TWI738475B - 具自動學習校正機制的車輛前進後退偵測系統及方法 - Google Patents

Abstract

本發明公開一種具自動學習校正機制的車輛前進後退偵測系統及方法。感測器偵測車輛的速度以及三軸向量。學習校正模組建立機器學習模型，基於車輛的速度從零值持續加速至達到車速門檻值時的車輛累加的向量作為前進向量，以訓練機器學習模型。前進倒退偵測模組將車輛移動時的向量作為行駛向量，基於機器學習模型判斷行駛向量的方向與前進向量的方向相同時，判定車輛正在前進，反之，則判定車輛正在倒退。

Description

具自動學習校正機制的車輛前進後退偵測系統及方法

本發明涉及車輛移動偵測系統及方法，特別是涉及一種具自動學習校正機制的車輛前進後退偵測系統。

隨著現代交通系統的迅速發展，車輛定位導航系統不斷地發展。然而，現有定位系統的定位精確度仍有待改善。當衛星訊號因地形遮蔽而收訊不良時，可藉由感測器，加上車速線或CAN ODBII的實際車速輸入，來推算位置，稱為車用慣性導航 (Automotive dead reckoning)。由於車輛電腦實際上無法提供檔位資訊，在車輛倒車時，車速線輸入的車速定位系統的感測裝置可能將倒車誤判成車輛正在前進，例如貨車在地下室常常需要倒車，可能把倒車30公尺誤當成前進30公尺，前後共差60公尺，多次下來將導致定位嚴重失準。

本發明所要解決的技術問題在於，針對現有技術的不足提供一種具自動學習校正機制的車輛前進後退偵測系統，其包含感測器、前進倒退偵測模組以及學習校正模組。感測器設於車輛。感測器配置以持續偵測車輛從起步到持續移動的過程中的車速以及三軸向量。前進倒退偵測模組連接感測器。前進倒退偵測模組配置以判斷車輛的速度從零值持續累加至達到一車速門檻值時，判定車輛正在前進。學習校正模組連接前進倒退偵測模組。學習校正模組配置以在一學習校正模式下，建立機器學習模型，基於車輛的車速從零值持續加速至速度值達到車速門檻值時的車輛的累加向量作為一前進向量，以訓練機器學習模型。在學習校正模式之後，進入車輛行駛模式。在車輛行駛模式下，車輛從靜止到開始移動時，前進倒退偵測模組將感測器偵測到的車輛的向量作為一行駛向量，基於機器學習模型，以判斷行駛向量的方向與前進向量的方向相同時，判定車輛正在前進，而判斷行駛向量的方向與前進向量的方向不同時，判定車輛正在倒退。

在一實施方案中，學習校正模組在學習校正模式下基於與前進向量相差90度或以上的向量作為一倒退向量，以訓練機器學習模型，作為在車輛行駛模式下判斷車輛倒退的依據。

在一實施方案中，在學習校正模式下，學習校正模組基於與前進向量的一夾角小於一夾角門檻值的向量亦作為前進向量，以訓練機器學習模型。在車輛行駛模式下，前進倒退偵測模組計算行駛向量與前進向量的夾角，並基於機器學習模型依據夾角，以判斷車輛正在前進還是後退。

在一實施方案中，在車輛行駛模式下，當車輛的速度達到車速門檻值，但行駛向量與前進向量的夾角不小於夾角門檻值時，進入學習校正模式學習校正模組重新訓練機器學習模型，以校正有誤的前進向量。

在一實施方案中，學習校正模組在學習校正模式下將行駛向量與前進向量的夾角作為θ值代入cosθ，以計算出的一餘弦值為正值時，表示車輛正在前進，而餘弦值是負值時，表示車輛正在倒退，據以訓練機器學習模型。

另外，本發明提供一種具自動學習校正機制的車輛前進後退偵測方法，包含以下步驟：持續偵測車輛從起步到持續移動的過程中的車速及加速度三軸向量；判斷車輛的車速從零值持續累加至速度值達到一車速門檻值時，判斷車輛正在前進；建立機器學習模型，基於車輛的車速從零值持續加速至速度值達到車速門檻值時的車輛的累加向量作為一前進向量，以訓練機器學習模型；當車輛從靜止啟動時，將偵測到的車輛的向量作為一行駛向量，以及基於機器學習模型，以判斷行駛向量的方向與前進向量的方向是否相同，若是，判定車輛正在前進，若否，判定車輛正在倒退。

在一實施方案中，所述具自動學習校正機制的車輛前進後退偵測方法更包含以下步驟：基於與前進向量相差90度或以上的向量作為一倒退向量，以訓練機器學習模型。

在一實施方案中，所述具自動學習校正機制的車輛前進後退偵測方法更包含以下步驟：基於前進向量的一夾角小於一夾角門檻值的向量亦作為前進向量，以訓練機器學習模型；計算行駛向量與前進向量的夾角；基於機器學習模型，依據夾角，以判斷車輛正在前進還是後退。

在一實施方案中，所述具自動學習校正機制的車輛前進後退偵測方法更包含以下步驟：當車輛的速度達到車速門檻值但夾角不小於夾角門檻值時，重新訓練機器學習模型，以校正有誤的前進向量。

在一實施方案中，所述具自動學習校正機制的車輛前進後退偵測方法更包含以下步驟：將前進向量與行駛向量的夾角作為θ值代入cosθ，以計算出的一餘弦值為正值時，表示車輛正在前進，而餘弦值是負值時，表示車輛正在倒退，據以訓練機器學習模型。

如上所述，本發明提供一種具自動學習校正機制的車輛前進後退偵測系統及方法，其利用機器學習方法，訓練出機器學習模型，應用於車輛實際行駛時，偵測車輛正在前進還是後退，提供定位系統隨著車輛的移動，快速精準地定位車輛。

為使能更進一步瞭解本發明的特徵及技術內容，請參閱以下有關本發明的詳細說明與圖式，然而所提供的圖式僅用於提供參考與說明，並非用來對本發明加以限制。

以下是通過特定的具體實施例來說明本發明的實施方式，本領域技術人員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用，本說明書中的各項細節也可基於不同觀點與應用，在不背離本發明的構思下進行各種修改與變更。另外，本發明的附圖僅為簡單示意說明，並非依實際尺寸的描繪，事先聲明。以下的實施方式將進一步詳細說明本發明的相關技術內容，但所公開的內容並非用以限制本發明的保護範圍。另外，本文中所使用的術語“或”，應視實際情況可能包含相關聯的列出項目中的任一個或者多個的組合。

[第一實施例]

請參閱圖1，其為本發明第一實施例的具自動學習校正機制的車輛前進後退偵測系統的方塊圖。

如圖1所示，本實施例的具自動學習校正機制的車輛前進後退偵測系統可包含感測器10、前進倒退偵測模組20以及學習校正模組30。

在學習校正模式下，感測器10可包含加速度感測器例如重力感測器(g-sensor)，設於車輛上，可配置以偵測車輛的加速度三軸向量12，即X軸、Y軸、Z軸的向量。

前進倒退偵測模組20可有線或無線連接感測器10以及學習校正模組30。前進倒退偵測模組20以及學習校正模組30可設於車輛上，或是包含在遠端裝置例如遠端伺服器內，在此僅舉例說明，本發明不以此為限，實務上可依據實際需求，決定前進倒退偵測模組20的設置位置。

應理解，判斷車子的移動方向，通常只有一個時間點，車速從0到1，即從停放到起步，不可能前進到一半馬上倒退，實際會先停下來再倒退(車速從0到負值)。再者，車輛倒車的車速不可能很快。因此，本實施例以此概念，在車輛開得很快時，判斷車輛正在前進，排除倒車的可能性。

前進倒退偵測模組20可配置以從車用診斷系統例如CAN OBDII、車速線或其他感測器10取得車輛的速度11。在車輛的車速為零值時，判定車輛處於停駛狀態。

在學習校正模式下，前進倒退偵測模組20定義車輛的車速從零值持續累加至速度11達到一車速門檻值21時，車輛正在前進。本文所述的車速門檻值21設定為(略)高於一般人或特定人進行車輛倒車最高的車速。

值得注意的是，在學習校正模式下，學習校正模組30可基於車輛正在前進時的向量作為一前進向量31，以訓練機器學習模型32。亦即，學習校正模組30可基於將車輛的車速從零值持續加速至速度11達到車速門檻值21時，車輛行駛的累積的加速度向量作為一前進向量31，以訓練機器學習模型32。機器學習模型32中的前進向量31將作為在後續車輛行駛模式下偵測車輛正在前進的判斷依據，具體說明如下。

在學習校正模式之後，進入車輛行駛模式。在車輛行駛模式下，車輛在道路或其他地方行駛。在車速從零起步時，感測器10偵測車輛移動的三軸向量12。為方便說明，本文將感測器10在車輛行駛模式下偵測到的車輛的向量作為行駛向量13。

在車輛行駛過程中，前進倒退偵測模組20基於機器學習模型32，判斷車輛實際行駛過程中所偵測到的車輛的行駛向量13的方向與前進向量31的方向夾角小於90度時，產生車輛前進後退訊息23，指示車輛正在前進。

相反地，前進倒退偵測模組20判斷車輛實際行駛過程中所偵測到的車輛的行駛向量13的方向與前進向量31的方向夾角大於90度時，產生車輛前進後退訊息23，指示車輛正在倒退。

請參閱圖2，其為本發明第一實施例的具自動學習校正機制的車輛前進後退偵測方法的學習校正模式的步驟流程圖。

如圖2所示，本實施例的具自動學習校正機制的車輛前進後退偵測方法可包含學習校正模式步驟S101~S115，其可使用如圖1所示的具自動學習校正機制的車輛前進後退偵測系統執行。

在步驟S101，進入學習校正模式。

在步驟S103，車輛開始行駛。

在步驟S105，在車輛持續行駛的過程中，利用感測器10持續偵測車輛從起步到持續移動的過程中的三軸向量12。

在步驟S107，在車輛持續行駛的過程中，從CAN OBDII或車速線取得車輛從起步到持續移動的過程中的速度11。

在步驟S109，利用前進倒退偵測模組20判斷車輛從起步到持續移動的過程中的速度11是否達到車速門檻值。若否，即速度11未達到車速門檻值時，回到步驟S105，接著執行步驟S107，以繼續偵測速度11以及三軸向量12。若是，即車輛的速度11持續累加/增加至達到車速門檻值時，執行步驟S111。

在步驟S111，藉由學習校正模組30將車輛的速度11從零值持續加速至達到車速門檻值21的速度11時，車輛的累加移動向量作為一前進向量31。

在步驟S113，藉由學習校正模組30將與前進向量31相差90度或以上(實務上可替換其他角度值)的向量作為一倒退向量33。

在步驟S115，藉由學習校正模組30建立機器學習模型32，並基於前述的前進向量31以及倒退向量33，以訓練機器學習模型32。

請參閱圖3，其為本發明第一實施例的具自動學習校正機制的車輛前進後退偵測方法的車輛行駛模式的步驟流程圖。

如圖3所示，本實施例的具自動學習校正機制的車輛前進後退偵測方法可包含車輛行駛模式步驟S201~S213，其可使用如圖1所示的具自動學習校正機制的車輛前進後退偵測系統，執行在如圖2所示的學習校正模式步驟S101~S115之後，具體說明如下。

在學習校正模式之後，如步驟S201進入車輛行駛模式。

在步驟S203，車輛開始行駛。

在步驟S205，在車輛從靜止到開始移動過程中，利用感測器10偵測車輛行駛過程中的三軸向量12作為行駛向量13。

在步驟S207，利用前進倒退偵測模組20從學習校正模組30取得機器學習模型32。

在步驟S209，利用前進倒退偵測模組20基於機器學習模型32以判斷目前偵測到的車輛的行駛向量13的方向是否與前進向量31的方向相同。若是，即車輛的行駛向量13的方向與前進向量31的方向相同時，執行步驟S211，判定車輛正在前進。若否，即車輛的行駛向量13的方向與前進向量31的方向不同時，執行步驟S213，判定車輛正在後退/倒退/倒車。

[第二實施例]

請參閱圖4和圖5，其中圖4為本發明第二實施例的具自動學習校正機制的車輛前進後退偵測系統的方塊圖；圖5為本發明第二實施例的具自動學習校正機制的車輛前進後退偵測系統及方法應用於車輛的使用示意圖。

本實施例的具自動學習校正機制的車輛前進後退偵測系統SYS可如圖5所示設於車輛VH上，但不限於如圖5所示的設置位置，並可包含如圖4所示的感測器10、前進倒退偵測模組20以及學習校正模組30，可應用於偵測如圖5所示的車輛VH正在前進還是後退。與第一實施例相同之處，不在此贅述。

車輛VH行駛在道路上前往目的地的過程中，可能如圖2所示隨道路設計而轉彎，因而車輛的移動方向在一定幅度下的改變，皆可判定為車輛VH正在前進。也就是說，機器學習模型32指出行駛向量13與前進向量31相同(兩者夾角零度)，以及行駛向量13與前進向量31的夾角22非零值但小於夾角門檻值24例如30度內，都屬於車輛VH前進的態樣。

因此，如圖4所示，在學習校正模式下，學習校正模組30基於與前進向量31的夾角22小於夾角門檻值24例如90度的向量作為前進向量31，以訓練機器學習模型32。

在學習校正模式下取得機器學習模型32後，可進入車輛行駛模式。在車輛行駛模式下，前進倒退偵測模組20從感測器10取得車輛VH行駛的向量(即行駛向量13)，並從學習校正模組30取得機器學習模型32(含有前進向量31)。

換言之，在學習校正模式下，學習校正模組30可基於與前進向量31相差夾角門檻值24或以上(例如90度或以上)的向量作為一倒退向量33，以訓練機器學習模型32。在車輛行駛模式下，機器學習模型32中的倒退向量33可作為判斷車輛VH倒退的依據。

在車輛行駛模式下，前進倒退偵測模組20基於機器學習模型32，判斷車輛VH的行駛向量13符合前進向量31時，判定車輛VH正在前進，而判斷車輛VH的行駛向量13符合倒退向量33時，則判定車輛VH正在倒退，依據判定結果產生車輛前進後退訊息23。

當本系統設備被移動或鬆脫，或者原來學習過程有不當干擾造成錯誤等因素，使得如圖5所示的車輛VH在行駛模式下的速度11達到車速門檻值21，但行駛向量13與前進向量31的夾角不小於夾角門檻值24時，例如發生在倒車速度過高的情況下，進入學習校正模式，學習校正模組30重新訓練機器學習模型32，以校正有誤的前進向量31。

請參閱圖6，其為本發明第二實施例的具自動學習校正機制的車輛前進後退偵測方法的車輛行駛模式的步驟流程圖。

如圖6所示，本實施例的具自動學習校正機制的車輛前進後退偵測方法可包含車輛行駛模式步驟S301~S315，其可使用如圖1所示的具自動學習校正機制的車輛前進後退偵測系統，執行在如圖2所示的學習校正模式步驟S301~S315之後，具體說明如下。

在步驟S301，進入車輛行駛模式。

在步驟S303，車輛開始行駛。

在步驟S305，在車輛從靜止到開始移動的過程中，利用感測器10偵測車輛行駛過程中的三軸向量12作為行駛向量13。

在步驟S307，前進倒退偵測模組20從學習校正模組30取得機器學習模型32。

在步驟S309，利用前進倒退偵測模組20計算行駛向量13與前進向量31的夾角22。

在步驟S311，利用前進倒退偵測模組20基於機器學習模型32判斷行駛向量13與前進向量的夾角22是否小於夾角門檻值24例如90度。若是，即行駛向量13與前進向量的夾角22小於夾角門檻值24時，執行步驟S313，判定車輛正在前進。若否，即行駛向量13與前進向量的夾角22大於或等於夾角門檻值24時，執行步驟S315，判定車輛正在後退/倒車。

[第三實施例]

請參閱圖7，其為本發明第三實施例的具自動學習校正機制的車輛前進後退偵測系統的方塊圖。

如圖7所示，本實施例的具自動學習校正機制的車輛前進後退偵測系統可包含感測器10、前進倒退偵測模組20以及學習校正模組30，可應用於偵測車輛正在前進還是後退。與第二實施例相同之處，不在此贅述。

在學習校正模式下，感測器10可持續偵測車輛從起步到持續移動的過程中的速度11，同時偵測車輛移動的三軸向量12，即X軸、Y軸、Z軸的向量。在車輛持續加速的過程中，感測器10偵測到的車速越來越大。

在學習校正模式下，前進倒退偵測模組20判斷車輛的速度11從零值持續累加至達到車速門檻值21時，判斷車輛正在前進。學習校正模組30基於車輛的車速從零值持續加速至速度值達到車速門檻值21時的向量累加作為前進向量31，以訓練機器學習模型32。

前進倒退偵測模組20接著將機器學習模型32提供給前進倒退偵測模組20，以偵測車輛在車輛行駛模式下實際行駛時的狀態。為方便說明，感測器10在車輛行駛模式下偵測到的車輛的向量作為行駛向量13，提供給前進倒退偵測模組20。

在學習校正模式下，學習校正模組30將夾角22作為θ值代入cosθ，以計算出的餘弦值為正值時，表示車輛正在前進，而餘弦值是負值時，表示車輛正在倒退，據以訓練機器學習模型32。

在車輛行駛模式下，當車輛從靜止啟動時，前進倒退偵測模組20從感測器10取得車輛的行駛向量13，接著基於機器學習模型32將前進向量31與行駛向量13進行比對，以計算出前進向量31與行駛向量13間的夾角，代入下列向量內積公式中的

即可：

， 其中

前進向量31，

行駛向量13，

代表前進向量31的長度，

行駛向量13的長度，

代表前進向量31與行駛向量13間的夾角，

代表餘弦值。

接著，前進倒退偵測模組20判斷餘弦值25為正值時，判定車輛正在前進，而餘弦值25是負值時，判定車輛正在倒退。

請參閱圖8，其為本發明第三實施例的具自動學習校正機制的車輛前進後退偵測方法的車輛行駛模式的步驟流程圖。

如圖8所示，本實施例的具自動學習校正機制的車輛前進後退偵測方法可包含車輛行駛模式步驟S401~S419，其可使用如圖1所示的具自動學習校正機制的車輛前進後退偵測系統，執行在如圖2所示的學習校正模式步驟S301~S315之後，具體說明如下。

在步驟S401，進入車輛行駛模式。

在步驟S403，車輛開始行駛。

在步驟S405，在車輛從靜止啟動時，利用感測器10偵測車輛行駛過程中的三軸向量12作為行駛向量13。

在步驟S407，前進倒退偵測模組20從學習校正模組30取得機器學習模型32。

在步驟S409，利用前進倒退偵測模組20計算行駛向量13與前進向量31的夾角22。

在步驟S411，利用前進倒退偵測模組20將計算出的行駛向量13與前進向量31的夾角22，作為θ值，代入上述向量內積公式中的

，以計算一餘弦值。

若如步驟S413計算出正值的餘弦值時，執行步驟S415，利用前進倒退偵測模組20判斷車輛正在前進。相反地，若如步驟S417計算出負值的餘弦值時，執行步驟S419，利用前進倒退偵測模組20判斷車輛正在後退/倒車。

[實施例的有益效果]

本發明的其中一有益效果在於，本發明所提供的具自動學習校正機制的車輛前進後退偵測系統及其方法，其利用機器學習方法，訓練出機器學習模型，應用於車輛實際行駛時，偵測車輛正在前進還是後退，提供定位系統隨著車輛的移動，快速精準地定位車輛。

以上所公開的內容僅為本發明的優選可行實施例，並非因此侷限本發明的申請專利範圍，所以凡是運用本發明說明書及圖式內容所做的等效技術變化，均包含於本發明的申請專利範圍內。

10:感測器 11:速度 12:三軸向量 13:行駛向量 20:前進倒退偵測模組 21:車速門檻值 22:夾角 23:車輛前進後退訊息 24:夾角門檻值 25:餘弦值 26:學習校正指令 30:學習校正模組 31:前進向量 32:機器學習模型 33:倒退向量 SYS:車輛前進後退偵測系統 VH:車輛 S101~S115、S201~S213、S301~S315、S401~S419:步驟

圖1為本發明第一實施例的具自動學習校正機制的車輛前進後退偵測系統的方塊圖。

圖2為本發明第一實施例的具自動學習校正機制的車輛前進後退偵測方法的學習校正模式的步驟流程圖。

圖3為本發明第一實施例的具自動學習校正機制的車輛前進後退偵測方法的車輛行駛模式的步驟流程圖。

圖4為本發明第二實施例的具自動學習校正機制的車輛前進後退偵測系統的方塊圖。

圖5為本發明第二實施例的具自動學習校正機制的車輛前進後退偵測系統及方法應用於車輛的使用示意圖。

圖6為本發明第二實施例的具自動學習校正機制的車輛前進後退偵測方法的車輛行駛模式的步驟流程圖。

圖7為本發明第三實施例的具自動學習校正機制的車輛前進後退偵測系統的方塊圖。

圖8為本發明第三實施例的具自動學習校正機制的車輛前進後退偵測方法的車輛行駛模式的步驟流程圖。

10:感測器

11:速度

12:三軸向量

13:行駛向量

20:前進倒退偵測模組

21:車速門檻值

23:車輛前進後退訊息

26:學習校正指令

30:學習校正模組

31:前進向量

32:機器學習模型

Claims (10)

1. 一種具自動學習校正機制的車輛前進後退偵測系統，包含： 一感測器，設於車輛，配置以持續偵測車輛從起步到持續移動的過程中的車速以及加速度三軸向量； 一前進倒退偵測模組，連接該感測器，配置以判斷車輛的車速從零值持續累加至速度值達到一車速門檻值時，判定車輛正在前進； 一學習校正模組，連接該前進倒退偵測模組，配置以在一學習校正模式下，建立一機器學習模型，基於車輛的車速從零值持續加速至該加速值達到該車速門檻值時的車輛的累加向量作為一前進向量，以訓練該機器學習模型； 其中在該學習校正模式之後，進入一車輛行駛模式，在該車輛行駛模式下，車輛從靜止到開始移動時，該前進倒退偵測模組將該感測器偵測到的車輛的向量作為一行駛向量，基於該機器學習模型，以判斷該行駛向量的方向與該前進向量的方向相同時，判定車輛正在前進，而判斷該行駛向量的方向與該前進向量的方向不同時，判定車輛正在倒退。
2. 如請求項1所述的具自動學習校正機制的車輛前進後退偵測系統，其中該學習校正模組在該學習校正模式下基於與該前進向量相差90度或以上的向量作為一倒退向量，以訓練該機器學習模型，作為在該車輛行駛模式下判斷車輛倒退的依據。
3. 如請求項1所述的具自動學習校正機制的車輛前進後退偵測系統，其中在該學習校正模式下，該學習校正模組基於與該前進向量的一夾角小於一夾角門檻值的向量亦作為該前進向量，以訓練該機器學習模型； 在該車輛行駛模式下，該前進倒退偵測模組計算該行駛向量與該前進向量的該夾角，並基於該機器學習模型依據該夾角，以判斷車輛正在前進還是後退。
4. 如請求項3所述的具自動學習校正機制的車輛前進後退偵測系統，其中在該車輛行駛模式下，當車輛的速度達到該車速門檻值，但該夾角不小於該夾角門檻值時，進入該學習校正模式，該學習校正模組重新訓練該機器學習模型，以校正有誤的該前進向量。
5. 如請求項1所述的具自動學習校正機制的車輛前進後退偵測系統，其中該學習校正模組在該學習校正模式下基於該行駛向量與該前進向量的一夾角作為θ值代入cosθ，以計算出的一餘弦值為正值時，表示車輛正在前進，而該餘弦值是負值時，表示車輛正在倒退，以訓練該機器學習模型。
6. 一種具自動學習校正機制的車輛前進後退偵測方法，包含以下步驟： 持續偵測車輛從起步到持續移動的過程中的車速及加速度三軸向量； 判斷車輛的車速從零值持續累加至速度值達到一車速門檻值時，判斷車輛正在前進； 建立一機器學習模型，基於車輛的車速從零值持續加速至該加速值達到該車速門檻值時的車輛的累積向量作為一前進向量，以訓練該機器學習模型； 當車輛從靜止啟動時，將偵測到的車輛的向量作為一行駛向量，以及 基於該機器學習模型，以判斷該行駛向量的方向與該前進向量的方向是否相同，若是，判定車輛正在前進，若否，判定車輛正在倒退。
7. 如請求項6所述的具自動學習校正機制的車輛前進後退偵測方法，更包含以下步驟： 基於與該前進向量相差90度或以上的向量作為一倒退向量，以訓練該機器學習模型。
8. 如請求項6所述的具自動學習校正機制的車輛前進後退偵測方法，更包含以下步驟： 基於與該前進向量的一夾角小於一夾角門檻值的向量亦作為該前進向量，以訓練該機器學習模型； 計算該行駛向量與該前進向量的該夾角； 基於該機器學習模型，依據該夾角，以判斷車輛正在前進還是後退。
9. 如請求項8所述的具自動學習校正機制的車輛前進後退偵測方法，更包含以下步驟： 當車輛的速度達到該車速門檻值但該夾角不小於該夾角門檻值時，重新訓練該機器學習模型，以校正有誤的該前進向量。
10. 如請求項6所述的具自動學習校正機制的車輛前進後退偵測方法，更包含以下步驟： 基於該前進向量與該行駛向量的一夾角作為θ值代入cosθ，以計算出的一餘弦值為正值時，表示車輛正在前進，而該餘弦值是負值時，表示車輛正在倒退，以訓練該機器學習模型。

Images