CN107962935A - 车辆车窗透光率控制装置和方法 - Google Patents
车辆车窗透光率控制装置和方法 Download PDFInfo
- Publication number
- CN107962935A CN107962935A CN201710951076.6A CN201710951076A CN107962935A CN 107962935 A CN107962935 A CN 107962935A CN 201710951076 A CN201710951076 A CN 201710951076A CN 107962935 A CN107962935 A CN 107962935A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- neural network
- artificial neural
- classification
- light transmittance
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B32—LAYERED PRODUCTS
- B32B—LAYERED PRODUCTS, i.e. PRODUCTS BUILT-UP OF STRATA OF FLAT OR NON-FLAT, e.g. CELLULAR OR HONEYCOMB, FORM
- B32B17/00—Layered products essentially comprising sheet glass, or glass, slag, or like fibres
- B32B17/06—Layered products essentially comprising sheet glass, or glass, slag, or like fibres comprising glass as the main or only constituent of a layer, next to another layer of a specific material
- B32B17/10—Layered products essentially comprising sheet glass, or glass, slag, or like fibres comprising glass as the main or only constituent of a layer, next to another layer of a specific material of synthetic resin
- B32B17/10005—Layered products essentially comprising sheet glass, or glass, slag, or like fibres comprising glass as the main or only constituent of a layer, next to another layer of a specific material of synthetic resin laminated safety glass or glazing
- B32B17/10165—Functional features of the laminated safety glass or glazing
- B32B17/10431—Specific parts for the modulation of light incorporated into the laminated safety glass or glazing
- B32B17/10467—Variable transmission
- B32B17/10495—Variable transmission optoelectronic, i.e. optical valve
- B32B17/10513—Electrochromic layer
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60J—WINDOWS, WINDSCREENS, NON-FIXED ROOFS, DOORS, OR SIMILAR DEVICES FOR VEHICLES; REMOVABLE EXTERNAL PROTECTIVE COVERINGS SPECIALLY ADAPTED FOR VEHICLES
- B60J3/00—Antiglare equipment associated with windows or windscreens; Sun visors for vehicles
- B60J3/007—Sunglare reduction by coatings, interposed foils in laminar windows, or permanent screens
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60J—WINDOWS, WINDSCREENS, NON-FIXED ROOFS, DOORS, OR SIMILAR DEVICES FOR VEHICLES; REMOVABLE EXTERNAL PROTECTIVE COVERINGS SPECIALLY ADAPTED FOR VEHICLES
- B60J3/00—Antiglare equipment associated with windows or windscreens; Sun visors for vehicles
- B60J3/04—Antiglare equipment associated with windows or windscreens; Sun visors for vehicles adjustable in transparency
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
- B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
- B60R16/023—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for transmission of signals between vehicle parts or subsystems
-
- G—PHYSICS
- G02—OPTICS
- G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
- G02F1/00—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics
- G02F1/01—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour
- G02F1/15—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour based on an electrochromic effect
- G02F1/163—Operation of electrochromic cells, e.g. electrodeposition cells; Circuit arrangements therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/593—Recognising seat occupancy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
- G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mechanical Engineering (AREA)
- Nonlinear Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Optics & Photonics (AREA)
- Medical Informatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
公开了一种包括用于调整车辆的一个或多个车窗的透光率的系统的车辆。车辆可以包括输出所拍摄的车辆内的乘员的图像的摄像机。车辆还可以包括运行在车辆上车载的计算机硬件上的人工神经网络。人工神经网络可以被训练使用摄像机拍摄的图像作为输入来对车辆的乘客进行分类。车辆还可以包括基于由人工神经网络进行的分类来控制一个或多个车窗的透光率的控制器。例如,如果人工神经网络将乘员眯眼或用手遮挡眼睛,则控制器可以降低挡风玻璃、侧车窗或其某些组合的透光率。
Description
技术领域
本发明涉及车辆系统,并且更具体地涉及用于使用车辆的一个或多个乘员的基于图像的分类作为调整车辆的一个或多个车窗的透光率的基础的系统和方法。
背景技术
在车辆周围的环境中的光照条件可能不利地影响该车辆的驾驶员。例如,穿过车辆挡风玻璃的阳光可能损害驾驶员看到车辆前方的能力。相反,永久着色以过滤掉大量阳光的挡风玻璃或其他车辆车窗户可能过滤太多阳光以至于不能适用于较低的光照条件。因此,需要一种车辆系统和方法来调整车窗户透光率以满足车辆的驾驶员或其他乘客的实时需要。
发明内容
一种车辆,包括:
输出与所拍摄的车辆内的乘员的一个或多个图像相对应的图像数据的摄像机;
具有可变透光率的车窗;
人工神经网络,人工神经网络被训练用于通过使用所述图像数据作为输入生成用于两个或更多个类别的亲和度分数来对车辆乘员进行分类;和
至少一个控制器,所述控制器基于由所述人工神经网络进行的分类来控制所述车窗的透光率。
根据前述任一实施例所述的车辆,其中所述两个或更多个类别包括戴太阳眼镜和不戴太阳眼镜。
根据前述另一实施例所述的车辆,其中所述两个或更多个类别包括乘员是婴儿和乘员不是婴儿。
根据前述另一实施例所述的车辆,其中所述两个或更多个类别包括乘员用手遮挡眼睛和乘员未用手遮挡眼睛。
根据前述另一实施例所述的车辆,其中所述两种或更多种类别包括低于第一水平的皮肤色素沉积和在等于或大于所述第一水平的第二水平之上的皮肤色素沉积。
根据前述另一实施例所述的车辆,还包括至少一个光传感器,其输出表征在所述车辆周围的环境中的环境光的光照数据。
根据前述另一实施例所述的车辆,其中,所述人工神经网络被训练成通过使用所述图像数据和所述光照数据作为输入来生成所述两个或更多个类别的亲和度分数来对所述车辆的乘员进行分类。
根据前述另一实施例所述的车辆,其中所述至少一个光传感器包括形成所述车窗的一部分的透明光伏层。
根据前述另一实施例所述的车辆,其中:
所述摄像机是车厢内摄像机;和
所述至少一个光传感器是相对于所述车辆的前向或后向的外部摄像机。
根据前述另一实施例所述的车辆,其中所述车窗是所述车辆的挡风玻璃。
根据前述另一实施例所述的车辆,其中:
该车窗包括电致变色材料;和
