利用模拟数据进行交通工具分析的方法和系统与流程

1.本公开总体上涉及生成模拟交通工具(vehicle)性能数据以用于更稳健的数据分析。

背景技术：
和

技术实现要素：

2.可以通过分析在交通工具的操作期间生成的数据来提高交通工具的性能。数据可以在不同条件下(诸如在不同的路线上、具有不同的道路条件、具有不同的驾驶员和/或在不同的环境条件下)的操作期间从交通工具收集。一旦收集了足够的数据，就可以对数据应用各种分析技术和方法，以确定如何提高交通工具性能。作为示例，机器学习(ml)可以用于标识交通工具的一个或多个子系统的操作参数的最佳设置，这些最佳设置提高了一个或多个子系统的效率。例如，可以优化参与能量再生的交通工具子系统的参数，以增加交通工具操作期间再生的能量的量。
3.然而，本文的发明人已经认识到，生成足够的数据来构建稳健的分析解决方案可能是有问题的或不可行的。对于某些交通工具，诸如通常被部署在具有典型商用车队规模的商用车队中的新的交通工具模型或新的交通工具，可能需要较长时间来收集足够的数据以充分地训练ml模型，并且针对一系列交通工具和行驶条件收集到的数据的分布可能会出现偏差。因此，针对特定的交通工具模型或交通工具类型进行性能增强开发的时间(time frame)可能还太短，以致于无法有效地将高维分析解决方案应用于商用交通工具操作期间收集的数据。这可能适用于诸如电池电动交通工具(bev)之类的专用交通工具，因为操作中的模型可能较少。
4.在各种实施例中，上述问题可以通过一种方法来解决，该方法包括：基于从一个或多个训练交通工具收集的传感器数据构建交通工具模型；基于交通工具模型生成虚拟交通工具的模拟集合；多实例地执行对交通工具的模拟集合中的每一个的模拟，每个实例以不同的模拟交通工具操作参数被执行；在每个实例中从交通工具的模拟集合中的每一个获得模拟交通工具数据；用模拟交通工具数据训练机器学习模型；以及基于来自经训练的机器学习模型的输出设置一个或多个真实交通工具的一个或多个参数。通过使用由虚拟交通工具而不是真实交通工具生成的性能数据，可以增加用于训练ml模型的可用数据量，这是因为不依赖于真实世界中遇到的真实交通工具的数量或行驶条件。由于可以在分布式计算环境中(诸如在资源按需分配的云中)模拟虚拟交通工具操作，因此虚拟交通工具模拟可以被并行执行，从而减少收集数据所花费的时间量。此外，可以控制从虚拟交通工具收集性能数据的路线和条件，以确保数据的合理分布，这可以减少训练时间并提高经训练的模型的准确度。通过减少收集数据所花费的时间和训练ml模型所花费的时间，可以减少基于ml模型性能开发和部署性能增强的时间。本文所描述的方法和系统的附加优点是可以更准确地预测和控制用于开发和部署性能增强的成本，从而以更低的成本获得更高的交通工具效率。
5.当下面的具体实施方式单独地或结合附图时，本说明书的上述优点和其他优点以及特征将从中显而易见。应该理解，以上概述以简化形式介绍了一些概念，这些概念将在具体实施方式中进一步描述。这并不旨在标识所要求保护主题的关键或必要特征，所要求保
护主题的范围由具体实施方式之后的权利要求书来唯一地限定。此外，所要求保护的主题不限于解决在上述或本公开的任一部分中提及的任何缺点的实现。
附图说明
6.参考所附附图，通过阅读下列非限制性实施例的描述，将更好地理解本公开，其中：
7.图1是根据本公开的一个或多个实施例的用于模拟多个虚拟交通工具的操作的基于云的系统的示意性表示；
8.图2a是根据本公开的一个或多个实施例的交通工具模型的第一部分的示意性表示；
9.图2b是根据本公开的一个或多个实施例的交通工具模型的第二部分的示意性表示；
10.图2c是根据本公开的一个或多个实施例的与交通工具模型交互的云生态系统的组件的示意性表示；
11.图3是示出根据本公开的一个或多个实施例的用于在交通工具模拟数据上训练机器学习模型的示例性方法的高级流程图；以及
12.图4是示出根据本公开的一个或多个实施例的用于从交通工具模拟数据生成机器学习模型的训练数据的示例性方法的流程图。
具体实施方式
13.本文所描述的方法和系统涉及用于增加用于训练高维统计模型(诸如机器学习(ml)模型)的可用训练数据量以提高交通工具性能的框架。在实施例中，基于云的系统包括模拟引擎，模拟引擎可以基于真实交通工具的基于物理的交通工具模型生成多个虚拟交通工具。多个虚拟交通工具中的每个虚拟交通工具的操作可以由模拟引擎在各种条件和场景下进行模拟，同时性能数据被收集。此外，通过利用基于云的系统的按需处理和存储器资源，可以并行模拟每个虚拟交通工具的操作。作为模拟并行化的结果，与可从多个真实交通工具切实收集的量相比，可以收集更大量的虚拟交通工具的操作性能数据。随后可以对ml模型进行训练，以确定交通工具模型的一组参数，该组参数优化了交通工具模型的一个或多个系统(诸如能量再生系统)的性能。然后，可以将由经训练的ml模型生成的一组优化的参数传输到多个真实交通工具，从而提高多个真实交通工具的性能。
14.图1中示出了用于模拟多个虚拟交通工具的操作的基于云的系统。多个虚拟交通工具中的每个虚拟交通工具可以基于真实交通工具的交通工具模型。图2a中示出了交通工具模型的第一部分，该部分包括驾驶员模型和交通工具控制器模型，图2b中示出了交通工具模型的第二部分，该部分包括动力总成模型和交通工具模型。如图2c所示，交通工具模型可以捆绑在支持用于并行化模拟的灵活配置的软件中。图3描述了用于生成模拟交通工具数据和训练基于云的系统的ml模型的方法。可以通过遵循图4中描述的方法的一个或多个步骤，从模拟数据生成用于训练ml模型的训练数据集。
15.现在参考图1，该图示出了交通工具性能增强系统100，用于基于真实交通工具的操作来模拟多个虚拟交通工具的操作，并且随后在从多个虚拟交通工具收集的数据上训练
ml模型以提高真实交通工具的性能。具体而言，可以训练ml模型以输出真实交通工具的一个或多个交通工具系统的一组参数，这可以最大化一个或多个交通工具系统的性能和/或效率。
16.交通工具性能增强系统100可以包括交通工具104的交通工具模型102。在各种实施例中，交通工具104可以是卡车车队130中的卡车。例如，车队130可以是用于商业分销商的配送卡车车队。交通工具104是真实世界的现实交通工具，因此可以包括交通工具系统和组件105，交通工具系统和组件105可以包括但不限于电机、电池/燃料电池、变速器、悬架系统、制动系统、交通工具加热、通风和冷却(hvac)系统、座舱辅助件(例如，车载娱乐系统)和交通工具控制单元(vcu)。vcu可以在存储器中存储各种可校准交通工具参数，这些参数可以包括电机参数(例如，作为加速器踏板位置的函数的电机扭矩)、变速器参数、电池参数、辅助负载参数等。在特定示例中，可校准交通工具参数可以包括与再生制动相关的参数，诸如触发再生制动的条件、在给定制动事件期间经由再生制动施加多少制动扭矩以及经由摩擦制动施加多少制动扭矩(称为制动扭矩分配)，和/或再生制动扭矩阈值。
17.交通工具模型102可以对交通工具104的各种元件和/或子系统进行建模，诸如控制器、动力总成、交通工具104的物理特性等。因此，交通工具104可以被称为训练交通工具。在各种实施例中，交通工具模型可以是软件程序的计算机模型，包括各种子系统模型，每个子系统模型接收一个或多个输入，并生成可以被输入回子系统模型中的一个或多个的一个或多个输出。换句话说，交通工具模型102可以包括内部组件之间的各种反馈回路，由此可以将一组初始参数(例如，驾驶员数据、路线数据、天气数据、交通工具数据)输入到交通工具模型102中，并且可以基于这组初始参数在驱动周期期间生成和收集交通工具104的模拟操作(例如，交通工具性能)数据。在各种实施例中，交通工具模型102可以，例如在交通工具104的制造商实验室里，基于从车队130的多个交通工具104收集的历史和/或统计信息被创建。交通工具模型102可以基于从交通工具104收集的传感器和控制器数据被构建，所述数据包括从安装在交通工具104上的传感器(以及可以安装在车队130的一个或多个交通工具上的传感器)获得的交通工具传感器数据，以及从非交通工具传感器(例如，从在其上操作交通工具104的测功机(dynamometer))和/或为了模型生成的目的而专门安装在交通工具104上的传感器(并且因此没有安装在车队130的任何交通工具上)获得的传感器测量数据。交通工具模型102将在下文参考图2a、图2b和图2c作更详细地描述。
