半透明自动驾驶人工智能系统及车辆的制作方法

本发明涉及人工智能系统技术领域，特别涉及一种半透明自动驾驶人工智能系统及车辆。

背景技术：

随着人工智能技术的发展，自动驾驶系统无疑是未来汽车行业的重点发展方向，其具有稳定性较高、不会疲劳的优势，可弥补有人驾驶系统的一些缺陷和不足，可有效减少交通事故的发生。

自动驾驶系统是一种利用计算机信息技术控制汽车的驾驶系统。国外从上世纪末就开始了自动驾驶技术的研究，许多汽车企业已经能搭建自己的自动驾驶系统，并且国内近几年也在重点发展自动驾驶的相关技术，而且已经实现了自动驾驶汽车的上路测试。

然而，相关技术中的自动驾驶解决方案仍存在很大问题，网络的训练速度慢，不同车辆的在线训练以及用户对于自动驾驶的不信任等问题仍然阻碍着自动驾驶的市场化。其问题在于目前市场上多采用的端到端(endtoend)的模式，即通过数据流输入直接获得车辆的操作信息，这种方法似乎真的实现了让机器思考，也就是人工智能，也是许多从事人工智能的科学家与研究人员的美好愿望。但是，这种思想束缚了自动驾驶从学术研究走向日常生活。

技术实现要素：

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半透明自动驾驶人工智能系统，该系统不仅可以降低自动驾驶所需的硬件条件，而且提高训练效率，进而有效保证车辆的安全性和可靠性，增强车辆的鲁棒性。

本发明的另一个目的在于提出一种车辆。

为达到上述目的，本发明一方面实施例提出了一种半透明自动驾驶人工智能系统，包括：传感器模块，用于采集多种环境信息，其中，所述传感器模块包括直接传感器模块和间接传感器模块，所述多个直接传感器模块采集所述多种环境信息中当前车辆信息，所述间接传感器模块获取所述多种环境信息中当前道路信息及其他车辆信息；决策模块，用于根据所述多种环境信息通过添加人类专业知识的深度学习网络使得车辆的决策半透明化。

本发明实施例的半透明自动驾驶人工智能系统，可以利用传统的车辆动力学公式，并将得到的精确解通过时域差分方程的凡是输入网络，从而简化剩余系统所需完成的任务，并有足够强的解释性，同时可以降低系统的网络规模，而且可以通过添加人类专业知识的深度学习网络使得车辆的决策半透明化，实现在紧急情况下即时做出制动等操作，或提醒驾驶人员重新掌握操作等，从而不仅降低自动驾驶所需的硬件条件而且提高训练效率，进而有效提高车辆的安全性和可靠性，增强车辆的鲁棒性。

另外，根据本发明上述实施例的半透明自动驾驶人工智能系统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，其中，所述间接传感器模块包括视觉模块、辅助测距模块和精确定位模块，以分别作为网络输出对应任务所需得到的可解释的特定量，并输出为经过深度学习网络处理过的传感器信号，以得到所述当前道路信息及所述其他车辆信息；所述直接传感器模块用于检测车辆当前状态得到所述当前车辆信息。

进一步地，在本发明的一个实施例中，所述直接传感器模块包括编码器、加速度传感器、陀螺仪中的一个或多个传感器。

进一步地，在本发明的一个实施例中，其中，所述视觉模块用于获取车道信息可移动物体信息；所述辅助测距模块用于获取距离参数和障碍物参数；所述精确定位模块用于获取当前车辆位置路段信息。

进一步地，在本发明的一个实施例中，所述视觉模块包括：第一识别单元，用于对车辆进行车道识别；车道预测单元，用于对车辆进行车道预测；第二识别单元，用于对车道的交通标志及信号灯进行识别；第三识别单元，用于对其它车辆进行车辆识别；第四识别单元，用于对车辆周围的行人及其他非机动车进行识别。

进一步地，在本发明的一个实施例中，所述辅助测距模块包括：第一测距单元，用于激光雷达测距；第二测距单元，用于毫米波测距。

进一步地，在本发明的一个实施例中，所述精确定位模块包括：gps(globalpositioningsystem，全球定位系统)定位单元，用于gps定位；修正单元，用于对地图进行修正。

进一步地，在本发明的一个实施例中，所述决策模块包括：深度学习模块和力学分析模块，以根据车辆动力学公式得到精确解，并将所述精确解通过时域差分方程的输入网络，简化剩余系统所需完成任务。

进一步地，在本发明的一个实施例中，其中，所述力学分析模块还用于获取当前车辆信息、所述当前道路信息及所述其他车辆信息；所述深度学习模块还用于获取所述当前道路信息及其他车辆信息，以将深度学习网络中的车辆模型简化为满足预设条件的车辆的几何运动。

为达到上述目的，本发明另一方面实施例提出了一种车辆，其包括上述的半透明自动驾驶人工智能系统。该车辆可以利用传统的车辆动力学公式，并将得到的精确解通过时域差分方程的凡是输入网络，从而简化剩余系统所需完成的任务，并有足够强的解释性，同时可以降低系统的网络规模，而且可以通过添加人类专业知识的深度学习网络使得车辆的决策半透明化，实现在紧急情况下即时做出制动等操作，或提醒驾驶人员重新掌握操作等，从而不仅降低自动驾驶所需的硬件条件而且提高训练效率，进而有效提高车辆的安全性和可靠性，增强车辆的鲁棒性。

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是根据本发明一个实施例的半透明自动驾驶人工智能系统方框示意图；

图2是根据本发明一个实施例的传感器模块的方框示意图；

图3是根据本发明一个实施例的决策模块的方框示意图；

图4是根据本发明一个实施例的传感器模块和决策模块连接的方框示意图。

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半透明自动驾驶人工智能系统及车辆，首先将参照附图描述根据本发明实施例提出的半透明自动驾驶人工智能系统。

图1是本发明一个实施例的半透明自动驾驶人工智能系统的方框示意图。

如图1所示，该半透明自动驾驶人工智能系统10包括：传感器模块100和决策模块200。

其中，传感器模块100用于采集多种环境信息，其中，如图2所示，传感器模块100包括直接传感器模块110和间接传感器模块120，多个直接传感器模块110采集多种环境信息中当前车辆信息，间接传感器模块120获取多种环境信息中当前道路信息及其他车辆信息。决策模块200用于根据多种环境信息通过添加人类专业知识的深度学习网络使得车辆的决策半透明化。本发明实施例的系统10可以通过添加人类专业知识的深度学习网络使得车辆的决策半透明化，从而不仅降低自动驾驶所需的硬件条件而且提高训练效率，进而有效提高车辆的安全性和可靠性，增强车辆的鲁棒性。

具体地，本发明实施例的系统10主要由传感器模块100和决策模块200两部分组成。其中，如图2所示，传感器模块100由直接传感器模块110与间接传感器模块120组成，两者相互结合，可以获得更为全面的信息。决策模块200则是通过在深度学习网络中添加人类专业知识，从而使得车辆的决策半透明化，进而改善了先进的端对端自动驾驶系统难以解释、不易查错、运算量大等问题。本发明实施例的系统10可以降低自动驾驶所需的硬件条件，并降低训练时间，易于调整。

也就是说，半透明自动驾驶人工智能系统10区别于传统的端到端人工智能系统，通过加入人类已有的经验及专业知识来提高系统的训练速度、调整能力等各项重要指标，本发明实施例的系统10是为自动驾驶使用的人工智能系统。本发明实施例的系统10由传感器模块100与决策模块200组成，其中，传感器模块100包括直接传感器与间接传感器如摄像头等。本发明实施例的系统10包含传感器模块100和决策模块200，其中，传感器模块100为获得各种环境信息所设，决策模块200则处理传感器模块100采取的信息，传感器模块100和决策模块200连接共同工作，从而提高整个系统的性能。

进一步地，在本发明的一个实施例中，其中，如图2所示，间接传感器模块120包括视觉模块121、辅助测距模块122和精确定位模块123，以分别作为网络输出对应任务所需得到的可解释的特定量，并输出为经过深度学习网络处理过的传感器信号，以得到当前道路信息及其他车辆信息。直接传感器模块110用于检测车辆当前状态得到当前车辆信息。

具体地，如图2所示，传感器模块100包括左侧的间接传感器模块120和右侧的直接传感器模块110，其中，对于间接传感器模块110，又可以将模块细分为三个子模块：视觉模块121、辅助测距模块122与精确定位模块123，这三个子模块将相互并行，以分别作为网络输出其对应任务所需得到的可解释的特定量，其输出为经过深度学习网络处理过的传感器信号。可以理解的是，直接传感器模块110可以通过直接测量得到环境与车辆相关信息。间接传感器模块120主要需要深度学习等方法对传感器所得信号进行二次处理得到道路及其他车辆信息。

其中，在本发明的一个实施例中，如图2所示，直接传感器模块110包括编码器111、加速度传感器112、陀螺仪113中的一个或多个传感器。

具体地，如图2所示，直接传感器110由加速度传感器112，速度传感器，转向角传感器等传统传感器组成，主要是通过传统的传感器来得到车辆信息的，其主要目的是为之后的力学分析进行输入。

进一步地，在本发明的一个实施例中，如图2所示，其中，视觉模块121用于获取车道信息可移动物体信息；辅助测距模块122用于获取距离参数和障碍物参数；精确定位模块123用于获取当前车辆位置路段信息。

可选地，在本发明的一个实施例中，视觉模块121包括：第一识别单元、车道预测单元、第二识别单元、第三识别单元和第四识别单元。

其中，第一识别单元用于对车辆进行车道识别。车道预测单元用于对车辆进行车道预测。第二识别单元用于对车道的交通标志及信号灯进行识别。第三识别单元用于对其它车辆进行车辆识别。第四识别单元，用于对车辆周围的行人及其他非机动车进行识别。

举例而言，如图2所示，视觉模块121的传感器可以为摄像头，主要功能为识别两样内容即道路信息与可移动物体。通过对道路上的线，栅栏等障碍物的视觉识别与测距来得到车辆的车道信息并辅助测量车辆的朝向，同时还需识别道路上的交通标识如路标、信号灯等从而识别确定当前道路的相关交通规则，从而辅助决策模块200。另外，通过对前后方车辆的识别与定位，得到前后放的车辆的尺寸数据、距离以及速度，并且通过对于道路上行人及其他非机动车的识别，得到其距离、速度以及其行为的预测，如是否要横穿马路等。

可选地，在本发明的一个实施例中，辅助测距模块122包括：第一测距单元和第二测距单元。其中，第一测距单元用于激光雷达测距。第二测距单元用于毫米波测距。

例如，如图2所示，辅助测距模块122则是通过高精度传感器，如激光雷达，毫米波等来辅助视觉模块中得到的距离参数以及障碍物参数，从而提高系统鲁棒性。

可选地，在本发明的一个实施例中，精确定位模块123包括：gps定位单元和修正单元。其中，gps定位单元用于gps定位。修正单元用于对地图进行修正。

可以理解的是，精确定位模块123主要分为两部分，gps定位与高精度地图修正模块。其中gps主要负责对于目前的车辆位置进行判断，同时辅助进行大尺度路径规划，并可以利用云端的数据库判断当前道路的交通规则以及拥堵情况等从而提高决策能力。高精度地图则是用于反应路段的坡度等细致信息，从而增强车辆的鲁棒性。

需要说明的是，视觉模块121、辅助测距模块122与精确定位模块123组成了整体的间接传感器模块120，这三个模块也分别作为网络输出其对应任务所需得到的可解释的特定量。

进一步地，在发明的一个实施例中，如图3所示，决策模块200包括：深度学习模块201和力学分析模块202，以根据车辆动力学公式得到精确解，并将精确解通过时域差分方程的输入网络，简化剩余系统所需完成任务。

也就是说，决策模块200则是将深度学习模块201与人类知识模块(如车辆动力学模块)相结合所得。决策模块200在传统深度学习模块之上添加车辆力学分析模块202，利用传统的车辆力学公式，可以建立车辆信息与车辆控制量之间的准确关系，获得对车辆运动行为足够强的解释性。

可选地，在本发明的一个实施例中，其中，力学分析模块202还用于获取当前车辆信息、当前道路信息及其他车辆信息。深度学习模块201还用于获取当前道路信息及其他车辆信息，以将深度学习网络中的车辆模型简化为满足预设条件的车辆的几何运动。

可以理解的是，力学分析模块202嵌入学习网络中，成为网路的一部分，可以降低机器学习系统的网络规模，从而提高训练效率。其中，学习网络可以是卷积网络，但不限于此，力学分析模块202以时域差分方程的建立模型输入输出的卷积形式，嵌入卷积网络，成为网络的一部分。

具体而言，如图3所示，相较于一般的自动驾驶直接通过深度学习网络输出决策，本发明实施例将在网络中添加力学分析模块202，可以利用传统的车辆动力学公式，从而简化系统。因为相较于先进的机器学习手段，车辆动力学公式的特点在于输入输出固定，并且可以得到精确解，有足够强的解释性。同时，将力学分析模块202加入半透明自动驾驶人工智能系统可以降低系统10的网络规模，从而提高训练效率。另外，本发明实施例可以在决策系统中加入人为干预的手段，也就是传统条件判断模块即对基于力学分析模块202的输出和传感器信息进行条件判断，从而形成决策模块200中的条件判断模块203。条件判断模块203为人机接口以及在紧急情况下的应急处理都留下了余地，因此可以在紧急情况下，通过应急处理模块204即时做出制动等操作，或提醒驾驶人员重新掌握操作等，从而可以避免目前市场上的自动驾驶系统出现网络训练上的问题导致的人员伤亡，并且，将传统条件判断的输出再作为输入放入整体的深度学习网络，不仅提高系统的训练能力，而且提高了人对于网络参数的调整能力。

可以理解的是，在传统的自动驾驶系统中加入人类专业知识相关的模块，如车辆动力学分析模块。通过加入人类专业知识相关的模块，例如将力学分析模块202以时域差分方程的奖励模型输入输出机器学习模型，形成决策模块200中的条件判断模块203，从而降低车辆的训练难度，提高训练速度，降低训练所需的训练集数据量。

在本发明的一个具体实施例中，半透明自动驾驶人工智能系统10的连接方式如图4所示，由直接传感器模块得到的基本力学参数输入力学分析模块202，计算车辆的稳定性，各部分的动力学参数。为了提高力学分析模块的适用性，也要将道路信息，交通规则等由间接传感器得到的复杂参数传入，作为辅助信息。而对于深度学习网络，就不必传入基本力学参数，而是只传入复杂参数，将深度学习网络中的车辆模型尽可能简化为车辆的几何运动，从而降低训练难度和对训练集的巨大需求。

根据本发明实施例提出的半透明自动驾驶人工智能系统，可以利用传统的车辆动力学公式，并将得到的精确解通过时域差分方程的凡是输入网络，从而简化剩余系统所需完成的任务，并有足够强的解释性，同时可以降低系统的网络规模，而且可以通过添加人类专业知识的深度学习网络使得车辆的决策半透明化，实现在紧急情况下即时做出制动等操作，或提醒驾驶人员重新掌握操作等，从而不仅降低自动驾驶所需的硬件条件，而且提高训练效率，进而有效提高车辆的安全性和可靠性，增强车辆的鲁棒性。

另外，本发明的实施例还提出一种车辆，该车辆包括上述的半透明自动驾驶人工智能系统。该车辆可以利用传统的车辆动力学公式，并将得到的精确解通过时域差分方程的凡是输入网络，从而简化剩余系统所需完成的任务，并有足够强的解释性，同时可以降低系统的网络规模，而且可以通过添加人类专业知识的深度学习网络使得车辆的决策半透明化，实现在紧急情况下即时做出制动等操作，或提醒驾驶人员重新掌握操作等，从而不仅降低自动驾驶所需的硬件条件而且提高了训练效率，进而有效提高车辆的安全性和可靠性，增强车辆的鲁棒性。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

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。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

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。