CN112805199A - 自动驾驶系统的自学习方法、装置、设备及存储介质 - Google Patents

Abstract

一种自动驾驶系统的自学习方法、装置(160)、设备(170)及存储介质，方法包括：获取驾驶数据(S201)；将驾驶数据中的异常数据剔除，得到待处理数据(S202)；根据待处理数据选择待学习的驾驶参数，并按照驾驶参数对应的计算规则对待处理数据进行计算，得到驾驶参数的学习结果(S203)，学习结果用于指示自动驾驶系统在自动驾驶行程中按照学习结果设置驾驶参数。方法应用在智能汽车、网联车、自动驾驶汽车上，能够保证自动驾驶系统进行自学习的数据符合车辆的设计运行域、交通规则以及安全驾驶规则，使得自学习获得的自动驾驶系统参数不仅能够符合用户的驾驶习惯，同时还提高了安全性和用户体验。

Description

自动驾驶系统的自学习方法、装置、设备及存储介质

技术领域

本申请涉及自动驾驶技术，尤其涉及一种自动驾驶系统的自学习方法、装置、设备及存储介质。

背景技术

随着近几年高级驾驶辅助系统装车率的逐渐提高和自动驾驶技术的发展，越来越多的用户接触到了带有高级驾驶辅助或自动驾驶系统的汽车。

高级驾驶辅助或自动驾驶系统中诸多性能参数，例如跟车时距、前碰撞报警系统灵敏度等，均可以在出厂时标定好，这种情况下用户无法根据自己的驾驶习惯进行匹配和调整，导致用户体验较差。而随着高级驾驶辅助或自动驾驶系统功能的不断增多，提供了越来越多的可由用户自由选择的个性化设置，例如自适应巡航系统中的跟车时距，通常会提供多个选项供用户选择设置，设置选项描述通常为最近、较近、中等、较远、最远，用户可以在使用前进行相应的个性化设置。

然而，针对这些用户可以选择的个性化设置，一般用户在使用车辆时往往无法准确得知哪种设置适合自己的驾驶习惯，因此若用户选择的设置项实际并不符合自己的驾驶习惯，则用户体验仍然较差。

发明内容

本申请提供一种自动驾驶系统的自学习方法、装置、设备及存储介质，以使自动驾驶系统的设置更符合用户的驾驶习惯，提高用户体验。

第一方面，本申请提供一种自动驾驶系统的自学习方法，包括：

获取驾驶数据；

将驾驶数据中的异常数据剔除，得到待处理数据；

根据待处理数据选择待学习的驾驶参数，并按照驾驶参数对应的计算规则对待处理数据进行计算，得到驾驶参数的学习结果，该学习结果用于指示自动驾驶系统在自动驾驶行程中按照学习结果设置该驾驶参数。

在一种可行的实现方式中，驾驶数据包括手动驾驶数据和/或自动驾驶接管数据。

上述方法中，通过获取驾驶数据，并对驾驶数据中的异常数据进行剔除，根据剔除后的数据来计算驾驶参数的学习结果，保证了自动驾驶系统进行自学习的数据符合车辆的设计运行域、交通规则以及安全驾驶规则等，使得自学习获得的自动驾驶系统参数不仅能够符合用户的驾驶习惯，同时还提高了安全性。

在一种可行的实现方式中，将驾驶数据中的异常数据剔除，包括：

根据预设规则确定驾驶数据中的异常数据；

删除异常数据。

在一种可行的实现方式中，根据待处理数据选择待学习的驾驶参数，包括：

在多个预设的场景中选择与待处理数据匹配的目标场景以及与目标场景对应的驾驶参数，每个预设的场景对应至少一个驾驶参数。

在一种可行的实现方式中，在多个预设的场景中选择与待处理数据匹配的目标场景，包括：

计算待处理数据的驾驶数据特征，并将待处理数据的驾驶数据特征与多个预设的场景中每个场景的驾驶数据特征进行比较，得到多个预设的场景中与待处理数据匹配的目标场景。

上述方法中，通过预设的场景进行场景筛选，快速识别不同行程所对应的场景特征，提高了自学习的效率和准确性。

在一种可行的实现方式中，驾驶数据包括当前行程的驾驶数据和/或历史行程的驾驶数据；

将驾驶数据中的异常数据剔除，得到待处理数据，包括：

将当前行程和/或历史行程的每个行程的驾驶数据中的异常数据剔除，得到每个行程的待处理数据；

根据待处理数据选择待学习的驾驶参数，并按照驾驶参数对应的计算规则对待处理数据进行计算，得到驾驶参数的学习结果，包括：

根据每个行程的待处理数据选择每个行程中待学习的驾驶参数，并按照每个行程中待学习的驾驶参数对应的计算规则对每个行程的待处理数据进行计算，得到每个行程中待学习的驾驶参数的学习结果；

对具有相同的待学习的驾驶参数的行程的学习结果进行处理，得到驾驶参数的学习结果。

在一种可行的实现方式中，对具有相同的待学习的驾驶参数的行程的学习结果进行处理得到驾驶参数的学习结果，包括：

对具有相同的待学习的驾驶参数的多个行程的学习结果进行加权处理，得到驾驶参数的学习结果。

上述方法中，通过对当前行程和历史行程中的学习结果进行综合处理，使得最终获得的学习结果更符合用户长期的驾驶习惯，提高了用户体验。

在一种可行的实现方式中，对具有相同的待学习的驾驶参数的行程的学习结果进行处理，得到驾驶参数的学习结果，包括：

对具有相同的待学习的驾驶参数的多个行程的学习结果进行处理，得到驾驶参数的当前学习结果；

若具有相同的待学习的驾驶参数的行程的总时长达到预设时长，或，具有相同的待学习的驾驶参数的行程的总里程达到预设里程，则将当前学习结果确定为驾驶参数的学习结果。

在一种可行的实现方式中，该方法还包括:

根据具有相同的待学习的驾驶参数的行程的总时长与预设时长，或，根据具有相同的待学习的驾驶参数的行程的总里程与预设里程，计算驾驶参数的当前学习进度。

上述方法中，通过对当前行程下用户已学习的时间或里程的计算，便于用户实时了解学习进度。

在一种可行的实现方式中，驾驶数据包括当前行程的驾驶数据时，该方法还包括：

输出第一提示信息，第一提示信息用于提示用户是否保存当前行程的驾驶参数的学习结果；

接收用户输入的保存指令，保存指令用于指示保存当前行程的驾驶参数的学习结果。

在一种可行的实现方式中，方法还包括：

若接收到用户输入的删除指令，则删除当前行程的驾驶参数的学习结果。

上述方法中，用户可以自主选择保存或删除当前行程的驾驶参数的学习结果，避免自动驾驶系统学习到不符合用户驾驶习惯的数据。

在一种可行的实现方式中，该方法还包括：

将学习结果与预设阈值范围进行比较；

若学习结果在预设阈值范围之外，则根据预设阈值范围更新学习结果。

在一种可行的实现方式中，若学习结果在预设阈值范围之外，则根据预设阈值范围更新学习结果，包括：

若学习结果大于预设阈值范围的上限值，则将学习结果更新为预设阈值范围的上限值。

若学习结果小于预设阈值范围的下限值，则将学习结果更新为预设阈值范围的下限值。

在一种可行的实现方式中，还方法还包括：

将学习结果与多个预设值进行比较；

确定多个预设值中与学习结果的差值最小的目标预设值；

将学习结果更新为目标预设值。

上述方法中，通过预设值对学习结果进行更新，可进一步保证了自动驾驶系统参数在安全范围内。

在一种可行的实现方式中，该方法还包括：

将学习结果输出至用户界面。

在一种可行的实现方式中获取当前行程的驾驶数据之前，方法还包括：

识别当前驾驶车辆的目标用户；

相应的，

获取驾驶数据包括：

获取与目标用户对应的驾驶数据；

将学习结果输出至用户界面，包括：

将学习结果与目标用户之间的对应关系进行存储并将对应关系输出至用户界面。

上述方法中，在车辆行驶前对用户进行识别，便于将后续行程中学习的结果与用户进行关联，从而实现针对用户级别的自学习。

在一种可行的实现方式中，识别当前驾驶车辆的目标用户，包括：

获取目标用户的信息；

将目标用户的信息与预存用户信息进行匹配，将匹配到的预存用户信息所对应的用户确定为目标用户。

在一种可行的实现方式中，该方法还包括：

若不存在与目标用户的信息匹配的预存用户信息，则输出第二提示信息，第二提示信息用于提示用户是否新建用户。

在一种可行的实现方式中，识别当前驾驶车辆的目标用户，包括：

接收用户输入的身份确认指令；

根据身份确认指令确定目标用户。

在一种可行的实现方式中，该方法还包括：

接收用户输入的新建用户指令；

获取用户信息并进行存储。

在一种可行的实现方式中，获取驾驶数据之前，方法还包括：

接收用户输入的激活指令，激活指令用于指示启动自动驾驶系统的自学习。

上述方法中，用户可以自行选择是否启动自动驾驶系统的自学习功能，增加了人机交互，提高了用户体验。

在一种可行的实现方式中，接收用户输入的激活指令，包括：

接收用户通过用户界面输入的激活指令。

在一种可行的实现方式中，接收用户输入的激活指令，包括：

接收用户通过物理按键输入的激活指令。

在一种可行的实现方式中，接收用户输入的激活指令，包括：

接收用户输入的语音激活指令。

在一种可行的实现方式中，该方法还包括：

将学习结果发送至目标设备。

在一种可行的实现方式中，目标设备为目标车辆；将学习结果发送至目标设备之前，方法还包括：

接收数据迁移指令，数据迁移指令用于指示将学习结果迁移至目标车辆；

将学习结果发送至目标设备，包括：

确定目标车辆与当前车辆的自动驾驶系统是否相同；

若目标车辆与当前车辆的自动驾驶系统相同，则继续确定目标车辆与当前车辆的车型是否相同；

若目标车辆与当前车辆的车型相同，则将学习结果发送至目标车辆。

在一种可行的实现方式中，该方法还包括：

若目标车辆与当前车辆的车型不同，则根据目标车辆中与自动驾驶性能相关的系统参数，对学习结果进行参数转换，将转换后的学习结果发送至目标车辆。

在一种可行的实现方式中，该方法还包括：

若目标车辆与当前车辆的自动驾驶系统不同，则输出提示信息，提示信息用于提示用户不支持将学习结果迁移至目标车辆。

上述方法中，通过对自动驾驶系统的自学习结果进行备份和迁移，避免了同平台或同车型的车辆的重复学习，实现了一次学习多次使用，提高了用户体验。

第二方面，本申请提供一种自动驾驶系统的自学习装置，包括：

获取模块，用于获取驾驶数据；

处理模块，用于将驾驶数据中的异常数据剔除，得到待处理数据；

学习模块，用于根据待处理数据选择待学习的驾驶参数，并按照驾驶参数对应的计算规则对待处理数据进行计算，得到驾驶参数的学习结果，学习结果用于指示自动驾驶系统在自动驾驶行程中按照学习结果设置驾驶参数。

在一种可行的实现方式中，驾驶数据包括手动驾驶数据和/或自动驾驶接管数据。

在一种可行的实现方式中，处理模块用于：

根据预设规则确定驾驶数据中的异常数据；

删除异常数据。

在一种可行的实现方式中，学习模块用于：

在多个预设的场景中选择与待处理数据匹配的目标场景以及与目标场景对应的驾驶参数；每个预设的场景对应至少一个驾驶参数。

在一种可行的实现方式中，学习模块具体用于：

计算待处理数据的驾驶数据特征，并将待处理数据的驾驶数据特征与多个预设的场景中每个场景的驾驶数据特征进行比较，得到多个预设的场景中与待处理数据匹配的目标场景。

在一种可行的实现方式中，驾驶数据包括当前行程的驾驶数据和/或历史行程的驾驶数据；

处理模块用于，将当前行程和/或历史行程的每个行程的驾驶数据中的异常数据剔除，得到每个行程的待处理数据；

学习模块用于，根据每个行程的待处理数据选择每个行程中待学习的驾驶参数，并按照每个行程中待学习的驾驶参数对应的计算规则对每个行程的待处理数据进行计算，得到每个行程中待学习的驾驶参数的学习结果；并对具有相同的待学习的驾驶参数的行程的学习结果进行处理，得到驾驶参数的学习结果。

在一种可行的实现方式中，学习模块用于：

对具有相同的待学习的驾驶参数的多个行程的学习结果进行加权处理，得到驾驶参数的学习结果。

在一种可行的实现方式中，学习模块用于：

对具有相同的待学习的驾驶参数的多个行程的学习结果进行处理，得到驾驶参数的当前学习结果；

若具有相同的待学习的驾驶参数的行程的总时长达到预设时长，或，具有相同的待学习的驾驶参数的行程的总里程达到预设里程，则将当前学习结果确定为驾驶参数的学习结果。

在一种可行的实现方式中，学习模块还用于:

根据具有相同的待学习的驾驶参数的行程的总时长与预设时长，或，根据具有相同的待学习的驾驶参数的行程的总里程与预设里程，计算驾驶参数的当前学习进度。

在一种可行的实现方式中，该装置还包括：

输出模块，用于输出第一提示信息，第一提示信息用于提示用户是否保存当前行程的驾驶参数的学习结果；

获取模块，还用于接收用户输入的保存指令，保存指令用于指示保存当前行程的驾驶参数的学习结果。

在一种可行的实现方式中，学习模块还用于：

若接收到用户输入的删除指令，则删除当前行程的驾驶参数的学习结果。

在一种可行的实现方式中，学习模块具体用于：

将学习结果与预设阈值范围进行比较；

若学习结果在预设阈值范围之外，则根据预设阈值范围更新学习结果。

在一种可行的实现方式中，学习模块具体用于：

若学习结果大于预设阈值范围的上限值，则将学习结果更新为预设阈值范围的上限值。

若学习结果小于预设阈值范围的下限值，则将学习结果更新为预设阈值范围的下限值。

在一种可行的实现方式中，学习模块具体用于：

将学习结果与多个预设值进行比较；

确定多个预设值中与学习结果的差值最小的目标预设值；

将学习结果更新为目标预设值。

在一种可行的实现方式中，输出模块用于：

将学习结果输出至用户界面。

在一种可行的实现方式中，该装置还包括：

获取模块，用于识别当前驾驶车辆的目标用户；

相应的，获取模块还用于；

获取与目标用户对应的驾驶数据；

输出模块用于：

将学习结果与目标用户之间的对应关系进行存储并将对应关系输出至用户界面。

在一种可行的实现方式中，获取模块用于：

获取目标用户的信息；

将目标用户的信息与预存用户信息进行匹配，将匹配到的预存用户信息所对应的用户确定为目标用户。

在一种可行的实现方式中，输出模块还用于：

若不存在与目标用户的信息匹配的预存用户信息，则输出第二提示信息，第二提示信息用于提示用户是否新建用户。

在一种可行的实现方式中，获取模块用于：

接收用户输入的身份确认指令；

根据身份确认指令确定目标用户。

在一种可行的实现方式中，获取模块还用于：

接收用户输入的新建用户指令；

获取用户信息并进行存储。

在一种可行的实现方式中，获取模块还用于：

接收用户输入的激活指令，激活指令用于指示启动自动驾驶系统的自学习。

在一种可行的实现方式中，获取模块具体用于：

接收用户通过用户界面输入的激活指令。

在一种可行的实现方式中，获取模块用于：

接收用户通过物理按键输入的激活指令。

在一种可行的实现方式中，获取模块用于：

接收用户输入的语音激活指令。

在一种可行的实现方式中，输出模块，用于将学习结果发送至目标设备。

在一种可行的实现方式中，目标设备为目标车辆；

获取模块，用于接收数据迁移指令，数据迁移指令用于指示将学习结果迁移至目标车辆；

输出模块，用于确定目标车辆与当前车辆的自动驾驶系统是否相同；

若目标车辆与当前车辆的自动驾驶系统相同，则继续确定目标车辆与当前车辆的车型是否相同；

若目标车辆与当前车辆的车型相同，则将学习结果发送至目标车辆。

在一种可行的实现方式中，输出模块还用于：

若目标车辆与当前车辆的车型不同，则根据目标车辆中与自动驾驶性能相关的系统参数，对学习结果进行参数转换，将转换后的学习结果发送至目标车辆。

在一种可行的实现方式中，输出模块还用于：

若目标车辆与当前车辆的自动驾驶系统不同，则输出提示信息，提示信息用于提示用户不支持将学习结果迁移至目标车辆。

第三方面，本申请提供一种电子设备，包括：存储器和处理器；存储器和处理器连接；

存储器用于存储计算机程序；

处理器用于在计算机程序执行时，实现如上述第一方面中任一项的方法。

第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，实现如上述第一方面中任一项的方法。

第五方面，本申请提供一种自动驾驶车辆，包括如上述第三方面的电子设备。

本申请提供一种自动驾驶系统的自学习方法、装置、设备及存储介质，通过获取驾驶数据，并对驾驶数据中的异常数据进行剔除，根据剔除后的数据来选择待学习的驾驶参数，并按照驾驶参数对应的计算规则对待处理数据进行计算，得到驾驶参数的学习结果，该学习结果用于指示自动驾驶系统在自动驾驶行程中按照学习结果设置驾驶参数，保证了自动驾驶系统进行自学习的数据符合车辆的设计运行域、交通规则以及安全驾驶规则等，使得自学习获得的自动驾驶系统参数不仅能够符合用户的驾驶习惯，同时还提高了安全性。

