CN107918392A - 一种自动驾驶车辆个性化行车及获取行车执照的方法 - Google Patents
一种自动驾驶车辆个性化行车及获取行车执照的方法 Download PDFInfo
- Publication number
- CN107918392A CN107918392A CN201711212892.1A CN201711212892A CN107918392A CN 107918392 A CN107918392 A CN 107918392A CN 201711212892 A CN201711212892 A CN 201711212892A CN 107918392 A CN107918392 A CN 107918392A
- Authority
- CN
- China
- Prior art keywords
- user
- scene
- automatic driving
- vehicle
- driving vehicle
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000003542 behavioural effect Effects 0.000 claims description 69
- 238000012549 training Methods 0.000 claims description 68
- 238000007726 management method Methods 0.000 claims description 24
- 230000008520 organization Effects 0.000 claims description 23
- 230000006399 behavior Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 20
- 239000012141 concentrate Substances 0.000 claims description 19
- 238000013461 design Methods 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 10
- 238000013480 data collection Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 2
- 229940079593 drug Drugs 0.000 claims description 2
- 230000008921 facial expression Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 230000035484 reaction time Effects 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241000736199 Paeonia Species 0.000 description 1
- 235000006484 Paeonia officinalis Nutrition 0.000 description 1
- 241000049552 Pteris tremula Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000006757 chemical reactions by type Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明介绍了一种自动驾驶车辆用户个性化行车的方法，可以使自动驾驶车辆在行车时遵守交通法规的同时采用用户的优选对策，体现用户的行车习性和/或道德或文明特质。本方法在优化用户行车体验的同时，克服了非个性化自动驾驶车辆行车技术在一些场景中机器人不能确定最佳操纵方案的不确定性。所述自动驾驶车辆用户个性化自动驾驶车辆还可以根据用户的需求和特性来定制。利用本发明披露的自动驾驶车辆个性化行车的方法还可以作为获取自动驾驶车辆行车执照和/或提供自动驾驶车辆服务的许可，和/或用户购买和/或使用自动驾驶车辆的许可的一个参考标准。
Description
技术领域
人工智能，自动驾驶车辆个性化行车和定制，自动驾驶车辆获取行车执照和合法化。
背景技术
基于人工智能的自动驾驶车辆的研制已经发展到量产前的路试阶段。由于还存在包括偶发事故的不少技术问题，有待进一步优化完善才能量产上市。自动驾驶车辆可以看成是一个机器人和传统车辆的有机结合。机器人由传感器系统、操纵系统及驱动系统构成，如图1所示。自动驾驶车辆的起讫点可由用户（如车主或乘客，在本发明中统称为用户）设置，或由无线通讯遥控设置，由GPS 或其它自动导航系统导航，也可由乘车的用户协助导航或辅助驾驶来实现客货交通运输。自动驾驶车辆可以载客和/或载货或放空。机器人对道路和交通的状况进行实时观察和分析，并能遵守道路交通规则及相关法规。虽然自动驾驶车辆的机器人在出厂前经过了培训并具备了一般的驾驶技术，但行车除了需要应用一般的驾驶技术，完成交通运输的功能之外，还包含满足用户的行车习性，如掌控行车安全的方法、偏爱的舒适感，消遣、运动和赛车的嗜好等等。由于每个人的行车习性，道德或文明的特质不一定相同，在出现涉及个人安危的紧急情况或事故时，处理的对策也不一定相同。有的人易于违章肇事，有的人能舍己救人。按照厂家预先设定的统一出厂设置来运行的自动驾驶车辆显然不能满足每个用户的行车习性，也不能按照每个用户的意旨来处理紧急场景和可能发生的交通事故，以致自动驾驶车辆的量产和上市遇到了一系列的涉及用户个性化行车的技术的和法律的瓶颈。此外，是否用基于人工智能产生的自动驾驶车辆行车的统一规范来取代用户在使用传统车辆中形成的个性化的驾驶习性和用户特异的与行车相关的道德或文明的行为特质也是一个自动驾驶车辆生产、上市和制定相关法律法规的长期未决的争议。获取自动驾驶车辆用户的个性化行车习性和/或道德或文明的特质并在车辆的设计、生产及行车中体现用户的个性化行车习性和/或道德或文明的特质，有助于解决上述的自动驾驶车辆生产和使用的技术和法律瓶颈和争议，加快自动驾驶车辆市场化的进程，并给每个自动驾驶车辆用户提供更好的个性化行车的服务。现有技术对自动驾驶车辆行车过程中的用户自适应有颇多的研究，但鲜有自动驾驶车辆的生产过程中或没有被用户实际使用前有效的用户个性化的方案。
发明内容
本发明披露了一种自动驾驶车辆用户个性化行车的方法，包含在自动驾驶车辆在操纵行车时采用用户的优选对策，体现和/或满足用户的行车习性和/或道德或文明特质。本发明的实现包含设计用于产生自动驾驶车辆个性化数据的场景与对策的训练集，或获取已设计好的所述场景与对策的训练集。所述场景与对策的训练集中的每一个场景和相应的操纵自动行车的对策都是已经通过或能够通过模拟测试验证或实际上路行车验证的，且其中每一个对策都是可行的和合法的。通过场景与对策的训练集在自动驾驶车辆生产中或被用户使用前获取用户个性化行车的数据库，包括场景与用户对策对数据集和用户背景及行为特征数据集，在自动驾驶车辆行车的过程中应用所获得的用户个性化行车的数据库作为操纵行车的依据或参考，通过自适应的学习更新或扩充该数据库，自动驾驶车辆的操纵系统运用更新或扩充后的数据库来辅助操纵行车，并和用户交互磨合来改进用户个性化行车的体验。所述自动驾驶车辆用户个性行车方法包含一种客户定制的实现，可以使自动驾驶车辆可以根据用户的需求和特性来定制。
本发明还披露了一种运用自动驾驶车辆个性化行车的方法来获取自动驾驶车辆行车执照和/或提供自动驾驶车辆服务的许可，和/或用户购买和/或使用自动驾驶车辆的许可。
附图说明
图1. 是自动驾驶车辆的一个功能架构示意图。
图2. 是自动驾驶车辆对路况和交通事件按反应时间来分类的示意图， T1 及 T2周围的阴影区表示 T1和 T2的具体数值是一个取决于不同型号不同时段的区间。
图3. 是场景与用户对策训练集，及个性化的行车与非个性化的行车的比较示意图
图4. 是自动驾驶车辆个性化行车的过程示意图
图5. 是表1，表明对应于图2 的不同反应时间段，自动驾驶车辆个性化行车的不同效应范畴。
图6. 是自动驾驶车辆应用用户个性化行车的数据来辅助行车控制的流程示意图
图7. 是运用自动驾驶车辆个性化数据集来辅助实现自动驾驶车辆合法化的示意图
具体实施方法
以下对本发明进行进一步详细描述。描述中的具体实施仅仅用以解释本发明，并不限定本发明。
