CN112800670B - 驾驶认知模型多目标结构优化方法及装置 - Google Patents
驾驶认知模型多目标结构优化方法及装置 Download PDFInfo
- Publication number
- CN112800670B CN112800670B CN202110103602.XA CN202110103602A CN112800670B CN 112800670 B CN112800670 B CN 112800670B CN 202110103602 A CN202110103602 A CN 202110103602A CN 112800670 B CN112800670 B CN 112800670B
- Authority
- CN
- China
- Prior art keywords
- model
- driving
- node
- cognition
- optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 163
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000002245 particle Substances 0.000 claims abstract description 131
- 230000019771 cognition Effects 0.000 claims abstract description 115
- 230000006870 function Effects 0.000 claims abstract description 75
- 238000011156 evaluation Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000013507 mapping Methods 0.000 claims abstract description 33
- 238000005070 sampling Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 38
- 108091026890 Coding region Proteins 0.000 claims description 31
- 230000001133 acceleration Effects 0.000 claims description 27
- 238000012216 screening Methods 0.000 claims description 10
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims 4
- 230000003930 cognitive ability Effects 0.000 abstract description 3
- 230000004044 response Effects 0.000 description 12
- 230000006399 behavior Effects 0.000 description 11
- 230000000739 chaotic effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012502 risk assessment Methods 0.000 description 6
- 238000011423 initialization method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000035484 reaction time Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000036632 reaction speed Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种驾驶认知模型多目标结构优化方法及装置，其中，方法包括：基于动态贝叶斯网络对驾驶认知模型的节点信息进行预定义，以基于预定义结果对模型结构进行数字化表达；定义驾驶认知模型的多性能评价指标，以建立驾驶认知模型的多性能评价函数，并利用数据驱动对驾驶认知模型训练得到模型参数；基于数字化表达的模型结构定义结构优化变量，并基于拉丁超立方体抽样初始化结构优化变量，并剔除初始化变量中不合理的驾驶认知模型结构，结合多性能评价函数、模型参数和基于Tent映射的加速粒子群算法进行粒子迭代与更新，以得到满足多个目标性能的驾驶认知模型优化结构。该方法能够提高智能车辆对实时交通场景的理解和认知能力。
Description
技术领域
本发明涉及自动驾驶技术领域，特别涉及一种驾驶认知模型多目标结构优化方法及装置。
背景技术
随着人工智能技术的迅猛发展，智能车辆逐渐成为传统车辆未来的发展趋势之一，也是汽车工业前进的重要方向。由于真实的驾驶场景中存在较强的动态性和随机性，智能车辆为了能够实现安全稳定的行驶，除了需要有强大的外界环境感知能力和精准的车辆控制能力，还需要有合理可靠的行为决策能力。而智能车辆的决策水平很大程度上取决于对周围环境理解和认知能力，其中就包括对周围车辆的驾驶认知识别能力。在动态交通环境中，智能车辆对周车的驾驶认知能够帮助智能车辆准确预测周车的未来轨迹，进而增强智能车辆对周围环境的风险评估能力和自身的驾驶行为决策能力。
目前车辆的驾驶认知主要针对车辆的驾驶意图识别展开研究。一般可以将驾驶意图识别方法分类两类，基于单帧数据和基于序列数据的意图识别方法。基于单帧数据的方法是指利用当前时刻的被预测车辆的运动信息，如当前时刻的纵向相对位置、横向相对位置、纵向相对速度和横向相对速度等，推断和估计可能的驾驶意图。这类方法一般使用传统机器学习方法(如决策树、支持向量机和多层感知机等)、静态贝叶斯网络和简单的神经网络。由于它没有考虑时域内的运动信息的相互影响，因此很可能导致识别的车辆驾驶意图不准确。而第二类基于序列数据的意图识别方法，主要是根据被预测车辆过去一段时域内的驾驶运动信息，对驾驶意图进行估计和判断。这类方法主要使用深度神经网络(如卷积神经网络和长短期记忆网络等)和动态贝叶斯网络(如隐马尔科夫网络)。这类方法对序列数据的处理能力强，能够考虑时域内各运动信息对车辆意图的影响。相对于深度学习的方法，动态贝叶斯网络的可解释性强，且不需要依赖于大量的数据。
由于车辆的驾驶意图本身具有不确定性，且驾驶意图与车辆历史运动数据具有较强的因果关系，因此基于动态贝叶斯网络的驾驶意图方法比较适用。但是目前很少针对驾驶认知模型进行结构学习，大多都是在人为设定的模型结构基础上展开研究，需花费大量时间进行结构调整，且非常依赖于经验，少数研究对简单的驾驶意图模型进行结构学习。除此之外，车辆驾驶认知模型不仅需要对被预测车辆的驾驶意图进行识别，还需要对车辆的运动特性进行判断，因为车辆的运动特性可以反映车辆在同一驾驶意图下存在多种可能运动轨迹这一现象，进而能够帮助智能车辆对周车进行准确的轨迹预测和风险评估，提高智能车辆的行驶安全性。同时，驾驶认知模型需要具备多种综合性能，如识别准确性和识别响应特性等。因此，有必要开发基于动态贝叶斯网络的驾驶认知模型多目标结构优化方法。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种驾驶认知模型多目标结构优化方法，能够提高智能车辆对实时交通场景的理解和认知能力，使其能够进行合理、安全、可靠的驾驶行为决策。
本发明的另一个目的在于提出一种驾驶认知模型多目标结构优化装置。
为达到上述目的，本发明一方面实施例提出了一种驾驶认知模型多目标结构优化方法，包括以下步骤：基于动态贝叶斯网络对驾驶认知模型的节点信息进行预定义，以基于预定义结果对模型结构进行数字化表达；定义所述驾驶认知模型的多性能评价指标，以建立所述驾驶认知模型的多性能评价函数，并利用数据驱动对所述驾驶认知模型训练得到模型参数；基于数字化表达的模型结构定义结构优化变量，并基于拉丁超立方体抽样初始化所述结构优化变量，并剔除初始化变量中不合理的驾驶认知模型结构，结合所述多性能评价函数、所述模型参数和基于Tent映射的加速粒子群算法进行粒子迭代与更新，以得到满足多个目标性能的驾驶认知模型优化结构。
本发明实施例的驾驶认知模型多目标结构优化方法，能够基于给定的多维观测序列数据和想要推断的驾驶认知变量，通过数据驱动的方式自动学习得到合理的驾驶认知模型结构，用于表征两者最佳的相互关系；设计了驾驶认知网络模型结构的数字化表达方法，以及评价模型结构的多种性能指标，为实现驾驶认知模型结构的多目标学习与优化奠定基础；融合了基于拉丁超立方体抽样的初始化方法和基于混沌映射的粒子随机更新方法，提升基于加速粒子群算法的模型结构优化的效率，解决模型训练耗时严重的难题，同时增加了全局收敛能力，得到满足各性能要求下的尽可能最优的驾驶认知模型结构；从而可以用于更合理可靠的得到车辆高级语义信息和车辆物理运动信息间的最优关系结构，该模型结构具备较好的准确性和响应特性，对于智能车辆的精准风险评估、合理行为决策和安全行驶具有一定应用价值，也为道路交通参与者的行为认知领域提供一种新的思路。
另外，根据本发明上述实施例的驾驶认知模型多目标结构优化方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述基于动态贝叶斯网络对驾驶认知模型的节点信息进行预定义，以基于预定义结果对模型结构进行数字化表达，包括：定义时刻t下节点和/>之间的连接关系、节点/>和/>之间的连接关系、节点/>和之间的连接关系、节点/>和/>分别与时刻t+1下模型各节点/> 之间的连接关系，其中，车辆驾驶意图H1、车辆运动特性H2，纵向位置O3、横向位置O4、纵向速度O5、横向速度O6、纵向加速度O7、横向加速度O8以及所处环境信息O9；设置驾驶认知模型的三个结构优化变量{S1，S2，S3}，使用数字化基因编码序列对结构优化变量进行数字化表达，其中，S1代表t时刻下节点/>和/>之间的连接关系，S2代表t时刻下观测节点/>与隐节点/>间的连接关系，S3代表t+1时刻模型各节点与上一时刻模型的隐变量节点/>之间的连接关系；剔除数字化表达中的不合理结构，并利用优化变量S1确定t时刻下隐变量/>和/>之间的连接关系，利用优化变量S2确定t时刻下隐变量/>和观测变量/>之间的连接关系，利用优化变量S3确定t时刻下模型的隐变量{H1，H2}与t+1时刻下模型各个节点间的连接关系，以解码得到所述驾驶认知模型的结构。
进一步地，在本发明的一个实施例中，所述设置驾驶认知模型的三个结构优化变量{S1，S2，S3}，包括：设置结构优化变量S1：使用2位0-1编码序列组合{00～11}，包括4种可能性{00，01，10，11}，取值范围为整数0～3，其中，00代表节点H1和H2之间没有连接关系，01代表存在由节点H1指向节点H2的箭头，10代表存在由节点H2指向节点H1的箭头，11代表节点H1和节点H2存在双向箭头；设置结构优化变量S2：使用14位0-1编码序列组合{00000000000000～11111111111111}，包括16384种可能性，取值范围为整数0～16383，所述驾驶认知模型共有7个观测节点，每个观测节点与隐变量节点的连接关系有4种可能性，用2位0-1编码组合{00～11}表示，其中，00代表该观测节点与{H1，H2}之间没有连接关系，10代表存在由节点H1指向该观测节点的箭头，01代表存在由节点H2指向该观测节点的箭头，11代表同时存在由节点{H1，H2}指向该观测节点箭头；设置结构优化变量S3：使用18位0-1编码序列组合{000000000000000000～111111111111111111}，包括262144种可能性，取值范围为整数0～262143，在t+1时刻下模型的各个节点 与t时刻下节点/>之间的连接关系有4种可能性，每个节点用2位0-1编码组合{00～11}表示4种可能性，t+1时刻下模型的9个节点通过18位的编码序列表示。
进一步地，在本发明的一个实施例中，所述结合所述多性能评价函数、所述模型参数和基于Tent映射的加速粒子群算法进行粒子迭代与更新，以得到满足多个目标性能的驾驶认知模型优化结构，包括：定义初始种群数量N和迭代次数G，初始种群中包含N个粒子其中粒子ni的三个分量/>分别代表三种结构优化变量；利用空间填充设计理论使得初始种群的分布均匀，采用拉丁超立方体抽样进行种群的初始化，以产生第j个分量下的N个初始粒子，将所有分量下得到的粒子组成所述初始化种群；将所述多性能评价函数MFunc作为适应度函数MFit，基于所述初始化种群，种群中每一个粒子ni都代表一种模型结构，利用驾驶认知模型不合理结构筛选机制对不合理结构的适应度函数直接赋值为0；对于筛选后的粒子进行驾驶认知模型结构进行解码，并对模型进行数据训练得到精炼训练样本Strain下模型的参数Θ，并对模型进行测试预测评价得到精炼测试样本Stest下模型驾驶意图和运动特性概率{PInt，PMot}的输出序列，基于所述适应度函数和所述输出序列得到所述粒子ni对应的驾驶认知模型结构的适应度值/>根据每个粒子的适应度值计算当前迭代下所有粒子的群体最优值，利用Tent映射计算得到下一迭代下的收敛因子ηt+1和ξt+1，使用加速粒子群优化算法更新粒子速度和位置，以确定下一迭代粒子的速度和位置，同时得到新的种群，当迭代次数达到最大迭代次数G时，得到满足多个目标性能的驾驶认知模型优化结构。
进一步地，在本发明的一个实施例中，所述多性能评价函数为：
其中，和/>分别代表驾驶意图识别和运动特性的识别符号函数，t1(i)和t2(i)分别代表驾驶意图识别和运动特性的识别时刻，{ω1，ω2，ω3，ω4}代表各个性能指标的权重。
为达到上述目的，本发明另一方面实施例提出了一种驾驶认知模型多目标结构优化装置，包括：结构表达模块，用于基于动态贝叶斯网络对驾驶认知模型的节点信息进行预定义，以基于预定义结果对模型结构进行数字化表达；多性能评价模块，用于定义所述驾驶认知模型的多性能评价指标，以建立所述驾驶认知模型的多性能评价函数，并利用数据驱动对所述驾驶认知模型训练得到模型参数；多目标结构优化模块，用于基于数字化表达的模型结构定义结构优化变量，并基于拉丁超立方体抽样初始化所述结构优化变量，并剔除初始化变量中不合理的驾驶认知模型结构，结合所述多性能评价函数、所述模型参数和基于Tent映射的加速粒子群算法进行粒子迭代与更新，以得到满足多个目标性能的驾驶认知模型优化结构。
本发明实施例的驾驶认知模型多目标结构优化装置，能够基于给定的多维观测序列数据和想要推断的驾驶认知变量，通过数据驱动的方式自动学习得到合理的驾驶认知模型结构，用于表征两者最佳的相互关系；设计了驾驶认知网络模型结构的数字化表达方法，以及评价模型结构的多种性能指标，为实现驾驶认知模型结构的多目标学习与优化奠定基础；融合了基于拉丁超立方体抽样的初始化方法和基于混沌映射的粒子随机更新方法，提升基于加速粒子群算法的模型结构优化的效率，解决模型训练耗时严重的难题，同时增加了全局收敛能力，得到满足各性能要求下的尽可能最优的驾驶认知模型结构；从而可以用于更合理可靠的得到车辆高级语义信息和车辆物理运动信息间的最优关系结构，该模型结构具备较好的准确性和响应特性，对于智能车辆的精准风险评估、合理行为决策和安全行驶具有一定应用价值，也为道路交通参与者的行为认知领域提供一种新的思路。
另外，根据本发明上述实施例的驾驶认知模型多目标结构优化装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述结构表达模块进一步用于定义时刻t下节点和/>之间的连接关系、节点/>和/>之间的连接关系、节点/>和之间的连接关系、节点/>和/>分别与时刻t+1下模型各节点/> 之间的连接关系，其中，车辆驾驶意图H1、车辆运动特性H2，纵向位置O3、横向位置O4、纵向速度O5、横向速度O6、纵向加速度O7、横向加速度O8以及所处环境信息O9；设置驾驶认知模型的三个结构优化变量{S1，S2，S3}，使用数字化基因编码序列对结构优化变量进行数字化表达，其中，S1代表t时刻下节点/>和/>之间的连接关系，S2代表t时刻下观测节点/>与隐节点/>间的连接关系，S3代表t+1时刻模型各节点与上一时刻模型的隐变量节点/>之间的连接关系；剔除数字化表达中的不合理结构，并利用优化变量S1确定t时刻下隐变量/>和/>之间的连接关系，利用优化变量S2确定t时刻下隐变量/>和观测变量/>之间的连接关系，利用优化变量S3确定t时刻下模型的隐变量{H1，H2}与t+1时刻下模型各个节点间的连接关系，以解码得到所述驾驶认知模型的结构。
进一步地，在本发明的一个实施例中，所述设置驾驶认知模型的三个结构优化变量{S1，S2，S3}，包括：设置结构优化变量S1：使用2位0-1编码序列组合{00～11}，包括4种可能性{00，01，10，11}，取值范围为整数0～3，其中，00代表节点H1和H2之间没有连接关系，01代表存在由节点H1指向节点H2的箭头，10代表存在由节点H2指向节点H1的箭头，11代表节点H1和节点H2存在双向箭头；设置结构优化变量S2：使用14位0-1编码序列组合{00000000000000～11111111111111}，包括16384种可能性，取值范围为整数0～16383，所述驾驶认知模型共有7个观测节点，每个观测节点与隐变量节点的连接关系有4种可能性，用2位0-1编码组合{00～11}表示，其中，00代表该观测节点与{H1，H2}之间没有连接关系，10代表存在由节点H1指向该观测节点的箭头，01代表存在由节点H2指向该观测节点的箭头，11代表同时存在由节点{H1，H2}指向该观测节点箭头；设置结构优化变量S3：使用18位0-1编码序列组合{000000000000000000～111111111111111111}，包括262144种可能性，取值范围为整数0～262143，在t+1时刻下模型的各个节点 与t时刻下节点/>之间的连接关系有4种可能性，每个节点用2位0-1编码组合{00～11}表示4种可能性，t+1时刻下模型的9个节点通过18位的编码序列表示。
进一步地，在本发明的一个实施例中，所述多目标结构优化模块进一步用于定义初始种群数量N和迭代次数G，初始种群中包含N个粒子其中粒子ni的三个分量/>分别代表三种结构优化变量；利用空间填充设计理论使得初始种群的分布均匀，采用拉丁超立方体抽样进行种群的初始化，以产生第j个分量下的N个初始粒子，将所有分量下得到的粒子组成所述初始化种群；将所述多性能评价函数MFunc作为适应度函数MFit，基于所述初始化种群，种群中每一个粒子ni都代表一种模型结构，利用驾驶认知模型不合理结构筛选机制对不合理结构的适应度函数直接赋值为0；对于筛选后的粒子进行驾驶认知模型结构进行解码，并对模型进行数据训练得到精炼训练样本Strain下模型的参数Θ，并对模型进行测试预测评价得到精炼测试样本Stest下模型驾驶意图和运动特性概率{PInt，PMot}的输出序列，基于所述适应度函数和所述输出序列得到所述粒子ni对应的驾驶认知模型结构的适应度值/>根据每个粒子的适应度值计算当前迭代下所有粒子的群体最优值，利用Tent映射计算得到下一迭代下的收敛因子ηt+1和ξt+1，使用加速粒子群优化算法更新粒子速度和位置，以确定下一迭代粒子的速度和位置，同时得到新的种群，当迭代次数达到最大迭代次数G时，得到满足多个目标性能的驾驶认知模型优化结构。
进一步地，在本发明的一个实施例中，所述多性能评价函数为：
其中，和/>分别代表驾驶意图识别和运动特性的识别符号函数，t1(i)和t2(i)分别代表驾驶意图识别和运动特性的识别时刻，{ω1，ω2，ω3，ω4}代表各个性能指标的权重，N代表序列数据的数量，i代表第i个序列数据，/>是一个符号函数，当模型准确识别第i个序列数据时，输出1，否则输出0。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的驾驶认知模型多目标结构优化方法流程图；
图2为根据本发明实施例的基于动态贝叶斯网络的驾驶认知模型多目标结构优化方法的框架图；
图3为根据本发明实施例的基于动态贝叶斯网络的驾驶认知模型的结构示意图；
图4为根据本发明实施例的基于动态贝叶斯网络的驾驶认知模型的一个示例图；
图5为根据本发明实施例的驾驶认知模型的多目标结构优化算法的流程图；
图6为根据本发明实施例的驾驶认知模型多目标结构优化装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的驾驶认知模型多目标结构优化方法及装置，首先将参照附图描述根据本发明实施例提出的驾驶认知模型多目标结构优化方法。
图1是本发明一个实施例的驾驶认知模型多目标结构优化方法的流程图。
如图1所示，该驾驶认知模型多目标结构优化方法包括以下步骤：
在步骤S101中，基于动态贝叶斯网络对驾驶认知模型的节点信息进行预定义，以基于预定义结果对模型结构进行数字化表达。
可以理解的是，如图2所示，本发明实施例首先进行驾驶认知模型的结构表达。首先基于动态贝叶斯网络，对驾驶认知模型包含的节点进行预定义，节点信息包括车辆的高级语义信息(如驾驶意图和运动特性)和基本观测信息(如车辆自身的各种物理运动状态和周围环境信息)。基于上述预定义结果，对驾驶认知模型的结构进行数字化表达，包括结构的数字化编码、不合理结构的筛选与剔除以及结构的解码。
在本发明的一个实施例中，基于动态贝叶斯网络对驾驶认知模型的节点信息进行预定义，以基于预定义结果对模型结构进行数字化表达，包括：定义时刻t下节点和/>之间的连接关系、节点/>和/>之间的连接关系、节点/>和/>之间的连接关系、节点/>和/>分别与时刻t+1下模型各节点/>之间的连接关系，其中，车辆驾驶意图H1、车辆运动特性H2，纵向位置O3、横向位置O4、纵向速度O5、横向速度O6、纵向加速度O7、横向加速度O8以及所处环境信息O9；设置驾驶认知模型的三个结构优化变量{S1，S2，S3}，使用数字化基因编码序列对结构优化变量进行数字化表达，其中，S1代表t时刻下节点/>和/>之间的连接关系，S2代表t时刻下观测节点与隐节点/>间的连接关系，S3代表t+1时刻模型各节点/> 与上一时刻模型的隐变量节点/>之间的连接关系；剔除数字化表达中的不合理结构，并利用优化变量S1确定t时刻下隐变量/>和/>之间的连接关系，利用优化变量S2确定t时刻下隐变量/>和观测变量/>之间的连接关系，利用优化变量S3确定t时刻下模型的隐变量/>与t+1时刻下模型各个节点/> 间的连接关系，以解码得到驾驶认知模型的结构。
具体而言，如图2所示，驾驶认知模型的结构表达包括：
步骤S1.1，驾驶认知模型的节点预定义。由于动态贝叶斯网络主要由节点和边组成，其中，节点代表变量，变量一般包含隐变量和观测变量；边指的是不同节点间的连线，代表条件概率。另外，节点和边决定了动态贝叶斯网络的结构。因此，搭建驾驶认知模型首先需要确定模型的隐变量和观测变量，而模型的结构学习则是针对模型的节点和边进行优化。
基于动态贝叶斯网络的驾驶认知模型的结构要素示意图如图3所示，方框节点代表隐变量{H1，H2}，圆圈节点代表观测变量{O3，O4，O5，O6，O7，O8，O9}，虚线箭头代表模型的边，主要包括：时刻t下节点和/>之间的连接关系、节点/>和/>之间的连接关系、节点/>和/>之间的连接关系；以及时刻t下节点/>和/>分别与时刻t+1下模型各节点/>之间的连接关系。
这里首先确定模型的隐变量为被预测车辆的高级语义信息：车辆驾驶意图H1、车辆运动特性H2。模型可能的观测变量为被预测车辆的基本物理运动信息包括纵向位置O3、横向位置O4、纵向速度O5、横向速度O6、纵向加速度O7、横向加速度O8，以及所处环境信息O9，表征被预测车辆是否存在旁车和当前时刻所在的车道。
步骤S1.2，驾驶认知模型结构的数字化编码。首先设置驾驶认知模型的三个结构优化变量{S1，S2，S3}，其中S1代表t时刻下节点和/>之间的连接关系；S2代表t时刻下观测节点/>与隐节点/>间的连接关系；S3代表t+1时刻模型各节点 与上一时刻模型的隐变量节点/>之间的连接关系。
在定义了上述三类变量的定性含义后，为了方便后续使用结构优化算法进行结构学习，需要对这三类变量进行量化表达。这里使用0-1数字化基因编码序列的方式，对结构优化变量进行数字化表达。
针对结构优化变量S1，使用2位0-1编码序列组合{00～11}，包括4种可能性{00，01，10，11}，取值范围为整数0～3，00代表节点H1和H2之间没有连接关系，01代表存在由节点H1指向节点H2的箭头，10代表存在由节点H2指向节点H1的箭头，11代表节点H1和节点H2存在双向箭头(这是不合理的结构，后续会剔除)。
针对结构优化变量S2，使用14位0-1编码序列组合{00000000000000～11111111111111}，包括16384种可能性，取值范围为整数0～16383，由于图3给出的驾驶认知模型共有7个观测节点，每个观测节点与隐变量节点的可能连接关系有4种，可以用2位0-1编码组合{00～11}表示，00代表该观测节点与{H1，H2}之间没有连接关系，10代表存在由节点H1指向该观测节点的箭头，01代表存在由节点H2指向该观测节点的箭头，11代表同时存在由节点{H1，H2}指向该观测节点箭头。因此，以11111111111111为例，它表示每个观测节点{Oi，i＝3，4，...，9}均与节点{H1，H2}存在箭头连接关系。
针对结构优化变量S3，使用18位0-1编码序列组合{000000000000000000～111111111111111111}，包括262144种可能性，取值范围为整数0～262143，在图3中，由于t+1时刻下模型的各个节点与t时刻下节点/>之间可能的连接关系也有4种，类似于结构优化变量S2，每个节点可以用2位0-1编码组合{00～11}表示这4种可能的关系，因此t+1时刻下模型的9个节点需要18位的编码序列来表示。以111111111111111111为例，它表示t+1时刻的每个节点/>均与t时刻的节点/>存在箭头连接关系。
需要说明的是，结构优化变量S1-S3使用0-1编码序列组合的位数可以根据具体的驾驶认知模型进行设置，不做具体限定。也就是说，上述实施例中的数字化表达方式为示例性的，并不限定本发明实施例的适用范围，事实上，本发明实施例驾驶认知模型结构的数字化表达方法能够适用于不同节点数量的模型结构化；例如，如图4所示，当观测节点数量变为4时，可以将结构优化变量{S2，S3}设置为不同位数的数字化基因编码序列，从而可以继续利用驾驶认知模型结构优化算法进行多目标结构优化。
步骤S1.3，驾驶认知模型不合理结构的筛选。上述步骤S1.2能够在最小化优化变量个数的前提下进行结构的数字化表达，但是不可避免的出现某些模型结构是错误的情况，为了提高后续结构优化的效率，这里对常见的不合理结构进行筛选和剔除。
由于动态贝叶斯网络是有向无环图，因此，当结构优化变量S1取11时，存在环形，故需要对这种情况进行剔除。当结构优化变量S1取00，且结构优化变量S2取00000000000000时，模型不存在边，故需要对这种情况进行剔除。当结构优化变量S3取000000000000000000时，动态贝叶斯网络退化成静态网络，故需要对这种情况进行剔除。
除此之外，当结构优化变量S1取00，结构优化变量S2所代表的7个观测节点中，至少得存在一个节点同时与{H1，H2}存在箭头连接关系，否则该模型就是独立割裂的状态，这是不合理的情况。
步骤S1.4，驾驶认知模型结构的解码，主要是指基于步骤S1.2得到的优化变量{S1，S2，S3}的编码序列，还原模型的结构，方便后续模型的评价与可视化表达。首先利用编码序列长度为2的优化变量S1，确定t时刻下隐变量和/>之间的连接关系，接着利用编码序列长度为14优化变量S2，确定t时刻下隐变量/>和观测变量/>之间的连接关系，最后，利用编码序列长度为18优化变量S3，确定t时刻下模型的隐变量{H1，H2}与t+1时刻下模型各个节点/>间的连接关系，从而可以得到完整的驾驶认知模型的结构图。
在步骤S102中，定义驾驶认知模型的多性能评价指标，以建立驾驶认知模型的多性能评价函数，并利用数据驱动对驾驶认知模型训练得到模型参数。
可以理解的是，如图2所示，驾驶认知模型的多性能评价：首先定义驾驶认知模型的多种性能评价指标，包括识别准确性和识别响应特性，从而建立模型的多性能评价函数；其次，利用数据驱动的方式进行模型的训练，得到模型的参数；最后，利用建立的评价函数和学习到的模型参数，对驾驶认知模型进行测试和评价分析
具体而言，如图2所示，驾驶认知模型的多性能评价包括驾驶认知模型的多性能评价函数的建立和驾驶认知模型的数据训练，具体如下：
步骤S2.1，驾驶认知模型的多性能评价函数的建立。首先定义模型的多个性能指标，然后建立多性能评价函数。由于驾驶认知模型用于识别被预测车辆当前时刻的驾驶意图和运动特性，这一识别结果直接作用于智能车辆的对周车的轨迹预测和风险评估，间接作用于智能车辆的驾驶决策，因此需要考虑驾驶认知模型的多种综合性能以保证智能车辆安全行驶。这里主要考虑两大性能指标：模型识别的准确性和响应特性。
针对某一驾驶意图和运动特性下的车辆观测序列数据，将其作为驾驶认知模型的输入，模型的输出结果为驾驶意图和运动特性的识别概率。从而定义模型识别的准确性：模型针对某一驾驶意图和运动特性下的序列数据，模型对其的识别概率大于50％，且识别的驾驶意图和运动特性与给定的数据是一致的，则认为准确识别。对于多个这样的序列数据，模型识别的准确性用准确率MACC这个指标表示：
其中，N代表序列数据的数量，i代表第i个序列数据，是一个符号函数，当模型准确识别第i个序列数据时，输出1，否则输出0。
进一步的，在准确识别驾驶意图和运动特性的基础上，还需要追求模型的响应特性，这个性能指标用于表征模型识别过程中的反应速度，如果模型的识别响应特性好，则表示识别的反应速度快、反应时间短。从而先定义模型识别的反应时间：针对某一驾驶意图和运动特性下的车辆观测序列数据，模型输出识别概率大于50％所对应的时刻t_0.5，相对于人为标定的识别时刻tlabel的滞后时间。对于多个这样的序列数据，模型识别的响应特性用反应时间MRES这个指标表示：
基于上述两大模型性能特性的定义，这里设计模型的多性能评价函数MFunc如下：
其中和/>分别代表驾驶意图识别和运动特性的识别符号函数，t1(i)和t2(i)分别代表驾驶意图识别和运动特性的识别时刻。{ω1，ω2，ω3，ω4}代表各个性能指标的权重。
由于对模型的识别准确性而言，MACC越大越好，而对模型的响应特性而言，MRES越小越好，因此这里MFunc使用了驾驶意图识别和运动特性的识别错误率来保持一致性。
步骤S2.2，驾驶认知模型的数据训练。基于步骤S1.4的模型结构解码结果，需要对解码后的模型进行参数的数据学习，主要分两步：训练样本数据的准备；模型参数学习算法的应用。
关于训练样本数据的准备，首先根据解码后的结构确定模型的观测节点，确定训练样本的序列数据所包含的观测信息，然后针对每一条序列数据样本，对驾驶意图和运动特性进行标定，即赋予标签。考虑到后续的模型参数学习耗时严重，为了提升效率，可以对上述序列数据样本进行筛选，剔除较长序列的样本，最后形成用于模型参数学习的精炼训练样本Strain。
根据解码后的结构确定模型同一时刻下各节点间的连接关系、相邻时刻间各节点的连接关系。从而确定模型隐变量和观测变量节点在时间T内的联合概率分布：
其中，Nj和Ni分别代表隐变量和观测变量节点的个数；代表t时刻下第j个隐变量节点的父节点；/>代表t时刻下第i个观测变量节点的父节点。
根据上述联合概率分布确定模型的参数Θ＝{Θ1，Θ2}，Θ1为隐变量节点的条件概率Θ2为观测变量节点的条件概率/>接着，通过利用模型的精炼训练样本Strain，使用期望最大算法(Expectation Maximization Algorithm)，来学习上述模型的参数Θ，即各种条件概率。
步骤S2.3，驾驶认知模型的测试与评价。根据解码后的结构确定模型的观测节点，从而确定模型每一个测试序列样本所包含的观测信息。为了提升后续模型测试的效率，剔除上述序列样本中长度较长的样本，最终形成用于模型测试的精炼测试样本 其中/>代表第i个测试序列样本，Ti代表该序列样本的长度，Ni代表精炼测试样本的数量。
将上述精炼测试样本Stest输入到驾驶认知模型中，经过模型的概率推理算法，可以得到某个测试序列下每一个隐变量(驾驶意图和运动特性)取特定状态序列的条件概率：/>由此可以得到1：Ti时域内每一时刻t(t∈1：Ti)下，驾驶意图和运动特性取各特定状态/>的概率值
针对精炼测试样本Stest，可以得到模型的测试结果该结果是以概率序列的形式表达的，通过结合步骤S2.2中关于驾驶意图和运动特性的准确性与响应特性的评价方法，以及步骤S2.2中模型多性能评价函数，可以计算出该精炼测试样本Stest下的模型综合性能评价值/>
在步骤S103中，基于数字化表达的模型结构定义结构优化变量，并基于拉丁超立方体抽样初始化结构优化变量，并剔除初始化变量中不合理的驾驶认知模型结构，结合多性能评价函数、模型参数和基于Tent映射的加速粒子群算法进行粒子迭代与更新，以得到满足多个目标性能的驾驶认知模型优化结构。
可以理解的是，如图2所示，驾驶认知模型的多目标结构优化。首先利用步骤S101的结构数字化表达，定义模型结构的基因数字序列，即结构优化变量，进而基于拉丁超立方体抽样对这些变量进行初始化，形成初始种群。接着利用步骤S101的结构筛选和结构解码，对不合理的驾驶认知模型结构进行剔除，结合步骤S102的多性能评价函数和模型训练与测试方法，将多性能函数作为后续多目标优化算法(即粒子群优化算法)的适应度函数，通过对结构合理的模型进行测试与评价，得到其适应度函数值。最后，为了保证算法的效率和精度，设计基于Tent映射的加速粒子群算法，经过多轮具有一定随机性的粒子迭代与更新，得到满足多个目标性能的最优驾驶认知模型结构。
在本发明的一个实施例中，结合多性能评价函数、模型参数和基于Tent映射的加速粒子群算法进行粒子迭代与更新，以得到满足多个目标性能的驾驶认知模型优化结构，包括：定义初始种群数量N和迭代次数G，初始种群中包含N个粒子其中粒子ni的三个分量/>分别代表三种结构优化变量；利用空间填充设计理论使得初始种群的分布均匀，采用拉丁超立方体抽样进行种群的初始化，以产生第j个分量下的N个初始粒子，将所有分量下得到的粒子组成初始化种群；将多性能评价函数MFunc作为适应度函数MFit，基于初始化种群，种群中每一个粒子ni都代表一种模型结构，利用驾驶认知模型不合理结构筛选机制对不合理结构的适应度函数直接赋值为0；对于筛选后的粒子进行驾驶认知模型结构进行解码，并对模型进行数据训练得到精炼训练样本Strain下模型的参数Θ，并对模型进行测试预测评价得到精炼测试样本Stest下模型驾驶意图和运动特性概率{PInt，PMot}的输出序列，基于适应度函数和输出序列得到粒子ni对应的驾驶认知模型结构的适应度值/>根据每个粒子的适应度值计算当前迭代下所有粒子的群体最优值，利用Tent映射计算得到下一迭代下的收敛因子ηt+1和ξt+1，使用加速粒子群优化算法更新粒子速度和位置，以确定下一迭代粒子的速度和位置，同时得到新的种群，当迭代次数达到最大迭代次数G时，得到满足多个目标性能的驾驶认知模型优化结构。
具体而言，如图5所示，驾驶认知模型的多目标结构优化包括：
步骤S3.1，基于拉丁超立方抽样的初值选择。基于步骤S1.2模型结构的数字化编码方式，可以得到驾驶认知模型的三个结构优化变量{S1，S2，S3}，每个变量的取值范围分别为整数0～3、整数0～16383和整数0～262143。首先，需说明的是这里的驾驶认知模型的结构优化算法是基于启发式算法-粒子群优化算法，该算法需定义算法的初始种群数量N和算法迭代次数G。初始种群中包含N个粒子其中粒子ni的三个分量 分别代表三种结构优化变量。为了增加后续结构优化算法的全局收敛能力，同时减少算法的迭代次数，提高算法的运行效率，需要，利用空间填充设计理论使得初始种群的分布尽可能的均匀，于是采用拉丁超立方体抽样的方法进行种群的初始化：1)确定抽样的规模为N；2)确定第j个分量下的粒子nj的取值范围[lj，uj]；3)将[lj，uj]划分为N个相等的小区间，从而将超立方体划分成N3个小超立方体；4)生成N×3的矩阵M，M每一行对应一个被选中的小超立方体所随机产生的一个样本，每一列是1～N个数的一个随机排列。这样就能产生第j个分量下的N个初始粒子，最终将所有分量下得到的粒子组成形成初始种群。
步骤S3.2，适应度函数的选择与适应度值的计算。由于粒子群优化算法需要定义适应度函数，来引导粒子后续的更新与迭代，从而收敛到最优值。这里基于步骤S2.1所定义的多性能评价函数MFunc作为优化算法的适应度函数MFit。
基于步骤S3.1所得到的初始化种群，种群中每一个粒子ni都代表一种模型结构，利用步骤S1.3提出的驾驶认知模型不合理结构筛选机制，对不合理结构的适应度函数直接赋值为0。对于筛选后的粒子利用步骤S1.4对其进行驾驶认知模型结构的解码，进而可以利用步骤S2.2对模型进行数据训练，得到精炼训练样本Strain下模型的参数Θ，最后利用步骤S2.3对模型进行测试预测评价，得到精炼测试样本Stest下模型驾驶意图和运动特性概率{PInt，PMot}的输出序列，基于适应度函数，得到该粒子ni所对应的驾驶认知模型结构的适应度值
步骤S3.3，使用基于混沌映射的加速粒子群算法进行模型结构的多目标优化。由于步骤S102中驾驶认知模型的训练和测试耗时严重，传统的粒子群优化算法虽然相比于多目标遗传算法，如非支配排序遗传算法，运行效率已经有了一定的提升，但是为了获得更高的优化时效同时保证良好的优化精度，这里使用加速粒子群优化算法，同时采用混沌映射增强粒子的遍历性和随机性，尽可能的使算法避免陷入局部最优，增加获得全局最优解的概率
一般的粒子群算法在每一次迭代过程中，都需要两个极值来更新粒子的位置和速度，一个极值是截至目前为止该粒子所能获得的最好的适应度值(也称为个体最优值)，另一个极值是截至目前为止所有粒子中的最好的适应度值g*(也称为群体最优值)。而加速粒子群算法为提升收敛速度，每次迭代更新只利用群体最优值g*，每个粒子ni在第t个迭代下的速度和位置/>的更新方程如下：
其中，randn代表从标准正态分布中生成的随机数，η和ξ为重要收敛因子，且为[0，1]之间的随机数。
由于重要收敛因子将影响到算法的全局收敛能力，因此采用混沌映射的方式来进行η和ξ的更新。混沌映射有很多种类型，比如常见的高斯映射、逻辑斯蒂映射等，这里采用Tent映射(也称为帐篷映射)，因此它具有均匀的概率密度和功率谱密度，且初值敏感度比较低，适合大规模的序列数据处理，有较高的迭代速度。基于Tent映射的η和ξ更新公式如下：
但是Tent映射也有一些弊端，其映射序列中存在小周期和不稳周期点，为了解决这些缺陷，设置一些条件约束：以η为例，如果在上述的迭代过程中，出现ηt等于0或者0.25或者0.5或者0.75，或者ηt＝ηt-m，m＝{0，1，2，3，4}，则η的更新公式改为：
类似的，当ξ遇到相同的情况，其更新公式改为：
最后，基于步骤S3.2所得到的每个粒子ni所对应的驾驶认知模型结构的适应度值可以计算当前迭代下，所有粒子的群体最优值，利用Tent映射的计算公式得到下一迭代下的重要收敛因子ηt+1和ξt+1，然后使用加速粒子群优化算法的粒子速度和位置的更新公式，确定下一迭代粒子的速度和位置，同时得到新的种群。如此循环往复，当迭代次数达到最大迭代次数G，停止运行，输出最优的适应度下的解，利用模型结构的解码机制，可以得到该最优解所对应的最优驾驶认知模型，由于该解是最优适应度下的输出结果，而适应度函数是之前定义的模型多性能评价函数，因此通过本发明提出的模型结构优化算法能够进行结构的多目标优化，得到综合性能最优的驾驶认知模型结构。
综上，本发明实施例的方法基于动态贝叶斯网络构建驾驶认知模型，由于不同模型结构具有不同的模型性能，因此设计了模型结构的多性能评价函数，引入拉丁超立方体抽样的混沌映射加速粒子群算法，实现驾驶认知模型结构的多目标优化，且优化后的结构能满足多种性能需求。
根据本发明实施例提出的驾驶认知模型多目标结构优化方法，能够基于给定的多维观测序列数据和想要推断的驾驶认知变量，通过数据驱动的方式自动学习得到合理的驾驶认知模型结构，用于表征两者最佳的相互关系；设计了驾驶认知网络模型结构的数字化表达方法，以及评价模型结构的多种性能指标，为实现驾驶认知模型结构的多目标学习与优化奠定基础；融合了基于拉丁超立方体抽样的初始化方法和基于混沌映射的粒子随机更新方法，提升基于加速粒子群算法的模型结构优化的效率，解决模型训练耗时严重的难题，同时增加了全局收敛能力，得到满足各性能要求下的尽可能最优的驾驶认知模型结构；从而可以用于更合理可靠的得到车辆高级语义信息和车辆物理运动信息间的最优关系结构，该模型结构具备较好的准确性和响应特性，对于智能车辆的精准风险评估、合理行为决策和安全行驶具有一定应用价值，也为道路交通参与者的行为认知领域提供一种新的思路。
其次参照附图描述根据本发明实施例提出的驾驶认知模型多目标结构优化装置。
图6是本发明一个实施例的驾驶认知模型多目标结构优化装置的结构示意图。
如图6所示，该驾驶认知模型多目标结构优化装置10包括：结构表达模块100、多性能评价模块200和多目标结构优化模块300。
其中，结构表达模块100用于基于动态贝叶斯网络对驾驶认知模型的节点信息进行预定义，以基于预定义结果对模型结构进行数字化表达；多性能评价模块200用于定义驾驶认知模型的多性能评价指标，以建立驾驶认知模型的多性能评价函数，并利用数据驱动对驾驶认知模型训练得到模型参数；多目标结构优化模块300用于基于数字化表达的模型结构定义结构优化变量，并基于拉丁超立方体抽样初始化结构优化变量，并剔除初始化变量中不合理的驾驶认知模型结构，结合多性能评价函数、模型参数和基于Tent映射的加速粒子群算法进行粒子迭代与更新，以得到满足多个目标性能的驾驶认知模型优化结构。
进一步地，在本发明的一个实施例中，结构表达模块100进一步用于定义时刻t下节点和/>之间的连接关系、节点/>和/>之间的连接关系、节点/>和之间的连接关系、节点/>和/>分别与时刻t+1下模型各节点/> 之间的连接关系，其中，车辆驾驶意图H1、车辆运动特性H2，纵向位置O3、横向位置，O4、纵向速度O5、横向速度O6、纵向加速度O7、横向加速度O8以及所处环境信息O9；设置驾驶认知模型的三个结构优化变量{S1，S2，S3}，使用数字化基因编码序列对结构优化变量进行数字化表达，其中，S1代表t时刻下节点/>和/>之间的连接关系，S2代表t时刻下观测节点/>与隐节点/>间的连接关系，S3代表t+1时刻模型各节点与上一时刻模型的隐变量节点/>之间的连接关系；剔除数字化表达中的不合理结构，并利用优化变量S1确定t时刻下隐变量/>和/>之间的连接关系，利用优化变量S2确定t时刻下隐变量/>和观测变量/>之间的连接关系，利用优化变量S3确定t时刻下模型的隐变量{H1，H2}与t+1时刻下模型各个节点间的连接关系，以解码得到驾驶认知模型的结构。
进一步地，在本发明的一个实施例中，设置驾驶认知模型的三个结构优化变量{S1，S2，S3}，包括：设置结构优化变量S1：使用2位0-1编码序列组合{00～11}，包括4种可能性{00，01，10，11}，取值范围为整数0～3，其中，00代表节点H1和H2之间没有连接关系，01代表存在由节点H1指向节点H2的箭头，10代表存在由节点H2指向节点H1的箭头，11代表节点H1和节点H2存在双向箭头；设置结构优化变量S2：使用14位0-1编码序列组合{00000000000000～11111111111111}，包括16384种可能性，取值范围为整数0～16383，驾驶认知模型共有7个观测节点，每个观测节点与隐变量节点的连接关系有4种可能性，用2位0-1编码组合{00～11}表示，其中，00代表该观测节点与{H1，H2}之间没有连接关系，10代表存在由节点H1指向该观测节点的箭头，01代表存在由节点H2指向该观测节点的箭头，11代表同时存在由节点{H1，H2}指向该观测节点箭头；设置结构优化变量S3：使用18位0-1编码序列组合{000000000000000000～111111111111111111}，包括262144种可能性，取值范围为整数0～262143，在t+1时刻下模型的各个节点 与t时刻下节点之间的连接关系有4种可能性，每个节点用2位0-1编码组合{00～11}表示4种可能性，t+1时刻下模型的9个节点通过18位的编码序列表示。
进一步地，在本发明的一个实施例中，多目标结构优化模块300进一步用于定义初始种群数量N和迭代次数G，初始种群中包含N个粒子其中粒子ni的三个分量/>分别代表三种结构优化变量；利用空间填充设计理论使得初始种群的分布均匀，采用拉丁超立方体抽样进行种群的初始化，以产生第j个分量下的N个初始粒子，将所有分量下得到的粒子组成初始化种群；将多性能评价函数MFunc作为适应度函数MFit，基于初始化种群，种群中每一个粒子ni都代表一种模型结构，利用驾驶认知模型不合理结构筛选机制对不合理结构的适应度函数直接赋值为0；对于筛选后的粒子进行驾驶认知模型结构进行解码，并对模型进行数据训练得到精炼训练样本Strain下模型的参数Θ，并对模型进行测试预测评价得到精炼测试样本Stest下模型驾驶意图和运动特性概率{PInt，PMot}的输出序列，基于适应度函数和输出序列得到粒子ni对应的驾驶认知模型结构的适应度值根据每个粒子的适应度值计算当前迭代下所有粒子的群体最优值，利用Tent映射计算得到下一迭代下的收敛因子ηt+1和ξt+1，使用加速粒子群优化算法更新粒子速度和位置，以确定下一迭代粒子的速度和位置，同时得到新的种群，当迭代次数达到最大迭代次数G时，得到满足多个目标性能的驾驶认知模型优化结构。
进一步地，在本发明的一个实施例中，多性能评价函数为：
其中，和/>分别代表驾驶意图识别和运动特性的识别符号函数，t1(i)和t2(i)分别代表驾驶意图识别和运动特性的识别时刻，{ω1，ω2，ω3，ω4}代表各个性能指标的权重，N代表序列数据的数量，i代表第i个序列数据，/>是一个符号函数，当模型准确识别第i个序列数据时，输出1，否则输出0。
需要说明的是，前述对驾驶认知模型多目标结构优化方法实施例的解释说明也适用于该实施例的驾驶认知模型多目标结构优化装置，此处不再赘述。
根据本发明实施例提出的驾驶认知模型多目标结构优化装置，能够基于给定的多维观测序列数据和想要推断的驾驶认知变量，通过数据驱动的方式自动学习得到合理的驾驶认知模型结构，用于表征两者最佳的相互关系；设计了驾驶认知网络模型结构的数字化表达方法，以及评价模型结构的多种性能指标，为实现驾驶认知模型结构的多目标学习与优化奠定基础；融合了基于拉丁超立方体抽样的初始化方法和基于混沌映射的粒子随机更新方法，提升基于加速粒子群算法的模型结构优化的效率，解决模型训练耗时严重的难题，同时增加了全局收敛能力，得到满足各性能要求下的尽可能最优的驾驶认知模型结构；从而可以用于更合理可靠的得到车辆高级语义信息和车辆物理运动信息间的最优关系结构，该模型结构具备较好的准确性和响应特性，对于智能车辆的精准风险评估、合理行为决策和安全行驶具有一定应用价值，也为道路交通参与者的行为认知领域提供一种新的思路。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种驾驶认知模型多目标结构优化方法，其特征在于，包括以下步骤：
基于动态贝叶斯网络对驾驶认知模型的节点信息进行预定义，以基于预定义结果对模型结构进行数字化表达；
定义所述驾驶认知模型的多性能评价指标，以建立所述驾驶认知模型的多性能评价函数，并利用数据驱动对所述驾驶认知模型训练得到模型参数；以及
基于数字化表达的模型结构定义结构优化变量，并基于拉丁超立方体抽样初始化所述结构优化变量，并剔除初始化变量中不合理的驾驶认知模型结构，结合所述多性能评价函数、所述模型参数和基于Tent映射的加速粒子群算法进行粒子迭代与更新，以得到满足多个目标性能的驾驶认知模型优化结构；
所述基于动态贝叶斯网络对驾驶认知模型的节点信息进行预定义，以基于预定义结果对模型结构进行数字化表达，包括：
定义时刻下节点/>和/>之间的连接关系、节点/>和/>之间的连接关系、节点/>和/>之间的连接关系、节点/>和/>分别与时刻/>下模型各节点之间的连接关系，其中，车辆驾驶意图/>、车辆运动特性/>，纵向位置/>、横向位置/>、纵向速度/>、横向速度/>、纵向加速度/>、横向加速度/>以及所处环境信息/>；
设置驾驶认知模型的三个结构优化变量，使用数字化基因编码序列对结构优化变量进行数字化表达，其中，/>代表/>时刻下节点/>和/>之间的连接关系，/>代表/>时刻下观测节点/>与隐节点/>间的连接关系，/>代表/>时刻模型各节点与上一时刻模型的隐变量节点/>之间的连接关系；
剔除数字化表达中的不合理结构，并利用优化变量确定/>时刻下隐变量/>和/>之间的连接关系，利用优化变量/>确定/>时刻下隐变量/>和观测变量/>之间的连接关系，利用优化变量/>确定/>时刻下模型的隐变量/>与/>时刻下模型各个节点/>间的连接关系，以解码得到所述驾驶认知模型的结构；
所述结合所述多性能评价函数、所述模型参数和基于Tent映射的加速粒子群算法进行粒子迭代与更新，以得到满足多个目标性能的驾驶认知模型优化结构，包括：
定义初始种群数量和迭代次数/>，初始种群中包含/>个粒子/>，其中粒子/>的三个分量/>、/>、/>分别代表三种结构优化变量；利用空间填充设计理论使得初始种群的分布均匀，采用拉丁超立方体抽样进行种群的初始化，以产生第/>个分量下的/>个初始粒子，将所有分量下得到的粒子组成所述初始种群；
将所述多性能评价函数作为适应度函数/>，基于所述初始种群，种群中每一个粒子/>都代表一种模型结构，利用驾驶认知模型不合理结构筛选机制对不合理结构的适应度函数直接赋值为0；对于筛选后的粒子进行驾驶认知模型结构进行解码，并对模型进行数据训练得到精炼训练样本/>下模型的参数/>，并对模型进行测试预测评价得到精炼测试样本/>下模型驾驶意图和运动特性概率/>的输出序列，基于所述适应度函数和所述输出序列得到所述粒子/>对应的驾驶认知模型结构的适应度值/>；
根据每个粒子的适应度值计算当前迭代下所有粒子的群体最优值，利用Tent映射计算得到下一迭代下的收敛因子和/>，使用加速粒子群优化算法更新粒子速度和位置，以确定下一迭代粒子的速度和位置，同时得到新的种群，当迭代次数达到最大迭代次数/>时，得到满足多个目标性能的驾驶认知模型优化结构。
2.根据权利要求1所述的方法，其特征在于，所述设置驾驶认知模型的三个结构优化变量，包括：
设置结构优化变量：使用2位0-1编码序列组合/>，包括4种可能性，取值范围为整数0~3，其中，/>代表节点/>和/>之间没有连接关系，01代表存在由节点/>指向节点/>的箭头，10代表存在由节点/>指向节点/>的箭头，11代表节点和节点/>存在双向箭头；
设置结构优化变量：使用14位0-1编码序列组合/>，包括16384种可能性，取值范围为整数0~16383，所述驾驶认知模型共有7个观测节点，每个观测节点与隐变量节点的连接关系有4种可能性，用2位0-1编码组合/>表示，其中，代表该观测节点与/>之间没有连接关系，10代表存在由节点/>指向该观测节点的箭头，01代表存在由节点/>指向该观测节点的箭头，11代表同时存在由节点/>指向该观测节点箭头；
设置结构优化变量：使用18位0-1编码序列组合，包括262144种可能性，取值范围为整数0~262143，在/>时刻下模型的各个节点/>与/>时刻下节点之间的连接关系有4种可能性，每个节点用2位0-1编码组合/>表示4种可能性，/>时刻下模型的9个节点通过18位的编码序列表示。
3.根据权利要求1-2任意一项所述的方法，其特征在于，所述多性能评价函数为：
其中，和/>分别代表驾驶意图识别和运动特性的识别符号函数，/>和/>分别代表驾驶意图识别和运动特性的识别时刻，/>代表各个性能指标的权重。
4.一种驾驶认知模型多目标结构优化装置，其特征在于，包括：
结构表达模块，用于基于动态贝叶斯网络对驾驶认知模型的节点信息进行预定义，以基于预定义结果对模型结构进行数字化表达；
多性能评价模块，用于定义所述驾驶认知模型的多性能评价指标，以建立所述驾驶认知模型的多性能评价函数，并利用数据驱动对所述驾驶认知模型训练得到模型参数；以及
多目标结构优化模块，用于基于数字化表达的模型结构定义结构优化变量，并基于拉丁超立方体抽样初始化所述结构优化变量，并剔除初始化变量中不合理的驾驶认知模型结构，结合所述多性能评价函数、所述模型参数和基于Tent映射的加速粒子群算法进行粒子迭代与更新，以得到满足多个目标性能的驾驶认知模型优化结构；
所述结构表达模块进一步用于定义时刻下节点/>和/>之间的连接关系、节点/>和之间的连接关系、节点/>和/>之间的连接关系、节点/>和/>分别与时刻/>下模型各节点/>之间的连接关系，其中，车辆驾驶意图/>、车辆运动特性/>，纵向位置/>、横向位置/>、纵向速度/>、横向速度/>、纵向加速度/>、横向加速度/>以及所处环境信息/>；设置驾驶认知模型的三个结构优化变量，使用数字化基因编码序列对结构优化变量进行数字化表达，其中，/>代表/>时刻下节点/>和/>之间的连接关系，/>代表/>时刻下观测节点/>与隐节点/>间的连接关系，/>代表/>时刻模型各节点/>与上一时刻模型的隐变量节点/>之间的连接关系；剔除数字化表达中的不合理结构，并利用优化变量/>确定/>时刻下隐变量/>和/>之间的连接关系，利用优化变量/>确定/>时刻下隐变量和观测变量/>之间的连接关系，利用优化变量/>确定/>时刻下模型的隐变量/>与/>时刻下模型各个节点/>间的连接关系，以解码得到所述驾驶认知模型的结构；
所述多目标结构优化模块进一步用于定义初始种群数量和迭代次数/>，初始种群中包含/>个粒子/>，其中粒子/>的三个分量/>、/>、/>分别代表三种结构优化变量；利用空间填充设计理论使得初始种群的分布均匀，采用拉丁超立方体抽样进行种群的初始化，以产生第/>个分量下的/>个初始粒子，将所有分量下得到的粒子组成所述初始种群；将所述多性能评价函数/>作为适应度函数/>，基于所述初始种群，种群中每一个粒子/>都代表一种模型结构，利用驾驶认知模型不合理结构筛选机制对不合理结构的适应度函数直接赋值为0；对于筛选后的粒子进行驾驶认知模型结构进行解码，并对模型进行数据训练得到精炼训练样本/>下模型的参数/>，并对模型进行测试预测评价得到精炼测试样本/>下模型驾驶意图和运动特性概率/>的输出序列，基于所述适应度函数和所述输出序列得到所述粒子/>对应的驾驶认知模型结构的适应度值/>；根据每个粒子的适应度值计算当前迭代下所有粒子的群体最优值，利用Tent映射计算得到下一迭代下的收敛因子/>和/>，使用加速粒子群优化算法更新粒子速度和位置，以确定下一迭代粒子的速度和位置，同时得到新的种群，当迭代次数达到最大迭代次数/>时，得到满足多个目标性能的驾驶认知模型优化结构。
5.根据权利要求4所述的装置，其特征在于，所述设置驾驶认知模型的三个结构优化变量，包括：设置结构优化变量/>：使用2位0-1编码序列组合/>，包括4种可能性/>，取值范围为整数0~3，其中，/>代表节点/>和/>之间没有连接关系，01代表存在由节点/>指向节点/>的箭头，10代表存在由节点/>指向节点/>的箭头，11代表节点/>和节点/>存在双向箭头；设置结构优化变量/>：使用14位0-1编码序列组合，包括16384种可能性，取值范围为整数0~16383，所述驾驶认知模型共有7个观测节点，每个观测节点与隐变量节点的连接关系有4种可能性，用2位0-1编码组合/>表示，其中，/>代表该观测节点与/>之间没有连接关系，10代表存在由节点/>指向该观测节点的箭头，01代表存在由节点/>指向该观测节点的箭头，11代表同时存在由节点/>指向该观测节点箭头；设置结构优化变量/>：使用18位0-1编码序列组合/>，包括262144种可能性，取值范围为整数0~262143，在/>时刻下模型的各个节点/>与/>时刻下节点/>之间的连接关系有4种可能性，每个节点用2位0-1编码组合/>表示4种可能性，/>时刻下模型的9个节点通过18位的编码序列表示。
6.根据权利要求4-5任意一项所述的装置，其特征在于，所述多性能评价函数为：
其中，和/>分别代表驾驶意图识别和运动特性的识别符号函数，/>和/>分别代表驾驶意图识别和运动特性的识别时刻，/>代表各个性能指标的权重，/>代表序列数据的数量，/>代表第/>个序列数据，/>是一个符号函数，当模型准确识别第/>个序列数据时，输出1，否则输出0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110103602.XA CN112800670B (zh) | 2021-01-26 | 2021-01-26 | 驾驶认知模型多目标结构优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110103602.XA CN112800670B (zh) | 2021-01-26 | 2021-01-26 | 驾驶认知模型多目标结构优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112800670A CN112800670A (zh) | 2021-05-14 |
| CN112800670B true CN112800670B (zh) | 2024-05-03 |
Family
ID=75811744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110103602.XA Active CN112800670B (zh) | 2021-01-26 | 2021-01-26 | 驾驶认知模型多目标结构优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112800670B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324978A (zh) * | 2013-07-03 | 2013-09-25 | 哈尔滨工程大学 | 基于多目标量子蚁群算法的多目标决策引擎参数优化方法 |
| CN106740864A (zh) * | 2017-01-12 | 2017-05-31 | 北京交通大学 | 一种驾驶行为意图判断与预测方法 |
| CN106950956A (zh) * | 2017-03-22 | 2017-07-14 | 合肥工业大学 | 融合运动学模型和行为认知模型的行车轨迹预测系统 |
| CN108646734A (zh) * | 2018-04-27 | 2018-10-12 | 天津大学 | 基于量子粒子群算法的非线性模型预测控制方法 |
| CN109471436A (zh) * | 2018-11-09 | 2019-03-15 | 上海理工大学 | 基于混合高斯-隐马尔科夫模型的换道模型参数优化方法 |
| CN110304075A (zh) * | 2019-07-04 | 2019-10-08 | 清华大学 | 基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10449958B2 (en) * | 2017-02-15 | 2019-10-22 | Ford Global Technologies, Llc | Feedback-based control model generation for an autonomous vehicle |
-
2021
- 2021-01-26 CN CN202110103602.XA patent/CN112800670B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324978A (zh) * | 2013-07-03 | 2013-09-25 | 哈尔滨工程大学 | 基于多目标量子蚁群算法的多目标决策引擎参数优化方法 |
| CN106740864A (zh) * | 2017-01-12 | 2017-05-31 | 北京交通大学 | 一种驾驶行为意图判断与预测方法 |
| CN106950956A (zh) * | 2017-03-22 | 2017-07-14 | 合肥工业大学 | 融合运动学模型和行为认知模型的行车轨迹预测系统 |
| CN108646734A (zh) * | 2018-04-27 | 2018-10-12 | 天津大学 | 基于量子粒子群算法的非线性模型预测控制方法 |
| CN109471436A (zh) * | 2018-11-09 | 2019-03-15 | 上海理工大学 | 基于混合高斯-隐马尔科夫模型的换道模型参数优化方法 |
| CN110304075A (zh) * | 2019-07-04 | 2019-10-08 | 清华大学 | 基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| "基于贝叶斯网络的联网环境中跟车工况下的前车运动状态预测";张金辉等;《汽车工程》;20191231;第第41卷卷(第第3期期);245-251 * |
| 孙伟等.基于自适应遗传粒子群优化模糊神经网络的疲劳驾驶预测模型.《汽车工程》.2013,(第03期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112800670A (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111260118B (zh) | 一种基于量子粒子群优化策略的车联网交通流量预测方法 | |
| CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
| CN107992976B (zh) | 热点话题早期发展趋势预测系统及预测方法 | |
| Hu et al. | Electrochemical-theory-guided modeling of the conditional generative adversarial network for battery calendar aging forecast | |
| CN111860989B (zh) | 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法 | |
| CN111785018A (zh) | 一种基于门控循环单元的收费站下道流量预测方法 | |
| CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| CN116794547A (zh) | 一种基于afsa-gru的锂离子电池剩余使用寿命预测方法 | |
| CN111755081B (zh) | 一种高甲烷吸附率MOFs生成与筛选的方法 | |
| CN112035536A (zh) | 一种考虑动态路网交通流的电动汽车能耗预测方法 | |
| CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
| CN111311001A (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
| CN112098869B (zh) | 一种基于大数据的自适应电动汽车soc估计方法 | |
| CN112800670B (zh) | 驾驶认知模型多目标结构优化方法及装置 | |
| Darwish | Uncertain measurement for student performance evaluation based on selection of boosted fuzzy rules | |
| CN114444517B (zh) | 一种量刑标准知识增强的数值感知的智能法律判决方法 | |
| CN114595770B (zh) | 一种船舶轨迹的长时序预测方法 | |
| CN117197784A (zh) | 自动驾驶行为决策及模型训练方法、系统和设备及介质 | |
| CN115796017A (zh) | 一种基于模糊理论的可解释交通认知方法 | |
| CN116628444A (zh) | 一种基于改进元学习的水质预警方法 | |
| CN113269356B (zh) | 一种面向缺失数据的设备剩余寿命预测方法及系统 | |
| CN115620046A (zh) | 一种基于半监督性能预测器的多目标神经架构搜索方法 | |
| CN118378178B (zh) | 基于残差图卷积神经网络的变压器故障识别方法及系统 | |
| CN115034500B (zh) | 一种基于双注意力机制网络的车速预测方法、系统及车辆 | |
| Kumarappa et al. | Machine learning-based prediction of lithium-ion battery life cycle for capacity degradation modelling |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |