[發(fā)明專利]一種適用車輛碰撞的深度學(xué)習(xí)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811026630.0
• 申請(qǐng)日: 2018-09-04
• 公開(kāi)（公告）號(hào): CN109284699A
• 公開(kāi)（公告）日: 2019-01-29
• 發(fā)明（設(shè)計(jì)）人: 殷建紅;陳家毫;李宏;陸龍;林少媚
• 申請(qǐng)（專利權(quán)）人: 廣東翼卡車聯(lián)網(wǎng)服務(wù)有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 張金福

本發(fā)明涉及汽車碰撞檢測(cè)領(lǐng)域，具體涉及一種適用于車輛碰撞的深度學(xué)習(xí)方法，包括如下步驟：S1：通過(guò)傳感器記錄當(dāng)前車輛和前述車輛的行車數(shù)據(jù)，并且上傳至云端平臺(tái)；S2：根據(jù)S1的數(shù)據(jù)建立基于卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型；S3：獲取當(dāng)前車輛的行車數(shù)據(jù)，并上傳至基于卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型；S4：根據(jù)S2建立的基于卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型判斷是否會(huì)發(fā)生碰撞。本發(fā)明克服現(xiàn)有的方法的數(shù)據(jù)采樣頻率高、計(jì)算復(fù)雜度高的技術(shù)缺陷，提供了一種適用于車輛碰撞的深度學(xué)習(xí)方法。

技術(shù)領(lǐng)域

本發(fā)明涉及汽車碰撞檢測(cè)領(lǐng)域，具體涉及一種適用于車輛碰撞的深度學(xué)習(xí)方法。

背景技術(shù)

隨著互聯(lián)網(wǎng)的快速發(fā)展，車聯(lián)網(wǎng)作為智能交通的一種重要手段也變得越來(lái)越重要。車聯(lián)網(wǎng)是由車輛位置、速度和路線等信息構(gòu)成的交互網(wǎng)絡(luò)，車輛通過(guò)GPS、RFID、傳感器和攝像頭等可以完成自身環(huán)境和狀態(tài)信息的采集，再通過(guò)對(duì)計(jì)算機(jī)技術(shù)對(duì)車輛信息進(jìn)行分析和處理，最終計(jì)算出不同車輛的最佳路線并及時(shí)匯報(bào)路況。車聯(lián)網(wǎng)系統(tǒng)是通過(guò)在車輛儀表臺(tái)安裝車載終端設(shè)備，實(shí)現(xiàn)對(duì)車輛所有工作和靜動(dòng)態(tài)信息的采集、存儲(chǔ)并發(fā)送，車聯(lián)網(wǎng)一般都具有實(shí)景功能，可以利用移動(dòng)網(wǎng)絡(luò)實(shí)現(xiàn)人車交互。

現(xiàn)有的車輛網(wǎng)系統(tǒng)主要是通過(guò)車輛防碰撞算法在水平和垂直兩個(gè)方向上分別采用預(yù)測(cè)算法預(yù)測(cè)判斷是否會(huì)發(fā)生碰撞。但是，現(xiàn)有的方法的數(shù)據(jù)采樣頻率高、計(jì)算復(fù)雜度高。

發(fā)明內(nèi)容

本發(fā)明克服了上述現(xiàn)有車輛碰撞的學(xué)習(xí)方法的數(shù)據(jù)采樣頻率高、計(jì)算復(fù)雜度高的技術(shù)缺陷，提供了一種適用于車輛碰撞的深度學(xué)習(xí)方法。

為解決上述技術(shù)問(wèn)題，本發(fā)明的技術(shù)方案如下：

一種適用于車輛碰撞的深度學(xué)習(xí)方法，包括如下步驟：

S1：通過(guò)傳感器記錄當(dāng)前車輛和前述車輛的行車數(shù)據(jù)，并且上傳至云端平臺(tái)；

S2：根據(jù)S1的數(shù)據(jù)建立基于卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型；

S3：獲取當(dāng)前車輛的行車數(shù)據(jù)，并上傳至基于卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型；

S4：根據(jù)S2建立的基于卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型判斷是否會(huì)發(fā)生碰撞。

S1記錄當(dāng)前車輛和前述車輛的行車數(shù)據(jù)，需要獲取的前述車輛的行車數(shù)據(jù)至少為50個(gè)前述車輛的行車數(shù)據(jù)，所述傳感器為為50赫茲的G-sensor傳感器，用于記錄車輛在橫向、縱向、豎向三個(gè)方向的受力。

S2的基于卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，卷積神經(jīng)網(wǎng)絡(luò)包括四層，分別為輸入層、卷積層、池化層和輸出層，所述輸入層的數(shù)據(jù)來(lái)自于傳感器采集的數(shù)據(jù)；所述卷積層對(duì)輸入層的數(shù)據(jù)進(jìn)行卷積；所述池化層對(duì)卷積層得到的矩陣篩選得到矩陣。

S1是通過(guò)傳感器獲取橫向、縱向、豎向三個(gè)方向的受力的值，其中橫向的受力值表示車輛水平方向的受力，縱向的值表示車輛前后方向的受力，豎向的值表示車輛上下方向的受力。

S3基于卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，其特征在于，所述第一層為輸入層為50*4的矩陣；第二層為卷積層，使用5*5*4的卷積矩陣與輸入層相乘，獲得5*10*1的矩陣；第三層為池化層，將第二層獲得的矩陣通過(guò)最大池化；第四層為輸出層，根據(jù)第三層獲得的矩陣判斷發(fā)生碰撞的概率。

S4根據(jù)卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，根據(jù)g值的大小來(lái)判斷碰撞的等級(jí)，

輸出層采用logistic函數(shù)，用于判斷是否大于閾值，若大于閾值，則判斷發(fā)生碰撞且觸發(fā)碰撞警報(bào)；否則，判斷未發(fā)生碰撞且不觸發(fā)警報(bào)。

與現(xiàn)有技術(shù)相比，本發(fā)明的技術(shù)方案的有益效果是：克服現(xiàn)有技術(shù)數(shù)據(jù)采集頻率高、計(jì)算復(fù)雜度高、需要考慮到不同方向發(fā)生碰撞情況的技術(shù)缺陷，提高車輛碰撞預(yù)測(cè)的效率與準(zhǔn)確度。

附圖說(shuō)明

圖1為本發(fā)明車輛發(fā)生碰撞時(shí)的流程圖；