CN109677341A - 一种车辆信息融合决策方法及装置 - Google Patents

一种车辆信息融合决策方法及装置 Download PDF

Info

Publication number
CN109677341A
CN109677341A CN201811572387.2A CN201811572387A CN109677341A CN 109677341 A CN109677341 A CN 109677341A CN 201811572387 A CN201811572387 A CN 201811572387A CN 109677341 A CN109677341 A CN 109677341A
Authority
CN
China
Prior art keywords
vector
sensor data
decision
data
result
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
Application number
CN201811572387.2A
Other languages
English (en)
Inventor
刘均
吴新龙
黄俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Launch Technology Co Ltd
Original Assignee
Shenzhen Launch Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Launch Technology Co Ltd filed Critical Shenzhen Launch Technology Co Ltd
Priority to CN201811572387.2A priority Critical patent/CN109677341A/zh
Publication of CN109677341A publication Critical patent/CN109677341A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • B60R16/0231—Circuits relating to the driving or the functioning of the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种车辆信息融合决策的方法及装置。该方法包括：获取多个第一传感器数据；根据决策模型中预设的综合判定算法确定与所述多个第一传感器数据对应的决策结果。还公开了相应的装置。通过车载传感器获得多个传感器数据，将多个传感器数据与历史数据进行比较，自主、准确的输出决策结果。

