DE112022000019T5 - Komplexes umgebungsmodell, kognitives system und kognitives verfahren eines selbstfahrenden fahrzeugs basierend auf einem komplexen netzwerk - Google Patents

Abstract

Die Erfindung offenbart ein komplexes Umgebungsmodell, ein kognitives System und ein kognitives Verfahren eines selbstfahrenden Fahrzeugs basierend auf einem komplexen Netzwerks. Auf der Grundlage der Wahrnehmung der äußeren Umgebung des selbstfahrenden Fahrzeugs wird zunächst bezüglich des Problems der Komplexität beim Erkennen eines individuellen Fahrverhaltens eine Erkennung eines Fahrstils abhängig von Fahrkenngrößen, die einen Aggressivitätsgrad der Fahrsteuerung und eine Präferenz für Moduswechsel repräsentieren, durchgeführt. Zweitens wird im Fall, dass die sich bewegenden Körper als Knoten angesehen sind und die Straßen als Beschränkungen angesehen sind, abhängig von Merkmalen des Gruppenverhaltens der sich bewegenden Körper in der Umgebung auf der Grundlage der Erkennung des Fahrstils und basierend auf dem komplexen Netzwerk ein zeitvariables komplexes dynamisches Netzwerk als komplexes Umgebungsmodell für selbstfahrende Fahrzeuge erstellt. Schließlich werden die Knoten in dem komplexen Umgebungsmodell parametrisiert, um eine differenzielle Kognition der Knoten in der komplexen Umgebung zu realisieren, wobei ein Agglomerativer Clustering-Algorithmus verwendet wird, um die Knoten im komplexen Umgebungsmodell hierarchisch zu unterteilen, wobei eine hierarchische Kognition der komplexen Umgebung erreicht wird, wobei ein Verfahren zum Messen eines Unordnungsgrads des komplexen Umgebungsmodells erstellt wird, wobei eine Kognition der gesamten globalen Risikolage in der komplexen Umgebung realisiert wird.

Description

• TECHNISCHES GEBIET
• Die vorliegende Erfindung betrifft das technische Gebiet der Anwendung von selbstfahrenden Fahrzeugen, und insbesondere auf ein komplexes Umgebungsmodell, ein kognitives System sowie ein kognitives Verfahren eines selbstfahrenden Fahrzeugs basierend auf einem komplexen Netzwerk.
• STAND DER TECHNIK
• Ein komplexes Netzwerk ist ein Netzwerk mit einem hohen Grad an Komplexität und stellt eine Abstraktion eines komplexen Systems dar. Es weist im Allgemeinen einige oder alle Eigenschaften von Selbstorganisation, Selbstähnlichkeit, Attraktor, kleiner Welt und Skalenfreiheit auf. Die Eigenschaft des komplexen Netzwerks ist Komplexität, die sich in einem großen Maßstab des Netzwerks, einer komplexen Verbindungsstruktur, einer Knotenkomplexität (wie z. B. Knotendynamik-Komplexität und Knotendiversität), einem komplexen räumlich-zeitlichen Entwicklungsprozess des Netzwerks, einer spärlichen Anzahl von Netzwerkverbindungen und einer Verschmelzung mehrerer Arte von Komplexitäten verkörpert. Forschungsverfahren für die Komplexität des komplexen Netzwerks (wie z. B. Forschungsverfahren für die Knotenkomplexität, Verbindungsstrukturkomplexität und die Komplexität des räumlich-zeitlichen Entwicklungsprozesses des Netzwerks) sind zu einem wichtigen Werkzeug für die Modellierung und Erforschung komplexer Systeme geworden.
• Ein selbstfahrendes Fahrzeug ist ein umfassendes System, in dem Funktionen wie Umgebungswahrnehmung, Planungsentscheidungen und Steuerungsausführung integriert sind. Aufgrund der rasanten Entwicklung von Sensortechnologien wie Lidar, Millimeterwellenradar und Kameras erfuhren Verfahren der Umgebungswahrnehmung eine eingehende Untersuchung und erzielen große Fortschritte. Gegenwärtig sind die Herstellung einer Korrelation zwischen zugrundeliegenden Wahrnehmungsinformationen (wie einem Typ, einer Position und einer Bewegung eines Individuums in der Umgebung) und einer Kognition eines individuellen Verhaltensstils, einer hierarchischen lokalen Umgebung oder einer globalen Umgebung sowie die Unterstützung der Entwicklung von der Umgebungswahrnehmung zur individuellen Kognition, von der lokalen Kognition zur globalen Kognition umfassender Verkehrssituationen zu wichtigen Voraussetzungen für die Gewährleistung der Sicherheit der autonomen Entscheidungsfindung und Bewegungsplanung von selbstfahrenden Fahrzeugen geworden. Die Umgebung, mit der ein selbstfahrendes Fahrzeug konfrontiert sind, stellt jedoch ein komplexes System dar. In diesem komplexen System ist das Bewegungsverhalten eines Individuums nicht nur vom Individuum selbst abhängig, sondern wird auch durch das Bewegungsverhalten anderer Objekte in der Umgebung und die Fahrumgebung beeinflusst. Daher ist das Bewegungsverhalten eines Individuums weist eine komplexe mehrdimensionale Kopplung und dynamische Unsicherheit auf. Daher ist das Erstellen eines komplexen Umgebungsmodells, eines kognitiven Verfahren sowie einer kognitiven Vorrichtung für selbstfahrende Fahrzeuge basierend auf komplexen Netzwerke zur Aufdeckung des nichtlinearen dynamischen Evolutionsgesetzes der Umgebung, mit der ein selbstfahrendes Fahrzeug konfrontiert ist, zu einem wichtigen Teil der Lösung der kognitiven Probleme von Umgebungen für hochgradiges Selbstfahren geworden.
• OFFENBARUNG DER ERFINDUNG
• Um die oben genannten technische Probleme zu lösen, stellt die vorliegende Erfindung ein komplexes Umgebungsmodell, ein kognitives System und ein kognitives Verfahren eines selbstfahrenden Fahrzeugs basierend auf einem komplexen Netzwerks bereit. Auf der Grundlage der Wahrnehmung der äußeren Umgebung des selbstfahrenden Fahrzeugs wird zunächst bezüglich des Problems der Komplexität beim Erkennen eines individuellen Fahrverhaltens eine Erkennung eines Fahrstils abhängig von Fahrkenngrößen, die einen Aggressivitätsgrad der Fahrsteuerung und eine Präferenz für Moduswechsel repräsentieren, durchgeführt. Zweitens wird im Fall, dass die sich bewegenden Körper als Knoten angesehen sind und die Straßen als Beschränkungen angesehen sind, abhängig von Merkmalen des Gruppenverhaltens der sich bewegenden Körper in der Umgebung auf der Grundlage der Erkennung des Fahrstils und basierend auf dem komplexen Netzwerk ein zeitvariables komplexes dynamisches Netzwerk als komplexes Umgebungsmodell für selbstfahrende Fahrzeuge erstellt. Schließlich werden die Knoten in dem komplexen Umgebungsmodell parametrisiert, um eine differenzielle Kognition der Knoten in der komplexen Umgebung zu realisieren, wobei ein Agglomerativer Clustering-Algorithmus verwendet wird, um die Knoten im komplexen Umgebungsmodell hierarchisch zu unterteilen, wobei eine hierarchische Kognition der komplexen Umgebung erreicht wird, wobei ein Verfahren zum Messen eines Unordnungsgrads des komplexen Umgebungsmodells erstellt wird, wobei eine Kognition der gesamten globalen Risikolage in der komplexen Umgebung realisiert wird.
• Das erfindungsgemäße kognitive System eines selbstfahrenden Fahrzeugs, das auf einem komplexen Netzwerk basiert, weist ein Erkennungsmodul von Fahrstilen, ein komplexes Umgebungsmodellmodul, ein kognitives Modul zur Knotendifferenzierung, ein hierarchisches kognitives Modul und ein kognitives Modul von globalen Risikolagen auf.
• Das Erkennungsmodul von Fahrstilen erstellt basierend auf einem Extrahierens von Fahrkenngrößen eine Fahrstil-Merkmalsmatrix C_j, wobei die Fahrstil-Merkmalsmatrix C_j in einen Random-Forest-Klassifikator R_f eingegeben wird und durch den Random-Forest-Klassifikator R_f eine Fahrstilkategorie K_drive ausgegeben wird.
• Die Fahrkenngrößen weisen eine longitudinale Fahrkenngröße, eine transversale Fahrkenngröße und eine Moduswechsel-Kenngröße auf. wobei sich die longitudinale Fahrkenngröße auf eine Längsbeschleunigung a₊ und einen Zeitabstand d_time eines nachfolgenden Fahrzeugs innerhalb eines begrenzten Zeitfensters bezieht, wobei sich die transversale Fahrkenngröße auf einen quadratischen Mittelwert RMS(a_) einer Querbeschleunigung und eine Standardabweichung SD (r) einer Giergeschwindigkeit innerhalb des begrenzten Zeitfensters bezieht, wobei sich der Moduswechsel-Kenngröße auf eine Übergangswahrscheinlichkeit P(l_c) in einen Zustand eines Spurwechsels nach links und eine Übergangswahrscheinlichkeit P(r_c) in einen Zustand eines Spurwechsels nach rechts bezieht.
• Die Fahrstil-Merkmalsmatrix C_j bezieht sich auf eine dreidimensionale Merkmalsmatrix mit sechs Freiheitsgraden, die aus der longitudinalen Fahrkenngröße, der transversalen Fahrkenngröße und der Moduswechsel-Kenngröße besteht: $$C_J=\left[\begin{array}{l}{a}_{+},d_{time}\hfill \\ RMS\left(a\dots \right),SD\left(r\right)\hfill \\ P\left(l_c\right),P\left(r_c\right)\hfill \end{array}\right]$$

