CN109215368A - 一种辅助驾驶的方法、装置、设备和计算机存储介质 - Google Patents

Abstract

本发明提供了一种辅助驾驶的方法、装置、设备和计算机存储介质，所述方法包括：获取车辆的行驶数据，根据所述行驶数据判断用户是否出现犹豫驾驶行为；若确定用户出现犹豫驾驶行为，根据所述行驶数据以及预设的易混淆交规集合判断用户当前是否面临易混淆交规；若确定用户当前面临易混淆交规，根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值；若所得到的评估值超过预设阈值，则向用户提供对应当前所面临的易混淆交规的辅助信息。本发明能够结合实际驾驶场景对用户所遇到的交规进行实时指导。

Description

一种辅助驾驶的方法、装置、设备和计算机存储介质

【技术领域】

本发明涉及驾驶技术领域，尤其涉及一种辅助驾驶的方法、装置、设备和计算机存储介质。

【背景技术】

现有的交规助手类软件偏重于交规知识的静态学习，例如通过文字、图片、动画、视频等形式让用户学习交规知识。因此，现有的交规助手类软件不能够保证用户的学习效果，且无法对用户在实际驾驶过程中所遇到的交规进行实时指导。而现有的导航软件仅能够在一定程度上帮助用户了解普通交规，例如指导用户某条路是否可以走、某个路口是否可以掉头等，但对于一些较为模糊的交规，例如红灯时是否可以掉头或者右转等，无法给用户提供准确的指导。

【发明内容】

有鉴于此，本发明提供了一种辅助驾驶的方法、装置、设备和计算机存储介质，能够结合实际驾驶场景对用户所遇到的交规进行实时指导。

本发明为解决技术问题所采用的技术方案为提供一种辅助驾驶的方法，所述方法包括：获取车辆的行驶数据，根据所述行驶数据判断用户是否出现犹豫驾驶行为；若确定用户出现犹豫驾驶行为，根据所述行驶数据以及预设的易混淆交规集合判断用户当前是否面临易混淆交规；若确定用户当前面临易混淆交规，根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值；若所得到的评估值超过预设阈值，则向用户提供对应当前所面临的易混淆交规的辅助信息。

根据本发明一优选实施例，所述车辆的行驶数据包括车辆行驶环境的视频数据以及车辆行驶的定位数据中的至少一种；所述犹豫驾驶行为包括车辆减速、车辆低速行驶或者车辆停车中的一种。

根据本发明一优选实施例，预设的易混淆交规集合包括易混淆交规及其对应的模糊值。

根据本发明一优选实施例，所述根据所述行驶数据以及预设的易混淆交规集合判断用户当前是否面临易混淆交规包括：提取并识别车辆行驶环境的视频数据中的交通标志或标线，得到交规识别结果；在预设的易混淆交规集合中对交规识别结果进行匹配；若能够匹配到与所述交规识别结果对应的易混淆交规，则确定用户当前面临易混淆交规，否则确定用户当前未面临易混淆交规。

根据本发明一优选实施例，所述根据所述行驶数据以及预设的易混淆交规集合判断用户当前是否面临易混淆交规包括：根据车辆行驶的定位数据确定车辆当前所处位置的位置信息；根据车辆当前所处位置的位置信息确定该位置所对应的交规；在预设的易混淆交规集合中对所确定的交规进行匹配；若能够匹配到与所确定的交规对应的易混淆交规，则确定用户当前面临易混淆交规，否则确定用户当前未面临易混淆交规。

根据本发明一优选实施例，所述用户的交规画像中包括易混淆交规以及各易混淆交规对应的模糊值，其中模糊值体现用户对易混淆交规的熟悉程度。

根据本发明一优选实施例，所述根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值包括：从用户的交规画像中提取出对应用户当前所面临的易混淆交规的模糊值，将所提取的模糊值作为用户不理解易混淆交规的概率P(A)；根据用户本次行驶的驾驶距离以及用户出现犹豫驾驶行为的次数，得到用户出现犹豫驾驶行为的概率P(B)；预先设定当用户不理解易混淆交规而出现犹豫驾驶行为的概率P(B|A)；根据所得到的P(A)、P(B)以及P(B|A)，利用贝叶斯定理，计算用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值P(A|B)。

根据本发明一优选实施例，所述所述根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值包括：获取用户的犹豫驾驶行为；根据用户的交规画像获取用户当前所面临的易混淆交规对应的模糊值；将用户的犹豫驾驶行为、用户当前所面临的易混淆交规及其对应的模糊值作为输入，利用预先训练得到的评估模型，将评估模型的输出结果作为用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值。

根据本发明一优选实施例，所述评估模型采用以下方式预先训练得到：获取犹豫驾驶行为、各犹豫驾驶行为发生时所面临的易混淆交规、各易混淆交规对应的模糊值以及用户出现犹豫驾驶行为是由于不理解各易混淆交规的概率作为训练样本；将犹豫驾驶行为、各犹豫驾驶行为发生时所面临的易混淆交规以及各易混淆交规对应的模糊值作为输入，将用户出现犹豫驾驶行为是由于不理解对应的易混淆交规的概率作为输出，训练深度学习模型，得到评估模型。

根据本发明一优选实施例，在向用户提供对应当前所面临的易混淆交规的辅助信息之后，还进一步包括：确定用户对所提供的辅助信息的执行情况；根据用户对辅助信息的执行情况，更新用户的交规画像。

