智能车辆在途运行行为语义建模与表达方法研究趋势及展望

　　引言

　　智能交通系统（intelligent transportation system，ITS）是智慧城市的关键组成部分，结合了传感、计算和通信技术，旨在提供更安全、环保、高效的交通解决方案[1]。智能车辆的研究已成为智能交通领域的重要方向。智能车辆被定义为具有感知、推理和执行设备的车辆，能够实现安全车道跟随、避障、超车减速、评估和避免危险情况以及确定路线等驾驶任务的自动化[2]，从而提升交通安全、提高通行效率。分析智能车辆在途运行行为，对于提高主动安全性，实现高效交通调度至关重要。

　　智能车辆在途运行行为分析是对交通环境的高层次语义解释，包括对道路上车辆在一段时间内的行为进行识别和分类，并预测其下一时刻的行为类别[3]。真实的交通场景复杂动态多变，是环境和车辆行为在一定时空范围内的综合反映[4]，且涉及多个相互影响的交通参与者。智能车辆在这种高动态的场景中需要感知并理解周围的交通状况，提前识别和预测交通参与者的行为，从而进行有效决策，提高行驶的安全性和乘客的舒适性[5]。然而，准确理解道路交通场景对于智能车辆具有挑战性，需要处理多个对象的时空依赖关系，如道路、其他车辆、行为、其他非结构化障碍物等。此外，除了避障要求，相关的交通规则也进一步限制了智能车辆的行为[6]。在这样的背景下，将传感器数据转化为有价值的信息，从而建立对交通环境语义层面的理解十分重要，是智能车辆做出准确决策的前提。智能车辆在感知数据的基础上建立交通环境语义认知模型，语义表达则是将通过认知获得的道路环境、交通规则等信息转化为计算机能够处理的格式，形成结构化的语义信息。语义推理是将已有的语义信息进一步转化为新的知识或做出决策的过程。有效的语义推理能够帮助智能车辆提前识别潜在的危险，规避碰撞风险。对智能车辆在途运行行为进行语义认知、表达和推理，能够帮助其理解周围其他交通参与者的行为，并及时做出反馈和决策，从而提高主动安全能力。

　　语义建模与表达技术在智能车辆上的深度应用将极大地改变多车信息交互模式，促进从“数据交互”到“信息交互”的转变，实现车辆行为在“物理空间→信息空间→认知空间”的语义映射。然而，与国外相比，我国智能车辆在途运行行为语义建模与表达研究起步较晚，面临着语义建模方法不系统、语义表达标准缺失等现实难题。虽然语言建模与表达已成为当前的研究热点和难点，但国内尚未有研究对智能车辆在途运行行为语义建模与表达方法做出系统的梳理与总结。本文回顾了智能车辆在途运行行为语义建模的基础理论框架和方法，从本体论和数据驱动两方面综述了语义认知的研究现状，从逻辑语言和图模型的两类方法讨论了如何形成标准化和形式化的语义，进而从逻辑推理、规则推理和概率推理三个方面综述了智能车辆在途运行行为的语义推理方法。本文语义认知、语义表达、语义推理、语义建模的逻辑关系及关键词如图1所示。

　　

　　1 智能车辆在途运行行为语义建模

　　1.1 语义内涵及建模框架

　　智能车辆运行过程包含丰富的语义信息，这些信息在环境感知、行为决策和通信等方面发挥着重要的作用。具体而言，智能车辆通过传感器（如摄像头、雷达等）感知道路交通环境，并结合地图、场景上下文等信息，理解复杂场景中的动态元素及其语义，从而准确预测其他道路使用者的行为，做出精确的决策，提升交通系统的协同感知能力和整体运行效率。

　　语义建模是一个组织知识的过程，这些知识可以用于查询和可视化多个决策任务[7]。智能车辆在途运行行为语义建模需考虑其在行驶过程中所涉及的不同层面的关联因素。①对象层：表示智能车辆及其与环境中的其他物理或抽象实体，例如，智能车辆、行人、交通信号灯、道路标识等。②车辆状态层：描述智能车辆的当前状态信息，可以通过动态数据进行描述，例如，车辆的实时位置、行驶速度、加速度、行驶方向等。③行为层：描述智能车辆不同层级的运行行为，例如，加减速、转弯、直行等基本行为，变道、超车等复杂行为。④环境层：智能车辆的行为通常受环境因素影响，该层次将智能车辆与其所处的环境和上下文进行关联，例如，车道、十字路口等道路结构，交通拥堵、交通事故等交通状态，雨雪等天气条件等。⑤交互层：描述智能车辆之间以及智能车辆与道路基础设施、其他交通参与者等的交互关系，例如，车辆之间共享的相对位置、速度、方向等信息及协同行为，车辆与交通信号灯通信交互等。⑥决策层：描述智能车辆的行为决策，包括车辆基于当前道路状况、交通流量、信号灯状态等信息做出的行驶路径规划和实时避障决策。

　　智能车辆在途运行行为各层级语义类别、各类别的部分实体以及逻辑关系如图2所示。智能车辆是对象层的中心实体，交互层反映其与环境层中的其他实体、交通环境等的动态关系，并依此产生行为层中的运行动作。在实际建模过程中，还需要涉及到驾驶员与智能车辆系统的交互，通过雷达、定位系统等多种传感器数据产生的多源数据融合等构建更完善的语义模型，用以解决智能车辆运行行为不同维度的语义认知问题。