郝齊虹 韓 斌

（江蘇科技大學(xué) 鎮(zhèn)江 212003）

1 引言

車身預(yù)判和控制是無人駕駛中的關(guān)鍵技術(shù)，對自身進行位置預(yù)測并進行行駛控制，首先需獲取自身和周圍障礙物的狀態(tài)，然后再結(jié)合相關(guān)算法對自身進行預(yù)測，得到運動軌跡或者修改運動方向［1］。

現(xiàn)在對于車輛預(yù)判主要分為兩種：一種是目標跟蹤預(yù)判，另一種是感應(yīng)障礙物預(yù)判［2］。目標跟蹤預(yù)判是使用定點攝像頭實時獲取的車輛視頻進行目標跟蹤，預(yù)測車輛的運行軌跡。感應(yīng)障礙物預(yù)判是通過車輛上的傳感器，判斷四周的障礙物距離，并根據(jù)距離變化預(yù)判是否有障礙物在當前的運行軌跡上，從而對車輛發(fā)送避讓或等待的信號。目前谷歌和百度無人車使用的都是感應(yīng)障礙物預(yù)判，其中百度無人車1 輛車1 天需要處理超過10T 的數(shù)據(jù)［3］。

本文提出了一種利用車輛自身的傳感器進行車輛預(yù)判和控制的方法，使用輪胎旋轉(zhuǎn)角、轉(zhuǎn)速、當前位置得到車輛狀態(tài)，保存車輛的運動信息到數(shù)據(jù)庫，再通過神經(jīng)網(wǎng)絡(luò)與PID 控制結(jié)合的算法對車輛進行預(yù)判，計算使車輛通過目標路徑需要修改的參數(shù)，并對車輛進行控制。

2 車輛提取

目標車輛的信息提取是車輛預(yù)測和控制的前提［4］，本文使用的是直接從車輛上的傳感器獲取車輛信息，其中包括行駛速度、輪胎旋轉(zhuǎn)角度、車身旋轉(zhuǎn)角度以及單位時間車輛的位移，對車輛進行控制是對行駛速度和輪胎旋轉(zhuǎn)角度進行修改。

與從視頻流進行目標提取相比，使用車輛上的傳感器信息直接避免了多目標跟蹤問題，利用慣性位置傳感器可以得到需要的所有數(shù)據(jù)，荷蘭Xsens公司的MTi-G-700 系列返回的數(shù)據(jù)不僅包括了速度、位移，還包括了加速度、經(jīng)緯度、海拔。

將所得的數(shù)據(jù)進行歸一化處理時，將三方向的速度、位移、加速度僅使用橫向和深向數(shù)據(jù)，計算出大小和方向，保留縱向數(shù)據(jù)作為參考車輛是否處于有坡度的路面。將速度的方向記為輪胎的方向，位移的方向記為車身的方向，車身及輪胎的夾角記為輪胎的旋轉(zhuǎn)角度。LSTM 的輸入輸出均為0～1 之間的實數(shù)向量，表1顯示了各數(shù)據(jù)的統(tǒng)一單位。

表1 歸一化后各數(shù)據(jù)單位

3 算法原理

本文使用的算法實際上是將LSTM 與PID 結(jié)合，基本思想是利用LSTM 實現(xiàn)車身方向及移動距離預(yù)測，而PID 控制可以利用比例、積分、微分元減少誤差［5］，從而在長距離的預(yù)測上，累積的誤差不會影響對車輛的控制。為了實現(xiàn)對無人車的實時控制，也是不斷地從行駛中的無人車獲取數(shù)據(jù)，并將真實數(shù)據(jù)輸入模型重新計算對無人車的控制［6］。

為了預(yù)測車輛的運行軌跡建立的模型實際分為預(yù)測位移和預(yù)測下一時刻的車輛狀態(tài)兩個部分。預(yù)測位移部分的輸入層r（t）包括速度大小vt、加速度大小at、速度方向rt、上一時刻位移方向rst-1，輸出層為車輛移動距離dt和當前時刻位移方向rst。預(yù)測車輛狀態(tài)的部分輸入層與預(yù)測位移部分的輸入相同，輸出層為vt+1、at+1、rt+1、rst。

圖1 為本文使用的兩種神經(jīng)網(wǎng)絡(luò)結(jié)合的方法，在模型訓(xùn)練時期，首先輸入無人車的狀態(tài)，使用LSTM 神經(jīng)網(wǎng)絡(luò)得到初步的預(yù)測結(jié)果，將初步的預(yù)測結(jié)果和輸入層的數(shù)據(jù)傳輸?shù)絇ID 神經(jīng)元網(wǎng)絡(luò)，利用PID 控制中的積分、微分神經(jīng)元對預(yù)測結(jié)果進行精細的調(diào)整［7～8］，將預(yù)測結(jié)果發(fā)送到無人車上作為控制的依據(jù)，將無人車狀態(tài)反饋給原始輸入，實現(xiàn)監(jiān)督學(xué)習(xí)。

圖1 LSTM與PID控制結(jié)合的方法

使用LSTM 神經(jīng)網(wǎng)絡(luò)而不是其它類型的神經(jīng)網(wǎng)絡(luò)是為了盡量減少車輛信息獲取時的干擾數(shù)據(jù)對模型訓(xùn)練的效果影響。與其他的神經(jīng)網(wǎng)絡(luò)模型相比，LSTM 可以存儲單元狀態(tài)用于決定當前的數(shù)據(jù)是否需要保存。

將LSTM 和PID 結(jié)合可以采用無監(jiān)督學(xué)習(xí)的方式，利用現(xiàn)有的大量經(jīng)驗數(shù)據(jù)，確定網(wǎng)絡(luò)權(quán)重初值，再根據(jù)控制效果進行在線學(xué)習(xí)和調(diào)整，使系統(tǒng)具備較好的性能，也能使控制系統(tǒng)保持初始穩(wěn)定，從而達到系統(tǒng)的全向穩(wěn)定［9］。

4 加噪訓(xùn)練

在數(shù)據(jù)的預(yù)處理過程中，除了要將需要進行訓(xùn)練的數(shù)據(jù)提取出來并做歸一化處理，還需要去除數(shù)據(jù)來源中的干擾數(shù)據(jù)，否則在訓(xùn)練模型時輸入的數(shù)據(jù)是帶有噪聲的，很有可能造成“過擬合”的現(xiàn)象，使在之后的控制中會針對預(yù)測出的噪聲進行控制［10～11］。

4.1 沖擊

數(shù)據(jù)中的沖擊就是突然的極大極小值，由于數(shù)據(jù)的歸一化處理使得所有的數(shù)據(jù)都變成0～1 之間的常數(shù)，數(shù)據(jù)間的差變小，而且突然的極大值有可能在經(jīng)過處理后是大于1 的常數(shù)，所以這一類的噪聲需要在進行數(shù)據(jù)的歸一化處理之前就解決。

進行歸一化處理前的數(shù)據(jù)包括速度、加速度、輪胎方向、車身方向、位移［12］。判斷沖擊點即判斷該點是否是極值點，并且與左右相鄰點相比陡變。

以速度為例，進行沖擊的判斷及處理。以時間為橫坐標，速度為縱坐標作出速度的變化曲線。圖2（a）顯示的是標注曲線中所有的極大值和極小值點，判定條件是當前時間的速度值vt低于相鄰的速度值vt-1、vt+1即為極小值，用“*”標注。極大值的點用“o”標注。圖2（b）顯示的是去除不是沖擊的極大極小值點，判定標準為該點是否為突變。對極小值而言，若左右兩邊的曲線同為下降曲線或同為上升曲線，則該點必為沖擊；若該點與相鄰點連線的斜率均超過相隔一個點的連線的斜率，則該點為沖擊。圖2（c）顯示的是處理后的速度曲線，處理方法就是修改沖擊的值為相鄰時刻兩個值的均值。

對判定為沖擊點的處理辦法是取均值，處理后的點vm大小介于vm-1和vm+1之間，使得該點不再是極值點。相鄰的兩個點以vm-1為例，即使假設(shè)該點為極值點，從該點向后取點，該點與第一、第二個點位于同一條直線上，斜率相同，不滿足判定點陡變的。進行修改的后點不是沖擊，相鄰的兩個點也沒有變成新的沖擊。

圖2 速度的變化曲線

4.2 高斯白噪

高斯白噪是指噪聲幅度滿足高斯分布，而頻率又是均勻分布的，可以使用多層數(shù)據(jù)平均去高斯白噪聲的方法［13］。在進行模擬去除高斯白噪時，先載入一部分數(shù)據(jù)，此處為了顯示效果使用了一部分的速度數(shù)據(jù)。圖3（a）顯示的是該段數(shù)據(jù)添加高斯白噪聲后的波形圖，圖3（b）顯示的是原始的數(shù)據(jù)和去噪后數(shù)據(jù)的波形圖對比。

去除高斯白噪聲的方法是循環(huán)多次向原始數(shù)據(jù)中加入高斯白噪保存為新的數(shù)據(jù)，將所有加入噪聲后的數(shù)據(jù)求和并除以循環(huán)次數(shù)，這就是平均去高斯白噪聲的方法。因為高斯白噪聲分布均勻，多次加入這樣的噪聲能夠達到均衡的效果，所以可以使用這樣的去噪方法。

從圖3（b）中可以看出原始數(shù)據(jù)和去噪后的數(shù)據(jù)相比，所有的數(shù)值都更大，這是由于加入的噪聲產(chǎn)生的。如圖所示，數(shù)據(jù)越小，去噪后數(shù)據(jù)與原始數(shù)據(jù)更接近，可以利用這一點找到最接近的點的范圍，在以后的歸一化處理時，可以將數(shù)據(jù)處理為該范圍內(nèi)的值進行去噪后再還原成原值進行其他處理。

圖3 添加高斯白噪聲后和原始去噪后數(shù)據(jù)的波形圖對比

4.3 訓(xùn)練

在本文中僅使用了一種神經(jīng)元網(wǎng)絡(luò)，即PID 神經(jīng)元網(wǎng)絡(luò)。PID 神經(jīng)元網(wǎng)絡(luò)使用的PID 控制和LSTM 神經(jīng)元網(wǎng)絡(luò)結(jié)合，LSTM 實際上是對RNN 的隱層進行了較為復(fù)雜的修改，但是所有的輸入和輸出模式是相同的。

圖4 訓(xùn)練集輸入輸出關(guān)系

該模型的訓(xùn)練集包括了輸入和理想輸出，輸入為t時刻的速度vt、加速度at、速度方向rt、t-1時刻的位移方向rst-1，輸出為t 時刻的位移距離dt和位移方向rst，t+1 時刻的速度vt+1、加速度at+1、速度方向rt+1。所有輸入的都是理想輸出，在模型的訓(xùn)練過程中會不斷產(chǎn)生計算的實際輸出，用兩者的誤差不斷更新模型中的權(quán)重，使實際輸出不斷靠近理想輸出。

5 結(jié)果分析

算法驗證使用了將xsense 公司的MTi-G-700系列放置在悅達起亞K3車輛上在公路上行駛采集到的數(shù)據(jù)，并將數(shù)據(jù)分為了起步、直行、轉(zhuǎn)彎、變道、倒車、停止多種類別。為方便進行數(shù)據(jù)的訓(xùn)練，所以選擇讀取頻率為50Hz。對于車輛的預(yù)測方面使用Python 編輯神經(jīng)網(wǎng)絡(luò)的部分并加以訓(xùn)練得到模型，而控制方面是在把計算獲得的控制數(shù)據(jù)傳輸?shù)侥Ｐ椭泻螅瑴y試得到每一步的位移，利用Matlab 將車輛的位置記錄下來作為運動軌跡［14］。

5.1 試驗結(jié)果

在本文中使用該系統(tǒng)分別進行了使用正常數(shù)據(jù)和分別添加沖擊、高斯白噪聲的數(shù)據(jù)訓(xùn)練模型，在用該模型進行車輛預(yù)測和給定目標位置進行車輛控制的試驗。以下是使用正常數(shù)據(jù)進行訓(xùn)練得到的試驗效果。

圖5 中顯示的為車輛向右變道時預(yù)測的行駛軌跡。從圖中可以看出僅在車輛轉(zhuǎn)向的前期有較明顯的表示，其他時刻的預(yù)測軌跡與實際軌跡的誤差可以忽略不計。該系統(tǒng)可以不斷地預(yù)測和輸入實時數(shù)據(jù)，從而更改自己的預(yù)測軌跡，這是在工作的同時進行無監(jiān)督學(xué)習(xí)，可以使系統(tǒng)計算更準確［15］。

圖5 車輛變道軌跡預(yù)測

圖6 中的顯示為給定不同的目標位置后，模擬仿真得到的車輛運動軌跡。從圖中可知每一條軌跡都是可以到達目標位置，并且軌跡平滑，可以通過實際操作實現(xiàn)，對于速度和方向的控制沒有突然的變化。但是從圖中可以看出，當目標位置在車輛速度的反向并且距離較遠時，控制選擇的路徑是倒車，速度與前進速度相同，既不能保障車輛安全，也超過了車輛倒車的速度極限。

5.2 抗干擾

本系統(tǒng)中對于干擾的處理是將突變的點都變?yōu)榉险麄€車輛狀態(tài)變化趨勢的值，使車輛的控制都是漸變的，并且所有的預(yù)測都是與車輛當前的狀態(tài)同時進行的［16］。當預(yù)測與車輛實際行駛有誤差時，會實時修改參考數(shù)據(jù)，使預(yù)測向?qū)嶋H靠近。

第4 節(jié)中介紹了該模型對沖擊或者高斯噪聲型干擾作出的處理，經(jīng)過處理后的數(shù)據(jù)可以很好地進行車輛的行駛軌跡預(yù)測工作，證明了該系統(tǒng)具有良好的靠干擾能力。

圖6 控制的軌跡顯示結(jié)果

5.3 泛化

所有的系統(tǒng)設(shè)計最終目標都是投入到實際應(yīng)用中，本系統(tǒng)應(yīng)當可以應(yīng)用于更多場景，更復(fù)雜的道路環(huán)境。本文采用的算法在模型訓(xùn)練中所有的數(shù)據(jù)都是相對的，是當前時刻與前一時刻汽車狀態(tài)的變化值。所以從理論上來說，不同的車型在同一位置、同一狀態(tài)出發(fā)，經(jīng)過相同的控制后，應(yīng)到達相同的位置并且車輛處于相同的狀態(tài)。

6 結(jié)語

本文從汽車正常行駛中獲取數(shù)據(jù)并采用LSTM與PID 控制結(jié)合的方法訓(xùn)練得到模型，該模型可以很好地預(yù)測汽車行駛路線，同時可以在知道目的地后計算需要對車輛進行的一系列控制，并根據(jù)這些控制仿真運行到達目標位置。

由于本文采用的神經(jīng)元網(wǎng)絡(luò)和PID 控制結(jié)合的方法結(jié)構(gòu)復(fù)雜、不能避免神經(jīng)網(wǎng)絡(luò)自身缺陷，所以該算法訓(xùn)練復(fù)雜度高，訓(xùn)練速度慢，若出現(xiàn)了“過擬合”的現(xiàn)象，需要重新訓(xùn)練。在車輛控制方面還存在著問題，輸入的目標位置為當前行駛路線的反向時，預(yù)測的路線沒有包括車輛調(diào)轉(zhuǎn)方向的軌跡，并且在所有預(yù)測軌跡中，對方向進行修改都是在沒有控制車輛速度，不符合實際道路行駛要求，在今后的研究中需要先進行行駛軌跡的計算。