CN112179266A - 使用压电传感器检测对准异常的系统和方法 - Google Patents
使用压电传感器检测对准异常的系统和方法 Download PDFInfo
- Publication number
- CN112179266A CN112179266A CN202010609023.8A CN202010609023A CN112179266A CN 112179266 A CN112179266 A CN 112179266A CN 202010609023 A CN202010609023 A CN 202010609023A CN 112179266 A CN112179266 A CN 112179266A
- Authority
- CN
- China
- Prior art keywords
- pressure data
- time
- period
- set period
- housing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000010801 machine learning Methods 0.000 claims description 37
- 230000002028 premature Effects 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000003442 weekly effect Effects 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000004378 air conditioning Methods 0.000 description 39
- 238000001514 detection method Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 19
- 238000003860 storage Methods 0.000 description 18
- 230000008878 coupling Effects 0.000 description 15
- 238000010168 coupling process Methods 0.000 description 15
- 238000005859 coupling reaction Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 239000000463 material Substances 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 239000000758 substrate Substances 0.000 description 13
- 238000001816 cooling Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000013500 data storage Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 239000004926 polymethyl methacrylate Substances 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 4
- 229910001092 metal group alloy Inorganic materials 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 229910000851 Alloy steel Inorganic materials 0.000 description 3
- 239000004952 Polyamide Substances 0.000 description 3
- XECAHXYUAAWDEL-UHFFFAOYSA-N acrylonitrile butadiene styrene Chemical compound C=CC=C.C=CC#N.C=CC1=CC=CC=C1 XECAHXYUAAWDEL-UHFFFAOYSA-N 0.000 description 3
- 239000004676 acrylonitrile butadiene styrene Substances 0.000 description 3
- 229920000122 acrylonitrile butadiene styrene Polymers 0.000 description 3
- 238000007792 addition Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229920005669 high impact polystyrene Polymers 0.000 description 3
- 239000004797 high-impact polystyrene Substances 0.000 description 3
- 230000003647 oxidation Effects 0.000 description 3
- 238000007254 oxidation reaction Methods 0.000 description 3
- 229920000747 poly(lactic acid) Polymers 0.000 description 3
- 229920002647 polyamide Polymers 0.000 description 3
- 239000004626 polylactic acid Substances 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 229920001169 thermoplastic Polymers 0.000 description 3
- 229920002725 thermoplastic elastomer Polymers 0.000 description 3
- 239000004416 thermosoftening plastic Substances 0.000 description 3
- 239000010409 thin film Substances 0.000 description 3
- 229910000975 Carbon steel Inorganic materials 0.000 description 2
- 229920005372 Plexiglas® Polymers 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000010962 carbon steel Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 229920002037 poly(vinyl butyral) polymer Polymers 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229920006353 Acrylite® Polymers 0.000 description 1
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- -1 Cylux Polymers 0.000 description 1
- 229920005479 Lucite® Polymers 0.000 description 1
- VVQNEPGJFQJSBK-UHFFFAOYSA-N Methyl methacrylate Chemical compound COC(=O)C(C)=C VVQNEPGJFQJSBK-UHFFFAOYSA-N 0.000 description 1
- 229920005439 Perspex® Polymers 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003667 anti-reflective effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000005345 chemically strengthened glass Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 239000005038 ethylene vinyl acetate Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000009931 harmful effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003229 poly(methyl methacrylate) Polymers 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 239000004814 polyurethane Substances 0.000 description 1
- 229920002635 polyurethane Polymers 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000005060 rubber Substances 0.000 description 1
- 239000005336 safety glass Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000006058 strengthened glass Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 239000005341 toughened glass Substances 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 239000012780 transparent material Substances 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/30—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring angles or tapers; for testing the alignment of axes
- G01B7/31—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring angles or tapers; for testing the alignment of axes for testing the alignment of axes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L1/00—Measuring force or stress, in general
- G01L1/16—Measuring force or stress, in general using properties of piezoelectric devices
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/481—Constructional features, e.g. arrangements of optical elements
- G01S7/4811—Constructional features, e.g. arrangements of optical elements common to transmitter and receiver
- G01S7/4813—Housing arrangements
-
- 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
