CN103473831A - 用于使用神经网络定位车辆钥匙的系统、方法和产品 - Google Patents
用于使用神经网络定位车辆钥匙的系统、方法和产品 Download PDFInfo
- Publication number
- CN103473831A CN103473831A CN2013101708747A CN201310170874A CN103473831A CN 103473831 A CN103473831 A CN 103473831A CN 2013101708747 A CN2013101708747 A CN 2013101708747A CN 201310170874 A CN201310170874 A CN 201310170874A CN 103473831 A CN103473831 A CN 103473831A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- intelligent key
- neuron
- network
- outside
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 45
- 210000002569 neuron Anatomy 0.000 claims description 58
- 210000004205 output neuron Anatomy 0.000 claims description 46
- 210000005036 nerve Anatomy 0.000 claims description 45
- 230000004913 activation Effects 0.000 claims description 36
- 210000002364 input neuron Anatomy 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000000977 initiatory effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 33
- 238000010586 diagram Methods 0.000 description 28
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000013016 learning Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 230000035045 associative learning Effects 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Lock And Its Accessories (AREA)
Abstract
提供了用于使用神经网络定位车辆钥匙的系统、方法和产品。系统可包括:用于安装在车辆中并配置成接收多个信号的控制单元,每个信号表示在智能钥匙和位于车辆上的多个天线之一之间传输的无线信号的强度;以及具有级联拓扑的多个神经网络。神经网络可包括用于基于无线信号强度来确定智能钥匙的车辆内部位置和车辆外部位置之一的第一神经网络、与第一神经网络通信的用于基于无线信号强度来确定智能钥匙的多个车辆内部位置之一的第二神经网络、以及与第一神经网络通信的用于基于无线信号强度来确定智能钥匙的多个车辆外部位置之一的第三神经网络。
Description
相关申请的交叉引用
本申请要求2012年5月10日提交的美国临时专利申请号61/645,261的利益,并要求2013年5月7日提交的美国专利申请号13/888,466的优先权,这两个专利申请的公开通过引用被全部并入本文。
技术领域
下文涉及用于使用神经网络定位车辆钥匙、智能钥匙或密钥卡的方法和系统。
背景
机动车辆可包括允许用户仅仅通过握住钥匙、智能钥匙或卡来进入和启动车辆的舒适进入(CA)系统。在操作中,这样的系统可基于钥匙在车辆中或周围的确定的位置来执行和/或实现车辆进入和车辆启动功能。
为了便于确定钥匙位置,钥匙、智能钥匙或卡可配备有一个或多个天线,且CA系统可使用位于车辆中的多个位置处的多个天线。CA系统还可包括具有基于决策的算法的电子控制单元(ECU),其基于在钥匙天线和基于车辆的天线之间的低频(LF)信号(例如,125kHz)的传输来确定钥匙位置。
这样的基于决策的算法的校准一般平均花费两天。在确定钥匙位置时使用的这样的基于决策的算法及其校准也高度依赖于特定的车辆、车辆类型、车辆材料、以及车辆天线的数量及其在车辆上的位置。
作为结果,存在对用于通过使用一个或多个神经网络来确定车辆钥匙位置的具有较高灵活性和较高可靠性的方法和系统的需要。这样的方法和系统将提供可用于所有车辆的单个算法,而不考虑车辆类型、材料或车辆天线的数量或位置,从而增加灵活性。这样的方法和系统也将极大地减小现场中的校准时间,从而通过对所有车辆使用相同的算法和校准过程来增加可靠性,并因此减小在校准期间手工误差的风险。
概述
根据本文公开的一个实施方式,提供了用于确定在车辆进入系统中使用的智能钥匙的位置的系统。定位系统可包括用于安装在车辆中的控制单元。控制单元可配置成接收多个信号,每个信号表示在智能钥匙和位于车辆上的多个天线之一之间传输的无线信号的强度。
定位系统还可包括具有级联拓扑的多个神经网络。多个神经网络可包括用于基于无线信号强度来确定智能钥匙的车辆内部位置和车辆外部位置之一的第一神经网络。确定车辆内部位置和车辆外部位置之一可包括:计算具有与其相关的学习权重和激活函数的多个中间内部/外部位置神经元,以及计算内部/外部输出神经元用于指示智能钥匙的车辆内部位置和车辆外部位置之一。
多个神经网络还可包括与第一神经网络通信的第二神经网络。第二神经网络可配置成基于无线信号强度来确定智能钥匙的多个车辆内部位置之一。确定多个车辆内部位置之一可包括计算具有与其相关的学习权重和激活函数的多个中间内部位置神经元,以及计算多个内部位置输出神经元用于指示智能钥匙的多个车辆内部位置之一。
多个神经网络还可包括与第一神经网络通信的第三神经网络。第三神经网络可配置成基于无线信号强度来确定智能钥匙的多个车辆外部位置之一。确定智能钥匙的多个车辆外部位置之一可包括:计算具有与其相关的学习权重和激活函数的多个中间外部位置神经元,以及计算多个外部位置输出神经元用于指示智能钥匙的多个车辆外部位置之一。
根据本文公开的另一实施方式,提供了计算机可读介质,其上存储有用于确定在车辆进入系统中使用的智能钥匙的位置的非临时计算机可执行指令。计算机可执行指令可包括用于基于在智能钥匙和位于车辆上的多个天线之间传输的多个无线信号的信号强度来确定智能钥匙的车辆内部位置和车辆外部位置之一的指令。确定车辆内部位置和车辆外部位置之一可包括:第一神经网络计算具有与其相关的学习权重和激活函数的多个中间内部/外部位置神经元,以及计算内部/外部输出神经元用于指示智能钥匙的车辆内部位置和车辆外部位置之一。
计算机可执行指令还可包括用于基于无线信号强度来确定智能钥匙的多个车辆内部位置之一的指令。确定多个车辆内部位置之一包括:第二神经网络计算具有与其相关的学习权重和激活函数的多个中间内部位置神经元,以及计算多个内部位置输出神经元用于指示智能钥匙的多个车辆内部位置之一。
计算机可执行指令还可包括用于基于无线信号强度来确定智能钥匙的多个车辆外部位置之一的指令。确定智能钥匙的多个车辆外部位置之一包括:第三神经网络计算具有与其相关的学习权重和激活函数的多个中间外部位置神经元,以及计算多个外部位置输出神经元用于指示智能钥匙的多个车辆外部位置之一。第一、第二和第三神经网络也可具有级联拓扑。
根据本文公开的另一实施方式,提供了用于确定在车辆进入系统中使用的智能钥匙的位置的方法。该方法可包括:接收多个信号,每个信号表示在智能钥匙和位于车辆上的多个天线之一之间传输的无线信号的强度。该方法还可包括基于无线信号强度来确定智能钥匙的车辆内部位置和车辆外部位置之一,其中确定车辆内部位置和车辆外部位置之一包括:第一神经网络计算具有与其相关的学习权重和激活函数的多个中间内部/外部位置神经元,以及计算内部/外部输出神经元用于指示智能钥匙的车辆内部位置和车辆外部位置之一。
该方法还可包括基于无线信号强度来确定智能钥匙的多个车辆内部位置之一,其中确定多个车辆内部位置之一包括:第二神经网络计算具有与其相关的学习权重和激活函数的多个中间内部位置神经元,并计算多个内部位置输出神经元用于指示智能钥匙的多个车辆内部位置之一。该方法还可包括基于无线信号强度来确定智能钥匙的多个车辆外部位置之一,其中确定智能钥匙的多个车辆外部位置之一包括:第三神经网络计算具有与其相关的学习权重和激活函数的多个中间外部位置神经元,以及计算多个外部位置输出神经元用于指示智能钥匙的多个车辆外部位置之一。第一、第二和第三神经网络可具有级联拓扑。
下面阐述这些实施方式的详细描述连同附图。
附图的简要说明
图1是神经网络的简化示例性框图;
图2是在神经网络例如图1所示的神经网络中使用的神经元的简化示例性框图;
图3是用于使用监督或联想学习来培训神经网络的系统的简化示例性框图;
图4是用于培训在确定车辆智能钥匙的位置时使用的神经网络的过程的简化示例性框图;
图5是示出用于确定车辆智能钥匙的位置的神经网络的使用的简化示例性框图;
图6是在确定车辆智能钥匙的位置时使用的经典拓扑神经网络的简化示例性框图;
图7是在确定车辆智能钥匙的位置时使用的级联拓扑神经网络的简化示例性框图;
图8是在确定车辆智能钥匙的位置时使用的经典拓扑神经网络的更详细的示例性框图;
图9是在确定车辆智能钥匙的位置时使用的级联拓扑神经网络的更详细的示例性框图,该神经网络包括用于确定智能钥匙相对于车辆的内部或外部位置的神经网络、用于确定智能钥匙的特定内部车辆位置的神经网络和用于确定智能钥匙的特定外部车辆位置的神经网络;
图10是用于确定智能钥匙相对于车辆的内部或外部位置的神经网络的更详细的示例性框图;
图11是用于确定智能钥匙的特定内部车辆位置的神经网络的更详细的示例性框图;
图12是用于确定智能钥匙的特定外部车辆位置的神经网络的更详细的示例性框图;
图13是用于确定车辆智能钥匙的位置的神经网络的简化示例性使用情况图;以及
图14是用于使用神经网络确定车辆智能钥匙的位置的方法的简化示例性流程图或活动图。
详细描述
如所需要的,本文公开了详细实施方式。然而,应理解,所公开的实施方式仅仅是示例性的,以及可使用各种和可选的形式。实施方式被包括,以便解释本公开的原理,而不是限制其范围,该范围由所附权利要求限定。来自两个或多个实施方式的细节可彼此组合。附图不一定按比例。一些特征可放大或最小化以显示特定部件的细节。因此,本文公开的特定结构和功能细节不应被解释为限制性的,而仅仅作为用于教导本领域中的技术人员的代表性基础。
参考图1-14,示出和描述了本文公开的方法和系统的各种实施方式。为了说明的容易和便于理解,在可适用的场合,在下面的描述中始终使用相似的参考数字来表示附图中的相似的元件、部分、项或特征。
如其中看到的,图1-3示出关于神经网络的概观,包括使用神经元的建模技术以及培训过程,例如使用培训数据来产生神经元权重的监督或联想学习。特别是,图1示出神经元网络30的简化示例性框图,神经元网络30是基于生物神经元的观察到的行为的并用于模拟系统的性能的建模技术。神经网络包括开始在随机模式中连接的一组元件,且基于操作反馈而被塑造成产生所需结果所需要的模式。在诸如机器人技术、诊断、预测、图像处理和模式识别的应用中使用包括输入层32、隐藏层34和输出层36的神经网络。
图2示出用于在神经网络例如图1所示的神经网络30中使用的人造神经元38的简化示例性框图。如在其中看到的,神经元38可具有从一到n的任何数量的输入40,其中n是输入40的总数。输入40可因此被表示为x1、x2、x3...xn。输入40的相应权重42可被表示为w1、w2、w3...wn。输入40乘权重42的总合是激活函数43(例如,S形、余弦、正弦、直线)的输入。
在图3中示出用于使用监督或联想学习来培训神经网络30的系统44的简化示例性框图。监督学习或联想学习是通过给神经网络30提供输入并匹配输出模式来培训神经网络30的一种技术。更具体地,基于来自监督学习算法48的权重/阈值调节46以及输入特征50,神经网络30提供输出52。神经网络输出52和目标特征54的比较提供误差矢量56,其被反馈到监督学习算法48用于在提供权重/阈值调节46时使用。以这样的方式,神经网络30可被培训以输出正被模仿的系统的所需结果。
图4是用于培训在确定车辆智能钥匙58的位置时使用的神经网络30的过程的简化示例性框图。图5是示出用于确定车辆智能钥匙58的位置的神经网络30的使用的简化示例性框图。更具体地,图4和5描绘使用个人计算机(PC)62的目标车辆60的神经网络培训过程和这样的神经网络30的使用。如在其中看到的,培训数据将在校准过程期间在真实车辆60中获取,且这样的数据将被提供到PC62中的监督学习算法48用于培训。培训过程的输出将是一组权重42,其将被包括在目标中作为编码数据。
如在图4中看到的,可部署监督学习算法48来进行使用培训数据集64的这种培训,培训数据集64例如为在智能钥匙58和位于车辆60上的多个位置处的多个天线68之间传输的无线信号的信号或天线场强读数66。在那个方面,图4所示的监督学习算法48FaNNTool.exe是可用于执行神经网络30的监督培训的在市场上可买到的工具的例子。使用这样的培训数据集64的监督学习产生可包括神经元权重42、函数43和参数或陡度74的后处理网络编码数据集70。
