【技术实现步骤摘要】
本申请涉及新能源汽车，具体而言，涉及一种续航里程估计方法、装置、存储介质及设备。
技术介绍
1、电动汽车作为新能源汽车的代表，其续航里程一直是用户关注的焦点之一。续航里程预测的准确性，对于驾驶者来说是非常重要的。受到汽车结构、环境温度、驾驶环境、驾驶习惯等因素的影响，电动汽车能耗变化波动较大，导致续航里程估计值与实际行驶里程值容易存在较大误差。
2、目前在工程应用上的电动汽车续航里程预估方案主要是采用电池剩余能量与车辆能耗分布建模进行估计，然后通过剩余能量与车辆能耗的相关性计算公式或模型对里程进行估计，从而计算得到最终的续航里程估计。然而，这一方式既割裂了电池剩余能量与车辆能耗相互之间的内在联系，也将建模过程复杂化了，从而导致计算资源消耗较大，预估结果不够准确。
技术实现思路
1、本申请的目的在于提供一种续航里程估计方法、装置、存储介质及设备，旨在解决相关技术中的电动汽车续航里程预估方式存在的计算资源消耗较大，预估结果不够准确的问题。
2、第一方面，本申请提供的一种续航里程估计方法，包括：获取目标车辆的实时运行参数信息和实时运行图像信息；所述实时运行参数信息包括车辆结构信息、车辆实时运行状态信息和电池实时运行参数信息；所述实时运行图像信息是通过所述目标车辆的前置摄像头捕获到的视频信息；通过对所述实时运行参数信息和所述实时运行图像信息进行预处理，得到数组数据和视频图像数据；将所述数组数据和所述视频图像数据输入预先训练好的多模态里程预估模型中，根据所述多模态里程
3、在上述实现过程中，获取目标车辆的实时运行参数信息和实时运行图像信息，对获取到的信息进行预处理，得到数组数据和视频图像数据这两种不同模态的数据，之后，通过预先训练好的多模态里程预估模型分别对数组数据和视频图像数据进行特征提取，得到参数特征与视频图像特征，并融合这两种特征来对续航里程进行预测，从而输出目标车辆的续航里程估计值。如此，采用多模态深度学习建模技术对汽车续航里程预估问题进行处理，处理过程更为简单，降低了计算资源消耗，同时提升了预测准确性。
4、进一步地，在一些例子中，所述对所述实时运行参数信息和所述实时运行图像信息进行预处理，包括：对所述实时运行参数信息和所述实时运行图像信息进行数据清洗，并对清洗后的实时运行参数信息进行标准化处理。
5、在上述实现过程中，预处理流程包括数据清洗和标准化处理，提升数据的质量，实现数据规范化，从而提升后续对车辆续航里程预测的准确性。
6、进一步地，在一些例子中，所述方法应用于所述目标车辆的内置处理器；所述多模态里程预估模型是云端服务器部署到所述内置处理器上的；所述多模态里程预估模型基于训练数据训练得到；所述训练数据是从云端数据库中抽取得到的；所述训练数据包括不同车辆上传的运行参数信息和运行图像信息。
7、在上述实现过程中，模型训练流程由云端服务器来执行，云端服务器从云端数据库中抽取训练数据，以此训练出多模态里程预估模型，之后将训练好的模型部署到车载gpu进行行车中实时推理，同时实时输出续航里程预估值。如此，提高电动汽车的运行性能和运行可靠性。
8、进一步地，在一些例子中，所述多模态里程预估模型包括文本特征提取模块、图像特征提取模块、特征融合模块和里程预测模块；所述多模态里程预估模型通过所述文本特征提取模块对所述数组数据进行特征提取，得到所述参数特征，通过所述图像特征提取模块对所述视频图像数据进行特征提取，得到所述视频图像特征，通过所述特征融合模块对所述参数特征和所述视频图像特征进行融合，以及通过所述里程预测模块对融合后的特征进行处理，得到续航里程估计值。
9、在上述实现过程中，提供多模态里程预估模型的可选模型结构。
10、进一步地，在一些例子中，所述文本特征提取模块通过至少一个线性投影层，对所述数组数据进行初步的特征提取，并通过注意力权重对所述线性投影层的输出进行加权，获得所述参数特征；所述图像特征提取模块采用三维卷积神经网络分别对所述视频图像数据中的多个图像帧和对应的光流图像进行特征提取，得到所述视频图像特征；所述光流图像是通过从所述多个图像帧中获取到的光流信息生成的。
11、在上述实现过程中，提供多模态里程预估模型对数组数据和视频图像数据这两种不同模态的数据进行特征提取的一种具体方式。
12、进一步地，在一些例子中，所述特征融合模块通过交叉注意力机制融合所述参数特征和所述视频图像特征。
13、在上述实现过程中，模型使用交叉注意力机制融合参数特征和视频图像特征，从而能够捕捉二者之间的相关性和交互，提升续航里程预估的准确性。
14、进一步地，在一些例子中，所述多模态里程预估模型还包括实时更新模块；所述实时更新模块通过至少一个lora层进行模型微调。
15、在上述实现过程中，多模态里程预估模型采用一个或多个lora层来实现模型的实时更新微调，如此，使得模型具有自我更新能力，进一步提升电动汽车续航里程预估的准确性。
