【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。