现在参考图5,这样的编码数据70可接着由网络30使用来确定钥匙58的地点或位置。如在其中看到的,在位于车辆60上的多个舒适进入天线68和智能钥匙58之间传输的无线LF信号的场强读数76可作为输入40被提供到神经网络30的输入层32。来自培训过程的编码数据70可被提供到神经网络30的隐藏层34,并连同输入40一起用于从神经网络30的输出层36输出智能钥匙58的相对地点或位置。
图6-12描绘两种类型的神经网络拓扑,即,经典和级联拓扑。如在其中看到的,经典拓扑包括单个网络,而级联拓扑包括在分级配置中的多个网络。
参考图6,示出了具有经典拓扑的神经网络30的简化示例性框图,网络30在确定车辆智能钥匙58的位置时使用。网络30包括输入层32、包括偏置神经元35的隐藏层34、以及输出层36。这样的神经网络30具有实现网络30的与其相关的较小的复杂性,因为在神经元之间有较少的连接,且只存在两个激活函数(中间层和输出层)。这样的经典拓扑神经网络30的培训可能需要大约一天。
参考图7,示出了具有级联拓扑的神经网络30的简化示例性框图,网络30在确定车辆智能钥匙58的位置时使用。网络30包括:输入层32的神经元,其包括偏置神经元35,输入层32的神经元配置成接收输入40;包括中间神经元的隐藏层34;以及提供输出的输出层36。这样的神经网络30具有实现网络30的与其相关的较大的复杂性,因为在神经元之间有较多的连接和对每个神经元的不同激活函数。然而,这样的级联拓扑神经网络30的培训可能需要大约两个小时。
图8是在确定车辆智能钥匙58的位置时使用的经典拓扑神经网络30的更详细的示例性框图。如在其中看到的,神经网络30可包括输入神经元0-5和偏置神经元6。输入神经元0-5配置成从车辆上的多个天线68接收输入40,输入40表示在天线68和智能钥匙58之间传输的无线信号的信号强度。网络30还可包括中间神经元7-21。在那个方面,为了简化经典网络拓扑的说明,图8包括没有特定参考数字(标记为“...”)的、表示未特别示出的多个隐藏层神经元(即,神经元12-19)的一个隐藏层神经元。
网络30还可包括表示智能钥匙58相对于车辆60的各种位置的输出神经元22-27。这样的神经网络30包括342个总权重42、21个总函数43和21个总参数74。然而应注意,所示神经元(例如,输入神经元、中间神经元、输出神经元)的数量仅仅是示例性的,且具有较小或较大数量的神经元的网络可被使用。这样的经典拓扑神经网络30提供各种优点,包括高准确度、单个网络(输入->输出)、在目标外部(例如,在PC中)的神经网络学习、高灵活性和高车辆有效性。经典拓扑网络可具有较大的计算成本和较高数量的编码50(即,权重42、激活函数72、函数参数化74)。
接着参考图9,示出了在确定车辆智能钥匙58的位置时使用的级联拓扑神经网络30的更详细的示例性框图。如在其中看到的,级联拓扑网络30包括用于确定智能钥匙58相对于车辆60的内部或外部位置的第一神经网络80、用于确定智能钥匙58的特定内部车辆位置的第二神经网络82和用于确定智能钥匙58的特定外部车辆位置的第三神经网络84。
更具体地,第一神经网络80配置成从车辆上的多个天线68接收输入40,输入40表示在天线68和智能钥匙58之间传输的无线信号的信号强度。基于这样的天线输入40,第一神经网络80判定或选择智能钥匙58相对于车辆60的内部(在内的、内部的或在里面的)位置,或智能钥匙58相对于车辆60的外部(在外的、外部的或在外面的)位置。通过第一神经网络80进行的内部位置判定可传递到用于确定智能钥匙58的特定车辆内部位置的第二神经网络82。可选地,通过第一神经网络80进行的外部位置判定可传递到用于确定智能钥匙58的特定车辆外部位置的第三神经网络84。
在那个方面,第二神经网络82配置成接收通过第一神经网络80进行的内部位置判定,并接收以前描述的天线输入40。使用这样的信息,第二神经网络82确定或选择在车辆60内部的智能钥匙58的多个或许多可能的内部位置。类似地,第三神经网络84配置成接收通过第一神经网络80进行的外部位置判定,并接收以前描述的天线输入40。使用这样的信息,第三神经网络84确定或选择在车辆60外部的智能钥匙58的多个或许多可能的外部位置。
这样的级联拓扑神经网络30提供各种优点,包括高准确度、单个网络(输入->输出)、在目标外部(例如,在PC中)的神经网络学习、高灵活性和高车辆有效性。经典拓扑网络也具有较低的计算成本和较低数量的编码50(即,权重42、激活函数43、函数参数化74)。三个神经网络80、82、84的使用可增加软件复杂性。也应注意,在图9的级联拓扑中所示的神经网络的数量和配置仅仅是示例性的,且具有不同的级联拓扑的较大或较小数量的网络可被使用。
参考图10,示出了用于确定智能钥匙58相对于车辆60的内部或外部位置的神经网络80的更详细的示例性框图。如在其中看到的,神经网络80可包括输入神经元0-7和偏置神经元8。输入神经元0-7配置成从车辆上的多个天线68接收输入40,输入40表示在天线68和智能钥匙58之间传输的无线信号的信号强度。网络80还可包括中间神经元9-13。网络80还可包括表示智能钥匙58相对于车辆60的内部或外部位置的确定的输出神经元14。这样的神经网络80包括69个总权重42、六个总函数43和六个总参数74。然而应注意,所示神经元(例如,输入神经元、中间神经元、输出神经元)的数量仅仅是示例性的,且具有较小或较大数量的神经元的网络可被使用。
接着参考图11,示出了用于确定智能钥匙58的特定内部车辆位置的神经网络82的更详细的示例性框图。如在其中看到的,神经网络82可包括输入神经元0-7和偏置神经元8。输入神经元0-7配置成接收天线输入40。网络82还可包括中间神经元9-11。网络82还可包括表示在车辆60内部的智能钥匙58的四个特定内部位置的确定的输出神经元12-15。这样的神经网络802包括77个总权重42、七个总函数43和七个总参数74。然而应注意,所示神经元(例如,输入神经元、中间神经元、输出神经元)的数量仅仅是示例性的,且具有较小或较大数量的神经元的网络可被使用。
接着参考图12,示出了用于确定智能钥匙58的特定外部车辆位置的神经网络84的更详细的示例性框图。如在其中看到的,神经网络84可包括输入神经元0-7和偏置神经元8。输入神经元0-7配置成接收输入40。网络84还可包括中间神经元9-11。网络82还可包括表示在车辆60外部的智能钥匙58的四个特定外部位置的确定的输出神经元12-15。这样的神经网络82包括77个总权重42、七个总函数43和七个总参数74。然而应注意,所示神经元(例如,输入神经元、中间神经元、输出神经元)的数量仅仅是示例性的,且具有较小或较大数量的神经元的网络可被使用。
