基于驾驶员识别激活车辆的安全性模式的制作方法

基于驾驶员识别激活车辆的安全性模式
1.相关申请案
2.本技术案要求2020年7月14日提交的且标题为“基于驾驶员识别激活车辆的安全性模式(activating a security mode for a vehicle based on driver identification)”的美国专利申请案第16/928,811号的优先权，所述申请案的全部公开内容特此以引用的方式并入本文中。
技术领域
3.本文所揭示的至少一些实施例大体上涉及用户识别系统，且更明确地说，但不限于响应于确定安全性风险而对车辆执行一或多个动作的驾驶员辨识系统。


背景技术：

4.面部辨识为通常用于识别个人的一个方法。在一些情况下，面部辨识用于识别产品(例如，消费装置)的用户。
5.在一个实例中，面部辨识用于识别移动装置的用户。移动装置具有面部辨识传感器，其将红外线点投射到用户的面部上且随后读取图案。所述图案由移动装置的处理器评估以确认与手机所有者的面部的匹配。
6.在一些方法中，面部辨识识别来自数字图像的个人。在一个实例中，数字图像由相机捕获。面部辨识系统通过比较来自给定图像的选定面部特征与数据库内的面部而工作。
7.在一些情况下，面部辨识用于存取控制或其它形式的安全性系统。已经在移动平台上和在机器人技术中使用面部辨识。
8.一些面部辨识算法通过从个人的面部的图像提取特征来识别面部特征。举例来说，所述算法可分析个人的眼睛、鼻子等的相对位置。随后使用这些特征来搜索具有匹配特征的其它图像。
9.三维面部辨识使用传感器捕获关于面部形状的信息。三维面部辨识的优点在于其不受照明变化的影响，且可从查看角度范围(包含轮廓视图)识别面部。此外，使用来自面部的三维数据点显著地改进了辨识的精确度。
10.在一个方法中，通过使用指向不同角度的三个跟踪相机来捕获三维图像。所述相机中的第一个指向个体的正面，第二相机指向侧面，且第三相机指向一角度。所有相机一起工作以实时地跟踪个体的面部，且检测并辨识所述个体。
11.在一些情况下，面部辨识技术从用户的外观变化中习得。在一个实例中，此类技术可识别用户，甚至当用户正穿戴着帽子、围巾、眼镜、太阳镜、胡须或化妆时也是如此。
附图说明
12.在附图的图中作为实例而非限制说明实施例，在附图中，相似参考标号指示类似元件。
13.图1展示根据一些实施例的配置成检测车辆的环境中的一或多个个人，且在检测
到安全性风险的情况下执行一或多个动作的车辆。
14.图2展示根据一些实施例的配置成与例如社交网络服务器等一或多个各种计算装置交互的图1的车辆。
15.图3展示根据一些实施例的用于基于确定在一或多个个人正接近车辆时的安全性风险来对车辆执行一或多个动作的方法。
具体实施方式
16.以下揭示内容描述驾驶员辨识系统的各种实施例，所述驾驶员辨识系统响应于确定安全性风险(例如，当确定驾驶员正接近车辆和陌生人紧跟在驾驶员后方时)而对车辆执行一或多个动作。在一个实例中，正接近车辆的个人被识别为驾驶员或授权用户。在一个实例中，驾驶员的识别由手动驾驶车辆的计算装置执行。在一个实例中，执行自动驾驶车辆的授权用户的识别。在一个实例中，手动驾驶或自动驾驶车辆为汽车、飞机或船只。在一个实例中，检测到接近的陌生人，且由车辆的传感器收集的关于陌生人的数据不匹配车辆和/或其它数据库中的任何所存储的记录。因此，陌生人被视为安全性风险。响应于确定陌生人造成安全性风险，执行改进车辆配置的安全性的一或多个各种动作。
17.在先前车辆中，驾驶员设定的车辆配置保持相同，而不考虑车辆可存在的情况。在一些情况下，当驾驶员正接近车辆时，车辆和/或驾驶员所位于的环境不安全。举例来说，在不安全邻域中，在驾驶员接近他或她的车辆时，陌生人可能紧随驾驶员。然而，先前车辆以与驾驶员通常遇到的正常安全情况相同的方式在例如上文所述的不安全情况下响应于驾驶员而执行动作。这产生车辆的配置对于车辆当前位于其中的环境(或对于车辆的另一不安全情境)不适当的技术问题。由于车辆无法安全地响应于安全性风险(例如，危险情况)，这可能会给驾驶员造成危险情况。
18.在一个实例中，先前车辆可响应于驾驶员命令(例如，点击无线密钥卡上的按钮)而打开车辆的所有门。然而，如果驾驶员在接近车辆时处于不安全的情况，那么打开所有门会产生安全危险。在另一实例中，打开车辆的所有门更容易地准许陌生人的未授权访问，例如在驾驶员正进入车辆时靠近车辆的案犯。
