駕駛員縱向制動模型的研究

范天賜，沈夏威，彭菊生

（湖州職業(yè)技術(shù)學(xué)院，浙江 湖州 313000）

引言

現(xiàn)階段，國內(nèi)ADAS系統(tǒng)種類較多，功能各異，如夜視系統(tǒng)（Night Vision, NV）、自適應(yīng)燈光控制系統(tǒng)（Adaptive Light Control, ALC）、自動泊車系統(tǒng)（Automatic Parking, AP）等，但車輛上配置最多、應(yīng)用最廣的ADAS系統(tǒng)仍是以縱向速度控制輔助類為主的自適應(yīng)巡航系統(tǒng)（Adaptive Cruise Control, ACC）、前碰撞預(yù)警系統(tǒng)（Front Collision Warning, FCW）及自動緊急剎車系統(tǒng)（Autonomous Emergency Braking, AEB）。國內(nèi)速度控制類ADAS系統(tǒng)得到廣泛應(yīng)用的原因，除去市場營銷因素外，更多的是因?yàn)樽肺彩鹿试谥袊甙l(fā)。據(jù)統(tǒng)計(jì)，追尾碰撞事故，是繼兩輪車事故、側(cè)面碰撞事故后中國道路交通環(huán)境中發(fā)生頻次第三高的碰撞形式，同時由于追尾時較大的碰撞車速及速度差，以及碰撞相容性的巨大差異，此類事故往往會帶來嚴(yán)重的車輛損傷及車內(nèi)外人員的傷亡[1]。縱向速度控制類ADAS系統(tǒng)，由于可以實(shí)現(xiàn)正常行駛工況下車速控制，危險(xiǎn)時發(fā)出警報(bào)，并主動介入來彌補(bǔ)駕駛員反應(yīng)及操作的不及時，從而有效地避免碰撞事故的發(fā)生，達(dá)到降低追尾碰撞類事故帶來的傷害效果，受到國內(nèi)汽車行業(yè)的普遍認(rèn)可并得到廣泛應(yīng)用。現(xiàn)階段的ADAS測試及評價方法主要由三個關(guān)鍵環(huán)節(jié)組成：測試場景、駕駛員模型、測試目標(biāo)物。相比于其他電子系統(tǒng)的測試，ADAS性能不僅取決于其自身電子控制系統(tǒng)，同時與系統(tǒng)所在的車輛特性、道路環(huán)境、駕駛員操作行為緊密相關(guān)，人、車、路、環(huán)境四個因素構(gòu)成閉環(huán)系統(tǒng)，缺一不可。而駕駛員作為系統(tǒng)中最不穩(wěn)定的因素，駕駛員的不同行為會對系統(tǒng)的穩(wěn)定性造成較大影響。因此，在ADAS系統(tǒng)開發(fā)過程中，充分研究駕駛員模型，將對改善系統(tǒng)穩(wěn)定性、提高系統(tǒng)應(yīng)用在真實(shí)道路環(huán)境下的效用性具有重要意義。

Gipps根據(jù)牛頓運(yùn)動學(xué)定律探尋特定的跟馳距離經(jīng)典[2]，以安全跟車距離作為建模原理，該模型具有具體的數(shù)學(xué)表達(dá)式且各個參數(shù)均有物理含義，但是該模型整體穩(wěn)定性欠佳，對于部分極限工況存在失效情況。美國通用汽車研究實(shí)驗(yàn)室的研究員Gazis、Herman和Rothery提出GHR駕駛員模型[3]，該模型是一種非線性跟車模型，以尋求刺激—反應(yīng)之間的關(guān)系作為基本思想，基于前車速度、兩車相對速度、兩車相對距離和駕駛員反應(yīng)時間輸出本車的加速度，從而進(jìn)行車輛的控制，但該模型中駕駛員反應(yīng)時間為定值，模型整體的實(shí)用性較弱。Michaels提出的生理-心理跟馳模型中[4]，后車駕駛員通過接受前車在其視覺中投影角變化的刺激，感知兩車相對速度的變化，一旦超過閾值，駕駛員將選擇制動減速，直至相對速度恢復(fù)到閾值之上，該模型中對于最終閾值的定義非常重要，由于對閾值取值的不同，模型的適用性會發(fā)生比較大的變化。Kikuchi和Carkroborty[5]運(yùn)用模糊控制理論，將傳統(tǒng)GM模型中的Δx、Δv、an-1等參數(shù)進(jìn)行模糊化從而進(jìn)一步研究跟馳模型，該方法定義了三個彼此相關(guān)的模糊輸入集，分別對應(yīng)Δx、Δv、an-1三個參數(shù)，基于模糊控制理論改進(jìn)的模型提高了模型局部穩(wěn)定性，可以在一定程度上預(yù)測駕駛員的各種操作，但也存在一定的缺陷，如Δx的系數(shù)很難精確得到等。高振海等人基于預(yù)瞄跟隨理論建立了駕駛員最優(yōu)預(yù)瞄縱向加速度模型[6]，該模型以預(yù)瞄跟隨理論為基礎(chǔ)，考慮了駕駛員滯后特性和車輛動力學(xué)系統(tǒng)非線性特性的因素，通過油門和制動踏板控制車速變化，反映了駕駛員對車速的控制 行為，該模型易受交通條件的變化，使得模型預(yù)測的準(zhǔn)確度降低。

本文提出了一種基于中國自然駕駛數(shù)據(jù)，運(yùn)用動態(tài)神經(jīng)網(wǎng)絡(luò)建立駕駛員制動模型的方法。首先，在中國5個城市11輛車上安裝數(shù)據(jù)采集系統(tǒng)，開展自然駕駛試驗(yàn)，并在1年的試驗(yàn)期間不間斷地采集駕駛員的日常駕駛數(shù)據(jù)。其次，通過設(shè)定數(shù)據(jù)處理閾值等方法，從中篩選獲得本文研究工況下的駕駛員基于時間序列的制動行為數(shù)據(jù)，即樣本工況，并運(yùn)用攝像頭圖像處理及二維場景重建等方法，獲取此工況下的關(guān)鍵參數(shù)，如前車速度時間序列、相對距離時間序列等。最后，以處理后的樣本工況為數(shù)據(jù)基礎(chǔ)，運(yùn)用動態(tài)神經(jīng)網(wǎng)絡(luò)建立了駕駛員制動模型，為縱向速度控制類ADAS系統(tǒng)在中國道路交通環(huán)境下的優(yōu)化及效用評價提供技術(shù)支持。

1 駕駛員緊急制動工況獲取及參數(shù)處理

1.1 研究工況篩選

通過在上海、成都、昆明、濟(jì)南、呼倫貝爾等地的駕駛員車輛上安裝數(shù)據(jù)采集設(shè)備，設(shè)置“觸發(fā)閾值”來篩選獲得研究所需場景數(shù)據(jù)，本研究中采用的觸發(fā)閾值為X、Y、Z三個方向的加速度值，在設(shè)定閾值前，測試了試驗(yàn)車輛以10～60 km/h行駛時的正常制動、緊急制動、正常轉(zhuǎn)彎、急轉(zhuǎn)彎以及過減速帶的三向加速度值。通過分析將最終的加速度觸發(fā)閾值設(shè)定為：縱向加速度值0.3 g，橫向加速度值0.3 g，垂向加速度值0.5 g。

本文所需的研究工況為穩(wěn)定跟車行駛狀態(tài)下，前車駕駛員突然制動對本車造成危險(xiǎn)的工況，根據(jù)美國高速公路安全管理局（National Highway Traffic Safety Administration, NHTSA）于2007年發(fā)布的碰撞前場景分類方法[7]，將危險(xiǎn)工況分為37類，每一類描繪了碰撞前環(huán)境狀況、車輛運(yùn)動狀態(tài)以及沖突原因等信息，其中涉及縱向危險(xiǎn)工況的有9類，如表1所示：

表1 縱向危險(xiǎn)工況（續(xù)）

表1 縱向危險(xiǎn)工況

根據(jù)工況需求，選取第25類工況作為研究工況，并依據(jù)上述工況標(biāo)準(zhǔn)進(jìn)行分類。本文中的自然駕駛試驗(yàn)從2015年12月31日開始實(shí)施，截至2016年10月1日，總計(jì)采集此類工況151例，經(jīng)過主觀篩選，去除掉誤觸發(fā)及危險(xiǎn)程度不高的工況，最后得到100例工況作為本研究的樣本工況。其中按區(qū)域劃分，上海地區(qū)采集到的工況最多，為49例，其后依次是昆明29例，濟(jì)南10例，成都9例，呼倫貝爾3例。

1.2 基于單目視覺傳感器的工況特征參數(shù)處理

單目視覺傳感器可以實(shí)現(xiàn)將采集到的真實(shí)三維場景呈現(xiàn)在二維圖像上，而三維場景中的每一個點(diǎn)與圖像上的對應(yīng)點(diǎn)都存在著一個數(shù)學(xué)對應(yīng)模型，即單目視覺傳感器成像模型[8]，工況特征參數(shù)處理即以成像模型為基礎(chǔ)，具體步驟如下：

1.2.1 成像模型標(biāo)定[9]

模型的標(biāo)定包括線性模型標(biāo)定及非線性模型標(biāo)定，線性模型即小孔成像模型，模型建立的實(shí)質(zhì)是完成現(xiàn)實(shí)世界三維場景中的點(diǎn)到二維圖像平面的投影，該投影過程即不同坐標(biāo)系之間的轉(zhuǎn)換過程，該標(biāo)定過程在設(shè)備安裝過程中完成。

非線性模型標(biāo)定即為了獲得準(zhǔn)確的成像模型去除圖像畸變的過程，通過Matlab軟件中的Calibration-Toolbox工具箱實(shí)現(xiàn)，圖像對比如圖1所示。

圖1 標(biāo)定前后效果對比

1.2.2 二維場景重建

二維場景重建，即實(shí)現(xiàn)二維圖像中地面標(biāo)記點(diǎn)像素坐標(biāo)與世界坐標(biāo)之間對應(yīng)關(guān)系的過程。基于Matlab軟件編寫的二維場景重建軟件界面如圖2所示，只需將特征點(diǎn)的相對二維坐標(biāo)輸入界面并選取相應(yīng)的特征點(diǎn)，即可求出所用單目視覺傳感器的線性模型參數(shù)[10]。

圖2 二維場景創(chuàng)建軟件界面

1.2.3 特征參數(shù)求解

工況參數(shù)包括本車行駛速度、本車與目標(biāo)車輛相對距離、目標(biāo)車輛速度、加速度及TTC，基于上述二維場景重建方法獲取的目標(biāo)間空間位置關(guān)系，利用各參數(shù)物理意義及幾何關(guān)系便可求得工況參數(shù)。通過將二維場景重建方法獲得數(shù)據(jù)與實(shí)際數(shù)據(jù)進(jìn)行對比，測量點(diǎn)縱向距離在25 m之內(nèi)，誤差小于5%。

駕駛員緊急制動行為分析及車速控制模型的研究，不僅需要定量化的工況特征參數(shù)，還需要相關(guān)場景信息，如道路環(huán)境、駕乘人員情況等。在處理100例樣本工況的特征參數(shù)后，從每一例樣本工況的視頻信息中提取場景信息，場景信息包括環(huán)境參數(shù)信息、運(yùn)動參數(shù)信息。

其中環(huán)境參數(shù)信息為：

（1）環(huán)境信息：時間（白天/夜晚）、路口（是/否）、高速道路（是/否）。

（2）沖突信息：前車類型（轎車/SUV/大型客貨車）、是否有轉(zhuǎn)向避讓可能性（是/否）。

（3）車內(nèi)駕乘信息：副駕駛是否有乘客（是/否）、駕駛員是否交談（是/否）、駕駛員是否聽廣播或音樂（是/否）。

其中運(yùn)動參數(shù)信息為：

（1）本車信息：本車速度（km/h）、本車加速度（g）。

（2）前車信息：前車速度（km/h）。

（3）沖突信息：兩車相對距離（m）、TTC（s）、THW（s）。

2 基于NARX神經(jīng)網(wǎng)絡(luò)的駕駛員制動模型建立

2.1 神經(jīng)網(wǎng)絡(luò)模型搭建

本文選用前車速度V及兩車縱向相對距離d作為輸入變量，本車速度作為輸出變量。選用學(xué)習(xí)能力及泛化能力較為出色的神經(jīng)元數(shù)量為5，延時階數(shù)d=1，建立的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示。

圖3 NARX神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

由于采集到的三個特征參數(shù)變量本身就處于同一數(shù)量級（兩車距離單位為m，車輛速度單位為m/s），因此無須進(jìn)行樣本歸一化處理[11]。根據(jù)本文對駕駛員制動模型的定義，選取每一例樣本中駕駛員從制動開始到結(jié)束期間內(nèi)三個變量的時間序列作為樣本數(shù)據(jù)，其中樣本時間步長為0.3 s（數(shù)據(jù)采集設(shè)備設(shè)定），平均每一例樣本中制動序列的總步長在2～3 s之間，樣本總計(jì)100例。本文將樣本分為三類，訓(xùn)練樣本、測試樣本及驗(yàn)證樣本，使用Matlab隨機(jī)分類算法按70%、15%、15%的比例隨機(jī)分類，其中驗(yàn)證樣本用來控制訓(xùn)練樣本的訓(xùn)練程度，在以訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò)的過程中，不斷地以驗(yàn)證樣本代入網(wǎng)絡(luò)進(jìn)行驗(yàn)證，若精度達(dá)到了設(shè)定的要求即可以停止訓(xùn)練。

2.2 學(xué)習(xí)算法確定

本文中神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法使用的是L-M算法，該算法屬于最優(yōu)算法的一種，兼具牛頓法和梯度法的優(yōu)點(diǎn)，學(xué)習(xí)速度較快，其連接權(quán)重的調(diào)整速率為：

其中：e為網(wǎng)絡(luò)的誤差向量；J為網(wǎng)絡(luò)誤差對連接權(quán)重的倒數(shù)的雅可比矩陣；μ為自適應(yīng)調(diào)整標(biāo)量。

在網(wǎng)絡(luò)訓(xùn)練過程中，L-M算法通過對比目標(biāo)值和網(wǎng)絡(luò)預(yù)測值之間的差異從而不斷地修正隱含層權(quán)值進(jìn)行迭代，并以驗(yàn)證樣本的均方誤差值（MSE）作為訓(xùn)練是否結(jié)束的判斷依據(jù)，當(dāng)驗(yàn)證樣本的均方誤差值停止下降，且在之后的6次迭代中保持不變，則網(wǎng)絡(luò)默認(rèn)繼續(xù)訓(xùn)練也不會提高精度從而停止訓(xùn)練過程。其中，均方誤差是指輸出值與目標(biāo)值之差平方的期望值，如下所示。

圖4 均方誤差與訓(xùn)練參數(shù)變化

總計(jì)進(jìn)行了17次迭代運(yùn)算修改隱含層的權(quán)值，在第11次迭代后網(wǎng)絡(luò)的MSE值保持不變，因此訓(xùn)練后網(wǎng)絡(luò)的MSE值為5.039 9。由圖可知，測試樣本中的MSE值相較于其他兩個樣本明顯小很多，證明網(wǎng)絡(luò)具有良好泛化能力。

3 神經(jīng)網(wǎng)絡(luò)模型驗(yàn)證與評價

每一樣本數(shù)據(jù)組的目標(biāo)值與預(yù)測值間的回歸性如圖5所示，由圖可知，三組數(shù)據(jù)的R值全部大于或約等于0.8，訓(xùn)練樣本的R值最低，這與模型結(jié)構(gòu)設(shè)計(jì)過程中為了避免過學(xué)習(xí)而選定的神經(jīng)元數(shù)量有關(guān)，其中測試樣本的R值高達(dá)0.92，證明模型具有優(yōu)秀的泛化能力，可以準(zhǔn)確地進(jìn)行預(yù)測。

圖5 各樣本數(shù)據(jù)組目標(biāo)-預(yù)測回歸分析

為驗(yàn)證訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型是否可以準(zhǔn)確地模擬駕駛員的制動行為，選取一例工況并提取其制動開始至結(jié)束期間的時間序列數(shù)據(jù)信息，如下表2所示，將相對距離及前車速度的時間序列作為輸入變量，本車速度的初始值作為輸出變量，使用模型對本車速度變化進(jìn)行預(yù)測，結(jié)果如圖6所示。

圖6 制動模型仿真結(jié)果對比

表2 驗(yàn)證用樣本工況數(shù)據(jù)序列

由圖可知，預(yù)測速度曲線與本車速度曲線的趨勢變化一致，模型預(yù)測的速度變化更為平穩(wěn)（相較于本車速度在0.6 s時的猛烈制動），證明模型具有出色的預(yù)測準(zhǔn)確性，基于中國駕駛員駕駛數(shù)據(jù)建立的制動行為模型可以較好地模擬駕駛員的制動過程。

4 總結(jié)和展望

本文針對傳統(tǒng)駕駛員模型無法反應(yīng)駕駛員在制動過程中的操作非線性及個體差異性，不能準(zhǔn)確地描述駕駛員的制動特性，提出采用基于NARX神經(jīng)網(wǎng)絡(luò)方法搭建模型，神經(jīng)網(wǎng)絡(luò)在處理復(fù)雜非線性問題上的優(yōu)勢明顯，且其強(qiáng)大的樣本數(shù)據(jù)學(xué)習(xí)能力可以實(shí)現(xiàn)對不同駕駛員制動行為的學(xué)習(xí)，解決制動非線性及駕駛員個體差異性等問題。本研究中制動模型的概念是指駕駛員從制動開始到制動結(jié)束這一階段對車輛的速度控制行為，通過對現(xiàn)有神經(jīng)網(wǎng)絡(luò)的分析，確定了以具備記憶能力及前反饋能力的NARX動態(tài)神經(jīng)網(wǎng)絡(luò)作為模型基礎(chǔ)，通過定義合理的網(wǎng)絡(luò)結(jié)構(gòu)，以100例樣本工況中的駕駛員制動序列作為模型樣本，完成對網(wǎng)絡(luò)的訓(xùn)練和驗(yàn)證，從而建立駕駛員制動模型，并對該模型的預(yù)測準(zhǔn)確性進(jìn)行分析。

后續(xù)研究中可以通過增加自然駕駛車輛樣本和駕駛員樣本數(shù)據(jù)，使得到的結(jié)果適用面更廣泛，用于指導(dǎo)縱向ADAS產(chǎn)品研究與開發(fā)。