CN117841887A - 基于深度学习的碰撞安全控制系统及其操作方法 - Google Patents

基于深度学习的碰撞安全控制系统及其操作方法 Download PDF

Info

Publication number
CN117841887A
CN117841887A CN202311284912.1A CN202311284912A CN117841887A CN 117841887 A CN117841887 A CN 117841887A CN 202311284912 A CN202311284912 A CN 202311284912A CN 117841887 A CN117841887 A CN 117841887A
Authority
CN
China
Prior art keywords
crash
data
collision
post
rttf
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
Application number
CN202311284912.1A
Other languages
English (en)
Inventor
朴炯郁
尹晟老
李东爀
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.)
Hyundai Motor Co
SNU R&DB Foundation
Kia Corp
Original Assignee
Hyundai Motor Co
SNU R&DB Foundation
Kia Corp
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 Hyundai Motor Co, SNU R&DB Foundation, Kia Corp filed Critical Hyundai Motor Co
Publication of CN117841887A publication Critical patent/CN117841887A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G01M17/0078—Shock-testing of vehicles
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R2021/01204—Actuation parameters of safety arrangents
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R21/00—Arrangements or fittings on vehicles for protecting or preventing injuries to occupants or pedestrians in case of accidents or other traffic risks
    • B60R21/01—Electrical circuits for triggering passive safety arrangements, e.g. airbags, safety belt tighteners, in case of vehicle accidents or impending vehicle accidents
    • B60R2021/01204—Actuation parameters of safety arrangents
    • B60R2021/01211—Expansion of air bags
    • B60R2021/01231—Expansion of air bags control of expansion timing or sequence
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W2030/082—Vehicle operation after collision
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
    • B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0022—Gains, weighting coefficients or weighting functions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2400/00—Indexing codes relating to detected, measured or calculated conditions or factors

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Air Bags (AREA)

Abstract

本公开涉及一种基于深度学习的碰撞安全控制系统及其操作方法。碰撞安全控制系统包括存储碰撞安全模型的存储器，该碰撞安全模型具有基于深度学习的碰撞安全控制逻辑。碰撞安全控制系统还包括电连接到存储器的处理器。处理器被配置为根据碰撞安全控制逻辑，基于包括碰撞前数据和碰撞后数据的至少一个信号来训练碰撞安全模型，使得碰撞安全模型输出与该至少一个信号相对应的碰撞类型以及乘客保护装备的要求启动时间(RTTF)。

Description

基于深度学习的碰撞安全控制系统及其操作方法
技术领域
本公开涉及一种基于深度学习的碰撞安全控制系统及其操作方法。
背景技术
近来，正在开发高级驾驶员辅助系统(ADAS)以辅助驾驶员驾驶。ADAS具有多个较低技术类别，并为驾驶员提供便利。ADAS被称为自动驾驶或自动驾驶系统(ADS)。
为了保护乘客，车辆配备有乘客保护装置(或安全装置)，诸如安全气囊和/或预安全座椅安全带(PSB)。在发生碰撞时，车辆运行乘客保护装置。例如，车辆可以在自动驾驶期间检测与周围物体(例如，其他车辆或行人)的碰撞，并且可以根据碰撞安全控制逻辑来运行乘客保护装置。
通常，为了根据检测到的碰撞情况运行乘客保护装置，基于实际车辆测试和要求来手动调整碰撞安全控制逻辑的参数。然而，由于在实际车辆测试期间需要考虑的参数较多，因此存在需要花费大量时间来调整参数的缺点。
发明内容
本公开的各种实施例提供一种包括能够调整参数的基于深度学习的模型的碰撞安全控制系统以及该碰撞安全控制系统的操作方法。
本公开的各种实施例提供一种通过使用车辆中的碰撞前传感器数据和碰撞后传感器数据来训练基于深度学习的碰撞安全模型的碰撞安全控制系统以及该碰撞安全控制系统的操作方法。
本公开所解决的技术问题不限于上述技术问题。本领域的普通技术人员通过下面的描述可以清楚地理解其他未提及的技术问题。
根据实施例，提供一种碰撞安全控制系统。该碰撞安全控制系统包括存储碰撞安全模型的存储器，该碰撞安全模型具有基于深度学习的碰撞安全控制逻辑。碰撞安全控制系统还包括电连接到存储器的处理器。处理器可以被配置为根据基于深度学习的碰撞安全控制逻辑，基于包括碰撞前数据和碰撞后数据的至少一个信号来训练碰撞安全模型，使得碰撞安全模型输出与该至少一个信号相对应的碰撞类型以及乘客保护装备的要求启动时间(RTTF)或启动时间(TTF)。
碰撞前数据可以包括碰撞发生之前的前向防撞辅助(FCA)等级的高级驾驶员辅助系统(ADAS)信号、碰撞发生之前的FCA等级的值或碰撞发生之前的碰撞前相对接近速度中的至少一项。
碰撞后数据可以包括碰撞发生之后通过多个碰撞检测传感器获得的时间序列速度或时间序列加速度。
处理器可以被配置为指定碰撞后数据为碰撞安全模型的输入数据。处理器还可以被配置为指定碰撞类型和RTTF为碰撞安全模型的输出数据。处理器可以进一步被配置为通过基于输入数据和输出数据执行对碰撞安全模型的第一监督学习来获得碰撞安全模型的深度学习参数。碰撞后数据可以包括通过对目标车辆的法律、适销性或感测测试项目中的至少一项中定义的碰撞类型中的每一种的分析和/或实际车辆测试而获得的第一碰撞后数据。可以在目标车辆的法律、适销性或感测测试项目中的至少一项中定义碰撞类型和RTTF。
处理器可以被配置为使用应用了深度学习参数的碰撞安全模型来确定通过分析车辆与车辆碰撞而获得的第二碰撞后数据的碰撞类型和要求启动时间。
处理器可以被配置为指定碰撞前数据和碰撞后数据的集合为应用了深度学习参数的碰撞安全模型的输入数据。处理器还可以被配置为指定碰撞类型和经调整的RTTF为碰撞安全模型的输出数据。处理器可以额外被配置为通过基于输入数据和输出数据执行对碰撞安全模型的第二监督学习来更新碰撞安全模型的深度学习参数。碰撞前数据和碰撞后数据的集合中包括的碰撞后数据可以是第一碰撞后数据或第二碰撞后数据。碰撞类型可以对应于第一碰撞后数据或第二碰撞后数据。经调整的RTTF可以通过基于碰撞前数据调整与碰撞类型相对应的RTTF来获得。
处理器可以被配置为通过将根据碰撞前数据中包括的前向防撞辅助(FCA)等级的权重应用于与碰撞类型相对应的RTTF来获得经调整的RTTF。
处理器可以被配置为使用应用了更新后的深度学习参数的碰撞安全模型来输出随机碰撞信号的碰撞类型和要求启动时间。
根据另一实施例，提供一种操作碰撞安全控制系统的方法。该方法可以包括获得包括碰撞前数据和碰撞后数据的至少一个信号。该方法还可以包括训练具有基于深度学习的碰撞安全控制逻辑的碰撞安全模型，使得碰撞安全模型输出与至少一个信号相对应的碰撞类型和乘客保护装备的要求启动时间(RTTF)或启动时间(TTF)。
碰撞前数据可以包括碰撞发生之前的前向防撞辅助(FCA)等级的高级驾驶员辅助系统(ADAS)信号、碰撞发生之前的碰撞前FCA等级的值或碰撞发生之前的碰撞前相对接近速度中的至少一项。
碰撞后数据包括碰撞发生之后通过多个碰撞检测传感器获得的时间序列速度或时间序列加速度。
训练碰撞安全模型可以包括指定碰撞后数据为碰撞安全模型的输入数据。训练碰撞安全模型还可以包括指定碰撞类型和RTTF为碰撞安全模型的输出数据。训练碰撞安全模型可以进一步包括通过基于输入数据和输出数据执行对碰撞安全模型的第一监督学习来获得碰撞安全模型的深度学习参数。碰撞后数据可以包括通过对目标车辆的法律、适销性或感测测试项目中的至少一个项中定义的碰撞类型中的每一种的分析和/或实际车辆测试而获得的第一碰撞后数据。可以在目标车辆的法律、适销性或感测测试项目中的至少一项中定义碰撞类型和RTTF。
训练碰撞安全模型可以进一步包括使用应用了深度学习参数的碰撞安全模型来确定通过分析车辆与车辆碰撞而获得的第二碰撞后数据的碰撞类型和要求启动时间。
训练碰撞安全模型可以进一步包括指定碰撞前数据和碰撞后数据的集合为应用了深度学习参数的碰撞安全模型的输入数据。训练碰撞安全模型还可以包括指定碰撞类型和经调整的RTTF为碰撞安全模型的输出数据。训练碰撞安全模型可以进一步包括通过基于输入数据和输出数据执行对碰撞安全模型的第二监督学习来更新碰撞安全模型的深度学习参数。碰撞前数据和碰撞后数据的集合中包括的碰撞后数据可以包括第一碰撞后数据或第二碰撞后数据中的至少一个。碰撞类型可以对应于第一碰撞后数据或第二碰撞后数据。经调整的RTTF可以通过基于碰撞前数据调整与碰撞类型相对应的RTTF来获得。
可以通过将根据碰撞前数据中包括的前向防撞辅助(FCA)等级的权重应用于与碰撞类型相对应的RTTF来获得经调整的RTTF。
该方法可以进一步包括使用应用了更新后的深度学习参数的碰撞安全模型来输出随机碰撞信号的碰撞类型和要求启动时间。
附图说明
结合附图根据下列详细的描述，本公开的上述内容和其他目的、特征和优点应更加明显，其中：
图1是根据本公开的各种实施例的基于深度学习的碰撞安全控制系统的框图；
图2示出根据本公开的各种实施例的基于深度学习的碰撞安全控制逻辑；
图3示出根据本公开的各种实施例的训练基于深度学习的碰撞安全模型的示例；
