[0001] 本发明涉及驾校培训技术领域，具体为基于人工智能的驾培训练方法、装置及可读存储介质。

[0002] 驾校打卡计时是驾校培训过程中的一个重要环节，它确保了学员能够按照规定的学时进行学习，并提高了培训的效率和质量，驾校通常会配备打卡机，学员需要在指定的时间内到驾校进行签到和签退，打卡机会自动记录学员的学时。打卡时，学员需要将自己的学员卡插入打卡机，并根据屏幕提示进行指纹签到或密码验证。

[0003] 然而现有的打卡计时存在打卡作弊现象，部分学员可能会通过作弊手段（如代打卡、伪造学时记录等）来规避学时要求。这不仅违反了培训规定，还可能对学员的驾驶技能和安全意识产生负面影响；同时打卡计时无法真实反映学员的有效课时问题。

[0019] 下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。实施例1

[0020] 请参阅图1－图2所示，基于人工智能的驾培训练装置，用于驾校学员学习科目二和科目三的实车培训，包括车载计时终端和与车载计时终端通信连接的人工智能云平台；车载计时终端内设置有签到认证单元、定位单元、计时单元和收集分析单元；签到认证单元用于对学员进行指纹和人脸认证，认证成功后，得到认证信息，同时生成认证成功指令并发送至定位单元和计时单元，定位单元接收到认证成功指令后对车载计时终端和对应的教练车进行实时定位得到定位信息；计时单元接收到认证成功指令后，获取对应教练车的移动速度，当教练车的移动速度大于设定速度阈值时，开始计时，移动速度等于零则停止计时，同时采集该时间段内对应的教练车的教练车信息，当学员通过签到认证单元进行签退时，停止对该学员进行教练车的教练车信息采集。

[0021] 通过对车载计时终端以及教练车进行定位，确保二者位置一致，防止打卡作弊，可有效避免学员打卡位置与教练车位置不一致，导致计时不准确。

[0022] 收集分析单元用于汇总认证信息、定位信息和教练车信息并发送至人工智能平台；其中，认证信息包括认证时的指纹、人脸图片和认证成功的时间；定位信息包括车载计时终端和对应的教练车的实时位置坐标；教练车信息包括教练车的车牌号、主驾驶位的人脸视频、主驾驶位的驾驶数据和教练车预设范围内的训练数据；驾驶数据包括离合信息及熄火次数和熄火时刻；离合信息包括踩离合的时刻以及对应离合的位移，教练车预设范围内的训练数据包括教练车在每项考试项目预设区域内的车身位置和对应项目边线位置。

[0023] 人工智能平台内包括数据库、信息分析模块和执行处理模块。

[0024] 数据库用于存储认证信息、定位信息和教练车信息。

[0025] 信息分析模块用于对认证信息、定位信息和教练车信息进行分析以得到有效时长和驾培值，具体分析过程为：将车载计时终端和对应的教练车的实时位置坐标进行比对，若两者位置坐标重
合，则对主驾驶的人脸视频进行分析；
对主驾驶的人脸视频进行分析的具体过程为：将主驾驶的人脸视频分割若干帧图
片，将图片依据时间先后顺序进行排序，对图片中的人脸特征与认证信息中的人脸图片进行特征对比并判定是否为同一人，若为同一人，则将该图片标记为同人图片，若不是同一人，则将该图片标记为异人图片，然后从第一个同人图片的时刻为起始时刻，然后依次向后统计，若无异人图片，则将该人脸视频的时长标记为单实时长，若出现异人图片，则计算异人图片前一张同人图片与第一个同人图片之间的时刻差得到分时长，然后对异人图片之后的第一张同人图片为起始时刻，然后相同统计，直至将若干帧图片统计完，将所有的分时长进行求和得到单实时长；若单实时长大于设定时长阈值时，对主驾驶位的驾驶数据和教练车预设范围内的训练数据进行分析；若单实时长小于或等于设定时长阈值时，则该次计时无效，并生成相应的计时无效指令并发送至对应学员的智能终端；通过对主驾驶的人脸视频进行分析，确保学员训练为同一人，避免出现学员打卡时长与实际训练时长不一致的问题。

[0026] 对主驾驶位的驾驶数据进行分析：统计踩离合的时刻数量得到踩离合总次数，将每次踩离合的位移与预设的位移阈值进行比对，若踩离合的位移小于位移阈值，则计算两者之间的位移差得到偏阈值Δyj，j=1，2，……，n，n表示偏阈值的总数，取值为正整数；设定若干个偏阈系数PYi，i=1，2，……，10；每个偏阈系数PYi均对应一个取值范围（ai‑1，ai]，a0=0；且0＜a1＜a2＜……＜a10；即PY1=（0，a1]，PY10=（a9，a10]；若Δyj∈（ai‑1，ai]，则匹配对应的偏阈系数PYi，将偏阈值与匹配到的偏阈系数的数值代入模型 得到偏系总值LC；对熄火次数和熄火时刻进行分析：若熄火次数大于设定的次数阈值，则将熄火时刻依据时间先后顺序进行排序，计算相邻两个熄火时刻之间的时间差得到熄火间隔时长，将熄火间隔时长的数值依据先后顺序进行排序，并将排序后的数值代入折线图中得到熄火间隔时长数值对应的时长点，连接相邻两个时长点得到熄隔线，如图3所示，计算熄隔线的斜率，若斜率为负值，则将该斜率标记为第一斜率，将所有的第一斜率进行求和并取绝对值得到线降总值；在折线图中绘制时长阈线，识别熄隔线在时长阈线的下方并与时长阈线所围成的封闭区域，将其标记为低阈区，计算所有低阈区的面积并求和，将求和的数值标记为低阈总值；代入模型 输出熄基值XF；
其中，XJ1为线降总值的数值，DY2为低阈总值的数值，PJ3为所有熄火间隔时长的平均值，Pmin为最小的熄火间隔时长的数值，XH5为熄火次数的数值，cy为设定的次数阈值，η1、η2、η
3、η4、η5和η6均为预设权重因子，其大小为自定义设置；
将学员对应所有的单实时长、偏系总值和熄基值进行分别求和得到总实时长、偏
系基值和熄基总值并依次标记为£T、£LC和£XF，设定总实时长、偏系基值和熄基总值对应的预设权重为fa1、fa2和fa3；
代入预设课时分析模型YX=（£T×fa1‑£LC×fa2‑£XF×fa3+JZ×fa4）/ts得到有效
课时YX，JZ为学员的驾培值，fa4为驾培值的预设权重，ts为课时换算系数；将有效课时发送至数据库内存储，同时将学员的有效课时发送至对应的车管所的驾考预约平台。

[0027] 通过对主驾驶位的驾驶数据进行分析得到有效课时，以便于根据学员的有效课时进行报名考试，提高考试的通过率。避免现有的打卡计时不能反映出学员真实的训练时长。

[0028] 驾培分析模块用于对学员对应的教练车预设范围内的训练数据进行分析以得到学员的驾培值，具体分析过程为：对教练车预设范围内的训练数据进行识别并分割为每个考试项目的项目数据，其
中考试项目包括倒车入库、侧方停车、坡道定点停车和起步、直角转弯、曲线行驶和直线行驶等；
对每个考试项目的项目数据进行解析以得到项目训练信息，其中项目训练信息包
括每次练习对应教练车车身位置、项目边线和数量。

[0029] 对项目边线数量进行解析：当项目边线数量等于一时，依据教练车车身位置获取对应的车身边缘线，判断车
身边缘线与项目边线的位置关系，若车身边缘线超出项目边线或重叠或者交叉，则单次训练值为零，同时训练不合格次数增加一次；若车身边缘线未超出项目边线，判断两者是否平行，若平行，则计算两者之间的距离得到训练距离，将训练距离与预设距离阈值进行比对，若训练距离小于或等于预设距离阈值，则将本次训练标记为优秀训练，同时将预设固定值GD1标记为训练值，若训练距离大于预设距离阈值，则计算两者的距离差，并将距离差乘以对应的权重系数得到距偏值，将预设固定值GD1减去距偏值后的结果标记为单次训练值；若不平行，则计算车身边缘线两端距离项目边线的垂直距离分别得到端距一和端距二，将端距一和端距二的数值标记为DJ1和DJ2，代入模型GD1‑|DJ2‑DJ1|×μ1得到的结果标记为单次训练值，其中μ1为设定的权重系数；
当项目边线数量等于二时，依据教练车车身位置获取对应的两条车身边缘线，判
断两条车身边缘线与项目边缘线是否有交点，若有交点，则单次训练值为零，同时训练不合格次数增加一次；若无交点且教练车车身位置在两条项目边缘线范围内，则计算两条车身边缘线与对应项目边缘线的平均距离得到平均距离一和平均距离二，将平均距离一和平均距离二的数值标记为PJ1和PJ2，代入模型GD2/（|PJ1‑PJ2|×μ2+1）得到的结果标记为单次训练值，其中GD2为预设常数，μ2为设定的权重系数；
当项目边线数量等于三时，依据教练车车身位置获取对应的三条车身边缘线，判
断三条车身边缘线与项目边缘线是否有交点，若有交点，则单次训练值为零，同时训练不合格次数增加一次；若无交点且教练车车身位置在对应三条项目边缘线范围内，则计算三条车身边缘线与对应项目边缘线的平均距离得到平均距离三、平均距离四和平均距离五，将其依次标记为PJ3、PJ4和PJ5，代入模型GD3/(|PJ3‑PY3|×μ3+|PJ4‑PY4|×μ4+|PJ5‑PY5|×μ5+1）得到的结果标记为单次训练值，其中GD3为预设常数，PY3、PY4和PY5为三条车身边缘线对应的标准参考距离，μ3、μ4和μ5均为设定的权重系数；
当项目边线数量等于四时，则依据教练车车身位置获取对应的四条车身边缘线，
判断四条车身边缘线与对应的是否有交点并统计有交点对应车身边缘线的数量得到压线数量，若压线数量等于四，则单次训练值为零，同时训练不合格次数增加一次；若压线数量小于四，则计算没有交点的车身边缘线两端与对应项目边线的垂直距离得到端距三和端距四并标记为DJ3和DJ4，代入模型GD4/[|DJ3‑PY6|+|DJ4‑PY6|×μ6+1]‑|DJ3‑DJ4|×μ7得到没有交点的车身边缘线对应的结果，其中，GD4为预设常数，PY6为没有交点的车身边缘线对应的标准参考距离，μ6和μ7为预设权重系数，将所有没有交点的车身边缘线对应的结果进行求和得到单次训练值。

[0030] 将每个考试项目的单次训练值和训练不合格次数发送至数据库内存储；同时对学员进行驾培值分析，具体分析过程为：将每个考试项目的单次训练值依据时间先后顺序进行排序，判断相邻两个单次训
练值的大小，若在前的单次训练值小于在后的单次训练值，则计算两者之间的差值并标记为训升值，将所有的训升值进行求和得到训升总值，将所有的单次训练值进行求和并取平均值得到平均训练值，将最大的单次训练值标记为最大训练值，再将训升总值、平均训练值、最大训练值和训练不合格次数的数值按照一定比例换算为直线长度，以训升总值、平均训练值对应的直线长度构建两条垂直且中心点相交的线段，将两条线段的端点依次连接得到菱形，随机选取菱形任意一条边上的一点，以该点为起始点，作长度等于最大训练值对应直线长度且垂直于菱形的高，以菱形和高构建四棱柱，选取四棱柱的顶面，在其顶面的中心绘制预设圆形，选取预设圆形的圆心，以该圆心为起始点向四棱柱的内部作长度等于训练不合格次数对应直线长度的高，以该预设圆形和高构建圆柱，在四棱柱上将圆柱对应的实体进行挖除，如图4所示，计算剩余四棱柱的实体体积并将其实体体积的数值标记为每个考试项目的训练总值，将学员的所有已经训练的考试项目的训练总值进行求和得到学员的驾培值并发送至数据库内存储；同时将学员的每个考试项目的训练总值发送至训练策略模块。

[0031] 训练策略模块用于根据学员的每个考试项目的训练总值进行培训策略制定，具体过程为：将考试项目的训练总值与考试项目对应预设的训练阈值进行比对：
若训练总值大于或等于训练阈值，则生成“无需策略制定，请继续下个考试项目训练”的提示标签，并发送至对应学员和教练的智能终端；
若训练总值小于训练阈值，则计算两者之间的差值得到训阈差值，将训阈差值与
差值范围进行比对，差值范围包括差值范围一和差值范围二；
若训阈差值属于差值范围一，则将训阈差值乘以时长换算系数得到该考试项目的
制定时长，同时生成“依据制定时长对考试项目进行训练”，并将其与制定时长一同发送至对应学员和教练的智能终端；可避免考试项目练习过多或过少时间造成不合理的教学训练。

[0032] 若训阈差值属于差值范围二，则生成“不合格，重新学习该考试项目训练”的提示标签。

[0033] 本发明根据学员每个考试项目的训练总值进行培训策略制定，并生成相应的提示标签，以便于教练了解学员的学习进度情况，避免学习质量高的学员花费过多时间练习成熟的考试项目，造成资源浪费，以及学习质量低的学员花费不足时间在不成熟的考试项目上。

[0034] 上述模型均为自定义模型，模型中的权重系数是根据实际情况预先自定义设置，并存储在数据库中。实施例2

[0035] 本发明提供一种基于人工智能的驾培训练方法，包括以下步骤：S1：通过车载计时终端对学员进行指纹和人脸认证，认证成功后，收集认证信息，同时对车载计时终端和对应的教练车进行实时定位得到定位信息，并获取对应教练车的移动速度，当教练车的移动速度大于设定速度阈值时，开始计时，移动速度等于零则停止计时，同时采集该时间段内对应的教练车的教练车信息；
S2：将车载计时终端和对应的教练车的实时位置坐标进行比对，若两者位置坐标
重合，则对主驾驶的人脸视频进行分析得到单实时长，若单实时长小于或等于设定时长阈值时，则该次计时无效，生成相应的计时无效指令并发送至对应学员的智能终端；若单实时长大于设定时长阈值时，对主驾驶位的驾驶数据和教练车预设范围内的训练数据进行分析，分别得到有效课时和驾培值；
S3：根据学员的每个考试项目的训练总值进行培训策略制定。
实施例3

[0036] 本发明提供一种计算机可读存储介质，当所述存储介质中的指令由终端的处理器执行时，使得所述终端能够执行上述的基于人工智能的驾培训练方法。

[0037] 可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read‑Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

[0038] 由于可读存储介质部分的实施例与方法部分的实施例相互对应，因此可读存储介质部分的实施例及有益效果请参见方法部分的实施例的描述，这里暂不赘述。

[0039] 以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。