CN114926611A - 一种基于本体的全息航行场景图知识推理方法及装置 - Google Patents
一种基于本体的全息航行场景图知识推理方法及装置 Download PDFInfo
- Publication number
- CN114926611A CN114926611A CN202210597124.7A CN202210597124A CN114926611A CN 114926611 A CN114926611 A CN 114926611A CN 202210597124 A CN202210597124 A CN 202210597124A CN 114926611 A CN114926611 A CN 114926611A
- Authority
- CN
- China
- Prior art keywords
- behavior
- relation
- ship
- scene
- time
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/003—Navigation within 3D models or images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2291—User-Defined Types; Storage management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于本体的全息航行场景图知识推理方法及装置,通过将交通对象行为划分为包括微观、介观及宏观3种层次的行为;对交通对象行为进行结构化建模,定义并在本体中明确交通对象的行为、过程及事件等概念;利用航行场景本体知识库,采用关系计算模块表征子场景中对象与行为的相互作用;通过事件触发机制表征整个宏观场景的变化,从而推理出场景中的对象间关系、行为识别以及场景演变等知识;实现了对航行场景图进行自动化知识推理的功能。本发明通过对船舶行为进行系统而明确的语义定义和显示表达,使船员、引航员和VTS操作员准确理解了面临的交通场景,解决了水上交通场景建模方法逻辑推理能力差的问题。
Description
技术领域
本发明属于场景知识推理技术领域,具体涉及一种基于本体的全息航行场景图知识推理方法及装置。
背景技术
目前交通场景的推理方法主要是基于概率推理,且在道路交通领域较为多见。Plath等提出了一种基于场景分解的概率推理模型,按照实体间的运动约束关系将驾驶场景划分为多个子场景,然后对每个子场景利用贝叶斯网络模型进行定量推理(Platho M,etal.,2012,2013)。
在水上交通领域,场景知识推理研究主要集中在对船舶行为的估计和预测上。2017年至2018年,Vouros G A 等依托欧洲datAcron项目,提出了datAcron本体模型。datAcron模型以轨迹片段语义类(Trajectory Part)为核心,与事件(Event)、时间(Time)、地理信息(Geometry)、移动对象(Moving Object)等建立联系,并将事件分为低级事件(包括移动、停止、转向等)和高级事件(在海事应用中为捕鱼、漂荡等)。该模型采用数据压缩技术对轨迹进行压缩并保留轨迹的关键点,然后使用datAcron本体对轨迹进行语义标注。虽然已有学者研究船舶行为的识别方法,但这些方法缺乏对船舶行为系统而明确的语义定义和显示表达,不能使船员、引航员和VTS操作员准确理解他们面临的交通场景。
发明内容
本发明要解决的技术问题是:提供一种基于本体的全息航行场景图知识推理方法及装置,用于实现对航行场景图进行自动化知识推理的功能。
本发明为解决上述技术问题所采取的技术方案为:一种基于本体的全息航行场景图知识推理方法,包括以下步骤:
S0:搭建基于本体的全息航行场景图知识推理装置,包括数据预处理模块、场景知识库存储模块、对象行为信息提取模块、关系计算模块、事件识别模块和推理知识输出模块;
S1:根据驾驶人员对航行场景中对象与行为的理解,结合船舶行为的时空尺度,将交通对象的时空行为划分为交通对象的包括行为、过程和事件,进行交通对象的时空行为的语义多尺度建模,分别表征交通对象的时空行为在不同时空尺度下的语义特征;根据交通对象的运动特征、自身属性特征和环境的拓扑特征,将交通对象的时空行为的层级关系分别定义为微观行为、介观行为和宏观行为;在语义认知上,交通对象的行为与微观行为对应,过程与介观行为对应,事件与宏观行为对应;
S2:对交通对象的时空行为进行结构化的本体建模,在本体模型中定义并明确交通对象的包括行为、过程和事件的概念和属性;
S3:根据本体模型形成场景本体知识库,采用关系计算模块表征子场景中对象与对象的时空行为的相互作用;
S4:获取场景相关的对象的静态数据、动态数据和环境数据并输入场景本体知识库;根据两个时间切片中对象行为是否发生变化,提取交通对象的行为信息和过程信息,行为信息中行为不发生变化,过程信息中行为发生变化;对多个过程进行语义聚合得到事件;
S5:通过事件触发机制表征整个宏观场景的变化,推理并输出演变的场景知识。
按上述方案,所述的步骤S1中,微观行为表示交通对象的属性和关系在时空维度上的变化,是描述交通对象的基础行为单元;介观行为表示交通对象在较大的时间范围和空间范围内的行为,是微观行为的聚合;宏观行为表示交通对象在大的时间范围和空间范围内的行为;交通对象行为从一定的尺度之后开始不变,此后所有的行为均表示宏观行为;尺度是宏观行为的临界尺度。
按上述方案,所述的步骤S1中,交通对象的时空行为的语义多尺度建模的具体步骤为:将行为建模为交通对象的属性要素和关系要素在时间和空间维度上的变化,包括运动特征属性变化、自身特征属性变化和拓扑关系变化;将过程建模为对象属性行为和关系行为不变的一段时间上行为的持续;将事件建模为交通对象的行为和过程及其逻辑和时序关系在时空上的演变,事件包括至少两个过程。
按上述方案,所述的步骤S2中,具体步骤为:
S21:设Object为时空行为发生的主体对象,ObjectAttribution为主体对象的属性要素,ObjectRelation为主体对象的关系要素,f(ObjectAttribution,ObjectRelation)为主体对象的属性和关系的综合表达式,t为时空行为发生的时刻,Behavior为时空对象行为中的第i个行为,Process为时空对象行为中的第j个过程,Eventk是时空对象行为中的k个过程;则交通对象的行为、过程和事件的本体概念建模如下:
行为认知表达为:
Cog={o,b,t,p};
S22:定义交通对象的本体属性要素,包括对象属性和数据属性;
对象属性用于表示本体中类之间的关系,是船舶行为认知的关键;对象属性包括:
HasTraj表示船舶与轨迹之间的归属关系,Domain为ship,Ranges为trajectory;
Comprises表示轨迹段与子轨迹之间的包含关系,Domain为trajectory,Ranges为trajectory;
Occurs表示船舶轨迹段的发生时间,包括子属性occursBegin表示轨迹段的开始时间,子属性occursEnd表示轨迹段的结束时间;
Reflect time指示船舶行为发生的时间,包括子属性reflectBegin代表行为发生的开始时间,子属性reflectEnd代表行为的结束时间;
由于行为与轨迹具有一一对应的关系,reflectBegin与该行为对应的轨迹段的开始时间occursBegin一致,reflectEnd与该行为对应的轨迹段的结束时间occursEnd保持一致,该特征在SWRL的中进行了知识扩展;
Before和after表示时刻instant的先后关系,且二者互为逆inverse of关系;两属性是构成时间逻辑表达机制的基础,时段interval中的复杂时间关系都是基于时刻之间的简单逻辑关系演化而来;
hasBehavior表示船舶与行为之间的关系,Domain为ship,Ranges为behavior;
hasTopo表示船舶轨迹与航行环境之间的空间拓扑关系,包括点-线、点-面、线-线和线-面4种关系;Domain为trajectory,Ranges为trafficRule;
Follow表示船舶轨迹之间的连续关系,用于构建轨迹段之间的逻辑关系;
Reflects表示轨迹段与行为之间的映射关系,Domain为trajectory,Ranges为behavior,与isReflectedBy互为逆inverse of关系;
HasPoint表示轨迹段与轨迹点之间的从属关系,Domain为trajectory,Ranges为Point,包括子属性hasBeginPoint和hasEndPoint;
数据属性表示本体概念的属性,用于描述本体中类的状态;数据属性包括:
HasSpeed表示船的速度属性;
InXSDDateTimeStamp表示time类下instant的UTC时间;
MMSI是船舶的识别码,用于唯一确定船舶的身份;
ShipType指示船舶的类别属性。
按上述方案,所述的步骤S3中,根据场景应用的需要,计算对象与环境、对象与对象间的拓扑关系、方位关系、距离关系、时间关系和语义关系,得到包括对象的过程的知识,具体步骤为:
S31:计算拓扑关系用于获取交通对象与环境之间的拓扑行为知识,具体步骤为:
S311:将船舶视为质点,船舶运动轨迹包括一个个船舶运动轨迹点;
S312:将船舶所处航行环境中的交通规则或基础设施视为二维空间中的实体,包括点P、线L及面A;根据实体的空间特征对实体进行数学建模,形成了包括点位置、线段、折线、圆形区域、椭圆形区域和多边形区域的数学表达;
S313:结合基于维数扩展的9交模型DE-9IM,根据船舶轨迹与航行环境之间形成的拓扑关系,构建常用的船舶拓扑行为集合,包括点-线、点-面、线-线及线-面;将船舶在航行环境中具有的拓扑行为表示为拓扑集合中的一种;
S32:计算方位关系用于获取对象之间以及对象与环境之前的方位关系知识,具体步骤为:
S321:构建随船运动坐标系,以船舶首位线为x轴正方向,以船舶正横线为y轴正方向;
S322:x轴与y轴相交形成四个方向区域,使用相对方位角从正横方向向首尾方向进行量化;
S33:计算距离关系用于描述两船舶对象之间的距离,包括定量描述和定性描述;
设D表示船舶A与船舶B之间的距离,(xA,yA),(xB,yB)分别表示船舶A与船舶B的位置坐标,则定量描述是指两船舶对象之间的欧式距离:
定性描述是通过船员的经验和认知水平对欧式距离的阈值判断;设Dt是对D的定性描述,Dn、Dm、Dl是对船舶对象之间距离界定的阈值;当两船的方位和速度满足构成碰撞风险时,两船之间的距离关系的定向描述为:
S34:计算时间关系用于获取对象之间的时间关系知识;时间关系是对船舶的行为和事件在时间维度上的描述,根据时间维度的不同将时间关系分为时间点和时间段;时间点描述的是某一个瞬间或时刻;时间段描述一个时间范围;
在COLREGs中,时间点关系和时间段关系包括早于before t1、before(t1,t2),晚于after t2、after(t1,t2),介于Between(t1,t2),开始于beginWitht1,结束于endWitht2;
S35:计算语义关系用于获取对象之间的语义关系知识,包括描述概念与概念、概念与实例、实例与实例之间的关系,具体步骤为:
S351:定义水上交通场景中的包括船舶、人、环境的要素和行为事件要素概念;
S352:根据专家知识,利用资源描述框架将语义关系描述为三元组结构<主,谓,宾>的结构,定义语义关系的定义域、值域、关系和相应的描述,形成实体要素语义关系知识库;包括:
定义域为船舶,关系为happen,值域为事件要素,描述为某船舶发生某事件;
定义域为船舶,关系为execute,值域为行为要素,描述为某船舶执行某行为;
定义域为船舶,关系为hasType,值域为参数属性,描述为某船舶的类型;
定义域为船舶,关系为hasname,值域为参数属性,描述为某船舶的名称;
定义域为船舶,关系为hasspeed,值域为参数属性,描述为某船舶的速度;
定义域为船舶,关系为hascourse,值域为参数属性,描述为某船舶的航向;
定义域为船舶,关系为hassize,值域为参数属性,描述为某船舶的尺寸;
定义域为行为要素,关系为trigger,值域为行为要素,描述为某行为触发某行为;
定义域为行为要素,关系为cause,值域为事件要素,描述为某行为导致某事件;
定义域为行为要素,关系为operatedBy,值域为操作人员,描述为某行为由某人操作;
定义域为事件要素,关系为hasType,值域为参数属性,描述为某事件的类型;
定义域为事件要素,关系为trigger,值域为行为要素,描述为某事件触发某行为;
定义域为事件要素,关系为cause,值域为事件要素,描述为某事件导致某事件;
S353:获取实体概念对应的属性,并输入到要素语义关系知识库中进行关系匹配获取相应的语义关系知识。
按上述方案,所述的步骤S5中,场景知识包括场景的要素类别、属性、组成,场景中对象与对象、对象与场景的各类关系,场景中对象的行为、事件和场景演化过程;在场景演化过程类型中,包括的元素有过程类型及名称、过程语义描述、时间段、包含的对象、包含的行为、行为关系集、过程-过程关系、过程-场景关系、过程-要素关系;在场景要素类型中,包括的元素有要素名称、时间、空间特征、属性特征、语义描述、要素关系、要素参与的过程、要素参与的行为、要素所属的场景、要素-过程关系、要素-场景关系;在行为类型中,包括的元素有行为类型及名称、行为参与者、时间、地点、行为的前驱、行为的后继、参与者关系;在状态类型中,包括的元素有状态类型及名称、时间、地点、要素的状态特征、场景的状态;要素的状态特征包括位置、属性、语义;场景的状态包括要素的数量、空间分布、要素间关系。
一种基于本体的全息航行场景图知识推理装置,包括数据预处理模块、场景知识库存储模块、对象行为信息提取模块、关系计算模块、事件识别模块和推理知识输出模块;数据预处理模块用于对感知的全要素信息进行数据预处理,为本体模型提供实例化的可用信息;场景知识库存储模块用于存储基于本体构建的全息航行场景图知识库;对象行为信息提取模块用于结合场景知识库,从获取的全要素信息中抽取与对象运动特征、自身属性特征以及对象间关系变化相关的行为信息知识;关系计算模块用于计算对象与环境、对象与对象间的拓扑关系、方位关系、距离关系、时间关系以及语义关系等相关关系,从而得到包括对象的活动的知识;事件识别模块用于获取活动知识的语义聚合、识别场景中发生的子事件;推理知识输出模块用于事件触发后的场景演变知识输出。
进一步的,采用protégé作为规则本体建模工具,推理知识输出模块采用pellet推理机;本体建模工具protégé与pellet推理机均支持OWL语言与SWRL语言;OWL语言用于对规则知识进行描述;SWRL语言为规则知识推理语言。
一种计算机存储介质,其内存储有可被计算机处理器执行的计算机程序,该计算机程序执行一种基于本体的全息航行场景图知识推理方法。
本发明的有益效果为:
1.本发明的一种基于本体的全息航行场景图知识推理方法及装置,通过将交通对象行为划分为包括微观、介观及宏观3种层次的行为;对交通对象时空行为进行结构化建模,定义并在本体中明确交通对象的行为、过程及事件等概念;利用航行场景本体知识库,采用关系计算模块表征子场景中对象与行为的相互作用;通过事件触发机制表征整个宏观场景的变化,从而推理出场景演变的知识;实现了对航行场景图进行自动化知识推理的功能。
2.本发明通过对船舶行为进行系统而明确的语义定义和显示表达,使船员、引航员和VTS操作员准确理解了面临的交通场景解决了水上交通场景建模方法逻辑推理能力差的问题。
附图说明
图1是本发明实施例的流程图。
图2是本发明实施例的基于事件触发机制的航行场景演化示例图。
图3是本发明实施例的功能框图。
图4是本发明实施例的船舶与航行环境的空间拓扑关系图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1,本发明实施例的一种基于本体的全息航行场景图知识推理方法,包括以下步骤:
步骤1:根据驾驶人员对航行场景中对象与行为的理解,结合船舶行为的时空尺度,将全息航行场景的演变划分为水上交通对象的行为、过程及事件的变化;
步骤2:根据步骤1所述的行为、过程及事件,明确其概念及其属性,并将水上交通对象的行为、过程及事件的层级关系分别定义为微观、介观与宏观层面的行为,在本体建模中予以明确;
步骤3:根据步骤2所述的本体建模方法,在形成本体知识库的基础上,采用关系计算模块表征子场景中对象与行为的相互作用;通过事件触发机制表征整个宏观场景的变化。
本发明实施例的技术方案为:
一、构建方法
交通对象的行为定义。对象行为的变化是航行场景演变的核心,结合人类的认知习惯,基于交通对象的运动特征、自身属性特征与环境的拓扑特征,将交通对象的时空行为划分为微观行为、介观行为及宏观行为3种行为。微观行为:表示交通对象在短时间、局部区域中的行为,描述交通对象基础的行为单元。介观行为:表示交通对象在较大时间、空间范围内的行为,是微观行为的聚合。在介观行为中,交通对象行为表示交通对象在当前的时空尺度中交通对象轨迹与航行环境的拓扑状态保持不变,如交通对象准备锚泊前的减速阶段,交通对象进行可能包括加速、减速、转向等多个连续操作。宏观行为:表示交通对象在大的时间、空间范围内的行为,交通对象行为从一定的尺度之后开始不变,此后所有的行为均表示宏观行为,该尺度是宏观行为的临界尺度。如针对交通对象在泊位附近发生的“靠泊-停泊-离泊”整个轨迹,由于交通对象在此过程中的运动状态、拓扑状态均发生了变化,因此,此行为可被视为宏观行为,宏观行为至少应该包括两个介观行为或者一个微观行为及介观行为的组合。
交通对象行为的语义多尺度建模。基于交通对象时空行为的多尺度特征,从语义建模的角度将交通对象行为划分为行为、过程及事件3层,分别表征交通对象轨迹不同时空尺度下的语义特征。将行为建模为交通对象在航行过程中维持运动特征状态的物理量,是交通对象轨迹运动特征所反映的语义行为。将过程建模为基本行为在一段时间上持续,即表示交通对象轨迹(由AIS、GPS、雷达等手段记录)所记录的相同运动特征轨迹点之间发生的行为,是维持交通对象二阶运动特征(指速度与航向的组合特征)不变的行为。将事件建模为交通对象的行为和过程及其逻辑和时序关系在时空上的演变。在语义认知上,交通对象的行为与活动与微观行为对应;过程与介观行为对应;事件与宏观行为对应。
行为、过程及事件的本体建模。对象的本体建模与基于本体的全息航行场景图构建方法相同。行为、过程及事件的本体概念建模如下:
Object表示时空行为发生的主体对象,ObjectAttribution表示主体对象的属性要素,ObjectRelation为主体对象的关系要素,f(ObjectAttribution,ObjectRelation)为主体对象的属性和关系的综合表达式,t表示时空行为发生的时刻,Behavior为时空对象行为中的第i个行为,Process为时空对象行为中的第j个过程,Eventk是时空对象行为中的k个过程。
本体属性的定义。对象属性用于表示本体中类之间的关系,是船舶行为认知的关键。本体中的对象属性示例如下:
HasTraj:表示船舶与轨迹之间的归属关系,Domain为ship,Ranges为trajectory。
Comprises:表示轨迹段与子轨迹之间的包含关系,Domain为trajectory,Ranges为trajectory。
Occurs:表示船舶轨迹段的发生时间,其中包括子属性occursBegin和occursEnd,分别表示轨迹段的开始时间和结束时间。
Reflect time:指示船舶行为发生的时间,其子属性reflectBegin代表行为发生的开始时间,reflectEnd代表行为的结束时间。由于行为与轨迹具有一一对应的关系,因此,reflectBegin与该行为所对应的轨迹段的开始时间occursBegin一致,reflectEnd与该行为所对应的轨迹段的结束时间occursEnd保持一致,该特征在SWRL的中进行了知识扩展。
before/after:表示了时刻instant的先后关系,且二者互为逆(inverse of)关系。两属性是构成时间逻辑表达机制的基础,时段interval中的复杂时间关系都是基于时刻之间的简单逻辑关系演化而来。
hasBehavior:表示船舶与行为之间的关系,Domain为ship,Ranges为behavior。
hasTopo:表示船舶轨迹与航行环境之间的空间拓扑关系,包括4种关系:点-线、点-面、线-线及线-面。Domain为trajectory,Ranges为trafficRule。
Follow:表示船舶轨迹之间的连续关系,用以构建轨迹段之间的逻辑关系。
Reflects:表示轨迹段与行为之间的映射关系,Domain为trajectory,Ranges为behavior,与isReflectedBy互为逆(inverse of)关系。
HasPoint:表示轨迹段与轨迹点之间的从属关系,Domain为trajectory,Ranges为Point,包含了两种子属性hasBeginPoint和hasEndPoint。
数据属性表示本体概念的属性,可以用来描述本体中类的状态。
HasSpeed:表示船的速度属性
InXSDDateTimeStamp:表示time类下instant的UTC时间
MMSI:是船舶的识别码,可以唯一确定船舶的身份。
ShipType:指示船舶的类别属性。
关系运算。根据场景应用的需要,计算对象与环境、对象与对象间的拓扑关系、方位关系、距离关系、时间关系以及语义关系等相关关系,从而得到对象的活动等知识。
(1)拓扑关系的运算:用于获取交通对象与环境之间的拓扑行为知识。步骤如下:1)将船舶视为质点,船舶运动轨迹有一个个船舶运动轨迹点组成。2)将船舶所处航行环境中的交通规则或基础设施视为二维空间中的实体,包括点P、线L及面A三种;根据实体的空间特征对实体进行数学建模,形成了点位置、线段、折线、圆形区域、椭圆形区域、以及多边形区域的数学表达。3)结合基于维数扩展的9交模型(DE-9IM),根据船舶轨迹与航行环境之间形成的拓扑关系,构建了常用的船舶拓扑行为集合,包括点-线、点-面、线-线及线-面四种类型。船舶在航行环境中所具有的拓扑行为均可表示为拓扑集合中的一种,参见图4。
(2)空间方位关系的运算:用于获取对象之间以及对象与环境之前的方位关系知识。计算步骤为:1)构建随船运动坐标系,以船舶首位线为x轴正方向,以船舶正横线为y轴正方向,2)x轴与y轴相交形成四个方向区域,使用相对方位角从正横方向向首尾方向进行量化。如B船在A船右正横方向,则A、B两船的空间方位关系为:B船相对于A船的方位角为90°。
(3)空间距离关系的运算。距离关系用于描述两船舶对象之间的距离,包括定量描述和定性描述。定量描述是指两船舶对象之间的欧式距离,如下式所示。
式中:D表示船舶A与船舶B之间的距离,(xA,yA),(xB,yB)分别表示船舶A与船舶B的位置坐标。
定性描述则是通过船员的经验和认知水平对欧式距离的阈值判断,当两船的方位和速度满足构成碰撞风险时,两船之间的距离关系定向描述如下式所示。
式中:Dt是对D的定性描述,Dn、Dm、Dl是对船舶对象之间距离界定的阈值。
(4)时间关系的运算,用于获取对象之间的时间关系知识。时间关系是对船舶的行为和事件在时间维度上的描述,根据时间维度的不同,可以将时间关系分为时间点和时间段。其中时间点描述的是某一个瞬间或时刻,如船舶执行向左转向的时刻、两船发生碰撞的时刻等;时间段则是描述的一个时间范围,如船舶在锚地锚泊的时间,船舶穿越狭水道的时间等。在水上交通场景中,时间点关系、时间段关系可以描述为早于、晚于、介于、开始于、结束于。具体如表1所示。
(5)语义关系的运算,用于获取对象之间的语义关系知识。语义关系用于描述概念与概念、概念与实例、实例与实例之间的关系。具体步骤为:(1)定义水上交通场景中的船舶、人、环境等要素以及行为事件要素等概念;(2)根据专家知识,利用资源描述框架(Resource description framework,RDF)将语义关系描述为三元组结构<主,谓,宾>的结构,定义语义关系的定于域、值域、关系以及相应的描述,部分如表所示,形成实体要素语义关系知识库;(3)获取实体概念对应的属性等各类实例数据,将其输入到要素语义关系知识库中进行关系匹配获取相应的语义关系知识。
基于事件识别的场景知识发现。场景知识包含:场景的要素类别、属性、组成,场景中对象与对象、对象与场景的各类关系,场景中对象的行为、事件等行为以及场景演化过程,所需要的相关元素如表所示。前面已经对场景的要素、各类关系计算进行阐述,下面对基于事件识别的场景知识发现进行说明。
参照图2为基于事件触发机制的航行场景演化示例图,场景为船舶正常航行演变到船舶停泊。首先识别到子事件1,发现船舶活动1为低速进入检测区域;然后识别到子事件2,发现船舶活动2为船舶停止在检测区域;之后识别到子事件3,发现船舶活动3为船舶超时停止在检测区域。子事件1~3的相继成功,触发了事件“船舶停泊在检测区域内”的发生,从而引起场景的演变,输出场景由“船舶正常航行”演变到“船舶停泊”这一知识。
二、构建装置
参照图3为本发明实施例的基于本体的全息航行场景图知识推理装置示意图,包括:数据预处理模块、场景知识库存储模块、对象行为信息提取模块、关系计算模块、事件识别模块和推理知识输出模块。
数据预处理模块用于对感知的全要素信息进行数据预处理,为本体模型提供实例化的可用信息;
场景知识库存储模块用于存储基于本体构建的全息航行场景图知识库;
对象行为信息提取模块用于结合场景知识库,从获取的全要素信息中抽取与对象运动相关的行为信息等知识;
关系计算模块用于计算对象与环境、对象与对象间的拓扑关系、方位关系、距离关系、时间关系以及语义关系等相关关系,从而得到对象的活动等知识;
事件识别模块用于获取活动知识的语义聚合、识别场景中发生的子事件;
推理知识输出模块用于事件触发后的场景演变知识输出。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (9)
1.一种基于本体的全息航行场景图知识推理方法,其特征在于:包括以下步骤:
S0:搭建基于本体的全息航行场景图知识推理装置,包括数据预处理模块、场景知识库存储模块、对象行为信息提取模块、关系计算模块、事件识别模块和推理知识输出模块;
S1:根据驾驶人员对航行场景中对象与行为的理解,结合船舶行为的时空尺度,将交通对象的时空行为划分为交通对象的行为、过程和事件,分别表征交通对象的时空行为在不同时空尺度下的语义特征;根据交通对象的运动特征、自身属性特征和环境的拓扑特征,将交通对象的时空行为的层级关系分别定义为微观行为、介观行为和宏观行为;在语义认知上,交通对象的行为与微观行为对应,过程与介观行为对应,事件与宏观行为对应;
S2:对交通对象的时空行为进行结构化的本体建模,在本体模型中定义并明确交通对象的包括行为、过程和事件的概念和属性;
S3:根据本体模型形成场景本体知识库,采用关系计算模块表征子场景中对象与对象的时空行为的相互作用;
S4:获取场景相关的对象的静态数据、动态数据和环境数据并输入场景本体知识库;根据两个时间切片中对象行为是否发生变化,提取交通对象的行为信息和过程信息,行为信息中行为不发生变化,过程信息中行为发生变化;对多个过程进行语义聚合得到事件;
S5:通过事件触发机制表征整个宏观场景的变化,推理并输出演变的场景知识。
2.根据权利要求1所述的一种基于本体的全息航行场景图知识推理方法,其特征在于:所述的步骤S1中,
微观行为表示交通对象的属性和关系在时空维度上的变化,是描述交通对象的基础行为单元;
介观行为表示交通对象在较大的时间范围和空间范围内的行为,是微观行为的聚合;
宏观行为表示交通对象在大的时间范围和空间范围内的行为;交通对象行为从一定的尺度之后开始不变,此后所有的行为均表示宏观行为;尺度是宏观行为的临界尺度。
3.根据权利要求1所述的一种基于本体的全息航行场景图知识推理方法,其特征在于:所述的步骤S1中,交通对象的时空行为的语义多尺度建模的具体步骤为:
将行为建模为交通对象的属性要素和关系要素在时间和空间维度上的变化,包括运动特征属性变化、自身特征属性变化和拓扑关系变化;
将过程建模为对象属性行为和关系行为不变的一段时间上行为的持续;
将事件建模为交通对象的行为和过程及其逻辑和时序关系在时空上的演变,事件包括至少两个过程。
4.根据权利要求1所述的一种基于本体的全息航行场景图知识推理方法,其特征在于:所述的步骤S2中,具体步骤为:
S21:设Object为时空行为发生的主体对象,ObjectAttribution为主体对象的属性要素,ObjectRelation为主体对象的关系要素,f(ObjectAttribution,ObjectRelation)为主体对象的属性和关系的综合表达式,t为时空行为发生的时刻,Behavior为时空对象行为中的第i个行为,Process为时空对象行为中的第j个过程,Eventk是时空对象行为中的k个过程;则交通对象的行为、过程和事件的本体概念建模如下:
S22:定义交通对象的本体属性要素,包括对象属性和数据属性;
对象属性用于表示本体中类之间的关系,是船舶行为认知的关键;对象属性包括:
HasTraj表示船舶与轨迹之间的归属关系,Domain为ship,Ranges为trajectory;
Comprises表示轨迹段与子轨迹之间的包含关系,Domain为trajectory,Ranges为trajectory;
Occurs表示船舶轨迹段的发生时间,包括子属性occursBegin表示轨迹段的开始时间,子属性occursEnd表示轨迹段的结束时间;
Reflect time指示船舶行为发生的时间,包括子属性reflectBegin代表行为发生的开始时间,子属性reflectEnd代表行为的结束时间;
由于行为与轨迹具有一一对应的关系,reflectBegin与该行为对应的轨迹段的开始时间occursBegin一致,reflectEnd与该行为对应的轨迹段的结束时间occursEnd保持一致,该特征在SWRL的中进行了知识扩展;
Before和after表示时刻instant的先后关系,且二者互为逆inverse of关系;两属性是构成时间逻辑表达机制的基础,时段interval中的复杂时间关系都是基于时刻之间的简单逻辑关系演化而来;
hasBehavior表示船舶与行为之间的关系,Domain为ship,Ranges为behavior;
hasTopo表示船舶轨迹与航行环境之间的空间拓扑关系,包括点-线、点-面、线-线和线-面4种关系;Domain为trajectory,Ranges为trafficRule;
Follow表示船舶轨迹之间的连续关系,用于构建轨迹段之间的逻辑关系;
Reflects表示轨迹段与行为之间的映射关系,Domain为trajectory,Ranges为behavior,与isReflectedBy互为逆inverse of关系;
HasPoint表示轨迹段与轨迹点之间的从属关系,Domain为trajectory,Ranges为Point,包括子属性hasBeginPoint和hasEndPoint;
数据属性表示本体概念的属性,用于描述本体中类的状态;数据属性包括:
HasSpeed表示船的速度属性;
InXSDDateTimeStamp表示time类下instant的UTC时间;
MMSI是船舶的识别码,用于唯一确定船舶的身份;
ShipType指示船舶的类别属性。
5.根据权利要求1所述的一种基于本体的全息航行场景图知识推理方法,其特征在于:所述的步骤S3中,根据场景应用的需要,计算对象与环境、对象与对象间的拓扑关系、方位关系、距离关系、时间关系和语义关系,得到包括对象的活动的知识,具体步骤为:
S31:计算拓扑关系用于获取交通对象与环境之间的拓扑行为知识,具体步骤为:
S311:将船舶视为质点,船舶运动轨迹包括一个个船舶运动轨迹点;
S312:将船舶所处航行环境中的交通规则或基础设施视为二维空间中的实体,包括点P、线L及面A;根据实体的空间特征对实体进行数学建模,形成了包括点位置、线段、折线、圆形区域、椭圆形区域和多边形区域的数学表达;
S313:结合基于维数扩展的9交模型DE-9IM,根据船舶轨迹与航行环境之间形成的拓扑关系,构建常用的船舶拓扑行为集合,包括点-线、点-面、线-线及线-面;将船舶在航行环境中具有的拓扑行为表示为拓扑集合中的一种;
S32:计算方位关系用于获取对象之间以及对象与环境之前的方位关系知识,具体步骤为:
S321:构建随船运动坐标系,以船舶首位线为x轴正方向,以船舶正横线为y轴正方向;
S322:x轴与y轴相交形成四个方向区域,使用相对方位角从正横方向向首尾方向进行量化;
S33:计算距离关系用于描述两船舶对象之间的距离,包括定量描述和定性描述;设D表示船舶A与船舶B之间的距离,(xA,yA),(xB,yB)分别表示船舶A与船舶B的位置坐标,则定量描述是指两船舶对象之间的欧式距离:
定性描述是通过船员的经验和认知水平对欧式距离的阈值判断;设Dt是对D的定性描述,Dn、Dm、Dt是对船舶对象之间距离界定的阈值;当两船的方位和速度满足构成碰撞风险时,两船之间的距离关系的定向描述为:
S34:计算时间关系用于获取对象之间的时间关系知识;时间关系是对船舶的行为和事件在时间维度上的描述,根据时间维度的不同将时间关系分为时间点和时间段;时间点描述的是某一个瞬间或时刻;时间段描述一个时间范围;
在水上交通场景中,时间点关系和时间段关系包括早于before t1、before(t1,t2),晚于after t2、after(t1,t2),介于Between(t1,t2),开始于beginWitht1,结束于endWitht2;
S35:计算语义关系用于获取对象之间的语义关系知识,包括描述概念与概念、概念与实例、实例与实例之间的关系,具体步骤为:
S351:定义水上交通场景中的包括船舶、人、环境的要素和行为事件要素概念;
S352:根据专家知识,利用资源描述框架将语义关系描述为三元组结构<主,谓,宾>的结构,定义语义关系的定义域、值域、关系和相应的描述,形成实体要素语义关系知识库;包括:
定义域为船舶,关系为happen,值域为事件要素,描述为某船舶发生某事件;
定义域为船舶,关系为execute,值域为行为要素,描述为某船舶执行某行为;
定义域为船舶,关系为hasType,值域为参数属性,描述为某船舶的类型;
定义域为船舶,关系为hasname,值域为参数属性,描述为某船舶的名称;
定义域为船舶,关系为hasspeed,值域为参数属性,描述为某船舶的速度;
定义域为船舶,关系为hascourse,值域为参数属性,描述为某船舶的航向;
定义域为船舶,关系为hassize,值域为参数属性,描述为某船舶的尺寸;
定义域为行为要素,关系为trigger,值域为行为要素,描述为某行为触发某行为;
定义域为行为要素,关系为cause,值域为事件要素,描述为某行为导致某事件;
定义域为行为要素,关系为operatedBy,值域为操作人员,描述为某行为由某人操作;
定义域为事件要素,关系为hasType,值域为参数属性,描述为某事件的类型;
定义域为事件要素,关系为trigger,值域为行为要素,描述为某事件触发某行为;
定义域为事件要素,关系为cause,值域为事件要素,描述为某事件导致某事件;
S353:获取实体概念对应的属性,并输入到要素语义关系知识库中进行关系匹配获取相应的语义关系知识。
6.根据权利要求1所述的一种基于本体的全息航行场景图知识推理方法,其特征在于:所述的步骤S5中,场景知识包括场景的要素类别、属性、组成,场景中对象与对象、对象与场景的各类关系,场景中对象的行为、事件和场景演化过程;
在场景演化过程类型中,包括的元素有过程类型及名称、过程语义描述、时间段、包含的对象、包含的行为、行为关系集、过程-过程关系、过程-场景关系、过程-要素关系;
在场景要素类型中,包括的元素有要素名称、时间、空间特征、属性特征、语义描述、要素关系、要素参与的过程、要素参与的行为、要素所属的场景、要素-过程关系、要素-场景关系;
在行为类型中,包括的元素有行为类型及名称、行为参与者、时间、地点、行为的前驱、行为的后继、参与者关系;
在状态类型中,包括的元素有状态类型及名称、时间、地点、要素的状态特征、场景的状态;要素的状态特征包括位置、属性、语义;场景的状态包括要素的数量、空间分布、要素间关系。
7.一种用于权利要求1至6中任意一项所述的基于本体的全息航行场景图知识推理方法的知识推理装置,其特征在于:包括数据预处理模块、场景知识库存储模块、对象行为信息提取模块、关系计算模块、事件识别模块和推理知识输出模块;
数据预处理模块用于对感知的全要素信息进行数据预处理,为本体模型提供实例化的可用信息;
场景知识库存储模块用于存储基于本体构建的全息航行场景图知识库;
对象行为信息提取模块用于结合场景知识库,从获取的全要素信息中抽取包括与对象运动特征、自身属性特征以及对象间关系变化相关的行为信息知识;
关系计算模块用于计算对象与环境、对象与对象间的拓扑关系、方位关系、距离关系、时间关系以及语义关系等相关关系,从而得到包括对象的过程的知识;
事件识别模块用于获取过程知识的语义聚合、识别场景中发生的子事件;
推理知识输出模块用于事件触发后的场景演变知识输出。
8.根据权利要求7所述的知识推理装置,其特征在于:
采用protégé作为规则本体建模工具,推理知识输出模块采用pellet推理机;
本体建模工具protégé与pellet推理机均支持OWL语言与SWRL语言;
OWL语言用于对规则知识进行描述;SWRL语言为规则知识推理语言。
9.一种计算机存储介质,其特征在于:其内存储有可被计算机处理器执行的计算机程序,该计算机程序执行如权利要求1至权利要求6中任意一项所述的一种基于本体的全息航行场景图知识推理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210597124.7A CN114926611A (zh) | 2022-05-30 | 2022-05-30 | 一种基于本体的全息航行场景图知识推理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210597124.7A CN114926611A (zh) | 2022-05-30 | 2022-05-30 | 一种基于本体的全息航行场景图知识推理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114926611A true CN114926611A (zh) | 2022-08-19 |
Family
ID=82812297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210597124.7A Pending CN114926611A (zh) | 2022-05-30 | 2022-05-30 | 一种基于本体的全息航行场景图知识推理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926611A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116049501A (zh) * | 2023-01-30 | 2023-05-02 | 北京化工大学 | 一种空间场景空间关系自然语言描述生成方法 |
CN116562172A (zh) * | 2023-07-07 | 2023-08-08 | 中国人民解放军国防科技大学 | 面向时空叙事的地理场景时间推演方法、装置和设备 |
-
2022
- 2022-05-30 CN CN202210597124.7A patent/CN114926611A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116049501A (zh) * | 2023-01-30 | 2023-05-02 | 北京化工大学 | 一种空间场景空间关系自然语言描述生成方法 |
CN116562172A (zh) * | 2023-07-07 | 2023-08-08 | 中国人民解放军国防科技大学 | 面向时空叙事的地理场景时间推演方法、装置和设备 |
CN116562172B (zh) * | 2023-07-07 | 2023-09-15 | 中国人民解放军国防科技大学 | 面向时空叙事的地理场景时间推演方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ding et al. | A survey on safety-critical driving scenario generation—A methodological perspective | |
Käfer et al. | Recognition of situation classes at road intersections | |
CN114926611A (zh) | 一种基于本体的全息航行场景图知识推理方法及装置 | |
Buxton et al. | Visual surveillance in a dynamic and uncertain world | |
Fernyhough et al. | Constructing qualitative event models automatically from video input | |
Rota et al. | Activity recognition from video sequences using declarative models | |
Zhang et al. | Vessel trajectory prediction in maritime transportation: Current approaches and beyond | |
Mascaro et al. | Learning abnormal vessel behaviour from AIS data with Bayesian networks at two time scales | |
CN107730903A (zh) | 基于深度卷积神经网络的违章停车和抛锚车视觉检测系统 | |
US20240043026A1 (en) | Performance testing for trajectory planners | |
Kolekar et al. | Behavior prediction of traffic actors for intelligent vehicle using artificial intelligence techniques: A review | |
Weidl et al. | Early and accurate recognition of highway traffic maneuvers considering real world application: A novel framework using Bayesian networks | |
CN113867367B (zh) | 测试场景的处理方法、装置及计算机程序产品 | |
Liu et al. | Dynamic image sequence analysis using fuzzy measures | |
CN115018215B (zh) | 基于多模态认知图谱的人口居住预测方法、系统和介质 | |
CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
Jakob et al. | Employing agents to improve the security of international maritime transport | |
Burns et al. | Temporal abstraction in Bayesian networks | |
Szwed et al. | Object tracking and video event recognition with fuzzy semantic petri nets | |
Song et al. | Data-driven cognitive modeling and semantic reasoning of ship behavior | |
Fournier et al. | TRANS: a tractable role-based agent prototype for concurrent navigation systems | |
US20240112044A1 (en) | Methods and systems for ontology construction with ai-mediated crowdsourcing and concept mining for high-level activity understanding | |
US20240112473A1 (en) | Object trajectory clustering with hybrid reasoning for machine learning | |
Dee | Explaining visible behaviour | |
Zhou et al. | A Multimodal Trajectory Prediction Method for Pedestrian Crossing Considering Pedestrian Motion State |
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 |