汽车电子研究中心

研究方向 / 驾驶决策
研究方向简介 / Research Direction

        驾驶决策是目前自动驾驶研究的重点方向。该系统对感知信息进行处理,利用基于规则的专家系统、深度学习和增强学习或因果推理路线根据具体场景作出适宜驾驶决策。

基于小样本数据的贝叶斯推理 / Selected Projects

        无人驾驶是当前人工智能最有潜在价值的领域之一。为了实现无人车在真实道路上的安全行驶,不但需要车体感知端对物体进行精确的识别与追踪,而且需要决策控制端能够根据当前的道路状况做出合理的动作。其中,智能决策模块是无人驾驶的关键点,同时也是难点。它主要包括行为预测,避障,轨迹规划等部分。作为一种强大的支持动态建模的工具,有限状态机模型被广泛的用于无人驾驶决策的建模。它将造成驾驶行为变化的事件进行归纳总结,分成有限个驾驶行为,每种行为对应于不同的车辆操控方式,基于规则或统计模型构建无人驾驶决策模型。基于规则的决策模型能够快速实现功能,但是不能够穷举所有的决策状态,而且对不确定信息的刻画能力不足,因此与概率统计分析方法的结合显得十分必要。另外,随着Carla、Torcs等模拟器的推出,强化学习也逐渐用于无人驾驶决策的研究,并取得了不错的效果。但是,目前强化学习在无人驾驶中的运用更多的是在虚拟的游戏引擎中,距离真实场景上的运用还有不少的距离,而且行车稳定性也需要进一步的加强。
        综上所述,无人驾驶中的决策有待提高,尤其是基于小样本的决策问题。本课题拟在贝叶斯框架下,构建合理的模型, 充分验证并测试其有效性, 用于解决无人驾驶中的小样本决策问题。
        我们运用贝叶斯网络和非参数贝叶斯模型去解决无人驾驶中的小样本决策问题,这些方法能够充分考虑时序数据中的因果关联性,有别于传统的基于规则的方法,不仅能够有效地捕捉到数据的特征,同时能够大幅度降低对数据量的依赖,从而全面提升小样本决策的准确性。
        根据我们目前的计算,贝叶斯网络和非参数贝叶斯模型均能够在一定程度上解决小样本决策问题。图1,2是我们分别使用高斯过程以及深度高斯过程计算得到的预测无人驾驶中方向盘角度的结果示意图。在这两种方法中,前一百个数据被用来作为训练集,后十个作为测试集,其中紫红色和绿色区域均代表预测值95%的置信区间。从图中可以看出,除了部分剧烈震荡的部分,该方法能够近乎准确的捕捉到角度变化趋势,证明了我们模型的有效性。关于贝叶斯网络的计算结果,我们还在进一步的优化当中。另外,还有许多其他可能解决该问题的模型值得探索,比如贝叶斯结构时间序列模型,贝叶斯神经网络等。
        贝叶斯方法作为一种统计方法,它能够将主观概率和客观概率结合起来,大大增加了推理模型的准确性,在很大程度上非常类似于人脑的思考方式。在贝叶斯框架下所衍生出来的贝叶斯网络和非参数贝叶斯模型,它们都具有较强的泛化能力,能够处理各种类型的数据,因此它们在金融,医疗,人工智能等领域都具有广泛的应用前景。

成果 / Intellectual Properties

代表性论文 / Selected Papers

 

代表性专利 / Selected Patents