详情

原文传递融入主观指引的犹豫卷积神经网络构建及其应用研究

论文题名：	融入主观指引的犹豫卷积神经网络构建及其应用研究
关键词：	新能源汽车;自动驾驶;主观指引;犹豫卷积神经网络
摘要：	近年来，我国政府大力开发清洁能源，推动新能源汽车的生产，以应对交通行业对环境的影响。当前我国倡导用新能源汽车代替传统燃油车，积极推进智慧交通的建设。在智能化进程更加多元化的背景下，依托于新能源汽车的自动驾驶技术成为大势所趋，也促进着社会的绿色发展。目前，自动驾驶系统中使用的分类算法主要以机器学习或深度学习方法为主。其中，以神经网络及其变体为代表的模型在自动驾驶分类中有着极为重要的应用，尤其是卷积神经网络（CNN）。这些对象也成为了本文的重点研究目标。当然，对于驾驶车辆而言，除了汽车本身这个主体之外，还有一个重要主体是驾驶员。这两者的作用可以体现在，驾驶汽车在行驶过程中会产生大量客观数据以提供给系统做决策分析，而驾驶员也可能存在主观判断行为并对最终的决策结果产生重要影响。　　那为何需要在自动驾驶决策系统中考虑驾驶员的主观感受？这是因为传统的自动驾驶是建立在客观数据信息和处理系统之上，忽略了驾驶员的主观感受。但目前普及的智能驾驶汽车一般为辅助驾驶级别，还未实现真正的自动化驾驶水平。在驾驶过程中还是需要由驾驶员做主要操控，这意味着驾驶员的操作和决策对于当前的自动驾驶系统来说依然至关重要。因此，本文认为研究驾驶员的主观判断是必须的。通常，决策系统的稳定性使得车辆对于同种场景的分类判断总是一致的，然而实际生活中，驾驶员的决策过程并不总是规律和稳定的。这体现在驾驶员每次出行对于不同场景甚至同种场景的偏好都可能会随当时环境改变，从而出现不同感受或不同评价的可能性。由此，本文认为考虑驾驶员的主观感受具有重要意义。为了更好的描述这种主观信息，本文将这种多值不确定信息刻画为犹豫模糊环境。当驾驶员的多值不确定信息具有倾向性偏好时，本文用概率来刻画并描述为概率犹豫模糊环境。总而言之，现有的自动驾驶分类系统通常只是根据客观场景来识别和判断决策，却没有考虑到驾驶员在各种场景中的个性化需求，使得场景分类在实现完全智能化中仍然存在一定的局限性。对此，本文将驾驶员的主观需求融入到自动驾驶分类数据中，进一步丰富数据类型使其能够更加全面地描述场景信息，构建更为优化的算法从而提高自动驾驶分类系统的智能化。　　本文是通过在自动驾驶分类场景中引入驾驶员的主观指引，将定量数据与定性评价相融合来进一步优化自动驾驶技术。对于这种场景分类一般可以由卷积神经网络来实现，因此，本文提出了犹豫卷积神经网络（HCNN），其中犹豫模糊集是用来充分描述主观指引信息，卷积神经网络则用来识别和分类。基于HCNN本文给出了两个犹豫模糊信息处理方法，即数据向下拆分和权重二次匹配。这两个方法不仅能充分描述和处理犹豫模糊主观指引信息，还可以使得这类复杂数据能够输入到卷积神经网络中进行训练和学习，从而实现场景分类识别。此外，为了解决策者在评价过程中还存在倾向性的问题，本文引入概率来刻画这种不确定性，进一步提出了概率犹豫卷积神经网络（PHCNN）。除上述两步处理方法之外，概率犹豫模糊信息还需结合XGboost算法和加权平均数来提取重要客观特征及其权重，并利用决策者的主观评价与权重的相似度比较来确定主观评价的最终概率。以上这两种模型区别于一般的应用性方法的创新点在于融合了不确定性的主观指引及其广义表述。此外，本文基于上述HCNN和PHCNN，以及它们的犹豫模糊信息处理方法，分别给出了考虑驾驶员主观引导的自动驾驶算法。通过在自动驾驶算法中考虑并融合不同驾驶员的个性化需求，从而实现新能源汽车自动驾驶技术的优化。最后，本文通过两个算例来展示优化自动驾驶算法的应用，结合相关评价结果说明了这两个算法在给定驾驶场景下的有效性。
作者：	卢怡
专业：	管理科学与工程
导师：	周伟
授予学位：	硕士
授予学位单位：	云南财经大学
学位年度：	2022