英语原文共 21 页，剩余内容已隐藏，支付完成后下载完整资料

摘要

公开了允许导航系统从用户个人驾驶历史中学习的自适应导航技术。 作为用户驱动，模型被开发和维护，以学习或以其他方式捕获驾驶员的个人驾驶习惯和偏好。 示例模型包括道路速度，危险，有利的和不利的路线模型。 也可以使用其他属性，无论是基于用户的个人驾驶数据还是从多个用户聚合的驾驶数据。 可以在明确的条件（例如，日/时间的时间，驾驶员ID）或在隐式条件（例如，天气，驾驶员紧急性，从传感器数据推断）下学习模型。 因此，可以在多个条件下学习多个属性的模型以及每个属性的一个或多个模型。 属性可以根据用户偏好加权。 属性权重和模型可用于为用户选择最佳路由。

生成属性模型,在自适应导航系统中使用。

相关申请

本申请是美国申请的延续。2006年11月2日提交的与美国有关的第11 / 556,128号应用程序 2006年11月2日提交的题为“第11 / 556,120号”的第11 / 556,120号“自适应和个性化导航系统”。 全部前述内容通过引用并入本文整体。

技术领域

本发明涉及导航系统，更具体地说，一个从学习的自适应导航系统用户的驾驶历史。

背景技术

车辆导航系统通常使用位置数据，从全球定位系统（GPS）系统来确定车辆的位置。这样的系统还可以包括附加的传感器如里程表或陀螺仪提供GPS信号缺乏时的推算导航。在操作时，驱动程序将目的地址输入车辆导航系统。然后导航系统

计算车辆的位置和行驶路线，并引导司机到达目的地，使用声音和视觉指示。方向来自地图系统可访问的数据（例如，存储在硬盘驱动器、CD或读存储器）。一些系统将交通信息整合并提供方向，从而允许用户选择较少拥挤的路线。这样的导航系统虽然有帮助，但是有一些相关的问题。一个问题是很多传统的导航系统并不适应，而且继续下去犯同样的错误或以其他方式提供不合需要的方向反复。例如，假设一条路所谓的El Camino Real是缓慢的（例如，许多红绿灯）。然而，传统的导航系统了解这一点道路快，因为它也是一个编号的国家路线（CA

路线82），尽管司机持续的沮丧，行车路线尽可能地使用该路线。一些更先进的导航系统可以确定一个司机的道路平均道路速度经常行驶，所以可以计算估计的行车时间。其他导航系统可以学习经常驱动的路由，这样最少可以给这些路线指示（从而分散注意力）。虽然这样的导航系统提供额外的驱动程序支持，它们仍然不够适应性。例如，这样的系统不能考虑改变时间（例如高峰时间与周末）和不同的条件（例如，当道路正在建设中时，是不同的天气条件，司机匆忙，本地体育场活动刚刚结束等）。此外，常规系统不能同时考虑多个路由属性;他们也不考虑多个条件。而且，一些这样的系统汇总来自所有用户的信息（而不是个人用户）。这些基于聚合的系统通常需要建立的通用基础设施（集中的交通数据库或服务器），并且取决于获得“临界质量”早期采用者成功部署。另外，这样的聚合系统提供了代表性的覆盖，他们没有考虑个人驾驶历史的相关性。因此，需要的是自适应导航技术。

发明内容

本发明的一个实施方案是一种方法生成用于导航系统的属性模型。该过程包括计算每个期望值属性沿着每个覆盖的一个或多个路段为用户驾驶会话，计算默认值看不见尚未旅行的路段，形成一个或多个基于相应属性的属性模型属性值。该方法还可以包括学习对于一个或多个中的至少一个的条件变体属性模型。在一个这样的实施例中，一些变体包括确定一个显式或一个隐含条件适用于特定的条件变体的模型。对于明确的条件，学习条件变体可以进一步包括为显式定义数据桶目标属性的条件，存储计算的属性数据用于来自多个驾驶的一个或多个路段会话进入适当的桶，并形成基于属性的每个桶的变体模型数据条件。这里，该方法还可以包括重复定义，存储和形成条件，用于多个属性中的每一个的变体模型。隐含的条件，学习条件变体可以进一步包括形成（用于每个驾驶会话）目标的迷你模型属性通过统计合并计算的属性数据那个驾驶课程，识别出类似迷你型号的对使用相似性度量，并基于类似迷你模型对的属性数据的模型形成条件变量。响应于不符合停止标准的方法可进一步包括重复识别和形成条件变量模型，直到满足停止标准。该方法还可以包括重复形成模型，识别，形成条件变体模型，并为多个属性中的每一个进行重复。对于适用于特定的显式和隐含条件模型的条件变体，学习条件变体可以进一步包括为...计算的分区属性数据来自多个驾驶会话的一个或多个道路段，通过明确的条件转化为适当的数据桶，基于相似性在数据桶内聚类属性数据度量以在每个内部形成隐式条件变体明确的条件。或者或除了该方法之外还可以包括形成目标的迷你模型属性通过统计合并计算的属性数据相应的驾驶课程，识别对使用相似性度量的迷你模型，形成隐含的基于来自对的属性数据的条件变体模型的迷你模型，并分配属性数据每个隐式条件变量模型转换成适当的数据桶显式条件。该方法可以包括存储一个或多个属性模型和任何条件变体，使得它们随后可以被路线访问发电机。在一个特定情况下，至少一个或更多的属性模型提供了一个总结统计量驾驶期间观察到的属性值。计算每个期望值的属性可以包括，例如应用属性传感器数据的估计规则来计算每个数据的值所需属性。计算未看见的路段的默认值可能包括，例如计算摘要基于已观察到的属性值的统计量。