Description

一种车辆信息融合决策方法及装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种车辆信息融合决策方法及装置。
背景技术
近年来，汽车智能化的技术研究和应用得到了行业内的广泛关注，如：无人驾驶技术、驾驶行为分析、远程车辆控制等。汽车智能化需要汽车能自动分析车辆行驶的安全及危险状态，并按照人的意愿到达目的地，以实现替代人的操作的效果。基于车载处理器或云端计算机对单个传感器采集到的数据进行处理，可实现汽车智能化，但这种基于单个传感器数据得出的决策的处理方式的准确性不高。
发明内容
本申请提供一种车辆信息融合决策方法及装置，以实现车辆的自主决策。
第一方面，提供了一种车辆信息融合决策方法，包括：获取多个第一传感器数据；根据决策模型中预设的综合判定算法确定与所述多个第一传感器数据对应的决策结果。。
在一种可能实现的方式中，所述根据决策模型中预设的综合判定算法确定与所述多个第一传感器数据对应的决策结果，包括：从历史数据中确定与传感器数据组匹配度最高的数据组，其中，所述传感器数据组包含所述多个第一传感器数据；将所述匹配度最高的数据组对应的结果作为所述决策结果。
在另一种可能实现的方式中，所述从历史数据中确定与传感器数据组匹配度最高的数据组，包括：计算历史数据向量集中的向量与第一向量之间的余弦相似度，选取所述余弦相似度的最大值对应的向量作为第二向量，其中，所述第一向量由所述传感器数据组得到；将所述第二向量对应的历史数据组作为所述匹配度最高的数据组。
在又一种可能实现的方式中，所述计算历史数据向量集中的向量与第一向量之间的余弦相似度，选取所述余弦相似度的最大值对应的向量作为第二向量，包括：确定所述第一向量在向量空间中的坐标，所述向量空间由历史数据向量集得到，所述历史数据向量集由所述历史数据得到；根据所述坐标、所述第一向量、所述历史数据向量集中的向量及所述历史数据向量集中的向量在所述向量空间中的坐标，得到向量夹角，其中，所述向量夹角为所述第一向量与所述历史数据向量集中的向量之间的夹角；选取所述向量夹角的最小值对应的向量作为第二向量。
在又一种可能实现的方式中，所述根据决策模型中预设的综合判定算法确定与所述第一传感器数据对应的决策结果，还包括：若第二传感器数据大于第一阈值且小于第二阈值，将第三传感器数据与第三阈值比较，其中，所述第二传感器数据和所述第三传感器数据属于传感器器数据集，所述传感器数据集包括所述多个第一传感器数据；否则，将第一预设结果作为所述决策结果。
在又一种可能实现的方式中，所述若第二传感器数据大于第一阈值且小于第二阈值，将第三传感器数据与第三阈值比较，包括：若所述第三传感器数据大于或等于所述第三阈值，将所述第一预设结果作为决策结果；否则，将第二预设结果作为所述决策结果。
在又一种可能实现的方式中，在所述根据决策模型中的预设算法确定与所述第一传感器数据对应的决策结果之前，还包括：将第二传感器数据组输入至所述决策模型，得到训练结果，其中，所述第二传感器数据组用于训练所述决策模型；将所述训练结果与目标结果相比较，得到误差，其中，所述目标结果为所述第二传感器数据组对应的决策结果；更新所述决策模型中的参数，直至所述误差小于第四阈值。
在又一种可能实现的方式中，在所述获取多个第一传感器数据之前，还包括：获取多个第三传感器数据；对所述多个第三传感器数据进行滤波处理，得到多个滤波后的第三传感器数据；对所述多个滤波后的第三传感器数据进行标度变换，得到所述多个第一传感器数据。
在又一种可能实现的方式中，所述方法还包括：接收用户对所述决策结果的反馈信息；根据所述反馈信息和所述传感器数据组，更新所述历史数据库。
第二方面，提供了一种车辆信息融合决策装置，包括：第一获取单元，用于获取多个第一传感器数据；确定单元，用于根据决策模型中预设的综合判定算法确定与所述多个第一传感器数据对应的决策结果。
在一种可能实现的方式中，所述确定单元包括：第一确定子单元，用于从历史数据中确定与传感器数据组匹配度最高的数据组，其中，所述传感器数据组包含所述多个第一传感器数据；第二确定子单元，用于将所述匹配度最高的数据组对应的结果作为所述决策结果。
在一种可能实现的方式中，所述第一确定子单元还用于：计算历史数据向量集中的向量与第一向量之间的余弦相似度，选取所述余弦相似度的最大值对应的向量作为第二向量，其中，所述第一向量由所述传感器数据组得到；以及将所述第二向量对应的历史数据组作为所述匹配度最高的数据组。
在另一种可能实现的方式中，所述第一确定子单元还用于：确定所述第一向量在向量空间中的坐标，所述向量空间由历史数据向量集得到，所述历史数据向量集由所述历史数据得到；以及根据所述坐标、所述第一向量、所述历史数据向量集中的向量及所述历史数据向量集中的向量在所述向量空间中的坐标，得到向量夹角，其中，所述向量夹角为所述第一向量与所述历史数据向量集中的向量之间的夹角；选取所述向量夹角的最小值对应的向量作为第二向量。
在又一种可能实现的方式中，所述确定单元还包括：比较子单元，用于若第二传感器数据大于第一阈值且小于第二阈值，将第三传感器数据与第三阈值比较，其中，所述第二传感器数据和所述第三传感器数据属于传感器器数据集，所述传感器数据集包括所述多个第一传感器数据；第三确定子单元，用于否则，将第一预设结果作为所述决策结果。
在又一种可能实现的方式中，所述比较子单元还用于：若所述第三传感器数据大于或等于所述第三阈值，将所述第一预设结果作为决策结果；以及否则，将第二预设结果作为所述决策结果。
在又一种可能实现的方式中，所述车辆信息融合决策装置还包括：训练单元，用于将第二传感器数据组输入至所述决策模型，得到训练结果，其中，所述第二传感器数据组用于训练所述决策模型；比较单元，用于将所述训练结果与目标结果相比较，得到误差，其中，所述目标结果为所述第二传感器数据组对应的决策结果；第一更新单元，用于更新所述决策模型中的参数，直至所述误差小于第四阈值。
在又一种可能实现的方式中，所述车辆信息融合决策装置还包括：第二获取单元，用于获取多个第三传感器数据；第一处理单元，用于对所述多个第三传感器数据进行滤波处理，得到多个滤波后的第三传感器数据；第二处理单元，用于对所述多个滤波后的第三传感器数据进行标度变换，得到所述多个第一传感器数据。
在又一种可能实现的方式中，所述车辆信息融合决策装置还包括：接收单元，用于接收用户对所述决策结果的反馈信息；第二更新单元，用于根据所述反馈信息和所述传感器数据组，更新所述历史数据库。
第三方面，提供了一种车辆信息融合决策装置，包括：包括处理器、存储器；所述处理器被配置为支持所述装置执行上述第一方面及其任一种可能的实现方式的方法中相应的功能。存储器用于与处理器耦合，其保存所述装置必要的程序(指令)和数据。可选的，所述装置还可以包括输入/输出接口，用于支持所述装置与其他装置之间的通信。
第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面及其任一种可能的实现方式的方法。
第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面及其任一种可能的实现方式的方法。
本申请实施例通过车载传感器获得多个传感器数据，将多个传感器数据与历史数据进行比较，自主、准确的输出决策结果。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1为本申请实施例提供的一种车辆信息融合决策方法的流程示意图；
