一种适用车辆碰撞的深度学习方法技术

本发明专利技术涉及汽车碰撞检测领域，具体涉及一种适用于车辆碰撞的深度学习方法，包括如下步骤：S1：通过传感器记录当前车辆和前述车辆的行车数据，并且上传至云端平台；S2：根据S1的数据建立基于卷积神经网络的预测模型；S3：获取当前车辆的行车数据，并上传至基于卷积神经网络的预测模型；S4：根据S2建立的基于卷积神经网络的预测模型判断是否会发生碰撞。本发明专利技术克服现有的方法的数据采样频率高、计算复杂度高的技术缺陷，提供了一种适用于车辆碰撞的深度学习方法。

【技术实现步骤摘要】
一种适用车辆碰撞的深度学习方法
本专利技术涉及汽车碰撞检测领域，具体涉及一种适用于车辆碰撞的深度学习方法。
技术介绍
随着互联网的快速发展，车联网作为智能交通的一种重要手段也变得越来越重要。车联网是由车辆位置、速度和路线等信息构成的交互网络，车辆通过GPS、RFID、传感器和摄像头等可以完成自身环境和状态信息的采集，再通过对计算机技术对车辆信息进行分析和处理，最终计算出不同车辆的最佳路线并及时汇报路况。车联网系统是通过在车辆仪表台安装车载终端设备，实现对车辆所有工作和静动态信息的采集、存储并发送，车联网一般都具有实景功能，可以利用移动网络实现人车交互。现有的车辆网系统主要是通过车辆防碰撞算法在水平和垂直两个方向上分别采用预测算法预测判断是否会发生碰撞。但是，现有的方法的数据采样频率高、计算复杂度高。
技术实现思路
本专利技术克服了上述现有车辆碰撞的学习方法的数据采样频率高、计算复杂度高的技术缺陷，提供了一种适用于车辆碰撞的深度学习方法。为解决上述技术问题，本专利技术的技术方案如下：一种适用于车辆碰撞的深度学习方法，包括如下步骤：S1：通过传感器记录当前车辆和前述车辆的行车数据，并且上传至本文档来自技高网...

【技术保护点】
1.一种适用于车辆碰撞的深度学习方法，其特征在于，包括如下步骤：S1：通过传感器记录当前车辆和前述车辆的行车数据，并且上传至云端平台；S2：根据S1的数据建立基于卷积神经网络的预测模型；S3：获取当前车辆的行车数据，并上传至基于卷积神经网络的预测模型；S4：根据S2建立的基于卷积神经网络的预测模型判断是否会发生碰撞。

【技术特征摘要】
1.一种适用于车辆碰撞的深度学习方法，其特征在于，包括如下步骤：S1：通过传感器记录当前车辆和前述车辆的行车数据，并且上传至云端平台；S2：根据S1的数据建立基于卷积神经网络的预测模型；S3：获取当前车辆的行车数据，并上传至基于卷积神经网络的预测模型；S4：根据S2建立的基于卷积神经网络的预测模型判断是否会发生碰撞。2.根据权利要求1所述的适用于车辆碰撞的深度学习方法，其特征在于，所述S1记录当前车辆和前述车辆的行车数据，需要获取的前述车辆的行车数据至少为50个前述车辆的行车数据，所述传感器为为50赫兹的G-sensor传感器，用于记录车辆在横向、纵向、竖向三个方向的受力。3.根据权利要求1所述的适用于车辆碰撞的深度学习方法，其特征在于，所述S2的基于卷积神经网络的预测模型，卷积神经网络包括四层，分别为输入层、卷积层、池化层和输出层，所述输入层的数据来自于传感器采集的数据；所述卷积层对输入层的数据进行卷积；所述池化层对卷积层得到的矩阵筛选得到矩阵。4.根据权利要求1...

【专利技术属性】
技术研发人员：殷建红，陈家毫，李宏，陆龙，林少媚，
申请(专利权)人：广东翼卡车联网服务有限公司，
类型：发明
国别省市：广东,44