Data-driven generation of rules for ontology-based decision making systems in autonomous vehicles

Abstract

Autonomous vehicles can be controlled based on semantically abstracted knowledge of the surrounding environment of the vehicle. One such approach to knowledge based decision making is an ontology-based decision making system. This system requires a set of logical rules based on which the reasoning of correct action for each time instant is performed. Writing these rules by hand can prove challenging as covering all traffic scenarios produces a large number of rules to consider. However, these rules can also be obtained by learning them from data. In this work, creation of two datasets is covered as well as the generation of logical rules from these datasets. Two methods of learning the rules are implemented: association rule learning and a deep learning based approach. Both methods implemented produce a correct set of rules compliant with traffic rules.

Itseohjautuvia ajoneuvoja voidaan ohjata semanttisesti abstraktoidun ympäristotiedon perusteella. Yksi tällainen tietoon perustuva lähestymistapa on ontologioihin perustuva päätöksentekojärjestelmä. Tämä järjestelmä vaatii loogisia sääntöjä, joiden perusteella oikea ajoneuvon ohjaus voidaan päätellä joka ajanhetkellä. Näiden sääntöjen luominen käsin on haastavaa, sillä liikenne toimintaympäristönä vaatii suuren määrän sääntöjä riittävän kattavuuden saavuttamiseksi. Nämä säännöt voidaan kuitenkin oppia kerätystä tiedosta. Tämä työ kattaa kahden tietoaineiston luonnin sekä loogisten sääntöjen luomisen näistä tietoaineistoista. Säännöt luodaan kahdella eri tavalla: assosiaatiosääntöjen oppimisella sekä neuroverkkoihin perustuvalla syväoppimisella. Molemmat lähestymistavat luovat sääntöjä, jotka ovat linjassa liikennesääntöjen kanssa.