ES2833674T3

ES2833674T3 - Método y aparato de planificación de velocidad y aparato de cálculo para la conducción automática de un vehículo

Info

Publication number: ES2833674T3
Application number: ES16904354T
Authority: ES
Inventors: Xiaocheng Zhou; Yan Jiang; Jinzhan Peng; Xin Zhou; Dan Zhang; Sai Luo
Original assignee: Uisee Technologies Beijing Co Ltd
Current assignee: Uisee Technologies Beijing Co Ltd
Priority date: 2016-06-08
Filing date: 2016-06-08
Publication date: 2021-06-15
Anticipated expiration: 2036-06-08
Also published as: EP3460613A1; CN107182206B; WO2017210901A1; US11747818B2; US10564644B2; CN107182206A; EP3460613B1; EP3460613A4; US20190265713A1; US20200218275A1

Abstract

Un método de planificación de velocidad para conducción automática de un vehículo, que comprende: una etapa de aprendizaje de máquina, que comprende: realizar aprendizaje de máquina usando un conjunto de muestras de entrenamiento para obtener un modelo de aprendizaje de máquina, en donde cada una de las muestras de entrenamiento se representa por un vector característico multidimensional que forma un espacio de entrada y un resultado de decisión que forma un espacio de salida, en donde cada dimensión del vector característico multidimensional es una variable que describe un estado del vehículo en un momento particular, en donde la variable está relacionada con la planificación de velocidad, y en donde el resultado de decisión indica al menos uno de una velocidad esperada en un siguiente momento o un valor de un parámetro de control relacionado con el control de velocidad; una etapa de obtención de tabla de decisión de partición, que comprende: dividir el espacio de entrada, y obtener un resultado de decisión que corresponde a una partición determinada, basándose en el modelo de aprendizaje de máquina obtenido para formar una tabla de decisión de partición que mapea cada una de las particiones a su correspondiente resultado de decisión; y una etapa de toma de decisiones en tiempo real, que comprende: obtener cada vector característico dimensional del vehículo mientras se conduce en tiempo real como una característica de entrada, determinar una partición de entrada a la que pertenece la característica de entrada, y consultar la tabla de decisión de partición basándose en la partición determinada para obtener un correspondiente resultado de decisión.

Description

DESCRIPCIÓN

Método y aparato de planificación de velocidad y aparato de cálculo para la conducción automática de un vehículo

Campo técnico de la invención

La presente divulgación se refiere al campo de control de vehículos, en particular a un método y aparato de planificación de velocidad y a un aparato de cálculo para conducción automática de un vehículo.

Antecedentes de la invención

Con el desarrollo de la tecnología de vehículos, la conducción automática de vehículos se ha vuelto un campo de investigación candente. La planificación y control de velocidad es un objeto de investigación importante en la conducción automática, el objetivo principal de la cual es planear una velocidad estimada de un vehículo en una serie de instantes de tiempo posteriores de acuerdo con un estado detectado (por ejemplo, una velocidad actual, una velocidad para un vehículo delantero, y una distancia desde un vehículo delantero), y para calcular parámetros de control finales (por ejemplo, un acelerador y un freno) del vehículo para controlar realmente el vehículo. La planificación de velocidad necesita asegurar la seguridad absoluta de los pasajeros cuando otros vehículos tienen comportamientos inesperados (por ejemplo, frenada repentina) mientras que se asegura la comodidad básica y seguridad de los pasajeros.

Para tratar con diversas posibles situaciones es necesario diseñar un modelo de planificación y control de velocidad complejo. Es muy probable que algunas circunstancias y factores raros se omitan en el diseño e implementación manuales. Al mismo tiempo, pueden obtenerse datos de conducción muy ricos y maduros de un vehículo conducido por un conductor. Puesto que un método de aprendizaje de máquina puede aprender fácilmente un modelo a partir de los datos, el método de aprendizaje de máquina se aplica cada vez más a la planificación y control de velocidad. Además, en el mundo real, diferentes conductores tienen diferentes hábitos y definiciones de seguridad y comodidad. Por lo tanto, si se usa el mismo método de planificación y control, es difícil cumplir diversas necesidades diferentes, mientras que el método de aprendizaje de máquina puede adaptarse bien a hábitos de conducción personalizados.

Un método para planificación de velocidad se analiza en el documento US 2016/026182 A1.

Sumario de la invención

A través de la investigación a largo plazo, los inventores de la presente invención han reconocido que la aplicación del aprendizaje de máquina para planificación de velocidad para los vehículos sufre de diversas desventajas.

En primer lugar, la efectividad del modelo aprendido a través del método de aprendizaje de máquina está directamente relacionada con los datos de entrenamiento. Puesto que un conductor normalmente conduce en un intervalo muy cómodo, es difícil recopilar datos de entrenamiento que cubren todos los posibles escenarios (por ejemplo, situaciones extremas tales como velocidad extremadamente alta y una distancia muy corta desde el vehículo delantero). Aunque el problema puede resolverse mediante las tecnologías de generalización y similares, no puede resolverse en su totalidad. También, los comportamientos del conductor recopilados pueden no cumplir completamente los requisitos de comodidad y seguridad. Por ejemplo, algunos conductores no pueden asegurar la distancia desde el vehículo delantero. Por lo tanto, cuando el vehículo delantero frena repentinamente, el vehículo conducido puede garantizar difícilmente un frenado completo sin colisionar con el vehículo delantero. De manera evidente, el modelo entrenado usando tales datos no puede manejar esta situación también.

Otro problema con el aprendizaje de máquina es que es difícil ajustar localmente el modelo entrenado de esta manera. Las aplicaciones de planificación y control de la conducción automática pueden requerir a menudo que el modelo se ajuste localmente para una situación particular. Para el modelo obtenido por aprendizaje de máquina, el ajuste de cada parámetro aprendido puede provocar una influencia incontrolable general. El modelo puede modificarse también añadiendo más muestras de entrenamiento, pero un método de este tipo tiene un periodo más largo y el modelo finalmente entrenado no es totalmente predecible.

El objetivo de la presente divulgación es superar las desventajas e inconvenientes en las soluciones anteriores y proponer un nuevo método y aparato de planificación de velocidad y un aparato de cálculo para conducción automática de un vehículo.

De acuerdo con un aspecto de la presente divulgación, se proporciona un método de planificación de velocidad para conducción automática de un vehículo, incluyendo el método:

en primer lugar, una etapa de aprendizaje de máquina, que comprende: realizar aprendizaje de máquina usando un conjunto de muestras de entrenamiento para obtener un modelo de aprendizaje de máquina, en donde cada una de las muestras de entrenamiento se representa por un vector característico multidimensional que forma un espacio de entrada y un resultado de decisión que forma un espacio de salida, en donde cada dimensión del vector característico multidimensional comprende una variable representativa de un estado del vehículo en un momento particular, en donde la variable está relacionada con planificación de velocidad, y en donde el resultado de decisión indica una velocidad esperada en un siguiente momento y/o un valor de parámetro de control relacionado con control de velocidad;

en segundo lugar, una etapa de obtención de tabla de decisión de partición, que comprende: dividir el espacio de entrada en particiones, y obtener un resultado de decisión que corresponde a una respectiva partición de las particiones basándose en el modelo de aprendizaje de máquina obtenido para formar una tabla de decisión de partición que mapea cada una de las particiones a su correspondiente resultado de decisión; y

Además, una etapa de toma de decisiones en tiempo real, que comprende: obtener cada vector característico dimensional de un vehículo de conducción en tiempo real como una característica de entrada, determinar una partición de entrada a la que pertenece la característica de entrada, y consultar la tabla de decisión de partición basándose en la partición de entrada determinada para obtener un correspondiente resultado de decisión.

Además, el método de planificación de velocidad puede incluir adicionalmente una etapa de control en tiempo real, que comprende emitir un comando de control al vehículo basándose en el resultado de decisión obtenido, controlando de esta manera la velocidad del vehículo.

Además, en la etapa de control en tiempo real, cuando se determina que el resultado de decisión de la partición determinada no está de conformidad a una expectativa, puede ajustarse el resultado de decisión de partición de la partición.

Además, el resultado de decisión de partición de la partición puede ajustarse basándose en la experiencia, o por aprendizaje de la partición con un método de aprendizaje de máquina.

Además, cada vector característico dimensional puede incluir una velocidad actual, una distancia desde un vehículo delantero, una velocidad relativa con respecto al vehículo delantero y una velocidad máxima.

Además, un espacio de características puede codificarse usando codificación discreta antes de la etapa de aprendizaje de máquina.

Además, de acuerdo con el método de planificación de velocidad de las realizaciones de la presente divulgación, el método de codificación discreta puede ser codificación en mosaico, en donde cada vector característico puede codificarse usando codificación en mosaico que tiene un mosaico, y la dimensión en la que cada vector característico está ubicado se divide en los intervalos 7-13 preferidos para dividir el espacio de entrada.

Además, en la etapa de obtención de tabla de decisión de partición, puede calcularse en primer lugar un tamaño de un espacio que corresponde al resultado de codificación discreta obtenido por el método de codificación discreta. Cuando el tamaño del espacio es mayor que un umbral determinado, se usa un método de almacenamiento dinámico para almacenar la tabla de decisión de partición, en donde únicamente se atraviesa la entrada del espacio de entrenamiento, en donde se almacena el resultado de salida de un correspondiente modelo de decisión, y en donde el modelo de decisión entrenado se almacena para respaldo además de la tabla de decisión de partición. Cuando el tamaño del espacio es menor que el umbral determinado, se usa un método de almacenamiento estático para almacenar la tabla de decisión de partición, en donde se atraviesan todos los espacios de código, y en donde se almacena el resultado de salida del modelo de decisión.

Además, en la etapa de toma de decisiones en tiempo real, se realiza en primer lugar codificación discreta en la característica de entrada usando el método de codificación discreta para obtener un resultado de codificación discreta. El resultado de codificación discreta obtenido se usa a continuación como un índice de la tabla de decisión de partición. Cuando la tabla de decisión de partición se almacena usando el método de almacenamiento estático, el resultado de decisión almacenado en la tabla de decisión de partición puede obtenerse directamente.

Además, en la etapa de toma de decisiones en tiempo real, se realiza en primer lugar codificación discreta en la característica de entrada usando el método de codificación discreta, el resultado de codificación discreta obtenido se usa a continuación como un índice de la tabla de decisión de partición. Cuando la tabla de decisión de partición se almacena usando el método de almacenamiento dinámico, si se almacena el resultado de decisión del resultado de codificación discreta en la tabla de decisión de partición, el resultado de decisión puede obtenerse directamente de la tabla de decisión de partición. Si no se almacena el resultado de decisión del resultado de codificación discreta en la tabla de decisión de partición, se usa el modelo de decisión almacenado para obtener un resultado de decisión, y el resultado de decisión obtenido se añade a la tabla de decisión de partición.

Además, el método de aprendizaje de máquina puede ser un método de aprendizaje supervisado, un método de aprendizaje no supervisado, o un método de aprendizaje de refuerzo.

Además, cuando se realiza codificación discreta en el espacio de características, pueden considerarse dos entradas como que pertenecen a la misma partición siempre que los códigos discretos finales de las dos entradas sean idénticos.

Además, el método de codificación discreta puede incluir diversos métodos de codificación basta, tal como codificación en mosaico.

Además, en la etapa de control en tiempo real, es necesario que se determine el número de particiones de las cuales los resultados de decisión de partición después de que se ajusta el resultado de decisión de partición de la partición, y cuando el número de particiones supera un umbral predeterminado, deben volverse a ejecutar la etapa de aprendizaje de máquina y la etapa de obtención de tabla de decisión de partición.

De acuerdo con otro aspecto de la presente divulgación, se proporciona un aparato de planificación de velocidad para conducción automática de un vehículo, incluyendo el aparato una unidad de aprendizaje de máquina, una unidad de obtención de tabla de decisión de partición, y una unidad de toma de decisiones en tiempo real. Opcionalmente, el aparato de planificación de velocidad puede incluir adicionalmente una unidad de control en tiempo real.

La unidad de aprendizaje de máquina puede estar configurada para realizar aprendizaje de máquina usando un conjunto de muestras de entrenamiento para obtener un modelo de aprendizaje de máquina, en donde cada una de las muestras de entrenamiento puede representarse por un vector característico multidimensional que forma un espacio de entrada y un resultado de decisión que forma un espacio de salida, en donde cada dimensión del vector característico multidimensional es una variable que puede usarse para describir un estado del vehículo en un momento particular y relacionado con la planificación de velocidad, y en donde el resultado de decisión puede indicar una velocidad esperada en un siguiente momento y/o un valor de parámetro de control relacionado con control de velocidad.

La unidad de obtención de tabla de decisión de partición está configurada para dividir el espacio de entrada, y obtener un resultado de decisión que corresponde a una partición determinada basándose en el modelo de aprendizaje de máquina obtenido para formar una tabla de decisión de partición que mapea cada partición a su correspondiente resultado de decisión.

La unidad de toma de decisiones en tiempo real está configurada para obtener cada vector característico dimensional de un vehículo de conducción en tiempo real como una característica de entrada, determinar una partición de entrada a la que pertenece la característica de entrada, y consultar la tabla de decisión de partición basándose en la partición determinada para obtener un correspondiente resultado de decisión.

La unidad de control en tiempo real está configurada para emitir un comando de control al vehículo basándose en el resultado de decisión obtenido, controlando de esta manera la velocidad del vehículo.

Además, la unidad de control en tiempo real está configurada adicionalmente para ajustar el resultado de decisión de partición de la partición en la etapa de control en tiempo real cuando se determina que el resultado de decisión de la partición determinada no es de conformidad a una expectativa.

Además, la unidad de obtención de tabla de decisión de partición está configurada adicionalmente para ajustar el resultado de decisión de partición de la partición basándose en la experiencia, o aprendiendo la partición usando un método de aprendizaje de máquina.

Además, la unidad de toma de decisiones en tiempo real está configurada adicionalmente de manera que cada vector característico dimensional puede incluir una velocidad actual, una distancia desde un vehículo delantero, una velocidad relativa con respecto al vehículo delantero y una velocidad máxima.

Además, el aparato de planificación de velocidad para conducción automática de un vehículo de acuerdo con la presente divulgación incluye adicionalmente una unidad de codificación discreta configurada para realizar codificación discreta en las muestras de entrenamiento y la característica de entrada en la etapa de decisión en tiempo real.

Además, de acuerdo con el aparato de planificación de velocidad de la realización de la presente divulgación, el método de codificación discreta usado por la unidad de codificación discreta es codificación en mosaico, en el que cada vector característico se codifica con codificación en mosaico que tiene únicamente un mosaico, y la dimensión en la que cada vector característico está ubicado se divide en 7-13 intervalos para dividir el espacio de entrada.

Además, la unidad de obtención de tabla de decisión de partición está configurada para calcular un tamaño de un espacio del resultado de codificación discreta obtenido por el método de codificación discreta; cuando el tamaño del espacio es mayor que un umbral determinado, se usa un método de almacenamiento dinámico para almacenar la tabla de decisión de partición, en donde únicamente se atraviesa la entrada del espacio de entrenamiento, en donde se almacena el resultado de salida del correspondiente modelo de decisión, y se almacena también el modelo de decisión entrenado para respaldo; y cuando el espacio es menor que el umbral determinado, se usa un método de almacenamiento estático para almacenar la tabla de decisión de partición, en donde se atraviesan todos los espacios de código, y en donde se almacena el resultado de salida del modelo de decisión.

Además, la unidad de toma de decisiones en tiempo real está configurada para realizar codificación discreta en la característica de entrada usando un método de codificación discreta, usa el resultado de codificación discreta obtenido como un índice de la tabla de decisión de partición, y cuando la tabla de decisión de partición se almacena usando el método de almacenamiento estático, obtiene directamente el resultado de decisión almacenado en la tabla de decisión de partición.

Además, la unidad de toma de decisiones en tiempo real está configurada para realizar codificación discreta en la característica de entrada usando el método de codificación discreta, usa el resultado de codificación discreta obtenido como un índice de la tabla de decisión de partición, y cuando la tabla de decisión de partición se almacena usando el método de almacenamiento dinámico, si se almacena el resultado de decisión del resultado de codificación discreta en la tabla de decisión de partición, obtiene directamente el resultado de decisión de la tabla de decisión de partición; y si no se almacena el resultado de decisión del resultado de codificación discreta en la tabla de decisión de partición, usa el modelo de decisión almacenado para obtener un resultado de decisión, y añade el resultado de decisión obtenido a la tabla de decisión de partición.

Además, la unidad de obtención de tabla de decisión de partición está configurada de manera que dos entradas pertenecen a la misma partición siempre que los códigos discretos finales de las dos entradas sean idénticos.

Además, una unidad de realimentación está configurada para determinar el número de particiones de las cuales se ajustan los resultados de decisión de partición, y activar la unidad de aprendizaje de máquina y la unidad de obtención de tabla de decisión de partición para realizar la operación de aprendizaje de máquina y la operación de obtención de tabla de decisión de partición de nuevo cuando el número de las particiones supera un umbral predeterminado.

De acuerdo con otro aspecto de la presente divulgación, se proporciona un aparato de cálculo para planificación de velocidad de conducción automática de un vehículo, que incluye un componente de almacenamiento y un procesador, en donde el componente de almacenamiento almacena un conjunto de instrucciones ejecutables por ordenador, y cuando el conjunto de instrucciones ejecutables por ordenador se ejecutan por el procesador, se realizan las siguientes etapas: una etapa de aprendizaje de máquina, que comprende: realizar aprendizaje de máquina usando un conjunto de muestras de entrenamiento para obtener un modelo de aprendizaje de máquina, representándose cada una de las muestras de entrenamiento por un vector característico multidimensional que forma un espacio de entrada y un resultado de decisión que forma un espacio de salida, siendo cada dimensión del vector característico multidimensional una variable que puede usarse para describir un estado del vehículo en un momento particular y estando relacionado con la planificación de velocidad, e indicando el resultado de decisión una velocidad esperada en un siguiente momento y/o un valor de parámetro de control relacionado con control de velocidad; una etapa de obtención de tabla de decisión de partición, que comprende: dividir el espacio de entrada, y obtener un resultado de decisión que corresponde a una partición determinada basándose en el modelo de aprendizaje de máquina obtenido para formar una tabla de decisión de partición que mapea cada partición a su correspondiente resultado de decisión; una etapa de toma de decisiones en tiempo real, que comprende: obtener cada vector característico dimensional del vehículo mientras se conduce en tiempo real como una característica de entrada, determinar una partición de entrada a la que pertenece la característica de entrada, y consultar la tabla de decisión de partición basándose en la partición determinada para obtener el correspondiente resultado de decisión; y una etapa de control en tiempo real, que emite un comando de control al vehículo basándose en el resultado de decisión obtenido, controlando de esta manera la velocidad del vehículo.

El método y aparato de planificación de velocidad y el aparato de cálculo proporcionados en la presente divulgación usan la tecnología de tabla de decisión de partición que es adecuada para la tecnología de conducción automática para los vehículos, y resuelven de manera eficaz por lo tanto el problema de que un modelo entrenado por medio de aprendizaje de máquina no puede ajustarse localmente, y puede modificar fácilmente la decisión de una cierta parición sin afectar los resultados de decisión de otras particiones en absoluto para conseguir el ajuste local. La naturaleza intuitiva de la tabla de decisión de partición puede ayudar eficazmente a hallar y resolver los problemas en el proceso de aprendizaje de máquina. La tabla de decisión de partición puede acelerar el proceso de decisión, y consultar la tabla de decisión de partición puede obtener una velocidad de toma de decisiones superior.

Breve descripción de los dibujos

Estos y/u otros aspectos y ventajas de la presente divulgación se harán más claros y se entenderán más fácilmente a partir de la siguiente descripción detallada de las realizaciones de la presente divulgación en combinación con los dibujos adjuntos, en los que:

La Figura 1 es un diagrama de flujo generalizado de un método de planificación de velocidad para conducción automática de un vehículo de acuerdo con una realización de la presente divulgación;

La Figura 2 es un diagrama de ejemplo que muestra esquemáticamente un proceso de operación, y entrada y salida de aprendizaje y aplicación de aprendizaje de máquina;

La Figura 3 es un diagrama de ejemplo de un proceso de operación, entrada y salida de entrenamiento y aplicación de aprendizaje de máquina procesados por codificación discreta antes de que se aplique un método de aprendizaje de máquina;

La Figura 4 muestra un método de codificación discreta de codificación en mosaico en la categoría de codificación basta;

La Figura 5 muestra un proceso de establecimiento y optimización de una tabla de partición de decisión entera en el caso de codificación discreta de acuerdo con una realización de la presente divulgación;

La Figura 6 muestra un diagrama de flujo de un método de implementación de una etapa de toma de decisiones en tiempo real de acuerdo con una realización de la presente divulgación;

La Figura 7 muestra un diagrama de flujo de un método de control de planificación de velocidad 700 que incluye una etapa de control en tiempo real de acuerdo con una realización de la presente divulgación; y

La Figura 8 es un diagrama de bloques de un aparato de planificación de velocidad 800 para conducción automática de un vehículo de acuerdo con una realización de la presente divulgación.

Descripción detallada de las realizaciones

Para que los expertos en la materia entiendan mejor la presente divulgación, la presente divulgación se describirá adicionalmente en detalle a continuación en combinación con los dibujos adjuntos y las realizaciones específicas.

Antes de la descripción detallada, se introducirá en primer lugar la idea general de la presente divulgación, de modo que los expertos en la materia puedan entender la presente divulgación.

Como se ha mencionado anteriormente, los inventores descubrieron por implementación y análisis ese aprendizaje de máquina altamente basado en datos de entrenamiento. La limitación de los datos de entrenamiento puede dar como resultados varios problemas, tal como que el modelo entrenado no puede manejar algunas emergencias reales, que el ajuste ligero local es difícil de implementar, y que el periodo de ajuste global es largo y los efectos son impredecibles. Para tratar estas problemas, los inventores proponen entrenar modelos de aprendizaje de máquina y aplicar los modelos de aprendizaje de máquina entrenados en respectivos procesos. Durante el entrenamiento de los modelos de aprendizaje de máquina, usamos un método de aprendizaje de máquina típico para entrenamiento. Antes de la aplicación de este aprendizaje de máquina entrenado, el espacio de entrada se divide en múltiples particiones, y los resultados de decisión en los modelos se almacenan en diferentes particiones para formar una tabla de decisión de partición organizada por partición. Por lo tanto, el proceso de toma de decisiones de aplicación de los modelos se transforma en un proceso de consulta de la tabla de decisión de partición. Como tal, la decisión de una partición puede modificarse fácilmente sin afectar a los resultados de decisión de otras particiones en absoluto, consiguiendo por lo tanto ajuste local. Mientras tanto, la naturaleza intuitiva de la tabla de decisión de partición puede ayudar eficazmente a hallar y resolver problemas presentados en el proceso de aprendizaje de máquina. La tabla de decisión de partición puede acelerar el proceso de toma de decisiones, y consultar la tabla de decisión de partición puede obtener una velocidad de toma de decisiones superior. Para la planificación de velocidad de conducción automática con requisitos en tiempo real altos, es importante ajustar una estrategia local fácilmente y tener una velocidad de toma de decisiones alta.

Un ejemplo de un método de conducción de vehículo automático de acuerdo con una realización de la presente divulgación se describirá a continuación en conexión con la Figura 1. La Figura 1 muestra un diagrama de flujo generalizado de un método de planificación de velocidad para conducción automática de un vehículo de acuerdo con una realización de la presente divulgación.

En la etapa S110, se realiza una etapa de aprendizaje de máquina. El aprendizaje de máquina se realiza usando un conjunto de muestras de entrenamiento para obtener una o más máquinas modelos de aprendizaje. Cada una de las muestras de entrenamiento puede representarse por un vector característico multidimensional que forma un espacio de entrada y un resultado de decisión que forma un espacio de salida. Cada dimensión del vector característico multidimensional puede ser una variable representativa de un estado del vehículo en un momento particular. La variable puede estar relacionada con la planificación de velocidad. El resultado de decisión puede indicar una velocidad esperada en una siguiente instancia de tiempo y/o un valor de un parámetro de control relacionado con el control de velocidad. Después de la etapa S110, se realiza la etapa S120.

En la etapa S120, se realiza una etapa de obtención de tabla de decisión de partición. El espacio de entrada se divide en una pluralidad de particiones. Los resultados de decisión que corresponden a las particiones se obtienen basándose en el modelo o modelos de aprendizaje de máquina obtenidos. Se construye una tabla de decisión de partición. La tabla de decisión de partición puede mapear cada una de las particiones a su correspondiente resultado de decisión.

En la etapa S130, se realiza una decisión en tiempo real. Cada vector característico dimensional de un vehículo de conducción se obtiene en tiempo real como una característica de entrada. Se determina una partición de entrada a la que pertenece la característica de entrada. Un correspondiente resultado de decisión se obtiene consultando la tabla de decisión de partición basándose en la partición de entrada determinada.

En algunas realizaciones de la presente divulgación, se procesan respectivamente el entrenamiento y la aplicación del modelo o modelos de aprendizaje de máquina. Durante el entrenamiento del modelo de aprendizaje de máquina, los modelos se entrenan de acuerdo con casos de entrenamiento generales recogidos con antelación. El método de aprendizaje de máquina específico puede ser aprendizaje supervisado que requiere anotación de datos, aprendizaje no supervisado que no requiere anotación de datos, aprendizaje de refuerzo, etc. En contraste a las técnicas convencionales, antes de la aplicación de estos modelos entrenados, el espacio de entrada se divide en múltiples particiones de acuerdo con un método de codificación discreta durante el entrenamiento. También los resultados de decisión en los modelos se almacenan en diferentes particiones para formar una tabla de decisión organizada por particiones. Por lo tanto, el método de planificación de velocidad para conducción automática de un vehículo de acuerdo con las realizaciones de la presente divulgación convierte un proceso de toma de decisiones mediante la aplicación de modelos en un proceso de consulta de la tabla de decisión de partición.

Para facilidad de entendimiento, la Figura 2 ilustra esquemáticamente un diagrama de ejemplo de un proceso de operación, que incluye entrada y salida de entrenamiento y aplicación de aprendizaje de máquina.

Como se muestra en la Figura 2, el aprendizaje de máquina 220 se realiza en cada uno de los casos de entrenamiento de entrada (muestras de entrenamiento) 210 para obtener un modelo de decisión 230. Un espacio de entrada 240 se divide en particiones. Una tabla de decisión de partición 250 se obtiene basándose en las particiones y el modelo de decisión.

Cuando se realiza una decisión usando la tabla de decisión de partición, se particiona en primer lugar 240 una entrada recibida 270. Se determina una partición a la que pertenece la entrada recibida. La tabla de decisión de partición 250 se consulta a continuación para obtener un correspondiente resultado de decisión. Como un ejemplo de particionamiento, una partición de dimensiones continuas, por ejemplo, puede dividirse basándose en conocimiento empírico de expertos de control de vehículo.

Como un ejemplo, antes de aplicar el método de aprendizaje de máquina, el espacio de entrada puede discretizarse usando un método de codificación para extraer características para su procesamiento. El método de codificación discreta divide de manera natural el espacio de entrada continua en múltiples particiones. Una partición como se define en el presente documento no está limitada a una partición de un espacio continuo de los mismos datos dimensionales. Pueden considerarse dos muestras como que pertenecen a la misma partición cuando las muestras pueden codificarse en los mismos datos codificados. En otras palabras, las particiones denominadas en el presente documento no se dividen necesariamente de manera continua de acuerdo con el espacio original. En su lugar, las particiones pueden dividirse de acuerdo con los resultados de la codificación discreta. La Figura 3 muestra un diagrama esquemático de un proceso, entrada y salida de entrenamiento y aplicación de aprendizaje de máquina procesado por codificación discreta antes de que se aplique un método de aprendizaje de máquina, en donde una entrada, tal como un ejemplo de entrenamiento o una aplicación ejemplo, se procesa por codificación discreta 380.

La Figura 4 muestra una codificación en mosaico como un ejemplo de un método de codificación discreta, que es una forma de codificación basta. En un espacio de entrada bidimensional como se muestra en la Figura 4, tres mosaicos en diferentes posiciones dividen el espacio de entrada entero en diferentes subáreas. Estas subáreas pueden usarse como particiones.

Como un ejemplo, el espacio de entrada puede comprender cuatro dimensiones que corresponden a una velocidad actual, una distancia desde un vehículo delantero, una velocidad relativa con respecto al vehículo delantero, y una velocidad máxima, respectivamente. Debería observarse que el vehículo delantero como se denomina en el presente documento es un concepto amplio y no está limitado a un vehículo. Cuando no hay objeto delante, el vehículo delantero puede ser virtual, y puede establecerse una distancia y una velocidad relativas del vehículo delantero virtual. La velocidad máxima puede ser la velocidad de conducción más alta bajo ciertas limitaciones de condición (tales como limitaciones de la carretera, limitaciones de la condición meteorológica, etc.). Por lo tanto, el espacio de código para la planificación y control de velocidad en el campo de la conducción automática es normalmente pequeño, y por lo tanto es más adecuado para particionamiento.

Un ejemplo de acuerdo con una implementación propuesta por los inventores comprende: codificar cada dimensión de la entrada usando codificación en mosaico que tiene un mosaico, y dividir cada dimensión de la entrada en aproximadamente 10 particiones. Esto puede cumplir bien los requisitos de decisión de velocidad para la conducción automática. Por ejemplo, una dimensión de la entrada que corresponde a la velocidad máxima puede dividirse, basándose en un tamaño de partición de 10 km/h y/o situaciones reales, en 12 particiones que incluyen [0, 10, 20, 30, 40, 50, 60, 70, 80, 90, 100, 110, 120]. El número de las particiones en este momento puede ser aproximadamente 104. Es fácil almacenar y procesar una tabla de partición de tal tamaño por un ordenador. En algunos casos extremos (por ejemplo, un gran número de dimensiones de entrada o un espacio de salida de código discreto grande), el espacio de código final puede superar la capacidad de almacenamiento del ordenador. En tales casos, las entradas reales del mundo real pueden ser muy dispersas. Como resultado, la tabla de decisión de partición puede almacenarse y procesarse dinámicamente usando una tabla de función de troceo u otros métodos que ahorran espacio de almacenamiento.

Un proceso de construcción y optimización de una tabla de partición de decisión entera en el caso de codificación discreta de acuerdo con una realización de la presente divulgación se describirá a continuación con referencia a la Figura 5. Este proceso puede usarse para realizar la etapa S120 mostrada en la Figura 1. Debería observarse que el umbral en la Figura 5 puede establecerse de acuerdo con el espacio de almacenamiento de una máquina. Debería observarse que esto es únicamente un ejemplo, y que la codificación discreta no tiene que realizarse en las muestras de entrenamiento antes del entrenamiento de aprendizaje de máquina. Como se muestra en la Figura 5, en la etapa S510, se calcula un tamaño de un espacio de un resultado de codificación discreta del método de aprendizaje de máquina.

En la etapa S520, se determina si el tamaño de espacio es mayor que un umbral. Cuando el resultado de la determinación en la etapa S520 es negativo, el proceso puede continuar a la etapa S530, en donde se almacena estáticamente la tabla de decisión de partición. Se atraviesan todos los espacios de código. Se almacena el resultado de salida del modelo de decisión. Como alternativa, cuando el resultado de la determinación es positivo, el proceso puede continuar a la etapa S540, donde puede almacenarse la tabla de decisión de partición usando tablas de función de troceo o cualquier otro método de almacenamiento dinámico. Se atraviesa la entrada del espacio de entrenamiento. Se almacena el resultado de salida del correspondiente modelo de decisión. A continuación, el proceso puede continuar a la etapa S550, donde el modelo de decisión entrenado puede almacenarse para respaldo además de la tabla de decisión de partición. Es necesario observar que, cuando se almacena dinámicamente la tabla de decisión de partición, puede añadirse con antelación una entrada que corresponde al conjunto de entrenamiento para reducir la sobrecarga de la construcción de la tabla dinámica en posteriores aplicaciones dinámicas. Pueden añadirse también las entradas que corresponden a otros conjuntos de entrada, o no se añade entrada, pero una entrada se añade dinámicamente cuando sea necesario más adelante. En este momento, puesto que se requiere que las entradas de decisión se interpolen dinámicamente más tarde, el modelo de decisión obtenido por aprendizaje de máquina también se requiere que se almacene además de la tabla de decisión de partición inicial, como se muestra en la etapa S550.

Un proceso de ejemplo para realizar la etapa de toma de decisiones en tiempo real S130 de acuerdo con una realización de la presente divulgación se describirá a continuación con referencia a la Figura 6. Puede suponerse en este punto que la entrada se procesa por el método de codificación discreta, y que la tabla de decisión de partición se construye y almacena por el método mostrado en la Figura 5. Como se muestra en la Figura 6, en la etapa S610, se codifica una entrada usando un método de codificación discreta. La entrada en este punto puede ser una velocidad actual, una distancia desde un vehículo delantero, una velocidad relativa con respecto al vehículo delantero, y una velocidad máxima obtenida en tiempo real durante el proceso de conducción automática del vehículo. Sin embargo, estos son únicamente ejemplos, y las dimensiones de entrada y características específicas pueden variar de acuerdo con el método de planificación de velocidad.

En la etapa S620, se usa un resultado de la codificación discreta como un índice de la partición, y se consulta la tabla de decisión de partición.

Cuando se almacena la tabla de decisión de partición usando el método de almacenamiento estático o se almacena usando el método de almacenamiento dinámico pero se almacena el resultado de decisión del resultado de codificación discreta, el resultado de decisión puede obtenerse directamente de la tabla de decisión de partición. De otra manera, cuando se almacena la tabla de decisión de partición usando el método de almacenamiento dinámico y no se almacena el resultado de decisión del resultado de codificación discreta, el resultado de decisión no puede obtenerse directamente de la tabla de decisión de partición.

En la etapa S630, se determina si puede obtenerse un resultado de decisión. Si la respuesta es "Sí", el proceso puede continuar a la etapa S650 y puede devolver el resultado de decisión. Como alternativa, si la respuesta es "NO", el proceso puede continuar a la etapa S640 y puede usar el modelo de decisión almacenado para obtener un resultado de decisión y puede añadir el resultado de decisión obtenido a la tabla de decisión de partición. Puede a continuación realizarse la etapa S650.

