ES2411629B1 - Dispositivo y método para la predicción "on-line" del ciclo de conducción en un vehículo automóvil. - Google Patents

Abstract

Dispositivo y método para la predicción ?on-line? del ciclo de conducción en un vehículo automóvil. El método comprende:#- una etapa de pre-procesamiento de datos (200):#- recibir la velocidad del vehículo (V{sub,sp});#- recibir información de tráfico (HTI) del trayecto previsto en un horizonte de predicción (H);#- obtener (212) un ciclo de conducción de referencia (V{pat});#- calcular (208) el desvío (DV{sub,sp}) de la velocidad (V{sub,sp}) con respecto al ciclo de conducción de referencia (V{sub,pat});#- una etapa de procesamiento de datos mediante red neuronal (202) para obtener de manera recursiva los desvíos previstos (D*V{sub,sp}) para el horizonte de predicción (H);#- una etapa de post-procesamiento de datos (204) que comprende obtener, a partir de los desvíos previstos (D*V{sub,sp}) y el ciclo conducción de referencia (V{sub,pat}) para el horizonte de predicción (H), la velocidad estimada (V*{sub,sp}) para dicho horizonte de predicción (H).

Description

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 concretamente dentro de los dispositivos y métodos de predicción ‘on-line’ (mientras el vehículo está en circulación) del ciclo de 5 conducción de un vehículo híbrido sobre un horizonte de predicción preseleccionado. El objetivo de la invención es suministrar la predicción realizada al subsistema de gestión energética del vehículo híbrido para que éste 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 dan cita en un vehículo híbrido de cara a aumentar su eficiencia energética, autonomía, y disminuir las emisiones de CO2. 10

Antecedentes de la invención

Es bien conocido el hecho de que si el ciclo de conducción (velocidad vehículo = f (tiempo)) y el ciclo de pendientes o gradientes del terreno (gradiente = f (tiempo)) se conociera de antemano, sería 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, emisiones, y/o 15 eficiencia energética, entre otros, del vehículo.

Para alcanzar el óptimo global existen tres inconvenientes o barreras que superar:

1) El ciclo de conducción a realizar por el conductor no se conoce a priori. Incluso aunque se conociera el destino final y trayecto a realizar, el ciclo de conducción depende del estilo de conducción que esté llevando el conductor y de posibles perturbaciones relacionadas con el entorno 20 de conducción tales como congestión de tráfico, condiciones meteorológicas, limitaciones de velocidad por obras, etc.

2) Aunque el ciclo de conducción se conociera de antemano, es necesario tener bien modelado el comportamiento del vehículo de cara a poder construir la función de coste que resulta al plantear el problema de optimización. 25

3) Una vez planteado el problema de optimización es necesario resolverlo para calcular el óptimo global. Destacar en este sentido de que se trata de la resolución de un problema de optimización no-lineal, no-convexo y no-cuadrático, por lo que: (i) no existe solución explícita o analítica del mismo, y (ii) existen técnicas para encontrar el óptimo global tales como la Programación Dinámica (DP) pero se trata de técnicas computacionalmente intratables en sistemas de control ‘on-line’ en tiempo real. 30 De esta forma, se deben realizar ciertas aproximaciones al problema para su resolución con un coste computacional adecuado. Así, la solución se acercará al óptimo global pero éste no se podrá alcanzar (estrategias subóptimas).

La presente invención se centra en el desarrollo de un sistema o dispositivo que contribuya a resolver el primer inconveniente o barrera relacionado con el conocimiento a priori del ciclo de conducción 35 que realizará el vehículo. De esta forma, este sistema o dispositivo obtiene la predicción ‘on-line’ del ciclo de conducción futuro (velocidad* = f* (tiempo)) y el ciclo de pendientes o gradientes del terreno (gradiente* = f* (tiempo)) sobre un horizonte de predicción preseleccionado, enviando esta predicción al sistema de gestión energética del vehículo híbrido-eléctrico. Por tanto, el sistema de gestión energética del vehículo podrá utilizar esta predicción en el planteamiento del problema de optimización energético y la resolución o búsqueda de 40 una solución (gestión energética / reparto de potencia-energía en el sistema de propulsión) óptima y cercana a la solución óptima global.

El modelo de un conductor se refiere a la representación mediante 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 éste con dicho vehículo. 45

En la referencia bibliográfica [1] (Boyraz, Sathyanarayana, & Hansen, 2009) se detallan distintos algoritmos o técnicas de modelado de conductor. Los modelos eran inicialmente lineales, siendo reemplazados gradualmente por modelos no lineales, probabilísticos y con técnicas inteligentes como lógica borrosa y redes neuronales, según se detalla en la referencia bibliográfica [2] (Panou, Bekiaris, & Papakostopoulos, 2007). Sin embargo, las últimas tendencias del modelado del conductor apuntan hacia una 50 combinación de algunas o todas las técnicas anteriormente mencionadas, denominando a este grupo de modelos híbridos. En esta clasificación habría que añadir autómatas tipo Mealy empleados en [3] (Kiencke & Nielsen, “Road and Driver Models”, 2005) para la lógica de control de las maniobras del vehículo.

Una aproximación más amplia relaciona el modelo del conductor junto con el modelo puramente dinámico del coche, así como con el entorno del conductor y su vehículo, es decir, la ciudad y los demás conductores. De esta forma, podemos definir distintos tipos de modelos de conductor atendiendo a la realidad que mejor quieren representar.

Existen muchos campos de aplicación de dichos modelos y la tendencia en las últimas décadas es 5 que tengan cada vez mayor repercusión, [2] (Panou, Bekiaris, & Papakostopoulos, 2007). Si agrupamos las diferentes aplicaciones bajo paraguas comunes, tenemos principalmente tres corrientes, a las cuales añadiremos una cuarta según los últimos trabajos realizados en este campo.

1. El comportamiento del conductor atendiendo a los procesos cognitivos y fisiológicos

a. Análisis del comportamiento del conductor 10

b. Inferencia del comportamiento del conductor

c. Entrenamiento y asesoría de conductores

2. El control del vehículo

a. Simulación y el prototipado

b. Dinámica vehicular 15

c. Sistemas de control para ayuda a la conducción y seguridad (ABS, ESC, control de tracción…)

d. La conducción autónoma

3. Simulación del tráfico

a. Microscópico

b. Macroscópico 20

4. Estrategias energéticas

La primera de ellas se centra en las características del comportamiento humano del conductor, es decir, el análisis de dicho comportamiento, su interpretación de gestos y emociones por una parte y la inferencia de ese comportamiento en el control del vehículo, maniobras y estrategia de conducción. Dentro de este paraguas, resulta clarividente incluir el modelo jerárquico de control de Michon (1985). La primera 25 distinción que hace es la de diferenciar entre modelo externos de tipo entrada-salida y los de tipo interno, de estados. La otra distinción se refiere a la de modelos funcionales o modelos de taxonomía. Michon afirma que los modelos son generalmente “bottom-up” (internos) y que los “top-down” son generalmente inespecíficos y demasiado simplificados. Su modelo tipo proceso cognitivo, el Modelo de Control Jerárquico (“Hierarchical Control Model”), divide la tarea de conducción en tres niveles acoplados y jerárquicos: 30

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

2. El de maniobrabilidad: relaciona al conductor con los demás vehículos

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

Un cuarto nivel sería el nivel de puramente de comportamiento, [2] (Panou, Bekiaris, & Papakostopoulos, 2007). Otra oportuna clasificación del comportamiento del conductor es la que distingue 35 entre el seguimiento de una trayectoria deseada y la de la estabilidad ante perturbaciones.

El segundo grupo de aplicaciones se centra en la tarea puramente 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 (acelerador y freno) y control lateral (volante). Se considera a Tustin (1947) como el primero en publicar un modelo de conductor matemáticamente. A él se unieron después realizando 40 aportaciones de interés McRuer & Krendel, Ragazzini y Jackson ([4] Abe, 2009).

Aunque en un principio el control longitudinal y el lateral se controlaban de forma independiente, las últimas aportaciones relacionan ambos controles, ya que una influencia en la otra ([1] Boyraz, Sathyanarayana, & Hansen, 2009). Estos controles se estudian en conjunto con las diferentes maniobras del vehículo. Las tres principales son mantenimiento en el carril, cambio de carril y control de velocidad según las 45 señales y seguimiento a un vehículo. Para una exhaustivo resumen crítico de estas técnicas referirse a [5]

(Khodayari, Ghaffari, Ameli, & Flahatgar, 2010). Por encima de estos controles, específicos a cada maniobra, tendríamos una lógica de decisión para establecer qué maniobra es la adecuada a cada situación. La referencia [3] (Kiencke & Nielsen, Road and Driver Models, 2005) propone un autómata de Mealy.

