基于DBN的特種車輛前向防撞推理模型

(河南理工大學(xué) 電氣工程與自動化學(xué)院，河南 焦作 454000)

特種車輛受天氣、道路、煙塵和自身體積、高度等因素的影響，駕駛員的視野受阻而導(dǎo)致碰撞事故頻發(fā)，給駕駛員的生命安全和設(shè)備安全帶來較大的損失[1]。車輛前向發(fā)生碰撞主要是由前向目標(biāo)的距離和相對速度，以及駕駛員的行為特征和環(huán)境因素共同作用的結(jié)果。近年來，對車輛防撞系統(tǒng)的研究，主要是借助激光傳感器、視覺傳感器、毫米波雷達傳感器等對車輛周圍的目標(biāo)進行獲取并進行篩選和預(yù)判，對駕駛員的行為進行分析，判斷車輛是否處于危險的狀態(tài)。由于車輛前向目標(biāo)和駕駛員的行為特征存在不確定性，且安裝在車輛上的傳感器也處于機動的狀態(tài)，導(dǎo)致所探測得到的相對距離和速度信息存在一定的誤差，若只考慮車輛單一時刻的風(fēng)險變量，可能會使車輛安全防撞系統(tǒng)產(chǎn)生漏警、虛警的情況，導(dǎo)致碰撞事故發(fā)生。動態(tài)貝葉斯網(wǎng)絡(luò)(Dynamic Bayesian Network,DBN)在處理不確定問題方面有很大的優(yōu)勢。因此本文從自然因素和駕駛員行為特征方面對車輛行駛安全進行評價，提出基于動態(tài)貝葉斯網(wǎng)絡(luò)的特種車輛前向防撞預(yù)警推理模型，根據(jù)實時獲得的數(shù)據(jù)信息，通過在時間片上對證據(jù)信息的累積，快速地對前向目標(biāo)的碰撞風(fēng)險做出預(yù)判，輔助車輛安全行駛。

1 車輛防撞系統(tǒng)

1.1 前方目標(biāo)信息獲取

通過內(nèi)部傳感器對自車的運動狀態(tài)信息進行獲取，外部傳感器感知周圍環(huán)境的信息。毫米波雷達可以較好地適應(yīng)惡劣環(huán)境，且具有穿透能力較強、測量距離遠、穩(wěn)定性好以及抗干擾能力強等優(yōu)點[2]。通過對傳感器的性能進行對比，本文選擇毫米波雷達對車輛前向目標(biāo)進行測量。毫米波雷達較強的探測能力可以有效地保障車輛對前方目標(biāo)障礙物進行精確識別和測距，是確保預(yù)警系統(tǒng)可靠性的前提。

毫米波雷達對前方目標(biāo)的測量是通過計算發(fā)射波與回波之間的時間差得到的。而車輛與前向目標(biāo)之間的相對速度是根據(jù)多普勒效應(yīng)來獲取的。速度v(單位m/s)的正負與目標(biāo)障礙物的運動趨勢有關(guān)系：當(dāng)目標(biāo)障礙物接近自車時v取正值，反之v取負值。

可以計算得到相對縱向距離[2]：

R=(cT/4ΔF)Δf

(1)

式中，c為光速(c=3×108m/s)；Δf為混頻輸出的頻率差；T為雷達的掃描周期；ΔF為信號的帶寬。發(fā)射信號與接收信號之間的滯后時間Δt和相對縱向距離R之間的關(guān)系為[2]

Δt=2R/c

(2)

1.2 車輛安全防撞模型

近年來，國內(nèi)外對車輛防撞預(yù)警模型的研究主要是在安全防撞距離和安全防撞時間，以及駕駛員行為的安全防撞系統(tǒng)方面。文獻[3]建立了不同路況下，根據(jù)車輛對地面的附著系數(shù)不同，分別計算不同路況下的安全距離，保證車輛的行駛安全。文獻[4]提出了基于縱向防撞時間的防撞預(yù)警算法，當(dāng)預(yù)估的碰撞時間達到預(yù)先設(shè)定的安全碰撞閾值，提示駕駛員前方危險的預(yù)警系統(tǒng)。文獻[5]通過對駕駛員的特性測試，統(tǒng)計分析駕駛員的行為參數(shù)，最后仿真驗證了巡航防撞系統(tǒng)的正確性，符合駕駛員行為特性。

由于固定的安全防撞閾值在不同的車速下會出現(xiàn)誤差，導(dǎo)致漏報或虛報的情況，采用基于不同車速下的安全防撞時間閾值模型。根據(jù)不同車速、駕駛員行為特征、周圍環(huán)境等因素設(shè)定的安全防撞時間閾值，可以實時計算車輛發(fā)生碰撞所需的時間，將其與安全碰撞時間進行對比，當(dāng)小于安全碰撞時間時發(fā)出預(yù)警信號。

2 基于動態(tài)貝葉斯網(wǎng)絡(luò)的車輛前向防撞推理模型

2.1 動態(tài)貝葉斯網(wǎng)絡(luò)(DBN)

貝葉斯網(wǎng)絡(luò)(Bayesian Networks,BNs)是一種基于概率關(guān)系的有向無環(huán)圖，由網(wǎng)絡(luò)節(jié)點、有向弧和先驗概率表構(gòu)成[6-7]。動態(tài)貝葉斯網(wǎng)絡(luò)是在傳統(tǒng)靜態(tài)貝葉斯網(wǎng)絡(luò)的基礎(chǔ)上加入時間序列因素，形成的能夠處理時序問題的新的隨機模型[8-10]。動態(tài)貝葉斯網(wǎng)絡(luò)在描述非線性、隨機變化的節(jié)點變量之間的不確定關(guān)系時擁有較強的優(yōu)勢。

為了簡化動態(tài)貝葉斯網(wǎng)絡(luò),需要滿足兩個假設(shè)[11]：若n1,n2,…,nt是從初始時刻到t時刻的狀態(tài)，則：

① 隨機過程需滿足馬爾科夫假設(shè)，即節(jié)點在t時刻的狀態(tài)只受t時刻的影響，可得

P(nt|n1,n2,…,nt)=P(nt|nt-1)

(3)

② 相鄰時間片上的網(wǎng)絡(luò)拓撲結(jié)構(gòu)不隨時間發(fā)生變化，即對所有的時刻t，條件概率P(nt|nt-1)都是一樣的?；谝陨霞僭O(shè)，可得到在時間序列上的動態(tài)貝葉斯網(wǎng)絡(luò)模型，包含先驗網(wǎng)絡(luò)B0和轉(zhuǎn)移網(wǎng)絡(luò)B→。先驗網(wǎng)絡(luò)定義了初始時刻節(jié)點變量的概率分布P(N0)，轉(zhuǎn)移網(wǎng)絡(luò)表示在時間片間的節(jié)點轉(zhuǎn)移概率。圖1為動態(tài)貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)圖。

圖1 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖

設(shè)N={n1,n2,…,nn}代表貝葉斯網(wǎng)絡(luò)的節(jié)點集合，用條件概率表示已知上一時刻，當(dāng)前時刻節(jié)點的概率分布[11]，即

(4)

其聯(lián)合概率分布為

P(N[0],N[1],…,N[t])=

(5)

2.2 動態(tài)貝葉斯網(wǎng)絡(luò)推理模型構(gòu)建和狀態(tài)劃分

通過對車載外部傳感器和內(nèi)部傳感器信息進行分析，提取其行為特征，得到影響車輛碰撞的因素既有人為因素(如駕駛員疲勞程度、駕駛員反應(yīng)時間、駕駛時間和駕駛艙內(nèi)的溫度等)，也有外界因素(如天氣、車輛與道路的附著系數(shù)等)。將以上各因素作為模型的節(jié)點變量集，然后將它們之間的依賴關(guān)系用有向弧表示出來，得到基于動態(tài)貝葉斯網(wǎng)絡(luò)特種車輛的前向推理預(yù)警模型的拓撲結(jié)構(gòu)，如圖2所示。動態(tài)貝葉斯網(wǎng)絡(luò)的拓撲結(jié)構(gòu)可以直接反映出各節(jié)點變量之間的依賴關(guān)系。根據(jù)拓撲結(jié)構(gòu)，確定節(jié)點的狀態(tài)集合如下：預(yù)警節(jié)點={高度預(yù)警，中度預(yù)警，安全}；天氣={良好，不好}；道路={干燥路面，下雨路面，積雪路面，結(jié)冰路面}；縱向相對距離={很危險，危險，危險接近，安全}；反應(yīng)時間={長，短}；駕駛時間={長，短}；艙內(nèi)溫度={舒適，不舒適}；疲勞狀態(tài)={疲勞，正常}。

圖2 車輛防撞推理模型拓撲結(jié)構(gòu)

3 仿真分析與推理模型對比

采用GeNIe軟件進行仿真實驗，與傳統(tǒng)貝葉斯網(wǎng)絡(luò)的車輛前向防撞預(yù)警模型進行對比，驗證基于動態(tài)貝葉斯網(wǎng)絡(luò)的特種車輛的前向防撞推理模型的有效性。為保證網(wǎng)絡(luò)的有效性與準(zhǔn)確性，在實驗過程中隨機選取時間段來對特種車輛前向防撞預(yù)警模型進行仿真驗證。特種車輛平均車速為30 km/h。

樣本1：{天氣良好，干燥路面，反應(yīng)時間短，艙內(nèi)溫度舒適，駕駛時間短}。

樣本2：{天氣不好，雨天路面，反應(yīng)時間短，艙內(nèi)溫度不舒適，駕駛時間長}。

毫米波雷達探測的相對距離與相對速度的數(shù)據(jù)如表1所示。

表1 樣本數(shù)據(jù)

3.1 基于貝葉斯網(wǎng)絡(luò)的模型推理

基于貝葉斯網(wǎng)絡(luò)的車輛前向防撞預(yù)警模型，不考慮時間的變化過程，只能實現(xiàn)對當(dāng)次時刻下的信息推理。將樣本1和樣本2中的最后時刻的信息數(shù)據(jù)作為證據(jù)信息輸入并更新網(wǎng)絡(luò)，其貝葉斯網(wǎng)絡(luò)模型推理結(jié)果如圖3和圖4所示。

圖3 貝葉斯網(wǎng)絡(luò)模型推理結(jié)果(樣本1)

圖4 貝葉斯網(wǎng)絡(luò)模型推理結(jié)果(樣本2)

從圖3與圖4中看出，貝葉斯網(wǎng)絡(luò)模型對前方目標(biāo)障礙物的危險預(yù)警概率分布如表2所示。樣本1中，貝葉斯網(wǎng)絡(luò)模型對前方障礙物的預(yù)警為中度預(yù)警，其值為0.66；樣本2中，貝葉斯網(wǎng)絡(luò)模型對前方障礙物的預(yù)警為車輛處于安全狀態(tài)，其值為0.50。

表2 貝葉斯網(wǎng)絡(luò)模型預(yù)警節(jié)點概率分布

3.2 基于動態(tài)貝葉斯網(wǎng)絡(luò)的推理模型

動態(tài)貝葉斯網(wǎng)絡(luò)推理過程的實質(zhì)是根據(jù)確定的拓撲結(jié)構(gòu)和觀測得到的證據(jù)信息計算目標(biāo)節(jié)點的概率分布。將傳感器探測的數(shù)據(jù)經(jīng)處理后得到節(jié)點變量的時序變化狀態(tài)，更新動態(tài)貝葉斯網(wǎng)絡(luò)節(jié)點狀態(tài)，并完成對網(wǎng)絡(luò)模型的推理。動態(tài)貝葉斯網(wǎng)絡(luò)相鄰時間片上的狀態(tài)轉(zhuǎn)移概率表如表3所示。

表3 動態(tài)貝葉斯網(wǎng)絡(luò)狀態(tài)轉(zhuǎn)移概率表

根據(jù)樣本1中的數(shù)據(jù)信息可得駕駛員的平均疲勞程度為：λ=0.2448，則可計算得到車輛的安全防撞距離為：S=6.530 m，進而獲知相對縱向距離節(jié)點的證據(jù)信息。根據(jù)樣本2中的數(shù)據(jù)信息可知當(dāng)前條件下駕駛員的平均疲勞程度為：λ=0.314，則可計算得到車輛的安全防撞距離為：S=7.522 m，進而獲知相對縱向距離節(jié)點的證據(jù)信息。

根據(jù)樣本1可知，前方目標(biāo)與車輛間的相對速度為負值，說明目標(biāo)在遠離自車。但兩者之間相對速度的絕對值在減小，說明遠離的幅度在減小，且毫米波雷達探測到兩者之間的相對縱向距離也在不斷減小，說明兩者仍是在不斷靠近，碰撞的風(fēng)險也在不斷增加。圖5為樣本1車輛的動態(tài)貝葉斯網(wǎng)絡(luò)推理模型。根據(jù)樣本2可知，由于天氣、道路條件、駕駛員行為特征不好，致使車輛的安全防撞距離變大，兩者之間的相對速度為負值，說明車輛與目標(biāo)間在逐漸遠離。雖然車輛與前向目標(biāo)的縱向距離在逐漸較少，但是減少的幅度在降低，說明兩者發(fā)生碰撞的可能性不大。圖6為樣本2車輛的動態(tài)貝葉斯網(wǎng)絡(luò)推理模型。

圖7為樣本1時間段內(nèi)模型推理得到的車輛碰撞風(fēng)險概率分布。隨時間的變化，車輛安全的概率在不斷減小，中度預(yù)警的概率在增大，但在模型的最后時間片內(nèi)中度預(yù)警的概率增幅變緩，高度預(yù)警的概率分布增加，說明車輛在時間序列上與前向目標(biāo)發(fā)生碰撞的風(fēng)險一直在增大。圖8為樣本2下的車輛碰撞風(fēng)險概率分布。從圖中可以看出車輛與前向目標(biāo)發(fā)生碰撞的風(fēng)險很小。中度預(yù)警的概率隨時間的變化有一定的增長，這是由于車輛與前向目標(biāo)的縱向距離雖然減小的幅度變緩，但仍在減小，所以車輛發(fā)生碰撞的可能性也在增長。圖7與圖8中的3條曲線表示車輛碰撞風(fēng)險概率分布，黃色表示車輛的安全預(yù)警、藍色表示中度預(yù)警、綠色表示高度預(yù)警。

圖5 動態(tài)貝葉斯網(wǎng)絡(luò)防撞推理模型(樣本1)

圖6 動態(tài)貝葉斯網(wǎng)絡(luò)防撞推理模型(樣本2)

圖7 動態(tài)貝葉斯網(wǎng)絡(luò)模型推理結(jié)果(樣本1)

圖8 動態(tài)貝葉斯網(wǎng)絡(luò)模型推理結(jié)果(樣本2)

在樣本1的時間段內(nèi)，基于動態(tài)貝葉斯網(wǎng)絡(luò)的前向防撞推理模型和基于貝葉斯網(wǎng)絡(luò)的車輛防撞推理模型對目標(biāo)節(jié)點的預(yù)警概率均是中度預(yù)警，兩者對前向目標(biāo)的預(yù)警概率相差不大。在樣本2的時間段內(nèi)動態(tài)貝葉斯網(wǎng)絡(luò)推理模型對車輛碰撞的中度預(yù)警結(jié)果僅為0.1264，而貝葉斯網(wǎng)絡(luò)前向預(yù)警模型的中度預(yù)警的概率為0.49。仿真實驗中證明動態(tài)貝葉斯網(wǎng)絡(luò)的前向防撞預(yù)警模型與實際駕駛行為更加一致。由此可以看出，靜態(tài)貝葉斯網(wǎng)絡(luò)只根據(jù)當(dāng)前時刻的信息對前方目標(biāo)的危險程度預(yù)警，而基于動態(tài)貝葉斯網(wǎng)絡(luò)的防撞推理模型可以對現(xiàn)在及以前時刻獲取的證據(jù)信息積累，對車輛前方目標(biāo)障礙物的危險程度預(yù)警，與實際駕駛行為更加一致，具有更高的準(zhǔn)確度。

4 結(jié)束語

本文在對現(xiàn)有的車輛防撞理論分析的基礎(chǔ)上，從自然因素和駕駛員行為特征等方面對車輛碰撞風(fēng)險進行分析評價，構(gòu)建了基于動態(tài)貝葉斯網(wǎng)絡(luò)的特種車輛前向防撞推理模型。通過對多場景的測試，驗證了基于動態(tài)貝葉斯網(wǎng)絡(luò)的模型能夠全面地反映車輛的碰撞風(fēng)險，彌補了單一時刻對車輛碰撞風(fēng)險評價的不足，具有更高的敏感度和準(zhǔn)確性，為提高特種車輛在復(fù)雜環(huán)境下訓(xùn)練或作戰(zhàn)時的安全駕駛提供最大軍事效益模型支持。