1.一种自学习辅助驾驶方法,其特征在于:
对车辆所处场景进行判断,所述场景包括天气、道路类别和拥堵状态;
当用户为新用户或用户为老用户但选择重置自学习参数时,进行当前场景下的自学习过程,并在自学习过程结束后保存自学习结果,以及根据自学习结果内当前场景的驾驶参数进行辅助驾驶控制;
当用户为老用户且未选择重置自学自参数时,根据当前场景从上次存储的自学习结果中选择对应场景的驾驶参数进行辅助驾驶控制;
所述自学习过程为根据当前驾驶员的驾驶动作得到辅助驾驶所需的驾驶参数的过程。
2.根据权利要求1所述的自学习辅助驾驶方法,其特征在于:所述天气、道路类别和拥堵状态均包括多个种类,当一个场景的天气、道路类别和拥堵状态中任意一个或多个的种类与另一个场景不同时,该场景与所述另一个场景属于不同的场景;
对一个场景进行自学习,得到该场景下的驾驶参数后,其余场景下的驾驶参数均通过修正的方式进行计算,所述当前场景下的驾驶参数和计算得到的其余场景下的驾驶参数均属于本次自学习结果。
3.根据权利要求1所述的自学习辅助驾驶方法,其特征在于:所述自学习结束后,直接将自学习得到的驾驶参数存储为自学习结果,或
设置多个驾驶风格,并对每个驾驶风格的驾驶参数进行预设,将自学习得到的驾驶参数与各个驾驶风格预设的驾驶参数进行比对,将最接近的驾驶风格作为自学习结果;
所述将自学习得到的驾驶参数与各个驾驶风格预设的驾驶参数进行比对时,将驾驶参数中的每个参数均分别与各驾驶风格预设的对应参数进行比对,得到驾驶参数中各参数分别对应的驾驶风格。
4.根据权利要求1所述的自学习辅助驾驶方法,其特征在于:所述驾驶参数包括跟车距离、跟车制动减速度、跟车加速度、起步价速度、跟停距离和碰撞预警时机。
5.根据权利要求1所述的自学习辅助驾驶方法,其特征在于:所述天气包括晴朗、雨天、夜晚和雪天,每种天气均对应一个场景系数;
当其中一种天气下进行自学习得到驾驶参数后,同种道路类别和拥堵状态下其它天气的驾驶参数均通过各场景系数之间的比例关系进行计算;
当车辆处于复合天气时,该复合天气对应的场景系数为组成该复合天气的各天气的场景系数的乘积。
6.根据权利要求1所述的自学习辅助驾驶方法,其特征在于:不同驾驶员自学习得到的自学习结果采用分组的方式进行存储,不同的分组间采用不同编号或不同命名进行标识区分;
驾驶员可选择与自己对应的分组并利用该分组存储的驾驶参数进行辅助驾驶。
7.根据权利要求1所述的自学习辅助驾驶方法,其特征在于:所述道路类别基于导航系统和车速进行判断;
当导航系统有效时,根据导航系统判断道路类别;
当导航系统失效时,根据车速判断道路类别;
其中当车速大于设定车速时,判断为高速或快速路,反之为城市路况;
当导航系统失效,且车速信息获取异常时,将道路类别按默认设置处理。
8.根据权利要求1所述的自学习辅助驾驶方法,其特征在于:所述拥堵状况根据导航系统、雷达和摄像头进行识别,当导航系统与雷达和摄像头识别的拥堵状况不一致时,对雷达和摄像头的判断标准进行修正。
9.根据权利要求1所述的自学习辅助驾驶方法,其特征在于:所述天气通过光线传感器、前大灯、自动雨刮、雨量传感器中的一种或多种进行判断。
10.根据权利要求4所述的自学习辅助驾驶方法,其特征在于:当某场景下自学习得到的碰撞预警时机低于该场景下的默认设置,则降低该场景下的默认设置;
当某场景下自学习得到的碰撞预警时机高于该场景下的默认设置,且在允许的安全范围内,则将该自学习得到的碰撞预警时机数据作为该场景下自学习结果的有效数据。