CN111613076A - 辅助驾驶方法、系统、服务器及存储介质 - Google Patents

Abstract

本发明属于车辆技术领域，涉及辅助驾驶方法、系统、服务器及存储介质，其中，辅助驾驶方法包括：采用实车行驶的大数据对预设模型进行模型训练操作以获取驾驶模式分类模型。将驾驶模式分类模型发送至车辆的控制模块中，以使得车辆的控制模块根据驾驶模式分类模型和自身在预设时长内的行驶信息获取驾驶模式控制信息并进行响应。因此，本发明采用大众的或用户自己的实车行驶的大数据训练驾驶模式分类模型，从而车辆可以根据该驾驶模式分类模型和当前的驾驶情况自动识别出大众的驾驶风格或者用户自己的驾驶风格以智能化的进行驾驶模式的切换，故而，本发明不仅能够满足用户的驾驶需求，还能够保障行车安全，此外还能够实现简化车辆驾驶操作的目的。

Description

辅助驾驶方法、系统、服务器及存储介质

技术领域

本发明涉及车辆技术领域，特别是涉及一种辅助驾驶方法、辅助驾驶系统、服务器及计算机可读存储介质。

背景技术

随着经济和科技的发展，汽车的保有量不断增加，通常家用汽车是人们出行的首选交通工具。目前，大部分汽车通常会设置有几种驾驶模式以供驾驶员选择，例如节能驾驶模式、正常驾驶模式、运动驾驶模式等等，驾驶员可以根据自己的驾驶需求选择某一驾驶模式来驾驶车辆，例如，车辆处于节能驾驶模式，当驾驶员需要更强的动力输出时，驾驶员可以切换至运动驾驶模式来驾驶车辆。

但是，传统的驾驶模式的切换，通常需要驾驶员自己的驾驶意图进行手动切换操作，例如分出手来调节按钮或旋钮以切换驾驶模式，因此，在驾驶车辆时不仅会让驾驶员分心，还不符合车辆驾驶简单化的发展趋势。

针对以上问题，本领域技术人员一直在寻求解决方法。

前面的叙述在于提供一般的背景信息，并不一定构成现有技术。

发明内容

本发明要解决的技术问题在于，针对上述现有技术的缺陷，提供了辅助驾驶方法、辅助驾驶系统、服务器及计算机可读存储介质，以实现智能化的驾驶模式切换，不仅能够保障行驶安全，还能够使得车辆驾驶更加简便。

本发明提供一种辅助驾驶方法，该辅助驾驶方法包括：采用实车行驶的大数据对预设模型进行模型训练操作以获取驾驶模式分类模型。将驾驶模式分类模型发送至车辆的控制模块中，以使得车辆的控制模块根据驾驶模式分类模型和自身在预设时长内的行驶信息获取驾驶模式控制信息并进行响应。

进一步地，行驶信息包括车速信息、加速度信息及加速功率信息。

进一步地，采用实车行驶的大数据对预设模型进行模型训练操作以获取驾驶模式分类模型的步骤之前，包括：采集实车通过T-BOX发送的实车行驶信息。对实车行驶信息进行数据处理操作以更新实车行驶信息，数据处理操作包括数据脱敏和/或数据清洗。根据更新后的实车行驶信息获取实车行驶的大数据。

进一步地，采用实车行驶的大数据对预设模型进行模型训练操作以获取驾驶模式分类模型的步骤中，包括：采用实车行驶的大数据对两个聚类模型分别进行模型训练以获取驾驶模式分类模型。

进一步地，采用实车行驶的大数据对两个聚类模型分别进行模型训练以获取驾驶模式分类模型的步骤中，包括：从实车行驶的大数据中的选取出行信息。将出行信息中的车速数据按照预设的划分规则进行统计操作以形成车速分布统计。将车速分布统计中的分布参数作为特征。使用第一聚类模型对所有特征进行模型训练以得到工况分类结果，工况分类结果包括拥堵工况、低速工况、中速工况和/或高速工况。

