CN111511622A - 以编程方式识别自主车辆的个性 - Google Patents
以编程方式识别自主车辆的个性 Download PDFInfo
- Publication number
- CN111511622A CN111511622A CN201880082399.9A CN201880082399A CN111511622A CN 111511622 A CN111511622 A CN 111511622A CN 201880082399 A CN201880082399 A CN 201880082399A CN 111511622 A CN111511622 A CN 111511622A
- Authority
- CN
- China
- Prior art keywords
- autonomous vehicle
- data
- personality
- autonomous
- processor
- 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
- 238000000034 method Methods 0.000 claims abstract description 266
- 239000013598 vector Substances 0.000 claims abstract description 34
- 230000004044 response Effects 0.000 claims abstract description 10
- 230000008439 repair process Effects 0.000 claims description 44
- 230000000694 effects Effects 0.000 claims description 28
- 230000001788 irregular Effects 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 7
- 238000003058 natural language processing Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 29
- 238000012545 processing Methods 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 14
- 230000003993 interaction Effects 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000008451 emotion Effects 0.000 description 7
- 230000007704 transition Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 239000000446 fuel Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 239000002826 coolant Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 208000025967 Dissociative Identity disease Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000002147 killing effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/045—Combinations of 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
公开了用于向自主车辆分配个性的系统和方法。在一个实施例中,公开了一种方法,所述方法包括:从自主车辆接收数据;基于所述数据生成表示所述自主车辆的向量;将所述向量分类为一或多个个性;接收来自用户的搜索查询;响应于所述搜索查询基于分配给一或多个自主车辆的个性来识别所述一或多个自主车辆,所述一或多个自主车辆包含所述自主车辆;以及将所述一或多个自主车辆发送给所述用户。
Description
相关申请案
本申请要求于2017年12月21日提交的标题为“Programmatically Identifying aPersonality of an Autonomous Vehicle(以编程方式识别自主车辆的个性)”美国专利申请第15/851,730号的权益,该申请的全部公开内容通过引用并入本文。
版权通知
本申请包含可能受到版权保护的材料。版权所有者不反对任何人对专利公开内容进行复制,因为它出现在专利商标局的文件或记录中,但是无论如何都保留所有版权权利。
背景技术
所公开的实施例针对为自主车辆生成个性,并且具体地针对使用自动模型来识别个性。
对非自主车辆进行了重要的分析。许多网站、应用和服务跟踪关于非自主车辆的细节,诸如里程、修理、事故和其它细节(包含相对一般的细节,诸如帐面价值)。
尽管这些应用提供了有关车辆的高级信息,但是它们并没有利用自主车辆生成的大量数据。具体地,当前系统仍然保留用于非自主车辆的相同分类和数据分析例程。当前系统通常缺乏用于处理由自主车辆生成的大量数据的任何技术方案。另外,还没有明确的技术方案将原始自主车辆数据转换为有意义的度量。
除了这些限制之外,自主车辆对机器学习的使用导致了自主车辆的操作之间存在差异。具体地,随着自主车辆系统“学习”如何在各种环境下运行,每辆自主车辆都可能具有独特的“个性”。即,某些自主车辆可以以特定方式响应某些环境。识别此些个性的挑战在于表示个性的原始数据是高度非结构化的。
因此,在本领域中需要用于首先解析由自主车辆产生的大量原始数据以便生成有意义的统计信息的系统和方法。数据的最小化使得能够使用机器学习技术适当地处理代表性统计信息。另外,在本领域中存在对机器学习系统的需求,该机器学习系统可以基于聚集在大量自主车辆上的以往性能来预测自主车辆的个性。
发明内容
所公开的实施例通过提供用于智能地将个性分配给自主车辆的系统和方法来解决上述问题。
所公开的实施例描述了用于从各个自主车辆接收原始自主车辆数据的系统和方法。所公开的实施例进一步描述了用于解析该数据以生成自主车辆对象的特定技术,该自主车辆对象表示限定自主车辆的操作特性的总的统计信息。
根据这些总的统计信息,所公开的实施例描述了用于生成一或多个代表性个性以对给定自主车辆进行分类的技术。在一个实施例中,公开了用于将自主车辆对象与一组个性规则相匹配的特定技术。在另一实施例中,公开了一种机器学习和自然语言处理流水线,其首先将一组自主车辆对象聚类为相关子集。然后(使用第三方文本数据)分析每个子集,以基于情感分析自动地表明个性识别符。在对聚类进行分类之后,每个自主车辆对象被用作机器学习系统的训练数据,以便生成可用于未来自主车辆的广义个性模型。
以下具体描述描述了这些操作的特定技术实施方式。
附图说明
从如附图中所示的实施例的以下描述中,本公开的前述和其它目的、特征和优点将变得显而易见,在附图中,附图标记在各个附图中始终指代相同部件。附图不必按比例绘制,而是将重点放在说明本公开的原理上。
图1是示出根据本公开的一些实施例的用于响应于个性搜索查询来生成自主车辆个性并识别车辆的方法的流程图。
图2A是示出根据本公开的一些实施例的用于更新自主车辆组件统计信息的方法的流程图。
图2B是示出根据本公开的一些实施例的用于更新自主车辆速度统计信息的方法的流程图。
图2C是示出根据本公开的一些实施例的用于更新自主车辆决策统计信息的方法的流程图。
图2D是示出根据本公开的一些实施例的用于更新自主车辆路线效率统计信息的方法的流程图。
图2E是示出根据本公开的一些实施例的用于更新自主车辆成本效率统计信息的方法的流程图。
图2F是示出根据本公开的一些实施例的用于更新自主车辆非常规活动统计信息的方法的流程图。
图3A是示出根据本公开的一些实施例的用于生成自主车辆个性的方法的流程图。
图3B是示出根据本公开的一些实施例的用于使用机器学习算法生成自主车辆个性的方法的流程图。
图4是根据本公开的一些实施例的自主车辆的框图。
图5是根据本公开的一些实施例的集中式自主车辆操作系统的框图。
具体实施方式
图1是示出根据本公开的一些实施例的用于响应于个性搜索查询来生成自主车辆个性并识别车辆的方法的流程图。
在步骤102中,该方法接收自主车辆数据。
在一个实施例中,自主车辆数据包括与自主车辆的操作有关的任何数据。自主车辆数据的实例包括诸如以下的数据:自主车辆速度的记录、对车辆执行的修理、故障或其它自主车辆组件问题、所采取的路线、在事故之前发出的命令的日志、车辆产生的成本、自主车辆产生的收入(例如,如果自主车辆是保洁车辆)以及与自主车辆的操作有关的任何其它类型的数据(包含车辆传感器产生的任何数据)。
在一个实施例中,自主车辆数据包括与自主车辆相关联的低级控制数据。例如,自主车辆数据可以包括GPS接收机的多个GPS读数的精度。作为另一实例,自主车辆数据可以包括在给定时间段内发送到变速器控制单元(TCU)或发动机控制单元(ECU)的一系列命令。
在一个实施例中,该方法实时接收自主车辆数据。在其它实施例中,该方法接收自主车辆作为批量上载过程的一部分。
在一个实施例中,该方法直接从车辆接收自主车辆数据。在其它实施例中,该方法可以从自主车辆制造商接收自主车辆数据。
如下面将更详细地描述的,该方法接收的自主车辆数据包括低级控制数据并且不包含任何相关数据。即,自主车辆数据不包含基于基础自主车辆数据作出的结果或判定。
在一个实施例中,该方法在步骤102中接收的数据的每一项与自主车辆相关联。在一个实施例中,该关联包含自主车辆的制造、型号和年份。可替换地,或者结合前述内容,该关联可以包含关于对自主车辆的基本型号的各种选项或修改的细节。在一些实施例中,该方法存储已知自主车辆和自主车辆细节的数据库。在该实施例中,该方法可以仅在步骤102中接收自主车辆标识。
在步骤104中,该方法更新与车辆相关联的自主车辆统计信息。
