CN114841514A - 模型训练和车辆舒适性评价方法、装置、设备及存储介质 - Google Patents
模型训练和车辆舒适性评价方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114841514A CN114841514A CN202210344521.3A CN202210344521A CN114841514A CN 114841514 A CN114841514 A CN 114841514A CN 202210344521 A CN202210344521 A CN 202210344521A CN 114841514 A CN114841514 A CN 114841514A
- Authority
- CN
- China
- Prior art keywords
- sample
- vehicle
- data
- comfort evaluation
- comfort
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种模型训练和车辆舒适性评价方法、装置、设备及存储介质。其中,该方法包括:获取样本车辆行驶数据和所述样本车辆行驶数据对应的样本舒适性评价数据;所述样本舒适性评价数据为用户基于所述样本车辆行驶数据驾驶车辆后,对车辆舒适性给出的评价数据;根据所述样本车辆行驶数据,确定样本车身频率响应特性;采用所述样本车身频率响应特性和所述样本舒适性评价数据,对神经网络模型进行训练,得到舒适性评价模型,所述舒适性评价模型用于对车辆的舒适性进行评价。通过本发明的技术方案,实现了更加客观和全面的对车辆舒适性进行评价的效果。
Description
技术领域
本发明实施例涉及计算机领域,尤其涉及一种模型训练和车辆舒适性评价方法、装置、设备及存储介质。
背景技术
在进行车辆研发时,需要考虑到用户乘坐车辆的舒适性,车辆研发方向逐渐向着提高车辆的乘坐舒适性倾斜。现阶段在进行车辆舒适性评价时所采用的评价方法,往往是工程师基于车辆表现对车辆进行舒适性评价,评价结果与工程师本人的主观感受强相关,无法体现实际车辆用户对车辆的评价,因此亟需一种客观且精准对车辆舒适性进行评价的方法。
发明内容
本发明实施例提供一种模型训练和车辆舒适性评价方法、装置、设备及存储介质,以实现更加客观和全面的对车辆舒适性进行评价。
第一方面,本发明实施例提供了一种模型训练方法,包括:
获取样本车辆行驶数据和所述样本车辆行驶数据对应的样本舒适性评价数据;所述样本舒适性评价数据为用户基于所述样本车辆行驶数据驾驶车辆后,对车辆舒适性给出的评价数据;
根据所述样本车辆行驶数据,确定样本车身频率响应特性;
采用所述样本车身频率响应特性和所述样本舒适性评价数据,对神经网络模型进行训练,得到舒适性评价模型,所述舒适性评价模型用于对车辆的舒适性进行评价。
第二方面,本发明实施例还提供了一种车辆舒适性评价方法,包括:
获取目标车辆行驶数据;
根据所述目标车辆行驶数据,确定目标车身频率响应特性;
基于舒适性评价模型,根据所述目标车身频率响应特性,确定对车辆的目标舒适性评价数据;其中,所述舒适性评价模型基于本发明任一实施例所述的模型训练方法训练得到。
第三方面,本发明实施例还提供了一种模型训练装置,包括:
样本数据获取模块,用于获取样本车辆行驶数据和所述样本车辆行驶数据对应的样本舒适性评价数据;所述样本舒适性评价数据为用户基于所述样本车辆行驶数据驾驶车辆后,对车辆舒适性给出的评价数据;
样本车身频率响应特性确定模块,用于根据所述样本车辆行驶数据,确定样本车身频率响应特性;
模型模块,用于采用所述样本车身频率响应特性和所述样本舒适性评价数据,对神经网络模型进行训练,得到舒适性评价模型,所述舒适性评价模型用于对车辆的舒适性进行评价。
第四方面,本发明实施例还提供了一种车辆舒适性评价装置,包括:
行驶数据获取模块,用于获取目标车辆行驶数据;
目标车身频率响应特性确定模块,用于根据所述目标车辆行驶数据,确定目标车身频率响应特性;
舒适性评价数据确定模块,用于基于舒适性评价模型,根据所述目标车身频率响应特性,确定对车辆的目标舒适性评价数据;其中,所述舒适性评价模型基于本发明任一实施例所述的模型训练方法训练得到。
第五方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任一实施例所述的模型训练方法,或者实现本发明任一实施例所述的车辆舒适性评价方法。
第六方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明实施例任一所述的模型训练方法,或者实现本发明任一实施例所述的车辆舒适性评价方法。
本发明实施例提供的技术方案,通过车辆的行驶数据确定样本车身频率响应特性,采用样本车身频率响应特性和用户发出的样本舒适性评价数据,对神经网络模型进行训练,将训练后的神经网络模型作为舒适性评价模型,舒适性评价模型可以用于对车辆的舒适性进行评价。上述方案,考虑到了用户对车辆舒适性的差异性感受,在对车辆舒适性进行评价时,可以避免由研发人员对车辆舒适性进行评价导致的评价结果过于主观的问题,实现了更加客观和全面的对车辆舒适性进行评价的效果。
附图说明
图1为本发明实施例一提供的一种模型训练方法的流程图;
图2为本发明实施例一提供的一种数据获取方法的结构示意图;
图3为本发明实施例二提供的一种模型训练方法的流程图;
图4为本发明实施例三提供的一种车辆舒适性评价方法的流程图;
图5为本发明实施例四提供的一种模型训练装置的结构示意图;
图6为本发明实施例五提供的一种车辆舒适性评价装置的结构示意图;
图7为本发明实施例六提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种模型训练方法的流程图,本实施例可适用于对神经网络模型进行训练,以得到舒适性评价模型的情况。该方法可以由本发明实施例提供的模型训练装置来执行,该装置可以采用软件和/或硬件的方式来实现。该装置可配置于承载模型训练功能的电子设备中,比如服务器中。
可选的,结合图1所示,本实施例所提供的模型训练方法具体包括:
S110、获取样本车辆行驶数据和样本车辆行驶数据对应的样本舒适性评价数据。
其中,样本车辆行驶数据可以包括车辆行驶过程中的车辆性能参数和车辆周围环境数据,样本车辆行驶数据可以通过车辆传感器获取。样本舒适性评价数据为用户基于样本车辆行驶数据驾驶车辆后,对车辆舒适性给出的评价数据。
一种可选方式,在车辆上装备无线网关,无线网关接入车辆的车辆总线,车辆总线上连接着车辆的车辆传感器,无线网关可以采集车辆总线上的车辆传感器信号,并根据车辆传感器信号获取到样本车辆行驶数据,无线网关将样本车辆行驶数据发送给服务器。其中,车辆传感器信号可以包括但不限于:悬架高度传感器信号、车身加速度信号、车速信号、车外温度信号、车辆GPS(Global Positioning System,全球定位系统)位置信号、悬架加速度信号、车身俯仰角速度信号和车身侧倾角速度信号;样本车辆行驶数据包括但不限于车辆行驶速度、车辆行驶区域的道路状况、车辆的工况、车辆的加速度、车辆的角速度和车辆的悬架加速度。
例如,结合图2所示,判断车辆是否启动上电,若车辆未启动上电,则等待车辆启动上电;若车辆启动上电,则无线网关开始采集车辆的车辆总线数据,在无线网关采集车辆总线数据的过程中,实时判断车辆是否下电熄火;若车辆未下电熄火,则无线网关继续采集车辆的车辆总线数据;若车辆下电熄火,则无线网关根据车辆总线数据获得样本车辆行驶数据,与此同时通过车辆和/或用户终端获取样本车辆行驶数据对应的样本舒适性评价数据。之后,无线网关获取到样本车辆行驶数据和样本舒适性评价数据后,将样本车辆行驶数据和样本舒适性评价数据打包发送至服务器。
可选的,获取样本车辆行驶数据对应的样本舒适性评价数据的方法具体可以是,获取车辆和/或用户终端发送的样本车辆行驶数据对应的样本舒适性评价数据。其中,用户终端是指用户可以执行操作的终端设备,例如用户终端可以是用户的手机或用户的个人计算机设备。
具体的,车辆下电熄火时,车辆向用户发出舒适性评价提示,用户根据舒适性评价提示,基于自身乘坐感受和车辆的舒适性评价逻辑,通过车辆上的中控屏对车辆进行样本舒适性评价。例如,预先设置车辆的舒适性评价逻辑,根据舒适性评价逻辑,首先获取用户本次乘坐车辆是否舒适的评价,通过车辆显示器发出的文字提示,并在车辆显示器上为用户提供评价页面,评价页面的层数可根据实际需求进行设置,用户通过车辆显示器上的中控屏对评价页面中提供的选项做出选择。第一层评价页面为舒适性评页面,可供用户选择的选项为“舒适”、“一般”和“不舒适”;若用户选择“舒适”,则向无线网关反馈用户的样本舒适性评价为“舒适”,并退出评价页面;若用户选择“一般”或“不舒适”,则进入第二层评价页面,第二层评价页面可供用户选择的选项为用户的乘坐感受标签,乘坐感受标签可以包括:“底盘太软”、“底盘太硬”和“晕车”;当用户选择了第二层评价页面中任意乘坐感受标签后,进入第三层评价页面,第三层评价页面可供用户选择的选项为车辆行驶细节标签,车辆行驶细节标签可以包括:“侧倾回摆严重”和“垂向余振严重”。用户在对第二层评价页面或第三层评价页面中的选项进行选择时,可以选择页面中的一个选项,也可以选择页面中的多个选项。当用户完成评价或中途停止评价时,中控屏将用户的样本舒适性评价发送给无线网关,无线网关将样本舒适性评价和通过车辆总线获取的样本车辆行驶数据打包发送给服务器。
进一步的,若用户通过车辆完成了样本舒适性评价,则车辆将样本舒适性评价数据发送给无线网关,无线网关再将样本舒适性评价数据发送给服务器;若用户通过车辆未能完成完整的样本舒适性评价,则用户可以通过用户终端上的具有样本舒适性评价功能的APP(Application,手机软件)继续进行未完成的样本舒适性评价,在用户完成样本舒适性评价后,车辆和用户终端将样本舒适性评价数据发送给无线网关,无线网关再将车辆和用户终端发送的样本舒适性评价数据打包发送给服务器。
S120、根据样本车辆行驶数据,确定样本车身频率响应特性。
其中,样本车身频率响应特性是指车辆在不同路面状况下车身的响应状况。
具体的,服务器接收到无线网关发送的样本车辆行驶数据和样本舒适性评价数据后,对样本车辆行驶数据进行频域分析,获得样本车辆行驶数据的频率特性曲线,将样本车辆行驶数据的频率特性曲线作为样本车辆行驶数据的行驶数据谱。对样本车辆行驶数据的行驶数据谱进行数据分析,确定不同道路状况下车辆车身的响应状况,将不同道路状况下车辆车身的响应状况作为样本车身频率响应特性。
示例性的,根据样本车辆行驶数据,确定样本车身频率响应特性可以是,对样本车辆行驶数据中的车身加速度、悬挂加速度和车身角速度进行处理,得到样本车身频率响应特性。
具体的,对车辆的行驶数据中的样本车身加速度、悬挂加速度和车身角速度进行频域分析,获得车身加速度谱、悬挂加速度谱和车身角速度谱。再对车辆行驶区域的道路状况进行频域分析,获得路况谱。根据路况谱、车身加速度谱、悬挂加速度谱和车身角速度谱确定不同道路状况下车辆车身加速度、悬挂加速度和车身角速度的响应状况,将不同道路状况下车辆车身加速度、悬挂加速度和车身角速度的响应状况作为样本车身频率响应特性。
S130、采用样本车身频率响应特性和样本舒适性评价数据,对神经网络模型进行训练,得到舒适性评价模型,舒适性评价模型用于对车辆的舒适性进行评价。
具体的,将获取到的所有样本车身频率响应特性和样本舒适性评价数据存入训练样本库,采用训练样本库中的数据对神经网络模型进行训练。例如,将样本车身频率响应特性作为神经网络模型的输入参数,样本舒适性评价数据作为神经网络模型的监督数据,通过输入参数和监督数据训练神经网络模型,将训练后的神经网络模型作为舒适性评价模型。舒适性评价模型用于对车辆的舒适性进行评价。
优选的,随着车辆的车型和训练样本库中的数据的增多,可以每隔一段时间采用训练样本库中的数据对舒适性评价模型进行迭代训练,以保证舒适性评价模型对车辆的舒适性评价的准确性。
本实施例提供的技术方案,通过车辆的行驶数据确定样本车身频率响应特性,采用样本车身频率响应特性和用户发出的样本舒适性评价数据,对神经网络模型进行训练,将训练后的神经网络模型作为舒适性评价模型,舒适性评价模型可以用于对车辆的舒适性进行评价。上述方案,考虑到了用户对车辆舒适性的差异性感受,在对车辆舒适性进行评价时,可以避免由研发人员对车辆舒适性进行评价导致的评价结果过于主观的问题,实现了更加客观和全面的对车辆舒适性进行评价的效果。
实施例二
图3为本发明实施例二提供的一种模型训练方法的流程图,本实施例在上述实施例的基础上进行了优化,给出了根据样本车身频率响应特性、样本工况特征和样本舒适性评价数据,对神经网络模型进行训练,得到舒适性评价模型的可选实施例。具体的,如图3所示,本实施例提供的模型训练方法可以包括:
S210、获取样本车辆行驶数据和样本车辆行驶数据对应的样本舒适性评价数据。
S220、根据样本车辆行驶数据中的车身加速度、悬挂加速度和车身角速度进行处理,得到样本车身频率响应特性。
S230、根据样本车辆行驶数据中的车辆行驶速度和/或车辆定位数据,确定样本工况特征。
其中,样本工况特征是指可以用于描述车辆的行驶环境和车辆的行驶状态的数据。例如,车辆的工况特征可以是低速、拥堵道路、车外低温和激烈驾驶等。
具体的,对样本车辆行驶数据进行数据抽象处理,根据数据抽象处理结果确定车辆的样本工况特征。例如,根据样本车辆行驶数据确定车辆的行驶区域和车辆的行驶工况,再将车辆的行驶区域和车辆的行驶工况进行数据抽象处理,根据数据抽象处理结果确定车辆的样本工况特征。其中,车辆的行驶工况包括但不限于:起步、加速、等速、减速、转弯、上下坡、停车、换档变速、滑行、制动、油门控速、转向、倒车、空载、满载和超载。车辆的行驶区域可以通过车辆GPS获取。
S240、采用样本车身频率响应特性、样本工况特征和样本舒适性评价数据,对神经网络模型进行训练,得到舒适性评价模型,舒适性评价模型用于对车辆的舒适性进行评价。
具体的,将获取到的所有样本车身频率响应特性、样本工况特征和样本舒适性评价数据存入训练样本库,采用训练样本库中的数据对神经网络模型进行训练。训练神经网络模型的方法是:将样本车身频率响应特性和样本工况特征作为神经网络模型的输入参数,样本舒适性评价数据作为神经网络模型的监督数据,通过输入参数和监督数据训练神经网络模型,将训练后的神经网络模型作为舒适性评价模型。舒适性评价模型用于对车辆的舒适性进行评价。
在确定舒适性评价模型之前,需要确定神经网络模型是否训练完成。若神经网络模型训练完成,则确定训练后的神经网络模型为舒适性评价模型;若神经网络模型训练未完成,则对神经网络模型中的参数进行调整后继续对神经网络模型进行训练,直到神经网络模型训练完成。示例性的,在通过训练神经网络模型获取舒适性评价模型时,先通过样本车身频率响应特性和样本工况特征确定训练损失,再根据训练损失对神经网络模型中的参数进行调整,得到舒适性评价模型。具体的,可以通过如下子步骤实现:
S2401、将样本车身频率响应特性和样本工况特征,输入至神经网络模型,得到预测舒适性评价数据。
S2402、根据预测舒适性评价数据和样本舒适性评价数据,确定训练损失。
S2403、采用训练损失,对神经网络模型中的参数进行调整,得到舒适性评价模型。
其中,预测舒适性评价数据是指通过神经网络模型获取的对车辆的舒适性评价数据。训练损失是指预测舒适性评价数据和样本舒适性评价数据之间的误差。
具体的,将样本车身频率响应特性和样本工况特征,输入至神经网络模型,经过模型处理,可得到预测舒适性评价数据;之后基于预先设定的损失函数,根据预测舒适性评价数据和样本舒适性评价数据,可确定训练损失。
进一步的,在确定神经网络模型的训练损失后,基于训练损失,对神经网络模型中的参数进行调整,直到训练后的神经网络模型收敛,将训练后的神经网络模型作为舒适性评价模型。
本实施例提供的技术方案,通过根据样本车辆行驶数据,可确定样本工况特征和样本车身频率响应特性,并采用样本车身频率响应特性、样本工况特征和样本舒适性评价数据,对神经网络模型进行训练,得到舒适性评价模型。上述方案,在对神经网络模型进行训练时,考虑到了车辆的样本工况特征,使得用于训练神经网络模型的数据更加全面,通过本方案的神经网络模型训练方法的到的舒适性评价模型,可以获得对车辆舒适性评价更加精确的舒适性评价模型。
实施例三
图4为本发明实施例三提供的一种车辆舒适性评价方法的流程图,该方法可以由本发明实施例提供的车辆舒适性评价装置来执行,该装置可以采用软件和/或硬件的方式来实现。该装置可配置于承载车辆舒适性评价功能的车辆中。具体的,如图4所示,本实施例提供的车辆舒适性评价方法具体包括:
S310、获取目标车辆行驶数据。
其中,本实施例中的车辆为具有舒适性评价需求的车辆,例如处于研发阶段的车辆。可以基于舒适性评价对处于研发阶段的车辆进行改进,以使车辆可以满足用户的舒适性需求。
具体的,可以通过车辆上的无线网关采集车辆总线上的车辆传感器信号,并根据车辆传感器信号获取到目标车辆行驶数据。
S320、根据目标车辆行驶数据,确定目标车身频率响应特性。
具体的,无对目标车辆行驶数据进行频域分析,获得目标车辆行驶数据的频率特性曲线,将目标车辆行驶数据的频率特性曲线作为目标车辆行驶数据的行驶数据谱。对目标车辆行驶数据的行驶数据谱进行数据分析,确定不同道路状况下目标车辆车身的响应状况,将不同道路状况下目标车辆车身的响应状况作为目标车身频率响应特性。
S330、基于舒适性评价模型,根据目标车身频率响应特性,确定对车辆的目标舒适性评价数据。
其中,舒适性评价模型基于实施例一或实施例二中任意的模型训练方法训练得到。
具体的,将目标车辆的目标车身频率响应特性输入舒适性评价模型,可以获得舒适性评价模型的输出数据,舒适性评价模型的输出数据即为车辆的目标舒适性评价数据。
优选的,在另一个可选的实施方式中,确定对车辆的目标舒适性评价数据的方法还可以是:根据目标车辆行驶数据,确定目标工况特征;基于舒适性评价模型,根据目标车身频率响应特性和目标工况特征,确定对车辆的目标舒适性评价数据。
具体的,根据目标车辆行驶数据,确定车辆的行驶区域和车辆的行驶工况,再将车辆的行驶区域和车辆的行驶工况进行数据抽象处理,根据数据抽象处理结果确定车辆的目标工况特征。当需要对车辆的舒适性进行评价时,将车身频率响应特性和目标工况特征输入舒适性评价模型,得到的输出数据为车辆的舒适性评价数据。
根据目标车身频率响应特性和所述目标工况特征,确定对车辆的目标舒适性评价数据,可以获得更加准确的舒适性评价数据。
本实施例提供的技术方案,首先获取目标车辆行驶数据,根据目标车辆行驶数据确定目标车身频率响应特性,基于舒适性评价模型,根据目标车身频率响应特性,确定对车辆的目标舒适性评价数据。解决了在对车辆进行舒适性评价时,只能通过车辆研发人员的主观感受对目标车辆的舒适性进行评价,评价结果受车辆研发人员主观感受的影响,使得评价结果不客观的问题。本方案通过舒适性评价模型,基于目标车辆车身频率响应特性对目标车辆的舒适性进行评价,评价结果是基于车辆自身行驶数据得出的,不受研发人员主观感受的干扰,得到的舒适性评价数据更加客观和准确。
实施例四
图5为本发明实施例四提供的一种模型训练装置的结构示意图,本实施例可适用于对神经网络模型进行训练,以得到舒适性评价模型的情况,如图5所示,该模型训练装置包括:样本数据获取模块410、样本车身频率响应特性确定模块420和模型训练模块430。
其中,样本数据获取模块410,用于获取样本车辆行驶数据和样本车辆行驶数据对应的样本舒适性评价数据;所述样本舒适性评价数据为用户基于所述样本车辆行驶数据驾驶车辆后,对车辆舒适性给出的评价数据;
样本车身频率响应特性确定模块420,用于根据样本车辆行驶数据,确定样本车身频率响应特性;
模型训练模块430,用于采用样本车身频率响应特性和样本舒适性评价数据,对神经网络模型进行训练,得到舒适性评价模型,舒适性评价模型用于对车辆的舒适性进行评价。
本实施例提供的技术方案,通过车辆的行驶数据确定样本车身频率响应特性,采用样本车身频率响应特性和用户发出的样本舒适性评价数据,对神经网络模型进行训练,将训练后的神经网络模型作为舒适性评价模型,舒适性评价模型可以用于对车辆的舒适性进行评价。上述方案,考虑到了用户对车辆舒适性的差异性感受,在对车辆舒适性进行评价时,可以避免由研发人员对车辆舒适性进行评价导致的评价结果过于主观的问题,实现了更加客观和全面的对车辆舒适性进行评价的效果。
其中,样本车身频率响应特性确定模块420具体用于:
对样本车辆行驶数据中的车身加速度、悬挂加速度和车身角速度进行处理,得到样本车身频率响应特性。
进一步的,上述模型训练装置还包括:
样本工况特征确定模块,用于根据样本车辆行驶数据中的车辆行驶速度和/或车辆定位数据,确定样本工况特征。
示例性的,模型训练模块430还用于:
采用样本车身频率响应特性、样本工况特征和样本舒适性评价数据,对神经网络模型进行训练,得到舒适性评价模型。
进一步的,模型训练模块430还用于:
将样本车身频率响应特性和样本工况特征,输入至神经网络模型,得到预测舒适性评价数据;
根据预测舒适性评价数据和样本舒适性评价数据,确定训练损失;
采用训练损失,对神经网络模型中的参数进行调整,得到舒适性评价模型。
示例性的,样本数据获取模块410还用于:
获取车辆和/或用户终端发送的样本车辆行驶数据对应的样本舒适性评价数据。
示例性的,上述样本舒适性评价数据为用户基于所述样本车辆行驶数据驾驶车辆后,对车辆舒适性给出的评价数据。
本实施例提供的模型训练装置可适用于上述任意实施例提供的模型训练方法,具备相应的功能和有益效果。
实施例五
图6为本发明实施例五提供的一种车辆舒适性评价装置的结构示意图,本实施例可适用于采用舒适性评价模型确定目标车辆的舒适性评价数据的情况,如图6所示,该车辆舒适性评价装置包括:行驶数据获取模块510、目标车身频率响应特性确定模块520和舒适性评价数据确定模块530。
其中,行驶数据获取模块510,用于获取目标车辆行驶数据;
目标车身频率响应特性确定模块520,用于根据目标车辆行驶数据,确定目标车身频率响应特性;
舒适性评价数据确定模块530,用于基于舒适性评价模型,根据目标车身频率响应特性,确定对车辆的目标舒适性评价数据;其中,舒适性评价模型基于实施例一和实施例二中任一所述的模型训练方法训练得到。
本实施例提供的技术方案,首先获取目标车辆行驶数据,根据目标车辆行驶数据确定目标车身频率响应特性,基于舒适性评价模型,根据目标车身频率响应特性,确定对车辆的目标舒适性评价数据。解决了在对车辆进行舒适性评价时,只能通过车辆研发人员的主观感受对目标车辆的舒适性进行评价,评价结果受车辆研发人员主观感受的影响,使得评价结果不客观的问题。本方案通过舒适性评价模型,基于目标车辆车身频率响应特性对目标车辆的舒适性进行评价,评价结果是基于目标车辆自身行驶数据得出的,不受研发人员主观感受的干扰,得到的舒适性评价数据更加客观和准确。
进一步的,上述车辆舒适性评价装置还包括:
目标工况特征确定模块,用于根据目标车辆行驶数据,确定目标工况特征。
示例性的,舒适性评价数据确定模块530还用于:
基于舒适性评价模型,根据目标车身频率响应特性和目标工况特征,确定对车辆的目标舒适性评价数据。
本实施例提供的车辆舒适性评价装置可适用于上述任意实施例提供的车辆舒适性评价方法,具备相应的功能和有益效果。
实施例六
图7为本发明实施例六提供的一种电子设备的结构示意图,如图7所示,该电子设备包括处理器60、存储器61、输入装置62和输出装置63;电子设备中处理器60的数量可以是一个或多个,图7中以一个处理器60为例;电子设备中的处理器60、存储器61、输入装置62和输出装置63可以通过总线或其他方式连接,图7中以通过总线连接为例。
存储器61作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的模型训练方法和车辆舒适性评价方法对应的程序指令/模块。处理器60通过运行存储在存储器61中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述的模型训练方法和车辆舒适性评价方法。
存储器61可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器61可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器61可进一步包括相对于处理器60远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置62可用于接收输入的模型训练或车辆舒适性评价的相关数据,以及产生与电子设备的用户设置以及功能控制有关的模型训练方法或车辆舒适性评价方法相关参数输入。输出装置63可包括显示屏等显示设备。
本实施例提供的电子设备可适用于上述任意实施例提供的模型训练方法或车辆舒适性评价方法,具备相应的功能和有益效果。
实施例七
本发明实施例七还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种模型训练方法或一种车辆舒适性评价方法。
上述模型训练方法包括:
获取样本车辆行驶数据和所述样本车辆行驶数据对应的样本舒适性评价数据;根据所述样本车辆行驶数据,确定样本车身频率响应特性;采用所述样本车身频率响应特性和所述样本舒适性评价数据,对神经网络模型进行训练,得到舒适性评价模型,所述舒适性评价模型用于对车辆的舒适性进行评价。
上述车辆舒适性评价方法包括:
获取目标车辆行驶数据;根据目标车辆行驶数据,确定目标车身频率响应特性;基于舒适性评价模型,根据所述目标车身频率响应特性,确定对车辆的目标舒适性评价数据;其中,舒适性评价模型基于实施例一和实施例二中任一所述的模型训练方法训练得到。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种模型训练方法,其特征在于,包括:
获取样本车辆行驶数据和所述样本车辆行驶数据对应的样本舒适性评价数据;所述样本舒适性评价数据为用户基于所述样本车辆行驶数据驾驶车辆后,对车辆舒适性给出的评价数据;
根据所述样本车辆行驶数据,确定样本车身频率响应特性;
采用所述样本车身频率响应特性和所述样本舒适性评价数据,对神经网络模型进行训练,得到舒适性评价模型,所述舒适性评价模型用于对车辆的舒适性进行评价。
2.根据权利要求1所述的方法,其特征在于,所述根据所述样本车辆行驶数据,确定样本车身频率响应特性,包括:
对所述样本车辆行驶数据中的车身加速度、悬挂加速度和车身角速度进行处理,得到样本车身频率响应特性。
3.根据权利要求1所述的方法,其特征在于,还包括:
根据所述样本车辆行驶数据中的车辆行驶速度和/或车辆定位数据,确定样本工况特征;
相应的,所述采用所述样本车身频率响应特性和所述样本舒适性评价数据,对神经网络模型进行训练,得到舒适性评价模型,包括:
采用所述样本车身频率响应特性、样本工况特征和所述样本舒适性评价数据,对神经网络模型进行训练,得到舒适性评价模型。
4.根据权利要求3所述的方法,其特征在于,所述采用所述样本车身频率响应特性、样本工况特征和所述样本舒适性评价数据,对神经网络模型进行训练,得到舒适性评价模型,包括:
将所述样本车身频率响应特性和样本工况特征,输入至神经网络模型,得到预测舒适性评价数据;
根据所述预测舒适性评价数据和样本舒适性评价数据,确定训练损失;
采用所述训练损失,对所述神经网络模型中的参数进行调整,得到舒适性评价模型。
5.根据权利要求1所述的方法,其特征在于,所述获取所述样本车辆行驶数据对应的样本舒适性评价数据,包括:
获取车辆和/或用户终端发送的所述样本车辆行驶数据对应的样本舒适性评价数据。
6.一种车辆舒适性评价方法,其特征在于,包括:
获取目标车辆行驶数据;
根据所述目标车辆行驶数据,确定目标车身频率响应特性;
基于舒适性评价模型,根据所述目标车身频率响应特性,确定对车辆的目标舒适性评价数据;其中,所述舒适性评价模型基于权利要求1-5中任一所述的模型训练方法训练得到。
7.根据权利要求6所述的方法,其特征在于,还包括:
根据所述目标车辆行驶数据,确定目标工况特征;
相应的,所述基于舒适性评价模型,根据所述目标车身频率响应特性,确定对车辆的目标舒适性评价数据,包括:
基于舒适性评价模型,根据所述目标车身频率响应特性和所述目标工况特征,确定对车辆的目标舒适性评价数据。
8.一种模型训练装置,其特征在于,包括:
样本数据获取模块,用于获取样本车辆行驶数据和所述样本车辆行驶数据对应的样本舒适性评价数据;所述样本舒适性评价数据为用户基于所述样本车辆行驶数据驾驶车辆后,对车辆舒适性给出的评价数据;
样本车身频率响应特性确定模块,用于根据所述样本车辆行驶数据,确定样本车身频率响应特性;
模型训练模块,用于采用所述样本车身频率响应特性和所述样本舒适性评价数据,对神经网络模型进行训练,得到舒适性评价模型,所述舒适性评价模型用于对车辆的舒适性进行评价。
9.一种车辆舒适性评价装置,其特征在于,包括:
行驶数据获取模块,用于获取目标车辆行驶数据;
目标车身频率响应特性确定模块,用于根据所述目标车辆行驶数据,确定目标车身频率响应特性;
舒适性评价数据确定模块,用于基于舒适性评价模型,根据所述目标车身频率响应特性,确定对车辆的目标舒适性评价数据;其中,所述舒适性评价模型基于权利要求1-5中任一所述的模型训练方法训练得到。
10.一种电子设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的模型训练方法,或者实现如权利要求6-7中任一所述的车辆舒适性评价方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的模型训练方法,或者实现如权利要求6-7中任一所述的车辆舒适性评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210344521.3A CN114841514A (zh) | 2022-03-31 | 2022-03-31 | 模型训练和车辆舒适性评价方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210344521.3A CN114841514A (zh) | 2022-03-31 | 2022-03-31 | 模型训练和车辆舒适性评价方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841514A true CN114841514A (zh) | 2022-08-02 |
Family
ID=82563382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210344521.3A Pending CN114841514A (zh) | 2022-03-31 | 2022-03-31 | 模型训练和车辆舒适性评价方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841514A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545118A (zh) * | 2022-11-16 | 2022-12-30 | 北京集度科技有限公司 | 车辆驾驶评价及其模型的训练方法、装置、设备及介质 |
-
2022
- 2022-03-31 CN CN202210344521.3A patent/CN114841514A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545118A (zh) * | 2022-11-16 | 2022-12-30 | 北京集度科技有限公司 | 车辆驾驶评价及其模型的训练方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2683902C2 (ru) | Транспортное средство, способ и система для планирования режимов транспортного средства с использованием изученных предпочтений пользователя | |
US10460394B2 (en) | Autonomous or partially autonomous motor vehicles with automated risk-controlled systems and corresponding method thereof | |
CN106652515B (zh) | 车辆自动控制方法、装置和系统 | |
CN111325230B (zh) | 车辆换道决策模型的在线学习方法和在线学习装置 | |
JP2019510677A (ja) | 運転者のルールベース型支援のための制御データ作成方法 | |
JP2019501812A (ja) | 自律走行車のステアリング率の動的調整 | |
GB2550250A (en) | Systems and Methods for Driving Risk Index Estimation | |
US20190315342A1 (en) | Preference adjustment of autonomous vehicle performance dynamics | |
DE112017003692T5 (de) | Informationsabschätzungssystem, Informationsabschätzungsverfahren und Programm | |
US10002470B2 (en) | Method and apparatus for predictive driving demand modeling | |
CN114901536A (zh) | 智能汽车的控制方法、装置和控制系统 | |
JP6930274B2 (ja) | デジタルサイネージ制御装置、デジタルサイネージ制御方法、プログラム、記録媒体 | |
CN114841514A (zh) | 模型训练和车辆舒适性评价方法、装置、设备及存储介质 | |
DE102020103633A1 (de) | Weg-planungs fusion für ein fahrzeug | |
JP6970924B2 (ja) | 車両検索システム、車両検索方法、及び車両検索プログラム | |
CN112109715B (zh) | 车辆动力输出策略的生成方法、装置、介质及系统 | |
CN113424209A (zh) | 使用深度学习多预测器融合和贝叶斯优化的轨迹预测 | |
US20150321604A1 (en) | In-vehicle micro-interactions | |
CN111123948B (zh) | 车辆多维感知融合控制方法、系统及汽车 | |
JP7302411B2 (ja) | 運転技量評価装置 | |
CN113240910B (zh) | 基于协同车辆的道路检测方法、系统、设备和存储介质 | |
DE102022125228A1 (de) | Automatisiertes fahrsystem mit gewünschtem niveau der fahraggresivität | |
DE102022125908A1 (de) | Zielschlupfschätzung | |
DE112021004884T5 (de) | Informationsverarbeitungsvorrichtung, informationsverarbeitungsverfahren und programm | |
US20200232813A1 (en) | Subscription based smart refueling |
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 |