基于駕駛風(fēng)格的前撞預(yù)警系統(tǒng)報(bào)警策略*

金 輝，李昊天

（北京理工大學(xué)機(jī)械與車輛學(xué)院，北京 100081）

前言

每年公路交通安全問題都會(huì)導(dǎo)致大量的人員傷亡，酒駕、駕駛疲勞、駕駛經(jīng)驗(yàn)不足等都可能導(dǎo)致交通事故，追尾是常見的交通事故之一。追尾的直接原因是駕駛員無法正常處理前后車關(guān)系，前后車縱向間距過小以致無法躲避，最終造成事故。不同駕駛員風(fēng)險(xiǎn)感知能力不同、操作習(xí)慣不同，則可能有不同的駕駛風(fēng)格，研究表明道路安全性與駕駛風(fēng)格有很大關(guān)系［1］。前撞預(yù)警系統(tǒng)可以在事故發(fā)生前提醒駕駛員，避免意外發(fā)生，但當(dāng)前的前撞預(yù)警策略大都無法適應(yīng)于不同駕駛風(fēng)格，這導(dǎo)致了更多的誤報(bào)警，也降低了人們對(duì)系統(tǒng)的接受程度。因此，在考慮駕駛風(fēng)格情況下改進(jìn)預(yù)警策略的研究很有意義。

道路駕駛的安全性與駕駛員的駕駛風(fēng)格十分相關(guān)。受到不同交通文化影響的人在道路安全方面也表現(xiàn)不同，他們有不完全相同的駕駛行為準(zhǔn)則［2-3］。研究人員開發(fā)了許多高級(jí)駕駛輔助系統(tǒng)，以提高駕駛安全性，減輕駕駛員負(fù)擔(dān)。文獻(xiàn)［4］中分別針對(duì)直道、彎道和交叉路設(shè)計(jì)了多種前撞預(yù)警策略，定義了風(fēng)險(xiǎn)因子，提出了一種前撞預(yù)警功能的檢測(cè)方法。不同駕駛風(fēng)格的人可能會(huì)有不同的可接受車頭間距和碰撞時(shí)間，這些量的閾值常是輔助駕駛系統(tǒng)的關(guān)鍵參數(shù)。而在系統(tǒng)中，這些參數(shù)比較固定，無法適應(yīng)每個(gè)人的駕駛風(fēng)格，由此產(chǎn)生的誤報(bào)警降低了人們對(duì)駕駛輔助系統(tǒng)的接受程度［5-9］。

傳統(tǒng)的前撞預(yù)警策略主要有兩種，分別基于預(yù)警距離和碰撞時(shí)間。文獻(xiàn)［10］中提出了一種以防撞最小減速度為風(fēng)險(xiǎn)指標(biāo)的算法。算法主要研究兩種交通情況，即前車加速度不變下預(yù)警和前車急減速下預(yù)警。試驗(yàn)結(jié)果表明基于減速度的前撞預(yù)警系統(tǒng)可以有效避免碰撞，且大部分試驗(yàn)對(duì)象表示防撞最小減速度比碰撞時(shí)間更適合作為風(fēng)險(xiǎn)指標(biāo)。預(yù)警距離類算法常假設(shè)車輛減速度為固定值，但實(shí)際制動(dòng)時(shí)減速度經(jīng)常變化［11-12］。文獻(xiàn)［11］中基于道路滾動(dòng)阻力系數(shù)提出了一種新的預(yù)警距離計(jì)算方法，分別考慮前車靜止、穩(wěn)定運(yùn)動(dòng)、急減速的情況，對(duì)比變加速和傳統(tǒng)定加速度方法，結(jié)果表明新方法更符合實(shí)際情況。文獻(xiàn)［12］中改進(jìn)了避撞標(biāo)準(zhǔn)合作伙伴組織提出的預(yù)警策略，設(shè)計(jì)了新的駕駛員預(yù)期響應(yīng)減速度估計(jì)方法，以用于預(yù)警距離類模型。該模型可以適用于高風(fēng)險(xiǎn)場(chǎng)景下的預(yù)警，降低了僅制動(dòng)未報(bào)警情況的出現(xiàn)次數(shù)。上述報(bào)警策略可以較好地輔助駕駛員避撞，但模型沒有考慮到駕駛員不同風(fēng)格的影響，不一定適應(yīng)于不同風(fēng)格的駕駛員；且系統(tǒng)預(yù)警根據(jù)的只是當(dāng)前狀態(tài)下的危急程度，本文中設(shè)計(jì)的策略將當(dāng)前狀態(tài)和未來預(yù)測(cè)狀態(tài)進(jìn)行綜合分析，以做出判斷。