附图说明

图1为本申请提供的一种自动驾驶系统的自学习方法的应用架构示意图；

图2为本申请提供的一种自动驾驶系统的自学习方法的流程示意图一；

图3为本申请提供的一种自动驾驶系统的自学习方法的流程示意图二；

图4为本申请提供的一种第一提示信息的示意图；

图5为本申请提供的一种学习进度示意图；

图6为本申请提供的一种学习结果优化示意图一；

图7为本申请提供的一种学习结果优化示意图二；

图8为本申请提供的一种学习结果示意图一；

图9为本申请提供的一种学习结果示意图二；

图10为本申请提供的一种自动驾驶系统的自学习方法的流程示意图三；

图11为本申请提供的一种激活指令输入界面示意图；

图12为本申请提供的一种用户身份确认界面示意图一；

图13为本申请提供的一种用户身份确认界面示意图二；

图14为本申请提供的一种用户身份切换界面示意图；

图15为本申请提供的一种学习结果迁移方法的流程示意图；

图16为本申请提供的一种自动驾驶系统的自学习装置的结构示意图；

图17为本申请提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

首先对本申请说明书中涉及的术语进行介绍。

高级驾驶辅助系统(Advanced Driver Assi stance System，ADAS)是利用安装于车上的各式各样的传感器，在第一时间收集车内外的环境数据，进行静、动态物体的辨识、侦测与追踪等技术上的处理，从而能够让驾驶者在最快的时间察觉可能发生的危险，以引起注意和提高安全性的主动安全技术。

设计运行域(Operational Design Domain，ODD)，也称为设计适用域或者设计运行范围，是一组参数，指自动驾驶系统被设计的起作用的条件及适用范围，对天气环境、道路情况(直路、弯路的半径)、车速、车流量等信息做出测定，以确保系统的能力在安全的环境之内。

超驰控制(Override)是驾驶辅助或自动驾驶中的一种特殊的接管状态，当系统激活状态下驾驶员通过操作油门或方向盘施加的控制请求大于系统的请求，系统会响应驾驶员的实际控制的一种状态。

以下对本申请提供的自动驾驶系统的自学习方法可以应用的车辆架构进行介绍。

本申请提供的自动驾驶系统的自学习方法可适用于现有技术的车辆架构，示例的，按照典型的车辆电子架构，车辆系统包括车端10、云端20和用户终端30三大部分，如图1所示。其中，云端20和用户终端30可根据实际应用的需求选择设置。用户终端30可实现与车端10的互联，提供人机交互界面，实现用户与车端10的互动。

车端10中可以包括自动驾驶域控制器101、通信模块102、智能座舱域控制器103、中控屏幕104、开关105以及其他系统106。其中，自动驾驶域控制器101是实现车辆驾驶辅助或自动驾驶系统功能的控制模块，通信模块102用于实现车端10与云端20和用户终端30的通讯，智能座舱域控制器103用于控制车辆的人机交互以及影音娱乐等功能，中控屏幕104为人机交互的界面，开关105可以为车端10中的物理开关，例如可以用来激活自动驾驶系统的自学习功能。

本申请中高级驾驶辅助或自动驾驶系统的自学习功能作为一项独立的功能，可以在车端10进行学习也可以在云端20学习，即，本申请提供的自动驾驶系统的自学习方法的执行主体可以为车端10，也可以为远端20。示例的，若在车端10学习，该自学习方法的执行主体可以自动驾驶域控制器101或智能座舱域控制器103，当然，也可以设计单独的用户学习模块来实现学习功能。若在云端20学习，则该自方法的执行主体为可以为云端20的服务器，可以理解的是，若由云端执行该方法，在实际应用中需要在用户同意的基础上，将部分学习必要的数据通过通信模块102上传至服务器，从而进行远端学习和训练，学习完成后还可以通过空中下载技术(Over the Air，OTA)将学习结果下发至车端10。

在现有技术中，高级驾驶辅助或自动驾驶系统提供了众多可由用户自由选择的个性化设置，例如自适应巡航系统中的跟车时距，通常会提供多个选项供用户选择设置，设置选项描述通常为最近、较近、中等、较远、最远，用户可以在使用前进行相应的个性化设置。然而，针对这些用户可以选择的个性化设置，一般用户在使用车辆时往往无法准确得知哪种设置适合自己的驾驶习惯，因此若用户选择的设置项实际并不符合自己的驾驶习惯，则用户体验仍然较差。

为了使高级驾驶辅助或自动驾驶系统的设置能够符合用户的驾驶习惯，部分车辆在高级驾驶辅助或自动驾驶系统中增加了自学习功能，也即是在用户手动驾驶时，自动采集用户的驾驶数据，根据用户的驾驶数据来对高级驾驶辅助或自动驾驶系统的参数进行设置。然而，这种方法中存在诸多问题，例如，若驾驶员的驾驶过程中存在违章行为或危险驾驶行为，会导致自动驾驶系统学习到的参数实际并不合理。而在用户体验上，该方法完全由系统后台自动完成学习，用户很难进行人为干预，无法让用户根据自己的实际驾驶行为进行调整。

基于以上问题，本申请提供的自动驾驶系统的自学习方法中，不仅在用户驾驶过程中获取用户的驾驶数据，还根据一定的规则对驾驶数据进行筛选，剔除不符合自学习要求的数据，从而使自动驾驶系统通过自学习获得的参数设置更恰当。此外，本申请中通过人机交互的方式，使用户可以参与自动驾驶系统的自学习过程，便于用户根据实际情况对自动驾驶系统的自学习情况进行调整，以使结果更符合用户的驾驶习惯。

以下结合具体实施例对本申请提供的自动驾驶系统的自学习方法进行详细说明。可以理解的是，下面这几个具体实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

图2为本申请提供的一种自动驾驶系统的自学习方法的流程示意图一。如图2所示，本实施例的方法包括：

S201、获取驾驶数据。

本步骤中获取的驾驶数据，可以是在用户驾驶车辆的过程中实时采集的当前行程的驾驶数据，也可以是历史行程中所采集的驾驶数据，还可以是当前行程和历史行程中的驾驶数据。历史行程的驾驶数据可以是多个历史行程的驾驶数据。示例的，可以在用户使用车辆的每次行程中，对驾驶数据进行采集和存储。驾驶数据可以包括行驶速度、引擎转速、前车距离、油门刹车以及方向盘数据、车灯状态、安全带状态、安全气囊状态以及驾驶环境信息等。其中驾驶环境信息可以包括经过路段的红绿灯信息、斑马线信息、路段拥堵信息以及前车信息等，驾驶环境信息可以通过前向摄像头、环视摄像头等进行检测。需要说明的是，以上对驾驶数据的说明仅为示例，本实施例中对于驾驶数据可以包括的具体数据类型不作限定，在实际应用中可以根据需要来选择获取行驶过程中的任意相关数据。

此外，本步骤中驾驶数据可以包括手动驾驶数据和/或自动驾驶接管数据。其中，手动驾驶数据即用户未使用自动驾驶系统时的驾驶数据。自动驾驶接管数据是指超驰控制下的驾驶数据，即用户在使用自动驾驶系统的过程中，通过操作油门或方向盘来接管自动驾驶系统的驾驶数据。由于用户在自动驾驶过程中进行超驰控制往往是由于自动驾驶系统的控制已不能满足的驾驶需要，因此对于自动驾驶接管数据进行自学习能够使得学习结果更符合用户的驾驶需求和驾驶习惯。

S202、将驾驶数据中的异常数据剔除，得到待处理数据。

本步骤中，异常数据可以是非设计运行域的驾驶数据、非正常驾驶场景的驾驶数据或事故场景的驾驶数据等。由于这些异常数据不符合安全驾驶要求或者交通规则等，因此需要将驾驶数据中的异常数据继续剔除，从而保证自动驾驶系统自学习后的系统参数能够保证驾驶安全。

示例的，可以根据预设规则来确定驾驶数据中的异常数据，再进一步删除异常数据。预设规则可以根据系统的涉及运行域以及交通规则和安全驾驶需求等来继续设置。

示例的，非设计运行域的驾驶数据即非系统工作场景的驾驶数据，例如智能巡航辅助(Intelligent cruise assi st，ICA)的工作车速区间为4-130km/h，若获取到的驾驶数据中存在此车速范围之外的数据，则将此车速范围之外的那部分数据剔除。

非正常驾驶场景的驾驶数据可以是不符合交通规则的数据，例如危险驾驶场景的数据。示例的，若驾驶数据中包括了某时刻路口绿灯变黄，同时还包括了该时刻之前有油门踩踏动作且车速提高，则可以确定该时刻用户有闯黄灯行为，因此可以判定这个加速过程并不是一个正常的加速过程，并且使用自动驾驶功能通过路口时系统应保证不会有闯黄灯的行为，因此，这个闯黄灯场景下的驾驶数据也需要进行剔除。

对于事故场景，可通过监控安全气囊弹出或横纵向减速度的剧烈变化判断事故的发生，由于发生事故时的驾驶数据不符合常规的驾驶需求，因此对事故场景的数据也需要进行剔除。

可以理解的是，若驾驶数据是实时采集的当前行程的驾驶数据，则本步骤中对于驾驶数据中的异常数据进行剔除可以是在获取到一段时间的驾驶数据后实时对该段时间内的异常数据进行剔除，也可以是在当前行程结束之后统一对其中的异常数据进行剔除。若采用实时剔除的方法，则可以减少数据存储量，减少对系统存储空间的占用。

S203、根据待处理数据选择待学习的驾驶参数，并按照驾驶参数对应的计算规则对待处理数据进行计算，得到驾驶参数的学习结果。学习结果用于指示自动驾驶系统在自动驾驶行程中按照该学习结果设置驾驶参数。

自动驾驶系统中需要学习的驾驶参数有多个，在不同的行程中可以学习的驾驶参数也不同。例如，若当前行程中用户驾驶的车辆前方有其他车辆，则在该行程中可以对跟车时距进行学习，若当前行程中前方一直无其他车辆，那么显然无法对跟车时距进行学习。又如，若当前行程一直处于拥堵路段，则在该行程中可以对拥堵跟车距离进行学习，若当前行程一直出于畅通路段，则显然无法对拥堵跟车距离进行学习。因此，在获得待处理数据后，首先需要根据待处理数据选择待学习的驾驶参数，之后再进一步按照驾驶参数对应的计算规则对待处理数据进行计算，得到驾驶参数的学习结果。例如，按照跟车时距的计算公式对待处理数据进行计算，得到跟车时距的计算结果，即学习结果。

本实施例提供的自动驾驶系统的自学习方法，通过获取驾驶数据，并对驾驶数据中的异常数据进行剔除，根据剔除后的数据来选择待学习的驾驶参数，并按照驾驶参数对应的计算规则对待处理数据进行计算，得到驾驶参数的学习结果，保证了自动驾驶系统进行自学习的数据符合车辆的设计运行域、交通规则以及安全驾驶规则等，使得自学习获得的自动驾驶系统参数不仅能够符合用户的驾驶习惯，同时还提高了安全性。

需要说明的是，由于每次行程中待学习的驾驶参数可能不同，因此，若S201中的驾驶数据是当前行程的驾驶数据，即，在用户每次使用车辆的行程中，均可实时采集获取当前行程中的驾驶数据，按照上述S202-S203的方法对驾驶数据进行处理来得到每次行程中待学习的驾驶参数的学习结果。可选的，在每次行程结束之后，还可以对当前行程的驾驶参数的学习结果和当前行程之前的历史行程中驾驶参数的学习结果进一步处理来获得当前整体的学习结果，例如，对具有相同的待学习的驾驶参数的行程的学习结果进行处理，例如加权处理，得到该相同的待学习的驾驶参数的学习结果。

若S201中的驾驶数据是历史行程的驾驶数据，或者，当前行程和历史行程的驾驶数据，则上述S202-S203中可以分别对每个行程的驾驶数据中的异常数据进行剔除，得到每个行程的待处理数据，进而根据每个行程的待处理数据选择每个行程中待学习的驾驶参数，并按照每个行程中待学习的驾驶参数对应的计算规则对每个行程的待处理数据进行计算，得到每个行程中待学习的驾驶参数的学习结果。可选的，还可以对所有行程的学习结果进一步处理，得到当前整体的学习结果。例如，对具有相同的待学习的驾驶参数的行程的学习结果进行处理，例如加权处理，得到该该相同的待学习的驾驶参数的学习结果。

以下以在每个行程中对当前行程的驾驶数据进行处理得到当前行程的待学习的驾驶参数的学习结果，再进一步将当前行程的驾驶参数的学习结果和当前行程之前的历史行程中驾驶参数的学习结果进一步处理来获得当前整体的学习结果为例，对上述方法做进一步说明。

图3为本申请提供的一种自动驾驶系统的自学习方法的流程示意图二。如图3所示，该方法包括：

S301、在多个预设的场景中选择与待处理数据匹配的目标场景以及与目标场景对应的驾驶参数。

其中，每个预设的场景对应至少一个驾驶参数。

本步骤中的待处理数据可以是对当前行程的驾驶数据进行异常数据筛选后获得的待处理数据。预设的场景可以是车辆驾驶时可能出现的各种驾驶场景，例如，稳定跟车场景，拥堵路段跟车场景等，在稳定跟车场景对应的驾驶参数是跟车时距，拥堵路段跟车场景对用的驾驶参数是拥堵跟车距离。预设场景以及每个场景对应的驾驶参数可以根据实际需要进行设置。显然，在不同的场景中可以学习的自动驾驶系统的驾驶参数不同，因此首先需要根据每个行程的待处理数据确定符合哪种场景，以便于进一步确定该行程中待学习的驾驶参数。示例的，计算待处理数据的驾驶数据特征，并将待处理数据的驾驶数据特恒与多个预设的场景中每个场景的驾驶数据特征进行比较，得到多个预设的场景中与待处理数据匹配的目标场景。

例如，预设的稳定跟车场景的驾驶数据特征是，自车前方需要有目标车辆，两车车速差小于预设差值，且两车的跟车时距变化率稳定在预设比例并至少持续预设时长，其中的预设差值、预设比例和预设时长可以根据实际情况进行设置。若待处理数据满足上述的驾驶数据特征，则可以确定待处理数据满足稳定跟车场景，因此，稳定跟车场景对应的驾驶参数跟车时距即为待学习的驾驶参数。

需要说明的是，与每个行程匹配的目标场景可以是一个或多个。若目标场景为多个，则多个目标场景对应的驾驶参数均为待学习的驾驶参数。

S302、按照驾驶参数对应的计算规则对待处理数据进行计算，得到当前行程中驾驶参数的学习结果。

待处理数据中包括了当前行程的正常驾驶数据，根据待学习的驾驶参数的定义和计算规则对待处理数据进行计算处理，即可获得驾驶参数在当前行程中的学习结果。

以下以驾驶参数为跟车时距进行举例说明，跟车时距的定义如下：

THW＝Distance/Speed公式(1)

其中，THW为跟车时距，Distance为两车之间的距离，Speed为自车的车速。

为了简化自学习过程，可以选取自适应巡航控制(Adaptive Cruise Control，ACC)工作车速范围内的几个速度点进行自学习，例如ACC工作车速为0-130km/h，标定车速点选择10km/h、20km/h，…，130km/h等13个车速点，其他车速则采用线性插值法确定。确定本次行程中各车速点下跟车场景的总持续时间，并计算本次行程中各车速点下的平均跟车时距。需要说明的是，在确定各车速点下的跟车场景的总持续时间时，由于车速会有上下浮动变化，因此，各车速点的总持续时间是指车速在包括该车速点的一个预设范围内的时间。根据各车速点下两车之间的平均举例以及自车的平均车速，可以确定当前行程中各车速点下的平均跟车时距。

此外，在当前行程结束后，还可输出第一提示信息，第一提示信息用于提示用户是否保存当前行程的驾驶参数的学习结果。

由于用户驾驶车辆的行程可能存在许多不确定性，例如用户在当前行程中由于紧急事件行驶速度持续很高，然而，用户在日常中通常行驶速度较缓慢，因此，本次行程的驾驶数据不符合用户日常的驾驶习惯，那么用户可能会需要删除本次的学习结果，以避免自动驾驶系统学习到不符合用户驾驶习惯的数据。因此，在行程结束后可以通过第一提示信息对用户进行提示，示例的，如图4中所示，若接收到用户输入的用于指示保存学习结果的指令，则可以继续将当前行程保存的学习结果与历史行程的学习结果做进一步处理，即执行S303。若接收到用户输入的删除指令，则删除当前行程的驾驶参数的学习结果。

S303、对具有相同的待学习的驾驶参数的行程的学习结果进行处理，得到该驾驶参数的学习结果。

自动驾驶系统的自学习需要经过多次行程的长时间学习才能获得较好的学习结果，因此，需要将当前行程以及历史行程的数据相结合来确定驾驶参数的学习结果。可以理解的是，由于在每个行程中均可以对当前行程的驾驶数据进行处理获得当前行程的待学习的驾驶参数的学习结果。因此，在每次行程结束后，还可以将历史行程中与当前行程具有相同的待学习的驾驶参数的行程的学习结果进行综合处理，得到该驾驶参数的学习结果。

仍然以待学习的驾驶参数为跟车时距进行举例说明。跟车时距的学习结果通过以下公式确定：

其中，THW_a为车速点a的跟车时距，t_i为第i次行程或点火周期中待学习的驾驶参数对用的场景出现的时间，n为行程总次数，THW_i为第i次行程下车速点a的平均跟车时距。按照此方法分别计算出每个车速点的跟车时距后，根据线性插值可得出整个车速范围内的跟车时距学习曲线。

需要说明的是，上述根据具有相同的待学习的驾驶参数的行程所确定的待学习的驾驶参数的学习结果是当前学习结果。若截止当前行程为止，具有该相同的待学习的驾驶参数的行程的总时长较短，或总里程较短，则自动驾驶系统还需要在之后的行程中继续进行自学习。若具有该相同的待学习的驾驶参数的行程的总时长达到预设时长，或，总里程达到预设里程，则可以将当前学习结果确定为驾驶参数的学习结果。相应的，可以根据具有该相同的待学习的驾驶参数的行程的总时长与预设时长的比值，或，根据具有相同的待学习的驾驶参数的行程的总里程与预设里程的比值，计算驾驶参数的当前学习进度，示例的，如图5中所示。

为了进一步保证自动驾驶系统的安全性，还可将学习结果与系统预先设置的在安全范围内的数值进行比较，并根据比较结果更新学习结果。

在一种可行的实现方式中，将学习结果与预设阈值范围进行比较；若学习结果在预设阈值范围之外，则根据预设阈值范围更新学习结果。

示例的，若学习结果大于预设阈值范围的上限值，则将学习结果更新为预设阈值范围的上限值；若学习结果小于预设阈值范围的下限值，则将学习结果更新为预设阈值范围的下限值。

以待学习的驾驶参数为跟车时距为例进行说明，若预设的跟车时距的安全范围为1.2s-3.5s，而在上述学习结果中确定的某车速点的跟车时距小于1.2s，，示例的，如图6中所示，则将1.2s确定为该速度点的跟车时距的学习结果。相应的，若上述学习结果中确定的某车速点的跟车时距大于3.5s，则将3.5s确定为该速度点的跟车时距的学习结果。

在另一种可行的实现方式中，将学习结果与多个预设值进行比较；确定多个预设值中与学习结果的差值最小的目标预设值；将学习结果更新为目标预设值。

仍然以待学习的驾驶参数为跟车时距为例进行说明，示例的，如图7所示，车辆在出厂前预设了三组预设值，分别对应“保守”、“适中”、“激进”的驾驶风格，将学习结果与预设值进行匹配，选择每个车速点下最接近的预设值作为最终的学习结果。根据用户的学习结果进行匹配，选择最接近的一组参数作为学习结果。

S304、将学习结果输出至用户界面。

在进行自动驾驶系统的自学习后，可以将自学习结果显示在用户界面上，以便于用户可以选择在自动驾驶过程中使用自学习结果或者使用系统默认的参数。同时，用户还可以对学习结果进行查看、删除等操作。此外，对于已经完成的学习结果，用户还可以选择重新学习或继续学习来使得学习结果可以继续根据获取到的驾驶数据进行更新。

示例的，如图8所示，在输出学习结果时，可以仅更改开放给用户的相关个性化设置，例如在个性化设置页面显示根据学习结果确定的推荐设置项，或者，根据用户的选择将个性化设置项设置为用户选择的学习结果。

此外，还可以通过学习结果更改系统性能相关参数，示例的，如图9所示，将系统性能相关参数以及个性化设置以总结报告或概述的形式显示在用户界面或放置到子菜单供用户查看。

用户可在自学习结果或者系统默认参数之间自由选择，此外，自动驾驶系统也可在每次发车后，根据用户识别结果进行自动设置。如未识别出用户身份或用户未进行用户确认或确认超时，则使用系统默认参数。

本实施例提供的自动驾驶系统的自学习方法，通过预设的场景进行场景筛选，快速识别不同行程所对应的场景特征，提高了自学习的效率和准确性，同时，根据用户的选择来决定是否将当前行程的数据纳入学习范畴，使得学习结果更符合用户的驾驶习惯。

上述实施中示例说明的获取驾驶数据以及对驾驶数据进行筛选处理的过程是在启动了自学习功能之后的所执行的自学习过程。可以理解的是，用户也可以选择不启动自动驾驶系统的自学习功能，而一直使用系统默认参数。此外，自动驾驶系统进行自学习时，还可以根据不同用户分别进行相应的自学习，以使得每个用户使用自动驾驶功能时均可选择符合自己的驾驶习惯的自动驾驶参数。下面结合具体实施例进行说明。

图10为本申请提供的一种自动驾驶系统的自学习方法的流程示意图三。如图10所示，该方法包括：

S1001、接收用户输入的激活指令，激活指令用于指示启动自动驾驶系统的自学习。

本实施例中，自动驾驶系统的自学习功能作为一项独立的功能，可以由用户选择是否启动，若用户选择启动自动驾驶系统的自学习功能，则在之后的行程中车端控制器或云端服务器会获取驾驶行程中的驾驶数据进行自动驾驶系统的自学习，直至达到预设的自学习完成条件。若用户不选择启动自动驾驶系统的自学习功能，则在自动驾驶过程中始终使用系统默认参数。

用户输入激活指令的方式可以根据车辆实际具备的功能进行设置。用户可以通过用户界面输入激活指令，例如通过车辆的中控屏幕输入激活指令，或者，用户还可以通过车端APP激活该功能。示例的，用户还可以通过物理按键输入激活指令。或者，在支持语音识别的车辆中，用户还可以通过语音激活指令来启动自学习功能。

示例的，如图11中所示，用户通过中控屏幕上的菜单进入自动驾驶用户行为学习菜单，并根据菜单选项和提示选择启动学习功能。

S1002、接收用户输入的新建用户指令。

用户在激活学习功能后，需要建立用户信息以便于后续使用时识别和确认用户。同样的，用户可以通过用户界面或者语音指令等输入新建用户指令。

S1003、获取用户信息并进行存储。

用户信息可以包括但不限于：用户自定义的用户名、用户性别、用户图像等。为了增加系统与用户的互动性和增加用户识别的准确性，还可与车辆的身份识别系统配合，例如通过生物识别技术录入人脸、指纹或虹膜信息。也可通过手机APP调用手机终端的人脸或指纹识别系统来录入用户信息。或者，利用个性化钥匙功能，记录不同的钥匙对应的不同用户。本实施例对此不作具体限定。

S1004、识别当前驾驶车辆的目标用户。

在用户激活自学习功能之后，每次用户启动车辆后，系统会需要确认用户身份获取目标用户的信息。

在一种可行的实现方式中，通过获取目标用户的信息，将目标用户的信息与预存用户信息进行匹配，将匹配到的预存用户信息所对应的用户确定为目标用户。

如果自动驾驶系统的学习功能与车辆身份识别系统相关联，则可通过车辆身份识别系统获取目标用户的信息，例如人脸、指纹或虹膜等信息，将获取到的目标用户的信息与预存用户信息进行匹配，确定目标用户。可以理解的时，若不存在与目标用户的信息匹配的预存用户信息，则可以输出第二提示信息，第二提示信息用于提示用户是否新建用户。若用户选择新建用户，则可以按照S502-S503中的方法新建用户。

在另一种可行的实现方式中，通过接收用户输入的身份确认指令；根据身份确认指令确定目标用户。

如果自动驾驶系统的学习功能与车辆身份识别系统没有相关联或车辆不具备身份识别功能相关系统，则可直接通过语音或文字提示的方式让用户进行身份确认或选择，示例的，如图12或图13所示。

在确定目标用户身份确认后即可继续执行图2和图3所示实施例的方法。相应的，在获取驾驶数据时，获取与目标用户对应的驾驶数据；在学习完成之后，可以将学习结果与目标用户之间的对应关系进行存储并将该对应关系输出至用户界面。

如在驾驶过程中临时更换了驾驶员，还可通过车辆身份识别系统主动探测到驾驶员变化并自动切换，或者用户也可通过语音或手动进入功能菜单选择切换用户，如新的驾驶员未在系统中建立过用户信息，用户还可选择新建用户或暂时退出学习，示例的，如图14所示。

本申请实施例的方法中，将自动驾驶系统的自学习功能作为独立的功能，用户可以自行选择是否启动该自学习功能，同时根据不同的用户进行针对性的学习，使得学习结果符合每个用户的驾驶习惯，提高了用户体验。

本申请中，自动驾驶系统进行自学习的学习结果除了可以应用在自车上之外，还可以进行备份和迁移。例如，将学习结果发送至目标设备，目标设备可以时用户终端或云端服务器，从而实现将学习结果备份至手机终端或云端账户。

此外，目标设备也可以是另一目标车辆，在用户更换同款车型或相同的驾驶辅助或自动驾驶平台的车辆时，还可以将学习结果迁移后直接使用。图15为本申请提供的一种学习结果迁移方法的流程示意图。如图15所示，该方法包括：

S1501、接收数据迁移指令，数据迁移指令用于指示将学习结果迁移至目标车辆。

S1402、确定目标车辆与当前车辆的自动驾驶系统是否相同；若目标车辆与当前车辆的自动驾驶系统相同，则执行S1503；若目标车辆与当前车辆的自动驾驶系统不同，则执行S1506。

S1503、确定目标车辆与当前车辆的车型是否相同；若目标车辆与当前车辆的车型相同，则执行S1504；若目标车辆与当前车辆的车型不同，则执行S1505

S1504、将学习结果发送至目标车辆。

S1505、根据目标车辆中与自动驾驶性能相关的系统参数，对学习结果进行参数转换，将转换后的学习结果发送至目标车辆。

S1406、则输出提示信息，提示信息用于提示用户不支持将学习结果迁移至目标车辆。

数据迁移指令可以是用户通过人机交互界面、语音指令或者手机APP等输入的。若目标车辆与当前车辆的自动驾驶系统相同，则表示学习结果可以迁移，若目标车辆与当前车辆的自动驾驶系统不同，则不支持将学习结果迁移至目标车辆。

目标车辆与当前车辆的自动驾驶系统相同时，若目标车辆与当前车辆的车型配置也完全相同，则可以直接将当前车辆的学习结果发送到目标车辆的控制器中。若目标车辆与当前车辆的车型配置不同，则需要校验驾驶辅助或自动驾驶相关的系统是否相同，例如动力、制动和转向等和智能驾驶系统性能相关的系统，然后根据检测结果进行必要的参数转换，生成新的学习结果后下发到目标车辆。

本实施例的方法中，通过对自动驾驶系统的自学习结果进行备份和迁移，避免了同平台或同车型的车辆的重复学习，实现了一次学习多次使用，提高了用户体验。

图16为本申请提供的一种自动驾驶系统的自学习装置的结构示意图。如图16所示，自动驾驶系统的自学习装置160包括：

获取模块1601，用于获取驾驶数据；

处理模块1602，用于将驾驶数据中的异常数据剔除，得到待处理数据；

学习模块1603，用于根据待处理数据选择待学习的驾驶参数，并按照驾驶参数对应的计算规则对待处理数据进行计算，得到驾驶参数的学习结果，学习结果用于指示自动驾驶系统在自动驾驶行程中按照学习结果设置驾驶参数。

可选的，驾驶数据包括手动驾驶数据和/或自动驾驶接管数据。

可选的，处理模块1602用于：

根据预设规则确定驾驶数据中的异常数据；

删除异常数据。

可选的，学习模块1603用于：

在多个预设的场景中选择与待处理数据匹配的目标场景以及与目标场景对应的驾驶参数；每个预设的场景对应至少一个驾驶参数。

可选的，学习模块1603具体用于：

计算待处理数据的驾驶数据特征，并将待处理数据的驾驶数据特征与多个预设的场景中每个场景的驾驶数据特征进行比较，得到多个预设的场景中与待处理数据匹配的目标场景。

可选的，驾驶数据包括当前行程的驾驶数据和/或历史行程的驾驶数据；

处理模块1602用于，将当前行程和/或历史行程的每个行程的驾驶数据中的异常数据剔除，得到每个行程的待处理数据；

学习模块1603用于，根据每个行程的待处理数据选择每个行程中待学习的驾驶参数，并按照每个行程中待学习的驾驶参数对应的计算规则对每个行程的待处理数据进行计算，得到每个行程中待学习的驾驶参数的学习结果；并对具有相同的待学习的驾驶参数的行程的学习结果进行处理，得到驾驶参数的学习结果

可选的，学习模块1603用于：

对具有相同的待学习的驾驶参数的多个行程的学习结果进行加权处理，得到驾驶参数的学习结果。

可选的，学习模块1603用于：

对具有相同的待学习的驾驶参数的多个行程的学习结果进行处理，得到驾驶参数的当前学习结果；

若具有相同的待学习的驾驶参数的行程的总时长达到预设时长，或，具有相同的待学习的驾驶参数的行程的总里程达到预设里程，则将当前学习结果确定为驾驶参数的学习结果。

可选的，学习模块1603还用于：

根据具有相同的待学习的驾驶参数的行程的总时长与预设时长，或，根据具有相同的待学习的驾驶参数的行程的总里程与预设里程，计算驾驶参数的当前学习进度。

可选的，自动驾驶系统的自学习装置160还包括：输出模块1604，用于输出第一提示信息，第一提示信息用于提示用户是否保存当前行程的驾驶参数的学习结果；

获取模块1601，用于接收用户输入的保存指令，保存指令用于指示保存当前行程的驾驶参数的学习结果。

可选的，学习模块1603还用于：

若接收到用户输入的删除指令，则删除当前行程的驾驶参数的学习结果。

可选的，学习模块1603具体用于：

将学习结果与预设阈值范围进行比较；

若学习结果在预设阈值范围之外，则根据预设阈值范围更新学习结果。

可选的，学习模块1603具体用于：

若学习结果大于预设阈值范围的上限值，则将学习结果更新为预设阈值范围的上限值。

若学习结果小于预设阈值范围的下限值，则将学习结果更新为预设阈值范围的下限值。

可选的，学习模块1603具体用于：

将学习结果与多个预设值进行比较；

确定多个预设值中与学习结果的差值最小的目标预设值；

将学习结果更新为目标预设值。

可选的，输出模块1604用于：

将学习结果输出至用户界面。

可选的，获取模块1601，用于识别当前驾驶车辆的目标用户；

相应的，获取模块1601，还用于，

获取与目标用户对应的驾驶数据；

输出模块1604用于：

将学习结果与目标用户之间的对应关系进行存储并将对应关系输出至用户界面。

可选的，获取模块1601用于：

获取目标用户的信息；

将目标用户的信息与预存用户信息进行匹配，将匹配到的预存用户信息所对应的用户确定为目标用户。

可选的，输出模块1604还用于：

若不存在与目标用户的信息匹配的预存用户信息，则输出第二提示信息，第二提示信息用于提示用户是否新建用户。

可选的，获取模块1601用于：

接收用户输入的身份确认指令；

根据身份确认指令确定目标用户。

可选的，获取模块1601还用于：

接收用户输入的新建用户指令；

获取用户信息并进行存储。

可选的，获取模块1601还用于：

接收用户输入的激活指令，激活指令用于指示启动自动驾驶系统的自学习。

可选的，获取模块1601具体用于：

接收用户通过用户界面输入的激活指令。

可选的，获取模块1601用于：

接收用户通过物理按键输入的激活指令。

可选的，获取模块1601用于：

接收用户输入的语音激活指令。

可选的，输出模块1604，用于将学习结果发送至目标设备。

可选的，目标设备为目标车辆；

获取模块1601，用于接收数据迁移指令，数据迁移指令用于指示将学习结果迁移至目标车辆；

输出模块1604，用于确定目标车辆与当前车辆的自动驾驶系统是否相同；

若目标车辆与当前车辆的自动驾驶系统相同，则继续确定目标车辆与当前车辆的车型是否相同；

若目标车辆与当前车辆的车型相同，则将学习结果发送至目标车辆。

可选的，输出模块1604还用于：

若目标车辆与当前车辆的车型不同，则根据目标车辆中与自动驾驶性能相关的系统参数，对学习结果进行参数转换，将转换后的学习结果发送至目标车辆。

可选的，输出模块1604还用于：

若目标车辆与当前车辆的自动驾驶系统不同，则输出提示信息，提示信息用于提示用户不支持将学习结果迁移至目标车辆。

本申请提供的自动驾驶系统的自学习装置可用于执行上述任一方法实施例中的自动驾驶系统的自学习方法，其实现原理和技术效果类似，此处不再赘述。

图17为本申请提供的一种电子设备的结构示意图。如图17所示，电子设备170包括：存储器1701和处理器1702；可选的，存储器1701和处理器1702通过总线1703连接。

存储器1701用于存储计算机程序；

处理器1702用于在计算机程序执行时，实现如上述第一方面中任一项的方法。

本申请提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，实现如上述任一方法实施例中的自动驾驶系统的自学习方法。

本申请提供一种自动驾驶车辆，其中包括如图17所示的电子设备。

可选的，上述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的方法实施例中的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述所示方法实施例中的方法。

实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一可读取存储器中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储器(存储介质)包括：只读存储器(read-only memory，ROM)、RAM、快闪存储器、硬盘、固态硬盘、磁带(magnetic tape)、软盘(floppy disk)、光盘(optical disc)及其任意组合。

本申请实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理单元以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理单元执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

在本申请中，术语“包括”及其变形可以指非限制性的包括；术语“或”及其变形可以指“和/或”。本本申请中术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。本申请中，“多个”是指两个或两个以上。“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系

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 (59)

1.一种自动驾驶系统的自学习方法，其特征在于，包括：

获取驾驶数据；

将所述驾驶数据中的异常数据剔除，得到待处理数据；

根据所述待处理数据选择待学习的驾驶参数，并按照所述驾驶参数对应的计算规则对所述待处理数据进行计算，得到所述驾驶参数的学习结果，所述学习结果用于指示所述自动驾驶系统在自动驾驶行程中按照所述学习结果设置所述驾驶参数。

2.根据权利要求1所述的方法，其特征在于，所述驾驶数据包括手动驾驶数据和/或自动驾驶接管数据。

3.根据权利要求1所述的方法，其特征在于，所述将所述驾驶数据中的异常数据剔除，包括：

根据预设规则筛选所述驾驶数据中的异常数据；

删除所述异常数据。

4.根据权利要求1所述的方法，其特征在于，所述根据所述待处理数据选择待学习的驾驶参数，包括：

在多个预设的场景中选择与所述待处理数据匹配的目标场景以及与所述目标场景对应的所述驾驶参数，每个所述预设的场景对应至少一个驾驶参数。

5.根据权利要求4所述的方法，其特征在于，所述在多个预设的场景中选择与所述待处理数据匹配的目标场景，包括：

计算所述待处理数据的驾驶数据特征，并将所述待处理数据的驾驶数据特征与所述多个预设的场景中每个场景的驾驶数据特征进行比较，得到所述多个预设的场景中与所述待处理数据匹配的目标场景。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述驾驶数据包括当前行程的驾驶数据和/或历史行程的驾驶数据；

所述将所述驾驶数据中的异常数据剔除，得到待处理数据，包括：

将所述当前行程和/或所述历史行程的每个行程的驾驶数据中的异常数据剔除，得到所述每个行程的待处理数据；

所述根据所述待处理数据选择待学习的驾驶参数，并按照所述驾驶参数对应的计算规则对所述待处理数据进行计算，得到所述驾驶参数的学习结果，包括：

根据所述每个行程的待处理数据选择所述每个行程中待学习的驾驶参数，并按照所述每个行程中待学习的驾驶参数对应的计算规则对所述每个行程的待处理数据进行计算，得到所述每个行程中待学习的驾驶参数的学习结果；

对具有相同的待学习的驾驶参数的行程的学习结果进行处理，得到所述驾驶参数的学习结果。

7.根据权利要求6所述的方法，其特征在于，所述对具有相同的待学习的驾驶参数的行程的学习结果进行处理得到所述驾驶参数的学习结果，包括：

对所述具有相同的待学习的驾驶参数的多个行程的学习结果进行加权处理，得到所述驾驶参数的学习结果。

8.根据权利要求6所述的方法，其特征在于，所述对具有相同的待学习的驾驶参数的行程的学习结果进行处理，得到所述驾驶参数的学习结果，包括：

对所述具有相同的待学习的驾驶参数的多个行程的学习结果进行处理，得到所述驾驶参数的当前学习结果；

若所述具有相同的待学习的驾驶参数的行程的总时长达到预设时长，或，所述具有相同的待学习的驾驶参数的行程的总里程达到预设里程，则将所述当前学习结果确定为所述驾驶参数的学习结果。

9.根据权利要求8所述的方法，其特征在于，所述方法还包括:

