CN117485265A - 车载终端控制方法、装置及车载终端 - Google Patents
车载终端控制方法、装置及车载终端 Download PDFInfo
- Publication number
- CN117485265A CN117485265A CN202410001487.9A CN202410001487A CN117485265A CN 117485265 A CN117485265 A CN 117485265A CN 202410001487 A CN202410001487 A CN 202410001487A CN 117485265 A CN117485265 A CN 117485265A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- recognition network
- behavior recognition
- central server
- parameters
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000006399 behavior Effects 0.000 claims abstract description 184
- 238000012549 training Methods 0.000 claims abstract description 91
- 230000004044 response Effects 0.000 claims abstract description 54
- 230000000694 effects Effects 0.000 claims description 56
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 18
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
- B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
-
- 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
- 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
- G06N3/0499—Feedforward networks
-
- 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
- G06N3/098—Distributed learning, e.g. federated learning
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种车载终端控制方法、装置及车载终端；该方法包括：响应于车主的控制操作，确定控制操作对应的控制参数，调用来自中央服务器的车辆行为识别网络，通过车辆行为识别网络预测控制参数对应的响应参数，基于响应参数控制车载终端。在本方法中，采用联邦学习附加宽度学习的方式进行车辆行为识别网络的训练，该训练过程同时会考车辆、车主驾驶信息操作数据及车辆品牌型号等信息，使得训练得到的车辆行为识别网络可以更准确的响应车主操作，基于此，本申请不需要设置专用的界面及交互接口来采集车主操作数据即可基于车辆行为识别网络对车主操作进行准确的响应。
Description
技术领域
本发明涉及车载终端技术领域，具体涉及一种车载终端控制方法、装置及车载终端。
背景技术
随着社会的发展，人民生活水平的提高，汽车越来越普及，且人工智能、AI等技术越来越成熟，那么，车载终端（智能汽车系统）的智能化程度以及响应准确性将会直接影响车主的驾驶体验。
目前，在车载终端的原生系统内需要设置专用的UI界面及交互接口以记录车主的操作设置习惯及语音操作等，之后根据车主的操作设置习惯及语音操作响应车主的操作。该响应方式过度依赖车载终端当前用户的操作设置数据（操作习惯等），针对新车辆的车载终端难以准确响应车主的操作。
综上，当前技术存在需要增加专用界面及交互接口以采集车主操作数据的技术问题。
发明内容
为缓解当前技术存在的需要增加专用界面及交互接口以采集车主操作数据的技术问题，本发明实施例提供一种车载终端控制方法、装置及车载终端。
第一方面，本发明实施例提供一种车载终端控制方法，包括：
将车主的驾驶行为数据和车辆型号参数生成初始训练语料，并发送至中央服务器，以使得所述中央服务器对所述初始训练语料进行清洗得到训练语料；获取所述中央服务器发送的初始车辆行为识别网络，所述初始车辆行为识别网络为所述中央服务器基于所述训练语料采用联邦学习及宽度学习的训练方式训练得到的；采集所述车主的有效驾驶行为数据；基于所述有效驾驶行为数据对所述初始车辆行为识别网络进行训练得到训练后的车辆行为识别网络；发送训练后的车辆行为识别网络的模型参数至所述中央服务器，以使得所述中央服务器基于所述模型参数确定所述车辆行为识别网络的网络参数；
响应于车主的控制操作，确定所述控制操作对应的控制参数；
调用来自中央服务器的车辆行为识别网络；
通过所述车辆行为识别网络，预测所述控制参数对应的响应参数；
基于所述响应参数，控制所述车载终端。
在一些实施例中，所述基于所述响应参数，控制所述车载终端，包括：
展示所述响应参数对应的车载设备配置效果；
接收车主对所述车载设备配置效果的调整操作；
根据所述调整操作得到调整后的车载设备配置效果；
基于所述调整后的车载设备配置效果，通过所述车载终端调整车载设备的配置参数，所述配置参数包括座椅角度、音量大小、省油驾驶方式、车内氛围搭配中的至少一种。
