动态车辆操作

技术领域

本公开涉及动态车辆操作。

背景技术

车辆可以配备有计算装置、网络、传感器和控制器以获取关于车辆的环境的数据并且基于所述数据来操作车辆。车辆的操作可以依赖于正在道路上操作车辆时获取关于车辆子系统操作的准确且及时的数据。

发明内容

一种系统包括计算机，所述计算机包括处理器和存储器，所述存储器存储指令，所述指令可由处理器执行以：将来自车辆子系统的数据输入到被训练以输出多个时间模式向量的机器学习程序，所述时间模式向量包括描述车辆子系统的操作参数的数据；将时间模式向量输入到被训练以输出潜在特征矩阵的基于注意力的编码器，所述潜在特征矩阵包括多个潜在特征向量，每个潜在特征向量包括描述每个时间模式向量相对于每个其他时间模式向量的相应权重的数据；将潜在特征向量中的每一个分配给多个集群中的相应一个；并且基于所分配的集群，将操作值输出到车辆子系统的控制器，所述控制器被编程为将车辆子系统的操作调整为输出操作值。

指令还可以包括用于进行以下操作的指令：基于所分配的集群来生成预测的操作值的映射图。

指令还可以包括用于进行以下操作的指令：输入新的操作数据以更新映射图并将预测的操作值从映射图输出到控制器。

指令还可以包括用于进行以下操作的指令：基于集群质心矩阵来确定潜在特征矩阵的概率矩阵，集群质心矩阵包括每个集群的相应集群质心，概率矩阵包括描述来自集群质心的潜在特征向量的相应分布的数据；并且基于概率矩阵将潜在特征向量中的每一个分配给多个集群中的相应一个。

每个集群可以包括关于在其中收集操作数据的环境的数据。

车辆子系统可以是动力传动系统，操作数据可以是测量的扭矩，输出操作值可以是规定的扭矩，并且控制器还可以被编程为致动动力传动系统以输出规定的扭矩。

控制器还可以被编程为基于规定的扭矩从动力传动系统收集扭矩数据，并且指令还可以包括用于从控制器接收收集的扭矩数据的指令。

指令还可以包括用于进行以下操作的指令：从车辆子系统的一个或多个电子控制单元收集操作数据。

指令还可以包括用于进行以下操作的指令：利用第二机器学习程序将潜在特征向量中的每一个分配给多个集群中的一个。

指令还可以包括用于进行以下操作的指令：输入多组时间序列操作数据，每组时间序列操作数据包括指定时间段内的操作数据；并且将多组时间序列操作数据融合到潜在特征矩阵中。

多组时间序列操作数据中的第一者可以包括第一指定时间段内的操作数据，并且多组时间序列操作数据中的第二者可以包括第二指定时间段内的操作数据，第一指定时间段不同于第二指定时间段。

机器学习程序可以是递归神经网络。

指令还可以包括用于进行以下操作的指令：将来自多个车辆的相应车辆子系统的操作数据输入到机器学习程序。

指令还可以包括用于进行以下操作的指令：基于所分配的集群来生成预测的操作值的映射图并将映射图传输到多个车辆中的每一个的相应计算机。

一种方法包括：将来自车辆子系统的数据输入到被训练以输出多个时间模式向量的机器学习程序，所述时间模式向量包括描述车辆子系统的操作参数的数据；将时间模式向量输入到被训练以输出潜在特征矩阵的基于注意力的编码器，所述潜在特征矩阵包括多个潜在特征向量，每个潜在特征向量包括描述每个时间模式向量相对于每个其他时间模式向量的相应权重的数据；将潜在特征向量中的每一个分配给多个集群中的相应一个；并且基于所分配的集群，将操作值输出到车辆子系统的控制器，所述控制器被编程为将车辆子系统的操作调整为输出操作值。

方法还可以包括：基于所分配的集群来生成预测的操作值的映射图。

方法还可以包括：输入新的操作数据以更新映射图并将预测的操作值从映射图输出到控制器。

方法还可以包括：基于集群质心矩阵来确定潜在特征矩阵的概率矩阵，集群质心矩阵包括每个集群的相应集群质心，概率矩阵包括描述来自集群质心的潜在特征向量的相应分布的数据；并且基于概率矩阵将潜在特征向量中的每一个分配给多个集群中的相应一个。