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
-
- 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
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
- G01S7/4972—Alignment of sensor
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
提供了用于检测外壳对准异常的系统和方法。可以从一个或多个压电传感器获得设定时段的压力数据。一个或多个压电传感器安置在自动驾驶车辆的外壳和固定装置之间。可以在一时间段内处理设定时段的压力数据。可以基于处理后的压力数据识别一个或多个趋势。
Description
技术领域
本公开涉及检测对准异常。更具体地,本公开涉及用于在对准异常显现之前检测安装在自动驾驶车辆上的外壳的对准异常的系统和方法。
背景技术
通常,自动驾驶车辆(例如,无人驾驶车辆、半自动驾驶车辆等)可以在自动驾驶车辆上具有无数传感器。例如,无数传感器可以包括光检测和测距传感器(LiDAR)、雷达、相机等。无数传感器可以在自动驾驶车辆的功能中发挥核心作用。例如,LiDAR可以用于检测和识别周围环境中物体(例如,其他车辆、道路标志、行人、建筑物等)。LiDAR还可以用于确定周围环境中的物体到LiDAR的相对距离。对于另一示例,雷达可以用于帮助避免碰撞、自适应巡航控制、盲侧检测等。对于另一示例,相机可以用于分辨、解释和/或分析物体的内容或视觉提示。然后可以处理从这些传感器收集的数据并将其用作输入,以做出驾驶决策。通常,在自动驾驶车辆可以使用传感器来做出驾驶决策之前,需要对准自动驾驶车辆上的传感器。
发明内容
本公开的各种实施例可以包括被配置为检测外壳对准异常的系统和方法。可以从一个或多个压电传感器获得设定时段的压力数据。一个或多个压电传感器安置在自动驾驶车辆的外壳和固定装置之间。可以在一时间段内处理设定时段的压力数据。可以基于处理后的压力数据识别一个或多个趋势。
在一些实施例中,设定时段可以是每小时、每天、每周、每两周和每月中的至少一个。
在一些实施例中,时间段可以是一天、一周、两周、一个月、六个月和一年中的至少一个。
在一些实施例中,可以通过汇总设定时段的压力数据并且针对设定时段的压力数据识别对应于设定时段的最大压力、最小压力和平均压力来在该时间段内处理设定时段的压力数据。
在一些实施例中,可以通过在时间段内对设定时段的压力数据进行趋势分析并且在时间段内确定设定时段的压力数据的标称范围来在该时间段内处理设定时段的压力数据,该标称范围是基于识别压力数据的上限和下限来确定的。
在一些实施例中,可以通过在该时间段内识别设定时段的压力数据中的最大值来确定上限,并且可以通过在该时间段内识别设定时段的压力数据中的最小值来确定下限。
在一些实施例中,可以通过在该时间段内识别设定时段的压力数据中的落在标称范围外的压力数据点并且将该压力数据点识别为外壳对准异常,来基于处理后的压力数据识别一个或多个趋势。
在一些实施例中,可以通过在该时间段内基于设定时段的压力数据对平均压力进行趋势分析,至少使用回归技术基于该平均压力的趋势分析来确定趋势,并且将趋势识别为潜在的过早外壳对准异常,来基于处理后的压力数据识别一个或多个趋势。
在一些实施例中,可以通过使用训练数据集训练机器学习模型,接收处理后的压力数据,并且基于处理后的压力数据确定潜在的过早外壳对准异常的存在,来基于处理后的压力数据识别一个或多个趋势。
在一些实施例中,可以使用分类器和神经网络中的至少一个来实现机器学习模型,并且训练数据集可以基于处理后的压力数据中的带有人类注释的部分。
通过参考附图考虑以下描述和所附权利要求书,本文公开的系统、方法和非暂时性计算机可读介质的这些和其他特征、以及结构的相关元件和部分的组合的操作和功能的方法以及制造的经济性将变得显而易见,所有附图形成本说明书的一部分,其中在各个附图中,相同的附图标记表示相应的部分。然而,应该明确地理解,附图仅出于说明和描述的目的,并且不旨在作为对本发明的限制的定义。
附图说明
在所附权利要求中具体阐述了本技术的各种实施例的某些特征。通过参考下面的详细描述,将获得对技术的特征和优点的更好的理解,以下详细描述阐述了说明性实施例和附图,在说明性实施例中利用了本发明的原理,并且附图中:
图1A示出了根据本公开的实施例的示例自动驾驶车辆。
图1B示出了根据本公开的实施例的示例自动驾驶车辆。
图2示出了根据本公开的实施例的示例外壳对准异常检测系统的框图。
图3A示出了根据本公开的实施例的示例外壳对准异常检测系统的截面图。
图3B示出了根据本公开实施例的用于传感器系统的外壳的示例。
图4A示出了根据本公开的实施例的压力数据趋势分析场景。
图4B示出了根据本公开的实施例的机器学习场景。
图5示出了根据本公开的实施例的示例方法。
图6示出了计算机系统的框图。
这些附图仅出于说明的目的描绘了公开的技术的各种实施例,其中这些附图使用相同的附图标记来标识相同的元件。本领域技术人员将从以下讨论中容易地认识到,在不脱离本文描述的公开的技术的原理的情况下,可以采用附图中所示的结构和方法的替代实施例。
具体实施方式
通常,自动驾驶车辆(例如,无人驾驶车辆、半自动驾驶车辆等)可以在自动驾驶车辆上具有无数传感器。无数传感器可以包括光检测和测距传感器(LiDAR)、雷达、相机、全球定位系统(GPS)、声纳、惯性测量单元(IMU)、加速度计、陀螺仪、磁力计、远红外传感器(FIR)等。无数传感器可以在自动驾驶车辆的功能中发挥中心作用。例如,LiDAR可以用于检测和识别周围环境中的物体(例如,其他车辆、道路标志、行人、建筑物等)。LiDAR还可以用于确定周围环境中的物体到LiDAR的相对距离。对于另一示例,雷达可以用于帮助避免碰撞、自适应巡航控制、盲侧检测、辅助停车等。对于另一示例,相机可以用于分辨、解释和/或分析物体的内容或视觉提示。相机和其他光学传感器可以使用电荷耦合器件(CCD)、互补金属氧化物半导体(CMOS)或类似元件来捕获图像数据。IMU可以检测异常情况,诸如道路中的颠簸或坑洼。然后可以将从这些传感器收集的数据进行处理并将其用作输入,以做出驾驶决策(例如,加速、减速、方向改变等)。例如,来自这些传感器的数据可以被进一步处理成由一个或多个传感器捕获的图像中的色调分布的图形表示的图像直方图。
通常,自动驾驶车辆上的传感器需要在部署之前首先对准。这意味着传感器必须放置或定位在自动驾驶车辆上的特定位置,使得从传感器收集的数据在做出驾驶决策时可靠。例如,LiDAR依靠光速和激光束的位置来确定三维周围环境中的物体的相对距离和位置。因此,LiDAR收集的数据高度依赖于(或校准)LiDAR所放置的特定位置。依赖于LiDAR所处的位置,由LiDAR确定的物体的距离和位置可能变化。例如,反射光到达位于自动驾驶车辆前面的LiDAR所花费的时间将不同于相同反射光到达位于自动驾驶车辆后面的LiDAR所花费的时间。在某些情况下,这种微小的时间差会使距离和位置确定值不可靠,无法用于引导自动驾驶车辆。在某些情况下,在传感器对准后,传感器可能脱离对准。例如,在暴露于现实世界的驾驶条件之后的某一时间段内,传感器可能由于传感器在自动驾驶车辆上时经历的各种振动或应力(例如,风阻、惯性力等)而脱离对准(例如,对准偏移)。这种对准偏移可能导致传感器收集的数据脱离校准。因此,无人驾驶车辆基于脱离校准的数据做出的任何驾驶决策对于由无人驾驶车辆用于做出驾驶决策而言是不可靠的。在某些情况下,传感器可以由外壳封装。外壳可以保护传感器免受暴露在环境中的有害影响(例如,氧化、紫外线、道路碎屑等)。此外,外壳允许传感器容易地从一个自动驾驶车辆移动到另一自动驾驶车辆。外壳还简化了传感器的对准。例如,只要外壳相对于自动驾驶车辆对准,被外壳封装的传感器也相对于自动驾驶车辆对准。在常规方法下,为了确保自动驾驶车辆的正确操作,在自动驾驶车辆驾驶某一距离或某一时间后,自动驾驶车辆的操作者必须重新检验传感器或外壳对准,以确保从车载传感器收集的数据仍处于校准中。然而,这种方法不是理想的,因为传感器(或外壳)可能在对准重新检验发生之前脱离对准(例如,对准偏移)。因此,为了减少对准偏移的可能性,操作者必须频繁地重新检验传感器或外壳对准。因此,常规方法可能是费力的、麻烦的且资源使用效率低。
公开的技术减轻了常规方法下的该问题和其他问题。公开的技术的各种实施例克服了在自动驾驶技术领域中具体出现的问题。在各种实施例中,公开的技术可以在异常发生或显现之前检测外壳对准异常(例如,对准偏移)。公开的技术可以消除自动驾驶车辆的操作者执行频繁的对准重新检验的需要。在各种实施例中,外壳可以包括多个传感器。例如,在一些实施例中,外壳可以包括LiDAR和多个相机。该外壳可以被安置或安装到自动驾驶车辆的固定装置上。外壳可以与固定装置对准。在一些实施例中,外壳可以由对外壳封装的多个传感器可接收的电磁波透明的材料制成。例如,外壳可以由透明材料制成,该透明材料允许分别由LiDAR和多个相机发射和/或接收的激光和可见光进入和/或离开外壳。在一些实施例中,外壳可以进一步包括一个或多个压电传感器。一个或多个压电传感器可以与外壳成一直线安置到固定装置,以测量由外壳施加到固定装置的压力。例如,外壳可以具有四个安装点,外壳可以通过该四个安装点利用机械联接设备(例如,螺钉、螺母和螺栓、铆钉、紧固件、维可牢尼龙搭扣(Velcro)等)固定到固定装置。在该示例中,可以将压电传感器安置在外壳每个安装点与固定装置之间,使得压电传感器的一侧与外壳接触,并且压电传感器的另一侧与固定装置接触。一个或多个压电传感器可以测量由外壳施加到固定装置的压力(或应变),并且将该测量结果转换为可以进一步处理和分析的电信号。测量的压力可以指示外壳通过机械联接设备多么牢固地固定到固定装置。测量的压力变得越来越小的任何标志可能指示外壳变得越来越不牢固(例如,松动),并且因此容易发生对准异常(例如,对准偏移)。本文将更详细地讨论各种实施例。
图1A示出了根据本公开的实施例的示例自动驾驶车辆100。自动驾驶车辆100通常是指能够自身在周围环境中感测和驾驶的车辆的类别。自动驾驶车辆100可以包括无数传感器(例如,LiDAR、雷达、相机等),以检测和识别周围环境中的物体。这样的物体可以包括但不限于例如行人、道路标志、交通灯和/或其他车辆。自动驾驶车辆100还可以包括无数致动器,以在周围环境中推动和导航自动驾驶车辆100。这样的致动器可以包括例如用于控制节气门响应、制动动作、转向动作等的任何合适的机电设备或系统。在一些实施例中,自动驾驶车辆100可以分辨、解释和分析道路标志(例如,速度限制、学校区域、建筑区域等)和交通灯(例如红灯、黄灯、绿灯、红灯闪烁等)。例如,自动驾驶车辆100可以基于张贴在道路上的速度限制标志来调整车辆速度。在一些实施例中,自动驾驶车辆100可以确定和调整自动驾驶车辆100相对于环境中的其他物体正在行进的速度。例如,自动驾驶车辆100可以与前方车辆维持恒定的安全距离(例如,自适应巡航控制)。在该示例中,自动驾驶车辆100通过不断地将其车辆速度调整为前方车辆的速度来维持该安全距离。
在各种实施例中,自动驾驶车辆100可以在有限的人类输入或没有人类输入的情况下在道路、街道和/或地形上导航。本文中所使用的“车辆”一词包括在地面上行进的车辆(例如小汽车、卡车、公共汽车等),但也可以包括在空中行进的车辆(例如无人机、飞机、直升机等)、在水上行进的车辆(例如船、潜艇等)。进一步地,本文讨论的“车辆”或“多个车辆”可以在其中容纳或可以不在其中容纳一个或多个乘客。此外,短语“自动驾驶车辆”、“无人驾驶车辆”或不需要主动人类参与的任何其他车辆可以互换使用。
通常,自动驾驶车辆100可以对其自身进行人类驾驶员可以对常规车辆进行的任何控制。例如,自动驾驶车辆100可以像人类驾驶员可以对常规车辆进行的那样加速、制动、左转或右转或以反向方向驾驶。自动驾驶车辆100还可以像人类驾驶员那样感测环境状况、计量空间关系(例如,物体与其自身之间的距离)、检测和分析道路标志。此外,自动驾驶车辆100可以执行更复杂的操作,诸如并行停车、在拥挤的停车场停车、避免碰撞等,而无需任何人类输入。
