导读

技术是推动行业发展的重要支撑力量。为便于读者了解国内外汽车五化变革的最新技术动态，百人会推出前瞻技术月报专栏，每月一期。本月的四项动态如下：

1. 利用历史充电数据进行电池寿命预测；

2. 现代起亚推新型热泵技术；

3. 东芝发布两套AI系统，增加车辆定位与物体追踪精度；

4. 卡内基梅隆大学：未标记的数据也能用于自动驾驶场景流训练。

01 利用历史充电数据进行电池寿命预测

一队由来自上海大学、清华大学与中国电力科学研究院的人员组成的科研团队，新近在Journal of Power Sources上发表了一篇文章，表示开发出了一套可以通过云端充电数据来进行电池寿命预测的方法。

根据研究人员在论文中的介绍，电动汽车的充电数据相比较于国家监管平台收集的车辆运行数据更为稳定，能够更好地进行电池寿命预测。

一般来说，对电池寿命的预判包括电池剩余容量与电池内阻两个方面。

在电池剩余容量方面，团队通过对大量的历史充电数据进行积分计算得到最初的剩余容量数值，然后再结合其工作温度对这一数值进行修正，修正后再使用卡尔曼滤波算法进行优化得到最终的数据。根据得到的电池剩余容量数据，结合目前业内常用的阿伦尼乌斯老化模型来预测电池的寿命。

针对电池内阻的预判则是使用充电数据中出现的电压与电流突变数据来进行，修正与优化流程与剩余容量的判断基本类似。

研究团队使用了147辆电动汽车的历史充电数据来对方法的正确性进行了验证。据研究人员介绍，此方法可以用来支撑电池包池包的预防性维修（在电池发生故障前进行的维修工作），电动汽车的残余价值评估以及在动力电池梯次利用之前的快速分类。

延伸阅读：对锂离子电池在不同条件下的剩余寿命进行精准预测能够保证系统的安全稳定运行，并且可以最大化利用电池的剩余价值。因而，电池剩余寿命的预测对于动力电池的梯次利用和电池管理十分重要。目前业内对于电池寿命的预测基本可以分为基于模型、基于数据驱动以及将这两者相结合的融合算法三类。

此前，对电池寿命的预测大多是基于单一工况进行，例如恒温、恒定电流等等。但随着动力电池在储能方面应用的铺开，针对梯次利用的情况，电池的历史工况会影响再次利用的寿命有很大影响，而且随着电池老化，其寿命衰减的机理也会发生变化，因而需要建立面向电池全寿命周期的数据统计与共享机制、开发电池全生命周期的寿命预测技术，才能充分利用电池剩余价值。

02 现代起亚推出新型热泵系统，可增加电动汽车在冬天的续航里程

现代起亚推出新型热泵系统，可以将车辆内部产生的废热进行循环再利用，减少冬天时车辆制暖对电动汽车续航里程带来的影响。据现代起亚官方介绍，这项技术首次是在2014年起亚的Soul电动车上进行应用。此后，现代起亚一直在对其进行优化和升级。目前最新发布的技术已经应用到现代起亚旗下的所有量产电动车上。

相比初代热泵系统，目前热泵能够利用的废热来源更多，不仅会收集一些大功率器件诸如电机、逆变器等运行时产生的热量，也能从电池包以及电池的慢充中获得热量。热泵利用收集到的热量使制冷剂汽化，汽化后的气体经过压缩机的压缩再进入冷凝器液化。这个过程中产生的额外的热能被热泵吸收用来给车舱供暖。

图1 | 现代起亚新型热泵系统

挪威汽车联合会（Norwegian Automotive Federation）最新的一次测试结果表明，使用该项技术的现代Kona电动车在低温环境下续航达到405公里，相比官方公布的续航里程449公里仅降低了9%。

延伸阅读：热管理是电动汽车的一个重要研究方向，其课题之一就是如何在冬天减少因为外界环境低带来的里程衰减。目前电动汽车使用较为广泛的半导体加热制暖的方式耗电量大，在冬天的表现就是车辆的续航里程会受其影响而大幅降低，有研究表明严重的能减少30%-40%。因此，利用余热制暖、热泵技术的使用也慢慢增多。现代起亚的这项技术就是将二者相结合。

03 东芝发布两套AI系统，增加车辆定位与物体追踪精度

在6月1日举办的线上国际机器人技术与自动化会议（International Conference on Robotics and Automation）上，东芝对外展示了两个新的AI：运动预估AI（Motion Estimation AI）与运动预测AI（Motion Prediction AI）。根据东芝的介绍，前者可以使用车载摄像头与惯性传感器的数据来生成车辆本身的运动轨迹并对车辆的定位，而后者则是对道路上的其他车辆进行追踪，可以预测它们在未来一段时间内的运动轨迹。

运动预估AI使用的是视觉与惯性传感器相结合的SLAM技术。与常规的SLAM技术相比，东芝的运动预估AI能够在进行数据处理时，首先对来自摄像头和惯性传感器的数据进行有效性评估，在最终进行定位和运动轨迹生成时，摒除无用数据，只使用有效数据。运动预估AI已经利用自动驾驶公开数据集KITTI与EuRoC进行了测算，并与其他使用同样传感器的SLAM算法进行了对比。结果显示，与其他算法相比，同时使用摄像头与惯性传感器的数据，东芝运动预估AI的错误率下降了40%，而单独使用摄像头的数据，运动预估AI的错误率可以下降82%。

下图显示了东芝这套AI的预测结果，其中红线是AI预测的轨迹、黑色虚线是车辆的实际运动轨迹，而蓝线为其他算法的预测结果。可以看到，AI预测的结果与实际运动轨迹几乎一致。

图2 | 东芝运动预估AI的测算结果

运动预测AI则是使用了一套深度神经网络来增加对其他车辆的运动预判精确度。一般情况下，对其他车辆的预判因为要结合道路本身环境进行，需要有道路的车道数量、弯曲程度等数据来支撑，系统拥有的数据丰富程度决定了其适应性。东芝则是通过这套深度神经网络来解决这个问题。

运动预测AI通过两步来实现对车辆运动的预判：

1.对每个车道线上的车辆未来运动轨迹进行独立计算。

2.对每辆车进行独立计算，判断它会选择哪条车道。

然后将这两个数据相结合生成最终的预判结果。这套AI在自动驾驶公开数据集Argoverse上进行了测算，最终显示运动预测AI对其他车辆在未来四秒内的运动轨迹预判的错误率相比其他算法下降了40%。

延伸阅读：高精度定位是自动驾驶实现的前提之一。在室外一般使用北斗/GPS等全球定位系统，配合惯导、高精度地图、差分定位等方式来提高定位精度，而在室内或者未采集高精度地图数据的地区，SLAM（Simultaneous localization and mapping，同步定位与建图）就是一种常用的手段，例如自主代客泊车就是SLAM一个典型的使用场景，在停车场内车辆进行定位。SLAM可以利用多种传感器实现，如激光雷达、摄像头等，因为激光雷达的性价比问题，视觉SLAM的研究逐渐增多。不过为满足实际应用所需要的实时性与精确性，将视觉信息与惯性传感器数据相融合的SLAM技术也已经成为当前的研究热点。

04 卡内基梅隆大学：未标记的数据也能用于自动驾驶场景流训练

今年的CVRP（Computer Vision and Pattern Recognition，计算机视觉与图像识别）会议于6月14-19日在线上举办。会上，来自卡内基梅隆大学的研究团队介绍了一个新的方法，可以利用未标记的数据来进行场景流训练，提升训练效果并增强自动驾驶车辆对周围物体运动轨迹的预判精度。

目前业内一般使用模拟数据进行场景流的训练，然后再使用小批量经过标记的数据集来进行优化和调校。在这种情况下，能够使用的数据较少。卡内基梅隆大学提出的新办法可以直接使用未标记的数据，也就是自动驾驶车辆行驶时激光雷达采集到的数据。

根据研究团队的介绍，要使用这些数据，必须让系统能够意识到自己产生了错误。针对采集到的每一帧点云数据，系统会计算每一个点的运动速度并预判其运动轨迹，然后在下一帧，再将预判的运动位置与其实际的位置进行对比，记录两者之间的距离。这类数据被汇总记录为第一类错误数据。

然后系统会反转这个过程。从之前预判得到的运动位置入手反向推算其起始位置，再将这个位置与实际的起始位置进行对比，记录其数值。这类数据被汇总记录为第二类错误数据。

系统需要在训练过程中，不断地进行这两类数据记录和优化，来减小预判出现的偏差。据介绍，如果使用模拟数据进行场景流训练，精确度大概只有25%左右，如果使用小批量地标记数据来对此进行修正，精确度能提高到36%，而如果加入大量地未标记的数据来对系统进行训练，那么精确度可以提高到46%。

延伸阅读：自动驾驶车辆要进行路径规划，就必须对车辆周围的环境有正确的认知，实时了解其他道路使用者的位置并对其未来的运动方向进行预判。预判的精度直接影响自动驾驶车辆的安全。目前用来实现这一目的的方式之一就是场景流，相比于传统对物体进行识别后再进行物体追踪，场景流是对激光雷达生成的3D点云数据中的每一个点进行单独的运动轨迹预判，可以减少因为物体识别错误而影响运动轨迹的预判精度。

不过场景流需要使用标记过的数据进行训练，而且要求对场景中的每一个点的运动进行标记，因而标记数据的获取十分困难，需要耗费大量人力和时间。现在业内一般是使用人工模拟的数据进行训练，再使用少量的经过标记的数据进行校正。如果能够直接使用未标记的数据集，那么可用于训练的数据将大幅增加。

返回第一电动网首页 >