CN107521500A - 信息获取方法和装置 - Google Patents
信息获取方法和装置 Download PDFInfo
- Publication number
- CN107521500A CN107521500A CN201710792535.0A CN201710792535A CN107521500A CN 107521500 A CN107521500 A CN 107521500A CN 201710792535 A CN201710792535 A CN 201710792535A CN 107521500 A CN107521500 A CN 107521500A
- Authority
- CN
- China
- Prior art keywords
- road
- feature
- sound
- vehicle
- roadway characteristic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000015654 memory Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims 1
- 239000010426 asphalt Substances 0.000 description 13
- 230000006399 behavior Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 241000218691 Cupressaceae Species 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000010639 cypress oil Substances 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/05—Type of road, e.g. motorways, local streets, paved or unpaved roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了信息获取方法和装置。该方法的一具体实施方式包括:采集车辆的行驶过程中生成的声音,采集到的车辆在行驶过程中生成的声音的特征与车辆行驶在的道路的特征相关联;基于采集到的车辆在行驶过程中生成的声音和道路特征识别模型,得到车辆行驶在的道路的特征,其中,道路特征识别模型指示声音的特征与道路的特征之间的对应关系。实现了利用道路特征识别模型在无需确定车辆的位置的情况下,获取车辆行驶在的道路的当前的路面状况。
Description
技术领域
本申请涉及车辆领域,具体涉及环境感知领域,尤其涉及信息获取方法和装置。
背景技术
目前,随着传感器越来越多地应用于车辆中,使得车辆越来越智能化,车辆可以智能地感知行驶环境。在车辆感知行驶环境的过程中,对于道路的路面状况的感知是关键环节之一。目前,通常采用的方式为:以人工方式预先在电子地图上对各个路段的道路的路面状况进行标注,根据GPS确定车辆的位置,确定车辆的位置所在的路段,然后,从电子地图中获取标注的车辆的位置所在的路段的道路的路面状况。
然而,一方面,在一些因GPS信号受到干扰无法获取到GPS信号的路段,无法确定车辆的位置所在的路段,导致无法获取到电子地图中标注的车辆的位置所在的路段的路面状况。另一方面,在一些路段的道路的路面状况发生变化的情况下,依靠电子地图的标注路面状况发生变化的路段的路面状况,路面状况发生变化的路段的当前的路面状况。
发明信息
本申请提供了一种信息获取方法和装置,用于解决上述背景技术部分存在的技术问题。
第一方面,本申请提供了信息获取方法,该方法包括:采集车辆的行驶过程中生成的声音,采集到的车辆在行驶过程中生成的声音的特征与车辆行驶在的道路的特征相关联;基于采集到的车辆在行驶过程中生成的声音和道路特征识别模型,得到车辆行驶在的道路的特征,其中,道路特征识别模型指示声音的特征与道路的特征之间的对应关系。
第二方面,本申请提供了信息获取装置,该装置包括:采集单元,配置用于采集车辆的行驶过程中生成的声音,采集到的车辆在行驶过程中生成的声音的特征与车辆行驶在的道路的特征相关联;识别单元,配置用于基于采集到的车辆在行驶过程中生成的声音和道路特征识别模型,得到车辆行驶在的道路的特征,其中,道路特征识别模型指示声音的特征与道路的特征之间的对应关系。
本申请提供的信息获取方法和装置,通过采集车辆的行驶过程中生成的声音,采集到的车辆在行驶过程中生成的声音的特征与车辆行驶在的道路的特征相关联;基于采集到的车辆在行驶过程中生成的声音和道路特征识别模型,得到车辆行驶在的道路的特征,其中,道路特征识别模型指示声音的特征与道路的特征之间的对应关系。实现了利用道路特征识别模型在无需确定车辆的位置的情况下,获取车辆行驶在的道路的当前的路面状况。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了可以应用于本申请的信息获取方法或装置的示例性***架构;
图2示出了根据本申请的信息获取方法的一个实施例的流程图;
图3示出了根据本申请的信息获取装置的一个实施例的结构示意图;
图4示出了适用于本申请的车辆的一个硬件结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用于本申请的信息获取方法或装置的实施例的示例性***架构。
***架构包括车辆101、网络102和服务器103。网络102用以在车辆101和服务器103之间提供通信链路的介质。网络102可以采用无线通信链路。
车辆101可以利用麦克风采集车辆101的行驶过程中生成的声音,车辆101可以运行由初步构建的用于学习车辆行驶在类型的道路上生成的声音和类型的道路的特征之间的对应关系的机器学习模型。车辆101可以根据在多个不同的特征的道路上行驶时采集到的声音和道路的特征,对车辆101上的机器学习模型进行训练。
车辆101也可以将在多个不同的特征的道路上采集到的声音发送至服务器103。服务器103可以运行有用于学习车辆行驶在类型的道路上生成的声音和类型的道路的特征之间的对应关系的机器学习模型,服务器103可以根据车辆101采集到的声音和采集到声音时车辆101所行驶在的道路的特征,对机器学习模型进行训练,将训练后的机器学习模型发送至车辆101。
请参考图2,其示出了根据本申请的信息获取方法的一个实施例的流程。需要说明的是,本申请实施例所提供的信息获取方法中的全部步骤或部分步骤可以由车辆(例如图1中的车辆101)执行。该方法包括以下步骤:
步骤201,采集车辆的行驶过程中生成的声音。
在本实施例中,采集车辆在行驶过程中生成的声音可以为采集车辆在当前行驶过程中,声源在车辆的轮胎附近的车辆的轮胎与道路接触而生成的声音。采集到的车辆在行驶过程中生成的声音与车辆当前行驶在的道路的特征相关联。
例如,声音的特征为声音的声波的波形,道路的特征为道路的路面的类型,例如柏油路、沙石路。当车辆行驶在道路上时,车辆在不同的路面类型的道路上行驶时,声源在车辆的轮胎附近的声音的声波的波形是与轮胎与路面的摩擦力相关联的,相应地,采集到的声音的声波的波形与车辆行驶在的道路的特征相关联。
在本实施例中,可以利用安装在车辆底部的麦克风采集车辆的行驶过程中生成的声音。例如,可以利用在车辆的底部靠近轮胎的位置安装的麦克风采集车辆的行驶过程中生成的声音。
在本实施例的一些可选的实现方式中,道路的特征包括:道路的路面类型、道路的平整度。车辆在行驶过程中生成的声音与车辆行驶在的道路的路面类型、道路的平整度相关联。
步骤202,基于采集到的声音和道路特征识别模型,得到道路的特征。
在本实施例中,在通过步骤201采集车辆的行驶过程中生成的声音之后,可以基于采集到的声音和道路特征识别模型,得到车辆行驶在的道路的特征即车辆当前行驶在的道路的特征。
例如,采集到的车辆的行驶过程中生成的声音的特征包括:采集到的声音的声波的波形、波形的波峰、波谷的数值等,车辆行驶在的道路的特征包括:道路的路面类型、道路的平整度等。车辆在相同的路面类型但平整度不同的道路上行驶时,采集到的车辆的行驶过程中生成的声音的声波的波形、波形的波峰、波谷的数值也是不同的。车辆在平整度相同但路面类型不同的道路上行驶时,采集到的车辆的行驶过程中生成的声音的声波的波形、波形的波峰、波谷的数值也是不同的。
在本实施例中,道路特征识别模型可以指示车辆行驶在道路上生成的声音的声波的波形、波形的波峰、波谷的数值等特征与道路的路面类型、平整度等特征的对应关系。
例如,道路特征识别模型中包含多个信息项,每一个信息项包含声音的声波的波形、波形的波峰、波谷的数值和该声音的声波的波形、波形的波峰、波谷的数值对应的道路的路面类型、平整度。
可以预先分别采集车辆行驶在类型的道路上生成的声音,不同的类型的道路的特征中的至少一个特征不同。例如,两个不同的类型的道路可以为路面类型相同但平整度不同的道路,两个不同的类型的道路可以为平整度相同但路面类型不同的道路。车辆可以分别在相同的路面类型但平整度不同的道路上行驶,分别采集行驶在相同的路面类型但平整度不同的道路上生成的声音。车辆可以分别在平整度相同但路面类型不同的道路上行驶,分别采集行驶在平整度相同但路面类型不同的道路上生成的声音。可以将每一次采集到车辆行驶在一个类型的道路上生成的声音和该类型的道路的特征作为一个信息项加入到道路特征识别模型中。
在本实施例中,可以提取出通过步骤201采集到的车辆的行驶过程中生成的声音的特征,然后,可以查找出道路特征识别模型中的与采集到的车辆在行驶过程中生成的声音的特征相似度最高的声音的特征,然后,可以进一步得到道路特征识别模型中的与采集到的车辆在行驶过程中生成的声音的特征相似度最高的声音的特征对应的道路的特征,可以将与采集到的车辆在行驶过程中生成的声音的特征相似度最高的声音的特征对应的道路的特征作为车辆行驶在的道路的特征即车辆当前行驶在的道路的特征。
在本实施例的一些可选的实现方式中,在利用道路特征识别模型基于采集到的车辆在行驶过程中生成的声音判断车辆行驶在的道路的特征之前,可以对道路特征识别模型进行训练。车辆可以预先在不同的类型的道路上行驶,预先分别采集车辆行驶在多个类型的道路上生成的声音。
可以基于采集到的车辆行驶在的多个类型的道路上生成的声音的特征和多个类型的道路的特征,对道路特征识别模型进行训练。例如,车辆可以预先分别在平整度高的柏油路、平整度低的柏油路、平整度低的砂石路三个类型的道路上行驶,采集车辆在三个类型的道路上行驶生成的声音。利用采集到的车辆在三个类型的道路上行驶生成的声音和三个类型的道路的特征,对道路特征识别模型进行训练。
针对一个类型的道路,可以多次采集车辆行驶在该类型的道路上生成的声音,得到多个车辆行驶在该类型的道路上生成的声音,利用多个采集到的车辆行驶在该类型的道路上生成的声音和该类型的道路的特征,对对道路特征识别模型进行训练。
在一次训练过程中,可以利用采集到的车辆行驶在多个类型中的一个类型的道路上生成的声音的特征和该类型的道路的特征对道路特征识别模型进行训练。可以分别生成采集到的车辆行驶在该类型的道路上生成的声音对应的输入向量和该类型的道路对应的道路特征向量。输入向量中的每一个分量对应一个在采集到的车辆行驶在该类型的道路上生成的声音的特征,道路特征向量中的每一个分量对应一个该类型的道路的特征。在一次训练过程中,可以将该输入向量输入到道路特征识别模型,得到预测输出向量,预测输出向量中的每一个分量表示道路特征识别模型基于输入向量预测出的该类型的道路的一个特征。可以基于道路特征识别模型输出的预测输出向量和道路特征向量的差值,采用梯度下降算法,调整道路特征识别模型的模型参数,从而,完成一次对道路特征识别模型的训练过程。
例如,采集到的声音的特征包含采集到的声音的声波的波形、波形的波峰、波谷的数值,车辆预先分别在平整度80%的柏油路、平整度50%的柏油路、平整度30%的砂石路三个类型的道路上行驶,分别采集到车辆在三个类型的道路上行驶生成的声音。
可以分别生成采集到的车辆行驶在平整度80%的柏油路上生成的声音对应的输入向量、采集到的车辆行驶在平整度50%的柏油路上生成的声音对应的输入向量、采集到的车辆行驶在平整度30%的砂石路的砂石路上生成的声音对应的输入向量。采集到的车辆行驶在平整度80%的柏油路上生成的声音对应的输入向量包含表示车辆行驶在平整度80%的柏油路上生成的声音的声波的波形的分量、波形的波峰的数值的分量、波谷的数值的分量,相应的,平整度80%的柏油路对应的道路特征向量包含表示柏油路的分量、表示平整度80%的分量。采集到的车辆行驶在平整度50%的柏油路上生成的声音对应的输入向量包含表示车辆行驶在平整度50%的柏油路上生成的声音的声波的波形的分量、波形的波峰的数值的分量、波谷的数值的分量。相应的,平整度50%的柏油路对应的道路特征向量包含表示柏油路的分量、表示平整度50%的分量。采集到的平整度30%的砂石路上生成的声音对应的输入向量包含表示车辆行驶在平整度30%的砂石路上生成的声音的声波的波形的分量、波形的波峰的数值的分量、波谷的数值的分量。相应的,平整度30%的砂石路包含表示砂石路的分量、表示平整度30%的分量。
可以采用上述方式利用采集到的车辆行驶在多个类型中的每一个类型的道路上生成的声音的特征和道路的特征分别对道路特征识别模型进行多次训练。在多次训练过程之后,道路特征识别模型可以指示声音的特征和道路的特征对应关系。
在本实施例的一些可选的实现方式中,道路特征识别模型可以为LSTM(LongShort-Term Memory,长短期记忆网络)模型。LSTM模型为序列化模型,具有输入长度不一的序列化特征。LSTM记忆单元的输入是LSTM的隐藏层,LSTM隐藏层的输入是LSTM的输入层。LSTM模型的隐藏层,记忆单元的输出也都是序列。
在一次训练过程中,可以利用采集到的车辆行驶在多个类型中的一个类型的道路上生成的声音的特征和该类型的道路的特征对LSTM模型进行训练。可以分别生成采集到的车辆行驶在该类型的道路上生成的声音对应的LSTM模型的输入向量和该类型的道路对应的道路特征向量。LSTM模型的输入向量中的每一个分量对应一个在采集到的车辆行驶在该类型的道路上生成的声音的特征,道路特征向量中的每一个分量表示该类型的道路的一个特征。在一次训练过程中,可以将该输入向量输入到LSTM模型,以及将该道路特征向量作为LSTM模型的目标输出向量。将该输入向量输入到LSTM模型之后,可以得到预测输出向量,预测输出向量中的每一个分量表示道路特征识别模型基于输入向量预测出的该类型的道路的一个特征。可以基于LSTM模型输出的预测输出向量和该类型的道路对应的道路特征向量的差值,采用梯度下降算法,调整LSTM模型的模型参数,从而,完成一次对LSTM模型的训练过程。
可以采用上述方式利用采集到的车辆行驶在多个类型中的每一个类型的道路上生成的声音的特征和道路的特征分别对LSTM模型进行多次训练。在多次训练过程之后,LSTM模型可以指示声音的特征和道路的特征对应关系。
在本实施例的一些可选的实现方式中,在利用道路特征识别模型基于采集到的车辆在行驶过程中生成的声音判断车辆行驶在的道路的特征时,可以提取采集到的车辆在行驶过程中生成的声音的特征,生成采集到的车辆在行驶过程中生成的声音对应的输入向量,其中,输入向量中的每一个分量表示采集到的车辆在行驶过程中生成的声音的一个特征。然后,可以将采集到的车辆在行驶过程中生成的声音对应的输入向量输入到道路特征识别模型,得到输出向量,其中,输出向量中的每一个分量表示车辆行驶在的道路即车辆当前行驶在的道路的一个特征。从而,根据每一个分量表示的车辆行驶在的道路即车辆当前行驶在的道路的一个特征,可以得到车辆行驶在的道路的路面类型、平整度等所有特征。
请参考图3,作为对上述各图所示方法的实现,本申请提供了一种信息获取装置的一个实施例,该装置实施例与图2所示的方法实施例相对应。
如图3所示,信息获取装置包括:采集单元301,识别单元302。其中,采集单元301配置用于采集车辆的行驶过程中生成的声音,采集到的车辆在行驶过程中生成的声音的特征与车辆行驶在的道路的特征相关联;识别单元302配置用于基于采集到的车辆在行驶过程中生成的声音和道路特征识别模型,得到车辆行驶在的道路的特征,其中,道路特征识别模型指示声音的特征与道路的特征之间的对应关系。
在本实施例的一些可选的实现方式中,道路的特征包括:道路的路面类型、道路的平整度。
在本实施例的一些可选的实现方式中,信息获取装置还包括:训练单元,配置用于在采集车辆的行驶过程中生成的声音之前,分别采集车辆行驶在多个类型的道路上生成的声音,其中,多个类型中的每一个类型的道路与其他类型的道路具有至少一个不相同的特征;基于采集到的车辆行驶在多个类型的道路上生成的声音的特征和多个类型的道路的特征,对道路特征识别模型进行训练。
在本实施例的一些可选的实现方式中,训练单元进一步配置用于:生成采集到的车辆行驶在多个类型的道路中的一个类型的道路上生成的声音对应的输入向量,其中,输入向量中的每一个分量表示一个所述声音的特征;生成所述类型的道路对应的道路特征向量,其中,道路特征向量中的每一个分量表示该类型的道路的一个特征;将输入向量输入到道路特征识别模型,得到预测输出向量,其中,预测输出向量中的每一个分量表示道路特征识别模型基于输入向量预测出的该类型的道路的一个特征;基于预测输出向量和该道路特征向量的差值,采用梯度下降算法调整道路特征识别模型的模型参数。
在本实施例的一些可选的实现方式中,识别单元包括:模型识别子单元,配置用于提取采集到的车辆在行驶过程中生成的声音的特征,生成采集到的车辆在行驶过程中生成的声音对应的输入向量,其中,输入向量中的每一个分量表示采集到的车辆在行驶过程中生成的声音的一个特征;将输入向量输入到道路特征识别模型,得到输出向量,其中,输出向量中的每一个分量表示车辆行驶在的道路的一个特征。
在本实施例的一些可选的实现方式中,道路特征识别模型为长短期记忆网络模型。
请参考图4,其示出了适用于本申请的车辆的一个硬件结构示意图。
如图4所示,车辆包括CPU401、存储器402、麦克风403、GPS404,麦克风403可以设置在车辆的底部靠近车辆的轮胎的位置。CPU401、存储器402、麦克风403、GPS404通过总线405彼此相连。根据本申请的信息获取方法可以被实现为计算机程序,该计算机程序中包含上述实施例中描述的操作的指令。计算机程序可以存储在存储器402中。车辆的CPU 401通过调用存储器402中存储的计算机程序,根据车辆在行驶过程中生成的声音,确定车辆行驶在的道路的特征。
本申请还提供了一种车辆,该车辆可以配置有一个或多个处理器;存储器,用于存储一个或多个程序,一个或多个程序中可以包含用以执行上述步骤201-202中描述的操作的指令。当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器执行上述步骤201-202中描述的操作。
本申请还提供了一种计算机可读介质,该计算机可读介质可以是车辆中所包括的;也可以是单独存在,未装配入车辆中。上述计算机可读介质承载有一个或者多个程序,当一个或者多个程序被车辆执行时,使得车辆:采集车辆的行驶过程中生成的声音,采集到的车辆在行驶过程中生成的声音的特征与车辆行驶在的道路的特征相关联;基于采集到的车辆在行驶过程中生成的声音和道路特征识别模型,得到车辆行驶在的道路的特征,其中,道路特征识别模型指示声音的特征与道路的特征之间的对应关系。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括采集单元,识别单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,采集单元还可以被描述为“用于采集车辆的行驶过程中生成的声音的单元”。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种信息获取方法,其特征在于,所述方法包括:
采集车辆的行驶过程中生成的声音,所述声音的特征与车辆行驶在的道路的特征相关联;
基于所述声音和道路特征识别模型,得到所述道路的特征,其中,所述道路特征识别模型指示声音的特征与道路的特征之间的对应关系。
2.根据权利要求1所述的方法,其特征在于,道路的特征包括:道路的路面类型、道路的平整度。
3.根据权利要求2所述的方法,其特征在于,在采集车辆的行驶过程中生成的声音之前,所述方法还包括:
分别采集车辆行驶在多个类型的道路上生成的声音,其中,多个类型中的每一个类型的道路与其他类型的道路具有至少一个不相同的特征;
基于采集到的车辆行驶在多个类型的道路上生成的声音的特征和多个类型的道路的特征,对道路特征识别模型进行训练。
4.根据权利要求3所述的方法,其特征在于,基于采集到的车辆行驶在多个类型的道路上生成的声音的特征和多个类型的道路的特征,对道路特征识别模型进行训练包括:
生成采集到的车辆行驶在多个类型的道路中的一个类型的道路上生成的声音对应的输入向量,其中,所述输入向量中的每一个分量表示所述声音的一个特征;
生成所述类型的道路对应的道路特征向量,其中,所述道路特征向量中的每一个分量表示所述类型的道路的一个特征;
将所述输入向量输入到道路特征识别模型,得到预测输出向量,其中,预测输出向量中的每一个分量表示道路特征识别模型基于所述输入向量预测出的所述类型的道路的一个特征;
基于预测输出向量和所述道路特征向量的差值,采用梯度下降算法调整道路特征识别模型的模型参数。
5.根据权利要求4所述的方法,其特征在于,基于所述声音和道路特征识别模型,得到所述道路的特征包括:
提取所述声音的特征,生成所述声音对应的输入向量,其中,所述输入向量中的每一个分量表示所述声音的一个特征;
将所述输入向量输入到道路特征识别模型,得到输出向量,其中,所述输出向量中的每一个分量表示所述道路的一个特征。
6.根据权利要求1-5之一所述的方法,其特征在于,所述道路特征识别模型为长短期记忆网络模型。
7.一种信息获取装置,其特征在于,所述装置包括:
采集单元,配置用于采集车辆的行驶过程中生成的声音,所述声音的特征与车辆行驶在的道路的特征相关联;
识别单元,配置用于基于所述声音和道路特征识别模型,得到所述道路的特征,其中,所述道路特征识别模型指示声音的特征与道路的特征之间的对应关系。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
训练单元,配置用于在采集车辆的行驶过程中生成的声音之前,分别采集车辆行驶在多个类型的道路上生成的声音,其中,多个类型中的每一个类型的道路与其他类型的道路具有至少一个不相同的特征;基于采集到的车辆行驶在多个类型的道路上生成的声音的特征和多个类型的道路的特征,对道路特征识别模型进行训练。
9.根据权利要求8所述的装置,其特征在于,训练单元进一步配置用于:生成采集到的车辆行驶在多个类型的道路中的一个类型的道路上生成的声音对应的输入向量,其中,所述输入向量中的每一个分量表示所述声音的一个特征;生成所述类型的道路对应的道路特征向量,其中,所述道路特征向量中的每一个分量表示所述类型的道路的一个特征;将所述输入向量输入到道路特征识别模型,得到预测输出向量,其中,预测输出向量中的每一个分量表示道路特征识别模型基于所述输入向量预测出的所述类型的道路的一个特征;基于预测输出向量和所述道路特征向量的差值,采用梯度下降算法调整道路特征识别模型的模型参数。
10.根据权利要求9所述的装置,其特征在于,识别单元包括:
模型识别子单元,配置用于提取所述声音的特征,生成所述声音对应的输入向量,其中,所述输入向量中的每一个分量表示所述声音的一个特征;将所述输入向量输入到道路特征识别模型,得到输出向量,其中,所述输出向量中的每一个分量表示所述道路的一个特征。
11.一种车辆,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
12.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710792535.0A CN107521500B (zh) | 2017-09-05 | 2017-09-05 | 信息获取方法和装置 |
PCT/CN2018/098636 WO2019047645A1 (zh) | 2017-09-05 | 2018-08-03 | 信息获取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710792535.0A CN107521500B (zh) | 2017-09-05 | 2017-09-05 | 信息获取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107521500A true CN107521500A (zh) | 2017-12-29 |
CN107521500B CN107521500B (zh) | 2019-11-05 |
Family
ID=60683418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710792535.0A Active CN107521500B (zh) | 2017-09-05 | 2017-09-05 | 信息获取方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107521500B (zh) |
WO (1) | WO2019047645A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019047645A1 (zh) * | 2017-09-05 | 2019-03-14 | 百度在线网络技术(北京)有限公司 | 信息获取方法和装置 |
CN109785460A (zh) * | 2019-01-03 | 2019-05-21 | 深圳壹账通智能科技有限公司 | 车辆故障识别方法、装置、计算机设备和存储介质 |
CN112179299A (zh) * | 2020-10-10 | 2021-01-05 | 孙树光 | 一种基于声发射的接触网平顺性检测装置及方法 |
CN112200049A (zh) * | 2020-09-30 | 2021-01-08 | 华人运通(上海)云计算科技有限公司 | 对路面地形进行数据标注的方法、装置、设备及存储介质 |
CN113255938A (zh) * | 2021-05-07 | 2021-08-13 | 安徽创都建设集团有限公司 | 一种路面基层养护方法 |
CN115762565A (zh) * | 2023-01-06 | 2023-03-07 | 江苏省气象服务中心 | 一种基于路噪音频分析的路面气象状况识别方法及*** |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11449543B2 (en) | 2020-05-06 | 2022-09-20 | Here Global B.V. | Method, apparatus, and computer program product for vehicle localization via amplitude audio features |
US11302345B2 (en) | 2020-05-06 | 2022-04-12 | Here Global B.V. | Method, apparatus, and computer program product for vehicle localization via frequency audio features |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2343522A1 (en) * | 2008-10-30 | 2011-07-13 | Bridgestone Corporation | Method of estimating road surface condition |
ES2390302A1 (es) * | 2012-07-04 | 2012-11-08 | Universidad Politécnica de Madrid | Sistema embarcado en vehículos y método para la detección del estado del asfalto |
CN103003110A (zh) * | 2010-05-19 | 2013-03-27 | 株式会社普利司通 | 路面状况估计方法 |
CN105844211A (zh) * | 2015-01-29 | 2016-08-10 | 通用汽车环球科技运作有限责任公司 | 用于分类路面的***和方法 |
EP3173306A1 (en) * | 2015-11-27 | 2017-05-31 | Continental Automotive GmbH | Method and device for determining a type of the road on which a vehicle is driving |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4046059B2 (ja) * | 2002-11-08 | 2008-02-13 | 株式会社豊田中央研究所 | 路面状態推定装置 |
KR101618551B1 (ko) * | 2014-07-02 | 2016-05-09 | 엘지전자 주식회사 | 차량 운전 보조 장치 및 이를 구비한 차량 |
CN105667517A (zh) * | 2016-01-06 | 2016-06-15 | 吴晓白 | 一种简易路况平整度告警模块 |
CN107521500B (zh) * | 2017-09-05 | 2019-11-05 | 百度在线网络技术(北京)有限公司 | 信息获取方法和装置 |
-
2017
- 2017-09-05 CN CN201710792535.0A patent/CN107521500B/zh active Active
-
2018
- 2018-08-03 WO PCT/CN2018/098636 patent/WO2019047645A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2343522A1 (en) * | 2008-10-30 | 2011-07-13 | Bridgestone Corporation | Method of estimating road surface condition |
CN103003110A (zh) * | 2010-05-19 | 2013-03-27 | 株式会社普利司通 | 路面状况估计方法 |
ES2390302A1 (es) * | 2012-07-04 | 2012-11-08 | Universidad Politécnica de Madrid | Sistema embarcado en vehículos y método para la detección del estado del asfalto |
CN105844211A (zh) * | 2015-01-29 | 2016-08-10 | 通用汽车环球科技运作有限责任公司 | 用于分类路面的***和方法 |
EP3173306A1 (en) * | 2015-11-27 | 2017-05-31 | Continental Automotive GmbH | Method and device for determining a type of the road on which a vehicle is driving |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019047645A1 (zh) * | 2017-09-05 | 2019-03-14 | 百度在线网络技术(北京)有限公司 | 信息获取方法和装置 |
CN109785460A (zh) * | 2019-01-03 | 2019-05-21 | 深圳壹账通智能科技有限公司 | 车辆故障识别方法、装置、计算机设备和存储介质 |
CN112200049A (zh) * | 2020-09-30 | 2021-01-08 | 华人运通(上海)云计算科技有限公司 | 对路面地形进行数据标注的方法、装置、设备及存储介质 |
CN112200049B (zh) * | 2020-09-30 | 2023-03-31 | 华人运通(上海)云计算科技有限公司 | 对路面地形进行数据标注的方法、装置、设备及存储介质 |
CN112179299A (zh) * | 2020-10-10 | 2021-01-05 | 孙树光 | 一种基于声发射的接触网平顺性检测装置及方法 |
CN113255938A (zh) * | 2021-05-07 | 2021-08-13 | 安徽创都建设集团有限公司 | 一种路面基层养护方法 |
CN115762565A (zh) * | 2023-01-06 | 2023-03-07 | 江苏省气象服务中心 | 一种基于路噪音频分析的路面气象状况识别方法及*** |
CN115762565B (zh) * | 2023-01-06 | 2023-05-30 | 江苏省气象服务中心 | 一种基于路噪音频分析的路面气象状况识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107521500B (zh) | 2019-11-05 |
WO2019047645A1 (zh) | 2019-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107521500A (zh) | 信息获取方法和装置 | |
Chen et al. | Dynamic spatio-temporal graph-based CNNs for traffic flow prediction | |
CN105954040B (zh) | 应用于无人驾驶汽车的测试方法和装置 | |
Souza et al. | Asfault: A low-cost system to evaluate pavement conditions in real-time using smartphones and machine learning | |
CN110753892A (zh) | 在自动驾驶车辆中用于经由交叉模态验证的即时物体标记的方法和*** | |
Li et al. | Coupled application of generative adversarial networks and conventional neural networks for travel mode detection using GPS data | |
EP3443482B1 (en) | Classifying entities in digital maps using discrete non-trace positioning data | |
CN110753953A (zh) | 用于自动驾驶车辆中经由交叉模态验证的以物体为中心的立体视觉的方法和*** | |
CN110869936A (zh) | 用于自动驾驶车辆中的分布式学习与适应的方法和*** | |
CN108422949B (zh) | 用于无人驾驶车辆的信息共享方法、装置、***及设备 | |
CN109902899A (zh) | 信息生成方法和装置 | |
CN112542045B (zh) | 基于手机信令识别交通出行方式的方法与*** | |
Matarazzo et al. | Crowdsourcing bridge dynamic monitoring with smartphone vehicle trips | |
CN107515607A (zh) | 用于无人车的控制方法和装置 | |
CN110497905A (zh) | 用于控制车辆的方法和装置 | |
CN112884235B (zh) | 出行推荐方法、出行推荐模型的训练方法、装置 | |
CN107529659A (zh) | 安全带佩戴检测方法、装置及电子设备 | |
CN107257379A (zh) | 用于推送信息的方法和装置 | |
WO2021006870A1 (en) | Vehicular autonomy-level functions | |
Wang et al. | A traffic prediction model based on multiple factors | |
Taherifard et al. | Attention-based event characterization for scarce vehicular sensing data | |
Antar et al. | Recognition of human locomotion on various transportations fusing smartphone sensors | |
Del Ser et al. | Introduction to the special issue on online learning for big-data driven transportation and mobility | |
JP7281436B2 (ja) | 車両事故予測システム、車両事故予測プログラム、及び、学習済みモデル生成システム | |
CN109726615A (zh) | 一种道路边界的识别方法和装置 |
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 |