训练风格编码器的方法、产生驾驶风格表示的方法、设备、计算机程序产品及存储介质与流程

1.本发明涉及一种用于训练神经网络的风格编码器(stilencoders)的方法以及一种相应的设备和一种用于产生描绘(abbildenden)驾驶员的驾驶风格的驾驶风格表示的方法。


背景技术：

2.如果车辆由人类驾驶员驾驶，则驾驶员驾驶出个人的驾驶风格。如果驾驶员放弃对车辆的控制，即让车辆自主驾驶或半自主驾驶，则由车辆所驾驶出的驾驶风格将或多或少地不同于驾驶员的驾驶风格。自主驾驶风格越强地偏离驾驶员的驾驶风格，驾驶员在自主行驶期间就越感到不那么舒适。


技术实现要素：

3.在此背景下，借助在此提出的方案，提出一种用于训练神经网络的风格编码器的方法以及一种相应的设备和一种用于产生描绘驾驶员的驾驶风格的驾驶风格表示的方法以及最后相应的计算机程序产品和机器可读的存储介质。在此提出的方法的有利的扩展方案和改善方案由说明书得出并在下文中描述。
4.本发明的优点
5.本发明的实施方式能够以有利的方式实现，将驾驶员的驾驶风格描述为抽象的驾驶风格表示，而无需通过预确定的变量来描述驾驶风格。如此，可以使不同驾驶员的不同驾驶风格能够比较。驾驶风格表示可以用于再现所基于的驾驶风格。
6.提出一种用于训练神经网络的风格编码器的方法，其中，在使用神经网络的经训练的情景编码器(situationsencoders)的情况下，将描绘系统的运动和系统的环境的传感输入参量压缩到神经网络的潜在空间的(eines latenten raums)至少一部分中成为抽象的驾驶情景表示，并在使用未经训练的风格编码器的情况下将传感输入参量压缩到潜在空间的至少一部分中成为驾驶风格表示，其中，在使用神经网络的风格解码器的情况下，将驾驶风格表示和驾驶情景表示从潜在空间中解压缩成输出参量，其中，为了训练风格编码器，改变风格编码器的结构，直到风格解码器的输出参量描绘所述运动。
7.此外，提出一种用于产生描绘驾驶员的驾驶风格的驾驶风格表示的方法，其中，在使用神经网络的在使用根据在此提出的方案的方法的情况下进行训练的风格编码器的情况下，将描绘由驾驶员驾驶的系统的运动和该系统的环境的传感输入参量压缩到神经网络的潜在空间的至少一部分中作为抽象的驾驶风格表示，其中，从潜在空间中提取驾驶风格表示。
8.此外，本发明的实施方式的思想可以视为基于以下描述的构思和知识。
9.系统可以是车辆或机器人。系统可以由驾驶员控制。于是，驾驶员可以监控系统的环境并通过操作元件输入由系统的执行器实施的控制命令。然而，该系统也可以自主或至
少半自主地执行预给定的驾驶任务。为此，系统可以分析处理描绘环境的传感器数据并生成用于操控执行器的控制命令。
10.一个驾驶员的个人驾驶风格不同于另一驾驶员的个人驾驶风格。例如，一个驾驶员的驾驶风格可以被描述为运动型，而另一驾驶员的驾驶风格可以被描述为谨慎型。驾驶风格的区别例如可以在于对系统加速和减速的强烈程度。同样，驾驶风格的区别例如可以在于驾驶员相对于其他交通参与者如何表现。例如，一个驾驶员可以比另一驾驶员更靠近前方行驶的系统。驾驶员的驾驶风格的区别也可以在于，驾驶员接受多少风险或者驾驶员对其他交通参与者考虑得多少。
11.神经网络尤其可以是卷积神经网络(cnn)。经训练的神经网络读入输入参量并将包含在输入参量中的信息处理为输出参量。可以在使用机器学习的情况下来训练未经训练的神经网络。
12.神经网络具有至少一个编码器和至少一个解码器。在编码器与解码器之间存在神经网络的潜在空间。潜在空间形成用于信息的瓶颈。编码器因此压缩读入的信息的规模(umfang)并将压缩的信息描绘在潜在空间中。例如，可以丢弃多余的信息以用于压缩信息。潜在空间具有明显少于输入参量的维度(dimension)。解码器从潜在空间中读出数据，并将这些数据解压缩成神经网络的输出参量。