自动驾驶车辆的机器人的传感器系统在行使中观察路况和交通，将任何需要调整应对的场景根据估算的反应时间(包含传感器的感应时间、操纵系统的计算处理时间、驱动系统的作用时间等) 分为三类：瞬发事件，紧急事件和普通事件，如图2 所示， 分别对应于反应时间t 的数值位于0 < t<T1，T1 ≤ t ≤ T2，和 t > T2。对于瞬发事件，车辆除了在发生事故时做报警和人车的保护外，基本上做不了什么。对于紧急事件车辆可以设法避免事故发生或在事故发生的情况下使损失最小化，并根据在各种场景中不同的用户选择的最佳对策来优先保护本车的用户，或本车或涉及到的对方或第三方。对于普通事件，车辆可根据用户的行车习性来操纵，发生事故的几率很小。以下就对如何实现自动驾驶车辆的个性化行车做一个详细的叙述。
自动驾驶车辆的机器人的操纵系统设有用于自动驾驶车辆个性化行车的数据结构库，包括场景与用户对策对数据集和用户背景及行为特征数据集。其中每一个数据集都有与使用或准备使用该车辆的至少一位用户对应的表项。场景与用户对策对数据集中的场景，包含对路况、交通、车况的一种描述，或/和对上述描述编码后的数据。场景与用户对策对数据集中的对策包含用户在对应场景中优选的操纵车辆行车的行为的描述，或/和对该描述编码后的数据。用户背景及行为特征数据集包含用户背景数据和用户行为特征数据，其中用户背景数据包含用户的个人背景数据尤其是与使用车辆有关的信息数据包含年龄、性别、职业、婚姻状况、居住地区教育程度、驾驶记录、信贷和保险记录、健康和医疗保险记录和犯罪记录等信息，或/和对所述信息编码后的数据；用户背景及行为特征数据集中的用户行为特征数据包含用户的行车习性和/或道德或文明特质的描述，或/和对所述习性和特质分类编码后的数据。自动驾驶车辆的个性化行车起始于在车辆被用户实际上路使用之前，首先获取一个场景与用户对策训练集，如图3，图4所示，该场景与用户对策训练集中的场景包含用户的行车习性、和/或道德或文明特质、和/或用户的行车安全与交通法规、和/或其它分享行车道路的人、和/或车辆、和/或物体有冲突的场景，和/或其它机器人不能确定最佳操纵方案，需要依靠用户优选的操纵行车的对策来操纵行车的场景。其中每一个场景和对应该场景的所有可选的行车对策，都已经通过或能够通过模拟测试验证和/或行车验证，而且所述场景与用户对策训练集中的对策都是合法的。通过模拟测试验证来验证场景与用户对策训练集，是现有技术可以实现的；通过行车来验证场景与用户对策训练集，至少部分是可行的，但行车验证成本高、效率低和周期长。所述场景与用户对策训练集的获取，可以由厂家和/或设计机构和/或设计师针对某一车型来设计，或者采用一个已设计好的参考设计，或者通过上述设计和采用的组合。在获取一个场景与用户对策训练集后，由一个测试装置，包含独立的测试仪器，或由测试人员操作测试仪器，或自动驾驶车辆的机器人，通过人机交互界面，进行一个初始化的过程。在初始化的过程中，测试装置首先通过比如用户名和密码的组合或其它方法确认用户的身份。向所述用户逐一展示场景与用户对策训练集中的场景，在该场景中可选的一个或多个行车对策，以及所述一个或多个行车对策的后果或用户需对所述后果承担的至少部分责任，征集所述用户对每一个场景选择用户认为最佳的对策，作为一个场景与对策对，将每一组场景与对策对直接或在自动驾驶车辆被实际使用前输入至自动驾驶车辆的场景与用户对策对数据集对应于所述用户的表项中。征集用户的回答可以采用多选题（用户在多项答案中选择一项），或肯定或否定单选题（用户对一项答案选择肯定或否定），或用户输入一个归一化后的数值，表示对某一选择的确认概率或程度。除了上述的场景与用户对策对数据集，还要获取用户背景及行为特征数据集。首先获取用户个人背景数据。获取的方法是在自动驾驶车辆上路使用前，测试装置向用户征集和/或通过网络通讯系统、和/或电子媒体装置搜索用户资料库来采集包含用户的年龄、性别、职业、婚姻状况、居住地区教育程度、驾驶记录、信贷和保险记录、健康和医疗保险记录和犯罪记录或/及其它相关的背景数据，将所采集的数据储存于用户背景及行为特征数据集对应于该用户表项的背景部分，如图4 所示。根据行为模拟算法，以及实验统计数据对上述所获得的场景与用户对策对数据集对应于该用户的表项的数据和/或用户背景及行为特征数据集对应于该用户表项的背景部分的数据进行分析提取用户的行车习性和/或道德或文明特质，并将所提取的用户的行车习性和/或道德或文明特质进行分类，储存至用户背景及行为特征数据集中对应于该用户的表项的行为特征部分，如图4 所示。上述两个数据集的全部或部分的获取，可以在用户与生产厂家、和/或卖家、和/或租赁服务商之间进行，或通过其它方法来进行，获得的数据传送给自动驾驶车辆的机器人的操纵系统，机器人在自动驾驶车辆被用户实际上路使用前需向用户核实并完善更新。
图5 的表1对用户个性化数据对自动驾驶车辆运行的影响做了一个简单的归纳，由于如何处理紧急场景是关系到自动驾驶车辆的安全可靠性的一个关键并有争议的问题，本发明列举了一些场景与对策的特例来进一步说明实现个性化对自动驾驶车辆行车的必要性和有效性：
例1： 自动驾驶车辆 以正常速度行驶至一个交叉路口，且前方为绿灯。一两自行车突然从右侧横闯红灯行至自动驾驶车辆前。机器人发现刹车已经来不及避免事故，但向左躲闪有可能，但这会违章行车至对面车道。你的对策是：
A 刹车。
B 躲闪。
例2： 当一起碰撞事故不可避免时，你的对策是：
A 不管对方情况如何，尽可能减少对自己的伤害。
B 只要是对方的过错，不管对方情况如何，尽可能减少对自己的伤害。
C 视情况冒一定伤害自己的风险，来减少对对方的伤害。
例3：在非专用高速公路的城市道路行车中，前方出现突发事件，你乘坐的自动驾驶车辆判断必须紧急刹车才能避免碰撞前方或减少碰撞前方的力度，同时判断，如紧急刹车，后车也会与你乘坐的车辆碰撞。你的对策是：
A 紧急刹车。
B 减速并从左方或右方开出当前车道或路肩后再紧急刹车。
C 加速从左方或右方开出当前车道或路肩后再紧急刹车。
例4：你行车的习性是：
A.快而爽。
B.稳而慢。
例5：你愿意冒多大的伤害自己或自己的车辆的风险来避免一起冲撞行人的事故，0 表示不担当，1 表示完全担当：
A 0。
B 1。
C 0.5。
D 不一定。
在行车中如何运用上述获取的用户个性化数据如图6所示。首先，必须确认一位当前用户。当自动驾驶车辆载有至少一位用户时，可以所述至少一位用户任选其中一位为当前用户，在行车前确认或获取该当前用户在场景与用户对策对数据集和用户背景及行为特征数据集对应表项中的数据，参照所述数据来辅助车辆操纵系统行车。当自动驾驶车辆没有载客时，可以选用任一位用户作为当前用户，所述用户在场景与用户对策对数据集和/或用户背景及行为特征数据集对应表项中已获得有效数据；或采用厂家设置的默认用户数据来辅助行车。在行车过程中应对处理某一场景时，机器人在场景与用户对策对数据集中检索与当前场景匹配的场景；如果检索到匹配的场景，机器人就采用场景与用户对策对数据集中对应于当前用户的表项中与该匹配场景对应的对策来操纵行车；如果没有检索到匹配的场景，则根据当前用户在用户背景及行为特征数据集对应表项中的数据产生一个应对建议，机器人参照该应对建议，结合操纵系统根据当前场景基于非用户个性化行车的分析产生的应对措施从而取得一个最优操纵方法。以下就对如何检索到匹配的场景的一个实例做一个进一步的说明。由于目标检索和匹配属于比较成熟的现有技术，本发明的以下的示例仅用于说明本发明，而不用于限制本发明。
可根据场景之间的相似度来寻找当前场景和场景与用户对策对数据集中的匹配场景，所述相似度的一种计算如下：
将场景量化为一个数据结构C(R,T,V),其中 R表示经分类量化编码的路况（如市内道路和高速公路）， T表示经分类量化编码的交通状况（如稀疏或拥挤程度），V表示经分类量化编码的自动驾驶车辆的运行情况（如车速，车况和载客情况）。Ci（Ri,Ti,Vi）表示当前用户在场景与用户对策对数据集中的一个场景, 且场景的总数为 n。其中，Ri,Ti,Vi 是一个大于0 小于1的实数，其取值越大，对应于安全风险越大；且；； ；C0（R0,T0,V0）表示当前的一个场景。
场景相似度的计算可以采用下述公式：
S = , 【1】
其中，α，β，γ为风险因子，是一个大于0 小于1的实数，显然，S 越小，越相似。
用公式【1】来计算当前用户在场景与用户对策对数据集中的表项中的所有场景中与当前场景相似性最高（相似度数值最小）的场景的相似度的最小值Smin,如果 Smin小于某个阈值St1,就认为该当前场景与当前用户在场景与用户对策对数据集中的表项中对应于Smin的场景匹配，并采用对应于匹配场景的场景与对策对的对策来操纵车辆。应当指出，还可以采用比如不同的场景分类方法，或比如对场景的分类编码量化采用多层数据结构精细化，不同的场景匹配方法比如基于深度学习的人工智能的方法 来进行场景匹配。
用户背景及行为特征数据集中的用户的行为特征包含用户行车习性和/或道德或文明特质，在如何应对行车中的紧急事件时，可以分成比如包含以下几种类型：
A.易于肇事型
B.遵章守纪型
C.灵活行车型
D.见义勇为型
