CN110692093A - 基于运动数据识别驾驶行为的设备和方法 - Google Patents
基于运动数据识别驾驶行为的设备和方法 Download PDFInfo
- Publication number
- CN110692093A CN110692093A CN201780091498.9A CN201780091498A CN110692093A CN 110692093 A CN110692093 A CN 110692093A CN 201780091498 A CN201780091498 A CN 201780091498A CN 110692093 A CN110692093 A CN 110692093A
- Authority
- CN
- China
- Prior art keywords
- motion data
- data
- electronic device
- electrical signal
- vehicle
- 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
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 251
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000006399 behavior Effects 0.000 claims description 200
- 230000001133 acceleration Effects 0.000 claims description 174
- 238000010801 machine learning Methods 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 39
- 238000003860 storage Methods 0.000 claims description 36
- 238000001914 filtration Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 16
- 230000005484 gravity Effects 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000007257 malfunction Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 39
- 230000000875 corresponding effect Effects 0.000 description 37
- 230000008569 process Effects 0.000 description 35
- 230000015654 memory Effects 0.000 description 27
- 238000004458 analytical method Methods 0.000 description 24
- 230000008921 facial expression Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 18
- 238000007781 pre-processing Methods 0.000 description 18
- 230000009471 action Effects 0.000 description 15
- 230000009466 transformation Effects 0.000 description 13
- 230000003287 optical effect Effects 0.000 description 11
- 230000003542 behavioural effect Effects 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000003190 augmentative effect Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 230000000386 athletic effect Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000009429 distress Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000021061 grooming behavior Effects 0.000 description 5
- 230000001939 inductive effect Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000000881 depressing effect Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- -1 gender Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- BQJCRHHNABKAKU-KBQPJGBKSA-N morphine Chemical compound O([C@H]1[C@H](C=C[C@H]23)O)C4=C5[C@@]12CCN(C)[C@@H]3CC5=CC=C4O BQJCRHHNABKAKU-KBQPJGBKSA-N 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000011514 reflex Effects 0.000 description 2
- 239000004984 smart glass Substances 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 description 1
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 241001201614 Prays Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 235000005607 chanvre indien Nutrition 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000011487 hemp Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 229960005181 morphine Drugs 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 201000009032 substance abuse Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
Landscapes
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
提供了用于识别驾驶行为的电子设备和方法。所述电子设备可以执行所述方法以在目标时间点从至少一个传感器获得与所述电子设备相关的第一电信号编码运动数据;运行逻辑电路以确定所述第一电信号编码运动数据是否满足前提条件;以及在所述第一电信号编码运动数据满足所述前提条件时,将与所述目标时间点相关的预定时间段内的第二电信号编码运动数据发送到远程服务器。
Description
技术领域
本申请涉及识别行为的设备和方法,尤其涉及基于运动数据识别驾驶行为的设备和方法。
背景技术
随着互联网技术的发展,在线叫车服务和配送服务等按需服务在人们的日常生活中发挥了重要作用。例如,用于运输的按需运输服务可能被用户(例如乘客)大量使用。通过在线按需服务平台,用户可以通过安装在用户设备(如移动智能电话)上的应用,以按需服务的形式请求按需服务。利用移动智能电话产生的数据,在线按需服务平台可以为运输服务分析驾驶行为。
发明内容
根据本申请的一个方面,提供了一种电子设备。所述电子设备可以包括至少一个传感器;至少一个处理器可读存储介质,其包括用于检测预定驾驶行为的一组指令;以及与所述至少一个处理器可读存储介质通信的至少一个处理器。当执行所述指令时,所述至少一个处理器用于执行以下操作中的至少一个。所述至少一个处理器可以在目标时间点从所述至少一个传感器获得与设备相关的第一电信号编码运动数据。所述至少一个处理器可以运行逻辑电路以确定所述第一电信号编码运动数据是否满足前提条件。当所述第一电信号编码运动数据满足所述前提条件时,所述至少一个处理器可以将与所述目标时间点相关的预定时间段内的第二电信号编码运动数据发送到远程服务器。
根据本申请的另一个方面,提供了一种检测预定驾驶行为的方法。该方法可以包括由电子设备获得在目标时间点与所述电子设备相关的第一电信号编码运动数据;由所述电子设备确定所述第一电信号编码运动数据是否符合前提条件;以及在所述第一电信号编码运动数据满足所述前提条件时,由所述至少一个处理器将与所述目标点相关的预定时间段内的第二电信号编码运动数据发送给远端服务器。
在一些实施例中,所述电子设备可以是包括触摸屏、扬声器、麦克风或天线的移动智能电话,并且所述移动智能电话连接到移动网络并可以拨打电话。
在一些实施例中,所述至少一个传感器可以包括陀螺仪、加速度传感器、全球定位***(GPS)或重力传感器中的至少一个。
在一些实施例中,所述至少一个处理器可以进一步确定电子设备与车辆一起移动。
在一些实施例中,所述第一电信号编码运动数据可以包括线性加速度、角加速度或姿态信息中的至少一个,所述姿态信息包括角色信息、偏航信息或者倾斜信息。
在一些实施例中,所述至少一个传感器可以周期性地生成所述第一电信号编码运动数据,所述电子设备可以周期性地获取所述第一电信号编码运动数据。
在一些实施例中,所述至少一个处理器可以基于机器学习模型,运行所述至少一个处理器中的逻辑电路以从所述第一电信号编码运动数据中滤除不需要的信息。
在一些实施例中,所述不需要的信息是与摇动所述电子设备、将所述电子设备放在所述车辆的底部或所述电子设备的电子故障中的至少一个相关的噪声信息。
在一些实施例中,所述前提条件包括所述线性加速度的阈值、所述线性加速度的持续时间的阈值、所述角加速度的阈值、所述角加速度的持续时间的阈值、在预定时间期间内的加速度方向的改变次数,或一段时间内的姿态改变次数中的至少一个。
在一些实施例中,所述至少一个处理器可以进一步通过变化的发射频率发送与所述目标时间点相关的所述预定时间段内的第二电信号编码运动数据。
在一些实施例中,一旦所述第一电信号编码运动数据满足所述前提条件,所述至少一个处理器可以确定触发时间点,并基于所述触发时间点在所述预定时间段内选择所述第二电信号编码运动数据。
本申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解,本申请的一部分附加特性对于本领域技术人员是显而易见的。本申请的特征可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,各图中相同的标号表示相同的部件,其中:
图1是根据本申请的一些实施例所示的示例性按需服务***的框图;
图2是根据本申请的一些实施例所示的示例性处理器的框图;
图3是根据本申请的一些实施例所示的示例性处理引擎的框图;
图4A是根据本申请的一些实施例所示的处理运动数据的示例性过程的流程图;
图4B是根据本申请的一些实施例所示的处理运动数据的示例性过程的流程图;
图5是根据本申请的一些实施例所示的分析驾驶行为的示例性过程的流程图;
图6是根据本申请的一些实施例所示的设备的示意图;
图7示出了根据本申请的一些实施例的与地球一起旋转的坐标系的示意图;
图8是根据本申请的一些实施例所示的计算设备的示例性硬件和/或软件组件的示意图;以及
图9是根据本申请的一些实施例所示的可用于实现用户终端的移动设备的示例性硬件和/或软件组件的示意图。
具体实施方式
下述描述是为了使本领域普通技术人员能制造和使用本申请,并且该描述是在特定的应用场景及其要求的背景下提供的。对于本领域的普通技术人员来讲,对本申请披露的实施例进行的各种修改是显而易见的,并且本申请定义的普遍原则可以适用于其他实施例和应用场景,而不背离本申请的精神和范围。因此,本申请并不限于所披露的实施例,而应被给予与申请专利范围一致的最宽泛的范围。
本申请所使用的术语仅为了描述特定的示例性实施例,并不限制本申请的范围。如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。应该被理解的是,本申请中所使用的术语“包括”与“包含”仅提示已明确标识的特征、整数、步骤、步、元素、及/或组件,而不排除可以存在和添加其他一个或多个特征、整数、步骤、操作、元素、组件、及/或其组合。
根据以下对附图的描述,本申请所述的和其他的特征、特色,以及相关结构元素的功能和操作方法,以及制造的经济和部件组合更加显而易见,这些都构成说明书的一部分。然而,应当理解,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当理解的是,附图并不是按比例的。
本申请中使用了流程图用于说明根据本申请的实施例的***所执行的操作。应当理解的是,流程图的操作不一定按照顺序来精确地执行。相反,可以按照倒序执行或同时处理各种步骤。同时,也可以将一个或多个其他操作添加到这些流程图中,或从这些流程图移除一个或多个操作。
同时,虽然本申请***和方法的描述主要关于运输服务的分配请求,应该理解的是,这只是一个示例性的实施例。本申请的***或方法还可应用于其他类型的按需服务。例如,本申请的***和方法可以应用于不同环境的运输***,包括陆地、海洋、航空航天等或上述举例的任意组合。所述运输***涉及的车辆可以包括出租车、私家车、顺风车、公交车、火车、动车、高铁、地铁、船舶、飞机、飞船、热气球、无人驾驶的车辆等或上述举例的任意组合。所述运输***也可以包括应用管理和/或分配的任一运输***,例如,发送和/或接收快递的***。本申请的***和方法的应用场景可以包括网页、浏览器插件、客户端、定制***、企业内部分析***、人工智能机器人等或上述举例的任意组合。
在本申请中,术语“乘客”、“请求者”、“服务请求者”和“客户”可以交换使用,是指可以请求或预定服务的个体、实体或工具。同样地,本申请描述的“司机”、“提供者”、“供应者”、“服务提供者”、“服务者”、“服务方”等也是可以互换的,是指提供服务或者协助提供服务的个人、实体或工具等。
在本申请中,术语“服务请求”和“订单”可以交换使用,其表示由乘客、请求者、服务请求者、客户、司机、提供者、服务提供者、供应方等或上述举例的任意组合所发起的请求。所述服务请求可以被乘客、请求者、服务请求者、客户、司机、提供者、服务提供者、供应方中的任一个接受。所述服务请求可以是收费的或免费的。
本申请中的术语“服务提供者终端”和“驾驶者终端”可交换使用,是指由服务提供者用来提供服务或协助提供服务的移动终端。本申请中的术语“服务请求者终端”和“乘客终端”可交换使用,是指由服务请求者用来请求或订购服务的移动终端。
在本申请中使用的定位技术可以包括全球定位***(GPS)、全球导航卫星***(GLONASS)、罗盘导航***(COMPASS)、伽利略定位***、准天顶卫星***(QZSS)、无线保真(WIFI)定位技术等或其任意组合。上述定位技术中的一种或者多种可在本申请中互换使用。
本申请的一方面涉及基于运动数据来识别驾驶行为的在线设备和方法。这些设备和方法收集由移动智能电话和/或车辆数据记录器中的传感器生成的运动数据。传感器可以包括陀螺仪、加速度传感器、全球定位***(GPS)、重力传感器、光传感器、温度传感器、指纹传感器、心率传感器、接近传感器、图像传感器,或者语音传感器。在由传感器产生运动数据之后,移动智能电话和/或车辆数据记录器可以根据前提条件来选择运动数据。例如,如果满足前提条件,则移动智能电话可以选择运动数据并将其发送给远程接收器,例如,服务器。服务器可以使用机器学习训练模型分析运动数据并确定相应的驾驶行为。再例如,如果满足前提条件,车辆数据记录器可以将警报数据发送到远程服务器。服务器可以利用指令(例如,在时间间隔内录制视频、发出警告等)对车辆数据记录器做出响应。驾驶行为可以用于对驾驶员进行排序或由交通管理部门使用。
根据本申请的示例性实施例,汽车数据记录器(具有至少两个传感器)可以收集其运动数据或汽车数据记录器所附属的车辆的运动数据。运动数据可以与驾驶员行为或乘客行为相关,包括但不限于语音有关行为、面部表情、动作行为、装扮行为、礼仪行为等。汽车数据记录器可以确定(自动地)收集的运动数据是否满足前提条件。前提条件可以对应于驾驶员行为或乘客行为。前提条件可以包括规则和定义,规则包括如何确定收集的运动数据满足前提条件的步骤。定义可以包括涉及语音、面部表情、控制工具、语言含义等的关键字(例如,帮助、血液、性别、药物、酒等)的频率。规则和定义可以是本地的或者存储在MIS中。
汽车数据记录器可以将警报数据发送到远程服务器(或MIS的终端)。警报数据可以与收集的运动数据相同或者可以包括对驾驶员行为的描述(作为固定形式)、危险等级(1、2或3;普通、民事或刑事)、驾驶行为的类型(搏斗、骚扰、睡眠)、结果、驾驶员是否需要行为干预,和/或监测驾驶员的对象(例如,服务器110)是否需要报警、协助或管理驾驶员等。
远程服务器可以确定是否触发汽车数据记录器以产生视频、如何产生视频、谁是视频中的主要对象、是否存储视频、是否提交视频等。然后,远程服务器可以向汽车数据记录器发送与所述确定相关的指令。(在一些实施例中,汽车记录器可以直接确定是否生成视频。)汽车数据记录器可以根据来自远程服务器的指令生成视频。视频可以被压缩,然后发送到远程服务器。
远程服务器可以分析运动数据或视频,然后确定驾驶员行为或乘客行为、道路相关条件、车辆相关条件等。该车辆相关条件可以用于生成多个建议给驾驶员。该驾驶行为或乘客行为可以用于产生驾驶员行为模式或乘客行为模式。
应当注意的是,网上按需运输服务,如网上打车,是深深植根于后互联网时代的新兴服务。它为乘客和司机提供了只能在后互联网时代才能出现的技术解决方案。在互联网之前的时代,当乘客呼叫出租车时,乘客可能不知道到达目的地或地点的预计时间。如果乘客通过电话呼叫出租车,服务提供者(例如,司机、出租车公司、邮局、快递公司或代理等)可能难以为乘客估计到达目的地的时间。然而,在线按需运输***可以确定与驾驶行为(例如,攻击性加速、攻击性制动或攻击性转向)相关的运动数据。当满足前提条件时,在线按需交通***可以在时间间隔内选择运动数据。所选择的运动数据可以被发送到远程服务器,其中所选择的运动数据可以被过滤(例如,滤除不需要的信息)。过滤后的运动数据可以进一步用于生成特征数据。机器学***台,这在传统的前互联网运输服务***中可能永远不会遇到。
图1是根据本申请的一些实施例所示的按需服务***100的框图。例如,按需服务***100可用于运输服务的在线运输服务平台。按需服务***100可以包括服务器110、网络120、服务请求者终端130、服务提供者终端140、车辆150、数据库160和导航***170。
按需服务***100可以提供多个服务。示例***可以包括出租车叫车服务、专车服务、快车服务、拼车服务、巴士服务、司机雇佣服务、班车服务等,或其任意组合。在一些实施例中,按需服务可以是任何在线服务,例如订餐、购物等,或其任意组合。在一些实施例中,按需服务***100可以是管理信息***(MIS)。MIS可以包括至少一个服务器(例如服务器110)、至少一个终端(例如,车辆150、服务请求者终端130、服务提供者终端140等)、至少一个传感器或设备(例如,车辆数据记录器、移动智能电话、车载诊断***(OBD)、高级驾驶员辅助***(ADAS)、激光雷达等)等,或其任意组合。
在一些实施例中,服务器110可以是单个的服务器或者服务器群。所述服务器群可以是集中式的或分布式的(例如服务器110可以是一分布式***)。在一些实施例中,服务器110可以是本地的或远程的。例如,服务器110可以通过网络120访问存储在服务请求者终端130、服务提供者终端140和/或数据库160中的信息和/或数据。再例如,服务器110可以直接连接到服务请求者终端130、服务提供者终端140和/或数据库160以访问存储的信息和/或数据。在一些实施例中,服务器110可以在云端平台上实现。仅仅作为示例,所述云平台可以包括私有云、公共云、混合云、小区云、分布云、跨云、多云等或上述举例的任意组合。在一些实施例中,服务器110可以在本申请图8中的具有至少一个组件的计算设备800上实现。
在一些实施例中,服务器110可以包括处理引擎112。处理引擎112可以处理与服务请求相关的信息和/或数据以执行本申请中描述的至少一个功能。例如,处理引擎112可以响应于从服务请求者终端130接收到的服务请求来确定至少一个候选服务提供者终端。在一些实施例中,处理引擎112可以包括至少一个处理引擎(例如,单核处理引擎或多核处理器)。仅仅作为示例,处理引擎112可以包括中央处理器(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可程序门阵列(FPGA)、可编辑逻辑装置(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等,或上述举例的任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中,按需服务***100中的至少一个组件(例如,服务器110、服务请求者终端130、服务提供者终端140、车辆150、数据库160和导航***170)可以通过网络120向按需服务***100中的其他组件发送信息和/或数据。例如,服务器110可以通过网络120从服务请求者终端130接收服务请求。在一些实施例中,网络120可以是任何类型的有线或无线网络,或其组合。仅仅作为示例,网络120可以包括电缆网络、有线网络、光纤网络、远程通信网络、内部网络、因特网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网络(MAN)、公共交换电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等,或上述举例的任意组合。在一些实施例中,网络120可以包括至少一个网络交换点。例如,网络120可能包括有线或无线网络交换点,如基站和/或互联网交换点120-1、120-2,……,通过交换点,按需服务***100的至少一个组件可以连接到网络120以交换数据和/或信息。
在一些实施例中,乘客可以是服务请求者终端130的所有者。在一些实施例中,服务请求者终端130的使用者可以是乘客以外的人。例如,服务请求者终端130的所有者A可以使用服务请求者终端130为乘客B发送服务请求,或者接收来自服务器110的服务确认和/或信息或指令。在一些实施例中,服务提供者可以是服务提供者终端140的用户。在一些实施例中,服务提供者终端140的用户可以是除服务提供者之外的其他人。例如,服务提供者终端140的用户C可以使用服务提供者终端140为服务提供者D接收服务请求,和/或来自服务器110的信息或指令。在一些实施例中,“乘客”和“乘客终端”可以交换使用,并且“服务提供者”和“服务提供者终端”可以交换使用。在一些实施例中,服务提供者终端可以与至少一个服务提供者(例如,夜班服务提供者或白天服务提供者)相关。
在一些实施例中,请求者终端130可以包括移动装置130-1,平板计算机130-2,膝上型计算机130-3、车辆内建装置130-4等,或上述举例的任意组合。在一些实施例中,移动装置130-1可以包括智能家居装置、可穿戴装置、行动装置、虚拟现实装置、增强实境装置等,或上述举例的任意组合。在一些实施例中,智能家居装置可以包括智能照明装置、智能电器的控制装置、智能监测装置、智能电视、智能摄影机、对讲机等,或上述举例的任意组合。在一些实施例中,可穿戴装置可以包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰等,或上述举例的任意组合。在一些实施例中,移动装置可以包括移动电话、个人数字助理(PDA)、游戏装置、导航装置、POS装置等,或上述举例的任意组合。在一些实施例中,虚拟现实装置和/或增强实境装置可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强实境头盔、增强实境眼镜、增强实境眼罩等,或上述举例的任意组合。例如,虚拟现实装置和/或增强实境装置可以包括GoogleTM Glass、Oculus Rift、HoloLens、Gear VR等。在一些实施例中,车辆内建装置130-4可以包括车载电脑、车载电视等。在一些实施例中,服务请求者终端130可以是具有用于定位乘客和/或服务请求者终端130的位置的定位技术的设备。
服务提供者终端140可以包括多个服务提供者终端140-1、140-2,……,140-n。在一些实施例中,服务提供者终端140可以是与服务请求者终端130类似或相同的设备。在一些实施例中,服务提供者终端140可以被定制为能够实现在线按需运输服务。在一些实施例中,服务提供者终端140可以是具有用于定位服务提供者、服务提供者终端140和/或与服务提供者终端140相关的车辆150的定位技术的设备。在一些实施例中,服务请求者终端130和/或服务提供者终端140可以与其他定位设备进行通信以确定乘客、服务请求者终端130、服务提供者和/或服务提供者终端140的位置。在一些实施例中,服务请求者终端130和/或服务提供者终端140可以周期性地将定位信息发送到服务器110。在一些实施例中,服务提供者终端140还可以周期性地将可用性状态发送到服务器110。可用性状态可以是指与服务提供者终端140相关的车辆150是否可用于载客。例如,服务请求者终端130和/或服务提供者终端140可以每三十分钟向服务器110发送定位信息和可用性状态。又例如,服务请求者终端130和/或服务提供者终端140可以在每当用户登录与在线按需运输服务相关的移动应用时将定位信息和可用性状态发送到服务器110。
在一些实施例中,服务提供者终端140可以对应于至少一个车辆150。车辆150可以携带乘客并前往目的地。车辆150可以包括多个车辆150-1、150-2,……,150-n。一辆车可以对应于一种类型的服务(例如,出租车叫车服务、专车服务、快车服务、拼车服务、公共汽车服务、司机雇佣服务和班车服务)。在一些实施例中,车辆150可以与若干设备(例如,车辆数据记录器、移动智能电话、车载诊断***(OBD)、高级驾驶员辅助***(ADAS))相关,所述设备可以存储、处理、分析和/或传输由车辆150产生的运动数据。
数据库160可以存储数据和/或指令。在一些实施例中,数据库160可以存储从服务请求者终端130和/或服务提供者终端140获得的数据。在一些实施例中,数据库160可以存储服务器110可以执行或用于执行本申请中描述的示例性过程的数据和/或指令。在一些实施例中,数据库160可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等,或上述举例的任意组合。示例性大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括快闪驱动器、软盘、光盘、记忆卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性随机存取存取器可以包括动态随机存取存储器(DRAM)、双倍速率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存取器(SRAM)、晶闸管随机存取存取器(T-RAM)、零电容随机存取存取器(Z-RAM)等。示例性只读存储器可以包括光罩式只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电子可擦除可编程只读存储器(EEPROM)、压缩盘只读存储器(CD-ROM)、数字通用磁盘只读存储器等。在一些实施例中,数据库150可以在云平台上实现。仅仅作为示例,所述云平台可以包括私有云、公共云、混合云、小区云、分布云、跨云、多云等,或上述举例的任意组合。
在一些实施例中,数据库160可以与网络120连接以与按需服务***100的至少一个组件(例如,服务器110、服务请求者终端130、服务提供者终端140等)通信。按需服务***100中的至少一个组件可以通过网络120访问存储在数据库160中的数据或指令。在一些实施例中,数据库160可以直接与按需服务***100中的至少一个组件(例如,服务器110、服务请求者终端130、服务提供者终端140等)连接或通信。在一些实施例中,数据库160可以是服务器110的一部分。
导航***170可以确定与对象(例如,服务请求者终端130、服务提供者终端140、交通工具150等中的至少一个)相关的信息。在一些实施例中,导航***170可以是全球定位***(GPS)、全球导航卫星***(GLONASS)、指南针导航***(COMPASS)、北斗导航卫星***、伽利略定位***、准天顶卫星***(QZSS)等。信息可以包括位置、海拔、速度或加速度,或当前时间。导航***170可以包括至少一个卫星,例如卫星170-1、卫星170-2和卫星170-3。卫星170-1至170-3可以单独地或共同地确定上述信息。卫星导航***170可以通过无线连接将上述信息发送到网络120、服务请求者终端130、服务提供者终端140或车辆150。
在一些实施例中,按需服务***100中的至少一个组件(例如,服务器110、服务请求者终端130、服务提供者终端140等)可以具有访问数据库160的许可。在一些实施例中,当满足至少一个条件时,按需服务***100中的至少一个组件可以读取和/或修改与乘客、服务提供者和/或公众相关的信息。例如,服务器110可以在服务完成之后读取和/或修改至少一个乘客的信息。再例如,服务器110可以在服务完成之后读取和/或修改至少一个服务提供者的信息。
在一些实施例中,按需服务***100的至少一个组件的信息交换可以通过请求服务的方式实现。服务请求的对象可以是任何产品。在一些实施例中,产品可以是有形产品或无形产品。有形产品可以包括食品、医药、商品、化学产品、电器、衣物、小汽车、房屋、奢侈品等,或上述举例的任意组合。无形产品可以包括服务产品、金融产品、知识产品、互联网产品等,或上述举例的任意组合。互联网产品可以包括个人主机产品、网站产品、移动互联网产品、商业主机产品、嵌入式产品等,或上述举例的任意组合。移动互联网产品可以用于移动终端的软件、程序、***等,或上述举例的任意组合。移动终端可以包括平板计算机、膝上型计算机、移动电话、个人数字助理(PDA)、智能手表、POS装置、车载计算机、车载电视、可穿戴装置等,或其任意组合。例如,产品可以是用于计算机或移动电话中的任一软件及/或应用程序。软件和/或应用程序可以与社交、购物、交通、娱乐、学习、投资等或上述举例的任意组合相关。在一些实施例中,与运输相关的软件和/或应用程序可以包括出行软件和/或应用程序、交通工具调度软件和/或应用程序、地图软件和/或应用程序等。在交通工具调度软件和/或应用程序中,交通工具可以包括马、马车、人力车(例如,手推车、自行车、三轮车等)、汽车(例如,出租车、公共汽车、私家车等)、火车、地铁、船舶、航空器(例如,飞机、直升飞机、航天飞机、火箭、热气球等)等,或上述举例的任意组合。
本领域的普通技术人员将理解,当按需服务***100的元件(例如,服务器、终端等)执行时,该元件可以通过电子信号和/或电磁信号执行。例如,当服务请求者终端130处理诸如做出确定、识别或选择对象等任务时,请求者终端130可以运行其处理器中的逻辑电路或处理电路来处理这样的任务。当服务请求者终端130向服务器110发出服务请求时,服务请求者终端130的处理器可以生成电子信号编码该请求。服务请求者终端130的处理器然后可以将电子信号发送到输出端口。如果服务请求者终端130通过有线网络与服务器110通信,则输出端口可以物理地连接到电缆,电缆进一步将电子信号传输到服务器110的输入端口。如果服务请求者终端130通过无线网络与服务器110通信,则服务请求者终端130的输出端口可以是将电子信号变换为电磁信号的天线。类似地,服务提供者终端140可以通过运行其处理器中的逻辑电路或处理电路来处理任务,并且通过电子信号或电磁信号从服务器110接收指令和/或服务请求。在诸如服务请求者终端130、服务提供者终端140和/或服务器110的电子设备内,当其处理器处理指令、发出指令和/或执行动作时,指令和/或动作通过电子信号进行。例如,当处理器从存储介质中检索或保存数据时,处理器可以向存储介质的读/写设备发送电子信号,存储介质可以读取或写入存储介质中的结构化数据。结构化数据可以通过电子设备的总线以电子信号的形式传输到处理器。这里,电子信号可以指一组电子信号、一系列电子信号和/或多个离散电子信号。
图2是根据本申请的一些实施例所示的处理器的框图。如图2所示,处理器200可以包括确定模块210,获取模块220,前提条件模块230和输入/输出模块240。在一些实施例中,处理器200可以由至少一个计算设备和/或至少一个移动设备来实现和执行,例如由至少一个计算设备和/或移动设备的至少一个处理器来执行。示例性计算设备的细节在图8中描述,示例性移动设备的细节在图9中描述。在一些实施例中,处理器200可以在设备(例如,移动智能电话)中运行。每个模块可以是被设计为执行以下动作的硬件电路,存储在至少一个存储介质中的一组指令,和/或硬件电路和至少一个存储介质的任意组合。
确定模块210可以用于确定设备与车辆一起移动。如果驾驶员正在按照路线或订单移动的车辆中使用该设备,则该设备可以被确定为与车辆一起移动。在一些实施例中,设备可以是移动智能电话、个人数字助理(PDA)、平板电脑、掌上电脑、计算机(车载计算机)、便携式游戏站(PSP)、智能眼镜、智能手表、可穿戴设备、虚拟显示设备、显示增强设备(例如,GoogleTM Glass,Oculus Rift,HoloLens,Gear VR等)。该移动智能电话可以包括触摸屏、扬声器、麦克风、天线等,或其任意组合。移动智能电话可以连接到移动网络并拨打电话。在一些实施例中,移动智能电话可以包括至少一个传感器。所述至少一个传感器可以包括陀螺仪、加速度传感器、全球定位***(GPS)、重力传感器、光传感器、温度传感器、指纹传感器、心率传感器、接近传感器等,或其任意组合。
与设备一起移动的车辆可以包括私家车、出租车、网络汽车、自动车辆、电动车、摩托车、公共汽车、火车、挂车、动车、高铁、地铁、船舶、飞机、宇宙飞船、热气球、无人驾驶车辆等,或其任意组合。在一些实施例中,该设备可与车辆一起移动,并检测车辆的移动。例如,车辆的驾驶员在驾驶时可以携带移动智能电话,并且具有至少一个传感器的设备可以检测车辆的移动。作为再例如,移动智能电话可以运行用于拼车的应用程序,并且由服务提供者(例如,驾驶员)使用的移动智能电话可以固定在车辆中用于拼车。又例如,如果乘客在出租车中使用移动智能电话,则移动智能电话可以与出租车一起移动,并记录与出租车相关的数据。
获取模块220可以用于获取与设备相关的运动数据。在一些实施例中,运动数据可以由获取模块220编码成第一电信号。在一些实施例中,获取模块220可以从设备的至少一个传感器获得运动数据。至少一个传感器可以包括陀螺仪、加速度传感器、全球定位***(GPS)、重力传感器、光传感器、温度传感器、指纹传感器、心率传感器、接近传感器、图像传感器、语音传感器、声波检测器等,或其任意组合。陀螺仪可以是角速度传感器,其在设备旋转或倾斜时测量旋转角速度。加速度传感器可以是电容型加速度传感器、电感型加速度传感器、应变型加速度传感器、压电电阻型加速度传感器、压电型加速度传感器等,或其任意组合。GPS可以包括能够与移动网络或网络120通信的车载GPS。车载GPS可以确定定位车辆和/或在车辆中移动的设备的运动数据。重力传感器可以包括可引起形变诱导的电子信号的弹性敏感元件。在一些实施例中,重力传感器可以具有与加速度传感器相同的功能。因此,运动数据可以包括电子设备(例如,安装有应用程序以运行本申请中介绍的过程的移动智能电话和/或车辆数据记录器,或携带移动智能电话的车辆)的信息,例如位置、速度、加速度和姿态(例如,偏航、角色、倾斜移动/加速)等,或其任意组合。
在一些实施例中,运动数据可以对应于驾驶行为或车辆状态。例如,驾驶行为可以是攻击性驾驶行为(例如,攻击性加速度(例如,突然加速)、攻击性制动(例如,紧急制动活动)、攻击性转向(例如急转向))、声音相关行为、面部表情、动作行为、装扮行为、礼仪行为等,或其任意组合。攻击性加速可能是由于驾驶员不断地和/或猛烈地踩踏油门踏板造成的。攻击性制动可能是由于驾驶员连续或猛烈地踩踏制动器而导致的。攻击性转向可能是由驾驶员突然转动方向盘引起的。攻击性转向可能包括攻击性右转、攻击性左转和/或攻击性掉头。例如,攻击性右转可以是通过连续地沿顺时针方向转动方向盘实现的。再例如,攻击性左转可以是通过猛烈地沿逆时针方向转动方向盘造成的。在一些实施例中,驾驶员可以通过遥控器(例如,使用远程位置中的虚拟操纵)来实施驾驶行为。声音相关行为、面部表情、动作行为、装扮行为和礼仪行为可以在本申请中的其他地方被描述。例如参见图4B及其描述。
在一些实施例中,运动数据可以包括陀螺仪数据、加速度传感器数据、GPS数据、重力传感器数据、光传感器数据、温度传感器数据、指纹传感器数据、心率传感器数据、接近传感器数据、角加速度数据、图像数据、语音数据等,或其任意组合。运动数据的类型可以对应于移动智能电话中的传感器。例如,移动智能电话中的加速度传感器可以生成或记录加速度传感器数据。
在一些实施例中,由不同传感器产生的运动数据可被集成或分解以描述特定的驾驶行为。例如,对应于驾驶员的攻击性加速度的加速度传感器数据、GPS数据和重力传感器数据可以被记录和整合。
在一些实施例中,运动数据可以对应于驾驶行为、车辆状态或道路状况。例如,如果在车辆前方发生突然的道路事故,则驾驶员可能表现出攻击性制动,且加速度传感器在其攻击性制动时,在输出信号和/或数据中产生尖峰。在一些实施例中,驾驶行为可以进一步包括非驾驶相关行为(即由驾驶相关活动之外的行为引起的动作),例如移动智能电话的用户在路线中摇动移动智能电话。因此,来自设备的传感器的输出信号和/或数据还可以包括对应于非驾驶相关行为的部件。在一些实施例中,设备可以区分对应于非驾驶相关行为的运动数据。例如,如果驾驶员由于某种原因而摇动移动智能电话,通过分析运动数据的特征(例如,持续时间),移动智能电话或移动智能电话中运行的打车车应用软件可以将摇动与驾驶行为区分开来。
前提条件模块230可以用于运行模块或处理器中的其他模块中的逻辑电路以确定第一电编码运动数据是否满足前提条件。前提条件可用于激活数据传输,即传感器或设备是否开始传输或记录运动数据(或警报数据)。前提条件可以由用户预先确定或默认设置的。在一些实施例中,前提条件可以包括线性加速度的阈值、线性加速度的持续时间的阈值、角加速度的阈值、角加速度的持续时间的阈值、在预定时间期间Δt内的加速度方向的改变次数、一段时间内的姿态改变次数、关键词的频率、面部表情模式、控制工具、声音的含义、用户(例如,驾驶员)的运动速度、驾驶员和乘客的距离等,或其任意组合。线性加速度可以被确定为加速度传感器数据,其可以在具有X坐标轴、Y坐标轴和Z坐标轴的三维坐标系中被分解。例如,线性加速度可以包括X线性加速度、Y线性加速度或Z线性加速度。线性加速度的阈值可以包括X线性加速度的阈值、Y线性加速度的阈值、Z线性加速度的阈值等,或其组合。在一些实施例中,前提条件可以包括至少一个子前提条件,例如第一子前提条件和第二子前提条件。仅作为示例,线性加速度的阈值、线性加速度的持续时间的阈值、角加速度的阈值或角加速度的持续时间的阈值可以小于第二子前提条件。关键词的频率、面部表情模式、控制工具、声音的含义、用户(例如,驾驶员)的运动速度以及驾驶员和乘客的距离可以在本申请的其他地方进行描述。例如参见图4B及其描述。
输入/输出模块240可以用于在满足前提条件的时间(以下称为“目标时间点”)的预定时间段内收集运动数据,然后将收集的运动数据和/或警报数据发送到远程服务器。在一些实施例中,由输入/输出模块240发送的运动数据和/或警报数据可以被编码为第二电信号。在一些实施例中,运动数据可以由设备(例如,移动智能电话)或车载无线发射设备发送。
在一些实施例中,预定时间段可以用于收集或发送运动数据。预定时间段可以由用户(例如,驾驶员)改变或是默认设置的。预定时间段可以包括开始时间点A和结束时间点B(以下称为“tA”和“tB”)。在一些实施例中,预定时间段的长度可以对应于驾驶行为。例如,如果驾驶行为符合第一子前提条件,则预定时间段的长度可能较短(例如0.5秒、1秒、1.5秒等)。再例如,如果驾驶行为触发第二子前提条件(例如,线性加速度的阈值),则预定时间段的长度可以较长(例如,3秒、4秒、5秒等)。
在一些实施例中,可以基于目标时间点来确定预定时间段。在一些实施例中,目标时间点可以是当运动数据满足前提条件时的触发时间点。在一些实施例中,目标时间点可以与tA一致。目标时间点也可以是tA与tB之间的时间点,或与tB一致等。从tA到目标时间点的长度和/或从目标时间点到tB的长度可以由用户确定或由***默认设置。例如,tA和tB可以分别是目标时间点之前1秒和目标时间点之后3秒。因此,如果满足前提条件并且确定了目标时间点,输入/输出模块240可以从目标时间点之前1秒到目标时间点之后3秒选择运动数据。
处理器中的确定模块210、获取模块220、前提条件模块230和输入/输出模块240可以通过有线连接或无线连接彼此连接或通信。有线连接可以包括金属电缆、光缆、混合电缆等,或其任意组合。无线连接可以包括局域网(LAN)、广域网(WAN)、蓝牙、ZigBee、近场通信(NFC)等,或其任意组合。在一些实施例中,任何两个模块可以被组合为单个模块,以及任何一个模块可以被分成两个或更多单元。
图3是根据本申请的一些实施例所示的示例性处理引擎的框图。如图3所示,处理引擎112可以包括数据获取模块310、数据预处理模块320、特征生成模块330、行为分析模块340和终端控制模块350。
在一些实施例中,处理引擎112可以由至少一个计算设备和/或至少一个移动设备(例如,图8所示的计算设备800中的中央处理器820,图9所示的移动设备900中的中央处理器940,或按需服务***100中的任何组件)实现。每个模块可以是被设计为执行以下动作的硬件电路,存储在至少一个存储介质中的指令,和/或硬件电路和至少一个存储介质的任意组合。
数据获取模块310可以用于获取运动数据和/或警报数据。在一些实施例中,运动数据和/或警报数据可以由处理引擎112编码为第二电信号。在一些实施例中,可以从安装在设备或车辆中的输入/输出模块240接收运动数据和/或警报数据。在一些实施例中,运动数据可以包括陀螺仪数据、加速度传感器数据、GPS数据、重力传感器数据、光传感器数据、温度传感器数据、指纹传感器数据、心率传感器数据、接近传感器数据等,或其任意组合。在一些实施例中,警报数据可以与收集的运动数据相同。在一些实施例中,警报数据可以包括驾驶员行为的描述、危险程度、驾驶员行为的类型、结果、驾驶员是否需要行为干预,***或监测驾驶员的对象(例如,服务器110)是否需要报警来管理驾驶员等,或其任意组合。
数据预处理模块320可以用于基于过滤模型预处理运动数据。在一些实施例中,运动数据可以被编码成第二电信号。数据预处理模块320可以从编码运动数据中滤除不需要的信息。不需要的信息可以是由诸如摇动移动智能电话、将移动智能电话放在车辆的底部或移动智能电话的电子故障等非驾驶相关行为产生的噪声信息。不需要的信息可以区别于可用于分析驾驶行为的信息。在一些实施例中,可以通过确定移动智能电话的移动特征来滤除不需要的信息。在一些实施例中,可以根据加速度传感器数据来滤除不需要的信息。例如,如果驾驶员摇动移动智能电话,则移动智能电话可以在三维坐标中生成加速度传感器数据,数据预处理模块320可以分析加速度传感器数据以便获得水平面(例如Ox-y)内的加速度传感器数据。如果水平面内的加速度传感器数据以高于参考频率的频率变化,则加速度传感器数据可以被确定为摇动移动智能电话的运动数据,并且该加速度传感器数据可以被数据预处理模块320过滤掉。在一些实施例中,可以通过检测至少一个应用程序来过滤掉不需要的信息。例如,如果移动智能电话检测到在时间间隔内运行的应用程序(例如,移动游戏),则时间间隔内的运动数据可以被确定为不需要的信息,并且该不需要的信息可以通过数据预处理模块320过滤掉。
在一些实施例中,数据预处理模块320可以通过使用过滤模型来过滤不需要的信息。过滤模型可以包括决策树、关联规则、人工神经网络、深度学习、归纳逻辑编程、支持向量机、聚类、贝叶斯网络、强化学习、表示学习、相似性度量学习、稀疏字典学习、遗传算法、基于规则的机器学习等,或其任意组合。例如,数据预处理模块320可以使用支持向量机来确定不需要的信息。支持向量机可以基于运动数据离线训练以识别不需要的信息。
在一些实施例中,可以在远程服务器中离线训练过滤模型,并将其发送到电子设备,存储设备等,或其任意组合。电子设备可以是可以运行用于拼车的应用程序(App)并且可以具有用于存储与过滤模型相关的指令的智能存储设备(例如,SD卡)的移动智能电话。用于存储过滤模型的存储设备可以包括大容量存储设备(例如,磁盘、光盘或固态驱动器)、可移动存储设备(例如闪存驱动器、软盘、光盘、内储卡、压缩磁盘或磁带)、易失性读写存储器、只读存储器(ROM)等,或其任意组合。在一些实施例中,过滤模型可以被存储在可以与设备或车辆实时通信的云服务器中。例如,可以通过在线使用过滤模型分析运动数据过滤掉不需要的信息。
特征生成模块330可以用于基于过滤的运动数据生成特征数据。特征数据可以用于训练机器学习训练模型。在一些实施例中,特征数据可以包括矢量、行列式、矩阵等,或其任意组合。
行为分析模块340可以用于基于机器学***可能高于第二驾驶员的服务水平。在一些实施例中,行为评估可以包括统计数据、对应于每条路线的驾驶分数或者危险行为的次数。统计数据可以包括攻击性加速的次数、攻击性制动的次数、攻击性转向的次数等,或其任意组合。驾驶分数可以表示为数字、百分比、文本、级别等,或其任意组合。在一些实施例中,危险行为的次数可以用于提醒危险驾驶的驾驶员。
在一些实施例中,机器学***台(例如,在线拼车服务平台或在线自行车共享服务平台)可以通过使用机器学习训练的模型来记录用于用户排名的用户行为数据以过滤不需要的信息。又例如,按需服务***100可以使用道路相关条件,或车辆相关数据来生成至少两个建议(例如,向驾驶员提供安全驾驶的建议,或向交通管理局提供设计新的道路的建议等)。
在一些实施例中,可以在线或离线更新机器学习训练模型。在机器学习训练模型被训练之后,机器学习训练模型可以通过使用实时或在周期性时间间隔内(例如,每天或每周)获得的运动数据进一步被更新。在一些实施例中,机器学习训练模型可以被更新为对应于不同类型的不需要的信息的机器学习训练子模型中的至少一个。例如,可以使用第一子模型来区分与车辆相关的不需要的信息,以及可以使用第二子模型来区分与移动智能电话相关的不需要的信息。
终端控制模块350可以用于控制MIS终端或车辆数据记录器。在一些实施例中,终端控制模块350可以从车辆数据记录器或MIS终端接收警报数据。警报数据可用于提醒远程服务器或MIS终端。
在一些实施例中,在获得警报数据之后,终端控制模块350可以分析警报数据并向车辆数据记录器或MIS终端发送指令。由终端控制模块350发送的指令可以包括是否触发车辆数据记录器产生视频、如何产生视频、谁是视频中的主要对象、是否存储视频、是否提交视频、监视驾驶员的对象(例如,服务器110)是否需要报警等,或其任意组合。由终端控制模块350发送的指令可以在图4B中详细说明。
处理引擎112中的数据获取模块310、数据预处理模块320、特征生成模块330和行为分析模块340可以通过有线连接或无线连接彼此连接或通信。有线连接可以包括金属电缆、光缆、混合电缆等,或其任意组合。无线连接可以包括局域网络(LAN)、广域网络(WAN)、蓝牙、ZigBee网络、近场通讯(NFC)等,或上述举例的任意组合。任何两个模块可以合并为单个模块,以及任何一个模块可以拆分为两个或两个以上单元。
图4A是根据本申请的一些实施例所示的处理运动数据的示例性过程的流程图。如图4A所示,用于处理运动数据的过程410可以包括确定与车辆一起移动的设备,获得第一电信号编码运动数据,确定第一电信号编码运动数据是否满足前提条件,以及将第二电信号编码运动数据发送到远程服务器。
在步骤411中,确定模块210可以确定设备与车辆一起移动。步骤411可以由电子设备(例如,处理器200、计算设备800中的中央处理器820、移动设备900中的中央处理器940、设备(例如,移动智能电话),或按需服务***100中的任何组件)来实现。
车辆可以包括私家车、出租车、网络汽车、自动车辆、电动车、摩托车、公共汽车、火车、挂车、动车、高铁、地铁、船舶、飞机、太空船、热气球、无人驾驶车辆等,或其任意组合。在一些实施例中,该设备可与车辆一起移动,并检测车辆的移动。例如,车辆的驾驶员在驾驶时可以携带移动智能电话,并且具有至少一个传感器的设备可以检测车辆的移动。再例如,移动智能电话可以运行用于拼车的应用程序,并且由服务提供者(例如,驾驶员)使用的移动智能电话可以固定在车辆中用于拼车。又例如,如果乘客在车辆中使用移动智能电话,则移动智能电话可以与车辆一起移动。
在步骤412中,获取模块220可以在目标时间点从至少一个传感器获得与该设备相关的运动数据。在一些实施例中,运动数据可以由获取模块220编码为第一电信号。在一些实施例中,驾驶员可以通过遥控器(例如,使用远程位置中的虚拟操纵)来实施驾驶行为。
运动数据可以包括陀螺仪数据、加速度传感器数据、GPS数据、重力传感器数据、光传感器数据、温度传感器数据、指纹传感器数据、心率传感器数据、接近传感器数据、角加速度数据声音数据等,或其任意组合。在一些实施例中,运动数据可以对应于驾驶行为、车辆状态或道路状况。例如,如果在车辆前方突然发生道路事故,则驾驶员可能表现出攻击性制动,且加速度传感器可能检测到该攻击性制动。因此,来自加速度传感器的输出电子信号和/或数据可能在攻击性制动时显示尖峰。处理器200可以收集来自传感器的输出运动数据并将相应的传感器数据保存在存储介质(例如,电子设备的缓存和/或硬盘)中。例如,处理器200可以连续收集由传感器输出的输出电子信号并将其从当前时间之前的第一预定时间段更新到当前时间之后的第二预定时间段。
在一些实施例中,由不同传感器产生的运动数据可以被集成以描述特定的驾驶行为。例如,与驾驶员的攻击性加速度相对应的加速度传感器数据、GPS数据和重力传感器数据可以被记录和整合。在一些实施例中,驾驶行为还可以包括非驾驶相关行为,例如,在路线中摇动移动智能电话,并且非驾驶相关行为还可以生成相应的运动数据。在一些实施例中,对应于非驾驶相关行为的运动数据可以由设备来区分。例如,如果驾驶员摇动移动智能电话,通过分析运动数据的特征(例如,持续时间和/或加速度特征),移动智能电话或在移动智能电话中运行的打车应用程序可以将摇动与驾驶行为(例如,攻击性转向)区分开来。
在一些实施例中,运动数据可以对应于驾驶行为或车辆状态。例如,驾驶行为可以是预定驾驶行为。预定驾驶行为可以包括攻击性驾驶行为,例如,攻击性加速(例如,突然加速)、攻击性制动(例如,突然和猛烈的制动动作)、攻击性转向(例如,突然转向)等,或其任意组合。攻击性加速可能是由于驾驶员不断地和/或猛烈地踩踏油门踏板造成的。攻击性制动可能是由连续和/或猛烈地踩制动引起的。攻击性转向可能是由于方向盘突然转向造成的。攻击性转向可能包括攻击性右转、攻击性左转和攻击性掉头。例如,攻击性右转可以通过连续地沿顺时针方向转动方向盘来实现。再例如,攻击性左转可能是通过猛烈地沿逆时针方向转动方向盘造成的。
在一些实施例中,驾驶行为可以对应于车辆状态,车辆状态可以包括轮胎爆胎、线路故障、发动机故障、空罐、突然缺乏电力、制动故障、油门故障等,或其任意组合的。例如,攻击性右转可以对应于由路面高温引起的轮胎爆胎。
在一些实施例中,驾驶行为可以与道路状况相关,道路状况包括突然的红色交通灯、交通拥堵、突然冲出的人、突然的道路交通事故、崎岖不平的道路、蜿蜒的道路等,或者其任意组合。例如,攻击性制动可以对应于高峰时段的交通堵塞。又例如,如果驾驶员在蜿蜒的道路上沿着山腰到达山峰,则驾驶员可以连续地表现出攻击性转向。
在一些实施例中,获取模块220可以通过分析与驾驶员行为相关的运动数据来确定目标时间点。例如,如果驾驶员在下午5点做出攻击性转向,获取模块220可以将下午5点确定为目标时间点。在一些实施例中,获取模块220可以将目标时间点确定为检测到攻击性驾驶行为时的同一时间或基本相同的时间。例如,对于速度限制为每小时70公里,当获取模块220在凌晨5点获得高达每小时85公里的速度数据时,获取模块220可以将目标时间点确定为凌晨5点(或上午4:59),这可以更准确地记录驾驶行为。在一些实施例中,运动数据可以包括至少一个时间标签,其可以记录每个运动数据项的对应时间,并且可以通过分析与特定的运动数据相对应的时间标签来确定目标时间点。在一些实施例中,处理器200的获取模块220可以在包括周期或频率的周期性时间间隔(例如,每100毫秒)内收集并生成运动数据。
在步骤413中,前提条件模块230可以运行逻辑电路来确定第一电信号编码运动数据是否满足前提条件。前提条件可以用于确定处理器200是否应该收集运动数据和将收集的运动数据发送给远程接收设备。
前提条件可以由用户预先确定或由***默认设置。在一些实施例中,前提条件可以包括线性加速度的阈值、线性加速度的持续时间的阈值、角加速度的阈值、角加速度的持续时间的阈值、在预定时间期间Δt内的加速度方向的改变次数、或在一段时间内的姿态的改变次数。预定时间期间Δt可以是由用户设置或默认设置的值(例如,1毫秒、10毫秒、100毫秒、1秒、10秒等)。处理器200可以通过解码来自线性加速度传感器收集的电信号的数据来确定线性加速度。例如,处理器200可以将数据分解成三维坐标(X坐标轴、Y坐标轴和Z坐标轴)中的分量,即处理器200可以将线性加速度分解为X线性加速度、Y线性加速度或Z线性加速度。因此,线性加速度的阈值可以包括X线性加速度的阈值、Y线性加速度的阈值或Z线性加速度的阈值。在一些实施例中,线性加速度的阈值可以包括值、范围、函数等,或其任意组合。例如,线性加速度的阈值可以被设置为10m/s2。因此,大于10m/s2的加速度传感器数据可以满足前提条件。在一些实施例中,线性加速度的持续时间的阈值可以是从加速度大于0或预定值的时间开始的持续时间。线性加速度的持续时间的阈值可以包括1秒、5秒、30秒、1分钟、3分钟或当车辆处于加速状态时的任何持续时间。例如,如果线性加速度的持续时间的阈值是5秒,那么大于0且持续8秒的X线性加速度可以满足前提条件。角加速度可以被确定为呈现为顺时针角加速度和逆时针角加速度的角加速度传感器数据。在一些实施例中,角加速度的阈值可以包括顺时针角加速度的阈值和逆时针角加速度的阈值。例如,角加速度的阈值可以是5弧度/s2、12弧度/s2、45弧度/s2等。角加速度的持续时间可以是当顺时针角加速度或逆时针角加速度是非零值时的持续时间。角加速度的持续时间的阈值可以包括10秒、30秒、50秒、1分钟、3分钟或当车辆处于角加速状态时的任何持续时间。如果角加速度的持续时间的阈值被设置为30秒,则具有35秒持续时间的角加速度可以满足前提条件。在预定时间期间Δt内的加速度方向的改变次数可以被预设为3、5、8,或者任何整数。如果驾驶员改变车辆的方向,则传感器可以生成与加速度方向的改变相对应的运动数据,并且可以在预定时间期间Δt内对加速度方向的改变次数进行计数。如果加速度方向的改变的阈值次数是3,且预定时间期间Δt是10秒,则在10秒内改变3次或更多次方向的运动数据可以满足前提条件。
触发运动数据传输的前提条件也可以是包括线性加速度的阈值、角加速度、加速度的持续时间、预定时间期间Δt或电子设备的任何其他适用的运动测量的综合前提条件。此外,前提条件可以是基于采样数据的训练模型的结果。例如,前提条件可以是训练的神经网络模型的结果,或者是根据各种驾驶员的历史驾驶行为的机器学习的结果。前提条件可以根据模型中的不同型号和参数变化。
在一些实施例中,前提条件可以包括至少一个子前提条件,例如第一子前提条件和第二子前提条件。仅作为示例,线性加速度的阈值、线性加速度的持续时间的阈值、角加速度的阈值或角加速度的持续时间的阈值可以小于第二子前提条件。
在步骤414中,输入/输出模块240可以将与目标时间点相关的预定时间段内的运动数据发送到远程服务器。在一些实施例中,由输入/输出模块240发送的运动数据可以被编码成第二电信号。在一些实施例中,运动数据可以由设备(例如,移动智能电话)或车载无线发射设备发送。例如,移动智能电话可以通过移动无线网络发送运动数据。
预定时间段可以由用户(例如,驾驶员)确定或默认确定。预定时间段可以包括开始时间点A和结束时间点B(以下称为“tA”和“tB”)。在一些实施例中,预定时间段的长度可以对应于驾驶行为。例如,如果驾驶行为满足第一子前提条件(例如,反映预定义的低危险的异常驾驶行为的线性加速度的阈值),则预定时间段的长度可以是短的(例如0.5秒、1秒、1.5秒等)。再例如,如果驾驶行为触发第二子前提条件(例如,反映预定义的高危险的异常驾驶行为的线性加速度的阈值),则预定时间段的长度可以较长(例如,3秒、4秒、5秒等)。
在一些实施例中,tA和/或tB可以对应于预定时间段的开始时间和结束时间。可以根据目标时间点来确定tA和tB。在一些实施例中,目标时间点可以与tA,tB重合,或者在[tA,tB]的时间范围内。从tA到目标时间点的长度和/或从目标时间点到tB的长度可以由用户确定或由***默认设置。例如,tA可以在目标时间点之前1秒且tB可以在目标时间点之后3秒。因此,如果满足前提条件并且确定了目标时间点,则输入/输出模块240可以从目标时间点之前1秒到目标时间点之后3秒选择运动数据。
在一些实施例中,如果异常驾驶行为持续足够长的时间,由于处理器200不断接收来自传感器的电子信号,所以前提条件可以连续地触发运动数据的收集和发送。例如,如果预定时间段被设置为在满足前提条件的1秒之前至d3秒之后,那么对于异常驾驶行为,处理器200可以确定在时间t0、t0+3、和t0+6秒处满足前提条件。因此,输入/输出模块240可以在10秒内持续发送所选择的运动数据3次(即,在t0、t0+3、和t0+6)。
处理器200可以连续接收来自传感器的运动数据,然后将运动数据保存在诸如高速缓存或硬盘的存储介质中。高速缓存或硬盘可以存储电子设备的整个行程的运动数据。另外地,处理器可以指示高速缓存或硬盘仅保存预定长度的运动数据。例如,运动数据的预定长度可以是在当前时刻之前2秒和之后4秒的运动数据。当满足前提条件时,处理器可以从高速缓存或硬盘中选择需要的运动数据(例如,当前时间之前1秒到当前时间之后3秒),然后将所需的运动数据发送到远程服务器。
在一些实施例中,选择发送到远程服务器的运动数据可以存储在设备、云存储器、安全数字(SD)卡、反式闪存(TF)卡,或者设备或车辆中的任何存储介质。例如,如果车辆在与网络120不连接的山区中行驶,则在预定时间段内的选定的运动数据可以存储在移动智能电话的SD卡中,并且当网络连接时运动数据可以立即被发送到远程服务器。在一些实施例中,设备或车辆可以具有车载诊断***(OBD),其可以以恒定的发射频率或变化的发射频率存储和/或发送运动数据。例如,如果安装OBD的车辆处于低功率状态,则OBD可以以低发射频率发送运动数据。再例如,用户(例如,驾驶员)可以调整OBD以通过高发射频率来发送运动数据。
在一些实施例中,在将运动数据发送到远程服务器之前,可以根据机器学习训练模型从运动数据中滤除不需要的信息。在一些实施例中,不需要的信息可以是由意外驾驶行为产生的噪声信息,意外驾驶行为可以包括摇动移动智能电话、将移动智能电话放在车辆的底部、或者移动智能电话的电子故障等。不需要的信息可以与用于分析驾驶行为的信息区分开来。机器学习训练模型可以在本申请的其他地方找到。例如参见图5及其描述。
在一些实施例中,过程410可以作为指令存储在体现计算机程序产品的非暂时性计算机可读介质中。非暂时性计算机可读介质可以与计算机设备和/或用户终端(例如,设备)通信。当执行与过程410相关的指令时,计算设备可以确定设备与车辆一起移动,在目标时间点从至少一个传感器获得与设备相关的运动数据,运行逻辑电路以确定第一电子编码运动数据是否满足前提条件,并将与目标时间点相关的预定时间段内的运动数据发送到远程服务器。关于过程410的更多细节可以在图4A的描述中找到。
图4B是根据本申请的一些实施例所示的处理运动数据的示例性过程的流程图。如图4B所示,用于处理运动数据的过程420可以包括获得与车辆数据记录器相关的第一电信号编码运动数据,确定运动数据是否满足前提条件,将第二电信号编码警报数据发送到远程服务器,根据来自远程服务器的指令在时间间隔内生成视频。过程420可以由诸如处理器200、计算设备800中的中央处理器820、移动设备900中的中央处理器940、车辆数据记录器或按需服务***100中的任何组件的设备实现。
在步骤421中,获取模块220可以获得与车辆数据记录器相关的运动数据。在一些实施例中,运动数据可以由第一电信号进行编码。车辆数据记录器可以包括相机、显示器、输入/输出、处理器、电源、内存等,或其任意组合。相机可以包括可见光相机、红外相机、数码相机、2D相机、3D相机、全景相机、VR相机、网络相机、即时图片相机、电子眼、摄像机、热成像设备、可见成像设备等,或其任意组合。例如,可见光相机可以包括卡片数字照相机、手动照相机、自动对焦照相机、长焦照相机、宽视野照相机、单镜头反光(SLR)照相机、数字单镜头反光(DSLR)照相机等,或其任意组合。再例如,红外相机可以根据具有各种波长和/或频率的电磁波(例如,无线电波、微波、红外辐射、可见光、紫外辐射、X射线或γ射线)记录运动数据或视频。在一些实施例中,车辆数据记录器可以安装在车辆的外表面上。例如,车辆数据记录器可以位于车辆的前挡风玻璃或车辆的后挡风玻璃上。在一些实施例中,车辆数据记录器可以被固定在车辆内。例如,车辆数据记录器可以安装在前挡风玻璃的内侧。再例如,车辆数据记录器可以被固定在驾驶员或乘客之前。
在一些实施例中,车辆数据记录器的位置可以由用户(例如驾驶员)或按需服务***100来调整。在一些实施例中,车辆数据记录器可以调整相机以便捕获图像或视频中的对象。例如,车辆数据记录器的相机可以从左向右扫描以生成包括驾驶座位上的驾驶员和乘客座位上的乘客的视频。在一些实施例中,车辆数据记录器可以将相机从可见光相机切换到红外相机以便在夜间获得清晰的图像。在一些实施例中,车辆数据记录器可以包括至少一个相机。至少一个相机可以位于车辆内的不同位置。例如,车辆数据记录器可以包括第一相机和第二相机,第一相机可以位于左上角,第二相机可以位于右上角。再例如,车辆数据记录器可以通过一次使用第一相机和下一次使用第二相机来交替生成视频。
在一些实施例中,车辆数据记录器可以从至少一个传感器获得运动数据。至少一个传感器可以是设备(例如,移动智能电话、OBD、ADAS、激光雷达等)中的传感器或车辆数据记录器中的传感器。例如,移动智能电话中的传感器可以包括陀螺仪、加速度传感器、GPS、重力传感器、光传感器、温度传感器、指纹传感器、心率传感器、接近传感器、声波检测器、图像传感器、语音传感器等,或其任意组合。移动智能电话中的传感器在获取模块220中有详细描述。在一些实施例中,车辆数据记录器可以与移动智能电话中的传感器连接。例如,车辆数据记录器可以连接到智能电话中的加速度传感器以及来自加速度传感器的运动数据。再例如,车辆数据记录器可以通过网络120(例如,蓝牙网络)或通过金属电缆与传感器通信。
在一些实施例中,由步骤421中的传感器获得的运动数据可以与用户行为相关。用户行为可以包括驾驶员行为或乘客行为。在一些实施例中,驾驶员行为可以与获取模块220中详细描述的驾驶行为相关。在一些实施例中,用户行为还可以包括声音相关行为、面部表情、动作行为、装扮行为、礼仪行为等,或其任意组合。声音相关行为可以包括驾驶员语音、乘客语音、路人语音、无线电声音、扬声器声音、电子声音等,或其任意组合。例如,如果乘客正在与车辆中的驾驶员讲话,则乘客语音可以由车辆数据记录器记录,且可以用于生成相应的运动数据。再例如,如果驾驶员在可以将人的语音转换为相应的电子声音的声音变换器中记录他/她的声音,并且向乘客播放电子声音,则车辆数据记录器可以获得电子声音并且生成相应的运动数据。在一些实施例中,声音相关行为还可以包括可指示警方执法的警察哨子。在一些实施例中,声音相关行为可以是枪声。例如,如果驾驶员或乘客正在使用枪进行射击,则可以由车辆数据记录器检测并记录枪声。在一些实施例中,乘客语音可以在乘客与驾驶员争论、祈祷或与驾驶员交谈时被检测和记录。例如,如果乘客激烈地与驾驶员争论,则可以由步骤421中的车辆数据记录器检测和记录诸如呼救、愤怒诅咒等的乘客语音,其作为运动数据的一部分。
面部表情可以由车辆数据记录器的相机识别或检测。面部表情可以通过面部运动形成。面部表情可以包括高兴的脸、生气的脸、惊吓的脸、惊讶的脸、沮丧的脸、激动的脸、醉酒的脸、轻蔑的脸、面无表情的脸等,或其任意组合。例如,如果驾驶员喝了大量的酒,则可以将面部表情识别为醉酒的脸,并且车辆数据记录器可以确定与醉酒的脸相对应的运动数据。再例如,如果驾驶员用吓人的面部表情威胁乘客,则乘客的惊吓的脸可以被车辆数据记录器记录和识别,并且车辆数据记录器可以产生与惊吓的脸相对应的运动数据或视频。
动作行为可以被称为驾驶员或乘客的动作。动作行为可以包括威胁行为、暴力行为、友好行为等,或其任意组合。威胁行为可以包括抓住乘客的脖子,指向乘客的鼻子,站在乘客的前方等,或其任意组合。例如,如果驾驶员是男性驾驶员并且抓住女性乘客的脖子,则威胁行为可以由车辆数据记录器检测到,并且可以生成相应的运动数据。
装扮行为可以是使用者的穿着风格,例如半裸穿着、正式穿着、民族穿着(例如,***穿着)、制服穿着(例如,军装制服)、短裙穿着等,或其任意组合。例如,如果驾驶员显示半裸穿着并且乘客显示短裙穿着,则装扮行为可以被识别,且被用于由车辆数据记录器生成相应的运动数据。
礼仪行为可以包括与礼仪有关的任何行为。礼仪行为可以包括邀请行为、拒绝行为、崇拜行为、脸颊亲吻行为、点头行为等,或其任意组合。例如,如果乘客显示邀请行为且驾驶员没有响应,则车辆数据记录器可以将礼仪行为记录到对应的运动数据中。
在步骤422中,前提条件模块230可以运行逻辑电路以确定运动数据是否满足前提条件。在一些实施例中,前提条件可以表示为规则和/或定义。在一些实施例中,与前提条件相关的规则或定义可以是本地的或存储在MIS中。规则可以包括如何确定收集的运动数据满足定义的步骤。例如,该规则可以包括收集运动数据、分析运动数据、并生成相应的用户行为的三个步骤。如果车辆数据记录器正在收集运动数据,则车辆数据记录器可以激活相机并分配存储器以存储运动数据。如果车辆数据记录器正在分析运动数据,则车辆数据记录器可以从网络120下载用于分析的算法,并且选择分析模式来识别运动数据。如果车辆数据记录器正在生成相应的运动数据,则车辆数据记录器可以将运动数据发送到远程服务器或将运动数据发送到云端。
在一些实施例中,前提条件的定义可以包括关键词的频率、面部表情模式、控制工具、声音的含义、用户(例如,驾驶员)的运动速度、驾驶员和乘客的距离等,或其任意组合。关键字的频率可以是每单位时间使用的关键字的数量。关键字的频率可以包括每秒一次、每分钟三次,或每小时20次等,或其任意组合。例如,如果关键字在10分钟内重复了20次,那么关键字的频率可能是每分钟两次。
在一些实施例中,关键字的类型可以包括数字、名称、位置、国家、代码、单位等,或其任意组合。在一些实施例中,关键字可以包括帮助、血液、性别、钱包、内衣、***、***、警察、银行、中东、***、杀戮、枪、导弹等,或其任意组合。例如,如果驾驶员威胁到乘客,则乘客语音包括大声求救,关键字求救可以由车辆数据记录器记录,关键字求救可以满足前提条件,且车辆数据记录器可以计算每分钟关键字的频率(例如,关键字求救的频率)。
在一些实施例中,面部表情模式可以包括驾驶员或乘客可能处于危险中的面部表情。面部表情模式可以包括窒息的面部表情模式、愤怒的面部表情模式、羞辱的面部表情模式等,或其任意组合。如果驾驶员暴躁的和不友好的对待乘客,乘客可能会显示愤怒的脸部,车辆数据记录器可以生成满足愤怒的面部表情模式的相应的运动数据。
在一些实施例中,控制工具可以包括枪、子弹、***材料、匕首、轻弹刀、双刃刀、弹力枪、撕扯陷阱、弓等,或其任意组合。在一些实施例中,声音的含义可以通过分析乘客语音或驾驶员语音来确定。在一些实施例中,声音的含义可以分析乘客语音的句子。在一些实施例中,用户的运动速度可以通过分析图像或视频中的用户来确定。例如,如果用户的运动速度可以被设置为每分钟2米,则运动数据或视频中的驾驶员或乘客的速度可以被确定为每分钟3米,用户的运动速度可以被满足。在一些实施例中,驾驶员和乘客的距离可以预先确定为0.1米、0.5米、0.8米、1米等。如果车辆数据记录器通过计算视频或图像中的距离确定运动数据为0,运动数据可以满足驾驶员和乘客的距离。
在一些实施例中,前提条件模块230可以基于机器学习训练模型来确定运动数据是否满足前提条件,所述模型包括例如决策树、关联规则、人工神经网络、深度学习、归纳逻辑编程、支持向量机、聚类、贝叶斯网络、强化学习、表示学习、相似性度量学习、稀疏词典学习、遗传算法、基于规则的机器学习等,或其任意组合。例如,前提条件模块230可以使用支持向量机来确定运动数据是否满足前提条件。
在步骤423中,输入/输出模块240可以将警报数据发送到远程服务器。在一些实施例中,警报数据可以通过使用第二电信号来编码。警报数据可以用于提醒远程服务器或MIS终端。在一些实施例中,警报数据可以与收集的运动数据相同。在一些实施例中,警报数据可以包括驾驶员行为的描述、危险程度、驾驶员行为的类型、结果、驾驶员是否需要行为干预、监测驾驶员的对象(例如服务器110)是否需要报警等,或其任意组合。驾驶员行为的描述可以表示为可以由远程服务器或MIS终端识别的文本形式。例如,当乘客处于暴力危险时,车辆数据记录器可以发送警报数据。危险的级别可以被划分为危险的第一级别、危险的第二级别和危险的第三级别等。在一些实施例中,危险级别还可以包括一般危险、民事危险或者刑事危险。例如,如果乘客与司机争论,则警报数据可以被确定为民事危险。再例如,如果司机***乘客,警报数据可能被确定为刑事危险。在一些实施例中,驾驶者行为的类型可以包括搏斗、骚扰、睡眠等,或其任意组合。例如,如果从车辆数据记录器收集的运动数据指示驾驶是正在小睡,则可以将警报数据确定为睡眠。在一些实施例中,如果运动数据指示紧急情况,则警报数据可以被确定为可以请求诸如医疗支持等干预的行为干预。在一些实施例中,如果运动数据明显表现出刑事行为,则车辆数据记录器可以发送警报数据以便提醒远程服务器报警。
在一些实施例中,警报数据还可以包括发送到远程服务器的至少两个代表性图像或语音。代表性图像或语音可以指驾驶员或乘客的声音相关行为、面部表情、动作行为、装扮行为或礼仪行为。在一些实施例中,代表性图像可以由远程服务器进一步分析以确认警报数据是准确的。
在一些实施例中,远程服务器可以根据警报数据生成指令。该指令可以包括是否触发车辆数据记录器产生视频、如何产生视频、谁是视频中的主要对象、是否存储视频、是否提交视频等,或其任意组合。
在步骤424中,车辆数据记录器可以根据来自远程服务器的指令在时间间隔内生成视频。车辆数据记录器可以在包括开始记录时间和结束记录时间的时间间隔内生成视频。开始记录时间可以在接收到来自远程服务器的指令后确定。例如,一旦车辆数据记录器获得允许车辆数据记录器生成视频的指令,则可以触发车辆数据记录器的相机以记录视频。在一些实施例中,车辆数据记录器可以直接生成视频。例如,如果远程服务器对车辆数据记录器发送的警报数据没有响应,或者远程服务器未连接,则车辆数据记录器可以直接触发视频。又例如,如果车辆数据记录器确定乘客或驾驶员处于极端状态(例如,严重交通事故),则车辆数据记录器可以直接生成视频。
该指令可以包括是否触发车辆数据记录器产生视频、如何产生视频、谁是视频中的主要对象、是否存储视频、是否提交视频等,或其任意组合。例如,如果指令为忽略警报数据,则车辆数据记录器可以被禁止生成视频。再例如,如果指令为获取红外视频,则车辆数据记录器可以触发红外相机以生成红外视频。再例如,如果指令为指示乘客是主要对象,则车辆数据记录器可以生成跟踪乘客的视频。又例如,如果指令显示实时提交视频,则车辆数据记录器可以直接通过网络120将视频数据发送到远程服务器。
在一些实施例中,视频可以用作证据。例如,如果司机喝醉了,或者在驾驶期间接听电话并导致交通事故,保险公司可以根据视频拒绝司机的索赔。在一些实施例中,视频可以用于向驾驶员分配订单。例如,如果视频显示较多危险行为,相应的司机可能会被分配很少的订单。
在一些实施例中,过程420可以作为指令存储在体现计算机程序产品的非暂时性计算机可读介质中。非暂时性计算机可读介质可以与计算机设备和/或用户终端(例如,设备)通信。当执行与过程420相关的指令时,计算设备可以获得与车辆数据记录器相关的第一电信号编码运动数据,确定运动数据是否满足预先条件,将第二电信号编码警报数据发送到远程服务器,并根据来自远程服务器的指令在时间间隔内生成视频。关于过程420的更多细节可以在图4B的描述中找到。
图5是根据本申请的一些实施例所示的分析驾驶行为的示例性过程的流程图。如图5所示,用于分析驾驶行为的过程可以包括获得第二电信号编码运动数据,滤除不需要的信息,分析过滤后的运动数据以及基于运动数据分析驾驶行为。
在步骤510中,数据获取模块310可以获取运动数据。在一些实施例中,运动数据可以由数据获取模块310编码为第二电信号。在一些实施例中,可以从安装在设备或车辆中的输入/输出模块240接收运动数据。在一些实施例中,运动数据可以包括陀螺仪数据、加速度传感器数据、GPS数据、重力传感器数据、光传感器数据、温度传感器数据、指纹传感器数据、心率传感器数据、接近传感器数据、声音数据等,或其任意组合。
在步骤520中,数据预处理模块320可以基于过滤模型预处理运动数据。例如,数据预处理模块320可以从运动数据中滤除不需要的信息。
在一些实施例中,不需要的信息可以是由意外驾驶行为产生的噪声信息,意外驾驶行为可以包括摇动移动智能电话、将移动智能电话放在车辆的底部、或者移动智能电话的电子故障等。不需要的信息可以与用于分析驾驶行为的信息区分开来。
在一些实施例中,可以通过确定移动智能电话的移动特征来过滤掉不需要的信息。运动特征可以包括垂直下降或离开车辆。例如,如果设备位置和车辆位置之间的差异大于10米,则由移动智能电话中的传感器生成的运动数据可以由数据预处理模块320确定为不需要的信息。
在一些实施例中,可以根据加速度传感器数据来滤除不需要的信息。例如,如果驾驶员摇动移动智能电话,则移动智能电话可以在三维坐标中生成加速度传感器数据,数据预处理模块320可以分析加速度传感器数据以便获得在水平面(例如Ox-y)上的加速度传感器数据。如果水平面上的加速度传感器数据以高于参考频率的频率变化,则加速度传感器数据可以被确定为摇动移动智能电话的运动数据,并且加速度传感器数据可以被数据预处理模块320过滤掉。在一些实施例中,可以通过检测至少一个应用程序来滤除不需要的信息。例如,如果移动智能电话检测到在时间间隔内运行的应用程序(例如,移动游戏),则时间间隔内的运动数据可以被确定为不需要的信息,并且不需要的信息可以通过数据预处理模块320滤除。
在一些实施例中,可以通过使用过滤模型来滤除不需要的信息。过滤模型可以包括决策树、关联规则、人工神经网络、深度学习、归纳逻辑编程、支持向量机、聚类、贝叶斯网络、强化学习、表示学习、相似性度量学习、稀疏字典学习、遗传算法、基于规则的机器学习等,或其任意组合。例如,数据预处理模块320可以使用支持向量机来确定不需要的信息。可以通过运动数据来离线训练支持向量机,以便从运动数据中识别不需要的信息。在一些实施例中,数据预处理模块320可以使用算法来训练过滤模型。
在一些实施例中,可以在远程服务器中离线训练过滤模型,并将其发送到电子设备、存储设备等或其任意组合。电子设备可以是可以运行用于拼车的应用软件(App)且可以具有用于存储与过滤模型相关的指令的智能存储设备(例如,SD卡)的移动智能电话。用于存储过滤模型的存储设备可以包括大容量存储设备(例如,磁盘、光盘或固态驱动器)、可移动存储设备(例如闪存驱动器、软盘、光盘、存储卡、压缩磁盘或磁带)、易失性读写存储器、只读存储器(ROM)等,或其任意组合。在一些实施例中,过滤模型可以被存储在可与设备或交通工具实时通信的云服务器中。例如,可以通过在线使用过滤模型分析运动数据过滤掉不需要的信息。在一些实施例中,过滤模型可以用于分析与驾驶行为、车辆状态或道路状态有关的任何数据。例如,汽车制造商可以通过使用过滤模型来收集车辆相关数据以删除不需要的信息。又例如,交通管理部门可以通过使用过滤模型来使用选择的与道路有关的信息来过滤不需要的信息。又例如,在线按需服务平台(例如,在线拼车服务平台或在线自行车共享服务平台)可以通过使用过滤模型来记录用于对用户进行排名的用户行为数据以过滤不需要的信息。
在步骤530中,特征生成模块330可以基于过滤的运动数据生成特征数据。过滤后的运动数据可以是已经过滤掉不需要的信息的运动数据。过滤的运动数据可以包括速度数据、陀螺仪数据、加速度传感器数据、GPS数据、重力传感器数据、光传感器数据、温度传感器数据、指纹传感器数据、心率传感器数据或接近传感器数据。在一些实施例中,过滤的运动数据可以是可以由设备中的至少一个传感器(例如,加速度传感器)直接生成的原始数据。
在一些实施例中,可以对过滤的运动数据进行预处理以便获得特征数据。特征数据可以用于训练机器学习训练模型。在一些实施例中,特征数据可以包括矢量、行列式、矩阵等,或其任意组合。例如,矢量可以包括对应于不同类型的运动数据的至少一个项目。再例如,具有三个项目的矢量可以被表示为(陀螺仪数据、GPS数据、加速度传感器数据)。
在一些实施例中,特征数据可以进一步包括基于运动数据确定或生成的预处理数据。例如,特征数据可以包括加速度传感器数据的水平分量、加速度传感器数据的垂直分量、速度数据的平均值、海拔数据等,或其任意组合。再例如,特征数据可以是最大值(加速度传感器数据的最大值)或运动数据的最小值。
在一些实施例中,特征数据还可以包括两种或更多类型的运动数据之间的关系。例如,特征生成模块330可以确定加速度传感器数据和速度数据之间的关系。再例如,特征生成模块330可基于加速度传感器确定加速度传感器数据的水平分量,加速度传感器数据的水平分量可进一步用于确定加速度传感器数据的水平分量和速度数据之间的关系,行为分析模块340可以基于加速度传感器数据的水平分量、速度数据和所述关系来预处理特征数据。在一些实施例中,该关系可以包括运动数据的总体关系。例如,特征数据可以包括加速度传感器数据、速度数据和陀螺仪数据、以及加速度传感器数据、速度数据和陀螺仪数据的总体关系。该关系可以表示为数字、文本、类别、百分比等,或其任意组合。例如,任何两种类型的运动数据之间的关系可以是0.1、0.3、0.7、1等。在一些实施例中,特征生成模块330可以通过使用函数或公式来确定特征数据。
在一些实施例中,特征生成模块330可以通过基于对应的驾驶行为选择运动数据来确定特征数据。例如,如果机器学***分量、速度数据和交通灯数据等。再例如,如果机器学习训练模型被训练用于确定攻击性转向,则特征生成模块330可以选择相应的运动数据,并且相应的运动数据可以用于生成特征数据,特征数据包括角加速度数据的最大值、角加速度的持续时间以及角加速度数据与角加速度的持续时间之间的关系。
在一些实施例中,还可以在通过网络120与远程服务器连接的设备中生成特征数据。在一些实施例中,如果具有该设备的车辆在与网络120不连接的山区内的路线中行驶,则该设备可以在一段时间内离线地存储运动数据。当路线完成时,设备可以与网络120通信并且发送运动数据。当接收离线运动数据之后,特征生成模块330可以生成用于步骤540中分析驾驶行为的特征数据。
在步骤540中,行为分析模块340可以基于机器学***可能高于第二驾驶员的服务水平。
在一些实施例中,在步骤540中,终端控制模块350可以从车辆数据记录器接收警报数据并将指令发送到MIS终端或车辆数据记录器。该指令可以包括是否触发车辆数据记录器产生视频、如何产生视频、谁是视频中的主要对象、是否存储视频、是否提交视频等,或其任意组合。在一些实施例中,终端控制模块350可以发送忽略警报数据的指令以禁止生成视频。又例如,终端控制模块350可以发送获取红外视频的指令,车载数据记录器可以触发红外相机以生成红外视频。在一些实施例中,终端控制模块350可以发送指示乘客为主要对象的指令,车辆数据记录器可以生成跟踪乘客的视频。在一些实施例中,终端控制模块350可以发送指令以要求车辆数据记录器实时提交视频,车辆数据记录器可以通过网络120将视频数据直接发送到远程服务器。
仅作为示例,行为评估可以包括统计数据、对应于每条路线的驾驶分数或危险行为的次数。统计数据可以包括攻击性加速的次数、攻击性制动的次数、攻击性转向的次数等,或其任意组合。例如,行为分析模块确定完成路线的驾驶员进行了2次攻击性制动,5次攻击性加速和3次攻击性转向。驾驶分数可以表示为数字、百分比、文本、级别等,或其任意组合。例如,如果驾驶者按照路线的驾驶规则安全地完成路线的一部分,行为分析模块340可以将驾驶分数确定为9/10,这表示驾驶行为优异。再例如,行为分析模块340可以将百分比确定为95%,这可能意味着驾驶行为表现超过驾驶员总数中的95%的驾驶员。在一些实施例中,危险行为的时间可以用于提醒驾驶员。行为分析模块340可以确定特征数据以确定驾驶员的危险行为,并且行为分析模块340可以进一步实时或在完成路线之后对危险行为的次数进行计数。例如,行为分析模块340可以识别路线期间的17次危险行为。再例如,行为分析模块340可以实时确定危险行为。
在一些实施例中,机器学习训练模型可以包括决策树、关联规则模型、人工神经网络、深度学习模型、归纳逻辑编程模型、支持向量机模型、聚类模型、贝叶斯网络、强化学习模型、表示学习模型、相似性度量学习模型、稀疏词典学习模型、遗传算法模型、基于规则的机器学习模型等,或其任意组合。
在一些实施例中,机器学习训练模型可以在远程服务器中离线训练,并且被发送到电子设备、存储设备等,或其任意组合。用于存储机器学习训练模型的存储设备可以包括大容量存储设备(例如,磁盘、光盘或固态驱动器),可移动存储设备(例如,闪存驱动器、软盘、光学磁盘、存储卡、压缩磁盘或磁带),易失性读写存储器,只读存储器(ROM)等,或其任意组合。在一些实施例中,机器学习训练模型可以被存储在与设备或车辆实时通信的云服务器中。例如,可以通过在线使用机器学习训练模型分析运动数据来滤除不需要的信息。
在一些实施例中,机器学***台(例如在线拼车服务平台或在线自行车共享服务平台)可以通过使用机器学习训练的模型来记录用于用户排名的用户行为数据以过滤不需要的信息。
在一些实施例中,可以在线或离线更新机器学习训练的模型。在机器学习训练模型被训练之后,机器学习训练模型可以通过使用实时或在周期性时间间隔内(例如,每天或每周)获得的运动数据进一步被更新。在一些实施例中,机器学习训练模型可以被更新为对应于不同类型的不需要的信息的机器学习训练子模型中的至少一个。例如,第一子模型可以用来区分与车辆相关的不需要的信息,以及第二子模型可以用来区分与移动智能电话相关的不需要的信息。
在一些实施例中,在步骤540中,行为分析模块340可以进一步产生与驾驶行为相关的车辆状态。在一些实施例中,车辆状态可以包括轮胎爆胎、线路故障、发动机故障、空罐、突然电力缺失、制动故障等,或其任意组合。行为分析模块340可基于机器学习训练模型分析特征数据,并生成可用于估计车辆状态的车辆状态。例如,行为分析模块340可以基于特征数据(例如,长期加速度数据)来确定制动故障。再例如,行为分析模块340可以确定路线中的轮胎爆胎,以及路线中的轮胎爆胎可以指示车辆检查。
在一些实施例中,在步骤540中,行为分析模块340可以进一步生成与驾驶行为相关的道路状况。道路状况可以包括突然的红色交通灯、交通堵塞、突然冲出的人、突然的道路交通事故、倾斜的道路、蜿蜒的道路等,或其任意组合。在一些实施例中,行为分析模块340可以基于机器学习训练模型和特征数据来确定道路状况,并且道路状况可以被发送给交通管理部门。交通管理部门可以使用道路状况来调整交通(例如,调整交通信号灯的时间,或者限制经过道路的车辆的数量)。
在一些实施例中,在步骤540中,行为分析模块340可以通过使用置信系数来确定驾驶行为。置信系数可用于确定驾驶行为是否是危险行为。例如,如果机器学习训练模型的输出大于置信系数,则相应的驾驶行为可以被确定为危险行为。如果机器学习训练模型的输出小于置信系数,则相应的驾驶行为可以被确定为安全行为。再例如,机器学习训练模型的输出可以是概率,并且置信度系数可以被设置为值(例如,0.6、0.7、0.8、0.9等)。如果概率为0.85,其大于置信系数(例如0.8),则与机器学习训练模型的输入相对应的驾驶行为可以被确定为危险行为。在一些实施例中,用户(例如,驾驶员)可以将置信系数从0.8调整到0.6以便更敏感地检测危险行为,并且驾驶行为可以更可能被确定为危险行为。
在一些实施例中,过程500可以作为指令存储在体现计算机程序产品的非暂时性计算机可读介质中。非暂时性计算机可读介质可以与计算机设备和/或用户终端(例如,设备)通信。当执行与过程500相关的指令时,计算设备可以获得运动数据,基于机器学习训练的模型滤除不需要的信息,基于过滤的运动数据生成特征数据,并且基于机器学习训练模型和特征数据分析驾驶行为。关于过程500的更多细节可以在图5的描述中找到。
图6示出了根据本申请的一些实施例的设备的示意图。在一些实施例中,该设备可以是移动智能电话。移动智能电话可以包括相机、加速器传感器、陀螺仪传感器、接近传感器、环境光传感器、触摸传感器、磁力计传感器、麦克风或GPS中的至少一个。环境光传感器可以检测移动智能电话周围的光强度。例如,移动智能电话可以将光强度检测为50勒克斯,这表明移动智能电话可能处于黑暗环境中。在一些实施例中,由智能电话产生的运动数据可以在移动智能电话坐标系中表示。如图6所示,移动智能电话坐标系可以包括X坐标轴、Y坐标轴和Z坐标轴。X坐标轴、Y坐标轴和Z坐标轴可以彼此正交。X坐标轴可以定义为从左到右与移动智能电话的屏幕平行。Y坐标轴可以定义为从上到下与移动智能电话的屏幕平行。Z坐标轴可以垂直于移动智能电话的屏幕。移动智能电话坐标系可以是固定的,且移动智能电话的位置或方向可以不改变移动智能电话坐标系。移动智能电话生成的运动数据可以在移动智能电话坐标系中分解。例如,加速器传感器数据可以根据X坐标轴、Y坐标轴和Z坐标轴被分解,加速器传感器数据可以被表示为(Ax,Ay,Az),其中Ax表示加速度传感器数据在X坐标轴上的分量,Ay表示加速度传感器数据在Y坐标轴上的分量,Az表示加速器传感器数据在Z坐标轴上的分量。再例如,陀螺仪传感器数据可以根据移动智能电话坐标系来组成,并且可以表示为(3,5,2),其中3表示陀螺仪传感器数据在X坐标轴上的分量,5表示陀螺仪传感器数据在Y坐标轴上的分量,以及2表示陀螺仪传感器数据在Z坐标轴上的分量。
在一些实施例中,表示在移动智能电话坐标系中的运动数据可以进行变换,并表示在地球坐标系中。地球坐标系如图7所示。在一些实施例中,可以基于移动智能电话坐标系和地球坐标系之间的变换关系来变换运动数据。变换关系是可用于修改运动数据从移动智能电话坐标系到地球坐标系的变换矩阵。例如,变换矩阵可以表示为移动智能电话坐标系中的加速器传感器数据(Ax,Ay,Az)可以通过乘以变换矩阵进行转换,获得地球坐标系中的加速传感器数据(Ax',Ay',Az')。在一些实施例中,变换关系可以是具有一行三列的变换行列式。例如,如果变换行列式为|Tx,Ty,Tz|,移动智能电话坐标系中的陀螺仪传感器数据(Gx,Gy,Gz)可以通过分别加上变换行列式中的每项进行修改,从而地球坐标系中的加速传感器数据可以表示为(Gx+Tx,Gy+Ty,Gz+Tz)。
在一些实施例中,在移动智能电话移动时可以调整变换关系。例如,如果驾驶员移动了移动智能电话,则可以根据移动智能电话的新位置或智能电话的新位置来更新变换关系。再例如,如果驾驶员翻转了移动智能电话,则变换行列式|Tx=2,Ty=5,Tz=9|可以调整为|Tx=2,Ty=5,Tz=-9|。再例如,如果驾驶员持续使用移动智能电话,则移动智能电话可以记录移动智能电话的移动轨迹,并且可以根据移动智能电话的移动轨迹来校正变换关系。
图7是根据本申请的一些实施例所示的与地球一起旋转的坐标系的示意图。在一些实施例中,地球坐标系可以包括X轴、Y轴和Z轴。X轴、Y轴和Z轴可以彼此正交。X轴可以从西向东平行于水平面。Y轴可以从南到北平行于水平面。Z轴可以垂直于水平面。在一些实施例中,地球坐标系可以由用户调整。在一些实施例中,可以通过GPS或北斗导航***来确定或校正地球坐标系。在一些实施例中,运动数据或特征数据可以呈现在地球坐标系中。仅作为示例,设备中的速度数据可以被变换并且以(120,10,0)米/秒的形式呈现在地球坐标系中。
图8是根据本申请的一些实施例所示的计算设备800的示例性硬件和软件组件的示意图。服务器110、服务请求者终端130和/或服务提供者终端140可以在计算设备800上实现。例如,处理引擎112可以在计算设备800上实现,并且被配置为执行本申请中公开的处理引擎112的功能。
计算设备800可以是计算机,都可以用于实现本申请的按需***。计算设备800可以被用来实现如在此所描述的按需服务的任何组件。例如,处理引擎112可以通过其硬件、软件程序、固件或其任意组合在计算设备800上实现。尽管仅示出了一个计算机,为了方便起见,与在此描述的按需服务相关的计算机功能可以以分布式的方式在多个类似的平台上实现,以分配处理负载。
例如,计算设备800可以包括连接到网络的通信端口850,以便于数据通信。计算设备800还可以包括中央处理器(CPU)820,以至少一个处理器的形式执行程序指令。示例性计算机平台可以包括内部通信总线810,不同形式的程序存储器和数据存储器,例如磁盘870,以及只读存储器(ROM)830或随机存取存存器(RAM)840,用于存储由计算机处理和/或传输的各种数据文件。示例性计算机平台还可以包括存储在只读存储器830,随机存取存储器840和/或其他类型的非暂时存储介质中由中央处理器820执行的程序指令。本申请的过程可以被实现为程序指令。计算设备800还包括输入/输出组件860,其支持计算机与其他组件(例如用户界面元素880)之间的输入/输出。计算设备800也可以通过网络通信接收程序和数据。
计算设备800可以包括至少一个接口电路,以在计算设备800中的不同组件之间或计算设备800与其他电子设备之间传输电子信号。例如,接口电路可以从服务请求者终端130和/或服务提供者终端140接收电子信号,并将该电子信号发送到总线810、中央处理器820、ROM 830或RAM840。中央处理器820可以包括至少一个处理电路或逻辑电路,以处理通过接口电路从计算设备800的其他组件或其他电子设备接收的电子信号。例如,计算设备800可以通过中央处理器820中的处理电路或逻辑电路的操作来处理任务,并且通过接口电路经由电子信号接收指令。
仅仅为了说明,在计算设备800中仅描述了一个中央处理器和/或处理器。然而,应该注意的是,本申请中的计算设备800还可以包括多个中央处理器和/或处理器,因此由本申请中描述的一个中央处理器和/或处理器执行的操作和/或处理步骤也可以由多个中央处理器和/或处理器共同或单独执行。例如,如果在本申请中,计算设备800的中央处理器和/或处理器执行步骤A和步骤B,应当理解的是,步骤A和步骤B也可以由计算设备800中的两个不同的中央处理器和/或处理器共同执行或单独执行(例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B)。
图9是根据本申请的一些实施例所示的可用于实现用户终端的示例性移动设备900的示例性硬件和/或软件组件的示意图。如图9所示,移动设备900可以包括通信平台910、显示器920、图形处理单元(GPU)930、中央处理器(CPU)940、输入/输出950、内存960和存储器990。在一些实施例中,包括但不限于***总线或控制器(未示出)的任何其他合适的组件也可以被包括在移动设备900中。在一些实施例中,移动操作***970(例如iOSTM、AndroidTM、Windows PhoneTM等)和至少一个应用程序980可以从存储器990加载到内存960中以便由中央处理器940执行。应用程序980可以包括浏览器或任何其他合适的移动应用程序,用于从处理引擎112接收和呈现与图像处理或其他信息有关的信息。用户与信息流的交互可以通过输入/输出950实现并且通过网络120提供给在线按需服务***100的处理引擎112和/或其他组件。
为了实现本申请中描述的各种模块,单元及其功能,可以将计算机硬件平台用作这里描述的至少一个元件的硬件平台。具有用户界面元素的计算机可以用于实现个人计算机(PC)或任何其他类型的工作站或终端设备。若程控得当,计算机也可以充当服务器。
上文已对基本概念做了描述,显然,对于已阅读此详细揭露的本领域的普通技术人员来讲,上述详细揭露仅作为示例,而并不构成对本申请的限制。虽然此处并没有明确说明,本领域技术人员可以对本申请进行各种修改、改进和修正。这类修改、改进和修正在本申请中被建议,所以所述修改、改进、修正仍属本申请示范实施例的精神和范围。
同时,本申请使用了特定术语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关之某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域的普通技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改良。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本申请的各方面可以表现为位于一个或多个计算机可读介质中的计算机产品,所述产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质、或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动装置上安装所描述的***。
同理,应当注意的是,在本申请的实施例的前述描述中,为了使本申请流畅,帮助理解一个或多个以下内容,有时将各种特征组合在单个实施例,附图或其描述中各种实施例。然而,本申请的方法不应被解释为反映所要求保护的主题需要比每个权利要求中明确记载的更多特征的意图。相反,所要求保护的主题可能在于少于单个前述公开实施例的所有特征。
Claims (20)
1.一种电子设备,其特征在于,包括:
至少一个传感器;
至少一个处理器可读存储介质,包括用于检测预定驾驶行为的一组指令;以及
与所述至少一个处理器可读存储介质进行通信的至少一个处理器,其中,当执行所述指令时,所述至少一个处理器用于:
在目标时间点,从所述至少一个传感器获得与所述电子设备相关的第一电信号编码运动数据;
运行逻辑电路以确定所述第一电信号编码运动数据是否满足前提条件;以及
在所述第一电信号编码运动数据满足所述前提条件时,将与所述目标时间点相关的预定时间段内的第二电信号编码运动数据发送到远程服务器。
2.根据权利要求1所述的电子设备,其特征在于,所述至少一个传感器包括陀螺仪、加速度传感器、全球定位***GPS或重力传感器中的至少一个。
3.根据权利要求1所述的电子设备,其特征在于,所述至少一个处理器进一步用于:
确定所述电子设备与车辆一起移动。
4.根据权利要求1所述的电子设备,其特征在于,所述第一电信号编码运动数据包括线性加速度、角加速度或姿态信息中的至少一个,所述姿态信息包括角色信息、偏航信息或倾斜信息。
5.根据权利要求1所述的电子设备,其特征在于,所述至少一个传感器周期性地产生所述第一电信号编码运动数据,并且所述至少一个处理器周期性地获取所述第一电信号编码运动数据。
6.根据权利要求1所述的电子设备,其特征在于,所述至少一个处理器进一步用于:
基于机器学习训练模型,运行所述至少一个处理器中的逻辑电路以从所述第一电信号编码运动数据中滤除不需要的信息。
7.根据权利要求6所述的电子设备,其特征在于,所述不需要的信息是与摇动所述电子设备、将所述电子设备放在所述车辆的底部或所述电子设备的电子故障中的至少一个相关的噪声信息。
8.根据权利要求1所述的电子设备,其特征在于,所述前提条件包括所述线性加速度的阈值、所述线性加速度的持续时间的阈值、所述角加速度的阈值、所述角加速度的持续时间的阈值、在预定时间期间内的加速度方向的改变次数,或一段时间内的姿态改变次数中的至少一个。
9.根据权利要求1所述的电子设备,其特征在于,所述至少一个处理器进一步用于:
通过变化的发射频率发送与所述目标时间点相关的所述预定时间段内的所述第二电信号编码运动数据。
10.根据权利要求1所述的电子设备,其特征在于,为了将与所述目标时间点相关的预定时间段内的第二电信号编码运动数据发送到远程服务器,所述至少一个处理器进一步用于:
一旦所述第一电信号编码运动数据满足所述前提条件,确定触发时间点;以及
基于所述触发时间点,在所述预定时间段内选择所述第二电信号编码运动数据。
11.一种用于检测预定驾驶行为的方法,其特征在于,包括:
在目标时间点,由电子设备获得与所述电子设备相关的第一电信号编码运动数据;
由所述电子设备,确定所述第一电信号编码运动数据是否满足前提条件;以及
在所述第一电信号编码运动数据满足所述前提条件时,由所述电子设备,将与所述目标时间点相关的预定时间段内的第二电信号编码运动数据发送到远程服务器。
12.根据权利要求11所述的用于检测预定驾驶行为的方法,其特征在于,还包括:
确定所述电子设备与车辆一起移动。
13.根据权利要求11所述的用于检测预定驾驶行为的方法,其特征在于,所述第一电信号的编码运动数据包括线性加速度、角加速度或姿态信息中的至少一个,所述姿态信息包括角色信息、偏航信息或倾斜信息。
14.根据权利要求11所述的用于检测预定驾驶行为的方法,其特征在于,所述电子设备周期性地获取所述第一电信号编码运动数据。
15.根据权利要求11所述的用于检测预定驾驶行为的方法,其特征在于,还包括:
基于机器学习训练模型,从所述第一电信号编码运动数据中滤除不需要的信息。
16.根据权利要求15所述的用于检测预定驾驶行为的方法,其特征在于,所述不需要的信息是与摇动所述电子设备,将所述电子设备放在所述车辆的底部或所述电子设备的电子故障中的至少一个相关的噪声信息。
17.根据权利要求11所述的用于检测预定驾驶行为的方法,其特征在于,所述前提条件包括所述线性加速度的阈值、所述线性加速度的持续时间的阈值、所述角加速度的阈值、所述角加速度的持续时间的阈值、在预定时间期间的加速度方向的改变次数、或一段时间内的姿态改变次数中的至少一个。
18.根据权利要求11所述的用于检测预定驾驶行为的方法,其特征在于,还包括:
通过变化的发射频率,由所述电子设备发送与所述目标时间点相关的所述预定时间段内的所述第二电信号编码运动数据。
19.根据权利要求11所述的用于检测预定驾驶行为的方法,其特征在于,发送所述第二电信号编码运动数据包括:
一旦所述第一电信号编码运动数据满足所述前提条件,由所述电子设备确定触发时间点;以及
基于所述触发时间点,由所述电子设备在所述预定时间段内选择所述第二电信号编码运动数据。
20.一种包括指令的非暂时性计算机可读介质,其特征在于,所述指令被配置为使电子设备:
在目标时间点,从至少一个传感器获得与所述电子设备相关的第一电信号编码运动数据;
运行逻辑电路以确定所述第一电信号编码运动数据是否满足前提条件;以及
在所述第一电子信号编码运动数据满足所述前提条件时,将与所述目标时间点相关的预定时间段内的第二电信号编码运动数据发送到远程服务器。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2017/086563 WO2018218486A1 (en) | 2017-05-31 | 2017-05-31 | Devices and methods for recognizing driving behavior based on movement data |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110692093A true CN110692093A (zh) | 2020-01-14 |
Family
ID=64454137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780091498.9A Pending CN110692093A (zh) | 2017-05-31 | 2017-05-31 | 基于运动数据识别驾驶行为的设备和方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11508236B2 (zh) |
EP (1) | EP3639253A4 (zh) |
JP (1) | JP2020522798A (zh) |
CN (1) | CN110692093A (zh) |
TW (1) | TWI754068B (zh) |
WO (1) | WO2018218486A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150786A (zh) * | 2020-09-25 | 2020-12-29 | 北京百度网讯科技有限公司 | 控制车辆的方法、装置、车辆、电子设备和介质 |
CN113434274A (zh) * | 2021-06-29 | 2021-09-24 | 湖南方心科技股份有限公司 | 一种智能数据感知的数据任务分配处理***与方法 |
CN113963533A (zh) * | 2021-09-15 | 2022-01-21 | 上海钧正网络科技有限公司 | 驾驶行为异常检测方法、装置、电子设备、服务器及介质 |
CN114743290A (zh) * | 2022-05-17 | 2022-07-12 | 阿维塔科技(重庆)有限公司 | 一种行车记录控制方法、装置及汽车 |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9846977B1 (en) * | 2014-09-02 | 2017-12-19 | Metromile, Inc. | Systems and methods for determining vehicle trip information |
US9754338B2 (en) | 2015-10-09 | 2017-09-05 | Gt Gettaxi Limited | System to facilitate a correct identification of a service provider |
US10554783B2 (en) | 2016-12-30 | 2020-02-04 | Lyft, Inc. | Navigation using proximity information |
US11574262B2 (en) | 2016-12-30 | 2023-02-07 | Lyft, Inc. | Location accuracy using local device communications |
WO2019008432A1 (en) * | 2017-07-05 | 2019-01-10 | B. Braun Medical Industries Sdn., Bhd. | CATHETER DEVICE WITH BLOOD CONTROL SYSTEMS AND ASSOCIATED METHODS |
CN107517317A (zh) * | 2017-08-28 | 2017-12-26 | 惠州Tcl移动通信有限公司 | 利用指纹识别响应来电的方法、存储介质及移动终端 |
CN111586574B (zh) * | 2019-02-18 | 2022-09-02 | 华为技术有限公司 | 一种通知信息的显示方法及装置 |
US11910452B2 (en) | 2019-05-28 | 2024-02-20 | Lyft, Inc. | Automatically connecting wireless computing devices based on recurring wireless signal detections |
US11443653B2 (en) * | 2019-06-06 | 2022-09-13 | National Taiwan Normal University | Method and system for skill learning |
US10785604B1 (en) * | 2019-07-26 | 2020-09-22 | Allstate Insurance Company | Multi-computer processing system for dynamically executing response actions based on movement data |
CN110412564A (zh) * | 2019-07-29 | 2019-11-05 | 哈尔滨工业大学 | 一种基于多传感器融合的列车车皮识别与测距方法 |
US11043118B1 (en) * | 2019-12-23 | 2021-06-22 | Continental Automotive Systems, Inc. | System and method for vehicle identification |
US11887386B1 (en) * | 2020-03-30 | 2024-01-30 | Lyft, Inc. | Utilizing an intelligent in-cabin media capture device in conjunction with a transportation matching system |
USD997988S1 (en) | 2020-03-30 | 2023-09-05 | Lyft, Inc. | Transportation communication device |
US11978289B2 (en) * | 2021-01-04 | 2024-05-07 | Guangzhou Automobile Group Co., Ltd. | Method, apparatus and non-transitory computer readable storage medium for driving evaluation |
US11782149B2 (en) * | 2021-01-08 | 2023-10-10 | Google Llc | Systems and methods for managing motion detection of an electronic device, and associated electronic devices |
JP2024525119A (ja) * | 2021-05-18 | 2024-07-10 | アトゥーン・メディア・ラブズ・パブリック・ベネフィット・コーポレイション | インタラクティブな同調離散アバターをリアルタイムで自動生成するシステムおよび方法 |
CN113569634B (zh) * | 2021-06-18 | 2024-03-26 | 青岛海尔科技有限公司 | 场景特征的控制方法和装置、存储介质及电子装置 |
US11711690B2 (en) * | 2021-09-22 | 2023-07-25 | Capital One Services, Llc | Methods and systems for facilitating variable authentication of users on mobile devices |
CN114056341B (zh) * | 2021-11-03 | 2024-01-26 | 天津五八驾考信息技术有限公司 | 驾驶培训中的驾驶辅助方法、设备及存储介质 |
US20230230502A1 (en) * | 2022-01-18 | 2023-07-20 | Speedgauge, Inc. | Generation and Use of Coaching Score |
CN117688826A (zh) * | 2023-07-13 | 2024-03-12 | 东方空间技术(山东)有限公司 | 一种海射火箭子级回收方法、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103337179A (zh) * | 2013-07-01 | 2013-10-02 | 深圳市凯维特信息技术有限公司 | 车辆不良驾驶行为提醒***及方法 |
CN104243713A (zh) * | 2014-09-24 | 2014-12-24 | 深圳先进技术研究院 | 基于智能手机的弯道检测方法 |
CN104794852A (zh) * | 2014-01-16 | 2015-07-22 | 程裕繁 | 以司机异常行为侦测与警示为基础的乘客人身及财产防护方法 |
CN104802737A (zh) * | 2015-03-25 | 2015-07-29 | 清华大学 | 一种基于手机的车辆异常驾驶行为检测方法 |
CN105292052A (zh) * | 2015-11-12 | 2016-02-03 | 福州大学 | 车辆行车安全自动监控与报警*** |
US20160039426A1 (en) * | 2012-03-14 | 2016-02-11 | Autoconnect Holdings Llc | Driver facts behavior information storage system |
CN105608884A (zh) * | 2015-10-30 | 2016-05-25 | 东莞酷派软件技术有限公司 | 车载备案装置和乘客信息备案方法 |
CN106209138A (zh) * | 2015-05-29 | 2016-12-07 | 福特全球技术公司 | 谨慎紧急响应 |
CN106409119A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 机械学习装置及方法、电动机驱动装置及电动机驱动*** |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8140358B1 (en) * | 1996-01-29 | 2012-03-20 | Progressive Casualty Insurance Company | Vehicle monitoring system |
US7839292B2 (en) | 2007-04-11 | 2010-11-23 | Nec Laboratories America, Inc. | Real-time driving danger level prediction |
JP2010030404A (ja) * | 2008-07-28 | 2010-02-12 | Visteon Global Technologies Inc | 先行車両の位置検出方法及び位置検出装置並びにデータフィルタリング方法 |
JP5789199B2 (ja) | 2009-02-25 | 2015-10-07 | ヴァレンセル,インコーポレイテッド | ヘッドセット及びイアバッド |
EP2859464B1 (en) * | 2012-06-08 | 2020-09-16 | Airbiquity, Inc. | Assessment of electronic sensor data to remotely identify a motor vehicle and monitor driver behavior |
ES2536328T3 (es) * | 2012-09-28 | 2015-05-22 | Telenav Gmbh | Procedimiento para la determinación de situaciones particulares de tráfico en el tráfico por carretera |
JP6384065B2 (ja) * | 2014-03-04 | 2018-09-05 | 日本電気株式会社 | 情報処理装置、学習方法、及び、プログラム |
US9898759B2 (en) * | 2014-03-28 | 2018-02-20 | Joseph Khoury | Methods and systems for collecting driving information and classifying drivers and self-driving systems |
CN103956007B (zh) * | 2014-04-27 | 2016-06-15 | 王美金 | 基于手机加速度传感器和陀螺仪的银行异常情况探测*** |
US9714037B2 (en) * | 2014-08-18 | 2017-07-25 | Trimble Navigation Limited | Detection of driver behaviors using in-vehicle systems and methods |
US10524716B2 (en) * | 2014-11-06 | 2020-01-07 | Maven Machines, Inc. | System for monitoring vehicle operator compliance with safe operating conditions |
CN104463244A (zh) | 2014-12-04 | 2015-03-25 | 上海交通大学 | 基于智能移动终端的异常驾驶行为监测和识别方法及*** |
CN105989726A (zh) * | 2015-02-05 | 2016-10-05 | 厦门雅迅网络股份有限公司 | 一种基于车载自动诊断***解决交通堵塞的方法 |
SG10201508064TA (en) * | 2015-09-28 | 2017-04-27 | Mastercard International Inc | Vehicle Telematics Policing System |
US10460534B1 (en) * | 2015-10-26 | 2019-10-29 | Allstate Insurance Company | Vehicle-to-vehicle accident detection |
US9749866B2 (en) * | 2015-11-20 | 2017-08-29 | Centric Consulting, LLC | Vehicle safety system and method |
CN106203626A (zh) | 2016-06-30 | 2016-12-07 | 北京奇虎科技有限公司 | 汽车驾驶行为检测方法及装置、汽车 |
US10250611B2 (en) * | 2017-03-14 | 2019-04-02 | Allstate Insurance Company | Authenticating drivers |
-
2017
- 2017-05-31 EP EP17911759.3A patent/EP3639253A4/en not_active Withdrawn
- 2017-05-31 CN CN201780091498.9A patent/CN110692093A/zh active Pending
- 2017-05-31 WO PCT/CN2017/086563 patent/WO2018218486A1/en unknown
- 2017-05-31 JP JP2019565885A patent/JP2020522798A/ja active Pending
-
2018
- 2018-05-30 TW TW107118520A patent/TWI754068B/zh active
-
2019
- 2019-11-29 US US16/699,211 patent/US11508236B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160039426A1 (en) * | 2012-03-14 | 2016-02-11 | Autoconnect Holdings Llc | Driver facts behavior information storage system |
CN103337179A (zh) * | 2013-07-01 | 2013-10-02 | 深圳市凯维特信息技术有限公司 | 车辆不良驾驶行为提醒***及方法 |
CN104794852A (zh) * | 2014-01-16 | 2015-07-22 | 程裕繁 | 以司机异常行为侦测与警示为基础的乘客人身及财产防护方法 |
CN104243713A (zh) * | 2014-09-24 | 2014-12-24 | 深圳先进技术研究院 | 基于智能手机的弯道检测方法 |
CN104802737A (zh) * | 2015-03-25 | 2015-07-29 | 清华大学 | 一种基于手机的车辆异常驾驶行为检测方法 |
CN106209138A (zh) * | 2015-05-29 | 2016-12-07 | 福特全球技术公司 | 谨慎紧急响应 |
CN106409119A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 机械学习装置及方法、电动机驱动装置及电动机驱动*** |
CN105608884A (zh) * | 2015-10-30 | 2016-05-25 | 东莞酷派软件技术有限公司 | 车载备案装置和乘客信息备案方法 |
CN105292052A (zh) * | 2015-11-12 | 2016-02-03 | 福州大学 | 车辆行车安全自动监控与报警*** |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150786A (zh) * | 2020-09-25 | 2020-12-29 | 北京百度网讯科技有限公司 | 控制车辆的方法、装置、车辆、电子设备和介质 |
CN112150786B (zh) * | 2020-09-25 | 2021-12-03 | 阿波罗智联(北京)科技有限公司 | 控制车辆的方法、装置、车辆、电子设备和介质 |
CN113434274A (zh) * | 2021-06-29 | 2021-09-24 | 湖南方心科技股份有限公司 | 一种智能数据感知的数据任务分配处理***与方法 |
CN113963533A (zh) * | 2021-09-15 | 2022-01-21 | 上海钧正网络科技有限公司 | 驾驶行为异常检测方法、装置、电子设备、服务器及介质 |
CN113963533B (zh) * | 2021-09-15 | 2023-01-31 | 上海钧正网络科技有限公司 | 驾驶行为异常检测方法、装置、电子设备、服务器及介质 |
CN114743290A (zh) * | 2022-05-17 | 2022-07-12 | 阿维塔科技(重庆)有限公司 | 一种行车记录控制方法、装置及汽车 |
Also Published As
Publication number | Publication date |
---|---|
TW201905843A (zh) | 2019-02-01 |
US11508236B2 (en) | 2022-11-22 |
TWI754068B (zh) | 2022-02-01 |
WO2018218486A1 (en) | 2018-12-06 |
EP3639253A4 (en) | 2020-06-03 |
US20200105130A1 (en) | 2020-04-02 |
EP3639253A1 (en) | 2020-04-22 |
JP2020522798A (ja) | 2020-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI754068B (zh) | 用於基於運動資料識別駕駛行為的裝置和方法 | |
EP3560171B1 (en) | Systems and methods for identifying risky driving behavior | |
CA3028630C (en) | Systems and methods for identifying risky driving behavior | |
CN109155104B (zh) | 推荐估计到达时间的***和方法 | |
EP3638542B1 (en) | System and method for contextualized vehicle operation determination | |
US11568492B2 (en) | Information processing apparatus, information processing method, program, and system | |
US11040712B2 (en) | Information processing apparatus and information processing method | |
CN104978024B (zh) | 用可佩戴计算设备来检测驾驶 | |
Yi et al. | Implicit personalization in driving assistance: State-of-the-art and open issues | |
CN110235152A (zh) | 交通工具服务*** | |
KR20190031951A (ko) | 운송 장치에 구비된 전자 장치 및 이의 제어 방법 | |
JP6856675B2 (ja) | オンライン・ツー・オフライン・サービスプラットフォームにおいて酒酔い要求者を識別するためのシステムおよび方法 | |
CN110782625A (zh) | 乘车安全报警方法、装置、电子设备及存储介质 | |
Poon et al. | YOLO-based deep learning design for in-cabin monitoring system with fisheye-lens camera | |
CN110875937A (zh) | 一种信息推送方法和*** | |
CN110225446B (zh) | 一种识别驾驶行为的***、方法、装置和存储介质 | |
JP6697998B2 (ja) | 移動体保険料算出方法、移動体保険料算出装置、移動体保険料算出プログラム及び移動体 | |
Lashkov et al. | A multimodal approach to psycho-emotional state detection of a vehicle driver | |
WO2021056327A1 (en) | Systems and methods for analyzing human driving behavior | |
CN112219206A (zh) | 用于确定位姿的***和方法 | |
CN111401030A (zh) | 服务异常识别方法、装置、服务器及可读存储介质 | |
AU2018102206A4 (en) | Systems and methods for identifying drunk requesters in an Online to Offline service platform | |
CN111428545A (zh) | 行为判断方法、装置及电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |
|
RJ01 | Rejection of invention patent application after publication |