在初始状态中,给定的自主车辆可以不与任何统计信息相关联。在这种状态下,车辆仅与自主车辆的品牌、型号、年份和对基本型号的任何修改相关联。
当该方法接收自主车辆数据时,该方法更新与车辆相关联的统计信息。在图2A至2F的描述中描述了用于更新自主车辆统计信息的实例技术的细节,其细节通过引用整体并入本文。
所说明的方法可在个体基础上或在类别基础上操作。使用个体基础,该方法可以更新特定自主车辆(例如,具有车辆标识号的特定车辆)的自主车辆统计信息。使用类别基础,该方法可以更新针对一类自主车辆(例如,特定的品牌、型号或年份)的自主车辆统计信息。在一些实施例中,该方法可以进一步基于组件来操作。在该实施例中,当接收到数据时,可以更新自主车辆的特定子系统的统计信息。例如,自主车辆的操作系统和自主车辆的变速器模型可以用作与统计信息相关联的实体。
作为实例,个体自主车辆可以表示如下:
在该实例中,“2017CarCo X1”的统计信息为空。
随后,该方法可以接收车辆的速度数据:
尽管时间戳是示范性的,但是速度数据表示自主车辆随时间的速度。在一个实施例中,该方法可以将速度数据存储在自主车辆对象的统计信息字段中。然而,全部速度数据的存储可能是低效的并且对于进一步处理是不必要的。因此,在另一实施例中,该方法可以从原始速度数据中提取关键度量标准。在该实例中,时间0001到0002表示逐渐的速度增加,而时间0003到0004和时间0009到0010表示快速加速。类似地,时间0015到0017表示快速减速。因此,该方法可以使用滑动窗口来分析速度数据以识别快速加速或减速。因此,使用上述速度数据作为实例,该方法可以如下更新自主车辆统计信息:
在一些实施例中,该方法可以另外存储自主车辆的总驱动时间(3,600,000毫秒,或1小时),以便在上下文中进行加速和减速。
继续该实例,该方法可以接收关于故障和修理以及其它系统事件的数据:
这里,日志示出了组合传统车载诊断(OBD)数据以及专用于自主车辆的条目的组合日志。通常,该描述对日志数据的特定生成器或其格式没有限制。
在上述日志中,气缸熄火事件被检测四次(0020、0022、0025和0031)。另外,在日志中检测高冷却剂温度警报(0021)、低胎压警报(0023)、高进气温度警报(0024)、不能接合档位警报(0029)、致命操作系统(OS)重启警报(0028)。另外,检测诸如启动日志备份(0030)的非致命条目。该方法另外检测到车辆已维修(0027)并且在0026处冷却剂温度恢复正常。
与速度数据一样,该方法可以基于较低级日志文件合成较高级统计信息。例如,自主车辆对象可以更新为:
这里,“故障”的数量可以对应于任何故障,而不管严重性。在许多情况下,该数量可以人为地很高。因此,该方法可进一步生成致命故障计数以分离那些明显有问题的故障。另外,该方法记录车辆被维修的次数。
作为最后的实例,该方法可以接收在事故之前记录的命令列表:
上述命令日志可以表示在CAN总线上发出并由自主车辆监测的命令。上述命令列表必须是假设的,并且仅为了说明的目的而受到限制。CAN和其它总线命令的具体格式可以变化。
如上所述,在时间0001-1记录位置。在时间0001-2,识别到自主车辆的北方的行人,以每秒1.23米向东移动。在时间0001-3,另一摄像机检测到车辆西北1.2米处的1.2米的未知对象。在时间0001-4,激光雷达传感器检测到行人在1.5米远处,而在时间0001-5,激光雷达传感器检测到未知对象在0.75米远处。在时间0002-1,激光雷达传感器检测到行人在一米远处,并且自主车辆发出命令以驱动方向盘-45度(即,向西)并快速降低速度。在时间0003-1处,日志指示气囊已展开。
值得注意的是,上述日志示出了自主车辆必须确定是转向未知对象还是撞击车辆前方的行人的示范性场景。此些决策对于自主车辆的购买和/或乘客越来越重要。在所示实施例中,该方法分析日志文件以提取关于自主车辆如何响应事故情景的统计信息。因此,该方法可以将自主车辆对象更新为包含:
这里,“事故”统计信息比先前的统计信息更复杂。该方法首先记录涉及自主车辆的事故数量的计数。接着,该方法记录对于每次事故,自主车辆是否选择碰撞行人或自主车辆的驾驶员或操作者。
在步骤106,该方法识别或更新给定车辆的个性。
如本文所使用的,个性是指围绕共同主题相关的车辆统计信息(和/或数据点)的组合。例如,“低维护”个性可以组合所需服务的缺乏、最小数量的故障和最小数量的致命故障。类似地,“经济”个性可以包括大量的收入生成路线(下面讨论),高的汽油里程等级和低的服务。类似地,“安全”个性可以包括驾驶员在事故中不会受伤的高的统计可能性和低的事故数。在一些实施例中,这些实例是“微观个性”的实例。如本文所使用的,微观个性包括包含作为子组件的原始数据度量标准的个性。相反,“宏观个性”是指微观个性的组合。例如,与“经济”个性相结合的“低维护”个性可以包括“预算”自主车辆。
在一些实施例中,可以手动地识别个性。然而,在一些实施例中,可以使用机器学习算法(例如,神经网络或聚类算法)来识别个性。例如,该方法可以利用所生成的自主车辆对象作为聚类系统(例如,k均值聚类算法或神经网络)的训练数据集。在该实施例中,该方法利用机器学习系统来表明在步骤104中生成的各种统计信息之间的连接。
在识别自主车辆对象的相关聚类之后,该方法为每个聚类分配个性。在一些实施例中,该识别可以由人类编辑员执行。然而,为了使该过程自动化,该方法可利用一或多个自然语言处理(NLP)流水线来自动生成个性类型。例如,该方法可以提取聚类中每个自主车辆的品牌、型号和/或年份的列表。该方法然后可以提取与这些自主车辆中的每一个相关联的文本片段。这些文本片段可以包括行业评论、消费者评论以及与聚类中的自主车辆相关联的其它各种自由形式的文本。该方法然后可使用组合的文本片段集来从文本中提取个性类型。例如,许多文本片段可以利用术语“柠檬”,其可以指示聚类的自主车辆应该被分配“柠檬”个性。然后,该方法可以分析聚类的自主车辆对象的属性,以提取共同的或相关的统计信息,并生成将共同的或聚类的统计信息与个性识别符相关联的新个性类型。以这种方式,可以保存个性类型并将其应用于新车辆。
在步骤108中,该方法接收搜索查询。
在一个实施例中,该方法可以向用户提供搜索界面。在第一实施例中,界面可以包括网页。在第二实施例中,界面可以包括移动应用。在这些实施例的每一个中,界面可以被提供为允许用户搜索要购买的自主车辆的应用的一部分。可替换地,或者结合前述内容,界面可以被提供为出租车或乘坐共享应用的一部分。
在每个场景中,用户可以将个性查询输入到界面中。在一个实施例中,界面可提供允许用户选择一或多个个性来搜索的个性下拉列表。在一些实施例中,界面可以允许将个性链接为AND或OR操作。
可替换地,或者结合前述内容,界面可允许明文查询。在该实施例中,该方法可以利用NLP算法来将明文查询与多个个性进行匹配。例如,该方法可以利用NLP语义分析例程来识别查询的情感。然后,该方法可以尝试将该情感匹配到与每个个性相关联的情感。在一些实施例中,作为步骤106的一部分,该方法可生成与用于生成个性类型的文本相关联的情感列表。
在步骤110中,该方法识别响应性个性。
在一个实施例中,该方法明确地识别由先前讨论的下拉菜单所指示的个性。在一些实施例中,该方法可以使用语义分析来识别个性。另外,该方法可以识别宏观个性和微观个性。例如,用户查询可指示宏观个性,并且该方法可识别一或多个微观个性。例如,“安全”宏观个性可被解构成“低维护”和“对驾驶员安全”微观个性。
在步骤112中,该方法对个性进行排名。
在一些实施例中,对个性进行排名可以是任选的。在一个实施例中,该方法可以基于与每个个性相关联的自主车辆的数量来对个性进行排名。可替换地,或者结合前述内容,该方法可以基于与用户搜索查询的对应性来对个性进行排名。例如,当使用NLP技术来预测查询的情感时,每个情感可以与该情感是正确的置信水平相关联。在该实施例中,可以将对情感的置信水平传播到与该情感相关联的任何个性。以这种方式,可以基于相应的情感置信水平对个性进行排名。
在步骤114中,该方法显示已排名的候选个性和/或自主车辆。
在一个实施例中,该方法将已排名的候选显示为网页或移动应用的一部分。例如,该方法可以返回搜索结果页面(SERP),该搜索结果页面显示供用户查看的自主车辆和/或个性的列表。在另一实施例中,该方法可以更新移动应用中的个性和/或自主车辆的列表。在另一实施例中,该方法可以显示与查询匹配的用户附近的自主车辆的列表(在移动应用是出租车或乘坐共享应用的实例中)。
在步骤116中,该方法确定是否执行了用户交互。如果没有检测到交互,则该方法可以继续显示已排名的候选。
可替换地,如果该方法检测到交互,则该方法可以在步骤118中细化搜索查询。
在一个实施例中,交互可以包括用户选择显示在用户设备上的给定自主车辆。在另一实施例中,交互可以包括用户“隐藏”所显示的自主车辆。
在一个实施例中,该方法使用交互来进一步细化个性数据。例如,如果该方法检索“低维护”自主车辆的列表并且用户选择给定的自主车辆,则可以向该方法报告该交互,并且该方法可以增加分配给所选择的自主车辆的个性的置信水平。相反,如果用户“隐藏”给定的自主车辆,则可以降低该自主车辆的个性置信水平。以这种方式,该方法使用用户反馈来进一步细化分类过程。该反馈可以被合并到后续的个性预测迭代中。
除了提供反馈之外,交互可以触发新的搜索查询。在一个实施例中,交互可以包括搜索查询参数(例如,个性)的细化。在该实施例中,该方法可以基于该交互生成新的搜索查询并发出新的搜索查询,重复步骤108至116。
图2A是示出根据本公开的一些实施例的用于更新自主车辆组件统计信息的方法的流程图。
在步骤201中,该方法接收修理和/或故障数据。
如上所述,在一些实施例中,可以从自主车辆自动接收修理和故障数据。在一个实施例中,修理和故障数据包括分别表示由自主车辆执行的维护和检测到的故障的事件列表。在一些实施例中,可以直接从自主车辆接收该数据。可替换地,或者结合前述内容,可以从维护供应商和/或自主车辆制造商接收数据。
在任选的步骤202中,该方法记录自主车辆的修理或故障数据。在该步骤中,该方法可以存储与给定车辆相关联的所有修理和故障数据以供稍后使用。该方法将该数据存储在数据库中,并且不会显著处理该数据。
在步骤203中,该方法更新修理和故障时序参数。
