CN117056799B - 一种车辆传感器数据的处理方法、装置、设备及介质 - Google Patents
一种车辆传感器数据的处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117056799B CN117056799B CN202310975813.1A CN202310975813A CN117056799B CN 117056799 B CN117056799 B CN 117056799B CN 202310975813 A CN202310975813 A CN 202310975813A CN 117056799 B CN117056799 B CN 117056799B
- Authority
- CN
- China
- Prior art keywords
- signals
- sensor data
- vehicle sensor
- signal
- frequency
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000011157 data evaluation Methods 0.000 claims abstract description 9
- 230000001133 acceleration Effects 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 57
- 238000004590 computer program Methods 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000003825 pressing Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种车辆传感器数据的处理方法、装置、设备及介质，根据获取的车辆传感器数据的频域分布，对所述车辆传感器数据进行分类；所述车辆传感器数据包括车辆驱动信号、制动信号和实时状态信号；对分类后的信号分别进行滤波处理；采用正则化在线极限学习机拟合滤波处理后的信号，确定还原度最高的最优信号；根据所述最优信号对驾驶过程进行数据评估，并输出驾驶性评估结果。上述方法能够高效、高还原度对车辆传感器数据进行处理。
Description
技术领域
本发明涉及数据获取技术领域，尤其涉及一种车辆传感器数据的处理方法、装置、设备及介质。
背景技术
数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据，是系统工程和自动控制的基本环节。以汽车的驾驶性评估为例，由于驾驶性指标的多样性，工程师所需评估分析的数据即从车辆传感器输入的驾驶性主客观数据总是庞大又冗杂的，还伴随着不必要的噪声。而合理准确的对车辆参数进行处理分析可以为驾驶性的优化与改进提供理论依据，从而提高整车的驾驶性能，进一步提高整车的综合性能。
但现有的数据处理方法未考虑车辆传感器数据的动态特性，处理后的数据会影响信号输出的还原度，进一步影响后续进程。并且车辆传感器输入数据的数量级偏大，现有的数据处理方法效率太低。
发明内容
为解决上述技术问题，本发明提供一种车辆传感器数据的处理方法、装置、设备及介质，能够高效、高还原度对车辆传感器数据进行处理。
本发明实施例提供一种车辆传感器数据的处理方法，所述方法包括：
根据获取的车辆传感器数据的频域分布，对所述车辆传感器数据进行分类；所述车辆传感器数据包括车辆驾驶性能信号和实时状态信号；
对分类后的信号分别进行滤波处理；
采用正则化在线极限学习机拟合滤波处理后的信号，确定还原度最高的最优信号；
根据所述最优信号对驾驶过程进行数据评估，并输出驾驶性评估结果。
优选地，所述车辆传感器数据包括：底盘加速度信号、横向加速度信号、垂向加速度信号、油门踏板信号、空调开关信号、刹车信号、转速信号、变速器信号、档位信号、扭矩信号、涡轮转速信号以及车速信号。
作为一种优选方案，所述分类后的信号包括低频信号、高频信号和中频信号。
优选地，所述对分类后的信号分别进行滤波处理，包括：
对分类后的低频信号采用低通时域滤波，滤除信号中的高频噪声；
对分类后的高频信号采用高通时域滤波，滤除信号中的低频噪声；
对分类后的中频信号使用简单平均法，使得信号更加平滑；并允许预设频段的信号通过同时滤除其他频段信号；
滤波处理公式为：
其中，ak为第k个输出信号的权系数，bk为第k个输入信号的权系数，N与M为滤波器的阶数，y[n]表示当前时刻滤波器的输出信号，y[n-k]表示当前时刻前k次的输出信号，x[n-k]表示当前时刻前k次的输入信号。
