基于神經網絡的智能駕駛模式識別研究

吳毅 夏志平 陳軍源

（九江職業技術學院，九江 332007）

主題詞：智能駕駛 模式識別 神經網絡 開放道路試驗 智能網聯

1 前言

隨著智能駕駛的興起和主動安全技術的逐漸成熟，汽車高級駕駛輔助系統（Advanced Driving Assistance System，ADAS）在智能駕駛汽車上的應用越來越廣泛，目前，迫切需要用于ADAS功能研發和驗證的測試場景庫。在智能汽車駕駛模式識別、選擇、切換等方面：嚴利鑫等[1-2]基于危險態勢等級對智能汽車駕駛模式選擇進行標定，同時以車速、車頭時距、車道中心距離、前輪轉角標準差、駕駛經驗作為智能車模式決策的特征屬性；汪澎等[3]基于多源信息提出了一種車輛運行狀態識別體系。由于我國目前還沒有完備的主動安全測試場景庫，當前的主要任務在于ADAS 測試場景挖掘和分類。針對主機廠的大量自然駕駛數據的閑置問題，智能駕駛識別程序可以通過離線處理的方式對各類ADAS 測試場景進行模式識別與分類。

本文以自適應巡航控制（Adaptive Cruise Control，ACC）[4-8]、盲區監測（Blind Spot Monitoring，BSM）[9]、車道偏離預警（Lane Departure Warning，LDW）[10-14]系統的模式識別為例，針對智能駕駛汽車無法自主開啟相應的ADAS功能這一問題，設計了一種基于神經網絡的智能駕駛模式識別系統，使智能駕駛汽車針對特定場景自動開啟相應的ADAS功能。

2 數據采集

2.1 道路試驗設計

道路試驗時間為2019年3月10～24日，測試有效時間為14天，道路測試總里程為2 208.49 km，測試地點包括天津、河北、河南、安徽等地區。道路類型包括高速公路、國道、城市道路、鄉村道路等，其中，高速公路、國道、城市道路、鄉村道路的比例約為5∶2∶2∶1，測試天氣有晴天、陰天、雨天、霧霾天等，場景數據包括直道、彎道、十字路口、紅綠燈、人行橫道、橋梁、隧道、高速公路等場景和2種及以上的組合場景。

2.2 人員及試驗設備

共選取20名有無人駕駛經驗的男性安全輔助人員進行道路試驗，平均年齡為33.5歲，無人駕駛安全輔助年齡1～5年不等，無其他影響無人駕駛安全的因素。數據采集試驗設備包括一款B 級車、Brick 工控機、Mobileye攝像頭、ESR毫米波雷達、ibeo激光雷達及相關設備，如圖1所示。

圖1 感知傳感器

2.3 獲取的原始數據

道路測試的數據采集記錄軟件選擇德國VECTOR公司的CANape 17.0，如圖2所示，原始數據包括車輛前向及左、右后方的視頻數據和感知傳感器探測到的位置、速度、相對速度等信息。

圖2 原始數據采集

3 神經網絡識別模型

智能駕駛模式受到多種因素的非線性影響，無法用單一的數學公式描述，因此本文使用人工神經網絡（Artificial Neural Networks，ANN）設計一款智能駕駛模式識別程序，以實現ACC、BSM、LDW等ADAS功能場景的模式識別。神經網絡以大量的自然駕駛數據特征參數作為輸入、輸出對，學習各類ADAS場景位置、約束等的特征參數，實現智能駕駛汽車的模式識別功能。

3.1 隱含層神經元數量選擇

神經網絡輸入層的神經元數量計算過程為：

式中，n1為隱含層神經元數量；n2為輸入層神經元數量；m為隱含層單元數量；a∈[1～10]為調節常數。

3.2 神經網絡的訓練方法選擇

常用的神經網絡訓練方法包括梯度下降法、牛頓算法、共軛梯度法、準牛頓法和Levenberg-Marquardt（L-M）算法。將模型參數和數據量進行對比，結果表明L-M算法的收斂速度比其他算法快幾倍到幾十倍。

L-M算法的權重更新公式為：

式中，ΔW為權重；J為雅可比的加權系數矩陣；I為單位矩陣；u為加權系數。

3.3 學習效率

神經網絡學習效率過大會導致收斂過快，并在極值點附近產生不穩定振蕩，過小會導致神經網絡的訓練速度過慢，經過多次試驗驗證，學習效率選擇0.05效果最好。

3.4 神經網絡訓練結果

圖3所示為神經網絡模型，以感知傳感器獲取的交通環境信息和CAN 總線信息為輸入，通過神經網絡對車輛的位置和運動狀態進行判斷，從而實現智能駕駛汽車的駕駛模式識別。

圖3 神經網絡模型

由于駕駛行為的學習需要大量數據，最終在10～70 km/h 的速度區間截取了4 886 個場景數據，其中ACC 場景1 863 個，BSM 場景2 046 個，LDW 場景977個。以ACC 功能識別為例，以本車速度v、相對距離R、相對速度vr、本車與車道線的距離L作為輸入變量，輸出變量為各智能駕駛模式識別的判斷結果。訓練一個20層的神經網絡，樣本數據按70%∶15%∶15%的比例分為訓練樣本、測試樣本、仿真樣本。

4 識別模型的裝載

為了將基于神經網絡的ADAS 功能識別模型裝載到智能駕駛汽車上，并與設置的開關按鈕進行關聯匹配，使用有限狀態機（Finite State Machine）識別輸入信號并輸出當前所屬狀態。該系統將目標可觸發功能類型以判別信號的形式輸送到車端（VECTOR 工控機）作為輸入信號，輸出的功能狀態包括功能關閉、功能待機、功能激活、故障和場景識別5個部分，如圖4所示。打開功能開關，系統由功能關閉狀態進入功能待機狀態，接收到可疑觸發信號功能激活，并對信號進行分類。

圖4 狀態機識別模型裝載

5 智能駕駛識別程序設計

本文設計的智能駕駛模式識別程序通過感知傳感器獲取真實的交通環境信息，經過數據的預處理，對當前場景所屬的ADAS 功能場景進行模式識別。L2 級別智能駕駛汽車包含眾多的ADAS 功能，本文以ACC、BSM、LDW 的模式識別為例，設計ADAS 場景識別程序。ADAS場景挖掘程序由數據采集模塊、目標檢測模塊、ADAS場景識別模塊組成。

5.1 數據采集模塊

數據采集模塊通過檢測目標與本車的相對空間位置坐標實現目標的檢測和空間坐標定位，如圖5 所示。定義車道位置輔助系數r，確定目標的車道位置對應系數值。

模塊的輸入量包括目標與本車的相對距離R、目標與本車的偏航角θ和車道線位置，可通過毫米波雷達、角毫米波雷達和攝像頭進行數據采集。模塊的輸出量為目標與本車的車頭縱向間距Ry=Rcosθ、橫向距離Rx=Rsinθ、車道位置輔助系數r、車頭間距輔助系數k，目標車的車道位置可由攝像頭提供的車道線位置（右側為正值，左側為負值）進行判定。橫向距離介于左、右車道線之間，標記為r=0；橫向距離大于右車道線，標記為r=1；橫向距離小于左車道線，標記為r=-1。當目標位于自車前方時，k=1；當目標位于自車后方時，k=-1。

圖5 數據采集模塊

5.2 目標檢測模塊

目標檢測模塊以目標車輛的車道位置輔助系數和車頭間距輔助系數為依據，分別篩選出觸發ACC、BSM、LDW功能的可疑目標車輛，對當前時刻和延遲時刻（根據ADAS 功能類型確定）的狀態進行數據關聯，判定場景所屬ADAS 功能類型，從而實現對相應ADAS 功能目標車的篩選，如圖6所示。

圖6 目標檢測模塊

模塊的輸入量為目標的車道位置輔助系數r和車頭間距輔助系數k，通過對當前時刻狀態和延遲時刻的輔助系數r1和k1進行數據關聯，預測狀態值的變化趨勢，對最可疑的觸發目標進行分類并監測。場景分類如表1 所示，將ADAS 狀態目標（obj_status）分為ACC 目標、BSM目標、LDW目標。

5.3 ADAS場景識別模塊

ADAS 場景識別模塊利用前文搭建的神經網絡識別模型對系統包含的3 類ADAS 功能進行模式識別[15]。其中：ACC 功能的可疑目標經過神經網絡的模式識別后，增加車頭時距tTHW（取值范圍為0～5 s）作為跟車的輔助判別標準；BSM 功能的識別以速度v[16]、相對距離R、相對速度vr為神經網絡的輸入，進行模式識別后，增加對預警時間（目標車輛進入盲區邊界的初始時間）、左右側的判定，如圖7所示。

表1 ADAS功能場景分類

圖7 BSM決策算法模塊

左側BSM識別：

右側BSM識別：

式中，xobj為目標車的橫向位置；ll、lr分別為本車所在車道左、右側車道線位置。

LDW功能的識別依據不同的道路條件分為一級變道（結構性道路）和二級變道（非結構性道路），如圖8所示：針對一級變道，以Mobileye ME630 提供的車道線位置、橫向速度、橫向加速度作為神經網絡的輸入[16-19]；對于沒有車道線或車道線缺失的二級變道，利用ESR毫米波雷達設計群車檢測識別，通過橫向毫米波的64 個目標與本車的橫向偏移進行識別，橫向偏移為：

本車與80%以上毫米波雷達探測目標發生相同橫向偏移，即大部分偏移曲線重合，程序識別為二級變道。

圖8 LDW決策算法模塊

6 智能駕駛模式識別程序驗證

圖9所示為某段ACC場景，作為駕駛模式識別的示例。圖9a 為車輛由右側車道向左側車道變道，場景模式ACC 跟車的識別值由0 變為1，圖9b～圖9i 為一段跟車過程，圖9i 為車輛向右側變道跟車結束，場景模式ACC跟車的識別值由1變為0。

圖9 ACC跟車場景識別示例

ACC跟車模式識別過程中，輸入信號和識別結果信號如圖10 所示，程序對于片段的識別結果符合實際要求，為了檢驗程序在實際道路試驗中的識別率，分別對ACC、BSM、LDW功能各選擇一段行程進行驗證。

圖10 ACC跟車場景識別示例信號

6.1 ACC場景識別結果

ACC 場景模式識別測試結果如圖11 所示，測試行程共識別出284個跟車場景，198個被跟車場景，其中程序漏判定0次，誤判定0次。

圖11 ACC功能測試結果

6.2 BSM場景識別結果

BSM 場景模式識別測試結果如圖12 所示，測試行程共識別出228 個左后方來車場景，355 個右后方來車場景，其中程序漏判定0次，誤判定0次。

6.3 LDW場景識別結果

LDW 場景模式識別測試結果如圖13 所示，測試行程共識別出182個左變道場景，195個右變道場景，其中程序漏判定2 次，分析其失效原因為車道線模糊致Mobileye ME630無法識別，誤判定0次。

圖12 BSM功能測試結果

圖13 LDW功能測試結果

由上述開放道路測試結果可知，程序共識別ACC場景482 個，BSM 場景583 個，LDW 場景377 個，模式識別的準確率達到99.86%，具有較好的工作效果。

7 結束語

針對主機廠現有道路測試數據無法準確驗證ADAS 功能觸發和結束的現狀，本文對各類ADAS 功能的觸發和穩定控制約束條件開展研究，設計了一款智能駕駛模式識別程序。該程序利用神經網絡分別對ACC、BSM、LDW 場景的特征信息進行學習，獲得ADAS 場景模式識別程序，并通過相關特征信息對各類場景進行實時監測識別。開放道路測試驗證結果表明，本文設計的智能駕駛模式識別程序能準確預測ADAS 場景的駕駛模式，識別準確率達到99.86%，可為汽車ADAS 功能主動觸發的研發和試驗驗證提供有效參考。