图2为本申请实施例提供的另一种车辆信息融合决策方法的流程示意图；
图3为本申请实施例提供的另一种车辆信息融合决策方法的流程示意图；
图4为本申请实施例提供的根据传感器数据的优先级进行决策的示意图；
图5为本申请实施例提供的一更新历史数据库的流程示意图；
图6为本申请实施例提供的酒驾决策示意图；
图7为本申请实施例提供的一种车辆信息融合决策装置的结构示意图；
图8为本申请实施例提供的一种车辆信息融合决策装置的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
汽车智能化技术的研究和应用需要利用很多不同的传感器去采集数据，再经过车载处理器或云端计算机对采集到的数据进行处理，并结合汽车行驶状态、驾驶环境的变化对某个汽车“事件”做出决策及响应。这些决策的做出都是基于单个传感器的数据来做出判定，但是这种基于单个数据源得到的信息进行决策的结果有时并不准确，这主要是因为算法性能的限制或单一数据源并不能覆盖一个“事件”发生的全部信息。显然，有信息遗漏的数据并不能确保做出最佳决策，本申请根据机动车辆安装的多种有直接或间接关联的传感器的数据对某一“事件”进行综合判断，这些来自多个信息源的数据可提高决策结果的准确性和可靠性。为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
下面结合本申请实施例中的附图对本申请实施例进行描述。
请参阅图1，图1是本申请实施例提供的一种识别汽车的方法的流程示意图。
101、获取多个第一传感器数据。
汽车内装载有多个不同的传感器(如：速度传感器、酒精检测仪、摄像头、压力传感器、气体传感器等)，通过这些传感器可分别获得不同的传感器数据，再通过数字滤波器对传感器数据进行滤波，以消除干扰信号对传感器数据带来的影响。车载终端处理器再将电量转化为与被测量相对的数字量，得到多个第一传感器数据。
102、根据决策模型中预设的综合判定算法确定与上述多个第一传感器数据对应的决策结果。
在得到的决策结果之前，需要将包含所有相关联的传感器数据的传感器数据组输入至决策模型，决策模型从历史数据中找出与输入的第一传感器数据组最接近的一组历史传感器数据组，再将该组最接近的历史传感器数据组对应的结果作为决策结果输出，需要理解的是，决策模型是需要训练的。显然，经多种传感器数据训练得到的决策模型较单一传感器数据训练得到的决策模型泛化能力会更好。
这样，即使其中一个传感器数据出现误差或错误，其他正确的传感器数据依然可以在很大程度上确保最终的决策结果的准确性，而在多个传感器数据都准确的情况下，可以大大提高最终的决策结果的准确性。
每一组历史数据都对应有一个决策结果，在确定与传感器数据组匹配度最高的历史数据组后，将匹配度最高的数据组对应的结果作为决策结果输出即完成决策。
本申请实施例通过车载传感器获得多个传感器数据，将多个传感器数据与历史数据进行比较，自主、准确的输出决策结果。
请参阅图2，图2是本申请实施例提供的另一种识别汽车的方法的流程示意图。
201、获取多个第三传感器数据。
汽车内装载有多个不同的传感器(如：速度传感器、酒精检测仪、摄像头、压力传感器、气体传感器等)，通过这些传感器可分别获得不同的第三传感器数据，在一个具体实现的例子中，汽车可通过速度传感器获得汽车的当前行驶速度；通过酒精检测仪获得驾驶员血液中的酒精浓度；通过摄像头对汽车内部进行拍摄，获得人脸图像；通过压力传感器获得座椅上的压力；通过雷达传感器获得汽车与周围物体的距离。汽车的车载系统处理器可在单位周期内获取每个传感器的数据。
202、对上述多个第三传感器数据进行滤波处理，得到多个滤波后的第三传感器数据。
由于传感器属于敏感元器件，其输出的电信号一般都很弱，而汽车内存在的各种各样的噪声干扰，这将极大的影响传感器采集到的数据的精度，进而影响基于传感器数据做出的判断结果的准确性。通过数字滤波器对第三传感器数据进行数字滤波可消除随机噪声带来的干扰，数字滤波器就是计算机执行的各种运算程序，通过软件即可削弱或滤除输入信号中的干扰，而无需增加任何硬件设备。数字滤波的方法有很多中，可根据干扰源性质和测量参数的特点来选择。
雷达传感器的干扰信号随机性较大，而采用算术平均滤波的方法可很好的解决随机干扰带来的影响，通过计算连续N个加速度传感器的采样值的算术平均值作为滤波器的输出，公式为式中，y(k)为每k次N个采样值的算术平均值；xi为第i次采样值；N为采样的次数。
压力传感器数据对实时性的要求较高，算术平均滤波每计算一次数据需测量N次，不适于测量速度快的实时测试系统，而递推平均滤波只需进行一次测量就能得到平均值，它把N个数据看做一个队列，每次测量得到的新数据存放在对位，而扔掉原来队首的一个数据，这样在队列中始终有N个“新”数据，然后计算队列中数据平均值作为滤波结果。因此，每对压力传感器进行一次递推平均滤波，就可以立即计算出一个新的算术平均值，并将得到的新的算术平均值作为滤波器的输出。
上述递推平均滤波法中所有采样值的权重系数都相同，在结果中所占的比例也相等，这会对事变信号引起滞后，显然，对于当前时刻的数据对最终数据的精确性影响更高的传感器数据，不适合用于上述两种滤波方法进行滤波的。因此，为了增加新鲜采样数据在递推滤波中的比重，提高速度传感器对当前干扰的抑制能力，可以采用加权递推平均滤波方法对速度传感器数据进行滤波，即对不同时刻的数据加以不同的权重。通常越接近现时刻的数据，权重系数相对就越大。N项加权递推平均滤波算法为式中，xi为不同时刻的采样值，wi为xi相应的权重，N为采样次数。
203、对上述多个滤波后的第三传感器数据进行标度变换，得到多个第一传感器数据。
通常无法直接用滤波后的第三传感器数据来做决策，因此，滤波后的第三传感器数据一般需要通过传感器转换为电量再传输给车载系统的处理器，处理器再将电量转化为与被测量(如：汽车的速度、驾驶员血液中的酒精浓度、驾驶员的心率等)相对的数字量，这种转换就是标度变换，标度变换可分为线性和非线性参数标度变换两种。
如果滤波后的第三传感器数据与被测量是线性关系，则采用线性变换方法。如果滤波后的传感器数据与被测量之间不是线性关系，而是由滤波后的第三传感器数据所决定的某种函数关系，同时这些函数关系可通过解析式来表示，即就可直接根据解析式来进行标度变换。当滤波后的第三传感器数据与实际各参数之间不仅是非线性关系，而且无法用一个简单式子来表达，或难以直接计算时，则可采用多项式差值法进行标度变换，也可用分段差值的方法。对多个滤波后的第三传感器数据进行标度变换，得到多个第一传感器数据。
204、确定第一向量在向量空间中的坐标。
使用较单一传感器数据来判定汽车在某一个“事件”(如：酒驾、减速避让、强制停车等)的行为，决策系统依据的信息源往往并不能完全涵盖这一“事件”全部情报，若决策算法性能有限，系统所做出的决策结果将不准确，决策系统的泛化性能也会受限，另外传感器的数据一旦出错，判定结果也将出错，这样决策系统稳定性并不可靠。本申请通过确定与汽车某一“事件”发生相关联的多个滤波后的传感器数据来做出更全面的判定或决策。
车载终端内有包含大量已知传感器数据组与决策结果的历史数据库，其中，一组传感器数据对应一个决策结果。在实际应用之前，根据每一组历史数据可得到一个向量，这样，由所有历史数据可得到历史数据向量集，即包含由所有历史传感器数据组组成的向量，再通过历史数据向量集中的所有向量可构建出一个向量空间。在具体应用时，由滤波后的传感器数据组得到第一向量，再确定历史数据向量集中任意一个向量在向量空间中的坐标以及第一向量在向量空间中的坐标。
205、根据上述坐标、上述第一向量、历史数据向量集中的向量及历史数据向量集中的向量在上述向量空间中的坐标，得到向量夹角。
根据第一向量在向量空间中的坐标、第一向量、历史数据向量集中的向量及历史数据集中的向量在上述向量空间中的坐标，计算第一向量与历史数据向量集中任意一个向量之间的夹角，具体计算公式如下：
其中，a为第一向量，b为历史数据向量集中任意一个向量。
这样，即可求得第一向量与历史数据向量集中任意一个向量之间的夹角，即第一向量与历史数据向量集中任意一个向量之间的余弦相似度，也就是说，通过计算两个向量的夹角即可得到第一向量与历史数据向量集中任意一个向量之间的相似度。
206、选取上述向量夹角的最小值对应的向量作为第二向量。
如上所述，通过计算两个向量的夹角即可得到第一向量与历史数据向量集中任意一个向量之间的相似度，上述向量夹角的最小值对应的向量即为与第一向量匹配度最高的向量，因此，选取上述向量夹角的最小值对应的向量作为第二向量。
207、将上述第二向量对应的历史数据组作为匹配度最高的数据组。
上述通过余弦相似度可确定与第一向量匹配度最高的第二向量，这样第二向量对应的历史数据组即为与输入的传感器数据组匹配度最高的数据组。
208、将上述匹配度最高的数据组对应的结果作为决策结果。
如上所述，历史数据库中除了历史传感器数据组，还包含有与历史传感器数据组对应的决策结果，以204中的酒驾为例，历史传感器数据组对应的决策结果为酒驾和非酒驾这两种，而在确定了匹配度最高的数据组之后，自然也就确定了与匹配度最高的数据组对应的决策结果，将匹配度最高的数据组对应的结果作为决策结果输出即可完成自主决策。
需要理解的是，上述204～208是通过计算第一向量与历史数据向量集之间的余弦相似度来确定与传感器数据组匹配度最高的历史数据，而在实际应用中，还可通过贝叶斯估计、最近邻(k-nearest neighbor，KNN)算法、支持向量机(support vector machine，SVM)算法、随机森林算法来确定匹配度最高的历史数据，本申请不做限定。
此外，除了从历史数据库中确定匹配度高的历史数据组来获得决策结果之外，本公开实施例还可通过设置优先级来获得决策结果，将第一传感器器数据与第一预设条件比较，其中，所述第一传感器数据属于所述多组传感器数据；若所述第一传感器数据不满足第一预设条件，得到第一决策结果；若所述第一传感器数据满足第一预设条件，将第二传感器数据与第二预设条件比较，其中，所述第二传感器数据属于所述多组传感器数据；若所述第二传感器数据满足所述第二预设条件，得到第二决策结果。
本申请实施例通过车载传感器获得多个传感器数据，并确定与预处理后的多个传感器数据匹配度最高的历史数据，进而自主、准确的输出决策结果，综合多个传感器数据做出决策虽能增加决策模型的冗余性，提高决策结果的准确性。
请参阅图3，图3是本申请实施例提供的另一种识别汽车的方法的流程示意图。
301、若第二传感器数据大于第一阈值且小于第二阈值，将第三传感器数据与第三阈值比较。
在一个具体实现的例子中，如图4所示，对滤波后的传感器数据进行标度变换后，分别获得酒精浓度值X(第二传感器数据)，心率值Y(第三传感器数据)和喝酒的概率Z(第四传感器数据)，然而将其统一输入到决策模型后，首先将酒精浓度值X与第一预设条件进行对比，当X≤25或X≥300时，将该组传感器数据视为异常数据(第一预设结果)，当25<X<300时，跳转至下一步，将心率值Y与第一预设条件进行对比。
302、若上述第三传感器数据大于或等于上述第三阈值，将上述第一预设结果作为决策结果。
当Y≥500时，将该组传感器数据视为异常数据，当Y<500时，继续跳转至下一步，将心率值Y与第一预设条件进行对比。当Y≤10时，判定驾驶员为非酒驾，并作为决策结果输出，当Y>10时，继续跳转至下一步，将酒精浓度值X与第二预设条件进行对比，当X>90时，判定驾驶员为酒驾，并作为决策结果输出，当X≤90时，继续跳转至下一步，将喝酒的概率Z与预设条件进行对比，当Z≥80％时，判定驾驶员为酒驾，并作为决策结果输出，当Z<80％时，判定驾驶员为非酒驾，并作为决策结果输出。
需要理解的是，本实施例是通过与阈值进行比较得到决策结果，可选地，还可通过随机森林算法得到决策结果。
本申请实施例提供了一种根据传感器数据进行决策的实施方式，通过将传感器数据与预设的阈值进行比较，得出相应的决策结果。
请参阅图5，图5为本申请实施例提供的一更新历史数据库的流程示意图。
501、接收用户对上述决策结果的反馈信息。
上述综合多个传感器数据做出决策虽能增加决策模型的冗余性，提高决策结果的准确性，用户可根据决策模型给出的决策结果与实际情况给出相应的反馈信息，在一个具体的例子中，汽车以速度v形式，在前方s1米处有个障碍物，以汽车的正常制动加速度，汽车在速度v下的制动距离为s2，且s1>2s2，但决策模型给出的决策结果是强制停车，显然，在安全距离(离障碍物的距离)远大于制动距离的情况下，不需要进行强制停车，此时，用户可通过车载终端反馈信息，如：不需要强制停车。
502、根据上述反馈信息和所述传感器数据组，更新上述历史数据库。
在用户输入反馈信息后，该条记录将被存入历史数据库，并以此更新历史数据库，以501中的例子为例，在接收到用户反馈的“不需要强制停车”的信息时，历史数据库会将v、s2与不需要强制停车作为一条记录存入历史数据库。需要理解的是，在用户给出积极的反馈信息(即认可决策模型给出的决策结果时)，反馈信息也将存入历史数据库。
在一种可能实现的方式中，历史数据库可通过移动互联网进行更新，这样，不同的用户获得的记录都将存入历史数据库，使得历史数据库中的历史数据更加可靠。
本身实施例通过用户的反馈信息对历史数据库进行更新，使历史数据更加可靠。
请参阅图6，图6为本申请实施例提供的酒驾决策示意图，如图6所示，本公开实施例综合酒精传感器的数据、心率传感器的数据以及通过摄像头检测到的人脸检测结果来判断驾驶员是否酒驾，其中，在分别对酒精浓度检测器、智能手环和车内摄像头检测到的数据进行滤波处理和标度变换后，得到的酒精浓度值为X，心率值为Y，喝酒的概率为Z，将X、Y、Z三个数据一起输入到决策模型，若决策模型从历史数据库中找出与X、Y、Z匹配最高的传感器数据组a、b、c，且a、b、c这组传感器数据组对应的决策结果为：酒驾，则最终输出的决策结果为：酒驾；若决策模型从历史数据库中找出与X、Y、Z匹配最高的传感器数据组A、B、C，且A、B、C这组传感器数据组对应的决策结果为：非酒驾，则最终输出的决策结果为：非酒驾。
需要理解的是，当X的值出现误差或错误得到的值为10ppm，Y为100bpm，Z为80％时。由于正常情况下，当驾驶员的心率为100bpm，且由人脸检测得出的喝酒的概率为80％时，历史数据中对应的决策结果均为酒驾，且酒精浓度值都处于25ppm～300ppm之间，历史数据库中可能没有与X，Y，Z非常匹配或相似的传感器数据组，决策模型会优先选择与心率值、酒驾概率最接近的历史传感器数据组作为匹度最高的历史数据组(即在一个数据是明显错误的情况下，会根据其他的数据进行匹配)，最终得到的决策结果自然也就是酒驾。实际情况中驾驶员一般也是酒驾，此时若单独依据酒精浓度给出的决策结果必然非酒驾，而综合多个传感器数据进行决策，即避免了因酒精浓度传感器数据的错误带来的误判。
也就是说，酒驾这一“事件”的决策结果将取决于上述三个传感器数据，即使其中一个传感器数据出现误差或错误，其他正确的传感器数据依然可以在很大程度上确保最终的决策结果的准确性，而在三个传感器数据都准确的情况下，可以大大提高最终的决策结果的准确性。此外，在做出具体的决策结果时，需要将包含所有相关联的传感器数据的传感器数据组输入至决策模型，决策模型从历史数据中找出与输入的传感器数据组最接近的一组历史传感器数据组，再将该组最接近的历史传感器数据组对应的结果作为决策结果输出，需要理解的是，决策模型是需要训练的。显然，经多种传感器数据训练得到的决策模型较单一传感器数据训练得到的决策模型泛化能力会更好。
上述详细阐述了本申请实施例的方法，下面提供了本申请实施例的装置。
请参阅图7，图7为本申请实施例提供的一种车辆信息融合决策装置的结构示意图，该装置1包括：第一获取单元11、确定单元12、训练单元13、比较单元14、第一更新单元15、第二获取单元16、第一处理单元17、第二处理单元18、接收单元19、第二更新单元20。其中：
第一获取单元11，用于获取多个第一传感器数据；
确定单元12，用于根据决策模型中预设的综合判定算法确定与所述多个第一传感器数据对应的决策结果；
训练单元13，用于将第二传感器数据组输入至所述决策模型，得到训练结果，其中，所述第二传感器数据组用于训练所述决策模型；
比较单元14，用于将所述训练结果与目标结果相比较，得到误差，其中，所述目标结果为所述第二传感器数据组对应的决策结果；
第一更新单元15，用于更新所述决策模型中的参数，直至所述误差小于第四阈值；
第二获取单元16，用于获取多个第三传感器数据；
第一处理单元17，用于对所述多个第三传感器数据进行滤波处理，得到多个滤波后的第三传感器数据；
第二处理单元18，用于对所述多个滤波后的第三传感器数据进行标度变换，得到所述多个第一传感器数据；
接收单元19，用于接收用户对所述决策结果的反馈信息；
第二更新单元20，用于根据所述反馈信息和所述传感器数据组，更新所述历史数据库。
在一种可能实现的方式中，所述确定单元12包括：第一确定子单元121，用于从历史数据中确定与传感器数据组匹配度最高的数据组，其中，所述传感器数据组包含所述多个第一传感器数据；第二确定子单元122，用于将所述匹配度最高的数据组对应的结果作为所述决策结果。
在一种可能实现的方式中，所述第一确定子单元121还用于：计算历史数据向量集中的向量与第一向量之间的余弦相似度，选取所述余弦相似度的最大值对应的向量作为第二向量，其中，所述第一向量由所述传感器数据组得到；以及将所述第二向量对应的历史数据组作为所述匹配度最高的数据组。
在另一种可能实现的方式中，所述第一确定子单元121还用于：确定所述第一向量在向量空间中的坐标，所述向量空间由历史数据向量集得到，所述历史数据向量集由所述历史数据得到；以及根据所述坐标、所述第一向量、所述历史数据向量集中的向量及所述历史数据向量集中的向量在所述向量空间中的坐标，得到向量夹角，其中，所述向量夹角为所述第一向量与所述历史数据向量集中的向量之间的夹角；选取所述向量夹角的最小值对应的向量作为第二向量。
在又一种可能实现的方式中，所述确定单元12还包括：比较子单元122，用于若第二传感器数据大于第一阈值且小于第二阈值，将第三传感器数据与第三阈值比较，其中，所述第二传感器数据和所述第三传感器数据属于传感器器数据集，所述传感器数据集包括所述多个第一传感器数据；第三确定子单元123，用于否则，将第一预设结果作为所述决策结果。
在又一种可能实现的方式中，所述比较子单元123还用于：若所述第三传感器数据大于或等于所述第三阈值，将所述第一预设结果作为决策结果；以及否则，将第二预设结果作为所述决策结果。
图6为本申请实施例提供的一种车辆信息融合决策装置的硬件结构示意图。该决策装置2包括处理器21，还可以包括输入装置22、输出装置23和存储器24。该输入装置22、输出装置23、存储器24和处理器21之间通过总线相互连接。
存储器包括但不限于是随机存储记忆体(random access memory，RAM)、只读存储器(read-only memory，ROM)、可擦除可编程只读存储器(erasable programmable readonly memory，EPROM)、或便携式只读存储器(compact disc read-only memory，CD-ROM)，该存储器用于相关指令及数据。
输入装置用于输入数据和/或信号，以及输出装置用于输出数据和/或信号。输出装置和输入装置可以是独立的器件，也可以是一个整体的器件。
处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器(centralprocessing unit，CPU)，在处理器是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。
存储器用于存储网络设备的程序代码和数据。
处理器用于调用该存储器中的程序代码和数据，执行如下步骤：获取多个预处理后的传感器数据；从历史数据中确定与传感器数据组匹配度最高的数据组，其中，所述传感器数据组包含所述多个预处理后的传感器数据；将所述匹配度最高的数据组对应的结果作为决策结果。
在一个实现方式中，所述处理器用于执行如下步骤：获取多个传感器数据；对所述传感器数据进行滤波处理，得到滤波后的传感器数据；对所述滤波后的传感器数据进行标度变换，得到所述预处理后的传感器数据。
在另一个实现方式中，所述处理器用于执行如下步骤：计算历史数据向量集中的向量与第一向量之间的余弦相似度，选取所述余弦相似度的最大值对应的向量作为第二向量，其中，所述第一向量由所述传感器数据组得到；将所述第二向量对应的历史数据组作为所述匹配度最高的数据组。
在又一个实现方式中，所述处理器用于执行如下步骤：确定所述第一向量在向量空间中的坐标，其中，所述第一向量由所述预处理后的传感器数据组得到，所述向量空间由历史数据向量集得到，所述历史数据向量集由所述历史数据；根据所述坐标、所述第一向量、所述历史数据向量集中的向量及所述历史数据向量集中的向量在所述向量空间中的坐标，得到向量夹角，其中，所述向量夹角为所述第一向量与所述历史数据向量集中的向量之间的夹角；选取所述向量夹角的最小值对应的向量作为第二向量。
在又一个实现方式中，所述处理器用于执行如下步骤：接收用户对所述决策结果的反馈信息；根据所述反馈信息和所述传感器数据组，更新所述历史数据库。
可以理解的是，图6仅仅示出了一种车辆信息融合决策装置的简化设计。在实际应用中，车辆信息融合决策装置还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出装置、处理器、控制器、存储器等，而所有可以实现本申请实施例的识别汽车的装置都在本申请的保护范围之内。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriberline，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字通用光盘(digital versatiledisc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：只读存储器(read-only memory，ROM)或随机存储存储器(random access memory，RAM)、磁碟或者光盘等各种可存储程序代码的介质。

Claims (10)

1.一种车辆信息融合决策方法，其特征在于，包括：
获取多个第一传感器数据；
根据决策模型中预设的综合判定算法确定与所述多个第一传感器数据对应的决策结果。
2.根据权利要求1所述的方法，其特征在于，所述根据决策模型中预设的综合判定算法确定与所述多个第一传感器数据对应的决策结果，包括：
从历史数据中确定与传感器数据组匹配度最高的数据组，其中，所述传感器数据组包含所述多个第一传感器数据；
将所述匹配度最高的数据组对应的结果作为所述决策结果。
3.根据权利要求2所述的方法，其特征在于，所述从历史数据中确定与传感器数据组匹配度最高的数据组，包括：
计算历史数据向量集中的向量与第一向量之间的余弦相似度，选取所述余弦相似度的最大值对应的向量作为第二向量，其中，所述第一向量由所述传感器数据组得到；
将所述第二向量对应的历史数据组作为所述匹配度最高的数据组。
4.根据权利要求3所述的方法，其特征在于，所述计算历史数据向量集中的向量与第一向量之间的余弦相似度，选取所述余弦相似度的最大值对应的向量作为第二向量，包括：
确定所述第一向量在向量空间中的坐标，所述向量空间由历史数据向量集得到，所述历史数据向量集由所述历史数据得到；
根据所述坐标、所述第一向量、所述历史数据向量集中的向量及所述历史数据向量集中的向量在所述向量空间中的坐标，得到向量夹角，其中，所述向量夹角为所述第一向量与所述历史数据向量集中的向量之间的夹角；
选取所述向量夹角的最小值对应的向量作为第二向量。
5.根据权利要求1所述的方法，其特征在于，所述根据决策模型中预设的综合判定算法确定与所述第一传感器数据对应的决策结果，还包括：
若第二传感器数据大于第一阈值且小于第二阈值，将第三传感器数据与第三阈值比较，其中，所述第二传感器数据和所述第三传感器数据属于传感器器数据集，所述传感器数据集包括所述多个第一传感器数据；
否则，将第一预设结果作为所述决策结果。
6.根据权利要求5所述的方法，其特征在于，所述若第二传感器数据大于第一阈值且小于第二阈值，将第三传感器数据与第三阈值比较，包括：
若所述第三传感器数据大于或等于所述第三阈值，将所述第一预设结果作为决策结果；
否则，将第二预设结果作为所述决策结果。
7.根据权利要求1至6任意一项所述的方法，其特征在于，在所述根据决策模型中的预设算法确定与所述第一传感器数据对应的决策结果之前，还包括：
将第二传感器数据组输入至所述决策模型，得到训练结果，其中，所述第二传感器数据组用于训练所述决策模型；将所述训练结果与目标结果相比较，得到误差，其中，所述目标结果为所述第二传感器数据组对应的决策结果；
更新所述决策模型中的参数，直至所述误差小于第四阈值。
8.根据权利要求1至6任意一项所述的方法，其特征在于，在所述获取多个第一传感器数据之前，还包括：
获取多个第三传感器数据；
对所述多个第三传感器数据进行滤波处理，得到多个滤波后的第三传感器数据；
对所述多个滤波后的第三传感器数据进行标度变换，得到所述多个第一传感器数据。
9.根据权利要求1至6任意一项所述的方法，其特征在于，所述方法还包括：
接收用户对所述决策结果的反馈信息；
根据所述反馈信息和所述传感器数据组，更新所述历史数据库。
10.一种车辆信息融合决策装置，其特征在于，包括：处理器、存储器；所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行如权利要求1～9任一项所述的方法。
CN201811572387.2A 2018-12-21 2018-12-21 一种车辆信息融合决策方法及装置 Pending CN109677341A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811572387.2A CN109677341A (zh) 2018-12-21 2018-12-21 一种车辆信息融合决策方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811572387.2A CN109677341A (zh) 2018-12-21 2018-12-21 一种车辆信息融合决策方法及装置

Publications (1)

Publication Number Publication Date
CN109677341A true CN109677341A (zh) 2019-04-26

Family

ID=66188719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811572387.2A Pending CN109677341A (zh) 2018-12-21 2018-12-21 一种车辆信息融合决策方法及装置

Country Status (1)

Country Link
CN (1) CN109677341A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929431A (zh) * 2020-02-03 2020-03-27 北京三快在线科技有限公司 一种车辆行驶决策模型的训练方法及装置
CN110936954A (zh) * 2020-01-02 2020-03-31 南京航空航天大学 一种考虑车辆双向交互的智能车预测决策融合方法
CN111332227A (zh) * 2020-03-20 2020-06-26 大陆汽车电子（连云港）有限公司 用于机动车的集成传感器装置
WO2021012342A1 (en) * 2019-07-23 2021-01-28 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for traffic prediction
WO2021238551A1 (zh) * 2020-05-25 2021-12-02 华为技术有限公司 车辆传感器数据的处理方法和系统
CN115014366A (zh) * 2022-05-31 2022-09-06 中国第一汽车股份有限公司 一种目标融合方法、装置、车辆及存储介质
CN117574314A (zh) * 2023-11-28 2024-02-20 东风柳州汽车有限公司 传感器的信息融合方法、装置、设备及存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101050731A (zh) * 2007-01-26 2007-10-10 武汉理工大学 一种电控汽油喷射发动机氧传感器故障发生方法及装置
CN202022205U (zh) * 2011-03-17 2011-11-02 交通运输部公路科学研究所 面向安全辅助驾驶的多源信息融合装置
CN102819550A (zh) * 2011-06-09 2012-12-12 通用汽车环球科技运作有限责任公司 用于确定供车辆间交换的推荐媒体内容的系统和方法
CN103207634A (zh) * 2013-03-20 2013-07-17 北京工业大学 一种智能车辆中差分gps与惯性导航数据融合的系统和方法
CN103996045A (zh) * 2014-06-04 2014-08-20 南京大学 一种基于视频的多种特征融合的烟雾识别方法
CN104484996A (zh) * 2014-12-18 2015-04-01 江苏省交通规划设计院股份有限公司 一种基于多源数据的路段交通状态判别方法
CN106023647A (zh) * 2016-05-05 2016-10-12 苏州京坤达汽车电子科技有限公司 驾驶习惯和状态自适应的车辆安全距离预警控制装置
CN106650825A (zh) * 2016-12-31 2017-05-10 中国科学技术大学 一种机动车尾气排放数据融合系统
CN106840192A (zh) * 2017-02-07 2017-06-13 上海评驾科技有限公司 一种应用智能手机的机动车行驶状态判定方法
CN106895982A (zh) * 2017-02-24 2017-06-27 中车青岛四方车辆研究所有限公司 牵引制动性能综合测试系统
CN107310493A (zh) * 2017-06-30 2017-11-03 武汉工程大学 一种校车智能交互方法及其系统
CN108312985A (zh) * 2017-01-17 2018-07-24 北京行易道科技有限公司 车辆信息提示方法和装置
CN108346196A (zh) * 2018-02-02 2018-07-31 杭州鸿泉物联网技术股份有限公司 一种车辆重载和空载的判断方法及装置
WO2018168291A1 (ja) * 2017-03-13 2018-09-20 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 情報処理方法、情報処理システム、及びプログラム
US20180272964A1 (en) * 2015-10-30 2018-09-27 Audi Ag Control Device Update in a Motor Vehicle

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101050731A (zh) * 2007-01-26 2007-10-10 武汉理工大学 一种电控汽油喷射发动机氧传感器故障发生方法及装置
CN202022205U (zh) * 2011-03-17 2011-11-02 交通运输部公路科学研究所 面向安全辅助驾驶的多源信息融合装置
CN102819550A (zh) * 2011-06-09 2012-12-12 通用汽车环球科技运作有限责任公司 用于确定供车辆间交换的推荐媒体内容的系统和方法
CN103207634A (zh) * 2013-03-20 2013-07-17 北京工业大学 一种智能车辆中差分gps与惯性导航数据融合的系统和方法
CN103996045A (zh) * 2014-06-04 2014-08-20 南京大学 一种基于视频的多种特征融合的烟雾识别方法
CN104484996A (zh) * 2014-12-18 2015-04-01 江苏省交通规划设计院股份有限公司 一种基于多源数据的路段交通状态判别方法
US20180272964A1 (en) * 2015-10-30 2018-09-27 Audi Ag Control Device Update in a Motor Vehicle
CN106023647A (zh) * 2016-05-05 2016-10-12 苏州京坤达汽车电子科技有限公司 驾驶习惯和状态自适应的车辆安全距离预警控制装置
CN106650825A (zh) * 2016-12-31 2017-05-10 中国科学技术大学 一种机动车尾气排放数据融合系统
CN108312985A (zh) * 2017-01-17 2018-07-24 北京行易道科技有限公司 车辆信息提示方法和装置
CN106840192A (zh) * 2017-02-07 2017-06-13 上海评驾科技有限公司 一种应用智能手机的机动车行驶状态判定方法
CN106895982A (zh) * 2017-02-24 2017-06-27 中车青岛四方车辆研究所有限公司 牵引制动性能综合测试系统
WO2018168291A1 (ja) * 2017-03-13 2018-09-20 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 情報処理方法、情報処理システム、及びプログラム
CN107310493A (zh) * 2017-06-30 2017-11-03 武汉工程大学 一种校车智能交互方法及其系统
CN108346196A (zh) * 2018-02-02 2018-07-31 杭州鸿泉物联网技术股份有限公司 一种车辆重载和空载的判断方法及装置

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021012342A1 (en) * 2019-07-23 2021-01-28 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for traffic prediction
CN110936954A (zh) * 2020-01-02 2020-03-31 南京航空航天大学 一种考虑车辆双向交互的智能车预测决策融合方法
CN110936954B (zh) * 2020-01-02 2020-12-01 南京航空航天大学 一种考虑车辆双向交互的智能车预测决策融合方法
CN110929431A (zh) * 2020-02-03 2020-03-27 北京三快在线科技有限公司 一种车辆行驶决策模型的训练方法及装置
CN111332227A (zh) * 2020-03-20 2020-06-26 大陆汽车电子（连云港）有限公司 用于机动车的集成传感器装置
CN111332227B (zh) * 2020-03-20 2021-10-08 大陆汽车电子（连云港）有限公司 用于机动车的集成传感器装置
WO2021238551A1 (zh) * 2020-05-25 2021-12-02 华为技术有限公司 车辆传感器数据的处理方法和系统
CN115014366A (zh) * 2022-05-31 2022-09-06 中国第一汽车股份有限公司 一种目标融合方法、装置、车辆及存储介质
CN117574314A (zh) * 2023-11-28 2024-02-20 东风柳州汽车有限公司 传感器的信息融合方法、装置、设备及存储介质
CN117574314B (zh) * 2023-11-28 2024-06-18 东风柳州汽车有限公司 传感器的信息融合方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN109677341A (zh) 一种车辆信息融合决策方法及装置
CN106338406B (zh) 列车牵引电传动系统的在线监测与故障预警系统及方法
CN110263870B (zh) 运动状态识别方法、装置、智能终端和存储介质
CN104881959B (zh) 一种检测溺水的方法和检测溺水的装置
KR20160097029A (ko) 배터리 상태 추정 장치 및 방법
CN107450511B (zh) 评估车辆控制模型的方法、装置、设备和计算机存储介质
CN105539026B (zh) 一种胎压检测系统和方法
CN105675038A (zh) 一种仪表的故障预测装置
CN109870698A (zh) 一种超声波阵列障碍物检测结果处理方法及系统
CN109709934A (zh) 一种飞行控制系统故障诊断冗余设计方法
CN111191671B (zh) 一种用电器波形检测方法、系统、电子设备及存储介质
CN109639633A (zh) 异常流量数据识别方法、装置、介质及电子设备
CN115290316B (zh) 一种偏心旋转阀故障诊断方法
CN108900622A (zh) 基于物联网的数据融合方法、装置与计算机可读存储介质
CN108107086A (zh) 一种基于阵列气体传感器的气体检测方法及气体传感器
CN116821809A (zh) 基于人工智能的生命体征数据采集系统
CN109842682B (zh) 一种基于物联网的分布式环境安全学习及预警方法
CN114211491A (zh) 一种碰撞检测方法、装置、计算机可读存储介质及机器人
CN116543538B (zh) 一种物联网消防电气预警方法及预警系统
CN112212980B (zh) 一种抗外界环境温度干扰的人体温度检测方法
CN113547879A (zh) 轮胎漏气的检测方法、装置、车辆及计算机存储介质
CN111121943B (zh) 零点故障检测方法、装置、计算机设备和可读存储介质
CN108369768B (zh) 用于检测车辆乘客的困倦和/或微睡眠的方法和装置
CN116821836A (zh) 基于多传感器的轮轴瓦异常状态监测方法及系统
CN116763299A (zh) 基于可穿戴传感器的跌倒检测系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190426