控制器还可以被编程为基于规定的扭矩从动力传动系统收集扭矩数据，并且方法还可以包括从控制器接收收集的扭矩数据。

方法还可以包括：从车辆子系统的一个或多个电子控制单元收集操作数据。

方法还可以包括：利用第二机器学习程序将潜在特征向量中的每一个分配给多个集群中的一个。

方法还可以包括：输入多组时间序列操作数据，每组时间序列操作数据包括指定时间段内的操作数据；并且将多组时间序列操作数据融合到潜在特征矩阵中。

方法还可以包括：将来自多个车辆的相应车辆子系统的操作数据输入到机器学习程序。

方法还可以包括：基于所分配的集群来生成预测的操作值的映射图并将映射图传输到多个车辆中的每一个的相应计算机。

还公开了一种计算装置，所述计算装置被编程为执行上述方法步骤中的任一个。还公开了一种包括计算装置的车辆。还公开了一种计算机程序产品，所述计算机程序产品包括计算机可读介质，所述计算机可读介质存储指令，所述指令可由计算机处理器执行以执行上述方法步骤中的任一个。

可以根据指定的驾驶场景(诸如认证驾驶循环)来校准车辆子系统。这些驾驶场景允许制造商为车辆生成控制指令以控制子系统。然而，驾驶场景可能无法捕获与指定的驾驶场景不同的驾驶环境的具体驾驶风格或特定特征。具体地，对于可能依赖于数据收集的时间依赖性的常规的基于物理学的控制技术，对车辆操作的非线性行为进行建模可能是困难的。

深度学习数据驱动模型可以考虑数据收集的时间相关性质和车辆操作的非线性物理行为，从而对比常规控制技术为车辆子系统的控制器提供捕获车辆的实际行为的输出。机器学习程序诸如递归神经网络和基于注意力的编码器可以识别来自车辆的数据中的时间和空间模式，并且集群程序可以识别车辆子系统要获得的输出。这些机器学习程序可以处理在不同时间段并且以不同采样率收集的数据，以识别独立于数据收集的时间效应的模式。因此，对车辆子系统的控制基于在车辆操作期间收集的实际数据来改进。

附图说明

图1是用于操作车辆的示例性系统的框图。

图2是用于输出用于操作车辆的操作值的模型的框图。

图3是示例性神经网络的框图。

图4是提供用于操作车辆的输出操作值的示例性过程的框图。

具体实施方式

图1是用于操作包括计算机110的车辆105的示例性系统100的框图。车辆105可以是任何合适类型的地面车辆105，例如乘用汽车或商用汽车，诸如轿车、双门轿车、卡车、运动型多功能车、跨界车、厢式货车、小型货车、出租车、公共汽车等。

计算机110包括处理器和存储器。存储器包括一种或多种形式的计算机可读介质，并且存储指令，所述指令可由车辆计算机110执行以用于执行包括如本文所公开的各种操作。例如，计算机110可以是具有如以上所描述的处理器和存储器的通用计算机110，和/或可以包括用于特定功能或功能集的电子控制单元ECU或控制器，和/或专用电子电路，所述专用电子电路包括针对特定操作而制造的ASIC，例如用于处理传感器数据和/或传送传感器数据的ASIC。在另一个示例中，计算机110可以包括FPGA(现场可编程门阵列)，该FPGA是被制造为可由用户配置的集成电路。通常，在电子设计自动化中使用诸如VHDL(超高速集成电路硬件描述语言)的硬件描述语言来描述诸如FPGA和ASIC的数字和混合信号系统。例如，ASIC是基于制造前提供的VHDL编程而制造的，而FPGA内部的逻辑部件可基于例如存储在电连接到FPGA电路的存储器中的VHDL编程而配置。在一些示例中，处理器、ASIC和/或FPGA电路的组合可包括在计算机110中。

存储器可以是任何类型，例如，硬盘驱动器、固态驱动器、服务器130或任何易失性或非易失性介质。存储器可以存储从传感器115发送的所收集数据。存储器可以是与计算机110分离的装置，并且计算机110可经由车辆105中的网络(例如，通过CAN总线、无线网络等)检索由存储器存储的信息。替代地或另外地，存储器可以是计算机110的一部分，例如作为计算机110的存储器。

计算机110可以包括编程以操作车辆105制动、推进(例如，通过控制内燃发动机、电动马达、混合发动机等中的一者或多者来控制车辆105的加速)、转向、气候控制、内部灯和/或外部灯等中的一者或多者，以及确定计算机110(而非人类操作员)是否以及何时控制此类操作。另外，计算机110可被编程为确定人类操作员是否以及何时控制此类操作。

计算机110可以包括或通信地耦合到(例如，经由车辆105网络，诸如如下文进一步描述的通信总线)多于一个处理器，例如，所述多于一个处理器包括在车辆105中所包括的部件诸如传感器115、电子控制单元(ECU)等中，用于监测和/或控制各种车辆部件，例如动力传动系统控制器、制动控制器、转向控制器等。计算机110通常被布置用于在车辆105通信网络上进行通信，所述通信网络可以包括车辆105中的总线，诸如控制器局域网CAN等，和/或其他有线和/或无线机制。替代地或另外地，在计算机110实际上包括多个装置的情况下，车辆105通信网络可以用于在本公开中表示为计算机110的装置之间的通信。此外，如下文所提及的，各种控制器和/或传感器115可以经由车辆通信网络向计算机110提供数据。

车辆105(诸如自主或半自主车辆105)通常包括各种传感器115。传感器是可获得一个或多个物理现象的一个或多个测量值的装置。一些传感器115检测车辆105的内部状态，例如车轮转速、车轮取向以及发动机和变速器变量。一些传感器115检测车辆105的位置或取向，例如全球定位系统GPS传感器115；加速度计，诸如压电或微机电系统MEMS；陀螺仪，诸如速率陀螺仪、环形激光陀螺仪或光纤陀螺仪；惯性测量单元IMU；和磁力计。一些传感器115检测外部世界，所述传感器例如雷达传感器115、扫描激光测距仪、光探测和测距激光雷达装置以及图像处理传感器115(诸如，相机)。激光雷达装置通过发射激光脉冲并测量脉冲行进到对象并返回的飞行时间来检测距对象的距离。一些传感器115是通信装置，例如车辆对基础设施V2I或车辆对车辆V2V装置。传感器的操作可能会受到遮挡物(例如灰尘、雪、昆虫等)的影响。通常但不一定，传感器包括数模转换器以将感测到的模拟数据转换成数字信号，所述数字信号可以例如经由网络提供给数字计算机110。传感器115可以包括各种装置，并且可以被设置成以各种方式感测环境、提供关于机器的数据等。例如，传感器可以安装到道路上、道路上方或附近的固定基础设施元件。此外，车辆105中的各种控制器可以充当传感器115以经由车辆105网络或总线提供数据，例如与车辆105速度、加速度、位置、子系统120和/或部件状态等有关的数据。此外，其他传感器115(车辆105、固定基础设施元件等中或上)基础设施可包括相机、短程雷达、远程雷达、激光雷达和/或超声换能器、重量传感器115、加速度计、运动检测器等，即，用于提供各种数据的传感器115。仅提供几个非限制性示例，传感器数据可以包括用于确定部件的位置、对象的位置、对象的速度、对象的类型、道路的坡度、温度、水分的存在或量、燃料水平、数据速率等的数据。

车辆子系统120是一组部件或零件，包括硬件部件，并且通常还包括软件和/或编程，以执行车辆105中的功能或一组操作。车辆子系统120通常包括但不限于制动系统、推进系统和转向系统。推进子系统120将能量转换为车辆105车轮的旋转以向前和/或向后推进车辆105。制动子系统120可以减慢和/或停止车辆105的移动。转向子系统120可以在车辆105移动时控制它的横摆，例如左转和右转、保持直线路径。

