[go: up one dir, main page]

CN112825202A - 使感测系统同步 - Google Patents

使感测系统同步 Download PDF

Info

Publication number
CN112825202A
CN112825202A CN202011299812.2A CN202011299812A CN112825202A CN 112825202 A CN112825202 A CN 112825202A CN 202011299812 A CN202011299812 A CN 202011299812A CN 112825202 A CN112825202 A CN 112825202A
Authority
CN
China
Prior art keywords
vehicle
data
event
query
api
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011299812.2A
Other languages
English (en)
Inventor
亚伯拉罕·麦扎尔
杰弗里·斯科特·布莱尔
克里斯汀·克罗扎尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of CN112825202A publication Critical patent/CN112825202A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic
    • H04L63/1466—Active attacks involving interception, injection, modification, spoofing of data unit addresses, e.g. hijacking, packet injection or TCP sequence number attacks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L2012/40208—Bus networks characterized by the use of a particular bus standard
    • H04L2012/40215—Controller Area Network CAN
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/40—Bus networks
    • H04L2012/40267—Bus for use in transportation systems
    • H04L2012/40273—Bus for use in transportation systems the transportation system being a vehicle
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了“使感测系统同步”。一种计算机包括处理器和存储器，所述存储器存储可由所述处理器执行以进行以下操作的指令：从车辆接收指定所述车辆中的事件的第一消息；识别车辆数据以确认或否认所述车辆中的所述事件；识别所述车辆中的应用程序编程接口(API)以访问所述车辆数据中的至少一些；以及根据所述API向所述车辆传输包括对所述车辆数据的查询的第二消息。

Description

使感测系统同步
技术领域
本公开总体上涉及车辆操作和部件。
背景技术
关于车辆中的事件(例如，车辆中的部件中的状态或动作)的数据可能并不总是如车辆网络上所提供的那样准确或完整。诸如故障代码等的数据值可以指定事件(例如，车辆部件的故障或其他状况)已经发生。
发明内容
一种系统包括计算机，所述计算机包括处理器和存储器，所述存储器存储可由所述处理器执行以进行以下操作的指令：从车辆接收指定所述车辆中的事件的第一消息；识别车辆数据以确认或否认所述车辆中的所述事件；识别所述车辆中的应用程序编程接口(API)以访问所述车辆数据中的至少一些；以及根据所述API向所述车辆传输包括对所述车辆数据的查询的第二消息。
所述指令还可以包括用于响应于所述查询而接收所述车辆数据并基于所述车辆数据来确认或否认所述车辆中的所述事件的指令。所述指令还可以包括用于基于从所述车辆外部的数据源检索的环境数据来确认或否认所述事件的指令。所述车辆外部的所述数据源可以是固定的基础设施元件，并且所述环境数据可以基于基础设施元件传感器数据。所述指令还可以包括用于基于确认或否认所述车辆中的所述事件来为所述车辆指定动作的指令。所述动作可以包括将所述车辆导航到指定位置。所述动作可以包括禁用车辆部件的操作。所述消息可以包括车辆传感器数据。所述消息可以指定所述车辆中受所述事件影响的控制器。所述消息可以包括车辆荷电状态，所述指令还包括用于识别所述API并至少部分地基于所述车辆荷电状态来确定所述查询的指令。
可以基于识别所述车辆中提供指示所述事件的数据的控制器来识别所述API，并且所述查询经由所述API从所述控制器请求所述车辆数据中的至少一些。所述API可以是第一API，所述指令还包括用于识别所述车辆中的第二API以访问所述车辆数据的经由所述第一API不可访问的选择部分的指令。
所述查询可以指定所述车辆从第二车辆和基础设施元件中的至少一者获得传感器数据。所述查询可以请求车辆传感器数据。所述指令还可以包括用于部分地基于所述车辆的位置来确定所述查询的指令。所述查询可以包括用于确定车辆网络是否已被黑客入侵或欺骗的一个或多个步骤。
可以在用户输入指定所述事件时启动所述第一消息。所述第一消息可以包括车辆位置，并且所述查询包括用于确定所述车辆位置是否准确的一个或多个步骤。
所述指令还可以包括用于至少部分地基于来自机器学习程序的输出来识别所述查询的指令。所述指令还可以包括用于基于所述车辆的品牌和型号来识别所述查询的指令。
附图说明
图1是示出示例性系统的框图。
图2是示例性深度神经网络(DNN)的图。
图3是用于服务器处理来自车辆的消息的示例性过程的流程图。
图4是用于车辆计算机向服务器报告事件并处理来自服务器的查询的示例性过程的流程图。
具体实施方式
图1是用于动态地管理车辆异常的检测和/或诊断的示例性系统100的框图。
车辆105通常(但不一定)是陆地车辆，诸如轿车、卡车等。另外地或替代地，车辆105可以包括自行车、摩托车等。车辆105包括车辆计算机110、传感器115、用于致动各种车辆部件125的致动器120，以及车辆通信模块130。通信模块130允许车辆计算机110例如经由消息传递或广播协议(诸如专用短程通信(DSRC)、蜂窝和/或可支持车辆对车辆、车辆对基础设施、车辆对云通信等的其他协议)和/或经由分组网络135与一个或多个基础设施元件140和中央服务器170通信。
车辆计算机110包括诸如已知的处理器和存储器。存储器包括一种或多种形式的计算机可读介质，并且存储可由计算机110执行以用于执行各种操作(包括如本文所公开的操作)的指令。
计算机110可以自主模式、半自主模式或非自主(或手动)模式来操作车辆105。出于本公开的目的，自主模式被限定为其中由计算机110控制车辆105推进、制动和转向中的每一者的模式；在半自主模式下，计算机110控制车辆105推进、制动和转向中的一者或两者；在非自主模式下，人类操作员控制车辆105推进、制动和转向中的每一者。
计算机110可包括编程以操作车辆105制动、推进(例如，通过控制内燃发动机、电动马达、混合动力发动机等中的一者或多者来控制车辆的加速)、转向、气候控制、内部灯和/或外部灯等中的一者或多者，以及确定计算机110(而非人类操作员)是否以及何时控制此类操作。另外，计算机110可被编程为确定人类操作员是否以及何时控制此类操作。
计算机110可以包括或者例如经由如下文进一步描述的诸如通信总线的车辆105网络通信地联接到多于一个的处理器，所述处理器例如包括在车辆中所包括的用于监测和/或控制各种车辆部件125的电子控制器单元(ECU)(例如，动力传动系统控制器、制动控制器、转向控制器等)等中。计算机110通常被布置用于在车辆通信网络上进行通信，所述车辆通信网络可以包括车辆中的总线(诸如控制器局域网(CAN)等)和/或其他有线和/或无线机制。
经由车辆105网络，计算机110可以向车辆中的各种装置(例如传感器115、致动器120、人机接口(HMI)等)传输消息和/或从所述各种装置接收消息(例如，CAN消息)。替代地或另外地，在计算机110实际上包括多个装置的情况下，车辆105通信网络可以用于在本公开中表示为计算机110的装置之间的通信。此外，如下文所提及的，各种控制器和/或传感器115可以经由车辆通信网络向计算机110提供数据。
车辆105传感器115可以包括诸如已知的用于向计算机110提供数据的多种装置。例如，传感器115可包括设置在车辆105的顶部上、在车辆105的前挡风玻璃后面、在车辆105周围等的一个或多个光探测和测距(激光雷达)传感器115等，所述传感器提供车辆105周围的对象的相对位置、大小和形状。作为另一个示例，固定到车辆105保险杠的一个或多个雷达传感器115可提供数据来提供对象、第二车辆105等相对于车辆105的位置的位置。替代地或另外地，传感器115还可例如包括一个或多个相机传感器115(例如，前视、侧视等)，所述相机传感器提供来自车辆105周围的区域的图像。在本公开的上下文中，对象是可以通过可由传感器115检测到的物理现象(例如，光或其他电磁波或声音等)来表示的物理(即，物质)物品。因此，车辆105以及包括以下讨论的其他物品都落在本文的“对象”的定义内。
车辆105致动器120经由电路、芯片或可根据如众所周知的适当控制信号来致动各种车辆子系统的其他电子和/或机械部件来实施。致动器120可用于控制部件125，包括车辆105的制动、加速和转向。
在本公开的上下文中，车辆部件125是一个或多个硬件部件，所述一个或多个硬件部件被适配成执行机械或机电功能或操作，诸如使车辆105移动、使车辆101减慢或停止、使车辆105转向等。部件125的非限制性示例包括推进部件(包括例如内燃发动机和/或电动马达等)、变速器部件、转向部件(例如，可包括方向盘、转向齿条等中的一者或多者)、制动部件(如下所述)、停车辅助部件、自适应巡航控制部件、自适应转向部件、可移动座椅等。
一个或多个控制器126通常设置在车辆105中以监测和/或控制相应部件125。控制器126是包括处理器和存储器的计算装置，并且通常被连接以经由车辆通信总线或其他车辆105网络进行有线或无线通信。控制器126可以从传感器115接收数据和/或可以经由车辆105网络向例如计算机110提供数据。控制器126还可以向致动器120提供指令或命令，从而控制部件120，例如，控制加速度、制动、转向等。例如，发动机控制模块(ECM)用于控制和/或监测发动机，变速器控制模块(TCM)用于控制和/或监测变速器，制动器控制模块(BCM)可以用于控制车辆制动器等。此外，随着控制器变得更加复杂，各种功能可以组合或集成到单一控制器中。例如，动力传动系统控制模块(PCM)可以用于控制发动机和变速器。类似地，车辆控制模块(VCM)可以用于控制发动机、变速器、主动悬架、动力转向、ABS等。
另外，计算机110可以被配置用于经由车辆对车辆通信模块或接口130与车辆105外部的装置通信，例如，通过到另一车辆、到基础设施元件140(通常经由直接射频通信)和/或(通常经由网络135)远程服务器170的车辆对车辆(V2V)或车辆对基础设施(V2X)无线通信(蜂窝和/或DSRC等)。模块130可以包括车辆105的计算机110可以通过其进行通信的一种或多种机制，包括无线(例如，蜂窝、无线、卫星、微波和射频)通信机制的任何期望组合以及任何期望的网络拓扑(或当利用多种通信机制时的多个拓扑)。经由模块130提供的示例性通信可以包括蜂窝、蓝牙、IEEE 802.11、专用短程通信(DSRC)、蜂窝V2X(CV2X)等。
网络135表示车辆计算机110可通过其与基础设施元件140和/或中央服务器170通信的一个或多个机制。因此，网络135可以为各种有线或无线通信机制中的一者或多者，包括有线(例如，电缆和光纤)和/或无线(例如，蜂窝、无线、卫星、微波和射频)通信机制的任何期望组合以及任何期望的网络拓扑(或当利用多种通信机制时的多个拓扑)。示例性通信网络包括提供数据通信服务的无线通信网络(例如，使用
Figure BDA0002786448620000061
低功耗
Figure BDA0002786448620000062
(BLE)、IEEE 802.11、车辆对车辆(V2V)(诸如专用短程通信(DSRC)等))、局域网(LAN)和/或包括互联网的广域网(WAN)。
基础设施元件140包括物理结构，诸如塔或其他支撑结构(例如，杆、可安装到桥支撑件的盒子、手机塔、道路标志支撑件等)，基础设施传感器145以及基础设施通信模块150和计算机155可容纳、安装、储存和/或包含在所述物理结构上或其中并被供电等。为便于说明，在图1中示出了一个基础设施元件140，但系统100能够并可能将包括数十、数百或数千个元件140。
基础设施元件140通常是固定的，即，固定到特定物理位置并且无法从其移动。基础设施传感器145可以包括一个或多个传感器，诸如上文针对车辆105传感器115所述的，例如，激光雷达、雷达、相机、超声传感器等。基础设施传感器145是固定或不动的。也就是说，每个传感器145安装到基础设施元件，以便具有基本上不移动且不改变的视场。
因此，与车辆105传感器115相比，传感器145在很多有利方面提供视场。首先，由于传感器145具有基本上恒定的视场，因此可用比还必须考虑到传感器145的移动的情况更少且更简单的处理资源来完成对车辆105和对象位置的确定。此外，基础设施传感器145包括车辆105的外部视角，并且有时可以检测到不在车辆105传感器115的一个或多个视场内的对象的特征和特性和/或可以提供更准确的检测，例如，关于车辆105相对于其他对象的位置和/或移动。更进一步地，传感器145可经由有线连接与元件140计算机155通信，而车辆105通常可仅无线地或仅在有线连接可用时的非常有限时间内与元件140和/或服务器170进行通信。有线通信更可靠并且可比诸如车辆对基础设施通信等的无线通信更快。
通信模块150和计算机155通常具有与车辆计算机110和车辆通信模块130共同的特征，并且因此将不进一步描述以避免繁冗。尽管为便于说明而未示出，但基础设施元件140还包括电源，诸如电池、太阳能电池和/或到电力网的连接。
示例性操作
计算机110可以包括用于发送和接收消息的编程。在本公开的上下文中，“消息”是从第一计算机传输到第二计算机的一组数据。众所周知，计算机可被编程为对数据(诸如描述对象的数据)进行编码和序列化，即，转换为一位串，使得该数据可包括在包含数据包的消息中，该数据包包括序列化的数据(或在多个分组中的每一个中，其一部分)作为有效载荷，该消息被传输到一个或多个车辆和/或一个或多个基础设施或从其传输(即，发送方和接收方)。发送方或接收方可各自为车辆或基础设施元件(例如，经由通信模块)处的计算机。此外，系统可包括多个发送方和/或多个接收方。例如，如下面进一步讨论的，接收方可从相应的发送方接收关于对象的多个消息。
因此，车辆105(即，经由计算机110)可以将消息(即，经由网络135)发送到远程服务器170。来自车辆105的消息可以指定车辆10中的事件。在本上下文中，“事件”意指计算机110已经从控制器126经由车辆105网络提供的数据中识别出事件代码、故障代码或诊断故障代码(DTC)等(通常称为事件代码)；在此上下文中指定事件意味着提供事件代码。示例性事件代码(仅举几例)包括指定车辆灯不工作的代码，指示轮胎压力高于或低于推荐范围的代码，指示发动机温度高于推荐范围的代码，指示部件125(例如，制动片)的磨损的代码，指示燃料或功率水平低于用于进一步操作的阈值的代码等。
车辆105计算机110可以被编程为在检测到事件时和/或在接收到指定事件的用户输入时发送消息。例如，计算机110可以被编程为在识别经由诸如CAN总线的车辆网络报告的一个或多个事件时发送消息。替代地或另外地，用户可以例如经由车辆中的人机接口(诸如触摸屏、传声器等)提供指定事件(例如，碰撞)的输入。
此外，消息通常包括从其发送消息的车辆105的识别数据，例如车辆识别号码(VIN)等，和/或品牌、型号、年型和与确认事件相关的其他信息，诸如推进配置(二轮、全轮、四轮驱动，内燃(IC)发动机的大小，推进是否是混合动力电动/IC、全IC、全电动等)。例如，众所周知，VIN可以被解码以识别车辆制造国家、制造商、品牌、型号、年型、车身风格、发动机类型、变速器类型和/或其他数据。
从车辆105到服务器170的消息可以另外包括车辆105状态数据，即，描述车辆105的状态或状况、车辆105周围的环境和/或车辆105中的一个或多个部件125的数据。车辆105状态数据可以包括来自一个或多个传感器115的数据，与事件相关联或报告事件的部件和/或控制器126的一个或多个标识符和/或关于车辆105操作和/或状态的其他数据。可以提供的来自车辆105传感器115和/或控制器126的数据的示例包括指定车辆105电池的荷电状态(或荷电水平)、车辆105位置(例如，根据地理坐标等)、车辆105速度、环境温度(即，车辆105外部和周围的环境中的温度)、存在或不存在降水、防抱死制动系统(ABS)是否被激活等的数据。
可以将来自车辆105传感器115和/或控制器126的数据与存储在服务器170中的一个或多个触发参数进行比较。触发参数是一个值或一定范围的值，如果与来自车辆105的消息中报告的数据以及指定的事件代码匹配，则所述值或所述范围的值可以触发服务器170来查询车辆105，即，经由控制器126API提供查询，以获取与事件代码相关的另外的数据。本文描述了触发参数的各种示例。例如，服务器170可以例如通过查阅查找表等来确定由传感器115和/或控制器126测量的值，例如经由车辆105通信总线的消息的无效时间戳，无效的里程表读数(例如，小于先前读数的读数)，不合理的GPS位置(例如，距车辆105可能已经合理地行驶的先前位置超过一定距离)等。在另一个示例中，服务器170可以确定可能指示车辆105网络已被黑客入侵和/或车辆105数据被欺骗的触发参数，例如，其中事件代码未知或指定未知诊断状态，其中数据在指定为典型的范围之外波动。在另一个示例中，服务器170可以确定事件代码与车辆中的与调节和/或监测相关的测量值相关联，例如，车辆排放、驾驶员分心(例如，驾驶员的注视可能离开道路的时间量，驾驶员的手可能离开方向盘的时间量等)。在另一个示例中，指示零件或部件的替换(例如，控制器126的替换，新钥匙扣等)的事件代码可以是触发参数。在又一示例中，触发参数可以由用户输入指定，例如由寻求诊断用户报告的服务问题的技术人员指定，例如，被报告为失速或无法达到特定速度的车辆可以是技术人员输入触发参数以从发动机控制模块(ECM)控制器126和/或从燃料系统控制器126接收附加诊断信息以提供关于燃料中的水的百分比等的数据的基础。指定触发参数的用户输入的另一个示例可以是确定控制器126中能力或功能的存在或不存在，例如，ECM控制器126是否可以提供某些数据。指定触发参数的用户输入的另一个示例可以是确定从车辆105接收并显示在用户装置上的数据的准确性，例如，低燃料水平、燃料经济性、GPS位置、轮胎压力、剩余机油寿命、电动车辆充电状态和充电功率等。