所述至少一个控制器控制施加到所述电致变色材料的电压。
一种方法,包括:
通过由车辆车载的计算机系统接收图像数据,所述图像数据由定向为指向所述车辆的至少一个乘员的车厢内摄像机捕获,其中所述图像数据包括由所述车厢内摄像机在一段时间内捕获的至少一个图像;
通过在计算机系统上运行的人工神经网络接收所述图像数据作为输入;
通过人工神经网络基于关于至少两个类别的输入生成分类得分,所述至少两个类别包括至少一个乘员的特征;和
基于由所述人工神经网络产生的所述分类得分,通过所述计算机系统控制车辆的至少一个车窗的透光率。
根据前述任一实施例所述的方法,其中:
所述图像数据包括在一段时间内由所述车厢内摄像机捕获的多个连续图像;并且
所述一段时间不到10秒。
根据前述任一实施例所述的方法,其中所述至少两个类别包括戴太阳眼镜和不戴太阳眼镜。
根据前述任一实施例所述的方法,其中所述至少两个类别包括乘员是婴儿和乘员不是婴儿。
根据前述任一实施例所述的方法,其中所述至少两个类别包括乘员用手遮挡眼睛和乘员未用手遮挡眼睛。
根据前述任一实施例所述的方法,其中所述至少两个类别包括低于第一水平的皮肤色素沉积和在等于或大于所述第一水平的第二水平之上的皮肤色素沉积。
根据前述任一实施例所述的方法,还包括至少一个光传感器输出表征在所述车辆周围的环境中的环境光的光照数据。
根据前述任一实施例所述的方法,其中所述人工神经网络被训练成通过使用所述图像数据和所述光照数据作为输入来生成所述两个或更多个类别的亲和度分数来对所述车辆的乘员进行分类。
根据前述任一实施例所述的方法,其中:
所述车辆还包括将由所述人工神经网络做出的一个或多个分类传送到所述车辆的非车载的硬件的通信系统;和
所述车辆的非车载的硬件构成固定电信基础设施或其他车辆的一部分。
附图说明
为了容易理解本发明的优点,将通过参考附图中所示的具体实施例来呈现上面简要描述的本发明的更详尽说明。理解这些附图仅描绘了本发明的典型实施例,因此不被认为是限制其范围,将通过使用附图以额外的特征和细节来描述和解释本发明,其中:
图1是示出根据本发明的具有可变透光率的车窗的一个实施例的示意图;
图2是示出根据本发明的用于控制车窗透光率的系统可操作的技术内容的一个实施例的示意图;
图3是示出根据本发明的用于控制车窗透光率的系统的一个实施例的示意性框图;
图4是根据本发明的用于控制车窗透光率的方法的一个实施例的示意性框图;
图5是根据本发明的用于控制车窗透光率的方法的替代实施例的示意性框图;
图6是根据本发明的使用过去经验来准备应对未来事件的方法的示意性框图;和
图7是根据本发明的使用道路和/或驾驶环境的计算机化认识来准备应对未来事件的方法的示意性框图。
具体实施方式
将容易理解,如本文附图中大体描述和示出的本发明的部件可以以各种各样的不同配置来布置和设计。因此,如附图所示的对本发明的实施例的以下更详细的描述并不意图限制如权利要求所要保护的本发明的范围,而是仅代表根据本发明的目前预期的实施例的某些示例。通过参考附图,会最好地理解目前描述的实施例,其中相同的部件始终由相同的附图标记表示。
参考图1,真实世界呈现一系列不断变化的光照条件。这个现实给驾驶员和其他车辆乘客带来了很大的挑战。例如,在某一时刻,驾驶员可能正在阴影中驾驶,同时他或她的眼睛被调整以适应该状态。过了一会儿,驾驶员可能会透过他或她的挡风玻璃直接看到太阳。这个突然的变化可能会在几秒钟之内使驾驶员无法准确地观察前方的道路。此外,为了解决这种突然的光照变化,驾驶员可能会眯着眼睛和/或从方向盘上移开手以遮住他或她的眼睛、展开遮阳板、戴上一副太阳眼镜等。因此,在可见度降低的时刻,驾驶员也可能被实际上分散注意力和/或需要执行附加任务。
为了克服这些挑战,根据本发明的车辆10可以配备具有可变透光率的一个或多个车窗12(例如,挡风玻璃、后车窗、一个或多个侧车窗、天窗等或者其组合或子组合)和用于控制一个或多个车窗12的透光率的计算机系统14。透光率可以限定车窗12透射辐射能的能力。透光率可以表示为穿过车窗12变成透射辐射通量18的入射辐射通量16百分比。因此,百分之百左右的透光率将对应于允许基本上所有入射光16通过的车窗12,而接近于零的透光率将对应于基本上不允许入射光16从其中穿过的车窗12。
具有可变透光率的车窗12可以在特定透光率范围内或多个透光率状态之间选择性地调节或控制。例如,在某些实施例中,对于特定光谱带(例如可见光、UV光等或其组合)内的光,根据本发明的车窗12的透射范围可以从最大约80%延伸至最少约0.1%。在其他实施例中,对于特定光谱带(例如可见光、UV光等或其组合)内的光,根据本发明的车窗12的透射范围可以从最大约65%延伸至最低约0.1%。在所选择的实施例中,根据本发明的车窗12的透光率可以在其透射范围内(即由系统14)无限调节。在其他实施例中,根据本发明的车窗12的透光率可以(即通过系统14)在离散的透光率状态之间转变。
车窗12可以以任何合适的方式提供可变的透光率。在所选择的实施例中,车窗12可以包括执行不同功能的不同部件或层。例如,在某些实施例中,车窗12可以包括结构部件20或层20以及透光率部件22或层22。结构部件20可以提供车窗12的结构强度。在选择的实施例中,结构部件可以是或包含玻璃(例如夹层玻璃)或透明聚合材料等。透光率部件22可以基于提供给它的不同输入来提供不同的透光率水平。
在某些实施例中或对于车辆10的某些车窗12,透光率部件22可以是或包括响应于施加到其上的电压的变化而改变光透射特性的电致变色层。因此,通过控制施加到电致变色层的电压,系统14可以控制对应车窗12的透光率。在其它实施例中或对于车辆10的其它车窗12,透光率部件22可以是或包括悬浮颗粒装置、聚合物分散液晶装置、微盲孔(microblind)、纳米晶体装置等。
除了结构部件20和透光率部件22之外,根据本发明的车窗12还可以包括光伏部件24或层24。例如,车窗20可以包括延伸到车窗12的全部或部分的光伏材料层(例如透明光伏材料、其自身提供一定程度的着色的半透明光伏材料等)。在选定的实施例中,由光伏部件24产生的电功率可以用于为透光率部件22供电。替代地或除此之外,由光伏部件24产生的电压可以用作入射到相应车窗12上的光量的量度。也就是说,光照越明亮和光照越直接(即,相对于对应的车窗12的光线越正交),则可以是由光伏部件24输出的电压越高。因此,光伏部件24可以是发电机、光传感器或其组合。
车窗12的各种部件可以以任何合适的方式布置。例如,在一个实施例中,光伏部件24可以定位在结构部件20的外表面上,而透光率部件22可以位于结构部件20的内表面上。或者,透光率部件22和光伏部件24中的一个或二者可以位于结构部件20的两层或更多层之间(并因此被保护)。
根据本发明的系统14可以任何合适的方式连接到透光率部件22和/或光伏部件24。在所选择的实施例中,系统14可以连接到相反极性的相对的“母线”上,相对的“母线”被沉积或以其他方式粘附到透光率部件22,以便向透光率部件22施加电压。类似地,系统14可以连接到被沉积或以其他方式粘附到光伏部件24的相反极性的相对母线,以便感测由光伏部件24产生的电压。这样的母线可以被定位在车窗12的外围,在那里它们可能被隐藏而不可见(例如,在玻璃滑槽通道、车门内部等中)或最小程度地影响进出车窗12的视线或相应车辆10的美观。
参考图2,在选择的实施例中,车辆10可以包括一个或多个传感器26。根据本发明的系统14可以使用一个或多个这样的传感器26的输出来确定如何最好地控制一个或多个车窗12的透光率。被包括在车辆10内的传感器26可以采取任何合适的形式。例如,一个或多个传感器26可以包括摄像机、光传感器、光伏部件24、温度传感器等。因此,系统14可以调整一个或多个车窗12的透光率,以便控制透射的辐射通量18的量、对应车辆10的车厢内的温度等或其组合。
在所选择的实施例中,根据本发明的系统14可以不仅控制一个或多个车窗12的透光率。例如,系统14可以控制车辆10内的一个或多个座椅的高度。因此如果来自一个或多个传感器26的数据指示乘员(例如,乘客)从遮阳板等接收到的遮挡不足,则系统14可以指示相应的座椅以充分地提升乘客使他或她的眼睛被遮阳板充分遮挡。
在某些实施例中,根据本发明的一个或多个图像传感器26可以是面前向摄像机26a(例如,指向车辆10前方区域的摄像机)、后向摄像机26b(例如,倒车摄像机,或指向车辆10后方的区域摄像机)、乘员摄像机26c(例如,朝向或捕获驾驶员、乘客、后座乘客等中的一个或多个的图像的摄像机)、观察点摄像机(point-of-view camera)26d(例如,捕获驾驶员或其他乘客在挡风玻璃或其他车窗上的观察点和/或通过挡风玻璃或其他车窗的观察点的摄像机)等或其组合或子组合。
由一个或多个传感器26捕获的图像数据(例如,视频)可以由系统14作为单独的图像或帧来处理。例如,系统14内的人工神经网络可以被馈送以由一个或多个传感器26捕获的图像或帧。人工神经网络在其确定其中表示了哪个类别(例如,哪个乘员特征)时可以考虑这样的图像或帧。因此,系统14可以根据人工神经网络进行的分类来控制一个或多个车窗12的透光率。
在选择的实施例中,对应于根据本发明的系统14的人工神经网络可以在短时间内分析由传感器26捕获的多个连续图像(例如,在几秒的时间段内捕获的几个图像)。如果大部分图像指示第一条件(例如,高于阈值的透射辐射通量18、低于阈值的透射辐射通量18、驾驶员眯眼、驾驶员用手遮挡眼睛、戴着太阳眼镜的驾驶员或类似),系统14可能更倾向确定存在第一条件。
在某些实施例中,人工神经网络执行的分类可以随着捕获分类所基于的传感器数据来实时发生。也就是说,人工神经网络可以在由一个或多个传感器26捕获该特定传感器数据之后的非常短的时间段内量化特定传感器数据(例如,图像数据)与一个或多个类别的对应关系。在选定的实施例中,非常短的时间段可以是约10秒或更短、5秒或更短、2秒或更短等。
在所选择的实施例中,根据本发明的系统14执行的一个或多个分类可以独立于由任何传感器26捕获的一个或多个图像中包含的任何特定特征。也就是说,系统14内部的人工神经网络可以不搜索与一个或多个传感器26相对应的图像数据中的任何特定特征。相反,人工神经网络可以判断由此获取的所有图像数据作为整体是否更多地指示一个类别或另一类。
根据本发明的系统14的这种不可知论可以提供显着的优点。例如,可以“按原样”检查或分析每个图像。也就是说,可能不需要图像预处理来使系统14正常工作。此外,不需要额外的校准。此外,人工神经网络可以在其分类过程中使用一个或多个图像,而不考虑捕获一个或多个图像的传感器26是否相对于其目标被固定在确切位置。
在选择的实施例中,表征某些光照条件的信息可以从车辆10上车载的系统14传输或传递到位于车辆10之外的一些硬件上。也就是说,关于光照的信息可以被传递到车辆对车辆(V2V)、车辆对基础设施(V2I)、车对一切(V2X)等或其组合或子组合。例如,由一辆车辆10a上车载的系统14生成或收集的信息可以被传递到附近的一个或多个其他车辆10b。因此,一个或多个其他车辆10b车载的系统14可以使用(例如,完全采用或考虑)由一个车辆10a产生或收集的信息。
