【51CTO.com速译】据报道，TNO（荷兰应用科学研究组织）已经开始整合诸如：道德、法律、规范、偏好和理解日常场景等。关于人类如何驾驶的知识与适用于自动驾驶的技术相融合，例如控制理论、数据驱动的人工智能(AI)、黑盒算法(DNN)和端到端学习。其中，为了实现对集体知识的合理判断，他们使用了TypeDB。比如机器如何将编程的逻辑与实际环境结合起来，及时做出判断。假设，根据编程，自动驾驶汽车在经过学校时应该减速。不过，现在学校居然已经停课了，这车还需要按照程序减速通过吗？还有，汽车遇到树叶堆等无法辨认的东西怎么办？按照默认设置，当车辆遇到不熟悉的情况时，肯定会选择刹车或者停止当前的动作。然而，团队成员Willeke发现，未来他们可以将TypeDB作为人类和AI的中心知识节点，以增强车辆对各种复杂情况的推理能力。例如，车辆可能会这样推理：“我[车辆]不知道这是什么，但我可以推断它既不是交通参与者，也不是易受攻击或移动的物体。现在已经是深夜了，根据对于我所处的环境，我知道周围没有人，我也知道我的行为是有风险的，所以我只需要绕开它继续前进。”根据这段车辆的OS，大家有没有想到著名的OODA循环，即：观察（Observe）、定位（Orient）、决策（Decide）、行动（Act）。Willeke的工作重点包括推理观察和决策步骤的过程，往往从态势感知开始。采集来源，以及来自其他来源（如环境地图等）的当前环境信息。这些输入必然采取汽车领域的形式，包括基础设施、交通法规、交通标志等方面的知识。下面两张图分别以可视化的形式展示了汽车领域模式的一个子集，其中包含各种数据，以及在TypeDB中将其转化为交通规则并判断允许车辆通行的两个例子：两个输入包括来自汽车传感器的实时反馈，以及来自各种交通预测算法、意图预测器和POI（学校等兴趣点）等其他来源的感知信息。这些信息可以用来描述车辆当前所处的环境，从而提高驾驶系统推断规则的能力，从而了解车辆所处的环境。从下图中，我们可以看到车载传感器是如何利用数据来计算车辆之间的距离、周围车辆的速度以及在车道中的具体位置的。TNO团队正在尝试将所有这些信息结合起来，在知识图谱中构建各种态势感知。对车辆自身能力的理解和推理Willeke详细描述了可用于判断其所处环境的预测系统，以及使用这些预测进行自动驾驶的相关决策。下面我们来讨论一下在TypeDB中的具体实现，以及这些预测算法和数据输入是如何建模并应用到自动驾驶中的。在环境模型中，TNO在本体模型中设置了特征不确定性、预测值、重要性、可见性、怀疑等各种指标。协助AI了解车辆情况，进而采取安全有效的行动。其中，重要性由领域专家对车道变换和实体（道路上的车辆）之间的距离的相关知识进行编码。怀疑度是不确定性的度量，包括未知物体、显着特征不确定性、低可见性和分类器不确定性等维度。在下图中，我们可以看到这些属性和实体是如何在TypeDB中建模的，以便车辆可以在道路上行驶，以及如何对算法的实时数据和输出进行推理，以便进行下一步的判断。那么如何将上述理论应用到实践中呢？下图以数据实例化的形式讨论了这样一个模型场景：你的车正在接近一辆卡车，自动驾驶系统需要决定是变道超车，还是直接交给人类司机进行逻辑判断判断。动作指示动作选择系统如何判断是超车还是将方向盘交给驾驶员？actionselection综合分析了上述TypeDB中的modeling、machinelearning、planner信息。为此，我们需要深入了解车辆正在做什么以及为什么要做出决策和判断。在这类决策中，我们希望根据当前情况采取行动：刹车、加速、变道，而且我们希望快速完成。TNO团队利用从车辆获取的传感器数据，利用状态和动作信息对其进行编码，完成自研算法的训练。同时，机器学习算法也会通过逆向强化学习，为当前给定状态下的每个动作提供一个分数。然后，他们将这些动作连同他们的分数一起提供给做出最终决定的蒙特卡洛树搜索(MCTS)规划器。当然，由于MCTS需要创建一棵包含所有可能动作的树，所以其综合成本比较高。为了降低这样的成本，提高规划者的效率，TypeDB再次提供了相关的解决方案。他们使用TypeDB来存储和推理上下文，例如参与者的动作（即车辆）、周围信息和交通预测。通过减少那些可能需要MCTS过滤的操作，他们成功地减少了实时工作场景中的搜索树，提高了决策的效率和速度。最后，通过查询推断出的车辆、动作、法律、安全分数之间的关系，并利用TypeDB的相关规则，筛选出各种可能的动作，发送给规划器。总结与展望通过以上讨论，我们简要介绍了一种基于自我感知和人工智能的自动驾驶判断方法。该方法使用有关汽车周围环境的信息来改进行为推断。通过构建这种态势感知的混合方法，车辆可以在面对各种未知情况时降低现实世界中自动驾驶的各种潜在风险。目前，TNO团队计划在TypeDB中迭代模型，希望在上下文中加入更多的结构，从而可以使用更高层次的推理规则对其他复杂场景进行智能推理。此外，他们还将继续提升评估能力，为车辆增加更多自动化功能，创造更丰富的动作场景。译者介绍51CTO社区编辑JulianChen。他在实施IT项目方面拥有超过十年的经验。善于控制内外部资源和风险。他专注于传播网络和信息安全方面的知识和经验。翻译等形式分享前沿技术和新知识；经常在线上和线下开展信息安全培训和讲座。原标题：UsingTypeDBforAutonomousVehicles，作者：DanielCrowe[51CTO翻译，合作站点转载，转载请注明原文译者及出处为51CTO.com]
