车辆指示灯的控制方法及系统与流程

1.本技术涉及智能控制领域，且更为具体地，涉及一种车辆指示灯的控制方法及系统。


背景技术：

2.随着汽车消费的普及，人们对汽车安全的要求越来越高，而不规范的驾驶行为是导致发生事故的主要原因之一。其中不规范的驾驶行为就包括车辆指示灯的不正确使用，例如，变换车道前不打转向灯、在可见度低的行驶环境以及紧急泊车时不开双闪，对面有车开来、离前面同方向的车距离较近时忘记将远光灯切换为近光灯等。
3.汽车指示灯对汽车行驶的安全性作用重大。现有的汽车指示灯的开启主要依靠驾驶员主动开启，一旦驾驶员注意力不集中，那么就会因为汽车指示灯的错误使用而导致交通事故的发生，从而给驾驶员造成不可挽回的损失。
4.因此，期望一种智能化的车辆指示灯的控制方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种车辆指示灯的控制方法及系统，其通过采用基于深度学习的神经网络模型挖掘出车辆行驶状态数据中的各个参数的时序动态关联特征信息，以此来对于车辆的行驶状态进行准确地判断，从而进行相应地车辆指示灯控制，以保证驾驶员的行驶安全性。
6.根据本技术的一个方面，提供了一种车辆指示灯的控制方法，其包括：
7.获取预定时间段内多个预定时间点的车辆行驶状态数据，所述车辆行驶状态数据包括行驶速度、行驶加速度、方向盘转角和与周围车辆的行驶距离；
8.将所述各个预定时间点的车辆行驶状态数据通过包含多个全连接层的深度神经网络模型以得到多个车辆行驶状态关联特征向量；
9.将所述多个车辆行驶状态关联特征向量通过基于转换器的上下文编码器以得到第一尺度车辆状态时序上下文关联特征向量；
10.将所述多个车辆行驶状态关联特征向量排列为输入向量后通过多尺度邻域特征提取模块以得到第二尺度车辆状态时序上下文关联特征向量；
11.融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到车辆状态时序特征向量；
12.对所述车辆状态时序特征向量的高维数据流形进行修正以得到优化车辆状态时序特征向量；
13.将所述优化车辆状态时序特征向量通过分类器以得到分类结果，所述分类结果用于表示车辆行为标签；
14.基于所述车辆行为标签，生成车辆指示灯控制指令。
15.在上述车辆指示灯的控制方法中，将所述各个预定时间点的车辆行驶状态数据通
过包含多个全连接层的深度神经网络模型以得到多个车辆行驶状态关联特征向量，包括：使用所述深度神经网络模型的全连接层以如下公式对所述各个预定时间点的车辆行驶状态数据进行全连接编码以得到所述多个车辆行驶状态关联特征向量，其中，所述公式为：，其中x是所述各个预定时间点的车辆行驶状态数据，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵相乘。
16.在上述车辆指示灯的控制方法中，将所述多个车辆行驶状态关联特征向量通过基于转换器的上下文编码器以得到第一尺度车辆状态时序上下文关联特征向量，包括：使用所述包含嵌入层的上下文编码器的转换器对所述多个车辆行驶状态关联特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义车辆行驶状态关联特征向量；以及，将所述多个全局上下文语义车辆行驶状态关联特征向量进行级联以得到所述第一尺度车辆状态时序上下文关联特征向量。
17.在上述车辆指示灯的控制方法中，使用所述包含嵌入层的上下文编码器的转换器对所述多个车辆行驶状态关联特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义车辆行驶状态关联特征向量，包括：将所述多个车辆行驶状态关联特征向量进行一维排列以得到全局车辆行驶状态关联特征向量；计算所述全局车辆行驶状态关联特征向量与所述多个车辆行驶状态关联特征向量中各个车辆行驶状态关联特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个车辆行驶状态关联特征向量中各个车辆行驶状态关联特征向量进行加权以得到所述多个上下文语义车辆行驶状态关联特征向量；将所述多个上下文语义车辆行驶状态关联特征向量进行级联以得到所述全局上下文语义车辆行驶状态关联特征向量。
18.在上述车辆指示灯的控制方法中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
19.在上述车辆指示灯的控制方法中，将所述多个车辆行驶状态关联特征向量排列为输入向量后通过多尺度邻域特征提取模块以得到第二尺度车辆状态时序上下文关联特征向量，包括：将所述车辆行驶状态关联输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度车辆状态时序上下文关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述车辆行驶状态关联输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度车辆状态时序上下文关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度车辆状态时序上下文关联特征向量和所述第二邻域尺度车辆状态时序上下文关联特征向量进行级联以得到所述第二尺度车辆状态时序上下文关联特征向量。其中，将所述车辆行驶状态关联输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度车辆状态时序上下文关联特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述车辆行驶状态关联输入向量进行一维卷积
编码以得到第一邻域尺度车辆状态时序上下文关联特征向量；
20.其中，所述公式为：
[0021][0022]
其中，a为第一卷积核在x方向上的宽度、f(a)为第一卷积核参数向量、g(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示所述车辆行驶状态关联输入向量；以及，将所述车辆行驶状态关联输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度车辆状态时序上下文关联特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述车辆行驶状态关联输入向量进行一维卷积编码以得到所述第二邻域尺度车辆状态时序上下文关联特征向量；
[0023]
其中，所述公式为：
[0024][0025]
其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述车辆行驶状态关联输入向量。
[0026]
在上述车辆指示灯的控制方法中，融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到车辆状态时序特征向量，包括：以如下公式来融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到车辆状态时序特征向量；其中，所述公式为：
[0027]
v＝concat[v1，v2]
[0028]
其中，v1表示所述第一尺度车辆状态时序上下文关联特征向量，v2表示所述第二尺度车辆状态时序上下文关联特征向量，concat[
·
,
·
]表示级联函数，v表示所述车辆状态时序特征向量。
[0029]
在上述车辆指示灯的控制方法中，对所述车辆状态时序特征向量的高维数据流形进行修正以得到优化车辆状态时序特征向量，包括：以如下公式对所述车辆状态时序特征向量进行向量赋范的希尔伯特概率空间化以得到所述优化车辆状态时序特征向量；其中，所述公式为：
[0030][0031]
其中v是所述车辆状态时序特征向量，‖v‖2表示所述车辆状态时序特征向量的二范数，表示所述车辆状态时序特征向量的二范数的平方，vi是所述车辆状态时序特征向量的第i个特征值，exp(
·
)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且vi′
是所述优化车辆状态时序特征向量的第i个特征值。
[0032]
在上述车辆指示灯的控制方法中，将所述优化车辆状态时序特征向量通过分类器
以得到分类结果，所述分类结果用于表示车辆行为标签，包括：使用所述分类器以如下公式对所述优化车辆状态时序特征向量进行处理以获得分类结果，其中，所述公式为：
[0033]
o＝softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为优化车辆状态时序特征向量。
[0034]
根据本技术的另一方面，提供了一种车辆指示灯的控制系统，其包括：
[0035]
数据获取模块，用于获取预定时间段内多个预定时间点的车辆行驶状态数据，所述车辆行驶状态数据包括行驶速度、行驶加速度、方向盘转角和与周围车辆的行驶距离；
[0036]
全连接编码模块，用于将所述各个预定时间点的车辆行驶状态数据通过包含多个全连接层的深度神经网络模型以得到多个车辆行驶状态关联特征向量；
[0037]
上下文编码模块，用于将所述多个车辆行驶状态关联特征向量通过基于转换器的上下文编码器以得到第一尺度车辆状态时序上下文关联特征向量；
[0038]
多尺度邻域特征提取模块，用于将所述多个车辆行驶状态关联特征向量排列为输入向量后通过多尺度邻域特征提取模块以得到第二尺度车辆状态时序上下文关联特征向量；
[0039]
融合模块，用于融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到车辆状态时序特征向量；
[0040]
优化模块，用于对所述车辆状态时序特征向量的高维数据流形进行修正以得到优化车辆状态时序特征向量；
[0041]
分类结果生成模块，用于将所述优化车辆状态时序特征向量通过分类器以得到分类结果，所述分类结果用于表示车辆行为标签；
[0042]
控制模块，用于基于所述车辆行为标签，生成车辆指示灯控制指令。
[0043]
根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的车辆指示灯的控制方法。
[0044]
根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的车辆指示灯的控制方法。
[0045]
与现有技术相比，本技术提供的一种车辆指示灯的控制方法及系统，其通过采用基于深度学习的神经网络模型挖掘出车辆行驶状态数据中的各个参数的时序动态关联特征信息，以此来对于车辆的行驶状态进行准确地判断，从而进行相应地车辆指示灯控制，以保证驾驶员的行驶安全性。
附图说明
[0046]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0047]
图1为根据本技术实施例的车辆指示灯的控制方法的流程图；
[0048]
图2为根据本技术实施例的车辆指示灯的控制方法的架构示意图；
[0049]
图3为根据本技术实施例的车辆指示灯的控制方法中上下文编码的流程图；
[0050]
图4为根据本技术实施例的车辆指示灯的控制方法中多尺度邻域特征提取过程的流程图；
[0051]
图5为根据本技术实施例的智能流体控制阀的检测系统的框图；
[0052]
图6为根据本技术实施例的电子设备的框图。
具体实施方式
[0053]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0054]
场景概述
[0055]
如上所述，汽车指示灯对汽车行驶的安全性作用重大。现有的汽车指示灯的开启主要依靠驾驶员主动开启，一旦驾驶员注意力不集中，那么就会因为汽车指示灯的错误使用而导致交通事故的发生，从而给驾驶员造成不可挽回的损失。因此，期望一种智能化的车辆指示灯的控制方案。
[0056]
相应地，考虑到在实际进行车辆指示灯的控制时，应基于车辆的行驶状态来进行车辆接下来的行为判断，从而生成车辆指示灯的控制指令，例如在进行车辆左转时，可以基于车辆的行驶速度、行驶加速度、方向盘转角以及与周围车辆的行驶距离来判断车辆的左转动作，以此生成车辆左转指示灯的控制指令来控制车辆的左转指示灯亮起。但是，由于车辆的行驶状态数据中的各个参数间存在着相互的关联性，并且，所述车辆行驶状态数据中的各个参数在时间维度上还具有着各自的动态变化特征，因此，在此过程中，难点在于如何充分且准确地挖掘所述车辆行驶状态数据中的各个参数的时序动态关联特征信息，以此来对于车辆的行驶状态进行准确地判断，从而进行相应地车辆指示灯控制，以保证驾驶员的行驶安全性。
[0057]
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0058]
深度学习以及神经网络的发展为挖掘所述车辆行驶状态数据中的各个参数的时序动态关联关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述车辆行驶状态数据中的各个参数的时序动态信息之间的复杂关联关系。
[0059]
具体地，在本技术的技术方案中，首先，获取预定时间段内多个预定时间点的车辆行驶状态数据，所述车辆行驶状态数据包括行驶速度、行驶加速度、方向盘转角和与周围车辆的行驶距离。接着，考虑到由于所述车辆行驶状态数据中的各个参数间具有着关联性关系，为了能够深度挖掘出这种关联特性来对于车辆的行为进行精准判断，进一步将所述各个预定时间点的车辆行驶状态数据通过包含多个全连接层的深度神经网络模型，以提取出所述车辆行驶状态数据中的各个参数间的高维隐含关联特征，从而得到多个车辆行驶状态
关联特征向量。
[0060]
然后，考虑到所述车辆行驶状态数据中的各个参数数据在时间维度上都具有着动态性的变化规律，而所述各个参数数据间也具有着关联性特征信息，因此，在本技术的技术方案中，为了能够准确地对于车辆行驶状态进行检测，以对于车辆行为进行识别，需要对于所述车辆行驶状态数据中的各个参数项的关联特征进行时间维度上的时序动态关联特征的提取。具体地，将所述多个车辆行驶状态关联特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述车辆行驶状态关联特征在时间维度上的基于时序全局的动态隐含关联特征分布信息，从而得到第一尺度车辆状态时序上下文关联特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个车辆行驶状态关联特征向量中各个车辆行驶状态关联特征向量进行基于全局的上下文语义编码以得到以所述多个车辆行驶状态关联特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述第一尺度车辆状态时序上下文关联特征向量。应可以理解，在本技术的技术方案中，通过所述基于转换器的上下文编码器可以捕捉所述各个预定时间点的关于车辆行驶状态数据关联特征相对于所述预定时间段内基于时序全局的关于车辆行驶状态数据关联特征的上下文语义关联特征表示。
[0061]
进一步地，考虑到由于所述车辆行驶状态关联特征的时序动态隐含关联特征信息不仅存在于所述预定时间段内整体的时序分布上，还存在于所述预定时间段内各个预定时间点的不同跨度的时间维度上，也就是说，由于所述车辆行驶状态在时间维度上具有着不确定性和波动性，因此所述隔离行驶状态中的各个参数关联特征在时间维度上的不同时间周期跨度下具有着不同的动态变化特征信息。基于此，在本技术的技术方案中，进一步将所述多个车辆行驶状态关联特征向量排列为输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述车辆行驶状态关联特征在所述预定时间段的不同时间跨度下的动态多尺度邻域关联特征，从而得到第二尺度车辆状态时序上下文关联特征向量。
[0062]
接着，进一步再融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量，以此来融合所述车辆行驶状态关联特征在时间维度上基于长距离依赖和中短距离依赖的多尺度时序动态关联特征分布信息，从而得到车辆状态时序特征向量。然后，再将所述车辆状态时序特征向量作为分类特征向量通过分类器以得到用于表示车辆行为标签的分类结果，进而基于所述车辆行为标签，生成车辆指示灯控制指令。也就是说，在本技术的技术方案中，所述分类器的标签为车辆的行为标签，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解，在本技术的技术方案中，基于车辆行驶状态的动态关联特征来对于车辆的形式状态进行准确地检测，从而对于车辆行为进行精准判断，以此来进行相应地车辆指示灯控制，以保证驾驶员的行驶安全性。
[0063]
特别地，在本技术的技术方案中，在融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到车辆状态时序特征向量时，由于所述第一尺度车辆状态时序上下文关联特征向量表示的是车辆行驶状态参数的跨全时域关联的上下文高阶关联特征，而所述第二尺度车辆状态时序上下文关联特征向量表示的是车辆行驶状态参数的跨局部时域关联的多尺度上下文高阶关联特征，因此，所述车辆状态时序特征向量能够融合不同时序空间跨度的多尺度上下文高阶关联特征。为了充
分保留特征的多尺度性，优选地通过级联的方式来融合所述融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到所述车辆状态时序特征向量。但是，多尺度特征域叠加又可能导致作为域间融合特征的所述车辆状态时序特征向量的整体特征分布较为离散，导致所述车辆状态时序特征向量在通过分类器进行分类时对单一分类结果的依赖性差，影响分类结果的准确性。
[0064]
因此，优选地对所述车辆状态时序特征向量进行向量赋范的希尔伯特概率空间化，具体表示为：
[0065][0066]
v是所述车辆状态时序特征向量，‖v‖2表示所述车辆状态时序特征向量的二范数，表示其平方，即所述车辆状态时序特征向量自身的内积，vi是所述车辆状态时序特征向量v的第i个特征值，且vi′
是优化后的车辆状态时序特征向量v
′
的第i个特征值。这里，所述向量赋范的希尔伯特概率空间化通过所述车辆状态时序特征向量v自身的赋范在定义了向量内积的希尔伯特空间内进行所述车辆状态时序特征向量v的概率性解释，并降低所述车辆状态时序特征向量v的拼接的各个局部分布的类表达对整体希尔伯特空间拓扑的类表达的隐蔽扰动，由此提高所述车辆状态时序特征向量v的特征分布收敛到单一预定分类结果的鲁棒性，同时依靠度量诱导概率空间结构的建立来提升所述车辆状态时序特征向量v的特征分布对单一分类结果的跨分类器的长程依赖。这样，就提升了优化后的车辆状态时序特征向量v
′
在通过分类器进行分类时对单一分类结果的依赖性，改进了分类结果的准确性。这样，能够对于车辆的行驶状态进行准确地判断，从而精准地进行相应地车辆指示灯控制，以保证驾驶员的行驶安全性。
[0067]
基于此，本技术提出了一种车辆指示灯的控制方法，其包括：获取预定时间段内多个预定时间点的车辆行驶状态数据，所述车辆行驶状态数据包括行驶速度、行驶加速度、方向盘转角和与周围车辆的行驶距离；将所述各个预定时间点的车辆行驶状态数据通过包含多个全连接层的深度神经网络模型以得到多个车辆行驶状态关联特征向量；将所述多个车辆行驶状态关联特征向量通过基于转换器的上下文编码器以得到第一尺度车辆状态时序上下文关联特征向量；将所述多个车辆行驶状态关联特征向量排列为输入向量后通过多尺度邻域特征提取模块以得到第二尺度车辆状态时序上下文关联特征向量；融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到车辆状态时序特征向量；对所述车辆状态时序特征向量的高维数据流形进行修正以得到优化车辆状态时序特征向量；将所述优化车辆状态时序特征向量通过分类器以得到分类结果，所述分类结果用于表示车辆行为标签；基于所述车辆行为标签，生成车辆指示灯控制指令。
[0068]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0069]
示例性方法
[0070]
图2为根据本技术实施例的车辆指示灯的控制方法的架构示意图。如图2所示，根据本技术实施例的车辆指示灯的控制方法，包括步骤：s110，获取预定时间段内多个预定时
间点的车辆行驶状态数据，所述车辆行驶状态数据包括行驶速度、行驶加速度、方向盘转角和与周围车辆的行驶距离；s120，将所述各个预定时间点的车辆行驶状态数据通过包含多个全连接层的深度神经网络模型以得到多个车辆行驶状态关联特征向量；s130，将所述多个车辆行驶状态关联特征向量通过基于转换器的上下文编码器以得到第一尺度车辆状态时序上下文关联特征向量；s140，将所述多个车辆行驶状态关联特征向量排列为输入向量后通过多尺度邻域特征提取模块以得到第二尺度车辆状态时序上下文关联特征向量；s150，融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到车辆状态时序特征向量；s160，对所述车辆状态时序特征向量的高维数据流形进行修正以得到优化车辆状态时序特征向量；s170，将所述优化车辆状态时序特征向量通过分类器以得到分类结果，所述分类结果用于表示车辆行为标签；s180，基于所述车辆行为标签，生成车辆指示灯控制指令
[0071]
图3为根据本技术实施例的车辆指示灯的控制方法中上下文编码的流程图。如图3所示，在该网络结构中，首先，获取预定时间段内多个预定时间点的车辆行驶状态数据，所述车辆行驶状态数据包括行驶速度、行驶加速度、方向盘转角和与周围车辆的行驶距离；其次，将所述各个预定时间点的车辆行驶状态数据通过包含多个全连接层的深度神经网络模型以得到多个车辆行驶状态关联特征向量；将所述多个车辆行驶状态关联特征向量通过基于转换器的上下文编码器以得到第一尺度车辆状态时序上下文关联特征向量；接着，将所述多个车辆行驶状态关联特征向量排列为输入向量后通过多尺度邻域特征提取模块以得到第二尺度车辆状态时序上下文关联特征向量；融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到车辆状态时序特征向量；然后，对所述车辆状态时序特征向量的高维数据流形进行修正以得到优化车辆状态时序特征向量；将所述优化车辆状态时序特征向量通过分类器以得到分类结果，所述分类结果用于表示车辆行为标签；进而，基于所述车辆行为标签，生成车辆指示灯控制指令。
[0072]
具体地，在步骤s110中，获取预定时间段内多个预定时间点的车辆行驶状态数据，所述车辆行驶状态数据包括行驶速度、行驶加速度、方向盘转角和与周围车辆的行驶距离。应可以理解，在车辆行驶状态不同的情况下，车辆的行驶速度、行驶加速度、方向盘转角以及与周围车辆的行驶距离是存在差异的，因此，在本技术的技术方案中，可基于基于车辆的行驶速度、行驶加速度、方向盘转角以及与周围车辆的行驶距离来判断车辆接下来的行为，因此，在本技术的一个具体示例中，首先，获取预定时间段内多个预定时间点的车辆行驶状态数据，所述车辆行驶状态数据包括行驶速度、行驶加速度、方向盘转角和与周围车辆的行驶距离。
[0073]
具体地，在步骤s120中，将所述各个预定时间点的车辆行驶状态数据通过包含多个全连接层的深度神经网络模型以得到多个车辆行驶状态关联特征向量。考虑到由于所述车辆行驶状态数据中的各个参数间具有着关联性关系，为了能够深度挖掘出这种关联特性来对于车辆的行为进行精准判断，进一步将所述各个预定时间点的车辆行驶状态数据通过包含多个全连接层的深度神经网络模型，以提取出所述车辆行驶状态数据中的各个参数间的高维隐含关联特征，从而得到多个车辆行驶状态关联特征向量。在本技术的一个具体示例中，使用所述深度神经网络模型的全连接层以如下公式对所述各个预定时间点的车辆行驶状态数据进行全连接编码以得到所述多个车辆行驶状态关联特征向量，其中，所述公式
为：其中x是所述各个预定时间点的车辆行驶状态数据，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵相乘。
[0074]
具体地，在步骤s130中，将所述多个车辆行驶状态关联特征向量通过基于转换器的上下文编码器以得到第一尺度车辆状态时序上下文关联特征向量。考虑到所述车辆行驶状态数据中的各个参数数据在时间维度上都具有着动态性的变化规律，而所述各个参数数据间也具有着关联性特征信息，因此，在本技术的技术方案中，为了能够准确地对于车辆行驶状态进行检测，以对于车辆行为进行识别，需要对于所述车辆行驶状态数据中的各个参数项的关联特征进行时间维度上的时序动态关联特征的提取。具体地，将所述多个车辆行驶状态关联特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述车辆行驶状态关联特征在时间维度上的基于时序全局的动态隐含关联特征分布信息，从而得到第一尺度车辆状态时序上下文关联特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个车辆行驶状态关联特征向量中各个车辆行驶状态关联特征向量进行基于全局的上下文语义编码以得到以所述多个车辆行驶状态关联特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述第一尺度车辆状态时序上下文关联特征向量。应可以理解，在本技术的技术方案中，通过所述基于转换器的上下文编码器可以捕捉所述各个预定时间点的关于车辆行驶状态数据关联特征相对于所述预定时间段内基于时序全局的关于车辆行驶状态数据关联特征的上下文语义关联特征表示。更具体地，使用所述包含嵌入层的上下文编码器的转换器对所述多个车辆行驶状态关联特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义车辆行驶状态关联特征向量；以及，将所述多个全局上下文语义车辆行驶状态关联特征向量进行级联以得到所述第一尺度车辆状态时序上下文关联特征向量。
[0075]
图3为根据本技术实施例的车辆指示灯的控制方法中上下文编码的流程图。如图3所示，在所述上下文编码过程中，包括：s210，将所述多个车辆行驶状态关联特征向量进行一维排列以得到全局车辆行驶状态关联特征向量；s220，计算所述全局车辆行驶状态关联特征向量与所述多个车辆行驶状态关联特征向量中各个车辆行驶状态关联特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；s230，分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；s240，将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；s250，分别以所述多个概率值中各个概率值作为权重对所述多个车辆行驶状态关联特征向量中各个车辆行驶状态关联特征向量进行加权以得到所述多个上下文语义车辆行驶状态关联特征向量；s260，将所述多个上下文语义车辆行驶状态关联特征向量进行级联以得到所述全局上下文语义车辆行驶状态关联特征向量。
[0076]
具体地，在步骤s140中，将所述多个车辆行驶状态关联特征向量排列为输入向量后通过多尺度邻域特征提取模块以得到第二尺度车辆状态时序上下文关联特征向量。考虑到由于所述车辆行驶状态关联特征的时序动态隐含关联特征信息不仅存在于所述预定时间段内整体的时序分布上，还存在于所述预定时间段内各个预定时间点的不同跨度的时间维度上，也就是说，由于所述车辆行驶状态在时间维度上具有着不确定性和波动性，因此所述隔离行驶状态中的各个参数关联特征在时间维度上的不同时间周期跨度下具有着不同的动态变化特征信息。基于此，在本技术的技术方案中，进一步将所述多个车辆行驶状态关
联特征向量排列为输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述车辆行驶状态关联特征在所述预定时间段的不同时间跨度下的动态多尺度邻域关联特征，从而得到第二尺度车辆状态时序上下文关联特征向量。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。
[0077]
图4为根据本技术实施例的车辆指示灯的控制方法中多尺度邻域特征提取过程的流程图。如图4所示，在所述多尺度邻域特征提取过程中，包括：s310，将所述车辆行驶状态关联输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度车辆状态时序上下文关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；s320，将所述车辆行驶状态关联输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度车辆状态时序上下文关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，s330，将所述第一邻域尺度车辆状态时序上下文关联特征向量和所述第二邻域尺度车辆状态时序上下文关联特征向量进行级联以得到所述第二尺度车辆状态时序上下文关联特征向量。其中，将所述车辆行驶状态关联输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度车辆状态时序上下文关联特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述车辆行驶状态关联输入向量进行一维卷积编码以得到第一邻域尺度车辆状态时序上下文关联特征向量；其中，所述公式为：
[0078][0079]
其中，a为第一卷积核在x方向上的宽度、f(a)为第一卷积核参数向量、g(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示所述车辆行驶状态关联输入向量；以及，将所述车辆行驶状态关联输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度车辆状态时序上下文关联特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述车辆行驶状态关联输入向量进行一维卷积编码以得到所述第二邻域尺度车辆状态时序上下文关联特征向量；其中，所述公式为：
[0080][0081]
其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述车辆行驶状态关联输入向量；更具体地，将所述第一邻域尺度车辆状态时序上下文关联特征向量和所述第二邻域尺度车辆状态时序上下文关联特征向量进行级联以得到所述第二尺度车辆状态时序上下文关联特征向量，包括：以如下公式将所述第一邻域尺度车辆状态时序上下文关联特征向量和所述第二邻域尺度车辆状态时序上下文关联特征向量进行级联以得到所述第二尺度车辆状态时序上下文关联特征向量；其中，所述公式为：
[0082]v2
＝concat[vm，vn]
[0083]
其中，vmm表示所述第一邻域尺度车辆状态时序上下文关联特征向量，vnn表示所述第二邻域尺度车辆状态时序上下文关联特征向量，concat[
·
,
·
]表示级联函数，v2表示所述第二尺度车辆状态时序上下文关联特征向量。
[0084]
具体地，在步骤s150中，融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到车辆状态时序特征向量。也就是，融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量，以此来融合所述车辆行驶状态关联特征在时间维度上基于长距离依赖和中短距离依赖的多尺度时序动态关联特征分布信息，从而得到车辆状态时序特征向量。在本技术的一个具体示例中，可通过级联的方式来融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量，具体地，以如下公式来融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到车辆状态时序特征向量；其中，所述公式为：
[0085]
v＝concat[v1，v2]
[0086]
其中，v1表示所述第一尺度车辆状态时序上下文关联特征向量，v2表示所述第二尺度车辆状态时序上下文关联特征向量，concat[
·
,
·
]表示级联函数，v表示所述车辆状态时序特征向量。
[0087]
具体地，在步骤s160中，对所述车辆状态时序特征向量的高维数据流形进行修正以得到优化车辆状态时序特征向量。在本技术的技术方案中，在融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到车辆状态时序特征向量时，由于所述第一尺度车辆状态时序上下文关联特征向量表示的是车辆行驶状态参数的跨全时域关联的上下文高阶关联特征，而所述第二尺度车辆状态时序上下文关联特征向量表示的是车辆行驶状态参数的跨局部时域关联的多尺度上下文高阶关联特征，因此，所述车辆状态时序特征向量能够融合不同时序空间跨度的多尺度上下文高阶关联特征。为了充分保留特征的多尺度性，优选地通过级联的方式来融合所述融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到所述车辆状态时序特征向量。但是，多尺度特征域叠加又可能导致作为域间融合特征的所述车辆状态时序特征向量的整体特征分布较为离散，导致所述车辆状态时序特征向量在通过分类器进行分类时对单一分类结果的依赖性差，影响分类结果的准确性。因此，优选地对所述车辆状态时序特征向量进行向量赋范的希尔伯特概率空间化，具体表示为：
[0088][0089]
其中v是所述车辆状态时序特征向量，‖v‖2表示所述车辆状态时序特征向量的二范数，表示所述车辆状态时序特征向量的二范数的平方，vi是所述车辆状态时序特征向量的第i个特征值，exp(
·
)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且vi′
是所述优化车辆状态时序特征向量的第i个特征值。这里，所述向量赋范的希尔伯特概率空间化通过所述车辆状态时序特征向量v自身的赋范在定义了向量内积的希尔伯特空间内进行所述车辆状态时序特征向量v的概
率性解释，并降低所述车辆状态时序特征向量v的拼接的各个局部分布的类表达对整体希尔伯特空间拓扑的类表达的隐蔽扰动，由此提高所述车辆状态时序特征向量v的特征分布收敛到单一预定分类结果的鲁棒性，同时依靠度量诱导概率空间结构的建立来提升所述车辆状态时序特征向量v的特征分布对单一分类结果的跨分类器的长程依赖。这样，就提升了优化后的车辆状态时序特征向量v
′
在通过分类器进行分类时对单一分类结果的依赖性，改进了分类结果的准确性。这样，能够对于车辆的行驶状态进行准确地判断，从而精准地进行相应地车辆指示灯控制，以保证驾驶员的行驶安全性。
[0090]
具体地，在步骤s170和步骤s180中，将所述优化车辆状态时序特征向量通过分类器以得到分类结果，所述分类结果用于表示车辆行为标签，并基于所述车辆行为标签，生成车辆指示灯控制指令。也就是，将所述优化车辆状态时序特征向量作为分类特征向量通过分类器以获得分类结果。具体地，使用所述分类器以如下公式对所述优化车辆状态时序特征向量进行处理以获得分类结果，其中，所述公式为：
[0091]
o＝softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为优化车辆状态时序特征向量。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的softmax层。其中，在所述分类器的分类处理中，使用所述分类器的多个全连接层对所述优化车辆状态时序特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的softmax层，即，使用所述softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。其中，所述分类器的标签为车辆的行为标签，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解，在本技术的技术方案中，基于车辆行驶状态的动态关联特征来对于车辆的形式状态进行准确地检测，从而对于车辆行为进行精准判断，以此来进行相应地车辆指示灯控制，以保证驾驶员的行驶安全性。
[0092]
综上，根据本技术实施例的车辆指示灯的控制方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出车辆行驶状态数据中的各个参数的时序动态关联特征信息，以此来对于车辆的行驶状态进行准确地判断，从而进行相应地车辆指示灯控制，以保证驾驶员的行驶安全性。
[0093]
示例性系统
[0094]
图5为根据本技术实施例的智能流体控制阀的检测系统的框图。如图5所示，根据本技术实施例的车辆指示灯的控制系统300，包括：数据获取模块310；全连接编码模块320；上下文编码模块330；多尺度邻域特征提取模块340；融合模块350；优化模块360；分类结果生成模块370；控制模块380。
[0095]
其中，所述数据获取模块310，用于获取预定时间段内多个预定时间点的车辆行驶状态数据，所述车辆行驶状态数据包括行驶速度、行驶加速度、方向盘转角和与周围车辆的行驶距离；所述全连接编码模块320，用于将所述各个预定时间点的车辆行驶状态数据通过包含多个全连接层的深度神经网络模型以得到多个车辆行驶状态关联特征向量；所述上下文编码模块330，用于将所述多个车辆行驶状态关联特征向量通过基于转换器的上下文编码器以得到第一尺度车辆状态时序上下文关联特征向量；所述多尺度邻域特征提取模块340，用于将所述多个车辆行驶状态关联特征向量排列为输入向量后通过多尺度邻域特征提取模块以得到第二尺度车辆状态时序上下文关联特征向量；所述融合模块350，用于融合
所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到车辆状态时序特征向量；所述优化模块360，用于对所述车辆状态时序特征向量的高维数据流形进行修正以得到优化车辆状态时序特征向量；所述分类结果生成模块370，用于将所述优化车辆状态时序特征向量通过分类器以得到分类结果，所述分类结果用于表示车辆行为标签；所述控制模块380，用于基于所述车辆行为标签，生成车辆指示灯控制指令。
[0096]
在一个示例中，在上述车辆指示灯的控制系统300中，所述全连接编码模块320，用于：使用所述深度神经网络模型的全连接层以如下公式对所述各个预定时间点的车辆行驶状态数据进行全连接编码以得到所述多个车辆行驶状态关联特征向量，其中，所述公式为：其中x是所述各个预定时间点的车辆行驶状态数据，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵相乘。
[0097]
在一个示例中，在上述车辆指示灯的控制系统300中，所述上下文编码模块330，用于：使用所述包含嵌入层的上下文编码器的转换器对所述多个车辆行驶状态关联特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义车辆行驶状态关联特征向量；以及，将所述多个全局上下文语义车辆行驶状态关联特征向量进行级联以得到所述第一尺度车辆状态时序上下文关联特征向量。其中，所述使用所述包含嵌入层的上下文编码器的转换器对所述多个车辆行驶状态关联特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义车辆行驶状态关联特征向量，包括：将所述多个车辆行驶状态关联特征向量进行一维排列以得到全局车辆行驶状态关联特征向量；计算所述全局车辆行驶状态关联特征向量与所述多个车辆行驶状态关联特征向量中各个车辆行驶状态关联特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个车辆行驶状态关联特征向量中各个车辆行驶状态关联特征向量进行加权以得到所述多个上下文语义车辆行驶状态关联特征向量；将所述多个上下文语义车辆行驶状态关联特征向量进行级联以得到所述全局上下文语义车辆行驶状态关联特征向量。
[0098]
在一个示例中，在上述车辆指示灯的控制系统300中，所述多尺度邻域特征提取模块340，用于：将所述车辆行驶状态关联输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度车辆状态时序上下文关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述车辆行驶状态关联输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度车辆状态时序上下文关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度车辆状态时序上下文关联特征向量和所述第二邻域尺度车辆状态时序上下文关联特征向量进行级联以得到所述第二尺度车辆状态时序上下文关联特征向量。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。具体地，将所述车辆行驶状态关联输入向量输入所述多尺度邻域特征提取模块的第
一卷积层以得到第一邻域尺度车辆状态时序上下文关联特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述车辆行驶状态关联输入向量进行一维卷积编码以得到第一邻域尺度车辆状态时序上下文关联特征向量；其中，所述公式为：
[0099][0100]
其中，a为第一卷积核在x方向上的宽度、f(a)为第一卷积核参数向量、g(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示所述车辆行驶状态关联输入向量；以及，将所述车辆行驶状态关联输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度车辆状态时序上下文关联特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述车辆行驶状态关联输入向量进行一维卷积编码以得到所述第二邻域尺度车辆状态时序上下文关联特征向量；其中，所述公式为：
[0101][0102]
其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述车辆行驶状态关联输入向量。
[0103]
在一个示例中，在上述车辆指示灯的控制系统300中，所述融合模块350，用于：以如下公式来融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到车辆状态时序特征向量；其中，所述公式为：
[0104]
v＝concat[v1，v2]
[0105]
其中，v1表示所述第一尺度车辆状态时序上下文关联特征向量，v2表示所述第二尺度车辆状态时序上下文关联特征向量，concat[