在一些实施例中，所述调整操作包括：
从多个车载设备配置效果中选择一个作为调整后的车载设备配置效果的选择操作；和/或
对车载设备配置效果进行修正以得到调整后的车载设备配置效果的修正操作。
在一些实施例中，在所述基于所述调整后的车载设备配置效果，通过所述车载终端调整车载设备的配置参数之后，包括：
确定所述调整后的车载设备配置效果对应的车辆型号参数；
构建由所述车辆型号参数和所述调整后的车载设备配置效果组成的训练数据；
发送所述训练数据至所述中央服务器，以使得所述中央服务器对所述车辆行为识别网络进行训练。
在一些实施例中，所述调用来自中央服务器的车辆行为识别网络，包括：
获取所述控制操作对应的应用标识 ；
根据所述应用标识从来自所述中央服务器的多个候选行为识别网络中选择所述车辆行为识别网络。
在一些实施例中，所述调用来自中央服务器的车辆行为识别网络，包括：
获取所述车辆行为识别网络的更新周期；
根据所述更新周期，控制所述车载终端与所述中央服务器进行所述车辆行为识别网络的参数同步。
在一些实施例中，所述控制操作包括驾驶行为提醒操作，所述控制参数包括摄像设备工作参数，所述通过所述车辆行为识别网络，预测所述控制参数对应的响应参数，包括：
基于所述摄像设备工作参数，通过摄像设备采集车主的驾驶行为图像；
基于所述车辆行为识别网络处理所述驾驶行为图像，得到是否提醒驾驶异常的响应参数。
第二方面，本发明实施例提供一种车载终端控制装置，所述装置包括：
训练模块，用于将车主的驾驶行为数据和车辆型号参数生成初始训练语料，并发送至中央服务器，以使得所述中央服务器对所述初始训练语料进行清洗得到训练语料；获取所述中央服务器发送的初始车辆行为识别网络，所述初始车辆行为识别网络为所述中央服务器基于所述训练语料采用联邦学习及宽度学习的训练方式训练得到的；采集所述车主的有效驾驶行为数据；基于所述有效驾驶行为数据对所述初始车辆行为识别网络进行训练得到训练后的车辆行为识别网络；发送训练后的车辆行为识别网络的模型参数至所述中央服务器，以使得所述中央服务器基于所述模型参数确定所述车辆行为识别网络的网络参数；
确定模块，用于响应于车主的控制操作，确定所述控制操作对应的控制参数；
调用模块，用于调用来自中央服务器的车辆行为识别网络；
预测模块，用于通过所述车辆行为识别网络，预测所述控制参数对应的响应参数；
控制模块，用于基于所述响应参数，控制所述车载终端。
第三方面，本发明实施例提供一种车载终端，包括存储器和处理器；所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的方法。
第四方面，本发明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上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，实现如第一方面所述的方法。
与现有技术相比，本发明的一个或多个实施例至少能带来如下有益效果：
本发明实施例提供了一种车载终端控制方法、装置及车载终端；该方法包括：响应于车主的控制操作，确定所述控制操作对应的控制参数，调用来自中央服务器的车辆行为识别网络，通过所述车辆行为识别网络预测所述控制参数对应的响应参数，基于所述响应参数控制所述车载终端。在本申请提供的方案中，采用联邦学习附加宽度学习的方式进行车辆行为识别网络的训练，该训练过程同时会考车辆、车主驾驶信息操作数据及车辆品牌型号等信息，使得训练得到的车辆行为识别网络可以更准确的响应车主操作，基于此，本申请不需要设置专用的界面及交互接口来采集车主操作数据即可基于车辆行为识别网络对车主操作进行准确的响应；尤其是针对车主新购买车辆的车载终端，这些车载终端可以从中央服务器获取训练后的车辆行为识别网络之后即可准确响应车主操作；即本申请缓解了现有技术需要增加专用界面及交互接口以采集车主操作数据的技术问题，增强了车主驾驶体验。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍， 应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明实施例提供的车载终端控制方法的第一种流程示意图；
图2是本发明实施例提供的所有智能汽车上车载系统中的车辆行为识别网络模型进行训练发送给中央服务器进行聚合的示意图；
图3是本发明实施例提供的车辆行为识别网络训练模型的组网示意图；
图4是本发明实施例提供的车载终端控制方法的第二种流程示意图；
图5是本发明实施例提供的车载终端控制装置的一种结构示意图。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
图1示出了本发明实施例提供的车载终端控制方法的第一种流程示意图，如图1所示，本申请提供的车载终端控制方法，包括：
步骤110：响应于车主的控制操作，确定所述控制操作对应的控制参数。
在本申请中，车载终端可以是智能汽车上监控管理车载系统的前端设备，车载系统中部署有车辆行为识别网络模型，车主可以通过计算机、手机等实现对车辆的监控和管理，车载终端安装在各种车辆内，各种车辆包括不同品牌、不同型号的车辆。本实施例中，车载终端至少包括两个以上，各车载终端可以被安装在不同品牌、不同型号的车辆上。
在本实施例中，控制操作可以是指请求车载设备配置的请求操作等；比如：座椅等。控制操作对应的控制参数指的是对哪些车载设备的配置进行推荐；比如控制操作是请求座椅配置的请求操作，那么对应的控制参数为对座椅的配置进行推荐。
步骤120：调用来自中央服务器的车辆行为识别网络。
