Spark开发出Assure系统 可利用AI算法预测EV续航里程

盖世汽车讯 大多数电动汽车（EV）会通过推断先前驾驶的效率来预测电池中剩余的能量。然而，如果汽车刚刚开上一座山，从另一边下山的效率就会大不相同。这种不准确性会导致驾驶员产生对续航里程和充电站的焦虑。

据外媒报道，Spark电动汽车技术公司（Spark EV Technology）开发出Assure系统，可在10毫秒内利用AI预测旅程所需的确切能量，同时将特定车辆类型和驾驶员的驾驶风格考虑在内。通过将车辆数据与驾驶员行为以及实时外部路线和天气信息相结合，Assure系统能够更准确地预测效率。

图片来源：Spark

Spark EV Technology首席技术官Greg Matthews表示：“如果想知道车辆在旅途中会消耗多少能量，那么车辆去过哪里并不重要，重要的是接下来要去哪里。如果知道行程的距离，那么驾驶员就可以采用物理知识来计算所需多少能量，包括考虑滚动阻力、海拔变化、基于交通状况的车辆速度以及来自车舱车厢加热或冷却需求（基于室外温度）。”

Assure的核心是一个物理模型，由七个主要能量贡献组成，包括滚动阻力、空气阻力、动能、再生制动能量、辅助能量和势能。但是，驾驶员的不同风格和偏好会显着影响这些参数。

Matthews解释道：“经过测试，我们发现有些方面我们无法直接在物理模型中捕捉到。例如，驾驶方式对能源消耗有很大影响。如果驾驶速度特别快，那么空气阻力就会增加，或者如果驾驶员喜欢更温暖的环境，那么用于加热的能量就会升高。我们发现，在相同的条件下，一些驾驶员在相同的旅程中消耗的能量高达 40%。因此我们决定使用机器学习来调整物理模型以适应个别驾驶员和车辆。”

Spark使用随机梯度下降机器学习技术（一种优化算法），在每次迭代时调整参数以最小化成本函数。想象两个16公里的旅程，除了其中一个有一座山之外，其它完全相同的。算法会分析这两次行程之间的差异，并可以计算出上下山所需的势能。通过同时比较大量旅程，该算法可以预测每种能源对旅程总能耗的贡献。

Matthews表示：“算法将为每次旅程进行大约10,000次调整，在10到20次旅程之后，我们可以为给定的驾驶员和车辆建立必要的参数，因此我们能够预测旅程的能量，误差通常在1%或2%以内。”

算法会在每次旅行后更新，并跟踪驾驶风格、车辆磨损和天气状况的变化。但挑战是避免算法从不准确的训练数据中学习。例如，如果驾驶员从最初的路线绕道而行，则不能使用此旅程的数据，因为算法会假设未来的旅程将包括类似的绕路。

【以上内容转自“盖世汽车”，不代表本网站观点。 如需转载请取得盖世汽车网许可，如有侵权请联系删除。】

延伸阅读：

• 1月荷兰电动汽车销量同比提升25%
• 沃尔沃到2026年将推出6款电动汽车 覆盖现有产品