一種基于駕駛員制動(dòng)行為的車輛主動(dòng)避撞模型研究

劉志強(qiáng)，張春雷，倪 婕，朱偉達(dá)

(江蘇大學(xué) 汽車與交通工程學(xué)院， 江蘇 鎮(zhèn)江 212013)

國(guó)內(nèi)外學(xué)者提出了固定距離法、駕駛員預(yù)估模法等安全距離模型[3-4]和碰撞時(shí)間模型(time to collision，TTC)以實(shí)現(xiàn)主動(dòng)避撞功能，但由于安全距離模型公路利用率低、參數(shù)獲取困難等原因并未得到推廣[5]。碰撞時(shí)間模型未考慮兩車同速行駛時(shí)的危險(xiǎn)狀態(tài)，存在理論缺陷，且未考慮駕駛員因素，不能反映駕駛員避撞特性，因此接受度不高。

基于此，本文通過(guò)在駕駛模擬儀上獲得的10名駕駛員的多組跟車試驗(yàn)數(shù)據(jù)，采用PCA分析法確定的4個(gè)相關(guān)的車輛狀態(tài)參數(shù)來(lái)描述駕駛員制動(dòng)行為，建立符合駕駛員跟車習(xí)慣的制動(dòng)行為模型(driver’s braking behavior，DBB)。在此基礎(chǔ)上完成DDB模型和TTC模型的仿真分析。最后通過(guò)模擬駕駛儀對(duì)DBB模型和TTC模型進(jìn)行試驗(yàn)分析。

1 試驗(yàn)數(shù)據(jù)采集及分析

1.1 駕駛參數(shù)數(shù)據(jù)采集

本文試驗(yàn)數(shù)據(jù)采集平臺(tái)采用的是基于虛擬交通環(huán)境的交通安全研究實(shí)驗(yàn)平臺(tái)——江蘇大學(xué)“QJ-4B1型6自由度模擬駕駛器”。本研究試驗(yàn)場(chǎng)景為雙向4車道的城市道路，初始兩車相距18 m，考慮了前導(dǎo)車加速、勻速、減速3種行駛狀態(tài)，符合實(shí)際交通環(huán)境。圖1為前導(dǎo)車加速度曲線。

在正式開(kāi)始試驗(yàn)前允許每位試驗(yàn)者先按照設(shè)計(jì)場(chǎng)景進(jìn)行幾次預(yù)試驗(yàn)，以便被試人員熟悉駕駛儀的操作。當(dāng)被試者適應(yīng)虛擬駕駛場(chǎng)景后開(kāi)始試驗(yàn)，每位試驗(yàn)人員的場(chǎng)景都是一樣的，以保證所采集的數(shù)據(jù)的通用性和可對(duì)比性。另外，由于模擬駕駛儀對(duì)前導(dǎo)車加速度信息設(shè)定的局限性導(dǎo)致前導(dǎo)車的速度曲線過(guò)于理想化，與實(shí)際道路行駛過(guò)程中車輛運(yùn)行狀態(tài)的復(fù)雜多變性不符，所以本文首先進(jìn)行了一組預(yù)試驗(yàn)，即以圖1所示的前導(dǎo)車加速度為試驗(yàn)場(chǎng)景，采集后車運(yùn)行速度值，結(jié)果見(jiàn)圖2。在正式試驗(yàn)過(guò)程中以預(yù)試驗(yàn)時(shí)后車的速度值作為前導(dǎo)車的速度信息。

圖1 前導(dǎo)車加速度曲線

通過(guò)查閱文獻(xiàn)及相關(guān)資料可發(fā)現(xiàn)[6]：與跟馳有關(guān)的參數(shù)包括前車加速度a1、相對(duì)距離d、相對(duì)速度Δv、碰撞時(shí)間倒數(shù)TTCi、車頭時(shí)距THW、前車速度v1、自車速度v2。通過(guò)對(duì)某次試驗(yàn)采集的在駕駛員采取制動(dòng)措施前2 s內(nèi)參數(shù)的變化進(jìn)行分析(見(jiàn)圖3)，從數(shù)據(jù)變化上可以認(rèn)為駕駛員制動(dòng)行為是受到這些外界信息變化的刺激而產(chǎn)生的。所以，本文采集的試驗(yàn)數(shù)據(jù)為：① 跟馳制動(dòng)行為數(shù)據(jù)，包括相對(duì)距離d、車頭時(shí)距THW、碰撞時(shí)間倒數(shù)TTCi、自車加速度a2、自車速度v2、前車加速度a1、相對(duì)速度Δv；② 制動(dòng)意圖數(shù)據(jù)，包括制動(dòng)踏板開(kāi)度、制動(dòng)踏板開(kāi)度變化率。THW、TTCi是通過(guò)采集的車速、距離參數(shù)運(yùn)算得到。

車頭時(shí)距(THW)計(jì)算公式為

TWH=D/V1

(1)

碰撞時(shí)間倒數(shù)(TTCi)計(jì)算公式為：

6）電氣設(shè)備：主要由供配電部分、液壓動(dòng)力部分、控制部分、照明部分、信號(hào)顯示及安全信號(hào)保護(hù)等部分組成。移動(dòng)式電站能滿足堆料裝置和配套進(jìn)料裝置的供電，堆料裝置自身配置移動(dòng)式電站，使得堆料裝置應(yīng)用更加自如，無(wú)論是否有岸電，或岸電的頻率電壓等級(jí)如何，堆料裝置都能獨(dú)立工作。

TTCi=1/TTC=ΔV/D

(2)

圖4是后車速度、加速度數(shù)據(jù)采集片段。圖5為自車速度、加速度數(shù)據(jù)采集片段。

圖3 制動(dòng)前2 s參數(shù)變化

圖4 后車速度、加速度數(shù)據(jù)采集片段

圖5 自車速度、加速度數(shù)據(jù)采集片段

1.2 基于PCA的試驗(yàn)數(shù)據(jù)分析

本文基于PCA理論對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行分析，以確定試驗(yàn)采集參數(shù)對(duì)駕駛員制動(dòng)行為特性的貢獻(xiàn)率。設(shè)定試驗(yàn)采集到的前車加速度a1、相對(duì)距離d、相對(duì)速度Δv、碰撞時(shí)間倒數(shù)TTCi、車頭時(shí)距THW、前車速度v1、自車速度v2依次為X1,X2,…,X7，對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理：

(3)

式中：μi為Xi的均值；σii為Xi的標(biāo)準(zhǔn)差；Zi為標(biāo)準(zhǔn)化后的試驗(yàn)參數(shù)。

任意兩主成分Xi、Xj之間的協(xié)方差為

(4)

令Σ表示7個(gè)變量的協(xié)方差矩陣，則

(5)

為避免因變量間所采用的量綱不同而引起的協(xié)方差數(shù)值上的變化所帶來(lái)的弊端，用相關(guān)系數(shù)來(lái)衡量協(xié)方差。Xi與Xj之間的相關(guān)系數(shù)為

(6)

標(biāo)準(zhǔn)化矩陣Z=[Z1,Z2,…,Z7]的第i個(gè)主成分Yi表達(dá)式為

(7)

(8)

主成分Xi的方差對(duì)總方差的貢獻(xiàn)率為

(9)

式中λi為主成分Xi的特征值，即該主成分的方差。

本文基于WEKA[7]軟件平臺(tái)對(duì)數(shù)據(jù)進(jìn)行PCA處理，試驗(yàn)樣本的數(shù)據(jù)分布見(jiàn)圖6。經(jīng)計(jì)算，貢獻(xiàn)率前4的參數(shù)的累計(jì)貢獻(xiàn)率及特征值如表1所示。

由以上結(jié)果可知：本文選取TTCi、Δv、a1、d這4個(gè)主要參數(shù)即可建立駕駛員制動(dòng)行為模型。

圖7 BP神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)

2 駕駛員制動(dòng)行為模型

2.1 BP神經(jīng)網(wǎng)絡(luò)理論

BP(back propagation)神經(jīng)網(wǎng)絡(luò)是由Rumelhart和McMelland領(lǐng)導(dǎo)的科學(xué)小組于1986年提出的一種多層前饋型神經(jīng)網(wǎng)絡(luò)[8-9]。在預(yù)測(cè)過(guò)程中，該神經(jīng)網(wǎng)絡(luò)通過(guò)將信號(hào)向前方傳遞、誤差向后方傳遞的方式不斷調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值和閾值，使得網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的誤差平方和盡可能最小[9]。圖7為BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，其中：X1、X2、…、Xn為BP神經(jīng)網(wǎng)絡(luò)模型的輸入值；Y1、Y2、…、Ym為預(yù)測(cè)值；ωij、ωjk為BP神經(jīng)網(wǎng)的權(quán)值。

2.2 基于BP神經(jīng)網(wǎng)絡(luò)的駕駛員制動(dòng)行為模型

表2 訓(xùn)練結(jié)果

根據(jù)Kolmogorov學(xué)者的研究發(fā)現(xiàn)：3層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)在中間層節(jié)點(diǎn)數(shù)充足時(shí)具有任意R上[0,1]到R的映射能力和組織、適應(yīng)能力[10]。因此，本文選用4-n-1三層結(jié)構(gòu)。輸入層4個(gè)節(jié)點(diǎn)為前車加速度a1、相對(duì)距離d、相對(duì)速度Δv、碰撞時(shí)間倒數(shù)TTCi，輸出層1個(gè)節(jié)點(diǎn)為后車加速度aego。

為了確定模型的最佳中間層節(jié)點(diǎn)數(shù)，對(duì)不同節(jié)點(diǎn)數(shù)下模型的預(yù)測(cè)效果進(jìn)行了相互對(duì)比。神經(jīng)網(wǎng)絡(luò)其他初始參數(shù)設(shè)置為：學(xué)習(xí)率0.05，動(dòng)量常數(shù)0.9，最大訓(xùn)練次數(shù)1 500。表2為120 s循環(huán)訓(xùn)練時(shí)長(zhǎng)下的最佳訓(xùn)練進(jìn)度和最短訓(xùn)練時(shí)間。

由表2可知：中間層節(jié)點(diǎn)數(shù)為7和13時(shí)訓(xùn)練結(jié)果最好，其預(yù)測(cè)結(jié)果如圖8所示。由圖8可以看出：中間層節(jié)點(diǎn)數(shù)為13時(shí)本預(yù)測(cè)模型的訓(xùn)練精度最高。因此，本文模型的中間層節(jié)點(diǎn)數(shù)為13。

圖9為對(duì)模型進(jìn)行預(yù)測(cè)訓(xùn)練的樣本點(diǎn)分布和誤差曲線。圖10為訓(xùn)練模型的BP神經(jīng)網(wǎng)絡(luò)回歸結(jié)果。由圖10可以看出：該模型在1 600次迭代時(shí)誤差為0.001，樣本的回歸性和預(yù)測(cè)性較好。

圖8 中間層節(jié)點(diǎn)數(shù)為7和13時(shí)的模型訓(xùn)練結(jié)果

圖9 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

2.3 模型驗(yàn)證

為了檢驗(yàn)駕駛?cè)酥苿?dòng)行為模型的有效性和通用性，重新選取240組未參與建模的試驗(yàn)數(shù)據(jù)進(jìn)行模型驗(yàn)證。通過(guò)檢驗(yàn)樣本的預(yù)測(cè)值與樣本實(shí)際值的吻合度來(lái)檢驗(yàn)制動(dòng)行為模型的有效性。圖11為本次模型檢測(cè)結(jié)果，可以看出本次的240組檢測(cè)樣本中只有3組數(shù)據(jù)檢測(cè)樣本誤差絕對(duì)值超過(guò)1。圖12為試驗(yàn)車輛加速度真值與基于BP神經(jīng)網(wǎng)絡(luò)的制動(dòng)行為模型預(yù)測(cè)值的變化情況，圖中試驗(yàn)車加速度真值與本文模型的預(yù)測(cè)值能較好匹配。因此，本文駕駛?cè)酥苿?dòng)行為模型對(duì)于駕駛?cè)酥苿?dòng)行為的預(yù)測(cè)較為準(zhǔn)確，表明該模型是有效的。

圖10 BP神經(jīng)網(wǎng)絡(luò)回歸結(jié)果

圖11 制動(dòng)行為模型檢測(cè)結(jié)果

圖12試驗(yàn)車加速度真值與預(yù)測(cè)值

3 結(jié)論

本文通過(guò)仿真和試驗(yàn)證實(shí)了DBB模型的有效性和通用性，表明該模型能準(zhǔn)確預(yù)測(cè)車輛的加速度值。

1) 該模型在1 600次迭代時(shí)誤差已經(jīng)達(dá)到0.001，樣本的回歸性和預(yù)測(cè)性能較好。

2) 對(duì)試驗(yàn)采集未參與建模的240組檢測(cè)樣本進(jìn)行模型驗(yàn)證，只有3組數(shù)據(jù)檢測(cè)樣本誤差絕對(duì)值超過(guò)1，說(shuō)明該模型具有有效性和通用性。

3) 采集到的試驗(yàn)車輛加速度真值與應(yīng)用該模型預(yù)測(cè)得到的預(yù)測(cè)加速度值基本吻合。

[1] 李瑾南，萬(wàn)娟，李凱，等.智能交通系統(tǒng)發(fā)展及趨勢(shì)分析[J].工業(yè)技術(shù)創(chuàng)新，2014，1(3)：374-380.

[2] 王國(guó)鋒，宋鵬飛，張?zhí)N靈.智能交通系統(tǒng)發(fā)展與展望[J].公路，2012(5)：217-222.

[3] HIRAOKA T，TANAKA M，KUMAMOTO H，et al.Collision risk evaluation index based on deceleration for collision avoidance (first report)-Proposal of a new index to evaluate collision risk against forward obstacles[J].Review of Automotive Engineering，2009，30(4):429-437.

[4] 武黎明，方正鵬.淺談智能交通對(duì)道路交通安全的作用[J].公路交通科技，2014(3)：276-278.

[5] 吳濤.考慮駕駛者避撞行為特性的汽車前方防碰撞系統(tǒng)研究[D].長(zhǎng)春：吉林大學(xué)，2014.

[6] TAKADA S，HIRAOKA T，KAWAKAMI H.Effectiveness of forward obstacles collision warning system based on deceleration for collision avoidance[J].IET Intelligent Transport Systems，2014，8(6):570-579.

[7] 威滕.數(shù)據(jù)挖掘= Data Mining:Practical Machine Learning Tools and Techniques [M].2版.北京：機(jī)械工業(yè)出版社，2005.

[8] The improvements of BP neural network learning algorithm[C]//WCCC-ICSP 2000，5th International Conference on.USA:IEEE，2000:1647-1649.

[9] WU W，F(xiàn)ENG G，LI Z，et al.Deterministic convergence of an online gradient method for BP neural networks[J].IEEE Transactions on Neural Networks，2005，16(3):533-540.

[10] 朱凱，王正林.精通 MATLAB 神經(jīng)網(wǎng)絡(luò)[M].北京：電子工業(yè)出版社，2010.