CN114407913B - 一种车辆控制方法及装置 - Google Patents
一种车辆控制方法及装置 Download PDFInfo
- Publication number
- CN114407913B CN114407913B CN202210104850.0A CN202210104850A CN114407913B CN 114407913 B CN114407913 B CN 114407913B CN 202210104850 A CN202210104850 A CN 202210104850A CN 114407913 B CN114407913 B CN 114407913B
- Authority
- CN
- China
- Prior art keywords
- makeup
- vehicle
- passenger
- index value
- road section
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 11
- 239000002537 cosmetic Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 13
- 230000008859 change Effects 0.000 abstract description 7
- 238000011161 development Methods 0.000 abstract description 2
- 238000011155 quantitative monitoring Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000000720 eyelash Anatomy 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆控制方法及装置，其中方法包括获取车辆的行驶路线和乘客预先设置的化妆信息；基于所述化妆信息，将所述行驶路线分为若干数量的化妆路段；当车辆行驶在所述化妆路段时，根据实时获取到的路段信息，实时计算用于反映乘客车内化妆适宜度的化妆指标值；若所述化妆路段内的所述化妆指标值的变化幅度超过预设的适宜度阈值区间，则生成用于向正在化妆的乘客进行提醒的化妆禁用指令。本发明实施例提供的车辆控制方法及装置，通过对车辆的行驶状况进行分析，计算用于反映乘客车内化妆适宜度的化妆指标值，实现了化妆效果的量化监控，保证乘客的化妆效率及化妆效果，推进车辆场景控制的智能化发展。
Description
技术领域
本发明涉及车辆控制技术领域，尤其是涉及一种车辆控制方法及装置。
背景技术
车辆作为一种现代社会常用的代步工具，与人们的日常生活有着密不可分的联系。随着生活节奏的不断加快，车内的女乘客有时需要在车辆行驶的过程中进行化妆来节省时间，但是，车辆在行驶过程中的行驶状况十分复杂，乘客在化妆过程中需要时刻关注车辆的行驶状况，毫无疑问这会影响乘客的化妆效率及化妆效果，降低乘客的行车体验。
发明内容
本发明提供一种车辆控制方法及装置，通过对车辆的行驶状况进行分析，计算用于反映乘客车内化妆适宜度的化妆指标值，实现了化妆效果的量化监控，保证乘客的化妆效率及化妆效果，推进车辆场景控制的智能化发展。
为了解决上述技术问题，本发明实施例提供了一种车辆控制方法，包括：
获取车辆的行驶路线和乘客预先设置的化妆信息；
基于所述化妆信息，将所述行驶路线分为若干数量的化妆路段；
当车辆行驶在所述化妆路段时，根据实时获取到的路段信息，实时计算用于反映乘客车内化妆适宜度的化妆指标值；
若所述化妆路段内的所述化妆指标值的变化幅度超过预设的适宜度阈值区间，则生成用于向正在化妆的乘客进行提醒的化妆禁用指令。
作为其中一种优选方案，所述基于所述化妆信息，将所述行驶路线分为若干数量的化妆路段，具体包括：
获取所述化妆信息中的各个化妆类型；
基于所述化妆类型的数量和每一所述化妆类型在预设的化妆时间库中的对应时间，确定所述行驶路线中的所述化妆路段的数量。
作为其中一种优选方案，所述路段信息包括车流量、道路等级、路口数量和路口间距离；
