CN115492493A - 一种尾门控制方法、装置、设备及介质 - Google Patents
一种尾门控制方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115492493A CN115492493A CN202210899552.5A CN202210899552A CN115492493A CN 115492493 A CN115492493 A CN 115492493A CN 202210899552 A CN202210899552 A CN 202210899552A CN 115492493 A CN115492493 A CN 115492493A
- Authority
- CN
- China
- Prior art keywords
- tail gate
- control parameter
- tailgate
- category
- filtering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000009471 action Effects 0.000 claims abstract description 37
- 238000001914 filtration Methods 0.000 claims description 34
- 238000013145 classification model Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 7
- 238000003379 elimination reaction Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013398 bayesian method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 235000003181 Panax pseudoginseng Nutrition 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
- E05F—DEVICES FOR MOVING WINGS INTO OPEN OR CLOSED POSITION; CHECKS FOR WINGS; WING FITTINGS NOT OTHERWISE PROVIDED FOR, CONCERNED WITH THE FUNCTIONING OF THE WING
- E05F15/00—Power-operated mechanisms for wings
- E05F15/70—Power-operated mechanisms for wings with automatic actuation
- E05F15/73—Power-operated mechanisms for wings with automatic actuation responsive to movement or presence of persons or objects
-
- E—FIXED CONSTRUCTIONS
- E05—LOCKS; KEYS; WINDOW OR DOOR FITTINGS; SAFES
- E05F—DEVICES FOR MOVING WINGS INTO OPEN OR CLOSED POSITION; CHECKS FOR WINGS; WING FITTINGS NOT OTHERWISE PROVIDED FOR, CONCERNED WITH THE FUNCTIONING OF THE WING
- E05F15/00—Power-operated mechanisms for wings
- E05F15/70—Power-operated mechanisms for wings with automatic actuation
Landscapes
- Power-Operated Mechanisms For Wings (AREA)
Abstract
本发明提供一种尾门控制方法,包括:获取所述尾门的当前状态;获取第一尾门控制参数,所述第一尾门控制参数是通过电容式传感器检测得到;确定第一尾门控制参数的所属类别;根据所述所属类别与所述尾门的当前状态,对所述尾门的状态进行控制。通过本发明的方法,通过每个用户进行脚踢尾门开启/关闭时,不需要标准脚踢动作,只需要按照个人习惯脚踢就能实现电动尾门开启或关闭。同时本发明的方法还会不断收集用户的脚踢动作数据,更新算法参数,不断提高模型预测的准确性,为用户带来更好的电动尾门开启或关闭体验。
Description
技术领域
本申请涉及汽车安全技术领域,具体涉及一种尾门控制方法、装置、设备及 介质。
背景技术
汽车尾门尤其是大型SUV(sport utility vehicle)尾门较重,徒手打开比较困难,双手抱运东西开启尾门更加不方便,同时车身比较脏(粘上灰尘、油污)时, 人手按按键时不可避免会弄脏手,感应尾门应运而生。感应电动尾门主要通过脚 踢传感器识别脚踢动作,实现尾门开闭。然而现有的尾门开闭方式存在识别准确 率较差,容易误触发,操作不够智能等问题。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种尾门控制方法、装置、设备 及介质,以解决上述技术问题。
本发明提供的一种尾门控制方法,所述方法包括:
获取所述尾门的当前状态;
获取第一尾门控制参数,所述第一尾门控制参数是通过电容式传感器检测得 到;
确定第一尾门控制参数的所属类别;
根据所述所属类别与所述尾门的当前状态,对所述尾门的状态进行控制。
于本发明一实施例中,在确定第一尾门控制参数的所属类别后,所述方法还 包括:
判断所述尾门是否满足开启条件,若满足则开启所述尾门,若不满足则保持 尾门关闭;其中,所述开启条件包括:
车速为零;
档位为P档;
蓝牙钥匙与最近天线之间的距离在有效范围内。
于本发明一实施例中,所述对所述尾门控制参数进行分类,包括:
通过预先训练好的分类模型对所述第一尾门控制参数进行分类,其中,所述 分类模型以第二尾门控制参数作为模型输入,以所属类别作为模型输出训练得 到;其中,所述所属类别包括脚踢动作和非脚踢动作。
于本发明一实施例中,在获取到尾门控制参数后,所述方法还包括:
对所述第一尾门控制参数进行滤波处理,包括限幅滤波、递推平均滤波、一 阶滞后滤波、消抖滤波。
于本发明一实施例中,所述分类模型为支持向量机模型、逻辑回归模型、朴 素贝叶斯模型、随机森林模型中的一种。
于本发明一实施例中,所述分类模型的训练方法,包括:
获取数据集;
通过限幅滤波、递推平均滤波、一阶滞后滤波、消抖滤波对所述数据集进行 滤波处理;
对滤波后的数据进行二分K-均值聚类,得到多个聚类簇;
从多个所述聚类簇中筛选出目标聚类簇,以所述目标聚类簇作为分类模型的 输出以训练所述分类模型。
于本发明一实施例中,若所述第一尾门控制参数的所属类别为非脚踢动作, 且尾门的状态由第一状态变化为第二状态,则将此时的第一尾门控制参数作为训 练集的负样本加入到训练集中,对所述分类模型进行更新。
本发明提供的一种尾门控制装置,所述装置包括:
状态获取模块,用于获取所述尾门的当前状态;
参数获取模块,用于获取第一尾门控制参数,所述第一尾门控制参数是通过 电容式传感器检测得到;
类别确定模块,用于确定第一尾门控制参数的所属类别;
控制模块,用于根据所述所属类别与所述尾门的当前状态,对所述尾门的状 态进行控制。
本发明提供的一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,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,使得所述电子设备实现上述的尾门控制方法的步骤。
本发明提供的一种计算机可读存储介质,其上存储有计算机程序,当所述计 算机程序被计算机的处理器执行时,使计算机执行上述尾门控制方法的步骤。
本发明的有益效果:本发明中的一种尾门控制方法,包括:获取所述尾门的 当前状态;获取第一尾门控制参数,所述第一尾门控制参数是通过电容式传感器 检测得到;确定第一尾门控制参数的所属类别;根据所述所属类别与所述尾门的 当前状态,对所述尾门的状态进行控制。通过本发明的方法,通过每个用户进行 脚踢尾门开启/关闭时,不需要标准脚踢动作,只需要按照个人习惯脚踢就能实现 电动尾门开启或关闭。同时本发明的方法还会不断收集用户的脚踢动作数据,更 新算法参数,不断提高模型预测的准确性,为用户带来更好的电动尾门开启或关 闭体验。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的, 并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的 实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附 图仅仅是本申请的一些实施例,对于本领域普通技术者来讲,在不付出创造性劳 动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本申请的一示例性实施例示出的尾门控制方法的实施环境示意图;
图2是本申请的一示例性实施例示出的尾门控制方法的流程图;
图3为本申请的一示例性实施例示出的分类模型训练方法流程图;
图4是本申请的一示例性实施例示出的尾门控制装置的框图;
图5示出了适于用来实现本申请实施例的电子设备的计算机***的结构示意 图。
具体实施方式
以下将参照附图和优选实施例来说明本发明的实施方式,本领域技术人员可 由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以 通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基 于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。应当理解, 优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本 构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、 形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变, 且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释, 然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的 实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来 示出公知的结构和设备,以避免使本发明的实施例难以理解。
图1是本申请一种示例性尾门控制方法实施环境的示意图。请参阅图1,该 实施环境中包括终端设备101和服务器102,终端设备101和服务器102之间通 过有线或者无线网络进行通信。终端设备可以获取所述尾门的当前状态;获取第 一尾门控制参数,所述第一尾门控制参数是通过电容式传感器检测得到;确定第 一尾门控制参数的所属类别;根据所述所属类别与所述尾门的当前状态,对所述 尾门的状态进行控制。
应该理解,图1中的终端设备101和服务器102的数目仅仅是示意性的。根 据实际需要,可以具有任意数目的终端设备101和服务器102。
其中,终端设备101对应客户端,其可以是任意具有用户输入接口的电子设 备,包括但不限于智能手机、平板、笔记本电脑、计算机、车载电脑等等,其中, 用户输入接口包括但不限于触摸屏、键盘、物理按键、音频拾取装置等。
其中,服务器102对应服务端,其可以是提供各种服务的服务器,其可以是 独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系 统,还可以是提供云服务、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、CDN(Content Delivery Network,内 容分发网络)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,本处不 对此进行限制。
终端设备101可以通过3G(第三代的移动信息技术)、4G(***的移动 信息技术)、5G(第五代的移动信息技术)等无线网络与服务端102进行通信, 本处也不对此进行限制。
为了解决现有技术的问题,本申请的实施例分提出一种尾门控制方法、一种 尾门控制装置、一种电子设备、一种计算机可读存储介质,以下将对这些实施例 进行详细描述。
请参阅图2,图2是本申请的一示例性实施例示出的尾门控制方法的流程图。 该方法可以应用于图1所示的实施环境,并由该实施环境中的终端设备101具体 执行。应理解的是,该方法也可以适用于其它的示例性实施环境,并由其它实施 环境中的设备具体执行,本实施例不对该方法所适用的实施环境进行限制。
请参阅图2,图2为本申请一示例性的一种尾门控制方法的流程图,该方法 用于对车辆外部人员的特定动作进行识别以判断是否开启或关闭尾门,该尾门控 制方法至少包括步骤S210至步骤S240,详细介绍如下:
步骤S210,获取所述尾门的当前状态;
需要说明的是,尾门的当前状态包括开启状态和开闭状态,尾门的状态可以 通过车载电脑或域控制器来读取。在本实施例中,尾门指的是感应式的电动尾门, 主要通过脚踢传感器识别脚踢动作,实现尾门开闭。
步骤S220,获取第一尾门控制参数,所述第一尾门控制参数是通过电容式传 感器检测得到;
需要说明的是,第一尾门控制参数是在尾门状态改变前,比如想要开启尾门, 而在开启尾门前需要执行脚踢动作,在执行脚踢动作时,通过电容式传感器检测 得到。根据电容式脚踢传感器原理,用户脚进入和退出电容极板间会造成极板间 介电常数发生变化,最终导致传感器输出不同幅值、斜率、频率电压波形,而这 个电压波形被定义为尾门控制参数。
在一示例性实施例中,在获取到尾门控制参数后,所述方法还包括:
对所述第一尾门控制参数进模数转换;对经过模数转换后的第一尾门控制参 数进行滤波处理,包括限幅滤波、递推平均滤波、一阶滞后滤波、消抖滤波。
具体地,通过域控制器内高分辨率模数转换器将第一尾门控制参数由模拟电 压信号转化数字信号以便后续数据预处理,采样频率设置为2kHz。
由于,脚踢传感器工作在复杂环境下,输出的电压信号不可避免存在尖刺干 扰、抖动等不利于模型训练的噪声。因此,在高精度采集数据之后利用数字限幅 滤波消除尖刺干扰,之后数据流依次通过递推平均滤波器、一阶滞后滤波器、消 抖滤波器过滤剩余噪声,完成数据处理。
步骤S230,确定第一尾门控制参数的所属类别;
在一实施例中,所述对所述尾门控制参数进行分类,包括:
通过预先训练好的分类模型对所述第一尾门控制参数进行分类,其中,所述 分类模型以第二尾门控制参数作为模型输入,以所属类别作为模型输出训练得 到;其中,所述所属类别包括脚踢动作和非脚踢动作。也就是说,将尾门控制参 数输入到分类模型中,可以得到尾门控制参数是否属于脚踢动作
需要说明的是,分类模型为支持向量机模型、逻辑回归模型、朴素贝叶斯模 型、随机森林模型中的一种。
感应尾门主要依靠脚踢传感器检测脚踢动作,用户通过脚踢开启尾门的核心 是识别脚踢动作,因此可把问题转换为机器学习中的分类问题。由于是要预测是 否是脚踢动作,且已有带标签的样本集,所以选择分类算法进行有监督学习,设 定随机种子a,对样本集按三七比例划分,得到相同的验证集和训练集,分别使 用支持向量机,逻辑回归,朴素贝叶斯,随机森林等分类算法分别进行训练,验 证,并得到各自算法的验证指标,即精确率,召回率,F1值,AUC,ROC。
支持向量机(Support Vector Machine,SVM)是一类按监督学***面(maximum-marginhyperplane)。SVM使用铰链损失函数(hinge loss)计算经验风险(empirical risk) 并在求解***中加入了正则化项以优化结构风险(structural risk),是一个具有 稀疏性和稳健性的分类器。SVM可以通过核方法(kernel method)进行非线性分 类,是常见的核学习(kernel learning)方法之一。
逻辑回归也称作logistic回归分析,是一种广义的线性回归分析模型,属于 机器学习中的监督学习。其推导过程与计算方式类似于回归的过程,但实际上主 要是用来解决二分类问题(也可以解决多分类问题)。通过给定的n组数据(训 练集)来训练模型,并在训练结束后对给定的一组或多组数据(测试集)进行分 类。其中每一组数据都是由p个指标构成。
贝叶斯方法是以贝叶斯原理为基础,使用概率统计的知识对样本数据集进行 分类。由于其有着坚实的数学基础,贝叶斯分类算法的误判率是很低的。贝叶斯 方法的特点是结合先验概率和后验概率,即避免了只使用先验概率的主观偏见, 也避免了单独使用样本信息的过拟合现象。贝叶斯分类算法在数据集较大的情况 下表现出较高的准确率,同时算法本身也比较简单。而朴素贝叶斯方法是在贝叶 斯算法的基础上进行了相应的简化,即假定给定目标值时属性之间相互条件独 立。也就是说没有哪个属性变量对于决策结果来说占有着较大的比重,也没有哪 个属性变量对于决策结果占有着较小的比重。
机器学习中有一种大类叫集成学习(Ensemble Learning),集成学习的基本 思想就是将多个分类器组合,从而实现一个预测效果更好的集成分类器。集成算 法大致可以分为:Bagging,Boosting和Stacking三大类型。机器学习中有两种 任务,回归和分类,而随机森林可以同时胜任这两种任务。其中分类任务是对离 散值进行预测(比如将一景图像中的植被,建筑,水体等地物类型分类);回归 任务是对连续值进行预测(比如根据已有的数据预测明天的气温是多少度,预测 明天某基金的价格)。
请参阅图3,图3为本申请一示例性实施例分类模型的训练方法的流程图, 如图3所示,训练分类模型的步骤包括:
步骤S310,获取数据集;
步骤S320,通过限幅滤波、递推平均滤波、一阶滞后滤波、消抖滤波对所述 数据集进行滤波处理;
步骤S330,对滤波后的数据进行二分K-均值聚类,得到多个聚类簇;
步骤S340,从多个所述聚类簇中筛选出目标聚类簇,以所述目标聚类簇作为 分类模型的输出以训练所述分类模型。
采集的数据集中,不同车型(SUV/轿车)1000个用户脚踢尾门动作数据。 根据电容式脚踢传感器原理,用户脚进入和退出电容极板间会造成极板间介电常 数发生变化,最终导致传感器输出不同幅值、斜率、频率电压波形。数据采集时 不需指定标准脚踢动作即不需要限制用户与车辆尾部距离、抬腿角度、抬腿高度、 动作时间等因素。采集时只需用户按照个人习惯做出脚踢动作完成数据采集。
经过步骤S320预处理后的数据是不同用户***方和,该误差平方和作为衡量聚类效果的参 数。将较大误差平方和簇上进行K-均值分类,计算较大误差平方和簇一分为二之 后的总误差,选择使得误差最小的那个簇进行一分二操作,循环上述步骤直到得 到指定簇数目为止,最终完成脚踢动作基础标准库。
分类模型在训练完成后,将模型部署到车身域控制器中,在一定条件下实时 预测脚踢动作,如果有脚踢动作,将根据当前尾门状态、档位、车速、钥匙信息, 控制尾门开启或关闭。具体地,对分类模型进行工程化部署,集成到域控制器环 境中,域控制器支持千兆以太网,后续模型支持OTA进行模型迭代。
需要说明的是,不可避免分类模型会出现误检情况,因此会记录下分类错误 的情况,具体方法为若检测到电压波形分类结果为不是脚踢动作,同时检测到波 形发出后的一段时间内,用户手动操作打开或关闭尾门,说明此脚踢动作发生误 检,记录此电压波形即为模型的边缘场景Corner case。将此数据上传到后台,后 续将此边缘场景Corner case作为训练集(脚踢动作标准库)训练更新模型,模型 训练完成后,通过OTA(空中下载技术,Over-the-Air Technology,OTA)将模 型部署到车辆控制器上。
在一示例性实施例中,在确定第一尾门控制参数的所属类别后,所述方法还 包括:
判断所述尾门是否满足开启条件,若满足则开启所述尾门,若不满足则保持 尾门关闭;其中,所述开启条件包括:
车速为零;档位为P档;蓝牙钥匙与最近天线之间的距离在有效范围内。
具体地,为了防止车辆运动过程中开启尾门而给用户带来伤害,因此,设定 车速为零,且档位为P档两个条件来确保用户的安全。而由于小猫、小狗等移动 物体从传感器附近跑过导致误识别,因此,增加蓝牙钥匙范围检测,即第三个条 件钥匙距离最近天线距离在有效范围内。
步骤S240,根据所述所属类别与所述尾门的当前状态,对所述尾门的状态进 行控制。
具体地,如果尾门此时处于关闭状态,检测到脚踢动作,域控制器解锁尾门 锁体同时控制电动撑杆打开电动尾门;如果尾门处于开启状态,检测脚踢动作, 域控制器控制电动撑杆放下尾门最后锁紧尾门。
通过本发明的方法,通过每个用户进行脚踢尾门开启/关闭时,不需要标准脚 踢动作,只需要按照个人习惯脚踢就能实现电动尾门开启或关闭。同时本发明的 方法还会不断收集用户的脚踢动作数据,更新算法参数,不断提高模型预测的准 确性,为用户带来更好的电动尾门开启或关闭体验。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的, 并不能限制本申请。
图4是本申请的一示例性实施例示出的尾门控制装置的框图。该装置可以应 用于图1所示的实施环境,并具体配置在终端设备中。该装置也可以适用于其它 的示例性实施环境,并具体配置在其它设备中,本实施例不对该装置所适用的实 施环境进行限制。
如图4所示,本申请提供一种尾门控制装置,该装置包括:
状态获取模块410,用于获取所述尾门的当前状态;
参数获取模块420,用于获取第一尾门控制参数,所述第一尾门控制参数是 通过电容式传感器检测得到;
类别确定模块430,用于确定第一尾门控制参数的所属类别;
控制模块440,用于根据所述所属类别与所述尾门的当前状态,对所述尾门 的状态进行控制。
需要说明的是,上述实施例所提供的基于机器学习的尾门控制装置与上述实 施例所提供的尾门控制方法属于同一构思,其中各个模块和单元执行操作的具体 方式已经在方法实施例中进行了详细描述,此处不再赘述。上述实施例所提供的 尾门控制装置在实际应用中,可以根据需要而将上述功能分配由不同的功能模块 完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者 部分功能,本处也不对此进行限制。
本申请的实施例还提供了一种电子设备,包括:一个或多个处理器;存储装 置,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,使得所述电子设备实现上述各个实施例中提供的尾门控制方法。
图5示出了适于用来实现本申请实施例的电子设备的计算机***的结构示意 图。需要说明的是,图5示出的电子设备的计算机***500仅是一个示例,不应 对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机***500包括中央处理单元(Central Processing Unit, CPU)501,其可以根据存储在只读存储器(Read-Only Memory,ROM)502中 的程序或者从储存部分508加载到随机访问存储器(Random Access Memory, RAM)503中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述 的方法。在RAM 503中,还存储有***操作所需的各种程序和数据。CPU 501、 ROM 502以及RAM 503通过总线504彼此相连。输入/输出(Input/Output,I/O) 接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸 如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display, LCD)等以及扬声器等的输出部分507;包括硬盘等的储存部分508;以及包括 诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通 信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也 根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半 导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程 序根据需要被安装入储存部分508。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计 算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在 计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法 的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分505从网络 上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单 元(CPU)501执行时,执行本申请的***中限定的各种功能。
需要说明的是,本申请实施例所示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 例如可以是电、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(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,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计算机程序。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计算机程序可以 用任何适当的介质传输,包括但不限于:无线、有线等等,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。其中,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,上述模块、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,框图或流程 图中的每个方框、以及框图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。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。
本申请的另一方面还提供了一种计算机可读存储介质,其上存储有计算机程 序,该计算机程序被计算机的处理器执行时,使计算机执行如前所述的尾门控制 方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的, 也可以是单独存在,而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序,该计算机程 序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质 中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行 该计算机指令,使得该计算机设备执行上述各个实施例中提供的尾门控制方法。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任 何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修 饰或改变。因此,但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的 精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵 盖。
Claims (10)
1.一种尾门控制方法,其特征在于,所述方法包括:
获取所述尾门的当前状态;
获取第一尾门控制参数,所述第一尾门控制参数是通过电容式传感器检测得到;
确定第一尾门控制参数的所属类别;
根据所述所属类别与所述尾门的当前状态,对所述尾门的状态进行控制。
2.根据权利要求1所述的尾门控制方法,其特征在于,在确定第一尾门控制参数的所属类别后,所述方法还包括:
判断所述尾门是否满足开启条件,若满足则开启所述尾门,若不满足则保持尾门关闭;其中,所述开启条件包括:
车速为零;
档位为P档;
蓝牙钥匙与最近天线之间的距离在有效范围内。
3.根据权利要求1所述的尾门控制方法,其特征在于,所述对所述尾门控制参数进行分类,包括:
通过预先训练好的分类模型对所述第一尾门控制参数进行分类,其中,所述分类模型以第二尾门控制参数作为模型输入,以所属类别作为模型输出训练得到;其中,所述所属类别包括脚踢动作和非脚踢动作。
4.根据权利要求1所述的尾门控制方法,其特征在于,在获取到尾门控制参数后,所述方法还包括:
对所述第一尾门控制参数进行滤波处理,包括限幅滤波、递推平均滤波、一阶滞后滤波、消抖滤波。
5.根据权利要求3所述的尾门控制方法,其特征在于,所述分类模型为支持向量机模型、逻辑回归模型、朴素贝叶斯模型、随机森林模型中的一种。
6.根据权利要求3所述的尾门控制方法,其特征在于,所述分类模型的训练方法,包括:
获取数据集;
通过限幅滤波、递推平均滤波、一阶滞后滤波、消抖滤波对所述数据集进行滤波处理;
对滤波后的数据进行二分K-均值聚类,得到多个聚类簇;
从多个所述聚类簇中筛选出目标聚类簇,以所述目标聚类簇作为分类模型的输出以训练所述分类模型。
7.根据权利要求6所述的尾门控制方法,其特征在于,若所述第一尾门控制参数的所属类别为非脚踢动作,且尾门的状态由第一状态变化为第二状态,则将此时的第一尾门控制参数作为训练集的负样本加入到训练集中,对所述分类模型进行更新。
8.一种尾门控制装置,其特征在于,所述装置包括:
状态获取模块,用于获取所述尾门的当前状态;
参数获取模块,用于获取第一尾门控制参数,所述第一尾门控制参数是通过电容式传感器检测得到;
类别确定模块,用于确定第一尾门控制参数的所属类别;
控制模块,用于根据所述所属类别与所述尾门的当前状态,对所述尾门的状态进行控制。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,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,使得所述电子设备实现如权利要求1至7中任一项所述的尾门控制方法的步骤。
10.一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,当所述计算机程序被计算机的处理器执行时,使计算机执行权利要求1至7中任一项所述的尾门控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210899552.5A CN115492493A (zh) | 2022-07-28 | 2022-07-28 | 一种尾门控制方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210899552.5A CN115492493A (zh) | 2022-07-28 | 2022-07-28 | 一种尾门控制方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115492493A true CN115492493A (zh) | 2022-12-20 |
Family
ID=84466069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210899552.5A Pending CN115492493A (zh) | 2022-07-28 | 2022-07-28 | 一种尾门控制方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115492493A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680180A (zh) * | 2015-03-09 | 2015-06-03 | 西安电子科技大学 | 基于k均值和稀疏自编码的极化sar图像分类方法 |
JP2016062610A (ja) * | 2014-09-16 | 2016-04-25 | 株式会社リコー | 特徴モデル生成方法及び特徴モデル生成装置 |
CN106882023A (zh) * | 2017-03-16 | 2017-06-23 | 广州汽车集团股份有限公司 | 汽车尾门开启控制***、方法和装置 |
US20180181789A1 (en) * | 2016-12-23 | 2018-06-28 | Hexagon Technology Center Gmbh | Method for assigning particular classes of interest within measurement data |
CN108545049A (zh) * | 2018-03-30 | 2018-09-18 | 安徽江淮汽车集团股份有限公司 | 一种汽车电动尾门的脚踢控制方法及*** |
CN108805002A (zh) * | 2018-04-11 | 2018-11-13 | 杭州电子科技大学 | 基于深度学习和动态聚类的监控视频异常事件检测方法 |
CN109281580A (zh) * | 2018-09-29 | 2019-01-29 | 武汉佳特轿车零部件有限公司 | 用于汽车尾门的电动尾门脚踢传感器及其控制方法 |
CN110593707A (zh) * | 2019-08-08 | 2019-12-20 | 广汽蔚来新能源汽车科技有限公司 | 尾门控制方法、装置、***、计算机设备和存储介质 |
WO2020211701A1 (zh) * | 2019-04-17 | 2020-10-22 | 华为技术有限公司 | 模型训练方法、情绪识别方法及相关装置和设备 |
CN112040397A (zh) * | 2020-08-13 | 2020-12-04 | 西北师范大学 | 一种基于自适应卡尔曼滤波的csi室内指纹定位方法 |
CN113490147A (zh) * | 2016-12-14 | 2021-10-08 | 株式会社电装 | 用于建立关于便携式设备和车辆的位置信息的***及方法 |
CN114359876A (zh) * | 2022-03-21 | 2022-04-15 | 成都奥伦达科技有限公司 | 一种车辆目标识别方法及存储介质 |
-
2022
- 2022-07-28 CN CN202210899552.5A patent/CN115492493A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016062610A (ja) * | 2014-09-16 | 2016-04-25 | 株式会社リコー | 特徴モデル生成方法及び特徴モデル生成装置 |
CN104680180A (zh) * | 2015-03-09 | 2015-06-03 | 西安电子科技大学 | 基于k均值和稀疏自编码的极化sar图像分类方法 |
CN113490147A (zh) * | 2016-12-14 | 2021-10-08 | 株式会社电装 | 用于建立关于便携式设备和车辆的位置信息的***及方法 |
US20180181789A1 (en) * | 2016-12-23 | 2018-06-28 | Hexagon Technology Center Gmbh | Method for assigning particular classes of interest within measurement data |
CN106882023A (zh) * | 2017-03-16 | 2017-06-23 | 广州汽车集团股份有限公司 | 汽车尾门开启控制***、方法和装置 |
CN108545049A (zh) * | 2018-03-30 | 2018-09-18 | 安徽江淮汽车集团股份有限公司 | 一种汽车电动尾门的脚踢控制方法及*** |
CN108805002A (zh) * | 2018-04-11 | 2018-11-13 | 杭州电子科技大学 | 基于深度学习和动态聚类的监控视频异常事件检测方法 |
CN109281580A (zh) * | 2018-09-29 | 2019-01-29 | 武汉佳特轿车零部件有限公司 | 用于汽车尾门的电动尾门脚踢传感器及其控制方法 |
WO2020211701A1 (zh) * | 2019-04-17 | 2020-10-22 | 华为技术有限公司 | 模型训练方法、情绪识别方法及相关装置和设备 |
CN110593707A (zh) * | 2019-08-08 | 2019-12-20 | 广汽蔚来新能源汽车科技有限公司 | 尾门控制方法、装置、***、计算机设备和存储介质 |
CN112040397A (zh) * | 2020-08-13 | 2020-12-04 | 西北师范大学 | 一种基于自适应卡尔曼滤波的csi室内指纹定位方法 |
CN114359876A (zh) * | 2022-03-21 | 2022-04-15 | 成都奥伦达科技有限公司 | 一种车辆目标识别方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Web traffic anomaly detection using C-LSTM neural networks | |
Shuvo et al. | A hybrid approach for human activity recognition with support vector machine and 1D convolutional neural network | |
Le Guennec et al. | Data augmentation for time series classification using convolutional neural networks | |
CN111079639B (zh) | 垃圾图像分类模型构建的方法、装置、设备及存储介质 | |
Jiang et al. | Context-aware mouse behavior recognition using hidden markov models | |
CN111144496A (zh) | 一种基于混合卷积神经网络的垃圾分类方法 | |
Wang et al. | Automatic incident classification for large-scale traffic data by adaptive boosting SVM | |
Peterek et al. | Comparison of classification algorithms for physical activity recognition | |
Yiğit et al. | Automatic detection of power quality disturbance using convolutional neural network structure with gated recurrent unit | |
Halkias et al. | Classification of mysticete sounds using machine learning techniques | |
Medrano et al. | Combining novelty detectors to improve accelerometer-based fall detection | |
Ghasemi Darehnaei et al. | Ensemble deep learning using faster r-cnn and genetic algorithm for vehicle detection in uav images | |
Wei et al. | Vision-based activity recognition in children with autism-related behaviors | |
CN111694954A (zh) | 图像分类方法、装置和电子设备 | |
Zhang et al. | Smartphone sensors‐based human activity recognition using feature selection and deep decision fusion | |
CN114091789A (zh) | 项目数据波动预测方法、装置、计算机设备和存储介质 | |
Rajput et al. | Deep learning based gender and age estimation from human Iris | |
Wu et al. | [Retracted] The Construction of Online Course Learning Model of Ideological and Political Education for College Students from the Perspective of Machine Learning | |
Krishna et al. | An implementation of hybrid cnn-lstm model for human activity recognition | |
Mehta et al. | A noble approach to 2D ear recognition system using hybrid transfer learning | |
CN115492493A (zh) | 一种尾门控制方法、装置、设备及介质 | |
Yu et al. | Introduction to Machine Learning | |
Fan et al. | Aedmts: an attention-based encoder-decoder framework for multi-sensory time series analytic | |
Li et al. | MMD-encouraging convolutional autoencoder: a novel classification algorithm for imbalanced data | |
Martínez et al. | Spatio‐temporal multi‐scale motion descriptor from a spatially‐constrained decomposition for online action recognition |
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 |