用于调节车辆中的车辆导航系统的用户接口的方法

摘要

一种方法调节车辆导航系统的用户接口。基于表示与车辆有关的当前状态的输入向量，使用表示先前状态的预测模型来预测实现下一状态的动作的概率。然后，在车辆中显示具有最高概率的动作的子集。

说明书

技术领域

本发明涉及车辆导航系统，更具体地，涉及调节车辆导航系统中的用户接口。

背景技术

导航系统可以嵌入在汽车、卡车、公共汽车以及其他车辆中。导航系统可以就从 当前位置至目的地的最佳路线向驾驶员和车辆的任意其他乘员提出建议。通常在旅行 开始之前指定目的地。通常在正确的时间给出关于所需操纵(例如，转向和车道变化 等)的声音提示，并且这通过使对定位交通标志并记住路线的要求最小化可以显著地 降低驾驶员的认知负荷和注意力分散。在该能力方面，车辆导航系统还担当可以显著 地降低事故危险的安全设备。

许多车辆导航系统提供附加动作(诸如请求关于兴趣点的信息、调整热环境、操 作娱乐设备、拨电话号码、以各种方式(例如，放大和缩小)自定义诸如地图等的图 形输出、2D与3D地图之间的切换，将地图方位与行进方向或与罗盘方向对齐等)。 还可以改变所打算的目的地。所有这些附加动作通常需要在操作车辆的同时与车辆导 航系统交互。该交互可能使事故危险成数量级的增加。

一个冗长的交互是设置不同的目的地。这需要指定多个要素(例如，国家、州、 城市、街道、门牌号等)，各要素需要在小型键盘上进行多次键击或在用户接口上进 行多次触摸。通常地，这些接口较小，并且位于驾驶员的主视线之外。因此，这种系 统可能有重大安全危险，这使在行驶时降低注意力分散和事故危险的一个最初目的失 败。

车辆导航系统的生产厂家通过使用一系列菜单仔细地组织可用动作来处理该问 题，使得可以用最少量的交互来指定最经常使用的动作。

例如，一些车辆导航系统在顶层菜单上具有专用HOME(主页)项。HOME(主 页)项可以被预先设置为例如驾驶员的家或工作场所的地址。类似地，所预设的CALL HOME(调用主页)项可以拨打最频繁拨打的电话号码。

虽然可用菜单顺序的这种精心设计可以显著地减少完成交互所需的键击数，但这 些设计未考虑对于不同驾驶员独立动作的相对使用频率之间的显著变化性，也不是如 由例如位置、时间、发动机的状态以及内部环境状况等描述的、特定于车辆和驾驶员 的当前场境的设计。在许多情况下，大量的可用动作要么不可用要么不太可能，例如， 不可能在车辆处于其家位置处时使用HOME(主页)项，并且该按钮的顶层放置可 以更好地用于某一其他动作。车辆导航系统的用户接口的个性化是优化用户体验并使 降低事故危险的一个可能途径。

美国专利8,386,173中Muzina等人描述了一种用于基于车辆速度来自动调整地图 详细程度由此使驾驶员放大或缩小地图的次数最小化的方法。

美国专利6,349,257中Liu等人描述了一种用于例如在车辆租赁公司处在旅行之 前使车辆导航设备的用户接口个性化的系统。该个性化可以通过消除对于特定旅行不 需要的接口元素而有用。预先确定的目的地点有可能消除途中的注意力分散。

美国专利8,078,359中Evan等人描述了一种用于借助于与触摸屏交互来使车辆导 航和资讯娱乐系统的用户接口个性化的方法。然而，个性化的该一般途径需要额外的 时间和事先的计划，并且仅是驾驶员特定的，而不是场境特定的。

发明内容

发明的实施方式提供一种用于使车辆导航系统的用户接口动态适应的方法。该方 法可以根据与车辆有关的当前状态修改可用于驾驶员的动作的列表。虽然车辆的其他 乘员也可以使用该系统，但发明主要关注于降低对于车辆驾驶员的交互的复杂性，例 如，键击或触摸的时间和/或次数。

因此，该方法解决由用户进行的与车辆导航系统的过度复杂的交互的问题，例如 经由完成动作的选择所需要的键击或触摸的次数而测量得的，并且显著地降低事故的 危险。

该方法生成对应于用户可能想要选择的预期任务的动作项的菜单，使得可以用最 少的键击或触摸次数来选择对于当前状态最可能的动作。菜单可以显示在导航系统的 主显示装置上，替换传统固定菜单，或者可以示出在具有更小数量的可选动作的辅显 示装置上。

该方法基于所记录的信息和与车辆有关的当前状态，通过评估用户可能选择所关 联动作的概率，来确定要包括在适应性菜单中的动作。

该方法从车辆导航系统、发动机、可经由无线通信访问的外部数据库以及报告气 温、湿度、云量以及降雨或降雪的其他公开可用的气象服务定期地获取状态信息(数 据)、能见度、交通模式、紧急信息等。数据在数据库中组织，并且以定期间隔，使 用直到当前时刻为止的所有可用数据来在用户需要选择动作时构造与当前状态有关 的预测模型。要显示的可能动作由车辆导航系统来选择，该车辆导航系统包括示出可 能动作的显示装置。当前状态被表示为已知维数的输入数据的向量。可能动作是所有 可能动作的子集。

使用机器学习过程建立输入变量(状态)与输出变量(动作)之间的关系。该关 系是在(离线)训练阶段中建立的。

在运行时间阶段中，以与在训练阶段中构建向量的方法相同的方式，定期地构建 当前状态的向量，并且使用预测模型在使交互的复杂性最小化的同时预测各个可用动 作被用户选择的概率。

在将针对选择的概率指派给各可用动作之后，构造菜单，以使用户选择预期动作 所需要的键击或触摸的期望次数最小化。定期地更新该菜单，以匹配与车辆有关的当 前状态，并且可能适应驾驶员/用户的随着时间而变化的需要和意图。

附图说明

图1是根据发明的实施方式的、用于调节车辆导航系统的用户接口动态的系统和 方法的框图。

具体实施方式

系统概述

如图1所示，发明的实施方式提供了一种用于动态地调节车辆导航的用户接口的 方法。该系统可以获取导航数据101、车辆数据102、环境数据103以及与车辆的状 态有关的任何其他数据。一般地，车辆的状态包括与车辆的外部状态和内部状态及其 乘员有关的任何有意义的信息。车辆数据可以从车辆中的控制器局域网(CAN)获得 该控制器局域网使微控制器和设备能够在无主处理器的情况下在车内彼此通信。

该数据或状态信息可以从车辆中的传感器、用户输入来本地地获取，或经由对网 络(诸如连接到数据库的因特网等)的无线连接来获取。该数据可以包括历史以及实 时数据。

在使数据同步(110)之后，可以定期地提取120特征向量121。各特征向量对 应于如上所限定的在特定时间与车辆有关的状态。然后将特征向量输入到根据在离线 过程期间以类似方式获取并处理的历史数据库151中所存储的特征向量而构造的预 测模型中。

预测过程应用于用户/驾驶员的所观察行为152，以确定动作的概率131。

显示140一组高概率动作141，使得驾驶员可以在最短的时间内用与系统的最少 次数的交互来选择动作，以降低事故的危险。换言之，使交互的复杂性最小化。

预测模型

本发明的主要要素是使用先前状态来将当前状态与下一状态关联的预测模型 160。这里，模型的当前状态可以包括车辆的状况和位置、驾驶员状况以及外部因素 (诸如天气和交通状况等)。模型的输出是基于数据库150中所存储的先前状态对驾 驶员接着要做什么的预测。

为了使用机器学习法来解决预测问题，有用的是将可用数据缩减为可以由各种机 器学习过程使用的格式。该格式包括对(x,y)，其中，x＝[x₁,x₂,…,x_N]^T是固定维数 N的输入向量，并且y是可以是单维的(标量、布尔值或多项式)，或者是有限维P 的向量y＝[y₁,y₂,…,y_P]^T的输出变量，其中，该向量的成分变量y_j，j＝1,…,P可以是 这些类型中的任一种。整个数据集由M个这种对(x^(k),y^(k))，k＝1,M组成。转置算符 由T来指示。

一个可能的输入变量x包括与当前状态有关的最新测量到的数据(例如，车辆速 度、位置、时间、星期几、剩余燃料、电池充电、诸如温度等的内部和外部环境状况、 能见度、时间、星期几等)。

该输入适于直接预测仅依赖于所获取的数据中的一个或更多个并且不需要任何 进一步的用户交互的用户动作，例如，定位加油站或充电站的决定或调整车内环境。

以该方式构建的输入向量x有可能描绘影响用户动作的一些因果关系的特征，但 可能不适合其他动作的准确预测。例如，驾驶员正在寻找休息区的预测需要了解驾驶 员自最后停车以来驾驶了多久。该信息无法被任何车辆系统直接测量。

对应的所导出的输入变量可以和充当驾驶处理的“记忆”的其他这种变量一起根 据可直接测量的信息来构建。这种变量数据104有时也称为导出输入特征。关于最近 停车的记忆，存在若干可能方式来生成导出特征。

一个特征是当前时间与最近停车的时间之间的时间差。另一个方式是生成一组布 尔指示特征，该特征的值在最近停车发生在小于指定阈值(例如，对于一个指示变量 为一个小时，对于第二变量为两个小时等)内时为真。可以遵循相同的一般方案，以 生成与其他事件(例如，目的地的预期到达)有关的导出特征。这种导出特征可以在 预测驾驶员是否应当开始寻找停车场、是否对地图进行放大等时有用。

另一组非常重要的导出变量与直接对应于用户动作的事件有关。这种变量的一个 示例是动作a_j是否发生在最近T分钟内。这种变量可以强烈预测其他用户动作，特 别是在用户动作经常以相同序列发生的情况下。

例如，一些驾驶员可能喜欢在紧接指定目的地之后查看整个路线，并且在可以在 训练期间学习这种序列时，可以在紧接设置目的地的动作发生之后在用户接口上显示 将地图缩小至整个路线的动作。

由此，另一个适当表达用标量变量或布尔指示变量增强该组导出特征。该表达可 能提高预测的精度。然而，该组导出特征仅表示可以用于预测过程的过去信息中的一 小部分。即使在被限于当前状态与先前状态之间的有限差值时，将该整个信息提供给 学习过程也不实际，因为输入向量的维数将变得非常高。众所周知，这损害所学习的 模型的普及能力。

处理该问题的一种可能方式是在该整组时间序列中搜索先前状态的有限数量的 短子序列，其具有这些序列强烈预测需要预测的输出变量的特性。这种子序列被称为 motifs或shapelets，并且可以经由计算有效过程在整组时间系列中发现。

在训练阶段中，搜索过程分析整组时间序列，发现强烈预测子序列(HPS)，并 且构建各子序列的布尔指示变量x_i。由这种HPS指示符变量增强的输入变量构成另 一种可能的输入表达。

依赖于对什么类型的驾驶员动作进行建模并预测，存在用于对输出变量y编码的 若干可能方法。当所选动作互相排斥时，并且当驾驶员正在选择动作a₁时，这明确 意味着驾驶员不希望选择动作a₂。适合于变量y的概率分布是多项式分布，即，y∈ {a₁,a₂,…,a_L}。这种互相排斥的动作的示例是开启车辆环境系统的制暖和制冷功能， 以及不选择任何动作，因为温度当前是舒适的。

当可用动作不互相排斥时，可以更适当的是将输出表示为P个布尔变量的向量y ＝[y₁,y₂,…,y_P]^T，其中，P等于动作的数量。

不管所选择的输入和输出表达如何，该方法的下一步骤是根据数据库151中的M 个训练示例(x^(k),y^(k)),k＝1,M的数据集来学习预测模型160。用于学习这种模型的一 些方法包括逻辑回归、决策树、朴素贝叶斯网络、支持向量机等。

在模型被学习并并且被提示输入向量x之后，使用该模型来估计特定动作a_j,j＝1, P将被选择的概率p_j。

为了动态地调节用户接口，定期地(例如，每分钟)或对应于可用测量得的数据 的要求处理所学习的预测模型。输入向量x以与在制作训练数据集时构建输入向量的 方式相同的方式来构建，并且预测模型用于生成概率p_j。

在此之后，根据驾驶员将选择最高概率动作的小子集(例如，三个或四个)的所 估计的概率p_j以降序对动作a_j进行排序。

该列表可以显示140在显示装置141上，例如，车辆导航系统的主显示装置或在 辅显示装置上或这两者上。假如驾驶员想要选择的动作没有在所显示的列表上，则可 以使用滚动接口142将列表推进到下面可能的一组动作。

当可能动作a_j,j＝1,P的层次(树)可用时，该树可用于显示短列表，以降低选 择预期动作所需的交互的复杂性。例如，如果动作a₁＝Map_zoom_in且 a₂＝Map_zoom_out属于相同的一般类别c₁＝Map_manipulation，并且这两者同等可能， 例如，因为用户刚刚执行一个动作而，则这暗示用户对当前缩放比例不满意。c₁的一 般选择可以置于顶层，而不是针对a₁和a₂使用两个间隙。

训练阶段可以以定期间隔或者按需执行。当优选动作变化时，例如由于工作场所、 住宅、季节等的变化，预测模型的这种训练保持当前状态。