计算机110可以被编程为经由广域网125与一个或多个远程站点(诸如服务器130)通信。广域网125可以包括车辆计算机110可以通过其与例如远程服务器130通信的一种或多种机制。因此，网络可以包括各种有线或无线通信机制中的一种或多种，包括有线(例如，电缆和光纤)和/或无线(例如，蜂窝、无线、卫星、微波和射频)通信机制的任何期望的组合以及任何期望的网络拓扑(或当使用多种通信机制时的拓扑)。示例性通信网络包括提供数据通信服务的无线通信网络，例如，使用蓝牙、蓝牙低功耗BLE、IEEE 802.11、车辆对车辆V2V或车辆105联万物V2X(诸如蜂窝式V2X CV2X)、专用短程通信DSRC等、局域网LAN和/或包括因特网的广域网125WAN。

图2是用于操作车辆105的示例性操作模型200的框图。模型200可以被实现为车辆105的计算机110和/或外部服务器130的编程。操作模型200包括时间模式向量生成器205、潜在特征矩阵生成器210、集群程序215和目标输出标识符220。操作模型200的这些部分中的每一个修改来自车辆105子系统120的输入操作数据，以输出子系统120的控制器230可以用来操作子系统120的指定操作值225。例如，模型200可以接收节气门位置、排气凸轮轴角度、进气凸轮轴角度、发动机转速和/或车辆105速度作为输入以输出一个或多个操作值225，诸如目标总燃料消耗和/或总输出扭矩。当模型200在外部服务器130中实现时，服务器130可以经由广域网125从车辆105的计算机110接收输入，并且可以经由广域网125将输出传输到计算机110。

计算机110和/或服务器130可以将时间序列数据235输入到模型200。在这种背景下，“时间序列”数据是从一个或多个子系统120收集的操作数据，其包括收集数据的时间戳。也就是说，操作中的每个数据点都具有对应的时间戳。时间序列数据235可以是例如上述到模型200的示例性输入中的一者或多者，例如，节气门位置、排气凸轮轴角度、进气凸轮轴角度、发动机转速、车辆105速度等。收集时间序列数据235允许模型200考虑车辆105子系统120操作的时间模式。计算机110可以从每个车辆105子系统120的一个或多个电子控制单元收集操作数据。

计算机110和/或服务器130可以将时间序列数据235输入到时间模式向量生成器205以生成时间模式向量240。在这种背景下，“时间模式向量”是包括表示由时间序列数据235指示的时间段的行为模式(即“时间模式”)的值的向量。也就是说，时间向量生成器从时间序列数据235生成时间模式向量240，所述时间序列数据包括描述在收集数据的指定时间段内一个或多个车辆子系统120的操作参数的数据。因为可以采用不同的采样率从一个或多个传感器115收集不同的时间序列数据235，所以时间向量消除了对各个数据点的具体时间依赖性，同时在整个数据收集时段内检测车辆行为的时间变化。时间模式向量生成器205可以是递归神经网络(RNN)，诸如长短期记忆(LSTM)模型，例如，TensorFlow、Keras等。时间模式向量生成器205可以通过常规方式(例如，利用来自测试车辆105的子系统120的一组带注释的数据)进行训练。

为了计算时间模式向量240，在计算机110和/或服务器130上实现的RNN将上述输入时间序列数据235变换为多个向量e

计算机110和/或服务器130可以将时间模式向量240输入到潜在特征矩阵生成器210，所述潜在特征矩阵生成器输出潜在特征矩阵245。在这种背景下，“潜在特征矩阵”是包括多个潜在特征向量的矩阵，所述多个潜在特征向量定义每个时间模式向量240的权重，所述权重指示在车辆105的整体操作中分配给相应的时间模式向量240的相对量。潜在特征矩阵245对时间模式向量中的“空间模式”(即，介于每个时间模式向量与每个其他时间模式向量之间的模式)进行编码，其中所有时间模式向量都定义潜在特征矩阵在其中对模式进行编码的“空间”。潜在特征矩阵245融合多组操作数据，每组操作数据在指定的时间段收集，所述指定的时间段可以不同于可能已经收集的一组不同的操作数据所在的时间段。潜在特征向量包括描述每个时间模式向量240相对于每个其他时间模式向量240的相对权重的数据。据所知道的，潜在特征矩阵生成器210程序是基于注意力的编码器，其从输入时间模式向量240输出潜在特征矩阵245。潜在特征矩阵245是包括数值的矩阵，所述数值独立于收集限定时间模式向量240的数据所在的时间来识别和表征车辆行为。

