CN111123226A - 一种车辆雷达异常检测的方法和相关装置 - Google Patents
一种车辆雷达异常检测的方法和相关装置 Download PDFInfo
- Publication number
- CN111123226A CN111123226A CN201911370727.8A CN201911370727A CN111123226A CN 111123226 A CN111123226 A CN 111123226A CN 201911370727 A CN201911370727 A CN 201911370727A CN 111123226 A CN111123226 A CN 111123226A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- data
- relative
- vehicle radar
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种车辆雷达异常检测的方法和相关装置,该方法包括:获取车辆雷达检测到的车辆与周围物体的相对数据;将相对数据输入对应的异常检测模型,获得异常检测模型的输出异常累计次数;若输出异常累计次数满足预设异常条件,确定车辆雷达异常。由此可见,预先构建异常检测模型用于确定车辆雷达检测到的车辆与周围物体的相对数据是否异常,并记录异常检测模型的输出异常累计次数,通过输出异常累计次数和预设异常条件衡量车辆雷达是否异常,实现车辆雷达异常检测,能够及时发现车辆雷达异常以便及时维修,从而提高车辆驾驶的安全性;且该车辆雷达异常检测的方法简单可行易实现,具有普适性。
Description
技术领域
本申请涉及检测技术领域,尤其涉及一种车辆雷达异常检测的方法和相关装置。
背景技术
随着科技的快速发展,车辆上一般装载雷达,例如毫米波雷达,称为车辆雷达。在车辆驾驶领域中,尤其是车辆无人驾驶领域,车辆雷达需要检测车辆与周围物体的相对数据,以便基于该相对数据控制车辆驾驶。
但是,发明人经过研究发现,现有技术中无法通过车辆雷达检测到的数据检测车辆雷达是否异常,则无法保障车辆雷达检测到的车辆与周围物体的相对数据是否正确有效,进而影响车辆驾驶的安全性。
发明内容
有鉴于此,本申请实施例提供一种车辆雷达异常检测的方法和相关装置,实现车辆雷达异常检测,能够及时发现车辆雷达异常以便及时维修,从而提高车辆驾驶的安全性;且该车辆雷达异常检测的方法简单可行易实现,具有普适性。
第一方面,本申请实施例提供了一种车辆雷达异常检测的方法,该方法包括:
获取车辆雷达检测到的车辆与周围物体的相对数据;
将相对数据输入对应的异常检测模型,获得异常检测模型的输出异常累计次数;
若输出异常累计次数满足预设异常条件,确定车辆雷达异常。
可选的,所述异常检测模型是基于相对数据样本和对应的预设算法预先构建的。
可选的,所述预设算法包括DBSCAN算法。
可选的,所述相对数据包括至少一种以下数据:
相对距离数据、相对速度数据和相对角度数据;
其中,所述相对距离数据对应的异常检测模型为距离异常检测模型;所述相对速度数据对应的异常检测模型为速度异常检测模型;所述相对角度数据对应的异常检测模型为角度异常检测模型。
可选的,若所述相对数据为所述相对距离数据、相对速度数据或相对角度数据,所述输出异常累计次数为一个输出异常累计次数,所述预设异常条件为输出异常累计次数大于等于预设累计次数。
可选的,所述相对数据包括相对距离数据、相对速度数据和相对角度数据中的多种,所述输出异常累计次数为多个输出异常累计次数,所述预设异常条件为任意一个或多个输出异常累计次数大于等于预设累计次数。
可选的,在所述确定所述车辆雷达异常之后,还包括:
通过预设提示方式提示所述车辆雷达异常。
第二方面,本申请实施例提供了一种车辆雷达异常检测的装置,该装置包括:
获取单元,用于获取车辆雷达检测到的车辆与周围物体的相对数据;
获得单元,用于将所述相对数据输入对应的异常检测模型,获得所述异常检测模型的输出异常累计次数;
确定单元,用于若所述输出异常累计次数满足预设异常条件,确定所述车辆雷达异常。
第三方面,本申请实施例提供了一种终端设备,该终端设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行上述第一方面任一项所述的车辆雷达异常检测的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质用于存储程序代码,所述程序代码用于执行上述第一方面任一项所述的车辆雷达异常检测的方法。
与现有技术相比,本申请至少具有以下优点:
采用本申请实施例的技术方案,首先,获取车辆雷达检测到的车辆与周围物体的相对数据;然后,将相对数据输入对应的异常检测模型,获得异常检测模型的输出异常累计次数;最后,若输出异常累计次数满足预设异常条件,确定车辆雷达异常。由此可见,预先构建异常检测模型用于确定车辆雷达检测到的车辆与周围物体的相对数据是否异常,并记录异常检测模型的输出异常累计次数,通过输出异常累计次数和预设异常条件衡量车辆雷达是否异常,实现车辆雷达异常检测,能够及时发现车辆雷达异常以便及时维修,从而提高车辆驾驶的安全性;且该车辆雷达异常检测的方法简单可行易实现,具有普适性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例中一种应用场景所涉及的系统框架示意图;
图2为本申请实施例提供的一种车辆雷达异常检测的方法的流程示意图;
图3为本申请实施例提供的另一种车辆雷达异常检测的方法的流程示意图;
图4为本申请实施例提供的一种车辆雷达异常检测的装置的结构示意图。
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,显然,所描述的实施例仅是本申请一部分实施例,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。
在车辆驾驶领域中,尤其是车辆无人驾驶领域,车辆雷达需要检测车辆与周围物体的相对数据,以便基于该相对数据控制车辆驾驶。但是,发明人经过研究发现,现有技术中无法通过车辆雷达检测到的数据检测车辆雷达是否异常,则无法保障车辆雷达检测到的车辆与周围物体的相对数据是否正确有效,进而影响车辆驾驶的安全性。
为了解决这一问题,在本申请实施例中,获取车辆雷达检测到的车辆与周围物体的相对数据;将相对数据输入对应的异常检测模型,获得异常检测模型的输出异常累计次数;若输出异常累计次数满足预设异常条件,确定车辆雷达异常。由此可见,预先构建异常检测模型用于确定车辆雷达检测到的车辆与周围物体的相对数据是否异常,并记录异常检测模型的输出异常累计次数,通过输出异常累计次数和预设异常条件衡量车辆雷达是否异常,实现车辆雷达异常检测,能够及时发现车辆雷达异常以便及时维修,从而提高车辆驾驶的安全性;且该车辆雷达异常检测的方法简单可行易实现,具有普适性。
举例来说,本申请实施例的场景之一,可以是应用到如图1所示的场景中,该场景包括车辆雷达101和服务器102,车辆雷达101检测车辆与周围物体的相对数据,并将其发送至服务器102以请求服务器102检测车辆雷达101是否异常;若服务器102采用本申请实施例的实施方式确定车辆雷达101异常,可以通过预设提示方式提示车辆雷达101异常。
可以理解的是,在上述应用场景中,虽然将本申请实施方式的动作描述由服务器102执行,但是,本申请在执行主体方面不受限制,只要执行了本申请实施方式所公开的动作即可。
可以理解的是,上述场景仅是本申请实施例提供的一个场景示例,本申请实施例并不限于此场景。
下面结合附图,通过实施例来详细说明本申请实施例中车辆雷达异常检测的方法和相关装置的具体实现方式。
示例性方法
参见图2,示出了本申请实施例中一种车辆雷达异常检测的方法的流程示意图。在本实施例中,所述方法例如可以包括以下步骤:
步骤201:获取车辆雷达检测到的车辆与周围物体的相对数据。
需要说明的是,在车辆驾驶过程中,车辆雷达用于检测车辆与周围物体的相对数据,基于该相对数据可以控制车辆驾驶。由于现有技术无法通过车辆雷达检测到的数据检测车辆雷达是否异常,从而无法保障车辆雷达检测到的车辆与周围物体的相对数据是否正确有效,进而影响车辆驾驶的安全性。因此,在本申请实施例中,考虑通过对车辆雷达检测到的车辆与周围物体的相对数据进行检测,以便实现车辆雷达是否异常的检测,及时发现车辆雷达异常以便及时维修,从而提高车辆驾驶的安全性。基于此,本申请实施例首先需要获取车辆雷达检测到的车辆与周围物体的相对数据,以便后续对相对数据进行检测。
其中,在实际车辆驾驶应用中,车辆雷达一般用于检测车辆与周围物体的相对距离数据、相对速度数据和相对角度数据,则步骤201需要获取相对距离数据、相对速度数据和相对角度数据三种数据的任意一种或多种,作为车辆与周围物体的相对数据,以便后续检测实现车辆雷达是否异常的检测。因此,在本申请实施例一种可选的实施方式中,所述相对数据包括至少一种以下数据:相对距离数据、相对速度数据和相对角度数据。
步骤202:将相对数据输入对应的异常检测模型,获得异常检测模型的输出异常累计次数。
需要说明的是,当车辆雷达正常时,车辆雷达检测到的车辆与周围物体的相对数据也正常;当当车辆雷达异常时,车辆雷达检测到的车辆与周围物体的相对数据也异常。因此,在本申请实施例中,基于相对数据样本和对应的预设算法预先构建异常检测模型,异常检测模型与相对数据相对应;在步骤201获取相对数据后,将相对数据输入对应的异常检测模型,即可检测得到相对数据是否异常;对于异常检测模型而言,需要记录其输出为异常的累计次数,作为异常检测模型的输出异常累计次数,即,每次异常检测模型输出为异常,则异常检测模型的输出异常累计次数加1。
其中,上述构建异常检测模型的预设算法例如可以为DBSCAN算法。DBSCAN算法(Density-Based Spatial Clustering of Applications with Noise算法)是一个比较有代表性的基于密度的聚类算法,它与划分和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类,即,DBSCAN算法的显著优点是聚类速度快且能够有效处理噪声点和发现任意形状的空间聚类。因此,在本申请实施例一种可选的实施方式中,所述预设算法包括DBSCAN算法。
需要说明的是,由于相对数据包括相对距离数据、相对速度数据和相对角度数据三种数据的任意一种或多种,其中,相对距离数据、相对速度数据和相对角度数据分别对应不同的异常检测模型;因此,在本申请实施例一种可选的实施方式中,所述相对距离数据对应的异常检测模型为距离异常检测模型;所述相对速度数据对应的异常检测模型为速度异常检测模型;所述相对角度数据对应的异常检测模型为角度异常检测模型。
步骤203:若输出异常累计次数满足预设异常条件,确定车辆雷达异常。
需要说明的是,针对输出异常累计次数,预先设定一个异常条件作为预设异常条件,用于判断输出异常累计次数满足与否,从而确定车辆雷达是否异常。具体地,当输出异常累计次数满足预设异常条件,即可确定车辆雷达确实异常。
需要说明的是,当相对数据仅为相对距离数据、相对速度数据和相对角度数据一种数据时,相对数据对应的异常检测模型也仅为一个,输出异常累计次数也仅为一个输出异常累计次数,一般地,只要该输出异常累计次数大于等于预设累计次数,即表示确定车辆雷达异常。因此,在本申请实施例一种可选的实施方式中,若所述相对数据为所述相对距离数据、相对速度数据或相对角度数据,所述输出异常累计次数为一个输出异常累计次数,所述预设异常条件为输出异常累计次数大于等于预设累计次数。
需要说明的是,当相对数据为相对距离数据、相对速度数据和相对角度数据多种数据时,相对数据对应的异常检测模型也为多种,输出异常累计次数也为多个输出异常累计次数,最大范围情况下,当多个输出异常累计次数中任意一个或多个输出异常累计次数大于等于预设累计次数,即表示确定车辆雷达异常。因此,在本申请实施例一种可选的实施方式中,所述相对数据包括相对距离数据、相对速度数据和相对角度数据中的多种,所述输出异常累计次数为多个输出异常累计次数,所述预设异常条件为任意一个或多个输出异常累计次数大于等于预设累计次数。
针对上述说明,更优选地,当多个输出异常累计次数中至少两个输出异常累计次数均大于等于预设累计次数,才确定车辆雷达异常。该方式相较于上述最大范围情况,车辆雷达异常检测的准确性更高,尽量避免车辆雷达异常检测出现错误的情况。
需要说明的是,在确定车辆雷达异常后,需要及时提示车辆雷达异常,以便能够及时维修车辆雷达异常,提高车辆驾驶的安全性。具体地,预先设定车辆雷达异常的提示方式作为预设提示方式,在确定车辆雷达异常后,即可通过预设提示方式提示车辆雷达异常。因此,在本申请实施例一种可选的实施方式中,在所述步骤203之后,例如还可以包括该步骤:通过预设提示方式提示所述车辆雷达异常。
还需要说明的是,本申请实施例中,并不限定预设提示方式的具体提示方式,例如可以为声音提示方式和/或显示提示方式等等。例如,在确定车辆雷达异常后,通过预设蜂鸣声音提示车辆雷达异常;又如,在确定车辆雷达异常后,通过播报“车辆雷达异常”声音提示车辆雷达异常;再如,在确定车辆雷达异常后,通过点亮车辆雷达异常指示灯提示车辆雷达异常;还如,在确定车辆雷达异常后,通过显示屏幕显示“车辆雷达异常”提示车辆雷达异常等等。
通过本实施例提供的各种实施方式,首先,获取车辆雷达检测到的车辆与周围物体的相对数据;然后,将相对数据输入对应的异常检测模型,获得异常检测模型的输出异常累计次数;最后,若输出异常累计次数满足预设异常条件,确定车辆雷达异常。由此可见,预先构建异常检测模型用于确定车辆雷达检测到的车辆与周围物体的相对数据是否异常,并记录异常检测模型的输出异常累计次数,通过输出异常累计次数和预设异常条件衡量车辆雷达是否异常,实现车辆雷达异常检测,能够及时发现车辆雷达异常以便及时维修,从而提高车辆驾驶的安全性;且该车辆雷达异常检测的方法简单可行易实现,具有普适性。
下面结合附图3,在上述方法实施例的基础上,以相对数据包括相对距离数据、相对速度数据和相对角度数据为例等,参见图3,示出了本申请实施例中另一种车辆雷达异常检测的方法的流程示意图。在本实施例中,所述方法例如可以包括以下步骤:
步骤301:获取车辆雷达检测到的车辆与周围物体的相对距离数据、相对速度数据和相对角度数据。
步骤302:将相对距离数据输入对应的距离异常检测模型,获得距离异常检测模型的输出异常累计次数;将相对速度数据输入对应的速度异常检测模型,获得速度异常检测模型的输出异常累计次数;将相对角度数据输入对应的角度异常检测模型,获得角度异常检测模型的输出异常累计次数。
步骤303:若距离异常检测模型的输出异常累计次数、速度异常检测模型的输出异常累计次数和角度异常检测模型的输出异常累计次数满足至少两个输出异常累计次数均大于等于预设累计次数,确定车辆雷达异常。
步骤304:通过预设提示方式提示车辆雷达异常。
通过本实施例提供的各种实施方式,预先构建距离异常检测模型、速度异常检测模型和角度异常检测模型分别用于确定车辆雷达检测到的车辆与周围物体的相对距离数据、相对速度数据和相对角度数据是否异常,并分别记录距离异常检测模型、速度异常检测模型和角度异常检测模型的输出异常累计次数,通过三个输出异常累计次数和预设异常条件衡量车辆雷达是否异常,实现车辆雷达异常检测,能够及时发现车辆雷达异常以便及时维修,从而提高车辆驾驶的安全性;且该车辆雷达异常检测的方法简单可行易实现,具有普适性。
示例性装置
参见图4,示出了本申请实施例中一种车辆雷达异常检测的装置的结构示意图。在本实施例中,所述装置例如具体可以包括:
获取单元401,用于获取车辆雷达检测到的车辆与周围物体的相对数据;
获得单元402,用于将所述相对数据输入对应的异常检测模型,获得所述异常检测模型的输出异常累计次数;
确定单元403,用于若所述输出异常累计次数满足预设异常条件,确定所述车辆雷达异常。
在本申请实施例一种可选的实施方式中,所述异常检测模型是基于相对数据样本和对应的预设算法预先构建的。
在本申请实施例一种可选的实施方式中,所述预设算法包括DBSCAN算法。
在本申请实施例一种可选的实施方式中,所述相对数据包括至少一种以下数据:
相对距离数据、相对速度数据和相对角度数据;
其中,所述相对距离数据对应的异常检测模型为距离异常检测模型;所述相对速度数据对应的异常检测模型为速度异常检测模型;所述相对角度数据对应的异常检测模型为角度异常检测模型。
在本申请实施例一种可选的实施方式中,若所述相对数据为所述相对距离数据、相对速度数据或相对角度数据,所述输出异常累计次数为一个输出异常累计次数,所述预设异常条件为输出异常累计次数大于等于预设累计次数。
在本申请实施例一种可选的实施方式中,所述相对数据包括相对距离数据、相对速度数据和相对角度数据中的多种,所述输出异常累计次数为多个输出异常累计次数,所述预设异常条件为任意一个或多个输出异常累计次数大于等于预设累计次数。
在本申请实施例一种可选的实施方式中,所述装置还包括:
提示单元,用于通过预设提示方式提示所述车辆雷达异常。
通过本实施例提供的各种实施方式,车辆雷达异常检测的装置包括获取单元、获得单元和确定单元,获取单元用于获取车辆雷达检测到的车辆与周围物体的相对数据;获得单元用于将相对数据输入对应的异常检测模型,获得异常检测模型的输出异常累计次数;确定单元用于若输出异常累计次数满足预设异常条件,确定车辆雷达异常。由此可见,预先构建异常检测模型用于确定车辆雷达检测到的车辆与周围物体的相对数据是否异常,并记录异常检测模型的输出异常累计次数,通过输出异常累计次数和预设异常条件衡量车辆雷达是否异常,实现车辆雷达异常检测,能够及时发现车辆雷达异常以便及时维修,从而提高车辆驾驶的安全性;且该车辆雷达异常检测的方法简单可行易实现,具有普适性。
此外,本申请实施例还提供了一种终端设备,该终端设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行上述方法实施例所述的车辆雷达异常检测的方法。
另外,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质用于存储程序代码,所述程序代码用于执行上述方法实施例所述的车辆雷达异常检测的方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
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。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,仅是本申请的较佳实施例而已,并非对本申请作任何形式上的限制。虽然本申请已以较佳实施例揭露如上,然而并非用以限定本申请。任何熟悉本领域的技术人员,在不脱离本申请技术方案范围情况下,都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本申请技术方案的内容,依据本申请的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本申请技术方案保护的范围内。
Claims (10)
1.一种车辆雷达异常检测的方法,其特征在于,包括:
获取车辆雷达检测到的车辆与周围物体的相对数据;
将相对数据输入对应的异常检测模型,获得异常检测模型的输出异常累计次数;
若输出异常累计次数满足预设异常条件,确定车辆雷达异常。
2.根据权利要求1所述的方法,其特征在于,所述异常检测模型是基于相对数据样本和对应的预设算法预先构建的。
3.根据权利要求2所述的方法,其特征在于,所述预设算法包括DBSCAN算法。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述相对数据包括至少一种以下数据:
相对距离数据、相对速度数据和相对角度数据;
其中,所述相对距离数据对应的异常检测模型为距离异常检测模型;所述相对速度数据对应的异常检测模型为速度异常检测模型;所述相对角度数据对应的异常检测模型为角度异常检测模型。
5.根据权利要求4所述的方法,其特征在于,若所述相对数据为所述相对距离数据、相对速度数据或相对角度数据,所述输出异常累计次数为一个输出异常累计次数,所述预设异常条件为输出异常累计次数大于等于预设累计次数。
6.根据权利要求4所述的方法,其特征在于,所述相对数据包括相对距离数据、相对速度数据和相对角度数据中的多种,所述输出异常累计次数为多个输出异常累计次数,所述预设异常条件为任意一个或多个输出异常累计次数大于等于预设累计次数。
7.根据权利要求1所述的方法,其特征在于,在所述确定所述车辆雷达异常之后,还包括:
通过预设提示方式提示所述车辆雷达异常。
8.一种车辆雷达异常检测的装置,其特征在于,包括:
获取单元,用于获取车辆雷达检测到的车辆与周围物体的相对数据;
获得单元,用于将所述相对数据输入对应的异常检测模型,获得所述异常检测模型的输出异常累计次数;
确定单元,用于若所述输出异常累计次数满足预设异常条件,确定所述车辆雷达异常。
9.一种终端设备,其特征在于,所述终端设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-7任一项所述的车辆雷达异常检测的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-7任一项所述的车辆雷达异常检测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911370727.8A CN111123226A (zh) | 2019-12-26 | 2019-12-26 | 一种车辆雷达异常检测的方法和相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911370727.8A CN111123226A (zh) | 2019-12-26 | 2019-12-26 | 一种车辆雷达异常检测的方法和相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111123226A true CN111123226A (zh) | 2020-05-08 |
Family
ID=70503438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911370727.8A Pending CN111123226A (zh) | 2019-12-26 | 2019-12-26 | 一种车辆雷达异常检测的方法和相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111123226A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016118906A (ja) * | 2014-12-19 | 2016-06-30 | 株式会社デンソー | 異常検出装置 |
US20170339401A1 (en) * | 2016-05-20 | 2017-11-23 | Rohm Co., Ltd. | Image monitoring apparatus, image display system, and vehicle |
CN108717496A (zh) * | 2018-05-22 | 2018-10-30 | 北京无线电测量研究所 | 雷达天线阵面故障检测方法及系统 |
CN110113226A (zh) * | 2019-04-16 | 2019-08-09 | 新华三信息安全技术有限公司 | 一种检测设备异常的方法及装置 |
CN110383102A (zh) * | 2017-03-07 | 2019-10-25 | 三菱电机株式会社 | 故障检测装置、故障检测方法及故障检测程序 |
-
2019
- 2019-12-26 CN CN201911370727.8A patent/CN111123226A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016118906A (ja) * | 2014-12-19 | 2016-06-30 | 株式会社デンソー | 異常検出装置 |
US20170339401A1 (en) * | 2016-05-20 | 2017-11-23 | Rohm Co., Ltd. | Image monitoring apparatus, image display system, and vehicle |
CN110383102A (zh) * | 2017-03-07 | 2019-10-25 | 三菱电机株式会社 | 故障检测装置、故障检测方法及故障检测程序 |
CN108717496A (zh) * | 2018-05-22 | 2018-10-30 | 北京无线电测量研究所 | 雷达天线阵面故障检测方法及系统 |
CN110113226A (zh) * | 2019-04-16 | 2019-08-09 | 新华三信息安全技术有限公司 | 一种检测设备异常的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107871190B (zh) | 一种业务指标监控方法及装置 | |
CN107291911B (zh) | 一种异常检测方法和装置 | |
CN106104496B (zh) | 用于任意时序的不受监督的异常检测 | |
US20180257663A1 (en) | Method and apparatus for monitoring an on-vehicle controller | |
EP2917653B1 (en) | A device and method for dynamically measuring an enviromental quality factor. | |
CN112346941A (zh) | 一种故障诊断方法及装置 | |
US10101244B2 (en) | Self-learning simulation environments | |
US10424132B2 (en) | Vehicle component failure prevention | |
US20160255109A1 (en) | Detection method and apparatus | |
CN111339074A (zh) | 阈值生成方法、装置、设备和存储介质 | |
CN108306997B (zh) | 域名解析监控方法及装置 | |
US20130173215A1 (en) | Adaptive trend-change detection and function fitting system and method | |
US7949497B2 (en) | Machine condition monitoring using discontinuity detection | |
CN106052847A (zh) | 对具有旋转的机器组件的机器的监控 | |
CN117466153B (zh) | 故障检测方法、装置、计算机设备和可读存储介质 | |
CN116448219B (zh) | 油位异常检测方法、装置、设备及计算机可读存储介质 | |
CN116743637B (zh) | 一种异常流量的检测方法、装置、电子设备及存储介质 | |
CN111123226A (zh) | 一种车辆雷达异常检测的方法和相关装置 | |
US20230246935A1 (en) | Detecting behavioral change of iot devices using novelty detection based behavior traffic modeling | |
CN107783942B (zh) | 一种异常行为检测方法及装置 | |
KR101823387B1 (ko) | 이기종 센서를 이용한 고 신뢰 센서 융합 장치 및 그 방법 | |
EP3457609B1 (en) | System and method for computing of anomalies based on frequency driven transformation and computing of new features based on point anomaly density | |
US11228606B2 (en) | Graph-based sensor ranking | |
CN117693747A (zh) | 多变量异常检测中信号跟随的被动推断 | |
JP7095443B2 (ja) | 異常検知プログラム、異常検知方法及び異常検知装置 |
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 |