TWI646490B

TWI646490B - 基於多核學習的駕駛風險評估方法及其處理裝置

Info

Publication number: TWI646490B
Application number: TW106129882A
Authority: TW
Inventors: 陳柏豪; 印佳麗; 賴國華
Original assignee: 元智大學
Priority date: 2017-09-01
Filing date: 2017-09-01
Publication date: 2019-01-01
Also published as: TW201913528A

Abstract

一種基於多核學習的駕駛風險評估方法及其處理裝置，此方法適用於連接於多個感測器的處理裝置，並且包括下列步驟。首先，自感測器接收所感測到的駕駛資料，其中感測器至少安裝於運輸載具以及運輸載具的駕駛人。接著，將駕駛資料輸入至駕駛風險評估模型，其中駕駛風險評估模型包括多核產生模組、核學習模組以及核最佳化模組。之後，取得由駕駛風險評估模型所輸出的駕駛風險評估結果。

Description

基於多核學習的駕駛風險評估方法及其處理裝置

本發明是有關於一種駕駛風險評估方法及其裝置，且特別是有關於一種基於多核學習的駕駛風險評估方法及其裝置。

隨著資訊技術的演進以及車聯網多元應用的發展，基於大量駕駛資料所分析出的UBI車險（usage based insurance，UBI）　　將逐漸地取代傳統的車險，以使得駕駛風險的估算結果更貼近真實的用車狀態。因此，如何有效地利用大量且多樣性的駕駛資料以有效並且精確地評估駕駛風險等級已成為重要的議題之一。

有鑑於此，本發明提供一種基於多核學習的駕駛風險評估方法及其裝置，其可利用駕駛風險評估模型針對駕駛的過程所感測到大量且多樣性的駕駛資料有效並且精確地評估各個駕駛者的駕駛風險等級。

在本發明的一實施例中，上述的駕駛風險評估方法適用於連接於多個感測器的處理裝置，並且包括下列步驟。首先，自感測器接收所感測到的駕駛資料，其中感測器至少安裝於運輸載具以及運輸載具的駕駛人。接著，將駕駛資料輸入至駕駛風險評估模型，其中駕駛風險評估模型包括多核產生模組、核學習模組以及核最佳化模組，其中多核產生模組利用對應於多個核的多個弱分類器，針對各筆駕駛資料進行安全等級標記以及風險群組分類，以判斷各筆駕駛資料分別對應於各個弱分類器的機率密度函數值，據以取得各筆駕駛資料相對於各個弱分類器的主導駕駛風險標記，並且利用強分類器根據所有主導駕駛風險標記輸出駕駛風險評估結果，其中核學習模組於駕駛風險評估模型的訓練階段時利用自適應性增強（AdaBoost）架構訓練弱分類器以及強分類器，其中核最佳化模組利用動盪粒子群最佳化（TPSO）演算法訓練各個弱分類器的參數。之後，取得由駕駛風險評估模型所輸出的駕駛風險評估結果。

在本發明的一實施例中，上述的處理裝置連接於多個感測器，並且包括記憶體以及處理器，其中感測器至少安裝於運輸載具以及穿戴於運輸載具的駕駛人。記憶體用以儲存資料。處理器耦接記憶體，用以自感測器接收所感測到的駕駛資料，將駕駛資料輸入至駕駛風險評估模型，以及取得由駕駛風險評估模型所輸出的駕駛風險評估結果，其中駕駛風險評估模型包括多核產生模組、核學習模組以及核最佳化模組，其中多核產生模組利用對應於多個核的多個弱分類器，針對各筆駕駛資料進行安全等級標記以及風險群組分類，以判斷各筆駕駛資料分別對應於各個弱分類器的機率密度函數值，據以取得各筆駕駛資料相對於各個弱分類器的主導駕駛風險標記，並且利用強分類器根據所有主導駕駛風險標記輸出駕駛風險評估結果，其中核學習模組於駕駛風險評估模型的訓練階段時利用自適應性增強（AdaBoost）架構訓練弱分類器以及強分類器，其中核最佳化模組利用動盪粒子群最佳化（TPSO）演算法訓練各個弱分類器的參數。

