Dispositivo y método para la predicción ''on-line'' del ciclo de conducción en un vehículo automóvil.

Método para la predicción `on-line' del ciclo de conducción en un vehículo automóvil mientras está circulando,

siendo el ciclo de conducción la velocidad del vehículo como una función de tiempo, caracterizado por que comprende:

- una etapa de preprocesamiento de datos (200), que a su vez comprende:

* recibir la velocidad del vehículo (Vsp);

* recibir información de tráfico (HTI) correspondiente al trayecto previsto para el vehículo dentro de al menos un horizonte (H) de predicción considerado;

* obtener (212) un ciclo de conducción de referencia (Vpat) correspondiente al trayecto previsto dentro de al menos dicho horizonte (H) de predicción a partir de la información de tráfico (HTI) recibida;

* calcular (208) la desviación (DVsp) de la velocidad del vehículo (Vsp) con respecto al ciclo de conducción de referencia (Vpat);

- una etapa de procesamiento de datos mediante una red neuronal (202) que comprende obtener de forma recursiva las desviaciones previstas (D*Vsp) para el horizonte (H) de predicción, utilizando para ello las desviaciones de velocidad (NN_DVsp) calculadas previamente y que corresponden a un pasado reciente en un número de muestras de retardo (DSN), así como información relativa al ciclo de conducción de referencia (NN_Vpat) que contiene información perteneciente tanto al pasado reciente en un número de muestras de retardo (DSN) como al futuro próximo en un número de muestras de futuro próximo (FSN), como entradas de la red neuronal (202);

- una etapa de postprocesamiento de datos (204) que comprende la obtención de la velocidad estimada (V*sp) para dicho horizonte (H) de predicción a partir de las desviaciones previstas (D*Vsp) y el ciclo de conducción de referencia (Vpat) para el horizonte (H) de predicción.

Dispositivo y método para la predicción `on-line del ciclo de conducción en un vehículo automóvil Campo de la invención

La presente invención se engloba dentro del campo de la automoción y más en concreto dentro de los dispositivos y métodos para la predicción `on-line (mientras el vehículo está circulando) del ciclo de conducción de un vehículo híbrido con respecto a un horizonte de predicción preseleccionado. El objeto de la invención es proporcionar la predicción realizada al subsistema de administración de energía del vehículo híbrido para que dicho vehículo adapte su estrategia energética en función de dicha predicción y de esta forma pueda reducir el consumo del vehículo, así como optimizar los diferentes flujos energéticos que se encuentran en un vehículo híbrido para aumentar su eficiencia energética, su autonomía y reducir las emisiones de CO2.

Antecedentes de la invención

Es bien conocido el hecho de que si el ciclo de conducción (velocidad del vehículo = f (tiempo)) y el ciclo de pendientes o gradientes del terreno (gradiente = f (tiempo)) se conocen de antemano, es posible calcular una estrategia energética óptima para el sistema de propulsión de un vehículo híbrido-eléctrico que minimice una función de coste compuesta por términos relacionados con el consumo, las emisiones y / o la eficiencia energética, entre otros, del vehículo.

Para alcanzar el óptimo global, existen tres inconvenientes u obstáculos que superar:

1) El ciclo de conducción que tiene que realizar el conductor no se conoce de antemano. Aunque se conociera el destino final y el trayecto a realizar, el ciclo de conducción depende del estilo de conducción del conductor y de las posibles perturbaciones relacionadas con el entorno de conducción, tales como la congestión del tráfico, las condiciones meteorológicas, los límites de velocidad por obras, etc.

2) Aunque se conociera de antemano el ciclo de conducción, es necesario contar con un comportamiento del vehículo bien modelado para construir la función de coste que resulta de plantear el problema de optimización.

3) Una vez planteado el problema de optimización, es necesario resolverlo para calcular el óptimo global. En este

sentido, cabe señalar que se trata de resolver un problema de optimización no lineal, no convexo y no cuadrático, por lo que: (i) no existe solución explícita o analítica del mismo, y (¡i) existen técnicas para encontrar el óptimo global tales como la programación dinámica (DP), pero se trata de técnicas que no pueden ser tratadas

computacionalmente en sistemas de control `on-line en tiempo real. Por tanto, se deben realizar ciertas

aproximaciones al problema para su resolución con un coste computacional adecuado. Así, la solución se acercará

al óptimo global, aunque dicho óptimo global no puede alcanzarse (estrategias subóptimas).

La presente invención se centra en el desarrollo de un sistema o dispositivo que contribuye a solucionar el primer inconveniente o barrera relacionado con el conocimiento previo del ciclo de conducción que va a realizar el vehículo. De este modo, este sistema o dispositivo obtiene la predicción `on-line del futuro ciclo de conducción (velocidad* = f* (tiempo)) y el ciclo de pendientes gradientes del terreno (gradiente* = f* (tiempo)) con respecto a un horizonte de predicción preseleccionado, enviando esta predicción al sistema de administración de energía del vehículo híbrido- eléctrico. Por lo tanto, el sistema de administración de energía del vehículo podrá utilizar esta predicción en el planteamiento del problema de optimización de energía y en la resolución o búsqueda de una solución

(administración de energía / reparto de potencia-energía en el sistema de propulsión) que sea óptima y cercana a la solución global óptima.

El modelo de un conductor se refiere a la representación por medio de formulaciones matemáticas o algoritmos inteligentes del comportamiento del conductor de un vehículo, es decir, de las tareas del conductor para analizar o inferir qué acciones toma el conductor con dicho vehículo.

En la referencia bibliográfica [1] (Boyraz, Sathyanarayana, y Hansen, 2009) se describen diferentes técnicas o algoritmos de modelado de conductor. Los modelos eran inicialmente lineales, siendo reemplazados gradualmente por modelos no lineales, probabilísticos y por técnicas inteligentes, tales como lógica borrosa y redes neuronales, como se describe en la referencia bibliográfica [2] (Panou, Bekiaris, y Papakostopoulos, 2007). Sin embargo, las últimas tendencias de modelado de conductor se dirigen a una combinación de todas o algunas de las técnicas antes mencionadas, refiriéndose a este grupo de modelos como híbrido. En esta clasificación habría que añadir autómatas tipo Mealy utilizados en [3] (Kiencke y Nielsen, "Road y Driver Models", 2005) para la lógica de control de las maniobras de vehículos.

Un enfoque más amplio relaciona el modelo del conductor con el modelo puramente dinámico del coche, así como con el entorno del conductor y su vehículo, es decir, la ciudad y otros conductores. Por tanto, se pueden definir diferentes tipos de modelos de conductor de acuerdo con la realidad que mejor quieren representar.

Existen muchos campos de aplicación de dichos modelos y la tendencia en las últimas décadas es que tengan una repercusión cada vez mayor, [2] (Panou, Bekiaris, y Papakostopoulos, 2007). Si las diferentes aplicaciones se agrupan bajo paraguas comunes, existen principalmente tres tendencias, a las que se añade una cuarta de acuerdo con el último trabajo realizado en este campo.

1. El comportamiento del conductor de acuerdo con los procesos cognitivos y fisiológicos

a. Análisis del comportamiento del conductor

b. Inferencia del comportamiento del conductor

c. Entrenamiento y asesoría del conductor

2. Control del vehículo

a. Simulación y prototipado

b. Dinámica del vehículo

c. Sistemas de control para asistencia en la conducción y la seguridad (ABS, ESC, control de tracción....)

d. Conducción autónoma

3. Simulación del tráfico

a. Microscópico

b. Macroscópico

4. Estrategias energéticas

La primera tendencia se centra en las características del comportamiento humano del conductor, es decir, el análisis de dicho comportamiento, la interpretación de gestos y emociones por una parte y la inferencia de ese 20 comportamiento en el control del vehículo, maniobras y estrategia de conducción. Resulta obvio incluir el modelo jerárquico de control de Michon (1985) dentro de este paraguas. La primera distinción que hace es diferenciar entre modelos externos de estado de tipo entrada-salida y los de tipo interno. La otra distinción se refiere a modelos funcionales o modelos de taxonomía. Michon afirma que los modelos son generalmente de abajo hacia arriba (internos) y que los modelos de arriba hacia abajo son por lo general inespecíficos y demasiado simplificados. Su 25 modelo de tipo de proceso cognitivo, el Modelo de Control Jerárquico, divide la tarea de conducción en tres niveles acoplados y jerárquicos:

1. El nivel estratégico: planificación del trayecto, elección de ruta

2. El nivel de maniobrabilidad: se refiere al conductor con los otros vehículos

3. El nivel de control: se refiere al nivel de control del vehículo

Un cuarto nivel sería el nivel puramente de comportamiento, [2] (Panou, Bekiaris, y Papakostopoulos, 2007). Otra clasificación adecuada del comportamiento del conductor es la que distingue entre el seguimiento de un trayecto deseado y la de la estabilidad en caso de perturbaciones.

El segundo grupo de aplicaciones se centra exclusivamente en la tarea de control del vehículo. Este grupo tiene una correlación directa con el nivel de control de Michon. El control de un vehículo se divide en dos, control longitudinal 35 (acelerador y freno) y control lateral (volante). Se considera a Tustin (1947) el primer autor en publicar un modelo de conductor en forma matemática. McRuer y Krendel, Ragazzini y Jackson ([4] Abe, 2009) se unieron más tarde a Tustin realizando aportaciones de interés.

Aunque en un principio el control longitudinal y el lateral fueron controlados de forma independiente, recientes aportaciones relacionan ambos controles ya que uno afecta al otro ([1] Boyraz, Sathyanarayana, y Hansen, 2009). 40 Estos controles se estudian junto con las diferentes maniobras del vehículo. Las tres principales maniobras son las de mantenimiento en el carril, las de cambio de carril y las de control de velocidad de acuerdo con las señales de tráfico y el seguimiento de un... [Seguir leyendo]

1. Método para la predicción `on-line del ciclo de conducción en un vehículo automóvil mientras está circulando, siendo el ciclo de conducción la velocidad del vehículo como una función de tiempo, caracterizado por que comprende:

- una etapa de preprocesamiento de datos (200), que a su vez comprende:

recibir la velocidad del vehículo (Vsp);

recibir información de tráfico (HTI) correspondiente al trayecto previsto para el vehículo dentro de al menos un horizonte (H) de predicción considerado;

obtener (212) un ciclo de conducción de referencia (Vpat) correspondiente al trayecto previsto dentro de al menos dicho horizonte (H) de predicción a partir de la información de tráfico (HTI) recibida;

calcular (208) la desviación (DVsp) de la velocidad del vehículo (Vsp) con respecto al ciclo de conducción de referencia (Vpat);

- una etapa de procesamiento de datos mediante una red neuronal (202) que comprende obtener de forma recursiva las desviaciones previstas (D*Vsp) para el horizonte (H) de predicción, utilizando para ello las desviaciones de velocidad (NN_DVsp) calculadas previamente y que corresponden a un pasado reciente en un número de muestras de retardo (DSN), así como información relativa al ciclo de conducción de referencia (NN_Vpat) que contiene información perteneciente tanto al pasado reciente en un número de muestras de retardo (DSN) como al futuro próximo en un número de muestras de futuro próximo (FSN), como entradas de la red neuronal (202);

- una etapa de postprocesamiento de datos (204) que comprende la obtención de la velocidad estimada (V*sp) para dicho horizonte (H) de predicción a partir de las desviaciones previstas (D*Vsp) y el ciclo de conducción de referencia (VPat) para el horizonte (H) de predicción.

2. Método de acuerdo con la reivindicación 1, caracterizado por que la etapa de preprocesamiento de datos (200) comprende recibir información de eventos de tráfico (HTEI) correspondientes al trayecto previsto para el vehículo dentro de al menos el horizonte (H) de predicción, y donde dicha información de eventos de tráfico (HTEI) recibida también se utiliza para obtener el ciclo de conducción de referencia (Vpat).

3. Método de acuerdo con cualquiera de las reivindicaciones anteriores, caracterizado porque la red neuronal (202) es una red neuronal dinámica recurrente previamente entrenada de topología NARX.

4. Método de acuerdo con cualquiera de las reivindicaciones anteriores, caracterizado por que la velocidad del vehículo (Vsp) se muestrea en la etapa de preprocesamiento de datos (200) de acuerdo con un tiempo de muestreo determinado (ST); y donde la obtención (212) del ciclo patrón de referencia (Vpat) y el cálculo de la desviación (DVsp) de la velocidad del vehículo (Vsp) con respecto al ciclo de conducción de referencia (Vpat) se realiza para cada tiempo de muestreo (ST).

5. Método de acuerdo con cualquiera de las reivindicaciones anteriores, caracterizado por que la información relativa al ciclo de conducción de referencia (Vpat) comprende una velocidad patrón adelantada un número de muestras de futuro próximo (FSN), que es equivalente a la distancia de visión del conductor y a la anticipación del conductor con respecto a próximos cambios en la situación del tráfico.

6. Método de acuerdo con cualquiera de las reivindicaciones anteriores, caracterizado por que la información de tráfico (HTI) incluye además al menos una de las siguientes informaciones:

- los límites de velocidad;

- información del tipo de vía;

- las pendientes de la carretera;

- las señales de tráfico del trayecto previsto.

7. Método de acuerdo con cualquiera de las reivindicaciones anteriores, caracterizado por que la información de eventos de tráfico (HTEI) incluye información relativa a al menos uno de los siguientes:

- estado del tráfico;

- límites de velocidad debido a obras en la carretera;

- condiciones de visibilidad;

- condiciones de la calzada.

8. Método de acuerdo con cualquiera de las reivindicaciones anteriores, caracterizado por que la información de tráfico (HTI) y la información de eventos de tráfico (HTEI) se reciben dentro del intervalo [p, p + H], siendo p la posición actual del vehículo y H el horizonte de predicción seleccionado.

9. Método de acuerdo con cualquiera de las reivindicaciones anteriores, caracterizado por que comprende la obtención del estilo de conducción (DS) del conductor del vehículo de acuerdo con unos cálculos que dependen de un parámetro relativo al modo de cálculo del estilo de conducción (DSCM) seleccionado, donde los modos de cálculo se basan en al menos uno de los siguientes:

- cálculo basado en transformada de Fourier de un vector formado por los valores de velocidad de vehículo correspondientes al pasado reciente;

- cálculo basado en la variación media de la velocidad durante un período de tiempo;

- cálculo basado en los tiempos de reacción del conductor.

10. Dispositivo para la predicción `on-line del ciclo de conducción en un vehículo automóvil mientras está circulando, siendo el ciclo de conducción la velocidad del vehículo como una función de tiempo, caracterizado por que comprende:

- medios de comunicación (600) configurados para recibir la velocidad del vehículo (Vsp) y para recibir desde un sistema de navegación (104) información de tráfico (HTI) correspondiente al trayecto previsto para el vehículo dentro de al menos un horizonte (H) de predicción considerado;

- medios de procesamiento de datos (604) configurados para:

obtener (212) un ciclo de conducción de referencia (Vpat) correspondiente al trayecto previsto dentro de al menos dicho horizonte (H) de predicción a partir de la Información de tráfico (HTI) recibida por los medios de comunicación;

calcular (208) la desviación (DVsp) de la velocidad del vehículo (Vsp) con respecto al ciclo de conducción de referencia (Vpat);

obtener de manera recursiva las desviaciones previstas (D*Vsp) para el horizonte (H) de predicción mediante una red neuronal (202), utilizando para ello las desviaciones de la velocidad (NN_DVsp) previamente calculadas y correspondientes al pasado reciente en un número de muestras de retardo (DSN), así como información relativa al ciclo de conducción de referencia (V_NNpat) que contiene información perteneciente tanto al pasado reciente en un número de muestras de retardo (DSN) como al futuro próximo en un número de muestras de futuro próximo (FSN), como entradas de la red neuronal (202);

obtener la velocidad estimada (V*sp) para dicho horizonte (H) de predicción a partir de las desviaciones previstas (D*Vsp) y del ciclo de conducción de referencia (Vpat) para el horizonte (H) de predicción.

11. Dispositivo de acuerdo con la reivindicación 10, caracterizado por que los medios de comunicación (600) están configurados, además, para recibir, del sistema de navegación (104), información de eventos de tráfico (HTEI) correspondiente al trayecto previsto para el vehículo dentro de al menos el horizonte (H) de predicción y donde los medios de procesamiento de datos (604) están configurados para obtener el ciclo de conducción de referencia (Vpat) utilizando también dicha información de eventos de tráfico (HTEI) recibida por los medios de comunicación.

12. Dispositivo de acuerdo con cualquiera de las reivindicaciones 10 a 11, caracterizado por que la red neuronal (202) es una red neuronal (202) dinámica recurrente previamente entrenada de tipología NARX.

13. Dispositivo de acuerdo con cualquiera de las reivindicaciones 10 a 12, caracterizado por que los medios de procesamiento de datos (604) están configurados para muestrear la velocidad del vehículo (Vsp) de acuerdo con un tiempo de muestreo específico (ST) y para obtener (212) el ciclo patrón de referencia (Vpat) y el cálculo de la desviación (DVsp) de la velocidad del vehículo (Vsp) con respecto al ciclo de conducción de referencia (Vpat) para cada tiempo de muestreo (ST).

14. Dispositivo de acuerdo con cualquiera de las reivindicaciones 10 a 13, caracterizado por que la información relativa al ciclo de conducción de referencia (Vpat) comprende una velocidad patrón adelantada un número muestras de futuro próximo (FSN), que es equivalente a la distancia de visión del conductor y a la anticipación del conductor con respecto a próximos cambios de situación del tráfico.

15. Dispositivo de acuerdo con cualquiera de las reivindicaciones 10 a 14, caracterizado por que los medios de procesamiento de datos están configurados para realizar el cálculo de predicción mientras el vehículo está circulando y cada vez que el vehículo avanza una distancia seleccionada mediante un parámetro (H_Resol).