基于BP 神經(jīng)網(wǎng)絡(luò)的智能車輛換道決策模型研究

陳 力，殷時蓉，羅天洪，鄭訊佳，3，4

（1.重慶交通大學機電與車輛工程學院，重慶400041；2.重慶文理學院智能制造工程學院，重慶402160；3.汽車噪聲振動和安全技術(shù)國家重點實驗室，重慶，401122；4.中國汽車工程研究院股份有限公司，重慶401122）

車輛換道和跟馳是交通微觀流系統(tǒng)中最常見的交通行為，是駕駛員在交通系統(tǒng)中結(jié)合駕駛經(jīng)驗和周圍道路環(huán)境做出的綜合判斷。相比跟馳行為，換道行為更加復雜，僅僅依靠駕駛員主觀思維建立換道決策模型不能全面、準確地反映車輛的換道行為。通過提取車輛周圍信息建立換道決策模型能夠客觀反映車輛換道行為，同時也為無人駕駛汽車的換道決策提供理論基礎(chǔ)。

近年來，國內(nèi)外許多學者對車輛換道進行了大量研究。陳亮等建立了一種基于Multi-class SVM 的車輛換道識別模型，該模型采用粒子群優(yōu)化算法標定SVM 中的懲罰參數(shù)和核參數(shù)，通過訓練樣本數(shù)據(jù)證明該模型能較好地達到換道識別目的。趙樹恩等運用貝葉斯網(wǎng)絡(luò)理論建立了車輛換道決策模型，通過仿真以及NGSIM 實測數(shù)據(jù)對比，其模型預測精度能夠滿足換道決策精度要求。YU Yuewen 等基于玩家動態(tài)博弈理論建立了車輛換道決策模型，該模型考慮換道車輛與目標車道車輛的博弈行為，進一步提出基于混合分割方法的多玩家博弈納什均衡解的算法，獲得換道目標的最優(yōu)策略。SUH 等針對自動駕駛換道的復雜性提出了概率預測和確定性預測相結(jié)合的變道運動規(guī)劃方法。在影響車輛換道參數(shù)的研究中，CHEN Chen等和ZHENG Zuduo 等提出了以換道車輛與原車道前方車輛、目標車道前方車輛、目標車道后方車輛間距作為影響車輛換道的影響參數(shù)。王俊彥等在考慮換道車輛與周圍車輛間距的基礎(chǔ)上提出包含車輛速度和加速度的換道影響參數(shù)，因其使用參數(shù)較多造成模型的訓練速度較低，決策模型的精度不高。從現(xiàn)有的研究中得出：換道決策模型訓練參數(shù)正確的選擇和模型的復雜程度是制約車輛決策模型在車輛主動安全系統(tǒng)中應(yīng)用的關(guān)鍵因素。

在復雜動態(tài)的交通環(huán)境中，智能汽車需要根據(jù)車載設(shè)備實時監(jiān)測目標車輛周圍的車輛信息和自身行車狀態(tài)，選擇合適的算法處理復雜的車輛信息對決策系統(tǒng)很關(guān)鍵。BP 神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)最基礎(chǔ)、最成熟的一種網(wǎng)絡(luò)，能夠處理大規(guī)模數(shù)據(jù)和非線性問題，而且能夠及時處理輸出結(jié)果誤差。本文綜合考慮道路交通數(shù)據(jù)的復雜程度以及非線性關(guān)系，采用BP神經(jīng)網(wǎng)絡(luò)建立包含7個參數(shù)車輛換道預測模型，以HighD 自然駕駛數(shù)據(jù)集為數(shù)據(jù)基礎(chǔ)提取換道時目標車輛特征參數(shù)。

1 換道行為分析

1.1 車輛換道過程

車輛換道是以駕駛員不滿當前道路狀況或者以自身期望為目的的一種駕駛行為，車輛換道過程如圖1 所示，換道車輛不滿當前道路行駛條件做出換道決策。一次完整的換道過程包括3 部分：換道意圖產(chǎn)生、換道執(zhí)行過程、換道結(jié)束，最終車輛到達目標車道超越前車。

圖1 車輛換道示意圖

判斷車輛是否換道成功可由式（1）確定：

式中：L為車輛在時刻所在的車道編號；L+ 1為車輛在+1換道結(jié)束時刻所在的車道編號。

由于換道時車輛在短時間內(nèi)連續(xù)換道會影響模型的預測準確度，本研究僅考慮車輛向左右鄰車道的單次換道行為。

1.2 換道決策行為

在對車輛換道過程分析的基礎(chǔ)上，基于實際道路交通車輛情況分析車輛換道決策行為。車輛換道決策行為如圖2所示，當換道車輛未能達到駕駛員預期或者前車出現(xiàn)制動動作時，駕駛員首先會判斷自車與前車的距離，當安全車距較小時駕駛員選擇緊急制動增大安全距離。當達到合適安全距離時駕駛員通過判斷鄰道車輛運動信息，以及自車與鄰道前車和后車間距，確定是否滿足換道的要求，如果滿足要求駕駛員執(zhí)行換道動作，如果不符合換道要求，駕駛員選擇減速使目標車輛與前車保持安全距離，在滿足條件之后執(zhí)行換道動作。

