CN114970705B - 基于多传感数据的行驶状态分析方法、装置、设备及介质 - Google Patents
基于多传感数据的行驶状态分析方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114970705B CN114970705B CN202210548853.3A CN202210548853A CN114970705B CN 114970705 B CN114970705 B CN 114970705B CN 202210548853 A CN202210548853 A CN 202210548853A CN 114970705 B CN114970705 B CN 114970705B
- Authority
- CN
- China
- Prior art keywords
- data
- noise reduction
- sensor data
- time domain
- channel noise
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 65
- 230000009467 reduction Effects 0.000 claims abstract description 144
- 230000006399 behavior Effects 0.000 claims abstract description 44
- 230000009466 transformation Effects 0.000 claims abstract description 42
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000028838 turning behavior Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/84—Data processing systems or methods, management, administration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种基于多传感数据的行驶状态分析方法,包括:获取目标车辆中每个传感器数据进行时域对齐;将传感器数据进行小波变换降噪,得到第一通道降噪数据;将传感器数据进行差分降噪,得到第二通道降噪数据;计算第一通道降噪数据与第二通道降噪数据在时域内的均值,得到双通道降噪数据,并将双通道降噪数据进行频域转换,得到频域数据;根据频域数据统计目标车辆对应的预设驾驶行为的驾驶行为数据,利用预先训练的车载轻量化模型对驾驶行为数据进行状态进行分类,得到目标车辆的行驶状态。本发明还提出一种基于多传感数据的行驶状态分析装置、设备及介质。本发明可以提高车辆行驶状态分析的精确度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于多传感数据的行驶状态分析方法、装置、电子设备及计算机可读存储介质。
背景技术
信息时代科技赋能产品,通过大数据对事物行为及状态进行分析,以实现对事物的认知与了解已经成为了越来越常见的技术手段。尤其车辆状态告警的领域中,往往是基于车辆当前的各项行驶参数来对于车辆行驶状态的分析,例如,车辆行驶时的车速、行车轨迹、急转弯次数等。但在对这类数据进行分析时,多利用多传感器采集分析的方法,对数据进行处理,但当存在多个传感器时,往往由于不同传感器之间差异性,以及传感器数据本身的时域复杂性特征,导致直接利用传感器数据分析车辆状况时,分析的精确度较低。
发明内容
本发明提供一种基于多传感数据的行驶状态分析方法、装置及计算机可读存储介质,其主要目的在于解决车辆行驶状态分析的精确度较低的问题。
为实现上述目的,本发明提供的一种基于多传感数据的行驶状态分析方法,包括:
获取目标车辆中多个传感器的传感器数据,对每个所述传感器数据进行时域对齐;
将时域对齐后的所述传感器数据进行小波变换降噪,得到第一通道降噪数据;
将时域对齐后的所述传感器数据进行差分降噪,得到第二通道降噪数据;
计算所述第一通道降噪数据与所述第二通道降噪数据在时域内的均值,得到双通道降噪数据,并将所述双通道降噪数据进行频域转换,得到频域数据;
根据所述频域数据统计所述目标车辆对应的预设驾驶行为的驾驶行为数据,利用预先训练的车载轻量化模型对所述驾驶行为数据进行状态进行分类,得到所述目标车辆的行驶状态。
可选地,所述对每个所述传感器数据进行时域对齐,包括:
统计所述多个传感器的传感器数据对应的起始时间和终止时间;
选取所述起始时间最晚的传感器数据对应的起始时间为第一目标时刻;
选取所述终止时间最早的传感器数据对应的终止时间为第二目标时刻;
按照所述第一目标时刻与所述第二目标时刻对所述传感器数据进行数据截取,得到时域对齐后的传感器数据。
可选地,所述将时域对齐后的所述传感器数据进行小波变换降噪,得到第一通道降噪数据,包括:
利用拉普拉斯金字塔变换对所述对传感器数据进行N个不同矢量方向的分解,得到N个不同矢量方向中每个矢量方向上的第一数据分量;
利用方向滤波器对每个所述第一数据分量中的高频分量进行M个不同矢量方向的分解,得到M个不同矢量方向中每个矢量方向上的第二数据分量;
将所述第一数据分量与所述第二数据分量拼接为融合分量,并对所述融合分量进行小波变换反变换,得到所述第一通道降噪数据。
可选地,所述将时域对齐后的所述传感器数据进行差分降噪,得到第二通道降噪数据,包括:
获取预先确定的与所述目标车辆对应的常态化传感噪音,根据所述常态化传感噪音构建差分信号;
将所述差分信号与所述传感器数据进行时域求和,得到所述第二通道降噪数据。
可选地,所述根据所述常态化传感噪音构建差分信号,包括:
将所述常态化传感噪声数据映射至预设的时域坐标系,得到时域噪声数据;
在所述时域坐标系内对所述时域噪声数据进行横轴对称变换,并将对称变换后的时域噪声数据作为所述差分信号。
可选地,所述将所述双通道降噪数据进行频域转换,得到频域数据,包括:
按照预设的时间间隔对所述双通道降噪数据进行切分,得到多个数据段;
利用预设的加窗函数对每个所述数据段进行加窗处理,得多个加窗数据段;
对每个所述加窗数据段进行傅里叶变换,得到每个加窗数据段对应的频域数据段;
将每个所述加窗数据段对应的频域数据段进行拼接,得到所述双通道降噪数据的频域数据。
可选地,所述利用预先训练的车载轻量化模型对所述驾驶行为数据进行状态进行分类,得到所述目标车辆的行驶状态,包括:
利用所述车载轻量化模型对所述驾驶行为数据进行预设次数的多维度卷积,得到卷积数据;
对所述卷积数据进行池化处理以及全连接处理,得到数据特征;
利用预设的激活函数分别计算所述数据特征与预设的多个状态标签之间的相对概率值;
确定所述相对概率值最大的状态标签为所述目标车辆的行驶状态。
为了解决上述问题,本发明还提供一种基于多传感数据的行驶状态分析装置,所述装置包括:
时域分析模块,用于获取目标车辆中多个传感器的传感器数据,对每个所述传感器数据进行时域对齐;
第一降噪模块,用于将时域对齐后的所述传感器数据进行小波变换降噪,得到第一通道降噪数据;
第二降噪模块,用于将时域对齐后的所述传感器数据进行差分降噪,得到第二通道降噪数据;
频域分析模块,用于计算所述第一通道降噪数据与所述第二通道降噪数据在时域内的均值,得到双通道降噪数据,并将所述双通道降噪数据进行频域转换,得到频域数据;
状态分析模块,用于根据所述频域数据统计所述目标车辆对应的预设驾驶行为的驾驶行为数据,利用预先训练的车载轻量化模型对所述驾驶行为数据进行状态进行分类,得到所述目标车辆的行驶状态。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的基于多传感数据的行驶状态分析方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于多传感数据的行驶状态分析方法。
本发明实施例通过对每个所述传感器数据进行时域对齐,可以消除不同传感器采集到的数据之间的时间差,有利于对多个传感器数据进行精确分析,进而提升后续对汽车行驶状态进行分析的精确度;通过差分降噪与小波变换降噪对传感器数据实现双通道降噪,进一步提升对目标车辆的行驶状态进行分析的精确度,利用车载轻量化模型对驾驶行为数据进行状态进行分类,只需将传感器数据在车机内的本地模型进行分析,无需连接云端服务器,有利于提升数据处理效率,同时提升用户数据的隐私安全性。因此本发明提出的基于多传感数据的行驶状态分析方法、装置、电子设备及计算机可读存储介质,可以解决车辆行驶状态分析的精确度较低的问题。
附图说明
图1为本发明一实施例提供的基于多传感数据的行驶状态分析方法的流程示意图;
图2为本发明一实施例提供的对每个传感器数据进行时域对齐的流程示意图;
图3为本发明一实施例提供的将双通道降噪数据进行频域转换的流程示意图;
图4为本发明一实施例提供的基于多传感数据的行驶状态分析装置的功能模块图;
图5为本发明一实施例提供的实现所述基于多传感数据的行驶状态分析方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于多传感数据的行驶状态分析方法。所述基于多传感数据的行驶状态分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于多传感数据的行驶状态分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于多传感数据的行驶状态分析方法的流程示意图。在本实施例中,所述基于多传感数据的行驶状态分析方法包括:
S1、获取目标车辆中多个传感器的传感器数据,对每个所述传感器数据进行时域对齐。
本发明实施例中,所述目标车辆可以为任何配备有数据传感器的车辆,所述多个传感器包括但不限于压力传感器、温度传感器、加速度传感器、角速度传感器、摄像头、超声波雷达、激光雷达等。
详细地,可通过预先安装与所述目标车辆内的车机电脑对所述目标车辆中的多个传感器的传感器数据进行实时获取。
本发明其中一个实际应用场景中,为了实现对所述目标车辆的行驶状态的全方面分析,会对多个传感器数据进行获取,但不同的传感器的数据采集可能存在细小的时间差,因此,为了对多个传感器数据进行精确分析,进而提升后续对汽车行驶状态进行分析的精确度,可对每个所述传感器数据进行时域对齐,以消除不同传感器采集到的数据之间的时间差。
本发明实施例中,参图2所示,所述对每个所述传感器数据进行时域对齐,包括:
S21、统计所述多个传感器的传感器数据对应的起始时间和终止时间;
S22、选取所述起始时间最晚的传感器数据对应的起始时间为第一目标时刻;
S23、选取所述终止时间最早的传感器数据对应的终止时间为第二目标时刻;
S24、按照所述第一目标时刻与所述第二目标时刻对所述传感器数据进行数据截取,得到时域对齐后的传感器数据。
例如,所述目标车辆中包含传感器A、传感器B和传感器C,其中,传感器A对应的传感器数据的起始时间为2:02,终止时间为3:01;传感器B对应的传感器数据的起始时间为2:00,终止时间为3:02,;传感器C对应的传感器数据的起始时间为2:00,终止时间为3:00;则可知,传感器A对应的传感器数据的起始时间最晚,则确定2:02为第一目标时刻,传感器C对应的终止时间最早,则确定3:00为第二目标时刻;进而,截取传感器A、传感器B和传感器C对应的传感器数据在第一目标时刻(2:02)以及第二目标时刻(3:00)之内的传感器数据,得到时域对齐后的传感器数据。
S2、将时域对齐后的所述传感器数据进行小波变换降噪,得到第一通道降噪数据。
本发明实施例中,传感器是通过对目标车辆在行驶状态下的各项车辆数据进行感知,从而生成传感器数据,但车辆在行驶状态下的周围环境十分复杂,受到路况、天气等诸多因素的影响,因此,传感器采集到的传感器数据中可能包含部分噪音数据,不利于后续根据所述传感器数据分析得到所述目标车辆的精确行驶状态,因此,可对所述传感器数据进行数据降噪,以提升所述传感器数据的精确度。
详细地,可采用小波变换降噪的方式对所述传感器数据进行降噪,所述小波变换降噪本质是通过对原先传感器数据进行非线性变换分析,以对所述传感器数据进行小波分解,实现噪声数据的剔除,可实现对所述传感器数据的精确降噪。
本发明实施例中,所述将时域对齐后的所述传感器数据进行小波变换降噪,得到第一通道降噪数据,包括:
利用拉普拉斯金字塔变换对所述对传感器数据进行N个不同矢量方向的分解,得到N个不同矢量方向中每个矢量方向上的第一数据分量;
利用方向滤波器对每个所述第一数据分量中的高频分量进行M个不同矢量方向的分解,得到M个不同矢量方向中每个矢量方向上的第二数据分量;
将所述第一数据分量与所述第二数据分量拼接为融合分量,并对所述融合分量进行小波变换反变换,得到所述第一通道降噪数据。
具体地,所述利用拉普拉斯金字塔变换对所述对传感器数据进行N个不同矢量方向的分解,即将所述对传感器数据输入至所述拉普拉斯金字塔中,通过所述拉普拉斯金字塔内的不同层次分别对所述对传感器数据进行多个矢量方向上的采样分解,得到不同方向上分解出的第一数据分量。
进一步地,可将每个第一数据分量输入至预设的方向滤波器中,进而利用具有M个不同方向的方向滤波器对每个第一影像进行采样分解,得到M个不同矢量方向中每个矢量方向上的第二数据分量。
本发明实施例中,可将所述第一数据分量与所述第二数据分量作为单个矩阵元素量进行矩阵融合,得到分量矩阵,并对所述分量矩阵进行小波变换反变换,以得到所述第一通道降噪数据。
本发明实施例中,利用拉普拉斯金字塔变换和方向滤波器对所述传感器数据以及该传感器数据在不同矢量方向上的分量进行分解,可实现在对所述传感器数据以及各不同方向上分量的细化频率和时间分析,有利于提高最终生成的第一通道降噪数据的精确度。
S3、将时域对齐后的所述传感器数据进行差分降噪,得到第二通道降噪数据。
本发明其中一个实际应用场景中,如S2所述,可将时域对齐后的所述传感器数据进行小波变换降噪,得到第一通道降噪数据,但仅依靠小波变换降噪对所述传感器数据进行降噪,可能会导致所述传感器数据中与小波变换原理相贴近的噪声数据无法被清除,因此,导致最终得到的第一通道降噪数据中仍会包含部分噪声数据。
本发明实施例中,还可对所述传感器数据进行差分降噪,以得到第二通道降噪数据,进而在后续结合第一通道降噪数据与第二通道降噪数据进行综合分析,以对所述传感器数据实现双通道降噪,进一步提升对所述目标车辆的行驶状态进行分析的精确度。
本发明实施例中,所述将时域对齐后的所述传感器数据进行差分降噪,得到第二通道降噪数据,包括:
获取预先确定的与所述目标车辆对应的常态化传感噪音,根据所述常态化传感噪音构建差分信号;
将所述差分信号与所述传感器数据进行时域求和,得到所述第二通道降噪数据。
详细地,所述常态化传感噪音是预先通过对所述目标车辆在历史行驶过程中传感器数据内包含的噪音数据进行分析得到的噪声数据,该噪声数据可用于表示所述目标车辆在行驶过程中的噪声。
具体地,所述根据所述常态化传感噪音构建差分信号,包括:
将所述常态化传感噪声数据映射至预设的时域坐标系,得到时域噪声数据;
在所述时域坐标系内对所述时域噪声数据进行横轴对称变换,并将对称变换后的时域噪声数据作为所述差分信号。
详细地,所述横轴对称变换即将所述时域噪声数据以所述时域坐标系的横轴为镜像中心进行对称处理,以构建出所述差分信号。
进一步地,可利用信号的互补抵消特性,将所述差分信号与所述传感器数据在是域内按照时间顺序进行求和,即可得到所述第二通道降噪数据。
本发明实施例中,利用差分信号可实现快速地对所述传感器数据进行降噪。
S4、计算所述第一通道降噪数据与所述第二通道降噪数据在时域内的均值,得到双通道降噪数据,并将所述双通道降噪数据进行频域转换,得到频域数据。
本发明实施例中,可计算所述第一通道降噪数据与所述第二通道降噪数据在时域内每一时刻的均值,进而将所述均值作为双通道降噪数据,实现了对小波变换降噪与差分降噪的结合(即对所述传感器数据的双通道降噪),进而有利于提升最终得到的双通道降噪数据的精确度。
本发明其中一个实际应用场景中,由于所述双通道降噪数据是所述传感器数据通过双通道降噪得到的,因此,所述双通道降噪数据为时域数据。由于时域数据的变换复杂性,若直接对时域数据进行分析,会产生极大的计算难度,因此,可将所述双通道降噪数据进行频域转换,得到所述双通道降噪数据对应的频域数据,以提升后续的分析效率和精确度。
本发明实施例中,参图3所示,所述将所述双通道降噪数据进行频域转换,得到频域数据,包括:
S31、按照预设的时间间隔对所述双通道降噪数据进行切分,得到多个数据段;
S32、利用预设的加窗函数对每个所述数据段进行加窗处理,得多个加窗数据段;
S33、对每个所述加窗数据段进行傅里叶变换,得到每个加窗数据段对应的频域数据段;
S34、将每个所述加窗数据段对应的频域数据段进行拼接,得到所述双通道降噪数据的频域数据。
详细地,由于所述双通道降噪数据为时域数据,具有时间属性,因此可通过对所述双通道降噪数据按照预设时间间隔进行划分,得到多个数据段,可实现利用数据的局部稳定性,提高对降噪传感数据进行分析的精确度。
进一步地,可利用预设的加窗函数对每个所述数据段进行加窗处理,得多个加窗数据段,其中,所述加窗函数包括但不限于幂窗函数、三角窗函数、汉宁窗函数等。
具体地,可通过逐个对每一个加窗数据段进行傅里叶函数变换,得到每个加窗数据段对应的频域数据段,进而将所有频域数据段拼接为所述双通道降噪数据的频域数据。
本发明实施例中,通过傅里叶变换实现了将原先在时域内以“振幅-时间”的关系进行描绘的数据转换为频域内以“振幅-频率”的关系进行描绘的数据,以剔除所述双通道降噪数据中的时间属性,提升对所述双通道降噪数据进行分析的效率。
S5、根据所述频域数据统计所述目标车辆对应的预设驾驶行为的驾驶行为数据,利用预先训练的车载轻量化模型对所述驾驶行为数据进行状态进行分类,得到所述目标车辆的行驶状态。
本发明实施例中,由于存在多个传感器,且不同传感器捕获到的外界数据不同,因此,在不同状态下的目标车辆对应的传感器数据在转换为频域传感数据后,可对多个传感器的频域数据进行统计分析,以确定目标车辆对应的预设驾驶行为的驾驶行为数据,其中,所述预设的驾驶行为包括但不限加速行为、急刹行为、急转弯行为等,所述驾驶行为数据包括但不限于加速度、急刹车距离、急转弯角度等。
本发明其中一个实际应用场景中,为了实现对所述目标车辆的形式状态进行精确判断,可利用预先训练的车载轻量化模型对所述驾驶行为数据进行状态分类,以识别所述目标车辆的行驶状态。
详细地,所述车载轻量模型包括但不限于MobileNet、ShuffleNet、ShuffleNet等。
本发明实施例中,所述利用预先训练的车载轻量化模型对所述驾驶行为数据进行状态进行分类,得到所述目标车辆的行驶状态,包括:
利用所述车载轻量化模型对所述驾驶行为数据进行预设次数的多维度卷积,得到卷积数据;
对所述卷积数据进行池化处理以及全连接处理,得到数据特征;
利用预设的激活函数分别计算所述数据特征与预设的多个状态标签之间的相对概率值;
确定所述相对概率值最大的状态标签为所述目标车辆的行驶状态。
详细地,可利用所述车载轻量化模型中不同规格的卷积核对所述驾驶行为数据进行预设次数的多维度卷积,其中,所述预设次数为经验次数。
具体地,预设的激活函数包括但不限于relu激活函数、sigmoid激活函数等,所述多个状态标签为预先确定的用于对汽车的多种不同行驶状态进行标记的数据标签。
详细地,可利用该激活函数分别计算所述数据特征与预设的多个状态标签之间的相对概率值,所述相对概率值是指所述数据特征属于某一状态标签的概率值,进而选取所述相对概率值最大的状态标签为所述目标车辆的行驶状态。
本发明实施例中,利用车载轻量化模型对所述驾驶行为数据进行状态进行分类,只需将传感器数据在车机内的本地模型进行分析,无需连接云端服务器,有利于提升数据处理效率,同时提升用户数据的隐私安全性。
本发明实施例通过对每个所述传感器数据进行时域对齐,可以消除不同传感器采集到的数据之间的时间差,有利于对多个传感器数据进行精确分析,进而提升后续对汽车行驶状态进行分析的精确度;通过差分降噪与小波变换降噪对传感器数据实现双通道降噪,进一步提升对目标车辆的行驶状态进行分析的精确度,利用车载轻量化模型对驾驶行为数据进行状态进行分类,只需将传感器数据在车机内的本地模型进行分析,无需连接云端服务器,有利于提升数据处理效率,同时提升用户数据的隐私安全性。因此本发明提出的基于多传感数据的行驶状态分析方法、装置、电子设备及计算机可读存储介质,可以解决车辆行驶状态分析的精确度较低的问题。
如图4所示,是本发明一实施例提供的基于多传感数据的行驶状态分析装置的功能模块图。
本发明所述基于多传感数据的行驶状态分析装置100可以安装于电子设备中。根据实现的功能,所述基于多传感数据的行驶状态分析装置100可以包括时域分析模块101、第一降噪模块102、第二降噪模块103、频域分析模块104及状态分析模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述时域分析模块101,用于获取目标车辆中多个传感器的传感器数据,对每个所述传感器数据进行时域对齐;
所述第一降噪模块102,用于将时域对齐后的所述传感器数据进行小波变换降噪,得到第一通道降噪数据;
所述第二降噪模块103,用于将时域对齐后的所述传感器数据进行差分降噪,得到第二通道降噪数据;
所述频域分析模块104,用于计算所述第一通道降噪数据与所述第二通道降噪数据在时域内的均值,得到双通道降噪数据,并将所述双通道降噪数据进行频域转换,得到频域数据;
所述状态分析模块105,用于根据所述频域数据统计所述目标车辆对应的预设驾驶行为的驾驶行为数据,利用预先训练的车载轻量化模型对所述驾驶行为数据进行状态进行分类,得到所述目标车辆的行驶状态。
详细地,本发明实施例中所述基于多传感数据的行驶状态分析装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于多传感数据的行驶状态分析方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于多传感数据的行驶状态分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于多传感数据的行驶状态分析程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于多传感数据的行驶状态分析程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于多传感数据的行驶状态分析程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图中示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于多传感数据的行驶状态分析程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取目标车辆中多个传感器的传感器数据,对每个所述传感器数据进行时域对齐;
将时域对齐后的所述传感器数据进行小波变换降噪,得到第一通道降噪数据;
将时域对齐后的所述传感器数据进行差分降噪,得到第二通道降噪数据;
计算所述第一通道降噪数据与所述第二通道降噪数据在时域内的均值,得到双通道降噪数据,并将所述双通道降噪数据进行频域转换,得到频域数据;
根据所述频域数据统计所述目标车辆对应的预设驾驶行为的驾驶行为数据,利用预先训练的车载轻量化模型对所述驾驶行为数据进行状态进行分类,得到所述目标车辆的行驶状态。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取目标车辆中多个传感器的传感器数据,对每个所述传感器数据进行时域对齐;
将时域对齐后的所述传感器数据进行小波变换降噪,得到第一通道降噪数据;
将时域对齐后的所述传感器数据进行差分降噪,得到第二通道降噪数据;
计算所述第一通道降噪数据与所述第二通道降噪数据在时域内的均值,得到双通道降噪数据,并将所述双通道降噪数据进行频域转换,得到频域数据;
根据所述频域数据统计所述目标车辆对应的预设驾驶行为的驾驶行为数据,利用预先训练的车载轻量化模型对所述驾驶行为数据进行状态进行分类,得到所述目标车辆的行驶状态。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于多传感数据的行驶状态分析方法,其特征在于,所述方法包括:
获取目标车辆中多个传感器的传感器数据,对每个所述传感器数据进行时域对齐;
将时域对齐后的所述传感器数据进行小波变换降噪,得到第一通道降噪数据;
将时域对齐后的所述传感器数据进行差分降噪,得到第二通道降噪数据;
计算所述第一通道降噪数据与所述第二通道降噪数据在时域内的均值,得到双通道降噪数据,并将所述双通道降噪数据进行频域转换,得到频域数据;
根据所述频域数据统计所述目标车辆对应的预设驾驶行为的驾驶行为数据,利用预先训练的车载轻量化模型对所述驾驶行为数据进行状态进行分类,得到所述目标车辆的行驶状态;
其中,所述将时域对齐后的所述传感器数据进行差分降噪,得到第二通道降噪数据,包括:
获取预先确定的与所述目标车辆对应的常态化传感噪音,根据所述常态化传感噪音构建差分信号;
将所述差分信号与所述传感器数据进行时域求和,得到所述第二通道降噪数据;
其中,所述根据所述常态化传感噪音构建差分信号,包括:
将所述常态化传感噪声数据映射至预设的时域坐标系,得到时域噪声数据;
在所述时域坐标系内对所述时域噪声数据进行横轴对称变换,并将对称变换后的时域噪声数据作为所述差分信号。
2.如权利要求1所述的基于多传感数据的行驶状态分析方法,其特征在于,所述对每个所述传感器数据进行时域对齐,包括:
统计所述多个传感器的传感器数据对应的起始时间和终止时间;
选取所述起始时间最晚的传感器数据对应的起始时间为第一目标时刻;
选取所述终止时间最早的传感器数据对应的终止时间为第二目标时刻;
按照所述第一目标时刻与所述第二目标时刻对所述传感器数据进行数据截取,得到时域对齐后的传感器数据。
3.如权利要求1所述的基于多传感数据的行驶状态分析方法,其特征在于,所述将时域对齐后的所述传感器数据进行小波变换降噪,得到第一通道降噪数据,包括:
利用拉普拉斯金字塔变换对所述传感器数据进行N个不同矢量方向的分解,得到N个不同矢量方向中每个矢量方向上的第一数据分量;
利用方向滤波器对每个所述第一数据分量中的高频分量进行M个不同矢量方向的分解,得到M个不同矢量方向中每个矢量方向上的第二数据分量;
将所述第一数据分量与所述第二数据分量拼接为融合分量,并对所述融合分量进行小波变换反变换,得到所述第一通道降噪数据。
4.如权利要求1所述的基于多传感数据的行驶状态分析方法,其特征在于,所述将所述双通道降噪数据进行频域转换,得到频域数据,包括:
按照预设的时间间隔对所述双通道降噪数据进行切分,得到多个数据段;
利用预设的加窗函数对每个所述数据段进行加窗处理,得多个加窗数据段;
对每个所述加窗数据段进行傅里叶变换,得到每个加窗数据段对应的频域数据段;
将每个所述加窗数据段对应的频域数据段进行拼接,得到所述双通道降噪数据的频域数据。
5.如权利要求1至4中任一项所述的基于多传感数据的行驶状态分析方法,其特征在于,所述利用预先训练的车载轻量化模型对所述驾驶行为数据进行状态进行分类,得到所述目标车辆的行驶状态,包括:
利用所述车载轻量化模型对所述驾驶行为数据进行预设次数的多维度卷积,得到卷积数据;
对所述卷积数据进行池化处理以及全连接处理,得到数据特征;
利用预设的激活函数分别计算所述数据特征与预设的多个状态标签之间的相对概率值;
确定所述相对概率值最大的状态标签为所述目标车辆的行驶状态。
6.一种基于多传感数据的行驶状态分析装置,其特征在于,所述装置包括:
时域分析模块,用于获取目标车辆中多个传感器的传感器数据,对每个所述传感器数据进行时域对齐;
第一降噪模块,用于将时域对齐后的所述传感器数据进行小波变换降噪,得到第一通道降噪数据;
第二降噪模块,用于将时域对齐后的所述传感器数据进行差分降噪,得到第二通道降噪数据,包括:获取预先确定的与所述目标车辆对应的常态化传感噪音,根据所述常态化传感噪音构建差分信号;将所述差分信号与所述传感器数据进行时域求和,得到所述第二通道降噪数据;其中,所述根据所述常态化传感噪音构建差分信号,包括:
将所述常态化传感噪声数据映射至预设的时域坐标系,得到时域噪声数据;在所述时域坐标系内对所述时域噪声数据进行横轴对称变换,并将对称变换后的时域噪声数据作为所述差分信号;
频域分析模块,用于计算所述第一通道降噪数据与所述第二通道降噪数据在时域内的均值,得到双通道降噪数据,并将所述双通道降噪数据进行频域转换,得到频域数据;
状态分析模块,用于根据所述频域数据统计所述目标车辆对应的预设驾驶行为的驾驶行为数据,利用预先训练的车载轻量化模型对所述驾驶行为数据进行状态进行分类,得到所述目标车辆的行驶状态。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至5中任意一项所述的基于多传感数据的行驶状态分析方法。
8.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的基于多传感数据的行驶状态分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210548853.3A CN114970705B (zh) | 2022-05-20 | 2022-05-20 | 基于多传感数据的行驶状态分析方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210548853.3A CN114970705B (zh) | 2022-05-20 | 2022-05-20 | 基于多传感数据的行驶状态分析方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114970705A CN114970705A (zh) | 2022-08-30 |
CN114970705B true CN114970705B (zh) | 2024-05-07 |
Family
ID=82985727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210548853.3A Active CN114970705B (zh) | 2022-05-20 | 2022-05-20 | 基于多传感数据的行驶状态分析方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114970705B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116058298B (zh) * | 2023-03-06 | 2023-09-12 | 北京市农林科学院信息技术研究中心 | 家畜行为监测方法及装置 |
CN116502982B (zh) * | 2023-06-26 | 2023-09-08 | 深圳市汉德网络科技有限公司 | 一种罐装船货物流向管控方法及*** |
CN117056799B (zh) * | 2023-08-03 | 2024-03-26 | 广东省机场管理集团有限公司工程建设指挥部 | 一种车辆传感器数据的处理方法、装置、设备及介质 |
CN117171701B (zh) * | 2023-08-14 | 2024-05-14 | 陕西天行健车联网信息技术有限公司 | 一种车辆行驶数据处理方法、装置、设备和介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815821A (zh) * | 2017-01-23 | 2017-06-09 | 上海兴芯微电子科技有限公司 | 近红外图像的去噪方法和装置 |
CN108694407A (zh) * | 2017-04-11 | 2018-10-23 | 西安邮电大学 | 一种基于移动终端的驾驶行为识别方法 |
CN108960033A (zh) * | 2018-04-03 | 2018-12-07 | 浙江工业大学 | 一种基于驾驶员前臂加速度的时速自适应变道驾驶行为检测方法 |
EP3722908A1 (en) * | 2019-04-09 | 2020-10-14 | Bayerische Motoren Werke Aktiengesellschaft | Learning a scenario-based distribution of human driving behavior for realistic simulation model |
CN112967204A (zh) * | 2021-03-23 | 2021-06-15 | 新疆爱华盈通信息技术有限公司 | 热成像的降噪处理方法与***、电子设备 |
CN113033463A (zh) * | 2021-04-09 | 2021-06-25 | 腾讯科技(深圳)有限公司 | 减速带检测方法、装置、电子设备及存储介质 |
CN113415292A (zh) * | 2021-06-28 | 2021-09-21 | 华东交通大学 | 一种驾驶接管能力评估方法及电子装置 |
CN113639775A (zh) * | 2021-08-11 | 2021-11-12 | 武汉钧恒科技有限公司 | 一种基于布里渊光时域反射仪的频移提取的方法和装置 |
CN113642548A (zh) * | 2021-10-18 | 2021-11-12 | 氢山科技有限公司 | 氢能运输车的异常驾驶行为检测、装置和计算机设备 |
CN114066664A (zh) * | 2021-11-29 | 2022-02-18 | 中国平安财产保险股份有限公司 | 基于行为画像的风险等级评估方法、装置、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3028630C (en) * | 2018-03-01 | 2023-10-17 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for identifying risky driving behavior |
US11148673B2 (en) * | 2020-01-13 | 2021-10-19 | Pony Ai Inc. | Vehicle operator awareness detection |
-
2022
- 2022-05-20 CN CN202210548853.3A patent/CN114970705B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815821A (zh) * | 2017-01-23 | 2017-06-09 | 上海兴芯微电子科技有限公司 | 近红外图像的去噪方法和装置 |
CN108694407A (zh) * | 2017-04-11 | 2018-10-23 | 西安邮电大学 | 一种基于移动终端的驾驶行为识别方法 |
CN108960033A (zh) * | 2018-04-03 | 2018-12-07 | 浙江工业大学 | 一种基于驾驶员前臂加速度的时速自适应变道驾驶行为检测方法 |
EP3722908A1 (en) * | 2019-04-09 | 2020-10-14 | Bayerische Motoren Werke Aktiengesellschaft | Learning a scenario-based distribution of human driving behavior for realistic simulation model |
CN112967204A (zh) * | 2021-03-23 | 2021-06-15 | 新疆爱华盈通信息技术有限公司 | 热成像的降噪处理方法与***、电子设备 |
CN113033463A (zh) * | 2021-04-09 | 2021-06-25 | 腾讯科技(深圳)有限公司 | 减速带检测方法、装置、电子设备及存储介质 |
CN113415292A (zh) * | 2021-06-28 | 2021-09-21 | 华东交通大学 | 一种驾驶接管能力评估方法及电子装置 |
CN113639775A (zh) * | 2021-08-11 | 2021-11-12 | 武汉钧恒科技有限公司 | 一种基于布里渊光时域反射仪的频移提取的方法和装置 |
CN113642548A (zh) * | 2021-10-18 | 2021-11-12 | 氢山科技有限公司 | 氢能运输车的异常驾驶行为检测、装置和计算机设备 |
CN114066664A (zh) * | 2021-11-29 | 2022-02-18 | 中国平安财产保险股份有限公司 | 基于行为画像的风险等级评估方法、装置、设备及介质 |
Non-Patent Citations (2)
Title |
---|
Driving behavior tracking and recognition based on multisensors data fusion;Liu L等;《IEEE Sensors Journal》;20200915;第20卷(第18期);第10811-10823页 * |
基于深度学习的驾驶员换道行为预测;惠飞;魏诚;;计算机***应用;20200331(第03期);第59-67页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114970705A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114970705B (zh) | 基于多传感数据的行驶状态分析方法、装置、设备及介质 | |
US11106969B2 (en) | Method and apparatus for driver identification leveraging telematics data | |
CN110689043A (zh) | 一种基于多重注意力机制的车辆细粒度识别方法及装置 | |
CN111931729B (zh) | 基于人工智能的行人检测方法、装置、设备及介质 | |
CN112861833A (zh) | 车辆车道级定位方法、装置、电子设备和计算机可读介质 | |
CN113423063A (zh) | 基于车载t-box的车辆监控方法、装置、车辆及介质 | |
CN114187489B (zh) | 车辆异常驾驶风险检测方法、装置、电子设备及存储介质 | |
CN113793620B (zh) | 基于场景分类的语音降噪方法、装置、设备及存储介质 | |
CN114066664A (zh) | 基于行为画像的风险等级评估方法、装置、设备及介质 | |
CN113409393B (zh) | 用于识别交通标志牌的方法及装置 | |
CN116823884A (zh) | 多目标跟踪方法、***、计算机设备及存储介质 | |
CN115563734A (zh) | 故障容错时间间隔计算方法及装置、电子设备、存储介质 | |
CN111383337B (zh) | 用于识别对象的方法和装置 | |
CN115019511A (zh) | 基于自动驾驶车辆的识别机动车违规变道的方法和装置 | |
CN110660217B (zh) | 用于检测信息安全的方法及装置 | |
Abdelgawad et al. | Estimating vehicle speed on highway roads from smartphone sensors using deep learning models | |
CN112270245B (zh) | 行车违法检测方法、装置、设备及计算机介质 | |
CN112861701A (zh) | 违章停车识别方法、装置、电子设备以及计算机可读介质 | |
CN112101279B (zh) | 目标物异常检测方法、装置、电子设备及存储介质 | |
CN116051637A (zh) | Vo可靠性评估方法、模型训练方法、装置、设备及产品 | |
CN116887257B (zh) | 车联网卡的滥用识别方法、装置、电子设备和存储介质 | |
CN118155424B (zh) | 基于数据交互实现高速公路的道路安全管理方法及*** | |
Barnwal et al. | Advanced Driver Assistance System for Autonomous Vehicles Using Deep Neural Network | |
CN116524471A (zh) | 置信度阈值的确定方法、装置、设备及存储介质 | |
CN114997258A (zh) | 一种无人机安全检测方法及装置 |
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 |