CN115867474A - 用于控制车辆系统的驾驶员辨识 - Google Patents

用于控制车辆系统的驾驶员辨识 Download PDF

Info

Publication number
CN115867474A
CN115867474A CN202180046500.7A CN202180046500A CN115867474A CN 115867474 A CN115867474 A CN 115867474A CN 202180046500 A CN202180046500 A CN 202180046500A CN 115867474 A CN115867474 A CN 115867474A
Authority
CN
China
Prior art keywords
vehicle
user
individual
data
determining
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
Application number
CN202180046500.7A
Other languages
English (en)
Inventor
M·T·伯克
R·R·N·比尔比
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Micron Technology Inc
Original Assignee
Micron Technology Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Micron Technology Inc filed Critical Micron Technology Inc
Publication of CN115867474A publication Critical patent/CN115867474A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

车辆的驾驶员辨识系统将接近所述车辆的个人识别为驾驶员或其他用户。在一种方法中，所述驾驶员辨识系统使用所述车辆的一或多个相机收集数据。所收集的数据对应于接近所述车辆的所述个人。基于所述所收集的数据，计算装置确定(例如，使用机器学习模型)所述个人是否为与所述车辆相关联的用户(例如，驾驶员)。如果所述个人为与所述车辆相关联的用户，那么所述计算装置使得对所述车辆执行一或多个动作(例如，控制器配置、计算装置的启动、使用空中更新来更新软件等)。