圖2 換道決策流程

已有的研究指出目標車輛與前車以及目標車道前、后車輛之間的距離是影響車輛變道的關(guān)鍵因素，本文在已有研究的基礎(chǔ)上提出了影響車輛換道的7個最重要參數(shù)，圖3為本文選取特征參數(shù)的示意圖。

圖3 特征參數(shù)示意圖

圖中符號的含義見表1。

表1 車輛換道影響因素

2 基于HighD數(shù)據(jù)的車輛軌跡擬合

車輛換道時主要受到來自前車和鄰道車輛行駛狀況的影響，由于道路交通的復雜性，本文以HighD 數(shù)據(jù)集為數(shù)據(jù)基礎(chǔ)，提取數(shù)據(jù)集中的換道車輛軌跡信息，選取特征參數(shù)。

2.1 HighD數(shù)據(jù)集

HighD 數(shù)據(jù)集是以德國高速公路為采集對象，通過配備高清分辨攝像機的無人機對高速公路6 個不同場景16.5 h 的車輛數(shù)據(jù)采集。圖4 為某一采集路段的示意圖，采集路段全長420 m，采樣頻率25 Hz，采集包括車輛外部尺寸、車輛坐標、行車速度、橫/縱車輛加速度、車輛所在車道等信息。

圖4 采集路段示意圖

2.2 車輛換道軌跡提取

HighD 數(shù)據(jù)中采集車輛類別包括汽車和大型貨車，由于大型貨車在行駛過程中總保持在道路右側(cè)車道行駛，換道頻率遠小于汽車換道頻率，為了能真實反映高速公路車輛換道決策行為，選取數(shù)據(jù)集中類型為汽車的行車信息。車輛的軌跡信息在數(shù)據(jù)集中以時間序列記錄，其中包含了很多非正常換道信息，為了提取符合正常換道的軌跡信息，對換道時間進行限制，認為換道時間不超過8 s 且在換道動作結(jié)束后10 s 內(nèi)保持當前行車道行駛。對于非換道車輛信息以目標車輛在采集時間內(nèi)橫向位移偏移量小于0.5 m 為篩選依據(jù)。利用Python 中pandas 庫從數(shù)據(jù)集中篩選出1 900 組車輛軌跡數(shù)據(jù)，在篩選出的數(shù)據(jù)中包括換道軌跡955 組，未換道軌跡945組。對篩選出的數(shù)據(jù)進行整理，提取出所需要的車輛信息，部分數(shù)據(jù)見表2，車輛行駛信息均以離散點的信息記錄，其中橫坐標方向與車輛行駛的方向相同。

表2 部分車輛信息

在數(shù)據(jù)采集時，由于采集數(shù)據(jù)周期較短，車輛在采集路段車速較快，為了降低在短時間內(nèi)車輛的位移和速度的改變對車輛換道行為的誤判，同時減少系統(tǒng)和檢測誤差，本文選擇高斯濾波擬合（Gaussian Fitting）曲線的方法提取車輛軌跡，高斯濾波基本原理如式（2）所示。

式中：為高斯曲線峰值；為峰值位置；為半寬度信息。

圖5 為第48 號車的車輛軌跡圖，相比原始數(shù)據(jù)，經(jīng)擬合后曲線反映了車輛真實的軌跡信息。橫向位移的改變是車輛換道的依據(jù)，為分析換道行為需要橫向位移軌跡的提取。圖6 為車輛橫向位移擬合曲線，濾波擬合是將一系列離散的點經(jīng)過濾波之后采用平滑曲線將其連接，以此表示真實的車輛行駛軌跡和橫向位移軌跡。

圖5 車輛軌跡擬合

圖6 橫向位移擬合

2.3 特征參數(shù)選取

利用Python 中pandas 庫對篩選出的1 900 組車輛數(shù)據(jù)進行處理，得到特征參數(shù)的部分數(shù)據(jù)見表3，在表中用1代表換道，2代表未換道。

表3 部分特征參數(shù)信息

3 BP預測模型構(gòu)建

BP 神經(jīng)網(wǎng)絡(luò)是由信息正向傳播和誤差反向傳播組成的一種前向網(wǎng)絡(luò)，輸入信息經(jīng)過隱含層的處理得到預測結(jié)果，預測結(jié)果與期望值的誤差經(jīng)過反向路徑傳播，通過動態(tài)調(diào)整神經(jīng)元之間的權(quán)值和閾值，最終達到期望誤差的范圍。在復雜的非線性問題中，利用3 層神經(jīng)網(wǎng)絡(luò)能夠求出問題最優(yōu)解，因此，建立以3層網(wǎng)絡(luò)為基礎(chǔ)的BP神經(jīng)網(wǎng)絡(luò)預測模型，其基本的拓撲結(jié)構(gòu)如圖7 所示。在預測模型中輸入層X 為影響換道的因素，輸出層Y 為換道的結(jié)果，中間層H 為隱含層，w和w為BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值。

圖7 BP網(wǎng)絡(luò)拓撲結(jié)構(gòu)

依據(jù)上文特征參數(shù)的選取，確定網(wǎng)絡(luò)的輸入層節(jié)點數(shù)為7，輸出層節(jié)點數(shù)為1，隱含層節(jié)點個數(shù)依據(jù)經(jīng)驗公式（3）得出。

式中：和分別為節(jié)點數(shù)和輸入層節(jié)點數(shù)，由于的取值在［1，10］之間，通過對含有的不同隱含層進行網(wǎng)絡(luò)訓練確定本文網(wǎng)絡(luò)的隱含層節(jié)點數(shù)為10，最終網(wǎng)絡(luò)結(jié)構(gòu)確定為7-10-1。

為了能夠獲得準確的換道預測結(jié)果，需要網(wǎng)絡(luò)不斷進行誤差反向傳播，動態(tài)修正網(wǎng)絡(luò)中的權(quán)值和閾值，式（4）表示了系統(tǒng)全局誤差Δ()：

式中：t()和r()分別表示輸出節(jié)點對樣本的預測輸出和實際輸出；為輸入層神經(jīng)元個數(shù)，為輸出層神經(jīng)元個數(shù)。

根據(jù)梯度下降法動態(tài)修正網(wǎng)絡(luò)的權(quán)值和閾值，式（5）為迭代公式。

式中：表示網(wǎng)絡(luò)學習率；表示動量比例系數(shù)；和+1分別為第次和第+1次的網(wǎng)絡(luò)迭代。

建立預測模型的具體步驟如下：

（1）網(wǎng)絡(luò)的變量輸入。對原始數(shù)據(jù)進行篩選，特征提取，確保輸入數(shù)據(jù)能夠準確反映換道行為。

（2）初始化網(wǎng)絡(luò)。網(wǎng)絡(luò)學習率為1 × 10，動量比例系數(shù)為0.9，訓練精度為1 × 10，對輸入數(shù)據(jù)進行歸一化處理，隨機分配網(wǎng)絡(luò)的權(quán)值。

（3）網(wǎng)絡(luò)預測輸出。通過計算預測值與真實值之間的誤差，判斷誤差是否達到期望值，如果達到輸出結(jié)果，模型建立。如果未達到期望值則返回輸入層，通過調(diào)整權(quán)值和閾值進行下一次訓練。

（4）網(wǎng)絡(luò)測試。選取測試集進行網(wǎng)絡(luò)訓練，驗證所建模型的正確性。

4 模型實現(xiàn)與驗證

為了驗證BP 神經(jīng)網(wǎng)絡(luò)模型預測車輛換道決策行為的準確性，首先將篩選出的數(shù)據(jù)分為模型的訓練集和測試集，其中訓練集1 400 組數(shù)據(jù)，測試集500 組數(shù)據(jù)，在測試集的數(shù)據(jù)中包含換道車輛信息256組，未換道車輛信息244組，圖8為測試集的預測結(jié)果輸出圖。

圖8 7個參數(shù)模型預測結(jié)果

表4 為兩種決策行為的預測結(jié)果，通過與數(shù)據(jù)集中實際數(shù)據(jù)對比，運用BP 神經(jīng)網(wǎng)絡(luò)建立的決策模型換道和未換道準確率分別為96.4%和95.9%，其整體決策準確率為96.2%，非常接近駕駛員的換道行為，證明了該模型能夠應(yīng)用到車輛換道的研究中。

表4 7個參數(shù)模型預測準確率

為驗證提出的7 個參數(shù)模型的有效性，按照上述模型建立方法以目標車輛與前車以及目標車道前、后車輛的距離作為3 個參數(shù)模型的輸入，模型預測的結(jié)果見表5。

表5 3個參數(shù)模型預測準確率

3 個參數(shù)模型兩種決策行為的準確率分別為93.7%和88.5%，整體決策準確率為91.2%，對比結(jié)果表明，以7 個參數(shù)建立的決策模型預測精度較高。

5 結(jié)論

本文通過分析車輛換道時的決策行為，提出一種以7個參數(shù)為輸入的BP神經(jīng)網(wǎng)絡(luò)預測模型，利用BP 神經(jīng)網(wǎng)絡(luò)較好的非線性問題處理能力，結(jié)合真實車輛行駛信息訓練模型，得出以下結(jié)論：

（1）以HighD 數(shù)據(jù)集為數(shù)據(jù)基礎(chǔ)，通過設(shè)計BP 神經(jīng)網(wǎng)絡(luò)基本構(gòu)架以及篩選換道車輛信息訓練網(wǎng)絡(luò)預測模型，結(jié)果證明7個參數(shù)的BP神經(jīng)網(wǎng)絡(luò)預測模型預測平均精度達到96.2%，能夠為今后研究無人駕駛汽車的換道決策提供參考。

（2）僅考慮了高速公路車輛換道決策行為，為進一步研究微觀交通流系統(tǒng)，還需要綜合考慮城市道路交通狀況，準確刻畫車輛駕駛決策行為。