JP7464236B2

JP7464236B2 - 複雑ネットワークによる自動運転車の複雑環境モデル、認知システム及び認知方法

Info

Publication number: JP7464236B2
Application number: JP2022553145A
Authority: JP
Inventors: 英▲鳳▼ 蔡; 成龍滕; 暁夏熊; 海王; 暁東孫; ▲チン▼超劉
Original assignee: Jiangsu University
Current assignee: Jiangsu University
Priority date: 2021-05-10
Filing date: 2022-01-07
Publication date: 2024-04-09
Anticipated expiration: 2042-01-07
Also published as: JP2023528114A; DE112022000019T5; CN113406955B; CN113406955A; WO2022237212A1

Description

本発明は、自動運転車応用技術分野に関し、特に複雑ネットワークによる自動運転車の複雑環境モデル、認知システム及び認知方法に関する。

複雑ネットワークは、高い複雑さを呈するネットワークであり、複雑システムの抽象であり、一般的に自己組織化、自己相似、アトラクタ、スモールワールド、スケールフリーのうちの一部又は全ての性質を有する。複雑ネットワークの特性は複雑さであり、具体的に下記のように表され、即ちネットワークの規模が大きく、接続構造が複雑であり、ノードの複雑さ（例えば、ノード動力学的複雑さ及びノードの多様性）、ネットワークの時空間進化プロセスが複雑であり、ネットワーク接続のスパース性、様々な複雑性の融合などである。複雑ネットワークの複雑さ研究方法、例えば、ノードの複雑さ、接続構造の複雑さ及びネットワークの時空間進化プロセスの複雑さなどの研究方法は、複雑システムのモデリング及び研究の重要なツールとなっている。

自動運転車は、環境感知、計画決定、制御実行などの機能を一体に統合する統合システムである。レーザーレーダー、ミリ波レーダー、カメラなどのセンサ技術の急速な発展に伴い、環境感知方法は深く研究され、大きな進歩を遂げた。現在、環境の個体タイプ、位置、運動などの底層感知情報と、個体行動スタイル、階層化ローカル環境、グローバル環境認知との間の関連を確立し、環境感知から個体認知へ、ローカル認知から交通総合的姿勢のグローバル認知への発展を支持し、自動運転車の自己決定及び運動計画の安全性を保障する重要な前提となっている。しかしながら、自動運転車の直面する環境は複雑システムであり、この複雑システムでは、個体の運動行動は当該個体自身に依存するだけでなく、周囲の他の個体運動行動及び運転環境からの影響も受け、複雑な多次元結合性及び動的不確実性がある。したがって、複雑ネットワークから、自動運転車の複雑環境モデル、認知方法及び装置を確立し、自動運転車の直面する環境の非線形動的進化の法則を開示することは、既に高レベル自動運転環境認知課題を解決するための重要な部分となっている。

上記技術課題を解決するために、本発明では、複雑ネットワークによる自動運転車の複雑環境モデル、認知システム及び認知方法が提供され、自動運転車の外部環境を感知した上で、まず、個体運転行動認知の複雑さ課題について、運転操作のアグレッシブ度合及びモードシフトプリファレンスを表すための運転特徴パラメータに従って、運転スタイル認識を行い、次に、環境内運動本体のグループ行動特徴に従って、運転スタイル認識の上で、複雑ネットワークにより、運動本体をノードとして道路を制約として、時変の複雑動的ネットワークを自動運転車の複雑環境モデルとして確立し、最後に、複雑環境モデルにおけるノードに対してパラメトリック表現を行い、複雑環境に対するノード差別化認知を実現し、凝集クラスタリングアルゴリズムを用いて複雑環境モデルにおけるノードを層分け、複雑環境に対する階層化認知を実現し、複雑環境モデルの無秩序度合の測定方法を確立し、複雑環境に対するグローバルリスク姿勢認知を実現する。

本発明の複雑ネットワークによる自動運転車の認知システムは、運転スタイル認識モジュール、複雑環境モデルモジュール、ノード差別化認知モジュール、階層化認知モジュール、グローバルリスク姿勢認知モジュールを含む。

前記運転スタイル認識モジュールは、運転特徴パラメータを抽出した上で、運転スタイル特徴マトリックスＣ_Ｊを構築し、運転スタイル特徴マトリックスＣ_Ｊをランダムフォレスト分類子Ｒ_ｆに入力し、ランダムフォレスト分類子Ｒ_ｆにより運転スタイルカテゴリＫ_{ｄｒｉｖｅ}を出力する。

前記運転特徴パラメータは、縦方向運転特徴パラメータ、横方向運転特徴パラメータ及びモードシフト特徴パラメータを含む。前記縦方向運転特徴パラメータとは、限られた時間枠での縦方向加速度ａ_＋、運転間隔ｄ_ｔｉｍｅを指し、前記横方向運転特徴パラメータとは、限られた時間枠での横方向加速度の二乗平均平方根ＲＭＳ（ａ＿）、ヨーレートの標準偏差ＳＤ（ｒ）を指し、前記モードシフト特徴パラメータとは、限られた時間枠での左車線変更状態遷移確率Ｐ（ｌ_Ｃ）及び右車線変更状態遷移確率Ｐ（ｒ_Ｃ）を指す。

前記運転スタイル特徴マトリックスＣ_Ｊとは、縦方向運転特徴パラメータ、横方向運転特徴パラメータ及びモードシフト特徴パラメータから構成された三次元の六自由度の特徴マトリックス

前記ランダムフォレスト分類子Ｒ_ｆは、下記のステップで生成され、即ち運転スタイルデータからなるオリジナルトレーニングセットに対して、置換を伴うランダムサンプリングを行い、ｍ個のトレーニングセットを生成し、各トレーニングセットに対してｎ個の特徴を選択し、それぞれｍ個の決定木分類モデルをトレーニングし、全てのトレーニング例が同一カテゴリに属するまで、各決定木分類モデルに対して情報ゲイン率に基づいて最高のサンプル特徴を選択し分裂し、最後に生成された全ての決定木分類モデルをランダムフォレストとして構成し、投票法により運転スタイルカテゴリＫ_{ｄｒｉｖｅ}を出力する。

前記運転スタイルカテゴリＫ_{ｄｒｉｖｅ}は、急進型、平和型、保守型の三つのカテゴリを含み、
Ｋ_{ｄｒｉｖｅ}＝Ｒ_ｆ（Ｃ_Ｊ）（２）である。

前記複雑環境モデルモジュールは、自動運転車複雑環境のランダム、動的、非線形進化の法則を描き、複雑ネットワーク理論から、運動本体をノードとして、時変の複雑動的ネットワークＧを複雑環境モデル
Ｇ＝（Ｖ，Ｂ，Ｘ，Ｐ，Θ）（３）として構築する。

ただし、Ｇは時変の複雑動的ネットワークであり、Ｖは時変の複雑動的ネットワークＧにおけるノードコレクションであり、Ｂは時変の複雑動的ネットワークＧにおけるエッジのコレクションであり、ノード間の繋がり線を表し、Ｘは時変の複雑動的ネットワークＧにおけるノードの状態ベクトルであり、Ｐは時変の複雑動的ネットワークＧにおけるエッジの強度関数であり、ノード間のカップリング関係を表し、Θは時変の複雑動的ネットワークＧのエリア関数であり、時変の複雑動的ネットワークＧに対する動的制約を表す。

時変の複雑動的ネットワークＧを、Ｎ個のノードを有する連続時間動的システムとして等価化し、第ｉノードの状態変数をｘ_ｉとすると、第ｉノードの運動方程式は、

ただし、ｆ（ｘ_ｉ）は、第ｉノードの状態変数の可変関数であり、ξ＞０は共接続関係強度係数であり、ｐ_ｉｊ（ｔ）は第ｉノードと第ｊノードとの間のカップリング係数であり、Ｈ（ｘ_ｊ）はノード間のインライン関数であり、運転スタイルとノード距離の関数である。

とすると、時変の複雑動的ネットワークＧのノードシステム運動方程式は、

ただし、Ｘは時変の複雑動的ネットワークＧにおけるノードの状態ベクトルであり、Ｆ（Ｘ）は時変の複雑動的ネットワークＧにおけるノードの動的方程式ベクトルであり、Ｐ（ｔ）は時変の複雑動的ネットワークＧにおけるノード間のカップリングマトリックスであり、Ｈ（Ｘ）は時変の複雑動的ネットワークＧにおけるノードのインラインベクトルである。

複雑環境モデルでは、ノードの運動及び環境の変化に伴い、ノードの位置及び状態が動的変化にあり、ノードが時変の複雑動的ネットワークに対して流入して流出することがあり、ノード間のカップリング関係及び時変の複雑動的ネットワークのエリア関数もそれに伴って変化し、複雑ネットワークシステムは時間に伴って絶えず発展している。

前記ノード差別化認知モジュールは、複雑環境モデルにおけるノードの量ｇ_ｉ、度ｋ_ｉ、重みｓ_ｉ及び重要度Ｉ（ｉ）の合計四つのパラメータを用いてネットワークノードの違いを説明するとともに、正規分布図を用いて全てのノードに対して差別化分析を行う。

前記ノードの量ｇ_ｉは、第ｉノードの構造サイズで表される。

前記ノードの度ｋ_ｉは、第ｉノードに直接繋がるノードの数で表される。

前記ノードの重みｓ_ｉは、第ｉノードの全ての隣接するエッジの重みの合計を表す。

前記ノードの重要度Ｉ（ｉ）は、

（６）式で、ｐ_ｉｊ（ｔ）はノード間のカップリング係数であり、Ｋ（ｉ）は第ｉノードの次数中心性要因

（７）式で、

モジュールの平均単位重みを表す。

前記階層化認知モジュールは、凝集クラスタリングアルゴリズムを用いて複雑環境モデルにおけるノードに対して階層分けを行い、自動運転車複雑環境の階層化、段階性に対する認知を実現し、操作ステップは以下のようである。
自動運転車を中心ノードとして、中心ノードとのカップリング関係を有するノードと中心ノードとが内層モジュールを構成するステップ１、
内層モジュールの非中心ノードに対して重要度を並べ替えて、順にカップリング係数が最も大きい点を見つけて、中間層モジュールを構成するステップ２、
中間層モジュールのノードに対して重要度を並べ替えて、順にカップリング係数が最も大きい点を見つけて、外層モジュールを構成するステップ３、
他のノードから端層モジュールが構成されるステップ４である。

前記グローバルリスク姿勢認知モジュールは、エントロピー理論の基本思想により、システムエントロピー及びエントロピー変更を用いて、複雑環境モデルの無秩序度合を測定し、全体リスク及び変化姿勢を説明し、グローバル共性に対する状態認知を実現する。

前記システムエントロピーは、
Ｓ＝Ｖ_ｎ／Θ＋Ｄ（Ｐ）＋Ｄ（Ｕ）（８）である。

ただし、Ｖ_ｎは複雑環境モデルのノード数であり、Θは複雑環境モデルのネットワークエリアであり、Ｄ（Ｐ）はカップリング係数の分散を表し、Ｄ（Ｕ）は複雑環境モデルにおけるノード速度の分散である。

前記エントロピー変更は、

ただし、ｄは、対応変数を算出するディファレンシャルを表し、その変化傾向を表す。

上記複雑ネットワークによる自動運転車の認知システムによれば、本発明で提出される自動運転車の認知方法は、
縦方向運転特徴パラメータ、横方向運転特徴パラメータ及びモードシフト特徴パラメータを抽出し、運転スタイル特徴マトリックスＣ_Ｊを構築し、ランダムフォレスト分類子Ｒ_ｆを生成し、運転スタイル特徴マトリックスＣ_Ｊをランダムフォレスト分類子Ｒ_ｆに入力し、ランダムフォレスト分類子Ｒ_ｆの出力である運転スタイルカテゴリＫ_{ｄｒｉｖｅ}は、運転スタイルを急進型、平和型、保守型の三つのカテゴリとして認識するステップ１）と、
複雑環境全体的関連付け特徴を説明するために、時変の複雑動的ネットワークＧを複雑環境モデルとして構築し、さらに複雑環境モデルにおけるノード運動方程式を確立してから、時変の複雑動的ネットワークＧにおける全てのノードの特徴を組み合わせて動的方程式ベクトルＦ（Ｘ）、時変の複雑動的ネットワークＧにおけるノード間のカップリングマトリックスＰ（ｔ）及びノードのインラインベクトルＨ（Ｘ）を形成し、複雑環境の動的特徴を説明するために、時変の複雑動的ネットワークＧのノードシステム運動方程式を確立するステップ２）と、
複雑環境モデルにおけるノードの量ｇ_ｉ、度ｋ_ｉ、重みｓ_ｉ及び重要度Ｉ（ｉ）の四つのパラメータを構築するとともに、正規分布図を用いて全てのノードに対して差別化分析を行い、ノード差別化認知を実現するステップ３）と、
凝集クラスタリングアルゴリズムを用いて複雑環境モデルにおけるノードに対して階層分けを行い、自動運転車複雑環境の階層化、階段性に対する認知を実現するステップ４）と、
エントロピー理論の基本思想により、システムエントロピー及びエントロピー変更を用いて、複雑環境モデルの無秩序度合を測定し、全体リスク及び変化姿勢を説明し、グローバル共性に対する状態認知を実現するステップ５）と、を含む。

本発明では、自動運転車の外部環境を感知した上で、まず、個体運転行動認知の複雑さ課題について、運転操作のアグレッシブ度合及びモードシフトプリファレンスを表す運転特徴パラメータに従って、運転スタイル認識を行い、次に、複雑環境における運動本体のグループ行動特徴に従って、運転スタイル認識の上で、複雑ネットワークにより、運動本体をノードとして道路を制約として、時変の複雑動的ネットワークＧを自動運転車の複雑環境モデルとして構築し、最後に、複雑環境モデルにおけるノードに対してパラメトリック表現を行い、複雑環境に対するノード差別化認知を実現し、凝集クラスタリングアルゴリズムを用いて複雑環境モデルにおけるノードを層分け、複雑環境に対する階層化認知を実現し、複雑環境モデルの無秩序度合測定方法を確立し、複雑環境に対するグローバルリスク姿勢認知を実現することによって、複雑ネットワークによる自動運転車の複雑環境モデル、認知方法及び装置を確立し、自動運転車の安全運転及び制御ポリシーの設計へ良好な基礎を提供する。

本発明の有益な効果：
１、本発明では、運転スタイル認識方法を確立し、運転特徴パラメータを抽出した上で、運転スタイル特徴マトリックスＣ_Ｊを構築し、運転スタイル特徴マトリックスＣ_Ｊをランダムフォレスト分類子Ｒ_ｆに入力し、ランダムフォレスト分類子Ｒ_ｆにより運転スタイルカテゴリＫ_{ｄｒｉｖｅ}を出力し、運転スタイル認識を実現する。
２、本発明では、複雑ネットワーク理論から、運動本体をノードとして、時変の複雑動的ネットワークＧを複雑環境モデルとして、自動運転車複雑環境のランダム、動的、非線形進化の法則を描き、時変の複雑動的ネットワークＧのノードシステム運動方程式も確立し、複雑環境の動的特性を説明する。
３、本発明では、複雑環境モデルにおけるノードの量ｇ_ｉ、度ｋ_ｉ、重みｓ_ｉ及び重要度Ｉ（ｉ）の四つのパラメータを構築するとともに、正規分布図を用いて全てのノードに対して差別化分析を行い、自動運転車複雑環境に対するノード差別化認知を実現する。
４、本発明では、ノードカップリング関係を根拠として、凝集クラスタリングアルゴリズムを用いて複雑環境モデルにおけるノードに対して階層分けを行い、自動運転車複雑環境の階層化、階段性に対する認知を実現する。
５、本発明では、自動運転車の複雑環境モデルのシステムエントロピー及びエントロピー変更を構築し、複雑環境モデルの無秩序度合を測定し、全体リスク及び変化姿勢を説明し、自動運転車の複雑環境グローバル共性に対する状態認知を実現する。

図１は、運転スタイル認識モジュールの構造フローチャートである。図２は、自動運転車の複雑環境モデルモジュールの構造フローチャートである。図３は、ノード差別化認知モジュールの構造図である。図４は、階層化認知モジュールの構造フローチャートである。図５は、グローバルリスク姿勢認知モジュールの構造図である。図６は、複雑ネットワークによる自動運転車の認知システムの構造概略図である。

以下に図面を参照して本出願をさらに説明する。

図１に示すように、運転スタイル認識モジュールの構造フローであり、まず、縦方向運転特徴パラメータ、横方向運転特徴パラメータ及びモードシフト特徴パラメータを抽出し、前記縦方向運転特徴パラメータとは、限られた時間枠で的縦方向加速度ａ_＋、運転間隔ｄ_ｔｉｍｅを指し、前記横方向運転特徴パラメータとは、限られた時間枠での横方向加速度二乗平均平方根ＲＭＳ（ａ＿）、ヨーレートの標準偏差ＳＤ（ｒ）を指し、前記モードシフト特徴パラメータとは、限られた時間枠での左車線変更状態遷移確率Ｐ（ｌ_Ｃ）及び右車線変更状態遷移確率Ｐ（ｒ_Ｃ）を指し、次に、運転スタイル特徴マトリックスＣ_Ｊを構築し、前記運転スタイル特徴マトリックスＣ_Ｊとは、縦方向運転特徴パラメータ、横方向運転特徴パラメータ及びモードシフト特徴パラメータから構成された三次元の六自由度の特徴マトリックスを指し、その後、運転スタイル特徴マトリックスＣ_Ｊをランダムフォレスト分類子Ｒ_ｆに入力し、運転スタイルカテゴリＫ_{ｄｒｉｖｅ}を出力し、前記運転スタイルカテゴリＫ_{ｄｒｉｖｅ}は、急進型、平和型、保守型の三つのカテゴリを含み、運転スタイル認識を実現する。

図２に示すように、自動運転車の複雑環境モデルモジュール構造フローであり、まず、時変の複雑動的ネットワークＧを複雑環境モデルＧ＝（Ｖ，Ｂ，Ｘ，Ｐ，Θ）として構築し、次に、時変の複雑動的ネットワークＧを、Ｎ個のノードを有する連続時間動的システムとして等価化し、ノードの運動方程式

を確立し、その後、ノードの運動方程式から、ノードシステム運動方程式

を確立し、最後に、複雑環境の動的特性を説明するために、ノードシステム運動方程式を複雑環境モデルに応用する。

図３に示すように、ノード差別化認知モジュール構造であり、複雑環境モデルにおけるノードの量ｇ_ｉ、度ｋ_ｉ、重みｓ_ｉ及び重要度Ｉ（ｉ）の合計四つのパラメータを併用してネットワークノードの違いを説明するとともに、正規分布図を用いて全てのノードに対して差別化分析を行い、ノードに対する差別化認知を実現する。

図４に示すように、階層化認知モジュール構造フローであり、凝集クラスタリングアルゴリズムを用いて、複雑環境モデルにおけるノードに対して階層分けを行い、複雑環境モデルにおけるノードを順に分けて内層モジュール、中間層モジュール、外層モジュール、端層モジュールをそれぞれ構成し、複雑環境に対する階層化認知を実現する。

図５に示すように、グローバルリスク姿勢認知モジュール構造であり、
システムエントロピーＳ＝Ｖ_ｎ／Θ＋Ｄ（Ｐ）＋Ｄ（Ｕ）及びエントロピー変更

を併用して、複雑環境モデルの無秩序度合を測定し、全体リスク及び変化姿勢を説明し、複雑環境グローバル共性に対する状態認知を実現する。

図６に示すように、複雑ネットワークによる自動運転車の認知システムは、運転スタイル認識モジュール、複雑環境モデルモジュール、ノード差別化認知モジュール、階層化認知モジュール、グローバルリスク姿勢認知モジュールを含む。前記運転スタイル認識モジュールは、ノード間のインライン関数Ｈ（ｘ_ｊ）を構築するために、認識されたノード運転スタイルを複雑環境モデルモジュールに入力し、前記ノード差別化認知モジュール、階層化認知モジュール、グローバルリスク姿勢認知モジュールは、複雑環境モデルモジュールにおけるＶ，Ｂ，Ｘ，Ｐ，Θパラメータのデータを受け、それぞれノード差別化認知、階層化認知及びグローバルリスク姿勢認知を実現する。

複雑ネットワークによる自動運転車の認知方法は、下記ステップを含む。
ステップ１）縦方向運転特徴パラメータ、横方向運転特徴パラメータ及びモードシフト特徴パラメータを抽出し、運転スタイル特徴マトリックスＣ_Ｊを構築し、ランダムフォレスト分類子Ｒ_ｆを生成し、運転スタイル特徴マトリックスＣ_Ｊをランダムフォレスト分類子Ｒ_ｆに入力し、ランダムフォレスト分類子Ｒ_ｆの出力である運転スタイルカテゴリＫ_{ｄｒｉｖｅ}は、運転スタイルを急進型、平和型、保守型の三つのカテゴリとして認識し、具体的なステップは以下のようである。
（Ａ）縦方向運転特徴パラメータ、横方向運転特徴パラメータ及びモードシフト特徴パラメータを抽出するステップ、
（Ｂ）運転スタイル特徴マトリックスＣ_Ｊを構築するステップ、
（Ｃ）ランダムフォレスト分類子Ｒ_ｆを生成するステップ、
（Ｄ）運転スタイル特徴マトリックスＣ_Ｊをランダムフォレスト分類子Ｒ_ｆに入力し、ランダムフォレスト分類子Ｒ_ｆの出力である運転スタイルカテゴリＫ_{ｄｒｉｖｅ}は、運転スタイルを急進型、平和型、保守型の三つのカテゴリとして認識するステップであり、
ステップ２）複雑環境全体的関連付け特徴を説明するために、時変の複雑動的ネットワークＧを複雑環境モデルとして構築し、さらに複雑環境モデルにおけるノード運動方程式を確立してから、時変の複雑動的ネットワークＧにおける全てのノードの特徴を組み合わせて動的方程式ベクトルＦ（Ｘ）、時変の複雑動的ネットワークＧにおけるノード間のカップリングマトリックスＰ（ｔ）及びノードのインラインベクトルＨ（Ｘ）を形成し、複雑環境の動的特性を説明するために、時変の複雑動的ネットワークＧのノードシステム運動方程式を確立し、具体的なステップは以下のようである。
（Ａ）時変の複雑動的ネットワークＧを複雑環境モデルとして構築するステップ、
（Ｂ）複雑環境モデルにおけるパラメータから、複雑環境モデルにおけるノード運動方程式を確立するステップ、
（Ｃ）複雑環境の動的特性を説明するために、ノード運動方程式から、時変の複雑動的ネットワークＧのノードシステム運動方程式を確立するステップであり、
ステップ３）複雑環境モデルにおけるノードの量ｇ_ｉ、度ｋ_ｉ、重みｓ_ｉ及び重要度Ｉ（ｉ）の四つのパラメータを構築するとともに、正規分布図を用いて全てのノードに対して差別化分析を行い、ノード差別化認知を実現し、具体的なステップは以下のようである。
（Ａ）複雑環境モデルにおけるノードの量ｇ_ｉ、度ｋ_ｉ、重みｓ_ｉ及び重要度Ｉ（ｉ）の四つのパラメータを構築するステップ、
（Ｂ）上記四つのパラメータを用いて複雑環境モデルにおける全てのノードをそれぞれ説明するステップ、
（Ｃ）正規分布図を用いて全てのノードに対して差別化分析を行い、ノードの差別化認知を実現するステップである。
ステップ４）凝集クラスタリングアルゴリズムを用いて複雑環境モデルにおけるノードに対して階層分けを行い、自動運転車複雑環境の階層化、階段性に対する認知を実現し、具体的なステップは以下のようである。
（Ａ）自動運転車を中心ノードとして、中心ノードとのカップリング関係を有するノードと中心ノードとが内層モジュールを構成するステップ、
（Ｂ）内層モジュールの非中心ノードに対して重要度を並べ替えて、順にカップリング係数が最も大きい点を見つけて、中間層モジュールを構成するステップ、
（Ｃ）中間層モジュールのノードに対して重要度を並べ替えて、順にカップリング係数が最も大きい点を見つけて、外層モジュールを構成するステップ、
（Ｄ）他のノードから端層モジュールが構成されるステップである。
ステップ５）エントロピー理論の基本思想により、システムエントロピー及びエントロピー変更を用いて、複雑環境モデルの無秩序度合を測定し、全体リスク及び変化姿勢を説明し、グローバル共性に対する状態認知を実現し、具体的なステップは以下のようである。
（Ａ）システムエントロピーＳ＝Ｖ_ｎ／Θ＋Ｄ（Ｐ）＋Ｄ（Ｕ）を用いて複雑環境モデルの無秩序度合を測定し、複雑環境全体リスクを説明するステップ、
（Ｂ）エントロピー変更ｄＳ＝ｄ（Ｖ_ｎ／Θ）＋ｄ（Ｄ（Ｐ））＋ｄ（Ｄ（Ｕ））を用いて、複雑環境モデルの無秩序度合を測定し、複雑環境全体リスクの変化姿勢を説明し、グローバル共性に対する状態認知を実現するステップである。

本発明の具体的実施例としては、Ｐｙｔｈｏｎで運転スタイル認識モジュールを作成し、Ｓｃｉｋｉｔ－ｌｅａｒｎ第三者の機械学習ライブラリに基づいて運転スタイル特徴マトリックスＣ_Ｊを構築し、ランダムフォレスト分類子Ｒ_ｆを生成し、運転スタイル認識を実現し、ＭＡＴＬＡＢ／Ｓｉｍｕｌｉｎｋで数学モデルを作成して複雑環境モデルモジュールを構成し、Ｐｙｔｈｏｎでノード差別化認知モジュール、階層化認知モジュール、グローバルリスク姿勢認知モジュールを作成し、ＰｙＴｏｒｃｈフレームにおいて自動運転車複雑環境の差別化、階層化、グローバルリスク姿勢認知方法を実現し、ＵｂｕｎｔｕシステムによりＭＡＴＬＡＢ、Ｓｃｉｋｉｔ－ｌｅａｒｎ及びＰｙＴｏｒｃｈインタフェースを作成し、産業用制御コンピュータでインストールし配置して、複雑ネットワークによる自動運転車の複雑環境モデル、認知方法及び装置を実現する。

以上に列挙された一連の詳細な説明は単に本発明の実現可能な実施形態に対する具体的な説明に過ぎず、それらは本発明の保護範囲を限定するためのものではなく、本発明の技術から逸脱しない同等方式又は変更はいずれも本発明の保護範囲内に含まれている。

Claims

複雑ネットワークによる自動運転車認知システムの認知方法であって、
縦方向運転特徴パラメータ、横方向運転特徴パラメータ及びモードシフト特徴パラメータを抽出し、運転スタイル特徴マトリックスＣＪを構築し、ランダムフォレスト分類子Ｒｆを生成し、運転スタイル特徴マトリックスＣＪをランダムフォレスト分類子Ｒｆに入力し、ランダムフォレスト分類子Ｒｆの出力である運転スタイルカテゴリＫ_{ｄｒｉｖｅ}は、運転スタイルを急進型、平和型、保守型の三つのカテゴリとして認識するステップ１）と、
複雑環境全体的関連付け特徴を説明するために、時変の複雑動的ネットワークＧを複雑環境モデルとして構築し、さらに複雑環境モデルにおけるノード運動方程式を確立してから、時変の複雑動的ネットワークＧにおける全てのノードの特徴を組み合わせて動的方程式ベクトルＦ（Ｘ）、時変の複雑動的ネットワークＧにおけるノード間のカップリングマトリックスＰ（ｔ）及びノードのインラインベクトルＨ（Ｘ）を形成し、複雑環境の動的特性を説明するために、時変の複雑動的ネットワークＧのノードシステム運動方程式を確立するステップ２）と、
複雑環境モデルにおけるノードの量ｇ_ｉ、度ｋ_ｉ、重みｓ_ｉ及び重要度Ｉ（ｉ）の四つのパラメータを構築するとともに、正規分布図を用いて全てのノードに対して差別化分析を行い、ノード差別化認知を実現するステップ３）と、
凝集クラスタリングアルゴリズムを用いて複雑環境モデルにおけるノードに対して階層分けを行い、自動運転車複雑環境の階層化、階段性に対する認知を実現するステップ４）と、
システムエントロピー及びエントロピー変更を用いて、複雑環境モデルの無秩序度合を測定し、全体リスク及び変化姿勢を説明し、グローバル共性に対する状態認知を実現するステップ５）と、を含む、
ことを特徴とする複雑ネットワークによる自動運転車認知システムの認知方法。
請求項１に記載する複雑ネットワークによる自動運転車認知システムの認知方法を実行するための自動運転車認知システムであり、
前記複雑環境モデルであって、運動本体をノードとして、時変の複雑動的ネットワークＧを複雑環境モデル
Ｇ＝（Ｖ，Ｂ，Ｘ，Ｐ，Θ）（３）として構築し、
ただし、Ｇは時変の複雑動的ネットワークであり、Ｖは時変の複雑動的ネットワークＧにおけるノードコレクションであり、Ｂは時変の複雑動的ネットワークＧにおけるエッジのコレクションであり、ノード間の繋がり線を表し、Ｘは時変の複雑動的ネットワークＧにおけるノードの状態ベクトルであり、Ｐは時変の複雑動的ネットワークＧにおけるエッジの強度関数であり、ノード間のカップリング関係を表し、Θは時変の複雑動的ネットワークＧのエリア関数であり、時変の複雑動的ネットワークＧに対する動的制約を表し、
時変の複雑動的ネットワークＧを、Ｎ個のノードを有する連続時間動的システムとして等価化し、第ｉノードの状態変数をｘｉとすると、第ｉノードの運動方程式は、

ただし、ｆ（ｘ_ｉ）は、第ｉノードの状態変数の可変関数であり、ξ＞０は共接続関係強度係数であり、ｐ_ｉｊ（ｔ）は第ｉノードと第ｊノードの間のカップリング係数であり、Ｈ（ｘ_ｊ）はノード間のインライン関数であり、

とすると、時変の複雑動的ネットワークＧのノードシステム運動方程式は、

ただし、Ｘは時変の複雑動的ネットワークＧにおけるノードの状態ベクトルであり、Ｆ（Ｘ）は時変の複雑動的ネットワークＧにおけるノードの動的方程式ベクトルであり、Ｐ（ｔ）は時変の複雑動的ネットワークＧにおけるノード間のカップリングマトリックスであり、Ｈ（Ｘ）は時変の複雑動的ネットワークＧにおけるノードのインラインベクトルであり、
前記複雑環境モデルでは、ノードの運動及び環境の変化に伴い、ノードの位置及び状態が動的変化にあり、ノード間のカップリング関係及び時変の複雑動的ネットワークのエリア関数もそれに伴って変化している、
ことを特徴とする複雑ネットワークによる自動運転車認知システムの認知方法。
請求項２に記載する自動運転車認知システムの認知方法において、
前記複雑ネットワークによる自動運転車認知システムであって、運転スタイル認識モジュール、複雑環境モデルモジュール、ノード差別化認知モジュール、階層化認知モジュール、グローバルリスク姿勢認知モジュールを含み、
前記運転スタイル認識モジュールは、運転特徴パラメータを抽出した上で、運転スタイル特徴マトリックスＣ_Ｊを構築し、運転スタイル特徴マトリックスＣ_Ｊをランダムフォレスト分類子Ｒ_ｆに入力し、ランダムフォレスト分類子Ｒ_ｆにより運転スタイルカテゴリＫ_{ｄｒｉｖｅ}を出力し、
前記複雑環境モデルモジュールは、
前記ノード差別化認知モジュールは、複雑環境モデルにおけるノードの量ｇ_ｉ、度ｋ_ｉ、重みｓ_ｉ及び重要度Ｉ（ｉ）の合計四つのパラメータを用いてネットワークノードの違いを説明するとともに、正規分布図を用いて全てのノードに対して差別化分析を行い、
前記階層化認知モジュールは、凝集クラスタリングアルゴリズムを用いて複雑環境モデルにおけるノードに対して階層分けを行い、自動運転車複雑環境の階層化、段階性に対する認知を実現し、
前記グローバルリスク姿勢認知モジュールは、システムエントロピー及びエントロピー変更を用いて、複雑環境モデルの無秩序度合を測定し、全体リスク及び変化姿勢を説明し、グローバル共性に対する状態認知を実現する、
ことを特徴とする複雑ネットワークによる自動運転車認知システムの認知方法。
請求項３に記載する自動運転車認知システムの認知方法において、
前記運転特徴パラメータは、縦方向運転特徴パラメータ、横方向運転特徴パラメータ及びモードシフト特徴パラメータを含み、前記縦方向運転特徴パラメータとは、限られた時間枠での縦方向加速度ａ＋、運転間隔ｄ_ｔｉｍｅを指し、前記横方向運転特徴パラメータとは、限られた時間枠での横方向加速度の二乗平均平方根ＲＭＳ（ａ＿）、ヨーレートの標準偏差ＳＤ（ｒ）を指し、前記モードシフト特徴パラメータとは、限られた時間枠での左車線変更状態遷移確率Ｐ（ｌ_Ｃ）及び右車線変更状態遷移確率Ｐ（ｒ_Ｃ）を指す、
ことを特徴とする複雑ネットワークによる自動運転車認知システムの認知方法。
前記運転スタイル特徴マトリックスＣ_Ｊとは、縦方向運転特徴パラメータ、横方向運転特徴パラメータ及びモードシフト特徴パラメータから構成された三次元の六自由度の特徴マトリックス

ことを特徴とする請求項２に記載の自動運転車認知システムの認知方法。
請求項３に記載する自動運転車認知システムの認知方法において、
前記ランダムフォレスト分類子Ｒｆは、下記のステップで生成され、即ち運転スタイルデータからなるオリジナルトレーニングセットに対して、置換を伴うランダムサンプリングを行って、ｍ個のトレーニングセットを生成し、各トレーニングセットに対してｎ個の特徴を選択し、それぞれｍ個の決定木分類モデルをトレーニングし、全てのトレーニング例が同一カテゴリに属するまで、各決定木分類モデルに対して情報ゲイン率に基づいて最高のサンプル特徴を選択して分裂し、最後に生成された全ての決定木分類モデルをランダムフォレストとして構成し、投票法により運転スタイルカテゴリＫ_{ｄｒｉｖｅ}を出力し、
前記運転スタイルカテゴリＫ_{ｄｒｉｖｅ}は、急進型、平和型、保守型の三つのカテゴリを含み、
Ｋ_{ｄｒｉｖｅ}＝Ｒ_ｆ（Ｃ_Ｊ）（２）である、
ことを特徴とする複雑ネットワークによる自動運転車認知システムの認知方法。
請求項３に記載する自動運転車認知システムの認知方法において、
前記ノードの量ｇ_ｉは、第ｉノードの構造サイズで表され、
前記ノードの度ｋ_ｉは、第ｉノードに直接繋がるノードの数で表され、
前記ノードの重みｓ_ｉは、第ｉノードの全ての隣接するエッジの重みの合計を表し、
前記ノードの重要度Ｉ（ｉ）は、

（６）式で、ｐ_ｉｊ（ｔ）はノード間のカップリング係数であり、Ｋ（ｉ）は第ｉノードの次数中心性要因

はモジュールの平均単位重みを表す、
ことを特徴とする複雑ネットワークによる自動運転車認知システムの認知方法。
請求項３に記載する自動運転車認知システムの認知方法において、
前記階層化認知モジュールで、まず自動運転車を中心ノードとして、中心ノードとのカップリング関係を有するノードと中心ノードとが内層モジュールを構成し、次に内層モジュールの非中心ノードに対して重要度を並べ替えて、順にカップリング係数が最も大きい点を見つけて、中間層モジュールを構成し、その後、中間層モジュールのノードに対して重要度を並べ替えて、順にカップリング係数が最も大きい点を見つけて、外層モジュールを構成し、最後に他のノードから端層モジュールが構成される、
ことを特徴とする複雑ネットワークによる自動運転車認知システムの認知方法。
請求項３に記載する自動運転車認知システムの認知方法において、
前記グローバルリスク姿勢認知モジュールで、前記システムエントロピーは、
Ｓ＝Ｖ_ｎ／Θ＋Ｄ（Ｐ）＋Ｄ（Ｕ）（８）として設計され、
ただし、Ｖｎは複雑環境モデルのノード数であり、Θは複雑環境モデルのネットワークエリアであり、Ｄ（Ｐ）はカップリング係数の分散を表し、Ｄ（Ｕ）は複雑環境モデルにおけるノード速度の分散であり、
前記エントロピー変更は、

ただし、ｄは、対応変数を算出するディファレンシャルを表し、その変化傾向を表す、
ことを特徴とする複雑ネットワークによる自動運転車認知システムの認知方法。