CN117743524A - 驾驶训练指导的推送方法、装置及电子设备 - Google Patents
驾驶训练指导的推送方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117743524A CN117743524A CN202311490993.0A CN202311490993A CN117743524A CN 117743524 A CN117743524 A CN 117743524A CN 202311490993 A CN202311490993 A CN 202311490993A CN 117743524 A CN117743524 A CN 117743524A
- Authority
- CN
- China
- Prior art keywords
- training
- vehicle
- driving
- determining
- information
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 415
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000004044 response Effects 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 206010063385 Intellectualisation Diseases 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请公开了驾驶训练指导的推送方法、装置及电子设备,涉及计算机技术领域,尤其涉及智能驾驶、大模型等人工智能领域。具体方案为:获取驾驶训练模式下采集的目标对象的问题;对问题进行识别,确定问题与车辆的当前练习场景之间的关联关系;响应于关联关系为相关,获取车辆的状态信息和行驶环境信息;根据问题、状态信息和行驶环境信息,确定问题对应的驾驶训练指导答复;向目标对象推送驾驶训练指导答复。在驾驶训练过程中,对于与当前练习场景相关的问题,可基于问题、车辆的状态信息和行驶环境信息,为目标对象提供驾驶训练指导答复,保证了驾驶训练指导答复的质量,使目标对象可自主学习驾驶技能,实现了驾驶训练的智能化,降低了人力成本。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及智能驾驶、大模型等人工智能领域,具体涉及一种驾驶训练指导的推送方法、装置及电子设备。
背景技术
随着车辆的普及程度越来越高,驾驶车辆逐渐成为现代人必需的生活技能。相关技术中,有驾驶训练需求的用户主要是在人工教练指导的情况下,进行驾驶训练,学习驾驶技能。
发明内容
本申请提供了一种驾驶训练指导的推送方法、装置及电子设备。具体方案如下:
根据本申请的一方面,提供了一种驾驶训练指导的推送方法,包括:
获取驾驶训练模式下采集的目标对象的问题;
对问题进行识别,确定问题与车辆的当前练习场景之间的关联关系;
响应于关联关系为相关,获取车辆的状态信息和行驶环境信息;
根据问题、状态信息和行驶环境信息,确定问题对应的驾驶训练指导答复;
向目标对象推送驾驶训练指导答复。
根据本申请的另一方面,提供了一种驾驶训练指导的推送装置,包括:
第一获取模块,用于获取驾驶训练模式下采集的目标对象的问题;
识别模块,用于对问题进行识别,确定问题与车辆的当前练习场景之间的关联关系;
第二获取模块,用于响应于关联关系为相关,获取车辆的状态信息和行驶环境信息;
第一确定模块,用于根据问题、状态信息和行驶环境信息,确定问题对应的驾驶训练指导答复;
推送模块,用于向目标对象推送驾驶训练指导答复。
根据本申请的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述实施例所述的方法。
根据本申请的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据上述实施例所述的方法。
根据本申请的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述实施例所述方法的步骤。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请一实施例提供的驾驶训练指导的推送方法的流程示意图;
图2为本申请另一实施例提供的驾驶训练指导的推送方法的流程示意图;
图3为本申请另一实施例提供的驾驶训练指导的推送方法的流程示意图;
图4为本申请实施例提供的一种训练路线的确定过程示意图;
图5为本申请另一实施例提供的驾驶训练指导的推送方法的流程示意图;
图6为本申请实施例提供的一种驾驶训练过程示意图;
图7为本申请一实施例提供的驾驶训练指导的推送装置的结构示意图;
图8是用来实现本申请实施例的驾驶训练指导的推送方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定,且不违背公序良俗。
相关技术中,有驾驶训练需求的用户主要是在人工教练指导的情况下,进行驾驶训练,学习驾驶技能。但是,这种驾驶训练方式,无法满足用户个性化的驾驶训练需求,人力成本也比较高。
下面参考附图描述本申请实施例的驾驶训练指导的推送方法、装置、电子设备和存储介质。
图1为本申请一实施例提供的驾驶训练指导的推送方法的流程示意图。
本申请实施例的驾驶训练指导的推送方法,可以由本申请实施例的驾驶训练指导的推送装置执行,该装置可以配置于电子设备中,以实现在驾驶训练过程中,对于目标对象提出的与当前练习场景相关的问题,可以基于车辆的状态信息和行驶环境信息,为目标对象提供驾驶训练指导答复,保证了驾驶训练指导答复的质量,使目标对象可以自主学习驾驶技能,满足不同目标对象的个性化驾驶训练需求,节省了人力成本。
其中,目标对象可以是指进行驾驶训练的用户。
其中,电子设备可以为任一具有计算能力的设备,例如可以为个人电脑、移动终端、服务器等,移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该驾驶训练指导的推送方法,包括:
步骤101,获取驾驶训练模式下采集的目标对象的问题。
本申请中,目标对象可以通过唤醒词唤醒车辆上的人机交互系统,并通过说出“开始驾驶训练”,唤起智能虚拟教练,开始进入驾驶训练模式。在进入驾驶训练模式后,可以先确定训练路线,目标对象在训练路线上驾驶车辆。
示例性的,目标对象可以在导航应用程序中输入目标位置,根据目标对象输入的目标位置与车辆的当前位置,规划一个或多个路线,如果是多个路线,目标对象可以选择其中一个路线作为训练路线。
本申请中,在驾驶训练模式下,目标对象可以问问题,车辆上的语音采集装置可以采集目标对象的问题,从而可以获取车辆在驾驶训练模式下采集的目标对象的问题。其中,目标对象的问题可能与驾驶训练相关,也可能与驾驶训练无关。
步骤102,对问题进行识别,确定问题与车辆的当前练习场景之间的关联关系。
在驾驶培训中,目标对象需要训练多个练习场景,包括但不限于红绿灯直行场景、变道场景、左转场景、右转场景、超车场景等。
本申请中,训练路线上可以包括一个或多个练习场景,不同的训练路线包含的练习场景可能相同,也可能不相同。
本申请中,可以将目标对象的问题和车辆的当前练习场景信息输入识别模型,通过识别模型对问题进行识别,以确定目标对象的问题与车辆的当前练习场景之间的关联关系。
可选地,可以将目标对象的问题与当前练习场景进行匹配,以根据问题与当前练习场景的匹配度,确定问题与当前练习场景之间的关联关系。
步骤103,响应于关联关系为相关,获取车辆的状态信息和行驶环境信息。
本申请中,如果目标对象的问题与当前练习场景相关,可以通过地图服务端、车辆上的传感器等,获取当前车辆的状态信息和行驶环境信息。
其中,车辆的状态信息可以包括但不限于车辆的行驶状态信息、车辆上目标设备的操控状态等。示例性的,行驶状态信息可以包括但不限于车辆的位置信息、行驶速度、加速度、车辆与前后车辆的车距、车辆所在车道等。示例性的,目标设备可以包括但不限于方向盘、车辆档位、油门踏板、刹车踏板、车灯等,目标设备的操控状态比如远光灯的开关状态、右转向灯的开关状态、左转向灯的开关状态、方向盘的旋转方向和旋转角度、油门踏板的开度、刹车踏板的开度等。
其中,车辆的行驶环境信息可以包括但不限于车辆所在路段的车道数量、车辆所在路段的限速、车辆所在路段的限高、车辆前方路口的红绿灯信息、车辆前方路口的交通指示牌信息(比如红灯时限制右转的指示牌)等。
步骤104,根据问题、状态信息和行驶环境信息,确定问题对应的驾驶训练指导答复。
本申请,可以对问题的类型进行识别,确定问题的类型,并根据问题的类型,确定与问题的类型匹配的答复策略,再采用与问题的类型匹配的答复策略,基于状态信息和行驶环境信息,确定驾驶训练指导答复。其中,问题的类型可以包括判断型、解答型、混合型等,混合型是指包含多种问题类型,比如一个问题中包括判断型问题和解答型问题。
对于判断型问题,可以将车辆的状态信息、行驶环境信息等与问题进行匹配,确定判断结果。比如,当前练习场景为右转场景,问题为“前方路口可以直接右转吗”,前方路口的红绿灯信息为前方路口的红绿灯为绿灯,且没有禁止右转的指示牌,那么根据前方路口的红绿灯信息,可以确定车辆可以直接右转。
对于解答型问题,可以根据目标对象的问题、车辆的状态信息和行驶环境信息查询知识库,以获取问题对应的驾驶训练指导答复。
对于混合型问题,可以采用大模型,基于车辆的状态信息和行驶环境信息,生成问题对应的驾驶训练指导答复。可选地,对于判断型问题和解答型问题,也可以采用大模型进行处理生成驾驶训练指导答复。作为一种实现方式,大模型可以是通用大模型,可以获取提示信息,将提示信息、目标对象的问题、车辆的状态信息和行驶环境信息等输入大模型进行处理,生成问题对应的驾驶训练指导答复。其中,提示信息可以用于指示大模型执行生成驾驶训练指导答复的任务。由此,通过提示信息指示通用大模型执行生成驾驶训练指导答复任务,从而可以利用通用大模型生成驾驶训练指导答复,提高了训练指导答复的准确性。
作为另一种实现方式,大模型可以是驾驶领域大模型,可以将问题、车辆的状态信息和行驶环境信息输入大模型进行处理,生成问题对应的驾驶训练指导答复。其中,驾驶领域大模型可以是利用驾驶考试题库、搜索引擎的驾驶问答等对初始大模型进行监督微调得到的。
可选地,如果目标对象的问题与当前练习场景之间的关联关系为不相关,可以识别问题所属的领域,如果问题所属的领域是驾驶领域,可以查询驾驶问答库,以确定问题的驾驶训练指导答复。
可选地,如果目标对象的问题与当前练习场景无关,且问题所属的领域是驾驶领域,也可以利用大模型对问题进行处理,生成问题的驾驶训练指导答复。示例性的,大模型为通用大模型,可以获取提示信息,其中,提示信息用于指示大模型执行驾驶训练指导答复的生成任务,将提示信息和问题输入大模型进行处理,生成驾驶训练指导答复。示例性的,大模型可以是驾驶领域大模型,可以将问题输入大模型进行处理,生成问题对应的驾驶训练指导答复。
由此,如果目标对象的问题与当前练习场景无关,且问题所属的领域是驾驶领域,可以不用获取车辆的状态信息和行驶环境信息,利用大模型直接对问题进行处理,生成驾驶训练指导答复,不仅节省了资源,而且提高了答复的准确性。
可选地,如果目标对象的问题与当前练习场景之间的关联关系为不相关,可以向目标对象推送专注当前练习场景的提示信息。
可选地,如果目标对象的问题所属的领域是非驾驶领域,也即目标对象的问题是非驾驶领域的问题,那么可以向目标对象推送专注驾驶训练的提示信息。比如,目标对象的问题为“今天天气怎么样”,可以推送“请专注驾驶训练”的提示信息。
由此,如果目标对象的问题是非驾驶领域的问题,可以提醒目标对象专注驾驶训练,从而减少驾驶训练过程中危险情况发生的概率,提高驾驶训练过程中的安全性。
可选地,如果目标对象的问题是非驾驶领域的问题,也可以确定问题的答复,从而实现对目标对象的各种问题进行答复。比如,目标对象的问题为“今天天气怎么样”,答复为“今天天气晴,温度为18到25摄氏度”。
步骤105,向目标对象推送驾驶训练指导答复。
本申请中,可以语音播放驾驶训练指导答复,或者在语音播放驾驶训练指导答复的同时,在车载屏幕上通过文字显示驾驶训练指导答复,或者在语音播放驾驶训练指导答复的同时,在车载屏幕上显示驾驶训练指导的动画等。
本申请实施例中,可以获取驾驶训练模式下采集的目标对象的问题,并对问题进行识别,以确定问题与当前练习场景的关联关系,如果问题与当前练习场景相关,则获取车辆的状态信息和行驶环境信息,基于问题、车辆的状态信息和行驶环境信息,确定驾驶训练指导答复,并推送给目标对象。由此,在驾驶训练过程中,可以采集目标对象的问题,对于与当前练习场景相关的问题,可以基于问题、车辆的状态信息和行驶环境信息,为目标对象提供驾驶训练指导答复,保证了驾驶训练指导答复的质量,使目标对象可以自主学习驾驶技能,实现了驾驶训练的智能化,降低了人力成本。
在本申请的一些实施例中,可以获取驾驶训练模式下采集的目标对象的问题,对问题进行识别,确定问题与车辆的当前练习场景之间的关联关系,响应于关联关系为相关,获取车辆的状态信息和行驶信息,根据问题、状态信息和行驶环境信息,确定问题对应的驾驶训练指导答复,向目标对象推送驾驶训练指导答复,或者响应于关联关系为不相关,确定问题所属的领域,如果问题所属的领域为驾驶领域,获取提示信息,将提示信息和问题输入大模型进行处理,生成问题对应的驾驶训练指导答复,向目标对象推送驾驶训练指导答复,或者响应于关联关系为不相关,向目标对象推送专注当前练习场景的提示信息。
图2为本申请另一实施例提供的驾驶训练指导的推送方法的流程示意图。
如图2所示,该驾驶训练指导的推送方法包括:
步骤201,获取驾驶训练模式下采集的目标对象的问题。
步骤202,对问题进行识别,确定问题与车辆的当前练习场景之间的关联关系;其中,当前练习场景为变道场景。
本申请中,步骤201-步骤202可以采用本申请各实施例中任一种实现方式,对此不作限定,也不再赘述。
步骤203,响应于关联关系为相关,获取车辆的状态信息和行驶环境信息。
本申请中,步骤203可以采用本申请各实施例中任一种实现方式,对此不作限定,也不再赘述。
步骤204,根据状态信息中车辆的行驶状态信息及行驶环境信息中车辆待驶入车道上的车辆信息,确定驾驶训练指导答复。
本申请中,如果车辆的当前练习场景为变道场景,可以根据车辆的状态信息中车辆的行驶状态信息、行驶环境信息中车辆待驶入车道上的车辆信息,确定驾驶训练指导答复。
其中,车辆的行驶状态信息包括但不限于车辆的行驶速度、车辆的加速度、车辆与前后车辆的车距、车辆所在车道等信息。
其中,车辆待驶入车道上的车辆信息包括但不限于车辆待驶入车道上车辆的数量、车辆之间的车距等信息。
其中,驾驶训练指导答复可以包括但不限于车辆的变道时机、是否达到变道时机、达到或未达到变道时机的原因、变道操作指导等。
比如,目标对象的问题为“现在可以向右变道吗,原因是什么”,可见车辆待驶入车道为车辆所在车道的右侧车道,可以根据车辆的行驶状态信息及右侧车道上的车辆信息,判断车辆当前是否可以向右变道,如果不可以向右变道,确定不可以向右变道的原因,比如右侧车道上车辆比较密集或车辆所在车道两侧的车道线为实线不能变道等。