上述的分类基于统计、行为模拟或其它智能算法的分析，可以作为参考依据来估计用户在特定的场景中采用一种优选的操纵车辆的对策的概率大小，从而产生一个应对当前场景的操纵车辆的倾向性对策。比如，行为特征为C类的用户，对于类似上述例1中的场景，很可能会采取选择B.躲闪的对策来避免事故，而行为特征为B类的用户很可能会选择A.刹车的对策，而造成不一定是本车责任的交通事故。对于应对普通事件，可以将用户的行车习性分类为比如：
A.平稳舒适型
B.快速反应型
C.运动赛车型
在保证安全行车，遵守交通法规的前提下，自动驾驶车辆的操纵可以优先满足用户的行车习性。
本发明没有考虑使用自动驾驶车辆作为武器装备用于战场或警车，自动驾驶车辆一般被默认禁止任何主动攻击或肇事行为，包含但不限于冲撞其它车辆或行人，或者自残或自毁的行为，比如冲出悬崖或冲撞路障，隔墙，除非这样的行为可以避免造成更为严重的交通事故，并且用户在场景与用户对策对数据集中有明确的选择。
在初始化的过程中，使用的场景与用户对策训练集有可能没有场景和对策的覆盖面所有需要场景和对策的覆盖面的场景或对策，图4 的 380模块示意说明了在行车中适时获取和/含扩充场景与用户对策对数据集的数据的过程。比如，机器人在行车中遇见场景与用户对策对数据集中没有记载的危急场景时，通过音、视频媒体或其它人机交互界面通报用户，并提请用户指示对策，再根据用户指示的对策操纵车辆。机器人对操纵车辆的效果，进行评估，提取场景与对策对数据，征得当前用户同意后更新或扩充场景与用户对策对数据集对应于所述当前用户的表项中的数据。在紧急场景中，如果自动驾驶车辆的设计中包含了用户可以部分或全部直接手动操纵行驶的功能，用户也可以关闭自动驾驶，采用手动驾驶。同样，机器人会把所述场景和手动驾驶操作记录下来，对用户操纵车辆的效果，特别是有无发生事故进行评估，从用户手动驾驶操作记录中提取用户对策以及用户的行为特征，更新或扩充用户背景及行为特征数据集。在行车中，机器人还可以通过人机多媒体界面和用户进行交流，和/或观察用户的面部表情和/或肢体语言来判断用户对车辆行驶状况的满意度或不满意度，自动调节车辆的行驶操纵，从而使个性化行车的自动行车更圆满的满足用户需求；并且从所述交流、观察和自动调节的过程中提取、更新或扩充用户行为特征数据。此外，除了尽量满足用户的需求和体验，用户背景及行为特征数据集还可以用来限制用户的使用权限：机器人在自动驾驶车辆行车中实时的通过无线通讯系统获取用户的背景及行为特征数据集的更新数据，包含在发现当前用户碰巧是一个在逃的嫌犯，进行自动报警，并采取相应的措施协助警方抓获所述嫌犯。同样，当机器人通过传感器检测到当前用户为酒驾或在吸毒影响下行车，或当用户的背景及行为特征数据集的数据显示当前用户无有效的传统机动车辆的驾驶执照，或用户的驾驶记录显示用户有近期频繁的严重违章行车记录时，限制当前用户使用自动驾驶车辆的行车操纵的权限，如手动驾驶功能。
本发明披露的上述自动驾驶车辆用户个性化行车的方法,包含在设计和生产过程中对自动驾驶车辆的操纵系统进行优化，使之能实现快速的检索、读取场景与用户对策对数据集和用户背景及行为特征数据集的数据，进行快速准确的场景匹配，根据用户的对策和参照用户行为特征的行车操纵。此外，还可以通过用户定制的方法在自动驾驶车辆的生产过程中实现初始化过程，进一步优化自动驾驶车辆操纵系统设计并减少不确定性和复杂度，包含以下步骤:
S1、获取一个场景与对策训练集，其中每一个场景和对应该场景的所有提供给用户选择的行车对策，都已经通过或能够通过模拟测试验证或行车验证；其中每一个提供给用户选择的对策都是合法的；其中的场景包含用户的行车习性、和/或道德或文明特质和/或用户的行车安全与交通法规和/或与其它分享行车道路的人或车辆或物体有冲突的场景，和/或机器人不能确定最佳操纵方案，需要依靠用户优选的操纵行车的对策来操纵行车的场景；
S2、确定至少一位用户，包含定制方指定的用户，获取该用户在场景与用户对策对数据集或场景与用户对策对数据集和用户背景及行为特征数据集对应表项中的数据；
S3、将所述数据的场景与用户对策对数据集和用户背景及行为特征数据集高效的和自动驾驶车辆的操纵系统结合，包含所述操纵系统实现快速的检索、读取场景与用户对策对数据集和/或用户背景及行为特征数据集的数据，快速准确的场景匹配，根据场景与用户对策对数据集中用户的对策和参照用户背景及行为特征数据集中的用户行为特征操纵行车；
S4、将所述定制方指定的用户作为当前用户，采用所获取的该用户在场景与用户对策对数据集或场景与用户对策对数据集和用户背景及行为特征数据集对应表项中的数据作为所定制的自动驾驶车辆的出厂设置，由机器人和/或专业技术人员进行针对性的调试和测试，使被定制的自动驾驶车辆出厂时就已经完成了初始的用户个性化。
本发明披露的上述自动驾驶车辆个性化行车的方法还可以用于解决自动驾驶车辆在生产、验证、行车的过程中涉及用户的行车习性和/或道德或文明特质和法律法规问题。比如，如果采用厂家统一的设置来生产和使用自动驾驶车辆，厂家或保险公司或自动驾驶车辆的服务提供商可能承担自动驾驶车辆的所有的行为责任。如果采用本发明披露的个性化行车的方法行车，当自动驾驶车辆行车在匹配场景中准确的执行了当前用户选择的对策的时候，所述当前用户对所述操纵的后果至少负有部分责任。如图7所示，本发明披露的用来获取场景与用户对策对数据集的场景与用户对策训练集，和/或获取的场景与用户对策对数据集和/或用户背景及行为特征数据集可以作为获取自动驾驶车辆的行车执照，和/或向用户提供使用自动驾驶车辆服务的许可的一个参照标准，和/或颁发所述自动驾驶车辆仅限于所述用户使用的行车执照和/或所述用户购买或使用所述自动驾驶车辆的许可或条件许可，和/或向所述用户提供所述自动驾驶车辆载客服务的许可或条件许可的参照标准，包含：
标准1. 基于场景与用户对策训练集的参照标准。
如图3所示，用来获取场景与用户对策对数据集的场景与用户对策训练集中的场景包含用户的行车习性、和/或道德或文明特质、和/或用户的行车安全与交通法规、和/或其它分享行车道路的人、和/或车辆、和/或物体有冲突的场景，和/或其它机器人不能确定最佳操纵方案，需要依靠用户优选的操纵行车的对策的场景，且其中每一个场景和对应该场景的所有可选的行车对策都是合法的，已经通过或能够通过模拟测试验证和/或行车验证。基于所述场景与用户对策训练集获取的场景与用户对策对数据集中对应于任一位用户的表项中的用户对策都是在对应场景中一个体现了用户优选的、合法的、确定的行车操纵，克服了现有技术在操纵上述场景的不确定性。既可以用来实现个性化的行车，也包含了一种约定，即当自动驾驶车辆在匹配的场景中按照场景与用户对策对数据集中对应于当前用户表项的匹配场景的用户对策来操作行车时，所述当前用户对所述操纵的后果至少负有部分责任。当场景与用户对策训练集的场景和对策的覆盖面达到管辖自动驾驶车辆使用的地区、和/或城市、和/或国家的自动驾驶车辆行车执照颁发立法机构和/或自动驾驶车辆行车执照颁发管理机构的要求时，所述自动驾驶车辆行车执照颁发立法机构和/或自动驾驶车辆行车执照颁发管理机构就可以把所述场景与用户对策训练集作为一个颁发至少在其管辖地有效的行车执照的参照标准。基于上述作为参照标准的标准1的一个实现方法包括以下步骤：
步骤1：采用所述一个场景与用户对策训练集获取一个包含至少一位用户的场景与用户对策对数据集，包含：确认一位用户；通过多媒体界面向所述用户逐一展示场景与对策训练集中的每一个场景和与所述场景对应的至少一个提供给用户选择的操纵行车的对策，采集所述用户对所述每一个场景优选的一个对策，将所述场景和所述优选的一个对策组成一个场景与对策对并存储在场景与用户对策对数据集对应于所述用户的表项中；或者接受已经采集的场景与用户对策对数据集；或者并用所述采集和接受并在所述自动驾驶车辆被所述用户实际使用前核实或完善和/或更新所述数据。
步骤2：所述自动驾驶车辆的行车操纵包含：确认一个当前用户；其中，当所述自动驾驶车辆载有至少一位用户时，任选其中一位用户为当前用户，所述当前用户在用户对策对数据集中对应的表项中拥有通过步骤1获得的数据；当所述自动驾驶车辆没有载客时，选用任一位用户作为当前用户，所述任一位用户在场景与用户对策对数据集，或场景与用户对策对数据集和用户背景或行为特征数据集对应表项中拥有通过步骤1获得的数据，或采用厂家默认的用户为当前用户；在所述自动驾驶车辆行车的任一场景中，当所述场景与用户对策对数据集中对应于一位当前用户的表项中的一个场景匹配时，采用所述场景与用户对策对数据集中对应于所述当前用户的表项中对应于当前场景的用户对策来操纵行车；在所述作为参照标准的场景与用户对策训练集没有包括的场景中，操纵所述自动驾驶车辆行车也达到管辖自动驾驶车辆使用的地区、和/或城市、和/或国家的行车执照立法和/或行车执照颁发管理机构设定的颁发自动驾驶车辆行车执照标准；
步骤3：所述自动驾驶车辆行车执照颁发管理机构给所述车型颁发至少在其管辖
有效的自动驾驶车辆行车执照。
所述的场景与用户对策训练集可以由自动驾驶车辆生产厂家根据管辖自动驾驶车辆使用地的地区、和/或城市、和/或国家的法律法规包含交通法规来设计，并经所述地区、和/或城市、和/或国家的自动驾驶车辆行车执照颁发立法机构和/或自动驾驶车辆行车执照颁发管理机构认可作为该厂家的某一车型的自动驾驶车辆行车执照颁发的一个参照标准。当所述车型的自动驾驶车辆采用符合上述参照标准的一个场景与用户对策训练集来获取一个包含至少一位用户的场景与用户对策对数据集；根据本发明披露的个性化行车方法，包含在当前场景与用户对策对数据集中对应于一位当前用户的表项中的一个场景匹配时，采用对应的用户对策对中的用户对策来操纵行车；并在所述作为参照标准的场景与用户对策训练集没有包括的场景中操纵所述自动驾驶车辆行车也达到管辖自动驾驶车辆使用的地区、和/或城市、和/或国家的行车执照立法和/或行车执照颁发管理机构设定的颁发自动驾驶车辆行车执照标准时，所述自动驾驶车辆行车执照颁发管理机构给所述车型的自动驾驶车辆颁发至少在其管辖地有效的自动驾驶车辆行车执照。所述场景与用户对策训练集或由一个机构，和/或一家企业，和/或一个人根据管辖自动驾驶车辆使用地的地区、和/或城市、和/或国家的法律法规包含交通法规设计并由所述自动驾驶车辆使用所在地的自动驾驶车辆行车执照颁发立法机构和/或行车执照颁发管理机构认定作为所述自动驾驶车辆使用所在地的自动驾驶车辆的执照颁发的一个统一参照标准。
以下对场景与用户对策训练集的设计的一种方法作一个说明，该说明不限制本发明。场景与用户对策训练集的场景的选择包含基于对传统的机动车辆历史数据和现有的自动驾驶车辆的模拟数据和行车测试的数据的进行统计分析，和/或分类和/或量化，将风险大的和/或出现概率高的，包含用户的行车习性、和/或道德或文明特质、和/或用户的行车安全与交通法规、和/或其它分享行车道路的人、和/或车辆、和/或物体有冲突的场景，或行车操纵不确定性高的场景赋予高的优先权重，优先列入场景和用户对策训练集必须场景和对策的覆盖面的场景中；逐次降低优先权重，直至场景趋近或可被视为确定性操纵的范畴。可以用来说明上述过程的一个例子是本发明披露的如图2所示的自动驾驶车辆对行车事件按反应时间的分类。从突发事件、紧急事件到普通事件，需要纳入场景和用户对策训练集的场景的必要性或概率或权重是逐渐降低的。显然，对于普通事件的场景，就更适合参照用户背景与行为特征数据集来应对，而不一定要列入场景和用户对策训练集中。
对应于用户对策训练集中的某一特定的场景，可以通过模拟行车的系统或平台和/或行车统计数据产生可能的、合法的包含一个或多个操纵行车方案的方案集，其中每一个操纵行车的方案可以是一包含个基本操作或多个基本操作的协同有序的组合，所述基本操作包含比如加速、减速、前进、后退、转向、刹车、停车、灯光和/或音响和/或显示的控制等等。通过模拟行车的系统或平台和/或行车统计数据可以估算出某一方案的出现概率。不同的方案对所述场景中涉及的各方的利益会有不同的侧重。根据人群行车习性和/或道德或文明特质的分类，可以形成一个从最利己的到最无私的心理行为区间用户的概率密度分布，或包含多维心理因素的联合概率密度分布，可以称之为用户心理分布。将用户心理包含按其在心理分布中的邻近位置分成若干个概率区间，每一个区间对应于一个用户心理群，每一个用户心理群可以对应于一个按行车习性和/或道德或文明特质来进行的分类的类别。如果对应于某一个用户心理群，在所述操纵行车方案的方案集中能找到一个或多个满足所述用户心理群的用户的方案，且所述方案的出现概率大于一个阈值，就可以将所述一个或多个方案作为在所述特定场景下可供用户选择来产生一个场景与用户对策对的方案。显然，用户心理群的分区越细，方案出现的概率阈值越小，可供用户选择的方案就越多，反之亦然。或者，也可以从操纵行车方案的方案集中的方案出发，用某一方案出现的概率作为筛选条件，当某一方案出现的概率大于一个阈值时就将所述方案列入对策的候选集，并优先采用出现概率大的方案；或者建立一个包含行车方案的方案集和用户心理群的联合概率密度分布或条件概率密度分布来确定其匹配相关性。从场景和用户对策训练集的实际用于获取场景与用户对策对数据集出发，可以兼顾效率、场景和对策的覆盖面和精准度。此外，通过对场景和/或方案的分类和/或量化编码，可以使场景和用户对策训练集属于一个有限的离散数据集合，便于快速的检索和场景匹配。
上述用以达到自动驾驶车辆使用所在地行车执照颁发管理机构设定的颁发自动驾驶车辆行车执照标准的场景和用户对策训练集的设计方法，可以通过有监督或无监督的学习和/或其它基于人工智能的算法，和/或通过经过一定培训的技术人员使用概率统计算法工具对行车统计数据和相关的用户人群行车习性和/或道德或文明特质的分类统计数据进行处理，并对照依据管辖自动驾驶车辆使用所在地的法律法规来实现。由于场景的客观描述和用户理解的差异性，自动驾驶车辆的操纵性能的差异，不同的地区、和/或国家、和/或立法者和/或用户对场景和对策的诠释也会有一定的差异，由此会可能产生对应不同自动驾驶车辆车型、不同自动驾驶车辆使用地的不同的颁发自动驾驶车辆行车执照的参照标准和达到所述参照标准要求的场景和用户对策训练集。尽管如此，本发明提出的场景和用户对策训练集作为一个评估自动驾驶车辆的性能和颁发行车执照的辅助标准是普遍适用的，其设计也是相关领域的技术人员通过现有的技术可以实现的。基于作为所述参照标准的场景和用户对策训练集的本发明披露的个性化的行车方法有助于提升自动驾驶车辆在用户的行车习性、和/或道德或文明特质、和/或用户的行车安全与交通法规、和/或其它分享行车道路的人、和/或车辆、和/或物体有冲突的场景，或自动驾驶车辆行车操纵不确定性高的场景中的操纵行车的确定性和透明度，从而可以免除相关立法和/或执法机构，和/或用户，和/或大众对自动驾驶车辆在上述场景中不确定性操纵的怀疑和恐慌。
标准2. 上述作为参照标准1的场景与对策训练集，以及基于所述场景与用户对练集获取的自动驾驶车辆的采用本发明提供的个性化行车方法获取的含有至少一位用户的数据的场景与用户对策对数据集，以及含有所述至少一位用户的数据的用户背景及行为特征数据集，作为颁发所述自动驾驶车辆的行车执照和/或所述至少一位用户购买或使用所述自动驾驶车辆的许可或条件许可，和/或向所述至少一位用户提供所述自动驾驶车辆载客服务的许可或条件许可的一个参照标准。
其中：所述场景与用户对策训练集包含：其中每一个场景和对应该场景的所有用户提供给用户选择的行车对策，都已经通过或能够通过模拟测试验证和/或行车验证；其中每一个提供给用户选择的对策都是合法的；其中的场景包含用户的行车习性、和/或道德或文明特质、和/或用户的行车安全与交通法规、和/或其它分享行车道路的人、和/或车辆、和/或物体有冲突的场景,和/或自动驾驶车辆的操纵系统不能确定最佳操纵方案，需要依靠用户优选的操纵行车的对策来操纵行车的场景；所述场景与用户对策训练集的场景和对策的覆盖面达到所述自动驾驶车辆行车执照颁发立法机构和/或自动驾驶车辆行车执照颁发管理机构的要求，并由管辖自动驾驶车辆使用地的地区、和/或城市、和/或国家的行车执照立法和/或行车执照颁发管理机构认可作为颁发至少在其管辖地有效的行车执照的一个参照标准；
其中，包含通过以下的步骤获取所述至少一位用户的数据的场景与用户对策对数据集：确认一位用户，所述用户为申请购买所述自动驾驶车辆或申请使用所述自动驾驶车辆载客服务的用户；通过多媒体界面向所述用户逐一展示所述场景与对策训练集中的每一个场景和与所述场景对应的至少一个提供给用户选择的操纵行车的对策，采集所述用户对所述每一个场景优选的一个对策，将所述场景和所述优选的一个对策组成一个场景与对策对并存储在场景与用户对策对数据集对应于所述用户的表项中；或者接受已经采集的场景与用户对策对数据集；或者并用所述采集和接受并在所述自动驾驶车辆被所述用户实际使用前核实或完善和/或更新所述数据；所述场景与用户对策对数据集对应于所述用户的表项中的场景和对策的覆盖面达到所述自动驾驶车辆行车执照颁发立法机构和/或自动驾驶车辆行车执照颁发管理机构的要求；
其中，包含通过以下的步骤来获取所述含有所述至少一位用户的用户背景及行为特征数据集：向所述用户采集和/或通过网络通讯系统、和/或电子媒体装置搜索用户资料库，采集所述用户个人背景数据；将所采集的数据储存于用户背景及行为特征数据集对应于该用户表项的背景部分；根据行为模拟算法，以及实验数据统计对获取的场景与用户对策对数据集对应于所述用户的表项中的数据，及/或用户背景及行为特征数据集对应于所述用户背景的表项中的数据来提取用户的行车习性和/或道德或文明特质，并将所提取的用户的行车习性和/或道德或文明特质进行分类，将分类后的数据储存至用户背景及行为特征数据集中对应于所述用户的表项的行为特征部分；或者接受已经获取的用户背景及行为特征数据集数据，或者并用所述采集、提取和接受，并在所述自动驾驶车辆被所述用户实际使用前核实或完善和/或更新所述数据。
所述标准2实际上是将采用本发明披露的个性化行车的自动驾驶车辆视为采用了用户旨意驾驶的车辆或体现了用户的行车习性及道德或文明特质的自动驾驶车辆，所以，参照标准2颁发的自动驾驶车辆的行车执照和/或所述用户购买或使用所述自动驾驶车辆的许可实际上相当于将传统的行车执照和驾驶执照的合二为一，同时将所述自动驾驶车辆的合法使用和所述用户绑定。
由于在获取场景与用户对策对数据集的过程中，有可能没有采集到标准1所采用的用户对策训练集所包含的全部场景的数据，还由于场景与用户对策对数据集和用户背景及行为特征数据集对应于某一位用户表项的数据也是确定该用户使用或条件使用自动驾驶车辆的一个依据，一种基于标准2的颁发所述自动驾驶车辆的行车执照和/或所述至少一位用户购买或使用所述自动驾驶车辆的许可或条件许可，和/或向所述用户提供所述自动驾驶车辆载客服务的许可或条件许可的方法，包含以下步骤；
步骤1. 所述自动驾驶车辆在被实际使用前，获取如标准2所述的含有所述用户的数据的场景与用户对策对数据集，和含有所述用户的数据的用户背景及行为特征数据集
步骤2：所述自动驾驶车辆的行车操纵包含：确认所述用户为当前用户；在所述自动驾驶车辆行车的任一场景中，当所述场景与用户对策对数据集中对应于当前用户的表项中的一个场景匹配时，采用所述场景与用户对策对数据集中对应于所述当前用户的表项中对应于当前场景的用户对策来操纵行车；在所述作为参照标准的场景与用户对策训练集没有包括的场景中，操纵所述自动驾驶车辆行车也达到管辖自动驾驶车辆使用的地区、和/或城市、和/或国家的行车执照立法和/或行车执照颁发管理机构设定的颁发自动驾驶车辆行车执照标准；
步骤3：所述行车执照颁发管理机构给所述自动驾驶车辆颁发至少在其管辖地有效的所述自动驾驶车辆的行车执照和/或所述用户购买或使用所述自动驾驶车辆的许可或条件许可，和/或向所述用户提供所述自动驾驶车辆载客服务的许可或条件许可；其中，所述条件许可包含：参照用户背景及行为特征数据集对应于所述用户的表项中的数据，如所述用户没有有效的传统驾驶机动车辆驾驶执照，限制所述用户使用自动驾驶车辆提供的手动驾驶功能；如所述用户为在逃的嫌犯则拒绝所述用户购买所述自动驾驶车辆或使用所述自动驾驶车辆的载客服务。
Claims (12)
1.一种自动驾驶车辆的个性化行车的方法，其特征在于，包含在所述自动驾驶车辆被用户实际使用前，获取含有至少一位用户的个性化行车数据的数据库，所述数据库包含场景与用户对策对数据集或场景与用户对策对数据集和用户背景及行为特征数据集，应用所述数据库辅助操纵所述自动驾驶车辆的行车，包含以下步骤：
步骤1：获取一个场景与用户对策训练集；包含设计一个场景与用户对策训练集，或采用一个设计好的场景与用户对策训练集，或所述设计和采用的组合；
步骤2：获取所述自动驾驶车辆的含有至少一位用户的数据的场景与用户对策对数据集，或场景与用户对策对数据集和用户背景及行为特征数据集；
步骤3：确认所述自动驾驶车辆一位当前用户；
步骤4：应用场景与用户对策对数据集，和/或用户背景及行为特征数据集对应于当前用户的表项中的数据辅助操纵所述自动驾驶车辆的行车；
步骤5：在自动驾驶车辆行车中获取，和/或更新，和/或扩充场景与用户对策对数据集，和/或用户背景及行为特征数据集中对应于所述当前用户在表项中的数据；
步骤6：应用步骤2获取的和/或步骤5获取的场景与用户对策对数据集，和/或用户背景及行为特征数据集对应于所述当前用户的表项中的数据按照步骤4辅助操纵所述自动驾驶车辆的行车。
2.如权利要求1所述的自动驾驶车辆个性化行车方法，其特征在于：所述步骤2中获取所述自动驾驶车辆的含有至少一位用户的数据的场景与用户对策对数据集，包含: 获取一个场景与对策训练集，其中每一个场景和对应该场景的所有用户提供给用户选择的行车对策，都已经通过或能够通过模拟测试验证和/或行车验证；其中每一个提供给用户选择的对策都是合法的；其中的场景包含用户的行车习性、和/或道德或文明特质、和/或用户的行车安全与交通法规、和/或其它分享行车道路的人、和/或车辆、和/或物体有冲突的场景,和/或机器人不能确定最佳操纵方案，需要依靠用户优选的操纵行车的对策来操纵行车的场景；确认一位用户；通过多媒体界面向所述用户逐一展示场景与对策训练集中的每一个场景和与所述场景对应的至少一个提供给用户选择的操纵行车的对策，采集所述用户对所述每一个场景优选的一个对策，将所述场景和所述优选的一个对策组成一个场景与对策对并存储在场景与用户对策对数据集对应于所述用户的表项中；或者接受已经采集的场景与用户对策对数据集；或者并用所述采集和接受并在所述自动驾驶车辆被所述用户实际使用前核实或完善和/或更新所述数据。
3.如权利要求1所述的自动驾驶车辆个性化行车方法，其特征在于：所述步骤2中获取至少一位用户的用户背景及行为特征数据集包含：确定一位用户,向用户采集和/或通过网络通讯系统、和/或电子媒体装置搜索用户资料库，采集所述用户个人背景数据；将所采集的数据储存于用户背景及行为特征数据集对应于该用户表项的背景部分；根据行为模拟算法，以及实验数据统计对获取的场景与用户对策对数据集对应于该用户的表项中的数据，及/或用户背景及行为特征数据集对应于该用户背景的表项中的数据来提取用户的行车习性和/或道德或文明特质，并将所提取的用户的行车习性和/或道德或文明特质进行分类，将分类后的数据储存至用户背景及行为特征数据集中对应于该用户的表项的行为特征部分；或者接受已经获取的用户背景及行为特征数据集数据，或者并用所述采集、提取和接受，并在所述自动驾驶车辆被所述用户实际使用前核实或完善和/或更新所述数据。
4.如权利要求1所述的自动驾驶车辆个性化行车方法，其特征在于：所述步骤3包含：当所述自动驾驶车辆载有至少一位用户时，任选其中一位用户为当前用户，所述当前用户在场景与用户对策对数据集或场景与用户对策对数据集和用户背景或行为特征数据集对应表项中拥有通过如权利要求2和/或权利要求3所述的步骤2获得的数据；当所述自动驾驶车辆没有载客时，选用任一位用户作为当前用户，所述任一位用户在场景与用户对策对数据集，或场景与用户对策对数据集和用户背景或行为特征数据集对应表项中拥有通过如权利要求2和/或权利要求3所述的步骤2获得的数据，或采用厂家默认的用户为当前用户。
5.如权利要求1所述的自动驾驶车辆个性化行车方法，其特征在于：所述步骤4包含：在所述自动驾驶车辆的场景与用户对策对数据集中检索与当前场景匹配的场景；采用与所述匹配的场景对应的所述当前用户的表项中的对策来操纵行车；如没有检索到与当前场景匹配的场景，根据所述当前用户在背景及行为特征数据集对应表项中的数据来产生一个参考对策；所述自动驾驶车辆的行车操纵系统基于对非用户个性化行车场景分析产生的对策，参照所述参考对策，得出一个最优对策方案来操纵行车;所述当前用户对所述操纵的后果至少负有部分责任。
6.如权利要求1所述的自动驾驶车辆个性化行车方法，其特征在于：所述步骤5包含：在车辆行车中通过多媒体或其它界面向所述当前用户通报疑难场景，提请所述当前用户指示对策，根据所述当前用户指示的对策操纵车辆；对操纵车辆的效果进行评估，提取场景与对策对数据，征得当前用户同意后更新或扩充场景与用户对策对数据集对应于所述当前用户的表项中的数据；或者在行车中将所述当前用户采用手动驾驶车辆的过程记录下来，对所述手动驾驶车辆的过程进行评估，从所述当前用户的手动驾驶过程提取用户对策以及用户的行为特征，更新或扩充用户背景及行为特征数据集对应于所述当前用户的表项；或者在行车中，通过人机多媒体界面和用户进行交流，和/或观察所述当前用户的面部表情，和/或肢体语言来判断所述当前用户对车辆行车状况的满意度或不满意度，自动调节车辆的行车操纵以使当前用户满意；并从所述交流、观察和自动调节的过程中提取、更新或扩充用户背景和行为特征数据集对应于所述当前用户的表项中的数据；机器人在自动驾驶车辆行车中实时的通过无线通讯系统获取用户的背景及行为特征数据集的更新数据，包含在发现当前用户碰巧是一个在逃的嫌犯，进行自动报警，并采取相应的措施协助警方抓获所述嫌犯；当机器人通过传感器检测到当前用户为酒驾或在吸毒影响下行车，或当用户的背景及行为特征数据集的数据显示当前用户无有效的传统机动车辆的驾驶执照，或用户的驾驶记录显示用户有近期频繁的严重违章行车记录时，限制当前用户使用自动驾驶车辆的行车操纵权限，如手动驾驶功能。
7.如权利要求1所述自动驾驶车辆的个性化行车的方法，其特征在于：包含一种用户个性化行车的自动驾驶车辆的用户定制的实现，所述实现在所述自动驾驶车辆的设计和生产过程中将用户个性化行车的数据与所述自动驾驶车辆的操纵系统进行整合，包含以下步骤:
S1、获取一个场景与对策训练集，其中每一个场景和对应该场景的所有提供给用户选择的行车对策，都已经通过或能够通过模拟测试验证或行车验证；其中每一个提供给用户选择的对策都是合法的；其中的场景包含用户的行车习性、和/或道德或文明特质和/或用户的行车安全与交通法规和/或与其它分享行车道路的人或车辆或物体有冲突的场景，和/或机器人不能确定最佳操纵方案，需要依靠用户优选的操纵行车的对策来操纵行车的场景；
S2、确定至少一位用户，包含定制方指定的用户，获取该用户在场景与用户对策对数据集或场景与用户对策对数据集和用户背景及行为特征数据集对应表项中的数据；
S3、将所述数据的场景与用户对策对数据集和用户背景及行为特征数据集高效的和自动驾驶车辆的操纵系统结合，包含所述操纵系统实现快速的检索、读取场景与用户对策对数据集和/或用户背景及行为特征数据集的数据，快速准确的场景匹配，根据场景与用户对策对数据集中用户的对策和参照用户背景及行为特征数据集中的用户行为特征操纵行车；
S4、将所述定制方指定的用户作为当前用户，采用所获取的该用户在场景与用户对策对数据集或场景与用户对策对数据集和用户背景及行为特征数据集对应表项中的数据作为所定制的自动驾驶车辆的出厂设置，由机器人和/或专业技术人员进行针对性的调试和测试，使被定制的自动驾驶车辆出厂时就已经完成了初始的用户个性化。
8.一个颁发自动驾驶车辆行车执照的参照标准，其特征在于：包含一个场景与用户对策训练集；所述场景与用户对策训练集包含：其中每一个场景和对应该场景的所有用户提供给用户选择的行车对策，都已经通过或能够通过模拟测试验证和/或行车验证；其中每一个提供给用户选择的对策都是合法的；其中的场景包含用户的行车习性、和/或道德或文明特质、和/或用户的行车安全与交通法规、和/或其它分享行车道路的人、和/或车辆、和/或物体有冲突的场景,和/或自动驾驶车辆的操纵系统不能确定最佳操纵方案，需要依靠用户优选的操纵行车的对策来操纵行车的场景；所述场景与用户对策训练集的场景和对策的覆盖面达到所述自动驾驶车辆行车执照颁发立法机构和/或自动驾驶车辆行车执照颁发管理机构的要求，并由管辖自动驾驶车辆使用地的地区、和/或城市、和/或国家的行车执照立法和/或行车执照颁发管理机构认可作为颁发至少在其管辖地有效的行车执照的一个参照标准。
9.如权利要求8所述的参照标准，其特征在于，包含一个通过以下步骤实现的颁发自动驾驶车辆行车执照的方法:
步骤1：采用所述一个场景与用户对策训练集获取一个包含至少一位用户的场景与用户对策对数据集，包含：确认一位用户；通过多媒体界面向所述用户逐一展示场景与对策训练集中的每一个场景和与所述场景对应的至少一个提供给用户选择的操纵行车的对策，采集所述用户对所述每一个场景优选的一个对策，将所述场景和所述优选的一个对策组成一个场景与对策对并存储在场景与用户对策对数据集对应于所述用户的表项中；或者接受已经采集的场景与用户对策对数据集；或者并用所述采集和接受并在所述自动驾驶车辆被所述用户实际使用前核实或完善和/或更新所述数据；
步骤2：所述自动驾驶车辆的行车操纵包含：确认一个当前用户；其中，当所述自动驾驶车辆载有至少一位用户时，任选其中一位用户为当前用户，所述当前用户在用户对策对数据集中对应的表项中拥有通过步骤1获得的数据；当所述自动驾驶车辆没有载客时，选用任一位用户作为当前用户，所述任一位用户在场景与用户对策对数据集，或场景与用户对策对数据集和用户背景或行为特征数据集对应表项中拥有通过步骤1获得的数据，或采用厂家默认的用户为当前用户；在所述自动驾驶车辆行车的任一场景中，当所述场景与用户对策对数据集中对应于一位当前用户的表项中的一个场景匹配时，采用所述场景与用户对策对数据集中对应于所述当前用户的表项中对应于当前场景的用户对策来操纵行车；在所述作为参照标准的场景与用户对策训练集没有包括的场景中，操纵所述自动驾驶车辆行车也达到管辖自动驾驶车辆使用的地区、和/或城市、和/或国家的行车执照立法和/或行车执照颁发管理机构设定的颁发自动驾驶车辆行车执照标准；
步骤3：所述自动驾驶车辆行车执照颁发管理机构给所述车型颁发至少在其管辖地有效的自动驾驶车辆行车执照。
10.如权利要求8所述的参照标准，其特征在于：所述将场景与用户对策训练集由任一辆自动驾驶车辆生产厂家对所述厂家的任一种车型，根据自动驾驶车辆使用的地区、和/或城市、和/或国家的法律法规包含交通法规设计一个场景与对策训练集，或采用设计好的一个场景与对策训练集，或并用所述设计和采用；所述场景与对策训练集经所述管辖自动驾驶车辆使用地的地区、和/或城市、和/或国家的行车执照立法和/或行车执照颁发管理机构认定作为颁发所述厂家的所述车型的自动驾驶车辆至少在所述管辖地有效的行车执照的一个参照标准；或者：所述将场景与用户对策训练集由一个机构，和/或一家企业，和/或一个人根据所述管辖自动驾驶车辆使用地的地区、和/或城市、和/或国家的法律法规包含交通法规设计，或采用所述设计，或并用所述设计和采用；所述场景与对策训练集经所述管辖自动驾驶车辆使用地的地区、和/或城市、和/或国家的行车执照立法和/或行车执照颁发管理机构认定作为颁发任一自动驾驶车辆至少在其管辖地有效的行车执照的一个统一参照标准。
11.一个颁发自动驾驶车辆行车执照和/或用户购买和/或使用自动驾驶车辆行车的许可和/或条件许可，和/或向用户提供自动驾驶车辆载客服务的许可或条件许可的参照标准，其特征在于，包含一个场景与用户对策训练集，以及基于所述场景与用户对策训练集获取的自动驾驶车辆的含有至少一位用户的数据的场景与用户对策对数据集和含有所述至少一位用户的用户背景及行为特征数据集；
其中：所述场景与用户对策训练集包含：其中每一个场景和对应该场景的所有用户提供给用户选择的行车对策，都已经通过或能够通过模拟测试验证和/或行车验证；其中每一个提供给用户选择的对策都是合法的；其中的场景包含用户的行车习性、和/或道德或文明特质、和/或用户的行车安全与交通法规、和/或其它分享行车道路的人、和/或车辆、和/或物体有冲突的场景,和/或自动驾驶车辆的操纵系统不能确定最佳操纵方案，需要依靠用户优选的操纵行车的对策来操纵行车的场景；所述场景与用户对策训练集的场景和对策的覆盖面达到所述自动驾驶车辆行车执照颁发立法机构和/或自动驾驶车辆行车执照颁发管理机构的要求，并由管辖自动驾驶车辆使用地的地区、和/或城市、和/或国家的行车执照立法和/或行车执照颁发管理机构认可作为颁发至少在其管辖地有效的行车执照的一个参照标准；
其中，包含通过以下的步骤获取含有至少一位用户的数据的场景与用户对策对数据集：确认一位用户，所述用户为申请购买所述自动驾驶车辆或申请使用所述自动驾驶车辆载客服务的用户；通过多媒体界面向所述用户逐一展示所述场景与对策训练集中的每一个场景和与所述场景对应的至少一个提供给用户选择的操纵行车的对策，采集所述用户对所述每一个场景优选的一个对策，将所述场景和所述优选的一个对策组成一个场景与对策对并存储在场景与用户对策对数据集对应于所述用户的表项中；或者接受已经采集的场景与用户对策对数据集；或者并用所述采集和接受并在所述自动驾驶车辆被所述用户实际使用前核实或完善和/或更新所述数据；所述场景与用户对策对数据集对应于所述用户的表项中场景和对策的覆盖面达到所述自动驾驶车辆行车执照颁发立法机构和/或自动驾驶车辆行车执照颁发管理机构的要求；
其中，包含通过以下的步骤获取所述含有所述至少一位用户的用户背景及行为特征数据集：向所述用户采集和/或通过网络通讯系统、和/或电子媒体装置搜索用户资料库，采集所述用户个人背景数据；将所采集的数据储存于用户背景及行为特征数据集对应于该用户表项的背景部分；根据行为模拟算法，以及实验数据统计对获取的场景与用户对策对数据集对应于所述用户的表项中的数据，及/或用户背景及行为特征数据集对应于所述用户背景的表项中的数据来提取用户的行车习性和/或道德或文明特质，并将所提取的用户的行车习性和/或道德或文明特质进行分类，将分类后的数据储存至用户背景及行为特征数据集中对应于所述用户的表项的行为特征部分；或者接受已经获取的用户背景及行为特征数据集数据，或者并用所述采集、提取和接受，并在所述自动驾驶车辆被所述用户实际使用前核实或完善和/或更新所述数据。
12.如权利要求11所述的参照标准，其特征在于，包含一个通过以下步骤实现的颁发自动驾驶车辆行车执照和/或用户购买和/或使用自动驾驶车辆行车的许可或条件许可，和/或向用户提供自动驾驶车辆载客服务的许可或条件许可的方法:
步骤1. 所述自动驾驶车辆在被实际使用前，获取含有所述用户的数据的场景与用户对策对数据集，和含有所述用户的数据的用户背景及行为特征数据集；
步骤2：所述自动驾驶车辆的行车操纵包含：确认所述用户为当前用户；在所述自动驾驶车辆行车的任一场景中，当所述场景与用户对策对数据集中对应于当前用户的表项中的一个场景匹配时，采用所述场景与用户对策对数据集中对应于所述当前用户的表项中对应于当前场景的用户对策来操纵行车；在所述作为参照标准的场景与用户对策训练集没有包括的场景中，操纵所述自动驾驶车辆行车也达到管辖自动驾驶车辆使用的地区、和/或城市、和/或国家的行车执照立法和/或行车执照颁发管理机构设定的颁发自动驾驶车辆行车执照标准；
步骤3：所述行车执照颁发管理机构给所述自动驾驶车辆颁发至少在其管辖地有效的所述自动驾驶车辆的行车执照和/或所述用户购买或使用所述自动驾驶车辆的许可或条件许可，和/或向所述用户提供所述自动驾驶车辆载客服务的许可或条件许可；其中，所述条件许可包含：参照用户背景及行为特征数据集对应于所述用户的表项中的数据，如所述用户没有有效的传统驾驶机动车辆驾驶执照，限制所述用户使用自动驾驶车辆提供的手动驾驶功能；如所述用户为在逃的嫌犯则拒绝所述用户购买所述自动驾驶车辆或使用所述自动驾驶车辆的载客服务。
Priority Applications (7)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15/867,946 US10642276B2 (en) | 2017-06-12 | 2018-01-11 | Customize and legalize self-driving motor vehicles |
| US16/101,282 US10775800B2 (en) | 2017-06-12 | 2018-08-10 | Methods, protocol and system for customizing self-driving motor vehicles and issuing a vehicle license thereof |
| US16/819,210 US10928823B2 (en) | 2017-06-12 | 2020-03-16 | Method and system for customizing self-driving motor vehicle |
| US16/926,654 US10928824B2 (en) | 2017-06-12 | 2020-07-11 | System for customizing the operation of a self-driving motor vehicle |
| US16/930,325 US10969792B2 (en) | 2017-06-12 | 2020-07-16 | Method to obtain control data for personized operation of a self-driving motor vehicle |
| US16/932,813 US10962978B2 (en) | 2017-06-12 | 2020-07-19 | Scenario cluster in self-driving motor vehicle operation |
| US16/936,437 US10976744B2 (en) | 2017-06-12 | 2020-07-23 | Method to obtain rider preference data in personalized operation of self-driving motor vehicle |
Applications Claiming Priority (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710490689 | 2017-06-26 | ||
| CN2017104906894 | 2017-06-26 | ||
| CN201710568488.1A CN107340773A (zh) | 2017-06-26 | 2017-07-13 | 一种自动驾驶车辆用户个性化的方法 |
| CN2017105684881 | 2017-07-13 | ||
| CN201710989212 | 2017-10-22 | ||
| CN2017109892120 | 2017-10-22 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107918392A true CN107918392A (zh) | 2018-04-17 |
| CN107918392B CN107918392B (zh) | 2021-10-22 |
Family
ID=61896947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711212892.1A Expired - Fee Related CN107918392B (zh) | 2017-06-12 | 2017-11-28 | 一种自动驾驶车辆个性化行车及获取行车执照的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107918392B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109084992A (zh) * | 2018-07-27 | 2018-12-25 | 长安大学 | 基于台架测试无人车智能性的方法 |
| CN109632290A (zh) * | 2018-12-29 | 2019-04-16 | 江铃控股有限公司 | 变速箱驾驶试验方法 |
| CN112109645A (zh) * | 2019-06-19 | 2020-12-22 | 宝马股份公司 | 向车辆用户提供辅助的方法和系统 |
| CN116991084A (zh) * | 2023-09-28 | 2023-11-03 | 北京斯年智驾科技有限公司 | 一种无人驾驶模拟仿真系统、方法、装置和存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104484911A (zh) * | 2014-10-29 | 2015-04-01 | 云南大学 | 基于QoE的个性化自动驾驶参数优化设定方法 |
| US20150233719A1 (en) * | 2014-02-14 | 2015-08-20 | International Business Machines Corporation | Limitations on the use of an autonomous vehicle |
| US20160232785A1 (en) * | 2015-02-09 | 2016-08-11 | Kevin Sunlin Wang | Systems and methods for traffic violation avoidance |
| CN105892471A (zh) * | 2016-07-01 | 2016-08-24 | 北京智行者科技有限公司 | 汽车自动驾驶方法和装置 |
| US20160314224A1 (en) * | 2015-04-24 | 2016-10-27 | Northrop Grumman Systems Corporation | Autonomous vehicle simulation system |
| CN106448221A (zh) * | 2016-10-19 | 2017-02-22 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于个人驾驶行为分析的在线辅助驾驶信息推送系统及其应用 |
| CN106683673A (zh) * | 2016-12-30 | 2017-05-17 | 智车优行科技（北京）有限公司 | 驾驶模式的调整方法、装置和系统、车辆 |
| US20170135621A1 (en) * | 2015-11-16 | 2017-05-18 | Samsung Electronics Co., Ltd. | Apparatus and method to train autonomous driving model, and autonomous driving apparatus |
-
2017
- 2017-11-28 CN CN201711212892.1A patent/CN107918392B/zh not_active Expired - Fee Related
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150233719A1 (en) * | 2014-02-14 | 2015-08-20 | International Business Machines Corporation | Limitations on the use of an autonomous vehicle |
| US9308891B2 (en) * | 2014-02-14 | 2016-04-12 | International Business Machines Corporation | Limitations on the use of an autonomous vehicle |
| CN104484911A (zh) * | 2014-10-29 | 2015-04-01 | 云南大学 | 基于QoE的个性化自动驾驶参数优化设定方法 |
| US20160232785A1 (en) * | 2015-02-09 | 2016-08-11 | Kevin Sunlin Wang | Systems and methods for traffic violation avoidance |
| US20160314224A1 (en) * | 2015-04-24 | 2016-10-27 | Northrop Grumman Systems Corporation | Autonomous vehicle simulation system |
| US20170135621A1 (en) * | 2015-11-16 | 2017-05-18 | Samsung Electronics Co., Ltd. | Apparatus and method to train autonomous driving model, and autonomous driving apparatus |
| CN105892471A (zh) * | 2016-07-01 | 2016-08-24 | 北京智行者科技有限公司 | 汽车自动驾驶方法和装置 |
| CN106448221A (zh) * | 2016-10-19 | 2017-02-22 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于个人驾驶行为分析的在线辅助驾驶信息推送系统及其应用 |
| CN106683673A (zh) * | 2016-12-30 | 2017-05-17 | 智车优行科技（北京）有限公司 | 驾驶模式的调整方法、装置和系统、车辆 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109084992A (zh) * | 2018-07-27 | 2018-12-25 | 长安大学 | 基于台架测试无人车智能性的方法 |
| CN109632290A (zh) * | 2018-12-29 | 2019-04-16 | 江铃控股有限公司 | 变速箱驾驶试验方法 |
| CN112109645A (zh) * | 2019-06-19 | 2020-12-22 | 宝马股份公司 | 向车辆用户提供辅助的方法和系统 |
| CN112109645B (zh) * | 2019-06-19 | 2023-08-15 | 宝马股份公司 | 向车辆用户提供辅助的方法和系统 |
| CN116991084A (zh) * | 2023-09-28 | 2023-11-03 | 北京斯年智驾科技有限公司 | 一种无人驾驶模拟仿真系统、方法、装置和存储介质 |
| CN116991084B (zh) * | 2023-09-28 | 2023-12-19 | 北京斯年智驾科技有限公司 | 一种无人驾驶模拟仿真系统、方法、装置和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107918392B (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3533681B1 (en) | Method for detecting safety of driving behavior, apparatus and storage medium | |
| CN108595823B (zh) | 一种联合驾驶风格和博弈理论的自主车换道策略计算方法 | |
| CN107918392A (zh) | 一种自动驾驶车辆个性化行车及获取行车执照的方法 | |
| CN106570477B (zh) | 基于深度学习的车型识别模型构建方法及车型识别方法 | |
| DE112020001643T5 (de) | Autonomes Fahrzeugsystem | |
| US11132211B1 (en) | Neural finite state machines | |
| Scott et al. | Rethinking juvenile justice | |
| CN109726804B (zh) | 一种基于行车预测场和bp神经网络的智能车辆驾驶行为拟人化决策方法 | |
| CN108921200A (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
| CN107340773A (zh) | 一种自动驾驶车辆用户个性化的方法 | |
| Xun et al. | Deep learning enhanced driving behavior evaluation based on vehicle-edge-cloud architecture | |
| CN108803623B (zh) | 一种自动驾驶车辆个性化行车的方法和行车合法化的系统 | |
| CN112163446B (zh) | 一种障碍物检测方法、装置、电子设备及存储介质 | |
| CN105930771A (zh) | 一种驾驶行为评分方法及装置 | |
| DE102020122757A1 (de) | Systeme und verfahren für mitfahrgelegenheiten unter verwendung von blockchain | |
| CN110379443A (zh) | 声音识别装置和声音识别方法 | |
| EP3705367A1 (en) | Training a generator unit and a discriminator unit for collision-aware trajectory prediction | |
| Griggs et al. | Leader and leaderless multi-layer consensus with state obfuscation: An application to distributed speed advisory systems | |
| JP2004171423A (ja) | サービス効果向上方式 | |
| Shao et al. | A Discretionary Lane‐Changing Decision‐Making Mechanism Incorporating Drivers’ Heterogeneity: A Signalling Game‐Based Approach | |
| CN111696347B (zh) | 一种自动化分析交通事件信息的方法和装置 | |
| Holen et al. | Road detection for reinforcement learning based autonomous car | |
| CN116664873A (zh) | 图像信息处理方法、装置及存储介质 | |
| Teng et al. | Car following model based on driving risk field for vehicle infrastructure cooperation | |
| Paret et al. | Autonomous and Connected Vehicles: Network Architectures from Legacy Networks to Automotive Ethernet |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210923 Address after: 518000 513-1, floor 5, building 1, Yilida building, No. 1092, Nanshan Avenue, Nanshan street, Nanshan District, Shenzhen, Guangdong Applicant after: Shenzhen riel image technique Co.,Ltd. Address before: 518000 Nanshan Street Pioneering Road, Nanshan District, Shenzhen City, Guangdong Province, 326, 3 Zhongxing Industrial City Applicant before: Huai Xiaoning |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211022 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |