CN117238038A - 一种基于数字孪生技术的数据监测系统 - Google Patents

一种基于数字孪生技术的数据监测系统 Download PDF

Info

Publication number
CN117238038A
CN117238038A CN202311515749.5A CN202311515749A CN117238038A CN 117238038 A CN117238038 A CN 117238038A CN 202311515749 A CN202311515749 A CN 202311515749A CN 117238038 A CN117238038 A CN 117238038A
Authority
CN
China
Prior art keywords
data
time
angular velocity
acceleration
index
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.)
Granted
Application number
CN202311515749.5A
Other languages
English (en)
Other versions
CN117238038B (zh
Inventor
万力
王庆焕
邢军鹏
李晓阳
刘其敏
邵龙
李冬冬
许茂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Haibo Technology Information System Co ltd
Original Assignee
Shandong Haibo Technology Information System Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Haibo Technology Information System Co ltd filed Critical Shandong Haibo Technology Information System Co ltd
Priority to CN202311515749.5A priority Critical patent/CN117238038B/zh
Publication of CN117238038A publication Critical patent/CN117238038A/zh
Application granted granted Critical
Publication of CN117238038B publication Critical patent/CN117238038B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于数字孪生技术的数据监测系统，属于数据处理技术领域，包括数据采集单元、数据孪生镜像模型生成单元、动作姿态生成单元和动作姿态对比单元；数据采集单元用于采集用户在各个时刻的加速度数据和角速度数据；数据孪生镜像模型生成单元用于生成第一动作孪生模型和第二动作孪生模型；动作姿态生成单元用于确定用户的动作姿态序列；动作姿态对比单元用于根据用户的动作姿态序列。该基于数字孪生技术的数据监测系统通过传感器采集数据进行姿态识别，与数字孪生结合，确定动作孪生模型；通过对动作数据进行指标运算，生成加速度指标和角速度指标，对两个动作孪生模型进行更新，使得生成的两个动作更新模型更加准确。

Description

一种基于数字孪生技术的数据监测系统
技术领域
本发明属于数据处理技术领域，具体涉及一种基于数字孪生技术的数据监测系统。
背景技术
行车安全是汽车行业最重要的问题之一，如何引导驾驶员进行正确安全的驾驶是汽车生产商的使命，而能够及时识别驾驶员的各种驾驶行为，特别是危险的驾驶行为(如双手离开方向盘、视线偏离、疲劳驾驶、情绪异常等)有助于及时提醒驾驶员安全操作，避免意外的发生。数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度和多概率的仿真过程。如何将数字孪生技术（重点是传感器）与行车安全监测结合，完成驾驶员的动作监测是急需解决的问题，因此本发明提出了一种基于数字孪生技术的数据监测系统。
发明内容
本发明为了解决以上问题，提出了一种基于数字孪生技术的数据监测系统。
本发明的技术方案是：一种基于数字孪生技术的数据监测系统包括数据采集单元、数据孪生镜像模型生成单元、动作姿态生成单元和动作姿态对比单元；
数据采集单元用于采集用户在各个时刻的加速度数据和角速度数据；
数据孪生镜像模型生成单元用于根据用户在各个时刻的加速度数据，生成第一动作孪生模型，根据用户在各个时刻的角速度数据，生成第二动作孪生模型；
动作姿态生成单元用于根据第一动作孪生模型和第二动作孪生模型，确定用户的动作姿态序列；
动作姿态对比单元用于根据用户的动作姿态序列，完成数据监测。
进一步地，第一动作孪生模型F的表达式为：；式中，α(t1)表示第t1时刻的加速度数据，α(t2)表示第t2时刻的加速度数据，α(t3)表示第t3时刻的加速度数据，α(tn)表示第tn时刻的加速度数据，α(tN)表示第tN时刻的加速度数据；
第二动作孪生模型G的表达式为：；式中，β(t1)表示第t1时刻的角速度数据，β(t2)表示第t2时刻的角速度数据，β(t3)表示第t3时刻的角速度数据，β(tn)表示第tn时刻的角速度数据，β(tN)表示第tN时刻的角速度数据。
上述进一步方案的有益效果是：在本发明中，第一动作孪生模型和第二动作孪生模型以传感器采集到的加速度数据和角速度数据构建，动作孪生模型中的元素不单以各个时刻的加速度数据和角速度数据构成，还将各个时刻的加速度数据/角速度数据与最终时刻的加速度数据/角速度数据做相除运算，从而形成完整的动作孪生模型，对用户的运动数据进行完整刻画。
进一步地，动作姿态生成单元确定用户的动作姿态序列包括以下步骤：
A1、根据用户在各个时刻的加速度数据，确定各个时刻的加速度指标；
A2、根据用户在各个时刻的角速度数据以及加速度指标，确定各个时刻的角速度指标；
A3、利用各个时刻的加速度指标和角速度指标，对第一动作孪生模型和第二动作孪生模型进行更新，对应生成第一动作更新模型和第二动作更新模型；
A4、根据第一动作更新模型和第二动作更新模型，确定用户的动作姿态序列。
上述进一步方案的有益效果是：在本发明中，将用户在各个时刻的加速度数据与相邻时刻的加速度数据进行运算，得到可以表征加速度在各个时刻变化情况的加速度指标，再将各个时刻的角速度数据与加速度指标进行数学运算，得到角速度指标；利用加速度指标和角速度指标对两个孪生动作模型进行更新处理，使得孪生动作模型中各个时刻数据与相邻时刻的数据有效结合，模型表示更加准确。
进一步地，A1中，第tn时刻的加速度指标θn的计算公式为：；式中，α(tn)表示第tn时刻的加速度数据，α(tn+1)表示第tn+1时刻的加速度数据，α(tn-1)表示第tn-1时刻的加速度数据，max(·)表示最大值运算，N表示所有采集时刻。
进一步地，A2中，第tn时刻的角速度指标δn的计算公式为：，式中，θn表示第tn时刻的加速度指标，θn+1表示第tn+1时刻的加速度指标，θn-1表示第tn-1时刻的加速度指标，α(tn)表示第tn时刻的加速度数据，β(tn)表示第tn时刻的角速度数据。
进一步地，A3中，第一动作更新模型F＇的表达式为：；式中，θ1表示第t1时刻的加速度指标，θ2表示第t2时刻的加速度指标，θ3表示第t3时刻的加速度指标，θn表示第tn时刻的加速度指标，θN表示第tN时刻的加速度指标，α(t1)表示第t1时刻的加速度数据，α(t2)表示第t2时刻的加速度数据，α(t3)表示第t3时刻的加速度数据，α(tn)表示第tn时刻的加速度数据，α(tN)表示第tN时刻的加速度数据；