18.交通工具性能增强系统100可以包括云106，并且交通工具模型102可以通过网络140上传到云106的云生态系统108，网络140可以是合适的有线或无线网络(例如，因特网)。在各种实施例中，网络140可以包括交通工具104连接到的无线蜂窝网络。云生态系统108可以包括模拟引擎110、训练数据114和生成经训练的交通工具模型118的ml模型117。
19.模拟引擎110可以生成多个虚拟交通工具113的模拟集合112，其中每个虚拟交通工具113基于交通工具模型102。模拟集合112可以包括数万辆、或数十万辆、或数百万辆交通工具。在一些实施例中，模拟集合112的每个虚拟交通工具113可以包括相同或基本相似的参数，而在其他实施例中，每个虚拟交通工具113可以包括不同的参数。例如，可以为每个虚拟交通工具113分配交通工具模型102的一组初始参数，这些参数已经被调整以反映车队130的每个交通工具104之间的可变性和/或差异(例如，年龄、磨损、尺寸、重量)。例如，可以用交通工具模型102的与第一尺寸的新卡车相对应的一组参数来初始化第一虚拟交通工具
113；可以用交通工具模型102的与第二尺寸的新卡车相对应的一组参数来初始化第二虚拟交通工具113；可以用交通工具模型102的与第一尺寸的旧卡车相对应的一组参数来初始化第三虚拟交通工具113；可以用交通工具模型102的与第二尺寸的旧卡车相对应的一组参数来初始化第四虚拟交通工具113；以此类推。在一些示例中，当用几组不同的参数初始化不同的虚拟交通工具时，可以生成每个不同虚拟交通工具的多个副本/版本。例如，可以生成第一虚拟交通工具的多个副本，可以生成第二虚拟交通工具的多个副本，等等。
20.还可以为每个虚拟交通工具113分配一组初始的驱动周期参数，驱动周期参数定义了分配的路线或驱动周期、驾驶员风格和行驶条件。行驶条件可以包括例如道路条件、天气条件、照明条件(例如，白天/夜晚的时间)、环境条件(例如，热、冷)等。可以类似地调整初始驱动周期参数以覆盖一系列不同的路线和条件，以确保所收集的数据具有期望的分布。
21.模拟引擎110可以发起虚拟交通工具模拟，其中单独模拟模拟集合112中每个虚拟交通工具113的操作。在各种实施例中，可以同时执行单独模拟中的两个或更多个模拟或每个模拟。具体而言，可以使用被设计成在分布式计算环境中运行的软件技术(包括开源软件技术)来构建模拟引擎110，使得可以并行地执行对每个虚拟交通工具113的操作的模拟，以促进水平缩放到期望的大小。在虚拟交通工具模拟期间，可以收集每个虚拟交通工具113的性能和其他数据。如上文所描述的，可以在不同条件下对每个虚拟交通工具113的操作进行模拟。例如，虚拟交通工具113可以在不同的虚拟路线上操作、在一天的不同时间操作、在不同的季节操作以及在不同的环境和/或气候条件期间操作，等等。此外，可以使用不同的驾驶员模型来模拟不同驾驶员的不同驾驶行为。一旦对虚拟交通工具执行了虚拟交通工具模拟，可以调整虚拟交通工具的一个或多个参数和/或可以调整执行模拟时的条件，并且可以执行新的模拟，使得可以根据需要并行和串行地执行虚拟交通工具模拟。
22.训练数据114随后可以根据从虚拟交通工具模拟收集的性能数据而被生成。第一步可以分析性能数据，以确定可以从性能优化中受益的交通工具模型的一个或多个特定系统或子系统。例如，特定系统或子系统可以是与虚拟交通工具113和/或交通工具104的能量再生有关的子系统，并且性能优化可以包括增加在虚拟交通工具113和/或交通工具104的操作期间再生的能量的量。在其他实施例中，特定系统或子系统可以涉及虚拟交通工具113和/或交通工具104的另一方面，其中性能优化可以基于该另一方面。出于训练ml模块117的ml模型116的目的，可以提取和编码性能数据中与该特定系统或子系统相关的数据。下文将参考图4更详细地描述训练数据114的生成。
23.ml模型116可以包括一个或多个合适的ml模型架构，诸如神经网络、随机森林、决策树、贝叶斯网络等。ml模型116可以被训练以生成各种期望的输出。在示例中，ml模型116可以被训练以模仿交通工具104在任何条件下的性能，并且因此可以被训练以输出在给定一组输入参数的情况下可以观察到的交通工具传感器和控制器数据。在该示例中，一旦被训练(例如，一旦生成了经训练的交通工具模型118)，经训练的ml模型可以是将模拟集合112的每个虚拟交通工具坍缩成单个模型的超级模型或元模型，并且因此需要更少的存储器和处理资源。然后，经训练的ml模型可以用于优化交通工具控制参数，诸如能量再生。在其他示例中，ml模型116可以被训练，以输出更具体/针对性的信息，诸如用于能量再生的最佳交通工具设置。在这样的示例中，多个ml模型可以被训练，例如，每个ml模型针对特定的交通工具控制参数进行训练。
24.交通工具性能增强系统100可以包括车队管理系统120。在ml模型116的训练结束之后，经训练的交通工具模型118可以用于生成特定系统或子系统的一组参数，这组参数可以导致特定系统或子系统的性能提高。例如，经训练的交通工具模型118可以是能量再生模型，并且该组参数可以优化交通工具104在操作期间再生的能量的量。在实施例中，经训练的交通工具模型118可以被训练以输出制动扭矩分配值，其中制动扭矩分配值指示将被施加在交通工具车轮处的、由摩擦制动产生的制动扭矩的百分比以及将由交通工具的电机在再生制动期间施加的制动扭矩的相应百分比。例如，在第一组行驶条件(其中交通工具在第一坡度上操作)下，在第一组天气、道路和温度条件下，经训练的交通工具模型118可以输出低制动扭矩分配值，其中制动扭矩的较小部分由摩擦制动生成，而制动扭矩的较大部分由电机生成(例如，再生制动)。在第二组行驶条件(其中交通工具在第二坡度上操作)下，在第二组天气、道路和温度条件下，经训练的交通工具模型118可以输出高制动扭矩分配值，其中制动扭矩的较大部分由摩擦制动生成，而制动扭矩的较小部分由电机生成。因此，经训练的交通工具模型118可以用于设置交通工具104的参数，这些参数确定了在不同条件下何时以及如何应用再生制动。
25.在各种实施例中，生成导致性能提高的一组参数可以包括基于一组的新的输入数据从经训练的模型118生成一组新的输出数据。例如，训练数据114可以包括与交通工具传感器和/或参数数据相关的第一组输入，以及与未在交通工具处感测到的因素相关的第二组输入。未在交通工具处感测到的因素可以包括例如在其上模拟交通工具操作的坡度，或交通工具的模拟道路负载。在一个示例中，一组新的输入数据可以包括第一组输入，并且可以不包括第二组输入。然后，经训练的交通工具模型118可以用于基于交通工具传感器和交通工具参数数据(例如，第一组输入)，而不是基于未在交通工具处感测到的因素(例如，第二组输入)，来输出制动百分比分配值。在一些实施例中，专家(例如，制造商的工程师)然后可以分析输入数据和输出数据，以确定如何配置交通工具的参数，以响应于来自交通工具传感器的不同组输入而最大化再生制动的效率。
26.在一些实施例中，分析输入数据和输出数据可以包括使用附加或辅助建模技术来对输入数据和输出数据和/或经训练的交通工具模型118的性能进行建模。例如，高维统计方法(例如，回归、k-均值等)可以用于标识输入数据和输出数据中的模式。在一些实施例中，可以利用新的输入数据对经训练的交通工具模型118进行重新训练，使用了利用新生成的有效真值(ground truth)数据的强化学习和/或监督学习。
27.可以优化交通工具104在操作期间再生的能量的量的该组参数可以经由车队管理系统120传播至车队130的各种交通工具104。在一些实施例中，该组参数可以被无线地传播(例如，通过无线网络140)。在其他实施例中，该组参数可以在交通工具的制造/初始校准期间和/或在交通工具104的维修期间被传播，或以不同的方式被传播。
28.附加地或替代地，经训练的交通工具模型118可以用于更新交通工具模型102。在各种实施例中，模拟引擎110可以使用从经更新的交通工具模型102生成的新的模拟集合112重新运行虚拟交通工具模拟，以进一步增强虚拟交通工具113的性能。以此方式，由模拟引擎110执行的反复模拟可以迭代方式提高车队130的虚拟交通工具113和/或交通工具104的性能。
29.云生态系统108可以包括一个或多个处理器122，一个或多个处理器122可以由模
拟引擎110和/或ml模块117用于处理存储在存储器124中的指令。在云生态系统108中运行模拟引擎110和ml模块117的优点在于，可以基于模拟引擎110和/或ml模块117的操作参数按需分配处理器122的数量和存储器124的量。此外，多个处理器122可以在分布式计算环境中并行执行存储在存储器124中的指令，这可以允许在模拟和训练中使用更大量的数据，并且导致更短的模拟和训练时间。
30.如本文所讨论的，存储器124可以包括其中存储指令的任何非瞬态计算机可读介质。出于本公开的目的，术语“非瞬态计算机可读介质”被明确地定义为包括任何类型的计算机可读存储，在各种实施例中，其可以包括非瞬态计算机可读介质，诸如闪存、只读存储器(rom)、随机存取存储器(ram)、高速缓存、或其中信息被存储达任意历时(例如，延长的时间段、永久地、短暂的实例、临时缓冲和/或缓存信息)的任何其他存储介质(例如，有形介质)。如本文所引用的计算机可读存储介质的计算机存储器可以包括用于存储电子格式信息(诸如可以是独立的或作为计算设备的一部分的计算机可读程序指令或计算机可读程序指令的模块、数据等)的易失性和非易失性介质或者可移动和不可移动介质。计算机存储器的示例可以包括可以用于存储期望电子格式的信息并且可以由一个或多个处理器或计算设备的至少一部分访问的任何其他介质。本文所公开的各种方法和系统可以使用存储在非瞬态计算机可读介质中的指令(例如，编程指令、编码指令、可执行指令、计算机可读指令等)来实现。
31.因此，通过从第一多个真实交通工具收集性能数据并使用性能数据生成真实交通工具的交通工具模型，并且随后基于交通工具模型对多个虚拟交通工具的操作进行模拟，可以增加真实交通工具的性能数据量。增加的性能数据量然后可以用于创建和/或训练高维统计模型(诸如ml模型)，以输出可以优化真实交通工具的性能的参数设置。
32.如上文所描述的，在各种实施例中，交通工具模型可以是包括各种子模型的计算机模型。图2a和图2b一起可以表示示例性交通工具模型102，示例性交通工具模型102表示电池电动交通工具(bev)，其中图2a示出了示例性交通工具模型102的包括驾驶员模型和交通工具控制器模型的第一部分，图2b示出了示例性交通工具模型102的包括动力总成模型和交通工具模型的第二部分。
33.现在参考图2a，该图示出了交通工具的示例性交通工具模型(例如，交通工具模型102)的第一部分200的示意性表示。第一部分200可以包括驾驶员模型230和交通工具控制器模型202，其中的每一个都可以接收各种输入并生成各种输出。在一些情况下，驾驶员模型230和交通工具控制器模型202的一个或多个输出可以输入到驾驶员模型230、交通工具控制器模型202或图2a中未示出的交通工具模型的另一子模型中。
34.驾驶员模型230可以对进入交通工具模型的输入进行建模，诸如，例如，由交通工具的模拟操作者发出的命令。驾驶员模型230可以接收速度232作为输入。速度232可以是由交通工具的模拟驾驶员命令的交通工具的期望速度或期望速度变化。驾驶员模型230可以接收例如以百分比表示的坡度233(例如，道路坡度)作为输入。驾驶员模型230可以基于一持续时间(例如，1秒)内的交通工具速度232和坡度233生成扭矩需求210。驾驶员模型230还可以接收滑翔机(glider)输出234作为输入，其中滑翔机输出234是交通工具模型的输出。滑翔机输出234可以是速度，或者在第一数据流通过交通工具模型之后交通工具的速度变化。下文将参考图2b更详细地描述滑翔机输出234。
35.扭矩需求210可以是交通工具控制器模型202的输入。交通工具控制器模型212可以接收附加输入，诸如变速器输出212、电机输出214、辅助负载输出216和电池/燃料电池输出218。变速器输出212和电机输出214可以分别是变速器模型和电机模型的输出，如下面参考图2b更详细地描述的。
36.基于输入(例如，扭矩需求210、变速器输出212、电机输出214、辅助负载输出216和电池/燃料电池输出218)，交通工具控制器模型202可以生成多个输出，包括档位选择220(例如，将被输入到交通工具模型的变速器模型中)、电机控制222(例如，将被输入到交通工具模型的电机模型中)、制动控制224(例如，将被输入到交通工具模型的传动系统模型中)和能量管理输出226。能量管理输出226可以是输入到电池/燃料电池240中的控制信号，并且至少在一些示例中可以表示要存储在电池/燃料电池240中的回收能量的量。
37.电池/燃料电池240可以基于能量管理输出226输出电池/燃料电池输出218，电池/燃料电池输出218可以被输入到交通工具控制器模型202。电池/燃料电池240的附加输入可以是热力系统250基于电池/燃料电池输出218的热力系统输出251。热力系统输出251也可以是辅助负载元件252的输入，辅助负载元件252可以生成辅助负载输出216。辅助负载输出可以输入到交通工具控制器模型202中。因此，交通工具控制器模型202、电池/燃料电池240、热力系统250和辅助负载元件252的输入和输出可以构成能量再生反馈回路254。
38.交通工具再生的能量的量可以取决于能量再生反馈回路254的参数。换句话说，通过调整电池/燃料电池240、辅助负载252、热力系统250和交通工具控制器模型202的参数(例如，特性)，可以实现最大化再生能量的量的期望的能量管理输出226、电池/燃料电池输出218、热力系统输出251和辅助负载输出216。确定电池/燃料电池240、辅助负载252、热力系统250和交通工具控制器模型202的一组期望的参数可以通过以下方式完成：多次使用交通工具模型对交通工具操作进行模拟，并在不同的驱动周期上以不同的参数设置收集能量再生性能数据。如本文所描述的，然后可以使用ml模型来分析关于期望性能的设置组合。例如，导致期望性能的参数设置可以用作有效真值数据，而不会导致期望性能的参数设置可以用作训练输入数据。如参考图3更详细地描述的，可以针对多个虚拟交通工具在多个驱动周期和行驶条件下使用交通工具模型对交通工具操作进行模拟，以确保训练数据的稳健性。
39.现在参考图2b，该图示出了交通工具的交通工具模型(例如，交通工具模型102)的第二部分260的示意性表示。第二部分260可以包括动力总成模型262和交通工具模型270，其中的每一个都可以接收各种输入并生成各种输出。在一些情况下，动力总成模型262和交通工具模型270的一个或多个输出可以分别输入到交通工具模型270和动力总成模型260、驾驶员模型230和/或图2a的交通工具控制器模型202中。应当理解，虽然在所描述的交通工具模型中，交通工具是电池电动交通工具(bev)，但在其他实施例中，交通工具可以不是bev，并且交通工具模型可以包括附加的和/或其他组件，诸如内燃机(ice)。
40.动力总成模型262可以表示交通工具的电气化动力总成中的各种组件，包括电动机、变速箱、终传动、高电压/低电压(hv/lv)电池、直流到直流(dc-dc)转换器等。在各种实施例中，动力总成模型262可以基于由相关组件团队发布的数据被划分为一个或多个子系统。例如，动力总成模型262可以包括电机模型264，电机模型264可以对交通工具的电动机进行建模；变速器模型266，变速器模型266可以对交通工具的变速器进行建模；以及传动系
统模型268，传动系统模型268可以基于电动机、变速器和交通工具的一个或多个制动器的应用来对提供给交通工具车轮的扭矩进行建模。在各种实施例中，动力总成模型262可以从图2a的交通工具控制器模型202接收输入。具体而言，由交通工具控制器模型202输出的电机控制222可以是电机模型264的输入；由交通工具控制器模型202输出的档位选择220可以是变速器模型266的输入；并且由交通工具控制器模型202输出的制动控制224可以是传动系统模型268的输入。
41.电池/燃料电池输出218可以是电机模型264的附加输入，并且基于电池/燃料电池输出218、变速器模型266的输出、传动系统模型268的输出和电机控制222，电机模型264可以生成输出，该输出被接收作为变速器模型266的输入。基于电机模型264的输出、传动系统模型268的输出和档位选择220，变速器模型266可以生成输出，该输出被接收作为传动系统模型268的输入。基于变速器模型266的输出和制动控制224，传动系统模型268可以生成输出，该输出被接收作为交通工具模型270的输入。
