本发明属于人工智能技术领域，特别涉及自动驾驶车辆的设计、生产和合法使用。
背景技术
基于人工智能的自动驾驶车辆的研制已经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。自动驾驶车辆的机器人100由传感器系统110、操纵系统120及驱动系统130构成，传统车辆160与自动驾驶车辆的机器人100通信连接，如图1所示。自动驾驶车辆的起讫点可由用户（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或其它自动导航系统导航，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和/或载货或放空。机器人在行车中对各种场景进行实时观察和分析，并提取场景的数据，与具体设计相关的操纵系统中的场景数据进行场景匹配，根据场景匹配的结果合理操纵行车，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，但行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，还包含满足用户的行车习性，如掌控行车安全的方法、偏爱的舒适感，消遣、运动和赛车的嗜好等等。由于每个人的道德或文明的特质不一定相同，在出现涉及个人安危的紧急情况或事故时，处理的对策也不一定相同。有的人易于违章肇事，有的人能舍己救人。按照厂家预先设定的统一出厂设置来运行的自动驾驶车辆显然不能满足每个用户的行车习性，也不能按照每个用户的意旨来处理紧急场景和可能发生的交通事故。此外，是否用基于人工智能产生的自动驾驶车辆行车的统一规范来取代用户在使用传统车辆中形成的个性化的驾驶习性和用户特异的与行车相关的道德或文明的行为特质也是一个自动驾驶车辆生产、上市和制定相关法律法规的长期未决的争议。再者，即使自动驾驶车辆能够获得合法化运行，与有人驾驶的传统机动驾驶车辆共享道路交通可能是在一个相当长的一段时间内的生态环境。因此，获取自动驾驶车辆用户道德或文明的特质并在车辆的设计、生产及行车中体现道德或文明的特质，有助于解决上述的自动驾驶车辆生产和使用的技术和法律瓶颈和争议，加快自动驾驶车辆市场化的进程，并给每个自动驾驶车辆用户提供更好的个性化行车的服务。现有技术对自动驾驶车辆行车过程中的用户自适应有颇多的研究，但鲜有自动驾驶车辆的生产过程中或没有被用户实际使用前有效的用户个性化的方案。
技术实现要素：
本发明披露了一种自动驾驶车辆用户个性化行车的方法，通过获取自动驾驶车辆用户的个性化行车习性和/或道德或文明的特质并在车辆的设计、生产及行车中将用户的个性化行车习性和/或道德或文明的特质和自动驾驶车辆的行车操控相结合，用于解决背景技术中提出的自动驾驶车辆生产和使用的技术和法律瓶颈和争议，加快自动驾驶车辆市场化的进程，并给每个自动驾驶车辆用户提供更好的个性化行车的服务，包含在自动驾驶车辆在操纵行车时采用用户的优选对策，体现和/或满足用户的行车习性和/或道德或文明特质。本发明的实现包含设计用于产生自动驾驶车辆个性化数据的训练集，或获取已设计好的所述训练集。所述训练集中的每一种场景和相应的操纵自动行车的方案都是已经通过或能够通过模拟测试验证或实际上路行车验证，且其中每一种操纵行车的方案都是可行的和合法的。通过训练集在自动驾驶车辆生产中或被用户使用前获取用户个性化行车的数据库，包括场景与用户对策对数据集和用户背景及行为特征数据集；在自动驾驶车辆行车的过程中应用所获得的用户个性化行车的数据库作为操纵行车的依据或参考；通过自适应的学习更新或扩充所述数据库，自动驾驶车辆的操纵系统运用更新或扩充后的数据库来辅助操纵行车，并和用户交互磨合来改进用户个性化行车的体验。所述自动驾驶车辆用户个性化行车还包含可以根据用户的个性化行车的数据来定制一辆自动驾驶车辆。
本发明披露了一种基于自动驾驶车辆个性化行车的规范行车的自动驾驶车辆合法化行车的系统，所述系统包含：
第一模块，用于一辆自动驾驶车辆实现基于一种个性化行车的规范行车；
第二模块，用于对所述第一模块所述一辆自动驾驶车辆进行检测评估，判定所述一辆自动驾驶车辆是否具备提供合法载客服务的一种资质。
本发明披露了一种场景与用户对策训练集的设计方法和在行车过程中对场景进行匹配的方法。
一种自动驾驶车辆的个性化行车的方法，包括如下步骤：
步骤一、获取一辆自动驾驶车辆的一个个性化行车数据数据库，所述数据库包括一个场景与用户对策对数据集和一个用户背景及行为特征数据集；其中，所述一个场景与用户对策对数据集和一个用户背景及行为特征数据集包含至少一位用户的个性化行车数据；
步骤二、在所述一辆自动驾驶车辆载客行车前，确认乘坐所述一辆自动驾驶车辆的一位乘客为当前用户，所述当前用户在所述步骤一所获取的所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集和一个用户背景及行为特征数据集中对应于所述当前用户的表项中已经获取个性化行车的数据；
步骤三、应用所述当前用户在所述数据库中的个性化行车的数据，辅助操纵所述一辆自动驾驶车辆的行车。
所述的方法，所述步骤一所述的获取的数据库中一个训练集包括设计一个训练集，或采用一个设计好的训练集；其中所述一个训练集的每一个场景和所有提供给用户选择的操纵行车的方案包括已经通过或能够通过模拟测试验证和/或行车验证，包括所述提供给用户选择的操纵行车的方案是能够实现的和合法的。
所述的方法，所述步骤三包括：所述一辆自动驾驶车辆在行车中在所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集对应于所述一位当前用户的表项中搜索与任一种当前行车场景匹配的匹配场景；
如搜索到与所述任一种当前行车场景匹配的匹配场景，则采用所述匹配场景的用户对策对的行车操纵方案来操纵行车，所述一位当前用户对所述操纵的后果至少负有部分责任；
如没有搜索到与所述任一种当前行车场景匹配的场景，所述一辆自动驾驶车辆的行车操纵系统基于所述任一种当前行车场景产生一个或多个行车操纵方案，再根据所述一位当前用户在所述一个用户背景及行为特征数据集对应表项中的数据，在所述多个行车操纵方案中估计所述一位当前用户选择概率最大的一个行车操纵方案，采用所述选择概率最大的一个行车操纵方案来操纵行车。
所述的方法，在自动驾驶车辆行车中获取，和/或更新，和/或扩充场景与用户对策对数据集，和/或用户背景及行为特征数据集中对应于当前用户在表项中的数据，其中包括：
机器人在行车中通过人机界面向所述一位当前用户通报疑难场景，提请所述一位当前用户指示在所述疑难场景中行车操纵方案，根据所述一位当前用户指示的所述行车操纵方案操纵所述车辆；对操纵所述车辆的效果进行评估，提取场景与对策对数据，征得所述一位当前用户同意后更新或扩充所述一个场景与用户对策对数据集对应于所述一位当前用户的表项中的数据；
和/或机器人在行车中将所述一位当前用户采用手动驾驶车辆的过程记录下来，对所述手动驾驶车辆的过程进行评估，从所述一位当前用户的所述手动驾驶过程提取用户对策以及用户的行为特征，更新或扩充所述一个用户背景及行为特征数据集对应于所述一位当前用户的表项；
和/或机器人在行车中通过多媒体人机界面和所述一位当前用户进行交流，和/或观察所述一位当前用户的面部表情，和/或肢体语言来判断所述一位当前用户对行车状况的满意度或不满意度，自动调节行车操纵使所述一位当前用户满意；并从所述交流、观察和自动调节的过程中提取、更新或扩充所述一个用户背景及行为特征数据集对应于所述一位当前用户的表项中的数据；
和/或机器人在行车中实时的通过无线通讯系统获取所述一位当前用户的背景及行为特征的更新数据，包含在发现所述一位当前用户碰巧是一个在逃的嫌犯，进行自动报警，并采取相应的措施协助警方抓获所述嫌犯；
和/或机器人通过传感器检测到所述一位当前用户为酒驾或在吸毒影响下行车时，或检测到所述一个背景及行为特征数据集中的数据显示所述一位当前用户无有效的传统机动车辆的驾驶执照，或所述一位当前用户的驾驶记录显示所述一位当前用户有近期频繁的严重违章行车记录时，限制所述一位当前用户使用所述一辆自动驾驶车辆的手动行车操纵权限。
所述的方法，包含在设计和生产过程中优化自动驾驶车辆的操纵系统，使所述操纵系统能实现快速读写取场景与用户对策对数据集和用户背景及行为特征数据集的数据，和快速准确的场景匹配，根据用户的对策和参照用户行为特征的行车操纵；采用用户定制生产一辆自动驾驶车辆，包括将定制方指定的一位用户作为一位当前用户，获取所述一位当前用户在一个场景与用户对策对数据集和一个用户背景及行为特征数据集中对应于所述一位当前用户的表项中的数据；将所述数据与所述一辆自动驾驶车辆进行整合优化，由机器人和/或专业技术人员对所述一辆自动驾驶车辆操纵进行针对性的调试和测试，使所述一辆自动驾驶车辆出厂时就已经完成了初始的用户个性化。
所述的方法，所述步骤二包括：
确认一位用户，通过多媒体人机交互界面向所述一位用户逐一展示所述一个训练集中的场景，和在所述场景中可选的一个或多个行车操作方案，以及采用所述一个或多个行车操作方案中任一可选的行车操作方案可能发生的后果和用户需对所述后果可能承担的至少部分责任；征集所述一位用户对所述场景选择一个最佳的操作方案，并确认所述一位用户承诺愿意对所述操作方案可能产生的所述后果承担所述的至少部分责任；将所述场景和所述一位用户选择的所述一个最佳的操作方案组合成一个场景与用户对策对的数据；将每一个场景与用户对策对的数据，在所述一辆自动驾驶车辆被实际使用前输入至所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集对应于所述用户的选择表项中；或者接受已经获取的场景与用户对策对数据至所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集对应于所述用户的选择表项中；或者并用所述获取和接受并在所述一辆自动驾驶车辆被所述用户实际使用前核实或完善和/或更新所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集的数据；
获取所述一位用户背景及行为特征数据集的数据，包括：通过多媒体人机交互界面向所述一位用户采集和/或通过网络通讯系统、和/或电子媒体装置搜索用户资料库，采集所述一位用户个人背景数据；将所采集的数据储存于用户背景及行为特征数据集对应于所述一位用户表项的背景部分；根据行为模拟算法，以及统计和/或模拟数据对所获得的一个场景与用户对策对数据集对应于所述一位用户表项中的数据和/或所述一个用户背景及行为特征数据集对应于所述一位用户表项的背景部分的数据进行分析提取所述一位用户的行车习性和/或道德或文明特质的数据，并将所提取的所述一位用户的行车习性和/或道德或文明特质的数据，储存至所述一辆自动驾驶车辆的所述一个用户背景及行为特征数据集中对应于所述一位用户的表项的行为特征部分，或者接受已经获取的一个用户背景及行为特征数据集的数据至所述一辆自动驾驶车辆的所述一个用户背景及行为特征数据集中对应于所述一位用户的表项，或者并用所述采集、提取和接受，并在所述一辆自动驾驶车辆被所述一位用户实际使用前核实或完善和/或更新所述一个用户背景及行为特征数据集的数据。
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.是场景与用户对策训练集，及个性化的行车与非个性化的行车的比较示意图，其中模糊区711模块代表现有技术实现自动驾驶操作的不确定性区域，其操纵合乎交通法规但具有很大的随机性，不能提供用户习性和/或行车安全和/或交通法规发生冲突的场景时满足用户的最优解；模块712包含模块711的区域，符合一般法律包括交通法规的操纵，同时综合了用户的习性和主观选择。小圆点表示一种用户可选的操纵行车的方案，用户可择优选择事先认可的操纵行车的方案操纵车辆，也对所述操纵产生的后果至少承担部分责任。
图4.是自动驾驶车辆个性化行车的过程示意图。
图5.的表1对用户个性化数据对自动驾驶车辆运行的影响按行车反应时间分类做了一个简单的归纳。
图6.是自动驾驶车辆应用用户个性化行车的数据来辅助行车控制的流程示意图。
图7.是运用自动驾驶车辆个性化数据集来辅助实现自动驾驶车辆合法化的示意图。
图8.场景与用户对策训练集的设计和使用示意图，是基于图3.的扩展。其中810指其中一种场景；820指用户选定一种操纵行车的方案的操作；811、812分别对应于图3.的711和712；880的双向箭头指用户心理群和方案集的概率匹配。881指用户心理群的概率密度分布示意图。
具体实施方式
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。
自动驾驶车辆行车过程中的场景，包含所有可能影响一次具体行车操纵的因素：如自然环境包含比如季节、天气，温度；如行车所在地的社会环境包括社会秩序、现行法律法规、和社会群体素质和行车文明状况；如道路状况包括道路的宽窄、路型、路面、信号、标志、和路障；如周围环境，包括行人、非机动车辆、景物、建筑物、和障碍物；如交通状况包括普通驾驶车辆能见度、拥挤度、车流速度、和车流量/道路宽度；如自动驾驶车辆的操纵性能和运行状态，包括能见度、车速、反应速度、机械和电气性能、及载客人数。场景的数据，为对包括可能影响一次具体行车操纵的多种因素的一个集合或所述多种因素的一个时间序列的集合的一种度量；包括描述数据部分，还可以包含取决于具体实现的对所述描述数据部分的数据进行分类、编码量化、结构化后的一个实空间的数据结构部分。
训练集，指场景与用户对策训练集，其中包含多个场景的数据，和对应于所述多个场景的数据中每一个场景的一组可以由用户来选择的自动驾驶车辆行车操纵的方案的数据。
用户，指自动驾驶车辆的乘客或车主，所述车主同时也是一个乘客,在用户对策对数据集和用户背景及行为特征数据集中可以有一个对应的数据表项。
自动驾驶车辆的机器人的传感器系统对场景进行实时监测，包括在行使中观察路况和交通状况，检测本车的运行状况，将任何需要调整应对的行车事件根据估算的反应时间(包含传感器的感应时间、操纵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，并根据在各种场景中不同的用户选择的最佳操纵行车的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，车辆可根据用户的行车习性来操纵，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行车做一个详细的叙述。
自动驾驶车辆的机器人的操纵系统设有用于自动驾驶车辆个性化行车的数据结构库，包括场景与用户对策对数据集和用户背景及行为特征数据集。其中每一个数据集都有与使用和/或准备使用该车辆的至少一位用户对应的数据表项。场景与用户对策对数据集中的场景，包含对行车过程中的场景的一种描述数据，还可以包含取决于具体实现的对所述描述数据分类、编码量化和数据结构化后的数据。场景与用户对策对数据集中的对策包含用户在对应场景中优选的操纵行车方案的描述数据，还可以包含取决于具体实现的对该描述数据分类、编码量化和数据结构化后的数据。对应于每一个场景与用户对策对，还可以包含一个伴随匹配区间向量集的数据结构，用于在行车过程中对当前场景进行检索匹配。用户背景及行为特征数据集包含用户背景数据和用户行为特征数据，其中用户背景数据包含用户的个人背景数据尤其是与使用车辆有关的信息数据包含年龄、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信息的描述数据，还可以包含取决于具体实现的对所述描述数据分类、编码量化和数据结构化后的数据；用户背景及行为特征数据集中的用户行为特征数据包含用户的行车习性和/或道德或文明特质的描述数据，还可以包含取决于具体实现的对所述描述数据分类、编码量化和数据结构化后的数据。
自动驾驶车辆的个性化行车起始于在车辆被用户实际上路使用之前，首先获取一个训练集，如图3、4所示，该训练集中的场景的数据包含涉及用户的道德或文明特质、和/或用户的行车安全与交通法规、和/或其它分享行车道路的人、和/或车辆、和/或物体有冲突的场景，和/或其它机器人不能确定满足用户意图的最佳操纵方案，需要依靠用户优选的操纵行车的对策来操纵行车的场景。训练集中每一种场景的数据和对应该场景的数据的所有可选的操纵行车的方案，都已经通过或能够通过模拟测试验证和/或行车验证，并且训练集中的所有可选的操纵行车的方案都是合法的。通过模拟测试验证来验证训练集，是现有技术可以实现的；通过行车来验证训练集，至少部分是可行的，但行车验证成本高、效率低和周期长。训练集包含一个和用户交流的描述数据层，还可以包含一个取决于具体实现的将上述描述数据层的数据分类、编码量化和数据结构化后的数据结构。描述数据层的另一个作用是其通用性，任何一个厂家可以采用独特专有的技术来对描述数据层的数据进行分类、编码量化和数据结构化。训练集中每一种场景的数据和对应该场景的数据的任一种可选的操纵行车的方案的数据，还可以包含一个用于场景匹配的伴随匹配区间集的数据结构。训练集的获取，可以由厂家和/或设计机构和/或设计师针对某一车型来设计，或者采用一个已设计好的参考设计，或者通过上述设计和采用的组合。训练集的设计，可以通过有监督或无监督的学习和/或其它基于人工智能的算法，和/或通过经过一定培训的技术人员使用概率统计算法工具对行车统计数据和相关的用户人群行车习性和/或道德或文明特质的分类、编码量化和数据结构化的统计数据进行处理，并对照依据管辖自动驾驶车辆使用所在地的法律法规来实现。
以下对训练集的设计的一种实现方法作一个说明，该说明不限制本发明。所述训练集的设计包含以下步骤:
c1、对传统的机动车辆历史行车场景数据和自动驾驶车辆的模拟数据和/或行车测试场景数据进行统计分析，将风险大的和/或出现概率高的，包含用户的道德或文明特质，和/或交通法规，和/或用户的行车安全，和/或其它分享行车道路的人、和/或车辆、和/或物体的利益有冲突的场景的数据，和/或包含行车操纵不确定性高的场景的数据分别赋予高的优先权重wc11和wc12；综合wc11和wc12，得出一个总体优先权重wc1，按所述总体优先权重wc1从高到低的次序优先将对应的场景的数据收入训练集的场景的数据中；依次降低所述总体优先权重，直至所述总体优先权重小于一个阈值wc1t。
c2、对应于所述场景的数据中任一种特定的场景的数据，对传统机动车辆行车统计数据和/或自动驾驶车辆模拟统计数据和/或行车测试数据进行分析，包含产生可行的、合法的操纵行车方案的方案候选集；估计所述方案候选集中每一种方案的出现概率，将小于一个概率阈值pc2的方案从所述方案候选集中剔除。
c3、对用户行车习性和/或道德或文明特质进行分类、编码量化和数据结构化，建立一个用户心理特质概率分布；将所述用户心理特质概率分布按相邻位置分割成多个概率区间，其中所述每一个概率区间对应于一个具有相近心理特质的用户心理群，所述用户心理群的总体构成一个用户心理群集,将小于一个概率阈值pc3的所述用户心理群从用户心理群集中剔除。
c4、如图8所示，对应于所述用户心理群集中的一个用户心理群，根据传统机动车辆驾员心理特质和行车行为的相关统计数据和/或自动驾驶车辆用户心理特质和优选的行车行为模拟统计数据估计在所述一种场景的数据下对应于每一个用户心理群可能优选所述方案候选集中任一种方案的概率pc23[i][j],其中，i=（1，2…,n）;j=（1，2…,m）n为步骤c2胜出的操纵方案的总数，m为步骤c3胜出的用户心理群的总数；用pc23[i][j]表示任一个用户心理群选择任一个操纵方案的概率，如果pc23[i][j]大于一个阈值pc23t，或者大于一个和用户心理群相关的阈值pc23t[j]，就将所述任一种方案作为在所述一种场景的数据下可供用户选择来产生一种场景与用户对策对的一个选择方案收录进训练集，并同时将所述方案从胜出的方案候选集中剔除，以避免重复的计算。
c5、兼顾实际使用训练集效率、用户心理群覆盖面和用户心理群分割的精细度调整所述各个阈值。
c6、计算训练集中任一种场景的数据的对应于任一个供用户选择的行车操作方案的伴随匹配区间向量，和伴随匹配区间向量集，将伴随匹配区间向量集进一步编码压缩结构化后输入至所述训练集对应于所述每一种场景的数据的和所述每一种场景的数据每一个给用户选择的行车操作方案的数据表项的匹配区间集的数据结构中。
其中，所述伴随匹配区间向量，和伴随匹配区间向量集的计算包括以下步骤：
将训练中任意一个场景的数据向量化，使得对应于一个训练集的一个场景的数据向量cij,或与场景的数据向量cij进行匹配的一个场景的数据向量ci或下述定义的任一向量的任一分量的任意两个坐标值之间构成一个线段，且在所述场景的数据向量化的过程中确保所述场景的数据向量的各个分量的坐标值与所对应场景的数据的一个因素的度量具有对应的单调性，使得当一个场景的数据向量的任一分量的坐标值区间的两个端点的坐标值满足匹配条件时，所述坐标值区间所有的坐标也就都满足匹配条件。
ci=（ci[1]，…ci[n]），【1】
式中，ci[k]为ci的第k个分量的坐标值，且0<ci[k]≤1，(k=1，2，…，n);
cij=（cij[1]，…cij[n]），【2】
式中，cij[k]为cij的第k个分量的坐标值，且0<cij[k]≤1，(k=1，2，…，n);
计算相似度sij：
sij=(∑(ci[k]–cij[k])^2×αk/(n×∑αk))^0.5,(k=1，2，…，n)，【3】
式中αk为第k项分量的加权因子，
且0<cij[k]≤1；且0<ci[k]≤1；且0<αk≤1;
如果sij小于一个阈值tij，
可以通过对传统的机动车辆历史行车数据和自动驾驶车辆的模拟数据和/或行车测试数据进行统计分析，和/或分类、编码量化和数据结构化来产生一个匹配边界向量cijb，
cijb=[(cijbmin[1],cijbmax[1]),…(cijbmin[k],cijbmax[k])]，【4】
式中0<cijbmin[k]≤1，0<cijbmax[k]≤1，cijbmin[k]为cijb第k个分量的坐标值的下限，cijbmax[k]为cijb第k个分量的坐标值的上限；
并且ci[k]的各个分量的坐标值在cij[k]在一个匹配边界向量cijb的对应分量的坐标值的区间中，
cijbmin[k]≤ci[k]≤cijbmax[k]，(k=1，2，…，n);【5】
如果所述在场景的数据cij中提供给用户选择的行车操作方案pij在场景的数据ci中同样有效或同样有效的概率大于一个阈值wij，则ci为一个在行车操作方案pij条件下与所述场景的数据cij匹配的一种场景的数据。
采用上述场景的数据匹配的算法，可以计算出将场向量cij的各个分量的坐标值分段细化后的伴随匹配区间向量和伴随匹配区间向量集，以减少在行车时进行实时搜索匹配的计算量。
运用一个可调的细化因子m将边界向量cijb的各个分量的坐标值区间分成比如m个等长度为tijbs[k]的子区间，其中k指cijb的第k个分量：
tijbs[k]=(cijbmax[k]-cijbmin[k])/m;(k=1，2，…，n).
将cijb扩展成一个nxm的边界矩阵cijba，cijba=
其中,
cijbamin[k][l]是cijb的第k个分量的坐标值的第l个分段的左端点,
cijbamax[k][l]是cijb的第k个分量的坐标值的第l个分段的右端点，分段的连续性由下式来表示
cijbamax[k][l]=cijbamin[k][l+1],(k=1，2，…，n);(l=1，2，…，m-1);【7】
cijba与cijb坐标区间端点的关系由下式来表示：
cijbamin[k][1]=cijbmin[k]，cijbamax[k][m]=cijbmax[k]；【8】
对所有的k，l，从矩阵cijba的每一行中任取一个端点作为一个向量cji的一个分量的坐标值，组成一个候选匹配场景的数据向量cji，根据所述场景的数据匹配条件和场景的数据cij进行匹配；从所有符合场景的数据匹配条件的向量cji的坐标中提取各分量的坐标值，并进行重组成一个新的伴随匹配区间向量集cijra，其中每一个伴随匹配区间向量cijr与边界向量cijb的表达形式相同，并且，cijr任一个分量的坐标（cijrmin[k]，cijrmax[k]）包含边界向量cijb的一个对应分量的坐标值的含有至少子区间的一个连续的坐标区间，且其中每一个子区间的端点的坐标值都在与场景的数据cij匹配的候选匹配场景的数据向量cji的各个分量的坐标区间中。
cijr=[(cijrbmin[1],cijrbmax[1]),…(cijrbmin[n],cijrmax[n])]，【9】
式中0cijrmin[k]≤1，0cijrmax[k]≤1，
cijrmin[k]是cijr的第k个分量的坐标值的左端点,cijrmax[k]是cijr的第k个分量的坐标值的右端点，(k=1，2，…，n)；
cijbmin[k]≤cijrmin[k]≤cijrmax[k]≤cijbmax[k]，(k=1，2，…，n);【10】
(cijrmax[k]-cijrmin[k])/tijbs[k]≥1,(k=1，2，…，n);【11】
c7、调节步骤c1-c6中的各项阈值，并在对场景的数据分类、编码量化数据结构化的过程中，使任意两个场景的数据的向量之间的欧几里德距离和/或各个分量坐标的坐标值之间的距离足够大，以致任意一个代表当前场景的数据的向量只能最多和训练集的一种场景匹配，并产生一个合适长度的边界向量的各分量的坐标值的子区间。
c8、将匹配区间向量集编码压缩结构化后输入至所述场景与对策对训练集对应于所述每一种场景的数据的和在所述每一种场景的数据中每一个给用户选择的行车操作方案表项的匹配区间集的数据结构中。
将伴随匹配区间向量集伴随着一个场景与用户对策对从一个设计好的训练集输入至场景与用户对策对数据集的数据结构中用于行车中的场景的数据匹配，无疑需要很大的实时存储空间，但伴随匹配区间向量集的获取的优点是可以是非实时的，可以利用多种计算资源、数据资源以及验证方法。
在获取一个训练集后，可以由一个测试装置,包含一个独立的自动测试装置、或由测试人员操作一个测试装置、或自动驾驶车辆的机器人，通过多媒体人机交互界面进行一个初始化的过程。在初始化的过程中，所述测试装置首先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。通过多媒体人机交互界面向所述用户逐一展示训练集中的场景的数据，和对应于该场景的数据的可选的一组操纵行车的方案的数据，以及采用所述可选的一组操纵行车的方案中任一操纵行车的方案可能发生的后果和用户需对所述后果可能承担的至少部分责任，征集所述用户对每一种场景选择一个用户认为最佳的操纵行车的方案，并确认用户承诺愿意对所述操纵行车的方案可能产生的后果承担所述的至少部分责任，将所述场景和所述操纵行车的方案的数据作为一个场景与用户对策对。将每一个场景与用户对策对的描述数据，还可以将所述描述数据分类、编码量化和数据结构化后的数据结构直接或在自动驾驶车辆被实际使用前输入至自动驾驶车辆的场景与用户对策对数据集对应于所述用户的数据表项中。除了上述的场景与用户对策对数据集，还要获取用户背景及行为特征数据集。首先获取用户个人背景数据。获取的方法是在自动驾驶车辆上路使用前，测试装置向用户征集和/或通过网络通讯系统、和/或电子媒体装置搜索用户资料库来采集包含用户的年龄、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或/及其它相关的背景数据，将所采集的数据储存于用户背景及行为特征数据集对应于该用户数据表项的背景部分。根据行为模拟算法，以及统计和/或模拟数据对上述所获得的场景与用户对策对数据集对应于该用户的数据表项的数据和/或用户背景及行为特征数据集对应于该用户数据表项的背景部分的数据进行分析提取用户的行车习性和/或道德或文明特质的数据，储存至用户背景及行为特征数据集中对应于该用户的数据表项的行为特征部分，如图4所示。上述两个数据集的全部或部分的获取，可以在用户与生产厂家、和/或卖家、和/或租赁服务商之间进行，或通过其它方法来进行，获得的数据传送给自动驾驶车辆的机器人的操纵系统，机器人在自动驾驶车辆被用户实际上路使用前需向用户核实并完善更新。
表1对用户个性化数据对自动驾驶车辆运行的影响按行车反应时间分类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的数据与操纵行车的方案的数据的特例来进一步说明实现个性化对自动驾驶车辆行车的必要性和有效性：
例1：自动驾驶车辆以正常速度行驶至一个交叉路口，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。你的操纵行车的方案是：
a刹车。
b躲闪。
例2：当一起碰撞事故不可避免时，你的操纵行车的方案是：
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：在非专用高速公路的城市道路行车中，前方出现突发事件，你乘坐的自动驾驶车辆判断必须紧急刹车才能避免碰撞前方或减少碰撞前方的力度，同时，如紧急刹车，后车也可能会与你乘坐的车辆碰撞。你的操纵行车的方案是：
a紧急刹车。
b减速并从左方或右方开出当前车道或路肩后再紧急刹车。
c加速从左方或右方开出当前车道或路肩后再紧急刹车。
例4：你行车的习性是：
快而爽。
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的流程如图7所示。首先，必须确认一位当前用户。当自动驾驶车辆载有至少一位用户时，可以任选其中一位为当前用户，在行车前确认或获取该当前用户在场景与用户对策对数据集和用户背景及行为特征数据集对应数据表项中的数据，并参照所述数据来辅助车辆操纵系统行车。当自动驾驶车辆没有载客时，可以选用任一位用户作为当前用户，所述用户在场景与用户对策对数据集和/或用户背景及行为特征数据集对应数据表项中已获得有效数据；或采用厂家设置的默认用户数据来辅助行车。在行车过程中应对处理某一场景时，机器人将当前场景的数据与场景与用户对策对数据集中当前用户数据表项中的任一个场景的数据进行匹配，如果匹配成功，机器人就采用场景与用户对策对数据集对应于当前用户的数据表项中对应于匹配场景的数据的对策来操纵行车；当所述当前用户为所述自动驾驶车辆的一位载客时，且所述当前用户对所述操纵的后果至少负有部分责任；如果匹配不成功，操纵系统首先根据当前场景的数据基于非用户个性化行车的分析产生一组可能的操纵行车的方案，再根据当前用户在用户背景及行为特征数据集对应数据表项中的数据和/或心理特质和行车行为的相关统计数据在所述一组可能的操纵行车的方案中估计所述当前用户可能选择的概率最大的一个操纵行车的方案，机器人采用所述估计的一个用户可能选择的概率最大的一个操纵行车的方案来操纵行车。
场景匹配可以包含一种如下所述的实时匹配的实现：
将所述当前场景的数据按照和对场景与用户对策对数据集中的场景的数据相同的分类、编码量化的算法分类、编码量化成一个实空间的n维向量ci，
ci=（ci[1]，…ci[n]），式中，ci[k]为第k个分量的坐标值，且0<ci[k]≤1，(k=1，2，…，n);
对应于所述场景与用户对策对数据集中的任一种场景cj，
cj=（cj[1]，…cj[n]），式中，cj[k]为第k个分量的坐标值，且0<cj[k]≤1，(k=1，2，…，n);
ci或cj或下述定义的任一向量的任一分量的任意两个坐标值之间构成一个线段，且所述坐标值与所对应场景的一个因素的度量具有对应的单调性，当所述一个向量的任一分量的坐标值区间的两个端点的坐标值满足匹配条件时，所述坐标值区间所有的坐标也就都满足匹配条件；
计算相似度sij：
sij=(∑(ci[k]–cj[k])^2×αk/(n×∑αk))^0.5,(k=1，2，…，n)，式中αk为第k个分量的加权因子，且0<cj[k]≤1；且0<αk≤1；
如果sij小于一个阈值tj，并且对于cj的一个匹配边界向量cjb
cjb=[(cjbmin[1],cjbmax[1]),…(cjbmin[k],cjbmax[k])]，ci满足
cjbmin[k]≤ci[k]≤cjbmax[k];
式中0<cjbmin[k]≤1;0<cjbmin[k]≤1；cjbmin[k]为cjb第k个分量的坐标值的下限，cjbmax[k]为第k个分量的坐标值的上限，(k=1，2，…，n)；
并且，所述在场景cj中提供给用户选择的行车操作方案pj在场景ci中同样有效或同样有效的概率大于一个阈值wj，则ci为与cj匹配的一种场景。
场景匹配还可以包含一种如下所述的检索匹配的实现：
将所述当前场景按照和对场景与用户对策对数据集中的场景相同的分类、编码量化的算法分类、编码量化成一个实空间的n维向量ci，
ci=（ci[1]，…ci[n]），式中，ci[k]为第k个分量的坐标值，且0<ci[k]≤1;(k=1，2，…，n)，
如果检索到ci的各个分量的坐标值位于所述场景与用户对策对数据集的中任一个场景的伴随匹配区间向量集的任一个伴随匹配区间向量的各个对应分量的坐标值区间内，所述任一个场景与当前场景ci匹配。
通过操纵系统的计算资源来进行实时的匹配需要消耗相当多的计算资源和时间。可以在非实时和实时计算之间做一个平衡来实现所述的场景匹配的设计以及在车辆行车过程中实现实时场景匹配。
应当指出，上述的方法仅仅是场景匹配的一种实现，可以采用不同的匹配算法和/或场景分类、编码量化和数据结构化的方法，比如对场景的分类、编码量化数据结构化可以采用多层数据结构精细化，不同的场景匹配方法比如基于机器学习的人工智能的方法来进行场景匹配。
以下为基于上述场景匹配方法的一个简单的应用实例：比如，某一场景与用户对策对定义为：场景ci：车速为每小时30公里，检测到前方10米行人过马路；一种用户操纵行车的方案为：pi，刹车以避免事故。对应于上述的ci和pi，在其它场景的数据条件不变的条件下，车速的匹配区间为每小时25-35公里；如果检测到一种当前场景cj的车速为每小时32公里，位于匹配区间的每小时25-35公里中，行车操纵系统就采用所述场景ci下所述用户操纵行车的方案pi采用刹车来避免事故。
用户背景及行为特征数据集中的用户行车习性和/或道德或文明特质，在如何应对行车中的紧急事件时，可以包含一种以下的分类：
易于肇事型
遵章守纪型
灵活行车型
见义勇为型
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.躲闪的操纵行车的方案来避免事故，而行为特征为b类的用户很可能会选择a.刹车的操纵行车的方案，而造成不一定是本车责任的交通事故。
对于应对普通事件，可以包含一种以下的分类：
平稳舒适型
快速反应型
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。
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，包含且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，并且用户在场景与用户对策对数据集中有明确的选择。
如图4所示，包括获取产生场景与用户对策对数据集的场景与对策对的场景与用户对策训练集300；确认一个用户，获取在场景与用户对策对数据集对应该用户表项中的数据320；场景与用户对策对数据集350；确认一个用户，获取该用户在用户背景及行为特征数据集对应该用户表项中的数据330，用户背景与行为特征数据集360，分析提取用户行为特质数据370，行车中应用用户个性化数据并学习更新场景与用户对策对数据集以及用户背景与行为特征数据集380。
在初始化的过程中，使用的训练集有可能没有覆盖所有的行车场景，图4的380模块示意说明了在行车中适时获取和/含扩充场景与用户对策对数据集的数据的过程。比如，机器人在行车中遇见场景与用户对策对数据集中没有记载的危急场景时，通过音、视频媒体或其它人机交互界面通报用户，并提请用户指示操纵行车的方案，再根据用户指示的操纵行车的方案操纵车辆。机器人对操纵车辆的效果，进行评估，提取场景与对策对数据，征得当前用户同意后更新或扩充场景与用户对策对数据集对应于所述当前用户的数据表项中的数据。在紧急场景中，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，机器人会把所述场景的数据和手动驾驶操作记录下来，对用户操纵车辆的效果，特别是有无发生事故进行评估，从用户手动驾驶操作记录中提取用户操纵行车的方案的数据以及用户的行为特征，更新或扩充用户背景及行为特征数据集。在行车中，机器人还可以通过多媒体人机界面和用户进行交流，和/或观察用户的面部表情和/或肢体语言来判断用户对车辆行驶状况的满意度或不满意度，自动调节车辆的行驶操纵，从而使个性化行车的自动行车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。此外，除了尽量满足用户的需求和体验，用户背景及行为特征数据集还可以用来限制用户的使用权限。比如，机器人在自动驾驶车辆行车中实时的通过无线通讯系统获取用户的背景及行为特征数据集的更新数据，如发现当前用户碰巧是一个在逃的嫌犯，就进行自动报警，并采取相应的措施协助警方抓获所述嫌犯。同样，当机器人通过传感器检测到当前用户为酒驾或在吸毒影响下行车，或当用户的背景及行为特征数据集的数据显示当前用户无有效的传统机动车辆的驾驶执照，或用户的驾驶记录显示用户有近期频繁的严重违章行车记录时，限制当前用户使用部分自动驾驶车辆的行车操纵，如手动驾驶功能。
图6是自动驾驶车辆应用用户个性化行车的数据来辅助行车控制的流程示意图。包括机器人监控路况及交通事件510，确定反应时间520，确定当前用户，在场景与用户对策对数据集中寻找与当前场景匹配的场景530，找到匹配540，采用场景与用户对策对数据集中当前用户选定的操纵方案来操纵行车550，产生一个或多个操纵方案,估计所述当前用户选择概率最大的一个操纵方案来操纵行车560。
本发明披露的上述自动驾驶车辆用户个性化行车的方法,包含在设计和生产过程中优化自动驾驶车辆的操纵系统，使之能实现快速读写场景与用户对策对数据集和用户背景及行为特征数据集的数据，快速准确的场景匹配，根据用户的操纵行车的方案和参照用户行为特征的行车操纵；在生产的过程采用用户定制自动驾驶车辆，将定制方指定的用户作为当前用户，获取当前用户在场景与用户对策对数据集或当前用户在场景与用户对策对数据集和用户背景及行为特征数据集中对应于当前用户的数据表项中的数据，作为车辆出厂的设置；将所述数据与所述一辆自动驾驶车辆进行整合优化，由机器人和/或专业技术人员对所述一辆自动驾驶车辆操纵进行针对性的调试和测试，使所述一辆自动驾驶车辆出厂时就已经完成了初始的用户个性化。
本发明披露的上述自动驾驶车辆个性化行车的方法还可以用于解决自动驾驶车辆在行车的过程中一些涉及用户的道德或文明特质和法律法规问题。比如，如果采用厂家统一的设置来生产的非个性化的方法来操作自动驾驶车辆，厂家或保险公司或自动驾驶车辆的服务提供商可能会承担自动驾驶车辆的所有的行为责任。如果采用本发明披露的个性化行车的方法行车，当自动驾驶车辆行车在匹配场景中准确的执行了当前用户选择的操纵行车的方案的时候，所述当前用户对所述操纵的后果至少负有部分责任。
如图6所示，本发明披露的用来获取场景与用户对策对数据集的训练集，和/或获取的场景与用户对策对数据集和/或用户背景及行为特征数据集可以作为获取自动驾驶车辆的行车执照，和/或向用户提供使用自动驾驶车辆服务的许可的一个参照标准，和/或颁发所述自动驾驶车辆仅限于所述用户使用的行车执照和/或所述用户购买或使用所述自动驾驶车辆的许可或条件许可，和/或向所述用户提供所述自动驾驶车辆载客服务的许可或条件许可的参照标准，其中包含：
标准1.基于训练集的参照标准。
如图3所示，模块711代表现有技术实现自动驾驶操作的不确定性区域，其操纵合乎交通法规但具有很大的随机性，不能提供用户习性和/或行车安全和/或交通法规发生冲突的场景时满足用户的最优解，模块712包含模块711的区域，符合一般法律包括交通法规的操纵，同时综合了用户的习性和主观选择。小圆点表示一种用户可选的对策，用户可择优选择实现认可的对策操纵车辆，也对操纵产生的后果至少承担部分责任。包括场景1（710），场景1对应模块711和712
用来获取场景与用户对策对数据集的训练集中的场景包含涉及用户的道德或文明特质、和/或用户的行车安全与交通法规、和/或其它分享行车道路的人、和/或车辆、和/或物体有冲突的场景，和/或其它机器人满足用户意图的最佳操纵方案，需要依靠用户优选的操纵行车的操纵行车的方案的场景，且其中所有可选的操纵行车的方案都是合法的，已经通过或能够通过模拟测试验证和/或行车验证。基于所述训练集获取的场景与用户对策对数据集中对应于任一位用户的数据表项中的用户操纵行车的方案都是在对应场景中一个体现了用户优选的、合法的、确定的行车操纵，克服了现有技术在操纵上述场景的不确定性。既可以用来实现个性化的行车，也包含了一种约定，即当自动驾驶车辆在匹配的场景中按照场景与用户对策对数据集中对应于当前用户数据表项的匹配场景的用户操纵行车的方案来操作行车时，所述当前用户对所述操纵的后果至少负有部分责任。当训练集的场景的数据和操纵行车的方案的数据的覆盖面达到管辖自动驾驶车辆使用的地区、和/或城市、和/或国家的自动驾驶车辆行车执照颁发立法机构和/或自动驾驶车辆行车执照颁发管理机构的要求时，所述自动驾驶车辆行车执照颁发立法机构和/或自动驾驶车辆行车执照颁发管理机构就可以把所述训练集作为一个颁发至少在其管辖地有效的行车执照的参照标准。
作为参照标准给自动驾驶处理办法行车执照的训练集可以由自动驾驶车辆生产厂家针对一种车型根据管辖自动驾驶车辆使用地的地区、和/或城市、和/或国家的法律法规包含交通法规来设计，并经所述地区、和/或城市、和/或国家的自动驾驶车辆行车执照颁发立法机构和/或自动驾驶车辆行车执照颁发管理机构认可作为该厂家的所述车型的自动驾驶车辆行车执照颁发的一个参照标准。当所述车型的自动驾驶车辆采用符合上述参照标准的一个训练集来获取一个包含一位当前用户的场景与用户对策对数据集；根据本发明披露的个性化行车方法，包含在当前场景与用户对策对数据集中对应于一位当前用户的数据表项中的一种场景匹配时，采用对应的用户对策对中的用户操纵行车的方案来操纵行车；并在所述作为参照标准的训练集没有包含的场景中操纵所述自动驾驶车辆行车也达到管辖自动驾驶车辆使用的地区、和/或城市、和/或国家的行车执照立法和/或行车执照颁发管理机构设定的颁发自动驾驶车辆行车执照标准时，所述自动驾驶车辆行车执照颁发管理机构给所述车型的自动驾驶车辆颁发至少在其管辖地有效的自动驾驶车辆行车执照。所述训练集也可以由一个机构，和/或一家企业，和/或一个人根据管辖自动驾驶车辆使用地的地区、和/或城市、和/或国家的法律法规包含交通法规设计并由所述自动驾驶车辆使用所在地的自动驾驶车辆行车执照颁发立法机构和/或行车执照颁发管理机构认定作为所述自动驾驶车辆使用所在地的自动驾驶车辆的执照颁发的一个统一参照标准。
由于对场景的客观描述或度量的差异性，自动驾驶车辆的操纵性能的差异，不同的地区、和/或国家、和/或立法者和/或用户对场景和操纵行车的方案的诠释的差异，由此可能产生对应不同自动驾驶车辆车型、不同自动驾驶车辆使用地的不同的颁发自动驾驶车辆行车执照的参照标准和达到所述参照标准要求的训练集。尽管如此，本发明提出的训练集作为一个评估自动驾驶车辆的性能和颁发行车执照的辅助标准是普遍适用的，基于作为所述参照标准的训练集的本发明披露的个性化的行车方法有助于提升自动驾驶车辆在用户的道德或文明特质、和/或用户的行车安全与交通法规、和/或其它分享行车道路的人、和/或车辆、和/或物体有冲突的场景，或自动驾驶车辆行车操纵不确定性高的场景中的操纵行车的确定性和透明度，从而可以免除相关立法和/或执法机构，和/或用户，和/或大众对自动驾驶车辆在上述场景中不确定性操纵的怀疑和恐慌。
自动驾驶车辆行车执照颁发立法机构和/或行车执照颁发管理机构评估一个设计好的训练集是否到达标准的指标包括：一个评估合格的训练集可以是一个设计好的训练集的一个子集。一个评估合格的训练集应当满足合法性、有效性和适用性。合法性指行车操纵的方案符合法律法规；有效性指场景的数据和行车操纵的方案的数据的覆盖面足够大。适用性指设计的训练集便于用户使用。可以通过比如调节场景和用户对策训练集设计过程中的多个阈值来满足不同的行车地的自动驾驶车辆管理立法和/或执法机构的要求。评估的过程可以采用考试的形式，参加考试的任一自动驾驶车辆向评估机构提交自行设计采用的或根据一个统一标准采用的训练集作为所述自动驾驶车辆在特定场景下个性化操纵所述自动驾驶车辆的能力的答卷。考试方对所述答卷进行评估打分，可以由一个设计好的评估程序来自动完成，也可以由一个评估机构经过培训的评审员或由一个评估机构经过培训的评审员使用一个设计好的评估程序来完成。通过笔试部分的所述自动驾驶车辆还必须通过行车考试的部分，包括以下步骤：
步骤一、在所述自动驾驶车辆被实际上路使用前，基于作为一个标准的训练集获取所述自动驾驶车辆的含有至少一位用户的数据的场景与用户对策对数据集；
步骤二、在所述自动驾驶车辆被实际上路使用前，获取所述自动驾驶车辆的含有至少一位用户的用户背景及行为特征数据集；
步骤三、确认所述自动驾驶车辆的一位当前用户；
步骤四、应用所述场景与用户对策对数据集，和/或用户背景及行为特征数据集
对应于所述当前用户的数据表项中的数据辅助操纵所述自动驾驶车辆的行车,包括：在所述自动驾驶车辆的场景与用户对策对数据集中搜索与当前行车场景匹配场景；如搜索到与所述当前行车场景匹配的场景，则采用所述场景与用户对策对数据集对应于所述当前用户的数据表项中所述匹配场景对应的场景与用户对策对的操纵行车的方案来操纵行车，当所述当前用户为所述自动驾驶车辆的一位载客时，所述当前用户对所述操纵的后果至少负有部分责任；如没有搜索到与所述当前行车场景匹配的场景，所述自动驾驶车辆的行车操纵系统基于对所述当前场景分析产生一组可能的操纵行车的方案，再根据所述当前用户在所述用户背景及行为特征数据集对应数据表项中的数据在所述一组可能的操纵行车的方案中估计所述当前用户选择概率最大的一个操纵行车的方案，采用所述估计的选择概率最大的一个操纵行车的方案来操纵行车；
步骤五、在所述作为参照标准的训练集没有包含的场景中，操纵所述自动驾驶车辆行车也达到管辖自动驾驶车辆使用的地区、和/或城市、和/或国家的行车执照立法和/或行车执照颁发管理机构设定的颁发自动驾驶车辆行车执照标准。
所述自动驾驶车辆行车执照颁发管理机构给通过考试的所述自动驾驶车辆颁发至少在其管辖有效的自动驾驶车辆行车执照。
由于在获取场景与用户对策对数据集的过程中，有可能没有采集到标准1所采用的训练集所包含的全部场景，还由于场景与用户对策对数据集和用户背景及行为特征数据集对应于某一位用户数据表项的数据也是确定该用户使用或条件使用自动驾驶车辆的一个依据，由此，可以产生自动驾驶车辆合法化的另一个标准，标准2，即基于含有一位当前用户的数据的一个场景与用户对策对数据集，和用户背景及行为特征数据集，作为颁发所述自动驾驶车辆的行车执照和/或所述至少一位用户购买或使用所述自动驾驶车辆的许可或条件许可，和/或向所述至少一位用户提供所述自动驾驶车辆载客服务的许可或条件许可的一个参照标准。
所述标准2实际上是将采用本发明披露的个性化行车的自动驾驶车辆视为采用了用户旨意驾驶的车辆或体现了用户的行车习性及道德或文明特质的自动驾驶车辆，所以，参照标准2颁发的自动驾驶车辆的行车执照和/或所述用户购买或使用所述自动驾驶车辆的许可实际上相当于将传统的行车执照和驾驶执照合二为一，同时将所述自动驾驶车辆的合法使用和所述用户绑定。对于标准2的评估也可以采用考试的形式，其中笔试部分包括参加考试的任一自动驾驶车辆和购买所述自动驾驶车辆的任一位当前用户向评估机构提交含有所述一位当前用户的数据的一个场景与用户对策对数据集，和用户背景及行为特征数据集作为答卷。所述场景与用户对策对数据集中的场景的数据必须覆盖足够多的需要个性化行车的场景，对应于其中每一个场景的一个操纵方案必须是有效的、合法的，已经通过或者能够通过行车测试或模拟测试验证的。考试方对所述答卷进行评估打分，可以由一个设计好的评估程序来自动完成，也可以由一个评估机构经过培训的评审员或由一个评估机构经过培训的评审员使用一个设计好的评估程序来完成。通过笔试部分的所述自动驾驶车辆还必须通过行车考试的部分，包括以下步骤：
步骤一、在所述自动驾驶车辆被实际上路使用前，基于一个训练集获取所述自动驾驶车辆的含有所述一位用户的数据的场景与用户对策对数据集；
步骤二、在所述自动驾驶车辆被实际上路使用前，获取所述自动驾驶车辆的含有所述一位用户的用户背景及行为特征数据集；
步骤三、确认所述任一位用户为一位当前用户；
步骤四、应用所述场景与用户对策对数据集，和/或用户背景及行为特征数据集
对应于所述当前用户的数据表项中的数据辅助操纵所述自动驾驶车辆的行车,包括：在所述自动驾驶车辆的场景与用户对策对数据集中搜索与当前行车场景匹配场景；如搜索到与所述当前行车场景匹配的场景，则采用所述场景与用户对策对数据集对应于所述当前用户的数据表项中所述匹配场景对应的场景与用户对策对的操纵行车的方案来操纵行车，当所述当前用户为所述自动驾驶车辆的一位载客时，所述当前用户对所述操纵的后果至少负有部分责任；如没有搜索到与所述当前行车场景匹配的场景，所述自动驾驶车辆的行车操纵系统基于对所述当前场景分析产生一组可能的操纵行车的方案，再根据所述当前用户在所述用户背景及行为特征数据集对应数据表项中的数据在所述一组可能的操纵行车的方案中估计所述当前用户选择概率最大的一个操纵行车的方案，采用所述估计的选择概率最大的一个操纵行车的方案来操纵行车；
步骤五、在所述作为参照标准的场景与用户对策对数据集没有包含的场景中，操纵所述自动驾驶车辆行车也达到管辖自动驾驶车辆使用的地区、和/或城市、和/或国家的行车执照立法和/或行车执照颁发管理机构设定的颁发自动驾驶车辆行车执照标准。
所述行车执照颁发管理机构给通过考试的自动驾驶车辆颁发至少在其管辖地、仅对所述当前用户有效的自动驾驶车辆的行车执照，和/或颁发至少在其管辖地、仅对所述当前用户有效的自动驾驶车辆载客服务的许可或条件许可；和/或向所述当前用户颁发至少在其管辖地、仅对所述自动驾驶车辆有效的购买所述自动驾驶车辆，和/或使用所述自动驾驶车辆载客服务的许可或条件许可；其中，颁发所述条件许可包含：评估所述用户背景及行为特征数据集中所述当前用户的数据表项中的数据，如所述当前用户没有有效的传统驾驶机动车辆驾驶执照，限制所述用户使用自动驾驶车辆提供的手动驾驶功能；如所述当前用户为在逃的嫌犯则拒绝所述当前用户购买所述自动驾驶车辆或使用所述自动驾驶车辆的载客服务。
上述作为标准2的基于一个训练集获取的自动驾驶车辆的采用本发明提供的个性化行车方法获取的含有一位当前用户的数据的场景与用户对策对数据集，以及含有所述至少一位用户的数据的用户背景及行为特征数据集，还可以作为给所述自动驾驶车辆和/或所述当前用户提供保险的一个参照。
综合本发明上述披露个性化行车的方法和依据所述个性化行车作为自动驾驶车辆行车合法化的一个辅助标准，可以提供给自动驾驶车辆生产厂家和/或运营商和/或用户采用的一种自动驾驶车辆个性化行车的规范,所述规范既可以给生产厂家的设计和生产提供一个生产依据,又可以给生产厂家和/或检测评估的机构提供一个质检依据.从而得出了一种基于所述自动驾驶车辆个性化行车的规范行车的自动驾驶车辆合法化行车的系统，所述系统包含：
第一模块，用于一辆自动驾驶车辆实现基于一种个性化行车的规范行车；
第二模块，用于对所述第一模块所述一辆自动驾驶车辆进行检测评估，判定所述一辆自动驾驶车辆是否具备提供合法载客服务的一种资质。
所述的系统，所述第一模块所述的一种个性化行车的规范包括:
获取一个训练集；包括设计一个训练集，或采用一个设计好的训练集；其中所述一个训练集的每一个场景和所有提供给用户选择的操纵行车的方案包括已经通过或能够通过模拟测试验证和/或行车验证，包括所述所有提供给用户选择的操纵行车的方案是能够实现的和合法的；
基于所述一个训练集，获取所述一个场景与用户对策对数据集的数据，包括:确认一位用户，通过多媒体人机交互界面向所述一位用户逐一展示所述一个训练集中的场景，和在所述场景中可选的一个或多个行车操作方案，以及采用所述一个或多个行车操作方案中任一可选的行车操作方案可能发生的后果和用户需对所述后果可能承担的至少部分责任；征集所述一位用户对所述场景选择一个最佳的操作方案，并确认所述一位用户承诺愿意对所述操作方案可能产生的所述后果承担所述的至少部分责任；将所述场景和所述一位用户选择的所述一个最佳的操作方案组合成一个场景与用户对策对的数据；将每一个场景与用户对策对的数据，在所述一辆自动驾驶车辆被实际使用前输入至所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集对应于所述用户的选择表项中；或者接受已经获取的场景与用户对策对数据至所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集对应于所述用户的选择表项中；或者并用所述获取和接受并在所述一辆自动驾驶车辆被所述用户实际使用前核实或完善和/或更新所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集的数据；
获取所述一位用户背景及行为特征数据集的数据，包括:通过多媒体人机交互界面向所述一位用户采集和/或通过网络通讯系统、和/或电子媒体装置搜索用户资料库，采集所述一位用户个人背景数据；将所采集的数据储存于用户背景及行为特征数据集对应于所述一位用户表项的背景部分；根据行为模拟算法，以及统计和/或模拟数据对所获得的一个场景与用户对策对数据集对应于所述一位用户表项中的数据和/或所述一个用户背景及行为特征数据集对应于所述一位用户表项的背景部分的数据进行分析提取所述一个用户的行车习性和/或道德或文明特质的数据，并将所提取的所述一位用户的行车习性和/或道德或文明特质的数据，储存至所述一辆自动驾驶车辆的所述一个用户背景及行为特征数据集中对应于所述一位用户的表项的行为特征部分，或者接受已经获取的一个用户背景及行为特征数据集的数据至所述一辆自动驾驶车辆的所述一个用户背景及行为特征数据集中对应于所述一位用户的表项，或者并用所述采集、提取和接受，并在所述一辆自动驾驶车辆被所述一位用户实际使用前核实或完善和/或更新所述一个用户背景及行为特征数据集的数据；
在所述一辆自动驾驶车辆载客行车前，确认乘坐所述一辆自动驾驶车辆的一位乘客为一位当前用户，所述一位当前用户在所述步骤一所获取的所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集和一个用户背景及行为特征数据集中对应于所述一位当前用户的表项中已经获取个性化行车的数据；
所述一辆自动驾驶车辆在行车中在所述一辆自动驾驶车辆的所述一个场景与用户对策对数据集对应于所述一位当前用户的表项中搜索与任一种当前行车场景匹配的匹配场景；
如搜索到与所述任一种当前行车场景匹配的匹配场景，则采用所述匹配场景的用户对策对的行车操纵方案来操纵行车，所述一位当前用户对所述操纵的后果至少负有部分责任；
如没有搜索到与所述任一种当前行车场景匹配的场景，所述一辆自动驾驶车辆的行车操纵系统基于所述任一种当前行车场景产生一个或多个行车操纵方案，再根据所述一位当前用户在所述一个用户背景及行为特征数据集对应表项中的数据，在所述多个行车操纵方案中估计所述一位当前用户选择概率最大的一个行车操纵方案，采用所述选择概率最大的一个行车操纵方案来操纵行车。
所述的系统，所述第二模块包括第一种实现和/或第二种实现，其中所述第一种实现包括:
第一测试，用于检测核实所述第一模块所述一个训练集的场景的覆盖范围足够大，以及检测核实所述一个训练集中每个场景中的所述多个行车操作方案的覆盖范围足够大，则所述一辆自动驾驶车辆通过所述第一测试，包括核实：
所述一个训练集的场景的所述覆盖的场景是一个包括所有需要被覆盖的场景的集合的一个子集，且所述覆盖的场景的种数与所述一个包括所有需要被覆盖的场景的集合的场景的种数比值大于第一个阈值pt1,并且在任一场景中已经覆盖的行车操纵方案是在所述任一场景中一个包括所有需要被覆盖的行车操纵方案的集合的一个子集，且在所述任一场景中所述已经覆盖的行车操纵方案的个数和所述一个包括所有需要被覆盖的行车操纵方案的集合的行车操纵方案的个数的比值基于所述一个训练集的所有场景的所述比值统计的平均值或加权平均值大于第二个阈值pt2，
其中，获取所述一个包括所有需要被覆盖的场景的集合包括一种具体实施，所述具体实施包括:
由所述设计一个训练集的所述的步骤c1-c5、c7所产生;
其中,获取所述一个在所述任一场景中包括所有需要被覆盖的行车操纵方案的集合包括一种具体实施，所述具体实施包括:
由所述设计一个训练集的所述的步骤c1-c5、c7所产生;
其中，所述加权平均值的加权系数和所述场景的风险大小、出现概率大小、以及所述操纵方案的出现概率大小相关；
以及第二测试:
用于验证所述一辆自动驾驶车辆是否按照所述第一模块所述的基于一种个性化行车的规范行车;如所述一辆自动驾驶车辆按照所述第一模块所述的基于一种个性化行车的规范行车，则所述一辆自动驾驶车辆通过所述第二测试；
如所述一辆自动驾驶车辆能够通过所述第一测试及所述第二测试，所述一辆自动驾驶车辆具备向任意一位用户提供合法载客服务的一种资质；
所述第二种实现包括:
第一测试，用于检测核实所述一辆自动驾驶机动车辆采用的一个场景和用户对策对数据集对应于一个当前用户的表项中的数据覆盖的场景范围足够大，则所述一辆自动驾驶车辆通过所述第一测试；包括核实：
所述数据覆盖的场景是一个包括所有需要被覆盖的场景的集合的一个子集，且所述数据覆盖的场景的种数与所述一个包括所有需要被覆盖的场景的集合的场景的种数比值大于一个阈值pt3；
其中，获取所述一个包括所有需要被覆盖的场景的集合包括一种具体实施，所述具体实施包括:
由所述设计一个训练集的所述的步骤c1-c5、c7所产生;
第二测试，用于验证所述一辆自动驾驶车辆是否按照所述第一模块所述的基于一种个性化行车的规范行车;如所述一辆自动驾驶车辆按照所述第一模块所述的基于一种个性化行车的规范行车，则所述一辆自动驾驶车辆通过所述第二测试；
如所述一辆自动驾驶车辆能够通过所述第一测试及所述第二测试，所述一辆自动驾驶车辆具备向所述一位当前用户提供合法载客服务的一种资质。