在选择的实施例中,关于光照的信息可以直接从一个车辆10a传递到另一车辆10b(例如,经由无线电传输)。或者,关于光照的信息可以由车载车辆10a上车载的系统14馈送到通信系统32(例如,包括固定电信基础设施的通信系统32)中。例如,系统14可以通过向附近的蜂窝塔34a发送一个或多个信号来将关于光照的信息馈送30到蜂窝电话网络。在所选择的实施例中,由系统14馈送30的信息可以通过通信系统32路由并传送36到一个或多个其他车辆10b的对应系统14。或者,由系统14馈送30到通信系统32中的信息可以被传送到由计算机系统40、被计算机系统40处理,由计算机系统40馈送42回到通信系统32中、并且将其传送给一个或多个其他车辆10b的相应系统14。
例如,在选择的实施例中,通信系统32可以包括蜂窝电话网络,其包括位于第一车辆10a附近的第一蜂窝塔34a、位于第二车辆10b附近的第二蜂窝塔34b和将第一蜂窝塔34a连接到第二蜂窝塔34b的网络44。计算机系统40也可以连接到网络44。因此,由对应于第一车辆10a的系统14馈送30到蜂窝电话网络的信息可以由计算机系统40接收,使得其可被记录和/或处理并且分配给一个或多个其他车辆10b等或其组合或子组合。
参考图3,根据本发明的系统14可以使用信号处理、深度学习或其组合来生成或收集表征光照事件或条件的信息。系统14可以以任何合适的方式实现该动作。例如,系统14可以具体为硬件、软件或其某种组合。
在选择的实施例中,系统14可以包括计算机硬件和计算机软件。系统14的计算机硬件可以包括一个或多个处理器46、存储器48、一个或多个用户界面50、其他硬件52等或其组合或子组合。在某些实施例中,该计算机硬件的全部或某些子集可以是已被包括作为车辆10的一部分的硬件。也就是说,计算机硬件的全部或部分可以是多用途的,并且执行已经与车辆10的操作相关的任务。或者,根据本发明的系统14可专门用于控制一个或多个车窗12的透光率。
根据本发明的系统14的存储器48可以可操作地连接到一个或多个处理器46并存储计算机软件。这可以使得一个或多个处理器46能够执行计算机软件。因此,系统14可以通过添加和/或修改软件、向车辆10添加附加硬件或其组合来增加车辆10的功能或特征。
系统14的用户界面50可以使得工程师、技术人员、驾驶员等可以与系统14的各个方面进行交互、运行、定制或控制。用户界面50可以使得用户能够手动地控制一个或多个车窗12的透光率(例如,触摸按钮时逐渐增加或减少)、当在离开相应的车辆10时使所有车窗12全部变暗、当在完全自主驾驶的时间段内使所有车窗12全部变暗等等。在所选择的实施例中,系统14的用户界面50可以包括一个或多个按钮、小键盘、键盘、触摸屏、指点设备等或其组合或子组合。或者或除此之外,用户界面50可以包括一个或多个通信端口(例如,插入端口、无线通信端口等),一个或多个外部计算机或设备可以通过该通信端口与系统14或系统14的一个或多个部件通信。例如,用户接口50可以包括通信端口,通过该通信端口,与警察等相关联的无线超驰设备可以指示系统14在交通停车、车辆检查等期间最大化车辆10的一个或多个(例如,全部)车窗12的透光率。
在选择的实施例中,系统14的存储器48可以存储(至少暂时性)传感器数据54(例如,由车载10上车载的一个或多个传感器26输出的一个或多个信号段)、由车辆10上车载的一个或多个传感器26收集或捕获的视频56(例如,一个或多个视频文件56)、一个或多个包含、定义或对应于由一个或多个传感器26捕获的或从由一个或多个传感器26收集或捕获的视频中提取的一个或多个图像的图像文件58等或其组合或子组合。
另外,存储器48可以存储一个或多个软件模块。例如,存储器48可以存储信号处理模块60、通信模块62、图像提取模块64、神经网络模块66、反馈模块68、控制模块70、其他数据或软件72等或者组合或其子组合。或者,信号处理模块60、通信模块62、图像提取模块64、神经网络模块66、反馈模块68和控制模块70中的一个或多个可以被实现为硬件或包括硬件部件。因此,尽管图3将信号处理模块60、通信模块62、图像提取模块64、神经网络模块66、反馈模块68和控制模块70显示为存储在存储器48中的纯软件模块,这些模块60、62、64、66、68、70中的一个或多个实际上可以包括硬件、软件或其组合。
信号处理模块60可使得系统14能够接收和解释由一个或多个传感器26输出的信号。例如,由光传感器26(例如,车窗12的光伏部件24、光电二极管、光电晶体管、操作或被用作光传感器的摄像机等)输出的信号可能需要被放大、滤波、采样、转换、与一个或多个阈值等或其组合或子组合相比较,以便从中提取有用的信息或基于此作出决定。因此,可以根据需要由信号处理模块60执行这种信号处理。
通信模块62可以实现数据被传输(例如,通过无线电波而被传输28、30、36)进入或离开根据本发明的系统14,所述数据例如为传感器数据54、视频文件56、图像文件58、软件组件(例如,一个或多个模块60、62、64、66、68、70或其更新)中的一个或多个段、表征光照事件的信息、分类(例如,由系统14的人工神经网络输出的分类信息)等或子组合的组合。例如,构成一个车辆10b车载的系统14的一部分的通信模块62可以使系统14能够接收或使用由另一车辆10a生成或收集的信息。替代地或者除此之外,通信模块62可以使得系统14能够接收对其神经网络模块66的更新。因此,与车辆10分离开发的改进可以根据需要或必要而被带到车上。
图像提取模块64可以从由一个或多个传感器26捕获的视频提取一个或多个图像。例如,图像提取模块64可以从存储在存储器48中的视频文件56、由传感器26输出的视频等提取一个或多个图像(例如,在几秒钟的时间内捕获的几个图像)。在所选择的实施例中,图像提取模块64可以将从其提取的一个或多个图像存储为存储器48中的图像文件58。
神经网络模块66可以是、包括或支持被编程为执行或应用深度学习的人工神经网络。由人工神经网络执行或应用的深度学习可以使用一个或多个算法来对连接到根据本发明的系统14的一个或多个传感器26收集的一个或多个图像、其他传感器数据和/或其组合的相对应的数据中的高层抽象进行建模。在所选择的实施例中,这可以通过使用包括多个非线性变换的多个处理层来实现。
例如,对应于神经网络模块66的人工神经网络可以包括具有输入节点、隐藏层和输出节点的前馈计算图。对于涉及图像的分类,可以将形成分类的一部分的输入图像的像素值分配给输入节点,然后馈送通过网络,通过多个非线性变换。在计算结束时,输出节点可以产生对应于由神经网络推导的类别的值。
为了使对应于神经网络模块66的人工神经网络能够区分不同的类别,需要基于示例对其进行训练。因此,为了创建能够对多个不同乘客特征、乘客行为、光照条件等进行分类的人工神经网络,具有已知(例如,标记的)特征、行为、条件等的大量示例图像和其他传感器数据(例如,对于每种类型和/或层次的几百到几千个)必须被使用作为训练数据。因此,使用反向传播,可以训练人工神经网络。
一旦被训练,对应于神经网络模块66的人工神经网络可以接收一个或多个输入(例如,由一个或多个传感器26输出或对应于一个或多个传感器26),并且将那些输入分类为具有用于人工神经网络被训练的每一类别的特定的数字亲和度(例如,百分比“得分”)。因此,如果在二十个不同类别上训练人工神经网络,则对于一个或多个输入,人工神经网络可以输出二十个数字分数。每个这样的分数可以表示一个或多个输入(或由一个或多个输入反映的物理现实)与不同类别的亲和度。
在决定性或明确的分类中,一个或多个输入可以显示对一个类的强亲和度,并且对所有其他类的弱亲和度。在非决定性或不清楚的分类中,一个或多个输入可以不对任何特定类别显示优先的亲和度。例如,特定分类可能有“顶级”分数,但该分数可能接近其他类别的其他分数。
因此,在选择的实施例中,神经网络模块66可以应用一个或多个阈值比较或测试来确定任何特定分类是否具有足够的决定性或清楚性以便被执行或依赖(例如,分类是否足够决定性地或清楚地,以便改变一个或多个车窗12的透光率)。例如,神经网络模块66可以测试分类,以查看最高分数与所有其他分数之间的分离度是否满足或满足某一分离阈值。
在某些实施例中,由神经网络模块66形成、支持或包含在神经网络模块66内的人工神经网络可以以训练模式或实施模式在车辆10上操作。在训练模式中,人工神经网络可以针对与已知类别相对应的多个训练图像或传感器数据进行训练。在实施模式中,人工神经网络可以分析由一个或多个传感器26捕获的图像数据(例如,单个图像、多个图像或由摄像机拍摄的视频提取的多个连续图像)和/或由一个或多个其他传感器26(例如,光传感器、温度计等)产生或与其对应的传感器数据,以便针对某些时段将车辆10周围的相应环境分类为处于一个光照状态或另一个光照状态下(例如,直到后续图像和/或传感器数据被分类或大约1秒、3秒、5秒、10秒等时间段)。
因此,对应于神经网络模块66的人工神经网络可以在作为产品车辆10的标准或可选设备的一部分而车载的系统14的硬件内或其上运行时被训练。或者,对应于神经网络模块66的人工神经网络可以在非产品系统14(例如,计算机实验室中的非车载系统14、测试车辆10车载的专门用于训练的非产品系统14等)的硬件内或其上运行时被训练,然后被“克隆”或以其他方式复制到形成产品车辆10的一部分的产品系统14上或者被导入到其中。
在某些实施例中,神经网络模块66可以是、包括或支持单个通用人工神经网络。该通用人工神经网络可以接收所有可用或期望的输入(例如,来自连接到系统14的传感器26的阵列的所有数据),并输出所有不同类别的所有亲和度分数(affinity score)。然而,在其他实施例中,神经网络模块66可以包含、包括或支持多个特定作业的人工神经网络或一个或多个处理少于所有可用输入的人工神经网络。
例如,在某些实施例中,第一图像特定人工神经网络可对与一个或多个传感器26相对应的图像数据进行分类,而一个或多个其它处理系统或方法可以应用于来自一个或多个传感器26的数据或信号。因此,由神经网络模块66执行的分析和分类的工作可以在一个或多个人工神经网络、其他处理或分析系统(例如,信号处理模块60)或其组合中被划分。
可以对根据本发明的一个或多个人工神经网络进行训练,以识别(例如,针对其产生亲和度得分)某个预定类别的集合。这样的集合中的类别的数量可以在实施例之间变化。在某些实施例中,类别的数量可能相对较少。例如,一个类别的集合可以由少到两个类别组成(例如,对应于通过特定车窗12或一组车窗12透射的光太多的第一类,以及对应于通过特定车窗12或一组车窗12透射的光太少的第二类)。
