CN109752997B - 车辆窗帘控制方法、装置、计算机设备和存储介质 - Google Patents
车辆窗帘控制方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109752997B CN109752997B CN201811642036.4A CN201811642036A CN109752997B CN 109752997 B CN109752997 B CN 109752997B CN 201811642036 A CN201811642036 A CN 201811642036A CN 109752997 B CN109752997 B CN 109752997B
- Authority
- CN
- China
- Prior art keywords
- data
- curtain
- current
- feature
- vehicle
- 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.)
- Active
Links
Images
Landscapes
- Curtains And Furnishings For Windows Or Doors (AREA)
- Power-Operated Mechanisms For Wings (AREA)
Abstract
本申请涉及一种车辆窗帘控制方法、装置、计算机设备和存储介质,所述方法包括:获取车辆周围的当前环境数据和对应的当前窗帘数据,当前环境数据包括天气数据、时间数据、行驶数据和光照数据,通过特征匹配模型提取当前环境数据的特征,对特征与特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的当前匹配结果,根据当前匹配结果确定目标窗帘数据,当目标窗帘数据与当前窗帘数据不匹配时,根据目标窗帘数据和当前窗帘数据生成用于调整窗帘的当前调整指令,执行调整指令。通过获取到的车辆周围的多个维度的环境数据实现对窗帘的自动调整,使得调整更为便捷和准确。
Description
技术领域
本申请涉及自动控制领域,尤其涉及一种车辆窗帘控制方法、装置、计算机设备和存储介质。
背景技术
随着互联网的发展,随着大巴客车的不断的发展和更新换代,对客车的安全性和舒适性的要求也不断的提高。尤其是对于大巴客车的驾驶来说,驾驶员的驾驶舒适性对于大巴客车的平稳驾驶和安全性都尤为关键。在驾驶员驾驶大巴客车的过程中,不可避免的会遭遇到阳光充足,光线直接透过玻璃直射到驾驶员的眼睛,导致驾驶员的视线受到阻碍,影响驾驶员正常驾驶的现象。通常,大巴客车上会针对这一问题,会在前窗玻璃内增加遮光窗帘,遮挡从大巴客车的玻璃上方直射的光线。
大巴客车的虽然都配备了遮挡光线的窗帘,但一般大巴客车配备的窗帘需要司机手动控制其开闭,车辆在行驶过程中遭遇到的环境情况较为复杂且多变,因此驾驶员手动调整窗帘的开合程度,会影响驾驶安全,甚至导致交通事故的发生。为了解决该问题提出了基于光照强度自适应调节的窗帘控制方法,但是仅通过光照强度导致窗帘的调节准确度低下。
发明内容
为了解决上述技术问题,本申请提供了一种车辆窗帘控制方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种车辆窗帘控制方法,包括:
获取车辆周围的当前环境数据和对应的当前窗帘数据,当前环境数据包括天气数据、时间数据、行驶数据和光照数据;
通过特征匹配模型提取当前环境数据的特征,对特征与特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的当前匹配结果;
根据当前匹配结果确定目标窗帘数据;
当目标窗帘数据与当前窗帘数据不匹配时,根据目标窗帘数据和当前窗帘数据生成用于调整窗帘的当前调整指令,执行调整指令。
第二方面,本申请提供了一种车辆窗帘控制装置,包括:
数据获取模块,用于获取车辆周围的当前环境数据和对应的当前窗帘数据,当前环境数据包括天气数据、时间数据、行驶数据和光照数据;
匹配模块,用于通过特征匹配模型提取当前环境数据的特征,对特征与特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的当前匹配结果;
目标窗帘数据计算模块,用于根据当前匹配结果确定目标窗帘数据;
窗帘控制模块204,用于当目标窗帘数据与当前窗帘数据不匹配时,根据目标窗帘数据和当前窗帘数据生成用于调整窗帘的当前调整指令,执行调整指令。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取车辆周围的当前环境数据和对应的当前窗帘数据,当前环境数据包括天气数据、时间数据、行驶数据和光照数据;
通过特征匹配模型提取当前环境数据的特征,对特征与特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的当前匹配结果;
根据当前匹配结果确定目标窗帘数据;
当目标窗帘数据与当前窗帘数据不匹配时,根据目标窗帘数据和当前窗帘数据生成用于调整窗帘的当前调整指令,执行调整指令。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取车辆周围的当前环境数据和对应的当前窗帘数据,当前环境数据包括天气数据、时间数据、行驶数据和光照数据;
通过特征匹配模型提取当前环境数据的特征,对特征与特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的当前匹配结果;
根据当前匹配结果确定目标窗帘数据;
当目标窗帘数据与当前窗帘数据不匹配时,根据目标窗帘数据和当前窗帘数据生成用于调整窗帘的当前调整指令,执行调整指令。
上述车辆窗帘控制方法、装置、计算机设备和存储介质,所述方法包括:获取车辆周围的当前环境数据和对应的当前窗帘数据,当前环境数据包括天气数据、时间数据、行驶数据和光照数据,通过特征匹配模型提取当前环境数据的特征,对特征与特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的当前匹配结果,根据当前匹配结果确定目标窗帘数据,当目标窗帘数据与当前窗帘数据不匹配时,根据目标窗帘数据和当前窗帘数据生成用于调整窗帘的当前调整指令,执行调整指令。通过获取到的车辆周围的多个维度的环境数据实现对窗帘的自动调整,使得调整更为便捷和准确。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中车辆窗帘控制方法的应用环境图;
图2为一个实施例中车辆窗帘控制方法的流程示意图;
图3为一个实施例中自适应遮光窗帘模块示意图;
图4为一个实施例中车辆窗帘控制装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。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的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。
图1为一个实施例中车辆窗帘控制方法的应用环境图。参照图1,该车辆窗帘控制方法应用于车辆。该车辆包括终端110和服务器120。终端110和服务器120通过网络连接。终端或服务器获取车辆周围的当前环境数据和对应的当前窗帘数据,当前环境数据包括天气数据、时间数据、行驶数据和光照数据,通过特征匹配模型提取当前环境数据的特征,对特征与特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的当前匹配结果,根据当前匹配结果确定目标窗帘数据,当目标窗帘数据与当前窗帘数据不匹配时,根据目标窗帘数据和当前窗帘数据生成用于调整窗帘的当前调整指令,执行调整指令。终端110具体可以是台式终端或移动终端,移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
如图2所示,在一个实施例中,提供了一种车辆窗帘控制方法。本实施例主要以该方法应用于上述图1中的终端110(或服务器120)来举例说明。参照图2,该车辆窗帘控制方法具体包括如下步骤:
步骤S201,获取车辆周围的当前环境数据和对应的当前窗帘数据。
具体地,当前环境数据包括天气数据、时间数据、行驶数据和光照数据。当前环境数据是指车辆的所处位置在当前时刻的环境数据,当前窗帘数据是指当前时刻车辆的窗帘所在的位置数据和姿态数据等。其中天气数据可以直接获取当前地区的天气预报数据、时间数据是指当前时刻的时间信息,行驶数据是车辆的行驶方向、行驶地理位置等,光照数据包括但不限于车辆的外部强度和内部光照强度等。
步骤S202,通过特征匹配模型提取当前环境数据的特征,对特征与特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的当前匹配结果。
步骤S203,根据当前匹配结果确定目标窗帘数据。
具体地,特征匹配模型是指预先对环境数据进行训练得到的数学模型,特征匹配模型中存储有标准样本的标准特征和对应的窗帘数据。根据特征匹配模型提取当前环境数据的特征,将当前环境数据的特征与各个标准样本的标准特征进行匹配,计算当前环境数据的特征与各个标准样本的标准特征的匹配度,其中匹配度可以根据向量余弦定理、欧式距离、曼哈顿距离等确定。根据匹配度确定与当前环境数据匹配的标准样本作为当前匹配结果。特征匹配模型中存储有标准样本对应的窗帘数据,将当前匹配结果对应的窗帘数据作为目标窗帘数据。
在一个实施例中,步骤S202之前,还包括:获取车辆的车辆信息和对应的驾驶人员的个人信息,获取与个人信息和车辆信息对应的特征匹配模型。
具体地,其中车辆信息是指用于描述车辆的信息,车辆信息包括但不限于车辆标识、车型、车辆驾驶位置的高度、车辆的前置玻璃的玻璃材质等。个人信息包括但不限于驾驶人员身高信息、身份标识等。根据驾驶人员的个人信息和车辆信息获取对应的特征匹配模型。其中特征匹配模型可以是根据各个驾驶人员的个人驾驶数据和驾驶环境数据进行训练得到的,各个驾驶人员在不同的车辆中采用不同的特征匹配模型。根据驾驶人员的个人驾驶数据和驾驶环境数据进行训练得到的模型更适合个人驾驶,得到的模型更为准确。
在一个实施例中,获取特征匹配模型。根据驾驶人员的个人身高和/或车辆的驾驶位置的高度获取对应的特征匹配模型。不同的驾驶人员身高不相同,故在训练特征匹配模型时,可以划分身高区域,根据不同的身高区域训练特征模型。同理,可以根据车辆的驾驶位置高度训练特征匹配模型,得到不同的驾驶位置高度的特征匹配模型。
步骤S204,当目标窗帘数据与当前窗帘数据不匹配时,根据目标窗帘数据和当前窗帘数据生成用于调整窗帘的当前调整指令,执行调整指令。
具体地,当前调整指令是指用于调整窗帘位置和姿态的计算机指令。判断目标窗帘数据与当前窗帘数据是否匹配,匹配时,表示不需要调整窗帘的位置和姿态,当不匹配时,计算当前窗帘数据和目标窗帘数据的差异数据,根据差异数据窗帘需要调整的位置信息和姿态信息,根据需要调整的位置信息和姿态信息生成对应的当前调整指令,执行调整指令,使得车辆的窗帘处于目标窗帘数据所对应的位置和姿态。
在一个实施例中,计算目标窗帘数据与当前窗帘数据的差异矢量,根据差异矢量生成当前调整指令。
具体地,差异矢量是指目标窗帘与当前窗帘之间的位置矢量和姿态矢量,如当前窗帘数据为下降3厘米,目标窗帘数据为下降6厘米,则差异矢量为下降3厘米,其中下降是指方向,3厘米是指距离,所以差异矢量包含距离和方向。若当前调整指令为一个包含方向和距离的计算机指令,执行该指令能够使得车辆的窗帘调整至驾驶人员觉得合适的位置,满足安全驾驶的需求。
在一个实施例中,车辆窗帘控制方法,还包括:当车辆中包含语音控制模块时,通过语音控制模型实现对窗帘的调整。当车辆的语音控制模块接收到用于调整窗帘的语音调整数据时,根据语音数据生成语音调整指令,执行语音调整指令。
具体地,语音控制模块是通过语音控制电路的控制电路、控制芯片等。当车辆中存在语音控制模块时,如可以采用语音控制模型接收语音信号,语音信号为用于调整窗帘的语音调整数据,通过信号转换电路将语音信号转换成电信号,根据电信号生成对应的语音调整指令,执行语音调整指令,使得窗帘移动至语音调整数据对应的位置和姿态。如语音调整数据为“下降2cm”,则窗帘降下2cm。采用语音控制模块,使得交互更为便捷,语音控制模块可以根据驾驶人员的个人习惯控制窗帘的高度,进一步调整窗帘,从而能够同时满足驾驶人员的个人需求和安全驾驶的需求。
上述车辆窗帘控制方法,通过获取车辆周围的当前环境数据和对应的当前窗帘数据,当前环境数据包括天气数据、时间数据、行驶数据和光照数据,通过特征匹配模型提取当前环境数据的特征,对特征与特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的当前匹配结果,根据当前匹配结果确定目标窗帘数据,当目标窗帘数据与当前窗帘数据不匹配时,根据目标窗帘数据和当前窗帘数据生成用于调整窗帘的当前调整指令,执行调整指令。通过获取到的车辆周围的多个维度的环境数据实现对窗帘的自动调整,使得调整更为便捷和准确。
在一个实施例中,对特征与特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的匹配结果,包括:
步骤S301,计算特征与各个标准特征相似度。
步骤S302,按照预设相似度筛选规则,从相似度中选出多个候选相似度。
步骤S303,根据各个候选相似度,计算各个候选相似度的权重。
步骤S304,根据各个候选相似度的权重确定目标相似度,将目标相似度对应的标准特征作为当前匹配结果。
具体地,相似度是用于衡量特征与标准特征之间的相似性的参数,特征与标准特征都是以向量的形式表示,向量的相似度可以根据向量之间的欧式距离、余弦夹角、曼哈顿距离等得到。预设相似度筛选规则是指预先定义的用于筛选相似度的规则,如选取相似度最大的预设数目个相似度作为候选相似度。计算相似度的权重,权重可以是对相似度进行自定义运算得到的,如计算相似度的平方、三次方或多次方等。根据各个候选相似度的权重确定目标相似度,如选取权重最大的候选相似度作为目标相似度。目标相似度对应的标准特征作为匹配结果。相似度权重是通过相似度计算得到的,相似度越大,说明两个向量之间越相似,越相似,越能满足当前环境的驾驶需求。
在一个实施例中,根据匹配结果确定目标窗帘数据,包括:获取目标相似度对应的标准特征的标准窗帘数据,将标准窗帘数据作为目标窗帘数据。其中标准窗帘数据是车辆正常驾驶时窗帘所处的位置和姿态数据。
在一个实施中,上述车辆窗帘控制方法,包括:
步骤S401,获取训练样本数据和测试样本数据。
在本具体实施例中,训练样本数据包括训练环境数据和对应的训练窗帘数据,测试样本数据包括测试环境数据和对应的测试窗帘数据。
步骤S401,构建初始特征匹配模型。
步骤S402,将训练样本数据输入初始特征匹配模型,通过初始特征匹配模型提取训练环境数据的训练特征,将各个训练特征与对应的训练窗帘数据对应保存,得到候选特征匹配模型。
步骤S403,将测试样本数据输入候选特征匹配模型,当测试样本的测试结果与预设测试结果匹配时,将候选特征匹配模型作为特征匹配模型,训练特征作为标准特征。
步骤S404,当测试样本的测试结果与预设测试结果不匹配时,更新候选特征匹配模型的模型参数,进入将训练样本数据输入初始特征匹配模型的步骤,直至测试样本的测试结果与预设测试结果匹配,得到特征匹配模型。
具体地,获取训练样本数据和测试样本数据是指采集的正常驾驶时真实的环境数据和对应的窗帘数据,将采集的数据分为训练样本数据和测试样本数据,将训练样本数据的环境数据和对应的窗帘数据分别作为训练数据和对应的训练窗帘数据,将测试样本数据的环境数据和对应的窗帘数据分别作为测试数据和对应的测试窗帘数据。初始特征匹配模型是指技术人员构建的数学模型,将训练样本输入初始特征匹配模型,通过特征匹配模型提取训练环境数据的训练特征,并保存训练特征和对应的训练窗帘数据,得到候选特征匹配模型。
通过测试样本测试候选特征匹配模型的匹配能力,将测试样本数据输入候选特征匹配模型,根据候选特征匹配模型提取测试数据的测试特征,计算测试特征与各个训练特征的相似度,根据相似度确定测试环境数据对应的候选测试窗帘数据,判断候选测试窗帘数据与对应的测试窗帘数据是否匹配,得到对应的测试结果,统计全部测试样本的测试匹配结果。判断测试结果是否与预设结果匹配,匹配表示候选特征匹配模型已经满足需求,可以作为特征匹配模型,将训练样本对应的训练特征作为标准特征,训练特征对应的训练窗帘数据作为标准窗帘数据。
不匹配时,表示候选特征匹配模型已经满足需求,更新候选特征匹配模型的模型参数,采用更新模型参数后的候选特征匹配模型对训练样本进行训练,直至测试样本的测试结果与预设测试结果匹配时,将匹配的测试结果对应的候选特征匹配模型作为特征匹配模型。
在一个具体的实施例中,上述车辆窗帘控制方法,包括:
图3为自适应遮光窗帘模块示意图,车辆为大巴车,大巴客车驾驶位自适应遮光窗帘包括网络连接模块101、本地数据库102、GPS定位系统103、模式识别算法模块104、数据通信控制模块105、电机模块106和窗帘107,其中本地数据库102分别与网络连接模块101、GPS定位系统103和模式识别算法模块104连接,数据通信控制模块105分别与模式识别算法模块104和电机模块106连接,窗帘107与电机模块106连接。
大巴车的网络接收模块10以及GPS定位传感器和GPS信号接收器,本地数据库102为大巴车的计算机系统中的存储单元,用于存储模式识别算法中的数据,并可以保存实时接收的数据,模式识别算法模块104主要包含KNN模式识别算法,它通过计算机的软件程序实现,数据通信控制模块105保持与模式识别算法模块104所在的计算机实时通信,通过微控制器将模式识别算法模块104所输出得到的结果转化成为对相应的指令信号,发送至电机模块106,电机模块106包括电机、驱动板和电源。
模式识别算法模块104应用的模式识别算法为KNN算法,KNN算法的基本思路是它将所有的待分类的数据或实例建立一个待分类的模型,作为训练样本集。并且对于输入的测试样本,在训练样本集中找到K个最邻近的样本,然后根据这K个最邻近的样本类型决定测试样本的类别。
设某个测试样本的环境数据为X=(x1,x2,...,xn),某个训练样本的环境数据为D=(d1,d2,...,dn),计算测试样本的环境数据与训练样本的环境数据的相似度可以采用欧式距离、马氏距离、明氏距离和夹角余弦值等。
如采用欧氏距离计算出训练样本与测试样本之间的相似度Sim(X,D)具体计算公式如式(1)所示:
对选取的K个最邻近结果应用距离倒数加权法计算权重W,具体计算公式如式(2)所示:
其中,α一般取1~2,Wj为第j个最邻近结果的权重值,j=1,2,...,K。
对训练样本进行赋值构造,将时间、天气、行驶方向和光照方向4种因素作为窗帘调节的考虑因素,分别将4种因素的变量参数作为自变量,需要计算欧氏距离,所以需将4种因素的自变量赋值:将时间因素的赋值按24小时分别赋予数值1-24;将天气分为晴天、多云、雨天和其他天气,分别赋值1-4;将行驶方向从正北方向开始,沿顺时针方向旋转,分别赋值为1-360;光照角度从日出方向到日落方向按具体角度赋值,赋值范围为1-180。将自变量对应的窗帘调整高度作为因变量建立数组,构成一一对应的规则。例如,对于时间因素,如训练样本的环境数均(16,1,80,90),对应的窗帘数据为距离车窗顶部5cm。
获取实时数据作为测试样本,将网络连接模块101和GPS定位系统103获得的时间、天气、行驶方向和光照方向4种因素的数据按照上述自变量的赋值方式及数据形式进行构造,分别计算所有训练样本与测试样本的欧氏距离,选择K个相似度最高的结果即欧氏距离最小的结果,计算公式为上述公式(1)。K值的选择可以按照实时采集的数据中,考虑因素中变化的个数作为K值,即当前采集的数据中,如4种考虑因素均发生变化,则K=4。举例:如获取的4种因素的实时数据为16时,晴天,行驶方向为正东方向,光照角度为60度,则按上述数据形式构造的测试样本为(16,1,90,60),分别计算与所有的训练样本的欧氏距离,按照K=4选取欧氏距离结果最小的4个样本,假设四个最小的欧氏距离样本为:(1)距离车窗顶部5cm;(2)距离车窗4cm;(3)距离车窗顶部3cm;(4)距离车窗顶部7cm。
对于得到的K个相似度最高的结果中,分别计算K个相似结果的权重,计算公式为上述公式(2),对于得到的权重结果,选择权重结果最大的结果作为KNN算法的最后输出结果,即为最终需要的窗帘高度。对输出的窗帘高度与当前窗帘高度进行比较,当当前窗帘高度与输出的窗帘高度匹配时,保持现状。反之,计算输出的窗帘高度和当前窗帘高度的高度差,根据高度差生成用于调整窗帘的调整指令,执行调整指令。如距离车窗顶部5cm的权重最大,则输出的结果为距离车窗顶部5cm,若当前窗帘的高度为距离车窗顶部5cm,则不在调整,若当前窗帘的高度为3cm,则生成下降2cm的调整指令,将指令发送至电机模块,电机模块控制窗帘下降2cm。
图2为一个实施例中车辆窗帘控制方法的流程示意图。应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种车辆窗帘数据控制装置200,包括:
数据获取模块201,用于获取车辆周围的当前环境数据和对应的当前窗帘数据,当前环境数据包括天气数据、时间数据、行驶数据和光照数据。
匹配模块202,用于通过特征匹配模型提取当前环境数据的特征,对特征与特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的当前匹配结果。
目标窗帘数据计算模块203,用于根据当前匹配结果确定目标窗帘数据。
窗帘控制模块204,用于当目标窗帘数据与当前窗帘数据不匹配时,根据目标窗帘数据和当前窗帘数据生成用于调整窗帘的当前调整指令,执行调整指令。
在一个实施例中,匹配模块包括:
相似度计算单元,用于计算特征与各个标准特征相似度。
相似度筛选单元,用于按照预设相似度筛选规则,从相似度中选出多个候选相似度。
权重计算单元,用于根据各个候选相似度,计算各个候选相似度的权重。
匹配单元,用于根据各个候选相似度的权重确定目标相似度,将目标相似度对应的标准特征作为当前匹配结果。
在一个实施中,目标窗帘数据计算模块还用于获取目标相似度对应的标准特征的标准窗帘数据,将标准窗帘数据作为目标窗帘数据。
在一个实施例中,上述车辆窗帘控制装置,还包括:
训练测试数据获取模块,用于获取训练样本数据和测试样本数据,训练样本数据包括训练环境数据和对应的训练窗帘数据,测试样本数据包括测试环境数据和对应的测试窗帘数据。
模型构建模块,用于构建初始特征匹配模型。
模型训练模块,用于将训练样本数据输入初始特征匹配模型,通过初始特征匹配模型提取训练环境数据的训练特征,将各个训练特征与对应的训练窗帘数据对应保存,得到候选特征匹配模型。
模型测试模块,用于将测试样本数据输入候选特征匹配模型,当测试样本的测试结果与预设测试结果匹配时,将候选特征匹配模型作为特征匹配模型,训练特征作为标准特征。
参数更新模块,用于当测试样本的测试结果与预设测试结果不匹配时,更新候选特征匹配模型的模型参数,返回模型测试模块。
在一个实施例中,上述车辆窗帘控制装置,还包括:
模型获取模块,用于获取车辆的车辆信息和对应的驾驶人员的个人信息,获取与个人信息和所述车辆信息对应的特征匹配模型。
在一个实施例中,窗帘控制模块还用于计算目标窗帘数据与当前窗帘数据的差异矢量,根据差异矢量生成当前调整指令。
在一个实施中,上述车辆窗帘控制装置,还包括:
语音控制模块,用于接收到用于调整窗帘的语音调整数据,根据语音数据生成语音调整指令,执行语音调整指令。
图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110(或服务器120)。如图5所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现车辆窗帘控制方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行车辆窗帘控制方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的车辆窗帘控制装置可以实现为一种计算机程序的形式,计算机程序可在如图5所示的计算机设备上运行。计算机设备的存储器中可存储组成该车辆窗帘控制装置的各个程序模块,比如,图4所示的数据获取模块201、匹配模块202、目标窗帘数据计算模块203和窗帘控制模块204。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的车辆窗帘控制方法中的步骤。
例如,图5所示的计算机设备可以通过如图4所示车辆窗帘控制装置中的数据获取模块201执行获取车辆周围的当前环境数据和对应的当前窗帘数据,当前环境数据包括天气数据、时间数据、行驶数据和光照数据。计算机设备可通过匹配模块202执行通过特征匹配模型提取当前环境数据的特征,对特征与特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的当前匹配结果。计算机设备可通过目标窗帘数据计算模块203执行根据当前匹配结果确定目标窗帘数据。计算机设备可通过窗帘控制模块204执行当目标窗帘数据与当前窗帘数据不匹配时,根据目标窗帘数据和当前窗帘数据生成用于调整窗帘的当前调整指令,执行调整指令。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:获取车辆周围的当前环境数据和对应的当前窗帘数据,当前环境数据包括天气数据、时间数据、行驶数据和光照数据,通过特征匹配模型提取当前环境数据的特征,对特征与特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的当前匹配结果,根据当前匹配结果确定目标窗帘数据,当目标窗帘数据与当前窗帘数据不匹配时,根据目标窗帘数据和当前窗帘数据生成用于调整窗帘的当前调整指令,执行调整指令。
在一个实施例中,对特征与特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的匹配结果,包括:计算特征与各个标准特征相似度,按照预设相似度筛选规则,从相似度中选出多个候选相似度,根据各个候选相似度,计算各个候选相似度的权重,根据各个候选相似度的权重确定目标相似度,将目标相似度对应的标准特征作为当前匹配结果。
在一个实施例中,根据匹配结果确定目标窗帘数据,包括:获取目标相似度对应的标准特征的标准窗帘数据,将标准窗帘数据作为目标窗帘数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取训练样本数据和测试样本数据,训练样本数据包括训练环境数据和对应的训练窗帘数据,测试样本数据包括测试环境数据和对应的测试窗帘数据,构建初始特征匹配模型,将训练样本数据输入初始特征匹配模型,通过初始特征匹配模型提取训练环境数据的训练特征,将各个训练特征与对应的训练窗帘数据对应保存,得到候选特征匹配模型,将测试样本数据输入候选特征匹配模型,当测试样本的测试结果与预设测试结果匹配时,将候选特征匹配模型作为特征匹配模型,训练特征作为标准特征,当测试样本的测试结果与预设测试结果不匹配时,计算机程序被处理器执行时还实现以下步骤:更新候选特征匹配模型的模型参数,进入将训练样本数据输入初始特征匹配模型的步骤,直至测试样本的测试结果与预设测试结果匹配,得到特征匹配模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取车辆的车辆信息和对应的驾驶人员的个人信息,获取与个人信息和车辆信息对应的所述特征匹配模型。
在一个实施例中,根据目标窗帘数据和当前窗帘数据生成用于调整窗帘的当前调整指令,计算机程序被处理器执行时还实现以下步骤:计算目标窗帘数据与当前窗帘数据的差异矢量,根据差异矢量生成当前调整指令。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:当车辆的语音控制模块接收到用于调整窗帘的语音调整数据时,根据语音数据生成语音调整指令,执行语音调整指令。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取车辆周围的当前环境数据和对应的当前窗帘数据,当前环境数据包括天气数据、时间数据、行驶数据和光照数据,通过特征匹配模型提取当前环境数据的特征,对特征与特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的当前匹配结果,根据当前匹配结果确定目标窗帘数据,当目标窗帘数据与当前窗帘数据不匹配时,根据目标窗帘数据和当前窗帘数据生成用于调整窗帘的当前调整指令,执行调整指令。
在一个实施例中,对特征与特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的匹配结果,包括:计算特征与各个标准特征相似度,按照预设相似度筛选规则,从相似度中选出多个候选相似度,根据各个候选相似度,计算各个候选相似度的权重,根据各个候选相似度的权重确定目标相似度,将目标相似度对应的标准特征作为当前匹配结果。
在一个实施例中,根据匹配结果确定目标窗帘数据,包括:获取目标相似度对应的标准特征的标准窗帘数据,将标准窗帘数据作为目标窗帘数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取训练样本数据和测试样本数据,训练样本数据包括训练环境数据和对应的训练窗帘数据,测试样本数据包括测试环境数据和对应的测试窗帘数据,构建初始特征匹配模型,将训练样本数据输入初始特征匹配模型,通过初始特征匹配模型提取训练环境数据的训练特征,将各个训练特征与对应的训练窗帘数据对应保存,得到候选特征匹配模型,将测试样本数据输入候选特征匹配模型,当测试样本的测试结果与预设测试结果匹配时,将候选特征匹配模型作为特征匹配模型,训练特征作为标准特征,当测试样本的测试结果与预设测试结果不匹配时,计算机程序被处理器执行时还实现以下步骤:更新候选特征匹配模型的模型参数,进入将训练样本数据输入初始特征匹配模型的步骤,直至测试样本的测试结果与预设测试结果匹配,得到特征匹配模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取车辆的车辆信息和对应的驾驶人员的个人信息,获取与个人信息和车辆信息对应的所述特征匹配模型。
在一个实施例中,根据目标窗帘数据和当前窗帘数据生成用于调整窗帘的当前调整指令,计算机程序被处理器执行时还实现以下步骤:计算目标窗帘数据与当前窗帘数据的差异矢量,根据差异矢量生成当前调整指令。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:当车辆的语音控制模块接收到用于调整窗帘的语音调整数据时,根据语音数据生成语音调整指令,执行语音调整指令。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性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的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种车辆窗帘控制方法,其特征在于,所述方法包括:
获取车辆周围的当前环境数据和对应的当前窗帘数据,所述当前环境数据包括天气数据、时间数据、行驶数据和光照数据,所述行驶数据为所述车辆的行驶环境数据;
通过特征匹配模型提取所述当前环境数据的特征,对所述特征与所述特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的当前匹配结果;
其中,对所述特征与所述特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的当前匹配结果,包括:
计算所述特征与各个所述标准特征的相似度,
按照预设相似度筛选规则,从所述相似度中选出多个候选相似度,
根据各个所述候选相似度,计算各个所述候选相似度的权重,其中,所述权重的计算公式为:
α∈(1,2),Wj为第j个最邻近结果的权重值,所述当前环境数据为X=(x1,x2,...,xn),D为所述标准特征集合对应的任意一个样本数据,D=(d1,d2,...,dn),
根据各个所述候选相似度的权重确定目标相似度,将所述目标相似度对应的所述标准特征作为所述当前匹配结果;
根据所述当前匹配结果确定目标窗帘数据;
当所述目标窗帘数据与所述当前窗帘数据不匹配时,根据所述目标窗帘数据和所述当前窗帘数据生成用于调整窗帘的当前调整指令,执行所述调整指令;
其中,根据驾驶人员的个人身高和/或车辆的驾驶位置的高度获取对应的特征匹配模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述匹配结果确定目标窗帘数据,包括:
获取所述目标相似度对应的标准特征的标准窗帘数据;
将所述标准窗帘数据作为所述目标窗帘数据。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取训练样本数据和测试样本数据,所述训练样本数据包括训练环境数据和对应的训练窗帘数据,所述测试样本数据包括测试环境数据和对应的测试窗帘数据;
构建初始特征匹配模型;
将所述训练样本数据输入所述初始特征匹配模型,通过初始特征匹配模型提取所述训练环境数据的训练特征,将各个所述训练特征与对应的所述训练窗帘数据对应保存,得到候选特征匹配模型;
将所述测试样本数据输入所述候选特征匹配模型,当所述测试样本的测试结果与预设测试结果匹配时,将所述候选特征匹配模型作为所述特征匹配模型,所述训练特征作为所述标准特征;
当所述测试样本的测试结果与预设测试结果不匹配时,更新所述候选特征匹配模型的模型参数,进入将所述训练样本数据输入所述初始特征匹配模型的步骤,直至所述测试样本的测试结果与预设测试结果匹配,得到所述特征匹配模型。
4.根据权利要求3所述的方法,其特征在于,所述通过特征匹配模型提取所述当前环境数据的特征之前,还包括:
获取所述车辆的车辆信息和对应的驾驶人员的个人信息;
获取与所述个人信息和所述车辆信息对应的所述特征匹配模型。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标窗帘数据和所述当前窗帘数据生成用于调整窗帘的当前调整指令,还包括:
计算所述目标窗帘数据与所述当前窗帘数据的差异矢量;
根据所述差异矢量生成所述当前调整指令。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述车辆的语音控制模块接收到用于调整所述窗帘的语音调整数据时,根据所述语音调整 数据生成所述语音调整指令,执行所述语音调整指令。
7.一种车辆窗帘控制装置,其特征在于,所述装置包括:
数据获取模块,用于获取车辆周围的当前环境数据和对应的当前窗帘数据,所述当前环境数据包括天气数据、时间数据、行驶数据和光照数据,所述行驶数据为所述车辆的行驶环境数据;
匹配模块,用于通过特征匹配模型提取所述当前环境数据的特征,对所述特征与所述特征匹配模型中的标准特征集合中的各个标准特征进行匹配,得到对应的当前匹配结果;
所述匹配模块用于计算所述特征与各个所述标准特征的相似度,按照预设相似度筛选规则,从所述相似度中选出多个候选相似度,根据各个所述候选相似度,计算各个所述候选相似度的权重,其中,所述权重的计算公式为:α∈(1,2),Wj为第j个最邻近结果的权重值,所述当前环境数据为X=(x1,x2,...,xn),D为所述标准特征集合对应的任意一个样本数据,D=(d1,d2,...,dn),根据各个所述候选相似度的权重确定目标相似度,将所述目标相似度对应的所述标准特征作为所述当前匹配结果;
目标窗帘数据计算模块,用于根据所述当前匹配结果确定目标窗帘数据;
窗帘控制模块,用于当所述目标窗帘数据与所述当前窗帘数据不匹配时,根据所述目标窗帘数据和所述当前窗帘数据生成用于调整窗帘的当前调整指令,执行所述调整指令;
其中,根据驾驶人员的个人身高和/或车辆的驾驶位置的高度获取对应的特征匹配模型。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811642036.4A CN109752997B (zh) | 2018-12-29 | 2018-12-29 | 车辆窗帘控制方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811642036.4A CN109752997B (zh) | 2018-12-29 | 2018-12-29 | 车辆窗帘控制方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109752997A CN109752997A (zh) | 2019-05-14 |
CN109752997B true CN109752997B (zh) | 2021-09-28 |
Family
ID=66404489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811642036.4A Active CN109752997B (zh) | 2018-12-29 | 2018-12-29 | 车辆窗帘控制方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109752997B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110588298A (zh) * | 2019-07-31 | 2019-12-20 | 深圳市元征科技股份有限公司 | 一种车辆窗帘的控制方法、装置及车载设备 |
CN111045337A (zh) * | 2019-11-15 | 2020-04-21 | 珠海格力电器股份有限公司 | 窗帘的自动开闭控制方法、系统、电子设备及存储介质 |
CN115512560B (zh) * | 2022-10-17 | 2024-04-12 | 广汽埃安新能源汽车股份有限公司 | 一种车辆控制系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105336163A (zh) * | 2015-10-26 | 2016-02-17 | 山东易构软件技术股份有限公司 | 一种基于三层k近邻的短时交通流预测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN86208985U (zh) * | 1986-11-11 | 1987-12-09 | 周厚亲 | 客车调风窗帘 |
CN201401121Y (zh) * | 2009-03-09 | 2010-02-10 | 方超 | 一种智能控制窗帘开关的系统 |
CN203558023U (zh) * | 2013-10-11 | 2014-04-23 | 李晨阳 | 一种车用窗帘自动控制装置 |
JP6497968B2 (ja) * | 2014-07-31 | 2019-04-10 | 三和シヤッター工業株式会社 | シャッター装置 |
CN204445271U (zh) * | 2014-12-05 | 2015-07-08 | 江西洪都航空工业集团有限责任公司 | 一种可远程控制的传感式窗帘 |
CN106274392A (zh) * | 2016-08-22 | 2017-01-04 | 乐视控股(北京)有限公司 | 汽车窗帘的调节装置、方法及汽车 |
CN107323379A (zh) * | 2017-06-30 | 2017-11-07 | 百度在线网络技术(北京)有限公司 | 车辆控制方法、装置、设备及存储介质 |
CN108536595B (zh) * | 2018-04-09 | 2024-01-30 | 平安普惠企业管理有限公司 | 测试用例智能化匹配方法、装置、计算机设备及存储介质 |
CN109044072A (zh) * | 2018-09-26 | 2018-12-21 | 重庆长安汽车股份有限公司 | 一种汽车窗帘的自动控制方法、装置及汽车 |
-
2018
- 2018-12-29 CN CN201811642036.4A patent/CN109752997B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105336163A (zh) * | 2015-10-26 | 2016-02-17 | 山东易构软件技术股份有限公司 | 一种基于三层k近邻的短时交通流预测方法 |
Non-Patent Citations (2)
Title |
---|
基于K 近邻模型的空中交通流量短期预测;赵元棣等;《中国民航大学学报》;20171031;第35卷(第5期);第1-5页 * |
基于多方向加权的小波域维纳滤波改进算法;王振东等;《西华师范大学学报(自然科学版)》;20170630;第38卷(第2期);第222-225页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109752997A (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109752997B (zh) | 车辆窗帘控制方法、装置、计算机设备和存储介质 | |
CN106228125B (zh) | 基于集成学习级联分类器的车道线检测方法 | |
US20210078382A1 (en) | Apparatus and method for controlling air conditioning of vehicle | |
US8229162B2 (en) | Graphic recognition device, graphic recognition method, and graphic recognition program | |
CN110197716B (zh) | 医学影像的处理方法、装置及计算机可读存储介质 | |
CN108428248B (zh) | 车窗定位方法、系统、设备及存储介质 | |
CN111626200A (zh) | 一种基于Libra R-CNN的多尺度目标检测网络和交通标识检测方法 | |
US20220215485A1 (en) | Methods and systems for an enhanced energy grid system | |
US11854236B2 (en) | Fastening tool system and control method thereof | |
CN111507152A (zh) | 基于内置独立型预测来转换自动驾驶模式的方法及装置 | |
JP2020528616A (ja) | 画像処理方法およびシステム、記憶媒体およびコンピューティングデバイス | |
CN111931991A (zh) | 气象临近预报方法、装置、计算机设备和存储介质 | |
CN113899367B (zh) | 无人机降落的定位方法、装置、计算机设备及存储介质 | |
CN112287947A (zh) | 一种区域建议框检测方法、终端及存储介质 | |
CN111652245B (zh) | 车辆轮廓检测方法、装置、计算机设备及存储介质 | |
CN114132340A (zh) | 一种变道轨迹预测方法、装置及计算机存储介质 | |
CN111428191B (zh) | 基于知识蒸馏的天线下倾角计算方法、装置和存储介质 | |
CN107137090B (zh) | 一种跌倒识别方法及装置、用户设备 | |
CN110751850B (zh) | 一种基于深度神经网络的车位识别方法和系统 | |
CN115805947B (zh) | 一种个性化车辆轨迹预测方法、系统、设备和存储介质 | |
CN116091596A (zh) | 一种自下而上的多人2d人体姿态估计方法及装置 | |
CN116188587A (zh) | 定位方法、装置及车辆 | |
CN114945961A (zh) | 变道预测回归模型训练方法、变道预测方法和装置 | |
CN112733728A (zh) | 一种能见度边缘计算方法、装置、电子设备及存储介质 | |
CN108830303B (zh) | 车辆识别方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |