-
HINTERGRUND
-
Technisches Gebiet
-
Die vorliegende Offenbarung betrifft eine intelligente Fahrweise zum Passieren von Kreuzungen und ein intelligentes System dafür. Insbesondere betrifft die vorliegende Offenbarung eine auf einer Support Vector Machine (Stützvektormaschine) basierende intelligente Fahrweise zum Passieren von Kreuzungen und ein intelligentes System dafür.
-
Beschreibung des Standes der Technik
-
Im Allgemeinen biegen an Kreuzungen und Einmündungen viele Fahrzeuge ab oder kommen einander entgegen. Ein Fahrer muss entscheiden, wann er beschleunigen, abbremsen oder mit konstanter Geschwindigkeit weiterfahren soll, während er die Kreuzungen passiert. Wenn die Einschätzung des Fahrers falsch ist, ereignen sich Verkehrsunfälle. Gemäß den Statistiken der Vereinigten Staaten ereigneten sich 2008 40 % der Verkehrsunfälle an Kreuzungen oder Einmündungen. Gemäß dem Statistischen Bundesamt von Deutschland ereigneten sich 2013 47,5 % der Verkehrsunfälle an Kreuzungen oder Einmündungen. Außerdem ereigneten sich in manchen Ländern mehr als 98 % der Verkehrsunfälle an Kreuzungen oder Einmündungen.
-
Um den Fahrer beim Passieren von Kreuzungen bei seiner Entscheidung zu unterstützen, haben einige Fachleute hochautomatisierte Fahrzeuge mit Paradigmen der künstlichen Intelligenz (KI) entwickelt, und eine Support Vector Machine ist einer der Maschinenlernalgorithmen. Durch Ausführung von Modellen zur Vorhersage oder Schätzung können die Fahrentscheidungen, wie Beschleunigung, Verlangsamung oder Beibehaltung einer konstanten Geschwindigkeit beim Passieren von Kreuzungen, bereitgestellt werden.
-
In einer realen Situation trifft der Fahrer eine Fahrentscheidung, die auf den Vergangenheitsinformationen der Umgebung basiert. Anders ausgedrückt, die reale Fahrentscheidung hat einen Zeitbezug. Beim herkömmlichen Trainingsprozess der Support Vector Machine werden jedoch, obwohl der Datensatz für das Training beobachtet und in zeitlicher Reihenfolge indiziert wird, die beobachteten Datensätze an jedem Datenpunkt unabhängig betrachtet, und das Zeitreihenproblem wird nicht betrachtet, was eine ungenügende Genauigkeit der Fahrentscheidung zur Folge hat.
-
Aufgrund des oben genannten Problems besteht ein von Fachleuten verfolgtes Ziel darin, Wege zu finden, wie die Genauigkeit der Fahrentscheidung effizient verbessert werden kann.
-
KURZDARSTELLUNG
-
Die vorliegende Offenbarung stellt eine intelligente Fahrweise zum Passieren von Kreuzungen bereit, die auf einer Support Vector Machine basiert. Die intelligente Fahrweise findet bei einem Fahrzeug Anwendung und beinhaltet einen Support-Vector-Machine-Bereitstellungsschritt zum Bereitstellen der Support Vector Machine. Die Support Vector Machine wird durch einen Trainingsprozess trainiert. Im Trainingsprozess wird der Support Vector Machine ein Trainingsdatensatz zur Verfügung gestellt. Der Trainingsdatensatz wird durch Verarbeitung eines Originaldatensatzes durch ein Dimensionalitätsreduktionsmodul und ein Zeitskalierungsmodul gebildet. Der Originaldatensatz enthält mehrere Trainingsstichproben. Jede der Trainingsstichproben beinhaltet eine Durchfahrtszeit für das Passieren einer Kreuzung und p Merkmale und eine Entscheidung jedes von mehreren Datenpunkten innerhalb der Durchfahrtszeit. Die p Merkmale werden von dem Dimensionalitätsreduktionsmodul verarbeitet, so dass sie in k neue Merkmale umgewandelt werden, wobei p und k ganze Zahlen sind und p > k ist. Das Zeitskalierungsmodul liefert eine vorhergesagte Zeit. Die neuen Merkmale eines der Datenpunkte und andere neue Merkmale anderer Datenpunkte, die dem einen der Datenpunkte vorangehen, werden als zu skalierende Folge angesehen. Wenn eine Länge der zu skalierenden Folge kleiner als eine Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit ist, wird ein Schätzwert in die zu skalierende Folge eingefügt, um eine neue zu skalierende Folge zu bilden. Eine bedingte Verteilung des Schätzwertes wird unter Verwendung einer gemeinsamen Verteilung der zu skalierenden Folge und einer Randverteilung der neuen Merkmale erhalten. Die neue zu skalierende Folge wird durch das Zeitskalierungsmodul umgewandelt, um eine skalierte Folge zu bilden, und eine Länge der skalierten Folge ist gleich der Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit. Die intelligente Fahrweise beinhaltet einen Datensatz-Verarbeitungsschritt. Die p Merkmale, die von einer am Fahrzeug angeordneten Umgebungserfassungseinheit gewonnen werden, werden von dem Dimensionalitätsreduktionsmodul und dem Zeitskalierungsmodul verarbeitet und werden danach der Support Vector Machine zur Klassifikation zur Verfügung gestellt. Die intelligente Fahrweise beinhaltet ferner einen Entscheidungsschritt, um dem Fahrzeug eine Fahrentscheidung zur Verfügung zu stellen, basierend auf einem klassifizierten Ergebnis der Support Vector Machine.
-
In einem Beispiel wird im Dimensionalitätsreduktionsmodul eine Hauptkomponentenanalyse durchgeführt.
-
In einem Beispiel wird im Zeitskalierungsmodul eine einheitliche Skalierung durchgeführt.
-
In einem Beispiel ist die vorhergesagte Zeit gleich einer längsten der Durchfahrtszeiten.
-
In einem Beispiel beinhalten die p Merkmale eine relative horizontale Geschwindigkeit zwischen dem Fahrzeug und einem sich nähernden Fahrzeug, eine relative horizontale Beschleunigung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine relative vertikale Geschwindigkeit zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine relative vertikale Beschleunigung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine Entfernung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine Entfernung zwischen dem Fahrzeug und der Kreuzung und eine Geschwindigkeit des sich nähernden Fahrzeugs.
-
In einem Beispiel werden die p Merkmale des Originaldatensatzes von der Umgebungserfassungseinheit gewonnen, und die Umgebungserfassungseinheit weist ein Radar, eine Kamera und/oder eine GPS-Vorrichtung auf.
-
Die vorliegende Offenbarung stellt eine weitere intelligente Fahrweise zum Passieren von Kreuzungen bereit, die auf einer Support Vector Machine basiert. Die intelligente Fahrweise findet bei einem Fahrzeug Anwendung und beinhaltet einen Support-Vector-Machine-Bereitstellungsschritt zum Bereitstellen der Support Vector Machine. Die Support Vector Machine wird durch einen Trainingsprozess trainiert. Im Trainingsprozess wird der Support Vector Machine ein Trainingsdatensatz zur Verfügung gestellt. Der Trainingsdatensatz wird durch Verarbeitung eines Originaldatensatzes durch ein Dimensionalitätsreduktionsmodul und ein Zeitskalierungsmodul gebildet. Der Originaldatensatz enthält mehrere Trainingsstichproben, und jede der Trainingsstichproben beinhaltet eine Durchfahrtszeit für das Passieren einer Kreuzung und p Merkmale und eine Entscheidung jedes von mehreren Datenpunkten innerhalb der Durchfahrtszeit. Die p Merkmale werden von dem Dimensionalitätsreduktionsmodul verarbeitet, so dass sie in k neue Merkmale umgewandelt werden, wobei p und k ganze Zahlen sind und p > k ist. Das Zeitskalierungsmodul liefert eine vorhergesagte Zeit. Die neuen Merkmale eines der Datenpunkte und andere neue Merkmale anderer Datenpunkte, die dem einen der Datenpunkte vorangehen, werden als zu skalierende Folge angesehen. Wenn eine Länge der zu skalierenden Folge kleiner als eine Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit ist, wird ein Schätzwert in die zu skalierende Folge eingefügt, um eine neue zu skalierende Folge zu bilden. Die neue zu skalierende Folge wird durch das Zeitskalierungsmodul umgewandelt, um eine skalierte Folge zu bilden, und eine Länge der skalierten Folge ist gleich der Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit. Die intelligente Fahrweise beinhaltet einen Datensatz-Verarbeitungsschritt. Die p Merkmale, die von einer am Fahrzeug angeordneten Umgebungserfassungseinheit gewonnen werden, werden von dem Dimensionalitätsreduktionsmodul und dem Zeitskalierungsmodul verarbeitet und werden danach der Support Vector Machine zur Klassifikation zur Verfügung gestellt. Die intelligente Fahrweise beinhaltet ferner einen Entscheidungsschritt, um dem Fahrzeug eine Fahrentscheidung zur Verfügung zu stellen, basierend auf einem klassifizierten Ergebnis der Support Vector Machine.
-
In einem Beispiel wird im Dimensionalitätsreduktionsmodul eine Hauptkomponentenanalyse durchgeführt.
-
In einem Beispiel wird im Zeitskalierungsmodul eine einheitliche Skalierung durchgeführt.
-
Die vorliegende Offenbarung stellt ein intelligentes Fahrsystem zum Passieren von Kreuzungen bereit, das auf einer Support Vector Machine basiert. Das intelligente Fahrsystem findet in einem Fahrzeug Anwendung und weist eine Verarbeitungseinheit und eine Umgebungserfassungseinheit auf. Die Verarbeitungseinheit ist am Fahrzeug angeordnet und weist ein Dimensionalitätsreduktionsmodul, ein Zeitskalierungsmodul und die Support Vector Machine auf. Das Dimensionalitätsreduktionsmodul ist zum Umwandeln von p Merkmalen jedes von mehreren Datenpunkten in k neue Merkmale bestimmt, wobei p und k ganze Zahlen sind und p > k ist. Eine vorhergesagte Zeit wird von dem Zeitskalierungsmodul geliefert. Die neuen Merkmale eines der Datenpunkte und andere neue Merkmale anderer Datenpunkte, die dem einen der Datenpunkte vorangehen, werden als zu skalierende Folge angesehen. Wenn eine Länge der zu skalierenden Folge kleiner als eine Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit ist, wird ein Schätzwert in die zu skalierende Folge eingefügt, um eine neue zu skalierende Folge zu bilden, die neue zu skalierende Folge wird durch das Zeitskalierungsmodul umgewandelt, um eine skalierte Folge zu bilden, eine Länge der skalierten Folge ist gleich der Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit. Die Support Vector Machine wird durch einen Trainingsdatensatz trainiert, und der Trainingsdatensatz wird durch Verarbeitung eines Originaldatensatzes durch das Dimensionalitätsreduktionsmodul und das Zeitskalierungsmodul gebildet. Der Originaldatensatz enthält mehrere Trainingsstichproben, und jede der Trainingsstichproben beinhaltet eine Durchfahrtszeit für das Passieren einer Kreuzung und die p Merkmale und eine Entscheidung jedes der Datenpunkte innerhalb der Durchfahrtszeit. Die Umgebungserfassungseinheit ist am Fahrzeug angeordnet und ist mit der Verarbeitungseinheit signaltechnisch verbunden. Die p Merkmale, die von der Umgebungserfassungseinheit gewonnen werden, werden von dem Dimensionalitätsreduktionsmodul und dem Zeitskalierungsmodul verarbeitet und werden danach der Support Vector Machine zur Klassifikation zur Verfügung gestellt, und dem Fahrzeug wird eine Fahrentscheidung zur Verfügung gestellt, basierend auf einem klassifizierten Ergebnis der Support Vector Machine.
-
In einem Beispiel beinhalten die p Merkmale eine relative horizontale Geschwindigkeit zwischen dem Fahrzeug und einem sich nähernden Fahrzeug, eine relative horizontale Beschleunigung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine relative vertikale Geschwindigkeit zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine relative vertikale Beschleunigung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine Entfernung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine Entfernung zwischen dem Fahrzeug und der Kreuzung und eine Geschwindigkeit des sich nähernden Fahrzeugs.
-
In einem Beispiel weist die Umgebungserfassungseinheit ein Radar, eine Kamera und/oder eine GPS-Vorrichtung auf.
-
In einem Beispiel beinhaltet die Fahrentscheidung eine Beschleunigung, eine Verlangsamung oder eine Beibehaltung einer konstanten Geschwindigkeit.
-
Figurenliste
-
Die vorliegende Offenbarung wird beim Studium der nachfolgenden ausführlichen Beschreibung der Ausführungsform besser verständlich, wobei auf die beigefügten Zeichnungen Bezug genommen wird, wobei gilt:
- 1 ist ein Flussdiagramm einer auf einer Support Vector Machine basierenden intelligenten Fahrweise zum Passieren von Kreuzungen gemäß einer ersten Ausführungsform der vorliegenden Offenbarung.
- 2 zeigt eine erste Simulation gemäß der auf der Support Vector Machine basierenden intelligenten Fahrweise zum Passieren von Kreuzungen von 1.
- 3 zeigt eine zweite Simulation gemäß der auf der Support Vector Machine basierenden intelligenten Fahrweise zum Passieren von Kreuzungen von 1.
- 4 zeigt eine dritte Simulation gemäß der auf der Support Vector Machine basierenden intelligenten Fahrweise zum Passieren von Kreuzungen von 1.
- 5 zeigt eine erste kumulative Rate der ersten Simulation von 2.
- 6 zeigt eine erste kumulative Rate der zweiten Simulation von 3.
- 7 zeigt eine erste kumulative Rate der dritten Simulation von 4.
- 8 ist ein Blockschaltbild eines intelligenten Fahrsystems zum Passieren von Kreuzungen, das auf einer Support Vector Machine basiert, gemäß einer dritten Ausführungsform der vorliegenden Offenbarung.
-
AUSFÜHRLICHE BESCHREIBUNG
-
Es wird auf 1 Bezug genommen. 1 ist ein Flussdiagramm einer auf einer Support Vector Machine basierenden intelligenten Fahrweise 100 zum Passieren von Kreuzungen gemäß einer ersten Ausführungsform der vorliegenden Offenbarung. Die intelligente Fahrweise 100 findet bei einem Fahrzeug Anwendung und beinhaltet einen Support-Vector-Machine-Bereitstellungsschritt 110, einen Datensatz-Verarbeitungsschritt 120 und einen Entscheidungsschritt 130.
-
Im Support-Vector-Machine-Bereitstellungsschritt 110 wird die Support Vector Machine bereitgestellt. Die Support Vector Machine wird durch einen Trainingsprozess trainiert. Im Trainingsprozess wird der Support Vector Machine ein Trainingsdatensatz zur Verfügung gestellt. Der Trainingsdatensatz wird durch Verarbeitung eines Originaldatensatzes durch ein Dimensionalitätsreduktionsmodul und ein Zeitskalierungsmodul gebildet. Der Originaldatensatz enthält mehrere Trainingsstichproben. Jede der Trainingsstichproben beinhaltet eine Durchfahrtszeit für das Passieren einer Kreuzung und p Merkmale und eine Entscheidung jedes von mehreren Datenpunkten innerhalb der Durchfahrtszeit. Die p Merkmale werden von dem Dimensionalitätsreduktionsmodul verarbeitet, so dass sie in k neue Merkmale umgewandelt werden, wobei p und k ganze Zahlen sind und p > k ist. Das Zeitskalierungsmodul liefert eine vorhergesagte Zeit. Die neuen Merkmale eines der Datenpunkte und andere neue Merkmale anderer Datenpunkte, die dem einen der Datenpunkte vorangehen, werden als zu skalierende Folge angesehen. Die zu skalierende Folge wird durch das Zeitskalierungsmodul umgewandelt, um eine skalierte Folge zu bilden, und eine Länge der skalierten Folge ist gleich einer Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit.
-
Im Datensatz-Verarbeitungsschritt 120 werden die p Merkmale, die von einer am Fahrzeug angeordneten Umgebungserfassungseinheit gewonnen werden, von dem Dimensionalitätsreduktionsmodul und dem Zeitskalierungsmodul verarbeitet und werden danach der Support Vector Machine zur Klassifikation zur Verfügung gestellt.
-
Im Entscheidungsschritt 130 wird dem Fahrzeug eine Fahrentscheidung zur Verfügung gestellt, basierend auf einem klassifizierten Ergebnis der Support Vector Machine.
-
Daher sind die Daten des Trainingsdatensatzes zeitunabhängig, und die Daten der während der Fahrt gewonnenen Merkmale, die vom Dimensionalitätsreduktionsmodul und vom Zeitskalierungsmodul verarbeitet werden, sind zeitabhängig, was eine verbesserte Genauigkeit des vorhergesagten Ergebnisses zur Folge hat. Die Einzelheiten der intelligenten Fahrweise 100 werden in den folgenden Absätzen beschrieben.
-
Die Support Vector Machine ist ein Klassifikator von überwachtem Lernen, welcher klassifizierte Ergebnisse liefern kann, um das Fahren zu unterstützen. Im Support-Vector-Machine-Bereitstellungsschritt 110 wird die bereitgestellte Support Vector Machine durch den Trainingsprozess trainiert und kann klassifizierte Ergebnisse für Fahrentscheidungen liefern, wie Verlangsamung, Beschleunigung und Beibehaltung der konstanten Geschwindigkeit, wenn das Fahrzeug die Kreuzung passiert.
-
Im Trainingsprozess können die Trainingsstichproben des Trainingsdatensatzes durch Simulieren der Situation des Fahrzeugs, das die Kreuzung passiert, gebildet werden. Bei der ersten Ausführungsform kann die Simulationsplattform PreScan für die Entwicklung von Fahrerassistenzsystemen (Advanced Driver Assistance Systems, ADAS) sein, welche von Tass International hergestellt wird und Informationen von zusammenhängenden Kreuzungen erstellen kann, um Fahrzeuge zu simulieren, welche die Kreuzungen passieren. Bei einer anderen Ausführungsform können die Trainingsstichproben unter anderem von realen Straßen oder mit einer anderen Simulationssoftware gewonnen werden.
-
Jedes Mal, wenn das Fahrzeug die Kreuzung passiert, können die daraus gewonnenen Daten als eine Trainingsstichprobe angesehen werden. Anders ausgedrückt, wenn das Fahrzeug zehnmal die Kreuzung passiert, werden zehn Trainingsstichproben erhalten. Jede der Trainingsstichproben beinhaltet die Durchfahrtszeit für das Passieren einer Kreuzung und die p Merkmale und die Entscheidung jedes der mehreren Datenpunkte innerhalb der Durchfahrtszeit. Falls zum Beispiel in einer ersten Trainingsstichprobe die Durchfahrtszeit 2 Sekunden beträgt und die Sampling-Frequenz (Abtastfrequenz) 2,5 mal pro Sekunde beträgt, erhält man innerhalb der Durchfahrtszeit fünf Datenpunkte. An jedem Datenpunkt werden p Merkmale und eine Entscheidung, z. B. Beschleunigung, Verlangsamung oder Beibehaltung einer konstanten Geschwindigkeit, erfasst. Die p Merkmale können eine relative horizontale Geschwindigkeit zwischen dem Fahrzeug und einem sich nähernden Fahrzeug, eine relative horizontale Beschleunigung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine relative vertikale Geschwindigkeit zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine relative vertikale Beschleunigung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine Entfernung zwischen dem Fahrzeug und dem sich nähernden Fahrzeug, eine Entfernung zwischen dem Fahrzeug und der Kreuzung und eine Geschwindigkeit des sich nähernden Fahrzeugs beinhalten.
-
Die Daten der ersten Trainingsstichprobe können in Tabelle 1 angegeben werden. In einer einzelnen Trainingsstichprobe können die p Merkmale jedes der q Datenpunkte als ein Original-Merkmalsarray X angesehen werden, wobei X=(x
1, ... , x
p) und x
i = (x
il, ... x
iq)
T. Wie leicht einzusehen ist, sind, wenn n Trainingsstichproben vorhanden sind, n Original-Merkmalsarrays X
l vorhanden, und q wird dann in q
l umbenannt. n und q sind positive ganze Zahlen. / ist eine positive ganze Zahl von 1 bis n, und i ist eine positive ganze Zahl von 1 bis p. Alle Entscheidungen von n Trainingsstichproben können als ein Entscheidungsarray ZZ angesehen werden, wobei ZZ=(z
1, ... , z
n). In den folgenden Absätzen bezeichnet T
lw den w-ten Datenpunkt der l-ten Trainingsstichprobe. w ist eine positive ganze Zahl von 1 bis q
l. x
lwi bezeichnet das am Datenpunkt T
lw erhaltene l-te Merkmal. Demzufolge bezeichnet in Tabelle 1 T
11 den ersten Datenpunkt der ersten Trainingsstichprobe, welcher bei der ersten Ausführungsform 0,4 Sekunden ist. T
12 bezeichnet den zweiten Datenpunkt der ersten Trainingsstichprobe, welcher bei der ersten Ausführungsform 0,8 Sekunden ist. x
111 bezeichnet das erste Merkmal des ersten Datenpunktes T
11 der ersten Trainingsstichprobe. x
122 bezeichnet das zweite Merkmal des zweiten Datenpunktes T
12 der ersten Trainingsstichprobe. z
13 bezeichnet die Entscheidung des dritten Datenpunktes T
13 der ersten Trainingsstichprobe. Die Bezeichnungsregeln anderer Symbole in Tabelle 1 sind dieselben und werden nicht nochmals beschrieben.
Tabelle 1
Datenpunkt | X1 | z1 |
T11 | x111 | x112 | x113 | x114 | x115 | x116 | x117 | z11 |
T12 | x121 | x122 | x123 | x124 | x125 | x126 | x127 | z12 |
T13 | x131 | x132 | x133 | x134 | x135 | x136 | x137 | z13 |
T14 | x141 | x142 | x143 | x144 | x145 | x146 | x147 | z14 |
T15 | x151 | x152 | x153 | x154 | x155 | x156 | x157 | z15 |
-
In einer zweiten Trainingsstichprobe erhält man, falls die Durchfahrtszeit 2,4 Sekunden beträgt und die Sampling-Frequenz 2,5 mal pro Sekunde beträgt, 6 Datenpunkte. Die Daten der zweiten Trainingsstichprobe können in Tabelle 2 angegeben werden.
Tabelle 2
Datenpunkt | X2 | z2 |
T21 | x211 | x212 | x213 | x214 | x215 | x216 | x217 | z21 |
T22 | x221 | x222 | x223 | x224 | x225 | x226 | x227 | z22 |
T23 | x231 | x232 | x233 | x234 | x235 | x236 | x237 | z23 |
T24 | x241 | x242 | x243 | x244 | x245 | x246 | x247 | z24 |
T25 | x251 | x252 | x253 | x254 | x255 | x256 | x257 | z25 |
T26 | x261 | x262 | x263 | x264 | x265 | x266 | x267 | z26 |
-
Falls zwei Trainingsstichproben vorhanden sind, besteht der Originaldatensatz aus den Daten von Tabelle 1 und Tabelle 2.
-
Der Originaldatensatz kann durch Verarbeitung durch das Dimensionalitätsreduktionsmodul und das Zeitskalierungsmodul in den Trainingsdatensatz umgewandelt werden. Im Dimensionalitätsreduktionsmodul wird eine Hauptkomponentenanalyse (Principal Component Analysis, PCA), eine Regression mit partiellen kleinsten Quadraten (Partial Least Squares Regression, PLSR), eine mehrdimensionale Skalierung (MDS), ein Projektionsverfolgungsverfahren, eine Hauptkomponentenregression (Principal Component Regression, PCR), eine quadratische Diskriminanzanalyse (QDA), eine regularisierte Diskriminanzanalyse (RDA) oder eine lineare Diskriminanzanalyse (LDA) durchgeführt. Vorzugsweise wird im Dimensionalitätsreduktionsmodul die Hauptkomponentenanalyse durchgeführt. Die Gleichungen der Hauptkomponentenanalyse sind als Gleichung (1), Gleichung (2) und Gleichung (3) angegeben.
-
Die obigen Gleichungen sind basierend auf Daten eines Datenpunktes einer Trainingsstichprobe ausgedrückt, und die Variable / der Trainingsstichproben sowie die Variable w der Datenpunkte sind nicht angegeben. Hierin bezeichnet Y das neue Merkmalsarray, das k neue Merkmale enthält, das heißt Y=(y
1, ...., y
k), wobei y
j das j-te neue Merkmal bezeichnet. Wenn die jeweils einer der n Trainingsstichproben entsprechenden q
l berücksichtigt werden, ist Y
l=(y
11, ... .,y
lk) und Y
lj=(y
lj1, ....,
Yljql), wobei a ein Koeffizientenarray bezeichnet und a
ji den Koeffizienten bezeichnet, der dem i-ten Merkmal x
i entspricht. Bei der ersten Ausführungsform werden die p Merkmale jeder Trainingsstichprobe durch das Dimensionalitätsreduktionsmodul in ein neues Merkmal umgewandelt, das heißt k=1. Daher ist die verarbeitete erste Trainingsstichprobe in Tabelle 3 angegeben, und die verarbeitete zweite Trainingsstichprobe ist in Tabelle 4 angegeben. Hierbei bezeichnet y
ljw das verarbeitete j-te Merkmal des Datenpunktes T
lw, und die Daten sind, nachdem sie durch das Dimensionalitätsreduktionsmodul verarbeitet wurden, mit (Y
1, z
1) bezeichnet.
Tabelle 3
Datenpunkt | Y1 | z1 |
T11 | y111 | z11 |
T12 | y112 | z12 |
T13 | y113 | z13 |
T14 | y114 | z14 |
T15 | y115 | z15 |
Tabelle 4
Datenpunkt | Y2 | z2 |
T21 | y211 | z21 |
T22 | y212 | z22 |
T23 | y213 | z23 |
T24 | y214 | z24 |
T25 | y215 | z25 |
T26 | y216 | z26 |
-
Anschließend werden die durch das Dimensionalitätsreduktionsmodul verarbeiteten Daten durch das Zeitskalierungsmodul verarbeitet. Da Datensätze, die in einen Klassifikator bei überwachtem Lernen eingegeben werden, von gleicher Länge sein sollten, sind dann die kumulativen Daten an jedem Datenpunkt von gleicher Länge.
-
Im Zeitskalierungsmodul kann eine dynamische Zeitnormierung (Dynamic Time Warping, DWT) oder eine einheitliche Skalierung durchgeführt werden. Vorzugsweise kann im Zeitskalierungsmodul die einheitliche Skalierung durchgeführt werden.
-
Wenn die einheitliche Skalierung durchgeführt wird, kann die vorhergesagte Zeit vom Zeitskalierungsmodul bereitgestellt werden. Die vorhergesagte Zeit kann gleich einer längsten der Durchfahrtszeiten sein. Im konkreten Beispiel beträgt bei der ersten Ausführungsform die Durchfahrtszeit der ersten Trainingsstichprobe 2 Sekunden, und die Durchfahrtszeit der zweiten Trainingsstichprobe beträgt 2,4 Sekunden. Die längste der Durchfahrtszeiten ist 2,4 Sekunden, so dass die vorhergesagte Zeit auf 2,4 Sekunden gesetzt werden kann und eine Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit 6 beträgt.
-
Vor dem Skalieren werden die neuen Merkmale eines der Datenpunkte einer der Trainingsstichproben und andere neue Merkmale anderer Datenpunkte, die dem einen der Datenpunkte vorangehen, als zu skalierende Folge angesehen. In Tabelle 5 ist die zu skalierende Folge angegeben. L
ljw bezeichnet die zu skalierende Folge, wobei L
ijw = (y
lj1, ... , y
ljw). Falls die p Merkmale, die durch das Dimensionalitätsreduktionsmodul verarbeitet werden, in ein neues Merkmal umgewandelt werden, wird j von jedem der Symbole in Tabelle 5 auf 1 gesetzt.
Tabelle 5
akkumulierter Datenpunkt | Lljw |
0 - T11 | y1j1 | | | | | |
0 - T12 | y1j1 | y1j2 | | | | |
0 - T13 | y1j1 | y1j2 | y1j3 | | | |
0 - T14 | y1j1 | y1j2 | y1j3 | y1j4 | | |
0 - T15 | y1j1 | y1j2 | y1j3 | y1j4 | y1j5 | |
0 - T21 | y2j1 | | | | | |
0 - T22 | y2j1 | y2j2 | | | | |
0 - T23 | y2j1 | y2j2 | y2j3 | | | |
0 - T24 | y2j1 | y2j2 | y2j3 | y2j4 | | |
0 - T25 | y2j1 | y2j2 | y2j3 | y2j4 | y2j5 | |
-
Genauer, in Tabelle 5 enthält die zu skalierende Folge L
ljw alle j-ten neuen Merkmale y
lj1-y
ljw des ersten bis w-ten Datenpunktes T
l1-T
lw der l-ten Trainingsstichprobe. Zum Beispiel enthält die zu skalierende Folge L
111 mit w=1 und j=1 das erste neue Merkmal y
111 des Datenpunktes T
11 der ersten Trainingsstichprobe, und die Länge der zu skalierenden Folge L
111 ist gleich 1, das heißt, die zu skalierende Folge L
111 besteht aus einem Wert. Die zu skalierende Folge L
213 mit w=3 und j=1 enthält die ersten neuen Merkmale y
211- y
213 der Datenpunkte T
21- T
23 der zweiten Trainingsstichprobe, und die Länge der zu skalierenden Folge L
111 ist gleich 3, das heißt, die zu skalierende Folge L
111 besteht aus drei Werten. Daher wird die zu skalierende Folge durch Skalieren in eine skalierte Folge umgewandelt, und die Länge der skalierten Folge ist gleich der Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit. Da die Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit bei der ersten Ausführungsform gleich 6 ist, ist die Länge der skalierten Folge gleich 6. Daher ist, nachdem die Verarbeitung durch das Zeitskalierungsmodul erfolgt ist, die Länge jeder der skalierten Folgen gleich 6. Die skalierten Folgen sind in Tabelle 6 angegeben, in welcher L*
ljw die skalierte Folge bezeichnet. Falls die p Merkmale, die durch das Dimensionalitätsreduktionsmodul verarbeitet werden, in ein neues Merkmal umgewandelt werden, wird j von jedem der Symbole in Tabelle 6 auf 1 gesetzt.
Tabelle 6
akkumulierter Datenpunkt | L*ljW |
0 - T11 | L*1j11 | L*1j12 | L*1j13 | L*1j14 | L*1j15 | L*1j16 |
0 - T12 | L*1j21 | L*1j22 | L*1j23 | L*1j24 | L*1j25 | L*1j26 |
0 - T13 | L*1j31 | L*1j32 | L*1j33 | L*1j34 | L*1j35 | L*1j36 |
0 - T14 | L*1j41 | L*1j42 | L*1j43 | L*1j44 | L*1j45 | L*1j46 |
0 - T15 | L*1j51 | L*1j52 | L*1j53 | L*1j54 | L*1j55 | L*1j56 |
0 - T21 | L*2j11 | L*2j12 | L*2j13 | L*2j14 | L*2j15 | L*2j16 |
0 - T22 | L*2j21 | L*2j22 | L*2j23 | L*2j24 | L*2j25 | L*2j26 |
0 - T23 | L*2j31 | L*2j32 | L*2j33 | L*2j34 | L*2j35 | L*2j36 |
0 - T24 | L*2j41 | L*2j42 | L*2j43 | L*2j44 | L*2j45 | L*2j46 |
0 - T25 | L*2j51 | L*2j52 | L*2j53 | L*2j54 | L*2j55 | L*2j56 |
-
Die zu skalierende Folge L
ljw wird durch Gleichung (4) und Gleichung (5) in die skalierte Folge L*
ljw, umgewandelt, wobei L*
ljw = (L*
ljw1, ..., L*
ljwr).
-
Hierbei bezeichnet q
s die Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit, und q
s ist kleiner oder gleich q
l. Die vorhergesagte Zeit kann gleich einer längsten der Durchfahrtszeiten sein, das heißt q
s=max(q
l).
bezeichnet die Abrundungsfunktion, wobei
und Z in der Mathematik die ganzen Zahlen bezeichnet. Anders ausgedrückt, das Ergebnis von r × w/q
s wird abgerundet, und nur der ganzzahlige Anteil wird berücksichtigt.
-
Wenn zum Beispiel die zu skalierende Folge L113=(y111, y112, y113) in L*113=( L*1131, L*1132, L*1133, L*1134, L*1135, L*1136) skaliert wird, wird das Datenelement der ersten Position der zu skalierenden Folge L113 auf die erste Position der skalierten Folge L*113 gesetzt, das heißt L*1131=y111. Das Datenelement der ersten Position der zu skalierenden Folge L113 wird auf die zweite Position der skalierten Folge L*113 gesetzt, das heißt L*1132=y111, da das Ergebnis von 2x3/6 gleich 1 ist. Das Datenelement der ersten Position der zu skalierenden Folge L113 wird auf die dritte Position der skalierten Folge L*113 gesetzt, das heißt L*1133=y111, da das Ergebnis von 3x3/6, welches gleich 1,5 ist, auf 1 abgerundet wird. Das Datenelement der zweiten Position der zu skalierenden Folge L113 wird auf die vierte Position der skalierten Folge L*113 gesetzt, das heißt L*1134=y112 , da das Ergebnis von 4x3/6 gleich 2 ist. Das Datenelement der zweiten Position der zu skalierenden Folge L113 wird auf die fünfte Position der skalierten Folge L*113 gesetzt, das heißt L*1135=y112, da das Ergebnis von 5x3/6, welches gleich 2,5 ist, auf 2 abgerundet wird. Das Datenelement der dritten Position der zu skalierenden Folge L113 wird auf die sechste Position der skalierten Folge L*113 gesetzt, das heißt L*1136=y113, da das Ergebnis von 6x3/6 gleich 3 ist. Es ist anzumerken, dass, wenn die Länge der zu skalierenden Folge größer als die Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit ist, das heißt die Länge der zu skalierenden Folge größer als die Länge der skalierten Folge ist, die zu skalierende Folge auch herunterskaliert werden kann, um den Zweck der vorliegenden Offenbarung zu erreichen.
-
(Y
l, z
l) bezeichnet den verarbeiteten Originaldatensatz vom Dimensionalitätsreduktionsmodul und wird dann durch das Zeitskalierungsmodul verarbeitet, zur Umwandlung in den Trainingsdatensatz (L*
l,z
l), wobei L*
l = (L*
l1,... , L*,
lk), L*
lj = {L*
lj1, ... , L*
ljq
1 ) und L*
ljw= (L*
ljw1,... , L*
ljwq
s ). Der Trainingsdatensatz ist in Tabelle 7 angegeben. Es ist anzumerken, dass die letzte Zeile in Tabelle 7 eine Zeile ist, welche nicht skaliert zu werden braucht und in der die ursprünglichen Daten erhalten bleiben; um jedoch den Zusammenhang zwischen dem Trainingsdatensatz und der Support Vector Machine klar aufzuzeigen, wird die letzte Zeile in Tabelle 7 trotzdem mit L*
ljwr bezeichnet. Falls die p Merkmale, die durch das Dimensionalitätsreduktionsmodul verarbeitet werden, in ein neues Merkmal umgewandelt werden, wird j von jedem der Symbole in Tabelle 7 auf 1 gesetzt.
Tabelle 7
akkumulierter Datenpunkt | L*ljW | zl |
0 - T11 | L*1j11 | L*1j12 | L*1j13 | L*1j14 | L*1j15 | L*1j16 | z11 |
0 - T12 | L*1j21 | L*1j22 | L*1j23 | L*1j24 | L*1j25 | L*1j26 | z12 |
0 - T13 | L*1j31 | L*1j32 | L*1j33 | L*1j34 | L*1j35 | L*1j36 | z13 |
0 - T14 | L*1j41 | L*1j42 | L*1j43 | L*1j44 | L*1j45 | L*1j46 | z14 |
0 - T15 | L*1j51 | L*1j52 | L*1j53 | L*1j54 | L*1j55 | L*1j56 | z15 |
0 - T21 | L*2j11 | L*2j12 | L*2j13 | L*2j14 | L*2j15 | L*2j16 | z21 |
0 - T22 | L*2i21 | L*2j22 | L*2j23 | L*2j24 | L*2j25 | L*2j26 | z22 |
0 - T23 | L*2j31 | L*2j32 | L*2j33 | L*2j34 | L*2j35 | L*2j36 | z23 |
0 - T24 | L*2j41 | L* 2j42 | L*2j43 | L*2j44 | L*2j45 | L*2j46 | z24 |
0 - T25 | L*2j51 | L*2j52 | L*2j53 | L*2j54 | L*2j55 | L*2j56 | z25 |
0 - T26 | L*2j61 | L*2j62 | L*2j63 | L*2j64 | L*2j65 | L*2j66 | z26 |
-
Der Trainingsdatensatz kann der Support Vector Machine zur Verfügung gestellt werden, so dass eine Hyperebene gefunden werden kann. Die Gleichungen (6) bis (9) können in der Support Vector Machine verwendet werden. Die Hyperebene realisiert die beste Trennung des Trainingsdatensatzes durch die Minimierung der Gleichung (6) unter der Nebenbedingung von Gleichung (7). Außerdem werden die Lagrange-Multiplikatoren für das duale Problem gelöst, welches als Gleichung (8) unter den Nebenbedingungen a
i>0 und
ausgedrückt ist.
-
Hierbei bezeichnet C eine Kostenvariable und ist größer als null. W bezeichnet Eingabeparameter. ξl bezeichnet eine Schlupfvariable. b bezeichnet einen Intercept-Term. αd und αe sind Lagrange-Multiplikatoren. Φ ist eine radiale Bias-Funktion, welche die Support Vector Machine erweitert, um den nichtlinearen trennbaren Trainingsdatensatz zu handhaben. L*l, L*d und L*e bezeichnen die skalierte Folge L*ljwr, und um der klaren Darstellung willen ist nur eine Variable angegeben. d und e sind Variablen.
-
Die Support Vector Machine kann die Hyperebene finden, zur Unterstützung beim Liefern von Fahrentscheidungen nach dem Trainieren durch den Trainingsdatensatz.
-
Im Datensatz-Verarbeitungsprozess 120 werden, während das Fahrzeug die Kreuzung passiert, die p Merkmale von der Umgebungserfassungseinheit gewonnen. Die Umgebungserfassungseinheit kann Erfassungsvorrichtungen aufweisen, wie etwa Radare, Kameras und GPS-Vorrichtungen, zum Erfassen der p Merkmale, darunter Entfernungen, Geschwindigkeiten usw. Die Arten und Anzahlen der Erfassungsvorrichtungen sind nicht hierauf beschränkt. Die p Merkmale jedes Datenpunktes werden von dem Dimensionalitätsreduktionsmodul und dem Zeitskalierungsmodul verarbeitet. Anschließend, im Entscheidungsschritt 130, kann der verarbeitete Datensatz in die Support Vector Machine eingegeben werden. Da die Support Vector Machine im Voraus durch den Trainingsdatensatz trainiert wurde und bereits die Hyperebene gefunden hat, können die p Merkmale des Echtzeit-Datenpunktes verarbeitet und in die Support Vector Machine eingegeben werden, um das klassifizierte Ergebnis für die Fahrentscheidungen auszugeben, d. h. Beschleunigung, Verlangsamung und Beibehaltung einer konstanten Geschwindigkeit.
-
Es wird auf 2, 3 und 4 Bezug genommen. 2 zeigt eine Situationsbedingung einer ersten Simulation gemäß der intelligenten Fahrweise 100 zum Passieren von Kreuzungen, die auf der Support Vector Machine von 1 basiert. 3 zeigt eine Situationsbedingung einer zweiten Simulation gemäß der intelligenten Fahrweise 100 zum Passieren von Kreuzungen, die auf der Support Vector Machine von 1 basiert. 4 zeigt eine Situationsbedingung einer dritten Simulation gemäß der intelligenten Fahrweise 100 zum Passieren von Kreuzungen, die auf der Support Vector Machine von 1 basiert. Ein Fahrzeug V1 passiert eine T-Kreuzung und befindet sich bei der ersten Simulation, der zweiten Simulation und der dritten Simulation jeweils auf der vertikalen Linie. Bei der ersten Simulation befindet sich kein anderes Fahrzeug auf der horizontalen Linie R1. Bei der zweiten Simulation nähert sich ein sich näherndes Fahrzeug V2 auf der horizontalen Linie R1 von einer linken Seite. Bei der dritten Simulation nähert sich das sich nähernde Fahrzeug V2 auf der horizontalen Linie R1 von einer rechten Seite.
-
Das Fahrzeug V1 hat eine Geschwindigkeit von 40 km/h, und das sich nähernde Fahrzeug V2 hat eine Geschwindigkeit im Bereich von 15 km/h bis 40 km/h. Die p Merkmale beinhalten eine relative horizontale Geschwindigkeit zwischen dem Fahrzeug V1 und dem sich nähernden Fahrzeug V2, eine relative horizontale Beschleunigung zwischen dem Fahrzeug V1 und dem sich nähernden Fahrzeug V2, eine relative vertikale Geschwindigkeit zwischen dem Fahrzeug V1 und dem sich nähernden Fahrzeug V2, eine relative vertikale Beschleunigung zwischen dem Fahrzeug V1 und dem sich nähernden Fahrzeug V2, eine Entfernung zwischen dem Fahrzeug V1 und dem sich nähernden Fahrzeug V2, eine Entfernung zwischen dem Fahrzeug V1 und der T-Kreuzung und eine Geschwindigkeit des sich nähernden Fahrzeugs V2. Die Originaldaten bei der ersten Simulation, der zweiten Simulation und der dritten Simulation umfassen jeweils 20 Trainingsstichproben. Die Entscheidung beinhaltet Beschleunigung, Verlangsamung und Beibehaltung einer konstanten Geschwindigkeit. Die Originaldatensätze der ersten Simulation, der zweiten Simulation und der dritten Simulation werden jeweils von dem Dimensionalitätsreduktionsmodul und dem Zeitskalierungsmodul verarbeitet. Die vorhergesagten Zeiten des Zeitskalierungsmoduls bei der ersten Simulation, der zweiten Simulation und der dritten Simulation sind auf 16,9 Sekunden, 28,8 Sekunden bzw. 21,7 Sekunden eingestellt.
-
Es wird auf 5, 6 und 7 Bezug genommen. 5 zeigt eine erste kumulative Rate der ersten Simulation von 2. 6 zeigt eine erste kumulative Rate der zweiten Simulation von 3. 7 zeigt eine erste kumulative Rate der dritten Simulation von 4. Bei der ersten Simulation, der zweiten Simulation und der dritten Simulation wird jeweils im Dimensionalitätsreduktionsmodul eine Hauptkomponentenanalyse durchgeführt, und nur ein neues Merkmal wird zurückbehalten, das heißt, nur die erste Hauptkomponente wird zurückbehalten. Die erste kumulative Rate ist der Anteil der Varianz, der durch die erste Hauptkomponente berücksichtigt wird. Da die Mittelwerte der ersten kumulativen Raten der ersten Simulation, der zweiten Simulation und der dritten Simulation 0,9619, 0,7588 bzw. 0,8014 sind, welche höher als 0,7 sind, können die vom Dimensionalitätsreduktionsmodul verarbeiteten Originaldaten erklärt werden und haben die Anforderung erfüllt.
-
Ein Vergleich der Genauigkeit (Accuracy, AC) zwischen der ersten Simulation und einem ersten Vergleichsbeispiel unter derselben Situationsbedingung wie bei der ersten Simulation (kein anderes Fahrzeug auf der horizontalen Linie
R1) ist in Tabelle 8 dargestellt. Das erste Vergleichsbeispiel verwendet ebenfalls die Support Vector Machine, der Unterschied ist jedoch, dass die Support Vector Machine des ersten Vergleichsbeispiels nur durch den Originaldatensatz trainiert ist. Aus dem Ergebnis des Vergleichs ist klar ersichtlich, dass die Genauigkeit der ersten Simulation höher als die Genauigkeit des ersten Vergleichsbeispiels ist.
-
Ein Genauigkeitsvergleich zwischen der zweiten Simulation und einem zweiten Vergleichsbeispiel unter derselben Situationsbedingung wie bei der zweiten Simulation (das sich nähernde Fahrzeug auf der horizontalen Linie
R1 nähert sich von der linken Seite) ist in Tabelle 9 dargestellt. Das zweite Vergleichsbeispiel verwendet ebenfalls die Support Vector Machine, der Unterschied ist jedoch, dass die Support Vector Machine des zweiten Vergleichsbeispiels nur durch den Originaldatensatz trainiert ist. Aus dem Ergebnis des Vergleichs ist klar ersichtlich, dass die Genauigkeit der zweiten Simulation höher als die Genauigkeit des zweiten Vergleichsbeispiels ist.
-
Ein Genauigkeitsvergleich zwischen der dritten Simulation und einem dritten Vergleichsbeispiel unter derselben Situationsbedingung wie bei der dritten Simulation (das sich nähernde Fahrzeug auf der horizontalen Linie
R1 nähert sich von der rechten Seite) ist in Tabelle 10 dargestellt. Das dritte Vergleichsbeispiel verwendet ebenfalls die Support Vector Machine, der Unterschied ist jedoch, dass die Support Vector Machine des dritten Vergleichsbeispiels nur durch den Originaldatensatz trainiert ist. Aus dem Ergebnis des Vergleichs ist klar ersichtlich, dass die Genauigkeit der dritten Simulation höher als die Genauigkeit des dritten Vergleichsbeispiels ist.
-
Es ist anzumerken, dass alle Tests durch PreScan simuliert werden, der Test in anderen Beispielen jedoch auch auf einer realen Straße durchgeführt werden kann.
-
In einem Support-Vector-Machine-Bereitstellungsschritt einer zweiten Ausführungsform der vorliegenden Offenbarung liefert das Zeitskalierungsmodul eine vorhergesagte Zeit. Die neuen Merkmale eines der Datenpunkte und andere neue Merkmale anderer Datenpunkte, die dem einen der Datenpunkte vorangehen, werden als zu skalierende Folge angesehen. Wenn eine Länge der zu skalierenden Folge kleiner als eine Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit ist, wird ein Schätzwert in die zu skalierende Folge eingefügt, um eine neue zu skalierende Folge zu bilden. Die neue zu skalierende Folge wird durch das Zeitskalierungsmodul umgewandelt, um eine skalierte Folge zu bilden, und eine Länge der skalierten Folge ist gleich der Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit.
-
Genauer, für den Fall, dass der Originaldatensatz die Daten von Tabelle 1 und Tabelle 2 enthält und die vorhergesagte Zeit auf 2,4 gesetzt ist, ist die zu skalierende Folge in Tabelle 5 angegeben. Da die Länge der dem akkumulierten Datenpunkt 0-T
11 entsprechenden zu skalierenden Folge, welche gleich 1 ist, kleiner als die Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit ist, welche gleich 6 ist, und die Merkmale des nächsten Datenpunktes T
12 nicht an den akkumulierten Datenpunkten 0-T
11 erhalten werden, wird ein Schätzwert y'
1j2 hinzugefügt, der dem Datenpunkt T
12 entsprechen soll. In ähnlicher Weise müssen, da, wie in Tabelle 5 angegeben, alle Längen der zu skalierenden Folgen kleiner als 6 sind, Schätzwerte in jede der zu skalierenden Folgen eingefügt werden. Die neuen zu skalierenden Folgen sind in Tabelle 11 angegeben, und y'
ljw bezeichnet den Schätzwert. Es ist anzumerken, dass die zwei Zeilen in Tabelle 11, die den akkumulierten Datenpunkten 0-T
15 bzw. den akkumulierten Datenpunkten 0-T
25 entsprechen, Zeilen sind, welche nach dem Hinzufügen des Schätzwertes eine Länge von 6 haben und nicht skaliert zu werden brauchen; um jedoch den Unterschied zwischen der zu skalierenden Folge und der neuen zu skalierenden Folge zu verdeutlichen, sind die zwei Zeilen trotzdem in Tabelle 11 aufgelistet.
Tabelle 11
akkumulierter Datenpunkt | Lljw |
0-T11 | y1j1 | y'1j2 | | | | |
0-T12 | y1j1 | y1j2 | y'1j3 | | | |
0-T13 | y1j1 | y1j2 | y1j3 | y'1j4 | | |
0-T14 | y1j1 | y1j2 | y1j3 | y1j4 | y'1j5 | |
0-T15 | y1j1 | y1j2 | y1j3 | y1j4 | y1j5 | y'1j6 |
0-T21 | y2j1 | y'2j2 | | | | |
0-T22 | y2j1 | y2j2 | y'2j3 | | | |
0-T23 | y2j1 | y2j2 | y2j3 | y'2j4 | | |
0-T24 | y2j1 | y2j2 | y2j3 | y2j4 | y'2j5 | |
0-T25 | y2j1 | y2j2 | y2j3 | y2j4 | y2j5 | y'2j6 |
-
Bei der zweiten Ausführungsform kann eine bedingte Verteilung des Schätzwertes unter Verwendung einer gemeinsamen Verteilung der zu skalierenden Folgen und einer Randverteilung des neuen Merkmals y
ljw erhalten werden, so dass der Schätzwert erhalten werden kann. Das neue Merkmal y
ljw ist an die Randverteilung (oder den Gaußschen Zufallsprozess) angepasst, das heißt y
ljw∼GP(µ
jw, ∑
jw), und (µ
jw, ∑
jw) kann durch Gleichung (10) und Gleichung (11) geschätzt werden. Außerdem kann die gemeinsame Verteilung der neuen Merkmale y
ljw, die dem Schätzwert vorangehen, aus Gleichung (12) erhalten werden, wobei w größer als 2 ist. In Gleichung (15) bezeichnet c die c-te Trainingsstichprobe, und m bezeichnet die m-te Trainingsstichprobe.
-
Weiterhin kann (µ
j[1:(t-1)], ∑
j[1:(t-1)]) durch Gleichung (13), Gleichung (14) und Gleichung (15) geschätzt werden.
-
Schließlich kann die bedingte Verteilung der Schätzung des nächsten Zeitpunktes basierend auf den vorhergehenden Zeitpunkten erhalten werden, das heißt die Schätzung des Datenpunktes T
12 basierend auf den akkumulierten Datenpunkten 0-T
11. Die bedingten Verteilungen sind als Gleichung (16) und Gleichung (17) angegeben.
-
kann durch (µ̂
j[1:(t-1)], ∑̂
j[1:(t-1)]) geschätzt werden. Nachdem die bedingte Verteilung erhalten wurde, kann der Schätzwert basierend auf der bedingten Verteilung geschätzt werden (der Schätzwert kann basierend auf der Monte-Carlo-Methode bestimmt werden).
-
∑y
ljwy
lj[1:w-1] bezeichnet eine Kovarianzmatrix von yljw, ylj[1:w-1]. GP(‚,'‘) bezeichnet einen Gaußschen Zufallsprozess. µ bezeichnet einen Mittelwertvektor des Gaußschen Zufallsprozesses. Σ bezeichnet eine Varianz-Kovarianz-Matrix des Gaußschen Zufallsprozesses. σ̂fg bezeichnet eine Schätzfunktion eines Elements des Gaußschen Zufallsprozesses.
-
Die Genauigkeit der modifizierten ersten Simulation, bei der die Schätzwerte im Support-Vector-Machine-Bereitstellungsschritt enthalten sind, ist in Tabelle 12 angegeben. Die Genauigkeit der modifizierten zweiten Simulation, bei der die Schätzwerte im Support-Vector-Machine-Bereitstellungsschritt enthalten sind, ist in Tabelle 13 angegeben. Die Genauigkeit der modifizierten dritten Simulation, bei der die Schätzwerte im Support-Vector-Machine-Bereitstellungsschritt enthalten sind, ist in Tabelle 14 angegeben. Aus den Ergebnissen von Tabelle 12, Tabelle 13 und Tabelle 14 ist ersichtlich, dass die Genauigkeit erhöht wird, wenn die Schätzwerte in den Support-Vector-Machine-Bereitstellungsschritt einbezogen werden.
-
8 ist ein Blockschaltbild eines intelligenten Fahrsystems 200 zum Passieren von Kreuzungen, das auf einer Support Vector Machine basiert, gemäß einer dritten Ausführungsform der vorliegenden Offenbarung. Das intelligente Fahrsystem 200 findet in einem Fahrzeug Anwendung und weist eine Verarbeitungseinheit 210 und eine Umgebungserfassungseinheit 220 auf. Die Verarbeitungseinheit 210 ist am Fahrzeug angeordnet und weist ein Dimensionalitätsreduktionsmodul 211, ein Zeitskalierungsmodul 212 und die Support Vector Machine 213 auf. Das Dimensionalitätsreduktionsmodul 211 ist zum Integrieren von p Merkmalen jedes von mehreren Datenpunkten in k neue Merkmale bestimmt, wobei p und k ganze Zahlen sind und p > k ist. Eine vorhergesagte Zeit wird von dem Zeitskalierungsmodul 212 geliefert. Die neuen Merkmale eines der Datenpunkte und andere neue Merkmale anderer Datenpunkte, die dem einen der Datenpunkte vorangehen, werden als zu skalierende Folge angesehen. Die zu skalierende Folge wird durch das Zeitskalierungsmodul 212 umgewandelt, um eine skalierte Folge zu bilden, und eine Länge der skalierten Folge ist gleich einer Anzahl der Datenpunkte innerhalb der vorhergesagten Zeit. Die Support Vector Machine 213 wird durch einen Trainingsprozess trainiert, und der Trainingsdatensatz wird durch Verarbeitung eines Originaldatensatzes durch das Dimensionalitätsreduktionsmodul 211 und das Zeitskalierungsmodul 212 gebildet. Der Originaldatensatz enthält mehrere Trainingsstichproben. Jede der Trainingsstichproben beinhaltet eine Durchfahrtszeit für das Passieren einer Kreuzung und die p Merkmale und eine Entscheidung jedes der mehreren Datenpunkte innerhalb der Durchfahrtszeit.
-
Die Umgebungserfassungseinheit 220 ist am Fahrzeug angeordnet und ist mit der Verarbeitungseinheit 210 signaltechnisch verbunden. Die p Merkmale, die von der Umgebungserfassungseinheit 220 gewonnen werden, werden von dem Dimensionalitätsreduktionsmodul 211 und dem Zeitskalierungsmodul 212 verarbeitet und werden danach der Support Vector Machine 213 zur Klassifikation zur Verfügung gestellt, und dem Fahrzeug wird eine Fahrentscheidung zur Verfügung gestellt, basierend auf einem klassifizierten Ergebnis der Support Vector Machine 213.
-
Daher kann das intelligente Fahrsystem 200 den Fahrer unterstützen, indem es die Fahrentscheidungen liefert, wie Beschleunigung, Verlangsamung und Beibehaltung einer konstanten Geschwindigkeit. Die Beziehungen zwischen dem Dimensionalitätsreduktionsmodul 211, dem Zeitskalierungsmodul 212 und der Support Vector Machine 213 entsprechen der obigen Beschreibung und werden nicht nochmals erwähnt. Die Umgebungserfassungseinheit 220 kann ein Radar, eine Kamera und/oder eine GPS-Vorrichtung aufweisen.
-
Die Umgebungserfassungseinheit kann Erfassungsvorrichtungen aufweisen, wie etwa Radare, Kameras und GPS-Vorrichtungen, zum Erfassen der p Merkmale, darunter Entfernungen, Geschwindigkeiten usw. Die Arten und Anzahlen der Erfassungsvorrichtungen sind nicht hierauf beschränkt.