駕駛工況會(huì)影響駕駛風(fēng)格。在擁擠的城市，即使冷靜型駕駛員也會(huì)頻繁踩踏板［13-14］。駕駛風(fēng)格的研究方法主要包括模糊控制［13，15］、無監(jiān)督學(xué)習(xí)［16］、有監(jiān)督學(xué)習(xí)［17］和貝葉斯理論。文獻(xiàn)［18］中對(duì)駕駛風(fēng)格識(shí)別常用的特征變量、方法、分類類別和應(yīng)用進(jìn)行了綜述。文獻(xiàn)［19］中為處理手動(dòng)打標(biāo)簽費(fèi)時(shí)費(fèi)力的問題，僅利用少量數(shù)據(jù)聚類結(jié)果作為半監(jiān)督學(xué)習(xí)的標(biāo)簽，通過S3VM識(shí)別駕駛風(fēng)格。文獻(xiàn)［20］中利用半隱馬爾科夫模型從駕駛數(shù)據(jù)中提取出初級(jí)駕駛模式，每位駕駛員共有75 種初級(jí)駕駛模式，文中通過評(píng)估駕駛員間模式分布的相似性，分析駕駛風(fēng)格。文獻(xiàn)［21］中先以車頭時(shí)距、碰撞時(shí)間的倒數(shù)為特征進(jìn)行聚類，從而得到駕駛風(fēng)格標(biāo)簽，再將相對(duì)距離、相對(duì)速度、加速度分別進(jìn)行傅里葉變換和小波變換，對(duì)得到的特征變量進(jìn)行有監(jiān)督訓(xùn)練，實(shí)現(xiàn)駕駛風(fēng)格分類。

當(dāng)前文獻(xiàn)對(duì)駕駛風(fēng)格的識(shí)別也存在兩點(diǎn)局限性。一是風(fēng)格分類器訓(xùn)練采用主觀評(píng)價(jià)或聚類結(jié)果做標(biāo)簽，并以準(zhǔn)確率作為分類器效果的評(píng)價(jià)指標(biāo)。主觀評(píng)價(jià)對(duì)于模糊類駕駛員的分類效果不好，不同的評(píng)價(jià)人員可能得出不同的結(jié)論；聚類結(jié)果根據(jù)數(shù)據(jù)特征分類，可重復(fù)。但駕駛風(fēng)格是一個(gè)主觀概念，主觀評(píng)價(jià)結(jié)果、聚類結(jié)果都不能完全真實(shí)。如果模型將基于該種結(jié)果的準(zhǔn)確率作為評(píng)價(jià)指標(biāo)，這會(huì)導(dǎo)致結(jié)果真實(shí)性進(jìn)一步降低。二是分類是基于小段過程而不是基于人。風(fēng)格分類主要是為了應(yīng)用到其他汽車控制系統(tǒng)，以提高駕駛性能。對(duì)小段過程進(jìn)行分類，必須先知道該過程的全部數(shù)據(jù)，對(duì)某一過程來說，這意味著駕駛事件發(fā)生是先于分類，則分類無法應(yīng)用到該段過程。人在一段駕駛過程中表現(xiàn)出的模式，并不一定和相鄰時(shí)間段一致，這意味著當(dāng)前段的分類結(jié)果也無法應(yīng)用到其他段。針對(duì)上述問題，本文中有如下貢獻(xiàn)。

