CN117622177A - 一种基于工业大模型的车辆数据处理方法及装置 - Google Patents
一种基于工业大模型的车辆数据处理方法及装置 Download PDFInfo
- Publication number
- CN117622177A CN117622177A CN202410091312.1A CN202410091312A CN117622177A CN 117622177 A CN117622177 A CN 117622177A CN 202410091312 A CN202410091312 A CN 202410091312A CN 117622177 A CN117622177 A CN 117622177A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- driving
- time
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 287
- 238000012545 processing Methods 0.000 claims abstract description 177
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 230000008859 change Effects 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于工业大模型的车辆数据处理方法及装置,本发明属于车辆数据处理的技术领域,所述方法包括:获取车辆的实时行驶数据,实时行驶数据是关于车辆在实时行驶时的路况、驱动参数以及驾驶位环境的数据;在确定实时行驶数据包含异常数据时,调用预设的工业大模型对实时行驶数据分别进行关于车辆与周边物体的间隔距离的路况数据检测处理、关于车辆与待变更车道上车辆的相遇时长的驱动数据检测处理以及关于车辆驱动器件的器件实时参数在行驶时长内的变化区间值的驾驶数据检测处理,并将检测处理的结果反馈给用户。本发明利用工业大模型对多种数据进行数据检测处理,以拓宽车辆检测处理的范围,并提升车辆数据的检测精度。
Description
技术领域
本发明涉及车辆数据处理的技术领域,尤其涉及一种基于工业大模型的车辆数据处理方法及装置。
背景技术
随着汽车制造技术的不断发展和人们生活水平的提升,汽车在人们日常生活中的使用已经越来越普及。为了满足不同应用需求,汽车增设越来越多的智能设备,通过智能设备对车辆数据进行处理,为用户提供不同的应用服务。
其中一种常用的应用过功能是车辆检测功能,由于车辆每次行驶的环境以及路况均不相同,受环境因素和路面情况等各种因素影响,在行驶过程中存在各种行驶状况,为了检测车辆的行驶状况,目前常用的数据处理方法是:在车辆的周边设置各种雷达与传感器,通过雷达与传感器检测车辆的行驶数据以及车辆与外部各个物体的相关数据,对数据的数值进行检测判断处理,以确定行驶数据或相关数据是否有异常,并在异常时向用户报警,提醒用户及时查看。
然而目前常用的数据处理方法有如下技术问题:外部数据仅能反映外部因素,而车辆行驶除了受到外部环境影响,还有内部因素影响,现有检测方法不够全面及时,数据处理类型单一,难以满足现有的数据处理应用需求。
发明内容
本发明提出一种基于工业大模型的车辆数据处理方法及装置,以解决上述一个或多个技术问题。
本发明实施例的第一方面提供了一种基于工业大模型的车辆数据处理方法,所述方法包括:
在车辆启动时,获取车辆的实时行驶数据,所述实时行驶数据是关于车辆在实时行驶时的路况、驱动参数以及驾驶位环境的数据;
在确定所述实时行驶数据包含异常数据时,调用预设的工业大模型对所述实时行驶数据分别进行路况数据检测处理、驱动数据检测处理以及驾驶数据检测处理,并将所述路况数据检测处理、所述驱动数据检测处理和所述驾驶数据检测处理的检测结果反馈给用户;
其中,所述路况数据检测处理是调用预设的工业大模型根据所述实时行驶数据确定车辆与周边距离的检测,所述驱动数据检测处理是调用预设的工业大模型根据所述实时行驶数据确定车辆行驶状态的检测,所述驾驶数据检测处理是调用预设的工业大模型根据所述实时行驶数据确定驾驶位是否有异物的检测。
在第一方面的一种可能的实现方式中,所述路况数据检测处理,包括:
在确定车辆没有变道行驶时,从所述实时行驶数据提取关于车辆与周边的物体的声波信号;
调用预设的工业大模型根据所述声波信号计算车辆与周边物体的间隔距离;
若所述间隔距离小于预设距离,则确定所述路况数据检测处理的检测结果为异常;
若所述间隔距离大于预设距离,则确定所述路况数据检测处理的检测结果为正常。
在第一方面的一种可能的实现方式中,所述路况数据检测处理,包括:
在确定车辆有变道行驶时,从所述实时行驶数据提取关于车辆的实时速度以及待变更车道上车辆的参考速度;
调用预设的工业大模型根据所述实时速度和所述参考速度计算车辆与待变更车道上车辆的相遇时长;
若所述相遇时长小于预设时长,则确定所述路况数据检测处理的检测结果为异常;
若所述相遇时长大于预设时长,则确定所述路况数据检测处理的检测结果为正常。
在第一方面的一种可能的实现方式中,所述驾驶数据检测处理,包括:
从所述实时行驶数据提取关于车辆主驾驶位的驾驶图像;
调用预设的工业大模型根据预设图像区域对所述驾驶图像进行图像识别并轮廓提取,得到识别物体,所述预设图像区域包括方向盘区域、档位区域和油门区域;
计算所述识别物体与预设图像区域对应的物体的轮廓匹配值;
若所述轮廓匹配值小于预设匹配值,则确定所述驾驶数据检测处理的检测结果为异常;
若所述轮廓匹配值大于预设匹配值,则确定所述驾驶数据检测处理的检测结果为正常。
在第一方面的一种可能的实现方式中,所述驱动数据检测处理,包括:
从所述实时行驶数据提取若干个车辆驱动器件的器件实时参数;
调用预设的工业大模型计算每个所述器件实时参数在行驶时长内的变化区间值,所述行驶时长是车辆从启动的时间节点至当前时间节点的时长;
若有任意一个所述变化区间值不在对应区间范围值内,则确定所述驱动数据检测处理的检测结果为异常;
若每个所述变化区间值均在对应区间范围值内,则确定所述驱动数据检测处理的检测结果为正常。
在第一方面的一种可能的实现方式中,所述将所述路况数据检测处理、所述驱动数据检测处理和所述驾驶数据检测处理的检测结果反馈给用户,包括:
将所述路况数据检测处理、所述驱动数据检测处理和所述驾驶数据检测处理的检测结果展示在车载终端,并当所述路况数据检测处理、所述驱动数据检测处理或所述驾驶数据检测处理的检测结果为异常后,触发安全报警;
在统计安全报警的持续时长,若所述持续时长超过预设的报警时长,则降低车辆的驱动功率并启动刹车点头模式。
在第一方面的一种可能的实现方式中,所述工业大模型的训练操作包括:
获取车辆的多条历史行驶数据,其中,每条所述历史行驶数据包括:历史路况数据、历史驱动数据以及历史驾驶环境数据;
从所述历史行驶数据中筛选大于或等于预设历史阈值的数据组合成正样本,以及,从所述历史行驶数据中筛选小于预设历史阈值的数据组合成负样本;
利用所述正样本和所述负样本训练初始计算模型, 直至所述初始计算模型收敛,得到所述工业大模型。
本发明实施例的第二方面提供了一种基于工业大模型的车辆数据处理装置,所述装置包括:
获取模块,用于在车辆启动时,获取车辆的实时行驶数据,所述实时行驶数据是关于车辆在实时行驶时的路况、驱动参数以及驾驶位环境的数据;
数据检测处理模块,用于在确定所述实时行驶数据包含异常数据时,调用预设的工业大模型对所述实时行驶数据分别进行路况数据检测处理、驱动数据检测处理以及驾驶数据检测处理,并将所述路况数据检测处理、所述驱动数据检测处理和所述驾驶数据检测处理的检测结果反馈给用户;
其中,所述路况数据检测处理是调用预设的工业大模型根据所述实时行驶数据确定车辆与周边距离的检测,所述驱动数据检测处理是调用预设的工业大模型根据所述实时行驶数据确定车辆行驶状态的检测,所述驾驶数据检测处理是调用预设的工业大模型根据所述实时行驶数据确定驾驶位是否有异物的检测。
在第二方面的一种可能的实现方式中,所述路况数据检测处理,包括:
在确定车辆没有变道行驶时,从所述实时行驶数据提取关于车辆与周边的物体的声波信号;
调用预设的工业大模型根据所述声波信号计算车辆与周边物体的间隔距离;
若所述间隔距离小于预设距离,则确定所述路况数据检测处理的检测结果为异常;
若所述间隔距离大于预设距离,则确定所述路况数据检测处理的检测结果为正常。
在第二方面的一种可能的实现方式中,所述路况数据检测处理,包括:
在确定车辆有变道行驶时,从所述实时行驶数据提取关于车辆的实时速度以及待变更车道上车辆的参考速度;
调用预设的工业大模型根据所述实时速度和所述参考速度计算车辆与待变更车道上车辆的相遇时长;
若所述相遇时长小于预设时长,则确定所述路况数据检测处理的检测结果为异常;
若所述相遇时长大于预设时长,则确定所述路况数据检测处理的检测结果为正常。
在第二方面的一种可能的实现方式中,所述驾驶数据检测处理,包括:
从所述实时行驶数据提取关于车辆主驾驶位的驾驶图像;
调用预设的工业大模型根据预设图像区域对所述驾驶图像进行图像识别并轮廓提取,得到识别物体,所述预设图像区域包括方向盘区域、档位区域和油门区域;
计算所述识别物体与预设图像区域对应的物体的轮廓匹配值;
若所述轮廓匹配值小于预设匹配值,则确定所述驾驶数据检测处理的检测结果为异常;
若所述轮廓匹配值大于预设匹配值,则确定所述驾驶数据检测处理的检测结果为正常。
在第二方面的一种可能的实现方式中,所述驱动数据检测处理,包括:
从所述实时行驶数据提取若干个车辆驱动器件的器件实时参数;
调用预设的工业大模型计算每个所述器件实时参数在行驶时长内的变化区间值,所述行驶时长是车辆从启动的时间节点至当前时间节点的时长;
若有任意一个所述变化区间值不在对应区间范围值内,则确定所述驱动数据检测处理的检测结果为异常;
若每个所述变化区间值均在对应区间范围值内,则确定所述驱动数据检测处理的检测结果为正常。
在第二方面的一种可能的实现方式中,所述数据检测处理模块,还用于:
将所述路况数据检测处理、所述驱动数据检测处理和所述驾驶数据检测处理的检测结果展示在车载终端,并当所述路况数据检测处理、所述驱动数据检测处理或所述驾驶数据检测处理的检测结果为异常后,触发安全报警;
在统计安全报警的持续时长,若所述持续时长超过预设的报警时长,则降低车辆的驱动功率并启动刹车点头模式。
在第二方面的一种可能的实现方式中,所述工业大模型的训练操作包括:
获取车辆的多条历史行驶数据,其中,每条所述历史行驶数据包括:历史路况数据、历史驱动数据以及历史驾驶环境数据;
从所述历史行驶数据中筛选大于或等于预设历史阈值的数据组合成正样本,以及,从所述历史行驶数据中筛选小于预设历史阈值的数据组合成负样本;
利用所述正样本和所述负样本训练初始计算模型, 直至所述初始计算模型收敛,得到所述工业大模型。
相比于现有技术,本发明实施例提供的一种基于工业大模型的车辆数据处理方法及装置,其有益效果在于:本发明可以在车辆启动时,获取车辆的实时行驶数据;在确定所述实时行驶数据包含异常数据时,调用预设的工业大模型对所述实时行驶数据分别进行路况数据检测处理、驱动数据检测处理以及驾驶数据检测处理,并将所述路况数据检测处理、所述驱动数据检测处理和所述驾驶数据检测处理的检测结果反馈给用户,结合多种数据检测处理,可以拓宽检测的范围,从而提升数据的检测精度。
附图说明
图1是本发明一实施例提供的一种基于工业大模型的车辆数据处理方法的流程示意图;
图2是本发明一实施例提供的一种基于工业大模型的车辆数据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。
为了解决上述问题,下面将通过以下具体的实施例对本申请实施例提供的一种基于工业大模型的车辆数据处理方法进行详细介绍和说明。
参照图1,示出了本发明一实施例提供的一种基于工业大模型的车辆数据处理方法的流程示意图。
在一实施例中,所述方法适用于车载终端,该车载终端可以是搭载在车辆的智能终端或者车机终端。
在一实现方式中,该车载终端设有用于预先训练好的工业大模型,可以调用预先训练好的工业大模型进行相关的计算和数据检测处理。可选地,车载终端也可以与云端通信,云端可以搭载预先训练好的工业大模型,通过与云端通信以调用预先训练好的工业大模型进行相关计算处理。
其中,作为示例的,所述基于工业大模型的车辆数据处理方法,可以包括:
S11、在车辆启动时,获取车辆的实时行驶数据,所述实时行驶数据是关于车辆在实时行驶时的路况、驱动参数以及驾驶位环境的数据。
在一实施例中,车载终端可以在车辆启动时,对车辆进行数据采集,以获取得到车辆的实时行驶数据,该实时行驶数据可以包括:车辆在实时行驶时其行驶的路况相关参数,车辆在实时行驶时车辆的发动机或电机的相关参数,车辆在实时行驶时车内的相关图像数据,尤其是驾驶位的相关数据。
通过结合路况、车辆驱动行驶以及车辆内部等数据进行综合的数据检测处理,以确定车辆行驶状况。
在一实现方式中,可以通过设置在车辆外层的各个传感器以及雷达,采集车辆在实时行驶过程中路况的相关参数。可选地,可以通过车内传感器实时采集车辆的发动机或电机的相关参数。可选地,可以通过车内的行车记录仪或者驾驶位的摄像仪,采集驾驶位的相关图像,得到驾驶位环境的数据。
S12、在确定所述实时行驶数据包含异常数据时,调用预设的工业大模型对所述实时行驶数据分别进行路况数据检测处理、驱动数据检测处理以及驾驶数据检测处理,并将所述路况数据检测处理、所述驱动数据检测处理和所述驾驶数据检测处理的检测结果反馈给用户;
其中,所述路况数据检测处理是调用预设的工业大模型根据所述实时行驶数据确定车辆与周边距离的检测,所述驱动数据检测处理是调用预设的工业大模型根据所述实时行驶数据确定车辆行驶状态的检测,所述驾驶数据检测处理是调用预设的工业大模型根据所述实时行驶数据确定驾驶位是否有异物的检测。
在获取实时行驶数据后,可以先确定实时行驶数据是否有异常数据,若确定实时行驶数据包含异常数据时,可以立即调用预设的工业大模型对实时行驶数据分别进行路况数据检测处理、驱动数据检测处理以及驾驶数据检测处理。
其中,路况数据检测处理是调用预设的工业大模型根据实时行驶数据计算车辆与周边物体(包括周边的车辆、行人、围栏等不同物体)的距离,根据车辆与周边物体的距离确定车辆是否安全的检测。
驱动数据检测处理是调用预设的工业大模型根据实时行驶数据确定车辆当前各个发动机、电机、变速箱、轮胎等部件的实时行驶状态,根据各个部件的实时行驶状态确定车辆是否安全的检测。
驾驶数据检测处理是调用预设的工业大模型根据实时行驶数据确定驾驶位是否有异物或遮挡,以确定驾驶员是否可以正常驾驶车辆的检测。
在获取上述各个检测处理的结果后,可以将结果展示在车载终端,供用户查看。
在一操作方式中,在获取实时行驶数据后,若实时行驶数据是数值,可以将实时行驶数据与历史行驶数据进行比较,确定两个数据的差值或偏差值,若偏差值较大,则确定实时行驶数据有异常数据。或者,若实时行驶数据是数值,可以确定实时行驶数据的数值是否在预设的阈值区间内,若不在,则确定实时行驶数据有异常数据。
若实时行驶数据是图像,可以从图像中提取驾驶员的人体骨干以及人像,若人像不清晰或者人体骨干有偏移,例如坐姿歪道倾斜,可以确定实时行驶数据有异常数据。
在一可选的实施例中,路况数据检测处理可以是对车辆外部的环境以及路况进行检测,以确定车辆在道路上正常行驶时,是否存在与障碍物或者周边物体发生碰撞的安全风险。
其中,作为示例的,所述路况数据检测处理,可以包括以下子步骤:
S21、在确定车辆没有变道行驶时,从所述实时行驶数据提取关于车辆与周边的物体的声波信号。
S22、调用预设的工业大模型根据所述声波信号计算车辆与周边物体的间隔距离。
S23、若所述间隔距离小于预设距离,则确定所述路况数据检测处理的检测结果为异常。
S24、若所述间隔距离大于预设距离,则确定所述路况数据检测处理的检测结果为正常。
具体地,可以确定车辆是否有转向,若没有,则确定车辆没有变道行驶。此时可以从实时行驶数据提取关于车辆与周边的物体的声波信号。该声波信号通过设置在车辆的超声波传感器,以汽车为中心向周边物体发送的信号,并获取周边物体在接收信号后反弹的信号。
由于周边的物体在接收信号后,可以因其自身的物质属性,对信号进行反射,可以形成反弹信号。
在获取反弹的信号后,为了确定该反弹的信号是否为超声波传感器发送的信号而反弹的信号,可以在反弹的信号中提取反弹序列,该反弹序列可以是若干个基带码元的组合序列。
在一实施例中,由于超声波传感器生成的序列是经过一系列操作后得到,为了提取反弹序列,可以按照编码序列的操作顺序,以提取得到反弹序列。
具体地,可以先解调反弹的信号得到多个解调信号,其中,每个解调信号对应一个频率。
然后分别将每个解调信号输入至预设的FSK调制器中,得到多个解码码元。
最后获取每个解码码元的解码序列,得到反弹序列。
由于反弹信号群中也包含多种不同频率的信号,为了区分不同频率的信号,以得到不同频率信号的编码,可以将反弹信号群输入至分频器中,让分频器将反弹信号分解成多个解调信号。
其中,每个分频后的调解信号也可以对应一个频率。
接着,可以将每个调解信号分别输入至FSK调制器中,FSK调制器可以根据调解信号的频率生成对一个对应的解码码元。
该解码码元的格式与基带码元的格式相同,例如,若基带码元采用232323,对应地,解码码元也可以为232323。
在一可选的实施例中,编码所用的分频器和FSK调制器,也可以应用在解码中。
具体地,该码元序列具体为解码码元的数字序列。
例如,该解码码元为232323,则其解码序列对应为232323。
再调用预设的工业大模型根据反弹信号群确定汽车与周边物体的距离。可以利用解码信号计算汽车与周边物体的距离,以确定汽车周边的障碍物。
为了准确计算距离,计算的操作可以是获取解码信号的发出时间和接收时间。在基于TOF原理,根据发出时间和接收时间计算汽车与周边物体的距离。
具体地,可以在发送编码信号群时记录发出时间,可以在获取解码信号时记录接收时间。
最后,可以判断汽车与周边物体的间隔距离是否小于预设距离,如果间隔距离小于预设距离,说明车辆与周边的物体或人靠得近,有碰撞风险,可以确定路况数据检测处理的检测结果为异常。反之,如果间隔距离大于预设距离,说明车辆与周边的物体或人靠得较远,暂时没有碰撞风险,则确定路况数据检测处理的检测结果为正常。
在一可选的实施例中,车辆在行驶过程中,可能需要进行变道,为了确定车辆变道是否安全,避免车辆在变道是与障碍物或者其它车道的车辆发生碰撞。
其中,作为示例的,所述路况数据检测处理,可以包括以下子步骤:
S31、在确定车辆有变道行驶时,从所述实时行驶数据提取关于车辆的实时速度以及待变更车道上车辆的参考速度。
S32、调用预设的工业大模型根据所述实时速度和所述参考速度计算车辆与待变更车道上车辆的相遇时长。
S33、若所述相遇时长小于预设时长,则确定所述路况数据检测处理的检测结果为异常。
S34、若所述相遇时长大于预设时长,则确定所述路况数据检测处理的检测结果为正常。
具体地,可以确定车辆是否有转向,若有,则确定车辆有进行变道行驶。此时可以从实时行驶数据提取车辆当前时速,得到实时速度。同时可以获取车辆所要变更的车道车辆的速度,得到参考速度。其中,若变更的车道上没有车,参考速度可以为0。
然后利用两个速度计算两辆车可能发生碰撞的相遇时间,得到相遇时长。具体的计算方式可以利用两个速度作差计算速度差,然后计算车辆与待变更车道上车辆的距离,该距离可以通过上述S21-S22计算关于间隔距离的方式进行计算。在利用距离与速度差计算相遇时间,得到相遇时长。
如果相遇时长小于预设时长,说明两辆车有碰撞风险,可以确定路况数据检测处理的检测结果为异常。反之,如果相遇时长大于预设时长,说明两辆车没有碰撞风险,可以确定路况数据检测处理的检测结果为正常。
在一可选的实施例中,驾驶位上可能有物体阻碍司机驾驶,影响司机视野或驾驶操作,为了确保司机能在驾驶位上正常操作,以确定驾驶是否安全,其中,作为示例的,所述驾驶数据检测处理,可以包括以下子步骤:
S41、从所述实时行驶数据提取关于车辆主驾驶位的驾驶图像。
S42、调用预设的工业大模型根据预设图像区域对所述驾驶图像进行图像识别并轮廓提取,得到识别物体,所述预设图像区域包括方向盘区域、档位区域和油门区域。
S43、计算所述识别物体与预设图像区域对应的物体的轮廓匹配值。
S44、若所述轮廓匹配值小于预设匹配值,则确定所述驾驶数据检测处理的检测结果为异常。
S45、若所述轮廓匹配值大于预设匹配值,则确定所述驾驶数据检测处理的检测结果为正常。
具体地,可以从实时行驶数据提取关于车辆主驾驶位的驾驶图像,该驾驶图像可以是调用车内对内进行拍摄的行车记录仪,向驾驶位的司机进行拍摄的图像。
然后调用预设的工业大模型根据预设图像区域对驾驶图像进行图像识别并轮廓提取,其中,预设图像区域包括方向盘区域、档位区域和油门区域。可以检测在方向盘区域的方向盘,档位区域的档位把手或换挡键,油门区域的油门或制动踏板。
提取方向盘的轮廓,档位把手或换挡键的轮廓以及油门或制动踏板的轮廓,从而得到识别物体。
再将其轮廓与对应的轮廓进行匹配,以计算两者相互之间的轮廓相似度,得到轮廓匹配值。
然后判断轮廓匹配值是否小于预设匹配值。如果轮廓匹配值小于预设匹配值,说明在方向盘或者档位把手或换挡键或者油门或制动踏板有遮挡,用户无法直接触碰使用,可能有物体阻挡影响用户驾驶,可以确定驾驶数据检测处理的检测结果为异常,有驾驶的安全风险。反之,如果轮廓匹配值大于预设匹配值,说明在方向盘或者档位把手或换挡键或者油门或制动踏板没有遮挡,用户直接触碰使用,没有物体阻挡影响用户驾驶,可以确定驾驶数据检测处理的检测结果为正常。
在一可选的实施例中,车辆可能在行驶过程中,各个器件有异常或者故障,导致车辆有行驶的安全风险。为了确定车辆器件是否有故障,其中,作为示例的,所述驱动数据检测处理,可以包括以下子步骤:
S51、从所述实时行驶数据提取若干个车辆驱动器件的器件实时参数。
S52、调用预设的工业大模型计算每个所述器件实时参数在行驶时长内的变化区间值,所述行驶时长是车辆从启动的时间节点至当前时间节点的时长。
S53、若有任意一个所述变化区间值不在对应区间范围值内,则确定所述驱动数据检测处理的检测结果为异常。
S54、若每个所述变化区间值均在对应区间范围值内,则确定所述驱动数据检测处理的检测结果为正常。
具体地,可以从实时行驶数据提取若干个车辆驱动器件的器件实时参数,具体可以包括发动机的转速、车速、发电机的功率、电池电量、变速箱的齿轮转速等等。
接着,可以调用预设的工业大模型计算每个参数在行驶时长内的变化区间值,其中,行驶时长是车辆从启动的时间节点至当前时间节点的时长。可以计算在这一时长内,最大值与最小值的差值,得到行驶时长内的变化区间值。
最后,可以判断每一个参数的变化区间值是否在对应的区间范围值内,如果有任意一个变化区间值不在对应区间范围值内,说明有数据异常,有任意一器件在急剧变化,器件有故障风险,可以确定驱动数据检测处理的检测结果为异常。反之,如果每个变化区间值均在对应区间范围值内,器件暂时没有故障风险,可以确定驱动数据检测处理的检测结果为正常。
例如,发电机的功率的变化区间值在发电机的区间范围值,车速的变化区间值在车速的区间范围值等,可以确定驱动数据检测处理的检测结果为正常。
在一实施例中,所述将所述路况数据检测处理、所述驱动数据检测处理和所述驾驶数据检测处理的检测结果反馈给用户,可以包括如下步骤:
S121、将所述路况数据检测处理、所述驱动数据检测处理和所述驾驶数据检测处理的检测结果展示在车载终端,并当所述路况数据检测处理、所述驱动数据检测处理或所述驾驶数据检测处理的检测结果为异常后,触发安全报警。
S122、在统计安全报警的持续时长,若所述持续时长超过预设的报警时长,则降低车辆的驱动功率并启动刹车点头模式。
在一实施例中,当路况数据检测处理、驱动数据检测处理或驾驶数据检测处理的检测结果为异常时,确定车辆当前行驶不安全,可以触发安全报警,提醒驾驶人员安全行驶,避免引发安全事故。
从启动报警开始,可以统计报警的时长,如果持续报警,说明车辆有行驶的风险。为了避免事故发生,确保乘客安全,在持续时长超过预设的报警时长后,可以降低车辆的驱动功率并启动刹车点头模式,该驱动功率可以是发动机的输出功率,也可以是发电机的输出功率,以降低车辆的动力。同时可以启动车辆的刹车点头模式,以降低车辆在急刹时对乘客的影响。
在一实施例中,本发明所调用的工业大模型是用于预先设定的,所述工业大模型的训练操作包括:
S61、获取车辆的多条历史行驶数据,其中,每条所述历史行驶数据包括:历史路况数据、历史驱动数据以及历史驾驶环境数据。
S62、从所述历史行驶数据中筛选大于或等于预设历史阈值的数据组合成正样本,以及,从所述历史行驶数据中筛选小于预设历史阈值的数据组合成负样本。
S63、利用所述正样本和所述负样本训练初始计算模型,直至所述初始计算模型收敛,得到所述工业大模型。
具体地,为了保证样本的多样性,预先针对同一车辆采集多条历史行驶数据。每条历史行驶数据中的参数,为同一车辆在不同时间行驶过程采集的数据。
历史路况数据,用于表征在对应时间段内对应车辆行驶路面的路况情况,其中,路况情况包括路面硬度,和/或,路面平整度,车辆与不同物体的距离等。
历史驾驶环境数据,用于表征在不同时间段内对应车辆内尤其是驾驶位的环境情况。
历史驱动数据,用于表征对应车辆的各个器件的参数。
初始分类模型,指未经训练的分类模型。
该实施方式中,通过从历史行驶数据中筛选大于或等于预设历史阈值的数据组合成正样本,以及,从历史行驶数据中筛选小于预设历史阈值的数据组合成负样本,来训练初始分类模型,直至模型收敛,得到分析模型。如此, 可以使由分析模型分析得到的胎压范围。
在本实施例中,本发明实施例提供了一种基于工业大模型的车辆数据处理方法,其有益效果在于:本发明可以在车辆启动时,获取车辆的实时行驶数据;在确定所述实时行驶数据包含异常数据时,调用预设的工业大模型对所述实时行驶数据分别进行路况数据检测处理、驱动数据检测处理以及驾驶数据检测处理,并将所述路况数据检测处理、所述驱动数据检测处理和所述驾驶数据检测处理的检测结果反馈给用户,结合多种数据检测处理,可以拓宽检测的范围,从而提升数据的检测精度。
本发明实施例还提供了一种基于工业大模型的车辆数据处理装置,参见图2,示出了本发明一实施例提供的一种基于工业大模型的车辆数据处理装置的结构示意图。
其中,作为示例的,所述基于工业大模型的车辆数据处理装置可以包括:
获取模块201,用于在车辆启动时,获取车辆的实时行驶数据,所述实时行驶数据是关于车辆在实时行驶时的路况、驱动参数以及驾驶位环境的数据;
数据检测处理模块202,用于在确定所述实时行驶数据包含异常数据时,调用预设的工业大模型对所述实时行驶数据分别进行路况数据检测处理、驱动数据检测处理以及驾驶数据检测处理,并将所述路况数据检测处理、所述驱动数据检测处理和所述驾驶数据检测处理的检测结果反馈给用户;
其中,所述路况数据检测处理是调用预设的工业大模型根据所述实时行驶数据确定车辆与周边距离的检测,所述驱动数据检测处理是调用预设的工业大模型根据所述实时行驶数据确定车辆行驶状态的检测,所述驾驶数据检测处理是调用预设的工业大模型根据所述实时行驶数据确定驾驶位是否有异物的检测。
可选地,所述路况数据检测处理,包括:
在确定车辆没有变道行驶时,从所述实时行驶数据提取关于车辆与周边的物体的声波信号;
调用预设的工业大模型根据所述声波信号计算车辆与周边物体的间隔距离;
若所述间隔距离小于预设距离,则确定所述路况数据检测处理的检测结果为异常;
若所述间隔距离大于预设距离,则确定所述路况数据检测处理的检测结果为正常。
可选地,所述路况数据检测处理,包括:
在确定车辆有变道行驶时,从所述实时行驶数据提取关于车辆的实时速度以及待变更车道上车辆的参考速度;
调用预设的工业大模型根据所述实时速度和所述参考速度计算车辆与待变更车道上车辆的相遇时长;
若所述相遇时长小于预设时长,则确定所述路况数据检测处理的检测结果为异常;
若所述相遇时长大于预设时长,则确定所述路况数据检测处理的检测结果为正常。
可选地,所述驾驶数据检测处理,包括:
从所述实时行驶数据提取关于车辆主驾驶位的驾驶图像;
调用预设的工业大模型根据预设图像区域对所述驾驶图像进行图像识别并轮廓提取,得到识别物体,所述预设图像区域包括方向盘区域、档位区域和油门区域;
计算所述识别物体与预设图像区域对应的物体的轮廓匹配值;
若所述轮廓匹配值小于预设匹配值,则确定所述驾驶数据检测处理的检测结果为异常;
若所述轮廓匹配值大于预设匹配值,则确定所述驾驶数据检测处理的检测结果为正常。
可选地,所述驱动数据检测处理,包括:
从所述实时行驶数据提取若干个车辆驱动器件的器件实时参数;
调用预设的工业大模型计算每个所述器件实时参数在行驶时长内的变化区间值,所述行驶时长是车辆从启动的时间节点至当前时间节点的时长;
若有任意一个所述变化区间值不在对应区间范围值内,则确定所述驱动数据检测处理的检测结果为异常;
若每个所述变化区间值均在对应区间范围值内,则确定所述驱动数据检测处理的检测结果为正常。
可选地,所述数据检测处理模块,还用于:
将所述路况数据检测处理、所述驱动数据检测处理和所述驾驶数据检测处理的检测结果展示在车载终端,并当所述路况数据检测处理、所述驱动数据检测处理或所述驾驶数据检测处理的检测结果为异常后,触发安全报警;
在统计安全报警的持续时长,若所述持续时长超过预设的报警时长,则降低车辆的驱动功率并启动刹车点头模式。
可选地,所述工业大模型的训练操作包括:
获取车辆的多条历史行驶数据,其中,每条所述历史行驶数据包括:历史路况数据、历史驱动数据以及历史驾驶环境数据;
从所述历史行驶数据中筛选大于或等于预设历史阈值的数据组合成正样本,以及,从所述历史行驶数据中筛选小于预设历史阈值的数据组合成负样本;
利用所述正样本和所述负样本训练初始计算模型, 直至所述初始计算模型收敛,得到所述工业大模型。
所属技术领域的技术人员可以清楚地了解到,为方便的描述和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
进一步的,本申请实施例还提供了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例所述的基于工业大模型的车辆数据处理方法。
进一步的,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行程序,所述计算机可执行程序用于使计算机执行如上述实施例所述的基于工业大模型的车辆数据处理方法。
本领域内的技术人员应明白,本申请的实施例还可提供包括计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、装置和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于工业大模型的车辆数据处理方法,其特征在于,所述方法包括:
在车辆启动时,获取车辆的实时行驶数据,所述实时行驶数据是关于车辆在实时行驶时的路况、驱动参数以及驾驶位环境的数据;
在确定所述实时行驶数据包含异常数据时,调用预设的工业大模型对所述实时行驶数据分别进行路况数据检测处理、驱动数据检测处理以及驾驶数据检测处理,并将所述路况数据检测处理、所述驱动数据检测处理和所述驾驶数据检测处理的检测结果反馈给用户;
其中,所述路况数据检测处理是调用预设的工业大模型根据所述实时行驶数据确定车辆与周边距离的检测,所述驱动数据检测处理是调用预设的工业大模型根据所述实时行驶数据确定车辆行驶状态的检测,所述驾驶数据检测处理是调用预设的工业大模型根据所述实时行驶数据确定驾驶位是否有异物的检测。
2.根据权利要求1所述的基于工业大模型的车辆数据处理方法,其特征在于,所述路况数据检测处理,包括:
在确定车辆没有变道行驶时,从所述实时行驶数据提取关于车辆与周边的物体的声波信号;
调用预设的工业大模型根据所述声波信号计算车辆与周边物体的间隔距离;
若所述间隔距离小于预设距离,则确定所述路况数据检测处理的检测结果为异常;
若所述间隔距离大于预设距离,则确定所述路况数据检测处理的检测结果为正常。
3.根据权利要求1所述的基于工业大模型的车辆数据处理方法,其特征在于,所述路况数据检测处理,包括:
在确定车辆有变道行驶时,从所述实时行驶数据提取关于车辆的实时速度以及待变更车道上车辆的参考速度;
调用预设的工业大模型根据所述实时速度和所述参考速度计算车辆与待变更车道上车辆的相遇时长;
若所述相遇时长小于预设时长,则确定所述路况数据检测处理的检测结果为异常;
若所述相遇时长大于预设时长,则确定所述路况数据检测处理的检测结果为正常。
4.根据权利要求1所述的基于工业大模型的车辆数据处理方法,其特征在于,所述驾驶数据检测处理,包括:
从所述实时行驶数据提取关于车辆主驾驶位的驾驶图像;
调用预设的工业大模型根据预设图像区域对所述驾驶图像进行图像识别并轮廓提取,得到识别物体,所述预设图像区域包括方向盘区域、档位区域和油门区域;
计算所述识别物体与预设图像区域对应的物体的轮廓匹配值;
若所述轮廓匹配值小于预设匹配值,则确定所述驾驶数据检测处理的检测结果为异常;
若所述轮廓匹配值大于预设匹配值,则确定所述驾驶数据检测处理的检测结果为正常。
5.根据权利要求1所述的基于工业大模型的车辆数据处理方法,其特征在于,所述驱动数据检测处理,包括:
从所述实时行驶数据提取若干个车辆驱动器件的器件实时参数;
调用预设的工业大模型计算每个所述器件实时参数在行驶时长内的变化区间值,所述行驶时长是车辆从启动的时间节点至当前时间节点的时长;
若有任意一个所述变化区间值不在对应区间范围值内,则确定所述驱动数据检测处理的检测结果为异常;
若每个所述变化区间值均在对应区间范围值内,则确定所述驱动数据检测处理的检测结果为正常。
6.根据权利要求1-5任意一项所述的基于工业大模型的车辆数据处理方法,其特征在于,所述将所述路况数据检测处理、所述驱动数据检测处理和所述驾驶数据检测处理的检测结果反馈给用户,包括:
将所述路况数据检测处理、所述驱动数据检测处理和所述驾驶数据检测处理的检测结果展示在车载终端,并当所述路况数据检测处理、所述驱动数据检测处理或所述驾驶数据检测处理的检测结果为异常后,触发安全报警;
在统计安全报警的持续时长,若所述持续时长超过预设的报警时长,则降低车辆的驱动功率并启动刹车点头模式。
7.根据权利要求1-5任意一项所述的基于工业大模型的车辆数据处理方法,其特征在于,所述工业大模型的训练操作包括:
获取车辆的多条历史行驶数据,其中,每条所述历史行驶数据包括:历史路况数据、历史驱动数据以及历史驾驶环境数据;
从所述历史行驶数据中筛选大于或等于预设历史阈值的数据组合成正样本,以及,从所述历史行驶数据中筛选小于预设历史阈值的数据组合成负样本;
利用所述正样本和所述负样本训练初始计算模型, 直至所述初始计算模型收敛,得到所述工业大模型。
8.一种基于工业大模型的车辆数据处理装置,其特征在于,所述装置包括:
获取模块,用于在车辆启动时,获取车辆的实时行驶数据,所述实时行驶数据是关于车辆在实时行驶时的路况、驱动参数以及驾驶位环境的数据;
数据检测处理模块,用于在确定所述实时行驶数据包含异常数据时,调用预设的工业大模型对所述实时行驶数据分别进行路况数据检测处理、驱动数据检测处理以及驾驶数据检测处理,并将所述路况数据检测处理、所述驱动数据检测处理和所述驾驶数据检测处理的检测结果反馈给用户;
其中,所述路况数据检测处理是调用预设的工业大模型根据所述实时行驶数据确定车辆与周边距离的检测,所述驱动数据检测处理是调用预设的工业大模型根据所述实时行驶数据确定车辆行驶状态的检测,所述驾驶数据检测处理是调用预设的工业大模型根据所述实时行驶数据确定驾驶位是否有异物的检测。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-7任意一项所述的基于工业大模型的车辆数据处理方法。
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可执行程序,所述计算机可执行程序用于使计算机执行如权利要求1-7任意一项所述的基于工业大模型的车辆数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410091312.1A CN117622177B (zh) | 2024-01-23 | 2024-01-23 | 一种基于工业大模型的车辆数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410091312.1A CN117622177B (zh) | 2024-01-23 | 2024-01-23 | 一种基于工业大模型的车辆数据处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117622177A true CN117622177A (zh) | 2024-03-01 |
CN117622177B CN117622177B (zh) | 2024-05-14 |
Family
ID=90035857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410091312.1A Active CN117622177B (zh) | 2024-01-23 | 2024-01-23 | 一种基于工业大模型的车辆数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117622177B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0871330A2 (en) * | 1997-04-11 | 1998-10-14 | Daewoo Electronics Co., Ltd | Method and apparatus for reconstructing contours in an image decoder |
CN104616438A (zh) * | 2015-03-02 | 2015-05-13 | 重庆市科学技术研究院 | 一种用于疲劳驾驶检测的打哈欠动作检测方法 |
CN106599792A (zh) * | 2016-11-23 | 2017-04-26 | 南京信息工程大学 | 一种手部驾驶违规行为的检测方法 |
CN108407715A (zh) * | 2018-03-05 | 2018-08-17 | 安徽农业大学 | 一种汽车安全预警系统及方法 |
WO2020237664A1 (zh) * | 2019-05-31 | 2020-12-03 | 驭势(上海)汽车科技有限公司 | 驾驶提醒方法、驾驶状态检测方法和计算设备 |
CN114360267A (zh) * | 2021-11-25 | 2022-04-15 | 广东唯普汽车电子商务股份有限公司 | 基于云端检测系统的车况检测方法、装置及云端检测系统 |
WO2022142042A1 (zh) * | 2020-12-29 | 2022-07-07 | 平安科技(深圳)有限公司 | 异常数据的检测方法、装置、计算机设备和存储介质 |
CN114771545A (zh) * | 2022-04-19 | 2022-07-22 | 青岛大学 | 一种智能安全驾驶系统 |
CN114954307A (zh) * | 2022-07-19 | 2022-08-30 | 河海大学 | 一种基于人工智能的辅助驾驶系统 |
CN115366907A (zh) * | 2022-08-12 | 2022-11-22 | 重庆长安汽车股份有限公司 | 驾驶员的状态异常提醒方法、装置、车辆及存储介质 |
CN116513234A (zh) * | 2023-03-31 | 2023-08-01 | 江苏高瞻数据科技有限公司 | 基于人工智能汽车自动驾驶行为决策系统 |
CN116963936A (zh) * | 2021-05-20 | 2023-10-27 | 四川金瑞麒智能科学技术有限公司 | 车辆监测方法、装置、设备及计算机可读存储介质 |
-
2024
- 2024-01-23 CN CN202410091312.1A patent/CN117622177B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0871330A2 (en) * | 1997-04-11 | 1998-10-14 | Daewoo Electronics Co., Ltd | Method and apparatus for reconstructing contours in an image decoder |
CN104616438A (zh) * | 2015-03-02 | 2015-05-13 | 重庆市科学技术研究院 | 一种用于疲劳驾驶检测的打哈欠动作检测方法 |
CN106599792A (zh) * | 2016-11-23 | 2017-04-26 | 南京信息工程大学 | 一种手部驾驶违规行为的检测方法 |
CN108407715A (zh) * | 2018-03-05 | 2018-08-17 | 安徽农业大学 | 一种汽车安全预警系统及方法 |
WO2020237664A1 (zh) * | 2019-05-31 | 2020-12-03 | 驭势(上海)汽车科技有限公司 | 驾驶提醒方法、驾驶状态检测方法和计算设备 |
WO2022142042A1 (zh) * | 2020-12-29 | 2022-07-07 | 平安科技(深圳)有限公司 | 异常数据的检测方法、装置、计算机设备和存储介质 |
CN116963936A (zh) * | 2021-05-20 | 2023-10-27 | 四川金瑞麒智能科学技术有限公司 | 车辆监测方法、装置、设备及计算机可读存储介质 |
CN114360267A (zh) * | 2021-11-25 | 2022-04-15 | 广东唯普汽车电子商务股份有限公司 | 基于云端检测系统的车况检测方法、装置及云端检测系统 |
CN114771545A (zh) * | 2022-04-19 | 2022-07-22 | 青岛大学 | 一种智能安全驾驶系统 |
CN114954307A (zh) * | 2022-07-19 | 2022-08-30 | 河海大学 | 一种基于人工智能的辅助驾驶系统 |
CN115366907A (zh) * | 2022-08-12 | 2022-11-22 | 重庆长安汽车股份有限公司 | 驾驶员的状态异常提醒方法、装置、车辆及存储介质 |
CN116513234A (zh) * | 2023-03-31 | 2023-08-01 | 江苏高瞻数据科技有限公司 | 基于人工智能汽车自动驾驶行为决策系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117622177B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106114352B (zh) | 基于电动车辆的警示方法、装置及车辆 | |
CN105922993A (zh) | 车辆的注意提醒装置 | |
US11163304B2 (en) | Trajectory determination device | |
CN105564436A (zh) | 一种高级驾驶辅助系统 | |
CN112590801B (zh) | 一种基于驾驶员疲劳程度的前方碰撞预警控制方法 | |
CN110866427A (zh) | 一种车辆行为检测方法及装置 | |
JP6551274B2 (ja) | ハイドロプレーニング判定装置 | |
CN104751600A (zh) | 基于虹膜识别的防疲劳驾驶安全设备及其使用方法 | |
US11760359B2 (en) | State determination device, state determination program, and computer-readable non-transitory tangible storage medium | |
US11847562B2 (en) | Obstacle recognition assistance device, obstacle recognition assistance method, and storage medium | |
CN108944919A (zh) | 为机动车辆生成具有聚焦区的感知场景图的方法和系统 | |
CN113901979A (zh) | 一种驾驶趋势预测方法及系统 | |
US20200312050A1 (en) | Control device, server, safety system, and control method of control device | |
CN114387821B (zh) | 车辆碰撞预警方法、装置、电子设备和存储介质 | |
CN101327795A (zh) | 一种车辆行驶智能预警系统 | |
CN111688577A (zh) | 车辆避障告警方法及系统 | |
CN112863244A (zh) | 用于促进车辆的安全行驶的方法和装置 | |
CN117622177B (zh) | 一种基于工业大模型的车辆数据处理方法及装置 | |
KR20150066308A (ko) | 운전자 운행 상태 판단 장치 및 그 방법 | |
CN115071723A (zh) | 在行驶期间检测驾驶员的手握住/松开方向盘的方法和系统 | |
JPH05107257A (ja) | ハイドロプレーニング検出装置 | |
JP2006160032A (ja) | 運転状態判定装置及び運転状態判定方法 | |
JP2006195729A (ja) | 車両用警報装置 | |
CN110459034B (zh) | 一种疲劳驾驶预警方法和系统 | |
JP2017151704A (ja) | 自動運転装置 |
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 |