是按照设定时间频率将所述离线车速信息划分为若干所述车速片段，所述运动片划分是将相邻两次停车时刻之间的离线车速信息划分为一个所述车速片段。
13、可选的，采用所述运动片划分时，当相邻两次停车时长小于最小设定阈值，过滤掉所述车速片段；当相邻两次停车时长大于最大设定阈值，获得所述车速片段对应的路况为畅通。
14、可选的，所述离线特征参数包括所述车速片段中若干采样点的平均车速、最大速度、平均加速度、平均减速度和怠速时间占比。
15、可选的，根据每个所述车速片段的离线特征参数判断并获得每个所述车速片段的路况。
16、可选的，在所述学习向量化神经网络输出与所述实时输入向量距离最近的特征向量对应的路况之后，还包括防抖处理，所述防抖处理为前一次输出的实时路况和本次输出的实时路况的路况类别差大于预设类别差，则本次保持前一次输出的实时路况；当下一次输出的实时路况与本次输出的实时路况相同，则保持下一次输出的实时路况。
17、本专利技术还提供一种电子设备，所述电子设备包括：
18、一个或多个执行器；以及，
19、存储器，用于存储一个或多个程序；以及，
20、当所述一个或多个程序被所述一个或多个执行器执行，使得所述一个或多个执行器实现如上所述的路况识别方法。
21、本专利技术还一种可读存储介质，其上存储有计算机程序，该程序被执行器执行时实现如上所述的路况识别方法。
22、在本专利技术提供的一种路况识别方法、电子设备及可读存储介质中，采集车辆的实时车速信息；对实时车速信息进行特征提取获得实时特征参数，并对实时特征参数进行归一化处理获得实时输入向量；将实时输入向量输入至一学习向量化神经网络中，学习向量化神经网络中具有若干路况对应的特征向量，若干路况对应的特征向量通过学习向量化神经网络离线训练获得，学习向量化神经网络输出与实时输入向量最接近的特征向量对应的路况作为实时路况。本专利技术基于学习向量化神经网络离线训练获得若干路况对应的特征向量，结合在线采集车辆的实时车速信息获得实时路况，在线计算量小，易于在车载控制器中实现，从而快速识别实时路况。
本文档来自技高网...【技术保护点】
1.一种路况识别方法，其特征在于，包括：
2.如权利要求1所述的路况识别方法，其特征在于，采集一周期内的若干采样点的实时车速信息。
3.如权利要求2所述的路况识别方法，其特征在于，所述实时特征参数包括若干采样点的平均车速、最大速度、平均加速度、平均减速度和怠速时间占比。
4.如权利要求1所述的路况识别方法，其特征在于，获得若干所述路况对应的特征向量的步骤包括：
5.如权利要求4所述的路况识别方法，其特征在于，采用时间窗口划分或运动片划分将所述离线车速信息划分为若干所述车速片段，其中所述时间窗口划分是按照设定时间频率将所述离线车速信息划分为若干所述车速片段，所述运动片划分是将相邻两次停车时刻之间的离线车速信息划分为一个所述车速片段。
6.如权利要求5所述的路况识别方法，其特征在于，采用所述运动片划分时，当相邻两次停车时长小于最小设定阈值，过滤掉所述车速片段；当相邻两次停车时长大于最大设定阈值，获得所述车速片段对应的路况为畅通。
7.如权利要求4所述的路况识别方法，其特征在于，所述离线特征参数包括所述车速片段中若
8.如权利要求7所述的路况识别方法，其特征在于，根据每个所述车速片段的离线特征参数判断并获得每个所述车速片段的路况。
9.如权利要求1所述的路况识别方法，其特征在于，在所述学习向量化神经网络输出与所述实时输入向量距离最近的特征向量对应的路况之后，还包括防抖处理，所述防抖处理为前一次输出的实时路况和本次输出的实时路况的路况类别差大于预设类别差，则本次保持前一次输出的实时路况；当下一次输出的实时路况与本次输出的实时路况相同，则保持下一次输出的实时路况。
10.一种电子设备，其特征在于，所述电子设备包括：
11.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被执行器执行时实现如权利要求1-9中任一所述的路况识别方法。
...【技术特征摘要】
1.一种路况识别方法，其特征在于，包括：
2.如权利要求1所述的路况识别方法，其特征在于，采集一周期内的若干采样点的实时车速信息。
3.如权利要求2所述的路况识别方法，其特征在于，所述实时特征参数包括若干采样点的平均车速、最大速度、平均加速度、平均减速度和怠速时间占比。
4.如权利要求1所述的路况识别方法，其特征在于，获得若干所述路况对应的特征向量的步骤包括：
5.如权利要求4所述的路况识别方法，其特征在于，采用时间窗口划分或运动片划分将所述离线车速信息划分为若干所述车速片段，其中所述时间窗口划分是按照设定时间频率将所述离线车速信息划分为若干所述车速片段，所述运动片划分是将相邻两次停车时刻之间的离线车速信息划分为一个所述车速片段。
6.如权利要求5所述的路况识别方法，其特征在于，采用所述运动片划分时，当相邻两次停车时长小于最小设定阈值，过滤掉所述车速片段；当相邻两次停车时长大于最大设定阈值，获得所述车...
【专利技术属性】
技术研发人员：陈欢，宋维群，夏明涛，苏瑜，
申请(专利权)人：联合汽车电子有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。