智能车辆类人驾驶行为知识迁移原理与在线学习建模方法研究

With the rapid development of theories and technologies related to intelligent systems, vehicles that have the capability of self-learning and can learn from human drivers about their experiences and behaviors have attracted increasing attention from both researchers and the public. However, traditional learning methods aiming to imitate the driving behavior of human drivers have high requirement on the data and cannot transfer the existing experiences and knowledge to a new learning task. These methods thus have the drawbacks of low efficiency and poor generalization capability which limit the application of traditional learning methods in the complex and dynamical scenarios. To overcome these drawbacks, this study aims to realize the knowledge transfer of driving behavior for intelligent vehicles, which contains the following three research contents: (1) studying the methods for knowledge representation, modelling and extraction of driving primitives based on the typical driving environments and tasks; (2) analyzing the combination mechanism of driving primitives and relevant optimization approaches, and developing on-line algorithms for learning complex driving behaviors; (3) studying the methods for measuring similarity between driving behaviors, the mechanism of knowledge transfer and the implementation of algorithms based on the two-dimensional information about driving tasks and drivers. This study will provide the theoretical basis and technological support for the development of self-learning and intelligent systems for vehicles.

随着智能系统理论和技术的快速发展，具有自主学习能力，能够学习人类驾驶经验和驾驶行为的智能车辆开始成为学者和公众共同关注的焦点。然而，传统的驾驶行为学习方法旨在通过模仿到达学习的目的，对数据依赖性强，不能有效地将已有的知识和经验迁移到新任务的学习中，具有学习效率低、泛化能力差的缺点，限制了其在复杂动态驾驶场景中的应用。针对以上问题，本项目将围绕如何在智能车辆平台上实现驾驶行为的知识迁移这一关键问题，展开以下三方面内容的研究：（1）针对典型的驾驶场景和任务，研究驾驶基元的知识表达、建模与提取方法；（2）分析驾驶基元的组合原理和优化方法，开发针对复杂驾驶行为的在线学习算法；（3）基于驾驶任务与驾驶员的二维信息，研究驾驶行为的相似性度量方法、知识迁移原理与算法实现。本项目的研究将为车辆自主学习系统的开发及智能化发展提供理论基础和技术支撑。

智能车辆是一个综合智能系统，涉及到机械工程、控制工程、计算机技术、网络技术和人工智能等众多学科。近年来随着相关领域，尤其是人工智能领域的快速发展，车辆的智能化程度在不断提升。学习是人类智能的基础，也是实现机器智能的重要途径。使车辆具有自主学习能力，能够学习人类驾驶员的驾驶行为对车辆智能化的发展有着重要的推动作用。传统的驾驶行为学习方法旨在通过模仿达到学习的目的，对数据依赖性强，不能有效地将已有的知识和经验迁移到新任务的学习中，具有学习效率低、泛化能力差的缺点，限制了其在复杂动态驾驶场景中的应用。本项目针对传统学习系统的缺陷，提出可迁移驾驶行为建模方法与在线学习系统，并开展了以下三方面内容的研究：（1）针对典型的驾驶场景和任务，提出基于驾驶基元的行为建模方法，采用统计机器学习技术开发了高效准确的基元提取系统，构建了覆盖多场景的驾驶行为基元库；（2）基于典型场景的驾驶基元，提出分层基元组合与优化方法，并结合强化学习实现了基元的在线重组与复杂驾驶行为的在线学习；（3）基于驾驶任务与驾驶员的二维信息，提出数据层面的可迁移驾驶行为模型，分析了不同驾驶员间的知识迁移原理，从横向和纵向两种驾驶任务出发分别开发了迁移学习算法。以智能车辆为平台，以人类驾驶员为研究对象，本项目一方面构建了从行为基元建模到复杂行为迁移的完整框架，实现了不同场景下驾驶行为模型的泛化，为迁移学习在智能车领域的应用奠定了基础；另一方面，建立了能够覆盖多个典型场景的驾驶行为基元库，为智能车辆的拟人化研究提供基础，同时可供相关领域的研究者参考使用，加速类人驾驶系统的开发与产业化进程。