CN101716932A

CN101716932A - 使用车载车辆系统设置的车辆驾驶员识别和定制的设备和方法

Info

Publication number: CN101716932A
Application number: CN200910179514A
Authority: CN
Inventors: J·黄; W·C·林; Y·-K·秦
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2008-10-08
Filing date: 2009-09-30
Publication date: 2010-06-02
Also published as: US20100087987A1

Abstract

本发明涉及使用车载车辆系统设置的车辆驾驶员识别和定制的设备和方法。一种车辆，包括：车辆系统，每个具有驾驶员可选择的车辆系统设置(VSS)；和控制系统，用于对VSS统计建模以确定驾驶员的身份。控制系统使用或基于所述身份来自动地控制车辆系统中的至少一个的设置。控制系统在一定时间内对驾驶员的VSS进行统计建模以产生该驾驶员的历史驾驶员简档(HDP)，并在所述驾驶员手动改变VSS中的任何一个时能自动地更新HDP。可选驾驶员辨识装置能验证该身份。控制车辆的预定车载系统的方法包括收集多个车载系统的一组VSS，通过统计建模算法来处理VSS以确定车辆驾驶员的身份，以及使用驾驶员的身份来自动地控制预定车载系统。

Description

使用车载车辆系统设置的车辆驾驶员识别和定制的设备和方法

技术领域

本发明总体上涉及车载车辆系统的自动控制，并且具体地涉及用于使用车载系统设置来辨识车辆授权驾驶员并然后根据授权驾驶员的建模简档(profile)来控制车载车辆系统的设备和方法。

背景技术

现代车辆设计试图实现各种车载车辆系统与车辆操作者或驾驶员之间的无缝交互。通常，车辆系统与驾驶员之间的交互能够分成三个水平或级别：通达(access)、适应(accommodation)和动态控制。关于通达，车辆系统能够配置成使得仅仅某些授权驾驶员能够操作车辆。关于适应，车辆内部和/或外部系统能够结合驾驶员的已知偏好来调节。关于动态控制，车辆的动态特性能够对于当前驾驶员的已知偏好被独特地设计。

具体地，通达能够借助于仅在驾驶员具有便携式装置(如钥匙扣(key fob)、射频辨识(RFID)装置或标签等)时才准予潜在驾驶员通达车辆来控制。然而，具有便携式装置可能允许一些未授权驾驶员通达车辆。为了增强总体车辆安全性，普遍的趋势是采用驾驶员辨识方法来进一步验证潜在驾驶员关于车辆的权限。一些示例性现有技术驾驶员辨识方法和安全措施包括辨识驾驶员的独特生物特性，例如，驾驶员的指纹、指静脉(finger vein)、虹膜图案、视网膜图案、手印、声音识别、面部识别、语音识别等。一旦以这种方式确定地辨识，驾驶员就被认为是经授权的，并且车辆能够由该驾驶员通达。然而，生物传感器和处理算法会向车辆增加相当大的成本和复杂性。

关于适应和动态控制，一些车辆允许车辆的每个操作者或驾驶员在个人用户简档内记录他或她的优选车辆系统设置、驾驶偏好、和/或驾驶风格，每个驾驶员在进入车辆时从所存储的用户简档中选择。一旦选择了期望简档，电子控制单元或控制器就获取各个车辆系统的相应设置信息并相应地调节相关联的控制设置。如同上文所述的通达方法一样，预置简档可能需要对简档的肯定选择，简档是静态值。然而，虽然如上所述在通达、适应和动态控制的水平或级别中有许多技术进步，但是现有车辆系统和控制方法仍然是次优的，尤其是在它们涉及针对给定驾驶员在各种驾驶条件下对车辆系统设置的自动和无缝定制时。

发明内容

因此，一种方法和设备提供了基于驾驶员的当前车辆设置的自适应驾驶员识别和使用驾驶员身份对车载车辆系统的自动控制。即，所述方法和设备能够将某些高度描述性的或敏感性的车辆设置连同分立的车辆设置一起进行统计建模，以生成对于该特定驾驶员而言独特的历史车辆系统设置简档，为了简单起见，该简档在下文称为历史驾驶员简档(HDP)。

