用于在环境背景下模拟类人控制行为的系统和基于计算机的方法技术方案

一种用于在环境背景下模拟类人决策的基于计算机的方法，包括：‑用至少一个传感器捕获(10)环境数据，‑实现(16)用于通过将高维数据压缩成低维映射来实现所述数据的双向压缩的基于计算机的方法，‑如果在基于计算机的模型的学习阶段期间捕获环境数据，则通过压缩数据的所述映射将具有不同特性的数据分离的良好程度来判定所述映射的质量，以评估(24)所述映射，所述捕获的数据对应于已经预先评估的已知的预先记录的数据，‑如果在所述学习阶段之后捕获环境数据，则将新的点添加(26)到所述压缩数据，并且生成指示使用哪个类人决策的信号来对应于操作员的状态。

【技术实现步骤摘要】
【国外来华专利技术】用于在环境背景下模拟类人控制行为的系统和基于计算机的方法
技术介绍
本专利技术涉及一种用于在环境背景下模拟类人控制行为的基于计算机的方法，并且具体涉及包括用于实现数据的双向压缩的基于计算机的方法的这种系统和方法。如今，辅助系统被用于几乎任何种类的工业的许多应用。尤其是汽车工业或航空工业以及计算工业辅助系统普遍用于为用户提供操作系统。在汽车工业中，广泛使用如通过检测和最小化打滑来提高车辆稳定性的安全性的ESC(电子稳定性控制装置)，或紧急情况下通过解析制动踏板被推动的速度和力来确保最大制动力的EBA(紧急制动辅助装置)的公知的系统。在航空工业中，有源自动驾驶仪或所谓的有线飞行系统通常用于现代民用和军用飞机，其中电子接口通过将飞行控制装置的运动转换成电子信号来取代手动飞行控制装置，并且无需人为干预来启动飞行控制装置。此外，集成在如车辆或飞机的系统中的传感器和致动器的数量迅速增加，目的是电子地监视和/或控制这些系统中的每个组件。传感器和致动器的数量增加引起的一个问题是用于识别系统的具体情况或运行状态而需要处理和/或分析的数据量。现代辅助系统的意图是在动态变化的环境中操作机器的同时提供对人类意图的稳健、敏感和实时的监控。这种现代化的辅助系统实现了机器的有效和安全的操作，优化为实际的人类意图操作。这种机器可以是任何一种由人类操作的系统，像例如车辆、飞机、船舶、机器等以及像例如计算机游戏等的计算系统。在下文中，术语“系统”应理解为这些类型中的任意类型。辅助系统通常使用虚拟开发方法。在汽车开发过程中，这些方法正在迅速获得重视，以应对重要的业务挑战：缩短产品上市时间，优化产品质量、性能和价值，降低生产和开发成本，应对日益严格的排放和安全法规。例如，发动机和动力总成领域的一个特殊挑战是即将出台的欧洲“现实驾驶排放”(RDE)法规。RDE合规要求在各种操作条件下控制车辆废气排放。这严重影响了传统上基于固定驾驶循环的发动机标定过程。标定过程的虚拟化部分允许通过在由虚拟驾驶员模型操作的虚拟驾驶环境中运行物理或灰箱车辆模型来评估在各种真实驾驶条件下的车辆和发动机行为。具有人工(即，在机器上实现，或者在计算机中或作为计算机实现，或在工具中或作为工具实现)记忆系统的感知/认知架构被用作这种辅助系统。它们特别适合于响应人类操作员来理解和控制工具的动态行为，尤其是对于在动态变化环境中操作员和工具实时的真实安全交互。文献WO2014009031涉及一种方法或系统或架构，特别是具有人工记忆系统的感知/认知架构，其包括：-至少一个第一节点，其适于存储和调用(例如，长的)输入序列，诸如被建模为事件的(例如，长的)输入序列；-至少一个第二节点，其适于从原始数据中提取和保存原型，每个原型代表数据组块，表征具有类似特征的(在其环境中的工具的)现实世界操作。在本文中公开的架构中，第二节点为第一节点提供输入。原始数据通常是从传感器获得的数据，所述传感器例如用于感测机器或工具的致动器或控制元件的活动的传感器。人工记忆系统通常由多个节点组成，每个节点解决像例如下列之一的一个具体任务：空间池、信号量化、时间和强制时间池、事件和强制事件池。整个系统的功能是通过利用不同类型的定向连接将这些节点连接来实现的，例如：前馈(FF)输入/输出、反馈(FB)输入/输出、状态一致性检查等等。本文献中描述的记忆预测框架(MPF)在特定实施例中是受到哺乳动物新皮层的功能启发的“人工记忆唤醒系统”，能够鉴别、存储、识别感测参数的空间/时间模式，能够分类所暴露的事件，并随时间进行预测。一个MPF网络由可以包含类似神经气的自适应记忆系统的分层的节点组来组成，所述系统能够并行分析不同的时空输入，然后在整个层次结构中进行通信，以便发现更高层级的行为和属性。具有输入和输出的节点的三个主要目的是学习并认知特别的输入模式、将它们与若干外部(可能未知的)原因或事件相关联、以及最终预测接下来的输入模式。为了实现这些目标，通常要区分两个不同的阶段：训练阶段或学习阶段，用于学习影响节点的内部“记忆”的输入模式；以及推理阶段，其为节点的实际操作阶段，在该阶段期间输入模式与所记忆的模式进行比较并生成FF和FB输出。实际上，没有什么阻止节点以一起进行训练和推理的“连续学习”的方式操作。另一种可能是具有用于克服“冷启动”问题的很短的初始训练阶段，初始训练阶段随后是连续学习阶段。无论如何，推理阶段的目的是评估当前的输入模式，以便将其与一个或多个习得的原因相关联。这导致表示当前输入模式属于习得的原因之一的可能性的FF输出信号的生成。该过程通常也受到表示由母节点提供的对当前FF输出信号的预测的FB输入信号的影响。该最后的特征是为了允许节点在可能共享通用输入模式的不同原因之间消歧：这通常被称为“关注的焦点”。生成FF输出之后，节点还应该经由其FB输出生成对向子节点发送信号的下一输入模式的预测：这可能需要等待所有网络完成FF更新以从上到下的节点传播预测。很明显，借助FF和FB连接的节点间信息交换是记忆预测框架(MPF)的核心，诸如上文提到的WO2014009031中所公开的。因此，节点之间的通信效率既在可以交换的比特数量方面也在节点内的计算量方面影响整个系统。事实上，效率越高，两个节点之间可以交换的比特越多，并且节点内处理相同数量的数据需要越少的计算量。双向映射是一种降低维数的技术，避免了诸如主成分分析(PCA)和通常的流形学习算法的常见技术的典型缺陷。特别地，避免了线性，线性对低精度的映射的习得的流形有约束，以及避免了方向性(directionality)，方向性助长了从它们的低维表示中恢复原始的高维点的不可能性。在由LaurensvanderMaaten和GeoffreyHinton在机器学习研究(MachineLearningResearch)期刊，第1卷(2008)第1-48页中发表的题为“使用t-SNE可视化数据”的文章中公开了一种名为t分布随机相邻嵌入(t-SNE)的公知的基于计算机的方法。t-SNE方法允许利用保留接近性的降维来可视化高维数据集，无需对可视化进行任何可能的推理。
技术实现思路
本专利技术旨在通过对节点间通信执行可逆降维来提高记忆预测框架全局效率，其允许高维空间和低维空间之间的数据相关双向映射。用于通过将高维数据压缩成例如二维或三维映射的较低维度映射来实现数据的双向压缩的基于计算机的方法达到了该目标，该方法包括：接收具有大于一维的第一维度的数据，例如由至少一个传感器捕获并发送的数据；以及将所述数据或由所述数据(诸如GPS数据段或车辆的车载电子控制单元的数据段)导出的属性压缩为具有比第一维度低的第二维度的压缩数据。根据这种基于计算机的方法的一般特征，对于两个度量空间X＝(x,μx)和Y＝(y,μy)，其中x为维度大于或等于第二空间y的维度的第一空间，μx是所述第一空间x上的第一度量，μy是所述第二空间y上的度量，P是属于所述第一空间x的第一n个点的组，一个点为空间中的一个元素，通过以下等式求出属于所述第二空间y的第二n个点的组Q来实现压缩：其中d(.,.)是方阵空间上的对称距离函数，而A1和A2是具有以下性质的任意两个函数，A为A1和A2函数中的任一个：-A:R+→[0,1],-A(0)＝1,-l本文档来自技高网...

【技术保护点】
一种用于通过将高维数据压缩成较低维映射来实现所述数据的双向压缩的基于计算机的方法，所述方法包括：接收(18)具有第一维度的数据，所述第一维度大于通过至少一个传感器捕获并发送的数据的维度；以及将所述数据或从所述数据导出的属性压缩(22)为具有比第一维度低的第二维度的压缩数据，其特征在于，对于两个度量空间X＝(x,μx)和Y＝(y,μy)，其中x为维度大于或等于第二空间y的维度的第一空间，μx是第一空间x上的第一度量，μy是第二空间y上的第二度量，所述压缩是通过将形成于属于所述第一空间x的第一n个点的组P和属于所述第二空间y的第二n个点的组Q之间的点对进行映射来实现的，第二n个点的组Q中的每个点与第一点组P通过以下等式配对：

【技术特征摘要】
【国外来华专利技术】1.一种用于通过将高维数据压缩成较低维映射来实现所述数据的双向压缩的基于计算机的方法，所述方法包括：接收(18)具有第一维度的数据，所述第一维度大于通过至少一个传感器捕获并发送的数据的维度；以及将所述数据或从所述数据导出的属性压缩(22)为具有比第一维度低的第二维度的压缩数据，其特征在于，对于两个度量空间X＝(x,μx)和Y＝(y,μy)，其中x为维度大于或等于第二空间y的维度的第一空间，μx是第一空间x上的第一度量，μy是第二空间y上的第二度量，所述压缩是通过将形成于属于所述第一空间x的第一n个点的组P和属于所述第二空间y的第二n个点的组Q之间的点对进行映射来实现的，第二n个点的组Q中的每个点与第一点组P通过以下等式配对：其中μx(P)是P中的点之间的第一对称距离矩阵，μx(Q)是Q中的点之间的第二对称距离矩阵，且d(.,.)是方阵空间上的对称距离函数，而A1和A2是具有以下性质的任意两个函数：-A:R+→[0,1],-A(0)＝1,-limx→∞A(z)＝0,-A(z1)>A(z2)当且仅当z1<z2。2.根据权利要求1所述的基于计算机的方法，还包括在初始化所述双向压缩之前从至少一个数据中提取(20)属性。3.根据权利要求1或2中任一项所述的基于计算机的方法，包括通过求解以下等式来将属于所述第一空间x的新的点m压缩到所述第二空间y上：以及通过求解以下等式将属于所述第二空间y的新的点t解压缩在所述第一空间x上：其中μx(P,m)和μy(Q,t)是BiMap的点与对应的相应空间中的新的点之间的距离矢量，BiMap是由等式2和等式3表示的第一空间x中的点与第二空间y中的点之间的对应关系，通过求解等式1从点P计算Q点。4.一种用于在环境背景下模拟类人决策的基于计算机的方法，包括：-利用至少一个传感器捕获(10)环境数据，-利用所述环境数据实现根据权利要求1至3中的任一项所述的用于通过将高维数据压缩成较低维映射来实现所述数据的双向压缩的基于计算机的方法，-如果在基于计算机的模型的学习阶段期间捕获环境数据，则通过压缩数据的所述映射将具有不同特性的数据分离的良好程度来判定所述映射的质量，以评估(24)所述映射，所述捕获的数据对应于已经预先评估的已知的预先记录的数据，-如果在所述学习阶段之后捕获环境数据，则将新的点添加(26)到所述压缩数据，并且生成指示使用哪个类人决策的信号来对应于操作员的状态。5.根据权利要求4所述的基于计算机的方法，其特征在于，在实现用于实现数据的双向压缩的基于计算机的方法之前，利用至少一个滤波器预处理(14)所述环境数据，所述用于实现数据的双向压...

【专利技术属性】
技术研发人员：约纳斯·安贝克马德森，艾默里克·拉托，马尔切洛·马斯特罗莱奥，费代里科·萨西，罗伯托·乌戈洛蒂，亚历山德罗·巴基尼，卢卡·穆西，卢卡·阿斯卡里，
申请(专利权)人：丰田汽车欧洲股份有限公司，卡姆林意大利公司，
类型：发明
国别省市：比利时,BE