一种驾驶习惯自学习方法、自动驾驶方法、装置和车辆与流程

1.本技术实施例涉及车辆自驾驶技术，尤指一种驾驶习惯自学习方法、自动驾驶方法、装置和车辆。


背景技术：

2.车辆驾驶习惯数据通常预先存储在车载控制器中，驾驶员启动自动驾驶模式后，会按照这个预先存储的驾驶习惯数据自动驾车。
3.如果想要通过自学习的方式更新车载软件的驾驶习惯数据，就需要基于人脸识别方式重新对驾驶员进行识别，收集并学习驾驶习惯数据，然后将学习到的驾驶习惯数据存储到该驾驶员对应的数据库中。


技术实现要素：

4.本技术实施例提供了一种驾驶习惯自学习方法、自动驾驶方法、装置和车辆，不需要在车辆上安装人脸识别系统，能够大幅度节约成本，实现基于大数据进行驾驶习惯自学习。
5.本技术实施例提供了一种驾驶习惯自学习方法，所述方法可以包括：
6.获取驾驶员驾驶车辆过程中的一种或多种驾驶数据；
7.确定所述一种或多种驾驶数据被执行时对应的模式和/或量级；
8.将所述模式和/或量级作为识别所述驾驶员的身份标识的身份标识数据，并收集与所述身份标识对应的驾驶习惯数据；
9.将所述身份标识、所述身份标识数据和所述驾驶习惯数据进行对应存储。
10.在本技术的示例性实施例中，所述驾驶数据可以包括以下任意一种或多种：驾驶模式开关数据、驾驶座位记忆开关数据和加速踏板变化率数据；
11.所述确定所述一种或多种驾驶数据被执行时对应的模式和/或量级，可以包括：
12.确定所述驾驶模式开关数据对应的驾驶模式；
13.确定所述驾驶座位记忆开关数据对应的驾驶座位记忆模式；
14.确定所述加速踏板变化率数据对应的加速踏板变化数量级。
15.在本技术的示例性实施例中，所述将所述模式和/或量级作为识别所述驾驶员的身份标识的身份标识数据，可以包括：
16.将所述驾驶员驾驶过程中所采用的不同的驾驶模式、不同的驾驶座位记忆模式和/或不同的加速踏板变化数量级作为所述身份标识数据。
17.在本技术的示例性实施例中，所述身份标识数据可以包括：主要身份标识数据；
18.所述将所述驾驶员驾驶过程中所采用的不同的驾驶模式、不同的驾驶座位记忆模式和/或不同的加速踏板变化数量级作为所述身份标识数据，可以包括：
19.将不同的驾驶模式和不同的驾驶座位记忆模式相结合作为区分驾驶员的主要身份类型的所述主要身份标识数据。
20.在本技术的示例性实施例中，所述身份标识数据还可以包括：细分身份标识数据；
21.所述将所述驾驶员驾驶过程中所采用的不同的驾驶模式、不同的驾驶座位记忆模式和/或不同的加速踏板变化数量级作为所述身份标识数据，还可以包括：
22.将不同的加速踏板变化数量级作为对所述驾驶员的主要身份类型进行细分的所述细分身份标识数据。
23.在本技术的示例性实施例中，所述方法还可以包括：
24.将不同的驾驶员对应的所述身份标识数据和所述驾驶习惯数据存储到预设的云端数据库；
25.当车载控制器需要进行软件更新时，所述车载控制器与所述云端数据库进行通讯，将所述云端数据库中存储的不同的驾驶员对应的所述身份标识数据和所述驾驶习惯数据整合到更新软件中，并将所述更新软件下载到所述车载控制器中。
26.在本技术的示例性实施例中，所述方法还可以包括：
27.当根据已采集的驾驶数据的种类获得的身份标识数据不能唯一标识驾驶员的身份时，增加所述驾驶数据的种类。
28.本技术实施例还提供了一种驾驶习惯自学习装置，可以包括第一处理器和第一存储器，所述第一存储器中存储有第一指令，当所述第一指令被所述第一处理器执行时，实现所述的驾驶习惯自学习方法。
29.本技术实施例还提供了一种自动驾驶方法，基于所述的驾驶习惯自学习方法获取的身份标识以及相应的驾驶习惯数据；所述方法可以包括：
30.获取当前驾驶员的一种或多种驾驶数据；
31.确定所述一种或多种驾驶数据被执行时对应的模式和/或量级；
32.将所述模式和/或量级与存储的所述身份标识数据相比较，根据比较结果确定所述驾驶员的身份标识；
33.根据所述身份标识对应的驾驶习惯数据进行自动驾驶。
34.在本技术的示例性实施例中，所述驾驶数据可以包括以下任意一种或多种：驾驶模式开关数据、驾驶座位记忆开关数据和加速踏板变化率数据；
35.所述驾驶数据被执行时对应的模式和/或量级可以包括以下任意一种或多种：驾驶模式、驾驶座位记忆模式和加速踏板变化数量级；
36.所述身份标识可以包括：主要身份类型和细分身份类型；
37.所述身份标识数据可以包括：主要身份标识数据和细分身份标识数据。
38.在本技术的示例性实施例中，当所述驾驶数据包括所述驾驶模式开关数据和所述驾驶座位记忆开关数据，所述驾驶数据被执行时对应的模式和/或量级包括驾驶模式和驾驶座位记忆模式时，所述将所述模式和/或量级与存储的所述身份标识数据相比较，确定所述驾驶员的身份标识，可以包括：
39.将所述驾驶员实施的驾驶模式和驾驶座位记忆模式与存储的多种所述主要身份标识数据包含的驾驶模式和驾驶座位记忆模式相比较；
40.当所述驾驶员实施的驾驶模式和驾驶座位记忆模式与多种所述主要身份标识数据中任意一个或多个主要身份标识数据包含的驾驶模式和驾驶座位记忆模式相匹配时，将所匹配的所述主要身份标识数据对应的身份类型确定为所述驾驶员的主要身份类型。
41.在本技术的示例性实施例中，所述身份标识还可以包括：细分身份类型；所述身份标识数据还可以包括：细分身份标识数据；所述驾驶数据还包括所述加速踏板变化率数据；所述驾驶数据被执行时对应的模式和/或量级还可以包括：所述加速踏板变化数量级；
42.所述将所述模式和/或量级与存储的所述身份标识数据相比较，确定所述驾驶员的身份标识，还可以包括：
43.将所述驾驶员实施的加速踏板变化数量级与存储的多种所述细分身份标识数据包含的加速踏板变化数量级相比较；
44.当所述驾驶员实施的加速踏板变化数量级与多种所述细分身份标识数据中任意一个或多个细分身份标识数据包含的加速踏板变化数量级相匹配时，将所匹配的所述细分身份标识数据对应的身份类型确定为所述驾驶员的细分身份类型。
45.本技术实施例还提供了一种自动驾驶装置，可以包括第二处理器和第二存储器，所述第二存储器中存储有第二指令，当所述第二指令被所述第二处理器执行时，实现所述的自动驾驶方法。
46.本技术实施例还提供了一种车辆，可以包括：所述的驾驶习惯自学习装置和所述的自动驾驶装置。
47.本技术实施例的驾驶习惯自学习方法可以包括：获取驾驶员驾驶车辆过程中的一种或多种驾驶数据；确定所述一种或多种驾驶数据被执行时对应的模式和/或量级；将所述模式和/或量级作为识别所述驾驶员的身份标识的身份标识数据，并收集与所述身份标识对应的驾驶习惯数据；将所述身份标识、所述身份标识数据和所述驾驶习惯数据进行对应存储。通过该实施例方案，实现了不需要在车辆上安装人脸识别系统，大幅度节约了成本，实现了基于大数据进行驾驶习惯自学习。
48.本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
49.附图用来提供对本技术技术方案的理解，并且构成说明书的一部分，与本技术的实施例一起用于解释本技术的技术方案，并不构成对本技术技术方案的限制。
50.图1为本技术实施例的驾驶习惯自学习方法流程图；
51.图2为本技术实施例的驾驶习惯自学习方法实施例示意图；
52.图3为本技术实施例的驾驶习惯自学习装置组成框图；
53.图4为本技术实施例的自动驾驶方法流程图；
54.图5为本技术实施例的自动驾驶装置组成框图；
55.图6为本技术实施例的车辆组成框图。
具体实施方式
56.本技术描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本技术所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中
进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
57.本技术包括并设想了与本领域普通技术人员已知的特征和元件的组合。本技术已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本技术中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
58.此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本技术实施例的精神和范围内。
59.本技术实施例提供了一种驾驶习惯自学习方法，如图1所示，所述方法可以包括步骤s101-s104：
60.s101、获取驾驶员驾驶车辆过程中的一种或多种驾驶数据；
61.s102、确定所述一种或多种驾驶数据被执行时对应的模式和/或量级；
62.s103、将所述模式和/或量级作为识别所述驾驶员的身份标识的身份标识数据，并收集与所述身份标识对应的驾驶习惯数据；
63.s104、将所述身份标识、所述身份标识数据和所述驾驶习惯数据进行对应存储。
64.在本技术的示例性实施例中，所述驾驶数据可以包括但不限于以下任意一种或多种：驾驶模式开关数据、驾驶座位记忆开关数据和加速踏板变化率数据。
65.在本技术的示例性实施例中，区别于传统方案中基于人脸识别系统进行驾驶员识别并收集相关驾驶习惯数据的方案，本技术实施例方案可以根据驾驶模式开关数据、驾驶座位记忆开关数据和加速踏板变化率数据识别出车辆的驾驶员及其驾驶习惯数据。例如，可以根据不同的驾驶员驾驶车辆时所采用的驾驶数据对应的模式和/或量级来确定相应的驾驶员的身份，并相应地确定该驾驶员的驾驶习惯。
66.在本技术的示例性实施例中，所述确定所述一种或多种驾驶数据被执行时对应的模式和/或量级，可以包括：
67.确定所述驾驶模式开关数据对应的驾驶模式；
68.确定所述驾驶座位记忆开关数据对应的驾驶座位记忆模式；
69.确定所述加速踏板变化率数据对应的加速踏板变化数量级。
70.在本技术的示例性实施例中，所述将所述模式和/或量级作为识别所述驾驶员的身份标识的身份标识数据，可以包括：
71.将所述驾驶员驾驶过程中所采用的不同的驾驶模式、不同的驾驶座位记忆模式和/或不同的加速踏板变化数量级作为所述身份标识数据。
72.在本技术的示例性实施例中，所述身份标识数据可以包括：主要身份标识数据；
73.所述将所述驾驶员驾驶过程中所采用的不同的驾驶模式、不同的驾驶座位记忆模式和/或不同的加速踏板变化数量级作为所述身份标识数据，可以包括：
74.将不同的驾驶模式和不同的驾驶座位记忆模式相结合作为区分驾驶员的主要身份类型的所述主要身份标识数据。
75.在本技术的示例性实施例中，所述驾驶模式可以包括但不限于：第一驾驶模式和第二驾驶模式；所述驾驶座位记忆模式可以包括但不限于：第一驾驶座位记忆模式和第二驾驶座位记忆模式。
76.在本技术的示例性实施例中，可以根据不同的驾驶模式和不同的驾驶座位记忆模式相结合确定出驾驶员的主要身份类型，例如：
77.当驾驶员的驾驶数据包括第一驾驶模式和第一驾驶座位记忆模式对应的数据时，可以将驾驶员确定为a类驾驶员；
78.当驾驶员的驾驶数据包括第一驾驶模式和第二驾驶座位记忆模式对应的数据时，可以将驾驶员确定为b类驾驶员；
79.当驾驶员的驾驶数据包括第二驾驶模式和第一驾驶座位记忆模式对应的数据时，可以将驾驶员确定为c类驾驶员；
80.当驾驶员的驾驶数据包括第二驾驶模式和第二驾驶座位记忆模式对应的数据时，可以将驾驶员确定为d类驾驶员。
81.在本技术的示例性实施例中，所述身份标识数据还可以包括：细分身份标识数据；
82.所述将所述驾驶员驾驶过程中所采用的不同的驾驶模式、不同的驾驶座位记忆模式和/或不同的加速踏板变化数量级作为所述身份标识数据，还可以包括：
83.将不同的加速踏板变化数量级作为对所述驾驶员的主要身份类型进行细分的所述细分身份标识数据。
84.在本技术的示例性实施例中，所述加速踏板变化数量级可以包括但不限于第一加速踏板数量级和第二加速踏板数量级。
85.在本技术的示例性实施例中，在确定出驾驶员的主要身份类型后，可以根据不同的加速踏板变化数量级确定驾驶员对应的细分身份类型，例如：
86.如果驾驶员确定为a类驾驶员，且所述加速踏板变化数量级为所述第一加速踏板数量级，将驾驶员细分为a1类驾驶习惯；
87.如果驾驶员确定为a类驾驶员，且所述加速踏板变化数量级为所述第二加速踏板数量级，将驾驶员细分为a2类驾驶习惯；
88.如果驾驶员确定为b类驾驶员，且所述加速踏板变化数量级为所述第一加速踏板数量级，将驾驶员细分为b1类驾驶习惯；
89.如果驾驶员确定为b类驾驶员，且所述加速踏板变化数量级为所述第二加速踏板数量级，将驾驶员细分为b2类驾驶习惯；
90.如果驾驶员确定为c类驾驶员，且所述加速踏板变化数量级为所述第一加速踏板数量级，将驾驶员细分为c1类驾驶习惯；
91.如果驾驶员确定为c类驾驶员，且所述加速踏板变化数量级为所述第二加速踏板数量级，将驾驶员细分为c2类驾驶习惯；
92.如果驾驶员确定为d类驾驶员，且所述加速踏板变化数量级为所述第一加速踏板数量级，将驾驶员细分为d1类驾驶习惯；
93.如果驾驶员确定为d类驾驶员，且所述加速踏板变化数量级为所述第二加速踏板数量级，将驾驶员细分为d2类驾驶习惯。
94.在本技术的示例性实施例中，所述加速踏板变化数量级可以采用预设时长内加速踏板变化率超过门限的次数来表示。
95.在本技术的示例性实施例中，例如，如图2所示，如果车辆有两个驾驶座的记忆开关1、2，当驾驶员选择记忆开关1并且驾驶模式选择运动模式，标记为a类驾驶员，当在20分钟内检测到油门的加速踏板变化率超过门限次数超过6次，可以定义为a1驾驶习惯，当在20分钟内检测到油门的加速踏板变化率超过门限次数低于6次，可以定义为a2驾驶习惯；当驾驶员选择记忆开关1和驾驶模式选择经济模式，可以标记为b类驾驶员，当在20分钟内检测到油门的加速踏板变化率超过门限次数超过5次，可以定义为b1驾驶习惯，当在20分钟内检测到油门的加速踏板变化率超过门限次数低于5次，可以定义为b2驾驶习惯；当驾驶员选择记忆开关2和驾驶模式选择运动模式，可以标记为c类驾驶员，当在20分钟内检测到油门的加速踏板变化率超过门限次数超过6次，可以定义为c1驾驶习惯，当在20分钟内检测到油门的加速踏板变化率超过门限次数低于6次，可以定义为c2驾驶习惯；当驾驶员选择记忆开关2和驾驶模式选择经济模式，可以标记为d类驾驶员，当在20分钟内检测到油门的加速踏板变化率超过门限次数超过5次，可以定义为d1驾驶习惯，当在20分钟内检测到油门的加速踏板变化率超过门限次数低于5次，可以定义为d2驾驶习惯。
96.在本技术的示例性实施例中，如果车上的驾驶模式、驾驶座位记忆开关不止两个选项，可以增加定义驾驶习惯。
97.在本技术的示例性实施例中，所述方法还可以包括：
98.当根据已采集的驾驶数据的种类获得的身份标识数据不能唯一标识驾驶员的身份时，增加所述驾驶数据的种类。
99.在本技术的示例性实施例中，可以将车载控制器中关于驾驶习惯对应的数据(即驾驶习惯数据)与每个驾驶员挂钩。
100.在本技术的示例性实施例中，所述方法还可以包括：
101.将不同的驾驶员对应的所述身份标识数据和所述驾驶习惯数据存储到预设的云端数据库；
102.当车载控制器需要进行软件更新时，所述车载控制器与所述云端数据库进行通讯，将所述云端数据库中存储的不同的驾驶员对应的所述身份标识数据和所述驾驶习惯数据整合到更新软件中，并将所述更新软件下载到所述车载控制器中。
103.在本技术的示例性实施例中，可以把每个驾驶员的驾驶习惯数据分别存储到云端数据库中对应的不同存储空间，使得每个驾驶员在云端数据库中都有单独的驾驶习惯数据。
104.在本技术的示例性实施例中，有新的车载控制器的软件需要更新时，可以首先在云端数据库中，将每个驾驶员的驾驶习惯数据与新的车载控制器软件整合。其中，驾驶习惯数据可以以标定数据的格式存储在云端数据库中，通过creta等标定数据集成工具集成到可以行刷写的hex文件中。
105.在本技术的示例性实施例中，可以将整合后的软件下载到车载控制器中。
106.本技术实施例还提供了一种驾驶习惯自学习装置1，如图3所示，可以包括第一处理器11和第一存储器12，所述第一存储器12中存储有第一指令，当所述第一指令被所述第一处理器11执行时，实现所述的驾驶习惯自学习方法。
107.在本技术的示例性实施例中，上述的驾驶习惯自学习方法中的任意实施例均适用于该驾驶习惯自学习装置1实施例中，在此不再一一赘述。
108.本技术实施例还提供了一种自动驾驶方法，如图4所示，基于所述的驾驶习惯自学习方法获取的身份标识以及相应的驾驶习惯数据；所述方法可以包括步骤s201-s204：
109.s201、获取当前驾驶员的一种或多种驾驶数据；
110.s202、确定所述一种或多种驾驶数据被执行时对应的模式和/或量级；
111.s203、将所述模式和/或量级与存储的所述身份标识数据相比较，根据比较结果确定所述驾驶员的身份标识；
112.s204、根据所述身份标识对应的驾驶习惯数据进行自动驾驶。
113.在本技术的示例性实施例中，所述驾驶数据可以包括但不限于以下任意一种或多种：驾驶模式开关数据、驾驶座位记忆开关数据和加速踏板变化率数据。
114.在本技术的示例性实施例中，在驾驶员上车后，可以根据驾驶模式和驾驶座位记忆开关确定出驾驶员身份信息，并可以选择出对应的驾驶习惯数据，如果同样的驾驶模式开关和驾驶座位记忆开关有不同的驾驶员，可以结合加速踏板的变化率选择对应的驾驶习惯数据。
115.在本技术的示例性实施例中，随着驾驶员在开车踩踏板的过程中将新学到的数据又存储到云端数据库。
116.在本技术的示例性实施例中，所述驾驶数据被执行时对应的模式和/或量级可以包括以下任意一种或多种：驾驶模式、驾驶座位记忆模式和加速踏板变化数量级；
117.所述身份标识可以包括：主要身份类型和细分身份类型；
118.所述身份标识数据可以包括：主要身份标识数据和细分身份标识数据。
119.在本技术的示例性实施例中，当所述驾驶数据包括所述驾驶模式开关数据和所述驾驶座位记忆开关数据，所述驾驶数据被执行时对应的模式和/或量级包括驾驶模式和驾驶座位记忆模式时，所述将所述模式和/或量级与存储的所述身份标识数据相比较，确定所述驾驶员的身份标识，可以包括：
120.将所述驾驶员实施的驾驶模式和驾驶座位记忆模式与存储的多种所述主要身份标识数据包含的驾驶模式和驾驶座位记忆模式相比较；
121.当所述驾驶员实施的驾驶模式和驾驶座位记忆模式与多种所述主要身份标识数据中任意一个或多个主要身份标识数据包含的驾驶模式和驾驶座位记忆模式相匹配时，将所匹配的所述主要身份标识数据对应的身份类型确定为所述驾驶员的主要身份类型。
122.在本技术的示例性实施例中，所述身份标识还可以包括：细分身份类型；所述身份标识数据还可以包括：细分身份标识数据；所述驾驶数据还包括所述加速踏板变化率数据；所述驾驶数据被执行时对应的模式和/或量级还可以包括：所述加速踏板变化数量级；
123.所述将所述模式和/或量级与存储的所述身份标识数据相比较，确定所述驾驶员的身份标识，还可以包括：
124.将所述驾驶员实施的加速踏板变化数量级与存储的多种所述细分身份标识数据包含的加速踏板变化数量级相比较；
125.当所述驾驶员实施的加速踏板变化数量级与多种所述细分身份标识数据中任意一个或多个细分身份标识数据包含的加速踏板变化数量级相匹配时，将所匹配的所述细分身份标识数据对应的身份类型确定为所述驾驶员的细分身份类型。
126.在本技术的示例性实施例中，上述的驾驶习惯自学习方法中的任意实施例均适用于该驾驶习惯自学习装置1实施例中，在此不再一一赘述。
127.本技术实施例还提供了一种自动驾驶装置2，如图5所示，可以包括第二处理器21和第二存储器22，所述第二存储器22中存储有第二指令，当所述第二指令被所述第二处理器22执行时，实现所述的自动驾驶方法。
128.在本技术的示例性实施例中，上述的驾驶习惯自学习方法中的任意实施例均适用于该自动驾驶装置2实施例中，在此不再一一赘述。
129.本技术实施例还提供了一种车辆3，如图6所示，可以包括：所述的驾驶习惯自学习装置1和所述的自动驾驶装置2。
130.在本技术的示例性实施例中，上述的驾驶习惯自学习方法中的任意实施例均适用于该车辆3实施例中，在此不再一一赘述。
131.本技术实施例的驾驶习惯自学习方法可以包括：获取驾驶员驾驶车辆过程中的一种或多种驾驶数据；确定所述一种或多种驾驶数据被执行时对应的模式和/或量级；将所述模式和/或量级作为识别所述驾驶员的身份标识的身份标识数据，并收集与所述身份标识对应的驾驶习惯数据；将所述身份标识、所述身份标识数据和所述驾驶习惯数据进行对应存储。通过该实施例方案，实现了不需要在车辆上安装人脸识别系统，大幅度节约了成本，实现了基于大数据进行驾驶习惯自学习。
132.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

技术特征：
1.一种驾驶习惯自学习方法，其特征在于，所述方法包括：获取驾驶员驾驶车辆过程中的一种或多种驾驶数据；确定所述一种或多种驾驶数据被执行时对应的模式和/或量级；将所述模式和/或量级作为识别所述驾驶员的身份标识的身份标识数据，并收集与所述身份标识对应的驾驶习惯数据；将所述身份标识、所述身份标识数据和所述驾驶习惯数据进行对应存储。2.根据权利要求1所述的驾驶习惯自学习方法，其特征在于，所述驾驶数据包括以下任意一种或多种：驾驶模式开关数据、驾驶座位记忆开关数据和加速踏板变化率数据；所述确定所述一种或多种驾驶数据被执行时对应的模式和/或量级，包括：确定所述驾驶模式开关数据对应的驾驶模式；确定所述驾驶座位记忆开关数据对应的驾驶座位记忆模式；确定所述加速踏板变化率数据对应的加速踏板变化数量级。3.根据权利要求2所述的驾驶习惯自学习方法，其特征在于，所述将所述模式和/或量级作为识别所述驾驶员的身份标识的身份标识数据，包括：将所述驾驶员驾驶过程中所采用的不同的驾驶模式、不同的驾驶座位记忆模式和/或不同的加速踏板变化数量级作为所述身份标识数据。4.根据权利要求3所述的驾驶习惯自学习方法，其特征在于，所述身份标识数据包括：主要身份标识数据；所述将所述驾驶员驾驶过程中所采用的不同的驾驶模式、不同的驾驶座位记忆模式和/或不同的加速踏板变化数量级作为所述身份标识数据，包括：将不同的驾驶模式和不同的驾驶座位记忆模式相结合作为区分驾驶员的主要身份类型的所述主要身份标识数据。5.根据权利要求4所述的驾驶习惯自学习方法，其特征在于，所述身份标识数据还包括：细分身份标识数据；所述将所述驾驶员驾驶过程中所采用的不同的驾驶模式、不同的驾驶座位记忆模式和/或不同的加速踏板变化数量级作为所述身份标识数据，还包括：将不同的加速踏板变化数量级作为对所述驾驶员的主要身份类型进行细分的所述细分身份标识数据。6.根据权利要求1-5任意一项所述的驾驶习惯自学习方法，其特征在于，所述方法还包括：将不同的驾驶员对应的所述身份标识数据和所述驾驶习惯数据存储到预设的云端数据库；当车载控制器需要进行软件更新时，所述车载控制器与所述云端数据库进行通讯，将所述云端数据库中存储的不同的驾驶员对应的所述身份标识数据和所述驾驶习惯数据整合到更新软件中，并将所述更新软件下载到所述车载控制器中。7.根据权利要求1-5任意一项所述的驾驶习惯自学习方法，其特征在于，所述方法还包括：当根据已采集的驾驶数据的种类获得的身份标识数据不能唯一标识驾驶员的身份时，增加所述驾驶数据的种类。
8.一种驾驶习惯自学习装置，包括第一处理器和第一存储器，所述第一存储器中存储有第一指令，其特征在于，当所述第一指令被所述第一处理器执行时，实现如权利要求1-7任意一项所述的驾驶习惯自学习方法。9.一种自动驾驶方法，其特征在于，基于权利要求1-7任意一项所述的驾驶习惯自学习方法获取的身份标识以及相应的驾驶习惯数据；所述方法包括：获取当前驾驶员的一种或多种驾驶数据；确定所述一种或多种驾驶数据被执行时对应的模式和/或量级；将所述模式和/或量级与存储的所述身份标识数据相比较，根据比较结果确定所述驾驶员的身份标识；根据所述身份标识对应的驾驶习惯数据进行自动驾驶。10.根据权利要求9所述的自动驾驶方法，其特征在于，所述驾驶数据包括以下任意一种或多种：驾驶模式开关数据、驾驶座位记忆开关数据和加速踏板变化率数据；所述驾驶数据被执行时对应的模式和/或量级包括以下任意一种或多种：驾驶模式、驾驶座位记忆模式和加速踏板变化数量级；所述身份标识包括：主要身份类型和细分身份类型；所述身份标识数据包括：主要身份标识数据和细分身份标识数据。11.根据权利要求10所述的自动驾驶方法，其特征在于，当所述驾驶数据包括所述驾驶模式开关数据和所述驾驶座位记忆开关数据，所述驾驶数据被执行时对应的模式和/或量级包括：驾驶模式和驾驶座位记忆模式时，所述将所述模式和/或量级与存储的所述身份标识数据相比较，确定所述驾驶员的身份标识，包括：将所述驾驶员实施的驾驶模式和驾驶座位记忆模式与存储的多种所述主要身份标识数据包含的驾驶模式和驾驶座位记忆模式相比较；当所述驾驶员实施的驾驶模式和驾驶座位记忆模式与多种所述主要身份标识数据中任意一个或多个主要身份标识数据包含的驾驶模式和驾驶座位记忆模式相匹配时，将所匹配的所述主要身份标识数据对应的身份类型确定为所述驾驶员的主要身份类型。12.根据权利要求11所述的自动驾驶方法，其特征在于，所述身份标识还包括：细分身份类型；所述身份标识数据还包括：细分身份标识数据；所述驾驶数据还包括所述加速踏板变化率数据；所述驾驶数据被执行时对应的模式和/或量级还包括：所述加速踏板变化数量级；所述将所述模式和/或量级与存储的所述身份标识数据相比较，确定所述驾驶员的身份标识，还包括：将所述驾驶员实施的加速踏板变化数量级与存储的多种所述细分身份标识数据包含的加速踏板变化数量级相比较；当所述驾驶员实施的加速踏板变化数量级与多种所述细分身份标识数据中任意一个或多个细分身份标识数据包含的加速踏板变化数量级相匹配时，将所匹配的所述细分身份标识数据对应的身份类型确定为所述驾驶员的细分身份类型。13.一种自动驾驶装置，包括第二处理器和第二存储器，所述第二存储器中存储有第二指令，其特征在于，当所述第二指令被所述第二处理器执行时，实现如权利要求9-12任意一项所述的自动驾驶方法。
14.一种车辆，其特征在于，包括：如权利要求8所述的驾驶习惯自学习装置和如权利要求13所述的自动驾驶装置。

技术总结
本申请实施例提供了一种驾驶习惯自学习方法、自动驾驶方法、装置和车辆，该驾驶习惯自学习方法包括：获取驾驶员驾驶车辆过程中的一种或多种驾驶数据；确定所述一种或多种驾驶数据被执行时对应的模式和/或量级；将所述模式和/或量级作为识别所述驾驶员的身份标识的身份标识数据，并收集与所述身份标识对应的驾驶习惯数据；将所述身份标识、所述身份标识数据和所述驾驶习惯数据进行对应存储。通过该实施例方案，能够不需要在车辆上安装人脸识别系统，大幅度节约了成本，实现了基于大数据进行驾驶习惯自学习。驾驶习惯自学习。驾驶习惯自学习。


技术研发人员：高阳 王瑞光 黄伟山 刘义强
受保护的技术使用者：宁波吉利罗佑发动机零部件有限公司 极光湾科技有限公司
技术研发日：2023.03.31
技术公布日：2023/7/4