本发明的另一实施例提供一种或更多的机器可读介质（例如，一个或多个紧凑型磁盘，磁盘，服务器，记忆棒或硬盘驱动器）用指令编码，当由一个或多个执行时处理器，使处理器执行一个进程生成用于导航系统的属性模型。该过程可以是例如类似于变化的前面描述的方法。本发明的另一个实施方案提供了系统生成导航中使用的属性模型系统。系统功能可以用实现手段的数量，例如软件（例如，可执行指令编码在一个或多个计算机可读介质上），硬件（例如门级逻辑或一个或多个ASIC）固件（例如，具有I / O能力的一个或多个微控制器以及用于执行功能的嵌入式例程本文描述）或其某些组合。

这里描述的特征和优点不是全然的，特别是许多附加功能优点对于本领域普通技术人员将是显而易见的鉴于数字和描述。而且应该是注意到说明书中使用的语言是主要是为了可读性和教学目的而选择，而不是限制本发明的范围。

具体实施方式

公开了适应于的导航技术随着时间的推移和其他条件下的变化，个性化个人的驾驶风格，偏好和道路知识。如果是基于个人和基于组的数据的好处，这些技术可以选择使用结合从多个用户汇总的数据。作为用户驱动，建模师被雇用开发和维护属性模型，有效捕获驱动程序个人驾驶习惯和喜好。示例模型包括道路速度模型，危险模型，优惠路线模型和不利的路线模型。其他属性相关联用户的驾驶体验可以被建模为无论是基于用户的个人驾驶数据还是驾驶从多个用户聚合的数据。在一个特别的实施例中，每个建模者被配置为不仅要了解属性的一个模型，而且可以多个学习的替代模型，每个替代对应以某种方式影响属性的条件。

明确条件：例如考虑道路速度配置为学习四个独立模型的建模者：早晨高峰时段模式（例如星期一上午6:30至9:30到周五），一个晚上的小时模式（例如下午3:30到周一至周五下午6:30），中午工作日模式（例如上午9:30至下午3:30，或其他非高峰时段的周末日间）和周末模特儿。当路速度建模者收集其对道路速度数据的观察，它的文件他们进入四种型号中的哪一种当前适用（例如，假设系统可以访问星期几时间信息）。同样，当道路速度建模者预测旅行时间，它还使用四种模式中的哪一种目前适用。在这个例子中，明确的条件是星期几和时间。另一个例子明确的条件是任何车辆的特定司机一次开车。在这里，可以有一个属性模型（或对于汽车的每个驾驶员系统可以访问驱动程序ID信息）。

隐性条件：实际而且持续以道路速度建模者为例，无数可以影响道路速度的条件，如司机是否匆忙，各种天气条件，是否体育或音乐会事件刚刚结束，是否有一个事故或道路建设等等。明确的条件方法对于处理所有这些都是不可行的可能的情况，因为很难预见所有这些，并且因为很难提供系统具有推导出哪些条件所需的信息适用（例如，如同星期几和时间，或驾驶员ID信息）。因此，可以采用聚类方法。这种方法从感兴趣的属性（如道路速度）的迷你模型开始，每个迷你模型对应到一个单一的驾驶课程（注意，一个迷你型号可能在每个会话中包括多个读取）。迷你型号如果它们具有类似的数据，则将它们合并（“聚集”），如通过使用相似性度量来确定。实现这种聚类的一种算法是分级聚集聚类（HAC）。该算法产生一组有条件的属性模型的变体，每个对应于影响驾驶的一些条件（例如，驾驶员是否是匆忙，无论是下雨还是下雪，无论是假期，是否因事故/施工而放缓前进等）。

一旦已经推断派生了一组条件变体或预定义的，哪一个适用于任何给定的驾驶会话可以确定。由于明确的规则是预定义的，所以这个过程与明确的条件相对来说比较简单（例如，这是从6:30开始使用的平日M-F的变种上午9:30）。但是隐含的条件是没有这样的规则。因此，并根据一个特定的可以采用本发明的实施例，可以采用具有贝叶斯更新的概率建模。作为新的驾驶会话开始，最初的概率（或权重）分配给每个N条件。随着推动收益，收集关于驾驶速度（或应用）的观察制动器或任何其他驾驶事件与所涉及的属性模型相关）。每次观察被收集，有效地确定了如何一致的是观察每个N条件。一个执行概率（或重量）的贝叶斯更新在每个N条件下相应地。因此，在任何时候，有一组概率（或权重），一个重量每个条件，这表明一个特定的可能性条件实际上适用于目前的驾驶课程。

确定地找到路线，随后调整适用条件的适用性（例如，如果是上午7:30的星期三，基于用户从“高峰时段”条件列表中选择的路线的度量 ）。 在隐含的路线呈现。 注意，离线功能组件的情况下，每个条件只能有一个可能（应该）重新应用的概率，作为系统（例如，对于“雨天”条件为0.8，对于5 在正常运行期间积累更多驾驶课程。“干燥天气”条件）。 在该示例的情况下，可以使用下雨系统架构天气属性模型（基于更高的图1是根据根据本发明的一个实施例配置的当前分配给“雨天”条件的自适应导航系统重量的框图 相对于当前分配给“干燥天气”发明的重量的情况）。可以看出，该系统包括一个GPS接收机101，一个提出的路线，该系统可以组合旅行时间预测传感器103，位置检测器模块105，雨天和干燥天气条件变量 - 属性模型学习模块107，道路速度模型的地图数据存储蚂蚁，使用加权平均值为109，路径发生器模块111，属性加权概率0.8和0.2。 注意，这是使用模块113，显示/音频模块115和用户界面属性模型的多个条件变体来评估模块117的情况。系统还可以包括一个或多个其他属性。 传感器（通常称为其它传感器102）。例如，在诸如汽车，卡车的车辆中，可以用于将用户引导到目标目的地，可以是出租车，公共汽车和其他这样的移动车辆。 虽然这种基于该路线的例子的组合对得到的可取性有利于陆上导航，但相同的原则属性（例如，最快和最有风景的路线，或最快的可应用于水基）。如果需要的话，学习适当的重量（例如飞机）导航。 每个路由属性基于用户反馈。 学习GPS接收机101被配置为用于接收GPS属性权重，可以使用用于学习信号的技术来实现，并且可以用常规技术来排列等级度量来实现。

测量可以由诸如GPS接收器101，推算位移传感器103和先前讨论的其它传感器102（例如，性能传感器，接近传感器和大气传感器）之类的传感器来实现。这样的驾驶会话数据可用于帮助确定每个可应用的属性模型的哪个条件变体使用。属性估计规则用于从测量值估计期望属性的值，并且可以是由学习模块107使用的相同规则。这些规则由路由生成器模块111用于在驾驶会话中转换传感器测量结果远远属于属性值。属性权重集指定了特定用户在整个路由期望中每个属性的相对重要性。在该示例性实施例中，由属性加权模块113学习权重集合，如下面将要说明的那样。路线生成器模块111的示例性输出包括从点A（例如，用户的当前位置）到B的候选路线的列表（例如，由用户输入的目标目的地输入），通过减少的可取性排序。路由发生器模块111还可以从候选路由输出由用户选择的从A到B的路由。回想一下，用户最终选择的路由可能与具有最高希望得分的路由不同。将参照图1和图2更详细地讨论路线生成器111。图4a和4b。属性加权模块113被编程或以其他方式被配置为学习提供给路线生成器模块111的一组属性权重，用于将不同属性组合成用于估计路线的可取性的总体度量。对属性加权模块113的输入示例包括一组属性权重（一个到目前为止使用的每个属性一个），候选路由的列表以及用户最终选择的路由。最初，属性权重被设置为默认值，其捕获一般司机群体中不同属性的相对重要性（例如道路速度上的高权重，路线简单性上的中等重量，路线安全性上的适度重量）。这些属性权重可以例如存储在模块113本身或存储109（或某些其他合适的存储器）中，并且根据用户输入的属性期望学习进行细化。候选路线的列表按路径发生器模块111产生的可取性得分减去排序。属性加权模块113的示例性输出包括默认的属性权重集合或修改后的属性权重集合（基于实际路由选择由用户）将来使用。在操作中，一旦学习模块107已经学习了几种不同属性（例如，道路速度，偏好，道路危险等）的模型，则根据一个实施例，它们可以被有效地组合成给定路线的可取性的总分的本发明。这种组合可以例如由路径发生器模块111或一些其他专用路线评分模块来执行。在一个特定实施例中，这种路线得分的形式是线性组合。在一种这种情况下，路由器的可取性得分由路由生成器模块111计算如下：Scorer SUM w，x〜。这里，i表示特定属性，是1〜1的范围内的数，I等于路由属性的总数; x表示路由器的属性值（例如，路由长度，路由的预期行进时间，路由的危险等级，用户对路由的熟悉程度，路由的用户喜好/不喜欢，平均用户速度在路

全文共5908字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[144372]，资料为PDF文档或Word文档，PDF文档可免费转换为Word