TWI771098B - 路側單元之雷達系統之狀態之錯誤診斷系統及方法 - Google Patents
路側單元之雷達系統之狀態之錯誤診斷系統及方法 Download PDFInfo
- Publication number
- TWI771098B TWI771098B TW110125204A TW110125204A TWI771098B TW I771098 B TWI771098 B TW I771098B TW 110125204 A TW110125204 A TW 110125204A TW 110125204 A TW110125204 A TW 110125204A TW I771098 B TWI771098 B TW I771098B
- Authority
- TW
- Taiwan
- Prior art keywords
- coordinate
- points
- radar
- detection points
- feature information
- Prior art date
Links
Images
Abstract
本發明提出一種路側單元之雷達系統之狀態之錯誤診斷方法,其包含以下步驟。將路側單元之雷達系統之雷達資訊進行特徵提取,擷取出特徵資訊;將特徵資訊與預設錯誤進行權重訓練,以得出權重特徵資訊;將權重特徵資訊進行分類與診斷,以判斷路側單元之雷達系統是否發生預設錯誤。
Description
本發明是有關於一種系統及其方法,且特別是有關於一種路側單元之雷達系統之狀態之錯誤診斷系統及其錯誤診斷方法。
隨著5G世代的到來,智慧交通開始被廣泛討論,監測用之路側單元也將大量佈建。現存路側單元之雷達系統大多依靠人力調整與設置。
然而,對於智慧交通中大量佈建之雷達系統僅仰賴人力監測並不切實際。
本發明提出一種路側單元之雷達系統之狀態之錯誤診斷系統及其錯誤診斷方法,改善先前技術的問題。
在本發明的一實施例中,本發明所提出的路側單元之雷達系統之狀態之錯誤診斷系統包含儲存裝置以及處理器。儲存裝置儲存至少一指令,處理器電性連接儲存裝置。處理器用以存取並執行至少一指令以:將路側單元之雷達系統之雷達資訊進行特徵提取,擷取出特徵資訊;將特徵資訊與預設錯誤進行權重訓練,以得出權重特徵資訊;將權重特徵資訊進行分類與診斷,以判斷路側單元之雷達系統是否發生預設錯誤。
在本發明的一實施例中,處理器用以存取並執行至少一指令以:對於路側單元之雷達系統之雷達資訊以雷達偵測點(detection points)與雷達追蹤點(tracking points)進行蒐集,透過特徵提取所擷取出的特徵資訊包含複數特徵,複數特徵包含:複數偵測點的數量、複數偵測點於 x 座標之最大值、複數偵測點於 y 座標之最大值、複數偵測點於 x 座標之平均值、複數偵測點於 y 座標之平均值、複數偵測點於 x 座標之最小值、複數偵測點於 y 座標之最小值、複數偵測點於 x 座標之標準差、複數偵測點於 y 座標之標準差、複數偵測點於 x 座標之二次動差值、複數偵測點於 y 座標之二次動差值、複數追蹤點的數量、複數追蹤點於 x座標之平均值、複數追蹤點於 x 座標之最大值、複數追蹤點於 x 座標之最小值、複數追蹤點於 x 座標之標準差、複數追蹤點於 x 座標之二次動差值、複數追蹤點於 y 座標之平均值、複數追蹤點於 y 座標之最大值、複數追蹤點於 y 座標之最小值、複數追蹤點於 y 座標之標準差、複數追蹤點於 y 座標之二次動差值以及複數追蹤點於多個時間點所提取之軌跡特徵。
在本發明的一實施例中,預設錯誤為路側單元之雷達系統之一種或多種預設錯誤狀態,處理器用以存取並執行至少一指令以:執行權重訓練算法(attention),藉以將特徵資訊與一種或多種預設錯誤狀態進行權重訓練。
在本發明的一實施例中,權重訓練算法根據一種或多種預設錯誤狀態與特徵資訊的相關程度,進行權重訓練並給予特徵資訊中複數特徵不同的權重。
在本發明的一實施例中,處理器用以存取並執行至少一指令以:執行錯誤診斷神經網路(Diagnosis-Net),藉以將路側單元之雷達系統之特徵資訊或權重特徵資訊進行分類與診斷。
