14、使用模糊支持系统解释黑盒模型

使用模糊支持系统解释黑盒模型

1 引言

在机器学习领域，像深度学习这类非确定性方法能够设计黑盒模型，用于根据给定的实验或模拟数据来估算输入 - 输出映射关系。然而，黑盒模型所定义的输入 - 输出关系往往难以理解。此时，创建一个透明的支持系统来解释黑盒系统的输入 - 输出关系是一种常见的做法。模糊推理系统（FIS）就是这样一种透明模型，它使用可解释的规则库来表示系统知识，因此常被用作支持系统来解释现有的黑盒模型。

2 黑盒模型

2.1 模型概述

本示例中的深度神经网络（DNN）模型模拟了一个采用模型预测控制（MPC）实现的汽车车道保持辅助（LKA）系统。配备 LKA 系统的车辆（自车）有传感器（如摄像头），可测量车道中心线与自车之间的横向偏差和相对偏航角，还能测量当前车道曲率和曲率导数。LKA 系统通过调整自车的前转向角，使自车沿车道中心线行驶，其控制目标是让横向偏差和相对偏航角接近零。

2.2 输入输出

DNN 基于的 LKA 系统使用以下输入来生成输出转向角 u*：
| 输入 | 描述 | 单位 |
| — | — | — |
| 横向速度 Vy | 车辆的横向移动速度 | m/s |
| 偏航角速度 r | 车辆的偏航角变化率 | rad/s |
| 横向偏差 e1 | 车辆与车道中心线的横向距离 | m |
| 相对偏航角 e2 | 车辆与车道中心线的角度偏差 | rad |
| 前一个转向角 u | 上一时刻的转向角 | rad |
| 测量干扰 d | 道路偏航率（纵向速度 * 曲率） | - |