驾驶行为习惯的确定、车辆行驶控制方法、装置及设备

技术领域

本申请涉及人工智能领域中的自动驾驶技术，尤其涉及一种驾驶行为习惯的确定、车辆行驶控制方法、装置及设备。

背景技术

具备自动驾驶能力的车辆逐渐被应用到实际交通场景中。在自动驾驶模式下，用户不需要对车辆进行操控，只需要注意观察道路环境的变化，在一些突发情况进行短暂的接管即可，从而能够减轻用户驾驶疲惫感，并提升行车安全性。

目前，自动驾驶车辆采用统一的自动驾驶策略。例如，以跟车场景为例，车辆的自动驾驶系统中设置了固定的跟车距离参数。这样，车辆在跟车行驶时，均与前车保持相同的跟车距离。

然而，由于不同用户的驾驶行为习惯不同，统一的自动驾驶策略很难满足不同用户的驾驶偏好，导致用户感到车辆没有办法按自己的预期行驶，影响用户体验。

发明内容

本申请提供了一种驾驶行为习惯的确定、车辆行驶控制方法、装置及设备。

根据本申请的第一方面，提供了一种驾驶行为习惯的确定方法，包括：

获取用户人工驾驶车辆在道路行驶过程中的与驾驶行为相关的数据和地图数据；

根据所述与驾驶行为相关的数据和所述地图数据，确定所述用户人工驾驶车辆时采用的驾驶参数之间的关联关系；其中，所述驾驶参数之间的关联关系表征所述用户的驾驶行为习惯，所述驾驶参数之间的关联关系用于更新车辆自动驾驶时的驾驶策略。

根据本申请的第二方面，提供了一种车辆行驶控制方法，包括：

接收自动驾驶请求，所述自动驾驶请求包括用户的标识；

根据所述用户的标识，获取驾驶参数之间的关联关系；所述驾驶参数之间的关联关系表征所述用户的驾驶行为习惯；

根据所述驾驶参数之间的关联关系，更新车辆的驾驶策略，得到目标驾驶策略；

根据所述目标驾驶策略，控制所述车辆自动驾驶。

根据本申请的第三方面，提供了一种驾驶行为习惯的确定装置，包括：

获取模块，用于获取用户人工驾驶车辆在道路行驶过程中的与驾驶行为相关的数据和地图数据；

处理模块，用于根据所述与驾驶行为相关的数据和所述地图数据，确定所述用户人工驾驶车辆时采用的驾驶参数之间的关联关系；其中，所述驾驶参数之间的关联关系表征所述用户的驾驶行为习惯，所述驾驶参数之间的关联关系用于更新车辆自动驾驶时的驾驶策略。

根据本申请的第四方面，提供了一种车辆行驶控制装置，包括：

接收模块，用于接收自动驾驶请求，所述自动驾驶请求包括用户的标识；

获取模块，用于根据所述用户的标识，获取驾驶参数之间的关联关系；所述驾驶参数之间的关联关系表征所述用户的驾驶行为习惯；

更新模块，用于根据所述驾驶参数之间的关联关系，更新车辆的驾驶策略，得到目标驾驶策略；

控制模块，用于根据所述目标驾驶策略，控制所述车辆自动驾驶。

根据本申请的第五方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法，或者，执行第二方面所述的方法。

根据本申请的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行第一方面所述的方法，或者，执行第二方面所述的方法。

根据本申请的第七方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1为本申请实施例可能适用的一种系统驾驶的示意图；

图2为本申请实施例可能适用的一种应用场景的示意图；

图3为本申请实施例提供的一种驾驶行为习惯的确定方法的流程示意图；

图4为本申请实施例提供的另一种驾驶行为习惯的确定方法的流程示意图；

图5为本申请实施例提供的一种车辆行驶控制方法的流程示意图；

图6为本申请实施例提供的车辆行驶控制过程的示意图；

图7为本申请实施例提供的另一种车辆行驶控制方法的流程示意图；

图8为本申请实施例提供的一种驾驶行为习惯的确定装置的结构示意图；

图9为本申请实施例提供的一种车辆行驶控制装置的结构示意图；

图10为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

当前具备自动驾驶能力的车辆在逐步应用到实际交通场景中。例如，带有导航辅助驾驶功能的车辆能够在高速甚至城市道路上根据用户预设的导航路线自动驾驶，用户只需要注意观察道路环境的变化，避免一些突发情况和部分不可用道路上进行短暂的人工接管。具备自动驾驶能力的车辆能够大大减轻用户长途或道路拥堵驾驶时的疲惫感，同时也能提高行车的安全性。

如前所述，目前的自动驾驶车辆采用统一的自动驾驶策略。例如，以跟车场景为例，车辆的自动驾驶系统中设置了固定的跟车距离参数。这样，车辆在跟车行驶时，均与前车保持相同的跟车距离。然而，不同用户的驾驶行为习惯不同，有些人喜欢较近的跟车距离，有些人喜欢较远的跟车距离。因此，统一的自动驾驶策略很难满足不同用户的驾驶偏好，导致用户感到车辆没有办法按照自己的预期行驶，影响用户体验。

一些相关技术中，自动驾驶车辆可以向用户提供一些自动驾驶调节配置。例如，自动驾驶调节配置可以包括如下几个档位：激进档位、普通档位和保守档位。当用户选择普通档位时，车辆采用默认的自动驾驶策略。比如，跟车距离适中、车速适中、变道频率适中、超车频率适中等。当用户选择激进档位时，车辆采用较为激进的自动驾驶策略行驶，比如，跟车距离较近、车速较快、变道频率较高、超车频率较高等。当用户选择保守档位时，车辆按照较为保守的自动驾驶策略行驶，比如：跟车距离较远、车速较慢、变道频率较低或者不变道、超车频率较低或者不超车等。

然而，上述方式中所提供的自动驾驶策略只有几种，仍然不能满足成千上万的不同用户的需求。另外，同一用户在不同场景中可能有不同的驾驶偏好。例如，某个用户在跟车场景下习惯保持较近的跟车距离，但是却不喜欢超车，因此，这种改进方式仍然无法提供真正的个性化驾驶体验。

本申请提供一种驾驶行为习惯的确定、车辆行驶控制方法、装置及设备，应用于人工智能领域中的自动驾驶技术，以实现个性化的自动驾驶。

根据本申请的实施例，获取用户人工驾驶车辆在道路行驶过程中的与驾驶行为相关的数据和地图数据，然后根据该用户的与驾驶行为相关的数据和地图数据，确定用户人工驾驶车辆时采用的驾驶参数之间的关联关系；其中，驾驶参数之间的关联关系表征用户的驾驶行为习惯。进一步的，在车辆自动驾驶时，可以根据用户在人工驾驶车辆时采用的驾驶参数之间的关联关系，对车辆的自动驾驶策略进行更新，使得用户感觉像是自己驾驶车辆一样，从而提升用户的个性化驾驶体验。也就是说，本申请方案中，通过根据用户的人工驾驶习惯，对车辆的自动驾驶策略进行调整，使得车辆的行驶过程更符合用户的驾驶习惯。

下面先结合图1和图2对本申请实施例可能适用的系统架构和应用场景进行介绍。

图1为本申请实施例可能适用的一种系统驾驶的示意图。如图1所示，该系统架构中，包括车辆和服务器。车辆和服务器可以通过网络连接。网络可以是任何类型的网络，例如，有线或无线的局域网、诸如互联网的广域网、蜂窝网络、卫星网络或其组合。服务器可以是任何类型的服务器或服务器群集，诸如，网络或云服务器、应用服务器、后端服务器或其组合。

车辆可以是可以被配置为自动驾驶模式的车辆。车辆可以为部分自动驾驶车辆或者辅助驾驶车辆。车辆还可以是完全自动驾驶车辆或者高度自动驾驶车辆。一些可能的实施例中，车辆可以为下述L1至L5等级中的任一等级。L1：辅助驾驶，自动驾驶系统有时能够帮助驾驶员完成某些驾驶任务，且只能帮助完成一项驾驶操作。驾驶员需要监控驾驶环境并准备随时接管。L2：局部自动驾驶：自动驾驶系统有多项功能，能同时控制车速和车道。驾驶员需要监控驾驶环境并准备随时接管。L3：有条件自动驾驶，在条件许可的情况下，车辆可以完成所有的驾驶动作，并具备提醒驾驶者功能。驾驶者无需监控驾驶环境，可以分心，但不可以睡觉，需要随时能够接管车辆，以便随应对可能出现的人工智能应对不了的情况。L4：高度自动驾驶，在特定场景下实现完全自动驾驶，驾驶者可以有，也可以没有。L5：完全自动驾驶，在任何场景实现自动驾驶。

服务器可以是数据分析服务器、内容服务器、交通信息服务器、地图和兴趣点服务器或者位置服务器等。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual PrivateServer"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

图2为本申请实施例可能适用的一种应用场景的示意图。如图2所示，该应用场景200中，用户201在驾驶车辆202期间，可以收集与用户201的驾驶行为相关的数据和地图数据。根据收集的数据可以确定出用户的驾驶行为习惯。驾驶行为习惯可以在用户201自动驾驶或者乘坐车辆203时，为用户201提供个性化的驾驶体验。

需要说明的是，在图2所示的示例中，车辆203例如可以为自动驾驶车辆或者辅助驾驶车辆，用户201可以坐在车辆203的驾驶位或者副驾驶位或者后排。车辆202和车辆203可以是同一车辆，也可以是不同的车辆。

在传统的方案中，车辆203在自动驾驶时会按照预设的统一自动驾驶策略行驶，或者在几种有限的档位(例如：激进档位、普通档位和保守档位)中选择一种档位，这种方式所提供的驾驶风格无法满足不同用户的个性化驾驶需求。而本申请实施例中，根据用户201在人工驾驶车辆202时采集的与驾驶行为相关的数据和地图数据，确定出用户201的驾驶行为习惯，并根据用户201的驾驶行为习惯来指导车辆203进行自动驾驶，因此能够使得车辆203的自动驾驶过程像是用户201自己驾驶一样，从而提升用户201的驾驶体验。

其中，本申请实施例中，用户201的驾驶行为习惯，可以采用用户201人工驾驶车辆202时采用的驾驶参数之间的关联关系进行表示。其中，驾驶参数可以是“与驾驶行为相关的数据和地图数据”中的参数。驾驶参数还可以是自动驾驶策略中所需的参数。驾驶参数包括但不限于：跟车距离、变道频率、转向避让幅度、侧向车距、水平方向控制、加速踏板控制、刹车踏板控制等。

可选的，驾驶参数之间的关联关系可以采用函数关系进行表示。示例性的，本申请实施例中用户201在人工驾驶车辆202时采用的驾驶参数之间的关联关系可以包括：

跟车距离＝a*车速+b*拥堵程度

这样，在车辆203跟车场景中，可以根据当前场景中车辆203的车速和道路的拥堵程度，确定出跟车距离。进而，根据该跟车距离控制车辆跟车行驶。

图2所示的应用场景中，车辆203可以为完全自动驾驶车辆或者高度自动驾驶车辆。如果车辆203是部分自动驾驶车辆或者辅助驾驶车辆，则用户201可以是车辆的驾驶员。如果车辆203是完全自动驾驶车辆或者高度自动驾驶车辆，则用户201可以是车辆203的乘客，用户201可以坐车车辆的驾驶位、副驾驶位或者后排座位。

下面结合几个具体的实施例对本申请的技术方案进行详细描述。下面几个实施例可以相互结合，对于相同或者相似的内容在某些实施例中可能不再重复描述。

图3为本申请实施例提供的一种驾驶行为习惯的确定方法的流程示意图。本实施例的方法可以由车辆执行，例如可以由车辆中的车机或者车载设备执行。本实施例的方法还可以由服务器执行。如图3所示，本实施例的方法，包括：

S301：获取用户人工驾驶车辆在道路行驶过程中的与驾驶行为相关的数据和地图数据。

其中，与驾驶行为相关的数据可以包括：驾驶行为信息以及在该驾驶行为下的车辆状态信息。其中，驾驶行为信息是指用户对车辆的操控，包括但不限于：水平方向控制、加速踏板控制、刹车踏板控制等。其中，用户对车辆的操控信息可以通过车辆相关单元安装的传感器采集得到。例如：水平方向控制信息可以通过测量方向盘扭转的力矩得到，加速踏板控制信息可以通过测量油门踏板的开度得到，刹车踏板控制信息可以通过测量刹车踏板的开度得到。

车辆状态信息是指用于描述车辆的行驶状态的信息，包括但不限于：前车距离(车辆与前车的距离)、侧方车距(车辆与侧方车辆的距离)、车辆的速度、车辆的加速度、车辆所在位置等。其中，车辆状态信息可以通过车辆相关单元安装的传感器采集得到。例如，前车距离和侧方车距可以通过毫米波雷达和/或摄像头采集得到。车辆的加速度可以通过加速度传感器采集得到，车辆的位置可以通过定位装置采集得到。车辆的速度可以通过读取仪表盘的数据得到。

地图数据是指可以通过高精地图获取的与道路和路况相关的数据。其中，道路相关的数据包括但不限于：车辆所在车道、道路曲率、坡度、限速等信息。路况信息包括但不限于：道路车流量、拥堵程度等。

一些实现方式中，可以获取用户在人工驾驶一个车辆时的与驾驶行为相关数据和地图数据，还可以获取用户在人工驾驶多个车辆时的与驾驶行为相关数据和地图数据。

S302：根据所述与驾驶行为相关的数据和所述地图数据，确定所述用户人工驾驶车辆时采用的驾驶参数之间的关联关系；其中，所述驾驶参数之间的关联关系表征所述用户的驾驶行为习惯，所述驾驶参数之间的关联关系用于更新车辆自动驾驶时的驾驶策略。

具体的，通过对上述的与驾驶行为相关的数据和地图数据进行学习，得到用户人工驾驶车辆时采用的驾驶参数之间的关联关系。需要说明的是，本实施例对于具体学习过程不作限定。几种可能的实现方式可以参见后续实施例的详细描述。

在实现本申请的过程中发现，由于用户的驾驶行为习惯通常是与道路环境相关的。例如，同一用户在较为拥堵的场景和在比较通畅的场景中的跟车距离通常是不同的。因此，本实施例中，在学习用户的驾驶行为习惯时，不仅考虑与驾驶行为相关的数据，还考虑地图数据。由于地图数据指示了车辆所行驶的道路环境信息，通过对与驾驶行为相关的数据和地图数据进行学习，保证了确定出的用户的驾驶行为习惯的准确性。

本实施例中的驾驶参数可以是“与驾驶行为相关的数据和地图数据”中的参数。驾驶参数还可以是自动驾驶策略中所需的参数。驾驶参数包括但不限于：跟车距离、变道频率、转向避让幅度、侧向车距、水平方向控制、加速踏板控制、刹车踏板控制等。

一种可能的实现方式中，可以根据自动驾驶策略，确定至少一个目标驾驶参数。目标驾驶参数可以是自动驾驶策略中所需的驾驶参数。然后根据与驾驶行为相关的数据和地图数据，确定各目标驾驶参数对应的驾驶参数关系。

其中，一个目标驾驶参数对应的驾驶参数关系中包括该目标驾驶参数、该目标驾驶参数对应的至少一个参考驾驶参数、以及该目标驾驶参数与至少一个参考驾驶参数之间的关系。换言之，一个目标驾驶参数对应的驾驶参数关系可以采用函数关系进行表示。

示例性的，以目标驾驶参数为“跟车距离”为例，本申请实施例确定出的“跟车距离”对应的驾驶参数关系可以为：

跟车距离＝a*车速+b*拥堵程度

这样，在车辆采用自动驾驶模式时，可以根据各目标驾驶参数对应的驾驶参数关系对车辆的自动驾驶策略进行更新。例如，后续用户乘坐采用自动驾驶模式的车辆203时，在车辆203跟车场景中，可以根据车辆203的车速和当前道路的拥堵程度，确定出跟车距离。进而，根据该跟车距离控制车辆跟车行驶，使得用户感觉像是自己在跟车行驶一样，因此能够提升用户的个性化驾驶体验。

应理解，由于本实施例中，用户的驾驶行为习惯是采用驾驶参数之间的关联关系(例如函数关系)进行表示。举例而言，以跟车距离为例，本实施例确定出的跟车距离是采用函数式“跟车距离＝a*车速+b*拥堵程度”来表示。可见，本实施例确定出的跟车距离并不是固定的值，而是由车速、拥堵程度经过计算确定出的值。也就是说，本实施例确定出的跟车距离是与道路环境相关的。能够理解，由于即使是同一用户，其在不同的道路环境中(例如车速不同或者拥堵程度不同时)，其习惯采用的跟车距离也是不同的。因此，本实施例中，采用驾驶参数之间的关系来描述用户的驾驶行为习惯，使得确定出的驾驶行为习惯更加准确。

当本实施例的执行主体为车辆时，作为执行主体的车辆可以为图2中的车辆202。例如，车辆202在人工驾驶过程中，采集自身的与驾驶行为相关的数据，并从服务器获取地图数据。车辆202根据上述的与驾驶行驶相关的数据和地图数据，确定用户人工驾驶车辆时采用的驾驶参数之间的关联关系。进而，车辆202可以将用户的标识和驾驶参数之间的关系存储到数据库中。这样，在用户乘坐自动驾驶的车辆203时，可以根据用户的标识从数据库中获取驾驶参数之间的关联关系，并基于驾驶参数之间的关系对车辆203的自动驾驶策略进行更新。

当本实施例的执行主体为车辆时，该车辆还可以为图2中的车辆203。例如，车辆202在人工驾驶过程中，采集自身的与驾驶行为相关的数据并存储到数据库中。车辆203可以从数据库中获取与驾驶行为相关的数据。车辆203还可以从服务器获取地图数据。进而，车辆203根据上述的与驾驶行驶相关的数据和地图数据，确定用户人工驾驶车辆时采用的驾驶参数之间的关联关系。进而，在用户乘坐自动驾驶的车辆203时，可以根据用户对应的驾驶参数之间的关联关系对车辆203的自动驾驶策略进行更新。

当本实施例的执行主体为服务器时，车辆202在人工驾驶过程中，采集自身的与驾驶行为相关的数据，并将采集的数据发送给服务器。服务器获取对应的地图数据，并根据上述的与驾驶行为相关的数据和地图数据，确定用户人工驾驶车辆时采用的驾驶参数之间的关联关系。进而，服务器还可以将该用户对应的驾驶参数之间的关联关系推送给车辆203。或者，在用户乘坐车辆203时，车辆203可以根据用户的标识，从服务器请求获取该用户对应的驾驶参数之间的关联关系。进而，车辆203根据该用户对应的驾驶参数之间的关联关系对自动驾驶策略进行更新。

本实施例提供的驾驶行为习惯的确定方法包括：获取用户人工驾驶车辆在道路行驶过程中的与驾驶行为相关的数据和地图数据，根据上述的与驾驶行为相关的数据和地图数据，确定所述用户人工驾驶车辆时采用的驾驶参数之间的关联关系；其中，驾驶参数之间的关联关系表征所述用户的驾驶行为习惯。上述过程中，通过对用户人工驾驶车辆过程中的与驾驶行为相关数据和地图数据进行学习，可以识别出用户的驾驶行为习惯，进而，可以根据用户的驾驶行为习惯对车辆的自动驾驶策略进行更新，使得车辆的自动驾驶过程像是用户自己驾驶一样，从而提升用户的驾驶体验，满足不同用户的个性化自动驾驶需求。

图4为本申请实施例提供的另一种驾驶行为习惯的确定方法的流程示意图。本实施例对图3所示实施例进行细化描述。如图4所示，本实施例的方法包括：

S401：获取用户人工驾驶车辆在道路行驶过程中的与驾驶行为相关的数据和地图数据。

应理解，S401的实现方式可以与图3中的S301类似，此处不再赘述。

S402：对所述道路进行分割，得到多个路段，从在所述道路行驶过程中的与驾驶行为相关的数据和地图数据中，确定出各所述路段对应的与驾驶行为相关的数据和地图数据。

一种可能的实现方式中，可以根据地图中的道路的路段信息对道路进行分割，得到多个路段。示例性的，每个路段的长度可以为200米，或者，每个路段的长度可以为1公里。另一种可能的实现方式中，还可以将与驾驶行为相关的数据映射到地图中，然后根据地图中的道路的路段信息以及车辆驾驶状态的变化对车辆的行驶轨迹进行组合和分割，得到多个路段。这样，将道路划分为多个路段后，可以得到每个路段对应的与驾驶行为相关的数据和地图数据。

一种可能的实现方式中，在S402之后，还可以包括：针对多个路段中的任意路段，根据该路段对应的驾驶行为相关的数据和地图数据，确定用户在该路段中是否存在预设危险驾驶行为。其中，预设危险行为包括但不限于：急刹车、急转弯、超速驾驶、违章驾驶等。若存在预设危险行为，则将该路段对应的与驾驶行为相关的数据和地图数据删除。从而避免该路段对应的数据参与后续的学习过程，保证后续学习到的用户驾驶行为习惯的安全性。

S403：根据每个所述路段对应的驾驶行为相关的数据，确定所述路段的驾驶类型。

本实施例中，可以将路段的驾驶类型分为两种。一种类型为用户操控类型，即，用户主动发起驾驶状态的变化。另一种类型为驾驶维持类型，即，车辆维持在稳定驾驶状态。

一种可能的实现方式中，可以采用如下可行的方式确定路段的驾驶类型：根据路段对应的驾驶行为相关数据，确定车辆在路段中是否存在预设驾驶行为。其中，预设驾驶行为包括但不限于：变道、超车、转弯、刹车等。若存在上述预设驾驶行为，则确定该路段的驾驶类型为用户操控类型；若不存在上述预设驾驶行为，则确定该路段的驾驶类型为驾驶维持类型。

S404：针对自动驾驶策略所需的任意目标驾驶参数，从所述多个路段中确定出至少一个目标路段，所述目标路段对应的驾驶类型与所述目标驾驶参数的类型匹配。

每个目标驾驶参数的类型为用户操控类型或者驾驶维持类型。

示例性的，属于用户操控类型的目标驾驶参数包括但不限于：变道、转弯、超车、刹车相关的驾驶参数。属于驾驶维持类型的目标驾驶参数包括但不限于：跟车距离、跟车速度、侧向车距等。

S405：根据所述至少一个目标路段对应的与驾驶行为相关的数据和地图数据，确定所述目标驾驶参数对应的驾驶参数关系。

换句话说，若某个目标驾驶参数的类型为用户操控类型，则从多个路段中确定出驾驶类型为用户操控类型的目标路段，根据这些目标路段对应的与驾驶行为相关的数据和地图数据，确定出该目标驾驶参数对应的驾驶参数关系。若某个目标驾驶参数的类型为驾驶维持类型，则从多个路段中确定出驾驶类型为驾驶维持类型的目标路段，根据这些目标路段对应的与驾驶行为相关的数据和地图数据，确定出该目标驾驶参数对应的驾驶参数关系。

可选的，一个目标驾驶参数对应的驾驶参数关系中包括该目标驾驶参数、该目标驾驶参数对应的至少一个参考驾驶参数、以及该目标驾驶参数与所述至少一个参考驾驶参数之间的关系。

一种可能的实现方式中，目标驾驶参数对应的至少一个参考驾驶参数以及目标驾驶参数与所述至少一个参考驾驶参数之间的关系可以同时通过学习过程得到。例如，以上述举例中的“跟车距离＝a*车速+b*拥堵程度”为例，该函数关系中的参考驾驶参数“车速”和“拥堵程度”，以及“跟车距离”与参考驾驶参数之间的关系(即上述函数关系式)均通过学习得到。

示例性的，S405可以采用如下方式实现：从每个目标路段对应的与驾驶行为相关的数据和地图数据中，提取目标驾驶参数的值，并根据目标驾驶参数的值以及该目标路段中的其他驾驶参数的值，确定目标驾驶参数与该目标路段中的其他驾驶参数之间的关系。进而，根据从所述至少一个目标路段中确定出的所述关系，确定该目标驾驶参数对应的驾驶参数关系。

应理解，针对不同用户，通过该方式学习得到的驾驶参数关系的表达形式可以完全不同。例如，有些用户可以是线性函数，有些用户可以为非线性函数。

另一种可能的实现方式中，可以先确定出目标驾驶参数对应的至少一个参考驾驶参数，例如，可以通过预学习或者事先统计得到。然后，再学习得到目标驾驶参数与所述至少一个参考驾驶参数之间的关系。例如，以上述举例中的“跟车距离＝a*车速+b*拥堵程度”为例，该函数关系中的参考驾驶参数“车速”和“拥堵程度”可以是学习之前确定的，“跟车距离”与参考驾驶参数之间的关系(即上述函数关系式)是通过学习得到的。

示例性的，S405可以采用如下方式实现：确定目标驾驶参数对应的至少一个参考驾驶参数；从每个目标路段对应的与驾驶行为相关的数据和地图数据中，提取目标驾驶参数的值以及所述至少一个参考驾驶参数的值，并根据目标驾驶参数的值以及所述至少一个参考驾驶参数的值，确定所述目标驾驶参数与所述至少一个参考驾驶参数之间的关系；根据从所述至少一个目标路段中确定出的所述关系，确定所述目标驾驶参数对应的驾驶参数关系。

本实施例中，为了保证学习到的用户的驾驶行为习惯的准确性，一种可能的实现方式中，S405之后还可以包括：

若第一目标驾驶参数对应的驾驶参数关系所表征的驾驶行为习惯的安全度小于预设阈值，删除所述第一目标驾驶参数对应的驾驶参数关系，或者，对所述第一目标驾驶参数对应的驾驶参数关系进行处理，以使处理后的第一目标驾驶参数对应的驾驶参数关系所表征的驾驶行为的安全度大于或者等于所述预设阈值；其中，所述第一目标驾驶参数为所述至少一个目标驾驶参数中的任一。

示例性的，若经过上述的S401至S405确定出的“跟车距离”对应的驾驶参数关系指示用户习惯与前车保持过近的距离，则可以将“跟车距离”对应的驾驶参数关系删除，或者，对“跟车距离”对应的驾驶参数关系进行处理，例如，可以在“跟车距离＝a*车速+b*拥堵程度”中增加一个安全系数，以避免确定出的跟车距离过近，从而保证自动驾驶的安全性。

可选的，可以采用预设的安全准则模型对目标驾驶参数对应的驾驶参数关系所指示的驾驶行为习惯的安全性进行检测和处理。安全准则模型是一个基于车辆自身性能和行车基准的标准化的安全模型。通过安全准确模型可以识别出过分激进、违规、不良操作等驾驶行为习惯，并对识别出的危险驾驶行为进行过滤或者优化处理，以保证安全性。安全准则模型可以帮助自动驾驶车辆快速识别在正常行驶中的危险情况，并给出最大安全性的行驶意见。

另一种可能的实现方式中，S405之后还可以包括：

若所述第一目标驾驶参数对应的驾驶参数关系中不包括预设参考驾驶参数，则采用预设模型对所述第一目标驾驶参数对应的驾驶参数关系进行处理，以使处理后的驾驶参数关系包括所述预设参考驾驶参数、以及所述第一目标驾驶参数与所述预设参考驾驶参数之间的关系。其中，所述第一目标驾驶参数为所述至少一个目标驾驶参数中的任一。

示例性的，若由于采集的人工驾驶数据中不存在某些特定场景，导致学习到的驾驶参数关系中，不包含第一目标驾驶参数与预设参考驾驶参数之间的关系。为了保证学习到的用户驾驶行为习惯能够适用于更广泛的场景，可以在驾驶参数关系中补充第一目标驾驶参数与预设参考驾驶参数之间的关系。

其中，上述预设模型可以为驾驶常识模型。驾驶常识模型是通过搜集将正常人工驾驶的车辆的行为数据和预设规则组合而生成的一套符合安全准则的数学与语义模型。通过函数判定或语义指令输出，它能够为自动驾驶的车辆在法律交规没有明确指示的场景下提供保证安全的驾驶操作判断和指令。当车辆在正常行驶下遇到突发情况时，车辆的驾驶常识模型会主导自动驾驶系统进行事故避让或将事故损害程度降至最小。通过安全准则模型优化后的驾驶参数关系能够对用户驾驶行为习惯对应的场景进行扩充，使个性化驾驶能够在更广泛的情景下适用。

本实施例中，安全准确模型和驾驶常识模型还可以结合使用。比如，先采用安全准则模型对用户驾驶行为习惯进行处理，然后再采用驾驶常识模型对用户驾驶行为习惯进行处理，最终得到符合安全驾驶准则的、适用于更广泛情景的用户驾驶行为习惯。通过采用安全准则和驾驶常识模型能够将自动驾驶的行车安全放在第一要义，同时能够拓展个性化自动驾驶的应用场景，使个性化自动驾驶的应用更为全面。

上述实施例描述了用户驾驶行为习惯的确定方法，下面结合一个具体的实施例描述根据用户驾驶行为习惯实现个性化自动驾驶的方法。

图5为本申请实施例提供的一种车辆行驶控制方法的流程示意图。本实施例的执行主体可以为图2中的车辆203。如图5所示，本实施例的方法可以包括：

S501：接收自动驾驶请求，所述自动驾驶请求包括用户的标识。

一些示例中，用户需要采用自动驾驶模式使用车辆时，可以向车辆输入自动驾驶请求。在自动驾驶请求中携带用户的标识(例如用户账号)。

S502：根据所述用户的标识，获取驾驶参数之间的关联关系；所述驾驶参数之间的关联关系表征所述用户的驾驶行为习惯。

应理解，驾驶参数之间的关联关系可以是根据该用户人工驾驶车辆在道路行驶过程中的与驾驶行为相关的数据和地图数据学习得到的。具体的学习过程可以参见图3或者图4所示实施例的详细描述。

一些可能的场景中，驾驶参数之间的关联关系存储在服务器中。车辆可以向服务器发送驾驶行为习惯获取请求，所述驾驶行为习惯获取请求包括所述用户的标识。服务器向车辆发送与该用户的标识对应的驾驶参数之间的关联关系。从而，车辆获取到该用户对应的驾驶参数之间的关联关系。

S503：根据所述驾驶参数之间的关联关系，更新车辆的驾驶策略，得到目标驾驶策略。

可选的，驾驶参数之间的关联关系包括：至少一个目标驾驶参数对应的驾驶参数关系。可以根据每个目标驾驶参数对应的驾驶参数关系，更新车辆的驾驶策略。

具体的，针对每个目标驾驶参数，若所述车辆的驾驶策略中包括该目标驾驶参数，则将车辆的驾驶策略中的该目标驾驶参数的值替换为该目标驾驶参数对应的驾驶参数关系。例如，若车辆的驾驶策略中，跟车距离设置为固定值4米，则将驾驶策略中的跟车距离的值替换为“跟车距离＝a*车速+b*拥堵程度”。

若车辆的驾驶策略中不包括目标驾驶参数，则在车辆的驾驶策略中添加目标驾驶参数对应的驾驶参数关系。例如，若车辆的驾驶策略中不包括变道频率参数，而学习到的用户驾驶行为习惯中包括在车流量较多的情况下进行变道(即包括变道频率与车辆量之间的关系)，则可以在车辆的驾驶策略中添加变道频率对应的驾驶参数关系。

S504：根据所述目标驾驶策略，控制所述车辆自动驾驶。

本实施例中，对车辆的驾驶策略进行更新，得到的目标驾驶策略中包括至少一个目标驾驶参数对应的驾驶参数关系。其中，一个目标驾驶参数对应的驾驶参数关系中包括所述目标驾驶参数、所述目标驾驶参数对应的至少一个参考驾驶参数、以及所述目标驾驶参数与所述至少一个参考驾驶参数之间的关系。

这样，S504可以具体包括：根据所述车辆的实时行驶数据和地图数据，获取所述目标驾驶参数对应的所述至少一个参考驾驶参数的值；根据所述至少一个参考驾驶参数的值以及所述目标驾驶参数与所述至少一个参考驾驶参数之间的关系，确定所述目标驾驶参数的值。根据所述目标驾驶参数的值，控制所述车辆自动驾驶。

举例说明，目标驾驶参数“跟车距离”对应的驾驶参数关系为“跟车距离＝a*车速+b*拥堵程度”。在车辆跟车场景中，可以根据车辆的实时车速和道路的实时拥堵程度，根据上述函数关系，计算得到跟车距离，进而，根据跟车距离控制车辆行驶。

本实施例提供的车辆行驶控制方法包括：接收自动驾驶请求，所述自动驾驶请求包括用户的标识；根据所述用户的标识获取驾驶参数之间的关联关系，所述驾驶参数之间的关联关系表征用户的驾驶行为习惯；根据所述驾驶参数之间的关联关系，更新车辆的驾驶策略，得到目标驾驶策略，根据所述目标驾驶策略控制车辆自动驾驶。上述过程中，通过根据表征用户的驾驶行为习惯的驾驶参数之间的关联关系对车辆的驾驶策略进行更新，使得车辆能够按照用户的驾驶行为习惯进行自动驾驶，即车辆的自动驾驶过程像是用户自己驾驶一样，从而提升用户的驾驶体验，实现不同用户的个性化自动驾驶。

图6为本申请实施例提供的车辆行驶控制过程的示意图。如图6所示，车辆的自动驾驶系统包括：感知单元、预测单元、规划单元、决策单元和控制单元。感知单元通过摄像头、雷达、地图等采集到的数据获得周围障碍物信息和道路环境信息。预测单元根据感知到的障碍物信息以及道路环境信息，推断出障碍物未来可能的行为模式。规划单元和决策单元通过分析感知和预测到的信息，生成行驶路径和行驶决策信息。控制单元将行驶决策信息转化成刹车、油门或转向信号，控制车辆按照预期行驶。

本实施例中，车辆获取到驾驶参数之间的关联关系之后，会根据驾驶参数之间的关联关系更新自动驾驶系统。如图6所示，自动驾驶系统的规划单元和决策单元会接收到驾驶参数之间的关联关系。规划单元和决策单元会采用覆盖原有驾驶参数和/或新增驾驶参数的形式，对原有的自动驾驶策略进行更新，这样使得自动驾驶系统内为更新后的目标驾驶策略。进而，自动驾驶系统进行规划或决策时，根据更新后的目标驾驶策略对车辆进行行驶控制。

图7为本申请实施例提供的另一种车辆行驶控制方法的流程示意图。本实施例的方法可以由车辆和服务器交互实现。如图7所示，本实施例的方法包括：

S701：在用户人工驾驶车辆在道路行驶过程中，车辆采集与驾驶行为相关的数据。

S702：车辆向服务器发送所述用户的标识以及所述与驾驶行为相关的数据。

S703：服务器获取所述道路对应的地图数据。

S704：服务器根据所述与驾驶行为相关的数据和所述地图数据，确定所述用户人工驾驶车辆时采用的驾驶参数之间的关联关系，其中，所述驾驶参数之间的关联关系表征所述用户的驾驶行为习惯。

应理解，S701至S704的具体实现方式可以参见图3或图4所示实施例。

S705：车辆接收自动驾驶请求，所述自动驾驶请求包括用户的标识。

S706：车辆向服务器发送驾驶行为习惯获取请求，所述驾驶行为习惯获取请求包括所述用户的标识。

S707：服务器根据所述用户的标识，向车辆发送所述驾驶参数之间的关联关系。

S708：车辆根据所述驾驶参数之间的关联关系，更新车辆的驾驶策略，得到目标驾驶策略。

S709：车辆根据目标驾驶策略，控制车辆自动驾驶。

应理解，S705至S709的具体实现方式可以参见图5所示实施例。

本实施例中，S701至S704中的车辆与S705至S709中的车辆可以是同一车辆，也可以是不同车辆。

本实施例中，通过对用户人工驾驶车辆过程中的与驾驶行为相关数据和地图数据进行学习，可以识别出用户的驾驶行为习惯，进而，根据用户的驾驶行为习惯对车辆的自动驾驶策略进行更新，使得车辆的自动驾驶过程像是用户自己驾驶一样，从而提升用户的驾驶体验，实现不同用户的个性化自动驾驶。

图8为本申请实施例提供的一种驾驶行为习惯的确定装置的结构示意图。本实施例的装置可以为软件和/或硬件形式。该装置可以设置在车辆中，例如，该装置可以设置在车机中，或者设置在车载设备中。该装置还可以设置在服务器中。

如图8所示，本实施例的驾驶行为习惯的确定装置800，包括：获取模块801和处理模块802。

其中，获取模块801，用于获取用户人工驾驶车辆在道路行驶过程中的与驾驶行为相关的数据和地图数据；

处理模块802，用于根据所述与驾驶行为相关的数据和所述地图数据，确定所述用户人工驾驶车辆时采用的驾驶参数之间的关联关系；其中，所述驾驶参数之间的关联关系表征所述用户的驾驶行为习惯，所述驾驶参数之间的关联关系用于更新车辆自动驾驶时的驾驶策略。

一种可能的实现方式中，所述处理模块802包括：

第一确定单元，用于根据所述驾驶策略，确定至少一个目标驾驶参数；

第二确定单元，用于根据所述与驾驶行为相关的数据和所述地图数据，确定各所述目标驾驶参数对应的驾驶参数关系；

其中，一个目标驾驶参数对应的驾驶参数关系中包括所述目标驾驶参数、所述目标驾驶参数对应的至少一个参考驾驶参数、以及所述目标驾驶参数与所述至少一个参考驾驶参数之间的关系。

一种可能的实现方式中，所述道路包括多个路段，每个所述驾驶参数的类型为用户操控类型或者驾驶维持类型；所述第二确定单元包括：

第一确定子单元，用于针对所述至少一个目标驾驶参数中的任意目标驾驶参数，从所述多个路段中确定出至少一个目标路段，所述目标路段对应的驾驶类型与所述目标驾驶参数的类型匹配；

第二确定子单元，用于根据所述至少一个目标路段对应的与驾驶行为相关的数据和地图数据，确定所述目标驾驶参数对应的驾驶参数关系。

一种可能的实现方式中，所述第二确定子单元具体用于：

从每个所述目标路段对应的与驾驶行为相关的数据和地图数据中，提取所述目标驾驶参数的值，并根据所述目标驾驶参数的值以及所述目标路段中的其他驾驶参数的值，确定所述目标驾驶参数与所述目标路段中的其他驾驶参数之间的关系；

根据从所述至少一个目标路段中确定出的所述关系，确定所述目标驾驶参数对应的驾驶参数关系。

一种可能的实现方式中，所述第二确定子单元具体用于：

确定所述目标驾驶参数对应的至少一个参考驾驶参数；

从每个所述目标路段对应的与驾驶行为相关的数据和地图数据中，提取所述目标驾驶参数的值以及所述目标驾驶参数对应的至少一个参考驾驶参数的值，并根据所述目标驾驶参数的值以及所述目标驾驶参数对应的至少一个参考驾驶参数的值，确定所述目标驾驶参数与所述至少一个参考驾驶参数之间的关系；

根据从所述至少一个目标路段中确定出的所述关系，确定所述目标驾驶参数对应的驾驶参数关系。

一种可能的实现方式中，所述第二确定单元还包括：

分割子单元，用于对所述道路进行分割，得到所述多个路段；

第三确定子单元，用于从在所述道路行驶过程中的与驾驶行为相关的数据和地图数据中，确定出各所述路段对应的与驾驶行为相关的数据和地图数据；

第四确定子单元，用于根据每个所述路段对应的驾驶行为相关的数据，确定所述路段的驾驶类型。

一种可能的实现方式中，所述第四确定子单元具体用于：

根据所述路段对应的驾驶行为相关数据，确定所述车辆在所述路段中是否存在预设驾驶行为，所述预设驾驶行为包括：变道、超车、转弯、刹车；

若存在，则确定所述路段的驾驶类型为用户操控类型；

若不存在，则确定所述路段的驾驶类型为驾驶维持类型。

一种可能的实现方式中，所述第二确定单元还包括：

删除子单元，用于针对所述多个路段中的任意路段，根据所述路段对应的与驾驶行为相关的数据和地图数据，确定所述用户在所述路段中是否存在预设危险驾驶行为；若存在，则将所述路段对应的与驾驶行为相关的数据和地图数据删除。

一种可能的实现方式中，所述处理模块802还包括处理单元，所述处理单元用于：

若第一目标驾驶参数对应的驾驶参数关系所表征的驾驶行为习惯的安全度小于预设阈值，删除所述第一目标驾驶参数对应的驾驶参数关系，或者，对所述第一目标驾驶参数对应的驾驶参数关系进行处理，以使处理后的第一目标驾驶参数对应的驾驶参数关系所表征的驾驶行为的安全度大于或者等于所述预设阈值；或者，

若所述第一目标驾驶参数对应的驾驶参数关系中不包括预设参考驾驶参数，则采用预设模型对所述第一目标驾驶参数对应的驾驶参数关系进行处理，以使处理后的第一目标驾驶参数对应的驾驶参数关系包括所述预设参考驾驶参数、以及所述第一目标驾驶参数与所述预设参考驾驶参数之间的关系；

其中，所述第一目标驾驶参数为所述至少一个目标驾驶参数中的任一。

本实施例提供的装置，可用于执行上述方法实施例中驾驶行为习惯的确定方法，其实现原理和技术效果类似，此处不作赘述。

图9为本申请实施例提供的一种车辆行驶控制装置的结构示意图；本实施例的装置可以为软件和/或硬件形式。该装置可以设置在车辆中，例如，该装置可以设置在车机中，或者设置在车载设备中。如图9所示，本实施例提供的车辆行驶控制装置900，包括：接收模块901、获取模块902、更新模块903和控制模块904。

其中，接收模块901，用于接收自动驾驶请求，所述自动驾驶请求包括用户的标识；

获取模块902，用于根据所述用户的标识，获取驾驶参数之间的关联关系；所述驾驶参数之间的关联关系表征所述用户的驾驶行为习惯；

更新模块903，用于根据所述驾驶参数之间的关联关系，更新车辆的驾驶策略，得到目标驾驶策略；

控制模块904，用于根据所述目标驾驶策略，控制所述车辆自动驾驶。

一种可能的实现方式中，所述驾驶参数之间的关联关系包括：至少一个目标驾驶参数对应的驾驶参数关系；所述更新模块903包括：

替换单元，用于针对所述至少一个目标驾驶参数中的任意目标驾驶参数，将所述车辆的驾驶策略中的所述目标驾驶参数的值替换为所述目标驾驶参数对应的驾驶参数关系。

一种可能的实现方式中，一个目标驾驶参数对应的驾驶参数关系中包括所述目标驾驶参数、所述目标驾驶参数对应的至少一个参考驾驶参数、以及所述目标驾驶参数与所述至少一个参考驾驶参数之间的关系；

所述控制模块904包括：

获取单元，用于根据所述车辆的实时行驶数据和地图数据，获取所述目标驾驶参数对应的所述至少一个参考驾驶参数的值；

确定单元，用于根据所述目标驾驶参数对应的所述至少一个参考驾驶参数的值以及所述关系，确定所述目标驾驶参数的值；

控制单元，用于根据所述目标驾驶参数的值，控制所述车辆自动驾驶。

一种可能的实现方式中，所述获取模块902包括：

发送单元，用于向服务器发送驾驶行为习惯获取请求，所述驾驶行为习惯获取请求包括所述用户的标识；

接收单元，用于从所述服务器接收所述驾驶参数之间的关联关系。

一种可能的实现方式中，所述驾驶参数之间的关联关系是采用如上述实施例中的驾驶行为习惯的确定方法得到的。

本实施例提供的装置，可用于执行上述方法实施例中车辆行驶控制方法，其实现原理和技术效果类似，此处不作赘述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。该电子设备可以为车辆中的车机或者其他车载设备。该电子设备还可以为服务器。

根据本申请的实施例，本申请还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。

图10示出了可以用来实施本申请的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图10所示，电子设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如驾驶行为习惯的确定方法或者车辆行驶控制方法。例如，在一些实施例中，驾驶行为习惯的确定方法或者车辆行驶控制方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的驾驶行为习惯的确定方法或者车辆行驶控制方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行驾驶行为习惯的确定方法或者车辆行驶控制方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、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、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。