1.一种基于元数据驱动与因果分析理论的驾驶情境推理方法,其特征在于:其方法包括的步骤如下:第一步、整合多源感知元数据,具体步骤如下:
步骤一、元数据表征框架构建;
步骤二、智能体元数据整合;
步骤三、交通情境元数据整合;
第二步、分析人机协同系统驾驶情境因果认知机理,具体步骤如下:
步骤一、驾驶员因果认知机理分析;
步骤二、自驾系统因果认知机理分析;
步骤三、人机协同系统因果认知耦合机理分析;
步骤四、人机协同系统因果分析综合模型;
第三步、构建驾驶情境推理模型,具体步骤如下:
步骤一、多目标驾驶情境学习框架;
步骤二、基于记忆元数据的扩展驾驶情境网络;
步骤三、动态模糊逻辑推理;
步骤四、元数据融合推理;
第四步、构建人机协同情境演化评估体系,具体步骤如下:
步骤一、人机协同情境演化规律分析;
步骤二、基于时空规律的情境推推理;
步骤三、目标态势预测;
步骤四、情境演化评估结果整合。
2.根据权利要求1所述的一种基于元数据驱动与因果分析理论的驾驶情境推理方法,其特征在于:所述的第一步各步骤中的环节如下:第一步步骤一中的具体环节如下:
环节一、元数据建模,该环节通过对元数据进行建模,使该模型能够描述各数据源所提供数据的数据特征、数据属性以及与场景感知功能关联的数据源与数据字段,元数据建模包含以下三个部分:针对具体的每一个数据源,元数据模型包含数据源的名称、连接信息和不同结构数据对应的数据处理算法接口的数据源模型;针对基于多源传感数据实现的场景认知功能中的任一具体功能,如对象检测与识别功能,元数据模型包含功能名称、与该功能关联的数据名称、在该功能下各类型数据的关联信息及顺序信息等信息的功能与数据源关联模型;针对任一功能与其对应的其中任一数据源的具体数据字段,如数据融合功能所需的相机采集的部分图像数据,元数据模型包括数据源信息、数据字段信息和功能信息的功能与数据字段关联模型,因此,该环节的输入信号为各传感器输入的数据源数据以及根据功能的数据调用信号;输出信号为各功能与数据源间的访问关系;
环节二、元数据基准表构建,该环节通过建立存储各数据源的技术元数据信息表来描述对数据源的基本信息,数据源表包含自增主键、用于识别的数据源ID、用于区分不同数据源的数据源名称及数据源对应的用于解析数据的适配器名称、数据源的数据连接地址;多源传感器数据源名称有:相机数据源、激光雷达数据源、毫米波雷达数据源、惯性传感器IMU数据源和GPS数据源;
环节三、元数据映射表构建,该环节通过建立元数据映射表来描述功能与数据源间的关联关系,元数据映射表包含自增主键、用于区分不同功能的功能ID和名称、同一功能与一个或数个数据源关联时的关联数据源ID和名称以及同一功能关联多数据源时数据源的先后顺序;
环节四、域映射表构建,该环节通过建立域映射表来描述功能与数据字段之间的关联关系,某一功能的实现只需要不同数据源下的部分信息,该表则针对性地构建功能与具体字段间的映射关系,域映射表包含自增主键、数据字段名称、数据的输入输出类型、数据字段关联的功能ID及名称、数据字段的归属数据源ID及名称;
在多元传感器数据源中,数据以如下格式进行存储:
1)相机数据源:
相机采集到的每一帧数据以二维数组形式存储,每个元素存储的数据为[RGB颜色数据,灰度数据],每一帧数据附带时间戳;
2)激光雷达数据源:
激光雷达原始数据通过用户数据包协议接收,以数据包形式存储,数据格式如下:数据长度固定为1248字节,前48字节为数据包标识,后1200字节为12组长度为100字节的数据包,每个数据包中包含激光束的旋转角度、距离、反射强度信息,最后6字节分别为长度2字节的时间戳和4字节的雷达型号;
3)毫米波雷达数据源:
毫米波雷达原始数据通过用户数据包协议接收,以数据包形式存储,数据格式如下:毫米波雷达数据包的前32字节为起始帧标识,后续为n个数据包,每个数据包中包含目标距离、速度、角度、目标尺寸和目标强度信息,最后为2字节的时间戳与4字节的结束帧标识;
4)惯性传感器IMU数据源:
数据以CSV文件存储,表头为:时间戳、加速度X、加速度Y、加速度Z、陀螺仪X、陀螺仪Y、陀螺仪Z;
5)GPS数据源:
数据以CSV文件存储,表头为:时间戳、经度、纬度、高度;
多元传感器数据源域映射表中,数据字段名称有:
1)相机数据源中:元素位置信息、RGB色彩信息、灰度信息、时间信息;
2)激光雷达数据源中:时间、X坐标、Y坐标、Z坐标和点的反射强度;
3)毫米波雷达数据源中:时间、目标ID、距离、速度、角度、目标尺寸和目标强度;
4)惯性传感器IMU数据源中:时间、车辆加速度、车辆角速度和车辆方向;
5)GPS数据源中:车辆所在位置的经度、纬度、高度和时间;
第一步步骤二中的具体环节如下:
环节一、智能体元数据引擎,在环境感知过程中,本车的运动、位置数据的采集与计算是重要的一环,本环节针对智能体数据的调用需求建立智能体元数据引擎,以实现对智能体数据的统一调度,智能体元数据引擎接收各功能传来的数据查询或变更信号,通过元数据模型实现对GPS数据以及IMU数据的访问,进而完成对数据的抽取及变更,因此,该环节的输入信号为环境感知过程对智能体数据的需求;输出信号为根据功能需求提取和变更的数据;
环节二、数据查询接口,环境感知过程下的具体功能实现需要本车数据作为输入时,数据查询接口接收功能对应的ID,通过元数据模型查询与具体功能相关联的元数据,根据元数据查找对应的单数据库数据或数个数据库数据,因此,该环节的输入信号为各功能所对应的ID;输出信号为根据功能需求提取的数据;
环节三、数据变更接口,该环节用于将经过各功能处理的数据反馈给各数据源,实现环境感知需要将智能体数据与驾驶情景数据进行融合从而进行下一步计算,同时智能体数据也需要回传到数据源中作为数据备份,用于实现后续的数据分析和算法改进、数据验证和调试、训练和机器学习以及安全和追溯,因此,该环节的输入信号为各功能所对应的ID;输出信号为已经过一定程度的处理、用于备份的数据;
环节四、智能体异构数据源的数据交互,在按功能查询到数据后,将IMU采集到的以文本形式进行读取,使用CSV文件的解析库来读取和解析IMU的加速度、角速度和方向数据,和GPS采集到的车辆经度、纬度、高度和时间信息;将解析后的数据输入到具体功能对应多元传感器数据融合算法中完成后续的异构数据交互;
第一步步骤三中的具体环节如下:
环节一、交通情景元数据引擎,本环节针对交通情景数据的调用需求建立交通情景元数据引擎,用于环境感知这一实时过程下各功能对交通情景多源传感数据的不同需求的统一调度,交通情景元数据引擎接收各功能传来的数据查询信号,通过元数据模型实现对数据访问从而实现对数据的查找,经查找与处理后的数据作为本环节的输出信号传递到具体的功能算法模块;
环节二、安全模块接口,本环节对于通过通信获取的数据进行审批,以保障数据安全,预先将车车通信、车云通信的数据来源、数据格式、通信协议、加密协议进行分类整理,当接收到外来信息时,将数据依次按照分类整理结果进行审批,只有通过四次审批才能继续完成数据传递,否则数据无效,通过对数据的审批与筛选实现对数据的安全过滤,去除不可信数据,保证信息安全;
环节三、数据适配接口,由于传感器种类众多,采集到的交通场景数据种类多,如图像数据、点云数据、位置数据和车辆运动参数,数据具有较强的异构性,因此需要对查询到的数据进行融合处理,多源传感器数据以二进制形式或文本形式存储,根据元数据基准表中的适配器信息对不同格式的数据匹配相应的适配器,从而对数据格式进行解析;
环节四、交通情景异构数据源的数据交互,不同传感器具有不同的坐标系,首先通过传感器参数标定将各个传感器数据转换到同一个坐标系中进行处理;其次对不同传感器的数据进行校正、去噪、滤波、畸变校正处理,以消除不同传感器的系统误差和噪声;随后从不同传感器的数据中提取特征信息,将多源传感数据在时间和空间上进行匹配,从而将不同传感器采集到的数据进行关联;随后使用卡尔曼滤波器算法将关联的数据进行融合,以矩阵格式输入算法中,以获得更准确的环境信息;最后通过对融合后的数据进行状态估计,得到车辆周围环境的准确描述,即周围车辆位置、速度、姿态以及周围障碍物的位置、速度、形状,因此,该环节的输入信号为交通情景多源异构传感数据;输出信号为融合处理后的交通情景描述。
3.根据权利要求1所述的一种基于元数据驱动与因果分析理论的驾驶情境推理方法,其特征在于:所述的第二步各步骤中的环节如下:第二步步骤一中的具体环节如下:
环节一、基于多元时序数据的转移熵因果关系模型,驾驶过程中常见的人机因果认知特征变量包括:方向盘转角、方向盘转速、制动踏板位置及变化率、加速踏板位置及变化率、转向灯使用时间;车辆纵向速度及加速度、横向速度及加速度、车身横摆角、横摆角速度;与前车的车距、相对速度、TTC、自车道偏离程度、前车车灯状态;交通信号灯状态、交通标志、行人运动状态、行人距离;
通过转移熵的方法建立上述人机因果认知特征变量因果关系,对于上述任意两变量X和Y,转移熵公式通过信息熵与条件熵得到;
信息熵由公式(1)表示:
Η(X)=‑∑Ρ(x)log2Ρ(x) (1)
式中x表示变量X的所有可能值,P(x)代表随机变量X取值为x的概率;
条件熵由公式(2)表示:
Η(X|Y)=‑∑∑Ρ(x,y)log2Ρ(x|y) (2)
由H(X)和H(Y)得到转移熵,公式(3)定义了变量Y到X的转移熵TY→X:
(k)
式中,xt和yt表示两变量在时间t的值,xt =[xt,xt‑1,…,xt‑k+1]表示过去k个时刻x的所有值,yt(l)=[xt,xt‑1,…,xt‑l+1]表示过去l个时刻y的所有值,转移熵的数值反映了两变量间信息流动的关系,因两变量的转移熵是不对称的,故两变量间的因果关系需要用式(4)来表示:TX,Y=TX→Y‑TY→X (4)
若TX,Y<0,则变量X是变量Y的结果,反之则变量X是变量Y的原因,将本环节总结的人机因果认知特征变量进行因果关系计算,得到因果关系矩阵N,以此矩阵作为图结构中的邻接矩阵,从而构造出图中节点间的边;
环节二、基于多元时序数据的卷积特征提取模型,第二步的步骤一的环节一中所述变量的数值来源于真实的驾驶情境,与驾驶规则、驾驶习性强关联,随时间成规律性变化,因此需要对多元时序数据进行周期性处理,本环节利用多个不同尺度的深度可分离卷积对同一特征的不同时刻信息提取,并利用卷积核为1×m的一次卷积将不同通道的信息聚合,其中m是通道数,从而得到时间序列数据的特征在所有时间周期上的信息合并,该过程如式(5)、(6)所示:hi=ReLU(Wi*x+bi) (5)
式中hi表示神经网络第i层的输出,Wi为权重向量,bi表示偏置向量,*表示卷积运算,ReLU是非线性激活函数,⊕表示串联运算;
环节三、基于数据融合的图注意力网络模型,利用环节一得到的人机因果认知特征时序变量间的因果关系矩阵和环节二得到的每个变量节点下的特征矩阵共同构造出的图结构,本环节使用图注意力网络在统一的框架中表示图形的结构和节点内容,并为领域节点赋予不同权重;
在图注意力网络中,图中节点的表示形式如式(7)所示:
(l+1)
其中zi 为节点i的输出表示,N(i)为i的邻居节点,σ为非线性函数,αij表示代表邻居节点重要性的系数,W为权重,节点重要性系数从属性值和拓扑距离两方面进行计算,在属性值方面,注意力系数αij由式(8)表示:式中,Wxi,Wxj为第i个输入和第j个输入的权重, 为缩放因子;
在拓扑距离方面,根据相邻节点以及节点间的边来计算目标节点,采用t阶相邻节点来获得邻近矩阵M:
2 t
M=(B+B+…+B)/t (9)
式中,B为转移矩阵,M为两节点的t阶拓扑相关性,t为超参数;
将注意力系数归一化处理并加入拓扑权重M和激活函数LeakyReLU函数后,注意力系数表示为:其中δ为激活函数,Mij为两节点的t阶拓扑相关性;
将已采集到的人机因果认知特征变量时序数据作为输入,图注意力网络最终输出维数为1的驾驶员操作数据作为预测结果;
环节四、典型场景下驾驶员因果认知机理分析,在以下典型驾驶场景中:1)沿本车道行驶的驾驶场景:直线行驶驾驶场景、弯道行驶驾驶场景、跟车驾驶场景、前车切入/切出驾驶场景;2)变道驾驶场景:超车驾驶场景、地形变化驾驶场景、车道封闭驾驶场景;3)通过红绿灯路口的驾驶场景:直行驾驶场景、转向驾驶场景、掉头驾驶场景;4)匝道驾驶场景;5)泊车驾驶场景,第二步的步骤一的前三个环节以多元人机因果认知特征变量时序数据为输入,得到具有因果关系的对驾驶员操作行为的推理,在每一类典型驾驶场景下,依照驾驶常识、认知逻辑、法律条文将推理得到的驾驶员操作特征进行分类汇总,得到在不同场景下的驾驶员操作规律,进而分析驾驶员因果认知机理;
第二步步骤二中的具体环节如下:
环节一、基于多元时序数据的自动驾驶认知因果关系框架,在自动驾驶系统对驾驶情境的理解及响应中,用于因果认知机理分析的多元变量有:节气门开度、制动压力、方向盘转角、方向盘转角变化率;车辆纵向速度及加速度、横向速度及加速度、车身横摆角、横摆角速度;与前车的车距、相对速度、TTC、自车道偏离程度、前车车灯状态;交通信号灯状态、交通标志、行人运动状态、行人距离;
本环节采用Lasso回归对变量进行选择从而降低变量维数,同时需要建立一个回归模型即可进行所有输入变量与目标变量之间的因果分析,假设节气门开度为响应变量,该变量的时间序列表示为式(11):T
Y=(y1,y2,...,yn) (11)
将其他变量列为协变量,如式(12):
1 2 n
X=(X ,X ,...,X) (12)
普通线性模型表示为式(13):
Y=Xβ+ε (13)
i i i I T
对于其中的每一个协变量Xj,X =(X1 ,X2 ,…,Xn) ,ε为随机误差项,β为回归系数,对普通线性模型加入L1惩罚项进行变量选择,从而实现变量数据降维,对于普通线性模型的Lasso估计为式(14):式中,等号右侧第二项为L1惩罚项,λ为调节系数,使用Lasso回归能够方便计算复杂维度下的因果关系,初步筛选出与自动驾驶系统响应变量有较强因果关系的变量;
环节二、基于多元时序数据的认知感知器,使用TensorFlow深度学习框架构建多输出多层感知器神经网络模型,定义模型的输入层、隐藏层和输出层,输出y为前一层与y连接的节点的加权和,如式(15)所示:式中,xi为前一层节点的输入,wi为权重系数,b为偏差,Act为非线性激活函数,用于触发节点激活,用均方误差构建损失函数C(w,b),用多元时序数据训练模型,通过反向传播算法进行权重和偏置的调整来最小化损失函数,反向传播过程如式16、17所示:其中,α是学习率,迭代这个梯度算法直到成本收敛;
本环节的输入信号为已筛选的具有较强因果关系的多元时序数据,输出信号为训练好的多层感知器模型;
环节三、基于多元时序数据的卷积神经网络,对自动驾驶因果认知机理分析的多元时序变量数据进行预处理,一维数据进行归一化处理,数维数据进行标准化处理;构建卷积神经网络模型:构建适用于处理混合多元时序数据的卷积神经网络模型,模型的输入符合一维数据和数维数据的特点,使用一维卷积层处理一维数据,使用二维或三维卷积层处理数维数据,将卷积层处理的数据输入到池化层中提取关键特征,再将关键特征输入全连接层,用以捕捉全局特征和建立特征与输出之间的关系,最后将处理好的数据集输入模型中进行训练,对模型进行优化,提高模型性能,本环节的输入信号为已筛选的具有较强因果关系的多元时序数据,输出信号为训练好的多层感知器模型;
环节四、典型场景下自动驾驶系统内果认知机理分析,在典型驾驶场景中,第二步的步骤二的前三个环节以多元自动驾驶因果认知特征变量时序数据为输入,得到对自动驾驶系统响应的预测,在每一类典型驾驶场景下,依照驾车辆动力学模型、驾驶常识、认知逻辑、法律条文将预测得到的自动驾驶系统响应特征进行分类与汇总,得到在不同场景下的自动驾驶系统响应规律,进而分析自动驾驶系统因果认知机理;
第二步步骤三中的具体环节如下:
环节一、人机因果关系特征提取,在传感器采集到的数据中,将驾驶员操作数据、自动驾驶系统响应数据、驾驶场景数据进行提取,其中各类数据具体包括:
1)驾驶员操作数据:驾驶员施加给方向盘的扭矩、驾驶员施加给加速踏板的压力、驾驶员施加给制动踏板的压力、驾驶员换挡操作;
2)自动驾驶系统响应数据:方向盘转向信号、制动信号、变速信号、换挡信号;
3)驾驶场景数据:本车的位置、速度、加速度、姿态数据以及经元数据引擎处理后的车辆周围环境的准确描述,即周围车辆位置、速度、姿态以及周围障碍物的位置、速度、形状;
根据第二步中步骤一和步骤二得到的因果关系的强弱,对数据进行筛选,以获得因果关系较强的数据,进而获取驾驶场景中重要场景元素的数据特征;并对数据间的因果关系进行统一化标注,包含:前车减速使本车减速、前车制动使本车减速、前方通过斑马线使本车减速、前方出现行人使本车减速和交通信号灯变红使本车制动,并将标注进行汇总得到场景元素的标签特征;
环节二、人机因果认知特征表示学习模型,将同一场景下主体的数据特征xsd和标签特征xsl进行处理使其保持维度一致,随后对特征进行拼接处理得到新的对象特征ts,对客体特征进行同样的操作得到客体的对象特征to,将对象特征送入基于Transformer的特征表示学习模型得到ts’和to’;主体与客体的数据特征经过uso=Union(xsd,xod)联合操作得到组合框特征,最后对学习后的主体对象特征、组合框特征以及学习后的客体对象特征进行拼接操作得到关系特征xtri=[ts’,uso,to’],对各类数据进行训练后得到所有的关系特征,本环节得到的关系特征将进入关系分类器中进行分类;
环节三、因果认知耦合机理生成模型,在典型驾驶场景下,驾驶员和自动驾驶系统的操作是对驾驶场景进行综合判断后的响应,需要典型场景中的全部场景特征,与此同时,驾驶员与自动驾驶系统需要相互配合共同完成驾驶任务,所以针对每一个典型驾驶场景,提取场景内全部特征Xsc,主体的对象特征Xs和客体的对象特征Xo,这里的主体对象和客体对象为该场景内任意两个具有因果关系的对象,如前车与本车、车道线与本车,之后将主体特征与场景特征进行融合,得到融合场景的主体对象特征Xs’=f(Xs,Xsc),同样对客体特征进行处理得到融合场景的客体对象特征Xo’=f(Xo,Xsc),随后将Xs’和Xo’送入基于Transformer的特征表示学习模型,对学习后的对象特征进行拼接处理,任取两对象构成关系对,输出各场景下的全部主体、关系、客体分布网络,建立因果认知耦合机理生成模型;
第二步步骤四中的具体环节如下:
环节一、典型场景下多元数据因果关系模型,将步骤一中典型场景下人机因果认知特征变量作为模型输入,进而构建初始有向无环图,其中每个节点表示一个变量,有向边表示变量之间的因果关系,对于每个节点,通过步骤一确定的因果关系强弱构建条件概率表,条件概率表反映了每个节点在给定其父节点条件下的概率分布,用来表示节点与给定父节点间的因果关系,从而构成基于人机因果认知特征变量的贝叶斯网络模型,同理,对步骤二中典型场景下的自驾系统因果认知特征变量进行同样操作,构建基于自驾系统因果认知特征变量的贝叶斯网络模型;
检查两个贝叶斯网络模型中的变量,并确定它们之间的公共变量,在两个模型中的公共变量之间建立有向边,以表示它们之间的因果关系,使两个模型通过这些边相互连接,建立公共变量的条件概率表,对两个模型中涉及公共变量的节点的条件概率表进行修正,确保两个模型中共享的变量在计算条件概率时具有一致的参数,从而得到典型场景下多元数据因果关系模型;
环节二、典型场景下人机认知效能模型,定义用于评估人机认知效能的度量指标,这些指标包括驾驶员的响应时间、自动驾驶系统的响应时间、响应质量,在各典型场景下进行试验,收集驾驶员行为数据、感知数据和车辆状态数据并提取数据特征,使用支持向量机算法将提取的特征与相应的认知效能指标进行关联,完成数据训练,利用数据训练结果筛选与认知效能关联度高的数据,利用人机因果认知特征表示学习模型中得到的主要关系分类和典型场景下的全部主体、关系、客体分布网络,找出在典型场景下与各数据类型相关联的主体或客体,利用回归分析对认知效能与各响应数据关联的主、客体特征进行计算,得到典型场景下因果认知耦合的人机认知效能模型;
环节三、人机协同系统因果认知分析模型,将典型场景下多元数据因果关系模型和人机认知效能模型融合在一起,建立统一的模型框架,以基于人机因果认知特征变量的贝叶斯网络模型和基于自驾系统因果认知特征变量的贝叶斯网络模型为基础,将其扩展为一个综合的因果认知网络,考虑到两个环节的公共变量,通过建立有向边连接两个模型中的公共变量,表示其之间的因果关系;
提取人机协同系统在各典型场景下的试验数据的数据特征,并使用支持向量机算法,将提取的特征与人机认知效能的度量指标进行关联,利用数据训练结果确定各节点与子节点间的条件概率,同时,对涉及公共变量的节两点的条件概率表进行修正,以确保两个模型中共享的变量在计算条件概率时具有一致的参数,不断扩展和更新模型的使用范围。
4.根据权利要求1所述的一种基于元数据驱动与因果分析理论的驾驶情境推理方法,其特征在于:所述的第三步各步骤中的环节如下:第三步步骤一中的具体环节如下:
环节一、驾驶情境元素归纳及语义分析,根据驾驶情境的组成对驾驶情境元素进行归纳,主要有以下类别:
1)驾驶模式:驾驶模式是指汽车中用于控制车辆行驶的方式和行为,有跟驰、换道;
2)驾驶意图:驾驶意图指的是驾驶者在驾驶过程中的意图和目的,它表示驾驶者希望通过特定的行动或动作来实现某种目标,例如,当驾驶者打开转向灯并接近路口时,可以推断其驾驶意图是准备转弯;
3)驾驶行为:驾驶行为指由驾驶人或自动驾驶系统控制下车辆的运动行为,包括加速、制动和转向;
4)交通参与物和交通标志物;
5)道路条件和天气状况;
首先通过卷积神经网络模型对驾驶情境中的实体元素进行预训练,为各类实体元素进行识别与分类,其次利用支持向量机模型训练关系抽取模型,用于驾驶情境中的实体元素与规则元素间的关系,如交通灯为红灯时,车辆不能越过停止线,通过预训练的语义角色标注模型,对句子中的语义角色进行标注,最后利用语义解释模型将文本或语音信息转化为机器能够理解的语义表示;
环节二、属性约束规范,在特定驾驶情境下,将驾驶情境元素、元素的属性及各元素的约束条件进行规范,其中元素的约束条件包括交通规则、道路条件、车辆状况以及驾驶者的行为,以车辆沿直行车道驶近红绿灯路口时,交通信号灯为红灯,此时车辆减速的情况作为一实施例,车辆减速对应的可能驾驶行为有低速行驶或停车,由于车辆在直行通道内,驾驶行为只有正常行驶或停车等待信号灯,行驶需要受直行信号灯限制,红灯禁止车辆通行,因此,车辆减速的目的是停车等待信号灯变化;
环节三、逻辑归结完备性分析,首先,将每个约束条件转化为逻辑表达式或命题逻辑形式,确保每个约束条件都能精确地被表达为逻辑语句,并使用逻辑符号来表示关系;其次,检查构建的逻辑表达式是否完备,即是否覆盖了所有可能的情况和约束条件,确保逻辑表达式能够涵盖驾驶情境中所有的可能性;检查逻辑表达式中元素之间的关系是否正确,确保逻辑关系准确地反映了驾驶情境中元素之间的实际关系,最终通过测试实际的驾驶情境案例,验证逻辑表达式的准确性和完备性,如果逻辑表达式能够正确预测和描述驾驶情境中的元素和约束条件,那么可以认为逻辑归结是完备的;
第三步步骤二中的具体环节如下:
环节一、瞬态记忆与长期记忆结构,为构建拓展型驾驶情境语义网络,本步骤采用仿照大脑的记忆模式,瞬态记忆负责暂时存储推理信息,而长期记忆则存储所有接收到的事实和大概率推论;
长期记忆作为一个大型的扩展型语义网络,存储着从输入文本获得的事实依据和经过推理的具有较高概率的信息,由于长期记忆的生成交通规则和根据大量驾驶数据训练得到的交通经验,在调用时查找困难,所以通过元数据的方式对其进行索引和调用;
瞬态记忆是一个小型扩展性语义网络,瞬态记忆从输入的文本中提取驾驶情境元素的实体与关系,并对其进行简单的构建,并从长期记忆中提取相关联的、具有发生的可能性的实体与关系,为了推理的需要,将瞬态记忆中的关系增加了反向边来表示另一种语态;
瞬态记忆构建完成后,将文本信息进行推理,推理结果向其它子模块发送,该瞬态记忆网络自动删除,如果瞬态记忆推理得到的关系是事实依据,那么直接把该关系和相关实体存储到长期记忆中;如果是推导的结论,如果概率大于80%,则存储到长期记忆中,否则不存储到长期记忆中;
环节二、记忆网络定义;
在对当前驾驶情境进行语义分析后,驾驶情境以句子形式S={S1,S2,…,Sn}呈现,将一系列句子中主语中心词或者宾语中心词提取为V’={vk|k=1,2,…,n},将关系词提取为E’={ed(vi,vj)|d=1,2,…,n};G’={V’,E’}构成包含S的扩展型语义网络,其中以V’为顶点,E’为边;
环节三、记忆顶点与边定义;
扩展型语义网络中的顶点包括句子中的实体名称、识别码及相关属性,实体为句子中的主语和宾语,表示驾驶情境中的概念实体,如车、车道线和行人,以车为代表,车属于一个种类,在多车辆驾驶情境中,为了将车辆区分开,需要为每个车辆赋予特定的识别码用以区分和标识,车辆的类型、车速和车距的信息则记录在相关属性中,为了方便查询和调用,将实体名称、实体名称ID、标识码ID和属性ID信息存储于元数据基准表、元数据映射表和域映射表中;
扩展型语义网络中的边代表两实体之间的偏序关系,偏序关系的关键属性有:
1)关系名称:使用句子中的关系连接词作为关系名称;
2)事实依据指示器:用来指示语义网的边是否可以作为推理模型的事实依据;
3)关系的发生概率:通过对关系设置一定概率能够衡量句子的真实性,当这个概率高于设定的阈值时,这个关系2这条边将被保留,否则被删除;
4)关系的发生时间和延续时间:关系的发生时间和持续时间将对因果推理产生重要影响,需要进行存储来确定关系发生的先后顺序;
5)一元关系和二元关系:在扩展型语义网络中,边表示所有的二元关系,其中包含了方向和目的,对于只有主谓结构的句子,如“车停了”,在这种没有宾语的情况下,假设存在虚拟的宾语,用主语本身表示这个虚拟的宾语,即关系从主语出发又回到主语;
6)两顶点的多种关系:驾驶情境中的任意两元素之间可能存在着多种关系,这种情况下两定点之间能够存在多条边;
同样,将关系名称、关系名称ID、关系属性ID存储于元数据基准表、元数据映射表和域映射表中;
环节四、自适应贝叶斯驾驶情境网络,基于驾驶情境的扩展型语义网络中的实体事件的集合为E=[Ei],根据元数据基准表顺次查询并提取事件Ei,并选取所有包含Ei的两节点贝叶斯置信网,加入贝叶斯置信网集合B中,根据事实依据的关联性将实体事件分组,并将其对应的二节点贝叶斯置信网集合合并,筛选出与事实依据相关联的二节点贝叶斯置信网,降低推理模型的复杂度,最后根据公共节点将筛选后的多个二节点贝叶斯置信网组合成整体的贝叶斯置信网,并更新条件概率;
第三步步骤三中的具体环节如下:
环节一、推理模式层次结构,在利用已知的驾驶情境元素进行对驾驶情境进行逻辑推理时,把以下推理模式(18)分为内外两层:其中,内层为“Xis CX”层和“Yis CY”层,外层为“(X,Y)is CX∩CY”层,内层即用一般推理模式来找出驾驶情境元素X和Y的相关信息CX和CY,外层则是在内层的基础上求驾驶情境元素X和Y的关联信息;
环节二、推理模式的图方法,首先,利用驾驶情境元素属性的约束规则建立规则库,以有向图结构来表示动态模糊推理系统,对于任一节点,若该节点的进入有向边不为0,该节点则是上一节点的结论;若该节点的离开有向边不为0,该节点则是下一节点的前提,对于输入的对象X和Y,首先分别查找与其动态模糊相似度高于指定阈值的节点并进行一次标记,在找到节点后沿有向边传播,并将传播所经过的节点进行标记同时记录信息到CX,CY中,若一个节点被标记两次,则将该节点与后续节点信息记录到CX∩CY中;
环节三、推理模式集合抽象,对于输入对象X和Y,在规则库有向图中匹配动态模糊相似度达到指定阈值的节点,并将该节点下的全部子节点分别纳入集合Dx,Dy中,对两集合求交集C=Dx∩Dy,若C为空集,则在当前规则库中,X和Y没有关联;若C不为空集,则X和Y在当前规则库中相关联,并且关联结果为C中的元素;
环节四、多源推理扩展机制,对于复杂的驾驶情境而言,元素的关联并不只存在一对一的情况,更多情况下,多元素间彼此约束,如交通信号牌、道路条件、前车都影响着本车的行驶速度,因此将数个对象进行连接进行推理同样重要,对于图方法,当输入元素个数为n时,需要从被n次标记的节点开始传播记录;对于集合方法,则需要求n个集合Dn的交集;
第三步步骤四中的具体环节如下:
环节一、元数据融合逻辑;
首先定义扩展型语义网络的元数据,包括节点和边的属性以及它们之间的关联关系信息,根据元数据的定义采用图数据库的格式对扩展型语义网络进行存储,并将节点和边的属性、关联关系映射到数据存储中的图结构中的字段;
针对推理知识库,元数据包括规则、概念、逻辑关系和语义关系,根据元数据的定义,建立一个包含数据表和图结构的存储知识库,将动态模糊逻辑推理知识库的数据加载到数据存储中,并根据元数据的定义,将规则、概念和逻辑关系映射到数据存储中的相应数据表及图结构中的字段;
分析两个数据源中的共同信息,并确定它们在各个数据源中的字段映射关系,通过映射关系,将不同数据源中相同含义的字段进行关联,基于元数据中的字段映射关系,创建一个联合查询语句,从而在两数据源中同时检索信息;
环节二、驾驶情境记忆重构,随着驾驶任务的进行,系统不断接收新信息,利用信息分析模块将新信息构建成扩展型语义网,并调用扩展驾驶情境网络中的相关贝叶斯驾驶情境网络,将新扩展型语义网与原扩展型语义网进行合并,重新计算概率,根据新计算得出的概率更新贝叶斯驾驶情境网络,回传至数据库中;
环节三、推理知识库更新,因数据库中存储的经验信息并不能反映真实驾驶情境的多样性,随着驾驶的进行,贝叶斯驾驶情境网络的节点不断增多,边所表示概率也发生改变,当概率低于0.20时,将推理知识库中对应的推理规则删除;当新的节点间的边的概率高于
0.60,将新的推理规则添加至推理知识库;
环节四、推理模型整合,由于驾驶情境的多样性,经过数据的逐步累积,推理知识库中会增加新的推理规则,并存在结构与存储上的冗余,为使推理模型全面而简洁,需要定期合并公共节点,对推理模型进行整合。
5.根据权利要求1所述的一种基于元数据驱动与因果分析理论的驾驶情境推理方法,其特征在于:所述的第四步各步骤中的环节如下:第四步步骤一中的具体环节如下:
环节一、因果相关性指标设计;
为确认人机协同系统因果分析模型的效果,需要设计相关的指标对模型因果分析效能进行评价;
在跟驰场景中,通过人机协同系统因果关系分析模型得出结论前车的速度、车距与本车的人机共驾系统操作状态存在因果关系,在这一场景下,设评价因素集有A=[驾驶人向制动踏板施加的力,驾驶人向加速踏板施加的力,自动驾驶系统制动信号,自动驾驶系统加速信号],以跟驰工况下的危险碰撞时间TTC为评语;
在换道场景中,通过人机协同系统因果关系分析模型得出结论原车道前车的速度及车距、目标车道前后车的速度及车距与本车的人机共驾系统操作状态存在因果关系,在这一场景下,设评价因素集有A=[驾驶人向制动踏板施加的力,驾驶人向加速踏板施加的力,驾驶人向方向盘施加的转向力矩,自动驾驶系统制动信号,自动驾驶系统加速信号,自动驾驶系统转向信号],以换道工况下的危险碰撞时间TTC为评语;
环节二、模糊综合评价体系构建;
首先通过主成分分析法与因子分析法确定各评价因素的权重W,然后将人机协同因果认知分析模型评价因素A到评语集V看作一个模糊映射,建立模糊评价矩阵R,依据模糊理论,对评价因素权重和模糊评价矩阵进行运算得到驾驶人情境认知综合评B,并按最大隶属度原则得到评价结果:B=W·R (19);
第四步步骤二中的具体环节如下:
环节一、车辆动力学内模构建,在以下假设基础上提出线性二自由度车辆动力学模型:
仅考虑车辆沿y轴的侧向线运动和绕z轴的横摆角运动;将方向盘转角等效于前轮转角,并忽略悬架系统和转向系统的变形与干涉;忽略回正力矩的效果,假设各轮胎均存在线弹性的FY=k*α关系,侧偏刚度k对给定轮胎来说为常数;
线性二自由度车辆动力学模型:
其中,M为汽车质量,δf为前轮转角,Cf,Cr为前后轮侧偏刚度,l1为质心到前轴的距离,l2为质心到后轴的距离,Ωz为车辆横摆角速度,Vx,Vy为车辆沿x轴y轴的速度;
环节二、模型预测方程推导,为对驾驶情境未来态势进行预测,采用模型预测控制的方法预测车辆未来的态势,控制器的预测方程如下:其中,xk表示系统在时间步k的状态或变量;xk+1表示下一个时间步k+1的状态向量;Ad为状态转移矩阵,描述系统状态在一个时间步内如何转变;uk为控制输入向量,表示系统在时间步k的控制输入或操作;Bd为控制输入矩阵,描述控制输入在一个时间步内的作用;Dd为直接作用矩阵,表示控制输入直接对状态变量造成的影响,不经过状态转移矩阵的直接影响;
yk为输出向量,表示系统在时间步k的输出或测量值;Cd为输出矩阵,描述状态向量如何映射到输出向量;Dd,dis为扰动向量,表示系统在时间步k的扰动或干扰;
公式(22)可整理为公式(23):
X=FX0+ΦU+E (23)
其中,X为状态向量,表示系统在当前时间步的状态或变量;F为状态转移矩阵,描述系统状态在一个时间步内如何变化;X0为初始状态向量,表示系统在初始时间步的状态或变量;Φ为控制输入矩阵,描述控制输入在一个时间步内的作用;U为控制输入向量,表示系统在当前时间步的控制输入或操作;E为扰动向量,表示系统在当前时间步的扰动或干扰;
公式(23)中变量及系数矩阵如下:
环节三、推理模型的时空演化,将车辆动力学模型与模型预测方程融合,输入当前状态下的车辆参数,即可得到未来时刻对车辆状态的预测结果;
第四步步骤三中的具体环节如下:
环节一、基于元数据驱动的时空数据整合,在驾驶过程中,通过元数据驱动引擎调用当前时刻的传感器数据、车辆状态数据、车车通讯数据以及驾驶情境推理模型,进入后续计算;
环节二、目标意图分析,构建自适应贝叶斯驾驶情境网络,通过车辆动力学模型与模型预测控制联合计算得到车辆未来时刻的姿态预测,将对车辆状态的预测结果输入瞬态记忆模块,进行推理,通过与长期记忆数据进行比对,保留合理的推理结果,忽略不合理的推理结果,将合理的推理结果中车辆态势结合驾驶情境进行分析,得出当前驾驶情境下人机协同系统的驾驶意图;
环节三、行车风险评估,根据行车风险场理论建立行车风险场:
其中,Es_j为行车风险场在车辆j位置处的场强合矢量,Ev_j为动能场在车辆j位置处的场强合矢量,ER_j为静能场在车辆j位置处的场强合矢量,ED_j为行为场在车辆j位置处的场强合矢量;Fj为行车风险场在车辆j位置处的场力合矢量,即行车风险,Mj为车辆j的等效质量,vj为车辆j的速度,Rj为车辆j处的道路因子,k2为给定常数,θj为车辆j速度方向与场强方向夹角,Dri为驾驶员风险因子;
将从当前时刻起到预测时长的场景数据、驾驶数据放入行车风险场中进行计算,得出当前时刻和预测时长内的行车风险,从而判断人机协同系统的决策是否合理;
第四步步骤四中的具体环节如下:
环节一、元数据列表更新,随着驾驶情境的不断扩展,各数据源不断出现数据内容的更新、数据字段的更新以及数据种类的更新,元数据列表应随着数据的更新而更新,以便后续数据的调用和存放;
环节二、因果认知逻辑更新,现有的因果认知模型是基于先前获得的驾驶数据训练而成的,难以覆盖完整的驾驶情境,随着驾驶数据的采集与存储,每间隔一定的驾驶里程后将利用新采集的数据与原有数据共同训练因果认知模型,使因果认知逻辑不断更新;
环节三、推理知识库更新,驾驶情境的扩展使长期记忆扩展语义网络不断增加或删除节点与边,并对概率进行不断修正,同时扩展了推理规则库,通过不断的记忆重构的过程完成对推理知识库的更新;
环节四、情境演化评估结果整合,将基于时空规律的推理结果、风险判断结果以及人机协同系统驾驶参数进行整合,输入到决策模块完成后续的决策规划操作。