在本發明的一實施例中,本發明所提出的路側單元之雷達系統之狀態之錯誤診斷系統的錯誤診斷方法包含以下步驟:(A)將路側單元之雷達系統之雷達資訊進行特徵提取,擷取出特徵資訊;(B)將特徵資訊與預設錯誤進行權重訓練,以得出權重特徵資訊;(C)將權重特徵資訊進行分類與診斷,以判斷路側單元之雷達系統是否發生預設錯誤。
在本發明的一實施例中,步驟(A)包含:對於路側單元之雷達系統之雷達資訊以雷達偵測點(detection points)與雷達追蹤點(tracking points)進行蒐集,透過特徵提取所擷取出的特徵資訊包含複數特徵,複數特徵包含:複數偵測點的數量、複數偵測點於 x 座標之最大值、複數偵測點於 y 座標之最大值、複數偵測點於 x 座標之平均值、複數偵測點於 y 座標之平均值、複數偵測點於 x 座標之最小值、複數偵測點於 y 座標之最小值、複數偵測點於 x 座標之標準差、複數偵測點於 y 座標之標準差、複數偵測點於 x 座標之二次動差值、複數偵測點於 y 座標之二次動差值、複數追蹤點的數量、複數追蹤點於 x座標之平均值、複數追蹤點於 x 座標之最大值、複數追蹤點於 x 座標之最小值、複數追蹤點於 x 座標之標準差、複數追蹤點於 x 座標之二次動差值、複數追蹤點於 y 座標之平均值、複數追蹤點於 y 座標之最大值、複數追蹤點於 y 座標之最小值、複數追蹤點於 y 座標之標準差、複數追蹤點於 y 座標之二次動差值以及複數追蹤點於多個時間點所提取之軌跡特徵。
在本發明的一實施例中,預設錯誤為路側單元之雷達系統之一種或多種預設錯誤狀態,步驟(B)包含:執行權重訓練算法,藉以將特徵資訊與一種或多種預設錯誤狀態進行權重訓練。
在本發明的一實施例中,權重訓練算法根據一種或多種預設錯誤狀態與特徵資訊的相關程度,進行權重訓練並給予特徵資訊中複數特徵不同的權重。
在本發明的一實施例中,步驟(C)包含:執行錯誤診斷神經網路,藉以將路側單元之雷達系統之特徵資訊或權重特徵資訊進行分類與診斷。
綜上所述,本發明之技術方案與現有技術相比具有明顯的優點和有益效果。藉由本發明的技術方案,自動化錯誤診斷,減少運營上之人力開銷,提高診斷效率。
以下將以實施方式對上述之說明作詳細的描述,並對本發明之技術方案提供更進一步的解釋。
為了使本發明之敘述更加詳盡與完備,可參照所附之圖式及以下所述各種實施例,圖式中相同之號碼代表相同或相似之元件。另一方面,眾所週知的元件與步驟並未描述於實施例中,以避免對本發明造成不必要的限制。
請參照第1圖,本發明之技術態樣是一種路側單元之雷達系統190之狀態之錯誤診斷系統100,其可應用在智慧交通,或是廣泛地運用在相關之技術環節。本技術態樣之路側單元之雷達系統之狀態之錯誤診斷系統100可達到相當的技術進步,並具有産業上的廣泛利用價值。以下將搭配第1圖來說明路側單元之雷達系統之狀態之錯誤診斷系統100之具體實施方式。
應瞭解到,路側單元之雷達系統190之狀態之錯誤診斷系統100的多種實施方式搭配第1圖進行描述。於以下描述中,為了便於解釋,進一步設定許多特定細節以提供一或多個實施方式的全面性闡述。然而,本技術可在沒有這些特定細節的情況下實施。於其他舉例中,為了有效描述這些實施方式,已知結構與裝置以方塊圖形式顯示。此處使用的「舉例而言」的用語,以表示「作為例子、實例或例證」的意思。此處描述的作為「舉例而言」的任何實施例,無須解讀為較佳或優於其他實施例。
第1圖是依照本發明一實施例之一種路側單元之雷達系統190之狀態之錯誤診斷系統100的方塊圖。如第1圖所示,路側單元之雷達系統之狀態之錯誤診斷系統100包含儲存裝置110、處理器120以及顯示器130。舉例而言,儲存裝置110可為硬碟、快閃儲存裝置或其他儲存媒介,處理器120可為中央處理器,顯示器130可為內建顯示器或外接螢幕。
在架構上,錯誤診斷系統100電性連接路側單元之雷達系統190,儲存裝置110電性連接處理器120,處理器120電性連接顯示器130。實作上,舉例而言,路側單元之雷達系統190可包含多個雷達以分配給各個路側單元。應瞭解到,於實施方式與申請專利範圍中,涉及『電性連接』之描述,其可泛指一元件透過其他元件而間接電氣耦合至另一元件,或是一元件無須透過其他元件而直接電連結至另一元件。舉例而言,儲存裝置110可為內建儲存裝置直接電連結至處理器120,或是儲存裝置110可為外部儲存設備透過線路間接連線至處理器120。
