CN110018678A - 一种网联汽车控制系统的故障诊断方法 - Google Patents
一种网联汽车控制系统的故障诊断方法 Download PDFInfo
- Publication number
- CN110018678A CN110018678A CN201910114406.5A CN201910114406A CN110018678A CN 110018678 A CN110018678 A CN 110018678A CN 201910114406 A CN201910114406 A CN 201910114406A CN 110018678 A CN110018678 A CN 110018678A
- Authority
- CN
- China
- Prior art keywords
- state parameter
- output state
- moment
- value
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种网联汽车控制系统的故障诊断方法,将网联汽车控制系统分为信息层和控制层,其中信息层采用基于遗传粒子群滤波进行信息节点的输出状态参数估计,计算与实际输出状态参数的残差,据此进行故障诊断;控制层采用多层扩张状态观测器进行控制节点的输出状态参数估计,计算与实际输出状态参数的残差,据此进行故障诊断。本发明为网联汽车控制系统提供了一种全新的故障诊断方法,为网联汽车控制系统的安全运行提供了技术保障。
Description
技术领域
本发明属于网联汽车控制技术领域,更为具体地讲,涉及一种网联汽车控制系统的故障诊断方法。
背景技术
智能网联汽车也是一种多信息源的复杂信息物理融合系统(Cyber physicalsystems,CPS),这样也为黑客留下了攻击漏洞。近年来,Security Affairs网站上报道各种“智能网联汽车信息安全漏洞”,网络攻击严重威胁"智能网联汽车" 的安全行驶。2011年,来自加州大学圣地亚哥分校和华盛顿大学的两个研究团队实现物理接触控制汽车。2013年DEF CON大会,OBD-II控制福特翼虎、丰田普锐斯的方向盘、刹车、油门。2015年,两名黑客在美国做了一场试验:利用互联网技术侵入一辆行驶中的切诺基吉普车电子系统,远程操控加速、制动系统、电台和雨刷器等装置,甚至让汽车冲进路旁沟里。2015年UNENIX大会上,加州大学圣地亚哥分校利用OBD设备实现了对汽车的远程控制。2016年科恩实验室宣布,他们以“远程无物理接触”的方式成功入侵了特斯拉汽车,他们展示了低速情况时的突然刹停,并且在刹车过程中,刹车灯不亮,而车门却是处于解锁状态,危险程度是致命的。
然而,这些网络攻击不仅仅是停留在信息交互的网络中,还可能进入汽车 CAN总线中攻击控制器,最终实现对网联汽车进行攻击使其故障,达到攻击者的目的。所以,针对于智能网联汽车来说急需针对网络攻击的网络故障诊断方法用于对网联汽车进行诊断,确保智能网联汽车的安全行驶。
发明内容
本发明的目的在于克服现有技术的不足,提供一种网联汽车控制系统的故障诊断方法,将网联汽车控制系统分为信息层和控制层,分别设置故障诊断策略,为网联汽车控制系统的安全运行提供了技术保障。
为了实现上述发明目的,本发明网联汽车控制系统的故障诊断方法包括以下步骤:
S1:将网联汽车控制系统分为控制层和信息层,控制层中的控制节点为网联汽车控制系统中实现控制功能的节点,其余节点作为信息节点划分至信息层,信息层中的信息节点由控制层中的控制节点进行控制;
S2:对于信息层中的每个信息节点,记其在时刻t的输出状态参数向量 B(t)=(b1(t),b2(t),…,bM(t))T,bm(t)表示第m个输出状态参数bm在时刻t的值, m=1,2,…,M,M表示状态参数数量;对于每个输出状态参数,采用基于遗传粒子群滤波的输出状态参数估计算法估计到时刻t的输出状态参数如果则判定该信息节点发生故障,否则信息节点正常;其中基于遗传粒子群滤波的输出状态参数估计算法的具体步骤包括:
S2.1:确定信息节点中影响输出状态参数bm的参数,得到影响参数向量 am=(am1,am2,…,amG)T,其中amg表示输出状态参数bm的第g个影响参数, g=1,2,…,G,G表示状态参数数量,确定以影响参数向量am为自变量的输出状态参数bm函数表达式bm(t)=h(t,am(t)),am(t)表示时刻t的影响参数向量am的值;
S2.2:根据预先确定的先验概率p(am(0))产生粒子集i=1,2,…,No,N0表示粒子数量,并且令所有粒子对应的权值初始值
S2.3:初始化诊断时刻t=1;
S2.4:采用以下公式更新粒子权值:
其中,表示影响参数向量am在时刻t的值时对应输出状态参数 bm在时刻t函数值的条件概率,表示影响参数向量am在时刻t-1 的值时对应影响参数向量am在时刻t的值的条件概率,表示影响参数向量am在时刻t-1的值时与输出状态参数bm在时刻t函数值时对应影响参数向量am在时刻t的值的条件概率;
对权值进行归一化,得到归一化后的权值
S2.5:判断粒子权值方差是否小于预设阈值,如果是,进入步骤S2.7,否则进入步骤S2.6;
S2.6:进行粒子的交叉、变异,得到新的粒子集返回步骤S204;
S2.7:根据以下公式进行状态估计:
S2.8:根据以下公式计算得到输出状态参数的估计值
S2.9:预测下一时刻的影响参数向量f[]表示预先确定的影响参数向量的递增函数;
S2.10:令t=t+1,返回步骤S2.2;
S3:对于控制层的故障诊断,本发明中为每个控制节点设置一个多层扩张状态观测器,包括N个观测器,N表示控制节点的输出状态参数数量;多层扩张状态观测器的结构表达式如下:
其中,Observer_d表示控制节点第d个输出状态参数对应的观测器, d=1,2,…,D,γd(k)表示观测器辅助变量,Ωd、Ξd、Ψd和Υd表示观测器增益系数矩阵,yd(k)表示时刻k时控制节点第d个输出状态参数的值,表示时刻k 时对控制节点第d个输出状态参数的估计值;
预先在智能汽车正常运行情况下,通过多层扩张状态观测器获取控制节点 W个时刻的输出状态参数yd(w)及对应的估计状态信息w=1,2,…,W,计算得到各个输出状态参数的残差样本向量Rd=[rd1,rd2,…,rdW],其中然后对于每个残差样本向量Rd进行系统参数化表示,得到系统参数向量θd,对每一种状态参数的系统参数向量θd进行核密度估计,得到残差概率密度函数估计值pNF(θd);
在智能汽车运行时,通过观测器周期性地获取W个时刻的状态信息,采用同样方法通过观测器得到各个状态参数对应的残差样本向量Rd′,进行系统参数化表示之后得到系统参数向量θd′,进行核密度估计得到残差概率密度函数估计值p(θd′);
计算每个状态参数的残差概率密度函数估计值p(θd′)与对应正常运行情况下残差概率密度函数估计值pNF(θd)之间的散度,如果散度大于预设阈值,则认为该状态参数故障,否则该状态参数正常。
本发明网联汽车控制系统的故障诊断方法,将网联汽车控制系统分为信息层和控制层,其中信息层采用基于遗传粒子群滤波进行信息节点的输出状态参数估计,计算与实际输出状态参数的残差,据此进行故障诊断;控制层采用多层扩张状态观测器进行控制节点的输出状态参数估计,计算与实际输出状态参数的残差,据此进行故障诊断。本发明为网联汽车控制系统提供了一种全新的故障诊断方法,为网联汽车控制系统的安全运行提供了技术保障。
附图说明
图1是本发明网联汽车控制系统的故障诊断方法的具体实施方式流程图;
图2是本发明中网联汽车控制系统分层示意图;
图3是本发明中基于遗传粒子群滤波的输出状态参数估计的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明网联汽车控制系统的故障诊断方法的具体实施方式流程图。如图1所示,本发明网联汽车控制系统的故障诊断方法的具体步骤包括:
S101:网联汽车控制系统分层:
将网联汽车控制系统分为控制层和信息层。图2是本发明中网联汽车控制系统分层示意图。如图2所示,控制层中的控制节点为网联汽车控制系统中实现控制功能的节点,其余节点作为信息节点划分至信息层,信息层中的信息节点由控制层中的控制节点进行控制。
一般来说,信息层包括车-路系统、车-车系统和车-网系统,车路系统为车与路之间的信息通信网络,车-车系统为车与车之间的信息通信网络,车-网系统为车与网之间的信息通信网络。控制层包括控制器、执行器、系统组件、传感器和观测器。
S102:信息层故障诊断:
经研究发现,信息层所发生的故障主要分布在车-车、车-路和车-网系统三种网络信息交互中,网络信息数据量大,同时还存在信息交互,本发明采用数据驱动方法,对系统数据进行学习、残差分析、残差评价,对信息层的故障进行检测。
对信息层的网络故障进行检测,本发明主要用遗传粒子群滤波的故障诊断方式对信息层故障诊断。对于信息层中的每个信息节点,记其在时刻t的输出状态参数向量B(t)=(b1(t),b2(t),…,bM(t))T,bm(t)表示第m个输出状态参数bm在时刻t 的值,m=1,2,…,M,M表示状态参数数量。对于每个输出状态参数,采用基于遗传粒子群滤波的输出状态参数估计算法估计到时刻t的输出状态参数如果则判定该信息节点发生故障,否则信息节点正常。
可见,本发明信息层故障检测的关键在于如何采用遗传粒子群算法估计到输出状态参数。图3是本发明中基于遗传粒子群滤波的输出状态参数估计的流程图。如图3所示,本发明中基于遗传粒子群滤波进行输出状态参数估计的具体步骤包括:
S301:确定影响参数:
确定信息节点中影响输出状态参数bm的参数,得到影响参数向量 am=(am1,am2,…,amG)T,其中amg表示输出状态参数bm的第g个影响参数, g=1,2,…,G,G表示影响参数数量,确定以影响参数向量am为自变量的输出状态参数bm函数表达式bm(t)=h(t,am(t)),am(t)表示时刻t的影响参数向量am的值。
S302:粒子初始化:
根据预先确定的先验概率p(am(0))产生粒子集i=1,2,…,No,N0表示粒子数量,并且令所有粒子对应的权值初始值
S303:初始化诊断时刻t=1。
S304:权值更新:
采用以下公式更新粒子权值:
其中,表示影响参数向量am在时刻t的值时对应输出状态参数 bm在时刻t函数值的条件概率,表示影响参数向量am在时刻t-1 的值时对应影响参数向量am在时刻t的值的条件概率,表示影响参数向量am在时刻t-1的值时与输出状态参数bm在时刻t函数值时对应影响参数向量am在时刻t的值的条件概率。
对权值进行归一化,得到归一化后的权值:
S305:判断粒子权值方差是否小于预设阈值,如果是,进入步骤S307,否则进入步骤S306。
因为方差较小时更接近真实状态,所以可以根据适应度的方差大小进行选择操作,如果方差大小符合要求,进行选择操作,保留所有粒子,不再进行交叉、变异操作,直接进入预测状态;如果方差大小不符合要求,则跳过选择操作,进行交叉、变异操作。
S306:交叉变异:
进行粒子的交叉、变异,得到新的粒子集返回步骤S304。
粒子的交叉和变异是遗传粒子群滤波算法的基本操作,其具体过程在此不再赘述。
S307:状态估计:
根据以下公式进行状态估计:
S308:输出状态参数估计:
根据以下公式计算得到输出状态参数的估计值
S309:状态预测:
预测下一时刻的影响参数向量f[]表示预先确定的影响参数向量的递增函数。
S310:令t=t+1,返回步骤S302。
本实施例中数据驱动运用到的数据有智能汽车自身的速度v、加速度a、位移信息x以及车与路的连接信息α1,α2,…,αP、车与网络的连接信息β1,β2,…,βQ,其中P表示路的数量,Q表示网络的数量,其中αp表示智能汽车是否与路连接,值为1表示成功连接,0表示连接断开,p=1,2,…,P,βq表示智能汽车是否与网络连接,值为1表示成功连接,0表示连接断开。
S103:控制层故障诊断:
针对控制层的网络攻击,直接威胁到了智能汽车本身控制系统,可能会导致控制系统的控制器、传感器发生故障。本发明提出基于模型驱动方法的故障诊断方法进行控制层的故障诊断,通过对控制层建立有效系统模型,通过观测器进行故障检测、识别和隔离。
对于控制层的故障诊断,本发明中为每个控制节点设置一个多层扩张状态观测器,包括D个观测器,D表示控制节点的输出状态参数数量,实际应用中输出状态参数可以根据实际需要设置,本实施例中控制层故障诊断运用到的数据有智能汽车自身的速度v、加速度a和位移信息x。多层扩张状态观测器的结构表达式如下:
其中,Observer_d表示控制节点第d个输出状态参数对应的观测器, d=1,2,…,D,γd(k)表示观测器辅助变量,Ωd、Ξd、Ψd和Υd表示观测器增益系数矩阵,yd(k)表示时刻k时控制节点第d个输出状态参数的值,表示时刻k 时对控制节点第d个输出状态参数的估计值。
预先在智能汽车正常运行情况下,通过多层扩张状态观测器获取控制节点W个时刻的输出状态参数yd(w)及对应的估计状态信息w=1,2,…,W,计算得到各个输出状态参数的残差样本向量Rd=[rd1,rd2,…,rdW],其中然后对于每个残差样本向量Rd进行系统参数化表示,得到系统参数向量θd,系统参数化就是将一个变量(一组变量)用另一个变量(一组变量)来表征其特征,其具体方法可以根据实际需要确定。对每一种状态参数的系统参数向量θd进行核密度估计,得到残差概率密度函数估计值pNF(θd)。
在智能汽车运行时,通过观测器周期性地获取W个时刻的状态信息,采用同样方法通过观测器得到各个状态参数对应的残差样本向量Rd′,进行系统参数化表示之后得到系统参数向量θd′,进行核密度估计得到残差概率密度函数估计值p(θd′)。
接下来计算每个状态参数的残差概率密度函数估计值p(θd′)与对应正常运行情况下残差概率密度函数估计值pNF(θd)之间的散度,如果散度大于预设阈值,则认为该状态参数故障,否则该状态参数正常。
散度是用来衡量两个过程概率分布的区别,其物理意义是二者夹角的度量,它的值越大,表明二者的差别就越大;反之,差别就越小,如两者的概率分布完全相同时,其值就为零。本发明中由于所计算的残差概率密度函数估计值呈正态分布,因此优选采用针对正态分布的K-L散度。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种网联汽车控制系统的故障诊断方法,其特征在于,包括以下步骤:
S1:将网联汽车控制系统分为控制层和信息层,控制层中的控制节点为网联汽车控制系统中实现控制功能的节点,其余节点作为信息节点划分至信息层,信息层中的信息节点由控制层中的控制节点进行控制;
S2:对于信息层中的每个信息节点,记其在时刻t的输出状态参数向量B(t)=(b1(t),b2(t),…,bM(t))T,bm(t)表示第m个输出状态参数bm在时刻t的值,m=1,2,…,M,M表示状态参数数量;对于每个输出状态参数,采用基于遗传粒子群滤波的输出状态参数估计算法估计到时刻k的输出状态参数如果则判定该信息节点发生故障,否则信息节点正常;其中基于遗传粒子群滤波的输出状态参数估计算法的具体步骤包括:
S2.1:确定信息节点中影响输出状态参数bm的参数,得到影响参数向量am=(am1,am2,…,amG)T,其中amg表示输出状态参数bm的第g个影响参数,g=1,2,…,G,G表示状态参数数量,确定以影响参数向量am为自变量的输出状态参数bm函数表达式bm(t)=h(t,am(t)),am(t)表示时刻t的影响参数向量am的值;
S2.2:根据预先确定的先验概率p(am(0))产生粒子集N0表示粒子数量,并且令所有粒子对应的权值初始值
S2.3:初始化诊断时刻t=1;
S2.4:采用以下公式更新粒子权值:
其中,表示影响参数向量am在时刻t的值时对应输出状态参数bm在时刻t函数值的条件概率,表示影响参数向量am在时刻t-1的值时对应影响参数向量am在时刻t的值的条件概率,表示影响参数向量am在时刻t-1的值时与输出状态参数bm在时刻t函数值时对应影响参数向量am在时刻t的值的条件概率;
对权值进行归一化,得到归一化后的权值
S2.5:判断粒子权值方差是否小于预设阈值,如果是,进入步骤S2.7,否则进入步骤S2.6;
S2.6:进行粒子的交叉、变异,得到新的粒子集返回步骤S204;
S2.7:根据以下公式进行状态估计:
S2.8:根据以下公式计算得到输出状态参数的估计值
S2.9:预测下一时刻的影响参数向量f[]表示预先确定的影响参数向量的递增函数;
S2.10:令t=t+1,返回步骤S2.2;
S3:对于控制层的故障诊断,本发明中为每个控制节点设置一个多层扩张状态观测器,包括N个观测器,N表示控制节点的输出状态参数数量;多层扩张状态观测器的结构表达式如下:
其中,Observer_d表示控制节点第d个输出状态参数对应的观测器,d=1,2,…,D,γd(k)表示观测器辅助变量,Ωd、Ξd、Ψd和Υd表示观测器增益系数矩阵,yd(k)表示时刻k时控制节点第d个输出状态参数的值,表示时刻k时对控制节点第d个输出状态参数的估计值;
预先在智能汽车正常运行情况下,通过多层扩张状态观测器获取控制节点W个时刻的输出状态参数yd(w)及对应的估计状态信息计算得到各个输出状态参数的残差样本向量Rd=[rd1,rd2,…,rdW],其中然后对于每个残差样本向量Rd进行系统参数化表示,得到系统参数向量θd,对每一种状态参数的系统参数向量θd进行核密度估计,得到残差概率密度函数估计值pNF(θd);
在智能汽车运行时,通过观测器周期性地获取W个时刻的状态信息,采用同样方法通过观测器得到各个状态参数对应的残差样本向量R′d,进行系统参数化表示之后得到系统参数向量θ′d,进行核密度估计得到残差概率密度函数估计值p(θ′d);
计算每个状态参数的残差概率密度函数估计值p(θ′d)与对应正常运行情况下残差概率密度函数估计值pNF(θd)之间的散度,如果散度大于预设阈值,则认为该状态参数故障,否则该状态参数正常。
2.根据权利要求1所述的故障诊断方法,其特征在于,所述散度采用K-L散度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910114406.5A CN110018678B (zh) | 2019-02-14 | 2019-02-14 | 一种网联汽车控制系统的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910114406.5A CN110018678B (zh) | 2019-02-14 | 2019-02-14 | 一种网联汽车控制系统的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110018678A true CN110018678A (zh) | 2019-07-16 |
CN110018678B CN110018678B (zh) | 2021-05-14 |
Family
ID=67188938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910114406.5A Active CN110018678B (zh) | 2019-02-14 | 2019-02-14 | 一种网联汽车控制系统的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110018678B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114200841A (zh) * | 2021-12-13 | 2022-03-18 | 电子科技大学 | 一种基于模糊反步的网联汽车系统安全控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106772067A (zh) * | 2016-11-30 | 2017-05-31 | 北京理工大学 | 多时间尺度iapf滤波估计动力电池荷电状态与健康状态的方法 |
CN106980822A (zh) * | 2017-03-14 | 2017-07-25 | 北京航空航天大学 | 一种基于选择性集成学习的旋转机械故障诊断方法 |
WO2018092322A1 (en) * | 2016-11-16 | 2018-05-24 | Mitsubishi Electric Corporation | Diagnosis device for electromagnetic brake |
CN109061537A (zh) * | 2018-08-23 | 2018-12-21 | 重庆大学 | 基于观测器的电动车辆锂离子电池传感器故障诊断方法 |
CN109283562A (zh) * | 2018-09-27 | 2019-01-29 | 北京邮电大学 | 一种车联网中车辆三维定位方法及装置 |
-
2019
- 2019-02-14 CN CN201910114406.5A patent/CN110018678B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018092322A1 (en) * | 2016-11-16 | 2018-05-24 | Mitsubishi Electric Corporation | Diagnosis device for electromagnetic brake |
CN106772067A (zh) * | 2016-11-30 | 2017-05-31 | 北京理工大学 | 多时间尺度iapf滤波估计动力电池荷电状态与健康状态的方法 |
CN106980822A (zh) * | 2017-03-14 | 2017-07-25 | 北京航空航天大学 | 一种基于选择性集成学习的旋转机械故障诊断方法 |
CN109061537A (zh) * | 2018-08-23 | 2018-12-21 | 重庆大学 | 基于观测器的电动车辆锂离子电池传感器故障诊断方法 |
CN109283562A (zh) * | 2018-09-27 | 2019-01-29 | 北京邮电大学 | 一种车联网中车辆三维定位方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114200841A (zh) * | 2021-12-13 | 2022-03-18 | 电子科技大学 | 一种基于模糊反步的网联汽车系统安全控制方法 |
CN114200841B (zh) * | 2021-12-13 | 2023-05-23 | 电子科技大学 | 一种基于模糊反步的网联汽车系统安全控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110018678B (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104536435B (zh) | 一种线控系统网络在线诊断方法 | |
Ganesan et al. | Exploiting consistency among heterogeneous sensors for vehicle anomaly detection | |
CN109067773B (zh) | 一种基于神经网络的车载can网络入侵检测方法及系统 | |
CN107878450A (zh) | 一种基于深度学习的车况智能监测方法 | |
Liu et al. | Intelligent and connected vehicles: Current situation, future directions, and challenges | |
CN108390869A (zh) | 集成深度学习的车载智能网关装置及其命令序列检测方法 | |
KR102190054B1 (ko) | 다중 정보 엔트로피의 비교를 통한 차량 내 외부 데이터 침입 탐지 장치 및 그 동작 방법 | |
CN110723152B (zh) | 一种保障自动驾驶安全的人工智能检测方法、装置、设备或存储介质 | |
WO2020121849A1 (ja) | 判定装置、判定プログラム、判定方法及びニューラルネットワークモデルの生成方法 | |
CN113954870B (zh) | 基于数字孪生技术的自动驾驶车辆行为决策优化系统 | |
CN112825202A (zh) | 使感测系统同步 | |
CN107976934A (zh) | 一种基于无线传感器网络的油罐车油气泄漏速度智能预警系统 | |
CN107065845A (zh) | 基于soeks的智慧车辆知识表示与车辆状态异常的判别方法 | |
CN110018678A (zh) | 一种网联汽车控制系统的故障诊断方法 | |
CN116109188A (zh) | 自动驾驶车辆的安全评估方法、存储介质及电子设备 | |
CN113079167B (zh) | 一种基于深度强化学习的车联网入侵检测方法及系统 | |
CN109886439A (zh) | 电控车辆远程诊断系统及其诊断方法 | |
CN112506075B (zh) | 基于tpzn的智能网联汽车系统协同控制方法 | |
CN117644880A (zh) | 一种面向智能网联汽车的融合安全防护系统及控制方法 | |
CN117376920A (zh) | 智能网联汽车网络攻击检测、安全状态估计及控制方法 | |
EP2754141A1 (de) | Verfahren zum betreiben eines fahrzeuges | |
KR102006755B1 (ko) | 정보 엔트로피의 비교를 통한 차량 내 외부 데이터 침입 탐지 장치 및 그 동작 방법 | |
Yang et al. | Risk assessment for connected vehicles under stealthy attacks on vehicle-to-vehicle networks | |
Ding et al. | A deep learning based traffic state estimation method for mixed traffic flow environment | |
Sabaliauskaite et al. | Integrating autonomous vehicle safety and security |
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 |