  
• Der Random-Forest-Klassifikator R_f wird durch folgende Schritte erzeugt: Durchführen einer Stichprobe mit Ersatz an einem ursprünglichen Trainingssatz, der aus Fahrstildaten besteht, Erzeugen von m Trainingssätzen, Auswählen von n Merkmalen für jeden Trainingssatz, Trainieren von jeweils m Entscheidungsbaum-Klassifikationsmodellen, Auswählen des besten Stichprobenmerkmals für jedes Entscheidungsbaum-Klassifikationsmodell abhängig von einem Informationsgewinnverhältnis zum Aufteilen, bis alle Trainingsbeispiele derselben Klasse angehören, und Kombinieren aller erzeugten Entscheidungsbaum-Klassifizierungsmodelle zu einem Zufallswald, wobei die Fahrstilkategorie K_drive durch ein Abstimmungsverfahren ausgegeben wird.
• Vorgesehen sind drei Fahrstilkategorien K_drive, nämlich aggressive, friedliche, konservative Fahrstilkategorie: $$K_{drive}=R_{ƒ}\left(C_J\right)$$

  
• Das komplexe Umgebungsmodellmodul zielt darauf ab, ein zufälliges, dynamisches und nichtlineares Evolutionsgesetz der komplexen Umgebung des selbstfahrenden Fahrzeugs zu beschreiben. Basierend auf der komplexen Netzwerktheorie und unter Verwendung des sich bewegenden Körpers als Knoten wird ein zeitvariables komplexes dynamisches Netzwerk G als ein komplexes Umgebungsmodell erstellt. $$G=\left(V,B,X,P,\Theta \right)$$

  
• Dabei steht G für das zeitvariable komplexe dynamische Netzwerk, wobei V für einen Knotensatz im zeitvariablen komplexen dynamischen Netzwerk G steht, wobei B für einen Kantensatz im zeitvariablen komplexen dynamischen Netzwerk G steht und eine Verbindungslinie zwischen Knoten darstellt, wobei X für einen Zustandsvektor eines Knotens im zeitvariablen komplexen dynamischen Netzwerk G steht, wobei P für eine Stärkefunktion einer Kante im zeitvariablen komplexen dynamischen Netzwerk G steht und eine Kopplungsbeziehung zwischen Knoten darstellt, wobei Θ für eine Regionsfunktion des zeitvariablen komplexen dynamischen Netzwerks G steht und eine dynamische Beschränkung des zeitvariablen komplexen dynamischen Netzwerks G darstellt.
• Das zeitvariable komplexe dynamische Netzwerk G wird mit einem zeitkontinuierlichen dynamischen System mit N Knoten gleichgesetzt, wobei beim Setzen einer Zustandsvariablen eines i-ten Knotens auf x_i eine dynamische Gleichung des i-ten Knotens lautet: $${\dot{x}}_i=ƒ\left(x_i\right)+\xi {\displaystyle {\sum }_{j=1}^N{p}_{ij}\left(t\right)}H\left(x_j\right),\left(i=\mathrm{1,2,}\cdots ,N\right)$$

  
• Dabei steht f(x_i) für eine unabhängige Variablenfunktion einer Zustandsvariablen eines i-ten Knotens, wobei ξ > 0 für einen Stärkekoeffizienten einer gemeinsamen Verbindung steht, wobei p_ij (t) für einen Kopplungskoeffizienten zwischen einem i-ten Knoten und einem j-ten Knoten steht, wobei H(x_j) für eine Inline-Funktion zwischen Knoten steht und eine Funktion zwischen Fahrstil und Knotenabstand darstellt;
  wobei mit X = [x₁, x₂, ... , x_N]^T, F(X) = [ƒ(x₁), ƒ(x₂), ... , ƒ(x_N)]^T, P(t) = [(p_ij(t))] ∈ R^N×N und H(X) = [H(x₁), H(x₂), ..., H(x_N)]^T eine dynamische Gleichung eines Knotensystems des zeitvariablen komplexen dynamischen Netzwerks G lautet: $$\dot{X}=F\left(X\right)+\xi P\left(t\right)H\left(X\right)$$

  

  wobei X für einen Zustandsvektor eines Knotens im zeitvariablen komplexen dynamischen Netzwerk G steht, wobei F(X) für einen dynamischen Gleichungsvektor eines Knotens im zeitvariablen komplexen dynamischen Netzwerk G steht, wobei P(t) für eine Kopplungsmatrix zwischen Knoten in dem zeitvariablen komplexen dynamischen Netzwerk G steht, wobei H (X) für einen Inline-Vektor eines Knotens im zeitvariablen komplexen dynamischen Netzwerk G steht.
• Im komplexen Umgebungsmodell ändern sich eine Position und ein Zustand des Knotens mit einer Bewegung des Knotens und einer Änderung der Umgebung dynamisch, wobei Knoten in und aus dem zeitvariablen komplexen dynamischen Netzwerk fließen, wobei sich die Kopplungsbeziehung zwischen Knoten und die Regionsfunktion des zeitvariablen komplexen dynamischen Netzwerks entsprechend ändern, wobei sich das komplexe Netzwerksystem im Laufe der Zeit kontinuierlich entwickelt.
• Das kognitive Modul zur Knotendifferenzierung drückt mit vier Parametern der Knoten im komplexen Umgebungsmodell, und zwar einer Menge g_i, einem Grad k_i, einem Knotengewicht s_i und einer Wichtigkeit I(i), Unterschiede zwischen Knoten im Netzwerk aus und führt mit einem Normalverteilungsgraphen eine Differenzierungsanalyse an allen Knoten durch.
• Die Menge g_i von Knoten ist durch eine Strukturgröße des i-ten Knotens repräsentiert.
• Der Grad k_i von Knoten ist durch eine Anzahl der Knoten repräsentiert, die direkt mit dem i-ten Knoten verbunden sind.
• Das Knotengewicht s_i von Knoten stellt eine Kantengewichtssumme aller benachbarten Kanten des i-ten Knotens dar.
• Die Wichtigkeit I(i) von Knoten wird durch folgende Gleichung dargestellt: $$I\left(i\right)=K\left(i\right)+{\Sigma }_i{p}_{ij}\left(t\right)$$

  

  wobei in der Gleichung (6) p_ij (t) für einen Kopplungskoeffizienten zwischen Knoten steht, und wobei K(i) für einen Gradzentralitätsfaktor des i-ten Knotens steht und durch folgende Gleichung dargestellt wird: $$K\left(i\right)=\frac{k_i{w}_{ij}}{\left(k\right)\overline{U}}$$

  

  wobei in der Gleichung (7) (k) = Σk_i /N für einen durchschnittlichen Grad der Module und U = Σ(s_i/k_i)/N für ein durchschnittliches Einheitsgewicht der Module steht.
• Das hierarchische kognitive Modul unterteilt mit einem Agglomerativen Clustering-Algorithmus die Knoten in dem komplexen Umgebungsmodell hierarchisch, um eine hierarchische und abgestufte Kognition der komplexen Umgebung des selbstfahrenden Fahrzeugs zu erreichen, wobei das hierarchische kognitive Modul folgende Schritte durchführt:
• Schritt 1: unter Verwendung des selbstfahrenden Fahrzeugs als zentraler Knoten bilden die Knoten, die mit dem zentralen Knoten gekoppelt sind, und der zentralen Knoten ein inneres Schichtmodul;
• Schritt 2: die Knoten des inneren Schichtmoduls anders als der zentralen Knoten sind nach Wichtigkeit sortiert, um Knoten mit größtem Kopplungskoeffizienten zu finden, die somit ein mittleres Schichtmodul bilden;
• Schritt 3: Knoten des mittleren Schichtmoduls sind nach Wichtigkeit sortiert, um Knoten mit größtem Kopplungskoeffizienten zu finden, die somit ein äußeres Schichtmodul bilden;
• Schritt 4: die restlichen Knoten bilden ein Edge-Schichtmodul.
• Das kognitive Modul von globalen Risikolagen basiert auf der Grundidee der Entropietheorie, misst mittels einer Systementropie und einer Entropieänderung einen Unordnungsgrad des komplexen Umgebungsmodells, beschreibt das gesamte Risiko und dessen Änderungstrend und realisiert eine Zustandserkenntnis globaler Gemeinsamkeit.
• Dabei ist die Systementropie durch folgende Gleichung berechnet: $$S=V_n/\theta +D\left(P\right)+D\left(U\right)$$

  

  wobei V_n für die Anzahl der Knoten im komplexen Umgebungsmodell, Θ für einen Netzwerkbereich des komplexen Umgebungsmodells, D(P) für eine Varianz des Kopplungskoeffizienten und D(U) für eine Varianz einer Knotengeschwindigkeit im komplexen Umgebungsmodell steht.
• Dabei ist die Entropieänderung durch folgende Gleichung berechnet: $$dS=d\left(\frac{V_n}{\theta }\right)+d\left(D\left(P\right)\right)+d\left(D\left(U\right)\right)$$

  

  wobei d für eine Berechnung eines Differentials der entsprechenden Variablen steht und deren Änderungstrend darstellt.
• Gemäß dem oben genannten kognitiven System eines selbstfahrenden Fahrzeugs basierend auf einem komplexen Netzwerk weist das durch die vorliegende Erfindung vorgeschlagene kognitive Verfahren eines selbstfahrenden Fahrzeugs folgende Schritte auf:
• Schritt 1): eine longitudinale Fahrkenngröße, eine transversale Fahrkenngröße und eine Moduswechsel-Kenngröße werden extrahiert, um eine Fahrstil-Merkmalsmatrix C_j auszubilden, wobei ein Random-Forest-Klassifikator R_f erzeugt wird, wobei die Fahrstil-Merkmalsmatrix C_y in den Random-Forest-Klassifikator R_f eingegeben wird, wobei der Random-Forest-Klassifikator R_f eine Fahrstilkategorie K_drive ausgibt und den Fahrstil als aggressiv, friedlich und konservativ identifiziert;
• Schritt 2): ein zeitvariables komplexes dynamisches Netzwerk G wird als ein komplexes Umgebungsmodell ausgebildet, das verwendet wird, um die Assoziationsmerkmale der komplexen Umgebung zu beschreiben, die gesamte Korrelationscharakteristik zu beschreiben, wobei weiterhin eine dynamische Gleichung des Knotens im komplexen Umgebungsmodell erstellt wird, wonach Merkmale aller Knoten im zeitvariablen komplexen dynamischen Netzwerk Gkombiniert sind, um einen dynamischen Gleichungsvektor F(X), eine Kopplungsmatrix P(t) zwischen Knoten und einen Inline-Vektor H(X) eines Knotens in dem zeitvariablen komplexen dynamischen Netzwerk G zu bilden, wobei eine dynamische Gleichung eines Knotensystems des zeitvariablen komplexen dynamischen Netzwerks G erstellt wird, um dynamische Eigenschaften der komplexen Umgebung zu beschreiben;
• Schritt 3): vier Parameter der Knoten im komplexen Umgebungsmodell, und zwar eine Menge g_i, ein Grad k_i, ein Knotengewicht s_i und eine Wichtigkeit I(i), sind ausgebildet, wobei mit einem Normalverteilungsgraphen eine Differenzierungsanalyse an den Knoten durchgeführt wird, um eine differenzielle Kognition von Knoten zu realisieren;
• Schritt 4): mit einem Agglomerativen Clustering-Algorithmus werden die Knoten in dem komplexen Umgebungsmodell hierarchisch unterteilt, um eine hierarchische und abgestufte Kognition der komplexen Umgebung des selbstfahrenden Fahrzeugs zu erreichen;
• Schritt 5): gemäß der Grundidee der Entropietheorie werden eine Systementropie und eine Entropieänderung verwendet, um einen Unordnungsgrad des komplexen Umgebungsmodells zu messen, das gesamte Risiko und dessen Änderungstrend zu beschreiben und eine Zustandserkenntnis globaler Gemeinsamkeit zu realisieren.
• Bei der vorliegenden Erfindung wird auf der Grundlage der Wahrnehmung der äußeren Umgebung des selbstfahrenden Fahrzeugs zunächst bezüglich des Problems der Komplexität beim Erkennen eines individuellen Fahrverhaltens eine Erkennung eines Fahrstils abhängig von Fahrkenngrößen, die einen Aggressivitätsgrad der Fahrsteuerung und eine Präferenz für Moduswechsel repräsentieren, durchgeführt. Zweitens wird im Fall, dass die sich bewegenden Körper als Knoten angesehen sind und die Straßen als Beschränkungen angesehen sind, abhängig von Merkmalen des Gruppenverhaltens der sich bewegenden Körper in der komplexen Umgebung auf der Grundlage der Erkennung des Fahrstils und basierend auf dem komplexen Netzwerk ein zeitvariables komplexes dynamisches Netzwerk Gals komplexes Umgebungsmodell für selbstfahrende Fahrzeuge erstellt. Schließlich werden die Knoten in dem komplexen Umgebungsmodell parametrisiert, um eine differenzielle Kognition der Knoten in der komplexen Umgebung zu realisieren, wobei ein Agglomerativer Clustering-Algorithmus verwendet wird, um die Knoten im komplexen Umgebungsmodell hierarchisch zu unterteilen, wobei eine hierarchische Kognition der komplexen Umgebung erreicht wird, wobei ein Verfahren zum Messen eines Unordnungsgrads des komplexen Umgebungsmodells erstellt wird, wobei eine Kognition der gesamten globalen Risikolage in der komplexen Umgebung realisiert wird. Dadurch werden ein komplexes Umgebungsmodell, ein kognitives Verfahren und eine kognitive Vorrichtung basierend auf einem komplexen Netzwerk für selbstfahrende Fahrzeuge geschaffen, was eine gute Grundlage für die Auslegung sicherer Fahr- und Steuerungsstrategien für selbstfahrende Fahrzeuge breitstellt.
• Die vorliegende Erfindung haben folgende vorteilhafte Wirkungen:
1. 1. Die vorliegende Erfindung schafft ein Verfahren zum Erkennen von Fahrstilen, bei dem basierend auf einem Extrahierens von Fahrkenngrößen eine Fahrstil-Merkmalsmatrix C_j erstellt wird, wobei die Fahrstil-Merkmalsmatrix C_j in einen Random-Forest-Klassifikator R_f eingegeben wird und durch den Random-Forest-Klassifikator R_f eine Fahrstilkategorie K_driveausgegeben wird, so dass eine Erkennung eines Fahrstils ermöglicht wird;
2. 2. Bei der vorliegenden Erfindung wird basierend auf der komplexen Netzwerktheorie und unter Verwendung der sich bewegenden Körper als Knoten ein zeitvariables komplexes dynamisches Netzwerk G als ein komplexes Umgebungsmodell erstellt, um ein zufälliges, dynamisches und nichtlineares Evolutionsgesetz der komplexen Umgebung des selbstfahrenden Fahrzeugs zu beschreiben, wobei ferner eine dynamische Gleichung eines Knotensystems des zeitvariablen komplexen dynamischen Netzwerks G erstellt wird, um dynamische Eigenschaften der komplexen Umgebung zu beschreiben;
3. 3. Bei der vorliegenden Erfindung sind vier Parameter der Knoten im komplexen Umgebungsmodell, und zwar eine Menge g_i, ein Grad k_i, ein Knotengewicht s_i und eine Wichtigkeit I(i), ausgebildet, wobei mit einem Normalverteilungsgraphen eine Differenzierungsanalyse an den Knoten durchgeführt wird, um eine differenzielle Kognition von Knoten in der komplexen Umgebung des selbstfahrenden Fahrzeugs zu realisieren;
4. 4. Bei der vorliegenden Erfindung werden basierend auf der Kopplungsbeziehung mit dem Agglomerativen Clustering-Algorithmus die Knoten in dem komplexen Umgebungsmodell hierarchisch unterteilt, um eine hierarchische und abgestufte Kognition der komplexen Umgebung des selbstfahrenden Fahrzeugs zu erreichen;
5. 5. Bei der vorliegenden Erfindung ist vorgesehen, dass die Systementropie und die Entropieänderung des komplexen Umgebungsmodells des selbstfahrenden Fahrzeugs verwende sind, um den Unordnungsgrad des komplexen Umgebungsmodells zu messen, das gesamte Risiko und dessen Änderungstrend zu beschreiben und eine Zustandserkenntnis globaler Gemeinsamkeit der komplexen Umgebung des selbstfahrenden Fahrzeugs zu realisieren.
• Figurenliste
• 1 zeigt ein strukturelles Blockdiagramm bzw. ein Betriebsflussdiagramm eines Erkennungsmoduls von Fahrstilen.
• 2 zeigt ein strukturelles Blockdiagramm bzw. ein Betriebsflussdiagramm des komplexen Umgebungsmodellmoduls eines selbstfahrenden Fahrzeugs.
• 3 zeigt ein strukturelles Blockdiagramm eines kognitiven Moduls zur Knotendifferenzierung.
• 4 zeigt ein strukturelles Blockdiagramm bzw. ein Betriebsflussdiagramm eines hierarchischen kognitiven Moduls.
• 5 zeigt ein strukturelles Blockdiagramm eines kognitiven Moduls von globalen Risikolagen.
• 6 zeigt ein strukturelles Blockdiagramm bzw. ein Betriebsflussdiagramm eines kognitiven Systems eines selbstfahrenden Fahrzeugs basierend auf einem komplexen Netzwerk.
• KONKRETE AUSFÜHRUNGSFORMEN
• Nachstehend wird das vorliegende Gebrauchsmuster anhand der beigefügten Zeichnungen näher beschrieben.
• 1 zeigt ein strukturelles Blockdiagramm bzw. ein Betriebsflussdiagramm eines Erkennungsmoduls von Fahrstilen. Zunächst werden eine longitudinale Fahrkenngröße, eine transversale Fahrkenngröße und eine Moduswechsel-Kenngröße extrahiert, wobei sich die longitudinale Fahrkenngröße auf eine Längsbeschleunigung a₊ und einen Zeitabstand eines nachfolgenden Fahrzeugs d_time innerhalb eines begrenzten Zeitfensters bezieht, wobei sich die transversale Fahrkenngröße auf einen quadratischen Mittelwert RMS(a_) einer Querbeschleunigung und eine Standardabweichung SD (r) einer Giergeschwindigkeit innerhalb des begrenzten Zeitfensters bezieht, wobei sich der Moduswechsel-Kenngröße auf eine Übergangswahrscheinlichkeit P(l_c) in einen Zustand eines Spurwechsels nach links und eine Übergangswahrscheinlichkeit P(r_c) in einen Zustand eines Spurwechsels nach rechts bezieht. Anschließend wird eine Fahrstil-Merkmalsmatrix C_j ausgebildet, wobei sich die Fahrstil-Merkmalsmatrix C_j auf eine dreidimensionale Merkmalsmatrix mit sechs Freiheitsgraden bezieht, die aus der longitudinalen Fahrkenngröße, der transversalen Fahrkenngröße und der Moduswechsel-Kenngröße besteht. Dann wird die Fahrstil-Merkmalsmatrix C_j in einen Random-Forest-Klassifikator R_f eingegeben, der dann eine Fahrstilkategorie K_drive ausgibt, wobei Fahrstilkategorien K_drive eine aggressive, eine friedliche und eine konservative Fahrstilkategorie umfassen, wodurch eine Erkennung von Fahrstilen realisiert wird.
• 2 zeigt ein strukturelles Blockdiagramm bzw. ein Betriebsflussdiagramm des komplexen Umgebungsmodellmoduls eines selbstfahrenden Fahrzeugs. Zunächst wird ein zeitvariables komplexes dynamisches Netzwerk G als ein komplexes Umgebungsmodell ausgebildet: G = (V, B, X, P, Θ); anschließend wird das zeitvariable komplexe dynamische Netzwerk G mit einem zeitkontinuierlichen dynamischen System mit N Knoten gleichgesetzt, wobei eine dynamische Gleichung des Knotens erstellt wird; ${\dot{x}}_i=ƒ\left(x_i\right)+\xi {\displaystyle {\sum }_{j=1}^N{p}_{ij}\left(t\right)H\left(x_i\right)}$

  

  dann wird abhängig von der dynamischen Gleichung des Knotens eine dynamische Gleichung des Knotensystems erstellt: Ẋ = F(X) + ξP(t)H(X); schließlich wird die dynamische Gleichung des Knotensystems in das komplexe Umgebungsmodell eingegeben, um die dynamischen Eigenschaften der komplexen Umgebung zu beschreiben.
• 3 zeigt ein strukturelles Blockdiagramm eines kognitiven Moduls zur Knotendifferenzierung, das mit vier Parametern der Knoten im komplexen Umgebungsmodell, und zwar einer Menge g_i, einem Grad k_i, einem Knotengewicht s_i und einer Wichtigkeit I(i), Unterschiede zwischen Knoten im Netzwerk ausdrückt und mit einem Normalverteilungsgraphen eine Differenzierungsanalyse an allen Knoten durchführt, so dass eine differenzielle Kognition der Knoten realisiert ist.
• 4 zeigt ein strukturelles Blockdiagramm bzw. ein Betriebsflussdiagramm eines hierarchischen kognitiven Moduls, das mit einem Agglomerativen Clustering-Algorithmus die Knoten in dem komplexen Umgebungsmodell hierarchisch unterteilt, wodurch die Knoten in dem komplexen Umgebungsmodell nacheinander in Gruppen unterteilt sind, die jeweils ein inneres Schichtmodul, ein mittleres Schichtmodul, ein äußeres Schichtmodul und ein Edge-Schichtmodul bilden, um eine hierarchische Kognition der komplexen Umgebung zu ermöglichen.
• 5 zeigt ein strukturelles Blockdiagramm eines kognitiven Moduls von globalen Risikolagen, das die Systementropie S = V_n/Θ + D(P) + D(U) und die Entropieänderung $dS=d\left(\frac{V_n}{\theta }\right)+d\left(D\left(P\right)\right)+d\left(D\left(U\right)\right)$

  

  gemeinsam verwendet, um den Unordnungsgrad des komplexen Umgebungsmodells zu messen, die gesamte Risiko- und Änderungslage zu beschreiben und die Zustandserkenntnis globaler Gemeinsamkeit der komplexen Umgebung zu realisieren.
• Wie in 6 gezeigt, weist das kognitives System eines selbstfahrenden Fahrzeugs basierend auf einem komplexen Netzwerk ein Erkennungsmodul von Fahrstilen, ein komplexes Umgebungsmodellmodul, ein kognitives Modul zur Knotendifferenzierung, ein hierarchisches kognitives Modul und ein kognitives Modul von globalen Risikolagen auf. Das Erkennungsmodul von Fahrstilen gibt den erkannten Fahrstil des Knotens in das komplexe Umgebungsmodellmodul ein, um eine Inline-Funktion H(x_j)zwischen Knoten zu erstellen. Das kognitive Modul zur Knotendifferenzierung, das hierarchische kognitive Modul und das kognitive Modul von globalen Risikolagen empfangen Daten der Parameter von dem Modul des komplexen Umgebungsmodells V, B, X, P, Θ und realisieren jeweils eine differentielle Kognition, eine hierarchische Kognition bzw. eine Kognition globaler Risikolagen.
• Ein kognitives Verfahren eines selbstfahrenden Fahrzeugs basierend auf einem komplexen Netzwerk, aufweisend folgende Schritte:
• Schritt 1): eine longitudinale Fahrkenngröße, eine transversale Fahrkenngröße und eine Moduswechsel-Kenngröße werden extrahiert, um eine Fahrstil-Merkmalsmatrix C_j auszubilden, wobei ein Random-Forest-Klassifikator R_f erzeugt wird, wobei die Fahrstil-Merkmalsmatrix C_j in den Random-Forest-Klassifikator R_f eingegeben wird, wobei der Random-Forest-Klassifikator R_f eine Fahrstilkategorie K_drive ausgibt und den Fahrstil als aggressiv, friedlich und konservativ identifiziert; wobei der Schritt 1) folgende Teilschritte aufweist:
  1. (A) Extrahieren einer longitudinalen Fahrkenngröße, einer transversalen Fahrkenngröße und einer Moduswechsel-Kenngröße;
  2. (B) Ausbilden einer Fahrstil-Merkmalsmatrix C_j;
  3. (C) Erzeugen eines Random-Forest-Klassifikators R_f;
  4. (D) Eingeben der Fahrstil-Merkmalsmatrix C_j in den Random-Forest-Klassifikator R_f , Ausgeben der Fahrstilkategorie K_drive durch den Random-Forest-Klassifikator R_f, wobei der Fahrstil als aggressiv, friedlich und konservativ identifiziert wird;
• Schritt 2): ein zeitvariables komplexes dynamisches Netzwerk G wird als ein komplexes Umgebungsmodell ausgebildet, das verwendet wird, um die Assoziationsmerkmale der komplexen Umgebung zu beschreiben, die gesamte Korrelationscharakteristik zu beschreiben, wobei weiterhin eine dynamische Gleichung des Knotens im komplexen Umgebungsmodell erstellt wird, wonach Merkmale aller Knoten im zeitvariablen komplexen dynamischen Netzwerk Gkombiniert sind, um einen dynamischen Gleichungsvektor F(X), eine Kopplungsmatrix P(t) zwischen Knoten und einen Inline-Vektor H(X) eines Knotens in dem zeitvariablen komplexen dynamischen Netzwerk G zu bilden, wobei eine dynamische Gleichung eines Knotensystems des zeitvariablen komplexen dynamischen Netzwerks G erstellt wird, um dynamische Eigenschaften der komplexen Umgebung zu beschreiben; wobei der Schritt 2) folgende Teilschritte aufweist:
  1. (A) Ausbilden eines zeitvariablen komplexen dynamischen Netzwerk G als ein komplexes Umgebungsmodell;
  2. (B) Erstellen, basierend auf den Parametern im komplexen Umgebungsmodell, einer dynamischen Gleichung des Knotens im komplexen Umgebungsmodell;
  3. (C) Erstellen, basierend auf der dynamischen Gleichung des Knotens, einer dynamischen Gleichung eines Knotensystems des zeitvariablen komplexen dynamischen Netzwerks G, um die dynamischen Eigenschaften der komplexen Umgebung zu beschreiben;
• Schritt 3): vier Parameter der Knoten im komplexen Umgebungsmodell, und zwar eine Menge g_i, ein Grad k_i, ein Knotengewicht s_i und eine Wichtigkeit I(i), sind ausgebildet, wobei mit einem Normalverteilungsgraphen eine Differenzierungsanalyse an allen Knoten durchgeführt wird, um eine differenzielle Kognition von Knoten zu realisieren; wobei der Schritt 3) folgende Teilschritte aufweist:
  1. (A) Ausbilden von vier Parametern der Knoten im komplexen Umgebungsmodell, und zwar einer Menge g_i , einem Grad k_i, einem Knotengewicht s_i und einer Wichtigkeit I(i);
  2. (B) Beschreibung aller Knoten im komplexen Umgebungsmodell unter Verwendung der oben genannten vier Parameter;
  3. (C) Durchführen einer Differenzierungsanalyse an allen Knoten unter Verwendung eines Normalverteilungsgraphen, um eine differenzielle Kognition von Knoten zu realisieren;
• Schritt 4): mit einem Agglomerativen Clustering-Algorithmus werden die Knoten in dem komplexen Umgebungsmodell hierarchisch unterteilt, um eine hierarchische und abgestufte Kognition der komplexen Umgebung des selbstfahrenden Fahrzeugs zu erreichen; wobei der Schritt 4) folgende Teilschritte aufweist:
  1. (A) Verwenden des selbstfahrenden Fahrzeugs als zentraler Knoten, Bilden eines inneren Schichtmoduls durch Knoten, die mit dem zentralen Knoten gekoppelt sind, und den zentralen Knoten;
  2. (B) Sortieren von Knoten des inneren Schichtmoduls anders als der zentralen Knoten nach Wichtigkeit, um Knoten mit größtem Kopplungskoeffizienten zu finden, die somit ein mittleres Schichtmodul bilden;
  3. (C) Sortieren von Knoten des mittleren Schichtmoduls nach Wichtigkeit sortiert, um Knoten mit größtem Kopplungskoeffizienten zu finden, die somit ein äußeres Schichtmodul bilden;
  4. (D) Bilden eines Edge-Schichtmoduls durch die restlichen Knoten;
• Schritt 5): gemäß der Grundidee der Entropietheorie werden eine Systementropie und eine Entropieänderung verwendet, um einen Unordnungsgrad des komplexen Umgebungsmodells zu messen, das gesamte Risiko und dessen Änderungstrend zu beschreiben und eine Zustandserkenntnis globaler Gemeinsamkeit zu realisieren; wobei der Schritt 5) folgende Teilschritte aufweist:
  1. (A) Messen eines Unordnungsgrads des komplexen Umgebungsmodells unter Verwendung einer Systementropie S = V_n/_Θ + D(P) + D(U), um das gesamte Risiko der komplexen Umgebung zu beschreiben;
  2. (B) Messen eines Unordnungsgrads des komplexen Umgebungsmodells unter Verwendung einer Entropieänderung dS = d(V_n/0) + d(D(P)) + d (D (U)), um einen Änderungstrend des gesamten Risikos der komplexen Umgebung zu beschreiben, so dass eine Zustandserkenntnis globaler Gemeinsamkeit ermöglicht wird.
• Ein spezifisches Ausführungsbeispiel der vorliegenden Erfindung lautet: Python wird verwendet, um das Erkennungsmodul von Fahrstilen zu programmieren, wobei basierend auf Bibliotheken für maschinelles Lernen von Drittanbietern „Scikit-leam“ die Fahrstil-Merkmalsmatrix C_j erstellt wird, wobei ein Random-Forest-Klassifikator R_f erzeugt wird, wodurch ein Erkennung von Fahrstilen ermöglicht wird; unter Verwendung von MATLAB oder Simulink sind mathematische Modelle programmiert, um komplexe Umgebungsmodellmodule zu bilden; unter Verwendung von Python werden das kognitive Modul zur Knotendifferenzierung, das hierarchische kognitive Modul und das kognitive Modul von globalen Risikolagen programmiert, wobei im Rahmen „PyTorch“ eine differenzielle und hierarchische Kognition von globalen Risikolagen im komplexen Umgebung für selbstfahrende Fahrzeuge realisiert wird; basierend auf dem Ubuntu-System werden Schnittstellen für MATLAB, Scikit-learn und PyTorch programmiert, wobei entsprechende Installationen bzw. Konfigurationen in einem industriellen Steuercomputer erfolgen, so dass das komplexes Umgebungsmodell, das kognitives Verfahren und die kognitive Vorrichtung basierend auf einem komplexen Netzwerk realisiert sind.
• Die oben aufgeführten detaillierten Beschreibungen dienen lediglich der Veranschaulichung der spezifischen ausführbaren Ausführungsformen der vorliegenden Erfindung und sollen den Schutzumfang der vorliegenden Erfindung nicht einschränken. Äquivalente Ausführungsbeispielen oder Modifikationen, die nicht von der Technik der vorliegenden Erfindung abweichen, sollen im Schutzumfang der vorliegenden Erfindung enthalten sein.

Claims (10)

1. Komplexes Umgebungsmodell eines selbstfahrenden Fahrzeugs basierend auf einem komplexen Netzwerk, dadurch gekennzeichnet, dass unter Verwendung eines sich bewegenden Körpers als Knoten ein zeitvariables komplexes dynamisches Netzwerk G als ein komplexes Umgebungsmodell erstellt ist: $$G=\left(V,B,X,P,\Theta \right)$$

   

   wobei G für das zeitvariable komplexe dynamische Netzwerk steht, wobei V für einen Knotensatz im zeitvariablen komplexen dynamischen Netzwerk G steht, wobei B für einen Kantensatz im zeitvariablen komplexen dynamischen Netzwerk G steht und eine Verbindungslinie zwischen Knoten darstellt, wobei X für einen Zustandsvektor eines Knotens im zeitvariablen komplexen dynamischen Netzwerk G steht, wobei P für eine Stärkefunktion einer Kante im zeitvariablen komplexen dynamischen Netzwerk G steht und eine Kopplungsbeziehung zwischen Knoten darstellt, wobei Θ für eine Regionsfunktion des zeitvariablen komplexen dynamischen Netzwerks G steht und eine dynamische Beschränkung des zeitvariablen komplexen dynamischen Netzwerks G darstellt; wobei das zeitvariable komplexe dynamische Netzwerk G mit einem zeitkontinuierlichen dynamischen System mit N Knoten gleichgesetzt wird, wobei beim Setzen einer Zustandsvariablen eines i-ten Knotens auf x_i eine dynamische Gleichung des i-ten Knotens lautet: $${\dot{x}}_i=ƒ\left(x_i\right)+\xi {\displaystyle {\sum }_{j=1}^N{p}_{ij}\left(t\right)}H\left(x_j\right),\left(i=\mathrm{1,2,}\cdots ,N\right)$$

   

   wobei ƒ(x_i) für eine unabhängige Variablenfunktion einer Zustandsvariablen eines i-ten Knotens steht, wobei ξ > 0 für einen Stärkekoeffizienten einer gemeinsamen Verbindung steht, wobei p_ij(t) für einen Kopplungskoeffizienten zwischen einem i-ten Knoten und einem j-ten Knoten steht, wobei H(x_j) für eine Inline-Funktion zwischen Knoten steht und eine Funktion zwischen Fahrstil und Knotenabstand darstellt; wobei mit X = [x₁, x₂,..., x_N]^T, F(X) = [ƒ(x₁), ƒ(x₂), ..., ƒ(x_N)]^T, P(t) = [(p_ij(t))] ∈ R^N×N und H(X) = [H(x₁), H(x₂), ...,H(x_N)]^T eine dynamische Gleichung eines Knotensystems des zeitvariablen komplexen dynamischen Netzwerks G lautet: $$\dot{X}=F\left(X\right)+\xi P\left(t\right)H\left(X\right)$$

   

   wobei X für einen Zustandsvektor eines Knotens im zeitvariablen komplexen dynamischen Netzwerk G steht, wobei F(X) für einen dynamischen Gleichungsvektor eines Knotens im zeitvariablen komplexen dynamischen Netzwerk G steht, wobei P(t) für eine Kopplungsmatrix zwischen Knoten in dem zeitvariablen komplexen dynamischen Netzwerk G steht, wobei H(X) für einen Inline-Vektor eines Knotens im zeitvariablen komplexen dynamischen Netzwerk G steht; wobei im komplexen Umgebungsmodell sich eine Position und ein Zustand des Knotens mit einer Bewegung des Knotens und einer Änderung der Umgebung dynamisch ändern, wobei Knoten in und aus dem zeitvariablen komplexen dynamischen Netzwerk fließen, wobei sich die Kopplungsbeziehung zwischen Knoten und die Regionsfunktion des zeitvariablen komplexen dynamischen Netzwerks entsprechend ändern, wobei sich das komplexe Netzwerksystem im Laufe der Zeit kontinuierlich entwickelt.
2. Kognitives System eines selbstfahrenden Fahrzeugs, das auf einem komplexen Netzwerk basiert, dadurch gekennzeichnet, dass es ein Erkennungsmodul von Fahrstilen, ein komplexes Umgebungsmodellmodul, ein kognitives Modul zur Knotendifferenzierung, ein hierarchisches kognitives Modul und ein kognitives Modul von globalen Risikolagen aufweist; wobei das Erkennungsmodul von Fahrstilen basierend auf einem Extrahierens von Fahrkenngrößen eine Fahrstil-Merkmalsmatrix C_j erstellt, wobei die Fahrstil-Merkmalsmatrix C_j in einen Random-Forest-Klassifikator R_f eingegeben wird und durch den Random-Forest-Klassifikator R_f eine Fahrstilkategorie K_drive ausgegeben wird; wobei das komplexe Umgebungsmodellmodul das komplexe Umgebungsmodell nach Anspruch 1 ist; wobei das kognitive Modul zur Knotendifferenzierung mit vier Parametern der Knoten im komplexen Umgebungsmodell, und zwar einer Menge g_i, einem Grad k_i, einem Knotengewicht s_i und einer Wichtigkeit I(i), Unterschiede zwischen Knoten im Netzwerk ausdrückt und mit einem Normalverteilungsgraphen eine Differenzierungsanalyse an allen Knoten durchführt; wobei das hierarchische kognitive Modul mit einem Agglomerativen Clustering-Algorithmus die Knoten in dem komplexen Umgebungsmodell hierarchisch unterteilt, um eine hierarchische und abgestufte Kognition der komplexen Umgebung des selbstfahrenden Fahrzeugs zu erreichen; wobei das kognitive Modul von globalen Risikolagen mittels einer Systementropie und einer Entropieänderung einen Unordnungsgrad des komplexen Umgebungsmodells misst, das gesamte Risiko und dessen Änderungstrend beschreibt und eine Zustandserkenntnis globaler Gemeinsamkeit realisiert.
3. Kognitives System eines selbstfahrenden Fahrzeugs nach Anspruch 2, dadurch gekennzeichnet, dass die Fahrkenngrößen eine longitudinale Fahrkenngröße, eine transversale Fahrkenngröße und eine Moduswechsel-Kenngröße aufweisen; wobei sich die longitudinale Fahrkenngröße auf eine Längsbeschleunigung a₊ und einen Zeitabstand d_time eines nachfolgenden Fahrzeugs innerhalb eines begrenzten Zeitfensters bezieht, wobei sich die transversale Fahrkenngröße auf einen quadratischen Mittelwert RMS(a_) einer Querbeschleunigung und eine Standardabweichung SD (r) einer Giergeschwindigkeit innerhalb des begrenzten Zeitfensters bezieht, wobei sich der Moduswechsel-Kenngröße auf eine Übergangswahrscheinlichkeit P(l_c) in einen Zustand eines Spurwechsels nach links und eine Übergangswahrscheinlichkeit P(r_c) in einen Zustand eines Spurwechsels nach rechts bezieht.
4. Kognitives System eines selbstfahrenden Fahrzeugs nach Anspruch 2, dadurch gekennzeichnet, dass sich die Fahrstil-Merkmalsmatrix C_j auf eine dreidimensionale Merkmalsmatrix mit sechs Freiheitsgraden bezieht, die aus der longitudinalen Fahrkenngröße, der transversalen Fahrkenngröße und der Moduswechsel-Kenngröße besteht: $$C_J=\left[\begin{array}{l}{a}_{+},d_{time}\hfill \\ RMS\left(a\dots \right),SD\left(r\right)\hfill \\ P\left(l_c\right),P\left(r_c\right)\hfill \end{array}\right]$$

   
5. Kognitives System eines selbstfahrenden Fahrzeugs nach Anspruch 2, dadurch gekennzeichnet, dass der Random-Forest-Klassifikator R_f durch folgende Schritte erzeugt wird: Durchführen einer Stichprobe mit Ersatz an einem ursprünglichen Trainingssatz, der aus Fahrstildaten besteht, Erzeugen von m Trainingssätzen, Auswählen von n Merkmalen für jeden Trainingssatz, Trainieren von jeweils m Entscheidungsbaum-Klassifikationsmodellen, Auswählen des besten Stichprobenmerkmals für jedes Entscheidungsbaum-Klassifikationsmodell abhängig von einem Informationsgewinnverhältnis zum Aufteilen, bis alle Trainingsbeispiele derselben Klasse angehören, und Kombinieren aller erzeugten Entscheidungsbaum-Klassifizierungsmodelle zu einem Zufallswald, wobei die Fahrstilkategorie K_drive durch ein Abstimmungsverfahren ausgegeben wird; wobei drei Fahrstilkategorien K_drive, nämlich aggressive, friedliche, konservative Fahrstilkategorie, vorgesehen sind: $$K_{drive}=R_{ƒ}\left(C_j\right)$$

   
6. Kognitives System eines selbstfahrenden Fahrzeugs nach Anspruch 2, dadurch gekennzeichnet, dass die Menge g_i von Knoten durch eine Strukturgröße des i-ten Knotens repräsentiert ist; wobei der Grad k_i von Knoten durch eine Anzahl der Knoten repräsentiert ist, die direkt mit dem i-ten Knoten verbunden sind; wobei das Knotengewicht s_i von Knoten eine Kantengewichtssumme aller benachbarten Kanten des i-ten Knotens darstellt; wobei die Wichtigkeit I(i) von Knoten durch folgende Gleichung dargestellt wird: $$I\left(i\right)=K\left(i\right)+{\Sigma }_j{p}_{ij}\left(t\right)$$

   

   wobei in der Gleichung (6) p_ij (t) für einen Kopplungskoeffizienten zwischen Knoten steht, und wobei K(i) für einen Gradzentralitätsfaktor des i-ten Knotens steht und durch folgende Gleichung dargestellt wird: $$K\left(i\right)=\frac{k_i{w}_{ij}}{\left(k\right)\overline{U}}$$

   

   wobei in der Gleichung (7) (k) = Σ k_i /N für einen durchschnittlichen Grad der Module und U = Σ(s_i/k_i)/N für ein durchschnittliches Einheitsgewicht der Module steht.
7. Kognitives System eines selbstfahrenden Fahrzeugs nach Anspruch 2, dadurch gekennzeichnet, dass beim hierarchischen kognitiven Modul unter Verwendung des selbstfahrenden Fahrzeugs als zentraler Knoten zunächst Knoten, die mit dem zentralen Knoten gekoppelt sind, und der zentralen Knoten ein inneres Schichtmodul bilden, wonach die Knoten des inneren Schichtmoduls anders als der zentralen Knoten nach Wichtigkeit sortiert sind, um Knoten mit größtem Kopplungskoeffizienten zu finden, die somit ein mittleres Schichtmodul bilden, wonach Knoten des mittleren Schichtmoduls nach Wichtigkeit sortiert sind, um Knoten mit größtem Kopplungskoeffizienten zu finden, die somit ein äußeres Schichtmodul bilden, wobei schließlich die restlichen Knoten ein Edge-Schichtmodul bilden.
8. Kognitives System eines selbstfahrenden Fahrzeugs nach Anspruch 2, dadurch gekennzeichnet, dass beim kognitiven Modul von globalen Risikolagen die Systementropie ausgelegt ist als: $$S=V_n/\Theta +D\left(P\right)+D\left(U\right)$$

   

   wobei V_n für die Anzahl der Knoten im komplexen Umgebungsmodell, Θ für einen Netzwerkbereich des komplexen Umgebungsmodells, D(P) für eine Varianz des Kopplungskoeffizienten und D(U) für eine Varianz einer Knotengeschwindigkeit im komplexen Umgebungsmodell steht; wobei die Entropieänderung ausgelegt ist als: $$dS=d\left(\frac{V_n}{\theta }\right)+d\left(D\left(P\right)\right)+d\left(D\left(U\right)\right)$$

   

   wobei d für eine Berechnung eines Differentials der entsprechenden Variablen steht und deren Änderungstrend darstellt.
9. Kognitives Verfahren eines kognitiven Systems eines selbstfahrenden Fahrzeugs basierend auf einem komplexen Netzwerk, dadurch gekennzeichnet, dass es folgende Schritte aufweist: Schritt 1): eine longitudinale Fahrkenngröße, eine transversale Fahrkenngröße und eine Moduswechsel-Kenngröße werden extrahiert, um eine Fahrstil-Merkmalsmatrix C_j auszubilden, wobei ein Random-Forest-Klassifikator R_f erzeugt wird, wobei die Fahrstil-Merkmalsmatrix C_r in den Random-Forest-Klassifikator R_f eingegeben wird, wobei der Random-Forest-Klassifikator R_f eine Fahrstilkategorie K_drive ausgibt und den Fahrstil als aggressiv, friedlich und konservativ identifiziert; Schritt 2): ein zeitvariables komplexes dynamisches Netzwerk G wird als ein komplexes Umgebungsmodell ausgebildet, das verwendet wird, um die Assoziationsmerkmale der komplexen Umgebung zu beschreiben, die gesamte Korrelationscharakteristik zu beschreiben, wobei weiterhin eine dynamische Gleichung des Knotens im komplexen Umgebungsmodell erstellt wird, wonach Merkmale aller Knoten im zeitvariablen komplexen dynamischen Netzwerk G kombiniert sind, um einen dynamischen Gleichungsvektor F(X), eine Kopplungsmatrix P(t) zwischen Knoten und einen Inline-Vektor H(X) eines Knotens in dem zeitvariablen komplexen dynamischen Netzwerk G zu bilden, wobei eine dynamische Gleichung eines Knotensystems des zeitvariablen komplexen dynamischen Netzwerks G erstellt wird, um dynamische Eigenschaften der komplexen Umgebung zu beschreiben; Schritt 3): vier Parameter der Knoten im komplexen Umgebungsmodell, und zwar eine Menge g_i, ein Grad k_i, ein Knotengewicht s_i und eine Wichtigkeit I(i), sind ausgebildet, wobei mit einem Normalverteilungsgraphen eine Differenzierungsanalyse an den Knoten durchgeführt wird, um eine differenzielle Kognition von Knoten zu realisieren; Schritt 4): mit einem Agglomerativen Clustering-Algorithmus werden die Knoten in dem komplexen Umgebungsmodell hierarchisch unterteilt, um eine hierarchische und abgestufte Kognition der komplexen Umgebung des selbstfahrenden Fahrzeugs zu erreichen; Schritt 5): gemäß der Grundidee der Entropietheorie werden eine Systementropie und eine Entropieänderung verwendet, um einen Unordnungsgrad des komplexen Umgebungsmodells zu messen, das gesamte Risiko und dessen Änderungstrend zu beschreiben und eine Zustandserkenntnis globaler Gemeinsamkeit zu realisieren.
10. Kognitives Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass das kognitive System eines selbstfahrenden Fahrzeugs basierend auf einem komplexen Netzwerk ein kognitives System nach einem der Ansprüche 2 bis 8 ist.

Images