基于本体的决策系统规则生成与知识图谱嵌入模型研究

### 基于本体的决策系统规则生成与知识图谱嵌入模型研究 #### 基于本体的决策系统规则生成 在车辆决策系统中，ADAS 本体的表达能力至关重要。为确保相关词汇可通过该本体表示，对其进行了检查。例如，自我车辆的停止动作和让行动作在控制本体中直接声明。不过，ADAS 本体直接表达相对方向的能力有限，但借助地图本体表示的已知区域地图，可描述车辆的相对位置。 具体过程如下： 1. **车辆检测与车道分配**：利用汽车本体中声明的 `isRunningOn` 属性，检测车辆并将其分配到车道上。 2. **车道关系检查**：通过 `turnLeftTo`、`turnRightTo` 和 `goStraightTo` 属性，检查车道在交叉路口的关系。 3. **车道连接**：使用 `hasLane` 属性，检查车道是否在同一路段上。 4. **车辆方向表达**：通过 `TurnLeft`、`TurnRight` 和 `GoForward` 表达车辆的预期方向，这些可从车辆路径推理得出。 ##### 规则提取 采用关联规则学习从数据中提取模式，具体步骤如下： 1. **数据格式化**：将数据格式化为合适的项 - 事务格式，定义知识项使其具有布尔真值，多值知识项拆分为多个部分。示例布尔数据表如下： | Sample | Ego: stop | Ego: left | Opposite: straight | Opposite: right | | ---- | ---- | ---- | ---- | ---- | | 1 | True | True | True | False | | 2 | True | True | True | False | |... |... |... |... |... | | 10 | False | True | False | False | | 11 | False | True | False | False | 2. **频繁项集查找**：使用 Apriori 算法查找频繁项集，定义合适的支持阈值区分频繁和非频繁项集。项集 X 的支持度 s 表示项集 X 在数据库事务中的占比为 s%。 3. **无关项集修剪**：根据规则格式要求，识别并修剪无关的频繁项集。规则体只能包含观察结果，规则头只能包含动作，规则整体必须至少包含一个观察结果和一个动作。 4. **规则构建**：定义合适的置信度阈值构建规则。对于规则 X ⇒ Y，置信度 c 表示数据库中包含 X 的事务中也包含 Y 的比例为 c%。每个项集仅产生一个候选规则，若候选规则的置信度值大于设定阈值，则形成规则。 5. **规则进一步修剪**：基于一组修剪原则进行进一步修剪，原则如下： - 每个规则体必须包含对自我车辆状态的观察。 - 每个规则体必须包含对非自我车辆状态的观察。 - 规则集不能包含冗余规则。 ##### 实验 1. **实验设置**： - 模拟场景：共 108 个场景，其中 27 个为两辆车场景，81 个为三辆车场景。 - 模拟器：使用 CARLA 0.9.2 模拟器，其引入了新的交通场景引擎，用于实现车辆行为。 - 数据采样：以规则采样率对模拟状态进行采样，将场景状态快照抽象为匹配词汇的格式，场景在自我车辆驶出交叉路口后视为完成。 - 数据存储：将抽象快照格式化为资源描述框架 (RDF) 图并存储为一个数据集。示例 RDF 三元组如下： | Subject | Predicate | Object | | ---- | ---- | ---- | | car1 | hasType | Car | | car1 | hasCollisionWarning | False | | car1 | giveWay |