42.交通工具模型270可以采用交通工具的特性(诸如轮胎尺寸、正面阻力、交通工具质量等)，并且对在驱动周期或操纵中的不同点处作用在交通工具上的各种道路负载进行建模。这些特性可以作为参数包括在交通工具模型270中，这些参数可以例如基于与交通工具模型相关联的配置文件来配置，如下面参考图2c所描述的。交通工具模型270可以生成滑翔机输出234，滑翔机输出234可以包括作为数据流通过交通工具模型的结果的交通工具的操作状态数据。例如，滑翔机输出234可以包括交通工具的速度、交通工具的选定档位、交通工具的一个或多个制动器的状态等。滑翔机输出234可以被输入回驾驶员模型230中，如上面参考图2a所描述的，以完成全局反馈回路。滑翔机输出234也可以在具有动力总成模型262的动力总成反馈回路272中作为附加输入被提供到变速器模型266和/或传动系统模型268中。
43.如先前所解释的，交通工具模型102可以基于从一个或多个实际交通工具收集的历史和/或统计数据(例如，交通工具操作数据和测量数据)来生成，其中所述一个或多个实际交通工具是在一个或多个交通工具的制造商实验室里使用测功机进行操作的。为生成交通工具模型102而收集的交通工具操作数据可以从定位在一个或多个交通工具上的各种传感器获得。传感器可以包括但不限于加速器踏板位置传感器、交通工具速度传感器、方向盘位置传感器、电机传感器(例如，电机速度、电机扭矩、电机功率)、电池传感器(例如，电池充电状态、电池温度、电池输出)、变速器传感器(例如，输入轴速度、输出轴速度)、悬架系统传感器、车轮速度传感器、制动传感器(例如，制动踏板位置、摩擦制动扭矩)、辅助负载传感器(例如，被配置成用于测量由一个或多个辅助负载(诸如交通工具hvac系统和交通工具座舱电负载)放置的电负载的传感器)和环境条件传感器(例如，环境温度、环境压力、环境湿度)。测量数据可以包括在测功机处生成的数据(诸如道路负载和道路坡度)，以及来自定位在一个或多个交通工具上的传感器的输出，这些传感器可能不存在于典型的被部署的交通工具上。此外，可以从一个或多个交通工具中的每一个的交通工具控制器获得交通工具操作数据。从(多个)交通工具控制器获得的交通工具操作数据可以包括但不限于被命令的交通工具操作参数(例如，被命令的电机扭矩、被命令的制动扭矩、被命令的再生制动扭矩和/或被命令的再生制动扭矩/摩擦制动扭矩比)和操作者输入(例如，激活座舱加热或冷却、变速器换挡)。
44.图2c示出了云生态系统280的元件可以如何使用交通工具模型284，其中交通工具模型284可以是图2a和图2b的交通工具模型和/或图1的交通工具模型102的非限制性实施例，并且云生态系统280可以是图1的云生态系统108的非限制性实施例。如上面参考图1所描述的，出于数据收集目的，交通工具模型284可以被上传到云生态系统290，以供模拟引擎295(例如，模拟引擎110)用于生成多个虚拟交通工具。
45.云生态系统280可以包括处理器281、模拟引擎295、交通工具模型软件282和存储器292。在各种实施例中，交通工具模型284可以是体现在交通工具模型软件282中的计算机模型。交通工具模型软件282可以附加地包括配置文件286和用户界面(ui)288。
46.交通工具模型284的各种参数可以在配置文件286中定义。例如，配置文件286可以包括针对交通工具特性的设置，诸如交通工具的类型、交通工具的年龄或交通工具行驶的英里数、交通工具的大小、交通工具的重量等。配置文件286可以包括针对驱动周期和/或行驶路线的设置，包括长度、持续时间、坡度和/或其他特性。配置文件286可以进一步针对建模交通工具的操作建立最大或最小设置，诸如最大速度、最小转弯半径、最小制动距离等。配置文件286可以包括对于指定的驱动周期针对以下项的设置：天气条件、道路条件、一天中的时间和/或建模交通工具的环境的其他特性。应当理解，本文提供的示例是出于说明性目的，在不脱离本公开的范围的情况下，可以在配置文件286中包括附加的或不同的设置。
47.在创建交通工具模型284期间，用户290(例如，交通工具制造商的实验室中的软件工程师)可以通过调整配置文件286的一个或多个设置来配置交通工具模型284的参数。例如，用户290可以在显示设备(例如，监视器)上打开配置文件286，并经由键盘或另一输入设备手动输入配置文件286的设置。替代地，用户290可以经由ui 288调整配置文件286的一个或多个设置，例如，通过与ui 288的虚拟控件的交互，或者与对话框、向导(wizard)和/或类似的图形用户元素的交互。
48.在交通工具模型284已经由用户290配置之后，用户290可以与交通工具模型软件282交互，以经由ui 288，基于配置文件286的设置，来运行交通工具模型284的模拟。在模拟期间，可以生成交通工具模型284的子模型和/或子系统的输入和输出，其可以被保存为存储器292的模型输出数据294。交通工具模型284的子模型和/或子系统可以包括图2a的驾驶员模型230和交通工具控制器模型202以及图2b的动力总成模型262和交通工具模型270。在交通工具模型284的测试期间，可以测试和分析各种配置以确定用于在云生态系统280内进行更大规模的模拟的一组合适的初始配置参数。
49.交通工具模型284可以上传到捆绑在交通工具模型软件282内的云生态系统280。在云生态系统280内，模拟引擎295可以经由配置文件286与交通工具模型284交互。例如，模拟引擎295可以包括实例管理模块296和配置生成器297。实例管理模块296可以用于生成和跟踪多个虚拟交通工具，每个虚拟交通工具基于交通工具模型284。跟踪多个虚拟交通工具可以包括跟踪每个虚拟交通工具实例的模型输出数据294(例如，每次执行虚拟交通工具的模拟时)。配置生成器297可以用于定义每个虚拟交通工具实例的参数。例如，配置生成器297可以生成第一虚拟交通工具实例的第一组设置、第二虚拟交通工具实例的第二组设置、第三虚拟交通工具实例的第三组设置，以此类推。在各种实施例中，可以基于模拟引擎295的一个或多个算法在预先建立的范围内随机选择第一组设置、第二组设置和第三组设置以及后续的设置组。
50.作为示例，由配置生成器297生成的第一虚拟交通工具实例的第一组设置可以包括用于再生制动/摩擦制动扭矩动态方程(也称为制动动态方程)的第一组方程参数和权重，再生制动/摩擦制动扭矩动态方程可以在第一虚拟交通工具实例的模拟期间每次应用制动请求时应用。制动动态方程可以规定在给定制动事件期间经由再生制动施加多少制动扭矩以及经由摩擦制动施加多少扭矩(例如，制动扭矩分配)。制动动态方程可以包括可以被分配各种权重的多个方程参数。在一些示例中，方程参数可以表示交通工具参数，诸如交通工具速度、交通工具重量、制动踏板位置、电池状况(例如，充电状态)和各种道路条件(例如，影响摩擦的道路条件，诸如道路是否潮湿、道路是否被雪或冰覆盖等)，以确定制动扭矩分配，制动扭矩分配将导致交通工具按照操作者的请求减速或停止(例如，由于制动踏板的应用)，同时还回收交通工具动能并将该能量转换成可以存储在电池中的电能。然而，鉴于可以包括在制动动态方程中的方程参数的数量相对较多，并且因此参数和权重的可能组合的数量较多，对于人类来说，手动确定应该被应用于每个制动事件的理想制动动态方程可能是不可能的。
51.相应地，虚拟交通工具可以被分配各种不同的设置，并且从模拟中收集的数据可以用于训练ml模型以确定制动动态方程中包括哪些方程参数和/或权重，这些方程参数和/或权重也可以随着条件的变化而变化。因此，第一虚拟交通工具实例的第一组参数和权重可以包括可能的方程参数的一些或全部和分配给每个参数的相应权重。第二虚拟交通工具实例的第二组设置可以包括不同的第二组方程参数和权重，第三虚拟交通工具实例的第三组设置可以包括又进一步不同的第三组方程参数和权重，以此类推。在另一示例中，如上文所解释的，从模拟中收集的数据可以用于训练在多个不同条件下模仿多个真实交通工具的超级ml模型，并且超级ml模型一旦被训练，就可以用于生成用于训练专门ml模型的训练数据，以确定在动态制动方程中包括哪些方程参数和/或权重。
52.每个交通工具实例的模型输出数据294可以包括输出数据，该输出数据可以作为输入输入到ml模型，以确定如上文所解释的理想制动动态方程。由此，对于每个模拟制动事件，模型输出数据294可以包括被应用的制动扭矩分配、模拟制动事件的持续时间、制动事件期间的交通工具速度(例如，交通工具减速度)等。此外，虽然再生制动在本文中被呈现为可以根据模型输出数据294和随后经训练的ml模型来调整和/或优化的示例交通工具控制参数，但是其他交通工具控制参数也可以以类似的方式被调整和优化。
53.现在参考图3，该图示出了用于基于模拟性能数据训练ml模型以提高交通工具的能量再生效率的示例性方法300，其中模拟性能数据由基于云的模拟引擎生成和收集。虽然方法300的ml模型是在与能量再生具体相关的数据上进行训练的，但是应当理解，在其他实施例中，ml模型可以使用不同的性能数据来训练，以提高交通工具的不同子系统或组件的效率。方法300的一个或多个步骤可以由在云生态系统中运行的一个或多个处理器(诸如图1的云生态系统108的处理器122)基于存储在云生态系统的存储器(诸如图1的云生态系统108的存储器124)中的指令来执行。例如，一个或多个处理器和存储器可以由一个或多个软件程序访问，软件程序包括模拟引擎(诸如模拟引擎110)和ml模块(诸如ml模块117)。
54.方法300开始于302处，其中方法300包括接收交通工具的交通工具模型(例如，交通工具模型102)。如上文参考图1所描述的，交通工具模型可以是存储在软件中的计算机模型，该计算机模型可以例如从生成交通工具模型的实验室被上传到云生态系统。可以构建
交通工具模型，以模仿在测功机上运行的实际交通工具的行为。例如，可以模拟与真实交通工具(例如，交通工具模型所基于的交通工具)遇到的真实情况相似的道路、天气和/或映射(mapping)条件。因此，当交通工具模型被执行时，从组件和行为的角度来看，它可以像实际交通工具一样运行，具有相似特性，并且可以在电池消耗、不同组件的能量消耗等方面产生相同或基本相似的输出。
55.在304处，方法300包括基于交通工具模型以及其他交通工具特性开发虚拟云交通工具。在各种实施例中，开发虚拟云交通工具可以包括建立被设计为适应在模拟环境内复制的虚拟交通工具结构。例如，除了包括交通工具模型和配置文件(例如，图2c的配置文件286)的交通工具模型软件之外，每个虚拟云交通工具还可以被分配跟踪数据、指向可以存储输出数据的已分配存储器的指针、用于在达到期望或不期望状态时发出通知或采取动作的触发器等。
56.在306处，方法300包括使用模拟引擎来生成多个虚拟云交通工具的模拟集合。例如，模拟集合可以包括数千辆虚拟交通工具、或数万辆虚拟交通工具、或数十万辆虚拟交通工具、或数百万辆虚拟交通工具。模拟集合的大小可以取决于例如期望收集的性能数据的类型(例如，特定交通工具类型的数据、或交通工具的特定系统的数据等)而变化。如上文参考图2c的模拟引擎295所描述的，模拟引擎可以包括实例管理模块(例如，实例管理模块296)，实例管理模块可以生成和跟踪多个虚拟云交通工具中的每个虚拟交通工具。例如，对于被创建的每个虚拟交通工具，可以从云生态系统请求一定量的存储器(例如，图1的存储器124)来存储该实例，并且为了收集虚拟交通工具的性能数据，可以从云生态系统请求一定量的随机存取存储器(ram)和一定量的处理能力来覆盖虚拟交通工具的模拟。实例管理模块还可以存储跟踪和/或监测数据，这些数据可以允许模拟引擎收集、分组、隔离和/或聚合每个虚拟交通工具的性能数据。
57.为了生成每个都包括经配置的交通工具模型的虚拟交通工具，实例管理模块还可以使用配置生成器(例如，图2c的配置生成器297)在每个虚拟交通工具的交通工具模型的设置和参数中建立差异。例如，基于模拟引擎的算法，配置生成器可以确定将对每个虚拟交通工具使用什么参数设置，并在与虚拟交通工具相关联的交通工具模型软件的配置文件中定义参数设置。通过改变模拟集合的虚拟交通工具的参数设置，可以针对各种不同类型的交通工具、具有不同特性(例如，年龄、重量、尺寸等)的交通工具和/或不同的路线、交通和/或环境条件生成和收集性能数据，从而确保性能数据反映真实交通工具遇到的一系列真实情况。
58.在308处，方法300包括在交通工具的模拟集合上运行模拟引擎。在交通工具的模拟集合上运行模拟引擎可以包括根据云生态系统分配的存储器和处理能力，基于分配的驱动周期或路线和定义的交通工具模型配置，来发起对模拟集合中的每个虚拟交通工具的操作。当模拟在模拟集合上运行时，模拟引擎可以集体地和/或单独地监测虚拟交通工具的性能。
59.在310处，在交通工具的模拟集合上运行模拟引擎包括收集与能量再生相关的性能数据。与能量再生相关的性能数据可以包括例如交通工具模型的能量再生系统的诸组件的输入、输出和参数设置。例如，与能量再生相关的性能数据可以包括在驱动周期期间的不同时间收集的图2a的电池/燃料电池240、辅助负载252、热力系统250和交通工具控制器模
型202的参数设置，以及图2a的辅助负载输出216、电池/燃料单元输出218、热力系统输出251和能量管理输出226。在一些示例中，与能量再生相关的性能数据可以包括在制动事件期间应用的制动扭矩分配和其他相关的数据，诸如制动事件期间的交通工具速度，如以上所解释的。
60.在312处，方法300包括使用收集到的模拟数据来创建用于训练ml能量再生模型的训练数据。生成训练数据可能需要选择特定的性能数据并拒绝其他性能数据，下文将参考图4作更详细地描述。
61.在314处，方法300包括使用训练数据集训练ml能量再生模型，以增加虚拟云交通工具的能量再生。具体地，增加虚拟云交通工具的能量再生可以包括确定用于配置交通工具模型的能量再生系统的组件(其可以与交通工具模型所基于的真实交通工具的能量再生系统的现实组件相对应)的最大化能量再生的一组期望的参数。在各种实施例中，ml能量再生模型可以被训练，以输出针对输入数据的各种组合的期望参数，例如，基于惩罚不良能量再生的损失函数使用反向传播。例如，输入数据的各种组合可以包括与特定道路或气候条件等组合的、不同类别的交通工具在不同坡度上的速度。
62.作为示例，ml能量再生模型可以被训练，以确定制动动态方程的方程参数和权重，该方程参数和权重规定了在制动事件期间要应用的制动扭矩分配。在一些示例中，ml能量再生模型可以被训练，以按条件或模式特定的方式确定方程参数和权重，使得ml能量再生模型可以针对不同的交通工具或环境条件确定不同的制动动态方程。
63.在315处，方法300包括重新训练ml能量再生模型和/或对经训练的ml能量再生模型(例如，图1的经训练的交通工具模型118)的输入/输出数据进行建模，以确定交通工具和/或交通工具模型的能量再生系统的一组理想的参数。在各种实施例中，用于训练ml能量再生模型的输入数据可以包括在操作期间在真实交通工具(例如，图1的交通工具104)处不可用的数据，其可以包括先前所描述的测量数据。例如，训练输入数据可以包括交通工具在虚拟驱动周期期间被操作时所在的坡度，或交通工具的估计的道路负载。在一些实施例中，经训练的ml能量再生模型可以在训练数据的子集上重新训练，其中在真实交通工具处不可用的输入数据已从子集中消除。通过消除在操作期间对真实交通工具不可用的数据，经训练的ml能量再生模型可以被重新训练，以学习基于在操作期间在真实交通工具处接收到的传感器数据来预测能量再生系统的一组理想的参数。
64.附加地或/或替代地，经训练的ml能量再生模型或经重新训练的能量再生模型的输入和输出数据可以使用附加的和/或其他建模方法和技术进一步建模。例如，第二ml能量再生模型可以使用使用经训练的ml能量再生模型生成的训练数据来训练，或者一种或多种统计方法可以应用于由经训练的或经重新训练的ml能量再生模型生成的数据，例如，以标识经训练的或经重新训练的ml能量再生模型的输入/输出数据模式。输入/输出数据模式也可以由人类专家(诸如交通工具的制造商的工程团队)分析。通过分析输入/输出数据模式，可以标识真实交通工具的能量再生系统的一组合适的或理想的参数，这些参数可以在交通工具处感测到的一系列行驶条件下提高能量再生系统的效率。
65.在316处，方法300包括基于如上文所描述的对经训练的或经重新训练的ml能量再生模型的输出的分析来设置一个或多个真实交通工具的交通工具控制单元(vcu)参数。在一些示例中，设置vcu参数可以包括更新现有的vcu参数，诸如通过使用空中(ota)能力(例
如，经由诸如网络140的无线网络)向一个或多个真实交通工具发送更新。在一些示例中，设置vcu参数可以包括在一个或多个真实交通工具的制造期间设置初始vcu参数。在各种实施例中，交通工具的vcu参数可以由车队管理系统更新，诸如上文参考图1所描述的车队管理系统120。例如，ml能量再生模型可以确定包括与当前在部署的交通工具中实现的制动动态方程不同的方程参数和/或权重的制动动态方程。在这样的示例中，可以将对制动动态方程的更新发送到部署的交通工具，并且可以将存储在部署的交通工具的vcu的存储器中的制动动态方程更新为新的制动动态方程。在一些示例中，一旦经过训练和验证，ml能量再生模型本身可以被发送到每个部署的交通工具，其中ml能量再生模型可以在交通工具操作期间用于基于当前的交通工具操作条件来确定再生制动是否应该被执行、要应用的制动扭矩分配、再生制动扭矩阈值/限制或其他合适的参数。
66.在318处，方法300包括基于对经训练的或经重新训练的ml能量再生模型的分析来更新交通工具的交通工具模型的参数。换句话说，对可以最大化现实交通工具中的能量再生的参数设置的确定可以被用来通知交通工具模型的经改进的常规配置，以用于未来模拟和/或供交通工具模型和/或交通工具模型软件的逻辑使用。例如，如果从经训练的ml能量再生模型确定一组交通工具子系统参数与在第一行驶条件期间增加的能量再生相关，并且该组交通工具子系统参数与在第二行驶条件期间减少的能量再生相关，则交通工具模型和/交通工具模型软件的逻辑可以被调整为在第一行驶条件出现时采用该组交通工具子系统参数，并且在第二行驶条件出现时不采用该组参数，或者在第二行驶条件期间采用与增加的能量再生相关的第二组参数。以此方式，交通工具模型的效率和/或准确度可以基于经训练的ml能量再生模型在连续虚拟模拟中的演变而不断提高。作为特定示例，经训练的ml能量再生模型的第一迭代可以标识制动动态方程在第一组条件下的方程参数组合。可以更新交通工具模型以包括使用该方程参数组合的制动动态方程，并且然后可以执行进一步的虚拟交通工具模拟，以收集可用于训练ml能量再生模型以确定应用于每个方程参数的特定权重和/或确定制动动态方程在第二组条件下的方程参数组合的性能数据。
67.类似地，在320处，方法300包括基于对经训练的或经重新训练的ml能量再生模型的分析更新模拟引擎的模拟参数以用于后续模拟。例如，可以在来自第一虚拟交通工具模拟的性能数据上训练第一ml能量再生模型。第一交通工具模拟可以在第一系列的不同行驶条件下在第一数量的虚拟交通工具上运行。作为来自第一虚拟交通工具模拟的性能数据的结果，第一经训练的ml能量再生模型可以用于将交通工具所再生的能量的量增加第一百分比。然而，第一经训练的能量再生模型可以在第一行驶条件期间增加再生能量这方面上表现良好，但是在第二行驶条件期间增加再生能量这方面上表现较差。为了进一步将交通工具再生的能量的量增加到第二、更高的百分比，可以从第二虚拟交通工具模拟收集第二组性能数据，以用于训练第二ml能量再生模型。第二交通工具模拟可以在第二系列的较少的行驶条件(例如，类似于第二行驶条件)下在第二、较小数量的虚拟交通工具上运行，因为第二ml能量再生模型可以致力于在较小的境况集合中增加能量再生。因此，在连续的模拟中，不同的模拟参数可以用于在广泛的条件下以迭代方式细化交通工具模型。方法300结束。
68.现在参考图4，该图示出了用于从在虚拟交通工具模拟期间收集到的更大的一组性能数据生成用于训练ml模型以增加交通工具的能量再生的训练数据的示例性方法400。如上文所描述的，虚拟交通工具模拟可以包括在广泛条件下操作的大量虚拟交通工具。在
实施例中，方法400的一个或多个步骤可以由在云生态系统中运行的一个或多个处理器(诸如图1的云生态系统108的处理器122)基于存储在云生态系统的存储器(诸如图1的云生态系统108的存储器124)中的指令来执行。一个或多个处理器和存储器可以例如由ml模块(诸如ml模块117)访问。
69.在一些实施例中，在虚拟交通工具模拟期间收集的性能数据中的一些可能与能量再生无关，并且因此可能对于训练ml模型是无用的。在其他实施例中，与能量再生相关的性能数据可能未被清楚地建立，而这些性能数据中的大部分或全部可以用于训练更大的ml模型。ml模型的期望大小、收集的性能数据的量以及用于训练ml模型的训练数据的量可以在虚拟交通工具模拟的不同实现中变化。
70.方法400开始于402处，其中方法400包括从性能数据中提取多个再生事件，每个再生事件包括与能量再生相关的数据。出于本公开的目的，再生事件可以是在虚拟交通工具(本文中也称为交通工具)处生成能量持续一时间增量的实例。时间增量可以是一秒、1/10秒或取决于模拟的不同持续时间。例如，如果交通工具正在下坡操作并且压力被施加到交通工具的制动器达10秒，在此期间能量在交通工具处被生成，则可以提取10个一秒的再生事件，或可以提取100个1/10秒的再生事件。替代地，如果交通工具正在上坡操作并且没有能量在交通工具处被生成，则在交通工具正在上坡操作时的时间增量期间，没有再生事件可以从性能数据中提取。通过提取再生事件，与能量再生相关的性能数据可以被包括在训练数据中，而与能量再生无关的性能数据可以不被包括在训练数据中。然而，在一些实施例中，与能量再生相关的性能数据可以在没有发生再生事件的选择时间段期间被收集，诸如当交通工具在没有被电机驱动的情况下移动但是没有命令再生事件时。
71.此外，在一些实施例中，可以提取不同时间增量的再生事件，以标识与可能在不同时间段上发生的能量再生相关的性能数据中的模式。例如，可以以第一时间增量从性能数据中提取第一组再生事件；可以以第二时间增量从性能数据中提取第二组再生事件，其中第二时间增量长于第一时间增量，并且可以包括多个第一时间增量；可以以第三时间增量从性能数据中提取第三组再生事件，其中第三时间增量长于第一时间增量和第二时间增量，并且可以包括多个第一时间增量和第二时间增量；等等。在ml模型的训练期间，来自不同时间增量的再生事件的数据可以在训练的不同阶段期间被输入到ml模型中，或者在训练的同一阶段期间同时被输入到同一输入层中或者被输入到ml模型的不同层中。
72.在404处，方法400包括将交通工具的操作状态数据与每个再生事件相关联。对于每个再生事件，交通工具的能量再生子系统的组件在再生事件期间或紧接在再生事件之前(诸如，如上文参考图2a所描述的交通工具控制器模型202、电池/燃料电池240、热力系统250和辅助负载252)的状态数据可以从性能数据中提取并与再生事件相关联。状态数据可以包括例如再生事件发生之前或再生事件发生时的组件的参数设置和/或组件的输入和输出。
73.在406处，方法400包括将与再生事件的时间增量相对应的驱动周期和/或路线数据以及与再生事件相关的上下文数据与再生事件相关联。上下文数据可以包括例如再生事件时的道路、天气和/或行驶条件，或者不同的上下文信息。例如，第一交通工具的第一再生事件可以发生在第一交通工具在寒冷、干燥的气候中操作，并且交通流量低且道路平坦时；第二交通工具的第二再生事件可以发生在第二交通工具在炎热、潮湿的气候中操作，并且
交通流量高且道路状况不佳时；第三交通工具的第三再生事件可以发生在第三交通工具在炎热、干燥的气候中操作，并且交通流量低时；以此类推。在训练期间，上下文数据可以由ml模型用于帮助预测如何针对不同类型的环境和行驶条件来配置交通工具的能量再生系统的组件的操作参数。
74.在408处，方法400包括将能量再生评级(rating)与每个再生事件相关联。在给定驱动周期和上下文数据的情况下，如果在再生事件期间生成的能量的量为高，则可以将高评级分配给该再生事件。在给定驱动周期和上下文数据的情况下，如果在再生事件期间生成的能量的量为低，则可以将低评级分配给该再生事件。
75.所生成的能量的量被确定为是高还是低可以取决于在实验室条件下用真实交通工具(例如，在测功机上被操作)收集的基准数据。例如，在实验室条件下，可以确定当交通工具在斜坡上操作并且以第一方式应用交通工具的制动器时，可以在交通工具处生成大量的第一能量。如果在斜坡上以第二方式应用制动器，则可以在交通工具处生成较少的第二能量。由此，应用制动器的第一方式可以被建立为最佳能量再生的基准。在模拟期间生成的性能数据中，如果交通工具在再生事件期间在相似的坡度上操作，并且性能数据指示所生成的能量的量与大量的第一能量(例如，基准)相似，则可以将高评级分配给该再生事件。替代地，如果交通工具在相似的坡度上操作，并且性能数据指示所生成的能量的量小于基准，则可以将按比例降低的评级分配给该再生事件。通过给再生事件分配评级，可以获取有效真值数据，其中有效真值数据可以指示针对相关联的坡度、速度和行驶条件集合的一组期望或目标参数。
76.在410处，方法400包括从再生事件创建多个训练数据对。在各种实施例中，ml模型可以使用监督学习来训练，其中ml模型使用包括输入数据和目标(例如，有效真值)数据的数据对来训练，并且ml模型被训练以从输入数据预测目标数据。训练数据对可以从再生事件生成。例如，状态数据(例如，能量再生系统组件的参数设置、输入和输出)和上下文数据(例如，道路、环境和行驶条件)可以用作训练数据对的输入数据，并且再生事件的能量再生评级可以用作目标数据或有效真值数据。在训练期间，具有损失函数的反向传播算法可以用于训练ml模型，以从输入数据预测能量再生评级。
77.在其他实施例中，ml模型可以使用无监督学习来训练。在无监督学习期间，可以不训练ml模型以基于输入/目标训练对来预测能量再生评级。能量再生评级可以包括在输入数据中，并且可以不提供有效真值数据。当输入数据被输入到ml模型中时，可以使用一种或多种不同的算法来标识输入数据中的模式，或者将输入数据组织成组。随后可以分析这些模式或组，以确定能量再生系统组件对于不同驱动周期和行驶条件的期望参数设置。
78.在又一些的实施例中，ml模型可以使用强化学习来训练。在强化学习期间，ml模型可以被训练，以学习最大化奖励(例如，能量再生)同时最小化一个或多个惩罚(例如，增加的停止距离)的最佳策略(诸如制动扭矩分配)。一旦使用强化学习进行了训练，ml模型就可以被配置成用于接收一组交通工具输入(例如，速度、制动踏板位置、交通工具重量、道路条件)并输出在不影响交通工具减速的情况下最大化能量再生的制动扭矩分配。来自ml模型的输出然后可以用于开发制动动态方程或填充可以被发送给部署的交通工具的查找表。
79.如先前所解释的，用于生成虚拟交通工具的交通工具模型是基于交通工具数据和测量数据(例如，传感器数据、控制器数据)构建的。在一些示例中，为构建交通工具模型而
收集的交通工具数据和仪器数据可以表示比在部署的交通工具中感测和监测的参数更大量的监测或感测的参数。由此，本文所描述的(多个)ml模型可以在ml模型将第一数量的参数作为输入的状态下部署，其中每个输入参数是可以从部署的交通工具感测或推断的参数。相比之下，用于训练ml模型的训练数据可以包括比第一数量的参数更多的第二数量的参数，因为使用虚拟交通工具比使用实际部署的交通工具可以获得更多的性能数据。
80.虽然图3和图4已在本文中被描述为与训练特定于能量再生的ml模型相关，但是应当理解，本文所描述的平台(具体而言，从虚拟交通工具的模拟中收集的训练数据)可以用于训练超级ml模型，该超级ml模型被训练以将任何输入组合(例如，加速器踏板位置、制动踏板位置、交通工具速度、道路/环境条件、电机扭矩、电池充电状态)映射到一组相应的输出(例如，被命令的电机扭矩、随后的交通工具速度、制动扭矩分配)。然后，超级ml模型可以用于生成用于训练具有特定目标(例如，将选定的一组输入映射到最佳制动扭矩分配)的后续ml模型的训练数据。在其他示例中，一旦经过训练，超级ml模型可以在推理阶段期间用于标识在给定一组输入参数(其可以模仿在部署的交通工具处可用的输入参数)情况下的经优化的输出(例如，最大化能量再生而不影响交通工具停止距离的制动扭矩分配)。
81.因此，提供了用于通过基于交通工具的交通工具模型创建虚拟交通工具来增加可以被收集用于分析目的的、交通工具操作数据的量的系统和方法。可以在云中创建虚拟交通工具，其中可以按需分配足够的存储器和并行处理资源，以支持模拟集合的期望数量的交通工具。可以在各种不同的驱动周期、路线和/或行驶/环境条件下模拟虚拟交通工具的操作，以收集具有期望分布的性能数据的稳健数据集。数据集然后可以用于训练ml模型以标识和/或预测一个或多个交通工具系统的组件的参数设置的配置，以提高交通工具的效率。通过使用模拟性能数据而不是由真实交通工具生成的数据，可以增加用于训练ml模型的可用数据量，同时减少收集数据所花费的时间量。增加的数据量可以产生更稳健和准确的ml模型，并且用于生成数据所花费的时间被减少可以缩短用于开发和部署交通工具的性能增强的时间并降低用于开发和部署交通工具的性能增强的成本。
82.使用基于交通工具的交通工具模型的模拟性能数据而不是使用在现实世界中操作的交通工具的性能数据来训练ml模型以提高交通工具的效率具有以下技术效果：可以在更短的时间范围内收集到涵盖更广泛的行驶条件的更大量的数据。
83.本公开还提供了对方法的支持，包括：基于从一个或多个训练交通工具收集的传感器数据构建交通工具模型；基于交通工具模型生成虚拟交通工具的模拟集合；多实例地执行对交通工具的模拟集合中的每一个的模拟，每个实例以不同的模拟交通工具操作参数执行；在每个实例中从交通工具的模拟集合中的每一个获得模拟交通工具数据；用模拟交通工具数据训练机器学习模型；以及基于来自经训练的机器学习模型的输出设置一个或多个真实交通工具的一个或多个参数。在方法的第一示例中，基于从一个或多个训练交通工具收集的传感器数据构建交通工具模型包括基于来自第一数量的传感器的传感器数据构建交通工具模型，其中第一数量的传感器中的每一个传感器都被安装在所述一个或多个训练交通工具上，并且机器学习模型被训练以采用来自被安装在一个或多个真实交通工具上的第二数量的传感器的传感器数据作为输入。在方法的第二示例中(可选地包括第一示例)，更新一个或多个真实交通工具包括在一个或多个真实交通工具的存储器中存储经训练的机器学习模型。在方法的第三示例中(可选地包括第一示例和第二示例中的一个或两
个)，设置一个或多个真实交通工具的一个或多个参数包括基于来自机器学习模型的输出更新一个或多个真实交通工具中的每一个的一个或多个可校准交通工具参数。在方法的第四示例中(可选地包括第一示例至第三示例中的一个或多个或每一个)，更新一个或多个可校准交通工具参数包括更新被配置成用于确定要在制动事件期间应用的制动扭矩分配的制动动态方程，制动扭矩分配包括将经由再生制动施加的一部分制动扭矩和将经由摩擦制动施加的一部分制动扭矩。在方法的第五示例中(可选地包括第一示例至第四示例中的一个或多个或每一个)，不同的模拟交通工具操作参数包括针对每个实例的不同的模拟环境道路条件、不同的模拟道路路线、不同的模拟驾驶员参数和/或不同的模拟可校准交通工具参数。在方法的第六示例中(可选地包括第一示例至第五示例中的一个或多个或每一个)，训练机器学习模型包括训练机器学习模型以基于一组交通工具输入参数输出再生制动是否应被执行、在制动事件期间要应用的制动扭矩分配和/或再生制动扭矩阈值。在方法的第七示例中(可选地包括第一示例至第六示例中的一个或多个或每一个)，多实例地执行对交通工具的模拟集合中的每一个的模拟包括在分布式计算环境中多实例地执行对交通工具的模拟集合中的每一个的模拟。在方法的第八示例中(可选地包括第一示例至第七示例中的一个或多个或每一个)，多实例地执行对交通工具的模拟集合中的每一个的模拟包括并行执行每个模拟。在方法的第九示例中(可选地包括第一示例至第八示例中的一个或多个或每一个)，虚拟交通工具的模拟集合中的每一个虚拟交通工具被配置成用于模拟一个或多个训练交通工具，并且每个训练交通工具包括现实交通工具。
84.本公开还提供了对系统的支持，包括：一个或多个处理器；以及存储器，存储器存储可由一个或多个处理器执行的指令，以：基于交通工具模型生成虚拟交通工具的模拟集合，交通工具模型基于从一个或多个训练交通工具收集的传感器数据而被构建；多实例地执行对交通工具的模拟集合中的每一个的模拟，每个实例以不同的模拟交通工具操作参数执行；在每个实例中从交通工具的模拟集合中的每一个获得模拟交通工具数据；用模拟交通工具数据训练机器学习模型；以及基于来自经训练的机器学习模型的输出设置一个或多个真实交通工具的一个或多个参数。在系统的第一示例中，一个或多个处理器和存储器包括在分布式计算环境中，并且每个模拟被并行执行。在系统的第二示例中(可选地包括第一示例)，虚拟交通工具的模拟集合中的每一个虚拟交通工具被配置成用于模拟一个或多个训练交通工具，并且每个训练交通工具包括现实交通工具。在系统的第三示例中(可选地包括第一示例和第二示例中的一个或两个)，不同的模拟交通工具操作参数包括针对每个实例的不同的模拟环境道路条件、不同的模拟道路路线、不同的模拟驾驶员参数和/或不同的模拟可校准交通工具参数。在系统的第四示例中(可选地包括第一示例至第三示例中的一个或多个或每一个)，设置一个或多个真实交通工具的一个或多个参数包括使用空中能力向一个或多个真实交通工具发送对一个或多个参数的更新。
85.本公开还提供了对可在分布式计算环境中执行的方法的支持，包括：基于从真实世界训练交通工具收集的数据构建的交通工具模型生成虚拟交通工具的模拟集合，每个虚拟交通工具被配置成用于模拟真实世界训练交通工具；多实例地执行对交通工具的模拟集合中的每一个的模拟，每个实例以不同的模拟交通工具操作参数并行执行；在每个实例中从交通工具的模拟集合中的每一个获得模拟交通工具数据；用模拟交通工具数据训练机器学习模型；以及基于来自经训练的机器学习模型的输出设置一个或多个真实交通工具的一
个或多个能量再生参数。在方法的第一示例中，交通工具模型是根据从真实世界训练交通工具上的多个传感器收集的传感器数据和从在其上操作真实世界训练交通工具的测功机收集的测量数据来构建的。在方法的第二示例中(可选地包括第一示例)，设置一个或多个真实交通工具的一个或多个能量再生参数包括基于来自机器学习模型的输出更新一个或多个真实交通工具中的每一个的一个或多个可校准能量再生参数。在方法的第三示例中(可选地包括第一示例至第二示例中的一个或两个)，一个或多个真实交通工具中的每一个的一个或多个可校准能量再生参数包括再生制动应被执行的一个或多个条件、在制动事件期间要应用的制动扭矩分配和/或再生制动扭矩阈值。在方法的第四示例中(可选地包括第一示例至第三示例中的一个或多个或每一个)，不同的模拟交通工具操作参数包括针对每个实例的不同的模拟环境道路条件、不同的模拟道路路线、不同的模拟驾驶员参数和/或不同的模拟可校准交通工具参数。
86.虽然本文已经描述了各种实施例，但应当理解它们是以示例而非限制的方式呈现的。相关领域的技术人员将意识到在不背离主题的精神的情况下，可将所公开的主题体现为其他具体形式。因此，上述实施例在所有方面都被认为是说明性的，而不是限制性的。
87.注意，本文包括的示例控制和估计例程可以与各种动力总成和/或交通工具系统配置一起使用。本文公开的控制方法和例程可以作为可执行指令被存储在非瞬态存储器中，并且可以由包括控制器的控制系统结合各种传感器、致动器和其他变速器和/或交通工具硬件来执行。此外，方法的一些部分可以是在真实世界中采取的用以改变设备的状态的实际动作。本文所描述的具体例程可以表示诸如事件驱动、中断驱动、多任务、多线程等任何数量的处理策略中的一个或多个。由此，所示出的各种动作、操作和/或功能可以按所示顺序执行、并行地执行、或者在某些情况下省略。同样，处理的顺序不是实现本文所描述的示例的特征和/或优点所必需的，而是为了便于说明和描述而提供的。取决于所使用的特定策略，可以反复地执行所示出的动作、操作和/或功能中的一个或多个。此外，所描述的动作、操作和/或功能以图形的方式表示将被编程到交通工具/变速器控制系统中的计算机可读存储介质的非瞬态存储器中的代码，其中所描述的动作通过执行包括与电子控制器相组合的各种运载工具硬件部件的系统中的指令来执行。如果需要，可以省略本文所描述的方法步骤中的一个或多个。
88.将理解，本文公开的配置和例程在本质上是示例性的，并且这些具体示例不应被认为是局限性的，因为众多变体是可能的。例如，上述技术可以应用于包括不同类型的推进源(包括不同类型的电机、内燃机和/或变速器)的动力总成。本公开的主题包括各种系统和配置的所有新颖和非显而易见的组合和子组合、和此处所公开的其它特征、功能、和/或特性。
89.所附权利要求书特别指出了被认为是新颖的且非显而易见的某些组合和子组合。这些权利要求会提到“一”元件或“第一”元件或其等价物。这样的权利要求应被理解为包括一个或多个这样的元件的结合，既非要求也非排除两个或更多个这样的元件。所公开的特征、功能、元件、和/或性质的其他组合和子组合可通过修改本权利要求书或通过在本技术或相关申请中提出新权利要求来要求保护。无论范围比原始权利要求更宽、更窄、等同还是不同的这些权利要求也被认为被包括在本公开的主题内。
90.如文本所使用的，术语“大约”和“基本上”被解释为意指范围的正负百分之五，除
非另外指明。

技术特征：
1.一种方法，所述方法包括：基于从一个或多个训练交通工具收集的传感器数据构建交通工具模型(304)；基于所述交通工具模型生成虚拟交通工具的模拟集合(306)；多实例地执行对所述交通工具的模拟集合中的每一个的模拟(308)，每个实例以不同的模拟交通工具操作参数被执行；在每个实例中从所述交通工具的模拟集合中的每一个获得模拟交通工具数据(310)；用所述模拟交通工具数据训练机器学习模型(314)；以及基于来自经训练的机器学习模型的输出设置一个或多个真实交通工具的一个或多个参数(316)。2.如权利要求1所述的方法，其特征在于，基于从一个或多个训练交通工具收集的传感器数据构建所述交通工具模型包括基于来自第一数量的传感器的传感器数据构建所述交通工具模型，其中所述第一数量的传感器中的每一个传感器都被安装在所述一个或多个训练交通工具上，并且所述机器学习模型被训练以采用来自被安装在所述一个或多个真实交通工具上的第二数量的传感器的传感器数据作为输入。3.如权利要求1所述的方法，其特征在于，更新所述一个或多个真实交通工具包括在所述一个或多个真实交通工具的存储器中存储所述经训练的机器学习模型。4.如权利要求1所述的方法，其特征在于，设置所述一个或多个真实交通工具的一个或多个参数包括基于来自所述机器学习模型的输出更新所述一个或多个真实交通工具中的每一个真实交通工具的一个或多个可校准交通工具参数(320)。5.如权利要求4所述的方法，其特征在于，更新所述一个或多个可校准交通工具参数(320)包括更新被配置成用于确定在制动事件期间应用的制动扭矩分配的制动动态方程，所述制动扭矩分配包括将经由再生制动施加的一部分制动扭矩和将经由摩擦制动施加的一部分制动扭矩。6.如权利要求1所述的方法，其特征在于，所述不同的模拟交通工具操作参数包括针对每个实例的不同的模拟环境道路条件、不同的模拟道路路线、不同的模拟驾驶员参数和/或不同的模拟可校准交通工具参数。7.如权利要求1所述的方法，其特征在于，训练所述机器学习模型包括训练所述机器学习模型以基于一组交通工具输入参数输出再生制动是否应被执行、在制动事件期间要应用的制动扭矩分配和/或再生制动扭矩阈值。8.如权利要求1所述的方法，其特征在于，多实例地执行对所述交通工具的模拟集合中的每一个的所述模拟包括在分布式计算环境中多实例地执行对所述交通工具的模拟集合中的每一个的所述模拟。9.如权利要求1所述的方法，其特征在于，多实例地执行对所述交通工具的模拟集合中的每一个的所述模拟包括并行执行每个模拟。10.如权利要求1所述的方法，其特征在于，所述虚拟交通工具的模拟集合中的每一个虚拟交通工具被配置成用于模拟所述一个或多个训练交通工具，并且每个训练交通工具包括现实交通工具。11.一种系统，所述系统包括：一个或多个处理器(281)；以及
存储器(292)，所述存储器(292)存储能由所述一个或多个处理器(281)执行的指令，以：基于交通工具模型(284)生成虚拟交通工具的模拟集合，所述交通工具模型(284)是基于从一个或多个训练交通工具收集的传感器数据被构建的；多实例地执行对所述交通工具的模拟集合中的每一个的模拟，每个实例以不同的模拟交通工具操作参数被执行；在每个实例中从所述交通工具的模拟集合中的每一个获得模拟交通工具数据；用所述模拟交通工具数据训练机器学习模型；以及基于来自经训练的机器学习模型的输出设置一个或多个真实交通工具的一个或多个参数。12.如权利要求11所述的系统，其特征在于，所述一个或多个处理器(281)和所述存储器(292)包括在分布式计算环境中，并且每个模拟被并行执行。13.如权利要求11所述的系统，其特征在于，所述虚拟交通工具的模拟集合中的每一个虚拟交通工具被配置成用于模拟所述一个或多个训练交通工具，并且每个训练交通工具包括现实交通工具。14.如权利要求11所述的系统，其特征在于，所述不同的模拟交通工具操作参数包括针对每个实例的不同的模拟环境道路条件、不同的模拟道路路线、不同的模拟驾驶员参数和/或不同的模拟可校准交通工具参数。15.如权利要求11所述的系统，其特征在于，设置所述一个或多个真实交通工具的所述一个或多个参数包括使用空中能力向所述一个或多个真实交通工具发送对所述一个或多个参数的更新。

技术总结
本公开描述利用模拟数据进行交通工具分析的方法和系统，公开了用于生成模拟交通工具性能数据的方法和系统。在一个示例中，方法包括：基于从一个或多个训练交通工具收集的传感器数据构建交通工具模型；基于交通工具模型生成虚拟交通工具的模拟集合；多实例地执行对交通工具的模拟集合中的每一个的模拟，每个实例以不同的模拟交通工具操作参数被执行；在每个实例中从交通工具的模拟集合中的每一个获得模拟交通工具数据；用模拟交通工具数据训练机器学习模型；以及基于来自经训练的机器学习模型的输出设置一个或多个真实交通工具的一个或多个参数。或多个参数。或多个参数。


技术研发人员：T
受保护的技术使用者：德纳重型车辆系统集团有限责任公司
技术研发日：2023.01.17
技术公布日：2023/7/20