为了生成潜在特征矩阵245，潜在特征矩阵生成器210根据变换变量矩阵A

k

变换变量矩阵A

然后，潜在特征矩阵生成器210可以基于已初始化为在基于注意力的编码器的训练期间确定的一组预定权重的查询权重矩阵B

q

然后，基于已初始化为在基于注意力的编码器的训练期间确定的一组预定权重的值变量矩阵C

l

在确定向量k

α

其中m是时间序列数据235的总组数，softmax()是常规的softmax函数，并且v是时间序列相关向量h

计算机110和/或服务器130可以将具有集群质心矩阵的潜在特征矩阵245变换为集群分布矩阵250，并且从集群分布矩阵250重建由变量R表示的逼近矩阵255。“逼近矩阵”是可以输入到集群程序215的逼近潜在特征矩阵245的值的矩阵。也就是说，从基于注意力的编码器输出的潜在特征矩阵245的数据可以不采用与集群程序215兼容的格式，并且逼近矩阵255将数据变换为与集群程序215兼容的格式，同时保留编码在潜在特征矩阵245中的特征向量之间的关系。计算机110和/或服务器130可以用集群程序215来识别重建后的逼近矩阵255中的一个或多个集群260，如下所述。集群质心矩阵是多个数据集群260的相应质心的矩阵，数据集群260包括在潜在特征向量中具有高相似性的操作数据。集群分布矩阵250是对来自集群质心矩阵中的集群质心的潜在特征向量的分布进行编码的矩阵。

为了确定由变量R表示的重建后的逼近矩阵255，计算机110和/或服务器130基于用变量V表示的潜在特征矩阵245和用变量W表示的集群质心矩阵来确定用变量P表示的集群分布矩阵250：

P＝softmax(W·V+b) (7)

R＝τ

其中b是在集群质心矩阵W的构建和集群程序215的训练期间确定的偏移值，τ是在集群程序215的训练期间确定的集群260上的数据概率分布矩阵，其对潜在特征矩阵245的每个潜在特征向量将被分配给集群质心矩阵的每个集群260的相应概率进行编码。

T是如常规理解的矩阵转置算子。

计算机110和/或服务器130对潜在特征矩阵245进行变换，使得集群程序215可以将潜在特征向量v中的每一个分配给从中确定集群质心矩阵的多个集群260中的相应一个。也就是说，为了对数据进行集群，可以应用矩阵因子分解方法来将潜在特征矩阵245分解为数据概率分布矩阵τ和集群概率矩阵250，并且这两个矩阵的乘积生成逼近潜在特征矩阵245的逼近矩阵255。可以在训练期间通过迭代来最小化逼近误差，并且当逼近误差最小化时确定集群质心矩阵W和数据概率分布矩阵τ。然后，集群程序215针对在逼近矩阵255中编码的潜在特征向量中的每一个输出所分配的集群260。图2的示例示出了可以向其分配潜在特征向量v的四个集群260。

计算机110和/或服务器130可以将所分配的集群260输入到目标输出标识符220，所述目标输出标识符基于相应的所分配的集群260输出操作值225。目标输出标识符220可以是输出子系统120的预测操作值225的回归模型。回归模型可以是例如线性回归模型，所述线性回归模型确定所分配的集群260中的数据与在集群数据矩阵中编码的潜在特征向量之间的线性关系以输出操作值225。计算机110可以将操作值225输出到控制器230，并且控制器230可以将一个或多个子系统120的操作调整为输出操作值225。例如，当子系统120是动力传动系统时，输出操作值225可以是规定的燃料消耗和规定的扭矩输出，并且控制器230可以调整动力传动系统的操作(诸如调整凸轮轴角度和/或节气门位置)以在规定的燃料消耗输出操作值225下输出规定的扭矩。图2的示例示出了四个回归模型输出t

