用于车辆约束系统的控制方法、装置、存储介质和车辆与流程

1.本发明涉及汽车领域，并且更具体地涉及一种用于车辆约束系统的控制方法、控制装置、存储介质和车辆。


背景技术：

2.即使目前安全带和气囊已经成为车辆的标准配置，但是由交通事故导致的伤亡人数仍然居高不下，其中一个重要原因是车辆配备的约束系统不能为乘客提供个性化的保护。
3.目前，国际上标准的碰撞测试所使用的假人大都是具有50百分位的普遍身高和体重（约为175 cm，78 kg）的男性假人。因此，在绝大部分车辆约束系统（包括气囊、安全带等）的研发过程中，主要考虑针对50百分位的男性假人进行约束系统参数的调整，而不能兼顾具有其他体征类型的乘客。因此，目前市场上的约束系统的保护范围非常有限。


技术实现要素：

4.按照本发明的一个方面，提供了一种用于车辆约束系统的控制方法，其特征在于，包括以下步骤：a、响应于车辆启动，获取指示用户体征的第一信号集合；b、将第一信号集合输入到用户分类模型中，并基于用户分类模型确定体征分类结果；c、响应于碰撞事件，接收指示车辆状态的第二信号集合；d、基于第二信号集合确定碰撞等级和用户运动轨迹；以及e、至少基于体征分类结果、碰撞等级和用户运动轨迹生成用于车辆约束系统的控制命令。
5.作为以上方案的替代或补充，在根据本发明一实施例的方法中，第一信号集合包括以下各项中的一项或多项：由图像传感器采集的用户面部图像、由座椅状态传感器采集的座椅位置信号、座椅高度信号和靠背角度信号、由安全带状态传感器采集的安全带伸出长度信号、由布置在座椅处的重力传感器采集的用户体重信号。
6.作为以上方案的替代或补充，在根据本发明一实施例的方法中，在步骤b中，用户分类模型是使用训练数据集通过机器学习而预先构建的，训练数据集包括第一信号集合样本和表征对第一信号集合样本所指示的用户体征的分类结果的标注信息。
7.作为以上方案的替代或补充，在根据本发明一实施例的方法中，步骤b包括：b1、从所述第一信号集合中提取出包含用户体征特征的感兴趣部分，所述用户体征特征包括以下各项中的一项或多项：面部特征、眼部特征、头部位置信息、座椅位置特征、座椅高度特征、靠背角度特征、体重特征；b2、将提取的感兴趣部分输入到基于深度学习算法的用户分类模型中；以及b3、基于深度学习算法得到所述体征分类结果。
8.作为以上方案的替代或补充，在根据本发明一实施例的方法中，体征分类结果包括以下各项中的一项或多项：年龄分类、身高分类、体重分类。
9.作为以上方案的替代或补充，在根据本发明一实施例的方法中，第二信号集合包括以下各项中的一项或多项：由加速度传感器采集的车辆加速度信号、由碰撞传感器采集的碰撞压力信号和碰撞方向信号、由智能驾驶模块确定的车辆行驶方向信号。
10.作为以上方案的替代或补充，在根据本发明一实施例的方法中，步骤d包括：d1、基于碰撞压力信号和车辆加速度信号确定碰撞等级；以及d2、基于碰撞方向信号、车辆行驶方向信号确定用户运动轨迹。
11.作为以上方案的替代或补充，在根据本发明一实施例的方法中，在步骤e中，控制命令用于调节卷收器、主动限力装置、气囊、和主动泄压装置的点爆参数。
12.按照本发明的另一个方面，提供了一种用于车辆约束系统的控制装置，包含：存储器；处理器；以及存储在存储器上并可在处理器上运行的计算机程序，该计算机程序的运行使得下列步骤被执行：a、响应于车辆启动，获取指示用户体征的第一信号集合；b、将第一信号集合输入到用户分类模型中，并基于用户分类模型确定体征分类结果；c、响应于碰撞事件，接收指示车辆状态的第二信号集合；d、基于第二信号集合确定碰撞等级和用户运动轨迹；以及e、至少基于体征分类结果、碰撞等级和用户运动轨迹生成用于车辆约束系统的控制命令。
13.作为以上方案的替代或补充，在根据本发明一实施例的装置中，第一信号集合包括以下各项中的一项或多项：由图像传感器采集的用户面部图像、由座椅状态传感器采集的座椅位置信号、座椅高度信号和靠背角度信号、由安全带状态传感器采集的安全带伸出长度信号、由布置在座椅处的重力传感器采集的用户体重信号。
14.作为以上方案的替代或补充，在根据本发明一实施例的装置中，用户分类模型是使用训练数据集通过机器学习而预先构建的，训练数据集包括第一信号集合样本和表征对第一信号集合样本所指示的用户体征的分类结果的标注信息。
15.作为以上方案的替代或补充，在根据本发明一实施例的装置中，计算机程序的运行使得步骤b按照下列方式执行：b1、从所述第一信号集合中提取出包含用户体征特征的感兴趣部分，所述用户体征特征包括以下各项中的一项或多项：面部特征、眼部特征、头部位置信息、座椅位置特征、座椅高度特征、靠背角度特征、体重特征；b2、将提取的感兴趣部分输入到基于深度学习算法的用户分类模型中；以及b3、基于深度学习算法得到所述体征分类结果。
16.作为以上方案的替代或补充，在根据本发明一实施例的装置中，体征分类结果包括以下各项中的一项或多项：年龄分类、身高分类、体重分类。
17.作为以上方案的替代或补充，在根据本发明一实施例的装置中，第二信号集合包括以下各项中的一项或多项：由加速度传感器采集的车辆加速度信号、由碰撞传感器采集的碰撞压力信号和碰撞方向信号、由智能驾驶模块确定的车辆行驶方向信号。
18.作为以上方案的替代或补充，在根据本发明一实施例的装置中，计算机程序的运行使得步骤d按照下列方式执行：d1、基于碰撞压力信号和车辆加速度信号确定碰撞等级；以及d2、基于碰撞方向信号、车辆行驶方向信号确定用户运动轨迹。
19.作为以上方案的替代或补充，在根据本发明一实施例的装置中，控制命令用于调节卷收器、主动限力装置、气囊、和主动泄压装置的点爆参数。
20.按照本发明的又一个方面，提供了一种计算机可读存储介质，其上存储计算机程序，其特征在于，该程序被处理器执行时实现如上所述的方法中的任意一项。
21.按照本发明的再一个方面，提供了一种车辆，其特征在于，该车辆包括如上所述的装置中的任意一项。
22.一方面，本发明提出的用于车辆约束系统的方案能够在车辆启动时立即获取用户体征信息，并利用机器学习的方式确定针对用户体征的分类结果（例如，涉及年龄、身高、体重、或其组合）。首先，针对用户体征的分类的判断是在车辆启动阶段完成的，相比于在碰撞事件发生时再收集用户体征信息并确定体征分类的方案，根据本发明的技术方案能够缩短车辆控制系统在应对突发碰撞时的反应时间，从而提高了计算效率和反应速度，最大限度地保护车内用户的生命财产安全。其次，本发明提供了一种基于机器学习和多特征融合的针对用户体征分类的判断方式，提高了分类的准确度和可信度。
23.另一方面，本发明提出的用于车辆约束系统的方案在考虑到具有不同体征（例如，年龄、身高、体重）的用户的同时，还能够结合对碰撞事件发生时的实际碰撞强度等级的判断以及对用户运动轨迹的预测来自动调节约束系统（例如，调节卷收器、主动限力装置、气囊、和主动泄压装置）的控制参数（例如，点爆时间、气囊充气速度、充气量等），从而自适应地为用户提供最优的保护效果。
附图说明
24.本发明的上述和/或其它方面和优点将通过以下结合附图的各个方面的描述变得更加清晰和更容易理解，附图中相同或相似的单元采用相同的标号表示。附图包括：图1示出了根据本发明的一个实施例的用于车辆约束系统的控制方法10的示意性流程图；图2示出了根据本发明的一个实施例的用于车辆约束系统的控制装置20的示意性框图；以及图3示出了根据本发明一个实施例的车辆30的示意性框图。
具体实施方式
25.在本说明书中，参照其中图示了本发明示意性实施例的附图更为全面地说明本发明。但本发明可以按不同形式来实现，而不应解读为仅限于本文给出的各实施例。给出的各实施例旨在使本文的披露全面完整，以将本发明的保护范围更为全面地传达给本领域技术人员。
26.需要说明的是，本文中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述对象在时间、空间、大小等方面的顺序。此外，除非另外特别指明，本文中的术语“包括”、“具备”以及类似表述意在表示不排他的包含。
27.在本说明书中，术语“车辆”或者其它类似的术语包括一般的机动车辆，例如乘用车（包括运动型多用途车、公共汽车、卡车等）、各种商用车等等，并包括混合动力汽车、电动车、插电式混动电动车等。混动动力汽车是一种具有两个或更多个功率源的车辆，例如汽油动力和电动车辆。
28.在下文中，将参考附图详细描述根据本发明的各示例性实施例。
29.现在参考图1，图1示出了根据本发明的一个实施例的用于车辆约束系统的控制方法10的示意性流程图。
30.在步骤s110中，响应于车辆启动，获取指示用户体征的第一信号集合。
31.示例性地，车辆启动包括由用户触发车辆上的启动按键，也可以包括基于驾驶座
和/或油门踏板等车载设备的状态判断驾驶员的启动意图。当检测到车辆启动时，可以立即通过车载传感器获取用户体征信息。
32.可选地，第一信号集合包括以下各项中的一项或多项：用户面部图像、座椅位置信号、座椅高度信号、靠背角度信号、安全带伸出长度信号、用户体重信号。
33.示例性地，可以通过一个或多个车载图像传感器（例如，舱内监控摄像头）获取包括舱内所有乘客面部特征、头部特征、身高特征、和体重特征的舱内图像。
34.示例性地，可以由座椅状态传感器（例如，滑轨传感器等）获取表征乘客身高特征和体重特征的舱内各个座椅的状态信息（例如，滑轨位置信息）。在一个实施例中，可以将座椅滑轨位置大致分为与乘客身高相对应的三类，例如，与5百分位的乘客对应的第一位置、与50百分位的乘客对应的第二位置、以及与95百分位的乘客对应的第三位置。示例性地，座椅状态传感器还可以检测舱内各个座椅的高度和靠背角度，类似地，该高度和靠背角度也可以分为与乘客身高相对应的三类（诸如，0 cm、7 cm、10 cm；90度、115度、135度）。
35.示例性地，还可以由安全带状态传感器获取表征乘客体重特征的安全带伸出长度信号、以及由布置在各个座椅处的重力传感器获取表征乘客体重特征的体重信号。
36.在步骤s120中，将第一信号集合输入到用户分类模型中，并基于用户分类模型确定体征分类结果。示例性地，体征分类结果包括以下各项中的一项或多项：年龄分类、身高分类、体重分类。
37.可选地，对于用户体征的分类结果的获取能够基于深度学习模型、尤其卷积神经网络模型（例如，以图像处理的方式等）来实现。
38.具体而言，该深度学习模型（例如，用户分类模型）预先由包括第一信号集合样本和表征对第一信号集合样本所指示的用户体征的分类结果的标注信息的多组训练数据集进行训练。示例性地，该卷积神经网络模型可以包括有卷积层、归一层、激活层、最大池化层、全连接层以及输出层。例如，在输出层中，使用softmax函数将分类结果输出为概率值，并且采用softmax交叉熵损失（cross entropy loss)，或利用二分类模型输出分类结果。
39.可选地，在步骤s120中，包括子步骤s121、s122、s123。
40.在子步骤s121中，首先，可以以图像处理、信号处理等方式从第一信号集合中提取出包含用户体征特征的感兴趣部分。例如，可以从由车载图像传感器采集的舱内图像中提取感兴趣的面部区域和头部区域。示例性地，用户体征特征可以包括以下各项中的一项或多项：面部特征、眼部特征、头部位置信息、座椅位置特征、座椅高度特征、靠背角度特征、体重特征。
41.在子步骤s122中，可以将提取的感兴趣部分输入到基于深度学习算法的用户分类模型中。
42.在子步骤s123中，基于深度学习算法得到体征分类结果。
43.可选地，用户分类模型可以包括一个或多个子模型（例如，第一模型和第二模型）。例如，可以将提取的所有感兴趣部分一起输入到用户分类模型中，也可以先将其一部分输入第一模型中，再依据第一模型输出的结果选择性地将其余部分输入第二模型中。
44.在一个实施例中，可以先将从舱内图像中提取出的面部区域和头部区域输入第一模型（例如，年龄分类模型），以得到用户的年龄分类结果（例如，第一年龄级、第二年龄级、第三年龄级），再将年龄分类结果和包括身高特征和体重特征的座椅位置信号、座椅高度信
号、靠背角度信号、安全带伸出长度信号、用户体重信号输入第二模型（例如，身高分类模型），以得到用户的身高分类结果（例如，第一身高级、第二身高级、第三身高级）。
45.在步骤s130中，可以响应于碰撞事件，接收指示车辆状态的第二信号集合。示例性地，可以通过前毫米波雷达和/或前视摄像头来检测碰撞事件的发生，也可以基于碰撞传感器和/或加速度传感器采集的碰撞信号和/或加速度信号判断碰撞事件的发生。
46.可选地，第二信号集合包括以下各项中的一项或多项：由加速度传感器采集的车辆加速度信号、由碰撞传感器采集的碰撞压力信号和碰撞方向信号、由智能驾驶模块确定的车辆行驶方向信号。
47.在步骤s140中，基于第二信号集合确定碰撞等级和用户运动轨迹。
48.示例性地，可以基于碰撞压力信号和车辆加速度信号确定碰撞等级。碰撞等级指示车辆的碰撞强度。通常，碰撞压力和车辆加速度与车辆的碰撞强度成正比。示例性地，碰撞等级可以分为一级、二级、三级，等级越高，强度越高。
49.示例性地，可以基于碰撞方向信号、车辆行驶方向信号确定用户运动轨迹。当车辆发生碰撞时，乘客的位置通常会相对车辆发生移动，例如，在车辆的前侧发生碰撞时，由于惯性作用，乘客将相对于车辆向靠近碰撞位置的方向运动，因此可以通过车辆的碰撞位置、行驶方向等来判断乘客在车辆内的运动轨迹，以使得能够更准确地对乘客进行保护，提高车辆的安全性能。
50.在步骤s150中，至少基于体征分类结果（例如，年龄、身高、体重）、碰撞等级和用户运动轨迹生成用于车辆约束系统的控制命令。
51.示例性地，可以基于下述原理调节约束系统的参数：对于老年人（例如，第三年龄级），为了降低胸部、肋骨等骨骼骨折的风险，因此需要相对较软的约束系统；对于5百分位的儿童（例如，第一身高级）乘客，同样也需要相对较软的约束系统；对于低到中等强度（例如，一级-级）的碰撞事故，由于碰撞能量较低，也需要较软的约束系统；在高强度（例如，三级）的碰撞事故中，对于50百分位的中青年（例如，第二身高级）乘客，具有较高刚度的约束系统可以更好地吸收碰撞能量，降低伤害风险。
52.可选地，控制命令用于调节卷收器、主动限力装置、气囊、和主动泄压装置的点爆参数（例如，点爆时间、气囊充气速度、充气量等）。示例性地，控制命令可以分为一级命令至五级命令。
53.表1示例性地描述了不同的控制命令与约束系统的点爆时间之间的关系。
示例性地，可以基于下述原理调节约束系统的点爆时间：在卷收器点爆后，安全带预紧启动，从而可以尽早约束乘客，因此可以以卷收器的点爆时间为基准，调节主动限力装置的点爆时间，例如，在主动限力装置点爆启动后，安全带限力值下降，如果主动限力装置和卷收器点爆同时启动，则能够提供刚度较低的安全带，如果主动限力装置的点爆时间相对于卷收器的点爆时间具有一定延迟，或者主动限力装置不点爆，则安全带限力值保持较高的数值，提供刚度较高的安全带。
54.对于气囊的点爆时间而言，通常，气囊点爆时间越早，气囊的刚度越软，点爆时间越晚，气囊的刚度越高。
55.对于主动泄压装置的点爆时间而言，在主动泄压装置点爆后将对气囊进行泄压，降低气囊刚度，因此，如果延迟主动泄压装置的点爆时间，甚至不点爆，可以保持较高的气囊刚度。
56.继续参考图2，图2示出了根据本发明的一个实施例的用于车辆约束系统的控制装置20的示意性框图。
57.如图2所示，控制装置20包括通信单元210、存储器220（例如，闪存、rom、硬盘驱动器、磁盘、光盘之类的非易失存储器）、处理器230、存储在存储器220上并可在处理器230上运行的计算机程序240。处理器230可以配置为执行计算机程序240以实施根据本发明的一个或多个实施例的用于车辆约束系统的控制方法。示例性地，处理器230可以是现场可编程阵列fpga、专用集成电路asic、数字信号处理电路dsp等任何适当的专用处理器或通用处理器。
58.关于该装置20的描述可参考上面关于用于车辆约束系统的控制方法的描述，对此不再赘述。
59.可选地，装置20可以是车辆的一部分、车辆约束系统的一部分，也可以是云端计算设备。示例性地，存储器220与处理器230作为云计算资源不仅能够位于同一物理设备（例如同一服务器）内，而且能够位于不同的物理设备（例如不同的服务器）处。
60.图3示出了按照本发明一个实施例的车辆30的示意性框图。如图3所示，车辆30包
括控制装置310、约束系统320、以及传感器330。控制装置310可以例如是如图2所示的装置20。
61.示例性地，约束系统320可以包括调节卷收器、主动限力装置、气囊、和主动泄压装置。传感器330可以包括图像传感器、座椅状态传感器、安全带状态传感器、重力传感器、加速度传感器、碰撞传感器等。
62.按照本发明的另一方面，还提供了一种计算机可读存储介质，其上存储计算机程序，该程序被处理器执行时实现如图1所示的方法。该计算机可读存储介质可以包括随机存取存储器（ram）（诸如同步动态随机存取存储器（sdram））、只读存储器（rom）、非易失性随机存取存储器（nvram）、电可擦除可编程只读存储器（eeprom）、闪存、其他已知的存储介质等。
63.首先，按照本发明的一些实施例，针对用户体征的分类的判断是在车辆启动阶段完成的，相比于在碰撞事件发生时再收集用户体征信息并确定体征分类的方案，根据本发明的技术方案能够缩短车辆控制系统在应对突发碰撞时的反应时间，从而提高了计算效率和反应速度，最大限度地保护车内用户的生命财产安全。其次，本发明提供了一种基于机器学习和多特征融合的针对用户体征分类的判断方式，提高了分类的准确度和可信度。
64.其次，本发明提供了一种基于机器学习和多特征融合的针对用户体征分类的判断方式，提高了分类的准确度和可信度。
65.另外，按照本发明的一些实施例在考虑到具有不同体征（例如，年龄、身高、体重）的用户的同时，还能够结合对碰撞事件发生时的实际碰撞强度等级的判断以及对用户运动轨迹的预测来自动调节约束系统的控制参数，从而自适应地为用户提供最优的保护效果。
66.应当理解的是，本发明附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或者在一个或多个硬件模块或集成电路中实现这些功能实体，或者在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
67.还应当理解的是，在一些备选实施例中，前述方法中所包括的功能/步骤可以不按流程图所示的次序来发生。例如，依次示出的两个功能/步骤可以基本同时执行或甚至逆序执行。这具体取决于所涉及的功能/步骤。
68.另外，本领域技术人员容易理解，本发明的上述一个或多个实施例提供的方法可通过计算机程序来实现。例如，当存有该计算机程序的计算机存储介质（例如u盘）与计算机相连时，运行该计算机程序即可执行本发明的一个或多个实施例的方法。
69.以上尽管只对其中一些本发明的实施方式进行了描述，但是本领域普通技术人员应当了解，本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此，所展示的例子与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与替换。