根据场景观察进行直觉推断的无人驾驶安全判断系统技术方案

一种根据场景观察进行直觉推断的无人驾驶安全判断系统，属于智能驾驶技术领域。本发明专利技术的目的是比照人类驾驶和自动驾驶系统，依靠常识和经验，人类司机可以调整自己的行为，避免进入自己无法应付复杂驾驶环境的根据场景观察进行直觉推断的无人驾驶安全判断系统。本发明专利技术包括经验常识记忆库、场景观察器和直觉推断引擎三大要素。本发明专利技术有效将人类直觉判断与自动驾驶技术结合，通过人为因素和机判因素综合性考虑交通环境的各种因素组合，应用到自动驾驶驾驶技术中，更加能够精确的预判出各种因素或行为，从而增加自动驾驶技术的安全性。

【技术实现步骤摘要】
根据场景观察进行直觉推断的无人驾驶安全判断系统
本专利技术属于智能驾驶

技术介绍
自动驾驶安全的保证手段目前主要有道路车辆功能安全(ISO26262，2011)、预期功能安全(ISO21448，2019)、系统运行设计范围状态监控(SAEJ3016)、人机交互等四方面的性能要求。其中，系统功能安全性能要求自动驾驶系统能够根据外界感知输入按照预设的功能规定做出正确响应。功能安全标准强调在产品设计阶段怎样从设计环节上保证产品的功能安全，该标准制订的假设是，在系统过于复杂以后，很难通过预测的方式来全面估计失效的环节和失效的模式，因此设计预防就显得非常重要。在复杂的运行环境中，即使所有的安全系统都如ISO26262所要求的那样完美实现预设功能，但是由于使用环境的复杂程度超出了系统的能力极限，或者出于操作者的滥用或者误用等原因，整车实际运行时仍然有可能发生安全事故。例如，自动驾驶系统是根据某些特定运行环境开发的，如果自动车辆在实际驾驶中遇到了开发过程中从未遇到过的陌生环境，自动驾驶系统就会出现判断困惑，从而导致事故发生。ISO21448将这种安全性称为“预期功能安全(SOTIF)”，标准的目的是尽可能多地暴露使用环境变量，进一步提高系统的适应性设计。为了保证自动驾驶系统的合理使用环境，SAEJ3016定义了“系统运行设计范围”(ODD)的概念。ODD是保证所设计系统可以正常运行的条件，规定自动驾驶系统必须自己能够监控ODD的边界，超出ODD边界以后就要采取后备安全方案。尽管有上述周密的设计保障措施，无人驾驶系统仍然潜在的安全隐患，主要原因是，无论系统设计考虑的多么周全，也不可能覆盖实际运行场景的无限可能性。也就是说，自动驾驶系统不具备人脑那种根据场景观察和局势的理解对驾驶安全进行直觉推断的能力。
技术实现思路
本专利技术的目的是比照人类驾驶和自动驾驶系统，依靠常识和经验，人类司机可以调整自己的行为，避免进入自己无法应付复杂驾驶环境的根据场景观察进行直觉推断的无人驾驶安全判断系统。本专利技术包括经验常识记忆库、场景观察器和直觉推断引擎三大要素；(1)经验常识记忆库：包括事故和场景要素，场景要素包括车辆要素、行驶状态要素、自然环境要素、道路特性要素、人为要素；每个事故可以表达为场景要素空间里的一个向量，所有的事故一起形成一个事故常识记忆矩阵A；一个事故对应的一个场景要素组合就是一个场景向量，经验常识库结构如表1所示：表1事故经验常识库结构其中：C1～Cm为事故特征代码，由11位数字与字母组成，①事故特征代码C事故类别包括发生事故时的五种事故要素，分别为事故形式特征、碰撞主体分类、碰撞受体分类、冲突方式分类和伤害程度分类；事故要素及水平定义见表2，表2事故要素及水平定义其中，机动车分类按照GB/T150892001执行，总共分为L类、M类、N类、O类和G类，其中L分为L1～L5，M类分为M1、M2、M3；M2和M3类中继续细分为A级、B级、Ⅰ级、Ⅱ级、Ⅲ级，共计19种；本申请用三位分类编号表达车辆分类，L、M1类第三位为0，M2和M3类车辆的第三位为级别代码A，B，I，II，III，N、O、G类车辆的第二、三位编号均为0；②场景向量S要素水平定义方法Si为场景向量：Si＝(si1，...，sin)24个场景元素所构成的场景向量由表3所列举出，表3场景向量S的要素构成根据上表，历史交通事故记录数据库里的每一次事故环境的记录，表达成一个上述24维的经验场景向量S，也就是说，S＝(s1，s2，……，s24)所有场景经验向量组成的事故矩阵就是人工智能机器所能读懂的驾驶常识经验库，A为事故矩阵：A＝[C1C2…Cm]T；③根据历史上实际发生过的交通事故记录，将每一次事故都根据表1和表3描述成规范化的事故类型-场景向量对应关系；事故由表1所规定的代码表达，场景由表3所规定的维数向量描述，这种描述经验事故的场景向量成为经验场景向量；④经验常识记忆库矩阵即事故矩阵A的生成经验常识记忆库可以表达为一个m×n事故矩阵A，其中m是事故类别数量，n是场景向量维数，(2)场景观察器场景观察器的作用是根据车辆感知的信息生成一个现实场景向量X，以便于用来和驾驶常识经验库里的经验场景向量S相比较；现实场景向量X的元素与维数定义必须与经验场景向量S定义相同，现实场景向量元素的感知有三个渠道来源：车载传感、通讯传感和驾驶员输入，见表4表4现实场景向量的生成根据表4生成24维现实场景向量X：X＝(x1，x2，...，x24)现实场景向量X是一个n维向量：X＝(x1，x2，...，xn)(3)直觉推断引擎根据步骤(2)感知到的现实场景向量X，利用经验比照算法，找到常识经验记忆库里与此最相近的经验场景向量S，然后在事故矩阵A中观察在与现实环境相类似的场景中是否发生过事故，进而推断出最可能发生的事故类别与概率。本专利技术直觉推断引擎采用SVD方法进行近似运算SVD算法能够使任何一个事故矩阵A都可以分解成为一个正交矩阵U,一个对角矩阵Σ,和一个正交矩阵VT的乘积,使得A＝U∑VTΣ里面的奇异值从大往小排列，最大值对应于在U和V里对原始事故矩阵最显著的向量；保留事故矩阵A里最主要的k个分量，k根据实际运算速度和运算精度的要求综合权衡确定，得到一个较小的矩阵Uk,Σk,和表达为在事故经验常识库里，如果记录有m个事故，n个场景要素，则m×n事故矩阵就可以分解为：Uk：m×k正交矩阵Σk：k×k单一值对角矩阵Vk：n×k正交矩阵；Ak就是实际运行相似性对比运算的降维空间；根据计算结果，直觉推断引擎输出的是事故类型。本专利技术基于直觉推断引擎获得的预警系统，即直觉预测引擎：根据贝叶斯定理：式中，条件概率P(X/S)：感知到了S场景(现实)，求S场景下发生X类事故的概率；先验概率P(X)：X类事故发生的概率，根据各种交通事故统计数据库获取；似然性P(S|X)：已知X发生后S的条件概率，也由于得自X的取值而被称作S的后验概率；也表述为：事故统计数据库里面与场景现实S一模一样的概率有多大；场景发生概率P(S)：S场景出现的概率；忽略P(S)这个固定量，上式可以转换为一下表达形式：条件概率∝先验概率x似然性，即P(X/S)∝P(S/X)P(X)为了计算似然性P(S/X)，需要构建场景S的抽象层，定义s1，s2，…，sn为场景S包含的n个场景元素；所以P(S|X)＝P(s1，s2，..，sn|X)，可扩展为P(s1|X)*P(s2|s1,X)*P(s3|s2,s1,X)*..利用朴素贝叶斯原理：si和si-1本文档来自技高网...

【技术保护点】
1.一种根据场景观察进行直觉推断的无人驾驶安全判断系统，其特征在于：包括经验常识记忆库、场景观察器和直觉推断引擎三大要素；/n（1）经验常识记忆库：包括事故和场景要素，场景要素包括车辆要素、行驶状态要素、自然环境要素、道路特性要素、人为要素；每个事故可以表达为场景要素空间里的一个向量，所有的事故一起形成一个事故常识记忆矩阵A；一个事故对应的一个场景要素组合就是一个场景向量，经验常识库结构如表1所示：/n表1事故经验常识库结构/n

【技术特征摘要】
1.一种根据场景观察进行直觉推断的无人驾驶安全判断系统，其特征在于：包括经验常识记忆库、场景观察器和直觉推断引擎三大要素；
（1）经验常识记忆库：包括事故和场景要素，场景要素包括车辆要素、行驶状态要素、自然环境要素、道路特性要素、人为要素；每个事故可以表达为场景要素空间里的一个向量，所有的事故一起形成一个事故常识记忆矩阵A；一个事故对应的一个场景要素组合就是一个场景向量，经验常识库结构如表1所示：
表1事故经验常识库结构



其中：
C1～Cm为事故特征代码，由11位数字与字母组成，
①事故特征代码C
事故类别包括发生事故时的五种事故要素，分别为事故形式特征、碰撞主体分类、碰撞受体分类、冲突方式分类和伤害程度分类；事故要素及水平定义见表2，
表2事故要素及水平定义



其中，机动车分类按照GB/T150892001执行，总共分为L类、M类、N类、O类和G类，其中L分为L1～L5，M类分为M1、M2、M3；M2和M3类中继续细分为A级、B级、Ⅰ级、Ⅱ级、Ⅲ级，共计19种；本申请用三位分类编号表达车辆分类，L、M1类第三位为0，M2和M3类车辆的第三位为级别代码A，B，I，II，III，N、O、G类车辆的第二、三位编号均为0；
②场景向量S要素水平定义方法
Si为场景向量：Si=（si1，...，sin）
24个场景元素所构成的场景向量由表3所列举出，
表3场景向量S的要素构成



根据上表，历史交通事故记录数据库里的每一次事故环境的记录，表达成一个上述24维的经验场景向量S，也就是说，
S=（s1，s2，……，s24）
所有场景经验向量组成的事故矩阵就是人工智能机器所能读懂的驾驶常识经验库，
A为事故矩阵：

；
③根据历史上实际发生过的交通事故记录，将每一次事故都根据表1和表3描述成规范化的事故类型-场景向量对应关系；事故由表1所规定的代码表达，场景由表3所规定的维数向量描述，这种描述经验事故的场景向量成为经验场景向量；
④经验常识记忆库矩阵即事故矩阵A的生成
经验常识记忆库可以表达为一个事故矩阵A，其中m是事故类别数量，n是场景向量维数，

；
（2）场景观察器
场景观察器的作用是根据车辆感知的信息生成一个现实场景向量X，以便于用来和驾驶常识经验库里的经验场景向量S相比较；
现实场景向量X的元素与维数定义必须与经验场景向量S定义相同，现实场景向量元素的感知有三个渠道来源：车载传感、通讯传感和驾驶员输入，见表4
表4现实场景向量的生成






根据表4生成24维现实场景向量X：

...

【专利技术属性】
技术研发人员：邱少波，张少军，李骏，程洪，
申请(专利权)人：张少军，
类型：发明
国别省市：吉林;22