【技术实现步骤摘要】
本专利技术属于自动驾驶感知方法，涉及一种考虑长尾型场景的驾驶行为决策与知识动态更新方法。
技术介绍
1、在自动驾驶领域，底层架构和大部分的技术问题已经迎刃而解，但仍有那最后的5％，被称为“长尾”问题，依然是自动驾驶发展的一大挑战，这些问题限制了自动驾驶系统的全面应用。其中，“长尾”场景案例指日常发生的种类繁多、发生概率较低或者突发的、危险的、非理想的情况。虽然，依照先验经验所构建的各种模型和算法能够覆盖绝大多数潜在危险场景类型，但是，以人类先验知识为基础所构建的各种模型或算法与人类的认知范围一样是有限的，难以完全覆盖所有类型潜在危险场景，若以此为指导进行驾驶行为决策，难以处理“长尾型”潜在危险场景。此外，现有研究方法在每次决策过程中都将当前所遇场景作为全新的任务进行处理，缺少对所遭遇场景和对应驾驶行为决策方案的知识进行记忆并形成经验的认知环节。
2、事实上，在人类驾驶员进行驾驶行为决策的过程中，一方面，人类驾驶员能够根据已有知识进行类比推理，将已有驾驶知识进行迁移运用，实现举一反三。对于熟悉场景及相似类型的场景，人类会使用已有的知识进行指导，形成应对一般场景的常规型驾驶行为决策方案，而对于超出原有知识范围的“长尾型”潜在危险场景时，人类驾驶员多会采用稳健的驾驶行为，形成应对特殊场景的保守型驾驶行为方案。另一方面，在完成对长尾类型潜在危险场景的风险进行决策操作后，人类驾驶员会根据车辆的实际行驶状况对其驾驶执行行为进行评估并记忆，形成个人的驾驶经验，从而将原本的“长尾型”场景转变为可被直接处理的一般性场景。
技术实现思路
1、本专利技术的目的是提供一种考虑长尾型场景的驾驶行为决策与知识动态更新方法，解决了现有技术在应对长尾类型潜在危险场景时决策困难的问题，提高了自动驾驶系统决策过程中的鲁棒性与可靠性。
2、本专利技术所采用的技术方案是，考虑长尾型场景的驾驶行为决策与知识动态更新方法的方法，具体按照以下步骤实施：
3、步骤1、感知场景图像信息，并生成对图像信息的完整描述文本；
4、步骤2、根据步骤1得到的描述文本，对场景类型进行推理，判断其是否为长尾类型潜在危险场景；
5、步骤3、根据步骤2的推理结果，作出驾驶行为决策；
6、步骤4、对步骤3作出的驾驶行为决策结果进行评估，若存在风险，执行步骤5，若不存在风险，决策完成；
7、步骤5、调整步骤4中不合理的执行方案直至方案无风险，并将调整后的方案进行存储更新。
8、本专利技术的特点还在于：
9、步骤1中生成完整描述文本的具体过程为：
10、使用inception-v3网络构建编码器提取场景图像特征，然后采用embedding+gru+attention+全链接构建解码器对编码器所得特征进行解码处理，得到交通场景中元素动态文本，场景元素文本和场景宏观时空信息文本，再通过多主语融合算法得到完整描述文本。
11、步骤2具体为：
12、对步骤1得到的完整描述文本进行三元组抽取，得到描述文本的结构化三元组，然后将所得三元组的头尾实体和关系置于基于deeppath在前期构建的常见类型潜在危险场景知识图谱中进行多线程混合推理，得到当前待预测场景的尾实体，若该尾实体存在于前期构建的场景类型集中，则当前场景为已知类型场景；若不存在，则认为当前场景属于长尾类型潜在危险场景。
13、步骤3具体为：
14、对于已知类型场景，在本体概率扩展过程中采用已有知识所用概率分布进行先验概率赋值，并通过本体扩展关系构建常规型驾驶行为决策网络，进行驾驶行为决策定量计算；对于长尾类型潜在危险场景，采用较为保守的先验概率赋值构建保守型驾驶行为决策网络。
15、在驾驶行为决策网络构建时采用本体加贝叶斯的方式，将本体映射为贝叶斯网络的节点，并根据本体中类与实例之间的属性关系映射为贝叶斯网络的有向边，对本体赋予先验概率，使本体转化为贝叶斯网络。
16、常规型驾驶行为决策网络的构建过程为：
17、若当前场景为已知类型场景，则直接调用前期经验数据库中该本体的先验概率并利用贝叶斯网络进行驾驶行为决策。
18、保守型驾驶行为决策网络的构建过程为：
19、若当前场景为长尾类型潜在危险场景，则将各个本体的先验概率调整至风险发生时的较高数值进行驾驶行为决策。
20、步骤4中采用场景实际风险评估网络对驾驶行为决策结果进行评估，具体为：
21、通过滑动窗口采集驾驶系统在执行步骤3后产生的车辆实际动力学参数，作为场景实际风险评估网络的输入，选择特定步长对各通道数据进行截取并输入至网络中，通过bi-lstm层，attention层以及softmax分类层，计算出当前输入下车辆的运动状态中是否出现紧急修正操作，若出现紧急修正操作，则认为原有驾驶决策方案存在风险；反之，则不存在风险。
22、步骤5中通过bp算法修正贝叶斯网络中各项元素所附初值及占比对不合理的执行方案进行调整，直至方案无风险。
23、调整方案至无风险后，对于已知类型场景，判断其是否对原有先验概率进行过调整，若发生过调整，则将调整过的先验概率对图谱中数据层原有数据进行更新，若未发生调整则完成决策；对于长尾类型潜在危险场景，利用bi-lstm提取其三元组并更新对应数据层信息。
24、本专利技术的有益效果是：
25、(1)本专利技术方法通过融合知识图谱与深度学习技术，构建了一种考虑长尾型场景的驾驶行为决策与知识动态更新方法，本专利技术方法融合图像特征、车辆动力学特征、人类知识特征，进行驾驶行为决策、决策方案评估和驾驶先验经验更新，相较于传统自动驾驶系统单纯基于道路场景图像和车辆参数的驾驶行为决策方案，本专利技术方法的决策结果具有更强的迁移性与自学习性；
26、(2)本专利技术方法在驾驶行为决策过程中，通过引入知识图谱技术，使自动驾驶系统能够根据场景类型调用不同的驾驶行为决策方案，解决了传统自动驾驶系统驾驶决策方案内容单一、适应性不足的问题，为自动驾驶系统进行车辆控制提供了一种灵活可靠的决策输入；
27、(3)本专利技术方法在驾驶先验经验更新过程中，不仅包含对驾驶行为决策网络中的各项参数进行更新，还从数据层角度对先验知识进行更新，弥补了传统自动驾驶系统缺乏对场景信息和驾驶决策结果的记忆环节的不足，提高了自动驾驶系统的在线学习能力。
本文档来自技高网...【技术保护点】
1.考虑长尾型场景的驾驶行为决策与知识动态更新方法的方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的考虑长尾型场景的驾驶行为决策与知识动态更新方法的方法，其特征在于，步骤1中生成完整描述文本的具体过程为：
3.根据权利要求1所述的考虑长尾型场景的驾驶行为决策与知识动态更新方法的方法，其特征在于，步骤2具体为：
4.根据权利要求1所述的考虑长尾型场景的驾驶行为决策与知识动态更新方法的方法，其特征在于，步骤3具体为：
5.根据权利要求4所述的考虑长尾型场景的驾驶行为决策与知识动态更新方法的方法，其特征在于，在驾驶行为决策网络构建时采用本体加贝叶斯的方式，将本体映射为贝叶斯网络的节点，并根据本体中类与实例之间的属性关系映射为贝叶斯网络的有向边，对本体赋予先验概率，使本体转化为贝叶斯网络。
6.根据权利要求5所述的考虑长尾型场景的驾驶行为决策与知识动态更新方法的方法，其特征在于，所述常规型驾驶行为决策网络的构建过程为：
7.根据权利要求5所述的考虑长尾型场景的驾驶行为决策与知识动态更新方法的方法，其
8.根据权利要求1所述的考虑长尾型场景的驾驶行为决策与知识动态更新方法的方法，其特征在于，步骤4中采用场景实际风险评估网络对驾驶行为决策结果进行评估，具体为：
9.根据权利要求5所述的考虑长尾型场景的驾驶行为决策与知识动态更新方法的方法，其特征在于，步骤5中通过BP算法修正贝叶斯网络中各项元素所附初值及占比对不合理的执行方案进行调整，直至方案无风险。
10.根据权利要求9所述的考虑长尾型场景的驾驶行为决策与知识动态更新方法的方法，其特征在于，调整方案至无风险后，对于已知类型场景，判断其是否对原有先验概率进行过调整，若发生过调整，则将调整过的先验概率对图谱中数据层原有数据进行更新，若未发生调整则完成决策；对于长尾类型潜在危险场景，利用Bi-LSTM提取其三元组并更新对应数据层信息。
...【技术特征摘要】
1.考虑长尾型场景的驾驶行为决策与知识动态更新方法的方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的考虑长尾型场景的驾驶行为决策与知识动态更新方法的方法，其特征在于，步骤1中生成完整描述文本的具体过程为：
3.根据权利要求1所述的考虑长尾型场景的驾驶行为决策与知识动态更新方法的方法，其特征在于，步骤2具体为：
4.根据权利要求1所述的考虑长尾型场景的驾驶行为决策与知识动态更新方法的方法，其特征在于，步骤3具体为：
5.根据权利要求4所述的考虑长尾型场景的驾驶行为决策与知识动态更新方法的方法，其特征在于，在驾驶行为决策网络构建时采用本体加贝叶斯的方式，将本体映射为贝叶斯网络的节点，并根据本体中类与实例之间的属性关系映射为贝叶斯网络的有向边，对本体赋予先验概率，使本体转化为贝叶斯网络。
6.根据权利要求5所述的考虑长尾型场景的驾驶行为决策与知识动态更新方法的方法，其特征在于，所述常规型驾驶行为决策网络...
【专利技术属性】
技术研发人员：周劲草，李睿，傅卫平，宁本燏，杨世强，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：
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。