19.本公开的各种实施例提供对以上技术问题的技术解决方案。在一个实施例中，车辆监视其环境(例如，车辆的周围环境)以评估安全性风险(例如，使用人工智能(ai)系统确定风险分数)。可基于确定安全性风险的存在而调整或延迟对于所辨识的驾驶员通常自动地执行的车辆功能或操作。
20.在一个实例中，当驾驶员或授权用户(例如，所有者)伴随有一或多个陌生人时，车辆可自动地延迟车辆的解锁和/或车辆的启动。在一个实例中，车辆可仅解锁准备好由所辨识的驾驶员而非其它人(例如，陌生人)访问的门。
21.在一个实施例中，方法包括：收集对应于正接近车辆的个人的数据；基于收集到的数据确定个人是否与车辆相关联；响应于确定个人为与车辆相关联的第一用户，基于监测车辆的环境来确定安全性风险(例如，存在靠近驾驶员的陌生人)；及响应于确定安全性风险，对车辆执行至少一个动作。
22.在一个实例中，使用车辆的传感器(例如，一或多个相机)监测环境。使用面部辨识分析由相机收集的图像数据以识别一或多个个人。可将第一个人识别为具有存储于用户数
据库中的对应特征数据的用户。然而，第二个人不能够基于用户数据库中的任何数据或从经由无线通信发送到远程服务器的搜索请求获得的任何数据而识别。因此，第二个人被认为是陌生人且存在安全性风险。
23.在一个实施例中，当个人被认为是陌生人时，基于车辆的情境和接近的一或多个个人确定风险分数。在一个实施例中，将风险分数与预定阈值比较。如果风险分数超过阈值，那么认为存在安全性风险且对车辆执行一或多个动作。在一个实施例中，通过将输入提供到机器学习模型来产生风险分数。在一个实例中，输入包含关于车辆的情境的数据。在一个实例中，关于情境的数据可包含车辆的位置、由所述车辆和/或其它车辆在所述位置处事先收集的传感器数据和/或一天中的时间。
24.在一个实施例中，车辆包含其它传感器，例如光检测与测距(lidar)传感器和雷达传感器。在一个实例中，lidar传感器检测接近的个人。此检测触发关于个人的额外数据收集。在一个实例中，额外数据收集包含激活至少一个传感器以执行瞄准接近的个人的数据收集。在一个实例中，激活相机且调整相机的视场以瞄准接近的个人。
25.在一个实施例中，可响应于确定陌生人正接近和/或存在安全性风险而执行各种动作。在一个实例中，激活认证机制以尝试使用替代方法识别陌生人。在一个实例中，替代方法为将无线通信发送到陌生人的移动装置。
26.在一个实施例中，所执行的动作可包含以下中的一或多个：延迟一或多个门的解锁，延迟车辆的启动，停用车辆的启动，激活警报，或通过将无线通信发送到计算装置(例如，与所有者的移动装置通信的通信服务器)而通知车辆的所有者。
27.在一个实施例中，当个人接近车辆时，车辆的相机将个人辨识为驾驶员/所有者或与车辆相关联的其它授权用户(例如，驾驶员的家庭成员)。响应于辨识个人，车辆确定安全性风险(例如，基于附近的陌生人的存在和/或活动的风险)。在一个实例中，确定风险分数。响应于确定风险分数超过预定阈值，执行各种动作，包含锁定车辆的门、启动车辆的计算机系统、接通车辆的电和/或机械系统、启动将由驾驶员在接近车辆和/或车辆内部时使用的应用程序，和/或尤其针对驾驶员调整车辆的设定以提供与车辆的正常操作模式相比改进的安全性。
28.在一个实施例中，车辆包含一或多个相机(例如，安装在车辆的外部上，或以其它方式安装以捕获车辆外部的图像)。车辆的存储器装置存储经授权以操作车辆的用户的用户数据库。车辆的计算装置(例如，控制器)使用相机收集数据。收集到的数据对应于个人(例如，驾驶员)且对应于各自已检测为接近车辆的陌生人。在一个实例中，除相机中的一个之外的传感器用于检测个人正接近。响应于传感器的检测，激活相机中的一或多个以开始收集将由计算机装置分析的图像数据。
29.在一个实施例中，计算装置基于收集到的数据确定接近的个人中的一个为用户数据库中的授权用户。相反，所检测的陌生人不位于用户数据库中，且因此被视为安全性风险。响应于确定个人为授权用户且存在安全性风险，对车辆执行一或多个动作(例如，上文所论述的车辆的准备)。
30.在一个实施例中，使用不需要驾驶员或其它个人直视相机以便识别(例如，轮廓为足够的)的个人辨识技术。在一些实施例中，不需要相机来识别接近的个人。在一些实施例中，陌生人的面部数据可匹配到已知存在安全性风险的个人列表(例如，先前已参与与车辆
相关联的未授权的活动的个人，例如未授权的进入或与车辆的不希望的接触)(例如，不希望的接触包含个人在车辆上的不希望的推动以造成过度摇动，如由车辆的加速度计检测到)。
31.在一个实例中，基于人工神经网络(ann)的辨识器结合其它输入(例如，时间、位置、路线选择)分析个人接近车辆的方式以作出关于个人的身份(例如，驾驶员或陌生人)的确定。在一个实施例中，使用从车辆的使用周期获得的数据训练ann。在一个实例中，新车不必立即或甚至在一天或两天中辨识所有者，但随后在使用的预定周期(例如，5天)之后或在车辆的多次使用(例如，如由发动机或电机启动或激活所测量)之后辨识所有者。
32.一般来说，可使用监督方法来训练ann，其中调整ann中的参数以最小化或减少由相应输入产生的已知输出与通过将输入应用于ann而产生的所计算输出之间的误差。监督学习/训练方法的实例包含强化学习和具有误差校正的学习。
33.替代地或组合地，可使用非监督方法来训练ann，其中由给定的一组输入产生的准确输出在训练完成之前是未知的。可训练ann以将项分类成多个类别，或将数据点分类成丛集。可采用多个训练算法用于复杂机器学习/训练范例。
34.在一个实例中，人工神经网络可配置为ann或配置为使用强化学习训练的卷积神经网络(cnn)。举例来说，ann可收集接近车辆的个人的图像、语音记录和其它传感器数据，且在训练周期期间将数据存储在数据库中。当个人在训练周期期间进入驾驶员座椅时，所述个人在数据库中被识别为授权用户，且所述个人的数据在ann中得到强化。在训练周期期间，机器学习模型将从车辆上的传感器取得授权用户的新数据(例如，外观变化(衣服、眼镜、面部毛发等)、不同照明条件、不同角度等)，且将学习和强化授权用户的辨识。
35.在一个实例中，ann可使用来自社交网络服务器的数据来识别与车辆的授权用户连接的个人。举例来说，在已识别授权用户之后，ann可从社交网络服务器(例如，facebook、instagram、twitter等)收集关于与授权用户相关联的人们(例如，亲属或朋友)的信息。ann可将此数据添加到用户数据库，且机器学习模块可使用此信息来辨识与授权用户相关联的人们。
36.在一个实施例中，多于一个个人可同时接近车辆。在一个实例中，车辆配置成用于由车辆的控制器确定为最靠近车辆的驾驶员的门的授权个人。在一个实例中，锁定最靠近确定为陌生人的个人的门，但解锁最靠近确定为驾驶员的个人的门。在一个实例中，，直到驾驶员在车辆的预定距离内，驾驶员的门才被解锁。
37.在一个实施例中，由一或多个相机收集的数据用于确定驾驶员相对于车辆的位置，且基于用户的位置打开一或多个选定门。在一个实施例中，确定陌生人的位置。选定门的打开可以陌生人距选定门和/或车辆至少预定距离为条件。
38.在一个实施例中，第一相机面向车辆的一侧(例如，左侧)，且第二相机面向车辆的相对侧(例如，右侧)。由相机收集的图像数据作为输入提供到面部辨识软件中。针对若干授权用户中的每一个训练面部辨识软件。用户数据的数据库由运行面部辨识软件的计算装置存取。
39.在对用户进行肯定检测和/或识别之后，在用户数据库中存取安全性偏好。这些安全性偏好(例如，实施为安全操作模式)可包含安全操作方式。在一个实例中，安全性偏好包含对软件、旋钮、开关、控件等的设定。
40.在一个实施例中，当识别到安全性风险时，停用和/或重新配置在正常模式下可用的车辆的一或多个功能以用于改进的驾驶员或用户安全性。
41.在一个实施例中，基于安全性简档，车辆经配置以用于所识别的接近的陌生人。在一个实例中，执行陌生人的分类。基于所述分类选择若干所存储的安全性简档中的一个。每一安全性简档包含响应于确定与陌生人相关联的安全性风险而执行的一或多个动作。在一个实例中，这些动作包含锁定或解锁选定门、调整座椅、调整镜子、选择通信信道、激活车辆的跟踪信标、设定车辆操作模式等。
42.在一个实施例中，使用无线通信将由一或多个相机收集的图像数据传输到中央服务器(例如，服务多个车辆)。中央服务器执行识别过程，且将个人的识别(例如，驾驶员和/或陌生人)传输回车辆。个人的识别可基于服务器上执行的机器学习模型。在一个实施例中，使用来自个人使用的其它车辆的数据来训练机器学习模型。在一个实例中，其它车辆与服务器通信。
43.图1展示根据一些实施例的配置成检测车辆的环境138中的一或多个个人140且在检测到和/或确定安全性风险的情况下执行一或多个动作的车辆102。在一个实例中，环境138为车辆102周围的预定空间区(例如，距车辆的预定半径或其它距离)。
44.在一个实施例中，车辆102使用机器学习模型130来识别与检测为接近车辆102的个人(例如，第一个人146和/或第二个人150)(车辆102的用户)相关联的一或多个安全性风险132。在一个实例中，车辆环境138包含车辆外部靠近或接近车辆的各种个人(例如，车辆的预定距离内的个人)。车辆环境138可包含个人140，当个人140正接近或检测到靠近车辆102时针对个人收集数据。
45.车辆102包含处理装置104。在一个实施例中，处理装置104使用机器学习模型130和用户数据库110，以及来自相机126和/或传感器122的输入，和/或关于车辆情境120的信息以响应于确定安全性风险而实施安全性(例如，将车辆102置于用于所辨识的驾驶员的安全性模式下)。处理装置104可为例如微处理器、图形处理器、嵌入式处理器、嵌入式计算机、芯片上系统、asic、fpga或其它处理装置。
46.车辆102含有连接到处理装置104的存储器106。存储器106可为非易失性存储器或非易失性存储器与易失性存储器的组合。举例来说，存储器106可含有快闪存储器(例如，slc、mlc、tlc、qlc等)、3d xpoint存储器、dram、sram、其它存储器技术或存储器技术的任何组合。存储器106可呈任何形式，包含例如固态磁盘、紧凑型快闪模块、pcie卡、nvme模块、dimm、simm、焊接到母板或其它形状因数。
47.存储器106含有由处理装置104使用以实施用于所辨识驾驶员的安全性的指令108。指令108可包含(例如)指示处理装置104用于收集数据(例如，相机数据128或传感器数据124)、确定车辆情境120或接近车辆102的一或多个个人140的情境(例如，地理位置、一天中的时间等)或处理数据(例如，使用机器学习模型130)且在辨识驾驶员且确定安全性风险132时采取一或多个动作136。
48.存储器106还含有用户数据库110。用户数据库110含有关于与车辆102相关联的每一用户112的信息(例如，用户112可为驾驶员、驾驶员的家庭成员和/或如通过处理装置104与社交网络服务器的无线通信所确定的驾驶员的朋友)。用户数据库110可为许多类型的数据库中的一个。举例来说，用户数据库110可为关系型数据库或非关系型数据库，且可使用
任何结构和存取方法(例如，sql、nosql、xml等)。在一个实施例中，用户数据库110存储在与指令108相同的存储器106中。在一个实施例中，用户数据库110和指令108存储在单独的存储器装置中。在一个实施例中，用户数据库110分布在多个存储器装置上。
49.用户数据库110含有关于与车辆102相关联的每一用户112的信息。用户数据可包含(例如)用于识别用户112的数据、用于识别与用户112相关联的个人140(例如，用户的家庭成员和/或用户的朋友)的数据，和关于用户112的数据。举例来说，用于识别用户112的数据可包含生物识别数据，例如面部特征、身高、体型、头发颜色等；和行为数据，例如体态、步态、声纹等。关于用户112的数据可包含(例如)与用户112相关联的姓名、地址、联系人信息等。
50.由系统使用的数据输入(例如，在机器学习模型130中使用的输入)可来自许多来源，包含例如来自一或多个相机126的数据128、来自一或多个传感器122的数据124、车辆情境120和关于接近或靠近车辆102的个人140的情境的其它数据。
51.来自相机126的数据128可包含(例如)接近车辆102的个人140的静态图片或视频数据。来自传感器122的数据124可包含(例如)一或多个个人140相对于车辆102的位置142，或来自在车辆102附近说话的个人140的声纹数据或命令。车辆情境120和接近或靠近车辆102的个人140的情境可包含(例如)关于一天中的时间、车辆102的位置、车辆102所行进的先前路线(例如，用于到达车辆102的当前位置的路线)、个人140相对于彼此的位置142等的数据。
52.相机126和传感器122可收集关于接近或靠近车辆102的个人140的信息。举例来说，此可包含个人140的特征(例如，面部特征、身高、体型、头发颜色、个人是否携带武器等)和个人140的行为144(例如，体态、步态、语言、声音频调、声纹、威胁手势或移动等)。
53.处理装置104可使用机器学习模型130以用于作出关于安全性动作136的决策以在确定安全性风险132的情况下执行。机器学习模型130可学习与车辆102相关联的用户112，包含例如特征(例如，面部特征、身高、体型、头发颜色等)、行为144(例如，体态、步态、声纹等)和社交联系(例如，用户的家庭成员和/或用户的朋友)，且可将此类数据存储在用户数据库110中。机器学习模型130可将数据(例如，相机数据128、传感器数据124、车辆情境120和来自用户数据库110的数据)作为输入，且在确定个人140是否为与车辆102相关联的用户112时运行算法(例如，面部辨识、行为辨识、语音辨识等)。机器学习模型130可经训练以在激活用于所辨识的驾驶员的安全性之前的预定时间段内辨识与车辆102相关联的用户112。在一个实施例中，如果接近的个人的特征与用户数据库中的任何个人不匹配，那么认为接近的个人为陌生人。
54.在一个实施例中，系统将与车辆102相关联的个人140识别为第一个人146。不与车辆102相关联的个人140被识别为第二个人150(例如，由于未能获得与车辆102的用户数据库110的匹配而认为个人为陌生人)。机器学习模型130可使用输入(例如，相机数据128及/或传感器数据124)来识别来自第二个人150的威胁(例如，确定个人是否携带武器及/或其行为是否展示威胁手势或移动模式、体态、步态、语言或声音频调等)。机器倾斜模型130基于识别到第一个人146的所感知的安全性风险132而产生风险分数134。
55.车辆102可基于风险分数134采取一或多个动作136。举例来说，如果风险分数134低于预定阈值，那么车辆102可采取动作136，例如，解锁一或多个门和/或打开一或多个门，
确定车辆情境120且基于车辆情境120选择和启动软件，且在正常操作模式下配置车辆102。在正常操作模式下，车辆102为第一用户提供一组车辆功能。
56.如果风险分数134高于预定阈值，那么车辆102可在安全操作模式下配置车辆。在安全操作模式下，车辆102可采取动作136。动作136可包含例如仅解锁最靠近第一用户的位置142的门，锁定所有其它门，激活警报，延迟启动车辆102的组件直到第一用户在车辆内部且所有门被锁定，将无线通信从车辆102发送到计算装置，将具有关于安全性风险132的数据的无线通信从车辆102发送到服务器，将请求配置成对安全性风险132作出响应的软件的无线通信从车辆102发送到服务器，将关于第二个人150的数据发送到配置成执行面部辨识的服务器，将消息发送到第一个人146的用户装置，和/或禁止车辆102功能的一部分对任何用户的可用性。
57.图2展示根据一些实施例的配置成与例如社交网络服务器252等一或多个各种计算装置交互的图1的车辆102。在一个实施例中，车辆102响应于识别第一个人146而使用无线通信接口(未展示)(例如，实施5g通信的无线电)与社交网络服务器252通信。处理装置104使关于第一个人146的数据传输到社交网络服务器252。作为响应，社交网络服务器252返回关于第一个人146的一或多个朋友的数据。将此朋友数据添加到用户数据库110(参见图1)以用于确定与接近车辆102的其它个人的匹配。
58.在一个实施例中，响应于风险分数134超过预定阈值，处理装置104使无线通信(例如，消息)发送到第一个人146的用户装置248。无线通信包含关于所确定的安全性风险132的数据。在一个实施例中，用户装置248可用于选择待对车辆102实施的安全性模式。选定的安全性模式从用户装置248传输到车辆102。随后，处理装置104在车辆102上引起一或多个动作136(例如，以便实施选定的安全性模式)。
59.在一个实施例中，响应于确定安全性风险，将无线通信发送到服务器254。通信包含关于服务器254的软件256的请求。在一个实例中，响应于接收到请求，服务器254发送软件256的副本以供车辆102下载。处理装置104安装且执行副本以对车辆102执行各种安全性动作。
60.在一个实施例中，响应于确定安全性风险，将无线通信发送到计算装置258。在一个实例中，计算装置258为不同车辆中的控制器。在一个实例中，控制器导航不同车辆远离车辆102的位置(例如，以避免暴露于已经由车辆102和/或服务器254识别的安全性风险)。
61.图3展示根据一些实施例的用于基于确定在一或多个个人正接近车辆时的安全性风险来对车辆执行一或多个动作的方法。举例来说，图3的方法可在图1至2的系统中实施。在一个实例中，个人为接近车辆102的个人140。在一个实例中，动作为响应于在处理装置104上执行的安全性响应软件而引起的动作136。
62.图3的方法可由处理逻辑执行，所述处理逻辑可包含硬件(例如，处理装置、电路系统、专用逻辑、可编程逻辑、微码、装置的硬件、集成电路等)、软件(例如，在处理装置上运行或执行的指令)，或其组合。在一些实施例中，图3的方法至少部分地由一或多个处理装置(例如，图1至2的处理装置104)执行。
63.虽然以特定顺序或次序来展示，但除非另外规定，否则可修改过程的次序。因此，说明的实施例应仅作为实例理解，且说明的过程可以不同次序执行，并且一些过程可并行执行。此外，可以在各种实施例中省略一或多个过程。因此，并非在每个实施例中都需要所
有过程。其它过程流是可能的。
64.在框300处，收集对应于正接近车辆的一或多个个人的数据。在一个实例中，由传感器122和相机126收集数据124、128。在一个实例中，数据128为包含第一个人146和/或第二个人150的面部特征的图像数据。
65.在框302处，确定接近的个人中的每一个是否与车辆相关联。在一个实例中，机器学习模型130使用面部辨识来确定第一个人146和/或第二个人150是否为车辆102的用户。在一个实例中，机器学习模型130确定接近的个人(例如，第二个人150)为不与车辆102相关联的未知个人(陌生人)。
66.在框304处，响应于确定个人为与车辆相关联的用户，基于监测车辆的环境确定安全性风险。在一个实例中，处理装置104确定第一个人146为车辆102的驾驶员。在一个实例中，处理装置104确定存在安全性风险132。在一个实例中，在确定第一个人146为车辆102的授权用户之后评估安全性风险。
67.在框306处，响应于确定安全性风险，对车辆执行一或多个动作。在一个实例中，动作包含解锁门、锁定门、停用车辆、延迟车辆的启动或启动发动机。在一个实例中，响应于确定安全性风险，确定对应于安全性风险的策略。在一个实例中，策略选自存储于存储器106中的多个策略。在一个实例中，策略包含响应于安全性风险而执行的一组动作。
68.在一个实施例中，方法包括：收集对应于正接近车辆(例如，车辆102)的个人(例如，个人146、150)的数据；基于收集到的数据确定个人是否与车辆相关联；响应于确定个人为与车辆相关联的第一用户，基于监测车辆的环境(例如，环境138)确定安全性风险(例如，安全性风险132)；及响应于确定安全性风险，对车辆执行至少一个动作。
69.在一个实施例中，监测环境包括收集与车辆的环境相关联的第一数据(例如，数据124、128)，且确定安全性风险包括评估第一数据。
70.在一个实施例中，基于来自机器学习模型(例如，机器学习模型130)的输出来评估收集到的第一数据，且收集到的第一数据用作到机器学习模型的输入。
71.在一个实施例中，确定安全性风险包括确定环境中存在未知个人。
72.在一个实施例中，执行至少一个动作包括：确定第一用户的位置；选择车辆的最靠近第一用户的门；及打开选定门。
73.在一个实施例中，执行至少一个动作包括：确定第一用户的位置；确定车辆的最靠近第一用户的第一门；及锁定车辆的除第一门之外的所有门。
74.在一个实施例中，执行至少一个动作包括将无线通信发送到服务器(例如，服务器254)。通信包括关于安全性风险的数据(例如，关于个人146、150的面部特征的数据)。
75.在一个实施例中，执行至少一个动作包括：经由无线通信将对软件(例如，软件256)的请求发送到服务器，其中软件配置成对安全性风险作出响应；从服务器接收软件；将软件存储在车辆的至少一个存储器(例如，存储器106)中；及由车辆的控制器(例如，实施为控制器的处理装置104)执行软件。在一个实例中，软件为安全性修复软件。
76.在一个实施例中，方法进一步包括：响应于确定不存在安全性风险，配置车辆以用于在为第一用户提供一组车辆功能的正常模式下的操作；其中执行至少一个动作包括配置车辆以用于在安全模式下的操作；且其中安全模式下的操作阻止任何车辆用户使用在正常模式下提供的一组车辆功能的至少一部分。
77.在一个实施例中，执行至少一个动作包括延迟车辆组件的启动直到第一用户位于车辆的内部中且锁定车辆的所有门。
78.在一个实施例中，确定安全性风险包括确定风险分数(例如，风险分数134)和将风险分数与预定阈值比较。
79.在一个实施例中，方法进一步包括：从车辆的至少一个传感器(例如，传感器122)收集传感器数据；其中基于来自机器学习模型的输出确定风险分数，且收集到的传感器数据为到机器学习模型的输入。
80.在一个实施例中，对应于个人的数据由车辆的至少一个相机(例如，相机126)收集，且确定个人是否与车辆相关联包括执行面部辨识。
81.在一个实施例中，确定安全性风险包括确定环境中存在如通过存取至少一个数据库(例如，用户数据库110)所确定的不与第一用户相关联的个人。
82.在一个实施例中，系统包括：至少一个传感器；至少一个存储器(例如，存储器106)，其配置成存储与车辆相关联的个人的数据库；及至少一个处理装置(例如，处理装置104)；至少一个存储器含有配置成指示至少一个处理装置进行以下操作的指令(例如，软件指令108)：使用至少一个传感器收集数据，其中收集到的数据对应于各自正接近车辆的第一个人(例如，第一个人146)和第二个人(例如，第二个人150)；基于收集到的数据且通过存取数据库确定第一个人与车辆相关联，且第二个人不与车辆相关联；及响应于确定第二个人不与车辆相关联，执行至少一个动作。
83.在一个实施例中，执行至少一个动作包括以下中的至少一个：激活车辆的警报、将无线通信从车辆发送到计算装置(例如，计算装置258)、将消息发送到第一个人的用户装置(例如，用户装置248)、打开或关闭至少一个门、锁定或解锁至少一个门、停用或延迟车辆的功能，或将关于第二个人的数据发送到配置成执行面部辨识的服务器(例如，服务器254)。
84.在一个实施例中，指令进一步配置成指示至少一个处理装置确定第二个人的行为(例如，行为144)，其中行为包括第二个人的移动模式，且基于所确定的行为选择所执行的至少一个动作。
85.在一个实施例中，指令进一步配置成指示至少一个处理装置：确定车辆的情境(例如，车辆情境120)；其中执行至少一个动作包括基于情境选择软件，且启动选定软件。在一个实例中，由处理装置104从存储于存储器106中的多个应用程序中的一个选择软件。基于安全性风险的分类选择软件。
86.在一个实施例中，数据库中与车辆相关联的个人包括在第一个人的社交网络中的个人，且社交网络中的个人通过车辆的控制器与至少一个社交网络服务器(例如，社交网络服务器252)的通信而确定。
87.在一个实施例中，非暂时性计算机可读媒体(例如，存储器106)存储指令，所述指令在计算装置上被执行时致使计算装置至少：收集对应于正接近车辆的个人的数据；基于收集到的数据确定个人是否为车辆的驾驶员；响应于确定个人为车辆的驾驶员，基于监测车辆的环境确定安全性风险；及响应于确定安全性风险，对车辆执行至少一个动作。
88.本公开包含执行所述方法且实施上文所描述的系统的各种装置，包含执行这些方法的数据处理系统，和含有指令的计算机可读媒体，所述指令在数据处理系统上被执行时使得系统执行这些方法。
89.描述和图式为说明性的且不应解释为限制性的。描述了许多特定细节以提供透彻的理解。然而，在某些情况下，未对熟知的或常规的细节进行描述，以避免混淆描述。本公开中对一个或一实施例的参考未必参考同一实施例；并且此类参考意味着至少一个。
90.在本说明书中对“一个实施例”或“一实施例”的参考意味着结合实施例描述的特定特征、结构或特性包含于本公开的至少一个实施例中。在本说明书中各个地方出现的短语“在一个实施例中”不一定全部指代同一实施例，也不是与其它实施例相互排斥的单独实施例或替代性实施例。此外，描述了可由一些实施例但不由其它实施例展现的各种特征。类似地，描述各种要求，这些要求可以是对于一些实施例的要求但不是对于其它实施例的要求。
91.在本说明书中，各种功能和操作可描述为由软件代码执行或由软件代码引起以简化描述。然而，本领域的技术人员将认识到，这类表达的意思是所述功能由一或多个处理器执行代码所引起，所述处理器例如微处理器、专用集成电路(asic)、图形处理器和/或现场可编程门阵列(fpga)。替代地或组合地，可使用具有或不具有软件指令的专用电路(例如，逻辑电路)来实施所述功能和操作。可使用不具有软件指令或结合软件指令的硬接线电路实施实施例。因此，所述技术既不限于硬件电路和软件的任何特定组合，也不限于由计算装置执行的指令的任何特定来源。
92.虽然一些实施例可在完全功能的计算机和计算机系统中实施，但各种实施例能够以各种形式分布为计算产品且能够应用，而无关于实际上实现分布的特定类型的计算机可读媒体。
93.所公开的至少一些方面可至少部分实施于软件中。也就是说，所述技术可响应于其处理装置(例如，微处理器)执行存储器(例如，rom、易失性ram、非易失性存储器、高速缓存或远程存储装置)中所含有的指令序列而在计算装置或另一系统中进行。
94.执行以实施所述实施例的例程可实施为操作系统、中间件、业务交付平台、软件开发工具包(sdk)组件、网络服务或其它特定应用程序、组件、程序、对象、模块或指令序列(有时称为计算机程序)的部分。这些例程的调用接口可作为应用程序编程接口(api)暴露给软件开发团体。计算机程序通常在各种时间在计算机中的各种存储器和存储装置中包括一或多个指令集，且所述指令集在由计算机中的一或多个处理器读取和执行时使所述计算机执行对执行涉及各个方面的要素来说必要的操作。
95.计算机可读媒体可用于存储在由计算装置执行时使得所述装置执行各种方法的软件和数据。可执行的软件和数据可存储于包含(例如)rom、易失性ram、非易失性存储器和/或高速缓存的各处。此软件和/或数据的部分可存储在这些存储装置中的任一个中。另外，可从集中式服务器或对等网络获得数据和指令。可在不同时间且在不同通信会话中或同一通信会话中从不同集中式服务器和/或对等网络获得数据和指令的不同部分。可以在执行应用程序之前完整地获得数据和指令。替代地，可动态地、及时地在需要执行时获得数据和指令的部分。因此，并不要求数据和指令在特定时刻全部处于计算机可读媒体上。
96.计算机可读媒体的实例包含但不限于可记录和不可记录型的媒体，例如易失性和非易失性存储器装置、只读存储器(rom)、随机存取存储器(ram)、快闪存储器装置、固态硬盘存储媒体、可拆卸磁盘、磁盘存储媒体、光学存储媒体(例如，光盘只读存储器(cd rom)、数字多功能磁盘(dvd)等)以及其它。计算机可读媒体可存储指令。
97.一般来说，非暂时性计算机可读媒体包含以可由计算装置(例如，计算机、移动装置、网络装置、个人数字助理、具有控制器的制造工具、具有一或多个处理器的集合的任何装置等)存取的形式提供(例如，存储)信息的任何机构。
98.在各种实施例中，硬接线电路可与软件和固件指令组合使用以实施技术。因此，所述技术既不限于硬件电路和软件的任何特定组合，也不限于由计算装置执行的指令的任何特定来源。
99.可使用多种不同类型的计算装置实施本文中阐述的各种实施例。如本文中所使用，“计算装置”的实例包含但不限于服务器、集中式计算平台、多个计算处理器和/或组件的系统、移动装置、用户终端、车辆、个人通信装置、可穿戴数字装置、电子自助服务终端、通用计算机、电子文档阅读器、平板计算机、膝上型计算机、智能手机、数码相机、住宅家庭设备、电视或数字音乐播放器。计算装置的额外实例包含称为“物联网”(iot)的装置的部分。这类“事物”可与其所有者或管理员偶然交互，所述所有者或管理员可监视所述事物或修改对这些物的设定。在一些情况下，这类所有者或管理员扮演关于“物”装置的用户的角色。在一些实例中，用户的主要移动装置(例如，苹果iphone(apple iphone))可以是关于用户佩戴的配对的“物”装置(例如，苹果手表(apple watch))的管理员服务器。
100.在一些实施例中，计算装置可为计算机或主机系统，其例如实施为台式计算机、膝上型计算机、网络服务器、移动装置，或包含存储器和处理装置的另一计算装置。主机系统可包含或耦合到存储器子系统，使得主机系统可从存储器子系统读取数据或将数据写入所述存储器子系统。主机系统可经由物理主机接口耦合到存储器子系统。一般来说，主机系统可经由相同通信连接、多个单独通信连接和/或通信连接的组合存取多个存储器子系统。
101.在一些实施例中，计算装置为包含一或多个处理装置的系统。处理装置的实例可包含微控制器、中央处理单元(cpu)、专用逻辑电路(例如，现场可编程门阵列(fpga)、专用集成电路(asic)等)、系统芯片(soc)或另一合适的处理器。
102.在一个实例中，计算装置为存储器系统的控制器。控制器包含处理装置和存储器，所述存储器含有由处理装置执行以控制存储器系统的各种操作的指令。
103.虽然图式中的一些以特定次序说明数个操作，但可将非次序相依性操作重新排序且可组合或分解其它操作。虽然具体提及了一些重新排序或其它分组，但是其它重新排序或分组对于本领域的技术人员来说是显而易见的，因此不提供详尽的替代方案列表。此外，应认识到，阶段可用硬件、固件、软件或其任何组合来实施。
104.在前文说明书中，本公开已参考其具体示范性实施例进行描述。将显而易见的是，可在不脱离如所附权利要求书中所阐述的较广泛精神和范围的情况下对其作出各种修改。因此，说明书和图式应视为说明性的而非限制性的。