基于双目视觉车距估计与交通动态信息的PHEV 智能预测能量管理方法

This project concentrates on resolving the fundamental key problems that exist now in the predictive energy management of plug-in hybrid electric vehicles (PHEVs), which are: the vehicle velocity prediction during the control horizon is not accurate enough, and the global driving cycle information is missing for PHEVs. Thus, we propose to (1) establish an on-board binocular computer vision system, apply convolutional neural network or other deep learning methods, to explore an effective way for real-time front vehicle/obstacle distance estimation, and realize high-accuracy short-term future velocity forecast by revealing the internal mapping relationships between the front vehicle distance and the host vehicle velocity changing; (2) develop a data interface based online open map APIs, and integrate path planning, traffic congestion, traffic light position, road speed limit and other information together for real-time global driving cycle generation, at the same time, propose a high-accuracy low-computation energy balance model to realize online global battery SOC trajectory planning; (3) introduce the predicted velocities as the control horizon inputs, introduce the global battery SOC trajectory as a global driving reference, develop a long-term short-term comprehensive smart predictive energy management strategy for PHEVs, and conduct bench tests. The expected study results and contributions will provide great scientific significance for the model predictive control theory of PHEV powertrain, and the improvement of vehicle intelligentization, networking and informatization in China.

本课题针对当前插电式混合动力汽车预测能量管理方法所存在的：控制时域内车速工况预测精度不足、全局工况信息缺失等基础关键问题，提出（1）搭建车载双目机器视觉系统，应用卷积神经网络等深度学习理论，探索实时快速对车辆前方行驶车辆或障碍物距离估算的方法，通过揭示前方车距与本车车速变化之间的映射影响关系，实现未来短期车速工况的高精度预测；（2）开发基于共享地图系统API的数据接口，融合路线规划、交通拥堵、信号灯位置、道路限速等信息，实时生成目标车辆全局行驶工况，通过提出一种高精度、低计算量的能量平衡模型，实现全局电池SOC轨迹在线优化规划；（3）以短期工况预测结果为控制时域优化输入，以全局SOC曲线为能量消耗参考轨迹，提出一种长/短期工况预测结合的智能预测能量管理方法，并开展台架试验。预期成果对完善插电式混合动力汽车基于模型预测控制的能量管理理论，提高我国汽车技术的智能化、网联化和信息化具有重要科学意

本项目针对插电式混合动力汽车能量管理存在的两大问题开展并完成了系统性研究，其中包括：第一，需解决车速预测问题，从而解决动力系统功率需求进行准确预测，并最终解决模型预测控制方法在插电式混合动力汽车能量管理控制算法中的有效应用；第二，为实现燃油经济性优化，能量管理策略设计需综合考虑混合动力总成系统构型特征所引起的系统功率分配特性，并对系统功率分配规律行综合规划。.针对问题一，首先，本项目提出了基于视觉信息输入的道路车辆间距估计方法，实现了单目视觉车距估计，解决了道路行驶环境中车间距预测问题，并利用车道线和行人等参照物进行了车距估计精度优化。结合对前车-后行驶速度之间的关联特性分析，提出了考虑前车速度的自车车速预测方法，并建立了基于前车速度和工况自适应的车速预测模型，解决了车速预测问题。结果表明：加入前车车速信息后，车速预测精度可提高30%以上；应用工况自适应的车速预测模型时，车速预测精度可提高50%以上。.针对问题二，本项目以离线动态规划结果为样本，利用神经网络在线生成的参考SoC轨迹作模型预测能量管理控制策略的状态变量约束，实现了近似最优的实时功率分配，并建立了完整的引导式模型预测控制理论方法。研究结果表明：项目研究工作中所提出的引导式模型预测控制方法能够在0.1s内快速求解全局SoC规划；经7h的历史工况中进行控制效果检验，本项目所提出的引导式模型预测控制方法相较于非引导式控制方法可提高约34%的燃油经济性。.以上方法为将交通工况信息引入插电式混合动力车辆节能优化控制理论供了一套系统、完整的设计思路；通过与宇通合作，上述理论研究得到了应用和成果转化。本项目所完成的研究工作具有深刻的理论创新与实践指导意义。.项目相关成果共发表学术论文11篇（SCI 7篇，EI 4篇），申报发明专利8项，获批4项，培养博士后出站1人，博士研究生毕业2人，硕士研究生毕业2人。基于研究成果，申请人牵头获得国家自然科学基金重点项目1项。