计算机110和/或服务器130可以基于所分配的集群260来生成预测的操作值225的映射图。在这种背景下，“映射图”是存储到模型200的输入和自模型200的输出的数据文件(诸如查找表等)，从而将输入“映射”到输出。也就是说，利用映射图，计算机110和/或服务器130可以基于新的操作数据来预测来自模型200的输出，而无需在模型200的每个步骤中处理操作数据。因此，通过生成映射图，计算机110和/或服务器130可以根据上述机器学习程序在较少计算下为控制器230规定输出，其将不会计算。计算机110和/或服务器130可以用新的操作数据更新映射图，并且将来自映射图的预测的操作值225输出到控制器230。计算机110和/或服务器130可以生成输出并基于输出更新映射图。例如，当子系统120是动力传动系统时，控制器230还可以被编程为基于目标扭矩输出从动力传动系统收集扭矩数据并从控制器230接收所收集的扭矩数据。控制器230可以将所收集的扭矩数据发送到计算机110和/或服务器130，并且计算机110和/或服务器130可以将所收集的扭矩数据输入到模型200以更新映射图。

服务器130可以用来自多个车辆105的输入到模型200的操作数据来生成和更新映射图，以提供输出操作值225。也就是说，服务器130并非用来自单一车辆105的数据生成映射图，而是可以从具有多个相应子系统120的多个车辆105收集操作数据并基于来自集群程序215的集群260输出生成输出操作值225。服务器130可以基于所分配的集群260生成映射图，并且可以将映射图传输到从中收集数据的多个车辆105中的每一个的相应计算机110。用来自多个车辆105的数据生成映射图可以改善来自映射图的输出，以考虑在使用来自仅一个车辆105的数据时可能无法捕获的车辆105的不同操作。

图3示出了示例性深度神经网络(DNN)300，诸如上面描述并在图2中示出的时间模式向量生成器205。DNN 300可以是可以加载到存储器中并由包括在例如计算机110和/或服务器130中的处理器执行的软件程序。在示例性实现方式中，DNN 300可以包括但不限于卷积神经网络CNN、R-CNN基于区域的CNN、快速的R-CNN和更快的R-CNN。DNN 300包括多个节点或神经元305。神经元305被布置成使得DNN 300包括输入层、一个或多个隐藏层和输出层。DNN 300的每一层可以包括多个神经元305。尽管示出了三个隐藏层，但是应理解，DNN 300可以包括更多的或更少的隐藏层。输入层和输出层还可包括多于一个节点。作为一个示例，DNN 300可通过地面实况数据(即，关于真实世界状况或状态的数据)进行训练。例如，DNN300可用地面实况数据进行训练和/或用附加数据进行更新。例如，可通过使用高斯分布初始化权重，并且可将每个节点的偏差设置为零。训练DNN 300可包括经由合适的技术(诸如反向传播与优化)来更新权重和偏差。地面实况数据是指被认为表示真实世界环境(例如，环境中的状况和/或对象)的数据。因此，地面实况数据可以包括指示车辆子系统120的操作的传感器数据，例如来自部件的操作数据，以及描述环境的一个或多个标签，例如描述从其收集数据的子系统120和从子系统收集的数据类型的标签。地面实况数据还可以包括元数据或由元数据指定，所述元数据诸如获得地面实况数据的一个或多个位置、获得地面实况数据的时间等。

节点有时被称为人工神经元305，因为它们被设计成模拟生物(例如人类)神经元305。每个神经元305的由箭头表示一组输入各自乘以相应的权重。然后，可以将经加权输入在输入函数中求和，以在可能通过偏差进行调整的情况下提供净输入。然后，可将净输入提供给激活函数，所述激活函数进而为连接的神经元305提供输出。所述激活函数可以是通常基于经验分析而选择的各种合适的函数。如图中的箭头所示，然后可以提供神经元305输出以包括在下一层中的一个或多个神经元305的一组输入中。

图4是用于操作车辆105的示例过程400的框图。过程400开始于框405，其中车辆105的计算机110收集来自一个或多个车辆105子系统120的操作数据。计算机110可以从一个或多个车辆105子系统120的相应电子控制单元收集操作数据。例如，计算机110可以收集时间序列数据235，即，包括指示收集数据的时间的具体时间戳的数据。

接下来，在框410中，计算机110将操作数据输入到时间模式向量生成器205以生成多个时间模式向量240。如上所述，时间模式向量240表示基于收集数据的时间的操作数据的行为模式。时间模式向量生成器205可以是机器学习程序，例如递归神经网络。

接下来，在框415中，计算机110将时间模式向量240输入到潜在特征矩阵生成器210以生成潜在特征矩阵245。如上所述，潜在特征矩阵245包括多个潜在特征向量，所述多个潜在特征向量独立于由时间模式向量240捕获的时间模式来捕获操作数据中的空间模式。潜在特征矩阵生成器210是基于注意力的机器学习程序。

接下来，在框420中，计算机110将潜在特征矩阵245的每个潜在特征向量分配给多个集群260中的一个。如上所述，计算机110可以基于将潜在特征矩阵245分解成数据概率分布矩阵τ和集群概率矩阵250来生成重建的逼近矩阵255。概率分布矩阵τ对每个潜在特征向量将被分配给多个集群260中的每一个的概率进行编码，所述多个集群的质心包括在用于生成集群分布矩阵250的集群质心矩阵中。然后，计算机110将重建后的逼近矩阵255输入到集群程序215以将潜在特征向量中的每一个分配给集群260中的一个。

接下来，在框425中，计算机110基于所分配的集群260输出规定的操作值225。计算机110可以将所分配的集群260输入到目标输出标识符220，所述目标输出标识符预测车辆105的子系统120的输出操作值225。例如，目标输出标识符220可以是回归模型。子系统120中的一个或多个的控制器230可以调整子系统120的操作以获得输出规定的操作值225。例如，控制器230可以调整凸轮轴的凸轮轴角度和/或动力传动系统的节气门的节气门位置以获得目标燃料消耗和/或目标扭矩输出。在框425之后，过程400结束。

计算机可执行指令可以由使用各种编程语言和/或技术创建的计算机110程序来编译或解译，所述编程语言和/或技术单独地或组合地包括但不限于Java、C、C、VisualBasic、Java Script、Perl、HTML等。一般来说，处理器(例如，微处理器)例如从存储器、计算机可读介质等接收指令，并且执行这些指令，从而执行一个或多个过程，包括本文所述的过程中的一个或多个。此类指令和其他数据可以使用多种计算机可读介质来存储和传输。联网装置中的文件通常是存储在计算机可读介质(诸如存储介质、随机存取存储器等)上的数据的集合。计算机可读介质包括参与提供可以由计算机110读取的数据(例如，指令)的任何介质。此类介质可采用许多形式，包括但不限于非易失性介质和易失性介质。指令可通过一种或多种传输介质来传输，所述一种或多种传输介质包括光纤、线、无线通信，包括构成耦合到计算机110的处理器的系统总线的内部件。常见形式的计算机可读介质包括例如RAM、PROM、EPROM、FLASH-EEPROM、任何其他存储器芯片或盒式磁带、或计算机110可从中读取的任何其他介质。

在附图中，相同的附图标记指示相同的元素。另外，可改变这些元素中的一些或全部。就本文所描述的介质、过程、系统、方法等而言，应理解，虽然此类过程的步骤等已经被描述为按照特定的顺序发生，但除非另有说明或从上下文中可以看出，可在按照本文所述顺序以外的顺序执行所述步骤的情况下实践此类过程。同样，还应当理解，可同时执行某些步骤，可添加其他步骤，或者可省略本文描述的某些步骤。换句话说，本文对过程的描述是出于说明某些实施例的目的而提供的，并且决不应解释为限制所要求保护的发明。

根据本发明，提供一种系统，其具有计算机，所述计算机包括处理器和存储器，所述存储器存储指令，所述指令可由处理器执行以：将来自车辆子系统的数据输入到被训练以输出多个时间模式向量的机器学习程序，所述时间模式向量包括描述车辆子系统的操作参数的数据；将时间模式向量输入到被训练以输出潜在特征矩阵的基于注意力的编码器，所述潜在特征矩阵包括多个潜在特征向量，每个潜在特征向量包括描述每个时间模式向量相对于每个其他时间模式向量的相应权重的数据；将潜在特征向量中的每一个分配给多个集群中的相应一个；并且基于所分配的集群，将操作值输出到车辆子系统的控制器，所述控制器被编程为将车辆子系统的操作调整为输出操作值。

根据实施例，指令还包括进行以下操作的指令：基于所分配的集群来生成预测的操作值的映射图。

根据实施例，指令还包括进行以下操作的指令：输入新的操作数据以更新映射图并将预测的操作值从映射图输出到控制器。

根据实施例，指令还包括进行以下操作的指令：基于集群质心矩阵来确定潜在特征矩阵的概率矩阵，集群质心矩阵包括每个集群的相应集群质心，概率矩阵包括描述来自集群质心的潜在特征向量的相应分布的数据；并且基于概率矩阵将潜在特征向量中的每一个分配给多个集群中的相应一个。

根据实施例，每个集群包括关于在其中收集操作数据的环境的数据。

根据实施例，车辆子系统是动力传动系统，操作数据是测量的扭矩，输出操作值是规定的扭矩，并且控制器还被编程为致动动力传动系统以输出规定的扭矩。

根据实施例，控制器还被编程为基于规定的扭矩从动力传动系统收集扭矩数据，并且指令还包括用于从控制器接收收集的扭矩数据的指令。

根据实施例，指令还包括用于进行以下操作的指令：从车辆子系统的一个或多个电子控制单元收集操作数据。

根据实施例，指令还包括用于进行以下操作的指令：利用第二机器学习程序将潜在特征向量中的每一个分配给多个集群中的一个。

根据实施例，指令还包括用于进行以下操作的指令：输入多组时间序列操作数据，每组时间序列操作数据包括指定时间段内的操作数据；并且将多组时间序列操作数据融合到潜在特征矩阵中。

根据实施例，多组时间序列操作数据中的第一者包括第一指定时间段内的操作数据，并且多组时间序列操作数据中的第二者包括第二指定时间段内的操作数据，第一指定时间段不同于第二指定时间段。

根据实施例，机器学习程序是递归神经网络。

根据实施例，指令还包括用于进行以下操作的指令：将来自多个车辆的相应车辆子系统的操作数据输入到机器学习程序。

根据实施例，指令还包括用于进行以下操作的指令：基于所分配的集群来生成预测的操作值的映射图并将映射图传输到多个车辆中的每一个的相应计算机。

根据本发明，一种方法包括：将来自车辆子系统的数据输入到被训练以输出多个时间模式向量的机器学习程序，所述时间模式向量包括描述车辆子系统的操作参数的数据；将时间模式向量输入到被训练以输出潜在特征矩阵的基于注意力的编码器，所述潜在特征矩阵包括多个潜在特征向量，每个潜在特征向量包括描述每个时间模式向量相对于每个其他时间模式向量的相应权重的数据；将潜在特征向量中的每一个分配给多个集群中的相应一个；并且基于所分配的集群，将操作值输出到车辆子系统的控制器，所述控制器被编程为将车辆子系统的操作调整为输出操作值。

在本发明的一个方面，方法包括：基于所分配的集群来生成预测的操作值的映射图。

在本发明的一个方面，车辆子系统是动力传动系统，操作数据是测量的扭矩，输出操作值是规定的扭矩，并且控制器还被编程为致动动力传动系统以输出规定的扭矩。

在本发明的一个方面，方法包括：利用第二机器学习程序将潜在特征向量中的每一个分配给多个集群中的一个。

在本发明的一个方面，方法包括：输入多组时间序列操作数据，每组时间序列操作数据包括指定时间段内的操作数据；并且将多组时间序列操作数据融合到潜在特征矩阵中。

在本发明的一个方面，方法包括：将来自多个车辆的相应车辆子系统的操作数据输入到机器学习程序。