CN116912968A - 车辆数据存储激活 - Google Patents
车辆数据存储激活 Download PDFInfo
- Publication number
- CN116912968A CN116912968A CN202310371897.8A CN202310371897A CN116912968A CN 116912968 A CN116912968 A CN 116912968A CN 202310371897 A CN202310371897 A CN 202310371897A CN 116912968 A CN116912968 A CN 116912968A
- Authority
- CN
- China
- Prior art keywords
- value
- variable
- data set
- determining
- probability value
- 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
- 230000004913 activation Effects 0.000 title claims abstract description 64
- 238000013500 data storage Methods 0.000 title abstract description 3
- 238000004891 communication Methods 0.000 claims abstract description 38
- 238000011524 similarity measure Methods 0.000 claims abstract description 38
- 238000009826 distribution Methods 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 39
- 230000000875 corresponding effect Effects 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 18
- 238000005096 rolling process Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 9
- 230000003213 activating effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000835 fiber Substances 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 240000005020 Acaciella glauca Species 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000003499 redwood Nutrition 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/40—Data acquisition and logging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供“车辆数据存储激活”。一种计算机被编程为接收通过车辆的通信网络传输的相应多个变量的多个第一值;确定所述变量的所述第一值与多个第二值之间的相似性度量;基于所述相似性度量确定是否传输通过通信网络传输的数据集合;并且在如此确定时,将所述数据集合传输到远离所述车辆的服务器。第二值是来自车辆的特征的激活表面的一组最相似值。激活表面是由变量限定的空间中的表面,所述表面将空间划分为如下区域:当变量具有该区域中的值时,所述特征的激活分别很可能或不太可能已经发生。
Description
技术领域
本公开涉及车辆存储激活。
背景技术
现代车辆通常包括生成数据的多个传感器。传感器可提供关于车辆的操作的数据,例如,车轮转速、车轮取向、转向角、方向盘角度、转向柱扭矩、换挡、加速踏板位置、制动踏板位置、制动片作用力以及发动机和变速器数据(例如,温度、燃料消耗等)。例如,传感器可包括扭矩传感器、位置传感器、温度传感器等。传感器可以检测车辆的位置和/或取向。例如,传感器可包括全球定位系统(GPS)传感器;加速度计,诸如压电或微机电系统(MEMS);陀螺仪,诸如速率陀螺仪、环形激光陀螺仪或光纤陀螺仪;惯性测量单元(IMU);以及磁力计。传感器可检测外部世界,例如车辆周围环境的对象和/或特性,诸如其他车辆、道路车道标记、交通信号灯和/或标志、行人等。例如,传感器可包括雷达传感器、扫描激光测距仪、光探测和测距(LIDAR)装置以及图像处理传感器(诸如相机)。
发明内容
本文描述的系统和方法提供了在车辆的特征可能已激活或可能未激活的某些情况下收集、传送和存储车辆数据的有效方式。例如,所述特征可以是前向碰撞警告、车道偏离警告、盲点警告、自动紧急制动、自适应巡航控制、语音识别或车道保持辅助。车辆数据可以包括关于特征的性能的数据。车辆可以生成大量数据,并且例如由于可用存储器和/或计算机网络带宽的限制,收集(包括传送和存储)所有这些数据可能是不切实际的和/或在技术上不可行的。在不太可能或不常见的情况下收集的车辆数据可能会提供关于车辆性能的其他不可用或难以获得的信息。
为了收集和存储关于所述特征的所述车辆数据,本文所述的系统可以包括计算机,所述计算机被编程为接收通过所述车辆的通信网络传输的相应多个变量的多个第一值。变量可以定义空间,例如,用于n个不同变量的n维空间。每个变量的一个值的集合定义空间中的点。例如存储在计算机的存储器中的激活表面可以将空间划分为第一区域和第二区域。当变量具有第一区域中的值时,特征的激活很可能已经发生。当变量具有第二区域中的值时,特征的激活不太可能已经发生。例如,激活表面可以是确定性的,即,当变量具有第一区域中的值时发生了特征的激活,并且当变量具有第二区域中的值时未发生特征的激活。接下来,计算机可以确定第一值与来自激活表面的一组最相似值(在本文中称为第二值)之间的相似性度量。例如,相似性度量可以是从包含第一值的点到激活表面上的最近点在n维空间中的距离。然后,计算机可以基于相似性度量来确定是否传输数据集合,并且在如此确定后,将数据集合传输到远离车辆的服务器。因此,车辆可以更有可能从特征接近激活边界的情况发送数据。
一种计算机包括处理器和存储器,并且该存储器存储可由处理器执行以进行以下操作的指令:接收通过车辆的通信网络传输的相应多个变量的多个第一值;确定所述变量的所述第一值与多个第二值之间的相似性度量;基于所述相似性度量确定是否传输数据集合;并且在确定传输数据集合时,将所述数据集合传输到远离所述车辆的服务器。第二值是来自车辆的特征的激活表面的一组最相似值。所述激活表面是由所述变量限定的空间中的表面,所述表面将所述空间划分为第一区域和第二区域。当变量具有第一区域中的值时,很可能已经发生特征的激活,并且当变量具有第二区域中的值时,不太可能已经发生特征的激活。数据集合是通过通信网络传输的数据。
确定传输所述数据集合的可能性可与所述相似性度量正相关。
所述指令还可以包括用于从所述服务器接收所述激活表面的指令。
所述指令还可以包括用于确定所述变量等于所述第一值的概率值的指令,并且确定是否传输所述数据集合可基于所述概率值。确定所述概率值可基于所述变量的概率分布。所述指令还可以包括用于从所述服务器接收变量的概率分布的指令。
确定传输所述数据集合的可能性可与所述概率值负相关。
所述指令还可以包括用于确定包括所述相似性度量和所述概率值的总和的指令,确定是否传输所述数据集合可包括确定所述总和是否超过阈值,并且在确定所述总和超过所述阈值时将所述数据集合传输到所述服务器可发生。所述总和可以是包括由相应权重加权的所述相似性度量和所述概率值的加权总和。所述指令还可以包括用于从所述服务器接收所述权重的指令。
所述概率值可以是第一概率值,所述指令还可以包括用于接收相应多个辅助变量的多个第三值以及确定所述辅助变量等于所述第三值的第二概率值的指令,所述辅助变量可不用于激活所述特征,并且所述总和可包括所述相似性度量、所述第一概率值和所述第二概率值。
所述指令还可以包括用于接收相应多个辅助变量的多个第三值以及确定所述辅助变量等于所述第三值的概率值的指令,所述辅助变量可不用于激活所述特征,并且确定是否传输数据集合可以基于概率值。确定所述概率值可基于所述辅助变量的概率分布。所述指令还可以包括用于从所述服务器接收辅助变量的概率分布的指令。
确定传输所述数据集合的可能性可与所述概率值负相关。
所述数据集合可包括指示所述特征是否在时间间隔期间被激活的数据。
所述数据集合可包括时间间隔内的所述变量的多个第三值,并且所述第三值包括所述第一值。
所述特征的激活可包括致动所述车辆的推进系统、制动系统或转向系统中的至少一者。
所述特征可为以下中的一者:前向碰撞警告、车道偏离警告、盲点警告、自动紧急制动、自适应巡航控制或车道保持辅助。
一种方法包括接收通过车辆的通信网络传输的相应多个变量的多个第一值;确定所述变量的所述第一值与多个第二值之间的相似性度量;基于所述相似性度量确定是否传输数据集合;并且在确定传输数据集合时,将所述数据集合传输到远离所述车辆的服务器。第二值是来自车辆的特征的激活表面的一组最相似值。所述激活表面是由所述变量限定的空间中的表面,所述表面将所述空间划分为第一区域和第二区域。当变量具有第一区域中的值时,很可能已经发生特征的激活,并且当变量具有第二区域中的值时,不太可能已经发生特征的激活。数据集合是通过通信网络传输的数据。
附图说明
图1是与计算机通信的多个车辆的框图。
图2是车辆中的一者的框图。
图3是车辆的特征的示例性激活表面的曲线图。
图4是车辆的变量的示例性第一概率分布的曲线图。
图5是车辆的辅助变量的示例性第二概率分布的曲线图。
图6是用于将数据从车辆传输到服务器的示例性过程的过程流程图。
具体实施方式
参考附图,其中贯穿若干视图,相同的数字指示相同的部分,计算机200包括处理器和存储器,并且该存储器存储可由处理器执行以进行以下操作的指令:接收通过车辆100的通信网络205传输的相应多个变量的多个第一值300;确定所述变量的所述第一值300与多个第二值305之间的相似性度量;基于所述相似性度量确定是否传输数据集合;并且在确定传输数据集合时,将所述数据集合传输到远离所述车辆100的服务器105。第二值305是来自车辆100的特征的激活表面310的一组最相似值。所述激活表面310是由所述变量限定的空间315中的表面,所述表面将所述空间315划分为第一区域320和第二区域325。当变量具有第一区域320中的值时,很可能已经发生特征的激活,并且当变量具有第二区域325中的值时,不太可能已经发生特征的激活。数据集合是通过通信网络205传输的数据。
参考图1,服务器105可以与多个车辆100通信。车辆100可以各自是任何乘用车或商用车,诸如轿车、卡车、运动型多用途车、跨界车、货车、小型货车、出租车、公共汽车、吉普车等。
车辆100可以通过网络110与服务器105通信。网络110表示服务器105可借助来与远程实体进行通信的一种或多种机制。因此,网络110可以是各种有线或无线通信机制中的一种或多种,包括有线(例如,电缆和光纤)和/或无线(例如,蜂窝、无线、卫星、微波和射频)通信机制的任何期望的组合,以及任何期望的网络拓扑(或利用多种通信机制时的多种拓扑)。示例性通信网络包括提供数据通信服务的无线通信网络(例如,使用蓝牙、IEEE802.11等)、局域网(LAN)和/或广域网(WAN),包括互联网。
服务器105为基于微处理器的计算装置,例如包括处理器和存储器的通用计算装置。服务器105的存储器可包括用于存储可由处理器执行的指令以及用于电子地存储数据和/或数据库的介质。服务器105可以是联接在一起的多个计算机。
参考图2,每个车辆100可包括相应计算机200。计算机200是基于微处理器的计算装置,例如,通用计算装置(其包括处理器和存储器、电子控制器或类似装置)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、前述各者的组合等。通常,在电子设计自动化中使用诸如VHDL(VHSIC(超高速集成电路)硬件描述语言)的硬件描述语言来描述诸如FPGA和ASIC的数字和混合信号系统。例如,ASIC是基于制造前提供的VHDL编程而制造的,而FPGA内部的逻辑部件可基于例如存储在电连接到FPGA电路的存储器中的VHDL编程来配置。因此,计算机200可以包括处理器、存储器等。计算机200的存储器可以包括用于存储可由处理器执行的指令以及用于电子存储数据和/或数据库的介质,和/或计算机200可以包括诸如提供编程的前述结构的结构。计算机200可以是一起联接在车辆100上的多个计算机。
计算机200可以通过通信网络205在车辆100上传输和接收数据。通信网络205可为控制器局域网(CAN)总线、以太网、WiFi、局域互连网(LIN)、车载诊断连接器(OBD-II),和/或通过任何其他有线或无线通信网络。计算机200可经由通信网络205通信地联接到推进系统210、制动系统215、转向系统220、传感器225、收发器230和其他部件。
车辆100的推进系统210生成能量并将能量转换成车辆100的运动。推进系统210可为常规的车辆推进子系统,例如,常规的动力传动系统,其包括联接到将旋转运动传递到车轮的变速器的内燃发动机;电动动力传动系统,其包括电池、电动马达和将旋转运动传递到车轮的变速器;混合动力传动系统,其包括常规的动力传动系统和电动动力传动系统的元件;或任何其他类型的推进。推进系统210可包括与计算机200和/或人类操作者通信并从其接收输入的电子控制单元(ECU)等。人类操作者可经由例如加速踏板和/或换挡杆来控制推进系统210。
制动系统215通常是常规的车辆制动子系统并且抵抗车辆100的运动,由此使车辆100减慢和/或停止。制动系统215可以包括摩擦制动器,诸如盘式制动器、鼓式制动器、带式制动器等;再生制动器;任何其他合适类型的制动器;或者它们的组合。制动系统215可包括与计算机200和/或人类操作者通信并且从其接收输入的电子控制单元(ECU)等。人类操作者可经由例如制动踏板来控制制动系统215。
转向系统220通常是常规的车辆转向子系统并且控制车轮的转弯。转向系统220可以是具有电动助力转向的齿条与小齿轮系统、线控转向系统(这两者是已知的),或者任何其他合适的系统。转向系统220可包括与计算机200和/或人类操作者通信并从其接收输入的电子控制单元(ECU)等。人类操作者可经由例如方向盘来控制转向系统220。
传感器225可以提供关于车辆100的操作的数据,例如,车轮速度、车轮取向以及发动机和变速器数据(例如,温度、燃料消耗等)。传感器225可以检测车辆100的位置和/或取向。例如,传感器225可以包括全球定位系统(GPS)传感器;加速度计,例如压电系统或微机电系统(MEMS);陀螺仪,例如速率陀螺仪、环形激光陀螺仪或光纤陀螺仪;惯性测量单元(IMU);以及磁力计。传感器225可检测外部世界,例如车辆100周围环境的对象和/或特性,诸如其他车辆、道路车道标记、交通信号灯和/或标志、行人等。例如,传感器225可包括雷达传感器、超声波传感器、扫描激光测距仪、光探测和测距(LIDAR)装置以及图像处理传感器(诸如相机)。传感器预测和输出可作为非结构化数据、结构化数据或其间的某种形式存储在计算机200上。
收发器230可适于通过任何合适的无线通信协议(诸如蜂窝、低功耗(BLE)、超宽带(UWB)、WiFi、IEEE802.11a/b/g/p、蜂窝-V2X(CV2X)、专用短程通信(DSRC)、其他RF(射频)通信等)无线地传输信号。收发器230可适于经由网络110与远程实体(即,与车辆100不同且间隔开的实体)通信。远程实体可位于车辆100的外部。例如,远程实体可以是服务器105。对于另一个示例,远程实体可与另一车辆相关联(例如,V2V通信),与基础设施部件相关联(例如,V2I通信),与紧急响应者相关联,与和车辆100的所有者相关联的移动装置相关联,等等。收发器230可以是一个装置或可包括单独的发射器和接收器。
车辆100可包括一个或多个特征。所述特征可以是高级驾驶员辅助系统(ADAS)。例如,所述特征可以是前向碰撞警告、车道偏离警告或盲点警告中的一者。所述特征可以是半自主特征,并且激活所述特征可包括致动推进系统210、制动系统215或转向系统220中的至少一者。例如,所述特征可以是自动紧急制动、自适应巡航控制或车道保持辅助中的一者。所述特征可以是车辆102上的在没有操作者干预的情况下激活的任何其他系统或装置,例如,语音识别、防抱死制动、温度激活的气候控制、移动装置的检测等。
计算机200可存储用于决定是否激活所述特征的程序,即,可由计算机200的处理器执行的程序指令集。计算机200可使用所述程序来做出关于是否激活所述特征的决策。例如,程序可设定用于激活特征的标准,例如,基于来自传感器225和/或来自车辆系统210、215、220的数据的标准。计算机200可响应于数据满足标准而激活所述特征。例如,如果特征是车道偏离警告或车道保持辅助,则标准可以是相机数据指示车辆100距车道边界小于阈值距离。所述标准可使用变量的子集,这意味着不使用至少一个变量(例如,若干变量)来决定是否激活所述特征。关于激活特征的决策可包括激活特征的决策和制止激活特征的决策。
计算机200可以将数据集合存储到滚动缓冲器,如下所述。数据集合可以包括通过通信网络205传输的任何数据,例如,来自推进系统210、制动系统215、转向系统220和传感器225。所述数据集合可包括关于激活特征的决策,例如,是否在时间间隔期间激活特征。例如,决策可以表示为二进制变量,例如,在时间序列上取值1表示激活并且取值0表示未激活。数据集合可以包括多个变量的第一值300。出于本公开的目的,如在计算机领域中所理解的,“变量”是能够采用多个值的数据或数据集;可以通过通信网络205传输变量。变量可以是原始数据,例如,距超声波传感器的距离范围,或推进系统210的发动机的RPM,或者可以根据其他数据(例如,与车辆100前方的另一车辆发生碰撞的预测时间)来计算变量。变量可以被明确或隐含地视为确定性或概率性的。例如,根据例如测量变量的传感器225的已知噪声,变量可以被视为具有不确定性的概率性的。所述数据可以包括结构化数据和非结构化数据。结构化数据为以标准化格式组织的数据。例如,通过可包括在通信网络205中的CAN总线发送的数据通常采用数据库容器(.dbc)文件格式,所述数据库容器文件格式为结构化数据类型。一些传感器225(诸如相机)可产生非结构化数据。
计算机200可被编程为将通过通信网络205传输的数据集合(例如,来自推进系统210、制动系统215、转向系统220和传感器225)存储在滚动缓冲器中。滚动缓冲器可以是计算机200的存储器的一部分。滚动缓冲器可存储数据达设定时间段,例如五秒;换句话说,在任何给定时间,滚动缓冲器包含在车辆100上在最后五秒内生成的数据。随着新数据生成并存储在滚动缓冲器中,滚动缓冲器中的最旧数据被覆写(滚动缓冲器有时也称为环形缓冲器或循环缓冲器)。计算机200可被编程为响应于触发而将包含在滚动缓冲器中的数据无限期地存储在存储器中,即,使得存储在存储器中的副本不被覆写。
参考图3,变量限定空间315。例如,对于n个不同的变量,空间315可以是每个变量的一个轴下的n维空间315。空间315中的每个点是每个变量的一个值的集合,其可以表示为向量。因此,第一值300是点,并且第二值305是点。图3示出了具有两个变量的空间315的简化版本,但是变量的数量可以远大于两个。为空间315选择的变量可以是在用于激活特征的标准中使用的变量,所述变量直接使用或为直接使用的变量的分解的一部分。可以针对空间315对变量进行缩放或归一化。例如,限定空间315的每个轴可以测量缩放到从零到一的范围的变量,例如,
其中x是指变量,下标i是范围从1到变量的数量n的变量的索引,下标sc指示值被缩放,下标min是指变量可以取的最小值,并且下标max是指变量可以取的最大值。
所述激活表面310是空间315中的表面,所述表面将所述空间315划分为第一区域320和第二区域325。对于图3所示的二维空间315,激活表面310是曲线。第一区域320是特征的激活很可能已经发生的情况,即激活概率大于50%。第二区域325是特征的激活不太可能已经发生的情况,即概率小于50%。例如,激活表面310、第一区域320和第二区域325可以是概率性的,即,第一区域320的至少一部分的激活概率小于100%和/或第二区域325的至少一部分的激活概率大于0%。替代地,激活表面310、第一区域320和第二区域325可以是确定性的,即,当变量具有第一区域320中的值时特征的激活发生(即,激活概率为100%),并且当变量具有第二区域325中的值时特征的激活不发生(即,激活概率为0%)。如果特征在被激活时具有多个可能的输出,则第二区域325可以被划分为与可能的输出相对应的子区域,例如,当特征是车道保持辅助时,第二区域325可以包括用于向左转向和用于向右转向的子区域。激活表面310、第一区域320和第二区域325可以是相互排斥的并且是穷尽的空间315;换句话说,空间315中的每个点是在激活表面310上、在第一区域320中或在第二区域325中的一个且仅一个。
服务器105可以被编程为确定激活表面310、第一区域320和第二区域325。例如,服务器105可以基于传输到服务器105的来自大量车辆100的数据来统计地确定激活表面310、第一区域320和第二区域325。服务器105可以被编程为向车辆100传输激活表面310、第一区域320和第二区域325。计算机200可以从服务器105接收激活表面310、第一区域320和第二区域325。
计算机200可以被编程为确定第一值300与第二值305之间(即,第一值300与来自激活表面310的一组最相似值之间)的相似性度量。例如,相似性度量可以是由第一值300限定的点和激活表面310的最短距离。距离可以是针对变量的性质的任何合适类型的距离,例如,欧几里德、曼哈顿、明可夫斯基、汉明等。如果任何变量被视为概率性的而不是确定性的,则相似性度量可以考虑在内。相似性度量可以考虑从第一值300到激活表面310的可能路径,即,变量如何趋向于随时间变化而从第一值300到达激活表面310,例如,路径是标准的还是不常见的,或路径的长度,例如,将空间视为向量场以确定路径。
参考图4,确定是否传输数据集合可以基于变量的第一概率分布400。对于变量的给定值集,第一概率分布400可以指示车辆100处于由那些值表示的情况的可能性,即,可以指示车辆100是处于不常见情况还是常见情况。例如,第一概率分布400可以是概率密度函数,其采用变量的给定值集并返回变量等于那些值的相对可能性。图4将第一概率分布400示出为跨示例性二维空间315的地形图,其中较暗的阴影表示较大的相对可能性。
服务器105和/或计算机200可以被编程为确定第一概率分布400。例如,计算机200可以被编程为基于在车辆100行驶的时间段或距离内记录的变量的值来统计地确定第一概率分布400。对于另一个示例,服务器105可以被编程为基于由大量车辆100传输到服务器105的数据来统计地确定第一概率分布400,例如,作为对所有车辆100的真实分布的统计估计。服务器105可以被编程为将第一概率分布400传输到车辆100,并且每个车辆100上的计算机200可以被编程为从服务器105接收第一概率分布400。
计算机200可以被编程为确定变量等于第一值300的第一概率值。例如,计算机200可以基于第一概率分布400来确定第一概率值。第一概率值可以是当给定变量的第一值300时由第一概率分布400返回的值。对于另一个示例,计算机200可以通过将空间315转换为流形学习空间(例如,通过t分布随机邻域嵌入)、并然后测量余弦相似性、执行聚类分析等来确定第一概率值,以输出该第一概率值。
参考图5,计算机200可以被编程为接收辅助变量的多个第三值。辅助变量可以不同于用于激活特征的变量,直接地或者作为用于激活特征的变量的分解的一部分;换句话说,可能的情况是,变量中不包括任何辅助变量。例如,第三值可以包括来自车辆100的系统的信号,所述信号不是限定激活表面的功能的一部分,但仍然可能影响特征的性能。对于另一个示例,第三值可以包括天气数据,诸如温度、风速、能见度、云层水平等。对于另一个示例,第三值可以包括路况,诸如道路类型(高速公路、地面街道、砾石路等)、道路粗糙度、交通密度、交通速度等。计算机200可以例如经由收发器230接收第三值。
确定是否传输数据集合可以基于辅助变量的第二概率分布500。对于给定第三值集,第二概率分布500可以指示车辆100处于由那些值表示的情况的可能性,即,可以指示车辆100是处于不常见情况还是常见情况。例如,第二概率分布500可以是概率密度函数,其采用给定第三值集并返回辅助变量等于那些第三值的相对可能性。图5将第二概率分布500示出为跨辅助变量的示例性二维空间的地形图,其中较暗的着色表示较大的相对可能性。
服务器105和/或计算机200可以被编程为确定第二概率分布500。例如,计算机200可以被编程为基于在车辆100行驶的时间段或距离内记录的第三值来统计地确定第二概率分布500。对于另一个示例,服务器105可以被编程为基于传输到服务器105的大量道路的第三值来统计地确定第二概率分布500。服务器105可以被编程为将第二概率分布500传输到车辆100,并且每个车辆100的计算机200可以被编程为从服务器105接收第二概率分布500。
计算机200可以被编程为确定辅助变量等于第三值的第二概率值。例如,计算机200可以基于第二概率分布500来确定第二概率值。第二概率值可以是当给定辅助变量的第三值时由第二概率分布500返回的值。对于另一个示例,计算机200可以通过将由辅助变量定义的空间转换为流形学习空间(例如,通过t分布随机邻域嵌入)、并然后测量余弦相似性、执行聚类分析等来确定第二概率值,以输出该第二概率值。
计算机200可以被编程为基于相似性度量、第一概率值和/或第二概率值来确定是否传输数据集合。例如,计算机200可以基于相似性度量、第一概率值和/或第二概率值的函数的值来确定是否传输数据集合,如将在下面描述。计算机200还可以基于相似性度量、第一概率值和/或第二概率来确定要传输数据集合的时间范围,例如,从当传输条件变为真时开始并且在传输条件停止为真时结束。
相似性度量、第一概率值和第二概率值可各自影响确定传输数据集合的可能性。确定传输数据集合的可能性可以与相似性度量正相关,这意味着当情况更接近用于激活特征的边界情况时,该数据集合更可能被传输。确定传输数据集合的可能性与第一概率值负相关并且与第二概率值负相关,这意味着当车辆100不太可能或不经常遇到该情况时,数据集合更可能被传输。通过将概率分布400、500传输到车辆100,服务器105可以有效地通知车辆100在车辆100的车队或组中不经常遇到哪些情况并且因此需要进行数据收集。
用于确定是否传输数据集合的函数可以是包括相似性度量、第一概率值和第二概率值的总和。第一概率值和第二概率值可以作为例如倒数或负值包括在该总和中,使得第一概率值和第二概率值与总和的结果负相关。该总和可以是包括由相应权重加权的所述相似性度量、第一概率值和第二概率值的加权总和,例如,
Σ=αD+βp1+γp2
其中Σ是总和的结果,D是相似性度量,p1是第一概率值的倒数,p2是第二概率值的倒数,并且α、β和γ是权重。可以基于评估特征的性能更期望哪种类型的信息来选择权重。服务器105可以被编程为将权重传输到车辆100,并且计算机200可以被编程为从服务器105接收权重,从而允许权重以及由此收集的数据动态地改变。
计算机200可以基于总和是否超过阈值来确定是否传输数据集合。可以基于评估特征的性能期望的数据量来选择阈值。服务器105可以被编程为将阈值传输到车辆100,并且计算机200可以被编程为从服务器105接收该阈值,从而允许收集的数据动态地改变。将数据集合传输到服务器105可以在确定总和超过阈值时发生。计算机200还可以基于总和是否超过阈值来确定要包括在传输中的数据集合的时间范围,例如,数据集合的开始是总和开始超过阈值时并且数据集合的结束是在所述总和停止超过所述阈值时。
返回到图1,计算机200可以被编程为在确定传输数据集合时将数据集合传输到服务器105。所述数据集合包括时间间隔内的所述变量的多个值,并且那些值包括所述第一值300。例如,数据集合可以包括存储在滚动缓冲器中的数据,这意味着时间间隔是填充滚动缓冲器的时间。
图6是示出了用于将数据从车辆100传输到服务器105的示例性过程600的过程流程图。计算机200的存储器存储用于执行过程600的步骤的可执行指令,和/或可以以诸如上述的结构来实施编程。作为过程600的总体概述,计算机200可以从服务器105接收激活表面310、第一概率分布400、第二概率分布500、权重和阈值。计算机200通过通信网络205接收第一值300并确定相似性度量、第一概率值和第二概率值。在确定总和超过阈值时,计算机200指示收发器230将数据集合传输到服务器105。只要车辆100保持开启,过程600通常就继续。
过程600在框605中开始,其中计算机200经由收发器230从服务器105接收激活表面310、第一概率分布400和第二概率分布500。
接下来,在框610中,计算机200经由收发器230从服务器105接收权重和阈值。
接下来,在框615中,计算机200接收变量的第一值300和辅助变量的第三值,如上所述。
接下来,在框620中,计算机200确定第一值300与激活表面310上的第二值305之间的相似性度量,如上所述。
接下来,在框625中,计算机200确定变量等于第一值300的第一概率值,如上所述。
接下来,在框630中,计算机200确定辅助变量等于第三值的第二概率值,如上所述。
接下来,在决策框635中,计算机200通过确定包括相似性度量、第一概率值和第二概率值的总和是否超过阈值来确定是否传输数据集合,如上所述。在确定总和超过阈值时,过程600前进到框640。在确定总和小于阈值时,过程600前进到决策框645。
在框640中,计算机200指示收发器230将数据集合传输到服务器105,如上所述。在框640之后,过程600前进到决策框645。
在决策框645中,计算机200确定车辆100是否仍然开启。如果是,则过程600返回到框615以继续接收第一值300。如果否,则过程600结束。
一般来讲,所描述的计算系统和/或装置可采用多种计算机操作系统中的任一种,包括但决不限于以下版本和/或种类:Ford 应用;AppLink/Smart Device Link中间件;Microsoft/>操作系统;Microsoft/>操作系统;Unix操作系统(例如,由加利福尼亚州红杉海岸的Oracle公司发布的/>操作系统);由纽约州阿蒙克市的International Business Machines公司发布的AIX UNIX操作系统;Linux操作系统;由加利福尼亚州库比蒂诺市的苹果公司发布的Mac OSX和iOS操作系统;由加拿大滑铁卢的黑莓有限公司发布的BlackBerry操作系统;以及由谷歌公司和开放手机联盟开发的安卓操作系统;或由QNX软件系统公司提供的/>CAR信息娱乐平台。计算装置的示例包括但不限于车载计算机、计算机工作站、服务器、台式机、笔记本、膝上型计算机或手持计算机、或某一其他计算系统和/或装置。
计算装置通常包括计算机可执行指令,其中所述指令可由诸如以上列出的那些的一个或多个计算装置执行。可从使用多种编程语言和/或技术创建的计算机程序编译或解译计算机可执行指令,所述编程语言和/或技术单独地或者组合地包括但不限于JavaTM、C、C++、Matlab、Simulink、Stateflow、Visual Basic、Java Script、Python、Perl、HTML等。这些应用程序中的一些可在诸如Java虚拟机、Dalvik虚拟机等虚拟机上编译和执行。通常,处理器(例如,微处理器)接收例如来自存储器、计算机可读介质等的指令,并执行这些指令,从而执行一个或多个过程,包括本文所述过程中的一者或多者。此类指令和其他数据可使用各种计算机可读介质来存储和传输。计算装置中的文件通常是存储在诸如存储介质、随机存取存储器等计算机可读介质上的数据集合。
计算机可读介质(也称为处理器可读介质)包括参与提供可由计算机(例如,由计算机的处理器)读取的数据(例如,指令)的任何非暂时性(例如,有形)介质。此类介质可采用许多形式,包括但不限于非易失性介质和易失性介质。指令可通过一种或多种传输介质来传输,所述一种或多种传输介质包括光纤、线、无线通信,包括构成联接到计算机的处理器的系统总线的内部件。常见形式的计算机可读介质包括例如RAM、PROM、EPROM、FLASH-EEPROM、任何其他存储器芯片或盒式磁带、或计算机可从中读取的任何其他介质。
本文所述的数据库、数据存储库或其他数据存储可包括用于存储、存取/访问和检索各种数据的各种机制,包括分层数据库、文件系统中的文件集、专用格式的应用程序数据库、关系型数据库管理系统(RDBMS)、非关系数据库(NoSQL)、图形数据库(GDB)等。每个这样的数据存储通常被包括在采用诸如以上提及中的一种的计算机操作系统的计算装置内,并且以各种方式中的任何一种或多种来经由网络进行访问。文件系统可从计算机操作系统访问,并且可包括以各种格式存储的文件。除了用于创建、存储、编辑和执行已存储的程序的语言(诸如上述PL/SQL语言)之外,RDBMS通常还采用结构化查询语言(SQL)。
在一些示例中,系统元件可被实施为一个或多个计算装置(例如,服务器、个人计算机等)上、存储在与其相关联的计算机可读介质(例如,磁盘、存储器等)上的计算机可读指令(例如,软件)。计算机程序产品可包括存储在计算机可读介质上的用于实施本文描述的功能的此类指令。
在附图中,相同的附图标记指示相同的元件。另外,可改变这些元件中的一些或全部。关于本文描述的介质、过程、系统、方法、启发等,应理解,虽然此类过程等的步骤已被描述为按照某一有序的顺序发生,但是可通过以与本文所述顺序不同的顺序执行所述步骤来实践此类过程。还应理解,可同时执行某些步骤,可添加其他步骤,或者可省略本文所述的某些步骤。
除非本文作出相反的明确指示,否则权利要求中使用的所有术语意图给出如本领域技术人员所理解的普通和通常的含义。特别地,除非权利要求相反地叙述明确限制,否则使用诸如“一个”、“该”、“所述”等单数冠词应被解读为叙述所指示的元件中的一个或多个。形容词“第一”、“第二”和“第三”贯穿本文档用作标识符,并且不意图表示重要性、次序或量。“响应于”和“在确定……时”的使用指示因果关系,而不仅是时间关系。
已经以说明性方式描述了本公开,并且应理解,已经使用的术语意图在性质上是描述性的而非限制性的词语。鉴于以上教示,本公开的许多修改和变型是可能的,并且可以不同于具体描述的其他方式来实践本公开。
根据本发明,提供了一种计算机,所述计算机具有处理器和存储器,所述存储器存储指令,所述指令可由所述处理器执行以:接收通过车辆的通信网络传输的相应多个变量的多个第一值;确定所述变量的所述第一值与多个第二值之间的相似性度量,所述第二值是来自所述车辆的特征的激活表面的一组最相似值,为由所述变量限定的空间中的表面的所述激活表面将所述空间划分为第一区域和第二区域,当所述变量具有所述第一区域中的值时,所述特征的激活很可能已经发生,并且当所述变量具有所述第二区域中的值时,所述特征的激活不太可能已经发生;基于所述相似性度量确定是否传输数据集合,所述数据集合是通过所述通信网络传输的数据;并且在确定传输所述数据集合时,将所述数据集合传输到远离所述车辆的服务器。
根据实施例,确定传输所述数据集合的可能性与所述相似性度量正相关。
根据实施例,所述指令还包括用于从所述服务器接收所述激活表面的指令。
根据实施例,所述指令还包括用于确定所述变量等于所述第一值的概率值的指令;并且确定是否传输所述数据集合基于所述概率值。
根据实施例,确定所述概率值基于所述变量的概率分布。
根据实施例,所述指令还包括用于从所述服务器接收变量的概率分布的指令。
根据实施例,确定传输所述数据集合的可能性与所述概率值负相关。
根据实施例,所述指令还包括用于确定包括所述相似性度量和所述概率值的总和的指令;确定是否传输所述数据集合包括确定所述总和是否超过阈值;并且在确定所述总和超过所述阈值时将所述数据集合传输到所述服务器发生。
根据实施例,所述总和是包括由相应权重加权的所述相似性度量和所述概率值的加权总和。
根据实施例,所述指令还包括用于从所述服务器接收所述权重的指令。
根据实施例,所述概率值是第一概率值;所述指令还包括用于接收相应多个辅助变量的多个第三值以及确定所述辅助变量等于所述第三值的第二概率值的指令;所述辅助变量不用于激活所述特征;并且所述总和包括所述相似性度量、所述第一概率值和所述第二概率值。
根据实施例,所述指令还包括用于接收相应多个辅助变量的多个第三值以及确定所述辅助变量等于所述第三值的概率值的指令;所述辅助变量不用于激活所述特征;并且确定是否传输数据集合基于概率值。
根据实施例,确定所述概率值基于所述辅助变量的概率分布。
根据实施例,所述指令还包括用于从所述服务器接收辅助变量的概率分布的指令。
根据实施例,确定传输所述数据集合的可能性与所述概率值负相关。
根据实施例,所述数据集合包括指示所述特征是否在时间间隔期间被激活的数据。
根据实施例,所述数据集合包括时间间隔内的所述变量的多个第三值,并且所述第三值包括所述第一值。
根据实施例,所述特征的激活包括致动所述车辆的推进系统、制动系统或转向系统中的至少一者。
根据实施例,所述特征为以下中的一者:前向碰撞警告、车道偏离警告、盲点警告、自动紧急制动、自适应巡航控制或车道保持辅助。
根据本发明,一种方法包括:接收通过车辆的通信网络传输的相应多个变量的多个第一值;确定所述变量的所述第一值与多个第二值之间的相似性度量,所述第二值是来自所述车辆的特征的激活表面的一组最相似值,为由所述变量限定的空间中的表面的所述激活表面将所述空间划分为第一区域和第二区域,当所述变量具有所述第一区域中的值时,所述特征的激活很可能已经发生,并且当所述变量具有所述第二区域中的值时,所述特征的激活不太可能已经发生;基于所述相似性度量确定是否传输数据集合,所述数据集合是通过所述通信网络传输的数据;并且在确定传输所述数据集合时,将所述数据集合传输到远离所述车辆的服务器。
Claims (15)
1.一种方法,其包括:
接收通过车辆的通信网络传输的相应多个变量的多个第一值;
确定所述变量的所述第一值与多个第二值之间的相似性度量,所述第二值是来自所述车辆的特征的激活表面的一组最相似值,为由所述变量限定的空间中的表面的所述激活表面将所述空间划分为第一区域和第二区域,当所述变量具有所述第一区域中的值时,所述特征的激活很可能已经发生,并且当所述变量具有所述第二区域中的值时,所述特征的激活不太可能已经发生;
基于所述相似性度量确定是否传输数据集合,所述数据集合是通过所述通信网络传输的数据;并且
在确定传输所述数据集合时,将所述数据集合传输到远离所述车辆的服务器。
2.如权利要求1所述的方法,其中确定传输所述数据集合的可能性与所述相似性度量正相关。
3.如权利要求1所述的方法,其还包括确定所述变量等于所述第一值的概率值,其中确定是否传输所述数据集合基于所述概率值。
4.如权利要求3所述的方法,其中确定所述概率值基于所述变量的概率分布。
5.如权利要求3所述的方法,其中确定传输所述数据集合的可能性与所述概率值负相关。
6.如权利要求3所述的方法,其还包括确定包括所述相似性度量和所述概率值的总和,其中确定是否传输所述数据集合包括确定所述总和是否超过阈值,并且在确定所述总和超过所述阈值时将所述数据集合传输到所述服务器发生。
7.如权利要求6所述的方法,其中所述总和是包括由相应权重加权的所述相似性度量和所述概率值的加权总和。
8.如权利要求6所述的方法:
其中所述概率值是第一概率值;
所述方法还包括接收相应多个辅助变量的多个第三值,以及确定所述辅助变量等于所述第三值的第二概率值;
其中所述辅助变量不用于激活所述特征;并且
所述总和包括所述相似性度量、所述第一概率值和所述第二概率值。
9.如权利要求1所述的方法,其还包括:
接收相应多个辅助变量的多个第三值;以及
确定所述辅助变量等于所述第三值的概率值;
其中所述辅助变量不用于激活所述特征;并且
确定是否传输所述数据集合基于所述概率值。
10.如权利要求9所述的方法,其中确定所述概率值基于所述辅助变量的概率分布。
11.如权利要求9所述的方法,其中确定传输所述数据集合的可能性与所述概率值负相关。
12.如权利要求1所述的方法,其中所述数据集合包括指示所述特征是否在时间间隔期间被激活的数据。
13.如权利要求1所述的方法,其中所述数据集合包括时间间隔内的所述变量的多个第三值,并且所述第三值包括所述第一值。
14.如权利要求1所述的方法,其中所述特征的激活包括致动所述车辆的推进系统、制动系统或转向系统中的至少一者。
15.一种计算机,其包括处理器和存储器,所述存储器存储有指令,所述指令能够由所述处理器执行以执行如权利要求1-14中的一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/723,849 | 2022-04-19 | ||
US17/723,849 US20230334914A1 (en) | 2022-04-19 | 2022-04-19 | Vehicle data storage activation |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116912968A true CN116912968A (zh) | 2023-10-20 |
Family
ID=88191596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310371897.8A Pending CN116912968A (zh) | 2022-04-19 | 2023-04-10 | 车辆数据存储激活 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230334914A1 (zh) |
CN (1) | CN116912968A (zh) |
DE (1) | DE102023109345A1 (zh) |
-
2022
- 2022-04-19 US US17/723,849 patent/US20230334914A1/en active Pending
-
2023
- 2023-04-10 CN CN202310371897.8A patent/CN116912968A/zh active Pending
- 2023-04-13 DE DE102023109345.2A patent/DE102023109345A1/de active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102023109345A1 (de) | 2023-10-19 |
US20230334914A1 (en) | 2023-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10752253B1 (en) | Driver awareness detection system | |
US11794787B2 (en) | Vehicle assist feature control | |
US11574463B2 (en) | Neural network for localization and object detection | |
CN112446466A (zh) | 在深度神经网络中测量置信度 | |
CN116142185A (zh) | 自适应巡航控制激活 | |
US20230219576A1 (en) | Target slip estimation | |
CN114842440B (zh) | 自动驾驶环境感知方法、装置、车辆及可读存储介质 | |
US20230334914A1 (en) | Vehicle data storage activation | |
US20230316830A1 (en) | Vehicle data storage activation | |
US20230382372A1 (en) | Vehicle map data management | |
US20220327920A1 (en) | Data collection from fleet of vehicles | |
US20230211779A1 (en) | Adaptive messaging within a cloud and edge computing environment for v2x applications | |
US20230131124A1 (en) | Connected vehicle road-safety infrastructure insights | |
JP2020188407A (ja) | 電子制御装置および移動体制御システム | |
US20230419680A1 (en) | Automatically generating machine-learning training data | |
US20230339517A1 (en) | Autonomous driving evaluation system | |
US20230150496A1 (en) | Adaptive cruise control | |
US11640716B2 (en) | Lane curvature determination | |
CN114572219B (zh) | 自动超车方法、装置、车辆、存储介质及芯片 | |
US20240053747A1 (en) | Detection of autonomous operation of a vehicle | |
US20220314792A1 (en) | Vehicle speed limiting | |
US20240007416A1 (en) | Discovery of remote resource providers for offloading computational processes | |
CN116985806A (zh) | 车辆速度限制 | |
CN117087667A (zh) | 带有负载的自适应巡航控制 | |
CN114500584A (zh) | 车载中继装置、车载中继方法以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |