用于自适应停止-起动禁止器的方法和系统与流程

1.本说明书总体上涉及用于控制具有自动停止特征的车辆上的发动机怠速停止和重新起动活动的方法和系统，并且更具体地涉及基于驾驶员的预测情绪状态来控制发动机怠速停止和重新起动活动。


背景技术：

2.混合动力车辆可以被配备有发动机自动停止系统。发动机自动停止系统在车辆运转的某些时段期间关闭发动机以节省燃料。例如，当车辆在交通信号灯处停止或处于交通堵塞时，可以处于发动机自动停止，而不是允许发动机怠速。当驾驶员释放制动器或致动加速踏板时，可以重新起动发动机。例如，由于电气系统上的负载，也可以起动发动机。在不需要时停止发动机提高了燃料经济性并减少排放。
3.发动机停止-起动系统带来的一个挑战是，它们可能导致驾驶员担心在驾驶员处于繁忙交通的情况下、特别是在存在(高度焦虑)左转场景和连续停车状况(四向停车交叉路口/多让路场景)中无法起动的可能性。已经实现的一种解决方案是手动越控，由此驾驶员可以手动禁用停止-起动系统。这导致一些客户非常有选择性地使用停止-起动功能性，从而相应地降低燃料效率。另一种解决方案是基于车辆或驾驶员的状况而自动校准停止-起动系统。例如，如ford等人在美国专利申请公开第2014/0343830a1号中所示，可以基于驾驶员的情绪状态来自动启用或禁用停止-起动系统，所述情绪状态由机器学习系统确定，所述机器学习系统将经由内部摄像机拍摄的驾驶员面部的图像作为输入。
4.然而，本文的发明人已经认识到停止-起动特征的自动校准的潜在问题。例如，经由内部摄像机收集的视频数据可能无法提供对驾驶员的情绪状态的准确指示，并且当前的自动特征校准方法不考虑驾驶员的驾驶历史、配置文件或由内部导航系统生成的道路属性信息，所述内部导航系统可以用于提供对驾驶员的焦虑水平的更稳健估计。另外，当前的自动特征校准方法不能提前预测驾驶员的情绪状态来防止或避免出现驾驶员焦虑的状况(例如，禁止停止-起动特征、建议不同路线、计算不同的最佳路线等)。此外，当前方法没有利用来自已连接的车队的集体信息，所述集体信息可以支持在驾驶员第一次遇到情况之前识别场景。


技术实现要素：

5.在一个示例中，上述问题可以通过一种用于车辆的控制器的方法来解决，所述方法包括：确定操作所述车辆的驾驶员的驾驶员分类；基于所述驾驶员分类来预测所述驾驶员在即将来临的交通状况下的焦虑水平；以及基于所述驾驶员的所述预测焦虑水平来选择性地禁止即将来临的发动机怠速停止事件。预测所述驾驶员的焦虑水平可以包括：训练驾驶员分类模型以将所述驾驶员分类为多个驾驶员分类中的一者；基于从仪表板摄像机、传声器和所述车辆的和/或由所述驾驶员穿戴的其他传感器接收的数据来训练焦虑分类模型以对所述驾驶员的焦虑水平进行分类；以及针对所述多个驾驶员分类中的每个驾驶员分类
向路段分配焦虑分类。通过预期驾驶员在交通中断期间可能经历焦虑的驾驶状况，可以选择性地禁止怠速停止事件，直到车辆到达与较少焦虑相关联的路段。
6.作为示例，车辆的即将来临的路段可以根据来自一个或多个来源的前瞻数据来定义，所述一个或多个来源包括车辆的外部摄像机、车载导航系统和/或在目标车辆的阈值距离内的车辆之间形成的车辆对车辆(v2v)网络内的另一车辆的传感器。驾驶员类别可以通过驾驶员分类模型分配给驾驶员。可以训练神经网络以将即将来临的路段分类为路段类别。对于驾驶员的驾驶员类别，基于在遇到各种道路属性时经由驾驶员的车辆的内部传感器从多个驾驶员收集的情绪数据，可以将预测焦虑与路段相关联。基于驾驶员在即将来临的路段上的预测焦虑(例如，对应于驾驶员类别)以及从车辆的超前网络中检索的即将来临的路段的焦虑数据，可以选择性地禁止即将来临的怠速停止事件，或者可以基于驾驶员的预测焦虑水平来建议不同的路线。通过这种方式，可以想出最佳策略，所述最佳策略持续地监测即将来临的路段以建议低焦虑路线并通过禁止怠速停止事件来缓解驾驶员在交通中断时的焦虑。
7.应当理解，提供以上发明内容是为了以简化的形式介绍在具体实施方式中进一步描述的一系列概念。这不意味着识别要求保护的主题的关键或本质特征，所述要求保护的主题的范围由随附于具体实施方式的权利要求唯一地限定。此外，所要求保护的主题不限于解决上文或本公开的任何部分中提及的任何缺点的实现方式。
附图说明
8.图1示出了车辆系统的示意图。
9.图2示出了与外部网络和车队进行通信的车辆控制系统的示例性实施例。
10.图3a示出了用于向路段分配焦虑分类的车辆控制子系统的示意图。
11.图3b示出了导航数据库的分解图。
12.图4示出了用于对路段进行分类的神经网络系统的示意图。
13.图5示出了示出用于构造一系统来控制发动机停止/起动控制器的示例性方法的流程图。
14.图6示出了示出用于构造焦虑分类模型的示例性方法的流程图。
15.图7示出了示出用于控制发动机停止/起动控制器的示例性方法的流程图。
16.图8示出了示出用于选择性地禁止发动机停止/起动控制器的示例性方法的流程图。
17.图9示出了示出基于规则的系统确定是否禁止停止-起动控制器的示例性方法的流程图。
18.图10示出了示出用于对路线的路段进行分类的示例性方法的流程图。
19.图11示出了根据示例性实施例的经由仪表板摄像机对驾驶员的情绪状态的检测。
具体实施方式
20.以下描述涉及用于基于车辆的驾驶员的焦虑水平来选择性地禁止车辆的停止-起动控制器的系统和方法。驾驶员在即将来临的路段处的焦虑水平可以基于从车辆和/或车队中可能与所述车辆进行通信的其他车辆的传感器确定的驾驶员分类和前瞻道路属性信
息结合从导航数据库中检索的所存储的焦虑信息来预测。
21.如本文所述，禁止具有发动机自动停止系统的车辆的停止-起动控制器是指阻止停止-起动控制器响应于已经满足一组工况而自动关闭车辆的发动机，直到过去阈值时间和/或工况发生变化。在一个示例中，该组工况包括当车辆在交通中断的位置中处于停车状况时的发动机怠速情况，并且工况变化包括当车辆前进通过交通中断时车辆的变速器的一个或多个挡位的接合。例如，当启用停止-起动控制器时，停止-起动控制器可以在车辆在交通信号灯处等待时自动关闭发动机以提高车辆的燃料效率。然而，如果停止-起动控制器在到达交通信号灯之前被禁止，则停止-起动控制器可以被禁用，使得当车辆在交通信号灯处等待时不会自动关闭发动机。在接合发动机的一个或多个挡位并且车辆移动通过交通信号灯和/或经过阈值时间(例如，10秒)之后，对停止-起动控制器的禁止可以结束，由此启用停止-起动控制器。
22.对驾驶员的分类可以由驾驶员分类模型确定。在一个示例中，驾驶员分类模型将多个驾驶员的车辆数据和历史表现数据作为输入，并且使用聚类算法来识别一个或多个自然对等分组。训练神经网络以将新驾驶员映射到一个或多个自然对等分组。
23.可以通过焦虑分类模型将即将来临的路段分类到预测焦虑。此外，可以向一个或多个自然对等分组(例如，驾驶员类别)中的每一者分配焦虑分类模型，由此对于路段，可以为每个驾驶员类别生成不同的焦虑分类。
24.在一个示例中，焦虑分类模型由来自多个驾驶员的驾驶员数据构造，其中驾驶员数据可以用于估计驾驶员在路段上的情绪状态。驾驶员数据可以包括驾驶员的面部表情的视频图像、来自安装在车厢中的传声器的音频记录、从iot装置(例如，智能手表、健身跟踪器等)收集的生理数据、来自ecg感测装置(例如，装置)的ecg数据或来自车辆的其他传感器的数据。训练神经网络以基于新驾驶员的驾驶员类别输出新驾驶员在路段上的预测焦虑水平。
25.例如，焦虑分类可以是标度1至10的数值，其中10表示高度焦虑。对于一个驾驶员类别，包括4向停车的第一路段的焦虑分类可以为7，这指示该驾驶员类别的驾驶员可能由于多让路场景而在第一路段上经历高于平均水平的焦虑。替代地，包括没有转弯的笔直路段的第二路段对于同一驾驶员类别可以具有焦虑分类1，这指示该驾驶员类别的驾驶员可能在第二路段上经历低于平均水平的焦虑。在另一个示例中，可以使用不同的标度，或者焦虑分类可以不基于数字标度。应当理解，本文提供的示例是出于说明性目的，并且在不脱离本公开的范围的情况下可以使用其他类型的标度或分类。
26.图1描绘了包括混合动力驱动的示例性车辆系统。车辆系统可以包括控制系统，所述控制系统可以如图2所示经由车辆对车辆网络与车队进行通信。控制系统的控制器可以从多个装置、传感器和系统接收输入以确定是否选择性地禁止发动机停止-起动控制器，如图3a所示。根据图4所示的系统，可以训练神经网络以基于驾驶员表现数据、驾驶员情绪数据和前瞻道路属性信息来预测驾驶员的焦虑水平。图5描述了用于基于驾驶员分类模型、焦虑分类模型和路段分类模型选择性地禁止发动机停止-起动控制器的示例性总体程序。可以根据图10中描述的程序来训练路段分类模型。可以基于图6中描述的程序来创建焦虑分类模型。仪表板摄像机可以用于检测驾驶员的面部表情，如图11所示，所述面部表情可以是焦虑分类模型的输入。训练后的驾驶员分类和焦虑分类模型可以用于根据图7和图8中描述
的程序(其可以由基于规则的系统使用)结合车辆的传感器数据来预测未来的驾驶员情绪，以根据图9中描述的程序选择性地启用或禁用车辆系统的停止-起动功能性。
27.现在参考图1，示出了示例性车辆5。在一些示例中，车辆5可为具有可用于一个或多个车轮102的多个扭矩源的混合动力车辆。在其他示例中，车辆5是仅具有发动机的常规车辆或仅具有一个或多个电机的电动车辆。在所示的示例中，车辆5包括内燃发动机10和电机120。电机120可为马达或马达/发电机。电机120可以被配置为利用或消耗与发动机10不同的能量源。例如，发动机10可以消耗液体燃料(例如，汽油)来产生发动机输出，而电机120可以消耗电能来产生马达输出。因而，车辆5可以被称为混合动力电动车辆(hev)。
28.在非限制性实施例中，电机120从电池108接收电力以将扭矩提供给车轮102。发动机10和电机120经由变速器104连接到车轮102。变速器104可以是齿轮箱、行星齿轮系统或另一类型的变速器。
29.车辆5可以利用多种不同的操作模式，这取决于所遇到的工况。这些模式中的一些模式可以使得发动机10能够维持在关闭状态，在所述关闭状态下，发动机中的燃料燃烧中止。例如，在选定工况下，马达120可以经由变速器104推进车辆，如箭头122所指示，而发动机10被停用。选定工况可以包括停止状况，其中发动机10可以在车辆5不移动时维持在关闭状态。当车辆5开始加速时，车辆5可以由电机120推进，或者发动机10可以切换到开启状态并且可以推进车辆5。
30.在其他工况期间，可以操作电机120以对诸如电池108之类的能量存储装置充电。例如，电机120可以从变速器104接收车轮扭矩，如箭头122所指示，其中马达可以将车辆的动能转换成电能以存储在电池108中。因此，在一些实施例中，电机120可以提供发电机功能。然而，在其他实施例中，交流发电机110可以替代地接收来自变速器104的车轮扭矩或来自发动机10的能量，其中交流发电机110可以将车辆的动能转换为电能以存储在电池108中。
31.在再其他工况期间，发动机10可以通过燃烧从燃料系统(图1中未示出)接收的燃料来操作。例如，发动机10可以操作以经由变速器104推进车辆，如箭头112所指示，而电机120被停用。在其他工况期间，分别如箭头112和122所指示，发动机10和电机120两者各自都可以操作以经由变速器104推进车辆。发动机和马达两者可以选择性地推进车辆的配置可以被称为并联型车辆推进系统。应当注意，在一些实施例中，电机120可以经由第一驱动系统推进车辆，而发动机10可以经由第二驱动系统推进车辆。
32.上述各种模式下的操作可以由控制器12控制。例如，控制器12可以识别和/或控制存储在能量存储装置处的电能的量，所述电能量可以称为荷电状态(soc)。另外，控制器12可以从诸如全球定位系统(gps)之类的导航装置34和/或诸如车外v2v网络13之类的车辆对车辆(v2v)网络接收数据。下面将参考图2更详细地描述控制器12。
33.转向图2，示出了车辆5的附加部件的示意图200。车辆5可以包括控制系统202。控制系统202被示出为从多个传感器208接收信息和向多个致动器210发送控制信号。作为一个示例，传感器208可以包括排气传感器、上游和/或下游温度传感器、气流传感器、压力传感器、空燃比传感器、催化器温度传感器和/或成分传感器中的一者或多者，其可以联接到车辆5中的各个位置。致动器可以包括燃料喷射器、节气门、发动机或燃料系统的一个或多个阀等。应当理解，本文提供的示例是出于说明性目的，并且在不脱离本公开的范围的情况
下，可以包括其他类型的传感器和/或致动器。
34.控制系统202可以包括控制器12。控制器12可以包括处理器204。处理器204通常可以包括任何数量的微处理器、asic、ic等。控制器12可以包括存储可以被执行以执行一个或多个控制程序的指令的存储器206(例如，flash、rom、ram、eprom和/或eeprom)。如本文所讨论的，存储器包括其中存储编程指令的任何非暂时性计算机可读介质。出于本公开目的，术语有形计算机可读介质被明确地定义为包括任何类型的计算机可读存储装置。示例性方法和系统可以使用存储在非暂时性计算机可读介质上的编码指令(例如，计算机可读指令)来实现，所述非暂时性计算机可读介质诸如快闪存储器、只读存储器(rom)、随机存取存储器(ram)、高速缓存和/或在其中存储信息达任何持续时间(例如，延长的时间段、永久性地、短暂的情况、用于暂时缓冲和/或用于缓存信息)的任何其他存储介质。如本文所提及的计算机可读存储介质的计算机存储器可以包括用于存储电子格式信息(诸如计算机可读程序指令或计算机可读程序指令的模块、数据等)的易失性和非易失性或可移动和不可移动介质，其可以是独立的或作为计算装置的一部分。计算机存储器的示例可以包括可以用于存储期望的电子格式的信息并且可以由一个或多个处理器或计算装置的至少一部分访问的任何其他介质。
35.通常，控制器12从各种车辆传感器208接收指示发动机、变速器、电气和气候状态的输入。车辆速度也可以通过速度传感器传送到控制器12。控制器12可以从加速踏板和/或制动踏板以及导航系统34接收输入，所述导航系统提供可以用于预测和确定即将来临的车辆停止事件的持续时间的信息。导航系统34可以从车辆速度传感器、gps、交通流量数据、局部梯度图等接收信息。在一种配置中，导航系统34可以是车内gps系统。在另一种配置中，导航系统34可以包括启用定位的移动装置，诸如智能电话或独立gps单元。
36.控制器12可以从各种传感器208接收输入数据，处理输入数据，并响应于处理后的输入数据基于存储在存储器206中的指令而触发致动器210。例如，控制器12可以从空燃比传感器接收指示发动机的空燃比为低的输入数据，并且由此，控制器12可以命令燃料喷射器调整空燃比。
37.控制系统202可以包括发动机停止/起动控制器212，所述发动机停止/起动控制器包括用于控制发动机(例如，图1的车辆5的发动机10)的自动停止系统的适当的起动/停止逻辑和/或控件。发动机自动停止系统在车辆运转的某些时段期间可以关闭发动机以节省燃料。例如，自动停止系统可以在不需要发动机用于推进或其他目的的发动机怠速状况期间关闭发动机。然后，当需要用于推进或其他目的时，自动停止系统可以重新起动发动机。通过在不使用时禁用发动机，减少了总燃料消耗。
38.发动机停止/起动控制器212可以被配置为在各种工况期间发起发动机的自动停止或自动起动。例如，当车辆停止时，发动机停止/起动控制器212可以发出命令以开始停止发动机的过程，因此防止交流发电机或集成式起动机发电机向电气负载提供电流。电池可以在发动机停止时向电气负载提供电流。当在发动机自动停止之后脱离制动踏板(和/或接合加速踏板)时，发动机停止/起动控制器212可以发出命令以开始起动发动机的过程，因此使得交流发电机或集成式起动机发电机能够向电气负载提供电流。
39.控制系统202可以包括调制解调器214。经由调制解调器214，控制器12可以通过v2v网络13与其他车辆控制器进行通信，与基于云的服务器225和包括车辆252、车辆254、车
辆256和车辆258的车队250进行通信。在一些示例中，控制器12可以通过v2v网络13与其他车辆控制器实时通信，而在其他示例中，其他车辆控制器可以将数据传输到基于云的服务器225以供控制器12稍后访问。在实施例中，v2v网络是控制器局域网(can)，其可以使用通常已知的任何数量的通信协议来实现。使用调制解调器214，车辆5可以经由v2v网络13从车辆252、254、256和258中检索数据。例如，所述数据可以包括来自在车辆5的路线上在车辆5前方行驶的车辆的路况数据，由此控制器12可以在预期到即将来临的路况的情况下调整车辆5的一个或多个系统设置。
40.基于云的服务器225可以包括一个或多个数据库，诸如例如存储车队250的多个驾驶员的驾驶数据的驾驶员数据库。例如，驾驶数据可以包括车队250的多个驾驶员中的每个驾驶员的驾驶员配置文件、驾驶员分类和/或历史表现数据。基于云的服务器225还可以包括导航数据库，所述导航数据库可以包括道路属性信息，诸如交通信号灯的数量、交叉路口的数量等。
41.控制器12可能够运行用于连接到基于云的服务器225和/或收集信息以传输到基于云的服务器225和/或从基于云的服务器225接收信息的应用程序。例如，应用程序可以检索由车辆系统/传感器、输入装置、诸如经由链路连接的移动装置之类的装置等收集的信息，并且将收集的信息发送到基于云的服务器225以供处理。导航系统34可以确定车辆5的当前位置，所述当前位置可以从车辆5传输到基于云的服务器225以用于处理所收集的信息。在一个示例中，车辆5可以将与车辆5的位置相对应的车辆5的驾驶员的情绪数据(例如，面部表情的图像、驾驶员的音频记录等)传输到基于云的服务器225，在基于云的服务器225上运行的应用程序可以从所述情绪数据确定驾驶员的情绪状态。在一些示例中，驾驶员的情绪状态被传输回车辆5。在一个示例中，驾驶员的情绪数据与车队250的车辆252、254、256和258的其他驾驶员的情绪数据聚合，以为具有与在车辆5的位置处遇到的属性类似的属性的路段生成焦虑分类。
42.在一个示例中，车队250的车辆252、254、256和258可以各自在品牌和型号上与车辆5类似。在其他示例中，车队250的车辆252、254、256和258可以是车辆5的阈值距离内的车辆。在一个示例中，阈值距离可以被定义为在其中车辆252、254、256和258所经历的一个或多个路况被认为类似于车辆5的那些路况的距离。在另一个示例中，阈值距离可以是车辆5在预先确立的持续时间(例如，1分钟)内可以覆盖的距离，由此在1分钟内到达位于阈值距离处的道路属性。车队250的车辆252、254、256和258中的每一者可以包括控制系统216、调制解调器218和导航系统220，它们可以与车辆5的控制系统202、导航系统34和调制解调器214相同或类似。车辆252、254、256和258中的车载控制器可以经由它们相应的调制解调器218、导航系统220和/或经由其他形式的v2v技术彼此通信并且与车辆5中的车载控制器进行通信。
43.在一个示例中，车队250在车辆5的阈值半径内，并且车队的车辆252、254、256和258中的每一者所遇到的路况可以类似于车辆5所经历的路况。车辆5的控制系统202可以使用从远程车队中的每个车辆中检索的估计值的统计加权平均值来确定车辆5的未来驾驶状况。例如，当车队250的平均车辆速度低于阈值(例如，5mph)并且已经继续保持在阈值下达一定的持续时间时，可以确定车辆5未来可能遇到缓慢移动的交通或停止的车辆。因而，导航系统34可能够确定交通状况，并且进一步估计所述状况可能持续的时间。通过这种方式，
车辆5可以使用一种或多种技术(例如，无线通信、导航系统和v2v)与远程源(例如，外部网络云、其他车辆、道路属性的导航数据库)进行通信。
44.可以在车辆5与远程源之间交换各种数据。所述数据可以包括对即将来临的交通状况、道路类型、沿着路线的事故或施工、失速或停止的车辆、交通信号灯的数量等的预览，所有这些都可以同时或按顺序地接收。例如，当检测到很长一段向下倾斜的道路时，它可以指示滑行状况。在车辆网络内中继的信息可以包括车辆速度、车辆网络内的车辆的平均速度、维持速度的持续时间等中的一者或多者。例如，可以从一个或多个车辆的平均速度、一个或多个车辆的高制动速率和/或车辆的接近度(例如，检测到尾灯等)推断出交通拥堵。在其他示例中，维持较长持续时间的较高平均速度和较低的制动速率可以指示巡航状况。在再其他示例中，当网络中的平均车辆速度在很长一段时间内接近零时，可以推断出长时间的怠速状况。
45.在一个示例中，所交换的数据包括道路属性数据(例如，交叉路口、交通信号灯等的存在)，车辆5使用所述道路属性数据来确定是否选择性地禁止发动机停止-起动控制器212。在其他示例中，所述数据包括车辆252、254、256和258中的一者或多者的一个或多个驾驶员的情绪数据。在一些示例中，情绪数据包括驾驶员的面部表情的图像、驾驶员的音频记录、经由驾驶员穿戴的装置记录的驾驶员的生命体征以及经由ecg装置捕获的驾驶员的神经活动模式中的一者或多者。在其他示例中，情绪数据包括车辆252、254、256和258中的一者或多者正在其上行驶的路段的焦虑分类。
46.现在转向图3a，示出了车辆5的发动机停止-起动控制系统300。发动机停止-起动控制系统300可以包括与图2的控制系统202和图1的车辆5的元件相同或类似的元件。具体地，发动机停止-起动控制系统300包括：车辆控制器302，所述车辆控制器可以与图2的控制系统202的车辆控制器12相同或类似；以及发动机停止-起动控制器304，所述发动机停止-起动控制器可以与图2的控制系统202的发动机停止-起动控制器212相同或类似。
47.车辆控制器302可以基于基于规则的系统306的输出而选择性地禁止发动机停止-起动控制器304。基于规则的系统306可以从车辆5的一个或多个传感器308接收传感器数据作为输入。例如，电池soc传感器的输出可以指示电池的soc。如果电池的soc低于阈值soc(例如，10％)，则基于规则的系统可以基于荷电不足以在怠速期间关闭发动机而禁用起动-停止控制器304。作为另一个示例，如果车辆5的设置指示车辆5的驾驶员已经选择手动越控车辆5的自动停止系统，则基于规则的系统可以禁用停止-起动控制器304。在一个示例中，基于规则的系统306根据预先确立的条件层次结构来考虑从多个传感器308接收的数据，在所述条件层次结构下选择性地禁止停止-起动控制器304。例如，基于规则的系统306可以首先做出关于电池soc高于阈值soc的第一确定，并且随后做出关于车辆停止的第二确定，并且由于第一确定和第二确定两者，输出禁止停止-起动控制器304的指令。在其他示例中，基于规则的系统306非顺序地考虑从多个传感器308接收的数据(例如，其中可以在第二确定之前进行第一确定，或者可以在第一确定之前进行第二确定)。
48.基于规则的系统306的附加输入可以包括机器学习集成模型316的输出，所述输出可以是在驾驶员正在其上操作车辆5的路线的即将来临的路段上车辆5的驾驶员的预测焦虑水平。机器学习集成模型316可以包括驾驶员分类模型310、路段类别模型311和导航数据库315。导航数据库315可以包括多个路段类别，其中多个路段类别中的每个路段类别包括
多个驾驶员类别，并且其中每个驾驶员类别包括与驾驶员类别相关联的焦虑分类模型。图3a描绘了与和一个路段类别313相对应的多个驾驶员类别中的一个驾驶员类别312相对应的一个焦虑分类模型310。换句话说，焦虑分类模型310是基于由驾驶员分类模型314确定的驾驶员的驾驶员类别312为即将来临的路段上的车辆的驾驶员选择的焦虑模型，所述驾驶员类别与路段类别313相关联，所述路段类别是由路段类别模型311返回的作为与即将来临的路段的最密切匹配的路段类别。下面关于图3b更详细地描述导航数据库的结构。
49.暂时转向图3b，示出了导航数据库315的分解图350，其包括多个路段类别313、354和356。路段类别313、354和356中的每个路段类别包括多个焦虑分类模型310、372和374，其中焦虑分类模型310、372和374中的每个焦虑分类模型基于多个驾驶员类别312、362和364中的一者为父路段类别产生焦虑分类。此外，焦虑分类模型310、372和374中的每个焦虑分类模型可以包括一个或多个情绪检测模型，诸如面部情绪检测模型380、音频情绪检测模型382和/或生理情绪检测模型384，由此针对父路段类别和驾驶员类别输出的焦虑分类是面部情绪检测模型380、音频情绪检测模型382和/或生理情绪检测模型384的输出的函数。在一个示例中，针对父路段类别输出的焦虑分类是面部情绪检测模型380、音频情绪检测模型382和/或生理情绪检测模型384的输出的加权平均值。下面关于图6更详细地描述情绪检测模型的开发。
50.返回到图3a，由机器学习集成模型316输出的驾驶员的预测焦虑水平可以呈由选定的焦虑分类模型310生成的焦虑分类的形式，其中选定的焦虑分类模型310是与由驾驶员分类模型314输出的驾驶员的驾驶员类别312相对应的焦虑分类模型。下面关于图5更详细地描述了驾驶员分类模型的创建。
51.在一个示例中，焦虑分类是指示驾驶员的预测焦虑水平的数值。例如，选定的焦虑分类模型310可以按照标度1至10输出驾驶员的预测焦虑水平2，从而指示在即将来临的道路上操作车辆5时预测驾驶员的低焦虑水平。替代地，选定的焦虑分类模型310可以按照标度1至10输出驾驶员的预测焦虑水平8，从而指示在即将来临的道路上操作车辆5时预测驾驶员的高焦虑水平。此外，对于即将来临的路段，焦虑分类模型310可以输出车辆5的第一驾驶员的第一预测焦虑水平和车辆5的第二驾驶员的第二预测焦虑水平，其中第一预测焦虑水平对应于第一驾驶员分类，并且第二预测焦虑水平对应于第二驾驶员分类。下面参考图6更详细地描述焦虑分类模型310的开发。
52.在实施例中，焦虑分类模型310中的每个焦虑分类模型可以基于从车辆5的多个装置、传感器和系统接收的数据(包括来自一个或多个驾驶员数据源323和/或一个或多个道路数据源325的数据)来为对应的驾驶员类别312生成即将来临的路段的焦虑分类。更具体地，对于操作车辆5的驾驶员，焦虑分类模型310的输入(呈来自多个驾驶员数据源323的驾驶员数据形式)可以包括安装在车辆5内部的内部传声器318的输出，所述输出呈驾驶员的音频记录形式；安装在车辆5内部的内部摄像机320(例如，仪表盘摄像机)的输出，所述输出呈驾驶员的面部表情的图像形式；由驾驶员穿戴的可穿戴ecg感测装置322的输出，所述输出呈神经活动的表示形式；和/或由驾驶员穿戴的一个或多个iot装置324的输出，所述输出呈驾驶员的生理数据(例如，心率、皮肤电反应、血压等)形式。在一个示例中，一个或多个iot装置324可以包括智能手表或健身跟踪器。
53.在构造焦虑分类模型310期间，从驾驶员数据源323接收的驾驶员的数据可以应用
于与驾驶员的驾驶员类别相关联的选定的焦虑分类模型310，而不应用于与其他驾驶员类别相关联的其他焦虑分类模型310。例如，可以首先从驾驶员分类模型314获得驾驶员的驾驶员类别，并且随后可以使用驾驶员的数据来构造或加强与驾驶员类别相关联的焦虑分类模型310。
54.焦虑分类模型310的输入(呈来自多个道路数据源325的道路属性数据形式)可以包括雷达装置326的输出，所述输出可以用于链接坐标以供参考外部导航/道路属性数据源；外部摄像机328的输出，所述输出呈路段或即将来临的路段的道路属性的图像形式(在本文中，“前瞻”道路属性信息)；和/或车载导航系统332的输出，所述输出呈指示车辆5的位置的一组全球定位系统(gps)坐标形式。另外，调制解调器330的输出可以是焦虑分类模型310的输入，所述输入呈从已连接的车队334的车辆的一个或多个控制器接收的路段和/或路况数据和/或交通数据(包括来自已连接的车队334的车辆的车载导航系统的位置数据)形式。此外，可以接收已连接的车队334的车辆的一个或多个驾驶员的情绪数据，诸如当沿着车辆5的路线遇到道路属性时驾驶员的焦虑。
55.例如，车队(例如，图2的车队250)的第一车辆和车队的第二车辆可以沿着道路行驶，其中第一车辆在第二车辆前方，并且其中第一车辆遇到的道路属性将在一段时间(例如，1分钟)之后被第二车辆遇到。第二车辆可以确定第一车辆正在第二车辆的未来路线上操作，并且可以从第一车辆请求关于即将来临的道路属性的数据。在遇到所述路线的交通信号灯时，第一车辆可以向第二车辆传输针对交通信号灯的道路属性代码，由此指示第二车辆在所述时间段之后将遇到交通信号灯。在一些示例中，第二车辆还可以传输交通信号灯的位置(例如，gps坐标)。响应于接收到交通信号灯的道路属性代码，第二车辆可以在预期到交通信号灯时调整第二车辆的一个或多个驾驶设置(例如，选择性地禁止车辆的发动机停止-起动控制器304)。
56.另外或替代地，第一车辆的第一驾驶员在遇到交通信号灯时可能会经历增加的焦虑。第一驾驶员的增加的焦虑可以通过来自第一车辆的驾驶员数据源323中的一者或多者的驾驶员情绪数据来捕获。在一个示例中，第一车辆的焦虑分类模型310可以基于来自第一车辆的驾驶员数据源323中的一者或多者的驾驶员情绪数据和第一驾驶员的驾驶员类别来向第一驾驶员分配第一焦虑分类。可以向第二车辆传输第一焦虑分类，包括第一车辆的位置、第一驾驶员的驾驶员类别和/或遇到的交通信号灯的道路属性代码(例如，第一驾驶员的焦虑的原因)。在接收到第一驾驶员的焦虑分类时，第二车辆可以使用第一车辆的第一驾驶员的焦虑分类来改善第二驾驶员的焦虑分类，或者作为基于规则的系统306的附加输入以确定是否选择性地禁止第二车辆的发动机停止-起动控制器304。通过这种方式，在到达第一驾驶员首先遇到的道路属性时，第二驾驶员的预测焦虑水平可以部分地或完全地基于第一驾驶员在道路属性处所经历的焦虑水平。
57.焦虑分类模型310可以经由控制器局域网(can)314从车辆5的多个装置、传感器和系统接收数据。在实施例中，can可以是硬线车辆连接(例如，总线)，并且可以使用通常已知的任何数量的通信协议来实现。每个焦虑分类模型310可以进一步将驾驶员分类模型314的输出作为输入。在一个示例中，驾驶员分类模型314取得经由can314的调制解调器330从驾驶员数据库336接收的车辆数据和/或历史驾驶员表现数据，并且输出驾驶员的驾驶员分类。历史表现数据可以包括例如城市/高速公路驾驶的比率、城市速度的平均值和标准偏
差、高速公路速度的平均值和标准偏差、加速踏板位置的平均值和标准偏差、平均行程长度、距离的标准偏差、行程位置的接近度、制动分数等等。在其他示例中，没有从驾驶员数据库316接收驾驶员配置文件和/或历史驾驶员表现数据(例如，对于先前没有存储在驾驶员数据库316中的驾驶员历史的驾驶员)，并且驾驶员分类模型314基于车辆5的车辆数据(例如，品牌、型号、年份等)输出驾驶员分类，并且可以基于在车辆5的操作期间从传感器308中的一者或多者接收的驾驶员表现数据来改善驾驶员分类。
58.因此，基于由选定的焦虑分类模型310分配的驾驶员的焦虑分类、基于由驾驶员分类模型314确定的驾驶员的驾驶员类别，可以预测驾驶员在路段上的未来焦虑水平。对于每个驾驶员类别310，针对导航数据库315中的路段类别存储的焦虑分类模型310中的每一者可以基于单独情绪检测模型基于驾驶员的音频、视觉和/或生命体征数据的一个或多个输出而开发为复合模型，所述音频、视觉和/或生命体征数据用从多个路段上的多个驾驶员收集的数据进行训练。基于机器学习集成模型316的选定的焦虑分类模型310的输出和/或一个或多个传感器308的一个或多个输出，基于规则的系统306可以输出对是选择性地禁用还是启用发动机停止-起动控制器304的确定。下面参考图7至图8更详细地描述用于基于选定的焦虑分类模型310的输出来确定是选择性地禁用还是启用发动机停止-起动控制器304的示例性程序，并且下面关于图9更详细地描述基于规则的系统306所遵循的示例性程序。
59.现在转向图4，示出了示例性神经网络训练系统400，其可以用于训练基于神经网络的路段分类模型。一旦经过训练，基于神经网络的路段分类模型就可以将如由车辆的一个或多个系统和/或传感器定义的新路段基于所述新路段的一个或多个道路属性分类到路段类别(例如，图3a的发动机停止-起动控制系统300的路段类别313)。路段类别还可以包括用于一个或多个驾驶员类别的驾驶员情绪数据，所述驾驶员情绪数据可以用于调整车辆的一个或多个设置(例如，以选择性地禁止图3a的发动机停止-起动控制器304)。
60.神经网络训练系统400可以包括神经网络402，所述神经网络可以被训练为以向量413的形式从多个预测数据输出的预测路段类别404，所述向量包括驾驶员表现数据414与路段数据418的组合。驾驶员表现数据416可以包括从一个或多个车辆传感器415(例如，图3a的发动机停止-起动控制系统的传感器308和/或图2的控制系统202的传感器208)接收的持续表现数据，所述持续表现数据包括例如实现或未实现的％再生(soc)、起始soc和结束soc、soc的消耗、车辆的平均速度、扭矩和/或制动、车辆的速度、扭矩和/或制动的标准偏差等。
61.在一个示例中，驾驶员表现数据414包括多个数值，其中每个数值对应于驾驶员表现数据414的单个数据元素。在一些示例中，所述值可以包括传感器的输出(例如，发动机转速)，而在其他示例中，所述值可以包括传感器的一个或多个输出的计算或处理结果(例如，平均速度)。在再其他示例中，所述值可以是基于传感器的一个或多个输出生成的代码(例如，指示驾驶员的激进程度、经验水平等的介于1至10之间的数值)。
62.路段数据418可以由一个或多个道路数据源(例如，图3a的发动机停止-起动控制系统300的道路数据源325)供应，所述一个或多个道路数据源包括导航系统420、一个或多个外部传感器430(例如，摄像机)和雷达428。在一个示例中，路段数据418包括多个数值，其中所述数值对应于在车辆的位置处识别的道路属性的编码。
63.例如，表示路段数据418的向量413的值可以包括路段的平均曲率(例如，其中低值
可以指示大的曲率程度，而高值可以指示小的曲率程度等)；具有路段的左转选项的交通信号灯的存在(例如，其中值1.0可以指示在路段中存在交通信号灯，而其中值0.0可以指示在路段中不存在交通信号灯；等等)。路段数据418的其他道路属性可以包括平均海拔、平均高度、交叉路口、让路情况、停车标志、四向交叉路口、道路类型(例如，高速公路、住宅区、城市等)、道路分类和/或路段类别、速度限制、速度限制的变化、道路曲率的变化、道路轮廓(例如，坡度、陆地1 2宽度、陆地3 4宽度等)等。可以经由外部传感器430、导航系统420和/或雷达428来识别道路属性。例如，车辆的一个或多个外部摄像机可以检测交通信号灯或4向交叉路口，或者gps车载导航系统可以从托管在远程服务器上的在线导航地图识别交通信号灯。在一个示例中，新的路段由路段数据418实时地定义，并且对应于车辆的路线的具有预定长度(例如，100码、0.25英里等)的即将来临的路段。
64.在神经网络402的训练程序401期间，将由向量413表示的每个路段输入到聚类模型406中，所述聚类模型可以确定多个不同的路段类别417，训练/测试数据集(包括多个向量413)可以被分类为所述多个不同的路段类别。路段类别417可以与图3b的路段类别313、354和356相同或类似。训练神经网络402以针对每个向量413生成预测路段类别404。可以将由神经网络402输出的路段类别404与由聚类模型406生成的地面实况路段类别412进行比较。在一个示例中，地面实况路段类别412是被确定为与向量413最密切匹配的原型向量413。可以通过路段类别404与地面实况路段类别412之间的距离来确定误差率。在一个示例中，所述差值是两个向量之间的平方欧几里德距离。误差率可以反向传播通过神经网络402的各层，以便调整神经网络402的多个节点的多个权重和偏差，直到神经网络402能够在阈值准确度(例如，95％)以上将向量413分类为路段类别417。
65.一旦已经训练了神经网络402，就可以将表示路段的向量413和通过训练后的网络402得出的与路段相关联的路段类别存储在导航数据库450中，由此附加数据可以与路段类别(例如，从多个驾驶员构造的焦虑分类模型)相关联。在一个示例中，在检索路段的焦虑分类时，导航数据库450的副本被加载到车辆控制器的存储器(例如，图2的控制器12的存储器206)中，以供机器学习集成模型(例如，图3a的机器学习集成模型316)访问。训练后的网络402可以将新道路数据的一个或多个新向量413作为输入(例如，当驾驶员在新路段上操作车辆时)。
66.例如，当车辆沿着路线前进时，车辆在其路径上会遇到各种道路属性(例如，道路的曲率、道路的坡度、交叉路口处的交通信号灯等)。外部摄像机430和雷达428中的一者或多者可以用于检测道路属性，和/或识别附加的路况(例如，拥堵、天气等)。同时，车辆的传感器可以输出可以被处理成驾驶员表现数据414的数据(例如，车辆的平均速度、车辆速度的标准偏差、扭矩的平均值和标准偏差等)。道路属性和/或路况可以被表达为新道路数据(例如，路段数据418)的向量413以及驾驶员表现数据414中的值。可以将新道路数据的向量413输入到训练后的神经网络402中以被分类到路段类别404。新道路数据的路段类别404(例如，基于由车辆的外部传感器430和雷达428检测到的道路属性)可以被输出到车辆的控制器以在预期到即将来临的道路属性时调整车辆的一个或多个设置。
67.此外，附加信息可以与路段类别相关联，以用于车辆的一个或多个设置的附加定制。在一个示例中，可以处理和聚合从多个驾驶员收集的情绪数据，以针对存储在导航数据库450中的路段类别中的每一者创建一个或多个焦虑分类模型(图3a和图3b的焦虑分类模
型310)。焦虑分类模型可以用于将一个或多个焦虑水平与在操作期间由车辆检测到的新路段相关联，其中一个或多个焦虑水平中的每一者对应于一驾驶员类别。
68.在一个示例中，从导航数据库450中检索的路段类别段404可以是基于规则的系统(例如，图3a的发动机停止-起动控制系统300的基于规则的系统306)的输入，所述基于规则的系统可以输出对在路段上的操作期间选择性地启用还是禁用停止起动控制器(诸如图3a的发动机停止-起动控制器304)的确定。下面关于图9更详细地描述对基于规则的系统选择性地禁止发动机停止-起动控制器的确定。
69.现在参考图5，示例性方法500示出了用于确定是否选择性地禁止车辆的发动机停止-起动控制器(诸如图3a的发动机停止-起动控制系统300的发动机停止-起动控制器304)的高级程序。用于执行方法500和本文包括的方法的其余部分的指令可以由车辆的控制器(例如，图3a的发动机停止-起动控制系统300的车辆控制器302)来执行，并且更具体地由车辆的控制器的处理器(诸如图2的控制系统202的控制器12的处理器204)基于存储在控制器的存储器(诸如图2的控制系统202的控制器12的存储器206)上的指令结合从发动机系统的传感器(诸如上面参考图2至图4描述的传感器)接收的信号来执行。用于执行方法500和本文所包括的方法的其余部分的指令也可以由远程服务器(例如，图2的基于云的服务器225)的处理器来执行。
70.如本领域普通技术人员将理解的，由流程图框表示的功能可以由软件和/或硬件执行。取决于特定的处理策略，诸如事件驱动的、中断驱动的策略等，可以按不同于图中所示的顺序或次序执行各种功能。类似地，尽管未明确示出，但是可以重复执行一个或多个步骤或功能。在一个实施例中，所示功能主要通过存储在计算机可读存储介质中并由一个或多个基于微处理器的计算机或控制器执行以控制车辆的操作的软件、指令或代码来实现。
71.在502处，方法500包括经由多个车辆中的每个车辆的一个或多个传感器从操作多个车辆的多个参与驾驶员接收驾驶员数据。驾驶员数据可以包括从车辆传感器(诸如发动机传感器、踏板位置传感器、车轮传感器、电池传感器等等)获取的数据。例如，对于多个参与驾驶员中的每个驾驶员，可以从踏板位置传感器收集数据并(例如，通过控制器和/或通过由车辆访问的远程服务器)处理所述数据以确定驾驶员的加速度数据，或者可以经由发动机节气门传感器收集数据并处理所述数据以确定驾驶员的平均车辆速度、车辆速度的标准偏差等。在一个示例中，驾驶员数据用于构造对等分组驾驶员分类模型，如下面在504处所讨论的。
72.驾驶员数据还可以包括关于驾驶员的情绪状态的数据，包括从安装在车辆的车厢内部的摄像机和/或传声器、由驾驶员穿戴的一个或多个iot装置和/或由驾驶员穿戴的ecg装置(例如，图3a的发动机起动-停止控制系统300的内部摄像机320、内部传声器318、iot装置324和ecg装置322)获取的数据。例如，驾驶员数据可以包括由摄像机记录的驾驶员的面部表情的图像、由传声器记录的由驾驶员发出的声音、由iot装置获取的驾驶员的脉搏率和/或由ecg装置获取的驾驶员的神经激活模式。在一个示例中，关于驾驶员的情绪状态的数据用于构造焦虑分类模型，如下面在506处所述。
73.此外，参考数据可以与驾驶员数据相关联。例如，车辆的位置的一组gps坐标可以与在所述位置处收集的驾驶员数据相关联，由此驾驶员数据可以与所述位置处的道路的状况、特性或特征相关联。时间可以与在所述时间收集的驾驶员数据相关联，由此驾驶员数据
可以与道路的时间相关状况(诸如拥堵、照明状况等)相关联。在一个示例中，参考数据用于将驾驶员的情绪状态与路段相关联，如下文在516处所述。
74.参与驾驶员的数量可以大到足以支持可以将多个参与驾驶员分类到其中的最小数量(例如，3至4个)的驾驶员分类，其中参与驾驶员的分布对应于现实世界中自然发生的驾驶员分布。在一个示例中，参与驾驶员的数量是至少1000个驾驶员。
75.在一些示例中，多个车辆中的车辆中的每一者可以具有相同的品牌和型号(例如，图1的车辆5)。在其他示例中，多个车辆中的车辆可以具有不同的品牌和型号，其中不同品牌和型号中的每一者包括发动机停止-起动控制系统(例如，图3a的发动机停止-起动控制系统300)和调制解调器，并且由此车辆的控制器可以与其他车辆的控制器和/或基于云的服务器或网络进行无线通信。
76.参与驾驶员可以在选定区域中操作车辆。在一些示例中，选定区域的大小可以被限制(例如，限制到邮政编码、城市、县等)，以将参与v2v网络的车辆的集中度最大化。在其他示例中，选定区域的大小可以是无限制的，其中驾驶员从例如不同的邮政编码、城市、县、地区、州等参与，以将参与驾驶员的数量最大化。在再其他示例中，选定区域可以是整个世界，其中从世界范围内的驾驶员聚合数据。
77.选定区域可以包括广泛的特性和特征，由此驾驶员暴露于引发不同焦虑水平的不同驾驶状况。例如，不同特性和特征的范围可以包括单车道道路、多车道道路、高速公路和/或桥梁上的笔直或弯曲部分，其中具有不同斜率的部分包括山坡和平坦区域。不同特性和特征的范围可以包括各种交通特征，诸如停车标志、左转和右转、4向交叉路口、交通信号灯等。此外，选定区域可以包括多个不同的路况、例如，城市道路、农村道路、未铺设道路等。更进一步地，路线可以包括多个不同的交通状况，例如高度拥堵区域、中度拥堵区域和/或低拥堵区域。
78.在504处，方法500包括从驾驶员数据构造对等分组驾驶员分类模型，所述对等分组驾驶员分类模型向参与驾驶员中的每个驾驶员分配驾驶员分类。在一个示例中，驾驶员分类对应于多个对等分组，其中每个对等分组表示共享类似特性的驾驶员类别，并且每个驾驶员被分类到对等分组。例如，基于驾驶员数据，一个对等分组可以包括被表征为激进的或不耐烦的驾驶员，而不同的对等分组可以包括被表征为胆小的或缺乏自信的驾驶员。在一个示例中，对等分组可以基于诸如车辆类型或寿命、驾驶行为(例如，平均速度和/或加速度等)或驾驶员的经验水平(例如，驾驶时长)或驾驶员的驾驶风格(例如，谨慎、平稳、突变等)或驾驶员的驾驶模式(例如，通勤者、路线上的旅行商等)之类的因素。此外，对等分组可以基于这些和/或其他因素的组合。
79.在一个示例中，对等分组可以包括第一对等水平和第二对等水平，其中在第一对等水平中，基于车辆数据对驾驶员进行分类，并且在第二对等水平中，基于驾驶员数据对驾驶员进行分类。例如，当驾驶员开始参与并且没有历史数据可用时，可以基于第一对等水平数据向驾驶员分配驾驶员分类。第一对等水平可以考虑车辆数据，诸如车辆的品牌和型号、车辆的动力传动系统、车辆的年份等等。当收集到足够的数据以支持第二对等水平的表征时，可以基于第二对等水平数据向驾驶员分配驾驶员分类。例如，可以基于驾驶特性(例如，驾驶员驾驶车辆的方式、地点和时间)对参与驾驶员进行分类。在一些示例中，驾驶特性包括一种或多种驾驶模式，诸如驾驶员是否是通勤者，驾驶员是在常规路线还是非常规路线
上行驶等等。在一些示例中，驾驶特性包括驾驶频率，诸如驾驶员操作车辆的常规程度。在一些示例中，驾驶特性包括驾驶环境，例如，驾驶员是在农村环境还是城市环境中操作车辆，和/或驾驶员是在高拥堵区域还是低拥堵区域中驾驶。驾驶特性还可以包括驾驶时间(例如，在高峰时段期间、晚上等)。应当理解，本文提供的示例是出于说明性目的，并且在不脱离本公开的范围的情况下可以基于其他驾驶、车辆或其他特性或不同特性的组合来分配驾驶员分类。
80.例如，当驾驶员操作车辆时，车辆的控制器可以将反映驾驶员的驾驶特性的驾驶员数据从车辆传输到云中的远程服务器。驾驶员数据可以保存在数据库中，并且用于构造驾驶员的配置文件并随时间改善配置文件。驾驶员数据可以具体地包括例如统计信息，诸如在不同情况或不同环境中的平均速度，以及标准偏差、路线数据、目的地接近度、驾驶持续时间数据、制动习惯等。此外，驾驶员数据可以包括关于驾驶员对车辆的不同模式或系统的使用(诸如再生制动、巡航控制、燃料效率模式等)的信息。在一些示例中，可以跨例如多个参与驾驶员聚合驾驶员数据以确定对等分组驾驶员分类模型所使用的对等分组。
81.构造对等分组驾驶员分类模型包括在506处对驾驶员数据进行聚类以建立多个驾驶员类别(例如，对等分组)。在一些示例中，对驾驶员数据进行聚类包括经由第一聚类过程对第一对等水平数据进行聚类，以及经由第二聚类过程对第二对等水平数据进行聚类。在一个示例中，由云中的服务器(例如，图2的基于云的服务器225)的处理器执行的一种或多种机器学习聚类算法可以用于确定第一聚类过程中的第一对等水平数据的一个或多个自然聚类簇以及第二聚类过程中的第二对等水平数据的一个或多个自然聚类簇。通过这种方式，可以基于类似的驾驶或车辆特性为参与驾驶员分配分类。
82.在一个示例中，使用k均值聚类算法，其中输入是一组向量，每个向量包括参与驾驶员中的一个驾驶员的驾驶员数据(例如，在第一聚类过程的情况下的第一对等水平驾驶员数据以及在第二聚类过程的情况下的第二对等水平数据)。k均值聚类算法的输出是将驾驶员分类为n个可能类别中的一者，其中n是对等分组(例如，驾驶员类别)的数量，并且其中每个类别由原型向量表示。当机器学习/ai程序执行时，迭代地调整原型向量中的每一者的一个或多个值以将输入向量与目标向量之间的平方欧几里德距离之和最小化，以确定用于将驾驶员分类为n个类别的一组最佳原型向量。此外，可以迭代地调整原型向量的数量以确定驾驶员类别的最佳数量n。
83.例如，第一对等水平数据可以包括车辆的品牌、型号和年份。第一聚类过程可以确定可以将参与驾驶员最佳地分组到其中的自然聚类簇(例如，驾驶员类别)的最佳数量n，其中参与驾驶员中的每个驾驶员基于与驾驶员类别的原型车辆的品牌、型号和年份的相似性而分类为n个驾驶员类别中的一个驾驶员类别。
84.第二对等水平数据可以包括例如城市/高速公路驾驶的比率、城市速度的平均值和标准偏差、高速公路速度、加速踏板位置和行程长度、行程位置的接近度、制动分数和/或电动车辆(ev)开启/关闭的驾驶时间百分比、电子辅助、再生制动、电动起步、滑行时间、制动滑行时间、缓慢行进时间(例如，以每小时5英里或更低的速度行驶)等等。第二聚类过程可以确定可以将参与驾驶员最佳地分组到其中的自然聚类簇(例如，驾驶员类别)的最佳数量n，其中参与驾驶员中的每个驾驶员基于驾驶员的第二对等水平数据与驾驶员类别的原型驾驶员的第二对等水平数据的相似性(例如，驾驶员的第二对等水平数据向量与原型第
二对等水平数据向量的接近度)而分类为n个驾驶员类别中的一个驾驶员类别。
85.构造对等分组驾驶员分类模型包括在508处训练神经网络以将新驾驶员分类为已建立的驾驶员类别(例如，分类)。例如，一旦已经经由一种或多种聚类算法建立了驾驶员分类，就可以通过将参与驾驶员的向量(输入向量)与驾驶员已经被分类到其中的驾驶员类别的对应原型向量(目标向量)进行配对来对训练数据集和测试数据集进行编译。训练数据集和测试数据集可以用于训练神经网络，并且一旦神经网络被训练，就可以将由新驾驶员的第一对等水平数据或第二对等水平数据形成的新驾驶员向量输入到神经网络中，并且神经网络可以输出与新驾驶员向量最相似的原型向量。原型向量可以指示将新驾驶员分类到所建立的驾驶员类别(例如，由原型向量定义的类别)中的一者中。可以训练神经网络以例如基于由新驾驶员的第一或第二对等水平数据形成的向量与各类别的一个或多个原型向量之间的距离来输出驾驶员的类别，其中分配给新驾驶员的类别对应于与新驾驶员向量相距最小距离的原型向量。
86.构造对等分组驾驶员分类模型包括在510处用表现统计信息执行交叉验证以验证和/或改善驾驶员分类模型。例如，对于由神经网络分类到驾驶员类别的每个新驾驶员，可以对新驾驶员的驾驶员数据执行统计分析以验证新驾驶员到驾驶员类别的分类。由于在510处对新的参与驾驶员执行的交叉验证，因此可以改善驾驶员分类模型和/或可以调整新驾驶员分类。
87.在512处，方法500包括构造焦虑分类模型，所述焦虑分类模型可以基于从车辆的一个或多个内部传感器获取的数据来向驾驶员分配焦虑分类。例如，当在有压力的或引起焦虑的路段上操作车辆时，驾驶员的面部表情可以指示驾驶员的焦虑水平，所述面部表情可以由仪表板摄像机捕获。类似地，驾驶员可以发出指示驾驶员的焦虑水平的口头表达或声音(例如，喘息、惊叫等)。监测驾驶员的一个或多个生命体征的启用的装置(诸如健身跟踪器或智能手表)可以捕获驾驶员的脉搏变化，或者脑机接口(bci)装置(诸如装置)可以捕获驾驶员的神经活动模式，从而指示驾驶员的焦虑水平。基于驾驶员的焦虑相关驾驶员数据的组合，可以通过焦虑分类模型针对路段估计驾驶员的焦虑水平。此外，驾驶员类别中的每一者内的驾驶员的焦虑水平可以被聚合(例如，平均)以生成驾驶员类别中的每一者针对路段的焦虑水平，所述焦虑水平可以与导航数据库中的路段相关联，如上面关于图4描述的。参考图6进一步详细描述焦虑分类模型的构造。
88.在514处，方法500包括训练路段分类模型并用路段类别信息填充导航数据库(例如，图4的神经网络训练系统400的导航数据库450)。例如，当由多个参与驾驶员驾驶的每个车辆沿着路线行驶时，可以将路线划分为具有预定长度(例如，100码)的多个路段。每个路段可以包括在路段上操作车辆时由车辆的传感器(例如，图3a的道路数据源325)检测到的一个或多个道路属性。可以通过聚类算法对由多个车辆收集的路段进行分类，并且可以训练神经网络(例如，图4的神经网络训练系统400的神经网络402)以基于一个或多个道路属性将路段分类到一路段类别。一旦神经网络被训练，多个车辆中的每个车辆就可以使用训练后的神经网络的副本来将新路段分类到一道路类别。此外，路段-路段类别对可以与附加数据(例如，情绪数据)一起存储在导航数据库中，使得可以基于路段类别来检索附加数据。下面关于图10更详细地描述路段分类模型的训练和导航数据库的填充。
89.在516处，方法500包括在对等组、情绪和路段类别之间形成关联，由此基于驾驶员
经历的估计(例如，平均)焦虑水平向导航数据库的路段类别分配一个或多个焦虑分类模型。一个或多个焦虑分类模型对应于相同数量的对等分组(例如，驾驶员类别)，由此对于导航数据库的每个路段类别，可以通过与每个驾驶员类别相对应的焦虑分类模型来预测每个驾驶员类别的焦虑水平。因此，对于即将来临的路段，当从导航数据库中检索路段类别信息时，控制器可以为即将来临的路段确定与驾驶员的驾驶员类别相关联的焦虑分类。在一个示例中，控制器使用焦虑分类来确定是否选择性地禁止车辆的发动机停止-起动控制器。
90.例如，在城市区域中，第一路段可以包括道路的笔直路段，由此在第一路段上驾驶时通常产生的平均焦虑水平可能较低。第二路段可以包括具有多让路场景的4向停车，由此在第二路段上驾驶时通常产生的平均焦虑水平可能是中度的。第三路段可以包括没有转弯箭头的拥堵交通信号灯，由此在第三路段上驾驶时通常产生的平均焦虑水平可能较高(例如，由于必须监测其他驾驶员的多个行为)。
91.第一驾驶员可以(例如，通过驾驶员分类模型)被分类在第一对等分组中，所述第一对等分组对应于在城市环境中操作的中度经验驾驶员。第二驾驶员可以被分类在第二对等分组中，所述第二对等分组对应于在农村环境中操作的中度经验驾驶员。
92.对于习惯于城市环境的第一驾驶员，第一路段可能会产生低焦虑，第二路段可能会产生中度焦虑，而第三路段可能会产生高度焦虑。然而，对于不习惯于城市环境的第二驾驶员，第一路段可能会产生中度焦虑，而第二路段和第三路段可能会产生高度焦虑。因此，对于第一路段、第二路段和第三路段中的每一者，第一预测焦虑水平可以通过导航数据库中的第一焦虑分类模型与第一对等分组(例如，第一驾驶员的类别)相关联，并且第二预测焦虑水平可以通过导航数据库中的第二焦虑分类模型与第二对等分组(例如，第二驾驶员的类别)相关联。通过这种方式，对于车辆的路线的路段，可以从导航数据库中为与车辆的驾驶员相对应的驾驶员类别检索预测焦虑水平。
93.在一个示例中，驾驶员的预测焦虑水平(基于驾驶员的驾驶员类别)用于选择性地禁止车辆的发动机的停止-起动控制器。例如，当驾驶员将车辆停在驾驶员意图左转的四向交叉路口处时，例如由于与确定何时发起左转相关联的压力，驾驶员可能经历增加的焦虑水平。如果启用停止-起动控制器，则停止-起动控制器可以关闭发动机以提高车辆的燃料效率。由于担心在发起左转时发动机可能无法起动，发动机的停止可能会进一步增加驾驶员的焦虑水平。为了防止或减少这种焦虑，车辆的控制器可以从车辆的一个或多个传感器中检索即将来临的路段信息，从驾驶员分类模型(例如，图3a的驾驶员分类模型314)确定驾驶员的驾驶员类别，使用路段分类模型确定即将来临的路段的路段类别，并且查找与驾驶员类别相对应的即将来临的路段的所得路段类别的焦虑分类。如果焦虑分类指示驾驶员在路段上的潜在高焦虑水平，则控制器可以选择性地禁止停止-起动控制器，由此当车辆停止在四向交叉路口时，发动机将不会关闭。由此，驾驶员的焦虑水平可能不会增加。
94.在518处，方法500包括将焦虑分类结合到基于规则的专家系统中以选择性地禁止停止-起动事件。基于规则的专家系统考虑路段的焦虑分类以及一个或多个其他因素。例如，使用停止-起动控制器可以依赖于电池荷电状态(soc)足以在发动机关闭的情况下为车辆的一个或多个系统提供动力。如果电池soc低于阈值荷电(例如，10％)，则基于规则的系统可以禁用停止-起动控制器，由此在发动机怠速状况期间可以不关闭发动机。下面关于图9更详细地描述基于规则的系统的示例性实施例。
95.通过这种方式，提供了一种用于基于焦虑检测的自适应停止-起动禁止器的方法，所述方法依赖于对多个驾驶员聚合数据、利用集体信息以及从已连接的车辆平台借用来对驾驶员行为进行分类并支持由自适应停止-起动禁止器使用的路段分类模型、驾驶员分类模型和焦虑分类模型的开发和改善。基于路段分类模型、驾驶员分类模型和焦虑分类模型的一个或多个输出，可以通过在到达由道路属性(诸如四向交叉路口、交通信号灯、山坡等等)引起的高焦虑场景之前选择性地禁止停止-起动控制器来减少驾驶员焦虑。此外，可以通过依赖于面部表情信息、音频信息、生命体征信息和大脑电活动变化的组合来生成稳健的焦虑评估。
96.现在参考图6，示出了用于构造一个或多个焦虑分类模型的示例性方法600，所述一个或多个焦虑分类模型可以用于基于由驾驶员驾驶的车辆的一个或多个内部传感器获取的数据来向路段上的驾驶员和/或驾驶员类别分配焦虑水平。焦虑分类模型可以与图3a的发动机停止-起动控制系统300的焦虑分类模型310相同或类似。在一个示例中，基于驾驶员的对等分组向驾驶员分配焦虑水平，其中每个对等分组具有不同的焦虑分类模型。例如，与新手驾驶员相对应的对等分组的驾驶员可以具有基于驾驶员的恐慌的可见面部表情来检测驾驶员的高焦虑水平的焦虑分类模型，而与专家驾驶员相对应对等分组的驾驶员可以具有基于驾驶员的担忧的细微面部表情来检测驾驶员的高焦虑水平的焦虑分类模型。
97.在602处，方法600包括经由车辆的传感器监测和记录在驾驶员操作车辆时驾驶员的焦虑水平。在604处，监测和记录驾驶员的焦虑水平包括使用iot技术监测和记录驾驶员的一个或多个生命体征。例如，由驾驶员穿戴的能够监测升高的生命体征的启用的装置(诸如健身跟踪器或智能手表)可以记录驾驶员的脉搏变化。驾驶员的脉搏变化可以经由传输到车辆的控制器，其中驾驶员的脉搏变化可以传输到远程服务器(例如，图2的基于云的服务器225)，其中可以将驾驶员的脉搏变化结合到焦虑分类模型中。例如，驾驶员的脉搏增加可以指示驾驶员的焦虑增加，而驾驶员的脉搏减少可以指示驾驶员的焦虑减少。
98.在606处，监测和记录驾驶员的焦虑水平包括记录音频信息以支持情绪分类。在一个示例中，驾驶员的音频记录可以由车辆的内部传声器(诸如图3a的发动机停止-起动控制系统300的内部传声器318)捕获。在一个示例中，内部传声器安装在车辆的仪表板中。在其他示例中，内部传声器安装在车辆的车厢中的其他地方(例如，车顶、车门等)。当驾驶员由于驾驶状况(例如，繁忙的交通信号灯、拥堵区域、山坡上的四向交叉路口等)而经历增加的焦虑水平时，驾驶员可能会发出声音，诸如惊叫，或者驾驶员的可听呼吸模式可能中断。作为一个示例，驾驶员可能喘气或屏住呼吸，或者改变呼吸速率。声音可以是自发的，或者声音可以是非自发的。此外，驾驶员可能会发出表达或暗示增加的焦虑水平的一个或多个口头陈述。例如，驾驶员可能将焦虑或沮丧水平传达给车辆的乘客或他们自己。作为另一个示例，驾驶员可以通过传达非口头焦虑或沮丧水平的方式与车辆的乘客谈话。驾驶员的声音、陈述、表情、呼吸和/或其他音频数据可以由传声器记录并由控制器传输到远程服务器，其中驾驶员的音频数据可以结合到焦虑分类模型中。
99.例如，驾驶员可以在交通繁忙的交通信号灯处停车以准备左转。当交通信号灯变绿时，驾驶员可以开始监测沿相反方向前进通过绿色交通信号灯的多个车辆。多个车辆中的每个车辆可以以不同速度操作，并且多个车辆中的每个车辆之间的距离可以变化，其中
执行左转可以涉及识别多个车辆中的两个车辆之间的可行“时机”。监测交通以识别可行时机可能会增加驾驶员的焦虑水平，并且由于增加的焦虑水平，驾驶员可能会发出惊叫，这可以由仪表板传声器检测到。控制器可以创建并处理惊叫的音频片段，所述音频片段可以被传输到远程服务器以结合到焦虑分类模型中。
100.在608处，监测和记录驾驶员的焦虑水平包括记录视频信息以支持情绪分类。在一个示例中，驾驶员的视频记录可以由车辆的内部摄像机(诸如图3a的发动机停止-起动控制系统300的内部摄像机320)捕获。在一个示例中，内部摄像机安装在车辆的仪表板中。在其他示例中，内部摄像机安装在车辆的车厢中的其他地方(例如，车顶、车门等)。在一个示例中，视频数据包括由内部摄像机获取的一个或多个静态图像。在其他示例中，视频数据包括具有由内部摄像机获取的多个帧的视频记录。
101.当驾驶员由于驾驶状况而经历增加的焦虑水平时，如在上面在606处描述的拥堵的交通信号灯的示例中，驾驶员的面部表情可能会改变。例如，驾驶员的眉毛可能会皱起，驾驶员的双唇可能会撅起来等。另外，驾驶员的面部的位置可能例如从面向车辆的挡风玻璃改变为面向车辆的门窗之外。面部表情变化、驾驶员的面部的位置变化和/或驾驶员的其他视频数据可以由内部摄像机记录并由控制器传输到远程服务器，以结合到焦虑分类模型中。此外，光电容积描记术可以用于根据由内部摄像机拍摄的图像来检测驾驶员面部中的脉搏血容量的变化。例如，在一段时间内拍摄的图像可以用于监测驾驶员的心率。如果驾驶员的心率增加，则可以推断出驾驶员正在经历增加的焦虑率。
102.在某一时刻记录的iot、音频和视频数据可以被共同处理，以开发比单独使用iot、音频和视频数据可能实现的焦虑分类模型更稳健的焦虑分类模型。例如，当驾驶员导航到多让路4向交叉路口时，车辆的摄像机可以捕获驾驶员的面部表情的一个或多个图像，这可以指示关于转弯优先级的焦虑产生混乱水平。车辆的内部传声器可以捕获由驾驶员发出的一个或多个声音，诸如中断的呼吸模式或一个或多个惊叫声。由驾驶员穿戴的健身跟踪器可以捕获驾驶员的脉搏增加，从而指示驾驶员的焦虑增加。一些驾驶员可能在面部表情方面而不是以可听方式表现出增加的焦虑，而其他驾驶员可能在脉搏变化方面而不是在面部表情方面表现出增加的焦虑。由于每个驾驶员的焦虑水平可以以不同的方式表现出来，因此通过组合从视觉、听觉和生理模式收集的焦虑数据，可以提高焦虑分类模型的准确性。
103.处理经由内部摄像机获取的一个或多个图像以检测驾驶员的情绪状态可以依赖于用于检测驾驶员的面部和/或面部变化的一个或多个系统。暂时参考图11，示出了根据示例性实施例的在车辆中使用的面部检测系统，其中经由仪表板摄像机捕获驾驶员的面部。内部车厢视图1102示出了操作车辆的驾驶员，而仪表板摄像机1104捕获驾驶员的面部。在图像1106、1108和1110中描绘了驾驶员的面部，其中检测到驾驶员的面部表情的一个或多个特征。例如，图像1106示出了对包括驾驶员的嘴、鼻子和眼睛的面部特征的检测，其中表示检测到的面部特征的比例、定位和/或其他方面。图像1108示出了在由仪表板摄像机捕获的图像中对驾驶员的眼睛的检测。图像1110示出了对驾驶员的眼睑的检测。在一个示例中，检测到的特征用于识别驾驶员的情绪(例如，焦虑)，以用于结合到焦虑分类模型(例如，图3b的焦虑分类模型310的面部情绪检测模型380)中。
104.返回到图6，在610处，方法600包括确定是否已经创建了初始焦虑分类模型。如果在610处已经创建了初始焦虑分类模型，则方法600前进到612，其中方法600包括用从驾驶
员收集的iot、音频和视频数据来加强焦虑分类模型。例如，如果由焦虑分类模型针对路段生成的焦虑分类与由从路段上的驾驶员收集的iot、音频和视频数据生成的驾驶员的情绪分类不匹配，则可以调整焦虑分类模型以生成新的焦虑分类，其中新的焦虑分类与由iot、音频和视频数据生成的驾驶员的情绪分类更紧密地匹配。此外，在一些示例中，驾驶员可以提供可以用于改善焦虑分类模型的口头反馈。替代地，如果在610处尚未创建初始焦虑分类模型，则方法600前进到614。
105.在614处，方法600包括将情绪与面部图像相关联。例如，基于一种或多种算法和/或技术(例如，viola-jones面部检测、面部提取算法、主成分分析(pca)、fischer线性判别分析(lda)、方向梯度直方图(hog)特征提取、多类支持向量机(svm)等的应用)，由仪表板摄像机记录的驾驶员的面部表情可以与基于一个或多个面部情绪检测模型的情绪相关联。在614处，方法600将情绪与音频数据相关联。在一个示例中，将情绪与音频数据相关联可以包括从数据库参考已建立的情绪语音集合。例如，数据库可以包括多个情绪话语，其中多个情绪话语中的每个情绪话语与情绪和/或情绪程度相关联。可以将驾驶员说出的声音输入到数据库中，所述数据库可以输出与驾驶员的话语相对应的预测情绪。在其他示例中，可以使用不同的程序，由此基于视频/音频/iot分析将驾驶员样本分割成积极(快乐、平静等)和消极(愤怒、恐惧、悲伤等)类别。例如，驾驶员的一些音频样本可以被表征为积极，其中驾驶员可能没有经历增加的焦虑，而驾驶员的其他音频样本可以被表征为消极，其中驾驶员可能正在经历增加的焦虑。通过结合同时收集的其他情绪数据检查音频样本，可以将驾驶员话语分类为指示驾驶员的增加的焦虑或不指示驾驶员的增加的焦虑。此外，在一些示例中，可以应用卷积神经网络以例如使用来自由驾驶员穿戴用于验证的装置的ecg数据来将音频样本分类到一种情绪。应当理解，本文提供的示例是出于说明性目的，并且在不脱离本公开的范围的情况下可以使用用于检测来自面部表情或音频样本的情绪的其他技术。
106.在616处，方法600包括将情绪与iot数据相关联。在一个示例中，iot数据包括数值，诸如心率(例如，脉搏)、皮肤电反应等。阈值可以用于确定驾驶员的焦虑水平。例如，由驾驶员穿戴的智能手表可以记录驾驶员在休息时的心率。当在有压力的情况(例如，在交叉路口、交通信号灯、交通繁忙等)下操作车辆时，驾驶员的心率可能会增加。如果驾驶员的心率的增加高于阈值增加(例如，10％)，则与驾驶员相关联的焦虑水平可能增加。在一个示例中，焦虑水平由从1至10的数值指示，其中1是低焦虑水平。如果驾驶员的心率的增加高于阈值增加，则表示驾驶员的焦虑水平的数值可以递增(例如，从3增加到5)。此外，可以使用附加的阈值增加来确定驾驶员的焦虑水平的变化。例如，如果驾驶员具有由数字3表示的焦虑水平，并且超过第一阈值增加(例如，10％)，则驾驶员的焦虑水平可以从3递增到5。如果超过第二阈值增加(例如，20％)，则驾驶员的焦虑水平可以从3递增到6，以此类推。
107.在620处，方法600包括收集ecg信号信息用作焦虑分类的地面实况。例如，参与驾驶员的子集可以穿戴被配置为捕获驾驶员的神经模式的ecg装置(例如，)。可以将神经模式与用情绪识别的一个或多个已知神经模式进行比较，由此可以向驾驶员分配与驾驶员在操作期间的神经模式相对应的已知情绪。在一些示例中，可以用驾驶员的口头反馈(例如，在校准期间预先)确认驾驶员的情绪。
108.例如，当驾驶员焦虑时(例如，由于路况或属性)，可以生成第一神经活动模式，而当驾驶员不焦虑时，可以生成第二神经活动模式。通过将由驾驶员生成的神经活动模式与
已知与增加的焦虑水平相关联的神经活动模式进行比较(例如，因为ecg装置的穿戴者的焦虑水平可以由穿戴者确认)，可以确定驾驶员是否正在经历增加的焦虑水平。因此，随着在驾驶员操作车辆时收集iot、音频和视频数据，可以同时收集ecg数据，由此iot、音频和视频数据捕获对由ecg数据记录的相同情绪的指示。通过这种方式，可以生成地面实况焦虑分类以训练或改善单独的情绪检测模型，以在614处将情绪与面部图像相关联，在616处将情绪与音频数据相关联，以及在618处将情绪与iot数据相关联。
109.在622处，方法600包括基于上述iot、音频和视频模型(例如，图3b的面部情绪检测模型380、音频情绪检测模型382和生理情绪检测模型384)来开发焦虑分类模型。在一个示例中，焦虑分类模型返回iot、音频和视频模型的输出的平均值或加权平均值。在一些示例中，加权平均值是基于对于所有驾驶员类别都相同的权重。在其他示例中，加权平均值是基于对于所有驾驶员类别都不相同的权重。例如，可以确定对于第一驾驶员类别，面部检测模型与音频情绪检测模型相比可以产生对驾驶员焦虑的更准确指示(例如，如通过与ecg数据进行比较所确定的)，而在第二驾驶员类别中，音频检测模型与面部情绪检测模型相比可以产生对驾驶员焦虑的更准确指示，等等。应当理解，本文提供的示例是出于说明性目的，并且在不脱离本公开的范围的情况下，可以使用用于对不同情绪检测模型进行加权的其他方法。
110.驾驶员反馈也可以用于开发和/或改善焦虑分类模型。由驾驶员选择的一个或多个驾驶设置可以指示增加或减少的驾驶员焦虑，或焦虑倾向。例如，用户可以经由车辆的仪表板上的手动越控按钮来选择发动机停止-起动系统的手动越控。发动机停止-起动系统在路段处的手动越控或手动越控模式可以指示驾驶员在路段处的增加的焦虑，并且因此可以相应地调整焦虑分类模型。在其他示例中，可以使用口头驾驶员反馈或另一种类型的驾驶员反馈。
111.现在参考图7，示出了根据本公开的一个实施例的用于控制车辆的发动机停止-起动事件的方法700。方法700开始于702，其中方法700包括确定和/或估计工况。出于本公开的目的，确定和/或估计工况可以在车辆的发动机起动时和/或在以其他方式发起车辆的操作时发生。工况可以包括发动机工况，诸如发动机转速、发动机负载、进气流速和/或压力、节气门位置、加速踏板位置、环境压力、环境温度、速度、排气温度等。工况还可以包括确定电池(诸如图1的车辆5的电池108)的荷电状态。
112.在704处，方法700包括确定车辆的驾驶员的分类是否存在于驾驶员数据库(例如，图3a的发动机停止-起动控制系统300的驾驶员数据库336)中。在一些示例中，驾驶员可能先前已经由驾驶员分类模型(例如，图3a的驾驶员分类模型314)分类到一个驾驶员类别，并且可以从驾驶员数据库中检索驾驶员分类。如果在704处确定驾驶员数据库中不存在驾驶员的分类，则方法700前进到706。在706处，方法700包括使用驾驶员分类模型对驾驶员进行分类并将驾驶员分类保存到驾驶员数据库。如上面关于图5所述，驾驶员分类模型可以基于驾驶员的车辆数据和/或驾驶员的历史表现数据来根据驾驶员的对等分组来向驾驶员分配分类。替代地，如果在704处确定驾驶员数据库中存在驾驶员的分类，则方法700前进到708。在708处，方法700包括从驾驶员数据库中检索驾驶员的当前分类。
113.在710处，方法700包括基于车辆传感器数据来定义车辆的路线的即将来临的路段。当车辆沿着路线行驶时，车辆的传感器可以检测一个或多个道路属性，如上文关于图5
的方法500所述。例如，沿着路线行驶的车辆可能将在车辆前方延伸100码的路段内的陡峭下坡检测为第一道路属性，并且将陡坡底部处的4向交叉路口检测为第二道路属性。车辆的控制器可以创建路段的编码表示，由此山坡和交叉路口的存在以及任何其他道路属性数据(例如，曲率、坡度等)被表示为向量中的数值。在712处，方法700包括使用路段分类模型(例如，图4的神经网络训练系统400中描述的路段分类模型)对路段进行分类。在一个示例中，路段分类模型是将表示上述路段的向量作为输入并输出路段的路段类别的神经网络。在714处，方法700包括基于在708处检索的驾驶员分类从导航数据库(例如，图4的导航数据库450)中检索与路段相关联的焦虑分类。如上文在图5的方法500中所述，焦虑分类可以指示驾驶员在路段上操作车辆时的焦虑水平(例如，由于路段的一个或多个压力诱发的属性，诸如交叉路口等)。此外，导航数据库中的每个路段可以与多个焦虑分类相关联，其中多个焦虑分类中的每个焦虑分类对应于一个驾驶员类别。例如，对于一个类别的驾驶员(例如，有经验的驾驶员)，可以向路段类别分配低焦虑分类，而对于不同类别的驾驶员(例如，没有经验的驾驶员)，可以向路段类别分配高焦虑分类。
114.在716处，方法700包括基于来自车辆的一个或多个传感器和/或车辆的v2v网络的数据来调整从导航数据库中检索的针对路段的焦虑分类。例如，车辆的外部摄像机可以检测道路上的雪，并且车辆的外部温度传感器可以测量低于冰点的温度。由此，车辆控制器可以调整与路段相关联的焦虑分类以反映驾驶员焦虑增加的可能性。例如，如果从导航数据库中检索到针对路段的焦虑分类为6，则可以将路段的焦虑分类调整为8以反映驾驶员焦虑增加的可能性。另外或替代地，第一驾驶员可以沿着具有上述路段的路线驾驶第一车辆，并且第二驾驶员可以沿着所述路线驾驶第二车辆，其中第一车辆的驾驶员和第二车辆的驾驶员具有同一驾驶员类别，第二车辆在第一车辆后面100码，并且在山坡上没有检测到雪。在一个示例中，第一车辆的驾驶员可能发现山坡意外打滑，并且因此第一车辆的驾驶员可能经历增加的焦虑。第一车辆的驾驶员的增加的焦虑可以通过第一车辆的焦虑分类模型(例如，经由第一车辆的内部传感器)来检测，并且第一车辆的驾驶员的增加的焦虑可以经由v2v网络被传输到第二车辆。由于接收到第一车辆的驾驶员的增加的焦虑，因此第二车辆的控制器可以调整路段的焦虑分类。
115.在另一个示例中，第一车辆可能由于路段上的冰而开始打滑，这可以由第一车辆的传感器(例如，车轮传感器)检测到。第一车辆的驾驶员可能不会由于打滑而经历增加的焦虑，并且因此焦虑数据可能不会被传输到第二车辆。然而，第一车辆可以向第二车辆传输前方可能遇到打滑状况的警告。由于接收到前方可能遇到打滑状况的警告，第二车辆的控制器可以调整路段的焦虑分类。在再其他示例中，道路、气候和/或其他驾驶状况数据可以经由车辆对基础设施(v2x)网络从位于车辆路线上的基础设施的元件传输。
116.在718处，方法700包括基于驾驶员的高预测焦虑水平来确定是否推荐禁止车辆的停止-起动功能性。下文参考图8更详细地描述用于基于驾驶员的高预测焦虑水平来确定是否推荐禁止车辆的停止-起动功能性的示例性程序。
117.在720处，方法700包括经由基于规则的系统来确定是禁用还是启用停止-起动功能性。下面参考图9更详细地描述基于规则的系统所遵循的示例性程序。
118.现在参考图8，示出了用于基于车辆的驾驶员的预测焦虑水平来确定是否推荐禁止车辆的停止-起动功能性的示例性程序800。方法800可以作为图7的方法700的一部分来
执行。如上所述，预测焦虑水平可以对应于车辆正在其上操作的路段的焦虑分类，其中高焦虑分类可以指示高预测焦虑水平，而低焦虑分类可以指示低预测焦虑水平。
119.方法800开始于802，其中方法800包括确定是否接合停止-起动禁止系统。例如，因为驾驶员已经选择手动地越控停止-起动控制系统，或者因为电池soc低于阈值水平(例如，10％)，或者由于另一个原因，可能无法接合停止-起动禁止。如果在802处未接合停止-起动禁止系统，则方法800前进到820，并且车辆继续操作。替代地，如果在802处接合停止-起动禁止系统，则方法800前进到804。
120.在804处，方法800包括确定针对驾驶员的驾驶员类别的路段焦虑分类是否高于阈值焦虑分类。例如，焦虑分类可以是1至10之间的数字，其中10表示高焦虑分类(例如，指示驾驶员可能在路段上经历高预测焦虑水平)，而其中1表示低焦虑分类(例如，指示驾驶员在路段上可能经历低预测焦虑水平)。在一个示例中，阈值焦虑分类是5，表示平均或中度焦虑分类。例如，如果路段的焦虑分类对于驾驶员的类别为7，则焦虑分类高于阈值，而如果路段的焦虑分类对于驾驶员的类别为2，则焦虑分类低于阈值。
121.如果在804处确定驾驶员的焦虑分类(例如，预测焦虑水平)高于阈值，则方法800前进到808。在808处，方法800包括基于驾驶员的高预测焦虑水平而返回推荐禁用停止-起动功能性。在一个示例中，由方法800在808处返回的推荐被输入到基于规则的系统(例如，图3a的发动机停止-起动控制系统300的基于规则的系统306)中，所述基于规则的系统可以确定是禁用还是启用车辆的停止-起动功能性，如下面在图9的方法900中更详细描述的。
122.替代地，如果在804处确定驾驶员的路段的焦虑分类不高于阈值焦虑水平，则方法800前进到806。在806处，方法800包括确定车辆的发动机停止-起动功能性是否例如由于驾驶员在前一路段处的高预测焦虑水平而处于禁止状态。如果在806处确定车辆的停止-起动功能性未处于禁止状态，则方法800前进到820，其中车辆继续操作，并且不禁止停止-起动功能性。替代地，如果在806处确定发动机停止-起动功能性处于禁止状态，则方法800前进到810。在810处，方法800包括返回对启用停止-起动功能性的推荐，并且方法800前进到812。在812处，方法800包括继续车辆运转。
123.现在参考图9，示出了用于经由基于规则的系统来确定是否禁止车辆的停止-起动控制器(诸如图3a的发动机停止-起动控制系统300的发动机停止-起动控制器304)的示例性方法900。基于规则的系统可以将由程序(诸如图8的方法800中描述的程序)以及一个或多个车辆传感器(诸如图3a的发动机停止-起动控制系统300的传感器308和/或图2的控制系统202的传感器208)的一个或多个输出生成的对禁止车辆的停止-起动功能性的推荐作为输入。方法900可以作为上述图7的方法700的一部分来执行。
124.在902处，方法900包括从车辆接收车辆传感器数据。例如，接收车辆传感器数据可以包括从车辆的电池soc传感器接收车辆的电池的荷电状态(soc)数据。soc数据可以指示在不运行车辆的发动机的情况下电池维护车辆的一个或多个系统的容量。如果电池的soc低于阈值soc(例如，10％)，则可能无法维护汽车的一个或多个电动系统(例如，车辆的内部和/或外部灯、电动制动器、气候控件等)和/或电池可能没有足够的荷电来在怠速停止之后为重新起动供电。因此，基于规则的系统可以在确定是否禁用停止-起动控制系统时考虑电池的soc。
125.接收车辆传感器数据可以包括检测车辆的一个或多个驾驶设置。例如，停止-起动
控制系统可以包括(例如，经由车辆的仪表板上的手动越控按钮)手动越控起动-停止控制系统的选项。如果驾驶员频繁地在驾驶员感到有压力的环境中操作车辆，则由于停止-起动控制器的操作，驾驶员可能会经历增加的焦虑水平，其中驾驶员可能担心发动机可能无法在驾驶员调整加速器的时刻开启。由于焦虑水平的增加，驾驶员可以手动地越控停止-起动控制系统。如果车辆传感器数据指示驾驶员已经手动地越控停止-起动控制系统，则基于规则的系统可以禁用停止-起动控制系统。
126.在904处，方法900包括接收呈焦虑推荐(例如，基于驾驶员在即将来临的路段上的预测焦虑水平对是否禁止起动-停止控制器的推荐)的形式的焦虑数据。例如，可以如上文关于方法800所述来生成焦虑推荐。
127.在906处，方法900包括将来自方法800的传感器数据和焦虑推荐输入到基于规则的系统中以输出指示是选择性地禁用还是启用车辆的停止-起动功能性的结果。在一个示例中，基于规则的系统根据选择性地禁止停止-起动控制器所依据的预先确立的条件层次结构来顺序地考虑传感器数据和焦虑数据，其中单独的传感器数据和焦虑数据可以按优先级排序。例如，电池soc高于阈值soc可以是用于禁用停止-起动功能性的第一标准，其中如果根据传感器数据确定电池soc不高于阈值soc，则基于规则的系统可以基于电池soc输出禁止停止-起动功能性的结果。如果确定电池soc高于阈值soc，则基于规则的系统可以考虑驾驶员是否已经选择手动越控停止-起动功能性作为第二标准。如果驾驶员已经选择手动地越控起动-停止功能性，则基于规则的系统可以根据对驾驶员的选择来输出禁用车辆的起动-停止功能性的结果。如果确定电池soc高于阈值soc并且驾驶员尚未选择越控停止-起动功能性，则基于规则的系统可以考虑驾驶员的焦虑数据，其中如果焦虑数据预测驾驶员在即将来临的路段上的高焦虑水平，则基于规则的系统可以基于驾驶员的预测高焦虑水平来输出禁止车辆的停止-起动功能性的结果。替代地，如果焦虑数据预测驾驶员在即将来临的路段上的低焦虑水平，则基于规则的系统可能不会输出禁止车辆的起动-停止功能性的结果，并且可以考虑其他传感器数据(例如，发动机状况数据、踏板位置数据等)。通过这种方式，确定是否禁止车辆的停止-起动功能性可以基于决策链，其中按重要性顺序考虑单独的传感器数据和焦虑数据，并且其中在满足多个标准中的一个或多个标准时确定禁止停止-起动功能性。应当理解，本文提供的示例是出于说明性目的，并且在不脱离本公开的范围的情况下可以使用对传感器和/或焦虑数据的不同定序或排序。
128.在908处，方法900包括基于基于规则的系统的输出来确定是否禁止停止-起动功能性。如果在908处确定应当禁止停止-起动功能性，则方法900前进到910。在910处，方法900包括禁用停止-起动控制器。在一个示例中，在910处禁用停止-起动控制器包括将停止-起动控制器的状态从启用状态调整到禁用状态。在其他示例中，停止-起动控制器可能已经处于禁用状态，并且因此在910处禁用停止-起动控制器包括继续停止-起动控制器的禁用状态。例如，车辆可以行驶通过包括感到有压力的道路属性(例如，交叉路口、交通信号灯等)的第一路段，之后是不包括任何有压力道路属性的第二路段。当接近第一路段时，由于驾驶员的预测高焦虑水平，可以根据方法900禁止停止-起动控制器。由此，当车辆接近第二路段时，由于对第一路段的禁止，停止-起动控制器可能处于禁用状态。
129.替代地，如果在908处确定不禁用停止-起动功能性，则方法900前进到912。在912处，方法900包括启用停止-起动功能性。如上文关于910类似地描述，在一个示例中，在912
处启用停止-起动控制器包括将停止-起动控制器的状态从禁用状态调整到启用状态，而在其他示例中，停止-起动控制器可能已经处于启用状态，由此在912处启用起动-停止控制器包括继续停止-起动控制器的启用状态。例如，车辆可以行驶通过不包括有压力道路属性的第一路段，之后是包括一个或多个有压力道路属性的第二路段。当接近第一路段时，由于驾驶员的预测低焦虑水平，根据方法900，停止-起动控制器可以处于启用状态。当车辆接近第二路段时，起动-停止控制器可能仍处于启用状态，并且因此启用起动-停止功能性包括继续起动-停止控制器的启用状态。
130.作为一个示例，车辆的驾驶员可能正在包括驾驶员意图左转的交叉路口的路段上行驶，这种情况可能会对一些驾驶员产生压力。在接近交叉路口之前，车辆的控制器可以基于即将来临的路段数据和从驾驶员数据库中检索或由驾驶员分类模型确定的驾驶员分类从导航数据库(例如，图4的神经网络训练系统400的导航数据库450)中检索驾驶员的焦虑分类。即将来临的路段的焦虑分类可以预测驾驶员在路段上的高焦虑水平。由于驾驶员的预测高焦虑水平，在控制器的处理器上执行的程序可以推荐禁止车辆的停止-起动控制系统，以降低驾驶员在道路上的焦虑水平。可以将推荐输入到基于规则的系统中以确定是否选择性地禁用停止-起动控制系统。为了确定是否选择性地禁用停止-起动控制系统，基于规则的系统可以考虑所述推荐以及来自一个或多个车辆传感器的传感器数据。基于所述基于规则的系统的逻辑，基于规则的系统可以基于驾驶员的预测高焦虑水平向控制器输出指令以禁止停止-起动控制器。
131.现在参考图10，描述了用于基于神经网络训练路段分类模型(诸如关于图4的神经网络训练系统400描述的路段分类模型)的示例性方法1000。在一个示例中，路段分类模型用于选择性地禁止车辆的发动机停止-起动控制器，如上文在图5的方法500中所述。
132.在1002处，方法1000包括在钥匙开启时开始记录车辆的驾驶数据，其中继续记录驾驶数据直到钥匙关闭。在一个示例中，驾驶数据包括由内部车辆传感器捕获的驾驶员表现数据(例如，图4的神经网络训练系统400的驾驶员表现数据414)和由外部车辆传感器捕获的道路数据(例如，图4的神经网络训练系统400的道路数据418)。在1004处，方法1000包括基于平均预定长度将驾驶数据分成路段。在一个示例中，可以基于外部车辆传感器的距离范围来确定预定长度。例如，如果车辆的路线包括其中外部车辆传感器(例如，摄像机、雷达等)可以在长距离上捕获数据的开阔陆地上的笔直路段，则预定长度可以是几百码。替代地，如果车辆的路线包括其中外部车辆传感器无法在长距离上捕获数据的森林山地区域中的弯曲路段，则预定长度可以更短(例如，100码)。在一个示例中，路段具有最小长度(例如，100码)和最大长度(例如，四分之一英里)。在一些示例中，车辆的路线可以被划分为确切数量的路段，而在其他示例中，车辆的路线可以不被划分为确切数量的路段，并且可以包括小于最小长度的最终路段。
133.在1006处，方法1000包括将路段分类到路段类别。将路段分类到路段类别包括在1008处对路段执行高级分类。例如，可以基于道路的一般类型(例如，高速公路、城市道路、农村道路等)向路段分配高级分类。在一个示例中，分类是数字代码(例如，01代表高速公路，02代表城市道路等)。在1010处，方法1000包括用道路属性数据对路段执行二级分类。在二级分类期间，基于诸如海拔、坡度、曲率、物理属性、标志属性、交通信号灯的存在、与其他道路的接近度、交通等一个或多个特性对路段进行进一步分类。类似于高级分类，可以针对
一个或多个特性中的每一者向路段分配数字代码(例如，用于海拔的数字代码、用于坡度的数字代码等)。因此，由于对路段执行高级分类和二级分类，每个路段都以将路段与其他路段区分开的方式在数值上表征。
134.在1012处，方法1000包括创建向量以表示每个路段。如上所述，用于定义路段的数据可以被编码为数值，其中路段被表示为包括数值的向量。例如，每个向量可以包括与在1008处执行的高级分类相对应的数字分类代码，以及在1010处执行的二级分类期间分配的附加数字分类代码。
135.在1014处，方法1000包括基于在1012处创建的向量对路段进行聚类。在一个示例中，k均值聚类算法用于例如以上文参考图3的发动机起动-停止控制系统300的驾驶员分类模型314的构造描述的方式确定路段的自然类别的数量n。
136.在1016处，方法1000包括训练神经网络以将新路段分类为在1012处通过聚类算法确定的路段类别。神经网络可以与图4的神经网络训练系统400的神经网络402相同或类似。在训练程序期间，根据路段向量对训练数据集和测试数据集进行编译，并且训练神经网络以将每个路段向量分类为与路段向量最接近的路段类别向量。可以通过由神经网络输出的路段类别与由聚类算法确定的地面实况路段类别之间的距离来确定误差率。在一个示例中，所述差值是两个向量之间的欧几里德距离。误差率可以反向传播通过神经网络的各层，以便调整神经网络的多个节点的多个权重和偏差，直到神经网络能够在阈值准确度(例如，95％)以上将向量分类为路段类别。
137.在1018处，方法1000包括将经分类的路段存储在导航数据库(例如，图4的神经网络训练系统400的导航数据库450)中。一旦已经训练了神经网络并且已经将表示路段的向量与路段类别相关联，就可以将路段-路段类别对存储在导航数据库中，由此可以将诸如焦虑分类数据之类的附加数据与导航数据库中的路段类别相关联。因此，当车辆遇到新路段时，车辆的控制器可以使用神经网络向新路段分配路段类别，然后使用路段类别来从导航数据库中检索与路段类别相关联的附加数据。
138.在一个示例中，训练后的神经网络被加载到车辆的存储器(例如，图2的控制系统202的存储器206)中，并且在车辆运转期间，训练后的神经网络可以用于将新路段分类为在1014处生成的路段类别中的一种。例如，在路段上操作的车辆可以检测一个或多个道路属性，诸如交叉路口、路段曲率等。车辆可以将具有一个或多个道路属性的路段输入到神经网络中以接收路段的路段类别。
139.因此，一种用于基于驾驶员的预测焦虑水平选择性地禁止车辆的起动-停止控制器的示例性方法包括：经由车厢内传感器收集关于所述驾驶员的情绪状态的第一组数据，同时经由所述车辆的一个或多个远程源和/或外部传感器收集关于所述驾驶员遇到的驾驶状况的第二组数据，以及训练神经网络以将从所述第一组数据确定的情绪与从所述第二组数据确定的所述驾驶状况相关联。一旦被训练，神经网络就可以用于预测驾驶员在未来出现类似驾驶状况时将如何进行情绪反应，并且尤其是驾驶员是否会经历增加的焦虑。如果预测在驾驶员遇到一道路属性时驾驶员经历与停止-起动控制器相关的增加的焦虑，则可以选择性地禁止停止-起动控制器，由此减少驾驶员的焦虑。
140.通过这种方式，通过预测其中驾驶员在车辆已经停止时可能经历焦虑的未来驾驶状况，可以通过禁止停止-起动功能性来减少驾驶员的焦虑。此外，导航系统可以重新引导
驾驶员，或者学习绘制新路线以避免可能给驾驶员带来焦虑的情况。本文描述的系统和方法的附加益处是，通过聚合驾驶员数据并利用已连接的车辆架构，可以避免在长时间段内收集单独的驾驶员数据的现有架构的长学习曲线。此外，通过同时使用多个情绪检测模型(视觉、音频、生理等)，可以实现比当前模型提供的驾驶员焦虑评估更稳健的驾驶员焦虑评估。
141.基于驾驶员的预测焦虑水平选择性地禁止车辆的停止-起动控制系统的技术效果是可以想出用于管理驾驶员的焦虑水平的最佳策略，所述最佳策略减少由驾驶员的路线上的道路属性引发的焦虑，同时利用选择性地使用停止-起动控制系统的燃料效率。
142.本公开还提供了对一种用于车辆的控制器的方法的支持，所述方法包括确定操作所述车辆的驾驶员的驾驶员分类；基于所述驾驶员分类来预测所述驾驶员在即将来临的路段处的焦虑水平；以及基于所述驾驶员的所述预测焦虑水平来选择性地禁止即将来临的发动机怠速停止事件。在所述方法的第一示例中，选择性地禁止即将来临的发动机怠速停止事件包括将所述驾驶员的所述预测焦虑水平输入到基于规则的系统中，所述基于规则的系统基于所述驾驶员的所述预测焦虑水平和一个或多个车辆传感器的输出来确定是否禁止所述即将来临的发动机怠速停止事件。在所述方法的第二示例(任选地包括所述第一示例)中，所述方法还包括根据经由所述车辆的外部传感器、所述车辆的雷达系统、所述车辆的导航系统、车辆对车辆网络和远程服务器中的一者或多者获取的前瞻道路属性信息来确定所述即将来临的路段。在所述方法的第三示例(任选地包括所述第一示例和所述第二示例)中，确定驾驶员分类包括将所述驾驶员的车辆数据和驾驶员表现数据输入到被训练以将所述驾驶员分类为多个驾驶员类别中的一者的神经网络中。在所述方法的第四示例(任选地包括所述第一示例至所述第三示例)中，通过从多个驾驶员收集驾驶员表现数据、从所述多个驾驶员收集车辆数据、创建多个向量以及将聚类算法应用于所述多个向量以建立所述多个驾驶员类别来确定所述多个驾驶员类别，其中所述多个向量中的每个向量包括所述多个驾驶员中的每个驾驶员的所述驾驶员表现和车辆数据。在所述方法的第五示例(任选地包括所述第一示例至所述第四示例)中，预测所述驾驶员在所述即将来临的路段处的焦虑水平包括使用训练后的神经网络将所述即将来临的路段分类到路段类别、从数据库中检索所述路段的焦虑分类，其中所述焦虑分类是基于所述驾驶员分类。在所述方法的第六示例(任选地包括所述第一示例至所述第五示例)中，所述焦虑分类是焦虑分类模型的输出，所述输出是基于音频情绪检测模型的输出、面部情绪检测模型的输出和生理情绪检测模型的输出。在所述方法的第七示例(任选地包括所述第一示例至所述第六示例)中，所述音频情绪检测模型将经由安装在驾驶员的车辆内部的传声器收集的所述驾驶员的音频信息作为输入，所述面部情绪检测模型将经由安装在所述驾驶员的所述车辆内部的摄像机收集的所述驾驶员的面部图像作为输入，并且所述生理情绪检测模型将经由所述驾驶员穿戴的物联网(iot)装置收集的所述驾驶员的生理数据作为输入。
143.本公开还提供了对一种用于车辆的控制器的方法的支持，所述方法包括在第一状况下，响应于所述车辆的驾驶员在第一即将来临的路段处的预测高焦虑水平(即使状况指示通过关闭所述车辆的发动机来节省燃料)而禁止所述车辆的发动机起动-停止，使得在所述第一即将来临的路段上的车辆运转期间所述发动机不被关闭，并且在第二状况下，响应于所述驾驶员在第二即将来临的路段处的预测低焦虑水平并且所述状况指示通过关闭所
述发动机来节省燃料而停止所述车辆的所述发动机，使得在所述第二即将来临的路段上或之前的车辆运转期间关闭所述车辆的所述发动机以节省燃料。在所述方法的第一示例中，所述车辆的所述驾驶员在所述第一即将来临的路段处的所述预测高焦虑水平是基于从多个驾驶员收集关于行驶路段的数据、当在所述路段上行驶时从所述多个驾驶员收集焦虑数据、将所述多个驾驶员分类为各驾驶员类别、将关于行驶路段的所述数据分类为多个路段类别、将来自所述多个驾驶员的所述焦虑数据分类为所述驾驶员类别、训练神经网络以将新路段分类到所述多个路段类别中的一个路段类别、将所述路段类别存储在数据库中，并且对于所述多个路段类别中的每个路段类别，从所述焦虑数据构造每个驾驶员类别的焦虑分类模型、将每个驾驶员类别的所述焦虑分类模型与所述数据库中的所述路段类别相关联、从所述数据库中检索与所述驾驶员的所述驾驶员类别和所述第一即将来临的路段相对应的所述焦虑分类模型，以及基于所述焦虑分类模型的输出来预测所述驾驶员的焦虑水平。在所述方法的第二示例(任选地包括所述第一示例)中，收集关于行驶路段的数据包括：将车辆的路线划分为多个路段；对于每个路段，经由车辆对车辆网络经由所述车辆的传感器、所述车辆的导航系统和另一车辆中的一者或多者检测所述路段内的一个或多个道路属性；以及将检测到的道路属性与所述路段相关联。在所述方法的第三示例(任选地包括所述第一示例和所述第二示例)中，当在所述路段上行驶时从所述多个驾驶员收集焦虑数据包括对于所述多个驾驶员中的每个驾驶员，经由安装在所述驾驶员的车辆内部的传声器收集所述驾驶员的音频信息，经由安装在所述驾驶员的所述车辆内部的摄像机收集所述驾驶员的面部图像，并经由所述驾驶员穿戴的物联网(iot)装置收集所述驾驶员的生理数据。在所述方法的第四示例(任选地包括所述第一示例至所述第三示例)中，从多个驾驶员收集数据包括从所述多个驾驶员中的每个驾驶员收集来自所述驾驶员穿戴的便携式ecg装置的神经活动模式，所述神经活动模式用于建立地面实况焦虑分类以针对每个驾驶员类别训练所述焦虑分类模型。在所述方法的第五示例(任选地包括所述第一示例至所述第四示例)中，所述方法还包括：基于从所述多个驾驶员收集的驾驶员表现数据和从所述多个驾驶员收集的车辆数据将所述多个驾驶员分类为各驾驶员类别。
144.本公开还提供了对一种用于控制车辆的发动机的系统的支持，所述系统包括：所述车辆的所述发动机的停止-起动控制器；控制器，所述控制器具有存储在非暂时性存储器上的计算机可读指令，所述计算机可读指令在驾驶状况期间被执行时使所述控制器：部署训练后的驾驶员分类神经网络以确定操作所述车辆的驾驶员的驾驶员类别；基于前瞻道路属性信息来确定即将来临的路段；部署训练后的路段分类神经网络以确定所述即将来临的路段的路段类别；从数据库中依据与所述驾驶员类别和所述路段类别相关联的焦虑分类模型检索所述即将来临的路段针对所述驾驶员类别的焦虑分类，所述车辆的所述驾驶员经由训练后的驾驶员分类神经网络分类为所述驾驶员类别；基于所述焦虑分类确定所述车辆的所述驾驶员在所述即将来临的路段处的预测焦虑水平；将所述车辆的所述驾驶员的所述预测焦虑水平输入到基于规则的系统中，并且基于所述基于规则的系统的输出选择性地启用或禁用所述车辆的所述发动机的所述停止-起动控制器。在所述系统的第一示例中，所述数据库包括多个附加路段类别，每个路段类别包括多个驾驶员类别，每个驾驶员类别包括相应的焦虑分类模型。在所述系统的第二示例(任选地包括所述第一示例)中，所述指令还使所述停止-起动控制器响应于所述驾驶员的所述预测焦虑水平而被禁止，使得所述发动机
在满足否则将触发怠速停止事件的一个或多个条件时保持开启。在所述系统的第三示例(任选地包括所述第一示例和所述第二示例)中，基于在所述驾驶员的路线上行驶的在车辆网络中的第二车辆的第二驾驶员的焦虑水平来调整所述车辆的所述驾驶员的预测焦虑水平，其中所述第二车辆在所述车辆前方，并且所述第二驾驶员的所述焦虑水平经由车辆对车辆网络传输到所述车辆。在所述系统的第四示例(任选地包括所述第一示例至所述第三示例)中，所述指令还使所述控制器将所述车辆的传感器的输出作为附加输入而输入到所述基于规则的系统中。在所述系统的第五示例(任选地包括所述第一示例至所述第四示例)中，所述指令还使所述控制器响应于所述驾驶员在第一路段上的第一预测焦虑而禁止所述停止-起动控制器，并且响应于在第二路段上的第二预测焦虑，启用所述停止-起动控制器使得响应于满足怠速停止条件而关闭所述发动机。
145.应当注意，本文所包括的示例性控制和估计程序可以与各种发动机和/或车辆系统配置一起使用。本文公开的控制方法和程序可以作为可执行指令存储在非暂时性存储器中，并且可以由包括控制器的控制系统结合各种传感器、致动器和其他发动机硬件来执行。本文所述的具体程序可以表示任何数量的处理策略(诸如事件驱动的、中断驱动的、多任务、多线程等)中的一者或多者。因此，所示的各种动作、操作和/或功能可以按所示的顺序执行、并行执行，或者在一些情况下被省略。同样地，处理次序不一定是实现本文所描述的示例性实施例的特征和优点所必需的，而是为了便于说明和描述而提供的。所示的动作、操作和/或功能中的一者或多者可以根据所使用的特定策略而重复地执行。另外，所描述的动作、操作和/或功能可图形地表示将被编程到发动机控制系统中的计算机可读存储介质的非暂时性存储器中的代码，其中所描述的动作通过结合电子控制器在包括各种发动机硬件部件的系统中执行指令来实施。
146.应当理解，本文中公开的配置和程序本质上是示例性的，并且这些具体实施例不应被视为具有限制性含义，因为众多变化是可能的。例如，以上技术可以应用于v-6、i-4、i-6、v-12、对置4缸以及其他发动机类型。此外，除非明确地相反指出，否则术语“第一”、“第二”、“第三”等不意图表示任何顺序、位置、数量或重要性，而是仅用作标记以区分一个元件与另一个元件。本公开的主题包括本文中公开的各种系统和配置以及其他特征、功能和/或性质的所有新颖的且非明显的组合和子组合。
147.如本文所使用，除非另有指定，否则术语“约”被解释为表示所述范围的
±
5％。
148.所附权利要求特别地指出被视为新颖的且非明显的某些组合和子组合。这些权利要求可指代“一个”要素或“第一”要素或其等同物。这些权利要求应理解为包括一个或多个此类要素的结合，既不要求也不排除两个或更多个此类要素。所公开特征、功能、元件和/或性质的其他组合和子组合可通过修正本权利要求或通过在此申请或相关申请中呈现新的权利要求来要求保护。此类权利要求与原始权利要求相比无论在范围上更宽、更窄、等同或不同，也都被视为包括在本公开的主题内。

技术特征：
1.一种用于车辆的控制器的方法，其包括：确定操作所述车辆的驾驶员的驾驶员分类；基于所述驾驶员分类来预测所述驾驶员在即将来临的路段处的焦虑水平；以及基于所述驾驶员的预测焦虑水平来选择性地禁止即将来临的发动机怠速停止事件。2.根据权利要求1所述的方法，其中选择性地禁止即将来临的发动机怠速停止事件包括将所述驾驶员的所述预测焦虑水平输入到基于规则的系统中，所述基于规则的系统基于所述驾驶员的所述预测焦虑水平和一个或多个车辆传感器的输出来确定是否禁止所述即将来临的发动机怠速停止事件。3.根据权利要求1所述的方法，其还包括根据经由所述车辆的外部传感器、所述车辆的雷达系统、所述车辆的导航系统、车辆对车辆网络和远程服务器中的一者或多者获取的前瞻道路属性信息来确定所述即将来临的路段。4.根据权利要求1所述的方法，其中确定驾驶员分类包括将所述驾驶员的车辆数据和驾驶员表现数据输入到被训练以将所述驾驶员分类为多个驾驶员类别中的一者的神经网络中。5.根据权利要求4所述的方法，其中所述多个驾驶员类别通过以下各项来确定：从多个驾驶员收集驾驶员表现数据；从所述多个驾驶员收集车辆数据；创建多个向量，其中所述多个向量中的每个向量包括所述多个驾驶员中的每个驾驶员的所述驾驶员表现数据和所述车辆数据；以及将聚类算法应用于所述多个向量以建立所述多个驾驶员类别。6.根据权利要求1所述的方法，其中预测所述驾驶员在所述即将来临的路段处的焦虑水平包括：使用训练后的神经网络将所述即将来临的路段分类到一个路段类别；从数据库中检索所述路段类别的焦虑分类，其中所述焦虑分类是基于所述驾驶员分类。7.根据权利要求6所述的方法，其中所述焦虑分类是焦虑分类模型的输出，所述输出是基于音频情绪检测模型的输出、面部情绪检测模型的输出和生理情绪检测模型的输出。8.根据权利要求7所述的方法，其中：所述音频情绪检测模型将经由安装在驾驶员的车辆内部的传声器收集的所述驾驶员的音频信息作为输入；所述面部情绪检测模型将经由安装在所述驾驶员的所述车辆内部的摄像机收集的所述驾驶员的面部图像作为输入；并且所述生理情绪检测模型将经由所述驾驶员穿戴的物联网(iot)装置收集的所述驾驶员的生理数据作为输入。9.一种用于控制车辆的发动机的系统，其包括：所述车辆的所述发动机的起动-停止控制器；控制器，所述控制器具有存储在非暂时性存储器上的计算机可读指令，所述计算机可读指令在驾驶状况期间被执行时使所述控制器：部署训练后的驾驶员分类神经网络以确定操作所述车辆的驾驶员的驾驶员类别；
基于前瞻道路属性信息来确定即将来临的路段；部署训练后的路段分类神经网络以确定所述即将来临的路段的路段类别；从数据库中依据与所述驾驶员类别和所述路段类别相关联的焦虑分类模型检索所述即将来临的路段针对所述驾驶员类别的焦虑分类，所述车辆的所述驾驶员经由训练后的驾驶员分类神经网络分类为所述驾驶员类别；基于所述焦虑分类确定所述车辆的所述驾驶员在所述即将来临的路段处的预测焦虑水平；将所述车辆的所述驾驶员的所述预测焦虑水平输入到基于规则的系统中；以及基于所述基于规则的系统的输出选择性地启用或禁用所述车辆的所述发动机的所述停止-起动控制器。10.根据权利要求9所述的系统，其中所述数据库包括多个附加路段类别，每个路段类别包括多个驾驶员类别，每个驾驶员类别包括相应的焦虑分类模型。11.根据权利要求9所述的系统，其中所述指令还使所述停止-起动控制器响应于所述驾驶员的所述预测焦虑水平而被禁止，使得所述发动机在满足否则将触发怠速停止事件的一个或多个条件时保持开启。12.根据权利要求9所述的系统，其中基于在所述驾驶员的路线上行驶的在车辆网络中的第二车辆的第二驾驶员的焦虑水平来调整所述车辆的所述驾驶员的所述预测焦虑水平，其中所述第二车辆在所述车辆前方，并且所述第二驾驶员的所述焦虑水平经由车辆对车辆网络传输到所述车辆。13.根据权利要求9所述的系统，其中所述指令还使所述控制器将所述车辆的传感器的输出作为附加输入而输入到所述基于规则的系统中。14.根据权利要求9所述的系统，其中所述指令还使所述控制器响应于所述驾驶员在第一路段上的第一预测焦虑而禁止所述停止-起动控制器，并且响应于在第二路段上的第二预测焦虑，启用所述停止-起动控制器。

技术总结
本公开提供“用于自适应停止-起动禁止器的方法和系统”。提供了用于基于车辆的驾驶员在包括与增加的焦虑水平相关联的一个或多个道路属性的路段上的预测焦虑来选择性地禁止车辆的停止-起动控制器的方法和系统。在一个示例中，基于车辆的驾驶员的预测焦虑来选择性地禁止车辆的起动-停止控制器包括：确定操作车辆的驾驶员的驾驶员分类；基于驾驶员分类来预测驾驶员在即将来临的交通状况下的焦虑水平；以及基于驾驶员的预测焦虑水平来选择性地禁止即将来临的发动机怠速停止事件。禁止即将来临的发动机怠速停止事件。禁止即将来临的发动机怠速停止事件。


技术研发人员：大卫
受保护的技术使用者：福特全球技术公司
技术研发日：2021.11.03
技术公布日：2022/5/25