·
,
·
]表示级联函数，v表示所述车辆状态时序特征向量。
[0106]
在一个示例中，在上述车辆指示灯的控制系统300中，所述优化模块360，用于：以如下公式对所述车辆状态时序特征向量进行向量赋范的希尔伯特概率空间化以得到所述优化车辆状态时序特征向量；其中，所述公式为：
[0107][0108]
其中v是所述车辆状态时序特征向量，‖v‖2表示所述车辆状态时序特征向量的二范数，表示所述车辆状态时序特征向量的二范数的平方，vi是所述车辆状态时序特征向量的第v个特征值，exp(
·
)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且vi′
是所述优化车辆状态时序特征向量的第i个特征值。
[0109]
在一个示例中，在上述车辆指示灯的控制系统300中，所述分类结果生成模块370，用于：使用所述分类器以如下公式对所述优化车辆状态时序特征向量进行处理以获得分类结果，其中，所述公式为：
[0110]
o＝softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为优化车辆状态时序特征向量。
[0111]
综上，根据本技术实施例的车辆指示灯的控制系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出车辆行驶状态数据中的各个参数的时序动态关联特征信息，以此来对于车辆的行驶状态进行准确地判断，从而进行相应地车辆指示灯控制，以保证驾驶员的行驶安全性。
[0112]
如上所述，根据本技术实施例的车辆指示灯的控制系统可以实现在各种终端设备中。在一个示例中，根据本技术实施例的车辆指示灯的控制系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该车辆指示灯的控制系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该车辆指示灯的控制系统300同样可以是该终端设备的众多硬件模块之一。
[0113]
替换地，在另一示例中，该车辆指示灯的控制系统300与该终端设备也可以是分立的设备，并且该车辆指示灯的控制系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0114]
示例性电子设备
[0115]
下面，参考图6来描述根据本技术实施例的电子设备。
[0116]
图6图示了根据本技术实施例的电子设备的框图。
[0117]
如图6所示，电子设备10包括一个或多个处理器11和存储器12。
[0118]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0119]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的车辆指示灯的控制方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如优化车辆状态时序特征向量等各种内容。
[0120]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0121]
该输入装置13可以包括例如键盘、鼠标等等。
[0122]
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0123]
当然，为了简化，图6中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0124]
示例性计算机程序产品和计算机可读存储介质
[0125]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的车辆指示灯的控制方法中的功能中
的步骤。
[0126]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0127]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的车辆指示灯的控制方法的功能中的步骤。
[0128]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0129]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0130]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0131]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0132]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0133]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种车辆指示灯的控制方法，其特征在于，包括：获取预定时间段内多个预定时间点的车辆行驶状态数据，所述车辆行驶状态数据包括行驶速度、行驶加速度、方向盘转角和与周围车辆的行驶距离；将所述各个预定时间点的车辆行驶状态数据通过包含多个全连接层的深度神经网络模型以得到多个车辆行驶状态关联特征向量；将所述多个车辆行驶状态关联特征向量通过基于转换器的上下文编码器以得到第一尺度车辆状态时序上下文关联特征向量；将所述多个车辆行驶状态关联特征向量排列为输入向量后通过多尺度邻域特征提取模块以得到第二尺度车辆状态时序上下文关联特征向量；融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到车辆状态时序特征向量；对所述车辆状态时序特征向量的高维数据流形进行修正以得到优化车辆状态时序特征向量；将所述优化车辆状态时序特征向量通过分类器以得到分类结果，所述分类结果用于表示车辆行为标签；基于所述车辆行为标签，生成车辆指示灯控制指令。2.根据权利要求1所述的车辆指示灯的控制方法，其特征在于，将所述各个预定时间点的车辆行驶状态数据通过包含多个全连接层的深度神经网络模型以得到多个车辆行驶状态关联特征向量，包括：使用所述深度神经网络模型的全连接层以如下公式对所述各个预定时间点的车辆行驶状态数据进行全连接编码以得到所述多个车辆行驶状态关联特征向量，其中，所述公式为：其中x是所述各个预定时间点的车辆行驶状态数据，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵相乘。3.根据权利要求2所述的车辆指示灯的控制方法，其特征在于，将所述多个车辆行驶状态关联特征向量通过基于转换器的上下文编码器以得到第一尺度车辆状态时序上下文关联特征向量，包括：使用所述包含嵌入层的上下文编码器的转换器对所述多个车辆行驶状态关联特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义车辆行驶状态关联特征向量；以及将所述多个全局上下文语义车辆行驶状态关联特征向量进行级联以得到所述第一尺度车辆状态时序上下文关联特征向量。4.根据权利要求3所述的车辆指示灯的控制方法，其特征在于，使用所述包含嵌入层的上下文编码器的转换器对所述多个车辆行驶状态关联特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义车辆行驶状态关联特征向量，包括：将所述多个车辆行驶状态关联特征向量进行一维排列以得到全局车辆行驶状态关联特征向量；计算所述全局车辆行驶状态关联特征向量与所述多个车辆行驶状态关联特征向量中各个车辆行驶状态关联特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到
多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个车辆行驶状态关联特征向量中各个车辆行驶状态关联特征向量进行加权以得到所述多个上下文语义车辆行驶状态关联特征向量；将所述多个上下文语义车辆行驶状态关联特征向量进行级联以得到所述全局上下文语义车辆行驶状态关联特征向量。5.根据权利要求4所述的车辆指示灯的控制方法，其特征在于，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。6.根据权利要求5所述的车辆指示灯的控制方法，其特征在于，将所述多个车辆行驶状态关联特征向量排列为输入向量后通过多尺度邻域特征提取模块以得到第二尺度车辆状态时序上下文关联特征向量，包括：将所述车辆行驶状态关联输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度车辆状态时序上下文关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述车辆行驶状态关联输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度车辆状态时序上下文关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及将所述第一邻域尺度车辆状态时序上下文关联特征向量和所述第二邻域尺度车辆状态时序上下文关联特征向量进行级联以得到所述第二尺度车辆状态时序上下文关联特征向量。其中，将所述车辆行驶状态关联输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度车辆状态时序上下文关联特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述车辆行驶状态关联输入向量进行一维卷积编码以得到第一邻域尺度车辆状态时序上下文关联特征向量；其中，所述公式为：其中，a为第一卷积核在x方向上的宽度、f(a)为第一卷积核参数向量、g(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，x表示所述车辆行驶状态关联输入向量；以及将所述车辆行驶状态关联输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度车辆状态时序上下文关联特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述车辆行驶状态关联输入向量进行一维卷积编码以得到所述第二邻域尺度车辆状态时序上下文关联特征向量；
其中，所述公式为：其中，b为第二卷积核在x方向上的宽度、f(b)为第二卷积核参数向量、g(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，x表示所述车辆行驶状态关联输入向量。7.根据权利要求6所述的车辆指示灯的控制方法，其特征在于，融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到车辆状态时序特征向量，包括：以如下公式来融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到车辆状态时序特征向量；其中，所述公式为：v＝concat[v1，v2]其中，v1表示所述第一尺度车辆状态时序上下文关联特征向量，v2表示所述第二尺度车辆状态时序上下文关联特征向量，concat[
·
,
·
]表示级联函数，v表示所述车辆状态时序特征向量。8.根据权利要求7所述的车辆指示灯的控制方法，其特征在于，对所述车辆状态时序特征向量的高维数据流形进行修正以得到优化车辆状态时序特征向量，包括：以如下公式对所述车辆状态时序特征向量进行向量赋范的希尔伯特概率空间化以得到所述优化车辆状态时序特征向量；其中，所述公式为：其中v是所述车辆状态时序特征向量，‖v‖2表示所述车辆状态时序特征向量的二范数，表示所述车辆状态时序特征向量的二范数的平方，v
i
是所述车辆状态时序特征向量的第i个特征值，exp(
·
)表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且v
i
′
是所述优化车辆状态时序特征向量的第i个特征值。9.根据权利要求8所述的车辆指示灯的控制方法，其特征在于，将所述优化车辆状态时序特征向量通过分类器以得到分类结果，所述分类结果用于表示车辆行为标签，包括：使用所述分类器以如下公式对所述优化车辆状态时序特征向量进行处理以获得分类结果，其中，所述公式为：o＝softmax{(w
n
,b
n
):
…
:(w1,b1)|x}，其中，w1到w
n
为权重矩阵，b1到b
n
为偏置向量，x为优化车辆状态时序特征向量。10.一种车辆指示灯的控制系统，其特征在于，包括：数据获取模块，用于获取预定时间段内多个预定时间点的车辆行驶状态数据，所述车辆行驶状态数据包括行驶速度、行驶加速度、方向盘转角和与周围车辆的行驶距离；
全连接编码模块，用于将所述各个预定时间点的车辆行驶状态数据通过包含多个全连接层的深度神经网络模型以得到多个车辆行驶状态关联特征向量；上下文编码模块，用于将所述多个车辆行驶状态关联特征向量通过基于转换器的上下文编码器以得到第一尺度车辆状态时序上下文关联特征向量；多尺度邻域特征提取模块，用于将所述多个车辆行驶状态关联特征向量排列为输入向量后通过多尺度邻域特征提取模块以得到第二尺度车辆状态时序上下文关联特征向量；融合模块，用于融合所述第一尺度车辆状态时序上下文关联特征向量和所述第二尺度车辆状态时序上下文关联特征向量以得到车辆状态时序特征向量；优化模块，用于对所述车辆状态时序特征向量的高维数据流形进行修正以得到优化车辆状态时序特征向量；分类结果生成模块，用于将所述优化车辆状态时序特征向量通过分类器以得到分类结果，所述分类结果用于表示车辆行为标签；控制模块，用于基于所述车辆行为标签，生成车辆指示灯控制指令。

技术总结
本申请涉及智能控制领域，其具体地公开了一种车辆指示灯的控制方法及系统，其通过采用基于深度学习的神经网络模型挖掘出车辆行驶状态数据中的各个参数的时序动态关联特征信息，以此来对于车辆的行驶状态进行准确地判断，从而进行相应地车辆指示灯控制，以保证驾驶员的行驶安全性。驶员的行驶安全性。驶员的行驶安全性。


技术研发人员：陆永福 耿拾 张峻峰 王小波
受保护的技术使用者：重庆赛力斯新能源汽车设计院有限公司
技术研发日：2023.04.06
技术公布日：2023/7/6