為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。

圖1是根據本發明一實施例所繪示的處理裝置的方塊圖，但此僅是為了方便說明，並不用以限制本發明。首先圖1先介紹處理裝置之所有構件以及配置關係，詳細功能將配合圖2一併揭露。

請參照圖1，處理裝置100至少包括記憶體110以及處理器120，其中處理器120耦接於記憶體110。在本實施例中，處理裝置100可以是個人電腦、筆記型電腦、應用程式伺服器、雲端伺服器、資料庫伺服器、工作站等具有運算能力的電腦系統，其可透過通訊模組（未繪示）經由網路取得運輸載具的駕駛資料。在另一實施例中，處理裝置100可以是智慧型手機、平板電腦、車用電腦（例如安裝於擋風玻璃上）等位於運輸載具的電腦系統，以即時地針對運輸載具的駕駛風險進行評估。在此的運輸載具可以是汽車、公車、貨櫃車、電動車、機車等。

處理裝置100的記憶體110用以儲存資料，其可以例如是任意型式的固定式或可移動式隨機存取記憶體（random access memory，RAM）、唯讀記憶體（read-only memory，ROM）、快閃記憶體（flash memory）、硬碟或其他類似裝置、積體電路及其組合。

處理裝置100的處理器120用以執行所提出的駕駛風險評估方法，其可以例如是中央處理單元（central processing unit，CPU），或是其他可程式化之一般用途或特殊用途的微處理器（microprocessor）、數位訊號處理器（digital signal processor，DSP）、可程式化控制器、特殊應用積體電路（application specific integrated circuits，ASIC）、可程式化邏輯裝置（programmable logic device，PLD）或其他類似裝置、晶片、積體電路及其組合。

圖2是根據本發明之一實施例所繪示的駕駛風險評估方法的流程圖，而圖2的方法流程可以圖1的處理裝置100的各元件實現。

請同時參照圖1以及圖2，首先，處理裝置100的處理器120將自感測器接收所感測到的駕駛資料（步驟S202）。在此的感測器可以例如是車上診斷系統（on-board diagnostics，OBD）、內部量測單元（internal measurement unit，IMU）、相機等安裝於運輸載具內部或是外部以進行監控的感測裝置，駕駛者身上的穿戴式裝置、電子貼片，或者是其它來源用以偵測運輸載具周圍環境的感測器。在此的感測資料則可以例如是運輸載具的情況（車道坡度、車道偏離、車距）、駕駛者的情況（呼吸率、注意力、心率、情緒）、車道的情況（速限、道路類型、交通量、氣象）。此外，在本實施例中，處理器120可以例如是透過通訊模組（未繪示）定時地接收來自運輸載具的感測資料以及來自其它來源與運輸載具相關的開放資料（open data），以針對運輸載具進行即時且最新的風險評估。

接著，處理器120將駕駛資料輸入至駕駛風險評估模型（步驟S204），以取得由駕駛風險評估模型所輸出的駕駛風險評估結果（步驟S206）。詳細來說，駕駛風險評估模型是基於多核學習所提出的一個架構，以取得各個不同駕駛者的駕駛風險等級。基於大量且多樣性的駕駛資料，以下將考慮兩個要素來進行駕駛風險評估。首先，為了解決大量的駕駛資料導致分析上的困難，在此將採用由多核針對大量的駕駛資料所產生的數個機率模型來取得統計資訊以及用以勘探所有駕駛資料的代表資訊。接著，為了解決多樣性的駕駛資料導致難以歸納出特徵，在此將採用自適應性增強（AdaBoost）架構來整合前述機率模型以取得各個駕駛者更為可靠且實用的風險評估。基此，駕駛風險評估架構將包括三個模組：多核產生模組、核學習模組以及核最佳化模組，以下將分敘說明。

在多核產生模組中，將利用多核來產生多個機率模型，其中每個機率模型將視為弱學習者（weak learner）來針對各筆駕駛資料進行駕駛風險等級的標記，以有效地分析大量資料。

具體來說，機率模型是基於特定的核以及駕駛資料集來從核所產生的駕駛風險標記集中選擇主要的駕駛風險標記。以圖3根據本發明一實施例所繪示的弱學習者的建構方法的功能流程圖為例，在弱學習者的建構300中，為包括駕駛資料的駕駛資料集，其中為駕駛資料序列302中第個時刻的駕駛資料。假設存在一個「車速」核，則在經過安全等級的分配304後，速度安全等級陣列可以表示為，其中為根據「車速」核所得到第個時刻的駕駛資料的安全等級。接著，藉由標記為特定等級的駕駛資料來進行駕駛風險的分類306，則將可產生駕駛風險群組。在此，駕駛資料可以是標記為以下三種等級：高風險、中間風險以及低風險，因此、、將分別代表高風險、中間風險以及低風險的駕駛風險群組。

此外，以下表1是根據本發明一實施例所繪示各個安全等級範圍以及各個風險群組的組成。低風險群組包含安全等級標記為1到4的駕駛資料，中間風險群組包含安全等級標記為3到4的駕駛資料，高風險群組包含安全等級標記為3到6的駕駛資料。 <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 車速的範圍 </td><td> 安全等級 </td><td> 風險群組 </td></tr><tr><td> 0~10 </td><td> 1 </td><td><img wi="25" he="20" file="TWI646490B_D0013.tif" img-format="jpg"></img></td></tr><tr><td> 10~20 </td><td> 2 </td><td><img wi="25" he="20" file="TWI646490B_D0013.tif" img-format="jpg"></img></td></tr><tr><td> 20~30 </td><td> 3 </td><td><img wi="28" he="20" file="TWI646490B_D0011.tif" img-format="jpg"></img> <img wi="29" he="20" file="02_image021.jpg" img-format="jpg"></img> <img wi="25" he="20" file="TWI646490B_D0013.tif" img-format="jpg"></img></td></tr><tr><td> 30~40 </td><td> 4 </td><td><img wi="28" he="20" file="TWI646490B_D0011.tif" img-format="jpg"></img> <img wi="29" he="20" file="02_image021.jpg" img-format="jpg"></img> <img wi="25" he="20" file="TWI646490B_D0013.tif" img-format="jpg"></img></td></tr><tr><td> 40~50 </td><td> 5 </td><td><img wi="28" he="20" file="TWI646490B_D0011.tif" img-format="jpg"></img></td></tr><tr><td> 50~60 </td><td> 6 </td><td><img wi="28" he="20" file="TWI646490B_D0011.tif" img-format="jpg"></img></td></tr></TBODY></TABLE>表1

接著，請回到圖3，在進行完駕駛風險的分類306後，將根據速度安全等級陣列以及駕駛風險群組、、來判斷各個駕駛風險的機率密度函數308。具體來說，圖4A是根據本發明一實施例所繪示車速的分布示意圖，而圖4B是根據本發明一實施例所繪示機率密度分布示意圖。

請參照圖4A，第一輪RD1的車速具有高風險標記，第二輪RD1的車速具有中間風險標記，第三輪RD3的車速具有低風險標記。為了取得各個群組的駕駛資料的機率，上述分布是用以定義三個機率密度函數（probability density function），其可以方程式(1)來表示：其中為可使得高斯曲線更為平緩或是陡峭的平滑參數，其可以例如是設定為0.2。