El tercer tipo de modelos se centra en la simulación del tráfico, tanto de forma microscópica (comportamiento individual sobre el tráfico) como macroscópica (entornos grandes con varios conductores) 5 ([6] Fernandez, 2010).

El cuarto tipo de modelos se refiere a aquellos usados en la búsqueda de un sistema de gestión energética óptima para vehículos híbridos. La importancia del modelo de conductor en estas aplicaciones se debe a que su comportamiento influye de manera importante en la distribución energética.

En la referencia bibliográfica [7] (Froberg & Nielsen, 2008) se desarrolla un nuevo modelo de 10 conductor específicamente para simulaciones inversas dinámicas con el fin de optimizar los tiempos de simulación empleados en la búsqueda de estrategias energéticas y de propulsión. Su objetivo es la eficiencia de la simulación de ciclos de conducción, no su implementación en tiempo real.

Sin embargo, además del efecto del conductor, también influye considerablemente el tipo de vía, la situación del tráfico, el modo de operación y la tendencia en la conducción ([8] Murphey Y., 2008). La clave 15 de esta problemática está en la predicción del comportamiento del conductor y su entorno para determinar así el modo de operación óptimo. Tan solo recientemente se han enfocado los esfuerzos de investigación en este camino. Los algoritmos empleados se basan en parte en técnicas inteligentes.

Un trabajo relevante es el de la referencia [9] (Langari & Won, 2005). Su trabajo presenta un sistema identificación del ciclo de conducción mediante una red neuronal LQV y un sistema de lógica borrosa con la 20 finalidad de mejorar la gestión energética (IEMA). Analizando el ciclo de conducción actual, trata de identificarlo comparándolo con 9 ciclos de conducción previamente seleccionadas de diferentes vías. Por lo tanto la predicción no tiene en cuenta los datos reales del entorno en un futuro, sino que los estima a partir de ciclos tipo.

De una forma muy similar, en la referencia [10] (Murphey, y otros, 2008) se desarrolla su propio 25 algoritmo y lo aplican a un vehículo convencional consiguiendo reducciones de combustible de hasta el 2.68% en tiempo real. Subrayan que la mejora con un algoritmo de DP (Dynamic Programming) en off-line es de 2.81%. Su sistema IPC está basado en redes neuronales para la predicción del entorno de conducción actual. Después lo analizan con ciclos de conducción tipo para su identificación. Una evolución de este mismo algoritmo la podemos encontrar en [11] (Park, y otros, 2009). Al igual que el anterior, no se tiene en 30 cuenta los datos reales del entorno en un futuro.

Otro algoritmo similar es el mostrado en la referencia [12] (Huang, Tan, & He, 2010). Primero realizan un análisis estadístico del ciclo de conducción muestreado en tiempo real y después predicen las condiciones de la conducción mediante un SVM (“support vector machine”) y una red neuronal. Su precisión es de un 95%. Sin embargo, basa toda su predicción en los datos recogidos en el tiempo real por lo que no 35 incluye datos reales del entorno en un futuro.

Otra aproximación al problema es mediante el reconocimiento del patrón de conducción mediante lógica borrosa y la posterior predicción mediante Hidden Markov Models ([13] Montazeri- Gh, Ahmadi, & Asadi, 2008). Al usar lógica borrosa, no se garantiza el óptimo.

El éxito de la estrategia de control depende en gran medida en la calidad de esa predicción así como 40 en la longitud de dicha predicción ([14] Koot, Kessels, Jager, Heemels, den, & Steinbuch, 2005). El algoritmo empleado debe ser óptimo, si bien, por la complejidad del problema se llegue a un quasi óptimo. Para incluir la mayor información posible del entorno del conductor, se deberían obtener datos del estado de la carretera y congestión del tráfico y del tipo de vía y sus límites de velocidad. Con la ayuda de los sistemas de navegación modernos, tipo GPS, sería posible la obtención de estos datos. Esta tecnología puede redundar 45 en una mayor eficiencia y precisión en la predicción del comportamiento del conductor, y con ello el del sistema de propulsión inteligente, algo fundamental en la eficiencia global de los vehículos híbridos eléctricos.

Bibliografía

[1] Boyraz, P., Sathyanarayana, A., & Hansen, J. H. (2009). “Driver behavior modeling using hybrid dynamic systems for ‘driver-aware’ active vehicle safety. (ESV) Enhanced Safety for Vehicles”, -, 50 13-15.

[2] Panou, M., Bekiaris, E., & Papakostopoulos, V. (2007). Modelling Driver Behaviour in European Union and International Projects. En Modelling Driver Behaviour in Automotive Environments (págs. 3-25). Springer London.

[3] Kiencke, U., & Nielsen, L. (2005). Road and Driver Models. En Automotive Control Systems (págs. 425-464). Springer Berlin Heidelberg. 5

[4] Abe, M. (2009). Vehicle Handling Dynamics. El Sevier.

[5] Khodayari, A., Ghaffari, A., Ameli, S., & Flahatgar, J. (2010). A historical review on lateral and longitudinal control of autonomous vehicle motions., (págs. 421-429).

[6] Fernandez, A. (2010). Simulación del comportamiento de los conductores mediante agentes inteligentes. Universidad Complutense Madrid. 10

[7] Froberg, A., & Nielsen, L. (2008). Efficient Drive Cycle Simulation. Vehicular Technology, IEEE Transactions on, 57, 1442-1453.

[8] Murphey, Y. (2008). Intelligent Vehicle Power Management - An Overview. En Computacional Intelligence in Automotive Applications (Vol. 132, págs. 223-251). Springer Berlin / Heidelberg.

[9] Langari, R., & Won, J.-S. (2005). Intelligent energy management agent for a parallel hybrid vehicle-part I: 15 system architecture and design of the driving situation identification process. Vehicular Technology, IEEE Transactions on, 54, 925-934.

[10] Murphey, Y., Chen, Z. H., Kiliaris, L., Park, J., Kuang, M., Masrur, A., y otros. (2008). Neural learning of driving environment prediction for vehicle power management., (págs. 3755-3761).

[11] Park, J., Chen, Z., Kiliaris, L., Kuang, M., Masrur, M., Phillips, A., y otros. (2009). Intelligent Vehicle 20 Power Control Based on Machine Learning of Optimal Control Parameters and Prediction of Road Type and Traffic Congestion. Vehicular Technology, IEEE Transactions on, 58, 4741-4756.

[12] Huang, X., Tan, Y., & He, X. (2010). An Intelligent Multifeature Statistical Approach for the Discrimination of Driving Conditions of a Hybrid Electric Vehicle. Intelligent Transportation Systems, IEEE Transactions on, PP, 1-13. 25

[13] Montazeri-Gh, M., Ahmadi, A., & Asadi, M. (2008). Driving condition recognition for eneticfuzzy HEV Control., (págs. 65-70).

[14] Koot, M., Kessels, J., Jager, B. d., Heemels, W., den, P. v., & Steinbuch, M. (2005). Energy management strategies for vehicular electric power systems. Vehicular Technology, IEEE Transactions on, 54, 771-782. 30

Descripción de la invención

La presente invención consiste en un dispositivo y un método de predicción ‘on-line’ (mientras el vehículo está en circulación) del ciclo de conducción en un vehículo sobre un horizonte de predicción preseleccionado. El dispositivo propuesto está basado en una estrategia de predicción compuesta por una etapa de pre-procesamiento de las entradas recibidas, una red neuronal artificial (RNA), y una etapa de post-35 procesamiento de cara a la obtención de la predicción. La estrategia se apoya en tres fuentes de información principales:

-

Ejemplos/datos utilizados para el entrenamiento de la red neuronal artificial.

-

Base de datos de tráfico (señales de tráfico según trayecto a realizar).

-

Sistema de navegación generación II con información de tráfico en tiempo real. Utilización de la 40 información (eventos y estado de tráfico) que facilitan este tipo de sistemas de manera anticipada.

El dispositivo predice el ciclo de conducción futuro (velocidad Vs tiempo, y gradiente del trayecto Vs tiempo) mientras el vehículo se encuentra en circulación. Para ello, el dispositivo utiliza cierta información (medidas) del ciclo de conducción realizado en el pasado reciente, así como cierta información (proveniente de los nuevos sistemas de navegación que están conectados con sistemas de gestión del tráfico en tiempo 45

real, sistemas de generación II)) de carácter anticipativo relacionada con los próximos eventos de tráfico que ocurrirán en el trayecto que se está realizando.

El objetivo principal de este dispositivo y método es el de suministrar la predicción realizada al subsistema de gestión energética del vehículo híbrido para que éste adapte su estrategia energética en función de dicha predicción, y de esta forma, pueda reducir el consumo del vehículo así como optimizar los 5 diferentes flujos energéticos que se dan cita en un vehículo híbrido de cara a aumentar su autonomía y disminuir las emisiones de CO2.

El dispositivo propuesto dispone de un canal de comunicaciones para conectarse al sistema de navegación de generación II del vehículo, y un canal de comunicación más para conectarse al subsistema (Unidad de Control Electrónico, ECU) que realiza las funciones de gestión energética en un vehículo híbrido. 10

El dispositivo/método propuesto recibe la medida de velocidad actual del vehículo, así como información del subsistema de navegación relacionada con información del trayecto que se está realizando (límites de velocidad, pendientes de la carretera,…), así como información en tiempo real de eventos de tráfico que están ocurriendo en los próximos puntos por los que va a circular el vehículo (atascos, retenciones,…). 15

Esta información (medida de velocidad y información del sistema de navegación) es pre-procesada y utilizada como entrada en una red neuronal con una topología específica la cuál obtiene dos salidas principalmente. La primera salida se corresponde con la predicción del ciclo de conducción (velocidad Vs tiempo*) realizada sobre un horizonte de predicción seleccionado (normalmente dado en Km), mientras que la segunda salida se corresponde con la predicción del ciclo de pendientes (pendiente Vs tiempo*) sobre el 20 horizonte seleccionado. El dispositivo y método propuesto, además obtiene una tercera salida relacionada con el estilo de conducción que lleva el conductor. Para la obtención de esta tercera salida, se utiliza un sistema de inferencia borroso utilizando determinadas reglas expertas que se basan en determinados parámetros que se están obteniendo utilizando las medidas del ciclo de conducción del pasado reciente.

Destacar finalmente que el algoritmo y técnica de predicción propuesta (basada en red neuronal, 25 sistema de inferencia borroso y etapas de pre-procesamiento y post-procesamiento de la información) funciona en “on-line” mientras el vehículo está circulando, calculando y obteniendo nuevas predicciones (actualización de la predicción) en cada instante de muestreo seleccionado para el mismo.

La red neuronal utilizada trata de obtener la función no lineal que mejor aproxima a la circulación actual del vehículo-conductor. Para ello, esta red va aprendiendo de una manera gradual mediante los ciclos de 30 conducción que finalmente se van realizando, el comportamiento del vehículo y los diferentes modos de conducción del conductor habitual. Por tanto, se trata de un dispositivo/método que posee la capacidad de autoaprendizaje.

A modo de diferencias con respecto a otros sistemas similares se puede destacar que este dispositivo/método no trata de caracterizar o clasificar el ciclo de conducción que se está realizando (como lo 35 hacen la mayoría de los sistemas/técnicas revisadas) de acuerdo con unos ciclos patrón, y a partir de esta clasificación tomar acciones en función de un sistema basado en reglas, sino que el dispositivo propuesto obtiene la predicción utilizando información tomada del pasado reciente de la conducción y de información futura de eventos de tráfico integrándose de esta forma con sistemas de navegación que utilizan las nuevas tecnologías (redes móviles, gestión de tráfico, conexión a servidores de gestión y supervisión del tráfico, etc.) 40 con el objetivo de construir en “on-line” (mientras se circula) el ciclo de conducción más probable que seguirá el vehículo-conductor en los próximos kilómetros del trayecto que se está realizando. Además el dispositivo/método propuesto es capaz de realizar la predicción sin conocer de antemano el destino final del trayecto, aunque es de mayor precisión y exactitud y ofrece gran potencial si la ruta y/o destino final es conocida de antemano: marcada en el sistema de navegación por el conductor o incluso reconocible por el 45 propio sistema (trayectos realizados habitualmente). De esta forma, si el destino final y ruta que se está realizando es conocida de antemano, el horizonte de predicción seleccionado puede ser muy grande obteniendo una precisión alta en la predicción. Sin embargo, si el destino final y ruta no se conoce, el horizonte de predicción seleccionado debería ser menor si se desea mantener precisión en la predicción, o de lo contrario (horizontes de predicción grandes) la precisión de la predicción podría verse afectada, debido a 50 que el sistema o dispositivo se debe decantar (o debe adivinar) por una ruta, de entre todas las posibles, que el conductor va a seguir, en base a probabilidades y datos estadísticos. Cabe destacar, que aunque el destino/ruta no se conozca de antemano, el dispositivo seguiría funcionando aunque con cierta penalización en la precisión. Además, y debido a que las predicciones se realizan on-line (mientras que el vehículo circula), éstas se van renovando cada instante de muestreo y por tanto las decisiones de ruta que va 55 tomando el conductor se tienen en cuenta en el “recálculo” de las predicciones en cada instante de muestreo.

El método para la predicción ‘on-line’ del ciclo de conducción en un vehículo automóvil comprende:

-

una etapa de pre-procesamiento de datos que a su vez comprende:

• recibir la velocidad del vehículo;

• recibir información de tráfico correspondiente al trayecto previsto para el vehículo dentro de al menos un horizonte de predicción considerado;

• obtener, a partir de la información de tráfico recibida, un ciclo de conducción de referencia 5 correspondiente al trayecto previsto dentro de al menos dicho horizonte de predicción;

• calcular el desvío de la velocidad del vehículo con respecto al ciclo de conducción de referencia;

-

una etapa de procesamiento de datos mediante una red neuronal, que comprende obtener de manera recursiva los desvíos previstos para el horizonte de predicción, utilizando para ello como entradas de 10 la red neuronal los desvíos de velocidad previamente calculados y correspondientes al pasado reciente en un número de muestras de retardo así como información relativa al ciclo de conducción de referencia que contiene información perteneciente tanto al pasado reciente en un número de muestras de retardo como al futuro próximo en un número de muestras de futuro próximo;

-

una etapa de post-procesamiento de datos que comprende obtener, a partir de los desvíos 15 previstos y el ciclo de conducción de referencia para el horizonte de predicción, la velocidad estimada para dicho horizonte de predicción.

La etapa de pre-procesamiento de datos puede comprender recibir información de eventos de tráfico correspondiente al trayecto previsto para el vehículo dentro de al menos el horizonte de predicción, y donde para la obtención del ciclo de conducción de referencia se emplea también dicha información de eventos de 20 tráfico recibida.

La red neuronal es preferentemente una red neuronal dinámica recurrente de topología NARX, previamente entrenada.

En una realización preferida en la etapa de pre-procesamiento de datos la velocidad del vehículo se muestrea según un determinado tiempo de muestreo, y la obtención del ciclo patrón de referencia y el cálculo 25 del desvío de la velocidad del vehículo con respecto al ciclo de conducción de referencia se realiza para cada tiempo de muestreo.

La información relativa al ciclo de conducción de referencia puede comprender una velocidad patrón adelantada un número de muestras de futuro próximo, el cual es equivalente a la distancia de visión del conductor y la anticipación del conductor ante próximos cambios en la situación del tráfico. 30

La información de tráfico puede incluir adicionalmente 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. 35

La información de eventos de tráfico puede incluir información relativa a al menos uno de los siguientes:

-

estado del tráfico;

-

límites de velocidad por motivo de obras en la carretera;

-

condiciones de visibilidad; 40

-

condiciones del asfalto.

La información de tráfico y la información de eventos de tráfico son preferentemente recibidas dentro del intervalo [p, p+H] siendo p la posición actual del vehículo y H el horizonte de predicción seleccionado.

El método puede comprender obtener el estilo de conducción del conductor del vehículo según unos cálculos que dependen de un parámetro relativo al modo de cálculo del estilo de conducción seleccionado, 45 donde los modos de cálculo están basados en al menos uno de los siguientes:

-

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

-

cálculo basado en la variación media de la velocidad sobre un periodo de tiempo;

-

cálculo basado en los tiempos de reacción del conductor.

Es objeto también de la presente invención un dispositivo para la predicción ‘on-line’ del ciclo de 5 conducción en un vehículo automóvil , que comprende:

-

medios de comunicación configurados para recibir la velocidad del vehículo y para recibir de un sistema de navegación información de tráfico correspondiente al trayecto previsto para el vehículo dentro de al menos un horizonte de predicción considerado;

-

medios de procesamiento de datos configurados para: 10

• obtener, a partir de la información de tráfico recibida por los medios de comunicación, un ciclo de conducción de referencia correspondiente al trayecto previsto dentro de al menos dicho horizonte de predicción;

• calcular el desvío de la velocidad del vehículo con respecto al ciclo de conducción de referencia; 15

• obtener de manera recursiva, mediante una red neuronal, los desvíos previstos para el horizonte de predicción, utilizando para ello como entradas de la red neuronal los desvíos de velocidad previamente calculados y correspondientes al pasado reciente en un número de muestras de retardo así como información relativa al ciclo de conducción de referencia que contiene información perteneciente tanto al pasado reciente en un número de muestras de retardo como al 20 futuro próximo en un número de muestras de futuro próximo;

• obtener, a partir de los desvíos previstos y el ciclo de conducción de referencia para el horizonte de predicción, la velocidad estimada para dicho horizonte de predicción.

Los medios de comunicación pueden estar adicionalmente configurados para recibir, del sistema de navegación, información de eventos de tráfico correspondiente al trayecto previsto para el vehículo dentro de 25 al menos el horizonte de predicción, y donde los medios de procesamiento de datos están configurados para obtener el ciclo de conducción de referencia empleando también dicha información de eventos de tráfico recibida por los medios de comunicación.

Los medios de procesamiento de datos están preferentemente configurados para muestrear la velocidad del vehículo según un determinado tiempo de muestreo y para obtener el ciclo patrón de referencia 30 y el cálculo del desvío de la velocidad del vehículo con respecto al ciclo de conducción de referencia para cada tiempo de muestreo.

El dispositivo puede comprender también el propio módulo de navegación.

Los medios de procesamiento de datos pueden estar configurados para realizar el cálculo de predicción mientras el vehículo está en circulación y cada vez que el vehículo avanza una distancia 35 seleccionada mediante un parámetro.

Breve descripción de los dibujos

A continuación se pasa a describir de manera muy breve una serie de dibujos que ayudan a comprender mejor la invención y que se relacionan expresamente con una realización de dicha invención que se presenta como un ejemplo no limitativo de ésta. 40

La Figura 1 muestra la estructura del sistema de predicción de ciclo de conducción propuesto en la presente invención.

La Figura 2 muestra la estrategia para la predicción del ciclo de conducción.

La Figura 3 representa un ciclo de conducción real y ciclo patrón en función del punto kilométrico.

La Figura 4 muestra una estructura de la red neuronal NARX propuesta. 45

La Figura 5 muestra una realización concreta, con sus entradas y salidas, de la red neuronal NARX para un modo de realización de la presente invención.

La Figura 6 muestra un esquema con los componentes del dispositivo de predicción objeto de la presente invención.

Descripción detallada de la invención

La estructura del dispositivo de predicción del ciclo de conducción propuesto se presenta en la Figura 1 a modo de caja negra con entradas y salidas. 5

Tal y como se puede observar, el dispositivo de predicción de ciclo de conducción 100 tiene como entradas la medida de velocidad instantánea del vehículo (en Km/h) y dos entradas específicas referentes a la información de tráfico obtenidas mediante un sistema de navegación 104, Información de Tráfico (HTI, “Horizon Traffic Information”) e Información de Eventos de Tráfico (HTEI, “Horizon Traffic Events Information”). La entrada Información de Tráfico (HTI) contiene los límites de velocidad, las pendientes de la 10 carretera y las señales de tráfico en el horizonte de predicción considerado. La entrada Información de Eventos de Tráfico (HTEI) contiene información como estado/fluidez del tráfico, obras, visibilidad y condiciones del asfalto. El horizonte de predicción (H) es el intervalo de predicción del ciclo de conducción.

A continuación se explican en detalle los parámetros de entrada del dispositivo de predicción de ciclo de conducción 100: 15

-

Encendido (EN): Activación del dispositivo de predicción de ciclo de conducción 100, realizado a través del sistema de encendido 102 o del propio gestor energético del vehículo (EMS) 108. Esta entrada se utiliza para sincronizar el sistema con la aplicación que utilizará las predicciones realizadas. Cuando esta entrada es activada a “1”, se utiliza el flanco de subida para establecer la variable tiempo a 0 (t=0) y la estrategia de predicción y cálculo de las salidas es iniciada. 20

-

Velocidad Vehículo (Vsp): Velocidad instantánea del vehículo (normalmente dado en Km/h). Esta entrada (medida) podrá ser obtenida o bien del sistema de navegación del vehículo 104 (tal y como muestra la Figura 1) o bien de la unidad de control del vehículo por medio del bus de comunicaciones del mismo.

-

Información de Tráfico (“Horizon Traffic Information”, HTI): Entrada tipo estructura, obtenida del sistema de navegación del vehículo 104 con información del tráfico en tiempo real, que contiene los 25 siguientes vectores:

* Vector Límites_de_Velocidad (‘Horizon Speed Limits’, HTI_HSL): Vector que contiene los límites de velocidad en condiciones ideales de circulación existentes en el intervalo [p, p+H], siendo p la posición actual del vehículo y H el horizonte de predicción seleccionado (normalmente dado en Km). Se trata por tanto de los límites de velocidad definidos por tráfico (señales de tráfico 30 correspondientes a los límites de velocidad) existentes en el trayecto que se está realizando. El tamaño de este vector depende de la resolución deseada (parámetro H_Resol (normalmente en Km)) y del tamaño del horizonte de predicción seleccionado H. De esta forma el tamaño vendrá dado por: Tamaño = H / H_Resol. Indicar que en lugar de dicho vector Límites_de_Velocidad se podría sustituir por cualquier otro vector que suministre información a partir de la cual el dispositivo 35 pueda deducir los límites de velocidad; por ejemplo, el tipo de vía (autopista, carretera de ancho arcén, etc.) cuando no haya una limitación mayor.

* Vector Pendientes_de_la_Carretera (‘Horizon Road Slopes’, HTI_HRS): Vector que contiene el valor de las pendientes de la carretera en % existentes en el intervalo [p, p+H] siendo p la posición actual del vehículo y H el horizonte de predicción seleccionado. El tamaño de este vector 40 depende de la resolución deseada (parámetro H_Resol) y del tamaño del horizonte de predicción seleccionado H. De esta forma el tamaño vendrá dado por: Tamaño = H / H_Resol.

* Vector Señales_de_Stop (‘Horizon Stop Signals’, HTI_HSS): Vector que contiene las próximas señales de stop, ceda el paso, semáforos y peajes de carretera existentes dentro del intervalo [p, p+H] siendo p la posición actual del vehículo y H el horizonte de predicción 45 seleccionado. El tamaño de este vector depende de la resolución deseada (parámetro H_Resol) y del tamaño del horizonte de predicción seleccionado H. De esta forma el tamaño vendrá dado por: Tamaño = H / H_Resol. Los valores que contiene el vector podrán ser, a modo de ejemplo:

0 => no hay señal.

1 => Señal de stop. 50

2 => Señal de ceda el paso.

3 => peaje

4 => semáforo

Tal y como se puede observar se trata de información que se conoce de antemano según el trayecto que se esté realizando. Los sistemas de navegación poseen esta información en sus bases de datos y podrían darla de manera anticipativa sobre el horizonte de predicción seleccionado.

-

Información de Eventos de Tráfico (“Horizon Traffic Events Information”, HTEI): Entrada tipo 5 estructura que contiene los siguientes vectores:

* Vector Estado_de_Tráfico (“Horizon Traffic State”, HTEI_HTS): Vector que contiene el estatus del tráfico dentro del intervalo [p, p+H] siendo p la posición actual del vehículo y H el horizonte de predicción seleccionado. El tamaño de este vector depende de la resolución deseada (parámetro H_Resol) y del tamaño del horizonte de predicción seleccionado H. De esta forma el 10 tamaño vendrá dado por: Tamaño = H / H_Resol. Los valores que contiene este vector dependen del estado del tráfico dentro del horizonte de predicción seleccionado el cuál vendrá dado por el sistema de navegación y su información de tráfico en tiempo real. Cada elemento del vector podrá tener distintos valores, a modo de ejemplo los siguientes:

0 => Tráfico muy fluido. 15

1 => Tráfico fluido.

2 => Tráfico denso.

3 => Tráfico muy denso.

4 => Tráfico parado.

* Vector Obras_en_la_Carretera (‘Horizon Road Works’, HTEI_HRW): Vector que contiene 20 los límites de velocidad por motivo de obras o trabajos en la carretera existentes dentro del intervalo [p, p+H] siendo p la posición actual del vehículo y H el horizonte de predicción seleccionado. El tamaño de este vector depende de la resolución deseada (parámetro H_Resol) y del tamaño del horizonte de predicción seleccionado H. De esta forma el tamaño vendrá dado por: Tamaño = H / H_Resol. Los valores que contiene este vector dependen de las obras en la carretera dentro del 25 horizonte de predicción seleccionado el cuál vendrá dado por el sistema de navegación y su información de tráfico en tiempo real.

* Variable Condiciones_de_Visibilidad (‘Horizon Visibility’, HTEI_HV): Variable que contiene el estatus de las condiciones de visibilidad (efecto de la niebla, lluvia o nieve) dentro del horizonte seleccionado. Podrá tener los siguientes valores, a modo de ejemplo: 30

0 => Visibilidad buena.

1 => Visibilidad media.

2 => Visibilidad mala.

3 => Visibilidad muy mala.

* Variable Condiciones_del_Asfalto (‘Horizon Road Condition’, HTEI_HRC): Variable que 35 contiene el estatus en el que se encuentra el asfalto de la carretera (efecto del hielo, agua, etc.) dentro del horizonte seleccionado. Podrá tener los siguientes valores, a modo de ejemplo:

0 => Asfalto en buenas condiciones.

1 => Asfalto un poco resbaladizo.

2 => Asfalto resbaladizo. 40

3 => Asfalto muy resbaladizo.

Tal y como se puede observar, en este caso estas variables no se conocen de antemano y tienen un carácter dinámico. Los sistemas de navegación a emplear deberán tener la característica de poder obtener la información de tráfico y eventos en tiempo real. En la actualidad ya se empiezan a comercializar algún tipo de modelo que puede obtener este tipo de información en tiempo real. Para ello, los dispositivos o bien se 45 conectan a sistemas de gestión de tráfico vía comunicaciones (RDS, 802.11x, etc.) o bien obtienen la información creando redes de comunicación cuyos usuarios son los sistemas de navegación embarcados en

vehículos. Estos vehículos/usuarios comparten información con un servidor que infiere el estado del tráfico en base a las medidas de velocidad y posición que recibe de los diferentes vehículos que forman la red. En la actualidad existen modelos de sistemas de navegación que comparten información de varios millones de usuarios/vehículos en determinadas zonas o regiones geográficas.

El dispositivo de predicción de ciclo de conducción 100 emplea los siguientes parámetros: 5

-

Tiempo de muestreo (“Sampling Time”, ST): Tiempo de muestreo seleccionado expresado en segundos. Variable de tipo real. El dispositivo de predicción de ciclo de conducción 100 muestrea la entrada de velocidad instantánea del vehículo Vsp según el valor introducido en este parámetro.

- Nivel Filtro de Kalman (“Kalman Filter Level”, KFL): El dispositivo de predicción de ciclo de conducción 100 filtra en tiempo real la entrada de velocidad instantánea del vehículo Vsp según el valor 10 introducido (entre 0 y 4) en este parámetro.

-

Horizonte de Predicción (“Predictive Horizon”, H): Horizonte de predicción deseado, expresado normalmente en Km. Desde la posición del vehículo actual (p) se realizará la predicción sobre el horizonte seleccionado: p -> p + H

-

Resolución de Horizonte (“Horizon Resolution”, H_Resol): Resolución deseada para el horizonte 15 seleccionado, expresado normalmente en Km. Por ejemplo, para un horizonte de predicción H = 10Km, si seleccionamos un valor de H_Resol = 0.01Km, el tamaño del vector horizonte de predicción será de 1000 elementos. Además este parámetro representa cada cuántos kilómetros de avance del vehículo se realiza/recalcula la predicción, por ejemplo si H_Resol = 0.05Km, la predicción se efectuará/recalculará cada 50m de avance del vehículo. 20

-

Número de muestras de retardo (“Delay Sample Number”, DSN): Número de muestras seleccionadas para conformar el pasado reciente. Por ejemplo un valor de 40, hace que la distancia considerada como pasado reciente sea de 40xH_Resol (Km), es decir el pasado reciente serían los últimos 40xH_Resol Kilómetros.

-

Número de muestras futuro próximo (“Future Sample Number”, FSN): Número de muestras 25 seleccionadas para conformar el futuro próximo. Por ejemplo un valor de 2, hace que la distancia considerada como futuro próximo sea de 2xH_Resol (Km), es decir el futuro próximo serían los próximos 2xH_Resol kilómetros. Normalmente este parámetro es elegido para que la distancia considerada como futuro próximo sea equivalente a la distancia de visión, anticipación y reacción del conductor. Por ejemplo, un valor de FSN que haga que la distancia del futuro próximo sea de 0.2 Km, quiere decir que el alcance de visión y por tanto 30 de anticipación del conductor ante próximos cambios en los límites de velocidad (señales de tráfico) es de 200 metros.

-

Modo de cálculo del estilo de conducción (“Driving Style Calculation Mode”, DSCM): Modo de cálculo del estilo de conducción del conductor. Mediante este parámetro se selecciona el modo en el que el dispositivo calcula el estilo de conducción. Los modos de cálculo pueden ser: Cálculo basado en la 35 transformada de Fourier (valor medio y valor del primer armónico o señal fundamental) (DSCM = 1), cálculo basado en la variación media de la velocidad sobre un periodo de tiempo (DSCM = 2), o cálculo basado en los tiempos de reacción del conductor (DSCM = 3).

El dispositivo de predicción de ciclo de conducción 100 obtiene las siguientes salidas, mostradas en la Figura 1, las cuales son suministradas a una unidad externa 108, que puede ser el sistema de gestión 40 energética del vehículo (EMS, Energy Management System) o cualquier otra aplicación de terceros:

-

Velocidad Estimada (V*sp): Se realiza la predicción de la velocidad sobre el horizonte H, en el espacio y en el tiempo. En concreto:

• V*sp [p, p+H)]: se estima la velocidad en el intervalo espacial [p, p+H)], siendo p la posición actual del vehículo y H el horizonte de predicción seleccionado. 45

• V*sp [t, t+TH]: se estima la velocidad en el intervalo temporal [t, t+TH], siendo t el instante de tiempo actual y TH (s) el tiempo estimado en que el vehículo alcanzará el horizonte de predicción.

-

Pendiente de la Carretera Estimada (Sest): Se realiza la predicción de la pendiente de la carretera sobre el horizonte H, en el espacio y en el tiempo. En concreto:

• S* [p, p+H]: se estima la pendiente en el intervalo espacial [p, p+H)], siendo p la posición 50 actual del vehículo y H el horizonte de predicción seleccionado.

• S* [t, t+TH]: se estima la pendiente en el intervalo temporal [t, t+TH], siendo t el instante de tiempo actual y TH (s) el tiempo estimado en que el vehículo alcanzará el horizonte de predicción.

-

Estilo de Conducción (DS): Se obtiene el estilo de conducción del conductor del vehículo.

A continuación se explica la estrategia, algoritmia y técnica empleada para la obtención de cada una de dichas salidas del dispositivo de predicción de ciclo de conducción 100: 5

1. Predicción de velocidades estimadas (salidas V*sp [p, p+H] y V*sp [t, t+TH])

La estrategia de predicción creada se basa en la utilización de una Red Neuronal Artificial (RNA) de topología NARX (nonlinear autoregresive network with exogenous inputs) previamente entrenada. Esta estrategia se completa con una serie de funciones de pre y post procesamiento tanto de las entradas como de las salidas de esta RNA-NARX. El objetivo de la RNA-NARX es aprender el comportamiento y modo de 10 conducción del conjunto conductor y vehículo, evaluando los desvíos de velocidad del vehículo con respecto a un ciclo de conducción de referencia o patrón correspondiente al trayecto que se está realizando.

El ciclo de conducción de referencia o patrón para el próximo horizonte se construye de manera dinámica en cada tiempo de muestreo, en función de la información recibida a través de las entradas Información de Tráfico (HTI) e Información de Eventos de Tráfico (HTEI). También en cada instante de 15 muestreo, la RNA-NARX obtiene los desvíos de velocidad previstos (con respecto al ciclo de referencia) para el próximo horizonte (futuro), utilizando para ello el ciclo de conducción de referencia (ciclo patrón) y los desvíos de velocidad acontecidos en el pasado reciente del trayecto. De esta forma, utilizando la predicción de los desvíos de velocidad previstos y el ciclo de referencia previsto se puede obtener finalmente el ciclo de conducción real previsto sobre el horizonte de predicción seleccionado. 20

El diagrama de bloques correspondiente a la estrategia utilizada por el dispositivo para la predicción del ciclo de conducción se muestra en la Figura 2. A continuación se explica en detalle las tres etapas de la estrategia: el pre-procesamiento (200), la red neuronal artificial (202) y el post-procesamiento (204). El pre-procesamiento (200), la red neuronal artificial (202) y el post-procesamiento (204) son realizados por medio del procesamiento de datos, utilizando por ejemplo un sistema o dispositivo basado en microcontrolador o 25 microprocesador apoyado por un conjunto de elementos de memoria, y puertos de entrada/salida y comunicaciones.

En el pre-procesamiento (200) la primera función que se realiza consiste en la aplicación de un filtro en tiempo real 206 sobre la variable de entrada Velocidad Vehículo (Vsp), El tipo de filtro aplicado es, en una realización preferida, Filtro de Kalman en tiempo real. La segunda función en el pre-procesamiento (200) 30 consiste en realizar una transformación de dominio 207 sobre la variable Vspkf obtenida como salida tras la aplicación del filtro 206. Mediante esta segunda función 207 se realiza una transformación desde el dominio tiempo al dominio distancia (punto kilométrico) obteniendo la variable interna Punto_Kilométrico (PKm). Esta variable es obtenida mediante integración numérica de la velocidad Vspkf. De esta forma esta función va generando un vector de dos columnas [Vspf(i), PKm(i)] donde cada fila “i” se calcula según el algoritmo 35 presentado en (1) en cada tiempo de muestreo “k”. Se puede observar que el vector PKm(i) es siempre creciente y además tiene un muestreo constante “i” que se corresponde con una distancia de H_Resol. La variable Vspf(i) representa la velocidad del vehículo correspondiente a cada punto kilométrico PKm(i).

(1) endifelseiikViVsolHiPKmiPKmthensolHiPKmciaDisifIncrKmciaDisciaDisSTkVkVIncrKmkVkVKalmanfiltrokVspkfspfspkfspkfspspspkf1)()1(Re_)()1(Re_))(tan(tantan36002)1()(),...)1(),((_)(

La siguiente función que se realiza dentro de esta etapa es el cálculo del vector de desvío 208, que consiste en calcular para cada punto kilométrico PKm(i), el desvío existente entre la velocidad del vehículo Vspf(i) y la velocidad patrón o ciclo de conducción de referencia Vpat(i) (siendo Vpat(i) la velocidad permitida para dicho punto kilométrico i). El cálculo para construir el vector de desvío DVsp(i), se muestra en el algoritmo (2) y se realiza a medida que se va construyendo los vectores PKm(i) y Vspf(i). 5

(2) endifelseiiiViViDVkViVsolHiPKmiPKmthensolHiPKmciaDisifIncrKmciaDisciaDisSTkVkVIncrKmkVkVKalmanfiltrokVspfpatspspkfspfspkfspkfspspspkf1)1()1()1()()1(Re_)()1(Re_))(tan(tantan36002)1()(),...)1(),((_)(

La construcción del vector de velocidades patrón Vpat(i) se realiza utilizando la información de tráfico disponible proveniente del sistema de navegación (entrada Información de Tráfico, HTI). Si se conoce el trayecto a realizar (destino final y ruta a seguir) se pueden conocer las señales de tráfico correspondientes a los límites de velocidad existentes en cada punto kilométrico de dicha ruta o trayecto a realizar. Un ejemplo 10 se puede observar en la Figura 3, en la cual se ha representado, a modo de ejemplo, un ciclo de conducción real realizado sobre un determinado trayecto marcado en color azul la velocidad del vehículo Vspf(i) y su correspondiente vector de velocidades patrón Vpat(i), marcado en color rojo. Se puede observar que ambos vectores están representados con respecto al vector Punto_Kilométrico PKm(i). El ciclo representado a modo de ejemplo en la Figura 3 se ha realizado con un vehículo al que se equipó con un sistema de adquisición de 15 datos embarcado. Si no se conoce el trayecto realizar, éste se debe estimar por métodos probabilísticos de cara a construir el vector de velocidades patrón para el próximo horizonte. Lógicamente, en este caso, a mayor horizonte de predicción seleccionado el error en la obtención del vector de velocidades patrón y por consiguiente en la predicción final realizada podría verse penalizado.

El conocimiento a priori del trayecto a realizar o en su defecto su estimación, permite construir en 20 cada tiempo de muestreo el vector de velocidades patrón Vpat(i), en la etapa construcción ciclo patrón 212 de la Figura 2 utilizando la entrada Información de Tráfico (HTI). Una vez construido el vector, éste podría variar de acuerdo con diferentes eventos que pueden ocurrir derivados de las diferentes condiciones de tráfico que existan en dicho trayecto y que son por naturaleza impredecibles. De esta forma, este vector de velocidades patrón Vpat(i) podrá ir cambiando o adaptándose mientras el vehículo está en circulación (“on line”), utilizando 25 para dicha adaptación la información de tráfico en tiempo real que se recibe a través del sistema de navegación 104 por medio de la entrada Información de Eventos de Tráfico (HTEI).

Finalmente, en esta etapa de pre-procesamiento 200, se generan los vectores NN_DVsp(i), y NN_Vpat(i), los cuales son las entradas de la red neuronal artificial 202. El vector NN_DVsp(i) se genera en la etapa 209, y contiene las últimas DSN muestras del vector DVsp(i), donde DSN (parámetro del dispositivo de 30 predicción de ciclo de conducción 100) representa el número de muestras que definen el tamaño del vector NN_DVsp(i), o lo que es lo mismo, el tamaño del pasado reciente. De esta forma, el vector NN_DVsp(i) contiene los últimos DSN valores del vector DVsp(i), ver algoritmo (3).

(3) endforjjjDVjDVNNDSNkjtokjforspsp1)()(_),,(

El vector NN_Vpat(i) se genera en la etapa 210, y contiene por un lado las últimas DSN muestras del vector Vpat(i), donde DSN representa el número de muestras que definen el tamaño del pasado reciente, y por otro lado las futuras FSN muestras del vector Vpat(i), donde FSN (parámetro del dispositivo de predicción de ciclo de conducción 100) representa el número de muestras que definen el tamaño del futuro reciente. De esta forma, el vector NN_Vpat(i) contiene los últimos DSN valores del vector Vpat(i), y los próximos FSN 5 valores del vector Vpat(i), ver algoritmo (4).

(4) endforjjjVjVNNFSNkjtokjforendforjjjVjVNNDSNkjtokjforpatpatpatpat1)()(_),,(1)()(_),,(

Resumiendo, las funciones realizadas en esta etapa de pre-procesamiento 200 van encaminadas a la construcción de los vectores NN_DVsp(i), y NN_Vpat(i) que son las entradas a la red neuronal artificial 202 creada y utilizada para realizar la predicción del ciclo de conducción. 10

La topología de red neuronal artificial 202 seleccionada para realizar la predicción entra dentro de las redes neuronales dinámicas recurrentes y se denomina NARX (“nonlinear autoregressive network with exogenous inputs”). El modelo NARX está basado en el modelo lineal ARX el cuál es comúnmente usado en el análisis y predicción de series temporales. La ecuación que define al modelo no lineal NARX se muestra en (5), donde y representa la variable de salida y x1, x2, …, xn, representan las posibles entradas del modelo o 15 sistema a modelar, f representa una posible función no lineal, y NumRetardosY, NumRetardosX1..n., representan el número de muestras anteriores que se tienen en cuenta para calcular la salida de la función no lineal.

y(k+1) = f [( y(k), y(k-1), y(k-2),..., y(k – NumRetardosY), x1(k), x1(k-1), x1(k-2),..., x1(k-NumRetardosX1), x2(k), x2 (k-1), x2(k-2), …, x2(k- NumRetardosX2), …, xn(k), xn(k-1), xn(k-2),..., xn(k- NumRetardosXn) ] (5) 20

Un modelo no lineal NARX se puede implementar a través de una red neuronal “feed-forward” que aproxime a la función no lineal f. En la Figura 4 se muestra un esquemático de la estructura de la red neuronal 202 propuesta en la que se pueden observar las entradas 400, la salida 408 y las capas de entrada 402, oculta 404 y de salida 406 las cuáles están formadas por neuronas. Como se puede observar las entradas y la salida se corresponden con las presentes en (5). 25

En una red neuronal a cada entrada le corresponden una serie de parámetros (pesos y bías 410) que unen a cada neurona de entrada con las correspondientes neuronas que forman la capa de neuronas ocultas 404. De esta forma el valor de cada neurona que pertenece a la capa oculta 404 se calcula aplicando una función normalmente no-lineal al sumatorio del producto de las neuronas de entrada por sus correspondientes pesos añadidos los bías. Esta operación se va transmitiendo hacia las neuronas que 30 forman la capa de salida 406, donde el valor de cada salida se obtiene mediante la aplicación de una función lineal o no-lineal al sumatorio del producto, en dirección feed-forward.

Dado unos ejemplos/ensayos realizados donde se han registrado los datos de entrada y salida de la función no lineal que se quiere aproximar por una red neuronal de tipo NARX, el proceso de entrenamiento de la red neuronal definida consiste en obtener los parámetros de la misma (pesos y bías 410 de todas las 35 conexiones) que consiguen que para las entradas de los ejemplos se obtengan las salidas de los ejemplos con un error mínimo. De esta forma, la red neuronal “aprende” de estos ejemplos adquiriendo la propiedad de “generalizar” cuando en la red se presentan otras secuencias y entradas diferentes. El éxito del entrenamiento de la red depende del algoritmo de entrenamiento empleado, del número de capas y neuronas seleccionadas, y sobre todo de los ejemplos utilizados para su entrenamiento los cuales deben poseer 40 información suficiente para que la red adquiera la propiedad de generalizar y no la de sobre-aprender los ejemplos utilizados.

Para el caso que nos ocupa referente a la predicción del ciclo de conducción, la salida a estimar (salida de la red) es el desvío de velocidad en el punto kilométrico siguiente, D*Vsp (k+1). Como entradas se

encuentran la variable NN_DVsp junto con sus correspondientes DSN muestras anteriores, la variable Vpat junto con sus correspondientes DSN muestras anteriores y FSN muestras posteriores, ver Figura 5.

La red calcula la salida en el instante k+1, pero debido a que nosotros necesitamos realizar la predicción sobre un horizonte H, este cálculo se puede repetir n veces de una manera recursiva y de esta forma calcular la predicción del desvío previsto de velocidad (D*Vsp) sobre el horizonte de predicción 5 seleccionado H. Lógicamente para realizar esta predicción sobre horizonte H, las propias variables estimadas de la salida de la red (D*Vsp) son necesitadas, tal y como se representa por la línea a puntos de la figura 5. El algoritmo básico para realizar la predicción sobre el horizonte H se muestra en (6), donde en la sub-función preparación_entradas_NARX(), se construyen los vectores de entrada en la red junto con sus correspondientes muestras, ver figuras 2 y 5. Para construir el vector de entrada NN_DVsp es necesario 10 utilizar la propia salida estimada de la red D*Vsp cuando se está aplicando la red neuronal durante el horizonte de predicción H, ya que los valores reales de la variable DVsp aún no se conocen. De esta forma para preparar las entradas de la red son necesarios los vectores Vpat, DVsp, y D*Vsp, tal y como se muestra en (6).

(6) 15 endforVNNDVNNNARXneuronalredsalidajVDVDDVVNARXentradasnpreparacioVNNDVNNsolHHijtoijforpatspspspsppatpatsp)_,_(___)(*)*,,(__)_,_()Re_/()1(

Después de realizar varios ejemplos y entrenamientos con datos de ciclos de conducción tanto reales como obtenidos mediante simulador de conducción virtual sobre escenarios donde la conducción “no urbana” predomina sobre la conducción “urbana” en el trayecto, los parámetros y la estructura de la red que mejor aproximan estos desvíos es la siguiente:

H_Resol = 0.05 Km 20

DSN = 40 retardos (equivalentes a un pasado reciente de 2Km)

FSN = 4 (equivalente a un futuro próximo de 0.2Km)

Número de neuronas en capa oculta = 20

Funciones utilizadas en neuronas de capa oculta = Tangente sigmoide.

Función utilizada en neurona de capa de salida = Lineal (purelin). 25

Tal y como se ha mostrado anteriormente, la red neuronal NARX 202 obtiene como salida para cada punto kilométrico i (PKm(i)), la estimación del desvío de velocidad previsto para el horizonte seleccionado, desde i hasta i+H/H_Resol.

Las funciones que se realizan dentro de la etapa de post-procesamiento 204 tienen como misión obtener finalmente las salidas: 30

-

V*sp [i, i+H]: Vector de velocidad del vehículo prevista para el próximo horizonte en el dominio de punto kilométrico. Velocidad = f(PKm)

-

V*sp [t, t+TH]: Vector de velocidad del vehículo prevista para el próximo horizonte sobre el dominio temporal. Velocidad = f (tiempo)

La obtención del vector velocidad V*sp [i, i+H] en el dominio correspondiente al Punto_Kilométrico 35 (PKm) es sencilla y directa. Sólo hace falta utilizar los puntos del vector de velocidad patrón correspondientes al horizonte seleccionado. Su cálculo se muestra en (7), restando la estimación del desvío de velocidad previsto para el horizonte seleccionado (DV*sp).

(7) endforjDVjVjVVNNDVNNNARXneuronalredsalidajVDVDDVVNARXentradasnpreparacioVNNDVNNsolHHijtoijforsppatsppatspspspsppatpatsp)()()()_,_(___)(),,(__)_,_()Re_/()1(****

La obtención del vector de velocidad V*sp [t, t+TH] en el dominio temporal es un poco más compleja ya que se requiere realizar la transformación 222 desde el dominio “Punto Kilométrico” al dominio temporal. En cada paso i se recorre una distancia equivalente a H_Resol, por lo que conociendo la velocidad en dicho instante se puede estimar el incremento de tiempo que ha sido necesario emplear para recorrer dicha 5 distancia a dicha velocidad para en cada paso i. La ecuación (8) muestra el cálculo que se realiza.

(8) 2))()1(()()1()1(**iViViPKmiPKmiiIncrTspsp

De esta forma la variable tiempo se inicializa con el instante de tiempo actual y en cada paso i dentro del intervalo de predicción se van calculando y acumulando los incrementos de tiempo según (9).

(9) 10 endforIncrTjtiempojtiempojVjVjPKmjPKmIncrTsolHHjtoijforactualtiempoitiempospsp)1()(2))1()((3600)1()()Re_/()1(_)(*****

2. Predicción de pendientes estimadas (salidas S* [i, i+H] y S*[t, t+TH])

La obtención del vector S* [i, i+H], que contiene las pendientes de la carretera sobre el horizonte de predicción desde el punto kilométrico actual, es directa debido a que se conoce previamente la pendiente de la carretera en todos los puntos kilométricos del trayecto que se está realizando o se prevé realizar (vector Sroad). Suponiendo que estas pendientes están almacenadas en el vector Pendientes de la Carretera 15 (HTI_HRS), se procede según el algoritmo mostrado en (10).

(10) endforjSjSsolHHjtoijforroad)()()Re_/()1(*

Para la obtención del vector S* [t, t+TH], correspondiente a las pendientes sobre el horizonte de predicción desde el instante de tiempo actual, es necesario realizar también una transformación de dominio desde el dominio “Punto Kilométrico” hasta el dominio temporal. Para ello se procede de manera análoga a la 20 explicada anteriormente en la etapa de post-procesado 204. De esta forma a cada punto S(i) del intervalo correspondiente al horizonte de predicción le corresponde un instante de tiempo, tiempo*(i) según (11).

(11)

3. Estilo de conducción (salida DS)

El estilo de conducción se obtiene de diferentes formas según la selección realizada mediante el parámetro DSCM (“Driving Style Calculation Mode”). A continuación se describen las formas en la que se obtiene dependiendo de la selección realizada: 5

- Cálculo basado en la transformada de Fourier: DSCM = 1

Mediante este método se pretende observar las variaciones de velocidad que está provocando el conductor sobre el vehículo así como sus frecuencias. Parece lógico pensar que por ejemplo sobre un tramo donde el límite de velocidad es de 80Km/h (velocidad patrón), si la velocidad del vehículo es superior y oscilante a este límite, la conclusión probable sería que el conductor tiene prisa y está conduciendo de 10 manera agresiva. La transformada de Fourier aplicada sobre la señal de velocidad que lleva el vehículo nos ofrece la posibilidad de calcular el valor medio o continuo de la señal (valor DC) así como las amplitudes del armónico principal y de otros órdenes. Relacionando estos valores con la señal de velocidad patrón se pueden extraer conclusiones acerca del modo de conducción. De esta forma, el procedimiento de cálculo consiste en aplicar la transformada de Fourier a la señal de velocidad del vehículo sobre un intervalo 15 correspondiente al pasado reciente, obtener las magnitudes de valor medio y amplitud del primer armónico (señal fundamental) y relacionarlos con sus correspondientes en la señal de velocidad patrón para ver la variación existente. Este procedimiento se muestra en (12), donde D representa el número deseado de muestras anteriores (pasado reciente) que se evalúan en el algoritmo, DC representa el valor continuo de la señal tras realizar la transformada rápida de Fourier y A1 representa la amplitud del primer armónico (señal 20 fundamental) tras la transormada. Cabe destacar la utilización del índice i en el algoritmo (dominio Punto Kilométrico).

(12) (%)1001.21.12.(%)100.2.11.)(2)(1)()()()()()1(AFFTAFFTleDrivingStyDCFFTDCFFTleDrivingStyonvectorPatrFFTFFTvectorFFTFFTendforjDiVspPatronionvectorPatrjDiVjvectorDjtojforsp

- Cálculo basado en la variación media de la velocidad sobre un periodo de tiempo: DSCM = 2

Mediante este método se pretende observar la variación media de velocidad del vehículo en un 25 intervalo de tiempo predeterminado. Esta medida también podría dar una indicación del grado de agresividad en la conducción. El proceso de obtención se presenta en (13). Tal y como se puede observar se emplea esta vez el índice k (dominio temporal) obteniendo la media de las variaciones de velocidad con respecto al valor medio de la velocidad en el intervalo de tiempo correspondiente a D x ST, siendo ST el tiempo de muestreo seleccionado mediante el parámetro correspondiente. 30

(13) STDjiacionleDrivingStyendforvalorMediojvectorabsjiacionDjtojforvectoronmeanFunctivalorMedioendforjDkVspjvectorDjtojforDjj1)(var1.))(()(var)()1()()()()()1(

-

Cálculo basado en los tiempos de reacción del conductor: DSCM = 3

Este método se basa en la obtención del tiempo de anticipación del conductor ante un cambio de límite de velocidad próximo. Por ejemplo, un conductor que comienza a acelerar 100 metros antes de la señal de tráfico correspondiente a un cambio de límite de velocidad (a mayor valor) es probable que esté 5 conduciendo de manera agresiva. También, un conductor que empieza a frenar en un punto kilométrico mayor al correspondiente donde se encuentra situada una señal de tráfico de cambio de límite de velocidad (a menor valor), se supone que está conduciendo de manera agresiva. La medición de estos valores de anticipación y retraso en el pasado reciente combinados con la desviación de velocidad acontecida en los regímenes permanentes (a velocidad constante, caso de los métodos anteriores) podría dar un estilo de 10 conducción más exacto.

En la Figura 6 se muestran, de forma no limitativa, los componentes de un dispositivo de predicción de ciclo de conducción 100, que ejecuta las etapas del método previamente descrito.

El dispositivo comprende unos primeros medios de comunicación 600 para recibir la velocidad del vehículo y la información de tráfico, normalmente proveniente del sistema de navegación 104 (la velocidad 15 del vehículo la puede recibir por otros medios, por ejemplo de las mediciones realizadas por el propio vehículo). Dichos primeros medios de comunicación 600 puede incluir un puerto de comunicaciones CANbus.

El dispositivo 100 puede comprender unos segundos medios de comunicación 602 para recibir del sistema de encendido 102 o del propio gestor energético del vehículo 108 la señal de encendido (EN). Dichos segundos medios de comunicación 602 comprende, en una realización preferida, un puerto de entradas 20 digitales.

El dispositivo 100 comprende unos medios de procesamiento de datos 604, por ejemplo una unidad DSP o un microcontrolador de alta capacidad computacional, para realizar las distintas etapas de cálculo. Dichos medios de procesamiento de datos 604 disponen de, o tienen acceso a, medios de almacenamientos de datos 606, por ejemplo una memoria RAM y una memoria EPROM. 25

El dispositivo dispone de medios de comunicaciones con el gestor energético del vehículo 108, por ejemplo a través de un puerto de comunicaciones CANbus 608. También puede disponer de un puerto de salidas digitales 610.

Claims (16)

1. REIVINDICACIONES
2. 1.- Método para la predicción ‘on-line’ del ciclo de conducción en un vehículo automóvil, caracterizado por que comprende:

   -

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

   • recibir la velocidad del vehículo (Vsp); 5

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

   • obtener (212), a partir de la información de tráfico (HTI) recibida, un ciclo de conducción de referencia (Vpat) correspondiente al trayecto previsto dentro de al menos dicho horizonte de predicción (H); 10

   • calcular (208) el desvío (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 manera recursiva los desvíos previstos (D*Vsp) para el horizonte de predicción (H), utilizando para ello como entradas de la red neuronal (202) los desvíos de velocidad (NN_DVsp) previamente calculados y 15 correspondientes al 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);

   -

   una etapa de post-procesamiento de datos (204) que comprende obtener, a partir de los desvíos 20 previstos (D*Vsp) y el ciclo de conducción de referencia (Vpat) para el horizonte de predicción (H), la velocidad estimada (V*sp) para dicho horizonte de predicción (H).

3. 2.- Método según la reivindicación 1, caracterizado por que la etapa de pre-procesamiento de datos (200) comprende recibir información de eventos de tráfico (HTEI) correspondiente al trayecto previsto para el vehículo dentro de al menos el horizonte de predicción (H), y donde para la obtención del ciclo de 25 conducción de referencia (Vpat) se emplea también dicha información de eventos de tráfico (HTEI) recibida.
4. 3.- Método según cualquiera de las reivindicaciones anteriores, caracterizado por que la red neuronal (202) es una red neuronal dinámica recurrente de topología NARX, previamente entrenada.
5. 4.- Método según cualquiera de las reivindicaciones anteriores, caracterizado por que en la etapa de pre-procesamiento de datos (200) la velocidad del vehículo (Vsp) se muestrea según un determinado 30 tiempo de muestreo (ST); y donde la obtención (212) del ciclo patrón de referencia (Vpat) y el cálculo del desvío (DVsp) de la velocidad del vehículo (Vsp) con respecto al ciclo de conducción de referencia (Vpat) se realiza para cada tiempo de muestreo (ST).
6. 5.- Método según cualquiera de las reivindicaciones anteriores, caracterizado por que la información relativa al ciclo de conducción de referencia (Vpat) comprende una velocidad patrón adelantada 35 un número de muestras de futuro próximo (FSN), el cual es equivalente a la distancia de visión del conductor y la anticipación del conductor ante próximos cambios en la situación del tráfico.
7. 6.- Método según cualquiera de las reivindicaciones anteriores, caracterizado por que la información de tráfico (HTI) incluye adicionalmente al menos una de las siguientes informaciones:

   -

   los límites de velocidad; 40

   -

   información del tipo de vía;

   -

   las pendientes de la carretera;

   -

   las señales de tráfico del trayecto previsto.

8. 7.- Método según 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: 45

   -

   estado del tráfico;

   -

   límites de velocidad por motivo de obras en la carretera;

   -

   condiciones de visibilidad;

   -

   condiciones del asfalto.

9. 8.- Método según cualquiera de las reivindicaciones anteriores, caracterizado por que la información de tráfico (HTI) y la información de eventos de tráfico (HTEI) son recibidas dentro del intervalo [p, p+H] siendo p la posición actual del vehículo y H el horizonte de predicción seleccionado. 5
10. 9.- Método según cualquiera de las reivindicaciones anteriores, caracterizado por que comprende obtener el estilo de conducción (DS) del conductor del vehículo según unos cálculos que dependen de un parámetro relativo al modo de cálculo del estilo de conducción (DSCM) seleccionado, donde los modos de cálculo están basados en al menos uno de los siguientes:

    -

    cálculo basado en transformada de Fourier de un vector formado por los valores de velocidad del 10 vehículo correspondientes al pasado reciente;

    -

    cálculo basado en la variación media de la velocidad sobre un periodo de tiempo;

    -

    cálculo basado en los tiempos de reacción del conductor.

11. 10.- Dispositivo para la predicción ‘on-line’ del ciclo de conducción en un vehículo automóvil, caracterizado por que comprende: 15

    -

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

    -

    medios de procesamiento de datos (604) configurados para:

    • obtener (212), a partir de la información de tráfico (HTI) recibida por los medios de 20 comunicación, un ciclo de conducción de referencia (Vpat) correspondiente al trayecto previsto dentro de al menos dicho horizonte de predicción (H);

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

    • obtener de manera recursiva, mediante una red neuronal (202), los desvíos previstos 25 (D*Vsp) para el horizonte de predicción (H), utilizando para ello como entradas de la red neuronal (202) los desvíos de velocidad (NN_DVsp) previamente calculados y correspondientes al 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 30 futuro próximo (FSN);

    • obtener, a partir de los desvíos previstos (D*Vsp) y el ciclo de conducción de referencia (Vpat) para el horizonte de predicción (H), la velocidad estimada (V*sp) para dicho horizonte de predicción (H).
12. 11.- Dispositivo según la reivindicación 10, caracterizado por que los medios de comunicación 35 (600) están adicionalmente configurados 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 de predicción (H), y donde los medios de procesamiento de datos (604) están configurados para obtener el ciclo de conducción de referencia (Vpat) empleando también dicha información de eventos de tráfico (HTEI) recibida por los medios de comunicación. 40
13. 12.- Dispositivo según cualquiera de las reivindicaciones 10 a 11, caracterizado por que la red neuronal (202) es una red neuronal dinámica recurrente de topología NARX, previamente entrenada.
14. 13.- Dispositivo según 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) según un determinado tiempo de muestreo (ST) y para obtener (212) el ciclo patrón de referencia (Vpat) y el cálculo del 45 desvío (DVsp) de la velocidad del vehículo (Vsp) con respecto al ciclo de conducción de referencia (Vpat) para cada tiempo de muestreo (ST).
15. 14.- Dispositivo según 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 de muestras de futuro próximo (FSN), el cual es equivalente a la distancia de visión del conductor 50

    y la anticipación del conductor ante próximos cambios en la situación del tráfico.
16. 15.- Dispositivo según 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 en circulación y cada vez que el vehículo avanza una distancia seleccionada mediante un parámetro (H_Resol) 5