CN115891895A - 增强的乘员碰撞安全性系统 - Google Patents
增强的乘员碰撞安全性系统 Download PDFInfo
- Publication number
- CN115891895A CN115891895A CN202211024392.6A CN202211024392A CN115891895A CN 115891895 A CN115891895 A CN 115891895A CN 202211024392 A CN202211024392 A CN 202211024392A CN 115891895 A CN115891895 A CN 115891895A
- Authority
- CN
- China
- Prior art keywords
- event
- collision
- scene
- acceleration data
- occupant
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/188—Capturing isolated or intermittent images triggered by the occurrence of a predetermined event, e.g. an object reaching a predetermined position
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
- B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
- B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
- B60R21/0132—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to vehicle motion parameters, e.g. to vehicle longitudinal or transversal deceleration or speed value
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
- B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
- B60R21/013—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over
- B60R21/0136—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents including means for detecting collisions, impending collisions or roll-over responsive to actual contact with an obstacle, e.g. to vehicle deformation, bumper displacement or bumper velocity relative to the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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
- G06V10/70—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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
-
- 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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
- B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
- B60R2021/01204—Actuation parameters of safety arrangents
- B60R2021/01252—Devices other than bags
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
- B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
- B60R2021/01286—Electronic control units
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Mechanical Engineering (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Air Bags (AREA)
- Traffic Control Systems (AREA)
Abstract
本文描述了用于在交通工具中实现增强的乘员碰撞安全性系统的各种系统和方法。用于控制主交通工具的交通工具安全性机制的部署的系统包括:传感器阵列接口,该传感器阵列接口用于从撞击传感器接收加速度数据;图像处理器,该图像处理器用于从事件相机接收事件,该事件相机被配置成用于监测包括乘员的主交通工具内部的场景;以及乘员安全性系统控制器,用于:对事件进行聚类以在与场景的背景相关联的事件和与乘员的身体部位相关联的事件之间进行区别;基于加速度数据来检测碰撞;基于与场景的背景相关联的事件来验证碰撞;以及响应于验证碰撞,使主交通工具的碰撞安全性机制进行部署。
Description
技术领域
本文中所描述的实施例总体上涉及交通工具约束系统,并且具体地涉及增强的乘员碰撞安全性系统。
背景技术
乘员约束系统(occupant restraint system,ORS)用于保护交通工具的乘员。ORS可包括诸如腰带、安全带和一个或多个安全气囊之类的机构。安全气囊可被安装在交通工具的舱内的各种位置,并在碰撞期间被激活。
附图说明
在附图中(这些附图不一定是按比例绘制的),同样的数字可描述不同视图中的类似组件。具有不同的字母后缀的同样的数字可表示类似组件的不同实例。在所附附图的图中通过示例的方式而非限制性地图示出一些实施例,其中:
图1是图示出根据实施例的操作环境的示意图;
图2图示出根据实施例的随时间的碰撞阶段和运动数据;
图3是图示出根据实施例的系统中的控制和数据流的框图;
图4是图示出根据实施例的用于对事件进行聚类的方法的流程图;
图5图示出根据实施例的用于对事件进行聚类的方法;
图6图示出根据实施例的神经网络的体系结构;
图7是图示出根据实施例的用于寻找误差函数的导数的根的方法的流程图;
图8A-图8F图示出根据实施例的神经网络拓扑如何通过减少神经元的数量而适配的示例;
图9A-图9D图示出根据实施例的神经网络拓扑如何通过减少神经元的数量而适配的另一示例;
图10是图示出根据实施例的用于控制交通工具安全性机制的部署的方法的流程图;以及
图11是图示根据实施例的可在其上执行本文中所讨论的技术(例如,方法)中的任何一种或多种的示例机器的框图。
具体实施方式
在下列描述中,出于解释的目的,阐述了众多具体细节,以便提供对一些示例实施例的全面理解。然而,对本领域技术人员将显而易见的是,可在没有这些具体细节的情况下实施本公开。
乘员约束系统(ORS)可由交通工具中的电子系统控制。ORS可包括检测碰撞期间的初始撞击并激活ORS的一个或多个机制以保护交通工具乘员的传感器。例如,ORS可以包括安装在仪表板、方向盘、侧柱和前柱中的安全气囊。基于撞击的方向和严重性,安全气囊可以在特定的时间选择性地被激活。
ORS系统中使用的当前传感器无法在舱的内部以足够高的速度处理数据,以对碰撞做出反应。例如,大多数交通工具碰撞仅持续70至150毫秒。虽然存在一些可以以这些帧速率进行感测的昂贵设备,但无法足够快地处理数据以计算决策并激活ORS。
在许多常规的实现方式中,有限数量的撞击传感器位于交通工具周围的战略位置中。撞击传感器通常仅基于感测到的加速度和计算出的跃度(jerk)。跃度是加速度的一阶导数。基于这些测量的阈值来生成到ORS的控制信号。安全气囊的激活决定和激活定时仅基于这些信号。安全气囊部署定时必须考虑到安全气囊应在乘员撞到交通工具内部的任何部分或达到安全带松弛极限之前完全部署。
以高速监测舱内活动的能力可以显著地改善ORS触发信号。这是碰撞检测传感器无法执行的。舱内监测对于在最大安全带接合发生之前激活安全气囊以增强对用户的保护尤为重要。
没有舱内监测反馈可能会导致假肯定(false positive),在没有发生碰撞时激活安全气囊,或者甚至更糟的是,在错误的时间激活气囊,导致乘员受伤。此外,仅使用基于阈值的系统难以调谐,因为信号跨各种碰撞情景非常不同。加速度和跃度信号从正面碰撞到侧面碰撞而有所不同,因此很难调谐传感器以用于某一角度的碰撞。此外,由于缺乏对舱内低等待时间精细位移的感测意识,因此仅对每位乘客应用通用的策略。
虽然标准CMOS RGB相机已变得越来越流行,以监测用户动作和改善驾驶辅助,但此类相机以固定帧速率捕获整个场景的光线,这会在突然移动时产生较大的运动模糊(特别是在舱内范围内)。另外,处理包括可能不相关的像素的全帧图像会增加计算时间。因此,标准RGB相机通常不适合作为ORS的传感器。
相比之下,事件相机能够比传统相机的感测速度快数百倍,有些相机甚至每段高达10000帧(例如,10KHz)。因此,可以快速检测场景中的改变,从而允许比RGB相机更高的预期。此外,高帧速率减少或消除了图像模糊。而且,由事件相机捕获的事件的稀疏度确保仅捕获与移动对象有关的信息,而不是像RGB相机那样捕获整个场景。这导致较低的计算负荷。
本公开描述了一种包含事件相机的系统,该事件相机利用来自惯性测量单元(inertial measurement unity,IMU)的加速度测量来监测乘客位置,以改善ORS的响应性和有效性。该系统包括框架,该框架将基于事件的相机数据与来自IMU测量的加速度组合,以计算高速下交通工具乘员的轨迹。较高的帧速率和降低的数据复杂度允许系统分析并进行必要的计算,以在典型碰撞的时间段内控制ORS。在碰撞事件中,对其进行稳健地检测,并使用计算出的乘客轨迹来增强ORS的激活。
本文描述的改进的传感器系统实现了舱内监测的若干个优点,包括在碰撞期间更好地区别和确定乘客移动,在触发安全气囊或其他安全性系统时更准确地按乘客定时,以及在检测碰撞的方向和大小时减少假肯定。这些改进可以减少由反应缓慢的气囊、调速不匀的气囊等引起的伤害。
此外,改进的传感器系统可实施高级过滤和分类方法,以标识可用于向ORS提供输入或用于控制ORS的对象或事件。改进的传感器系统还提供了优于配备有不将图像数据与物理数据结合使用的更初步的传感器系统的交通工具的优点。这些优点和其他内容将在下面进一步描述。
图1是图示出根据实施例的操作环境100的示意图。图1包括并入到交通工具104中的乘员安全性控制平台102。乘员安全性控制平台102包括传感器阵列接口106、图像处理器108、乘员约束系统(ORS)控制器110和交通工具接口112。
交通工具104(其还可被称为“自我交通工具”或“主交通工具”)可以是任何类型的交通工具,诸如商用交通工具、消费者交通工具、娱乐交通工具、汽车、卡车、自主交通工具或者能够至少部分地在自主模式下进行操作的交通工具。交通工具104可在某些时间在手动模式下进行操作,其中,驾驶员常规地使用踏板、方向盘或其他控制来对交通工具104进行操作。在其他时间,交通工具104可在完全自主模式下进行操作,其中,交通工具104在没有用户干预的情况下进行操作。另外,交通工具104可在半自主模式下进行操作,其中,交通工具104控制驾驶的许多方面,但是驾驶员可以使用常规输入(例如,方向盘)和非常规输入(例如,语音控制)来干预或影响操作。
交通工具104可以包括能够检测与交通工具104的碰撞的一个或多个撞击传感器114。撞击传感器114可以包括惯性测量单元(IMU),该惯性测量单元使用加速度计、陀螺仪或磁力计的组合测量撞击传感器114的比力(specific force)、角速度或取向。
撞击传感器114可被设置在交通工具104主体中的战略位置。例如,撞击传感器114可被放置在前保险杠和后保险杠上或附近、在A柱(例如,支撑前挡风玻璃和顶部前部的垂直结构)或挡风玻璃上或附近、在B柱(例如,4门交通工具前门和后门之间的垂直结构)上或附近、在C柱(例如,用于支撑后门后面的顶部的垂直结构)上或附近、在D柱(例如,用于支撑关于4门货车或厢式货车的交通工具后部处的顶部的竖直结构)上或附近、在后窗或在交通工具104上的其他位置。应理解,撞击传感器114可被结合到交通工具104的任何部分中。撞击传感器114可以通过传感器阵列接口106向乘员安全性控制平台102提供信号。
交通工具104可以包括能够捕获交通工具乘员的图像数据的一个或多个事件相机116。事件相机包括响应于亮度的局部改变的图像传感器或成像传感器。因此,事件相机不像常规的RGB相机那样用于捕获全帧图像。相反,事件相机内部的每个像素独立地且异步地操作。每个像素在发生亮度改变时报告亮度的改变。与RGB全帧相机相比,事件相机具有微秒时间分辨率、高动态范围和更少的运动模糊。
事件相机使用对亮度改变进行响应的像素。像素存储参考亮度水平并与当前亮度进行比较。如果差超过阈值,则像素报告事件。结合报告该事件,像素将其参考亮度水平重置为当前亮度,并继续将亮度值与新的参考亮度水平进行比较。
事件可被表示为包括像素的地址和时间戳的消息。事件还可以包含亮度改变的方向(增加或减少)。事件还可以包括当前照明水平的瞬时测量。事件相机输出改变几乎连续的异步事件消息流,这些事件消息由场景照明的改变触发。
传感器阵列接口106可用于对安装在交通工具104上的一个或多个传感器提供接口。传感器的示例包括但不限于:撞击传感器114;事件相机116;麦克风;前向相机、侧向相机或后向相机;雷达;LiDAR;超声距离测量传感器;或其他传感器。本文档中使用前向或向前来指代主要行进方向、座位被布置面对的方向、当传动装置被设置以进行驾驶时的行进方向等。然后常规地,向后或后向被用来描述指向与向前或前向的那些方向大致相反方向的传感器。应理解,一些前向相机可具有相对宽(甚至最多180度)的视场。类似地,以用于检测相邻交通车道中的交通的角度(例如,偏离中心60度)指向的后向相机也可具有相对宽的视场,该相对宽的视场可与前向相机的视场交迭。侧向传感器是从交通工具104的侧面向外指向的那些传感器。传感器阵列中的相机可包括能够以具有窄视场或大视场的长距或短距进行聚焦的红外相机或可见光相机。
交通工具104还可以包括各种其他传感器,这些传感器可被安装在交通工具的舱的内部,诸如驾驶员标识传感器(例如,座椅传感器、眼睛跟踪和标识传感器、指纹扫描仪、语音识别模块等),或乘员传感器或座椅传感器。传感器还可被安装成监测交通工具外部的状况,诸如用于检测风速、室外温度、气压计压力、雨/湿度等的各种环境传感器。
传感器数据用于确定交通工具的操作情境、环境信息、道路状况、行驶状况等。传感器阵列接口106可与交通工具104的另一接口(诸如机载导航系统)进行通信,以提供或获得传感器数据。乘员安全性控制平台102的组件可使用网络来与乘员安全性控制平台102内部的组件或乘员安全性控制平台102外部的组件进行通信,该网络可包括局域网(local-area network,LAN)、广域网(wide-area network,WAN)、无线网络(例如,802.11或蜂窝网络)、自组织网络、个域网(例如,蓝牙)、基于交通工具的网络(例如,控制器区域网络(Controller Area Network,CAN)总线)或网络协议和网络类型的其他组合或排列。网络可包括单个局域网(LAN)或广域网(WAN)、或者LAN或WAN的组合(诸如,互联网)。耦合至网络的各种设备可经由一个或多个有线或无线连接耦合至网络。
乘员安全性控制平台102可与交通工具控制平台118进行通信。交通工具控制平台118可以是控制交通工具操作的各方面的较大体系结构的组件。交通工具控制平台118可以具有到自主驾驶控制系统(例如,转向、制动、加速等)、安全性系统或乘员约束系统(例如,安全带监测器、气囊控制器等)、舒适性系统(例如,加热、空调、座椅定位等)、导航接口(例如,地图和路线选择系统、定位系统、娱乐系统等)、防撞系统、通信系统、安全系统、交通工具状态监测器(例如,轮胎压力监测器、油位传感器、速度计等)等的接口。
使用乘员安全性控制平台102,交通工具控制平台118可以控制一个或多个子系统。例如,乘员安全性控制平台102可与其他传感器(例如,交通工具加速度控制、制动控制、相机、LiDAR、GPS等)一起在传感器融合机制中使用,其中信号用于增强、证实或以其他方式辅助激活或控制安全性约束、气囊部署等。
碰撞可归纳为三个阶段:1)初始接触,当交通工具首次接触时;2)最大接合,当发生最大变形和入侵时;以及3)分离,当交通工具彼此离开时。ORS必须在第一阶段之后和第二阶段开始时(在最大接合发生之前)被触发。触发必须考虑部署安全气囊所需的时间量。对于正面碰撞,仅在15到50毫秒(ms)内做出决策。
乘员安全性控制平台102实现了用于测量交通工具乘员的舱内移动的框架,并将该信息与撞击传感器数据融合,以确定碰撞并控制气囊部署。该框架被划分为三个主要阶段:1)事件关联;2)碰撞检测;和3)ORS致动。
事件关联阶段是其中来自事件相机的事件与乘员身体部位相关联的阶段。当交通工具中的人员是碰撞的一部分时,该人员的身体将以不同于交通工具其余部分的方式移动。由于照度的改变,该相对移动由事件相机捕获。在碰撞中,事件由整个场景(背景)和移动的乘员生成,因为相机由于碰撞状况而移动。这里的关键思想是,背景事件的速度是相同的,并且乘员的身体运动产生的事件也是相同的,但与背景不同。
在碰撞期间,图像处理器108从安装在交通工具104中的事件相机116接收数据。该数据以事件消息的形式存在。因此,图像处理器108解析、存储和分析事件消息。从事件消息得出的数据被发送到乘员安全性系统控制器110以用于进一步分析。乘员安全性系统控制器110可以是乘员约束系统(ORS)的组件或与乘员约束系统(ORS)的组件一起工作。
在事件关联阶段期间,事件相对于时间的速度向量被计算出。然后,每个事件的速度被用作误差函数以生成N个集群。最后,背景被移除。在下一次迭代中,为新事件计算的速度必须与先前的速度对齐,以使移动一致。该算法的输出是以相同速度移动的N组事件的集群。事件被聚类,并且随后被分类。这将在下面的图3中更详细地讨论。
在碰撞检测阶段,使用撞击传感器114和在事件关联阶段中生成的事件集群来检测和验证碰撞。由安装在交通工具104上或交通工具104周围的撞击传感器114检测到的撞击数据(诸如撞击力和方向)被提供给乘员安全性系统控制器110。根据撞击传感器数据(例如,IMU加速度数据),跃度被计算出。加速度的时间导数被计算出,这是滑动模式微分器,其中f(t)表示加速度,z0、z1、z2、…、zn表示微分器的状态(z0与滤波后的加速度相对应,并且对应于跃度信号),并且λ0、λ1、…、λn和L是调谐增益。以下等式组用于计算微分器每个状态的跃度。
…
然后,给定跃度信号的大小,对应的阶段被检测。这在图2中被图示,图2示出了碰撞阶段和随时间的运动数据。
为了验证碰撞,在与轴匹配的事件的背景集群中检测到的速度向量与检测到的碰撞大小相关。验证将触发安全气囊的激活信号。事件的背景集群是指不与交通工具中的乘员相关联的事件。在碰撞中,舱的某些部分将获取关于事件相机的相对速度。撞击检测的冗余减少了假肯定和错误地激活气囊的可能性。
最后一个阶段是ORS致动。乘员安全性系统控制器110可以结合来自图像处理器108的数据使用撞击测量,以控制交通工具104中的一个或多个气囊的激活。当防碰撞机制已被触发并且乘员的速度已被计算时,每个乘员的方向速度用于决定哪些气囊要激活以及如何与每个乘员的速度大小同步地激活气囊。
图3是图示出根据实施例的系统中的控制和数据流的框图。一个或多个事件相机302用于监测舱内的乘客。当像素的照度改变大于阈值量时,事件304被生成。事件304被传送到事件关联电路306,事件关联电路306捕获事件、存储事件并对事件进行聚类。集群308被传送到ORS激活电路320。
一个或多个IMU 312被用于监测加速度。加速度测量314被传送到碰撞检测电路316。加速度测量314用于计算跃度。基于阈值,碰撞通过触发信号318来指示。触发信号被传送到ORS激活电路320。ORS激活电路320与乘员运动的移动同步地致动乘客约束系统。
图4是图示出根据实施例的用于聚类事件的方法400的流程图。如上所述,事件相对于时间的速度向量被计算出(框402)。然后,每个事件的速度被用作误差函数以生成N个集群(框404)。背景被移除(框406)。具体而言,具有表示场景的背景的低相对速度的事件被移除。在下一次迭代中,针对新事件计算速度,并且该速度与先前的速度对齐,以使移动一致(框408)。结果,N组移动事件的集群(每个组以相同速度移动)被确定(框410)。
为了在操作404中生成集群,使用了两类事件分类:1)背景移动分类和2)乘员移动分类。背景相对于事件相机的移动应该是最小的(例如,与照明的最小改变相对应的速度的最小改变)。
图5图示出根据实施例的用于聚类事件的方法500。这里σj是第j个事件像素位置。在502处,每个描述符σj与最近的集群S相关联,其中描述符m为质心。这是使用以下等式执行的。
在504处,基于与每个集群的质心相关联的样本来更新质心。这是使用以下等式执行的。
在506处,如果样本不具有显著改变,则这意味着系统处于稳定状态,并且方法500退出。相反,关联操作502被重复。为了测试样本是否具有显著改变,可以使用以下等式。
使用神经网络对模式进行分类,诸如图6中所图示。输入向量包括固定的集群集合,具有任何二次形状。这里,径向基函数(radial basis function,RBF)神经网络(neuralnetwork,NN)被图示,但应理解,可以使用任何其他类型的网络。
图6中所图示的NN是其中隐藏层中的神经元数量为k的基本体系结构。该体系结构基于隐藏层的径向基函数和最终层的完全连接层。项μ表示超球体(2D高斯)的质心。项w表示输出层的权重,项a表示来自高斯神经元的输出,并且项o是最终层的输出。系统将取决于在误差函数的导数中检测到的根的数量来增加或减少神经元的数量。
总误差E由下式给出:
其中di是期望的预期值,并且oi由下式给出:
并且aij由下式定义:
接着,误差E偏导数是:
因为函数被定义为误差的导数:
接着,导数被表示为:
以及:
其中S是:
以及:
V=[2f′(ujl),-2f(ujl),-f′(ujl),-f(ujl)]
现在比率可被计算为:
这些比率用于图7中所图示的方法中,以找到误差函数的导数的根。所找到的根与由NN解决问题所需的神经元数量成比例。
图8A-图8F图示出神经网络拓扑如何通过减少神经元数量来适配的示例。这些并不旨在显示任何性能的准确性。所显示的情景由2D空间中的特征组成,以用于可视化的目的。对于该任务,随机初始化的神经元的数量被设置得较高,使用初始60个神经元超出了解决该问题所需的数量。
NN被训练以在“圆形”点和“方形”点之间进行分类。白色圆圈表示每个2D RBF神经元分布。如从图8A-图8E中所示的以下曲线序列中所能看出的,基于合并相同的E’根上的神经元,当NN被训练且误差降低时,神经元数量减少。图8F中的最后曲线示出了逐像素对网络的评估,图示出该问题的最终优化资源数量(九个神经元)。
图9A-图9D图示出神经网络拓扑如何通过减少神经元数量来进行适配的另一示例。在该示例中,系统利用60个神经元随机地被初始化,但数据以更非线性的方式分布。在该训练期间,如图9C中所图示,更多数据在运行中被添加。类似地,如先前的示例中所示,将神经元移动到E’的根并最小化误差和解决问题所需的神经元数量来调整权重。
图10是图示出根据实施例的用于控制交通工具安全性机制的部署的方法1000的流程图。
在1002处,从撞击传感器接收加速度数据。在实施例中,加速度数据包括三轴加速度数据。
在1004处,来自事件相机的事件被接收。事件相机被配置成用于监测包括乘员的主交通工具内部的场景。在实施例中,当事件相机的像素的照度改变增加或减少超过阈值量时,来自事件相机的事件被触发。在进一步实施例中,事件包括检测照度改变的像素的地址,以及照度改变的时间戳。
在1006处,事件被聚类以在与场景的背景相关联的事件和与乘员的身体部位相关联的事件之间进行区别。在实施例中,对事件进行聚类包括计算事件相对于时间的速度向量,使用每个事件的速度作为误差函数以生成N个集群,以及移除表示场景的背景的集群。
在另一实施例中,聚类利用神经网络来实现,该神经网络被配置成用于取决于误差函数的导数中检测到的根的数量来增加或减少神经元数量。
在1008处,基于加速度数据来检测碰撞。
在1010处,基于与场景的背景相关联的事件来验证碰撞。在实施例中,基于加速度数据来检测碰撞包括:基于加速度数据来计算跃度;确定该跃度超过阈值;以及响应于确定该跃度超过阈值,确定碰撞存在。在实施例中,基于与场景的背景相关联的事件验证碰撞包括:计算背景的速度;以及确定背景的速度与由加速度数据提供的碰撞的轴和大小相匹配。
在1012处,响应于验证碰撞,使得主交通工具的碰撞安全性机制进行部署。在实施例中,碰撞安全性机制包括安全气囊。在实施例中,致动该安全气囊包括:计算乘员的身体部位的速度;确定乘员的身体部位的速度的大小;以及致动与速度的大小相对应的安全气囊。
各实施例可采用硬件、固件和软件中的一者或其组合实现。各实施例也可被实现为存储在机器可读存储设备上的指令,这些指令可由至少一个处理器读取并执行,以执行本文中所描述的操作。机器可读存储设备可包括用于以可由机器(例如,计算机)读取的形式存储信息的任何非瞬态机制。例如,机器可读存储设备可包括只读存储器(read-onlymemory,ROM)、随机存取存储器(random-access memory,RAM)、磁盘存储介质、光存储介质、闪存设备、以及其他存储设备和介质。
处理器子系统可用于执行机器可读介质上的指令。处理器子系统可以包括一个或多个处理器,每一个处理器具有一个或多个核。另外,处理器子系统可被设置在一个或多个物理设备上。处理器子系统可包括一个或多个专用处理器,诸如图形处理单元(graphicsprocessing unit,GPU)、数字信号处理器(digital signal processor,DSP)、现场可编程门阵列(field programmable gate array,FPGA)或固定功能处理器。
如本文中所描述的示例可包括逻辑或者数个组件、模块或机制,或可在逻辑或者数个组件、模块或机制上进行操作。各模块可以是通信地耦合到一个或多个处理器以实现本文中所描述的操作的硬件、软件或固件。各模块可以是硬件模块,并且由此,模块可被认为是能够执行指定操作的有形实体且可按某种方式来配置或布置。在示例中,能以指定的方式将电路(例如,内部地或者相对于诸如其他电路之类的外部实体)布置为模块。在示例中,一个或多个计算机系统(例如,独立的客户端或服务器计算机系统)或一个或多个硬件处理器的全部或部分可由固件或软件(例如,指令、应用部分、或者应用)配置为操作用于执行指定的操作的模块。在示例中,软件可驻留在机器可读介质上。在示例中,软件在由模块的底层硬件执行时,使得该硬件执行指定的操作。因此,术语硬件模块被理解为涵盖有形实体,该有形实体是被物理地构造、具体地配置(例如,硬连线)、或者临时地(例如,瞬态地)配置(例如,编程)为以指定的方式操作或者执行本文中所描述的任何操作的部分或全部的实体。考虑到其中临时配置模块的示例,这些模块中的每一个不需要在任何一个时刻进行实例化。例如,在模块包括使用软件而配置的通用硬件处理器的情况下,该通用硬件处理器可以在不同时间被配置为相应的不同模块。软件可相应地配置硬件处理器,例如以便在一个时间实例处构造特定的模块,并且在不同的时间实例处构造不同的模块。模块也可以各是软件或固件模块,这些模块操作以执行本文中所描述的方法。
如在本文档中所使用的,电路系统或电路可单独或以任何组合方式包括例如:硬连线电路系统;可编程电路系统,诸如包括一个或多个单独指令处理核的计算机处理器;状态机电路系统;和/或存储由可编程电路系统执行的指令的固件。电路、电路系统或模块可共同或单独地被具体化为形成较大系统的一部分的电路系统,该较大系统例如,集成电路(integrated circuit,IC)、片上系统(system on-chip,SoC)、桌面型电脑、膝上型电脑、平板计算机、服务器、智能电话等。
如本文中任何实施例中所使用的,术语“逻辑”可以指被配置为用于执行前述操作中的任何操作的固件和/或电路系统。固件可被具体化为被硬编码(例如,非易失性)在存储器设备和/或电路系统中的代码、指令或指令集和/或数据。
如在本文中的任何实施例中所使用的,“电路系统”例如可以单独地或以任何组合包括硬连线电路系统、可编程电路系统、状态机电路系统、逻辑和/或存储由可编程电路系统执行的指令的固件。该电路系统可被具体化为集成电路(诸如集成电路芯片)。在一些实施例中,电路系统可以至少部分地由处理器电路系统形成,该处理器电路系统执行与本文描述的功能相对应的代码和/或指令集(例如,软件、固件等),从而将通用处理器转换为专用处理环境以执行本文中所描述的操作中的一个或多个操作。在一些实施例中,处理器电路系统可以被具体化为独立的集成电路,或者可以作为若干组件中的一个组件并入集成电路。在一些实施例中,节点或其他系统的各种组件和电路系统可以组合在片上系统(SoC)体系结构中。
图11是图示根据实施例的以计算机系统1100的示例形式的机器的框图,在该计算机系统1100中,可执行指令的集合或指令序列以使该机器执行本文中所讨论的方法中的任何一种方法。在替代实施例中,该机器作为独立设备进行操作,或可被连接(例如,联网)到其他机器。在联网的部署中,该机器可在服务器-客户端网络环境中作为服务器或客户端机器来进行操作,或者其可在对等(或分布式)网络环境中充当对等机。该机器可以是交通工具子系统、交通工具乘员约束系统、交通工具安全性系统、个人计算机(personalcomputer,PC)、平板PC、混合平板、个人数字助理(personal digital assistant,PDA)、移动电话、或能够执行指定要由该机器采取的动作的指令(顺序地或以其他方式)的任何机器。进一步地,虽然仅图示出单个机器,但是,术语“机器”也应当被认为包括单独地或联合地执行一组(或多组)指令以执行本文中所讨论的方法中的任何一种或多种方法的机器的任何集合。类似地,术语“基于处理器的系统”应当认为包括由处理器(例如,计算机)控制或操作以单独地或联合地执行指令来执行本文中所讨论的方法中的任何一种或多种方法的一个或多个机器的任何集合。
示例计算机系统1100包括至少一个处理器1102(例如,中央处理单元(centralprocessing unit,CPU)、图形处理单元(GPU)或这两者、处理器核心、计算节点等)、主存储器1104和静态存储器1106,这些组件经由链路1108(例如,总线)彼此通信。计算机系统1100可进一步包括视频显示单元1110、字母数字输入设备1112(例如,键盘)和用户界面(userinterface,UI)导航设备1114(例如,鼠标)。在一个实施例中,视频显示单元1110、输入设备1112和UI导航设备1114被并入到触屏显示器中。计算机系统1100可以附加地包括存储设备1116(例如,驱动器单元)、信号生成设备1118(例如,扬声器)、网络接口设备1120以及一个或多个传感器(未示出),该一个或多个传感器诸如全球定位系统(global positioningsystem,GPS)传感器、罗盘、加速度计、陀螺仪、磁力计或其他传感器。
存储设备1116包括机器可读介质1122,其上存储有一组或多组数据结构和指令1124(例如,软件),这些数据结构和指令1124具体化本文中所描述的方法或功能中的任何一者或多者,或者由本文中所描述的方法或功能中的任何一者或多者利用。在由计算机系统1100执行指令1124期间,这些指令1124也可完全地或至少部分地驻留在主存储器1104、静态存储器1106内,和/或驻留在处理器1102内,其中,主存储器1104、静态存储器1106和处理器1102也构成机器可读介质。
虽然机器可读介质1122在示例实施例中被图示为单个介质,但术语“机器可读介质”可包括存储一条或多条指令1124的单个介质或多个介质(例如,集中式或分布式数据库和/或相关联的缓存和服务器)。术语“机器可读介质”也应当被认为包括任何有形介质,该有形介质能够存储、编码或携载供机器执行并且使机器执行本公开的方法中的任何一种或多种方法的指令,或者该有形介质能够存储、编码或携载由此类指令利用或与此类指令相关联的数据结构。“术语机器可读介质”应当相应地被认为包括但不限于固态存储器以及光和磁介质。机器可读介质的特定示例包括非易失性存储器,作为示例,包括但不限于:半导体存储器设备(例如,电可编程只读存储器(electrically programmable read-onlymemory,EPROM)、电可擦除可编程只读存储器(electrically erasable programmableread-only memory,EEPROM)和闪存存储器设备);诸如内部硬盘及可移除盘之类的磁盘;磁光盘;以及CD-ROM和DVD-ROM盘。
可以使用传输介质,经由网络接口设备1120,利用数个公知的传输协议中的任何一种协议(例如,HTTP),进一步在通信网络1126上传送或接收指令1124。通信网络的示例包括:局域网(local area network,LAN)、广域网(wide area network,WAN)、互联网、移动电话网络、普通老式电话(plain old telephone,POTS)网络、以及无线数据网络(例如,蓝牙、Wi-Fi、3G、以及4G LTE/LTE-A、5G、DSRC或WiMAX网络)。术语“传输介质”应当被认为包括能够存储、编码或携带由机器执行的指令的任何无形的介质,并且包括用于促进此类软件的通信的数字或模拟通信信号或者其他无形的介质。
附加注释和示例:
示例1是一种用于控制主交通工具的交通工具安全性机制的部署的系统,包括:传感器阵列接口,该传感器阵列接口用于从撞击传感器接收加速度数据;图像处理器,该图像处理器用于从事件相机接收事件,该事件相机被配置成用于监测包括乘员的主交通工具内部的场景;以及乘员安全性系统控制器,用于:对事件进行聚类以在与场景的背景相关联的事件和与乘员的身体部位相关联的事件之间进行区别;基于加速度数据来检测碰撞;基于与场景的背景相关联的事件来验证碰撞;以及响应于验证碰撞,使主交通工具的碰撞安全性机制进行部署。
在示例2中,包括示例1所述的主题,其中,加速度数据包括三轴加速度数据。
在示例3中,包括示例1-2的主题,其中当事件相机的像素的照度改变增加或减少超过阈值量时,来自事件相机的事件被触发。
在示例4中,包括示例3的主题,其中,事件包括检测照度改变的像素的地址,以及照度改变的时间戳。
在示例5中,包括示例1-4的主题,其中为了对事件进行聚类,乘员安全性系统控制器用于:计算事件相对于时间的速度向量,将每个事件的速度用作误差函数以生成N个集群,以及移除表示场景的背景的集群。
在示例6中,包括示例1-5的主题,其中聚类利用神经网络来执行,该神经网络被配置成用于取决于误差函数的导数中检测到的根的数量来增加或减少神经元数量。
在示例7中,包括示例1-6的主题,其中为了基于加速度数据检测碰撞,乘员安全性系统控制器用于:基于加速度数据计算跃度;确定跃度超过阈值;以及响应于确定跃度超过阈值,确定碰撞存在。
在示例8中,包括示例1-7的主题,其中为了基于与场景的背景相关联的事件来验证碰撞,乘员安全性系统控制器用于:计算背景的速度;以及确定背景的速度与由加速度数据提供的碰撞的轴和大小相匹配。
在示例9中,包括示例1-8的主题,其中为了使主交通工具的碰撞安全性机制进行部署,安全性系统控制器用于致动安全气囊。
在示例10中,包括示例9的主题,其中为了致动安全气囊,乘员安全性系统控制器用于:计算乘员的身体部位的速度;确定乘员的身体部位的速度的大小;以及致动与速度的大小相对应的安全气囊。
示例11是一种用于控制主交通工具的交通工具安全性机制部署的方法,包括:从撞击传感器接收加速度数据;从事件相机接收事件,该事件相机被配置成用于监测包括乘员的主交通工具内部的场景;对事件进行聚类以在与场景的背景相关联的事件和与乘员的身体部位相关联的事件之间进行区别;基于加速度数据来检测碰撞;基于与场景的背景相关联的事件来验证碰撞;以及响应于验证碰撞,使主交通工具的碰撞安全性机制进行部署。
在示例12中,包括示例11所述的主题,其中,加速度数据包括三轴加速度数据。
在示例13中,包括示例11-12的主题,其中当事件相机的像素的照度改变增加或减少超过阈值量时,来自事件相机的事件被触发。
在示例14中,包括示例13的主题,其中,事件包括检测照度改变的像素的地址,以及照度改变的时间戳。
在示例15中,包括示例11-14的主题,其中对事件进行聚类包括:计算事件相对于时间的速度向量,将每个事件的速度用作误差函数以生成N个集群,以及移除表示场景的背景的集群。
在示例16中,包括示例11-15的主题,其中聚类利用神经网络来执行,该神经网络被配置成用于取决于误差函数的导数中检测到的根的数量来增加或减少神经元数量。
在示例17中,包括示例11-16的主题,其中基于加速度数据检测碰撞包括:基于加速度数据计算跃度;确定跃度超过阈值;以及响应于确定跃度超过阈值,确定碰撞存在。
在示例18中,包括示例11-17的主题,其中基于与场景的背景相关联的事件验证碰撞包括:计算背景的速度;以及确定背景的速度与由加速度数据提供的碰撞的轴和大小相匹配。
在示例19中,包括示例11-18的主题,其中使主交通工具的碰撞安全性机制进行部署包括致动安全气囊。
在示例20中,包括示例19的主题,其中致动安全气囊包括:计算乘员的身体部位的速度;确定乘员的身体部位的速度的大小;以及致动与速度的大小相对应的安全气囊。
示例21是至少一种包括指令的机器可读介质,这些指令在由机器执行时使得机器执行示例11-20的方法中的任一项的操作。
示例22是一种包括用于执行示例11-20的方法中的任一项的装置的设备。
示例23是至少一种机器可读介质,包括用于控制主交通工具的交通工具安全性机制的部署的指令,当由机器执行时,该指令使机器执行操作,包括:从撞击传感器接收加速度数据;从事件相机接收事件,该事件相机被配置成用于监测包括乘员的主交通工具内部的场景;对事件进行聚类以在与场景的背景相关联的事件和与乘员的身体部位相关联的事件之间进行区别;基于加速度数据来检测碰撞;基于与场景的背景相关联的事件来验证碰撞;以及响应于验证碰撞,使主交通工具的碰撞安全性机制进行部署。
在示例24中,包括示例23所述的主题,其中,加速度数据包括三轴加速度数据。
在示例25中,包括示例23-24的主题,其中当事件相机的像素的照度改变增加或减少超过阈值量时,来自事件相机的事件被触发。
在示例26中,包括示例25的主题,其中,事件包括检测照度改变的像素的地址,以及照度改变的时间戳。
在示例27中,包括示例23-26的主题,其中用于对事件进行聚类的指令包括用于以下操作的指令:计算事件相对于时间的速度向量,将每个事件的速度用作误差函数以生成N个集群,以及移除表示场景的背景的集群。
在示例28中,包括示例23-27的主题,其中聚类利用神经网络来执行,该神经网络被配置成用于取决于误差函数的导数中检测到的根的数量来增加或减少神经元数量。
在示例29中,包括示例23-28的主题,其中用于基于加速度数据检测碰撞的指令包括用于以下操作的指令:基于加速度数据计算跃度;确定跃度超过阈值;以及响应于确定跃度超过阈值,确定碰撞存在。
在示例30中,包括示例23-29的主题,其中用于基于与场景的背景相关联的事件验证碰撞的指令包括用于以下操作的指令:计算背景的速度;以及确定背景的速度与由加速度数据提供的碰撞的轴和大小相匹配。
在示例31中,包括示例23-30的主题,其中用于使主交通工具的碰撞安全性机制进行部署的指令包括用于致动安全气囊的指令。
在示例32中,包括示例31-26的主题,其中用于致动安全气囊的指令包括用于以下操作的指令:计算乘员的身体部位的速度;确定乘员的身体部位的速度的大小;以及致动与速度的大小相对应的安全气囊。
示例33是至少一种机器可读介质,包括指令,该指令当由处理电路系统执行时,使得该处理电路系统执行操作以实现示例1-32中的任一项。
示例34是一种设备,包括用于实现示例1-32中的任一项的装置。
示例35是一种用于实现示例1-32中的任一项的系统。
示例36是一种用于实现示例1-32中的任一项的方法。
以上具体实施方式包括对附图的引用,附图形成具体实施方式的部分。附图通过图示方式示出可被实施的具体实施例。这些实施例在本文中也被称为“示例”。此类示例可包括除所示出或所描述的那些要素以外的要素。然而,还构想了包括所示出或所描述的要素的示例。而且,还构想了使用所示出或所描述的那些要素(或其一个或多个方面)的任何组合或排列的示例,或参照本文中所示出或所描述的特定示例(或其一个或多个方面),或参考本文中所示出或所描述的其他示例(或其一个或多个方面)。
在此文档中引用的出版物、专利和专利文档通过引用被整体结合在本文中,就好像通过引用单独地被结合那样。在本文档与通过引用结合的那些文档之间不一致的用法的情况下,所结合的(多个)引用文档中的用法是对此文档的用法的补充;对于不可调和的不一致性,此文档中的用法占主导。
在此文档中,如在专利文档中常见的那样,使用术语“一(a或an)”以包括一个或多于一个,这独立于“至少一个”或“一个或多个”的任何其他实例或用法。在此文档中,除非另外指示,否则使用术语“或”来指非排他性的或,使得“A或B”包括“A但非B”、“B但非A”、以及“A和B。”在所附权利要求书中,术语“包括(including)”和“其中(in which)”被用作相应的术语“包含(comprising)”和“其特征在于(wherein)”的普通英语等价词。此外,在所附权利要求书中,术语“包括(including)”和“包含(comprising)”是开放式的,也就是说,在权利要求中包括除此类术语之后列举的那些要素之外的要素的系统、设备、制品或过程仍被视为落在那项权利要求的范围内。此外,在所附权利要求中,术语“第一”、“第二”、以及“第三”等仅用作标记,并且不旨在表明它们的对象的数值顺序。
以上描述旨在是说明性而非限制性的。例如,可结合其他示例来使用以上所描述的示例(或者其一个或多个方面)。诸如可由本领域普通技术人员在仔细阅读以上描述之后使用其他实施例。摘要允许读者快速地确定本技术公开的性质。提交该摘要,并且理解该摘要将不用于解释或限制权利要求书的范围或含义。而且,在以上具体实施方式中,各种特征可编组在一起以使本公开精简。然而,权利要求可以不陈述本文中所公开的每一特征,因为实施例可以表征所述特征的子集。进一步地,实施例可包括比特定示例中所公开的那些特征更少的特征。因此,所附权利要求书由此被并入具体实施方式中,其中一项权利要求独立成为单独实施例。本文中所公开的实施例的范围应当参照所附权利要求书连同此类权利要求所赋予权利的等价方案的完整范围来确定。
Claims (22)
1.一种用于控制主交通工具的交通工具安全性机制的部署的系统,包括:
传感器阵列接口,所述传感器阵列接口用于从撞击传感器接收加速度数据;
图像处理器,所述图像处理器用于从事件相机接收事件,所述事件相机被配置成用于监测包括乘员的所述主交通工具内部的场景;以及
乘员安全性系统控制器,用于:
对所述事件进行聚类以在与所述场景的背景相关联的事件和与所述乘员的身体部位相关联的事件之间进行区别;
基于所述加速度数据来检测碰撞;
基于与所述场景的所述背景相关联的所述事件来验证所述碰撞;以及
响应于验证所述碰撞,使所述主交通工具的碰撞安全性机制进行部署。
2.如权利要求1所述的系统,其特征在于,所述加速度数据包括三轴加速度数据。
3.如权利要求1或2所述的系统,其特征在于,当所述事件相机的像素的照度改变增加或减少超过阈值量时,来自所述事件相机的事件被触发。
4.如权利要求3所述的系统,其特征在于,所述事件包括检测所述照度改变的像素的地址,以及所述照度改变的时间戳。
5.如权利要求1所述的系统,其特征在于,为了对所述事件进行聚类,所述乘员安全性系统控制器用于:
计算所述事件相对于时间的速度向量;
将每个事件的所述速度用作误差函数以生成N个集群;以及
移除表示所述场景的所述背景的集群。
6.如权利要求1或2或5所述的系统,其特征在于,所述聚类利用神经网络来执行,所述神经网络被配置成用于取决于误差函数的导数中检测到的根的数量来增加或减少使用的神经元的数量。
7.如权利要求1或2或5所述的系统,其特征在于,为了基于所述加速度数据检测碰撞,所述乘员安全性系统控制器用于:
基于所述加速度数据计算跃度;
确定所述跃度超过阈值;以及
响应于确定所述跃度超过所述阈值,确定所述碰撞存在。
8.如权利要求1或2或5所述的系统,其特征在于,为了基于与所述场景的所述背景相关联的所述事件来验证所述碰撞,所述乘员安全性系统控制器用于:
计算所述背景的速度;以及
确定所述背景的所述速度与由所述加速度数据提供的所述碰撞的轴和大小相匹配。
9.如权利要求1或2或5所述的系统,其特征在于,为了使所述主交通工具的碰撞安全机制进行部署,所述安全性系统控制器用于致动安全气囊。
10.如权利要求9所述的系统,其特征在于,为了致动所述安全气囊,所述乘员安全性系统控制器用于:
计算所述乘员的身体部位的速度;
确定所述乘员的所述身体部位的所述速度的大小;以及
致动与所述速度的所述大小相对应的安全气囊。
11.一种用于控制主交通工具的交通工具安全性机制部署的方法,包括:
从撞击传感器接收加速度数据;
从事件相机接收事件,所述事件相机被配置成用于监测包括乘员的所述主交通工具内部的场景;
对所述事件进行聚类,以在与所述场景的背景相关联的事件和与所述乘员的身体部位相关联的事件之间进行区别;
基于所述加速度数据来检测碰撞;
基于与所述场景的所述背景相关联的所述事件来验证碰撞;以及
响应于验证所述碰撞,使所述主交通工具的碰撞安全性机制进行部署。
12.如权利要求11所述的方法,其特征在于,所述加速度数据包括三轴加速度数据。
13.如权利要求11或12所述的方法,其特征在于,当所述事件相机的像素的照度改变增加或减少超过阈值量时,来自所述事件相机的事件被触发。
14.如权利要求13所述的方法,其特征在于,所述事件包括检测所述照度改变的像素的地址,以及所述照度改变的时间戳。
15.如权利要求11所述的方法,其特征在于,对所述事件进行聚类包括:
计算所述事件相对于时间的速度向量;
将每个事件的所述速度用作误差函数以生成N个集群;以及
移除表示所述场景的所述背景的集群。
16.如权利要求11或12或15所述的方法,其特征在于,所述聚类利用神经网络来执行,所述神经网络被配置成用于取决于误差函数的导数中检测到的根的数量来增加或减少使用的神经元的数量。
17.如权利要求11或12或15所述的方法,其特征在于,基于所述加速度数据检测碰撞包括:
基于所述加速度数据计算跃度;
确定所述跃度超过阈值;以及
响应于确定所述跃度超过所述阈值,确定所述碰撞存在。
18.如权利要求11或12或15所述的方法,其特征在于,基于与所述场景的所述背景相关联的所述事件验证所述碰撞包括:
计算所述背景的速度;以及
确定所述背景的所述速度与由所述加速度数据提供的所述碰撞的轴和大小相匹配。
19.如权利要求11或12或15所述的方法,其特征在于,使所述主交通工具的碰撞安全性机制进行部署包括致动安全气囊。
20.如权利要求19所述的方法,其特征在于,致动所述安全气囊包括:
计算所述乘员的身体部位的速度;
确定所述乘员的所述身体部位的所述速度的大小;以及
致动与所述速度的所述大小相对应的安全气囊。
21.至少一种机器可读介质,包括用于控制主交通工具的交通工具安全机制的部署的指令,当由机器执行时,所述指令使所述机器执行操作,包括:
从撞击传感器接收加速度数据;
从事件相机接收事件,所述事件相机被配置成用于监测包括乘员的所述主交通工具内部的场景;对所述事件进行聚类,以在与所述场景的背景相关联的事件和与所述乘员的身体部位相关联的事件之间进行区别;
基于所述加速度数据来检测碰撞;
基于与所述场景的所述背景相关联的所述事件来验证碰撞;以及
响应于验证所述碰撞,使所述主交通工具的碰撞安全性机制进行部署。
22.一种用于控制主交通工具的交通工具安全性机制的部署的系统,包括:
用于从撞击传感器接收加速度数据的装置;
用于从事件相机接收事件的装置,所述事件相机被配置成用于监测包括乘员的所述主交通工具内部的场景;
用于对所述事件进行聚类以在与所述场景的背景相关联的事件和与所述乘员的身体部位相关联的事件之间进行区别的装置;
用于基于所述加速度数据来检测碰撞的装置;
用于基于与所述场景的所述背景相关联的所述事件来验证碰撞的装置;以及
用于响应于验证所述碰撞,使所述主交通工具的碰撞安全性机制进行部署的装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/482,842 US20220009439A1 (en) | 2021-09-23 | 2021-09-23 | Enhanced occupant collision safety system |
US17/482,842 | 2021-09-23 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115891895A true CN115891895A (zh) | 2023-04-04 |
Family
ID=79172203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211024392.6A Pending CN115891895A (zh) | 2021-09-23 | 2022-08-24 | 增强的乘员碰撞安全性系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220009439A1 (zh) |
CN (1) | CN115891895A (zh) |
DE (1) | DE102022121324A1 (zh) |
-
2021
- 2021-09-23 US US17/482,842 patent/US20220009439A1/en active Pending
-
2022
- 2022-08-23 DE DE102022121324.2A patent/DE102022121324A1/de active Pending
- 2022-08-24 CN CN202211024392.6A patent/CN115891895A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102022121324A1 (de) | 2023-03-23 |
US20220009439A1 (en) | 2022-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111469802B (zh) | 座椅安全带状态确定系统和方法 | |
US11485284B2 (en) | System and method for driver distraction determination | |
US8379924B2 (en) | Real time environment model generation system | |
US20200211395A1 (en) | Method and Device for Operating a Driver Assistance System, and Driver Assistance System and Motor Vehicle | |
US7447592B2 (en) | Path estimation and confidence level determination system for a vehicle | |
WO2019180033A1 (en) | Fast detection of secondary objects that may intersect the trajectory of a moving primary object | |
US11042999B2 (en) | Advanced driver assist systems and methods of detecting objects in the same | |
CN104276121B (zh) | 控制车辆安全参数的系统、车辆和控制安全参数的方法 | |
WO2014192137A1 (ja) | 移動軌跡予測装置及び移動軌跡予測方法 | |
US20050271254A1 (en) | Adaptive template object classification system with a template generator | |
JP2018512334A (ja) | 車内カメラによる乗員の寸法及び姿勢の検出 | |
CN104709215B (zh) | 安全系统和用于操作车辆的安全系统的方法 | |
US10614320B2 (en) | System and method for advanced highway lane detection | |
US20190344739A1 (en) | Method and parameter module for identifying the type and/or the severity of a collision of a vehicle with a collision object | |
EP2212160A1 (en) | A system for classifying objects in the vicinity of a vehicle | |
JP2015505759A (ja) | 車両の迫っている横転を検知するための方法 | |
US11361574B2 (en) | System and method for monitoring for driver presence and position using a driver facing camera | |
US11460856B2 (en) | System and method for tactical behavior recognition | |
CN113165646A (zh) | 用于检测车辆周围的风险因素的电子设备及其控制方法 | |
US7636625B2 (en) | Device for classifying at least one object with the aid of an environmental sensor system | |
JP4982353B2 (ja) | 外界認識装置 | |
JP5511987B2 (ja) | 車両用物体衝突警報システムおよび車両用物体衝突警報方法 | |
JP2022550762A (ja) | 衝突認識手段を用いた動力車両の周辺領域内にある離れたターゲット車両を追跡するための方法 | |
US20220009439A1 (en) | Enhanced occupant collision safety system | |
Saeed et al. | A novel extension for e-Safety initiative based on developed fusion of biometric traits |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |