一种基于连续物理量动态计算认知紧迫度的方法及系统与流程

本发明属于人工智能与认知计算，具体涉及一种基于连续物理量动态计算认知紧迫度的方法及系统，可用于自动驾驶、机器人、智能决策系统等需要根据物理环境实时调整认知决策策略的具身智能应用场景。

背景技术：

1、在具身智能系统中，认知决策层需要对外部环境事件做出响应。现有技术在处理外部事件时，通常采用基于离散标签的优先级分类方法——将事件预先划分为若干类别（如“紧急”、“重要”、“普通”），并为每个类别分配固定的优先级或紧迫度等级。这种离散化方法存在以下根本性缺陷：

2、（一）离散优先级无法反映物理世界的连续变化

3、现有技术中，事件的优先级通常是预先设定的固定值。例如，自动驾驶系统中，“行人横穿”被预设为最高优先级，“红灯”被预设为高优先级，“前方车辆减速”被预设为中等优先级。然而，物理世界中的事件紧迫度是连续变化的：一个距离50米的行人和一个距离5米的行人，其紧迫度显然不同；一个相对速度为1m/s的前车和一个相对速度为10m/s的前车，其紧迫度也截然不同。现有技术无法区分同一类型事件在不同物理条件下的紧迫度差异。

4、在自动驾驶领域，现有技术虽然存在基于碰撞时间（ttc）或安全距离的预警方法，但这些方法的目标是计算“是否触发预警或制动”，其计算结果是一个二值或阈值化的判断信号，并未将紧迫度作为连续的认知参数传递给高层认知决策层，更未用于驱动认知决策中的路径规划长度或策略选择。现有技术中虽有将“紧迫度”或“紧急度”用于信息调度的方案，但其紧迫度计算基于用户交互反馈和衰减函数，属于任务调度领域，与物理环境的连续感知无关。

5、（二）标签化分类导致系统退化为规则引擎

6、由于现有技术使用离散标签表示事件紧迫度，系统只能通过“if-else”规则来响应不同标签的事件。当面对新场景时（如“距离20米、速度5m/s的行人”），系统无法自动计算其紧迫度，只能依赖人工预设的新规则。这导致系统随着场景增加而不断膨胀为庞大的规则库，最终退化为规则引擎，失去了认知系统的自适应能力。

7、（三）紧迫度与认知决策路径脱节

8、在现有认知决策系统中，事件紧迫度仅用于决定“是否响应”或“响应速度”，而不参与认知决策的路径规划。例如，一个高紧迫度事件可能触发更快的响应，但系统不会因为紧迫度高而选择“更短的认知路径”——即跳过中间推理步骤、直接收敛到目标态势。认知决策的推理深度与物理环境的紧迫度之间缺乏联动机制。

9、现有技术中虽有基于“时空紧迫度推演”的车间调度方法，但其紧迫度基于车间资源状态和网络拓扑计算，属于生产调度领域，与物理环境感知和认知决策路径规划无关。也有将“紧迫度”用于自动驾驶安全警示的方法，但其紧迫度用于触发警示或制动，不涉及认知决策路径的动态调整。

10、（四）缺乏多物理量融合的连续紧迫度计算模型

11、现实物理场景中，事件的紧迫度由多个物理量共同决定：距离、相对速度、方向角、加速度、路面附着系数等。现有技术缺乏一种能够将多个连续物理量融合为单一连续紧迫度值的通用计算模型，使得认知系统无法综合判断事件的真实紧迫程度。

12、综上所述，亟需一种能够基于连续物理量动态计算认知紧迫度的方法及系统，使认知系统能够感知物理世界的连续变化，并将紧迫度作为连续参数驱动认知决策的路径规划，避免系统退化为规则引擎。

技术实现思路

1、（一）发明目的

2、本发明的目的在于提供一种基于连续物理量动态计算认知紧迫度的方法及系统，以解决现有技术中事件紧迫度采用离散标签无法反映物理世界连续变化、标签化分类导致系统退化为规则引擎、紧迫度与认知决策路径脱节、以及缺乏多物理量融合的连续紧迫度计算模型等技术问题。

3、具体目的包括：

4、（1）提供一种基于连续物理量动态计算认知紧迫度的方法，使系统能够根据距离、速度、角度、加速度等连续物理量实时计算事件的紧迫度值。

5、（2）提供一种多物理量融合的紧迫度计算模型，将多个物理量通过连续函数映射为单一的紧迫度值，使认知系统能够综合判断事件的真实紧迫程度。

6、（3）提供一种紧迫度驱动的认知路径动态规划方法，使系统能够根据连续紧迫度值动态调整认知决策的推理深度——紧迫度高时选择更短的认知路径（快速收敛），紧迫度低时选择更长的认知路径（平滑过渡）。

7、（4）提供一种标准化的事件-物理量数据结构，使感知层能够将物理量信息与事件标签一同传递给认知层，为连续紧迫度计算提供数据基础。

8、（二）技术方案

9、为实现上述目的，本发明提供如下技术方案：

10、1.系统架构

11、一种基于连续物理量动态计算认知紧迫度的方法及系统，包括处理器、存储器以及与所述处理器连接的传感器接口，所述处理器配置为通过执行所述存储器中存储的程序指令实现以下模块：

12、（1）物理量感知模块

13、物理量感知模块用于通过所述传感器接口获取外部环境的传感器数据，从所述传感器数据中提取与事件相关的连续物理量。

14、所述连续物理量包括但不限于以下参数之一或其组合：

15、- 距离参数：事件源与智能体之间的空间距离（单位：米）；

16、- 速度参数：事件源相对于智能体的相对速度（单位：米/秒）；

17、- 角度参数：事件源相对于智能体运动方向的方向角（单位：度）；

18、- 加速度参数：事件源的加速度或相对加速度（单位：米/秒²）；

19、- 置信度参数：传感器对事件检测的置信度（取值范围0至1）。

20、所述物理量感知模块将提取的连续物理量以标准化格式封装，与事件标签一同传输至认知决策模块。

21、（2）紧迫度计算模块

22、紧迫度计算模块用于接收所述物理量感知模块传输的连续物理量，根据预设的连续紧迫度函数计算当前事件的认知紧迫度值。

23、所述认知紧迫度值为连续值，取值范围为预设区间（优选为1.0至5.0），取值越高表示事件越紧迫，取值越低表示事件越不紧迫。

24、所述连续紧迫度函数为多变量连续函数，以所述连续物理量为自变量，输出所述认知紧迫度值。所述连续紧迫度函数具有以下特性：

25、- 当所述距离参数减小时，所述认知紧迫度值单调递增；

26、- 当所述相对速度参数增大时，所述认知紧迫度值单调递增；

27、- 当所述方向角参数趋近于零（即事件源正对智能体运动方向）时，所述认知紧迫度值单调递增；

28、- 当所述加速度参数增大时，所述认知紧迫度值单调递增。

29、优选地，所述连续紧迫度函数为：

30、urgency=base+w_d×f_d(distance)+w_v×f_v(rel_speed)+w_a×f_a(angle)+w_acc×f_acc(acceleration)

31、其中：

32、-base为基准紧迫度值（优选为1.0）；

33、-w_d、w_v、w_a、w_acc为各物理量的预设权重系数；

34、-f_d、f_v、f_a、f_acc为各物理量的单调映射函数，将物理量映射至紧迫度贡献值。

35、所述映射函数为连续可微函数，优选取以下形式之一：

36、-反比例函数：f(x)=k/(x+ε)，其中k为缩放系数，ε为防除零小量；

37、-指数衰减函数：f(x)=a×(1-e^(-λx))，其中a为幅值上限，λ为衰减率；

38、-s型函数：f(x)=a/(1+e^(-k(x-x0)))，其中x0为阈值中心。

39、（3）事件-物理量标准化模块

40、事件-物理量标准化模块用于将物理量感知模块提取的连续物理量与对应的事件标签进行标准化封装，生成标准化事件数据结构。

41、所述标准化事件数据结构至少包含以下字段：

42、-事件类型：事件的语义标签（如“行人”、“红灯”、“障碍物”）；

43、-物理量字典：包含距离、相对速度、方向角、加速度等连续物理量的键值对；

44、-时间戳：事件发生或检测的时间；

45、-元数据：传感器来源、检测置信度等附加信息。

46、（4）认知决策模块

47、认知决策模块用于接收所述标准化事件数据结构，根据所述认知紧迫度值动态调整认知决策的推理深度和路径长度。

48、所述认知决策模块包含态势路径规划单元，所述态势路径规划单元用于在预设的态势空间中规划从当前态势到目标态势的迁移路径。

49、所述态势路径规划单元根据所述认知紧迫度值动态确定所述迁移路径的最大长度：

50、-当所述认知紧迫度值高于第一紧迫度阈值时，所述迁移路径的最大长度设置为第一长度值（优选为2至3步），实现快速收敛；

51、-当所述认知紧迫度值介于第一紧迫度阈值和第二紧迫度阈值之间时，所述迁移路径的最大长度设置为第二长度值（优选为3至4步），实现正常收敛；

52、-当所述认知紧迫度值低于第二紧迫度阈值时，所述迁移路径的最大长度设置为第三长度值（优选为5至6步），实现平滑过渡。

53、所述第一紧迫度阈值高于所述第二紧迫度阈值。优选地，所述第一紧迫度阈值为3.5，所述第二紧迫度阈值为2.0。

54、2.方法流程

55、一种基于连续物理量动态计算认知紧迫度的方法，包括以下步骤：

56、步骤s1：物理量感知与提取

57、通过传感器接口获取外部环境的传感器数据，从所述传感器数据中提取与事件相关的连续物理量。

58、所述连续物理量至少包括距离参数和相对速度参数。

59、步骤s2：标准化事件封装

60、将提取的连续物理量与对应的事件标签进行标准化封装，生成标准化事件数据结构。

61、步骤s3：连续紧迫度计算

62、根据预设的连续紧迫度函数，以所述标准化事件数据结构中的连续物理量为自变量，计算当前事件的认知紧迫度值。

63、所述认知紧迫度值为连续值，取值范围为预设区间。

64、所述连续紧迫度函数的计算方式为：

65、urgency=1.0+4.0/(1+distance/d0)+k_v×|rel_speed|+k_a×cos(angle)

66、其中：

67、-distance为事件源与智能体之间的距离；

68、-d0为距离尺度参数（优选为3.0米）；

69、-rel_speed为事件源相对于智能体的相对速度；

70、-angle为事件源相对于智能体运动方向的方向角；

71、-k_v和k_a为预设权重系数。

72、步骤s4：紧迫度驱动的路径长度确定

73、根据所述认知紧迫度值，动态确定认知决策中态势迁移路径的最大长度：

74、-当所述认知紧迫度值高于第一紧迫度阈值时，所述迁移路径的最大长度设置为第一长度值；

75、-当所述认知紧迫度值介于第一紧迫度阈值和第二紧迫度阈值之间时，所述迁移路径的最大长度设置为第二长度值；

76、-当所述认知紧迫度值低于第二紧迫度阈值时，所述迁移路径的最大长度设置为第三长度值。

77、步骤s5：态势路径规划与认知决策

78、根据所述最大长度，在预设的态势空间中规划从当前态势到目标态势的迁移路径，执行认知决策。

79、3.标准化事件数据结构的优选实施方式

80、所述标准化事件数据结构优选为：

81、{

82、"event_type":"行人",

83、"physics":{

84、"distance":12.5,

85、"relative_speed":1.2,

86、"angle":5.0,

87、"acceleration":0.3,

88、"confidence":0.92

89、},

90、"timestamp":1699200000.0,

91、"metadata":{

92、"source":"camera",

93、"sensor_id":"cam_01"

94、}

95、}

96、4.紧迫度计算的具体实施例

97、作为优选实施方式，所述连续紧迫度函数的具体形式为：

98、urgency=1.0+3.0/(1+distance/3.0)+0.5×|rel_speed|+0.3×cos(angle×π/180)

99、其中：

100、-distance的单位为米，取值越大贡献越小；

101、-rel_speed的单位为米/秒，取值越大贡献越大；

102、-angle的单位为度，0度时贡献为0，90度时贡献为0.3。

103、当distance=5.0m、rel_speed=2.0m/s、angle=10°时：

104、urgency=1.0+3.0/(1+5.0/3.0)+0.5×2.0+0.3×cos(10°)

105、=1.0+3.0/2.667+1.0+0.3×0.985

106、=1.0+1.125+1.0+0.2955

107、=3.4205

108、当distance=30.0m、rel_speed=0.5m/s、angle=45°时：

109、urgency=1.0+3.0/(1+30.0/3.0)+0.5×0.5+0.3×cos(45°)

110、=1.0+3.0/11.0+0.25+0.3×0.707

111、=1.0+0.273+0.25+0.2121

112、=1.7351

113、上述计算结果验证了所述连续紧迫度函数能够根据物理量的连续变化产生连续的紧迫度值。

114、5.紧迫度与路径长度的对应关系

115、作为优选实施方式，所述紧迫度阈值与路径长度的对应关系为：

116、

urgency≥4.0

2步

直接跳转，最小推理

3.0≤urgency<4.0

3步

短路径，快速收敛

2.0≤urgency<3.0

4步

正常路径，标准收敛

urgency<2.0

5-6步

长路径，平滑过渡

117、（三）有益效果

118、与现有技术相比，本发明具有以下有益效果：

119、（1）实现了基于连续物理量的动态紧迫度计算。本发明通过连续紧迫度函数，将距离、速度、角度等连续物理量映射为连续的紧迫度值，使系统能够感知物理世界的连续变化，避免了离散标签无法区分同一事件不同紧迫程度的缺陷。

120、（2）避免了系统退化为规则引擎。由于紧迫度是连续计算的，系统无需为每种场景预设规则，而是在统一的连续函数框架下自适应计算，从根本上避免了规则库的无限膨胀。

121、（3）实现了紧迫度驱动的认知路径动态规划。本发明将计算得到的连续紧迫度值直接用于驱动认知决策中的路径长度选择——高紧迫度时选择短路径（快速收敛），低紧迫度时选择长路径（平滑过渡），使认知决策的推理深度与物理环境的紧迫程度相匹配。

122、（4）提供了标准化的物理量传递机制。本发明通过标准化事件数据结构，使感知层能够将连续物理量与事件标签一同传递给认知层，为认知层的连续紧迫度计算提供了统一的数据基础。

123、（5）与现有技术相比具有显著的创造性。现有技术中，紧迫度或用于车间调度的资源紧迫度推演（基于离散事件和网络拓扑），或用于自动驾驶的安全警示（基于阈值判断是否触发制动），或用于信息调度的任务紧迫度（基于用户交互反馈）。本发明首次将连续物理量作为紧迫度计算的核心输入，并将计算得到的连续紧迫度值直接用于驱动认知决策的路径长度动态规划，形成了“物理量感知→连续紧迫度计算→认知路径动态规划”的完整技术链路，在认知决策领域具有开创性意义。