基于隱馬爾可夫模型與反向傳播神經(jīng)網(wǎng)絡的運動型多功能汽車運動參數(shù)預測*

□李智宏 □姚嘉凌 □汪 蕊

南京林業(yè)大學 汽車與交通工程學院 南京 210037

1 研究背景

側翻是車輛最危險的事故之一，帶來的后果極其嚴重，是道路交通安全的主要問題。與其它車輛相比,運動型多功能汽車（SUV）的行車環(huán)境相對復雜，且質心較高，行駛中極易發(fā)生側翻事故。因此，如何提高SUV的防側翻能力，保證行駛的安全性，已成為SUV研究的焦點問題。

車輛側翻一般在較短時間內(nèi)發(fā)生，側翻前駕駛員感受不到車輛的側傾狀態(tài)，無法及時采取有效措施防止側翻。因此，對車輛的運動狀態(tài)進行預測，并判斷可能會發(fā)生的側翻，提前發(fā)出報警，可以有效防止側翻發(fā)生，進而大大提高車輛行駛的安全性。近年來，隱馬爾可夫模型（HMM）在預測系統(tǒng)狀態(tài)的研究中得到了人們的重視，并有諸多研究成果。文獻[1]針對無人駕駛車輛設計了一套行駛狀態(tài)預測系統(tǒng)，采用HMM辨識車輛的行駛狀態(tài)，預測駕駛員的駕駛行為。仿真表明，這一系統(tǒng)可以對無人駕駛車輛的未知決策做出實時準確的判斷。文獻[2]建立了一種基于HMM的車輛狀態(tài)辨識系統(tǒng)，這一辨識系統(tǒng)通過實時計算和分析，采集車輛行駛影像記錄數(shù)據(jù)，預測行駛車輛的縱向車速。文獻[3]設計了一種基于HMM的車輛行駛狀態(tài)辨識系統(tǒng)，通過采集車輛的側向加速度數(shù)據(jù)來識別車輛的行駛狀態(tài)，這一辨識系統(tǒng)還可以辨識制動、加速等駕駛狀態(tài)。文獻[4]在考慮駕駛員駕駛意圖的基礎上，構建了基于HMM的駕駛意圖辨識模型，對駕駛員的意圖有較高的辨識度，并具有一定的預警能力。文獻[5]在重型車輛側翻預警系統(tǒng)研究中，采用一種基于雙層HMM的重型車輛行駛狀態(tài)辨識方法，采集車輛橫擺運動、轉向運動、側向運動等運動狀態(tài)信息和車速信息，動態(tài)辨識重型車輛的行駛狀態(tài)。仿真結果驗證了這一方法的有效性。文獻[6]提出了一種基于經(jīng)驗模態(tài)分解（EMD）與反向傳播（BP）神經(jīng)網(wǎng)絡相結合的車輛關門聲品質預測方法，以關門聲信號特征作為輸入，以主觀評價值作為輸出，采用神經(jīng)網(wǎng)絡進行訓練，得到基于EMD的車輛關門聲品質預測模型。結果表明，基于這一模型的預測數(shù)據(jù)更接近主觀評價結果，具有較高的聲品質預測精度。

筆者將HMM與BP神經(jīng)網(wǎng)絡相結合[7-8]，應用馬爾可夫預測算法對下一時間段SUV的行駛運動狀態(tài)進行預測，用預測出的車輛運動狀態(tài)作為BP神經(jīng)網(wǎng)絡模型的輸入，預測車輛的具體運動參數(shù)，包括側傾角、側向加速度及方向盤轉角等，可以使駕駛員能更加直觀地觀察車輛的傾斜程度，量化判斷是否會發(fā)生側翻，從而采取相應的措施防止車輛側翻。另一方面，BP神經(jīng)網(wǎng)絡模型預測的參數(shù)還可以用于電子控制。

2 HMM建模及預測

筆者所建立的HMM是多維高斯HMM。模型的底層為可觀測矢量序列，即當前的側傾角和側向加速度。模型的高層為不可觀測的SUV運動狀態(tài)，包括直線行駛狀態(tài)、正常轉向狀態(tài)、緊急轉向狀態(tài)和側傾行駛狀態(tài)。如圖1所示，Q為可觀察矢量序列；a1j為轉移概率，j=1，2，3，4；bij為觀察概率，i=1，2，3，4。底層HMM進行統(tǒng)計學習和概率推理后，被輸送至高層HMM，從而預測車輛未來的行駛狀態(tài)，判斷是否會發(fā)生側翻。

