[發(fā)明專利]自動駕駛車輛中故障的自動根本原因分析

在審

• 申請?zhí)枺?/td>: 201980097580.1
• 申請日: 2019-10-01
• 公開（公告）號: CN114008551A
• 公開（公告）日: 2022-02-01
• 發(fā)明（設計）人: 羅曼·塔揚斯基;帕維爾·基西列夫;多林·丹妮爾;埃德蒙·查洛姆;邁克爾·卡茨;佘曉麗;金淑一;俞佳偉
• 申請（專利權）人: 華為技術有限公司
• 主分類號: G05D1/00
• 分類號: G05D1/00;G05B23/02;B60W50/02;G06N3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

通過如下方式自動檢測自動駕駛車輛中的故障根本原因：接收由用于感測所述自動駕駛車輛的環(huán)境的一個或多個傳感器在所述故障之前的一段時間內(nèi)捕獲的傳感器數(shù)據(jù)；分析所述傳感器數(shù)據(jù)以識別所述環(huán)境中的一個或多個對象；創(chuàng)建定義每個對象的時間線運動模式的故障場景；計算特征向量，所述特征向量包括從所述自動駕駛車輛的子系統(tǒng)在所述故障場景期間生成的輸出中提取的特征；將一個或多個機器學習分類模型應用于所述特征向量，所述一個或多個機器學習分類模型是用針對多個故障場景及其對應的成功場景計算的多個經(jīng)過標記的特征向量訓練的；通過將解釋模型應用于所述一個或多個機器學習分類模型、所述一個或多個特征向量和/或所述結果來識別對所述一個或多個經(jīng)過訓練的機器學習分類模型的結果有顯著貢獻的關鍵特征；并根據(jù)一個或多個根本原因故障子系統(tǒng)與所述一個或多個關鍵特征的關聯(lián)估計所述一個或多個根本原因故障子系統(tǒng)。

技術領域

在本發(fā)明的一些實施例中，本發(fā)明涉及識別自動駕駛車輛中故障的根本原因，更具體但不排他性地，涉及使用用故障場景和對應的成功場景訓練的機器學習模型來識別自動駕駛車輛的自動化子系統(tǒng)中故障的根本原因。

背景技術

無論是地面、空中和/或海上車輛，自動駕駛車輛技術都在迅速發(fā)展。由于部分自動駕駛車輛已經(jīng)很常見，因此完全自動駕駛車輛的最終目標似乎近在咫尺。

雖然自動駕駛車輛會有許多優(yōu)勢，但將完全控制委托給車輛涉及安全問題，需要在這一領域負責任、謹慎和精心策劃的進步。

由于自動駕駛車輛涉及越來越多的子系統(tǒng)，用于監(jiān)控、控制和/或規(guī)劃自動駕駛車輛操作，因此子系統(tǒng)中或子系統(tǒng)之間的交互中可能發(fā)生故障。

因此，需要可以識別此類故障并追溯導致此類故障的子系統(tǒng)的技術。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種方案，用來減少或解決傳統(tǒng)方案的缺點和問題。

上述和其它目的是通過獨立權利要求的主題來實現(xiàn)的。從屬權利要求中提供了其它有利實施例。

本發(fā)明旨在提供一種方案，用于識別自動駕駛車輛中故障的根本原因，特別是識別導致自動駕駛車輛中故障的根本原因子系統(tǒng)。

根據(jù)本發(fā)明的第一方面，提供了一種用于自動檢測自動駕駛車輛中故障的根本原因的系統(tǒng)，所述系統(tǒng)包括一個或多個處理器，所述處理器用于：

-接收由用于感測所述自動駕駛車輛的環(huán)境的一個或多個傳感器在自動駕駛車輛故障之前的預定義時間段捕獲的傳感器數(shù)據(jù)。緊接所述故障之前的隱藏時間段不包括在所述預定義時間段中。

-分析所述傳感器數(shù)據(jù)以識別所述環(huán)境中的一個或多個對象。

-創(chuàng)建故障場景，所述故障場景定義一個或多個已識別對象相對于所述自動駕駛車輛的時間線運動模式。

-計算特征向量，所述特征向量包括從所述自動駕駛車輛的多個子系統(tǒng)中的一個或多個子系統(tǒng)在所述故障場景期間生成的輸出中提取的多個特征。

-將一個或多個機器學習分類模型應用于所述特征向量，所述一個或多個機器學習分類模型是用針對多個故障場景及其對應的成功場景計算的多個經(jīng)過標記的特征向量訓練的。

-通過將解釋模型應用于所述一個或多個機器學習分類模型、所述特征向量和/或所述結果，識別對一個或多個所述經(jīng)過訓練的機器學習分類模型的結果具有主要貢獻的一個或多個關鍵特征。

-根據(jù)所述多個子系統(tǒng)的一個或多個根本原因故障子系統(tǒng)與一個或多個所述關鍵特征的關聯(lián)，估計所述多個子系統(tǒng)的一個或多個根本原因故障子系統(tǒng)。

根據(jù)本發(fā)明的第二方面，提供了一種用于自動檢測自動駕駛車輛中故障的根本原因的方法，所述方法包括：