一种智能车质量估算系统及其估算方法与流程

本发明涉及智能驾驶车质量计算，更具体地，涉及一种智能车质量估算系统及其估算方法。

背景技术：

1、智能车通过集成各种先进的技术和系统，使汽车具有更高的智能化水平和自主驾驶能力，例如智能感知、自动泊车、自动刹车、车道保持辅助等功能。其可以根据车辆的总质量来评估车辆的性能表现，并进行相应的调整和优化。

2、公开号为“fr3095859a1”的现有技术公开了包括用于估计乘客身体的至少一部分的质量和/或尺寸的装置的车辆内部和相关方法，其主要是通过获取乘客的三维图像确定乘客的体积，再根据乘客的体积与乘客的密度之积得到乘客的质量。

3、在上述技术方案中，一方面，其需要在车内安装多个摄像头才能获取乘客的三维图像，并且需要更多的计算资源和处理器来处理大规模的三维图像数据，导致车辆的制造成本较高；另一方面，由于三维图像包含了更多的信息和维度，涉及的数据和计算更加复杂，数据处理速度较慢，导致车辆总质量的信息获取存在一定的延迟，对车辆实时的控制和决策造成影响，可能无法及时响应道路条件或其他车辆的变化动态。

技术实现思路

1、针对上述现有技术中需要在车内安装多个摄像头采集三维图像导致成本较高，而且数据处理存在延迟而导致车辆无法及时响应变化的问题，本发明提供了一种智能车质量估算系统及其估算方法，其只需要获取车内的一张二维图像，并且利用模糊计算方法对图像的质量进行实时估算，不仅可减少摄像头的使用数量，数据处理速度也更快。

2、为解决上述技术问题，本发明提供的技术方案是：

3、一种智能车质量估算系统，包括：

4、压力采集模块：用于采集车辆后备箱的承载压力信息；

5、图像采集模块：用于采集车内的二维图像；

6、图像处理模块：与所述图像采集模块信号连接，用于处理图像并估算所述图像中人体对应的质量；

7、质量估算模块：与所述压力采集模块和所述图像处理模块分别信号连接，用于接收所述承载压力信息和所述质量来估算车辆的总质量。

8、上述技术方案在实施时，图像采集模块采集车内一张二维图像并将该图像发送给图像处理模块，图像处理模块对图像进行处理后利用映射计算方法实时输出图像中人体的质量，质量估算模块再根据压力采集模块采集的压力信息和图像处理模块输出的质量信息，进一步确定车辆总质量。该系统结构更加简单，图像采集模块的摄像头数量大幅减少，可以降低车辆的制造成本。此外，该系统处理的图像为二维图像，数据处理量更少，数据处理速度更快，因此可以快速输出车辆的总质量，使车辆更加及时地响应环境的变化，从而提高智能驾驶的安全性和可靠性。

9、优选地，所述压力采集模块还用于采集车辆主驾驶位、副驾驶位、后排座位的承载压力信息。使用这样的压力采集模块可以测量各个座位上人体的质量大小，将各个座位的承载压力信息与图像信息结合起来，可以避免因为单一信息来源不准确而导致的误差，从而更加准确地确定各个座位的承载质量。

10、本发明还提供一种智能车质量估算方法，应用于上述的智能车质量估算系统，其包括以下步骤：

11、步骤一：在所述质量估算模块设置车辆空载质量mmin，并在所述图像处理模块设置特征类别与质量之间的映射关系，在所述映射关系中不同的特征类别对应不同的质量。

12、步骤二：所述图像采集模块采集车内的二维图像。

13、步骤三：所述图像采集模块将采集的图像发送给所述图像处理模块，所述图像处理模块对所述图像进行处理并得到特征图，再确定所述特征图的特征类别，最后根据所述特征类别和所述映射关系确定所述特征图对应的质量。也就是图像处理模块利用映射计算方法计算得到人体对应的质量，其中的映射计算方法可以是模糊计算方法、线性映射、非线性映射和格栅化方法等方法。映射计算方法的计算速度较快，准确较高，可以实时输出人体对应的质量，而且该方法不需要特殊的图像采集模块和图像处理模块，有利于降低图像采集模块和图像处理模块的成本和维护难度。

14、步骤四：所述图像采集模块和所述压力采集模块分别将人体的质量信息和后备箱的承载压力信息发送给所述质量估算模块；所述质量估算模块接收信息后，将车内所有人的质量、后备箱的承载质量以及车辆空载质量mmin相加，得到车辆总质量。

15、优选地，在所述步骤一中，还在所述图像处理模块设置置信水平c1、c2、c3、c4、c5、以及c6。c1、c2、c3、c4、c5和c6是置信水平，用于度量推理结果的可靠程度，其大小可以根据实际需求进行设定。在所述步骤二中，所述压力采集模块还采集车辆主驾驶位、副驾驶位和后排座位的承载压力信息；所述步骤四包括以下步骤：

16、步骤4.1：根据接收到的质量信息确定车辆主驾驶位的承载质量m1、副驾驶位的承载质量m2、后排座位的承载质量m3和车辆后备箱的承载质量m4；同时根据接收到的承载压力信息确定主驾驶位的承载压力f1、副驾驶位承载压力f2、后排座位总承载压力f3以及后备箱的承载压力f4；

17、步骤4.2：判断c1m1g≤f1≤c2m1g是否成立，若是则将m1作为主驾驶位承载质量m1，否则将f1/g作为主驾驶位承载质量m1；判断c3m1g≤f2≤c4m1g是否成立，若是则将m2作为副驾驶位承载质量m2，否则将f2/g作为副驾驶位承载质量m2；判断c5m3g≤f3≤c6m3g是否成立，若是则将m3作为后排座位总承载质量m3，否则将f3/g作为后排座位总承载质量m3；将f4/g作为后备箱承载质量m4；可以理解的是，结合各个座位的承载压力信息与图像信息，可以避免因为单一信息来源不准确而导致的误差，从而提高各个座位的承载质量的准确度。

18、步骤4.3：将车辆空载质量、主驾驶位质量m1、副驾驶位质量m2、后排座位质量m3、后备箱质量m4相加后得到车辆总质量。

19、优选地，所述步骤二至所述步骤四仅在车门关闭的情况下执行。在关闭车门后再进行总质量的计算，可以确保所有的人员和行李都已经完全进行车辆内部，避免在人员上下车时发生计算的误差，确保车辆的安全行驶。

20、优选地，在所述步骤三中，所述图像采集模块利用卷积神经网络对所述图像进行处理并得到所述特征图，再确认并输出所述特征图的特征类别；然后利用模糊神经网络，根据所述卷积神经网络输出的特征类别和所述映射关系，确定所述特征图对应的质量，再将质量信息输出给所述质量估算模块。可以理解的是，所述的映射关系也就是模糊神经网络的模糊规则。利用卷积神经网络可以快速高效地处理大量图片的数据，而且模糊神经网络可以更准确地解释图像与人体质量的复杂关联。结合两者对图像的质量进行计算可以克服光照、遮挡和变形等因素对质量计算的影响，从而有效地提高图像质量计算的准确性和可靠性。

21、优选地，在所述步骤三中，所述卷积神经网络根据身体部位将每个人按照头部、颈部、躯干、上肢和下肢进行裁剪处理，得到不同部位的特征图，再确认并输出所述特征图的特征类别；然后所述模糊神经网络根据所述卷积神经网络输出的特征类别和所述映射关系，确定不同部位对应的质量，再将质量信息输出给所述质量估算模块。卷积神经网络将图像中的人体按照不同部位进行裁剪，可以减小图像尺寸和复杂程度，并且可以将图像中扭曲的区域去除，从而提高特征提取的速度和鲁棒性。

22、优选地，在所述步骤三中，每个人不同身体部位的质量表示为：

23、

24、其中，mt1、mj1、mq1、ms1和mx1分别是主驾驶位头部、颈部、躯干、上肢和下肢的质量；mt2、mj2、mq2、ms2和mx2分别是副驾驶位头部、颈部、躯干、上肢和下肢的质量；mt3、mj3、mq3、ms3和mx3分别是后排左侧乘客头部、颈部、躯干、上肢和下肢的质量；mt4、mj4、mq4、ms4和mx4分别是后排中间乘客头部、颈部、躯干、上肢和下肢的质量；mt5、mj5、mq5、ms5和mx5分别是后排右侧乘客头部、颈部、躯干、上肢和下肢的质量；各部位的质量根据所述模糊神经网络的映射关系的映射结果输出，无乘坐人员的位置所对应的各部位质量均按0输出，从而提高质量信息的准确度。

25、优选地，在所述步骤一中，所述映射关系为，每个座位上每个人不同部位的质量分为较小、适中和较大三个特征类别，同一部位的不同特征类别对应不同的质量值；在所述步骤三中，所述卷积神经网络按照部位大小将所述特征图的部位均划分为较小、适中或较大，再将所述特征图对应的特征类别输出给所述模糊神经网络；然后所述模糊神经网络根据所述映射关系将特征类别转化为数值输出给所述质量估算模块。所述模糊神经网络的映射关系设计如下：

26、

27、也就是说在映射关系中，mai、mbi、mci、mdi、mei,i∈[1,3]，其分别表示头部、颈部、躯干、上肢和下肢的质量，每个质量的具体数值大小可根据实际情况设定。将部位划分为较小、适中和较大三个等级可以简化映射计算过程，在确保有较高准确度的情况下能更快地输出不同部位的质量。

28、优选地，所述卷积神经网络包括输入层、卷积层、激活函数层、池化层和输出层，其图像处理步骤为：

29、步骤3.1：所述输入层通过5个输入通道分别输入人体头部、颈部、躯干、上肢和下肢的图像。可以理解的是，所述输入层设置有5条输入通道。

30、步骤3.2：所述卷积层的每个卷积核对应提取不同部位的特征并进行卷积操作，得到不同部位的特征图。可以理解的是，卷积层设有5个卷积核，一个卷积核对应提取一个部位的特征进行卷积操作。

31、步骤3.3：所述激活函数层采用relu函数对所述卷积层输出的所述特征图进行激活函数处理，以引入非线性。relu函数的表达式为：

32、f(x)＝max(0,x)

33、relu函数会将卷积层输出的小于0的元素变为0，而大于0的元素保持不变，其可以增强网络的非线性、产生稀疏激活性、缓解梯度消失问题，从而提高神经网络的性能和泛化能力。

34、步骤3.4：所述池化层减小经过激活函数处理的所述特征图的尺寸，以减少数据计算量。

35、步骤3.5：所述输出层选择softmax函数，将所述池化层输出的所述特征图转化为特征类别的概率分布，最后以最大概率对应的特征类别输出给所述模糊神经网络。使用softmax函数作为输出层的激活函数，可以最大化正确类别的概率，同时最小化其他错误类别的概率，从而提高输出结果的可信度。

36、优选地，在所述步骤4.3中，先将车辆空载质量、主驾驶位质量m1、副驾驶位质量m2、后排座位质量m3、后备箱质量m4相加后得到车辆估计质量m估，再根据约束条件确定车辆总质量m总，其中车辆总质量m总的约束条件为：

37、

38、其中，mmin为车辆空载质量；mmax为车辆满载质量，也就是车辆在满载状态下的总质量，其与车辆空载质量一样可提前确定。可以理解的是，通过上述条件对车辆总质量进行约束，可以确保估算得到的车辆总质量在合理的范围内，提高车辆总质量的准确度。

39、优选地，当所述压力采集模块、所述图像采集模块、所述图像处理模块、所述质量估算模块中的任一模块失效时，将车辆半载质量作为车辆的总质量，车辆的半载质量计算公式为：

40、

41、其中，mmin为车辆空载质量，mmax为车辆满载质量。当上述其中一个模块失效时，说明系统无法准确估算车辆当前的总质量，此时将车辆的半载质量作为车辆临时的总质量可以确保车辆安全行驶。

42、本发明的有益效果：

43、(1)系统结构简单，只需要采集车内一张二维图像，可减少图像采集模块的摄像头数量，降低车辆制造成本；

44、(2)本发明可实时估算车辆总质量，为整车控制器提供更为准确的质量信息，可提高智能驾驶的安全性和可靠性；

45、(3)本发明处理的图像为二维图像，数据处理量少，并且利用卷积神经网络对图像进行特征提取，同时利用模糊神经网络对车辆总质量进行模糊计算，在保证较高的结果准确度的同时可大幅提高数据处理速度，从而使车辆能对环境的变化及时作出正确的响应。