[发明专利]车辆语言处理

说明书

本公开提供了“车辆语言处理”。一种计算系统可以被编程为基于输入到使用包括变分自动编码器(VAE)的逆强化学习(IRL)系统训练的深度神经网络(DNN)的车辆传感器数据来确定车辆动作。所述计算系统还可以被编程为基于所述车辆动作来操作车辆。

技术领域

本公开总体上涉及车辆计算系统，并且更具体地涉及车辆语言处理。

背景技术

车辆可以被装备成以自主模式和乘员驾驶模式这两种模式操作。车辆可以被装备有计算装置、网络、传感器和控制器以获取关于车辆环境的信息并且基于所述信息来操作车辆。车辆的安全和舒适的操作可以取决于获取关于车辆环境的准确且及时的信息。车辆传感器可以提供关于要行驶的路线和要在车辆环境中避开的对象的数据。车辆的安全且有效的操作可以取决于当车辆正在道路上操作时获取关于车辆环境中的路线和对象的准确且及时的信息。

发明内容

车辆可以被装备成以自主模式和乘员驾驶模式这两种模式操作。通过半自主模式或完全自主模式，意指一种操作模式，其中车辆可以部分地或全部地由计算装置作为具有传感器和控制器的车辆信息系统的一部分来驾驶。车辆可以被占用或未被占用，但是在任一种情况下，车辆都可以在没有乘员帮助的情况下被部分地或完全地驾驶。出于本公开的目的，自主模式被限定为其中车辆推进(例如，经由包括内燃发动机和/或电动马达的动力传动系统)、制动和转向中的每一者由一个或多个车辆计算机控制的模式；在半自主模式下，车辆计算机控制车辆推进、制动和转向中的一者或两者。在非自主车辆中，这些中没有一个由计算机控制。

车辆中的计算装置可以被编程为获取关于车辆外部环境的数据并且使用所述数据来确定用于以自主或半自主模式操作车辆的车辆轨迹。例如，计算装置可以向控制器(例如，电子控制单元或ECU)提供信息以在包括其他车辆和行人的对象的位置的交通中的道路上操作车辆。基于传感器数据，计算装置可以确定在存在其他车辆和行人的情况下车辆行驶以到达道路上的目的地的路径多项式，其中路径多项式是描述当车辆从道路上的第一位置移动到道路上的第二位置时连接车辆的连续位置的直线或曲线的多项式函数。计算装置可以基于可以用于操作道路上的车辆的路径多项式来确定车辆轨迹。本文讨论了一种用于基于输入到变分自动编码器(VAE)的车辆传感器数据来确定车辆(奖励函数)的行为的技术。然后，奖励函数被用于使用被限定为深层神经网络的策略网络来获得重构策略。

本文公开了一种方法，其包括：基于输入到使用包括变分自动编码器(VAE)的逆强化学习(IRL)系统训练的深度神经网络(DNN)的车辆传感器数据来确定车辆动作；以及基于车辆动作来操作车辆。可以使用VAE来训练DNN以生成重构策略。重构策略可以基于车辆状态和潜在奖励函数。对抗鉴别器网络可以鉴别重构策略和专家策略。专家策略可以基于具有N个轨迹的车辆。可以使用重构策略来恢复专家策略和潜在奖励函数。车辆传感器数据可以包括来自左车道、右车道和同一车道中的相邻车辆的距离和相对速度。

车辆动作可以包括三种车辆速度变化模式，所述三种车辆速度变化模式包括更高速度、更低速度和无变化。车辆动作可以包括三种车辆横向位置变化模式，所述三种车辆横向位置变化模式包括左车道变换操纵、同一车道和右车道变换操纵。VAE可以包括策略处理块，所述策略处理块基于奖励和专家状态来确定重构的动作。VAE可以包括鉴别器处理块，所述鉴别器处理块基于所述重构的动作和所述专家动作、基于所述重构的动作和所述专家动作的相似性来确定处理后的奖励。DNN基于处理后的奖励更新潜在的计算信息。可以基于车辆动作来确定路径多项式。操作车辆可以包括基于路径多项式指示车辆动力传动系统、制动部件和转向部件。