一種基于駕駛員制動行為的車輛主動避撞模型研究

劉志強，張春雷，倪 婕，朱偉達

(江蘇大學 汽車與交通工程學院， 江蘇 鎮江 212013)

國內外學者提出了固定距離法、駕駛員預估模法等安全距離模型[3-4]和碰撞時間模型(time to collision，TTC)以實現主動避撞功能，但由于安全距離模型公路利用率低、參數獲取困難等原因并未得到推廣[5]。碰撞時間模型未考慮兩車同速行駛時的危險狀態，存在理論缺陷，且未考慮駕駛員因素，不能反映駕駛員避撞特性，因此接受度不高。

基于此，本文通過在駕駛模擬儀上獲得的10名駕駛員的多組跟車試驗數據，采用PCA分析法確定的4個相關的車輛狀態參數來描述駕駛員制動行為，建立符合駕駛員跟車習慣的制動行為模型(driver’s braking behavior，DBB)。在此基礎上完成DDB模型和TTC模型的仿真分析。最后通過模擬駕駛儀對DBB模型和TTC模型進行試驗分析。

1 試驗數據采集及分析

1.1 駕駛參數數據采集

本文試驗數據采集平臺采用的是基于虛擬交通環境的交通安全研究實驗平臺——江蘇大學“QJ-4B1型6自由度模擬駕駛器”。本研究試驗場景為雙向4車道的城市道路，初始兩車相距18 m，考慮了前導車加速、勻速、減速3種行駛狀態，符合實際交通環境。圖1為前導車加速度曲線。

在正式開始試驗前允許每位試驗者先按照設計場景進行幾次預試驗，以便被試人員熟悉駕駛儀的操作。當被試者適應虛擬駕駛場景后開始試驗，每位試驗人員的場景都是一樣的，以保證所采集的數據的通用性和可對比性。另外，由于模擬駕駛儀對前導車加速度信息設定的局限性導致前導車的速度曲線過于理想化，與實際道路行駛過程中車輛運行狀態的復雜多變性不符，所以本文首先進行了一組預試驗，即以圖1所示的前導車加速度為試驗場景，采集后車運行速度值，結果見圖2。在正式試驗過程中以預試驗時后車的速度值作為前導車的速度信息。

圖1 前導車加速度曲線

通過查閱文獻及相關資料可發現[6]：與跟馳有關的參數包括前車加速度a1、相對距離d、相對速度Δv、碰撞時間倒數TTCi、車頭時距THW、前車速度v1、自車速度v2。通過對某次試驗采集的在駕駛員采取制動措施前2 s內參數的變化進行分析(見圖3)，從數據變化上可以認為駕駛員制動行為是受到這些外界信息變化的刺激而產生的。所以，本文采集的試驗數據為：① 跟馳制動行為數據，包括相對距離d、車頭時距THW、碰撞時間倒數TTCi、自車加速度a2、自車速度v2、前車加速度a1、相對速度Δv；② 制動意圖數據，包括制動踏板開度、制動踏板開度變化率。THW、TTCi是通過采集的車速、距離參數運算得到。

車頭時距(THW)計算公式為

TWH=D/V1

(1)

碰撞時間倒數(TTCi)計算公式為：

6）電氣設備：主要由供配電部分、液壓動力部分、控制部分、照明部分、信號顯示及安全信號保護等部分組成。移動式電站能滿足堆料裝置和配套進料裝置的供電，堆料裝置自身配置移動式電站，使得堆料裝置應用更加自如，無論是否有岸電，或岸電的頻率電壓等級如何，堆料裝置都能獨立工作。

TTCi=1/TTC=ΔV/D

(2)

圖4是后車速度、加速度數據采集片段。圖5為自車速度、加速度數據采集片段。

圖3 制動前2 s參數變化

圖4 后車速度、加速度數據采集片段

圖5 自車速度、加速度數據采集片段

1.2 基于PCA的試驗數據分析

本文基于PCA理論對試驗數據進行分析，以確定試驗采集參數對駕駛員制動行為特性的貢獻率。設定試驗采集到的前車加速度a1、相對距離d、相對速度Δv、碰撞時間倒數TTCi、車頭時距THW、前車速度v1、自車速度v2依次為X1,X2,…,X7，對其進行標準化處理：

(3)

式中：μi為Xi的均值；σii為Xi的標準差；Zi為標準化后的試驗參數。

任意兩主成分Xi、Xj之間的協方差為

(4)

令Σ表示7個變量的協方差矩陣，則

(5)

為避免因變量間所采用的量綱不同而引起的協方差數值上的變化所帶來的弊端，用相關系數來衡量協方差。Xi與Xj之間的相關系數為

(6)

標準化矩陣Z=[Z1,Z2,…,Z7]的第i個主成分Yi表達式為

(7)

(8)

主成分Xi的方差對總方差的貢獻率為

(9)

