CN104340144B

CN104340144B - 多车辆设置

Info

Publication number: CN104340144B
Application number: CN201410391852.8A
Authority: CN
Inventors: 奥列格·尤里维奇·古希恩; 裴利·罗宾逊·麦克尼尔; 兰德尔·亨利·维桑泰内; 爱德华·安德鲁·普勒特
Original assignee: Ford Global Technologies LLC
Current assignee: Ford Global Technologies LLC
Priority date: 2013-08-09
Filing date: 2014-08-11
Publication date: 2018-11-13
Anticipated expiration: 2034-08-11
Also published as: US20150045988A1; US9731668B2; RU2643627C2; DE102014215117A1; RU2014132923A; CN104340144A

Abstract

计算装置配置为检测正接近车辆的用户设备。传送用于用户设备的标识符和用于车辆的标识符到远程服务器。模型用来在车辆中生成设置数据，其中至少部分地基于用于用户设备的标识符和用于车辆的标识符来生成模型。用于车辆中的至少一个组件的至少一个设置按照模型来生成，并应用于车辆中的至少一个组件。

Description

多车辆设置

技术领域

本发明涉及一种用于多个车辆设置的装置和方法。

背景技术

例如客车的驾驶员这样的车辆操作者可能更喜欢和/或发现有益的某些车辆设置。仅仅举几个例子，在给定的车辆中，对油门的灵敏度、灯的亮度、无线电台预设、反光镜位置、车座位置等的不同设置可能会受到不同的操作者的偏爱和/或有利于不同的操作者。进一步地，给定的车辆操作者会使用各种车辆，例如租用或出租的车辆、汽车分享系统中的车辆等。举例来说，存在车辆分享的系统，在该系统中操作者可以对不同的行程完全地挑选不同的车辆，例如，用于城市行程的紧凑型轿车以及用于运输木材的行程的皮卡。车辆操作者可能更喜欢和/或发现每种车辆中的有利的各种设置。然而，各种车辆对于例如油门灵敏度、座椅位置等许多设置具有不同的配置。目前缺乏将对于第一车辆的操作者的首选设置用于不同配置的第二车辆中的机制。

发明内容

本发明的目的是提供一种包括处理器和存储器的计算机服务器，该计算机服务器配置为：接收用于设备的操作者的标示符和用于设备的标示符；接收与设备的运行相关的一组参数，该参数包括至少一个操作者总括数据、设备数据以及从设备的运行中收集的数据；识别用于设备中的至少一个组件的通用模型；以及生成新的模型来使用设备中的至少一个组件确定用于操作者的至少一个设置；以及传输新的模型给设备中的计算机。

进一步地，该计算机服务器进一步配置为：识别用于至少一个组件的设置的先前的模型；以及在生成新的模型中使用先前的模型。

进一步地，该计算机服务器进一步配置为使用神经网络生成新的模型。

进一步地，设备中的计算机配置为使用新的模型确定至少一个设置。

进一步地，该计算机服务器进一步配置为：接收与通过操作者进行的设备的操作相关的第二组参数；以及使用至少一些第二组参数来生成第二新的模型以使用设备中的至少一个组件确定用于操作者的至少一个设置。

本发明的目的还在于提供一种方法，包含以下步骤：接收用于设备的操作者的标识符和用于设备的标识符；接收与设备的运行相关的一组参数，该参数包括至少一个操作者总括数据、设备数据以及从设备运行的收集的数据；识别用于设备中的至少一个组件的通用模型；以及生成新的模型以使用设备中的至少一个组件确定用于操作者的至少一个设置；以及传送新的模型给设备中的计算机。

进一步地，该方法进一步包含：识别用于至少一个组件的设置的之前的模型；以及

在生成新的模型中使用之前的模型。

进一步地，该方法进一步包含：使用神经网络来生成新的模型。

进一步地，该方法进一步包含：接收与通过操作者进行的设备的操作相关的第二组参数；以及使用至少一些第二组参数来生成第二新的模型以使用设备中的至少一个组件确定用于操作者的至少一个设置。

利用本发明的计算机服务器和方法，可以方便地将对于第一车辆的操作者的首选设置用于不同配置的第二车辆中。

附图说明

图1为用于提供车辆设置的示例性系统的框图。

图2阐明了预测模块运行的细节。

图3a和3b阐明了用于油门映射(throttle mapping)的模块210的示例。

图4为用于详述车辆设置的示例性程序的流程图。

图5为与用于产生车辆设置的某些细节相关的示例性程序的流程图。

具体实施方式

系统综述

图1为用于提供车辆设置的示例性系统100的框图。然而，应当理解的是此处所公开的系统和方法可以是并意在适用于除了车辆之外的设备，例如船、飞机、摩托车等。

无论怎样，对于此处所讨论的示例，多个车辆计算机105的每一个设置在车辆中，并且每一个车辆计算机不但包括一个或多个处理器也包括至少一个存储器，该存储器存储与车辆的操作者的使用相关的收集的数据110以及与车辆操作者偏爱和/或有利于车辆操作者的车辆设置相关的设置数据115。车辆总体上包括例如传感器、输入装置等这样的一个或多个数据收集器120，其包括在车辆中的车辆计算机105中或通信地耦接到车辆中的车辆计算机105上。该车辆计算机总体上通过网络125与服务器130通讯。该服务器130包括处理器和存储器，该存储器总体上存储包括分类模块135和预测模块140的程序指令，还存储收集的数据110、车辆数据145以及总括数据(profile data)150，其相应地可以用来生成可以提供给车辆计算机105的设置数据115。该系统100可以进一步包括可以用于以诸如以下所述的各种方式与车辆计算机105进行通讯的一个或多个用户设备155。

示例性系统元件

车辆计算机105总体上包括处理器和存储器，该存储器包括一个或多个形式的计算机可读介质，并存储包括此处所公开的用于执行各种操作的由处理器可执行的指令。计算机105的存储器进一步总体上存储收集的数据110和设置数据115。该计算机105总体上配置用来在控制器局域网络(CAN)总线或类似物上通讯。通过CAN总线和/或例如蓝牙或其他无线技术这样的其他机制，包括数据收集器120的计算机105可以传送消息给车辆中的各种装置和/或从例如控制器、致动器、传感器等各种装置中接收消息。

收集的数据110可以包括在车辆中收集的各种数据。通常，收集的数据110可以包括由收集装置120所采集的并与设置115相关的任何数据。举例来说，收集的数据100可以包括车辆速度、加速度、减速、轮胎气压、座椅位置、反光镜位置、雨刷使用等。

特别地，收集的数据110可以包括有时被称为上下文参数(context parameter)的数据，例如，与车辆目前运行、环境等相关的数据。收集的数据110的示例包括轮胎摩擦系数值(由牵引力控制系统和/或防抱死制动(TCS/ALB)模块得出)、车辆速度/轴承/位置(例如，通过包含在计算机105中或连接到计算机105的全球定位系统(GPS)模块)、环境光线(例如，由车辆高温计计算的白天/黄昏/夜晚/黎明)、局部地形(使用全球信息系统(GIS)服务器)、云量(使用气象服务器)、环境温度(车辆室外温度传感器数据收集器120)、雨、雪、冰雹等的降下(挡风玻璃数据收集器120和/或气象服务器)等等。

如同将理解的，前述中的大多数从车辆总线上的信号直接或间接地总体上可用。举例来说，关于确定摩擦系数，最大可能可以从诸如温度、大气压、轮胎气压等这样的环境条件估计。实际的摩擦系数可以在车辆的硬加速和减速过程中通过控制算法进行测量，该控制算法使用车轮速度、车轮扭矩以及加速度测量值来确定峰值扭矩和车辆质量之间的比率，该比率为摩擦系数。

设置115可以实质上包括与车辆中的设置相关的任何信息。设置115的示例的清单在以下的附录A中提供。进一步地，设置115的示例公开了可以用于设置115的收集的数据110的示例。举例来说，收集的数据110可以包括由重量传感器检测到的车辆操作者的重量，因此设置数据115可以指示车辆安全气囊是否应启用或禁用。同样地，收集的数据110可以记录在各种雨、雪、冰雹等的降下条件下关于雨刷间隔的操作者的偏好，因此设置数据115可以包括在各自不同的雨、雪、冰雹等的降下条件下雨刷设置的指示。

某些收集的数据110对于设置115可以不是直接可映射的。举例来说，收集的数据110可以包括关于加速和制动的操作者的驾驶习惯，这样的收集的数据可以与操作者关于油门灵敏度的偏好相关。然而，在例如跑车这样的第一车辆中的油门灵敏度可能不直接地转化为例如重型运动型多用途车辆这样的第二车辆中的油门灵敏度。同样地，在第一车辆中便于语音识别的例如支配着噪音消除等的麦克风灵敏度设置115这样的设置115可能不同于适用于第二车辆的设置115。相应地，如以下进一步描述的，可以利用映射和/或转化以便可以将来自于第一车辆的收集的数据110和/或设置数据115转换为用于第二车辆中的操作者的设置数据115，和/或可以将一般设置115(例如，可以体现在与图2相关的以下讨论的通用模式205中)转换为用于一个或多个车辆的设置115。

数据收集器120可以包括各种装置，这些装置包括车辆中的各种传感器。举例来说，如上所述，数据收集器120可以包括重量传感器以及记录光照条件的传感器、音频感测装置等。进一步地，数据收集器120可以通过诸如车辆CAN总线这样的通讯机制接收数据，例如关于车辆速度、加速度和减速度、变速器状态、诸如车门、车窗、环境控制系统、座椅、灯、轮胎气压等各种车辆组件的状态的数据。可以由数据收集器120提供的数据的更完整的示例可以从附录A提供的设置115的示例性清单中推断。

网络125代表一个或多个机制，通过该机制，车辆计算机105可以与远程服务器130通讯。相应地，网络125可以为一个或多个各种有线或无线的通讯机制，包括有线的(例如，电缆和光纤)和/或无线的(例如，蜂窝、无线、卫星、微波和无线电频率)通讯机制的任何需要的组合以及任何需要的网络拓扑结构(或者在利用多样的通讯机制时的拓扑结构)。提供数据通讯服务的示例性通讯网络包括无线通讯网络、局域网(LAN)和/或包括英特网的广域网(WAN)。进一步地，如上所述，网络125可以包含在一个或多个车辆上的CAN总线。

服务器130可以为一个或多个计算机服务器和/或数据库，总体上包括至少一个处理器和至少一个存储器，该存储器存储处理器可执行的指令，包括用于执行在此处描述的各个步骤和程序的指令。这样的指令包括在诸如预测模块135和分类模块140这样的各种模块中的指令。要理解的是服务器130可以代表在不止一个物理位置上的硬件和/或软件。举例来说，如已经知道的，服务器130可以代表在服务总线上的内容发布网络中的“网络服务(Web Service)”；服务器130的处理和存储可以为分散式的。

预测模块135包括用于使用预测建模技术例如基于与其他车辆相关的收集的数据110和/或设置数据115为车辆的操作者生成设置115的指令。预测模块135可以进一步包括分类器140，其用途可以包括接受作为输入车辆数据145、总括数据150以及收集的数据110和历史设置数据115以确定预测模块135对于为特定车辆的操作者产生的新设置115所使用的数据的诸如神经网络这样的模型。以下针对图2讨论使用预测器模块135和分类器140的服务器130的运行的进一步细节。

车辆数据145总体上包括与车辆中的参数相关的数据。这样的参数可以包括与车辆尺寸、可能的构造等相关联的各种数据。举例来说，适合于特定的车辆厂家和模型的数据145可以详述车顶的高度、车辆长度和宽度、车辆重量、与车辆变速器有关的信息、与车辆发动机有关的信息等。进一步地，车辆数据145可以包括关于车辆中的环境状况的信息，例如，诸如车辆中的路面噪音的影响等声学状况(acoustic condition)。

如下所讨论的，可以用作分类器115中的参数的车辆数据145的示例包括但不限于车辆动力/重量比、车身风格、颜色、可选的设备包(equipment package)、可行的制动器、离合器和/或油门踏板位置、可行的座椅位置、可行的麦克风和/或扬声器位置(如所属技术领域的技术人员所公知的，所有前述的内容总体上可以按照通过查询车辆数据服务器的车辆识别号码(VIN)来确定)、车辆声学特征(从麦克风和回声消除参数总体上可确定)。

总括数据150总体上包括与系统100的例如车辆操作者这样的用户相关的数据。类似收集的数据110、车辆数据145、总括数据150可以用作一个或多个分类器115的输入。举例来说，总括数据150可以包括关于车辆操作者的偏好的信息，车辆操作者的偏好的信息与例如气候设置、油门灵敏度、雨刷运行、照明状况等这样的各种车辆参数相关。相应地，总括数据150可以通过图形用户界面(GUI)提供给服务器130或将类似的数据由服务器130提供给用户设备155。进一步，总括数据150可以由收集的数据110生成。举例来说，收集的数据110可以包括与车辆操作者的加速和减速模式相关的信息。这个信息可以包括在与适合车辆操作者的油门灵敏度设置115相关的总括数据150中。

总括数据150的进一步示例可以用作分类器140的参数，诸如以下所讨论的包括但不限于操作者身体尺寸和相关参数(身高、体重(由用户输入或重量感测数据收集器120确定)、手臂长度、腿部长度、在给定车辆中的首选的座椅和方向盘位置、照相机图像、与偏好相关的用户输入)、驾龄(由用户输入确定)、操作者首次学习驾驶(由用户输入确定)的车辆类型(例如，型号)、典型的通勤路线和/或声音特征(例如通过声音学习系统确定的音高、鼻音、语速、方言、年龄)等。

用户设备155可以为包括处理器和存储器并具有通讯能力的各种计算装置的任何一个。举例来说，用户设备155可以为包括使用IEEE 802.11、蓝牙和/或蜂窝通信协议的无线通信能力的便携式电脑、平板电脑、智能手机等。进一步，用户设备155可以使用这样的通信能力以通过网络125与车辆计算机105通信并也使用例如蓝牙直接与车辆计算机105通信。

设置生成

图2进一步阐释了预测模块135的运行细节，如刚提到的该预测模块135可以用于为各种类型车辆的车辆操作者生成设置115。相应地，预测模块135使用用于操作者的车辆设置115的通用的表达模型(representation model)205。即是说，模型205代表用于操作者的与车辆类型无关的各种车辆设置115。举例来说，如图2中所示，分类器140可以用于生成车辆设置模型210，该车辆设置模型210相应地可以用于从通用表达模型205生成用于特定类型车辆的操作者的设置数据115。

通常，通用模型205包括与车辆操作者的车辆的一个或多个特征、元件、部件等相关的一组一般的设置115。举例来说，模型205可以详述用于座椅位置、反光镜位置等的一般设置。进一步地，以上所提到的油门灵敏度总括数据150的示例是对通用表达模型205如何可以作为从一个或多个第一车辆向第二车辆转化用于车辆操作者的设置115的基础的说明。表1示出了用于油门设置115的通用表达模型205的示例性部分。

踏板位置	所需扭矩
		0	0
1	16.30969042
		2	29.57260271
3	41.46107582
		4	52.34222439
5	62.40482266
		6	71.76953572
7	80.5226789
		8	88.73037926
9	96.44566495
		10	103.7124527
11	110.5679864
		12	117.0444249
13	123.1699301
		14	128.9694406
15	134.465243
		16	139.6774032
17	144.6241012
		18	149.3218956
19	153.7859366

表1

通过进一步阐明这个示例的方式，考虑到目前车辆总体上包括所谓的线控油门机构，其中车辆具有数据收集器120，线控油门机构例如检测例如油门踏板这样的车辆油门的位置的传感器。如表1中所示，可以映射油门位置到与油门位置相关联的所需扭矩，例如，使用作为车辆的驾驶性能设计的部分典型生成的预定义曲线。然而，油门映射不需要为车辆的总寿命而设，相反其可以重编程，例如去适应操作者偏好、驾驶环境(driving context)等。举例来说，在光滑的条件下很少会偏好主动的油门映射，例如，摩擦的系数可以由车辆中的计算机105进行估计并该估计可以用来自动地改变油门映射以满足驾驶员的偏好等。

“主动的”油门映射将总体上包括当油门移动穿过其范围的下半部时带来的扭矩的大的增量，并接着当油门移动穿过上部范围时带来的扭矩的较小的增量。这样的油门映射提供了迅速加速的感受，即被一些车辆操作者偏好的从停止有力的发动。其他的车辆操作者偏好更平缓的发动，以及潜在地更好的节省燃料，车辆磨损等，并且当需要在公路上通过或加速时将更喜欢仅仅具有高扭矩。

相应地，分析曲线模型210可以用来映射油门位置到所需扭矩或诸如可以用于模块210的样条曲线或数据点的插值这样的其他机制。分析曲线与样条和插值相比需要较少的存储器来存储映射，但需要更多的计算能力来计算。进一步，在一些情况下，由于分析函数具有无限连续导数，所以其对于模型210是有用的。

图3A和3B分别阐释了用于确定将施加在记作ρ的各个油门踏板位置的扭矩τ的示例性数学模型210-3a和210-3b。对于图3A，α和β为分类器140的各种迭代可以修改以改进由模型210生成的设置115的拟合参数。

分类器140可以将许多因素考虑用于挑选模型210，例如，转化油门设置115可以包括诸如用于驾驶员偏好的参数的总括数据150，并且也可以包括诸如以上提到的驱动状况(例如，估计的摩擦系数)这样的上下文参数。进一步，与转化模型210相关的上下文参数可以包括与诸如油门压力和踏板到方向盘的水平距离这样的车辆特征相关的车辆数据145。在作为分类器140的输入中的这些特征的包括允许用于操作者可以使用的——例如车队或汽车分享团体中的特定的车辆——特定车辆的操作者的偏好的油门映射的预测。因此，分类器140可以使用总括数据150、车辆数据145等之中的诸如操作者和/或车辆尺寸这样的参数来预测在不同车辆中的操作者的位置，并随之在油门映射中改变。

相应地，诸如用于选择转化第一油门映射到第二油门映射的模型210这样的用于分类器140的参数可以使用机器学习技术来发展。这样的学习过程可以出现在两个模型中的至少一个中，第一个，增加的变化，以及第二个，转换的改变。

变化的改变总体上曾一度影响少量的分类器115模式参数并在数量上最初总体上接近几个百分点并且此外，当模型变得更精确时总体上变得更小。变化的改变有两种形式，第一种，系统发起，以及第二种，用户发起。系统发起学习通过例如车辆操作者、输入这样的收集用户采集总括数据150，并且系统发起学习可以类推为眼科医生为配眼镜所做的事情。可以对例如油门灵敏度度这样的系统参数做出改变并接着可以在车辆等中例如使用移动装置上的应用、使用例如触摸屏这样的人机界面来调查车辆操作者，以确定操作者是否喜欢或不喜欢这个改变。如果变化改进了驾驶员满意度则在分类器115模型中实施变化，并且如果想要在将来避免重复相同的变化，则变化可以用来指导未来的变化的改变。对于用户发起学习，相比之下，操作者可以要求参数改变，例如“让油门在低速时更灵敏”，于是计算机更改了油门映射；进一步，诸如上述的用户界面可以用来接收指示驾驶员是否偏好新的设置或者旧的设置的输入。如果新的是首选，则使用新的设置，并且可以保留旧的设置以指导未来增加的改变。

试探性学习将通过在模型参数中做出转换性的改变来完成，以观察车辆操作者是否偏好旧的或是新的，即，改变、参数。用于其他车辆操作者的大的改变从总括数据150或可能地从预先确定的设置中提取。试探性改变的目的是适应操作者偏好中的范例换挡和驾驶员可能不会喜欢的油门映射。

图3a和3b示出了用于油门映射的模型210的示例。如图3所示，第一和第二车辆可以使用例如模型210-3a和210-3b这样的各自的第一和第二解析函数来限定油门映射。为了在数学模型210中处理这样的差别，可以使用模型变换将各自的第一和第二曲线中的每一个转化为通用数学模型(插值表)并且从通用数学模式(插值表)转化各自的第一和第二曲线中的一个，诸如可以存储在服务器130的数据存储器中。

使用分类器140来生成模型210的另一个示例可以从语音识别的范围中取得，例如支持车辆中的口语对话系统的设置115。以车辆的口语对话为基础的车辆系统的主观命令控制(SCC)总体上包括随时间累积并存储用于声音识别和语音合成的总括数据150。SCC对话可以通过例如公知的沃夸三角形(Vauquois Triangle)这样的噪声信道建模为SCC意义语言和人类意义语言之间的信息的传递。当用户对SCC说话时，意义语言在用户的大脑中被转化成语义语言，接着转化为语法结构，接着是表音语音(phonetic language)，接着转化为从车辆中的用户的口中产生声音的肌肉的运动，这个声音在由麦克风数据收集器120拾取之前由车辆的音响(acoustics)修饰，该麦克风数据收集器120在声音数字化之前对声音进一步地修饰。该SCC同样具有逆向过程，在该逆向过程中，首先通过信号处理、与所提取的肌肉运动对应的共振峰、单词以及猜测的语法结构反褶积汽车的音响，伴随确定的语义结构和由此确定的意义。在每个阶段引入驾驶员的或者车辆的特有的噪声因素并且该噪声因素必须通过语音识别系统进行学习。

在驾驶员和SCC之间还需要某些类型的协议用于有效并愉快的通讯，诸如将被使用并实际考虑的语言/对话(例如，公知的格莱斯的格言(Grice’s Maxims))。必须接受并适应诸如车辆的音响和成员声音的音高等这样的某些环境考虑。

相应地，在语音识别过程中的各个阶段中，分类器140可以用于接收用于生成模型210的各种参数。举例来说，可以生成与特定的操作者的语音模式相关的总括数据150，车辆数据145可以涉及车辆中的背景噪音等。举例来说，由于没有人正对计算机105说话，所以大部分的时间麦克风数据收集器110仅仅收集背景噪音。声学系统可以随时间利用声学模型表示这个噪音的特征并实施用于该特定类型的噪音的滤波器。正如已知的，一个模型为1/f或逆频率，并且另一个为1/f2或逆频率的平方。进一步，模型可以更复杂，并且可以具有诸如车辆速度、轮胎气压、轮胎寿命、风速、发动机每分钟转速(rpm)、扭矩需求、道路表面情况、温度、空气密度、车窗设置等这样的输入。许多这些输入在例如CAN总线或类似物这样的车辆网络上被发现。声学系统的模型也可以具有像是车辆的驾驶舱的尺寸、麦克风的位置、座椅的声学特性等这些与车辆的结构相关的输入。对该模型的其他的输入可以为诸如高度和座椅位置这样的驾驶员特征。

除了表示背景噪音的特征以外，声学系统可以通过诸如线性调频脉冲(chirp)这样的扬声器偶尔发出已知的声音，并分析线性调频脉冲的傅里叶变换(Fouriertransform)和通过麦克风接收的声音之间的差别。这可以用于发展逆过滤器，该逆过滤器放大并去除来自车辆中的故意的声音的失真，同时噪音过滤器去除非故意的背景噪音以增强语音识别。

随着时间调整声学系统过滤器，估计在不同的环境条件、车辆的类型、速度等情况下用于车辆操作者的过滤器参数是可行的。这样的估计可以进一步通过使用诸如以上所描述的线性调频脉冲这样的已知的声音或根据对许多测量值进行的语音识别的质量来进一步改进。这可以利用卡尔曼滤波器(Kalman filter)完成，卡尔曼滤波器为简单的学习系统，或者可能利用神经网络完成，神经网络是更复杂的系统。相似地，可以发展模型来预测用于不同车辆中的驾驶员或特定车辆中的不同驾驶员的声学模型参数。执行这些类型的估计需要因特网的互联性。

示例性程序流程

图4为用于详述车辆设置的示例性方法400的流程图。

程序400开始于框405中，其中用户设备155向服务器130注册。通常，当用户正准备使用例如租赁的车辆、一队车辆中的一个、汽车分享系统中的车辆等这样的车辆时，设备155可以向服务器130注册。该注册可以通过各种机制完成。举例来说，使用者设备155可以访问例如按照表述性状态转移(REST)结构由服务器130提供的GUI以允许用户设备155通过例如传统的用户名和密码登入服务器130。作为一种选择，安装在用户设备155上的例如使用网络服务或类似物的智能手机应用这样的应用可以配置为当用户处于或接近指定位置等时，在指定时间上访问服务器130。进一步，通过GUI、通过智能手机应用等，用户可以指定用户计划使用的车辆，或者基于识别用户，服务器130可以访问用户预订或类似物来识别要使用的车辆。用户设备155的注册总体上包括存储在服务器130的数据存储器上的用于设备155的唯一的或实质唯一的标识符(identifier)的存储。

接下来，在框410中，服务器130确定用户设备155正接近或邻近要使用的车辆，即在要使用的车辆的预先确定的距离内。举例来说，用户设备155可以包括硬件和软件来使用已知的全球定位系统(GPS)，并可以向服务器130传送GPS数据。进一步举例来说，可以处于诸如访问点、混杂模式或监控这样的方式中的车辆上的IEEE 802.11无线收发器可以当智能手机进入范围中(20到100米)时检测智能手机，或相似地智能装置可以配置为通过车辆上的蓝牙无线收发器来在例如5到20米的距离上进行检测。作为一种选择，计算机105可以由用户设备115通过蜂窝技术、IEEE 802.11等检测该接近，并且可以例如通过网络125与服务器通讯告知用户设备邻近和/或接近车辆。无论如何，服务器130和/或计算机105将总体上确定与用户设备155相关联的标识符并适当地用于各种消息中。进一步，计算机105可以提供用于车辆的或至少用于一种车辆类型的(例如，品牌、样式、不同档次等)唯一的或实质唯一的标识符。

接下来，在框415中，服务器130确定正被设备155的用户接近的车辆的初始设置115。举例来说，服务器130可以使用总括数据150和车辆数据145来确定例如座椅位置、纯粹位置(mere position)、变速器配置等这样的某些设置115。进一步，预测模块135可以配置为基于用于车辆类型的通用表达模型205来生成用于车辆操作者的各自的车辆类型的默认模型210，并且/或者默认模型210可以提供用于车辆的特定类型中的一些或全部设置115。

接下来，在框420中，如果在程序400的第一迭代中完成框420，则服务器130发送在步骤415中确定的设置115给车辆计算机105。在程序400的随后的迭代中，服务器130发送如针对框425-435的下列描述所确定的设置115。

接下来，在框425中，在框420中传输的设置115应用于车辆中，例如，车辆计算机105可以通过CAN总线发送指令给车辆中的诸如座椅位置的控制器、反光镜位置、变速器控制器、环境设置的控制器等这样的各种控制器和/或致动器。

接下来，在框430中，在车辆的运行过程中，车辆计算机105收集数据110。举例来说，如上所述，数据收集器120可以包括在车辆运行过程中收集数据110的传感器或类似物。进一步，例如通过用户输入等，总括数据150可以如以上所描述的得到收集。相应地，诸如车辆速度、加速度和减速度、环境控制的设置、照明、雨刮器的使用等这样的上下文数据可以得到收集并传送到服务器130。

接下来，在框435中，服务器130使用预测模块135——例如使用分类器140——来更新按照上述的模型210、更新和/或生成模型210以生成和/或更新由车辆计算机105使用的设置115。

接下来，在框440中，服务器130确定是否继续程序400，例如，服务器130是否能够继续与车辆计算机105通信。如果可以，则控制返回到框420。否则，控制前进到框445。

在框440之后，程序400结束。

图5为与用于生成车辆设置115的某些细节相关的示例性程序500的图。

该程序500开始于框505，其中服务器130检索用于用户的一组收集的数据110、用户期望操作的车辆(有时简称为目标车辆)的车辆数据145和/或用于用户的总括数据150。

接下来，在框510中，预测模块135例如按照车辆的各种类别和/或用户的类别将框505中获取的数据分类。举例来说，可以对数据110分类以确定其是否与目标车辆相关，例如，与用户的与普通级轿车的历史相关的数据110可以与目标车辆是普通级或紧凑型轿车相关联，而不是以目标车辆为运动型多功能用途车或类似物举例。

同样地，在可以跟随框510的框515中，如果其他用户具有与当前用户的兴趣相似的身体属性，例如相似的体重和身高，但在其他方面则是无关的，那么由于来自其他用户的数据110可以是相关的，对该数据110进行分类。无论如何，可以提供分类标准给分类器140，并可以在框510中分割或分类数据以在构建用于设置115的生成的预测模型中促进更多相关数据的使用。

接下来，在框520中，服务器130从在先的车辆中或从由用户的现在兴趣和/或通用表述模型205操作的车辆中检索设置115。

接下来，在框525中，来自在先的车辆和/或通用表达模型205的设置115用作分类器140的参数来生成模型210，该模式210相应地可以用于生成一组用于目标车辆的当前设置115。通常，特定的分类器140可以用来优化诸如油门映射这样的设置115成为给定一组例如道路摩擦这样的上下文条件的特定操作者偏好。当条件改变时，总体上有必要识别需要得到改进以实施特定类型改变的模型参数。在油门映射的示例中，道路条件的改变或驱动类型的改变(例如两轮到四轮)可能需要油门映射的进取性的改进。接着，当操作者在相同的驱动环境下从一个车辆到另一个车辆时，油门映射中的改变可以不管车辆间的差别而维持总体上一致的油门映射。进一步，注意指示气象改变的参数和驱动类型分类为非车辆相关的上下文参数并且那些涉及车辆的诸如散播弹簧张力(peddle spring tension)以及座椅位置的都是车辆相关参数。

接下来，在框530中，用于目标车辆的设置115从模型或在框525中获得的模型210生成。

在框530之后，程序500结束。

通常，此处公开的程序的步骤可以通过服务器130和/或车载计算机105实施。特别地，此处描述的对服务器130的至少一些操作可以通过车载计算机105来实施，例如通过预测模块135的运行来实施。同样地，可以总体上由计算机105执行的例如针对程序500的框530讨论的生成设置115这样的某些操作可以附加地或可选择地由服务器130执行，其可以接着例如通过网络125向车辆计算机传送设置115。

结论

如这里所讨论的计算装置总体上每一个都包括通过一个或多个如以上确认的那样的计算装置可执行的指令以及用于实施以上描述的程序的框或步骤的指令。例如，上面讨论的程序框可以具体化为计算机可执行指令。

计算机可执行指令可以由计算机程序编译或解释，计算机程序采用多种编程语言和/或技术创建，这些编程语言和/或技术包括但并不限于单独地或组合的Java^TM、C、C++、Visual Basic、Java Script、Perl、HTML等。通常，处理器(例如微处理器)例如从存储器、计算机可读介质等接收指令，并且执行这些指令，由此完成一个或多个程序，包括这里所描述的一个或多个程序。这样的指令或其他数据可以采用各种计算机可读介质存储和传送。计算装置中的文件总体上是存储在计算机可读介质——如存储介质、随机存取存储器等——中的数据的集合。

计算机可读介质包括参与提供能被计算机读取的数据(例如指令)的任何介质。这样的介质可以有多种形式，包括但不限于非易失性介质、易失性介质等。非易失性介质包括例如光盘或磁盘或其他永久性存储器。易失性介质包括典型地构成主存储器的动态随机存取存储器(DRAM)。计算机可读介质的常规形式包括，如软盘、柔性盘、硬盘，磁盘、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、具有孔图案的任何其他物理介质、RAM、PROM、EPROM、FLASH-EEPROM、任何其他存储器芯片或盒，或者任何其他计算机可读取的介质。

在附图中，相同的附图标记表示相同的元件。而且，这些元件中的一些或全部都可以改变。关于这里所述的介质、程序、系统、方法等，应理解的是虽然这样的程序等的步骤描述为按照一定的顺序排列发生，但这样的程序可以采用以这里描述的顺序之外的顺序完成的描述的步骤实施操作。进一步应该理解的是，某些步骤可以同时执行，可以添加其他步骤，或者可以省略这里所述的某些步骤。换言之，这里的程序的描述提供用于说明某些实施例的目的，并且不应该以任何方式解释为限制要求保护的发明。

相应地，应理解的是上面的描述的目的是说明而不是限制。在阅读上面的描述时，除了提供的示例外许多实施例和应用对于本领域的技术人员都是显而易见的。本发明的范围应参照所附权利要求以及与权利要求所要求的权利等效的全部范围而确定，而不是参照上面的说明而确定。可以预期的是这里所讨论的领域将出现进一步的发展，并且所公开的系统和方法将可以结合到这样的未来的实施例中。总之，应理解的是本发明能够进行修正和变化并且仅受下述权利要求的限定。

在权利要求中所使用的所有术语旨在给予其最宽泛的合理的结构以及应被本领域的技术人员理解为其最常用的意思，除非在这里做出了明确的相反的指示。特别是单数冠词——如“一个”、“该”、“所述”等——的使用应该理解为叙述一个或多个所示元件，除非权利要求陈述了明确相反的限制。

附录-示例性设置

1.车载计算机设置

a.令用户舒适的用户界面设置(例如，语言、尺寸和触摸屏上的图标位置，是否包含音频渲染等)

b.适用于车辆的用户界面设置(对于在不同车辆上具有不同含义的事物的文字)

c.适用于车辆/用户组合的声学参数

d.用于与移动装置通讯的信息，例如，通过蓝牙(也可以见于下面的#12)

2.把手、锁、锁栓(Latch)

a.儿童门锁设置

b.车窗锁设置

3.加热的背光灯(Heated backlight)、外部反光镜、内部反光镜、挡风玻璃等

a.应当开启和关闭加热的背光灯、外部反光镜、内部反光镜、挡风玻璃等所处的气象条件

4.仪表板和控制部

a.在适合的仪表组上的主仪表的位置和外观

b.警告灯的位置和外观

5.重点照明

a.重点照明车灯的外观和亮度

6.乘员约束控制部

a.启用/禁用安全气囊以及安全气囊的动力

7.电动门襟、电动锁

a.电动滑动门/行李箱盖门襟启用/禁用

b.金属天窗/玻璃天窗和日光屏位置

c.电动车窗位置

8.电动座椅控制

a.向前/向后位置、向上/向下位置、腰部支承、肘靠、坚固度、椅背位置等

9.遮阳板

a.光照度

b.位置

10.雨刷/清洗器控制

已知的雨、雪、冰雹等的降下条件下的雨刷间隔时间

用于清洗器范围计算的特定的气象条件下的估计的清洗器使用

11.气候控制设置

a.给定的太阳负载的室内温度和湿度偏好

b.由乘员产生的热能和水蒸气

12.移动电话/平板电脑

a.个人通讯录

b.蓝牙配对信息

c.Wifi WPS密码

d.加密证书

e.MAC地址

13.车库门遥控开关

a.编码和使用每个编码的GPS位置

14.巡航控制

a.给定的气象和用户状况的首选行驶速度

b.给定的气象和用户状况的首选行车距离

c.节省燃油偏好

15.无钥匙车辆系统

a.车辆访问码

b.应答码

16.导航控制部

a.车辆位置

b.最可能的目的地

c.用于典型行程的类型的时间、距离、审美的、以及节省燃油偏好。d.道路类型、首选的运输方式、愿意接受过路费、鲁棒性等。

e.声音特征和显示偏好。

17.电子发动机和油门控制

a.性能偏好

18.声学控制组件

a.车辆声音偏好

19.显示/对话偏好；时钟、发动机速度转速表、燃油油位指示、仪表/警告灯、低燃油/警告装置、停车/倒车辅助

a.声音偏好；性别、年龄、语速等

b.亮度和外观

20.变速器

a.首选的换挡规律

21.车内娱乐

a.无线电台预设、种类

b.书签；有声读物、播客、音响CD/DVD、广告等

c.声音偏好，即，性别、年龄、语速等

d.优惠劵钱包和电子钱包数据

22.外部照明

a.带有低光束的辅助车灯(雾灯)开启/关闭

b.前灯；何时降低光束，如何指向曲线、颜色、亮度周围

c.倒车灯亮度、光束模式、灯模式、数字调制码

d.尾灯/制动灯模式、颜色、强度、数字调制码

23.礼貌灯

a.使用礼貌灯的许可

24.四轮转向

a.能够使用四轮转向所处的条件

b.首选的四轮转向的方式与力度

25.动力转向

a.力/位移增益曲线(Force/Displacement gain curve)、阻力对(vs.)速度曲线、接近操作限制的行为

26.负载均衡/拖车摆动

a.用于每个所拖曳的拖车所需要的负载均衡的总量

b.用于每个所拖曳的拖车所需要的防摇摆控制的总量

27.轮胎气压

a.首选的轮胎气压

28.声音抑制因素

a.对于速度、负载、位置和气象状况的首选的车辆声音映射

Claims

1.一种包括处理器和存储器的计算机服务器，其特征在于，该计算机服务器配置为：

接收用于第一设备的操作者的标示符和用于第一设备的标示符；

接收与第一设备的运行相关的一组参数，该参数包括至少一个操作者总括数据、设备数据以及从设备的运行中收集的数据；

识别用于第一设备中的至少一个组件的通用模型，所述通用模型用于向多个设备中的任意一个或多个设备转化用于设备的操作者的设置；以及

基于所述通用模型生成新的模型来使用第一设备中的至少一个组件确定用于操作者的至少一个设置；以及

传输新的模型给第一设备中的计算机。

2.如权利要求1所述的计算机服务器，其特征在于，进一步配置为：

识别用于至少一个组件的设置的先前的模型；以及

在生成新的模型中使用先前的模型。

3.如权利要求1所述的计算机服务器，其特征在于，进一步配置为使用神经网络生成新的模型。

4.如权利要求1所述的计算机服务器，其特征在于，其中第一设备中的计算机配置为使用新的模型确定至少一个设置。

5.如权利要求1所述的计算机服务器，其特征在于，进一步配置为：

接收与通过操作者进行的第一设备的操作相关的第二组参数；以及

使用至少一些第二组参数来生成第二新的模型以使用设备中的至少一个组件确定用于操作者的至少一个设置。

6.一种用于多个车辆设置的方法，其特征在于，包含：

接收用于第一设备的操作者的标识符和用于第一设备的标识符；

接收与第一设备的运行相关的一组参数，该参数包括至少一个操作者总括数据、设备数据以及从设备运行的收集的数据；

基于所述通用模型生成新的模型以使用第一设备中的至少一个组件确定用于操作者的至少一个设置；以及

传送新的模型给第一设备中的计算机。

7.如权利要求6所述的方法，其特征在于，进一步包含：

识别用于至少一个组件的设置的之前的模型；以及

在生成新的模型中使用之前的模型。

8.如权利要求6所述的方法，其特征在于，进一步包含使用神经网络来生成新的模型。

9.如权利要求6所述的方法，其特征在于，其中第一设备中的计算机配置为使用新的模型确定至少一个设置。

10.如权利要求6所述的方法，其特征在于，进一步包含：

使用至少一些第二组参数来生成第二新的模型以使用第一设备中的至少一个组件确定用于操作者的至少一个设置。