馬國成,劉昭度,裴曉飛,王寶鋒,齊志權
(北京理工大學機械與車輛學院,北京 100081)
旁車道車輛并線意圖識別是駕駛員輔助系統(tǒng)的重要組成部分,它可對自適應巡航控制(adaptive cruise control, ACC)等駕駛員輔助系統(tǒng)提供決策參考信息,以改善在旁車道車輛并線工況下的控制效果。ACC可由車載雷達獲取交通信息并通過電子節(jié)氣門和主動制動系統(tǒng)完成主車道車輛縱向動力自動控制,以實現(xiàn)定速巡航(安全車距內(nèi)無前車)或以安全車距跟隨前車行駛(前車車速小于巡航車速),由此可減輕駕駛員的負擔并減小追尾事故發(fā)生的概率[1-2]。但目前的ACC系統(tǒng)大都只利用主車道內(nèi)的目標車輛行駛信息進行控制決策,在并線工況下,只有旁車道車輛完全進入主車道內(nèi)時才會引起ACC目標車輛的改變,因此主車道車輛不能提前利用旁車道車輛的并線行駛信息進行控制。特別是在旁車道車輛強行并線工況下,目標車輛更新滯后會造成安全隱患,當ACC系統(tǒng)在主車道內(nèi)檢測到并線車輛時往往會對主車道車輛施加大強度制動以避免碰撞,這會影響到主車道車輛乘員的舒適性和后續(xù)車輛的正常行駛。如果在并線車輛尚在旁車道時即可確定其并線意圖,使主車道車輛提前按并線車輛更新期望車速與期望車距,則可避免上述問題。因此,旁車道車輛并線意圖識別對上述工況的ACC控制尤為重要。
針對傳統(tǒng)ACC的旁車道車輛并線工況,文獻[3]中利用仿真證實了約有一半的駕駛員為確保安全會主動采取制動操作以中斷ACC的自動控制。為了描述車輛并線行為,文獻[4]中建立了多車交互的并線模型,但它只能說明有并線需求的駕駛員會在何種行駛條件下采取并線操作,并不能檢測駕駛員的并線意圖與動作;文獻[5]中則采用主車道車輛與旁車道車輛的側向相對距離與相對速度利用模糊決策來確定旁車道車輛的并線意圖,認為有較小側向相對距離與較大側向相對速度的旁車道車輛為并線車輛,但這種方法主觀因素較大,有時不能客觀反映并線車輛的行駛規(guī)律。針對以上問題,本文中采用機器學習的方法,利用模糊支持向量機對實際行駛工況下的旁車道車輛并線數(shù)據(jù)樣本進行學習,得到基于實測數(shù)據(jù)的并線意圖識別器,以用于實車ACC控制器對旁車道車輛并線意圖的實時在線識別。
本文中利用模糊支持向量機進行并線意圖識別器的訓練,因此并線樣本包括訓練樣本與待分類樣本,它們均可在實際的交通環(huán)境中獲得,且其結構組成一致。其中訓練樣本在經(jīng)過離線人工分類獲得分類標簽后用于并線意圖識別器的訓練,而待分類樣本在ACC控制中實時通過并線意圖識別器判斷旁車道車輛的并線意圖,如圖1所示。
為了充分描述主車道車輛與旁車道車輛的運動關系,訓練樣本與待分類樣本由7個結構屬性組成,包括主車道車輛速度vh、主車道車輛與旁車道車輛的縱向相對車距dx、縱向相對車速vx、縱向相對加速度ax、橫向相對車距dy、橫向相對車速vy和橫向相對加速度ay。車載雷達的目標更新周期為50ms,因此并線樣本的更新與雷達保持一致。同時,在先前的研究中已經(jīng)完成了雷達對主車道和旁車道目標的跟蹤[6],因此dx、vx、dy和vy可由雷達返回目標車輛的相對距離dd、相對車速vd(徑向速度)與方位角θd按下式計算:
(1)
(2)
相對加速度信息無法直接獲得,可設計以dx(dy)、vx(vy)、ax(ay)為狀態(tài)變量,以dx(dy)、vx(vy)為觀測量的3維Kalman濾波器,但考慮到在并線意圖的實時識別過程中3階矩陣的求逆會過多占用嵌入式控制器的資源,所以設計了以vx(vy)、ax(ay)為狀態(tài)變量,以vx(vy)為觀測量的2維Kalman濾波器,進行狀態(tài)估算:
Kk=APkCT(CPkCT+Sz)-1
(3)
(4)
(5)
由圖2可知,相比直接利用vx差分計算ax,Kalman濾波估計得到的ax可有效抑制噪聲,避免了并線樣本信息的不準確。同時對ay的估計也有相同的結論。
訓練樣本由主車道車輛在實際交通環(huán)境中采集獲得,經(jīng)過離線分析后,把并線車輛從開始向主車道移動至完全進入主車道后的樣本標記為1,認為檢測到駕駛員有并線意圖(正樣本);而把其余的旁車道車輛樣本標記為-1,認為駕駛員沒有并線意圖(負樣本)。由此共獲得正樣本52組(左右車道并線各26組),共計7 683個樣本點,負樣本87組(左車道43組,右車道44組),共計15 426個樣本點。這些帶有分類標記的樣本點將用于并線意圖識別器訓練。在獲得并線意圖識別器后,由ACC控制器實時采集計算得到的待分類樣本即可根據(jù)其對識別器輸出的結果來判斷旁車道車輛的并線意圖。
支持向量機是基于統(tǒng)計學習理論的一種機器學習算法,它可在模型的復雜度和學習能力之間獲得較佳折衷,并可轉化為凸二次優(yōu)化問題進行求解,因此支持向量機算法簡單,且學習后得到的模型有較強的推廣能力[7],適合本文中小樣本學習的情況。支持向量機解決二分類問題的過程如下。
設序號為i的訓練樣本點為(xi,yi),其中xi為樣本的屬性,在本文中xi由vh、dx、vx、ax、dy、vy和ay7個屬性構成;yi為該樣本的分類標簽,以1表示有并線意圖的樣本,以-1表示沒有并線意圖的樣本。一般情況下,設樣本有m個屬性,則在訓練過程中支持向量機希望獲得m維分類超平面ω·x+b=0,使所有訓練樣本(xi,yi)滿足:
yi(ω·xi+b)≥1
(6)
(7)
為了求解由式(6)和式(7)組成的優(yōu)化問題,構造如下的Lagrange函數(shù):
(8)
式中n為訓練樣本的個數(shù)。
為求解式(8)的最小值,分別對ω、b、αi求偏導數(shù)并令其等于0,則式(8)的優(yōu)化問題可轉化為關于αi的凸二次規(guī)劃尋優(yōu)的對偶問題:
(9)
f(x)= sgn((ω*·x)+b*)=
(10)
式中x為待識別的樣本。
但在m維空間中,往往存在訓練樣本線性不可分的情況,即并不是所有樣本都滿足式(6),此時主要通過以下方法提高分類準確度。首先通過映射zi=φ(xi)使學習樣本向更高維空間轉換,以提高分類準確率。式(9)的計算中只包括向量的點積,因此通過引入核函數(shù)K(xi,xj)來計算變換后高維空間中向量的點積zi·zj,以提高計算效率。其次通過引入松弛變量ξi來容許部分訓練樣本錯分,并在式(7)中引入懲罰項Cξi來權衡錯分點對最優(yōu)分類面的影響。
但是在上述支持向量機中,對所有訓練樣本點都作等權重考慮,而在實際中各訓練樣本點的重要程度和準確性各不相同,如在駕駛員開始并線操作的初始時刻,并線樣本點與非并線樣本點的差異并不大,不能明確反映駕駛員的并線操作特性,因此需要考慮訓練樣本的權重問題。模糊支持向量機可以根據(jù)訓練樣本點(xi,yi)屬于某類的權重不同引入模糊隸屬系數(shù)si,使不同權重的樣本點對分類面的影響程度不同[8]。此時最優(yōu)分類面的求解轉化為
(11)
其對偶的凸二次規(guī)劃問題為
(12)
由所有訓練樣本點對式(2)求解后可得關于αi的最優(yōu)解,此時便可得到分類識別器,其判別函數(shù)為
(13)
RBF核函數(shù)形式簡單且能更有效地將樣本向高維空間中映射,因此本文中選它作為求解式(12)的核函數(shù)。RBF核函數(shù)的基本形式為
(14)
此時,式(12)的優(yōu)化問題中存在2個參數(shù)C與σ,它們的值可通過網(wǎng)格優(yōu)化進行選取。即確定C與σ的取值范圍后,按一定的步長選取其所有可能的取值點,并在這些點上計算交叉檢驗正確率。在不同的C與σ下,得到最大交叉檢驗正確率的點即為C與σ的最優(yōu)取值。交叉檢驗正確率是指將所有訓練樣本隨機分成t組,用t-1組的樣本訓練識別器,利用剩余的1組樣本對訓練后的識別器進行檢驗,得到1個識別正確率,之后再將訓練樣本和檢驗樣本進行輪換,直至得到t個正確率,正確率的平均值即為交叉檢驗正確率。考慮到運算效率,將交叉檢驗的分組數(shù)設為5,同時在網(wǎng)格初始尋優(yōu)時采用較大的步長,在獲得可能存在最大值的區(qū)域后再在其領域附近利用小步長進行尋優(yōu),直至找出C與σ的最優(yōu)值。本文中σ的取值范圍為[2-8,28],同時為避免過大的C造成分類器的過學習,限制其范圍為[2-8,2]。網(wǎng)格優(yōu)化的結果如圖3所示。
優(yōu)化后C與σ的值分別為0.94、1.87,此時交叉檢驗正確率為92.98%。利用此參數(shù)進行分類器的訓練,得到如式(13)的并線意圖識別器,其中共有支持向量487個(正樣本221個,負樣本266個)。
將第3節(jié)中得到的并線意圖識別器編寫入車載嵌入式控制器中,在實際道路交通環(huán)境下對其性能進行試驗。試驗共捕捉到12組旁車道車輛并線過程與17組旁車道車輛正常行駛過程,其中的一次并線識別結果如圖4所示。
在圖4的試驗中,旁車道車輛約在17s時從右側車道向主車道并線行駛。由圖4(c)與圖4(d)可知,普通支持向量機與模糊支持向量機都能對并線過程做出及時的識別,但后者識別的準確率要高于前者。同時為了濾除在模糊支持向量機中仍存在的樣本誤識別的情況,對圖4(d)的結果做如下處理:當并線狀態(tài)為-1(沒有檢測到并線)時,如果最近4個檢測周期中有3個檢測到并線發(fā)生,則并線狀態(tài)置1(檢測到并線);而當并線狀態(tài)為1時,最近4個檢測周期中有3個檢測到?jīng)]有并線發(fā)生,則并線狀態(tài)置為-1,其它情況下并線狀態(tài)保持不變。經(jīng)過處理后的結果如圖4(e)所示,可知利用此方法可使識別結果的準確率得到進一步提高。雖然圖4(e)的識別過程比圖4(d)約滯后了150ms,但與整體并線過程用時4~6s相比,滯后所占的時間可以忽略,并不影響在識別到并線意圖后對主車道車輛的控制。采用上述方法,12組并線試驗的平均誤報率(沒有檢測到并線)為5.7%,其中大部分誤報數(shù)據(jù)集中在駕駛員采取并線操作的初始時刻;而17組正常行駛試驗的平均誤報率(檢測到并線)為2.1%。
以上分析表明,本文中基于模糊支持向量機進行機器學習得到的并線意圖識別器可在車輛尚在旁車道行駛時即可有效檢測其并線意圖,可為ACC和其它駕駛員輔助系統(tǒng)提供決策依據(jù),使控制過程更加準確合理。
[1] Xiao Lingyun, Gao Feng. A Comprehensive Review of the Development of Adaptive Cruise Control Systems [J]. Vehicle System Dynamics, 2010, 48(10):1167-1192.
[2] Moon Seungwuk, Cho Wanki, Yi Kyongsu. Intelligent Vehicle Safety Control Strategy in Various Driving Situations[J]. Vehicle System Dynamics, 2010, 48(1):537-554.
[3] Bako Rajaonah, Francoise Anceaux, Fabrice Vienne. Trust and the Use of Adaptive Cruise Control: a Study of a Cut-in Situation [J]. Cognition Technology and Work, 2006, 8(2):146-155.
[4] Peter Hidas. Modelling Vehicle Interactions in Microscopic Simulation of Merging and Weaving [J]. Transportation Research Part C: Emerging Technologies, 2005, 13(1):37-62.
[5] Moon Seungwuk, Kang Hyoungjin, Yi Kyongsu. Multi Vehicle Target Selection for Adaptive Cruise Control [J]. Vehicle System Dynamics, 2010, 48(11):1325-1343.
[6] 李徑亮. 車輛ABS/ASR/ACC集成技術研究[D]. 北京:北京理工大學, 2011.
[7] Hsu Chihwei, Chang Chihchung, Lin Chihjen. A Practical Guide to Support Vector Classification [R]. Taiwan: National Taiwan University, 2010.
[8] Lin Chunfu,Wang Shengde. Fuzzy Support Vector Machines [J]. IEEE Transactions on Meural Networks, 2002, 13(2):464-471.
[9] Platt John C. Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines[R]. Microsoft Research, 1998.