一种自动驾驶车辆用户个性化的方法与流程

人工智能，自动驾驶车辆，机器人。

背景技术：

基于人工智能的自动驾驶车辆已经由一些开发厂商发展到量产前的路试阶段。由于还存在包括偶发事故的不少技术问题，有待进一步优化完善才能量产上市。自动驾驶车辆可以看成是一个机器人和传统车辆的有机结合。机器人由传感器系统、人工智能控制系统及驱动系统构成，如图1所示。自动驾驶车辆的起迄点可由用户（如车主或乘客，在本发明中统称为用户）设置，或由无线通讯遥控设置，由gps导航，也可由乘车的用户协助导航或辅助驾驶来实现客货交通运输。自动驾驶车辆可以载客也可以放空。机器人对道路和交通的状况进行实时观察和分析，并能遵守道路交通规则及相关法规。虽然自动驾驶车辆的机器人在出厂前经过了培训并具备了一般的驾驶技术，但开车除了需要应用一般的驾驶技术，完成交通运输的功能之外，还包括和每个用户相关的因人而异的特性，如行车安全、舒适感，消遣、运动和赛车等等。由于每个人的驾驶习性，道德或文明的标准不一样，在出现涉及个人安危的紧急情况或事故时，处理的对策也不一样。有的人易于违章肇事，有的人能舍己救人。按照厂家统一设置来运行的自动驾驶车辆不能兼顾并实现每个用户的习惯或喜好的行车体验和习性，也不能按照用户的意旨来处理紧急场景和交通事故。因此，有必要对自动驾驶车辆进行一个针对用户的个性化的过程来了解并在车辆运行中实现用户的特点和需求，从而完善自动驾驶车辆的运行，给每个用户提供更好的个性化的服务。

技术实现要素：

本发明提供了一种实现自动驾驶车辆个性化的方法，可以使自动驾驶车辆在处理正常交通和紧急路况时采用用户的优选对策，体现用户的驾驶习性、道德或文明素质。本发明的实现通过获取并解析用户个性化的数据库，并在行车的过程中通过自适应的学习更新该数据库，运用该数据库的信息来帮助自动驾驶车辆的控制系统调整行车习性和处理突发事件，和用户不断磨合来改进满足用户的个性化的体验。

附图说明

图1.是自动驾驶车辆的一个功能架构示意图。

图2.是自动驾驶车辆对路况和交通事件按反应时间来分类的示意图，t1及t2周围的阴影区表示t1和t2的具体数值是一个取决于不同型号不同时段的区间。

图3.是自动驾驶车辆个性化的过程示意图

图4.是表1，表明对应于图2的不同反应时间段，个性化的行车的不同效应范畴。

图5.是自动驾驶车辆应用用户个性化的数据来辅助行车控制的流程示意图

以下对本发明进行进一步详细描述。描述中的具体实施仅仅用以解释本发明，并不限定本发明。

自动驾驶车的机器人的传感器系统在行使中观察路况和交通，将任何需要调整应对的场景根据估算的反应时间(包括传感器的感应时间、人工智能控制系统的计算处理时间、驱动系统的作用时间等)分为三类：瞬发事件，紧急事件和普通事件，如图2所示，分别对应于反应时间t的数值位于0<t<t1，t1≤t≤t2，和t>t2。对于瞬发事件，车辆除了在发生事故时做报警和人车的保护外，基本上做不了什么。对于紧急事件车辆可以设法避免事故发生或在事故发生的情况下使损失最小化，并根据在各种场景下不同的用户选择的最佳对策来优先保护本车的用户，或本车或涉及到的对方或第三方。对于普通事件，车辆则根据用户的驾驶和/或乘车习性来操纵，发生事故的几率很小。以下就对如何实现自动驾驶车辆的个性化做一个详细的叙述。

自动驾驶车辆的机器人的人工智能控制系统设有用于车辆行驶个性化的数据结构库，包括场景/对策数据集和背景及行为特征数据集。其中每一个数据集都有一个与所有使用或准备使用该车辆的用户一一对应的表项。场景/对策数据集中的场景，包括对路况、交通、车况的一种描述，或/和由机器人对上述描述分类、提取特征以后的算法化数据。场景/对策数据集中的对策包括对用户针对特定场景采用的操纵车辆的行为方法的描述，或/和由机器人对该描述分类、提取特征以后的算法化数据。背景及行为特征数据集中的背景，包括用户的个人背景尤其是与使用车辆有关的信息数据包括年龄、性别、职业、婚姻状况、居住地区教育程度、驾驶记录、信贷和保险记录、健康和医疗保险记录和犯罪记录等等，或/和由机器人对该信息数据分类、提取特征以后的算法化数据。背景及行为特征数据集中的行为特征包括用户的驾驶或/和乘坐车辆的习性，道德或文明标准的描述，或/和由机器人对该描述分类、提取特征以后的算法化数据。如图3所示，自动驾驶车辆的个性化首先在车辆上路使用之前，由机器人和用户通过人机交互的界面来实施初始化的过程。在初始化的过程中，机器人首先要通过比如用户名和密码的组合或其它方法确认用户的身份。机器人通过多媒体人机界面向用户逐一展示充分多的，经过或可经过仿真和/或实际行车测试验证的路况和交通状况的场景/对策训练集，征集用户对每一个场景选择回答自己认为最佳的对策，再将每一组用户的回答的场景/对策数据对输入至自动驾驶车辆的人工智能控制系统的场景/对策数据集对应于该用户的表项中。征集用户的回答可以采用多选题（用户在多项答案中选择一项），或肯定/否定单选题（用户对一项答案选择肯定或否定），或用户输入一个归一化后的数值，表示对某一选择的确认概率或程度。由于训练集难以覆盖所有的场景，可以对场景进行归纳和分类，比如上述的按反应时间来分类。除了上述的用户场景/对策数据集，机器人还要获取背景及行为特征数据集。首先征集用户个人背景数据。征集的方法是在自动驾驶车辆上路使用前，机器人通过人机界面向用户询问用户的背景信息，如年龄、性别、职业、婚姻状况、居住地区教育程度等等。同时，机器人通过无线通讯系统或电子媒体装置来检索用户的驾驶记录、信贷和保险记录、健康和医疗保险记录和犯罪记录等等，将这些信息储存于背景及行为特征数据集对应于该用户的表项。机器人对所获得的两组数据根据行为模拟算法，以及厂家的实验数据、车辆使用的统计数据等等来提取用户的行为特征如驾驶习性、道德或文明标准，并将所提取的用户的行为特征储存至背景及行为特征数据集对应的表项。以上两项数据集的征集和获取及提取用户的行为特征，也可以事先在用户和厂家、或卖家或租赁服务商之间进行，或通过其它方法来进行，获得的数据事后传送给自动驾驶车辆的机器人，机器人在车辆上路使用前需向用户核实并完善更新。

图4的表1对用户个性化数据对自动驾驶车辆运行的影响做了一个简单的归纳，由于如何处理紧急场景是关系到自动驾驶车辆的安全可靠性的一个关键并有争议的问题，本发明列举了一些场景/对策的特例来进一步说明实现个性化驾驶的必要性和有效性。

例1：自动驾驶车辆以正常速度行驶至一交叉路口，且前方为绿灯。一两自行车突然从右侧横闯红灯行至自动驾驶车辆前。机器人发现刹车已经来不及避免事故，但向左躲闪有可能，但这会违章行车至对面车道。你的对策是：

a刹车。

b躲闪。

例2：当一起碰撞事故不可避免时，你的对策是：

a不管对方情况如何，尽可能减少对自己的伤害。

b只要是对方的过错，不管对方情况如何，尽可能减少对自己的伤害。

c视情况冒一定伤害自己的风险，来减少对对方的伤害。

例3：当一起事故不可避免时，你的对策是：

a尽可能减少对左前位置上的乘客的伤害。

b尽可能减少对右后位置上的乘客的伤害。

c尽可能减少对你本人的伤害，不管你坐哪儿。

例4：你行车的习性是：

a.快而爽。

b.稳而慢。

例5：你愿意冒多大的伤害自己或自己的车辆的风险来避免一起冲撞行人的事故，0表示不担当，1表示完全担当：

a0。

b1。

c0.5。

d不一定。

在行车中如何运用上述获取的用户个性化数据如图5所示。首先，机器人必须确认一个当前用户。当自动驾驶车辆载有多个用户时，可以由用户任选其中一位为当前用户，机器人按当前用户在场景/对策数据集和背景及行为特征数据集对应表项中的数据来辅助驾驶。当自动驾驶车辆空载时，可以选用一个特定客户的个性化数据或采用厂家设置的默认用户数据来辅助驾驶。其次，在应对处理具体场景时，机器人在场景/对策数据集中检索与当前场景最相似的场景；如果两者充分相似，机器人就会采用与最相似的场景对应的用户输入的对策来操纵驾驶；如果两者不够充分相似，但具有较高的相似度，则采用与最相似场景对应的用户的对策产生一个应对建议。再根据用户的行为特征数据来产生一个应对建议，机器人参照基于用户个性化的建议，结合人工智能控制系统根据当前场景基于非用户个性化产生的应对措施取得一个最优操纵方法。以下就对如何运用上述两组数据来操纵车辆的一种实现方法做一个进一步的说明。

首先，比较当前的场景和初始化过程中采用的场景的相似性，可以做如下的计算：

将场景作为一个量化的数据结构c(r,t,v),其中r表示经分类量化的路况（如市内道路和高速公路），t表示经分类量化的交通状况（如稀疏或拥挤程度），v表示经分类量化的自动驾驶车辆的运行情况（如车速，车况和载客情况）。ci（ri,ti,vi）表示当前用户在场景/对策数据集中的一个场景,场景的总数为n。其中，ri、ti、vi是一个大于0小于1的实数，其取值越大，对应于安全风险越大。c0（r0,t0,v0）表示当前的一个场景。

场景相似度s的计算可以采用下述公式：

s=,【1】

其中，α，β，γ为风险因子，是一个大于0小于1的实数，显然，s越小，越相似。

用公式【1】来计算当前用户在场景/对策数据集中的表项中的所有场景中与当前场景相似度最高（相似度数值最小）的场景的最小值smin,如果smin小于某个阈值st1,就认为该当前场景与当前用户在场景/对策数据集中的表项中对应于smin的一个场景充分相似，并采用与之对应的当前用户的对策来操纵车辆。

如果在当前用户在场景/对策数据集中的表项中没有找到一个与当前场景充分相似的场景时，可以根据当前用户在背景及行为特征数据集对应表项中的数据来产生一个参考对策。用户在背景及行为特征数据集中的用户的行为特征包括驾驶习性、道德或文明标准，在如何应对行车中的紧急事件时，可以分成比如包括以下几种类型：

a.易于肇事型

b.遵章守纪型

c.灵活驾驶型

d.见义勇为型

上述的分类来源于人工智能系统对用户的背景及行为特征数据集和场景/对策数据集中的表项中的数据进行基于统计、行为模拟或其它智能算法的分析，可以作为参考依据来估计用户在特定的场景下采用一种优选的操纵车辆的对策的概率大小，从而产生一个应对当前场景的操纵车辆的倾向性对策。比如，行为特征为c类的用户，对于类似上述例1中的场景，很可能会采取选择b.躲闪的对策来避免事故，而行为特征为b类的用户很可能会选择a.刹车的对策，而造成不一定是本车责任的交通事故。人工智能控制系统注重基于场景分析的非用户个性化的对策，并参照上述用户个性化的对策，从而得出一个最优对策方案。

对于应对普通事件，可以将用户的行车习性分类为比如：

a.平稳舒适型

b.快速反应型

c.运动赛车型

在保证安全行车，遵守交通法规的前提下，自动驾驶车辆的操纵可以优先满足用户的行车习性。

由于本发明没有考虑使用自动驾驶车辆作为武器装备用于战场或警车，自动驾驶车辆一般被默认禁止任何主动攻击或肇事行为，包括但不限于冲撞其它车辆或行人，或者自残或自毁的行为，比如冲出悬崖或冲撞路障，隔墙，除非这样的行为可以避免造成更为严重的交通事故，并且用户在场景/对策数据集中有明确的选择。

由于在初始化的过程中，收集或设计的场景不可能覆盖所有的交通路况，图3的380模块示意说明了在行驶中适时获取用户场景/对策对来辅助自动驾驶并扩充用户场景/对策个性化数据库的过程。具体的，机器人在行驶中遇见罕见或危急场景时，通过音、视频媒体或其它人机交互界面通知用户，并提请用户指示对策，再根据用户指示的对策操纵车辆。提取、更新或扩充用户的行为特征数据，并对操纵车辆的效果，特别是有无发生事故进行评估，如果没有事故，则将该场景/对策存储到用户场景/对策数据集中。在紧急场景下，如果自动驾驶车辆的设计中包含了用户可以部分或全部直接手动操纵行驶的功能，用户也可以关闭自动驾驶，采用手动驾驶。同样，机器人会把场景/手动驾驶操作记录下来，提取、更新或扩充背景及行为特征数据集。如果没有事故，就提取场景/对策数据，用于更新或扩充用户场景/对策数据集。在行驶中，机器人还可以通过人机多媒体界面和用户进行交流，或观察用户的面部表情和肢体语言来判断用户对车辆行驶状况的满意或不满意度，自动调节车辆的行驶操纵，从而使个性化的自动驾驶更圆满的满足用户需求；并且从所述交流、观察和自动调节的过程中提取、更新或扩充用户行为特征数据和/或场景/对策数据。此外，除了尽量满足用户的需求和体验，用户的背景及行为特征数据集还可以用来防范用户的违规操作，比如，如果用户的驾驶记录显示用户有近期的习惯性的超速驾驶，上述的用户手动操纵功能就可以对该用户关闭；再比如，机器人在车辆行驶中可以实时的通过无线通讯系统获得用户的背景更新，如果用户碰巧是一个在逃的嫌犯，机器人可以自动报警，并采取相应的措施协助警方抓获嫌犯。

采用本发明披露的上述用户个性化的方法，有助于帮助机器人操控在法律和法规与个人道德行为，车辆和人的安全之间发生冲突的场景，在一定程度上减少了自动驾驶车辆人工智能控制系统设计的不确定性和复杂度，有利于加速其量产和上市。此外，如果采用厂家统一的设置来使用自动驾驶车辆，很明显，厂家或保险公司或自动驾驶车辆的服务提供商将承担所有的车辆行为责任。如果采用本发明披露的个性化的自动驾驶，用户将会分担至少一部分车辆行为责任，特别是在自动驾驶车辆有效准确的执行了用户提供或选择了的场景/对策对的时候。此外，至少部分自动驾驶车辆个性化的初始化也可以通过用户定制的方式在厂家生产线上完成，以提高生产率和使用自动驾驶车辆的效率。