在其他实施例中,集合中的类的数量可以显着更多。例如,特定集合内的类别的第一子集可以对应于驾驶员戴着太阳眼镜(例如,对应于驾驶员戴着太阳眼镜的至少一个类别,以及对应于驾驶员不戴太阳镜的至少一个类别);集合内的类别的第二子集可以对应于驾驶员眯眼(例如,对应于驾驶员眯眼的至少一个类别和对应于驾驶员不眯眼的至少一个类别);集合内的类别的第三子集可以对应于驾驶员使用手遮挡他或她的眼睛(例如,对应于驾驶员使用手遮挡他或她的眼睛的至少一个类别,和对应于驾驶员未用手遮挡他或她的眼睛至少一个类别);集合内的类别的第四子集可以对应于皮肤色素沉积的范围(例如,包括低于第一水平的皮肤色素沉着和等于或大于第一水平的第二水平以上的皮肤色素沉积的至少两个类别);集合内的类别的第五子集可以对应于乘员的衣服的颜色值的范围(例如,包括低于第一水平的值以及等于或大于第一水平的第二水平以上的值的的至少两个颜色值类别);特定集合内的类别的第六子集可以对应于表观的乘员年龄(例如,对应于婴儿作为车辆10的乘客的至少一个类别,以及对应于无婴儿作为车辆10的乘客的至少一个类别);集合内的类别的第七子集可以对应于入射辐射能或通量的范围(例如,包括低于第一水平的入射辐射通量16和等于或大于第一水平的第二水平以上的入射辐射通量16的至少两个类别);集合内的类别的第八子集可以对应于所透射辐射能量或通量的范围(例如,包括低于第一水平的透射辐射通量18和等于或大于第一水平的第二水平以上的透射辐射通量18的至少两个类别);或其任何组合或子组合。
在选择的实施例中,不同的人工神经网络可以应用于不同的类别子集。例如,第一人工神经网络可以对第一子集进行分类,第二人工神经网络可以对第二子集进行分类,等等。
或者,单个人工神经网络可以针对特定的类别的集合进行所有分类。在这样的实施例中,各种子集的各种元素的各种排列可以定义类别,分数为该类别而产生。也就是说,特定集合内的子集可以至少在一定程度上重叠。例如,如果特定集合中的类别的第一子集对应于驾驶员戴着太阳眼镜,并且集合内的类别的第二子集对应于驾驶员使用手遮挡他或她的眼睛,则通过人工神经网络可评分为存在至少四个类别。四个类别可能包括:(1)不戴太阳镜并且不遮挡眼睛;(2)戴着太阳眼镜并且不遮挡眼睛;(3)不戴太阳眼镜并且遮挡眼睛;和(4)戴着太阳眼镜并且遮挡眼睛。
根据本发明的一个或多个人工神经网络进行的各种分类可被设计用来识别一个或多个车窗12的透光率的变化可能是有益或所需的情况。例如,在给定的光照条件下,戴着太阳镜的驾驶员可能比不戴太阳镜的驾驶员需要或希望更多的通过一个或多个车窗12的透光率。因此,当人工神经网络将驾驶员分类为佩戴太阳眼镜时,系统14在其对一个或多个车窗12的着色中可能不那么强烈。
其他分类可以具有其他理由。例如,当驾驶员眯眼时,这可能表明需要或期望较少的透光率。当驾驶员用手遮住眼睛时,可能表明需要或期望较少的透光率。当车辆10的乘客具有较轻的皮肤色素沉着时,可能表明他或她可能对紫外线辐射更敏感,并且需要或期望较少的透光率。当车辆10的乘客穿着倾向于吸收而不是反射辐射能的较暗的衣服时,这可能表明需要或期望较少的透光率。当乘客是婴儿时,这可能表明他或她可能对紫外线辐射更敏感,并且需要或期望较少的透光率。当更多的入射辐射能量或通量到达车窗12时,这可能表明需要或期望较少的透光率。当更多的透射辐射能或通量通过车窗12时,其可能是需要或期望较少透光率的指示。因此,系统14可以使用由一个或多个人工神经网络作出的一个或多个分类来确定特定情况下或在特定时刻的一个或多个车窗12的透光率的适当设置。
在选择的实施例中,反馈模块68可以被包括在系统14内以支持或启用对应于神经网络模块66的人工神经网络的车载训练。反馈模块68可以将信息提供给神经网络模块66,其指示哪个类别或条件对应于哪个传感器数据。因此,反馈模块68可以使得系统14能够产生用于训练(或改善训练)对应的人工神经网络的训练数据。
也就是说,为了训练人工神经网络,可以通过人工神经网络来分析已知类别的训练数据。对系统14来说,具有由一个或多个车载传感器26收集的传感器数据可能是不足的。系统14还可能需要知道哪个传感器数据对应于一个类别并且哪个对应于另一个类别。该附加信息可以由反馈模块68收集和提供。
例如,反馈模块68可以注意到人类驾驶员何时部署遮阳板、关闭天车窗的遮板部分、指示车辆10使一个或多个车窗12的色调变暗等。因此,在采取任何此类动作时或附近时间收集或获取的传感器数据可能是“已知”的,以对应于“太亮”的条件。类似地,反馈模块68可以注意到人类驾驶员何时收起遮阳板时、打开天车窗的遮板部分、指示车辆10淡化一个或多个车窗12的色调等。因此,在采取任何此类动作时或附近时间收集或获取的传感器数据可能是“已知的”以对应于“不太亮”的条件。
控制模块70可以被编程为基于由信号处理模块60执行的处理,由神经网络模块66确定的分类或其某种组合来请求、发起或实施一个或多个动作或功能。例如,当控制模块70从信号处理模块60输出的数据中确定入射在后车窗12上的辐射能在特定范围内时,控制模块70可将后车窗的色调设定为与(例如,预先被分配到)该特定范围一致的值。类似地,当控制模块70根据由神经网络模块66输出的各种亲和度得分确定驾驶员佩戴太阳眼镜时,相比亲和度分数表示驾驶员没有佩戴太阳镜时,控制模块可以请求、启动或实施对一个或多个车窗12的较为不强烈的透光率的改变(例如,导致较少的着色)。
在选择的实施例中,控制模块70可以控制传送到一个或多个车窗12的透光率部件22的电压。通过控制电压,控制模块70可以控制透光率部件22的透光率,并且由此,设置这些车窗12的色调。在某些实施例中,控制模块70可以单独控制车辆10的多个车窗12(例如,所有车窗)。因此,控制模块70可以向多个车窗中的每一个应用不同的电压12以获得每个车窗不同的透光率或色调。
或者,控制模块70可以单独地控制车窗12的某些组或类别。例如,挡风玻璃可以是第一类车窗12,天窗可以是第二类车窗12,以及后车窗和所有侧车窗可以是第三类车窗12。因此,可以独立于所有其他车窗12来控制挡风玻璃的透光率,可以独立于所有其他车窗12来控制天窗的透光率,并且后车窗和侧面车窗户可以被一起控制。
在其他实施例中,可以分配其他组或类别。例如,在选择的实施例中,挡风玻璃可以是第一类车窗12,天窗可以是第二类车窗12,后车窗可以是第三类车窗12,车辆驾驶员侧上的所有车窗10可以是第四类车窗12,并且车辆10的乘客侧上的所有车窗可以是第五类车窗12。因此,可以独立于所有其它车窗12控制挡风玻璃的透光率,可以独立于所有其他车窗12来控制天窗的透光率,可以独立于所有其它车窗12来控制后车窗的透光率,可以一起控制车辆10的驾驶员侧上的所有车窗的透光率,并且可以一起控制车辆10的乘客侧的所有车窗的透光率。
参考图4,在选择的实施例中,将74人工神经网络的一个或多个分类算法应用于图像或其他传感器数据可以从获得76输入数据开始。这样的输入数据可以包括一个或多个未分类的图像,并且如果需要,也包括从属于(例如,全部在或接近)相同的时间段内收集的其他未分类的传感器数据。此后,输入数据可以被馈送到对于相应集合的每个类别生成78亲和度分数(例如,置信百分比)的人工神经网络。
例如,如果训练人工神经网络来区分两个类别,则人工神经网络可以产生78两个亲和度分数。具体地,人工神经网络可以输出表示输入数据对应于第一类别的置信度的第一百分比,以及表示输入数据对应于第二类别的置信度的第二百分比。
此后,可以确定80是否满足一个或多个适用的阈值。也就是说,取决于各种亲和度分数的大小(例如,一个类别的百分比是否高于特定阈值,所有其他类别的百分比低于特定阈值或两者都有)、各种亲和度分数之间的差异(例如,一个类别的百分比与所有其他类别的百分比之间的差异或分离度是否高于特定阈值)等或其组合,则相应的输入数据可以被分类为一个类别或条件,或者其他。
例如,在最简单的情况下,阈值可以设置为“50%”。因此,在两类情况下(例如戴太阳镜或不戴太阳眼镜),如果一个类别比另一个级别高,阈值可能会被满足。或者,可以将阈值设置为高于50%的某事物(例如,在约55%至约85%的范围内的某处)。在这样的实施例或情况下,关于输入数据是否表示一个类别的总体确定80可能不能被哪个类别具有最高的亲和度得分来确定。相反,像法律程序中更高的举证责任,阈值可以确保分类相比于其它分类不是仅仅倾向于,而是显然或强烈地倾向于一个类别。因此,可以设置一个或多个阈值来降低相对于一个或多个类别的误报数量。
如果确定80指示不存在第一类或“没有透明度过多或不足的指示”的状况,则神经网络模块66或其人工神经网络可以宣称透光率既不过度也没有不足,并且系统14可以采取82与该条件一致的一个或多个动作。这样的动作可以包括使一个或多个车窗12的透光率或色调保持原样。在获得76新的输入数据并再次开始分类过程之前,系统14还可以进入保持模式并等待一段时间(例如,1秒、10秒、30秒、1分钟、5分钟、10分钟等)。
相反,如果确定80指示特定集合中的某些其他类别或光照条件存在,则神经网络模块66或其人工神经网络可以宣称特定光照条件存在并且系统14可以采取84与该条件一致的一个或多个动作。这样的动作可以包括增加或减少一个或多个车窗12的透光率或色调。系统14还可以在获得76新的输入数据并再次开始分类过程之前之前,进入保持模式并等待一段时间(例如,1秒、10秒、30秒、1分钟、5分钟、10分钟等)。因此,根据本发明的系统14可以在对应的车辆10运行时连续地或周期性地处理来自一个或多个传感器26的数据以确定当前的光照条件。
在所选择的实施例中,在通过系统14采取一个或多个动作82、84之后,过程74可以结束或循环并重新开始。或者,过程74可以继续以便利用人类反馈来改进系统14。例如,在某些实施例中,系统14可以在根据本发明的过程74内的某些点处接收86来自人(例如,人类驾驶员)的反馈。该反馈可以指示哪个类别或条件对应于哪个输入数据。因此,反馈和相应的输入数据可以成为用于更新88和/或重新训练人工神经网络的训练数据。替代地或另外,这样的反馈可以用于更新88、调整88或微调88在过程74中使用的一个或多个阈值。例如,如果在自动调整一个或多个车窗12的透光率至一个特定的水平后,乘员手动地增加或减少该透光率,系统14可以注意这个改变并且在将来将乘客的偏好予以考虑。
在根据本发明的选择的过程中,可以使用人工神经网络来处理图像数据,而其他传感器数据可以使用其他信号处理技术被处理。例如,可以获得76一个或多个图像(例如,由前向摄像机26a、后向摄像机26b、面向乘客的摄像机26c和/或观察点摄像机26d拍摄的一个或多个图像)并且通过人工神经网络处理,同时可以获得76光传感器数据(例如,表征入射在一个或多个车窗12上的光的数据、表征通过一个或多个车窗12等的光的数据或其组合)并且被通过滤波、采样、阈值比较等或其组合或子组合处理。
在某些实施例中,一旦被获得76,可以使用涉及递归神经网络的复杂计算机视觉技术来分析一个或多个图像,以模拟和预测驾驶员可见度的水平。例如,基于从观察点摄像机26d获得的一个或多个图像,系统14可以预测驾驶员是否想要增加或减少特定车窗12(例如,挡风玻璃)的透光率。
在所选择的实施例中,系统14可以获得76并且使用一系列图像来对光照条件进行分类。这可能涉及应用适应性阈值技术,其仅使用几个图像成功地操作。因此,所获得76的图像可以采用不同的摄像机参数(例如,景深、曝光设置等)获取并且被馈送到人工神经网络,其可以产生78对应于多个类别中的每个类别的亲和度分数。此后的某一时刻,可以将一个或多个阈值与亲和度分数进行比较,以确定80适当的光照条件(例如,确定80是否适合改变一个或多个车窗12的透光率或色调)。
参考图5,在根据本发明的选定的过程中,系统14可以使用信号处理技术进行操作,并且不应用任何深度学习技术或算法。例如,在所示的过程90中,可以以某些所需方式获得76和分析92(例如,放大、滤波、采样、转换、与一个或多个阈值相比较等或组合或其子组合)一个或多个图像和/或其他光数据。
