無人車典型場景構(gòu)建及車速預(yù)測

宋傳杰，高建平，謝詔璽，郗建國

(河南科技大學(xué) 車輛與交通工程學(xué)院， 河南 洛陽 471003)

0 引言

隨著汽車智能化、網(wǎng)聯(lián)化的深度發(fā)展，智能駕駛汽車的安全問題成為關(guān)注的焦點(diǎn)。構(gòu)建合理的自動(dòng)駕駛汽車測試與評(píng)價(jià)系統(tǒng)，需對(duì)真實(shí)環(huán)境中的危險(xiǎn)場景進(jìn)行分析與構(gòu)建。當(dāng)前，自動(dòng)駕駛汽車的測試評(píng)價(jià)對(duì)象已從傳統(tǒng)的人-車系統(tǒng)轉(zhuǎn)變?yōu)槿?車-環(huán)境交互耦合系統(tǒng)，而測試場景已成為不可或缺的環(huán)節(jié)[1-2]。目前，國內(nèi)外對(duì)測試場景及場景要素的形式還存在爭議，標(biāo)準(zhǔn)中也未進(jìn)行明確闡述。場景生成方法可分為基于演繹的方法和基于歸納的方法。郭景華等[3]、徐向陽等[4]基于歸納的方法，通過采集的真實(shí)交通數(shù)據(jù)構(gòu)建測試場景，且處于仿真階段。Xia等[5]利用層次分析法衡量場景要素的重要度，通過獨(dú)立組合測試方法將離散的測試用例聚類成連續(xù)場景，確保了場景覆蓋的全面性，但生成的場景不具有典型性。基于當(dāng)前自動(dòng)駕駛汽車測試現(xiàn)狀，測試場景應(yīng)具有代表性強(qiáng)、數(shù)量少等特點(diǎn)。

目前，科學(xué)理論技術(shù)提升了自動(dòng)駕駛汽車的預(yù)測能力。熊曉夏等[6]基于支持向量機(jī)和混合高斯的隱馬爾可夫鏈模型對(duì)道路事故進(jìn)行預(yù)測，但對(duì)我國交通環(huán)境下網(wǎng)聯(lián)車輛的前車狀態(tài)考慮較少。張金輝等[7]采用貝葉斯網(wǎng)絡(luò)對(duì)前車車速進(jìn)行預(yù)測，將得到的跟車數(shù)據(jù)分為訓(xùn)練集和測試集，通過測試集檢測前車車速預(yù)測效果，但預(yù)測精度有待提高。倪捷[8]在構(gòu)建預(yù)測模型時(shí)，僅考慮了車輛的運(yùn)行特征，而忽略了交通環(huán)境對(duì)行車風(fēng)險(xiǎn)的影響，不能全面反映行車狀態(tài)。綜上所述，由于我國交通環(huán)境復(fù)雜度較高，車輛未來狀態(tài)受駕駛員等多種因素影響，自動(dòng)駕駛車輛對(duì)前車運(yùn)行狀態(tài)難以進(jìn)行精確預(yù)判。

基于以上問題，本文以自動(dòng)駕駛車輛為研究對(duì)象，對(duì)典型場景下自動(dòng)駕駛車輛前車車速進(jìn)行預(yù)測，選取對(duì)事故類型影響較大的特征要素。采用Prescan、Matlab/Simulink等工具和優(yōu)化算法，構(gòu)建基于馬爾科夫鏈和循環(huán)神經(jīng)網(wǎng)絡(luò)的前車車速預(yù)測模型，通過模擬狀態(tài)與原始狀態(tài)的對(duì)比，驗(yàn)證了預(yù)測模型的有效性。最后，將車速模型參數(shù)導(dǎo)入整車控制器中，并進(jìn)行試驗(yàn)驗(yàn)證。

1 測試場景要素分析

1.1 數(shù)據(jù)來源

本文數(shù)據(jù)來源于國家車輛事故深度調(diào)查系統(tǒng)(national automobile accident indepth investigation system，NAIS)，由多所高校和研究機(jī)構(gòu)共同建立。該數(shù)據(jù)圍繞事故相關(guān)的人-車-路-環(huán)境信息進(jìn)行深入采集，涵蓋全國具有代表性的區(qū)域，且與我國道路事故統(tǒng)計(jì)特征基本吻合[9]。結(jié)合NAIS數(shù)據(jù)庫和自動(dòng)駕駛測試場景要求，考慮到測試過程中，測試車輛本身與周圍場景的相互作用，因此，將場景要素分為交通環(huán)境要素和測試車輛基礎(chǔ)信息要素兩大類，如圖1所示。

圖1 場景要素分類

1.2 場景要素編碼

為了構(gòu)建場景要素指標(biāo)體系，需要對(duì)各場景要素進(jìn)行編碼。根據(jù)實(shí)際駕駛經(jīng)驗(yàn)，本文以交通環(huán)境要素中的事故時(shí)間、天氣、道路狀況、道路流量、路面材質(zhì)、道路類型為自變量，事故類型為因變量，使用SPSS軟件進(jìn)行多元線性回歸分析，探究各要素對(duì)事故類型的影響程度。多元線性回歸模型能較好地兼顧各個(gè)要素的權(quán)值。此外，為避免個(gè)別要素取值過于離散，在編碼過程中將相近的屬性進(jìn)行合并。要素編碼情況如表1所示。

表1 要素編碼

1.3 多元線性回歸模型構(gòu)建

事故類型的線性回歸模型為：

(1)

式中：Y為事故類型；x為對(duì)事故類型有顯著影響的自變量；p為自變量個(gè)數(shù)；n為樣本總數(shù)；βp為第p個(gè)變量的回歸系數(shù)，εi為第i個(gè)樣本的隨機(jī)誤差[10]。由式(1)可得n個(gè)樣本的矩陣隨機(jī)表達(dá)式：

Y=xβ+ε

(2)

假設(shè)x的列滿秩，則回歸系數(shù)的最小二乘估計(jì)量為：

(3)

多元線性回歸過程中還需對(duì)樣本回歸函數(shù)進(jìn)行檢驗(yàn)，以判斷預(yù)測的可靠程度，包括擬合優(yōu)度、顯著性水平、德賓-沃森值等。

擬合優(yōu)度檢驗(yàn)即通過樣本回歸對(duì)觀測值進(jìn)行擬合，記

(4)

為總離差平方和，

(5)

為回歸平方和，

(6)

為殘差平方和，則:

(7)

式中，R2為可決系數(shù)，其大小可表示自變量對(duì)因變量的貢獻(xiàn)程度，其值越接近1，表明擬合優(yōu)度越高。

在原假設(shè)成立的前提下，顯著性檢驗(yàn)的統(tǒng)計(jì)量由

(8)

公式確定，查表可得臨界值Fα，通過比較F和Fα的大小來判斷原假設(shè)H是否成立，一般情況下顯著性水平取0.05或0.1。

1.4 多元線性回歸結(jié)果

本文多元線性回歸分析中，置信區(qū)間設(shè)為95%，模型信息如表2所示，回歸分析結(jié)果如表3所示。根據(jù)R2，表明各要素預(yù)測事故類型的準(zhǔn)確性較強(qiáng)。

表2 模型信息

表3 回歸分析結(jié)果

結(jié)合表2和表3數(shù)據(jù)，根據(jù)德賓-沃森值和VIF值，可說明樣本數(shù)據(jù)隨機(jī)性較強(qiáng)且多重共線性呈弱相關(guān)，顯著性水平<0.001，表明模型預(yù)測效果較好。取顯著性水平為0.05，根據(jù)分析結(jié)果，路面材質(zhì)、道路類型和道路干濕對(duì)事故類型影響較大，而天氣、道路狀況對(duì)事故類型影響較小。

基于以上分析，將路面材質(zhì)、道路類型和道路干濕確定為特征要素，特征要素即對(duì)事故類型影響較大的要素。由于自動(dòng)駕駛車輛感知系統(tǒng)容易受能見度的影響，因此，將能見度作為測試場景的特征要素[11]。

2 測試場景K-均值聚類挖掘

2.1 K-均值聚類算法

為挖掘出具有代表性的測試用例，采用聚類算法對(duì)測試場景進(jìn)行聚類挖掘，剔除重復(fù)或相似的測試用例，得到代表性較強(qiáng)的測試用例。K-均值聚類分析算法作為一種快速聚類算法，其對(duì)計(jì)算機(jī)的性能要求不高，且可應(yīng)用于比系統(tǒng)聚類法大得多的數(shù)據(jù)組[12]。

K-均值算法流程為：首先，將所有樣品分為K個(gè)初始類；然后，計(jì)算某樣品到各類中心的歐幾里得平方距離，將樣品分配給最近的一類。對(duì)于有變動(dòng)的類，重新計(jì)算其坐標(biāo)，為下一步聚類做準(zhǔn)備。無變動(dòng)的類輸出后成為一類[13]。聚類算法的流程如圖2所示。

圖2 K-均值聚類算法流程

其中歐式平方距離公式為：

(9)

式中：I=(xi1,xi2,…,xif)和J=(xj1,xj2,…,xjf)是2個(gè)f維的數(shù)據(jù)對(duì)象，f為變量個(gè)數(shù)，xik為第i個(gè)樣本中第k個(gè)變量的度量值。此外，采用最長距離法定義類與類之間的距離，規(guī)定相同變量間距離為0，不同變量間距離為1。首先，將各樣品自成一類；然后將距離最小的兩類合并。其中，定義類Gi與類Gj之間的距離為最遠(yuǎn)樣品的距離，公式為：

(10)

式中：dij為樣品Xi與Xj之間的距離；Dpq表示類Gp與Gq之間的距離。將類Gp與Gq合并為Gr，則任一類Gm與Gr的類間距離為：

max{Dmp,Dmq}

(11)

2.2 測試場景聚類結(jié)果

選取第1節(jié)的4個(gè)特征要素為聚類分析的參數(shù)，在聚類分析中，需將參數(shù)進(jìn)行賦值，以計(jì)算各測試用例之間的距離?？紤]到本文只針對(duì)名義變量，規(guī)定相同變量間距離為0，不同變量間距離為1。其中，對(duì)于幾乎靜止的要素如天氣等，可將其設(shè)置為較小的值?；谏鲜龇椒ǖ玫降木垲惤Y(jié)果如表4、表5所示。

表4 迭代記錄

根據(jù)表4可得，當(dāng)進(jìn)行第4次迭代時(shí)，各個(gè)聚類中心的絕對(duì)坐標(biāo)不再改變。因此，本文最終的聚類個(gè)數(shù)為4。根據(jù)SPSS得到的結(jié)果，查閱要素編碼表，最終得到4種危險(xiǎn)典型場景，如表5所示。

表5 4種危險(xiǎn)典型場景

3 前車車速預(yù)測模型

本文基于采集的實(shí)車數(shù)據(jù)作為樣本，利用馬爾科夫模型和循環(huán)神經(jīng)網(wǎng)絡(luò)分別對(duì)平穩(wěn)工況和快變工況下前車車速進(jìn)行預(yù)測。

3.1 前車狀態(tài)數(shù)據(jù)采集

本文以某公司生產(chǎn)的自動(dòng)駕駛巴士為測試車輛，車上裝載多線激光雷達(dá)和毫米波雷達(dá)，底盤采用CAN總線進(jìn)行通訊，對(duì)實(shí)際道路工況進(jìn)行采集。由于實(shí)際道路采集的數(shù)據(jù)受周圍環(huán)境、道路結(jié)構(gòu)、駕駛風(fēng)格等因素影響，因此需要對(duì)數(shù)據(jù)進(jìn)行處理。其中采集的數(shù)據(jù)集包括前車速度、前車加速度等數(shù)據(jù)。為建立符合我國交通特征的跟車工況，根據(jù)以下準(zhǔn)則篩選出相應(yīng)數(shù)據(jù)[7]。

1) 考慮到換道、超車情況，前后兩車距離應(yīng)滿足|Δdi|<8 m，其中Δdi為主車與前車之間的距離，單位為m。

2) 為確保跟車安全，兩車速度差應(yīng)滿足|Δvi|<5 km/h，其中Δvi為主車與前車速度之差。

3) 連續(xù)跟車大于10 s時(shí)，不考慮起步、停車過程。

根據(jù)上述準(zhǔn)則篩選出車輛跟車數(shù)據(jù)，其中前車速度、加速度概率分布情況如圖3、圖4所示。

圖3 前車速度概率分布

圖4 前車加速度概率分布

3.2 平穩(wěn)工況下預(yù)測模型構(gòu)建

為準(zhǔn)確預(yù)測前車運(yùn)動(dòng)狀態(tài)，參照文獻(xiàn)[14]的工況判斷方法，將篩選出的工況分為平穩(wěn)工況和快變工況。以采集的數(shù)據(jù)為基礎(chǔ)，在平穩(wěn)工況下構(gòu)建基于馬爾科夫的前車狀態(tài)預(yù)測模型。假設(shè)車輛未來的狀態(tài)與歷史狀態(tài)無關(guān)，則當(dāng)前車輛的狀態(tài)變化可視為一種馬爾科夫過程。假設(shè)駕駛過程為隨機(jī)過程ω，ω(m)為m時(shí)刻前車的狀態(tài)，其中ω(m)可以表示速度、加速度等參數(shù)的隨機(jī)組合。根據(jù)條件概率定義，由狀態(tài)sm轉(zhuǎn)移到sn的轉(zhuǎn)移概率可定義為：

Tmn={X(t+1)=sm|X(t)=sn}

(12)

式中：Tmn為t時(shí)刻的轉(zhuǎn)移概率，即從t時(shí)刻sm轉(zhuǎn)移到t+1時(shí)刻sn的概率。將歷史數(shù)據(jù)劃分為若干片段，隨機(jī)組成不同狀態(tài)并依次編碼。車輛運(yùn)行時(shí)，狀態(tài)間隨機(jī)進(jìn)行轉(zhuǎn)換，可根據(jù)這一屬性和歷史數(shù)據(jù)得到狀態(tài)轉(zhuǎn)移矩陣，公式如下：

(13)

(14)

式中：vm為下一時(shí)刻車速；vn為當(dāng)前車速；aj(m)為下一時(shí)刻加速度。根據(jù)單次試驗(yàn)時(shí)的數(shù)據(jù)，可得到馬爾科夫鏈轉(zhuǎn)移概率矩陣元素，如圖5所示。

圖5 馬爾科夫模型轉(zhuǎn)移矩陣元素

3.3 快變工況下預(yù)測模型構(gòu)建

考慮到馬爾科夫預(yù)測模型在前車工況波動(dòng)較大時(shí)預(yù)測魯棒性較弱，不能實(shí)時(shí)為主車提供準(zhǔn)確的前車運(yùn)行狀態(tài)。因此，本文采用循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)對(duì)前車多變工況進(jìn)行預(yù)測，通過對(duì)駕駛行為序列的自學(xué)習(xí)預(yù)測前車狀態(tài)[16]。

循環(huán)神經(jīng)網(wǎng)絡(luò)具有深度神經(jīng)網(wǎng)絡(luò)的輸入、輸出和隱藏層，且隱藏層具有傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的前饋連接，并且每個(gè)神經(jīng)元都具有自反饋功能，RNN模型如圖6所示。

圖6 RNN模型示意圖

其中，定義RNN模型的輸入層xt(n)為歷史車速和加速度信息，輸出層yt為前車未來車速和及加速度，隱藏層采用具有自反饋功能的偏執(zhí)向量。

(15)

式中：W為權(quán)重系數(shù)矩陣(Wxh表示輸入層到隱藏層的權(quán)重系數(shù))；b為偏置向量(bh表示隱藏層的偏置向量)；fa為激活函數(shù)，t為當(dāng)前時(shí)刻。其中損失函數(shù)為：

(16)

式中：pi和yi分別為前車車速預(yù)測值和真實(shí)值；(m-l,l)為輸出結(jié)果的維度。設(shè)定損失函數(shù)最小為優(yōu)化目標(biāo)。RNN模型根據(jù)輸入的歷史車速和加速度信息預(yù)測未來車速，根據(jù)相應(yīng)的誤差項(xiàng)和權(quán)重梯度實(shí)現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)在線學(xué)習(xí)。

4 仿真驗(yàn)證與分析

為驗(yàn)證前文中車速預(yù)測模型和測試場景生成方法的有效性，在Prescan和Matlab/Simulink中搭建聯(lián)合仿真平臺(tái)。車輛模型選用Prescan自帶車型，在Prescan界面中對(duì)車輛、場景參數(shù)、輸入輸出進(jìn)行配置，通過界面可實(shí)時(shí)觀察仿真結(jié)果。圖7為部分三維仿真場景。定位系統(tǒng)和傳感器融合策略在Matlab/Simulink中搭建，設(shè)置采樣時(shí)間間隔為0.1 s?？紤]到自車車速的危險(xiǎn)工況多在20～40 km/h，將測試車輛采集的數(shù)據(jù)作為樣本數(shù)據(jù)，統(tǒng)計(jì)可得目標(biāo)車加速度呈近似正態(tài)分布。

圖7 部分三維仿真場景

將聚類的4種場景中自車車速作為歷史數(shù)據(jù)，可得城市場景、二級(jí)公路場景、三級(jí)公路場景的速度，如圖8所示。3種場景中的速度誤差集中在 2 km/h范圍內(nèi)，考慮到原始工況下車輛隨機(jī)性及環(huán)境隨機(jī)性較大，通過對(duì)采集數(shù)據(jù)的學(xué)習(xí)得到預(yù)測模型，結(jié)果存在一定的差異，其中體現(xiàn)了車輛狀態(tài)的隨機(jī)性。城市場景車輛頻繁啟停，速度誤差波動(dòng)較大，二級(jí)公路、三級(jí)公路波動(dòng)較小。

圖8 3種場景預(yù)測速度誤差

5 試驗(yàn)驗(yàn)證與分析

為進(jìn)一步驗(yàn)證前文提出的前車車速預(yù)測模型的準(zhǔn)確性，利用某公司生產(chǎn)的自動(dòng)駕駛套件標(biāo)定系統(tǒng)將模型參數(shù)導(dǎo)入至整車控制器中，進(jìn)行實(shí)驗(yàn)驗(yàn)證。試驗(yàn)小車如圖9所示。

圖9 試驗(yàn)小車

5.1 試驗(yàn)小車通訊方式

全車采用基于CAN卡的通訊方式，協(xié)議采用主從通訊模式，主設(shè)備是測量標(biāo)定系統(tǒng)，從設(shè)備是整車控制器。當(dāng)主從設(shè)備建立聯(lián)系后，主設(shè)備控制所有通訊數(shù)據(jù)，從設(shè)備接受數(shù)據(jù)并反饋代碼信息和報(bào)文。

5.2 試驗(yàn)

在實(shí)車試驗(yàn)前，啟動(dòng)Dreamview平臺(tái)，并在Cyber monitor里查看小車定位、感知、預(yù)測等通道的信號(hào)是否正常。試驗(yàn)時(shí)小車安全車速為20～30 km/h，最大加速度為5 m/s2。實(shí)車測試表明：在試驗(yàn)條件下，預(yù)測模型能平均提前4.86 s預(yù)測前車車速，且單程誤差率小于0.1%，誤差較小且實(shí)用價(jià)值較高。分別對(duì)試驗(yàn)后速度指標(biāo)和加速度指標(biāo)進(jìn)行分析，試驗(yàn)與仿真場景如圖10—12所示。通過觀察3種場景下前車速度和加速度的試驗(yàn)與仿真對(duì)比圖，其變化趨勢基本一致。部分片段偏差過大，這種現(xiàn)象是由試驗(yàn)環(huán)境及測量誤差造成的，均在合理范圍之內(nèi)。

圖10 城市場景試驗(yàn)與仿真

圖11 二級(jí)公路場景試驗(yàn)與仿真

圖12 三級(jí)公路場景仿真與試驗(yàn)

根據(jù)表6可以看出，城市場景和二級(jí)公路場景誤差車速較小，三級(jí)公路場景誤差車速較大，這是因?yàn)樵囼?yàn)條件和測試誤差造成的。由此可以看出，所構(gòu)建的車速預(yù)測模型能較好地預(yù)測前車車速，實(shí)車試驗(yàn)驗(yàn)證了預(yù)測模型仿真系統(tǒng)的有效性。

表6 預(yù)測試驗(yàn)結(jié)果

6 結(jié)論

1) 基于NAIS數(shù)據(jù)庫，在置信區(qū)間為95%時(shí)，在構(gòu)建的多元線性回歸模型中提取得到4個(gè)特征要素，對(duì)特征要素使用K均值聚類算法，挖掘出4種危險(xiǎn)典型場景。

2) 基于實(shí)際跟車數(shù)據(jù)，分別對(duì)平穩(wěn)工況和快變工況建立馬爾科夫和循環(huán)神經(jīng)網(wǎng)絡(luò)車速預(yù)測模型?；赑rescan、Simulink聯(lián)合仿真平臺(tái)，對(duì)典型場景下車速預(yù)測模型進(jìn)行驗(yàn)證，仿真結(jié)果表明：所提出模型的車速預(yù)測誤差小于2 km/h，在合理范圍內(nèi)。

3) 基于馬爾科夫模型和循環(huán)神經(jīng)網(wǎng)絡(luò)模型平均能提前4.86 s預(yù)測前車車速，且單程誤差小于0.1%，實(shí)用性較高。未來的工作是探究如何快速生成典型測試場景。