Debería observarse que la Figura 6 es un ejemplo de un proceso de toma de decisiones en algunas realizaciones en las que se realiza codificación discreta y se usa almacenamiento estático o almacenamiento dinámico como se ha descrito anteriormente. Sin embargo, esto es simplemente un ejemplo, y no hay limitación de la presente divulgación. En algunas realizaciones en las que no se realiza codificación discreta, el proceso de toma de una decisión usando la tabla de decisión de partición puede ser diferente. Por ejemplo, la partición a la que pertenece la entrada puede determinarse directamente de acuerdo con la entrada. La tabla de decisión de partición puede a continuación consultarse para obtener el resultado de decisión. En el caso de que el resultado de decisión no se obtenga consultando la tabla de decisión de partición, pero se almacene el modelo de decisión, el modelo de decisión almacenado puede usarse para obtener el resultado de decisión. Como alternativa, puede proporcionarse una realimentación para indicar que no puede proporcionarse el resultado de decisión, etc.

De acuerdo con el método de planificación de velocidad de la realización de la presente divulgación, cuando se determina que el resultado de decisión de la partición determinada no es de conformidad con una expectativa, el resultado de decisión de partición de la partición puede ajustarse rápidamente. El método no necesita modificar el conjunto de muestras de entrenamiento o ajustar los parámetros de entrenamiento para volver a entrenar. Ni el método necesita ajustar los parámetros del modelo entrenado. En su lugar, el método únicamente necesita modificar el resultado de decisión de la correspondiente partición en la tabla de decisión de partición para asegurar que el ajuste está limitado a esta partición sin afectar a los resultados de decisión en otras particiones.

En particular, los métodos para ajustar el resultado de decisión de partición pueden incluir ajustar el resultado de decisión de partición de la partición basándose en experiencia, aprendiendo la partición usando un método de aprendizaje de máquina, etc. Por ejemplo, cuando una velocidad actual es 10 km/h, una distancia desde el vehículo delantero es 200 m, una velocidad relativa a un vehículo delantero es 5 km/h, una velocidad máxima es 30 km/h y el control de velocidad es anormal, puede hacerse referencia a la respuesta de un conductor experimentado en este caso y convertirse en un correspondiente resultado de decisión, y el resultado de decisión se almacena en una entrada de decisión que corresponde al intervalo al que pertenece la entrada. Pueden recopilarse también datos desde muchos conductores mientras se conduce, y pueden recopilarse todos los resultados de decisión que corresponden al espacio de entrada para obtener un resultado de decisión deseado por inducción o aprendizaje de máquina sencillo.

En un ejemplo, después de que se obtiene el resultado de decisión, se realiza una etapa de control en tiempo real para emitir un comando de control al vehículo basándose en el resultado de decisión obtenido, controlando de esta manera la velocidad del vehículo. La Figura 7 muestra un diagrama de flujo de un método de control de planificación de velocidad 700 que incluye una etapa de control en tiempo real de acuerdo con una realización de la presente divulgación. Las etapas S710-S730 en la Figura 7 son similares a las etapas S110-S130 mostradas en la Figura 1, y la diferencia radica en añadir una etapa de control en tiempo real S740, es decir, emitir un comando de control al vehículo basándose en el resultado de decisión obtenido para controlar la velocidad del vehículo.

Debería observarse que se ejecuta el control en tiempo real en este punto de acuerdo con el resultado de decisión de planificación de velocidad, que no es un control exclusivo, si no que puede combinarse con otras estrategias de control (por ejemplo, control de dirección, etc.) de la conducción automática al control de manera comprensiva del vehículo.

De acuerdo con una realización preferida de la presente divulgación, cuando los resultados de decisión de una o más ciertas particiones se halla que no son de conformidad con la excepción, los resultados de decisión de partición de las ciertas particiones pueden ajustarse y el número de particiones puede determinarse después de que se ajustan los resultados de decisión de partición de las particiones. Cuando el número de las particiones supera un umbral predeterminado, pueden volverse a ejecutar la etapa de entrenamiento global y el aprendizaje de máquina para obtener un nuevo modelo de decisión, y puede realizarse de nuevo el particionamiento. Es decir, la etapa S110 a la etapa S130 mostradas en la Figura 1, es decir, la etapa de aprendizaje de máquina y la etapa de obtención de tabla de decisión de partición, pueden volverse a ejecutar basándose en los resultados de realimentación. Cuando se vuelve a ejecutar el aprendizaje de máquina, puede obtenerse mejor aprendizaje de máquina modificando los parámetros de entrenamiento, añadiendo correspondientes casos de entrenamiento y otros métodos basándose en la realimentación del resultado de decisión de la aplicación.

De acuerdo con otra realización de la presente divulgación, se proporciona un aparato de planificación de velocidad para conducción automática de un vehículo. El aparato de planificación de velocidad, como se describirá a continuación en conjunto con la Figura 8, que incluye una unidad de aprendizaje de máquina 810, una unidad de obtención de tabla de decisión de partición 820, y una unidad de toma de decisiones en tiempo real 830. Opcionalmente, puede incluirse también una unidad de control en tiempo real 830.

La unidad de aprendizaje de máquina 810 puede estar configurada para realizar aprendizaje de máquina usando un conjunto de muestras de entrenamiento para obtener un modelo de aprendizaje de máquina. Cada una de las muestras de entrenamiento puede representarse por un vector característico de vector característico multidimensional que forma un espacio de entrada y un resultado de decisión que forma un espacio de salida. Cada dimensión del vector característico multidimensional puede ser una variable que describe un estado del vehículo en un momento particular. La variable puede estar relacionada con la planificación de velocidad. El resultado de decisión puede indicar una velocidad esperada en un siguiente momento y/o un valor de parámetro de control relacionado con control de velocidad.

La unidad de obtención de tabla de decisión de partición 820 puede estar configurada para dividir el espacio de entrada, y obtener un resultado de decisión que corresponde a una partición determinada basándose en el modelo de aprendizaje de máquina obtenido para formar una tabla de decisión de partición. La tabla de decisión de partición puede mapear cada una de las particiones a su correspondiente resultado de decisión.

La unidad de toma de decisiones en tiempo real 830 puede estar configurada para obtener cada vector característico dimensional del vehículo en tiempo real mientras se está conduciendo el vehículo como una característica de entrada, determinar una partición de entrada a la que pertenece la característica de entrada, y consultar la tabla de decisión de partición basándose en la partición determinada para obtener un correspondiente resultado de decisión.

La unidad de control en tiempo real 840 está configurada para emitir un comando de control al vehículo basándose en el resultado de decisión obtenido para controlar la velocidad del vehículo.

En un ejemplo, el aparato de planificación de velocidad puede incluir adicionalmente una unidad de ajuste de decisión de partición local configurada para ajustar el resultado de decisión de partición de la partición cuando el resultado de decisión de la partición determinada se determina como que no es de conformidad con la expectativa.

Cuando la unidad de ajuste de decisión de partición local ajusta el contenido de decisión de partición de la partición, el contenido de decisión de partición de la partición puede ajustarse de acuerdo con la experiencia. Como alternativa, la partición puede aprenderse por un método de aprendizaje de máquina, y puede ajustarse el resultado de decisión de partición de la partición.

En un ejemplo, el aparato de planificación de velocidad incluye adicionalmente una unidad de codificación discreta configurada para realizar codificación discreta en las muestras de entrenamiento y la característica de entrada en la etapa de decisión en tiempo real.

El espacio de código final es normalmente pequeño, por ejemplo, en la planificación y control de velocidad cuando se implementa un sistema de crucero automático, la entrada puede tener únicamente cuatro dimensiones: una velocidad actual, una distancia desde un vehículo delantero, una velocidad relativa con respecto al vehículo delantero, y una velocidad máxima. El método de codificación discreta preferentemente usado por la unidad de codificación discreta es codificación en mosaico. La codificación en mosaico que tiene únicamente unos códigos de mosaico de cada dimensión de entrada y divide cada dimensión de entrada en 7-13 intervalos preferidos para cumplir bien los requisitos de decisión de velocidad de conducción automática.

En algunos casos extremos (por ejemplo, un gran número de dimensiones de entrada o un espacio de salida de código discretizado grande), el espacio de código final puede superar el espacio de almacenamiento del ordenador, por lo que la unidad de obtención de tabla de decisión de partición 820 también está configurada para calcular un tamaño de un espacio que corresponde a un resultado de codificación discreta obtenido por el método de codificación discreta.

Cuando el tamaño del espacio del resultado de codificación discreta obtenido por la unidad de obtención de tabla de decisión de partición 820 usando el método de codificación discreta es mayor que el umbral determinado, puede usarse un método de almacenamiento dinámico para almacenar la tabla de decisión de partición. Se atraviesa la entrada del espacio de entrenamiento. Se almacena el resultado de salida del correspondiente modelo de decisión, y el modelo de decisión entrenado también se almacena para respaldo.

En correspondencia, la unidad de toma de decisiones en tiempo real 830 de la presente divulgación está configurada para realizar codificación discreta en la característica de entrada usando el método de codificación discreta, y a continuación usa el resultado de codificación discreta obtenido como un índice de la tabla de decisión de partición. Puesto que la tabla de decisión de partición se almacena usando el método de almacenamiento dinámico, si se almacena el resultado de decisión del resultado de codificación discreta en la tabla de decisión de partición, el resultado de decisión puede obtenerse directamente de la tabla de decisión de partición. Si no se almacena el resultado de decisión del resultado de codificación discreta en la tabla de decisión de partición, puede usarse el modelo de decisión almacenado para obtener un resultado de decisión. El resultado de decisión obtenido puede añadirse a la tabla de decisión de partición.

Cuando el espacio del resultado de codificación discreta de la codificación discreta calculado por la unidad de obtención de tabla de decisión de partición 820 usando el método de codificación discreta es menor que el umbral determinado, puede usarse un método de almacenamiento estático para almacenar la tabla de decisión de partición. Todos los espacios de código pueden atravesarse. Puede almacenarse el resultado de salida del modelo de decisión.

En correspondencia, la unidad de toma de decisiones en tiempo real 830 de la presente divulgación está configurada para realizar codificación discreta en la característica de entrada usando el método de codificación discreta, y a continuación usa el resultado de codificación discreta obtenido como un índice de la tabla de decisión de partición. Puesto que la tabla de decisión de partición se almacena usando el método de almacenamiento estático, el resultado de decisión almacenado en la tabla de decisión de partición puede obtenerse directamente.

El método de aprendizaje de máquina usado por la unidad de aprendizaje de máquina 810 puede ser un método de aprendizaje supervisado, un método de aprendizaje no supervisado, o un método de aprendizaje de refuerzo.

La unidad de obtención de tabla de decisión de partición 820 está configurada de manera que las dos entradas se consideran como que pertenecen a la misma partición siempre que los códigos discretos finales de las dos entradas sean idénticos.

El método de codificación discreta usado por la unidad de codificación discreta puede seleccionarse de diversos métodos de codificación bastos, tales como codificación en mosaico.

En un ejemplo, el aparato de planificación de velocidad 800 puede incluir adicionalmente una unidad de realimentación configurada para determinar el número de particiones de las cuales los resultados de decisión de partición se ajustan después de que se ajustan los resultados de decisión de partición de las particiones cuando los resultados de decisión de algunas particiones se determinan como que no están de conformidad con la expectativa, y activar la unidad de aprendizaje de máquina 810 y la unidad de obtención de tabla de decisión de partición 820 para realizar la etapa de aprendizaje de máquina y la etapa de obtención de tabla de decisión de partición de nuevo cuando el número de las particiones supera un umbral predeterminado.

Otra realización de la presente divulgación también proporciona un aparato para calcular la planificación de velocidad de la conducción automática de un vehículo, que incluye un componente de almacenamiento y un procesador, en donde el componente de almacenamiento almacena un conjunto de instrucciones ejecutables por ordenador, y cuando el conjunto de instrucciones ejecutables por ordenador se ejecutan por el procesador, pueden realizarse las siguientes etapas: una etapa de aprendizaje de máquina, que comprende realizar aprendizaje de máquina usando un conjunto de muestras de entrenamiento para obtener un modelo de aprendizaje de máquina, en donde cada una de las muestras de entrenamiento se representa por un vector característico multidimensional que forma un espacio de entrada y un resultado de decisión que forma un espacio de salida, en donde cada dimensión del vector característico multidimensional es una variable que describe un estado del vehículo en un momento particular y relacionada con la planificación de velocidad, y en donde el resultado de decisión indica una velocidad esperada en un siguiente momento y/o un valor de parámetro de control relacionado con control de velocidad; una etapa de obtención de tabla de decisión de partición, que comprende: dividir el espacio de entrada, y obtener un resultado de decisión que corresponde a una partición determinada basándose en el modelo de aprendizaje de máquina obtenido para formar una tabla de decisión de partición que mapea cada partición a su correspondiente resultado de decisión; y una etapa de toma de decisiones en tiempo real, que comprende: obtener cada vector característico dimensional del vehículo mientras se conduce en tiempo real como una característica de entrada, determinar una partición de entrada a la que pertenece la característica de entrada, y consultar la tabla de decisión de partición basándose en la partición determinada para obtener un resultado de decisión que corresponde a la característica de entrada.

Opcionalmente, cuando el conjunto de instrucciones ejecutables por ordenador se ejecuta por el procesador, puede realizarse también la siguiente etapa: una etapa de control en tiempo real, que comprende: emitir un comando de control al vehículo basándose en el resultado de decisión obtenido para controlar la velocidad del vehículo.

Debería observarse que el vehículo en la descripción debe entenderse en un sentido amplio, que incluye diversos vehículos grandes, medios y pequeños, vehículos acuáticos, etc.

Debería observarse que las etapas del método pueden realizarse localmente en el vehículo, en la nube, o tanto localmente como en la nube y los datos relevantes pueden también almacenarse localmente, o en la nube o tanto localmente como en la nube.

Claims

REIVINDICACIONES

1. Un método de planificación de velocidad para conducción automática de un vehículo, que comprende:

una etapa de aprendizaje de máquina, que comprende: realizar aprendizaje de máquina usando un conjunto de muestras de entrenamiento para obtener un modelo de aprendizaje de máquina, en donde cada una de las muestras de entrenamiento se representa por un vector característico multidimensional que forma un espacio de entrada y un resultado de decisión que forma un espacio de salida, en donde cada dimensión del vector característico multidimensional es una variable que describe un estado del vehículo en un momento particular, en donde la variable está relacionada con la planificación de velocidad, y en donde el resultado de decisión indica al menos uno de una velocidad esperada en un siguiente momento o un valor de un parámetro de control relacionado con el control de velocidad;

una etapa de obtención de tabla de decisión de partición, que comprende: dividir el espacio de entrada, y obtener un resultado de decisión que corresponde a una partición determinada, basándose en el modelo de aprendizaje de máquina obtenido para formar una tabla de decisión de partición que mapea cada una de las particiones a su correspondiente resultado de decisión; y

una etapa de toma de decisiones en tiempo real, que comprende: obtener cada vector característico dimensional del vehículo mientras se conduce en tiempo real como una característica de entrada, determinar una partición de entrada a la que pertenece la característica de entrada, y consultar la tabla de decisión de partición basándose en la partición determinada para obtener un correspondiente resultado de decisión.

2. El método de acuerdo con la reivindicación 1, que comprende adicionalmente: una etapa de control en tiempo real, que comprende: emitir un comando de control al vehículo basándose en el resultado de decisión obtenido para controlar una velocidad del vehículo.

3. El método de acuerdo con la reivindicación 1, que comprende adicionalmente: ajustar un resultado de decisión de partición de la partición cuando el resultado de decisión de partición de la partición determinada se determina que no es de conformidad con una expectativa.

4. El método de acuerdo con la reivindicación 3, en donde ajustar el resultado de decisión de partición de la partición comprende al menos uno de:

ajustar el resultado de decisión de partición de la partición de acuerdo con la experiencia; o

ajustar el resultado de decisión de partición de la partición aprendiendo la partición usando un método de aprendizaje de máquina.

5. El método de acuerdo con la reivindicación 1, que comprende adicionalmente codificar un espacio de características usando un método de codificación discreta antes de la etapa de aprendizaje de máquina.

6. El método de acuerdo con la reivindicación 5, en donde la etapa de obtención de tabla de decisión de partición comprende:

calcular un tamaño de un espacio que corresponde a un resultado de codificación discreta obtenido usando el método de codificación discreta;

cuando el tamaño del espacio es mayor que un umbral determinado, usar un método de almacenamiento dinámico para almacenar la tabla de decisión de partición, atravesar únicamente entradas de un espacio de entrenamiento, almacenar un resultado de salida de un correspondiente modelo de decisión, y almacenar el modelo de decisión entrenado para respaldo además de la tabla de decisión de partición; y

cuando el tamaño del espacio es menor que el umbral determinado, usar un método de almacenamiento estático para almacenar la tabla de decisión de partición, atravesar todos los espacios de código, y almacenar el resultado de salida del modelo de decisión.

7. El método de acuerdo con la reivindicación 6, en donde la etapa de toma de decisiones en tiempo real comprende:

realizar codificación discreta en la característica de entrada usando el método de codificación discreta; usar un resultado de codificación discreta obtenido como un índice de la tabla de decisión de partición; cuando la tabla de decisión de partición se almacena usando el método de almacenamiento estático, obtener directamente el resultado de decisión almacenado en la tabla de decisión de partición; y

cuando la tabla de decisión de partición se almacena usando el método de almacenamiento dinámico, si se almacena el resultado de decisión del resultado de codificación discreta en la tabla de decisión de partición, obtener directamente el resultado de decisión de la tabla de decisión de partición; y si no se almacena el resultado de decisión del resultado de codificación discreta en la tabla de decisión de partición, usar el modelo de decisión almacenado para obtener un resultado de decisión, y añadir el resultado de decisión obtenido a la tabla de decisión de partición.

8. Un aparato de planificación de velocidad para conducción automática de un vehículo, que comprende:

una unidad de aprendizaje de máquina configurada para usar un conjunto de muestras de entrenamiento para realizar aprendizaje de máquina para obtener un modelo de aprendizaje de máquina, en donde cada una de las muestras de entrenamiento se representa por un vector característico multidimensional que forma un espacio de entrada y un resultado de decisión que forma un espacio de salida, en donde cada dimensión del vector característico multidimensional es una variable que describe un estado del vehículo en un momento particular, en donde la variable está relacionada con la planificación de velocidad, y en donde el resultado de decisión indica al menos uno de una velocidad esperada en un siguiente momento o un valor de parámetro de control relacionado con control de velocidad;

una unidad de obtención de tabla de decisión de partición configurada para dividir el espacio de entrada, y obtener un resultado de decisión que corresponde a una partición determinada basándose en el modelo de aprendizaje de máquina obtenido para formar una tabla de decisión de partición que mapea cada una de las particiones a su correspondiente resultado de decisión; y

una unidad de toma de decisiones en tiempo real configurada para obtener cada vector característico dimensional del vehículo en tiempo real mientras se conduce como una característica de entrada, determinar una partición de entrada a la que pertenece la característica de entrada, y consultar la tabla de decisión de partición basándose en la partición determinada para obtener un correspondiente resultado de decisión.

9. El aparato de planificación de velocidad de acuerdo con la reivindicación 8, que comprende adicionalmente: una unidad de control en tiempo real configurada para emitir un comando de control al vehículo basándose en el resultado de decisión obtenido para controlar la velocidad del vehículo.

10. El aparato de planificación de velocidad de acuerdo con la reivindicación 8, que comprende adicionalmente: una unidad de ajuste de decisión de partición local configurada para ajustar un resultado de decisión de partición de la partición cuando se determina que el resultado de decisión de partición de la partición determinada no es de conformidad con una expectativa.

11. El método de acuerdo con la reivindicación 1 o el aparato de planificación de velocidad de acuerdo con la reivindicación 8, en donde cada vector característico dimensional comprende:

una velocidad actual, una distancia desde un vehículo delantero, una velocidad relativa con respecto al vehículo delantero y una velocidad máxima.

12. El aparato de planificación de velocidad de acuerdo con la reivindicación 8, que comprende adicionalmente: una unidad de codificación discreta configurada para realizar codificación discreta en las muestras de entrenamiento y la característica de entrada.

13. El método de acuerdo con la reivindicación 5 o el aparato de planificación de velocidad de acuerdo con la reivindicación 12, en donde dos entradas pertenecen a la misma partición siempre que los códigos discretos finales de las dos entradas sean idénticos.

14. El método de acuerdo con la reivindicación 5 o el aparato de planificación de velocidad de acuerdo con la reivindicación 12, en donde el método de codificación discreta es un método de codificación basta.

15. El aparato de planificación de velocidad de la reivindicación 8, que comprende adicionalmente:

una unidad de realimentación configurada para determinar el número de particiones de las cuales se ajusta el resultado de decisión de partición, y activar la unidad de aprendizaje de máquina y la unidad de obtención de tabla de decisión de partición para realizar el aprendizaje de máquina y la operación de obtención de tabla de decisión de partición de nuevo cuando el número de las particiones supera un umbral predeterminado.