优选地，所述最优信号为：
其中，h(x)为隐藏层特征映射相对于输入x的输出向量，β为隐藏层和输出节点之间的输出权重向量，βi为输出权重向量β中的特征，hi(x)为输出向量h(x)中的特征，β＝(HTH+λI)-1HTT，h(x)＝[h1(x),h2(x),…,hL(x)]，H为隐藏层输出矩阵，H＝[h(x1),h(x2),…,h(xN)]T，λ为预设参数，T为实际目标，I为单位矩阵。
优选地，所述驾驶性评估结果包括响应延迟、峰值加速度、最大变加速度以及扭矩平稳度；
所述响应延迟tr＝tz-tc,t∈(tz,te)；
所述峰值加速度
所述最大变加速度
所述扭矩平稳度
其中，tz表示加速度增加0.5m/s2的时间，tc为踩下油门踏板的时间，te为工况结束时间；v为速度，t为时间；a为加速度；ΔTi为峰值扭矩后第i个扭矩波峰波谷的差值。
本发明另一实施例提供一种车辆传感器数据的处理装置，所述装置包括：
分类模块，用于根据获取的车辆传感器数据的频域分布，对所述车辆传感器数据进行分类；
滤波模块，用于对分类后的信号分别进行滤波处理；
正则化模块，用于采用正则化在线极限学习机拟合滤波处理后的信号，确定还原度最高的最优信号；
评估模块，用于根据所述最优信号对驾驶过程进行数据评估，并输出驾驶性评估结果。
优选地，所述车辆传感器数据包括：底盘加速度信号、横向加速度信号、垂向加速度信号、油门踏板信号、空调开关信号、刹车信号、转速信号、变速器信号、档位信号、扭矩信号、涡轮转速信号以及车速信号。
作为一种优选方案，所述分类后的信号包括低频信号、高频信号和中频信号。
优选地，所述对分类后的信号分别进行滤波处理，包括：
对分类后的低频信号采用低通时域滤波，滤除信号中的高频噪声；
对分类后的高频信号采用高通时域滤波，滤除信号中的低频噪声；
对分类后的中频信号使用简单平均法，使得信号更加平滑；并允许预设频段的信号通过同时滤除其他频段信号；
滤波处理公式为：
其中，ak为第k个输出信号的权系数，bk为第k个输入信号的权系数，N与M为滤波器的阶数，y[n]表示当前时刻滤波器的输出信号，y[n-k]表示当前时刻前k次的输出信号，x[n-k]表示当前时刻前k次的输入信号。
作为一种优选方案，所述最优信号为：
其中，h(x)为隐藏层特征映射相对于输入x的输出向量，β为隐藏层和输出节点之间的输出权重向量，βi为输出权重向量β中的特征，hi(x)为输出向量h(x)中的特征，β＝(HTH+λI)-1HTT，h(x)＝[h1(x),h2(x),…,hL(x)]，H为隐藏层输出矩阵，H＝[h(x1),h(x2),…,h(xN)]T，λ为预设参数，T为实际目标，I为单位矩阵。
优选地，所述驾驶性评估结果包括响应延迟、峰值加速度、最大变加速度以及扭矩平稳度；
所述响应延迟tr＝tz-tc,t∈(tz,te)；
所述峰值加速度
所述最大变加速度
所述扭矩平稳度
其中，tz表示加速度增加0.5m/s2的时间，tc为踩下油门踏板的时间，te为工况结束时间；v为速度，t为时间；a为加速度；ΔTi为峰值扭矩后第i个扭矩波峰波谷的差值。
本发明另一实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的车辆传感器数据的处理方法。
本发明另一实施例提供了一种车辆传感器数据的处理装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的车辆传感器数据的处理方法。
与现有技术相比，本发明提供的一种车辆传感器数据的处理方法、装置、设备及介质，根据获取的车辆传感器数据的频域分布，对所述车辆传感器数据进行分类；所述车辆传感器数据包括车辆驱动信号、制动信号和实时状态信号；对分类后的信号分别进行滤波处理；采用正则化在线极限学习机拟合滤波处理后的信号，确定还原度最高的最优信号；根据所述最优信号对驾驶过程进行数据评估，并输出驾驶性评估结果。上述方法能够高效、高还原度对车辆传感器数据进行处理。
附图说明
图1是本发明实施例提供的一种车辆传感器数据的处理方法的流程示意图；
图2是本发明实施例提供的一种车辆传感器数据的处理装置的结构示意图；
图3是本发明另一实施例提供的一种车辆传感器数据的处理装置的结构示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种车辆传感器数据的处理方法，参见图1，是本发明实施例提供的一种车辆传感器数据的处理方法的流程示意图，所述方法步骤S1～S4：
S1，根据获取的车辆传感器数据的频域分布，对所述车辆传感器数据进行分类；
S2，对分类后的信号分别进行滤波处理；
S3，采用正则化在线极限学习机拟合滤波处理后的信号，确定还原度最高的最优信号；
S4，根据所述最优信号对驾驶过程进行数据评估，并输出驾驶性评估结果。
在本实施例具体实施时，将车辆驾驶性能信号和实时状态信号作为车辆传感器数据输入，进行车辆传感器数据处理时，数据处理过程是基于MATLABSimulink实现的，包含数据预处理部分和分类滤波处理部分，车辆输入的驾驶信号特点主要为：信号种类多，行驶过程中，为了应对车内信息、车外道路信息(如路面平整度、曲率、坡度、宽度等)，以及交通信息(交通信号、交通标志、行人和其他车辆等的变化，车辆输入的驾驶性信号种类繁多，包括加速度信号，刹车信号，转速信号等等；待处理信号变化较大，由于交通的复杂性和信息的不稳定性，使得车辆输入的驾驶性信号变化较大。
因此进行数据处理前需要根据输出的频谱分布，对所述车辆传感器数据进行分类；
在对数据分类的基础上，对所分类后的信号分别进行对应的滤波处理；
利用正则化在线极限学习机拟合滤波处理后的信号，计算不同信号的还原度，找到还原度最高的信号，作为最优信号。
根据所述最优信号对驾驶过程进行数据评估，并输出驾驶性评估结果。
本实施例提供的面向车辆数据动态特性的传感器数据处理的方法，针对由传感器输入的车辆数据的动态特性，事先对相关信号进行预处理，提高数据处理的效率。能够消除传感器数据的噪声，信号数值得以还原，从而提高驾驶性评估过程的准确性和有效性，避免影响后续驾驶性的优化与改进，提高整车的驾驶性能，进一步提高整车的综合性能。
在本发明提供的又一实施例中，所述车辆传感器数据包括：底盘加速度信号、横向加速度信号、垂向加速度信号、油门踏板信号、空调开关信号、刹车信号、转速信号、变速器信号、档位信号、扭矩信号、涡轮转速信号、车速信号以及车辆传动比。
在本实施例具体实施时，车辆传感器数据具体包括加速度信号以及踏板信号；具体地，输入的车辆驾驶性能信号和实时状态信息具体包括：底盘加速度信号，横向加速度信号，垂向加速度信号，油门踏板信号，空调开关信号，刹车信号，转速信号，变速器信号，档位信号，扭矩信号，涡轮转速信号以及车速信号。
在本发明提供的又一实施例中，所述分类后的信号包括低频信号、高频信号和中频信号。
在本实施例具体实施时，根据频谱分布对信号进行分类能够得到低频信号、高频信号和中频信号。
需要说明的是，具体低频信号、高频信号和中频信号的划分可具体参照常规的信号频谱划分方法，也可以采用预设的划分区间确定低频信号、高频信号和中频信号。
在本发明提供的又一实施例中，所述对分类后的信号分别进行滤波处理，包括：
对分类后的低频信号采用低通时域滤波，滤除信号中的高频噪声；
对分类后的高频信号采用高通时域滤波，滤除信号中的低频噪声；
对分类后的中频信号使用简单平均法，使得信号更加平滑；并允许预设频段的信号通过同时滤除其他频段信号；
滤波处理公式为：
其中，ak为第k个输出信号的权系数，bk为第k个输入信号的权系数，N与M为滤波器的阶数，y[n]表示当前时刻滤波器的输出信号，y[n-k]表示当前时刻前k次的输出信号，x[n-k]表示当前时刻前k次的输入信号。
在本实施例具体实施时，在进行滤波处理时，低频信号进行低通滤波信号处理，高频信号进行高通滤波处理，中频信号分别进行平滑滤波处理和带通滤波信号处理。
滤波处理的具体公式如下：
其中，ak为第k个输出信号的权系数，bk为第k个输入信号的权系数，N与M为滤波器的阶数，y[n]表示当前时刻滤波器的输出信号，y[n-k]表示当前时刻前k次的输出信号，x[n-k]表示当前时刻前k次的输入信号。
具体的，低通滤波处理是指使用低通时域滤波以滤除信号中的高频噪声，从而还原真实信号；
高通滤波处理是指使用高通时域滤波以滤除信号中的低频噪声，从而还原真实信号；
平滑滤波处理是指使用简单平均法使信号更加平滑，从而还原真实信号；
带通滤波处理是指允许特定频段的信号通过同时滤除其他频段信号的处理，从而还原真实信号。
采用滤波处理方法进行数据处理，以此达到去除噪声、还原信号的效果。
在本发明提供的又一实施例中，所述最优信号为：
其中，h(x)为隐藏层特征映射相对于输入x的输出向量，β为隐藏层和输出节点之间的输出权重向量，βi为输出权重向量β中的特征，hi(x)为输出向量h(x)中的特征，β＝(HTH+λI)-1HTT，h(x)＝[h1(x),h2(x),…,hL(x)]，H为隐藏层输出矩阵，H＝[h(x1),h(x2),…,h(xN)]T，λ为预设参数，T表示多元线性回归问题，I为单位矩阵。
在本实施例具体实施时，对比找到最佳信号，采用的优化算法是基于神经网络的正则化在线极限学习机算法，将滤波处理后的信号输入极限学习机进一步优化，对比还原度得出最合适的信号，找到还原度最高的信号，其对应的滤波处理方法就是最优方法；
对于具有一个隐藏层和L个隐藏节点的神经网络，极限学习机的输出函数f(x)为：
其中，h(x)＝[h1(x),h2(x),…,hL(x)]是隐藏层特征映射相对于输入x的输出向量，β＝[β1,β2,…,βL]T表示隐藏层和输出节点之间的输出权重向量。
对于具有N个样本的训练数据集S，使用矩阵H＝[h(x1),h(x2),…,h(xN)]T来表示隐藏层输出。H的大小是N×L，每一行的H是特征映射后的训练样本，考虑到信号处理的复杂性，将极限学习机的隐藏节点个数设置为100，样本的个数N为每种滤波处理之后对应的数据个数，激活函数选择Sigmoid函数。
基础极限学习机的目标是最小化训练误差为：Minimize:||Hβ-T||2；
其中，T是实际目标，数学上这是个多元线性回归问题，β的解为: 是H的广义逆，如果HTH是非奇异的，则H表示为：/>
则计算得到β＝(HTH)-1HTT。
由于基础ELM是基于经验风险最小化原则的，因此训练后的模型趋于过度拟合，并且基础学习机是离线进行的，无法根据已有数据在线修订隐层权值，采用在线正则化极限学习机来改进版本。
在线正则化极限学习机的最佳目标是不仅最小化训练误差同时也最小化输出权重的范数，即：Minimize:||Hβ-T||2andλ||β||2；
优化问题改为：
其中，λ是指定的参数，用于在训练误差和输出权重的范数之间进行权衡，N训练数据的数量，ξi是第i个训练数据的误差，也称为松弛变量。
经过上述计算，得到β＝(HTH+λI)-1HTT。
通过正则化在线极限学习机进行信号的优化对比，选择出了最优滤波处理方法，提高了数据处理的效率。
在本发明提供的又一实施例中，所述驾驶性评估结果包括响应延迟、峰值加速度、最大变加速度以及扭矩平稳度；
所述响应延迟tr＝tz-tc,t∈(tz,te)；
所述峰值加速度
所述最大变加速度
所述扭矩平稳度
其中，tz表示加速度增加0.5m/s2的时间，tc为踩下油门踏板的时间，te为工况结束时间；v为速度，t为时间；a为加速度；ΔTi为峰值扭矩后第i个扭矩波峰波谷的差值。
在本实施例具体实施时，驾驶评估的评价逻辑主要受到三个方面的因素影响，第一是加速连贯性，具体指标为响应延迟、峰值加速度以及最大变加速度；第二是换挡频次；第三是加速的动态响应，具体指标为扭矩平稳度；
响应延迟反映了加速度的响应情况，响应延迟tr＝tz-tc,t∈(tz,te)；
式中，tr表示响应延迟时间，tz表示加速度增加0.5m/s2的时间，tc为踩下油门踏板的时间，te为工况结束时间。
峰值加速度表示加速度的最大值，峰值加速度
式中，amax为峰值加速度，v为速度，t为时间。
最大变加速度反映加速度增加的快慢程度，最大变加速度
式中，Jmax为最大变加速度。
扭矩平稳度为扭矩图中最大扭矩之后的5个波峰、波谷的差值平均数与对应扭矩曲线段的平均值的比值，扭矩平稳度：
式中，Tp为扭矩平稳度，ΔTi为峰值扭矩后第i个扭矩波峰波谷的差值。
在本发明提供的又一实施例中，参见图2，是本发明实施例提供的一种车辆传感器数据的处理装置的结构示意图，所述装置包括：
分类模块，用于根据获取的车辆传感器数据的频域分布，对所述车辆传感器数据进行分类；
滤波模块，用于对分类后的信号分别进行滤波处理；
正则化模块，用于采用正则化在线极限学习机拟合滤波处理后的信号，确定还原度最高的最优信号；
评估模块，用于根据所述最优信号对驾驶过程进行数据评估，并输出驾驶性评估结果。
需要说明的是，本发明实施例提供的一种车辆传感器数据的处理装置用于执行上述实施例的一种车辆传感器数据的处理方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。
参见图3，是本发明另一实施例提供的一种车辆传感器数据的处理装置的结构示意图。该实施例的车辆传感器数据的处理装置包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如车辆传感器数据的处理程序。所述处理器执行所述计算机程序时实现上述各个车辆传感器数据的处理方法实施例中的步骤，例如图1所示的步骤S1～S4。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述车辆传感器数据的处理装置中的执行过程。例如，所述计算机程序可以被分割成多个模块，各模块具体功能再次不作赘述。
所述车辆传感器数据的处理装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述车辆传感器数据的处理装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是车辆传感器数据的处理装置的示例，并不构成对车辆传感器数据的处理装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述车辆传感器数据的处理装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述车辆传感器数据的处理装置的控制中心，利用各种接口和线路连接整个车辆传感器数据的处理装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述车辆传感器数据的处理装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述车辆传感器数据的处理装置集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种车辆传感器数据的处理方法，其特征在于，所述方法包括：
根据获取的车辆传感器数据的频域分布，对所述车辆传感器数据进行分类；
对分类后的信号分别进行滤波处理；
采用正则化在线极限学习机拟合滤波处理后的信号，确定还原度最高的最优信号；
根据所述最优信号对驾驶过程进行数据评估，并输出驾驶性评估结果；
所述分类后的信号包括低频信号、高频信号和中频信号；
所述对分类后的信号分别进行滤波处理，包括：
对分类后的低频信号采用低通时域滤波，滤除信号中的高频噪声；
对分类后的高频信号采用高通时域滤波，滤除信号中的低频噪声；
对分类后的中频信号使用简单平均法，使得信号更加平滑；并允许预设频段的信号通过同时滤除其他频段信号；
滤波处理公式为：
其中，ak为第k个输出信号的权系数，bk为第k个输入信号的权系数，N与m为滤波器的阶数，y[n]表示当前时刻滤波器的输出信号，y[n-k]表示当前时刻前k次的输出信号，x[n-k]表示当前时刻前k次的输入信号。
2.如权利要求1所述的车辆传感器数据的处理方法，其特征在于，所述车辆传感器数据包括：底盘加速度信号、横向加速度信号、垂向加速度信号、油门踏板信号、空调开关信号、刹车信号、转速信号、变速器信号、档位信号、扭矩信号、涡轮转速信号以及车速信号。
3.如权利要求1所述的车辆传感器数据的处理方法，其特征在于，所述最优信号为：
其中，h(x)为隐藏层特征映射相对于输入x的输出向量，β为隐藏层和输出节点之间的输出权重向量，βi为输出权重向量β中的特征，hi(x)为输出向量h(x)中的特征，β＝(HTH+λI)-1HTT，h(x)＝[h1(x),h2(x),…,hL(x)]，H为隐藏层输出矩阵，H＝[h(x1),h(x2),…,h(xN)]T，λ为预设参数，T为实际目标，I为单位矩阵。
4.如权利要求1所述的车辆传感器数据的处理方法，其特征在于，所述驾驶性评估结果包括响应延迟、峰值加速度、最大变加速度以及扭矩平稳度；
所述响应延迟tr＝tz-tc,t∈(tz,te)；
所述峰值加速度
所述最大变加速度
所述扭矩平稳度
其中，tz表示加速度增加0.5m/s2的时间，tc为踩下油门踏板的时间，te为工况结束时间；v为速度，t为时间；a为加速度；ΔTi为峰值扭矩后第i个扭矩波峰波谷的差值。
5.一种车辆传感器数据的处理装置，其特征在于，所述装置包括：
分类模块，用于根据获取的车辆传感器数据的频域分布，对所述车辆传感器数据进行分类；
滤波模块，用于对分类后的信号分别进行滤波处理；
正则化模块，用于采用正则化在线极限学习机拟合滤波处理后的信号，确定还原度最高的最优信号；
评估模块，用于根据所述最优信号对驾驶过程进行数据评估，并输出驾驶性评估结果；
所述分类后的信号包括低频信号、高频信号和中频信号；
所述对分类后的信号分别进行滤波处理，包括：
对分类后的低频信号采用低通时域滤波，滤除信号中的高频噪声；
对分类后的高频信号采用高通时域滤波，滤除信号中的低频噪声；
对分类后的中频信号使用简单平均法，使得信号更加平滑；并允许预设频段的信号通过同时滤除其他频段信号；
滤波处理公式为：
其中，ak为第k个输出信号的权系数，bk为第k个输入信号的权系数，N与M为滤波器的阶数，y[n]表示当前时刻滤波器的输出信号，y[n-k]表示当前时刻前k次的输出信号，x[n-k]表示当前时刻前k次的输入信号。
6.如权利要求5所述的车辆传感器数据的处理装置，其特征在于，所述车辆传感器数据包括：底盘加速度信号、横向加速度信号、垂向加速度信号、油门踏板信号、空调开关信号、刹车信号、转速信号、变速器信号、档位信号、扭矩信号、涡轮转速信号以及车速信号。
7.一种车辆传感器数据的处理装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4中任意一项所述的车辆传感器数据的处理方法。
8.一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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4中任意一项所述的车辆传感器数据的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310975813.1A CN117056799B (zh) | 2023-08-03 | 2023-08-03 | 一种车辆传感器数据的处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310975813.1A CN117056799B (zh) | 2023-08-03 | 2023-08-03 | 一种车辆传感器数据的处理方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117056799A CN117056799A (zh) | 2023-11-14 |
| CN117056799B true CN117056799B (zh) | 2024-03-26 |
Family
ID=88667043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310975813.1A Active CN117056799B (zh) | 2023-08-03 | 2023-08-03 | 一种车辆传感器数据的处理方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117056799B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206224206U (zh) * | 2016-11-18 | 2017-06-06 | 深圳市鑫冠辉达电子有限公司 | 一种新能源车载远程监控系统 |
| CN109076093A (zh) * | 2015-12-15 | 2018-12-21 | 奥克拓远程信息处理技术有限公司 | 控制车辆中基于传感器的数据采集和信号处理的系统和方法 |
| CN109241926A (zh) * | 2018-09-19 | 2019-01-18 | 重庆信络威科技有限公司 | 一种基于小波分析的驾驶行为识别方法 |
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| CN112036746A (zh) * | 2020-08-31 | 2020-12-04 | 东风汽车集团有限公司 | 一种智能车辆驾驶性评价指标体系创建方法、装置及介质 |
| CN114926825A (zh) * | 2022-05-11 | 2022-08-19 | 复旦大学 | 一种基于时空特征融合的车辆驾驶行为检测方法 |
| CN114970705A (zh) * | 2022-05-20 | 2022-08-30 | 深圳市有一说一科技有限公司 | 基于多传感数据的行驶状态分析方法、装置、设备及介质 |
| CN115422837A (zh) * | 2022-08-31 | 2022-12-02 | 江苏大学 | 一种基于深度高斯过程的智能汽车动力学预测模型、训练数据获取方法、以及训练方法 |
| CN115626167A (zh) * | 2022-10-13 | 2023-01-20 | 珠海市魅族科技有限公司 | 基于情绪识别的驾驶控制方法、装置、设备及存储介质 |
| CN115946704A (zh) * | 2023-01-16 | 2023-04-11 | 奇瑞汽车股份有限公司 | 驾驶风格识别方法及装置 |
| CN116045972A (zh) * | 2022-03-02 | 2023-05-02 | 上海共迹科技有限公司 | 一种基于车辆姿态角的道路坡度估计方法 |
| CN116229011A (zh) * | 2022-12-08 | 2023-06-06 | 东南大学 | 一种基于空间数据融合和网格化的车辆感知训练方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10895639B2 (en) * | 2017-11-30 | 2021-01-19 | Avanti R&D, Inc. | Sensor platform improvement utilizing sound sensor analysis |
| US11699306B2 (en) * | 2019-08-16 | 2023-07-11 | Cambridge Mobile Telematics, Inc. | Method and system for vehicle speed estimation |
-
2023
- 2023-08-03 CN CN202310975813.1A patent/CN117056799B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109076093A (zh) * | 2015-12-15 | 2018-12-21 | 奥克拓远程信息处理技术有限公司 | 控制车辆中基于传感器的数据采集和信号处理的系统和方法 |
| CN206224206U (zh) * | 2016-11-18 | 2017-06-06 | 深圳市鑫冠辉达电子有限公司 | 一种新能源车载远程监控系统 |
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| CN109241926A (zh) * | 2018-09-19 | 2019-01-18 | 重庆信络威科技有限公司 | 一种基于小波分析的驾驶行为识别方法 |
| CN112036746A (zh) * | 2020-08-31 | 2020-12-04 | 东风汽车集团有限公司 | 一种智能车辆驾驶性评价指标体系创建方法、装置及介质 |
| CN116045972A (zh) * | 2022-03-02 | 2023-05-02 | 上海共迹科技有限公司 | 一种基于车辆姿态角的道路坡度估计方法 |
| CN114926825A (zh) * | 2022-05-11 | 2022-08-19 | 复旦大学 | 一种基于时空特征融合的车辆驾驶行为检测方法 |
| CN114970705A (zh) * | 2022-05-20 | 2022-08-30 | 深圳市有一说一科技有限公司 | 基于多传感数据的行驶状态分析方法、装置、设备及介质 |
| CN115422837A (zh) * | 2022-08-31 | 2022-12-02 | 江苏大学 | 一种基于深度高斯过程的智能汽车动力学预测模型、训练数据获取方法、以及训练方法 |
| CN115626167A (zh) * | 2022-10-13 | 2023-01-20 | 珠海市魅族科技有限公司 | 基于情绪识别的驾驶控制方法、装置、设备及存储介质 |
| CN116229011A (zh) * | 2022-12-08 | 2023-06-06 | 东南大学 | 一种基于空间数据融合和网格化的车辆感知训练方法 |
| CN115946704A (zh) * | 2023-01-16 | 2023-04-11 | 奇瑞汽车股份有限公司 | 驾驶风格识别方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| A Novel Machine Learning Method Based Approach for Li-Ion Battery Prognostic and Health Management;JIAMING FAN 等;《IEEE Access》;第7卷;160043-160061 * |
| Bai Yan 等.《2019 IEEE 19th International Conference on Communication Technology》.5HVHDUFK RQ &ODVVLILFDWLRQ 0RGHO RI 1DWXUDO 'ULYLQJ 6FHQDULR %DVHG RQ /LJKW*%0,2020,1688-1693. * |
| 基于底盘测功机的整车驾驶性客观测试与评价方法研究;李波;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第05期);C035-93 * |
| 基于机器学习的乘用车异响分类算法应用研究;张博文;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第05期);C035-1701 * |
| 智能车环境下车辆典型行为识别方法研究;任亮;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第01期);C034-736 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117056799A (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Melzi et al. | On the vehicle sideslip angle estimation through neural networks: Numerical and experimental results | |
| JP6815519B2 (ja) | 車両のタイヤを較正するシステム及び方法 | |
| CN109460738B (zh) | 一种基于无损失函数的深度卷积神经网络的路面类型估算方法 | |
| CN109799699A (zh) | 一种控制参数处理方法及其装置、设备、存储介质 | |
| DE102017201302A1 (de) | Verfahren zum bestimmen von strassenoberflächen basierend auf fahrzeugdaten | |
| CN111125854A (zh) | 车辆动力学模型的优化方法、装置、存储介质和终端设备 | |
| DE102019218613A1 (de) | Objektklassifizierungsverfahren, Objektklassifizierungsschaltung, Kraftfahrzeug | |
| DE102020210744A1 (de) | System zum modellieren einer antiblockiersystemsteuerung eines fahrzeugs | |
| CN117056799B (zh) | 一种车辆传感器数据的处理方法、装置、设备及介质 | |
| CN110816531B (zh) | 一种无人驾驶汽车车辆间安全距离的控制系统及控制方法 | |
| CN117150882A (zh) | 发动机油耗预测方法、系统、电子设备及存储介质 | |
| CN109910865B (zh) | 一种基于物联网的车辆预警刹车方法 | |
| CN115830368A (zh) | 一种车辆减震器缺陷诊断方法、系统、设备及介质 | |
| CN114162132B (zh) | 一种基于主客观评价的驾驶模式识别方法 | |
| CN114932913A (zh) | 基于数据误差提取和特征概率分析的车重估计方法 | |
| DE102020116507A1 (de) | Verfahren zur Ermittlung einer Zielgröße | |
| JPH0911929A (ja) | 操作フィーリング推定方法およびその装置 | |
| CN112304632A (zh) | 一种描述人耳感知的瞬态调制评价方法 | |
| CN116331235A (zh) | 一种车辆预瞄点的确定方法、装置、电子设备及介质 | |
| CN116360602B (zh) | 一种脑机接口功能改进、测试方法、装置、设备及介质 | |
| CN112836722B (zh) | 一种基于数据驱动的路感模拟方法 | |
| CN116906561B (zh) | 基于短时驾驶风格识别的车辆换挡点优化控制方法及系统 | |
| CN111523373B (zh) | 一种基于边缘检测的车辆识别方法、装置及存储介质 | |
| Karri et al. | Using artificial neural networks to predict vehicle acceleration and yaw angles | |
| CN108986112A (zh) | 基于剪切波变换和机器学习的不连续条纹滤波方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |