扩展基于符号/逻辑的推理系统生成的假设的功能的系统的制作方法

1.本主题公开涉及一种用于操作自主车辆的系统和方法，具体地，涉及一种用于选择自主车辆的动作以基于当前交通状况生成可能的场景并评估每个场景的可能性的系统和方法。


背景技术：

2.认知处理器可以与自主车辆一起使用，以便预测交通模式和/或状况，并向自主车辆提出轨迹。认知处理器可以使用各种决策过程来实现轨迹，例如包括基于物理或运动学的计算、统计预测、模式识别(pattern recognition)以及基于符号或逻辑的推理。当前用于驱动符号或逻辑推理系统的技术在处理信息时牺牲了通用性。逻辑推理产生的二元假设并不总是反映实时的交通状况，对新的或意想不到的情况以及不完整的环境信息不灵活。然而，车辆环境中独立动因的存在会导致意外事件，并可能出现冲突数据，所有这些都会减慢或停止基于逻辑的推理系统。因此，期望提供一种方法，用于精炼或扩充基于逻辑的推理的结果，以利用环境的不完整信息进行操作。


技术实现要素：

3.在一个示例性实施例中，公开了一种操作自主车辆的方法。基于自主车辆的环境的当前状态来推断多个可能的场景。为多个可能场景中的每一个确定历史可能性。使用历史可能性从多个可能的场景中选择一场景。自主车辆基于所选择的场景进行操作。
4.除了本文描述的一个或多个特征之外，为多个可能场景中的每一个确定基于逻辑的可能性，并且基于历史可能性和基于逻辑的可能性从多个可能场景中选择场景。该方法还包括对场景进行标记化，并使用被标记化的场景来确定该场景的历史可能性。通过确定被标记化的场景与数据库中的一个或多个历史事件的相似性，并确定数据库中一个或多个历史事件的流行度，来确定被标记化的场景的历史可能性。该方法还包括基于被标记化的场景和一个或多个历史事件之间的相似性度量来确定被标记化的场景的相似性百分比。该方法还包括基于不完整或不明确的测量来推断多个可能的场景。推断多个可能的场景还包括将溯因、演绎以及溯因与演绎的组合中的一种应用于指示环境当前状态的数据。
5.在另一个示例性实施例中，公开了一种用于操作自主车辆的系统。该系统包括推理引擎、情节存储器、解析器和控制器。推理引擎基于自主车辆的环境的当前状态来推断多个可能的场景。情节存储器为多个可能场景中的每一个确定历史可能性。解析器使用历史可能性从多个可能的场景中选择一场景。控制器根据选择的场景操作自主车辆。
6.除了本文描述的一个或多个特征之外，该系统还包括推理评估引擎，该推理评估引擎被配置为确定多个可能场景中每一个的基于逻辑的可能性，其中推理评估引擎基于历史可能性和基于逻辑的可能性从多个可能场景中选择所述场景。推理评估引擎对场景进行标记化，情节存储器使用被标记化的场景确定场景的历史可能性。情节存储器通过确定被标记化的场景与数据库中的一个或多个历史事件的相似性并确定数据库中一个或多个历
史事件的流行度来确定被标记化的场景的历史可能性。情节存储器基于被标记化的场景和一个或多个历史事件之间的相似性度量来确定被标记化的场景的相似性百分比。推理引擎基于不完整或不明确的测量来推断多个可能的场景。推理引擎通过将溯因、演绎以及溯因和演绎的组合之一应用于指示环境当前状态的数据来推断多个可能的场景。
7.在又一示例性实施例中，公开了一种自主车辆。自主车辆包括推理引擎，情节存储器，解析器和控制器。推理引擎基于自主车辆的环境的当前状态来推断多个可能的场景。情节存储器为多个可能场景中的每一个确定历史可能性。解析器使用历史可能性从多个可能的场景中选择一场景。控制器根据选择的场景操作自主车辆。
8.除了本文描述的一个或多个特征之外，车辆还包括推理评估引擎，其被配置为确定多个可能场景中的每一个的基于逻辑的可能性，其中推理评估引擎基于历史可能性和基于逻辑的可能性从多个可能场景中选择场景。推理评估引擎对场景进行标记化，情节存储器使用被标记化的场景确定场景的历史可能性。情节存储器通过确定被标记化的场景与数据库中的一个或多个历史事件的相似性并确定数据库中一个或多个历史事件的流行度来确定被标记化的场景的历史可能性。情节存储器基于被标记化的场景和一个或多个历史事件之间的相似性度量来确定被标记化的场景的相似性百分比。推理引擎通过对指示环境当前状态的数据应用溯因、演绎以及溯因和演绎的组合中之一来推断可能的场景。
9.当结合附图时，根据以下详细描述，本公开的上述特征和优点以及其他特征和优点将变得显而易见。
附图说明
10.其他特征、优点和细节仅作为示例出现在以下详细描述中，详细描述参考附图，其中:
11.图1示出了根据各种实施例的具有相关轨迹规划系统的自主车辆；
12.图2示出了包括与自主车辆集成的认知处理器的说明性控制系统；
13.图3是示出了几种假设产生方法的示意图，这些假设产生方法适于得出用于自主车辆的导航系统的预测；
14.图4示出了采用推理模块的认知处理器的架构的示意图；
15.图5示出了说明推理模块操作的示意图；
16.图6示出了系统的框图，该系统用于基于由车辆的各种传感器进行的测量来生成推测场景，并用于评估这些场景的可能性；
17.图7示出了说明性的交通状况，其中图6的系统可用于评估车辆的可能动作或轨迹；
18.图8示出了基于图7的交通状况的当前知识可以推断出的可能场景；和
19.图9示出了说明图8所示的各种场景的基于历史的可能性的图表。
具体实施方式
20.以下描述本质上仅仅是示例性的，并不旨在限制本公开、其应用或使用。应当理解，在所有附图中，相应的附图标记表示相似或相应的部件和特征。如这里所使用的，术语模块指的是处理电路，其可以包括专用集成电路、电子电路、处理器(共享的、专用的或成组
的)和执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所述功能的其他合适的部件。
21.根据示例性实施例，图1示出了根据各种实施例的具有在100处描绘的相关轨迹规划系统的自主车辆10。通常，轨迹规划系统100确定用于自主车辆10的自动驾驶的轨迹规划。自主车辆10通常包括底盘12、车身14、前轮16和后轮18。车身14布置在底盘12上，并且基本上封闭自主车辆10的部件。主体14和底盘12可以共同形成框架。车轮16和18每个都在主体14的相应拐角附近可旋转地连接到底盘12上。
22.在各种实施例中，轨迹规划系统100被结合到自主车辆10中。自主车辆10例如是被自动控制以将乘客从一个位置运送到另一个位置的车辆。在图示的实施例中，自主车辆10被描绘为乘用车，但是应当理解，也可以使用任何其他车辆，包括摩托车、卡车、运动型多用途车(suv)、休闲车(rv)等。在不同的级别上，自主车辆可以通过多种方法来帮助驾驶员，例如指示即将到来的危险情况的警告信号、通过预测其他动因的运动来增强驾驶员的情况意识的指示器(警告潜在碰撞等)。自主车辆具有对车辆的不同级别的干预或控制，通过所联接的辅助车辆控制来完全控制所有车辆功能。在示例性实施例中，自主车辆10是所谓的四级或五级自动化系统。四级系统表示“高度自动化”，指的是自动驾驶系统在动态驾驶任务的所有方面的特定驾驶模式表现(即使驾驶员没有对干预请求做出适当响应)。五级系统表示“完全自动化”，指的是自动驾驶系统在驾驶员可以管理的所有道路和环境条件下，对动态驾驶任务的所有方面的全职表现。
23.如图所示，自主车辆10通常包括推进系统20、传动系统22、转向系统24、制动系统26、传感器系统28、促动器系统30、认知处理器32和至少一个控制器34。在各种实施例中，推进系统20可以包括内燃机、诸如牵引电动机这样的电机和/或燃料电池推进系统。传动系统22被配置成根据可选择的速度比将动力从推进系统20传递到车轮16和18。根据各种实施例，变速器系统22可包括有级变速自动变速器、无级变速器或其他合适的变速器。制动系统26被配置为向车轮16和18提供制动扭矩。在各种实施例中，制动系统26可以包括摩擦制动器、线控制动器、再生制动系统(如电机)和/或其他合适的制动系统。转向系统24影响车轮16和18的位置。虽然为了说明的目的而被描述为包括方向盘，但是在本公开范围内设想的一些实施例中，转向系统24可以不包括方向盘。
24.传感器系统28包括一个或多个感测设备40a-40n，感测自主车辆10的外部环境和/或内部环境的可观察条件。感测设备40a-40n可以包括但不限于无线电雷达、激光雷达、全球定位系统、光学摄像头、热摄像头、超声波传感器和/或其他传感器。感测设备40a-40n获得与车辆环境内的各种物体或动因50相关的测量值或数据。这种动因50可以是但不限于其他车辆、行人、自行车、摩托车等，以及非移动物体。感测设备40a-40n还可以获得交通数据，例如关于交通信号和标志的信息等
25.促动器系统30包括一个或多个促动器装置42a-42n，其控制一个或多个车辆特征，例如但不限于推进系统20、传动系统22、转向系统24和制动系统26。在各种实施例中，车辆特征可进一步包括内部和/或外部车辆特征，例如但不限于门、行李箱和车厢特征，例如通风、音乐、照明等(未编号)。
26.控制器34包括至少一个处理器44和计算机可读存储设备或介质46。处理器44可以是任何定制的或市场上可买到的处理器、中央处理单元(cpu)、图形处理单元(gpu)、与控制
器34相关联的几个处理器中的辅助处理器、基于半导体的微处理器(以微芯片或芯片组的形式)、宏处理器、它们的任何组合、或通常用于执行指令的任何设备。计算机可读存储设备或介质46可以包括例如只读存储器(rom)、随机存取存储器(ram)和保活存储器(kam)中的易失性和非易失性存储(kam)。kam是永久性的或非易失性存储器，当处理器44断电时，其可用于存储各种操作变量。计算机可读存储设备或介质46可以使用多种已知存储设备中的任何一种来实现，例如prom(可编程只读存储器)、eprom(电prom)、eeprom(电可擦除prom)、闪存或能够存储数据的任何其他电、磁、光或组合存储设备，其中一些表示可执行指令，由控制器34在控制、导航和操作自主车辆10时使用。
27.指令可以包括一个或多个单独的程序，每个程序包括用于实现逻辑功能的可执行指令的有序列表。当由处理器44执行时，这些指令接收并处理来自传感器系统28的信号，执行用于自动控制自主车辆10的部件的逻辑、计算、方法和/或算法，并产生控制信号给促动器系统30，以基于逻辑、计算、方法和/或算法自动控制自主车辆10的部件。
28.控制器34进一步与认知处理器32通信。认知处理器32从控制器34和传感器系统28的感测设备40a-40n接收各种数据，并执行各种计算，以便向控制器34提供轨迹，供控制器34经由一个或多个促动器设备42a-42n在自主车辆10上实现。关于图2提供了认知处理器32的详细讨论。
29.图2示出了示例性控制系统200，其包括与自主车辆10集成的认知处理器32。在各种实施例中，自主车辆10可以是模拟自主车辆10的各种驾驶场景并模拟自主车辆10对场景的各种响应的车辆模拟器。
30.自主车辆10包括数据采集系统204(例如，图1的传感器40a-40n)。数据采集系统204获得用于确定自主车辆10和自主车辆10环境中的各种动因的状态的各种数据。这种数据包括但不限于自主车辆10的运动学数据、位置或姿态数据等，以及关于其他动因的数据，包括距离、相对速度(多普勒)、海拔、角位置等。如下所述，自主车辆10还包括发送模块206，该发送模块206打包所采集的数据并将打包的数据发送到认知处理器32的通信接口208。自主车辆10还包括接收模块202，接收模块202从认知处理器32接收操作命令，并在自主车辆10处执行命令，以对自主车辆10进行导航。认知处理器32从自主车辆10接收数据，基于所提供的状态信息和本文公开的方法为自主车辆10计算轨迹，并在接收模块202处将轨迹提供给自主车辆10。自主车辆10然后实现由认知处理器32提供的轨迹。
31.认知处理器32包括用于与自主车辆10通信的各种模块，包括用于从自主车辆10接收数据的接口模块208和用于向自主车辆10发送指令(例如轨迹)的轨迹发送器222。认知处理器32还包括工作存储器210，其存储从自主车辆10接收的各种数据以及认知处理器32的各种中间计算。认知处理器32的假设器模块(一个或多个)212用于使用存储在工作存储器210中的多种可能的预测方法和状态数据来提出自主车辆10的环境中的一个或多个动因的各种假设轨迹和运动。认知处理器32的假设解析器214接收环境中每个动因的多个假设轨迹，并从多个假设轨迹中为每个动因确定最可能的轨迹。
32.认知处理器32还包括一个或多个决策器模块216和决策解析器218。决策器模块(一个或多个)216从假设解析器214接收用于环境中每个动因的最可能轨迹，并基于最可能的动因轨迹为自主车辆10计算多个候选轨迹和行为。多个候选轨迹和行为中的每一个都被提供给决策解析器218。决策解析器218从候选轨迹和行为中为自主车辆10选择或确定最优
或期望的轨迹和行为。
33.认知处理器32还包括轨迹规划器220，其确定提供给自主车辆10的自主车辆轨迹。轨迹规划器220从决策解析器218接收车辆行为和轨迹，从假设解析器214接收用于每个动因50的最优假设，以及接收“状态数据”形式的最新环境信息，以调整轨迹规划。轨迹规划器220处的这一额外步骤确保对照来自数据采集系统204的最新感测数据来检查动因假设的异步计算中的任何异常处理延迟。该额外步骤相应地在轨迹规划器220中的最终轨迹计算中更新最佳假设。
34.从轨迹规划器220向轨迹发送器222提供所确定的车辆轨迹，轨迹发送器222向自主车辆10(例如，在控制器34处)提供轨迹消息，用于在自主车辆10处实现。
35.认知处理器32还包括调制器230，其控制用于假设器模块212和决策器模块216的各种限制和阈值。调制器230还可以对假设解析器214的参数进行改变，以影响它如何为给定的动因50、决策器和决策解析器选择最优假设目标。调制器230是使架构自适应的鉴别器(discriminator)。调制器230可以通过改变算法本身的参数来改变所执行的计算以及确定性计算的实际结果。
36.认知处理器32的评估器模块232计算境况信息(contextual information)并将其提供给认知处理器，所述境况信息包括错误测量、假设置信度测量、关于环境复杂性和自主车辆10状态的测量、给定环境信息下的自主车辆10的性能评估，所述给定环境信息包括动因假设和自主车辆轨迹(历史的或未来的)。调制器230从评估器232接收信息，以计算假设器212、假设解析器214、决策器216的处理参数的变化，并向决策解析器218提供阈值决策解析参数。虚拟控制器224实施轨迹消息，并响应于该轨迹确定各种动因50的前馈轨迹。
37.作为对由评估器模块232测量的不确定性的响应而进行调制。在一个实施例中，调制器230接收与假设对象相关联的置信度。这些置信度可以在单个时间点或在选定的时间窗口内从假设对象中收集。时间窗口可以是可变的。评估器模块232确定这些置信度分布的熵。此外，还可以在评估器模块232中收集和评估假设对象的历史误差度量。
38.这些类型的评估用作认知处理器32的内部环境和不确定性的度量。来自评估器模块232的这些境况信号(contextual signal)用于假设解析器214、决策解析器218和调制器230，它们可以基于计算结果改变假设器模块212的参数。
39.认知处理器32的各种模块彼此独立地操作，并且以单独的更新速率更新(例如，由图2中的lcm-hz,、h-hz、d-hz、e-hz、m-hz、t-hz指示)。
40.在操作中，认知处理器32的接口模块208在数据接收器208a处接收来自自主车辆10的发送模块206的打包数据，并在数据解析器208b处解析接收的数据。数据解析器208b将数据置于数据格式中，这里称为属性包(property bag)，其可以存储在工作存储器210中，并由认知处理器32的各种假设器模块212、决策器模块216等使用。这些数据格式的特定类别结构不应被视为对本发明的限制。
41.工作存储器210在可配置的时间窗口期间从属性包的集合中提取信息，以构建自主车辆和各种动因的快照(snapshot)。这些快照以固定的频率发布，并被推送到订阅模块。由工作存储器210从属性包创建的数据结构是“状态”数据结构，其包含根据时间戳组织的信息。因此，生成的快照序列包含另一车辆或动因的动态状态信息。所选状态数据结构中的属性包包含关于对象的信息，例如其他动因、自主车辆、路线信息等。用于一对象的属性包
包含关于该对象的详细信息，例如对象的位置、速度、航向角等。该状态数据结构流过认知处理器32的其余部分，以进行计算。状态数据可以指自主车辆状态以及动因状态等等。
42.假设器模块212从工作存储器210中提取状态数据，以便计算动因在选定的时间帧或时间步长内在本地环境中的可能结果。或者，工作存储器210可以将状态数据推送到假设器模块212。假设器模块212可以包括多个假设器模块，多个假设器模块中的每一个采用不同的方法或技术来确定动因(一个或多个)的可能结果。一个假设器模块可以使用运动学模型来确定可能的结果，该运动学模型将基本物理和力学应用于工作存储器210中的数据，以便预测每个动因50的后续状态。其他假设器模块可以通过例如对数据应用运动回归树、对数据应用高斯混合模型/马尔可夫混合模型(gmm-hmm)、对数据应用递归神经网络(rnn)、其他机器学习过程、对数据执行基于逻辑的推理等来预测每个动因50的后续状态。假设器模块212是认知处理器32的模块化部件，并且可以根据需要从认知处理器32添加或移除。
43.每个假设器模块212包括用于预测动因行为的假设类(hypothesis class)。假设类包括假设对象的规范和一组算法。一旦被调用，就从假设类为动因创建一个假设对象。假设对象遵循假设类的规范，并使用假设类的算法。多个假设对象可以彼此并行运行。每个假设器模块212基于当前工作数据为每个动因50创建其自己的预测，并将该预测发送回工作存储器210，用于存储和将来使用。随着新数据被提供给工作存储器210，每个假设器模块212更新其假设并将更新的假设推回到工作存储器210中。每个假设器模块212可以选择以其自己的更新速率(例如，速率h-hz)更新其假设。每个假设器模块212可以单独充当订阅服务，其更新的假设从该订阅服务被推送到相关模块。
44.由假设器模块212产生的每个假设对象是针对诸如位置、速度、航向等已定义实体的时间向量的状态数据结构形式的预测。在一个实施例中，假设器模块212可以包含碰撞检测模块，该模块可以改变与预测相关的前馈信息流。具体而言，如果假设器模块212预测两个动因50的冲突，则可以调用另一个假设器模块来对假设对象进行调整，以便考虑预期的冲突，或者向其他模块发送警告标志，以试图缓解危险场景或改变行为，来避免危险场景。
45.对于每个动因50，假设解析器214接收相关的假设对象，并从多个假设对象中选择单个假设对象。在一个实施例中，假设解析器214调用简单的选择过程。或者，假设解析器214可以对各种假设对象调用融合过程，以便生成混合假设对象。
46.由于认知处理器的架构是异步的，如果实现为假设对象的计算方法需要更长的时间来完成，则假设解析器214和下游决策器模块216通过订阅推送过程在最早的可用时间从该特定假设器模块接收假设对象。与假设对象相关联的时间戳向下游模块告知该假设对象的相关时间帧，允许与假设对象和/或来自其他模块的状态数据同步。因此，假设对象的预测所应用的时间跨度在模块间时间对齐。
47.例如，当决策器模块216接收到假设对象时，决策器模块216将假设对象的时间戳与自主车辆10的最近数据(即，速度、位置、航向等)的时间戳进行比较。如果假设对象的时间戳被认为太旧(例如，按照选定的时间标准将自主车辆数据提前)，则可以忽略假设对象，直到接收到更新的假设对象。基于最新信息的更新也由轨迹规划器220执行。
48.决策器模块216包括以自主车辆10的轨迹和行为的形式产生各种候选决策的模块。决策器模块216从假设解析器214接收用于每个动因50的假设，并使用这些假设和自主车辆10的标称目标轨迹作为约束条件。决策器模块216可以包括多个决策器模块，多个决策
器模块中的每一个使用不同的方法或技术来确定自主车辆10的可能轨迹或行为。每个决策器模块可以异步操作，并从工作存储器212接收各种输入状态，例如假设解析器214产生的假设。决策器模块216是模块化部件，并且可以根据需要从认知处理器32添加或移除。每个判决器模块216可以以其自己的更新速率(例如，速率d-hz)更新其决策。
49.类似于假设器模块212，决策器模块216包括用于预测自主车辆轨迹和/或行为的决策器类(decider class)。决策器类包括用于决策器对象的规范和一组算法。一旦被调用，就为来自决策器类的动因50创建决策器对象。决策器对象遵循决策器类的规范，并使用决策器类的算法。多个决策器对象可以彼此并行运行。
50.决策解析器218接收由一个或多个决策器模块生成的各种决策，并为自主车辆10产生单个轨迹和行为对象。决策解析器还可以从评估器模块232接收各种境况信息，其中境况信息用于产生轨迹和行为对象。
51.轨迹规划器220从决策解析器218接收轨迹和行为对象以及自主车辆10的状态。轨迹规划器220然后生成轨迹消息，该消息被提供给轨迹发送器222。轨迹发送器222使用适于与自主车辆10通信的格式，向自主车辆10提供轨迹消息，用于在自主车辆10处实施。
52.轨迹发送器222还向虚拟控制器224发送轨迹消息。虚拟控制器224在前馈环路中为认知处理器32提供数据。在随后的计算中发送到假设器模块212的轨迹由虚拟控制器224细化，以模拟由于试图遵循轨迹而导致的自主车辆10的一组未来状态。假设器模块212使用这些未来状态来执行前馈预测。
53.认知处理器32的各个方面提供反馈回路。虚拟控制器224提供第一反馈回路。虚拟控制器224基于所提供的轨迹来模拟自主车辆10的操作，并响应于自主车辆10所采取的轨迹来确定或预测每个动因50所采取的未来状态。动因的这些未来状态可以作为第一反馈回路的一部分提供给假设器模块。
54.第二个反馈回路的出现是因为各种模块将在其计算中使用历史信息来学习和更新参数。假设器模块212例如可以实施它们自己的缓冲器，以便存储历史状态数据，无论状态数据是来自观察还是来自预测(例如。来自虚拟控制器224)。例如，在采用运动学回归树的假设器模块212中，每个动因的历史观察数据被存储几秒钟，并用于状态预测的计算。
55.假设解析器214在其设计中也具有反馈，因为它也利用历史信息进行计算。在这种情况下，关于观测的历史信息被用于及时计算预测误差，并使用预测误差来调整假设解析度参数。滑动窗口可用于选择用于计算预测误差和用于学习假设解析度参数(hypothesis resolution parameter)的历史信息。对于短期学习，滑动窗口控制假设解析器214的参数的更新速率。在更大的时间尺度上，预测误差可以在选定的情节(episode)(例如左转情节)期间聚集，并用于在该情节之后更新参数。
56.决策解析器218还使用历史信息进行反馈计算。关于自主车辆轨迹的历史信息用于计算最优决策，并相应地调整决策解析度参数。这种学习可以在决策解析器218处以多个时间尺度发生。在最短的时间尺度内，使用评估器模块232连续计算关于性能的信息，并反馈给决策解析器218。例如，算法可以用于基于多个度量以及其他境况信息来提供由决策器模块提供的关于轨迹性能的信息。该境况信息可以用作强化学习过程中的奖励信号，用于在各种时间尺度上操作决策解析器218。反馈可以与决策解析器218异步，并且决策解析器218可以在接收到反馈时进行调整。
57.图3是示意图300，示出了几种假设产生方法，这些方法适用于得出用于自主车辆10的导航系统的预测。每个箭头代表一种产生假设的方法。箭头302表示使用基于物理或运动学的计算来预测动因(诸如动因50)的运动。箭头304表示使用数据驱动统计预测器(hmm)来预测动因50的运动。统计预测器可以应用各种统计模型，例如马尔可夫模型，来预测动因运动。箭头306表示使用基于模式的预测器或情节预测方法来预测动因50的运动。箭头308表示使用推理引擎的预测方法。由箭头308提供的方法提供了基于知识的推理，以便补充由箭头302、304和306表示的方法。
58.图4示出了采用推理模块的认知处理器400的架构的示意图。认知处理器400包括接口模块402、工作存储器404、一个或多个假设器406、推理模块408、一个或多个决策器410以及决策解析器和轨迹规划器412。
59.接口模块402从自主车辆10接收数据，例如运动学数据等。工作存储器404存储该接收的数据以及一个或多个假设器406的各种中间计算。一个或多个假设器406可以包括但不限于:用于使用物理方程预测动因运动的运动学假设器、基于用于接收数据的统计规则来预测动因运动的统计假设器、以及基于时空数据并使用情节存储器(即，历史离散化场景)来产生假设的情节假设器。一个或多个决策器410从一个或多个假设器406接收动因的假设，并基于假设确定自主车辆的一个或多个可能轨迹。自主车辆的一个或多个可能的轨迹被提供给决策解析器和轨迹规划器412，该轨迹规划器412为自主车辆选择轨迹并将该轨迹提供给自主车辆以供实现。
60.认知处理器400还包括推理模块408，用于将各种额外预测能力应用于假设。一个或多个假设器406和推理模块408读取存储在工作存储器404中的信息，以做出他们的预测。另外，推理模块408接受由一个或多个假设器406做出的预测，并将一个或多个预测输出到一个或多个决定者410。
61.图5示出了说明推理模块408的操作的示意图。推理模块408包括用于从接收的数据生成一个或多个假设的推理器502。推理器502包括公理或境况规则数据库504，例如交通法规、情境交通行为趋势和本地速度。推理模块408还包括推理引擎506，其执行各种推理操作以产生一个或多个假设。推理引擎506可以对接收的数据执行溯因推断推理508和演绎推断推理510。
62.溯因推断推理是指根据逻辑陈述的结论来确定其前提。给定p(x)
→
q(x)的逻辑前提-结论陈述，并且其中接收的数据指示q(a)的事实，溯因推断可以对p(a)的条件或事实做出结论。溯因推断可以确定在时间上与结论一致或者在时间上在事实q(a)之前的事实p(a)。演绎推断推理是指根据逻辑陈述的前提来确定其结论。给定p(x)
→
q(x)的逻辑前提-结论陈述，并且其中接收的数据指示出p(a)的事实，则演绎推断基于结论q(x)按照逻辑得出事实q(a)的结论。演绎推断可以确定事实q(a)，该事实q(a)在时间上等同于事实p(a)或者被预测为将在事实p(a)之后出现。
63.在推理引擎506处可以使用溯因推理和演绎推理的建设性使用来生成一个或多个假设。特别是，溯因推理和演绎推理都可以用在一组事实上。溯因推理可用于向后应用逻辑规则，以基于当前接收的事实获得一组条件或事实，该组条件或事实必须发生在过去。从溯因推理获得的这些后向条件或事实随后可以在演绎推理步骤中用作前提和/或假设，以获得前向条件，例如对动因运动的预测。然后，自主车辆可以基于通过这种向后-向前推断过
程得出的预测向前条件来操作。向前-向后推断过程将历史条件结合到未来驾驶预测中，从而为车辆准备未来驾驶需求提供数据。
64.在一个实施例中，将假设从推理引擎506提供给假设选择引擎512。假设选择引擎512移除或修改冗余假设和那些不适合给定交通场景的假设。假设过滤器514然后将假设的数量减少到与自主车辆的当前状况相关的数量。例如，停在公路路肩上的动因可能与在公路上行驶的自动驾驶车辆无关。剩余的假设作为预测被提供给一个或多个决策器410。
65.推理模块408通过从符号转换模块516接收逻辑术语和事实形式的数据来操作。符号转换模块516从自主车辆接收时间序列观察值518，这里称为标记(token)，并将这些标记转换成可在推理模块408处使用的逻辑术语和事实。此外，来自一个或多个假设器406的假设被提供给符号转换模块516，符号转换模块516类似地将假设转换成可在推理模块408处使用的逻辑术语和事实。
66.如图5所示，推理模块408在单个处理器上实现。在替代实施例中，推理引擎可以在多个处理器上或者在基于云的一组处理器上实现。
67.图6示出了系统的框图600，该系统用于基于由车辆的各种传感器进行的测量来生成推测场景，并用于评估这些场景的可能性。该系统包括用于获得车辆10周围环境的测量值的测量系统602和基于这些测量值生成一个或多个假设或可能场景的推理引擎(符号推理器604)。符号推理器604包括公理或境况规则的数据库504，例如交通法规、情境交通行为趋势和本地速度。符号推理器604通过将这些境况规则应用于来自测量系统602的数据，从而推断或演绎一个或多个场景。
68.该系统还包括推理评估引擎(iee)606和情节存储器608。iee 606为在符号推理器604处生成或推断出来的一个或多个可能场景中的每一个确定基于逻辑的可能性610。iee 606通过将基于规则的逻辑应用于一场景来确定该场景的基于逻辑的可能性610。iee 606还与情节存储器(em)608通信，以便为一个或多个可能场景中的每一个分配基于历史的可能性612。iee606输出基于逻辑的可能性610和基于历史的可能性612。iee 606可替代地输出一个或多个可能场景中的每一个的最终可能性614。这些可能性可用于为车辆选择适合交通状况或条件的行动路线或轨迹。在各种实施例中，解析器从可能的场景中选择候选，并将候选发送到车辆10的导航系统或控制器。导航系统或控制器基于候选物生成轨迹，并使用候选物操作或导航车辆10。
69.em 608通过将场景与存储在em 608的数据库中的事件进行比较来确定基于历史的可能性。场景的基于历史的可能性是通过量化场景和数据库中存储的事件之间的相似性来确定的。度量(metric)用于为数据库中与场景相似的事件分配概率。该度量表示事件与场景相似的程度。基于历史的可能性还考虑了数据库中被确定为与场景相似的事件的流行程度。
70.图7示出了说明性的交通状况700，其中该系统可用于评估车辆10的可能动作或轨迹。车辆10在街道701的外侧车道702中，并且卡车706或其他视觉障碍物在车辆10的前方并且在相邻车道704中。卡车706的位置减少了车辆10相对于区域708的视线714。在这种特定的交通状况下，另一车辆710正在或将要穿过外侧车道702，以便进入车道712。因此，另一车辆710是卡车706停止的原因。然而，由于对情况的不完全了解，车辆10不知道另一车辆710是否在区域708中，因此不能确定如何响应该交通状况。
71.图8示出了基于图7的交通状况700的当前知识可以推断出的可能场景800。第一种场景(场景a)预测，在车辆10将要经过卡车时，车辆802将在相邻车道704中的停止的卡车706的前面穿过，从而要求车辆10准备减速或完全停止。第二种场景(场景b)预测，在车辆10即将经过卡车时，一个或多个行人804将在相邻车道704中的停止的卡车706的前面穿过，从而也要求车辆10准备好减速或完全停止。第三场景(场景c)预测，给定车辆10的当前速度，当车辆10经过相邻车道704中停止的卡车706时，外侧车道702中存在无障碍路径。这些场景是推测性的场景，其中任何一个都可以是真实的或者代表实际场景。这些场景由符号推理器604生成，并被发送到iee 606，用于确定这些场景的可能性。
72.当使用各种规则或原则将基于逻辑的概率或各种规则或原则的可能性分配给一场景时，会考虑环境中的每个要素。对于图8的示意性交通状况，一些规则如下:1)车辆倾向于运动，除非障碍物或交通规则要求，2)车道倾向于偶尔吸引车辆，以及3)车道没有吸引行人的特定趋势。这些规则应用于环境中的要素或地标，以生成场景。用于说明性交通状况的一些地标包括车道712的存在、车道标记的存在、人行横道标记的缺乏、停止车辆的存在。使用这些说明性规则和说明性地标，iee 606可以向场景a分配比场景b或场景c更高的基于逻辑的可能性。仅出于说明目的，用于方案a的基于逻辑的可能性为60％，用于方案b的基于逻辑的可能性为10％，用于方案c的基于逻辑的可能性为30％。
73.图9示出了说明图8所示各种场景的基于历史的可能性的图表。在em608确定基于历史的可能性。在确定基于逻辑的可能性之后，iee 606对每个场景进行标记化，并将被标记化的场景发送给em 608。被标记化的场景是标记格式场景的原型示例(archetypical example)。
74.em 606将被标记化的场景与存储在em 608的数据库中的一个或多个事件进行比较，并基于该比较确定相似性百分比(s)。相似性百分比表示被标记化的场景和事件之间的相似性。em 608然后确定相似事件在数据库中有多常见或者该事件在数据库中发生的频率，从而确定被显示为代表性百分比(r)的发生分数。场景a显示了与数据库中一特定事件有60％的相似性，并且该事件代表数据库中58％的事件。场景b显示与数据库中的一事件有32％的相似性，该事件代表数据库中14％的事件。场景c显示与一事件有90％的相似性，该事件代表数据库中1％的事件。
75.场景的基于历史的可能性从em 608发送到iee 606。iee 606输出基于逻辑的可能性和基于历史的可能性。iee 606还可以基于该基于逻辑的可能性和基于历史的可能性来输出最终可能性。基于iee 606输出的任何可能性为车辆选择的行动路线。
76.虽然已经参考示例性实施例描述了上述公开，但是本领域技术人员将理解，在不脱离本发明的范围的情况下，可以进行各种改变，并且等同物可以替代其元件。此外，在不脱离本公开的基本范围的情况下，可以进行许多修改以使特定情况或材料适应本公开的教导。因此，意图是本公开不限于所公开的特定实施例，而是将包括落入其范围内的所有实施例。