更具体地，授权驾驶员的优选车辆系统设置的自适应车内“学习”通过以下方式来提供：在一定时间内和一定范围的驾驶条件下连续监视驾驶员的车辆系统设置并然后如下文所描述的那样对敏感性车辆设置进行统计建模以生成该特定驾驶员的HDP。连同建模的设置一起，HDP也能够包括分立的车辆设置，如相对恒定的设置、开/关设置等。授权的驾驶员然后使用当前选择的VSS(即，驾驶员在进入车辆时选定或选择的那些设置)来肯定地识别，其中使用当前选择的VSS和对其的任何修改来更新HDP。在一定时间内，例如在由同一授权驾驶员在不同驾驶条件下获得的多个未来行程期间，关于VSS的附加信息能够与该驾驶员的HDP相关，以进一步优化HDP的准确性。一旦辨识出驾驶员，就能够采取各种自主或自动控制动作，例如使用该驾驶员的HDP来自动地调节或定制某些其它车辆系统设置。

具体地，一种车辆包括：多个车辆系统，每个具有驾驶员可选择或者驾驶员可调节的一组车辆系统设置(VSS)；和控制系统，所述控制系统可操作来使用VSS确定车辆的多个授权驾驶员中的一个的身份。所述控制系统自动地执行车辆控制动作，例如在行程期间或在多个行程内使用驾驶员的身份来自动更新一个或多个VSS。所述控制系统能够在一定时间内为每个授权驾驶员统计地建模一组VSS的预定最敏感因素(most sensitive)。该组VSS的预定最敏感因素包括但不限于：座椅位置、镜位置、踏板位置、方向盘位置、悬架设置、气候控制设置等。HDP还能够通过在HDP内包括一组分立的VSS而被进一步优化，例如收音机或其它娱乐系统设置、座椅加热器开/关状态、天窗开启/关闭状态等，以及在合适时这种VSS的均值和方差，如下文所述。

所述控制系统具有驾驶员识别算法，所述驾驶员识别算法包括特征提取子过程、特征选择子过程和特征分类子过程中的每一个。在一个示例性实施例中，所述特征提取子过程是线性判别分析(LDA)子过程，并且特征分类过程是高斯混合模型(GMM)子过程，不过在本发明的范围内也可以使用能够通过将一组VSS与该驾驶员的建模HDP进行比较来唯一地辨识驾驶员的其它子过程。

一种用于自动控制车辆系统的方法包括：收集该组驾驶员可选择的VSS；通过统计建模算法来处理VSS的预定敏感性设置以确定车辆驾驶员的身份；和执行与该身份相对应的车辆控制动作。收集该组VSS能够检测一个或多个车辆系统的驾驶员可选择的或驾驶员可调节的VSS，术语“可选择的”指的是诸如无线电台之类的分立设置，而“可调节的”指的是诸如镜位置之类的可变设置。VSS能够包括例如：镜、座椅、踏板、方向盘、收音机、HVAC系统等，其中在统计模型中使用一组预定的更敏感设置。处理该组VSS包括：将该组VSS合并以形成共同描述VSS的原始特征矢量；使用特征提取子过程变换所述原始特征矢量从而生成新特征矢量；和通过特征选择子过程来处理新特征矢量从而生成最终特征矢量。最终特征矢量能够通过分类子过程来处理从而确定驾驶员的身份。

本发明的上述特征和益处、以及其它特征和益处根据用于实现本发明的最佳模式的以下向下描述结合附图以及所附权利要求书而变得显而易见。

附图说明

图1是根据本发明的具有自动驾驶员识别和设置控制系统或DRSC系统的车辆的示意图；

图2是可用于图1的车辆的DRSC系统的示意图；和

图3是描述用于图2的DRSC的算法或方法的示意性逻辑流程图。

具体实施方式

参考附图，其中在几个附图中，相同的附图标记指代相同或类似的部件，且以图1开始，车辆10包括内部14和一组车轮15。包括操作者或驾驶员座椅24D的座椅24安装在内部14中且被配置成输送多个乘客(未示出)。驾驶员座椅24D具体地定位成面向仪表板16和方向盘20或其它合适的转向输入装置。

车辆10包括各种系统或装置，其每一个都能被车辆10的授权驾驶员12至少部分调节或重新定位，以便提供对于该特定驾驶员独特设计的驾驶体验。例如，车辆10能够包括可调节侧视镜26S、后视镜26R、输入面板或人车界面(HVI)50、控制踏板17、方向盘20等。对于车辆10的动态控制，踏板17能够包括节气门或加速踏板和制动踏板，且在车辆10配置有手动变速器时可任选地包括离合器踏板。虽然为了简单起见在图1中未示出，但是本领域技术人员将认识到上述每个车辆系统能够配置有致动器和位置传感器，且能够使用专用局部控制模块或LCM32(见图2)来进行局部控制。

HVI 50本身能够适合于容纳或包括各种控制开关、旋钮、按钮、触摸屏界面、声音识别界面或允许为各种车辆系统中的每一个手动选择优选设置的其他适当配置的输入装置。除了上文列举的车辆系统之外，附加的示例性车辆系统能够包括但不限于加热、通风和空气调节(HVAC)控制器；无线电台和/或音量控制器；压密盘(CD)/数字视频盘(DVD)/MP3控制器；内部/外部照明控制器；四轮/两轮驱动模式设置控制器等。为了简单起见，HVI 50在图1中被示出为仪表板16的整体部分，然而，各个控制器也能够根据需要位于内部14的任何地方，以利于在驾驶员12坐在驾驶员座椅24D中时由驾驶员12通达。

车辆10还包括自动驾驶员识别和控制系统(DRCS)30，所述自动驾驶员识别和控制系统适合于基于下文参考图2和3所描述的一组车辆系统设置或VSS来辨识或识别车辆10的授权驾驶员12，并且之后在一定时间内和在各种驾驶条件下自动且连续地建模驾驶员的优选VSS。在一个实施例中，生成和传送远程信号12的远程装置13(如，钥匙扣和/或RFID标签)、生物传感器36(见图2)、和/或其它外部或内部装置能够作为可选装置而被包括，以验证或确认驾驶员12的身份，如下文所述。

参考图2，图1的DRCS 30被更详细地示出，并且包括具有接收器或天线44的收发器(T)42、HVI 50、车身控制模块(BCM)34、和驾驶员识别和控制设置(DRCS)控制器53，所述驾驶员识别和控制设置(DRCS)控制器53具有辨识设置模块(IDSM)54和决策融合模块(DFM)56，如下文所述，为了简单起见，DRCS控制器53在下文称为控制器53。收发器42能够感测或检测来自于图1的远程输入装置13的远程信号22并传送或路由远程信号22到控制器53。BCM 34与单独LCM 32通信，LCM 32均控制车辆10的相关联系统，如上文参考图1所描述的那样。例如，LCM 32能够与镜26(即，图1的镜26R、26S或其它可控的镜)、驾驶员座椅24D、踏板17、方向盘20等中的每一个相关联。类似地，图1的HVI 50能够用于控制其它车载系统的设置，如收音机29R、HVAC系统29E、车辆照明系统等，如本领域技术人员将理解的那样。

在BCM 34从每个LCM 32收集一组局部信号35之后，BCM 34生成一组总的车辆系统设置或VSS信息52。VSS信息52被中继或传送到控制器53的基于设置的驾驶员辨识模块(IDSM)54。除了VSS信息52之外，控制器53也接收来自于图1的远程装置13的远程信号22(如果有的话)和来自于HVI 50的驾驶员选择的输入信号48。如果图1的车辆10如此配备，则控制器53也能够接收由一个或多个生物传感器(S_BIO)36检测、测量或感测的驾驶员生物信号37，其中生物信号37通过基于生物的驾驶员辨识模块(BIDM)38来处理。

控制器53基于在进入车辆10时所选择的一组新的车辆设置使用如下所述的统计建模来识别图1的驾驶员12的身份。基于使用远程输入装置13(如RFID标签)和使用驾驶员12的独特生物特征的驾驶员识别技术是本领域已知的，因而不在此详细描述。然而，在使用这种可选装置时，它们能够有助于验证或确认经由如下文参考图3所述的本发明的方法或算法100所确定的驾驶员12的身份。这种装置可在DRCS 30的初始训练中特别有用，并且特别是将一组预定的相对敏感的VSS与特定驾驶员12的身份的关联。

控制器53能够被配置为通用数字计算机，其通常包括微处理器或中央处理单元、只读存储器(ROM)、随机存取存储器(RAM)、电子可编程只读存储器(EPROM)、高速时钟、模数(A/D)和数模(D/A)电路、输入/输出电路和装置(I/O)以及合适的信号调节和缓冲电路。驻留在控制器53中或能被控制器53访问的每组算法(例如，图3的算法100)被存储在ROM中且被执行以提供每个驻留控制器的各个功能。

在本发明的范围内，如果以虚线示出的可选BIDM 38被包括在DRCS 30内，这种装置(一个或多个)能够使用生物传感器36(也以虚线示出)以收集驾驶员12的一组独特生物特性，例如，驾驶员的指纹、指静脉、虹膜图案、视网膜图案、手印、声音识别、面部识别、语音识别等，且将该信息作为生物信号37中继。可选BIDM 38还能够优化DRCS 30的性能，如上文所述。不管是否使用BIDM 38，DRCS 30都首先使用该组总的VSS信息(即，局部信号35)执行基于车辆设置的驾驶员识别功能，并且然后在DFM 56内执行决策融合功能，所述DFM 56最终以特定的方式变换或者处理初始驾驶员识别结果，现在将参考图3一起对其进行更详细地阐述。

参考图3，本发明的基于驾驶员选择的车辆设置(即，局部设置35)的驾驶员识别功能或算法100通常能够被表示为模式识别问题。给定N个驾驶员，每个驾驶员具有相应的历史设置和新设置，算法100应当确定新设置是属于已知的或者先前确认的驾驶员还是属于新驾驶员。换句话说，算法100例示的驾驶员识别问题能够通过设计分类器来解决，所述分类器将新设置分成N+2类中的一类，N类表示N个驾驶员，(N+1)类表示新驾驶员，(N+2)类表示分类器不能准确地决策的情况。可替换地，“不能决策”类作为一类能够被去除，并且“新”设置能够被分配给N个驾驶员之一或者新驾驶员。

图3表示用于基于驾驶员的车辆设置(由箭头52的VSS信息表示)识别授权驾驶员的模式识别过程或算法100的逻辑流。在步骤或逻辑块102，测量或收集由图1的驾驶员12选择的VSS信息52，且生成一组原始特征(OFG)。从步骤或逻辑块102输出的箭头70的原始特征可能不能单独提供用于模式识别的最有效的特征组。因而，从步骤或逻辑块102输出的原始特征(箭头70)在步骤或逻辑块104用作特征提取(FE)的一组输入。FE技术基于原始特征(箭头70)的变换或组合产生一组经变换的新特征(箭头72)，且该组经变换的特征(箭头72)被输出到步骤或逻辑块106。

在步骤或逻辑块106，确定一组最终特征(箭头74)，其中逻辑块106选择原始特征(箭头70)的最佳子集，以进一步缩减最终特征(箭头74)的维数。最终特征(箭头74)然后在步骤或逻辑块108被输入到分类器(CL)。分类器(CL)相应地使用下文所述的统计建模来确定驾驶员(例如，图1的驾驶员12)的身份。

仍参考图3，在步骤或逻辑块102提供的原始特征生成(OFG)采用描述VSS信息(箭头52)的各种设置，且将该信息组合成原始特征矢量，即原始特征(箭头70)。例如，VSS信息(箭头52)的设置可以包括座椅前/后位置、高度和/或后角、和/或驾驶员座椅24D的座垫角；方向盘20的方向盘伸缩设置、倾斜角等；镜26R、26S中的任何或全部的位置；踏板17的位置；收音机29R的无线电台、音量和声音设置；HVAC系统29E的HVAC设置等。这些原始特征(箭头70)能够作为矢量存储，在下文称为原始特征矢量o_i。

在步骤或逻辑块104，即特征提取(FE)步骤或逻辑块，算法100对从步骤或逻辑块102输出的原始特征矢量o_i(箭头70)执行变换函数，从而生成作为经变换特征或新特征(箭头72)的新特征矢量q_i＝f(o_i)。在本发明的范围内能够使用各种特征提取技术或方法，例如，主成分分析(PCA)、线性判别分析(LDA)、核PCA、广义判别分析(GDA)等。出于示例目的，LDA能够被用于展示线性变换：q_i＝U^To_i，其中o_i是n_o×1矢量，U是n_o×n_q矩阵，而q_i是n_q×1(n_q≤n_o)矢量，其中每行表示新特征的值。矩阵U在设计阶段被离线确定，这将在下文稍后描述。

在步骤或逻辑块106，即特征选择(FS)步骤或逻辑块，经变换特征或新特征(箭头72)被进一步处理，以选择新特征的最佳子集，即最终特征(箭头74)。在本发明的范围内能够使用各种特征选择技术，例如，穷举搜索、分支限界搜索、顺序前/后选择、和顺序浮动前/后搜索能够被用于本发明范围内。产生最好或最佳性能的子集被选择作为用于最终驾驶员分类的最终特征(箭头74)。

例如，所得到的描述最终特征(箭头74)的子集可以包括与特征矢量q_i的{l1 l2…ln}(1≤l1≤l2≤…≤ln≤n_q)行相对应的n个特征。矩阵U能够被写成或者描述为U＝[u₁ u₂…u_nq]，其中每个矢量以n_o×1矢量开始。算法100仅选择与最好或最佳子集相对应的那些矢量，因而W＝[u_l1 u_l2…u_ln]，n_o×n矩阵。将特征提取和特征选择组合，与原始特征矢量o_i相对应的最终特征(箭头74)能够导出为x_i＝W^To_i。在本发明的范围内，由于所提取的特征的维数(即，n_q)相对小，因而在一个实施例中使用穷举搜索以评估所提取特征的每个可能组合的分类性能，这将在下文被详细地阐述。

在步骤或逻辑块108，即分类(CL)步骤或逻辑块，最终特征(箭头74)被分类或与建模的HDP群体进行比较，以确定图1的驾驶员12的身份，由驾驶员ID箭头55表示。在典型模式识别问题中的类的数量通常是已知的并且固定的，但是对于本发明要解决的车内驾驶员识别问题，类的数量(即，驾驶员的数量N)通常是未知的且不固定的。例如，由各个家庭成员共有的图1的车辆10通常具有多个驾驶员，且驾驶员的数量可能与家庭的合格驾驶员的数量有关。

此外，典型的模式识别问题通常具有用于分类器设计的训练模式，且一旦完成设计过程，分类器本身就被固定。对于车内驾驶员识别，分类器包括“学习”能力，以提供利用新模式(即，新的车辆设置或VSS信息组(箭头52))来自我更新的能力。即，图3的分类器(CL)应当具有递归过程以将任何新模式包含到其训练模式中，以便准确地更新其参数。因而，在分类器(CL)中使用的类的数量和参数这二者都是应当是自适应的。这在图3中由表示这种包含的反馈回路或线78来表示。

本发明借助于采用基于高斯混合模型的设计来解决车内驾驶员识别问题的独特需要。本文使用的术语“混合模型”指的是独立变量是总值的一部分的模型。这种混合模型能够适合于其中观测值属于多个不同源或类别之一但是在观测值所属于的源或类别不能被测量时的情形。在这种混合形式中，每个源通过分量概率密度函数来描述，且其混合权重是观测值来自于该分量的概率。

具体地，GMM是一种特定类型的混合模型，其中所有分量概率密度函数是高斯函数。一旦分量模型的数量和每个分量模型的相应参数已知，就能够辨识特定观测值所属于的源或类别，即，由分量分布表示的类。由于车辆可能具有多于一个驾驶员且每个单独驾驶员的车辆设置近似具有联合高斯分布，所以GMM适合于表示图1所示的车辆10的VSS信息(箭头52)的密度分布。

因而，在本发明的范围内，GMM能够用于估计描述各种车辆设置的VSS信息(箭头52)的密度分布并且基于他/她的设置来辨识当前驾驶员。基于GMM的驾驶员识别在驾驶员(例如，图1的驾驶员12)进入车辆10并启动车辆10时开始。如果是全新的车辆，并且尚没有人作为授权用户驾驶过它，即N＝0，那么基于当前原始特征o₁(箭头70)的最终特征x₁(箭头74)被存储，并且GMM通过设置N＝1和P(x)＝g(x，μ₁，∑₁)来初始化，其中μ₁＝x₁且∑₁＝∑₀，∑₀是标称个体内方差，即在设计阶段期间能够确定的标定值。

另一方面，如果N＞0，那么DRCS 30检测在驾驶员12进入车辆10之后一定时间段内是否有设置调节。如果驾驶员12调节车辆设置，那么算法100能够暂停或者等待，直到调节已经完成，例如，直到车辆设置已经改变T秒。算法然后能够使用新设置测量值o_i或原始特征(箭头70)来进行特征提取(FE)和特征选择(FS)，以生成新特征设置矢量x_i＝W^To_i作为新特征(箭头72)。算法100然后通过基于具有参数p_k ^i-1、μ_k ^i-1、和∑_k ^i-1的当前GMM将驾驶员12分类到(N+2)类中来确定驾驶员12的身份，

其中

P (k | x_{i}) = \frac{p_{k}^{i - 1} g (x_{i}, μ_{k}^{i - 1}, Σ_{k}^{i - 1})}{Σ_{j = 1}^{N} p_{j}^{i - 1} g (x_{i}, μ_{j}^{i - 1}, Σ_{j}^{i - 1})}

如果对于任何1≤k≤N，P(c|x_i)＞P_th，其中P_th是预定阈值，则驾驶员已经被辨识为现有驾驶员(驾驶员k)。算法100将新特征矢量x_i(箭头72)添加到数据样本集中，并相应地更新GMM模型。GMM模型的更新能够以各种方式执行。例如，能够假设均等混合概率p_c＝1/N，且仅在出现新驾驶员时更新混合概率。对于每个驾驶员j，算法100存储最近N_j(例如N_j≤10)特征组：X_j。当新特征矢量x_i(箭头72)属于驾驶员k时，只有与驾驶员k相关联的参数需要被更新。

将新特征矢量(箭头72)与驾驶员k的现有特征矢量组合得到

μ_c ⁱ被更新为

的均值，∑_c ⁱ是的方差。在更新之后，在必要时去除

中的最老特征组

从而限制X_c中的特征矢量的数量。与其它驾驶员相关联的参数保持相同：对于j≠c(1≤j≤N)而言，

并且

如果P(c|x_i)≤P_th，则图1的驾驶员12被认为是新驾驶员。算法100增加类的数量N＝N+1，且增加新的高斯分量分布N(μ_N ⁰，∑_N ⁰)，其中

并且∑_N ⁰是在设计阶段确定的标称个体内方差。如果驾驶员12不调节车辆设置或驾驶员选择的输入信号(箭头48)，则算法100自动地获取先前识别结果并将驾驶员辨识为最后驾驶车辆的驾驶员。作为选择，算法100可以更新混合概率，以反映当前驾驶员又一次使用车辆10。

根据本发明，频繁驾驶员识别的过程经由如上所述的低成本相对精确的设备和方法来优化。驾驶员(如图1的驾驶员12)的身份能够被用于实现车辆10的增强功能。例如，驾驶员ID信息能够与驾驶员简档管理系统结合使用，以提供自动设置调节和/或车辆控制适配。取决于车辆10的每个授权驾驶员的特定驾驶风格和技术，能够实现各种程度的自主系统和/或驾驶控制。

本文提供的技术方案是相对非侵入式的，与各种生物扫描和基于用户简档的选择不同，驾驶员12不需要采取驾驶员12在进入车辆10时通常采用的任何附加的肯定步骤。即，某些预定VSS相对于其它VSS来说的描述性或敏感性不成比例(disproportionally)。这些预定VSS能够被用于在一定时间内对驾驶员的HDP进行建模，HDP在需要时由更为分立且变化较少的某些其它VSS来修改，例如开/关设置、开启/关闭设置、分立位置设置等。

在一定时间内，DRCS 30使得其本身适应驾驶员12和各种车辆驾驶条件，从而利于车辆系统设置的自动定制或调节。例如，一旦已经使用车辆设置或VSS信息(箭头55)确定了驾驶员的身份，如上所述，即在将驾驶员的最近输入VSS与各种HDP进行比较并选择该驾驶员的HDP之后，能够根据该驾驶员HDP自动地且无缝地执行某些控制动作，从而定制总体驾驶体验。示例性的控制动作能够包括但不限于自动地调节或重新定位镜26S、26R、驾驶员座椅24D、踏板17、方向盘20等。类似地，图2的收音机29R和/或HVAC 29E的设置能够基于驾驶员的身份而被自动地更新。驾驶员12因而不需要初始设定每个车辆设置。一旦足够数量的设置已经被输入以肯定地辨识驾驶员12，就能够相应地调节或修改其余的系统设置。由驾驶员12做出的对一个或多个设置的任何改变有助于DRCS 30进行适配，从而获得对该驾驶员的更准确的简档，因而得到优化的客户响应。

虽然已经详细描述了用于实现本发明的最佳模式，但是本发明所属领域技术人员将认识到由以下权利要求书限定的用于实施本发明的各种可替换设计和实施例。

Claims

1.一种车辆，包括：

多个车辆系统，每个具有一组相应的车辆系统设置(VSS)，所述组VSS是一组驾驶员可选择的VSS和一组驾驶员可调节的VSS之一；和

控制系统，所述控制系统可操作来对所述组VSS进行统计建模从而生成历史驾驶员简档(HDP)，并处理所述HDP从而确定车辆驾驶员的身份；

其中，所述控制系统可操作来使用所述身份来自动地控制所述多个车辆系统中的至少一个的设置。

2.根据权利要求1所述的车辆，其中，所述控制系统适于在一定时间内对所述驾驶员的所述组VSS的第一预定子集进行统计建模，从而修改所述驾驶员的所述HDP。

3.根据权利要求2所述的车辆，其中，所述控制系统适于记录所述组驾驶员可选择的VSS的第二预定子集的方差和均值，从而修改所述驾驶员的所述HDP。

4.根据权利要求2所述的车辆，其中，所述控制系统适于在所述驾驶员手动改变所述组VSS中的一个时自动地更新所述驾驶员的所述HDP。

5.根据权利要求1所述的车辆，还包括驾驶员辨识装置，其中，所述控制系统可操作来使用来自于所述驾驶员辨识装置的信号来验证所述一个驾驶员的所述身份。

6.根据权利要求5所述的车辆，其中，所述驾驶员辨识装置选自主要包括以下项目的组：射频辨识(RFID)标签、钥匙扣、语音识别装置和生物辨识装置。

7.根据权利要求1所述的车辆，其中，所述控制系统包括算法，所述算法具有特征提取子过程、特征选择子过程和特征分类子过程中的每一个。

8.根据权利要求7所述的车辆，其中，所述特征提取子过程是线性判别分析(LDA)子过程，并且其中所述特征分类过程是高斯混合模型(GMM)子过程。

9.一种用于控制车辆的预定车载系统的方法，包括：

收集车辆的多个不同车载系统的一组车辆系统设置(VSS)，所述组VSS是一组驾驶员可选择的VSS和一组驾驶员可调节的VSS之一；

通过统计建模算法来处理该组驾驶员可选择的VSS，从而确定车辆驾驶员的身份；和

使用所述驾驶员的身份来自动地控制所述预定车载系统。

10.根据权利要求9所述的方法，其中，收集该组VSS包括确定选自包括以下项目的组的所述不同车载系统中的至少一对的VSS：镜、座椅、踏板、方向盘、收音机和HVAC系统。

11.根据权利要求10所述的方法，其中，通过统计建模算法来处理该组VSS包括生成共同描述所述组VSS的原始特征矢量。

12.根据权利要求11所述的方法，其中，处理该组VSS包括使用特征提取子过程来变换所述原始特征矢量从而生成新特征矢量。

13.根据权利要求12所述的方法，其中，处理该组VSS包括通过特征选择子过程来处理所述新特征矢量从而生成最终特征矢量。

14.根据权利要求13所述的方法，其中，处理该组VSS包括通过分类子过程来处理所述最终特征矢量从而确定驾驶员的身份。

15.一种用于控制车辆的预定车载系统的方法，包括：

收集一组驾驶员可选择的车辆系统设置(VSS)；

使用高斯混合模型(GMM)通过统计建模算法来处理该组驾驶员可选择的VSS，从而确定车辆驾驶员的身份；和

使用所述身份来自动地调节所述预定车载系统的设置。

16.根据权利要求15所述的方法，还包括在一定时间内对多组驾驶员可选择的VSS进行统计建模从而产生历史驾驶员简档(HDP)。

17.根据权利要求15所述的方法，其中，处理该组驾驶员可选择的VSS包括通过选自包括以下项目的组的特征提取子过程来处理该组驾驶员可选择的VSS：主成分分析(PCA)、线性判别分析(LDA)、核PCA、和广义判别分析(GDA)。

18.根据权利要求15所述的方法，其中，处理该组驾驶员可选择的VSS包括通过选自包括以下项目的组的特征选择子过程来处理该组驾驶员可选择的VSS：穷举搜索、分支限界搜索、顺序前/后选择、和顺序浮动前/后搜索。