【51CTO快译】据报道，TNO（荷兰应用科学研究组织）已着手将诸如：道德、法律、规范、偏好、以及日常场景的理解等，有关人是如何驾驶的知识，与诸如控制理论、以数据驱动的人工智能（AI）、黑盒算法（DNN）、以及端到端的学习等，适合自动驾驶的技术融合到一起。

其中，为了实现对通用知识（collective knowledge）的合理判断，他们就用到了TypeDB。

举例来说，机器是如何及时将编程的逻辑和实际环境结合并做出判断。假设，根据程序设定，自动驾驶汽车在经过学校时应该减速通过。但是，实际上学校现在已经关了，这辆车还需要按照程序，减速通过吗？

此外，当这辆车遇到诸如一堆树叶等无法识别的东西时，又该怎么办呢？根据默认设置，当车辆遇到并不熟悉的事物时，它一定会选择刹车或停止当前动作。不过，该团队成员Willeke发现，在未来，他们可以使用TypeDB作为人类和AI的中心知识节点，以增强车辆对于各种复杂情况的推理能力。

例如，车辆会做出这样的推理：“我【车辆】虽然不知道这是什么，但我可以推断出，它既不是道路交通的参与者（traffic participant），又不是容易受伤、或可以移动的物体。目前已是深夜，根据所处的环境，我知道周围并没有人，也了解自己的行动存在着风险，所以我只需绕过它，便可继续前行。”根据车辆的这段OS，您是否想起了那个著名的OODA循环，即：观察（Observe）、定位（Orient）、决策（Decide）、行动（Act）。而Willeke的工作重点就包含了观察与决策步骤的推理过程，并且往往是从态势感知（situational awareness）开始的。

以态势感知作为此类认知的核心，通常存在三种输入：关于汽车领域的基本知识、来自各种采集源的传感器信息、从其他来源获取当前环境的信息（例如环境地图等）。这些输入形式有必要采用汽车领域的模式，其中包括有关基础设施、交通法规、交通标志等方面的知识。下面两张图分别以可视化的形式，展示了带有各种数据的汽车域模式子集，以及两个在TypeDB中转换为交通规则，判定允许车辆通过的例子：

该模式的另外两个输入包括来自汽车传感器的实时反馈，以及来自各种交通预测算法、意图预测器和POI（如学校等兴趣点）等其他资源的感知信息。此类信息可以用于描述车辆所处的当前环境，进而提高驾驶系统推理规则了解车辆所处环境的能力。从下图中，我们可以看到车载传感器是如何利用数据，计算出车辆之间的距离、周围车辆的速度、以及在车道内的具体位置。

TNO团队正试图将所有这些信息结合起来，在知识图谱中构建出各种情境意识。

Willeke详细地介绍了那些可以用来判断所处环境的预测系统，以及使用这些预测进行自动驾驶的相关决策。下面，我们来讨论在TypeDB中的具体实现，以及这些预测算法和数据输入，是如何在自动驾驶中进行建模与应用的。

在环境模型中，TNO在本体模型（ontology）里设定了各种特征不确定性、预测值、重要性（importance）、可见性（visibility）、以及怀疑程度（doubt）等指标，以协助AI了解车辆所处的情况，进而采取安全有效的行动。

其中，重要性是由领域专家针对车道变换的相关知识、以及实体（道路上的车辆）之间距离等重要性采取的编码。怀疑程度是不确定性的度量，其中包括未知的物体、显著特征不确定性、低可见度、以及分类器的不确定性等维度。在下图中，我们可以看到这些属性和实体是如何在TypeDB中通过建模，以便车辆在路上行驶，并在遇到不确定路况时，如何对算法的实时数据和输出进行推理，以便做出下一个判断的。

那么如何将上述理论应用到实践中呢？下图以数据实例化的形式，讨论了这样一个模型场景：您的汽车正在接近一辆卡车，自动驾驶系统需要决定是改变车道并超越卡车，还是直接交给人类司机进行逻辑判断。

系统到底如何判定是超车还是把方向盘交给驾驶员，动作选择综合分析了上述TypeDB中的建模、机器学习、以及规划器（planner）的信息。对此，我们需要深入了解车辆所执行的具体操作、以及为何做出决策与判断。

在这种类型的决策中，我们希望根据当前情况采取行动：制动，加速，切换车道，并且我们希望快速做到这一点。

TNO团队通过从车辆中获取的传感器数据，并使用状态和动作信息，对其进行编码，以完成针对其自研算法的训练。同时，机器学习算法也会通过逆强化学习（inverse reinforcement learning），为当前给定状态的每个动作提供评分。

接着，他们将这些动作及其评分，提供给起到最终决策作用的蒙特卡洛树搜索（Monte Carlo Tree Search，MCTS）规划器。当然，由于MCTS需要创建一个包含了所有可能动作的树，因此其整体成本比较高。为了降低此类成本，并提高规划器的效率，TypeDB再次提供了相关解决方案。

他们使用TypeDB去存储和推理参与者（即车辆）的动作、周边信息、以及交通预测等上下文环境。通过减少那些需要MCTS过滤的可能性操作，他们成功地在实时工作场景中，对搜索树进行了缩减，提高了决策的制定效率和速度。

最后，他们还通过查询车辆、动作、法律、以及安全评分三者之间的推断关系，使用TypeDB的相关规则，筛选出了各种可能性的动作，并发送给规划器。

通过上述讨论，我们简要地介绍了一种具有自我感知并结合了AI的自动驾驶判断方法。该方法使用汽车周围的环境信息，来提高行为推断的能力。通过构建这种态势感知的混合方法，车辆可以在真实世界中，面对各种未知的情况，降低自动驾驶的各种潜在风险。

目前，TNO团队计划在TypeDB中迭代该模型，希望为上下文环境添加更多的结构，以便能够使用更高级别的推理规则，来智能地推理出其他复杂的场景。此外，他们还将不断地改进评估能力，以增加更多针对车辆的自动化功能，打造更加丰富的动作场景。【51CTO译稿】

来源：51CTO陈峻