在各种实施例中,自动驾驶车辆100可以包括一个或多个传感器。如本文中所使用的,一个或多个传感器可以包括LiDAR 102、雷达104、相机106、GPS、声纳、超声、IMU、加速度计、陀螺仪、磁力计、FIR和/或类似传感器。一个或多个传感器允许自动驾驶车辆100感测自动驾驶车辆100周围的周围环境。例如,LiDAR 102可以被配置为生成周围环境的三维地图。LiDAR 102还可以被配置为检测周围环境中的物体。对于另一示例,雷达104可以被配置为确定自动驾驶车辆100周围的物体的距离和速度。对于另一示例,相机106可以被配置为捕获和处理图像数据以检测和识别物体(诸如道路标志),并且分析物体的内容(诸如在道路标志上张贴的速度限制)。
在图1A的示例中,自动驾驶车辆100被示出为具有LiDAR 102,该LiDAR被安装到自动驾驶车辆100的车顶或顶部。LiDAR 102可以被配置为生成三维地图,并且检测周围环境中的物体。在图1A的示例中,自动驾驶车辆100被示出为具有四个雷达104。两个雷达指向自动驾驶车辆100的前侧和后侧,并且两个雷达指向自动驾驶车辆100的右侧和左侧。在一些实施例中,前侧雷达和后侧雷达可以被配置为自适应巡航控制和/或避免事故。例如,自动驾驶车辆100可以使用前侧雷达来维持与自动驾驶车辆100前方的车辆的安全距离。对于另一示例,如果前方车辆经历速度的突然降低,则自动驾驶车辆100可以使用前侧雷达检测到这种突然的运动变化并相应地调整其车辆速度。在一些实施例中,右侧雷达和左侧雷达可以被配置为盲点检测。在图1A的示例中,自动驾驶车辆100被示出为具有六个相机106。两个相机指向自动驾驶车辆100的前侧,两个相机指向自动驾驶车辆100的后侧,并且两个相机指向自动驾驶车辆100的右侧和左侧。在一些实施例中,前侧相机和后侧相机可以被配置为检测、识别和确定自动驾驶车辆100的前面和后面的物体,诸如小汽车、行人、道路标志。例如,自动驾驶车辆100可以利用前侧相机来识别和确定速度限制。在一些实施例中,右侧相机和左侧相机可以被配置为检测物体,诸如车道标记。例如,自动驾驶车辆100可以使用侧面相机以确保自动驾驶车辆100在其车道内驾驶。
图1B示出了根据本公开的实施例的示例自动驾驶车辆140。在图1B的示例中,自动驾驶车辆140被示出为具有外壳142和四个雷达144。外壳142安装到固定装置146上。在一些实施例中,固定装置146可以是装配到自动驾驶车辆140的车顶行李架或定制行李架。外壳142在安装到固定装置146上时可以沿线性轴线148平移。例如,一旦安装到固定装置146上,外壳142就可以被调整以沿固定装置146的线性轴线148相对于自动驾驶车辆140向前或向后移动。在一些实施例中,外壳142可以沿非线性轴线移动。在一个实施例中,外壳142可以包括LiDAR、多个雷达和相机以及它们相关联的电子器件。在另一实施例中,外壳142可以包括LiDAR、多个相机以及它们相关联的电子器件。许多变化是可能的。如所讨论的,外壳142允许传感器被紧凑地或紧密地包装并且容易地从一个车辆移动到另一车辆。在各种实施例中,外壳142可以由对由封装在外壳142中的传感器发射的电磁波或可接收的电磁波透明的任何材料制成。在各种实施例中,外壳142的外盖可以由钢化玻璃、有机玻璃、化学强化玻璃等制成。
在一些实施例中,外壳142可以包括一个或多个压电传感器。一个或多个压电传感器可以被配置为测量两个物体之间的压力(应变)。通常,压电传感器是将压力转换成电信号的一种传感器。该电信号可以由计算系统数字化和分析。在一些实施例中,当外壳142被固定到固定装置146上时,压电传感器可以成直线地安置在外壳142和固定装置146之间。在该实施例中,压电传感器的一侧与外壳142接触,并且压电传感器的另一侧与固定装置146接触。因此,压电传感器可以检测和测量由于地球的重力而由外壳142施加到固定装置146的压力。在一些实施例中,可以安置多个压电传感器以测量在外壳142的各个点处由外壳142施加到固定装置146的压力。例如,外壳142可以具有四个安装点,外壳142可以通过该四个安装点利用机械联接设备(例如,螺钉、螺母和螺栓、铆钉、紧固件、维可牢尼龙搭扣等)被固定到固定装置146上。在该示例中,压电传感器可以安置在外壳142的每个安装点与固定装置146之间,以测量每个安装点处的压力。通常,压电传感器测量相对压力差。因此,在使用压电传感器测量压力之前,需要将压电传感器“调零”。例如,一旦将压电传感器安置在外壳142和固定装置146之间并且使用机械联接设备将外壳142适当地固定(例如,拧紧),就将由压电传感器输出的电信号调零(例如,设置为零),以建立基线压力。一旦建立了该基线压力,就可以通过压电传感器来测量外壳142与固定装置146之间的相对压力差(例如,比基线压力更大的压力或更小的压力)。
图2示出了根据本公开的实施例的示例外壳对准异常检测系统200的框图。示例外壳对准异常检测系统200可以包括过早对准异常检测引擎202,其还可以包括一个或多个处理器和存储器。处理器结合存储器可以被配置为执行与过早对准异常检测引擎202相关联的各种操作。例如,处理器和存储器可以用于基于从一个或多个压电传感器测量的压力数据来确定外壳(例如,图1B的外壳142)容易发生过早外壳对准异常。在一些实施例中,过早对准异常检测引擎202可以通过对从一个或多个压电传感器测量的压力数据进行汇总和趋势分析来识别过早外壳对准异常。在一些实施例中,过早对准异常检测引擎202可以通过对压力数据运行经训练的机器学习模型来识别或预测过早外壳对准异常。如图2所示,在一些实施例中,过早对准异常检测引擎202可以包括趋势分析引擎204和机器学习引擎206。趋势分析引擎204和机器学习引擎206将在下面进一步详细讨论。
在一些实施例中,外壳对准异常检测系统200可另外包括至少一个数据存储设备210,该数据存储设备210可被过早对准异常检测引擎202访问。在一些实施例中,数据存储设备210可以被配置为存储趋势分析引擎204和机器学习引擎206的参数、数据、配置文件或机器可读代码。
趋势分析引擎204可以被配置为基于从外壳(例如,图1B的外壳142)的一个或多个压电传感器获得的压力数据(应变)来识别过早外壳对准异常。趋势分析引擎204可以被配置为接收和处理来自一个或多个压电传感器的压力数据。在一些实施例中,趋势分析引擎204可以在设定时段内周期性地汇总压力数据。例如,趋势分析引擎204可以每小时、每天、每周、每两周、每月等汇总压力数据。对于每个设定时段,趋势分析引擎204可以处理对应于每个设定时段的压力数据以识别对应于设定时段的最大压力、最小压力和平均压力。在一些实施例中,趋势分析引擎204可以在一时间段内对汇总的压力数据进行趋势分析。例如,可以在一天或一周内对每小时的压力数据进行趋势分析。对于另一示例,可以在一周、两周或一个月内对每天的压力数据进行趋势分析。对于另一示例,可以在一个月、每六个月或一年内对每周的压力数据进行趋势分析。许多变化是可能的。基于经趋势分析的压力数据,趋势分析引擎204可以识别外壳对准异常,或者在某些情况下,识别或预测过早外壳对准异常。
如所讨论的,从一个或多个压电传感器测量的压力数据表示外壳与安装有外壳的固定装置(例如,图1B的固定装置146)之间的相对压力差。一旦将外壳对准到其在固定装置上的最终对准位置,就使用一个或多个机械联接设备(例如,螺钉、螺母和螺栓、铆钉,紧固件、维可牢尼龙搭扣等)固定外壳,并且将一个或多个压电传感器调零(例如,重置为零)为基线压力。在将一个或多个压电传感器调零之后,然后使用一个或多个压电传感器来检测外壳和固定装置之间的压力相对于基线压力的变化。在一些实施例中,趋势分析引擎204可以表征外壳经历的各种振动。例如,当自动驾驶车辆驾驶通过道路缺陷(例如减速带、坑洼等)时,来自道路缺陷的冲击可以导致由外壳施加到固定装置的压力响应于该冲击而瞬时改变。该压力的改变可以通过一个或多个压电传感器来测量。因此,趋势分析引擎204可以对这些压力变化进行汇总和趋势分析,以表征给定日期中外壳经历的各种振动。使用该数据,趋势分析引擎204可以在考虑到各种振动的情况下为从一个或多个压电传感器测量的压力数据定义期望的标称范围。在一些实施例中,趋势分析引擎204可以基于由一个或多个压电传感器测量的压力数据来确定外壳是否即将脱离对准(例如,对准偏移)。例如,趋势分析引擎204在一时间段内对压力数据进行汇总和趋势分析。基于该趋势分析,可能显现或出现以下趋势,即在一时间段内由外壳施加到固定装置的压力变得越来越小,并且压力数据即将落在标称范围之外。该趋势可以指示,用于固定外壳的一个或多个机械联接设备正在变得松动或不牢固,并且外壳可能会具有过早外壳对准异常。在各种实施例中,趋势分析引擎204可以基于每个设定时段中的最大压力、每个设定时段中的最小压力或每个设定时段中的平均压力来对压力数据进行趋势分析。在某些情况下,如果压力数据落在标称范围之外,则其指示外壳与固定装置未对准。趋势分析引擎204将在本文中关于图4A进一步详细讨论。
机器学习引擎206可以被配置为使用机器学习来识别或预测过早外壳对准异常。机器学习引擎206可以从外壳的一个或多个压电传感器获得压力数据。可以使用训练数据集对机器学习引擎206进行训练,以基于压力数据识别过早外壳对准异常。在一些实施例中,机器学习引擎206可以是分类器或一些其他机器学习模型。可以利用任何合适的机器学习技术来训练机器学习引擎206。在一些实施例中,合适的机器学习技术可以包括人工神经网络,诸如深度神经网络。在一些实施例中,机器学习技术可以被监督或至少部分地被监督。在其他情况下,机器学习技术可以至少部分地不受监督。机器学习引擎206可以被配置为输出对应于过早外壳对准异常的置信度分数。置信度分数可以指示识别出的过早外壳对准异常是否准确反映外壳相对于固定装置的当前对准的概率。机器学习引擎206将在本文中关于图4B被进一步详细讨论。
图3A示出了根据本公开的实施例的示例外壳对准异常检测系统300的截面图。在该示例中,外壳对准异常检测系统300包括外壳302,该外壳302由一个或多个机械联接设备(例如,机械联接设备306)通过外壳302的一个或多个安装点固定到自动驾驶车辆的固定装置304上。在各种实施例中,一个或多个机械联接设备可以是螺钉、螺母和螺栓、铆钉、紧固件、维可牢尼龙搭扣或其他机械设备。外壳302可以在每个安装点处包括夹具308。夹具308允许外壳302沿固定装置304平移到其最终对准位置。在一些实施例中,外壳302还可以包括与自动驾驶车辆相关联的多个传感器(例如,LiDAR和多个相机)。在一些实施例中,外壳302可以由对多个传感器可接收的电磁波透明的材料制成。在一些实施例中,外壳302还可以在外壳302的每个安装点处包括压电传感器310。在压电传感器310已被调零之后,压电传感器310可以测量由外壳302施加到固定装置304的压力。在一些实施例中,通过使用压电传感器310,外壳对准异常检测系统300可以表征外壳302所经历的各种振动。例如,当自动驾驶车辆驾驶通过各种道路缺陷时,所产生的振动可以转移到外壳302。在某些情况下,这些振动可以导致外壳302和固定装置304之间的压力瞬时改变。在该示例中,压电传感器310能够检测和测量该压力改变。在一些实施例中,压电传感器310可以用于检测过早外壳对准异常。例如,如果机械联接设备306变得不牢固(或松动),则在该特定安装点处由外壳302施加到固定装置304的压力将变得越来越小。这样,对应于机械联接设备306的压电传感器306可以检测和测量该压力改变。外壳对准异常检测系统300随后可以将该安装点识别为潜在的过早外壳对准异常。
图3B示出了根据本公开的实施例的用于传感器系统的外壳320的示例。例如,外壳320可以被实现为外壳302。图3B可以包括盖362以封装传感器系统,该传感器系统可以包括LiDAR传感器330和相机332。例如,盖362可以是可拆卸的或可移除的以允许容易地取放传感器系统。在一些实施例中,盖362可以相对于传感器系统绕盖362的中心竖直轴线圆形旋转或以三百六十度旋转。在一些实施例中,盖362可以具有:具有低风阻或阻力系数的轮廓或形状,并且因此减小对自动驾驶车辆燃料经济性的负面影响。例如,盖362可以具有光滑的表面,使得在空气和盖362之间形成的边界层将是层流的而不是湍流的。例如,盖362可以具有光滑的角度轮廓。在一些实施例中,盖362的外廓形可以具有:具有不同形状的多个不同的区段(例如,部分、区域等)。例如,盖362的顶部可以具有圆形圆顶形状,该圆形圆顶形状具有在顶部的基部处测量的第一直径,并且该顶部可以封装自动驾驶车辆的LiDAR传感器330。盖362的直接在顶部下方的中部可以具有梯形或截锥形,该梯形或截锥形具有在中部的基部处测量的第二直径,并且第二直径可以大于第一直径。盖362的直接在中部下方的下部可以具有梯形或截锥形,该梯形或截锥形具有在下部的基部处测量的第三直径。第三直径可以大于第二直径。在其他实施例中,盖362可以整体上由单个形状组成,诸如圆形圆顶形状、梯形或截锥形。