式中λi為主成分Xi的特征值，即該主成分的方差。

本文基于WEKA[7]軟件平臺對數據進行PCA處理，試驗樣本的數據分布見圖6。經計算，貢獻率前4的參數的累計貢獻率及特征值如表1所示。

由以上結果可知：本文選取TTCi、Δv、a1、d這4個主要參數即可建立駕駛員制動行為模型。

圖7 BP神經網絡模型的拓撲結構

2 駕駛員制動行為模型

2.1 BP神經網絡理論

BP(back propagation)神經網絡是由Rumelhart和McMelland領導的科學小組于1986年提出的一種多層前饋型神經網絡[8-9]。在預測過程中，該神經網絡通過將信號向前方傳遞、誤差向后方傳遞的方式不斷調整神經網絡結構的權值和閾值，使得網絡預測結果的誤差平方和盡可能最小[9]。圖7為BP神經網絡的拓撲結構，其中：X1、X2、…、Xn為BP神經網絡模型的輸入值；Y1、Y2、…、Ym為預測值；ωij、ωjk為BP神經網的權值。

2.2 基于BP神經網絡的駕駛員制動行為模型

表2 訓練結果

根據Kolmogorov學者的研究發現：3層結構的神經網絡在中間層節點數充足時具有任意R上[0,1]到R的映射能力和組織、適應能力[10]。因此，本文選用4-n-1三層結構。輸入層4個節點為前車加速度a1、相對距離d、相對速度Δv、碰撞時間倒數TTCi，輸出層1個節點為后車加速度aego。

為了確定模型的最佳中間層節點數，對不同節點數下模型的預測效果進行了相互對比。神經網絡其他初始參數設置為：學習率0.05，動量常數0.9，最大訓練次數1 500。表2為120 s循環訓練時長下的最佳訓練進度和最短訓練時間。

由表2可知：中間層節點數為7和13時訓練結果最好，其預測結果如圖8所示。由圖8可以看出：中間層節點數為13時本預測模型的訓練精度最高。因此，本文模型的中間層節點數為13。

圖9為對模型進行預測訓練的樣本點分布和誤差曲線。圖10為訓練模型的BP神經網絡回歸結果。由圖10可以看出：該模型在1 600次迭代時誤差為0.001，樣本的回歸性和預測性較好。

圖8 中間層節點數為7和13時的模型訓練結果

圖9 BP神經網絡訓練結果

2.3 模型驗證

為了檢驗駕駛人制動行為模型的有效性和通用性，重新選取240組未參與建模的試驗數據進行模型驗證。通過檢驗樣本的預測值與樣本實際值的吻合度來檢驗制動行為模型的有效性。圖11為本次模型檢測結果，可以看出本次的240組檢測樣本中只有3組數據檢測樣本誤差絕對值超過1。圖12為試驗車輛加速度真值與基于BP神經網絡的制動行為模型預測值的變化情況，圖中試驗車加速度真值與本文模型的預測值能較好匹配。因此，本文駕駛人制動行為模型對于駕駛人制動行為的預測較為準確，表明該模型是有效的。

圖10 BP神經網絡回歸結果

圖11 制動行為模型檢測結果

圖12試驗車加速度真值與預測值

3 結論

本文通過仿真和試驗證實了DBB模型的有效性和通用性，表明該模型能準確預測車輛的加速度值。

1) 該模型在1 600次迭代時誤差已經達到0.001，樣本的回歸性和預測性能較好。

2) 對試驗采集未參與建模的240組檢測樣本進行模型驗證，只有3組數據檢測樣本誤差絕對值超過1，說明該模型具有有效性和通用性。

3) 采集到的試驗車輛加速度真值與應用該模型預測得到的預測加速度值基本吻合。

[1] 李瑾南，萬娟，李凱，等.智能交通系統發展及趨勢分析[J].工業技術創新，2014，1(3)：374-380.

[2] 王國鋒，宋鵬飛，張蘊靈.智能交通系統發展與展望[J].公路，2012(5)：217-222.

[3] HIRAOKA T，TANAKA M，KUMAMOTO H，et al.Collision risk evaluation index based on deceleration for collision avoidance (first report)-Proposal of a new index to evaluate collision risk against forward obstacles[J].Review of Automotive Engineering，2009，30(4):429-437.

[4] 武黎明，方正鵬.淺談智能交通對道路交通安全的作用[J].公路交通科技，2014(3)：276-278.

[5] 吳濤.考慮駕駛者避撞行為特性的汽車前方防碰撞系統研究[D].長春：吉林大學，2014.

[6] TAKADA S，HIRAOKA T，KAWAKAMI H.Effectiveness of forward obstacles collision warning system based on deceleration for collision avoidance[J].IET Intelligent Transport Systems，2014，8(6):570-579.

[7] 威滕.數據挖掘= Data Mining:Practical Machine Learning Tools and Techniques [M].2版.北京：機械工業出版社，2005.

[8] The improvements of BP neural network learning algorithm[C]//WCCC-ICSP 2000，5th International Conference on.USA:IEEE，2000:1647-1649.

[9] WU W，FENG G，LI Z，et al.Deterministic convergence of an online gradient method for BP neural networks[J].IEEE Transactions on Neural Networks，2005，16(3):533-540.

[10] 朱凱，王正林.精通 MATLAB 神經網絡[M].北京：電子工業出版社，2010.