用于定制自驾模型的技术的制作方法

1.各种实施方案通常涉及计算机科学和汽车系统，并且更具体地涉及用于定制自驾模型的技术。


背景技术：

2.一些交通工具包括自驾系统，所述自驾系统在很少或没有驾驶员输入的情况下为驾驶员制定和实施驾驶决策。在典型的自驾系统中，各种传感器监视交通工具周围的环境以及交通工具本身。基于所得的传感器数据，自驾模型制定驾驶决策并且使交通工具经由至少一种控制机制来实施驾驶决策。自驾系统的作用是，自驾模型驱动交通工具而不是驾驶员。重要的是，自驾模型可以提高整体驾驶安全性和整体驾驶体验。例如，自驾模型可以在驾驶员没有经验或分心时通过减少由于人为错误导致的驾驶错误和事故的数量来提高驾驶安全性。然而，为了使自驾模型提高驾驶安全性，驾驶员必须实际上使用自驾模型。
3.当前，即使自驾模型可用，许多驾驶员也不使用自驾模型，因为驾驶员不信任自驾模型制定适当驾驶决策的能力。具体地，因为自驾模型通常不考虑不同的驾驶动作如何影响用户(例如，驾驶员和乘客)，所以自驾模型可能反复地制定阻止一些用户使用自驾模型的某些类型的驾驶决策。例如，如果自驾模型反复导致交通工具以高速执行转弯使得特定用户感到不舒服或无法控制，则即使在不利条件下(诸如当用户感到疲倦、喝醉等时)，用户也能坚持手动驾驶交通工具。
4.为了提高自驾模型的整体性能，许多自驾模型提供商基于从用户接收的反馈来定期地更新或修改自驾模型。例如，如果自驾模型提供商要接收到反馈，指示自驾模型通常导致交通工具以高速执行转弯使得用户感到不舒服或无法控制，则提供商可以修改自驾模型以确保在更可接受的速度范围内导航转弯。
5.基于来自用户的反馈而修改自驾模型的一个缺点是收集用户反馈并基于该反馈而修改自驾模型可能要花费很长时间。同时，在过渡时间段，一些用户可以决定完全停止使用自驾模型，而在更极端情况下，一些用户甚至可以成为自驾交通工具运动的反对者。基于来自用户的反馈而修改自驾模型的另一个缺点是，通常只有用户的子集提供反馈，并且当提供商修改自驾模型时，可能没有考虑其他用户和潜在用户的偏好。此外，不同的用户通常具有不同的驾驶风格、不同的驾驶偏好等等。因为对自驾模型的修改通常反映平均驾驶风格和偏好，而不是个性化的驾驶风格和偏好，所以所述修改实际上可能会降低一些用户对自驾模型的感知的性能。
6.如前所述，本领域需要用于实施自驾模型的更有效技术。


技术实现要素：

7.一个实施方案阐述了一种用于基于与交通工具的至少一个用户相关联的数据而修改自驾模型的计算机实施方法。所述方法包括：基于与所述交通工具的用户相关联并且在所述自驾模型操作所述交通工具时获取的第一传感器数据而计算心理度量的至少一个
值；基于所述心理度量的所述至少一个值而确定在第一时间段内对所述用户的描述；基于所述描述和与所述交通工具相关联并且在所述第一时间段内获取的第二传感器数据而生成第一数据集；以及基于所述第一数据集对所述自驾模型执行至少一个机器学习操作以生成修改后的自驾模型。
8.相对于现有技术，所公开的技术的至少一个技术优点在于，所公开的技术使用测量的生理数据来自动地修改自驾模型以解决不同的驾驶动作对用户的影响。具体地，利用所公开的技术，可以有效地重新训练自驾模型以消除可能对用户产生负面心理影响的驾驶动作。此外，所公开的技术使得能够对自驾模型进行个性化以解决不同的用户偏好，且因此能够提高各种用户对自驾系统的整体信任度。这些技术优点提供相对于现有技术方法的至少一种技术进步。
附图说明
9.为了能够详细地理解各种实施方案的上述特征的方式，可以参考各种实施方案来更具体地描述以上已简要概述的发明概念，这些实施方案中的一些在附图中示出。然而，应当注意，附图仅仅示出了发明概念的典型实施方案，且因此决不应被认为是以任何方式对范围的限制，并且存在其他同样有效的实施方案。
10.图1是被配置为实施各种实施方案的至少一个方面的系统的概念图；
11.图2是根据各种实施方案的由图1的反馈应用生成的示例性标记数据集；
12.图3是根据各种实施方案的用于基于与至少一个用户相关联的数据而修改自驾模型的方法步骤的流程图。
具体实施方式
13.在以下描述中，阐述许多特定细节以提供对各种实施方案的更透彻理解。然而，对本领域的技术人员来说将明显的是，可以在这些特定细节中的至少一者下实践发明概念。
14.系统概述
15.图1是被配置为实施各种实施方案的至少一个方面的系统100的概念图。系统100包括但不限于交通工具102和计算实例110。出于解释目的，相同对象的多个实例必要时用标识所述对象的参考字母数字字符和标识实例的放在括号里的字母数字字符来标示。
16.在替代实施方案中，系统100可以包括以任何组合的任何数量的计算实例110、任何数量的交通工具102以及任何数量的附加部件(例如，应用、子系统、模块等)。系统100的任何数量的部件可以以任何组合被分布在多个地理位置上或被实施在至少一种云计算环境(即，封装的共享资源、软件、数据等)中。
17.交通工具102可以是运输至少一个人类乘员的任何类型的基于地面或基于非地面的机器。例如，交通工具102尤其可以是汽车、摩托车、运动型多用途交通工具、卡车、公共汽车、全地形交通工具、雪地交通工具、商用施工机器(例如，起重机、挖掘机等)、飞机、直升机、船、潜艇、电动垂直起降交通工具或宇宙飞船。此外，交通工具102可以是出租车、uber交通工具、lyft交通工具等。交通工具由坐在驾驶员座椅上并且在本文中被称为“驾驶员”的人员和坐在乘客座椅上并且在本文中被称为乘客的任何数量的其他人员占用。占用交通工具102的驾驶员和所有其他此类人员在本文中被称为“用户”。
18.如图所示，计算实例110中的每一者包括但不限于处理器112和存储器116。处理器112可以是能够执行指令的任何指令执行系统、设备或装置。例如，处理器112可以包括中央处理单元、图形处理单元、控制器、微控制器、状态机或其任何组合。存储器116存储供计算实例110的处理器112使用的内容，诸如软件应用和数据。在替代实施方案中，任何数量的计算实例110中的每一者可以包括以任何组合的任何数量的处理器112和任何数量的存储器116。具体地，任何数量的计算实例110(包括一个)可以通过任何技术上可行的方式提供多处理环境。
19.存储器116可以是随时可用的存储器中的至少一种，诸如随机存取存储器、只读存储器、软盘、硬盘或本地或远程的任何其他形式的数字存储装置。在一些实施方案中，存储装置(未示出)可以补充或替换存储器116。存储装置可以包括处理器112可访问的任何数量和类型的外部存储器。例如但不限于，存储装置可以包括安全数字卡、外部快闪存储器、便携式光盘只读存储器、光学存储装置、磁性存储装置或前述的任何合适的组合。
20.计算实例110中的每一者被配置为实施至少一个软件应用或软件应用的子系统。仅出于解释目的，每个软件应用被描绘为驻留在单个计算实例110的存储器116中并且在单个计算实例110的处理器112上执行。然而，在替代实施方案中，每个软件应用的功能性可以被分布在以任何组合驻留于任何数量的计算实例110的存储器116中并且在任何数量的计算实例110的处理器112上执行的任何数量的其他软件应用。此外，可以将任何数量的软件应用或子系统的功能性合并到单个软件应用或子系统中。
21.更具体地，计算实例110被配置为实施自驾模型108，当交通工具102处于自驾模式时，所述自驾模型在很少或没有人为干预的情况下操作交通工具102。如本文先前所述，在一种用于提高自驾模型的性能的常规方法中，提供商基于从用户接收到的反馈来定期地修改自驾模型。依赖于从用户接收到的反馈的一个缺点是收集用户反馈会花费很长时间。此外，对常规自驾模型的修改通常反映手动提供反馈的用户子集的平均驾驶风格和偏好。结果，所述修改实际上可能降低具有非典型驾驶风格和偏好的用户对自驾模型的感知的性能。
22.为用户定制自驾模型
23.为了更有效且可靠地提高用户所感知的驾驶体验的质量，计算实例110被配置为实施但不限于自驾建模子系统190和反馈应用170。如下文详细描述的，自驾建模子系统190生成自驾模型108，所述自驾模型在交通工具102处于自驾模式时操作交通工具102。随着交通工具102的操作，反馈应用170自动地评估用户的精神状态以生成反馈使得自驾建模子系统190能够生成与用户的驾驶风格和偏好更好地保持一致的新自驾模型108。例如，反馈应用170可以生成反馈，所述反馈指示当自驾模型108使交通工具102在迎面而来的交通中的八秒间隙期间执行左转弯时，用户变得烦躁。然后，自驾建模子系统190可以使用反馈来生成新自驾模型108，所述新自驾模型不会发起左转弯，除非迎面而来的交通中至少有九秒间隙。
24.注意，本文描述的技术是说明性的而不是限制性的，并且可以在不脱离实施方案的更广泛的精神和范围的情况下进行改变。在不脱离所描述的实施方案和技术的范围和精神的情况下，许多修改和变化对于本领域普通技术人员来说是明显的。此外，在各种实施方案中，本文公开的任何数量的技术可以被实施，而其他技术可以通过任何技术上可行的方
式被省略。
25.值得注意的是并且仅出于解释目的，在自驾模型108的上下文中描述了系统100，所述自驾模型是由自驾建模子系统190训练的机器学习模型。自驾建模子系统190使用由反馈应用170生成的反馈来重新训练自驾模型108，由此提高用户所感知的自驾模型108的性能。在替代实施方案中，自驾模型108可以实施任何数量和类型的算法(例如，试探法、规则等)，并且自驾建模子系统190可以基于由反馈应用170以任何技术上可行的方式生成的任何类型的反馈来修改算法。
26.为了使得自驾模型108能够安全地操纵交通工具102和反馈应用170以评估用户，交通工具102包括但不限于交通工具传感器136、面向外的传感器138和用户传感器120。交通工具传感器136、面向外的传感器138和用户传感器120可以被分布在任何数量的位置上。例如，在一些实施方案中，用户传感器120中的每一者附接到交通工具102(例如，内置在方向盘、头枕等中)或由交通工具102的用户穿戴。
27.尽管未示出，但是交通工具102另外包括但不限于可以用于操作交通工具102的任何数量的主要交通工具部件。主要交通工具部件的一些示例包括但不限于制动系统、动力传动系统、变速器、转向系统和前灯控制系统。在至少一个实施方案中，交通工具102还可以包括但不限于可以用于监视主要驾驶任务和/或执行任何数量的次要任务的任何数量和类型的次要交通工具部件。例如，交通工具102可以包括但不限于仪表盘(例如，温度控制子系统、模拟速度计、数字仪表板等)以及与信息娱乐系统和导航系统对接的头部单元。
28.交通工具传感器136和面向外的传感器138分别实时地监视交通工具102本身和交通工具102周围的区域。随着交通工具102的操作，交通工具观察子系统160处理从交通工具传感器136和面向外的传感器138接收的信号，以生成交通工具状态168。交通工具观察子系统160驻留在计算实例110(1)的存储器116(1)中，并且在计算实例110(1)的处理器112(1)上执行。在至少一个替代实施方案中，交通工具观察子系统160在交通工具102中所包括的计算实例110中实施。
29.如图所示，交通工具观察子系统160包括但不限于驾驶员交通工具输入模块162、交通工具记录模块164和外部场景模块166。驾驶员交通工具输入模块162处理从任何数量的交通工具传感器136接收的传感器信号，以生成交通工具状态168中所包括的驾驶员输入数据(未示出)。驾驶员输入数据指定由驾驶员在交通工具102未在自驾模式下操作时确定的输入，诸如当前方向盘角度、加速踏板位置、制动踏板位置等。
30.交通工具记录模块164处理从任何数量的交通工具传感器136和任何数量的面向外的传感器138接收的传感器信号，以生成交通工具状态168中所包括的交通工具遥测数据(未示出)。交通工具遥测数据指定交通工具102的特性，诸如速度、横向加速度、方向、位置、发动机每分钟转数(“rpm”)、电池荷电状态等。
31.外部场景模块166处理从任何数量的面向外的传感器138(例如，安装在交通工具102上的前向相机、光探测和测距传感器等)接收到的传感器信号，以生成交通工具状态168中所包括的环境数据(未示出)。外部场景模块166可以对传感器信号以任何技术上可行的方式执行任何数量和类型的操作(例如，跟踪操作)以生成任何量和类型的环境数据。
32.例如，在至少一个实施方案中，外部场景模块166包括但不限于分割和分类机器学习模型。外部场景模块166将经由传感器信号接收的外部场景图像输入到分割和分类模型
中。作为响应，分割和分类模型对外部场景图像中的区域进行分割，将区域分类为各种类型(例如，道路、交通工具、道路标志、行人等)，跟踪已分类区域随时间的移动，并输出跟踪数据(未示出)。当分割和分类模型生成跟踪数据时，外部场景模块166将跟踪数据添加到环境数据中。
33.驾驶员交通工具输入模块162、交通工具记录模块164和外部场景模块166中的每一者连续且自动地操作。结果，交通工具观察子系统160实时更新交通工具状态168。在替代实施方案中，交通工具观察子系统160中所包括的任何数量的部件可以基于任何类型的触发(例如，每十秒)生成交通工具状态168的对应部分，并且每个部件可以与不同的触发相关联。
34.如图所示，用户传感器120包括但不限于身体传感器122、头部传感器124、眼睛传感器126、皮肤传感器128、音频传感器132和神经传感器134。用户传感器120中的每一者被配置为实时检测和中继与交通工具102的任何数量的用户相关联的生理数据(例如，测量值)。在替代实施方案中，用户传感器120可以包括但不限于以任何技术上可行的方式检测和中继人类的任何可量化方面的任何数量和类型的装置。
35.身体传感器122包括但不限于：任何数量和组合的光学传感器，可以经由所述光学传感器确定人类的手势和/或姿势；肌肉系统传感器，可以经由所述肌肉系统传感器确定人类的肌肉收缩；呼吸传感器，可以经由所述呼吸传感器确定人类的呼吸频率；心率传感器，可以经由所述心率传感器确定人类的心电图读数；体重传感器，可以经由所述体重传感器确定任何数量的人类的体重分布；或任何其他技术上可行的类型的生理传感器，可以经由所述生理传感器确定人类的身体的任何可量化方面(例如，身体位置、身体取向等)。
36.头部传感器124包括但不限于任何数量和组合的光学传感器、磁性传感器、血流传感器、肌肉收缩传感器、热传感器、雷达传感器以及任何其他技术上可行的类型的生理传感器，可以经由所述传感器确定人类的头部的位置和/或取向(即，分别为头部位置和/或头部取向)。眼睛传感器126包括但不限于任何数量和组合的眼睛注视方向模块、聚散传感器、瞳孔测量传感器、光学深度传感器或任何其他技术上可行的类型的生理传感器，可以经由所述传感器确定人类的注视方向和/或眼睛会聚距离。皮肤传感器128包括但不限于任何数量和组合的皮肤电反应传感器、皮肤传导传感器、皮肤纹理传感器或任何其他技术上可行的类型的生理传感器，可以经由所述传感器量化人类的皮肤的至少一个属性(例如，皮肤导电率)。
37.音频传感器132包括但不限于任何数量和类型的传声器、传声器阵列或任何其他技术上可行的类型的传感器，可以经由所述传感器确定与人类相关联的字词和声音。神经传感器134包括但不限于任何数量和组合的神经活动测量装置(例如，脑电图传感器)、功能性磁共振成像单元、光遗传学模块或任何其他技术上可行的类型的生理传感器，可以经由所述传感器量化任何形式的人类神经活动。
38.随着交通工具102的操作，用户监视子系统140从用户传感器120获取传感器数据并处理传感器数据以生成用户状态150。用户状态150包括但不限于与任何数量的用户相关联的任何量和类型的情绪数据、任何量和类型的认知负荷数据以及任何量和类型的标识数据。用户监视子系统140驻留在计算实例110(1)的存储器116(1)中，并且在计算实例110(1)的处理器112(1)上执行。在至少一个替代实施方案中，用户监视子系统140在交通工具102
中所包括的计算实例110中实施。
39.如图所示，用户监视子系统140包括但不限于情绪分类器142、认知负荷模块144和身份分类器146。情绪分类器142基于从任何数量的用户传感器120接收的任何量和类型的传感器数据来生成用户状态150中所包括的情绪数据。情绪数据指定沿着任何数量的情绪维度的经由任何类型的生理线索(例如，视觉线索、音频线索等)表达的任何数量的用户的情绪。例如，在一些实施方案中，视觉情绪分类包括但不限于离散情绪分类，其指定诸如惊奇、喜悦、恐惧、悲伤、愤怒、不信任等情绪。在相同的或其他实施方案中，视觉情绪分类包括但不限于二维参数化情绪度量或三维参数化情绪度量的值。例如，视觉情绪分类可以包括具有效价维和唤醒维的二维参数化情绪度量的值或具有效价维、唤醒维和优势维的三维参数化情绪的值。
40.情绪分类器142可以通过任何技术上可行的方式确定情绪数据。例如，在至少一个实施方案中，情绪分类器142包括但不限于机器学习模型，所述机器学习模型被训练为使用驾驶员的面部的任何数量和/或组合的可见光相机图像、红外光相机图像和/或热图像以确定对应的视觉情绪分类。在相同的或其他实施方案中，情绪分类器142包括但不限于机器学习模型，所述机器学习模型被训练为使用人类的语音来确定对应的听觉情绪分类。
41.认知负荷模块144基于从用户传感器120接收的任何量和类型的传感器数据来生成用户状态150中所包括的认知负荷数据。认知负荷数据包括但不限于任何数量的用户的认知负荷。如本文所提到的，用户在给定时间点的认知负荷与施加在用户上的精神活动的总量相关，并且是对用户正在集中注意力的难易程度的指示。认知负荷数据可以通过任何技术上可行的方式并且以任何粒度水平来指定认知负荷。例如，在至少一个实施方案中，认知负荷数据包括但不限于针对用户中的每一者的认知负荷度量的三个值(低、中或高)中的一者。
42.认知负荷模块144可以通过任何技术上可行的方式确定认知负荷数据。例如，在一些实施方案中，认知负荷模块144可以基于传感器数据来确定认知负荷数据，所述传感器数据指定但不限于任何数量的脑活动、心率、皮肤电导、方向盘抓握力、肌肉活动、皮肤温度/体温等等。在相同的或其他实施方案中，认知负荷模块144包括但不限于机器学习模型，所述机器学习模型被训练以基于人类的瞳孔的大小和/或反应性水平来估计反映人类的认知负荷的基于瞳孔的度量。认知负荷模块144可以通过任何技术上可行的方式测量瞳孔的大小和/或反应性水平。例如，在一些实施方案中，认知负荷模块144可以基于经由红外相机图像获得的瞳孔信息来直接测量瞳孔的大小和/或反应性水平。在相同的或其他实施方案中，认知负荷模块144可以使用基于可见光相机图像的深度学习眼睛移动跟踪来间接地测量瞳孔的大小和/或反应性水平。在一些替代实施方案中，认知负荷模块144包括但不限于认知负荷分类器(未示出)，所述认知负荷分类器基于眼睛运动数据生成认知负荷度量的值和/或紧张度量的值。眼睛运动数据可以包括但不限于眼睛注视方向和/或眼睛注视数据模式在时间方向上的导数，诸如眼睛扫视和眼睛凝视，和/或眼睛运动数据的任何数量和/或类型的其他导数。
43.在至少一个替代实施方案中，认知负荷模块144可以至少部分地基于从用户传感器120中所包括的任何数量的传声器接收的音频数据来确定认知负荷数据。例如，认知负荷模块144可以实施分析音频数据以检测对话情境、对话轮替、声音声调和情感、听觉分心等
的任何数量的算法。例如但不限于，认知负荷模块144可以检测到用户中的两者正在对话、基于用户的声调确定用户中的一者昏昏欲睡等等。
44.身份分类器146基于从用户传感器120接收的任何量和类型的传感器数据来生成用户状态150中所包括的标识数据。标识数据可以指定以任何粒度水平的标识任何数量的用户和/或对其进行分类的任何量和类型的数据(例如，分类)。例如，对于每个用户，标识数据可以指定人员、人群或标识用户或用户所属的群的特性。身份分类器146可以通过任何技术上可行的方式计算标识数据。例如，在至少一个实施方案中，身份分类器146包括但不限于机器学习模型，所述机器学习模型被训练以估计人类的标识分类。在至少一个其他实施方案中，身份分类器146实施任何数量和类型的试探法以估计每个用户的标识分类。
45.在至少一个替代实施方案中，身份分类器146基于从用户传感器120接收的传感器数据结合与用户和/或交通工具102相关联的附加信息来确定身份分类。例如，在一些替代实施方案中，身份分类器146接收由驾驶员交通工具输入模块162生成的驾驶员交通工具输入数据。身份分类器146分析驾驶员交通工具输入数据以生成针对相关联的用户的动作的至少一个行为表征。然后，身份分类器146基于行为表征结合从用户传感器120接收的传感器数据来确定用户的标识数据。
46.情绪分类器142、认知负荷模块144和身份分类器146中的每一者连续地并且自动地操作。结果，用户监视子系统140实时更新用户状态150。在替代实施方案中，用户监视子系统140中所包括的任何数量的部件可以基于任何类型的触发(例如，每十秒)生成用户状态150的对应部分，并且每个部件可以与不同的触发相关联。
47.在至少一个替代实施方案中，作为情绪数据、认知负荷数据和标识数据的替代或补充，用户状态150可以包括但不限于用于任何数量的心理度量的任何数量的值。如本文所提及的，“心理度量”是对人类的任何情绪方面、认知方面或其他精神方面的任何类型的测量值。在相同的或其他替代实施方案中，作为每个用户数据的替代或补充，用户状态150可以包括但不限于集体数据或平均数据。例如，在至少一个替代实施方案中，用户状态150可以包括但不限于平均认知负荷和平均情绪负荷。在至少一个替代实施方案中，用户状态150可以表示用户子集(例如，坐在前排座椅中的用户)。
48.自驾应用104使得交通工具102能够以自驾模式操作。可以通过任何技术上可行的方式激活自驾模式。在至少一个实施方案中，可以经由与交通工具102相关联的遥控器来激活自驾模式。在相同的或其他实施方案中，可以经由安装在交通工具102的方向盘或交通工具102的仪表板上的控件来激活自驾模式。在至少一个实施方案中，自驾应用104驻留在计算实例110(1)的存储器116(1)中，并且在计算实例110(1)的处理器112(1)上执行。在至少一个替代实施方案中，自驾应用104在交通工具102中所包括的计算实例110中实施。
49.如图所示，自驾应用104包括但不限于自驾模型108。当自驾模式被激活时，自驾应用104基于自驾模型108确定自驾动作178，并且将对应的自驾信号106实时传输到与交通工具102相关联的至少一个部件。自驾动作178指定与执行主要驾驶任务的至少一部分相关联的任何数量的动作，并且自驾信号106控制交通工具102的任何数量的操作方面以影响自驾动作178。
50.在至少一个实施方案中，自驾信号106控制但不限于交通工具102在任何给定时间的转向、制动、加速度、信号或前灯中的至少一者。自驾信号106中的每一者可以通过任何技
术上可行的方式控制交通工具102的任何数量的相关联部件。例如，在至少一个实施方案中，任何数量的自驾信号106是制动控制信号，并且自驾应用104将制动控制信号传输到控制交通工具102的制动器的致动器。
51.自驾应用104可以通过任何技术上可行的方式确定自驾动作178和自驾信号106。在至少一个实施方案中，自驾应用104接收交通工具状态168，并将交通工具状态168的至少一部分输入到自驾模型108中。作为响应，自驾模型108输出自驾动作178。然后，自驾应用104将自驾动作178转换为对应的自驾信号106，并且将自驾信号106传输到与交通工具102相关联的至少一个部件。在至少一个实施方案中，自驾应用104将自驾动作178传输到反馈应用170。
52.如虚线箭头所描绘的，在至少一个替代实施方案中，自驾模型除了交通工具状态168之外还接收用户状态150，并且将交通工具状态168的至少一部分和用户状态150的至少一部分输入到自驾模型108中。作为响应，自驾模型108输出自驾动作178。在至少一个替代实施方案中，自驾应用104可以至少部分地基于交通工具状态168以及任选用户状态150来执行任何数量和类型的预处理操作，以生成用于自驾模型108的输入。在相同的或其他替代实施方案中，自驾应用104可以至少部分地基于自驾模型108的输出来执行任何数量和类型的后处理操作以生成自驾动作178。
53.在至少一个替代实施方案中，自驾应用104可以通过任何技术上可行的方式与和交通工具102相关联的任何数量(包括没有一个)的高级驾驶员辅助系统(“adas”)特征交互。每个adas特征旨在提高交通工具102正操作时的驾驶安全性。adas特征的一些示例包括但不限于防抱死制动、盲点检测、碰撞避免、线道保持辅助、下坡控制、自主停泊等。
54.自驾应用104和自驾模型108可以一起基于交通工具状态168和任选用户状态150来实施但不限于任何数量和类型的算法，以生成自驾动作178和对应的自驾信号106。例如，在至少一个实施方案中，自驾应用104和自驾模型108中的每一者可以实施但不限于以任何组合的任何数量和类型的规则、任何数量和类型的试探法以及任何数量和类型的机器学习技术。在至少一个替代实施方案中，系统100中省略了自驾应用104，并且自驾模型108直接从交通工具观察子系统160以及任选地从用户监视子系统140获取输入数据，并且生成自驾动作178和/或自驾信号106。在相同的或其他替代实施方案中，自驾模型108将自驾动作178传输到反馈应用170和/或将自驾信号106传输到交通工具102的任何数量的部件。
55.在至少一个实施方案中，自驾应用104从自驾建模子系统190获取自驾模型108。自驾建模子系统190驻留在计算实例110(2)的存储器116(2)中，并且在计算实例110(2)的处理器112(2)上执行。在至少一个实施方案中，计算实例110(2)被包括在云计算环境或分布式计算环境中。
56.如图所示，自驾建模子系统190包括但不限于标签集192、训练数据库196、训练应用198和自驾模型108。标签集192包括但不限于标签194(1)
‑
194(l)，其中标签194中的每一者对应于至少一个用户的不同心理表征。在至少一个实施方案中，标签194中的每一者在本文中也被称为对至少一个用户的“描述”。例如，在一些实施方案中，标签194可以包括但不限于“恐惧的”、“沮丧的”、“高认知负荷”、“喜悦的”等等。在替代实施方案中，标签集192可以包括但不限于单个标签194(1)。
57.训练数据库196包括但不限于任何数量的标记数据集184，并且与任何数量的交通
工具102和任何数量的用户相关联。每个标记数据集184与时间段和交通工具102的不同组合相关联。对于给定的交通工具102，每个标记数据集184包括但不限于标签194中的表征相关联的时间段期间的用户、相关联的时间段期间的交通工具状态168以及相关联的时间段期间的自驾动作178的一者。例如，标记数据集184中的一者可以包括但不限于：交通工具状态168，其指示交通工具102在迎面而来的交通中的八秒间隙期间执行左转弯；与左转弯相关联的自驾动作178；以及恐惧标签194。
58.训练数据库196可以最初以任何技术上可行的方式生成。例如，可以基于任何数量的驾驶场景(图1中未示出)和默认驾驶偏好而不是与实际交通工具102和用户相关联的测量数据来手动或自动地生成训练数据库196。驾驶偏好的一些示例包括但不限于关于最大速度、最大减速度、最大加速度、距其他交通工具和对象的最小距离、对其他道路用户的最小礼让水平、对道路规则的最低遵守水平等等的偏好。
59.训练应用198基于训练数据库196实施任何数量和类型的机器学习操作以生成自驾模型108。为了生成初始自驾模型108，训练应用198使用训练数据库196训练任何类型的未经训练的机器学习模型或未完全训练的机器学习模型。然后，自驾建模子系统190将自驾模型108提供(例如，传输、复制到已知位置等)给自驾应用104的至少一个实例。
60.如下文更详细地描述，随着交通工具102的操作，反馈应用170生成新的标记数据集184并将新的标记数据集184添加到训练数据库196。随后，基于任何类型的触发(例如，每天)，自驾建模子系统190重新执行训练应用198。当训练应用198被重新执行时，训练应用198使用更新的训练数据库196来重新训练自驾模型108。然后，自驾建模子系统190将更新的自驾模型108提供(例如，传输、复制到已知位置等)给与交通工具102相关联的自驾应用104。
61.在至少一个替代实施方案中，自驾应用104可以在任何时间点且以任何技术上可行的方式获取最新的自驾模型108。因此，随着时间变化，逐渐提高由用户感知的自驾模型108的性能。例如，自驾模型108可以变得与关于最大速度、最大减速度、最大加速度、距其他交通工具和对象的最小距离、对其他道路用户的最小礼让水平、对道路规则的最低遵守水平等等的用户偏好更好地保持一致。
62.如本领域技术人员将认识到的，本文描述的技术可以用于基于任何数量的交通工具102和任何数量的用户来修改任何数量的自驾模型108，以反映任何定制粒度。例如，在至少一个实施方案中，系统100包括但不限于对于任何数量的交通工具102中的每一者而言不同的自驾模型108。对于交通工具102中的每一者，反馈应用170的相关联的实例生成新的标记数据集184，训练应用198使用所述新的标记数据集来重新训练相关联的自驾模型108。结果，随着时间变化，迭代地且自动地定制自驾模型108中的每一者，以反映不同交通工具102的用户的偏好。类似地，在至少一个替代实施方案中，本文中描述的技术可以被修改为在任何数量的交通工具102上为每个用户迭代地且自动地定制不同的自驾模型108。
63.在至少一个替代实施方案中，单个自驾模型108与多个交通工具102相关联。对于交通工具102中的每一者，反馈应用170的相关联的实例生成新的标记数据集184，且然后将新的标记数据集184添加到共享的训练数据库196。训练应用198使用共享的训练数据库196来重新训练自驾模型108。结果，随着时间变化，自驾模型108被迭代地且自动地定制以反映交通工具102上的用户的集体偏好。
64.随着交通工具102的操作，反馈应用170基于交通工具状态168、用户状态150、自驾动作178和标签集192实时生成新的标记数据集184。如本文先前所述，标记数据集184中的每一者包括但不限于标签194中的表征相关联的时间段期间的用户、相关联的时间段期间的交通工具状态168以及相关联的时间段期间的自驾动作178的一者。生成包括但不限于标签194和任何量和/或类型的数据的标记数据集184在本文中也被称为“标记数据”。
65.反馈应用170可以通过任何技术上可行的方式生成新的标记数据集184。例如，在至少一个实施方案中，反馈应用170包括但不限于标签标准174(1)
‑
174(l)、基线标准176(1)
‑
176(l)、历史数据库180、当前标签182、以及标记数据集184(1)
‑
184(n)。仅出于解释目的，标签标准174(x)和基线标准176(x)对应于标签194(x)，其中x是从1至l的整数。在至少一个替代实施方案中，标签标准174的数量和基线标准176的数量可以与标签集192中所包括的标签194的数量不同。在相同的或其他替代实施方案中，反馈应用170生成单个标记数据集184。
66.标签标准174(x)指定但不限于反馈应用170基于当前用户状态150评估以确定标签194(x)是否可适用于周围时间段的任何数量的条件、规则等。基线标准176(x)以互补方式指定但不限于反馈应用170基于先前的用户状态150和随后的用户状态150评估以定义周围时间段的任何数量的条件、规则等。
67.例如并且如结合图2更详细地描述，在至少一个实施方案中，用户状态150中的每一者包括但不限于恐惧水平，并且标签194(1)等于恐惧。标签标准174(1)指定在当前恐惧水平大于恐惧上限阈值时，标签194(1)适用于周围时间段。基线标准176(1)指定周围时间段以恐惧水平小于恐惧下限阈值的最近先前时间和恐惧水平小于恐惧下限阈值的最近后续时间为边界。
68.反馈应用170可以通过任何技术上可行的方式确定标签标准174和基线标准176。例如但不限于，标签标准174和基线标准176可以是硬编码的、经由应用编程接口提供的或经由图形用户界面提供的。在替代实施方案中，反馈应用170可以基于任何量和类型的历史数据(例如，历史数据库180)动态地生成任何数量的标签标准174和/或任何数量的基线标准176。例如，反馈应用170可以将用于恐惧标签194(1)的基线标准176设定为等于恐惧水平的移动平均值。
69.反馈应用170可以通过任何技术上可行的方式评估标签标准174和基线标准176。例如，在至少一个实施方案中，反馈应用170将当前标签182设定为等于空标签以发起新的评估交互。在当前标签182等于空标签时，反馈应用170实时接收用户状态150、交通工具状态168和自驾动作178并将其存储在历史数据库180中。
70.每当用户状态150改变而当前标签182等于空标签时，反馈应用170基于标签标准174和新用户状态150执行任何数量和类型的评估操作，以确定是否有标签194中的任一者适用于周围时间段。如果反馈应用170确定标签标准174(x)适用于周围时间段，则反馈应用170将当前标签182设定为等于标签194(x)，并且生成新的标记数据集184，所述新的标记数据集包括但不限于当前标签182。
71.然后，反馈应用170基于基线标准176(x)和历史数据库180中存储的先前用户状态150执行任何数量和类型的评估操作以确定开始时间。对于历史数据库180中与介于开始时间与当前时间之间(包括开始时间和当前时间)的时间相关联的部分，反馈应用170将交通
工具状态168和自驾动作178复制到新的标记数据集184。
72.在当前标签182等于标签194(x)中的一者时，自驾应用104接收交通工具状态168和自驾动作178并将其添加到相关联的标记数据集184。每当用户状态150改变而当前标签182等于标签194(x)时，反馈应用170基于基线标准176(x)和用户状态150执行任何数量和类型的评估操作，以确定是否当前标签182仍然可适用。
73.如果反馈应用170确定当前标签182不再可适用，则反馈应用170将新的标记数据集184添加到训练数据库196中。反馈应用170可以通过任何技术上可行的方式将新的标记数据集184添加到训练数据库196。反馈应用170然后将当前标签182设定为等于空标签以发起新的评估迭代。反馈应用170继续执行新的评估迭代，且因此生成新的标记数据集184，直到交通工具102停止操作或者反馈应用170被终止(例如，经由退出命令等)。
74.在替代实施方案中，反馈应用170可以在任何给定时间将新的标记数据集184中的每一者添加到训练数据库196。例如，在至少一个替代实施方案中，反馈应用170存储新的标记数据集184，直到交通工具102停止操作或者反馈应用170被终止(例如，经由退出命令等)。反馈应用170然后将新的标记数据集184传输到训练数据库196。
75.如虚线所描绘，在至少一个替代实施方案中，当自驾应用104更新当前标签182时，自驾应用104还将当前标签182传输到自驾应用104。在相同的或其他替代实施方案中，当前标签182或从当前标签182导出的数据是自驾模型108的输入。在至少一个替代实施方案中，自驾应用104可以基于当前标签182以及任何量和类型的附加数据来执行任何数量和类型的预处理操作和/或后处理操作。
76.有利的是，在确定自驾动作178时考虑当前标签182使得自驾应用104能够基于用户的心理状态来动态地调适驾驶风格。例如，如果用户在相对放松状态下进入汽车，则反馈应用170可以将当前标签182设定为“放松”标签194。作为响应，自驾模型192可以选择反映相对温和的驾驶风格的自驾动作178。在另一个示例中，如果用户在处于相对紧张状态下进入汽车，并且相关联的日历指示用户未赶上晚餐预订，则自驾应用104可以选择自驾动作178以减少到达餐厅所需的时间，所述自驾动作反映相对激进的驾驶风格。
77.在至少一个替代实施方案中，在将新的标记数据集184添加到训练数据库196之前，反馈应用170可以通过任何技术上可行的方式与用户中的至少一者交互，以尝试确认和/或改善经由当前标签182指定的初始描述。例如，假设标记数据集184包括但不限于基于与名为ava的用户相关联的用户状态150的部分的恐惧标签194(1)以及与右转弯相关联的自驾动作178。在至少一个替代实施方案中，反馈应用170可以使交通工具102中所包括的扬声器系统询问问题“ava，下一次我右转要再慢一点吗？”基于来自ava的口头响应，自驾应用104可以将指定初始描述的标签194(1)更新为更准确的标签194，诸如“高兴”，其指定改善的描述。
78.在相同的或其他替代实施方案中，自驾应用104可以基于与用户的交互而将任何量和类型的信息添加到训练数据库196或偏好数据集(未示出)。例如，自驾应用104可以更新偏好数据集以指示ava希望交通工具102通常以较慢速度执行特定的一个或多个右转弯。在以任何技术上可行的方式确定自驾动作178时，自驾应用104和/或自驾模型108可以考虑偏好数据集。
79.应当理解，本文所示的系统是说明性的，并且变化和修改是可能的。连接拓扑(包
括交通工具102、计算实例110、用户监视子系统140、交通工具观察子系统160、反馈应用170、自驾应用104、自驾模型108、和自驾建模子系统190的位置和布置)可以根据需要进行修改。在某些实施方案中，可能不存在图1所示的至少一个部件。例如，在一些替代实施方案中，用户监视子系统140和/或交通工具观察子系统160的任何量的功能性可以被归入反馈应用170中。
80.注意，本文描述的技术是说明性的而不是限制性的，并且可以在不脱离实施方案的更广泛的精神和范围的情况下进行改变。在至少一个实施方案中，本文公开的任何数量的技术可以被实施，而其他技术可以通过任何技术上可行的方式被省略。此外，在不脱离所描述的实施方案和技术的范围和精神的情况下，许多修改和变型对于本领域普通技术人员将是明显的，并且在本文描述的技术被相应地修改。例如，在至少一个实施方案中，标记数据集184可以包括至少部分地基于任何量和类型的传感器数据、交通工具状态168的任何部分(包括没有交通工具状态)、用户状态150的任何部分(包括没有用户状态)、任何数量的自驾动作178(包括没有自驾动作)和/或任何量的附加数据(包括没有附加数据)而导出的任何量和类型的数据。在相同的或其他实施方案中，标记数据集184中的每一者可以与多个标签194相关联和/或与任何数量的其他标记数据集184(包括没有其他标记数据集)重叠。
81.基于阈值生成标记数据集
82.图2是根据各种实施方案的由图1的反馈应用170生成的示例性标记数据集184(1)。更精确地，图2描绘了示例性标记数据集184(1)，反馈应用170在其中交通工具102移入卡车220的盲点的驾驶场景210期间生成所述标记数据集。
83.如驾驶场景210所描绘，交通工具102最初位于卡车220后面的相对位置230(1)处。当交通工具102比卡车220加速得更快时发生的相对运动240(1)使交通工具102进入沿着卡车220的侧面的盲点。随后，当交通工具102再次比卡车220加速得更快时发生的相对运动240(2)使交通工具102在卡车220的前面移动。
84.仅出于解释目的，用户状态150包括但不限于恐惧水平250，标签194(1)是恐惧的，标签标准174(1)是恐惧水平250大于恐惧上限阈值252，以及基线标准176(1)是恐惧水平250小于恐惧下限阈值254。恐惧图形260描绘了沿着时间轴270的恐惧水平250，所述时间轴跨越交通工具102从相对位置230(1)转移到相对位置230(3)的时间段。恐惧图形260还描绘了恐惧上限阈值252和恐惧下限阈值254。
85.在被标示为“t1”的初始时间处，当前标签182(图2中未示出)等于空标签，交通工具102处于相对位置230(1)处，并且恐惧水平250小于恐惧下限阈值254。如本文先前结合图1所述，因为当前标签182等于空标签，所以反馈应用170将用户状态150、交通工具状态168和自驾动作178存储在历史数据库180中，直到恐惧水平250大于恐惧上限阈值252。当相对运动240(1)将交通工具102移入位于卡车220的盲点中的相对位置230(2)处时，用户表现出越来越严重的恐惧心理迹象，且因此恐惧水平250逐渐增加。在被标示为“t2”的时间处，恐惧水平250增加超过恐惧下限阈值254，并且在被标示为“t3”的时间处，恐惧水平250增加超过恐惧上限阈值252。
86.当在时间t3处恐惧水平250增加超过恐惧上限阈值252时，反馈应用170将当前标签182设定为等于恐惧标签194(1)。反馈应用170也生成新的标记数据集184(1)，所述新的数据集最初包括但不限于恐惧标签194(1)、从t2
‑
t3(包括它们)的时间段内的交通工具状
态168以及从t2
‑
t3(包括它们)的时间段内的自驾动作178。
87.如本文先前结合图1所述，因为当前标签182等于标签194(1)，所以反馈应用170随后将交通工具状态168和自驾动作178存储在标记数据集184(1)中，直到恐惧水平250降低超过恐惧下限阈值254。当交通工具102处于相对位置230(2)处时，恐惧水平250保持高于恐惧上限阈值252。当相对运动240(2)将交通工具102移出卡车220的盲点并移至相对位置230(3)时，用户表现出降低的恐惧心理迹象，且因此恐惧水平250逐渐降低。在被标示为“t4”的时间处，恐惧水平250降低超过恐惧下限阈值254。
88.在时间t4处，反馈应用170将最终的标记数据集184(1)添加到训练数据库196。如图所示，最终的标记数据集184(1)包括但不限于恐惧标签194(1)、从t2
‑
t4(包含它们)的时间段的交通工具状态168以及从t2
‑
t4(包括它们)的时间段内的自驾动作178。然后，反馈应用170将当前标签182设定为等于空标签。有利的是，在至少一个实施方案中，当训练应用198随后基于标记数据集184(1)重新训练自驾模型108时，自驾模型108学习优先减少交通工具102在卡车的盲点附近花费的时间量。
89.图3是根据各种实施方案的用于基于与至少一个用户相关联的数据而修改自驾模型的方法步骤的流程图。尽管参考图1
‑
图2的系统描述了所述方法步骤，但是本领域技术人员应当理解，被配置为以任何顺序实施所述方法步骤的任何系统都落在实施方案的范围内。
90.如图所示，方法300在步骤302处开始，获取最新的自驾模型108，并且等待交通工具102开始操作。在步骤304处，反馈应用170接收用户状态150、交通工具状态168和自驾动作178并将其存储在历史数据库180中，直到满足标签标准174中的一者或者交通工具102停止操作。
91.在步骤306处，反馈应用170确定交通工具102是否仍在操作。如果在步骤306处，反馈应用170确定交通工具102不再操作，则方法300终止。然而，如果在步骤306处，反馈应用170确定交通工具102仍在操作，则方法300继续进行到步骤308。
92.在步骤308处，反馈应用170将当前标签182设定为等于与所满足的标签标准174相关联的标签194，生成包括但不限于当前标签182的新的标记数据集184，并且基于历史数据库180和与当前标签182相关联的基线标准176来确定开始时间。在步骤310处，反馈应用170在当前时间中将开始时间的交通工具状态168和自驾动作178从历史数据库180复制到标记数据集184。
93.在步骤312处，反馈应用170接收交通工具状态168和自驾动作178并将其存储在标记数据集184中，直到满足与当前标签182相关联的基线标准176或者交通工具102停止操作。在步骤314处，反馈应用170任选地与用户交互以改善当前标签182，并且如果成功，则反馈应用170更新标记数据集184以包括改善的标签而不是当前标签182。
94.在步骤316处，反馈应用170将标记数据集184添加到训练数据库196，所述训练数据库最终用于重新训练自驾模型108，并将当前标签182设定为等于空标签。在步骤318处，反馈应用170确定交通工具102是否仍在操作。如果在步骤318处，反馈应用170确定交通工具102不再操作，则方法300终止。然而，如果在步骤318处，反馈应用170确定交通工具102仍在操作，则方法300返回到步骤304，其中反馈应用170继续基于用户状态150、交通工具状态168和自驾动作178生成标记数据集184，直到交通工具102停止操作。
95.总之，所公开的技术可以用于改善自驾模型的性能。在一个实施方案中，在交通工具操作时执行交通工具观察子系统、用户监视子系统、自驾应用和反馈应用。交通工具观察子系统基于从交通工具传感器和面向外的传感器接收的数据生成交通工具状态。用户监视子系统基于从用户传感器接收的数据生成用户状态。自驾应用基于交通工具状态和用户状态为自驾模型生成输入，并且作为响应，自驾模型生成自驾动作。自驾应用将交通工具配置为实施自驾动作，由此控制交通工具的操作方式。
96.反馈应用基于用户状态、交通工具状态、自驾动作和任何数量的标签生成标记数据。每个标签对应于至少一个用户的心理表征，诸如“恐惧的”，并且与训练自驾模型相关联。对于每个标签，反馈应用评估用户状态以标识标签可适用的任何时间段。对于每个标识的时间段，反馈应用生成新的标记数据集，所述新的标记数据集包括但不限于可适用标签、与时间段相关联的交通工具状态以及与所述时间段相关联的自驾动作。反馈应用将新的标记数据集传输到训练数据库，训练应用随后使用所述新的标记数据集来重新训练自驾模型。
97.相对于现有技术，所公开的技术的至少一个技术优点在于，反馈应用使用测量的生理数据来使得训练应用能够有效地重新训练自驾模型以解决不同驾驶动作对用户的影响。具体地，因为反馈应用可以基于对用户产生负面心理影响的驾驶场景自动地扩增训练数据库，所以重新训练自驾模型可以修改自驾模型，以消除与可能对用户产生负面心理影响的所标识的驾驶场景相关联的驾驶动作。此外，因为训练应用可以基于不同的训练数据库重新训练自驾模型，所以训练应用可以为任何数量的用户或用户群中的每一者自动生成不同的个性化自驾模型。以这种方式，反馈应用和训练应用可以提高各种用户对自驾系统的整体信任度。这些技术优点提供相对于现有技术方法的至少一种技术进步。
98.1.在一些实施方案中，一种用于基于与交通工具的至少一个用户相关联的数据而修改自驾模型的计算机实施方法包括：基于与所述交通工具的用户相关联并且在所述自驾模型操作所述交通工具时获取的第一传感器数据而计算心理度量的至少一个值；基于所述心理度量的所述至少一个值而确定在第一时间段内对所述用户的描述；基于所述描述和与所述交通工具相关联并且在所述第一时间段内获取的第二传感器数据而生成第一数据集；以及基于所述第一数据集对所述自驾模型执行至少一个机器学习操作以生成修改后的自驾模型。
99.2.根据条款1所述的计算机实施方法，其中所述心理度量与情绪或认知负荷中的至少一者相关联。
100.3.根据条款1或2所述的计算机实施方法，其中所述第一传感器数据指定所述用户的身体位置、身体取向、头部位置、头部取向、注视方向、皮肤导电率或神经活动的至少一个测量值。
101.4.根据条款1
‑
3中任一项所述的计算机实施方法，其中所述第二传感器数据指定用于所述交通工具的制动踏板位置、所述交通工具的速度、所述交通工具的横向加速度、所述交通工具的位置、所述交通工具的方向或外部场景图像中的至少一者的至少一个值。
102.5.根据条款1
‑
4中任一项所述的计算机实施方法，其中生成所述第一数据集包括：基于包括在所述第二传感器数据中的环境数据执行至少一个跟踪操作，以生成与至少一个对象相关联的跟踪数据；以及标记所述跟踪数据和由所述自驾模型在所述第一时间段内为
所述交通工具生成的至少一个自驾动作与所述描述，以生成所述第一数据集。
103.6.根据条款1
‑
5中任一项所述的计算机实施方法，其中确定对所述用户的所述描述包括：基于所述心理度量的所述至少一个值而生成在所述第一时间段内对所述用户的初始描述；将从所述初始描述导出的第一基于语音的信息传输到所述用户；以及基于从所述用户接收的第二基于语音的信息而生成所述描述。
104.7.根据条款1
‑
6中任一项所述的计算机实施方法，其中所述修改后的自驾模型与所述用户相关联，并且还包括：基于与第二交通工具的第二用户相关联的第三传感器数据和与所述第二交通工具相关联的第四传感器数据而生成第二数据集，其中在所述自驾模型操作所述第二交通工具时获取所述第三传感器数据和所述第四传感器数据；以及基于所述第二数据集而对所述自驾模型执行至少一个机器学习操作以生成与所述第二用户相关联的第二修改后的自驾模型。
105.8.根据条款1
‑
7中任一项所述的计算机实施方法，其中确定对所述用户的所述描述包括：确定所述至少一个值中所包括的第一值在第一时间满足与所述描述相关联的第一标准；以及基于所述第一时间和与所述描述相关联的第二标准来确定所述第一时间段。
106.9.根据条款1
‑
8中任一项所述的计算机实施方法，其中当所述自驾模型操作所述交通工具时，所述用户坐在所述交通工具的驾驶员座椅或所述交通工具的乘客座椅中。
107.10.根据条款1
‑
9中任一项所述的计算机实施方法，其中所述交通工具包括汽车、摩托车、公共汽车、商用施工机器、飞机、直升机、船、潜艇、电动垂直起降交通工具或宇宙飞船。
108.11.在一些实施方案中，至少一种非暂时性计算机可读介质包括指令，所述指令在由至少一个处理器执行时使所述至少一个处理器通过执行以下步骤来基于与交通工具的至少一个用户相关联的数据而修改自驾模型：基于与所述交通工具的用户相关联并且在所述自驾模型操作所述交通工具时获取的第一传感器数据而计算心理度量的至少一个值；基于所述心理度量的所述至少一个值而确定在第一时间段内对所述用户的描述；基于所述描述和与所述交通工具相关联并且在所述第一时间段内获取的第二传感器数据而生成第一数据集；以及基于所述第一数据集对所述自驾模型执行至少一个机器学习操作以生成修改后的自驾模型。
109.12.根据条款11所述的至少一种非暂时性计算机可读介质，其中计算所述心理度量的所述至少一个值包括基于所述第一传感器数据而确定情绪、情绪效价水平、情绪唤醒水平或认知负荷。
110.13.根据条款11或12所述的至少一种非暂时性计算机可读介质，其中所述第一传感器数据经由脑电图传感器、心率传感器、呼吸传感器、皮肤电反应传感器、相机或传声器中的至少一者接收。
111.14.根据条款11
‑
13中任一项所述的至少一种非暂时性计算机可读介质，其中所述第二传感器数据指定与所述交通工具相关联的环境数据或与所述交通工具相关联的遥测数据中的至少一者。
112.15.根据条款11
‑
14中任一项所述的至少一种非暂时性计算机可读介质，其中生成所述第一数据集包括：基于包括在所述第二传感器数据中的环境数据执行至少一个跟踪操作，以生成与至少一个对象相关联的跟踪数据；以及标记所述跟踪数据和由所述自驾模型
在所述第一时间段内为所述交通工具生成的至少一个自驾动作与所述描述，以生成所述第一数据集。
113.16.根据条款11
‑
15中任一项所述的至少一种非暂时性计算机可读介质，其中确定对所述用户的所述描述包括：基于所述心理度量的所述至少一个值而生成在所述第一时间段内对所述用户的初始描述；将从所述初始描述导出的第一基于语音的信息传输到所述用户；以及基于从所述用户接收的第二基于语音的信息而生成所述描述。
114.17.根据条款11
‑
16中任一项所述的至少一种非暂时性计算机可读介质，其还包括：基于与第二交通工具的第二用户相关联的第三传感器数据和与所述第二交通工具相关联的第四传感器数据而生成第二数据集，其中在所述修改后的自驾模型操作所述第二交通工具时获取所述第三传感器数据和所述第四传感器数据；以及基于所述第二数据集对所述修改后的自驾模型执行至少一个机器学习操作以生成第二修改后的自驾模型。
115.18.根据条款11
‑
17中任一项所述的至少一种非暂时性计算机可读介质，其中确定对所述用户的所述描述包括：确定所述至少一个值中所包括的第一值在第一时间满足与所述描述相关联的第一标准；以及基于所述第一时间和与所述描述相关联的第二标准来确定所述第一时间段。
116.19.根据条款11
‑
18中任一项所述的至少一种非暂时性计算机可读介质，其中当所述自驾模型操作所述交通工具时，所述用户坐在所述交通工具的驾驶员座椅或所述交通工具的乘客座椅中。
117.20.在一些实施方案中，一种系统包括：至少一个存储器，所述至少一个存储器存储指令；以及至少一个处理器，所述至少一个处理器耦合到所述至少一个存储器，所述至少一个处理器在执行所述指令时执行以下步骤：基于与交通工具的用户相关联并且在自驾模型操作所述交通工具时获取的第一传感器数据而计算心理度量的至少一个值；基于所述心理度量的所述至少一个值而确定在第一时间段内对所述用户的描述；基于所述描述和与所述交通工具相关联并且在所述第一时间段内获取的第二传感器数据而生成数据集；以及基于所述数据集对所述自驾模型执行至少一个机器学习操作以生成修改后的自驾模型。
118.权利要求中任一项所述的权利要求要素和/或本技术中描述的任何要素中的任何一个的以任何方式的任何和所有组合均落入实施方案和保护的预期范围内。
119.对各种实施方案的描述已经为了说明目的而提出，而不旨在详尽或限于所公开的实施方案。在不脱离所描述的实施方案的范围和精神的情况下，许多修改和变化对于本领域普通技术人员来说将是明显的。
120.本实施方案的各方面可以被体现为系统、方法或计算机程序产品。因此，本公开的各方面可以采取完全硬件实施方案、完全软件实施方案(包括固件、常驻软件、微代码等)或组合软件和硬件方面的实施方案的形式，它们在本文中一般都可以称为“模块”、“系统”或“计算机”。另外，本公开中描述的任何硬件和/或软件技术、过程、功能、部件、引擎、模块或系统可以被实施为电路或一组电路。另外，本公开的各方面可以采取被体现在至少一种计算机可读介质中的计算机程序产品的形式，所述计算机可读介质具有在其上体现的计算机可读程序代码。
121.可以利用至少一种计算机可读介质的任何组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是例如但不限于电子、磁性、
光学、电磁、红外或半导体系统、设备或装置或者前述的任何合适的组合。计算机可读存储介质的更具体示例(非详尽列表)将包括以下项：具有至少一条电线的电气连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便携式光盘只读存储器(cd
‑
rom)、光学存储装置、磁性存储装置或者前述的任何合适的组合。在本文档的背景中，计算机可读存储介质可以是可以包含或存储由或结合指令执行系统、设备或装置使用的程序的任何有形介质。
122.上文参考根据本公开的实施方案的方法、设备(系统)和计算机程序产品的流程图图解和/或框图来描述本公开的各方面。应当理解，流程图图解和/或框图中的每个框以及流程图图解和/或框图的框组合能够通过计算机程序指令来实现。可以将这些计算机程序指令提供给通用计算机、专用计算机或其他可编程数据处理设备的处理器以产生一种机器。所述指令在经由计算机或其他可编程数据处理设备的处理器执行时使得能够实施在流程图和/或框图的一个或多个框中指定的功能/动作。此类处理器可以是但不限于通用处理器、专用处理器、特定应用处理器或现场可编程门阵列。
123.附图中的流程图和框图示出了根据本公开的各种实施方案的系统、方法和计算机程序产品的可能实现方式的架构、功能性和操作。关于这一点，流程图或框图中的每个框可以表示代码的模块、段或部分，其包括用于实施指定逻辑功能的至少一个可执行指令。还应当注意，在一些替代的实现方式中，框中指出的功能可以按不同于附图中指出的顺序的顺序出现。例如，连续示出的两个框事实上可以基本上同时地执行，或者框有时可以按相反顺序执行，这取决于所涉及的功能性。还应当注意，框图和/或流程图图解的每个框以及框图和/或流程图图解中的框的组合可以由执行指定功能或动作的基于专用硬件的系统或专用硬件与计算机指令的组合来实施。
124.尽管前述内容涉及本公开的实施方案，但是在不脱离本公开的基本范围的情况下可以设想本公开的其他和另外的实施方案，并且本公开的范围由所附权利要求确定。