導讀

技術是推動行業(yè)發(fā)展的重要支撐力量。為便于讀者了解國內(nèi)外汽車五化變革的最新技術動態(tài)，百人會推出前瞻技術月報專欄，每月一期。本月的四項動態(tài)如下：

1. 利用歷史充電數(shù)據(jù)進行電池壽命預測；

2. 現(xiàn)代起亞推新型熱泵技術；

3. 東芝發(fā)布兩套AI系統(tǒng)，增加車輛定位與物體追蹤精度；

4. 卡內(nèi)基梅隆大學：未標記的數(shù)據(jù)也能用于自動駕駛場景流訓練。

01 利用歷史充電數(shù)據(jù)進行電池壽命預測

一隊由來自上海大學、清華大學與中國電力科學研究院的人員組成的科研團隊，新近在Journal of Power Sources上發(fā)表了一篇文章，表示開發(fā)出了一套可以通過云端充電數(shù)據(jù)來進行電池壽命預測的方法。

根據(jù)研究人員在論文中的介紹，電動汽車的充電數(shù)據(jù)相比較于國家監(jiān)管平臺收集的車輛運行數(shù)據(jù)更為穩(wěn)定，能夠更好地進行電池壽命預測。

一般來說，對電池壽命的預判包括電池剩余容量與電池內(nèi)阻兩個方面。

在電池剩余容量方面，團隊通過對大量的歷史充電數(shù)據(jù)進行積分計算得到最初的剩余容量數(shù)值，然后再結(jié)合其工作溫度對這一數(shù)值進行修正，修正后再使用卡爾曼濾波算法進行優(yōu)化得到最終的數(shù)據(jù)。根據(jù)得到的電池剩余容量數(shù)據(jù)，結(jié)合目前業(yè)內(nèi)常用的阿倫尼烏斯老化模型來預測電池的壽命。

針對電池內(nèi)阻的預判則是使用充電數(shù)據(jù)中出現(xiàn)的電壓與電流突變數(shù)據(jù)來進行，修正與優(yōu)化流程與剩余容量的判斷基本類似。

研究團隊使用了147輛電動汽車的歷史充電數(shù)據(jù)來對方法的正確性進行了驗證。據(jù)研究人員介紹，此方法可以用來支撐電池包池包的預防性維修（在電池發(fā)生故障前進行的維修工作），電動汽車的殘余價值評估以及在動力電池梯次利用之前的快速分類。

延伸閱讀：對鋰離子電池在不同條件下的剩余壽命進行精準預測能夠保證系統(tǒng)的安全穩(wěn)定運行，并且可以最大化利用電池的剩余價值。因而，電池剩余壽命的預測對于動力電池的梯次利用和電池管理十分重要。目前業(yè)內(nèi)對于電池壽命的預測基本可以分為基于模型、基于數(shù)據(jù)驅(qū)動以及將這兩者相結(jié)合的融合算法三類。

此前，對電池壽命的預測大多是基于單一工況進行，例如恒溫、恒定電流等等。但隨著動力電池在儲能方面應用的鋪開，針對梯次利用的情況，電池的歷史工況會影響再次利用的壽命有很大影響，而且隨著電池老化，其壽命衰減的機理也會發(fā)生變化，因而需要建立面向電池全壽命周期的數(shù)據(jù)統(tǒng)計與共享機制、開發(fā)電池全生命周期的壽命預測技術，才能充分利用電池剩余價值。

02 現(xiàn)代起亞推出新型熱泵系統(tǒng)，可增加電動汽車在冬天的續(xù)航里程

現(xiàn)代起亞推出新型熱泵系統(tǒng)，可以將車輛內(nèi)部產(chǎn)生的廢熱進行循環(huán)再利用，減少冬天時車輛制暖對電動汽車續(xù)航里程帶來的影響。據(jù)現(xiàn)代起亞官方介紹，這項技術首次是在2014年起亞的Soul電動車上進行應用。此后，現(xiàn)代起亞一直在對其進行優(yōu)化和升級。目前最新發(fā)布的技術已經(jīng)應用到現(xiàn)代起亞旗下的所有量產(chǎn)電動車上。

相比初代熱泵系統(tǒng)，目前熱泵能夠利用的廢熱來源更多，不僅會收集一些大功率器件諸如電機、逆變器等運行時產(chǎn)生的熱量，也能從電池包以及電池的慢充中獲得熱量。熱泵利用收集到的熱量使制冷劑汽化，汽化后的氣體經(jīng)過壓縮機的壓縮再進入冷凝器液化。這個過程中產(chǎn)生的額外的熱能被熱泵吸收用來給車艙供暖。

圖1 | 現(xiàn)代起亞新型熱泵系統(tǒng)

挪威汽車聯(lián)合會（Norwegian Automotive Federation）最新的一次測試結(jié)果表明，使用該項技術的現(xiàn)代Kona電動車在低溫環(huán)境下續(xù)航達到405公里，相比官方公布的續(xù)航里程449公里僅降低了9%。

延伸閱讀：熱管理是電動汽車的一個重要研究方向，其課題之一就是如何在冬天減少因為外界環(huán)境低帶來的里程衰減。目前電動汽車使用較為廣泛的半導體加熱制暖的方式耗電量大，在冬天的表現(xiàn)就是車輛的續(xù)航里程會受其影響而大幅降低，有研究表明嚴重的能減少30%-40%。因此，利用余熱制暖、熱泵技術的使用也慢慢增多?，F(xiàn)代起亞的這項技術就是將二者相結(jié)合。

03 東芝發(fā)布兩套AI系統(tǒng)，增加車輛定位與物體追蹤精度

在6月1日舉辦的線上國際機器人技術與自動化會議（International Conference on Robotics and Automation）上，東芝對外展示了兩個新的AI：運動預估AI（Motion Estimation AI）與運動預測AI（Motion Prediction AI）。根據(jù)東芝的介紹，前者可以使用車載攝像頭與慣性傳感器的數(shù)據(jù)來生成車輛本身的運動軌跡并對車輛的定位，而后者則是對道路上的其他車輛進行追蹤，可以預測它們在未來一段時間內(nèi)的運動軌跡。

運動預估AI使用的是視覺與慣性傳感器相結(jié)合的SLAM技術。與常規(guī)的SLAM技術相比，東芝的運動預估AI能夠在進行數(shù)據(jù)處理時，首先對來自攝像頭和慣性傳感器的數(shù)據(jù)進行有效性評估，在最終進行定位和運動軌跡生成時，摒除無用數(shù)據(jù)，只使用有效數(shù)據(jù)。運動預估AI已經(jīng)利用自動駕駛公開數(shù)據(jù)集KITTI與EuRoC進行了測算，并與其他使用同樣傳感器的SLAM算法進行了對比。結(jié)果顯示，與其他算法相比，同時使用攝像頭與慣性傳感器的數(shù)據(jù)，東芝運動預估AI的錯誤率下降了40%，而單獨使用攝像頭的數(shù)據(jù)，運動預估AI的錯誤率可以下降82%。

下圖顯示了東芝這套AI的預測結(jié)果，其中紅線是AI預測的軌跡、黑色虛線是車輛的實際運動軌跡，而藍線為其他算法的預測結(jié)果。可以看到，AI預測的結(jié)果與實際運動軌跡幾乎一致。

圖2 | 東芝運動預估AI的測算結(jié)果

運動預測AI則是使用了一套深度神經(jīng)網(wǎng)絡來增加對其他車輛的運動預判精確度。一般情況下，對其他車輛的預判因為要結(jié)合道路本身環(huán)境進行，需要有道路的車道數(shù)量、彎曲程度等數(shù)據(jù)來支撐，系統(tǒng)擁有的數(shù)據(jù)豐富程度決定了其適應性。東芝則是通過這套深度神經(jīng)網(wǎng)絡來解決這個問題。

運動預測AI通過兩步來實現(xiàn)對車輛運動的預判：

1.對每個車道線上的車輛未來運動軌跡進行獨立計算。

2.對每輛車進行獨立計算，判斷它會選擇哪條車道。

然后將這兩個數(shù)據(jù)相結(jié)合生成最終的預判結(jié)果。這套AI在自動駕駛公開數(shù)據(jù)集Argoverse上進行了測算，最終顯示運動預測AI對其他車輛在未來四秒內(nèi)的運動軌跡預判的錯誤率相比其他算法下降了40%。

延伸閱讀：高精度定位是自動駕駛實現(xiàn)的前提之一。在室外一般使用北斗/GPS等全球定位系統(tǒng)，配合慣導、高精度地圖、差分定位等方式來提高定位精度，而在室內(nèi)或者未采集高精度地圖數(shù)據(jù)的地區(qū)，SLAM（Simultaneous localization and mapping，同步定位與建圖）就是一種常用的手段，例如自主代客泊車就是SLAM一個典型的使用場景，在停車場內(nèi)車輛進行定位。SLAM可以利用多種傳感器實現(xiàn)，如激光雷達、攝像頭等，因為激光雷達的性價比問題，視覺SLAM的研究逐漸增多。不過為滿足實際應用所需要的實時性與精確性，將視覺信息與慣性傳感器數(shù)據(jù)相融合的SLAM技術也已經(jīng)成為當前的研究熱點。

04 卡內(nèi)基梅隆大學：未標記的數(shù)據(jù)也能用于自動駕駛場景流訓練

今年的CVRP（Computer Vision and Pattern Recognition，計算機視覺與圖像識別）會議于6月14-19日在線上舉辦。會上，來自卡內(nèi)基梅隆大學的研究團隊介紹了一個新的方法，可以利用未標記的數(shù)據(jù)來進行場景流訓練，提升訓練效果并增強自動駕駛車輛對周圍物體運動軌跡的預判精度。

目前業(yè)內(nèi)一般使用模擬數(shù)據(jù)進行場景流的訓練，然后再使用小批量經(jīng)過標記的數(shù)據(jù)集來進行優(yōu)化和調(diào)校。在這種情況下，能夠使用的數(shù)據(jù)較少。卡內(nèi)基梅隆大學提出的新辦法可以直接使用未標記的數(shù)據(jù)，也就是自動駕駛車輛行駛時激光雷達采集到的數(shù)據(jù)。

根據(jù)研究團隊的介紹，要使用這些數(shù)據(jù)，必須讓系統(tǒng)能夠意識到自己產(chǎn)生了錯誤。針對采集到的每一幀點云數(shù)據(jù)，系統(tǒng)會計算每一個點的運動速度并預判其運動軌跡，然后在下一幀，再將預判的運動位置與其實際的位置進行對比，記錄兩者之間的距離。這類數(shù)據(jù)被匯總記錄為第一類錯誤數(shù)據(jù)。

然后系統(tǒng)會反轉(zhuǎn)這個過程。從之前預判得到的運動位置入手反向推算其起始位置，再將這個位置與實際的起始位置進行對比，記錄其數(shù)值。這類數(shù)據(jù)被匯總記錄為第二類錯誤數(shù)據(jù)。

系統(tǒng)需要在訓練過程中，不斷地進行這兩類數(shù)據(jù)記錄和優(yōu)化，來減小預判出現(xiàn)的偏差。據(jù)介紹，如果使用模擬數(shù)據(jù)進行場景流訓練，精確度大概只有25%左右，如果使用小批量地標記數(shù)據(jù)來對此進行修正，精確度能提高到36%，而如果加入大量地未標記的數(shù)據(jù)來對系統(tǒng)進行訓練，那么精確度可以提高到46%。

延伸閱讀：自動駕駛車輛要進行路徑規(guī)劃，就必須對車輛周圍的環(huán)境有正確的認知，實時了解其他道路使用者的位置并對其未來的運動方向進行預判。預判的精度直接影響自動駕駛車輛的安全。目前用來實現(xiàn)這一目的的方式之一就是場景流，相比于傳統(tǒng)對物體進行識別后再進行物體追蹤，場景流是對激光雷達生成的3D點云數(shù)據(jù)中的每一個點進行單獨的運動軌跡預判，可以減少因為物體識別錯誤而影響運動軌跡的預判精度。

不過場景流需要使用標記過的數(shù)據(jù)進行訓練，而且要求對場景中的每一個點的運動進行標記，因而標記數(shù)據(jù)的獲取十分困難，需要耗費大量人力和時間。現(xiàn)在業(yè)內(nèi)一般是使用人工模擬的數(shù)據(jù)進行訓練，再使用少量的經(jīng)過標記的數(shù)據(jù)進行校正。如果能夠直接使用未標記的數(shù)據(jù)集，那么可用于訓練的數(shù)據(jù)將大幅增加。

返回第一電動網(wǎng)首頁 >