王俊彥，蔡駿宇

(1.鎮(zhèn)江市高等專(zhuān)科學(xué)校 交通學(xué)院， 江蘇 鎮(zhèn)江 212000; 2.江蘇大學(xué) 汽車(chē)與交通工程學(xué)院, 江蘇 鎮(zhèn)江 212013)

車(chē)輛換道是駕駛?cè)藶榱藵M足自身的駕駛意圖而采取的行為，是駕駛?cè)嘶趽Q道車(chē)輛的行駛狀態(tài)，通過(guò)對(duì)環(huán)境信息的感知和判斷，控制車(chē)輛完成動(dòng)作的綜合過(guò)程。車(chē)輛換道分為選擇性換道和強(qiáng)制性換道兩類(lèi)，當(dāng)駕駛?cè)烁鶕?jù)自身駕駛意圖行駛時(shí)可以采取選擇性換道；當(dāng)車(chē)輛必須離開(kāi)原車(chē)道時(shí)將被迫采取強(qiáng)制性換道。車(chē)輛換道時(shí)交通條件復(fù)雜，換道時(shí)機(jī)掌握不正確會(huì)帶來(lái)一定的安全隱患，建立車(chē)輛安全換道時(shí)機(jī)決策模型可以給予駕駛?cè)税踩珦Q道提示，保證駕駛?cè)伺c車(chē)輛安全。隨著智能交通和智能汽車(chē)的發(fā)展，高精度的安全換道模型可以成為智能汽車(chē)行駛的重要組成部分。

國(guó)內(nèi)外許多學(xué)者使用最小安全距離模型來(lái)對(duì)車(chē)輛換道進(jìn)行建模研究[1-3]，建立的模型都是考慮目標(biāo)車(chē)道前后車(chē)輛的距離大于最小安全距離，當(dāng)換道間隙滿足駕駛?cè)诵枨髸r(shí)完成換道行為。此外，國(guó)內(nèi)外學(xué)者還先后使用了二元Logit模型[4]、博弈論[5]、多智能體[6]、元胞自動(dòng)機(jī)[7]和模糊推理[8-9]等方法來(lái)進(jìn)行車(chē)輛換道研究。

上述模型取得了一定的理論成果，但這些模型都很難直接應(yīng)用到駕駛主動(dòng)安全系統(tǒng)中，本文提出了RBF神經(jīng)網(wǎng)絡(luò)方法，建立了一個(gè)更加智能化的車(chē)輛換道模型。選擇RBF神經(jīng)網(wǎng)絡(luò)方法在于它具有以下特點(diǎn)：第一，RBF神經(jīng)網(wǎng)絡(luò)方法具有較強(qiáng)的非線性擬合能力，具有惟一最佳逼近的特性，且無(wú)局部最小問(wèn)題存在；第二，RBF神經(jīng)網(wǎng)絡(luò)具有較好的分類(lèi)預(yù)測(cè)能力，學(xué)習(xí)過(guò)程收斂速度快；第三，RBF神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的輸入與輸出映射功能，是前向網(wǎng)絡(luò)中完成映射功能最優(yōu)的網(wǎng)絡(luò)。

1 換道時(shí)機(jī)決策的場(chǎng)景與影響因素

1.1 換道時(shí)機(jī)決策的場(chǎng)景

文中車(chē)輛在換道前行駛的車(chē)道為原車(chē)道，目標(biāo)車(chē)道在原車(chē)道左側(cè)，考慮換道車(chē)輛前方和左側(cè)車(chē)輛對(duì)換道車(chē)輛的影響。駕駛車(chē)輛在原車(chē)道行駛的每一時(shí)刻都要考慮換道時(shí)機(jī)是否合適：可以換道和不能換道，研究只考慮換道車(chē)輛向左側(cè)車(chē)道進(jìn)行換道的情況，不考慮向右側(cè)進(jìn)行換道的情況。換道場(chǎng)景示意圖如圖1所示。

圖1 研究工況與相關(guān)參數(shù)示意圖

1.2 影響車(chē)輛換道時(shí)機(jī)決策的因素

駕駛?cè)嗽谠?chē)道上行駛時(shí)，需要考慮車(chē)和環(huán)境的狀況來(lái)判定能否進(jìn)行安全換道，安全換道的實(shí)現(xiàn)取決于換道時(shí)機(jī)的選擇。在之前的研究中[1,3]，基于換道車(chē)輛的行駛狀態(tài)，并通過(guò)對(duì)環(huán)境信息的感知和判斷，提出以下7個(gè)換道決策的影響因素：

1)V0(m/s)：換道車(chē)輛的速度；

2)V1(m/s)：目標(biāo)車(chē)道前方車(chē)輛的速度；

3)V2(m/s)：目標(biāo)車(chē)道后方車(chē)輛的速度；

4)V3(m/s)：原車(chē)道前方車(chē)輛的速度；

5)D1(m)：換道車(chē)輛與目標(biāo)車(chē)道前方車(chē)輛的距離；

6)D2(m)：換道車(chē)輛與目標(biāo)車(chē)道后方車(chē)輛的距離；

7)D3(m)：換道車(chē)輛與原車(chē)道前方車(chē)輛的距離。

在上述7個(gè)影響因素的基礎(chǔ)上，本文提出了額外4個(gè)影響因素，在車(chē)輛換道時(shí)機(jī)決策過(guò)程中考慮相關(guān)車(chē)輛的加速度，它們分別是：

8)a0(m/s2)：換道車(chē)輛的加速度；

9)a1(m/s2)：目標(biāo)車(chē)道前方車(chē)輛的加速度；

10)a2(m/s2)：目標(biāo)車(chē)道后方車(chē)輛的加速度；

11)a3(m/s2)：原車(chē)道前方車(chē)輛的加速度。

隨著汽車(chē)傳感器技術(shù)的發(fā)展，上述11個(gè)參數(shù)都可以應(yīng)用相應(yīng)的傳感器獲取，故本文將它們作為RBF神經(jīng)網(wǎng)絡(luò)模型的輸入變量，并對(duì)比研究11參數(shù)模型與7參數(shù)模型的預(yù)測(cè)效果。

2 車(chē)輛換道時(shí)機(jī)決策模型的建立

2.1 RBF神經(jīng)網(wǎng)絡(luò)車(chē)輛換道時(shí)機(jī)決策模型

RBF神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Network)是一種2層(除輸入層)的前饋型神經(jīng)網(wǎng)絡(luò)，包括了徑向基函數(shù)的隱含層和線性輸出的輸出層，其結(jié)構(gòu)示意圖如圖2所示。RBF網(wǎng)絡(luò)的輸入與輸出映射能力強(qiáng)，隱含層的徑向基函數(shù)一般選用高斯函數(shù)，網(wǎng)絡(luò)訓(xùn)練時(shí)間短，學(xué)習(xí)速度和收斂速度快，在理論上網(wǎng)絡(luò)可以任意逼近任何一個(gè)連續(xù)函數(shù)。

圖2 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

網(wǎng)絡(luò)結(jié)構(gòu)中，若輸入層輸入向量為X=(x1,x2,…,xn)T，則隱含層的輸出向量為Φi=(Φ1,Φ2,…,Φn)T，那么輸出層的輸出向量為Yj=(y1,y2,…,ym)T。輸入層的作用是把來(lái)自外部的數(shù)據(jù)映射到隱含層，輸入層與隱含層實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的非線性映射，不對(duì)數(shù)據(jù)進(jìn)行任何處理，所以RBF神經(jīng)網(wǎng)絡(luò)只有隱含層和輸出層起作用。整個(gè)神經(jīng)網(wǎng)絡(luò)的中心處理層是隱含層，隱含層與輸出層實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的線性映射，由于隱含層里包含徑向?qū)ΨQ的徑向基函數(shù)，所以數(shù)據(jù)需要經(jīng)過(guò)徑向基函數(shù)作用后才傳遞給輸出層。隱含層用高斯函數(shù)做徑向基函數(shù)，隱含層的輸出：

(i=1,2,3,…,n)

(1)

其中：Φi為第i個(gè)隱含節(jié)點(diǎn)的輸出；x為n維輸入向量；xc為核函數(shù)的中心，xc為與x同維的向量；σi為核函數(shù)的寬度，由此可以得到網(wǎng)絡(luò)輸出層的線性輸出為：

(2)

其中：yj為輸出層的第j個(gè)節(jié)點(diǎn)的輸出；wi,j為輸出層與隱含層之間節(jié)點(diǎn)的連接權(quán)值；m為隱含層的節(jié)點(diǎn)個(gè)數(shù)。

由于RBF神經(jīng)網(wǎng)絡(luò)輸入變量的數(shù)值和量綱都不相同，為了避免對(duì)模型效果產(chǎn)生不利影響，對(duì)于輸入的原始數(shù)據(jù)需要進(jìn)行歸一化處理，同樣在得到輸出值之前需要進(jìn)行反歸一化處理。想要利用建立的RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)車(chē)輛換道時(shí)機(jī)進(jìn)行預(yù)測(cè)，就需要對(duì)模型進(jìn)行學(xué)習(xí)，這其中主要涉及對(duì)RBF基函數(shù)的中心、寬度和輸出層與隱含層之間節(jié)點(diǎn)的連接權(quán)值的學(xué)習(xí)。

2.2 RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的參數(shù)學(xué)習(xí)主要包括兩個(gè)方面：

1) 確定RBF基函數(shù)的中心xc和寬度σi

RBF神經(jīng)網(wǎng)絡(luò)基函數(shù)的中心xc使用K-means聚類(lèi)方法來(lái)確定，對(duì)應(yīng)于中心xc的寬度σi值等于某一類(lèi)訓(xùn)練樣本之間的平均距離，計(jì)算公式如下：

(3)

2) 確定輸出層與隱含層之間節(jié)點(diǎn)的連接權(quán)值

權(quán)值矩陣W的調(diào)節(jié)通過(guò)邏輯回歸法(Logistic regression)實(shí)現(xiàn)，RBF神經(jīng)網(wǎng)絡(luò)隱含層至輸出層的激活函數(shù)采用Sigmoid函數(shù)：

(4)

2.3 網(wǎng)絡(luò)訓(xùn)練

1) 輸入輸出變量的選擇

根據(jù)前文對(duì)車(chē)輛換道時(shí)機(jī)決策因素的分析，確定使用影響車(chē)輛換道時(shí)機(jī)決策的11個(gè)因素(V0,V1,V2,V3,D1,D2,D3,a0,a1,a2,a3)作為RBF神經(jīng)網(wǎng)絡(luò)的輸入變量，而輸出變量是換道時(shí)機(jī)決策結(jié)果，換道和不換道(yes,no)。

2) 實(shí)驗(yàn)數(shù)據(jù)

美國(guó)聯(lián)邦高速公路管理局的Next Generation Simulation(NGSIM)[10]項(xiàng)目免費(fèi)向全世界開(kāi)放的其項(xiàng)目中的車(chē)輛數(shù)據(jù)集，通過(guò)對(duì)該項(xiàng)目數(shù)據(jù)集的篩選與挖掘，完成了本文RBF神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)與驗(yàn)證的工作。數(shù)據(jù)集包含了車(chē)輛運(yùn)動(dòng)軌跡的16項(xiàng)數(shù)據(jù)，包括車(chē)輛編號(hào)、運(yùn)行時(shí)間、車(chē)輛坐標(biāo)、車(chē)速、加速度、車(chē)道編碼和車(chē)頭時(shí)距等，每隔0.1 s采集1次數(shù)據(jù)，完整包括每一輛車(chē)在規(guī)定區(qū)域的所有數(shù)據(jù)。

通過(guò)對(duì)數(shù)據(jù)集的篩選和挖掘，獲取了333組換道時(shí)機(jī)觀察數(shù)據(jù)，其中包括189組不可換道數(shù)據(jù)和144組可以換道數(shù)據(jù)。這些數(shù)據(jù)涉及車(chē)輛換道時(shí)的所有工況，包括了目標(biāo)車(chē)道前后方無(wú)車(chē)、原車(chē)道前方無(wú)車(chē)等特殊場(chǎng)景。將這333組數(shù)據(jù)進(jìn)一步分為2個(gè)部分：其中90%用于RBF神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，10%的數(shù)據(jù)用于網(wǎng)絡(luò)模型的測(cè)試，部分訓(xùn)練數(shù)據(jù)如表1所示。

本文中RBF神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練是使用數(shù)據(jù)挖掘軟件weka實(shí)現(xiàn)的，在網(wǎng)絡(luò)訓(xùn)練過(guò)程中，需要對(duì)相關(guān)參數(shù)進(jìn)行設(shè)置：K-means的隨機(jī)種子數(shù)(clusteringSeed)為1;K-means的最低標(biāo)準(zhǔn)偏差(tMinStdDev)為0.1；K-means的類(lèi)別數(shù)(NumClusters)為2；邏輯回歸脊參數(shù)(ridge)為1.0e-8。

3 模型驗(yàn)證

RBF神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完畢后，已經(jīng)具備了對(duì)車(chē)輛換道時(shí)機(jī)決策的預(yù)測(cè)和分類(lèi)能力，使用測(cè)試數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證，將模型的驗(yàn)證結(jié)果與實(shí)際換道情況相對(duì)比，預(yù)測(cè)的準(zhǔn)確率反映了模型的有效性。表2是用于測(cè)試模型的部分?jǐn)?shù)據(jù)，表3是模型最終的預(yù)測(cè)結(jié)果。

表1 部分訓(xùn)練數(shù)據(jù)

表2 部分測(cè)試數(shù)據(jù)

表3 RBF神經(jīng)網(wǎng)絡(luò)模型測(cè)試結(jié)果

決策測(cè)試數(shù)據(jù)觀察值準(zhǔn)確率/%換道行為1080.0非換道行為2391.3總計(jì)3387.9

模型驗(yàn)證結(jié)果顯示：建立的RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)換道時(shí)機(jī)的預(yù)測(cè)準(zhǔn)確率為80.0%，對(duì)非換道時(shí)機(jī)的預(yù)測(cè)準(zhǔn)確率為91.3%，綜合預(yù)測(cè)準(zhǔn)確率達(dá)到了87.9%，這表示RBF神經(jīng)網(wǎng)絡(luò)模型用于車(chē)輛換道時(shí)機(jī)決策是可行的。

4 對(duì)比模型驗(yàn)證

按照上述11參數(shù)模型的建立、訓(xùn)練與測(cè)試流程，又建立和測(cè)試了7參數(shù)模型，模型的測(cè)試結(jié)果如表4所示。對(duì)比2個(gè)模型的預(yù)測(cè)結(jié)果發(fā)現(xiàn)：11參數(shù)模型預(yù)測(cè)準(zhǔn)確率為87.9%，高于7參數(shù)模型的81.8%，說(shuō)明本文提出的4個(gè)額外影響因素對(duì)于提高模型的預(yù)測(cè)精度是起作用的。

表4 RBF神經(jīng)網(wǎng)絡(luò)7參數(shù)模型測(cè)試結(jié)果

5 結(jié)論

本文選取了換道環(huán)境下11個(gè)車(chē)輛行駛數(shù)據(jù)作為車(chē)輛安全換道時(shí)機(jī)決策影響因素，將這11個(gè)影響因素作為建立RBF神經(jīng)網(wǎng)絡(luò)模型的輸入變量，使用大量車(chē)輛行駛數(shù)據(jù)對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了學(xué)習(xí)與測(cè)試。通過(guò)測(cè)試數(shù)據(jù)的驗(yàn)證：模型對(duì)換道行為的預(yù)測(cè)準(zhǔn)確率為80.0%，對(duì)非換道行為的預(yù)測(cè)準(zhǔn)確率為88%，綜合預(yù)測(cè)準(zhǔn)確率達(dá)到了87.9%，高于7參數(shù)模型的預(yù)測(cè)準(zhǔn)確率81.8%，所建立的RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)換道時(shí)機(jī)的安全性具有更好的效果。

近年來(lái)，智能汽車(chē)駕駛主動(dòng)安全系統(tǒng)快速發(fā)展，RBF神經(jīng)網(wǎng)絡(luò)車(chē)輛換道時(shí)機(jī)決策模型可以成為智能汽車(chē)的重要組成部分；車(chē)輛在行駛時(shí)可以實(shí)時(shí)給予駕駛?cè)藫Q道指示信息，幫助駕駛?cè)送瓿砂踩珦Q道操作，保障駕駛?cè)伺c車(chē)輛安全。未來(lái)，隨著模型預(yù)測(cè)準(zhǔn)確率的進(jìn)一步提高，還將在無(wú)人駕駛智能汽車(chē)方面獲得更大的成果。