基于譜聚類分析的跟車安全性能研究

付會(huì)通　裴志豪　劉興亮　劉世東　張亞軍

摘? 要：針對(duì)智能駕駛系統(tǒng)安全性的需求，提出了一種對(duì)神經(jīng)網(wǎng)絡(luò)的虛擬駕駛員跟車安全等級(jí)評(píng)估的方法。以大量的自然駕駛數(shù)據(jù)為基礎(chǔ)，利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)駕駛員的駕駛行為，獲得具有駕駛員駕駛習(xí)慣的虛擬駕駛員跟車模型，通過(guò)開(kāi)放道路測(cè)試的方式對(duì)系統(tǒng)進(jìn)行驗(yàn)證，并使用蒙特卡羅方法對(duì)虛擬駕駛員跟車的安全等級(jí)進(jìn)行評(píng)估，通過(guò)對(duì)比得出安全等級(jí)。本文對(duì)基于神經(jīng)網(wǎng)絡(luò)的虛擬駕駛員跟車模型行為進(jìn)行了評(píng)估，結(jié)果表明，虛擬駕駛員模型能準(zhǔn)確地模擬待評(píng)估對(duì)象的駕駛行為，其駕駛數(shù)據(jù)十分接近自然駕駛數(shù)據(jù)，安全等級(jí)幾乎與自然駕駛數(shù)據(jù)一致。

關(guān)鍵詞：虛擬駕駛員跟車;神經(jīng)網(wǎng)絡(luò);開(kāi)放道路試驗(yàn);蒙特卡羅方法

中圖分類號(hào)：U461?? 文獻(xiàn)標(biāo)識(shí)碼：A

1? 前言

隨著智能駕駛技術(shù)的興起和主動(dòng)安全技術(shù)的成熟，越來(lái)越多的智能駕駛汽車迫切需求更為安全的虛擬駕駛員，由于目前主動(dòng)安全技術(shù)并不像被動(dòng)安全技術(shù)那樣完善，還沒(méi)有得到廣泛認(rèn)可的評(píng)價(jià)測(cè)試方法[1]。目前，智能駕駛系統(tǒng)的測(cè)試及評(píng)估方法主要分為：智能駕駛開(kāi)放道路測(cè)試、智能駕駛封閉場(chǎng)地測(cè)試、蒙特卡羅仿真。

開(kāi)放道路測(cè)試的評(píng)價(jià)體系旨在搭建測(cè)試場(chǎng)景庫(kù)（FOT），讓駕駛員駕駛裝有數(shù)采設(shè)備的智能車輛，進(jìn)行長(zhǎng)時(shí)間、寬領(lǐng)域、多場(chǎng)景的數(shù)據(jù)采集。例如歐洲的Euro-FOT，收入了歐洲數(shù)千萬(wàn)公里的駕駛數(shù)據(jù)，我國(guó)目前最完善的場(chǎng)景庫(kù)為同濟(jì)大學(xué)的China-FOT，由于我國(guó)交通異常復(fù)雜，智能駕駛開(kāi)放道路測(cè)試及數(shù)據(jù)采集工作困難重重，僅完成了12.9萬(wàn)公里的數(shù)據(jù)采集。智能駕駛封閉場(chǎng)地測(cè)試多用于AEB測(cè)試，如Euro-NCAP將其分為：前方車輛靜止CCRs、前方車輛低速前行CCRm、前方車輛緊急制動(dòng)CCRb。蒙特卡羅方法是目前虛擬仿真的評(píng)估的主要方式，Kondoh[2]提出使用 TTC 的倒數(shù)與 THW 倒數(shù)的加權(quán)和來(lái)表征危險(xiǎn)。李霖[3]在使用 1/TTC 作為跟車場(chǎng)景危險(xiǎn)評(píng)價(jià)指標(biāo)的同時(shí)使用期望減速來(lái)描述穩(wěn)定跟車工況時(shí)的危險(xiǎn).

本文提出了一種虛擬駕駛員跟車的蒙特卡羅仿真評(píng)價(jià)方法，依據(jù)大量自然駕駛數(shù)據(jù)，以TTC和THW作為評(píng)價(jià)指標(biāo)，通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)仿真結(jié)果與真實(shí)數(shù)據(jù)的對(duì)比分析，對(duì)虛擬駕駛員跟車的安全等級(jí)做出評(píng)價(jià)。結(jié)果表明，學(xué)習(xí)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)能準(zhǔn)確地模擬出駕駛員的駕駛行為。

2. 安全等級(jí)評(píng)價(jià)體系

隨著主動(dòng)安全技術(shù)的發(fā)展，周期長(zhǎng)、耗費(fèi)高、需要大量人力物力的開(kāi)放道路試驗(yàn)越來(lái)越不能滿足各大主機(jī)廠的測(cè)試評(píng)估需要。為了加速智能駕駛系統(tǒng)的評(píng)價(jià)評(píng)估，本文提出了一種使用蒙特卡羅方法的虛擬駕駛員跟車安全等級(jí)評(píng)估方法。

2.1智能駕駛系統(tǒng)評(píng)價(jià)參數(shù)

本文提出的虛擬駕駛員跟車安全等級(jí)評(píng)估模型，采用最小車頭時(shí)距（THW）和最小即時(shí)碰撞時(shí)間（TTC）作為的評(píng)價(jià)參數(shù)，通過(guò)劃分不同等級(jí)實(shí)現(xiàn)跟車的安全等級(jí)評(píng)估，具體等級(jí)劃分如下：

（1）最小車頭時(shí)距：根據(jù)文獻(xiàn)[3-5]的研究成果，將車頭時(shí)距5s作為區(qū)別自由駕駛和跟車行為的閾值，最小車頭時(shí)距的安全等級(jí)劃分如表1所示。

（2）最小即時(shí)碰撞時(shí)間：參照文獻(xiàn)[3-5]的研究成果，將最小即時(shí)碰撞時(shí)間進(jìn)行等級(jí)劃分，如表1所示。

2.2?? 安全等級(jí)評(píng)估模型

聯(lián)合CANape和simulink軟件進(jìn)行二次開(kāi)發(fā)，對(duì)虛擬駕駛員跟車的安全等級(jí)評(píng)估模型進(jìn)行搭建，模型裝載于VECTOR工控機(jī)中，配合跟車場(chǎng)景挖掘程序，可以實(shí)時(shí)獲得來(lái)自傳感器和車輛總線傳遞的跟車數(shù)據(jù)。使用安全等級(jí)評(píng)估模型通過(guò)評(píng)估具有時(shí)間序列的跟車最小THW和最小TTC等參數(shù)，對(duì)比神經(jīng)網(wǎng)絡(luò)的THW和TTC預(yù)測(cè)值對(duì)跟車的安全等級(jí)進(jìn)行劃分。依據(jù)3.1中劃分的5個(gè)等級(jí)，以THW和TTC的最低等級(jí)作為跟車安全等級(jí)K，其等級(jí)由低到高依次為：1級(jí)（非常危險(xiǎn)），2級(jí)（較為危險(xiǎn)），3級(jí)（一般安全），4（較為安全），5級(jí)（非常安全）。

該方法結(jié)合蒙特卡羅隨機(jī)模擬和開(kāi)放道路測(cè)試等方法的優(yōu)點(diǎn)，利用道路測(cè)試獲取大量的自然駕駛數(shù)據(jù)，將隨機(jī)跟隨目標(biāo)的TTC和THW等級(jí)作為跟車的安全等級(jí)評(píng)估的統(tǒng)計(jì)量。

2.3? 開(kāi)放道路測(cè)試

為了驗(yàn)證虛擬駕駛員跟車的實(shí)際應(yīng)用情況，采用開(kāi)放道路測(cè)試的方式，對(duì)其進(jìn)行整車在環(huán)、硬件在環(huán)測(cè)試，測(cè)試時(shí)間為2019年1月18日到2019年1月26日，測(cè)試行駛里程為3077km，測(cè)試地包括天津、石家莊、濟(jì)南、南京、武漢、重慶、成都等。試驗(yàn)車為一款 B級(jí)車，數(shù)據(jù)采集設(shè)備有激光雷達(dá)和毫米波雷達(dá)，用于監(jiān)測(cè)目標(biāo)位置、姿態(tài)等信息;mobileye用于采集道路信息（車道線位置）和識(shí)別目標(biāo)車輛信息;VECTOR工控機(jī)，負(fù)責(zé)收集記錄數(shù)據(jù)以及數(shù)據(jù)的后處理。

本次開(kāi)放道路測(cè)試采集跟車場(chǎng)景兩千余例，限于篇幅原因，展示三段駕駛行程的駕駛場(chǎng)景安全等級(jí)評(píng)估和智能駕駛模型的跟車安全等級(jí)評(píng)估對(duì)比分析，如表2所示。為保障測(cè)試安全，測(cè)試車輛由真人駕駛，智能駕駛系統(tǒng)的駕駛數(shù)據(jù)由傳感器采集數(shù)據(jù)計(jì)算獲得。測(cè)試車輛配有全套數(shù)采設(shè)備，智能駕駛系統(tǒng)的輸入本車速度和本車加速度由CAN總線輸入工控機(jī)，車頭間距和相對(duì)速度由毫米波雷達(dá)采集并實(shí)時(shí)輸入。智能駕駛系統(tǒng)輸出的下一時(shí)刻預(yù)測(cè)的本車與目標(biāo)車的車頭間距，原始數(shù)據(jù)和智能駕駛系統(tǒng)仿真模擬數(shù)據(jù)如圖3-5所示。

2.4?? 開(kāi)放道路測(cè)試安全等級(jí)評(píng)價(jià)結(jié)果

如圖3所示，行程1的行駛工況為城市道路，總時(shí)長(zhǎng)為58分鐘，輸出參數(shù)包括駕駛員跟車安全等級(jí)K和虛擬駕駛員安全等級(jí)K_pre。經(jīng)過(guò)人工復(fù)查及對(duì)比分析，發(fā)現(xiàn)虛擬駕駛員跟車與真實(shí)駕駛員跟車安全等級(jí)完全一致。

如圖4所示，行程2的行駛工況為高速公路，總時(shí)長(zhǎng)為3小時(shí)15分，輸出參數(shù)包括駕駛員跟車安全等級(jí)K和虛擬駕駛員安全等級(jí)K_pre。經(jīng)過(guò)人工復(fù)查及對(duì)比分析，發(fā)現(xiàn)虛擬駕駛員跟車與真實(shí)駕駛員跟車安全等級(jí)幾乎一致，僅有1次不同（毫米波雷達(dá)異常切換目標(biāo)）。

如圖5所示，行程3的行駛工況為夜間城市道路，總時(shí)長(zhǎng)為32分鐘，輸出參數(shù)包括駕駛員跟車安全等級(jí)K和虛擬駕駛員安全等級(jí)K_pre。經(jīng)過(guò)人工復(fù)查及對(duì)比分析，發(fā)現(xiàn)虛擬駕駛員跟車與真實(shí)駕駛員跟車安全等級(jí)完全一致。

結(jié)束語(yǔ)

本文利用神經(jīng)網(wǎng)絡(luò)建立虛擬駕駛員縱向跟車模型，經(jīng)過(guò)驗(yàn)證發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)輸出的車頭間距與真實(shí)數(shù)據(jù)存在較小誤差，誤差在可接受范圍內(nèi)，而THW和TTC的曲線與真實(shí)數(shù)據(jù)幾乎完全吻合，可以利用神經(jīng)網(wǎng)絡(luò)輸出的THW和TTC對(duì)跟車進(jìn)行安全等級(jí)評(píng)估。

本文以THW和TTC作為跟車安全等級(jí)的評(píng)價(jià)參數(shù)，聯(lián)合CANape和simulink進(jìn)行二次開(kāi)發(fā)，設(shè)計(jì)一款使用蒙特卡羅方法的虛擬駕駛員跟車安全等級(jí)評(píng)估系統(tǒng)，通過(guò)道路測(cè)試對(duì)系統(tǒng)進(jìn)行驗(yàn)證，結(jié)果表明虛擬駕駛員的安全等級(jí)與真實(shí)數(shù)據(jù)的安全等級(jí)完全一致。

參考文獻(xiàn)

[1]? Zhiyuan Huang，Ding Zhao，Henry Lam，et al. Accelerated Evaluation of Automated Vehicles Using Piecewi-se Mixture Models[J]. IEEE Transac-tions on Intelligent Transportation Systems，2018，19（9）：2845-2855.

[2]? Kondoh T，Yamamura T，Kitazaki S，et al.Identif-ication of visual cues and quantification of drivers perce-ption of proximity risk to the lead vehicle in car-fol-lowing situations[J]Journal of Mechanical Systemsfor Transportation and Logistics，2008 1（2）：170-180

[3]? 李霖，賀錦鵬，劉衛(wèi)國(guó).基于駕駛員緊急制動(dòng)行為特征的危險(xiǎn)估計(jì)算法[J].同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，42（1）：109-114.

[4]? 《中國(guó)公路學(xué)報(bào)》編輯部.中國(guó)汽車工程學(xué)術(shù)研究綜述·2017[J].中國(guó)公路學(xué)報(bào)，2017，3006：1-197.

[5]? 曾翔宇.基于數(shù)據(jù)挖掘的列車智能駕駛模型研究[D].北京交通大學(xué)，2014.