[发明专利]一种冰雪环境无人驾驶车辆电源模型预测方法与系统

摘要

本发明提供了一种冰雪环境无人驾驶车辆电源模型预测方法及系统，该方法运用多种传感器的数据采集和融合技术，将采集到的有效积雪深度、道路坡度、电池温度等多种参数融合到无人驾驶车辆电池电量综合预测模型中，并且利用积雪深度的测量值和对应的三维深度图像观察值进行加权融合，实现了积雪道路环境等复杂环境下无人驾驶车辆的电池电量智能化综合计算，为无人驾驶车辆电池设计研发领域提供了更加完备的考虑因素。该系统结构简单，摆脱了对于道路沿线固定式积雪深度测量装置的依赖，实现了无人驾驶车辆供电系统的资源优化配置，使无人驾驶车辆的续航能力得到了一定程度的提升。

主权项

1.一种冰雪环境无人驾驶车辆电源模型预测方法，其特征在于，包括以下步骤：步骤1：获取冰雪环境下无人驾驶车辆历史行驶数据；所述行驶数据包括各时刻的路面积雪深度、道路坡度、电池温度以及耗电率、剩余电量；步骤2：构建基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型；以所述历史行驶数据中的路面积雪深度、道路坡度、电池温度作为输入数据，耗电率作为输出数据，对小波神经网络进行训练，获得基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型；所述小波神经网络的输入层节点个数为3，隐含层小波元个数为6，输出层节点个数为1，隐层小波神经元采用Mexican Hat小波函数，输出层节点采用Sigmoid函数；训练过程中的最大迭代次数设置为1500，训练学习率为0.1，阈值为0.0002；步骤3：构建基于BP神经网络的无人驾驶车辆剩余电量预测模型；以所述历史行驶数据中的t时刻的耗电率和对应的剩余电量作为输入数据，t+1时刻的剩余电量作为输出数据，对BP神经网络进行训练，获得基于BP神经网络的剩余电量预测模型；所述BP神经网络的输入层包含2个节点，最大迭代次数设置为200，训练学习率为0.1；步骤4：对下一时刻的剩余电量进行预测；利用实时获得的有效路面积雪深度、道路坡度以及电池温度数据输入基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型，获得当前时刻的电池耗电率，并基于获得的当前电池耗电率以及实时剩余电量，输入基于BP神经网络的剩余电量预测模型，获得下一时刻的剩余电量；其中，所述有效路面积雪深度是利用路面积雪深度测量值和观察值进行加权融合获得；所述路面积雪深度测量值是通过设置在无人驾驶车辆车底两侧的车载激光传感器和倾角传感器进行实时测量计算获得；所述路面积雪深度观察值是利用图像采集装置获取路面图像，通过红外图像和参考图像进行三角测量得到深度图像，利用三维重建方法对重建后的三维信息进行识别与特征提取获得。