座椅调节

技术领域

本公开涉及车辆中的座椅调节。

背景技术

车辆通常包括用于容纳车辆的乘员的乘客舱。乘客舱通常包括设置在乘客舱的前部的一个或多个前座椅、设置在前座椅后方的一个或多个后座椅，以及可能的在乘客舱后部的第三排座椅。座椅可以包括座椅靠背、座椅底部和头部约束件。座椅靠背、座椅底部和/或头部约束件常常是在多个自由度上可调节的。

发明内容

一种系统包括计算机，所述计算机包括处理器和存储器，所述存储器存储可由处理器执行以存储乘员的配置文件的指令。配置文件包括座椅中的乘员的坐姿的多个集群，以及相应集群为优选或非优选的分类。指令还包括用于基于相应集群中的相应坐姿的就座分数来将该集群分类为优选或非优选的指令。较高的就座分数增加分类为优选的可能性。指令还包括用于接收指示座椅中的乘员的一系列相应坐姿的一系列压力图的指令。压力图包括当前压力图。指令还包括用于响应于坐姿中的一个坐姿的就座分数大于阈值分数而将该坐姿分配给所述集群中被分类为优选的一个集群的指令。指令还包括用于响应于当前坐姿处于集群中被分类为非优选的一个集群而调节座椅的物理配置的指令。

指令还可以包括用于基于乘员输入数据来确定相应坐姿的就座分数的指令。

指令还可以包括用于基于计时器到期来请求乘员输入的指令。

指令还可以包括用于基于检测到当前坐姿已经改变来请求乘员输入的指令。

指令还可以包括用于进行以下操作的指令：基于从相应集群到相应其他集群的转变概率的矩阵或包括当前坐姿的集群与相应其他集群之间的集群相似性度量中的一者来预测包括当前坐姿的集群最可能转变到的所述集群中的一个集群。矩阵是基于一系列压力图。所述指令还可以包括用于基于集群中的所述预测的一个集群来调节座椅的配置的指令。

所述指令还可以包括用于进行以下操作的指令：响应于当前坐姿在所述集群中被分类为优选的一个集群中，而基于该集群的生存函数来预测该集群在一段时间之后将是非优选的。生存函数确定该集群在该段时间之后将是优选的概率。指令还可以包括用于基于预测来调节座椅的配置的指令。

该段时间可以指定乘员保持在当前坐姿的时间量。该段时间可以指定乘员保持在包括当前坐姿的集群中的一个或多个坐姿的时间量。该段时间可以指定乘员保持在座椅中的时间量。

指令还可以包括用于基于两个集群之间的重叠和两个集群具有同一分类来将两个集群组合成单个集群的指令。

指令还可以包括用于进行以下操作的指令：基于一系列坐姿中的每个坐姿与所述集群中的每个集群之间的相似性度量来将所述每个坐姿分类到所述集群中的一个集群。

指令还可以包括用于进行以下操作的指令：响应于所述坐姿中的一个坐姿与所述集群中的每个集群之间的相似性度量中没有一个相似性度量高于阈值相似性，而创建新的集群并将该坐姿分配到新的集群中。

集群可以基于多个其他乘员的坐姿。指令还可以包括用于进行以下操作的指令：确定乘员的多个特征，并且集群可以仅基于乘员和具有与所述乘员相同的特征的其他乘员的坐姿。特征可以包括相应乘员以所述坐姿就座其中的车辆类型。特征可以包括关于乘员的人群信息。

集群可以至少部分地基于其他乘员的坐姿，直到乘员的一系列压力图的收集距离或收集时间增加到高于相应的距离阈值或时间阈值，之后集群可以完全基于乘员的一系列坐姿。

一种系统包括具有可调节的物理配置的座椅和通信地耦合到所述座椅的计算机。计算机被编程为存储乘员的配置文件。配置文件包括座椅中的乘员的坐姿的多个集群，以及相应集群为优选或非优选的分类。计算机还被编程为基于相应集群中的相应坐姿的就座分数来将相应集群分类为优选或非优选的。较高的就座分数增加分类为优选的可能性。计算机还被编程为接收指示座椅中的乘员的一系列相应坐姿的一系列压力图。压力图包括当前压力图。计算机还被编程为响应于坐姿中的一个坐姿的就座分数大于阈值分数而将该坐姿分配给所述集群中被分类为优选的一个集群。计算机还被编程为响应于当前坐姿处于所述集群中被分类为非优选的一个集群而调节座椅的物理配置。

物理配置可以包括座椅的倾斜度、座椅的高度、座椅的倾斜角度、座椅的腰部支撑位置、或由座椅支撑的气囊的填充水平中的至少一者。

一种方法包括存储乘员的配置文件。所述配置文件包括座椅中的乘员的坐姿的多个集群，以及相应集群为优选或非优选的分类。所述方法还包括基于相应集群中的相应坐姿的就座分数来将该集群分类为优选或非优选的。较高的就座分数增加分类为优选的可能性。所述方法还包括：接收指示座椅中的乘员的一系列相应坐姿的一系列压力图。压力图包括当前压力图。所述方法还包括：响应于坐姿中的一个坐姿的就座分数大于阈值分数而将该坐姿分配给所述集群中被分类为优选的一个集群。所述方法还包括：响应于当前坐姿处于所述集群中被分类为非优选的一个集群而调节座椅的物理配置。

本文还公开了一种计算装置，所述计算装置被编程为执行上述方法步骤中的任一者。本文还公开了一种计算机程序产品，所述计算机程序产品包括计算机可读介质，所述计算机可读介质存储可由计算机处理器执行以执行上述方法步骤中的任一者的指令。

附图说明

图1是示例性车辆的俯视图，其中为了进行说明而暴露出了乘客舱。

图2是车辆的座椅的透视图。

图3是表示座椅中的乘员的坐姿的压力图。

图4是用于座椅的系统的框图。

图5是用于初始化乘员的坐姿的配置文件的示例性过程的过程流程图。

图6是用于更新配置文件的示例性过程的过程流程图。

图7是用于调节座椅的物理配置的示例性过程的过程流程图。

具体实施方式

参考附图，车辆100的计算机102包括处理器和存储器，所述存储器存储指令，所述指令可由处理器执行以存储乘员的配置文件。配置文件包括座椅106中的乘员的坐姿的多个集群，以及相应集群为优选或非优选的分类。指令还包括用于基于相应集群中的相应坐姿的就座分数来将该集群分类为优选或非优选的指令。较高的就座分数增加分类为优选的可能性。指令还包括用于接收指示座椅106中的乘员的一系列相应坐姿的一系列压力图104的指令。压力图104包括当前压力图104。指令还包括用于响应于坐姿中的一个坐姿的就座分数大于阈值分数而将该坐姿分配给所述集群中被分类为优选的一个集群的指令。指令还包括用于进行以下操作的指令：响应于当前坐姿处于所述集群中被分类为非优选的一个集群而调节座椅106的物理配置。

计算机102可以以乘员认为合适的(例如，舒适的)方式并且以促使乘员使用乘员认为合适的坐姿的方式来配置座椅106。配置文件可以跟踪乘员认为合适的多个坐姿，并且配置文件可以随着乘员偏好的改变而随时间更新。

参考图1，车辆100可为任何合适类型的汽车，例如乘用车或商用车，诸如四门轿车、双门小轿车、卡车、运动型多用途车、跨界车、厢式货车、小型货车、出租车、公共汽车等。例如，车辆100可为自主的。换句话说，车辆100可以自主操作，使得车辆100可以在没有驾驶员持续关注的情况下被驾驶，即，车辆100可以在没有人类输入的情况下自动驾驶。

车辆100包括用于容纳车辆100的乘员(如果有的话)的乘客舱108。乘客舱108包括设置在乘客舱108的前部的一个或多个前座椅106以及设置在前座椅后面的一个或多个后座椅106。乘客舱108还可以包括在乘客舱108后部的第三排座椅106(未示出)。在图1中，前座椅106被示为斗式座椅，并且后座椅106被示为长条座椅，但是座椅106可以是其他类型。

参考图2，乘客占用的座椅106可以包括座椅靠背110、座椅底部112和头部约束件114。头部约束件114可以由座椅靠背110支撑，并且可以相对于座椅靠背110是固定的或可移动的。座椅靠背110可以由座椅底部112支撑，并且可以相对于座椅底部112是固定的或可移动的。座椅靠背110、座椅底部112和/或头部约束件114可以是在多个自由度上可调节的。具体地，座椅靠背110、座椅底部112和/或头部约束件114本身可以是可调节的。换句话说，座椅靠背110、座椅底部112和/或头部约束件114内具有可调节部件，和/或可以是相对于彼此可调节。

座椅106具有可调节的物理配置。物理配置是座椅106的可调节部件(例如，座椅靠背110、头部约束件114、座椅底部112、扶手等)的位置或设置的组合。物理配置包括座椅106的倾斜度、座椅106的高度、座椅106的倾斜角度或座椅106的腰部支撑位置中的至少一者。座椅106的倾斜度是座椅底部112相对于乘客舱108关于横轴的角度，即座椅底部112的俯仰度。座椅106的高度是座椅底部112上的参考点相对于乘客舱108的竖直距离。座椅106的倾斜角度是座椅靠背110相对于座椅底部112的角度。腰部支撑位置是位于座椅靠背110中的腰部支撑杆116相对于座椅靠背110的车辆向前位置。另外或替代地，座椅106可以是在其他自由度上可调节的。

座椅106包括调节座椅106的部件的位置或设置的多个座椅致动器118。例如，座椅致动器118可以包括用于使座椅靠背110相对于座椅底部112倾斜的旋转致动器、在座椅底部112的前部和后部下方用于升高或降低座椅底部112的前部或后部以调节座椅106的高度和倾斜度的线性致动器，以及座椅靠背110中用于调节腰部支撑杆116的位置的线性致动器。

座椅底部112以及可能的座椅靠背110可以包括多个气囊120。气囊120是可填充有流体(液体或气体)的柔性袋。气囊120可以布置在大致平行于座椅底部112的平面中，例如，布置成水平布置的行。气囊120各自具有填充水平，所述填充水平是相应气囊120中的流体量。气囊120可以由用于相应气囊120的压缩机或泵和阀(未示出)供应。物理配置可以包括相应气囊120的填充水平。

座椅106包括跨座椅底部112布置的多个压力传感器122。压力传感器122可以是用于测量由乘员在压力传感器122所在的相应点处施加的压力的任何合适的类型，例如应变计、压电传感器等。压力传感器122可以布置为例如网格图案。

参考图3，来自压力传感器122的数据可以共同提供输入以生成压力图104。来自压力传感器122的数据可以例如根据已知的数据处理技术进行滤波，这可以例如通过从数据中去除噪声来帮助生成更清晰的压力图104，并且可以减少处理数据所需的计算资源以生成压力图104。出于本文件的目的，“压力图”是一组位置和在相应位置处同时测量的压力的值。压力图104中的每个压力值可以由压力传感器122中的一个压力传感器检测。例如，压力传感器122在座椅底部112上的位置可以由二维坐标(x,y)表示，其中x表示纵向位置，即，沿着车辆前向轴线，并且y表示横向位置，即，沿着车辆向左轴线。压力图104包括每个位置处的压力值。在该示例中，压力的测量单位是力/面积，例如MPa。图3描绘了沿两个水平轴线的位置(x,y)以及由竖直高度和阴影表示的压力值。压力图104可以以各种方式组织。例如，如果压力传感器122以n×m网格布置，则压力图104可以被组织为向量，其中向量中的每个条目是所述位置中的一个位置处的压力值，例如，

压力图104是乘员的坐姿的记录。坐姿是乘员的身体的布置；例如，乘员可以使他们的重量居中或更多地朝向一侧移位，可以向后或向前倾斜，可以将他们的大腿抬高或放低等。相应的坐姿可以由对应的不同压力图104限定。例如，在图3中的压力图104中，乘员的重量横向居中并且更多地朝向后部移位，与他们的右大腿相比，他们的左大腿抬起。

参考图4，计算机102是基于微处理器的计算装置，例如，通用计算装置(包括处理器和存储器、电子控制器等)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)等。因此，计算机102可包括处理器、存储器等。计算机102的存储器可包括用于存储能够由处理器执行的指令以及用于电子存储数据和/或数据库的介质，和/或计算机102可包括诸如提供编程的前述结构的结构。计算机102可以是耦合在一起的多个计算机。

计算机102可以通过通信网络124(诸如控制器局域网(CAN)总线、以太网、WiFi、局域互连网(LIN)、车载诊断连接器(OBD-II))和/或通过任何其他有线或无线通信网络传输和接收数据。计算机102可以经由通信网络124通信地耦合到座椅106(即，座椅致动器118和/或气囊120)、压力传感器122、收发器126和其他部件。

收发器126可以适于通过任何合适的无线通信协议(诸如

车辆100还包括人机界面(HMI)128。HMI 128包括乘员输入装置，诸如旋钮、按钮、开关、踏板、操纵杆、触摸屏和/或传声器等。输入装置可以包括传感器以检测乘员输入并且将乘员输入数据提供给车辆计算机102。也就是说，计算机102可以被编程为从HMI 128接收乘员输入。乘员可以例如通过选择触摸屏显示器上的虚拟按钮、通过提供语音命令等经由HMI 128来提供每个乘员输入。例如，包括在HMI 128中的触摸屏显示器可以包括传感器以检测乘员选择触摸屏显示器上的虚拟按钮以例如指定就座分数(如下面讨论的)，该输入可以被接收在计算机102中并且用于将坐姿分配给集群，如下面讨论的。

HMI 128通常还包括向乘员输出信号或数据的输出装置，诸如显示器(包括触摸屏显示器)、扬声器和/或灯等。HMI 128耦合到车辆通信网络124并且可以向/从计算机102和其他车辆子系统发送和/或接收消息。

计算机102可以将多个潜在乘员中的每个乘员的配置文件存储在例如存储器中。每个配置文件可以包括多个坐姿集群、优选或非优选的集群分类以及从相应集群到相应的其他集群的转变概率的矩阵，如下面更详细地描述的。

在本文件的上下文中，集群是乘员的相似坐姿的分组。相似坐姿是彼此足够接近、乘员通常感知到它们实际上是相同的坐姿。例如，可以通过对多个测试乘员的经验测试来确定相似坐姿。如下所述，通过机器学习(例如，无监督学习)将坐姿组织成集群。如下所述，可以将不同的相似性度量用于机器学习，例如，Kullback-Leibler散度、余弦相似性等。每个集群包括感觉与乘员相似的坐姿。集群可以由它们的质心(如下所述)或由表示相应集群的原型(即数据点(在这种情况下为压力图104))表示。每个集群被分类为优选的或非优选的，即，乘员是否更喜欢以集群中的坐姿就座。

配置文件可以包括从相应集群到相应其他集群的转变概率的矩阵T。

矩阵是N×N矩阵，其中N是配置文件中的集群数量。列可以表示乘员就座的当前集群，并且行可以表示乘员将就座的下一个集群(反之亦然)；即，假设乘员当前在第i个集群中，则第i列和第j行中的值p

计算机102可以基于识别车辆中的乘员来选择配置文件。例如，乘员可以使用钥匙扣来起动车辆100，并且钥匙扣具有从经常使用车辆100的其他潜在乘员中唯一地指定乘员的RFID标签等。RFID信号可以与存储器中的乘员相关联。作为另一个示例，乘员的移动电话或装置可以与例如HMI 128配对。移动电话或装置可以与存储器中的乘员相关联。作为另一个示例，计算机102可以从具有包括乘员的面部的视场的内部相机接收数据，并且可以使用已知的图像识别技术来识别乘员。作为另一个示例，乘员可以将识别信息(诸如用户名和密码)输入到HMI 128中。

在识别乘员时，计算机102确定乘员的多个特征。乘员特征是乘员特有的事实。例如，特征可以包括关于乘员的人群信息，例如，身高、体重、年龄、性别、居住州等。计算机102可以根据已知的处理技术等基于例如指定人群信息的用户输入、处理传感器数据(诸如压力传感器122数据、图像数据等)的用户输入来确定人群信息。人群信息可以存储在存储器中并与乘员的配置文件相关联。作为另一个示例，特征可以包括乘员就座其中的车辆100的类型。计算机102可以将其所安装在的车辆100的类型存储在存储器中。如本文中所用的，车辆类型是具有共同特征的车辆分类或类别。本文中车辆的特征意指车辆的物理属性，例如形状、大小(即，尺寸)、品牌、型号等。

计算机102确定是否已经收集了关于乘员的坐姿的足够数据以使配置文件仅基于乘员的数据。例如，计算机102可以确定收集距离(即，在记录乘员的坐姿时车辆100已经行驶的英里数)是否已经增加到高于距离阈值。距离阈值可以被选择为足够长，使得计算机102不再收集新的坐姿。作为另一个示例，计算机102可以确定收集时间(即，在记录乘员的坐姿时车辆100已经行驶的收集持续时间)是否已经增加到高于时间阈值。时间阈值可以被选择为足够长，使得计算机102不再收集新的坐姿。

在确定尚未收集到足够的数据时，计算机102加载具有乘员的坐姿和多个其他乘员的坐姿的集群的乘员配置文件。集群可以仅基于具有与乘员相同的特征(例如，车辆类型相同和人群信息相同)的其他乘员的坐姿。可以使用无监督学习(例如，已知算法，诸如k均值、层次聚合、自组织特征图等)来将配置文件中的坐姿分类成集群。计算机102可以使用收发器126来从远程服务器中拉出具有与乘员相同的特征的乘员的集群。使用来自具有相同特征的其他乘员的坐姿可以提供在关于乘员的数据不足的情况下乘员的偏好可能是什么的良好估计。

在确定已经收集了不足的数据时，计算机102加载具有完全基于乘员(即，不基于任何其他乘员)的坐姿的集群的配置文件。可以使用无监督学习(例如，已知算法，诸如k均值、层次聚合、自组织特征图等)来将配置文件中的坐姿分类成多个集群。

计算机102将所加载的配置文件中的每个集群分类为优选或非优选的。计算机102可以使用机器学习算法来将项目分类为已知数量的类别，例如，朴素贝叶斯、最近邻、多项式分类器、人工神经网络等。对机器学习算法的输入可以包括同一集群中的相应坐姿的就座分数。较高的就座分数增加分类为优选的可能性。

可以基于集群分数来对集群进行分类。如在本文所使用的，术语集群分数是表示集群的舒适度的数值，例如整数。可以通过组合(例如通过对集群中的相应坐姿的就座分数求平均和/或某种其他统计度量)来确定集群分数。例如，如果集群分数大于或等于阈值分数，则可以将集群分类为优选的，并且如果集群分数小于阈值分数，则可以将集群分类为非优选的。阈值分数可以以经验确定，例如，基于允许确定乘员在座椅106中保持舒适的最低分数的测试。

如在本文所使用的，术语就座分数是表示在给定就座时间坐姿的舒适度的数值，例如整数(如下面讨论的)。就座分数通常以指定的标度提供，并且根据多个就座分数确定的集群分数将同样通常落入该标度内。作为一个示例，分数可以是在从1至10(包括端值)的标度内的整数。在该示例中，分数1表示最不舒适的坐姿，并且分数10表示最合适的(例如，最舒适的)坐姿。换句话说，较高的就座分数指示乘员更喜欢(即，最或更经常地采取)所述坐姿，并且较低的就座分数指示乘员不太喜欢所述坐姿。

为了确定就座分数，计算机102可以被编程为致动HMI 128以输出使乘员指定坐姿的就座分数的请求。在这种情况下，计算机102可以致动HMI 128以显示乘员可以选择以指定坐姿的就座分数的虚拟按钮。换句话说，HMI 128可以激活可以检测乘员选择与就座分数相关联的虚拟按钮的传感器。也就是说，HMI 128可以检测指定坐姿的就座分数的乘员输入。在检测到乘员输入时，HMI 128可以向计算机102提供乘员输入，并且计算机102可以将指定的就座分数分配给所述坐姿。

计算机102可以例如在检测到坐姿已经改变时请求乘员输入(如下面讨论的)。作为另一个示例，计算机102可以基于计时器的到期来请求乘员输入。可以基于例如允许确定乘员在一定坐姿变得不舒服的平均时间量的测试来以经验确定计时器的持续时间。

如本文所使用的，“就座时间”指定对应的就座状态已经发生的时间量。出于本公开的目的，“就座状态”被定义为在给定时间内可以为真或假的特定状况。例如，可以基于乘员保持在座椅106中(即，不管坐姿如何)来确定就座状态。作为另一个示例，可以基于乘员保持在同一集群中的坐姿来确定就座状态。作为另一个示例，可以基于乘员保持在一个坐姿来确定就座状态。还可以确定其他就座状态。

为了确定就座时间，计算机102可以基于检测到相应的就座状态(例如，基于压力图104)来启动相应的计时器，并且可以在检测到指定就座分数的乘员输入(例如，经由HMI128)时使计时器停止。也就是说，可以同时确定相应就座状态的一个或多个就座时间。在检测到指定就座分数的乘员输入之前，计算机102可以基于例如检测到乘员未就座、乘员的新坐姿处于另一个集群中、乘员的坐姿已经改变等而重置计时器。

另外或替代地，为了对集群进行分类，机器学习算法可以输出相应集群的生存函数。生存函数是将集群的集群分数逼近为时间的函数的数学函数。例如，使用已知技术，基于连续随机变量(例如，与相应就座时间相关联的集群分数)的累积分布函数(例如，韦布尔分布)来确定生存函数。通过例如以与上面讨论的基本上相同的方式组合集群中的相应坐姿在就座时间的就座分数，可以将集群分数与就座时间相关联。当相应的生存函数逼近大于或等于阈值分数的初始集群分数并且具有小于斜率阈值的斜率时，在给定时间内预测集群是优选的。在这种情况下，生存函数指示乘员在集群中的坐姿是舒适的并且可能保持在所述坐姿。当相应的生存函数逼近小于阈值分数的初始集群分数或具有大于或等于斜率阈值的斜率时，在给定时间内预测集群是非优选的。在这种情况下，生存函数指示乘员在集群中的坐姿是不舒适的并且不太可能保持在所述坐姿。分数阈值和斜率阈值可以由车辆和/或部件制造商基于例如使错误分类的坐姿的数量最小化、使乘员舒适度最大化等来指定。

用于机器学习算法的训练数据可以通过例如在不同的坐姿之间转换时调查乘员的舒适度的实验来生成。例如，可以通过记录乘员的一系列压力图104并在乘员操作车辆100时提示乘员回答坐姿是合适的或不合适的(例如，舒适的或不舒适的)来生成训练数据。为了确定坐姿是舒适的还是不舒适的，乘员提供指定坐姿的就座分数的输入，如上面所讨论的。如果指定的就座分数大于或等于阈值分数，则坐姿在训练数据中被分类为优选的。如果指定的就座分数小于阈值分数，则坐姿在训练数据中被分类为非优选的。

另外，用于机器学习算法的训练数据可以通过内例如当保持就座(例如，处于一个坐姿、处于一个集群中的坐姿)达各个就座时间时调查乘员的舒适度的实验来生成。例如，可以通过在乘员驾驶车辆100时在各个就座时间之后提示乘员回答一个坐姿是舒适的还是不舒适的来生成训练数据。相应就座状态的就座时间可以与训练数据中的指定就座分数相关联。

在操作中，计算机102接收指示乘员的相应坐姿(包括当前坐姿)的一系列压力图104。计算机102确定乘员的坐姿是否已经改变。计算机102可以确定当前压力图104是否指示与前一个最近压力图104不同的坐姿。例如，计算机102可以确定压力图104中的任何压力值是否已经改变超过压力阈值。可以基于例如压力传感器122的已知噪声水平(例如，根据经验测试确定、由传感器制造商指定等)来选择压力阈值。

当确定坐姿已经改变时，计算机102将配置文件更新为包括紧接在前的坐姿，即，乘员刚刚转变出的坐姿。计算机102还存储与该坐姿相关的数据，包括该坐姿的就座分数，以及乘员刚刚转变到的当前坐姿。当将紧接在前的坐姿分配到所述集群中的一个集群中并更新矩阵T时，将使用该数据。

计算机102确定紧接在前的坐姿是否与配置文件中的任一集群足够相似。计算机102可以计算当前压力图104与配置文件中的每个集群之间的相似性度量。如果最高相似性度量高于阈值相似性，则紧接在前的坐姿与对应集群足够相似；否则，紧接在前的坐姿与任一集群都不足够相似。例如，可以通过以下操作来实验性地选择相似性阈值：在不同的坐姿之间转换时调查乘员的舒适度，例如，如上文关于训练数据所述；以及识别对舒适度的意见改变时的相似性度量的值，例如，引起训练数据中的集群具有被响应的乘员几乎一致地分类为舒适或不舒适的坐姿的相似性度量的值，即，集群几乎一致地是优选的或非优选的，例如至少每个集群的阈值比例是优选或非优选的。阈值比例可以被选择为接近一致，同时考虑到异常值，例如95％。相似性度量的一个示例是Kullback-Leibler散度：

其中x是表示压力图104的位置的变量，P是表示为x上的压力值的概率分布的压力图104，并且Q是表示为概率分布的感兴趣的集群的质心。集群的质心是压力图104，其中每个位置处的压力值是该位置处的压力在该集群中的压力图104上的平均值。相似性度量的另一个示例是余弦相似性，其是压力图104与感兴趣的集群的质心之间的内积，两者都表示为向量：

其中A是表示为向量的压力图104，并且B是感兴趣的集群的质心。可以替代地使用其他相似性度量，例如，到质心的欧几里德距离、到质心的马哈拉诺比斯距离等。响应于紧接在前的坐姿与集群中的每个集群之间的相似性度量中的至少一个高于阈值相似性，计算机102基于紧接在前的坐姿与集群中的每个集群之间的相似性度量将该坐姿分配到所述集群中的一个集群中，具体地说，分配到该坐姿与之相比具有最高相似性度量的集群中。如果该坐姿的就座分数大于或等于阈值分数，则计算机102将该坐姿分类到被分类为优选的具有最高相似性度量的集群中。矩阵T中的概率也被更新。

响应于紧接在前的坐姿与所述集群中的每个集群之间的相似性度量中没有一个相似性度量高于阈值相似性，计算机102创建新的集群，并将紧接在前的坐姿分类到新的集群中。如果该坐姿的就座分数至少等于阈值分数，则集群可以被分类为优选的，否则为非优选的。计算机102将彼此重叠的任何集群对组合成单个集群。仅当两个集群都被分类为优选或都被分类为非优选时，才有可能发生两个集群组合成单个集群。矩阵T相应地更新。

计算机102可以基于确定配置文件到期而进行更新来组合集群。例如，计算机102可以确定自上次更新以来(即，自计算机102上次组合集群以来)是否已经过阈值更新时间。阈值更新时间可以被选择为足够长，使得两个集群之间可能已经出现重叠。

在确定坐姿尚未改变时，计算机102识别当前压力图104所属的集群。计算机102可以使用与上面使用的相同的相似性度量来确定当前压力图104对哪个集群具有最高相似性度量。计算机102确定识别的集群是被分类为优选还是非优选的。

如果当前坐姿处于所述集群中被分类为优选的一个集群中，则计算机102维持座椅106的物理配置。另外，计算机102可以基于集群的生存函数来预测集群将是非优选的未来时间。例如，计算机102可以例如根据已知的数据处理技术来外推生存函数。然后，计算机102可以将外推的生存函数与阈值分数进行比较。例如，计算机102可以将由阈值分数定义的常数函数叠加到外推的生存函数上。在这样的示例中，计算机102可以根据常数函数与外推的生存函数的交集来确定未来时间。在预测到集群将为非优选的未来时间时，计算机102可以指示座椅致动器118和/或气囊120以促使乘员在未来时间改变坐姿的方式调节座椅106的物理配置，例如，以便调节座椅106的倾斜度、座椅106的高度、座椅106的倾斜角度或座椅106的腰部支撑位置中的至少一者，和/或调节气囊120的填充水平中的一个或多个。例如，计算机102可以致动致动器118和/或气囊120以在从当前时间到未来时间的一段时间内调节座椅106的物理配置。也就是说，计算机102可以以促使乘员在该段时间内从当前坐姿转换到更新的坐姿的方式调节座椅106的物理配置。

基于所识别的集群最可能转变到的集群来调节座椅106的物理配置，即，选择座椅致动器118和/或气囊120中的哪一个以及致动的程度。例如，计算机102可以以促使乘员从所识别的集群转变到最可能转变的集群的方式来调节物理配置。

例如，可以基于集群与所识别的集群足够相似来确定所识别的集群最可能转变到的集群。例如，计算机102可以例如以与上面关于坐姿与集群之间的相似性度量讨论的基本上相同的方式确定集群与所识别的集群之间的集群相似性度量。如果集群相似性度量高于阈值相似性(如上面所讨论的)，则集群与所识别的集群足够相似；否则，集群与所识别的集群不足够相似。响应于所识别的集群与集群中的每个集群之间的至少一个集群相似性度量高于阈值相似性，计算机102可以确定最可能转变的集群是所识别的集群与之相比具有最高集群相似性度量的集群。

作为另一个示例，可以根据矩阵T来确定所识别的集群最可能转变到的集群。作为另一个示例，计算机102可以计算或逼近表示在任意长的时间段之后处于每个集群中的概率的固定矩阵T

其中p

用于机器学习算法的训练数据可以通过例如实验来生成，其中座椅106改变为不同的物理配置，同时记录示出乘员的坐姿如何变化的压力图104。因此，训练数据包括座椅106的物理配置以及对应的当前坐姿和后续坐姿，机器学习算法可以从中学习在当前坐姿的情况下哪个物理配置可以产生后续坐姿。当执行机器学习算法时，基于当前坐姿从矩阵T中选择后续坐姿。替代地，仅当最可能转变的集群被分类为优选时，才可以如上所述使用该集群。如果最可能转变的集群被分类为非优选的，则可以使用相同的程序，但是使用最可能的集群，即在固定矩阵T

如果当前坐姿在所述集群中被分类为非优选的一个集群中，则计算机102指示座椅致动器118和/或气囊120例如以与上面讨论的基本上相同的方式调节座椅106的物理配置。

图5是示出在计算机102中根据存储在其存储器中的程序指令执行、用于初始化乘员的就座位置的配置文件的示例性过程500的过程流程图。过程500包括可以按所示次序执行的多个框。过程500可以替代地或另外包括更少的框或者可以包括以不同次序执行的框。作为对过程500的总体概述，计算机102识别乘员；确定诸如车辆类型和人群信息的乘员特征；根据是否已经收集到关于乘员的坐姿的足够数据来加载具有乘员的坐姿或相似乘员的坐姿的集群的配置文件；并且将配置文件中的集群分类为优选或非优选的。

过程500在框505中开始。在框505中，计算机102识别乘员，如上面所讨论的。过程500在框510中继续。

在框510中，计算机102确定乘员的多个特征，即乘员所特有的事实，如上面所讨论的。过程500在框515中继续。

在框515中，计算机102确定是否已经收集了关于乘员的坐姿的足够数据以使配置文件仅基于乘员的数据，如上面所讨论的。如果收集到的数据不足，则过程500前进到框520。如果收集到的数据充足，则过程500前进到框525。

在框520中，计算机102加载具有乘员的坐姿和多个其他乘员的坐姿的集群的乘员配置文件。集群可以仅基于具有与乘员相同的特征(例如，车辆类型相同和人群信息相同)的其他乘员的坐姿，如上面所讨论的。过程500在框530中继续进行。

在框525中，计算机102加载具有完全基于乘员(即，不基于任何其他乘员)的坐姿的集群的乘员的配置文件。过程500在框530中继续进行。

在框530中，计算机102将加载的配置文件中的每个集群分类为优选的或非优选的，例如，使用被训练为接受同一集群中的相应坐姿的就座分数的机器学习算法，如上面所讨论的。另外或替代地，计算机102可以例如基于来自机器学习算法的输出来确定相应集群的生存函数，如上面所讨论的。在框530之后，过程500结束。

图6是示出在计算机102中根据存储在其存储器中的程序指令执行、用于更新乘员的配置文件的示例性过程600的过程流程图。过程600包括可以按所示次序执行的多个框。过程600可以替代地或另外包括更少的框，或者可以包括以不同次序执行的框。过程600可以例如在车辆100起动时开始，并且只要车辆100是开启的就继续进行。作为对过程600的总体概述，计算机102加载配置文件并接收一系列压力图104。每当乘员的坐姿改变时，计算机102存储关于坐姿的数据，并且根据坐姿与最接近的集群之间的相似性度量是否大于阈值，将坐姿添加到最接近的集群或者创建新的集群。计算机102通过组合或拆分集群来周期性地更新集群。

过程600开始于执行上述过程500以加载乘员的配置文件。

接下来，在框605中，计算机102从压力传感器122接收当前压力图104，如上面所讨论的。过程600在框610中继续。

在框610中，计算机102例如基于将当前压力图104与前一个最近的压力图104进行比较来确定乘员的坐姿是否已经改变，如上面所讨论的。如果坐姿尚未改变，则计算机102更新坐姿的就座时间并将更新的就座时间提供给机器学习算法，例如，以更新集群的生存函数。然后，过程600返回到框605以接收下一个当前压力图104。当过程600在框605与框610之间循环时，计算机102接收一系列压力图104。如果坐姿已经改变，则计算机102重置坐姿的就座时间。然后，过程600在框615中继续。

在框615中，计算机102将配置文件更新为包括与紧接在前的坐姿(乘员刚刚转变出的坐姿)相关的数据，如上面所讨论的。过程600在框620中继续。

在框620中，计算机102例如基于一个或多个相似性度量确定紧接在前的坐姿是否与配置文件中的集群中的任一集群足够相似，如上面所讨论的。响应于紧接在前的坐姿与集群中的每个集群之间的相似性度量中的至少一个相似性度量高于阈值相似性，过程600在框625中继续。响应于紧接在前的坐姿与集群中的每个集群之间的相似性度量中没有一个相似性度量高于阈值相似性，过程600在框630中继续。

在框625中，计算机102基于紧接在前的坐姿与集群中的每个集群之间的相似性度量将该坐姿分配到所述集群中的一个集群，具体地，分配到该坐姿与之相比具有最高相似性度量的集群中。如果该坐姿的就座分数大于或等于阈值分数，则计算机102将该坐姿分配到被分类为优选的具有最高相似性度量的集群中。矩阵T中的概率也被更新。过程600继续前进到框635。

在框630中，计算机102创建新的集群并将紧接在前的坐姿分配到新的集群中。如果该坐姿的就座分数至少等于阈值分数，则集群可以被分类为优选的，否则为非优选的，如上面所讨论的。过程600继续前进到框635。

在决策框635中，计算机102例如基于持续时间等于阈值更新时间的计时器的到期来确定配置文件是否到期而进行更新，如上面所讨论的。如果配置文件未到期而不进行更新，则过程600返回到框605以继续接收一系列压力图104。如果配置文件到期而进行更新，则过程600在框640中继续。

在框640中，计算机102例如通过将彼此重叠的任何集群对组合成单个集群来更新集群，如上面所讨论的。矩阵T相应地更新。过程600在框645中继续。

在决策框645中，计算机102确定车辆100是否仍然开启。如果车辆100仍然开启，则过程600返回到框605以继续接收一系列压力图104。如果车辆100已经关闭，则过程600结束。

图7是示出在计算机102中根据存储在其存储器中的程序指令执行、用于调节座椅106的物理配置的示例性过程700的过程流程图。过程700包括可以按所示次序执行的多个框。过程700可以替代地或另外包括更少的框，或者可以包括以不同次序执行的框。过程700可以与过程600同时运行，并且只要车辆100开启就可以继续运行。作为对过程700的总体概述，计算机102识别乘员，接收当前压力图104，识别压力图104所属的集群，并且如果该集群是非优选的，则调节座椅106配置以促使乘员进入不同的坐姿。

过程700在框705中开始。在框705中，计算机102识别乘员，如上面所讨论的。过程700在框710中继续。

在框710中，计算机102指示座椅致动器118和/或气囊120例如基于最可能集群来调节座椅106的物理配置。例如，计算机102可以计算或逼近表示在任意长的时间段之后处于每个集群中的概率的固定矩阵T

在框715中，计算机102从压力传感器122接收当前压力图104，如上面所讨论的。过程700在框720中继续。

在框720中，计算机102例如基于一个或多个相似性度量来识别当前压力图104所属的集群，如上面所讨论的。过程700在框725中继续。

在框725中，计算机102确定在框720中识别的集群是被分类为优选的还是非优选的。如果当前坐姿在集群中的被分类为非优选的一个集群中，则过程700在框730中继续。如果当前坐姿在集群中的被分类为优选的一个集群中，则过程700在框735中继续。

在框730中，计算机102指示座椅致动器118和/或气囊120调节座椅106的物理配置。计算机102可以以促使乘员从所识别的集群转变到最可能转变的集群的方式来调节物理配置，如上面所讨论的。过程700在框750中继续。

在框735中，计算机102指示座椅致动器118和/或气囊120维持座椅106的物理配置。过程700在框740中继续。

在框740中，计算机102基于集群的生存函数来预测包括当前坐姿的集群将是非优选的未来时间，如上面所讨论的。过程700在框745中继续。

在框745中，计算机102确定计时器是否已经到期。例如，计算机102可以在预测包括当前坐姿的集群将是非优选的未来时间时启动计时器。计算机102可以基于例如当前时间与预测的未来时间之间的差值等来设置计时器的持续时间。如果计时器已经到期，则过程700返回到框730。如果计时器尚未到期，则过程700在框750中继续。

在框750中，计算机102确定车辆100是否仍然开启。如果车辆100仍然开启，则过程700返回到框715以继续接收一系列压力图104。如果车辆100已经关闭，则过程700结束。

一般来讲，所描述的计算系统和/或装置可采用多种计算机操作系统中的任一种，包括但决不限于以下版本和/或种类：Ford

计算机和计算装置通常包括计算机可执行指令，其中所述指令可能够由一个或多个计算装置(诸如上文所列出的那些)执行。可以从使用多种编程语言和/或技术创建的计算机程序编译或解译计算机可执行指令，所述编程语言和/或技术单独地或者组合地包括但不限于Java

存储器可以包括计算机可读介质(也称为处理器可读介质)，所述计算机可读介质包括参与提供可以由计算机(例如，由计算机的处理器)读取的数据(例如，指令)的任何非暂时性(例如，有形)介质。此类介质可采用许多形式，包括但不限于非易失性介质和易失性介质。非易失性介质可以包括例如光盘或磁盘以及其他持久性存储器。易失性介质可以包括例如通常构成主存储器的动态随机存取存储器(DRAM)。此类指令可由一种或多种传输介质传输，所述一种或多种传输介质包括同轴电缆、铜线和光纤，包括构成耦合到ECU的处理器的系统总线的电线。常见形式的计算机可读介质包括例如RAM、PROM、EPROM、快闪EEPROM、任何其他存储器芯片或盒式磁带、或计算机可从中读取的任何其他介质。

数据库、数据储存库或本文描述的其他数据存储区可包括用于存储、访问和检索各种数据的各种机构，包括分层数据库、文件系统中的文件集、呈专用格式的应用程序数据库、关系数据库管理系统(RDBMS)等。每个此类数据存储区通常包括在采用计算机操作系统(诸如上文所提及的那些操作系统中的一者)的计算装置内，并且经由网络以多种方式中的任一种或多种方式来访问。文件系统可以从计算机操作系统访问，并且可以包括以各种格式存储的文件。除了用于创建、存储、编辑和执行已存储的程序的语言(诸如上述PL/SQL语言)之外，RDBMS还通常采用结构化查询语言(SQL)。

在一些示例中，系统元件可被实施为一个或多个计算装置(例如，服务器、个人计算机等)上、存储在与其相关联的计算机可读介质(例如，磁盘、存储器等)上的计算机可读指令(例如，软件)。计算机程序产品可以包括存储在计算机可读介质上的用于实施本文描述的功能的此类指令。

关于本文描述的介质、过程、系统、方法、启发等，应理解，虽然此类过程等的步骤已经被描述为按照某一有序的顺序发生，但是可以通过以与本文所述顺序不同的顺序执行所述步骤来实践此类过程。还应理解，可同时执行某些步骤，可添加其他步骤，或者可省略本文描述的某些步骤。换句话说，本文对过程的描述出于说明某些实施例的目的而提供，并且决不应被解释为限制权利要求。

因此，应理解，以上描述意图为说明性的而非限制性的。在阅读了以上描述之后，除了所提供的示例之外的许多实施例和应用对于本领域技术人员而言将是明显的。不应参考以上描述来确定本发明的范围，而应参考所附权利要求连同这些权利要求赋予的等效物的全部范围来确定。设想并预期未来的发展将在本文讨论的技术中发生，并且所公开的系统和方法将并入到此类未来实施例中。总之，应理解，本发明能够进行修改和变化，并且仅受所附权利要求的限制。

除非本文作出相反的明确指示，否则权利要求中使用的所有术语意在给出如本领域技术人员所理解的普通和通常的含义。具体地，除非权利要求叙述相反的明确限制，否则使用诸如“一个”、“该”、“所述”等单数冠词应被解读为叙述所指示的要素中的一者或多者。

根据本发明，提供了一种系统，所述系统具有计算机，所述计算机包括处理器和存储指令的存储器，所述指令可由处理器执行以：存储乘员的配置文件，其中配置文件包括座椅中的乘员的坐姿的多个集群，以及相应集群为优选的或非优选的分类；基于相应集群中的相应坐姿的就座分数来将该集群分类为优选的或非优选的，其中较高的就座分数增加分类为优选的可能性；接收指示座椅中的乘员的一系列相应坐姿的一系列压力图，其中压力图包括当前压力图；响应于坐姿中的一个坐姿的就座大于阈值分数而将该坐姿分配给所述集群中被分类为优选的一个集群；并且响应于当前坐姿处于所述集群中被分类为非优选的一个集群中而调节座椅的物理配置。

根据实施例，指令还包括用于基于乘员输入数据来确定相应坐姿的就座分数的指令。

根据实施例，指令还包括用于基于计时器到期来请求乘员输入的指令。

根据实施例，指令还包括用于基于检测到当前坐姿已经改变来请求乘员输入的指令。

根据实施例，指令还包括用于进行以下操作的指令：基于从相应集群到相应其他集群的转变概率的矩阵或包括当前坐姿的集群与相应其他集群之间的集群相似性度量中的一者来预测包括当前坐姿的集群最可能转变到的所述集群中的一个集群，其中矩阵是基于一系列压力图；并且基于所述集群中的所述预测的一个集群来调节座椅的配置。

根据实施例，所述指令还包括用于进行以下操作的指令：响应于当前坐姿在所述集群中被分类为优选的一个集群中，基于该集群的生存函数来预测该集群在一段时间之后将是非优选的，其中所述生存函数确定该集群在该段时间之后将是优选的概率；以及基于所述预测来调节座椅的配置。

根据实施例，该段时间指定乘员保持在当前坐姿的时间量。

根据实施例，该段时间指定乘员保持在包括当前坐姿的集群中的一个或多个坐姿的时间量。

根据实施例，该段时间指定乘员保持在座椅中的时间量。

根据实施例，指令包括用于进行以下操作的指令：基于两个集群之间的重叠以及两个集群具有相同的分类来将所述两个集群组合成单个集群。

根据实施例，指令包括用于进行以下操作的指令：基于一系列坐姿中的每个坐姿与集群中的每个集群之间的相似性度量将该坐姿分配到所述集群中的一个集群。

根据实施例，指令包括用于进行以下操作的指令：响应于所述坐姿中的一个坐姿与所述集群中的每个集群之间的相似性度量中没有一个相似性度量高于阈值相似性而创建新的集群，并将该坐姿分配到所述新的集群。

根据实施例，集群是基于多个其他乘员的坐姿。

根据一个实施例，指令包括用于进行以下操作的指令：确定乘员的多个特征，并且集群仅基于乘员和具有与所述乘员相同的特征的其他乘员的坐姿。

根据一个实施例，特征包括相应乘员以所述坐姿就座其中的车辆类型。

根据一个实施例，特征包括关于乘员的人群信息。

根据一个实施例，集群至少部分地基于其他乘员的坐姿，直到乘员的一系列压力图的收集距离或收集时间增加到高于相应的距离阈值或时间阈值，之后集群完全基于乘员的一系列坐姿。

根据本发明，提供了一种系统，所述系统具有：具有可调节的物理配置的座椅；以及通信地耦合到座椅的计算机；其中计算机编程为：存储乘员的配置文件，其中配置文件包括座椅中的乘员的坐姿的多个集群，以及相应集群为优选的或非优选的分类；基于相应集群中的相应坐姿的就座分数来将该集群分类为优选的或非优选的，其中较高的就座分数增加分类为优选的可能性；接收指示座椅中的乘员的一系列相应坐姿的一系列压力图，其中压力图包括当前压力图；响应于坐姿中的一个坐姿的就座大于阈值分数而将该坐姿分配给所述集群中被分类为优选的一个集群；并且响应于当前坐姿处于所述集群中被分类为非优选的一个集群中而调节座椅的物理配置。

根据一个实施例，物理配置包括座椅的倾斜度、座椅的高度、座椅的倾斜角度、座椅的腰部支撑位置、或由座椅支撑的气囊的填充水平中的至少一者。

根据本发明，一种方法包括：存储乘员的配置文件，其中配置文件包括座椅中的乘员的坐姿的多个集群，以及相应集群为优选的或非优选的分类；基于相应集群中的相应坐姿的就座分数来将该集群分类为优选的或非优选的，其中较高的就座分数增加分类为优选的可能性；接收指示座椅中的乘员的一系列相应坐姿的一系列压力图，其中压力图包括当前压力图；响应于坐姿中的一个坐姿的就座大于阈值分数而将该坐姿分配给所述集群中被分类为优选的一个集群；并且响应于当前坐姿处于所述集群中被分类为非优选的一个集群中而调节座椅的物理配置。