盖362可以由任何合适的材料制成,该材料允许外壳320的一个或多个传感器正常工作,同时使一个或多个传感器免受环境因素(例如雨、雪、水分、风、灰尘、辐射、氧化等)的影响。进一步地,合适的材料必须对LiDAR传感器330和多个相机332可接收的光或电磁波的波长透明。例如,为了使LiDAR传感器330正常操作,盖362必须允许从LiDAR传感器330发出的激光脉冲穿过盖362到达目标,并且然后通过盖362反射回来并返回到LiDAR传感器330。类似地,为了使多个相机332正确操作,盖362必须允许可见光进入。除了对光的波长透明之外,合适的材料还必须能够承受路边碎屑的可能撞击,而不会导致损坏LiDAR传感器330或多个相机332。在实施方式中,盖362可以由丙烯酸玻璃(例如Cylux、Plexiglas、Acrylite、Lucite、Perspex等)制成。在另一实施方式中,盖362可以由强化玻璃(例如,玻璃)制成。在又一实施方式中,盖362可以由层压安全玻璃制成,该层压安全玻璃通过聚乙烯醇缩丁醛(PVB)、乙烯-乙酸乙烯酯(EVA)或其他类似化合物的层保持在适当位置。许多实施方式是可能的并且是可预期的。
在一些实施例中,盖362可以用薄膜神经过滤器着色以减小进入盖362的光的透射率。例如,在实施例中,盖362的下部可以选择性地用薄膜神经过滤器着色,以减小多个相机332看到的可见光的强度。在该示例中,从LiDAR传感器330发出的激光脉冲的透射率不受着色的影响,因为仅盖362的下部被着色。在另一实施例中,盖362的下部可以用薄膜渐变神经过滤器着色,其中可见光的透射率可以沿轴线变化。在又一个实施例中,整个盖362可以被处理或涂覆有反射涂层,使得外壳320的组件从外部有利地点不可见,同时仍然对LiDAR传感器330和多个相机332可接收的光的波长透明。许多变化(诸如添加偏振层或抗反射层)是可能的并且是可预期的。
在一些实施例中,外壳320可以包括框架334、环336和多个锚固柱338。框架334为LiDAR传感器330和多个相机332提供机械支撑。环336为盖362提供安装点,使得盖362封装并保护传感器系统不受环境因素的影响。多个锚固柱338提供机械联接以将外壳320固定或安装到自动驾驶车辆。
在一些实施例中,框架334可以具有由支柱340保持在适当位置的两个基板。框架334的上部基板可以为LiDAR传感器330提供安装表面,而框架334的下部基板可以为多个相机332提供安装表面。通常,可以将任何数量的LiDAR传感器330和相机332安装到框架334。框架334不限于如图3B所示的具有一个LiDAR传感器和六个相机。例如,在实施例中,框架334可以具有由支柱340保持在适当位置的两个以上的基板。在该示例中,框架334可以具有三个基板,其中上部两个基板预留用于两个LiDAR传感器330,并且下部基板用于六个相机332。在另一实施例中,下部基板可以具有六个以上的相机332。例如,可以存在指向自动驾驶车辆的向前方向的三个相机、指向自动驾驶车辆的右向方向和左向方向的两个相机和指向自动驾驶车辆的反向方向的两个相机。许多变化是可能的。
框架334可以包括温度传感器342、风扇344、空调(AC)通风口或舱体通风口346以及压力传感器355。温度传感器342可以被配置为测量外壳320的温度。通常,温度传感器342可以放置在框架334上的代表外壳温度的任何位置。在典型的实施方式中,温度传感器342放置在LiDAR传感器330和多个相机332生成的热量最集中的区域中。在图3B的示例中,温度传感器342被放置在框架334的下部基板上,正好在三个前置相机的后面。风扇344可以被配置为从外部源汲取进气流。在各种实施方式中,风扇344与温度传感器342结合工作以维持外壳320内部的稳定温度状况。风扇344可以根据外壳温度改变其转速。例如,当外壳温度高时,如由温度传感器342测量的,风扇344可以增加其转速以汲取附加空气量以降低外壳320的温度,并且因此冷却传感器。类似地,当外壳320的温度低时,风扇344不需要如此快的操作。风扇344可以位于框架334的下部基板的中央。AC通风口或舱体通风口346可以是将冷却空气输送到外壳320中的管道、管或导管。在实施例中,AC通风口或舱体通风口346可以连接到自动驾驶车辆的舱体。在另一实施例中,AC通风口或舱体通风口346可以连接单独的空调单元,该单独的空调单元提供与自动驾驶车辆的舱体分离的冷却空气。AC通风口或舱体通风口346可以在框架334的表面处直接连接到外壳320。压力传感器355可以被配置为确定外壳320的内部气压。
在一些实施例中,框架334还可以包括动力系。动力系是联接到包括一个或多个齿轮的传动系的电动马达。动力系可以使环336顺时针或逆时针旋转。在各种实施例中,电动马达可以是直流有刷或无刷马达,或者交流同步或异步马达。许多变化是可能的。在各种实施例中,传动系的一个或多个齿轮可以被配置为具有各种齿轮比,这些齿轮比被设计为提供各种量的扭矩传递和转速。
通常,框架334可以由能够承受极端温度波动并经受各种环境状况(例如,雨、雪、腐蚀、氧化等)的任何合适的材料制成。框架334可以使用各种金属合金(例如,铝合金、钢合金等)制造。框架334也可以用三维打印机使用热塑性塑料(例如,聚乳酸、丙烯腈丁二烯苯乙烯、聚酰胺、高抗冲聚苯乙烯、热塑性弹性体等)制造。类似地,空气管道346可以由刚性材料(例如,硬塑料、聚氨酯、金属合金等)或半刚性材料(例如,橡胶、硅酮等)制成。许多变化是可能的。
环336可以为盖362提供安装点,以封装外壳320的内部结构304。在图3B的示例中,环336具有包括附接点348的外部,盖362可以通过该附接点348附接并固定。环336还具有包括齿轮齿350(或嵌齿轮)的内部,使得当齿轮齿350由框架334的动力系驱动时,整个环336因此旋转。
与框架334类似,环336可以由能够承受极端温度波动并经受各种环境状况的任何合适的材料制成。然而,在大多数实施方式中,用于环336的合适材料必须比用于框架334的材料稍微更耐用。这是因为环336的齿轮齿350由于联接到框架334的动力系而经受更多的磨损。环336可以使用各种金属合金(例如,碳钢、合金钢等)制造。环336也可以用三维打印机使用热塑性塑料(例如,聚乳酸、丙烯腈丁二烯苯乙烯、聚酰胺、高抗冲聚苯乙烯、热塑性弹性体等)制造。
多个锚固柱338可以提供机械联接,以将外壳320固定或安装到自动驾驶车辆。通常,可以使用任何数量的锚固柱338。在图3B的示例中,外壳320被示出为具有八个锚固柱:四个锚固柱将框架334固定到自动驾驶车辆,并且四个锚固柱将环336固定到自动驾驶车辆。类似于框架334和环336,多个锚固柱338可以由任何合适的材料制成并且可以使用金属合金(例如,碳钢、合金钢等)制造或者用热塑性塑料(例如,聚乳酸、丙烯腈丁二烯苯乙烯、聚酰胺、高抗冲聚苯乙烯、热塑性弹性体等)三维打印。
第一通风口354和/或第二通风口356可以设置在盖362上。例如,第一通风口354可以设置在框架344附近或在框架334的上部基板和框架334的下部之间。例如,第二通风口356可以设置在盖362的顶部处或附近。第一通风口354允许空气从外部流入外壳320,并且可以用于防止潮湿/或过热。第二通风口356允许从外壳320排出暖/热空气。第一通风口354和/或第二通风口356可以有利于空气的层流。例如,由空气进入和第一通风口354产生的边界层将是层流的,使得该边界层不会产生湍流。第一通风口354和/或第二通风口356可以包括光滑的孔口,并且可以成形为具有圆形或椭圆形的截面。第一通风口354和/或第二通风口356可以成形为使得流过第二通风口356的空气的雷诺数可以最多为2000,以产生层流。在一些实施例中,流过第一通风口354和/或第二通风口356的空气的雷诺数可以最多为3000或最多为1000。
控制器352可以设置在框架334、框架334的上部基板或框架334的下部基板上。控制器352可以控制LiDAR传感器330、相机332、温度传感器342、风扇344、AC通风口或舱体通风口346、第一通风口354和/或第二通风口356中的一个或多个的操作。
例如,控制器352可以基于车辆的速度、由温度传感器342测量的温度、外部温度或由温度传感器342测量的温度与外部温度之间的差来调节风扇344的转速,并且以调节的转速操作风扇344。例如,控制器352可以基于上述因素的任意组合来调节风扇344的转速。作为示例,控制器352可以基于从外壳320到AC通风口或舱体通风口346的通道是否打开来调节风扇344的转速。例如,如果从外壳320到AC通风口或舱体通风口346的通道关闭(例如,没有空气从AC通风口或舱体通风口346流到外壳320),则控制器352可以增加或减小风扇344的转速。例如,如果从外壳320到AC通风口或舱体通风口346的通道打开,则控制器352可以增加或减小风扇344的转速。例如,控制器352可以基于外壳320外部的风的水平来调节风扇344的转速。例如,风的水平可以由通过第一通风口354进入的气流的量来确定。例如,如果足够的空气通过第一通风口354进入以提供冷却和/或通风,则控制器352可以降低风扇344的转速或关闭风扇344。此外,附加于或代替调节风扇344的转速,控制器352可以例如根据或基于外壳320的一个或多个传感器所需的冷却的量来调节从AC通风口或舱体通风口346进入的空气量。例如,控制器352可以基于自动驾驶车辆的速度、由温度传感器342测量的温度、外部温度、由温度传感器342测量的温度与外部温度之间的差或基于LiDAR传感器330或相机332的内部温度(可以指示LiDAR传感器330或相机332被使用的程度)中的一个或多个或任意组合来调节进入AC通风口或舱体通风口346的空气量。例如,控制器352可以通过调整AC通风口或舱体通风口346的开口的大小(例如,AC通风口或舱体通风口346的开口的半径),或通过调节提取到AC通风口或舱体通风口346中的空气量,来调节进入AC通风口或舱体通风口346的空气量。在另一实施例中,控制器352可以基于风扇344的转速调节从AC通风口或舱体通风口346进入的空气量。例如,在一个实施例中,如果风扇344的转速增加,则控制器352可以减小进入AC通风口或舱体通风口346的空气量,因为风扇344可能已经提供了外壳320的充分冷却。在一个实施例中,控制器352可以在使用风扇344和AC通风口或舱体通风口346之间进行选择以冷却外壳320。例如,控制器352可以基于哪种方法更能量有效而在使用风扇344和AC通风口或舱体通风口346之间进行选择以冷却外壳320。在一个实施例中,当要提供的冷却量(例如,可以对应于由温度传感器342测量的温度)低于阈值(例如,第一阈值)时,控制器352可以选择使用风扇344,并且当要提供的冷却量大于阈值(例如,第一阈值)时,控制器352可以选择使用AC通风口或舱体通风口346。另一方面,如果风扇344在高转速下的操作本身在内部为风扇344生成热量,则控制器352可以增加进入AC通风口或舱体通风口346的空气量,或允许空气通过AC通风口或舱体通风口346进入以为风扇344提供冷却。因此,控制器352可以随着风扇344的转速增加而增加进入AC通风口或舱体通风口346的空气量。
控制器352可以进一步被配置为基于由温度传感器342测量的外壳320的温度或由压力传感器355测量的外壳320的内部气压来打开或关闭从AC通风口或舱体通风口346到外壳320的通道。例如,外壳320的内部温度的增加可以导致外壳320的一部分的内部气压的变化,因为较暖的空气上升。为了补偿外壳320内部的温度和/或压力的变化,可以打开AC通风口或舱体通风口346以允许AC空气或舱体空气流入AC通风口或舱体通风口346。此外,控制器352可以被配置为,例如通过增加或减小AC通风口或舱体通风口346的大小来增加或减小进入外壳320的AC空气或舱体空气的量。在另一实施例中,控制器352可以被配置为,例如基于外壳320内部的温度的梯度或外壳320内部的压力的梯度来增加或减小AC空气或舱体空气的量。作为示例,如果外壳320内部的温度的梯度超过阈值(例如,第二阈值),则控制器352可以被配置为增加或减小AC空气或舱体空气的量。作为示例,如果外壳320内部的压力的梯度超过阈值(例如,第三阈值),则控制器352可以被配置为增加或减小AC空气或舱体空气的量。
控制器352可以进一步基于预测的未来状况(诸如,预期速度、预期外部温度或外壳320的预期内部温度)中的一个或任意组合来调整风扇344的转速和/或进入AC通风口或舱体通风口346的空气量。例如,如果控制器352基于所选的导航路线或天气预报预测目的地处的温度高,则控制器可以通过增加风扇344的转速或增加进入AC通风口或舱体通风口346的空气量来抢先预冷外壳320。作为另一示例,如果控制器352预测在不久的将来将大量使用LiDAR传感器330或相机332,则控制器可以通过增加风扇344的转速或增加进入AC通风口或舱体通风口346的空气量来抢先预冷外壳320。作为另一示例,如果控制器352基于道路的类型(例如,高速公路)、交通状况、道路状况和/或剩余的电池/汽油量来预测车辆速度将增加,则控制器可以通过增加风扇344的转速或增加进入AC通风口或舱体通风口346的空气量来抢先预冷外壳320。
可选地,外壳320还包括过滤器360,或一个或多个过滤器360,以过滤掉碎屑。在一个实施例中,过滤器360是HEPA过滤器。一个或多个过滤器360可以设置在框架334的上部基板、框架334的下部基板或框架334上。附加地或可替代地,一个或多个过滤器360可以设置在第一通风口354的入口处。过滤器360的活动可以由控制器352控制。例如,如果检测到的碎屑水平高,则控制器352可以增加过滤器360的活动水平(例如,重负荷模式)。相反,如果检测到的碎屑水平低,则控制器352可以降低过滤器360的活动水平(例如,轻负荷模式)。可以进一步调整过滤器360以过滤掉特定大小范围的微粒(例如,通过控制器352)。
图4A示出了根据本公开的实施例的压力数据趋势分析场景400。在该示例场景400中呈现了x-y点图。x-y点图可以表示在一时间段内的一系列设定时段内汇总的压力数据的点图。x-y点图的x轴可以表示时间标度,其中x轴的每个增量402表示以时间标度为单位的设定时段(例如,小时、天等)。x-y点图的y轴可以表示在每个相应设定时段内获得的压力数据(例如404),该压力数据是由压电传感器(例如,图3A的压电传感器310)测量的。图4中描绘的点图对应于由一个压电传感器收集的压力数据。在一个以上的压电传感器的情况下,每个压电传感器可以具有对应的点图。在图4A的示例中,在一时间段(例如一周、两周、一个月等)内绘制压力数据。在各种实施例中,可以在一周、两周、一个月、一年等内绘制压力数据。许多变化都是可能的。在每个相应设定时段中获得的每个压力数据(例如404或416)内,对于每个相应设定时段可以存在最大压力(例如406)、最小压力(例如408)和平均压力(例如410)。最大压力(例如406)指示对于每个相应设定时段,由外壳施加到固定装置的最大压力。最小压力(例如408)指示对于每个相应设定时段,由外壳施加到固定装置的最小压力。平均压力(例如410)仅是对于每个相应设定时段,压力数据的平均值。通常,压力数据在每个设定时段之间可能变化很大。例如,外壳经受的颠簸和振动一天可以比下一天大,或者从一小时到下一小时变大。例如,由自动驾驶车辆驾驶的道路一天可以比下一天有更多的道路缺陷(例如坑洼、减速带、不平的道路等)。当自动驾驶车辆驾驶通过道路缺陷时,所产生的振动转移到外壳,并且导致外壳瞬间振动。该振动可以由压电传感器测量,并且导致压力数据在每个设定时段中具有散布。因此,在该示例中,压力数据的散布(spread)对于某些设定时段可以比其他设定时段更大(更宽)。在图4A的示例中,x-y点图可以具有上限412和下限414。上限412和下限414指示在一时间段内压力数据的标称范围(即,正常或预期范围)。可以通过在一时间段内识别压力数据中的最大值来确定上限412。可以通过在一时间段内识别压力数据中的最低值来确定下限414。落在标称范围之外的任何压力数据(例如416)都是可疑的数据点,并且可能指示外壳对准异常(例如,外壳或外壳的一部分不牢固)或指示外壳的对准发生了偏移。例如,在图4A的示例中,x-y点图基于每个设定时段的平均压力描绘了趋势418。可以使用各种回归或其他统计方法来确定趋势418。例如,线性回归可以用于基于每个设定时段的平均压力来生成趋势418。在该示例中,尽管趋势418仍在由上限412和下限414定义的标称范围内,但趋势418的向下倾斜可以指示外壳可能未紧密地固定到固定装置,并且需要立即注意。因为平均压力表示每个设定时段中的平均压力,并且平均压力表示外壳经历的振动程度,所以趋势418可以表明外壳正在经历比平时更多的振动。这种现象可能是由于例如用于将外壳固定到固定装置的机械联接设备(例如,图3A的机械联接设备306)在某一时间段内变松而引起的。在一些实施例中,趋势418可以具有上升趋势。在一些实施例中,自动驾驶车辆可以将指示外壳对准异常的警报传输到自动驾驶车辆的操作者。
图4B示出了根据本公开的实施例的机器学习场景440。在各种实施例中,机器学习模型448可以用于从驾驶记录444识别或预测过早外壳对准异常454。在可以使用机器学习模型448来识别过早外壳对准异常454之前,需要在训练阶段442中训练机器学习模型448。在训练阶段442中,训练压力数据集446可以用于训练机器学习模型448。训练压力数据集446包括驾驶记录444中的人类注释的数据集,其指示训练压力数据集446中的数据是标称的还是非标称的。基于训练压力数据集446中的人类注释的数据集,可以训练机器学习模型448以在异常显现之前从驾驶记录444识别或预测过早外壳对准异常454。在一些实施例中,可以使用分类器、神经网络或卷积神经网络来实现机器学习模型448。许多变化是可能的并且是可预期的。一旦被训练,机器学习模型448就变为经训练的机器学习模型452。经训练的机器学习模型452从驾驶记录444获得压力数据450。在一些实施例中,压力数据450包括对应于设定时段内测量的压力的数据。设定时段可以是一小时、一天、一周等。经训练的机器学习模型452处理压力数据450,并且基于压力数据450来输出指示存在过早外壳对准异常454的可能性的置信度分数或概率。置信度分数指示经训练的机器学习模型452在评估过早外壳对准异常454的存在时的置信度。例如,基于压力数据470,经训练的机器学习模型472以十分之七的置信度分数指示过早外壳对准异常454的存在。在该示例中,置信度为七指示压力数据450中存在过早外壳对准异常454的可能性为百分之七十。
图5示出了根据本公开的实施例的示例方法500。下面呈现的方法500的操作旨在说明。取决于实现方式,示例方法500可以包括以各种顺序或并行执行的附加、更少或替代步骤。示例方法500可以在包括一个或多个处理器的各种计算系统或设备中实现。
在框502处,从一个或多个压电传感器获得设定时段的压力数据。该一个或多个压电传感器安置在自动驾驶车辆的外壳和固定装置之间。在框504处,可以在一时间段内处理设定时段的压力数据。在框506处,可以基于处理后的压力数据识别一个或多个趋势。
硬件实现方式
本文中描述的技术由一个或多个专用计算设备来实现。专用计算设备可以硬连线以执行该技术,或者可能包含电路或数字电子设备(诸如一个或多个专用集成电路(ASIC)或被永久编程为执行该技术的现场可编程门阵列(FPGA)),或者可以包括一个或多个硬件处理器,该硬件处理器被编程为根据固件、存储器、其他储存器(storage)或组合中的程序指令来执行技术。这样的专用计算设备还可以将定制的硬连线逻辑、ASIC或FPGA与定制的编程相结合,以实现这些技术。专用计算设备可以是台式计算机系统、服务器计算机系统、便携式计算机系统、手持式设备、网络设备或结合硬连线和/或程序逻辑来实现技术的任何其他设备或设备组合。
计算设备通常由操作系统软件控制和协调,诸如iOS、Android、Chrome OS、Windows XP、Windows Vista、Windows 7、Windows 8、Windows Server、Windows CE、Unix、Linux、SunOS、Solaris、iOS、Blackberry OS、VxWorks或其他兼容的操作系统。在其他实施例中,计算设备可以由专有操作系统控制。传统的操作系统控制和调度以供执行的计算机进程,执行存储器管理,提供文件系统、联网、I/O服务,并且提供诸如图形用户界面(“GUI”)的用户界面功能,等等。
图6是示出了可以实现本文中所描述的任何实施例的计算机系统600的框图。计算机系统600包括用于传送信息的总线602或其他通信机制、用于处理信息的与总线602联接的一个或多个硬件处理器604。硬件处理器604可以是例如一个或多个通用微处理器。
计算机系统600还包括联接到总线602的主存储器606(诸如随机存取存储器(RAM)、高速缓存和/或其他动态存储设备),用于存储将由处理器604执行的信息和指令。主存储器606还可以用于在执行将由处理器604执行的指令期间存储临时变量或其他中间信息。这些指令在被存储在处理器604可访问的存储介质中时将计算机系统600渲染为被定制为执行指令中指定的操作的专用机器。
计算机系统600还包括联接到总线602的只读存储器(ROM)608或其他静态存储设备,用于存储用于处理器604的静态信息和指令。提供了存储设备610(诸如磁盘、光盘或USB拇指驱动器(闪存驱动器)等),其联接到总线602,用于存储信息和指令。
计算机系统600可以经由总线602联接到显示器612(诸如阴极射线管(CRT)或LCD显示器(或触摸屏)),用于向计算机用户显示信息。包括字母数字键和其他键的输入设备614联接到总线602,用于将信息和命令选择传送给处理器604。用户输入设备的另一种类型是光标控件616(诸如鼠标、轨迹球或光标方向键),其用于将方向信息和命令选择传送给处理器604并控制显示器612上的光标移动。该输入设备通常在两个轴上具有两个自由度,即第一轴(例如,x)和第二轴(例如,y),这允许该设备指定平面中的位置。在一些实施例中,可以通过在没有光标的情况下接收触摸屏上的触摸来实现与光标控制相同的方向信息和命令选择。
计算系统600可以包括用户接口模块以实现GUI,该用户接口模块可以作为由计算设备执行的可执行软件代码存储在大容量存储设备中。举例来说,该模块和其他模块可以例如包括组件,诸如软件组件、面向对象的软件组件、类组件和任务组件、进程、函数、属性、过程、子例程、程序代码段、驱动程序、固件、微代码、电路、数据、数据库、数据结构、表、数组和变量。
一般而言,本文中所使用的单词“模块”是指体现在硬件或固件中的逻辑,或者指用编程语言(例如,Java、C或C++)编写的、可能具有入口点和出口点的软件指令的集合。可以将软件模块编译并链接到可执行程序中、安装在动态链接库中,或者可以用解释性编程语言(例如,Basic、Perl或Python)编写该软件模块。可以理解,软件模块可以从其他模块或从其自身调用,并/或可以响应于检测到的事件或中断而被调用。可以将被配置为在计算设备上执行的软件模块提供在计算机可读介质(诸如光盘、数字视频光盘、闪存驱动器、磁盘或任何其他有形介质)上,或者可以提供为数字下载(并且可以最初以需要在执行之前进行安装、解压缩或解密的压缩或可安装的格式存储)。可以将这样的软件代码部分或全部地存储在执行中的计算设备的存储设备上,以由该计算设备执行。可以将软件指令嵌入在诸如EPROM的固件中。还将理解,硬件模块可以由连接的逻辑单元(诸如门和触发器)组成,并/或可以由可编程单元(诸如可编程门阵列或处理器)组成。本文中描述的模块或计算设备功能优选地被实现为软件模块,但是可以以硬件或固件来表示。通常,本文中描述的模块是指可以与其他模块组合的模块或被划分为子模块的逻辑模块,而不考虑其物理组织或存储方式。
计算机系统600可以使用定制的硬连线逻辑、一个或多个ASIC或FPGA、固件和/或程序逻辑(其与计算机系统结合使计算机系统600成为或编程为专用机器)来实施本文中描述的技术。根据一个实施例,本文中的技术由计算机系统600响应于处理器604执行包含在主存储器606中的一个或多个指令的一个或多个序列来执行。可以从诸如存储设备610的另一存储介质将这样的指令读入主存储器606。主存储器606中包含的指令序列的执行使处理器604执行本文中所述的处理步骤。在替代性实施例中,硬连线电路可以代替软件指令来使用或与软件指令结合使用。
