CN112668669A - 一种路面摩擦系数估计方法、装置和电子设备 - Google Patents
一种路面摩擦系数估计方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112668669A CN112668669A CN202110112584.1A CN202110112584A CN112668669A CN 112668669 A CN112668669 A CN 112668669A CN 202110112584 A CN202110112584 A CN 202110112584A CN 112668669 A CN112668669 A CN 112668669A
- Authority
- CN
- China
- Prior art keywords
- friction coefficient
- vehicle
- road surface
- surface friction
- estimated value
- 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
Images
Landscapes
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Regulating Braking Force (AREA)
Abstract
本申请涉及车联网技术领域,具体涉及一种路面摩擦系数估计方法、装置和电子设备。本说明书的方法包括:获取目标区域的当前感知估计值;其中,所述当前感知估计值是利用预先训练的路面摩擦系数识别模型对所述目标区域的当前传感数据计算得到的路面摩擦系数估计值;判断所述目标区域是否存在车端估计值;其中,所述车端估计值是根据经过所述目标区域的车辆的车辆状态数据计算出的路面摩擦系数估计值;若存在车端估计值,则根据所述车端估计值和所述当前感知估计值确定所述目标区域的路面摩擦系数估计值。本方案能够同时考虑基于车辆状态数据的识别精度和基于感知识别的输出频率,以提高对路面摩擦系数的识别精度和识别频率。
Description
技术领域
本申请涉及车联网技术领域,具体涉及一种路面摩擦系数估计方法、装置和电子设备。
背景技术
在车辆驾驶过程中,对于不同的路面区域、路面条件(如沥青路面、碎石路面、干燥路面、潮湿路面、冰雪路面等等)、行驶工况、环境条件(如车辆所在区域的温度、湿度等外部环境),车辆具有不同的路面摩擦系数,且这些不同的路面摩擦系数会影响轮胎抓地力和车辆的稳定性。因此,及时地估计路面摩擦系数,对保障交通安全的车辆驾驶辅助与交通管理有重要意义。
现有的基于传感器检测的或基于车辆动力学的路面摩擦系数估计方法,为克服不同路面状态、系统工况与环境情况对估计值精度的影响,需要确定众多的参数,或构建数据量充分大的数据集,造成相关技术研发与应用上的困难。而且,对于路面摩擦系数,基于车辆状态数据的识别有较好的精度,但需要有车辆经过相应区域且满足识别条件,因此不一定有足够的输出频率;基于路侧感知识别(利用机器学习算法对感知数据进行识别)的精度稍低,但是由于感知数据的获取方式比较稳定,因此输出频率高,可以保证稳定输出。
基于此,特提出本申请。
发明内容
有鉴于此,本说明书实施例提供了一种路面摩擦系数估计方法、装置和电子设备,该方法能够同时考虑基于车辆状态数据的识别精度和基于感知识别的输出频率,以提高对路面摩擦系数的识别精度和识别频率。
本说明书实施例采用下述技术方案:
本说明书提供了一种路面摩擦系数估计方法,所述方法包括:
获取目标区域的当前感知估计值;其中,所述当前感知估计值是利用预先训练的路面摩擦系数识别模型对所述目标区域的当前传感数据计算得到的路面摩擦系数估计值;
判断所述目标区域是否存在车端估计值;其中,所述车端估计值是根据经过所述目标区域的车辆的车辆状态数据计算出的路面摩擦系数估计值;
若存在车端估计值,则根据所述车端估计值和所述当前感知估计值确定所述目标区域的路面摩擦系数估计值。
本说明书还提供了一种路面摩擦系数估计装置,该装置包括:
获取单元,所述获取单元用于获取目标区域的当前感知估计值;其中,所述当前感知估计值是利用预先训练的路面摩擦系数识别模型对所述目标区域的当前传感数据计算得到的路面摩擦系数估计值;
判断单元,所述判断单元用于判断所述目标区域是否存在车端估计值;其中,所述车端估计值是根据经过所述目标区域的车辆的车辆状态数据计算出的路面摩擦系数估计值;
处理单元,所述处理单元用于:若存在车端估计值,则根据所述车端估计值和所述当前感知估计值确定所述目标区域的路面摩擦系数估计值。
本说明书还提供了一种电子设备,包括:至少一个处理器和存储器,所述存储器存储有程序,并且被配置成由所述至少一个处理器执行上述的路面摩擦系数估计方法。
本说明书还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现上述的路面摩擦系数估计方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:对于目标区域的路面摩擦系数,首先获取目标区域的当前感知估计值,以及判断是否存在车端估计值,在车端估计值存在的情况下,根据车端估计值和当前感知估计值确定所述目标区域的路面摩擦系数估计值。这样一来,可以通过当前感知估计值相对于历史感知估计值是否变化,作为判断所存在的车端估计值是否依然可以作为目标区域的路面摩擦系数估计值,即判断存在的车端估计值是否有效,若有效,则将车端估计值继续作为目标区域的路面摩擦系数估计值,若失效,为了保证识别效率,可以先将当前感知估计值作为目标区域的路面摩擦系数估计值,然后等待有车辆经过该目标区域后,获取新的车端估计值,然后将新的车端估计值作为该目标区域的路面摩擦系数估计值,并记录将当前感知估计值作为历史感知估计值,后续作为判断新的车端估计值是否有效的依据。本方案能够同时考虑基于车辆状态数据的识别精度和基于感知识别的输出频率,以提高对路面摩擦系数的识别精度和识别频率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图:
图1是本说明书实施例提供的一种路面摩擦系数估计方法的主要流程图;
图2是本说明书实施例提供的一种路面摩擦系数估计装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
如背景技术提到的,及时地估计车辆的路面摩擦系数,对保障交通安全的车辆驾驶辅助与交通管理有重要意义。由于车辆状态数据的识别有较好的精度,但需要有车经过且满足识别条件,不一定有足够的输出频率。路侧感知识别的精度稍低但可稳定输出。如何有效地结合这两种方式的优势,以提升路面摩擦系数的精度和识别频率,本说明书给出了一种解决思路,该思路大致表述如下:利用车辆状态数据识别(车识别)为感知识别提供训练集,学习出识别模型;感知识别在没有车识别时提供稳定的识别;如果两者都有,比较发现感知识别与车识别不一致,以车识别为准,同时通过感知识别结果(该结果有无变化)来判断车识别的有效期。直到有足够的新标注数据使得感知识别和车识别一致。
下面结合附图对本说明书的方案进行详细说明。
首先参照图1,图1是本说明书实施例提供的一种路面摩擦系数估计方法的主要流程图。如图1所示,该方法包括:
S110:获取目标区域的当前感知估计值。
在该步骤中,当前感知估计值是利用预先训练的路面摩擦系数识别模型对所述目标区域的当前传感数据计算得到的路面摩擦系数估计值。具体而言,所述目标区域可以是车辆能够行驶的任一道路区域。传感数据可以理解为各类传感器采集到的数据,例如可以是路网中布置的路侧传感器(如摄像头、激光雷达等),也可以是车端传感器(如行车记录仪或自动驾驶系统的传感器等)。该传感数据可以包括目标区域的道路环境图像数据,如通过道路中设置的监控摄像头所采集的目标区域的道路环境图像。
进一步地,路面摩擦系数识别模型是预先训练好的,本说明书不对如何训练路面摩擦系数识别模型进行限定,本领域技术人员可以选择合适的方法或数据集以训练得到路面摩擦系数识别模型。作为示例,本说明书实施例给出了一种路面摩擦系数识别模型的训练方法,包括:先利用第一感知数据集训练路面摩擦系数识别模型,然后对训练后的路面模型系数估计模型进行检验,检验通过后即可启用该路面模型系数估计模型;进一步,本说明书的第一感知数据集还可以不断更新,在第一感知数据集更新到预设要求时,得到第二感知数据集,此时可以利用第二感知数据集再次对路面摩擦系数识别模型进行训练,进一步提升路面摩擦系数识别模型的精度。关于第一感知数据集和第二感知数据集的建立方式,参见后文说明。此外,本领域技术人员可以灵活选择第一感知数据集,也可以选择对第一感知数据集进行更新的方式,本说明书不对此进行具体限定。
该步骤中的当前感知估计值,是利用预先训练的路面摩擦系数识别模型对所述目标区域的当前传感数据计算得到的路面摩擦系数估计值。
S120:判断所述目标区域是否存在车端估计值。
在该步骤中,车端估计值是根据经过所述目标区域的车辆的车辆状态数据计算出的路面摩擦系数估计值。具体而言,车辆状态数据可以是车辆行驶工况,如速度、加速度等,当车辆经过某一目标区域时,然后利用相应的路面摩擦系数算法,根据车辆状态数据计算路面摩擦系数估计值。其中,路面摩擦系数算法可以根据需要选择任意可行的算法,本说明书不对具体的算法进行限定。
进一步地,作为示例,若某一目标区域由车辆经过,则基于该车辆状态数据得到的路面摩擦系数估计值可以被存储于相应的数据库。因此,在判断目标区域是否存在车端估计值时,可以去数据库检索是否存在与该目标区域对应的路面摩擦系数估计值。
S130:若存在车端估计值,则根据所述车端估计值和所述当前感知估计值确定所述目标区域的路面摩擦系数估计值。
在该步骤中,根据所述车端估计值和所述当前感知估计值确定所述目标区域的路面摩擦系数估计值,具体可以包括:若车端估计值相对于历史车端估计值无变化,则判断当前感知估计值相对于历史感知估计值是否有变化;若当前感知估计值相对于历史感知估计值无变化,则输出所述车端估计值作为当前路面摩擦系数估计值;否则,输出所述当前感知估计值作为当前路面摩擦系数估计值。
具体而言,上述中,历史车端估计值是根据经过所述目标区域历史车辆的车辆状态数据计算出的路面摩擦系数估计值。举例而言,若经过目标区域的车辆分别有车辆n1、车辆n2,车辆n1先经过目标区域,此时将基于车辆n1状态数据得到路面摩擦系数估计值进行存储M1,车辆n2在车辆n1之后才经过目标区域,此时将基于车辆n2状态数据得到路面摩擦系数估计值进行存储M2,此时,M2为当前的车辆估计值,M1为历史车辆估计值。
上述中,历史感知估计值是利用预先训练的路面摩擦系数识别模型对所述目标区域的历史传感数据计算得到的路面摩擦系数估计值。举例而言,历史感知估计值是相对于当前感知估计值而言,即在获取到当前感知估计值时,在当前时刻之前的某一时刻也获得过感知估计值,即在当前时刻之前的某一时刻t,根据t时刻获取的传感数据(历史传感数据)计算得到路面摩擦系数估计值即为历史感知估计值。
若判断当前感知估计值相对于历史感知估计值无变化,说明当前目标区域的道路环境没有变化(这是因为感知估计值是利用预先训练的路面摩擦系数识别模型对目标区域的传感数据计算得到,因此,在感知估计值无变化的情形下,可以认为传感数据无变化,即认为道路环境无变化),而且车端估计值相对于历史车端估计值也无变化,因此,可以认为当前目标区域的路面摩擦系数没有变化,也即目标区域的路面摩擦系数估计值为当前所存在的车端估计值。这样一来,由于车端估计值相对于感知估计值更精确,此时通过感知估计值判断出当前目标区域的道路环境没有变化,从而判断当前目标区域所存在的车端估计值仍然可以作为当前目标区域的路面摩擦系数估计值,保证了路面摩擦系数估计值的精度。
若判断当前感知估计值相对于历史感知估计值有变化,说明当前目标区域的道路环境已经发生变化。此时,由于车端估计值相对于历史车端估计值也无变化,可以认为该目标区域存在的车端估计值是在道路环境发生变化之前的路面摩擦系数估计值,因此,该车端估计值已经过了有效期(即该车端估计值已经不能再作为当前目标区域的路面摩擦系数估计值,否则会产生较大误差)。这种情况下,由于没有新的车辆经过该目标区域,为了保证对该目标区域的路面摩擦系数估计值的输出频率,可以将当感知估计值作为当前路面摩擦系数估计值。
进一步地,根据所述车端估计值和所述当前感知估计值确定所述目标区域的路面摩擦系数估计值,具体还可以包括:若存在车端估计值,且所述车端估计值相对于历史车端估计值有变化,则将所述车端估计值作为当前路面摩擦系数估计值;以及将所述车端估计值更新为所述目标区域新的历史车端估计值,并记录与所述车端估计值对应的所述目标区域的当前感知估计值作为历史感知估计值。
具体而言,若车端估计值相对于历史车端估计值有变化,为了保证目标区域的路面摩擦系数估计值的精度,应以当前车端估计值作为路面摩擦系数估计值。此时,由于该目标区域的车端估计值发生变化,此时将该车端估计值作为目标区域的新的历史车端估计值,并记录与所述车端估计值对应的所述目标区域的当前感知估计值作为历史感知估计值。也可以理解为,历史车端估计值和历史感知估计值相对于,在当前感知估计值无变化的情况下,若存在车端估计值,则车端估计值作为当前目标区域的路面摩擦系数估计值;若当前感知估计值发生变化,则存在的车端估计值失效,需要等新的车辆经过后再记录新的车端估计值作为历史估计值;反之,若车端估计值相对于历史车端估计值有变化,则说明当前感知估计值发生变化,把变化后的感知估计值作为历史感知估计值,把变化后的车端估计值作为历史车端估计值,也即该目标区域的路面摩擦系数估计值。
在此需要说明的是,关于目标区域的车端估计值与历史车端估计值可以理解为:判断目标区域的车端估计值是否有变化。具体而言,对于某一目标区域,若存在车端估计值,那么该车端估计值即该目标区域的历史车端估计值。假设该历史车端估计值为a,那么在判断出该目标区域存在车端估计值后,若存在的车端估计值是a,则说明该目标区域的车端估计值相对于历史车端估计值无变化,即该目标区域的车端估计值无变化,该情况下,若当前感知估计值相对于历史感知估计值无变化,说明目标区域的道路环境无改变,则目标区域存在的车端估计值仍然作为目标区域的路面摩擦系数估计值;若当前感知估计值相对于历史感知估计值有变化,说明目标区域的道路环境有改变,则目标区域存在的车端估计值已经不能继续作为该目标区域的路面模型系数估计值。之后,假如有车辆b经过该目标区域,则可以将基于车辆b状态数据得到的车端估计值b作为当前目标区域的路面摩擦系数估计值,该车端估计值b即更新为目标区域的历史车端估计值,并记录与所述车端估计值对应的所述目标区域的当前感知估计值作为历史感知估计值。这样一来,若之后再获取到该目标区域的当前感知估计值后,若该感知估计值相对于历史感知估计值无变化,则可以直接将车端估计值b作为该目标区域的路面摩擦系数估计值,直至目标区域的当前感知估计值发生变化后,则说明车端估计值b已经不能继续作为该目标区域的路面模型系数估计值,则可以继续等待车辆c,若没有车辆c经常,则将当前感知估计值作为路面摩擦系数估计值,如此循环往复,通过结合车端估计值和感知估计值,既能保证路面摩擦系数估计值的精度,也能够提高目标区域路面摩擦系数的识别频率。
本领域技术人员可以理解的是,在判断车端估计值或感知估计值是否有变化时,并不要求车端估计值或感知估计值相对于历史估计值完全相同,因为即使在相同的道路条件下,每次计算的车端估计值与感知估计值也可能存在一定范围的波动,因此,在判断车端估计值或感知估计值是否有变化时,可以理解为统计意义上的均值不变,即单次计算的车端估计值或感知估计值相对于历史车端估计值或历史感知估计值的变化在预定范围内都可以认为无变化。换言之,本领域技术人员可以根据实际情况设计判断目标区域的车端估计值或感知估计值是否变化条件,本说明书不对此进行具体限定。
上述对步骤S110-S130作了详细说明,对于目标区域的路面摩擦系数,在目标区域存在车端估计值的情况下,根据当前感知估计值和车端估计值共同确定目标区域的路面模型系数估计值,通过当前感知估计值相对于历史感知估计值是否变化,判断所存在的车端估计值是否依然可以作为目标区域的路面摩擦系数估计值,即判断存在的车端估计值是否有效,若有效,则将车端估计值继续作为目标区域的路面摩擦系数估计值,若失效,为了保证识别效率,可以先将当前感知估计值作为目标区域的路面摩擦系数估计值,然后等待有车辆经过该目标区域后,获取新的车端估计值,然后将新的车端估计值作为该目标区域的路面摩擦系数估计值,并记录将当前感知估计值作为历史感知估计值,后续作为判断新的车端估计值是否有效的依据。
作为一种示例,本说明书的方法还包括:若不存在车端估计值,则将当前感知估计值作为所述目标区域的路面摩擦系数估计值。具体地,若目标区域没有车端估计值的记录,即没有车辆经过该目标区域,此时可以将获得的当前感知估计值作为目标区域的路面摩擦系数估计值。
上文提到,本说明书的路面摩擦系数识别模型是预先训练好的,且本说明书实施例给出了一种路面摩擦系数识别模型的训练方法,包括:先利用第一感知数据集训练路面摩擦系数识别模型,然后对训练后的路面模型系数估计模型进行检验,检验通过后即可启用该路面模型系数估计模型;进一步,本说明书的第一感知数据集还可以不断更新,在第一感知数据集更新到预设要求时,得到第二感知数据集,此时可以利用第二感知数据集再次对路面摩擦系数识别模型进行训练,进一步提升路面摩擦系数识别模型的精度。下面对本说明书的第一感知数据集的建立方式进行详细说明。
本说明书的实施例中,第一感知数据集可以按照如下方式建立:
S1201:针对任一车辆,获取该车辆状态数据和该车辆所在区域的传感数据;
S1203:基于该车辆状态数据,利用预设路面摩擦系数算法计算该车辆的路面摩擦系数估计值;
S1205:获取所述路面摩擦系数算法所适用的车辆工况,并判断该车辆状态数据是否与所述车辆工况相匹配;
S1207:若是,则用所述路面摩擦系数估计值对所述传感数据进行标记并存储于所述第一感知数据集。
具体而言,在上述步骤中,任一车辆可以泛指道路上行驶的车辆,对于其中任一车辆,假设为车辆n,该车辆n状态数据是用来计算车辆n的路面摩擦系数估计值,具体需要的车辆n状态数据依赖于选择的路面摩擦系数算法。作为示例,该车辆状态数据可以是车辆行驶工况,如速度、加速度等,路面摩擦系数算法可以选择已有的任意算法,本说明书不对此进行限定。需要说明的是,对于不同的路面摩擦系数算法通常适用不同的车辆工况,对于已选择的路面摩擦系数算法,该算法同样有其适用的车辆工况。因此,在获取车辆n状态数据后,基于该车辆n状态数据,利用预设路面摩擦系数算法所计算得到该车辆n的路面摩擦系数估计值,需要进一步判断该路面摩擦系数估计值是否是准确的。为了判断该路面摩擦系数估计值是否是准确的,可以获取该预设的路面摩擦系数算法所适用的车辆工况,若其适用的车辆工况与车辆n的车辆状态数据相匹配,则认为利用该算法计算得到的车辆n的路面摩擦系数估计值是准确的。
进一步,若得到的车辆n的路面摩擦系数估计值是准确的,则将所述路面摩擦系数估计值标记为与所述传感数据对应的真值,并存储于所述第一感知数据集。具体而言,由于在计算该路面摩擦系数估计值时,已经获取了车辆n所在区域的传感数据,因此可以对该路面摩擦系数估计值和传感数据进行标记,标签包括以该路面摩擦系数估计值为真值的路面摩擦系数与传感数据。换言之,若得到的目标车辆的路面摩擦系数估计值是准确的,则该传感数据对应的路面摩擦系数估计值标记为真值,存储到第一感知数据集。可选地,若车辆n状态数据与预设路面摩擦系数算法适用的车辆工况不匹配,则认为得到的路面摩擦系数估计值是不准确的,则可以将该数据舍弃。
上述中车辆n可以是车辆1、车辆2、车辆3……车辆n,n为大于1的自然数。这样一来,在车辆足够多的情况下,第一感知数据集中会存在大量的数据,这些数据包含分别与不同传感数据对应的、被标记为真值的路面摩擦系数估计值。
作为一种可选的方式,在建立第一感知数据集时,还可以针对任一目标区域,确定该目标区域的传感数据。然后,获取经过该目标区域的各车辆的车辆状态数据,然后基于各车辆状态数据适用的路面摩擦系数估计算法分别得到各车辆的路面摩擦系数估计值,然后融合这些路面摩擦系数估计值后以得到与该传感数据对应的且准确的路面摩擦系数估计值。其中,融合的方式可以是这些路面摩擦系数估计值的平均值,也可以为不同车辆设置不同的权重,然后计算基于权重的平均值,本说明书不对此进行限定。此外,也可以利用同一个路面摩擦系数估计算法计算经过目标区域的不同车辆的路面摩擦系数估计值,然后选择其中准确的路面模型系数估计值进行融合,以得到与该传感数据对应的且准确的路面摩擦系数估计值。将该传感数据对应的路面摩擦系数估计值标记为真值,存储到第一感知数据集。
进一步,在得到第一感知数据集后,将该第一感知数据集所包含的分别对应不同传感数据的路面摩擦系数估计值作为第一训练样本中的正样本,通常该第一训练样本还包含相应的负样本。然后利用第一训练样本对路面摩擦系数识别模型进行训练。本说明书在此不对具体的训练过程进行详细说明。本说明书中,基于收集到的该第一感知数据集后,先利用包含该第一感知数据集的第一训练样本训练得到路面摩擦系数识别模型,然后基于训练得到的路面摩擦系数识别模型,根据获取的目标区域的传感数据以计算目标区域的路面摩擦系数估计值。
本说明书的实施例中,更新所述第一感知数据集得到第二感知数据集的方式可以包括:
S1301:针对任一车辆,获取该车辆状态数据和该车辆所在区域的传感数据;
S1303:基于该车辆状态数据,利用预设路面摩擦系数算法计算该车辆的路面摩擦系数估计值;
S1305:获取所述路面摩擦系数算法所适用的车辆工况,并判断该车辆状态数据是否与所述车辆工况相匹配;
S1307:若是,则用所述路面摩擦系数估计值对所述传感数据进行标记并存储于预先建立的第一感知数据集以更新所述第一感知数据集。
具体而言,在上述步骤中,S1301-S1305与上述S1201-S1205步骤相同。换言之,在第一感知数据集的基础上,将获取到的更多的对应不同传感数据的路面摩擦系数估计值存储到第一感知数据集,以得到数据量更大的第二感知数据集。进一步,将该第二感知数据集所包含的分别对应不同传感数据的路面摩擦系数估计值作为第二训练样本中的正样本,通常该第二训练样本还包含相应的负样本。然后利用第二训练样本对路面摩擦系数识别模型进行训练,以得到更新后的路面摩擦系数识别模型。
作为一种可能的实施方式,在获取目标区域的当前感知估计值之前,本说明书的方法还包括:利用预先建立的检验数据集检验对预先训练的路面摩擦系数识别模型进行检验;若检验通过,则利用所述预先训练的路面摩擦系数识别模型获取目标区域的当前感知估计值。具体而言,在利用第一感知数据集训练得到路面摩擦系数识别模型后,先利用检验数据集检验该路面摩擦系数识别模型是否达标,若达标,则可以启动该路面摩擦系数识别模型,否则继续训练该路面摩擦系数识别模型。进一步,通过第二感知数据集再次训练该路面摩擦系数识别模型,可以提升该路面摩擦系数识别模型的精度。本领域技术人员可以理解的是,本说明书中,预先训练好的路面摩擦系数识别模型可以选取其他数据集进行训练,只要得到的路面摩擦系数识别模型经过检验数据集检验通过即可。
基于同样的构思,本说明书还提供了一种路面摩擦系数估计装置。参照图2,图2是本说明书实施例提供的一种路面摩擦系数估计装置的结构示意图。如图2所示,该装置包括:
获取单元201,所述获取单元201用于获取目标区域的当前感知估计值;其中,所述当前感知估计值是利用预先训练的路面摩擦系数识别模型对所述目标区域的当前传感数据计算得到的路面摩擦系数估计值;
判断单元202,所述判断单元202用于判断所述目标区域是否存在车端估计值;其中,所述车端估计值是根据经过所述目标区域的车辆的车辆状态数据计算出的路面摩擦系数估计值;
处理单元203,所述处理单元203用于:若存在车端估计值,则根据所述车端估计值和所述当前感知估计值确定所述目标区域的路面摩擦系数估计值。
进一步,处理单元203还用于:若存在车端估计值,且所述车端估计值相对于历史车端估计值无变化,则判断所述当前感知估计值相对于历史感知估计值是否有变化;其中,所述历史感知估计值是利用预先训练的路面摩擦系数识别模型对所述目标区域的历史传感数据计算得到的路面摩擦系数估计值;所述历史车端估计值是根据经过所述目标区域历史车辆的车辆状态数据计算出的路面摩擦系数估计值;若所述当前感知估计值相对于历史感知估计值无变化,则输出所述车端估计值作为当前路面摩擦系数估计值;否则,输出所述当前感知估计值作为当前路面摩擦系数估计值。
进一步,处理单元203还用于:若存在车端估计值,且所述车端估计值相对于历史车端估计值有变化,则将所述车端估计值作为当前路面摩擦系数估计值;以及将车端估计值更新为所述目标区域新的历史车端估计值,并记录与所述车端估计值对应的所述目标区域的当前感知估计值作为历史感知估计值。
进一步,处理单元203还用于:若不存在车端估计值,则将当前感知估计值作为所述目标区域的路面摩擦系数估计值。
进一步,该装置还包括训练单元,所述训练单元用于根据预先建立的第一感知数据集训练所述路面摩擦系数识别模型;
其中,所述第一感知数据集按照如下方式建立:
针对任一车辆,获取该车辆状态数据和该车辆所在区域的传感数据;
基于该车辆状态数据,利用预设路面摩擦系数算法计算该车辆的路面摩擦系数估计值;
获取所述路面摩擦系数算法所适用的车辆工况,并判断该车辆状态数据是否与所述车辆工况相匹配;
若是,则用所述路面摩擦系数估计值对所述传感数据进行标记并存储于所述第一感知数据集。
进一步,该装置还包括更新单元,所述更新单元用于更新所述第一感知数据集,并在所述第一感知数据集更新到预设要求时,得到第二感知数据集;
所述训练单元还用于根据所述第二感知数据集再次训练所述路面摩擦系数识别模型;
其中,所述更新单元具体用于:
针对任一车辆,获取该车辆状态数据和该车辆所在区域的传感数据;
基于该车辆状态数据,利用预设路面摩擦系数算法计算该车辆的路面摩擦系数估计值;
获取所述路面摩擦系数算法所适用的车辆工况,并判断该车辆状态数据是否与所述车辆工况相匹配;
若是,则用所述路面摩擦系数估计值对所述传感数据进行标记并存储于预先建立的第一感知数据集以更新所述第一感知数据集。
进一步,该装置还包括检验单元,在所述获取单元获取目标区域的当前感知估计值之前,所述检验单元用于:利用预先建立的检验数据集检验对预先训练的路面摩擦系数识别模型进行检验;若检验通过,则所述获取单元利用所述预先训练的路面摩擦系数识别模型获取目标区域的当前感知估计值。
关于该装置的具体说明参见上文对方法的说明,此处不再赘述。
基于同样的构思,本说明还提供了一种电子设备,包括:至少一个处理器和存储器,所述存储器存储有程序,并且被配置成由所述至少一个处理器执行上述的路面摩擦系数估计方法。
基于同样的构思,本说明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现上述的路面摩擦系数估计方法。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (16)
1.一种路面摩擦系数估计方法,所述方法包括:
获取目标区域的当前感知估计值;其中,所述当前感知估计值是利用预先训练的路面摩擦系数识别模型对所述目标区域的当前传感数据计算得到的路面摩擦系数估计值;
判断所述目标区域是否存在车端估计值;其中,所述车端估计值是根据经过所述目标区域的车辆的车辆状态数据计算出的路面摩擦系数估计值;
若存在车端估计值,则根据所述车端估计值和所述当前感知估计值确定所述目标区域的路面摩擦系数估计值。
2.根据权利要求1所述的方法,若存在车端估计值,则根据所述车端估计值和所述当前感知估计值确定所述目标区域的路面摩擦系数估计值,包括:
若存在车端估计值,且所述车端估计值相对于历史车端估计值无变化,则判断所述当前感知估计值相对于历史感知估计值是否有变化;其中,所述历史感知估计值是利用预先训练的路面摩擦系数识别模型对所述目标区域的历史传感数据计算得到的路面摩擦系数估计值;所述历史车端估计值是根据经过所述目标区域历史车辆的车辆状态数据计算出的路面摩擦系数估计值;
若所述当前感知估计值相对于历史感知估计值无变化,则输出所述车端估计值作为当前路面摩擦系数估计值;否则,输出所述当前感知估计值作为当前路面摩擦系数估计值。
3.根据权利要求2所述的方法,若存在车端估计值,则根据所述车端估计值和所述当前感知估计值确定所述目标区域的路面摩擦系数估计值,还包括:
若存在车端估计值,且所述车端估计值相对于历史车端估计值有变化,则将所述车端估计值作为当前路面摩擦系数估计值;以及
将所述车端估计值更新为所述目标区域新的历史车端估计值,并记录与所述车端估计值对应的所述目标区域的当前感知估计值作为历史感知估计值。
4.根据权利要求1所述的方法,该方法还包括:
若不存在车端估计值,则将当前感知估计值作为所述目标区域的路面摩擦系数估计值。
5.根据权利要求1至4中任一项所述的方法,所述路面摩擦系数识别模型是根据预先建立的第一感知数据集训练得到;
其中,所述第一感知数据集按照如下方式建立:
针对任一车辆,获取该车辆状态数据和该车辆所在区域的传感数据;
基于该车辆状态数据,利用预设路面摩擦系数算法计算该车辆的路面摩擦系数估计值;
获取所述路面摩擦系数算法所适用的车辆工况,并判断该车辆状态数据是否与所述车辆工况相匹配;
若是,则用所述路面摩擦系数估计值对所述传感数据进行标记并存储于所述第一感知数据集。
6.根据权利要求5所述的方法,所述方法还包括:
更新所述第一感知数据集,并在所述第一感知数据集更新到预设要求时,得到第二感知数据集;
利用所述第二感知数据集再次对所述路面摩擦系数识别模型进行训练;
其中,更新所述第一感知数据集的方法包括:
针对任一车辆,获取该车辆状态数据和该车辆所在区域的传感数据;
基于该车辆状态数据,利用预设路面摩擦系数算法计算该车辆的路面摩擦系数估计值;
获取所述路面摩擦系数算法所适用的车辆工况,并判断该车辆状态数据是否与所述车辆工况相匹配;
若是,则用所述路面摩擦系数估计值对所述传感数据进行标记并存储于预先建立的第一感知数据集以更新所述第一感知数据集。
7.根据权利要求6所述的方法,在获取目标区域的当前感知估计值之前,所述方法还包括:
利用预先建立的检验数据集检验对预先训练的路面摩擦系数识别模型进行检验;
若检验通过,则利用所述预先训练的路面摩擦系数识别模型获取目标区域的当前感知估计值。
8.一种路面摩擦系数估计装置,该装置包括:
获取单元,所述获取单元用于获取目标区域的当前感知估计值;其中,所述当前感知估计值是利用预先训练的路面摩擦系数识别模型对所述目标区域的当前传感数据计算得到的路面摩擦系数估计值;
判断单元,所述判断单元用于判断所述目标区域是否存在车端估计值;其中,所述车端估计值是根据经过所述目标区域的车辆的车辆状态数据计算出的路面摩擦系数估计值;
处理单元,所述处理单元用于:若存在车端估计值,则根据所述车端估计值和所述当前感知估计值确定所述目标区域的路面摩擦系数估计值。
9.根据权利要求8所述的装置,所述处理单元还用于:
若存在车端估计值,且所述车端估计值相对于历史车端估计值无变化,则判断所述当前感知估计值相对于历史感知估计值是否有变化;其中,所述历史感知估计值是利用预先训练的路面摩擦系数识别模型对所述目标区域的历史传感数据计算得到的路面摩擦系数估计值;所述历史车端估计值是根据经过所述目标区域历史车辆的车辆状态数据计算出的路面摩擦系数估计值;
若所述当前感知估计值相对于历史感知估计值无变化,则输出所述车端估计值作为当前路面摩擦系数估计值;否则,输出所述当前感知估计值作为当前路面摩擦系数估计值。
10.根据权利要求9所述的装置,所述处理单元还用于:
若存在车端估计值,且所述车端估计值相对于历史车端估计值有变化,则将所述车端估计值作为当前路面摩擦系数估计值;以及
将所述车端估计值更新为所述目标区域新的历史车端估计值,并记录与所述车端估计值对应的所述目标区域的当前感知估计值作为历史感知估计值。
11.根据权利要求8所述的装置,所述处理单元还用于:若不存在车端估计值,则将当前感知估计值作为所述目标区域的路面摩擦系数估计值。
12.根据权利要求8至11中任一项所述的装置,该装置还包括训练单元,所述训练单元用于根据预先建立的第一感知数据集训练所述路面摩擦系数识别模型;
其中,所述第一感知数据集按照如下方式建立:
针对任一车辆,获取该车辆状态数据和该车辆所在区域的传感数据;
基于该车辆状态数据,利用预设路面摩擦系数算法计算该车辆的路面摩擦系数估计值;
获取所述路面摩擦系数算法所适用的车辆工况,并判断该车辆状态数据是否与所述车辆工况相匹配;
若是,则用所述路面摩擦系数估计值对所述传感数据进行标记并存储于所述第一感知数据集。
13.根据权利要求12所述的装置,该装置还包括更新单元,所述更新单元用于更新所述第一感知数据集,并在所述第一感知数据集更新到预设要求时,得到第二感知数据集;
所述训练单元还用于根据所述第二感知数据集再次训练所述路面摩擦系数识别模型;
其中,所述更新单元具体用于:
针对任一车辆,获取该车辆状态数据和该车辆所在区域的传感数据;
基于该车辆状态数据,利用预设路面摩擦系数算法计算该车辆的路面摩擦系数估计值;
获取所述路面摩擦系数算法所适用的车辆工况,并判断该车辆状态数据是否与所述车辆工况相匹配;
若是,则用所述路面摩擦系数估计值对所述传感数据进行标记并存储于预先建立的第一感知数据集以更新所述第一感知数据集。
14.根据权利要求13所述的装置,该装置还包括检验单元,在所述获取单元获取目标区域的当前感知估计值之前,所述检验单元用于:
利用预先建立的检验数据集检验对预先训练的路面摩擦系数识别模型进行检验;
若检验通过,则所述获取单元利用所述预先训练的路面摩擦系数识别模型获取目标区域的当前感知估计值。
15.一种电子设备,包括:至少一个处理器和存储器,所述存储器存储有程序,并且被配置成由所述至少一个处理器执行权利要求1至7中任一项所述的路面摩擦系数估计方法。
16.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现权利要求1至7中任一项所述的路面摩擦系数估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110112584.1A CN112668669B (zh) | 2021-01-27 | 2021-01-27 | 一种路面摩擦系数估计方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110112584.1A CN112668669B (zh) | 2021-01-27 | 2021-01-27 | 一种路面摩擦系数估计方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668669A true CN112668669A (zh) | 2021-04-16 |
CN112668669B CN112668669B (zh) | 2023-09-26 |
Family
ID=75414726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110112584.1A Active CN112668669B (zh) | 2021-01-27 | 2021-01-27 | 一种路面摩擦系数估计方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668669B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155700A (zh) * | 2022-02-09 | 2022-03-08 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 路面湿滑状态监测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108684203A (zh) * | 2017-01-13 | 2018-10-19 | 百度时代网络技术(北京)有限公司 | 使用基于学习的模型预测控制来确定自动驾驶车辆的道路摩擦的方法和系统 |
CN110395259A (zh) * | 2019-07-16 | 2019-11-01 | 启迪云控(北京)科技有限公司 | 一种路面情况的估计方法、装置、设备以及介质 |
CN111497859A (zh) * | 2020-06-30 | 2020-08-07 | 北京主线科技有限公司 | 一种结合重量参数辨识的车辆纵向控制方法 |
-
2021
- 2021-01-27 CN CN202110112584.1A patent/CN112668669B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108684203A (zh) * | 2017-01-13 | 2018-10-19 | 百度时代网络技术(北京)有限公司 | 使用基于学习的模型预测控制来确定自动驾驶车辆的道路摩擦的方法和系统 |
CN110395259A (zh) * | 2019-07-16 | 2019-11-01 | 启迪云控(北京)科技有限公司 | 一种路面情况的估计方法、装置、设备以及介质 |
CN111497859A (zh) * | 2020-06-30 | 2020-08-07 | 北京主线科技有限公司 | 一种结合重量参数辨识的车辆纵向控制方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114155700A (zh) * | 2022-02-09 | 2022-03-08 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 路面湿滑状态监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112668669B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102523886B1 (ko) | 스몰 타깃 검출 방법 및 장치 | |
CN110262486B (zh) | 一种无人驾驶设备运动控制方法及装置 | |
CN110929431B (zh) | 一种车辆行驶决策模型的训练方法及装置 | |
CN107636751A (zh) | 行驶车道判别装置和行驶车道判别方法 | |
CN112784060B (zh) | 基于车联网的路面摩擦系数确定方法、装置和电子设备 | |
CN113032261B (zh) | 一种仿真测试的方法及装置 | |
JP6511982B2 (ja) | 運転操作判別装置 | |
CN114550450A (zh) | 一种验证路侧感知设备感知精度的方法、装置及电子设备 | |
CN110390362A (zh) | 一种用于检测无人车故障的方法及无人车 | |
CN112036462A (zh) | 一种模型训练以及目标检测的方法及装置 | |
CN112668669A (zh) | 一种路面摩擦系数估计方法、装置和电子设备 | |
CN114419679B (zh) | 基于可穿戴设备数据的数据分析方法、装置及系统 | |
CN111353417A (zh) | 一种目标检测的方法及装置 | |
CN112883871A (zh) | 一种模型训练以及确定无人车运动策略方法及装置 | |
CN113674318A (zh) | 一种目标跟踪方法、装置及设备 | |
KR20210068110A (ko) | 목표 추적 방법 및 장치 | |
CN115575942A (zh) | 激光雷达数据和毫米波雷达数据的融合方法及融合系统 | |
CN111426299B (zh) | 一种基于目标物的景深进行测距的方法及装置 | |
CN113428153A (zh) | 一种电动汽车的控制方法及装置 | |
CN114187355A (zh) | 一种图像标定方法及装置 | |
CN114194213A (zh) | 一种目标物轨迹预测方法、装置、存储介质及电子设备 | |
CN112489522A (zh) | 一种仿真场景数据的播放方法、设备、介质及电子设备 | |
CN116256780B (zh) | 高架桥区域的车辆定位方法、装置及电子设备、存储介质 | |
Nguyen et al. | Improving ego-lane detection by incorporating source reliability | |
CN117077058B (zh) | 基于用水数据分析的智慧营业收费管理系统 |
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 |