瞧一瞧：苹果获新专利 与未来自动驾驶汽车的复杂机器学习系统相关

盖世汽车讯据外媒报导，美国专利商标局（U.S.patentandTrademarkOffice）授与了苹果公司1项泰坦项目专利，即用于推理、决策和运动计划的机器学习系统和算法，以控制自动驾驶或部份自动驾驶的车辆。

苹果泰坦项目概念图（图片来源：patentlyapple.com）

机动车辆可以感知环境，并在没有或唯一少数延续输入的情况下进行导航，因此被称为自动驾驶或无人驾驶车辆，是当前研究和开发集体土地证能有拆迁土地补偿吗
的重点。近日，由于收到可用硬件和软件的限制，履行用于分析车辆外部环境相干计算的最大速度还不足以在无人工指点下做出重要的导航决策。但是，即便使用快速处理器、大内存和先进算法，在不可预测的行动背景下，自动驾驶车辆在客观上也很难做出及时和公道的决策。不但如此，车辆环境相干的静态和动态组件数据也不够完全，且干扰信息很多。

通过采取基于神经网络的强化学习模型，各种方法和装置实例可评估自动驾驶车辆不同大小的行动空间。根据1些实例，1种方法可包括肯定自动驾驶或部份自动驾驶车辆在出行各个时间点当前状态的表示。

关于当前状态，该方法还可包括可行的辨认操作。例如，在1个实例中，使用车辆传感器捕获的数据可在车辆的行动计划器决策组件处进行本地处理，并与地图信息相结合，以肯定当前状态和可行动作。

在美国某些州，当车辆在较为空阔，且几千米或几英里内无转弯的直线高速公路上行驶时，要评估的动作数量可能相对较少；但在其他州，当车辆接近拥堵的10字路口时，动作的数量可能会较多。

在各种实例中，每一个动作可以包括多个不同组成属性或特性，例如出发点/源车道段（评估动作时车辆所在的车道段）、目标车道段（如果履行该动作，车辆将位于的车道段），目标车道段中的目标速度，相对1个或多个其他车辆或物体的定位等。

车辆的决策组件可能负责评估给定状态下的不同可行动作，选择其中1个动作进行实行，将所选动作的抽象表示转换为详细的运动计划，并向车辆的低级运动控制子系统（例如加速子系统、转向子系统等）发出指令，以实现对应于所选动作的轨迹。

在1些少数实例中，多个实例或强化学习模型或可利用于车辆中，以取得动作的相应价值度量，且该价值度量可用于选择要实行的动作。而在另外一些少数实例中，基于深度神经网络的机器学习模型（例如使用图形或图象输入训练的卷积神经网络模型）可用于强化学习模型。

苹果的专利图1为系统环境示例图，其中可使用强化学习模型评估不同大小的动作空间，以助力指点车辆运动。在各种实例中，乘员可能会疏忽车辆的决策组件做出决定，乃至暂时禁用车辆的决策组件；另外，在最少1个实例中，车辆的决策部件可以要求或要求乘员在特定条件下做出决策。

苹果专有房产证可以享受拆迁补偿吗
利图1（图片来源：patentlyapple.com）

苹果专利图2为自动驾驶车辆决策场景的示例图，并展现了此类决策场景的相干问题特点。该系统必须了解驾驶员当前线路和并道的方式和时间；什么时候驶出坡道或变道；了解多种车速，以确保并道安全；检测路况；了解路标和路灯（停车、谨慎、前行）等等。该系统需要实时处理很多信息。

苹果专利图2（图片来源：patentlyapple.com）

苹果专利图9为状态和动作属性或属性的示例，其中的对应因素可被辨认仅编码中，用于输入强化学习模型。

苹果专利图9（图片来源：patentlyapple.com）

对给定的可行动作，要在编码中表示的属性或属性集（#973）可以包括，例如，源或当前车道段（#901）、目标车道段（#902）、目标速度或速度（#903）、相对目标车道段中的1辆或多辆其他车辆的相对定位选项（#904），和上述实例轨迹中的可选叠加地图修改（#905）。

（王治强HF013）

THEEND专利未来自动苹果获新免责声明：本文系转载，版权归原作者所有；旨在传递信息，不代表亚设网的观点和立场。