本发明属于物联网领域，具体说是一种售车过程中无人陪同试驾的系统及方法。
背景技术：
汽车，是当下最为常见的交通工具。随着人们物质生活水平的提高，越来越多的人希望购买汽车。为了挑选心仪的汽车，用户都要先体验汽车的各项性能，从而衍生出了试驾这一概念。
在国民的生活水平越来越高的今天，购买车辆是越来越普及的事情。目前，汽车交易还是实体交易占据主导地位，网络交易由于看不到实体，不能进行试车，使得消费者对于网络交易一直处于观望态度。而试驾是消耗销售人力的服务项目，在不影响客户的同时，节约人力的支出，才是营销类产业的生存之道。
技术实现要素：
为了解决现有技术存在的上述缺点，本发明提供了一种售车过程中无人陪同试驾的系统及方法，给有需要的用户提供试车机会，不仅人性化，而且更容易促成买卖，大大的节省了人力支出。
一方面，本发明提供了一种售车过程中无人陪同试驾的系统，包括：
试驾人员终端app，用来定位车辆，请求车辆的控制权,使用一键寻车来定位用户车辆；
销售人员终端app，用来将车辆控制权分享给试驾人员终端app，同时能查看试驾过程；
车载设备，用于保存车辆的控制权账号、控制密码的信息、校验用户权限；
云平台,为销售人员终端app和试驾人员终端app的数据采集模块提供车辆数据。
进一步的，车载设备，包括采集车辆数据的车载采集装置、用于控制车辆的车辆控制器、用于检查车辆当前状态的车辆自检测模块、采集驾驶员及驾驶信息的内置摄像头。
进一步的，所述一键寻车，是指试驾人员终端app与用户车辆，在有效距离内，试驾人员终端app会自动弹出一键寻车按钮，试驾人员点击一键寻车按钮后，销售车辆会闪烁车前大灯并响起警报。
另一方面，本发明提供一种售车过程中无人陪同试驾的方法，具体包括：
s1、试驾车辆安装车载设备后，车载设备采集记录车辆数据，并将采集到的车辆数据上传至云平台；
s2、云平台接收到车载设备采集到的车辆数据，并记录该车辆数据，供销售人员终端app和试驾人员终端app使用；
s3、试驾人员终端app申请试驾信息，输入身份证正面照和反面照，将照片数据传输给云平台，云平台识别出身份证信息是否合法；
s4、验证合法后，试驾人员终端app签署试驾协议合同；再根据试驾信息，筛选出销售车辆现在停放的位置，发送给试驾人员终端app，同时通知相关的销售人员终端app有试驾请求；
s5、试驾人员找到车辆后，利用车载设备上的车辆自检测模块，检查车辆当前状态，试驾人员确认车辆完好可驾驶。
具体的，上述方法还包括：
s6、试驾人员终端app向云平台发出开车的请求指令，车载设备上的内置摄像头开始采集试驾人员面部特征，与云平台的身份进行验证，通过安全验证后；
s7、销售人员终端app将车辆的使用权授权给试驾人员，车载设备上的内置摄像头开始采集试驾人驾驶的全过程，并上传到云平台，销售人员终端app通过云平台的同步，能实时查看驾驶视频。
具体的，上述方法还包括：
s8、在驾驶过程中，如出现非法拆车、超出驾驶范围、超速告警、碰撞告警、驾驶超时等，则及时通知公安部门及销售人员。
s9、车载设备识别到车辆返回时，向云平台发送消息，再次利用车载设备上的车辆自检测模块，检查车辆当前状态并向销售人员终端app和试驾人员终端app，发送车辆状态信息，销售人员终端app解除与试驾人员终端app的使用授权关系。
更具体的，步骤s4还包括，试驾人员使用终端app的导航功能，寻找销售车辆位置，与销售车辆距离在限定范围内时，自动弹出一键寻车按钮，试驾人员点击一键寻车按钮后，用户车辆会闪烁车前大灯并响起警报；
更具体的，试驾信息，包括：车型、试驾时间、试驾路线、车辆停放位置。
作为更具体的，车辆当前状态，包括车身状态、油量、是否有划痕等。
本发明由于采用以上技术方法，能够取得如下的技术效果：给有需要的用户提供试车机会，不仅人性化，而且更容易促成买卖，还大大的节省了人力支出；还可以节约人们的时间，让人们更加详细、全面的了解汽车的各方面的信息和数据，方便使用；让用户轻松、自由、便捷地试乘试驾新车。