图13和14描绘级联网络拓扑(例如,图9-12所示的级联拓扑)的一般和特定实现细节以及用在用于确定车辆钥匙位置的这样的网络上的算法。特别是,图13是用于确定车辆智能钥匙58的位置的级联拓扑神经网络30的简化示例性使用情况图。如前所述,级联拓扑中的最高级神经网络(IntExt NN)80可用于判定钥匙是位于车辆内部还是外部。在那个判定之后,两个较低级神经网络82、84(Ext NN或Int NN)之一可用于决定在车辆外部或内部的钥匙的特定位置。
神经网络80、82、84(IntExt NN、Ext NN、Int NN)中的每个可以在软件中被表示为神经元的阵列。每个神经网络80、82、84还可包括培训工具所产生的编码信息,例如神经元权重42、激活函数43和激活陡度74。神经元权重42可在软件中被表示为二维阵列。激活函数72是被调用以便计算中间或输出神经元的输出的函数。激活陡度是提供关于激活函数从最小到最大转变得多么快的指示的参数。
如在图13中看到的,天线测量结果40、所存储的编码信息50和钥匙探测触发器86一起用来产生钥匙位置决定88。在那个方面,钥匙探测触发器86是请求智能钥匙58的位置的探测或确定的信号或其它机制。如前所述,天线测量结果40是来自在车辆上的多个天线68的输入,输入40表示在天线68和智能钥匙58之间传输的无线信号的信号强度。如也在以前描述的,所存储的编码50是与神经网络80、82、84中的每个相关的权重42、激活函数43和激活陡度或参数74。这样的编码50也可包括最大和最小天线值和最小权重。
应注意,编码50可存储在位于车辆60上的非易失性随机存取存储器(NVRAM)中,例如在车辆进入系统中使用的ECU90(见图4)中。当触发钥匙搜索时,根据或基于天线场或信号强度以及存储在NVRAM中的神经网络80、82、84的编码50来决定、确定或选择钥匙位置。在那个方面,也应注意,ECU90和神经网络30、80、82、84可在硬件、软件、固件或其任何组合中被配置或被实现为硬件、软件、固件或其任何组合,以及神经网络30、80、82、84可被实现为ECU90的部分、另一控制器或控制单元,或被单独地实现。
图14是用于使用神经网络80、82、84确定车辆智能钥匙58的位置的方法100的简化示例性流程图或活动图。图14描绘在确定钥匙是位于车辆外部还是内部并接着确定在车辆外部或内部的钥匙的特定位置时包括如前所述的活动、所涉及的函数或步骤的算法。方法100可以以读天线值开始102。在那个方面,来自神经网络80的输入层的神经元接收天线输入40。这样的活动可使用如前所述的阵列来完成,且用于这样的活动的示例性算法可如下被说明:
对于(索引=0;索引<天线_号;索引++)
ANS_网络[索引]=标准化(天线_强度[索引])
方法100也可包括决定、选择或确定(104)智能钥匙58相对于车辆60的内部或外部位置。这样的活动可如第一神经网络80所描述的来完成,并可包括计算也如以前描述的第一神经网络80的每个中间神经元和输出神经元。如果第一神经网络80决定、选择或确定智能钥匙58的内部位置,则方法100可包括决定、选择或确定(106)在车辆60内部的智能钥匙58的特定内部位置。这样的活动可如第二神经网络82所描述的来完成,并可包括计算也如以前描述的第二神经网络82的每个中间神经元和输出神经元。可选地,如果第一神经网络80决定、选择或确定智能钥匙58的外部位置,则方法100可包括决定、选择或确定(108)在车辆60外部的智能钥匙58的特定外部位置。这样的活动可如第三神经网络84所描述的来完成,并可包括计算也如以前描述的第三神经网络84的每个中间神经元和输出神经元。
方法100还可包括返回(110)在车辆60内部或外部的智能钥匙58的特定内部或外部位置。所决定、选择或确定的位置——不管是内部还是外部——可以是所计算的最高输出神经元。这样的活动可基于如前所述通过适当的神经网络82、84进行的每个中间神经元和每个输出神经元的计算来完成。在那个方面,用于计算在神经网络80、82、84的任一个中的每个中间神经元和每个输出神经元的示例性算法可如下被说明:
对于每个中间神经元,进行{和=0;循环通过其所有输入,和+=输入值*权重[中间神经元][输入];结束循环;ANS_网络[中间神经元]=激活函数(和*激活陡度[中间神经元]);}
对于每个输出神经元,进行{和=0;循环通过其所有输入,和+=输入值*权重[输出神经元][输入];结束循环;ANS_网络[输出神经元]=激活函数(和*激活陡度[输出神经元]);}
上面描述的用于确定智能钥匙58相对于车辆60的位置的系统和方法的活动、函数或步骤也可在计算机可读介质中实现或被实现为计算机可读介质,其上存储有用于确定在车辆进入系统中使用的智能钥匙的位置的非临时计算机可执行指令。更具体地,存储在计算机可读介质上的计算机可执行指令可包括用于执行上面关于本文公开的系统或方法描述的任何或所有活动、函数或步骤的指令。
如从前述内容容易明显的,描述了用于使用一个或多个神经网络来定位车辆钥匙的方法、系统和产品。所述实施方式提供可用于多个车辆的单个算法,而不考虑车辆类型、材料或车辆天线的数量或位置,从而增加灵活性。所述实施方式还极大地减小现场中的校准时间,从而通过对所有车辆使用同一算法和校准过程来增加可靠性,并因此减小在校准期间的手工误差的风险。
虽然在本文示出和描述了用于确定在车辆进入系统中使用的智能钥匙的位置的系统、产品和方法的各种实施方式,它们仅仅是示例性的,且意图不是这些实施方式示出和描述所有可能的实施方式。替代地,本文所使用的词是描述的而不是限制的词,以及应理解,可对这些实施方式做出各种变化,而不偏离下面的权利要求的精神和范围。
Claims (20)
1.一种用于确定在车辆进入系统中使用的智能钥匙的位置的系统,所述定位系统包括:
控制单元,其用于安装在车辆中,所述控制单元配置成接收多个信号,每个信号表示在所述智能钥匙和位于车辆上的多个天线之一之间传输的无线信号的强度;以及
具有级联拓扑的多个神经网络,所述多个神经网络包括:
第一神经网络,其用于基于所述无线信号强度来确定所述智能钥匙的车辆内部位置和车辆外部位置之一,其中确定车辆内部位置和车辆外部位置之一包括:计算具有与其相关的学习权重和激活函数的多个中间内部/外部位置神经元,以及计算内部/外部输出神经元用于指示所述智能钥匙的所述车辆内部位置和所述车辆外部位置之一,
第二神经网络,其与所述第一神经网络通信,所述第二神经网络用于基于所述无线信号强度来确定所述智能钥匙的多个车辆内部位置之一,其中确定多个车辆内部位置之一包括:计算具有与其相关的学习权重和激活函数的多个中间内部位置神经元,以及计算多个内部位置输出神经元用于指示所述智能钥匙的多个车辆内部位置之一,以及
第三神经网络,其与所述第一神经网络通信,所述第三神经网络用于基于所述无线信号强度来确定所述智能钥匙的多个车辆外部位置之一,其中确定所述智能钥匙的多个车辆外部位置之一包括:计算具有与其相关的学习权重和激活函数的多个中间外部位置神经元,以及计算多个外部位置输出神经元用于指示所述智能钥匙的多个车辆外部位置之一。
2.如权利要求1所述的系统,其中所述控制单元还配置成接收钥匙探测触发器以发起对智能钥匙位置的确定。
3.如权利要求1所述的系统,还包括多个天线,每个天线配置成安装在所述车辆上的一位置处。
4.如权利要求1所述的系统,还包括智能钥匙,所述智能钥匙包括用于实现所述智能钥匙和位于所述车辆上的所述多个天线之间的通信的天线。
5.如权利要求1所述的系统,其中与所述多个神经网络的神经元相关的学习权重和激活函数表示用于存储在所述车辆上的存储器中的神经网络编码。
6.如权利要求1所述的系统,其中所述多个神经网络中的每个适合于培训以学习与所述神经网络的神经元相关的权重和激活函数。
7.如权利要求1所述的系统,其中所述多个神经网络包括用于存储在所述车辆上的存储器中的软件。
8.如权利要求1所述的系统,其中
所述第一神经网络包括八个输入神经元、五个中间内部/外部位置神经元和一个内部/外部输出神经元;
所述第二神经网络包括八个输入神经元、三个中间内部位置神经元和四个内部输出神经元;以及
所述第三神经网络包括八个输入神经元、三个中间外部位置神经元和四个外部输出神经元。
9.一种计算机可读介质,其上存储有用于确定在车辆进入系统中使用的智能钥匙的位置的非临时计算机可执行指令,所述计算机可执行指令包括用于下列操作的指令:
基于在所述智能钥匙和位于车辆上的多个天线之间传输的多个无线信号的信号强度来确定所述智能钥匙的车辆内部位置和车辆外部位置之一,其中确定车辆内部位置和车辆外部位置之一包括:第一神经网络计算具有与其相关的学习权重和激活函数的多个中间内部/外部位置神经元,以及计算内部/外部输出神经元用于指示智能钥匙的车辆内部位置和车辆外部位置之一;
基于所述无线信号强度来确定所述智能钥匙的多个车辆内部位置之一,其中确定多个车辆内部位置之一包括:第二神经网络计算具有与其相关的学习权重和激活函数的多个中间内部位置神经元,以及计算多个内部位置输出神经元用于指示所述智能钥匙的多个车辆内部位置之一;以及
基于所述无线信号强度来确定所述智能钥匙的多个车辆外部位置之一,其中确定所述智能钥匙的多个车辆外部位置之一包括:第三神经网络计算具有与其相关的学习权重和激活函数的多个中间外部位置神经元,以及计算多个外部位置输出神经元用于指示所述智能钥匙的多个车辆外部位置之一;
其中所述第一神经网络、所述第二神经网络和所述第三神经网络具有级联拓扑。
10.如权利要求9所述的计算机可读介质,其中所述计算机可执行指令还包括用于基于钥匙探测触发器来发起对智能钥匙位置的确定的指令。
11.如权利要求9所述的计算机可读介质,其中所述计算机可执行指令还包括用于存储表示与所述神经网络的神经元相关的学习权重和激活函数的神经网络编码的指令。
12.如权利要求9所述的计算机可读介质,其中所述计算机可执行指令还包括用于学习与所述神经网络的神经元相关的权重和激活函数的指令。
13.如权利要求9所述的计算机可读介质,其中
所述第一神经网络包括八个输入神经元、五个中间内部/外部位置神经元和一个内部/外部输出神经元;
所述第二神经网络包括八个输入神经元、三个中间内部位置神经元和四个内部输出神经元;以及
所述第三神经网络包括八个输入神经元、三个中间外部位置神经元和四个外部输出神经元。
14.一种用于确定在车辆进入系统中使用的智能钥匙的位置的方法,所述方法包括:
接收多个信号,每个信号表示在所述智能钥匙和位于车辆上的多个天线之一之间传输的无线信号的强度;
基于所述无线信号强度来确定所述智能钥匙的车辆内部位置和车辆外部位置之一,其中确定车辆内部位置和车辆外部位置之一包括:第一神经网络计算具有与其相关的学习权重和激活函数的多个中间内部/外部位置神经元,以及计算内部/外部输出神经元用于指示所述智能钥匙的所述车辆内部位置和所述车辆外部位置之一,
基于所述无线信号强度来确定所述智能钥匙的多个车辆内部位置之一,其中确定多个车辆内部位置之一包括:第二神经网络计算具有与其相关的学习权重和激活函数的多个中间内部位置神经元,并计算多个内部位置输出神经元用于指示所述智能钥匙的多个车辆内部位置之一;以及
基于所述无线信号强度来确定所述智能钥匙的多个车辆外部位置之一,其中确定所述智能钥匙的多个车辆外部位置之一包括:第三神经网络计算具有与其相关的学习权重和激活函数的多个中间外部位置神经元,以及计算多个外部位置输出神经元用于指示所述智能钥匙的多个车辆外部位置之一;
其中所述第一神经网络、所述第二神经网络和所述第三神经网络具有级联拓扑。
15.如权利要求14所述的方法,还包括接收钥匙探测触发器用于发起对智能钥匙位置的确定。
16.如权利要求14所述的方法,还包括将多个天线安装在所述车辆上的多个位置处。
17.如权利要求14所述的方法,还包括提供智能钥匙,所述智能钥匙包括用于实现所述智能钥匙和位于所述车辆上的所述多个天线之间的通信的天线。
18.如权利要求14所述的方法,还包括在所述车辆上的存储器中存储表示与所述神经网络的神经元相关的学习权重和激活函数的神经网络编码。
19.如权利要求14所述的方法,还包括由所述神经网络中的每个学习与所述神经网络的神经元相关的权重和激活函数。
20.如权利要求14所述的方法,其中
所述第一神经网络包括八个输入神经元、五个中间内部/外部位置神经元和一个内部/外部输出神经元;
所述第二神经网络包括八个输入神经元、三个中间内部位置神经元和四个内部输出神经元;以及
所述第三神经网络包括八个输入神经元、三个中间外部位置神经元和四个外部输出神经元。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261645261P | 2012-05-10 | 2012-05-10 | |
US61/645,261 | 2012-05-10 | ||
US13/888,466 US9182473B2 (en) | 2012-05-10 | 2013-05-07 | System, method and product for locating vehicle key using neural networks |
US13/888,466 | 2013-05-07 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103473831A true CN103473831A (zh) | 2013-12-25 |
CN103473831B CN103473831B (zh) | 2016-02-17 |
Family
ID=49548221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310170874.7A Expired - Fee Related CN103473831B (zh) | 2012-05-10 | 2013-05-10 | 用于使用神经网络定位车辆钥匙的系统、方法和产品 |
Country Status (2)
Country | Link |
---|---|
US (1) | US9182473B2 (zh) |
CN (1) | CN103473831B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108307294A (zh) * | 2016-09-22 | 2018-07-20 | 福特全球技术公司 | 用于确定移动设备相对于车厢的位置的系统和方法 |
CN108883743A (zh) * | 2016-01-19 | 2018-11-23 | 汉阳大学校产学协力团 | 车辆保安网络装置及其管理方法 |
CN109155002A (zh) * | 2016-02-05 | 2019-01-04 | 渊慧科技有限公司 | 具有外部存储器的增强神经网络 |
CN112884945A (zh) * | 2020-12-07 | 2021-06-01 | 武汉格罗夫氢能汽车有限公司 | 一种基于神经网络的燃料电池氢能汽车遥控钥匙定位系统 |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9747740B2 (en) | 2015-03-02 | 2017-08-29 | Ford Global Technologies, Llc | Simultaneous button press secure keypad code entry |
US20160257198A1 (en) | 2015-03-02 | 2016-09-08 | Ford Global Technologies, Inc. | In-vehicle component user interface |
US9914418B2 (en) | 2015-09-01 | 2018-03-13 | Ford Global Technologies, Llc | In-vehicle control location |
US9967717B2 (en) | 2015-09-01 | 2018-05-08 | Ford Global Technologies, Llc | Efficient tracking of personal device locations |
US9860710B2 (en) | 2015-09-08 | 2018-01-02 | Ford Global Technologies, Llc | Symmetrical reference personal device location tracking |
US9744852B2 (en) | 2015-09-10 | 2017-08-29 | Ford Global Technologies, Llc | Integration of add-on interior modules into driver user interface |
US20170103592A1 (en) * | 2015-10-09 | 2017-04-13 | Ford Global Technologies, Llc | Automated door and gate lock/unlock |
US10046637B2 (en) | 2015-12-11 | 2018-08-14 | Ford Global Technologies, Llc | In-vehicle component control user interface |
US10082877B2 (en) | 2016-03-15 | 2018-09-25 | Ford Global Technologies, Llc | Orientation-independent air gesture detection service for in-vehicle environments |
US9914415B2 (en) | 2016-04-25 | 2018-03-13 | Ford Global Technologies, Llc | Connectionless communication with interior vehicle components |
US10223849B2 (en) | 2017-03-16 | 2019-03-05 | Robert Bosch Gmbh | Intelligent wireless access system and method for a vehicle |
EP3635872A1 (en) * | 2017-05-03 | 2020-04-15 | Virginia Tech Intellectual Properties, Inc. | Learning radio signals using radio signal transformers |
JP6729516B2 (ja) * | 2017-07-27 | 2020-07-22 | トヨタ自動車株式会社 | 識別装置 |
WO2019236476A1 (en) | 2018-06-04 | 2019-12-12 | SparkMeter, Inc. | Wireless mesh data network with increased transmission capacity |
US11216686B2 (en) * | 2019-05-15 | 2022-01-04 | Getac Technology Corporation | Artificial neural network-based method for detecting surface pattern of object |
US11586212B2 (en) | 2020-02-19 | 2023-02-21 | Ford Global Technologies, Llc | Vehicle device localization |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5555863A (en) * | 1993-12-17 | 1996-09-17 | Kabushiki Kaisha Tokai Rika Denki Seisakusho | Automobile engine starter |
