摘要：本发明涉及车辆运营的技术领域，特别是涉及一种插电式混合动力节能减排操作法，其能够使车辆的驱动方式在电能和燃气之间灵活转换，解决司机手动转换的问题，降低车辆能耗，便于车辆管理，提高实用性；插电式混合动力节能减排操作法，包括速度监测单元实时监测车辆的实时速度，并将车辆实时速度发送；电量监测单元实时监测车辆剩余电量，并将实时电量发送；启停单元接收电量监测单元发送的车辆实时电量，当车辆实时电量高于预先设定的电量阈值时，生成“启动”指令并发送；当车辆实时电量不高于预先设定的电量阈值时，生成“暂停”指令并发送；系统处理单元，用接收启停单元发送的“启动”指令和“暂停”指令，若接收到“启动”指令。

摘要：本公开提供了一种可与车外人员进行自主交互的自动驾驶模型和训练方法。本公开涉及自动驾驶技术领域。自动驾驶模型包括用于连接组成端到端神经网络模型的多模态编码层和决策控制层，决策控制层基于多模态编码层的输出获取自动驾驶策略信息，多模态编码层的第一输入信息包括车辆的导航信息和利用传感器所获得的车辆周围环境的感知信息，多模态编码层用于获取与第一输入信息相对应的隐式表示，决策控制层用于至少基于交互信息和感知信息的隐式表示获取自动驾驶策略信息。自动驾驶模型可以基于周围环境，以及交互信息的内容确定自动驾驶策略信息，从而使得车辆的驾驶行为能够适应车辆外部的人员的要求。

摘要：本公开提供一种融合文本数据和自动驾驶数据进行模型训练的方法和车辆。涉及自动驾驶技术领域。训练方法包括：利用文本数据对自动驾驶模型进行训练，然后利用样本自动驾驶数据进一步训练自动驾驶模型。由此，通过融合文本数据和自动驾驶数据对自动驾驶模型进行训练，使得模型在学习自动驾驶能力的过程中同时能够学习到文本隐含的逻辑能力，获得更具泛化能力的思维链式推理能力，在面对复杂场景和极端情况时能准确地做出相应决策，从而提升自动驾驶的安全性和使用体验。

摘要：本公开提供了一种自动驾驶模型、训练方法、自动驾驶方法和车辆。涉及自动驾驶技术领域。自动驾驶模型包括用于连接组成端到端神经网络模型的多模态编码层和决策控制层，决策控制层直接基于多模态编码层的输出获取自动驾驶策略信息，多模态编码层的第一输入信息包括车辆的导航信息和利用传感器所获得的车辆周围环境的感知信息，多模态编码层用于获取与第一输入信息相对应的隐式表示，决策控制层用于至少基于输入的隐式表示获取自动驾驶策略信息。由此，能够实现感知‑决策一体化的自动驾驶技术，使得感知直接对决策负责，摆脱对高精地图的依赖，减少误差累积，解决预测和决策之间的耦合问题，并且克服结构化的预测信息容易导致规划失败的问题。

摘要：本公开提供了一种自动驾驶模型、训练方法、装置和车辆。涉及自动驾驶技术领域。模型包括连接组成端到端神经网络模型的多模态编码层和决策控制层。方法包括：获取真实驾驶数据；基于真实感知信息获取真实自动驾驶策略信息；将真实驾驶数据输入多模态编码层，将多模态编码层的输出输入决策控制层，预测自动驾驶策略信息；可选的，将多模态编码层的输出输入未来预测层，获取车辆周围环境的未来预测信息；基于预测和真实自动驾驶策略信息、未来预测信息，调整自动驾驶模型的参数。由此，能够利用未标注的真实驾驶数据对自动驾驶模型进行训练，保证决策效率，使得自动驾驶行为能够很好对齐到人类乘客的偏好，并且避免冷启动的漫长学习过程。

摘要：本公开提供了一种包括人工干预预测的自动驾驶模型、训练方法、电子设备和车辆，计算机技术领域，尤其涉及自动驾驶和人工智能技术领域。实现方案为：一种包括决策控制层的自动驾驶模型，所述决策控制层被配置成用于基于输入的第一输入信息输出目标自动驾驶策略信息以及人工干预预测，其中所述人工干预预测指示是否需要人工干预当前驾驶过程。根据本公开的一个或多个实施例，通过配置自动驾驶模型对是否需要人工干预的情况进行预测，同时对需要人工干预的情况和人工干预预测不准的情况进行惩罚，使得自动驾驶模型能够学习到如何判断是否需要人工干预并进一步能够学习尽量避免人工干预的情况，从而提高自动驾驶模型的效果。

摘要：本公开提供了一种输出解释信息的自动驾驶模型、模型训练方法和自动驾驶车辆，涉及计算机技术领域，尤其涉及自动驾驶和人工智能技术领域。自动驾驶模型包括决策控制层和解释层，决策控制层用于基于第一输入信息输出自动驾驶策略信息，解释层用于基于第一输入信息和自动驾驶策略信息输出针对自动驾驶策略信息的解释信息，解释信息能够表征自动驾驶策略信息的决策分类，第一输入信息与车辆的导航信息和针对车辆周围环境的感知信息相关。由此，能够向乘员提供与目标自动驾驶策略信息相关的解释信息，提升自动驾驶策略的可解释性，使得乘员能够了解当前自动驾驶策略所对应的说明或原因，从而提升用户体验。

摘要：本公开提供了一种输出解释信息的自动驾驶模型、模型训练方法和自动驾驶车辆，涉及计算机技术领域，尤其涉及自动驾驶和人工智能技术领域。自动驾驶模型包括决策控制层和解释层，决策控制层用于基于第一输入信息输出自动驾驶策略信息，解释层用于基于第一输入信息和自动驾驶策略信息输出针对自动驾驶策略信息的解释信息，解释信息能够表征自动驾驶策略信息的决策分类，第一输入信息与车辆的导航信息和针对车辆周围环境的感知信息相关。由此，能够向乘员提供与目标自动驾驶策略信息相关的解释信息，提升自动驾驶策略的可解释性，使得乘员能够了解当前自动驾驶策略所对应的说明或原因，从而提升用户体验。

摘要：本公开提供一种具备人类专家驾驶能力的自动驾驶模型、训练方法和车辆。涉及自动驾驶技术领域。模型包括驾驶能力和连接的多模态编码层和解码层。方法包括：获取真实驾驶数据、真实自动驾驶策略信息以及真实干预和评价反馈信息；将真实驾驶数据输入多模态编码层，解码层基于多模态编码层的输出进行预测；基于预测和真实的自动驾驶策略信息以及干预和评价反馈信息，调整自动驾驶模型参数。由此，基于真实驾驶数据和相应的真实干预、评价反馈信息进行模型训练，使得基于模型的自动驾驶能力能够很好对齐到人类乘客期待的安全、舒适及高效乘车体验，实现具备人类专家驾驶能力的自动驾驶模型和车辆。

摘要：本公开提供了一种能够遵循指令进行自主脱困的自动驾驶方法、装置和车辆，涉及计算机技术领域，尤其涉及自动驾驶和人工智能技术领域。自动驾驶方法，包括：获取输入信息；对输入信息进行编码，以得到与输入信息对应的输入张量；对输入张量进行自回归推理以得到用于当前时刻之后的第一时刻的隐状态；以及基于第一时刻的隐状态进行解码，以得到用于第一时刻的交互信息和用于第一时刻的自动驾驶决策信息。第一时刻的交互信息包括用于指示自动驾驶过程需要协助的信号。由此，可以使用自然语言交互的提示信息指导自动驾驶模型对车辆进行控制，实现车辆脱困方案的快速产生，同时车辆能根据脱困方案指令进行自主脱困。

摘要：本公开提供了一种基于时序递归自回归推理的自动驾驶模型、方法、装置和车辆，涉及计算机技术领域，尤其涉及自动驾驶和人工智能技术领域。自动驾驶模型中的编码层被配置成对当前时刻的传感器信息进行编码，以得到当前场景表示；轨迹规划层被配置成根据当前时刻的历史场景表示确定从当前时刻到未来时刻的驾驶轨迹；推理层被配置成根据当前场景表示、历史场景表示以及当前提示信息确定至少一个未来时刻的预测场景表示和未来时刻的历史场景表示，其中提示信息至少包括驾驶轨迹。由此，自动驾驶模型可以利用一体化的推理层实现历史信息的学习和未来信息的预测，从而使得模型能够在学习历史的同时进行未来预测，提高模型的预测效果。