图4示出根据本公开的各种实施例的基于深度学习的碰撞安全控制模型的第一监督学习的输入和输出的示例；
图5示出根据本公开的各种实施例的对碰撞类型进行分类的示例；
图6示出根据本公开的各种实施例的碰撞前数据和碰撞后数据的示例；
图7示出根据本公开的各种实施例的基于深度学习的碰撞安全控制模型的第二监督学习的输入和输出的示例；
图8是示出执行根据本公开的各种实施例的基于深度学习的碰撞安全模型的训练的流程图；并且
图9是根据本公开的各种实施例的执行基于深度学习的碰撞安全模型的训练的电子装置的框图。
具体实施方式
在下文中，将参照附图详细描述本公开的实施例，其中相同或相似的组件被赋予相同的附图标记，并且省略其多余的描述。
在下面的描述中，分配和互换使用指代组件的术语“模块”或“部件”，只是为了便于解释，因此这些术语本身不具有任何区别含义或功能。此外，“模块”或“部件”可以指软件组件或诸如现场可编程门阵列(FPGA)、专用集成电路(ASIC)的硬件组件。“部件”或“模块”执行某些功能。然而，“部件”或“模块”并不意味着限于软件或硬件。“部件”或“模块”可以被配置为位于可寻址的存储介质中或者加载到一个或多个处理器上。因此，作为示例，“部件”或“模块”可以包括诸如软件组件、面向对象的软件组件、类组件和任务组件的组件，并且可以包括进程、功能、属性、过程、子例程、程序代码中的片段、驱动、固件、微代码、电路、数据、数据库、数据结构、表、数组和变量。设置在“部件”或“模块”中的组件和功能可以组合成更少数量的组件和“部件”或“模块”，或者可以进一步划分成额外的组件和“部件”或“模块”。
关于本公开的一些实施例描述的方法或算法步骤可以直接由处理器运行的硬件和软件模块来实现，或者可以直接由硬件和软件模块的组合来实现。软件模块可以驻留在RAM、闪存、ROM、EPROM、EEPROM、电阻器、硬盘、可移动磁盘、CD-ROM或本领域的普通技术人员已知的任何其他类型的记录介质上。记录介质可以联接到处理器，并且处理器可以从该记录介质中读取信息且可以将信息记录在存储介质中。以另一方式，记录介质可以与处理器一体地形成。处理器和记录介质可以位于专用集成电路(ASIC)内。ASIC可以位于用户终端内。
在下面的描述中，省略了已知技术的详细描述以避免使本说明书中公开的实施例的主题不清楚。另外，提供附图仅是为了示出各种技术特征。本说明书中公开的技术精神不受附图限制。本公开的精神和范围内包括的所有修改内容、等同内容和替代内容应当被理解为包括在附图中。
虽然包括诸如第一和第二等序数的术语可以用来描述各种组件，但是组件不受这些术语限制。这些术语仅用于区分一个组件和其他组件。
应当理解的是，当元件被称为“联接”或“连接”到另一元件时，该元件可以直接联接或连接到另一元件或者在该元件和该另一元件之间可以存在中间元件。相反地，应当理解的是，当元件被称为“直接联接”或“直接连接”到另一元件时，则不存在中间元件。
当本公开的组件、装置、元件等被描述为具有目的或执行操作、功能等时，组件、装置、元件应当在本文中被认为被“配置”以达到该目的或执行该操作或功能。
本公开的实施例中的车辆可以是具有自动驾驶系统(ADS)的能够自动驾驶的车辆。例如，车辆可以在没有驾驶员操纵的情况下通过ADS执行转向、加速、减速、变道和停车中的至少一项。例如，ADS可以包括行人检测和碰撞缓解系统(PDCMS)、车道变换决策辅助系统(LCAS)、车道偏航预警系统(LDWS)、自适应巡航控制(ACC)、车道保持辅助系统(LKAS)、道路边界偏离预防系统、弯道速度预警系统(CSWS)、前方车辆碰撞预警系统(FVCWS)、低速跟随(LSF)等。
根据实施例，本公开下面描述的碰撞安全控制系统100可以在用于车辆的碰撞安全管理的单独装置中学习和/或被训练，然后可以安装在车辆上。
图1是根据本公开的各种实施例的基于深度学习的碰撞安全控制系统100的框图。
图1所示的基于深度学习的碰撞安全控制系统100的配置是实施例，并且可以添加未示出的其他组件。根据实施例，图1中所示的组件可以利用一个芯片、一个部件或一个电子电路来配置，或者通过组合芯片、部件和/或电子电路来配置。根据实施例，图1中所示的组件中的一些可以被划分为多个组件并且可以配置有不同的芯片、部件或电子电路。下面参照图2至图7更详细地描述图1的组件。图2示出根据本公开的各种实施例的基于深度学习的碰撞安全控制逻辑。图3是示出根据本公开的各种实施例的训练基于深度学习的碰撞安全模型的示图。图4示出根据本公开的各种实施例的基于深度学习的碰撞安全控制模型的第一监督学习的输入和输出的示例。图5示出根据本公开的各种实施例的对碰撞进行分类的示例。图6示出根据本公开的各种实施例的碰撞前数据和碰撞后数据的示例。图7示出根据本公开的各种实施例的基于深度学习的碰撞安全控制模型的第二监督学习的输入和输出的示例。
参照图1，碰撞安全控制系统100可以包括碰撞安全模型120。
根据各种实施例，碰撞安全模型120可以基于输入数据110，根据基于深度学习的碰撞安全控制逻辑来输出输出数据130。
输入数据110可以是包括碰撞前数据112和/或碰撞后数据114的碰撞信号。可以从设置在车辆的不同位置或移动可变形障碍物(MDB)处的多个碰撞检测传感器获得碰撞前数据112和/或碰撞后数据114。例如，碰撞前数据112可以包括在碰撞发生之前从多个碰撞检测传感器获得的数据，并且碰撞后数据114可以包括从碰撞发生时的时间点开始从多个碰撞检测传感器获得的数据。
输出数据130可以包括输入数据100的碰撞类型以及乘客保护装备的要求启动时间(RTTF)或启动时间(TTF)。在下面的描述中，RTTF可以指TTF。根据实施例，输出类型可以包括多个指定的碰撞类型中的每一种的概率值。例如，当多个指定的碰撞类型包括正面碰撞、左斜碰撞、右斜碰撞和偏移碰撞时，碰撞类型可以包括输入数据110是正面碰撞的概率、输入数据110是左倾斜碰撞的概率、输入数据110是右斜碰撞的概率以及输入数据110是偏移碰撞的概率。根据实施例，多个指定的碰撞类型可以由碰撞安全控制系统100的商业经营者和/或管理员基于碰撞部分、碰撞方向、碰撞强度和/或相对速度中的至少一项来设置。因此，多种碰撞类型中的每一种可以表示碰撞部分、碰撞方向、碰撞强度和/或与另一物体的相对速度中的至少一项。乘客保护装备的RTTF可以根据碰撞类型而变化。
根据实施例，碰撞安全模型120的碰撞安全控制逻辑可以如图2所示被配置。例如，碰撞安全模型120包括长短期记忆(LSTM)或基于输入数据Xt 201输出隐藏状态信号ht 203的循环神经网络(RNN)210。RNN 210可以包括输入层、输出层以及一个或多个隐藏层。RNN210中可以具有循环结构，以便其具有以下结构：过去时间的学习乘以权重并可以反映在当前的学习中，并且当前输出结果可能受到来自过去时间的输出结果的影响。RNN 210的隐藏层执行一种记忆功能。因此，通过学习序列数据可以有效地进行分类或预测。根据实施例，LSTM是解决RNN 210的过去旧数据无影响地消失的问题的神经网络。与RNN 210一样，LSTM通过学习序列数据来有效地进行分类或预测。
根据实施例，碰撞安全模型120的碰撞安全控制逻辑可以进一步包括特征提取网络220、启动决策模块230和碰撞类型分类模块240。
特征提取网络220可以将隐藏状态信号ht 203映射到特征空间(或嵌入空间)，以便从RNN 210的隐藏状态信号ht 203获得有意义的结果(例如，是否启动乘客保护装备和/或要求启动时间，以及碰撞类型)。
根据实施例，特征提取网络220可以包括全连接层(FC层)221和224、批归一化层(Batch Norm层)222和225以及修正线性单元(ReLU)层223和226。
FC层221和224可以使前一层的输出扁平化并且可以将其转换成多维向量，该多维向量可以是下一级的输入。例如，FC(128)层221可以将隐藏状态信号ht 221转换成128维向量，并且FC(10)层224可以将来自ReLU层223的输出信号转换成10维向量。已将FC层221和224描述为FC(128)和FC(10)。然而，这仅仅是示例，并且本公开的各种实施例不限于此。
批归一化层222和225可以进行归一化，使得每层的数据分布具有均值为0和方差为1的特性。批归一化层222和225可以通过防止多层网络的输出值发散或消失来提高学习率。
ReLU层222和226是向多层网络赋予非线性的激活函数。当输入值为负数时，ReLU层可以停用并输出零。另一方面，当输入值为正数时，ReLU层可以被激活并按原样输出相应的值。当不赋予非线性时，即使有多个隐藏层，也可以将它们转换成等效的单层，从而难以实现学习目标。因此，可以应用上述激活函数来赋予非线性。
根据实施例，启动决策模块230可以包括FC(2)层231和softmax层233，并且碰撞类型分类模块240可以包括FC(5)层241和softmax层243。FC(2)层231和FC(5)层241中的每一个可以使前一层的输出扁平化并且可以将其转换成多维向量，该多维向量可以是下一级的输入。softmax层233和243中的每一个可以包括用于作为逻辑回归的广义版本的softmax回归的函数，并且可以针对每种分类类型将FC层的输出转换成0到1之间的概率值。启动决策模块230和碰撞类型分类模块240中的每一个可以将对应的softmax层233和243的每种分类类型的概率值之中具有最大概率值的分类值确定为最终结果。
例如，为了确定是否启动乘客保护装备和/或要求启动时间，FC(2)层231可以将从ReLU层226输出的结果信号转换成二维向量，并且Softmax层233可以对转换后的二维向量进行归一化并且可以确定是否运行乘客保护装备。为了确定碰撞类型，FC(5)层241可以将从ReLU层226输出的结果信号转换成五维向量，并且softmax层243可以对转换后的五维向量进行归一化并且可以确定五种指定类型中每一种的概率值。五种指定的碰撞类型例如可以包括正面碰撞、左斜碰撞、右斜碰撞、偏移碰撞和小重叠碰撞。
尽管已经描述了启动决策模块230和碰撞类型分类模块240均包括FC(2)层231和FC(5)层241的情况，但这仅是示例。本公开的各种实施例不限于此。例如，碰撞类型分类模块240可以包括基于多个指定的碰撞类型的数量(m)的FC(m)层。
如上所述，如图2所示，碰撞安全模型120包括碰撞安全控制逻辑，从而基于从设置在车辆中的碰撞检测传感器提供的碰撞信号Xt 201和110，输出输出数据130，该输出数据130包括指示是否启动乘客保护装备和/或要求启动时间的第一输出信号dt 205以及指示碰撞类型的第二输出信号mt 207。
根据实施例，从碰撞检测传感器提供的碰撞信号Xt 201和110可以表示在时间点“t”从多个碰撞检测传感器获得的信号值和/或物理量向量。例如，从碰撞检测传感器提供的碰撞信号Xt 201和110可以包括从六个碰撞检测传感器获得的12个时间序列信号(例如，六个时间序列速度信号和六个时间序列加速度信号)。再例如，从碰撞检测传感器提供的碰撞信号Xt 201和110可以包括14个时间序列信号。14个时间序列信号例如可以包括从六个碰撞检测传感器获得的12个时间序列信号、表示另一车辆的时间序列速度的信号以及表示自动紧急制动(AEB)的时间序列状态值的信号。
基于碰撞信号Xt 201和110，碰撞安全模型120可以通过图2所示的碰撞安全控制逻辑输出指示是否启动乘客保护装备和/或要求启动时间的第一输出信号dt 205。基于碰撞信号Xt 201和110，碰撞安全模型120可以通过图2所示的碰撞安全控制逻辑输出指示碰撞类型的第二输出信号mt 207。指示碰撞类型确定结果的第二输出信号mt 207可以指示预定义碰撞类型中的每一个的相对概率。例如，第二输出信号mt 207可以指示检测到的碰撞是正面碰撞的概率是90％，检测到的碰撞是右斜碰撞的概率是5％，检测到的碰撞是左斜碰撞的概率是5％，检测到的碰撞是偏移碰撞的概率是0％，以及检测到的碰撞是小重叠碰撞的概率是0％。在这种情况下，碰撞安全模型120可以将碰撞类型确定为正面碰撞。
碰撞安全模型120对碰撞类型进行分类，因为即使根据碰撞信号的乘客保护装备的TTF(或操作时间)相同，根据碰撞类型启动乘客保护装备的方法(或操作方法)也可能以不同。例如，由于在正面碰撞的情况下必须运行的乘客保护装备和在右侧倾斜碰撞的情况下必须运行的乘客保护装备可能彼此不同，因此碰撞安全模型120必须在运行乘客保护装备同时确定碰撞类型。
根据各种实施例，如图3所示，碰撞安全控制系统100基于碰撞前数据112和/或碰撞后数据114、碰撞类型和RTTF 132来执行对碰撞安全模型120的监督学习，从而获得碰撞安全模型120的深度学习参数“W”310。例如，可以通过使用碰撞前数据112和/或碰撞后数据114、碰撞类型和RTTF 132的监督学习来获得碰撞安全模型120的深度学习参数“W”310。
根据实施例，碰撞安全控制系统100基于第一碰撞后数据、与第一碰撞后数据相对应的碰撞类型和RTTF来执行对碰撞安全模型120的第一监督学习，从而获得深度学习参数“W”310。用于第一监督学习的第一碰撞后数据可以包括通过对目标车辆的法律、适销性或感测测试项目中的至少一项中指定的碰撞类型的分析和/或实际车辆测试而获得的碰撞后数据。根据实施例，通过分析和/或实际车辆测试而获得的碰撞后数据可以包括通过对指定碰撞类型中的每一种的分析和/或实际车辆测试获得的信号幅度分布。信号幅度分布可以包括通过对指定碰撞类型中的每一种的分析和/或实际车辆测试而获得的基本碰撞信号。信号幅度分布可以包括通过根据指定放大倍数增加和减少基本碰撞信号的幅度而获得的信号。例如，可以通过利用诸如LS-Dyna的软件获得碰撞后数据。为了获得用于第一监督学习的第一碰撞后数据的量，可以通过改变通过分析和/或实际车辆测试而获得的信号幅度分布来生成用于学习的附加数据。
根据实施例，碰撞安全控制系统100将碰撞安全模型120的输入数据指定为第一碰撞后数据，并且预先将碰撞安全模型120的输出数据指定为与该第一碰撞后数据相对应的碰撞类型和RTTF，从而可以执行对碰撞安全模型120的第一监督学习。在实施例中，由于第一碰撞后数据是通过对目标车辆的法律、适销性或感测测试项目中的至少一项中定义的碰撞类型中的每一种的分析和/或实际车辆测试而获得的，因此可以预先确定与每个第一碰撞后数据相对应的碰撞类型。另外，由于预先确定与每个第一碰撞后数据相对应的碰撞类型，因此可以通过目标车辆的法律、适销性或感测测试项目中的至少一项中定义的碰撞类型中的每一种的RTTF来检查与第一碰撞后数据相对应的RTTF。
因此，如图4所示，碰撞安全控制系统100可以将作为输入数据110的第一碰撞后数据#1 410-1的输出数据130指定为左斜碰撞和RTTF1420-1，并且可以将作为输入数据110的第一碰撞后数据#2 410-2的输出数据130指定为右斜碰撞和RTTF2 420-2。另外，碰撞安全控制系统100可以将作为输入数据110的第一碰撞后数据#N-1 410-N-1的输出数据130指定为正面碰撞和RTTF3 420-N-1，并且可以将作为输入数据110的第一碰撞后数据#N 410-N的输出数据130指定为偏移碰撞和RTTF4 420-N。例如，如图4所示，碰撞安全控制系统100基于指定的输入数据110和输出数据130执行对碰撞安全模型120的第一监督学习，从而获得碰撞安全模型120的深度学习参数“W”310。
根据实施例，可以基于碰撞方向、碰撞部分、碰撞强度和/或碰撞相对速度将使用车辆与车辆或MDB可能发生的各种碰撞类型分类和/或指定为多种碰撞类型(例如，大约30种)。例如，当碰撞方向和碰撞部分对应于正面碰撞并且碰撞相对速度是31kph至50kph时，多个指定的碰撞类型可以被分类为40kph正面碰撞。当碰撞方向和碰撞角度对应于正面碰撞并且碰撞相对速度是51kph至70kph时，多个指定的碰撞类型可以被分类为60kph正面碰撞。当碰撞方向和角度对应于左斜碰撞并且碰撞相对速度为51kph至80kph时，多个指定的碰撞类型可以被分类为60kph左斜碰撞60LOB。作为示例，如图5所示，当根据碰撞方向和角度分类的基本碰撞类型501为偏移碰撞OFF并且碰撞相对速度为45kph时，可以将最终碰撞类型确定为40OFF 501。而且，当根据碰撞方向和角度分类的基本碰撞类型501为左斜碰撞LOB并且碰撞相对速度为56kph时，可以将最终碰撞类型确定为60LOB 521。上述碰撞类型的分类可以根据商业经营者和/或法律、适销性和感测测试项目而变化。
根据各种实施例，碰撞安全控制系统100可以通过使用已经完成第一监督学习的碰撞安全模型120来确定第二碰撞后数据的碰撞类型和RTTF。已经完成第一监督学习的碰撞安全模型120可以指应用了通过第一监督学习获得的深度学习参数“W”310的碰撞安全模型120。第二碰撞后数据是通过对车辆与车辆碰撞(或MDB碰撞)的分析获得的，并且可以包括未确定相应碰撞类型的多个信号幅度分布。例如，通过应用了深度学习参数“W”310的碰撞安全模型120，碰撞安全控制系统100可以确定多个信号幅度分布中的每一个对应于大约30种碰撞类型中的哪一种。
根据各种实施例，碰撞安全控制系统100基于碰撞前和碰撞后数据集合、与碰撞前和碰撞后数据集合相对应的碰撞类型和RTTF来执行对碰撞安全模型120的第二监督学习，从而更新深度学习参数“W”310。
根据实施例，在第二监督学习中使用的碰撞前和碰撞后数据集合可以包括碰撞前数据112和碰撞后数据114。碰撞前数据112可以包括碰撞发生之前从多个碰撞检测传感器获得的数据。例如，碰撞前数据112可以包括高级驾驶员辅助系统(ADAS)信号。ADAS信号可以包括碰撞前前向防撞辅助(FCA)等级和碰撞前相对接近速度中的至少一项。碰撞后数据114可以包括第一碰撞后数据和/或第二碰撞后数据。
根据实施例，如图6所示，在第二监督学习中使用的碰撞前和碰撞后数据集合可以包括碰撞发生601之前和之后的ADAS信号611，并且可以包括碰撞发生601之前和之后的碰撞信号613。碰撞发生601之前的ADAS信号611可以指示FCA等级的值和/或相对接近速度。碰撞发生601之后的ADAS信号611可以被设置为零。碰撞发生601之前的碰撞信号613可以被设置为零。碰撞发生601之后的碰撞信号613可以指示从多个碰撞检测传感器获得的数据。
根据实施例，在第二监督学习中使用的碰撞类型可以被设置为与碰撞前和碰撞后数据集合中包括的碰撞后数据相对应的碰撞类型。可以通过将碰撞后数据输入已经完成第一监督学习的碰撞安全模型120来获得与碰撞后数据相对应的碰撞类型。
根据实施例，在第二监督学习中使用的RTTF可以被设置为通过基于碰撞前数据调整与碰撞前和碰撞后数据集合中包括的碰撞后数据相对应的RTTF而获得的值。可以通过将碰撞后数据输入已经完成第一监督学习的碰撞安全模型120来获得与碰撞后数据相对应的RTTF。例如，第二监督学习中使用的RTTF可以被设置为通过将根据碰撞前数据的权重应用于与碰撞后数据相对应的RTTF而获得的RTTF。
例如，如图7所示，当碰撞前和碰撞后数据集合#1 701中包括的碰撞前数据的FCA等级为零时，碰撞类型可以被设置为与碰撞后数据相对应的左斜碰撞，并且RTTF可以被设置为通过将第一权重应用于左斜碰撞的RTTF而获得的RTTF1 711的值。再例如，当碰撞前和碰撞后数据集合#2 702中包括的碰撞前数据的FCA等级为1时，碰撞类型可以被设置为与碰撞后数据相对应的左斜碰撞，并且RTTF可以被设置为通过将第二权重应用于左斜碰撞的RTTF而获得的RTTF2 713的值。再例如，当碰撞前和碰撞后数据集合#3 703中包括的碰撞前数据的FCA等级为2时，碰撞类型可以被设置为与碰撞后数据相对应的左斜碰撞，并且RTTF可以被设置为通过将第三权重应用于左斜碰撞的RTTF而获得的RTTF3 713的值。可以基于碰撞前数据将权重应用于RTTF。例如，当乘客的姿势由于FCA的操作而倾斜时，乘客保护装备必须更快地启动。因此，基于碰撞前数据，乘客保护装备的RTTF可以更早。
如图7所示，碰撞安全控制系统100基于指定的输入数据110和输出数据130执行对碰撞安全模型120的第二监督学习，从而更新深度学习参数“W”310。
根据各种实施例，碰撞安全控制系统100可以通过已经完成第二监督学习的碰撞安全模型120来获得在随机碰撞情况下获得的碰撞前和碰撞后数据集合的碰撞类型和RTTF。
图8是示出执行根据本公开的各种实施例的基于深度学习的碰撞安全模型的训练的流程图。
参照图8，在步骤或操作810中，碰撞安全控制系统100基于第一碰撞后数据和每种碰撞类型的RTTF来执行对碰撞安全模型120的第一监督学习，从而获得深度学习参数“W”。例如，碰撞安全控制系统100可以将第一碰撞后数据设置为碰撞安全模型120的输入数据110，第一碰撞后数据通过对目标车辆的法律、适销性或感测测试项目中的至少一项中定义的碰撞类型中的每一种的分析和/或实际车辆测试而获得。碰撞安全控制系统100可以将第一碰撞后数据的预先已知的碰撞类型和该碰撞类型的RTTF设置为碰撞安全模型120的输出数据130。如图4所示，碰撞安全控制系统100的碰撞安全模型120可以基于设置的输入数据110和设置的输出数据130执行第一监督学习，从而获得深度学习参数“W”。
在步骤或操作820中，碰撞安全控制系统100可以通过使用应用了所获得的深度学习参数的碰撞安全模型120来确定第二碰撞后数据的碰撞类型和RTTF。碰撞安全控制系统100可以将没有关于碰撞类型的信息的第二碰撞后数据设置为应用了深度学习参数“W”的碰撞安全模型120的输入数据。第二碰撞后数据可以包括通过分析车辆与车辆碰撞(或MDB碰撞)获得的多个信号幅度分布。碰撞安全控制系统100的碰撞安全模型120可以通过使用在步骤810中获得的深度学习参数来输出与输入数据相对应的碰撞类型和RTTF。碰撞安全控制系统100可以将从碰撞安全模型120输出的碰撞类型和RTTF标记为第二碰撞后数据的碰撞类型和RTTF。
在步骤或操作830中，可以通过基于碰撞前和碰撞后数据集合、碰撞类型和RTTF执行第二监督学习来更新深度学习参数。例如，如图6所示，碰撞安全控制系统100可以将碰撞前和碰撞后ADAS信号611以及碰撞前和碰撞后信号613设置为碰撞安全模型120的输入数据。碰撞安全控制系统100可以基于碰撞前和碰撞后数据集合中的碰撞后数据来确定碰撞类型，并且可以基于碰撞前数据来调整与所确定的碰撞类型相对应的RTTF。例如，碰撞安全控制系统100可以通过将根据碰撞前ADAS信号指示的FCA等级的值的权重应用于与所确定的碰撞类型相对应的RTTF来获得经调整的RTTF。碰撞安全控制系统100可以将所确定的碰撞类型和经调整的RTTF设置为碰撞安全模型120的输出数据130。如图7所示，碰撞安全控制系统100的碰撞安全模型120可以基于设置的输入数据110和设置的输出数据130执行第二监督学习，从而更新(或自动调整)深度学习参数“W”。
图9是根据本公开的各种实施例的执行基于深度学习的碰撞安全模型的训练的电子装置的框图。
参照图9，执行对基于深度学习的碰撞安全模型的监督学习的电子装置900可以包括处理器910、存储器920、输入单元930和输出单元940。电子装置例如可以包括机器人装置、便携式通信装置、便携式多媒体装置、计算机装置或服务器装置中的至少一个。
图9所示的电子装置900的各个组件可以利用一个芯片、一个部件或一个电子电路来配置，或者通过组合芯片、部件或电子电路来配置。根据另一实施例，图9中所示的组件中的一些可以被划分为多个组件(例如，多个处理器)并且可以被配置为不同的芯片、部件或电子电路。此外，将一些组件组合以形成一个芯片、一个部件或一个电子电路。
根据各种实施例，存储器920可以存储支持电子装置900的各种功能的数据。存储器920可以存储用于电子装置900的操作的程序代码，例如，实现基于深度学习的碰撞安全模型120的程序代码。存储器920可以存储电子装置900训练碰撞安全模型120或碰撞安全模型120学习所需的数据、在训练或学习过程期间生成的数据以及通过训练或学习过程所确定的深度学习参数。
根据各种实施例，输入单元930可以在处理器910的控制下接收用于碰撞安全模型120的深度学习的各种数据。例如，输入单元930可以接收用于碰撞安全模型120的第一监督学习和/或第二监督学习的输出数据130和/或输入数据110。根据实施例，输入单元930可以包括能够通过有线/无线通信获得输入数据110和/或输出数据130的通信装置(例如，收发器)。
根据各种实施例，输出单元940可以在处理器910的控制下输出在碰撞安全模型120的深度学习过程期间生成的各种数据。
根据各种实施例，处理器910可以执行针对电子装置900的整体操作的数据处理和/或操作。处理器910可以通过运行软件程序来控制电子装置900中包括的至少一个其他组件。另外，处理器910可以根据存储在存储器920中的程序代码来执行基于深度学习的学习，并且可以将学习的结果存储在存储器920中。根据本实施例，处理器910包括碰撞安全控制系统100，从而如图1至图8中所描述的那样操作。例如，处理器910可以基于通过输入单元930获得的输入数据110和输出数据130来执行对存储在存储器920中的碰撞安全模型120的第一监督学习和/或第二监督学习。
根据本公开的实施例，可以基于用户(例如，商业经营者、碰撞安全管理者等)的输入来执行由碰撞安全控制系统100执行的至少一个操作。例如，可以基于用户的输入来执行设置用于碰撞安全模型120的监督学习的输入数据和/或输出数据的操作。
如上所述，根据本公开的各种实施例的碰撞安全控制系统100通过使用碰撞前传感器数据和碰撞后传感器数据来执行对基于深度学习的碰撞安全模型的监督学习，从而调整碰撞安全模型的深度学习参数。
根据本公开的各种实施例，碰撞安全控制系统通过使用碰撞前传感器数据和碰撞后传感器数据来执行对基于深度学习的碰撞安全模型的训练，从而调整碰撞安全模型的参数。因此，与传统的手动调整方法相比，可以减少调整参数所需的时间。

Claims (17)

1.一种碰撞安全控制系统，包括：
存储器，存储具有基于深度学习的碰撞安全控制逻辑的碰撞安全模型；以及
处理器，电连接到所述存储器，所述处理器根据所述基于深度学习的碰撞安全控制逻辑，基于包括碰撞前数据和碰撞后数据的至少一个信号来训练所述碰撞安全模型，使得所述碰撞安全模型输出与所述至少一个信号相对应的碰撞类型以及乘客保护装备的要求启动时间即RTTF或启动时间即TTF。
2.根据权利要求1所述的碰撞安全控制系统，其中所述碰撞前数据包括碰撞发生之前的前向防撞辅助等级即FCA等级的高级驾驶员辅助系统信号即ADAS信号、所述碰撞发生之前的所述FCA等级的值或所述碰撞发生之前的相对接近速度中的至少一项。
3.根据权利要求1所述的碰撞安全控制系统，其中所述碰撞后数据包括碰撞发生之后通过多个碰撞检测传感器获得的时间序列速度或时间序列加速度。
4.根据权利要求3所述的碰撞安全控制系统，其中所述处理器：
指定所述碰撞后数据为所述碰撞安全模型的输入数据，
指定所述碰撞类型和所述RTTF为所述碰撞安全模型的输出数据，并且
通过基于所述输入数据和所述输出数据执行对所述碰撞安全模型的第一监督学习来获得所述碰撞安全模型的深度学习参数，
其中，所述碰撞后数据包括通过对目标车辆的法律、适销性或感测测试项目中的至少一项中定义的一种或多种碰撞类型中的每一种的分析和/或实际车辆测试而获得的第一碰撞后数据，并且
所述碰撞类型和所述RTTF定义在所述目标车辆的所述法律、所述适销性或所述感测测试项目中的至少一项中。
5.根据权利要求4所述的碰撞安全控制系统，其中所述处理器基于应用了所述深度学习参数的所述碰撞安全模型来确定通过分析车辆与车辆碰撞而获得的第二碰撞后数据的碰撞类型和要求启动时间。
6.根据权利要求5所述的碰撞安全控制系统，其中所述处理器：
指定所述碰撞前数据和所述碰撞后数据的集合为应用了所述深度学习参数的所述碰撞安全模型的所述输入数据，
指定所述碰撞类型和经调整的RTTF为所述碰撞安全模型的所述输出数据，并且
通过基于所述输入数据和所述输出数据执行对所述碰撞安全模型的第二监督学习来更新所述碰撞安全模型的所述深度学习参数，
其中，所述碰撞前数据和所述碰撞后数据的集合中包括的所述碰撞后数据是所述第一碰撞后数据或所述第二碰撞后数据，
所述碰撞类型对应于所述第一碰撞后数据或所述第二碰撞后数据，并且
通过基于所述碰撞前数据调整与所述碰撞类型相对应的所述RTTF来获得所述经调整的RTTF。
7.根据权利要求6所述的碰撞安全控制系统，其中所述处理器通过将根据所述碰撞前数据中包括的前向防撞辅助等级即FCA等级的权重应用于与所述碰撞类型相对应的所述RTTF来获得所述经调整的RTTF。
8.根据权利要求6所述的碰撞安全控制系统，其中所述处理器使用应用了更新后的深度学习参数的所述碰撞安全模型来输出随机碰撞信号的碰撞类型和要求启动时间。
9.一种碰撞安全控制系统的操作方法，包括：
获得包括碰撞前数据和碰撞后数据的至少一个信号；以及
训练具有基于深度学习的碰撞安全控制逻辑的碰撞安全模型，使得所述碰撞安全模型输出与所述至少一个信号相对应的碰撞类型和乘客保护装备的要求启动时间即RTTF或启动时间即TTF。
10.根据权利要求9所述的方法，其中所述碰撞前数据包括碰撞发生之前的前向防撞辅助等级即FCA等级的高级驾驶员辅助系统信号即ADAS信号、所述碰撞发生之前的所述FCA等级的值或所述碰撞发生之前的相对接近速度中的至少一项。
11.根据权利要求9所述的方法，其中所述碰撞后数据包括碰撞发生之后通过多个碰撞检测传感器获得的时间序列速度或时间序列加速度。
12.根据权利要求11所述的方法，其中训练所述碰撞安全模型包括：
指定所述碰撞后数据为所述碰撞安全模型的输入数据，
指定所述碰撞类型和所述RTTF为所述碰撞安全模型的输出数据，并且
通过基于所述输入数据和所述输出数据执行对所述碰撞安全模型的第一监督学习来获得所述碰撞安全模型的深度学习参数，
其中，所述碰撞后数据包括通过对目标车辆的法律、适销性或感测测试项目中的至少一项中定义的多种碰撞类型中的每一种的分析和/或实际车辆测试而获得的第一碰撞后数据，并且
所述碰撞类型和所述RTTF定义在所述目标车辆的所述法律、所述适销性或所述感测测试项目中的至少一项中。
13.根据权利要求12所述的方法，其中训练所述碰撞安全模型进一步包括使用应用了所述深度学习参数的所述碰撞安全模型来确定通过分析车辆与车辆碰撞而获得的第二碰撞后数据的碰撞类型和要求启动时间。
14.根据权利要求13所述的方法，其中训练所述碰撞安全模型进一步包括：
指定所述碰撞前数据和所述碰撞后数据的集合为应用了所述深度学习参数的所述碰撞安全模型的所述输入数据，
指定所述碰撞类型和经调整的RTTF为所述碰撞安全模型的所述输出数据，并且
通过基于所述输入数据和所述输出数据执行对所述碰撞安全模型的第二监督学习来更新所述碰撞安全模型的所述深度学习参数，
其中，所述碰撞前数据和所述碰撞后数据的集合中包括的所述碰撞后数据包括所述第一碰撞后数据或所述第二碰撞后数据中的至少一个，
所述碰撞类型对应于所述第一碰撞后数据或所述第二碰撞后数据，并且
通过基于所述碰撞前数据调整与所述碰撞类型相对应的所述RTTF来获得所述经调整的RTTF。
15.根据权利要求14所述的方法，其中通过将根据所述碰撞前数据中包括的前向防撞辅助等级即FCA等级的权重应用于与所述碰撞类型相对应的所述RTTF来获得所述经调整的RTTF。
16.根据权利要求14所述的方法，进一步包括使用应用了更新后的深度学习参数的所述碰撞安全模型来输出随机碰撞信号的碰撞类型和要求启动时间。
17.一种记录有程序的非暂时性计算机可读存储介质，所述程序在由处理器运行时使所述处理器：
获得包括碰撞前数据和碰撞后数据的至少一个信号；并且
训练具有基于深度学习的碰撞安全控制逻辑的碰撞安全模型，使得所述碰撞安全模型输出与所述至少一个信号相对应的碰撞类型和乘客保护装备的要求启动时间即RTTF或启动时间即TTF。
CN202311284912.1A 2022-10-07 2023-10-07 基于深度学习的碰撞安全控制系统及其操作方法 Pending CN117841887A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0128525 2022-10-07
KR1020220128525A KR20240048782A (ko) 2022-10-07 2022-10-07 딥러닝 기반의 충돌안전 제어 시스템 및 그의 동작 방법

Publications (1)

Publication Number Publication Date
CN117841887A true CN117841887A (zh) 2024-04-09

Family

ID=90535252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311284912.1A Pending CN117841887A (zh) 2022-10-07 2023-10-07 基于深度学习的碰撞安全控制系统及其操作方法

Country Status (3)

Country Link
US (1) US20240116501A1 (zh)
KR (1) KR20240048782A (zh)
CN (1) CN117841887A (zh)

Also Published As

Publication number Publication date
US20240116501A1 (en) 2024-04-11
KR20240048782A (ko) 2024-04-16

Similar Documents

Publication Publication Date Title
US10817751B2 (en) Learning data creation method, learning method, risk prediction method, learning data creation device, learning device, risk prediction device, and recording medium
US11565721B2 (en) Testing a neural network
US11673545B2 (en) Method for automated prevention of a collision
CN101506001B (zh) 用于控制人身保护装置的方法及装置
US9539969B2 (en) System and method for minimizing occupant injury during vehicle crash events
US7480570B2 (en) Feature target selection for countermeasure performance within a vehicle
CN108372785A (zh) 一种基于图像识别的汽车非安全驾驶检测装置及检测方法
EP4397547A1 (en) Vehicle collision risk prediction device and method
CN112585550B (zh) 基于神经网络的驾驶功能监控
US10474930B1 (en) Learning method and testing method for monitoring blind spot of vehicle, and learning device and testing device using the same
US20160207495A1 (en) Velocity based pedestrian sensing
CN102007019A (zh) 用于触发至少一个安全装置的方法和控制装置
US11694488B2 (en) Method for determining damage which occurs to a vehicle in the event of an accident between a vehicle and a collision partner
CN110472470A (zh) 用于确定车辆的周围环境状态的方法和系统
JP2022550762A (ja) 衝突認識手段を用いた動力車両の周辺領域内にある離れたターゲット車両を追跡するための方法
EP3637309A1 (en) Learning method and testing method for monitoring blind spot of vehicle, and learning device and testing device using the same
CN117087685A (zh) 用于车辆中的环境感知的方法、计算机程序以及设备
CN109823299B (zh) 用于识别车辆碰撞的方法和装置
Shah et al. A survey on iot-based smart cars, their functionalities and challenges
CN113935392B (zh) 驾驶员身份识别方法、装置、电子设备及可读存储介质
CN117841887A (zh) 基于深度学习的碰撞安全控制系统及其操作方法
US20180227197A1 (en) Method for detecting data, method for updating a scenario catalog, a device, a computer program and a machine-readable memory medium
US20240304039A1 (en) System for analyzing operation cause of crash safety control logic of vehicle and operating method thereof
US6266593B1 (en) Automotive occupancy sensor gray zone neural net conditioning process for airbag deployment systems
Hannan et al. Decision fusion via integrated sensing system for a smart airbag deployment scheme

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication