【51CTO.com快譯】據報道，TNO（荷蘭應用科學研究組織）已著手將諸如：道德、法律、規范、偏好、以及日常場景的理解等，有關人是如何駕駛的知識，與諸如控制理論、以數據驅動的人工智能（AI）、黑盒算法（DNN）、以及端到端的學習等，適合自動駕駛的技術融合到一起。

?[[442571]]??

其中，為了實現對通用知識（collective knowledge）的合理判斷，他們就用到了TypeDB。

舉例來說，機器是如何及時將編程的邏輯和實際環境結合并做出判斷。假設，根據程序設定，自動駕駛汽車在經過學校時應該減速通過。但是，實際上學校現在已經關了，這輛車還需要按照程序，減速通過嗎？

此外，當這輛車遇到諸如一堆樹葉等無法識別的東西時，又該怎么辦呢？根據默認設置，當車輛遇到并不熟悉的事物時，它一定會選擇剎車或停止當前動作。不過，該團隊成員Willeke發現，在未來，他們可以使用TypeDB作為人類和AI的中心知識節點，以增強車輛對于各種復雜情況的推理能力。

例如，車輛會做出這樣的推理：“我【車輛】雖然不知道這是什么，但我可以推斷出，它既不是道路交通的參與者（traffic participant），又不是容易受傷、或可以移動的物體。目前已是深夜，根據所處的環境，我知道周圍并沒有人，也了解自己的行動存在著風險，所以我只需繞過它，便可繼續前行。”根據車輛的這段OS，您是否想起了那個著名的OODA循環，即：觀察（Observe）、定位（Orient）、決策（Decide）、行動（Act）。而Willeke的工作重點就包含了觀察與決策步驟的推理過程，并且往往是從態勢感知（situational awareness）開始的。

態勢感知

環境感知

以態勢感知作為此類認知的核心，通常存在三種輸入：關于汽車領域的基本知識、來自各種采集源的傳感器信息、從其他來源獲取當前環境的信息（例如環境地圖等）。這些輸入形式有必要采用汽車領域的模式，其中包括有關基礎設施、交通法規、交通標志等方面的知識。下面兩張圖分別以可視化的形式，展示了帶有各種數據的汽車域模式子集，以及兩個在TypeDB中轉換為交通規則，判定允許車輛通過的例子：

???

???

該模式的另外兩個輸入包括來自汽車傳感器的實時反饋，以及來自各種交通預測算法、意圖預測器和POI（如學校等興趣點）等其他資源的感知信息。此類信息可以用于描述車輛所處的當前環境，進而提高駕駛系統推理規則了解車輛所處環境的能力。從下圖中，我們可以看到車載傳感器是如何利用數據，計算出車輛之間的距離、周圍車輛的速度、以及在車道內的具體位置。

???

TNO團隊正試圖將所有這些信息結合起來，在知識圖譜中構建出各種情境意識。

對車輛自身能力的理解和推理

Willeke詳細地介紹了那些可以用來判斷所處環境的預測系統，以及使用這些預測進行自動駕駛的相關決策。下面，我們來討論在TypeDB中的具體實現，以及這些預測算法和數據輸入，是如何在自動駕駛中進行建模與應用的。

???

在環境模型中，TNO在本體模型（ontology）里設定了各種特征不確定性、預測值、重要性（importance）、可見性（visibility）、以及懷疑程度（doubt）等指標，以協助AI了解車輛所處的情況，進而采取安全有效的行動。

其中，重要性是由領域專家針對車道變換的相關知識、以及實體（道路上的車輛）之間距離等重要性采取的編碼。懷疑程度是不確定性的度量，其中包括未知的物體、顯著特征不確定性、低可見度、以及分類器的不確定性等維度。在下圖中，我們可以看到這些屬性和實體是如何在TypeDB中通過建模，以便車輛在路上行駛，并在遇到不確定路況時，如何對算法的實時數據和輸出進行推理，以便做出下一個判斷的。

???

那么如何將上述理論應用到實踐中呢？下圖以數據實例化的形式，討論了這樣一個模型場景：您的汽車正在接近一輛卡車，自動駕駛系統需要決定是改變車道并超越卡車，還是直接交給人類司機進行邏輯判斷。

???

行動指令

動作選擇

系統到底如何判定是超車還是把方向盤交給駕駛員，動作選擇綜合分析了上述TypeDB中的建模、機器學習、以及規劃器（planner）的信息。對此，我們需要深入了解車輛所執行的具體操作、以及為何做出決策與判斷。

在這種類型的決策中，我們希望根據當前情況采取行動：制動，加速，切換車道，并且我們希望快速做到這一點。

TNO團隊通過從車輛中獲取的傳感器數據，并使用狀態和動作信息，對其進行編碼，以完成針對其自研算法的訓練。同時，機器學習算法也會通過逆強化學習（inverse reinforcement learning），為當前給定狀態的每個動作提供評分。

接著，他們將這些動作及其評分，提供給起到最終決策作用的蒙特卡洛樹搜索（Monte Carlo Tree Search，MCTS）規劃器。當然，由于MCTS需要創建一個包含了所有可能動作的樹，因此其整體成本比較高。為了降低此類成本，并提高規劃器的效率，TypeDB再次提供了相關解決方案。

他們使用TypeDB去存儲和推理參與者（即車輛）的動作、周邊信息、以及交通預測等上下文環境。通過減少那些需要MCTS過濾的可能性操作，他們成功地在實時工作場景中，對搜索樹進行了縮減，提高了決策的制定效率和速度。

最后，他們還通過查詢車輛、動作、法律、以及安全評分三者之間的推斷關系，使用TypeDB的相關規則，篩選出了各種可能性的動作，并發送給規劃器。

小結與展望

通過上述討論，我們簡要地介紹了一種具有自我感知并結合了AI的自動駕駛判斷方法。該方法使用汽車周圍的環境信息，來提高行為推斷的能力。通過構建這種態勢感知的混合方法，車輛可以在真實世界中，面對各種未知的情況，降低自動駕駛的各種潛在風險。

目前，TNO團隊計劃在TypeDB中迭代該模型，希望為上下文環境添加更多的結構，以便能夠使用更高級別的推理規則，來智能地推理出其他復雜的場景。此外，他們還將不斷地改進評估能力，以增加更多針對車輛的自動化功能，打造更加豐富的動作場景。

譯者介紹

陳峻 （Julian Chen），51CTO社區編輯，具有十多年的IT項目實施經驗，善于對內外部資源與風險實施管控，專注傳播網絡與信息安全知識與經驗；持續以博文、專題和譯文等形式，分享前沿技術與新知；經常以線上、線下等方式，開展信息安全類培訓與授課。

原文標題：Using TypeDB for Autonomous Vehicles，作者：Daniel Crowe

【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】