US6091340A (en) * | 1997-11-25 | 2000-07-18 | Lee; Brian | Remote on/off disable parts and system |
US6218929B1 (en) * | 1997-06-12 | 2001-04-17 | Nippon Soken Inc. | Door entry control by wireless communication |
CN101798888A (zh) * | 2009-02-06 | 2010-08-11 | 阿尔卑斯电气株式会社 | 车辆用便携机 |
CN101871287A (zh) * | 2010-06-01 | 2010-10-27 | 奇瑞汽车股份有限公司 | 一种新型车辆启动方法及装置 |
CN102071842A (zh) * | 2009-11-11 | 2011-05-25 | 株式会社东海理化电机制作所 | 电子钥匙系统的钥匙位置判断装置 |
JP4708957B2 (ja) * | 2005-10-31 | 2011-06-22 | 株式会社東海理化電機製作所 | 車両用通信制御システム |
CN102102470A (zh) * | 2009-12-18 | 2011-06-22 | 株式会社东海理化电机制作所 | 通信终端位置判断装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2311697B (en) * | 1996-03-22 | 1999-07-28 | Matsushita Electric Ind Co Ltd | Wireless communication system and method and system for detection of position of radio mobile station |
WO2005062066A2 (en) * | 2003-10-22 | 2005-07-07 | Awarepoint Corporation | Wireless position location and tracking system |
US7089099B2 (en) | 2004-07-30 | 2006-08-08 | Automotive Technologies International, Inc. | Sensor assemblies |
JP4673251B2 (ja) | 2006-05-11 | 2011-04-20 | アルプス電気株式会社 | キーレスエントリー装置 |
US7706811B2 (en) * | 2006-09-19 | 2010-04-27 | Broadphone Llc | Signal comparison-based location determining method |
US8165599B1 (en) * | 2008-12-30 | 2012-04-24 | Sprint Spectrum L.P. | Method and system for locating mobile stations using call measurement data |
EP2267632A1 (en) | 2009-06-12 | 2010-12-29 | Nxp B.V. | User interaction device |
-
2013
- 2013-05-07 US US13/888,466 patent/US9182473B2/en not_active Expired - Fee Related
- 2013-05-10 CN CN201310170874.7A patent/CN103473831B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5555863A (en) * | 1993-12-17 | 1996-09-17 | Kabushiki Kaisha Tokai Rika Denki Seisakusho | Automobile engine starter |
US6218929B1 (en) * | 1997-06-12 | 2001-04-17 | Nippon Soken Inc. | Door entry control by wireless communication |
US6091340A (en) * | 1997-11-25 | 2000-07-18 | Lee; Brian | Remote on/off disable parts and system |
JP4708957B2 (ja) * | 2005-10-31 | 2011-06-22 | 株式会社東海理化電機製作所 | 車両用通信制御システム |
CN101798888A (zh) * | 2009-02-06 | 2010-08-11 | 阿尔卑斯电气株式会社 | 车辆用便携机 |
CN102071842A (zh) * | 2009-11-11 | 2011-05-25 | 株式会社东海理化电机制作所 | 电子钥匙系统的钥匙位置判断装置 |
CN102102470A (zh) * | 2009-12-18 | 2011-06-22 | 株式会社东海理化电机制作所 | 通信终端位置判断装置 |
CN101871287A (zh) * | 2010-06-01 | 2010-10-27 | 奇瑞汽车股份有限公司 | 一种新型车辆启动方法及装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108883743A (zh) * | 2016-01-19 | 2018-11-23 | 汉阳大学校产学协力团 | 车辆保安网络装置及其管理方法 |
US10824735B2 (en) | 2016-01-19 | 2020-11-03 | Ictk Holdings Co., Ltd. | Vehicle security network device and method for controlling same |
CN108883743B (zh) * | 2016-01-19 | 2021-06-18 | 汉阳大学校产学协力团 | 车辆保安网络装置及其管理方法 |
US11989306B2 (en) | 2016-01-19 | 2024-05-21 | Iucf-Hyu (Industry-University Cooperation Foundation Hanyang University) | Vehicle security network device and method for controlling same |
CN109155002A (zh) * | 2016-02-05 | 2019-01-04 | 渊慧科技有限公司 | 具有外部存储器的增强神经网络 |
CN109155002B (zh) * | 2016-02-05 | 2021-11-09 | 渊慧科技有限公司 | 增强神经网络系统、方法和计算机程序 |
CN108307294A (zh) * | 2016-09-22 | 2018-07-20 | 福特全球技术公司 | 用于确定移动设备相对于车厢的位置的系统和方法 |
CN108307294B (zh) * | 2016-09-22 | 2021-02-02 | 福特全球技术公司 | 用于确定移动设备相对于车厢的位置的系统和方法 |
CN112884945A (zh) * | 2020-12-07 | 2021-06-01 | 武汉格罗夫氢能汽车有限公司 | 一种基于神经网络的燃料电池氢能汽车遥控钥匙定位系统 |
Also Published As
Publication number | Publication date |
---|---|
US9182473B2 (en) | 2015-11-10 |
US20130300608A1 (en) | 2013-11-14 |
CN103473831B (zh) | 2016-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103473831B (zh) | 用于使用神经网络定位车辆钥匙的系统、方法和产品 | |
US20230118340A1 (en) | Artificial intelligence-based systems and methods for vehicle operation | |
US20210072033A1 (en) | Logistics and transportation technologies | |
CN102087722A (zh) | 学习设备和方法、预测设备和方法及程序 | |
US11586203B2 (en) | Method for training a central artificial intelligence module | |
Munjani et al. | A non-conventional lightweight Auto Regressive Neural Network for accurate and energy efficient target tracking in Wireless Sensor Network | |
Lee et al. | Predicting short-term traffic speed using a deep neural network to accommodate citywide spatio-temporal correlations | |
Lu et al. | Few-shot driver identification via meta-learning | |
Hu et al. | Driver identification using 1D convolutional neural networks with vehicular CAN signals | |
US20210333764A1 (en) | Electronic control device and neural network update system | |
Flores et al. | A tinyml soft-sensor for the internet of intelligent vehicles | |
Louati | Cloud-assisted collaborative estimation for next-generation automobile sensing | |
CN113379654A (zh) | 动态路由的块鉴别器 | |
Han et al. | Ensemblefollower: A hybrid car-following framework based on reinforcement learning and hierarchical planning | |
CN116643586A (zh) | 一种面向复杂场景的多机器人协同侦察方法 | |
CN114115342B (zh) | 一种基于冲突处理的无人集群多域协同系统及方法 | |
CN113741461B (zh) | 一种面向受限通信的复杂场景下多机器人避障方法 | |
Liu et al. | Synthesis of representative driving cycle for heavy duty vehicle based on markov chain and big data considering weight variation | |
Mensah et al. | EFedDNN: Ensemble based federated deep neural networks for trajectory mode inference | |
CN113534784B (zh) | 智能体动作的决策方法及相关设备 | |
CN112668692A (zh) | 利用gan对模拟数据的真实感进行量化 | |
Vora et al. | Data driven dynamic sensor selection in internet of things | |
CN117973457B (zh) | 自动驾驶感知场景下基于推理相似性的联邦学习方法 | |
Havers et al. | Proposing a framework for evaluating learning strategies in vehicular CPSs | |
US11833998B2 (en) | Vehicle and portable device operation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160217 |
|
CF01 | Termination of patent right due to non-payment of annual fee |