（1）綜合兩種特征提取方式，用于聚類。將每個(gè)駕駛員駕駛數(shù)據(jù)分為均等的兩段，以同一駕駛員不同段變量分類結(jié)果是否相同為評(píng)價(jià)指標(biāo)。

（2）利用分類結(jié)果，優(yōu)化編碼器-解碼器模型以實(shí)現(xiàn)縱向相對(duì)距離預(yù)測(cè)。

（3）利用預(yù)測(cè)模型，改進(jìn)前撞預(yù)警系統(tǒng)報(bào)警策略，降低誤報(bào)警次數(shù)。

1 數(shù)據(jù)提取

駕駛數(shù)據(jù)來源為SPDM（safety pilot model deployment）數(shù)據(jù)庫，數(shù)據(jù)采集于美國密歇根州安阿伯市，采集頻率為10 Hz，本文中選取該數(shù)據(jù)庫中的DAS2 DATASET。DAS2 數(shù)據(jù)庫存儲(chǔ)了64 輛車的自然駕駛數(shù)據(jù)，每輛車都裝配有集成安全設(shè)備和數(shù)據(jù)采集系統(tǒng)。雷達(dá)采集周圍車輛信息，本車的加減速、轉(zhuǎn)向數(shù)據(jù)由CAN 總線獲取。駕駛員日常駕駛不受任何限制，且數(shù)據(jù)收集處理設(shè)備被隱藏，以免對(duì)駕駛員行為產(chǎn)生影響。

本文中研究的是跟車工況下的駕駛風(fēng)格分類，跟車工況主要是縱向運(yùn)動(dòng)，因此本文中選取縱向相對(duì)距離range、縱向相對(duì)速度range_rate、本車加速度ax為研究變量。選取滿足跟車工況的數(shù)據(jù)條件如下：

（1）本車車頭與前車車尾距離在4～100 m之間；

（2）跟隨同一車輛時(shí)長在15 s以上。

根據(jù)該條件本文中選取了42 輛車，每輛車的各段跟車時(shí)長之和超過3 h。

2 駕駛風(fēng)格分類

本節(jié)中包含下等分位點(diǎn)法和信息熵法兩種特征提取方式，二者分別與k-means 聚類方法結(jié)合，實(shí)現(xiàn)駕駛風(fēng)格分類，得到下等分位點(diǎn)分類模型和信息熵分類模型。兩種模型中，不同段數(shù)據(jù)分類結(jié)果相同的車輛都占多數(shù)，效果均較好，但結(jié)果仍存在差異，為進(jìn)一步提高風(fēng)格分類真實(shí)性，以二者交集為最終結(jié)果。

2.1 下等分位點(diǎn)分類模型

2.1.1 k-means聚類

首先初始化k個(gè)聚類中心，k由人工設(shè)定，計(jì)算每個(gè)點(diǎn)與聚類中心的距離，將每個(gè)點(diǎn)分配給最近的聚類中心，再更新每個(gè)類的聚類中心，為該類所有點(diǎn)的均值。該過程重復(fù)運(yùn)算直至達(dá)到終止條件。

聚類中心初始化采用kmeans++方式。先從數(shù)據(jù)集中隨機(jī)選取1 個(gè)聚類中心。計(jì)算每個(gè)點(diǎn)與已有聚類中心的距離d(x)，再由公式p計(jì)算每個(gè)點(diǎn)被選為下1 個(gè)聚類中心的概率，最后采用輪盤法得到下1 個(gè)聚類中心。重復(fù)上述步驟直至得到全部k個(gè)中心。

當(dāng)前風(fēng)格分類一般將駕駛員分為3 類［19］或2類［16］，如激進(jìn)型、一般型、冷靜型。本文中也將駕駛員分為3類，即k=3。

2.1.2 特征選擇與分類

得到所有車輛的range、range_rate、ax 頻數(shù)分布數(shù)據(jù)，如圖1所示，分別對(duì)3個(gè)變量求下分位點(diǎn)，結(jié)果如表1和表2所示。

圖1 變量頻數(shù)分布圖

表1 縱向相對(duì)距離的下分位點(diǎn)

表2 縱向相對(duì)速度及本車加速度的下分位點(diǎn)

縱向相對(duì)距離range 的3 個(gè)區(qū)間分別對(duì)應(yīng)短距離、一般距離、長距離，縱向相對(duì)速度range_rate 的5個(gè)區(qū)間分別對(duì)應(yīng)快速接近、接近、保持、落后、快速落后，本車加速度的5 個(gè)區(qū)間分別對(duì)應(yīng)急減速、減速、不加速、加速、急加速。在研究1 個(gè)駕駛員時(shí)，對(duì)一段駕駛過程，分別求得縱向相對(duì)距離range 在［4.032，18.944）、［18.944，42.080）、［42.080，99.968］3 段中所占時(shí)間量trange1j、trange2j和trange3j，然后對(duì)應(yīng)3段區(qū)間將各過程的時(shí)間量累加，最后3段除以總時(shí)間量，完成歸一化：式中：trangeij為第j段駕駛過程在第i段相對(duì)距離區(qū)間中所占時(shí)間量；m為區(qū)間段個(gè)數(shù)；n為駕駛過程個(gè)數(shù)；vrangei為縱向相對(duì)距離對(duì)應(yīng)第i段區(qū)間的結(jié)果變量。

對(duì)于range_rate、ax，也采取同樣方式獲取待聚類變量。車輛10的兩部分變量如表3所示。

表3 車輛10的兩部分變量表

當(dāng)前向量的維數(shù)較高，直接分類會(huì)降低分類效果，因而需要先利用主成分分析進(jìn)行降維，去除數(shù)據(jù)間的相關(guān)性。主成分分析是通過線性變換將高維向量投影到低維空間，同時(shí)要確保在低維空間中的投影可以近似表達(dá)原向量。模型根據(jù)結(jié)果向量中主成分的解釋率，來確定向量維數(shù)，通常來說，主成分累計(jì)解釋率超過85%即可。結(jié)果表明，前3 個(gè)主成分累計(jì)解釋率超過85%，則得到維度為3 的結(jié)果向量。再利用2.1.1 節(jié)中的k-means 方法聚類，可得到不同駕駛員的風(fēng)格分類結(jié)果。

2.2 信息熵分類模型

2.2.1 信息熵

信息熵是表示樣本集合純度的一種指標(biāo)。設(shè)所有數(shù)據(jù)分為N類，第k類數(shù)據(jù)所占比例為pk，則該數(shù)據(jù)集信息熵計(jì)算公式為

entropy值越大，純度越低，復(fù)雜度越高，該數(shù)據(jù)集所含的信息量越大。文獻(xiàn)［16］中正是以高信息熵為準(zhǔn)則，得到分隔閾值的。

2.2.2 分隔點(diǎn)的選取

對(duì)下等分位點(diǎn)分類模型來說，由于區(qū)間分隔點(diǎn)選取根據(jù)的是概率等分，range、range_rate、ax 的信息熵不一定最優(yōu)。信息熵分類模型選取分隔點(diǎn)，根據(jù)的原則是使得3 個(gè)變量的信息熵盡量大。對(duì)range來說，根據(jù)駕駛員的所有數(shù)據(jù)，先將整個(gè)區(qū)間等分為49份，得到48個(gè)分隔點(diǎn)。然后分別嘗試去除每個(gè)分隔點(diǎn)，計(jì)算去除后信息熵，選取剩余信息熵最大的方式去除分隔點(diǎn)。然后以該種方法繼續(xù)去除分隔點(diǎn)，直到中間分隔點(diǎn)剩余2個(gè)，結(jié)果如下。

同理，從48 起，減少range_rate、ax 的分隔點(diǎn)數(shù)目，保持剩余信息熵盡量大，直到剩余4 個(gè)中間分隔點(diǎn)，結(jié)果如下。

2.2.3 分類

利用2.2.2 節(jié)中的分隔點(diǎn)，得到range 變量的3個(gè)區(qū)間。在研究1個(gè)駕駛員時(shí)，對(duì)應(yīng)3段區(qū)間將各過程時(shí)間量累加，再歸一化。對(duì)于range_rate、ax，也采取同樣方式，共得到13 個(gè)變量。然后進(jìn)行PCA 降維，表4描述前3個(gè)主成分解釋度，總計(jì)超過85%，最后利用前3個(gè)主成分聚類得到結(jié)果。

表4 主成分解釋度表

2.3 結(jié)果分析

下等分位點(diǎn)分類模型結(jié)果中，同一駕駛員不同段變量分類結(jié)果相同的車輛數(shù)為33，分類結(jié)果不同的車輛數(shù)為9，表5為具體結(jié)果。

對(duì)13 個(gè)待聚類變量進(jìn)行直接聚類，可獲得具有數(shù)學(xué)意義的3 個(gè)聚類中心。從聚類中心看，一類更冷靜，二類處于中等，三類更激進(jìn)。如聚類中心的前3 個(gè)變量分別代表縱向相對(duì)距離在［4.032，18.944）、［18.944，42.080）、［42.080，99.968］所占的比例，在第3 個(gè)區(qū)間中一類占32%，二類占21.7%，三類占14.8%。

信息熵分類模型中，同一駕駛員不同段變量分類結(jié)果相同的車輛數(shù)為28，分類結(jié)果不同的車輛數(shù)為14，表6為具體結(jié)果。

兩種模型中，不同段數(shù)據(jù)分類結(jié)果相同的車輛都占多數(shù)，但結(jié)果仍存在差異，因此取兩種模型分類結(jié)果的交集作為縱向相對(duì)距離預(yù)測(cè)的數(shù)據(jù)集，共25輛車，分類見表7。

表5 下等分位點(diǎn)分類模型結(jié)果

表6 信息熵分類模型結(jié)果

表7 最終分類編號(hào)表

3 縱向相對(duì)距離預(yù)測(cè)

3.1 長短期記憶模型（long short?term memory，LSTM）模型

LSTM 模型是循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）的一種［22］，普通循環(huán)神經(jīng)網(wǎng)絡(luò)存在信息保存時(shí)間短、梯度消失的問題，而LSTM 模型可以緩解這些問題。LSTM 模型在循環(huán)層單元上不同于普通RNN，其循環(huán)層單元包含輸入門、輸出門、遺忘門3部分，如圖2所示，其被稱為記憶單元。

圖2 循環(huán)層單元示意圖

遺忘門決定著記憶單元要丟棄的信息，遺忘門計(jì)算公式為

式中：ht-1為上一時(shí)刻記憶單元的循環(huán)層輸出；xt為當(dāng)前時(shí)刻記憶單元的循環(huán)層輸入；σ為sigmoid函數(shù)；Wf為遺忘門權(quán)重矩陣；bf為遺忘門偏置矩陣。

輸入門決定著存放到記憶單元中的新信息，輸入門計(jì)算公式為

ct-1是包含上一時(shí)刻信息的記憶值，其利用輸入門計(jì)算結(jié)果和遺忘門計(jì)算結(jié)果更新，公式為

式中：“°”代表哈達(dá)瑪積；ct為當(dāng)前時(shí)刻的記憶值。

輸出門決定了記憶單元中有多大比例的記憶值可以被輸出，計(jì)算公式為

循環(huán)層輸出ht計(jì)算公式為

3.2 seq2seq模型

本文中的seq2seq 模型為encoder-decoder，如圖3 所示，模型的encoder 部分輸入歷史數(shù)據(jù)，模型的decoder 部分輸出預(yù)測(cè)數(shù)據(jù)。encoder 輸入變量為range、range_rate、ax，decoder 的每個(gè)單元輸入為上一時(shí)刻range，輸出為當(dāng)前時(shí)刻range 的預(yù)測(cè)值。變量在輸入之前需要經(jīng)過標(biāo)準(zhǔn)化處理。

圖3 seq2seq模型示意圖

seq2seq 模型參數(shù)圖如圖4 所示，F(xiàn)C 代表全連接網(wǎng)絡(luò)，數(shù)字代表網(wǎng)絡(luò)的神經(jīng)元數(shù)量，decoder 模型輸出部分FC-100 層的激活函數(shù)為relu 函數(shù)。在訓(xùn)練階段，decoder 所有輸入為真實(shí)歷史數(shù)據(jù)，代價(jià)函數(shù)為歐式距離損失函數(shù)，使用adam 優(yōu)化算法。在測(cè)試階段，decoder第1個(gè)輸入為真實(shí)歷史數(shù)據(jù)，其余為前一時(shí)刻模型預(yù)測(cè)結(jié)果。由本文中第2部分得到25輛車駕駛數(shù)據(jù)，以歷史時(shí)間和預(yù)測(cè)時(shí)間之和為一段過程的時(shí)長，將每輛車的數(shù)據(jù)進(jìn)行分割，最后將分割好的數(shù)據(jù)按4∶1分配，得到訓(xùn)練集和測(cè)試集。

圖4 seq2seq模型參數(shù)圖

3.3 個(gè)性化seq2seq模型

文中第2部分得到風(fēng)格分類較真實(shí)的25輛車數(shù)據(jù)，共分為3 類。本小節(jié)中將根據(jù)3 類數(shù)據(jù)和3.2 節(jié)中訓(xùn)練后模型參數(shù)創(chuàng)建3 類個(gè)性化seq2seq 模型，結(jié)構(gòu)如圖5 所示，為提高模型對(duì)每類數(shù)據(jù)的學(xué)習(xí)能力，在個(gè)性化部分增加1 個(gè)全連接層。每類個(gè)性化seq2seq 模型中encoder、decoder 輸入部分和LSTM 部分共用3.2 節(jié)中訓(xùn)練后模型參數(shù)，然后使用每類對(duì)應(yīng)的駕駛數(shù)據(jù)訓(xùn)練模型剩余部分，這通過設(shè)置學(xué)習(xí)率來實(shí)現(xiàn)，共用部分學(xué)習(xí)率設(shè)置為10-5，以限制共用部分參數(shù)改變，個(gè)性化部分學(xué)習(xí)率設(shè)置為10-3。

圖5 個(gè)性化seq2seq模型參數(shù)圖

3.4 結(jié)果分析

預(yù)測(cè)模型評(píng)價(jià)指標(biāo)選取為均方根誤差，設(shè)M為樣本量，則預(yù)測(cè)時(shí)間內(nèi)誤差計(jì)算公式為

式中：x-1為預(yù)測(cè)過程中最后一個(gè)時(shí)間點(diǎn)的真實(shí)值；為預(yù)測(cè)過程中最后一個(gè)時(shí)間點(diǎn)的預(yù)測(cè)值。

圖6 為訓(xùn)練過程中代價(jià)誤差的變化圖。代價(jià)誤差是標(biāo)準(zhǔn)化后縱向相對(duì)距離預(yù)測(cè)值和真實(shí)值之間的誤差，量綱為1。誤差描述了模型預(yù)測(cè)縱向相對(duì)距離效果的好壞。誤差越小，則說明預(yù)測(cè)性能越好。本文中的一批數(shù)據(jù)量大小為100，模型利用每批數(shù)據(jù)計(jì)算得到代價(jià)誤差，然后進(jìn)行反向傳播以更新參數(shù)。從圖6 可以看出，隨著模型參數(shù)更新，各批數(shù)據(jù)的代價(jià)誤差不斷降低，訓(xùn)練效果越來越好。

圖6 seq2seq模型代價(jià)誤差更新圖

表8 描述了模型優(yōu)化前后測(cè)試評(píng)價(jià)指標(biāo)的變化，試驗(yàn)分別進(jìn)行了兩組訓(xùn)練測(cè)試，一組為3.6 s 歷史數(shù)據(jù)輸入、1.2 s 預(yù)測(cè)數(shù)據(jù)輸出，另一組為6 s 歷史數(shù)據(jù)輸入、2 s預(yù)測(cè)數(shù)據(jù)輸出。從表8可知，優(yōu)化后模型的結(jié)果誤差有一定降低。

表8 個(gè)性化優(yōu)化前后模型測(cè)試結(jié)果誤差

4 前撞預(yù)警策略的改進(jìn)

4.1 前撞預(yù)警策略

預(yù)警距離經(jīng)常被預(yù)警策略作為特征量，其計(jì)算的方式有許多。一種常用的方法就是計(jì)算從駕駛員反應(yīng)過來需要制動(dòng)到本車車速降低至和前車相同、且兩車不相撞所需的最小縱向相對(duì)距離［4，23-24］。本節(jié)中策略正是利用這種方法且假設(shè)條件為前車車速不變，本車以最大減速度減速。這種預(yù)警距離計(jì)算方法適用于弧度較小的道路。本節(jié)中前撞預(yù)警策略基于Euro NCAP AEB Test Protocol，包含3種狀態(tài)，具體規(guī)則如下。

（1）安全

最重要被檢測(cè)對(duì)象（本車航道上位于前方且距離最近的對(duì)象）正在遠(yuǎn)離本車或者與本車的距離為常量。

（2）注意

最重要被檢測(cè)對(duì)象正接近本車，但縱向相對(duì)距離仍大于FCW 報(bào)警距離。FCW 報(bào)警距離隨縱向相對(duì)速度變化，接近速度越高則該距離越大。

（3）報(bào)警

最重要被檢測(cè)對(duì)象正接近本車，且縱向相對(duì)距離小于FCW報(bào)警距離。

由Euro NCAP AEB Test Protocol 確定 的FCW 報(bào)警距離計(jì)算公式為

式中：dFCW為FCW 報(bào)警距離；vrel為前后車縱向相對(duì)速度的絕對(duì)值；amax為最大減速度，其被設(shè)為0.4 倍重力加速度［23］。

本文中使用數(shù)據(jù)庫為自然駕駛數(shù)據(jù)，駕駛過程為人工操作，無輔助系統(tǒng)，且無事故發(fā)生。將上述前撞預(yù)警策略應(yīng)用于本文中第3 部分車輛數(shù)據(jù)，25 輛車共發(fā)生253 次報(bào)警，其中誤報(bào)警次數(shù)為123 次（在不發(fā)生事故的前提下，前撞預(yù)警系統(tǒng)報(bào)警但駕駛員判斷無需制動(dòng)，則此時(shí)的報(bào)警為誤報(bào)警），如圖7 所示。原因應(yīng)該是該策略僅判斷當(dāng)前時(shí)刻的危急性，沒有將當(dāng)前狀態(tài)和未來預(yù)測(cè)狀態(tài)綜合考慮，且沒有考慮駕駛員不同風(fēng)格的影響。

圖7 基于4.1節(jié)中預(yù)警策略的各個(gè)車輛誤報(bào)警次數(shù)

4.2 改進(jìn)后策略

為降低誤報(bào)警次數(shù)，本文中利用第3 部分個(gè)性化預(yù)測(cè)模型和4.1 節(jié)中報(bào)警策略，設(shè)計(jì)新策略，條件如下：

（1）當(dāng)前時(shí)刻及預(yù)測(cè)時(shí)刻均滿足4.1 節(jié)中報(bào)警策略；

（2）連續(xù)0.5 s滿足（1）條件。

本文中縱向相對(duì)距離、縱向相對(duì)速度均采用第3 部分預(yù)測(cè)模型。圖8 描述了在一段行駛過程中車輛16 縱向相對(duì)距離真實(shí)值和預(yù)測(cè)值的變化情況。圖8（a）預(yù)測(cè)模型的輸入時(shí)長為3.6 s，輸出時(shí)長為1.2 s。圖8（b）預(yù)測(cè)模型的輸入時(shí)長為6 s，輸出時(shí)長為2 s。從第3 部分結(jié)果和圖8 分析可知，預(yù)測(cè)時(shí)長越短，預(yù)測(cè)精度越高。這是因?yàn)楫?dāng)前時(shí)刻預(yù)測(cè)結(jié)果是以前一時(shí)刻預(yù)測(cè)結(jié)果為輸入，而前一時(shí)刻預(yù)測(cè)結(jié)果本身就存在誤差，這使得誤差不斷積累，在最后一個(gè)預(yù)測(cè)時(shí)刻表現(xiàn)出更大的誤差，因此本文中預(yù)測(cè)時(shí)長選擇1.2 s。

歷史時(shí)長分別選擇2.4和3.6 s，對(duì)比兩組結(jié)果。前者誤報(bào)警次數(shù)為78，后者誤報(bào)警次數(shù)為50，后者的各個(gè)車輛已減少誤報(bào)警次數(shù)如圖9 所示。歷史時(shí)長3.6 s 比歷史時(shí)長2.4 s 的誤報(bào)警次數(shù)低，原因應(yīng)該是更長的歷史時(shí)長包含更多的時(shí)序信息，有助于預(yù)測(cè)精度的提高。改進(jìn)后策略可降低誤報(bào)警次數(shù)，且歷史時(shí)長3.6 s、預(yù)測(cè)時(shí)長1.2 s 的報(bào)警策略模型誤報(bào)警次數(shù)更低。如果需要進(jìn)一步降低誤報(bào)警次數(shù)，可能需要提高模型在更長時(shí)間預(yù)測(cè)時(shí)的精度。

圖8 車輛16第一段駕駛過程數(shù)據(jù)的縱向相對(duì)距離預(yù)測(cè)與真實(shí)結(jié)果對(duì)比

圖9 基于改進(jìn)后預(yù)警策略的各個(gè)車輛已減少誤報(bào)警次數(shù)

5 結(jié)論

本文中設(shè)計(jì)了一種基于駕駛風(fēng)格的縱向相對(duì)距離預(yù)測(cè)模型，并利用該模型改進(jìn)了前撞預(yù)警策略。駕駛風(fēng)格分類模型結(jié)合了兩種特征提取方法，即下分位點(diǎn)法、信息熵法，使用k-means方法聚類，以車輛兩部分?jǐn)?shù)據(jù)分類結(jié)果是否相同為評(píng)價(jià)指標(biāo)。兩種模型中分類結(jié)果相同的車輛數(shù)與不同的車輛數(shù)之比分別為33∶9 和28∶14。綜合兩種模型，以二者交集為最終結(jié)果。縱向相對(duì)距離預(yù)測(cè)模型采用基于LSTM的編碼器-解碼器框架，以風(fēng)格分類結(jié)果全部數(shù)據(jù)訓(xùn)練可得到預(yù)測(cè)模型的共用部分參數(shù)，個(gè)性化部分分別利用3 種駕駛風(fēng)格對(duì)應(yīng)數(shù)據(jù)集訓(xùn)練得到。文中對(duì)比了個(gè)性化優(yōu)化前后模型在“3.6 s+1.2 s”和“6 s+2 s”兩組預(yù)測(cè)中的結(jié)果，結(jié)果表明駕駛風(fēng)格優(yōu)化后的模型有更低的預(yù)測(cè)誤差。本文中將預(yù)測(cè)模型應(yīng)用到前撞預(yù)警策略中，輸入的歷史數(shù)據(jù)時(shí)長為3.6 s，輸出的預(yù)測(cè)時(shí)長為1.2 s，誤報(bào)警次數(shù)由原來的123降低至50，減少至原來的40.65%。如果需要根據(jù)新駕駛員特性改善預(yù)警性能，先要利用該駕駛員的特征變量對(duì)比已有模型的3 個(gè)聚類中心，以最近的聚類中心類別為新駕駛員類別，再根據(jù)類別選擇已有的縱向相對(duì)距離預(yù)測(cè)模型。最后利用新駕駛員的預(yù)測(cè)模型，實(shí)現(xiàn)本文中上述說明的改進(jìn)后預(yù)警，降低誤報(bào)警次數(shù)，提高新駕駛員對(duì)前撞預(yù)警系統(tǒng)的接受程度。