人工神經(jīng)網(wǎng)絡(luò)5翻譯

第14單元智能控制是一類控制技術(shù)，這些技術(shù)使用各種人工智能計算方法，如人工神經(jīng)網(wǎng)絡(luò)、貝葉斯概率、模糊邏輯、機器學(xué)習(xí)、進化計算和遺傳算法等。在這個單元，（我們）對智能控制和神經(jīng)網(wǎng)絡(luò)做一概述。一、智能控制由于控制方法已經(jīng)進入標(biāo)準(zhǔn)應(yīng)用，這使他們能用于多種復(fù)雜應(yīng)用。這種復(fù)雜系統(tǒng)的特點是：差模型，高維決策空間，分布式傳感器和決策者，高噪聲水平，多個子系統(tǒng)，多層級，多時間尺度和（或）性能標(biāo)準(zhǔn)，復(fù)雜的信息模式，龐大數(shù)據(jù)量和嚴(yán)格性能要求。由于生命系統(tǒng)應(yīng)付類似的情況的能力是眾所周知的，系統(tǒng)理論家便試圖將這些概念納入人工系統(tǒng)。因此，在過去的四、五十年內(nèi)，很多心理學(xué)、生物學(xué)等學(xué)科的概念，如模式識別、適應(yīng)性、學(xué)習(xí)和自組織，被引入系統(tǒng)論中。［1］智能控制只是在這一系列概念中最新的。定性地說，一個系統(tǒng)，它包含能夠感知周圍環(huán)境，處理信息以減少不確定性，在前面提到的情況下策劃、生成和執(zhí)行控制行動等能力，它就構(gòu)成一個智能控制系統(tǒng)。處理上述困難的能力越大，該控制系統(tǒng)越智能。智能控制的一個恰當(dāng)?shù)亩x是一門學(xué)科,控制算法的發(fā)展是通過模擬智能生物系統(tǒng)的某些特點來實現(xiàn)的。［2］它作為一種技術(shù)迅速發(fā)展，可能為許多領(lǐng)域的重大進展打開途徑（鋪平道路。事實上，在計算技術(shù)進步的推動下，它已經(jīng)取得了一些非常令人興奮和充滿希望的結(jié)果。目前，在非結(jié)構(gòu)化的環(huán)境下的機器人設(shè)備，具有自我修復(fù)功能的高性能飛機，以及容易出現(xiàn)災(zāi)難性執(zhí)行器或傳感器故障的復(fù)雜的工業(yè)廠房中，設(shè)計智能控制系統(tǒng)有著濃厚的興趣。智能控制系統(tǒng)設(shè)計的主要目標(biāo)之一是模仿人類的行為。如果我們能夠產(chǎn)生真正的人工智能，產(chǎn)生的行為將自然地被視為智能的。但因為這似乎是長期的挑戰(zhàn)，依循模仿人類的子目標(biāo)是比較合理的。智能控制系統(tǒng)設(shè)計的有效方法的發(fā)展，無疑需要合成人工智能、實時計算和控制工程中的許多概念。有三種辦法有智能控制的潛力：作為控制系統(tǒng)中自適應(yīng)元素的專家系統(tǒng)；作為控制系統(tǒng)的決定生產(chǎn)要素的模糊計算；作為控制系統(tǒng)補償元素的神經(jīng)網(wǎng)絡(luò)。專家系統(tǒng)，或基于規(guī)則的系統(tǒng)，體現(xiàn)了一種構(gòu)建于if-then規(guī)則周圍的、以規(guī)則為基礎(chǔ)的解決范例。當(dāng)過程從if條件序列向前推進到then動作序列，它被稱為正向推理。雖然這個方法可以適用于控制系統(tǒng)的決策需要，但是這一方法一般對高速系統(tǒng)來說太緩慢，并且有限的學(xué)習(xí)能力。反向推理從then動作的理想序列開始，反向確定適當(dāng)?shù)膇f條件是否得到滿足。這種方法對控制系統(tǒng)的應(yīng)用來說可能是更恰當(dāng)?shù)?，因為，?dāng)錯誤檢測和糾錯能力被添加到反向推理系統(tǒng)中時，會產(chǎn)生一個反饋回路。模糊集理論中，分配給該元素的隸屬函數(shù)是連續(xù)的，并且在零和無窮大之間，這是與標(biāo)準(zhǔn)的集合理論是不同的。如果隸屬函數(shù)僅采用零和無窮大的極端值，那么模糊集降低到標(biāo)準(zhǔn)集合理論。在數(shù)據(jù)和關(guān)系不能用清晰的數(shù)學(xué)術(shù)語來表述的情況下，模糊集理論是有用的。例如，飛機員指出方向舵無法正常工作是給出的一個重要模糊信息，即使這一信息不能用經(jīng)典數(shù)學(xué)模型來描述，也必須納入外部控制回路的決策過程中。［3］神經(jīng)網(wǎng)絡(luò)提供了一個為各種物理現(xiàn)象建立實證非線性模型的強大的方法。用

神經(jīng)網(wǎng)絡(luò)，控制問題可以被看作是一個模式識別問題，其中，被識別的模式是變化的信號，映射到特定系統(tǒng)性能的行動信號。該智能控制器應(yīng)識別和隔離實時的變化模式，并從經(jīng)驗中學(xué)習(xí)以更加迅速地識別變化，即使只有不完全的數(shù)據(jù)。我們相信，這些技術(shù)確實有用，是邁向智能控制的重要一步（關(guān)鍵，但不是解決復(fù)雜、大規(guī)模系統(tǒng)智能控制的答案。近年來，機械、電氣和計算機工程已經(jīng)融合到了機電一體化領(lǐng)域。智能設(shè)備，包括傳感器、執(zhí)行器、軟件，制作成智能機電元件，將這三個方面自然融合在最小空間上。一個機電一體化模塊的復(fù)雜性，主要是在控制軟件，通常被稱為系統(tǒng)的智力?？偨Y(jié)智能控制方法的命題：系統(tǒng)和技術(shù)集成，包括機電一體化、計算機科學(xué)、系統(tǒng)優(yōu)化設(shè)計、溝通和人機互動，可能會產(chǎn)生我們期望從智能控制中得到的。智能控制如圖14-A-1所示。Human（RealWorld）HumanInterface

VirtualReality

InformationInfrastructureIntelligentControlLearningManagement

PlanningCoordinationOperationsResearchMemoryHeuristicsOptimizationFeedbackDynamicsCommunication

ObjectOrientedDesign

IntelligentControlLearningManagement

PlanningCoordinationOperationsResearchMemoryHeuristicsOptimizationFeedbackDynamicsCommunication

ObjectOrientedDesign

DistributedProcessingArtificial

IntelligenceControlTheoryComputer

Science圖14-A-1智能控制系統(tǒng)的關(guān)鍵技術(shù)將與人的交互作用包括在智能控制系統(tǒng)中，并將其看作一個重要的組成部分的一個原因是，人工智能難以實現(xiàn)目標(biāo)導(dǎo)向的智能行為。[4]對復(fù)雜智能控制系統(tǒng)來說，系統(tǒng)設(shè)計優(yōu)化和最優(yōu)參考軌跡的生成是一個重要的問題。各種強有力的數(shù)值優(yōu)化工具是可用的，并且，在半定規(guī)劃、線性矩陣不等式和內(nèi)點法的最新發(fā)展，創(chuàng)造了越來越有效的算法。余下的一個重要的關(guān)鍵問題是：在不影響已經(jīng)學(xué)到的知識的條件下，反復(fù)提高智能控制系統(tǒng)的性能。人們可以把這稱為認(rèn)真探索，反復(fù)嘗試以提高性能。看來還很難用目前的方法實現(xiàn)這一點，如自適應(yīng)控制或類似人工神經(jīng)網(wǎng)絡(luò)和模糊方法的新技術(shù)。正在進行中的利用智能控制計劃的研究指向一個方向：連續(xù)控制計劃必須與離散事件模型和監(jiān)控器相結(jié)合。[5]二、人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)，又稱為神經(jīng)網(wǎng)絡(luò)，是一種信息處理系統(tǒng)，其設(shè)計源于對人類大腦由（在）觀察中學(xué)習(xí)和由（在）抽象中歸納能力的研究。[1]一個典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（圖14-B-1），其基本組成部分有兩種類型，即處理單元以及它們之間的互連。處理單元被稱為神經(jīng)元，神經(jīng)元之間的連接稱為鏈接或突觸。每一個鏈接都有相應(yīng)的權(quán)重參數(shù)與之相關(guān)聯(lián)。每個神經(jīng)元接收來自與之連接的其他神經(jīng)元的激勵，處理信息，并生成一個輸出。接收來自外部激勵的神經(jīng)元被稱為神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元，而其輸出被外部使用的神經(jīng)元被稱為輸出神經(jīng)元。接收來自其他神經(jīng)元的激勵，其輸出是網(wǎng)絡(luò)中的其他神經(jīng)元的激勵，這類神經(jīng)元被稱為隱藏神經(jīng)元。不同的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以通過使用不同類型的神經(jīng)元和不同方式連接它們來構(gòu)建。neurons圖14-B-1神經(jīng)網(wǎng)絡(luò)的原理圖人工神經(jīng)網(wǎng)絡(luò)的最重要的特性之一是它能夠從環(huán)境中學(xué)習(xí)，并通過學(xué)習(xí)來改善其表現(xiàn)。從本質(zhì)上講，學(xué)習(xí)在人工神經(jīng)網(wǎng)絡(luò)里的定義是一個過程，通過學(xué)習(xí)，人工神經(jīng)網(wǎng)絡(luò)的自由參數(shù)在一個持續(xù)的激勵過程中進行調(diào)整，從而適應(yīng)被嵌入的環(huán)境。［2］有許多不同類型的學(xué)習(xí)過程，大致可分為：糾錯，赫布，競爭，波茲曼，監(jiān)督，增強和監(jiān)管（無人監(jiān)管?；旧嫌兴姆N類型的人工神經(jīng)網(wǎng)絡(luò)在使用。單層感知是我們（即將）介紹的第一種。這個簡單的網(wǎng)絡(luò)在起初發(fā)展時就引起了很大的興趣，因為它能夠?qū)W會識別簡單的模式；本質(zhì)上說，它是一個感知，決定一個輸入是否屬于兩個類別之一。權(quán)重可以通過基于錯誤校正學(xué)習(xí)算法訓(xùn)練網(wǎng)絡(luò)來學(xué)習(xí)。然而，這種類型網(wǎng)絡(luò)的一個主要缺點是，只有測試模式（包括輸入向量和目標(biāo)輸出）是線性可分的時候，網(wǎng)絡(luò)才產(chǎn)生正確的解決方案。［3］當(dāng)輸入和輸出之間存在非線性的關(guān)系時，網(wǎng)絡(luò)就很難訓(xùn)練集合。我們?nèi)绾慰朔o法用神經(jīng)網(wǎng)絡(luò)解決線性不可分問題的難題呢？使用多層感知器可以克服這個問題。多層感知器的學(xué)習(xí)規(guī)則被稱為廣義三角規(guī)則，或反向傳播規(guī)律，這是錯誤糾正學(xué)習(xí)的一個修正版本。其主要思想是：通過從輸出層反向傳播誤差到隱藏層來調(diào)整權(quán)重，以減少期望輸出和實際輸出之間的誤差。它是基于一個迭代梯度算法。對人工神經(jīng)網(wǎng)絡(luò)的大部分的重新關(guān)注可以歸因于約翰?霍普菲爾1982年的一篇論文?；羝辗茽柕墓ぷ鹘沂玖艘粋€事實，即由簡單的神經(jīng)元樣的成分構(gòu)成的仿生網(wǎng)絡(luò)可用于計算目的。Hopfield網(wǎng)絡(luò)是一項經(jīng)常性的網(wǎng)絡(luò)，它作為一個反饋系統(tǒng)來運作。圖14-B-2說明了Hopfield人工神經(jīng)網(wǎng)絡(luò)的一個典型結(jié)構(gòu)。網(wǎng)絡(luò)的每個向前的操作稱為迭代。經(jīng)常性的網(wǎng)絡(luò)，如任何非非線性動態(tài)系統(tǒng)，能出現(xiàn)各種可能的行為。一個特別的可能性是，該系統(tǒng)可以穩(wěn)定，也就是說，它可能會收斂到一個固定點。該系統(tǒng)固定在同一個狀態(tài)，不斷地輸入和輸出同一個點。一般情況下，將會有一個以上的固定點。Hopfield網(wǎng)絡(luò)的不動點集是網(wǎng)絡(luò)所記憶的點。通過這種方式，網(wǎng)絡(luò)可以作為一種聯(lián)想的記憶來運作。43圖14-B-2Hopfield網(wǎng)絡(luò)的結(jié)構(gòu)人類大腦的一個迷人的特征是，它的物理組織明顯地反映了提交給它的外部激勵的組織。在80年代初，TeuvoKohonen開發(fā)了一種算法來模擬大腦針對外界激勵來組織自身的能力。他稱他的算法為自組織特征映射。Kohonen的算法代表了人工神經(jīng)網(wǎng)絡(luò)的一種類型，它在沒有監(jiān)督的情況下就能學(xué)習(xí)。這種無監(jiān)督的學(xué)習(xí)本質(zhì)上是基于競爭學(xué)習(xí)，網(wǎng)絡(luò)的輸出神經(jīng)元彼此之間的競爭被激活，使得結(jié)果在任意時刻，只有一個輸出神經(jīng)元或者每組一個神經(jīng)元有效。［4］贏得競爭的輸出神經(jīng)元被稱為通吃所有神經(jīng)元的贏家。由競爭學(xué)習(xí)網(wǎng)絡(luò)形成的團簇的穩(wěn)定性是不能保證。在這方面，自適應(yīng)共振理論被提出用來解決這個問題。自適應(yīng)共振理論網(wǎng)絡(luò)有幾種不同的類型。除人工神經(jīng)網(wǎng)絡(luò)的這四種類型，還有一些混合學(xué)習(xí)網(wǎng)絡(luò)。認(rèn)識了（吸取了）監(jiān)督和非監(jiān)督學(xué)習(xí)的優(yōu)點和缺點，混合學(xué)習(xí)網(wǎng)絡(luò)提供了一個利用雙方所提供的優(yōu)點的機會，如對向傳播網(wǎng)絡(luò)和徑向基函數(shù)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)可以通過訓(xùn)練來從相關(guān)數(shù)據(jù)學(xué)習(xí)任意非線性輸入輸出關(guān)系，這一事實使得他們在許多領(lǐng)域被使用，如模式識別、語音處理、控制、生物醫(yī)學(xué)工程等。神經(jīng)網(wǎng)絡(luò)能夠有效代替?zhèn)鹘y(tǒng)方法，如數(shù)值模擬方法，其計算可能昂貴；或者是分析方法，可能不容易被新設(shè)備接受；或者是經(jīng)驗?zāi)Ｐ?，其范圍和?zhǔn)確度可能會受到限制。［5］神經(jīng)網(wǎng)絡(luò)首先訓(xùn)練對無源和有源元件/電路的電氣性能進行建模。這些經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，通常被稱為神經(jīng)網(wǎng)絡(luò)模型（或簡稱神經(jīng)模型），然后可以用于高級仿真和設(shè)計，對他們學(xué)過的任務(wù)提供快速的答案。神經(jīng)網(wǎng)絡(luò)也被用于阻抗匹配，逆建模，測量和綜合。對神經(jīng)網(wǎng)絡(luò)的興趣增加是由于在網(wǎng)絡(luò)訓(xùn)練算法的進步和最近硬件的進步，硬件進步已經(jīng)使得制造非?？?、相對廉價的計算機來執(zhí)行這些算法成為可能。神經(jīng)網(wǎng)絡(luò)算法的設(shè)想的實現(xiàn)是特殊用途的模擬或數(shù)字計算機，但目前大部分的開發(fā)工作涉及到在傳統(tǒng)電子計算機上進行算法的仿真。在一般情況下，基于神經(jīng)網(wǎng)絡(luò)的工作可分為以下幾個方面：（1）找到確定神經(jīng)網(wǎng)絡(luò)的連接和權(quán)重的算法，以解決問題；（2）使用微電子或光學(xué)的方法來機械化網(wǎng)絡(luò)；（3）調(diào)查生物神經(jīng)網(wǎng)絡(luò)的操作和結(jié)構(gòu)。早期的算法工作大部分在信號處理的計算密集領(lǐng)域，如自適應(yīng)模式識別、實時語音識別、圖像理解。在系統(tǒng)和控制中，也有計算密集的領(lǐng)域，如實時識別和航天或機器人中大型柔性結(jié)構(gòu)的控制。第15單元專家系統(tǒng)，是從人工智能發(fā)展（起來）的第一個主要的成功應(yīng)用技術(shù)。本單元的第一部分從三個方面給出專家系統(tǒng)的概述：定義，結(jié)構(gòu)和他們的未來地位。而在第二部分，陸上自動車輛定位系統(tǒng)作為一個專家系統(tǒng)的應(yīng)用實例，作了簡要介紹。一、專家系統(tǒng)“專家系統(tǒng)”是一個廣泛應(yīng)用于當(dāng)今文學(xué)的短語，它描述的技術(shù)能支持在計算機上模擬人類的推理過程。作為50年代興起的人工智能的（一個）重要分支，大量的專家系統(tǒng)已經(jīng)被開發(fā)出來用于處理從疾病診治到金融計劃等各類（復(fù)雜領(lǐng)域的）問題。［1］成功的商業(yè)應(yīng)用，如數(shù)字設(shè)備公司為VAX行推出的XCON的配置顧問，已造成（讓）研究人員和大公司承認(rèn)專家系統(tǒng)技術(shù)的潛力。那么，專家系統(tǒng)是什么呢？專家系統(tǒng)是一個計算機程序，它能夠用于模仿在某一專業(yè)領(lǐng)域具有專家水平的人或組織的判斷力和行為。［2］通常情況下，這樣的系統(tǒng)包括一個知識基礎(chǔ)和一個規(guī)則集，知識基礎(chǔ)包含所積累的經(jīng)驗，規(guī)則集是為（刪掉）把知識基礎(chǔ)運用到每一個（被）稱作程序的具體情況（上。復(fù)雜的專家系統(tǒng)可以通過對知識基礎(chǔ)或?qū)σ?guī)則集進行補充得到加強。為了全面理解這個定義的意義和性質(zhì)，我們詳述這三大組成部分。首先，專家系統(tǒng)是一個計算機程序。計算機程序是一個軟件，作為某些特定問題或客戶需要的解決方案，由“程序員”編寫。由于專家系統(tǒng)是一個軟件產(chǎn)品，它繼承了任何一個計算機軟件有關(guān)（所涉及）的所有問題。其次，專家系統(tǒng)是設(shè)計來模擬一個人或一個組織的判斷和行為的。專家系統(tǒng)的一個特殊用途是人或組織的決策能力的替代來源（專家系統(tǒng)的一個特殊用途是替代人或組織的決策，而不是依靠一個或少數(shù)幾個人的專業(yè)知識來做出某項決定。［3］由于這些系統(tǒng)不受如無聊、健忘或隧道視覺等人類的弱點（的影響，充分發(fā)展的專家系統(tǒng)常常勝過人類模型。第三，專家系統(tǒng)的目的是：獲得人類專家的知識，其知識在一個高度專業(yè)化的領(lǐng)域是公認(rèn)卓越的。因此，專家系統(tǒng)的開發(fā)過程總是從一個合適的問題的識別開始。例如，癌癥專家擁有比一般從業(yè)者更詳細的知識。（因此）這些專家比他們的只經(jīng)過一般培訓(xùn)的同事，能夠更好地診斷疾病或癥狀、測試結(jié)果和病人的病史。很顯然，一個在某個專業(yè)領(lǐng)域的專家不太可能（同時）是另一個領(lǐng)域的專家。作為癌癥治療的專家系統(tǒng)也是同樣的。這些系統(tǒng)在治療癌癥這一有限領(lǐng)域是專業(yè)問題解決者，但可能無助于治療咳嗽?，F(xiàn)在，（既然）我們已經(jīng)定義了專家系統(tǒng)，我們將重點放在專家系統(tǒng)的結(jié)構(gòu)和重要組成部分（上。圖15-A-1專家系統(tǒng)體系結(jié)構(gòu)圖15-A-1中顯示的是常見的專家系統(tǒng)的結(jié)構(gòu)。它包括：為知識和數(shù)據(jù)采集過程而增加的內(nèi)核，用戶界面和交互過程，用于（為用戶）生成并提出行為解釋的進程。專家系統(tǒng)的核心包括所有專家系統(tǒng)的基礎(chǔ)和必需的器件，而這些是以一個事實基礎(chǔ)，一個規(guī)則庫以及一個推理機制來定義的。［4］事實基礎(chǔ)和規(guī)則庫相結(jié)合，是內(nèi)核的知識基礎(chǔ)。環(huán)境E建立了專家系統(tǒng)應(yīng)用的領(lǐng)域，可以作為專家系統(tǒng)的知識源和驅(qū)動其行為的數(shù)據(jù)源來看。專家系統(tǒng)可以作為一個反應(yīng)系統(tǒng)來看，如，它基于所擁有的推理能力，對從環(huán)境E接收的數(shù)據(jù)和資料做出反應(yīng)（它對從環(huán)境E收到的數(shù)據(jù)和信息做出反應(yīng)，這環(huán)境E是基于它所擁有的推理能力）這一機制稱為推理引擎，它通過對其規(guī)則和事實基礎(chǔ)的恰當(dāng)操作，來支持對環(huán)境進行推理?！爸R與數(shù)據(jù)采集”過程在專家系統(tǒng)中使用，以獲取與其具體問題的領(lǐng)域相關(guān)的新的事實和規(guī)則。知識工程被用來形容這個過程,意思是從人類專家或書籍、程序手冊、培訓(xùn)指南等其他來源提取和制定知識。通過這一過程，知識被聚集、格式化、驗證和確認(rèn)，并在專家系統(tǒng)知識庫計算機中呈現(xiàn)?！坝脩艚缑妗边^程是專家系統(tǒng)使用的一種機制，用來向人類用戶呈現(xiàn)問題和信息，并將用戶的反應(yīng)提供給推理引擎。由用戶輸入的任何值都必須由用戶界面接收和解釋。檢查用戶反應(yīng)以確保他們是正確的數(shù)據(jù)類型或與答案的有效集是一致的。關(guān)于專家系統(tǒng)運作的重要信息，特別是關(guān)于其對與之相關(guān)的環(huán)境狀態(tài)的決定，關(guān)于與環(huán)境狀態(tài)了解相關(guān)的它的行動，這些信息也有被提供。“解釋”過程被專家系統(tǒng)所使用，用以向用戶提供其行動和（或）建議的合理的歷史。這種解釋是通常通過提供文字評論來實現(xiàn)，文字評論確定被取消的規(guī)則序列，以及相關(guān)的已保存的或自動生成的關(guān)于取消規(guī)則的原因的評論。這一設(shè)施可以讓用戶了解專家系統(tǒng)如何達到一定的結(jié)果，并且可以用來讓用戶驗證由專家系統(tǒng)利用的推理機制是正確的。經(jīng)過40多年的發(fā)展，專家系統(tǒng)被廣泛應(yīng)用于世界各地，但是，要真正蓬勃發(fā)展到成為普通問題的解決方法，仍有許多必須克服的障礙。目前這一代的專家系統(tǒng)，被三大局限困擾著：信息脆性、隔離和靜態(tài)知識。某些仍處于探索階段的辦法，比如學(xué)習(xí)（的方法）或者與其他人工智能技術(shù)的集成，被用來拓寬專家系統(tǒng)的應(yīng)用領(lǐng)域和克服其局限性。［5］專家系統(tǒng)的未來是非常光明的，他們將變得更聰明，更容易使用，更有幫助。二、智能汽車的動態(tài)專家系統(tǒng)人口增長引起公路上車輛數(shù)和乘客數(shù)的增加，造成交通擁堵的增加和安全系數(shù)的減少，特別是在大都市。智能車輛在今天已經(jīng)可以使死亡人數(shù)進一步減少，有效緩解城市和城市間的走廊的擁堵，并且可顯著減少污染物排放量和溫室氣體。智能導(dǎo)航系統(tǒng)是智能車輛的關(guān)鍵技術(shù)之一，是用于有限容量的公路上行駛的汽車，能夠全自動駕駛車輛或給予駕駛?cè)擞幸嬉庖姟＼囕v智能導(dǎo)航的動態(tài)專家系統(tǒng)，可以發(fā)展來履行這一職能（可以被開發(fā)來履行這一功能。在有限容量的公路上開車時，司機必須做很多指導(dǎo)和控制決策。所有這些決策都需要認(rèn)真計劃，分析交通情況，進行邏輯推理，這似乎是“聰明和復(fù)雜”的任務(wù)。以規(guī)則為基礎(chǔ)的專家系統(tǒng)的開發(fā)提供了必要的“智能”，以執(zhí)行精確控制和質(zhì)量決策，而該車輛的實際控制則被留給其他機電系統(tǒng)。對于普通專家系統(tǒng)，可以依據(jù)靜態(tài)或者近似靜態(tài)的知識集來工作，并不需要“實時”地推理出一個結(jié)論。用在智能汽車上的動態(tài)專家系統(tǒng)不同。由于汽車的高速運動，這類專家系統(tǒng)有著極強的執(zhí)行時間約束。（在這里，“實時”意味著需要在和汽車運動相比擬的時間內(nèi)得到問題的答案）［1］車輛控制回路中動態(tài)專家系統(tǒng)的集成框圖已描繪在圖15-B-1中。車輛是由一個人類操作員操作，他規(guī)定了任務(wù)目標(biāo)和約束。要在動態(tài)開放的環(huán)境中提供自治式的機動性，即需要系統(tǒng)具備感知環(huán)境、并且利用傳感器數(shù)據(jù)提取環(huán)境關(guān)鍵特征的能力，這就要求專家系統(tǒng)必須分析來自人類駕駛員和不同傳感器提供的信息，并且給控制器提供控制命令。［2］控制器執(zhí)行車輛的基本控制，如為留在車道的中心或改變車道而轉(zhuǎn)向，指揮（控制）油門和制動以達到所需的速度和加速度。在每次迭代中，專家系統(tǒng)生成兩個指令發(fā)出到控制器一一一個為橫向控制器（控制線），另一個為縱向控制器（進展控制）。這樣，該車輛的動態(tài)便在專家系統(tǒng)的控制下。圖15-B-1智能導(dǎo)航和控制系統(tǒng)的框圖與其他專家系統(tǒng)相同，車輛智能導(dǎo)航的專家系統(tǒng)由三個部分組成：數(shù)據(jù)庫，規(guī)則庫和推理機。該數(shù)據(jù)庫是一個外部參數(shù)和內(nèi)部參數(shù)的集合，這些參數(shù)具有符號值或數(shù)值。外部參數(shù)代表交通情況和司機的輸入，如該車輛的速度、油門位置或方向盤的角度。這些參數(shù)在控制循環(huán)的每一次迭代中更新。內(nèi)部參數(shù)被專家系統(tǒng)用來存儲已被系統(tǒng)推斷的信息。因此，所有內(nèi)部參數(shù)最初設(shè)置為未知數(shù)。作為專家系統(tǒng)的核心，自主駕駛的知識以規(guī)則庫中規(guī)則的形式