CN112200319A - 一种实现无人车导航避障的规则推理方法及系统 - Google Patents
一种实现无人车导航避障的规则推理方法及系统 Download PDFInfo
- Publication number
- CN112200319A CN112200319A CN202011124078.6A CN202011124078A CN112200319A CN 112200319 A CN112200319 A CN 112200319A CN 202011124078 A CN202011124078 A CN 202011124078A CN 112200319 A CN112200319 A CN 112200319A
- Authority
- CN
- China
- Prior art keywords
- rule
- reasoning
- unmanned vehicle
- inference
- level
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000009471 action Effects 0.000 claims abstract description 21
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000013468 resource allocation Methods 0.000 claims abstract description 5
- 230000008447 perception Effects 0.000 claims description 19
- 230000000875 corresponding effect Effects 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 1
- 238000013439 planning Methods 0.000 abstract description 10
- 206010063385 Intellectualisation Diseases 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种实现无人车导航避障的规则推理方法及系统,其中,包括:步骤1、构建知识规则库,采用分级推理策略,定义构建基础规则与模型库,将无人车实时采集的数据作为推理引擎的输入数据,利用自动推理机制进行推理决策,并完成知识规则库的更新;步骤2、推理机通过推理机资源配置,调用计算单元,与知识规则库的信息交互,采用基于分级推理策略的推理机运行模式,使无人车完成观察、判断、决策和行动过程,具备自主任务能力。本发明可以学习到任务场景的新知识,使无人车具备自主路径规划,导航避障,目标识别能力,能够科学、高效地做出智能化推理决策,最终使无人车具备模拟并超越人解决复杂问题的决策能力,为实现无人装备智能化提供新方法。
Description
技术领域
本发明涉及规则推理方法,特别是指一种实现无人车导航避障的规则推理方法及系统。
背景技术
规则推理引擎也叫产生式系统,是由基于规则的专家系统发展而来,基于规则的专家系统是人工智能领域中专家系统的一个分支。规则推理引擎实现了将业务决策从应用程序代码中分离出来,并使用预定义的语义模块写业务决策。接受数据输入,解释业务规则,并根据业务规则做出业务决策。
规则引擎常作为一种嵌入应用程序中的组件应用于商业领域,辅助企业IT系统进行流程管理,应对快速变化的业务规则,业务人员直接可以动态的管理和修改规则,不需要程序员参与,提升软件系统的柔性和适应性。但目前基于规则推理方法的系统在军事领域和无人装备领域的实际应用较少。
人工智能技术加速向军事领域渗透,随着新式智能化武器装备与新型作战样式的提出,对战场信息处理的时效性、准确性、灵敏性提出了更高要求。复杂的军事环境和军事活动的不可预测性,对军事指挥人员的指挥作战能力要求很高。规则推理系统为指挥人员提供决策支持,快速准确地找到合适的决策资源,提升无人装备的自主任务能力及动态规划能力。
实现无人车导航避障的规则推理方法有效地克服了传统决策方法的一些不足,如事先决策和静态规划,更加关注军用规则知识库的建立与推理响应时间,采用分级构建规则的策略,完成与目标检测模块与导航避障模块的融合调用,使无人车具有自主行为决策能力,完成目标识别、路径规划与自主避障等功能,使作战装备具备自主观察、分析、决策、行动的能力。该方法将智能推理决策应用到军用无人装备领域,为实现军事装备的智能化提供了新思路。
发明内容
本发明的目的在于提供一种实现无人车导航避障的规则推理方法及系统,用于解决上述现有技术的问题。
本发明一种实现无人车导航避障的规则推理方法,其中,包括:步骤1、构建知识规则库,采用分级推理策略,定义构建基础规则与模型库,将无人车实时采集的数据作为推理引擎的输入数据,利用自动推理机制进行推理决策,并完成知识规则库的更新;步骤2、推理机通过推理机资源配置,调用计算单元,与知识规则库的信息交互,采用基于分级推理策略的推理机运行模式,使无人车完成观察、判断、决策和行动过程,具备自主任务能力;所述步骤2具体包括以下步骤:步骤2.1、推理机通过目标识别算法、控制摄像头以及激光雷达设备进行环境感知和目标识别,实时采集任务数据,并完成与知识规则库中综合数据库和模型库的信息交互;步骤2.2、根据对观察阶段的感知识别结果进行评估,如输入数据具备判断条件,则推理引擎进行任务分解以及属性判断,依据模型库与规则库进行会遇态势识别和目标分配,进行对观察结果的判断,并进行步骤2.3;若输入数据不具备判断条件,则返回执行步骤2.1;步骤2.3、将步骤2.2的判断结果与规则库进行规则匹配,若匹配成功,则依据匹配规则生成决策执行指令,并执行步骤2.4;若匹配失败,则进行判断校验与优化,并重新对判断结果进行规则匹配,当无法得到有效推理结果时给出结论或建议;步骤2.4、根据步骤2.3生成的决策执行指令,驱使无人车完成执行动作。
根据本发明所述的实现无人车导航避障的规则推理方法的一实施例,其中,步骤2.4中根据决策执行指令重新生成导航路径,使无人车完成导航和躲避障碍物动作,若未接到停止指令,则返回持续执行步骤2.1。
根据本发明所述的实现无人车导航避障的规则推理方法的一实施例,其中,推理机资源配置指根据任务场景和环境,推理引擎实现自动匹配不同类别的规则,根据自主任务目标、场景特性以及平台自身的状态特点,通过对输入数据的分析归类,智能选择当前输入条件的所在推理级别,确定所需的资源。
根据本发明所述的实现无人车导航避障的规则推理方法的一实施例,其中,实时采集任务数据包括:对场景中各类目标的检测与识别以及对目标的跟踪与意图理解,对无人车实时获取的可视信息进行视觉处理,并利用深度学习,采用端到端卷积神经网络,实现无人环境感知与目标识别。
根据本发明所述的实现无人车导航避障的规则推理方法的一实施例,其中,所述模型库用于存储概念及推理量化所需的各类避碰模型;所述规则库以产生式规则形式提供判断决策所需的目标分配,行动规则及决策指令;所述综合数据库实现对无人车信息、传感器数据、导航数据、电子地图以及目标识别数据的存储管理。
根据本发明所述的实现无人车导航避障的规则推理方法的一实施例,其中,所述分级推理策略包括:根据推理判断的不同情况将推理规则划分成不同的层级,将感知识别到判断设为一级,判断到决策设为二级,决策到行动设为三级,并可控制推理引擎的执行层级,若设置为一级推理,则只执行第一层级推理,输出为判断结果;若设置为二级推理,则执行第一层级以及第二层级推理,输出为决策结果;若设置为三级推理,则执行第一层级、第二层级以及第三层级推理,输出为控制无人车做出相应动作。
根据本发明所述的实现无人车导航避障的规则推理方法的一实施例,其中,第一层级规则对观察数据做出判断,将观察阶段的同类规则进行统一命名,存储在同一数据库表中,输入事实为实时获取的数据,当输入事实与条件匹配一致,自动执行该条规则,输出相应执行结果;第二层级规则对判断结果做出推理决策,以一级规则的执行结果作为输入,进行规则匹配,执行相应规则后生成执行结果;第三层级规则对决策指令进行响应,做出具体行动。以二级规则的执行结果作为输入,进行规则匹配,调用算法模块,控制无人车做出相应动作。
本发明一种实现无人车导航避障的规则推理系统,其中,包括:规则配置层、规则推理层、推理执行层和数据存储层;(1)规则配置层衔接了程序入口和规则推理层,为程序入口提供配置可运行规则以及输入自定义规则的接口,为规则推理层的推理算法的组合提供依据;(2)规则推理层用于将输入事实与知识规则库中的规则进行匹配,做出推理判断与决策;(3)推理执行层对应嵌入式智能硬件平台,为规则推理系统实际执行的硬件环境;(4)数据存储层用于为嵌入式智能硬件平台提供大数据量的数据存储支持,向硬件平台输入待推理的模型和推理规则数据,并且接收硬件平台的推理结果数据。
根据本发明的实现无人车导航避障的规则推理系统的一实施例,其中,规则推理层的规则推理引擎配置包括:规则配置文件、规则配置工具、规则配置解析器,规则配置文件用于修改规则执行层级、规则匹配条件以及规则响应时间开关,规则配置工具负责规则文件的匹配,规则推理引擎的调用,规则配置解析器用于解析规则配置文件,结合程序与相关的规则类别进行匹配。
根据本发明的实现无人车导航避障的规则推理系统的一实施例,其中,规则推理层的规则推理引擎包括:正向推理、反向推理及混合推理,正向推理从原始数据出发,按照一定的策略,正向使用知识规则库中的规则,推断出结论,反向推理是先提出假设,然后反向使用知识,去寻找支持这个假设证据的推理方法,混合推理是根据输入事实进行正向推理,同时从目标出发进行反向推理,当正向推理得出的中间结果满足了反向推理的要求时,则推理成功。
本发明的目的在于提供一种实现无人车导航避障的规则推理方法,使无人车在设定好的分级推理机制引导下,基于军用规则库做出判断决策,并且可以学习到任务场景的新知识,使无人车具备自主路径规划,导航避障,目标识别能力,能够科学、高效地做出智能化推理决策,最终使无人车具备模拟并超越人解决复杂问题的决策能力,为实现无人装备智能化提供新方法。
附图说明
图1为本发明的实现无人车导航避障的规则推理方法系统框架示意图;
图2为本发明的具体实施流程图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本发明的系统框架示意图如图1所示。系统内部共分为四层,分别为规则配置层、规则推理层、推理执行层和数据存储层。(1)规则配置层。规则配置层衔接了程序入口模块和规则推理层,为程序入口模块提供配置可运行规则、输入自定义规则的接口,为下层推理算法的组合提供依据。规则推理引擎配置包括:规则配置文件、规则配置工具、规则配置解析器。规则配置文件用于修改规则执行层级,规则匹配条件,规则响应时间开关等信息。规则配置工具负责规则文件的匹配,规则推理引擎的调用。规则配置解析器用于解析规则配置文件,结合程序与相关的规则类别进行匹配。(2)规则推理层。规则推理层用于将输入事实与知识规则库中的规则进行匹配,做出推理判断与决策。规则推理引擎包括:正向推理、反向推理及混合推理。正向推理是指从原始数据出发,按照一定的策略,正向使用知识规则库中的规则,推断出结论。反向推理是先提出假设(结论或目标),然后反向使用知识,去寻找支持这个假设证据的推理方法。混合推理是根据输入事实进行正向推理,同时从目标出发进行反向推理,当正向推理得出的中间结果满足了反向推理的要求时,则推理成功。(3)推理执行层。推理执行层对应嵌入式智能硬件平台,为规则推理系统实际执行的硬件环境,支持ARM、SOC、DMP等嵌入式处理器。(4)数据存储层。数据存储层用于为嵌入式智能硬件平台提供大数据量的数据存储支持,向硬件平台输入待推理的模型和推理规则等数据,并且接收硬件平台的推理结果数据。知识规则库包括模型库、数据库和综合数据库。
实现无人车导航避障的规则推理方法,有如下步骤:
步骤1、通过基础规则定义和自动推理机制,构建知识规则库:采用分级推理策略,自定义构建基础规则与模型库,将无人车实时采集的数据作为推理引擎的输入数据,利用自动推理机制进行推理决策,并完成知识规则库的更新。
步骤2、推理机通过推理机资源配置,调用计算单元,与知识规则库的信息交互,采用基于分级推理策略的推理机运行模式,使无人车完成观察、判断、决策和行动过程,具备自主任务能力。
所述步骤2具体包括以下步骤:
步骤2.1、推理机调用目标识别算法模块,控制摄像头、激光雷达等设备进行环境感知和目标识别,实时采集任务数据,并完成与知识规则库中综合数据库和模型库的信息交互,进入步骤2.2;
步骤2.2、根据步骤2.1对观察阶段的感知识别结果进行评估,如输入数据具备判断条件,则推理引擎进行任务分解、属性判断,依据模型库与规则库进行会遇态势识别和目标分配,完成对观察结果的判断过程,进行步骤2.3;若输入数据不具备判断条件,则返回执行步骤2.1;
步骤2.3、将步骤2.2的判断结果与规则库进行规则匹配,若匹配成功,则依据匹配规则生成决策执行指令,并执行步骤2.4;若匹配失败,则进行判断校验与优化,并重新对判断结果进行规则匹配。当无法得到有效推理结果时给出结论或建议;
步骤2.4、根据步骤2.3生成的决策执行指令,推理引擎调用相关的执行模块,驱使无人车完成执行动作。如调用路径规划模块,则根据推理结果重新生成导航路径;调用导航避障模块,则依据当前推理结果使无人车完成导航、躲避障碍物动作。在行动过程中,持续执行步骤2.1,完成实时环境感知与目标识别,来应对行动过程中遇到的突发状况与数据滞后等问题。
更进一步的:
步骤2中的推理机资源配置指根据任务场景和环境,推理引擎实现自动匹配不同类别的规则,根据自主任务目标、场景特性以及平台自身的状态特点,通过对输入数据的分析归类,智能选择当前输入条件的所在推理级别,确定其所需的资源。
步骤2中所述的实时采集任务数据主要指对场景中各类目标的检测与识别以及对目标的跟踪与意图理解,其本质是对无人车实时获取的可视信息进行视觉处理,利用深度学习技术,采用端到端卷积神经网络,实现无人环境感知与目标识别。
所述模型库用于存储概念及推理量化所需的各类避碰模型;所述规则库以产生式规则形式提供判断决策所需的目标分配,行动规则及决策指令;所述综合数据库实现对无人车信息、传感器数据、导航数据、电子地图、目标识别等输入数据的存储管理。
所述分级推理策略,指根据推理判断的不同情况将推理规则划分成不同的层级,将感知识别→判断设为一级,判断→决策设为二级,决策→行动设为三级,并可控制推理引擎的执行层级,若设置为一级推理,则只执行第一层级推理,输出为判断结果;若设置为二级推理,则执行第一层级、第二层级推理,输出为决策结果;若设置为三级推理,则执行第一层级、第二层级、第三层级推理,输出为控制无人车做出相应动作。
规则分级构建模式为分层级构建,分类别存储,具体形式如下:
一级规则示意见表1。该层级规则对观察数据做出判断。将观察阶段的同类规则进行统一命名,存储在同一数据库表中。输入事实为实时获取的数据,当输入事实与条件匹配一致,自动执行该条规则,输出相应执行结果,即识别结果。
二级规则示意见表2。该层级规则对判断结果做出推理决策。以一级规则的执行结果作为输入,进行规则匹配,执行相应规则后生成执行结果,即决策指令。
三级规则示意见表3。该层级规则对决策指令进行响应,做出具体行动。以二级规则的执行结果作为输入,进行规则匹配,调用算法模块,控制无人车做出相应动作。
规则名称 | 条件 | 执行 |
Observation-0001 | 观察数据1 | 识别结果1 |
Observation-0002 | 观察数据2 | 识别结果2 |
Observation-0003 | 观察数据3 | 识别结果3 |
...... | ...... | ...... |
表1一级规则示意表
规则名称 | 条件 | 执行 |
Orientation-0001 | 识别结果1 | 决策指令1 |
Orientation-0002 | 识别结果2 | 决策指令2 |
Orientation-0003 | 识别结果3 | 决策指令3 |
...... | ...... | ...... |
表2二级规则示意表
规则名称 | 条件 | 执行 |
Action-0001 | 决策结果1 | 动作1 |
Action-0002 | 决策结果2 | 动作2 |
Action-0003 | 决策结果3 | 动作3 |
...... | ...... | ...... |
表3三级规则示意表
采用上述方法后,本发明通过将规则库和模型库融合,并在分级推理的推理机制引导下,使无人车从任务场景获取信息及导航避碰领域知识,学习新知识并自动更新知识规则库,依据规则调用相关的目标识别模块、导航避障模块以及神经网络加速模块等,使无人车具备环境感知、目标识别、自主判断决策能力,从而自主完成目标识别、路径规划、导航避障等行为,使无人车具备模拟并超越人解决复杂判断决策的思维模式。
本发明为一种实现无人车导航避障的规则推理方法,针对军用无人装备所处的复杂的军事环境和军事活动的不可预测性,为快速准确地找到合适的决策资源,提升无人装备的自主任务能力及动态规划能力,提出了一种基于知识规则库,具有自动推理机制的实现无人装备导航避障的规则推理方法。知识规则库包括模型库、规则库、综合数据库,为推理机提供判断决策过程中所需的避碰模型、无人车信息、传感器数据、导航数据、电子地图、目标识别等数据。推理机根据输入数据自动进行规则匹配,做出判断决策,控制无人车做出目标识别、避障、路径规划等行为,也可进一步做出攻击、撤退等行为。
本发明通过将规则库和模型库融合,并在分级推理的推理机制引导下,使无人车从任务场景获取信息及导航避碰领域知识,学习新知识并自动更新知识规则库,依据规则调用相关的目标识别模块、导航避障模块以及神经网络加速模块等,使无人车具备环境感知、目标识别、自主判断决策能力,从而自主完成目标识别、路径规划、导航避障等行为,使无人车具备模拟并超越人解决复杂判断决策的思维模式。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种实现无人车导航避障的规则推理方法,其特征在于,包括:
步骤1、构建知识规则库,采用分级推理策略,定义构建基础规则与模型库,将无人车实时采集的数据作为推理引擎的输入数据,利用自动推理机制进行推理决策,并完成知识规则库的更新;
步骤2、推理机通过推理机资源配置,调用计算单元,与知识规则库的信息交互,采用基于分级推理策略的推理机运行模式,使无人车完成观察、判断、决策和行动过程,具备自主任务能力;
所述步骤2具体包括以下步骤:
步骤2.1、推理机通过目标识别算法、控制摄像头以及激光雷达设备进行环境感知和目标识别,实时采集任务数据,并完成与知识规则库中综合数据库和模型库的信息交互;
步骤2.2、根据对观察阶段的感知识别结果进行评估,如输入数据具备判断条件,则推理引擎进行任务分解以及属性判断,依据模型库与规则库进行会遇态势识别和目标分配,进行对观察结果的判断,并进行步骤2.3;若输入数据不具备判断条件,则返回执行步骤2.1;
步骤2.3、将步骤2.2的判断结果与规则库进行规则匹配,若匹配成功,则依据匹配规则生成决策执行指令,并执行步骤2.4;若匹配失败,则进行判断校验与优化,并重新对判断结果进行规则匹配,当无法得到有效推理结果时给出结论或建议;
步骤2.4、根据步骤2.3生成的决策执行指令,驱使无人车完成执行动作。
2.如权利要求1所述的实现无人车导航避障的规则推理方法,其特征在于,步骤2.4中根据决策执行指令重新生成导航路径,使无人车完成导航和躲避障碍物动作,若未接到停止指令,则返回持续执行步骤2.1。
3.如权利要求1所述的实现无人车导航避障的规则推理方法,其特征在于,推理机资源配置指根据任务场景和环境,推理引擎实现自动匹配不同类别的规则,根据自主任务目标、场景特性以及平台自身的状态特点,通过对输入数据的分析归类,智能选择当前输入条件的所在推理级别,确定所需的资源。
4.如权利要求1所述的实现无人车导航避障的规则推理方法,其特征在于,实时采集任务数据包括:对场景中各类目标的检测与识别以及对目标的跟踪与意图理解,对无人车实时获取的可视信息进行视觉处理,并利用深度学习,采用端到端卷积神经网络,实现无人环境感知与目标识别。
5.如权利要求1所述的实现无人车导航避障的规则推理方法,其特征在于,所述模型库用于存储概念及推理量化所需的各类避碰模型;所述规则库以产生式规则形式提供判断决策所需的目标分配,行动规则及决策指令;所述综合数据库实现对无人车信息、传感器数据、导航数据、电子地图以及目标识别数据的存储管理。
6.如权利要求1所述的实现无人车导航避障的规则推理方法,其特征在于,所述分级推理策略包括:根据推理判断的不同情况将推理规则划分成不同的层级,将感知识别到判断设为一级,判断到决策设为二级,决策到行动设为三级,并可控制推理引擎的执行层级,若设置为一级推理,则只执行第一层级推理,输出为判断结果;若设置为二级推理,则执行第一层级以及第二层级推理,输出为决策结果;若设置为三级推理,则执行第一层级、第二层级以及第三层级推理,输出为控制无人车做出相应动作。
7.如权利要求6所述的实现无人车导航避障的规则推理方法,其特征在于,第一层级规则对观察数据做出判断,将观察阶段的同类规则进行统一命名,存储在同一数据库表中,输入事实为实时获取的数据,当输入事实与条件匹配一致,自动执行该条规则,输出相应执行结果;
第二层级规则对判断结果做出推理决策,以一级规则的执行结果作为输入,进行规则匹配,执行相应规则后生成执行结果;
第三层级规则对决策指令进行响应,做出具体行动。以二级规则的执行结果作为输入,进行规则匹配,调用算法模块,控制无人车做出相应动作。
8.一种实现无人车导航避障的规则推理系统,其特征在于,包括:规则配置层、规则推理层、推理执行层和数据存储层;
(1)规则配置层衔接了程序入口和规则推理层,为程序入口提供配置可运行规则以及输入自定义规则的接口,为规则推理层的推理算法的组合提供依据;
(2)规则推理层用于将输入事实与知识规则库中的规则进行匹配,做出推理判断与决策;
(3)推理执行层对应嵌入式智能硬件平台,为规则推理系统实际执行的硬件环境;
(4)数据存储层用于为嵌入式智能硬件平台提供大数据量的数据存储支持,向硬件平台输入待推理的模型和推理规则数据,并且接收硬件平台的推理结果数据。
9.如权利要求8所述的实现无人车导航避障的规则推理系统,其特征在于,规则推理层的规则推理引擎配置包括:规则配置文件、规则配置工具、规则配置解析器,规则配置文件用于修改规则执行层级、规则匹配条件以及规则响应时间开关,规则配置工具负责规则文件的匹配,规则推理引擎的调用,规则配置解析器用于解析规则配置文件,结合程序与相关的规则类别进行匹配。
10.如权利要求1所述的实现无人车导航避障的规则推理系统,其特征在于,规则推理层的规则推理引擎包括:正向推理、反向推理及混合推理,正向推理从原始数据出发,按照一定的策略,正向使用知识规则库中的规则,推断出结论,反向推理是先提出假设,然后反向使用知识,去寻找支持这个假设证据的推理方法,混合推理是根据输入事实进行正向推理,同时从目标出发进行反向推理,当正向推理得出的中间结果满足了反向推理的要求时,则推理成功。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011124078.6A CN112200319A (zh) | 2020-10-20 | 2020-10-20 | 一种实现无人车导航避障的规则推理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011124078.6A CN112200319A (zh) | 2020-10-20 | 2020-10-20 | 一种实现无人车导航避障的规则推理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112200319A true CN112200319A (zh) | 2021-01-08 |
Family
ID=74010243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011124078.6A Pending CN112200319A (zh) | 2020-10-20 | 2020-10-20 | 一种实现无人车导航避障的规则推理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200319A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113112021A (zh) * | 2021-04-23 | 2021-07-13 | 沈阳工业大学 | 类人行为决策模型的推理算法 |
CN113627613A (zh) * | 2021-08-17 | 2021-11-09 | 北京计算机技术及应用研究所 | 一种实现边端协同的规则推理方法 |
CN114462721A (zh) * | 2022-04-12 | 2022-05-10 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种反向链推理溯源方法、系统、计算机及存储介质 |
CN116414140A (zh) * | 2023-06-08 | 2023-07-11 | 北京中科智易科技股份有限公司 | 无人作战车辆路径规划方法、装置及计算机存储介质 |
WO2023159979A1 (zh) * | 2022-02-22 | 2023-08-31 | 中兴通讯股份有限公司 | Ai推理方法、系统和计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5412802A (en) * | 1990-05-11 | 1995-05-02 | Hitachi, Ltd. | Reasoning method and fault diagnosis method and system implementing the same |
CN1142269A (zh) * | 1994-12-28 | 1997-02-05 | 欧姆龙株式会社 | 使用分级模型的推理系统及方法和控制系统及方法 |
CN108229685A (zh) * | 2016-12-14 | 2018-06-29 | 中国航空工业集团公司西安航空计算技术研究所 | 一种空地一体的无人智能决策方法 |
CN110083155A (zh) * | 2019-04-19 | 2019-08-02 | 集美大学 | 一种实现船舶拟人智能避碰决策的机器学习方法 |
CN111409630A (zh) * | 2020-04-13 | 2020-07-14 | 新石器慧通(北京)科技有限公司 | 一种车辆避障方法、系统及装置 |
-
2020
- 2020-10-20 CN CN202011124078.6A patent/CN112200319A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5412802A (en) * | 1990-05-11 | 1995-05-02 | Hitachi, Ltd. | Reasoning method and fault diagnosis method and system implementing the same |
CN1142269A (zh) * | 1994-12-28 | 1997-02-05 | 欧姆龙株式会社 | 使用分级模型的推理系统及方法和控制系统及方法 |
CN108229685A (zh) * | 2016-12-14 | 2018-06-29 | 中国航空工业集团公司西安航空计算技术研究所 | 一种空地一体的无人智能决策方法 |
CN110083155A (zh) * | 2019-04-19 | 2019-08-02 | 集美大学 | 一种实现船舶拟人智能避碰决策的机器学习方法 |
CN111409630A (zh) * | 2020-04-13 | 2020-07-14 | 新石器慧通(北京)科技有限公司 | 一种车辆避障方法、系统及装置 |
Non-Patent Citations (3)
Title |
---|
AOUDE, G.S 等: "Probabilistically safe motion planning to avoid dynamic obstacles with uncertain motion patterns", 《AUTON ROBOT》, vol. 35, 3 May 2013 (2013-05-03), pages 51 - 76, XP055692850, DOI: 10.1007/s10514-013-9334-3 * |
熊璐 等: "无人驾驶车辆行为决策系统研究", 《汽车技术》, vol. 08, 3 August 2018 (2018-08-03), pages 1 - 9 * |
高慧英: "基于多传感器融合的移动机器人避障系统研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 05, 15 May 2011 (2011-05-15), pages 140 - 285 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113112021A (zh) * | 2021-04-23 | 2021-07-13 | 沈阳工业大学 | 类人行为决策模型的推理算法 |
CN113112021B (zh) * | 2021-04-23 | 2024-03-08 | 沈阳工业大学 | 类人行为决策模型的推理方法 |
CN113627613A (zh) * | 2021-08-17 | 2021-11-09 | 北京计算机技术及应用研究所 | 一种实现边端协同的规则推理方法 |
CN113627613B (zh) * | 2021-08-17 | 2024-02-06 | 北京计算机技术及应用研究所 | 一种实现边端协同的规则推理方法 |
WO2023159979A1 (zh) * | 2022-02-22 | 2023-08-31 | 中兴通讯股份有限公司 | Ai推理方法、系统和计算机可读存储介质 |
CN114462721A (zh) * | 2022-04-12 | 2022-05-10 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种反向链推理溯源方法、系统、计算机及存储介质 |
CN116414140A (zh) * | 2023-06-08 | 2023-07-11 | 北京中科智易科技股份有限公司 | 无人作战车辆路径规划方法、装置及计算机存储介质 |
CN116414140B (zh) * | 2023-06-08 | 2023-08-04 | 北京中科智易科技股份有限公司 | 无人作战车辆路径规划方法、装置及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gunning et al. | DARPA’s explainable artificial intelligence (XAI) program | |
CN112200319A (zh) | 一种实现无人车导航避障的规则推理方法及系统 | |
CN110083155B (zh) | 一种实现船舶拟人智能避碰决策的机器学习方法 | |
CN101083019A (zh) | 基于空间态势感知的快速评估系统 | |
Wolschke et al. | Observation based creation of minimal test suites for autonomous vehicles | |
Kouvaros et al. | Formal analysis of neural network-based systems in the aircraft domain | |
Zou et al. | Inverse reinforcement learning via neural network in driver behavior modeling | |
Bloisi et al. | Context in robotics and information fusion | |
Molina | What is an intelligent system? | |
Karapinar et al. | Cognitive robots learning failure contexts through real-world experimentation | |
Ruifeng et al. | Research progress and application of behavior tree technology | |
Greasley | Architectures for Combining Discrete-event Simulation and Machine Learning. | |
Salfinger et al. | Maintaining Situation Awareness over Time--A Survey on the Evolution Support of Situation Awareness Systems | |
Howarth | Interpreting a dynamic and uncertain world: task-based control | |
Stensrud et al. | Context-Based Reasoning: A Revised Specification. | |
Kuznietsov et al. | Explainable AI for Safe and Trustworthy Autonomous Driving: A Systematic Review | |
CN115841158A (zh) | 一种基于格兰杰因果关系检验的可解释强化学习的风险预测方法 | |
Li et al. | Design of a conflict prediction algorithm for industrial robot automatic cooperation | |
Monthe et al. | RsaML: A Domain Specific Modeling Language for describing Robotic software architectures with integration of real time properties. | |
Yildiz et al. | Learning guided symbolic planning for cognitive robots | |
Ramírez-Bedoya et al. | Implementation of reinforcement-learning algorithms in autonomous robot navigation | |
Kapotoglu et al. | Robots avoid potential failures through experience-based probabilistic planning | |
Khalajzadeh et al. | A review on applicability of expert system in designing and control of autonomous cars | |
Manko et al. | Autonomous mobile robot self-learning in motion planning problem | |
CN113485300B (zh) | 一种基于强化学习的自动驾驶车辆碰撞测试方法 |
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 |