CN116501018A - 一种确定车辆故障的方法、装置、设备及存储介质 - Google Patents
一种确定车辆故障的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116501018A CN116501018A CN202310497274.5A CN202310497274A CN116501018A CN 116501018 A CN116501018 A CN 116501018A CN 202310497274 A CN202310497274 A CN 202310497274A CN 116501018 A CN116501018 A CN 116501018A
- Authority
- CN
- China
- Prior art keywords
- determining
- data
- target
- vehicle
- real
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000005856 abnormality Effects 0.000 claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 230000001133 acceleration Effects 0.000 claims description 109
- 239000013598 vector Substances 0.000 claims description 77
- 210000002569 neuron Anatomy 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing Of Engines (AREA)
Abstract
本发明公开了一种确定车辆故障的方法、装置、设备及存储介质。该方法包括:根据目标车辆的期望数据和实时数据,确定控制异常因子;将期望数据、实时数据以及控制异常因子输入预设神经网络模型,得到数据标签;根据数据标签确定目标车辆是否异常,若是,则根据控制异常因子和实时数据,从目标车辆的待选行驶关联指标中确定目标行驶关联指标;采集目标行驶关联指标对应的目标数据,并根据目标数据确定目标车辆的故障。本发明实施例的技术方案,可以从大量的待选行驶关联指标中筛选出与车辆故障相关的指标并进行采集,其无需采集大量的数据即可实现对车辆故障的判定,大幅度提高了智能驾驶的安全性。
Description
技术领域
本发明涉及车辆控制领域,尤其涉及一种确定车辆故障的方法、装置、设备及存储介质。
背景技术
近年来,随着智能汽车的不断发展,着眼于智能驾驶数据采集方法的研究也不断深入,越来越多的研究人员开始投身于相关方面的研究。在驾驶车辆时,利用智能驾驶数据采集方法可在智能驾驶输出异常时,对驾驶数据进行采集分析,从而对智能驾驶系统异常的原因进行溯源定位。
虽然利用智能驾驶数据采集方法有助于大幅度提高智能驾驶系统的安全性,但现有的智能驾驶数据采集方法往往存在采集数据的体量过大、采集效率较低以及成本过高难以推广等问题。
发明内容
本发明提供了一种确定车辆故障的方法、装置、设备及存储介质,以解决现有的智能驾驶数据采集方法采集数据的体量过大的问题。
第一方面,本发明提供了一种确定车辆故障的方法,包括:
根据目标车辆的期望数据和实时数据,确定控制异常因子,其中,所述期望数据包括转向盘转角期望和纵向加速度期望,所述实时数据包括转向盘转角和纵向加速度,所述控制异常因子包括转向盘转角因子和纵向加速度因子;
将所述期望数据、所述实时数据以及所述控制异常因子输入预设神经网络模型,得到数据标签;
根据所述数据标签确定所述目标车辆是否异常,若是,则根据所述控制异常因子和实时数据,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标;
采集所述目标行驶关联指标对应的目标数据,并根据所述目标数据确定所述目标车辆的故障。
第二方面,本发明提供了一种确定车辆故障的装置,包括:
因子确定模块,用于根据目标车辆的期望数据和实时数据,确定控制异常因子,其中,所述期望数据包括转向盘转角期望和纵向加速度期望,所述实时数据包括转向盘转角和纵向加速度,所述控制异常因子包括转向盘转角因子和纵向加速度因子;
标签确定模块,用于将所述期望数据、所述实时数据以及所述控制异常因子输入预设神经网络模型,得到数据标签;
关联指标确定模块,用于根据所述数据标签确定所述目标车辆是否异常,若是,则根据所述控制异常因子和实时数据,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标;
故障确定模块,用于采集所述目标行驶关联指标对应的目标数据,并根据所述目标数据确定所述目标车辆的故障。
第三方面,本发明提供了一种电子设备,该电子设备包括:
至少一个处理器;
以及与至少一个处理器通信连接的存储器;
其中,存储器存储有可被至少一个处理器执行的计算机程序,该计算机程序被至少一个处理器执行,以使至少一个处理器能够执行上述第一方面的确定车辆故障的方法。
第四方面,本发明提供了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,计算机指令用于使处理器执行时实现上述第一方面的确定车辆故障的方法。
本发明提供的确定车辆故障的方案,根据目标车辆的期望数据和实时数据,确定控制异常因子,其中,所述期望数据包括转向盘转角期望和纵向加速度期望,所述实时数据包括转向盘转角和纵向加速度,所述控制异常因子包括转向盘转角因子和纵向加速度因子,将所述期望数据、所述实时数据以及所述控制异常因子输入预设神经网络模型,得到数据标签,根据所述数据标签确定所述目标车辆是否异常,若是,则根据所述控制异常因子和实时数据,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标,采集所述目标行驶关联指标对应的目标数据,并根据所述目标数据确定所述目标车辆的故障。通过采用上述技术方案,将车辆控制器输出的期望数据、实时数据以及可以表征车辆控制特征的控制异常因子,输入预设神经网络模型中,得到可以表征目标车辆是否存在控制异常的数据标签,若车辆存在异常,则根据控制异常因子和实时数据,可从车辆的待选行驶关联指标中筛选出目标行驶关联指标,再通过分析该目标行驶关联指标即可准确的确定出车辆存在的故障,本方法可以从大量的待选行驶关联指标中筛选出与车辆故障相关的指标并进行采集,其无需采集大量的数据即可实现对车辆故障的判定,大幅度提高了智能驾驶的安全性,保障了人车安全,降低了交通事故发生的几率。
应当理解,本部分所描述的内容并非旨在标识本发明的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种确定车辆故障的方法的流程图;
图2是根据本发明实施例二提供的一种确定车辆故障的方法的流程图;
图3是根据本发明实施例三提供的一种确定车辆故障的装置的结构示意图;
图4是根据本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。在本发明的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种确定车辆故障的方法的流程图,本实施例可适用于确定车辆故障的情况,该方法可以由确定车辆故障的装置来执行,该确定车辆故障的装置可以采用硬件和/或软件的形式实现,该确定车辆故障的装置可配置于电子设备中,该电子设备可以是两个或多个物理实体构成,也可以是一个物理实体构成。
如图1所示,该本发明实施例一提供的一种确定车辆故障的方法,具体包括如下步骤:
S101、根据目标车辆的期望数据和实时数据,确定控制异常因子,其中,所述期望数据包括转向盘转角期望和纵向加速度期望,所述实时数据包括转向盘转角和纵向加速度,所述控制异常因子包括转向盘转角因子和纵向加速度因子。
在本实施例中,目标车辆可以理解为被采集实时数据的当前车辆,可以利用目标车辆(下文记作本车)的控制器输出的期望数据,以及实时采集到的转向盘转角和纵向加速度,确定控制异常因子。如,当本车的控制器输出的期望数据过大或过小时,将转向盘转角期望和实时采集到的转向盘转角的差值确定为转向盘转角因子,将纵向加速度期望与实时采集到的纵向加速度的差值确定为纵向加速度因子。其中,控制异常因子可以用来表征车辆的行驶特征。
S102、将所述期望数据、所述实时数据以及所述控制异常因子输入预设神经网络模型,得到数据标签。
在本实施例中,由于期望数据、实时数据以及控制异常因子都包含了本车的行驶特征,故利用预先训练好的预设神经网络模型处理上述数据,可以得到表征车辆是否存在异常的数据标签。其中,数据标签可以包含数据正常和数据异常等标签,神经网络模型具有很强的鲁棒性和容错性,还可以并行处理,计算快速,具有很强的信息综合能力,能同时处理定量和定性的信息,能很好地协调多种输入信息关系,故其适用于确定车辆是否存在数据异常。
S103、根据所述数据标签确定所述目标车辆是否异常,若是,则根据所述控制异常因子和实时数据,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标。
在本实施例中,如上文所述,若数据标签为数据正常,则可以确定本车正常,结束对本车的进一步分析,若数据标签为数据异常,则可以确定本车异常,执行步骤104,若否,可结束。
S104、根据所述控制异常因子和实时数据,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标。
在本实施例中,根据控制异常因子和实时数据,如根据控制异常因子和实时数据之间的大小关系等,可以确定出本车可能存在的故障与本车的哪些指标相关,该指标即为目标行驶关联指标。如,若某一时段内,由转向盘转角因子和实际的转向盘转角拟合成的直线l1的斜率的绝对值,大于由纵向加速度因子和实际的纵向加速度拟合成的直线l2的斜率的绝对值,且l1的截距的绝对值大于l2的截距的绝对值,则可确定本车存在横向异常,即目标行驶关联指标应为本车的横向指标对应的横向数据。其中,待选行驶关联指标可以理解为与本车行驶相关联的指标,如当前时间、本车车速以及本车横向加速度等,横向异常可以理解为车辆的横向数据出现异常,车辆的行驶方向可以理解为纵向,车辆横向指标可以理解为,与车辆行驶方向垂直的方向关联的指标,如车辆的横向加速度、车辆横摆角速度以及转向盘转速等。
S105、采集所述目标行驶关联指标对应的目标数据,并根据所述目标数据确定所述目标车辆的故障。
在本实施例中,可以采集该目标行驶关联指标对应的目标数据,通过对该目标数据的分析,即可确定本车存在的故障。
本发明实施例提供的确定车辆故障的方法,根据目标车辆的期望数据和实时数据,确定控制异常因子,其中,所述期望数据包括转向盘转角期望和纵向加速度期望,所述实时数据包括转向盘转角和纵向加速度,所述控制异常因子包括转向盘转角因子和纵向加速度因子,将所述期望数据、所述实时数据以及所述控制异常因子输入预设神经网络模型,得到数据标签,根据所述数据标签确定所述目标车辆是否异常,若是,则根据所述控制异常因子和实时数据,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标,采集所述目标行驶关联指标对应的目标数据,并根据所述目标数据确定所述目标车辆的故障。本发明实施例技术方案,通过将车辆控制器输出的期望数据、实时数据以及可以表征车辆的行驶特征的控制异常因子,输入预设神经网络模型中,得到可以表征目标车辆是否存在异常的数据标签,若车辆存在异常,则根据控制异常因子和实时数据,可从车辆的待选行驶关联指标中筛选出目标行驶关联指标,再通过分析该目标行驶关联指标即可准确的确定出车辆存在的故障,本方法可以从大量的待选行驶关联指标中筛选出与车辆故障相关的指标并进行采集,其无需采集大量的数据即可实现对车辆故障的判定,大幅度提高了智能驾驶的安全性,保障了人车安全,降低了交通事故发生的几率。
实施例二
图2为本发明实施例二提供的一种确定车辆故障的方法的流程图,本发明实施例的技术方案在上述各可选技术方案的基础上进一步优化,给出了确定车辆故障的具体方式。
可选的,所述根据目标车辆的期望数据和实时数据,确定控制异常因子,包括:确定所述转向盘转角期望和所述转向盘转角的差值的第一绝对值;确定所述纵向加速度期望和所述纵向加速度的差值的第二绝对值;根据所述第一绝对值和所述转向盘转角的绝对值,确定转向盘转角因子,并根据所述第二绝对值和所述纵向加速度的绝对值,确定纵向加速度因子。这样设置的好处在于,通过利用第一绝对值和第二绝对值,可以准确的确定出表征车辆的转向盘特征的转向盘转角因子,以及表征车辆的纵向加速度特征的纵向加速度因子。
可选的,所述根据所述控制异常因子和实时数据,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标,包括:根据所述转向盘转角因子和所述转向盘转角,确定第一拟合直线的第一信息,其中,所述第一信息包括第一系数和第一截距;根据所述纵向加速度因子和所述纵向加速度,确定第二拟合直线的第二信息,其中,所述第二信息包括的第二系数和第二截距;根据所述第一信息与所述第二信息,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标。这样设置的好处在于,通过拟合曲线可以确定出表征转向盘转角控制特征的第一信息和表征纵向加速度控制特征的第二信息,利用该第一信息与第二信息,即可确定出与车辆故障相关的目标行驶关联指标,从而可以实现有针对性的采集车辆数据,减少了云端数据的内存占用。
如图2所示,本发明实施例二提供的一种确定车辆故障的方法,具体包括如下步骤:
S201、确定转向盘转角期望和转向盘转角的差值的第一绝对值。
示例性的,若转向盘转角期望为δAD,转向盘转角为δ1,则第一绝对值可以表示为|δAD-δ1|,||表示取绝对值。
S202、确定纵向加速度期望和纵向加速度的差值的第二绝对值。
示例性的,若纵向加速度期望为aAD,纵向加速度为a1,则第二绝对值可以表示为|aAD-a1|。
S203、根据所述第一绝对值和所述转向盘转角的绝对值,确定转向盘转角因子,并根据所述第二绝对值和所述纵向加速度的绝对值,确定纵向加速度因子。
示例性的,转向盘转角因子Fδ可以表示为:
其中,T为系数,可以取0.001,纵向加速度因子Fa可以表示为:
其中,U为系数,可以取0.01。
S204、将所述期望数据、所述实时数据以及所述控制异常因子输入预设神经网络模型,得到数据标签。
可选的,所述预设神经网络模型的确定方式,包括:确定多个样本数据向量,以及每个所述样本数据向量中每个样本数据的样本标签,其中,每个所述样本数据向量中包含的样本数据分别与所述期望数据、所述实时数据以及所述控制异常因子一一对应;确定所述样本数据向量和预设初始模型中的多个神经元向量的向量距离;根据所述向量距离和所述样本标签,确定所述预设初始模型中的神经元权重,并根据所述神经元权重确定预设神经网络模型。这样设置的好处在于,通过利用神经元向量与样本数据向量的向量距离以及样本标签,可以准确的确定出预设初始模型中的神经元权重,从而完成对预设神经网络模型的搭建。
具体的,可以先初始化预设初始模型中每个神经元的参数,如设定随机数为输入层和映射层之间权重的初始值。然后,获取多个样本数据向量,样本数据向量Xk可以表示为Xk=(x1,x2,…,xm)T,xj为样本数据,j=1、2、…、m,k=1、2、…、n,m可以为6。样本数据向量中的样本数据与期望数据、实时数据以及控制异常因子一一对应,如,x1可以为转向盘转角期望样本数据,x2可以为纵向加速度期望样本数据,…,xm可以为纵向加速度因子样本数据,即预设初始模型中每个神经元向量的维数与样本数据向量的维数一致。接着,将样本数据向量Xk依次输入预设初始模型中,对于每一个样本数据向量,计算样本数据向量和预设初始模型中的每个神经元向量的向量距离,利用该向量距离和样本标签,即可确定预设初始模型中每个神经元的神经元权重。如,若样本标签为0和1,0表示数据正常,1表示数据异常,当最短向量距离对应的神经元的输出的标签与样本标签一致时,可将上一样本数据向量(如当前本数据向量为X2,则上一样本数据向量为X1)与最短向量距离对应的神经元向量的数学运算处理(如加、减、乘和除等)结果,确定为最短向量距离对应的神经元权重。最后,在得到预设初始模型中每个神经元的神经元权重后,即可得到预设神经网络模型。
进一步的,所述根据所述向量距离和所述样本标签,确定所述预设初始模型中的神经元权重,包括:针对每个所述样本数据向量关联的多个向量距离,确定每个所述样本数据向量对应的最小向量距离,并将所述最小向量距离对应的神经元确定为胜出神经元;根据所述样本标签和所述胜出神经元输出的训练数据标签,确定学习因子,并根据所述学习因子和所述胜出神经元的权重,确定所述预设初始模型中的神经元权重。这样设置的好处在于,通过筛选最小向量距离,可以确定出与样本数据向量最接近的神经元,该神经元即为胜出神经元,再利用学习因子和大量的样本数据向量,对该胜出神经元的权重进行迭代计算,从而可以得到预设初始模型中的每个神经元的神经元权重。
示例性的,如上文所述,可将样本数据向量Xk依次输入预设初始模型中,对于每一个样本数据向量,计算样本数据向量和预设初始模型中的每个神经元向量的向量距离,并筛选出每个样本数据向量Xk对应的最小向量距离,将最小向量距离对应的神经元确定为胜出神经元。向量距离dt的确定方式可以如下式表示:
xk,j(t)表示第k个样本数据向量中第j个样本数据,ωi,j(t)表示第i个神经元向量中第j个样本数据,∑表示求和运算,表示开方运算,o表示神经元向量的总个数,t表示输入样本数据向量的轮次数,其一般与k值一致。学习因子η(t)的确定方式可以如下式表示:
其中,A、B以及C均为系数,A可以取0.2,C可以取10000,B的取值与胜出神经元输出的标签和样本标签相关,如,若胜出神经元输出的标签与样本标签一致,则B可以取1,反之,则可以取-1。胜出神经元的神经元权重ωj*可以如下式表示:
ωj*(t+1)=ωj*(t)+η(t)*[x(t)-ωj*(t)]
其中,ωj*(t+1)表示当前神经元权重,ωj*(t)表示上一轮次确定的神经元权重,x(t)表示当前轮次的样本数据向量,即xk,k=t。
S205、根据所述数据标签确定所述目标车辆是否异常,若是,则执行步骤206,若否,则结束。
S206、根据所述转向盘转角因子和所述转向盘转角,确定第一拟合直线的第一信息。
其中,所述第一信息包括第一系数和第一截距。
示例性的,可以间隔固定时间,如,0.02秒,连续采集6个时刻的转向盘转角,从而得到6个转向盘转角因子,并对其进行组合,得到向量y_lateral,再在matlab中输入如下程序,以实现对第一拟合直线的第一系数k_lateral(即斜率)及第一截距b_lateral的确定:
a1=1:6;
y_lateral=[0.11,0.12,0.15,0.17,0.20,0.24];%示例
numb1=polyfit(a1,y_lateral,1);
k_lateral=numb1(1);
b_lateral=numb1(2);
其中,polyfit()为是matlab中用于进行曲线拟合的函数,a1为6个时刻的对应的本车的纵向加速度。
S207、根据所述纵向加速度因子和所述纵向加速度,确定第二拟合直线的第二信息。
其中,所述第二信息包括的第二系数和第二截距。
示例性的,可以间隔固定时间,连续采集6个时刻的纵向加速度,从而得到6个纵向加速度因子,并对其进行组合,得到向量y_long,再在matlab中输入如下程序,以实现对第二拟合直线的第二系数k_long(即斜率)及第二截距b_long的确定:
a2=1:6;
y_long=[0.12,0.13,0.15,0.16,0.19,0.22];%示例
numb2=polyfit(a2,y_long,1);
k_long=numb2(1);
b_long=numb2(2)
其中,a2为6个时刻的对应的本车的纵向加速度。
S208、根据所述第一信息与所述第二信息,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标。
具体的,可以根据第一信息与第二信息大小关系确定目标行驶关联指标。如,若第一系数的绝对值大于第二系数的绝对值,且第一截距的绝对值大于第二截距的绝对值,则可确定本车可能存在横向异常,即目标行驶关联指标应为本车的横向指标对应的横向数据。
可选的,所述根据所述第一信息与所述第二信息,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标,包括:若所述第一系数的绝对值大于所述第二系数的绝对值,且所述第一截距的绝对值大于所述第二截距的绝对值,则从所述目标车辆的待选行驶关联指标中确定第一目标行驶关联指标;若所述第一系数的绝对值小于所述第二系数的绝对值,且所述第一截距的绝对值小于所述第二截距的绝对值,则从所述目标车辆的待选行驶关联指标中确定第二目标行驶关联指标,其中,所述第一目标行驶关联指标中包含所述目标车辆的横向指标,所述第二目标行驶关联指标中包含所述目标车辆的纵向指标。这样设置的好处在于,通过计算两个拟合直线的系数的大小关系,以及两个拟合直线的截距的大小关系,可以准确的判断出本车的横向数据出现了异常,还是纵向数据出现了异常。
具体的,纵向指标可以理解为,与车辆行驶方向平行的方向关联的指标,如车辆的纵向加速度、加速踏板行程以及制动踏板行程等。
示例性的,如上文所述,若待选行驶关联指标包括:当前时间(共性指标)、车辆行驶速度(共性指标)、车辆纵向加速度(纵向指标)、车辆横向加速度横向指标)、车辆横摆角速度(横向指标)、加速踏板行程(纵向指标)、制动踏板行程(纵向指标)、主缸压力(纵向指标)、转向盘转角(横向指标)、转向盘转速(横向指标)、转向盘转矩(横向指标)、车辆档位(共性指标)、车辆静止状态(纵向指标)、启动键状态(共性指标)、前车类型(纵向指标)、前车静止状态(纵向指标)、前车距离(纵向指标)、前车速度(纵向指标)、前车加速度(纵向指标)、左侧车道线质量(横向指标)、右侧车道线质量(横向指标)、左侧车道线颜色(横向指标)、右侧车道线颜色(横向指标)、左侧车道线类型(横向指标)、右侧车道线类型(横向指标)、本车前保险杠中心距离左侧车道线距离(横向指标)、本车前保险杠中心距离右侧车道线距离(横向指标)、左侧车道线曲率(横向指标)、右侧车道线曲率(横向指标)、转向盘转角期望(横向指标)、纵向加速度期望(纵向指标)、自动驾驶控制状态(共性指标)、紧急工况开启的动态距离阈值(共性指标)、转向盘转角因子(共性指标)、纵向加速度因子(共性指标)。
当|k_lateral|>|k_long|且|b_lateral|>|b_long|时,可以从待选行驶关联指标中确定第一目标行驶关联指标,该第一目标行驶关联指标中包含横向指标和共性指标,当|k_lateral|<|k_long|且|b_lateral|<|b_long|时,可以从待选行驶关联指标中确定第二目标行驶关联指标,该第二目标行驶关联指标中包含纵向指标和共性指标。其中,共性指标可以理解为,与车辆行驶关联且与行驶方向无关的指标。
S209、采集所述目标行驶关联指标对应的目标数据,并根据所述目标数据确定所述目标车辆的故障。
本发明实施例提供的确定车辆故障的方法,通过利用第一绝对值和第二绝对值,可以准确的确定出表征车辆的转向盘特征的转向盘转角因子,以及表征车辆的纵向加速度特征的纵向加速度因子,再通过拟合曲线可以确定出表征转向盘转角控制特征的第一信息,以及表征纵向加速度控制特征的第二信息,利用该第一信息与第二信息,即可确定出与车辆故障相关的目标行驶关联指标,从而可以实现有针对性的采集车辆数据,在减少了云端数据的内存占用的基础上,保障了人车安全,降低了交通事故发生的几率。
可选的,在上述实施例基础上,该方法还可包括:根据实时车速和实时纵向加速度,确定动态距离阈值,并根据所述目标车辆的实时车速确定动态横向加速度阈值,其中,所述实时车速包括所述目标车辆的实时车速和前车的实时车速,所述实时纵向加速度包括所述目标车辆的实时纵向加速度和所述前车的实时纵向加速度;若所述目标车辆的实际跟车距离大于所述动态距离阈值,或,所述实际横向加速度大于所述动态横向加速度阈值,则采集所述待选行驶关联指标,并根据所述待选行驶关联指标确定所述目标车辆的故障。这样设置的好处在于,通过计算动态横向加速度阈值和动态距离阈值,可以避免因车辆跟车距离过近或侧翻引起的交通事故。
示例性的,动态距离阈值se的确定方式可以如下所示:
其中,t1和t2分别为制动器死区时间和减速度上升时间,v1为本车实时车速,v2为前车实时车速,a1max为本车进行紧急制动的最大减速度,a2为前车当前的纵向加速度,d0为缓冲距离,dc为标定距离。动态横向加速度阈值a1ya的确定方式可以如下所示:
其中,D、E、F和G均为系数,D可以取2.5,E可以取60,F可以取60,G可以取2.2,max{}表示取最大值。若本车的实际跟车距离大于动态距离阈值(表示本车跟车过近),或,本车的实际横向加速度大于动态横向加速度阈值(表示本车存在侧翻风险),则可立即采集待选行驶关联指标,并根据该待选行驶关联指标确定所述目标车辆的可能存在的风险或已经发生的故障。其中,待选行驶关联指标包括横向指标、纵向指标和共性指标等。
可选的,本车的车内人员,如驾驶员等,可以通过预设方式,如通过按下启动按键,来确定开始采集待选行驶关联指标,以根据该待选行驶关联指标确定所述目标车辆的故障;运维人员通过远程后台,远程确定开始采集待选行驶关联指标。这样设置的好处在于,车内人员和远程运维人员可以根据车辆的实际情况,第一时间启动采集本车的数据,以保证对本车故障的及时处理。
实施例三
图3为本发明实施例三提供的一种确定车辆故障的装置的结构示意图。如图3所示,该装置包括:因子确定模块301、标签确定模块302、关联指标确定模块303以及故障确定模块304,其中:
因子确定模块,用于根据目标车辆的期望数据和实时数据,确定控制异常因子,其中,所述期望数据包括转向盘转角期望和纵向加速度期望,所述实时数据包括转向盘转角和纵向加速度,所述控制异常因子包括转向盘转角因子和纵向加速度因子;
标签确定模块,用于将所述期望数据、所述实时数据以及所述控制异常因子输入预设神经网络模型,得到数据标签;
关联指标确定模块,用于根据所述数据标签确定所述目标车辆是否异常,若是,则根据所述控制异常因子和实时数据,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标;
故障确定模块,用于采集所述目标行驶关联指标对应的目标数据,并根据所述目标数据确定所述目标车辆的故障。
本发明实施例提供的确定车辆故障的装置,通过将车辆控制器输出的期望数据、实时数据以及可以表征车辆控制特征的控制异常因子,输入预设神经网络模型中,得到可以表征目标车辆是否存在控制异常的数据标签,若车辆存在异常,则根据控制异常因子和实时数据,可从车辆的待选行驶关联指标中筛选出目标行驶关联指标,再通过分析该目标行驶关联指标即可准确的确定出车辆存在的故障,本方法可以从大量的待选行驶关联指标中筛选出与车辆故障相关的指标并进行采集,其无需采集大量的数据即可实现对车辆故障的判定,大幅度提高了智能驾驶的安全性,保障了人车安全,降低了交通事故发生的几率。
可选的,因子确定模块包括:
第一绝对值确定单元,用于确定所述转向盘转角期望和所述转向盘转角的差值的第一绝对值;
第二绝对值确定单元,用于确定所述纵向加速度期望和所述纵向加速度的差值的第二绝对值;
加速度因子确定单元,用于根据所述第一绝对值和所述转向盘转角的绝对值,确定转向盘转角因子,并根据所述第二绝对值和所述纵向加速度的绝对值,确定纵向加速度因子。
可选的,所述预设神经网络模型的确定方式,包括:
确定多个样本数据向量,以及每个所述样本数据向量中每个样本数据的样本标签,其中,每个所述样本数据向量中包含的样本数据分别与所述期望数据、所述实时数据以及所述控制异常因子一一对应;确定所述样本数据向量和预设初始模型中的多个神经元向量的向量距离;根据所述向量距离和所述样本标签,确定所述预设初始模型中的神经元权重,并根据所述神经元权重确定预设神经网络模型。
进一步的,所述根据所述向量距离和所述样本标签,确定所述预设初始模型中的神经元权重,包括:针对每个所述样本数据向量关联的多个向量距离,确定每个所述样本数据向量对应的最小向量距离,并将所述最小向量距离对应的神经元确定为胜出神经元;根据所述样本标签和所述胜出神经元输出的训练数据标签,确定学习因子,并根据所述学习因子和所述胜出神经元的权重,确定所述预设初始模型中的神经元权重。
可选的,关联指标确定模块包括:
第一信息确定单元,用于根据所述转向盘转角因子和所述转向盘转角,确定第一拟合直线的第一信息,其中,所述第一信息包括第一系数和第一截距;
第二信息确定单元,用于根据所述纵向加速度因子和所述纵向加速度,确定第二拟合直线的第二信息,其中,所述第二信息包括的第二系数和第二截距;
关联指标确定单元,用于根据所述第一信息与所述第二信息,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标。
可选的,所述根据所述第一信息与所述第二信息,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标,包括:若所述第一系数的绝对值大于所述第二系数的绝对值,且所述第一截距的绝对值大于所述第二截距的绝对值,则从所述目标车辆的待选行驶关联指标中确定第一目标行驶关联指标;若所述第一系数的绝对值小于所述第二系数的绝对值,且所述第一截距的绝对值小于所述第二截距的绝对值,则从所述目标车辆的待选行驶关联指标中确定第二目标行驶关联指标,其中,所述第一目标行驶关联指标中包含所述目标车辆的横向指标,所述第二目标行驶关联指标中包含所述目标车辆的纵向指标。
可选的,该装置还包括:
加速度阈值确定模块,用于根据实时车速和实时纵向加速度,确定动态距离阈值,并根据所述目标车辆的实时车速确定动态横向加速度阈值,其中,所述实时车速包括所述目标车辆的实时车速和前车的实时车速,所述实时纵向加速度包括所述目标车辆的实时纵向加速度和所述前车的实时纵向加速度;
故障分析模块,用于若所述目标车辆的实际跟车距离大于所述动态距离阈值,或,所述实际横向加速度大于所述动态横向加速度阈值,则采集所述待选行驶关联指标,并根据所述待选行驶关联指标确定所述目标车辆的故障。
本发明实施例所提供的确定车辆故障的装置可执行本发明任意实施例所提供的确定车辆故障的方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备40的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备40包括至少一个处理器41,以及与至少一个处理器41通信连接的存储器,如只读存储器(ROM)42、随机访问存储器(RAM)43等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序,来执行各种适当的动作和处理。在RAM 43中,还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45,包括:输入单元46,例如键盘、鼠标等;输出单元47,例如各种类型的显示器、扬声器等;存储单元48,例如磁盘、光盘等;以及通信单元49,例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理,例如确定车辆故障的方法。
在一些实施例中,确定车辆故障的方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元48。在一些实施例中,计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时,可以执行上文描述的确定车辆故障的方法的一个或多个步骤。备选地,在其他实施例中,处理器41可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行确定车辆故障的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
上述提供的计算机设备可用于执行上述任意实施例提供的确定车辆故障的方法,具备相应的功能和有益效果。
实施例五
在本发明的上下文中,计算机可读存储介质可以是有形的介质,所述计算机可执行指令在由计算机处理器执行时用于执行确定车辆故障的方法,该方法包括:
根据目标车辆的期望数据和实时数据,确定控制异常因子,其中,所述期望数据包括转向盘转角期望和纵向加速度期望,所述实时数据包括转向盘转角和纵向加速度,所述控制异常因子包括转向盘转角因子和纵向加速度因子;
将所述期望数据、所述实时数据以及所述控制异常因子输入预设神经网络模型,得到数据标签;
根据所述数据标签确定所述目标车辆是否异常,若是,则根据所述控制异常因子和实时数据,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标;
采集所述目标行驶关联指标对应的目标数据,并根据所述目标数据确定所述目标车辆的故障。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
上述提供的计算机设备可用于执行上述任意实施例提供的确定车辆故障的方法,具备相应的功能和有益效果。
值得注意的是,上述确定车辆故障的装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种确定车辆故障的方法,其特征在于,包括:
根据目标车辆的期望数据和实时数据,确定控制异常因子,其中,所述期望数据包括转向盘转角期望和纵向加速度期望,所述实时数据包括转向盘转角和纵向加速度,所述控制异常因子包括转向盘转角因子和纵向加速度因子;
将所述期望数据、所述实时数据以及所述控制异常因子输入预设神经网络模型,得到数据标签;
根据所述数据标签确定所述目标车辆是否异常,若是,则根据所述控制异常因子和实时数据,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标;
采集所述目标行驶关联指标对应的目标数据,并根据所述目标数据确定所述目标车辆的故障。
2.根据权利要求1所述的方法,其特征在于,所述根据目标车辆的期望数据和实时数据,确定控制异常因子,包括:
确定所述转向盘转角期望和所述转向盘转角的差值的第一绝对值;
确定所述纵向加速度期望和所述纵向加速度的差值的第二绝对值;
根据所述第一绝对值和所述转向盘转角的绝对值,确定转向盘转角因子,并根据所述第二绝对值和所述纵向加速度的绝对值,确定纵向加速度因子。
3.根据权利要求1所述的方法,其特征在于,所述预设神经网络模型的确定方式,包括:
确定多个样本数据向量,以及每个所述样本数据向量中每个样本数据的样本标签,其中,每个所述样本数据向量中包含的样本数据分别与所述期望数据、所述实时数据以及所述控制异常因子一一对应;
确定所述样本数据向量和预设初始模型中的多个神经元向量的向量距离;
根据所述向量距离和所述样本标签,确定所述预设初始模型中的神经元权重,并根据所述神经元权重确定预设神经网络模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述向量距离和所述样本标签,确定所述预设初始模型中的神经元权重,包括:
针对每个所述样本数据向量关联的多个向量距离,确定每个所述样本数据向量对应的最小向量距离,并将所述最小向量距离对应的神经元确定为胜出神经元;
根据所述样本标签和所述胜出神经元输出的训练数据标签,确定学习因子,并根据所述学习因子和所述胜出神经元的权重,确定所述预设初始模型中的神经元权重。
5.根据权利要求1所述的方法,其特征在于,所述根据所述控制异常因子和实时数据,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标,包括:
根据所述转向盘转角因子和所述转向盘转角,确定第一拟合直线的第一信息,其中,所述第一信息包括第一系数和第一截距;
根据所述纵向加速度因子和所述纵向加速度,确定第二拟合直线的第二信息,其中,所述第二信息包括的第二系数和第二截距;
根据所述第一信息与所述第二信息,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一信息与所述第二信息,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标,包括:
若所述第一系数的绝对值大于所述第二系数的绝对值,且所述第一截距的绝对值大于所述第二截距的绝对值,则从所述目标车辆的待选行驶关联指标中确定第一目标行驶关联指标;
若所述第一系数的绝对值小于所述第二系数的绝对值,且所述第一截距的绝对值小于所述第二截距的绝对值,则从所述目标车辆的待选行驶关联指标中确定第二目标行驶关联指标,其中,所述第一目标行驶关联指标中包含所述目标车辆的横向指标,所述第二目标行驶关联指标中包含所述目标车辆的纵向指标。
7.根据权利要求1所述的方法,其特征在于,还包括:
根据实时车速和实时纵向加速度,确定动态距离阈值,并根据所述目标车辆的实时车速确定动态横向加速度阈值,其中,所述实时车速包括所述目标车辆的实时车速和前车的实时车速,所述实时纵向加速度包括所述目标车辆的实时纵向加速度和所述前车的实时纵向加速度;
若所述目标车辆的实际跟车距离大于所述动态距离阈值,或,所述实际横向加速度大于所述动态横向加速度阈值,则采集所述待选行驶关联指标,并根据所述待选行驶关联指标确定所述目标车辆的故障。
8.一种确定车辆故障的装置,其特征在于,包括:
因子确定模块,用于根据目标车辆的期望数据和实时数据,确定控制异常因子,其中,所述期望数据包括转向盘转角期望和纵向加速度期望,所述实时数据包括转向盘转角和纵向加速度,所述控制异常因子包括转向盘转角因子和纵向加速度因子;
标签确定模块,用于将所述期望数据、所述实时数据以及所述控制异常因子输入预设神经网络模型,得到数据标签;
关联指标确定模块,用于根据所述数据标签确定所述目标车辆是否异常,若是,则根据所述控制异常因子和实时数据,从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标;
故障确定模块,用于采集所述目标行驶关联指标对应的目标数据,并根据所述目标数据确定所述目标车辆的故障。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的确定车辆故障的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的确定车辆故障的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310497274.5A CN116501018A (zh) | 2023-05-05 | 2023-05-05 | 一种确定车辆故障的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310497274.5A CN116501018A (zh) | 2023-05-05 | 2023-05-05 | 一种确定车辆故障的方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116501018A true CN116501018A (zh) | 2023-07-28 |
Family
ID=87316254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310497274.5A Pending CN116501018A (zh) | 2023-05-05 | 2023-05-05 | 一种确定车辆故障的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116501018A (zh) |
-
2023
- 2023-05-05 CN CN202310497274.5A patent/CN116501018A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288096B (zh) | 预测模型训练及预测方法、装置、电子设备、存储介质 | |
CN113822593A (zh) | 一种安全态势评估方法、装置、存储介质及电子设备 | |
CN110723152B (zh) | 一种保障自动驾驶安全的人工智能检测方法、装置、设备或存储介质 | |
CN115451901A (zh) | 一种路面不平度的分类识别方法、装置、车辆及存储介质 | |
CN116957344B (zh) | 自动紧急制动系统的安全性评价方法、装置、设备及介质 | |
CN117416368A (zh) | 一种驾驶提示方法、装置、设备以及存储介质 | |
CN115546743B (zh) | 基于附着系数的车路协同控制方法、装置、设备及介质 | |
CN116501018A (zh) | 一种确定车辆故障的方法、装置、设备及存储介质 | |
CN115909813A (zh) | 一种车辆碰撞预警方法、装置、设备及存储介质 | |
CN114750765B (zh) | 一种车辆的路谱数据确定方法、装置、设备、介质及产品 | |
CN114312769B (zh) | 考虑周车横纵向运动意图的智能车辆紧急制动方法及系统 | |
CN114323706B (zh) | 一种列车ato控车故障检测方法、装置、设备及介质 | |
CN115472040B (zh) | 基于碰撞概率场的网联车辆个性化防碰撞预警方法 | |
CN117549894A (zh) | 一种车辆制动控制方法、装置、存储介质及电子设备 | |
CN118082849A (zh) | 一种轮胎状态识别方法、装置、设备以及存储介质 | |
CN111891132B (zh) | 一种基于加减速的业务处理方法、装置、设备和存储介质 | |
CN114913714A (zh) | 确定车辆安全距离的方法 | |
CN116476851A (zh) | 一种车辆数据的处理方法、装置、电子设备及存储介质 | |
CN116552538A (zh) | 车辆下坡速度的确定方法、装置、设备及介质 | |
CN116605250A (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
CN116993156A (zh) | 驾驶行为安全等级识别方法、装置及电子设备 | |
CN116755417A (zh) | 自动驾驶危险分析及风险评估方法、装置、设备及介质 | |
CN116691616A (zh) | 一种车辆控制方法、电子设备和存储介质 | |
CN114750765A (zh) | 一种车辆的路谱数据确定方法、装置、设备、介质及产品 | |
CN116363636A (zh) | 一种驾驶员状态检测方法、装置、设备及存储介质 |
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 |