根据本发明一优选实施例，根据用户对辅助信息的执行情况，更新用户的交规画像包括：若用户执行同一个易混淆交规对应的辅助信息达到预设次数，将交规画像中该易混淆交规的模糊值降为一个很小的数值；若用户本次未执行易混淆交规所对应的辅助信息，先将该易混淆交规的模糊值降为一个很小的数值，当用户再次面对该易混淆交规出现犹豫驾驶行为的次数超过预设次数，将交规画像中对应该易混淆交规的模糊值恢复为原数值。

本发明为解决技术问题所采用的技术方案为提供一种辅助驾驶装置，其特征在于，所述装置包括：第一判断单元，用于获取车辆的行驶数据，根据所述行驶数据判断用户是否出现犹豫驾驶行为；第二判断单元，用于若确定用户出现犹豫驾驶行为，根据所述行驶数据以及预设的易混淆交规集合确定用户当前是否面临易混淆交规；评估单元，用于若确定用户当前面临易混淆交规，根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值；处理单元，用于若所得到的评估值超过预设阈值，则向用户提供对应当前所面临的易混淆交规的辅助信息。

根据本发明一优选实施例，所述车辆的行驶数据包括车辆行驶环境的视频数据以及车辆行驶的定位数据中的至少一种；所述犹豫驾驶行为包括车辆减速、车辆低速行驶或者车辆停车中的一种。

根据本发明一优选实施例，所述第二判断单元在根据所述行驶数据以及预设的易混淆交规集合确定用户当前是否面临易混淆交规时，具体执行：提取并识别车辆行驶环境的视频数据中的交通标志或标线，得到交规识别结果；在预设的易混淆交规集合中对交规识别结果进行匹配；若能够匹配到与所述交规识别结果对应的易混淆交规，则确定用户当前面临易混淆交规，否则确定用户当前未面临易混淆交规。

根据本发明一优选实施例，所述第二判断单元在根据所述行驶数据以及预设的易混淆交规集合确定用户当前是否面临易混淆交规时，具体执行：根据车辆行驶的定位数据确定车辆当前所处位置的位置信息；根据车辆当前所处位置的位置信息确定该位置所对应的交规；在预设的易混淆交规集合中对所确定的交规进行匹配；若能够匹配到与所确定的交规对应的易混淆交规，则确定用户当前面临易混淆交规，否则确定用户当前未面临易混淆交规。

根据本发明一优选实施例，所述评估单元在根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值时，具体执行：从用户的交规画像中提取出对应用户当前所面临的易混淆交规的模糊值，将所提取的模糊值作为用户不理解易混淆交规的概率P(A)；根据用户本次行驶的驾驶距离以及用户出现犹豫驾驶行为的次数，得到用户出现犹豫驾驶行为的概率P(B)；预先设定当用户不理解易混淆交规而出现犹豫驾驶行为的概率P(B|A)；根据所得到的P(A)、P(B)以及P(B|A)，利用贝叶斯定理，计算用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值P(A|B)。

根据本发明一优选实施例，所述评估单元在根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值时，具体执行：获取用户的犹豫驾驶行为；根据用户的交规画像获取用户当前所面临的易混淆交规对应的模糊值；将用户的犹豫驾驶行为、用户当前所面临的易混淆交规及其对应的模糊值作为输入，利用预先训练得到的评估模型，将评估模型的输出结果作为用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值。

根据本发明一优选实施例，所述装置还包括训练单元，用于采用以下方式预先训练得到评估模型：获取犹豫驾驶行为、各犹豫驾驶行为发生时所面临的易混淆交规、各易混淆交规对应的模糊值以及用户出现犹豫驾驶行为是由于不理解各易混淆交规的概率作为训练样本；将犹豫驾驶行为、各犹豫驾驶行为发生时所面临的易混淆交规以及各易混淆交规对应的模糊值作为输入，将用户出现犹豫驾驶行为是由于不理解对应的易混淆交规的概率作为输出，训练深度学习模型，得到评估模型。

根据本发明一优选实施例，所述处理单元在向用户提供对应当前所面临的易混淆交规的辅助信息之后，还进一步执行：确定用户对所提供的辅助信息的执行情况；根据用户对辅助信息的执行情况，更新用户的交规画像。

根据本发明一优选实施例，所述处理单元在根据用户对辅助信息的执行情况，更新用户的交规画像时，具体执行：若用户执行同一个易混淆交规对应的辅助信息达到预设次数，将交规画像中该易混淆交规的模糊值降为一个很小的数值；若用户本次未执行易混淆交规所对应的辅助信息，先将该易混淆交规的模糊值降为一个很小的数值，当用户再次面对该易混淆交规出现犹豫驾驶行为的次数超过预设次数，将交规画像中对应该易混淆交规的模糊值恢复为原数值。

由以上技术方案可以看出，本发明通过车辆的行驶数据确定用户出现犹豫驾驶行为且当前面临易混淆交规后，根据用户所面临的易混淆交规以及用户的交规画像，得到用户由于不理解易混淆交规而出现犹豫驾驶行为的评估值，进而根据所得到的评估值向用户提供当前所面临易混淆交规的辅助信息，从而实现结合实际驾驶场景对用户所面临的交规进行实时指导，能够帮助用户及时作出正确操作以及确保用户的出行安全。

【附图说明】

图1为本发明一实施例提供的一种辅助驾驶的方法流程图；

图2为本发明一实施例提供的一种辅助驾驶的装置结构图；

图3为本发明一实施例提供的计算机系统/服务器的框图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

图1为本发明一实施例提供的一种辅助驾驶的方法流程图，如图1中所示，所述方法包括：

在101中，获取车辆的行驶数据，根据所述行驶数据判断用户是否出现犹豫驾驶行为。

在本步骤中，首先获取车辆的行驶数据，然后根据所获取的行驶数据判断用户是否出现犹豫驾驶行为，若确定用户在驾驶过程中出现犹豫驾驶行为，则执行步骤102，否则继续执行获取车辆的行驶数据的操作。

