CN112364882B - 一种基于感知赋能的增强自动驾驶方法和系统 - Google Patents

Abstract

本发明实施例提供了一种基于感知赋能的增强自动驾驶方法和系统，涉及自动驾驶技术领域，用于解决无法得到准确的推理结果的问题。该方法包括：采集客观数据和生物特征判别数据，客观数据包括路况信息和车况信息中的至少一个，生物特征判别数据为驾驶员的生物数据；将客观数据输入客观因素推理模型，获取客观推理标签；将客观数据和生物特征判别数据输入生物感知推理模型，获取生物感知推理标签，生物感知推理模型由场景数据和映射模型训练获取，场景数据包括客观数据和生物数据，映射模型包括客观数据和生物数据的映射关系；根据客观推理标签和生物感知推理标签确定综合推理结果。本发明实施例用于自动驾驶过程中的行为预测。

Description

一种基于感知赋能的增强自动驾驶方法和系统

本发明本要求于2019年12月30日提交的发明名称为“一种基于感知赋能的增强自动驾驶方法和系统”、申请号为：201911395480.5的优先权。

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种基于感知赋能的增强自动驾驶方法和系统。

背景技术

随着人工智能技术的发展，以及5G提供的强大的通信服务保障，各种垂直行业都在进行人工智能赋能的演进。其中自动驾驶汽车是一个重要领域，它将对人类出行方式产生巨大影响。自动驾驶汽车是一种通过电脑系统自动控制实现无人驾驶的智能汽车系统。在20世纪已有数十年的历史，21世纪初呈随着人工智能和5G通信技术的发展，现出接近实用化的趋势。

自动驾驶汽车依靠人工智能、视觉计算、雷达和监控装置来了解周围的车辆和交通状况，并通过一个详尽的地图进行导航，所有这些操作都需要通过5G通信系统，由一个中心数据中心进行协同合作。让智能系统可以在没有任何人类主动的操作下，自动安全地操作机动车辆。理论上，当所有汽车都实现自动驾驶后，自动驾驶汽车的交通事故发生率几乎可以下降至零，不过在相当长一段时间，自动驾驶和驾驶员驾驶的车辆会同时行驶在道路上，这样由于一些驾驶员的生物反应可能会带来一些安全隐患。

可以发现，由于现在的自动驾驶系统只是根据监控获取当前环境或者交通工具的客观信息进行车辆控制，但是不熟悉交通参与者(如，驾驶员、行人)的人为习惯和特征，在自动驾驶车辆和驾驶员驾驶的车辆同时行驶在道路上时，自动驾驶车辆对于一些紧急状况的推理是固化的，无法根据人的生物反应进行灵活调整，得到准确的推理结果。

发明内容

有鉴于此，本发明提供了一种基于感知赋能的增强自动驾驶方法和系统，用于解决自动驾驶车辆对于一些紧急状况的推理是固化的，无法根据人的生物反应进行灵活调整，进而无法得到更加准确的推理结果的问题。

为了实现上述目的，本发明实施例提供的技术方案如下：

第一方面，本发明的实施例提供一种基于感知赋能的增强自动驾驶方法，包括：

采集客观数据和生物特征判别数据，所述客观数据包括路况信息和车况信息中的至少一个，所述生物特征判别数据为驾驶员的生物数据；

将所述客观数据输入客观因素推理模型，获取客观推理标签，所述客观因素推理模型为多层神经网络的分类模型；

将所述客观数据和所述生物特征判别数据输入生物感知推理模型，获取生物感知推理标签，所述生物感知推理模型由场景数据和映射模型训练获取，所述场景数据包括客观数据和生物数据，所述映射模型包括所述客观数据和所述生物数据的映射关系；

根据所述客观推理标签和所述生物感知推理标签确定综合推理结果。

作为本发明实施例一种可选的实施方式，在将所述客观数据和所述生物特征判别数据输入生物感知推理模型，获取生物感知推理标签之前，所述方法还包括：

根据不同的生物感知类型建立生物感知数据库，所述生物感知数据库包括各生物特征类型对应的场景数据和映射模型，用于提供不同生物特征在各种客观数据中得到的主观反应数据。

作为本发明实施例一种可选的实施方式，所述根据所述客观推理标签和所述生物感知推理标签确定综合推理结果，包括：

根据所述客观推理标签、所述生物感知推理标签以及如下公式确定综合推理结果：

x_case，final＝coef_case，_subject*x_{case，subject}+coef_{case，object}*x_{case，object}

其中，x_case，final为综合推理结果；coef_{case，subject}为生物感知推理标签的权重系数；x_{case，subject}为生物感知推理标签；coef_{case，object}为客观推理标签的权重系数；x_{case，object}为客观推理标签；w_{case，subject，k}为事件k中的生物感知推理标签的权重系数；x_{case，subject,k}为事件k中的生物感知推理标签。

作为本发明实施例一种可选的实施方式，所述根据所述客观推理标签和所述生物感知推理标签确定综合推理结果，包括：

将所述客观推理标签和所述生物感知推理标签输入推理结果模型，获取所述综合推理结果；

所述推理结果模型为以多个客观推理标签、多个生物感知推理标签，以及多个客观推理标签和多个生物感知推理标签对应的综合推理结果为训练样本，训练获取的模型。

第二方面，本发明的实施例提供一种基于感知赋能的增强自动驾驶系统，包括：

数据采集模块，用于采集客观数据和生物特征判别数据，所述客观数据包括路况信息和车况信息中的至少一个，所述生物特征判别数据为驾驶员的生物数据；

客观推理模块，用于将所述客观数据输入客观因素推理模型，获取客观推理标签，所述客观因素推理模型为多层神经网络的分类模型；

生物感知推理模块，用于将所述客观数据和所述生物特征判别数据输入生物感知推理模型，获取生物感知推理标签，所述生物感知推理模型由场景数据和映射模型训练获取，所述场景数据包括客观数据和生物数据，所述映射模型包括所述客观数据和所述生物数据的映射关系；

综合推理模块，用于根据所述客观推理标签和所述生物感知推理标签确定综合推理结果。

作为本发明实施例一种可选的实施方式，所述系统还包括：

建立单元，用于在将所述客观数据和所述生物特征判别数据输入生物感知推理模型，获取生物感知推理标签之前，建立模块，用于根据不同的生物感知类型建立生物感知数据库，所述生物感知数据库包括各生物特征类型对应的场景数据和映射模型，用于提供不同生物特征在各种客观数据中得到的主观反应数据。

作为本发明实施例一种可选的实施方式，所述综合推理模块，具体用于根据所述客观推理标签、所述生物感知推理标签以及如下公式确定综合推理结果：

x_case，final＝coef_{case，subject}*x_{case，subject}+coef_{case，object}*x_{case，object}

其中，x_case，final为综合推理结果；coef_{case，subject}为生物感知推理标签的权重系数；x_{case，subject}为生物感知推理标签；coef_{case，object}为客观推理标签的权重系数；x_{case，object}为客观推理标签；w_{case，subject，k}为事件k中的生物感知推理标签的权值；x_{case，subject，k}为事件k中的生物感知推理标签。

作为本发明实施例一种可选的实施方式，所述综合推理模块，具体用于将所述客观推理标签和所述生物感知推理标签输入推理结果模型，获取所述综合推理结果；

所述推理结果模型为以多个客观推理标签、多个生物感知推理标签，以及多个客观推理标签和多个生物感知推理标签对应的综合推理结果为训练样本，训练获取的模型。

第三方面，本发明实施例提供一种电子设备，包括：存储器和处理器，存储器用于存储计算机程序；处理器用于在调用计算机程序时执行上述第一方面或第一方面的任一实施方式所述的基于感知赋能的增强自动驾驶方法。

第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面或第一方面的任一实施方式所述的基于感知赋能的增强自动驾驶方法。

本发明实施例提供的基于感知赋能的增强自动驾驶方法在采集客观数据和生物特征判别数据后，首先将所述客观数据输入客观因素推理模型，获取客观推理标签，然后再将所述客观数据和所述生物特征判别数据输入生物感知推理模型，获取生物感知推理标签；最后根据所述客观推理标签和所述生物感知推理标签确定综合推理结果。即，本发明实施例通过的基于感知赋能的增强自动驾驶方法的最终推理结果是客观推理标签和生物感知推理标签的综合推理结果，因此本发明实施例可以解决自动驾驶车辆对于一些紧急状况的推理是固化的，无法根据人的生物反应进行灵活调整，进而无法得到最优的综合推理结果的问题。

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。

图1为本发明实施例提供的基于感知赋能的增强自动驾驶方法的步骤流程图；

图2为本发明实施例提供的基于感知赋能的增强自动驾驶方法中的数据流示意图；

图3为本发明实施例提供的基于感知赋能的增强自动驾驶方法中的生物感知数据库的结构示意图；

图4为本发明实施例提供的基于感知赋能的增强自动驾驶系统的结构示意图；

图5为本发明实施例提供的电子设备的硬件结构示意图；

图6为本发明实施例提供的感知赋能的增强自动驾驶系统的示意性结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

本发明的说明书和权利要求书中的术语“第一”和“第二”等是用于区别同步的对象，而不是用于描述对象的特定顺序。例如，第一接口和第二接口等是用于区别不同的接口，而不是用于描述接口的特定顺序。

在本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。此外，在本发明实施例的描述中，除非另有说明，“多个”的含义是指两个或两个以上。

为了解决自动驾驶车辆对于一些紧急状况的推理是固化的，无法根据人的生物反应进行灵活调整，进而无法得到最优的综合推理结果的问题，本发明中提出了一种基于感知赋能的增强自动驾驶方法和系统，该系统通过采集驾驶员在各种紧急状况下的反应的测试，获取生物感知数据库，并将生物感知数据使用在人工智能推理中，通过多维标签以及模型融合的方式，得到一个具备生物感知能力的自动驾驶智能推理系统。相对于传统的基于客观数据推理得到的自动驾驶系统，可以体现更丰富的人类驾驶员的主观感知状态，获得更加准确的推理判断结果。

本发明实施例提供了一种基于感知赋能的增强自动驾驶方法，具体的，参照图1、图2所示基于感知赋能的增强自动驾驶方法的流程图，本发明实施例提供的基于感知赋能的增强自动驾驶方法包括如下步骤S11-S15：

S11、采集客观数据和生物特征判别数据。

其中，所述客观数据包括路况信息和车况信息中的至少一个。

具体的，路况信息可以为通过摄像头、雷达的采集到的道路通畅程度、道路平坦程度、道路坡度等信息；车况信息可以通过车辆的电子控制单元(Electronic Control Unit，ECU)获取的车辆速度、档位、发送机转速、偏转角度等信息。

上述生物特征判别数据为驾驶员的生物数据。例如，可以包括：面部表情、眼球行为等显性生物特征，也可以为脑电波，体温等隐性生物特征，还可以为下文中针对生物特征的解释中所涉及到的数据。

S12、将所述客观数据输入客观因素推理模型，获取客观推理标签。

其中，所述客观因素推理模型为多层神经网络的分类模型。

客观推理模型为以现场采集的客观数据(包括路况信息和车况信息中的至少一个)为模型训练样本，多层神经网络的分类模型为模型训练算法进行模型训练，获取的能够基于客观数据得到的客观推理标签的模型。

S13、将所述客观数据和所述生物特征判别数据输入生物感知推理模型，获取生物感知推理标签。

其中，所述生物感知推理模型由场景数据和映射模型训练获取，所述场景数据包括客观数据和生物数据，所述映射模型包括所述客观数据和所述生物数据的映射关系。

具体的，将所述客观数据和所述生物特征判别数据输入生物感知推理模型，获取生物感知推理标签之前，本发明实施例提供的基于感知赋能的增强自动驾驶方法还可以先根据不同的生物感知类型，建立对应的生物感知数据库；其中，所述生物感知数据库包括不同生物特征在各种客观数据中得到的主观反应数据。

示例性的，基于实验建立对应的生物感知数据库的过程可以包括如下步骤a至步骤d。

步骤a、对生物特征进行分类，确定各生物感知类型。

具体的，从生物学领域讲，生物感知是在中枢神经系统参与下，机体对于内外条件刺激所做出的规律性反应。由于是规律性的，所以可以基于这种规律性的主观反应进行各种客观条件下生物特征的预测。

首先，根据生物特征的反应方式，可以分为显性生物特征和隐性生物特征。显性生物特征是指可以肉眼可见的外在特征，例如面部表情，眼球行为等，隐性生物特征是指人体内在无法直接肉眼可见的内在特征，例如脑电波，体温等。

人体中根据不同的人体系统，生物特征又可以分为八大类：运动系统、神经系统、内分泌系统、循环系统、呼吸系统、消化系统、泌尿系统、生殖系统。根据每种人体系统的生物特征反应方式，可以做如下分类。

分类一、显性生物特征和隐性性生物特征。

显性生物特征：运动系统反应，呼吸系统反应，泌尿系统反应，生殖系统反应，部分内分泌系统的衍生特征。

隐性生物特征：神经系统反应，循环系统反应，消化系统反应，内分泌系统反应。

分类二、上述提到的人的生物特征都是人对于外界条件产生的一种主观反应，其可以分为简单反应和复杂反应。

简单反应：是指人类在发育过程中形成并遗传下来的与生俱来的反应，也称为非条件反射。它是由于直接刺激感受器官而引起，通过大脑皮质下各中枢完成的，由于是人类原生的反应，所以可以认为是共性的。

复杂反应：是指是人类通过生活经验的积累，逐渐形成的一种反应，也称为条件反射。它是由信号刺激引起，在大脑皮质的参与下形成的。复杂反应和人的生活、教育，以及环境等因素相关，所以具备差异性。

按照上述类方式，本发明实施例中的生物感知类型可以如图3所示，包括：简单反应对应的显性生物特征和隐性生物特征；复杂反应对应的各个人体系统的显性生物特征和隐性生物特征。

步骤b、针对各生物感知类型设计实验场景，采集实验中客观数据和生物数据，通过数据后处理，建立映射模型。

步骤c、根据各生物感知类型对应的映射模型建立生物特征数据库。

步骤d、基于生物特征数据库中的场景数据和映射模型，进行生物感知推理模型的训练，建立生物感知推理模型。

具体的，生物感知推理模型可以基于机器学习或神经网络的方法建立。生物感知推理模型可以由分类模型进行生物感知标签的预测以及预测值未来趋势的估计。

S14、根据所述客观推理标签和所述生物感知推理标签确定综合推理结果。

上述步骤S14中根据所述客观推理标签和所述生物感知推理标签，确定综合推理结果的实现方式可以包括如下两种：

方式一、

上述步骤S14(根据所述客观推理标签和所述生物感知推理标签确定综合推理结果)包括：

根据所述客观推理标签、所述生物感知推理标签以及如下公式确定综合推理结果：

x_case，final＝coef_{case，subject}*x_{case，subject}+coef_{case，object}*x_{case，object}

其中，x_case，final为综合推理结果；coef_{case，subject}为生物感知推理标签的权重系数；x_{case，subject}为生物感知推理标签；coef_{case，object}为客观推理标签的权重系数；x_{case，object}为客观推理标签；w_{case，subject，k}为事件k中的生物感知推理标签的权值；x_{case，subject，k}为事件k中的生物感知推理标签。

即，由于不同的事件和对应的反应类型会在综合结果中占据不同的影响权重，因此可以先根据每个事件中生物感知推理标签以及对应权重系数获取生物感知推理标签，然后在将生物感知推理标签的权重值(生物感知推理标签的值与对应的权重系数的乘积)与客观推理标签的权重值(客观推理标签的值与对应的权重系数的乘积)的和确定为综合推理结果。

进一步的，可以基于上述综合推理结果，在自动驾驶过程中进行行为预测，从而可以进一步的保证自动驾驶过程中的安全性。

方式二、

上述步骤S14(根据所述客观推理标签和所述生物感知推理标签确定综合推理结果)包括：

将所述客观推理标签和所述生物感知推理标签输入推理结果模型，获取所述综合推理结果。

其中，所述推理结果模型为以多个客观推理标签、多个生物感知推理标签，以及多个客观推理标签和多个生物感知推理标签对应的综合推理结果为训练样本，训练获取的模型。

即，根据所述客观推理标签和所述生物感知推理标签确定综合推理结果的另一种实现方式是以客观推理标签和生物感知推理标签做为输入，综合推理标签做为输出，进行实验并采集实验数据，基于采集数据训练智能模型来实现综合推理模块。

基于同一发明构思，作为对上述方法的实现，本发明实施例还提供了一种基于感知赋能的增强自动驾驶系统，该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部过程。

图4为本发明实施例提供的基于感知赋能的增强自动驾驶系统的结构示意图，如图4所示，本发明实施例提供的基于感知赋能的增强自动驾驶系统400，包括：

数据采集模块41，用于采集客观数据和生物特征判别数据，客观数据包括路况信息和车况信息中的至少一个，所述生物特征判别数据为驾驶员的生物数据；

客观推理模块42，用于将所述客观数据输入客观因素推理模型，获取客观推理标签，所述客观因素推理模型为多层神经网络的分类模型；

生物感知推理模块43，用于将所述客观数据和所述生物特征判别数据输入生物感知推理模型，获取生物感知推理标签，所述生物感知推理模型由场景数据和映射模型训练获取，所述场景数据包括客观数据和生物数据，所述映射模型包括所述客观数据和所述生物数据的映射关系；

综合推理模块44，用于根据所述客观推理标签和所述生物感知推理标签确定综合推理结果。

作为本发明实施例一种可选的实施方式，参照图4所示，所述基于感知赋能的增强自动驾驶系统400还包括：

建立单元45，用于在将所述客观数据和所述生物特征判别数据输入生物感知推理模型，获取生物感知推理标签之前，建立模块，用于根据不同的生物感知类型建立生物感知数据库，所述生物感知数据库包括各生物特征类型对应的场景数据和映射模型，用于提供不同生物特征在各种客观数据中得到的主观反应数据。

作为本发明实施例一种可选的实施方式，所述综合推理模块44，具体用于根据所述客观推理标签、所述生物感知推理标签以及如下公式确定综合推理结果：

x_case，final＝coef_{case，subject}*x_{case，subject}+coef_{case，object}*x_{case，object}

其中，x_case，final为综合推理结果；coef_{case，subject}为生物感知推理标签的权重系数；x_{case，subject}为生物感知推理标签；coef_{case，object}为客观推理标签的权重系数；x_{case，object}为客观推理标签；w_{case，subject，k}为事件k中的生物感知推理标签的权值；x_{case，subject，k}为事件k中的生物感知推理标签。

作为本发明实施例一种可选的实施方式，所述综合推理模块44，具体用于将所述客观推理标签和所述生物感知推理标签输入推理结果模型，获取所述综合推理结果；

所述推理结果模型为以多个客观推理标签、多个生物感知推理标签，以及多个客观推理标签和多个生物感知推理标签对应的综合推理结果为训练样本，训练获取的模型。

本实施例提供的基于感知赋能的增强自动驾驶系统可以执行上述方法实施例提供的基于感知赋能的增强自动驾驶方法，其实现原理与技术效果类似，此处不再赘述。

基于同一发明构思，本发明实施例还提供了一种电子设备。图5为本发明实施例提供的电子设备的结构示意图，如图5所示，本实施例提供的电子设备包括：存储器51和处理器52，存储器51用于存储计算机程序；处理器52用于在调用计算机程序时执行上述方法实施例所述的基于感知赋能的增强自动驾驶方法中的各步骤。

本发明所阐述的方法可以使用不同方式实现，软件，硬件，或者软硬件结合的方式。如下图6是一个基于软硬件结合的实施例举例。

数据管道可以以硬件/软件开发工具包(software development kit，SDK)/应用程序(application，APP)的形式存在，通过不同的监控设备完成现场采集数据，并传输至云端的样本数据库，云端包含所有的数据库存储，智能模型库，数据处理系统，以及预测结果数据库。所有云端结果以及功能控制可以通过用户界面(User Interface，UI)实现。UI也可以以硬件/SDK/APP的形式存在。生物感知数据库的数据传至云上协助现场采集样本的预测。

本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例所述的基于感知赋能的增强自动驾驶方法。

本领域技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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上实施的计算机程序产品的形式。

处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动存储介质。存储介质可以由任何方法或技术来实现信息存储，信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。根据本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种基于感知赋能的增强自动驾驶方法，其特征在于，包括：

采集客观数据和生物特征判别数据，所述客观数据包括路况信息和车况信息中的至少一个，所述生物特征判别数据为驾驶员的生物数据；

将所述客观数据输入客观因素推理模型，获取客观推理标签，所述客观因素推理模型为多层神经网络的分类模型；

根据不同的生物感知类型建立生物感知数据库，所述生物感知数据库包括各生物特征类型对应的场景数据和映射模型，用于提供不同生物特征在各种客观数据中得到的主观反应数据，所述生物特征类型分为显性生物特征和隐性性生物特征，所述显性生物特征包括运动系统反应，呼吸系统反应，泌尿系统反应，生殖系统反应，所述隐性性生物特征包括神经系统反应，循环系统反应，消化系统反应，内分泌系统反应；

将所述客观数据和所述生物特征判别数据输入生物感知推理模型，获取生物感知推理标签，所述生物感知推理模型由所述生物特征数据库中的场景数据和映射模型训练获取，所述场景数据包括客观数据和生物数据，所述映射模型包括所述客观数据和所述生物数据的映射关系；

根据所述客观推理标签和所述生物感知推理标签确定综合推理结果。

2.根据权利要求1所述的方法，其特征在于，所述根据所述客观推理标签和所述生物感知推理标签确定综合推理结果，包括：

根据所述客观推理标签、所述生物感知推理标签以及如下公式确定综合推理结果：

x_case，final＝coef_{case，subject}*x_{case，subject}+coef_{case，object}*x_{case，object}

其中，x_case，final为综合推理结果；coef_{case，subject}为生物感知推理标签的权重系数；x_{case，subject}为生物感知推理标签；coef_{case，object}为客观推理标签的权重系数；x_{case，object}为客观推理标签；w_{case，subject}，_k为事件k中的生物感知推理标签的权值；x_{case，subject，k}为事件k中的生物感知推理标签。

3.根据权利要求1所述的方法，其特征在于，所述根据所述客观推理标签和所述生物感知推理标签确定综合推理结果，包括：

将所述客观推理标签和所述生物感知推理标签输入推理结果模型，获取所述综合推理结果；

所述推理结果模型为以多个客观推理标签、多个生物感知推理标签，以及多个客观推理标签和多个生物感知推理标签对应的综合推理结果为训练样本，训练获取的模型。

4.一种基于感知赋能的增强自动驾驶系统，其特征在于，包括：

数据采集模块，用于采集客观数据和生物特征判别数据，所述客观数据包括路况信息和车况信息中的至少一个，所述生物特征判别数据为驾驶员的生物数据；

客观推理模块，用于将所述客观数据输入客观因素推理模型，获取客观推理标签，所述客观因素推理模型为多层神经网络的分类模型；

建立模块，用于根据不同的生物感知类型建立生物感知数据库，所述生物感知数据库包括各生物特征类型对应的场景数据和映射模型，用于提供不同生物特征在各种客观数据中得到的主观反应数据，所述生物特征类型分为显性生物特征和隐性性生物特征，所述显性生物特征包括运动系统反应，呼吸系统反应，泌尿系统反应，生殖系统反应，所述隐性性生物特征包括神经系统反应，循环系统反应，消化系统反应，内分泌系统反应；

生物感知推理模块，用于将所述客观数据和所述生物特征判别数据输入生物感知推理模型，获取生物感知推理标签，所述生物感知推理模型由所述生物特征数据库中的场景数据和映射模型训练获取，所述场景数据包括客观数据和生物数据，所述映射模型包括所述客观数据和所述生物数据的映射关系；

综合推理模块，用于根据所述客观推理标签和所述生物感知推理标签确定综合推理结果。

5.根据权利要求4所述的系统，其特征在于，所述综合推理模块，具体用于根据所述客观推理标签、所述生物感知推理标签以及如下公式确定综合推理结果：

x_case，final＝coef_{case，subject}*x_{case，subject}+coef_{case，object}*x_{case，object}

其中，x_case，final为综合推理结果；coef_{case，subject}为生物感知推理标签的权重系数；x_{case，subject}为生物感知推理标签；coef_{case，object}为客观推理标签的权重系数；x_{case，object}为客观推理标签；w_{case，subject，k}为事件k中的生物感知推理标签的权值；x_{case，subject，k}为事件k中的生物感知推理标签。

6.根据权利要求4所述的系统，其特征在于，所述综合推理模块，具体用于将所述客观推理标签和所述生物感知推理标签输入推理结果模型，获取所述综合推理结果；

所述推理结果模型为以多个客观推理标签、多个生物感知推理标签，以及多个客观推理标签和多个生物感知推理标签对应的综合推理结果为训练样本，训练获取的模型。

7.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序；所述处理器用于在调用所述计算机程序时执行如权利要求1-3任一项所述的基于感知赋能的增强自动驾驶方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-3任一项所述的基于感知赋能的增强自动驾驶方法。

Images