服务器170可以被编程为在接收到指定所述事件的消息之后，识别车辆数据以确认或否认车辆中的事件，然后识别车辆中的应用程序编程接口(API)以访问车辆数据中的至少一些。基于识别车辆105中提供指示事件的数据的控制器126来识别API，并且根据API针对控制器126的查询可以经由API从控制器126请求车辆105数据中的至少一些。
也就是说，服务器170可以被编程为识别一个或多个数据，所述一个或多个数据如果具有指定值或者在指定值范围内(即，高于和/或低于一个或多个阈值)则确认或否认存在来自车辆105计算机110的消息中指定的事件。例如，服务器170(或所包括或连接的数据仓库)可以存储表或其他数据记录，所述表或其他数据记录针对特定车辆品牌、型号、年型和发动机类型以及针对车辆可以提供的特定事件代码来指定一个或多个车辆数据以确认或否认事件的有效性(例如，所报告的故障可能存在或不存在)。服务器170还可以存储控制器126的标识符，可以查询车辆数据的所述标识符以确认或否认事件的有效性，以及存储经由通过控制器126提供的API的查询以获得一个或多个数据。例如，服务器170可以如下存储表：
Figure BDA0002786448620000101
所述查询可以从车辆105请求数据。查询可以基于所谓的数据标识符(或“DID”)来请求包括CAN信号的数据。可以例如通过存储特定CAN信号的查找表等以及用于从车辆105检索一个或多个CAN信号的程序代码和/或针对车辆105、品牌、型号、年型等的控制器126的特定API从车辆105的VIN确定用于特定车辆105的CAN总线上可用的CAN信号的特定数据标识符。因此，向车辆105发送查询的必要先决条件通常包括确定车辆105(例如，车辆105上的一个或多个控制器126)经由车辆105通信总线提供请求数据，例如指定的CAN信号。
查询可以例如请求车辆105提供传感器115数据，例如，内部相机可以提供数据以示出车辆灯是否被激活，外部相机可以示出车辆105是否已经与另一个对象碰撞等。在另一个示例中，在从车辆105到服务器170的消息指定车辆荷电状态和/或报告低电量事件的情况下，所述查询可以例如经由功率控制器126的API来请求车辆105确认车辆105电池部件125中的电荷量和/或提供电池上一次完全充满电的时间以及与确定电池电量相关的其他数据，包括例如自上次完全充电以来行驶的距离、环境温度、气候控制操作等。
再例如，所述查询可以指定车辆105从第二车辆和基础设施元件140中的至少一者获得传感器数据。车辆105可以例如能够进行如上所述的V2X或V2V通信，并且由此可以从另一车辆和/或基础设施元件140请求数据。例如，其他车辆传感器115和/或基础设施传感器145可以使主车辆105在其视场内。此类传感器115、145可以提供数据以确认或否认事件，例如，车辆105的图像用于显示轮胎是否漏气，车窗是否打开或破碎或破裂等。主车辆105可以响应于查询而向服务器170提供图像数据或其他传感器115、145数据。
服务器170还可以被编程为在基于车辆识别符和事件代码并且可能还基于一个或多个触发参数识别查询时，根据所述API向车辆传输包括对车辆数据的查询的第二消息。
服务器170还可以被编程为然后响应于所述查询而接收车辆数据并基于所述车辆数据来确认或否认车辆中的事件。确认事件意味着确定响应于事件的报告而从车辆170检索的一个或多个数据具有的值已经被确定为意味着所述事件已发生。否认事件意味着确定响应于事件的报告从车辆170检索的一个或多个数据具有的值已经被确定为意味着所述事件没有发生。
例如，服务器170可以存储(或可以访问所存储的数据仓库)查找表等，其针对可以从车辆105报告的事件指定要从报告所述事件的车辆105请求一个或多个数据的集合，例如，一个或多个CAN信号。服务器170可以(并且可能会)存储车辆105可以例如根据VIN等报告的多个事件中的每一个的此类数据以及在报告所述事件时将要从车辆105查询的相关联数据。例如，报告的事件可以是在指定时间段内距先前报告的位置超过指定距离的GPS位置。服务器170可以存储后续要例如经由控制器126从车辆105查询的一组CAN信号。在另一个示例中，事件可以是数据欺骗或黑客入侵的报告。例如，车辆105计算机110可以被编程为在确定车辆105的里程表值已经减小或者传感器115的值正在不规则地改变(例如，相机或雷达变得未对准或改变方向)时报告黑客事件。在接收到关于此类黑客事件的报告时，服务器170可以向车辆105查询CAN信号数据，例如，指定能够改变里程表和/或传感器115值的经销商工具是否连接到车辆，CAN信号是否包括里程表和/或传感器115的重置值等。
然后，服务器170还可以被编程为基于响应于这种查询而提供的数据来确认或否认事件。例如，可以向服务器提供用于评估数据值以确认或否认事件的规则。继续以上示例，假设车辆位置是事件。服务器170可以被编程为如果距先前位置的距离、车辆的速度和自先前读数经过的时间中的全部都具有在服务器170被编程为确认事件的范围内(或在存储在由服务器170检索的表等中的范围内)的值，则确认所述事件。另一方面，如果仅一些而不是全部查询的数据与事件一致，则服务器170可以被编程为否认事件。在又一些示例中，服务器170可以被编程为基于一些但不是全部查询的数据值与事件一致来确认或否认事件，例如，机器学习等可以用于训练一组匹配事件的确认或否认的数据。
替代地或另外地，服务器170还可以被编程为确定不能确认或否认事件，和/或向车辆105查询进一步的数据以确定是否可以确认或否认所述事件。
服务器170可以被编程为除了从车辆105接收的车辆数据之外还基于从车辆外部的数据源检索的环境数据来确认或否认车辆105中的事件。例如，车辆105外部的数据源可以是靠近车辆105的固定的基础设施元件140。基础设施元件140在其位于车辆105的指定距离内(例如，车辆105的地理坐标在基础设施元件140的地理坐标的指定半径内，例如，一公里内)和/或具有在传感器145视场内的车辆105和/或已经与车辆105建立了车辆对基础设施通信时靠近车辆105。环境数据可以基于基础设施元件140传感器145数据和/或来自车辆105的数据，如上所述。
替代地或另外地，服务器170可以被编程为基于车辆105位置来确定查询和/或确认或否认车辆105中的事件。如上所述，第一消息可以包括车辆位置。在一个示例中，查询可以包括对用于确定报告车辆位置是否准确的数据的请求。
服务器170还可以被编程为基于确认或否认车辆中的事件来为车辆指定动作。服务器170可以存储表等，所述表等针对如上所述识别的车辆105并且针对确认事件指定用于指定车辆105计算机110要采取的动作，例如用于致动一个或多个部件125以将车辆105导航到指定位置、停止车辆105等。例如，确认的事件可以是低轮胎压力，因此服务器170可以被编程为指示车辆105导航到指定位置，诸如维修场所的位置和/或移动到道路的一侧或其他安全停车位置进行维修。另一方面，服务器170可以被编程为在确定否认的事件时指示车辆105忽略所述事件并继续操作，就好像未报告事件一样。在另一个示例中，动作可以包括限制或禁用车辆部件的操作。例如，在确定确认了低车辆轮胎压力时，服务器170可以指示车辆计算机110将车辆105的速度限制为例如每小时40公里或可以基于轮胎压力低于为正常操作指定的范围的百分比而改变的一些其他速度。
替代地或另外地，车辆计算机110可以被编程，例如，如上所述，以针对在车辆105从服务器170接收到确认或否认车辆105中的事件的通知时指定动作。
除了识别车辆105中要查询的一个API之外，如上所述，服务器170还可以被编程为识别至少一个第二API。通常，识别第二API的原因是获得经由第一API不可用但对于确认或否认来自车辆105的消息中的事件有用的数据。例如，服务器170可以基于指定事件而被编程为在查询中包括用于相应车辆105的控制器126的子查询，每个控制器具有其自己的相应API。因此，服务器170可以在诸如如上所述的表等中存储用于在来自车辆105的指定给定事件的消息时提供的相应控制器126的多个子查询。
在一个示例中，服务器170可以被编程为至少部分地基于来自机器学习程序的输出来确定查询。图2是可以被训练以至少部分地确定查询的示例性深度神经网络(DNN)200的图。DNN 200可为可加载在存储器中并且由例如服务器170中所包括的处理器执行的软件程序。DNN 200可包括n个输入节点205，每个输入节点205接受一组输入i(即，每组输入i可包括一个或多个输入x)。DNN 200可包括m个输出节点(其中m和n可以是但通常不是相同数目)，其提供多组输出o1...om。DNN 200包括多个层(包括数目k个隐藏层)，每个层包括一个或多个节点205。因为节点205被设计来模仿生物(例如人类)神经元，所以它们有时称为人工神经元205。神经元框210示出到示例性人工神经元205i的输入以及在其中进行的处理。将到每个神经元205的一组输入x1...xr各自乘以相应权重wi1...wir，接着在输入函数∑中对加权输入进行求和以提供可能地以偏差bi进行了调整的净输入ai，接着将所述净输入提供给激活函数f，所述激活函数继而提供神经元205i输出yi。激活函数f可以是通常基于经验分析选择的各种合适的函数。如图2中的箭头所示，然后可提供神经元205的输出以将其包括在到下一层中的一个或多个神经元205的一组输入中。
DNN 200可以被训练为接受输入数据，例如指定车辆105中的事件的数据和/或其他数据(诸如来自车辆105的传感器115数据)，并且将用于查询的一个或多个参数输出到车辆105。例如，DNN 200可以被训练为输出要查询的控制器126和/或控制器126API(或多个控制器126和/或API)的规范，和/或输出要从控制器126请求的特定数据。例如，车辆105中的各种数据值可以与事件一致或不一致，诸如篡改里程表或其他欺骗或黑客入侵。这些中的一些可以直观地理解，例如车辆105的突然减速，而许多其他数据值可能不被理解为与事件相关，并且可以与或可以不与事件相关。可以训练DNN 200以识别此类其他数据值。
DNN 200可用地面实况数据(即，关于现实世界状况或状态的数据)进行训练。权重w可通过使用例如高斯分布来初始化，并且每个节点205的偏差b可设定为零。训练DNN 200可包括：经由常规技术(诸如反向传播)加以优化来更新权重和偏差。在一个示例中，节点205的示例性初始和最终(即，训练之后的)参数(在此上下文中，参数是权重w和偏差b)如下：
<u>参数</u> <u>初值</u> <u>终值</u>
w<sub>1</sub> 0.902 -0149438
w<sub>2</sub> -0.446 -0.0103792
w<sub>3</sub> 1.152 0.00850074
w<sub>r</sub> 0.649 0.00349599
b<sub>i</sub> 0 0.00241366
节点205的一组权重w一起作为节点205的权重向量。DNN 200的同一层中的相应节点205的权重向量可组合以形成所述层的权重矩阵。DNN 200的同一层中的相应节点205的偏差值b可组合以形成所述层的偏差向量。接着可在训练的DNN 200中使用每一层的权重矩阵和每一层的偏差向量。
在本上下文中，用于训练DNN 200的基础真值数据可以包括在事件发生时和/或接近事件发生时在车辆105网络上和/或从车辆105控制器126可用的数据。例如，可以在车胎漏气事件和/或接近车胎漏气事件时从各种传感器115收集数据，例如，从安装到车辆105悬架零件(例如，主轴、减震塔)的加速度计，从指定方向盘角度的转向控制器126，从指定发动机转速、发动机扭矩等的发动机控制器126，从指定车辆105变速器的状态的变速器控制器126等。然后可以标记数据115以用于训练DNN 200，即，标签被指定为识别事件和在事件发生时报告的各种数据(诸如刚刚描述的)，然后可以训练DNN 200以输出与事件相关的数据值，然后可以指定对车辆105的查询以获得此类数据值以帮助确认或否认如车辆105消息中报告给服务器170的事件。
服务器170还可以被编程为使用机器学习程序(诸如DNN 200)来确认或否认事件。例如，类似于上面的DNN 200的训练以确定查询的至少一部分，可以基于指定事件已经发生的基础真值数据来训练DNN 200，以识别车辆105中的数据值，例如，响应于查询返回的数据值，从而指示事件发生或未发生，即被确认或否认。
在另一个示例中，查询可以包括用于确定车辆网络是否已被黑客入侵或欺骗的一个或多个步骤。可以在车辆105消息中指定事件，其中所述消息被欺骗，即，被表示为来自车辆105，但实际上不是。同样地，可以在车辆105消息中指定事件，其中消息或发送消息的计算机110已经被黑客入侵，即，入侵者已经获得对计算机110的控制以致使其提供不准确和/或不完全数据。为了确定消息是否被黑客入侵或被欺骗，服务器170可以被编程为以对车辆105的查询作出响应，请求验证消息，例如，包括用于认证的私钥。替代地或另外地，服务器170可以被编程为在查询中包括车辆105重新确认事件的请求。
过程
图3是用于服务器170处理来自车辆105的消息的示例性过程300的流程图。过程300在框305中开始，在框305中，服务器170通常如上所述经由网络135从车辆105接收指定事件的消息。
然后，在判定框310中，服务器170确定其是否可以响应于事件而定位或生成对车辆105的查询。如果否，则过程300在框310之后结束。否则，过程300前进到框315。
在框315中，通常经由如上所述的网络135向车辆105(例如计算机110)发送例如对一个或多个车辆105控制器126的一个或多个API的查询，例如如上所述的一组指令和/或对数据的请求。
接下来，在判定框320中，服务器170确定其是否已经接收到来自车辆105的对在框315中发送的查询的响应。通常，服务器170被编程为如果在指定的时间周期(例如15秒、30秒、一分钟等)内未接收到响应，则确定其尚未从车辆105接收到响应。如果未接收到响应，则过程300可以在框320之后结束。否则，过程300前进到框325。
在框325中，服务器170执行诸如上述的编程以分析对从车辆105接收的查询的响应。也就是说，服务器170预测在框305中接收的消息中指定的事件是被确认还是被否认。
接下来，在框330中，服务器170响应于在框325中确定事件被确认或否认而确定并向车辆105传输动作。在本上下文中，“动作”包括一个或多个车辆105部件125的致动。例如，所述动作可以包括将车辆105移动到指定位置，因为已经确认了所述事件，例如，将车辆105移动到路边或安全停车区域，因为确认了低轮胎压力事件。在一个示例中，动作可以包括禁用或防止一个或多个车辆105部件的致动，例如关闭车辆105的动力，停止车辆105的移动等，例如，因为确认了潜在地禁用事件。在又一个示例中，在事件被否认的情况下，动作可以包括基于事件尚未发生(例如，基于轮胎压力在正常范围内等)来操作车辆105。
在框330之后，过程300结束。
图4是用于车辆105计算机110向服务器170报告事件并处理来自服务器170的查询的示例性过程400的流程图。过程400在框405中开始，在框405中，计算机110例如经由网络135例如基于诸如如上所述的触发参数向服务器170发送报告事件的消息。
接下来，在框410中，计算机110响应于框405的消息而从服务器170接收查询。
接下来，在框415中，计算机110尝试执行查询。如果例如因为查询指定对车辆105中不存在控制器126的请求，因为指定的控制器126不响应查询等而不成功，则过程400在框415之后结束。否则，过程400前进到框420。
在框420中，计算机110例如经由网络135将对查询的响应发送到服务器170。
接下来，在判定框425中，计算机110确定是否已经例如在指定的时间周期(例如，10秒、30秒、60秒等)内从服务器170接收到响应。如果尚未从服务器170接收到进一步的响应，则过程400在框425之后结束。否则，过程400前进到框430。
在框430中，计算机110确定服务器170是否已经指定动作，并且如果是，则执行动作。例如，如上所述，计算机110可以指示致动器120致动一个或多个部件125和/或可以禁用或防止对一个或多个部件125的致动。在框430之后，过程400结束。
结论
如本文所使用，副词“基本上”意指形状、结构、测量结果、数量、时间等因为材料、机加工、制造、数据传输、计算速度等的缺陷而可能偏离精确描述的几何形状、距离、测量结果、数量、时间等。
“基于”涵盖“全部基于或部分基于”。如果在本文中第一事物被描述和/或声称为“基于”第二事物，则第一事物是从第二事物推导或计算出的，和/或从算法、过程或程序函数输出，该算法、过程或程序函数接受一些或全部的第二事物作为输入并输出一些或全部的第一事物。
通常，所描述的计算系统和/或装置可采用多种计算机操作系统中的任一种，包括但决不限于以下版本和/或种类：福特
Figure BDA0002786448620000191
应用程序；AppLink/智能装置连接中间件；Microsoft
Figure BDA0002786448620000193
操作系统；Microsoft
Figure BDA0002786448620000192
操作系统；Unix操作系统(例如，由加利福尼亚州红木海岸的甲骨文公司发布的
Figure BDA0002786448620000194
操作系统)；由纽约州阿蒙克市的国际商业机器公司发布的AIX UNIX操作系统；Linux操作系统；由加利福尼亚州库比蒂诺市的苹果公司发布的Mac OSX和iOS操作系统；由加拿大滑铁卢的黑莓有限公司发布的黑莓操作系统；以及由谷歌公司和开放手机联盟开发的安卓操作系统；或由QNX软件系统公司提供的
Figure BDA0002786448620000195
车载娱乐信息平台。计算装置的示例包括但不限于车载计算机、计算机工作站、服务器、台式机、笔记本计算机、膝上型计算机或手持计算机或一些其他计算系统和/或装置。
计算机和计算装置通常包括计算机可执行指令，其中所述指令可由诸如以上列出的那些的一个或多个计算装置执行。可由使用多种编程语言和/或技术创建的计算机程序编译或解译计算机可执行指令，所述编程语言和/或技术单独地或者组合地包括但不限于JavaTM、C、C++、Matlab、Simulink、Stateflow、Visual Basic、Java Script、Perl、HTML等。这些应用程序中的一些可在诸如Java虚拟机、Dalvik虚拟机等虚拟机上编译和执行。通常，处理器(例如，微处理器)接收来自例如存储器、计算机可读介质等的指令，并执行这些指令，从而执行一个或多个过程，包括本文所述过程中的一个或多个。可使用各种计算机可读介质来存储和传输此类指令和其他数据。计算装置中的文件通常是存储在诸如存储介质、随机存取存储器等计算机可读介质上的数据集合。
存储器可包括计算机可读介质(也称为处理器可读介质)，所述计算机可读介质包括参与提供可由计算机(例如，由计算机的处理器)读取的数据(例如，指令)的任何非暂态(例如，有形)介质。此类介质可采取许多形式，包括但不限于非易失性介质和易失性介质。非易失性介质可包括例如光盘或磁盘以及其他永久存储器。易失性介质包括例如通常构成主存储器的动态随机存取存储器(DRAM)。此类指令可由一种或多种传输介质传输，该一种或多种传输介质包括同轴电缆、铜线和光纤，包括包含联接到ECU的处理器的系统总线的线。计算机可读介质的常见形式包括例如软盘、软磁盘、硬盘、磁带、任何其他磁性介质、CD-ROM、DVD、任何其他光学介质、穿孔卡片、纸带、任何其他具有孔图案的物理介质、RAM、PROM、EPROM、快闪EEPROM、任何其他存储器芯片或盒式磁带，或计算机可从中读取的任何其他介质。
本文所述的数据库、数据存储库或其他数据仓库可包括用于存储、访问和检索各种数据的各种机制，包括分层数据库、文件系统中的一组文件、专有格式中的应用程序数据库、关系数据库管理系统(RDBMS)等。每个这样的数据仓库通常被包括在采用诸如以上提及的那些中的一种的计算机操作系统的计算装置内，并且以各种方式中的任何一种或多种来经由网络进行访问。文件系统可从计算机操作系统访问，并且可包括以各种格式存储的文件。除了用于创建、存储、编辑和执行存储的过程的语言之外，关系数据库管理系统通常还使用结构化查询语言(SQL)，诸如上文提及的PL/SQL语言。
在一些示例中，系统元件可实施为一个或多个计算装置(例如，服务器、个人计算机等)上的计算机可读指令(例如，软件)，存储在与其相关联的计算机可读介质(例如，磁盘、存储器等)上。计算机程序产品可包括存储在计算机可读介质上的用于执行本文所述功能的此类指令。
关于本文所述的介质、过程、系统、方法、启发法等，应当理解，虽然已经将此类过程等的步骤描述为按照某个有序序列发生，但是此类过程可以在所述步骤以本文所述顺序之外的顺序执行的情况下来实践。还应当理解，可以同时执行某些步骤、可以添加其他步骤，或者可以省略本文所述的某些步骤。换句话说，本文对过程的描述是为了示出某些实施例而提供，而决不应当将其理解为对权利要求进行限制。
因此，应当理解，以上描述意图是说明性的而非限制性的。在阅读以上描述时，除了所提供的示例之外的许多实施例和应用对于本领域的技术人员将是明显的。因此，本发明的范围不应当参考以上描述来确定，而是应当参考所附权利要求连同此类权利要求所赋予权利的等效物的全部范围来确定。可以设想并预期未来的发展将在本文讨论的领域中发生，并且所公开的系统和方法将结合到此类未来实施例中。总之，应当理解，本发明能够进行修改和变化，并且仅受所附权利要求限制。
除非本文做出明确的相反指示，否则权利要求中使用的所有术语意图给出如本领域技术人员所理解的普通和一般的含义。特别地，除非权利要求叙述相反的明确限制，否则对诸如“一个”、“该”、“所述”等单数冠词的使用应被解读为叙述所指示要素中的一者或多者。
根据本发明，提供给了一种系统，其具有计算机，所述计算机包括处理器和存储器，所述存储器存储可由所述处理器执行以进行以下操作的指令：从车辆接收指定所述车辆中的事件的第一消息；识别车辆数据以确认或否认所述车辆中的所述事件；识别所述车辆中的应用程序编程接口(API)以访问所述车辆数据中的至少一些；以及根据所述API向所述车辆传输包括对所述车辆数据的查询的第二消息。
根据一个实施例，本发明的特征还在于，所述指令还包括用于响应于所述查询而接收所述车辆数据并基于所述车辆数据来确认或否认所述车辆中的所述事件的指令。
根据一个实施例，本发明的特征还在于，所述指令还包括用于基于从所述车辆外部的数据源检索的环境数据来确认或否认所述事件的指令。
根据一个实施例，所述车辆外部的所述数据源是固定的基础设施元件，并且所述环境数据基于基础设施元件传感器数据。
根据一个实施例，本发明的特征还在于，所述指令还包括用于基于确认或否认所述车辆中的所述事件来为所述车辆指定动作的指令。
根据一个实施例，所述动作包括将所述车辆导航到指定位置。
根据一个实施例，所述动作包括禁用车辆部件的操作。
根据一个实施例，所述消息包括车辆传感器数据。
根据一个实施例，所述消息指定所述车辆中受所述事件影响的控制器。
根据一个实施例，基于识别所述车辆中提供指示所述事件的数据的控制器来识别所述API，并且所述查询经由所述API从所述控制器请求所述车辆数据中的至少一些。
根据一个实施例，所述查询指定所述车辆从第二车辆和基础设施元件中的至少一者获得传感器数据。
根据一个实施例，所述查询请求车辆传感器数据。
根据一个实施例，在用户输入指定所述事件时启动所述第一消息。
根据一个实施例，本发明的特征还在于，所述指令还包括用于部分地基于所述车辆的位置来确定所述查询的指令。
根据一个实施例，所述第一消息包括车辆位置，并且所述查询包括用于确定所述车辆位置是否准确的一个或多个步骤。
根据一个实施例，所述API是第一API，所述指令还包括用于识别所述车辆中的第二API以访问所述车辆数据的经由所述第一API不可访问的选择部分的指令。
根据一个实施例，所述消息包括车辆荷电状态，所述指令还包括用于识别所述API并至少部分地基于所述车辆荷电状态来确定所述查询的指令。
根据一个实施例，所述指令还包括用于至少部分地基于来自机器学习程序的输出来识别所述查询的指令。
根据一个实施例，所述指令还包括用于基于所述车辆的品牌和型号来识别所述查询的指令。
根据一个实施例，所述查询包括用于确定车辆网络是否已被黑客入侵或欺骗的一个或多个步骤。

Claims (15)

1.一种系统，其包括计算机，所述计算机包括处理器和存储器，所述存储器存储指令，所述指令可由所述处理器执行以进行以下操作：
从车辆接收指定所述车辆中的事件的第一消息；
识别车辆数据以确认或否认所述车辆中的所述事件；
识别所述车辆中的应用程序编程接口(API)以访问所述车辆数据中的至少一些；以及
根据所述API向所述车辆传输包括对所述车辆数据的查询的第二消息。
2.根据权利要求1所述的系统，所述指令还包括用于响应于所述查询而接收所述车辆数据并基于所述车辆数据来确认或否认所述车辆中的所述事件的指令。
3.根据权利要求2所述的系统，所述指令还包括用于基于从所述车辆外部的数据源检索的环境数据来确认或否认所述事件的指令。
4.根据权利要求2所述的系统，所述车辆外部的所述数据源是固定的基础设施元件，并且所述环境数据基于基础设施元件传感器数据。
5.根据权利要求2所述的系统，所述指令还包括用于基于确认或否认所述车辆中的所述事件来为所述车辆指定动作的指令。
6.根据权利要求5所述的系统，其中所述动作包括将所述车辆导航到指定位置和/或禁用车辆部件的操作。
7.根据权利要求1所述的系统，其中所述消息指定所述车辆中受所述事件影响的控制器。
8.根据权利要求1所述的系统，其中基于识别所述车辆中提供指示所述事件的数据的控制器来识别所述API，并且所述查询经由所述API从所述控制器请求所述车辆数据中的至少一些。
9.根据权利要求1所述的系统，其中所述查询指定所述车辆从第二车辆和基础设施元件中的至少一者获得传感器数据，和/或提供车辆传感器数据。
10.根据权利要求1所述的系统，其中在用户输入指定所述事件时启动所述第一消息。
11.根据权利要求1所述的系统，所述指令还包括用于部分地基于所述车辆的位置来确定所述查询的指令。
12.根据权利要求1所述的系统，其中所述第一消息包括车辆位置，并且所述查询包括用于确定所述车辆位置是否准确的一个或多个步骤。
13.根据权利要求1所述的系统，其中所述API是第一API，所述指令还包括用于识别所述车辆中的第二API以访问所述车辆数据的经由所述第一API不可访问的选择部分的指令。
14.根据权利要求1所述的系统，其中所述消息包括车辆荷电状态，所述指令还包括用于识别所述API并至少部分地基于所述车辆荷电状态来确定所述查询的指令。
15.根据权利要求1所述的系统，其中所述查询包括用于确定车辆网络是否已被黑客入侵或欺骗的一个或多个步骤。
CN202011299812.2A 2019-11-20 2020-11-19 使感测系统同步 Pending CN112825202A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/689,205 US11423708B2 (en) 2019-11-20 2019-11-20 Synchronizing sensing systems
US16/689,205 2019-11-20

Publications (1)

Publication Number Publication Date
CN112825202A true CN112825202A (zh) 2021-05-21

Family

ID=75683552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011299812.2A Pending CN112825202A (zh) 2019-11-20 2020-11-19 使感测系统同步

Country Status (3)

Country Link
US (1) US11423708B2 (zh)
CN (1) CN112825202A (zh)
DE (1) DE102020130668A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118553032A (zh) * 2024-07-29 2024-08-27 比亚迪股份有限公司 车辆数据处理方法、装置、终端设备及服务器

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013508948A (ja) 2009-10-14 2013-03-07 スリーエム イノベイティブ プロパティズ カンパニー 光源
EP4055779A4 (en) * 2019-11-05 2023-08-23 Qualcomm Incorporated SENSOR PERFORMANCE INDICATION
US11423708B2 (en) * 2019-11-20 2022-08-23 Ford Global Technologies, Llc Synchronizing sensing systems
CN111267838B (zh) * 2020-01-20 2021-07-23 北京百度网讯科技有限公司 泊车处理方法、系统、装置及车辆控制器
US12260377B2 (en) * 2020-08-07 2025-03-25 Blackberry Limited Vehicle service authorization
US11299167B2 (en) * 2020-09-09 2022-04-12 Arrivalist Co. System and method for improving real-time estimates of visitor volume to places
US20250029488A1 (en) * 2023-07-19 2025-01-23 Toyota Motor North America, Inc. Vehicle occupant health monitoring application

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012027733A1 (en) 2010-08-27 2012-03-01 Zonar Systems, Inc. Method and apparatus for remote vehicle diagnosis
TWI653598B (zh) 2014-07-14 2019-03-11 鎮裕貿易股份有限公司 Vehicle after-sales service system
US10134042B1 (en) 2015-04-15 2018-11-20 United Services Automobile Association (Usaa) Automated vehicle ownership support
US10593135B2 (en) 2016-04-11 2020-03-17 Olivier Noyelle Methods and systems for collecting and evaluating vehicle status
US10699010B2 (en) * 2017-10-13 2020-06-30 Ping Identity Corporation Methods and apparatus for analyzing sequences of application programming interface traffic to identify potential malicious actions
US20210312725A1 (en) * 2018-07-14 2021-10-07 Moove.Ai Vehicle-data analytics
CN109345658A (zh) 2018-10-29 2019-02-15 百度在线网络技术（北京）有限公司 车辆系统故障的修复方法、装置、设备、介质和车辆
US11423708B2 (en) * 2019-11-20 2022-08-23 Ford Global Technologies, Llc Synchronizing sensing systems

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118553032A (zh) * 2024-07-29 2024-08-27 比亚迪股份有限公司 车辆数据处理方法、装置、终端设备及服务器

Also Published As

Publication number Publication date
US11423708B2 (en) 2022-08-23
DE102020130668A1 (de) 2021-05-20
US20210150828A1 (en) 2021-05-20

Similar Documents

Publication Publication Date Title
US11423708B2 (en) Synchronizing sensing systems
CN109421630B (zh) 用于监测自主车辆的健康的控制器架构
US20210370932A1 (en) System and method for proximate vehicle intention prediction for autonomous vehicles
CN109421738B (zh) 用于监视自主车辆的方法和装置
US11657635B2 (en) Measuring confidence in deep neural networks
CN112438729A (zh) 驾驶员警觉性检测系统
US11521491B2 (en) Priority vehicle management
CN111464972A (zh) 经优先级排序的车辆消息传递
GB2548455A (en) Diagnostic test performance control system and method
US11574463B2 (en) Neural network for localization and object detection
CN114763150A (zh) 对故障状况进行排名
US11584383B2 (en) Vehicle feature availability detection
CN112706780A (zh) 车辆碰撞检测
CN113301105A (zh) 智能基础设施错误报警系统
CN112698325A (zh) 雷达校准系统
US10916074B2 (en) Vehicle wheel impact detection
CN117812545A (zh) 车辆钥匙扣管理
CN116895107A (zh) 车辆数据存储激活
US20230185919A1 (en) System and process using homomorphic encryption to secure neural network parameters for a motor vehicle
CN116168210A (zh) 用于神经网络的对抗鲁棒性的特征的选择性剔除
WO2023064200A1 (en) Methods and systems for determining diagnostic coverage of sensors to prevent goal violations of autonomous vehicles
CN113159271A (zh) 时间cnn后部碰撞警报系统
CN112700001A (zh) 用于深度强化学习的认证对抗鲁棒性
CN112519779A (zh) 基于位置的车辆操作
Jeon et al. Real-time aggressive driving detection system based on in-vehicle information using lora communication

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination