CN117392646A - 一种用于新能源汽车的舱内检测方法及*** - Google Patents
一种用于新能源汽车的舱内检测方法及*** Download PDFInfo
- Publication number
- CN117392646A CN117392646A CN202311325121.9A CN202311325121A CN117392646A CN 117392646 A CN117392646 A CN 117392646A CN 202311325121 A CN202311325121 A CN 202311325121A CN 117392646 A CN117392646 A CN 117392646A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- detection
- cabin
- new energy
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 561
- 238000012423 maintenance Methods 0.000 claims abstract description 90
- 238000000605 extraction Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000008439 repair process Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 description 22
- 230000007613 environmental effect Effects 0.000 description 16
- 238000012549 training Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000011895 specific detection Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 206010047700 Vomiting Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000037237 body shape Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008673 vomiting Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种用于新能源汽车的舱内检测方法及***,通过获取第一新能源汽车整车的第一三维点云数据;根据所述第一三维点云数据建立所述第一新能源汽车的第一三维模型;获取所述第一新能源汽车的第一历史检测数据、第一历史维修数据和第一历史事故数据;根据所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据得到第一检测模型;利用所述第一检测模型对所述第一新能源汽车进行检测,得到第一检测结果;将所述第一检测结果添加至所述第一三维模型,得到第一检测结果三维模型;将所述第一检测结果三维模型发送至控制终端,并在所述控制终端上进行提醒,不仅能自动智能地进行车辆的舱内检测,而且能取得准确地检测结果。
Description
技术领域
本发明涉及新能源汽车技术领域,具体涉及一种用于新能源汽车的舱内检测方法及***。
背景技术
随着科技的发展,汽车的越来越普及,越来越多的家庭都有私家汽车,有的家庭甚至拥有多辆私家车,同时,随着通信技术、智能传感技术、图像采集与处理技术、交互技术、新能源技术等的发展,出现了很多具备各种智能功能的新能源汽车,然而,现有的新能源汽车的舱内检测方案不够智能、准确,并不能完全满足用户的需求。
发明内容
本发明正是基于上述问题,提出了一种用于新能源汽车的舱内检测方法及***,通过本发明方案不仅能自动智能地进行车辆的舱内检测,而且能取得准确地检测结果。
有鉴于此,本发明的一方面提出了一种用于新能源汽车的舱内检测方法,包括:
获取第一新能源汽车整车的第一三维点云数据;
根据所述第一三维点云数据建立所述第一新能源汽车的第一三维模型;
获取所述第一新能源汽车的第一历史检测数据、第一历史维修数据和第一历史事故数据;
根据所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据得到第一检测模型;
利用所述第一检测模型对所述第一新能源汽车进行检测,得到第一检测结果;
将所述第一检测结果添加至所述第一三维模型,得到第一检测结果三维模型;
将所述第一检测结果三维模型发送至控制终端,并在所述控制终端上进行提醒。
进一步地,所述根据所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据得到第一检测模型的步骤,包括:
获取与所述第一新能源汽车结构相同或相似的第二新能源汽车的第二三维模型、第二历史检测数据、第二历史维修数据和第二历史事故数据;
根据所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据和所述第二历史事故数据生成第二检测模型;
分别对所述第一三维模型、所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据进行特征提取,得到第一特征数据集;
分别对所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据和所述第二历史事故数据进行特征提取,得到第二特征数据集;
将所述第一特征数据集与所述第二特征集进行比较分析,得到第一相同数据和第一差异数据;
根据所述第一相同数据和所述第一差异数据对所述第二检测模型进行修改,得到所述第一检测模型。
进一步地,还包括步骤:
获取所述第一新能源汽车的第一历史状态数据、第一历史行程数据、第一历史舱内图像数据和第一历史舱内环境数据;
获取所述第二新能源汽车的第二历史状态数据、第二历史行程数据、第二历史舱内图像数据和第二历史舱内环境数据;
根据所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据、所述第二历史事故数据、所述第二历史状态数据、所述第二历史行程数据、所述第二历史舱内图像数据和所述第二历史舱内环境数据以及多个事先训练好的神经网络分别生成第二时段检测模型集、第二路段检测模型集、第二人员检测模型集、第二外部环境检测模型集、第二舱内部位检测模型集;
分别对所述第一三维模型、所述第一历史检测数据、所述第一历史维修数据、所述第一历史事故数据、所述第一历史状态数据、所述第一历史行程数据、所述第一历史舱内图像数据和所述第一历史舱内环境数据进行特征提取得到第三特征数据集;
分别对所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据、所述第二历史事故数据、所述第二历史状态数据、所述第二历史行程数据、所述第二历史舱内图像数据和所述第二历史舱内环境数据进行特征提取得到第四特征数据集;
将所述第三特征数据集与所述第四特征数据集进行比较分析,得到第二相同数据和第二差异数据;
根据所述第二相同数据和所述第二差异数据分别对所述第二时段检测模型集、所述第二路段检测模型集、所述第二人员检测模型集、所述第二外部环境检测模型集和所述第二舱内部位检测模型集进行修改,得到适应于所述第一新能源汽车的第一时段检测模型集、第一路段检测模型集、第一人员检测模型集、第一外部环境检测模型集和第一舱内部位检测模型集。
进一步地,还包括步骤:
所述控制终端接收第一用户对所述第一检测结果的第一反馈信息;
根据所述第一反馈信息判断所述第一检测结果是否符合第一预期值;
若否,根据预设的舱内检测模型选择规则从所述第一新能源汽车的第一时段检测模型集、第一路段检测模型集、第一人员检测模型集、第一外部环境检测模型集和第一舱内部位检测模型集中选择出一个或多个第一舱内检测模型进行检测,得到第二检测结果。
进一步地,还包括步骤:
从所述第二检测结果中提取与所述第一新能源汽车的标准舱内数据差异值超过预设阈值的数据作为异常数据;
根据所述异常数据确定控制处理方案;
所述第一新能源汽车执行所述控制处理方案。
本发明的另一方面还提供一种用于新能源汽车的舱内检测***,包括物联网服务器、第一新能源汽车、控制终端;其中,
所述物联网服务器被配置为:
获取所述第一新能源汽车整车的第一三维点云数据;
根据所述第一三维点云数据建立所述第一新能源汽车的第一三维模型;
获取所述第一新能源汽车的第一历史检测数据、第一历史维修数据和第一历史事故数据;
根据所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据得到第一检测模型;
利用所述第一检测模型对所述第一新能源汽车进行检测,得到第一检测结果;
将所述第一检测结果添加至所述第一三维模型,得到第一检测结果三维模型;
将所述第一检测结果三维模型发送至所述控制终端,并在所述控制终端上进行提醒。
进一步地,所述根据所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据得到第一检测模型的步骤,所述物联网服务器被配置为:
获取与所述第一新能源汽车结构相同或相似的第二新能源汽车的第二三维模型、第二历史检测数据、第二历史维修数据和第二历史事故数据;
根据所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据和所述第二历史事故数据生成第二检测模型;
分别对所述第一三维模型、所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据进行特征提取,得到第一特征数据集;
分别对所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据和所述第二历史事故数据进行特征提取,得到第二特征数据集;
将所述第一特征数据集与所述第二特征集进行比较分析,得到第一相同数据和第一差异数据;
根据所述第一相同数据和所述第一差异数据对所述第二检测模型进行修改,得到所述第一检测模型。
进一步地,所述物联网服务器被配置为:
获取所述第一新能源汽车的第一历史状态数据、第一历史行程数据、第一历史舱内图像数据和第一历史舱内环境数据;
获取所述第二新能源汽车的第二历史状态数据、第二历史行程数据、第二历史舱内图像数据和第二历史舱内环境数据;
根据所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据、所述第二历史事故数据、所述第二历史状态数据、所述第二历史行程数据、所述第二历史舱内图像数据和所述第二历史舱内环境数据以及多个事先训练好的神经网络分别生成第二时段检测模型集、第二路段检测模型集、第二人员检测模型集、第二外部环境检测模型集、第二舱内部位检测模型集;
分别对所述第一三维模型、所述第一历史检测数据、所述第一历史维修数据、所述第一历史事故数据、所述第一历史状态数据、所述第一历史行程数据、所述第一历史舱内图像数据和所述第一历史舱内环境数据进行特征提取得到第三特征数据集;
分别对所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据、所述第二历史事故数据、所述第二历史状态数据、所述第二历史行程数据、所述第二历史舱内图像数据和所述第二历史舱内环境数据进行特征提取得到第四特征数据集;
将所述第三特征数据集与所述第四特征数据集进行比较分析,得到第二相同数据和第二差异数据;
根据所述第二相同数据和所述第二差异数据分别对所述第二时段检测模型集、所述第二路段检测模型集、所述第二人员检测模型集、所述第二外部环境检测模型集和所述第二舱内部位检测模型集进行修改,得到适应于所述第一新能源汽车的第一时段检测模型集、第一路段检测模型集、第一人员检测模型集、第一外部环境检测模型集和第一舱内部位检测模型集。
进一步地,所述控制终端被配置为:接收第一用户对所述第一检测结果的第一反馈信息,并将所述第一反馈信息发送至所述物联网服务器;
所述物联网服务器被配置为:
根据所述第一反馈信息判断所述第一检测结果是否符合第一预期值;
若否,根据预设的舱内检测模型选择规则从所述第一新能源汽车的第一时段检测模型集、第一路段检测模型集、第一人员检测模型集、第一外部环境检测模型集和第一舱内部位检测模型集中选择出一个或多个第一舱内检测模型进行检测,得到第二检测结果。
进一步地,所述物联网服务器被配置为:
从所述第二检测结果中提取与所述第一新能源汽车的标准舱内数据差异值超过预设阈值的数据作为异常数据;
根据所述异常数据确定控制处理方案;
所述第一新能源汽车执行所述控制处理方案。
采用本发明的技术方案,用于新能源汽车的舱内检测方法通过获取第一新能源汽车整车的第一三维点云数据;根据所述第一三维点云数据建立所述第一新能源汽车的第一三维模型;获取所述第一新能源汽车的第一历史检测数据、第一历史维修数据和第一历史事故数据;根据所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据得到第一检测模型;利用所述第一检测模型对所述第一新能源汽车进行检测,得到第一检测结果;将所述第一检测结果添加至所述第一三维模型,得到第一检测结果三维模型;将所述第一检测结果三维模型发送至控制终端,并在所述控制终端上进行提醒,不仅能自动智能地进行车辆的舱内检测,而且能取得准确地检测结果。
附图说明
图1是本发明一个实施例提供的用于新能源汽车的舱内检测方法流程图;
图2是本发明一个实施例提供的用于新能源汽车的舱内检测***的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面参照图1至图2来描述根据本发明一些实施方式提供的一种用于新能源汽车的舱内检测方法及***。
如图1所示,本发明一个实施例提供一种用于新能源汽车的舱内检测方法,包括:
获取第一新能源汽车整车的第一三维点云数据;
根据所述第一三维点云数据建立所述第一新能源汽车的第一三维模型;
获取所述第一新能源汽车的第一历史检测数据、第一历史维修数据和第一历史事故数据;
根据所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据得到第一检测模型;
利用所述第一检测模型对所述第一新能源汽车进行检测,得到第一检测结果;
将所述第一检测结果添加至所述第一三维模型,得到第一检测结果三维模型;
将所述第一检测结果三维模型发送至控制终端,并在所述控制终端上进行提醒。
可以理解的是,在本实施例中,首先通过获取第一新能源汽车整车的第一三维点云数据(包括但不限于第一新能源汽车的外部/外观、内部结构/内饰、底部等的点云数据,点云数据包含有三维坐标数据、颜色信息、反射强度信息);根据所述第一三维点云数据建立所述第一新能源汽车的第一三维模型(比如,使用点云处理软件对原始点云数据(即第一三维点云数据)进行预处理和过滤,去除噪声点,保留有效点云数据;使用点云配准算法将不同视角的点云数据组合配准到同一坐标系下,获得整体的点云数据;对点云数据进行分割,区分出车身外部、车内部等不同部位的点云;对不同部位的点云数据分别重建表面,得到车身外部、车内部等部分的网格模型;将各个部位的网格模型组合起来,完善网格模型,生成第一新能源汽车的完整三维模型,还可以使用网格平滑、网格修复等后处理优化模型;如果点云数据中包含颜色信息,可以将颜色映射到重建的三维模型上,得到带颜色的第一三维模型;综合运用点云处理和三维重建算法,可以从第一新能源汽车的点云数据出发,逐步构建其三维数字化模型),从第一三维模型上可以得到/查看到第一新能源汽车的整体结构与外观细节、各部件的结构与外观细节、各部件间的连接状态/位置关系等;获取所述第一新能源汽车的第一历史检测数据(如检测部件、检测时间、检测结果、检测部件的图像数据等)、第一历史维修数据(如维修部件、维修时间、维修结果、维修部件维修前与维修后的图像数据等)和第一历史事故数据(如事故发生时间、事故毁损部件、事故图像数据等),这些数据可以从对应的物联网服务器上预存的数据中获取,也可以通过物联网服务器从中央云服务器上预存的数据中获取;根据所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据得到第一检测模型(根据第一检测模型可以确定对应的包括但不限于重点检测部件/对象/人物、检测周期、触发特定检测的条件、检测工具、检测流程、检测标准等);利用所述第一检测模型对所述第一新能源汽车进行检测,得到第一检测结果(如根据第一检测模型中确定所述第一新能源汽车的重点检测部件/对象/人物、检测周期、触发特定检测的条件、检测工具、检测流程、检测标准等检测因子,根据这些检测因子得到对应的各项检测数据,对检测数据进行处理分析(如与预设的标准值或者前一次检测的检测值或者根据大数据分析得到的预期值等进行比对分析)得到第一检测结果);将所述第一检测结果添加至所述第一三维模型,得到第一检测结果三维模型以可以直观展示第一新能源汽车的当前状况;将所述第一检测结果三维模型发送至控制终端,并在所述控制终端上进行提醒。
采用该实施例的技术方案,通过获取第一新能源汽车整车的第一三维点云数据;根据所述第一三维点云数据建立所述第一新能源汽车的第一三维模型;获取所述第一新能源汽车的第一历史检测数据、第一历史维修数据和第一历史事故数据;根据所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据得到第一检测模型;利用所述第一检测模型对所述第一新能源汽车进行检测,得到第一检测结果;将所述第一检测结果添加至所述第一三维模型,得到第一检测结果三维模型;将所述第一检测结果三维模型发送至控制终端,并在所述控制终端上进行提醒,不仅能自动智能地进行车辆的舱内检测,而且能取得准确地检测结果。
在本发明一些可能的实施方式中,所述根据所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据得到第一检测模型的步骤,包括:
获取与所述第一新能源汽车结构相同或相似的第二新能源汽车的第二三维模型、第二历史检测数据、第二历史维修数据和第二历史事故数据;
根据所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据和所述第二历史事故数据生成第二检测模型;
分别对所述第一三维模型、所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据进行特征提取,得到第一特征数据集;
分别对所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据和所述第二历史事故数据进行特征提取,得到第二特征数据集;
将所述第一特征数据集与所述第二特征集进行比较分析,得到第一相同数据和第一差异数据;
根据所述第一相同数据和所述第一差异数据对所述第二检测模型进行修改,得到所述第一检测模型。
可以理解的是,为了使得到的第一检测模型既全面又准确地符合特定的第一新能源汽车的检测需求,在本实施例中,通过获取与所述第一新能源汽车结构相同或相似(即同一型号的车辆,或同一型号不同配置的车辆,或者同一品牌相似型号的车辆等)的第二新能源汽车(采样的第二新能源汽车的数量多、各种车况全面覆盖)的第二三维模型、第二历史检测数据、第二历史维修数据和第二历史事故数据(从而获得了大规模的样本数据);根据所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据和所述第二历史事故数据,对预选的神经网络进行训练生成第二检测模型;分别对所述第一三维模型、所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据进行特征提取,得到第一特征数据集,具体可以但不限于:从第一三维模型中可以提取车型特征,如车身尺寸、轴距、车高等几何特征,以及部件数量、位置、尺寸等特征,这些特征可以描述车辆的整体结构信息;从第一历史检测数据可以提取各传感器的检测范围、精度、频率等特征,以及车辆在不同工作条件下的检测数据特征,如速度、加速度、角速度等时间序列特征,这些特征描述车辆各***的性能与工作状态;从第一历史维修数据中可以提取常见故障类型、频率、维修时间、更换部件等可以反映车辆的可靠性与使用寿命等信息的特征;从第一历史事故数据中可以提取事故类型、损伤程度、事故环境等可以描述车辆的安全性与防护能力信息的特征。通过分析多源数据,提取车型结构特征、性能特征、可靠性特征和安全性特征等,可以得到描述第一新能源汽车全貌的特征数据集,后续可以基于此数据集开展故障预测、事故分析、使用寿命预估等工作。同样地,分别对所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据和所述第二历史事故数据进行特征提取,得到第二特征数据集;将所述第一特征数据集与所述第二特征集进行比较分析,得到第一相同数据和第一差异数据;根据所述第一相同数据和所述第一差异数据对所述第二检测模型进行修改(如包括但不限于针对重点检测部件/对象/人物、检测周期、触发特定检测的条件、检测工具、检测流程、检测标准等方面进行修改),得到所述第一检测模型。
为了更精细化地对车辆进行检测,在本发明一些可能的实施方式中,还包括步骤:
获取所述第一新能源汽车的第一历史状态数据、第一历史行程数据、第一历史舱内图像数据和第一历史舱内环境数据;
获取所述第二新能源汽车的第二历史状态数据、第二历史行程数据、第二历史舱内图像数据和第二历史舱内环境数据;
根据所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据、所述第二历史事故数据、所述第二历史状态数据、所述第二历史行程数据、所述第二历史舱内图像数据和所述第二历史舱内环境数据以及多个事先训练好的神经网络分别生成第二时段检测模型集(即基于不同时段采用不同的舱内检测模型)、第二路段检测模型集(即基于不同路段采用不同的舱内检测模型)、第二人员检测模型集(即基于不同的驾乘人员采用不同的舱内检测模型)、第二外部环境检测模型集(基于不同外部环境采用不同的舱内检测模型)、第二舱内部位检测模型集(基于不同的舱内部位采用不同的舱内检测模型);
分别对所述第一三维模型、所述第一历史检测数据、所述第一历史维修数据、所述第一历史事故数据、所述第一历史状态数据、所述第一历史行程数据、所述第一历史舱内图像数据和所述第一历史舱内环境数据进行特征提取得到第三特征数据集,如从第一历史状态数据中可以提取包括但不限于车辆的工作状态特征,如行驶状态、停车状态、空闲状态等切换频率特征;电池电量、油耗等能源特征;车载***的工作状态特征等可以描述车辆的综合使用情况的特征;从第一历史行程数据中可以提取出行时间、行驶路线、行驶距离等可以反映车主的出行习惯与需求的特征;从第一历史舱内图像数据中可以提取车内空间结构特征、乘客数量、行为特征、车内物品类型/数量/放置位置等可以描述车内空间的使用情况与乘客行为模式的特征;从第一历史舱内环境数据可以提取温度、湿度、空气质量等环境参数特征以及相应的车载设备的工作特征等特征可以描述车内环境舒适度与控制效果的特征。综上,这些特征可以从更加全面和细致的角度描述智能汽车的使用情况、运行状态、出行需求和内部环境等,结合三维结构特征、性能特征、可靠性特征和安全性特征,可以构建一个更加丰富的车辆特征数据集。同样地,分别对所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据、所述第二历史事故数据、所述第二历史状态数据、所述第二历史行程数据、所述第二历史舱内图像数据和所述第二历史舱内环境数据进行特征提取得到第四特征数据集;
将所述第三特征数据集与所述第四特征数据集进行比较分析,得到第二相同数据和第二差异数据;
根据所述第二相同数据和所述第二差异数据分别对所述第二时段检测模型集、所述第二路段检测模型集、所述第二人员检测模型集、所述第二外部环境检测模型集和所述第二舱内部位检测模型集进行修改(如包括但不限于针对重点检测部件/对象/人物、检测周期、触发特定检测的条件、检测工具、检测流程、检测标准等方面进行修改),得到适应于所述第一新能源汽车的第一时段检测模型集、第一路段检测模型集、第一人员检测模型集、第一外部环境检测模型集和第一舱内部位检测模型集。
可以理解的是,在本实施例中,多个事先训练好的神经网络可以是根据需要事先从如下神经网络中选择、修改并训练好的神经网络:
通用图像分类网络:如ImageNet上预训练的ResNet、VGGNet等,可以提取图像的通用特征。
目标检测网络:如在自然图像数据集上预训练的Faster R-CNN、YOLO等,用于检测舱内目标。
语音识别网络:如在语音数据集上预训练的深度神经网络,用于识别舱内语音。
环境声音检测网络:如AudioSet数据集上预训练的网络,用于检测舱内环境声音。
人脸识别网络:如在人脸数据集上预训练的网络,用于识别驾乘人员。
姿态估计网络:如在姿态数据集上预训练的网络,用于估计人体姿态和动作。
自然语言处理网络:如BERT等在大规模文本上预训练的网络,用于分析用户反馈语言。
根据第二新能源汽车的各类历史数据,可以采取以下方法生成不同的检测模型集,此处只是举例进行说明,不作为对本发明实施方式的限制:
第二时段检测模型集:将第二历史数据按时间分段,如按天、周、月等;对每个时间段的相关数据训练一个检测模型;得到基于不同时间段的多个检测模型。
第二路段检测模型集:将第二历史行程数据分段为不同的路段,如高速路段、市区路段等;对每个路段的相关数据训练一个检测模型;得到基于不同路段的多个检测模型。
第二人员检测模型集:从第二历史数据中提取不同驾乘人员的相关数据;对每个人员的相关数据训练一个检测模型,得到基于不同人员的多个检测模型。
第二外部环境检测模型集:从第二历史数据中提取不同外部环境(天气、温度等)的相关数据;对每个外部环境训练一个检测模型,得到基于不同外部环境的多个检测模型。
第二舱内部位检测模型集:从第二历史图像数据中提取不同舱内部位的图像数据;对每个部位的图像数据训练一个检测模型,得到基于不同部位的多个检测模型。
通过训练多个检测模型集,可以获得对第二新能源汽车状态检测更加全面和精确的建模。相比单一模型,多个模型集合可以提供更好的泛化性能。
在本发明一些可能的实施方式中,还包括步骤:
所述控制终端接收第一用户对所述第一检测结果的第一反馈信息;
根据所述第一反馈信息判断所述第一检测结果是否符合第一预期值;
若否,根据预设的舱内检测模型选择规则从所述第一新能源汽车的第一时段检测模型集、第一路段检测模型集、第一人员检测模型集、第一外部环境检测模型集和第一舱内部位检测模型集中选择出一个或多个第一舱内检测模型进行检测,得到第二检测结果。
可以理解的是,在本实施例中,所述控制终端接收第一用户对所述第一检测结果的第一反馈信息(如针对检测结果的评价信息、修改信息、提问信息、互动信息等);根据所述第一反馈信息判断所述第一检测结果是否符合第一预期值(第一预期值包括但不限于第一用户的主观评价,如用户对检测结果的满意度评价、用户对检测结果正确性的判断等;检测结果与实际值的对比,如将检测结果与用户提供的实际参数值对比以判断检测值偏差是否在容许范围内、对比检测时间段内的状态变化曲线与实际曲线等;与历史检测结果的对比,如对比本次检测结果与该车辆历史检测结果的误差范围、对比检测结果与该型号车辆的历史检测数据分布等;与检测模型的预期输出对比,如模型训练过程中得到的期望输出值区间、模型在测试集上的表现指标等;预定义的期望检测结果,如提前定义的理想检测结果、基于规则的检测结果判定等;综合利用上述一种或多种方法得到第一预期值,与第一检测结果对比,可以判断检测是否达到符合预期的标准,并作为模型优化的反馈);若否,根据预设的舱内检测模型选择规则(如根据时段、路段、人员、外部环境、舱内部位等维度进行单独或综合评价而进行舱内检测模型选择)从所述第一新能源汽车的第一时段检测模型集、第一路段检测模型集、第一人员检测模型集、第一外部环境检测模型集和第一舱内部位检测模型集中选择出一个或多个第一舱内检测模型进行检测,得到第二检测结果。通过本实施例的方案,可以根据用户的实际反馈,更具针对性/个性化地选择检测模型,提供更精确的检测服务。
在本发明一些可能的实施方式中,还包括步骤:
从所述第二检测结果中提取与所述第一新能源汽车的标准舱内数据(包括但不限于人、物、环境等的标准工作数据、标准状态数据等)差异值超过预设阈值的数据作为异常数据;
根据所述异常数据确定控制处理方案;
所述第一新能源汽车执行所述控制处理方案。
可以理解的是,所述第一新能源汽车执行所述控制处理方案包括但不限于:
1.对第一新能源汽车的后备箱进行智能控制,主要可以从以下几个方面进行:
后备箱的自动开启与关闭:可以通过控制终端上的APP或者车载控制界面发送开启/关闭命令,后备箱会自动开启或关闭。
情景感知开启:如当检测到用户开启后备箱,并且持续停留在后备箱一定范围内时,可以判断用户有装载或卸载行李的意图,此时自动开启后备箱;卸载或装载结束后,如果检测到用户离开一定范围或发送关闭命令,则自动关闭后备箱。
防夹感知:后备箱开启或关闭时,需要检测是否有障碍物阻挡,如果检测到可能夹住物品或者人员,则及时停止运动,并发出警报,这需要通过环境感知来检测后备箱周围的场景。
空格利用提醒:后备箱空间较大时,可以根据载物体积大小来计算剩余空间,并在载物结束后给出空间利用提醒,提示用户可以放置的其他物品种类或数量,这需要通过图像识别等技术来感知载物信息。
防盗报警:如果在车辆停放期间检测到有人未经允许打开后备箱,可以发出防盗报警以吓阻盗贼,这需要通过环境感知来检测后备箱的开启动作及周围人员信息。
后备箱环境监测与调节:如根据食品或其他物品的生物、化学特性等对后备箱进行调节。
2.对第一新能源汽车的安全座椅进行智能控制,主要可以从以下几个方面进行:
座椅位置记忆:可以记录座椅的前后位置、高低位置、倾斜角度等数据,方便下次上车时自动调整到记忆位置,这需要配合座椅执行机构来实现自动调节。
自动调节:可以检测对应乘员的身高、体型信息,然后自动调节座椅到最舒适和安全的位置,这需要通过环境感知来获取乘员信息。
防夹防撞:座椅移动时,需要监测是否会夹到乘员或撞到其他物品,如果检测到危险,则停止移动,这也需要环境感知来检测座椅周围。
安全姿势提醒:如果检测到乘员的坐姿不安全,如过度前倾或侧倾,可以提醒乘员调整到安全坐姿,这需要通过计算机视觉来检测乘员的具体坐姿。
安全带提醒:如果检测到乘员未系安全带,可以发出视觉和听觉提醒,提示乘员系紧安全带,这也需要通过计算机视觉和环境感知来检测安全带的系紧状态。
动态控制:在车辆行驶过程中,可以根据道路和行驶条件动态控制座椅,如在转弯或制动时轻微倾斜,提高乘员舒适度和安全性,这需要结合车载定位和惯性测量单元获取行驶信息进行控制。
安全座椅与车辆座舱间的联动:如与放置安全座椅的车辆座位间的联动、与车辆上安全座椅连接装置间的联动、安全座椅根据座舱里的状态进行转动、倾斜角度调节、高度调节等。
安全座椅的安扰与救助:如当检测到安全座椅上的小孩有异常时,进行情绪安抚,或者提供呕吐应对容器等。
3.当需要在第一新能源汽车内找物时,对于车舱内的不可见部位触发压力传感器,检测压力数据,并根据压力数据判断对应位置是否有遗落物品;
4.根据舱内数据制定用电或充电或发电功率。
通过本实施例的方案,可以及时准确地对所述第一新能源汽车可能出现的异常进行处理。
请参见图2,本发明的另一实施例还提供一种用于新能源汽车的舱内检测***,包括物联网服务器、第一新能源汽车、控制终端;其中,
所述物联网服务器被配置为:
获取所述第一新能源汽车整车的第一三维点云数据;
根据所述第一三维点云数据建立所述第一新能源汽车的第一三维模型;
获取所述第一新能源汽车的第一历史检测数据、第一历史维修数据和第一历史事故数据;
根据所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据得到第一检测模型;
利用所述第一检测模型对所述第一新能源汽车进行检测,得到第一检测结果;
将所述第一检测结果添加至所述第一三维模型,得到第一检测结果三维模型;
将所述第一检测结果三维模型发送至所述控制终端,并在所述控制终端上进行提醒。
可以理解的是,在本实施例中,首先通过获取第一新能源汽车整车的第一三维点云数据(包括但不限于第一新能源汽车的外部/外观、内部结构/内饰、底部等的点云数据,点云数据包含有三维坐标数据、颜色信息、反射强度信息);根据所述第一三维点云数据建立所述第一新能源汽车的第一三维模型(比如,使用点云处理软件对原始点云数据(即第一三维点云数据)进行预处理和过滤,去除噪声点,保留有效点云数据;使用点云配准算法将不同视角的点云数据组合配准到同一坐标系下,获得整体的点云数据;对点云数据进行分割,区分出车身外部、车内部等不同部位的点云;对不同部位的点云数据分别重建表面,得到车身外部、车内部等部分的网格模型;将各个部位的网格模型组合起来,完善网格模型,生成第一新能源汽车的完整三维模型,还可以使用网格平滑、网格修复等后处理优化模型;如果点云数据中包含颜色信息,可以将颜色映射到重建的三维模型上,得到带颜色的第一三维模型;综合运用点云处理和三维重建算法,可以从第一新能源汽车的点云数据出发,逐步构建其三维数字化模型),从第一三维模型上可以得到/查看到第一新能源汽车的整体结构与外观细节、各部件的结构与外观细节、各部件间的连接状态/位置关系等;获取所述第一新能源汽车的第一历史检测数据(如检测部件、检测时间、检测结果、检测部件的图像数据等)、第一历史维修数据(如维修部件、维修时间、维修结果、维修部件维修前与维修后的图像数据等)和第一历史事故数据(如事故发生时间、事故毁损部件、事故图像数据等),这些数据可以从对应的物联网服务器上预存的数据中获取,也可以通过物联网服务器从中央云服务器上预存的数据中获取;根据所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据得到第一检测模型(根据第一检测模型可以确定对应的包括但不限于重点检测部件/对象/人物、检测周期、触发特定检测的条件、检测工具、检测流程、检测标准等);利用所述第一检测模型对所述第一新能源汽车进行检测,得到第一检测结果(如根据第一检测模型中确定所述第一新能源汽车的重点检测部件/对象/人物、检测周期、触发特定检测的条件、检测工具、检测流程、检测标准等检测因子,根据这些检测因子得到对应的各项检测数据,对检测数据进行处理分析(如与预设的标准值或者前一次检测的检测值或者根据大数据分析得到的预期值等进行比对分析)得到第一检测结果);将所述第一检测结果添加至所述第一三维模型,得到第一检测结果三维模型以可以直观展示第一新能源汽车的当前状况;将所述第一检测结果三维模型发送至控制终端,并在所述控制终端上进行提醒。
采用该实施例的技术方案,不仅能自动智能地进行车辆的舱内检测,而且能取得准确地检测结果。
应当知道的是,图2所示的用于新能源汽车的舱内检测***的框图仅作示意,其所示出的各模块的数量并不对本发明的保护范围进行限定。
在本发明一些可能的实施方式中,所述根据所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据得到第一检测模型的步骤,所述物联网服务器被配置为:
获取与所述第一新能源汽车结构相同或相似的第二新能源汽车的第二三维模型、第二历史检测数据、第二历史维修数据和第二历史事故数据;
根据所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据和所述第二历史事故数据生成第二检测模型;
分别对所述第一三维模型、所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据进行特征提取,得到第一特征数据集;
分别对所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据和所述第二历史事故数据进行特征提取,得到第二特征数据集;
将所述第一特征数据集与所述第二特征集进行比较分析,得到第一相同数据和第一差异数据;
根据所述第一相同数据和所述第一差异数据对所述第二检测模型进行修改,得到所述第一检测模型。
可以理解的是,为了使得到的第一检测模型既全面又准确地符合特定的第一新能源汽车的检测需求,在本实施例中,通过获取与所述第一新能源汽车结构相同或相似(即同一型号的车辆,或同一型号不同配置的车辆,或者同一品牌相似型号的车辆等)的第二新能源汽车(采样的第二新能源汽车的数量多、各种车况全面覆盖)的第二三维模型、第二历史检测数据、第二历史维修数据和第二历史事故数据(从而获得了大规模的样本数据);根据所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据和所述第二历史事故数据,对预选的神经网络进行训练生成第二检测模型;分别对所述第一三维模型、所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据进行特征提取,得到第一特征数据集,具体可以但不限于:从第一三维模型中可以提取车型特征,如车身尺寸、轴距、车高等几何特征,以及部件数量、位置、尺寸等特征,这些特征可以描述车辆的整体结构信息;从第一历史检测数据可以提取各传感器的检测范围、精度、频率等特征,以及车辆在不同工作条件下的检测数据特征,如速度、加速度、角速度等时间序列特征,这些特征描述车辆各***的性能与工作状态;从第一历史维修数据中可以提取常见故障类型、频率、维修时间、更换部件等可以反映车辆的可靠性与使用寿命等信息的特征;从第一历史事故数据中可以提取事故类型、损伤程度、事故环境等可以描述车辆的安全性与防护能力信息的特征。通过分析多源数据,提取车型结构特征、性能特征、可靠性特征和安全性特征等,可以得到描述第一新能源汽车全貌的特征数据集,后续可以基于此数据集开展故障预测、事故分析、使用寿命预估等工作。同样地,分别对所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据和所述第二历史事故数据进行特征提取,得到第二特征数据集;将所述第一特征数据集与所述第二特征集进行比较分析,得到第一相同数据和第一差异数据;根据所述第一相同数据和所述第一差异数据对所述第二检测模型进行修改(如包括但不限于针对重点检测部件/对象/人物、检测周期、触发特定检测的条件、检测工具、检测流程、检测标准等方面进行修改),得到所述第一检测模型。
为了更精细化地对车辆进行检测,在本发明一些可能的实施方式中,所述物联网服务器被配置为:
获取所述第一新能源汽车的第一历史状态数据、第一历史行程数据、第一历史舱内图像数据和第一历史舱内环境数据;
获取所述第二新能源汽车的第二历史状态数据、第二历史行程数据、第二历史舱内图像数据和第二历史舱内环境数据;
根据所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据、所述第二历史事故数据、所述第二历史状态数据、所述第二历史行程数据、所述第二历史舱内图像数据和所述第二历史舱内环境数据以及多个事先训练好的神经网络分别生成第二时段检测模型集(即基于不同时段采用不同的舱内检测模型)、第二路段检测模型集(即基于不同路段采用不同的舱内检测模型)、第二人员检测模型集(即基于不同的驾乘人员采用不同的舱内检测模型)、第二外部环境检测模型集(基于不同外部环境采用不同的舱内检测模型)、第二舱内部位检测模型集(基于不同的舱内部位采用不同的舱内检测模型);
分别对所述第一三维模型、所述第一历史检测数据、所述第一历史维修数据、所述第一历史事故数据、所述第一历史状态数据、所述第一历史行程数据、所述第一历史舱内图像数据和所述第一历史舱内环境数据进行特征提取得到第三特征数据集,如从第一历史状态数据中可以提取包括但不限于车辆的工作状态特征,如行驶状态、停车状态、空闲状态等切换频率特征;电池电量、油耗等能源特征;车载***的工作状态特征等可以描述车辆的综合使用情况的特征;从第一历史行程数据中可以提取出行时间、行驶路线、行驶距离等可以反映车主的出行习惯与需求的特征;从第一历史舱内图像数据中可以提取车内空间结构特征、乘客数量、行为特征、车内物品类型/数量/放置位置等可以描述车内空间的使用情况与乘客行为模式的特征;从第一历史舱内环境数据可以提取温度、湿度、空气质量等环境参数特征以及相应的车载设备的工作特征等特征可以描述车内环境舒适度与控制效果的特征。综上,这些特征可以从更加全面和细致的角度描述智能汽车的使用情况、运行状态、出行需求和内部环境等,结合三维结构特征、性能特征、可靠性特征和安全性特征,可以构建一个更加丰富的车辆特征数据集。同样地,分别对所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据、所述第二历史事故数据、所述第二历史状态数据、所述第二历史行程数据、所述第二历史舱内图像数据和所述第二历史舱内环境数据进行特征提取得到第四特征数据集;
将所述第三特征数据集与所述第四特征数据集进行比较分析,得到第二相同数据和第二差异数据;
根据所述第二相同数据和所述第二差异数据分别对所述第二时段检测模型集、所述第二路段检测模型集、所述第二人员检测模型集、所述第二外部环境检测模型集和所述第二舱内部位检测模型集进行修改(如包括但不限于针对重点检测部件/对象/人物、检测周期、触发特定检测的条件、检测工具、检测流程、检测标准等方面进行修改),得到适应于所述第一新能源汽车的第一时段检测模型集、第一路段检测模型集、第一人员检测模型集、第一外部环境检测模型集和第一舱内部位检测模型集。
可以理解的是,在本实施例中,多个事先训练好的神经网络可以是根据需要事先从如下神经网络中选择、修改并训练好的神经网络:
通用图像分类网络:如ImageNet上预训练的ResNet、VGGNet等,可以提取图像的通用特征。
目标检测网络:如在自然图像数据集上预训练的Faster R-CNN、YOLO等,用于检测舱内目标。
语音识别网络:如在语音数据集上预训练的深度神经网络,用于识别舱内语音。
环境声音检测网络:如AudioSet数据集上预训练的网络,用于检测舱内环境声音。
人脸识别网络:如在人脸数据集上预训练的网络,用于识别驾乘人员。
姿态估计网络:如在姿态数据集上预训练的网络,用于估计人体姿态和动作。
自然语言处理网络:如BERT等在大规模文本上预训练的网络,用于分析用户反馈语言。
根据第二新能源汽车的各类历史数据,可以采取以下方法生成不同的检测模型集,此处只是举例进行说明,不作为对本发明实施方式的限制:
第二时段检测模型集:将第二历史数据按时间分段,如按天、周、月等;对每个时间段的相关数据训练一个检测模型;得到基于不同时间段的多个检测模型。
第二路段检测模型集:将第二历史行程数据分段为不同的路段,如高速路段、市区路段等;对每个路段的相关数据训练一个检测模型;得到基于不同路段的多个检测模型。
第二人员检测模型集:从第二历史数据中提取不同驾乘人员的相关数据;对每个人员的相关数据训练一个检测模型,得到基于不同人员的多个检测模型。
第二外部环境检测模型集:从第二历史数据中提取不同外部环境(天气、温度等)的相关数据;对每个外部环境训练一个检测模型,得到基于不同外部环境的多个检测模型。
第二舱内部位检测模型集:从第二历史图像数据中提取不同舱内部位的图像数据;对每个部位的图像数据训练一个检测模型,得到基于不同部位的多个检测模型。
通过训练多个检测模型集,可以获得对第二新能源汽车状态检测更加全面和精确的建模。相比单一模型,多个模型集合可以提供更好的泛化性能。
在本发明一些可能的实施方式中,所述控制终端被配置为:接收第一用户对所述第一检测结果的第一反馈信息,并将所述第一反馈信息发送至所述物联网服务器;
所述物联网服务器被配置为:
根据所述第一反馈信息判断所述第一检测结果是否符合第一预期值;
若否,根据预设的舱内检测模型选择规则从所述第一新能源汽车的第一时段检测模型集、第一路段检测模型集、第一人员检测模型集、第一外部环境检测模型集和第一舱内部位检测模型集中选择出一个或多个第一舱内检测模型进行检测,得到第二检测结果。
可以理解的是,在本实施例中,所述控制终端接收第一用户对所述第一检测结果的第一反馈信息(如针对检测结果的评价信息、修改信息、提问信息、互动信息等);根据所述第一反馈信息判断所述第一检测结果是否符合第一预期值(第一预期值包括但不限于第一用户的主观评价,如用户对检测结果的满意度评价、用户对检测结果正确性的判断等;检测结果与实际值的对比,如将检测结果与用户提供的实际参数值对比以判断检测值偏差是否在容许范围内、对比检测时间段内的状态变化曲线与实际曲线等;与历史检测结果的对比,如对比本次检测结果与该车辆历史检测结果的误差范围、对比检测结果与该型号车辆的历史检测数据分布等;与检测模型的预期输出对比,如模型训练过程中得到的期望输出值区间、模型在测试集上的表现指标等;预定义的期望检测结果,如提前定义的理想检测结果、基于规则的检测结果判定等;综合利用上述一种或多种方法得到第一预期值,与第一检测结果对比,可以判断检测是否达到符合预期的标准,并作为模型优化的反馈);若否,根据预设的舱内检测模型选择规则(如根据时段、路段、人员、外部环境、舱内部位等维度进行单独或综合评价而进行舱内检测模型选择)从所述第一新能源汽车的第一时段检测模型集、第一路段检测模型集、第一人员检测模型集、第一外部环境检测模型集和第一舱内部位检测模型集中选择出一个或多个第一舱内检测模型进行检测,得到第二检测结果。通过本实施例的方案,可以根据用户的实际反馈,更具针对性/个性化地选择检测模型,提供更精确的检测服务。
在本发明一些可能的实施方式中,所述物联网服务器被配置为:
从所述第二检测结果中提取与所述第一新能源汽车的标准舱内数据(包括但不限于人、物、环境等的标准工作数据、标准状态数据等)差异值超过预设阈值的数据作为异常数据;
根据所述异常数据确定控制处理方案;
所述第一新能源汽车执行所述控制处理方案。
可以理解的是,所述第一新能源汽车执行所述控制处理方案包括但不限于:
1.对第一新能源汽车的后备箱进行智能控制,主要可以从以下几个方面进行:
后备箱的自动开启与关闭:可以通过控制终端上的APP或者车载控制界面发送开启/关闭命令,后备箱会自动开启或关闭。
情景感知开启:如当检测到用户开启后备箱,并且持续停留在后备箱一定范围内时,可以判断用户有装载或卸载行李的意图,此时自动开启后备箱;卸载或装载结束后,如果检测到用户离开一定范围或发送关闭命令,则自动关闭后备箱。
防夹感知:后备箱开启或关闭时,需要检测是否有障碍物阻挡,如果检测到可能夹住物品或者人员,则及时停止运动,并发出警报,这需要通过环境感知来检测后备箱周围的场景。
空格利用提醒:后备箱空间较大时,可以根据载物体积大小来计算剩余空间,并在载物结束后给出空间利用提醒,提示用户可以放置的其他物品种类或数量,这需要通过图像识别等技术来感知载物信息。
防盗报警:如果在车辆停放期间检测到有人未经允许打开后备箱,可以发出防盗报警以吓阻盗贼,这需要通过环境感知来检测后备箱的开启动作及周围人员信息。
后备箱环境监测与调节:如根据食品或其他物品的生物、化学特性等对后备箱进行调节。
2.对第一新能源汽车的安全座椅进行智能控制,主要可以从以下几个方面进行:
座椅位置记忆:可以记录座椅的前后位置、高低位置、倾斜角度等数据,方便下次上车时自动调整到记忆位置,这需要配合座椅执行机构来实现自动调节。
自动调节:可以检测对应乘员的身高、体型信息,然后自动调节座椅到最舒适和安全的位置,这需要通过环境感知来获取乘员信息。
防夹防撞:座椅移动时,需要监测是否会夹到乘员或撞到其他物品,如果检测到危险,则停止移动,这也需要环境感知来检测座椅周围。
安全姿势提醒:如果检测到乘员的坐姿不安全,如过度前倾或侧倾,可以提醒乘员调整到安全坐姿,这需要通过计算机视觉来检测乘员的具体坐姿。
安全带提醒:如果检测到乘员未系安全带,可以发出视觉和听觉提醒,提示乘员系紧安全带,这也需要通过计算机视觉和环境感知来检测安全带的系紧状态。
动态控制:在车辆行驶过程中,可以根据道路和行驶条件动态控制座椅,如在转弯或制动时轻微倾斜,提高乘员舒适度和安全性,这需要结合车载定位和惯性测量单元获取行驶信息进行控制。
安全座椅与车辆座舱间的联动:如与放置安全座椅的车辆座位间的联动、与车辆上安全座椅连接装置间的联动、安全座椅根据座舱里的状态进行转动、倾斜角度调节、高度调节等。
安全座椅的安扰与救助:如当检测到安全座椅上的小孩有异常时,进行情绪安抚,或者提供呕吐应对容器等。
3.当需要在第一新能源汽车内找物时,对于车舱内的不可见部位触发压力传感器,检测压力数据,并根据压力数据判断对应位置是否有遗落物品;
4.根据舱内数据制定用电或充电或发电功率。
通过本实施例的方案,可以及时准确地对所述第一新能源汽车可能出现的异常进行处理。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可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,例如上述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元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,也可以采用软件功能单元的形式实现。
上述集成的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取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,可轻易想到变化或替换,均可作各种更动与修改,包含上述不同功能、实施步骤的组合,包含软件和硬件的实施方式,均在本发明的保护范围。
Claims (10)
1.一种用于新能源汽车的舱内检测方法,其特征在于,包括:
获取第一新能源汽车整车的第一三维点云数据;
根据所述第一三维点云数据建立所述第一新能源汽车的第一三维模型;
获取所述第一新能源汽车的第一历史检测数据、第一历史维修数据和第一历史事故数据;
根据所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据得到第一检测模型;
利用所述第一检测模型对所述第一新能源汽车进行检测,得到第一检测结果;
将所述第一检测结果添加至所述第一三维模型,得到第一检测结果三维模型;
将所述第一检测结果三维模型发送至控制终端,并在所述控制终端上进行提醒。
2.根据权利要求1所述的用于新能源汽车的舱内检测方法,其特征在于,所述根据所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据得到第一检测模型的步骤,包括:
获取与所述第一新能源汽车结构相同或相似的第二新能源汽车的第二三维模型、第二历史检测数据、第二历史维修数据和第二历史事故数据;
根据所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据和所述第二历史事故数据生成第二检测模型;
分别对所述第一三维模型、所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据进行特征提取,得到第一特征数据集;
分别对所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据和所述第二历史事故数据进行特征提取,得到第二特征数据集;
将所述第一特征数据集与所述第二特征集进行比较分析,得到第一相同数据和第一差异数据;
根据所述第一相同数据和所述第一差异数据对所述第二检测模型进行修改,得到所述第一检测模型。
3.根据权利要求2所述的用于新能源汽车的舱内检测方法,其特征在于,还包括步骤:
获取所述第一新能源汽车的第一历史状态数据、第一历史行程数据、第一历史舱内图像数据和第一历史舱内环境数据;
获取所述第二新能源汽车的第二历史状态数据、第二历史行程数据、第二历史舱内图像数据和第二历史舱内环境数据;
根据所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据、所述第二历史事故数据、所述第二历史状态数据、所述第二历史行程数据、所述第二历史舱内图像数据和所述第二历史舱内环境数据以及多个事先训练好的神经网络分别生成第二时段检测模型集、第二路段检测模型集、第二人员检测模型集、第二外部环境检测模型集、第二舱内部位检测模型集;
分别对所述第一三维模型、所述第一历史检测数据、所述第一历史维修数据、所述第一历史事故数据、所述第一历史状态数据、所述第一历史行程数据、所述第一历史舱内图像数据和所述第一历史舱内环境数据进行特征提取得到第三特征数据集;
分别对所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据、所述第二历史事故数据、所述第二历史状态数据、所述第二历史行程数据、所述第二历史舱内图像数据和所述第二历史舱内环境数据进行特征提取得到第四特征数据集;
将所述第三特征数据集与所述第四特征数据集进行比较分析,得到第二相同数据和第二差异数据;
根据所述第二相同数据和所述第二差异数据分别对所述第二时段检测模型集、所述第二路段检测模型集、所述第二人员检测模型集、所述第二外部环境检测模型集和所述第二舱内部位检测模型集进行修改,得到适应于所述第一新能源汽车的第一时段检测模型集、第一路段检测模型集、第一人员检测模型集、第一外部环境检测模型集和第一舱内部位检测模型集。
4.根据权利要求3所述的用于新能源汽车的舱内检测方法,其特征在于,还包括步骤:
所述控制终端接收第一用户对所述第一检测结果的第一反馈信息;
根据所述第一反馈信息判断所述第一检测结果是否符合第一预期值;
若否,根据预设的舱内检测模型选择规则从所述第一新能源汽车的第一时段检测模型集、第一路段检测模型集、第一人员检测模型集、第一外部环境检测模型集和第一舱内部位检测模型集中选择出一个或多个第一舱内检测模型进行检测,得到第二检测结果。
5.根据权利要求4所述的用于新能源汽车的舱内检测方法,其特征在于,还包括步骤:
从所述第二检测结果中提取与所述第一新能源汽车的标准舱内数据差异值超过预设阈值的数据作为异常数据;
根据所述异常数据确定控制处理方案;
所述第一新能源汽车执行所述控制处理方案。
6.一种用于新能源汽车的舱内检测***,其特征在于,包括物联网服务器、第一新能源汽车、控制终端;其中,
所述物联网服务器被配置为:
获取所述第一新能源汽车整车的第一三维点云数据;
根据所述第一三维点云数据建立所述第一新能源汽车的第一三维模型;
获取所述第一新能源汽车的第一历史检测数据、第一历史维修数据和第一历史事故数据;
根据所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据得到第一检测模型;
利用所述第一检测模型对所述第一新能源汽车进行检测,得到第一检测结果;
将所述第一检测结果添加至所述第一三维模型,得到第一检测结果三维模型;
将所述第一检测结果三维模型发送至所述控制终端,并在所述控制终端上进行提醒。
7.根据权利要求6所述的用于新能源汽车的舱内检测***,其特征在于,所述根据所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据得到第一检测模型的步骤,所述物联网服务器被配置为:
获取与所述第一新能源汽车结构相同或相似的第二新能源汽车的第二三维模型、第二历史检测数据、第二历史维修数据和第二历史事故数据;
根据所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据和所述第二历史事故数据生成第二检测模型;
分别对所述第一三维模型、所述第一历史检测数据、所述第一历史维修数据和所述第一历史事故数据进行特征提取,得到第一特征数据集;
分别对所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据和所述第二历史事故数据进行特征提取,得到第二特征数据集;
将所述第一特征数据集与所述第二特征集进行比较分析,得到第一相同数据和第一差异数据;
根据所述第一相同数据和所述第一差异数据对所述第二检测模型进行修改,得到所述第一检测模型。
8.根据权利要求7所述的用于新能源汽车的舱内检测***,其特征在于,所述物联网服务器被配置为:
获取所述第一新能源汽车的第一历史状态数据、第一历史行程数据、第一历史舱内图像数据和第一历史舱内环境数据;
获取所述第二新能源汽车的第二历史状态数据、第二历史行程数据、第二历史舱内图像数据和第二历史舱内环境数据;
根据所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据、所述第二历史事故数据、所述第二历史状态数据、所述第二历史行程数据、所述第二历史舱内图像数据和所述第二历史舱内环境数据以及多个事先训练好的神经网络分别生成第二时段检测模型集、第二路段检测模型集、第二人员检测模型集、第二外部环境检测模型集、第二舱内部位检测模型集;
分别对所述第一三维模型、所述第一历史检测数据、所述第一历史维修数据、所述第一历史事故数据、所述第一历史状态数据、所述第一历史行程数据、所述第一历史舱内图像数据和所述第一历史舱内环境数据进行特征提取得到第三特征数据集;
分别对所述第二三维模型、所述第二历史检测数据、所述第二历史维修数据、所述第二历史事故数据、所述第二历史状态数据、所述第二历史行程数据、所述第二历史舱内图像数据和所述第二历史舱内环境数据进行特征提取得到第四特征数据集;
将所述第三特征数据集与所述第四特征数据集进行比较分析,得到第二相同数据和第二差异数据;
根据所述第二相同数据和所述第二差异数据分别对所述第二时段检测模型集、所述第二路段检测模型集、所述第二人员检测模型集、所述第二外部环境检测模型集和所述第二舱内部位检测模型集进行修改,得到适应于所述第一新能源汽车的第一时段检测模型集、第一路段检测模型集、第一人员检测模型集、第一外部环境检测模型集和第一舱内部位检测模型集。
9.根据权利要求8所述的用于新能源汽车的舱内检测***,其特征在于,所述控制终端被配置为:接收第一用户对所述第一检测结果的第一反馈信息,并将所述第一反馈信息发送至所述物联网服务器;
所述物联网服务器被配置为:
根据所述第一反馈信息判断所述第一检测结果是否符合第一预期值;
若否,根据预设的舱内检测模型选择规则从所述第一新能源汽车的第一时段检测模型集、第一路段检测模型集、第一人员检测模型集、第一外部环境检测模型集和第一舱内部位检测模型集中选择出一个或多个第一舱内检测模型进行检测,得到第二检测结果。
10.根据权利要求9所述的用于新能源汽车的舱内检测***,其特征在于,所述物联网服务器被配置为:
从所述第二检测结果中提取与所述第一新能源汽车的标准舱内数据差异值超过预设阈值的数据作为异常数据;
根据所述异常数据确定控制处理方案;
所述第一新能源汽车执行所述控制处理方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311325121.9A CN117392646A (zh) | 2023-10-11 | 2023-10-11 | 一种用于新能源汽车的舱内检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311325121.9A CN117392646A (zh) | 2023-10-11 | 2023-10-11 | 一种用于新能源汽车的舱内检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117392646A true CN117392646A (zh) | 2024-01-12 |
Family
ID=89462362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311325121.9A Pending CN117392646A (zh) | 2023-10-11 | 2023-10-11 | 一种用于新能源汽车的舱内检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117392646A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763670A (zh) * | 2021-08-31 | 2021-12-07 | 上海商汤临港智能科技有限公司 | 一种报警方法及装置、电子设备和存储介质 |
CN114627021A (zh) * | 2022-03-18 | 2022-06-14 | 南通拓维思智能科技有限公司 | 基于点云与深度学习的缺陷检测方法和*** |
CN114995164A (zh) * | 2022-08-03 | 2022-09-02 | 武汉维泰信息科技有限公司 | 一种基于物联网的新能源汽车安全预警方法及装置 |
CN115171189A (zh) * | 2022-07-12 | 2022-10-11 | 浙江极氪智能科技有限公司 | 一种疲劳检测方法、装置、设备和存储介质 |
CN115546875A (zh) * | 2022-11-07 | 2022-12-30 | 科大讯飞股份有限公司 | 基于多任务的座舱内行为检测方法、装置以及设备 |
CN115980691A (zh) * | 2023-01-04 | 2023-04-18 | 奇瑞汽车股份有限公司 | 一种舱内乘员检测方法和装置 |
CN116030434A (zh) * | 2022-12-30 | 2023-04-28 | 北京主线科技有限公司 | 三维检测模型的训练方法及三维检测方法、装置及设备 |
WO2023072055A1 (zh) * | 2021-10-27 | 2023-05-04 | 华为技术有限公司 | 一种点云数据处理方法及*** |
CN116484511A (zh) * | 2023-06-19 | 2023-07-25 | 北京慧拓无限科技有限公司 | 一种平行车***数字化孪生模型、构建方法及存储介质 |
KR20230119334A (ko) * | 2022-02-07 | 2023-08-16 | 주식회사 에이치엘클레무브 | 레이더 클러터 제거를 위한 자가 집중 기법 적용 3차원 물체 검출 기술 |
CN116723034A (zh) * | 2023-07-03 | 2023-09-08 | 深圳市奥晏科技发展有限公司 | 一种用于互联网信息安全的智能数据监测***及方法 |
CN116767255A (zh) * | 2023-07-03 | 2023-09-19 | 深圳市哲思特科技有限公司 | 一种用于新能源汽车的智能座舱联动方法及*** |
-
2023
- 2023-10-11 CN CN202311325121.9A patent/CN117392646A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763670A (zh) * | 2021-08-31 | 2021-12-07 | 上海商汤临港智能科技有限公司 | 一种报警方法及装置、电子设备和存储介质 |
WO2023072055A1 (zh) * | 2021-10-27 | 2023-05-04 | 华为技术有限公司 | 一种点云数据处理方法及*** |
KR20230119334A (ko) * | 2022-02-07 | 2023-08-16 | 주식회사 에이치엘클레무브 | 레이더 클러터 제거를 위한 자가 집중 기법 적용 3차원 물체 검출 기술 |
CN114627021A (zh) * | 2022-03-18 | 2022-06-14 | 南通拓维思智能科技有限公司 | 基于点云与深度学习的缺陷检测方法和*** |
CN115171189A (zh) * | 2022-07-12 | 2022-10-11 | 浙江极氪智能科技有限公司 | 一种疲劳检测方法、装置、设备和存储介质 |
CN114995164A (zh) * | 2022-08-03 | 2022-09-02 | 武汉维泰信息科技有限公司 | 一种基于物联网的新能源汽车安全预警方法及装置 |
CN115546875A (zh) * | 2022-11-07 | 2022-12-30 | 科大讯飞股份有限公司 | 基于多任务的座舱内行为检测方法、装置以及设备 |
CN116030434A (zh) * | 2022-12-30 | 2023-04-28 | 北京主线科技有限公司 | 三维检测模型的训练方法及三维检测方法、装置及设备 |
CN115980691A (zh) * | 2023-01-04 | 2023-04-18 | 奇瑞汽车股份有限公司 | 一种舱内乘员检测方法和装置 |
CN116484511A (zh) * | 2023-06-19 | 2023-07-25 | 北京慧拓无限科技有限公司 | 一种平行车***数字化孪生模型、构建方法及存储介质 |
CN116723034A (zh) * | 2023-07-03 | 2023-09-08 | 深圳市奥晏科技发展有限公司 | 一种用于互联网信息安全的智能数据监测***及方法 |
CN116767255A (zh) * | 2023-07-03 | 2023-09-19 | 深圳市哲思特科技有限公司 | 一种用于新能源汽车的智能座舱联动方法及*** |
Non-Patent Citations (3)
Title |
---|
冉召会 等: "基于增量式比例-积分-微分控制和脉冲宽度调制的车辆舱内超压测控***设计", 《科学技术与工程》, vol. 19, no. 33, 28 November 2019 (2019-11-28), pages 272 - 278 * |
洪志恒 等: "基于可变形部件模型的渔船安全监控***", 《计算机应用与软件》, vol. 35, no. 02, 15 February 2018 (2018-02-15), pages 188 - 193 * |
王丽辉;袁保宗;: "三维散乱点云模型的特征点检测", 《信号处理》, vol. 27, no. 06, 25 June 2011 (2011-06-25), pages 932 - 938 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108791299B (zh) | 一种基于视觉的驾驶疲劳检测及预警***及方法 | |
CN108995654B (zh) | 一种驾驶员状态识别方法及*** | |
CN109774471B (zh) | 一种适用于安全驾驶的车载设备 | |
CN107832748B (zh) | 一种共享汽车驾驶员更换***及方法 | |
CN101030316B (zh) | 一种汽车安全驾驶监控***和方法 | |
CN110395260B (zh) | 车辆、安全驾驶方法和装置 | |
CN109664891A (zh) | 辅助驾驶方法、装置、设备及存储介质 | |
US20170154513A1 (en) | Systems And Methods For Automatic Detection Of An Occupant Condition In A Vehicle Based On Data Aggregation | |
CN109285547A (zh) | 一种语音唤醒方法、装置及*** | |
CN111753674A (zh) | 一种基于深度学习的疲劳驾驶的检测识别方法 | |
Shirazi et al. | Detection of intoxicated drivers using online system identification of steering behavior | |
US7295123B2 (en) | Method for detecting a person in a space | |
CN110065471A (zh) | 基于人脸识别的车辆启动方法、装置、介质及终端设备 | |
CN113460062A (zh) | 驾驶行为分析*** | |
US20200082187A1 (en) | Method, Apparatus and Device for Identifying Passenger State in Unmanned Vehicle, and Storage Medium | |
CN110781872A (zh) | 一种双模态特征融合的驾驶员疲劳等级识别*** | |
CN110901385A (zh) | 一种基于驾驶员疲劳状态的主动限速方法 | |
CN116194342A (zh) | 用于分析车辆内部的计算机实现的方法 | |
US11572039B2 (en) | Confirmed automated access to portions of vehicles | |
CN109964184A (zh) | 通过比较过渡预测的自主车辆控制 | |
CN115937830A (zh) | 一种面向特种车辆的驾驶员疲劳检测方法 | |
CN112036468A (zh) | 驾驶操作***调节方法、车辆及存储介质 | |
CN113312958B (zh) | 一种基于司机状态的派单优先度调整方法及装置 | |
CN114360204A (zh) | 一种基于区块链的网联汽车信息安全通信*** | |
CN117392646A (zh) | 一种用于新能源汽车的舱内检测方法及*** |
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 |