附图说明
本发明共有附图2幅：
图1为一种售车过程中无人陪同试驾的系统结构框图；
图2为短距离防撞系统中雷达发射波形。
具体实施方式
为使本发明的实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：
实施例1
本实施例提供了一种售车过程中无人陪同试驾的系统，包括：
试驾人员终端app，作为试驾人人员连接车联网的终端，用来定位车辆，请求车辆的控制权,使用一键寻车来定位用户车辆；
销售人员终端app，作为销售人员连接车联网的终端，用来将车辆控制权分享给试驾人员终端app，同时能查看试驾过程；
车载设备，用于保存车辆的控制权账号、控制密码的信息、校验用户权限；所述车载设备，还包括采集车辆数据的车载采集装置、用于控制车辆的车辆控制器、用于检查车辆当前状态的车辆自检测模块、采集驾驶员及驾驶信息的内置摄像头。
云平台,收集车载采集装置的信息，为销售人员终端app和试驾人员终端app的数据采集模块提供车辆数据。
可选的，所述一键寻车，是指试驾人员终端app与销售车辆，在有效距离内，试驾人员终端app会自动弹出一键寻车按钮，试驾人员点击一键寻车按钮后，销售车辆会闪烁车前大灯并响起警报。
实施例2
本实施例提供一种售车过程中无人陪同试驾的方法，具体包括：
s1、试驾车辆安装车载设备后，车载设备采集记录车辆数据，并将采集到的车辆数据上传至云平台；
s2、云平台接收到车载设备采集到的车辆数据，并记录该车辆数据，供销售人员终端app和试驾人员终端app使用；
s3、试驾人员终端app申请试驾信息，如车型、试驾时间、试驾路线、车辆停放位置，输入身份证正面照和反面照，将照片数据传输给云平台，云平台识别出身份证信息是否合法；
s4、验证合法后，试驾人员终端app签署试驾协议合同；再根据试驾信息，筛选出销售车辆现在停放的位置，发送给试驾人员终端app，同时通知相关的销售人员终端app有试驾请求；试驾人员使用终端app的导航功能，找寻销售车辆位置，与销售车辆距离在限定范围内时，自动弹出一键寻车按钮，试驾人员点击一键寻车按钮后，用户车辆会闪烁车前大灯并响起警报，借以精确锁定销售车辆的具体位置。
s5、试驾人员找到车辆后，利用车载设备上的车辆自检测模块，检查车辆当前状态，如车身状态，油量，是否有划痕等，试驾人员确认车辆完好可驾驶。
实施例3
作为对实施例2的进一步补充，上述方法还包括：
s6、试驾人员终端app向云平台发出开车的请求指令，车载设备上的内置摄像头开始采集试驾人员面部特征，与云平台的身份进行验证，通过安全验证后；
s7、销售人员终端app将车辆的使用权授权给试驾人员，车载设备上的内置摄像头开始采集试驾人驾驶的全过程，并上传到云平台，销售人员终端app通过云平台的同步，能实时查看驾驶视频。
实施例4
作为对实施例2或3的补充，上述方法还包括：
s8、在驾驶过程中，如出现非法拆车、超出驾驶范围、超速告警、碰撞告警、驾驶超时等，则及时通知公安部门及销售人员；
s9、车载设备识别到车辆返回时，向云平台发送消息，再次利用车载设备上的车辆自检测模块，检查车辆当前状态，如车身状态，油量，是否有划痕等，并向销售人员终端app和试驾人员终端app，发送车辆状态信息，销售人员终端app解除与试驾人员终端app的使用授权关系。
实施例5
本发明是利用物联网技术，以云平台，车载设备，销售终端app、试驾终端app组成网络，用云端服务器作为接入网关和控制验证数据库，用车载设备做安全验证、无线网络，销售终端用来发送收发授权的信息，查询车辆的实时状态，车辆控制功能。试驾终端用来提供有效的身份信息，车辆控制功能。
实施例6
本实施例提供一种售车过程中无人陪同试驾的系统，包括：
试驾人员终端app，作为试驾人人员连接车联网的终端，用来定位车辆，请求车辆的控制权,使用一键寻车来定位用户车辆；
销售人员终端app，作为销售人员连接车联网的终端，用来将车辆控制权分享给试驾人员终端app，同时能查看试驾过程；
车载设备，用于保存车辆的控制权账号、控制密码的信息、校验用户权限；所述车载设备，还包括采集车辆数据的车载采集装置、用于控制车辆的车辆控制器、用于检查车辆当前状态的车辆自检测模块、采集驾驶员及驾驶信息的内置摄像头；
云平台,收集车载采集装置的信息，为销售人员终端app和试驾人员终端app的数据采集模块提供车辆数据；
短距离防撞系统，检测周围车辆，安装在试驾车辆上；
该短距离防撞系统，包括雷达，中心频率f为24.125ghz，发射波形为锯齿波和恒频波的组合波形，该波形的第一段为锯齿波，周期为10ms，工作频率变化范围为从24.025ghz变化到24.225ghz，带宽为200mhz。第二段选择恒频波，周期为10ms，工作频率为24.125ghz。发射波形如图2所示。
短距离防撞系统处理方法包括如下步骤：
s1.对各段波形，将a/d采集到的iq数据，去除前部分数据点后去直流，进行时频的fft变换，将时域数据转换成频率数据；
作为一种技术方案：步骤s1的时频的fft变换的方法是：对通道1中的第一段锯齿波fmcw、第二段恒频波cw，a/d采集到的iq数据，分别进行时频512点的fft变换，对通道2中的第二段恒频波cw，a/d采集到的iq数据，进行时频512点的fft变换。
所述去除前部分数据点，就是在ad采集到的数据中，先去除掉ad采集到的前部分数据点，一般在50～70个点，比如，如果采集到700个点，去除掉前50个点，从51到700的数据去直流并进行fft变换。之所以要去除掉这部分点有两个原因，一是这些数据里面，部分数据是由于波形在转变的时候，电压产生的脉冲，导致这部分数据异常，第二个原因是由于距离模糊度的原因。这部分不是之前说的导致距离分辨率降低的原因，其实是发射波形的线性度，导致这个分辨率降低。
步骤s1中的去直流的方法是：
(1)计算通道1锯齿波段和恒频波段的去除前部分点后的i、q数据的均值，计算通道2的锯齿波段的去除前部分点后的i、q数据的均值；
(2)对于上述的每一个i、q数据，减掉上一步计算得到的各自i、q数据的均值，则完成去直流的方式；
(3)iq数据去直流计算公式为：
去直流后的i、q数据，合并成i+jq的数据形式，然后进行加窗处理，将对通道1中的第一段锯齿波fmcw、第二段恒频波cw，通道2中第一段锯齿波fmcw，各自数据进行加窗处理。可以选择汉宁窗或是海明窗等，降低旁瓣，从而提高目标的检测性能；汉宁窗会导致主瓣加宽并降低，但是旁瓣会显著减小。
汉宁窗计算公式为：
s2.将各段波形的经fft变换后的复数模值做cfar门限检测，对cfar门限检测后的数据，令每一个数据为一个距离单元，对每一个距离单元的数据均进行二进制累计，输出过门限的第一个峰值点，计算得到相位；
作为一种技术方案，步骤s2的所述二进制累计的方法是：
如果所述距离单元的数据过门限，则记为1，如果没过门限，则记为0，然后进行多周期积累，如果某一个距离单元的门限累计1的个数超过k个，k的意思表示累计1的个数，过门限的点记作1，当累计1的个数达到k个的时候，则输出该点坐标值，否则不作为过门限的目标输出；
计算方式分为两步：
(1)将检测的输出量转换成二进制数，量化关系为：
|xi|表示fft后的模值大小，γi表示门限值。即模值超过门限记作1，模值没有超过门限的记作0。
(2)在n1个周期内对量化脉冲积累，若n1个周期内量化脉冲累计数m，
k的意思表示累计1的个数，过门限的点记作1，上面整个流程表示一个周期，每个周期统计一次过门限点的坐标，过门限表示1，没有过就是0，连续统计n1个周期的。之前一个周期就一个值，现在必须n1个周期累计后，满足条件的才会输出高度值。
二进制累积后，当同时满足要求过门限的点数很多的时候，只选择输出过门限的第一个峰值点，主要是考虑到对试驾车辆飞机危险程度最大的为距离试驾车辆最近的物体，所以并不是找所有过门限的最大峰值点，而是选择第一个过门限的峰值；
在步骤2中，设通道1中线性调频锯齿波fmcw第一个过门限点的峰值坐标为p1_fmcw，对应的fft变换后的数据为a_p1+1j*b_p1，相位为
恒频波cw第一个过门限点的峰值坐标为p1_cw，设通道2中线性调频锯齿波fmcw第一个过门限点的峰值坐标为p2_fmcw，对应的fft变换后的数据为a_p2+1j*b_p2，相位
所述计算锯齿波段的差频频率值的方法是：通道1中，线性调频锯齿波fmcw，其过门限点幅值最大的点的坐标p1_fmcw，根据如下规则，则该点对应的差频频率值为fb，
该规则是：
若获得的该过门限点幅值最大的点的个数，符合1≤p1_fmcw≤256，其对应点上的差频频率值
若获得的最大点数p1_fmcw，256＜p1_fmcw≤512，其对应点上的差频频率值
计算所述恒频段的多普勒频率值的方法是：通道1中，恒频波cw，过门限点幅值最大的点的坐标p1_cw，根据如下规则计算该点对应的多普勒频率为fd；
规则如下：
若做512点的fft变换，
点数x，符合1≤x≤256，判断目标靠近，其对应点上的多普勒频率
点数x，符合256＜x≤512，判断目标远离，其对应点上的多普勒频率
s3.计算锯齿波段的差频频率值、恒频段的多普勒频率值、相对速度值、计算相对距离值、计算方向角中的一种或多种。
作为一种技术方案，计算所述相对速度值的方法是：根据计算得到的多普勒频率值fd，计算目标的速度v，计算速度公式为
计算所述相对距离值的方法是：根据恒频段计算得到的多普勒频率值fd，以及锯齿波段得到的差频频率值fb，计算目标的距离r，计算距离公式为
由通过通道1和通道2中，线性调频锯齿波段分别计算得到的相位计算其相位差，根据计算公式
根据角度计算公式，
作为一种技术方案，所述方法，还包括步骤s4.滤波跟踪，并预测下一测量时刻的距离以及速度值。
当短距离防撞系统中防撞毫米波雷达系统完成对单一目标的相对速度、相对距离以及相应的方位角的解算过程后，需要进行滤波跟踪模块。由于系统输出数据刷新率快，在很短时间内距离以及速度等变化量很小，可以近似看作为匀速运动，预测下一测量时刻的距离以及速度值等。跟踪与预测方法是自适应跟踪跟踪滤波的前提和基础。主要方法目前有，线性自回归滤波，维纳滤波，加权最小二乘滤波，α-β与α-β-γ滤波，卡尔曼滤波和简化的卡尔曼滤波等。
本发明推荐采用α-β滤波器。由于α-β滤波器适用于跟踪误差变化速率相对较均匀的情况，所以基本适合试驾车辆飞行场景。
α-β滤波器中，其常增益滤波器的预测方程为x(k+1/k)＝φx(k/k)，其滤波方程为x(k+1/k+1)＝x(k+1/k)+k[z(k+1)-h(k+1/k)]，其中，x(k/k)为k时刻的滤波值，x(k+1/k)为k时刻对下一个时刻的预测值，z(k)是k时刻的观测值。
当目标运动方程采用常速度模型时，常数增益矩阵k＝[α,β/t]t,其状态转移矩阵
α-β滤波器中的参数α和β的选择对于跟踪的响应、收敛速度以及跟踪稳定性都有关系。一般要求0＜α＜1，0＜β＜1。工程中，可以根据公式计算得到α和β的取值，即
经过α-β滤波器对单次结算的目标速度、距离就可以实现滤波跟踪以及预测。可以更好地实现目标的跟踪，同时使得输出的数据更加平滑，减少异常值的出现，有效的提高系统的稳定性。
现有的信号处理方法，一般是采用ad-fft-门限-解算，在这个新的处理方法里面，增加了ad-去直流-加窗-fft-门限-二进制累积-解算-预测跟踪。多了更多的环节。尤其是去直流和二进制累积预测和跟踪。
去直流的好处：由于直流数据会抬高附近的门限值，这样对直流附近存在目标的数据
在进行门限检测时存在一定的干扰，所以采用去直流的方式可以有效的提高目标的检测概率。
加窗的好处：选择汉宁窗或是海明窗等，降低旁瓣，从而提高目标的检测性能；汉宁窗会导致主瓣加宽并降低，但是旁瓣会显著减小。
采用二进制累积好处：可以使过门限的点更加稳定，而不至于门限在某些点之间来回跳，提高了系统的可靠性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。