Description

用于控制车辆系统的驾驶员辨识
相关申请
本申请主张于2020年7月14日提交的且标题为“用于控制车辆系统的驾驶员辨识(DRIVER RECOGNITION TO CONTROL VEHICLE SYSTEMS)”的第16/928,788号美国专利申请的优先权，所述美国专利申请的全部公开内容特此以引用的方式并入本文中。
技术领域
本文所公开的至少一些实施例大体上涉及用户识别系统，且更具体地说，但不限于用于识别车辆的驾驶员或其他用户的驾驶员辨识系统。
背景技术
面部辨识为通常用于识别个人的一个方法。在一些情况下，面部辨识用于识别产品(例如，消费型装置)的用户。
在一个实例中，面部辨识用于识别移动装置的用户。移动装置具有面部辨识传感器，其将红外线点投影到用户的面部上且接着读取图案。所述图案由移动装置的处理器评估以确认与手机所有者的面部的匹配。
在一些方法中，面部辨识识别来自数字图像的个人。在一个实例中，数字图像由相机捕获。面部辨识系统通过将来自给定图像的选定面部特征与数据库内的面部进行比较而工作。
在一些情况下，面部辨识用于存取控制或其它形式的安全性系统。已经在移动平台上和在机器人技术中使用面部辨识。
一些面部辨识算法通过从个人的面部的图像提取特征来识别面部特征。举例来说，所述算法可分析个人的眼睛、鼻子等的相对位置。接着使用这些特征来搜索具有匹配特征的其它图像。
三维面部辨识使用传感器捕获关于面部形状的信息。三维面部辨识的优点在于其不受照明变化的影响，且可从查看角度范围(包含轮廓视图)识别面部。并且，使用来自面部的三维数据点显著地提高了辨识的精确度。
在一个方法中，通过使用指向不同角度的三个跟踪相机来捕获三维图像。所述相机中的第一者指向个体的正面，第二相机指向侧面，且第三相机指向一角度。所有相机一起工作以实时地跟踪个体的面部，且检测并辨识所述个体。
在一些情况下，面部辨识技术从用户的外观变化中习得。在一个实例中，此类技术可识别用户，甚至当用户正穿戴着帽子、围巾、眼镜、太阳镜、胡须或化妆时也是如此。
附图说明
在附图的图式中借助于实例而非限制说明实施例，在附图中，相似的参考标号指示类似的元件。
图1展示根据一些实施例的使用机器学习模型来识别接近车辆的个人的车辆。
图2展示根据一些实施例的用于在确定个人为与车辆相关联的用户之后执行车辆的一或多个动作的方法。
图3展示根据一些实施例的使用机器学习模型来识别可能会横穿车辆的路径的行人的车辆。
图4展示根据一些实施例的用于在确定行人可能会横穿车辆的路径之后对车辆执行一或多个动作的方法。
具体实施方式
以下公开内容描述了使用用户辨识系统来识别车辆的驾驶员或其他用户的各种实施例。在一个实例中，接近车辆的个人被识别为驾驶员或授权用户。在一个实例中，驾驶员的识别由手动驾驶车辆的计算装置执行。在另一实例中，执行自动驾驶车辆的授权用户的识别。在一个实例中，手动驾驶或自动驾驶车辆为汽车、飞机或船只。
在先前车辆中，接近和进入车辆的个人在进入车辆之前未被充分识别，并且车辆并未响应于所述识别而充分配置。在许多情况下，车辆由多于一个个人操作。车辆未能充分识别正接近车辆且将操作所述车辆的个人会造成车辆通常不处于将实际上操作车辆的个人的适当配置的技术难题(例如，操作车辆的先前驾驶员或用户为不同于当前驾驶员/用户的个人的情况)。在一些情况下，车辆将不会被适当地配置成以适于操作车辆的特定驾驶员的方式执行。因此，车辆可能会低效地和/或不准确地操作。举例来说，车辆针对驾驶员使用的策略、过程和/或规则可能针对先前驾驶员不正确地设置。
在一个实例中，驾驶员可为残疾人，且要求以特定方式定位座椅或车辆的其它机械组件。在一个实例中，驾驶员可为车辆的商业经营者，且要求以适于由驾驶员实施的技术应用和/或由驾驶员使用的过程的方式加载和配置车辆系统(例如，软件应用)。当驾驶员手动配置车辆时，车辆未恰当地配置会导致耗时的延迟。另外，在一些情况下，由于驾驶员在需要逃离危险环境时延迟操作车辆和/或在需要操作车辆时分心，因此车辆未恰当地配置可为安全隐患。
本公开的各种实施例提供了针对上述技术问题中的一或多者的技术解决方案。在一个实施例中，当个人接近车辆时，车辆的相机将个人辨识为驾驶员/车主或与车辆相关联的其它授权用户(例如，驾驶员的家庭成员)。响应于辨识到个人，准备车辆以供所述个人使用。此类准备的实例包含解锁车辆的门、启动车辆的计算机系统、开启车辆的HVAC系统、预测和启动个人在车辆内部时使用的应用程序和/或专门针对个人调整车辆的设置。
在一个实施例中，车辆包含一或多个相机(例如，安装在车辆的外部上，或以其它方式安装以捕获车辆外部的图像)。车辆的存储器装置存储经授权以操作车辆的用户的用户数据库。车辆的计算装置使用相机收集数据。所收集的数据对应于已经检测为接近车辆的个人(例如，驾驶员)。在一个实例中，除相机中的一者外的传感器用于检测个人正接近。响应于传感器的检测，相机中的一或多者经启用以开始收集将由计算机装置分析的图像数据。
计算装置基于所收集的数据确定个人为用户数据库中的授权用户。响应于确定个人为授权用户，对车辆执行一或多个动作(例如，上文所论述的车辆的准备)。
在一个实施例中，驾驶员友好的辨识技术不需要驾驶员直视相机以便识别(例如，轮廓为足够的)。在一些实施例中，不需要相机来识别个人。
在一个实例中，基于人工神经网络(ANN)的辨识器结合其它输入(例如，时间、位置、路线选择)分析个人接近车辆的方式，以作出关于个人的身份的确定。在一个实施例中，使用从车辆的使用周期获得的数据来训练ANN。在一个实例中，新车不必立即或甚至在一两天内辨识车主，而是在预定的使用周期(例如，5天)之后，或在车辆的多次使用之后(例如，如由发动机或电机启动或启用测量)辨识车主。在一些情况下，ANN可经配置以“忘记”驾驶员或用户的一些过时模式/习惯(例如，删除某些数据或训练参数)。
一般来说，可使用监督方法来训练ANN，其中调整ANN中的参数以最小化或减少由相应输入产生的已知输出与通过将输入应用于ANN而产生的所计算输出之间的误差。监督学习/训练方法的实例包含强化学习，以及具有误差校正的学习。
替代地或组合地，可使用非监督方法来训练ANN，其中由给定的一组输入产生的确切输出在所述训练完成之前是未知的。可以训练ANN，以将项目分类成多个类别，或将数据点分类成群集。可以采用多个训练算法用于复杂机器学习/训练范例。
在一个实例中，人工神经网络可经配置为ANN或配置为使用强化学习训练的卷积神经网络(CNN)。举例来说，ANN可收集接近车辆的个人的图像、语音记录和其它传感器数据，且在训练周期期间将数据存储在数据库中。当个人在训练周期期间进入驾驶员座椅时，所述个人在数据库中被识别为授权用户，且所述个人的数据在ANN中得到加强。在训练周期期间，机器学习模型将收集授权用户的新传感器数据(例如，外观变化(衣服、眼镜、面部毛发等)、不同光照条件、不同角度等)，且将学习和加强授权用户的辨识。
在一个实施例中，多于一个个人可同时接近车辆。在一个实例中，车辆经配置用于由车辆的控制器确定为最接近车辆的驾驶员车门的个人。在另一实例中，车辆经配置用于基于用户数据库中的优先级数据被确定为具有最高优先级的个人。
在一个实施例中，由一或多个相机收集的数据用于确定用户相对于车辆的位置，且基于用户的位置打开一或多个选定门。在一个实施例中，所述数据包含在个人正接近车辆时的天气数据的集合。至少部分地基于所确定的天气来配置车辆。
在一个实施例中，第一相机面向车辆的一侧(例如，左侧)，且第二相机面向车辆的相对侧(例如，右侧)。由相机收集的图像数据作为输入提供到面部辨识软件中。针对若干用户中的每一者训练面部辨识软件。用户数据的数据库由运行面部辨识软件的计算装置存取。
在对用户进行肯定检测之后，在用户数据库中存取用户偏好。这些用户偏好可包含如在已经对车辆进行预定数目个接近和进入且用户已经在接近和进入之后配置车辆(例如，对旋钮、开关等进行设置)之后为用户确定的实际操作方式。
针对所识别的接近用户而基于用户偏好来配置车辆。在一个实例中，这些用户偏好包含执行与解锁门、调整座椅、调整后视镜、设置温度、选择无线电台、设置车辆操作模式等相关的动作。在一个实例中，车辆操作模式为省油的，而不是高性能的。
在一个实施例中，使用无线通信将由一或多个相机收集的图像数据传输到中央服务器(例如，充当多个车辆)。中央服务器执行识别过程且将个人的身份传输回到车辆。个人的身份可基于服务器上执行的机器学习模型。在一个实施例中，使用来自个人使用的其它车辆的数据来训练机器学习模型。在一个实例中，其它车辆与服务器通信。
图1展示根据一些实施例的车辆102，其使用机器学习模型128来识别接近或以其它方式在车辆外部周围的个人130。车辆102包含处理装置104。在一个实施例中，处理装置104使用机器学习模型128和用户数据库110，连同来自相机124和/或传感器120的输入，和/或关于车辆118的情境的信息，和/或关于接近车辆102的个人132的情境的信息，以实施驾驶员辨识系统。在其它实施例中，不需要机器学习，且可使用其它计算机模型和/或数据处理。处理装置104可为例如微处理器、图形处理器、嵌入式处理器、嵌入式计算机、芯片上系统、ASIC、FPGA或其它处理装置。
车辆102含有连接到处理装置104的存储器106。存储器106可为非易失性存储器或非易失性存储器与易失性存储器的组合。举例来说，存储器106可含有快闪存储器(例如，SLC、MLC、TLC、QLC等)、3D XPoint存储器、DRAM、SRAM、其它存储器技术或存储器技术的任何组合。存储器106可呈任何形式，包含例如固态磁盘、紧凑型快闪模块、PCIe卡、NVMe模块、DIMM、SIMM、焊接到主板或其它形状因数。
存储器106含有由处理装置104用来实施驾驶员辨识系统的指令108。指令108可包含例如处理装置104在收集数据(例如，相机数据126或传感器数据122)、确定车辆118的情境或接近车辆102的个人132的情境(例如，地理位置、一天中的时间等)或处理数据(例如，使用机器学习模型128)和/或在辨识驾驶员时执行一或多个动作138时使用的指令。
在各种实施例中，可使用许多类型的传感器来辨识接近驾驶员。除相机之外，还可使用各种传感器，包含LiDAR、雷达和/或红外传感器。还可使用一或多个麦克风。这些传感器可在个人正接近车辆时收集传感器数据。
存储器106还含有用户数据库110。用户数据库110含有关于与车辆102相关联的每一用户112的信息(例如，用户112可为驾驶员、驾驶员的家庭成员和/或如由处理装置104根据社交网络服务器确定的驾驶员的朋友)。用户数据库110可为许多类型的数据库中的一者。举例来说，用户数据库110可为关系型数据库或非关系型数据库，且可使用任何结构和存取方法(例如，SQL、NoSQL、XML等)。在一个实施例中，用户数据库110存储在与指令108相同的存储器106中。在一个实施例中，用户数据库110和指令108存储在单独的存储器装置中。在一个实施例中，用户数据库110分布在多个存储器装置上。在一个实施例中，实施用户数据库110以使得数据作为云连接服务(例如，经由无线网络与车辆102通信的服务)从用户数据库提供。
用户数据库110含有关于与车辆102相关联的每一用户112的信息，包含例如用户数据114和配置数据116。用户数据114可包含例如用以识别用户112的数据和关于用户112的数据。举例来说，用以识别用户112的数据可包含生物统计数据，例如面部特征、身高、体型、头发颜色等，和/或行为数据，例如体态、步态、声纹等。关于用户112的数据还可包含例如与用户112相关联的姓名、地址、联系人信息等。
存储在用户数据库110中的配置数据116可例如用于存储与用户112相关联的偏好。举例来说，配置数据116可包含与车辆102相关联的用户112的偏好设置(例如，座椅、后视镜和踏板位置、温度和通风、仪表盘照明水平、无线电台偏好等)。配置数据116还可包含用户112所偏好的软件应用程序(例如，用于操作车辆102的功能的软件)。
在一个实施例中，配置数据116可包含不直接与车辆102自身的组件相关联的用户112的其它偏好。举例来说，所偏好的加油站、餐饮和娱乐场所、路线等可与用户112相关联。
对驾驶员辨识系统的输入可来自许多来源，包含例如来自一或多个相机124的数据126、来自一或多个传感器120的数据122、车辆118的情境和接近车辆102的个人132的情境。来自相机124的数据126可包含例如接近车辆102的个人130的静态图片或视频数据。来自传感器120的数据122可包含例如个人130相对于车辆102的位置，或来自在车辆102附近说话的个人130的声纹数据或命令。车辆118的情境可包含例如关于车辆102的位置、一天中的时间、车辆102所行进的路线等的数据。
相机124和传感器120可搜集关于接近或靠近车辆102的一或多个个人130的信息。举例来说，此可包含个人130的特征136(例如，面部特征、身高、体型、头发颜色等)、个人130的行为134(例如，体态、步态、声纹等)，或个人132的情境(例如，个人130是否在对于车辆102的用户112来说常见的地点和一天中的时间，车辆102是否已行进了对于车辆102的用户112来说常见的路线等)。
处理装置104可使用机器学习模型128作为驾驶员辨识系统的部分。机器学习模型128可学习特征136(例如，面部特征、身高、体型、头发颜色等)、行为134(例如，体态、步态、声纹等)或与车辆102相关联的用户112的情境，且可将此类数据存储在用户数据库110中。机器学习模型128可将诸如相机数据126、传感器数据122、车辆118的情境和/或个人132的情境之类的数据用作输入，且在确定个人130是否为与车辆102相关联的用户112时运行算法(例如，面部辨识、行为辨识和/或语音辨识等)。机器学习模型128可经训练以在启用驾驶员辨识系统之前的预定时间段内辨识与车辆102相关联的用户112。
可针对不再使用车辆102的用户112(例如，不再经授权使用车辆102的用户)从用户数据库110移除数据。举例来说，如果用户112尚未在预定时间内使用车辆102，那么可从用户数据库110移除与用户112相关联的用户数据114和配置数据116。驾驶员辨识系统可使用更新后的用户数据库110来重新训练机器学习模型128。
当个人130被确定为与车辆102相关联的用户112时，车辆102可执行一或多个动作138。举例来说，车辆102可解锁用户112附近的门，或可解锁多个门。车辆102可存取用户112配置数据116以在用户112所偏好的设置(例如，气候控制、座椅、后视镜和踏板位置、无线电台、电话联系人、导航关注点等)下配置车辆102。车辆102还可执行一或多个空中软件更新以配置用于用户112的车辆102，或可执行与用户112相关联的软件。
图2展示根据一些实施例的用于在确定个人为与车辆相关联的用户之后对车辆执行一或多个动作(例如，计算系统的配置)的方法。举例来说，图2的方法可实施于图1的系统中。在一个实例中，车辆为车辆102，且个人为个人130。
图2的方法可由处理逻辑进行，所述处理逻辑可包含硬件(例如处理装置、电路系统、专用逻辑、可编程逻辑、微码、装置的硬件、集成电路等)、软件(例如在处理装置上运行或执行的指令)或其组合。在一些实施例中，图2的方法至少部分地由一或多个处理装置(例如，图1的处理装置104，例如控制器)执行。
虽然以特定顺序或次序来展示，但是除非另外指定，否则可修改过程的次序。因此，所说明的实施例应理解为仅作为实例，且所说明的过程可以不同次序执行，并且一些过程可并行执行。另外，可在各种实施例中省略一或多个过程。因此，并非在每一实施例中需要所有过程。其它过程流程是可能的。
在框201处，收集对应于接近车辆的个人的数据。在一个实例中，在个人移动时收集数据。在一个实例中，在个人已接近车辆的一定距离(例如，小于5-100米)但已停止移动之后收集数据。在一个实例中，数据由车辆102的相机124和/或传感器120收集。
在框203处，确定个人是否为与车辆相关联的用户。在一个实例中，机器学习模型128由处理装置104使用，以确定个人130是否为车辆102的驾驶员。
在框205处，在确定个人为与车辆相关联的用户之后，执行车辆的一或多个动作。在一个实例中，处理装置104使得对车辆102执行一或多个动作138。
图3展示根据一些实施例的使用机器学习模型来识别可能会横穿车辆的路径的行人的车辆。在一个实例中，行人(例如，行人330)可能难以被驾驶员看到。在一个实施例中，机器学习模型128可从传感器(例如，相机124、传感器120等)接收数据(例如，数据124、126等)，且确定行人330可能会横穿车辆102的路径(例如，个人的行走方向和/或其它方式会导致所述个人被车辆撞到)。在确定行人330可能会横穿车辆102的路径之后，处理装置104引起车辆102的动作(例如，动作138)。在其它实施例中，不需要机器学习，且可使用其它计算机模型和/或数据处理。在一个实施例中，图3的车辆102类似于如针对图1所描述的车辆102。
在一个实例中，行人330靠近车辆102(例如，在距所述车辆1-5米内)。行人330可能难以被车辆102的驾驶员看到(例如，行人位于停放的车辆之间，在驾驶员的视线被其它车辆遮挡的人行横道中，等等)。在一个实施例中，相机124和/或传感器120将与行人330相关的数据124、126发送到机器学习模型128。数据124、126可包含例如静态图像、视频图像、LiDAR图像、雷达图像或其它类型的数据。
在一个实施例中，机器学习模型128接收和处理与行人330相关的数据124、126。机器学习模型128识别行人330的情境(例如，行人332的情境)和行为(例如，行为334)。行人332的情境可包含例如行人330的位置(例如，行人330离车辆102有多近)、行人330的可见性(例如，部分地隐藏在停放的车辆之间)、行人330的定向(例如，面朝车辆102的路径)、行人330的年龄(例如，成人或儿童)等。行人330的行为334可包含例如朝向车辆102的路径奔跑或行走，在车辆102的路径附近或中蹒跚，在车辆102的路径中或附近站立等。机器学习模型128可确定行人330可能会横穿车辆102的路径。
在一个实施例中，在机器学习模型128确定行人330可能会横穿车辆102的路径之后，处理装置104引起车辆102的动作138。在一个实例中，动作138为对车辆102的驾驶员的警告(例如，可听或可见警报)。在一个实例中，动作138控制车辆102的功能(例如，制动、转向等)。
图4展示根据一些实施例的用于在确定行人可能会横穿车辆的路径之后对车辆执行一或多个动作的方法。举例来说，图4的方法可实施于图3的系统中。在一个实例中，车辆为车辆102，且行人为行人330。
图4的方法可由处理逻辑进行，所述处理逻辑可包含硬件(例如，处理装置、电路、专用逻辑、可编程逻辑、微码、装置的硬件、集成电路等)、软件(例如，在处理装置上运行或执行的指令)或其组合。在一些实施例中，图4的方法至少部分地由一或多个处理装置(例如，图3的处理装置104)执行。
虽然以特定顺序或次序来展示，但是除非另外指定，否则可修改过程的次序。因此，所说明的实施例应理解为仅作为实例，且所说明的过程可以不同次序执行，并且一些过程可并行执行。另外，可在各种实施例中省略一或多个过程。因此，并非在每一实施例中需要所有过程。其它过程流程是可能的。
在框401处，收集对应于靠近车辆的行人的数据。在一个实例中，在个人移动时收集数据。在一个实例中，在个人已接近车辆的一定距离(例如，小于1-5米)但已停止移动之后收集数据。在一个实例中，数据由车辆102的相机124和/或传感器120收集。
在框403处，确定个人是否可能会横穿车辆的路径。在一个实例中，机器学习模型128由处理装置104使用，以确定行人330是否可能会横穿车辆102的路径。
在框405处，在确定行人可能会横穿车辆的路径之后，执行车辆的一或多个动作。在一个实例中，处理装置104使得对车辆102执行一或多个动作138。在一个实例中，车辆102警告车辆102的驾驶员。在一个实例中，车辆102采取规避操作(例如，应用制动器)。
在一个实施例中，一种方法包括：使用车辆的至少一个相机(例如，相机124)收集数据(例如，数据122、126)，其中所收集的数据对应于接近车辆的个人(例如，个人130)；基于所收集的数据确定所述个人是否为与车辆相关联的用户；以及响应于确定所述个人为与车辆相关联的用户，对车辆执行至少一个动作(例如，动作138)。
在一个实施例中，确定个人是否为与车辆相关联的用户包括使用机器学习模型(例如，机器学习模型128)评估所收集的数据。
在一个实施例中，所述方法进一步包括在确定个人是否为与车辆相关联的用户之前，使用由至少一个相机收集的训练数据在预定时间段内训练机器学习模型。
在一个实施例中，所述方法进一步包括：确定训练数据中寿命超过预定极限的较旧数据；从训练数据移除较旧数据以提供更新后的训练数据；以及使用更新后的训练数据来训练机器学习模型。
在一个实施例中，确定个人是否为与车辆相关联的用户包括通过处理所收集的数据来执行面部辨识，以识别存储在用户数据库(例如，用户数据库110)中的第一用户。
在一个实施例中，用户数据库存储车辆的用户的配置数据，包含第一用户的第一配置数据。
在一个实施例中，执行至少一个动作包括使用第一配置数据配置车辆。
在一个实施例中，配置车辆包括对由车辆的控制器(例如，当实施为控制器时，处理装置104)使用的软件执行空中更新。
在一个实施例中，确定个人是否为与车辆相关联的用户包括通过处理所收集的数据来执行特征辨识，以识别所述个人的对应于车辆的第一用户的除面部特征外的特征(例如，非面部特征136)。
在一个实施例中，确定个人是否为与车辆相关联的用户包括将个人的行为(例如，行为134)与存储在车辆的用户的用户数据库中的用户数据进行比较。
在一个实施例中，所述方法进一步包括确定与接近车辆的个人相关联的情境(例如，个人132的情境)。确定所述个人是否为与车辆相关联的用户进一步包括使用机器学习模型，所述个人的行为和所述情境为所述机器学习模型的输入。所述模型的输出用于识别用户数据库中的第一用户。
在一个实施例中，情境包括以下各者中的至少一者：一天中的时间、车辆的地理位置、车辆的路线选择，或在个人接近车辆时由车辆的一或多个传感器收集的传感器数据。
在一个实施例中，确定个人是否为与车辆相关联的用户包括识别经授权以驾驶车辆的第一用户，且执行至少一个动作包括执行与所述第一用户相关联的软件。在一个实例中，软件存储在存储器106中且由处理装置104执行。
在一个实施例中，所述方法进一步包括确定个人在车辆外部的位置。执行至少一个动作包括选择车辆中对应于所确定的位置的门，且解锁所述门。
在一个实施例中，一种系统，其包括：至少一个相机；存储器，其经配置以存储经授权以操作车辆的用户的用户数据库；至少一个处理装置；以及存储器，其含有指令，所述指令经配置以指示所述至少一个处理装置进行以下操作：使用所述至少一个相机收集数据，其中所收集的数据对应于接近所述车辆的个人；基于所述所收集的数据确定所述个人为所述用户数据库中的第一用户；以及响应于确定所述个人为所述第一用户，对所述车辆执行至少一个动作。
在一个实施例中，至少一个动作包括以下各者中的至少一者：解锁门、发动加热或空气调节系统、预测和启动供第一用户使用的软件，或调整车辆的组件或系统的至少一个设置。
在一个实施例中，所述指令进一步经配置以指示至少一个处理装置进行以下操作：确定个人的行为，其中所述行为包括所述个人的移动模式；以及确定所述车辆的情境(例如，车辆118的情境)；其中确定所述个人为第一用户包括提供来自将所述个人的所述行为和所述车辆的所述情境用作输入的机器学习模型的输出。
在一个实施例中，所述指令进一步经配置以指示至少一个处理装置进行以下操作：确定个人或车辆的情境；其中至少一个动作包括基于所述情境选择软件，且启动选定软件。
在一个实施例中，一种非暂时性计算机可读媒体存储指令，所述指令当在计算装置上执行时使得所述计算装置至少：使用至少一个相机收集数据，其中所收集的数据对应于接近车辆的个人；基于所述所收集的数据确定所述个人是否为与所述车辆相关联的用户；以及响应于确定所述个人为与所述车辆相关联的用户而对所述车辆执行至少一个动作。
在一个实施例中，确定个人是否为与车辆相关联的用户包括通过处理所收集的数据来执行面部辨识，以识别存储在车辆的用户数据库中的第一用户。
在一个实施例中，一种方法，其包含：使用车辆的至少一个相机收集数据，其中所收集的数据对应于接近所述车辆的个人；由所述相机基于所述所收集的数据发信号通知所述车辆的处理装置(例如，处理装置104)；响应于所述发信号通知，由所述处理装置确定与所述个人相关联的情境；由所述处理装置基于所述所收集的数据确定所述个人是否为与所述车辆相关联的用户，其中所述确定包括将所述个人的行为与存储在车辆的用户的用户数据库中的用户数据进行比较，且其中所述确定进一步包括使用机器学习模型，所述个人的所述行为和所述情境为所述机器学习模型的输入，且其中所述模型的输出用于识别所述用户数据库中的第一用户；以及响应于确定所述个人为与所述车辆相关联的用户，对所述车辆执行至少一个动作。
在一个实施例中，相机经由车辆的通信总线与处理装置通信。
在一个实施例中，所述方法进一步包含：通过处理装置经由无线接口(例如，车辆102的无线通信接口)与服务器通信，所述服务器经配置以训练机器学习模型，且将更新发送到所述处理装置以基于所述训练更新所述机器学习模型，其中用于训练所述机器学习模型的数据由所述服务器从其它车辆的传感器获得。
本公开包含执行方法并实施上文所描述的系统的各种装置，包含执行这些方法的数据处理系统，以及含有指令的计算机可读媒体，所述指令当在数据处理系统上执行时使得系统执行这些方法。
描述和附图是说明性的并且不应被解释为限制性的。描述了许多特定细节以提供透彻的理解。然而，在某些情况下，未对众所周知的或常规的细节进行描述，以免混淆描述。本公开中对一个或一实施例的参考未必参考同一实施例；并且此类参考意味着至少一个。
在本说明书中对“一个实施例”或“一实施例”的参考意味着结合实施例描述的特定特征、结构或特性包含在本公开的至少一个实施例中。本说明书中各个位置中出现的短语“在一个实施例中”未必完全是指同一实施例，也未必是与其它实施例相互排斥的单独或替代实施例。此外，描述了可由一些实施例而不是由其它实施例呈现的各种特征。类似地，描述各种要求，这些要求可以是对于一些实施例的要求但不是对于其它实施例的要求。
在本说明书中，各种功能和操作可被描述为由软件代码执行或由软件代码引起以简化描述。然而，所属领域的技术人员将认识到，此类表达的意思是所述功能由一或多个处理器执行代码所引起，所述处理器例如微处理器、专用集成电路(ASIC)、图形处理器和/或现场可编程门阵列(FPGA)。替代地或组合地，可使用专用电路系统(例如，逻辑电路系统)在有或没有软件指令的情况下实施功能和操作。可使用并无软件指令或结合软件指令的硬接线电路系统实施实施例。因此，所述技术既不限于硬件电路系统与软件的任何特定组合，也不限于由计算装置执行的指令的任何特定来源。
尽管一些实施例可以在功能全面的计算机和计算机系统中实施，但是各种实施例能够分布为多种形式的计算产品，且能够不论实际上用于实现分布的计算机可读媒体的特定类型如何都适用。
所公开的至少一些方面可以至少部分实施于软件中。也就是说，所述技术可响应于其处理装置(例如，微处理器)执行存储器(例如，ROM、易失性RAM、非易失性存储器、高速缓存或远程存储装置)中所含有的指令序列而在计算装置或另一系统中进行。
执行以实施所述实施例的例程可实施为操作系统、中间件、业务交付平台、软件开发工具包(SDK)组件、网络服务或其它特定应用程序、组件、程序、对象、模块或指令序列(有时称为计算机程序)的部分。对这些例程的调用接口可作为应用程序编程接口(API)暴露于软件开发团体。计算机程序通常在各种时间在计算机中的各种存储器和存储装置中包括一或多个指令集，且所述指令集在由计算机中的一或多个处理器读取和执行时使所述计算机执行对进行涉及各个方面的要素来说必要的操作。
计算机可读媒体可以用于存储软件和数据，所述软件和数据当由计算装置执行时使所述装置执行各种方法。可执行软件和数据可存储在包含例如ROM、易失性RAM、非易失性存储器和/或高速缓存的各个位置中。此软件和/或数据的部分可存储在这些存储装置中的任一者中。另外，可从集中式服务器或对等网络获得数据和指令。数据和指令的不同部分可在不同时间且在不同通信会话中或同一通信会话中从不同集中式服务器和/或对等网络获得。可在执行应用程序之前获得全部数据和指令。替代地，可动态地、及时地在需要执行时获得数据和指令的部分。因此，并不需要数据和指令在特定时刻全部处于计算机可读媒体上。
计算机可读媒体的实例包含但不限于可记录和不可记录类型的媒体，例如易失性和非易失性存储器装置、只读存储器(ROM)、随机存取存储器(RAM)、快闪存储器装置、固态硬盘存储媒体、可装卸式磁盘、磁盘存储媒体、光学存储媒体(例如光盘只读存储器(CDROM)、数字通用光盘(DVD)等)和其它媒体。计算机可读媒体可存储指令。计算机可读媒体的其它实例可包含但不限于使用NOR的非易失性嵌入式装置、包含eMMC、UFS、SSD的受管理NAND装置和不受管理NAND装置。
一般来说，非暂时性计算机可读媒体包含以可由计算装置(例如，计算机、移动装置、网络装置、个人数字助理、具有控制器的制造工具、具有一组一或多个处理器的任何装置等)存取的形式提供(例如，存储)信息的任何机制。
在各种实施例中，硬连线电路系统可与软件和固件指令组合使用以实施所述技术。因此，所述技术既不限于硬件电路和软件的任何特定组合，也不限于由计算装置执行的指令的任何特定来源。
可使用多种不同类型的计算装置实施本文中阐述的各种实施例。如本文所使用，“计算装置”的实例包含但不限于服务器、集中式计算平台、多个计算处理器和/或组件的系统、移动装置、用户终端、车辆、个人通信装置、可穿戴数字装置、电子自助服务终端、通用计算机、电子文档阅读器、平板计算机、膝上型计算机、智能手机、数码相机、住宅家庭设备、电视或数字音乐播放器。计算装置的额外实例包含作为称为“物联网(IOT)”的部分的装置。此类“事物”可与其拥有者或管理员偶然交互，所述拥有者或管理员可监测所述事物或修改这些事物上的设置。在一些情况下，此类拥有者或管理员扮演关于“事物”装置的用户的角色。在一些实例中，用户的主要移动装置(例如，苹果iPhone(Apple iPhone))可为关于用户佩戴的配对的“事物”装置(例如，苹果手表(Apple watch))的管理员服务器。
在一些实施例中，计算装置可为计算机或主机系统，其例如实施为台式计算机、手提式计算机、网络服务器、移动装置，或包含存储器和处理装置的另一计算装置。主机系统可包含或耦合到存储器子系统，使得主机系统可从存储器子系统读取数据或将数据写入到存储器子系统。主机系统可经由物理主机接口耦合到存储器子系统。一般来说，主机系统可经由相同通信连接、多个单独通信连接和/或通信连接的组合存取多个存储器子系统。
在一些实施例中，计算装置为包含一或多个处理装置的系统。处理装置的实例可包含微控制器、中央处理单元(CPU)、专用逻辑电路系统(例如，现场可编程门阵列(FPGA)、专用集成电路(ASIC)等)、芯片上系统(SoC)或另一合适的处理器。
在一个实例中，计算装置为存储器系统的控制器。控制器包含处理装置和存储器，所述存储器含有由处理装置执行以控制存储器系统的各种操作的指令。
虽然附图中的一些以特定次序说明数个操作，但可将非次序相依性操作重新排序且可组合或分解其它操作。虽然特定提及了一些重新排序或其它分组，但是其它重新排序或分组对于所属领域的技术人员来说是显而易见的，并且因此不提供详尽的替代方案列表。此外，应认识到，阶段可用硬件、固件、软件或其任何组合来实施。
在前文说明书中，本公开已参考其特定示例性实施例进行描述。应显而易见的是，可在不脱离如所附权利要求书中阐述的更广精神和范围的情况下对本公开进行各种修改。因此，说明书和图式应被视为说明性的而非限制性的。

Claims (20)

1.一种方法，其包括：
使用车辆的至少一个相机收集数据，其中所收集的数据对应于接近所述车辆的个人；
由所述相机基于所述所收集的数据发信号通知所述车辆的处理装置；
响应于所述发信号通知，由所述处理装置确定与所述个人相关联的情境；
由所述处理装置基于所述所收集的数据确定所述个人是否为与所述车辆相关联的用户，其中所述确定包括将所述个人的行为与存储在车辆的用户的用户数据库中的用户数据进行比较，且其中所述确定进一步包括使用机器学习模型，所述个人的所述行为和所述情境为所述机器学习模型的输入，且其中所述模型的输出用于识别所述用户数据库中的第一用户；以及
响应于确定所述个人为与所述车辆相关联的用户，对所述车辆执行至少一个动作。
2.根据权利要求1所述的方法，其中确定所述情境进一步包括由所述处理装置发信号通知除所述相机外的传感器，所述发信号通知用于起始由所述传感器进行的数据收集。
3.根据权利要求1所述的方法，其进一步包括：
在确定所述个人是否为与所述车辆相关联的用户之前，使用由所述至少一个相机收集的训练数据在预定时间段内训练所述机器学习模型。
4.根据权利要求3所述的方法，其进一步包括：
确定所述训练数据中寿命超过预定极限的较旧数据；
从所述训练数据移除所述较旧数据以提供更新后的训练数据；以及
使用所述更新后的训练数据来训练所述机器学习模型。
5.根据权利要求1所述的方法，其中确定所述个人是否为与所述车辆相关联的用户进一步包括通过处理所述所收集的数据来执行面部辨识以识别存储在用户数据库中的第一用户。
6.根据权利要求5所述的方法，其中所述用户数据库存储车辆的用户的配置数据，包含所述第一用户的第一配置数据。
7.根据权利要求6所述的方法，其中执行所述至少一个动作包括使用所述第一配置数据配置所述车辆。
8.根据权利要求7所述的方法，其中配置所述车辆包括对由所述车辆的控制器使用的软件执行空中更新。
9.根据权利要求1所述的方法，其中确定所述个人是否为与所述车辆相关联的用户进一步包括通过处理所述所收集的数据来执行特征辨识，以识别所述个人的对应于所述车辆的第一用户的除面部特征外的特征。
10.根据权利要求1所述的方法，其中所述相机经由所述车辆的通信总线与所述处理装置通信。
11.根据权利要求1所述的方法，其进一步包括：
通过所述处理装置经由无线接口与服务器通信，所述服务器经配置以训练所述机器学习模型，且基于所述训练将更新发送到所述处理装置以用于更新所述机器学习模型，其中用于训练所述机器学习模型的数据由所述服务器从其它车辆的传感器中的至少一者或计算装置的数据存储库获得。
12.根据权利要求1所述的方法，其中所述情境包括以下各者中的至少一者：一天中的时间、所述车辆的地理位置、所述车辆的路线选择，或在所述个人正接近所述车辆时由所述车辆的一或多个传感器收集的传感器数据。
13.根据权利要求1所述的方法，其中确定所述个人是否为与所述车辆相关联的用户进一步包括识别经授权以驾驶所述车辆的第一用户，且其中执行所述至少一个动作包括执行与所述第一用户相关联的软件。
14.根据权利要求1所述的方法，其进一步包括：
确定所述个人在所述车辆外部的位置；
其中执行所述至少一个动作包括选择所述车辆中对应于所确定的位置的门，且解锁所述门。
15.一种系统，其包括：
至少一个相机；
存储器，其经配置以存储经授权以操作车辆的用户的用户数据库；
至少一个处理装置；以及
存储器，其含有指令，所述指令经配置以指示所述至少一个处理装置进行以下操作：
使用所述至少一个相机收集数据，其中所收集的数据对应于接近所述车辆的个人；
基于所述所收集的数据确定所述个人为所述用户数据库中的第一用户；以及
响应于确定所述个人为所述第一用户，对所述车辆执行至少一个动作。
16.根据权利要求15所述的系统，其中所述至少一个动作包括以下各者中的至少一者：解锁门、发动加热或空气调节系统、预测和启动供所述第一用户使用的软件，或调整所述车辆的组件或系统的至少一个设置。
17.根据权利要求15所述的系统，其中所述指令进一步经配置以指示所述至少一个处理装置进行以下操作：
确定所述个人的行为，其中所述行为包括所述个人的移动模式；以及
确定所述车辆的情境；
其中确定所述个人为所述第一用户包括提供来自机器学习模型的输出，所述机器学习模型将所述个人的所述行为和所述车辆的所述情境用作输入。
18.根据权利要求15所述的系统，其中所述指令进一步经配置以指示所述至少一个处理装置进行以下操作：
确定所述个人或所述车辆的情境；
其中所述至少一个动作包括基于所述情境选择软件，且启动选定软件。
19.一种存储指令的非暂时性计算机可读媒体，所述指令在计算装置上被执行时使得所述计算装置至少：
使用至少一个相机收集数据，其中所收集的数据对应于接近车辆的个人；
基于所述所收集的数据确定所述个人是否为与所述车辆相关联的用户；以及
响应于确定所述个人为与所述车辆相关联的用户，对所述车辆执行至少一个动作。
20.根据权利要求19所述的非暂时性计算机可读媒体，其中确定所述个人是否为与所述车辆相关联的用户包括通过处理所述所收集的数据来执行面部辨识，以识别存储在所述车辆的用户数据库中的第一用户。
CN202180046500.7A 2020-07-14 2021-07-08 用于控制车辆系统的驾驶员辨识 Pending CN115867474A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/928,788 2020-07-14
US16/928,788 US11436864B2 (en) 2020-07-14 2020-07-14 Driver recognition to control vehicle systems
PCT/US2021/040948 WO2022015580A1 (en) 2020-07-14 2021-07-08 Driver recognition to control vehicle systems

Publications (1)

Publication Number Publication Date
CN115867474A true CN115867474A (zh) 2023-03-28

Family

ID=79293451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180046500.7A Pending CN115867474A (zh) 2020-07-14 2021-07-08 用于控制车辆系统的驾驶员辨识

Country Status (3)

Country Link
US (2) US11436864B2 (zh)
CN (1) CN115867474A (zh)
WO (1) WO2022015580A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11436864B2 (en) * 2020-07-14 2022-09-06 Micron Technology, Inc. Driver recognition to control vehicle systems
US20240253595A1 (en) * 2023-02-01 2024-08-01 Rivian Ip Holdings, Llc Automatic closure actuation based on object detection

Family Cites Families (62)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB8912871D0 (en) 1989-06-05 1989-07-26 Hoffmann David Vehicle locking system
US5835022A (en) 1995-08-02 1998-11-10 Nissan Motor Co., Ltd. Keyless entry system
US6323761B1 (en) 2000-06-03 2001-11-27 Sam Mog Son Vehicular security access system
US6498970B2 (en) * 2001-04-17 2002-12-24 Koninklijke Phillips Electronics N.V. Automatic access to an automobile via biometrics
GB0201547D0 (en) 2002-01-24 2002-03-13 Meritor Light Vehicle Sys Ltd Vehicle access control and start system
WO2012125726A1 (en) 2011-03-14 2012-09-20 Intelligent Technologies International, Inc. Cargo theft prevention system and method
JP2005001642A (ja) 2003-04-14 2005-01-06 Fujitsu Ten Ltd 盗難防止装置、監視装置、及び盗難防止システム
KR20070101963A (ko) 2006-04-13 2007-10-18 군산대학교산학협력단 얼굴인식에 기반한 차량의 보안구조 및 보안방법
JP5299688B2 (ja) 2009-06-03 2013-09-25 アイシン精機株式会社 車両周辺監視方法及び車両周辺監視装置
US20130006479A1 (en) 2009-07-30 2013-01-03 Anderson Gerald G Microchip System and Method for Operating a Locking Mechanism and for Cashless Transactions
FR2950010B1 (fr) 2009-09-15 2011-12-09 Valeo Securite Habitacle Systeme de securite pour vehicule automobile et procede d'apprentissage correspondant
JP5370338B2 (ja) 2010-11-01 2013-12-18 株式会社デンソー キーレスエントリシステムおよび携帯機
US9171268B1 (en) * 2011-04-22 2015-10-27 Angel A. Penilla Methods and systems for setting and transferring user profiles to vehicles and temporary sharing of user profiles to shared-use vehicles
JP5681611B2 (ja) 2011-11-09 2015-03-11 株式会社日立製作所 ナビゲーションシステム、ナビゲーション装置、方法及びサーバ
US9694764B2 (en) 2011-12-09 2017-07-04 Flextronics Automotive, Inc. Vehicle electromechanical systems triggering based on image recognition and radio frequency
JP5985915B2 (ja) 2012-07-25 2016-09-06 株式会社東海理化電機製作所 電子キーシステム
US11928894B2 (en) * 2012-09-18 2024-03-12 Origin Wireless, Inc. Method, apparatus, and system for wireless gait recognition
US9014977B2 (en) 2013-06-21 2015-04-21 Here Global B.V. Method and apparatus for route determination based on one or more non-travel lanes
US9760698B2 (en) 2013-09-17 2017-09-12 Toyota Motor Sales, U.S.A., Inc. Integrated wearable article for interactive vehicle control system
US10152679B2 (en) 2015-02-13 2018-12-11 The Burtner Group, LLC Wireless remote asset tracking system and method
KR102272774B1 (ko) 2015-03-18 2021-07-05 현대자동차주식회사 차량, 및 차량의 제어방법
WO2016151554A1 (en) 2015-03-26 2016-09-29 Lightmetrics Technologies Pvt. Ltd. Driver monitoring to determine context of event
JP6553387B2 (ja) 2015-03-27 2019-07-31 株式会社Ｓｏｋｅｎ 対象物検出装置
US20160300410A1 (en) * 2015-04-10 2016-10-13 Jaguar Land Rover Limited Door Access System for a Vehicle
JP6447379B2 (ja) 2015-06-15 2019-01-09 トヨタ自動車株式会社 認証装置、認証システムおよび認証方法
US12036948B2 (en) 2015-07-17 2024-07-16 Origin Research Wireless, Inc. Method, apparatus, and system for vehicle wireless monitoring
US20170193807A1 (en) 2015-12-31 2017-07-06 Baha Samara Alarm system on a device connected to a network
JP2017220097A (ja) 2016-06-09 2017-12-14 株式会社デンソー 運転支援装置
GB201613138D0 (en) * 2016-07-29 2016-09-14 Unifai Holdings Ltd Computer vision systems
US10276187B2 (en) 2016-10-19 2019-04-30 Ford Global Technologies, Llc Vehicle ambient audio classification via neural network machine learning
JP6702845B2 (ja) 2016-10-28 2020-06-03 株式会社東海理化電機製作所 電子キーシステム
US9747795B1 (en) 2016-12-05 2017-08-29 AEGIS Enterprises, LLC System to alert users of potential ambushers
US10328853B2 (en) 2017-01-16 2019-06-25 Nio Usa, Inc. Method and system for providing an escape route from a vehicle
US10471829B2 (en) 2017-01-16 2019-11-12 Nio Usa, Inc. Self-destruct zone and autonomous vehicle navigation
US11192523B2 (en) * 2017-02-22 2021-12-07 Ford Global Technologies, Llc Automatic power door opening on sustained presence
US20180286232A1 (en) 2017-03-31 2018-10-04 David Shau Traffic control using sound signals
WO2018200541A1 (en) 2017-04-24 2018-11-01 Carnegie Mellon University Virtual sensor system
US10489992B2 (en) 2017-05-08 2019-11-26 Lear Corporation Vehicle communication network
US10665070B1 (en) * 2017-08-31 2020-05-26 Alarm.Com Incorporated Predictive alarm analytics
US10131323B1 (en) 2017-09-01 2018-11-20 Gentex Corporation Vehicle notification system for approaching object detection
KR102312887B1 (ko) * 2017-10-11 2021-10-13 조원기 모바일 장치를 활용하여 rsa를 방어하는 차량의 스마트 제어 방법 및 장치
US10717412B2 (en) * 2017-11-13 2020-07-21 Nio Usa, Inc. System and method for controlling a vehicle using secondary access methods
US10155499B1 (en) 2018-02-12 2018-12-18 Ford Global Technologies, Llc Methods and apparatus to facilitate vehicle locking
US10853629B2 (en) * 2018-02-20 2020-12-01 Direct Current Capital LLC Method for identifying a user entering an autonomous vehicle
US11228601B2 (en) 2018-03-20 2022-01-18 Intel Corporation Surveillance-based relay attack prevention
US20200151692A1 (en) * 2018-04-18 2020-05-14 Sbot Technologies, Inc. d/b/a Caper Inc. Systems and methods for training data generation for object identification and self-checkout anti-theft
US11267415B2 (en) * 2018-06-06 2022-03-08 Denso International America, Inc. Vehicle recommendation and translation system for setting personalized parameters within vehicles of mobility sharing environments
US20200090314A1 (en) * 2018-09-13 2020-03-19 Virtual Control Limited System and method for determining a condition of an object
US10745018B2 (en) 2018-09-19 2020-08-18 Byton Limited Hybrid user recognition systems for vehicle access and control
KR102128410B1 (ko) 2018-12-10 2020-07-01 주식회사 성우하이텍 차량의 도어락 제어 시스템 및 그 방법
US20200193005A1 (en) * 2018-12-17 2020-06-18 Zf Active Safety And Electronics Us Llc Authentication system for vehicle
US10896574B2 (en) * 2018-12-31 2021-01-19 Playtika Ltd System and method for outlier detection in gaming
JP7211856B2 (ja) * 2019-03-11 2023-01-24 本田技研工業株式会社 エージェント装置、エージェントシステム、サーバ装置、エージェント装置の制御方法、およびプログラム
US11402485B2 (en) 2019-04-30 2022-08-02 Robert Bosch Gmbh Ultra-wideband intelligent sensing system and method
US11458929B1 (en) * 2019-05-10 2022-10-04 Gm Cruise Holdings Llc Unlocking vehicle doors with facial recognition
US11443563B2 (en) * 2019-07-10 2022-09-13 Toyota North America, Inc. Driving range based on past and future data
US10850709B1 (en) * 2019-08-27 2020-12-01 Toyota Motor Engineering & Manufacturing North America, Inc. Facial recognition and object detection for vehicle unlocking scenarios
US11628786B2 (en) * 2019-11-04 2023-04-18 Ford Global Technologies, Llc Applying user profile to a vehicle
US11636715B2 (en) 2019-12-24 2023-04-25 GM Cruise Holdings LLC. Using dynamic triggers in dangerous situations to view sensor data for autonomous vehicle passengers
US11667265B2 (en) * 2020-07-14 2023-06-06 Micron Technology, Inc. Activating a security mode for a vehicle based on driver identification
US11436864B2 (en) * 2020-07-14 2022-09-06 Micron Technology, Inc. Driver recognition to control vehicle systems
US20220388479A1 (en) * 2021-06-07 2022-12-08 Autobrains Technologies Ltd Face recongition based vehicle access control

Also Published As

Publication number Publication date
WO2022015580A1 (en) 2022-01-20
US20220375261A1 (en) 2022-11-24
US11436864B2 (en) 2022-09-06
US20220019767A1 (en) 2022-01-20

Similar Documents

Publication Publication Date Title
CN112590794B (zh) 确定车辆驾驶员接管车辆控制的能力估计值的方法和装置
JP7428993B2 (ja) 車両のドアロック解除方法及び装置、システム、車両、電子機器並びに記憶媒体
CN106687037B (zh) 用于检测瞬时睡眠的设备、方法和计算机程序
CN108327722B (zh) 用于通过移动模式来识别车辆驾驶员的系统和方法
US20220375261A1 (en) Driver recognition to control vehicle systems
US11776083B2 (en) Passenger-related item loss mitigation
US9432193B1 (en) Face-based authentication with situational adaptivity
CN110023954B (zh) 生物特征识别系统
KR20200145825A (ko) 3차원 시선 벡터를 이용한 차량 탑승자 참여
KR20220070581A (ko) 차량의 도어 잠금 해제 방법 및 장치, 시스템, 차량, 전자 기기 및 기억 매체
JP2022549656A (ja) 車両のドア制御方法及び装置、システム、車両、電子機器並びに記憶媒体
CN108688593B (zh) 用于通过移动模式来识别车辆的至少一个乘客的系统和方法
US11667265B2 (en) Activating a security mode for a vehicle based on driver identification
JP2019531560A (ja) 自動運転者識別システムおよび方法
JP2017211988A (ja) 階層型コンテキストアウェアによる手足の検出
CN111310551B (zh) 用于识别特定于乘员的设置的方法及用于执行该方法的车辆
GB2531926A (en) Adaptive driver identification fusion
US10421412B2 (en) Rotatable camera
CN112298103A (zh) 车辆控制的方法、装置、存储介质及电子设备和车辆
CN112298102A (zh) 车辆控制的方法、装置、存储介质及电子设备和车辆
US20240249536A1 (en) Automatic generation of profiles based on occupant identification
US11572039B2 (en) Confirmed automated access to portions of vehicles
JP6687300B2 (ja) 異常検知装置及び異常検知方法
CN114821697A (zh) 材料光谱
US20230126806A1 (en) Face authentication system, vehicle including the same, and face authentication method

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