又如,目标对象的问题为“向右变道具体怎么操作”,可以先根据车辆与前方车辆的车距、右侧车道上的车辆信息等,确定当前是否可以向右变道,如果不可以向右变道,可以确定不可以向右变道的原因,如果可以向右变道,可以提供向右变道的操作,比如打开右转向灯,然后观察后视镜确认不影响其他车辆行驶,再轻轻向右转动方向盘,将车辆驶入右侧车道。
步骤205,向目标对象推送驾驶训练指导答复。
本申请中,步骤205可以采用本申请各实施例中任一种实现方式,对此不作限定,也不再赘述。
本申请实施例中,在当前练习场景为变道场景,且问题与变道场景相关的情况下,可以基于车辆的行驶状态信息及车辆待输入车道上的车辆信息,确定驾驶训练指导答复,从而为目标对象提供变道场景的驾驶训练指导答复。
在本申请的一些实施例中,如果当前练习场景为右转场景,且问题与右转场景的关联关系为相关,可以根据车辆的状态信息中车辆的行驶状态信息和行驶环境信息中前方路口的红绿灯信息、前方路口的交通指示牌信息,确定驾驶训练指导答复。
其中,车辆的行驶状态信息包括但不限于车辆的行驶速度、车辆的加速度、车辆与前后车辆的车距、车辆距前方路口的距离、车辆所在车道等信息。
其中,前方路口的红绿灯信息包括前方路口是否有右转指示灯、右转指示灯是否有倒计时、右转指示灯时长等。
其中,交通指示牌信息比如是否有禁止右转指示牌、是否有红灯禁止右转的指示牌等。
其中,驾驶训练指导答复可以包括但不限于车辆的右转时机、车辆是否达到右转时机、达到或未达到右转时机的原因、右转操作指导等。
比如,目标对象的问题为“右转如何操作”,可以先根据车辆的行驶状态信息、前方路口的红灯信息、前方路口的交通指示牌信息等,确定前方路口是否可以右转,如果不可以右转,可以确定前方路口不可以右转的原因,如果前方路口可以右转,确定右转操作指导。比如,右转操作指导包括打开右转向灯,在右转车道上减速慢行,在右转指示灯为绿灯时向右旋转方向盘驶入目标车道,关闭右转向灯。
本申请实施例中,在当前练习场景为右转场景,且问题与右转场景相关的情况下,可以基于车辆的行驶状态信息、前方路口的红绿灯信息、前方路口的交通指示牌信息等,确定右转场景相关的驾驶训练指导答复,从而为目标对象提供右转场景的驾驶训练指导答复。
在本申请的一些实施例中,如果当前练习场景为超车场景,且问题与超车场景的关联关系为相关,可以根据车辆的状态信息中车辆的行驶状态信息和车辆上目标设备的控制状态信息,以及行驶环境信息中车辆左侧车道的车辆信息,确定驾驶训练指导答复。
其中,车辆的行驶状态信息包括但不限于车辆的行驶速度、车辆的加速度、车辆与前后车辆的车距、车辆距前方路口的距离、车辆所在车道等信息。
其中,车辆上目标设备的控制状态信息可以包括但不限于左转向灯的开关状态、右转向灯的开关状态、方向盘的旋转方向和旋转角度、油门踏板的开度、刹车踏板的开度等。
其中,车辆左侧车道的车辆信息包括但不限于左侧车道上车辆的数量、左侧车道上车辆之间的车距等信息。
其中,驾驶训练指导答复可以包括但不限于车辆的超车时机、车辆是否达到超车时机、达到或未达到超车时机的原因、超车操作指导等。
比如,目标对象的问题为“超车如何操作”,可以先根据车辆的行驶状态信息、车辆上目标设备的控制状态信息、车辆左侧车道的车辆信息等,确定当前是否可以超车,如果不可以超车,确定不可以超车的原因,如果当前可以超车,确定超车操作指导。
比如,超车操作指导包括打开左转向灯,从左侧后视镜中看清楚左侧车道上后方车辆与本车辆的车距比较大,再变道至左侧行车道,关闭左转向灯,加速超过原车道上的车辆,打开右转向灯,在右侧后视镜中可以看到完整的被超车辆时,向右旋转方向盘驶入原车道。
本申请实施例中,在当前练习场景为超车场景,且问题与超车场景相关的情况下,可以基于车辆的行驶状态信息、车辆上目标设备的控制状态信息、车辆左侧车道的车辆信息等,确定驾驶训练指导答复,从而为目标对象提供超车场景的驾驶训练指导答复。
在本申请的一些实施例中,可以实时根据车辆的状态信息和行驶环境信息,确定车辆是否符合驾驶要求,如果存在不符合驾驶要求的行为,可以向目标对象推送不规范行为提示信息,还可以确定操作指导信息并推送给目标对象。
比如,如果检测到车辆右侧车轮压线,可以播放车辆右侧车轮压线的提示信息,并为目标对象播放向左旋转方向盘的操作指导信息。
在本申请的一个实施例中,如果根据车辆的状态信息和行驶环境信息,确定车辆可能会发生危险,可以向目标对象推送安全提示信息,还可以直接对车辆进行干预。
比如,前方车辆急刹车,可以播放“前方车辆急刹车,请注意”的提示信息,并控制车辆的制动系统提供制动力以减速行驶。
为了满足不同目标对象个性化的驾驶训练需求,在本申请的一些实施例中,可以为目标对象智能地规划训练路线,下面结合图3进行说明。图3为本申请另一实施例提供的驾驶训练指导的推送方法的流程示意图。
如图3所示,该驾驶训练指导的推送方法,还包括:
步骤301,获取目标对象的关联信息及车辆的属性信息。
本申请中,目标对象的关联信息可以包括以下一项或多项:目标对象的训练需求信息、目标对象的历史训练情况、目标对象的画像信息等。
其中,目标对象的训练需求信息可以包括但不限于目标对象选择的训练地点、训练时间、训练时长等。
其中,目标对象的历史训练情况可以包括但不限于目标对象的累计训练时长、上一次训练中场景评分低于评分阈值的练习场景等。
其中,目标对象的画像信息可以包括但不限于目标对象的性别、目标对象所属的年龄段等。
其中,车辆的属性信息可以包括但不限于车辆的型号、车辆的类型(即车型)、车辆的长度等。
示例性的,可以通过人机交互的方式询问目标对象的训练需求,从而获取目标对象的训练需求信息。比如,目标对象通过唤醒词唤醒车辆上的人机交互系统,并通过说出“开始驾驶训练”,唤起智能虚拟教练,开始进入驾驶训练模式,虚拟教练可以询问目标对象例如训练地点、训练时间、训练时长、训练场景等,其中训练场景比如可以是上下班场景、接送学生场景、旅游场景等。
示例性的,目标对象的画像信息可以是通过人机交互方式询问获取的,比如车辆询问目标对象是否可以获取画像信息,如果目标对象确认可以,车辆可以通过询问目标对象获取目标对象的画像信息,或者也可以是通过对车辆内摄像装置采集的目标对象的图像进行识别获取的,比如车辆询问目标对象是否可以采集目标对象的图像,如果目标对象同意采集,再采集的目标对象的图像并对采集的目标对象的图像进行识别,得到目标对象的画像信息,或者是通过其他方式获取的,对此不作限定。
示例性的,车辆的属性信息可以是预先存储的,或者是目标对象在训练准备阶段提供的,或者通过其他方式获取的,对此不作限定。
步骤302,确定至少一个目标位置。
本申请中,可以获取目标对象输入的一个或多个目标位置。或者,在以车辆当前位置为中心预设范围内,随机选择或者按照一定的规则进行采样得到一个或多个目标位置。比如,可以在当前位置的东、南、西、北四个方向各选一个目标位置。
步骤303,根据车辆的当前位置和至少一个目标位置,确定多个候选路线。
本申请中,可以根据车辆的当前位置和至少一个目标位置,生成多个初始路线,可以将多个初始路线作为候选路线,或者可以对多个初始路线进行筛选,得到多个候选路线。
由于每条道路是由路段构成的,作为一种实现方式,可以获取每个初始路线上各路段的属性信息及各路段的拥堵信息,根据每个初始路线上各路段的属性信息及各路段的拥堵信息,确定每个初始路线上各路段的驾驶难度,并根据每个初始路线上各路段的驾驶难度,从多个初始路线中筛选出多个候选路线。
其中,路段的属性信息可以包括但不限于路段的等级、车道数量、路段的长度等,拥堵信息可以包括拥堵等级,拥堵等级可以是根据路段上的车流量确定的。
本申请中,可以预先建立路段的属性信息、路段的拥堵信息与驾驶难度之间的对应关系,根据该对应关系,确定每个初始路线上各路段的驾驶难度,并根据每个初始路线上各路段的驾驶难度,确定每个初始路线的驾驶难度,之后可以将驾驶难度大于预设难度阈值的初始路线筛除,将剩余的初始路线作为候选路线。
由此,基于初始路线上各路段的属性信息和拥堵信息,确定初始路线上各路段的驾驶难度,再根据初始路线上各路段的驾驶难度,筛选出候选路线,可以使得候选路线更加贴合驾驶训练需求。
作为另一种实现方式,可以根据初始路线上各路段的长度,确定初始路线的长度,可以将长度超过预设长度阈值的初始路线筛选,将剩余的初始路线作为候选路线。
步骤304,根据关联信息和属性信息,从多个候选路线中确定出训练路线。
作为一种实现方式,可以将每个候选路线的各路段数据按序输入时序模型进行处理,得到每个候选路线的第一特性向量,并根据第二特征向量与每个候选路线的第一特征向量,计算目标对象的关联信息和车辆的属性信息与每个候选路线的相关性,可以将相关性最高的候选路线,作为训练路线。其中,第二特征向量是将目标对象的关联信息和车辆的属性信息输入文本编码模型进行处理得到的,按序输入时序模型可以理解为按照候选路线上各路线的连接顺序将各路段的数据输入时序模型。
为了便于理解,下面结合图4进行说明,如图4所示,在以车辆当前位置为中心预设范围内,随机选择或者按照一定的规则进行目标位置采样,根据当前位置和目标位置,生成多个初始路线,根据初始路线的各路段的属性信息及拥堵信息,确定各路段的驾驶难度,过滤掉过长的路线及总体过难的路线,得到候选路线,并将候选路线一系列路段组成的顺序数据输入时序模型,得到第一特征向量,并根据第一特征向量和第二特征向量,计算相关性,再根据相关性,从候选路线中确定出训练路线。其中,第二特征向量是将针对驾驶训练的偏好问答、目标对象的画像信息及车辆的属性信息输入文本编码模型进行处理,得到的,这里针对驾驶训练的偏好问答是训练需求信息的一种。
其中,过长的路线可以是指长度大于预设长度阈值的路线,总体过难的路线可以是指驾驶难度超过预设难度阈值的路线,路线的驾驶难度可以是根据路线上各路段的驾驶难度确定的。
由此,通过利用目标对象的关联信息和车辆的属性信息对应的特征向量与候选路线的特征向量,确定训练路线,使得训练路线更加贴合目标对象的个性化训练需求。
作为另一种实现方式,可以根据目标对象的关联信息和车辆的属性信息,从多个候选练习场景中确定出本次训练的目标练习场景,再将目标练习场景与多个候选路线中每个候选路线进行匹配,并将匹配度最高的候选路线确定为训练路线。由此,通过根据目标对象的关联信息和车辆的属性信息,确定目标练习场景,再基于候选路线与目标练习场景的匹配度,确定训练路线,从而使得训练路线更加贴合目标对象的个性化训练需求。
可选地,可以计算关联信息与属性信息与每个候选练习场景的匹配度,并将匹配度高于预设匹配度阈值的候选练习场景,作为目标练习场景。
可选地,可以根据候选路线中是否包含目标练习场景、候选路线包含的目标练习场景的数量等,确定候选路线与目标练习场景的匹配度。
比如,目标对象本次训练的目标练习场景包括变道场景、左转场景、红绿灯直行场景及超车场景,候选路线为r1、r2和r3,可以计算候选路线r1、r2和r3,与这四个练习场景的匹配度,其中,候选路线r2与这四个练习场景的匹配度最高,那么可以将候选路线r2确定为训练路线。
本申请实施例中,可以基于候选路线对应的第一特征向量与目标对象的关联信息及车辆的属性信息对应的第二特征向量,计算相关信息,基于相关性从多个候选路线中确定出训练路线,或者基于目标对象的关联信息及车辆的属性信息,确定本次训练的目标练习场景,基于目标路线场景与候选路线的匹配情况,从多个候选路线中确定出训练路线,从而可以满足不同目标对象的个性化需求,实现更智能、更加个性化的驾驶训练。
在本申请的一些实施例中,在确定训练路线后,可以根据训练路线、训练路线上各练习场景等,生成各练习场景的教学指导文案,并在车辆进入某练习场景时,播报该练习场景的教学指导文案。
其中,练习场景的教学指导文案可以是指在练习场景训练时的注意事项、驾驶操作要点等。
由此,基于训练路线及练习场景,生成各练习场景的教学指导文案,提高了教学指导文案的质量,可以为目标对象提供个性化的驾驶训练指导。
为了便于目标对象了解自己的驾驶训练情况,在本申请的一些实施例中,可以对目标对象的驾驶训练情况进行评分,下面结合图5进行说明。图5为本申请另一实施例提供的驾驶训练指导的推送方法的流程示意图。
如图5所示,该驾驶训练指导的推送方法,还可以包括:
步骤501,针对训练路线上的每个路段,根据每个路段的驾驶难度和每个路段的长度,确定每个路段的预期分数。
本申请中,目标对象驾驶车辆在训练路线上训练,其中,训练路线可以是采用上述实施例所示的方式确定的。针对训练路线上的每个路段,可以根据路段的属性信息,确定路段的驾驶难度,并根据每个路段的驾驶难度和每个路段的长度,确定每个路段的预期分数,比如路段的驾驶难度越高、路段的长度越长,路段的预期分数越高。
步骤502,根据目标对象在每个路段的教学要求的达成情况及对突发状况的处理情况,确定目标对象在每个路段的练习得分。
本申请中,可以根据车辆在每个路段的行驶数据、目标对象对车辆的驾驶操作数据、车辆的行驶环境数据等,确定目标对象在每个路段的教学要求的达成情况以及出现突发状况时,对突出发状况的处理情况,再根据目标对象在每个路段的教学要求的达成情况、对突发状况的处理情况等进行评分,得到目标对象在每个路段的练习得分。
其中,车辆在每个路段的行驶数据可以包括车辆在该路段的行驶方向、行驶速度、加速度等;驾驶操作数据可以包括车辆在该路段的方向盘的旋转方向及旋转角度、车辆档位、油门踏板开度、刹车踏板开度、车灯开关状态等;行驶环境数据可以包括路段的限速、是否有红绿灯、红绿灯的状态信息、路段上的交通指示牌、路段的车道信息等。
比如,某路段的教学要求包括车速不能超过该路段的限速和车辆向右变道,车辆在该路段的车速未超过限速,得1分,并且最大车速与限速的差值的绝对值小于预设值,得0.5分,但是车辆向右变道未成功,该项未得分,在前方突然有其他车辆并入所在车道时降低车速,对于突发状况处理良好,加1分,那么目标对象在该路段的练习得分为2.5分。
步骤503,根据每个路段的练习得分与预期分数,确定目标对象在每个路段的路段评分。
本申请中,根据每个路段的练习得分与预期分数的比值,确定目标对象在每个路段的路段评分。
步骤504,根据训练路线上各路段的路段评分,确定目标对象在训练路线上的总评分。
作为一种实现方式,可以将训练路线上各路段的路段评分相加,得到目标对象在训练路线上的总评分。
作为另一种实现方式,可以获取训练路线上各路段的权重,根据各路段的权重,对各路段的路段评分进行加权求和,得到目标对象在训练路线上的总评分。其中,各路段的权重可以是根据各路段的属性信息、拥堵信息等确定的。由此,基于各路段的权重确定总评分,可以提高评分的准确性。
作为另一种实现方式,训练路线上包含一个或多个练习场景,可以根据车辆在训练路线上各练习场景的行驶数据,确定车辆在各练习场景的整体行驶平稳性评分,根据各练习场景包含的路段的路段评分及车辆整体行驶平稳性评分,可以确定各练习场景的场景评分,再根据训练路线上各练习场景的场景评分,确定目标对象在训练路线上的总评分。其中,各练习场景的整体行驶平稳性评分可以用于表征车辆在各练习场景包含的路段上整体行驶的平稳性。
由此,基于各练习场景包含的路段的路段评分及整体行驶平稳性评分,确定各练习场景的场景评分,从而不仅可以对目标对象在各练习场景的驾驶训练进行量化评估,便于目标对象了解各练习场景的训练情况,而且考虑了路段评分和车辆整体行驶平稳性评分,评估更加全面,提高了场景评分的准确性。此外,基于目标对象在训练路线上各练习场景的场景评分确定总评分,从而可以对整个训练过程进行量化评估,便于目标对象了解整个驾驶训练过程的训练情况。
可选地,可以根据车辆在各练习场景的行驶数据中车辆转弯时的行驶速度和弧度,确定车辆转弯流畅度评分,并根据行驶数据中车辆在练习场景中的行驶速度,确定车辆整体速度平稳性评分,比如练习场景中相邻时刻的行驶速度差值的平均值越小,车辆整体速度平稳性评分越高,并根据行驶数据中车辆在起步及减速时的加速度,确定车辆起步减速平稳性评分,再根据车辆转弯流畅度评分、车辆整体速度平稳性评分及车辆起步减速平稳性评分,确定整体行驶平稳性评分。由此,可以根据车辆在各练习场景的行驶数据,确定车辆在各练习场景的整体行驶平稳性评分,提高了车辆整体行驶平稳性评分的准确性。
示例性的,可以将车辆转弯流畅度评分、车辆整体速度平稳性评分及车辆起步减速平稳性评分之和,确定为整体行驶平稳性评分。示例性的,可以获取车辆转弯流畅度评分、车辆整体速度平稳性评分及车辆起步减速平稳性评分的权重,根据权重进行加权求和,得到整体行驶平稳性评分。
可选地,可以将训练路线上各练习场景的场景评分之和,确定为目标对象在训练路线上的总评分。
可选地,可以获取训练路线上各练习场景的初始权重,并根据各练习场景在目标对象的前一次训练中的场景评分,对各练习场景的初始权重进行调整,得到各练习场景调整后的权重,再根据各练习场景调整后的权重,对各练习场景的场景评分进行加权求和,得到目标对象在训练路线上的总评分。由此,基于各练习场景在前一次训练中的场景评分,调整练习场景在本次训练中的评分权重,基于调整后的权重确定总评分,提高了总评分的准确性。
示例性的,各练习场景的初始权重可以是根据各练习场景的通过难度确定的。
示例性的,练习场景在前一次训练中的场景评分越低,权重的调整值越大。
示例性的,如果一练习场景在目标对象的前一次训练中的场景评分小于评分阈值,可以提高该练习场景的初始权重,得到该练习场景调整后的权重,其中,权重的调整值可以根据评分阈值与场景评分的差值大小确定,差值越大,调整值越大。由此,对于在前一次训练中场景评分小于评分阈值的练习场景,可以提高该练习场景在本次训练中的评分权重,从而使得总评分更加贴合实际训练情况。
示例性的,如果某练习场景在目标对象的前一次训练中未出现,或者在前一次练习中的场景评分高于评分阈值,该练习场景的初始权重的调整值可以为0,也即调整后的权重等于初始权重。
需要说明的是,如果某练习场景在前一训练中的场景评分等于评分阈值,可以提高该练习场景的初始权重,或者不调整该练习场景的初始权重,可以根据实际需要确定的,本申请对此不作限定。
本申请实施例中,可以根据训练路线上每个路段的驾驶难度和每个路段长度,确定每个路段的预期分数,并根据目标对象的在每个路段的教学要求的达成情况及对突发状况的处理情况,确定目标对象在每个路段的练习得分,基于每个路段的练习得分与预期分数,确定每个路段的路段评分,再基于训练路线上各路段的路段评分,确定目标对象在训练路线上的总评分,从而实现了对目标对象在整个训练路线上的训练情况的量化评估,提高了量化评估的准确性。
为了便于理解本申请的方案,下面结合图6进行说明,图6为本申请实施例提供的一种驾驶训练过程示意图。
如图6所示,该驾驶训练过程包括:
步骤601,车辆进入驾驶训练状态。
步骤602,是否语音监听到用户询问问题。如果是,则执行步骤603;如果否,则执行步骤604。
步骤603,请求大模型生成驾驶训练指导答复。
如果监听到用户询问的问题,请求大模型生成驾驶训练指导答复。比如大模型的输入为:用户问题及作为专业驾驶陪练,输出问题对应的专业指导答复。
步骤604,通过手机、车辆传感器、相机等,监测车辆的行驶状态信息、行驶环境状态信息等。
如果未监听到用户询问问题,可以通过手机、车辆传感器、相机等,监测车辆的行驶状态信息、行驶环境状态信息等,比如车辆的行驶速度、加速度、红绿灯信息、路段的限速等。
步骤605,获取驾驶行为数据,请求大模型生成驾驶训练指导,及在紧急情况下进行警报提示。
本申请中,可以根据车辆的行驶状态信息、行驶环境状态信息等,获取驾驶行为数据,其中,驾驶行为数据可以包括车辆的行驶速度、与前后车辆的车距、是否压线、是否闯红灯等。
步骤606,将驾驶训练指导和警报提示信息通过声音、显示画面等通知用户,以及在紧急情况下干预。
在紧急情况下干预,比如控制车辆紧急制动。
步骤607,对用户本次驾驶训练进行评分。
其中,评分方法可以参见上述实施例,故在此不再赘述。
步骤608,判断用户是否结束训练。如果是,则执行步骤609,结束训练状态,如果否,执行步骤602,继续训练。
步骤609,结束训练状态。
本申请的方案,不仅可以提供教学指导文案,还可以通过大模型,回答用户的问题。此外,还可以实时监控用户的驾驶行为,利用手机传感器、车辆传感器、相机等来捕捉关键数据。如果用户在驾驶中出现问题,可以将立即发出警报提示,并提供驾驶训练指导,以防止事故发生。
为了实现上述实施例,本申请实施例还提出一种驾驶训练指导的推送装置。图7为本申请一实施例提供的驾驶训练指导的推送装置的结构示意图。
如图7所示,该驾驶训练指导的推送装置700,包括:
第一获取模块710,用于获取驾驶训练模式下采集的目标对象的问题;
识别模块720,用于对问题进行识别,确定问题与车辆的当前练习场景之间的关联关系;
第二获取模块730,用于响应于关联关系为相关,获取车辆的状态信息和行驶环境信息;
第一确定模块740,用于根据问题、状态信息和行驶环境信息,确定问题对应的驾驶训练指导答复;
推送模块750,用于向目标对象推送驾驶训练指导答复。
可选地,当前练习场景为变道场景,第一确定模块740,用于:
根据状态信息中车辆的行驶状态信息及行驶环境信息中车辆待驶入车道上的车辆信息,确定驾驶训练指导答复。
可选地,当前练习场景为右转场景,第一确定模块740,用于:
根据状态信息中车辆的行驶状态信息和行驶环境信息中前方路口的红绿灯信息、前方路口的交通指示牌信息,确定驾驶训练指导答复。
可选地,当前练习场景为超车场景,第一确定模块740,用于:
根据状态信息中车辆的行驶状态信息和车辆上目标设备的控制状态信息,及行驶环境信息中车辆左侧车道的车辆信息,确定驾驶训练指导答复。
可选地,第一确定模块740,用于:
确定问题的类型;
根据问题的类型,确定与问题的类型匹配的答复策略;
采用答复策略,基于状态信息和所述行驶环境信息,确定驾驶训练指导答复。
可选地,第一确定模块740,用于:
获取提示信息;其中,提示信息用于指示大模型执行驾驶训练指导答复的生成任务;
将问题、状态信息、行驶环境信息及提示信息输入大模型进行处理,生成驾驶训练指导答复。
可选地,车辆在训练路线上行驶,该装置还包括:
第三获取模块,用于获取目标对象的关联信息及车辆的属性信息;其中,关联信息包括目标对象的训练需求信息、目标对象的历史训练情况、目标对象的画像信息中的一项或多项;
第二确定模块,用于确定至少一个目标位置;
第三确定模块,用于根据当前位置和至少一个目标位置,确定多个候选路线;
第四确定模块,用于根据关联信息和属性信息,从多个候选路线中确定出训练路线。
可选地,第四确定模块,用于:
将每个候选路线的各路段数据按序输入时序模型进行处理,得到每个候选路线的第一特征向量;
根据第二特征向量与每个候选路线的第一特征向量,计算相关性;其中,第二特征向量是将关联信息和所述属性信息输入文本编码模型进行处理得到的;
根据每个候选路线对应的相关性,从多个候选路线中确定出训练路线。
可选地,第四确定模块,用于:
根据关联信息和属性信息,确定本次训练的目标练习场景;
将目标练习场景与多个候选路线中每个候选路线进行匹配,并将匹配度最高的候选路线确定为训练路线。
可选地,第三确定模块,用于:
根据当前位置和至少一个目标位置,生成多个初始路线;
根据每个初始路线上各路段的属性信息及各路段的拥堵信息,确定每个初始路线上各路段的驾驶难度;
根据每个初始路线上各路段的驾驶难度,从多个初始路线中筛除出多个候选路线。
可选地,车辆在训练路线上行驶,该装置还包括:
第五确定模块,用于针对训练路线上的每个路段,根据每个路段的驾驶难度和每个路段的长度,确定每个路段的预期分数;
第六确定模块,用于根据目标对象在每个路段的教学要求的达成情况及对突发状况的处理情况,确定目标对象在每个路段的练习得分;
第七确定模块,用于根据每个路段的练习得分与预期分数,确定目标对象在每个路段的路段评分;
第八确定模块,用于根据训练路线上各路段的路段评分,确定目标对象在训练路线上的总评分。
可选地,第八确定模块,用于:
根据车辆在各练习场景的行驶数据,确定车辆在各练习场景的整体行驶平稳性评分;
根据各练习场景包含的路段的路段评分和整体行驶平稳性评分,确定各练习场景的场景评分;
根据训练路线上各练习场景的场景评分,确定总评分。
可选地,第八确定模块,用于:
获取各练习场景的初始权重;
根据各练习场景在目标对象的前一次训练中的场景评分,对各练习场景的初始权重进行调整,得到各练习场景调整后的权重;
根据各练习场景调整后的权重,对各练习场景的场景评分进行加权求和,得到总评分。
可选地,第八确定模块,用于:
响应于训练路线上一练习场景在前一次训练中的场景评分小于评分阈值,提高该练习场景的初始权重,得到该练习场景调整后的权重。
可选地,第八确定模块,用于:
根据行驶数据中车辆转弯时的行驶速度和弧度,确定车辆转弯流畅度评分;
根据行驶数据中车辆的行驶速度,确定车辆整体速度平稳性评分;
根据行驶数据中车辆在起步及减速时的加速度,确定车辆起步减速平稳性评分;
根据车辆转弯流畅度评分、车辆整体速度平稳性评分及车辆起步减速平稳性评分,确定整体行驶平稳性评分。
可选地,该装置还可以包括:
第九确定模块,用于响应于关联关系为不相关,确定问题所属的领域;
第四获取模块,用于响应于问题所属的领域为驾驶领域,获取提示信息;其中,提示信息用于指示大模型执行驾驶训练指导答复的生成任务;
生成模块,用于将提示信息和问题输入大模型进行处理,生成驾驶训练指导答复。
可选地,推送模块,还用于:
响应于问题所属的领域为非驾驶领域,向目标对象推送专注驾驶训练的提示信息。
需要说明的是,前述驾驶训练指导的推送方法实施例的解释说明,也适用于该实施例的驾驶训练指导的推送装置,故在此不再赘述。
本申请实施例中,可以获取驾驶训练模式下采集的目标对象的问题,并对问题进行识别,以确定问题与当前练习场景的关联关系,如果问题与当前练习场景相关,则获取车辆的状态信息和行驶环境信息,基于问题、车辆的状态信息和行驶环境信息,确定驾驶训练指导答复,并推送给目标对象。由此,在驾驶训练过程中,可以采集目标对象的问题,对于与当前练习场景相关的问题,可以基于问题、车辆的状态信息和行驶环境信息,为目标对象提供驾驶训练指导答复,保证了驾驶训练指导答复的质量,使目标对象可以自主学习驾驶技能,实现了驾驶训练的智能化,降低了人力成本。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本申请的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在ROM(Read-OnlyMemory,只读存储器)802中的计算机程序或者从存储单元808加载到RAM(Random AccessMemory,随机访问/存取存储器)803中的计算机程序,来执行各种适当的动作和处理。在RAM803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。I/O(Input/Output,输入/输出)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元)、各种专用的AI(Artificial Intelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor,数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如驾驶训练指导的推送方法。例如,在一些实施例中,驾驶训练指导的推送方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的驾驶训练指导的推送方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行驾驶训练指导的推送方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode-Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(VirtualPrivate Server,虚拟专用服务器)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
根据本申请的实施例,本申请还提供了一种计算机程序产品,当计算机程序产品中的指令处理器执行时,执行本申请上述实施例提出的驾驶训练指导的推送方法。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (37)
1.一种驾驶训练指导的推送方法,包括:
获取驾驶训练模式下采集的目标对象的问题;
对所述问题进行识别,确定所述问题与车辆的当前练习场景之间的关联关系;
响应于所述关联关系为相关,获取所述车辆的状态信息和行驶环境信息;
根据所述问题、所述状态信息和所述行驶环境信息,确定所述问题对应的驾驶训练指导答复;
向所述目标对象推送所述驾驶训练指导答复。
2.如权利要求1所述的方法,其中,所述当前练习场景为变道场景,所述根据所述问题、所述状态信息和所述行驶环境信息,确定所述问题对应的驾驶训练指导答复,包括:
根据所述状态信息中所述车辆的行驶状态信息及所述行驶环境信息中所述车辆待驶入车道上的车辆信息,确定所述驾驶训练指导答复。
3.如权利要求1所述的方法,其中,所述当前练习场景为右转场景,所述根据所述问题、所述状态信息和所述行驶环境信息,确定所述问题对应的驾驶训练指导答复,包括:
根据所述状态信息中所述车辆的行驶状态信息和所述行驶环境信息中前方路口的红绿灯信息、所述前方路口的交通指示牌信息,确定所述驾驶训练指导答复。
4.如权利要求1所述的方法,其中,所述当前练习场景为超车场景,所述根据所述问题、所述状态信息和所述行驶环境信息,确定所述问题对应的驾驶训练指导答复,包括:
根据所述状态信息中所述车辆的行驶状态信息和所述车辆上目标设备的控制状态信息,及所述行驶环境信息中所述车辆左侧车道的车辆信息,确定所述驾驶训练指导答复。
5.如权利要求1所述的方法,其中,所述根据所述问题、所述状态信息和所述行驶环境信息,确定所述问题对应的驾驶训练指导答复,包括:
确定所述问题的类型;
根据所述问题的类型,确定与所述问题的类型匹配的答复策略;
采用所述答复策略,基于所述状态信息和所述行驶环境信息,确定所述驾驶训练指导答复。
6.如权利要求1所述的方法,其中,所述根据所述问题、所述状态信息和所述行驶环境信息,确定所述问题对应的驾驶训练指导答复,包括:
获取提示信息;其中,所述提示信息用于指示大模型执行驾驶训练指导答复的生成任务;
将所述问题、所述状态信息、所述行驶环境信息及所述提示信息输入所述大模型进行处理,生成所述驾驶训练指导答复。
7.如权利要求1所述的方法,其中,所述车辆在训练路线上行驶,所述方法还包括:
获取所述目标对象的关联信息及所述车辆的属性信息;其中,所述关联信息包括所述目标对象的训练需求信息、所述目标对象的历史训练情况、所述目标对象的画像信息中的一项或多项;
确定至少一个目标位置;
根据所述车辆的当前位置和所述至少一个目标位置,确定多个候选路线;
根据所述关联信息和所述属性信息,从所述多个候选路线中确定出所述训练路线。
8.如权利要求7所述的方法,其中,所述根据所述关联信息和所述属性信息,从所述多个候选路线中确定出所述训练路线,包括:
将每个候选路线的各路段数据按序输入时序模型进行处理,得到每个候选路线的第一特征向量;
根据第二特征向量与每个候选路线的第一特征向量,计算相关性;其中,所述第二特征向量是将所述关联信息和所述属性信息输入文本编码模型进行处理得到的;
根据每个候选路线对应的相关性,从所述多个候选路线中确定出所述训练路线。
9.如权利要求7所述的方法,其中,所述根据所述关联信息和所述属性信息,从所述多个候选路线中确定出所述训练路线,包括:
根据所述关联信息和所述属性信息,确定本次训练的目标练习场景;
将所述目标练习场景与所述多个候选路线中每个候选路线进行匹配,并将匹配度最高的候选路线确定为所述训练路线。
10.如权利要求7-9中任一项所述的方法,其中,所述根据所述车辆的当前位置和所述至少一个目标位置,确定多个候选路线,包括:
根据所述当前位置和所述至少一个目标位置,生成多个初始路线;
根据每个初始路线上各路段的属性信息及各路段的拥堵信息,确定每个初始路线上各路段的驾驶难度;
根据每个初始路线上各路段的驾驶难度,从所述多个初始路线中筛除出所述多个候选路线。
11.如权利要求1所述的方法,其中,所述车辆在训练路线上行驶,所述方法还包括:
针对所述训练路线上的每个路段,根据每个路段的驾驶难度和每个路段的长度,确定每个路段的预期分数;
根据所述目标对象在每个路段的教学要求的达成情况及对突发状况的处理情况,确定所述目标对象在每个路段的练习得分;
根据每个路段的所述练习得分与所述预期分数,确定所述目标对象在每个路段的路段评分;
根据所述训练路线上各路段的路段评分,确定所述目标对象在所述训练路线上的总评分。
12.如权利要求11所述的方法,其中,所述根据所述训练路线上各路段的路段评分,确定所述目标对象在所述训练路线上的总评分,包括:
根据所述车辆在各练习场景的行驶数据,确定所述车辆在各练习场景的整体行驶平稳性评分;
根据各练习场景包含的路段的路段评分和所述整体行驶平稳性评分,确定各练习场景的场景评分;
根据各练习场景的场景评分,确定所述总评分。
13.如权利要求12所述的方法,其中,所述根据各练习场景的场景评分,确定所述总评分,包括:
获取各练习场景的初始权重;
根据各练习场景在所述目标对象的前一次训练中的场景评分,对各练习场景的初始权重进行调整,得到各练习场景调整后的权重;
根据各练习场景调整后的权重,对各练习场景的场景评分进行加权求和,得到所述总评分。
14.如权利要求13所述的方法,其中,所述根据各练习场景在所述目标对象的前一次训练中的场景评分,对各练习场景的初始权重进行调整,得到各练习场景调整后的权重,包括:
响应于所述训练路线上一练习场景在前一次训练中的场景评分小于评分阈值,提高该练习场景的初始权重,得到该练习场景调整后的权重。
15.如权利要求12所述的方法,其中,所述根据所述车辆在各练习场景的行驶数据,确定所述车辆在各练习场景的整体行驶平稳性评分,包括:
根据所述行驶数据中所述车辆转弯时的行驶速度和弧度,确定所述车辆转弯流畅度评分;
根据所述行驶数据中所述车辆的行驶速度,确定所述车辆整体速度平稳性评分;
根据所述行驶数据中所述车辆在起步及减速时的加速度,确定所述车辆起步减速平稳性评分;
根据所述车辆转弯流畅度评分、所述车辆整体速度平稳性评分及所述车辆起步减速平稳性评分,确定所述整体行驶平稳性评分。
16.如权利要求1-9中任一项所述的方法,还包括:
响应于所述关联关系为不相关,确定所述问题所属的领域;
响应于所述问题所属的领域为驾驶领域,获取提示信息;其中,所述提示信息用于指示大模型执行驾驶训练指导答复的生成任务;
将所述提示信息和所述问题输入大模型进行处理,生成所述驾驶训练指导答复。
17.如权利要求16所述的方法,还包括:
响应于所述问题所属的领域为非驾驶领域,向所述目标对象推送专注驾驶训练的提示信息。
18.一种驾驶训练指导的推送装置,包括:
第一获取模块,用于获取驾驶训练模式下采集的目标对象的问题;
识别模块,用于对所述问题进行识别,确定所述问题与车辆的当前练习场景之间的关联关系;
第二获取模块,用于响应于所述关联关系为相关,获取所述车辆的状态信息和行驶环境信息;
第一确定模块,用于根据所述问题、所述状态信息和所述行驶环境信息,确定所述问题对应的驾驶训练指导答复;
推送模块,用于向所述目标对象推送所述驾驶训练指导答复。
19.如权利要求18所述的装置,其中,所述当前练习场景为变道场景,所述第一确定模块,用于:
根据所述状态信息中所述车辆的行驶状态信息及所述行驶环境信息中所述车辆待驶入车道上的车辆信息,确定所述驾驶训练指导答复。
20.如权利要求18所述的装置,其中,所述当前练习场景为右转场景,所述第一确定模块,用于:
根据所述状态信息中所述车辆的行驶状态信息和所述行驶环境信息中前方路口的红绿灯信息、所述前方路口的交通指示牌信息,确定所述驾驶训练指导答复。
21.如权利要求18所述的装置,其中,所述当前练习场景为超车场景,所述第一确定模块,用于:
根据所述状态信息中所述车辆的行驶状态信息和所述车辆上目标设备的控制状态信息,及所述行驶环境信息中所述车辆左侧车道的车辆信息,确定所述驾驶训练指导答复。
22.如权利要求18所述的装置,其中,所述第一确定模块,用于:
确定所述问题的类型;
根据所述问题的类型,确定与所述问题的类型匹配的答复策略;
采用所述答复策略,基于所述状态信息和所述行驶环境信息,确定所述驾驶训练指导答复。
23.如权利要求18所述的装置,其中,所述第一确定模块,用于:
获取提示信息;其中,所述提示信息用于指示大模型执行驾驶训练指导答复的生成任务;
将所述问题、所述状态信息、所述行驶环境信息及所述提示信息输入所述大模型进行处理,生成所述驾驶训练指导答复。
24.如权利要求18所述的装置,其中,所述车辆在训练路线上行驶,所述装置还包括:
第三获取模块,用于获取所述目标对象的关联信息及所述车辆的属性信息;其中,所述关联信息包括所述目标对象的训练需求信息、所述目标对象的历史训练情况、所述目标对象的画像信息中的一项或多项;
第二确定模块,用于确定至少一个目标位置;
第三确定模块,用于根据所述当前位置和所述至少一个目标位置,确定多个候选路线;
第四确定模块,用于根据所述关联信息和所述属性信息,从所述多个候选路线中确定出所述训练路线。
25.如权利要求24所述的装置,其中,所述第四确定模块,用于:
将每个候选路线的各路段数据按序输入时序模型进行处理,得到每个候选路线的第一特征向量;
根据第二特征向量与每个候选路线的第一特征向量,计算相关性;其中,所述第二特征向量是将所述关联信息和所述属性信息输入文本编码模型进行处理得到的;
根据每个候选路线对应的相关性,从所述多个候选路线中确定出所述训练路线。
26.如权利要求24所述的装置,其中,所述第四确定模块,用于:
根据所述关联信息和所述属性信息,确定本次训练的目标练习场景;
将所述目标练习场景与所述多个候选路线中每个候选路线进行匹配,并将匹配度最高的候选路线确定为所述训练路线。
27.如权利要求24-26中任一项所述的装置,其中,所述第三确定模块,用于:
根据所述当前位置和所述至少一个目标位置,生成多个初始路线;
根据每个初始路线上各路段的属性信息及各路段的拥堵信息,确定每个初始路线上各路段的驾驶难度;
根据每个初始路线上各路段的驾驶难度,从所述多个初始路线中筛除出所述多个候选路线。
28.如权利要求18所述的装置,其中,所述车辆在训练路线上行驶,所述装置还包括:
第五确定模块,用于针对所述训练路线上的每个路段,根据每个路段的驾驶难度和每个路段的长度,确定每个路段的预期分数;
第六确定模块,用于根据所述目标对象在每个路段的教学要求的达成情况及对突发状况的处理情况,确定所述目标对象在每个路段的练习得分;
第七确定模块,用于根据每个路段的所述练习得分与所述预期分数,确定所述目标对象在每个路段的路段评分;
第八确定模块,用于根据所述训练路线上各路段的路段评分,确定所述目标对象在所述训练路线上的总评分。
29.如权利要求28所述的装置,其中,所述第八确定模块,用于:
根据所述车辆在各练习场景的行驶数据,确定所述车辆在各练习场景的整体行驶平稳性评分;
根据各练习场景包含的路段的路段评分和所述整体行驶平稳性评分,确定各练习场景的场景评分;
根据各练习场景的场景评分,确定所述总评分。
30.如权利要求29所述的装置,其中,所述第八确定模块,用于:
获取各练习场景的初始权重;
根据各练习场景在所述目标对象的前一次训练中的场景评分,对各练习场景的初始权重进行调整,得到各练习场景调整后的权重;
根据各练习场景调整后的权重,对各练习场景的场景评分进行加权求和,得到所述总评分。
31.如权利要求30所述的装置,其中,所述第八确定模块,用于:
响应于所述训练路线上一练习场景在前一次训练中的场景评分小于评分阈值,提高该练习场景的初始权重,得到该练习场景调整后的权重。
32.如权利要求29所述的装置,其中,所述第八确定模块,用于:
根据所述行驶数据中所述车辆转弯时的行驶速度和弧度,确定所述车辆转弯流畅度评分;
根据所述行驶数据中所述车辆的行驶速度,确定所述车辆整体速度平稳性评分;
根据所述行驶数据中所述车辆在起步及减速时的加速度,确定所述车辆起步减速平稳性评分;
根据所述车辆转弯流畅度评分、所述车辆整体速度平稳性评分及所述车辆起步减速平稳性评分,确定所述整体行驶平稳性评分。
33.如权利要求18-26中任一项所述的装置,还包括:
第九确定模块,用于响应于所述关联关系为不相关,确定所述问题所属的领域;
第四获取模块,用于响应于所述问题所属的领域为驾驶领域,获取提示信息;其中,所述提示信息用于指示大模型执行驾驶训练指导答复的生成任务;
生成模块,用于将所述提示信息和所述问题输入大模型进行处理,生成所述驾驶训练指导答复。
34.如权利要求33所述的装置,其中,所述推送模块,还用于:
响应于所述问题所属的领域为非驾驶领域,向所述目标对象推送专注驾驶训练的提示信息。
35.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-17中任一项所述的方法。
36.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-17中任一项所述的方法。
37.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现权利要求1-17中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311490993.0A CN117743524A (zh) | 2023-11-09 | 2023-11-09 | 驾驶训练指导的推送方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311490993.0A CN117743524A (zh) | 2023-11-09 | 2023-11-09 | 驾驶训练指导的推送方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117743524A true CN117743524A (zh) | 2024-03-22 |
Family
ID=90255164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311490993.0A Pending CN117743524A (zh) | 2023-11-09 | 2023-11-09 | 驾驶训练指导的推送方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117743524A (zh) |
-
2023
- 2023-11-09 CN CN202311490993.0A patent/CN117743524A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3533681B1 (en) | Method for detecting safety of driving behavior, apparatus and storage medium | |
CN112092827B (zh) | 自动驾驶功能控制方法、装置、电子设备及存储介质 | |
JP6690649B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN109733391A (zh) | 车辆的控制方法、装置、设备、车辆及存储介质 | |
CN113386786B (zh) | 信息提示方法、装置、设备、介质、云控平台和车辆 | |
EP3961582A2 (en) | Method and apparatus for controlling vehicle and electronic device | |
CN111477030B (zh) | 车辆协同避险方法、车端平台、云端平台及存储介质 | |
CN109035865A (zh) | 一种用于安全辅助的数据处理方法及装置 | |
CN109326168B (zh) | 预测式驾驶辅助模拟系统 | |
US20220204000A1 (en) | Method for determining automatic driving feature, apparatus, device, medium and program product | |
WO2021017341A1 (zh) | 识别智能行驶设备的行驶状态的方法及装置、设备 | |
CN115273477B (zh) | 路口驾驶建议推送方法、装置、系统和电子设备 | |
CN111951548B (zh) | 一种车辆驾驶风险确定方法、装置、系统及介质 | |
CN114973687B (zh) | 一种交通信息处理方法、装置、设备和介质 | |
CN114935334B (zh) | 车道拓扑关系的构建方法、装置、车辆、介质及芯片 | |
CN113420692A (zh) | 生成方向识别模型的方法、装置、设备、介质及程序产品 | |
CN117743524A (zh) | 驾驶训练指导的推送方法、装置及电子设备 | |
CN116959265A (zh) | 交通信息提示方法、装置、电子设备和可读存储介质 | |
CN113997940B (zh) | 一种驾驶行为监测方法及装置 | |
CN115862349A (zh) | 一种路口通行控制方法、装置、设备及存储介质 | |
CN106335512B (zh) | 基于ar增强现实和车辆违章记录查询的驾驶辅助系统 | |
CN114252086A (zh) | 提示信息的输出方法、装置、设备、介质和车辆 | |
WO2023092490A1 (zh) | 自动驾驶汽车接管紧迫度判别方法和警示方法及系统 | |
CN113793523B (zh) | 一种指挥交通的方法、装置、车载设备及车辆 | |
EP4102481A1 (en) | Method and apparatus for controlling vehicle, device, medium, and program product |
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 |