基于机器学习的车灯控制方法和装置与流程

1.本发明涉及车灯控制技术领域，具体涉及一种基于机器学习的车灯控制方法和一种基于机器学习的车灯控制装置。


背景技术：

2.相关技术中，车辆灯光秀几乎都是预设音乐律动，只能预置几首歌曲，涵盖音乐范围比较窄，不能迎合很多用户的喜好，影响用户的体验度。


技术实现要素：

3.本发明为解决上述技术问题，提供了一种基于机器学习的车灯控制方法，在随机音乐模式下能够有效地呈现出相符合的动画效果，大大提高了用户的体验度。
4.本发明采用的技术方案如下：
5.一种基于机器学习的车灯控制方法，其特征在于，包括以下步骤：获取目标音乐和神经网络模型；提取所述目标音乐的音乐频率和音乐强度；采用神经网络模型根据所述音乐频率、所述音乐强度和所述车灯的状态信息对所述车灯进行相应的控制，以使所述车灯呈现与所述目标音乐相对应的动画效果。
6.获取所述神经网络模型包括：获取音乐训练集；提取所述音乐训练集的待训练音乐频率和待训练音乐强度；将所述待训练音乐频率、所述待训练音乐强度、所述车灯的led串数和所述车灯的状态信息作为输入对神经网络算法进行训练，以获取所述神经网络模型。
7.获取所述神经网络模型还包括：获取用户对所述动画效果的评价信息；根据所述评价信息对所述神经网络模型进行修正。
8.所述神经网络算法为rbf神经网络算法。
9.一种基于机器学习的车灯控制装置，包括：获取模块，所述获取模块用于获取目标音乐和神经网络模型；提取模块，所述提取模块用于提取所述目标音乐的音乐频率和音乐强度；控制模块，所述控制模块用于采用神经网络模型根据所述音乐频率、所述音乐强度和所述车灯的状态信息对所述车灯进行相应的控制，以使所述车灯呈现与所述目标音乐相对应的动画效果。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述的基于机器学习的车灯控制方法。
11.一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于机器学习的车灯控制方法。
12.本发明的有益效果：
13.本发明在随机音乐模式下能够有效地呈现出相符合的动画效果，大大提高了用户的体验度。
附图说明
14.图1为本发明实施例的基于机器学习的车灯控制方法的流程图；
15.图2为本发明实施例的基于机器学习的车灯控制装置的方框示意图。
具体实施方式
16.下面将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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
17.图1是根据本发明实施例的基于机器学习的车灯控制方法的流程图。
18.需要说明的是，本发明实施例的车灯可包括远近光、位置灯、日行灯、转向灯、logo灯等。
19.如图1所示，本发明实施例的基于机器学习的车灯控制方法可包括以下步骤：
20.s1，获取目标音乐和神经网络模型。
21.根据本发明的一个实施例，获取神经网络模型包括：获取音乐训练集；提取音乐训练集的待训练音乐频率和待训练音乐强度；将待训练音乐频率、待训练音乐强度、车灯的led串数和车灯的状态信息作为输入对神经网络算法进行训练，以获取神经网络模型。
22.具体而言，可通过智能座舱平台先收集音乐训练集，例如，收集百余首歌曲，并分别提取音乐训练集中每首歌曲的音乐频率和音乐强度，即提取待训练音乐频率和待训练音乐强度，再将待训练音乐频率、待训练音乐强度、车灯的led串数和车灯的状态信息(车灯关闭或者打开的状态、车灯打开的时间)输入神经网络算法进行训练，以获取神经网络模型。也就是说，可通过智能座舱平台根据采集到的音乐训练集建立神经网络模型。其中，神经网络算法为rbf神经网络算法。
23.s2，提取目标音乐的音乐频率和音乐强度。
24.s3，采用神经网络模型根据音乐频率、音乐强度和车灯的状态信息对车灯进行相应的控制，以使车灯呈现与目标音乐相对应的动画效果。
25.具体而言，在建立神经网络模型后，可通过神经网络模型根据采集到的音乐频率、音乐强度和车灯的状态信息对车灯进行相应的控制，以使车灯呈现与目标音乐相对应的动画效果。
26.由此，本发明通过座舱云平台处理音乐的频率和强度，并对灯光效果进行多样化处理，突破传统在特定歌曲和特定灯光效果的限制条件，使车辆灯光在任意歌曲下都有符合本首歌曲的最优动画效果，避免了以往开发车灯灯光秀效果单一的局限性，增强了视觉感官体验，提高了行车的趣味性。
27.需要说明的是，为了确保训练出的模型更加符合用户的满意度，在训练出神经网络模型后，还可对神经网络模型进行校正。
28.根据本发明的一个实施例，获取神经网络模型还包括：获取用户对动画效果的评价信息；根据评价信息对神经网络模型进行修正。
29.具体而言，在通过神经网络模型对车灯进行控制时，可实时收集用户的评价信息，例如，美学鉴赏人员的意见或者造型工程师的视觉评价，并根据该评价信息对神经网络模
型进行修正，以使得车灯呈现的动画效果能够满足用户的需求。
30.综上所述，根据本发明实施例的基于机器学习的车灯控制方法，获取目标音乐和神经网络模型，并提取目标音乐的音乐频率和音乐强度，以及采用神经网络模型根据音乐频率、音乐强度和车灯的状态信息对车灯进行相应的控制，以使车灯呈现与目标音乐相对应的动画效果。由此，在随机音乐模式下能够有效地呈现出相符合的动画效果，大大提高了用户的体验度。
31.对应上述实施例，本发明还提出了一种基于机器学习的车灯控制装置。
32.如图2所示，本发明实施例的基于机器学习的车灯控制装置可包括：获取模块100、提取模块200和控制模块300。
33.其中，获取模块100用于获取目标音乐和神经网络模型；提取模块200用于提取目标音乐的音乐频率和音乐强度；控制模块300用于采用神经网络模型根据音乐频率、音乐强度和车灯的状态信息对车灯进行相应的控制，以使车灯呈现与目标音乐相对应的动画效果。
34.根据本发明的一个实施例，获取模块100具体用于：获取音乐训练集；提取所述音乐训练集的待训练音乐频率和待训练音乐强度；将所述待训练音乐频率、所述待训练音乐强度、所述车灯的led串数和所述车灯的状态信息作为输入对神经网络算法进行训练，以获取所述神经网络模型。
35.根据本发明的一个实施例，获取模块100具体还用于：获取用户对所述动画效果的评价信息；根据所述评价信息对所述神经网络模型进行修正。
36.根据本发明的一个实施例，所述神经网络算法为rbf神经网络算法。
37.需要说明的是，本发明实施例的基于机器学习的车灯控制装置更具体的实施方式可参照上述基于机器学习的车灯控制方法的实施例，在此不再赘述。
38.根据本发明实施例的基于机器学习的车灯控制装置，通过获取模块获取目标音乐和神经网络模型，以及通过提取模块提取目标音乐的音乐频率和音乐强度，并通过控制模块采用神经网络模型根据音乐频率、音乐强度和车灯的状态信息对车灯进行相应的控制，以使车灯呈现与目标音乐相对应的动画效果。由此，在随机音乐模式下能够有效地呈现出相符合的动画效果，大大提高了用户的体验度。
39.在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
40.在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
41.在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示
第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
42.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
43.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
44.在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
45.应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
46.本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
47.此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读
取存储介质中。
48.上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种基于机器学习的车灯控制方法，其特征在于，包括以下步骤：获取目标音乐和神经网络模型；提取所述目标音乐的音乐频率和音乐强度；采用神经网络模型根据所述音乐频率、所述音乐强度和所述车灯的状态信息对所述车灯进行相应的控制，以使所述车灯呈现与所述目标音乐相对应的动画效果。2.根据权利要求1所述的基于机器学习的车灯控制方法和装置，其特征在于，获取所述神经网络模型包括：获取音乐训练集；提取所述音乐训练集的待训练音乐频率和待训练音乐强度；将所述待训练音乐频率、所述待训练音乐强度、所述车灯的led串数和所述车灯的状态信息作为输入对神经网络算法进行训练，以获取所述神经网络模型。3.根据权利要求2所述的基于机器学习的车灯控制方法，其特征在于，获取所述神经网络模型还包括：获取用户对所述动画效果的评价信息；根据所述评价信息对所述神经网络模型进行修正。4.根据权利要求3所述的基于机器学习的车灯控制方法，其特征在于，所述神经网络算法为rbf神经网络算法。5.一种基于机器学习的车灯控制装置，其特征在于，包括：获取模块，所述获取模块用于获取目标音乐和神经网络模型；提取模块，所述提取模块用于提取所述目标音乐的音乐频率和音乐强度；控制模块，所述控制模块用于采用神经网络模型根据所述音乐频率、所述音乐强度和所述车灯的状态信息对所述车灯进行相应的控制，以使所述车灯呈现与所述目标音乐相对应的动画效果。6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现根据权利要求1-4中任一项所述的基于机器学习的车灯控制方法。7.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现根据权利要求1-4中任一项所述的基于机器学习的车灯控制方法。

技术总结
本发明提供了一种基于机器学习的车灯控制方法和装置，其中，该车灯控制方法包括以下步骤：获取目标音乐和神经网络模型；提取目标音乐的音乐频率和音乐强度；采用神经网络模型根据音乐频率、音乐强度和车灯的状态信息对车灯进行相应的控制，以使车灯呈现与目标音乐相对应的动画效果。根据本发明的基于机器学习的车灯控制方法，在随机音乐模式下能够有效地呈现出相符合的动画效果，大大提高了用户的体验度。度。度。


技术研发人员：李萌 董锋格 梁琳 顾海全 陈鑫铎
受保护的技术使用者：常州星宇车灯股份有限公司
技术研发日：2021.12.24
技术公布日：2023/6/28