CN115891871B - 车辆座舱的控制方法、装置及计算机可读存储介质 - Google Patents
车辆座舱的控制方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115891871B CN115891871B CN202211435871.7A CN202211435871A CN115891871B CN 115891871 B CN115891871 B CN 115891871B CN 202211435871 A CN202211435871 A CN 202211435871A CN 115891871 B CN115891871 B CN 115891871B
- Authority
- CN
- China
- Prior art keywords
- state vector
- vehicle cabin
- cabin
- historical
- historical state
- 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 82
- 239000013598 vector Substances 0.000 claims abstract description 439
- 230000008859 change Effects 0.000 claims abstract description 94
- 238000012549 training Methods 0.000 claims description 46
- 238000009826 distribution Methods 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 description 31
- 238000005070 sampling Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000036651 mood Effects 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Feedback Control In General (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例涉及车辆控制技术领域，公开了一种车辆座舱的控制方法、装置及计算机可读存储介质。该方法包括：获取车辆座舱的第一状态向量和第一历史状态向量集。其中，第一历史状态向量集包括至少一个第一状态向量之前的第一历史状态向量，第一状态向量包括：车辆座舱外的舱外特征和车辆座舱内的舱内特征。基于第一历史状态向量集和第一状态向量，确定车辆座舱的变化值。若车辆座舱的变化值大于预设阈值，则将第一状态向量和车辆座舱的第二历史状态向量集输入目标控制预测模型中，得到控制决策。根据控制决策对车辆座舱进行控制。应用本发明的技术方案，能够减少用户在需要调整车辆座舱时需要对座舱实施的调节操作。
Description
技术领域
本发明实施例涉及车辆控制技术领域，具体涉及一种车辆座舱的控制方法、装置及计算机可读存储介质。
背景技术
为了带给用户更好的驾驶体验，目前的车辆的座舱内会有多种能够提高用户驾驶或乘坐体验的设备或功能。例如氛围灯、驾驶模式(运动、舒缓)调整、音乐播放、可调整座椅、按摩座椅等。目前，对于座舱内的各类设备或功能，均需要用户手动调整。若需要调整的设备或功能较多，则会使得操作较为繁琐，用户体验不够好。
发明内容
鉴于上述问题，本发明实施例提供了一种车辆座舱的控制方法、装置及计算机可读存储介质，用于解决现有技术中存在的车辆座舱调节操作繁琐的问题。
根据本发明实施例的一个方面，提供了一种车辆座舱的控制方法，所述方法包括：先获取车辆座舱的第一状态向量和第一历史状态向量集。其中，第一历史状态向量集包括第一状态向量之前的至少一个第一历史状态向量。第一状态向量包括：车辆座舱外的舱外特征和车辆座舱内的舱内特征。之后，基于第一历史状态向量集和第一状态向量，确定车辆座舱的变化值；变化值用于表征车辆座舱的状态变化程度。然后，若车辆座舱的变化值大于预设阈值，则将第一状态向量和车辆座舱的第二历史状态向量集输入目标控制预测模型中，得到控制决策。其中，第二历史状态向量集包括第一状态向量之前的预设时长内的至少一个第二历史状态向量。最后，根据控制决策对车辆座舱进行控制。
基于本申请实施例提供的上述技术方案，可以先获取车辆座舱第一状态向量和至少一个历史状态向量组成的第一历史状态向量集。其中，第一状态向量可以是车辆座舱当前的状态向量。因为状态向量(例如第一状态向量和历史状态向量)可以用于表征车辆座舱的舱内外特征。所以，之后可以基于第一状态向量和第一历史状态向量来确定车辆座舱从之前的一段时间(即第一历史状态向量集对应的时间段)的状态到当前状态(即第一状态向量表征的状态)的变化，即车辆座舱的变化值。在变化值大于预设阈值的情况下，则可以认为车辆座舱从之前的一段时间的状态到当前的状态的变化较大，此时对车辆座舱中的各类设备或功能进行调整是比较合适的。基于此，此时则可以将第一状态向量和至少一个第二历史状态向量(即第二历史状态向量集)输入至目标控制预测模型中，得到控制决策从而对车辆座舱进行控制。其中，目标控制预测模型是基于第一状态向量和第二历史状态向量集来得到控制决策的，而第一状态向量和第二历史状态向量集则可以表明车辆座舱在当前一段时间内的状态，所以这样可以得到更符合用户当前需求的控制决策。这样一来，车辆座舱便可以自动根据舱内和舱外的具体情况，对座舱做出用户大概率需要的功能调整。也就减少了用户在需要调整车辆座舱时，需要对座舱实施的调节操作，提高了用户的使用体验。
在第一方面的一种可能的实现方式中，上述获取车辆座舱的第一状态向量，包括：获取车辆座舱外的舱外数据和车辆座舱内的舱内数据；对舱外数据和舱内数据进行数据预处理，以得到舱外数据对应的舱外特征和舱内数据的舱内特征；拼接舱外特征和舱内特征，得到第一状态向量。
可以理解的，实际中可以获取的车辆座舱的外部和内部的数据是无法直接作为车辆座舱的内外特征进行使用的。例如，车辆座舱外的数据可以是车辆的摄像头获取的车外图像或者车外雷达获取的点云数据。车辆座舱内的数据可以是车辆内部的摄像头获取的图像数据。而后续预测需要用的车辆座舱内的特征可能是车外温湿度、道路级别、道路拥堵程度等。需要的车辆座舱内的特征可能是车内人数、乘客年龄、乘客情绪、乘客性别等。所以，在本申请实施例中需要对在获取到车辆座舱内的舱内数据和车辆座舱外的舱外数据后，通过特定的数据预处理方式(例如归一化)，从舱内数据和舱外数据中分析提取需要用的舱内特征和舱外特征，从而为后续预测提供数据支持。
在第一方面的一种可能的实现方式中，确定车辆座舱的变化值，包括：计算第一状态向量和至少一个第一历史状态向量的欧几里得距离；将第一历史状态向量集中的所有第一历史状态向量对应的欧几里得距离中的最大值，确定为车辆座舱的变化值。
可以理解的是，车辆座舱的状态向量是可以反映出车辆座舱的实际情况(或状态)的，组成向量的元素也是能够反映该状态的特征。所以对应车辆座舱当前的状态的第一状态向量和对应车辆座舱之前的状态的第一历史状态向量之间的向量距离(例如欧几里得距离)，是能够反映出车辆座舱的状态变化程度的。即可以将第一状态向量和第一历史状态向量的欧几里得距离认为是，车辆座舱从第一历史状态向量对应的状态变化至第一状态向量对应的当前状态的变化值。而多个第一历史状态对应的与第一状态向量所有欧几里得距离中的最大值，可以认为是车辆座舱从多个第一历史状态向量对应的时间段变化至当前状态的变化值，即前述的车辆座舱的变化值。如此，便可以使用欧几里得距离来快速的确定车辆座舱的变化值，为后续是否进行预测提供判断依据。
在第一方面的一种可能的实现方式中，第一历史状态向量集包括：第一历史状态向量第一子集和第一历史状态向量第二子集；第一历史状态向量第二子集中包括的历史状态向量在第一历史状态向量第一子集包括的历史状态向量之前。确定车辆座舱的变化值，包括：根据KL散度(kullback-leibler divergence)算法确定第一状态向量与第一历史状态向量第一子集的集合，和第一历史状态向量第二子集的分布差异值；将分布差异值确定为车辆座舱的变化值。
可以理解的，当前时刻在内的一段时间内车辆座舱的舱内外特征的分布(即当前状态向量集对应的特征分布)，和当前时刻在内的一段时间之前的一段时间内的车辆座舱的舱内外特征的分布情况，是可以反映出车辆座舱在不同的两段时间产生的变化的。基于此，本申请实施例中可以利用KL散度算法来确定：第一状态向量与第一历史状态向量子集的集合和第二历史状态向量子集的分布差异值，并将该分布差异值确定为车辆座舱的变化值，即作为后续是否进行预测的判断依据。
在第一方面的一种可能的实现方式中，将第一状态向量和第二历史状态向量集输入目标控制预测模型中之前，方法还包括：获取多组样本数据和多组样本数据一一对应的样本决策；每组样本数据包括车辆座舱的样本状态向量和样本历史状态向量集；样本历史状态向量集包括样本状态向量之前的预设时长内的状态向量；以样本数据作为训练数据，样本决策作为监督信息，迭代训练控制预测模型，以得到目标控制预测模型。
基于上述技术方案，可以通过机器学习中监督学习的方式，训练得到目标控制预测模型，且该目标控制预测模型具备利用多个存在先后顺序状态向量，预测得出车辆座舱后续的控制决策的能力。这样也就使得本申请提供的车辆座舱的控制方法中，可以利用该模型方便快捷的对控制决策进行预测。
在第一方面的一种可能的实现方式中，以样本数据为训练数据作为训练数据，样本决策作为监督信息，迭代训练控制预测模型，以得到目标控制预测模型，包括：初始化控制预测模型；将样本数据中的样本状态向量和样本历史状态向量集输入控制预测模型，得到预测决策；根据预测决策和样本决策，确定损失值；根据损失值迭代更新控制预测模型；重复执行将样本数据中的样本状态向量和样本历史状态向量集输入控制预测模型，得到预测决策的步骤，直至得到满足预设条件的目标控制预测模型。
基于上述技术方案，可以基于模型输出决策和(数据中)真实决策的差异构建损失函数，不断迭代优化控制预测模型，从而得到目标控制预测模型。
在第一方面的一种可能的实现方式中，满足预设条件的目标控制预测模型，包括：控制预测模型的迭代次数满足预设次数，或损失值小于预定阈值。
基于上述技术方案，可以设置好合适的模型训练终止条件，进而得到需要的目标控制预测模型。
第二方面，本申请提供一种车辆座舱的控制装置，该装置包括：获取模块、确定模块、处理模块和控制模块。
其中，获取模块，用于获取车辆座舱的第一状态向量和第一历史状态向量集；第一历史状态向量集包括第一状态向量之前的至少一个第一历史状态向量；第一状态向量包括：车辆座舱外的舱外特征和车辆座舱内的舱内特征；确定模块，用于基于获取模块获取的第一历史状态向量集和第一状态向量，确定车辆座舱的变化值；变化值用于表征车辆座舱的状态变化程度；处理模块，用于若确定模块确定车辆座舱的变化值大于预设阈值，则将车辆座舱的第二历史状态向量集和获取模块获取的第一状态向量输入目标控制预测模型中，得到控制决策；第二历史状态向量集包括第一状态向量之前预设时长内的至少一个第二历史状态向量；控制模块，用于根据处理模块得到的控制决策对车辆座舱进行控制。
在第二方面的一种可能的实现方式中，获取模块具体用于：获取车辆座舱外的舱外数据和车辆座舱内的舱内数据；对舱外数据和舱内数据进行数据预处理，以得到舱外数据对应的舱内特征和舱内数据的舱内特征；拼接舱外特征和舱内特征，得到第一状态向量。
在第二方面的一种可能的实现方式中，确定模块具体用于：计算获取模块获取的第一状态向量和至少一个第一历史状态向量的欧几里得距离；将第一历史状态向量集中的所有第一历史状态向量对应的欧几里得距离中的最大值，确定为车辆座舱的变化值。
在第二方面的一种可能的实现方式中，第一历史状态向量集包括：第一历史状态向量第一子集和第一历史状态向量第二子集；第一历史状态向量第二子集中包括的历史状态向量在第一历史状态向量第一子集包括的历史状态向量之前。确定模块具体用于：根据KL散度算法确定第一状态向量与第一历史状态向量第一子集的集合，和第一历史状态向量第二子集的分布差异值；将分布差异值确定为车辆座舱的变化值。
在第二方面的一种可能的实现方式中，该装置还包括训练模块，训练模块包括获取单元和训练单元。获取单元，用于获取多组样本数据和多组样本数据一一对应的样本决策；每组样本数据包括车辆座舱的样本状态向量和样本历史状态向量集；样本历史状态向量集包括车辆座舱的状态向量为样本状态向量之前的预设时长内的状态向量。训练单元，用于以获取单元获取的样本数据为训练数据作为训练数据，获取单元获取的样本决策作为监督信息，迭代训练控制预测模型，以得到目标控制预测模型。
在第二方面的一种可能的实现方式中，训练单元具体用于：初始化所述控制预测模型；将样本数据中的样本状态向量和样本历史状态向量集输入控制预测模型，得到预测决策；根据预测决策和样本决策，确定损失值；根据损失值迭代更新控制预测模型；重复执行将样本数据中的样本状态向量和样本历史状态向量集输入控制预测模型，得到预测决策的步骤，直至得到满足预设条件的目标控制预测模型。
在第二方面的一种可能的实现方式中，满足预设条件的目标控制预测模型包括：控制预测模型的迭代次数满足预设次数，或所述损失值小于预定阈值。
第三方面，提供了一种电子设备，包括处理器、存储器、通信接口和通信总线。其中，处理器、存储器和通信接口通过通信总线完成相互间的通信。存储器用于存储计算机指令。当计算机指令在处理器上运行时，使得处理器执行如上述第一方面中任一项所述的车辆座舱的控制方法。
第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当计算机指令在电子设备上运行时，使得电子设备执行如上述第一方面中任一项所述的车辆座舱的控制方法。
第五方面，提供了一种包含计算机指令的计算机程序产品，当计算机指令在电子设备上运行时，使得电子设备执行如上述第一方面中任一项所述的车辆座舱的控制方法。
可以理解地，上述提供的第三方面至第十方面的方案，均用于执行上文第一方面和第二方面所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。
应当理解的是，在本申请中，上述车辆座舱的控制装置和电子设备的名字对设备或功能模块本身不构成限定，在实际实现中，这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本发明类似，属于本公开权利要求及其等同技术的范围之内。另外，应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本申请实施例提供的一种车辆座舱的控制方法的原理示意图；
图2为本申请实施例提供的一种车辆座舱的控制方法的实施环境示意图；
图3为本申请实施例提供的一种车辆座舱的控制方法的流程示意图一；
图4为本申请实施例提供的另一种车辆座舱的控制方法的原理示意图；
图5为本申请实施例提供的一种车辆座舱的控制方法的流程示意图二；
图6为本申请实施例提供的一种车辆座舱的控制方法的流程示意图三；
图7为本申请实施例提供的一种车辆座舱的控制方法的流程示意图四；
图8为本申请实施例提供的一种目标控制预测模型的训练方法的流程示意图；
图9为本申请实施例提供的一种车辆座舱的控制装置的结构示意图；
图10为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下，术语“第一”、“第二”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”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。“A和/或B”，包括以下三种组合：仅A，仅B，及A和B的组合。
为了带给更好的使用体验，车辆的座舱(即车辆座舱)内会有多种能够提高用户驾驶或乘坐体验的设备或功能。但是目前对于座舱内的各类设备或功能，均需要用户手动调整。若需要调整的设备或功能较多，则会使得操作较为繁琐，用户体验不够好。
为了增强用户的使用体验，相关方案中存在一种车辆座舱的控制方案，在该方案中，会在采集多个车辆座舱的舱内数据以及用户相应的控制操作后，使用采集数据的训练得出一个能够依据车辆座舱的舱内数据预测得到控制决策的预测模型。之后便可以依据该预测模型对车辆座舱中各类设备或功能进行控制，实施控制后各类设备或功能的输出信息(可以称为智能情感输出)则在一定程度是满足用户需求的。
但这在该技术方案中，最后训练得到的预测模型可能会导致车辆座舱的控制决策会在每次舱内特征进行改变时都进行改变。而车辆座舱的状态向量(由车辆座舱内的特征和车辆座舱外的特征组成)如果反复改变，用户的体验也不够好，而且能耗会较高。另外，该技术方案也仅考虑了车辆座舱的舱内数据，实际中舱外数据也是会影响用户需求的。例如，车辆在四周空旷的马路上行驶时，车辆座舱内的乘客和驾驶员可能更需要车辆座舱中的音乐播放器播放重金属音乐。所以现有的车辆座舱的控制方案，准确率不够高，用户体验也不够好。
针对上述问题，本申请实施例提供一种车辆座舱的控制方法。参照图1所示，在该方法中，可以先获取车辆座舱第一状态向量(例如St)和第一历史状态向量集。第一历史状态向量集可以包括第一状态向量之前的第一历史状态向量(例如St-m…St-1)。其中，第一状态向量可以是车辆座舱当前的状态向量。因为状态向量(例如第一状态向量和历史状态向量)可以用于表征车辆座舱的舱内外特征。所以，之后可以基于第一状态向量和第一历史状态向量来确定车辆座舱从之前的一段时间(即第一历史状态向量集对应的时间段)的状态到当前的状态的变化，即车辆座舱的变化值。在变化值大于预设阈值∈的情况下，则可以认为车辆座舱从之前的一段时间的状态到当前的状态的变化较大，此时对车辆座舱中的各类设备或功能进行调整是比较合适的(可以由如图中所示的响应模块判定)。基于此，此时则可以将第一状态向量和第二历史状态向量集输入至目标控制预测模型中，得到控制决策从而对车辆座舱进行控制。其中，第二历史状态向量集可以包括第一状态向量之前的预设时长内的第二历史状态向量(例St-L…St-1)。目标控制预测模型是基于第一状态向量和第二历史状态向量集，来得到控制决策的，而第一状态向量和第二历史状态向量集则可以表明车辆座舱在当前一段时间内的状态，所以这样可以得到更符合用户当前需求的控制决策。这样一来，车辆座舱便可以自动根据舱内和舱外的具体情况，对座舱做出用户大概率需要的功能调整。也就减少了用户在需要调整车辆座舱时，需要对座舱实施的调节操作，提高了用户的使用体验。
图2为根据一示例性实施例示出的一种车辆座舱的控制方法的实施环境示意图。参照图2所示，该实施环境可以包括终端01和服务器02，电子设备可以通过有线通讯方式或无线通讯方式与服务器进行通信。
示例性的，本申请实施例中的终端01可以是设备在车辆上的车载电脑或者可以与车辆进行无线通信的终端，例如手机、平板电脑、桌面型、膝上型、手持计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本，以及蜂窝电话、个人数字助理(personal digital assistant，PDA)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、个人计算机(Personal Computer，PC)等可以获取车辆座舱的舱内外数据，并依据该数据进行控制决策的预测的设备。本申请实施例对该终端的具体形态不作特殊限制。
示例性的，本公开中的服务器02可以是一台服务器，也可以是多台服务器组成的服务器集群，或者是一个云计算服务中心，本公开对此不做限定。其中，服务器02主要可以是用于训练目标控制预测模型。服务器02在将目标控制预测模型后可以将该模型发送给终端01使用，也可以通过终端01获取车辆座舱的舱内外数据后，利用该模型进行车辆座舱控制决策的预测，并将预测结果通过终端01发送给车辆座舱，以使其完成相应的控制。
下面结合附图对本申请实施例提供的车辆座舱的控制方法进行描述。
本申请实施例提供一种应用在车辆座舱的控制装置上的车辆座舱的控制方法。其中，该车辆座舱的控制装置可以是电子设备或者电子设备中的一部分，该电子设备可以是上述的终端或者服务器。参照图3所示，该方法可以包括S301-S305：
S301、电子设备获取车辆座舱的第一状态向量和第一历史状态向量集。
其中，第一历史状态向量集包括第一状态向量之前的至少一个第一历史状态向量。具体的，第一历史状态向量是状态向量为第一状态向量之前车辆座舱的状态向量。第一状态向量包括：车辆座舱外的舱外特征和车辆座舱内的舱内特征。当然，第一历史状态向量中也包括车辆座舱外的舱外特征和车辆座舱内的舱内特征，其与第一状态向量的不同在于两者包括的特征对应的时刻或时间段不同。示例性的，本申请实施例中，第一历史状态向量集中可以包括m个第一历史状态向量，m为正整数。后续实施例同理。
在本申请实施例中，第一状态向量可以是车辆座舱当前时刻(例如2021年5月5日12时28分6秒)的状态向量，也可以是车辆座舱包括当前时刻在内的当前时间段(例如2021年5月5日12时28分5秒至2021年5月5日12时28分6秒)的状态向量。第一历史状态向量则可以第一状态向量之前车辆座舱的状态向量。
在本申请实施例中，状态向量可以是电子设备不断采集得到的，每次采集的时间点或者时段可以称为一个采样点。不同的状态向量对应不同的采样点，例如第一状态向量的采样点便在第一历史状态向量之前。
电子设备获取车辆座舱的状态向量的方式则可以根据电子设备的具体形态而定。例如，电子设备若为车辆中设置的车载电脑，则电子设备可以是控制车辆的各类传感器获取的状态向量。又例如，电子设备若为与车辆(或车辆座舱)进行通信的终端，则该电子设备可以是向车辆发送获取请求，以使车辆在获取自身的状态向量后向电子设备发送。还例如，若电子设备为服务器，则该电子设备可以通过向车辆发送获取请求，以使车辆在获取自身的状态向量后通过终端向服务器发送终端获取的车辆座舱的状态向量。当然，实际中还可以是其他任意可行的实现方式，本申请对此不做具体限制。
S302、电子设备基于第一历史状态向量集和第一状态向量，确定车辆座舱的变化值。
其中，变化值用于表征车辆座舱的状态变化程度。
在电子设备获取到第一历史状态向量集和第一状态向量后，电子设备则可以根据这些状态向量来确定车辆座舱的变化(即变化值)是否较大(即大于预设阈值)，即执行后续的S303。如果较大，则表明车辆座舱的舱内外环境变化大，大概率用户是需要对车辆座舱内的设备或功能进行相关调整，执行后续的S304和S305。否则不需要调整，既重新开始执行S301或者结束流程。
S303、电子设备判断车辆座舱的变化值是否大于预设阈值。
参照图4所示，S303可以是电子设备中设置的响应模块进行的，若电子设备确定车辆座舱的变化值大于预设阈值，则表明车辆座舱从之前的状态变化至现在的变化比较大。如此，用户在车辆座舱中的感受也就变化更多，也就是说，此时用户大概率需要对车辆座舱内的设备或功能进行调整。所以此时需要对控制决策进行预测(既执行后续的S304)，进而根据控制决策对车辆座舱进行控制(即执行后续的S305)，提高用户的使用体验。
若电子设备确定车辆座舱的变化值不大于(即小于或等于)预设阈值，则表明车辆座舱从之前的状态变化至现在的变化比较小。如此，用户在车辆座舱中的感受变化不明显，也就是说，此时用户大概率不需要对车辆座舱内的设备或功能进行调整。所以此时不需要对控制决策进行预测，而是重新去对车辆座舱是否需要进行控制预测进行判断(既重新从S301开始执行)或者直接结束整个车辆座舱的控制方法的流程。
需要说明的是，对于车辆座舱的变化值等于预设阈值的情况可以归于车辆座舱的变化值小于预设阈值的情况，也可以归于车辆座舱的变化值大于预设阈值的情况。这里仅以车辆座舱的变化值等于预设阈值的情况归于车辆座舱的变化值小于预设阈值的情况作为说明，实际中根据实际情况而定。当然实际中也可以不存在上述S303这一判断步骤，电子设备可以在计算得到车辆座舱的变化值后，在变化值大于预设阈值的情况下执行S304，在变化值不大于预设阈值的情况下执行S301或结束流程。
在本申请实施例中，预设阈值可以是预先获取到一些确定了是否需要预测的状态向量作为训练数据，训练出相应的目标判断模型得出的。具体过程如下：
1、获取多组样本数据和多组样本数据一一对应的实际响应值(1或者0)。具体的，实际中若确定样本数据中的数据需要响应，即需要使用其中的数据进行车辆座舱的控制预测，则该样本数据的实际响应值为1，否则为0。
其中，样本数据包括车辆座舱的当前样本状态向量和至少一个历史样本状态向量。至少一个历史样本状态向量包括车辆座舱的状态向量为当前样本状态向量之前的至少一个状态向量。
2、以样本数据为训练数据作为训练数据，实际响应值作为监督信息，迭代训练初始判断模型，以得到目标判断模型。
其中，初始判断模型中初始设置有初始阈值，并且该初始判断模型输出的响应值和该初始阈值有直接关系。具体初始判断模型的设计可以是任意可行的模型架构，本申请对此不做具体限制。在迭代训练初始判断模型的过程中，其中的初始阈值则会不断的被优化调整。
具体的，迭代训练过程如下：
(1)将样本数据输入初始判断模型中，以得到初始响应值。
(2)根据初始响应值和实际响应值，计算损失值。
(3)根据该损失值迭代更新初始判断模型，以得到目标判断模型。
其中，迭代更新具体指在利用损失值对初始判断模型优化后，反复的执行上述(1)(2)和利用损失值对初始判断模型的优化，直至损失值小于设定阈值。
在得到目标判断模型后，便可以从中提取优化多次后的初始阈值作为本申请中需要的预设阈值。当然，后续在实际应用中若发现该预设阈值设置不合理，还可以将实际车辆使用过程中车辆座舱的状态向量作为训练数据，对目标判断模型进行优化更新，以得到更准确的预设阈值。
当然，上述实现方式仅为一种获取预设阈值的示例，实际中预设阈值还可以是其他获取方式。例如，根据车辆座舱的历史使用数据统计得到，或者通过调查问卷调查车辆乘坐者得到。本申请对此不做具体限制。
在一些实施例中，为了带给用户更好的使用体验，预设阈值可以预先获取多个。在用户使用该车辆座舱时，可以向用户提供多种预设阈值供用户选择，并提示用户选择每个预设阈值后会造成的后果(例如车辆座舱的状态变化快慢等)。
S304、电子设备将第一状态向量和车辆座舱的第二历史状态向量集输入目标控制预测模型中，得到控制决策。
其中，第二历史状态向量集包括第一状态向量之前的预设时长内的至少一个第二历史状态向量。具体的，第二历史状态向量包括状态向量为第一状态向量之前的预设时长内车辆座舱的状态向量。示例性的，预设时长可以为5s。预设时长可以根据实际需求而定，本申请对此不做具体限制。
示例性的，第二历史状态向量集可以是车辆座舱的状态向量为第一状态向量之前的预设时长内的所有历史状态向量，也可以是根据预设规则从该预设时长内的所有历史状态向量中挑选的至少一个历史状态向量。本申请实施例中，在具体实施的过程中，第二历史状态向量集中包括的第二历史状态向量的数量固定(即前述实施例中L)。
示例性的，以车辆座舱内需要控制的设备或功能包括空调、灯光、音乐和车窗为例，控制决策C可以为[空调v1，灯光v2，音乐v3，车窗v4]。具体的，
其中，v1还可以增加增大功率、减小功率等任意可行的选项。
其中，v2还可以加入其他颜色、氛围灯运转模式，亮度等任意可行的选项。
其中，v3还可以加入喜爱的音乐、增大声音、减小声音、播放模式切换等任意可行的选项。
其中，v4还可以加入减小车窗预设开度、增大车窗预设开度等等任意可行的选项。
一些实施例中，在电子设备将第一状态向量和车辆座舱的第二历史状态向量集输入目标控制预测模型中后，会得到对应上述v1-v4对对应的14个决策值。最终的控制决策则可以是选择v1-v4对应的几个值中最大的值，作为v1-v4的最终决策，进而得到控制决策。例如，v1-v4对对应的14个决策值可以如下：
最终得到的v1-v4的最终决策可以为升温、黄色、打开音乐和关窗。最终的控制决策可以为[升温，黄色，打开音乐，关窗]。
S305、电子设备根据控制决策对车辆座舱进行控制。
具体的，若电子设备为车载电脑，则电子设备可以根据控制决策直接对车辆座舱进行控制。若电子设备为可以与车辆座舱进行通信的终端或者通过终端与车辆座舱通信的服务器，则电子设备则是通过将控制决策发送给车辆座舱实现，发送方式则可以是任意可行方式。
基于本申请实施例提供的技术方案，可以先获取车辆座舱第一状态向量和至少一个历史状态向量组成的第一历史状态向量集。其中，第一状态向量可以是车辆座舱当前的状态向量。因为状态向量(例如第一状态向量和历史状态向量)可以用于表征车辆座舱的舱内外特征。所以，之后可以基于第一状态向量和第一历史状态向量来确定车辆座舱从之前的一段时间(即第一历史状态向量集对应的时间段)的状态到当前状态(即第一状态向量表征的状态)的变化，即车辆座舱的变化值。在变化值大于预设阈值的情况下，则可以认为车辆座舱从之前的一段时间的状态到当前的状态的变化较大，此时对车辆座舱中的各类设备或功能进行调整是比较合适的。基于此，此时则可以将第一状态向量和至少一个第二历史状态向量(即第二历史状态向量集)输入至目标控制预测模型中，得到控制决策从而对车辆座舱进行控制。其中，目标控制预测模型是基于第一状态向量和第二历史状态向量集来得到控制决策的，而第一状态向量和第二历史状态向量集则可以表明车辆座舱在当前一段时间内的状态，所以这样可以得到更符合用户当前需求的控制决策。这样一来，车辆座舱便可以自动根据舱内和舱外的具体情况，对座舱做出用户大概率需要的功能调整。也就减少了用户在需要调整车辆座舱时，需要对座舱实施的调节操作，提高了用户的使用体验。
在一些实施例中，结合图1，参照图4所示，状态向量的获取可以是先获取车辆座舱的舱内数据和舱外数据后提取特征并拼接得到的。基于此，本申请还可以提供的一种车辆座舱的控制方法的另一种实施例。该方法可以由车辆座舱的控制装置实施，车辆座舱的控制装置可以是电子设备或者电子设备中的一部分，该电子设备可以是上述的终端或者服务器。参照图5所示，该实施例中车辆座舱的控制方法可以包括S501-S508：
S501、电子设备获取车辆座舱外的舱外数据和车辆座舱内的舱内数据。
示例性的，舱外数据可以包括车外图像、点云数据等。其中，车外图像可以是车辆座舱外的摄像头拍摄得到的，点云数据可以是车辆座舱外的雷达扫描得到的。
示例性的，舱内数据可以包括舱内图像、舱内温/湿度等。其中，舱内图像可以是车辆座舱内的摄像头拍摄得到的，舱内温/湿度则可以是车辆座舱内的温/湿度传感器检测得到的。
具体的，电子设备如何获取舱外数据和舱内数据和前述实施中S301中关于电子设备如何获取状态向量的获取方式类似，此处不再赘述。
S502、电子设备对舱外数据和舱内数据进行数据预处理，以得到舱外数据对应的舱外特征和舱内数据的舱内特征。
其中，数据预处理可以包括任意可行的处理方式，例如降噪、去重、滤波、特征提取、归一化处理等。具体选用何种数据预处理方式需要根据需要的舱外特征和舱内特征而定。需要说明的是，因为后续需要使用由舱内特征和舱外特征组成的状态向量进行变化值的计算(例如计算欧几里得距离等)，所以为了方便计算，这里的数据预处理则必须要包括归一化处理。这样便可以使得后续变化值的计算顺利进行。示例性的，这里的归一化处理方式可以为任意可行的方式，例如线型函数归一化、零均值归一化等。
示例性的，舱外特征可以包括：车外天气、道路级别、道路拥堵程度等。以舱外数据为舱外图像为例，舱外特征中的道路级别、道路拥堵程度等可以通过不同的特征提取模型从舱内图像中提取得到。该特征提取模型则可以是依据不同的需求获取不同的样本数据训练得到的。
示例性的，舱内特征可以包括：车内人数、乘客年龄、乘客情绪、乘客性别、车内温度、车内湿度等。以舱内数据为舱内图像为例，舱内特征中的车内人数、乘客年龄、乘客情绪、乘客性别可以通过不同的特征提取模型从舱内图像中提取得到。该特征提取模型则可以是依据不同的需求获取不同的样本数据训练得到的。
S503、电子设备拼接舱外特征和舱内特征，得到第一状态向量。
示例性的，以舱外特征为[晴天、国道、拥堵路段]，舱内特征为[2人、13岁、33岁、均开心]为例，拼接后得到的第一状态向量可以为[晴天、国道、拥堵路段；2人、13岁、33岁、均开心]。
当然，处于方便处理，舱外特征和舱内特征中的具体特征均为通过特定规则量化归一化为一个数值，例如晴天可以为001，国道可以为002。具体如何将特征转换为数值还可以是任意可行的方式，本申请对此不做具体限制。
S504、电子设备获取车辆座舱的第一历史状态向量集。
其中，第一历史状态向量集中包括的至少一个第一历史状态向量是电子设备在当前时刻之前的不同采样点采样(采集)得到的，具体采集方式和上述S501-S503公开的实现方式相同。在电子设备每次获取到状态向量之后会将该状态向量存储一定时间。由此，这里S504中的获取可以仅指电子设备从存储历史状态向量的存储区中获取第一历史状态向量集。
S505、电子设备基于第一历史状态向量集和第一状态向量，确定车辆座舱的变化值。
S506、电子设备判断车辆座舱的变化值是否大于预设阈值。
若电子设备确定车辆座舱的变化值大于预设阈值，则执行S507；否则执行S501或者结束流程。
S507、电子设备将第一状态向量和车辆座舱的第二历史状态向量集输入目标控制预测模型中，得到控制决策。
S508、电子设备根据控制决策对车辆座舱进行控制。
其中，S505-S508的具体实现方式可以参照前述实施例中S302-S305的具体实现，此处不再赘述。
可以理解的，实际中可以获取的车辆座舱的外部和内部的数据是无法直接作为车辆座舱的内外特征进行使用的。例如，车辆座舱外的数据可以是车辆的摄像头获取的车外图像或者车外雷达获取的点云数据。车辆座舱内的数据可以是车辆内部的摄像头获取的图像数据。而后续预测需要用的车辆座舱内的特征可能是车外温湿度、道路级别、道路拥堵程度等。需要的车量座舱内的特征可能是车内人数、乘客年龄、乘客情绪、乘客性别等。所以，基于上述S501-S508对应的技术方案，在获取到车辆座舱内的舱内数据和车辆座舱外的舱外数据后，通过特定的数据预处理方式，从舱内数据和舱外数据中分析提取需要用的舱内特征和舱外特征，从而为后续控制决策的预测提供有力的数据支持。当然，该技术方案也具备前述实施S301-S305对应的技术方案所能实现的技术效果。
在一种可能的实现方式中，车辆座舱的变化值可以由第一状态向量和第一历史状态两两的欧几里得距离来表示。基于此，本申请还可以提供车辆座舱的控制方法的又一实施例。该方法可以由车辆座舱的控制装置实施，车辆座舱的控制装置可以是电子设备或者电子设备中的一部分，该电子设备可以是上述的终端或者服务器。参照图6所示，该实施例中车辆座舱的控制方法可以包括S601-S606：
S601、电子设备获取车辆座舱的第一状态向量和第一历史状态向量集。
S601的具体实现可以参照前述实施例中S501-S504的具体实现，此处不再赘述。
S602、电子设备计算第一状态向量和至少一个第一历史状态向量的欧几里得距离。
示例性的，欧几里得距离的计算公式如下:
其中，向量A的表达式具体可以为(x1，…，xn)，向量B的表达式具体可以为(y1，…，yn)。
在计算第一状态向量和第一历史状态向量的欧几里得距离时，则可以将第一状态向量视为A向量或B向量，第一历史状态向量则为另一个向量。当然，在计算欧几里得距离前，需要将第一状态向量和第一历史状态向量中的特征全部根据特定规则转换为数值，以方便计算。
S603、电子设备将第一历史状态向量集中的所有第一历史状态向量对应的欧几里得距离中的最大值，确定为车辆座舱的变化值。
示例性的，在上述实现方式中，第一历史状态向量集可以是第一状态向量对应的采样点之前的m个采样点采样的状态向量。
S604、电子设备判断车辆座舱的变化值是否大于预设阈值。
若电子设备确定车辆座舱的变化值大于预设阈值，则执行S605；否则执行S601或者结束流程。
S605、电子设备将第一状态向量和车辆座舱的第二历史状态向量集输入目标控制预测模型中，得到控制决策。
S606、电子设备根据控制决策对车辆座舱进行控制。
其中，S604-S606的具体实现可以参照前述实施例中S303-S305的具体实现，此处不再赘述。
可以理解的是，车辆座舱的状态向量是可以反映出车辆座舱的实际情况(或状态)的，组成向量的元素也是能够反映该状态的特征。所以对应车辆座舱当前的状态的第一状态向量和对应车辆座舱之前的状态的第一历史状态向量之间的向量距离(例如欧几里得距离)，是能够反映出车辆座舱的状态变化程度的。即可以将第一状态向量和第一历史状态向量的欧几里得距离认为是，车辆座舱从第一历史状态向量对应的状态变化至第一状态向量对应的当前状态的变化值。而多个第一历史状态对应的与第一状态向量所有欧几里得距离中的最大值，可以认为是车辆座舱从多个第一历史状态向量对应的时间段变化至当前状态的变化值，即前述的车辆座舱的变化值。如此，基于上述S601-S606对应的技术方案，便可以使用欧几里得距离来快速的确定车辆座舱的变化值，为控制决策的预测提供判断依据。当然，该技术方案也具备前述实施S301-S305对应的技术方案所能实现的技术效果。
在另一种可能的实现方式中，第一历史状态向量集包括：第一历史状态向量第一子集和第一历史状态向量第二子集；第一历史状态向量第二子集中包括的历史状态向量在第一历史状态向量第一子集包括的历史状态向量之前。即第一历史状态向量第二子集中包括的历史状态向量对应的采样点在第一历史状态向量第一子集包括的历史状态向量对应的采样点之前。例如，以第一状态向量对应的采样点为2022.05.04.11.14.10(2022年5月4日11时14分10秒)为例，第一历史状态向量第一子集中的历史状态向量的采样点则可以在2022.05.04.11.14.00-2022.05.04.11.14.09这个范围内，而第一历史状态向量第二子集中的历史状态向量的采样点则可以在2022.05.04.11.13.00-2022.05.04.11.13.10这个范围内。
基于此，本申请还可以提供的车辆座舱的控制方法的再一实施例。该方法可以由车辆座舱的控制装置实施，车辆座舱的控制装置可以是电子设备或者电子设备中的一部分，该电子设备可以是上述的终端或者服务器。参照图7所示，该实施例中车辆座舱的控制方法可以包括S701-S706：
S701、电子设备获取车辆座舱的第一状态向量和第一历史状态向量集。
S701的具体实现可以参照前述实施例中S501-S504的具体实现，此处不再赘述。
S702、电子设备根据KL散度算法确定第一状态向量与第一历史状态向量第一子集的集合，和第一历史状态向量第二子集的分布差异值。
在本申请实施例中，为了使得第一状态向量与第一历史状态向量第一子集的集合，和第一历史状态向量第二子集的分布差异仅受舱内特征和舱外特征影响，第一历史状态向量第一子集中包括的历史状态向量的个数可以为第一历史状态向量第二子集包括的历史状态向量的个数减1。具体将哪些历史状态向量确定为第一历史状态向量第一子集中包括的历史状态向量，哪些历史状态向量确定为第一历史状态向量第二子集中包括的历史状态向量可以根据实际需求而定。
示例性的，分布差异值的计算公式如下：
其中，P(xi)和Q(xi)为两个概率分布。
在计算第一状态向量与第一历史状态向量第一子集的集合，和第一历史状态向量第二子集的分布差异值，则将第一状态向量与第一历史状态向量第一子集的集合中的所有状态向量视为一个概率分布，第一历史状态向量第二子集中的所有状态向量视为另一个概率分布。当然，在计算分布差异值前，需要将第一状态向量与第一历史状态向量第一子集的集合，和第一历史状态向量第二子集中的每个状态向量全部根据特定规则转换为概率数值，以方便计算。具体转换方式可以是任意可行的方式，本申请对此不做具体限制。
S703、电子设备将分布差异值确定为车辆座舱的变化值。
S704、电子设备判断车辆座舱的变化值是否大于预设阈值。
若电子设备确定车辆座舱的变化值大于预设阈值，则执行S705；否则执行S701或者结束流程。
S705、电子设备将第一状态向量和车辆座舱的第二历史状态向量集输入目标控制预测模型中，得到控制决策。
S706、电子设备根据控制决策对车辆座舱进行控制。
其中，S704-S706的具体实现可以参照前述实施例中S303-S305的具体实现，此处不再赘述。
可以理解的，当前时刻在内的一段时间内车辆座舱的舱内外特征的分布(即第一状态向量与第一历史状态向量第一子集的集合对应的特征分布)，和当前时刻在内的一段时间之前的一段时间内的车辆座舱的舱内外特征的分布情况(即第一历史状态向量第二子集对应的特征分布)，是可以反映出车辆座舱传在不同的两段时间产生的变化的。基于此，上述S701-S706对应的技术方案可以利用KL散度算法来确定第一状态向量与第一历史状态向量第一子集的集合，和第一历史状态向量第二子集的分布差异值，并将该分布差异值确定为车辆座舱的变化值，即作为控制决策预测的判断依据。当然，该技术方案也具备前述实施S301-S305对应的技术方案所能实现的技术效果。
另外，相比于前述S601-S606对应的技术方案中确定车辆座舱的变化值的实现方式(S702和S703)，本实现方式对应的技术方案(S701-S706)中大概率会用到更长时间段内的历史状态向量。而且在计算变化值时会考虑所有的状态向量，所以计算结果更为准确，更符合实际的情况。后续也可以依据该变化值更准确的确定车辆座舱的控制决策预测时机。
在本申请实施例中，为了使得电子设备可以进行准确预测，需要提前训练得到目标控制预测模型(至少在电子设备将第一状态向量和第二历史状态向量集输入目标控制预测模型中之前)。基于此，本申请实施提供的车辆座舱的控制方法中还应包括训练目标控制预测模型的方法，具体可以在前述实施例的S304之前、S507之前、S605之前和S705之前。参照图8所示，目标控制预测模型的训练方法可以包括S801和S802：
S801、电子设备获取多组样本数据和多组样本数据一一对应的样本决策。
其中，每组样本数据包括车辆座舱的样本状态向量和样本历史状态向量集；样本历史状态向量集包括样本状态向量之前的预设时长内的状态向量。
目前可以采集到的样本决策一般为用户或者智能系统做出的决策，这类数据不够准确。因为用户没有调控空调可能因为正在开车或者忙其他事情，而不一定代表当前温度为最优。
基于此，在采集上述样本数据和样本决策时，首先可以将获取到的某个控制决策(利用用户做出的控制操作)作为样本决策。然后，将该样本决策对应的时间节点(或采样点)前后一段时间(例如前N个采样点和后N个采样点)车辆座舱的状态向量作为对应该样本决策的历史状态向量。这样在获取多个样本决策及其对应的历史状态向量后，可以按照需求对历史状态向量进行分组，从而得到多组样本数据。
这样一来，获取的样本数据和样本决策更符合实际的车辆座舱使用情况，根据这些数据训练得到的目标控制决策模型也就能够进行更准确的预测。
S802、电子设备以样本数据作为训练数据，样本决策作为监督信息，迭代训练控制预测模型，以得到目标控制预测模型。
其中，控制预测模型的框架至少包括以下任一项：长短期记忆网络LSTM、循环神经网络RNN、门控循环单元GRU、注意力ATTENTION、离线强化学习offline-RL。
示例性的，S802具体可以包括：初始化控制预测模型；将样本数据中的样本状态向量和样本历史状态向量集输入控制预测模型，得到预测决策；根据预测决策和样本决策，确定损失值；根据损失值迭代更新控制预测模型；重复执行将样本数据中的样本状态向量和样本历史状态向量集输入控制预测模型，得到预测决策的步骤，直至得到满足预设条件的目标控制预测模型。
其中，初始化控制预测模型具体可以是指依据实现选定的模型框架，设置相应的超参数，以及初始化训练过程中会优化的权重参数。
具体的，损失值具体可以是依据任意可行的损失函数计算得到的。例如均值平方差(mean squared error，MSE)，MSE具体是计算预测值(预测控制决策)和真实值(样本控制决策)之间的欧氏距离。本申请对此不做具体限制。
之后，基于该损失值则可以以任意可行的调参方式对控制预测模型中的参数进行调整。例如随机梯度下降法(stochastic gradient descent，SGD)等。本申请对此不做具体限制。
此外，满足预设条件的目标控制预测模型可以包括：控制预测模型的迭代次数满足预设次数，或所述损失值小于预定阈值。也就是说，在控制预测模型训练的过程中，若某次迭代后的控制预测模型的迭代次数大于或等于预设次数，或者某次迭代后的控制预测模型对应的损失值小于预定阈值，则该控制预测模型为目标控制预测模型。
其中，预设次数和预定阈值可以是实现依据需求和模型训练经验确定。具体值可以根据实际需求而定，本申请不做具体限制。这样一来，目标控制预测模型的训练便可以根据用户需求在达到训练目标的基础上及时终止。
需要说明的是，上述电子设备可以是实施前述实施例中对应的技术方案的设备，也可以是其他可以与该设备进行通信设备。在该电子设备为其他设备时，其训练好目标控制预测模型后，可以将该模型发送给实施前述实施例对应的技术方案的设备。具体如何实现，本申请对此不做具体限制。
这样一来，可以基于训练数据和损失值，不断迭代优化控制预测模型，从而得到目标控制预测模型。
基于上述S801和S802对应的技术方案，可以通过机器学习的方式，训练得到目标控制预测模型，且该目标控制预测模型具备利用多个存在先后顺序状态向量，预测得出车辆座舱后续的控制决策的能力。这样也就使得本申请提供的车辆座舱的控制方法中，可以利用该模型方便快捷的对控制决策进行预测。
可以理解的是，上述电子设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请实施例的范围。
在采用对应各个功能划分各个功能模块的情况下，本申请实施例还提供一种车辆座舱的控制装置。如图9所示，为本申请实施例提供的一种车辆座舱的控制装置的结构示意图。该装置可以包括：获取模块901、确定模块902、处理模块903和控制模块904。
其中，获取模块901，用于获取车辆座舱的第一状态向量和第一历史状态向量集；第一历史状态向量集包括第一状态向量之前的至少一个第一历史状态向量；第一状态向量包括：车辆座舱外的舱外特征和车辆座舱内的舱内特征。确定模块902，用于基于获取模块901获取的第一历史状态向量集和第一状态向量，确定车辆座舱的变化值；变化值用于表征车辆座舱的状态变化程度。处理模块903，用于若确定模块902确定车辆座舱的变化值大于预设阈值，则将获取模块901获取的第一状态向量和车辆座舱的第二历史状态向量集输入目标控制预测模型中，得到控制决策；第二历史状态向量集包括第一状态向量之前预设时长内的至少一个第二历史状态向量。控制模块904，用于根据处理模块903得到的控制决策对车辆座舱进行控制。
在一种可能的实现方式中，获取模块901具体用于：获取车辆座舱外的舱外数据和车辆座舱内的舱内数据；对舱外数据和舱内数据进行数据预处理，以得到舱外数据对应的舱内特征和舱内数据的舱内特征；拼接舱外特征和舱内特征，得到第一状态向量。
在一种可能的实现方式中，确定模块902具体用于：计算获取模块901获取的第一状态向量和至少一个第一历史状态向量的欧几里得距离；将第一历史状态向量集中的所有第一历史状态向量对应的欧几里得距离中的最大值，确定为车辆座舱的变化值。
在一种可能的实现方式中，第一历史状态向量集包括：第一历史状态向量第一子集和第一历史状态向量第二子集；第一历史状态向量第二子集中包括的历史状态向量在第一历史状态向量第一子集包括的历史状态向量之前。确定模块902具体用于：根据KL散度算法确定第一状态向量与第一历史状态向量第一子集的集合，和第一历史状态向量第二子集的分布差异值；将分布差异值确定为车辆座舱的变化值。
在一种可能的实现方式中，该装置还包括训练模块905，训练模块905包括获取单元9051和训练单元9052。获取单元9051，用于获取多组样本数据和多组样本数据一一对应的样本决策；每组样本数据包括车辆座舱的样本状态向量和样本历史状态向量集；样本历史状态向量集包括车辆座舱的状态向量为样本状态向量之前的预设时长内的状态向量。训练单元9052，用于以获取单元9051获取的样本数据为训练数据作为训练数据，获取单元9051获取的样本决策作为监督信息，迭代训练控制预测模型，以得到目标控制预测模型。
在一种可能的实现方式中，训练单元9052具体用于：初始化所述控制预测模型；将获取单元9051获取的样本数据中的样本状态向量和样本历史状态向量集输入控制预测模型，得到初始预测决策；根据预测决策和样本决策，确定损失值；根据损失值迭代更新控制预测模型；重复执行，将样本数据中的样本状态向量和样本历史状态向量集输入控制预测模型，得到预测决策的步骤，直至得到满足预设条件的目标控制预测模型。
在一种可能的实现方式中，满足预设条件的目标控制预测模型包括：控制预测模型的迭代次数满足预设次数，或所述损失值小于预定阈值。
关于上述实施例中的车辆座舱的控制装置，其中各个模块执行操作的具体方式及相应的有益效果已经在前述中的车辆座舱的控制方法的实施例中进行了详细描述，此处将不再赘述。
图10是根据一示例性实施例示出的电子设备的一种可能的结构示意图，该电子设备可以是上述的车辆座舱的控制装置，也可以是包括有该车辆座舱的控制装置的终端或服务器。如图10所示，该电子设备包括处理器101和存储器102。其中，存储器102用于存储处理器101可执行的指令，处理器101则可以实现上述实施例中头发变换模型生成装置03和/或头发变换装置04中各个模块的功能。其中，存储器102中存储有至少一条指令，至少一条指令由处理器101加载并执行以实现上述各个方法实施例提供的方法。
其中，在具体的实现中，作为一种实施例，处理器101(101-1和101-2)可以包括一个或多个CPU，例如图10中所示的CPU0和CPU1。且作为一种实施例，该电子设备可以包括多个处理器101，例如图10中所示的处理器101-1和处理器101-2。这些处理器101中的每一个CPU可以是一个单核处理器(Single-CPU)，也可以是一个多核处理器(Multi-CPU)。这里的处理器101可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
存储器102可以是只读存储器102(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘计算机存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器102可以是独立存在，通过通信总线103与处理器101相连接。存储器102也可以和处理器101集成在一起。
通信总线103，可以是工业标准体系结构(industry standard architecture，ISA)总线、外部设备互连(peripheral component interconnect，PCI)总线或扩展工业标准体系结构(extended industry standard architecture，EISA)总线等。该通信总线103可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
另外，为了方便电子设备与其他设备进行信息交互(例如电子设备为终端时与服务器进行信息交互，或者电子设备为服务器时与终端进行信息交互)，该电子设备包括通信接口104。通信接口104，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如控制系统、无线接入网(radio access network，RAN)，无线局域网(wireless local areanetworks，WLAN)等。通信接口104可以包括接收单元实现接收功能，以及发送单元实现发送功能。通信接口104和处理器101、存储器102通过通信总线103连接完成相互通信。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令。当计算机指令在电子设备上运行时，使得该电子设备执行上述方法实施例中的车辆座舱的控制方法。
例如，该计算机可读存储介质可以是只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)、磁带、软盘和光数据存储设备等。
本申请实施例还提供了一种包含计算机指令的计算机程序产品，当该计算机指令在电子设备上运行时，使得该电子设备执行上述方法实施例中的车辆座舱的控制方法。
其中，本申请实施例提供的电子设备、计算机可读存储介质或者计算机程序产品均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置(如，电子设备)的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置(如，电子设备)和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置(如，电子设备)和方法，可以通过其它的方式实现。例如，以上所描述的装置(如，电子设备)实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)或处理器执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：快闪存储器、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种车辆座舱的控制方法，其特征在于，所述方法包括：
获取所述车辆座舱的第一状态向量和第一历史状态向量集；所述第一历史状态向量集包括所述第一状态向量之前的至少一个第一历史状态向量，所述第一状态向量包括：所述车辆座舱外的舱外特征和所述车辆座舱内的舱内特征；
基于所述第一历史状态向量集和所述第一状态向量，确定所述车辆座舱的变化值；所述变化值用于表征所述车辆座舱的状态变化程度；
若所述车辆座舱的变化值大于预设阈值，则将所述第一状态向量和所述车辆座舱的第二历史状态向量集输入目标控制预测模型中，得到控制决策；所述第二历史状态向量集包括所述第一状态向量之前预设时长内的至少一个第二历史状态向量；
根据所述控制决策对所述车辆座舱进行控制。
2.根据权利要求1所述的方法，其特征在于，所述获取所述车辆座舱的第一状态向量，包括：
获取所述车辆座舱外的舱外数据和所述车辆座舱内的舱内数据；
对所述舱外数据和所述舱内数据进行数据预处理，以得到所述舱外数据对应的舱外特征和所述舱内数据的舱内特征；
拼接所述舱外特征和所述舱内特征，得到所述第一状态向量。
3.根据权利要求1所述的方法，其特征在于，所述确定所述车辆座舱的变化值，包括：
计算所述第一状态向量和至少一个所述第一历史状态向量的欧几里得距离；
将所述第一历史状态向量集中的所有所述第一历史状态向量对应的欧几里得距离中的最大值，确定为所述车辆座舱的变化值。
4.根据权利要求1所述的方法，其特征在于，所述第一历史状态向量集包括：第一历史状态向量第一子集和第一历史状态向量第二子集；所述第一历史状态向量第二子集中包括的历史状态向量在所述第一历史状态向量第一子集包括的历史状态向量之前；所述确定所述车辆座舱的变化值，包括：
根据KL散度算法确定所述第一状态向量与所述第一历史状态向量第一子集的集合，和所述第一历史状态向量第二子集的分布差异值；
将所述分布差异值确定为所述车辆座舱的变化值。
5.根据权利要求1所述的方法，其特征在于，所述将所述第一状态向量和第二历史状态向量集输入目标控制预测模型中之前，所述方法还包括：
获取多组样本数据和所述多组样本数据一一对应的样本决策；每组所述样本数据包括所述车辆座舱的样本状态向量和样本历史状态向量集；所述样本历史状态向量集包括所述样本状态向量之前的预设时长内的状态向量；
以所述样本数据为训练数据作为训练数据，所述样本决策作为监督信息，迭代训练控制预测模型，以得到所述目标控制预测模型。
6.根据权利要求5所述的方法，其特征在于，所述以所述样本数据为训练数据作为训练数据，所述样本决策作为监督信息，迭代训练控制预测模型，以得到所述目标控制预测模型，包括：
初始化所述控制预测模型；
将所述样本数据中的所述样本状态向量和所述样本历史状态向量集输入所述控制预测模型，得到预测决策；
根据所述预测决策和所述样本决策，确定损失值；根据所述损失值迭代更新所述控制预测模型；
重复执行所述将所述样本数据中的所述样本状态向量和所述样本历史状态向量集输入所述控制预测模型，得到预测决策的步骤，直至得到满足预设条件的所述目标控制预测模型。
7.根据权利要求6所述的方法，其特征在于，所述满足预设条件的所述目标控制预测模型，包括：所述控制预测模型的迭代次数满足预设次数，或所述损失值小于预定阈值。
8.一种车辆座舱的控制装置，其特征在于，所述装置包括：
获取模块，用于获取所述车辆座舱的第一状态向量和第一历史状态向量集；所述第一历史状态向量集包括所述第一状态向量之前的至少一个第一历史状态向量；所述第一状态向量包括：所述车辆座舱外的舱外特征和所述车辆座舱内的舱内特征；
确定模块，用于基于所述获取模块获取的所述第一历史状态向量集和所述第一状态向量，确定所述车辆座舱的变化值；所述变化值用于表征所述车辆座舱的状态变化程度；
处理模块，用于若所述确定模块确定所述车辆座舱的变化值大于预设阈值，则将所述车辆座舱的第二历史状态向量集和所述获取模块获取的所述第一状态向量输入目标控制预测模型中，得到控制决策；所述第二历史状态向量集包括所述第一状态向量之前预设时长内的至少一个第二历史状态向量；
控制模块，用于根据所述处理模块得到的所述控制决策对所述车辆座舱进行控制。
9.一种电子设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一个可执行指令，所述可执行指令使所述处理器执行如权利要求1-7任意一项所述的车辆座舱的控制方法的操作。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一个可执行指令，所述可执行指令在电子设备上运行时，使得电子设备执行如权利要求1-7任意一项所述的车辆座舱的控制方法的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211435871.7A CN115891871B (zh) | 2022-11-16 | 2022-11-16 | 车辆座舱的控制方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211435871.7A CN115891871B (zh) | 2022-11-16 | 2022-11-16 | 车辆座舱的控制方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115891871A CN115891871A (zh) | 2023-04-04 |
| CN115891871B true CN115891871B (zh) | 2024-05-17 |
Family
ID=86474081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211435871.7A Active CN115891871B (zh) | 2022-11-16 | 2022-11-16 | 车辆座舱的控制方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115891871B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001158309A (ja) * | 1999-09-19 | 2001-06-12 | Yazaki Corp | 車両履歴情報保持装置 |
| CN109492835A (zh) * | 2018-12-28 | 2019-03-19 | 东软睿驰汽车技术（沈阳）有限公司 | 车辆控制信息的确定方法、模型训练方法和相关装置 |
| CN109606286A (zh) * | 2018-12-10 | 2019-04-12 | 英华达（上海）科技有限公司 | 车辆油耗预测方法、车辆导航方法及电子设备 |
| CN109711557A (zh) * | 2018-12-28 | 2019-05-03 | 西安航空学院 | 一种行车轨迹预测方法、系统、计算机设备及存储介质 |
| CN111275228A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 预测方法、装置、电子设备及存储介质 |
| CN112070823A (zh) * | 2020-08-28 | 2020-12-11 | 武汉亘星智能技术有限公司 | 一种基于视频识别的汽车智能座舱调节方法、装置和系统 |
| CN112085103A (zh) * | 2020-09-10 | 2020-12-15 | 北京百度网讯科技有限公司 | 基于历史行为的数据增强方法、装置、设备以及存储介质 |
| CN112487973A (zh) * | 2020-11-30 | 2021-03-12 | 北京百度网讯科技有限公司 | 用户图像识别模型的更新方法和装置 |
| CN112655000A (zh) * | 2020-04-30 | 2021-04-13 | 华为技术有限公司 | 车内用户定位方法、车载交互方法、车载装置及车辆 |
| CN112668480A (zh) * | 2020-12-29 | 2021-04-16 | 上海高德威智能交通系统有限公司 | 头部姿态角检测方法、装置、电子设备及存储介质 |
| CN113450782A (zh) * | 2020-03-26 | 2021-09-28 | 英特尔公司 | 座舱内基于声学的乘客占用和状况评估 |
| CN113752983A (zh) * | 2021-09-17 | 2021-12-07 | 阳光暖果（北京）科技发展有限公司 | 一种基于人脸识别/人眼识别的车辆解锁控制系统和方法 |
| CN114013367A (zh) * | 2021-10-29 | 2022-02-08 | 上海商汤临港智能科技有限公司 | 一种远光灯使用提醒方法及装置、电子设备和存储介质 |
| CN114179730A (zh) * | 2021-12-29 | 2022-03-15 | 阿维塔科技(重庆)有限公司 | 一种车辆座舱观影方法、装置及计算机可读存储介质 |
| CN114248602A (zh) * | 2020-09-22 | 2022-03-29 | 宝能汽车集团有限公司 | 车辆及其座舱的光通量调节方法、系统及存储介质 |
| CN114802306A (zh) * | 2022-04-29 | 2022-07-29 | 宁波均胜智能汽车技术研究院有限公司 | 一种基于人机共驾理念的智能车辆集成式决策系统 |
| CN114872650A (zh) * | 2022-05-16 | 2022-08-09 | 南京领行科技股份有限公司 | 一种车载设备的控制方法、装置、电子设备及存储介质 |
| CN115079989A (zh) * | 2021-03-02 | 2022-09-20 | 现代自动车株式会社 | 车辆及其控制方法 |
| CN115158352A (zh) * | 2022-07-06 | 2022-10-11 | 苏州智加科技有限公司 | 目标车辆的控制方法、装置、车载终端及介质 |
| CN115278380A (zh) * | 2022-06-24 | 2022-11-01 | 重庆长安汽车股份有限公司 | 弹幕在智能座舱展示的方法及装置 |
| CN116278571A (zh) * | 2023-03-29 | 2023-06-23 | 阿维塔科技(重庆)有限公司 | 车辆控制方法、装置、设备及存储介质 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101669090A (zh) * | 2007-04-26 | 2010-03-10 | 福特全球技术公司 | 情绪提示系统和方法 |
| US20160207375A1 (en) * | 2015-01-20 | 2016-07-21 | Atieva, Inc. | Method of Operating a Preemptive Vehicle Temperature Control System |
| US10382466B2 (en) * | 2017-03-03 | 2019-08-13 | Hitachi, Ltd. | Cooperative cloud-edge vehicle anomaly detection |
| DE102018206720A1 (de) * | 2018-05-02 | 2019-11-07 | Audi Ag | Verfahren zum Durchführen eines Softwareupdates in einem Steuergerät eines Kraftfahrzeugs sowie entsprechend eingerichtetes Kraftfahrzeug |
| CN111071187A (zh) * | 2018-10-19 | 2020-04-28 | 上海商汤智能科技有限公司 | 驾驶环境智能调整及驾驶员注册方法和装置、车辆、设备 |
| WO2020152678A1 (en) * | 2019-01-22 | 2020-07-30 | Adam Cogtech Ltd. | Detection of cognitive state of a driver |
| US10960838B2 (en) * | 2019-01-30 | 2021-03-30 | Cobalt Industries Inc. | Multi-sensor data fusion for automotive systems |
| US10821897B2 (en) * | 2019-01-31 | 2020-11-03 | StradVision, Inc. | Method and device for adjusting driver assistance apparatus automatically for personalization and calibration according to driver's status |
| JP7196683B2 (ja) * | 2019-02-25 | 2022-12-27 | トヨタ自動車株式会社 | 情報処理システム、プログラム、及び制御方法 |
| KR102696262B1 (ko) * | 2019-08-30 | 2024-08-21 | 엘지전자 주식회사 | 화자인식 기반 차량 제어 방법 및 지능형 차량 |
| JP7331704B2 (ja) * | 2020-01-09 | 2023-08-23 | トヨタ自動車株式会社 | 車両用制御データの生成方法、車両用制御装置、および車両用制御システム |
-
2022
- 2022-11-16 CN CN202211435871.7A patent/CN115891871B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001158309A (ja) * | 1999-09-19 | 2001-06-12 | Yazaki Corp | 車両履歴情報保持装置 |
| CN111275228A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 预测方法、装置、电子设备及存储介质 |
| CN109606286A (zh) * | 2018-12-10 | 2019-04-12 | 英华达（上海）科技有限公司 | 车辆油耗预测方法、车辆导航方法及电子设备 |
| CN109492835A (zh) * | 2018-12-28 | 2019-03-19 | 东软睿驰汽车技术（沈阳）有限公司 | 车辆控制信息的确定方法、模型训练方法和相关装置 |
| CN109711557A (zh) * | 2018-12-28 | 2019-05-03 | 西安航空学院 | 一种行车轨迹预测方法、系统、计算机设备及存储介质 |
| CN113450782A (zh) * | 2020-03-26 | 2021-09-28 | 英特尔公司 | 座舱内基于声学的乘客占用和状况评估 |
| CN112655000A (zh) * | 2020-04-30 | 2021-04-13 | 华为技术有限公司 | 车内用户定位方法、车载交互方法、车载装置及车辆 |
| CN112070823A (zh) * | 2020-08-28 | 2020-12-11 | 武汉亘星智能技术有限公司 | 一种基于视频识别的汽车智能座舱调节方法、装置和系统 |
| CN112085103A (zh) * | 2020-09-10 | 2020-12-15 | 北京百度网讯科技有限公司 | 基于历史行为的数据增强方法、装置、设备以及存储介质 |
| CN114248602A (zh) * | 2020-09-22 | 2022-03-29 | 宝能汽车集团有限公司 | 车辆及其座舱的光通量调节方法、系统及存储介质 |
| CN112487973A (zh) * | 2020-11-30 | 2021-03-12 | 北京百度网讯科技有限公司 | 用户图像识别模型的更新方法和装置 |
| CN112668480A (zh) * | 2020-12-29 | 2021-04-16 | 上海高德威智能交通系统有限公司 | 头部姿态角检测方法、装置、电子设备及存储介质 |
| CN115079989A (zh) * | 2021-03-02 | 2022-09-20 | 现代自动车株式会社 | 车辆及其控制方法 |
| CN113752983A (zh) * | 2021-09-17 | 2021-12-07 | 阳光暖果（北京）科技发展有限公司 | 一种基于人脸识别/人眼识别的车辆解锁控制系统和方法 |
| CN114013367A (zh) * | 2021-10-29 | 2022-02-08 | 上海商汤临港智能科技有限公司 | 一种远光灯使用提醒方法及装置、电子设备和存储介质 |
| CN114179730A (zh) * | 2021-12-29 | 2022-03-15 | 阿维塔科技(重庆)有限公司 | 一种车辆座舱观影方法、装置及计算机可读存储介质 |
| CN114802306A (zh) * | 2022-04-29 | 2022-07-29 | 宁波均胜智能汽车技术研究院有限公司 | 一种基于人机共驾理念的智能车辆集成式决策系统 |
| CN114872650A (zh) * | 2022-05-16 | 2022-08-09 | 南京领行科技股份有限公司 | 一种车载设备的控制方法、装置、电子设备及存储介质 |
| CN115278380A (zh) * | 2022-06-24 | 2022-11-01 | 重庆长安汽车股份有限公司 | 弹幕在智能座舱展示的方法及装置 |
| CN115158352A (zh) * | 2022-07-06 | 2022-10-11 | 苏州智加科技有限公司 | 目标车辆的控制方法、装置、车载终端及介质 |
| CN116278571A (zh) * | 2023-03-29 | 2023-06-23 | 阿维塔科技(重庆)有限公司 | 车辆控制方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 新一代智能座舱总体结构设计;吴文海;张源原;刘锦涛;周思羽;梅丹;;航空学报;20161231(第01期);第290-297页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115891871A (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108725136B (zh) | 车载空调调节方法、系统、设备及存储介质 | |
| CN110146100B (zh) | 轨迹预测方法、装置及存储介质 | |
| KR20200110400A (ko) | 학습 데이터 증강 정책 | |
| US10320354B1 (en) | Controlling a volume level based on a user profile | |
| CN112948951B (zh) | 建筑模型创建方法与装置、处理服务器 | |
| CN110293818B (zh) | 车载空调控制方法和装置 | |
| US20230367934A1 (en) | Method and apparatus for constructing vehicle dynamics model and method and apparatus for predicting vehicle state information | |
| CN113778691B (zh) | 一种任务迁移决策的方法、装置及系统 | |
| CN111306720B (zh) | 一种设置空调参数的方法和装置 | |
| US20130325483A1 (en) | Dialogue models for vehicle occupants | |
| CN114091336A (zh) | 一种空调调节方法、装置、车辆及存储介质 | |
| CN110458051A (zh) | 一种设备控制的方法、装置、服务器及可读存储介质 | |
| CN117217280A (zh) | 神经网络模型优化方法、装置及计算设备 | |
| CN115049151A (zh) | 导航路线推荐方法、装置、设备及存储介质 | |
| CN115891871B (zh) | 车辆座舱的控制方法、装置及计算机可读存储介质 | |
| CN111144473B (zh) | 训练集构建方法、装置、电子设备及计算机可读存储介质 | |
| CN112100787A (zh) | 车辆动作预测方法、装置、电子设备及存储介质 | |
| CN114216246A (zh) | 空调机组控制方法、装置、存储介质及电子设备 | |
| CN115116226A (zh) | 一种基于深度强化学习模型的高速公路货车流量预测算法、软件与装置 | |
| CN110968341A (zh) | 一种设置空调参数的方法和装置 | |
| US20210168195A1 (en) | Server and method for controlling server | |
| CN109703566B (zh) | 一种速度控制指令处理方法和车辆 | |
| CN111260383B (zh) | 注册概率预估方法及装置、概率预估模型构建方法及装置 | |
| CN109572816B (zh) | 一种转向指令处理方法和车辆 | |
| CN115610449A (zh) | 车辆控制方法和装置、控制预测模型训练方法和装置 |
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 |