CN116304942A - 基于神经网络的自动驾驶车辆异常管理方法和系统 - Google Patents
基于神经网络的自动驾驶车辆异常管理方法和系统 Download PDFInfo
- Publication number
- CN116304942A CN116304942A CN202310227817.1A CN202310227817A CN116304942A CN 116304942 A CN116304942 A CN 116304942A CN 202310227817 A CN202310227817 A CN 202310227817A CN 116304942 A CN116304942 A CN 116304942A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- layer
- input
- vehicle
- 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
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于神经网络的自动驾驶车辆异常管理方法和系统，包括：数据收集与预处理步骤：收集自动驾驶车辆在行驶过程中实时产生的数据，给每个数据赋予正常或异常标签值，然后将这些数据制作成csv文件作为异常检测输入的原始数据；异常检测步骤：采用神经网络训练异常检测模型来检测车辆行驶过程中是否有异常；数据上传步骤：连接服务端或云端，接收异常检测模型的输出值，将检测到的异常数据上传，后台管理人员实时观察异常信息并对车辆下发相关指令。本发明利用机器学习与深度学习算法实现了自动驾驶领域的车辆行驶过程中的异常数据捕获并上报，提醒后台管理人员及时处理，降低了风险发生的概率。
Description
技术领域
本发明涉及车辆异常管理技术领域，具体地，涉及一种基于神经网络的自动驾驶车辆异常管理方法和系统。
背景技术
随着车载传感器技术、激光雷达技术和人工智能技术的飞速发展，自动驾驶技术成为当前全球交通出行、物流配送等领域智能化和网联化发展的主要研究方向。自动驾驶可以极大地节省人力成本，降低事故发生率，方便人们出行。但是，当下也存在一些问题，比如自动驾驶产品是否能落地并用于商业化，产品是否安全可靠，故障感知机制是否完善，直接关系到产品的稳定性。因此，建立一套可靠的故障监控体系显得至关重要。
专利文献CN114821535A(申请号：CN202210515670.1)公开了一种自动驾驶训练防攻击方法，包括：基于标注内容建立检测模型和图片标签；提取图片特征计算图片的危险指数，所述提取图片特征计算图片的危险指数，具体包括：统计行人和车辆数目，识别图片中车辆所处的路面类型，计算图片的危险指数；判断处理上述图片的所有标注人是否有异常标注行为；统计标注人异常行为的类型及次数判断攻击类型；生成标注人账号可信度，剔除低可信度账号，所述生成标注人账号可信度，剔除低可信度账号，具体包括：计算标注人账号可信度，根据可信度对账号进行处理；根据标注人账号的详细度及可信度计算该账号的信用评分；基于账号信用评分为账号分配标注任务。
现有技术的方案为：异常收集模块统计各个子系统的故障信息进行集中判断，并发送给故障处理模块，故障处理模块进行故障等级分类。现有技术的系统设计较为复杂，传输速度慢。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于神经网络的自动驾驶车辆异常管理方法和系统。
第一方面，本发明提供了一种基于神经网络的自动驾驶车辆异常管理方法，包括：
数据收集与预处理步骤：收集自动驾驶车辆在行驶过程中实时产生的数据，给每个数据赋予正常或异常标签值，然后将这些数据制作成csv文件作为异常检测输入的原始数据；
异常检测步骤：采用神经网络训练异常检测模型来检测车辆行驶过程中是否有异常；
数据上传步骤：连接服务端或云端，接收异常检测模型的输出值，将检测到的异常数据上传，后台管理人员实时观察异常信息并对车辆下发相关指令。
优选地，所述神经网络训练异常检测模型的网络结构包括输入层、隐藏层和输出层；
输入层为数据收集与预处理步骤得到的csv文件，其中，每一行为一个样本，每一列为单个样本的每个特征，每个特征有标签值为正常或者异常；
输入层的每个神经元是输入的原始数据的不同特征，输入矩阵为n*18，第一维的数字表示每次训练输入的数据量，第二维数字是每一个输入的特征数量；
隐藏层中包括多层神经元，每一层神经元表示对原始数据进行一次更新的数据，每一层和下一层之间存在一个全连接，用全连接矩阵来表示，每一层运算完之后需要经过一个激活函数处理然后传入到下一层；
输出层负责输出最终结果，输出层输出的是一个1*18的矩阵，矩阵中的每一列由0、1组成，分别表示每个特征的标签值，其中0表示正常，1表示异常，最终根据1的分布得出车辆的异常状态。
优选地，所述激活函数采用softmax激活函数，其公式为：
其中，zi为第i个节点的输出值；C为分类的类别个数；i、c分别为节点和类别的序列号；通过Softmax函数将多分类的输出值转换为范围在[0,1]，总和为1的概率分布。
优选地，在神经网络训练异常检测模型搭建过程中，对于每个特征使用svm算法训练一个二分类器，然后使用boosting算法将这些分类器组合。
优选地，在神经网络训练异常检测模型搭建过程中，随机组合一些特征训练一个多分类器，然后使用集成算法组合为一个新的分类器。
第二方面，本发明提供的一种基于神经网络的自动驾驶车辆异常管理系统，包括：
数据收集与预处理模块：收集自动驾驶车辆在行驶过程中实时产生的数据，给每个数据赋予正常或异常标签值，然后将这些数据制作成csv文件作为异常检测输入的原始数据；
异常检测模块：采用神经网络训练异常检测模型来检测车辆行驶过程中是否有异常；
数据上传模块：连接服务端或云端，接收异常检测模型的输出值，将检测到的异常数据上传，后台管理人员实时观察异常信息并对车辆下发相关指令。
优选地，所述神经网络训练异常检测模型的网络结构包括输入层、隐藏层和输出层；
输入层为数据收集与预处理模块得到的csv文件，其中，每一行为一个样本，每一列为单个样本的每个特征，每个特征有标签值为正常或者异常；
输入层的每个神经元是输入的原始数据的不同特征，输入矩阵为n*18，第一维的数字表示每次训练输入的数据量，第二维数字是每一个输入的特征数量；
隐藏层中包括多层神经元，每一层神经元表示对原始数据进行一次更新的数据，每一层和下一层之间存在一个全连接，用全连接矩阵来表示，每一层运算完之后需要经过一个激活函数处理然后传入到下一层；
输出层负责输出最终结果，输出层输出的是一个1*18的矩阵，矩阵中的每一列由0、1组成，分别表示每个特征的标签值，其中0表示正常，1表示异常，最终根据1的分布得出车辆的异常状态。
优选地，所述激活函数采用softmax激活函数，其公式为：
其中，zi为第i个节点的输出值；C为分类的类别个数；i、c分别为节点和类别的序列号；通过Softmax函数将多分类的输出值转换为范围在[0,1]，总和为1的概率分布。
优选地，在神经网络训练异常检测模型搭建过程中，对于每个特征使用svm算法训练一个二分类器，然后使用boosting算法将这些分类器组合。
优选地，在神经网络训练异常检测模型搭建过程中，随机组合一些特征训练一个多分类器，然后使用集成算法组合为一个新的分类器。
与现有技术相比，本发明具有如下的有益效果：
(1)本发明实现了车辆在自动驾驶过程中搭建一套完善的故障检测系统，包括数据采集与预处理模块、故障检测模块，数据上报模块，通过检测自动驾驶过程中的异常数据，形成一套完善的、自动化的异常监控系统，提高了异常处理效率；
(2)本发明利用机器学习与深度学习算法实现了自动驾驶领域的车辆行驶过程中的异常数据捕获并上报，提醒后台管理人员及时处理，降低了风险发生的概率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为自动驾驶异常监测系统的流程图；
图2为神经网络训练异常检测模型的网络结构图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1：
本发明提供了一种基于神经网络的自动驾驶车辆异常管理方法，如图1所示，包括：
数据收集与预处理步骤：收集自动驾驶车辆在行驶过程中实时产生的数据，给每个数据赋予正常或异常标签值，然后将这些数据制作成csv文件作为异常检测输入的原始数据；
异常检测步骤：采用神经网络训练异常检测模型来检测车辆行驶过程中是否有异常；
数据上传步骤：连接服务端或云端，接收异常检测模型的输出值，将检测到的异常数据上传，后台管理人员实时观察异常信息并对车辆下发相关指令。
所述神经网络训练异常检测模型的网络结构包括输入层、隐藏层和输出层；
输入层为数据收集与预处理步骤得到的csv文件，其中，每一行为一个样本，每一列为单个样本的每个特征，每个特征有标签值为正常或者异常；
输入层的每个神经元是输入的原始数据的不同特征，输入矩阵为n*18，第一维的数字表示每次训练输入的数据量，第二维数字是每一个输入的特征数量；
隐藏层中包括多层神经元，每一层神经元表示对原始数据进行一次更新的数据，每一层和下一层之间存在一个全连接，用全连接矩阵来表示，每一层运算完之后需要经过一个激活函数处理然后传入到下一层；
输出层负责输出最终结果，输出层输出的是一个1*18的矩阵，矩阵中的每一列由0、1组成，分别表示每个特征的标签值，其中0表示正常，1表示异常，最终根据1的分布得出车辆的异常状态。
所述激活函数采用softmax激活函数，其公式为：
其中，zi为第i个节点的输出值；C为分类的类别个数；i、c分别为节点和类别的序列号；通过Softmax函数将多分类的输出值转换为范围在[0,1]，总和为1的概率分布。
在神经网络训练异常检测模型搭建过程中，对于每个特征使用svm算法训练一个二分类器，然后使用boosting算法将这些分类器组合。
在神经网络训练异常检测模型搭建过程中，随机组合一些特征训练一个多分类器，然后使用集成算法组合为一个新的分类器。
实施例2：
本发明还提供一种基于神经网络的自动驾驶车辆异常管理系统，所述基于神经网络的自动驾驶车辆异常管理系统可以通过执行所述基于神经网络的自动驾驶车辆异常管理方法的流程步骤予以实现，即本领域技术人员可以将所述基于神经网络的自动驾驶车辆异常管理方法理解为所述基于神经网络的自动驾驶车辆异常管理系统的优选实施方式。
基于神经网络的自动驾驶车辆异常管理系统包括如下模块：
(1)数据收集与预处理模块
该模块主要收集自动驾驶车辆在行驶过程中实时产生的数据，这些数据包括电机转速、电机功率，控制器温度、电机温度、档位状态、油门踏板状态，电机母线电压、输出电流、电压、散热器温度、网络状态，转向灯状态、电池电量、电池电压，电池温度、水箱水位，电流传感器、温度传感器。将这些数据当成一个样本，每个数据是该样本的一个特征，再给每个数据赋予正常或异常两种标签值，然后将这些数据制作成csv文件作为异常检测模块输入的原始数据。
(2)故障检测模块
该模块是该系统最重要的部分，主要用来检测车辆行驶过程中是否有异常。本系统中采用神经网络训练异常检测模型，其中，神经网络结构如图2。
神经网络基本结构为：输入层(input layer)、隐藏层(hidden layer)、输出层(output layer)。本发明中的输入层为数据收集与预处理模块生成的csv文件。其中，每一行为一个样本，每一列为单个样本的每个特征，每个特征有标签值为正常或者异常。输入层的每个神经元是输入的原始数据x的不同特征，本专利中的输入矩阵为n*18(第一维的数字表示一个batch，即每次训练输入的数据量，第二维数字是每一个输入有多少特征)。
隐藏层中的每一层神经元表示对x进行一次更新的数据，每一层和下一层之间存在一个全连接，用全连接矩阵(权重矩阵W)来表示。W的维数主要依赖上一层的输入和下一层的输出。每一层运算完之后需要经过一个激活函数处理后传入到下一层，常见的激活函数有relu、sigmod、tanh，softmax等。本发明采用的是softmax激活函数，其公式为：
其中，zi为第i个节点的输出值，C为输出节点的个数，即分类的类别个数。通过Softmax函数就可以将多分类的输出值转换为范围在[0,1]和为1的概率分布。
输出层负责输出最终结果，本发明中，输出层输出的是一个1*18的矩阵，矩阵中的每一列由0、1组成，分别表示每个特征的标签值，其中0表示正常，1表示异常，最终根据1的分布得出车辆的异常状态。
(3)数据上传模块
数据上传模块连接了服务端或云端，接收故障检测模型的输出值，将检测到的异常数据上传，后台管理人员可实时观察异常信息，并对车辆下发相关的指令，避免危险驾驶，降低安全事故的发生。
异常监测模型的搭建可使用其他方案来替代，比如：
(1)可以对于每个特征使用svm算法训练一个二分类器，然后使用boosting算法将这些分类器组合；
(2)可以随机组合一些特征训练一个多分类器，然后使用集成算法组合为一个新的分类器。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于神经网络的自动驾驶车辆异常管理方法，其特征在于，包括：
数据收集与预处理步骤：收集自动驾驶车辆在行驶过程中实时产生的数据，给每个数据赋予正常或异常标签值，然后将这些数据制作成csv文件作为异常检测输入的原始数据；
异常检测步骤：采用神经网络训练异常检测模型来检测车辆行驶过程中是否有异常；
数据上传步骤：连接服务端或云端，接收异常检测模型的输出值，将检测到的异常数据上传，后台管理人员实时观察异常信息并对车辆下发相关指令。
2.根据权利要求1所述的基于神经网络的自动驾驶车辆异常管理方法，其特征在于，所述神经网络训练异常检测模型的网络结构包括输入层、隐藏层和输出层；
输入层为数据收集与预处理步骤得到的csv文件，其中，每一行为一个样本，每一列为单个样本的每个特征，每个特征有标签值为正常或者异常；
输入层的每个神经元是输入的原始数据的不同特征，输入矩阵为n*18，第一维的数字表示每次训练输入的数据量，第二维数字是每一个输入的特征数量；
隐藏层中包括多层神经元，每一层神经元表示对原始数据进行一次更新的数据，每一层和下一层之间存在一个全连接，用全连接矩阵来表示，每一层运算完之后需要经过一个激活函数处理然后传入到下一层；
输出层负责输出最终结果，输出层输出的是一个1*18的矩阵，矩阵中的每一列由0、1组成，分别表示每个特征的标签值，其中0表示正常，1表示异常，最终根据1的分布得出车辆的异常状态。
3.根据权利要求1所述的基于神经网络的自动驾驶车辆异常管理方法，其特征在于，所述激活函数采用softmax激活函数，其公式为：
其中，zi为第i个节点的输出值；C为分类的类别个数；i、c分别为节点和类别的序列号；通过Softmax函数将多分类的输出值转换为范围在[0,1]，总和为1的概率分布。
4.根据权利要求1所述的基于神经网络的自动驾驶车辆异常管理方法，其特征在于，在神经网络训练异常检测模型搭建过程中，对于每个特征使用svm算法训练一个二分类器，然后使用boosting算法将这些分类器组合。
5.根据权利要求1所述的基于神经网络的自动驾驶车辆异常管理方法，其特征在于，在神经网络训练异常检测模型搭建过程中，随机组合一些特征训练一个多分类器，然后使用集成算法组合为一个新的分类器。
6.一种基于神经网络的自动驾驶车辆异常管理系统，其特征在于，包括：
数据收集与预处理模块：收集自动驾驶车辆在行驶过程中实时产生的数据，给每个数据赋予正常或异常标签值，然后将这些数据制作成csv文件作为异常检测输入的原始数据；
异常检测模块：采用神经网络训练异常检测模型来检测车辆行驶过程中是否有异常；
数据上传模块：连接服务端或云端，接收异常检测模型的输出值，将检测到的异常数据上传，后台管理人员实时观察异常信息并对车辆下发相关指令。
7.根据权利要求6所述的基于神经网络的自动驾驶车辆异常管理系统，其特征在于，所述神经网络训练异常检测模型的网络结构包括输入层、隐藏层和输出层；
输入层为数据收集与预处理模块得到的csv文件，其中，每一行为一个样本，每一列为单个样本的每个特征，每个特征有标签值为正常或者异常；
输入层的每个神经元是输入的原始数据的不同特征，输入矩阵为n*18，第一维的数字表示每次训练输入的数据量，第二维数字是每一个输入的特征数量；
隐藏层中包括多层神经元，每一层神经元表示对原始数据进行一次更新的数据，每一层和下一层之间存在一个全连接，用全连接矩阵来表示，每一层运算完之后需要经过一个激活函数处理然后传入到下一层；
输出层负责输出最终结果，输出层输出的是一个1*18的矩阵，矩阵中的每一列由0、1组成，分别表示每个特征的标签值，其中0表示正常，1表示异常，最终根据1的分布得出车辆的异常状态。
8.根据权利要求6所述的基于神经网络的自动驾驶车辆异常管理系统，其特征在于，所述激活函数采用softmax激活函数，其公式为：
其中，zi为第i个节点的输出值；C为分类的类别个数；i、c分别为节点和类别的序列号；通过Softmax函数将多分类的输出值转换为范围在[0,1]，总和为1的概率分布。
9.根据权利要求6所述的基于神经网络的自动驾驶车辆异常管理系统，其特征在于，在神经网络训练异常检测模型搭建过程中，对于每个特征使用svm算法训练一个二分类器，然后使用boosting算法将这些分类器组合。
10.根据权利要求6所述的基于神经网络的自动驾驶车辆异常管理系统，其特征在于，在神经网络训练异常检测模型搭建过程中，随机组合一些特征训练一个多分类器，然后使用集成算法组合为一个新的分类器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310227817.1A CN116304942A (zh) | 2023-03-06 | 2023-03-06 | 基于神经网络的自动驾驶车辆异常管理方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310227817.1A CN116304942A (zh) | 2023-03-06 | 2023-03-06 | 基于神经网络的自动驾驶车辆异常管理方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116304942A true CN116304942A (zh) | 2023-06-23 |
Family
ID=86830072
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310227817.1A Pending CN116304942A (zh) | 2023-03-06 | 2023-03-06 | 基于神经网络的自动驾驶车辆异常管理方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116304942A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117031421A (zh) * | 2023-08-14 | 2023-11-10 | 广州桐富科技发展有限公司 | 雷达信号模拟系统的异常分析方法及系统 |
-
2023
- 2023-03-06 CN CN202310227817.1A patent/CN116304942A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117031421A (zh) * | 2023-08-14 | 2023-11-10 | 广州桐富科技发展有限公司 | 雷达信号模拟系统的异常分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shen et al. | Timeseries anomaly detection using temporal hierarchical one-class network | |
| CN107886073B (zh) | 一种基于卷积神经网络的细粒度车辆多属性识别方法 | |
| CN110231156B (zh) | 基于时序特征的服务机器人运动系统故障诊断方法及装置 | |
| CN109947898B (zh) | 基于智能化的装备故障测试方法 | |
| CN113824684B (zh) | 一种基于迁移学习的车载网络入侵检测方法及系统 | |
| CN116304942A (zh) | 基于神经网络的自动驾驶车辆异常管理方法和系统 | |
| CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
| CN113419519B (zh) | 基于宽度学习的机电产品系统或设备实时故障诊断方法 | |
| CN114856941A (zh) | 海上风电场及机组故障诊断运维系统及其诊断运维方法 | |
| CN112987687B (zh) | 一种云-端融合的智能线控底盘健康监测系统及方法 | |
| CN114118251A (zh) | 基于多源数据融合与卷积孪生神经网络的故障诊断与预警方法 | |
| CN112560997A (zh) | 故障识别模型训练方法、故障识别方法及相关装置 | |
| CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
| Virojboonkiate et al. | Driver identification using histogram and neural network from acceleration data | |
| CN111907523A (zh) | 一种基于模糊推理的车辆跟驰寻优控制方法 | |
| Cui et al. | Intelligent health management of fixed-wing UAVs: A deep-learning-based approach | |
| CN110706517B (zh) | 交通工具的智能安全预警方法、装置、系统及存储介质 | |
| CN116385185A (zh) | 一种车险评估辅助方法、装置、计算机设备及存储介质 | |
| Zhu et al. | Real-time fault diagnosis for EVs with multilabel feature selection and sliding window control | |
| CN112783133B (zh) | 一种agv运行状态预测方法 | |
| CN113723592A (zh) | 一种基于风电齿轮箱监测系统的故障诊断方法 | |
| CN108388232B (zh) | 一种原油脱盐过程的运行模式故障监测方法 | |
| CN112180913A (zh) | 特种车辆识别方法 | |
| Li | Application analysis of artificial intelligent neural network based on intelligent diagnosis | |
| CN112558510B (zh) | 一种智能网联汽车安全预警系统及预警方法 |
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 |