根据具有相同的待学习的驾驶参数的行程的总时长与所述预设时长，或，根据具有相同的待学习的驾驶参数的行程的总里程与所述预设里程，计算所述驾驶参数的当前学习进度。

10.根据权利要求1所述的方法，其特征在于，所述驾驶数据包括当前行程的驾驶数据时，所述方法还包括：

输出第一提示信息，所述第一提示信息用于提示用户是否保存所述当前行程的驾驶参数的学习结果；

接收用户输入的保存指令，所述保存指令用于指示保存所述当前行程的驾驶参数的学习结果。

11.根据权利要求10所述的方法，其特征在于，所述方法还包括：

若接收到用户输入的删除指令，则删除所述当前行程的驾驶参数的学习结果。

12.根据权利要求1-11任一项所述的方法，其特征在于，所述方法还包括：

将所述学习结果与预设阈值范围进行比较；

若所述学习结果在所述预设阈值范围之外，则根据所述预设阈值范围更新所述学习结果。

13.根据权利要求12所述的方法，其特征在于，所述若所述学习结果在所述预设阈值范围之外，则根据所述预设阈值范围更新所述学习结果，包括：

若所述学习结果大于所述预设阈值范围的上限值，则将所述学习结果更新为所述预设阈值范围的上限值；

若所述学习结果小于所述预设阈值范围的下限值，则将所述学习结果更新为所述预设阈值范围的下限值。

14.根据权利要求1-11任一项所述的方法，其特征在于，所述方法还包括：

将所述学习结果与多个预设值进行比较；

确定所述多个预设值中与所述学习结果的差值最小的目标预设值；

将所述学习结果更新为所述目标预设值。

15.根据权利要求1-14任一项所述的方法，其特征在于，所述方法还包括：

将所述学习结果输出至用户界面。

16.根据权利要求15所述的方法，其特征在于，所述获取驾驶数据之前，所述方法还包括：

识别当前驾驶车辆的目标用户；

相应的，

所述获取驾驶数据包括：

获取与所述目标用户对应的驾驶数据；

所述将所述学习结果输出至用户界面，包括：

将所述学习结果与所述目标用户之间的对应关系进行存储并将所述对应关系输出至所述用户界面。

17.根据权利要求16所述的方法，其特征在于，所述识别当前驾驶车辆的目标用户，包括：

获取所述目标用户的信息；

将所述目标用户的信息与预存用户信息进行匹配，将匹配到的预存用户信息所对应的用户确定为所述目标用户。

18.根据权利要求17所述的方法，其特征在于，所述方法还包括：

若不存在与所述目标用户的信息匹配的预存用户信息，则输出第二提示信息，所述第二提示信息用于提示用户是否新建用户。

19.根据权利要求16所述的方法，其特征在于，所述识别当前驾驶车辆的目标用户，包括：

接收用户输入的身份确认指令；

根据所述身份确认指令确定所述目标用户。

20.根据权利要求16所述的方法，其特征在于，所述方法还包括：

接收用户输入的新建用户指令；

获取用户信息并进行存储。

21.根据权利要求1-20任一项所述的方法，其特征在于，所述获取驾驶数据之前，所述方法还包括：

接收用户输入的激活指令，所述激活指令用于指示启动自动驾驶系统的自学习。

22.根据权利要求21所述的方法，其特征在于，所述接收用户输入的激活指令，包括：

接收用户通过用户界面输入的激活指令。

23.根据权利要求21所述的方法，其特征在于，所述接收用户输入的激活指令，包括：

接收用户通过物理按键输入的激活指令。

24.根据权利要求21所述的方法，其特征在于，所述接收用户输入的激活指令，包括：

接收用户输入的语音激活指令。

25.根据权利要求1-24任一项所述的方法，其特征在于，所述方法还包括：

将所述学习结果发送至目标设备。

26.根据权利要求25所述的方法，其特征在于，所述目标设备为目标车辆；所述将所述学习结果发送至目标设备之前，所述方法还包括：

接收数据迁移指令，所述数据迁移指令用于指示将所述学习结果迁移至目标车辆；

所述将所述学习结果发送至目标设备，包括：

确定所述目标车辆与当前车辆的自动驾驶系统是否相同；

若所述目标车辆与当前车辆的自动驾驶系统相同，则继续确定所述目标车辆与当前车辆的车型是否相同；

若所述目标车辆与当前车辆的车型相同，则将所述学习结果发送至所述目标车辆。

27.根据权利要求26所述的方法，其特征在于，所述方法还包括：

若所述目标车辆与当前车辆的车型不同，则根据所述目标车辆中与自动驾驶性能相关的系统参数，对所述学习结果进行参数转换，将转换后的学习结果发送至所述目标车辆。

28.根据权利要求26所述的方法，其特征在于，所述方法还包括：

若所述目标车辆与当前车辆的自动驾驶系统不同，则输出提示信息，所述提示信息用于提示用户不支持将所述学习结果迁移至所述目标车辆。

29.一种自动驾驶系统的自学习装置，其特征在于，包括：

获取模块，用于获取驾驶数据；

处理模块，用于将所述驾驶数据中的异常数据剔除，得到待处理数据；

学习模块，用于根据所述待处理数据选择待学习的驾驶参数，并按照所述驾驶参数对应的计算规则对所述待处理数据进行计算，得到所述驾驶参数的学习结果，所述学习结果用于指示所述自动驾驶系统在自动驾驶行程中按照所述学习结果设置所述驾驶参数。

30.根据权利要求29所述的装置，其特征在于，所述驾驶数据包括手动驾驶数据和/或自动驾驶接管数据。

31.根据权利要求29所述的装置，其特征在于，所述处理模块用于：

根据预设规则确定所述驾驶数据中的异常数据；

删除所述异常数据。

32.根据权利要求29所述的装置，其特征在于，所述学习模块用于：

在多个预设的场景中选择与所述待处理数据匹配的目标场景以及与所述目标场景对应的所述驾驶参数；每个所述预设的场景对应至少一个驾驶参数。

33.根据权利要求32所述的装置，其特征在于，所述学习模块具体用于：

计算所述待处理数据的驾驶数据特征，并将所述待处理数据的驾驶数据特征与所述多个预设的场景中每个场景的驾驶数据特征进行比较，得到所述多个预设的场景中与所述待处理数据匹配的目标场景。

34.根据权利要求29-33任一项所述的装置，其特征在于，所述驾驶数据包括当前行程的驾驶数据和/或历史行程的驾驶数据；

所述处理模块用于，将所述当前行程和/或所述历史行程的每个行程的驾驶数据中的异常数据剔除，得到所述每个行程的待处理数据；

所述学习模块用于，根据所述每个行程的待处理数据选择所述每个行程中待学习的驾驶参数，并按照所述每个行程中待学习的驾驶参数对应的计算规则对所述每个行程的待处理数据进行计算，得到所述每个行程中待学习的驾驶参数的学习结果；并对具有相同的待学习的驾驶参数的行程的学习结果进行处理，得到所述驾驶参数的学习结果。

35.根据权利要求34所述的装置，其特征在于，所述学习模块用于：

对所述具有相同的待学习的驾驶参数的多个行程的学习结果进行加权处理，得到所述驾驶参数的学习结果。

36.根据权利要求34所述的装置，其特征在于，所述学习模块用于：

对所述具有相同的待学习的驾驶参数的多个行程的学习结果进行处理，得到所述驾驶参数的当前学习结果；

若所述具有相同的待学习的驾驶参数的行程的总时长达到预设时长，或，所述具有相同的待学习的驾驶参数的行程的总里程达到预设里程，则将所述当前学习结果确定为所述驾驶参数的学习结果。

37.根据权利要求36所述的装置，其特征在于，所述学习模块还用于:

根据具有相同的待学习的驾驶参数的行程的总时长与所述预设时长，或，根据具有相同的待学习的驾驶参数的行程的总里程与所述预设里程，计算所述驾驶参数的当前学习进度。

38.根据权利要求34所述的装置，其特征在于，所述驾驶数据包括当前行程的驾驶数据时，所述装置还包括：

输出模块，用于输出第一提示信息，所述第一提示信息用于提示用户是否保存所述当前行程的驾驶参数的学习结果；

所述获取模块，还用于接收用户输入的保存指令，所述保存指令用于指示保存所述当前行程的驾驶参数的学习结果。

39.根据权利要求38所述的装置，其特征在于，所述学习模块还用于：

若接收到用户输入的删除指令，则删除所述当前行程的驾驶参数的学习结果。

40.根据权利要求29-39任一项所述的装置，其特征在于，所述学习模块具体用于：

将所述学习结果与预设阈值范围进行比较；

若所述学习结果在所述预设阈值范围之外，则根据所述预设阈值范围更新所述学习结果。

41.根据权利要求40所述的装置，其特征在于，所述学习模块具体用于：

若所述学习结果大于所述预设阈值范围的上限值，则将所述学习结果更新为所述预设阈值范围的上限值；

若所述学习结果小于所述预设阈值范围的下限值，则将所述学习结果更新为所述预设阈值范围的下限值。

42.根据权利要求29-39任一项所述的装置，其特征在于，所述学习模块具体用于：

将所述学习结果与多个预设值进行比较；

确定所述多个预设值中与所述学习结果的差值最小的目标预设值；

将所述学习结果更新为所述目标预设值。

43.根据权利要求29-42任一项所述的装置，其特征在于，输出模块用于：

将所述学习结果输出至用户界面。

44.根据权利要求43所述的装置，其特征在于，

所述获取模块，用于识别当前驾驶车辆的目标用户；

相应的，

所述获取模块还用于；

获取与所述目标用户对应的驾驶数据；

所述输出模块用于：

将所述学习结果与所述目标用户之间的对应关系进行存储并将所述对应关系输出至用户界面。

45.根据权利要求44所述的装置，其特征在于，所述获取模块用于：

获取所述目标用户的信息；

将所述目标用户的信息与预存用户信息进行匹配，将匹配到的预存用户信息所对应的用户确定为所述目标用户。

46.根据权利要求45所述的装置，其特征在于，所述输出模块还用于：

若不存在与所述目标用户的信息匹配的预存用户信息，则输出第二提示信息，所述第二提示信息用于提示用户是否新建用户。

47.根据权利要求44所述的装置，其特征在于，所述获取模块用于：

接收用户输入的身份确认指令；

根据所述身份确认指令确定所述目标用户。

48.根据权利要求44所述的装置，其特征在于，所述获取模块还用于：

接收用户输入的新建用户指令；

获取用户信息并进行存储。

49.根据权利要求29-48任一项所述的装置，其特征在于，所述获取模块还用于：

接收用户输入的激活指令，所述激活指令用于指示启动自动驾驶系统的自学习。

50.根据权利要求49所述的装置，其特征在于，所述获取模块具体用于：

接收用户通过用户界面输入的激活指令。

51.根据权利要求49所述的装置，其特征在于，所述获取模块用于：

接收用户通过物理按键输入的激活指令。

52.根据权利要求49所述的装置，其特征在于，所述获取模块用于：

接收用户输入的语音激活指令。

53.根据权利要求29-52任一项所述的装置，其特征在于，

输出模块，还用于将所述学习结果发送至目标设备。

54.根据权利要求53所述的装置，其特征在于，所述目标设备为目标车辆；

所述获取模块，用于接收数据迁移指令，所述数据迁移指令用于指示将所述学习结果迁移至目标车辆；

所述输出模块，用于确定所述目标车辆与当前车辆的自动驾驶系统是否相同；

若所述目标车辆与当前车辆的自动驾驶系统相同，则继续确定所述目标车辆与当前车辆的车型是否相同；

若所述目标车辆与当前车辆的车型相同，则将所述学习结果发送至所述目标车辆。

55.根据权利要求54所述的装置，其特征在于，所述输出模块还用于：

若所述目标车辆与当前车辆的车型不同，则根据所述目标车辆中与自动驾驶性能相关的系统参数，对所述学习结果进行参数转换，将转换后的学习结果发送至所述目标车辆。

56.根据权利要求54所述的装置，其特征在于，所述输出模块还用于：

若所述目标车辆与当前车辆的自动驾驶系统不同，则输出提示信息，所述提示信息用于提示用户不支持将所述学习结果迁移至所述目标车辆。

57.一种电子设备，其特征在于，包括：存储器和处理器；所述存储器和所述处理器连接；

所述存储器用于存储计算机程序；

所述处理器用于在所述计算机程序执行时，实现如权利要求1-28中任一项所述的方法。

58.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-28中任一项所述的方法。

59.一种自动驾驶车辆，其特征在于，包括如权利要求57所述的电子设备。

Images