进一步地，使用第一聚类模型对所有特征进行模型训练以得到工况分类结果的步骤之后，包括：根据工况分类结果中的每一类工况获取相应的加速度信息和加速功率信息。根据每一类工况对应的加速度信息获取平均加速度作为第一特征值。根据每一类工况对应的加速功率信息获取平均加速功率作为第二特征值。使用第二聚类模型对第一特征值和第二特征值进行模型训练以得到模式分类结果，模式分类结果包括节能模式、正常模式和/或运动模式。

进一步地，根据每一类工况对应的加速度信息获取平均加速度作为第一特征值的步骤中，包括：获取每一类工况对应的加速度信息中的所有大于参考加速度值的加速度以得到特征加速度信息。根据特征加速度信息进行平均值计算操作以获取平均加速度。根据每一类工况对应的加速功率信息获取平均加速功率作为第二特征值的步骤中，包括：根据每一类工况对应的加速功率信息和特征加速度信息获取特征加速功率信息。根据特征加速功率信息进行平均值计算操作以获取平均加速特征值。

本发明还提供一种辅助驾驶系统，该辅助驾驶系统包括：服务器及车辆。服务器，用于采用实车行驶的大数据进行模型训练操作以获取驾驶模式分类模型，并将驾驶模式分类模型发送至车辆。车辆，用于存储驾驶模式分类模型，以根据驾驶模式分类模型和自身在预设时长内的行驶信息获取驾驶模式控制信息并进行响应。

本发明还提供一种服务器，包括存储器和处理器。处理器用于执行存储器中存储的计算机程序以实现如上所描述的辅助驾驶方法的步骤。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上所描述的辅助驾驶方法的步骤。

本发明提供的辅助驾驶方法、辅助驾驶系统、服务器及计算机可读存储介质，其中，辅助驾驶方法包括：采用实车行驶的大数据对预设模型进行模型训练操作以获取驾驶模式分类模型。将驾驶模式分类模型发送至车辆的控制模块中，以使得车辆的控制模块根据驾驶模式分类模型和自身在预设时长内的行驶信息获取驾驶模式控制信息并进行响应。因此，本发明采用大众的或用户自己的实车行驶的大数据训练驾驶模式分类模型，从而车辆可以根据该驾驶模式分类模型和当前的驾驶情况自动识别出大众的驾驶风格或者用户自己的驾驶风格以智能化的进行驾驶模式的切换，故而，本发明不仅能够满足用户的驾驶需求，还能够保障行车安全，此外还能够实现简化车辆驾驶操作的目的。

附图说明

图1是本发明第一实施例提供的辅助驾驶方法的流程示意图；

图2是本发明第二实施例提供的辅助驾驶系统的结构示意图；

图3是本发明第三实施例提供的服务器的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

尽管本发明使用第一、第二等术语来描述不同的聚类模型、特征值等，但是这些聚类模型、特征值等并不受这些术语的限制。这些术语仅是用来将一个聚类模型、特征值等与另一个聚类模型、特征值等区分开来。除非另有定义，否则本发明所使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域的普通技术人员所通常理解的意思。

下面结合附图对本发明实施例做进一步详述。

第一实施例：

图1是本发明第一实施例提供的辅助驾驶方法的流程示意图。为了清楚的描述本发明第一实施例提供的辅助驾驶方法，请参见图1。

本发明第一实施例提供的辅助驾驶方法包括：

S11：采用实车行驶的大数据对预设模型进行模型训练操作以获取驾驶模式分类模型。

在一实施方式中，预设模型可以但不限于包括：原型聚类(K-means算法)、层次聚类、模型聚类(GMM算法)等等。其中，K-means算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。

在一实施方式中，在步骤S11:采用实车行驶的大数据对预设模型进行模型训练操作以获取驾驶模式分类模型之前，可以但不限于包括：采集实车通过T-BOX发送的实车行驶信息。对实车行驶信息进行数据处理操作以更新实车行驶信息，数据处理操作可以但不限于包括数据脱敏和/或数据清洗等等。根据更新后的实车行驶信息获取实车行驶的大数据。

在一实施方式中，实车可以是用户自己的车辆，也可以是其他用户的车辆。

在一实施方式中，在采集实车通过T-BOX发送的实车行驶信息的步骤中，可以但不限于包括：采集实车通过T-BOX使用无线通信技术发送的实车行驶信息。其中无线通信技术，例如4G通信技术、5G通信技术等等。

在一实施方式中，在对实车行驶信息进行数据处理操作以更新实车行驶信息的步骤中，例如，对实车行驶信息进行数据脱敏以去除实车行驶信息中的车辆VIN号，从而实现车辆信息保护。

在一实施方式中，采用实车行驶的大数据对预设模型进行模型训练操作以获取驾驶模式分类模型的步骤中，可以但不限于包括：采用实车行驶的大数据对两个聚类模型分别进行模型训练以获取驾驶模式分类模型。

在一实施方式中，两个聚类模型均可以为k-means算法模型。

在一实施方式中，采用实车行驶的大数据对两个聚类模型分别进行模型训练以获取驾驶模式分类模型的步骤中，可以但不限于包括：从实车行驶的大数据中的选取出行信息。将出行信息中的车速数据按照预设的划分规则进行统计操作以形成车速分布统计。将车速分布统计中的分布参数作为特征。使用第一聚类模型对所有特征进行模型训练以得到工况分类结果，工况分类结果包括拥堵工况、低速工况、中速工况和/或高速工况。

在一实施方式中，在从实车行驶的大数据中的选取出行信息的步骤中，其中，出行信息是根据实车每一次驾车出行后获取的。

在一实施方式中，将出行信息中的车速数据按照预设的划分规则进行统计操作以形成车速分布统计，例如，将车速数据按照0-20、20-40、40-70、大于70的划分规则进行百分比统计已形成单次出行的车速分布统计。

在一实施方式中，将车速分布统计中的分布参数作为特征。使用第一聚类模型对所有特征进行模型训练以得到工况分类结果，工况分类结果包括拥堵工况、低速工况、中速工况和/或高速工况。例如，使用k-means算法模型，以车速分布统计的上述4个分布参数作为特征，对全量数据进行聚类模型训练得到拥堵工况、低速工况、中速工况及高速工况四个类型，从而根据得到的工况类型，将单次出行数据分为四类。

在一实施方式中，使用第一聚类模型的训练过程，例如：根据车速分布统计生物每个速度区间占比的最大值，对输入速度分布数据进行归一化处理(除以对应区间分布最大值)，设置kmeans分类数目为4，设置k-means聚类算法距离计算方式为‘euclidean’，带入归一化的数据集合进行训练，输出4个中心点坐标及每组数据类别。

在一实施方式中，使用第一聚类模型对所有特征进行模型训练以得到工况分类结果的步骤之后，可以但不限于包括：根据工况分类结果中的每一类工况获取相应的加速度信息和加速功率信息。根据每一类工况对应的加速度信息获取平均加速度作为第一特征值。根据每一类工况对应的加速功率信息获取平均加速功率作为第二特征值。使用第二聚类模型对第一特征值和第二特征值进行模型训练以得到模式分类结果，模式分类结果包括节能模式、正常模式和/或运动模式。

在一实施方式中，根据每一类工况对应的加速度信息获取平均加速度作为第一特征值的步骤中，可以但不限于包括：获取每一类工况对应的加速度信息中的所有大于参考加速度值的加速度以得到特征加速度信息。根据特征加速度信息进行平均值计算操作以获取平均加速度。根据每一类工况对应的加速功率信息获取平均加速功率作为第二特征值的步骤中，可以但不限于包括：根据每一类工况对应的加速功率信息和特征加速度信息获取特征加速功率信息。根据特征加速功率信息进行平均值计算操作以获取平均加速特征值。

在一实施方式中，获取每一类工况对应的加速度信息中的所有大于参考加速度值的加速度以得到特征加速度信息。根据特征加速度信息进行平均值计算操作以获取平均加速度。例如，对加速度信息中所有大于0.05g的加速度进行平均值计算操作以获取平均加速度，或者对加速度信息中所有大于0.045m/s^2的加速度进行平均值计算操作以获取平均加速度。

