面向智能汽车空间的本体建模与映射研究

方恩光，李镇邦，吴 卿

(杭州电子科技大学计算机学院，浙江杭州310018)

0 引言

美国国家标准技术研究院的Smart Space、微软研究院的Easy Living和清华大学的Smart Classroom将智能空间研究的发展分为3个阶段以此来加深对其的研究，浙江大学的Smart Vehicle Space利用将各种传感器节点应用与汽车内使之成为智能空间等［1－4］。如何有效地表达智能汽车空间上下文信息;同时，针对不同的上下文推理方法，如何达到智能汽车空间与推理方法进行信息共享。针对这些问题，本文提出了以本体对智能汽车空间上下文建模，并通过层次化设计上下文的智能汽车空间上下文本体模型;然后在此模型上介绍了一种基于概念的本体映射方法，以解决本体模型与上下文推理方法之间的信息共享问题，帮助整个上下文感知系统灵活有效的运行。

1 要上下文信息组成部分

1.1 智能汽车空间的上下文组成

智能汽车空间主要是通过图像采集器，GPS和总线数据采集器等多种传感器配合车载控制中心与信息空间进行融合产生。从广义上看，该环境的上下文信息总体分类如下:(1)车外环境包括智能汽车当前所在外部天气情况，道路表面情况，道路标志符号，无线网络情况等;该部分上下文信息主要是根据上下问的外延方面来决定，属于外延方面的用户环境信息;(2)车内装置包括汽车的基本信息，比如发动机，ABS等以及智能汽车内相关的感应器比如摄像头感应器等。这部分是智能汽车空间的主要物理空间部分，该部分上下文信息为所处于该智能汽车空间的用户享受到合适的服务提供物理支持，也是从上下文的外延方面考虑;(3)用户包括用户的类别，例如是驾驶员或乘客。其中驾驶员的属性包括驾驶员姓名，年龄，开车历史，喝酒程度，驾驶环境，头部运动状况，眼睛运动状况，驾驶员的身体状态以及驾驶员的行为等，该部分上下文信息主要是跟用户直接相关，与信息空间联系，是信息空间的主要上下文信息组成部分。

1.2 层次化设计方案

该文采用了文献5中的层次化的上下文本体设计方案，如图1所示。层次化上下文设计的顶层主要是表达所有智能汽车空间领域的通用上下文，它提供不同域的基本公共概念集合。顶层通用本体描述最普通的概念及概念之间的关系，是被所有不同域的本体所共享，与具体的应用无关，可以从空间，时间，事件，行为，人物来描述。下面各层特定域上的本体定义每个子域的详细概念和它们的属性。由于智能汽车空间中时间主要是针对用户的活动而言，顶层通用本体可以由用户，环境，计算设备，活动4个类定义，4者之间的关系如图2所示。

图1 层次化上下文模型设计

图2 顶层通用本体类的关系

2 本体映射

2.1 本体映射框架

本文提出了一种以不确定性上下文推理机制驱动的本体映射框架，其主要结构如图3所示。该本体映射框架的具体过程:首先上下文推理机制模块选择不同的上下文推理方法，比如动态贝叶斯模型，隐形马尔科夫模型等;其次根据层次化建模方法对推理方法进行本体构造，同时将其中产生的不确定信息表达概念加入到源本体;最后通过本体映射方法将源本体与推理方法本体进行映射联系，产生相应的联系信息。

图3 上下文推理机制驱动的本体映射框架

2.2 基于概念的本体映射方法

本文采用文献6编辑距离方法计算概念名称之间的相似度。其中V1和V2的概念名称Vname1和Vname2，两者之间的相似度Simvname(V1，V2)定义为:

由式1可知，计算概念相似度，须考虑概念名称相似度和属性相似度。V1和V2的概念相似度Simv(V1，V2)定义为:

Simvattri(V1，V2)表示V1，V2的属性相似度，α，β表示权重系数并且α+β=1，由于名称与属性的作用一样，设定α，β都为0.5。属性相似度定义为:

P(V)表示概念V的属性个数。

3 实验

本文利用java语言结合图2的层次化本体模型，实现图3的上下文推理机制驱动系统原型。为了验证层次化上下文本体模型的有效性，本文采用了以下场景来检验模型。

场景:对智能汽车空间中驾驶员进行3h测试，假定驾驶时间定为2:00PM到5:00PM，其中司机是一直驾驶，中途未曾休息，并有30个节点以间隔6min检测司机状态。根据图3所示过程:原型系统首先选择上下文推理方法，本文采用HMM，并利用文献7提供的状态转移概率矩阵和观测值概率矩阵;其次，利用Protégé3.0［8］建立以用户状态为中心的层次化智能汽车空间本体，称为 SVSThing;接着，建立HMM本体模型，称为HMMThing，同时扩展SVSThing，使其增加表达不确定信息的本体概念;紧接着，利用基于概念的本体映射方法，将HMMThing和扩展的SVSThing建立概念之间的联系;最后，利用HMMThing和扩展的SVSThing之间的联系利用HMM的Viterbi算法对30个扩展的SVSThing实例对司机状态进行识别。

本文利用以上方法模拟出的数据结果与没有采用本体建模直接利用HMM的Viterbi算法进行识别的结果进行了比较。其结果如图4所示。

图4 司机状态识别对比图

图4中其中纵坐标1表示警觉，2表示疲劳，3表示迷糊;横坐标表示每隔6min检测司机状态的节点序号。结果表明，利用了本体建模与映射以后能比较有效地对司机状态进行识别，表明智能汽车空间本体和不确定性推理本体之间映射，达到了信息共享。

4 结束语

本文面向汽车智能汽车空间，根据层次化设计方案，建立了一个上下文本体模型，并在此基础上，结合基于机器学习的上下文推理方法，提出了一种以不确定性上下文推理机制驱动的本体映射框架。同时，建立了一个识别司机状态的原型系统。通过实验验证，表明本文中智能汽车空间本体和映射方法能有效地表达和推理不确定信息。但是，本文中只采用基于概念的映射方法，没有完全考虑本体具体信息，使得推理方法具有一定的局限性，下一步的工作重点是研究一种更加有效的推理方法来处理智能汽车空间本体内的不确定信息。

［1］NIST.Smart space project［EB/OL］.http://www.nist.gov/smart space，2010 －09 －27.

［2］MicrosoftResearch.Easylivingproject［EB/OL］.http://research.microsoft.com/easyliving ，2010 －05 －11.

［3］Tsinghua University.Smart classroom project［EB/OL］.http://media.cs.tshinghua.edu.cn/pervasive/projects/classroom/index.html，2010 －04 －15.

［4］吴卿.面向普适计算的自适应中间模型与方法研究［D］.杭州，浙江大学，2006.

［5］Yang xiquan，cao xueya，guo dina，etal.Research of ontology uncertainty reasoning based on Bayesian network［J］.ComputerApp lications，2008，28(5):17 －20.

［6］李景，孟连生.构建知识本体方法体系的比较研究［J］.现代图书情报技术，2004，(7):17－22.

［7］Ji Q，Zhu Z，Lan P.Real－time nonintrusive monitoring and prediction of driver fatigue［J］.IEEE Transactions on Vehicular Technology ，2004，53(4):1 052 －1 068.

［8］National Library of Medicine.Protégén［EB/OL］.http://protege.stanford.edu/，2010 －03 －01.