A3中，第二动作更新模型G＇的表达式为：；式中，δ1表示第t1时刻的角速度指标，δ2表示第t2时刻的角速度指标，δ3表示第t3时刻的角速度指标，δn表示第tn时刻的角速度指标，δN表示第tN时刻的角速度指标，β(t1)表示第t1时刻的角速度数据，β(t2)表示第t2时刻的角速度数据，β(t3)表示第t3时刻的角速度数据，β(tn)表示第tn时刻的角速度数据，β(tN)表示第tN时刻的角速度数据。
进一步地，A4包括以下子步骤：
A41、将第一动作更新模型和第二动作更新模型进行融合处理，生成动作融合模型；
A42、提取动作融合模型中各个元素的数值，生成初始动作姿态序列；
A43、剔除初始动作姿态序列中的重复值，生成动作姿态序列。
进一步地，A41中，动作融合模型H的表达式为：；式中，θ1表示第t1时刻的加速度指标，θ2表示第t2时刻的加速度指标，θ3表示第t3时刻的加速度指标，θn表示第tn时刻的加速度指标，θN表示第tN时刻的加速度指标，α(t1)表示第t1时刻的加速度数据，α(t2)表示第t2时刻的加速度数据，α(t3)表示第t3时刻的加速度数据，α(tn)表示第tn时刻的加速度数据，α(tN)表示第tN时刻的加速度数据，δ1表示第t1时刻的角速度指标，δ2表示第t2时刻的角速度指标，δ3表示第t3时刻的角速度指标，δn表示第tn时刻的角速度指标，δN表示第tN时刻的角速度指标，β(t1)表示第t1时刻的角速度数据，β(t2)表示第t2时刻的角速度数据，β(t3)表示第t3时刻的角速度数据，β(tn)表示第tn时刻的角速度数据，β(tN)表示第tN时刻的角速度数据。
进一步地，动作姿态对比单元完成数据监测的具体方法为：计算动作姿态序列中所有元素的均值，作为动作姿态对比阈值；计算动作姿态序列中各个元素与动作姿态对比阈值的动作相似度，若存在相似度小于0.5，则用户的动作姿态存在异常，否则用户的动作姿态正常。
进一步地，动作相似度S的计算公式为：；式中，γ表示动作姿态对比阈值，h表示动作姿态序列的元素。
本发明的有益效果是：该基于数字孪生技术的数据监测系统通过传感器采集数据进行姿态识别，与数字孪生结合，确定动作孪生模型；通过对动作数据进行指标运算，生成加速度指标和角速度指标，对两个动作孪生模型进行更新，使得生成的两个动作更新模型更加准确；通过对两个动作模型生成动作姿态序列，完成动作对比，判断驾驶员的动作数据是否存在异常，保证驾驶行为安全。
附图说明
图1为基于数字孪生技术的数据监测系统的结构示意图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种基于数字孪生技术的数据监测系统，包括数据采集单元、数据孪生镜像模型生成单元、动作姿态生成单元和动作姿态对比单元；
数据采集单元用于采集用户在各个时刻的加速度数据和角速度数据；
数据孪生镜像模型生成单元用于根据用户在各个时刻的加速度数据，生成第一动作孪生模型，根据用户在各个时刻的角速度数据，生成第二动作孪生模型；
动作姿态生成单元用于根据第一动作孪生模型和第二动作孪生模型，确定用户的动作姿态序列；
动作姿态对比单元用于根据用户的动作姿态序列，完成数据监测。
用户在各个时刻的加速度数据和角速度数据可以通过安装在驾驶室的三轴传感器采集得到。
在本发明实施例中，第一动作孪生模型F的表达式为：；式中，α(t1)表示第t1时刻的加速度数据，α(t2)表示第t2时刻的加速度数据，α(t3)表示第t3时刻的加速度数据，α(tn)表示第tn时刻的加速度数据，α(tN)表示第tN时刻的加速度数据；
第二动作孪生模型G的表达式为：；式中，β(t1)表示第t1时刻的角速度数据，β(t2)表示第t2时刻的角速度数据，β(t3)表示第t3时刻的角速度数据，β(tn)表示第tn时刻的角速度数据，β(tN)表示第tN时刻的角速度数据。
在本发明中，第一动作孪生模型和第二动作孪生模型以传感器采集到的加速度数据和角速度数据构建，动作孪生模型中的元素不单以各个时刻的加速度数据和角速度数据构成，还将各个时刻的加速度数据/角速度数据与最终时刻的加速度数据/角速度数据做相除运算，从而形成完整的动作孪生模型，对用户的运动数据进行完整刻画。
在本发明实施例中，动作姿态生成单元确定用户的动作姿态序列包括以下步骤：
A1、根据用户在各个时刻的加速度数据，确定各个时刻的加速度指标；
A2、根据用户在各个时刻的角速度数据以及加速度指标，确定各个时刻的角速度指标；
A3、利用各个时刻的加速度指标和角速度指标，对第一动作孪生模型和第二动作孪生模型进行更新，对应生成第一动作更新模型和第二动作更新模型；
A4、根据第一动作更新模型和第二动作更新模型，确定用户的动作姿态序列。
在本发明中，将用户在各个时刻的加速度数据与相邻时刻的加速度数据进行运算，得到可以表征加速度在各个时刻变化情况的加速度指标，再将各个时刻的角速度数据与加速度指标进行数学运算，得到角速度指标；利用加速度指标和角速度指标对两个孪生动作模型进行更新处理，使得孪生动作模型中各个时刻数据与相邻时刻的数据有效结合，模型表示更加准确。
在本发明实施例中，A1中，第tn时刻的加速度指标θn的计算公式为：；式中，α(tn)表示第tn时刻的加速度数据，α(tn+1)表示第tn+1时刻的加速度数据，α(tn-1)表示第tn-1时刻的加速度数据，max(·)表示最大值运算，N表示所有采集时刻。
在本发明实施例中，A2中，第tn时刻的角速度指标δn的计算公式为：，式中，θn表示第tn时刻的加速度指标，θn+1表示第tn+1时刻的加速度指标，θn-1表示第tn-1时刻的加速度指标，α(tn)表示第tn时刻的加速度数据，β(tn)表示第tn时刻的角速度数据。
在本发明实施例中，A3中，第一动作更新模型F＇的表达式为：；式中，θ1表示第t1时刻的加速度指标，θ2表示第t2时刻的加速度指标，θ3表示第t3时刻的加速度指标，θn表示第tn时刻的加速度指标，θN表示第tN时刻的加速度指标，α(t1)表示第t1时刻的加速度数据，α(t2)表示第t2时刻的加速度数据，α(t3)表示第t3时刻的加速度数据，α(tn)表示第tn时刻的加速度数据，α(tN)表示第tN时刻的加速度数据；
A3中，第二动作更新模型G＇的表达式为：；式中，δ1表示第t1时刻的角速度指标，δ2表示第t2时刻的角速度指标，δ3表示第t3时刻的角速度指标，δn表示第tn时刻的角速度指标，δN表示第tN时刻的角速度指标，β(t1)表示第t1时刻的角速度数据，β(t2)表示第t2时刻的角速度数据，β(t3)表示第t3时刻的角速度数据，β(tn)表示第tn时刻的角速度数据，β(tN)表示第tN时刻的角速度数据。
在本发明实施例中，A4包括以下子步骤：
A41、将第一动作更新模型和第二动作更新模型进行融合处理，生成动作融合模型；
A42、提取动作融合模型中各个元素的数值，生成初始动作姿态序列；
A43、剔除初始动作姿态序列中的重复值，生成动作姿态序列。
在本发明实施例中，A41中，动作融合模型H的表达式为：；式中，θ1表示第t1时刻的加速度指标，θ2表示第t2时刻的加速度指标，θ3表示第t3时刻的加速度指标，θn表示第tn时刻的加速度指标，θN表示第tN时刻的加速度指标，α(t1)表示第t1时刻的加速度数据，α(t2)表示第t2时刻的加速度数据，α(t3)表示第t3时刻的加速度数据，α(tn)表示第tn时刻的加速度数据，α(tN)表示第tN时刻的加速度数据，δ1表示第t1时刻的角速度指标，δ2表示第t2时刻的角速度指标，δ3表示第t3时刻的角速度指标，δn表示第tn时刻的角速度指标，δN表示第tN时刻的角速度指标，β(t1)表示第t1时刻的角速度数据，β(t2)表示第t2时刻的角速度数据，β(t3)表示第t3时刻的角速度数据，β(tn)表示第tn时刻的角速度数据，β(tN)表示第tN时刻的角速度数据。
在本发明实施例中，动作姿态对比单元完成数据监测的具体方法为：计算动作姿态序列中所有元素的均值，作为动作姿态对比阈值；计算动作姿态序列中各个元素与动作姿态对比阈值的动作相似度，若存在相似度小于0.5，则用户的动作姿态存在异常，否则用户的动作姿态正常。
在本发明实施例中，动作相似度S的计算公式为：；式中，γ表示动作姿态对比阈值，h表示动作姿态序列的元素。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (10)

1.一种基于数字孪生技术的数据监测系统，其特征在于，包括数据采集单元、数据孪生镜像模型生成单元、动作姿态生成单元和动作姿态对比单元；
所述数据采集单元用于采集用户在各个时刻的加速度数据和角速度数据；
所述数据孪生镜像模型生成单元用于根据用户在各个时刻的加速度数据，生成第一动作孪生模型，根据用户在各个时刻的角速度数据，生成第二动作孪生模型；
所述动作姿态生成单元用于根据第一动作孪生模型和第二动作孪生模型，确定用户的动作姿态序列；
所述动作姿态对比单元用于根据用户的动作姿态序列，完成数据监测。
2.根据权利要求1所述的基于数字孪生技术的数据监测系统，其特征在于，所述第一动作孪生模型F的表达式为：；式中，α(t1)表示第t1时刻的加速度数据，α(t2)表示第t2时刻的加速度数据，α(t3)表示第t3时刻的加速度数据，α(tn)表示第tn时刻的加速度数据，α(tN)表示第tN时刻的加速度数据；
所述第二动作孪生模型G的表达式为：；式中，β(t1)表示第t1时刻的角速度数据，β(t2)表示第t2时刻的角速度数据，β(t3)表示第t3时刻的角速度数据，β(tn)表示第tn时刻的角速度数据，β(tN)表示第tN时刻的角速度数据。
3.根据权利要求1所述的基于数字孪生技术的数据监测系统，其特征在于，所述动作姿态生成单元确定用户的动作姿态序列包括以下步骤：
A1、根据用户在各个时刻的加速度数据，确定各个时刻的加速度指标；
A2、根据用户在各个时刻的角速度数据以及加速度指标，确定各个时刻的角速度指标；
A3、利用各个时刻的加速度指标和角速度指标，对第一动作孪生模型和第二动作孪生模型进行更新，对应生成第一动作更新模型和第二动作更新模型；
A4、根据第一动作更新模型和第二动作更新模型，确定用户的动作姿态序列。
4.根据权利要求3所述的基于数字孪生技术的数据监测系统，其特征在于，所述A1中，第tn时刻的加速度指标θn的计算公式为：；式中，α(tn)表示第tn时刻的加速度数据，α(tn+1)表示第tn+1时刻的加速度数据，α(tn-1)表示第tn-1时刻的加速度数据，max(·)表示最大值运算，N表示所有采集时刻。
5.根据权利要求3所述的基于数字孪生技术的数据监测系统，其特征在于，所述A2中，第tn时刻的角速度指标δn的计算公式为：，式中，θn表示第tn时刻的加速度指标，θn+1表示第tn+1时刻的加速度指标，θn-1表示第tn-1时刻的加速度指标，α(tn)表示第tn时刻的加速度数据，β(tn)表示第tn时刻的角速度数据。
6.根据权利要求3所述的基于数字孪生技术的数据监测系统，其特征在于，所述A3中，第一动作更新模型F＇的表达式为：；式中，θ1表示第t1时刻的加速度指标，θ2表示第t2时刻的加速度指标，θ3表示第t3时刻的加速度指标，θn表示第tn时刻的加速度指标，θN表示第tN时刻的加速度指标，α(t1)表示第t1时刻的加速度数据，α(t2)表示第t2时刻的加速度数据，α(t3)表示第t3时刻的加速度数据，α(tn)表示第tn时刻的加速度数据，α(tN)表示第tN时刻的加速度数据；
所述A3中，第二动作更新模型G＇的表达式为：；式中，δ1表示第t1时刻的角速度指标，δ2表示第t2时刻的角速度指标，δ3表示第t3时刻的角速度指标，δn表示第tn时刻的角速度指标，δN表示第tN时刻的角速度指标，β(t1)表示第t1时刻的角速度数据，β(t2)表示第t2时刻的角速度数据，β(t3)表示第t3时刻的角速度数据，β(tn)表示第tn时刻的角速度数据，β(tN)表示第tN时刻的角速度数据。
7.根据权利要求3所述的基于数字孪生技术的数据监测系统，其特征在于，所述A4包括以下子步骤：
A41、将第一动作更新模型和第二动作更新模型进行融合处理，生成动作融合模型；
A42、提取动作融合模型中各个元素的数值，生成初始动作姿态序列；
A43、剔除初始动作姿态序列中的重复值，生成动作姿态序列。
8.根据权利要求7所述的基于数字孪生技术的数据监测系统，其特征在于， A41中，动作融合模型H的表达式为：；式中，θ1表示第t1时刻的加速度指标，θ2表示第t2时刻的加速度指标，θ3表示第t3时刻的加速度指标，θn表示第tn时刻的加速度指标，θN表示第tN时刻的加速度指标，α(t1)表示第t1时刻的加速度数据，α(t2)表示第t2时刻的加速度数据，α(t3)表示第t3时刻的加速度数据，α(tn)表示第tn时刻的加速度数据，α(tN)表示第tN时刻的加速度数据，δ1表示第t1时刻的角速度指标，δ2表示第t2时刻的角速度指标，δ3表示第t3时刻的角速度指标，δn表示第tn时刻的角速度指标，δN表示第tN时刻的角速度指标，β(t1)表示第t1时刻的角速度数据，β(t2)表示第t2时刻的角速度数据，β(t3)表示第t3时刻的角速度数据，β(tn)表示第tn时刻的角速度数据，β(tN)表示第tN时刻的角速度数据。
9.根据权利要求1所述的基于数字孪生技术的数据监测系统，其特征在于，所述动作姿态对比单元完成数据监测的具体方法为：计算动作姿态序列中所有元素的均值，作为动作姿态对比阈值；计算动作姿态序列中各个元素与动作姿态对比阈值的动作相似度，若存在相似度小于0.5，则用户的动作姿态存在异常，否则用户的动作姿态正常。
10.根据权利要求9所述的基于数字孪生技术的数据监测系统，其特征在于， 所述动作相似度S的计算公式为：；式中，γ表示动作姿态对比阈值，h表示动作姿态序列的元素。
CN202311515749.5A 2023-11-15 2023-11-15 一种基于数字孪生技术的数据监测系统 Active CN117238038B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311515749.5A CN117238038B (zh) 2023-11-15 2023-11-15 一种基于数字孪生技术的数据监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311515749.5A CN117238038B (zh) 2023-11-15 2023-11-15 一种基于数字孪生技术的数据监测系统

Publications (2)

Publication Number Publication Date
CN117238038A true CN117238038A (zh) 2023-12-15
CN117238038B CN117238038B (zh) 2024-01-26

Family

ID=89084711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311515749.5A Active CN117238038B (zh) 2023-11-15 2023-11-15 一种基于数字孪生技术的数据监测系统

Country Status (1)

Country Link
CN (1) CN117238038B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190103033A1 (en) * 2017-10-03 2019-04-04 ExtendView Inc. Augmented reality system for providing movement sequences and monitoring performance
CN112286214A (zh) * 2020-10-12 2021-01-29 同济大学 基于Vicon运动捕捉系统无人机数字孪生的可行性评估方法
WO2021099187A1 (de) * 2019-11-18 2021-05-27 Inventio Ag Geschwindigkeitsüberwachungseinrichtung einer personentransportanlage
CN114692425A (zh) * 2022-04-18 2022-07-01 武汉理工大学 数字孪生技术的焊接机器人仿真方法、系统、设备及介质
CN116086462A (zh) * 2023-04-06 2023-05-09 萱闱(北京)生物科技有限公司 轨迹数据处理方法、装置、介质和计算设备
CN116305741A (zh) * 2022-12-09 2023-06-23 中国电力科学研究院有限公司 一种用于电力设备数字孪生模型的更新方法及装置
CN116756916A (zh) * 2023-05-06 2023-09-15 天津大学 基于ddpg的智能网联公交车车重自适应全局车速规划方法
WO2023207016A1 (zh) * 2022-04-29 2023-11-02 长安大学 一种基于数字孪生云控平台的自动驾驶测试系统和方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190103033A1 (en) * 2017-10-03 2019-04-04 ExtendView Inc. Augmented reality system for providing movement sequences and monitoring performance
WO2021099187A1 (de) * 2019-11-18 2021-05-27 Inventio Ag Geschwindigkeitsüberwachungseinrichtung einer personentransportanlage
CN112286214A (zh) * 2020-10-12 2021-01-29 同济大学 基于Vicon运动捕捉系统无人机数字孪生的可行性评估方法
CN114692425A (zh) * 2022-04-18 2022-07-01 武汉理工大学 数字孪生技术的焊接机器人仿真方法、系统、设备及介质
WO2023207016A1 (zh) * 2022-04-29 2023-11-02 长安大学 一种基于数字孪生云控平台的自动驾驶测试系统和方法
CN116305741A (zh) * 2022-12-09 2023-06-23 中国电力科学研究院有限公司 一种用于电力设备数字孪生模型的更新方法及装置
CN116086462A (zh) * 2023-04-06 2023-05-09 萱闱(北京)生物科技有限公司 轨迹数据处理方法、装置、介质和计算设备
CN116756916A (zh) * 2023-05-06 2023-09-15 天津大学 基于ddpg的智能网联公交车车重自适应全局车速规划方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ANTONIO J. RODRÍGUEZ ET.AL.: ""State, parameter and input observers based on multibody models and Kalman filters for vehicle dynamics"", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》, vol. 155 *
张雪菲;丁亚林;匡海鹏;詹磊;: "状态观测器在航空相机中的应用", 激光与红外, vol. 42, no. 09, pages 1016 - 1020 *
杨晓: ""水动力模型驱动下的智能船舶仿真平台研究"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2021, no. 04, pages 036 - 37 *
解树彬: ""基于数字孪生技术的智能汽车测试分析"", 《汽车与驾驶维修（维修版）》, no. 08, pages 20 - 24 *
陶飞;刘蔚然;刘检华;刘晓军;刘强;屈挺;胡天亮;张执南;向峰;徐文君;王军强;张映锋;刘振宇;李浩;程江峰;戚庆林;张萌;张贺;隋芳媛;何立荣;易旺民;程辉;: "数字孪生及其应用探索", 计算机集成制造系统, no. 01, pages 4 - 21 *

Also Published As

Publication number Publication date
CN117238038B (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
CN108609019B (zh) 一种基于人工智能平台的电动车自动驾驶方法
US20210104159A1 (en) Facial recognition technology for improving driver safety
CN111259737B (zh) 车辆方向盘故障的预测方法、装置、电子设备及存储介质
US11157723B1 (en) Facial recognition for drivers
CN105584479B (zh) 一种面向脑控车辆的模型预测控制方法和利用该方法的脑控车辆
CN105579319A (zh) 用于识别车载信息系统中的手写手势的系统和方法
CN113581209B (zh) 驾驶辅助模式切换方法、装置、设备及存储介质
CN111858843A (zh) 一种文本分类方法及装置
Wei et al. Driver Lane‐Changing Behavior Prediction Based on Deep Learning
Sadhu et al. Deep multi-task learning for anomalous driving detection using CAN bus scalar sensor data
CN117238038B (zh) 一种基于数字孪生技术的数据监测系统
CN115268651A (zh) 一种方向盘隐式手势交互方法及系统
US11393231B2 (en) System and method for text line extraction
Zhang et al. Integrating visual large language model and reasoning chain for driver behavior analysis and risk assessment
Chu et al. A review of driving style recognition methods from short-term and long-term perspectives
CN115805947B (zh) 一种个性化车辆轨迹预测方法、系统、设备和存储介质
CN117852541A (zh) 一种实体关系三元组抽取方法、系统及计算机设备
CN113051958A (zh) 基于深度学习的驾驶员状态检测方法、系统、设备及介质
US20220351614A1 (en) Accident risk diagnosis method, accident risk diagnosis apparatus, and accident risk diagnosis system
CN114548216A (zh) 基于Encoder-Decoder注意力网络与LSTM的异常驾驶行为在线识别方法
Nam et al. Prediction of driver’s drowsiness using machine learning algorithms for minimal risk condition
Bhalerao et al. Proposed design on driver behavioral analysis
CN112669835A (zh) 一种基于车载智能机器人的语音拟人交互系统及其实现方法
Jeon et al. A deterministic feedback model for safe driving based on nonlinear principal analysis scheme
CN113239729B (zh) 一种基于数据融合的疲劳驾驶识别方法

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