在一实施方式中，根据每一类工况对应的加速功率信息和特征加速度信息获取特征加速功率信息。例如，在加速度功率信息中筛选出与特征加速度信息对应的加速度功率以得到特征加速功率信息，即将所有大于参考加速度值的加速度对应的加速功率从加速功率信息中筛选出来。其中，加速功率的计算方式，例如加速度乘以速度值。

在一实施方式中，使用第二聚类模型的训练过程，例如，根据上述两个特征值的最大值，对输入数据进行归一化处理(除以对应最大值)，设置kmeans分类数目为3，设置k-means聚类算法距离计算方式为‘euclidean’，带入归一化的数据集合进行训练，输出3个中心点坐标，每组数据类别。

S12:将驾驶模式分类模型发送至车辆的控制模块中，以使得车辆的控制模块根据驾驶模式分类模型和自身在预设时长内的行驶信息获取驾驶模式控制信息并进行响应。

在一实施方式中，在步骤S12:将驾驶模式分类模型发送至车辆的控制模块中，以使得车辆的控制模块根据驾驶模式分类模型和自身在预设时长内的行驶信息获取驾驶模式控制信息并进行响应中，可以但不限于包括：将驾驶模式分类模型的各种参数发送至车辆的控制模块，以使得车辆的控制模块建立初始的驾驶模式分类模型，并将上述的各种参数赋值给初始的驾驶模式分类模型以使得车辆的控制模块得到完整的驾驶模式分类模型，从而车辆的控制模块根据驾驶模式分类模型和自身在预设时长内的行驶信息获取驾驶模式控制信息并进行响应。

在一实施方式中，车辆的控制模块可以但不限于为VCU。

在一实施方式中，行驶信息包括车速信息、加速度信息及加速功率信息。

在一实施方式中，车辆的控制模块根据驾驶模式分类模型和自身在预设时长内的行驶信息获取驾驶模式控制信息并进行响应，例如，车辆的控制模块获取一段时间内的车速分布、平均加速度、平均加速功率后，将上述数据给驾驶模式分类模型以输出驾驶模式信号，从而使得车辆切换至相应的驾驶模式。

本发明第一实施例提供的辅助驾驶方法包括：S11：采用实车行驶的大数据对预设模型进行模型训练操作以获取驾驶模式分类模型。S12:将驾驶模式分类模型发送至车辆的控制模块中，以使得车辆的控制模块根据驾驶模式分类模型和自身在预设时长内的行驶信息获取驾驶模式控制信息并进行响应。因此，本发明第一实施例提供的辅助驾驶方法采用大众的或用户自己的实车行驶的大数据训练驾驶模式分类模型，从而车辆可以根据该驾驶模式分类模型和当前的驾驶情况自动识别出大众的驾驶风格或者用户自己的驾驶风格以智能化的进行驾驶模式的切换，实现辅助驾驶的作用，故而，本发明第一实施例提供的辅助驾驶方法不仅能够满足用户的驾驶需求，还能够保障行车安全，此外还能够实现简化车辆驾驶操作的目的。

第二实施例：

图2是本发明第二实施例提供的辅助驾驶系统的结构示意图。为了清楚的描述本发明第二实施例提供的辅助驾驶系统，请参见图2。

本发明第二实施例提供的辅助驾驶系统，包括服务器M1及车辆M2。

其中，服务器M1，用于采用实车行驶的大数据进行模型训练操作以获取驾驶模式分类模型，并将驾驶模式分类模型发送至车辆M2。

在一实施方式中，服务器M1的具体实施方式及有益效果可以参考本发明第一实施例提供的辅助驾驶方法，在此将不再赘述。

在其他实施方式中，服务器M1可以用于将驾驶模式分类模型的各种参数发送至车辆M2。

其中，车辆M2，用于存储驾驶模式分类模型，以根据驾驶模式分类模型和自身在预设时长内的行驶信息获取驾驶模式控制信息并进行响应。

在一实施方式中，车辆M2还用于将每次出行得到的实车行驶信息通过TBOX使用无线通信技术发送至服务器M1，以使得服务器M1进行大数据处理。

在一实施方式中，预设时长内的行驶信息可以但不限于包括车速信息、加速度信息及加速功率信息。

在一实施方式中，车辆M2根据驾驶模式分类模型和自身在预设时长内的行驶信息获取驾驶模式控制信息并进行响应，例如车辆M2的控制模块获取一段时间内的车速分布、平均加速度、平均加速功率后，将上述数据给驾驶模式分类模型以输出驾驶模式信号，从而使得车辆M2切换至相应的驾驶模式。

在一实施方式中，车辆M2的控制模块可以但不限于为VCU。

在其他实施方式中，车辆M2可以用于建立初始的驾驶模式分类模型，并将从服务器M1中获取的各种参数赋值给初始的驾驶模式分类模型以得到并存储完整的驾驶模式分类模型。

本发明第二实施例提供的辅助驾驶系统包括：服务器M1，用于采用实车行驶的大数据进行模型训练操作以获取驾驶模式分类模型，并将驾驶模式分类模型发送至车辆M2；车辆M2，用于存储驾驶模式分类模型，以根据驾驶模式分类模型和自身在预设时长内的行驶信息获取驾驶模式控制信息并进行响应。因此，本发明第二实施例提供的辅助驾驶系统中服务器M1采用大众的或用户自己的实车行驶的大数据训练驾驶模式分类模型，从而车辆M2在获取该驾驶模式分类模型后，可以根据该驾驶模式分类模型和当前的驾驶情况自动识别出大众的驾驶风格或者用户自己的驾驶风格以智能化的进行驾驶模式的切换，故而，本发明第二实施例提供的辅助驾驶系统不仅能够满足用户的驾驶需求，还能够保障行车安全，此外还能够实现简化车辆驾驶操作的目的。

第三实施例：

图3是本发明第三实施例提供的服务器的结构示意图。为了清楚的描述本发明第三实施例提供的服务器，请参见图3。

本发明第三实施例提供的服务器，包括：处理器101及存储器102，其中，处理器101用于执行存储器102中存储的计算机程序以实现如第一实施例所描述的辅助驾驶方法的步骤。

在一实施方式中，本实施例提供的服务器可以包括至少一个处理器101，以及至少一个存储器102。其中，至少一个处理器101可以称为处理单元，至少一个存储器102可以称为存储单元。具体地，存储单元存储有计算机程序，当该计算机程序被处理单元执行时，使得本实施例提供的服务器实现如第一实施例提供的辅助驾驶方法的步骤，例如，图1中所示的步骤S11：采用实车行驶的大数据对预设模型进行模型训练操作以获取驾驶模式分类模型；步骤S12:将驾驶模式分类模型发送至车辆的控制模块中，以使得车辆的控制模块根据驾驶模式分类模型和自身在预设时长内的行驶信息获取驾驶模式控制信息并进行响应。

在一实施方式中，本实施例提供的服务器可以包括多个存储器102(简称为存储单元)。

其中，存储单元可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储单元旨在包括但不限于这些和任意其它适合类型的存储器。

在一实施方式中，本实施例提供的服务器还可以包括通信总线103及收发器104。其中，收发器104可以通过通信总线103与处理器101及存储器102连接，并在处理器101的控制下执行以上功能。例如，收发器104可以用于将驾驶模式分类模型发送至车辆的控制模块中或者将驾驶模式分类模型的各种参数发送至车辆的控制模块中。例如，处理器101可以用于采用实车行驶的大数据对预设模型进行模型训练操作以获取驾驶模式分类模型。

本发明第三实施例提供的服务器，包括处理器101和存储器102，且处理器101用于执行存储器102中存储的计算机程序以实现如第一实施例所描述的辅助驾驶方法的步骤，因此，本实施例提供的服务器能够实现智能化的驾驶模式切换，不仅能够保障行驶安全，还能够使得车辆驾驶更加简便。

本发明第三实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器101执行时实现如第一实施例提供的辅助驾驶方法的步骤，例如图1所示的步骤是S11至步骤S12。

在一实施方式中，本实施例提供能的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，ROM、RAM、磁盘、光盘、闪存等。

本发明第三实施例提供的计算机可读存储介质中存储的计算机程序被处理器101执行时能够实现智能化的驾驶模式切换，不仅能够保障行驶安全，还能够使得车辆驾驶更加简便。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种辅助驾驶方法，其特征在于，所述辅助驾驶方法包括：

采用实车行驶的大数据对预设模型进行模型训练操作以获取驾驶模式分类模型；

将所述驾驶模式分类模型发送至车辆的控制模块中，以使得所述车辆的控制模块根据所述驾驶模式分类模型和自身在预设时长内的行驶信息获取驾驶模式控制信息并进行响应。

2.如权利要求1所述的辅助驾驶方法，其特征在于，所述行驶信息包括车速信息、加速度信息及加速功率信息。

3.如权利要求2所述的辅助驾驶方法，其特征在于，所述采用实车行驶的大数据对预设模型进行模型训练操作以获取驾驶模式分类模型的步骤之前，包括：

采集实车通过T-BOX发送的实车行驶信息；

对所述实车行驶信息进行数据处理操作以更新所述实车行驶信息，所述数据处理操作包括数据脱敏和/或数据清洗；

根据更新后的实车行驶信息获取所述实车行驶的大数据。

4.如权利要求2所述的辅助驾驶方法，其特征在于，所述采用实车行驶的大数据对预设模型进行模型训练操作以获取驾驶模式分类模型的步骤中，包括：

采用所述实车行驶的大数据对两个聚类模型分别进行模型训练以获取所述驾驶模式分类模型。

5.如权利要求4所述的辅助驾驶方法，其特征在于，所述采用所述实车行驶的大数据对两个聚类模型分别进行模型训练以获取所述驾驶模式分类模型的步骤中，包括：

从所述实车行驶的大数据中的选取出行信息；

将所述出行信息中的车速数据按照预设的划分规则进行统计操作以形成车速分布统计；

将所述车速分布统计中的分布参数作为特征；

使用第一聚类模型对所有特征进行模型训练以得到工况分类结果，所述工况分类结果包括拥堵工况、低速工况、中速工况和/或高速工况。

6.如权利要求5所述的辅助驾驶方法，其特征在于，所述使用第一聚类模型对所有特征进行模型训练以得到工况分类结果的步骤之后，包括：

根据所述工况分类结果中的每一类工况获取相应的加速度信息和加速功率信息；

根据每一类工况对应的加速度信息获取平均加速度作为第一特征值；

根据每一类工况对应的加速功率信息获取平均加速功率作为第二特征值；

使用第二聚类模型对所述第一特征值和所述第二特征值进行模型训练以得到模式分类结果，所述模式分类结果包括节能模式、正常模式和/或运动模式。

7.如权利要求6所述的辅助驾驶方法，其特征在于，所述根据每一类工况对应的加速度信息获取平均加速度作为第一特征值的步骤中，包括：

获取每一类工况对应的加速度信息中的所有大于参考加速度值的加速度以得到特征加速度信息；

根据所述特征加速度信息进行平均值计算操作以获取所述平均加速度；

所述根据每一类工况对应的加速功率信息获取平均加速功率作为第二特征值的步骤中，包括：

根据每一类工况对应的加速功率信息和所述特征加速度信息获取特征加速功率信息；

根据所述特征加速功率信息进行平均值计算操作以获取所述平均加速特征值。

8.一种辅助驾驶系统，其特征在于，所述辅助驾驶系统包括：服务器及车辆；

所述服务器，用于采用实车行驶的大数据进行模型训练操作以获取驾驶模式分类模型，并将所述驾驶模式分类模型发送至车辆；

所述车辆，用于存储所述驾驶模式分类模型，以根据所述驾驶模式分类模型和自身在预设时长内的行驶信息获取驾驶模式控制信息并进行响应。

9.一种服务器，其特征在于，包括存储器和处理器；

所述处理器用于执行所述存储器中存储的计算机程序以实现如权利要求1-7中任一项所述的辅助驾驶方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的辅助驾驶方法的步骤。

Images