所述根据实时获取到的路段信息，实时计算用于反映乘客车内化妆适宜度的化妆指标值，具体包括：
将所述车流量、所述道路等级、所述路口数量和所述路口间距离转化为对应的特征向量集合；
将所述特征向量集合作为输入值输入用于进行化妆指标值计算的卷积神经网络模型中，输出反映乘客车内化妆适宜度的化妆指标值。
作为其中一种优选方案，所述方法还包括：
计算车辆在所述化妆路段内的平均化妆指标值；
获取乘客在经过对应的所述化妆路段后给出的化妆评分值；
计算所述平均化妆指标值和所述化妆评分值的交叉熵损失函数；
根据计算结果，对所述卷积神经网络模型各个层级的相关参数进行修正。
作为其中一种优选方案，将乘客在经过每一所述化妆路段后给出的所述化妆评分值作为历史数据上传至历史数据库中；
在将所述行驶路线分为若干数量的化妆路段后，所述方法还包括：
获取乘客预先设置的化妆期望值；
在所述历史数据库中查找与所述化妆路段相关联的所述历史数据；
根据所述化妆期望值和所述历史数据的比对分析结果，对所述化妆路段进行筛选。
本发明另一实施例提供了一种车辆控制装置，包括控制器，所述控制器被配置为：
获取车辆的行驶路线和乘客预先设置的化妆信息；
基于所述化妆信息，将所述行驶路线分为若干数量的化妆路段；
当车辆行驶在所述化妆路段时，根据实时获取到的路段信息，实时计算用于反映乘客车内化妆适宜度的化妆指标值；
若所述化妆路段内的所述化妆指标值的变化幅度超过预设的适宜度阈值区间，则生成用于向正在化妆的乘客进行提醒的化妆禁用指令。
作为其中一种优选方案，所述基于所述化妆信息，将所述行驶路线分为若干数量的化妆路段，具体包括：
获取所述化妆信息中的各个化妆类型；
基于所述化妆类型的数量和每一所述化妆类型在预设的化妆时间库中的对应时间，确定所述行驶路线中的所述化妆路段的数量。
作为其中一种优选方案，所述路段信息包括车流量、道路等级、路口数量和路口间距离；
所述根据实时获取到的路段信息，实时计算用于反映乘客车内化妆适宜度的化妆指标值，具体包括：
将所述车流量、所述道路等级、所述路口数量和所述路口间距离转化为对应的特征向量集合；
将所述特征向量集合作为输入值输入用于进行化妆指标值计算的卷积神经网络模型中，输出反映乘客车内化妆适宜度的化妆指标值。
作为其中一种优选方案，所述控制器还被配置为：
计算车辆在所述化妆路段内的平均化妆指标值；
获取乘客在经过对应的所述化妆路段后给出的化妆评分值；
计算所述平均化妆指标值和所述化妆评分值的交叉熵损失函数；
根据计算结果，对所述卷积神经网络模型各个层级的相关参数进行修正。
作为其中一种优选方案，将乘客在经过每一所述化妆路段后给出的所述化妆评分值作为历史数据上传至历史数据库中；
所述控制器还被配置为：
获取乘客预先设置的化妆期望值；
在所述历史数据库中查找与所述化妆路段相关联的所述历史数据；
根据所述化妆期望值和所述历史数据的比对分析结果，对所述化妆路段进行筛选。
相比于现有技术，本发明实施例的有益效果在于以下所述中的至少一点：首先获取车辆的行驶路线和乘客预先设置的化妆信息，为后续的化妆场景控制提供准确的数据支撑，然后将所述行驶路线分为若干数量的化妆路段，当车辆行驶在每一化妆路段时，车上的乘客均可以在车厢(智能座舱)内进行化妆，在乘客进行化妆时，车辆还会对化妆的适宜度进行监控，通过实时获取到的路段信息实现对化妆适宜度的量化，最后根据量化的结果变化趋势，向乘客生成对应的提醒指令。整个过程实时采集反映车辆行驶状况的路段信息、实时计算反映化妆适宜度的化妆指标值，运用高速计算处理服务，搭建统一的信息处理平台，实现了车辆行驶状况的感知、化妆效果的比对和分析，以及决策控制，从而使得乘客在进行化妆时不再需要时刻关注车辆的行驶状况，弥补了乘客因不同的车辆行驶状况导致车内化妆行为受限的不足，保证了化妆效率和化妆效果，优化了车辆智能座舱化妆场景的控制，推进车辆的智能化进程。
附图说明
图1是本发明其中一种实施例中的车辆控制方法的流程示意图；
图2是本发明其中一种实施例中的卷积神经网络模型的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。基于本发明中的实施例，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，都属于本发明保护的范围。
在本申请描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。本文所使用的术语“垂直的”、“水平的”、“左”、“右”、“上”、“下”以及类似的表述只是为了说明的目的，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
在本申请的描述中，需要说明的是，除非另有定义，本发明所使用的所有的技术和科学术语与属于本的技术领域的技术人员通常理解的含义相同。本发明中说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明，对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
本发明一实施例提供了一种车辆控制方法，具体的，请参见图1，图1示出为本发明其中一种实施例中的车辆控制方法的流程示意图，其中包括步骤S1～步骤S4：
S1、获取车辆的行驶路线和乘客预先设置的化妆信息；
S2、基于所述化妆信息，将所述行驶路线分为若干数量的化妆路段；
S3、当车辆行驶在所述化妆路段时，根据实时获取到的路段信息，实时计算用于反映乘客车内化妆适宜度的化妆指标值；
S4、若所述化妆路段内的所述化妆指标值的变化幅度超过预设的适宜度阈值区间，则生成用于向正在化妆的乘客进行提醒的化妆禁用指令。
应当说明的是，本发明适用于具有充足空间进行化妆的车辆，例如设有智能座舱的车辆，为满足乘客的化妆需求，智能座舱不仅需要提供一个相对稳定的行车环境，而且需要根据乘客实际的化妆需求对座舱内的化妆行为进行监控，例如准确把握化妆的时间、在车辆行驶状况不佳时提醒乘客中止化妆等。
现有的车辆并不能根据实际的车辆行驶状况、乘客的化妆偏好来进行化妆场景的优化控制，导致乘客化妆效果十分不理想，有时甚至需要重新化妆，极大地降低了乘客的用车体验。本发明实施例通过获取车辆的行驶路线、采集反映车辆行驶状况的路段信息、实时计算反映化妆适宜度的化妆指标值，运用高速计算处理服务，搭建统一的信息处理平台，实现了车辆行驶状况的感知、化妆效果的比对和分析，以及决策控制，从而使得乘客在进行化妆时不再需要时刻关注车辆的行驶状况，弥补了乘客因不同的车辆行驶状况导致车内化妆行为受限的不足，保证了化妆效率和化妆效果，优化了车辆智能座舱化妆场景的控制，推进车辆的智能化进程。
进一步地，在上述实施例中，对于步骤S2：基于所述化妆信息，将所述行驶路线分为若干数量的化妆路段，具体包括：
获取所述化妆信息中的各个化妆类型；
基于所述化妆类型的数量和每一所述化妆类型在预设的化妆时间库中的对应时间，确定所述行驶路线中的所述化妆路段的数量。
举例来说，需要化妆的乘客可以预先设置本次将要化妆的类型(例如眼妆包括眼影①、眼线②、睫毛③、眼袋④)，通过预先设置或大数据分析技术得到化妆时间库，在化妆时间库中进行查询，进而得到本次化妆类型对应的化妆时间，进而得到化妆路段的数量。
进一步地，在上述实施例中，所述路段信息包括车流量、道路等级、路口数量和路口间距离；
对于步骤S3：根据实时获取到的路段信息，实时计算用于反映乘客车内化妆适宜度的化妆指标值，具体包括：
将所述车流量、所述道路等级、所述路口数量和所述路口间距离转化为对应的特征向量集合；
将所述特征向量集合作为输入值输入用于进行化妆指标值计算的卷积神经网络模型中，输出反映乘客车内化妆适宜度的化妆指标值。
具体来说，在每一化妆路段内，车辆都会实时获取该化妆路段内的路段信息，本实施例中的路段信息包括A该路段上的车流量、B道路等级、C路段内路口的数量、D路口间距离。利用上述四个因素来构造卷积神经网络的输入特征向量，通过神经网络来计算出该路段的化妆指标值S，进而得到反映化妆适宜度的化妆指标值。当然，本实施例中的路段信息列举了上述四个因素，本领域技术人员也可进行增删改换，设置其他诸如车速变化等因素，不同的因素会导致卷积神经网络的输入参量发生变化，在此不再赘述。同理，为实现上述相关因素的数据获取，车辆毫无疑问会设置相关的传感器组件，当然，相关因素的数据获取也可与对应的车联网或数据组件进行通信交互得到，例如，通过车辆设置的行车记录仪得到该路段的路口数量、通过道路定位服务得到该路段的道路等级等，在此不再赘述。
具体的，请参见图2，图2示出为本发明其中一种实施例中的卷积神经网络模型的结构示意图(图2中的路段评分即为模型的输出值，也即化妆指标值)，对于上述化妆指标值S和用于进行化妆指标值计算的卷积神经网络模型，其包括：将该化妆路段的四个因素转化为特征向量X＝[A,B,C,D]，将其作为卷积神经网络的输入数据，整个卷积神经网络由1个嵌入层，1个卷积层，1个池化层，3个全连接层组成。3个全连接层的神经元个数分别是32、16、1，前两层使用Relu激活函数，最后一层用于输出对应特征向量的化妆指标值。
在嵌入层将一维的特征向量做一个维度转换的预处理(可以利用word2vec或者one-hot的方式)，将其转化为二维的特征矩阵；然后将转化后的二维矩阵放入到卷积层、池化层中进行特征提取；最后在全连接层中获得该路段的化妆指标值S(例如化妆指标值的取值范围为[0-5])。
优选地，当车辆即将进入化妆路段时(例如距离化妆路段200米)，此时车辆上的相关控制器会提醒乘客准备化妆，与此同时，车辆智能座舱内的相关化妆组件诸如灯光背板等会根据实际光照条件对应进入工作，保证乘客后续的化妆行为得以实现；在车辆行驶在化妆路段内时，通过上述卷积神经网络模型实时计算用于反映乘客车内化妆适宜度的化妆指标值，若所述化妆路段内的所述化妆指标值的变化幅度超过预设的适宜度阈值区间(例如变化幅度超过[3-4])，则生成用于向正在化妆的乘客进行提醒的化妆禁用指令。当然，上述适宜度阈值区间为预先设置，乘客也可通过预先设置预设固定值，通过对比所述预设固定值和模型输出的化妆指标值，若连续多次所述化妆指标值低于所述预设固定值时，车辆生成提醒指令，提醒乘客此时路况不稳定，需要暂停化妆，在此不再赘述。
优选地，当车辆即将远离化妆路段时(例如距离化妆路段终点200米)，若下一个路段并非化妆路段，车辆会生成对应的提醒指令，提醒乘客准备结束化妆。到了下一个化妆路段时，重复上述过程。
进一步地，在上述实施例中，所述方法还包括：
计算车辆在所述化妆路段内的平均化妆指标值；
获取乘客在经过对应的所述化妆路段后给出的化妆评分值；
计算所述平均化妆指标值和所述化妆评分值的交叉熵损失函数；
根据计算结果，对所述卷积神经网络模型各个层级的相关参数进行修正。
在乘客的行程结束后，乘客可以对每一化妆路段进行评价，给出化妆评分值，同时，车辆也会对每一化妆路段的平均化妆指标值进行计算，通过对比乘客给出的评分值和所述平均化妆指标值，可以进行误差分析，对卷积神经网络模型各个层级的相关参数进行修正，下面以全连接层进行举例说明：
通过交叉熵损失函数计算误差值L：
其中：
C为化妆路段的评分区间m的总个数(例如，分值上下限为[0-5]，且设定分段差值为1的话，则C＝5，此时存在5个不同的评分区间m:0-1,1-2,2-3,3-4,4-5)；yxm为符号函数(取值为0或1)，如果特征向量X的真实区间(也就是乘客评分S0所属的区间)等于m取1，否则取0；pXm为第二个全连接层输出的结果，表示特征向量X属于评分区间m的预测概率；N为本轮误差分析中所输入的特征向量的个数，本实施例中取4。
之后神经网络模型会将误差值L进行反向传播，根据梯度下降算法去自动调整每个层级的对应参数。在进行多轮的上述调整之后，神经网络的输出结果将更加符合乘客的主观评分。
进一步地，在上述实施例中，将乘客在经过每一所述化妆路段后给出的所述化妆评分值作为历史数据上传至历史数据库中；在将所述行驶路线分为若干数量的化妆路段后，所述方法还包括：
获取乘客预先设置的化妆期望值；
在所述历史数据库中查找与所述化妆路段相关联的所述历史数据；
根据所述化妆期望值和所述历史数据的比对分析结果，对所述化妆路段进行筛选。
为了进一步优化乘客车内的化妆效果，可以对车辆的化妆路段进行筛选，通过保存乘客对已行驶化妆路段的化妆评分值(例如上传至远程服务器)，使得之后在行驶至相同路段时，车辆能够进行历史数据的调取，在与乘客预先设置的化妆期望值进行比对后，能够进一步优化化妆路段的获取过程，从而提高乘客的车内化妆体验。
本发明另一实施例提供了一种车辆控制装置，包括控制器，所述控制器被配置为：
获取车辆的行驶路线和乘客预先设置的化妆信息；
基于所述化妆信息，将所述行驶路线分为若干数量的化妆路段；
当车辆行驶在所述化妆路段时，根据实时获取到的路段信息，实时计算用于反映乘客车内化妆适宜度的化妆指标值；
若所述化妆路段内的所述化妆指标值的变化幅度超过预设的适宜度阈值区间，则生成用于向正在化妆的乘客进行提醒的化妆禁用指令。
进一步地，在上述实施例中，所述基于所述化妆信息，将所述行驶路线分为若干数量的化妆路段，具体包括：
获取所述化妆信息中的各个化妆类型；
基于所述化妆类型的数量和每一所述化妆类型在预设的化妆时间库中的对应时间，确定所述行驶路线中的所述化妆路段的数量。
进一步地，在上述实施例中，所述路段信息包括车流量、道路等级、路口数量和路口间距离；
所述根据实时获取到的路段信息，实时计算用于反映乘客车内化妆适宜度的化妆指标值，具体包括：
将所述车流量、所述道路等级、所述路口数量和所述路口间距离转化为对应的特征向量集合；
将所述特征向量集合作为输入值输入用于进行化妆指标值计算的卷积神经网络模型中，输出反映乘客车内化妆适宜度的化妆指标值。
进一步地，在上述实施例中，所述控制器还被配置为：
计算车辆在所述化妆路段内的平均化妆指标值；
获取乘客在经过对应的所述化妆路段后给出的化妆评分值；
计算所述平均化妆指标值和所述化妆评分值的交叉熵损失函数；
根据计算结果，对所述卷积神经网络模型各个层级的相关参数进行修正。
进一步地，在上述实施例中，将乘客在经过每一所述化妆路段后给出的所述化妆评分值作为历史数据上传至历史数据库中；
所述控制器还被配置为：
获取乘客预先设置的化妆期望值；
在所述历史数据库中查找与所述化妆路段相关联的所述历史数据；
根据所述化妆期望值和所述历史数据的比对分析结果，对所述化妆路段进行筛选。
本发明还提供了一种车辆，所述车辆包括用于进行化妆的智能座舱，所述车辆能够实现如上所述的车辆控制方法。
本发明提供的车辆控制方法及控制装置，有益效果在于以下所述中的至少一点：
首先获取车辆的行驶路线和乘客预先设置的化妆信息，为后续的化妆场景控制提供准确的数据支撑，然后将所述行驶路线分为若干数量的化妆路段，当车辆行驶在每一化妆路段时，车上的乘客均可以在车厢(座舱)内进行化妆，在乘客进行化妆时，车辆还会对化妆的适宜度进行监控，通过实时获取到的路段信息实现对化妆适宜度的量化，最后根据量化的结果变化趋势，向乘客生成对应的提醒指令。整个过程实时采集反映车辆行驶状况的路段信息、实时计算反映化妆适宜度的化妆指标值，运用高速计算处理服务，搭建统一的信息处理平台，实现了车辆行驶状况的感知、化妆效果的比对和分析，以及决策控制，从而使得乘客在进行化妆时不再需要时刻关注车辆的行驶状况，弥补了乘客因不同的车辆行驶状况导致车内化妆行为受限的不足，保证了化妆效率和化妆效果，优化了车辆智能座舱化妆场景的控制，推进车辆的智能化进程。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种车辆控制方法，其特征在于，包括：
获取车辆的行驶路线和乘客预先设置的化妆信息；
基于所述化妆信息，将所述行驶路线分为若干数量的化妆路段；
当车辆行驶在所述化妆路段时，根据实时获取到的路段信息，实时计算用于反映乘客车内化妆适宜度的化妆指标值；
若连续多次所述化妆指标值低于预设的固定值，则生成用于向正在化妆的乘客进行提醒的化妆禁用指令；
所述路段信息包括车流量、道路等级、路口数量和路口间距离；
所述根据实时获取到的路段信息，实时计算用于反映乘客车内化妆适宜度的化妆指标值，具体包括：
将所述车流量、所述道路等级、所述路口数量和所述路口间距离转化为对应的特征向量集合；
将所述特征向量集合作为输入值输入用于进行化妆指标值计算的卷积神经网络模型中，输出反映乘客车内化妆适宜度的化妆指标值；
所述方法还包括：
计算车辆在所述化妆路段内的平均化妆指标值；
获取乘客在经过对应的所述化妆路段后给出的化妆评分值；
计算所述平均化妆指标值和所述化妆评分值的交叉熵损失函数；
根据计算结果，对所述卷积神经网络模型各个层级的相关参数进行修正。
2.如权利要求1所述的车辆控制方法，其特征在于，所述基于所述化妆信息，将所述行驶路线分为若干数量的化妆路段，具体包括：
获取所述化妆信息中的各个化妆类型；
基于所述化妆类型的数量和每一所述化妆类型在预设的化妆时间库中的对应时间，确定所述行驶路线中的所述化妆路段的数量。
3.如权利要求1所述的车辆控制方法，其特征在于，将乘客在经过每一所述化妆路段后给出的所述化妆评分值作为历史数据上传至历史数据库中；
在将所述行驶路线分为若干数量的化妆路段后，所述方法还包括：
获取乘客预先设置的化妆期望值；
在所述历史数据库中查找与所述化妆路段相关联的所述历史数据；
根据所述化妆期望值和所述历史数据的比对分析结果，对所述化妆路段进行筛选。
4.一种车辆控制装置，其特征在于，包括控制器，所述控制器被配置为：
获取车辆的行驶路线和乘客预先设置的化妆信息；
基于所述化妆信息，将所述行驶路线分为若干数量的化妆路段；
当车辆行驶在所述化妆路段时，根据实时获取到的路段信息，实时计算用于反映乘客车内化妆适宜度的化妆指标值；
若连续多次所述化妆指标值低于预设的固定值，则生成用于向正在化妆的乘客进行提醒的化妆禁用指令；
所述路段信息包括车流量、道路等级、路口数量和路口间距离；
所述根据实时获取到的路段信息，实时计算用于反映乘客车内化妆适宜度的化妆指标值，具体包括：
将所述车流量、所述道路等级、所述路口数量和所述路口间距离转化为对应的特征向量集合；
将所述特征向量集合作为输入值输入用于进行化妆指标值计算的卷积神经网络模型中，输出反映乘客车内化妆适宜度的化妆指标值；
所述控制器还被配置为：
计算车辆在所述化妆路段内的平均化妆指标值；
获取乘客在经过对应的所述化妆路段后给出的化妆评分值；
计算所述平均化妆指标值和所述化妆评分值的交叉熵损失函数；
根据计算结果，对所述卷积神经网络模型各个层级的相关参数进行修正。
5.如权利要求4所述的车辆控制装置，其特征在于，所述基于所述化妆信息，将所述行驶路线分为若干数量的化妆路段，具体包括：
获取所述化妆信息中的各个化妆类型；
基于所述化妆类型的数量和每一所述化妆类型在预设的化妆时间库中的对应时间，确定所述行驶路线中的所述化妆路段的数量。
6.如权利要求4所述的车辆控制装置，其特征在于，将乘客在经过每一所述化妆路段后给出的所述化妆评分值作为历史数据上传至历史数据库中；
所述控制器还被配置为：
获取乘客预先设置的化妆期望值；
在所述历史数据库中查找与所述化妆路段相关联的所述历史数据；
根据所述化妆期望值和所述历史数据的比对分析结果，对所述化妆路段进行筛选。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210104850.0A CN114407913B (zh) | 2022-01-27 | 2022-01-27 | 一种车辆控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210104850.0A CN114407913B (zh) | 2022-01-27 | 2022-01-27 | 一种车辆控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114407913A CN114407913A (zh) | 2022-04-29 |
| CN114407913B true CN114407913B (zh) | 2022-10-11 |
Family
ID=81280053
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210104850.0A Active CN114407913B (zh) | 2022-01-27 | 2022-01-27 | 一种车辆控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114407913B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019089365A (ja) * | 2017-11-10 | 2019-06-13 | 三菱自動車工業株式会社 | 車両の制御装置 |
| CN110065369A (zh) * | 2018-01-24 | 2019-07-30 | 丰田自动车株式会社 | 车辆 |
| KR102200807B1 (ko) * | 2020-04-07 | 2021-01-11 | 인포뱅크 주식회사 | 자율주행차량의 속도 제어 장치 및 방법 |
| CN112550199A (zh) * | 2019-09-10 | 2021-03-26 | 奥迪股份公司 | 车辆驾驶辅助系统、车辆及车辆驾驶辅助方法 |
| CN113002546A (zh) * | 2021-03-30 | 2021-06-22 | 恒大新能源汽车投资控股集团有限公司 | 车辆控制方法、系统及车辆 |
| CN113269719A (zh) * | 2021-04-16 | 2021-08-17 | 北京百度网讯科技有限公司 | 模型训练、图像处理方法，装置，设备以及存储介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10710608B2 (en) * | 2015-10-26 | 2020-07-14 | Active Knowledge Ltd. | Provide specific warnings to vehicle occupants before intense movements |
| US10710603B2 (en) * | 2016-10-19 | 2020-07-14 | Here Global B.V. | Segment activity planning based on route characteristics |
| CN106681236A (zh) * | 2017-03-08 | 2017-05-17 | 桐乡匹昂电子科技有限公司 | 一种汽车化妆镜控制系统 |
| CN108234770B (zh) * | 2018-01-03 | 2020-11-03 | 京东方科技集团股份有限公司 | 一种辅助化妆系统、辅助化妆方法、辅助化妆装置 |
| CN112912925A (zh) * | 2018-10-24 | 2021-06-04 | 株式会社资生堂 | 程序、信息处理装置、定量化方法以及信息处理系统 |
| US11014577B2 (en) * | 2018-11-28 | 2021-05-25 | Here Global B.V. | Method and apparatus for presenting a feedforward cue in a user interface before an upcoming vehicle event occurs |
| CN110555257A (zh) * | 2019-08-29 | 2019-12-10 | 韶关市启之信息技术有限公司 | 一种智能的补妆提醒方法与系统 |
| JP7226284B2 (ja) * | 2019-12-06 | 2023-02-21 | トヨタ自動車株式会社 | 情報処理装置、情報処理方法、プログラム |
-
2022
- 2022-01-27 CN CN202210104850.0A patent/CN114407913B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019089365A (ja) * | 2017-11-10 | 2019-06-13 | 三菱自動車工業株式会社 | 車両の制御装置 |
| CN110065369A (zh) * | 2018-01-24 | 2019-07-30 | 丰田自动车株式会社 | 车辆 |
| CN112550199A (zh) * | 2019-09-10 | 2021-03-26 | 奥迪股份公司 | 车辆驾驶辅助系统、车辆及车辆驾驶辅助方法 |
| KR102200807B1 (ko) * | 2020-04-07 | 2021-01-11 | 인포뱅크 주식회사 | 자율주행차량의 속도 제어 장치 및 방법 |
| CN113002546A (zh) * | 2021-03-30 | 2021-06-22 | 恒大新能源汽车投资控股集团有限公司 | 车辆控制方法、系统及车辆 |
| CN113269719A (zh) * | 2021-04-16 | 2021-08-17 | 北京百度网讯科技有限公司 | 模型训练、图像处理方法，装置，设备以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114407913A (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109204007B (zh) | 一种无人驾驶的悬挂式磁悬浮列车及其控制方法 | |
| CN106096531B (zh) | 一种基于深度学习的交通图像多类型车辆检测方法 | |
| CN108256714A (zh) | 一种基于车联网大数据的行车轨迹实时风险评估模型 | |
| CN107368926A (zh) | 一种智能环境运载机器人识别楼层的多自然传感参数融合处理方法 | |
| CN110119845A (zh) | 一种轨道交通客流预测的应用方法 | |
| CN111738337B (zh) | 一种混行交通环境下的驾驶人分心状态检测识别方法 | |
| EP4121329A1 (en) | Systems and methods for managing velocity profiles | |
| CN109935080A (zh) | 一种交通线路上的车流量实时计算的监测系统及方法 | |
| CN113335131B (zh) | 一种车辆续航里程预测方法、装置、设备和存储介质 | |
| CN107402397A (zh) | 基于移动终端的用户活动状态确定方法、装置及移动终端 | |
| CN110458214B (zh) | 驾驶员更换识别方法和装置 | |
| CN111144706A (zh) | 一种网约车驾驶员评分和类别划分方法 | |
| CN111126799A (zh) | 基于二分图的共享网络司乘匹配方法 | |
| CN116050581A (zh) | 一种智慧城市地铁行车调度优化方法和物联网系统 | |
| CN108073978A (zh) | 一种人工智能超深度学习模型的构成方法 | |
| CN114407913B (zh) | 一种车辆控制方法及装置 | |
| CN112150443B (zh) | 基于空气质量数据图谱的列车车载空调剩余寿命预测方法 | |
| CN111027859B (zh) | 基于机动车状态监控数据挖掘的驾驶风险防范方法及系统 | |
| CN116128160B (zh) | 一种铁路车站高峰客流预测方法、系统及设备和介质 | |
| CN107368553A (zh) | 基于活动状态提供搜索建议词的方法及装置 | |
| CN110347937B (zh) | 一种出租车智能寻客方法 | |
| CN108073979A (zh) | 一种导入人工智能超深度学习用于图像识别的方法 | |
| CN114463978B (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
| CN114170588A (zh) | 基于眼部特征的铁路调度员不良状态识别方法 | |
| KR100510237B1 (ko) | 교통정보 제공장치에서의 교통정보 가공 장치 및 그 방법 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220429 Assignee: IFLYTEK Co.,Ltd. Assignor: Xinghe Zhilian Automobile Technology Co.,Ltd. Contract record no.: X2023980047914 Denomination of invention: A vehicle control method and device Granted publication date: 20221011 License type: Common License Record date: 20231122 |