在本申请中，车辆行为识别网络是指通过车载终端中的车载系统更新部署在车载系统中的车辆行为识别网络模型。该车辆行为识别网络模型是基于联邦学习和宽度学习算法实现的。联邦学习是一种分布式机器学习方法，它允许多个设备（对应本实施例中的车载终端）在不共享原始数据的情况下进行模型训练；宽度学习是一种基于神经网络的机器学习方法，它通过增加网络的宽度来提高模型的准确性。
在本实施例中，在确定控制操作对应的控制参数后，调用车辆行为识别网络，以通过车辆行为识别网络对控制操作进行响应。
步骤130：通过所述车辆行为识别网络，预测所述控制参数对应的响应参数。
在本实施例中，将步骤110中确定的控制操作对应的控制参数输入车辆行为识别网络，通过车辆行为识别网络预测控制参数对应的响应参数。例如：控制操作对应的控制参数为对座椅的配置进行推荐，那么通过车辆行为识别网络预测出的控制参数对应的响应参数就可以为座椅调整的角度值等。
步骤140：基于所述响应参数，控制所述车载终端。
在本实施例中，基于步骤130中预测的响应参数来控制车载终端。例如：预测的响应参数为将座椅的角度值调整为120°，那么则控制车载终端将座椅的角度值调整至120°。
需要说明的是，响应参数是车辆行为识别网络基于车辆型号参数来为车主推荐的车载设备的最佳的配置参数。
在一些实施例中，步骤120包括：获取所述控制操作对应的应用标识；根据所述应用标识从来自所述中央服务器的多个候选行为识别网络中选择所述车辆行为识别网络。
在本实施例中，应用标识可以是用户行为识别应用的一个应用标识，或者是车载设备配置推荐应用的一个应用标识；例如：导航应用标识等。具体的，如车主要驾车到某地方，需要导航应用进行导航，那么获取车主控制操作对应的导航应用标识，根据导航应用标识从来自中央服务器的多个候选行为识别网络中选择匹配的车辆行为识别网络。
在一些实施例中，步骤120包括：获取所述车辆行为识别网络的更新周期；根据所述更新周期，控制所述车载终端与所述中央服务器进行所述车辆行为识别网络的参数同步。
具体的，每间隔一定时间（即更新周期），每个车载终端中的车载系统自动将训练好的车辆行为识别网络模型（包括每个用户的本地数据集）上传到中央服务器，中央服务器对这些数据集进行聚合（如图2所示），在聚合的过程中，可以使用加权平均或者梯度加权平均等方式来整合不同汽车设备（车辆）上的模型参数，完善泛化能力，以得到一个全局的车辆行为识别网络模型，当用户更新推送的车载终端系统时，将阶段化训练好的车辆行为识别网络模型重新部署至车主的车载终端系统；即根据更新周期，控制车载终端与中央服务器进行行为识别网络的参数同步；所述更新周期可以为一周、一个月、一个季度等。随着各车主驾驶时间的增长，这个全局模型因为车主的驾驶数据量增大而越来越完善，得到更加智能化的大模型。
在一些实施例中，所述控制操作包括驾驶行为提醒操作，所述控制参数包括摄像设备工作参数，所述通过所述车辆行为识别网络，预测所述控制参数对应的响应参数，包括：基于所述摄像设备工作参数，通过摄像设备采集车主的驾驶行为图像；基于所述车辆行为识别网络处理所述驾驶行为图像，得到是否提醒驾驶异常的响应参数。
具体的，车主在驾驶车辆过程中，基于驾驶行为提醒操作对应的摄像设备工作参数，通过摄像设备采集车主的驾驶行为图像，将采集到的车主的驾驶行为图像输入到车辆行为识别网络进行分析处理，得到分析处理结果（即是否提醒驾驶异常的响应参数），当分析处理结果表征车主驾驶汽车时接打电话或者疲劳驾驶等情况时，车载终端中的车载系统语音提醒车主进行改正。
在一些实施例中，步骤140包括：展示所述响应参数对应的车载设备配置效果；接收车主对所述车载设备配置效果的调整操作；根据所述调整操作得到调整后的车载设备配置效果；基于所述调整后的车载设备配置效果，通过所述车载终端调整车载设备的配置参数，所述配置参数包括座椅角度、音量大小、省油驾驶方式、车内氛围搭配中的至少一种。
在一些实施例中，所述调整操作包括：从多个车载设备配置效果中选择一个作为调整后的车载设备配置效果的选择操作；和/或对车载设备配置效果进行修正以得到调整后的车载设备配置效果的修正操作。
具体的，步骤130中预测出控制参数对应的响应参数后，通过车载终端展示预测出的响应参数对应的车载设备配置效果，需要说明的是，响应参数可以只有一个，也可以有多个，对应的车载设备配置效果也可以只有一个，也可以有多个，比如：针对座椅的响应参数可以只包括“将座椅的角度值调整为120°”，也可以包括“将座椅的角度值调整为100°”、“将座椅的角度值调整为125°”等多个，若预测的响应参数只包括“将座椅的角度值调整为120°”，则展示响应参数“将座椅的角度值调整为120°”的座椅配置效果，若预测的响应参数包括“将座椅的角度值调整为100°”、“将座椅的角度值调整为125°”等多个，则展示响应参数“将座椅的角度值调整为100°”、“将座椅的角度值调整为125°”等多个座椅配置效果。当展示的座椅配置效果只有响应参数“将座椅的角度值调整为120°”对应的配置效果，且未收到车主对座椅配置效果的调整操作时，则基于响应参数“将座椅的角度值调整为120°”，控制车载终端将座椅的角度值调整至120°；当展示的座椅配置效果只有响应参数“将座椅的角度值调整为120°”对应的配置效果，且接收到车主对座椅配置效果的修正操作，则根据车主的修正操作得到修正后的座椅配置效果（例如可以为“座椅角度值调整为115°”的配置效果），并基于修正后的座椅配置效果，通过车载终端调整座椅的配置参数；当展示的座椅配置效果包括“将座椅的角度值调整为100°”、“将座椅的角度值调整为125°”等多个座椅配置效果时，车主可以从多个座椅配置效果中选择一个作为调整后的座椅配置效果，如接收到车主选择响应参数“将座椅的角度值调整为100°”对应的座椅配置效果时，则将“将座椅的角度值调整为100°”对应的座椅配置效果作为调整操作对应的调整后的座椅配置效果，然后基于该调整后的座椅配置效果，通过车载终端调整座椅的配置参数。此处仅以配置参数为座椅角度进行说明，音量大小、省油驾驶方式、车内氛围搭配等的调整方法相同，不再一一赘述。
在一些实施例中，在所述基于所述调整后的车载设备配置效果，通过所述车载终端调整车载设备的配置参数之后，包括：确定所述调整后的车载设备配置效果对应的车辆型号参数；构建由所述车辆型号参数和所述调整后的车载设备配置效果组成的训练数据；发送所述训练数据至所述中央服务器，以使得所述中央服务器对所述车辆行为识别网络进行训练。
具体的，为了使车辆行为识别网络模型在实时应用中能够更精确的预测车主的行为和需求，需定期根据不同车辆型号的车辆的车载终端的车载系统反馈上传到中央服务器的需求和行为的数据集，对车辆行为识别网络模型进行优化（如图3所示），以确保车辆行为识别网络模型在车载终端中的运行效率和性能。
图4示出了本发明实施例提供的车载终端控制方法的第二种流程示意图，如图4所示，本申请提供的车载终端控制方法，包括：
步骤410：将所述车主的驾驶行为数据和车辆型号参数生成初始训练语料，并发送至所述中央服务器，以使得中央服务器对所述初始训练语料进行清洗得到训练语料。
本实施例中，将每台智能汽车车辆的车主在驾驶过程中产生的车辆、车主驾驶行为数据、车辆型号参数等数据集存储为本地数据（即初始训练语料），将这些本地数据通过车机系统的网络传输给中央服务器（即具备大算力的远端服务器）进行聚合（如图2所示），中央服务器对收集到的各车主的本地数据进行清洗、去重、标准化等预处理操作，以消除数据中的噪声和异常值，并将数据规范化为统一的格式和类型，即训练语料。
步骤420：获取所述中央服务器发送的初始车辆行为识别网络。
在本实施例中，所述初始车辆行为识别网络为所述中央服务器基于所述训练语料采用联邦学习及宽度学习的训练方式训练得到的。
具体的，联邦学习是一种分布式机器学习方法，它允许多个设备（即车载终端）在不共享原始数据的情况下进行模型训练，即本实施例利用联邦学习数据分布在多个参与者或节点上，每个节点只能访问其本地数据，而不能访问其他节点的数据的特性，保护车主隐私安全；联邦学习算法可以采用Google Federated Learning等联邦学习框架实现。宽度学习是一种基于神经网络的机器学习方法，它通过增加网络的宽度来提高模型的准确性；可使用宽度学习算法TensorFlow等深度学习框架用来训练智能汽车系统的模型，以便于能够更准确地预测车主行为和需求。
在本实施例中，中央服务器基于训练语料使用联邦学习训练得到初始车辆行为识别网络模型（即基础模型），并将初始车辆行为识别网络模型通过网络传输分别发送并集成至车主的车载终端的车载系统中；其中，非隐私数据作为共享数据聚合至初始车辆行为识别网络。车载终端通过网络获取中央服务器发送的初始车辆行为识别网络。
步骤430：采集所述车主的有效驾驶行为数据。
本实施例中，每一个车主自己的驾驶习惯（驾驶习惯有正确的，也有错误的），每天行驶路段的路况和路线等数据均能为初始车辆行为识别网络模型提供训练数据来源；车主的有效驾驶行为数据，可以为车主在驾驶过程中正确的驾驶习惯数据、驾驶路段优良的路况数据、最优的驾驶路线、最佳的车载设备配置等数据。
步骤440：基于所述有效驾驶行为数据对所述初始车辆行为识别网络进行训练得到训练后的车辆行为识别网络。
在本实施例中，在车载终端中基于车主的有效驾驶行为数据对初始车辆行为识别网络进行训练，得到训练后的车辆行为识别网络模型。
步骤450：发送训练后的车辆行为识别网络的模型参数至所述中央服务器，以使得所述中央服务器基于所述模型参数确定所述车辆行为识别网络的网络参数。
本实施例中，在基于车主的有效驾驶行为数据对初始车辆行为识别网络进行训练，得到训练后的车辆行为识别网络模型后，每间隔一定时间，各车载终端将训练后的车辆行为识别网络模型参数发送至中央服务器，中央服务器对所有车主提供的模型参数数据进行聚合，并对数据进行清洗、特征工程、数据归一化等，即中央服务器基于模型参数确定车辆行为识别网络的网络参数。由于集成的车辆行为识别网络大模型越来越智能化，车辆行为识别网络模型就能给出更加智能、专业且准确的驾驶提示，并提升用户的驾驶体验。在确定车辆行为识别网络模型后，将车辆行为识别网络模型集成进车载终端操作系统，当车主更新推送的车载终端操作系统时，将确定的车辆行为识别网络模型重新部署至车主的车载终端系统中供车主使用。
进一步的，针对不同的车型及品牌，车辆行为识别网络大模型结合车型及品牌数据信息给出针对当前车辆的最佳配置（座椅角度、音量大小、省油驾驶方式、车内氛围搭配等）。
即，在本发明提供的方法中，采用联邦学习附加宽度学习的方式进行车辆行为识别网络的训练，该训练过程同时会考车辆、车主驾驶信息操作数据及车辆品牌型号等信息，使得训练得到的车辆行为识别网络可以更准确的响应车主操作，基于此，本申请不需要设置专用的界面及交互接口来采集车主操作数据即可基于车辆行为识别网络对车主操作进行准确的响应；尤其是针对车主新购买车辆的车载终端，这些车载终端可以从中央服务器获取训练后的车辆行为识别网络之后即可准确响应车主操作；即本申请缓解了现有技术需要增加专用界面及交互接口以采集车主操作数据的技术问题，增强了车主驾驶体验。
现结合具体场景对本申请提供的车载终端控制方法进行说明。
本申请提供的车载终端控制方法基于联邦学习和宽度学习算法实现。
联邦学习是一种分布式机器学习方法，它允许多个设备（对应本实施例中的车载终端）在不共享原始数据的情况下进行模型训练。在本方案中，通过每台智能汽车系统（即车载系统）的使用车主在驾驶过程中产生并存储的本地数据对部署的基础模型（对应上文的初始车辆行为识别网络）进行训练，并将训练好的模型参数发送给中央服务器进行聚合，联邦学习算法可以采用Google Federated Learning等联邦学习框架实现。
宽度学习是一种基于神经网络的机器学习方法，它通过增加网络的宽度来提高模型的准确性。在本方案中，使用宽度学习算法TensorFlow等深度学习框架用来训练智能汽车系统（即车载系统）的模型（对应上文中的车辆行为识别网络），以便于能够更准确地预测车主行为和需求。
本申请提供的车载终端控制方法，包括：
首先将每台智能汽车系统的车主在驾驶过程中生成的车辆、车主驾驶信息等数据集存储为本地数据，将数据通过车机系统的网络传输给远端服务器（大算力），远端服务器（对应上文中的中央服务器）根据收集到的各车主数据梯度信息，使用联邦学习得到各车主的基础模型（利用联邦学习数据分布在多个参与者或节点上，每个节点只能访问其本地数据，而不能访问其他节点的数据的特性，保护车主隐私安全），使用联邦学习的主-从（master-worker）架构，将收到的各车辆梯度信息进行聚合（例如，计算加权平均），再将聚合的梯度信息模型（即基础模型）通过网络传输分别发送并集成至各车主的车载系统；其中非隐私数据作为共享数据聚合至每个车主的模型中，以提升模型功能；本地数据集包括车主的操作习惯、驾驶习惯、车辆参数配置、路况、路线等信息的文本信息；参数包括权重参数（根据当前车主的驾驶习惯、路况、路线、车辆参数配置信息及车主的情绪，调整该智能汽车系统的语言模型在该方向上的权重参数）、偏置参数（优化泛化能力）；学习率；损失函数。
远端服务器结合各车辆梯度信息进行联邦学习训练得到基础模型，及基于数据集通过宽度学习更宽阔的神经网络层进行训练提升模型准确度及泛化能力（即宽度神经网络），得到训练后更加完善的大模型（即车辆行为识别网络大模型）。
远端服务器训练得到完善的大模型后，再次通过网络传输将大模型集成至各车载系统提供给各车主使用。
这是一个循环提升大模型能力及提升用户体验的过程：每间隔一定时间（对应上文中的更新周期）后，车载系统自动将上述步骤里的本地数据集上传到服务器上进行聚合。在聚合的过程中，可以使用加权平均或者梯度加权平均等方式来整合不同汽车设备上的模型参数，完善泛化能力。随着各车主驾驶时间的增长，这个全局模型因为车主的驾驶数据量增大而越来越完善，得到更加智能化的大模型。每一个车主均有自己的驾驶习惯、路况、路线，正确的驾驶习惯及错误的驾驶习惯，每天行驶路段的路况和路线等数据均能为模型提供训练数据来源，聚合所有车主数据集，对数据清洗、特征工程、数据归一化等，由于集成的大模型越来越智能化，模型就能给出更加智能、专业且准确的驾驶提示，并提升用户的驾驶体验，例如如以下场景（部分场景）：1、大模型分析到用户驾驶汽车时接打电话或者疲劳驾驶等情况时，车载系统语音提醒车主进行改正。 2、不同的车型及品牌，大模型结合数据给出针对当前车辆的最佳配置（座椅角度、音量大小、省油驾驶方式、车内氛围搭配等）。
这是一个越来越智能、专业、完善的循环：车载系统附带模型1.0→车主日常驾驶的数据集→通过网络传输给远程服务器后聚合模型→通过车载系统升级附带新模型2.0→用户使用体验升级 。
一旦新模型训练完成，就需要将其部署到车载系统中，并在实时应用中使用它来预测车主行为和需求。同时，需要对模型不断进行优化，以确保它在车载系统中的运行效率和性能。
总之，基于联邦学习和宽度学习算法的车载终端控制方法可以帮助提高车载系统的智能化水平，使其更好地满足车主的需求和期望。
根据上述场景可知：本申请中，采用联邦学习附加宽度学习的方式进行车辆行为识别网络的训练，该训练过程同时会考车辆、车主驾驶信息操作数据及车辆品牌型号等信息，使得训练得到的车辆行为识别网络可以更准确的响应车主操作，基于此，本申请不需要设置专用的界面及交互接口来采集车主操作数据即可基于车辆行为识别网络对车主操作进行准确的响应；尤其是针对车主新购买车辆的车载终端，这些车载终端可以从中央服务器获取训练后的车辆行为识别网络之后即可准确响应车主操作；即本申请缓解了现有技术需要增加专用界面及交互接口以采集车主操作数据的技术问题，增强了车主驾驶体验。
相应的，本发明实施例还提供了一种车载终端控制装置；图5示出了车载终端控制装置的一种结构示意图；如图5所示，所述车载终端控制装置包括：
确定模块510，用于响应于车主的控制操作，确定所述控制操作对应的控制参数；
调用模块520，用于调用来自中央服务器的车辆行为识别网络；
预测模块530，用于通过所述车辆行为识别网络，预测所述控制参数对应的响应参数；
控制模块540，用于基于所述响应参数，控制所述车载终端。
在一些实施例中，所述调用模块520，还用于获取所述控制操作对应的应用标识；根据所述应用标识从来自所述中央服务器的多个候选行为识别网络中选择所述车辆行为识别网络。
在一些实施例中，所述调用模块520，还用于获取所述车辆行为识别网络的更新周期；根据所述更新周期，控制所述车载终端与所述中央服务器进行所述车辆行为识别网络的参数同步。
在一些实施例中，所述控制模块540，还用于展示所述响应参数对应的车载设备配置效果；接收车主对所述车载设备配置效果的调整操作；根据所述调整操作得到调整后的车载设备配置效果；基于所述调整后的车载设备配置效果，通过所述车载终端调整车载设备的配置参数，所述配置参数包括座椅角度、音量大小、省油驾驶方式、车内氛围搭配中的至少一种。
在一些实施例中，所述车载终端控制装置，还包括：
第一发送模块，用于将所述车主的驾驶行为数据和车辆型号参数生成初始训练语料，并发送至所述中央服务器，以使得中央服务器对所述初始训练语料进行清洗得到训练语料；
获取模块，用于获取所述中央服务器发送的初始车辆行为识别网络，所述初始车辆行为识别网络为所述中央服务器基于所述训练语料采用联邦学习及宽度学习的训练方式训练得到的；
采集模块，用于采集所述车主的有效驾驶行为数据；
网络训练模块，用于基于所述有效驾驶行为数据对所述初始车辆行为识别网络进行训练得到训练后的车辆行为识别网络；
第二发送模块，用于发送训练后的车辆行为识别网络的模型参数至所述中央服务器，以使得所述中央服务器基于所述模型参数确定所述车辆行为识别网络的网络参数。
即，本发明实施例提供的车载终端控制装置，采用联邦学习附加宽度学习的方式进行车辆行为识别网络的训练，该训练过程同时会考车辆、车主驾驶信息操作数据及车辆品牌型号等信息，使得训练得到的车辆行为识别网络可以更准确的响应车主操作，基于此，本申请不需要设置专用的界面及交互接口来采集车主操作数据即可基于车辆行为识别网络对车主操作进行准确的响应；尤其是针对车主新购买车辆的车载终端，这些车载终端可以从中央服务器获取训练后的车辆行为识别网络之后即可准确响应车主操作；即本申请缓解了现有技术需要增加专用界面及交互接口以采集车主操作数据的技术问题，增强了车主驾驶体验。
本领域的技术人员应当明白，上述各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何限定的硬件和软件结合。
相应的，本发明实施例还提供一种车载终端，所述车载终端包括存储器和处理器；所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时实现如上述实施例所述的车载终端控制方法。
本实施例中，处理器是车载终端的控制中心，利用各种接口和线路连接整个车载终端的各个部分，通过运行或加载存储在存储器内的软件程序和/或模块，以及调用存储在存储器内的数据，执行车载终端的各种功能和处理数据，从而对车载终端进行整体监控。
本实施例中，处理器可以是专用集成电路（Application Specific IntegratedCircuit，简称ASIC）、数字信号处理器（Digital Signal Processor，简称DSP）、数字信号处理设备（Digital Signal Processing Device，简称DSPD）、可编程逻辑器件（ProgrammableLogic Device，简称PLD）、现场可编程门阵列（Field Programmable Gate Array，简称FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例中的方法。在处理器上运行的计算机程序被执行时所实现的方法可参照本发明前述实施例提供的方法的具体实施例，此处不再赘述。
相应的，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被一个或多个处理器执行时，实现如上述实施例所述的方法：
响应于车主的控制操作，确定所述控制操作对应的控制参数；
调用来自中央服务器的车辆行为识别网络；
通过所述车辆行为识别网络，预测所述控制参数对应的响应参数；
基于所述响应参数，控制所述车载终端。
需要说明的是，本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
相应的，本发明实施例还可以包括一种计算机程序产品，该计算机程序产品包括计算机程序或指令，该计算机指令存储在计算机可读存储介质中，该计算机程序或指令被处理器执行时实现上述实施例中任一项所述的车载终端控制方法。
综上，本发明实施例提供了一种车载终端控制方法、装置及车载终端；该方法包括：响应于车主的控制操作，确定所述控制操作对应的控制参数，调用来自中央服务器的车辆行为识别网络，通过所述车辆行为识别网络预测所述控制参数对应的响应参数，基于所述响应参数控制所述车载终端。在本申请提供的方案中，采用联邦学习附加宽度学习的方式进行车辆行为识别网络的训练，该训练过程同时会考车辆、车主驾驶信息操作数据及车辆品牌型号等信息，使得训练得到的车辆行为识别网络可以更准确的响应车主操作，基于此，本申请不需要设置专用的界面及交互接口来采集车主操作数据即可基于车辆行为识别网络对车主操作进行准确的响应；尤其是针对车主新购买车辆的车载终端，这些车载终端可以从中央服务器获取训练后的车辆行为识别网络之后即可准确响应车主操作；即本申请缓解了现有技术需要增加专用界面及交互接口以采集车主操作数据的技术问题，增强了车主驾驶体验。
在本发明实施例所提供的实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统和方法实施例仅仅是示意性的。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (9)
1.一种车载终端控制方法，其特征在于，包括：
将车主的驾驶行为数据和车辆型号参数生成初始训练语料，并发送至中央服务器，以使得所述中央服务器对所述初始训练语料进行清洗得到训练语料；获取所述中央服务器发送的初始车辆行为识别网络，所述初始车辆行为识别网络为所述中央服务器基于所述训练语料采用联邦学习及宽度学习的训练方式训练得到的；采集所述车主的有效驾驶行为数据；基于所述有效驾驶行为数据对所述初始车辆行为识别网络进行训练得到训练后的车辆行为识别网络；发送训练后的车辆行为识别网络的模型参数至所述中央服务器，以使得所述中央服务器基于所述模型参数确定所述车辆行为识别网络的网络参数；
响应于车主的控制操作，确定所述控制操作对应的控制参数；
调用来自中央服务器的车辆行为识别网络；
通过所述车辆行为识别网络，预测所述控制参数对应的响应参数；
基于所述响应参数，控制所述车载终端。
2.根据权利要求1所述的车载终端控制方法，其特征在于，所述基于所述响应参数，控制所述车载终端，包括：
展示所述响应参数对应的车载设备配置效果；
接收车主对所述车载设备配置效果的调整操作；
根据所述调整操作得到调整后的车载设备配置效果；
基于所述调整后的车载设备配置效果，通过所述车载终端调整车载设备的配置参数，所述配置参数包括座椅角度、音量大小、省油驾驶方式、车内氛围搭配中的至少一种。
3.根据权利要求2所述的车载终端控制方法，其特征在于，所述调整操作包括：
从多个车载设备配置效果中选择一个作为调整后的车载设备配置效果的选择操作；和/或
对车载设备配置效果进行修正以得到调整后的车载设备配置效果的修正操作。
4.根据权利要求2所述的车载终端控制方法，其特征在于，在所述基于所述调整后的车载设备配置效果，通过所述车载终端调整车载设备的配置参数之后，包括：
确定所述调整后的车载设备配置效果对应的车辆型号参数；
构建由所述车辆型号参数和所述调整后的车载设备配置效果组成的训练数据；
发送所述训练数据至所述中央服务器，以使得所述中央服务器对所述车辆行为识别网络进行训练。
5.根据权利要求1所述的车载终端控制方法，其特征在于，所述调用来自中央服务器的车辆行为识别网络，包括：
获取所述控制操作对应的应用标识；
根据所述应用标识从来自所述中央服务器的多个候选行为识别网络中选择所述车辆行为识别网络。
6.根据权利要求1所述的车载终端控制方法，其特征在于，所述调用来自中央服务器的车辆行为识别网络，包括：
获取所述车辆行为识别网络的更新周期；
根据所述更新周期，控制所述车载终端与所述中央服务器进行所述车辆行为识别网络的参数同步。
7.根据权利要求1所述的车载终端控制方法，其特征在于，所述控制操作包括驾驶行为提醒操作，所述控制参数包括摄像设备工作参数，所述通过所述车辆行为识别网络，预测所述控制参数对应的响应参数，包括：
基于所述摄像设备工作参数，通过摄像设备采集车主的驾驶行为图像；
基于所述车辆行为识别网络处理所述驾驶行为图像，得到是否提醒驾驶异常的响应参数。
8.一种车载终端控制装置，其特征在于，包括：
训练模块，用于将车主的驾驶行为数据和车辆型号参数生成初始训练语料，并发送至中央服务器，以使得所述中央服务器对所述初始训练语料进行清洗得到训练语料；获取所述中央服务器发送的初始车辆行为识别网络，所述初始车辆行为识别网络为所述中央服务器基于所述训练语料采用联邦学习及宽度学习的训练方式训练得到的；采集所述车主的有效驾驶行为数据；基于所述有效驾驶行为数据对所述初始车辆行为识别网络进行训练得到训练后的车辆行为识别网络；发送训练后的车辆行为识别网络的模型参数至所述中央服务器，以使得所述中央服务器基于所述模型参数确定所述车辆行为识别网络的网络参数；
确定模块，用于响应于车主的控制操作，确定所述控制操作对应的控制参数；
调用模块，用于调用来自中央服务器的车辆行为识别网络；
预测模块，用于通过所述车辆行为识别网络，预测所述控制参数对应的响应参数；
控制模块，用于基于所述响应参数，控制所述车载终端。
9.一种车载终端，其特征在于，包括存储器和处理器；所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410001487.9A CN117485265B (zh) | 2024-01-02 | 2024-01-02 | 车载终端控制方法、装置及车载终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410001487.9A CN117485265B (zh) | 2024-01-02 | 2024-01-02 | 车载终端控制方法、装置及车载终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117485265A true CN117485265A (zh) | 2024-02-02 |
| CN117485265B CN117485265B (zh) | 2024-05-24 |
Family
ID=89683356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410001487.9A Active CN117485265B (zh) | 2024-01-02 | 2024-01-02 | 车载终端控制方法、装置及车载终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117485265B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476139A (zh) * | 2020-04-01 | 2020-07-31 | 同济大学 | 基于联邦迁移学习的驾驶员行为云边协同学习系统 |
| CN112102600A (zh) * | 2020-08-11 | 2020-12-18 | 南京酷沃智行科技有限公司 | 一种基于移动端和汽车互联的汽车控制系统及方法 |
| CN115035491A (zh) * | 2022-05-27 | 2022-09-09 | 深圳季连科技有限公司 | 一种基于联邦学习的驾驶行为路况预警方法 |
| CN116564339A (zh) * | 2023-05-31 | 2023-08-08 | 西安电子科技大学 | 基于联邦学习的安全高效车机语音识别方法及系统 |
| CN117095680A (zh) * | 2023-07-24 | 2023-11-21 | 奇瑞汽车股份有限公司 | 车辆控制方法、装置、设备及存储介质 |
-
2024
- 2024-01-02 CN CN202410001487.9A patent/CN117485265B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476139A (zh) * | 2020-04-01 | 2020-07-31 | 同济大学 | 基于联邦迁移学习的驾驶员行为云边协同学习系统 |
| CN112102600A (zh) * | 2020-08-11 | 2020-12-18 | 南京酷沃智行科技有限公司 | 一种基于移动端和汽车互联的汽车控制系统及方法 |
| CN115035491A (zh) * | 2022-05-27 | 2022-09-09 | 深圳季连科技有限公司 | 一种基于联邦学习的驾驶行为路况预警方法 |
| CN116564339A (zh) * | 2023-05-31 | 2023-08-08 | 西安电子科技大学 | 基于联邦学习的安全高效车机语音识别方法及系统 |
| CN117095680A (zh) * | 2023-07-24 | 2023-11-21 | 奇瑞汽车股份有限公司 | 车辆控制方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117485265B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11663468B2 (en) | Method and apparatus for training neural network, and storage medium | |
| US20240257583A1 (en) | Digital twin to represent operating states of a vehicle | |
| WO2021178385A1 (en) | Intelligent transportation systems including digital twin interface for a passenger vehicle | |
| CN114841327A (zh) | 计算图的处理方法、装置、可读介质及电子设备 | |
| CN115273489B (zh) | 车身颜色调节方法、装置、系统及存储介质 | |
| CN112115372B (zh) | 一种停车场的推荐方法及装置 | |
| CN110262413A (zh) | 智能家居控制方法、控制装置、车载终端及可读存储介质 | |
| US11551139B1 (en) | Transportation activity classification system and method | |
| CN117485265B (zh) | 车载终端控制方法、装置及车载终端 | |
| CN117894093A (zh) | 车辆清洗提示方法、装置、计算机设备和存储介质 | |
| US11379547B2 (en) | Information processing system, server, non-transitory computer-readable storage medium, and method for processing information | |
| CN109219002A (zh) | 一种提醒短信发送方法、装置、设备及可读存储介质 | |
| US11333519B2 (en) | Dynamic map generation with focus on construction and localization field of technology | |
| US20220318822A1 (en) | Methods and systems for rideshare implicit needs and explicit needs personalization | |
| CN116386377A (zh) | 基于预测模型的停车位控制方法、装置、设备及存储介质 | |
| CN107533811A (zh) | 信息处理装置、信息处理方法和程序 | |
| US11301782B2 (en) | Method and arrangement for determining a current location speed-limit in a road-vehicle | |
| CN114091649A (zh) | 一种数据处理方法、装置及设备 | |
| US20240320908A1 (en) | Systems, methods, and non-transitory computer-readable mediums for displaying a virtual space | |
| CN118467141B (zh) | 可视化无人机多模态时空数据处理方法、系统及存储介质 | |
| CN116582452B (zh) | 流量分类方法、装置、设备及介质 | |
| US20230177403A1 (en) | Predicting the conjunction of events by approximate decomposition | |
| EP4009251B1 (en) | Information output device and information output method | |
| US20240249180A1 (en) | Systems and methods for adjustment-based causally robust prediction | |
| CN115967580A (zh) | 车辆服务消息推送方法、装置、计算机设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |