【技术实现步骤摘要】
本专利技术涉及机器学习，尤其涉一种基于神经网络模型的车控设备智能交互方法。
技术介绍
1、车联网的概念源于物联网，即车辆物联网，是以行驶中的车辆为信息感知对象，借助新一代信息通信技术，实现车与x(即车与车、人、路、服务平台)之间的网络连接，提升车辆整体的智能驾驶水平，为用户提供安全、舒适、智能、高效的驾驶感受与交通服务，同时提高交通运行效率，提升社会交通服务的智能化水平。汽车智能化，将使得汽车更加智能、舒适、安全，赋予汽车跨越式的使用体验。同时，汽车智能化是一个整体工程，包括动力系统、空调系统、信息通信系统、车控设备系统等的智能化。
2、汽车车控设备系统的智能化是其中的重要研究领域之一，传统车控设备系统存在以下问题：1、依赖用户手动操作，或者使用标定人员根据车辆路试环境标定的参照表进行自动设置，严重依赖于标定人员经验，且控制粒度粗糙，与用户真实使用习惯有一定偏差；2、多种场景需要多个模型独立处理，模型数量的增多会加重车机的计算、存储负担，造成车机卡顿的现象；3、云端进行模型推理产生预测结果下发车端，对某些用户用车场景响应时效性差，影响用户体验。
技术实现思路
1、本专利技术实施例提供一种基于神经网络模型的车控设备智能交互方法，构造多标签分类神经网络模型实现多场景共用一个模型预测车机执行操作，减少车机资源消耗；将模型结合规则仲裁、用户画像、影子模式一同部署在车端，保证用户体验的时效性。
2、本专利技术实施例提供一种基于神经网络模型的车控设备智能交互方法，包括以
3、步骤1、获取多模态数据，构建周期类场景决策模型、触发类场景决策模型，学习某一时刻车主当前所处的多个场景，分别输出周期类场景向量、触发类场景向量；同时，在周期类场景决策模型输出周期类场景向量后加入场景规则输出场景解析向量；
4、步骤2、获取所述周期类场景决策模型输出的场景解析向量，融合车主偏好数据构建动作仲裁模型，学习不同车主在不同场景下的车控设备操作，并在所述动作仲裁模型输出场景对应动作列表后加入动作规则输出周期类动作向量；
5、步骤3、将步骤1的所述触发类场景向量和步骤2得到的周期类动作向量，匹配基于车主偏好数据构建的用户画像，得到对应场景下推荐动作；
6、步骤4、根据所述推荐动作进行车端运行控制，依据用户操作反馈配置影子模式启动策略，进行动作仲裁模型诊断、优化和更新。
7、进一步的，所述步骤1具体步骤包括：
8、步骤1.1、车端按照时间节点整合车辆采集到的多模态数据，解析云端下发的数据预处理配置文件，实现与云端数据预处理一样的操作，将采集到的多模态数据融合处理成场景模型输入向量；所述云端数据预处理操作包括连续特征离散化、异常值剔除、缺失值填补；
9、步骤1.2、通过专家经验根据步骤1.1中采集到的多模态数据制定对应的周期类场景决策模型、触发类场景决策模型、周期类动作仲裁模型的规则，给采集到的多模态数据打标签，构建场景决策模型数据集；
10、步骤1.3、获得步骤1.2数据集后，设计特征隔离层、交叉层，构建周期类场景决策模型、触发类场景决策模型进行学习然后输出为多个场景向量；其中，将周期类场景决策模型最开始加入所述特征隔离层、交叉层，触发类场景决策模型不加入所述特征隔离层、交叉层，并在模型训练时冻结特征隔离层、交叉层，使构建的周期类场景决策模型、触发类场景决策模型为多标签分类神经网络模型；
11、步骤1.4、获取到步骤1.3中周期类场景决策模型输出的场景向量后，根据场景规则对所述场景向量做修正，所述场景规则包括：场景推送历史、场景优先级、不合理场景过滤，最终得到场景解析向量。
12、进一步的，所述步骤2的具体步骤如下：
13、步骤2.1、获取到触发类场景决策模型、周期类场景决策模型场景结果数据；其中，触发类场景决策模型场景结果数据无需经动作仲裁类模型直接输出触发类场景向量，周期类场景决策模型输出场景解析向量同车主偏好数据融合；
14、步骤2.2、将周期类场景决策模型场景结果数据同车主偏好数据融合后，借助专家经验打标签，形成动作仲裁模型训练的数据集，然后进入动作仲裁模型训练学习，输出场景对应动作列表，所述场景对应动作列表为场景+动作编号；
15、步骤2.3、获取到步骤2.2输出的场景对应动作列表后，通过动作规则做修正，得到最终的周期类动作向量，所述周期类动作向量包括场景编号+动作编号，所述动作规则包含：动作推送历史、服务状态管理、动作负面清单、推荐阻力。
16、进一步的，所述步骤3的具体步骤如下：
17、步骤3.1、根据车主偏好数据，计算每个车主在不同场景下操作不同动作的参数值，形成每个车主操作设备参数的用户画像，存至每位车主的车端；
18、步骤3.2、将所述触发类场景向量、周期类动作向量匹配所述用户画像，得到最终车机要执行的推荐动作；其中，所述触发类场景向量为触发类场景编号，所述周期类动作向量为周期类场景编号+动作编号，所述推荐动作包括场景编号+动作编号+动作参数。
19、进一步的，所述步骤4的具体步骤如下：所述依据用户操作反馈配置影子模式启动策略包括：
20、主动配置，部分车辆启动影子模式，部分不启动，验证新旧模型的表现效果；
21、或者当动作仲裁模型的推荐动作多次被拒绝时，启动影子模式；
22、或者当动作仲裁模型在车端运行异常的情况下进入影子模式。
23、更进一步的，进入影子模式后动作仲裁模型正常运行，输出结果不执行到车端，只持续采集用户主动交互数据上传至云端，云端获取数据后诊断、优化所述动作仲裁模型。
24、更进一步的，所述将周期类场景决策模型最开始加入所述特征隔离层、交叉层，具体为：在模型架构中加入对应的特征隔离层，将不同场景依赖的输入特征隔离开，各自独立进入模型进行训练，在特征隔离后的每组特征层中加入特征交叉的结构product层。
25、更进一步的，所述多模态数据至少包括车联数据、车辆所处环境数据、车辆摄像头采集的视频数据以及车主与车辆交互的语音数据。
26、更进一步的，将周期类场景决策模型场景结果数据同车主偏好数据融合后，融合后的数据信息至少包括：车主年龄、车主性别、车龄、车型、近3天打开空调次数、近7天打开车窗次数。
27、更进一步的，所述车主偏好数据至少包括车主信息、车辆信息、车主历史交互信息。
28、本专利技术实施例采用的上述至少一个技术方案能够达到以下有益效果：
29、1、本专利技术采集融合车辆多模态数据，冷启动期间通过专家经验构造数据集进行模型训练，通过数据学习用户对车控系统的操作习惯，系统规则与权重可以随着数据的积累而不断完善；然后，构建多模型，构建触发类场景决策模型、周期类场景决策模型、周期类动作仲裁模型，并且模型输入选取特征隔离、交叉结构，模型输出选取多标签分类输出结构，实现多场景共用一个模本文档来自技高网...
【技术保护点】
1.一种基于神经网络模型的车控设备智能交互方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于神经网络模型的车控设备智能交互方法，其特征在于，所述步骤1具体步骤包括：
3.根据权利要求1所述一种基于神经网络模型的车控设备智能交互方法，其特征在于，所述步骤2的具体步骤如下：
4.根据权利要求1所述一种基于神经网络模型的车控设备智能交互方法，其特征在于，所述步骤3的具体步骤如下：
5.根据权利要求1所述一种基于神经网络模型的车控设备智能交互方法，其特征在于，所述步骤4依据用户操作反馈配置影子模式启动策略包括：
6.根据权利要求5所述一种基于神经网络模型的车控设备智能交互方法，其特征在于，进入影子模式后动作仲裁模型正常运行，输出结果不执行到车端，只持续采集用户主动交互数据上传至云端，云端获取数据后诊断、优化所述动作仲裁模型。
7.根据权利要求2所述一种基于神经网络模型的车控设备智能交互方法，其特征在于，所述将周期类场景决策模型最开始加入所述特征隔离层、交叉层，具体为：在模型架构中加入对应的特征隔离层，将
8.根据权利要求1所述一种基于神经网络模型的车控设备智能交互方法，其特征在于，所述多模态数据至少包括车联数据、车辆所处环境数据、车辆摄像头采集的视频数据以及车主与车辆交互的语音数据。
9.根据权利要求3所述一种基于神经网络模型的车控设备智能交互方法，其特征在于，将周期类场景决策模型场景结果数据同车主偏好数据融合后，融合后的数据信息至少包括：车主年龄、车主性别、车龄、车型、近3天打开空调次数、近7天打开车窗次数。
10.根据权利要求1、3或4所述一种基于神经网络模型的车控设备智能交互方法，其特征在于，所述车主偏好数据至少包括车主信息、车辆信息、车主历史交互信息。
...【技术特征摘要】
1.一种基于神经网络模型的车控设备智能交互方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于神经网络模型的车控设备智能交互方法，其特征在于，所述步骤1具体步骤包括：
3.根据权利要求1所述一种基于神经网络模型的车控设备智能交互方法，其特征在于，所述步骤2的具体步骤如下：
4.根据权利要求1所述一种基于神经网络模型的车控设备智能交互方法，其特征在于，所述步骤3的具体步骤如下：
5.根据权利要求1所述一种基于神经网络模型的车控设备智能交互方法，其特征在于，所述步骤4依据用户操作反馈配置影子模式启动策略包括：
6.根据权利要求5所述一种基于神经网络模型的车控设备智能交互方法，其特征在于，进入影子模式后动作仲裁模型正常运行，输出结果不执行到车端，只持续采集用户主动交互数据上传至云端，云端获取数据后诊断、优化所述动作仲裁模型。
7.根据权利要求2所述一种基于神经网络模型的...
【专利技术属性】
技术研发人员：郭峰，柴云海，杨培，高腾骏，孙一恒，
申请(专利权)人：深圳联友科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。