於使用時,儲存裝置110儲存至少一指令,處理器120用以存取並執行至少一指令以:將路側單元之雷達系統190之資訊進行特徵提取,擷取出特徵資訊;將特徵資訊與預設錯誤進行權重訓練,以得出權重特徵資訊;將權重特徵資訊進行分類與診斷,以判斷路側單元之雷達系統是否發生預設錯誤。顯示器130可顯示相關的診斷結果。
具體而言,本發明揭露之錯誤診斷系統100的核心演算法包含三部分:將路側單元之雷達系統190之資訊進行特徵提取、將提取之特徵資訊與相應錯誤之權重訓練、狀態分類訓練及評斷指標設計。在實施演算法前,首先針對路側單元之雷達系統190所產生之狀態蒐集相關雷達資訊,並透過特徵提取取得重要之雷達狀態特徵,為了加速錯誤診斷模型收斂速度,先將提取之數據進行正規化預處理;接著,針對預處理後的資料進行分類與訓練,最後,針對分類之結果進行判斷所屬之路側單元之雷達系統狀態。
實作上,舉例而言,路側單元之雷達系統190以型號IWR6843為例進行說明,但不限制本發明。本例假設路側單元之雷達系統190可能有多種設置狀態,其包括:正常(Normality)、路側單元之雷達系統190之過度下頃(excessive down tilt,ED)、路側單元之雷達系統190之過度上頃(excessive up tilt,EU)、路側單元之雷達系統190之水平角順時鐘旋轉(azimuth clockwise rotates,ACR)、路側單元之雷達系統190之水平角逆時鐘旋轉(azimuth counter-clockwise rotates,ACCR)及路側單元之雷達系統190之偏移(shift)等狀態,此發明的適用範圍包含但不限於前述狀態。另外,本例之路側單元之雷達系統190之資訊以雷達偵測點(detection points)與雷達追蹤點(tracking points)進行蒐集,透過特徵提取之技術擷取重要之雷達系統資訊,再將經由特徵提取後之資料饋入錯誤診斷模型進行錯誤診斷,藉此判斷雷達系統190之狀態。
在本發明的一實施例中,路側單元之雷達系統190之狀態之錯誤診斷系統100之核心演算法乃採用機器學習技術完成,其大致分為雷達資訊特徵提取、權重訓練和錯誤診斷三個步部分。
關於雷達資訊特徵提取,在本發明的一實施例中,處理器120用以存取並執行至少一指令以:對於路側單元之雷達系統之雷達資訊以雷達偵測點(detection points)與雷達追蹤點(tracking points)進行蒐集,透過特徵提取所擷取出的特徵資訊包含複數特徵,複數特徵包含:複數偵測點的數量、複數偵測點於 x 座標之最大值、複數偵測點於 y 座標之最大值、複數偵測點於 x 座標之平均值、複數偵測點於 y 座標之平均值、複數偵測點於 x 座標之最小值、複數偵測點於 y 座標之最小值、複數偵測點於 x 座標之標準差、複數偵測點於 y 座標之標準差、複數偵測點於 x 座標之二次動差值、複數偵測點於 y 座標之二次動差值、複數追蹤點的數量、複數追蹤點於 x座標之平均值、複數追蹤點於 x 座標之最大值、複數追蹤點於 x 座標之最小值、複數追蹤點於 x 座標之標準差、複數追蹤點於 x 座標之二次動差值、複數追蹤點於 y 座標之平均值、複數追蹤點於 y 座標之最大值、複數追蹤點於 y 座標之最小值、複數追蹤點於 y 座標之標準差、複數追蹤點於 y 座標之二次動差值、複數追蹤點於多個時間點所提取之軌跡特徵與/或其他特徵。
接下來,關於權重訓練,在本發明的一實施例中,上述預設錯誤為路側單元之雷達系統之一種或多種預設錯誤狀態(如:過度下頃、過度上頃、水平角順時鐘旋轉、水平角逆時鐘旋轉、偏移…等),處理器120用以存取並執行至少一指令以:執行權重訓練算法(attention),藉以將特徵資訊與一種或多種預設錯誤狀態進行權重訓練。權重訓練算法根據一種或多種預設錯誤狀態與特徵資訊的相關程度,進行權重訓練並給予特徵資訊中複數特徵不同的權重。
實作上,不同的雷達資訊對於不同的路側單元之雷達系統狀態錯誤症狀將有不同程度的相關性,例如:路側單元之雷達系統190過度下頃可能與追蹤點於y座標之平均值、追蹤點於y座標之最大值、追蹤點於y座標之最小值、追蹤點於y座標之標準差、追蹤點於多個時間點所提取之軌跡特徵相關性較高,與偵測點數量、偵測點於x座標之平均值、偵測點於x座標之標準差、追蹤點數量、追蹤點於x座標之平均值、追蹤點於x座標之最大值、追蹤點於x座標之最小值、追蹤點於x座標之標準差相關性較低,若單純使用人類的專業知識及相應路側單元之雷達資訊做判斷與分析,將可能因誤判相關性,而導致診斷精準度下降之結果。因此,為了能夠使錯誤診斷系統100能夠學習路側單元之雷達系統190之狀態及相應雷達資訊之間的相關性,在進行錯誤診斷前,執行權重訓練算法(attention),使錯誤診斷系統100根據狀態與路側單元之雷達系統之雷達資訊的相關程度,訓練並給予不同的權重,以提升診斷精準度。
實作上,舉例而言,權重訓練算法(attention)為一深度學習之機制,其目標是讓模型對重要訊息重點關注並充分學習吸收,藉由給予相關性高之訊息較高的權重,強化其重要程度;給予相關性低之訊息較低或0的權重,降低其影響力,以達到其目標。舉例而言,權重訓練算法(attention)架構包含三個隱藏全連接層(hidden fully connected layer),分別由50、20與6個神經元(neuron)所組成,再以softmax為激勵函數處理非線性特性(non-linear property)。整體權重訓練首先將各狀態及其相應之雷達資訊饋入attention架構進行權重訓練,經由attention訓練出各狀態之權重配置後,將輸入之雷達資訊與相應之權重進行阿達瑪乘積(Hadamard product),省去權重矩陣之存取,以加快計算速度,即完成各狀態之權重訓練。
關於分類與診斷,實作上,舉例而言,為了達到同時偵測路側單元之雷達系統190之多種錯誤發生之情況,假設一共有N類標籤,本發明採用以sigmoid為激活函數(activation function)之N維向量做為分類器輸出,當預測值大於0.5則判斷有該類錯誤發生。sigmoid函數的值域為[0,1],可將其看作是分類器認為有某錯誤發生的機率,判斷目前路側單元之雷達系統發生何種錯誤。分類之損失函數可為二元交叉熵(binary cross entropy, BCE)。
在本發明的一實施例中,處理器120用以存取並執行至少一指令以:執行錯誤診斷神經網路(Diagnosis-Net),藉以將路側單元之雷達系統之特徵資訊或權重特徵資訊進行分類與診斷。
實作上,舉例而言,錯誤診斷神經網路(Diagnosis-Net)架構包含四個隱藏全連接層(hidden fully connected layer),分別由30、20、10與5個神經元所組成,其中每一連接層之所有神經元都與下一層之所有神經元相連,而設計每一層之神經元數量遞減希望能萃取保留相對重要的特徵,幫助機器學習。透過多層數訓練學習後,可以判斷出輸入之路側單元之雷達系統狀態診斷資訊相對應之錯誤因素為何,然而,前三層搭配整流線性單元(rectified linear unit, ReLU)作為激活函數,最後一層搭配sigmoid作為激活函數,主要原因為Sigmoid會輸出一介於0-1之間的值,代表著此輸入資料對於此診斷因素結果之信心程度。
承上,依實務選定臨界值(threshold)將sigmoid輸出結果二分類為0或1,分別代表無或有偵測出此路側單元之雷達系統狀態錯誤。將此錯誤診斷神經網路(Diagnosis-Net)架構結合第一部分所提及之權重訓練算法(attention)與最終之臨界值設計則為此路側單元之雷達系統190自我狀態診斷專利之完整架構。實作上,能夠針對多重錯誤進行分類,機器學習能透過Sigmoid分辨輸入資料相對應錯誤診斷因素,設計不同臨界值而予以分類。
為了對上述路側單元之雷達系統之狀態之錯誤診斷系統100的錯誤診斷方法做更進一步的闡述,請同時參照第1~2圖,第2圖是依照本發明一實施例之一種路側單元之雷達系統190之狀態之錯誤診斷系統100的錯誤診斷方法200的流程圖。如第2圖所示,錯誤診斷方法200包含步驟S201~S203(應瞭解到,在本實施例中所提及的步驟,除特別敘明其順序者外,均可依實際需要調整其前後順序,甚至可同時或部分同時執行)。
錯誤診斷方法200可以採用非暫態電腦可讀取記錄媒體上的電腦程式產品的形式,此電腦可讀取記錄媒體具有包含在介質中的電腦可讀取的複數個指令。適合的記錄媒體可以包括以下任一者:非揮發性記憶體,例如:唯讀記憶體(ROM)、可程式唯讀記憶體(PROM)、可抹拭可程式唯讀記憶體(EPROM)、電子抹除式可程式唯讀記憶體(EEPROM);揮發性記憶體,例如:靜態存取記憶體(SRAM)、動態存取記憶體(SRAM)、雙倍資料率隨機存取記憶體(DDR-RAM);光學儲存裝置,例如:唯讀光碟(CD-ROM)、唯讀數位多功能影音光碟(DVD-ROM);磁性儲存裝置,例如:硬碟機、軟碟機。
於步驟S201,將路側單元之雷達系統190之雷達資訊進行特徵提取,擷取出特徵資訊。於步驟S202,將特徵資訊與預設錯誤進行權重訓練,以得出權重特徵資訊。於步驟S203,將權重特徵資訊進行分類與診斷,以判斷路側單元之雷達系統是否發生預設錯誤。
在本發明的一實施例中,於步驟S201,對於路側單元之雷達系統之雷達資訊以雷達偵測點(detection points)與雷達追蹤點(tracking points)進行蒐集,透過特徵提取所擷取出的特徵資訊包含複數特徵,複數特徵包含:複數偵測點的數量、複數偵測點於 x 座標之最大值、複數偵測點於 y 座標之最大值、複數偵測點於 x 座標之平均值、複數偵測點於 y 座標之平均值、複數偵測點於 x 座標之最小值、複數偵測點於 y 座標之最小值、複數偵測點於 x 座標之標準差、複數偵測點於 y 座標之標準差、複數偵測點於 x 座標之二次動差值、複數偵測點於 y 座標之二次動差值、複數追蹤點的數量、複數追蹤點於 x座標之平均值、複數追蹤點於 x 座標之最大值、複數追蹤點於 x 座標之最小值、複數追蹤點於 x 座標之標準差、複數追蹤點於 x 座標之二次動差值、複數追蹤點於 y 座標之平均值、複數追蹤點於 y 座標之最大值、複數追蹤點於 y 座標之最小值、複數追蹤點於 y 座標之標準差、複數追蹤點於 y 座標之二次動差值、複數追蹤點於多個時間點所提取之軌跡特徵。
在本發明的一實施例中,預設錯誤為路側單元之雷達系統190之一種或多種預設錯誤狀態,於步驟S202,執行權重訓練算法,藉以將特徵資訊與一種或多種預設錯誤狀態進行權重訓練。
在本發明的一實施例中,權重訓練算法根據一種或多種預設錯誤狀態與特徵資訊的相關程度,進行權重訓練並給予特徵資訊中複數特徵不同的權重。
在本發明的一實施例中,於步驟S203,執行錯誤診斷神經網路,藉以將路側單元之雷達系統之特徵資訊或權重特徵資訊進行分類與診斷。
綜上所述,本發明之技術方案與現有技術相比具有明顯的優點和有益效果。藉由本發明的路側單元之雷達系統190之狀態之錯誤診斷系統100及其錯誤診斷方法200,自動化錯誤診斷,減少運營上之人力開銷,提高診斷效率。
雖然本發明已以實施方式揭露如上,然其並非用以限定本發明,任何熟習此技藝者,在不脫離本發明之精神和範圍內,當可作各種之更動與潤飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂,所附符號之說明如下
100:錯誤診斷系統
110:儲存裝置
120:處理器
130:顯示器
190:路側單元之雷達系統
200:錯誤診斷方法
S201~S203:步驟
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂,所附圖式之說明如下:
第1圖是依照本發明一實施例之一種路側單元之雷達系統之狀態之錯誤診斷系統的方塊圖;以及
第2圖是依照本發明一實施例之一種路側單元之雷達系統之狀態之錯誤診斷系統的錯誤診斷方法的流程圖。
200:錯誤診斷方法
S201~S203:步驟
Claims (10)
- 一種路側單元之雷達系統之狀態之錯誤診斷系統,該錯誤診斷系統包含: 一儲存裝置,儲存至少一指令;以及 一處理器,電性連接該儲存裝置,其中該處理器用以存取並執行該至少一指令以: 將一路側單元之雷達系統之雷達資訊進行特徵提取,擷取出特徵資訊; 將該特徵資訊與預設錯誤進行權重訓練,以得出權重特徵資訊;以及 將該權重特徵資訊進行分類與診斷,以判斷該路側單元之雷達系統是否發生該預設錯誤。
- 如請求項1所述之錯誤診斷系統,其中該處理器用以存取並執行該至少一指令以: 對於該路側單元之雷達系統之雷達資訊以雷達偵測點(detection points)與雷達追蹤點(tracking points)進行蒐集,透過該特徵提取所擷取出的該特徵資訊包含複數特徵,該些特徵包含:複數偵測點的數量、該些偵測點於 x 座標之最大值、該些偵測點於 y 座標之最大值、該些偵測點於 x 座標之平均值、該些偵測點於 y 座標之平均值、該些偵測點於 x 座標之最小值、該些偵測點於 y 座標之最小值、該些偵測點於 x 座標之標準差、該些偵測點於 y 座標之標準差、該些偵測點於 x 座標之二次動差值、該些偵測點於 y 座標之二次動差值、複數追蹤點的數量、該些追蹤點於 x座標之平均值、該些追蹤點於 x 座標之最大值、該些追蹤點於 x 座標之最小值、該些追蹤點於 x 座標之標準差、該些追蹤點於 x 座標之二次動差值、該些追蹤點於 y 座標之平均值、該些追蹤點於 y 座標之最大值、該些追蹤點於 y 座標之最小值、該些追蹤點於 y 座標之標準差、該些追蹤點於 y 座標之二次動差值以及該些追蹤點於多個時間點所提取之軌跡特徵。
- 如請求項2所述之錯誤診斷系統,其中該預設錯誤為該路側單元之雷達系統之一種或多種預設錯誤狀態,該處理器用以存取並執行該至少一指令以: 執行一權重訓練算法(attention),藉以將該特徵資訊與該一種或多種預設錯誤狀態進行權重訓練。
- 如請求項3所述之錯誤診斷系統,其中該權重訓練算法根據該一種或多種預設錯誤狀態與該特徵資訊的相關程度,進行該權重訓練並給予該特徵資訊中該些特徵不同的權重。
- 如請求項1所述之錯誤診斷系統,其中該處理器用以存取並執行該至少一指令以: 執行一錯誤診斷神經網路(Diagnosis-Net),藉以將該路側單元之雷達系統之該特徵資訊或該權重特徵資訊進行分類與診斷。
- 一種路側單元之雷達系統之狀態之錯誤診斷方法,該錯誤診斷方法包含以下步驟: (A)將一路側單元之雷達系統之雷達資訊進行特徵提取,擷取出特徵資訊; (B)將該特徵資訊與預設錯誤進行權重訓練,以得出權重特徵資訊;以及 (C)將該權重特徵資訊進行分類與診斷,以判斷該路側單元之雷達系統是否發生該預設錯誤。
- 如請求項6所述之錯誤診斷方法,其中步驟(A)包含: 對於該路側單元之雷達系統之雷達資訊以雷達偵測點(detection points)與雷達追蹤點(tracking points)進行蒐集,透過該特徵提取所擷取出的該特徵資訊包含複數特徵,該些特徵包含:複數偵測點的數量、該些偵測點於 x 座標之最大值、該些偵測點於 x 座標之平均值、該些偵測點於 x 座標之最小值、該些偵測點於 y 座標之最大值、該些偵測點於 y 座標之平均值、該些偵測點於 y 座標之最小值、該些偵測點於 x 座標之標準差、該些偵測點於 y 座標之標準差、該些偵測點於 x 座標之二次動差值、該些偵測點於 y 座標之二次動差值、複數追蹤點的數量、該些追蹤點於 x座標之平均值、該些追蹤點於 x 座標之最大值、該些追蹤點於 x 座標之最小值、該些追蹤點於 x 座標之標準差、該些追蹤點於 x 座標之二次動差值、該些追蹤點於 y 座標之平均值、該些追蹤點於 y 座標之最大值、該些追蹤點於 y 座標之最小值、該些追蹤點於 y 座標之標準差、該些追蹤點於 y 座標之二次動差值以及該些追蹤點於多個時間點所提取之軌跡特徵。
- 如請求項7所述之錯誤診斷方法,其中該預設錯誤為該路側單元之雷達系統之一種或多種預設錯誤狀態,步驟(B)包含: 執行一權重訓練算法,藉以將該特徵資訊與該一種或多種預設錯誤狀態進行權重訓練。
- 如請求項8所述之錯誤診斷方法,其中該權重訓練算法根據該一種或多種預設錯誤狀態與該特徵資訊的相關程度,進行該權重訓練並給予該特徵資訊中該些特徵不同的權重。
- 如請求項6所述之錯誤診斷方法,其中步驟(C)包含: 執行一錯誤診斷神經網路,藉以將該路側單元之雷達系統之該特徵資訊或該權重特徵資訊進行分類與診斷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110125204A TWI771098B (zh) | 2021-07-08 | 2021-07-08 | 路側單元之雷達系統之狀態之錯誤診斷系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110125204A TWI771098B (zh) | 2021-07-08 | 2021-07-08 | 路側單元之雷達系統之狀態之錯誤診斷系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI771098B true TWI771098B (zh) | 2022-07-11 |
TW202303462A TW202303462A (zh) | 2023-01-16 |
Family
ID=83439447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110125204A TWI771098B (zh) | 2021-07-08 | 2021-07-08 | 路側單元之雷達系統之狀態之錯誤診斷系統及方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI771098B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110736968A (zh) * | 2019-10-16 | 2020-01-31 | 清华大学 | 基于深度学习的雷达异常状态诊断方法 |
TW202011285A (zh) * | 2018-08-31 | 2020-03-16 | 香港商阿里巴巴集團服務有限公司 | 樣本屬性評估模型訓練方法、裝置及伺服器 |
TW202018659A (zh) * | 2018-11-09 | 2020-05-16 | 財團法人資訊工業策進會 | 適應多物件尺寸之特徵決定裝置及方法 |
TW202105261A (zh) * | 2018-12-19 | 2021-02-01 | 德商羅伯特博斯奇股份有限公司 | 用於訓練神經網路的方法 |
CN112488142A (zh) * | 2019-09-12 | 2021-03-12 | 中移(苏州)软件技术有限公司 | 一种雷达故障的预测方法、装置及存储介质 |
CN112986950A (zh) * | 2020-12-25 | 2021-06-18 | 南京理工大学 | 基于深度学习的单脉冲激光雷达回波特征提取方法 |
CN113030881A (zh) * | 2019-12-09 | 2021-06-25 | 上海禾赛科技股份有限公司 | 激光雷达的点云合理性诊断方法、激光雷达以及包括其的车辆 |
CN113033786A (zh) * | 2021-05-21 | 2021-06-25 | 北京航空航天大学 | 基于时间卷积网络的故障诊断模型构建方法及装置 |
-
2021
- 2021-07-08 TW TW110125204A patent/TWI771098B/zh active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW202011285A (zh) * | 2018-08-31 | 2020-03-16 | 香港商阿里巴巴集團服務有限公司 | 樣本屬性評估模型訓練方法、裝置及伺服器 |
TW202018659A (zh) * | 2018-11-09 | 2020-05-16 | 財團法人資訊工業策進會 | 適應多物件尺寸之特徵決定裝置及方法 |
TW202105261A (zh) * | 2018-12-19 | 2021-02-01 | 德商羅伯特博斯奇股份有限公司 | 用於訓練神經網路的方法 |
CN112488142A (zh) * | 2019-09-12 | 2021-03-12 | 中移(苏州)软件技术有限公司 | 一种雷达故障的预测方法、装置及存储介质 |
CN110736968A (zh) * | 2019-10-16 | 2020-01-31 | 清华大学 | 基于深度学习的雷达异常状态诊断方法 |
CN113030881A (zh) * | 2019-12-09 | 2021-06-25 | 上海禾赛科技股份有限公司 | 激光雷达的点云合理性诊断方法、激光雷达以及包括其的车辆 |
CN112986950A (zh) * | 2020-12-25 | 2021-06-18 | 南京理工大学 | 基于深度学习的单脉冲激光雷达回波特征提取方法 |
CN113033786A (zh) * | 2021-05-21 | 2021-06-25 | 北京航空航天大学 | 基于时间卷积网络的故障诊断模型构建方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
TW202303462A (zh) | 2023-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392015B (zh) | 一种基于半监督学习的入侵检测方法 | |
US8724904B2 (en) | Anomaly detection in images and videos | |
CN110334740A (zh) | 人工智能推理融合的电力设备故障检测定位方法 | |
CN111507371B (zh) | 自动评估对训练图像的标签可靠性的方法和装置 | |
CN104680542A (zh) | 基于在线学习的遥感影像变化检测方法 | |
CN109491338A (zh) | 一种基于稀疏gmm的多模过程质量相关的故障诊断方法 | |
CN106778908A (zh) | 一种新异类检测方法与装置 | |
CN109029993A (zh) | 结合遗传算法优化参数和机器视觉的轴承故障检测算法 | |
US20050144537A1 (en) | Method to use a receiver operator characteristics curve for model comparison in machine condition monitoring | |
CN109961030A (zh) | 路面修补信息检测方法、装置、设备及存储介质 | |
CN112541536A (zh) | 用于信用评分的欠采样分类集成方法、设备及存储介质 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
Wen et al. | A new method for identifying the ball screw degradation level based on the multiple classifier system | |
CN106959397A (zh) | 一种用于高铁逆变器的微小故障诊断系统的设计方法 | |
CN113721182B (zh) | 一种电力互感器性能在线监测结果可靠度评估方法及系统 | |
TWI771098B (zh) | 路側單元之雷達系統之狀態之錯誤診斷系統及方法 | |
CN113822336A (zh) | 一种云硬盘故障预测方法、装置、系统及可读存储介质 | |
JP5164802B2 (ja) | 認識システム、認識方法、および認識プログラム | |
CN116907772A (zh) | 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统 | |
Ramlal et al. | Toward automated utility pole condition monitoring: A deep learning approach | |
CN107480647B (zh) | 基于归纳式一致性异常检测的异常行为实时检测方法 | |
CN112990329B (zh) | 一种系统异常诊断方法和装置 | |
Wang et al. | Fault detection for the class imbalance problem in semiconductor manufacturing processes | |
Yang et al. | Convolutional autoencoder-based sensor fault classification | |
WO2020183781A1 (ja) | 異常診断装置 |