16、第二方面，本申请提供的一种续航里程估计装置，包括：获取模块，用于获取目标车辆的实时运行参数信息和实时运行图像信息；所述实时运行参数信息包括车辆结构信息、车辆实时运行状态信息和电池实时运行参数信息；所述实时运行图像信息是通过所述目标车辆的前置摄像头捕获到的视频信息；预处理模块，用于通过对所述实时运行参数信息和所述实时运行图像信息进行预处理，得到数组数据和视频图像数据；预估模块，用于将所述数组数据和所述视频图像数据输入预先训练好的多模态里程预估模型中，根据所述多模态里程预估模型的输出结果确定所述目标车辆的续航里程估计值；所述多模态里程预估模型分别对所述数组数据和所述视频图像数据进行特征提取，得到参数特征与视频图像特征，并融合所述参数特征与所述视频图像特征来对续航里程进行预测。
17、第三方面，本申请提供的一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。
18、第四方面，本申请提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。
19、第五方面，本申请提供的一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一项所述的方法。
20、本申请公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本申请公开的上述技术即可得知。
21、为使本申请的上述目的、特征和优点能更明显易懂，本文档来自技高网...
【技术保护点】
1.一种续航里程估计方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述实时运行参数信息和所述实时运行图像信息进行预处理，包括：
3.根据权利要求1所述的方法，其特征在于，所述方法应用于所述目标车辆的内置处理器；所述多模态里程预估模型是云端服务器部署到所述内置处理器上的；所述多模态里程预估模型基于训练数据训练得到；所述训练数据是从云端数据库中抽取得到的；所述训练数据包括不同车辆上传的运行参数信息和运行图像信息。
4.根据权利要求1所述的方法，其特征在于，所述多模态里程预估模型包括文本特征提取模块、图像特征提取模块、特征融合模块和里程预测模块；所述多模态里程预估模型通过所述文本特征提取模块对所述数组数据进行特征提取，得到所述参数特征，通过所述图像特征提取模块对所述视频图像数据进行特征提取，得到所述视频图像特征，通过所述特征融合模块对所述参数特征和所述视频图像特征进行融合，以及通过所述里程预测模块对融合后的特征进行处理，得到续航里程估计值。
5.根据权利要求4所述的方法，其特征在于，所述文本特征提取模块通过至少
6.根据权利要求5所述的方法，其特征在于，所述特征融合模块通过交叉注意力机制融合所述参数特征和所述视频图像特征。
7.根据权利要求4所述的方法，其特征在于，所述多模态里程预估模型还包括实时更新模块；所述实时更新模块通过至少一个LoRA层进行模型微调。
8.一种续航里程估计装置，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
10.一种电子设备，其特征在于，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种续航里程估计方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述实时运行参数信息和所述实时运行图像信息进行预处理，包括：
3.根据权利要求1所述的方法，其特征在于，所述方法应用于所述目标车辆的内置处理器；所述多模态里程预估模型是云端服务器部署到所述内置处理器上的；所述多模态里程预估模型基于训练数据训练得到；所述训练数据是从云端数据库中抽取得到的；所述训练数据包括不同车辆上传的运行参数信息和运行图像信息。
4.根据权利要求1所述的方法，其特征在于，所述多模态里程预估模型包括文本特征提取模块、图像特征提取模块、特征融合模块和里程预测模块；所述多模态里程预估模型通过所述文本特征提取模块对所述数组数据进行特征提取，得到所述参数特征，通过所述图像特征提取模块对所述视频图像数据进行特征提取，得到所述视频图像特征，通过所述特征融合模块对所述参数特征和所述视频图像特征进行融合，以及通过所述里程预测模块对融合后的特征进行处...
【专利技术属性】
技术研发人员：何明阳，王书敏，祝云，
申请(专利权)人：广汽埃安新能源汽车股份有限公司，
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。