CN116127604B - 一种汽车防撞数据处理方法及*** - Google Patents
一种汽车防撞数据处理方法及*** Download PDFInfo
- Publication number
- CN116127604B CN116127604B CN202310053938.9A CN202310053938A CN116127604B CN 116127604 B CN116127604 B CN 116127604B CN 202310053938 A CN202310053938 A CN 202310053938A CN 116127604 B CN116127604 B CN 116127604B
- Authority
- CN
- China
- Prior art keywords
- data
- collision
- acquired data
- determining
- classifying
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
- G01M17/0078—Shock-testing of vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及测试数据统计技术领域,具体公开了一种汽车防撞数据处理方法及***,所述方法包括根据维护记录在汽车模型中确定采样区及其采样网格;基于采样网格安装采集传感器,并实时接收采集传感器的采集数据;根据所述采集数据生成时域图,基于所述时域图确定各采集数据的相关度;根据所述相关度对采集数据进行分类识别,确定碰撞特征;基于实际碰撞场景修正碰撞特征。本发明根据预统计的维护数据在汽车模型中确定采样点,基于采样点获取采集数据,对采集数据进行时域上的相似度匹配,进而对采集数据进行分类,根据同类采集数据生成碰撞特征,基于实际情况对碰撞特征进行验证修正,可以得到与现实契合度极高的碰撞测试数据。
Description
技术领域
本发明涉及测试数据统计技术领域,具体是一种汽车防撞数据处理方法及***。
背景技术
汽车的碰撞过程需要进行测试,由于碰撞过程是瞬时过程,在一次碰撞过程中,各零件的变化情况极其剧烈且迅速,数据获取难度很大,此外,一次碰撞测试的成本也非常的高,如果数据获取的不够全面,那么成本利用率会很低。
因此,如何更加全面且及时的获取碰撞过程中产生的数据是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种汽车防撞数据处理方法及***,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种汽车防撞数据处理方法,所述方法包括:
根据维护记录在汽车模型中确定采样区及其采样网格;
基于采样网格安装采集传感器,并实时接收采集传感器的采集数据;所述采集数据含有时间信息;
根据所述采集数据生成时域图,基于所述时域图确定各采集数据的相关度;
根据所述相关度对采集数据进行分类识别,确定碰撞特征;所述碰撞特征包括碰撞过程中的力学参数和运动学参数;
基于所述碰撞特征生成理论碰撞模型,比对理论碰撞模型与实际碰撞场景,根据比对结果修正碰撞特征。
作为本发明进一步的方案:所述根据维护记录在汽车模型中确定采样区及其采样网格的步骤包括:
建立与研发数据库的连接通道,读取已存储的汽车模型;
实时获取同类型汽车的售后信息,查询售后信息中的维护记录,根据所述维护记录确定不同零件的损坏概率;
根据不同零件的损坏概率在所述汽车模型中确定采样区及其采样网格;
其中,所述采样网格中单元格的尺寸与损坏概率呈反比。
作为本发明进一步的方案:所述基于采样网格安装采集传感器,并实时接收采集传感器的采集数据的步骤包括:
随机在采样网格中选取预设数量的目标单元,作为安装点位;
依次以安装点位为中心,计算预设半径范围内的其他安装点位的数量,基于所述数量将作为中心的安装点位标记为核心点;
基于所述核心点对所有安装点位进行归类,得到归类数组;
循环执行并根据归类数组确定最终安装点位,实时接收采集传感器的采集数据;
其中,所述归类数组的下标为核心点标号,所述归类数组中的元素值为同类安装点位的数量;所述归类数组中含有噪声点元素;当某一安装点位与所有核心点的距离都大于预设的距离阈值时,将该安装点位标记为噪声点。
作为本发明进一步的方案:所述根据所述采集数据生成时域图,基于所述时域图确定各采集数据的相关度的步骤包括:
基于同一坐标轴统计所有采集传感器接收到的采集数据;
根据所述采集数据导数特征将所述采集数据转换为跳变沿信号;
将所述跳变沿信号输入预设的涂色模型,输出与采集数据对应的跳变信号图;
选取两个采集数据对应的跳变信号图,比对两个跳变信号图,计算两个采集数据的相关度。
作为本发明进一步的方案:所述根据所述相关度对采集数据进行分类识别,确定碰撞特征的步骤包括:
依次以各个采集数据为基准,查询该采集数据与其他采集数据的相关度;
将所述相关度与预设的相关度阈值进行比对,当所述相关度达到预设的相关度阈值时,标记对应的采集数据;
统计标记的采集数据,得到归类数据;
将所述归类数据输入预设的识别模型,得到碰撞特征;
其中,当归类数据生成后,查询未被标记的采集数据与归类数据中各采集数据的相关度,得到相关度数组;根据所述相关度数组扩充所述归类数据。
作为本发明进一步的方案:所述基于所述碰撞特征生成理论碰撞模型,比对理论碰撞模型与实际碰撞场景,根据比对结果修正碰撞特征的步骤包括:
根据所述碰撞特征在预设的碰撞模型库中查询理论碰撞模型;
比对理论碰撞模型与实际碰撞场景,根据比对结果修正碰撞特征。
本发明技术方案还提供了一种汽车防撞数据处理***,所述***包括:
采样参数确定模块,用于根据维护记录在汽车模型中确定采样区及其采样网格;
数据接收模块,用于基于采样网格安装采集传感器,并实时接收采集传感器的采集数据;所述采集数据含有时间信息;
相关度计算模块,用于根据所述采集数据生成时域图,基于所述时域图确定各采集数据的相关度;
分类识别模块,用于根据所述相关度对采集数据进行分类识别,确定碰撞特征;所述碰撞特征包括碰撞过程中的力学参数和运动学参数;
特征修正模块,用于基于所述碰撞特征生成理论碰撞模型,比对理论碰撞模型与实际碰撞场景,根据比对结果修正碰撞特征。
作为本发明进一步的方案:所述采样参数确定模块包括:
模型读取单元,用于建立与研发数据库的连接通道,读取已存储的汽车模型;
概率确定单元,用于实时获取同类型汽车的售后信息,查询售后信息中的维护记录,根据所述维护记录确定不同零件的损坏概率;
处理执行单元,用于根据不同零件的损坏概率在所述汽车模型中确定采样区及其采样网格;
其中,所述采样网格中单元格的尺寸与损坏概率呈反比。
作为本发明进一步的方案:所述数据接收模块包括:
选取单元,用于随机在采样网格中选取预设数量的目标单元,作为安装点位;
核心点确定单元,用于依次以安装点位为中心,计算预设半径范围内的其他安装点位的数量,基于所述数量将作为中心的安装点位标记为核心点;
点位归类单元,用于基于所述核心点对所有安装点位进行归类,得到归类数组;
接收执行单元,用于循环执行并根据归类数组确定最终安装点位,实时接收采集传感器的采集数据;
其中,所述归类数组的下标为核心点标号,所述归类数组中的元素值为同类安装点位的数量;所述归类数组中含有噪声点元素;当某一安装点位与所有核心点的距离都大于预设的距离阈值时,将该安装点位标记为噪声点。
作为本发明进一步的方案:所述相关度计算模块包括:
数据统计单元,用于基于同一坐标轴统计所有采集传感器接收到的采集数据;
信号转换单元,用于根据所述采集数据导数特征将所述采集数据转换为跳变沿信号;
信号图输出单元,用于将所述跳变沿信号输入预设的涂色模型,输出与采集数据对应的跳变信号图;
信号图比对单元,用于选取两个采集数据对应的跳变信号图,比对两个跳变信号图,计算两个采集数据的相关度。
与现有技术相比,本发明的有益效果是:本发明根据预统计的维护数据在汽车模型中确定采样点,基于采样点获取采集数据,对采集数据进行时域上的相似度匹配,进而对采集数据进行分类,根据同类采集数据生成碰撞特征,基于实际情况对碰撞特征进行验证修正,可以得到与现实契合度极高的碰撞测试数据。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例。
图1为汽车防撞数据处理方法的流程框图。
图2为汽车防撞数据处理方法的第一子流程框图。
图3为汽车防撞数据处理方法的第二子流程框图。
图4为汽车防撞数据处理方法的第三子流程框图。
图5为汽车防撞数据处理方法的第四子流程框图。
图6为汽车防撞数据处理方法的第五子流程框图。
图7为汽车防撞数据处理***的组成结构框图。
实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。
实施例1
图1为汽车防撞数据处理方法的流程框图,本发明实施例中,一种汽车防撞数据处理方法,所述方法包括:
步骤S100:根据维护记录在汽车模型中确定采样区及其采样网格;
在汽车的碰撞测试过程中,需要安装很多采集设备,基于所述采集设备采集碰撞过程中产生的数据,由采集到的数据可以对整个碰撞过程进行评估。采集设备的安装过程需要考虑同类型汽车的维护记录,进而确定哪个位置容易损坏,在容易损坏的位置处确定采样区及采样点数量,所述采样点数量通过采样网格表示;所述采样网格就是应用于汽车模型的网格。
步骤S200:基于采样网格安装采集传感器,并实时接收采集传感器的采集数据;所述采集数据含有时间信息;
当采样网格确定好后,基于采样网格安装采集传感器,采集传感器会实时的记录汽车在碰撞过程中产生的数据。
步骤S300:根据所述采集数据生成时域图,基于所述时域图确定各采集数据的相关度;
统计所有采集传感器采集到的数据,进行相关性分析,可以判断出哪些数据之间相互影响的程度较大,也就是上述相关度。
步骤S400:根据所述相关度对采集数据进行分类识别,确定碰撞特征;所述碰撞特征包括碰撞过程中的力学参数和运动学参数;
选取相关度较大的一类数据,对此类数据进行识别,可以确定出碰撞特征,所述碰撞特征就是碰撞过程中的力学特征和运动学特征;碰撞特征是本发明技术方案想要得到的最终数据。
步骤S500:基于所述碰撞特征生成理论碰撞模型,比对理论碰撞模型与实际碰撞场景,根据比对结果修正碰撞特征;
由采集传感器获取到的数据预测出的碰撞特征有可能存在错误,比如,如果某个采集传感器失效,那就会使得对应的采集数据出错,从而使得碰撞特征与实际不符;因此,还需要根据实际碰撞场景对碰撞特征进行验证。
图2为汽车防撞数据处理方法的第一子流程框图,所述根据维护记录在汽车模型中确定采样区及其采样网格的步骤包括:
步骤S101:建立与研发数据库的连接通道,读取已存储的汽车模型;
汽车模型在汽车的研发过程中生成并记录,建立与研发数据库的连接通道,即可读取已经存储的汽车模型。
步骤S102:实时获取同类型汽车的售后信息,查询售后信息中的维护记录,根据所述维护记录确定不同零件的损坏概率;
无论是何种类型的汽车,其售后数据都会被实时的进行统计,获取同类型汽车的售后信息,查询售后信息中的维护记录,根据维护记录可以清晰地确定哪些零件容易损坏。
步骤S103:根据不同零件的损坏概率在所述汽车模型中确定采样区及其采样网格;
其中,所述采样网格中单元格的尺寸与损坏概率呈反比。
由不同零件在汽车模型中确定采样区,统计一个区域内所有零件的损坏概率,进而确定一个采样网格,所述采样网格的颗粒度越细化,采集的数据越多,碰撞分析过程越准确。
图3为汽车防撞数据处理方法的第二子流程框图,所述基于采样网格安装采集传感器,并实时接收采集传感器的采集数据的步骤包括:
步骤S201:随机在采样网格中选取预设数量的目标单元,作为安装点位;
步骤S202:依次以安装点位为中心,计算预设半径范围内的其他安装点位的数量,基于所述数量将作为中心的安装点位标记为核心点;
步骤S203:基于所述核心点对所有安装点位进行归类,得到归类数组;
步骤S204:循环执行并根据归类数组确定最终安装点位,实时接收采集传感器的采集数据;
其中,所述归类数组的下标为核心点标号,所述归类数组中的元素值为同类安装点位的数量;所述归类数组中含有噪声点元素;当某一安装点位与所有核心点的距离都大于预设的距离阈值时,将该安装点位标记为噪声点。
上述内容对安装点位的确定过程进行了具体的限定,所述确定过程是一个循环过程,在预设次数的循环中,选取最合适的安装点位分布情况。
首先,在采样网格中随机选取一些安装点位,然后,以安装点位为中心,计算其周围安装点位的数量,当数量达到一定程度时,就将中心的安装点位标记为核心点;最后,由核心点再对所有安装点位进行归类,归类的原理就是,计算非核心点的安装点位与各个核心点之间的距离,当最短距离符合预设的要求时,将该非核心点与对应的核心点归为一类;当最短距离不符合预设的要求时,将该非核心点标记为噪声点。
图4为汽车防撞数据处理方法的第三子流程框图,所述根据所述采集数据生成时域图,基于所述时域图确定各采集数据的相关度的步骤包括:
步骤S301:基于同一坐标轴统计所有采集传感器接收到的采集数据;
在同一坐标轴上统计所有采集传感器接收到的采集数据,得到一张含有多条曲线的信号图。
步骤S302:根据所述采集数据导数特征将所述采集数据转换为跳变沿信号;
对所述采集数据进行求导(求导阶数由工作人员视情况而定),进而确定采集数据的变化情况,基于变化情况将每条曲线都转换为跳变沿信号。
步骤S303:将所述跳变沿信号输入预设的涂色模型,输出与采集数据对应的跳变信号图;
跳变沿信号是非常简单的一种信号,通过预设的规则可以轻易的转换为含有色值的图像,比如,高低电平由预设的色值表示,持续时间用距离进行表示,从而可以对一张空白图进行上色,按照一定的涂色顺序,即可将跳变沿信号转换为图像。
步骤S304:选取两个采集数据对应的跳变信号图,比对两个跳变信号图,计算两个采集数据的相关度;
对图像进行比对,可以快速地判断出有哪些相似的特征,这种相似代表着两个采集数据的变化几乎是同步的,仅存在时间上的差异;相似内容的多少与相关度对应。
图5为汽车防撞数据处理方法的第四子流程框图,所述根据所述相关度对采集数据进行分类识别,确定碰撞特征的步骤包括:
步骤S401:依次以各个采集数据为基准,查询该采集数据与其他采集数据的相关度;
步骤S402:将所述相关度与预设的相关度阈值进行比对,当所述相关度达到预设的相关度阈值时,标记对应的采集数据;
步骤S403:统计标记的采集数据,得到归类数据;
选取与某一采集数据的相关度达到预设条件的所有采集数据,归为一类。
步骤S404:将所述归类数据输入预设的识别模型,得到碰撞特征;
对一类数据进行统一识别,可以得到碰撞特征。关于采集数据与碰撞特征之间的映射关系,需要具体说明,采集传感器的功能就是采集碰撞过程中产生的数据,这些数据具备什么样的含义,代表了何种情形就是上述碰撞特征,这由工作人员预先统计样本,进而确定,对于本发明技术方案来说,这一识别模型是默认已存在的技术方案。
实际上,识别模型本身也不复杂,由样本-拟合法即可预设确定。
值得一提的是,当归类数据生成后,查询未被标记的采集数据与归类数据中各采集数据的相关度,得到相关度数组;根据所述相关度数组扩充所述归类数据。
在归类过程中,有些采集数据与某一类采集数据中的大部分采集数据都具有较高的相关度,此时,即使他与基准采集数据的相关度并未达到预设的条件,也可以对采集数据进行归类。
图6为汽车防撞数据处理方法的第五子流程框图,所述基于所述碰撞特征生成理论碰撞模型,比对理论碰撞模型与实际碰撞场景,根据比对结果修正碰撞特征的步骤包括:
步骤S501:根据所述碰撞特征在预设的碰撞模型库中查询理论碰撞模型;
由碰撞特征可以在预先确定的碰撞模型库中查询理论碰撞模型,所述理论碰撞模型指的是预设的理论碰撞场景,由工作人员预先统计仿真生成。
步骤S502:比对理论碰撞模型与实际碰撞场景,根据比对结果修正碰撞特征;
获取实际碰撞场景,判断实际碰撞场景与理论碰撞场景的差异是否足够大,如果差异在一定程度内,就根据差异对碰撞特征进行适量的调整(预设一个调整系数,不同的差异程度对应不同的调整系数);如果差异超出了一定程度,就生成警示信息,告之工作人员对采集传感器或采集数据的应用过程进行检测。
实施例2
图7为汽车防撞数据处理***的组成结构框图,本发明实施例中,一种汽车防撞数据处理***,所述***10包括:
采样参数确定模块11,用于根据维护记录在汽车模型中确定采样区及其采样网格;
数据接收模块12,用于基于采样网格安装采集传感器,并实时接收采集传感器的采集数据;所述采集数据含有时间信息;
相关度计算模块13,用于根据所述采集数据生成时域图,基于所述时域图确定各采集数据的相关度;
分类识别模块14,用于根据所述相关度对采集数据进行分类识别,确定碰撞特征;所述碰撞特征包括碰撞过程中的力学参数和运动学参数;
特征修正模块15,用于基于所述碰撞特征生成理论碰撞模型,比对理论碰撞模型与实际碰撞场景,根据比对结果修正碰撞特征。
所述采样参数确定模块11包括:
模型读取单元,用于建立与研发数据库的连接通道,读取已存储的汽车模型;
概率确定单元,用于实时获取同类型汽车的售后信息,查询售后信息中的维护记录,根据所述维护记录确定不同零件的损坏概率;
处理执行单元,用于根据不同零件的损坏概率在所述汽车模型中确定采样区及其采样网格;
其中,所述采样网格中单元格的尺寸与损坏概率呈反比。
所述数据接收模块12包括:
选取单元,用于随机在采样网格中选取预设数量的目标单元,作为安装点位;
核心点确定单元,用于依次以安装点位为中心,计算预设半径范围内的其他安装点位的数量,基于所述数量将作为中心的安装点位标记为核心点;
点位归类单元,用于基于所述核心点对所有安装点位进行归类,得到归类数组;
接收执行单元,用于循环执行并根据归类数组确定最终安装点位,实时接收采集传感器的采集数据;
其中,所述归类数组的下标为核心点标号,所述归类数组中的元素值为同类安装点位的数量;所述归类数组中含有噪声点元素;当某一安装点位与所有核心点的距离都大于预设的距离阈值时,将该安装点位标记为噪声点。
所述相关度计算模块13包括:
数据统计单元,用于基于同一坐标轴统计所有采集传感器接收到的采集数据;
信号转换单元,用于根据所述采集数据导数特征将所述采集数据转换为跳变沿信号;
信号图输出单元,用于将所述跳变沿信号输入预设的涂色模型,输出与采集数据对应的跳变信号图;
信号图比对单元,用于选取两个采集数据对应的跳变信号图,比对两个跳变信号图,计算两个采集数据的相关度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种汽车防撞数据处理方法,其特征在于,所述方法包括:
根据维护记录在汽车模型中确定采样区及其采样网格;
基于采样网格安装采集传感器,并实时接收采集传感器的采集数据;所述采集数据含有时间信息;
根据所述采集数据生成时域图,基于所述时域图确定各采集数据的相关度;
根据所述相关度对采集数据进行分类识别,确定碰撞特征;所述碰撞特征包括碰撞过程中的力学参数和运动学参数;
基于所述碰撞特征生成理论碰撞模型,比对理论碰撞模型与实际碰撞场景,根据比对结果修正碰撞特征。
2.根据权利要求1所述的汽车防撞数据处理方法,其特征在于,所述根据维护记录在汽车模型中确定采样区及其采样网格的步骤包括:
建立与研发数据库的连接通道,读取已存储的汽车模型;
实时获取同类型汽车的售后信息,查询售后信息中的维护记录,根据所述维护记录确定不同零件的损坏概率;
根据不同零件的损坏概率在所述汽车模型中确定采样区及其采样网格;
其中,所述采样网格中单元格的尺寸与损坏概率呈反比。
3.根据权利要求1所述的汽车防撞数据处理方法,其特征在于,所述基于采样网格安装采集传感器,并实时接收采集传感器的采集数据的步骤包括:
随机在采样网格中选取预设数量的目标单元,作为安装点位;
依次以安装点位为中心,计算预设半径范围内的其他安装点位的数量,基于所述数量将作为中心的安装点位标记为核心点;
基于所述核心点对所有安装点位进行归类,得到归类数组;
循环执行并根据归类数组确定最终安装点位,实时接收采集传感器的采集数据;
其中,所述归类数组的下标为核心点标号,所述归类数组中的元素值为同类安装点位的数量;所述归类数组中含有噪声点元素;当某一安装点位与所有核心点的距离都大于预设的距离阈值时,将该安装点位标记为噪声点。
4.根据权利要求1所述的汽车防撞数据处理方法,其特征在于,所述根据所述采集数据生成时域图,基于所述时域图确定各采集数据的相关度的步骤包括:
基于同一坐标轴统计所有采集传感器接收到的采集数据;
根据所述采集数据导数特征将所述采集数据转换为跳变沿信号;
将所述跳变沿信号输入预设的涂色模型,输出与采集数据对应的跳变信号图;
选取两个采集数据对应的跳变信号图,比对两个跳变信号图,计算两个采集数据的相关度。
5.根据权利要求1所述的汽车防撞数据处理方法,其特征在于,所述根据所述相关度对采集数据进行分类识别,确定碰撞特征的步骤包括:
依次以各个采集数据为基准,查询该采集数据与其他采集数据的相关度;
将所述相关度与预设的相关度阈值进行比对,当所述相关度达到预设的相关度阈值时,标记对应的采集数据;
统计标记的采集数据,得到归类数据;
将所述归类数据输入预设的识别模型,得到碰撞特征;
其中,当归类数据生成后,查询未被标记的采集数据与归类数据中各采集数据的相关度,得到相关度数组;根据所述相关度数组扩充所述归类数据。
6.根据权利要求1所述的汽车防撞数据处理方法,其特征在于,所述基于所述碰撞特征生成理论碰撞模型,比对理论碰撞模型与实际碰撞场景,根据比对结果修正碰撞特征的步骤包括:
根据所述碰撞特征在预设的碰撞模型库中查询理论碰撞模型;
比对理论碰撞模型与实际碰撞场景,根据比对结果修正碰撞特征。
7.一种汽车防撞数据处理***,其特征在于,所述***包括:
采样参数确定模块,用于根据维护记录在汽车模型中确定采样区及其采样网格;
数据接收模块,用于基于采样网格安装采集传感器,并实时接收采集传感器的采集数据;所述采集数据含有时间信息;
相关度计算模块,用于根据所述采集数据生成时域图,基于所述时域图确定各采集数据的相关度;
分类识别模块,用于根据所述相关度对采集数据进行分类识别,确定碰撞特征;所述碰撞特征包括碰撞过程中的力学参数和运动学参数;
特征修正模块,用于基于所述碰撞特征生成理论碰撞模型,比对理论碰撞模型与实际碰撞场景,根据比对结果修正碰撞特征。
8.根据权利要求7所述的汽车防撞数据处理***,其特征在于,所述采样参数确定模块包括:
模型读取单元,用于建立与研发数据库的连接通道,读取已存储的汽车模型;
概率确定单元,用于实时获取同类型汽车的售后信息,查询售后信息中的维护记录,根据所述维护记录确定不同零件的损坏概率;
处理执行单元,用于根据不同零件的损坏概率在所述汽车模型中确定采样区及其采样网格;
其中,所述采样网格中单元格的尺寸与损坏概率呈反比。
9.根据权利要求7所述的汽车防撞数据处理***,其特征在于,所述数据接收模块包括:
选取单元,用于随机在采样网格中选取预设数量的目标单元,作为安装点位;
核心点确定单元,用于依次以安装点位为中心,计算预设半径范围内的其他安装点位的数量,基于所述数量将作为中心的安装点位标记为核心点;
点位归类单元,用于基于所述核心点对所有安装点位进行归类,得到归类数组;
接收执行单元,用于循环执行并根据归类数组确定最终安装点位,实时接收采集传感器的采集数据;
其中,所述归类数组的下标为核心点标号,所述归类数组中的元素值为同类安装点位的数量;所述归类数组中含有噪声点元素;当某一安装点位与所有核心点的距离都大于预设的距离阈值时,将该安装点位标记为噪声点。
10.根据权利要求7所述的汽车防撞数据处理***,其特征在于,所述相关度计算模块包括:
数据统计单元,用于基于同一坐标轴统计所有采集传感器接收到的采集数据;
信号转换单元,用于根据所述采集数据导数特征将所述采集数据转换为跳变沿信号;
信号图输出单元,用于将所述跳变沿信号输入预设的涂色模型,输出与采集数据对应的跳变信号图;
信号图比对单元,用于选取两个采集数据对应的跳变信号图,比对两个跳变信号图,计算两个采集数据的相关度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310053938.9A CN116127604B (zh) | 2023-02-03 | 2023-02-03 | 一种汽车防撞数据处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310053938.9A CN116127604B (zh) | 2023-02-03 | 2023-02-03 | 一种汽车防撞数据处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116127604A CN116127604A (zh) | 2023-05-16 |
CN116127604B true CN116127604B (zh) | 2023-06-16 |
Family
ID=86306052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310053938.9A Active CN116127604B (zh) | 2023-02-03 | 2023-02-03 | 一种汽车防撞数据处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116127604B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056746A (zh) * | 2023-10-11 | 2023-11-14 | 长春汽车工业高等专科学校 | 一种基于大数据的汽车测试平台及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107848478A (zh) * | 2015-07-10 | 2018-03-27 | 宝马股份公司 | 低速碰撞的自动识别和评估 |
US10906559B1 (en) * | 2020-01-06 | 2021-02-02 | Mando Corporation | Apparatus for assisting driving of a vehicle and method thereof |
CN112406858A (zh) * | 2019-08-20 | 2021-02-26 | 北京钛方科技有限责任公司 | 车辆自动驾驶碰撞检测控制方法及*** |
CN114970897A (zh) * | 2022-05-30 | 2022-08-30 | 中国第一汽车股份有限公司 | 数据处理方法、装置、电子设备及车辆 |
CN115037766A (zh) * | 2022-06-12 | 2022-09-09 | 上海慧程工程技术服务有限公司 | 一种工业设备物联网数据采集方法及装置 |
-
2023
- 2023-02-03 CN CN202310053938.9A patent/CN116127604B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107848478A (zh) * | 2015-07-10 | 2018-03-27 | 宝马股份公司 | 低速碰撞的自动识别和评估 |
CN112406858A (zh) * | 2019-08-20 | 2021-02-26 | 北京钛方科技有限责任公司 | 车辆自动驾驶碰撞检测控制方法及*** |
US10906559B1 (en) * | 2020-01-06 | 2021-02-02 | Mando Corporation | Apparatus for assisting driving of a vehicle and method thereof |
CN114970897A (zh) * | 2022-05-30 | 2022-08-30 | 中国第一汽车股份有限公司 | 数据处理方法、装置、电子设备及车辆 |
CN115037766A (zh) * | 2022-06-12 | 2022-09-09 | 上海慧程工程技术服务有限公司 | 一种工业设备物联网数据采集方法及装置 |
Non-Patent Citations (1)
Title |
---|
"情感分类器结合 Norton 模型预测汽车销量";顾洪建等;《时代汽车》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116127604A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8554403B2 (en) | Vehicle failure diagnostic device | |
CN116127604B (zh) | 一种汽车防撞数据处理方法及*** | |
CN110751012B (zh) | 目标检测评估方法、装置、电子设备及存储介质 | |
CN117173913B (zh) | 基于不同时段车流量分析的交通控制方法及*** | |
CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估*** | |
CN110111018B (zh) | 评估车辆感测能力的方法、装置、电子设备及存储介质 | |
CN112307888B (zh) | 一种基于机器视觉定位识别桥梁动态荷载方法和*** | |
CN112329886A (zh) | 双车牌识别方法、模型训练方法、装置、设备及存储介质 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN117593273A (zh) | 一种电子元器件表面缺陷检测方法及*** | |
CN111369790B (zh) | 过车记录校正方法、装置、设备及存储介质 | |
CN112215222A (zh) | 车牌识别方法、装置、设备及存储介质 | |
CN116188860A (zh) | 一种参数自适应调节的结构监测异常数据的识别方法及装置 | |
CN115546736B (zh) | 基于图像采集的河道采砂监控处理方法及*** | |
CN112580741B (zh) | 一种基于多传感器快速学习的气体种类识别方法及*** | |
CN113673105A (zh) | 真值对比策略的设计方法 | |
CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
EP3726495A1 (en) | Information acquisition method, information acquisition device, in-vehicle device, on-road sensor device, and information acquisition system | |
RU2724596C1 (ru) | Способ, устройство, центральное устройство и система для распознавания сдвига распределения в распределении данных и/или признаков входных данных | |
CN110398240B (zh) | 一种基于电子围栏的位置判定方法、装置与电子设备 | |
WO2022180681A1 (ja) | データ生成システム、データ生成方法およびデータ生成プログラム | |
CN114677574B (zh) | 用于自动驾驶的诊断图像故障的方法和*** | |
CN102622888B (zh) | 一种基于视频检测的车牌自学习识别方法及装置 | |
CN117952717A (zh) | 一种基于大数据的机票订单处理方法及*** | |
CN116893935A (zh) | 用于验证自动化驾驶功能的软件组件的计算机实现的方法、软件组件和*** |
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 |