在某一点上,可以将一个或多个阈值与输入数据进行比较以确定80适当的光照条件(例如,确定80是否适合宣称特定光照条件)。因此,如果对应于输入数据的确定80指示特定的光照条件,则系统14可以采取与该条件一致的动作82、84(例如,保持一个或多个车窗12的透光率或色调维持原样、增加一个或多个车窗12的透光率、降低一个或多个车窗12的透光率等)。
在所选择的实施例中,在通过系统14采取一个或多个动作82、84之后,过程90可以结束或循环并重新开始。或者,过程90可以继续以利用人类反馈来改进系统14。例如,在某些实施例中,系统14可以在根据本发明的过程90内的某些点处接收86来自人(例如,人类驾驶员)的反馈。这样的反馈可以用于更新94、调整94或微调94在过程90中使用的一个或多个阈值。例如,如果在将一个或多个车窗12的透光率自动调整到特定水平之后,乘员手动地增加或减少透光率,系统14可以注意这种改变并在将来将乘员的偏好予以考虑。
在根据本发明的过程74、90中,给予某些传感器数据或某些传感器数据的分类的权重可能不等于被给予其它传感器数据或基于其他传感器数据的分类的权重。例如,指示驾驶员用他或她的手遮住他或她的眼睛的分类可能是特定车窗12(例如挡风玻璃)的透光率太高的强有力证据。因此,在选择的实施例或情况下,当系统14确定驾驶员用他或她的手遮挡他或她的眼睛时,该确定可以比表征车辆10的车厢内的大体光照水平的光照数据更重要。在所选择的实施例中,可以通过人工神经网络的训练将这种差异性加权进行“固定(baked in)”。在其他实施例中,可以基于经验或期望值手动编程这种差异性加权。
参考图6,在某些实施例中,一个或多个车窗12的透光率的变化可能不是瞬时的。另外,来自一个或多个传感器12的数据的收集和处理可能不是瞬时的。因此,在车辆10的环境的光照变化与解决光照变化的透光率的变化的完成之间可能存在不期望的延迟。因此,根据本发明的系统14可以被配置为使该延迟最小化。或者或除此之外,在所选择的实施例中,一个或多个系统14可以利用或使用过去的经验来预先为某些光照条件或事件进行准备。
例如,车辆10可以在特定方向、在特定的道路上、在特定的位置、以及在特定的一天中的时间行驶时经历特定的光照条件或事件(例如,在山顶的从完整阴影到通过挡风玻璃直视太阳的突然过渡)。因此,如果车辆10稍后发现自己在特定方向上、特定道路上、特定位置附近以及特定一天中的时间行驶时,车辆10中的系统14可以利用其对该光照条件或事件的经验来准备。或者,或除此之外,一个车辆10a的系统14可以与一个或多个其他车辆10b共享其经历(例如,经由通信系统32、计算机系统40、直接传递28数据等),使得它们也可以做好准备。
在某些实施例中,当由第一车辆10a及其相应的系统14经历98的光照条件或事件时,可以开始准备应对一个或多个光照条件或事件的方法96。此后或同时,系统14可以捕获100表示光照条件或事件的数据。捕获100的数据可以包括某些传感器输出、行进方向、GPS(全球定位系统)位置、一天中的时间等或其组合或子组合。
基于捕获100的数据,可以识别安全地经历或通过光照条件或事件的某些准备102。例如,如果事件是在山顶从完全阴影到通过挡风玻璃直视太阳的突然过渡,识别102的准备可能需要在在一天的同一时间或附近的时间(例如,在一小时或两个之内)由同一个方向到达山顶时在到达山顶之前(例如,刚好在之前)降低挡风玻璃的透光率。可以将如此被识别102的准备存储104(例如,在一个或多个系统14的存储器48中、在计算机系统40的存储器中等或其组合),以便将来可以使用。
因此,在稍后的时间,当第一车辆10a(或者经由通信系统32、计算机系统40、直接通信28等连接到第一车辆10a的第二车辆10b)在方向、位置,时间等上接近106光照条件或事件,第一车辆10a(或第二车辆10b)的系统14(例如,系统14的控制模块70)可以执行108一个或多个被识别102并存储104的准备。以这种方式,随着再次经历110光照条件或事件,与光照条件或事件相关联的某些不利影响可以被改善110。
在所选择的实施例中,也可以捕获112表征具有光照条件或事件的第二或另外经验的数据。因此,该第二或另外的经验也可用于识别102或进一步改进准备以安全地经历或通过光照条件或事件。因此,随着时间和经验,一个或多个车辆10a、10b可以产生可以在不同位置并且在不同时间被采取的预备动作的数据库。
参考图7,在选择的实施例中,一个或多个系统14可以利用或使用预先准备的道路和/或驾驶环境的计算机化知识,该知识可通过GPS数据、电子水平面数据、地图数据(例如,路线图,包括诸如可能反射光或其他影响光照条件的建筑物等的特征的高清晰度地图或其组合)、无线天气数据等或其组合或子组合,以预先准备某些光照条件或事件。因此,在某些实施例中,当车辆10在方向、位置、时间等方面接近116能产生可预见的光照条件或事件的地形或环境时,可能开始准备应对一个或多个光照条件或事件的替代方法114。
在这种方法期间,车辆10的系统14可以使用118道路和/或驾驶环境的计算机化知识来识别可能有助于安全地经历或通过预期或预测的光照条件或事件的准备。然后可以实施120这些制备。以这种方式,随着经历122光照条件或事件可以改善与光照条件或事件相关联的某些不利影响。当车辆10接近116其他预测的光照条件或事件时,可以重复该过程。
例如,使用118道路、驾驶环境(例如,旅行方向、一天中的时间、日光模式、云层等)等等的计算机化知识,系统14(例如,系统14的控制模块70)可以预测在接近山顶将产生从完整的阴影到通过挡风玻璃直视太阳的突然过渡。因此,系统14(例如,控制模块70)可以识别适当的时间来降低挡风玻璃的透光率。因此,挡风玻璃的透光率可能在到达山顶之前(例如,刚好在之前)降低。
在所选择的实施例中,可以捕获124表征具有光照条件或事件的经验的数据124。因此,该经验还可以用于识别或进一步改进准备以安全地经历或通过这个或其他类似的光照条件或事件。因此,随着时间和经验,一个或多个车辆10a、10b可以生成可以在不同位置和不同时间被采取的预备动作的数据库。
图4-7中的流程图示出了根据本发明的各种实施例的系统、方法和计算机程序产品的可能实施方式的架构、功能和操作。在这方面,流程图中的每个块可以表示代码的模块、片段或部分,其包括用于实现指定的逻辑功能的一个或多个可执行指令。还将注意到,流程图图示的各个块以及流程图中的块的组合可以由执行指定功能或动作的专用的基于硬件的系统、或专用硬件和计算机指令的组合来实现。
还应当注意,在一些替代实施方式中,块中记载的功能可以不符合附图所示的顺序。在某些实施例中,连续示出的两个块实际上可以基本上同时执行,或者有时可以以相反的顺序执行块,这取决于所涉及的功能。或者,如果不需要,可以省略某些步骤或功能。
在上述公开内容中,已经参考了构成其一部分的附图,并且附图中通过图示的方式示出了可以实施本公开的具体实施方式。应当理解,在不脱离本公开的范围的情况下,可以利用其他实施方式并且可以进行结构改变。说明书中对“一个实施例(oneembodiment)”、“一实施例(an embodiment)”、“示例实施例(an example embodiment)”、“所选择的实施例(selected embodiments)”、“某些实施例(certain embodiments)”等等的的引用表示所描述的一个或多个实施例可以包括特定的特征、结构或特性,但是每个实施例可以不一定包括该特定的特征,结构或特性。此外,这样的短语不一定指代相同的实施例。此外,当结合实施例描述特定特征、结构或特性时,无论是否有明确描述,结合其他实施例对这些特征、结构或特性进行改变被认为是在本领域技术人员的知识范围内的。
本文公开的系统、设备和方法的实施方式可以包括或利用包括诸如本文所讨论的一个或多个处理器和系统存储器的计算机硬件的专用或通用计算机。在本公开的范围内的实施方式还可以包括用于携带或存储计算机可执行指令和/或数据结构的物理和其他计算机可读介质。这样的计算机可读介质可以是可由通用或专用计算机系统访问的任何可用介质。存储计算机可执行指令的计算机可读介质是计算机存储介质(设备)。携带计算机可执行指令的计算机可读介质是传输介质。因此,作为示例而非限制,本公开的实施方式可以包括至少两种明显不同种类的计算机可读介质:计算机存储介质(设备)和传输介质。
计算机存储介质(设备)包括RAM(随机存取存储器)、ROM(只读存储器)、EEPROM(电可擦可编程只读存储器)、CD-ROM(只读光盘存储器)、固态驱动器(“SSD”)(例如,基于RAM)、闪存、相变存储器(“PCM”),其他存储器类型、其他光盘存储器、磁盘存储器或其他磁存储设备、或可用于以计算机可执行指令或数据结构的形式存储所需程序代码并且可由通用或专用计算机访问的任何其他介质。
本文公开的设备、系统和方法的实施方式可以通过计算机网络进行通信。“网络”被定义为使得能够在计算机系统和/或模块和/或其他电子设备之间传送电子数据的一个或多个数据链路。当信息通过网络或其他通信连接(硬连线、无线或硬连线或无线的组合)传送或提供给计算机时,计算机适当地将连接视为传输介质。传输媒体可以包括网络和/或数据链路,其可以用于以计算机可执行指令或数据结构的形式携带期望的程序代码并且可由通用或专用计算机访问。以上的组合也应包括在计算机可读介质的范围内。
计算机可执行指令包括例如在处理器执行时使通用计算机、专用计算机或专用处理设备执行某个功能或功能组的指令和数据。计算机可执行指令可以是例如二进制文件,诸如汇编语言的中间格式指令,甚至是源代码。尽管主题已经用特定于结构特征和/或方法动作的语言描述,但是应当理解,所附权利要求中限定的主题不一定限于上述所描述的特征或动作。相反,所描述的特征和动作被公开为实现权利要求的示例形式。
本领域技术人员将理解,本公开可以在具有许多类型的计算机系统配置的网络计算环境中实践,包括,内置车辆计算机、个人计算机、台式计算机、膝上型计算机、消息处理器、手持设备、多处理器系统、基于微处理器或可编程消费电子产品、网络PC(个人计算机)、小型计算机、大型计算机、移动电话、PDA(个人数字助理)、平板电脑、寻呼机、路由器、交换机、各种存储设备等。本公开还可以在分布式系统环境中实现,其中通过网络链接(通过硬连线数据链路、无线数据链路或通过硬连线和无线数据链路的组合)的本地和远程计算机系统都执行任务。在分布式系统环境中,程序模块可能位于本地和远程存储设备中。
此外,在适当的情况下,可以在硬件、软件、固件、数字部件或模拟部件中的一个或多个中执行本文描述的功能。例如,可以编程一个或多个专用集成电路(ASIC)来执行本文所述的一个或多个系统和过程。在整个说明书和权利要求中使用某些术语来指代特定的系统部件。如本领域技术人员将理解的,部件可以由不同的名称指代。本文不打算区分名称不同但功能相同的部件。
应当注意,上述传感器实施例可以包括计算机硬件、软件、固件或其任何组合,以执行其功能的至少一部分。例如,传感器可以包括配置为在一个或多个处理器中执行的计算机代码,并且可以包括由计算机代码控制的硬件逻辑/电路。这些示例性设备在本文中为了说明的目的而提供,并不旨在限制。本公开的实施例可以在相关领域的技术人员已知的其他类型的设备中实现。
本公开的至少一些实施例已经针对包含存储在任何计算机可用介质上的逻辑(例如,以软件的形式)的计算机程序产品。当在一个或多个数据处理设备中执行时,这样的软件使得设备如本文所述地进行操作。
虽然上面已经描述了本公开的各种实施例,但是应当理解,它们仅作为示例而不是限制地呈现。对于相关领域的技术人员显而易见的是,在不脱离本公开的精神和范围的情况下,可以在形式和细节上进行各种改变。因此,本公开的宽度和范围不应该由上述示例性实施例中的任何一个限制,而应仅根据所附权利要求及其等同物来限定。为了说明和描述的目的,已经呈现了前述描述。它不是穷举的,也不是将披露限制为所公开的精确形式。鉴于上述教导,许多修改和变化是可能的。此外,应当注意,可以以期望形成本公开的附加混合实施方式的任何组合的方式来使用上述替代实施方式中的任何一个或全部。
Claims (15)
1.一种车辆,包括:
输出与所拍摄的所述车辆内的乘员的一个或多个图像相对应的图像数据的摄像机;
具有可变透光率的车窗;
人工神经网络,人工神经网络被训练用于通过使用所述图像数据作为输入生成用于两个或更多个类别的亲和度分数来对所述车辆的所述乘员进行分类;和
至少一个控制器,所述控制器基于由所述人工神经网络进行的分类来控制所述车窗的透光率。
2.根据权利要求1所述的车辆,还包括至少一个光传感器,所述至少一个光传感器输出表征在所述车辆周围的环境中的环境光的光照数据,其中所述人工神经网络被训练成通过使用所述图像数据和所述光照数据作为输入来生成所述两个或更多个类别的亲和度分数来对所述车辆的所述乘员进行分类。
3.根据权利要求2所述的车辆,其中所述至少一个光传感器包括形成所述车窗的一部分的透明光伏层。
4.根据权利要求3所述的车辆,其中:
所述摄像机是车厢内摄像机;和
所述至少一个光传感器是相对于所述车辆的前向或后向的外部摄像机。
5.根据权利要求1所述的车辆,其中所述车窗是所述车辆的挡风玻璃。
6.根据权利要求1所述的车辆,其中:
该车窗包括电致变色材料;和
所述至少一个控制器控制施加到所述电致变色材料的电压。
7.一种方法,包括:
通过由车辆车载的计算机系统接收图像数据,所述图像数据由定向为指向所述车辆的至少一个乘员的车厢内摄像机捕获,其中所述图像数据包括由所述车厢内摄像机在一段时间内捕获的至少一个图像;
通过在所述计算机系统上运行的人工神经网络接收所述图像数据作为输入;
通过所述人工神经网络基于关于至少两个类别的所述输入生成分类得分,所述至少两个类别包括所述至少一个乘员的特征;和
基于由所述人工神经网络产生的所述分类得分,通过所述计算机系统控制所述车辆的至少一个车窗的透光率。
8.根据权利要求7所述的方法,其中:
所述图像数据包括在所述一段时间内由所述车厢内摄像机捕获的多个连续图像;并且
所述一段时间不到10秒。
9.根据权利要求1或7所述的方法,其中所述至少两个类别包括戴太阳眼镜和不戴太阳眼镜。
10.根据权利要求1或7所述的方法,其中所述至少两个类别包括乘员是婴儿和乘员不是婴儿。
11.根据权利要求1或7所述的方法,其中所述至少两个类别包括乘员用手遮挡眼睛和乘员未用手遮挡眼睛。
12.根据权利要求1或7所述的方法,其中所述至少两个类别包括低于第一水平的皮肤色素沉积和在等于或大于所述第一水平的第二水平之上的皮肤色素沉积。
13.根据权利要求1或7所述的方法,还包括至少一个光传感器输出表征在所述车辆周围的环境中的环境光的光照数据。
14.根据权利要求13所述的方法,其中所述人工神经网络被训练成通过使用所述图像数据和所述光照数据作为输入来生成所述两个或更多个类别的亲和度分数来对所述车辆的所述乘员进行分类。
15.根据权利要求7所述的方法,其中:
所述车辆还包括将由所述人工神经网络做出的一个或多个分类传送到所述车辆的非车载的硬件的通信系统;和
所述车辆的所述非车载的硬件构成固定电信基础设施或其他车辆的一部分。
所述透光率是挡风玻璃、侧车窗或其某些组合的透光率。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/299,211 US10192125B2 (en) | 2016-10-20 | 2016-10-20 | Vehicle-window-transmittance-control apparatus and method |
US15/299,211 | 2016-10-20 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107962935A true CN107962935A (zh) | 2018-04-27 |
Family
ID=60419127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710951076.6A Pending CN107962935A (zh) | 2016-10-20 | 2017-10-13 | 车辆车窗透光率控制装置和方法 |
Country Status (6)
Country | Link |
---|---|
US (2) | US10192125B2 (zh) |
CN (1) | CN107962935A (zh) |
DE (1) | DE102017124372A1 (zh) |
GB (1) | GB2557712A (zh) |
MX (1) | MX2017013426A (zh) |
RU (1) | RU2708995C2 (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190639A (zh) * | 2018-08-16 | 2019-01-11 | 新智数字科技有限公司 | 一种车辆颜色识别方法、装置及系统 |
CN110422178A (zh) * | 2019-08-14 | 2019-11-08 | 李斯特技术中心(上海)有限公司 | 驾驶信息获取方法、装置及信息获取系统 |
CN111179766A (zh) * | 2018-11-09 | 2020-05-19 | 通用汽车有限公司 | 用于调暗车窗的至少一部分的系统和方法 |
CN111344169A (zh) * | 2019-03-21 | 2020-06-26 | 合刃科技(深圳)有限公司 | 一种防晕光车辆辅助驾驶系统 |
CN111347845A (zh) * | 2020-03-17 | 2020-06-30 | 北京百度网讯科技有限公司 | 电致变色玻璃调节方法、装置和电子设备 |
CN112015021A (zh) * | 2019-05-29 | 2020-12-01 | 丰田纺织株式会社 | 调光系统以及交通工具用调光系统 |
CN112492544A (zh) * | 2020-11-27 | 2021-03-12 | 江西江铃集团新能源汽车有限公司 | 一种车载调光玻璃控制方法、系统及可读存储介质 |
CN112789185A (zh) * | 2020-12-31 | 2021-05-11 | 华为技术有限公司 | 一种车辆数字化自动遮光的方法及遮光系统 |
CN113002469A (zh) * | 2019-12-19 | 2021-06-22 | 采埃孚股份公司 | 用于对车辆的乘员提供保护的方法 |
CN113212124A (zh) * | 2021-04-22 | 2021-08-06 | 浙江吉利控股集团有限公司 | 一种车窗亮度智能自动化调节方法、装置 |
CN113682115A (zh) * | 2020-05-18 | 2021-11-23 | 丰田自动车株式会社 | 车辆、信息处理装置以及方法 |
WO2021253953A1 (zh) * | 2020-06-18 | 2021-12-23 | 北京航迹科技有限公司 | 一种车窗调节方法、装置、电子设备及可读存储介质 |
CN114675442A (zh) * | 2022-03-04 | 2022-06-28 | 北京梧桐车联科技有限责任公司 | 车内光线强度的控制方法、装置、系统及存储介质 |
CN113682115B (zh) * | 2020-05-18 | 2024-05-31 | 丰田自动车株式会社 | 车辆、信息处理装置以及方法 |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10192125B2 (en) * | 2016-10-20 | 2019-01-29 | Ford Global Technologies, Llc | Vehicle-window-transmittance-control apparatus and method |
DE102016224750A1 (de) * | 2016-12-12 | 2018-06-14 | Continental Automotive Gmbh | Anordnung zum Betreiben einer oder mehrerer am Fahrzeug angebrachter Scheiben |
US20220375335A1 (en) | 2017-05-17 | 2022-11-24 | Cavh Llc | Autonomous Vehicle and Cloud Control System |
US10692365B2 (en) | 2017-06-20 | 2020-06-23 | Cavh Llc | Intelligent road infrastructure system (IRIS): systems and methods |
JP7149692B2 (ja) * | 2017-08-09 | 2022-10-07 | キヤノン株式会社 | 画像処理装置、画像処理方法 |
US20190146441A1 (en) * | 2017-11-16 | 2019-05-16 | Associated Materials, Llc | Methods and systems for home automation using an internet of things platform |
US10303045B1 (en) * | 2017-12-20 | 2019-05-28 | Micron Technology, Inc. | Control of display device for autonomous vehicle |
JP2019135122A (ja) * | 2018-02-05 | 2019-08-15 | トヨタ自動車株式会社 | 車両用遮光構造 |
EP3750145A4 (en) | 2018-02-06 | 2022-02-16 | Cavh Llc | INTELLIGENT ROAD INFRASTRUCTURE SYSTEM (IRIS): SYSTEMS AND PROCEDURES |
WO2019217545A1 (en) | 2018-05-09 | 2019-11-14 | Cavh Llc | Systems and methods for driving intelligence allocation between vehicles and highways |
US11842642B2 (en) | 2018-06-20 | 2023-12-12 | Cavh Llc | Connected automated vehicle highway systems and methods related to heavy vehicles |
WO2020014227A1 (en) | 2018-07-10 | 2020-01-16 | Cavh Llc | Route-specific services for connected automated vehicle highway systems |
US20200021961A1 (en) * | 2018-07-10 | 2020-01-16 | Cavh Llc | Vehicle on-board unit for connected and automated vehicle systems |
WO2020014224A1 (en) | 2018-07-10 | 2020-01-16 | Cavh Llc | Fixed-route service system for cavh systems |
TW202034051A (zh) * | 2018-08-15 | 2020-09-16 | 美商唯景公司 | 使用外部3d模型化及神經網路之控方法及系統 |
US11007853B2 (en) * | 2018-10-25 | 2021-05-18 | Ford Global Technologies, Llc | Vehicle window opacity |
US20200298677A1 (en) * | 2019-03-19 | 2020-09-24 | AISIN Technical Center of America, Inc. | Systems, apparatus, and methods to adjust dimming associated with vehicle sunroofs |
US20210005085A1 (en) * | 2019-07-03 | 2021-01-07 | Cavh Llc | Localized artificial intelligence for intelligent road infrastructure |
CN112836549A (zh) * | 2019-11-22 | 2021-05-25 | 虹软科技股份有限公司 | 用户信息的检测方法及系统、电子设备 |
FR3103427A1 (fr) * | 2019-11-26 | 2021-05-28 | Psa Automobiles Sa | Système de rétrovision numérique avec occultation de la lunette arrière |
TW202204939A (zh) * | 2020-02-12 | 2022-02-01 | 美商唯景公司 | 用於可著色窗之預測模型化 |
KR20210103616A (ko) * | 2020-02-13 | 2021-08-24 | 삼성전자주식회사 | 투명 패널을 제어하기 위한 장치 및 방법 |
DE102020106705B4 (de) | 2020-03-11 | 2023-08-24 | Motherson Innovations Company Limited | Kraftfahrzeug mit Rückblicksystem mit steuerbarem Reflexionsgrad eines Innenrückspiegels |
DE102022211876A1 (de) | 2022-11-09 | 2024-05-16 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung zur Tönung eines ansteuerbaren Oberflächenelementes |
Family Cites Families (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US192125A (en) * | 1877-06-19 | Improvement in spectacle-frames | ||
WO1999044846A1 (fr) | 1998-03-04 | 1999-09-10 | Yoshikazu Ichiyama | Vehicule a champ de vision ameliore, dispositif et procede servant a reduire l'eblouissement |
WO2001084230A1 (en) | 2000-05-04 | 2001-11-08 | Schott Donnelly Llc | Chromogenic glazing |
JP2002331835A (ja) | 2001-05-09 | 2002-11-19 | Honda Motor Co Ltd | 直射光防眩装置 |
DE10329643B4 (de) | 2003-07-01 | 2016-08-11 | Webasto Ag | Verfahren zur Herstellung eines Deckels mit einer Glasscheibe und elektrischen Funktionselementen |
JP2005035384A (ja) | 2003-07-14 | 2005-02-10 | Nissan Motor Co Ltd | 車両用自動遮光装置 |
US20050068629A1 (en) * | 2003-09-26 | 2005-03-31 | Primal Fernando | Adjustably opaque window |
JP2007076396A (ja) | 2005-09-09 | 2007-03-29 | Aisin Aw Co Ltd | 車両用遮光装置 |
JP2007091081A (ja) | 2005-09-29 | 2007-04-12 | Clarion Co Ltd | 車両用眩惑防止システム |
US8632034B2 (en) * | 2007-03-23 | 2014-01-21 | The Boeing Company | Self-powered dimmable windows with integrated controls |
US8102586B2 (en) | 2007-07-23 | 2012-01-24 | Kuwait University | Electronic window shading system for houses, transport vehicles and the like |
US8143563B2 (en) * | 2007-09-05 | 2012-03-27 | Craig Broude | Enhanced glare reduction |
US20090109036A1 (en) * | 2007-10-29 | 2009-04-30 | The Boeing Company | System and Method for Alternative Communication |
RU2369490C2 (ru) | 2007-11-08 | 2009-10-10 | Алексей Брониславович Данилевич | Многофункциональная система защиты глаз от ослепления |
US20120256080A9 (en) | 2010-05-10 | 2012-10-11 | Toyota Motor Engineering & Manufacturing North America, Inc. | Selectively translucent window |
US9135693B2 (en) * | 2010-05-18 | 2015-09-15 | Skin Of Mine Dot Com, Llc | Image calibration and analysis |
US8044784B2 (en) | 2011-03-14 | 2011-10-25 | Ford Global Technologies, Llc | Sun protection system for automotive vehicle |
DE102011084730A1 (de) | 2011-10-18 | 2013-04-18 | Signum Bildtechnik GmbH | Vorrichtung und Verfahren zur Reduzierung der Blendwirkung |
US8781676B2 (en) | 2011-12-16 | 2014-07-15 | Continental Automotive Systems, Inc. | Photo-electrochromic window tinter |
US20140148996A1 (en) | 2012-11-26 | 2014-05-29 | James Wilbert Watkins | System for adjusting the visible light transmission level of a window |
US8952819B2 (en) * | 2013-01-31 | 2015-02-10 | Lytx, Inc. | Direct observation event triggering of drowsiness |
US9409464B2 (en) * | 2013-04-25 | 2016-08-09 | Globalfoundries Inc. | Dynamically managing vehicle glass dimming |
FR3010941B1 (fr) | 2013-09-26 | 2017-01-13 | Valeo Vision | Dispositif et procede d'aide a la conduite |
US10359682B2 (en) | 2013-10-04 | 2019-07-23 | Gentex Corporation | Variable transmittance window system |
US9706152B2 (en) * | 2013-11-20 | 2017-07-11 | General Electric Company | Remote transmission, manipulation, and display of infrared camera data |
DE102015219111B4 (de) * | 2015-10-02 | 2024-01-25 | Robert Bosch Gmbh | Fahrerassistenzsystem und Verfahren zur Anpassung der Beleuchtung von Bedienelementen bei Kraftfahrzeugen |
US9699289B1 (en) * | 2015-12-09 | 2017-07-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | Dynamic vehicle automation level availability indication system and method |
US20170217445A1 (en) * | 2016-01-29 | 2017-08-03 | GM Global Technology Operations LLC | System for intelligent passenger-vehicle interactions |
US10192125B2 (en) * | 2016-10-20 | 2019-01-29 | Ford Global Technologies, Llc | Vehicle-window-transmittance-control apparatus and method |
-
2016
- 2016-10-20 US US15/299,211 patent/US10192125B2/en active Active
-
2017
- 2017-10-04 RU RU2017134570A patent/RU2708995C2/ru active
- 2017-10-12 GB GB1716759.4A patent/GB2557712A/en not_active Withdrawn
- 2017-10-13 CN CN201710951076.6A patent/CN107962935A/zh active Pending
- 2017-10-18 MX MX2017013426A patent/MX2017013426A/es unknown
- 2017-10-18 DE DE102017124372.0A patent/DE102017124372A1/de active Pending
-
2018
- 2018-08-20 US US16/105,646 patent/US10832067B2/en active Active
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190639A (zh) * | 2018-08-16 | 2019-01-11 | 新智数字科技有限公司 | 一种车辆颜色识别方法、装置及系统 |
CN111179766A (zh) * | 2018-11-09 | 2020-05-19 | 通用汽车有限公司 | 用于调暗车窗的至少一部分的系统和方法 |
CN111344169A (zh) * | 2019-03-21 | 2020-06-26 | 合刃科技(深圳)有限公司 | 一种防晕光车辆辅助驾驶系统 |
CN112015021A (zh) * | 2019-05-29 | 2020-12-01 | 丰田纺织株式会社 | 调光系统以及交通工具用调光系统 |
CN110422178A (zh) * | 2019-08-14 | 2019-11-08 | 李斯特技术中心(上海)有限公司 | 驾驶信息获取方法、装置及信息获取系统 |
CN113002469A (zh) * | 2019-12-19 | 2021-06-22 | 采埃孚股份公司 | 用于对车辆的乘员提供保护的方法 |
CN111347845B (zh) * | 2020-03-17 | 2021-09-21 | 北京百度网讯科技有限公司 | 电致变色玻璃调节方法、装置和电子设备 |
CN113771602A (zh) * | 2020-03-17 | 2021-12-10 | 北京百度网讯科技有限公司 | 电致变色玻璃调节方法、装置和电子设备 |
CN113771602B (zh) * | 2020-03-17 | 2023-01-10 | 北京百度网讯科技有限公司 | 电致变色玻璃调节方法、装置和电子设备 |
CN111347845A (zh) * | 2020-03-17 | 2020-06-30 | 北京百度网讯科技有限公司 | 电致变色玻璃调节方法、装置和电子设备 |
CN113682115B (zh) * | 2020-05-18 | 2024-05-31 | 丰田自动车株式会社 | 车辆、信息处理装置以及方法 |
CN113682115A (zh) * | 2020-05-18 | 2021-11-23 | 丰田自动车株式会社 | 车辆、信息处理装置以及方法 |
WO2021253953A1 (zh) * | 2020-06-18 | 2021-12-23 | 北京航迹科技有限公司 | 一种车窗调节方法、装置、电子设备及可读存储介质 |
CN112492544A (zh) * | 2020-11-27 | 2021-03-12 | 江西江铃集团新能源汽车有限公司 | 一种车载调光玻璃控制方法、系统及可读存储介质 |
CN112789185A (zh) * | 2020-12-31 | 2021-05-11 | 华为技术有限公司 | 一种车辆数字化自动遮光的方法及遮光系统 |
WO2022141541A1 (zh) * | 2020-12-31 | 2022-07-07 | 华为技术有限公司 | 一种车辆数字化自动遮光的方法及遮光系统 |
CN113212124B (zh) * | 2021-04-22 | 2022-11-08 | 浙江吉利控股集团有限公司 | 一种车窗亮度智能自动化调节方法、装置 |
CN113212124A (zh) * | 2021-04-22 | 2021-08-06 | 浙江吉利控股集团有限公司 | 一种车窗亮度智能自动化调节方法、装置 |
CN114675442A (zh) * | 2022-03-04 | 2022-06-28 | 北京梧桐车联科技有限责任公司 | 车内光线强度的控制方法、装置、系统及存储介质 |
CN114675442B (zh) * | 2022-03-04 | 2023-11-14 | 北京梧桐车联科技有限责任公司 | 车内光线强度的控制方法、装置、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
GB201716759D0 (en) | 2017-11-29 |
DE102017124372A1 (de) | 2018-04-26 |
GB2557712A (en) | 2018-06-27 |
US20180114079A1 (en) | 2018-04-26 |
RU2017134570A (ru) | 2019-04-05 |
RU2017134570A3 (zh) | 2019-08-07 |
RU2708995C2 (ru) | 2019-12-12 |
US10832067B2 (en) | 2020-11-10 |
US10192125B2 (en) | 2019-01-29 |
MX2017013426A (es) | 2018-09-28 |
US20190026574A1 (en) | 2019-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107962935A (zh) | 车辆车窗透光率控制装置和方法 | |
CN110414831B (zh) | 基于驾驶人认知视角的人车路耦合风险评估方法及装置 | |
CN105404902B (zh) | 基于脉冲神经网络的图像特征描述和记忆方法 | |
CN107918311B (zh) | 多传感器降水分级设备和方法 | |
CN111723596B (zh) | 注视区域检测及神经网络的训练方法、装置和设备 | |
CN107719083A (zh) | 用于车辆乘客舱的车窗系统 | |
CN103714659B (zh) | 基于双光谱融合的疲劳驾驶识别系统 | |
Stevans et al. | Bridging Star-forming Galaxy and AGN Ultraviolet Luminosity Functions at z= 4 with the SHELA Wide-field Survey | |
CN108609019A (zh) | 一种基于人工智能平台的电动车自动驾驶方法 | |
BR102012008481A2 (pt) | determinação de um número de objetos em uma imagem ir | |
CN106128032A (zh) | 一种疲劳状态监测及预警方法及其系统 | |
CN105946595A (zh) | 无人驾驶车辆的自动智能续航方法和装置 | |
CN110135235A (zh) | 一种眩光处理方法、装置及车辆 | |
CN113920491A (zh) | 基于面部骨架模型的疲劳检测系统、方法、介质、检测设备 | |
Lozoya-Santos et al. | Survey on biometry for cognitive automotive systems | |
CN105138989B (zh) | 一种车辆遮阳板状态检测方法及装置 | |
CN111152792A (zh) | 用于确定车辆驾驶者的注意力需求水平的装置和方法 | |
CN109229029A (zh) | 车辆用显示装置 | |
CN105893720A (zh) | 用于计算机辅助设计的数据处理方法和装置 | |
CN113343903B (zh) | 一种自然场景下的车牌识别方法及系统 | |
US11308520B2 (en) | Vehicle advertisement display system | |
CN106114150A (zh) | 大数据服务器 | |
Khan et al. | Prediction of Truck-Involved Crash Severity on a Rural Mountainous Freeway Using Transfer Learning with ResNet-50 Deep Neural Network | |
CN109635664A (zh) | 一种基于光照检测的疲劳驾驶检测方法 | |
Han et al. | Neuromorphic visual object detection for enhanced driving safety |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180427 |
|
WD01 | Invention patent application deemed withdrawn after publication |