CN107031617B - 一种汽车智能驾驶的方法及装置 - Google Patents

Abstract

本发明公开本一种汽车智能驾驶的方法及装置，所述方法包括：预先建立知识库；其中所述知识库包括汽车控制语句集x＝{x₁，x₂，x₃，……，x_n}，及所述汽车控制语句集与汽车控制模块之间的映射关系；获取所述汽车控制语句集中每个序列的第一切词序列集x₁＝{x₁₁，x₁₂，x₁₃，……，x_1m}，……，x_n＝{x_n1，x_n2，x_n3，……，x_nk}；获取第一输入系统的第二切词序列y₁＝{y₁₁，y₁₂，y₁₃，……，y_1n}；比较第一切词序列集中的任一序列与所述第二切词序列；若比较结果小于预设阀值，则根据匹配的汽车控制语句，获取对应的汽车控制模块控制汽车驾驶。

Description

一种汽车智能驾驶的方法及装置

技术领域

本发明涉及汽车技术领域，特别涉及一种汽车智能驾驶的方法及装置。

背景技术

随着汽车和电子技术的发展，人们越来越注重对汽车的智能化驾驶。汽车的智能化是当前汽车领域技术发展的新热点。汽车的控制中心设置于驾驶位置的前端，只有驾驶员才能对汽车进行操作控制，在遇到突发事件时若驾驶员没有及时操作控制，很容易导致事故的产生，因此，一种不需要驾驶员肢体操作汽车驾驶的方法十分必要。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种汽车智能驾驶的方法及装置。

第一方面，本发明提供一种汽车智能驾驶的方法，所述方法包括：

预先建立知识库；其中所述知识库包括汽车控制语句集x＝{x₁，x₂，x₃，……，x_n}，及所述汽车控制语句集与汽车控制模块之间的映射关系；

获取所述汽车控制语句集中每个序列的第一切词序列集x₁＝{x₁₁，x₁₂，x₁₃，……，x_1m}，……，x_n＝{x_n1，x_n2，x_n3，……，x_nk}；

获取第一输入系统的第二切词序列y₁＝{y₁₁，y₁₂，y₁₃，……，y_1n}；

比较第一切词序列集中的任一序列与所述第二切词序列；

若比较结果小于预设阀值，则根据匹配的汽车控制语句，获取对应的汽车控制模块控制汽车驾驶。

优选的，所述比较第一切词序列集中的任一序列与所述第二切词序列之前，还包括：

建立两个双向LSTM神经网络模型；

将所述第一切词序列集中的序列和所述第二切词序列分别作为所述两个双向LSTM神经网络模型的第一输入和第二输入；

通过所述双向LSTM神经网络模型的参数对所述第一输入和所述第二输入进行标准化，以获得标准化后的第一标准输出y₁和第二标准输出y₂。

优选的，所述比较第一切词序列集中的任一序列与所述第二切词序列，具体为：

比较所述第一标准输出y₁和第二标准输出y₂。

优选的，所述比较所述第一标准输出y₁和第二标准输出y₂，具体为：

通过计算所述第一标准输出y₁和所述第二标准输出y₂的相似性。

优选的，所述获取第一输入系统的第二切词序列之后，还包括：

建立静态知识库；其中，所述静态知识库为基于汽车零件领域知识，建立汽车零件的从属关系树，并将所述汽车零件知识归入汽车零件的从属关系树的节点上；

通过遍历从属关系树，将所述第二切词序列标准化。

第二方面，本申请还提供一种汽车智能驾驶的装置，所述装置包括：

第一知识库单元，用于预先建立知识库；其中所述知识库包括汽车控制语句集x＝{x₁，x₂，x₃，……，x_n}，及所述汽车控制语句集与汽车控制模块之间的映射关系；

第一切词单元，用于获取所述汽车控制语句集中每个序列的第一切词序列集x₁＝{x₁₁，x₁₂，x₁₃，……，x_1m}，……，x_n＝{x_n1，x_n2，x_n3，……，x_nk}；

第二切词单元，用于获取第一输入系统的第二切词序列y₁＝{y₁₁，y₁₂，y₁₃，……，y_1n}；

比较单元，用于比较第一切词序列集中的任一序列与所述第二切词序列；

控制单元，用于若比较结果小于预设阀值，则根据匹配的汽车控制语句，获取对应的汽车控制模块控制汽车驾驶。

优选的，所述比较单元之前，还包括：

第一建模单元，用于建立两个双向LSTM神经网络模型；

输入单元，用于将所述第一切词序列集中的序列和所述第二切词序列分别作为所述两个双向LSTM神经网络模型的第一输入和第二输入；

第一标准化单元，用于通过所述双向LSTM神经网络模型的参数对所述第一输入和所述第二输入进行标准化，以获得标准化后的第一标准输出y₁和第二标准输出y₂。

优选的，所述比较单元，具体为：

比较所述第一标准输出y₁和第二标准输出y₂。

优选的，所述比较所述第一标准输出y₁和第二标准输出y₂，具体为：

通过计算所述第一标准输出y₁和所述第二标准输出y₂的相似性。

优选的，所述第二切词单元之后，还包括：

第二知识库单元，用于建立静态知识库；其中，所述静态知识库为基于汽车零件领域知识，建立汽车零件的从属关系树，并将所述汽车零件知识归入汽车零件的从属关系树的节点上；

第二标准化单元，用于通过遍历从属关系树，将所述第二切词序列标准化。

本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

(1)本申请通过预设所述汽车控制语句集与汽车控制模块之间的映射关系，实现系统中汽车控制语句与汽车控制对应。

(2)本申请通过获取所述汽车控制语句集中每个序列的第一切词序列集，获取第一输入系统的第二切词序列，通过对语句切词提高语义识别效率；比较第一切词序列集中的任一序列与所述第二切词序列，实现对第一输入系统语句的语义识别。

(3)本申请通过识别第一输入系统语句，并根据识别匹配的汽车控制语句，按照与其映射的汽车控制来控制汽车，实现智能化驾驶。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明一较佳实施方式汽车智能驾驶的方法的流程图；

图2示出了本发明中双向LSTM神经网络的模型结构示意图；

图3示出了本发明中一实施例的结构图；

图4示出了本发明又一较佳实施方式汽车智能驾驶的装置的结构示意图。

具体实施方式

本申请提供基于双向LSTM神经网络的语句识别方法及装置，解决了现有技术中的技术问题。

本申请实施例中的技术方案为解决上述的技术问题，总体思路如下：

实施例一

本申请提供的一种汽车智能驾驶的方法，请参阅图1，具体包括如下步骤：

步骤S110，预先建立知识库；其中所述知识库包括汽车控制语句集x＝{x₁，x₂，x₃，……，x_n}，及所述汽车控制语句集与汽车控制模块之间的映射关系；

步骤S120，获取所述汽车控制语句集中每个序列的第一切词序列集x₁＝{x₁₁，x₁₂，x₁₃，……，x_1m}，……，x_n＝{x_n1，x_n2，x_n3，……，x_nk}；

步骤S130，获取第一输入系统的第二切词序列y₁＝{y₁₁，y₁₂，y₁₃，……，y_1n}；

步骤S140，比较第一切词序列集中的任一序列与所述第二切词序列；

步骤S150，若比较结果小于预设阀值，则根据匹配的汽车控制语句，获取对应的汽车控制模块控制汽车驾驶。

首先，执行步骤S110，预先建立知识库；其中所述知识库包括汽车控制语句集x＝{x₁，x₂，x₃，……，x_n}，及所述汽车控制语句集与汽车控制模块之间的映射关系。

所述汽车控制语句集可以包括{“方向盘左转”、“方向盘右转”、“刹车”、“开启车灯”、……}；所述汽车控制语句集与汽车控制模块之间的映射关系具体为所述汽车控制语句集中元素对应的汽车控制模块，例如：“开启车灯”对应于汽车控制模块的“打开车内灯”。所述映射关系可以为一对一，也可以是多对一。

再来，执行步骤S120，获取所述汽车控制语句集中每个序列的第一切词序列集x₁＝{x₁₁，x₁₂，x₁₃，……，x_1m}，……，x_n＝{x_n1，x_n2，x_n3，……，x_nk}。

所述步骤S120中获取所述汽车控制语句集中每个序列的第一切词序列集x₁＝{x₁₁，x₁₂，x₁₃，……，x_1m}，……，x_n＝{x_n1，x_n2，x_n3，……，x_nk}，具体为：

通过切词装置对所述汽车控制语句集中的每个序列切词。

切词装置切词可以是动词/名词，或方向介质/动词/名词，或动词等等；

例如

“打开车灯”，切词后为“打开/车灯”；

“方向盘逆时针旋转”，切词后为“方向盘/逆时针/旋转”；

“刹车”，切词后为“刹车”。

再来，执行步骤S130，获取第一输入系统的第二切词序列y₁＝{y₁₁，y₁₂，y₁₃，……，y_1n}。

所述第一输入系统可以为语音输入、文字输入。

所述第一输入系统也可以用户的计算机、智能移动电话、平板电脑、个人数字助理(PAD)等可以进行网络访问的设备。

所述第二切词序列的切词装置对第一输入系统的每个序列切词。

切词装置切词可以是动词/名词，或方向介质/动词/名词，或动词等等；

在所述步骤S130，获取第一输入系统的第二切词序列y₁＝{y₁₁，y₁₂，y₁₃，……，y_1n}之后，还包括：

步骤S131，建立静态知识库；其中，所述静态知识库为基于汽车零件领域知识，建立汽车零件的从属关系树，并将所述汽车零件知识归入汽车零件的从属关系树的节点上；

所述从属关系树是利用数据结构中二叉树的特点，将利用概念的从属关系建立的模型。

步骤S132，通过遍历从属关系树，将所述第二切词序列标准化。

所述步骤S131，建立静态知识库；其中，所述静态知识库为基于汽车零件领域知识，建立汽车零件的从属关系树，并将所述汽车零件知识归入汽车零件的从属关系树的节点上中，所述静态知识库的建立具体为：

建立汽车零件等相关概念的具体从属关系，以“三角形”为例：

三角形包括：按角分，锐角三角形、直角三角形、钝角三角形；

锐角三角形包括：按相等的边数分，等腰三角形、等边三角形。

直角三角形包括：按边相等数，等腰直角三角形；

钝角三角形包括：按边相等分，等腰钝角三角形。

根据汽车零件等相关概念的具体从属关系知识归入到汽车零件的从属关系树的节点上中。

通过汽车零件的从属关系树中的某一节点可以爬树找到其对应的父节点，以“三角形”为例：

若静态知识库中根据三角形概念从属关系建立了从属关系树，所述从属关系树的关系包括：

三角形包括：按角分，锐角三角形、直角三角形、钝角三角形；

锐角三角形包括：按相等的边数分，等腰三角形、等边三角形。

直角三角形包括：按边相等数，等腰直角三角形；

钝角三角形包括：按边相等分，等腰钝角三角形。

所述步骤S132，通过遍历从属关系树，将所述第二切词序列标准化具体为：

通过遍历从属关系树，将所述第二切词序列上位化或下位，具体上位或下位程度根据需求选择。

例如节点“等腰直角三角形”爬树找到其上位的概念直角三角形和三角形，具体需要通过爬树上位到哪一层节点，根据需要选择。

例如第一输入系统输入的是“车灯”，由于车灯包括示廓灯、远光灯、近光灯、雾灯、双闪灯、制动灯、倒车灯、转向灯等，则对“车灯”进行标准化，根据建立的关于车灯的从属关系树，车灯是示廓灯、远光灯、近光灯、雾灯、双闪灯、制动灯、倒车灯、转向灯等的上位概念，则对车灯设定以初值。

例如第一输入系统输入的“开启车灯”，经过切词装置切词后的第二切词序列为“开启/车灯”，预设的车灯的初始值为示廓灯，则将所述“开启/车灯”标准化为“开启/示廓灯”。

例如第一输入系统输入的“开启远灯”，经过切词装置切词后的第二切词序列为“开启/远灯”，由于“远灯”不是车灯的从属关系树的节点，“灯”是“车灯”的上位概念，匹配关键字“远”，可得到最接近值“远光灯”，则所述“开启/远灯”标准化为“开启/远光灯”。

所述步骤S132，通过遍历从属关系树，将所述第二切词序列标准化还包括：

若所述第二切词序列中的元素并非建立的从属关系树上的标准节点，则提取该元素中的关键词与所述从属关系树上的节点匹配，若匹配成功，则对该节点的下位关系进行遍历，获取与所述元素最接近的节点。

由于语言文字千变万化，建立的静态知识库不一定能包括所有语言，也就是说通过遍历从属关系树不一定能将所有的元素标准化。

例如，输入的是“方向盘”；而建立的静态知识库中并不存在“方向盘”的节点或上位节点，则并不能对输入的“方向盘”进行标准化。

所述步骤S132，通过遍历从属关系树，将所述第二切词序列标准化，对静态知识库中存在的部分语言进行标准化，提高了后面比较结果的准确性。

另外，所述步骤S132，通过遍历从属关系树，将所述第二切词序列标准化，之后，所述方法还包括：

建立动态事件模型，所述动态事件模型如下：

例如输入“请打开一下示廓车灯”，切词后“请/打开/一下/示廓车灯”,动态事件获取的结果为：

即在结果槽处得到“打开示廓车灯”，过滤了“请”、“一下”，能进一步提高后续比较结果的准确性。动态事件模型通过提取事件的具体时间、地点、动作、受动对象等以过滤不相关的信息，将结果作为输出。

所述动态事件通过对切词的词性进行分析，获取所需的元素。

通过遍历从属关系树，将所述第二切词序列标准化，对输入语句中的施动对象或受动对象进行遍历标准化；所述方法还包括：

判断所述标准动词是否为第一切词系统中动词的同义词；

若是，则将所述第一切词系统中动词填入所述动态事件模型的近似词对应的槽值中。

关于同义词库

为了更加有效的判断同义词，对于同义词的判断可以预先建立一同义词库，具体包括：

步骤1，预先存储训练集，所述训练集中包括多组同义词组；

步骤2，遍历所述训练集，判断待判断的同义词是否为同义词；

步骤3，若否，则根据互联网同义词搜索判断；

步骤4，若步骤3中判断的结果为是，则根据该同义词组更新所述训练集。

其中，所述根据互联网同义词搜索，可以是基于“在线近义词查询”类似网站(比如http://jyc.5156edu.com/)。本申请动态判断同义词，不仅可以保证判断的准确性，而且不断更新本地的训练集提高判断速度。

为了提高动态事件的判断准确性，本申请对动态事件模型做出了如下修改：

将动态事件中加入天气槽值和时间槽值，可以对汽车所在环境进行判断；并根据天气和时间对对应的控制语句进行细分，例如“刹车”可以分为“逐渐减速刹车”“急刹车”。动态事件与控制语句匹配时需要对天气槽值和时间槽值等进行判断。解决了在道路恶劣的情况下,结冰天气若均采用急刹车很容易造成打滑的问题。

同样的，对于施动对象或受动对象的遍历，所述方法还包括：

根据所述第一切词序列中名词概念，在静态知识库中汽车零件的从属关系树中，所述第一切词序列中名词概念对应的节点中做标记；

当通过遍历从属关系树，将所述第二切词序列标准化时，若向上遍历时匹配的节点带标记，则遍历结束。

例如：

第一切词序列中名词概念“等腰三角形”，在从属关系树中对应的节点做标记，当遍历从属关系树，对所述第二切词序列标准化时，若“等腰直角三角形”遍历时，当向上遍历至所述“等腰三角形”的节点时，遍历结束。

再来，执行步骤S140，比较第一切词序列集中的任一序列与所述第二切词序列。

所述比较第一切词序列集中的任一序列与所述第二切词序列，具体包括：

通过计算第一切词序列集中的序列与所述第二切词序列的相似度，获取所述第一切词序列集中的序列与所述第二切词序列的相似程度。

在所述步骤S140，比较第一切词序列集中的任一序列与所述第二切词序列之前，所述方法还包括：

步骤S133，建立两个双向LSTM神经网络模型；

步骤S134，将所述第一切词序列集中的序列和所述第二切词序列分别作为所述两个双向LSTM神经网络模型的第一输入Ip1和第二输入Ip2；

步骤S135，通过所述双向LSTM神经网络模型对所述第一输入Ip1和所述第二输入Ip2进行标准化，以获得标准化后的第一标准输出Op1和第二标准输出Op2。

所述在所述步骤S140，比较第一切词序列集中的任一序列与所述第二切词序列，具体为：比较所述第一标准输出Op1和第二标准输出Op2；优选的，通过计算所述第一标准输出Op1和所述第二标准输出Op2的相似性。

其中，所述步骤S133，建立两个双向LSTM神经网络模型中所述两个双向LSTM神经网络模型包括输入、输出、向前迭代层、向后迭代层，将第一输入中的语句和第二输入中的语句输入双向LSTM神经网络模型中后联接起来。

所述两个双向LSTM神经网络模型中向前迭代层与向后迭代层共同得到的结果为输出结果。具体的，从输入到隐藏层定义为一个双向LSTM神经网络，在每个双向LSTM神经网络中定义x_t-1为输入的第t-1个序列，x_t为输入的第t个序列，x_t+1为输入的第t+1个序列，……；第t个序列的双向LSTM神经网络包括反馈门、输入门、输出门、遗忘门、记忆细胞、tanh函数、隐藏层、乘法器。定义隐藏层输出y_t-1为输出的第t-1个序列，y_t为输出的第t个序列，y_t+1为输出的第t+1个序列，……。

G_feedback(t)＝sigmoid(W_fxx_t+W_fh1h_t-1+W_fm1m_t-1+W_fh2h_t+1+W_fm2m_t+1+e_f)；

G_input(t)＝sigmoid(W_ih1h_t-1+W_im1m_t-1+W_if G_feedback(t)+W_ih2h_t+1+W_im2m_t+1+e_i)；

G_disremember(t)＝sigmoid(W_dh1h_t-1+W_dm1m_t-1+W_df G_feedback(t)+W_dh2h_t+1+W_dm2m_t+1+e_d)；

m_t＝G_disremember(t)x m_t-1+G_disremember(t)x m_t+1+G_input(t)x tanh(W_mf G_feedback(t)+W_mh1h_t-1+W_mh2h_t+1+e_m)；

G_output(t)＝sigmoid(W_of G_feedback(t)+W_oh1h_t-1+W_om1m_t-1+W_oh2h_t+1+W_om2m_t+1+e_o)；

h_t＝G_output(t)x m_t；

y_t＝softmax_k(W_yhh_t+e_y)；

在输入的序列为t时，参数的计算公式如下：

G_feedback(t)＝sigmoid(W_fxx_t+W_fh1h_t-1+W_fm1m_t-1+W_fh2h_t+1+W_fm2m_t+1+e_f)；

G_input(t)＝sigmoid(W_ih1h_t-1+W_im1m_t-1+W_if G_feedback(t)+W_ih2h_t+1+W_im2m_t+1+e_i)；

G_disremember(t)＝sigmoid(W_dh1h_t-1+W_dm1m_t-1+W_df G_feedback(t)+W_dh2h_t+1+W_dm2m_t+1+e_d)；

m_t＝G_disremember(t)x m_t-1+G_disremember(t)x m_t+1+G_input(t)x tanh(W_mf G_feedback(t)+W_mh1h_t-1+W_mh2h_t+1+e_m)；

G_output(t)＝sigmoid(W_of G_feedback(t)+W_oh1h_t-1+W_om1m_t-1+W_oh2h_t+1+W_om2m_t+1+e_o)；

h_t＝G_output(t)x m_t；

y_t＝softmax_k(W_yhh_t+e_y)；

其中，

G_feedback(t)为序列为t时反馈门的输出；

W_fx1为序列为t时反馈门与序列为t时输入x_t的权值；

W_fh1为序列为t时反馈门与序列为t-1时隐藏层输入h_t-1之间的权值；

W_fh2为序列为t时反馈门与序列为t+1时隐藏层输入h_t+1之间的权值；

W_fm1为序列为t时反馈门与序列为t-1时记忆细胞输入m_t-1之间的权值；

W_fm2为序列为t时反馈门与序列为t+1时记忆细胞输入m_t+1之间的权值；

G_input(t)为序列为t时输入门的输出；

W_ih1为序列为t时输入门与序列为t-1时隐藏层输入h_t-1之间的权值；

W_ih2为序列为t时输入门与序列为t+1时隐藏层输入h_t+1之间的权值；

W_im1为序列为t时输入门与序列为t-1时记忆细胞输入m_t-1之间的权值；

W_im2为序列为t时输入门与序列为t+1时记忆细胞输入m_t+1之间的权值；

W_if为序列为t时输入门与序列为t时反馈门之间的权值；

G_disremember(t)为序列为t时遗忘门的输出；

W_dh1为序列为t时遗忘门与序列为t-1时隐藏层输入h_t-1之间的权值；

W_dh2为序列为t时遗忘门与序列为t+1时隐藏层输入h_t+1之间的权值；

W_dm1为序列为t时遗忘门与序列为t-1时记忆细胞输入m_t-1之间的权值；

W_dm2为序列为t时遗忘门与序列为t+1时记忆细胞输入m_t+1之间的权值；

W_mf为序列为t时记忆细胞与序列为t时反馈门之间的权值；

W_mh1为序列为t时记忆细胞与序列为t-1时隐藏层输入h_t-1之间的权值；

W_mh2为序列为t时记忆细胞与序列为t+1时隐藏层输入h_t+1之间的权值；

W_of为序列为t时输出门与序列为t时反馈门之间的权值；

W_oh1为序列为t时输出门与序列为t-1时隐藏层输入h_t-1之间的权值；

W_oh2为序列为t时输出门与序列为t+1时隐藏层输入h_t+1之间的权值；

W_om1为序列为t时输出门与序列为t-1时记忆细胞输入m_t-1之间的权值；

W_om2为序列为t时输出门与序列为t+1时记忆细胞输入m_t+1之间的权值；

W_yh为序列为t时输出与序列为t时隐藏层输入h_t之间的权值；

sigmoid(x)函数为

tanh(x)函数为

softmax_k(x)函数为其中，x_k为第k个softmax函数的输入，k大于1，且小于K；

x_t为序列为t时的输入；

y_t为序列为t时的输出；

h_t为序列为t时隐藏层的输入；

m_t为序列为t时记忆细胞的输出；

e_f为序列为t时反馈门的偏差值；

e_i为序列为t时输入门的偏差值；

e_d为序列为t时遗忘门的偏差值；

e_m为序列为t时记忆细胞的偏差值；

e_o为序列为t时输出门的偏差值；

e_y为序列为t时输出的偏差值。

当t为1时，上述参数的计算公式如下：

G_feedback(t)＝sigmoid(W_fxx_t+W_fh2h_t+1+W_fm2m_t+1+e_f)；

G_input(t)＝sigmoid(W_if G_feedback(t)+W_ih2h_t+1+W_im2m_t+1+e_i)；

G_disremember(t)＝sigmoid(W_df G_feedback(t)+W_dh2h_t+1+W_dm2m_t+1+e_d)；

m_t＝G_disremember(t)x m_t+1+G_input(t)x tanh(W_mf G_feedback(t)+W_mh2h_t+1+e_m)；G_output(t)＝sigmoid(W_of G_feedback(t)+W_oh2h_t+1+W_om2m_t+1+e_o)；

h_t＝G_output(t)x m_t；

y_t＝softmax_k(W_yhh_t+e_y)。

当t为输入x中的最后一个序列时，上述参数的计算公式如下：

G_feedback(t)＝sigmoid(W_fxx_t+W_fh1h_t-1+W_fm1m_t-1+e_f)；

G_input(t)＝sigmoid(W_ih1h_t-1+W_im1m_t-1+W_if G_feedback(t)+e_i)；

G_disremember(t)＝sigmoid(W_dh1h_t-1+W_dm1m_t-1+W_df G_feedback(t)+e_d)；

m_t＝G_disremember(t)x m_t-1+G_input(t)x tanh(W_mf G_feedback(t)+W_mh1h_t-1+e_m)；

G_output(t)＝sigmoid(W_of G_feedback(t)+W_oh1h_t-1+W_om1m_t-1+e_o)；

h_t＝G_output(t)x m_t；

y_t＝softmax_k(W_yhh_t+e_y)。

计算第一切词序列中任一元素的最后一个序列x₁n时，参数的计算公式如下：

G_feedback(1_n)＝sigmoid(W_fxx_{1_n}+W_fh1h_{1_n-1}+W_fm1m_{1_n-1}+W_fh2h_{2_1}+W_fm2m_{2_1}+e_f)；

G_input(1_n)＝sigmoid(W_ih1h_{1_n-1}+W_im1m_{1_n-1}+W_if G_feedback(1_n)+W_ih2h_{2_1}+W_im2m_{2_1}+e_i)；

G_disremember(1_n)＝sigmoid(W_dh1h_{1_n-1}+W_dm1m_{1_n-1}+W_df G_feedback(1_n)+W_dh2h_{2_1}+W_dm2m_{2_1}+e_d)；

m_{1_n}＝G_disremember(1_n)x m_{1_n-1}+G_disremember(1_n)x m_{2_1}+G_input(1_n)x tanh(W_mfG_feedback(1_n)+W_mh1h_{1_n-1}+W_mh2h_{2_1}+e_m)；

G_output(1_n)＝sigmoid(W_of G_feedback(1_n)+W_oh1h_{1_n-1}+W_om1m_{1_n-1}+W_oh2h_{2_1}+W_om2m_{2_1}+e_o)；

h_{1_n}＝G_output(1_n)x m_{1_n}；

y_{1_n}＝softmax_k(W_yhh_{1_n}+e_y)；

其中，1_n表示的是第一切词序列任一元素x₁中最后一个序列x_1n；2_1表示的是第二切词序列x₂中第一序列x₂₁；

计算输入的第二切词序列中第一个序列x₂₁时，参数的计算公式如下：

G_feedback(2_1)＝sigmoid(W_fxx_{2_1}+W_fh1h_{1_n}+W_fm1m_{1_n}+W_fh2h_{2_2}+W_fm2m_{2_2}+e_f)；

G_input(2_1)＝sigmoid(W_ih1h_{1_n}+W_im1m_{1_n}+W_if G_feedback(2_1)+W_ih2h_{2_2}+W_im2m_{2_2}+e_i)；

G_disremember(2_1)＝sigmoid(W_dh1h_{1_n}+W_dm1m_{1_n}+W_df G_feedback(2_1)+W_dh2h_{2_2}+W_dm2m_{2_2}+e_d)；

m_t＝G_disremember(2_1)x m_{1_n}+G_disremember(2_1)x m_{2_2}+G_input(2_1)x tanh(W_mf G_feedback(2_1)+W_mh1h _{1_n}+W_mh2h _{2_2}+e_m)；

G_output(2_1)＝sigmoid(W_of G_feedback(2_1)+W_oh1h_{1_n}+W_om1m_{1_n}+W_oh2h_{2_2}+W_om2m_{2_2}+e_o)；

h_{2_1}＝G_output(2_1)x m_{2_1}；

y_{2_1}＝softmax_k(W_yhh_{2_1}+e_y)；

其中，1_n表示的是第一切词序列x₁中最后一个序列x_1n；2_1表示的是第二切词序列x₂中第一序列x₂₁,2_2表示的是第二切词序列x₂中第二序列x₂₂。

所述步骤S134，将所述第一切词序列集中的序列和所述第二切词序列分别作为所述两个双向LSTM神经网络模型的第一输入Ip1和第二输入Ip2，具体为：

将第一输入Ip1和第二输入Ip2代入所述双向LSTM神经网络模型中的参数。

最后，执行步骤S150，若比较结果小于预设阀值，则根据匹配的汽车控制语句，获取对应的汽车控制模块控制汽车驾驶。

所述汽车智能驾驶的方法还包括汽车智能驾驶的解锁方法，所述解锁方法包括：

步骤S310，获取所述第一输入系统的文字输入信息；

步骤S320，获取所述第二输入系统的第一数值；

步骤S330，根据所述文字输入信息，获取输入的文字的笔画数；

步骤S340，获取当前系统时间，并根据所述当前系统时间获取对应的第二数值；

步骤S350，根据预设的运算规则，获取所述第一数值、笔画数及第二数值的计算结果；

步骤S360，判断所述计算结果是否为预设解锁密码；若是，则所述汽车解锁。

下面对本申请提供的解锁方法进行详细介绍：

首先，执行步骤S310，获取所述第一输入系统的文字输入信息。

其中，在所述步骤S310中所述第一输入系统可以为触屏输入或按键输入。

所述步骤S310，获取所述第一输入系统的文字输入信息，具体为：

步骤S311，当所述汽车上触发了解锁事件时，在显示屏的第一预设区域上显示预设的解锁提示文字；其中所述显示屏为锁定状态。所述解锁提示文字根据用户喜好设置，可以为“请输入一段文字”。

步骤S312，根据用户在显示屏上输入的文字信息，作为所述第一输入系统的文字输入信息。

再来，执行步骤S320，获取所述第二输入系统的第一数值。

再来，执行步骤S330，根据所述文字输入信息，获取输入的文字的笔画数。

所述步骤S330，根据所述文字输入信息，获取输入的文字的笔画数具体为根据输入的文字信息计算其中文字的笔画总数。例如输入的文字为“文”则笔画数为4。

为了提高输入密码解锁的安全性，所述步骤S330，根据所述文字输入信息，获取输入的文字的笔画数，还包括：

预设文字的笔画权值与文字的对应关系；

判断所述文字输入信息中是否存在预设文字，若是，则对对应的文字的笔画乘以对应的权值。

例如，预设文字包括“床、前、明、月、光”，且对应的权值分别是“2、3、4、5、6”

则若所述文字输入信息中出现“床”，则对应的笔画数乘以权值2。

再来，执行步骤S340，获取当前系统时间，并根据所述当前系统时间获取对应的第二数值。

所述步骤S340，获取当前系统时间，并根据所述当前系统时间获取对应的第二数值，具体为：

获取当前系统时间，并根据所述当前系统时间获取其中的数字字符，得到第二数值。

例如：

当前时间为“20:09”，则对应的第二数值为“2009”。

通过加入系统时间，使得所述屏幕解锁密码获取更加多变性，更复杂，并不能固定通过第一输入系统和第二输入系统的内容来解锁，提高了解锁密码的安全性，即使第一输入系统和所述第二输入系统的输入内容被他人获取，也并不能很快得到相应的解锁信息。

再来，执行步骤S350，根据预设的运算规则，获取所述第一数值、笔画数及第二数值的计算结果。

所述步骤S350，根据预设的运算规则，获取所述第一数值、笔画数及第二数值的计算结果，具体为：

根据预设的逻辑运算规则，获取所述第一数值、笔画数及第二数值的计算结果。

所述预设的逻辑运算规则可以为“第一数值*笔画数/第二数值”，也可以为“第一数值*笔画数*第二数值”，具体逻辑运算规则可以根据用户需求进行调整。

在所述步骤S250，根据预设的运算规则，获取所述第一数值、笔画数及第二数值的计算结果之前，所述屏幕解锁方法还包括：

判断所述第一数值中是否存在预设的第一字符串；

若是，则根据所述第一数值中的所述第一字符串之后的数值，更新第一数值。

例如，第一数值为“7742932857289482903”，而预设的第一字符串为“2894”，则将将第一数值中“2894”之后的数值“82903”更新作为第一数值。

或，所述解锁方法还包括：

判断所述第一数值中是否存在预设的第一字符串；

若是，则根据所述第一数值中的所述第一字符串之前的数值，更新第一数值。

例如，第一数值为“7742932857289482903”，而预设的第一字符串为“2894”，则将第一数值中“2894”之前的数值“7742932857”更新作为第一数值。

或，所述解锁方法还包括：

判断所述第一数值中是否存在预设的第二字符串；

若否，则更新所述第一数值为预设的初始值。

例如，第一数值为“7742932857289482903”，预设的初始值为“1111”而预设的第二字符串为“5728”，显然数值“7742932857289482903”存在“5728”，则更新第一数值为预设的初始值“1111”。

最后，执行步骤S360，判断所述计算结果是否为预设解锁密码；若是，则汽车智能驾驶控制解锁。

当计算结果为预设解锁密码，则汽车智能驾驶控制解锁。

本申请通过提供一种解锁方法，提高了汽车智能驾驶控制开启的安全性。

实施例二

基于同样的发明构思，本申请还提供一种汽车智能驾驶的装置，所述装置包括：

第一知识库单元210，用于预先建立知识库；其中所述知识库包括汽车控制语句集x＝{x₁，x₂，x₃，……，x_n}，及所述汽车控制语句集与汽车控制模块之间的映射关系；

第一切词单元220，用于获取所述汽车控制语句集中每个序列的第一切词序列集x₁＝{x₁₁，x₁₂，x₁₃，……，x_1m}，……，x_n＝{x_n1，x_n2，x_n3，……，x_nk}；

第二切词单元230，用于获取第一输入系统的第二切词序列y₁＝{y₁₁，y₁₂，y₁₃，……，y_1n}；

比较单元240，用于比较第一切词序列集中的任一序列与所述第二切词序列；

控制单元250，用于若比较结果小于预设阀值，则根据匹配的汽车控制语句，获取对应的汽车控制模块控制汽车驾驶。

所述比较单元240之前，还包括：

第一建模单元，用于建立两个双向LSTM神经网络模型；

输入单元，用于将所述第一切词序列集中的序列和所述第二切词序列分别作为所述两个双向LSTM神经网络模型的第一输入和第二输入；

第一标准化单元，用于通过所述双向LSTM神经网络模型的参数对所述第一输入和所述第二输入进行标准化，以获得标准化后的第一标准输出y₁和第二标准输出y₂。

所述比较单元240，具体为：

比较所述第一标准输出和第二标准输出。

所述比较所述第一标准输出和第二标准输出，具体为：

通过计算所述第一标准输出和所述第二标准输出的相似性。

所述第二切词单元之后，还包括：

第二知识库单元，用于建立静态知识库；其中，所述静态知识库为基于汽车零件领域知识，建立汽车零件的从属关系树，并将所述汽车零件知识归入汽车零件的从属关系树的节点上；

第二标准化单元，用于通过遍历从属关系树，将所述第二切词序列标准化。

本实施例二所介绍的装置为本申请实施例一中一种汽车智能驾驶的的方法所采用的装置，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。

本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

(1)本申请通过预设所述汽车控制语句集与汽车控制模块之间的映射关系，实现系统中汽车控制语句与汽车控制对应。

(2)本申请通过获取所述汽车控制语句集中每个序列的第一切词序列集，获取第一输入系统的第二切词序列，通过对语句切词提高语义识别效率；比较第一切词序列集中的任一序列与所述第二切词序列，实现对第一输入系统语句的语义识别。

(3)本申请通过识别第一输入系统语句，并根据识别匹配的汽车控制语句，按照与其映射的汽车控制来控制汽车，实现智能化驾驶。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (2)

1.一种汽车智能驾驶的方法，其特征在于，所述方法包括：

预先建立知识库；其中所述知识库包括汽车控制语句集x＝{x₁，x₂，x₃，……，x_n}，及所述汽车控制语句集与汽车控制模块之间的映射关系；所述汽车控制语句集与汽车控制模块之间的映射关系具体为所述汽车控制语句集中元素对应的汽车控制模块；

获取所述汽车控制语句集中每个序列的第一切词序列集x₁＝{x₁₁，x₁₂，x₁₃，……，x_1m}，……，x_n＝{x_n1，x_n2，x_n3，……，x_nk}；所述获取所述汽车控制语句集中每个序列的第一切词序列集x₁＝{x₁₁，x₁₂，x₁₃，……，x_1m}，……，x_n＝{x_n1，x_n2，x_n3，……，x_nk}，具体为：通过切词装置对所述汽车控制语句集中的每个序列切词；

获取第一输入系统的第二切词序列y₁＝{y₁₁，y₁₂，y₁₃，……，y_1n}；建立静态知识库；其中，所述静态知识库为基于汽车零件领域知识，建立汽车零件的从属关系树，并将所述汽车零件知识归入汽车零件的从属关系树的节点上；通过遍历从属关系树，将所述第二切词序列标准化；其中，所述静态知识库的建立具体为：建立汽车零件相关概念的具体从属关系，根据汽车零件相关概念的具体从属关系知识归入到汽车零件的从属关系树的节点上中；通过汽车零件的从属关系树中的某一节点爬树找到其对应的父节点；所述通过遍历从属关系树，将所述第二切词序列标准化具体为：通过遍历从属关系树，将所述第二切词序列上位化或下位，具体上位或下位程度根据需求选择；所述通过遍历从属关系树，将所述第二切词序列标准化还包括：若所述第二切词序列中的元素并非建立的从属关系树上的标准节点，则提取该元素中的关键词与所述从属关系树上的节点匹配，若匹配成功，则对该节点的下位关系进行遍历，获取与所述元素最接近的节点；在所述通过遍历从属关系树，将所述第二切词序列标准化之后，所述方法还包括：建立动态事件模型；所述通过遍历从属关系树，将所述第二切词序列标准化，对输入语句中的施动对象或受动对象进行遍历标准化之后，所述方法还包括：判断所述标准动词是否为第一切词系统中动词的同义词；若是，则将所述第一切词系统中动词填入所述动态事件模型的近似词对应的槽值中；对于同义词的判断可以预先建立一同义词库，具体包括：

步骤1，预先存储训练集，所述训练集中包括多组同义词组；

步骤2，遍历所述训练集，判断待判断的同义词是否为同义词；

步骤3，若否，则根据互联网同义词搜索判断；

步骤4，若步骤3中判断的结果为是，则根据该同义词组更新所述训练集；

比较第一切词序列集中的任一序列x_K与所述第二切词序列y₁；

若比较结果小于预设阀值，则根据匹配的汽车控制语句，获取对应的汽车控制模块控制汽车驾驶；

所述比较第一切词序列集中的任一序列与所述第二切词序列之前，还包括：建立两个双向LSTM神经网络模型；将所述第一切词序列集中的序列和所述第二切词序列分别作为所述两个双向LSTM神经网络模型的第一输入Ip1和第二输入Ip2；通过所述双向LSTM神经网络模型的参数对所述第一输入Ip1和所述第二输入Ip2进行标准化，以获得标准化后的第一标准输出Op1和第二标准输出Op2；

所述比较第一切词序列集中的任一序列与所述第二切词序列，具体为：

比较所述第一标准输出Op1和第二标准输出Op2。

2.如权利要求1所述的方法，其特征在于，所述比较所述第一标准输出Op1和第二标准输出Op2，具体为：

通过计算所述第一标准输出Op1和所述第二标准输出Op2的相似性。