13.输入参量可以提供为矩阵、张量或多维向量。输入参量(或)可以描绘当前或过去的驾驶情景。例如，输入参量可以是动态的驾驶数据。输入参量可以包括来自系统传感器的传感器数据。输入参量尤其可以是关于系统轨迹的轨迹数据和关于系统的环境或关于环境的时间上的变化的环境数据。
14.经训练的风格编码器通过先前的训练过程如此结构化，使得所述风格编码器从输入参量中提取描绘驾驶员的驾驶风格的信息并将其作为驾驶风格表示在潜在空间中提供。在此，风格编码器丢弃并不表征驾驶员的驾驶风格的信息。训练过程可以在使用人工产生的或实际检测的输入参量或训练数据的情况下进行。用于训练的人工产生的输入参量可以通过具有已知驾驶风格的理想驾驶员的至少一个驾驶员模型提供。在训练过程期间，可以发生输出参量的反馈，以便能够实现输出参量和输入参量之间的比较。在训练过程之后，可以至少部分地固定风格编码器的结构，即不进一步改变。
15.情景编码器从输入参量中提取描绘驾驶情景的所有信息并将其作为驾驶情景表示提供在潜在空间中。在此，情景编码器丢弃并不表征驾驶情景的信息。
16.风格解码器可以由驾驶风格表示和驾驶情景表示来再次创建应描绘输入参量的输出参量，因为驾驶风格表示和驾驶情景表示应以压缩的形式包含所有重要相关的信息。如此长久地匹配风格编码器的结构，直到输出参量描绘输入参量，以便由此匹配驾驶风格表示的内容。
17.也可以在使用神经网络的未经训练的风格解码器的情况下将驾驶风格表示和驾驶情景表示从潜在空间中解压缩成输出参量。为了训练风格解码器，可以改变风格解码器的结构，直到风格解码器的输出参量描绘所述运动。在此，可以共同地训练风格编码器和风格解码器。风格编码器在此学习，如此地提供驾驶风格表示，使得风格解码器能够由驾驶风格表示和驾驶情景表示解压缩出与输入参量等同的驾驶情景和驾驶风格。作为对策
(gegenzug)，风格解码器尤其学习正确解读驾驶风格表示。
18.经训练的情景编码器通过先前的训练过程如此结构化，使得所述情景编码器从输入参量中提取描绘车辆驾驶情景的信息并将所述信息作为驾驶情景表示提供在潜在空间中。情景编码器的训练过程在此可以在使用与风格编码器的训练过程相同的输入参量的情况下来进行。
19.在用于训练情景编码器的先前的步骤中，未经训练的情景编码器可以将传感输入参量压缩到潜在空间的至少一部分中成为驾驶情景表示。神经网络的情景解码器可以将驾驶情景表示从潜在空间中解压缩成输出参量。驾驶员分类器可以并行于此地将驾驶情景表示从潜在空间中解压缩成驾驶员信息。为了训练情景编码器，可以改变情景编码器的结构，直到驾驶员分类器不能由驾驶情景表示解压缩出驾驶员信息并且情景解码器的输出参量描绘所述运动和所述环境。可以在使用人工产生的训练数据的情况下训练情景编码器。可以在使用与风格编码器相同的训练数据的情况下训练情景编码器。驾驶员分类器可能具有关于用于产生训练数据的驾驶员模型的信息。由此，驾驶员分类器可以识别该驾驶员模型的驾驶风格部分或驾驶员信息。如果不能由驾驶情景表示解压缩出驾驶员信息，则风格编码器已从包含在输入参量中的信息中去除有关驾驶员的所有信息。然后，如果情景解码器还可以至少部分地恢复输入参量，则情景编码器正确地被训练。
20.可以在使用神经网络的未经训练的情景解码器的情况下将驾驶情景表示从潜在空间中解压缩成输出参量。为了训练情景解码器，可以改变情景解码器的结构，直到情景解码器的输出参量描绘运动和环境。可以共同地训练情景编码器和情景解码器。情景编码器在此学习，如此地提供驾驶情景表示，使得风格解码器能够由驾驶情景表示解压缩出与包含在输入参量中的驾驶情景等同的驾驶情景。作为对策，情景解码器尤其学习正确解读驾驶情景表示。
21.可以在使用预定义的特征规模的情况下对提取的驾驶风格表示进行分类。在驾驶风格表示中描绘的驾驶风格在此可以分配给多个可能的驾驶风格类别之一。例如，可以将属性分配给驾驶风格。例如，积极的(aggressiv)、稳重的、快速的或慢速的可以作为属性被分配。驾驶风格也可以被评估为平均的。
22.可以在至少两个不同的时刻提取驾驶风格表示。所提取的驾驶风格表示可以传递到特征空间中。可以在使用特征空间中的驾驶风格表示的累积的情况下对驾驶员的驾驶风格进行分类。驾驶风格表示是驾驶风格的瞬间拍摄(momentaufnahme)。在较长的时间段内，相同的驾驶员在相似的情景下可能反应略有不同。因此，驾驶风格表示在该时间段内可能变化并且形象地表达地在特征空间中迁移。在此，可以在该时间段内形成驾驶风格表示的重心或累积。基于该累积可以以高的可靠性对驾驶风格进行分类。
23.在使用所提取的驾驶风格表示和车辆的驾驶任务的情况下，当驾驶员激活自主驾驶模式以实施驾驶任务时，可以生成用于车辆的控制命令。通过之前检测的驾驶风格表示，车辆在自主驾驶模式下可以以与驾驶员自己之前驾驶非常相似的方式驾驶。由此，驾驶员可以感到非常舒适。
24.如果通过多个驾驶风格表示构成驾驶员的不同驾驶风格，则可以在切换为自主驾驶模式时询问驾驶员，车辆应该驾驶这些驾驶风格中的哪个。
25.在使用神经网络的经训练的情景编码器的情况下，可以将传感输入参量压缩到潜在空间的至少一部分中成为驾驶情景表示。在使用神经网络的风格解码器的情况下，可以将驾驶风格表示和驾驶情景表示从潜在空间中解压缩成输出参量。可以将在输出参量中描绘的运动与在输入参量中描绘的运动进行比较，以便检查风格编码器的训练。检查可以周期性地执行。通过检查，可以将驾驶风格表示的质量保持为高。检查在此可以以与训练类似的方式执行。如果输出参量不等同于输入参量，则神经网络可以独立地开始重新训练。神经网络的变化有利地可以不在行驶期间发生，而是离线地或在受控条件下发生。
26.在使用神经网络的情景解码器的情况下，可以将驾驶情景表示从潜在空间中解压缩成另一输出参量。可以将在输出参量中描绘的运动和周围环境与在输入参量中描绘的运动和周围环境进行比较，以便检查情景编码器的训练。检查可以周期性地执行。通过检查，可以将驾驶情景表示的质量保持为高。检查在此可以以与训练类似的方式执行。如果输出参量不等同于输入参量，则神经网络可以独立地开始重新训练。
27.该方法例如可以以软件或硬件或以软件和硬件的混合形式例如在控制设备中实现。
28.在此提出的方案还实现一种设备，该设备构造用于在神经网络中执行、操控或实现在此提出的方法的变体的步骤。
29.该设备可以是电设备，该电设备具有用于处理信号或数据的至少一个计算单元、用于存储信号或数据的至少一个存储器单元以及用于读入或输出嵌入通信协议中的数据的至少一个接口和/或通信接口。计算单元例如可以是信号处理器、所谓的系统asic或微控制器，以用于处理传感器信号并根据传感器信号输出数据信号。存储器单元例如可以是闪存、eprom或磁性存储器单元。接口可以构造为用于从传感器读入传感器信号的传感器接口，和/或构造为用于将数据信号和/或控制信号输出到执行器的执行器接口。通信接口可以构造用于以无线和/或有线方式读入或输出数据。接口也可以是软件模块，该软件模块例如与其他软件模块一起存在于微控制器上。
30.也有利的是一种具有程序代码的计算机程序产品或计算机程序，该程序代码可以存储在机器可读的载体或存储介质上，诸如半导体存储器、硬盘存储器或光学存储器，并且尤其是当该程序产品或程序在计算机或设备上实施时，该程序代码用于执行、实现和/或操控根据以上描述的实施方式中任一项所述的方法的步骤。
31.应当指出，本发明的可能的特征和优点中的一些在此参照不同的实施方式进行描述。本领域技术人员认识到，控制设备和方法的特征可以以合适的方式组合、匹配或交换，以便达到本发明的其他实施方式。
附图说明
32.下面参考附图对本发明的实施方式进行说明，其中，既不应将附图也不应将说明书理解为对本发明的限制。
33.图1示出根据一种实施例的具有设备的神经网络的图示；
34.图2示出训练情景编码器的图示；
35.图3示出训练风格编码器的图示；
36.图4示出提取驾驶风格表示的图示；
37.图5示出将多个驾驶风格表示传递到特征空间中的图示。
38.附图仅是示意性的并且不是按比例的。在附图中，相同的附图标记表示相同或相同作用的特征。
具体实施方式
39.图1示出根据一种实施例的具有设备102的神经网络100的图示。神经网络100具有风格编码器104、情景编码器106、潜在空间108、风格解码器110和情景解码器112。潜在空间108布置在编码器104、106与解码器110、112之间。风格编码器104配置用于将输入参量114压缩成驾驶风格表示116并且在潜在空间108提供该驾驶风格表示。输入参量114描绘了由驾驶员驾驶的车辆穿过车辆的环境的运动。情景编码器106配置用于将输入参量114压缩成驾驶情景表示118并且在潜在空间108中提供该驾驶情景表示。情景解码器110配置用于从潜在空间108中读出驾驶风格表示116和驾驶情景表示118并将其解压缩成输出参量120。情景解码器112配置用于从潜在空间108中读出驾驶情景表示118并且同样将其解压缩成输出参量120。
40.设备102与神经网络100连接。设备102在此尤其访问潜在空间108并且构造用于从潜在空间108中提取驾驶风格表示116。
41.在一种实施例中，驾驶员分类器122同样访问潜在空间108。驾驶员分类器122从潜在空间108中读出驾驶情景表示118。驾驶员分类器122尝试在使用存储的驾驶员标准的情况下由驾驶情景表示118创建驾驶员信息124或驾驶员身份。然而，如果情景编码器106正确地结构化，则驾驶情景表示118不包含任何以下特征：基于所述特征，驾驶员分类器122能够识别驾驶员。因此，在正确地产生驾驶情景表示118的情况下，不能成功辨识驾驶员。因此，驾驶员分类器122可以用于监控情景编码器106。
42.在一种实施例中，输入参量114是轨迹信息126和环境信息128。轨迹信息126描绘车辆的过去轨迹。在此，轨迹信息126例如包含带有时间戳的车辆过去位置的序列。然后由该序列能够推导出车辆在相应时刻的速度和方向。同样，由该序列可以确定车辆的加速和减速。环境信息128描绘车辆的环境。环境信息128尤其描绘环境随时间的变化。在此，例如可以将环境描绘为与周围环境中对象的方向和距离。
43.在此，输出参量120是轨迹数据130和环境数据132。风格解码器110输出轨迹数据130作为输出参量120。如果轨迹数据130等同于轨迹信息126，则风格解码器110与风格编码器104和情景编码器106正确地协作。
44.情景解码器112输出轨迹数据130作为输出参量120。如果轨迹数据130等同于轨迹信息126并且环境数据132等同于环境信息128，则情景解码器112与情况编码器112正确地协作。
45.图2示出训练图1中的情景编码器106的图示。在此，运行未经训练的情景编码器106、情景解码器112和驾驶员分类器122。神经网络100的其余部分在训练情景编码器106期间是不活动的。为情景编码器106提供训练数据200作为输入参量114。训练数据200描绘已知的驾驶员在不同情景中的驾驶风格。情景编码器106将训练数据200压缩到潜在空间108中成为驾驶情景表示118。情景解码器112从潜在空间108中读出驾驶情景表示118并将驾驶情景表示118解压缩成输出参量120。在此期间，驾驶员分类器122同样从潜在空间108中读
出驾驶情景表示118，并尝试基于已知驾驶员的已知驾驶员标准来识别驾驶员信息124。
46.将输出参量120与训练数据200进行比较。在使用机器学习方法的情况下如此长久地改变情景编码器106的结构，直到输出参量120等同于训练数据200。附加地，如此长久地改变情景编码器106的结构，直到驾驶员分类器122不再能够识别到驾驶员信息124。如果满足这些条件，则将情景编码器106的结构固定以用于下一步骤。
47.在一种实施例中，除了情景编码器106之外，还在使用机器学习方法的情况下如此长久地改变情景解码器112的结构，直到输出参量120等同于训练数据200并且直到驾驶员分类器122不再能够识别驾驶员信息124。
48.图3示出训练图1中的风格编码器104的图示。在此，运行经训练的情景编码器106、未经训练的风格编码器104和风格解码器110。情景解码器112在训练风格编码器104期间是不活动的。为风格编码器104和情景编码器106提供训练数据200作为输入参量114。风格编码器104将训练数据200压缩到潜在空间108中成为驾驶风格表示116。情景编码器106将训练数据200压缩到潜在空间108中成为驾驶情景表示118。风格解码器110从潜在空间108中读取驾驶风格表示116和驾驶情景表示118，并将其解压缩成输出参量120。将输出参量120与训练数据200进行比较。在使用机器学习方法的情况下如此长久地改变风格编码器104的结构，直到输出参量120等同于训练数据200。如果满足这些条件，则将风格编码器104的结构固定。
49.在一种实施例中，除了风格编码器104之外，还在使用机器学习方法的情况下如此长久地改变风格解码器110的结构，直到输出参量120等同于训练数据200。
50.图4示出提取驾驶风格表示116的图示。在此，运行经训练的风格编码器104。在提取驾驶风格表示116期间，神经网络100的其余部分是不活动的。替代于此，也可以仅将经训练的风格编码器104传递到车辆中。经训练的风格编码器104被馈送真实的输入参量114，并将这些输入参量压缩成驾驶风格表示116。风格编码器104在潜在空间108中提供驾驶风格表示116。设备102从潜在空间108中提取驾驶风格表示116。
51.在一种实施例中，在驾驶员驾驶车辆期间，风格编码器104被连续地馈送真实的输入参量114。收集驾驶风格表示116并对其进行进一步处理。
52.在一种实施例中，也运行情景编码器106，并且所述情景编码器将真实的输入参量压缩到潜在空间108中成为驾驶情景表示118。同样运行风格解码器110，并且所述风格解码器从潜在空间108中读出驾驶风格表示116和驾驶情景表示118并将其解压缩成输出参量120。将输出参量120与输入参量进行比较114。如果输出参量120等同于输入参量114，则风格编码器104和情景编码器106的结构是正确地训练的。如果输出参量120不等同于输入参量114，则要么风格编码器104和情景编码器106的结构二者均是发生故障的，要么至少风格编码器104的结构或情景编码器106的结构是发生故障的。
53.为了检查情景编码器106的结构，于是也可以运行情景解码器112和驾驶员分类器122。将情景解码器112的输出参量120与输入参量114进行比较。如果驾驶员分类器122不能够识别到驾驶员信息124并且输出参量120等同于输入参量114，则情景编码器106的结构正确地被训练。然后可以如在图3中地训练风格编码器104。如果驾驶员分类器122可以识别到驾驶员信息124或者输出参量120不等同于输入参量114，则情景编码器106的结构是发生故障的并且可以如在图2中地被训练。
54.图5示出将多个驾驶风格表示116传递到特征空间500中的图示。为了简化图示，特征空间500在此二维地示出。在特征空间的每个轴上绘制驾驶风格表示116的不同标准。特征空间500在此也可以是多维的。特征空间500尤其可以具有与驾驶风格表示116一样多的维度。每个驾驶风格表示116作为坐标点绘制在特征空间500中。
55.多个驾驶风格表示116在此或多或少地不同。由此在特征空间500中得到点云502。如果绘制多个相似的驾驶风格表示116，则在特征空间500中得到驾驶风格表示116的累积504。可以在使用累积504的情况下找出概括的驾驶风格506。例如，可以使用累积504的重心508，以便描述驾驶风格506。当驾驶员切换为自主或半自主驾驶模式时，可以使用具有重心506的值的驾驶风格表示116，以便操控车辆。通过使用重心506，可以很好地补偿异常值。
56.在一种实施例中，将具有不同驾驶风格506的不同驾驶员的驾驶风格表示116传递到特征空间500中。在此得到多个累积504，其可以部分地相交。基于不同的重心508可以定义不同的驾驶风格506。例如，驾驶员中的至少一个在此驾驶高风险的驾驶风格506，而至少另一驾驶员驾驶稳重的驾驶风格506。至少一个第三驾驶员驾驶介于高风险的驾驶风格506与稳重的驾驶风格506之间的平均的驾驶风格506。
57.在一种实施例中，将所找到的驾驶风格506作为可预选的驾驶风格用于为自主或半自主车辆产生控制命令。在此，自主或半自主车辆的使用者或驾驶员可以做出选择：车辆应该驾驶哪个驾驶风格。
58.换句话说，提出一种用于自动化驾驶的抽象的驾驶风格表示。
59.借助机器学习方法，在此处提出的方案中，从传感数据中提取关于车辆驾驶员的驾驶风格的信息。传统上，驾驶风格表示和驾驶风格分类基于手动参数化的特征，诸如例如加速率(beschleunigungsraten)或转向角转速(lenkwinkeldrehgeschwindigkeit)。相比之下，在此提出的方案实现一种抽象的表示，并且没有基于手动参数化的特征来构建解决方案。
60.人类驾驶员的驾驶风格的抽象表示是通过从汽车驾驶员的轨迹中提取汽车驾驶员的风格信息来实现的。借助该表示，可以对交通参与者风格做出适当的预测，这导致对其中应用了驾驶员辅助产品(da)或自动化驾驶(ad)的情景的更好的自动化的理解。所提出的方法利用：以抽象方式从潜在空间中提取一般轨迹的表示。
61.所提出的算法的方法和结构示出在抽象的驾驶风格提取中的改善和可能性。通过以下方式解决风格信息的提取：指导所提出的神经网络的所应用的编码器部分和解码器部分的训练过程。此外，应用信息瓶颈，该信息瓶颈改善信息的压缩。潜在空间不仅通过解码器而且通过分类器的引入的对抗性训练来表达(formuliert)。如此，借助限制来引导神经网络部分，所述限制有助于改善在编码器和解码器之间的潜在空间表示。由此实现神经网络，该神经网络从驾驶员的轨迹中获得抽象的驾驶风格表示。
62.给神经网络模型馈送传感输入，诸如轨迹和周围环境。轨迹可以表示为位置序列或时间帧之间的移位的序列。周围环境能够以不同的方式表示。例如，周围环境可以通过360行长的向量来描述，该向量描述围绕车辆周围对于每度的方向各个最近对象的间距。同样，周围环境可以表示为地图，尤其是高分辨率的地图。周围环境也可以表示为由环境渲染的图像。周围环境同样可以描绘为基于图形的表示。环境表示的确切形式可能有所不同。
63.在图1中示出的情景编码器对关于轨迹和周围环境的与情景有关的方面的信息进
行编码和提取，而风格编码器从相同的输入中提取出从情景表示中遗漏的内容。遗漏的内容相应于驾驶风格。网络的风格解码器尝试由两个编码器的潜在空间恢复原始输入。训练还由驾驶员id分类模块指导，该分类模块迫使情景编码器仅对以下信息进行编码：从该信息中不能识别出驾驶员。如此，情景表示不包含驾驶风格。该模型有意地包含信息瓶颈，该信息瓶颈有助于从输入中仅提取最少地足够的信息用于风格表示。通过迫使进行风格编码器的更好的抽象，情景编码器也变得更好。
64.训练分为不同的步骤。
65.图1示出该模型的完整架构。存在两个编码器，一个用于风格编码，一个用于情景编码。解码器也以这种方式划分。分类尝试从情景编码器的潜在空间中猜测驾驶员，这迫使其不对风格数据进行编码。
66.在第一训练步骤中训练情景编码器，如在图2中那样。
67.通过第一训练步骤，情景编码器学习如何从输入的轨迹中提取情景。在第二步骤中，风格编码器然后如在图3中那样学习在其输出中包含风格表示。
68.在训练结束之后，风格编码器可以如在图4中那样用于提取输入的风格，即向分别涉及的驾驶员提供信息。
69.在一种实施例中，抽象的驾驶风格表示用于自身车辆的风格的抽象表示。
70.驾驶员辅助系统(da)和自动化驾驶系统(ad)具有大量参数。这些参数在系统的开发过程期间进行校准。非安全关键的参数通常在一些测试之后由专家在测试的基础上借助一些手动设置的值进行调整。这尤其适用于影响ad系统的驾驶风格的参数。在此提出的方案能够实现系统地找到这种系统的正确的参数。这些参数提供真实的驾驶风格。可以提供详尽的驾驶风格组。
71.ad系统中更高的自动化程度对产品接受度提出新的挑战。在这些更复杂的系统中，产生驾驶员的显著更高的舒适性要求。如果功能正确且安全的车辆没有如驾驶员所期望的那样表现，则该车辆仍然会给最终用户带来极大的不适。因此，如果风格错误地取向，则存在由驾驶员否定的高风险。
72.不同的用户可能期望ad系统的不同的驾驶风格。通过此处提出的方案，可以系统地找到用于这种系统的真实驾驶风格的正确参数。这确保最终消费者的产品接受度和产品满意度。
73.在此处提出的方案中，找到这种系统的真实驾驶风格的正确参数。为此使用人工智能、尤其是机器学习，并且以抽象风格表示为基础。抽象风格表示使用机器学习，以便以独立于应被参数化的ad系统的方式来实现人类驾驶员的驾驶风格的表示或描绘。借此能够充分阐明人类驾驶员的驾驶风格。由这种探索能够找到对于人类驾驶员而言可接受的真实风格。对这些风格的搜索是自动化的，但是也可以对输出进行优化，从而导致对输出的完全控制。
74.抽象风格表示可以用于找到多种所期望的驾驶风格。为此，创建人类驾驶员的多个抽象风格表示。在此，为每个驾驶员或每个驾驶示例设置一个抽象的风格描述符。将抽象风格表示的空间中的风格分组为集群(cluster)。以这种方式完全地描绘可能的驾驶风格的空间。可以搜索集群的集群中心。这是集群的代表性元素。集群中心用作ad系统的可能的驾驶风格的候选者。对于每个所选择的集群代表，为ad系统的规划者定义一个参数组，该参
数组实现了这种风格。以这种方式，ad系统可以模仿这组驾驶员的驾驶风格。
75.通过增益学习或通过高斯过程能够搜索用于不可导函数的最佳参数值(在此，这是规划者的抽象驾驶风格描述与集群代表的风格的相似度)。然而，作为主要任务，规划者关注的是系统的安全。然而，在此，驾驶风格只在系统的安全范围内被模仿。驾驶员可以通过用户界面选择所期望的驾驶风格(例如在行驶期间)。
76.最后应当注意，术语如“具有”、“包括”等不排除其他元素或步骤，并且，术语如“一”或“一个”不排除多个。权利要求中的附图标记不应视为限制。