如先前简要讨论的,步骤203中的方法确定修理或故障发生的频率。在一个实施例中,该方法利用预定的窗口长度来检查修理和故障数据。例如,该方法可以为故障设置三天的窗口长度,为修理设置六个月的窗口长度。在另一实施例中,该方法可以选择给定的修复或故障并且识别最近的匹配的修理或故障。例如,在检测到修理时,该方法可以分析自主车辆对象以确定修理最后发生的时间,并使用该最后修理来计算修理之间的平均时间。以这种方式,该方法可以不断地改进修理之间的平均时间。
关于故障,该方法可以选择给定故障并识别与所选择的故障匹配的任何先前故障。如本文所使用的,故障是指自主车辆的任何出故障的组件或系统。
在步骤204中,该方法识别与故障或修理相关联的相关车辆组件。
如先前讨论的,每个日志条目可以识别自主车辆经受修理或正经历故障的特定组件。以这种方式,该方法提取用于进一步处理的组件。
在步骤205中,该方法更新组件统计信息和频率。
使用修理作为第一实例,该方法可以在步骤204中识别到散热器被修理。先前的方法已经确定该散热器被修理了两次:最近一个月修理了一次,两个月前修理了一次。如果车辆运行三个月,则该方法将散热器修理频率设置为每月一次。另外,该方法更新散热器统计信息以指示总共三次修理。
类似地,该方法可以在三个月期间检测多个散热器故障。假设每次修理之前有两个故障,则该方法将散热器故障频率设置为每月两次,并将故障统计设置为六次。
可以针对每次故障和修理并且通过代理针对经受故障或修理的每个组件重复所示方法。以这种方式,上述方法生成自主车辆的全部组件的统计图。在一些实施例中,该方法可以初始化要修理和无故障的组件的列表。因此,自主车辆的组件部分可以表示车辆的每个组件所需的故障和维护的总图像。
可替换地,在一些实施例中,该方法可以进一步为每个故障或修理分配严重性水平。例如,可以为主要的变速器故障和修理分配“致命”严重性水平。类似地,可以为主要操作系统故障分配致命严重性水平。相反地,可以对诸如低风挡刮水器流体之类的微小故障分配非致命严重性水平。在一些实施例中,如果发生多个故障,则可以为给定组件分配多级故障。在一些实施例中,该方法可以对故障水平进行平均,以存储每个组件的平均故障水平。
在一些实施例中,图2A所示的方法的处理结果可以用作训练数据集,以预测将来的故障和/或修理日期。在一些实施例中,可以利用神经网络或马尔可夫模型来对修理和/或故障的时序进行建模。另外,该方法可以利用速度或发动机数据(下文讨论)来改进修理/故障频率的建模。
图2B是示出根据本公开的一些实施例的用于更新自主车辆速度统计信息的方法的流程图。
在步骤211中,该方法接收速度数据。
如上所述,在一些实施例中,可以从自主车辆自动接收速度数据。在一个实施例中,速度数据包括由自主车辆记录的自主车辆的速度列表。在一些实施例中,可以直接从自主车辆接收该数据。可替换地,或者结合前述内容,可以从自主车辆制造商接收数据。
在任选的步骤212中,该方法记录速度数据。在该步骤中,该方法可以存储与给定车辆相关联的全部速度数据以供稍后使用。该方法将该数据存储在数据库中,并且不会显著处理该数据。
在步骤213中,该方法循环访问速度数据并确定是否存在转变。
在一个实施例中,转变包括快速加速或减速。为了检测,该方法可以分析一批速度测量值,并且确定该批值中的速度之间的差是否超过预定阈值,从而指示是快速加速或减速。如果不存在这样的差异,则该方法继续记录速度数据,并循环访问一批测量值。
在步骤214中,如果检测到速度转变,则该方法更新与自主车辆相关联的速度变化曲线。
如前所述,该转变包括快速加速或减速。如果转变是加速,则该方法更新自主车辆的快速加速的计数。如果转变是减速,则该方法更新自主车辆的快速减速的计数。以这种方式,该方法存储超过预定阈值的加速和减速次数的历史记录。
在一些实施例中,该方法可以引入附加的门控函数以限制误肯定的数量。例如,除了速度数据之外,该方法还可以接收传感器记录的日志。在该实例中,该方法可交叉参考速度数据与传感器数据以确定加速或减速是否被保证。例如,该方法可以确定摄像机或雷达/激光雷达传感器是否指示对象被意外地放置在自主车辆的前方。在检测到快速减速与对象的检测一起发生时,在步骤213中检测到的转变可以不理会,因为可以认为减速是必要的。
如上所述,加速和减速的次数可以与图2A中的修理/故障数据结合使用,以改进预测模型,从而确定某些组件何时将经历故障和/或需要修理。作为实例,在没有快速减速的情况下频繁的制动故障/修理的记录可以指示制动系统本身有潜在问题。相反,相关的减速模式可以指示车辆引起潜在的修理/故障。
图2C是示出根据本公开的一些实施例的用于更新自主车辆决策统计信息的方法的流程图。
自主车辆当前面临的最大问题之一是由自主车辆在潜在威胁生命安全的情况下做出的决策。通常,必须作出撞击行人或转向以避让行人的决策,从而可能伤害或杀死自主车辆的乘员。考虑到这一决策的致命后果,缺乏可靠的训练数据进一步加剧了这一问题。
在步骤221中,该方法接收事故数据。
在一些实施例中,事故数据包括在事故之前由自主车辆发出的命令的日志。在一些实施例中,通过触发自主车辆的一或多个碰撞传感器来识别事故。在一些实施例中,事故可以包括在事故之前发生的事件数据的预定窗口(例如,30秒或一分钟)。
在步骤222中,该方法倒回事故。
在一个实施例中,该方法在检测到事故时分析日志数据(例如,指示碰撞传感器被触发的日志条目)。然后,该方法遍历每个先前的日志条目。
在步骤223中,该方法确定是否到达决策点。
在一些实施例中,决策点包括由自主车辆向控制单元发出的意外的命令。在一些实施例中,该方法可以分析日志条目以首先提取转向方向或发动机速度的任何变化,因为此些事件表示自主车辆响应于潜在危险而改变路线。在一些实施例中,速度和/或方向的最后变化可以用作决策点。
然而,在一些实施例中,日志可以包含速度和/或方向的多个变化。在该实施例中,该方法可以存储第一次检测到的速度和方向变化,并继续分析速度或方向的任何先前变化。然后,该方法可以识别显著偏离速度/方向记录日志的速度和/或方向变化。通常,该方法试图隔离与常规速度或常规方向显著不同的速度或方向的变化。
如果没有检测到决策点,则该方法继续遍历事故数据(步骤222)。
在步骤224中,该方法在检测到决策点时对决策点进行分类。
可以使用各种方法来对决策点进行分类。在第一实施例中,车辆根本上改变速度或方向的检测可以指示车辆决定冒着乘员生命与对象或行人碰撞的风险。相反地,不改变速度或方向(或者,仅改变速度)的决策可以指示自主车辆决定冒着与对象/行人碰撞的风险而不是冒着乘员生命的风险。
在更细微的实施例中,该方法可以分析决策点周围的传感器数据。例如,该方法可以分析摄像机和激光雷达/雷达数据以确定在碰撞之前由车辆检测到的对象。在一些实施例中,该数据可以识别由车辆检测到的对象以及它们相对于自主车辆的位置。然后,该方法可以分析速度和方向的变化,以确定如何对决策点进行分类。
在一些实施例中,数据可以指示自主车辆试图将路线改变到空区域(而不是与另一对象碰撞)。在该实施例中,自主车辆决定冒险乘员的生命的风险,然而该风险很小。这与作出与检测到的障碍物或其它对象碰撞的决策相反。在该实施例中,该方法仍然可以将该决策分类为冒着乘员的生命的风险,但是可以将严重性水平分配为低风险。
在步骤225中,该方法更新自主车辆的事故避免趋势。
在一个实施例中,步骤225包括更新车辆经历的事故的计数。另外,该方法可以将车辆冒着乘员生命的危险的实例的数目与冒着与行人或其它对象碰撞的危险的实例的数目制成表格。
在一些实施例中,上述处理不仅可以应用于事故,而且可以应用于自主车辆的整个事件日志。在该实施例中,该方法将倒回日志,以总体上对速度或方向的快速变化进行识别。在该实施例中,碰撞传感器可以不被触发(如果自主车辆避让危险),但是仍然可以用于对由自主车辆做出的决策进行总体分类。例如,响应于检测到的危险而离开道路的决策可以指示冒着乘员生命危险的倾向。以这种方式,该方法可以生成自主车辆冒着乘员生命或安全风险(无论严重程度)与对乘员进行保护的总数。
图2D是示出根据本公开的一些实施例的用于更新自主车辆路线效率统计信息的方法的流程图。
在步骤231中,该方法从自主车辆接收路由信息。
在一个实施例中,当自主车辆计算到终点的路线时,自主车辆可以将路由详情发送到集中式服务器。在一些实施例中,路由信息包含起点、终点、路线步骤和估计行进时间。
在步骤232中,该方法将接收的路由信息与候选路线列表进行比较。
在一个实施例中,该方法使用起点和终点来计算候选路线集。然后,该方法可以将接收的路线中行进的距离或估计行进时间与候选路线的距离/时间进行比较。如果接收路线更长(在距离或持续时间上),则该方法更新自主车辆对象中指示初始路由选择对于候选路线来说效率更低的字段。
在步骤233中,该方法基于步骤232中的比较对自主车辆的初始路线效率进行更新。
在一些实施例中,低效率的度量可以包括接收的路线所需的附加时间和/或距离的指示。例如,如果接收的路线具有1小时的估计行进时间,并且候选路线具有45分钟的估计行进时间。可以将接收的路线的初始效率设置为75%。
在步骤234中,该方法确定自主车辆是否仍然沿着路线行进,该方法在步骤236中接收更新的路线位置。
在一些实施例中,更新的路线位置可以包含当前位置、路由步骤和终点。同样,该方法将该更新的路由信息与一组生成的候选路线进行比较。然后,在步骤233中,当自主车辆沿着路线行进时,该方法对路线效率进行更新。
继续前面的实例,在五分钟过去之后,更新的路线可能有55分钟的时间。作为第一排列,最佳候选路线可以具有40分钟的估计行进时间。在这种情况下,当前路线效率可以计算为72.7%。作为第二排列,最佳候选路线可以具有58分钟的估计行进时间。在这种情况下,当前路线效率优于候选路线,并且该效率可以计算为105%。
在步骤234中,该方法确定路线已经结束。
在步骤235中,该方法计算总路线效率。
在一个实施例中,该方法可以对初始效率和更新后的效率进行平均。在上述第一排列中,总效率为73.9%。在第二排列中,总效率为90%。在一些实施例中,更新后的效率可以被加权为高于初始效率,以强调更新后的路由。
在一个实施例中,可以针对每个唯一路线执行该方法,并且可以对每个唯一路线求平均以获得自主车辆的总体路由效率。在一些实施例中,该方法可以基于路由特性来分割路线。例如,该方法可能放弃交通异常繁忙的路线。作为第二实例,该方法可以将路线分为长行程和短行程。作为第三实例,该方法可以将路线分类为城市路线或国家路线。每个分段路线类型可以与总的路由效率相关联。
图2E是示出根据本公开的一些实施例的用于更新自主车辆成本效率统计信息的方法的流程图。
在步骤241中,该方法接收路由信息和与该路线相关联的成本。
路由信息是结合图2D讨论的,并且路由信息的细节在此不再重复,而是通过引用将其整体并入。
如本文所用,成本是指完成给定路线所需的花费。在一个实施例中,成本可以包含基于路由信息完成路线所需的燃料或能量的量以及每英里的平均成本。在一些实施例中,自主车辆可以提供成本信息,而在其它实施例中,成本信息可以通过基于路由信息和历史成本信息的方法来计算。
在步骤242中,该方法确定路线是否正在进行。
如果该路线正在进行,则该方法在步骤243中监测该路线以及与该路线相关联的成本。
在一个实施例中,该方法可以接收自主车辆所消耗的燃料或能量的量以及当前行进的距离的指示。使用此信息,该方法计算到目前为止路线的平均成本,并为路线的剩余部分规划/更新路线的成本。
在步骤244中,该方法在步骤242中确定路线已经结束之后更新自主车辆的成本效率。
在一个实施例中,该方法确定在路线期间消耗的能量或燃料量,并获得最终路线距离和时间。该方法使用这些数据点来计算给定路线的平均燃料或能量效率。
在一个实施例中,可以针对每个唯一路线执行该方法,并且可以对每个唯一路线求平均以获得自主车辆的总体成本效率。在一些实施例中,该方法可以基于路由特性来分割路线。例如,该方法可能放弃交通异常繁忙的路线。作为第二实例,该方法可以将路线分为长行程和短行程。作为第三实例,该方法可以将路线分类为城市路线或国家路线。每个分段路由类型可以与总的成本效率相关联。
图2F是示出根据本公开的一些实施例的用于更新自主车辆非常规活动统计信息的方法的流程图。
随着自主车辆的出现,许多自主车辆在其主要乘员/所有者不使用此些自主车辆的“故障时间”期间被重新使用。自主车辆的再利用呈现了有意购买者可能会考虑的先前不存在于非自主车辆中的附加度量标准。
在步骤251中,该方法接收非常规活动通知。
在一个实施例中,可以由自主车辆的处理器响应于指示自主车辆执行非常规活动的信号而生成非常规活动通知。例如,在不使用车辆的晚间时间,第三方可以指示自主车辆执行给定任务。该指令在执行任务之前由自主车辆记录,并且可以被发送到该方法并由该方法接收。
在步骤252中,该方法监测自主车辆的性能以确定是否正在进行非常规活动。
在步骤253中,如果该活动正在进行,则该方法监测该活动以确定该活动是否已经结束。在一些实施例中,自主车辆可以向方法发送指示活动已经结束的信号。在其它实施例中,该方法可以监测发动机性能以确定发动机何时怠速一预定时间量(以便在发动机暂时关闭时避免误肯定)。
在步骤254中,如果该方法确定非常规活动已经结束,则该方法计算自主车辆执行非常规活动所用的时间。
在一个实施例中,该方法可以基于从自主车辆接收的通知来计算该时间。可替换地,或结合前述内容,该方法可以基于发动机启动和停止时间计算(或确认)时间。
在步骤255中,该方法计算与非常规活动相关的成本和收入。
在一个实施例中,与非常规活动相关联的成本可以包括燃料消耗的成本、产生的通行费、产生的交通票据以及与执行非例行活动相关联的任何其它成本。在一些实施例中,成本可以由执行非常规活动的自主车辆的收入抵消。例如,服务供应商可以报销自主车辆所花费的任何燃料或通行费。
该方法可以进一步计算与非常规活动相关联的收入。在一些实施例中,该收入可以由自主车辆的操作者在非常规活动期间指定。例如,执行非常规活动的初始指令可以与用于执行非常规活动的“合同价格”相关联。该价格可能与必须满足的各种条件或里程碑相关联。另外,可以在自主车辆和非常规活动的操作员之间进行完成握手,由此操作员确认为非常规活动所支付的金额。
在一个实施例中,该方法从收入中扣除费用以获得非常规活动的总利润。
在步骤256中,该方法更新自主车辆的非常规活动。
在一个实施例中,该方法增加由自主车辆执行的非常规活动的数量。该方法另外可以增加与非常规活动相关的自主车辆的总利润。
图3A是示出根据本公开的一些实施例的用于生成自主车辆个性的方法的流程图。
在步骤302中,该方法检索一组个性规则。
在一个实施例中,个性规则包括与个性相关联的一组统计类别或一组部件。每个统计类别或部件包含一组用于满足个性约束的条件。例如,低维护的给定个性可以包含影响个性分数的自主车辆的一组部件。每个部件可以包含定义满足个性所需的部件的特性的一组故障和/或修理约束。例如,为了满足低维护个性,给定部件可能需要在给定时间段或里程周期内仅具有特定数量的故障或修理。
在步骤304中,该方法访问一或多个车辆。
在一个实施例中,访问车辆包括检索如前面附图中讨论的所生成的自主车辆对象。在一些实施例中,自主车辆对象可能已经与一或多个个性相关联。在该实施例中,该方法可以更新那些个性的置信水平。如果自主车辆对象不具有个性,则该方法继续为自主车辆建立初始个性。
在步骤306中,该方法从由个性规则表示的个性列表中选择给定个性。
在步骤308中,该方法选择与个性相关联的给定组件或统计类别。
在步骤310中,该方法确定是否存在给定类别或部件的数据。
如果不存在数据,则该方法在步骤316中确定对于给定个性是否有任何类别或组件要检查。
可替换地,如果所选择的自主车辆对象含有与类别或组件相关的数据,则该方法在步骤312中基于该数据更新个性。
在一个实施例中,该方法检索组件或类别数据并将现有数据与给定类别或组件的个性需求进行比较。例如,如果给定类别满足个性要求,则该类别可被认为支持所选个性。在该场景中,该方法基于匹配的类别/组件来更新个性的置信分数。
在步骤314中,该方法调整类别或组件的权重。
在一些实施例中,某些类别或组件可对个性的置信水平贡献更多。例如,发动机故障可能严重影响低维护个性,而低流体水平可能仅轻微影响低维护特性。在一些实施例中,给定个性可包含分配给在步骤308中选择的每个组件/类别的权重。因此,该方法在增加个性分配的置信水平时考虑权重。因此,可以将具有带有故障的组件的自主车辆(其中这些组件没有被严重加权)分配给高维护性个性,可以将该个性的置信水平设置为低值。
该方法对每个剩余部件重复步骤308到314(步骤316)。该方法另外为每个个性重复步骤306到316(步骤318),并为每个自主车辆重复步骤304到318(步骤320)。
因此,在步骤320完成时,该方法基于收集和解析的自主车辆数据将每个自主车辆分配给具有对应的置信分数的每个个性。
在步骤322中,该方法存储个性。
在一个实施例中,该方法可以将每个自主车辆的每个个性存储为自主车辆对象的一部分。在一些实施例中,图3A所示的方法可被周期性地重新执行以连续地细化个性指派。在一些实施例中,图3A中所示的方法可以结合接收以图2A至2F中描绘的方式解析的新的自主车辆数据来执行。
尽管图3A中所示的方法能够将给定的自主车辆分配给一组个性,但是随着自主车辆、数据点和个性的数量的增加,该方法可以证明在计算上是昂贵的。因此,所公开的实施例进一步提供了一种使用聚类算法、NLP合成例程和神经网络来预测个性的自动化技术。下面更详细地描述这些算法的实例。
图3B是示出根据本公开的一些实施例的用于使用机器学习算法生成自主车辆个性的方法的流程图。
在步骤324中,该方法检索自主车辆对象。
在一个实施例中,自主车辆对象包括车辆的标识和在以上讨论的实施例中生成的一或多个自主车辆统计信息,这些实施例通过引用整体并入本文。
在步骤326中,该方法使用机器学习算法对自主车辆对象进行聚类和分类。
为了步骤326的目的,每个自主车辆对象可以被认为是统计信息向量(例如,修理统计信息、决策统计信息等)。考虑到大量的自主车辆对象,人类编辑人员识别潜在大型数据集中聚类模式的能力可能会面临极大挑战。
因此,在步骤326中,该方法采用聚类路由以基于包含在自主车辆矢量内的统计信息自动识别自主车辆对象的聚类。
可以使用各种聚类算法,只要这些算法支持高维数据的聚类。可以看出,给定统计类别的数量,表示自主车辆对象的向量可能包含数千个维度。因此,在一些实施例中,子空间聚类、投影聚类、相关聚类或这些聚类技术的组合可用于将自主车辆对象聚类到唯一子空间中。
在一些实施例中,步骤326的输出可以包括表示使用聚类算法识别的聚类参数的一系列聚类向量。每个聚类向量可以另外维持对与聚类相关联的自主车辆对象的后向引用。
在步骤328中,该方法为每个聚类生成个性描述符。
如前所述,聚类向量识别用于对自主车辆对象的子集进行聚类的统计信息。例如,聚类向量可以包含高变速器修理频率、低路线效率和高的常规致命故障水平。该向量指示聚类通常可被分类为“高成本”个性。
为了将聚类向量转换成个性标签,该方法可以利用各种NLP技术。首先,该方法可以提取聚类中每辆自主车辆的品牌、型号和年份。然后,该方法可以提取自主车辆的多个评论、用户评论或其它文本描述。这些基于文本的描述可以通过刮擦第三方自主车辆网站、制造商站点和提供此类数据的任何源来获得。
该方法采用这些基于文本的描述,并使用NLP情感分析例程来度量从评论中提取的常见情感。在一个实施例中,情感分析输出给定输入数据集的潜在情感列表。例如,该方法可以生成“不可靠”、“高成本”、“舒适的内部”、“低价”和“频繁修理”的情感。可以看出,一些情感与聚类向量无关。具体地,舒适的内部与聚类向量没有明显的关联。
该方法可以基于包含在向量中的统计信息类型,基于聚类向量对情感进行排名。例如,该方法可以比较聚类向量统计信息类型与情感的相似性。作为实例,聚类统计信息“高变速器修复频率”与情感“频繁修理”强烈相关,而与“舒适内部”和“低价”不太相关。因此,该方法对“频繁修理”情感的排名可以比其它情感排名更高。类似地,“不可靠”情感的排名可以高于其它情感。
以这种方式,该方法生成可被用作个性类型的多个高排名情感。在一个实施例中,该方法可以利用这些情感类型来“播种”该方法的未来迭代。即,该方法可被细化以将先前检测到的情感排名为高于新发现的情感,从而确保个性空间不会被稀疏分布的个性所淹没。
在一些实施例中,该方法可另外为个性分配置信水平。在一些实施例中,该方法可以在所有个性上分布置信水平的百分比,使得个性的总分数等于一。在其它实施例中,可以独立地对每个个性评分。
在步骤330中,该方法使用自主车辆对象参数和个性来训练神经网络。
在所示实施例中,步骤328的输出实际上是自主车辆对象和个性。因此,步骤328的输出可以用作机器学习分类器的训练数据集。本质上,该方法利用使用聚类例程和NLP例程分配有个性的一批自主车辆对象,以便训练能够对未来自主车辆对象进行分类的通用机器学习系统。
在所示实施例中,使用神经网络作为机器学习系统,尽管也可以使用其它机器学习模型。在所示实施例中,被分配了个性的自主车辆对象被用作训练输入,并且神经网络的节点的权重被调谐以获得正确的输出,该输出包括所识别的个性。
在一个实施例中,在步骤328中检测到的每个个性可被分配单独的神经网络。在替换实施例中,神经网络的输出可以包括具有等于个性总数的维度的向量,其中每个维度表示给定输入匹配个性的置信水平。在一个实施例中,可以使用各种类型的神经网络,诸如卷积神经网络、深神经网络、递归神经网络、长短期存储器神经网络等。
图4是根据本公开的一些实施例的自主车辆的框图。
图4所示的系统可以完全安装在车辆内。在一些实施例中,一些组件(例如,除了子系统404之外的组件和子系统)可以包括现有的自主车辆子系统。
该系统包含自主车辆子系统402。在所示实施例中,自主车辆子系统402包含地图数据库402A、雷达设备402B、激光雷达设备402C、数码摄像机402D、声纳设备402E、GPS接收机402F和惯性测量单元402G。自主车辆子系统402的组件中的每一个包括在大多数当前自主车辆中提供的标准组件。在一个实施例中,地图数据库402A存储用于路由和导航的多个高清晰度三维地图。雷达设备402B、激光雷达设备402C、数码摄像机402D、声纳设备402E、GPS接收机402F和惯性测量单元402G可以包括如本领域已知的安装在整个自主车辆的各个位置处的各个相应设备。例如,这些设备可以沿着自主车辆的周边安装,以提供位置感知、碰撞避让和其它标准的自主车辆功能。
车辆子系统406另外包含在系统内。车辆子系统406包含各种防抱死制动系统406A、发动机控制单元402B和变速器控制单元402C。这些组件可以用于响应于由自主车辆子系统402A生成的流数据来控制自主车辆的操作。自主车辆子系统402和车辆子系统406之间的标准自主车辆交互在本领域中通常是已知的,并且在此不详细描述。
系统的处理侧包含一或多个处理器410、短期存储器412、RF系统414、图形处理单元(GPU)416、长期存储418和一或多个界面420。
一或多个处理器410可以包括中央处理单元、FPGA或支持自主车辆的操作所需的任何范围的处理设备。存储器412包括DRAM或其它适当的易失性RAM,用于临时存储处理器410所需的数据。RF系统414可以包括蜂窝收发器和/或卫星收发器。长期存储418可包括一或多个大容量固态驱动器(SSD)。通常,长期存储418可用于存储例如高清晰度地图、路由数据以及需要永久或半永久存储的任何其它数据。GPU 416可以包括一或多个高吞吐量GPU设备,用于处理从自主车辆子系统402A接收的数据。最后,界面420可以包括位于自主车辆内的各种显示单元(例如,仪表板内屏幕)。
该系统另外包含报告子系统404,该报告子系统执行前述附图中所示的方法所需的全部数据收集。报告子系统404包含连接到总线408并记录在总线408上传输的传感器数据以及在总线上传输的任何日志数据的传感器监测器404A。报告子系统404可另外包含一或多个端点,以允许系统组件将日志数据直接传输到报告子系统404。
报告子系统404另外包含打包器404B。在一个实施例中,打包器404B从传感器监测器404A或端点检索数据,并将原始数据打包以传输到中央系统(图5所示)。在一些实施例中,打包器404B可以被配置为以周期性的时间间隔打包数据。可替换地,或结合前述内容,打包器404B可实时传输数据,并且可压缩数据以促进与中央系统的实时通信。
报告子系统404另外包含批处理器404C。在一个实施例中,批处理器404C被配置为在传输之前对所记录的数据执行任何预处理。例如,批处理器404C可以在由打包器404B打包之前对数据执行压缩操作。在另一实施例中,批处理器404C可被配置为对记录的数据进行过滤,以在打包或传送之前移除无关数据。在另一实施例中,批处理器404C可以被配置为对记录的数据执行数据清理,以使原始数据符合适于由中央系统进一步处理的格式。
设备中的每一个经由总线408连接。在一个实施例中,总线408可以包括控制器局域网(CAN)总线。在一些实施例中,可以使用其它总线类型(例如,FlexRay或MOST总线)。另外,每个子系统可以包含一或多个附加总线以处理内部子系统通信(例如,用于较低带宽通信的LIN总线)。
图5是根据本公开的一些实施例的集中式自主车辆操作系统的框图。
如图所示,该系统包含多个自主车辆502A至502E。在一个实施例中,每个自主车辆可以包括诸如图4中所示的自主车辆,其公开内容通过引用整体并入本文。每个自主车辆502A至502E可以经由网络506与中央系统504通信。在一个实施例中,网络506包括诸如因特网的全球网络。
该系统另外包含多个客户机设备508A、508B。在所示的实施例中,客户机设备508A、508B可包括任何个人计算设备(例如,膝上型计算机、平板计算机、移动电话等)。客户机设备508A、508B可以发出对来自中央系统504的数据的请求。在一个实施例中,如前所述,客户机设备508A、508B发送对数据的请求以支持移动应用或网页数据。
中央系统504包含多个服务器504A。在一个实施例中,服务器504A包括被配置为向客户机设备508A、508B提供响应的多个前端网页服务器。服务器504A可以另外包括一或多个应用服务器,其被配置为执行在先前的流程图中讨论的操作。
中央系统504另外包含多个模型504B。在一个实施例中,模型504B可以由先前描述的过程生成。具体地,模型504B可以存储用于将自主车辆对象分类为各种个性的一或多个神经网络。模型504B可以另外包含用于预测如先前讨论的未来事件的模型。在一些实施例中,模型504B可以存储神经网络和先前讨论的其它机器学习模型的组合。
中央系统504另外包含一或多个数据库504C。数据库504C可以包含用于车辆504D、个性504E和原始数据504F的数据库记录。在一个实施例中,车辆504D可以包含贯穿全文讨论的自主车辆对象。个性504E可包含关于个性的细节,个性包含定义满足个性的条件的规则。原始数据504F可以包括用于存储如先前讨论的从传感器和日志接收的原始数据的非结构化数据库。
然而,以上公开的主题可以以各种不同的形式实施,因此,所覆盖或要求保护的主题旨在被解释为不限于本文所述的任何实例实施例;提供的实例实施例仅仅是说明性的。同样地,要求保护或覆盖的主题也旨在具有合理的宽范围。其中,例如,主题可以体现为方法、设备、组件或系统。因此,实施例可以例如采取硬件、软件、固件或其任何组合(除了软件本身之外)的形式。因此,下面的详细描述并不意味着限制。
在整个说明书和权利要求书中,术语可以具有超出明确陈述的含义的上下文中建议或暗示的细微含义。同样,本文使用的短语“在一个实施例中”不一定指相同的实施例,本文使用的短语“在另一实施例中”不一定指不同的实施例。例如,所要求保护的主题旨在包含实例实施例的全部或部分组合。
通常,可以至少部分地从上下文中的使用来理解术语。例如,本文使用的诸如“和”、“或”或“和/或”的术语可以包含多种含义,其可以至少部分地取决于使用这些术语的上下文。典型地,如果用于关联列表,诸如A、B或C,则“或”旨在表示A、B和C(这里以包括的意义使用)以及A、B或C(这里以排除的意义使用)。此外,本文使用的术语“一或多个”至少部分地取决于上下文,可以用于以单数意义描述任何特征、结构或特性,或者可以用于以复数意义描述特征、结构或特性的组合。类似地,诸如“一”、“一个”或“该”等术语同样可以被理解为传达单数用法或传达复数用法,这至少部分地取决于上下文。此外,术语“基于”可以被理解为不一定旨在表达一组排他的因素,而是可以允许存在不一定要明确描述的附加因素,这同样至少部分地取决于上下文。
参考方法和设备的框图和操作图示来描述本公开。应当理解,框图或操作图示中的每个框,以及框图或操作图示中的框的组合可以通过模拟或数字硬件和计算机程序指令来实施。这些计算机程序指令可以被提供给通用计算机的处理器(以改变其如本文详述的功能)、专用计算机的处理器、ASIC的处理器或其它可编程数据处理装置的处理器,使得经由计算机或其它可编程数据处理装置的处理器执行的指令实施在框图或操作框或框中指定的功能/动作。在一些替换实施方式中,框中所注明的功能/动作可以不按操作图示中所注明的顺序发生。例如,取决于所涉及的功能/动作,连续示出的两个框实际上可以基本上同时执行,或者这些框有时可以以相反的顺序执行。
这些计算机程序指令可以被提供给通用计算机的处理器(以将其功能改变为专用)、专用计算机的处理器、ASIC的处理器、或其它可编程数字数据处理装置,使得经由计算机或其它可编程数据处理装置的处理器执行的指令实施在框图或一或多个操作框中指定的功能/动作,从而根据本文中的实施例变换其功能。使得经由计算机或其它可编程数据处理装置的处理器执行的指令实施在框图或操作框或框中指定的功能/动作。
为了本公开的目的,计算机可读介质(或计算机可读存储介质/媒体)以机器可读形式存储计算机数据,该数据可以包含可由计算机执行的计算机程序代码(或计算机可执行指令)。作为实例而非限制,计算机可读介质可包括用于有形或固定数据存储的计算机可读存储介质,或用于含码信号的瞬时解释的通信介质。如本文所用的计算机可读存储介质是指物理或有形存储(与信号相对),并且包含但不限于以用于信息(诸如计算机可读指令、数据结构、程序模块或其它数据)的有形存储的任何方法或技术实现的易失性和非易失性、可移除和不可移除介质。计算机可读存储介质包含但不限于:RAM、ROM、EPROM、EEPROM、闪存或其它固态存储器技术、CD-ROM、DVD或其它光存储、磁带盒、磁带、磁盘存储或其它磁存储设备,或可用于有形地存储所需信息或数据或指令并可由计算机或处理器访问的任何其它物理或物质介质。
为了本公开的目的,模块是执行或促进本文描述的过程、特征和/或功能(具有或不具有人类交互或增强)的软件、硬件或固件(或其组合)系统、过程或功能或其组件。模块可以包含子模块。模块的软件组件可以存储在计算机可读介质上以便由处理器执行。模块可以集成到一或多个服务器,或者由一或多个服务器加载和执行。一或多个模块可以被分组为引擎或应用。
所属领域的技术人员将认识到,本公开的方法和系统可以以许多方式实施,且因此不受前述示范性实施例和实例的限制。换句话说,由硬件和软件或固件的各种组合中的单个或多个组件执行的功能元件以及各个功能可以分布在客户机级或服务器级或两者的软件应用中。在这点上,本文描述的不同实施例的任何数量的特征可以组合到单个或多个实施例中,并且具有少于或多于本文所述的全部特征的替换实施例是有可能的。
功能也可以以现在已知或将要已知的方式全部或部分地分布在多个组件中。因此,在实现本文描述的功能、特征、界面和偏好方面,无数的软件/硬件/固件组合是可能的。此外,本公开的范围覆盖了用于执行所描述的特征、功能和界面的传统上已知的方式,以及可以对本文描述的硬件或软件或固件组件做出的那些变化和修改,如本领域技术人员现在和此后将理解的。
此外,在本公开中作为流程图呈现和描述的方法的实施例通过实例来提供,以便提供对技术的更完整的理解。所公开的方法不限于本文给出的操作和逻辑流程。设想了替换实施例,其中改变了各种操作的顺序,并且其中独立地执行被描述为更大操作的一部分的子操作。
虽然为了本公开的目的已经描述了各种实施例,但是这样的实施例不应当被认为将本公开的教导限制于那些实施例。可以对上述元件和操作进行各种改变和修改,以获得保持在本公开中描述的系统和过程的范围内的结果。
Claims (20)
1.一种方法,其包括:
从自主车辆接收数据;
基于所述数据生成表示所述自主车辆的向量;
将所述向量分类为一或多个个性;
接收来自用户的搜索查询;
响应于所述搜索查询基于分配给一或多个自主车辆的个性来识别所述一或多个自主车辆,所述一或多个自主车辆包含所述自主车辆;以及
将所述一或多个自主车辆发送给所述用户。
2.根据权利要求1所述的方法,所述数据包括由安装在所述自主车辆上的一或多个传感器记录的数据。
3.根据权利要求2所述的方法,所述数据进一步包括通过监测所述自主车辆的总线而记录的日志数据。
4.根据权利要求1所述的方法,所述生成向量包括计算所述数据内包含的修理和故障的频率和数量。
5.根据权利要求1所述的方法,所述生成向量包括计算所述数据内包含的快速加速和减速的数量。
6.根据权利要求1所述的方法,所述生成向量包括识别所述数据内包含的一或多个决策点。
7.根据权利要求1所述的方法,所述生成向量包括基于所述数据内包含的路由数据来计算路由效率或成本效率中的一或多个。
8.根据权利要求1所述的方法,所述生成向量包括基于所述数据计算由所述自主车辆在非常规活动期间生成的成本和利润。
9.根据权利要求1所述的方法,所述将所述向量分类为一或多个个性包括:分析所述自主车辆的每个组件,并且如果与相应组件相关联的统计信息超过预定阈值,则将个性分配给所述自主车辆。
10.根据权利要求1所述的方法,其进一步包括:
选择一组自主车辆对象;
将所述一组自主车辆对象聚类为一组聚类;
使用自然语言处理NLP算法为所述一组聚类中的每个聚类分配个性识别符;以及
使用自主车辆对象的所述聚类和所述所分配的个性识别符来训练模型,其中所述将所述向量分类为一或多个个性包括将所述向量输入到所述模型中。
11.一种系统,其包括:
处理器;以及
存储介质,其用于在其上有形地存储由所述处理器执行的程序逻辑,所述所存储的程序逻辑包括:
用于从自主车辆接收数据的由所述处理器执行的逻辑;
用于基于所述数据生成表示所述自主车辆的向量的由所述处理器执行的逻辑;
用于将所述向量分类为一或多个个性的由所述处理器执行的逻辑;
用于接收来自用户的搜索查询的由所述处理器执行的逻辑;
用于响应于所述搜索查询基于分配给一或多个自主车辆的个性来识别所述一或多个自主车辆的由所述处理器执行的逻辑,所述一或多个自主车辆包含所述自主车辆;以及
用于将所述一或多个自主车辆发送给所述用户的由所述处理器执行的逻辑。
12.根据权利要求11所述的系统,所述数据包括由安装在所述自主车辆上的一或多个传感器记录的数据。
13.根据权利要求12所述的系统,所述数据进一步包括通过监测所述自主车辆的总线而记录的日志数据。
14.根据权利要求11所述的系统,所述生成向量包括计算所述数据内包含的修理和故障的频率和数量。
15.根据权利要求11所述的系统,所述生成向量包括计算所述数据内包含的快速加速和减速的数量。
16.根据权利要求11所述的系统,所述生成向量包括识别所述数据内包含的一或多个决策点。
17.根据权利要求11所述的系统,所述生成向量包括基于所述数据内包含的路由数据来计算路由效率或成本效率中的一或多个。
18.根据权利要求11所述的系统,所述生成向量包括基于所述数据计算由所述自主车辆在非常规活动期间生成的成本和利润。
19.根据权利要求11所述的系统,所述将所述向量分类为一或多个个性包括:分析所述自主车辆的每个组件,并且如果与相应组件相关联的统计信息超过预定阈值,则将个性分配给所述自主车辆。
20.根据权利要求1所述的系统,所述所存储的程序逻辑进一步包括:
用于选择一组自主车辆对象的由所述处理器执行的逻辑;
用于将所述一组自主车辆对象聚类为一组聚类的由所述处理器执行的逻辑;
用于使用自然语言处理NLP算法为所述一组聚类中的每个聚类分配个性识别符的由所述处理器执行的逻辑;以及
用于使用自主车辆对象的所述聚类和所述所分配的个性识别符来训练模型的由所述处理器执行的逻辑,其中所述将所述向量分类为一或多个个性包括将所述向量输入到所述模型中。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/851,730 US10877999B2 (en) | 2017-12-21 | 2017-12-21 | Programmatically identifying a personality of an autonomous vehicle |
US15/851,730 | 2017-12-21 | ||
PCT/US2018/048390 WO2019125532A1 (en) | 2017-12-21 | 2018-08-28 | Programmatic ally identifying a personality of an autonomous vehicle |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111511622A true CN111511622A (zh) | 2020-08-07 |
CN111511622B CN111511622B (zh) | 2023-09-12 |
Family
ID=66950374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880082399.9A Active CN111511622B (zh) | 2017-12-21 | 2018-08-28 | 以编程方式识别自主车辆的个性 |
Country Status (4)
Country | Link |
---|---|
US (2) | US10877999B2 (zh) |
CN (1) | CN111511622B (zh) |
DE (1) | DE112018006555T5 (zh) |
WO (1) | WO2019125532A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10877999B2 (en) | 2017-12-21 | 2020-12-29 | Micron Technology, Inc. | Programmatically identifying a personality of an autonomous vehicle |
US11919531B2 (en) * | 2018-01-31 | 2024-03-05 | Direct Current Capital LLC | Method for customizing motion characteristics of an autonomous vehicle for a user |
US10894545B2 (en) | 2018-03-14 | 2021-01-19 | Micron Technology, Inc. | Configuration of a vehicle based on collected user data |
US11148658B2 (en) | 2018-03-21 | 2021-10-19 | Micron Technology, Inc. | Personalization of a vehicle based on user settings |
US11087144B2 (en) * | 2018-10-10 | 2021-08-10 | Harman International Industries, Incorporated | System and method for determining vehicle data set familiarity |
US11086322B2 (en) * | 2019-03-19 | 2021-08-10 | Gm Cruise Holdings Llc | Identifying a route for an autonomous vehicle between an origin and destination location |
US11380094B2 (en) | 2019-12-12 | 2022-07-05 | At&T Intellectual Property I, L.P. | Systems and methods for applied machine cognition |
CN111198884B (zh) * | 2019-12-27 | 2023-06-06 | 福建威盾科技集团有限公司 | 一种车辆初次入城信息处理方法及信息处理系统 |
US11776406B2 (en) * | 2020-03-26 | 2023-10-03 | Gm Cruise Holdings Llc | System and method for detecting severe road events |
CN111913697B (zh) * | 2020-08-13 | 2023-09-22 | 重庆同汇勘测规划有限公司 | 一种基于ArcGIS批量筛选点之记信息的方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080133716A1 (en) * | 1996-12-16 | 2008-06-05 | Rao Sunil K | Matching network system for mobile devices |
US20080195435A1 (en) * | 2007-02-14 | 2008-08-14 | Ian Bentley | Lifestyle-based vehicle selection system and method |
CN102947676A (zh) * | 2010-04-23 | 2013-02-27 | 通腾科技股份有限公司 | 导航装置及在其上实行的方法 |
CN103339009A (zh) * | 2010-10-05 | 2013-10-02 | 谷歌公司 | 对自主车辆的诊断和修理 |
US20140188886A1 (en) * | 2012-12-27 | 2014-07-03 | Lookout, Inc. | User classification based on data gathered from a computing device |
US20170139411A1 (en) * | 2015-11-16 | 2017-05-18 | Polysync Technologies, Inc. | Autonomous Vehicle Platform and Safety Architecture |
US9672497B1 (en) * | 2013-11-04 | 2017-06-06 | Snap-On Incorporated | Methods and systems for using natural language processing and machine-learning to produce vehicle-service content |
US20170309092A1 (en) * | 2016-04-26 | 2017-10-26 | Walter Steven Rosenbaum | Method for determining driving characteristics of a vehicle and vehicle analyzing system |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100681919B1 (ko) | 2005-10-17 | 2007-02-12 | 에스케이 텔레콤주식회사 | 주행로그 기반의 모바일 로봇 성격 표현 방법과 이를 위한모바일 로봇 장치 |
US9493130B2 (en) | 2011-04-22 | 2016-11-15 | Angel A. Penilla | Methods and systems for communicating content to connected vehicle users based detected tone/mood in voice input |
US9153084B2 (en) | 2012-03-14 | 2015-10-06 | Flextronics Ap, Llc | Destination and travel information application |
US10803512B2 (en) * | 2013-03-15 | 2020-10-13 | Commerce Signals, Inc. | Graphical user interface for object discovery and mapping in open systems |
US9715711B1 (en) * | 2014-05-20 | 2017-07-25 | State Farm Mutual Automobile Insurance Company | Autonomous vehicle insurance pricing and offering based upon accident risk |
US20150370272A1 (en) | 2014-06-23 | 2015-12-24 | Google Inc. | Intelligent configuration of a smart environment based on arrival time |
CA3229217A1 (en) | 2014-07-10 | 2016-01-14 | Volta Charging, Llc | Systems and methods for providing targeted advertisements to a charging station for electric vehicles |
US9740841B2 (en) | 2014-09-08 | 2017-08-22 | Tessera Advanced Technologies, Inc. | Using biometric user-specific attributes |
DE112016004563T5 (de) | 2015-10-06 | 2018-07-12 | Northrop Grumman Systems Corporation | Autonomes fahrzeugsteuerungssystem |
US10021354B2 (en) | 2016-02-17 | 2018-07-10 | Siemens Industry, Inc. | Electric vehicle charging station with integrated camera |
US10035519B2 (en) | 2016-03-15 | 2018-07-31 | GM Global Technology Operations LLC | System and method for autonomous vehicle driving behavior modification |
US20170316516A1 (en) | 2016-04-29 | 2017-11-02 | GM Global Technology Operations LLC | Systems and methods for managing a social autonomous taxi service |
US20170351990A1 (en) | 2016-06-01 | 2017-12-07 | GM Global Technology Operations LLC | Systems and methods for implementing relative tags in connection with use of autonomous vehicles |
US10311069B2 (en) * | 2016-06-02 | 2019-06-04 | International Business Machines Corporation | Sentiment normalization using personality characteristics |
US10606276B2 (en) | 2016-09-30 | 2020-03-31 | Faraday & Future Inc. | User data-based autonomous vehicle system |
US9817400B1 (en) | 2016-12-14 | 2017-11-14 | Uber Technologies, Inc. | Vehicle servicing system |
US10246102B2 (en) | 2017-03-15 | 2019-04-02 | GM Global Technology Operations LLC | Systems and methods for implementing user preferences for vehicles |
US10520947B2 (en) | 2017-03-27 | 2019-12-31 | Uatc, Llc | Machine learning for event detection and classification in autonomous vehicles |
US10462645B2 (en) | 2017-04-03 | 2019-10-29 | Cisco Technology, Inc. | Dynamic communication profiles |
US10127591B1 (en) * | 2017-05-15 | 2018-11-13 | Wippy, LLC | Systems, methods, and devices for dynamic used vehicle marketing, dealer matching, and extended sale period transactions platform |
US10395444B1 (en) * | 2017-08-10 | 2019-08-27 | Zoox, Inc. | Vehicle self-diagnostics |
US10877999B2 (en) | 2017-12-21 | 2020-12-29 | Micron Technology, Inc. | Programmatically identifying a personality of an autonomous vehicle |
US10894545B2 (en) | 2018-03-14 | 2021-01-19 | Micron Technology, Inc. | Configuration of a vehicle based on collected user data |
US11148658B2 (en) | 2018-03-21 | 2021-10-19 | Micron Technology, Inc. | Personalization of a vehicle based on user settings |
-
2017
- 2017-12-21 US US15/851,730 patent/US10877999B2/en active Active
-
2018
- 2018-08-28 CN CN201880082399.9A patent/CN111511622B/zh active Active
- 2018-08-28 WO PCT/US2018/048390 patent/WO2019125532A1/en active Application Filing
- 2018-08-28 DE DE112018006555.3T patent/DE112018006555T5/de active Pending
-
2020
- 2020-12-28 US US17/135,214 patent/US11599563B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080133716A1 (en) * | 1996-12-16 | 2008-06-05 | Rao Sunil K | Matching network system for mobile devices |
US20080195435A1 (en) * | 2007-02-14 | 2008-08-14 | Ian Bentley | Lifestyle-based vehicle selection system and method |
CN102947676A (zh) * | 2010-04-23 | 2013-02-27 | 通腾科技股份有限公司 | 导航装置及在其上实行的方法 |
CN103339009A (zh) * | 2010-10-05 | 2013-10-02 | 谷歌公司 | 对自主车辆的诊断和修理 |
US20140188886A1 (en) * | 2012-12-27 | 2014-07-03 | Lookout, Inc. | User classification based on data gathered from a computing device |
US9672497B1 (en) * | 2013-11-04 | 2017-06-06 | Snap-On Incorporated | Methods and systems for using natural language processing and machine-learning to produce vehicle-service content |
US20170139411A1 (en) * | 2015-11-16 | 2017-05-18 | Polysync Technologies, Inc. | Autonomous Vehicle Platform and Safety Architecture |
US20170309092A1 (en) * | 2016-04-26 | 2017-10-26 | Walter Steven Rosenbaum | Method for determining driving characteristics of a vehicle and vehicle analyzing system |
Also Published As
Publication number | Publication date |
---|---|
US20190197177A1 (en) | 2019-06-27 |
US10877999B2 (en) | 2020-12-29 |
DE112018006555T5 (de) | 2020-09-03 |
US11599563B2 (en) | 2023-03-07 |
CN111511622B (zh) | 2023-09-12 |
WO2019125532A1 (en) | 2019-06-27 |
US20210117451A1 (en) | 2021-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111511622B (zh) | 以编程方式识别自主车辆的个性 | |
EP3820753B1 (en) | Vehicle-data analytics | |
EP3578433B1 (en) | Method for estimating an accident risk of an autonomous vehicle | |
US11407410B2 (en) | Method and system for estimating an accident risk of an autonomous vehicle | |
CN111512345B (zh) | 仅基于手机遥测动态、准实时测量与识别驾驶员动作的电子系统及其相应方法 | |
US20220340148A1 (en) | Method for estimating an accident risk of an autonomous vehicle | |
US20240095844A1 (en) | Method and system for vehicular collision reconstruction | |
US20220114560A1 (en) | Predictive maintenance | |
US9633490B2 (en) | System and method for testing and evaluating vehicle components | |
WO2017190595A1 (zh) | 一种交通工具数据处理方法、装置和终端设备 | |
US20180114377A1 (en) | Method for digital processing of automotive data and a system for implementing the same | |
US20230267549A1 (en) | Method of predicting the future accident risk rate of the drivers using artificial intelligence and its device | |
US20230134342A1 (en) | System and/or method for vehicle trip classification | |
EP4126619A1 (en) | Vehicle-data analytics | |
Wu et al. | Clustering of several typical behavioral characteristics of commercial vehicle drivers based on GPS data mining: Case study of highways in China | |
Peng et al. | A Method for Vehicle Collision Risk Assessment through Inferring Driver's Braking Actions in Near-Crash Situations | |
EP4053737A1 (en) | Detecting and collecting accident related driving experience event data | |
US20240095836A1 (en) | Cloud-based vehicular telematics systems and methods for generating hybrid epoch driver predictions and hazard alerts | |
US20240013310A1 (en) | Fully integrated and embedded measuring system directed to a score-indexing parameter essentially based on directly measured connected motor vehicle sensory data and method thereof | |
Verma et al. | Impact of Driving Behavior on Commuter’s Comfort During Cab Rides: Towards a New Perspective of Driver Rating | |
EP4365861A1 (en) | Systems and methods for determining vehicle vocations | |
US20240157934A1 (en) | Systems and methods for generating vehicle safety scores and predicting vehicle collision probabilities | |
US20240144743A1 (en) | Transducer-based suspension health monitoring system | |
Ghasemi et al. | Traffic Lane Change Detection using mobile phone sensors and geolocation | |
KR20230170305A (ko) | 차량 운행지수 평가 방법 및 장치 |
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 |