基于神经符号推理的自动驾驶可解释性决策与安全约束控制框架设计.docxVIP

PAGE2

基于神经符号推理的自动驾驶可解释性决策与安全约束控制框架设计

摘要

自动驾驶系统在复杂交通场景中的决策安全性与可解释性，是制约其大规模商用的核心瓶颈。本文针对现有端到端神经网络决策模型“黑箱”化、难以融入明确安全约束的痛点，设计一种融合神经网络感知与符号逻辑推理的可解释性驾驶决策框架。该框架以深度神经网络提取环境语义特征，通过神经符号桥接模块将感知结果转化为符号化的场景事实，进而利用一阶逻辑与描述逻辑构建可解释的驾驶决策规则库，并在此基础上嵌入基于度量时态逻辑的安全约束控制器，实现决策过程的透明化与安全形式化验证。

论文遵循“需求分析—总体设计—详细设计—实现—测试”的工程递进路线。首先分析自动驾驶决策对可解释性与安全约束的核心需求，明确功能与非功能指标；其次提出“感知-推理-约束”三层总体架构，并完成模块划分与数据流设计；然后对符号规则引擎、神经符号映射器、安全约束控制器等核心模块进行详细算法设计；接着基于CARLA仿真平台与PyTorch/LogicTensorNetwork实现原型系统，展示关键功能运行效果；最后通过场景测试与性能测试验证框架的有效性。本设计的核心创新在于将逻辑推理作为决策的显式推理层，并用安全约束控制器对决策结果进行形式化检验，使自动驾驶决策既具备深度学习的感知能力，又拥有符号系统的可解释性，为高安全等级自动驾驶提供了一种可行的技术路径