基于DBN的特種車輛前向防撞推理模型

(河南理工大學(xué) 電氣工程與自動(dòng)化學(xué)院，河南 焦作 454000)

特種車輛受天氣、道路、煙塵和自身體積、高度等因素的影響，駕駛員的視野受阻而導(dǎo)致碰撞事故頻發(fā)，給駕駛員的生命安全和設(shè)備安全帶來(lái)較大的損失[1]。車輛前向發(fā)生碰撞主要是由前向目標(biāo)的距離和相對(duì)速度，以及駕駛員的行為特征和環(huán)境因素共同作用的結(jié)果。近年來(lái)，對(duì)車輛防撞系統(tǒng)的研究，主要是借助激光傳感器、視覺傳感器、毫米波雷達(dá)傳感器等對(duì)車輛周圍的目標(biāo)進(jìn)行獲取并進(jìn)行篩選和預(yù)判，對(duì)駕駛員的行為進(jìn)行分析，判斷車輛是否處于危險(xiǎn)的狀態(tài)。由于車輛前向目標(biāo)和駕駛員的行為特征存在不確定性，且安裝在車輛上的傳感器也處于機(jī)動(dòng)的狀態(tài)，導(dǎo)致所探測(cè)得到的相對(duì)距離和速度信息存在一定的誤差，若只考慮車輛單一時(shí)刻的風(fēng)險(xiǎn)變量，可能會(huì)使車輛安全防撞系統(tǒng)產(chǎn)生漏警、虛警的情況，導(dǎo)致碰撞事故發(fā)生。動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)(Dynamic Bayesian Network,DBN)在處理不確定問(wèn)題方面有很大的優(yōu)勢(shì)。因此本文從自然因素和駕駛員行為特征方面對(duì)車輛行駛安全進(jìn)行評(píng)價(jià)，提出基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的特種車輛前向防撞預(yù)警推理模型，根據(jù)實(shí)時(shí)獲得的數(shù)據(jù)信息，通過(guò)在時(shí)間片上對(duì)證據(jù)信息的累積，快速地對(duì)前向目標(biāo)的碰撞風(fēng)險(xiǎn)做出預(yù)判，輔助車輛安全行駛。

1 車輛防撞系統(tǒng)

1.1 前方目標(biāo)信息獲取

通過(guò)內(nèi)部傳感器對(duì)自車的運(yùn)動(dòng)狀態(tài)信息進(jìn)行獲取，外部傳感器感知周圍環(huán)境的信息。毫米波雷達(dá)可以較好地適應(yīng)惡劣環(huán)境，且具有穿透能力較強(qiáng)、測(cè)量距離遠(yuǎn)、穩(wěn)定性好以及抗干擾能力強(qiáng)等優(yōu)點(diǎn)[2]。通過(guò)對(duì)傳感器的性能進(jìn)行對(duì)比，本文選擇毫米波雷達(dá)對(duì)車輛前向目標(biāo)進(jìn)行測(cè)量。毫米波雷達(dá)較強(qiáng)的探測(cè)能力可以有效地保障車輛對(duì)前方目標(biāo)障礙物進(jìn)行精確識(shí)別和測(cè)距，是確保預(yù)警系統(tǒng)可靠性的前提。

毫米波雷達(dá)對(duì)前方目標(biāo)的測(cè)量是通過(guò)計(jì)算發(fā)射波與回波之間的時(shí)間差得到的。而車輛與前向目標(biāo)之間的相對(duì)速度是根據(jù)多普勒效應(yīng)來(lái)獲取的。速度v(單位m/s)的正負(fù)與目標(biāo)障礙物的運(yùn)動(dòng)趨勢(shì)有關(guān)系：當(dāng)目標(biāo)障礙物接近自車時(shí)v取正值，反之v取負(fù)值。

可以計(jì)算得到相對(duì)縱向距離[2]：

R=(cT/4ΔF)Δf

(1)

式中，c為光速(c=3×108m/s)；Δf為混頻輸出的頻率差；T為雷達(dá)的掃描周期；ΔF為信號(hào)的帶寬。發(fā)射信號(hào)與接收信號(hào)之間的滯后時(shí)間Δt和相對(duì)縱向距離R之間的關(guān)系為[2]

Δt=2R/c

(2)

1.2 車輛安全防撞模型

近年來(lái)，國(guó)內(nèi)外對(duì)車輛防撞預(yù)警模型的研究主要是在安全防撞距離和安全防撞時(shí)間，以及駕駛員行為的安全防撞系統(tǒng)方面。文獻(xiàn)[3]建立了不同路況下，根據(jù)車輛對(duì)地面的附著系數(shù)不同，分別計(jì)算不同路況下的安全距離，保證車輛的行駛安全。文獻(xiàn)[4]提出了基于縱向防撞時(shí)間的防撞預(yù)警算法，當(dāng)預(yù)估的碰撞時(shí)間達(dá)到預(yù)先設(shè)定的安全碰撞閾值，提示駕駛員前方危險(xiǎn)的預(yù)警系統(tǒng)。文獻(xiàn)[5]通過(guò)對(duì)駕駛員的特性測(cè)試，統(tǒng)計(jì)分析駕駛員的行為參數(shù)，最后仿真驗(yàn)證了巡航防撞系統(tǒng)的正確性，符合駕駛員行為特性。

由于固定的安全防撞閾值在不同的車速下會(huì)出現(xiàn)誤差，導(dǎo)致漏報(bào)或虛報(bào)的情況，采用基于不同車速下的安全防撞時(shí)間閾值模型。根據(jù)不同車速、駕駛員行為特征、周圍環(huán)境等因素設(shè)定的安全防撞時(shí)間閾值，可以實(shí)時(shí)計(jì)算車輛發(fā)生碰撞所需的時(shí)間，將其與安全碰撞時(shí)間進(jìn)行對(duì)比，當(dāng)小于安全碰撞時(shí)間時(shí)發(fā)出預(yù)警信號(hào)。

2 基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的車輛前向防撞推理模型

2.1 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)(DBN)

貝葉斯網(wǎng)絡(luò)(Bayesian Networks,BNs)是一種基于概率關(guān)系的有向無(wú)環(huán)圖，由網(wǎng)絡(luò)節(jié)點(diǎn)、有向弧和先驗(yàn)概率表構(gòu)成[6-7]。動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)是在傳統(tǒng)靜態(tài)貝葉斯網(wǎng)絡(luò)的基礎(chǔ)上加入時(shí)間序列因素，形成的能夠處理時(shí)序問(wèn)題的新的隨機(jī)模型[8-10]。動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)在描述非線性、隨機(jī)變化的節(jié)點(diǎn)變量之間的不確定關(guān)系時(shí)擁有較強(qiáng)的優(yōu)勢(shì)。

為了簡(jiǎn)化動(dòng)態(tài)貝葉斯網(wǎng)絡(luò),需要滿足兩個(gè)假設(shè)[11]：若n1,n2,…,nt是從初始時(shí)刻到t時(shí)刻的狀態(tài)，則：

① 隨機(jī)過(guò)程需滿足馬爾科夫假設(shè)，即節(jié)點(diǎn)在t時(shí)刻的狀態(tài)只受t時(shí)刻的影響，可得

P(nt|n1,n2,…,nt)=P(nt|nt-1)

(3)

② 相鄰時(shí)間片上的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)不隨時(shí)間發(fā)生變化，即對(duì)所有的時(shí)刻t，條件概率P(nt|nt-1)都是一樣的。基于以上假設(shè)，可得到在時(shí)間序列上的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型，包含先驗(yàn)網(wǎng)絡(luò)B0和轉(zhuǎn)移網(wǎng)絡(luò)B→。先驗(yàn)網(wǎng)絡(luò)定義了初始時(shí)刻節(jié)點(diǎn)變量的概率分布P(N0)，轉(zhuǎn)移網(wǎng)絡(luò)表示在時(shí)間片間的節(jié)點(diǎn)轉(zhuǎn)移概率。圖1為動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)圖。

圖1 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖

設(shè)N={n1,n2,…,nn}代表貝葉斯網(wǎng)絡(luò)的節(jié)點(diǎn)集合，用條件概率表示已知上一時(shí)刻，當(dāng)前時(shí)刻節(jié)點(diǎn)的概率分布[11]，即

(4)

其聯(lián)合概率分布為

P(N[0],N[1],…,N[t])=

(5)

2.2 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)推理模型構(gòu)建和狀態(tài)劃分

通過(guò)對(duì)車載外部傳感器和內(nèi)部傳感器信息進(jìn)行分析，提取其行為特征，得到影響車輛碰撞的因素既有人為因素(如駕駛員疲勞程度、駕駛員反應(yīng)時(shí)間、駕駛時(shí)間和駕駛艙內(nèi)的溫度等)，也有外界因素(如天氣、車輛與道路的附著系數(shù)等)。將以上各因素作為模型的節(jié)點(diǎn)變量集，然后將它們之間的依賴關(guān)系用有向弧表示出來(lái)，得到基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)特種車輛的前向推理預(yù)警模型的拓?fù)浣Y(jié)構(gòu)，如圖2所示。動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)可以直接反映出各節(jié)點(diǎn)變量之間的依賴關(guān)系。根據(jù)拓?fù)浣Y(jié)構(gòu)，確定節(jié)點(diǎn)的狀態(tài)集合如下：預(yù)警節(jié)點(diǎn)={高度預(yù)警，中度預(yù)警，安全}；天氣={良好，不好}；道路={干燥路面，下雨路面，積雪路面，結(jié)冰路面}；縱向相對(duì)距離={很危險(xiǎn)，危險(xiǎn)，危險(xiǎn)接近，安全}；反應(yīng)時(shí)間={長(zhǎng)，短}；駕駛時(shí)間={長(zhǎng)，短}；艙內(nèi)溫度={舒適，不舒適}；疲勞狀態(tài)={疲勞，正常}。

圖2 車輛防撞推理模型拓?fù)浣Y(jié)構(gòu)

3 仿真分析與推理模型對(duì)比

采用GeNIe軟件進(jìn)行仿真實(shí)驗(yàn)，與傳統(tǒng)貝葉斯網(wǎng)絡(luò)的車輛前向防撞預(yù)警模型進(jìn)行對(duì)比，驗(yàn)證基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的特種車輛的前向防撞推理模型的有效性。為保證網(wǎng)絡(luò)的有效性與準(zhǔn)確性，在實(shí)驗(yàn)過(guò)程中隨機(jī)選取時(shí)間段來(lái)對(duì)特種車輛前向防撞預(yù)警模型進(jìn)行仿真驗(yàn)證。特種車輛平均車速為30 km/h。

樣本1：{天氣良好，干燥路面，反應(yīng)時(shí)間短，艙內(nèi)溫度舒適，駕駛時(shí)間短}。

樣本2：{天氣不好，雨天路面，反應(yīng)時(shí)間短，艙內(nèi)溫度不舒適，駕駛時(shí)間長(zhǎng)}。

毫米波雷達(dá)探測(cè)的相對(duì)距離與相對(duì)速度的數(shù)據(jù)如表1所示。

表1 樣本數(shù)據(jù)

3.1 基于貝葉斯網(wǎng)絡(luò)的模型推理

基于貝葉斯網(wǎng)絡(luò)的車輛前向防撞預(yù)警模型，不考慮時(shí)間的變化過(guò)程，只能實(shí)現(xiàn)對(duì)當(dāng)次時(shí)刻下的信息推理。將樣本1和樣本2中的最后時(shí)刻的信息數(shù)據(jù)作為證據(jù)信息輸入并更新網(wǎng)絡(luò)，其貝葉斯網(wǎng)絡(luò)模型推理結(jié)果如圖3和圖4所示。

圖3 貝葉斯網(wǎng)絡(luò)模型推理結(jié)果(樣本1)

圖4 貝葉斯網(wǎng)絡(luò)模型推理結(jié)果(樣本2)

從圖3與圖4中看出，貝葉斯網(wǎng)絡(luò)模型對(duì)前方目標(biāo)障礙物的危險(xiǎn)預(yù)警概率分布如表2所示。樣本1中，貝葉斯網(wǎng)絡(luò)模型對(duì)前方障礙物的預(yù)警為中度預(yù)警，其值為0.66；樣本2中，貝葉斯網(wǎng)絡(luò)模型對(duì)前方障礙物的預(yù)警為車輛處于安全狀態(tài)，其值為0.50。

表2 貝葉斯網(wǎng)絡(luò)模型預(yù)警節(jié)點(diǎn)概率分布

3.2 基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的推理模型

動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)推理過(guò)程的實(shí)質(zhì)是根據(jù)確定的拓?fù)浣Y(jié)構(gòu)和觀測(cè)得到的證據(jù)信息計(jì)算目標(biāo)節(jié)點(diǎn)的概率分布。將傳感器探測(cè)的數(shù)據(jù)經(jīng)處理后得到節(jié)點(diǎn)變量的時(shí)序變化狀態(tài)，更新動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)狀態(tài)，并完成對(duì)網(wǎng)絡(luò)模型的推理。動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)相鄰時(shí)間片上的狀態(tài)轉(zhuǎn)移概率表如表3所示。

表3 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)狀態(tài)轉(zhuǎn)移概率表

根據(jù)樣本1中的數(shù)據(jù)信息可得駕駛員的平均疲勞程度為：λ=0.2448，則可計(jì)算得到車輛的安全防撞距離為：S=6.530 m，進(jìn)而獲知相對(duì)縱向距離節(jié)點(diǎn)的證據(jù)信息。根據(jù)樣本2中的數(shù)據(jù)信息可知當(dāng)前條件下駕駛員的平均疲勞程度為：λ=0.314，則可計(jì)算得到車輛的安全防撞距離為：S=7.522 m，進(jìn)而獲知相對(duì)縱向距離節(jié)點(diǎn)的證據(jù)信息。

根據(jù)樣本1可知，前方目標(biāo)與車輛間的相對(duì)速度為負(fù)值，說(shuō)明目標(biāo)在遠(yuǎn)離自車。但兩者之間相對(duì)速度的絕對(duì)值在減小，說(shuō)明遠(yuǎn)離的幅度在減小，且毫米波雷達(dá)探測(cè)到兩者之間的相對(duì)縱向距離也在不斷減小，說(shuō)明兩者仍是在不斷靠近，碰撞的風(fēng)險(xiǎn)也在不斷增加。圖5為樣本1車輛的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)推理模型。根據(jù)樣本2可知，由于天氣、道路條件、駕駛員行為特征不好，致使車輛的安全防撞距離變大，兩者之間的相對(duì)速度為負(fù)值，說(shuō)明車輛與目標(biāo)間在逐漸遠(yuǎn)離。雖然車輛與前向目標(biāo)的縱向距離在逐漸較少，但是減少的幅度在降低，說(shuō)明兩者發(fā)生碰撞的可能性不大。圖6為樣本2車輛的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)推理模型。

圖7為樣本1時(shí)間段內(nèi)模型推理得到的車輛碰撞風(fēng)險(xiǎn)概率分布。隨時(shí)間的變化，車輛安全的概率在不斷減小，中度預(yù)警的概率在增大，但在模型的最后時(shí)間片內(nèi)中度預(yù)警的概率增幅變緩，高度預(yù)警的概率分布增加，說(shuō)明車輛在時(shí)間序列上與前向目標(biāo)發(fā)生碰撞的風(fēng)險(xiǎn)一直在增大。圖8為樣本2下的車輛碰撞風(fēng)險(xiǎn)概率分布。從圖中可以看出車輛與前向目標(biāo)發(fā)生碰撞的風(fēng)險(xiǎn)很小。中度預(yù)警的概率隨時(shí)間的變化有一定的增長(zhǎng)，這是由于車輛與前向目標(biāo)的縱向距離雖然減小的幅度變緩，但仍在減小，所以車輛發(fā)生碰撞的可能性也在增長(zhǎng)。圖7與圖8中的3條曲線表示車輛碰撞風(fēng)險(xiǎn)概率分布，黃色表示車輛的安全預(yù)警、藍(lán)色表示中度預(yù)警、綠色表示高度預(yù)警。

圖5 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)防撞推理模型(樣本1)

圖6 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)防撞推理模型(樣本2)

圖7 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型推理結(jié)果(樣本1)

圖8 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型推理結(jié)果(樣本2)

在樣本1的時(shí)間段內(nèi)，基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的前向防撞推理模型和基于貝葉斯網(wǎng)絡(luò)的車輛防撞推理模型對(duì)目標(biāo)節(jié)點(diǎn)的預(yù)警概率均是中度預(yù)警，兩者對(duì)前向目標(biāo)的預(yù)警概率相差不大。在樣本2的時(shí)間段內(nèi)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)推理模型對(duì)車輛碰撞的中度預(yù)警結(jié)果僅為0.1264，而貝葉斯網(wǎng)絡(luò)前向預(yù)警模型的中度預(yù)警的概率為0.49。仿真實(shí)驗(yàn)中證明動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的前向防撞預(yù)警模型與實(shí)際駕駛行為更加一致。由此可以看出，靜態(tài)貝葉斯網(wǎng)絡(luò)只根據(jù)當(dāng)前時(shí)刻的信息對(duì)前方目標(biāo)的危險(xiǎn)程度預(yù)警，而基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的防撞推理模型可以對(duì)現(xiàn)在及以前時(shí)刻獲取的證據(jù)信息積累，對(duì)車輛前方目標(biāo)障礙物的危險(xiǎn)程度預(yù)警，與實(shí)際駕駛行為更加一致，具有更高的準(zhǔn)確度。

4 結(jié)束語(yǔ)

本文在對(duì)現(xiàn)有的車輛防撞理論分析的基礎(chǔ)上，從自然因素和駕駛員行為特征等方面對(duì)車輛碰撞風(fēng)險(xiǎn)進(jìn)行分析評(píng)價(jià)，構(gòu)建了基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的特種車輛前向防撞推理模型。通過(guò)對(duì)多場(chǎng)景的測(cè)試，驗(yàn)證了基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的模型能夠全面地反映車輛的碰撞風(fēng)險(xiǎn)，彌補(bǔ)了單一時(shí)刻對(duì)車輛碰撞風(fēng)險(xiǎn)評(píng)價(jià)的不足，具有更高的敏感度和準(zhǔn)確性，為提高特種車輛在復(fù)雜環(huán)境下訓(xùn)練或作戰(zhàn)時(shí)的安全駕駛提供最大軍事效益模型支持。