一种确定车辆故障的方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种确定车辆故障的方法、装置、设备及存储介质。该方法包括：根据目标车辆的期望数据和实时数据，确定控制异常因子；将期望数据、实时数据以及控制异常因子输入预设神经网络模型，得到数据标签；根据数据标签确定目标车辆是否异常，若是，则根据控制异常因子和实时数据，从目标车辆的待选行驶关联指标中确定目标行驶关联指标；采集目标行驶关联指标对应的目标数据，并根据目标数据确定目标车辆的故障。本发明专利技术实施例的技术方案，可以从大量的待选行驶关联指标中筛选出与车辆故障相关的指标并进行采集，其无需采集大量的数据即可实现对车辆故障的判定，大幅度提高了智能驾驶的安全性。驶的安全性。驶的安全性。

【技术实现步骤摘要】
一种确定车辆故障的方法、装置、设备及存储介质


[0001]本专利技术涉及车辆控制领域，尤其涉及一种确定车辆故障的方法、装置、设备及存储介质。

技术介绍

[0002]近年来，随着智能汽车的不断发展，着眼于智能驾驶数据采集方法的研究也不断深入，越来越多的研究人员开始投身于相关方面的研究。在驾驶车辆时，利用智能驾驶数据采集方法可在智能驾驶输出异常时，对驾驶数据进行采集分析，从而对智能驾驶系统异常的原因进行溯源定位。
[0003]虽然利用智能驾驶数据采集方法有助于大幅度提高智能驾驶系统的安全性，但现有的智能驾驶数据采集方法往往存在采集数据的体量过大、采集效率较低以及成本过高难以推广等问题。

技术实现思路

[0004]本专利技术提供了一种确定车辆故障的方法、装置、设备及存储介质，以解决现有的智能驾驶数据采集方法采集数据的体量过大的问题。
[0005]第一方面，本专利技术提供了一种确定车辆故障的方法，包括：
[0006]根据目标车辆的期望数据和实时数据，确定控制异常因子，其中，所述期望数据包括转向盘转角期望和纵向加速本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种确定车辆故障的方法，其特征在于，包括：根据目标车辆的期望数据和实时数据，确定控制异常因子，其中，所述期望数据包括转向盘转角期望和纵向加速度期望，所述实时数据包括转向盘转角和纵向加速度，所述控制异常因子包括转向盘转角因子和纵向加速度因子；将所述期望数据、所述实时数据以及所述控制异常因子输入预设神经网络模型，得到数据标签；根据所述数据标签确定所述目标车辆是否异常，若是，则根据所述控制异常因子和实时数据，从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标；采集所述目标行驶关联指标对应的目标数据，并根据所述目标数据确定所述目标车辆的故障。2.根据权利要求1所述的方法，其特征在于，所述根据目标车辆的期望数据和实时数据，确定控制异常因子，包括：确定所述转向盘转角期望和所述转向盘转角的差值的第一绝对值；确定所述纵向加速度期望和所述纵向加速度的差值的第二绝对值；根据所述第一绝对值和所述转向盘转角的绝对值，确定转向盘转角因子，并根据所述第二绝对值和所述纵向加速度的绝对值，确定纵向加速度因子。3.根据权利要求1所述的方法，其特征在于，所述预设神经网络模型的确定方式，包括：确定多个样本数据向量，以及每个所述样本数据向量中每个样本数据的样本标签，其中，每个所述样本数据向量中包含的样本数据分别与所述期望数据、所述实时数据以及所述控制异常因子一一对应；确定所述样本数据向量和预设初始模型中的多个神经元向量的向量距离；根据所述向量距离和所述样本标签，确定所述预设初始模型中的神经元权重，并根据所述神经元权重确定预设神经网络模型。4.根据权利要求3所述的方法，其特征在于，所述根据所述向量距离和所述样本标签，确定所述预设初始模型中的神经元权重，包括：针对每个所述样本数据向量关联的多个向量距离，确定每个所述样本数据向量对应的最小向量距离，并将所述最小向量距离对应的神经元确定为胜出神经元；根据所述样本标签和所述胜出神经元输出的训练数据标签，确定学习因子，并根据所述学习因子和所述胜出神经元的权重，确定所述预设初始模型中的神经元权重。5.根据权利要求1所述的方法，其特征在于，所述根据所述控制异常因子和实时数据，从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标，包括：根据所述转向盘转角因子和所述转向盘转角，确定第一拟合直线的第一信息，其中，所述第一信息包括第一系数和第一截距；根据所述纵向加速度因子和所述纵向加速度，确定第二拟合直线的第二信息，其中，所述第二信息包括的第二系数和第二截距；根据所述第一信息与所述第二信息，从所述目标车辆的待选行驶关联指标中确定目标行驶关联指标。6.根据...

【专利技术属性】
技术研发人员：李伟男，吴杭哲，刘斌，周枫，孟祥哲，刘畅，赵喜坤，
申请(专利权)人：一汽南京科技开发有限公司，
类型：发明
国别省市：