圖1 多維高斯HMM結構

首先要進行HMM學習，即確定HMM的相應參數(shù)。λ 為模型估計參數(shù)，λ=（t，A，C，μ，U），其中 t為初始狀態(tài)分布，A為狀態(tài)轉移概率矩陣，C為混合權重矩陣，μ為均值矢量，U為協(xié)方差矩陣。

模型的可觀測矢量序列 Q={q1，q2，…，qN}，其中，qk為第k個觀測矢量，k=1，2，…N，隱藏的狀態(tài)序列O={o1，o2，…，oN}。

多維高斯HMM的可觀測矢量序列Q由混合高斯概率密度函數(shù)bi（Q）產(chǎn)生：

式中：cij為系統(tǒng)混合高斯元的混合權重因數(shù)；μij為系統(tǒng)高斯密度函數(shù)的均值矢量。

確定模型估計參數(shù) λ=（t，A，C，μ，U）中各元素時，將HMM工具箱加載到MATLAB工程數(shù)學軟件中，編寫.m文件程序，選用HMM的Baum-Welch算法，訓練SUV運行狀態(tài)的多維高斯HMM。訓練后得到如下結果：

在對車輛在復雜工況下的行駛狀態(tài)進行辨識的基礎上，采用HMM對車輛運動狀態(tài)進行預測仿真，預測仿真結果如圖2所示。

3 BP神經(jīng)網(wǎng)絡

圖2 HMM預測仿真結果

人工神經(jīng)網(wǎng)絡是一種運算模型，它從信息處理角度對人腦神經(jīng)元網(wǎng)絡進行抽象，建立一種簡單模型，并按不同的連接方式組成不同的網(wǎng)絡，是對人腦的簡化和抽象。人工神經(jīng)網(wǎng)絡由于結構簡單、自學習能力強，并具有良好的穩(wěn)定性，因此廣泛應用于預測估計、自動控制、模式識別等眾多領域[9]。

BP神經(jīng)網(wǎng)絡是一種具有三層或三層以上無反饋的人工神經(jīng)網(wǎng)絡，其結構如圖3所示[10]。BP神經(jīng)網(wǎng)絡通常由輸入層、隱含層和輸出層組成，各層神經(jīng)元之間全部連接，外部數(shù)據(jù)變量輸入到輸入層，經(jīng)過隱含層處理后，傳遞給輸出層，由輸出層輸出數(shù)據(jù)處理結果。

圖3 BP神經(jīng)網(wǎng)絡結構

BP神經(jīng)網(wǎng)絡在建模時要確定網(wǎng)絡的結構和參數(shù)，使網(wǎng)絡達到最優(yōu)，從而提高整個網(wǎng)絡的準確性和學習效率。隱含層的層數(shù)影響模型的訓練速度，筆者選用具有三層結構的Sigmoid函數(shù)。在神經(jīng)網(wǎng)絡學習中，第p個樣本的誤差Ep為：

式中：ypi為第p個樣本第i個單元的期望輸出值為第p個樣本第i個單元的實際輸出值。

學習算法采用梯度下降法，沿誤差變化的負梯度方向修正網(wǎng)絡權值。調整權因數(shù)Wij，使誤差Ep＜ε，ε 為系統(tǒng)誤差精度。

筆者選用BP神經(jīng)網(wǎng)絡建模，神經(jīng)網(wǎng)絡參數(shù)的選取對網(wǎng)絡的訓練結果有較大影響[11]。學習速率過大，容易導致網(wǎng)絡不穩(wěn)定；學習速率過小，則會導致收斂速度較慢。學習速率的取值范圍為0.01～0.8，通過多次試驗，確認取0.1較為合適。選擇Tansig函數(shù)作為隱含層的處理函數(shù)，訓練函數(shù)選用動量自適應學習速率梯度下降法，神經(jīng)元的節(jié)點數(shù)為15，動量因子為0.95。

4 SUV運動參數(shù)預測

HMM能夠預測SUV下一時間段的運動狀態(tài)，從而判斷是否會發(fā)生側翻，但是不能預測出車輛下一時間段的具體運動參數(shù)，如方向盤轉角、側傾角和側向加速度等。車輛下一時段的具體運動參數(shù)可使駕駛員量化判斷是否會側翻，也可為抗側翻電子控制系統(tǒng)提供數(shù)據(jù),因此對車輛運動參數(shù)進行預測很有必要。圖4為HMM與BP神經(jīng)網(wǎng)絡結合流程框圖。首先選用Carsim軟件對車輛進行仿真試驗，選擇四種典型工況進行仿真，采集車輛在四種工況下的運動參數(shù)，包括側向加速度、側傾角等，作為HMM的數(shù)據(jù)輸入。然后建立四種典型工況下的HMM，預測車輛下一時間段的運動狀態(tài)。最后將HMM預測出的車輛運動狀態(tài)作為BP神經(jīng)網(wǎng)絡的輸入，從而預測出車輛下一時間段的具體運動參數(shù)。

圖4 HMM與BP神經(jīng)網(wǎng)絡結合流程框圖

選取斜坡轉向和雙移線轉向進行SUV運動參數(shù)預測，分別驗證方向盤轉角在下一時間段的數(shù)據(jù)。在HMM預測到下一個時間段的車輛運動狀態(tài)后，將當前運動參數(shù)和以往試驗獲得的下一時間段車輛運動參數(shù)作為BP神經(jīng)網(wǎng)絡的訓練樣本。

圖5所示為斜坡轉向時方向盤轉角的試驗數(shù)據(jù)。圖6所示為斜坡轉向時使用BP神經(jīng)網(wǎng)絡預測的方向盤轉角數(shù)據(jù)和試驗數(shù)據(jù)對比。圖7所示為雙移線轉向時方向盤轉角的試驗數(shù)據(jù)。圖8所示為雙移線轉向時使用BP神經(jīng)網(wǎng)絡預測的方向盤轉角數(shù)據(jù)和試驗數(shù)據(jù)的對比。由圖6和圖8可知，在斜坡轉向和雙移線轉向時方向盤轉角的預測數(shù)據(jù)和試驗數(shù)據(jù)基本吻合，可見，將HMM和BP神經(jīng)網(wǎng)絡相結合，可以有效預測車輛在下一時間段的運動參數(shù)。

圖5 斜坡轉向時方向盤轉角試驗數(shù)據(jù)

圖6 斜坡轉向時方向盤轉角數(shù)據(jù)對比

圖7 雙移線轉向時方向盤轉角試驗數(shù)據(jù)

圖8 雙移線轉向時方向盤轉角數(shù)據(jù)對比

5 總結

筆者將HMM和BP神經(jīng)網(wǎng)絡相結合，對SUV運動參數(shù)進行預測，將HMM的初步辨識和預測結果作為BP神經(jīng)網(wǎng)絡的訓練樣本，對BP神經(jīng)網(wǎng)絡進行訓練，這樣可以準確預測出在下一時間段內(nèi)車輛的運動參數(shù)，為駕駛員直觀判斷側翻和電子控制提供依據(jù)。

[1]GADEPALLY V，KURT A，KRISHNAMURTHY A，et al.Driver/Vehicle State Estimation and Detection［C］.Intelligent Transportation Systems（ITSC），2011 14th International IEEE Conference on，Washington DC，2011．

[2]LIN C C，WANG M S．Vehicle Speeding Early Warning Model Using Frame Feature Detection and HMM［C］.Consumer Electronics（ISCE），2011 IEEE 15th International Symposiumon，Singapore，2011.

[3]MAGHSOOD R，JOHANNESSON P.Detection ofthe Curves Based on Lateral Acceleration Using Hidden Markov Models[J].Procedia Engineering,2013，66：425-434.

[4] 馬晶晶.基于隱馬爾可夫理論的駕駛意圖辨識研究[D].長沙：長沙理工大學,2012.

[5] 朱天軍,孔現(xiàn)偉,李彬.基于雙層隱馬爾可夫模型的重型車輛行駛狀態(tài)辨識方法研究[J].兵工學報,2015,36（10）:1832-1840.

[6] 楊川，于德介，徐亞軍.基于EMD與BP神經(jīng)網(wǎng)絡的汽車關門聲品質預測[J].汽車工程，2013，35（5）：457-461，466.

[7] 楊勵雅，邵春福.基于BP神經(jīng)網(wǎng)絡與馬爾可夫鏈的城市軌道交通周邊房地產(chǎn)價格的組合預測方法[J].吉林大學學報（工學版），2008，38（3）：514-519.

[8] 王少然，劉文慧.基于GM（1，1）回歸的需求預測優(yōu)化模型研究[J].機械制造，2016，54（11）：1-4.

[9] 吳昌友.神經(jīng)網(wǎng)絡的研究及應用[D].哈爾濱：東北農(nóng)業(yè)大學，2007.

[10趙俊杰.基于模糊神經(jīng)網(wǎng)絡的汽車故障診斷方法研究[D].杭州：杭州電子科技大學，2011.

[11]韓雪.基于參數(shù)選取影響B(tài)P神經(jīng)網(wǎng)絡訓練結果的分析[J].智能計算機與應用，2011（5）：43-46.