如本文中所用,术语“非暂时性介质”和类似术语是指存储使机器以特定方式操作的数据和/或指令的任何介质。这样的非暂时性介质可以包括非易失性介质和/或易失性介质。非易失性介质包括例如光盘或磁盘,诸如储存设备610。易失性介质包括动态存储器,诸如主存储器606。非暂时性介质的常见形式包括例如软盘、软磁盘、硬盘、固态驱动器、磁带或任何其他磁数据存储介质、CD-ROM、任何其他光数据存储介质、具有孔图案的任何物理介质、RAM、PROM和EPROM、FLASH-EPROM、NVRAM,任何其他存储器片或盒式磁盘以及其网络版本。
非暂时性介质不同于传输介质,但是可以与传输介质结合使用。传输介质参与非暂时性介质之间的信息传输。例如,传输介质包括同轴电缆、铜线和光纤,其包括构成总线602的线。传输介质还可以采用声波或光波的形式,诸如在无线电波和红外数据通信期间生成的声波或光波。
各种形式的介质可涉及将一个或多个指令的一个或多个序列传送给处理器604以供执行。例如,最初可以将指令承载在远程计算机的磁盘或固态驱动器上。远程计算机可以将指令加载到其动态存储器中,并使用调制解调器通过电话线发送指令。计算机系统600本地的调制解调器可以在电话线上接收数据,并使用红外发射器将该数据转换为红外信号。红外检测器可以接收红外信号中携带的数据,并且适当的电路可以将该数据放置在总线602上。总线602将数据携带到主存储器606,处理器604从主存储器606中检索并执行指令。由主存储器606接收的指令可以检索并执行指令。由主存储器606接收的指令可以可选地在由处理器604执行之前或之后被存储在存储设备610上。
计算机系统600还包括联接到总线602的通信接口618。通信接口618提供双向数据通信,其联接到连接到一个或多个本地网络的一个或多个网络链路。例如,通信接口618可以是集成服务数字网络(ISDN)卡、电缆调制解调器、卫星调制解调器或调制解调器,以提供到对应类型的电话线的数据通信连接。作为另一示例,通信接口618可以是局域网(LAN)卡,以提供与兼容LAN(或与WAN通信的WAN组件)的数据通信连接。也可以实现无线链接。在任何这样的实现中,通信接口618发送和接收携带表示各种类型的信息的数字数据流的电信号、电磁信号或光信号。
网络链路通常通过一个或多个网络向其他数据设备提供数据通信。例如,网络链路可以通过本地网络提供到主机计算机或到由互联网服务提供商(ISP)操作的数据设备的连接。ISP依次通过现在通常被称为“互联网(Internet)”的全球分组数据通信网络提供数据通信服务。局域网和互联网都使用承载数字数据流的电信号、电磁信号或光信号。通过各种网络的信号以及在网络链路上并且通过通信接口618的信号(其携带去往和来自计算机系统600的数字数据)是传输介质的示例形式。
计算机系统600可以通过网络、网络链路和通信接口618发送消息并接收数据(包括程序代码)。在互联网示例中,服务器可以通过互联网、ISP、本地网络和通信接口618传输针对应用程序的请求代码。
所接收的代码可以在其被接收时由处理器604执行,并/或被存储在储存设备610或其他非易失性储存器中,以供以后执行。
前面各部分中描述的进程、方法和算法中的每个可以体现在由一个或多个计算机系统或包括计算机硬件的计算机处理器执行的代码模块中,或者由该代码模块完全或部分自动化。可以在应用专用电路中部分或全部实现进程和算法。
前述的各种特征和过程可以彼此独立地使用,或者可以以各种方式组合。所有可能的组合和子组合旨在落入本公开的范围内。另外,在某些实施方式中,可以省略某些方法或过程框。本文中所述的方法和过程也不限于任何特定的顺序,并且与其相关的框或状态可以以其他适当的顺序执行。例如,可以以不同于具体公开的顺序来执行所描述的框或状态,或者可以在单个框或状态中组合多个框或状态。示例框或状态可以串行、并行或以其他方式执行。块或状态可以被添加到所公开的示例实施例中或从所公开的示例实施例中去除。本文中描述的示例系统和组件可以被配置为与所描述的不同。例如,与所公开的示例实施例相比,元件可以被添加到所公开的示例性实施例中、从所公开的示例性实施例中移除或重新排列。
条件语言,诸如“能够”、“能”、“可能”或“可以”,除非另外特别说明,或者在所使用的上下文中另外理解,通常旨在传达某些实施例包括而某些实施例不包括某些特征、元件和/或步骤。因此,这种条件语言通常不旨在暗示特征、元件和/或步骤无论如何都是一个或多个实施例所需的,或者暗示一个或多个实施例必须包括用于在具有或没有用户输入或提示的情况下决定这些特征、元件和/或步骤是否包括在任何特定实施例中的逻辑或将在任何特定实施例中执行的逻辑。
在本文中描述的和/或在附图中描绘的流程图中的任何过程描述、元件或框应当被理解为潜在地表示代码的模块、段或部分,其包括一个或多个用于在进程中实现特定逻辑功能或步骤的可执行指令。如本领域技术人员将理解的,替代性实施方式包括在本文中所述实施例的范围内,其中取决于所涉及的功能,可以删除、不按所示的或所讨论的顺序执行(包括基本上同时或以相反的顺序执行)元件或功能。
应该强调的是,可以对上述实施例进行许多变型和修改,其元件应被理解为是其他可接受的示例中的一种。所有这些修改和变型旨在包括在本公开的范围内。前面的描述详述了本发明的某些实施例。然而,应当理解,无论前述内容在文本中显示的多么详细,都可以以许多方式来实践本发明。如上所述,应当注意的是,在描述本发明的某些特征或方面时,使用特定术语并不意味着暗示术语在本文中被重新定义为限于包括与该术语相关联的本发明的特征或方面的任何特定特征。因此,本发明的范围应根据所附权利要求及其任何等同物来解释。
引擎、组件和逻辑
本文中将某些实施例描述为包括逻辑或多个组件、引擎或机制。引擎可以构成软件引擎(例如,体现在机器可读介质上的代码)或硬件引擎。“硬件引擎”是能够执行某些操作的有形单元,并且可以以某种物理方式被配置或布置。在各种示例实施例中,可以通过软件(例如,应用程序或应用程序部分)将一个或多个计算机系统(例如,独立计算机系统、客户端计算机系统或服务器计算机系统)或计算机系统的一个或多个硬件引擎(例如,一个处理器或一组处理器)配置为被操作为执行本文所述的某些操作的硬件引擎。
在一些实施例中,可以机械地、电子地或其任何合适的组合来实现硬件引擎。例如,硬件引擎可以包括永久性地被配置为执行某些操作的专用电路或逻辑。例如,硬件引擎可以是专用处理器,诸如现场可编程门阵列(FPGA)或专用集成电路(ASIC)。硬件引擎还可以包括可编程逻辑或电路,其由软件临时被配置为执行某些操作。例如,硬件引擎可以包括由通用处理器或其他可编程处理器执行的软件。一旦通过此类软件进行配置,则硬件引擎将成为专门定制为执行配置功能的特定机器(或机器的特定组件),并且不再是通用处理器。将意识到,机械地、在专用且永久配置的电路中或在临时配置的电路(例如,由软件配置)中实施硬件引擎的决定可能受成本和时间考虑的影响。
因此,短语“硬件引擎”应被理解为包括有形实体,该有形实体是被物理构造、永久配置(例如,硬连线)或临时配置(例如,编程)为以某种方式操作或执行本文所述的某些操作的实体。如本文中所使用的,“硬件实现的引擎”是指硬件引擎。考虑到硬件引擎被临时配置(例如,编程)的实施例,硬件引擎中的每个无需在任何时候都及时被配置或实例化。例如,在硬件引擎包括由软件被配置为专用处理器的通用处理器的情况下,该通用处理器可以在不同时间分别被配置为不同的专用处理器(例如,包括不同的硬件引擎)。软件相应地配置一个或多个特定处理器,例如,以在一个时间实例中构成特定的硬件引擎,并在不同的时间实例中构成不同的硬件引擎。
硬件引擎可以向其他硬件引擎提供信息并从其他硬件引擎接收信息。因此,所描述的硬件引擎可以被认为是通信联接的。在同时存在多个硬件引擎的情况下,可以通过在硬件引擎中的两个或多个之间的信号传输(例如,通过适当的电路和总线)来实现通信。在以不同时间配置或实例化多个硬件引擎的实施例中,可以例如通过在多个硬件引擎可以访问的存储器结构中存储和检索信息来实现这种硬件引擎之间的通信。例如,一个硬件引擎可执行操作并将该操作的输出存储在其通信联接的存储设备中。然后,另一硬件引擎可以在以后的时间访问该存储设备以检索和处理所存储的输出。硬件引擎还可以发起与输入或输出设备的通信,并且可以在资源(例如,信息的集合)上进行操作。
本文中描述的示例方法的各种操作可以至少部分地由一个或多个临时配置(例如,通过软件)或永久被配置为执行相关操作的处理器执行。无论是临时配置还是永久配置,这样的处理器都可以构成处理器实现的引擎,其被操作为执行本文所述的一个或多个操作或功能。如本文所使用的,“处理器实现的引擎”是指使用一个或多个处理器实现的硬件引擎。
类似地,本文中描述的方法可以至少部分地由处理器实现,其中一个或多个特定处理器是硬件的示例。例如,方法的操作中的至少一些可以由一个或多个处理器或处理器实现的引擎来执行。此外,一个或多个处理器还可操作为在“云计算”环境中或作为“软件即服务”(SaaS)支持相关操作的性能。例如,操作中的至少一些可以由一组计算机(作为包括处理器的机器的示例)执行,其中这些操作可以通过网络(例如,互联网)和一个或多个适当的接口(例如,应用程序接口(API))来访问。
某些操作的性能可以分布在处理器之间,不仅驻留在单个计算机内,而且可以部署在多个计算机上。在一些示例实施例中,处理器或处理器实现的引擎可以位于单个地理位置中(例如,在家庭环境、办公室环境或服务器场内)。在其他示例实施例中,处理器或处理器实现的引擎可以分布在多个地理位置上。
语言
在整个说明书中,多个实例可以实现被描述为单个实例的组件、操作或结构。尽管将一种或多种方法的单独操作示出并描述为单独的操作,但是可以同时执行单独操作中的一个或多个,并且不需要按照所示顺序执行操作。在示例配置中被呈现为单独的组件的结构和功能可以被实现为组合的结构或组件。类似地,被呈现为单个组件的结构和功能可以被实现为单独的组件。这些和其他变型、修改、添加和改进落入本文中的主题的范围内。
尽管已经参考特定示例实施例描述了本主题的概述,但是在不脱离本公开的实施例的更广范围的情况下,可以对这些实施例进行各种修改和改变。主题的这样的实施例在本文中可以仅仅为了方便起见而单独地或共同地由术语“发明”来指代,并且如果实际上公开了多个公开或概念,则并不旨在将本申请的范围限制为任何单个公开或概念。
足够详细地描述了本文所示的实施例,以使本领域技术人员能够实践所公开的教导。可以使用其他实施例并从中导出,使得可以在不脱离本公开的范围的情况下进行结构和逻辑上的替换和改变。因此,不应从限制的意义上理解详细描述,并且各种实施例的范围仅由所附权利要求以及这些权利要求所授权的等同物的全部范围来限定。
应当理解,“引擎”、“系统”、“数据存储库”和/或“数据库”可以包括软件、硬件、固件和/或电路。在一个示例中,包括能够由处理器执行的指令的一个或多个软件程序可以执行本文中所述的引擎、数据存储库、数据库或系统的一个或多个功能。在另一个示例中,电路可以执行相同或相似的功能。替代性实施例可以包括更多、更少或功能上等效的引擎、系统、数据存储库或数据库,并且仍在本实施例的范围内。例如,各种系统、引擎、数据存储库和/或数据库的功能可以被不同地组合或划分。
“开源”软件在本文中被定义为允许作为源代码和编译形式分发的源代码,具有获得源的公开和索引方式,可选地具有允许修改和派生作品的许可。
本文所述的数据存储库可以是任何合适的结构(例如,活动数据库、关系数据库、自引用数据库、表、矩阵、数组、平面文件、面向文档的存储系统、非关系型No-SQL系统等),并且可以基于云或以其他方式。
如本文所使用的,术语“或”可被解释为包含性的或排他性的意义。此外,可以为在本文中被描述为单个实例的资源、操作或结构提供多个实例。另外,各种资源、操作、引擎和数据存储库之间的边界在某种程度上是任意的,并且在特定说明性配置的上下文中说明了特定操作。可以设想其他的功能分配,并且可以落入本公开的各种实施例的范围内。一般而言,在示例配置中呈现为单独资源的结构和功能可以被实现为组合的结构或资源。类似地,呈现为单个资源的结构和功能可以实现为单独的资源。这些和其他变型、修改、添加和改进落入由所附权利要求表示的本公开的实施例的范围内。因此,说明书和附图应被认为是说明性的而不是限制性的。
条件语言,诸如“能够”、“能”、“可能”或“可以”,除非另外特别说明,或者在所使用的上下文中另外理解,通常旨在传达某些实施例包括而某些实施例不包括某些特征、元件和/或步骤。因此,这种条件语言通常不旨在暗示特征、元件和/或步骤无论如何都是一个或多个实施例所需的,或者暗示一个或多个实施例必须包括用于在具有或没有用户输入或提示的情况下决定这些特征、元件和/或步骤是否包括在任何特定实施例中的逻辑或将在任何特定实施例中执行的逻辑。
尽管出于说明的目的已经基于当前被认为是最实际和优选的实施方式详细描述了本发明,但是应当理解,这种细节仅用于该说明的目的,并且本发明不限于所公开的实施方式,但是,相反地,其旨在覆盖所附权利要求的精神和范围内的修改和等同布置。例如,应当理解,本发明考虑了在可能的范围内,任何实施例的一个或多个特征可以与任何其他实施例的一个或多个特征及进行组合。
Claims (20)
1.一种用于检测外壳对准异常的方法,包括:
从一个或多个压电传感器获得设定时段的压力数据,所述一个或多个压电传感器安置在自动驾驶车辆的外壳和固定装置之间;
在一时间段内处理所述设定时段的所述压力数据;以及
基于处理后的压力数据识别一个或多个趋势。
2.根据权利要求1所述的方法,其中所述设定时段是每小时、每天、每周、每两周和每月中的至少一个。
3.根据权利要求1所述的方法,其中所述时间段是一天、一周、两周、一个月、六个月和一年中的至少一个。
4.根据权利要求1所述的方法,其中在所述时间段内处理所述设定时段的所述压力数据包括:
汇总所述设定时段的所述压力数据;以及
针对所述设定时段的所述压力数据,识别对应于所述设定时段的最大压力、最小压力和平均压力。
5.根据权利要求4所述的方法,其中在所述时间段内处理所述设定时段的所述压力数据还包括:
在所述时间段内对所述设定时段的所述压力数据进行趋势分析;以及
在所述时间段内确定所述设定时段的所述压力数据的标称范围,所述标称范围是基于识别所述压力数据的上限和下限来确定的。
6.根据权利要求5所述的方法,其中通过在所述时间段内识别所述设定时段的所述压力数据中的最高值来确定所述上限,并且通过在所述时间段内识别所述设定时段的所述压力数据中的最低值来确定所述下限。
7.根据权利要求1所述的方法,其中基于处理后的压力数据识别所述一个或多个趋势包括:
在所述时间段内,识别所述设定时段的所述压力数据中的落在标称范围外的压力数据点;以及
将所述压力数据点识别为外壳对准异常。
8.根据权利要求1所述的方法,其中基于处理后的压力数据识别所述一个或多个趋势包括:
在所述时间段内,基于所述设定时段的所述压力数据对平均压力进行趋势分析;
至少使用回归技术基于所述平均压力的所述趋势分析来确定趋势;以及
将所述趋势识别为潜在的过早外壳对准异常。
9.根据权利要求1所述的方法,其中基于处理后的压力数据识别一个或多个趋势包括:
使用训练数据集训练机器学习模型;
接收所述处理后的压力数据;以及
基于所述处理后的压力数据,确定潜在的过早外壳对准异常的存在。
10.根据权利要求9所述的方法,其中使用分类器和神经网络中的至少一个来实现所述机器学习模型,并且所述训练数据集基于所述处理后的压力数据中的带有人类注释的部分。
11.一种用于检测外壳对准异常的系统,包括:
外壳,其安装到自动驾驶车辆的固定装置;
一个或多个压电传感器,其安置在所述外壳和所述固定装置之间;以及
计算系统,其用于执行用于检测所述外壳对准异常的方法,所述方法包括:
从所述一个或多个压电传感器获得设定时段的压力数据,
在一时间段内处理所述设定时段的所述压力数据,以及
基于处理后的压力数据识别一个或多个趋势。
12.根据权利要求11所述的系统,其中所述设定时段是每小时、每天、每周、每两周和每月中的至少一个。
13.根据权利要求11所述的系统,其中所述时间段是一天、一周、两周、一个月、六个月和一年中的至少一个。
14.根据权利要求11所述的系统,其中在所述时间段内处理所述设定时段的所述压力数据包括:
汇总所述设定时段的所述压力数据;以及
针对所述设定时段的所述压力数据,识别对应于所述设定时段的最大压力、最小压力和平均压力。
15.根据权利要求14所述的系统,其中在所述时间段内处理所述设定时段的所述压力数据还包括:
在所述时间段内对所述设定时段的所述压力数据进行趋势分析;以及
在所述时间段内确定所述设定时段的所述压力数据的标称范围,所述标称范围是基于识别所述压力数据的上限和下限来确定的。
16.根据权利要求15所述的系统,其中通过在所述时间段内识别所述设定时段的所述压力数据中的最高值来确定所述上限,并且通过在所述时间段内识别所述设定时段的所述压力数据中的最低值来确定所述下限。
17.根据权利要求11所述的系统,其中基于处理后的压力数据识别所述一个或多个趋势包括:
在所述时间段内,识别所述设定时段的所述压力数据中的落在标称范围外的压力数据点;以及
将所述压力数据点识别为外壳对准异常。
18.根据权利要求11所述的系统,其中基于处理后的压力数据识别所述一个或多个趋势包括:
在所述时间段内,基于所述设定时段的所述压力数据对平均压力进行趋势分析;
至少使用回归技术基于所述平均压力的所述趋势分析来确定趋势;以及
将所述趋势识别为潜在的过早外壳对准异常。
19.根据权利要求11所述的系统,其中基于处理后的压力数据识别一个或多个趋势包括:
使用训练数据集训练机器学习模型;
接收所述处理后的压力数据;以及
基于所述处理后的压力数据,确定潜在的过早外壳对准异常的存在。
20.根据权利要求19所述的系统,其中使用分类器和神经网络中的至少一个来实现所述机器学习模型,并且所述训练数据集基于所述处理后的压力数据中的带有人类注释的部分。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/459,255 | 2019-07-01 | ||
US16/459,255 US11499812B2 (en) | 2019-07-01 | 2019-07-01 | Systems and methods for using piezoelectric sensors to detect alignment anomaly |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112179266A true CN112179266A (zh) | 2021-01-05 |
Family
ID=73919936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010609023.8A Pending CN112179266A (zh) | 2019-07-01 | 2020-06-29 | 使用压电传感器检测对准异常的系统和方法 |
Country Status (2)
Country | Link |
---|---|
US (2) | US11499812B2 (zh) |
CN (1) | CN112179266A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11499812B2 (en) * | 2019-07-01 | 2022-11-15 | Pony Ai Inc. | Systems and methods for using piezoelectric sensors to detect alignment anomaly |
US11657290B2 (en) * | 2019-10-28 | 2023-05-23 | Robert Bosch Gmbh | System and method with a robust deep generative model |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3622845A1 (de) * | 1985-07-09 | 1987-01-15 | Komatsu Mfg Co Ltd | Verfahren und geraet zum automatischen ausstanzen von gedruckten teilen aus werkstueckplatten |
US20030187600A1 (en) * | 2002-03-29 | 2003-10-02 | Barnes Lawrence Alan | Method for automatic alignment of metering system for a clinical analyzer |
US20090107209A1 (en) * | 2007-10-31 | 2009-04-30 | Limoges Robert F | Self-calibrating sensor device |
CN102084157A (zh) * | 2008-07-16 | 2011-06-01 | 罗兰克斯两合有限公司 | 校准汽车变速器中的位置传感器的方法 |
CN202749098U (zh) * | 2012-09-14 | 2013-02-20 | 中国核动力研究设计院 | 核电站控制棒位置传感器检测装置 |
CN105283903A (zh) * | 2013-04-09 | 2016-01-27 | 微软技术许可有限责任公司 | 多传感器相机重新校准 |
CN106161337A (zh) * | 2014-10-22 | 2016-11-23 | 现代自动车株式会社 | 检测针对车辆和任意物通信的不当行为的方法和系统 |
US20170023430A1 (en) * | 2015-10-12 | 2017-01-26 | Nextnav, Llc | Designing a calibration system for use in calibrating unstable sensors |
US20170331844A1 (en) * | 2016-05-13 | 2017-11-16 | Sikorsky Aircraft Corporation | Systems and methods for assessing airframe health |
US20180096542A1 (en) * | 2016-10-05 | 2018-04-05 | Solera Holdings, Inc. | Vehicle Tire Monitoring Systems and Methods |
CN108138997A (zh) * | 2015-09-24 | 2018-06-08 | 兰洛克控股有限责任公司 | 具有传感器的管配件 |
CN108287633A (zh) * | 2015-10-08 | 2018-07-17 | 广东欧珀移动通信有限公司 | 一种压力传感器的校准方法及装置 |
CN109765996A (zh) * | 2018-11-23 | 2019-05-17 | 华东师范大学 | 基于fmg臂带的对穿戴位置偏移不敏感的手势检测系统和方法 |
CN109918726A (zh) * | 2019-01-30 | 2019-06-21 | 郑州大学 | 一种力学结构异常状态快速识别方法、存储介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4330873A1 (de) * | 1993-09-13 | 1995-03-16 | Zeiss Carl Fa | Koordinatenmeßgerät mit einem Tastkopf und einer Elektronik zur Verarbeitung des Tastsignals |
US7082359B2 (en) | 1995-06-07 | 2006-07-25 | Automotive Technologies International, Inc. | Vehicular information and monitoring system and methods |
US7693626B2 (en) | 2000-09-08 | 2010-04-06 | Automotive Technologies International, Inc. | Vehicular tire monitoring based on sensed acceleration |
US6073486A (en) | 1998-08-14 | 2000-06-13 | Microglide Inc. | Piezoelectric glide head |
US20040090195A1 (en) | 2001-06-11 | 2004-05-13 | Motsenbocker Marvin A. | Efficient control, monitoring and energy devices for vehicles such as watercraft |
US8149129B2 (en) * | 2009-03-12 | 2012-04-03 | General Electric Company | Signal alignment monitoring system and method of assembling the same |
US10768284B1 (en) * | 2019-05-22 | 2020-09-08 | Pony Ai Inc. | Systems and methods for using audio cue for alignment |
US10718638B1 (en) * | 2019-06-10 | 2020-07-21 | Pony Ai Inc. | Systems and methods for using photonics to detect alignment anomaly |
US11499812B2 (en) * | 2019-07-01 | 2022-11-15 | Pony Ai Inc. | Systems and methods for using piezoelectric sensors to detect alignment anomaly |
US10768063B1 (en) * | 2019-07-25 | 2020-09-08 | Pony Ai Inc. | Systems and methods for using piezoelectric sensors to ensure securement of enclosures |
US10717411B1 (en) * | 2019-07-25 | 2020-07-21 | Pony Ai Inc. | Systems and methods of using piezoelectric sensors for theft detection of enclosures |
-
2019
- 2019-07-01 US US16/459,255 patent/US11499812B2/en active Active
-
2020
- 2020-06-29 CN CN202010609023.8A patent/CN112179266A/zh active Pending
-
2022
- 2022-11-15 US US17/987,802 patent/US20230069968A1/en active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3622845A1 (de) * | 1985-07-09 | 1987-01-15 | Komatsu Mfg Co Ltd | Verfahren und geraet zum automatischen ausstanzen von gedruckten teilen aus werkstueckplatten |
US20030187600A1 (en) * | 2002-03-29 | 2003-10-02 | Barnes Lawrence Alan | Method for automatic alignment of metering system for a clinical analyzer |
US20090107209A1 (en) * | 2007-10-31 | 2009-04-30 | Limoges Robert F | Self-calibrating sensor device |
CN102084157A (zh) * | 2008-07-16 | 2011-06-01 | 罗兰克斯两合有限公司 | 校准汽车变速器中的位置传感器的方法 |
CN202749098U (zh) * | 2012-09-14 | 2013-02-20 | 中国核动力研究设计院 | 核电站控制棒位置传感器检测装置 |
CN105283903A (zh) * | 2013-04-09 | 2016-01-27 | 微软技术许可有限责任公司 | 多传感器相机重新校准 |
CN106161337A (zh) * | 2014-10-22 | 2016-11-23 | 现代自动车株式会社 | 检测针对车辆和任意物通信的不当行为的方法和系统 |
CN108138997A (zh) * | 2015-09-24 | 2018-06-08 | 兰洛克控股有限责任公司 | 具有传感器的管配件 |
CN108287633A (zh) * | 2015-10-08 | 2018-07-17 | 广东欧珀移动通信有限公司 | 一种压力传感器的校准方法及装置 |
US20170023430A1 (en) * | 2015-10-12 | 2017-01-26 | Nextnav, Llc | Designing a calibration system for use in calibrating unstable sensors |
US20170331844A1 (en) * | 2016-05-13 | 2017-11-16 | Sikorsky Aircraft Corporation | Systems and methods for assessing airframe health |
US20180096542A1 (en) * | 2016-10-05 | 2018-04-05 | Solera Holdings, Inc. | Vehicle Tire Monitoring Systems and Methods |
CN109765996A (zh) * | 2018-11-23 | 2019-05-17 | 华东师范大学 | 基于fmg臂带的对穿戴位置偏移不敏感的手势检测系统和方法 |
CN109918726A (zh) * | 2019-01-30 | 2019-06-21 | 郑州大学 | 一种力学结构异常状态快速识别方法、存储介质 |
Non-Patent Citations (2)
Title |
---|
MEI-HUI JIA等: "Manufacturing Error Effects on Mechanical Properties and Dynamic Characteristics of Rotor Parts under High Acceleration", CHINESE JOURNAL OF MECHANICAL ENGINEERING, no. 04, pages 169 - 181 * |
王子: "基于虚拟仪器的多路压力传感器自动检测系统设计", 环境技术, no. 06, pages 79 - 82 * |
Also Published As
Publication number | Publication date |
---|---|
US20230069968A1 (en) | 2023-03-09 |
US11499812B2 (en) | 2022-11-15 |
US20210003380A1 (en) | 2021-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10919492B1 (en) | Systems and methods of using piezoelectric sensors for theft detection of enclosures | |
US10867489B1 (en) | Systems and methods for responding to theft of sensor enclosures | |
CN113163996B (zh) | 用于封装传感器的传感器外壳及操作传感器外壳的方法 | |
US10962770B2 (en) | Method for controlling camera exposure to augment a wiper system of a sensor enclosure | |
US10869406B1 (en) | System and method for directing an airflow into a sensor enclosure | |
US20230069968A1 (en) | Systems and methods for using piezoelectric sensors to detect alignment anomaly | |
US11592529B2 (en) | System and method for reducing noise into an enclosure | |
US10900723B2 (en) | Cover for creating circular airflows inside an enclosure | |
US11220154B2 (en) | System and method for controlling heat exchange in a sensor enclosure | |
CN113167867A (zh) | 传感器外壳排水 | |
US10169988B2 (en) | Aerial drone for correcting erratic driving of a vehicle | |
US11150669B2 (en) | System and method for regulating a sensor enclosure | |
US20230119975A1 (en) | System and method for regulating a sensor enclosure | |
US11167726B2 (en) | Method for controlling wipers based on a camera exposure time | |
US20230219582A1 (en) | System and method for controlling heat exchange in a sensor enclosure | |
US11982772B2 (en) | Real-time sensor calibration and calibration verification based on statically mapped objects | |
US11726179B2 (en) | System and method for regulating airflow into an enclosure | |
US11592528B2 (en) | System and method for controlling an airflow into a sensor enclosure | |
US11751355B2 (en) | System and method for selectively generating electricity | |
US10768063B1 (en) | Systems and methods for using piezoelectric sensors to ensure securement of enclosures | |
US10718638B1 (en) | Systems and methods for using photonics to detect alignment anomaly | |
US10803330B1 (en) | System and method for deflecting airborne objects | |
US20230228599A9 (en) | Sensor enclosure drainage |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40040699 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |