CN108897926B - 一种人工车联网系统及其建立方法 - Google Patents

Abstract

本发明公开了一种人工车联网系统及其建立方法。所述系统包括多个人工智能体以及计算实验模块，其中：每个人工智能体对应实际车联网系统中的一个影响因子；所述人工智能体的属性包括初始状态参数以及行为规则，所述初始状态参数以及所述行为规则与所述影响因子的特征属性匹配；所述人工智能体配置为以所述初始状态参数为基础在所述行为规则范围内随机运行从而涌现仿真行为特征；所述计算实验模块与所述实际车联网系统的运行体系匹配，其配置为以所有人工智能体所涌现出的仿真行为特征为基础进行计算从而获取实验结果。相较于现有技术，本发明的人工车联网系统可以更加准确的模拟预测车联网系统的状态，从而为研究、控制以及优化车联网系统提供更为准确的数据支持。

Description

一种人工车联网系统及其建立方法

技术领域

本发明涉及交通领域，具体涉及一种人工车联网系统及其建立方法。

背景技术

随着计算机、数据通信、智能传感等技术的发展以及移动智能终端的泛在使 用，大数据、云计算、物联网、社会网络以及人工智能等技术进一步被集成在交 通运输、服务推荐、车辆管理等整个地面交通管理系统中。车联网是物联网的一 个重要组成部分。其将车、路、人及其他建筑通过信息中心有效地结合起来，实 现在信息网络平台上对所有车辆(即智能车辆)的属性信息和静/动态信息进行提取和有效利用。车联网作为一种协同多人、多车、多路边单元与开放环境的可计 算、可控、可管理、可引导、可信的开放融合网络系统，为未来综合交通系统的 智能管理与控制提供了新的思路与途径。

车联网系统涉及到动态交通场景中人-车-路的信息传输、交互、重组、后台 数据分析、决策支持等多个过程。具体的，一方面驾驶员心理与行为的高突变性、 不确定性、动态性，为人与车、车与车、车与外部环境的交互引入了新的复杂因 素；另一方面，车内网、车际网与车载移动网络的合成不可避免地引入了社会信 号，使车联网成为一个典型的社会物理信息系统(Cyber-Physical-Social Systems， CPSS)。不同于传统的物理信息系统(Cyber-Physical Systems，CPS)，由于CPSS 将人及其心理和组织的因素纳入系统之中，因此极大地提高了系统的复杂性，使其成为约束车联网智能化水平的一大瓶颈。

发明内容

本发明提供了一种人工车联网系统，所述系统包括多个人工智能体以及计算 实验模块，其中：

每个人工智能体对应实际车联网系统中的一个影响因子；

所述人工智能体的属性包括初始状态参数以及行为规则，所述初始状态参数 以及所述行为规则与所述影响因子的特征属性匹配；

所述人工智能体配置为以所述初始状态参数为基础在所述行为规则范围内 随机运行从而涌现仿真行为特征；

所述计算实验模块与所述实际车联网系统的运行体系匹配，其配置为以所有 人工智能体所涌现出的仿真行为特征为基础进行计算从而获取实验结果。

在一实施例中，所述人工智能体包括人、车、道路、路边单元、基站、建筑、 时间以及天气。

在一实施例中，多个所述人工智能体并行运行，并与所述实际车联网系统平 行执行。

在一实施例中，所述系统还包括场景配置获取单元，其中：

所述场景配置获取单元配置为获取车联网运行场景设定；

所述计算实验模块配置为在所述运行场景设定限定下以所有人工智能体所 涌现出的仿真行为特征为基础进行计算从而获取对应运行场景的实验结果。

在一实施例中，所述行为规则包括所述人工智能体之间的交互规则、所述人 工智能体之间的组织规则、所述人工智能体之间的协同行为规则和/或所述人工智 能体与所述计算实验模块间的仿真结果反馈规则。

本发明还提出了一种建立如本发明所述的人工车联网系统的方法，其特征在 于，所述方法包括：

根据实际车联网系统中的影响因子确定人工智能体及其初始状态参数以及 其行为规则；

根据所述实际车联网系统的运行体系构造计算实验模块。

在一实施例中，对现实的车联网系统的历史数据基于统计分析与机器学习的 方法进行数据挖掘以确定所述初始状态参数。

在一实施例中，基于规则学习方法从实际车联网系统的历史数据中提取所述 行为规则。

在一实施例中，所述方法还包括：

对比所述实验结果与实际车联网系统的运行结果，根据对比结果调整所述初 始状态参数、所述行为规则和/或所述计算实验模块的算法。

本发明还提出了一种存储介质，所述存储介质上存储有可实现如本发明所述 方法的程序代码。

现有的针对实际车联网系统的仿真，其利用计算机和数值技术建模集成，仿 真并“回演”实际车联网系统中的各种状态和发展特性，是一种自上而下的被动 还原型研究方法。本发明的人工车联网系统利用计算机和代理技术“培育生长” 人工车联网系统，结合代理与代理、代理与环境、环境与环境之间相互作用所“涌 现(Emergence)”出的特性，模拟并“实播”人工车联网系统的各种状态和发 展特性，是一种自下而上的主动综合型研究方法，可以弥补现有车联网系统仿真的不足，可以更加准确的模拟预测车联网系统的状态，从而为研究、控制以及优 化车联网系统提供更为准确的数据支持。

本发明的其它特征或优点将在随后的说明书中阐述。并且，本发明的部分特 征或优点将通过说明书而变得显而易见，或者通过实施本发明而被了解。本发明 的目的和部分优点可通过在说明书、权利要求书以及附图中所特别指出的步骤来 实现或获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明 的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1是根据本发明一实施例的系统结构示意图；

图2是根据本发明一实施例的方法流程图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此本发明的实施 人员可以充分理解本发明如何应用技术手段来解决技术问题，并达成技术效果的 实现过程并依据上述实现过程具体实施本发明。需要说明的是，只要不构成冲突， 本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术 方案均在本发明的保护范围之内。

随着计算机、数据通信、智能传感等技术的发展以及移动智能终端的泛在使 用，大数据、云计算、物联网、社会网络以及人工智能等技术进一步被集成在交 通运输、服务推荐、车辆管理等整个地面交通管理系统中。车联网是物联网的一 个重要组成部分。其将车、路、人及其他建筑通过信息中心有效地结合起来，实 现在信息网络平台上对所有车辆(即智能车辆)的属性信息和静/动态信息进行提取和有效利用。车联网作为一种协同多人、多车、多路边单元与开放环境的可计 算、可控、可管理、可引导、可信的开放融合网络系统，为未来综合交通系统的 智能管理与控制提供了新的思路与途径。

车联网系统涉及到动态交通场景中人-车-路的信息传输、交互、重组、后台 数据分析、决策支持等多个过程。具体的，一方面驾驶员心理与行为的高突变性、 不确定性、动态性，为人与车、车与车、车与外部环境的交互引入了新的复杂因 素；另一方面，车内网、车际网与车载移动网络的合成不可避免地引入了社会信 号，使车联网成为一个典型的社会物理信息系统(Cyber-Physical-Social Systems， CPSS)。不同于传统的物理信息系统(Cyber-Physical Systems，CPS)，由于CPSS 将人及其心理和组织的因素纳入系统之中，因此极大地提高了系统的复杂性，使其成为约束车联网智能化水平的一大瓶颈。

针对车联网系统的复杂性，为了能够更好的研究、控制以及优化车联网系统， 本发明提出了一种基于计算机和代理技术“培育生长”的，以及各智能体涌现特 性的人工车联网系统。此处所述的人工车联网系统，与现有技术中的实际车联网 系统的仿真有本质的区别。

在现有技术中，实际车联网系统的仿真出发点是通过将研究对象分解为子系 统，利用计算机和数值技术建模集成，仿真并“回演”实际车联网系统中的各种 状态和发展特性，讨论和解决现实交通面临的各种问题，是一种自上而下的被动 还原型研究方法。其主要存在两个问题：

(1)实际车联网系统中，由于实际车联网数据不足，尤其是极端环境与异 常场景数据不足，车辆行为的产生、交互、和演化过程并不能在车联网仿真系统 里完备地展现。

(2)由于其是一种被动型的自上而下还原型研究方法，故其不能实播实际 车联网系统中各个部分的动态特征与发展趋势，缺乏灵活性与实时性。

本发明所提出的人工车联网系统，是利用计算机和代理技术“培育生长”人 工车联网系统，基于计算实验设计与对代理的规则与行为的自主性生成，研究代 理与代理、代理与环境、环境与环境之间相互作用所“涌现(Emergence)”出 的特性。

“涌现(Emergence)”即指从无到有的培育，使人工智能体能够自主的在 人工车联网环境中依据其规则仿真运行、互动。一方面，基于规则所“涌现”的 智能体行为为人工车联网系统提供了丰富的不同场景下的数据，另一方面，人工智能体可以模拟并“实播”人工车联网系统的各种状态和发展特性，是一种自下 而上的主动综合型研究方法，可以弥补现有车联网系统仿真的不足。

具体的，在一实施例中，人工车联网系统包括多个人工智能体以及计算实验 模块，其中：

每个人工智能体对应实际车联网系统中的一个影响因子；

人工智能体的属性包括初始状态参数以及行为规则，人工智能体的初始状态 参数以及行为规则与影响因子的特征属性匹配；

人工智能体配置为以人工智能体的初始状态参数为基础在人工智能体的行 为规则范围内随机运行从而涌现仿真行为特征；

计算实验模块与实际车联网系统的运行体系匹配，其配置为以所有人工智能 体所涌现出的仿真行为特征为基础进行计算从而获取实验结果。

本发明所提出的人工车联网系统，其最根本的一个特征是利用人工智能体涌 现仿真行为特征。

相较于现有技术，本发明的人工车联网系统利用计算机和代理技术“培育生 长”人工车联网系统，基于计算实验设计与对代理的规则与行为的自主性生成， 研究代理与代理、代理与环境、环境与环境之间相互作用所“涌现(Emergence)” 出的特性，可以更加准确的模拟预测车联网系统的状态，从而为研究、控制以及优化车联网系统提供更为准确的数据支持。

具体的，在一实施例中，人工车联网系统的人工智能体包括人、车、道路、 路边单元、基站、建筑、时间以及天气。如图1所示，外圈即是人工车联网系统 的8个人工智能体(人、车、道路、路边单元、基站、建筑、时间以及天气)。 人工智能体所涌现仿真行为特征输出到人工车联网子系统(计算实验模块)。

进一步的，人工智能体的初始状态参数以及行为规则与影响因子的特征属性 匹配。具体的，在一实施例中，不同类型的人工智能体具有其特有属性。以人工 人、人工车辆、人工天气、道路类型为例：

人工天气包括晴、阴、雨、雾、霾、霜冻、暴风、台风、雪、雨夹雪、冰雹、 浮尘、扬沙；

人工车包括类型与配置两种属性，类型中又分为乘用车与商用车；配置分为 高、中、低、默认。

人工人包括行人与驾驶员，其中，驾驶员包括类型与状态两种属性，类型分 为攻击型、温和型、理智型；状态包括：喜悦、愤怒、悲伤、恐惧、厌恶、惊奇。

人工道路包括城市道路、沙漠道路、乡村道路、盘山道路。

进一步的，在一实施例中，人工智能体的行为规则包括人工智能体之间的交 互规则、人工智能体之间的组织规则、人工智能体之间的协同行为规则和/或人工 智能体与计算实验模块间的仿真结果反馈规则。基于上述规则，在人工智能体运 行过程中，智能体与智能体、智能体与环境、环境与环境之间相互作用从而“涌 现”出行为特性。

进一步的，考虑到在某些应用场景下需要针对特定运行场景进行观测，因此， 在一实施例中，系统还包括场景配置获取单元，其中：

场景配置获取单元配置为获取车联网运行场景设定；

计算实验模块配置为在运行场景设定限定下以所有人工智能体所涌现出的 仿真行为特征为基础进行计算从而获取对应运行场景的实验结果。

进一步的，人工智能体配置为以人工智能体的初始状态参数为基础在人工智 能体的行为规则范围内随机运行从而涌现仿真行为特征。具体的，在一实施例中 人工智能体具有简单的计算与交互能力，并且，多个人工智能体并行运行。

并且，进一步的，在一实施例中，人工车联网系统与所述实际车联网系统平 行执行。在这里，平行执行的含义首先是同时运行，即，并不是具有时间先后顺 序的启动实际车联网或是执行人工车联网系统，这样就能保证针对实际车联网系 统的实时模拟。进一步的，平行执行的概念还包含实际车联网系统与人工车联网 的相对独立运行。人工车联网并不是依附在实际车联网上运行的。

人工车联网的平行执行主要考虑车内网、车际网以及驾驶员之间社会网的平 行。通过构建与物理空间车联网相对应的虚拟人工车联网，借助计算实验的手段， 即可设计面向复杂交通系统的可重复、可配置、可计算、可引导的车联网管理与 控制实验，有效评测、预估并引导实际车联网运营状态。人工车联网中的人工车 辆在虚拟交通空间中可以不受物理空间位置的限制、能源的限制、数据通信瓶颈 的约束，与其他人工车辆进行交互，以众包的方式完成路网环境数据采集、协同 路径规划、复杂场景感知与情景认知等任务。此时，人工车联网的计算实验的结 果不再仅仅是对实际车联网系统运行情况的“仿真”，而是成为了系统运行状态的一种可能结果。

一方面，实际车联网向平行执行的人工车联网提供真实数据信息，提供建立、 调整及优化人工车联网系统的状态参数；计算实验利用输入的真实数据进行模型 训练，生成大量“人工数据”，在真实“小数据”与人工“大数据”组成的“混 合海量数据”中进行大量的学习，提高并优化系统的场景学习与情景认知能力。

另一方面，通过虚拟现实平行执行的方式，人工车联网中的计算实验结果将 被反馈给实际车联网，进行在实时且在线的借鉴、预估与引导，循环往复，协同 优化。

在平行执行的人工车联网中，虚拟车辆通过平行感知、平行学习、平行驾驶、 平行规划与平行测试的方法保障人工车联网与实际车联网的实时信息交互、策略 反馈及双向优化，提升智能网联汽车的感知、决策与规划和控制等关键领域的性 能表现，实现对不同层次需求、不同服务内涵的整体网络资源及交通资源的优化管理与配置，从而更好地满足不断提高的车联网系统的控制与管理需求，为涵盖 不同自动化层级的智能网联汽车系统和未来智能交通提供一套智能融合解决方 案。

针对本发明所提出的人工车联网系统，本发明还提出了一种构造人工车联网 系统的方法。具体的，在一实施例中，方法包括以下步骤：

根据实际车联网系统中的影响因子确定人工智能体及其初始状态参数以及 其行为规则；

根据现实的车联网系统的运行体系构造计算实验模块。

具体的，在一实施例中，对现实的车联网系统的历史数据进行数据挖掘以确 定人工智能体的初始状态参数。

具体的，在一实施例中，基于规则学习方法从实际车联网系统的历史数据中 提取人工智能体的行为规则。

以一具体的应用场景为例，在一实施例中，首先，定义人工车联网系统中的 8类智能体：人工人、人工车、人工道路、人工路边单元、人工基站、人工建筑、 人工时间、人工天气，如图1所示；每类智能体具有简单的计算与交互能力。

每类智能体均包括其特有属性与分类。以人工人、人工车辆、人工天气、道 路类型为例：

人工天气包括晴、阴、雨、雾、霾、霜冻、暴风、台风、雪、雨夹雪、冰雹、 浮尘、扬沙；

人工车包括类型与配置两种属性，类型中又分为乘用车与商用车；配置分为 高、中、低、默认。

人工人包括行人与驾驶员，其中，驾驶员包括类型与状态两种属性，类型分 为攻击型、温和型、理智型；状态包括：喜悦、愤怒、悲伤、恐惧、厌恶、惊奇。

人工道路包括城市道路、沙漠道路、乡村道路、盘山道路。

其次，基于以上8类智能体，通过不同的排列组合，定义智能体之间的交互 规则、组织规则与协同行为规则，进一步生成智能体与智能体、智能体与环境、 环境与环境之间相互作用所“涌现(Emergence)”出的行为特性。

具体的，在一实施例中，以构造针对驾驶行为分析的人工智能体为例，利用 机器学习与数据挖掘方法确定人工车联网系统的状态：

(1)输入：基于实际车联网的驾驶行为数据，涵盖8辆车在754段路上的 182008条驾驶记录，经过数据清洗，整理成包含14个指标、5个维度下的754 个样本。

(2)方法：

因子分析：首先针对14个指标进行筛选，利用因子分析，将筛选后的12个 指标化简为3个因子来表示。

聚类分析：利用K-Means聚类方法对754段行程在3个因子维度上进行聚类， 分析驾驶行为的特点。

(3)输出：所研究区域、时间段内的驾驶行为分布，作为人工车联网系统 的初始状态。

根据本发明的系统以及方法，基于人工智能体所“涌现”的多智能体行为特 性，借助统计机器学习、数据挖掘、深度学习等方法对实际车联网数据的参数学 习确定人工车联网系统的初始状态参数，进行计算实验分析，形象且参数化地解 释源起于微观的复杂宏观现象，从而更好地解释复杂车联网系统不同层次的结 构、功能及其动力学特性。

进一步的，在一实施例中，对比计算实验模块生成的实验结果与实际车联网 系统的运行结果，根据对比结果调整初始状态参数、行为规则和/或计算实验模块 的仿真算法。这样，就可以实现对人工车联网系统的不断改进，使其更加准确的 匹配实际车联网系统。

具体的，以计算实验所分析得到的车联网系统特性，反馈、引导智能体的行 为规则的学习与设计，从而通过在环“涌现”的方式，模拟并“实播”实际车联 网系统的各种状态和发展特性，从而自下而上的“生长培育”出人工车联网系统。 具体的流程如图2所示。首先构造人工智能体(S210)(获取运行规则以及初始状态参数)。之后，运行人工智能体(S220)，从而“涌现”智能体行为特征(S230)。 基于“涌现”行为的计算实验分析，获取实验结果(S240)。根据实验结果获取 引导与反馈，优化人工智能体(优化运行规则和/或初始状态参数)(S250)。

进一步的，本发明还提出了一种存储介质。具体的，在一实施例中，存储介 质上存储有可实现如本发明所述方法的程序代码。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明 而采用的实施方式，并非用以限定本发明。本发明所述的方法还可有其他多种实 施例。在不背离本发明实质的情况下，熟悉本领域的技术人员当可根据本发明做 出各种相应的改变或变形，但这些相应的改变或变形都应属于本发明的权利要求 的保护范围。

Claims (6)

1.一种人工车联网系统，其特征在于，所述系统与所述实际车联网系统平行执行，包括多个人工智能体以及计算实验模块，其中：

每个人工智能体对应实际车联网系统中的一个影响因子；

所述人工智能体的属性包括初始状态参数以及行为规则，所述初始状态参数以及所述行为规则与所述影响因子的特征属性匹配；所述行为规则包括所述人工智能体之间的交互规则、所述人工智能体之间的组织规则、所述人工智能体之间的协同行为规则和/或所述人工智能体与所述计算实验模块间的仿真结果反馈规则；人工智能体具有基础的计算与交互能力，并且多个人工智能体并行运行；

所述初始状态参数是通过对现实的车联网系统的历史数据基于统计分析与机器学习的方法进行数据挖掘确定的；借助统计机器学习、数据挖掘和/或深度学习方法对实际车联网数据的参数学习确定人工车联网系统的初始状态参数；

所述人工智能体配置为以所述初始状态参数为基础在所述行为规则范围内随机运行从而涌现仿真行为特征；

所述计算实验模块与所述实际车联网系统的运行体系匹配，其配置为以所有人工智能体所涌现出的仿真行为特征为基础进行计算从而获取实验结果；

所述计算实验模块配置为对比生成的实验结果与实际车联网系统的运行结果，根据对比结果调整人工智能体的初始状态参数、行为规则和/或计算实验模块的运行体系仿真算法；

所述系统还包括场景配置获取单元，其中：

所述场景配置获取单元配置为获取车联网运行场景设定；

所述计算实验模块配置为在所述运行场景设定限定下以所有人工智能体所涌现出的仿真行为特征为基础进行计算从而获取对应运行场景的实验结果。

2.根据权利要求1所述的系统，其特征在于，所述人工智能体包括人、车、道路、路边单元、基站、建筑、时间以及天气。

3.根据权利要求1所述的系统，其特征在于，多个所述人工智能体并行运行，并与所述实际车联网系统平行执行。

4.一种建立如权利要求1～3中任一项的人工车联网系统的方法，其特征在于，建立的人工车联网系统系统与所述实际车联网系统平行执行；所述方法包括：

根据实际车联网系统中的影响因子确定人工智能体及其初始状态参数以及其行为规则；人工智能体具有基础的计算与交互能力，并且多个人工智能体并行运行；

根据所述实际车联网系统的运行体系构造计算实验模块；

其中，对现实的车联网系统的历史数据基于统计分析与机器学习的方法进行数据挖掘以确定所述初始状态参数；借助统计机器学习、数据挖掘和/或深度学习方法对实际车联网数据的参数学习确定人工车联网系统的初始状态参数；

所述行为规则包括人工智能体之间的交互规则、所述人工智能体之间的组织规则、所述人工智能体之间的协同行为规则和/或所述人工智能体与所述计算实验模块间的仿真结果反馈规则；

所述方法还包括：对比计算实验模块生成的实验结果与实际车联网系统的运行结果，根据对比结果调整人工智能体的初始状态参数、行为规则和/或计算实验模块的运行体系仿真算法；

所述方法还包括：

获取车联网运行场景设定；

在运行场景设定限定下以所有人工智能体所涌现出的仿真行为特征为基础进行计算从而获取对应运行场景的实验结果。

对现实的车联网系统的历史数据基于统计分析与机器学习的方法进行数据挖掘以确定所述初始状态参数。

5.根据权利要求4所述的方法，其特征在于，基于规则学习方法从实际车联网系统的历史数据中提取所述行为规则。

6.一种存储介质，其特征在于，所述存储介质上存储有可实现如权利要求4或5所述方法的程序代码。