基于文獻(xiàn)計(jì)量分析和LDA主題模型的自動(dòng)駕駛研究概述

秦禹

對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)統(tǒng)計(jì)學(xué)院 北京市 100102

1 引言

汽車(chē)行業(yè)的進(jìn)步促進(jìn)了自動(dòng)駕駛技術(shù)的不斷發(fā)展，但由于產(chǎn)業(yè)鏈、基礎(chǔ)設(shè)施、法規(guī)政策和道路場(chǎng)景等差異，造成了自動(dòng)駕駛不同的發(fā)展路線和研發(fā)方向。當(dāng)前對(duì)自動(dòng)駕駛的關(guān)注多集中在技術(shù)和應(yīng)用層面，而對(duì)于客觀量化分析自動(dòng)駕駛發(fā)展方向的研究不是很多。通過(guò)對(duì)自動(dòng)駕駛相關(guān)文獻(xiàn)采取量化分析和主題模型提取等技術(shù)分析手段，可以對(duì)全面理解自動(dòng)駕駛的發(fā)展現(xiàn)狀和行業(yè)熱點(diǎn)，把握當(dāng)前發(fā)展趨勢(shì)和機(jī)遇，并輔助制定相關(guān)的政策和發(fā)展戰(zhàn)略有很大幫助。

2 自動(dòng)駕駛概述

自動(dòng)駕駛是在傳統(tǒng)汽車(chē)硬件架構(gòu)的基礎(chǔ)上，結(jié)合通信技術(shù)、網(wǎng)絡(luò)技術(shù)和人工智能等技術(shù)來(lái)賦予車(chē)輛自動(dòng)行駛的能力，并在安全性、便利性、高效性和低碳性方面有更大優(yōu)勢(shì)。隨著場(chǎng)景復(fù)雜性和車(chē)輛智能性的不斷提升，自動(dòng)駕駛的成熟度又被分為不同的等級(jí)。汽車(chē)行業(yè)對(duì)自動(dòng)駕駛的分級(jí)，主要參考了美國(guó)汽車(chē)工程師協(xié)會(huì)（SAE）提出的J3016自動(dòng)駕駛等級(jí)標(biāo)準(zhǔn)。在這份標(biāo)準(zhǔn)中，基于車(chē)輛控制權(quán)分配和環(huán)境感知程度，自動(dòng)駕駛被劃分為六個(gè)等級(jí)[1]，分別對(duì)應(yīng)著無(wú)自動(dòng)駕駛、獨(dú)立輔助駕駛、協(xié)同輔助駕駛、條件約束的高級(jí)輔助駕駛、場(chǎng)景約束的無(wú)人駕駛和無(wú)約束無(wú)人駕駛這六個(gè)階段。

3 自動(dòng)駕駛技術(shù)架構(gòu)和發(fā)展

一套完整的自動(dòng)駕駛系統(tǒng)架構(gòu)，包含環(huán)境感知、精確定位、路徑?jīng)Q策規(guī)劃和控制執(zhí)行。環(huán)境感知通過(guò)多維傳感器采集環(huán)境和車(chē)輛行駛狀態(tài)信息，來(lái)構(gòu)建車(chē)輛和環(huán)境認(rèn)知模型；精確定位通過(guò)高精地圖，實(shí)時(shí)定位車(chē)輛的位置和速度等狀態(tài)；路徑?jīng)Q策規(guī)劃建立了包含障礙區(qū)域和自由區(qū)域的環(huán)境地圖，通過(guò)路徑搜索最優(yōu)算法快速生成最佳行駛路線；控制執(zhí)行將智能控制和傳統(tǒng)控制相結(jié)合，實(shí)現(xiàn)在復(fù)雜環(huán)境中自動(dòng)行駛。

文獻(xiàn)計(jì)量學(xué)是定量分析文獻(xiàn)的有效工具，廣泛用于評(píng)估多領(lǐng)域的發(fā)展現(xiàn)狀和研究趨勢(shì)。隨著大數(shù)據(jù)、5G和人工智能的不斷發(fā)展，自動(dòng)駕駛的重要性不斷提升，大量相關(guān)的學(xué)術(shù)文獻(xiàn)被發(fā)表。通過(guò)對(duì)文獻(xiàn)的量化分析，來(lái)了解自動(dòng)駕駛現(xiàn)狀和發(fā)展方向是很重要的。主題模型是文本挖掘的有效工具，常用于研究特定領(lǐng)域的主題和熱點(diǎn)。LDA（Latent Dirichlet Allocation）是最受歡迎的主題模型之一，在很多領(lǐng)域都有應(yīng)用[2]。本文結(jié)合了文獻(xiàn)計(jì)量分析和LDA模型，從統(tǒng)計(jì)分析和文本挖掘的角度，闡述了自動(dòng)駕駛技術(shù)的現(xiàn)狀和發(fā)展趨勢(shì)。

4 分析方法

4.1 數(shù)據(jù)來(lái)源

本文數(shù)據(jù)來(lái)自于Science Direct網(wǎng)站，檢索了從2002年到2021年包含Autopilot關(guān)鍵詞同期收錄的4569篇文獻(xiàn)，處理后的數(shù)據(jù)包含文獻(xiàn)標(biāo)題、刊物、發(fā)表年份、作者、關(guān)鍵詞、摘要、國(guó)家和單位等信息。

4.2 主題識(shí)別

4.2.1 主題模型

LDA模型由Blei等人于2003年提出[3]，主要用于推測(cè)文檔的主題分布。它基于三層貝葉斯網(wǎng)絡(luò)，以概率分布形式給出文檔主題，實(shí)現(xiàn)主題聚類(lèi)和主題演變分析等目的。在本文中，提取文獻(xiàn)標(biāo)題、摘要和關(guān)鍵詞到模型語(yǔ)料庫(kù)中。通過(guò)Python Gensim實(shí)現(xiàn)LDA模型，超參數(shù)設(shè)定為：alpha=2，eta=0.9，iterations=1000，passes=20，選取前15位關(guān)鍵詞結(jié)果來(lái)解釋對(duì)應(yīng)主題。

4.2.2 確定主題數(shù)量

主題數(shù)會(huì)直接影響模型的識(shí)別效果，但不同主題領(lǐng)域存在復(fù)雜性和多樣性，學(xué)術(shù)界目前并沒(méi)有統(tǒng)一的方法。基于知識(shí)經(jīng)驗(yàn)并不斷優(yōu)化來(lái)主觀確定主題數(shù)，也有很多成功的實(shí)際應(yīng)用。Blei提出通過(guò)困惑度來(lái)確定主題數(shù)的方法[3]；Griffiths提出使用log-邊際似然函數(shù)的方法確定主題數(shù)[4]；Teh提出基于狄利克雷過(guò)程的分層HDP方法，通過(guò)計(jì)算LDA和HDP的困惑度判斷主題數(shù)[5]；Guan提出構(gòu)建主題困惑度-方差比值的指標(biāo)確定主題數(shù)[6]；Wang通過(guò)構(gòu)建困惑度和平均相似度主題交叉曲線來(lái)確定主題數(shù)[7]。

除困惑度外，還可通過(guò)主題一致性來(lái)確定主題數(shù)。一致性衡量主題詞語(yǔ)之間的相對(duì)距離，相比于困惑度，一致性得到的結(jié)果通常也更接近主觀判斷。Roder在主題一致性度量空間的研究中，系統(tǒng)介紹了架構(gòu)原理，并提出多種度量方法[8]。主題一致性架構(gòu)為：

C代表一致性度量聚合值，S代表文本語(yǔ)料切分片段集合，M代表通過(guò)計(jì)算詞頻構(gòu)成的配置空間確認(rèn)度量，P代表詞頻估計(jì)方法集合，∑代表計(jì)算聚合標(biāo)量值的方法集合。

Roder在此基礎(chǔ)上提出一種全新的一致性度量組合方式（Cv），該方法能涵蓋現(xiàn)有所有的一致性度量標(biāo)準(zhǔn)，并構(gòu)建包含間接余弦測(cè)量和布爾式滑動(dòng)窗口的新的度量標(biāo)準(zhǔn)，相比于其他方法，該方法有最好的表現(xiàn)[8]。因此，本文也采用了基于Cv的一致性度量方法。

5 結(jié)語(yǔ)

5.1 文獻(xiàn)計(jì)量分析

文獻(xiàn)計(jì)量分析展示了文獻(xiàn)發(fā)表時(shí)間、類(lèi)型、期刊和主題領(lǐng)域分布的統(tǒng)計(jì)結(jié)果（見(jiàn)圖1）。自動(dòng)駕駛的文獻(xiàn)數(shù)量在近20年內(nèi)持續(xù)增長(zhǎng)，近10年上升趨勢(shì)尤為顯著。超過(guò)76%的文獻(xiàn)類(lèi)型為研究類(lèi)，超過(guò)18%的文獻(xiàn)發(fā)表在國(guó)際自動(dòng)控制協(xié)會(huì)（IFAC）期刊，55%以上的自動(dòng)駕駛都分布在工程主題，其次為計(jì)算機(jī)科學(xué)、環(huán)境科學(xué)、社會(huì)科學(xué)和農(nóng)業(yè)生物科學(xué)主題。

圖1 文獻(xiàn)計(jì)量分析

5.2 主題模型分析

5.2.1 主題數(shù)量確定

本文根據(jù)LDA主題模型一致性度量Cv來(lái)確定最佳主題數(shù)。通過(guò)一致性與主題數(shù)之間曲線（見(jiàn)圖2），當(dāng)主題數(shù)為7時(shí)，一致性分?jǐn)?shù)達(dá)到最大0.5735，此時(shí)模型得到了最佳訓(xùn)練，并保持了足夠的主題高頻詞語(yǔ)義相似性。

圖2 主題一致性度量分?jǐn)?shù)

5.2.2 主題結(jié)果可視化

本文通過(guò)pyLDAvis實(shí)現(xiàn)主題結(jié)果的可視化，它針對(duì)LDA模型提供了可以分析主題差異性和高度關(guān)聯(lián)關(guān)鍵詞的全局視角框架。每個(gè)圓圈代表獨(dú)立的主題，圓圈大小和重疊面積反映了主題模型的魯棒性，圓圈中心被映射到兩個(gè)維度PC1和PC2，圓圈距離由主題降維矩陣計(jì)算得出。結(jié)果顯示有兩對(duì)主題之間有一定重疊，其他主題均保持了相對(duì)的獨(dú)立性（見(jiàn)圖3）。

圖3 主題模型可視化結(jié)果

5.2.3 主題結(jié)果展示

選擇概率最高的前15個(gè)詞來(lái)解釋對(duì)應(yīng)的主題，過(guò)濾不相關(guān)主題后，最終確定了六個(gè)主題：①基于模型的探測(cè)，②人體安全，③自適應(yīng)控制，④神經(jīng)網(wǎng)絡(luò)系統(tǒng)，⑤動(dòng)態(tài)路徑識(shí)別，⑥自主實(shí)時(shí)導(dǎo)航。結(jié)合自動(dòng)駕駛的架構(gòu)體系，這些主題可被分為三類(lèi)。第一類(lèi)為路徑?jīng)Q策規(guī)劃，包含主題④⑤；第二類(lèi)為控制執(zhí)行，包含主題②③；第三類(lèi)為環(huán)境感知，包含主題①⑥。

作為自動(dòng)駕駛的核心，路徑?jīng)Q策規(guī)劃中基于圖搜索、最優(yōu)化、隨機(jī)采樣或曲線擬合的算法選擇，基于規(guī)則或強(qiáng)化學(xué)習(xí)的行為決策，基于故障預(yù)警和預(yù)留機(jī)制的異常處理等，都在不同程度上推動(dòng)著自動(dòng)駕駛的不斷創(chuàng)新。然而社會(huì)層面的因素也不可忽略，比如最近某車(chē)型在車(chē)禍前一秒退出自動(dòng)駕駛系統(tǒng)的控制策略，引發(fā)了巨大的社會(huì)爭(zhēng)議和對(duì)自動(dòng)駕駛的顧慮。相關(guān)行業(yè)標(biāo)準(zhǔn)體系的制定，不僅會(huì)推動(dòng)融合創(chuàng)新生態(tài)體系的建立，也對(duì)自動(dòng)駕駛的快速發(fā)展提供顯著支持[9]。

自適應(yīng)控制要實(shí)現(xiàn)對(duì)環(huán)境參數(shù)的變化有適應(yīng)能力的控制策略，基于車(chē)輛協(xié)同控制及行駛優(yōu)化技術(shù)、多目標(biāo)優(yōu)化理論、車(chē)輛自主運(yùn)動(dòng)決策與高精度跟蹤控制等技術(shù)，都在推動(dòng)著此主題的發(fā)展。

環(huán)境感知主要包含障礙感知和車(chē)輛路徑感知，過(guò)程中有大量數(shù)據(jù)處理工作。真實(shí)場(chǎng)景中收集的各類(lèi)傳感器數(shù)據(jù)，需要人工標(biāo)注才能使用，而一些基于模型探測(cè)的預(yù)訓(xùn)練和測(cè)試要在仿真環(huán)境實(shí)現(xiàn)。自主探測(cè)與導(dǎo)航技術(shù)的進(jìn)一步發(fā)展，會(huì)顯著改善計(jì)算效率和數(shù)據(jù)成本。

6 結(jié)語(yǔ)

為了全面了解自動(dòng)駕駛技術(shù)的發(fā)展，本文基于Science Direct網(wǎng)站上過(guò)去20年發(fā)表的自動(dòng)駕駛相關(guān)文獻(xiàn)，開(kāi)展了文獻(xiàn)計(jì)量分析和主題分析。文獻(xiàn)發(fā)表數(shù)的增長(zhǎng)反映了自動(dòng)駕駛行業(yè)的快速發(fā)展，行業(yè)分析結(jié)果則反映了自動(dòng)駕駛的應(yīng)用和研發(fā)投入分布情況，前五位是工程、計(jì)算機(jī)科學(xué)、環(huán)境科學(xué)、社會(huì)科學(xué)和農(nóng)業(yè)生物科學(xué)。

通過(guò)LDA模型完成了自動(dòng)駕駛主題識(shí)別（見(jiàn)表1），這六個(gè)主題能夠反映當(dāng)前的主流研究方向和熱點(diǎn)。本文為理解自動(dòng)駕駛提供了一個(gè)寬泛的視角，并分析了發(fā)展現(xiàn)狀和熱點(diǎn)。一方面能夠幫助準(zhǔn)確把握研究趨勢(shì)，抓住機(jī)遇；另一方面，也能夠?yàn)榭萍颊吆蛻?zhàn)略發(fā)展提供參考支持。

表1 模型主題識(shí)別結(jié)果