第84章　SAI + Vehicle

本章大纲

Vehicle Object
Environment
Road
Position
Motion
Obstacle
Scene Collection
Decision
Action
Vehicle Adapter
Feedback

1. Vehicle Object

Vehicle Object 是 SAI/ICAI 对真实车辆建立的内部结构化对象表示。

它不是车辆本身，而是 SAI 用于识别、管理、分析和控制车辆的对象。

基本结构：

Vehicle Object
├── Identity
├── State
├── Properties
├── Position
├── Motion
├── Abilities
├── Sensors
├── Methods
├── Environment
└── Relations

例如：

$vehicle = array(
    'id'   => 'Vehicle_A',
    'type' => 'car',
    'name' => 'Vehicle_A',

    'state' => 'READY',

    'position' => array(
        'road' => 'Road_A',
        'x'    => 100,
        'y'    => 20
    ),

    'motion' => array(
        'speed'     => 40,
        'direction' => 'FORWARD'
    ),

    'abilities' => array(
        'MOVE',
        'STOP',
        'ACCELERATE',
        'DECELERATE',
        'TURN_LEFT',
        'TURN_RIGHT'
    )
);

Vehicle Object 可以表示：

车辆身份
车辆状态
车辆位置
车辆速度
车辆方向
车辆能力
车辆传感器
车辆方法
车辆与环境的关系

因此：

Vehicle Object ≠ Physical Vehicle
Vehicle Object ≠ Vehicle Adapter
Vehicle Object ≠ Road
Vehicle Object ≠ Position
Vehicle Object ≠ Motion

2. Environment

Environment 是车辆当前所处外部环境的结构化表示。

例如：

Environment_A
├── Road_A
├── Lane_A
├── Vehicle_A
├── Vehicle_B
├── Obstacle_A
├── TrafficLight_A
├── Person_A
└── Weather_A

环境可以包含：

道路
车道
车辆
障碍物
交通设施
行人
位置
方向
天气
时间
环境状态

例如：

Environment
{
    road: Road_A,

    weather: CLEAR,

    visibility: GOOD,

    objects:
    [
        Vehicle_A,
        Vehicle_B,
        Obstacle_A
    ]
}

环境不是一张单纯的地图。

它是当前 SAI 对相关环境对象的结构化认知：

Sensor
   ↓
Information
   ↓
Perception
   ↓
Environment Elements
   ↓
Environment

3. Road

Road 是 Vehicle Scene 中的重要环境对象。

可以表示：

Road Object
{
    id
    name
    type
    lanes
    direction
    speed_limit
    state
    relations
}

例如：

$road = array(
    'id'          => 'Road_A',
    'name'        => 'Road_A',
    'type'        => 'URBAN',
    'lanes'       => 2,
    'direction'   => 'FORWARD',
    'speed_limit' => 60,
    'state'       => 'OPEN'
);

Road 可以进一步包含：

Lane
Intersection
Curve
Bridge
Tunnel
Stop Area
Parking Area

例如：

Road_A
├── Lane_1
├── Lane_2
└── Intersection_A

车辆与道路之间可以形成关系：

Vehicle_A
    ↓
located_on
    ↓
Road_A

以及：

Vehicle_A
    ↓
in_lane
    ↓
Lane_1

因此 Road 不只是一个地点，而是 Vehicle 进行 Position、Motion 和 Decision 时的重要环境对象。

4. Position

Position 表示 Vehicle 或其他 Scene Object 当前所处的位置。

Position 可以使用不同坐标体系。

例如：

Position
{
    road: Road_A,
    lane: Lane_1,
    x: 100,
    y: 20
}

也可以表示：

Position
{
    latitude
    longitude
    altitude
}

或者使用道路内部坐标：

Road_A
    distance_from_start = 125m
    lane = 1

关键是保持位置结构的一致性。

例如：

Vehicle_A
    position:
        road = Road_A
        lane = Lane_1
        distance = 125m

Position 不等于 Motion。

Position
    = 在哪里

Motion
    = 怎么运动

例如：

Vehicle_A
position = Road_A / Lane_1 / 125m

motion:
speed = 40km/h
direction = FORWARD

5. Motion

Motion 表示 Vehicle 当前运动状态和运动变化。

基本结构：

Motion
{
    speed
    acceleration
    direction
    heading
    movement
    state
}

例如：

$motion = array(
    'speed'        => 40,
    'unit'         => 'km/h',
    'acceleration' => 0,
    'direction'    => 'FORWARD',
    'heading'      => 90,
    'movement'     => 'MOVING',
    'state'        => 'NORMAL'
);

Motion 状态可以包括：

STOPPED
MOVING
ACCELERATING
DECELERATING
TURNING
REVERSING
WAITING
EMERGENCY_STOP
UNKNOWN

例如：

Vehicle_A

Position:
Road_A / Lane_1 / 125m

Motion:
speed = 40km/h
direction = FORWARD

当速度变化：

40km/h
   ↓
50km/h

形成 Motion Change：

speed:
    previous = 40
    current  = 50

Motion 是 Decision 判断的重要输入。

6. Obstacle

Obstacle 是 Vehicle Scene 中可能影响车辆运动的对象。

障碍物不一定是固定物体。

可以包括：

Vehicle
Person
Animal
Road Block
Construction
Fallen Object
Stopped Vehicle
Unknown Object

例如：

Obstacle_A
{
    type: VEHICLE,
    position:
        road = Road_A
        lane = Lane_1
        distance = 20m,

    motion:
        speed = 10km/h,

    state: OBSERVED
}

车辆与障碍物形成关系：

Vehicle_A
     ↓
front_of
     ↓
Obstacle_A

并可以进一步得到：

distance = 20m
relative_speed = 30km/h

例如：

Vehicle_A speed = 40km/h
Obstacle_A speed = 10km/h

Relative Speed = 40 - 10 = 30km/h

如果系统规则规定：

IF distance < 30m
AND relative_speed > 20km/h
THEN risk = HIGH

则可以进入：

Reasoning
   ↓
Risk
   ↓
Decision

这里仍然需要区分：

Obstacle
    = 场景对象

Risk
    = 对该对象可能产生的不利影响判断

7. Scene Collection

Scene Collection 是将多个时间点、多个 Sensor 和多个对象信息组织起来，形成连续 Vehicle Scene 的机制。

单次 Sensor 信息：

Sensor
 ↓
Information
 ↓
Perception

只能得到一个局部观察。

例如：

t1:
Obstacle_A distance = 30m

t2:
Obstacle_A distance = 25m

t3:
Obstacle_A distance = 20m

Scene Collection 将它们组织起来：

Scene History

t1 → 30m
t2 → 25m
t3 → 20m

于是 SAI 可以判断：

Obstacle_A
distance decreasing

进一步形成：

Obstacle_A
approaching

Scene Collection 可以包含：

Scene ID
Timestamp
Environment
Road
Vehicle
Position
Motion
Objects
Relations
Changes
State

例如：

$scene = array(
    'id'        => 'Scene_003',
    'timestamp' => time(),

    'vehicle' => array(
        'id'       => 'Vehicle_A',
        'position' => 'Road_A/Lane_1/125m',
        'speed'    => 40
    ),

    'objects' => array(
        array(
            'id'       => 'Obstacle_A',
            'type'     => 'VEHICLE',
            'distance' => 20,
            'speed'    => 10
        )
    )
);

连续 Scene：

Scene_001
     ↓
Scene_002
     ↓
Scene_003
     ↓
Scene_004

可以形成：

Scene Collection
        ↓
State Change
        ↓
Motion Change
        ↓
Object Change
        ↓
Relation Change

这使 SAI 不只是知道“现在有什么”，还能够记录场景变化。

8. Decision

Vehicle Decision 根据：

Environment
Road
Position
Motion
Obstacle
Scene Collection
Rules
Risk
Experience
Vehicle Ability

选择下一步行动。

例如当前：

Vehicle_A
speed = 40km/h

前方：

Obstacle_A
distance = 20m
speed = 10km/h

系统得到：

Relative Speed = 30km/h

规则：

IF obstacle.distance < 30m
AND relative_speed > 20km/h
THEN risk = HIGH

得到：

Risk = HIGH

候选行动：

CONTINUE
DECELERATE
STOP
TURN_LEFT
TURN_RIGHT

进行判断：

CONTINUE
    → REJECT

DECELERATE
    → AVAILABLE

STOP
    → AVAILABLE

TURN_LEFT
    → 根据道路状态继续检查

TURN_RIGHT
    → 根据道路状态继续检查

如果当前道路允许减速而无需立即停车：

Decision = DECELERATE

例如：

$decision = array(
    'target' => 'Vehicle_A',
    'action' => 'DECELERATE',

    'reason' => array(
        'obstacle_distance' => 20,
        'relative_speed'    => 30,
        'risk'              => 'HIGH'
    ),

    'state' => 'DECIDED'
);

因此：

Scene
 ↓
Cognition
 ↓
Reasoning
 ↓
Risk
 ↓
Decision

Decision 仍然不直接操作车辆。

9. Action

Decision 确定以后形成具体 Action。

例如：

Decision:
DECELERATE

Action：

$action = array(
    'id'     => 'Action_001',
    'target' => 'Vehicle_A',
    'method' => 'DECELERATE',

    'parameters' => array(
        'target_speed' => 20
    ),

    'state' => 'READY'
);

执行：

Action
   ↓
VehicleAdapter
   ↓
Vehicle

车辆从：

40km/h

降低到：

20km/h

形成：

Motion Change

40km/h
  ↓
30km/h
  ↓
20km/h

最终：

ActionResult
{
    action: DECELERATE,
    state: SUCCESS,
    previous_speed: 40,
    current_speed: 20
}

这里保持第54章的边界：

Decision = 选择做什么

Behavior = 执行过程

Action = 具体操作

ActionResult = 操作结果

10. Vehicle Adapter

Vehicle Adapter 是 SAI 与真实车辆控制系统之间的连接层。

核心结构：

SAI
 ↓
Action
 ↓
VehicleAdapter
 ↓
Vehicle Command
 ↓
Vehicle Control System
 ↓
Physical Vehicle

例如：

class VehicleAdapter implements AdapterInterface
{
    protected $state = 'DISCONNECTED';

    public function connect($target)
    {
        $this->state = 'CONNECTED';

        return true;
    }

    public function send($action)
    {
        if ($this->state !== 'CONNECTED') {
            return false;
        }

        $command = array(
            'vehicle_id' => $action['target'],
            'command'    => $action['method'],
            'parameters' => $action['parameters']
        );

        // 向车辆控制系统发送 Command

        return true;
    }

    public function receive()
    {
        return array(
            'state' => 'SUCCESS'
        );
    }

    public function disconnect()
    {
        $this->state = 'DISCONNECTED';

        return true;
    }

    public function getState()
    {
        return $this->state;
    }
}

例如：

Action
{
    target = Vehicle_A
    method = DECELERATE
    target_speed = 20
}

VehicleAdapter 转换：

Vehicle Command
{
    vehicle_id = Vehicle_A
    command = DECELERATE
    target_speed = 20
}

发送：

VehicleAdapter
       ↓
Vehicle Control System
       ↓
Vehicle

VehicleAdapter 不决定：

是否减速
为什么减速
风险是否高
应该选择什么行动

这些属于：

Cognition
Reasoning
Risk
Decision

Adapter 负责连接和指令转换。

11. Feedback

车辆执行 Action 后产生 Feedback。

例如：

Action:
DECELERATE

Command:
target_speed = 20

车辆返回：

Vehicle Response
{
    vehicle_id: Vehicle_A,
    state: SUCCESS,
    speed: 20
}

形成 Feedback：

$feedback = array(
    'source' => 'Vehicle_A',
    'type'   => 'ACTION_RESULT',

    'action' => 'DECELERATE',

    'state' => 'SUCCESS',

    'changes' => array(
        'speed' => array(
            'previous' => 40,
            'current'  => 20
        )
    )
);

Feedback 返回 SAI：

Vehicle
   ↓
VehicleAdapter
   ↓
Vehicle Response
   ↓
Feedback

然后：

Feedback
   ↓
Perception
   ↓
Cognition
   ↓
Memory
   ↓
Experience

如果执行失败：

Feedback
state = FAILED
error = Brake System Error

则进入：

Detection
   ↓
Risk
   ↓
Diagnosis
   ↓
Decision
   ↓
Repair
   ↓
Verification

于是 Vehicle 形成闭环。

完整 SAI + Vehicle 模型

把本章所有部分连接起来：

                         SAI + Vehicle
                              │
                              ↓
                       Vehicle Object
                              │
                ┌─────────────┴─────────────┐
                ↓                           ↓
           Environment                 Vehicle State
                │
        ┌───────┼────────┐
        ↓       ↓        ↓
      Road   Position   Motion
        │       │        │
        └───────┼────────┘
                ↓
             Sensors
                ↓
            Information
                ↓
            Perception
                ↓
        Scene Collection
                ↓
          Objects / Relations
                ↓
             Cognition
                ↓
             Reasoning
                ↓
               Risk
                ↓
             Decision
                ↓
             Behavior
                ↓
              Action
                ↓
         Vehicle Adapter
                ↓
       Vehicle Control System
                ↓
        Physical Vehicle
                ↓
             Feedback
                ↓
        ┌───────┼────────┐
        ↓       ↓        ↓
   Perception Memory  Experience
        │
        ↓
     Cognition
        ↓
     Reasoning
        ↓
     Decision

完整车辆案例

假设：

Vehicle_A

正在：

Road_A
Lane_1
speed = 40km/h

前方发现：

Obstacle_A
distance = 20m
speed = 10km/h

第一步：Sensor

车辆 Sensor 获取：

distance = 20m
relative object speed = 10km/h

形成：

Information

第二步：Perception

Perception 形成：

Obstacle_A
type = VEHICLE
distance = 20m
position = FRONT

第三步：Scene Collection

当前 Scene：

Road_A
 └── Lane_1
      ├── Vehicle_A
      │     speed = 40
      │
      └── Obstacle_A
            distance = 20
            speed = 10

历史 Scene：

Scene_001 → 30m
Scene_002 → 25m
Scene_003 → 20m

因此：

Obstacle_A
distance decreasing

第四步：Cognition

建立关系：

Vehicle_A
    ↓
front_of
    ↓
Obstacle_A

并得到：

distance = 20m
relative_speed = 30km/h

第五步：Reasoning

规则：

IF distance < 30m
AND relative_speed > 20km/h
THEN risk = HIGH

计算：

20 < 30       → TRUE
30 > 20       → TRUE

所以：

Risk = HIGH

第六步：Decision

候选：

CONTINUE
DECELERATE
STOP
TURN_LEFT
TURN_RIGHT

判断：

CONTINUE    → REJECT
DECELERATE  → AVAILABLE
STOP        → AVAILABLE

根据当前条件：

Decision = DECELERATE

第七步：Behavior

建立：

Behavior
{
    type = DECELERATE,
    target = Vehicle_A,
    state = READY
}

状态：

READY
  ↓
RUNNING

第八步：Action

建立：

Action
{
    target = Vehicle_A,
    method = DECELERATE,
    target_speed = 20
}

第九步：Vehicle Adapter

转换：

Action
 ↓
Vehicle Command

发送：

Vehicle_A
DECELERATE
target_speed = 20

第十步：Vehicle

车辆执行：

40km/h
   ↓
30km/h
   ↓
20km/h

车辆状态：

MOVING

第十一步：Feedback

Feedback
{
    action = DECELERATE,
    state = SUCCESS,
    speed = 20
}

更新：

Vehicle Object
speed = 20

同时 Scene 更新：

Obstacle_A
distance = new value

于是系统再次开始：

Sensor
 ↓
Information
 ↓
Perception
 ↓
Scene
 ↓
Cognition
 ↓
Reasoning
 ↓
Decision

形成连续运行闭环。

本章核心模型

第84章将 SAI 与 Vehicle 的关系进一步具体化：

Environment
      ↓
    Sensor
      ↓
 Information
      ↓
 Perception
      ↓
 Scene Collection
      ↓
 Objects / Relations
      ↓
   Cognition
      ↓
   Reasoning
      ↓
     Risk
      ↓
   Decision
      ↓
   Behavior
      ↓
    Action
      ↓
Vehicle Adapter
      ↓
Vehicle Control
      ↓
Physical Vehicle
      ↓
   Feedback
      ↓
Information

核心职责：

Vehicle Object
    = 车辆内部结构表示

Environment
    = 车辆所处环境

Road
    = 道路对象

Position
    = 车辆或对象在哪里

Motion
    = 车辆如何运动

Obstacle
    = 影响车辆运动的场景对象

Scene Collection
    = 连续场景及场景变化记录

Decision
    = 选择下一步行动

Action
    = 具体车辆操作

Vehicle Adapter
    = SAI 与车辆控制系统之间的连接

Feedback
    = 车辆执行后的真实结果和状态

最终形成：

        ┌──────────────────────────────┐
        │         External World       │
        │                              │
        │ Road / Vehicle / Obstacle    │
        └──────────────┬───────────────┘
                       ↓
                    Sensor
                       ↓
                  Information
                       ↓
                   Perception
                       ↓
               Scene Collection
                       ↓
                  Cognition
                       ↓
                  Reasoning
                       ↓
                     Risk
                       ↓
                   Decision
                       ↓
                   Behavior
                       ↓
                    Action
                       ↓
                VehicleAdapter
                       ↓
                    Vehicle
                       ↓
                   Feedback
                       │
                       └──────────────→ SAI

SAI + Vehicle 的本质不是“车辆本身具有智能”，而是 SAI/ICAI 通过 Vehicle Object、Scene、Perception、Cognition、Reasoning、Decision、Behavior、Action 和 VehicleAdapter 建立一个能够感知车辆环境、形成结构化认知、做出行动决策、执行车辆操作并接收反馈的闭环系统。

第84章 SAI + Vehicle

第84章 SAI + Vehicle

本章大纲

1. Vehicle Object

2. Environment

3. Road

4. Position

5. Motion

6. Obstacle

7. Scene Collection

8. Decision

9. Action

10. Vehicle Adapter

11. Feedback

完整 SAI + Vehicle 模型

完整车辆案例

第一步：Sensor

第二步：Perception

第三步：Scene Collection

第四步：Cognition

第五步：Reasoning

第六步：Decision

第七步：Behavior

第八步：Action

第九步：Vehicle Adapter

第十步：Vehicle

第十一步：Feedback

本章核心模型