基于PCA與BP神經網絡的制動行為模型

劉志強，張碩輝，汪 澎

(江蘇大學汽車與交通工程學院，江蘇鎮江 212013)

駕駛行為是汽車主動安全領域研究的重點課題。目前的研究主要集中在對駕駛行為的理論建模或對某一危險駕駛行為的檢測和預警。文獻［1］應用決策優化模型求解車輛軌跡最優目標和速度最優目標，并將跟車、換道、超車、穿插、制動等駕駛行為統一在駕駛行為決策優化模型中進行描述。文獻［2］通過自行開發的專用照相機、腦電圖儀和其他儀器來精確測量頭部運動、瞳孔直徑變化和眨眼頻率，用以研究疲勞駕駛行為。文獻［3］運用BP神經網絡集成方法研究了駕駛員跟車模型，以前車速度為輸入，通過2層結構神經網絡模擬駕駛員對跟車加速度的控制。文獻［4］針對部分傳統車輛跟馳行為模型進行了綜述，總結了各種跟馳模型的優缺點。文獻［5］研究了不同交通信息(事故信息、駕駛員年齡、性別等)對換道行為的影響。文獻［6］采用自適應側向預瞄模型來對駕駛員轉向行為進行建模。

本文通過在駕駛模擬儀上獲得的10名駕駛員的多組跟車實驗數據，采用主成分分析法確定4個相關的車輛狀態參數來描述駕駛員制動行為，研究建立符合駕駛員跟車習慣的制動行為模型，并利用WEKA數據挖掘平臺對模型進行訓練學習，以期獲得較好的模型效果。

1 基于主成分分析法的制動行為分析

1.1 實驗數據的獲取

影響駕駛行為的因素很多，不僅與駕駛員自身的身心狀態和駕駛技術有關，還受天氣以及周圍交通環境的影響。要建立準確的制動行為模型就必須正確選取能使駕駛員感受危險的車輛狀態參數。綜合國內外相關文獻，本實驗所采集的數據為相對距離d、前車加速度a1、相對速度 Δv、碰撞時間的倒數TTCi、車頭時距THW、自車速度v2、前車速度v1。

本文選用江蘇大學模擬駕駛儀作為主要的實驗設備，將一段實車道路實驗獲得的行車數據導入模擬駕駛儀中，將這段行車數據作為前導車的行車狀態。受試者為8名男性和2名女性，駕齡在2～10年，實驗前均先安排一定的時間熟悉駕駛儀的使用。在正式實驗過程中，每個駕駛員的實驗過程相同，以保證駕駛員間的可比性以及模型的適用性。要求駕駛員集中注意力，在遵守交通規則的情況下駕車跟隨前車直至感覺到有潛在的追尾危險后采取減速措施。圖1是4號駕駛員在某一次實驗5～51 s時的部分操作數據。

圖1 駕駛員在某次實驗5～51 s時的部分操作數據

1.2 實驗數據處理

THW和TTCi兩個參數都是基于車輛相對運動狀態定義的，需要通過采集的參數計算得到。

避撞時間TTC及其倒數TTCi(time to collision in-verse)的定義為:

TTC的量綱也為s，該參數表征了自車在當前狀態下與前車追尾所需要的時間。

1.3 主成分分析法

主成分分析法(principle components analysis，PCA)是將多個變量通過線性組合選出較少個數的重要變量集合來描述相關結構的一種統計分析方法［7-8］。首先對初始主成分參數 X1，X2，…，X7(參數從1到7依次為相對距離d、前車加速度a1、相對速度 Δv、碰撞時間的倒數 TTCi、車頭時距THW、自車速度v2、前車速度v1)進行標準化處理，用Zi表示經過標準化的變量。

Xi與Xj之間的協方差為

相關系數為

采用Ranker搜索法求得7個參數的相關系數矩陣R，如表1所示。

通過求解特征方程λE-R=0的特征值，第i主成分Xi的特征值λi即為該主成分的方差。主成分Xi的方差對總方差的貢獻率為

貢獻率wi反映了第i個主成分承載原始變量信息的百分比。第1主成分方差貢獻率最大，隨后逐次遞減。為達到降維的目的，如果前m個主成分的累積貢獻率達到90%，則可取前m個主成分代替所有成分。

在變電站日常的巡檢工作中，對于目標不同方位和層次的觀察是通過運維人員的眼睛來實現的，而對于不同角度的觀察由走動來實現的，但是現場的攝像機獲取的圖像具有平面性、單一性，進而失去了立體感。[3]怎樣使變電站運維工作中的攝像機的捕捉的畫面具有立體感，帶來更真實的視覺運維，是我們在變電站智能巡檢運維中要面臨的首要問題。通過對Hou方法的研究，實現了對攝像機采集的平面圖像立體化，使不同攝像機的畫面組合，模擬人眼在現場觀察目標，可以確保了遠程智能巡檢的質量和效果。

相關矩陣R的貢獻率前4位的特征值、貢獻率、累積貢獻率見表2。

表1 相關系數矩陣

表2 特征值、貢獻率、累計貢獻率

由表2可見，建立制動行為模型只需要選取相對距離d、前車加速度a1、相對速度Δv、碰撞時間的倒數TTCi為輸入參數即可。

2 基于BP神經網絡的駕駛員制動行為模型建立

本文使用BP神經網絡模型模擬駕駛員在追尾避險過程中的判斷決策行為，選取有效的學習方法對模型進行修正，建立接近實際情境的駕駛員行為模型，并用訓練好的模型來對駕駛員的制動行為進行預測，監督駕駛員的駕駛操作，也作為避撞預警算法使用。

2.1 BP神經網絡理論

BP神經網絡是一種單向傳播的多層前饋型神經網絡，多采用sigmoid型的傳遞函數。BP網絡結構如圖2所示。

圖2 BP神經網絡結構

輸入向量為X=(x1，x2，…，xn)T。隱含層的輸出向量為Oj=(oj1，oj2，…，ojn)T。輸出層的向量為Ok=(ok1，ok2，…，okn)T。輸入層與隱含層間的連接權值為wij(i=1，2，…n;j=1，2，…，l)，閾值為θi。隱含層與輸出層的連接權值為wik(j=1，2，…，l;k=1，2…，m)，閾值為θj。

信息在正向傳遞過程中的隱含層的各神經元節點的輸出可表示為

同理，輸出層的神經元節點的輸出可表示為

BP網絡在應用于預測預報之前需要一個網絡學習過程。網絡學習過程包括信息正向傳播和誤差反向傳播2個反復交替的過程［9-15］。在這個過程中神經網絡根據實驗樣本不斷調整各層之間的連接權值及閾值，從而使系統全局誤差E實現最小化。

系統全局誤差E如式(9)所示。

式中:tk(X)為輸出節點k對于樣本X的理想輸出;Ok(X)為節點k對于樣本X的實際輸出。

2.2 BP神經網絡結構的設計與模型建立

本文BP神經網絡結構包括:1個輸入層、4個輸入節點;1個輸出層、1個輸出節點。隱含層的層數較多，可以提高網絡精度，降低誤差，但同時也會使網絡變復雜，增加迭代非收斂的概率。從簡化結構的角度出發，采用單隱含層的網絡結構即可。對于隱含層節點數目前還沒有準確的設計，本文通過選取不同的隱含層節點數，比較模型最終的訓練效果，選取最適合的隱含層數來達到最優化的效果。

模型的訓練采用的是WEKA數據挖掘軟件，選取交叉驗證方法來訓練模型。WEKA的GUI界面各項主要參數設置為:隱含層依次設置為4～10，以選取最適合的隱層節點數;學習率為0.1;動量常數為0.2;最大訓練次數為1 500。神經網絡權值和閾值的修正采用梯度下降法。訓練完成后的網絡已經具備較高的預測精度。網絡訓練過程中的隱層數不同，對應的網絡訓練效果如表3所示。

表3 不同隱含層數的網絡訓練效果

從表3可以看出:最初隨著隱層數量的增多誤差值有較明顯的減低，但減低效果不明顯。直到隱層從8層變為9層時改進效果明顯，誤差值達到了最小化，所以本文的隱層最終設定為9層，網絡拓撲結構為4-9-1。圖3為模型訓練效果。

2.3 模型仿真

利用訓練好的模型，隨機采用另外一組實驗樣本進行一次跟車仿真驗證實驗。圖4的仿真過程是以8號駕駛員的最新一次的訓練樣本數據為輸入的。根據仿真效果來看模型對其他數據有較好的通用性。

圖3 模型訓練效果

圖4 模型仿真效果

3 結論

1)利用江蘇大學模擬駕駛儀，采集了跟車過程中為避免追尾事故后車駕駛員的制動行為數據;用主成分分析法對數據進行分析，為模型輸入參數選擇提供了依據，降低了神經網絡的輸入維數，確定了用相對距離d、前車加速度a1、相對速度Δv、碰撞時間的倒數TTCi為參數來建立模型。

2)利用BP神經網絡方法建立了符合駕駛習慣的制動行為模型。網絡訓練結果表明:建立的駕駛員制動行為模型預測值的精確度較高，并為避撞預警算法研究提供了思路。

［1］聞育，吳鐵軍，周春芳，等.基于決策優化模型的駕駛行為建模方法［J］.浙江大學學報:工學版，2006，4(4):704-707，728.

［2］Gerry E.Warning system for fatigued drivers nearing reality with new eye data［J］.Science Daily Magazine，1999(7):25-30.

［3］張磊，李升波，王建強，等.基于神經網絡方法的集成駕駛員跟車模型［J］.清華大學學報:自然科學版，2008，48(11):1985-1988，1992.

［4］楊新月，王曉原，王雷，等.駕駛員行為仿真模型研究進展［J］.山東理工大學學報:自然科學版，2007，21(1):68-72.

［5］干宏程，孫立軍，陳建陽.提供交通信息條件下的途中改道行為研究［J］.同濟大學學報:自然科學版，2006，34(11):1 484-1 488.

［6］Ungoren A Y，Peng H.An adaptive lateral preview driver model［J］.Vehicle System Dynamics，2005，43(4):45-259.

［7］肖枝洪，冉小華.運用主成分分析法的過程控制和診斷［J］.重慶理工大學學報:自然科學版，2014(1):96-101.

［8］舒先勝，丁澤中，夏亦寒，等.基于主成分分析法的油料保障能力評估［J］.四川兵工學報，2014(3):76-79.

［9］姜紫峰，荊便順.人工神經網絡在交通領域中的應用［J］.公路交通科技，1997(4):20-25.

［10］鄭龍生，楊曉霞.基于BP神經網絡模型的商務型飯店微觀選址研究——以重慶市為例［J］.西南大學學報:自然科學版，2011(4):162-165.

［11］趙淑芳.基于BP神經網絡的煤礦礦用設備安全監測研究［J］.太原理工大學學報，2013(5):619-622.

［12］毛銳.BP神經網絡在作業成本預算中的應用［J］.哈爾濱理工大學學報，2008(3):107-110.

［13］方一新.改進BP神經網絡的EMG手指運動識別［J］.激光雜志，2014(9):92-95.

［14］孟維偉.基于神經網絡的交通量預測技術研究［D］.南京:南京理工大學，2006.

［14］宇仁德，劉芳，石鵬.基于BP神經網絡的道路交通事故預測［J］.數學的實踐與認識，2008，38(6):120-125.