請再參照圖4B，曲線C1為對應於高風險的機率密度分布，曲線C2為對應於中間風險的機率密度分布，曲線C3為對應於低風險的機率密度分布。

請再回到圖3，在取得機率密度函數306後，可根據、以及，利用方程式(2)來判斷駕駛資料的駕駛風險標記：

最後，將自駕駛風險標記集中來進行主導駕駛風險標記的選擇310，以取得駕駛資料集中的主導駕駛風險標記。在本實施例中，將採用表2所示的20個核來標記各筆駕駛資料的駕駛風險。 <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 核 </td><td> 屬性 </td><td> 核 </td><td> 屬性 </td></tr><tr><td><img wi="16" he="23" file="02_image038.jpg" img-format="jpg"></img></td><td> 車速 </td><td><img wi="21" he="23" file="02_image040.jpg" img-format="jpg"></img></td><td> 駕駛者的注意力、車速 </td></tr><tr><td><img wi="19" he="23" file="02_image042.jpg" img-format="jpg"></img></td><td> 車距 </td><td><img wi="21" he="23" file="02_image044.jpg" img-format="jpg"></img></td><td> 呼吸率、駕駛者的注意力 </td></tr><tr><td><img wi="17" he="24" file="02_image046.jpg" img-format="jpg"></img></td><td> 車道偏離 </td><td><img wi="21" he="24" file="02_image048.jpg" img-format="jpg"></img></td><td> 交通量 </td></tr><tr><td><img wi="19" he="23" file="02_image050.jpg" img-format="jpg"></img></td><td> 車速、車距 </td><td><img wi="21" he="23" file="02_image052.jpg" img-format="jpg"></img></td><td> 速限、車速 </td></tr><tr><td><img wi="17" he="24" file="02_image054.jpg" img-format="jpg"></img></td><td> 車道坡度、車距 </td><td><img wi="21" he="24" file="02_image056.jpg" img-format="jpg"></img></td><td> 速限、車道偏離 </td></tr><tr><td><img wi="17" he="24" file="02_image058.jpg" img-format="jpg"></img></td><td> 車道坡度、車速 </td><td><img wi="21" he="24" file="02_image060.jpg" img-format="jpg"></img></td><td> 道路類型、車速 </td></tr><tr><td><img wi="19" he="24" file="02_image062.jpg" img-format="jpg"></img></td><td> 駕駛者的注意力 </td><td><img wi="21" he="24" file="02_image064.jpg" img-format="jpg"></img></td><td> 氣象、車距 </td></tr><tr><td><img wi="17" he="24" file="02_image066.jpg" img-format="jpg"></img></td><td> 情緒、駕駛者的注意力 </td><td><img wi="21" he="24" file="02_image068.jpg" img-format="jpg"></img></td><td> 氣象、道路類型、車速 </td></tr><tr><td><img wi="17" he="24" file="02_image070.jpg" img-format="jpg"></img></td><td> 情緒、車速 </td><td><img wi="21" he="24" file="02_image072.jpg" img-format="jpg"></img></td><td> 車距、道路類型、駕駛者的注意力 </td></tr><tr><td><img wi="21" he="24" file="02_image074.jpg" img-format="jpg"></img></td><td> 心率、呼吸率 </td><td><img wi="23" he="24" file="02_image076.jpg" img-format="jpg"></img></td><td> 車速、交通量、心率 </td></tr></TBODY></TABLE>表2

基於核的多樣性，在此可根據方程式(1)來將各個核具有的資訊轉換成機率模型，以做為弱學習者。接著，將根據強分類器合併所有的弱學習者（亦即，所有核所產生的機率模型的聯集），以在取得各個駕駛者更為可靠且實用的風險評估。也就是說，在取得弱學習者後，將利用AdaBoost架構來線性地組合自不同核所產生的弱學習者來針對多樣化的架駛資料進行駕駛風險等級的標記。以下將以圖5根據本發明一實施例所繪示的多核學習架構的示意圖為例，說明核學習模組以AdaBoost架構將藉由持續地分配權重至訓練資料，以迭代地選擇判別弱學習者（discriminant weak learners），建立強分類器的詳細步驟。

假設給定訓練駕駛資料集其及所對應的風險標記，其中。為了建構多核學習架構以取得自多樣性的駕駛資料取得所需的特徵，在進行每次迭代時，將會尋找兩種最佳權重，即各個訓練樣本的權重以及各個弱分類器的權重。在此，用以訓練的駕駛資料510可以是來自智慧型手環501、心率監控器502、相機503、車上診斷系統504、內部量測單元505、開放資料506。最終，將根據弱分類器與權重進行加權計算Σ，以建構出強分類器。

具體而言，在此多核學習架構中，訓練樣本的權重將初始化為所有樣本的平均值，如方程式(3)所示：其中為訊練駕駛資料集中訓練樣本的數量。此外，第次迭代中的分類錯誤率（error rate of misclassification）可以表示為方程式(4)：其中為訓練樣本在第次迭代中的權重。必須說明的是，當標記成1時，代表的條件為是，而當標記成0時，代表分類器在第次迭代時已達到訓練樣本正確的分類。

接著，分類器在第次迭代時的權重可以表示成方程式(5)：其中為風險等級的數量，而本實施例中是設定為3。在第次迭代時，訓練樣本的權重可以是根據方程式(6)來分配：

標記成1時，即代表分類器正確地分類訓練樣本，否則，標記成0。在調整訓練樣本的權重之後，將會正規化（normalize）至0到1之間，如方程式(7)所示：

最後，具有多核的AdaBoost架構可以是經由上述兩個最佳化權重而做為強分類器，其可表示成方程式(8)：其中標記成1時，即代表弱分類器在第次迭代時將訓練樣本分類至類別。假設駕駛風險標記包含低風險、中間風險以及高風險（即，）。在計算各個風險標記的分類權重後，具有最高分類權重的風險標記將被視為最終分類結果。因此，多核學習架構可確保可從多樣性的駕駛資料中最佳化地整合出所需的特徵，並且線性的強分類器可有效地針對大量且多樣性的駕駛資料有效地進行駕駛風險等級的標記。

必須說明的是，基於AdaBoost架構中的弱學習者的能力對於整體的分類效能極為重要，為了提升各個弱學習者的效能，在此可以2013年2月由Chou等人於IEEE所發表的論文「Turbulent-PSO-Based Fuzzy Image　Filter with No-Reference Measures for High-Density Impulse Noise」中所提出的動盪粒子群最佳化演算法（turbulent particle swarm optimization，TPSO）來針對各個核進行最佳化處理。

在核最佳化模組中，將利用TPSO演算法來取得各個核的最佳參數（即，各個駕駛風險群組的等級範圍）。TPSO演算法事實上為PSO演算法的延申，其可根據已知的品質衡量標準（quality metric）來迭代地修正候選解。一開始，群體包括個粒子（每個粒子的標號為，其中），各個粒子具有個元素（其中）。在第次迭代時，第個粒子的第個元素的速度可以方程式(9)表示：並且位置可以方程式(10)表示：

為了解決一般PSO演算法常發生的非成熟收斂（premature convergence），本實施例所採用的TPSO演算法可驅動惰性粒子以避免達到局部最佳化。基此，可以方程式(11)來約束速度：其中以及分別為最大速度閥值以及最小速度閥值。

綜上所述，本發明所提出基於多核學習的駕駛風險評估方法及其處理裝置，其可利用駕駛風險評估模型針對駕駛的過程所感測到大量且多樣性的駕駛資料精確地評估各個駕駛者的駕駛風險等級，以有效地應用於UBI車險技術服務。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

100‧‧‧處理裝置

110‧‧‧記憶體

120‧‧‧處理器

S202～S206‧‧‧步驟流程

D‧‧‧駕駛資料集

300‧‧‧弱學習者的建構

302～310‧‧‧步驟流程

‧‧‧駕駛資料

‧‧‧安全等級

、、 ‧‧‧駕駛風險群組

‧‧‧駕駛風險標記集

R‧‧‧主導駕駛風險標記

RD1‧‧‧第一輪的車速

RD2‧‧‧第二輪的車速

RD3‧‧‧第三輪的車速

C1、C2、C3‧‧‧曲線

501‧‧‧智慧型手環

502‧‧‧心率監控器

503‧‧‧相機

504‧‧‧車上診斷系統

505‧‧‧內部量測單元

506‧‧‧開放資料

510‧‧‧駕駛資料

‧‧‧弱分類器

‧‧‧權重

Σ‧‧‧加權計算

‧‧‧強分類器

圖1是根據本發明一實施例所繪示的處理裝置的方塊圖。圖2是根據本發明之一實施例所繪示的駕駛風險評估方法的流程圖。圖3是根據本發明一實施例所繪示的弱學習者的建構方法的功能流程圖。圖4A是根據本發明一實施例所繪示車速的分布示意圖。圖4B是根據本發明一實施例所繪示機率密度分布示意圖。圖5是根據本發明一實施例所繪示的多核學習架構的示意圖。

Claims

一種基於多核學習的駕駛風險評估方法，適用於連接於多個感測器的處理裝置，其中所述感測器至少安裝於運輸載具以及該運輸載具的駕駛人，該方法包括下列步驟：自所述感測器接收所感測到的駕駛資料；輸入所述駕駛資料至駕駛風險評估模型，其中該駕駛風險評估模型包括多核產生模組、核學習模組以及核最佳化模組，其中該多核產生模組利用對應於多個核的多個弱分類器，針對各所述駕駛資料進行安全等級標記以及風險群組分類，以判斷各所述駕駛資料分別對應於各所述弱分類器的機率密度函數值，據以取得各所述駕駛資料相對於各所述弱分類器的主導駕駛風險標記，並且利用強分類器根據所述主導駕駛風險標記輸出駕駛風險評估結果，其中各所述弱分類器分別對應於不同的機率模型，其中該核學習模組於該駕駛風險評估模型的訓練階段時利用自適應性增強(AdaBoost)架構訓練所述弱分類器以及該強分類器，其中該核最佳化模組利用動盪粒子群最佳化(TPSO)演算法訓練各所述弱分類器的參數；以及取得由該駕駛風險評估模型所輸出的該駕駛風險評估結果。
如申請專利範圍第1項所述的方法，其中各所述駕駛資料分別對應於所述弱分類器中的特定分類器的機率密度函數值的計算方法為：其中d _i為第i個時刻的駕駛資料，S _i為根據該特定分類器所得到第i個時刻的該駕駛資料的安全等級，X包括多個風險群組，λ為平滑參數。
如申請專利範圍第2項所述的方法，其中所述風險群組包括高風險群組X ^H、中間風險群組X ^M以及低風險群組X ^L，其中各所述駕駛資料相對於該特定分類器的駕駛風險標記的判斷方式為：其中R _i為d _i的駕駛風險標記，其中所述駕駛資料相對於該特定分類器的主導駕駛風險標記為根據所述駕駛風險標記所選擇。
如申請專利範圍第3項所述的方法，其中該強分類器根據所述主導駕駛風險標記以及各所述弱分類器的權重，輸出該駕駛風險評估結果，其中各所述弱分類器的該權重關聯於該訓練階段時的分類錯誤率以及風險等級的數量。
如申請專利範圍第1項所述的方法，其中該核最佳化模組利用TPSO演算法設定各個風險群組的等級範圍。
如申請專利範圍第1項所述的方法，其中所述駕駛資料包括關聯於該運輸載具的車輛屬性的資料、關聯於該運輸載具的周圍環境的車道屬性的資料以及關聯於該運輸載具的駕駛人屬性的資料。
如申請專利範圍第6項所述的方法，其中該車輛屬性包括車速、車道坡度、車道偏離以及車距至少之一，該車道屬性包括速限、道路類型、交通量以及氣象至少之一，該駕駛者屬性包括呼吸率、注意力、心率、情緒至少之一。
如申請專利範圍第1項所述的方法，其中所述感測器更包括安裝於該運輸載具以外的其它地點的其它來源感測器，該運輸載具透過網路取得所述其它來源感測器的開放資料。
一種處理裝置，連接於多個感測器，其中所述感測器至少安裝於運輸載具以及該運輸載具的駕駛人，該方法包括下列步驟；記憶體，用以儲存資料；以及處理器，用以：自所述感測器接收所感測到的駕駛資料；輸入所述駕駛資料至駕駛風險評估模型，其中該駕駛風險評估模型包括多核產生模組、核學習模組以及核最佳化模組，其中該多核產生模組利用對應於多個核的多個弱分類器，針對各所述駕駛資料進行安全等級標記以及風險群組分類，以判斷各所述駕駛資料分別對應於各所述弱分類器的機率密度函數值，據以取得各所述駕駛資料相對於各所述弱分類器的主導駕駛風險標記，並且利用強分類器根據所述主導駕駛風險標記輸出駕駛風險評估結果，其中各所述弱分類器分別對應於不同的機率模型，其中該核學習模組於該駕駛風險評估模型的訓練階段時利用自適應性增強(AdaBoost)架構訓練所述弱分類器以及該強分類器，其中該核最佳化模組利用動盪粒子群最佳化(TPSO)演算法訓練各所述弱分類器的參數；以及取得由該駕駛風險評估模型所輸出的該駕駛風險評估結果。
如申請專利範圍第9項所述的處理裝置，其中所述感測器更包括安裝於該運輸載具以外的其它地點的其它來源感測器，而該處理裝置更包括：通訊模組，用以透過網路取得所述其它來源感測器的開放資料。