[发明专利]一种适于自动驾驶的多目的控制机器学习模型的构建方法

权利要求书

1.一种适于自动驾驶的多目的控制机器学习模型的构建方法，其特征在于：

(1)运用了空间映射理论对汽车环境图像进行识别；

(2)通过机器学习实现优良驾驶员的“知识获得”；

(3)多目的最佳控制的机器学习模型；进行多目的最佳控制的机器学习调节。

2.根据权利要求1所述的一种适于自动驾驶的多目的控制机器学习模型的构建方法，其特征在于：所述运用了空间映射理论，是指包括将汽车环境图像通过物理模型映射出若干个映射图像的方法，或针对汽车环境图像的相邻的多个像素进行求导从而获得边缘图像的方法，或从汽车环境图像中获得突发图像的方法中至少一种图像映射方法；图像的每一个特征信息区域对应着一个机器学习，将所对应的图像区域中的“高阶最大几率”值抽出。

3.根据权利要求1所述的一种适于自动驾驶的多目的控制机器学习模型的构建方法，其特征在于：所述对汽车环境图像进行识别，是指包括通过无监督机器学习实现道路车线的识别方法，或将非结构化汽车环境图像数据的结构信息抽出的方法；或求出样本图像的每一个特征点与数据的跨越欧几里德空间与概率空间的距离；或以这个距离为依据的模糊事件概率测度，用这个尺度作为依据从而实现对图像的理解。

4.根据权利要求1以及3所述的一种适于自动驾驶的多目的控制机器学习模型的构建方法，其特征在于：所述非结构化汽车环境图像数据的结构化信息包括第k个特征点的最大概率尺度；或最大概率尺度大小的概率分布值；特征点为第k个的概率分布值；第k个特征点到第k+1个特征点的向量值，以及概率分布值在内的至少一种结构化信息。

5.根据权利要求1所述的一种适于自动驾驶的多目的控制机器学习模型的构建方法，其特征在于：所述通过机器学习实现优良驾驶员的“知识获得”，是指包括将不同空间的多目的的目标函数映射到同一个空间；通过优秀驾驶员进行多次的驾驶的机器学习；在自动驾驶的各个状态下，产生各个目标函数所对应的一个“高阶最大几率”的概率分布数据中至少一种方法。

6.根据权利要求1所述的一种适于自动驾驶的多目的控制机器学习模型的构建方法，其特征在于：所述构成多目的最佳控制的机器学习模型，是指通过机器学习实现优良驾驶员的“知识获得”；通过机器学习产生所要调节的目标函数；通过多目的机器学习进行自适应调节中至少一种方法。

7.根据权利要求1以及6所述的一种适于自动驾驶的多目的控制机器学习模型的构建方法，其特征在于：所述通过机器学习产生所要调节的目标函数，是指针对自动驾驶的一个状态所产生一组多目的的复数个目标函数值，与相对应的状态的各个目标函数的学习结果，进行欧几里德空间的一点到概率空间的概率分布中心的距离的计算，通过机器学习得到所要调节的目标函数的方法。

8.一种适于自动驾驶的多目的控制机器学习装置，其特征在于是由三层神经网络构成的：

感知层接受包括节省油耗，安全驾驶，快速驾驶，行车间隔，舒适驾驶，停车位置在内的至少一个目标函数的模糊信息；

神经层接受通过机器学习获得的优良驾驶员的自动驾驶知识；

脑皮层通过机器学习获得所要调节的目标函数。

9.根据权利要求8所述的一种适于自动驾驶的多目的控制机器学习装置，其特征在于：所述目标函数的模糊信息，是指目标函数在最好的状态值为H(H≥1)，最坏状态值为L≤0，通过Membership Function所表达的模糊信息。

10.根据权利要求8所述的一种适于自动驾驶的多目的控制机器学习装置，其特征在于：所述优良驾驶员的自动驾驶知识，是指通过优秀驾驶员进行多次的驾驶的机器学习，在自动驾驶的各个状态下，产生各个目标函数所对应的一个“高阶最大几率”的概率分布。

11.根据权利要求8所述的一种适于自动驾驶的多目的控制机器学习装置，其特征在于：所述所要调节的目标函数，是指通过机器学习产生所要调节的目标函数；或通过多目的机器学习进行自适应调节。