具体地，本步骤中所获取的车辆的行驶数据包括车辆行驶环境的视频数据以及车辆行驶的定位数据中的至少一种；而本实施例中所涉及到的犹豫驾驶行为包括用户在正常驾驶环境(未遭遇堵车或者未等待红绿灯)下所出现的车辆减速、车辆低速行驶或者车辆停车等行为。

其中，本步骤可以通过车辆自身携带的摄像头获取车辆行驶环境的视频数据，通过车辆自身携带的定位装置获取车辆行驶的定位数据；也可以通过车辆上所安装的行车记录仪获取车辆的行驶数据；还可以通过车辆驾驶人员的手机等终端设备获取车辆的行驶数据。本步骤对获取车辆的行驶数据的方式不进行限定。

在根据车辆的行驶数据判断用户是否出现犹豫驾驶行为时，可以采用以下方式：检测所获取的行驶数据是否停止变化或者变化速度减慢，若检测到车辆的行驶数据停止变化或者变化速度减慢，则确定用户出现犹豫驾驶行为，否则确定用户未出现犹豫驾驶行为。

举例来说，若检测到车辆行驶环境的视频数据中车辆周围的环境停止变化或者变化速度减慢，则确定用户出现犹豫驾驶行为；若检测到车辆行驶的定位数据中车辆的位置停止变化或者变化速度减慢，则确定用户出现犹豫驾驶行为。

另外可以理解的是，本步骤还可以进一步包括：根据车辆的行驶数据判断用户是否面临红绿灯、堵车等情况；若确定用户面临红绿灯、堵车等情况，则确定用户未出现犹豫驾驶行为，否则确定用户出现犹豫驾驶行为。举例来说，若根据车辆行驶环境的视频数据确定用户正在等待红绿灯，则确定用户此时并未出现犹豫驾驶行为。

在102中，若确定用户出现犹豫驾驶行为，根据所述行驶数据以及预设的易混淆交规集合判断用户当前是否面临易混淆交规。

在本步骤中，若根据步骤101确定用户在驾驶过程中出现了犹豫驾驶行为，则根据步骤101中所获取的行驶数据以及预设的易混淆交规集合，判断用户当前是否面临易混淆交规。为了便于描述，本发明中将交通规则简化为交规进行描述。

具体地，预设的易混淆交规集合中包括易混淆交规及其对应的模糊值。

其中，可以通过以下方式预先设立易混淆交规集合：向多个用户提供交规集合；统计各个用户对在各个交规下是否明确如何驾驶的回答-明确或模糊；汇总多个用户的回答，将同一交规中用户回答为模糊的人数占回答的总人数的百分比作为该交规的模糊值，例如10％的用户对某项交规的回答为模糊，则该项交规的模糊值为0.1；将模糊值满足预设要求的交规确定为易混淆交规，例如将模糊值超过预设阈值的交规确定为易混淆交规，从而得到易混淆交规集合。

也可以直接由人为预先设定易混淆交规以及各易混淆交规的模糊值，从而构成易混淆交规集合。

在根据行驶数据以及预设的易混淆交规集合判断用户当前是否面临易混淆交规时，可以采用以下方式：提取并识别车辆行驶环境的视频数据中的交通标志或标线，得到交规识别结果；在预设的易混淆交规集合中对交规识别结果进行匹配；若能够匹配到与交规识别结果对应的易混淆交规，则确定用户当前面临易混淆交规，否则确定用户当前未面临易混淆交规。

在根据行驶数据以及预设的易混淆交规集合判断用户当前是否面临易混淆交规时，还可以采用以下方式：根据车辆行驶的定位数据确定车辆当前所处位置的位置信息；根据车辆当前所处位置的位置信息确定该位置所对应的交规；在预设的易混淆交规集合中对所确定的交规进行匹配；若能够匹配到与所确定的交规对应的易混淆交规，则确定用户当前面临易混淆交规，否则确定用户当前未面临易混淆交规。

其中，在根据车辆当前所处位置的位置信息确定该位置所对应的交规时，可以根据该位置的位置信息在互联网上搜索，从而得到该位置处的交规；也可以根据该位置的位置信息在预设的地图数据库中搜索，从而得到该位置处的交规。

在103中，若确定用户当前面临易混淆交规，根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值。

在本步骤中，若步骤102确定用户当前面临易混淆交规，则根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值。

具体地，用户的交规画像中包含易混淆交规以及各易混淆交规所对应的模糊值。其中，易混淆交规对应的模糊值体现用户对易混淆交规的熟悉程度，模糊值越小，表明用户对该易混淆交规越熟悉，相反，则表明用户对该易混淆交规越模糊。

可以理解的是，若用户初次使用本方法进行辅助驾驶时，可以将预设的易混淆交规集合作为该用户的初始交规画像。而用户的交规画像中各易混淆交规对应的模糊值会根据用户的驾驶次数或驾驶里程而不断更新，从而能够越来越准确地反映用户对易混淆交规的熟悉程度。对于更新交规画像的方法将在下文中详细描述。

举例来说，若存在5项易混淆交规，分别为交规1、交规2、交规3、交规4、交规5，对应的模糊值分别为0.1、0.15、0.05、0.03、0.3，则用户对应的交规画像便由(交规1：0.1，交规2：0.15，交规3：0.05，交规4：0.03，交规5：0.3)5维向量表达。

另外可以理解的是，由于同一车辆可能会被不同的驾驶人员驾驶，而不同驾驶人员所对应的交规画像也不相同，因此本步骤还可以进一步包括：预先保存不同用户与与其对应的交规画像之间的对应关系；根据所保存的对应关系，确定与当前用户所对应的交规画像。

具体地，在根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值时，可以直接将交规画像中该易混淆交规所对应的模糊值作为用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值。

也可以采用以下方式：将事件A定义为用户不理解易混淆交规，对应事件A的概率为P(A)，将事件B定义为用户出现犹豫驾驶行为，对应事件B的概率为P(B)；根据用户当前所面临的易混淆交规，从用户的交规画像中提取出对应该易混淆交规的模糊值，将所提取的模糊值作为P(A)；根据用户本次行驶的驾驶距离(以公里为单位)以及用户出现犹豫驾驶行为行为的次数，得到出现犹豫驾驶行为的概率P(B)；预先设定当用户不理解易混淆交规而出现犹豫驾驶行为的概率P(B|A)；利用贝叶斯定理，根据所得到的P(A)、P(B)以及P(B|A)计算用户出现犹豫驾驶行为是由于不理解该易混淆交规的概率P(A|B)，将计算得到的P(A|B)的值作为用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值。

具体地，在得到P(A)、P(B)以及P(B|A)后，利用如下公式计算用户出现犹豫驾驶行为是由于不理解该易混淆交规的概率：

P(A|B)＝P(B|A)*P(A)/P(B)

对上述过程进行举例说明：若用户当前面临的易混淆交规为交规1；用户本次行驶的驾驶距离为100公里，出现犹豫驾驶行为15次；预设的当用户不理解易混淆交规而出现犹豫驾驶行为的概率为0.95。根据用户的交规画像确定易混淆交规1的模糊值为0.1，则P(A)为0.1；P(B)为(15/100＝0.15)；P(B|A)为0.95，则P(A|B)＝P(B|A)*P(A)/P(B)＝0.95*0.1/0.15＝0.63，即用户出现犹豫驾驶行为是由于不理解易混淆交规1的评估值为0.63。

在根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值时，还可以采用以下方式：获取用户的犹豫驾驶行为；根据交规画像获取用户当前所面临的易混淆交规对应的模糊值；将用户的犹豫驾驶行为、用户当前所面临的易混淆交规及其对应的模糊值作为输入，利用预先训练得到的评估模型，将评估模型的输出结果作为用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值。

其中，评估模型可以采用如下方式预先训练得到：获取犹豫驾驶行为、各犹豫驾驶行为发生时所面临的易混淆交规、各易混淆交规对应的模糊值以及用户出现犹豫驾驶行为是由于不理解各易混淆交规的概率作为训练样本；将犹豫驾驶行为、各犹豫驾驶行为发生时所面临的易混淆交规以及各易混淆交规对应的模糊值作为输入，将用户出现犹豫驾驶行为是由于不理解对应的易混淆交规的概率作为输出，训练深度学习模型，从而得到评估模型。

利用所得到的评估模型，根据所输入的犹豫驾驶行为、易混淆交规及其对应的模糊值，能够得到用户出现犹豫驾驶行为是由于该易混淆交规的概率。其中，深度学习模型可以为深度神经网络模型、卷积神经网络模型等，本发明对此不进行限定。

在104中，若所得到的评估值超过预设阈值，则向用户提供对应当前所面临的易混淆交规的辅助信息。

在本步骤中，根据步骤103中所得到的评估值，判断该评估值是否超过预设阈值，若超过，则向用户提供对应当前所面临交规的辅助信息。其中，向用户所提供的辅助信息中包含易混淆交规的含义以及易混淆交规所对应的处理策略。另外可以理解的是，向用户所提供的辅助信息可以为语音信息，也可以为视频信息。

举例来说，若根据步骤103得到用户出现犹豫驾驶行为是由于不理解易混淆交规1的评估值为0.63，若预设阈值为0.5，确定评估值超过了预设阈值，则向用户提供对应当前所面临的易混淆交规1所对应的辅助信息。

具体地，在向用户提供对应当前所面临的易混淆交规的辅助信息时，可以采用以下方式：根据用户当前所面临的易混淆交规在互联网上搜索，将所得到的搜索结果作为辅助信息提供给用户。

也可以采用以下方式：预设的易混淆交规集合中进一步包括各易混淆交规所对应的辅助信息；根据用户所面临的易混淆交规在易混淆交规集合中搜索，从而将搜索得到的辅助信息提供给用户。

还可以采用以下方式：根据用户所面临的易混淆交规得到与其对应的辅助信息；根据车辆行驶环境的视频数据以及所得到的辅助信息，生成在当前场景下对应该易混淆交规的实际辅助信息；将所得到的实际辅助信息提供给用户。也就是说，本步骤根据用户当前所处的实际环境得到对应用户所面临的易混淆交规的实际辅助信息。

另外，本步骤在向用户提供辅助信息之后，还进一步包括：确定用户对所提供的辅助信息的执行情况，即用户执行或是未执行所提供的辅助信息；根据用户对辅助信息的执行情况，更新用户的交规画像。

具体地，在根据用户对辅助信息的执行情况更新用户的交规画像时，可以采用以下方式：若用户执行了对应当前易混淆交规的辅助信息，则将交规画像中该易混淆交规的模糊值减去第一预设数值，例如减去0.002；若用户未执行对应当前易混淆交规的辅助信息，则将交规画像中该易混淆交规的模糊值减去第二预设数值，例如减去0.005。可以理解的是，若交规画像中易混淆交规对应的模糊值为负数时，可以将模糊值修改为0。

在根据用户对辅助信息的执行情况更新用户的交规画像时，还可以采用以下方式：若用户执行同一个易混淆交规对应的辅助信息达到预设次数时，例如3次，将交规画像中该易混淆交规的模糊值降为一个很小的数值，例如降至0.001；若用户本次未执行易混淆交规对应的辅助信息，则先将该易混淆交规的模糊值降为一个很小的数值，例如0.001，当用户再次面对该易混淆交规出现犹豫驾驶行为的次数超过预设次数时，例如2次，则将交规画像中对应该易混淆交规的模糊值恢复为原数值。

本步骤在确定用户对所提供的辅助信息的执行情况时，可以采用以下方式：确定用户在预设时间内是否执行所提供的辅助信息；当用户在预设时间内执行时，则确定用户对所提供的辅助信息进行执行，否则确定未执行。另外，若根据车辆行驶环境的视频数据分析当前用户处于红绿灯、堵车情况时，则可以延缓确定用户对所提供的辅助信息的执行情况，当上述红绿灯、堵车等消失时，再继续确定用户对所提供的辅助信息的执行情况。

图2为本发明一实施例提供的一种辅助驾驶的装置结构图，如图2中所示，所述装置包括：第一判断单元21、第二判断单元22、评估单元23、处理单元24以及训练单元25。

第一判断单元21，用于获取车辆的行驶数据，根据所述行驶数据判断用户是否出现犹豫驾驶行为。

第一判断单元21首先获取车辆的行驶数据，然后根据所获取的行驶数据判断用户是否出现犹豫驾驶行为。

具体地，第一判断单元21所获取的车辆的行驶数据包括车辆行驶环境的视频数据以及车辆行驶的定位数据中的至少一种；而第一判断单元21所涉及到的犹豫驾驶行为包括用户在正常驾驶环境(未遭遇堵车或者未等待红绿灯)下所出现的车辆减速、车辆低速行驶或者车辆停车等行为。

其中，第一判断单元21可以通过车辆自身携带的摄像头获取车辆行驶环境的视频数据，通过车辆自身携带的定位装置获取车辆行驶的定位数据；第一判断单元21也可以通过车辆上所安装的行车记录仪获取车辆的行驶数据；第一判断单元21还可以通过车辆驾驶人员的手机等终端设备获取车辆的行驶数据。

在根据车辆的行驶数据判断用户是否出现犹豫驾驶行为时，第一判断单元21可以采用以下方式：检测所获取的行驶数据是否停止变化或者变化速度减慢，若检测到车辆的行驶数据停止变化或者变化速度减慢，则确定用户出现犹豫驾驶行为，否则确定用户未出现犹豫驾驶行为。

另外可以理解的是，第一判断单元21还可以进一步执行：第一判断单元21根据车辆的行驶数据判断用户是否面临红绿灯、堵车等情况；若确定用户面临红绿灯、堵车等情况，则确定用户未出现犹豫驾驶行为，否则确定用户出现犹豫驾驶行为。

第二判断单元22，用于若确定用户出现犹豫驾驶行为，根据所述行驶数据以及预设的易混淆交规集合判断用户当前是否面临易混淆交规。

第二判断单元22若根据第一判断单元21确定用户在驾驶过程中出现了犹豫驾驶行为，则根据第一判断单元21所获取的行驶数据以及预设的易混淆交规集合，判断用户当前是否面临易混淆交规。具体地，预设的易混淆交规集合中包括易混淆交规及其对应的模糊值。

其中，第二判断单元22可以通过以下方式预先设立易混淆交规集合：向多个用户提供交规集合；统计各个用户对在各个交规下是否明确如何驾驶的回答-明确或模糊；汇总多个用户的回答，将同一交规中用户回答为模糊的人数占回答的总人数的百分比作为该交规的模糊值，例如10％的用户对某项交规的回答为模糊，则该项交规的模糊值为0.1；将模糊值满足预设要求的交规确定为易混淆交规，例如将模糊值超过预设阈值的交规确定为易混淆交规，从而得到易混淆交规集合。

第二判断单元22也可以直接由人为预先设定易混淆交规以及各易混淆交规的模糊值，从而构成易混淆交规集合。

在根据行驶数据以及预设的易混淆交规集合判断用户当前是否面临易混淆交规时，第二判断单元22可以采用以下方式：提取并识别车辆行驶环境的视频数据中的交通标志或标线，得到交规识别结果；在预设的易混淆交规集合中对交规识别结果进行匹配；若能够匹配到与交规识别结果对应的易混淆交规，则确定用户当前面临易混淆交规，否则确定用户当前未面临易混淆交规。

在根据行驶数据以及预设的易混淆交规集合判断用户当前是否面临易混淆交规时，第二判断单元22还可以采用以下方式：根据车辆行驶的定位数据确定车辆当前所处位置的位置信息；根据车辆当前所处位置的位置信息确定该位置所对应的交规；在预设的易混淆交规集合中对所确定的交规进行匹配；若能够匹配到与所确定的交规对应的易混淆交规，则确定用户当前面临易混淆交规，否则确定用户当前未面临易混淆交规。

其中，第二判断单元22在根据车辆当前所处位置的位置信息确定该位置所对应的交规时，可以根据该位置的位置信息在互联网上搜索，从而得到该位置处的交规；也可以根据该位置的位置信息在预设的地图数据库中搜索，从而得到该位置处的交规。

训练单元25，用于预先训练得到评估模型。

训练单元25可以采用如下方式预先训练得到评估模型：获取犹豫驾驶行为、各犹豫驾驶行为发生时所面临的易混淆交规、各易混淆交规对应的模糊值以及用户出现犹豫驾驶行为是由于不理解各易混淆交规的概率作为训练样本；将犹豫驾驶行为、各犹豫驾驶行为发生时所面临的易混淆交规以及各易混淆交规对应的模糊值作为输入，将用户出现犹豫驾驶行为是由于不理解对应的易混淆交规的概率作为输出，训练深度学习模型，从而得到评估模型。

利用训练单元25训练所得到的评估模型，根据所输入的犹豫驾驶行为、易混淆交规及其对应的模糊值，能够得到用户出现犹豫驾驶行为是由于该易混淆交规的概率。其中，深度学习模型可以为深度神经网络模型、卷积神经网络模型等，本发明对此不进行限定。

评估单元23，若确定用户当前面临易混淆交规，根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值。

若第二判断单元22确定用户当前面临易混淆交规，评估单元23则根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值。

具体地，用户的交规画像中包含易混淆交规以及各易混淆交规所对应的模糊值。其中，易混淆交规对应的模糊值体现用户对易混淆交规的熟悉程度，模糊值越小，表明用户对该易混淆交规越熟悉，相反，则表明用户对该易混淆交规越模糊。

可以理解的是，若用户初次使用本方法进行辅助驾驶时，评估单元23可以将预设的易混淆交规集合作为该用户的初始交规画像。而用户的交规画像中各易混淆交规对应的模糊值会根据用户的驾驶次数或驾驶里程而不断更新，从而能够越来越准确地反映用户对易混淆交规的熟悉程度。对于更新交规画像的方法将在下文中详细描述。

另外可以理解的是，由于同一车辆可能会被不同的驾驶人员驾驶，而不同驾驶人员所对应的交规画像也不相同，因此评估单元23可以进一步执行：预先保存不同用户与与其对应的交规画像之间的对应关系；根据所保存的对应关系，确定与当前用户所对应的交规画像。

具体地，评估单元23在根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值时，可以直接将交规画像中该易混淆交规所对应的模糊值作为用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值。

评估单元23也可以采用以下方式：将事件A定义为用户不理解易混淆交规，对应事件A的概率为P(A)，将事件B定义为用户出现犹豫驾驶行为，对应事件B的概率为P(B)；根据用户当前所面临的易混淆交规，从用户的交规画像中提取出对应该易混淆交规的模糊值，将所提取的模糊值作为P(A)；根据用户本次行驶的驾驶距离(以公里为单位)以及用户出现犹豫驾驶行为行为的次数，得到出现犹豫驾驶行为的概率P(B)；预先设定当用户不理解易混淆交规而出现犹豫驾驶行为的概率P(B|A)；利用贝叶斯定理，根据所得到的P(A)、P(B)以及P(B|A)计算用户出现犹豫驾驶行为是由于不理解该易混淆交规的概率P(A|B)，将计算得到的P(A|B)的值作为用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值。

具体地，在得到P(A)、P(B)以及P(B|A)后，利用如下公式计算用户出现犹豫驾驶行为是由于不理解该易混淆交规的概率：

P(A|B)＝P(B|A)*P(A)/P(B)

在根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值时，评估单元23还可以采用以下方式：获取用户的犹豫驾驶行为；根据交规画像获取用户当前所面临的易混淆交规对应的模糊值；将用户的犹豫驾驶行为、用户当前所面临的易混淆交规及其对应的模糊值作为输入，利用训练单元25预先训练得到的评估模型，将评估模型的输出结果作为用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值。

处理单元24，用于若所得到的评估值超过预设阈值，则向用户提供对应当前所面临的易混淆交规的辅助信息。

处理单元24根据评估单元23所得到的评估值，判断该评估值是否超过预设阈值，若超过，则向用户提供对应当前所面临交规的辅助信息。其中，处理单元24向用户所提供的辅助信息中包含易混淆交规的含义以及易混淆交规所对应的处理策略。另外可以理解的是，处理单元24向用户所提供的辅助信息可以为语音信息，也可以为视频信息。

具体地，处理单元24在向用户提供对应当前所面临的易混淆交规的辅助信息时，可以采用以下方式：根据用户当前所面临的易混淆交规在互联网上搜索，将所得到的搜索结果作为辅助信息提供给用户。

处理单元24也可以采用以下方式：预设的易混淆交规集合中进一步包括各易混淆交规所对应的辅助信息；根据用户所面临的易混淆交规在易混淆交规集合中搜索，从而将搜索得到的辅助信息提供给用户。

处理单元24还可以采用以下方式：根据用户所面临的易混淆交规得到与其对应的辅助信息；根据车辆行驶环境的视频数据以及所得到的辅助信息，生成在当前场景下对应该易混淆交规的实际辅助信息；将所得到的实际辅助信息提供给用户。也就是说，处理单元24根据用户当前所处的实际环境得到对应用户所面临的易混淆交规的实际辅助信息。

另外，处理单元24在向用户提供辅助信息之后，还进一步包括：确定用户对所提供的辅助信息的执行情况，即用户执行或是未执行所提供的辅助信息；根据用户对辅助信息的执行情况，更新用户的交规画像。

具体地，处理单元24在根据用户对辅助信息的执行情况更新用户的交规画像时，可以采用以下方式：若用户执行了对应当前易混淆交规的辅助信息，则将交规画像中该易混淆交规的模糊值减去第一预设数值，例如减去0.002；若用户未执行对应当前易混淆交规的辅助信息，则将交规画像中该易混淆交规的模糊值减去第二预设数值，例如减去0.005。可以理解的是，若交规画像中易混淆交规对应的模糊值为负数时，可以将模糊值修改为0。

处理单元24在根据用户对辅助信息的执行情况更新用户的交规画像时，还可以采用以下方式：若用户执行同一个易混淆交规对应的辅助信息达到预设次数时，例如3次，将交规画像中该易混淆交规的模糊值降为一个很小的数值，例如降至0.001；若用户本次未执行易混淆交规对应的辅助信息，则先将该易混淆交规的模糊值降为一个很小的数值，例如0.001，当用户再次面对该易混淆交规出现犹豫驾驶行为的次数超过预设次数时，例如2次，则将交规画像中对应该易混淆交规的模糊值恢复为原数值。

处理单元24在确定用户对所提供的辅助信息的执行情况时，可以采用以下方式：确定用户在预设时间内是否执行所提供的辅助信息；当用户在预设时间内执行时，则确定用户对所提供的辅助信息进行执行，否则确定未执行。

另外，处理单元24若根据车辆行驶环境的视频数据分析当前用户处于红绿灯、堵车情况时，则可以延缓确定用户对所提供的辅助信息的执行情况，当上述红绿灯、堵车等消失时，再继续确定用户对所提供的辅助信息的执行情况。

图3示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。图3显示的计算机系统/服务器012仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图3所示，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理单元016，系统存储器028，连接不同系统组件(包括系统存储器028和处理单元016)的总线018。

总线018表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机系统/服务器012典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器012访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器028可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)030和/或高速缓存存储器032。计算机系统/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统034可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机系统/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口022进行。并且，计算机系统/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图3中未示出，可以结合计算机系统/服务器012使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元016通过运行存储在系统存储器028中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的方法流程。

上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。例如，被上述一个或多个处理器执行本发明实施例所提供的方法流程。

随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

利用本发明所提供的技术方案，通过车辆的行驶数据确定用户出现犹豫驾驶行为且当前面临易混淆交规后，根据用户所面临的易混淆交规以及用户的交规画像，得到用户由于不理解易混淆交规而出现犹豫驾驶行为的评估值，进而根据所得到的评估值向用户提供当前所面临易混淆交规的辅助信息，从而实现结合实际驾驶场景对用户所面临的交规进行实时指导，能够帮助用户及时作出正确操作以及确保用户的出行安全。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (22)

1.一种辅助驾驶的方法，其特征在于，所述方法包括：

获取车辆的行驶数据，根据所述行驶数据判断用户是否出现犹豫驾驶行为；

若确定用户出现犹豫驾驶行为，根据所述行驶数据以及预设的易混淆交规集合判断用户当前是否面临易混淆交规；

若确定用户当前面临易混淆交规，根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值；

若所得到的评估值超过预设阈值，则向用户提供对应当前所面临的易混淆交规的辅助信息。

2.根据权利要求1所述的方法，其特征在于，所述车辆的行驶数据包括车辆行驶环境的视频数据以及车辆行驶的定位数据中的至少一种；

所述犹豫驾驶行为包括车辆减速、车辆低速行驶或者车辆停车中的一种。

3.根据权利要求1所述的方法，其特征在于，预设的易混淆交规集合包括易混淆交规及其对应的模糊值。

4.根据权利要求2所述的方法，其特征在于，所述根据所述行驶数据以及预设的易混淆交规集合判断用户当前是否面临易混淆交规包括：

提取并识别车辆行驶环境的视频数据中的交通标志或标线，得到交规识别结果；

在预设的易混淆交规集合中对交规识别结果进行匹配；

若能够匹配到与所述交规识别结果对应的易混淆交规，则确定用户当前面临易混淆交规，否则确定用户当前未面临易混淆交规。

5.根据权利要求2所述的方法，其特征在于，所述根据所述行驶数据以及预设的易混淆交规集合判断用户当前是否面临易混淆交规包括：

根据车辆行驶的定位数据确定车辆当前所处位置的位置信息；

根据车辆当前所处位置的位置信息确定该位置所对应的交规；

在预设的易混淆交规集合中对所确定的交规进行匹配；

若能够匹配到与所确定的交规对应的易混淆交规，则确定用户当前面临易混淆交规，否则确定用户当前未面临易混淆交规。

6.根据权利要求1所述的方法，其特征在于，所述用户的交规画像中包括易混淆交规以及各易混淆交规对应的模糊值，其中模糊值体现用户对易混淆交规的熟悉程度。

7.根据权利要求1所述的方法，其特征在于，所述根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值包括：

从用户的交规画像中提取出对应用户当前所面临的易混淆交规的模糊值，将所提取的模糊值作为用户不理解易混淆交规的概率P(A)；

根据用户本次行驶的驾驶距离以及用户出现犹豫驾驶行为的次数，得到用户出现犹豫驾驶行为的概率P(B)；

预先设定当用户不理解易混淆交规而出现犹豫驾驶行为的概率P(B|A)；

根据所得到的P(A)、P(B)以及P(B|A)，利用贝叶斯定理，计算用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值P(A|B)。

8.根据权利要求1所述的方法，其特征在于，所述所述根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值包括：

获取用户的犹豫驾驶行为；

根据用户的交规画像获取用户当前所面临的易混淆交规对应的模糊值；

将用户的犹豫驾驶行为、用户当前所面临的易混淆交规及其对应的模糊值作为输入，利用预先训练得到的评估模型，将评估模型的输出结果作为用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值。

9.根据权利要求8所述的方法，其特征在于，所述评估模型采用以下方式预先训练得到：

获取犹豫驾驶行为、各犹豫驾驶行为发生时所面临的易混淆交规、各易混淆交规对应的模糊值以及用户出现犹豫驾驶行为是由于不理解各易混淆交规的概率作为训练样本；

将犹豫驾驶行为、各犹豫驾驶行为发生时所面临的易混淆交规以及各易混淆交规对应的模糊值作为输入，将用户出现犹豫驾驶行为是由于不理解对应的易混淆交规的概率作为输出，训练深度学习模型，得到评估模型。

10.根据权利要求1所述的方法，其特征在于，在向用户提供对应当前所面临的易混淆交规的辅助信息之后，还进一步包括：

确定用户对所提供的辅助信息的执行情况；

根据用户对辅助信息的执行情况，更新用户的交规画像。

11.根据权利要求10所述的方法，其特征在于，根据用户对辅助信息的执行情况，更新用户的交规画像包括：

若用户执行同一个易混淆交规对应的辅助信息达到预设次数，将交规画像中该易混淆交规的模糊值降为一个很小的数值；

若用户本次未执行易混淆交规所对应的辅助信息，先将该易混淆交规的模糊值降为一个很小的数值，当用户再次面对该易混淆交规出现犹豫驾驶行为的次数超过预设次数，将交规画像中对应该易混淆交规的模糊值恢复为原数值。

12.一种辅助驾驶的装置，其特征在于，所述装置包括：

第一判断单元，用于获取车辆的行驶数据，根据所述行驶数据判断用户是否出现犹豫驾驶行为；

第二判断单元，用于若确定用户出现犹豫驾驶行为，根据所述行驶数据以及预设的易混淆交规集合确定用户当前是否面临易混淆交规；

评估单元，用于若确定用户当前面临易混淆交规，根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值；

处理单元，用于若所得到的评估值超过预设阈值，则向用户提供对应当前所面临的易混淆交规的辅助信息。

13.根据权利要求12所述的装置，其特征在于，所述车辆的行驶数据包括车辆行驶环境的视频数据以及车辆行驶的定位数据中的至少一种；

所述犹豫驾驶行为包括车辆减速、车辆低速行驶或者车辆停车中的一种。

14.根据权利要求13所述的装置，其特征在于，所述第二判断单元在根据所述行驶数据以及预设的易混淆交规集合确定用户当前是否面临易混淆交规时，具体执行：

提取并识别车辆行驶环境的视频数据中的交通标志或标线，得到交规识别结果；

在预设的易混淆交规集合中对交规识别结果进行匹配；

若能够匹配到与所述交规识别结果对应的易混淆交规，则确定用户当前面临易混淆交规，否则确定用户当前未面临易混淆交规。

15.根据权利要求13所述的装置，其特征在于，所述第二判断单元在根据所述行驶数据以及预设的易混淆交规集合确定用户当前是否面临易混淆交规时，具体执行：

根据车辆行驶的定位数据确定车辆当前所处位置的位置信息；

根据车辆当前所处位置的位置信息确定该位置所对应的交规；

在预设的易混淆交规集合中对所确定的交规进行匹配；

若能够匹配到与所确定的交规对应的易混淆交规，则确定用户当前面临易混淆交规，否则确定用户当前未面临易混淆交规。

16.根据权利要求12所述的装置，其特征在于，所述评估单元在根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值时，具体执行：

从用户的交规画像中提取出对应用户当前所面临的易混淆交规的模糊值，将所提取的模糊值作为用户不理解易混淆交规的概率P(A)；

根据用户本次行驶的驾驶距离以及用户出现犹豫驾驶行为的次数，得到用户出现犹豫驾驶行为的概率P(B)；

预先设定当用户不理解易混淆交规而出现犹豫驾驶行为的概率P(B|A)；

根据所得到的P(A)、P(B)以及P(B|A)，利用贝叶斯定理，计算用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值P(A|B)。

17.根据权利要求12所述的装置，其特征在于，所述评估单元在根据用户当前所面临的易混淆交规以及用户的交规画像，得到用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值时，具体执行：

获取用户的犹豫驾驶行为；

根据用户的交规画像获取用户当前所面临的易混淆交规对应的模糊值；

将用户的犹豫驾驶行为、用户当前所面临的易混淆交规及其对应的模糊值作为输入，利用预先训练得到的评估模型，将评估模型的输出结果作为用户出现犹豫驾驶行为是由于不理解该易混淆交规的评估值。

18.根据权利要求17所述的装置，其特征在于，所述装置还包括训练单元，用于采用以下方式预先训练得到评估模型：

获取犹豫驾驶行为、各犹豫驾驶行为发生时所面临的易混淆交规、各易混淆交规对应的模糊值以及用户出现犹豫驾驶行为是由于不理解各易混淆交规的概率作为训练样本；

将犹豫驾驶行为、各犹豫驾驶行为发生时所面临的易混淆交规以及各易混淆交规对应的模糊值作为输入，将用户出现犹豫驾驶行为是由于不理解对应的易混淆交规的概率作为输出，训练深度学习模型，得到评估模型。

19.根据权利要求12所述的装置，其特征在于，所述处理单元在向用户提供对应当前所面临的易混淆交规的辅助信息之后，还进一步执行：

确定用户对所提供的辅助信息的执行情况；

根据用户对辅助信息的执行情况，更新用户的交规画像。

20.根据权利要求19所述的装置，其特征在于，所述处理单元在根据用户对辅助信息的执行情况，更新用户的交规画像时，具体执行：

若用户执行同一个易混淆交规对应的辅助信息达到预设次数，将交规画像中该易混淆交规的模糊值降为一个很小的数值；

若用户本次未执行易混淆交规所对应的辅助信息，先将该易混淆交规的模糊值降为一个很小的数值，当用户再次面对该易混淆交规出现犹豫驾驶行为的次数超过预设次数，将交规画像中对应该易混淆交规的模糊值恢复为原数值。

21.一种设备，其特征在于，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-11中任一所述的方法。

22.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-11中任一所述的方法。