基于危險場景聚類分析的前車隨機運動狀態(tài)預(yù)測研究*

郭景華，李克強，王 進，陳 濤，李文昌，王 班

（1.廈門大學(xué)機電工程系，廈門 361005； 2.清華大學(xué)車輛與運載學(xué)院，北京 100084；3.中國汽車工程研究院股份有限公司，重慶 401122）

前言

智能化、網(wǎng)聯(lián)化已經(jīng)是汽車技術(shù)發(fā)展的大勢所趨，將引領(lǐng)未來的汽車發(fā)展方向［1］。在汽車智能駕駛技術(shù)快速發(fā)展的同時，其安全性受到汽車企業(yè)和科研機構(gòu)的廣泛關(guān)注，汽車智能駕駛系統(tǒng)的測試與評價研究成為當(dāng)前全球關(guān)注的熱點問題［2－3］。對于智能駕駛系統(tǒng)的測試與評價，場景是基礎(chǔ)條件，測試場景必須與真實交通環(huán)境中存在的危險相對應(yīng)，并且可以描述前車的隨機運動狀態(tài)。因此，研究危險場景和該類場景下前車隨機運動狀態(tài)的預(yù)測方法對于設(shè)計更加有效合理的智能駕駛系統(tǒng)測試與評價體系具有重要意義。

生成場景的方法主要可以分為兩類：基于知識的方法（演繹）和基于數(shù)據(jù)的方法（歸納）。目前使用知識體演繹法建立測試場景的團隊以德國布倫瑞克工業(yè)大學(xué)為代表［4－5］，其團隊以專家知識、交通法規(guī)和道路建設(shè)法規(guī)條文為依據(jù)，基于本體論建設(shè)智能駕駛系統(tǒng)測試場景庫。而國內(nèi)大多數(shù)研究機構(gòu)以數(shù)據(jù)驅(qū)動的歸納方法建設(shè)測試場景［6－7］，通過數(shù)據(jù)采集和分析，建立基于實際交通環(huán)境的場景庫。國內(nèi)使用數(shù)據(jù)采集的方法建立測試場景的主要原因是：我國交通環(huán)境復(fù)雜，且很多道路并非按照標(biāo)準(zhǔn)建設(shè)，按照標(biāo)準(zhǔn)知識體系建立測試場景會與實際情況有很大差別。從試驗成本和效率考慮，汽車智能駕駛系統(tǒng)測試場景的數(shù)量應(yīng)當(dāng)盡量少。

目前針對車輛行為狀態(tài)的預(yù)測已有相關(guān)研究，宗長富等［8］提出一種隱馬爾科夫模型（HMM）與人工神經(jīng)網(wǎng)絡(luò)（ANN）相結(jié)合的模型，用于實現(xiàn)駕駛意圖辨識和駕駛行為預(yù)測。彭金栓等［9］基于駕駛員視覺特性與車輛運動狀態(tài)設(shè)計BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建車輛換道行為預(yù)測模型。熊曉夏等［10］借助支持向量機（SVM）和基于混合高斯的隱馬爾科夫鏈提出道路交通事故鏈（CRTI）模型對道路事故進行預(yù)測。文獻［11］中以模擬駕駛試驗數(shù)據(jù)為依據(jù)，提出以目標(biāo)車道后車的最大減速度和平均減速度為衡量指標(biāo)，分析換道行為對道路交通安全的影響程度，并基于支持向量機理論建立換道安全性預(yù)測模型；此模型目前對駕駛意圖或駕駛行為識別有良好的預(yù)測效果，可應(yīng)用于車輛輔助駕駛系統(tǒng)中，但是對智能網(wǎng)聯(lián)環(huán)境中前車狀態(tài)的預(yù)測較少。文獻［12］中設(shè)計卡爾曼濾波器，通過信號融合處理，獲取汽車運動姿態(tài)參數(shù)的最優(yōu)估計值，采用多層遞階模型預(yù)測汽車未來時刻可能的行駛運行狀態(tài)，提高汽車的主動安全性。張金輝等［13］分析跟車工況的運動特性，建立貝葉斯網(wǎng)絡(luò)，對前車運動速度進行預(yù)測。綜上所述，國內(nèi)外學(xué)者關(guān)于智能駕駛系統(tǒng)應(yīng)對風(fēng)險的研究主要集中在對自車行為的預(yù)測分析，由于道路交通環(huán)境復(fù)雜，智能網(wǎng)聯(lián)環(huán)境中由人類駕駛員操控的前車車輛受駕駛員駕駛風(fēng)格的影響，對智能汽車來說前車運動狀態(tài)隨機，現(xiàn)有的運動狀態(tài)預(yù)測方法難以用于預(yù)測前車隨機運動狀態(tài)。

鑒于此，本文中提出一種基于危險場景聚類分析的前車隨機運動狀態(tài)預(yù)測方法。首先，對自然駕駛數(shù)據(jù)中的危險片段數(shù)據(jù)進行聚類得到不同的典型場景。隨后，提取各個場景下速度與加速度特征，建立馬爾可夫鏈蒙特卡洛（Markov Chain Monte Carlo，MCMC）模型，并且利用MCMC預(yù)測出各危險場景下前車隨機運動狀態(tài)。最后，比較MCMC預(yù)測得到的前車運動狀態(tài)與實際運動狀態(tài)，驗證提出的預(yù)測模型的有效性。

1 自然駕駛數(shù)據(jù)采集和篩選

本研究的數(shù)據(jù)全部來自中國大規(guī)模實車路試（China field operational test，China-FOT）的自然駕駛工況數(shù)據(jù)，累計在20臺車輛上安裝數(shù)據(jù)采集設(shè)備，進行30萬km的道路自然駕駛數(shù)據(jù)采集。試驗車安裝了攝像機、毫米波雷達(dá)和GPS等傳感器，可以實時采集至少6路LVDS（低壓差分信號傳輸）高清視頻、2路車輛高幀率的 CAN信號、1路GPS信息、1路前視視頻和檢測結(jié)果，該系統(tǒng)不僅解決了場景數(shù)據(jù)采集，而且采用多傳感器同步采集車輛狀態(tài)和GPS等信號。視覺雷達(dá)融合系統(tǒng)由前視模塊和77 GHz毫米波雷達(dá)組成，實現(xiàn)目標(biāo)等級融合，前視模塊主要用于前方目標(biāo)的檢測與分類，毫米波雷達(dá)主要用于精準(zhǔn)測距測速，視覺雷達(dá)融合方案可以彌補相機在測距和測速方面的缺陷。

設(shè)備采集到的自然駕駛數(shù)據(jù)包含的自車信息有圖像幀號、自車速度、加速度、制動踏板信號、制動壓力、油門信號、擋位信息、GPS信息、車輛橫擺角速度和側(cè)向加速度；目標(biāo)物信息包括圖像幀號、目標(biāo)物ID、目標(biāo)物類型、目標(biāo)物距自車前向距離（以自車中軸線最前端為原點）、目標(biāo)物距自車的橫向距離、目標(biāo)物速度和相對速度。由于加速度在采集過程出現(xiàn)較大的異常值，采用普通濾波會讓數(shù)值失真，這里使用3-σ法則首先對加速度進行異常值去除，再濾波處理。

采集的數(shù)據(jù)去除異常值后，“噪聲毛刺”并不多，文中采用均值濾波對速度和加速度進行濾波處理，得到比較光滑的曲線，繼而使用差分法對加速度求微分得到加速度的導(dǎo)數(shù)，為后續(xù)截取危險工況做準(zhǔn)備。

2 典型危險場景聚類分析

根據(jù)我國實際情況，提取自然駕駛數(shù)據(jù)中危險工況作為場景聚類基礎(chǔ)。篩選規(guī)則參考SHRP2自然駕駛數(shù)據(jù)中篩選危險場景方法［14］，最終得到危險工況片段116段。

每個危險工況數(shù)據(jù)片段視頻都包含多個場景要素，確定聚類的要素選取范圍有環(huán)境信息、本車信息、目標(biāo)信息、交通信息、道路信息5大類。對所有危險片段數(shù)據(jù)進行統(tǒng)計分析發(fā)現(xiàn)，由于前車運動狀態(tài)不同，前車的危險工況多數(shù)是制動減速造成的，部分是由于切入造成的，這種情況下碰撞時間（timeto-collision，TTC）值無法準(zhǔn)確得到，因此統(tǒng)計時未考慮在其中。初步統(tǒng)計后，其中有一些變量不適合聚類分析，如本車運動狀態(tài)，自車直行占了82%，差異性不明確，但是在設(shè)計具體的場景中可以作為參考。同樣的變量還有公交車道、應(yīng)急車道、路面干燥條件，其中某一類占90%以上的比例。從初步確定的場景要素中去掉不適合進行聚類分析的要素，最終得到12個場景要素，如表1所示。

本文中采用系統(tǒng)聚類的方法提取典型危險場景，可以減少人們的主觀意識對分類結(jié)果的影響，聚類中涉及到距離的計算有變量與變量之間的距離、樣本與樣本之間的距離和類與類之間的距離。根據(jù)變量類型不同，一般分為名義變量和定量變量，本文只涉及到名義變量，由于不同變量存在不同數(shù)量的取值范圍，要求名義變量中不同變量值之間距離相等，規(guī)定不同值間距離為1，相同變量距離為0，本文中處理方式是將場景要素中的變量編碼轉(zhuǎn)化為向量，所有場景要素的變量編碼全部轉(zhuǎn)換，部分如表2所示。

由前述規(guī)定可知，相同變量間距離為0，不同變量間距離為1，計算樣本間距離時，利用總的樣本數(shù)減去不同樣本數(shù)再求倒數(shù)。設(shè) X1，X2，X3，…，Xn為來自總樣本中的p元樣本，第i個樣本表示為Xi＝（xi1，xi2，…，xip）（i＝1，2，3，…，n），第 i個樣本與第 j個樣本之間的距離dij表示為

表1 場景要素類型

表2 變量編碼轉(zhuǎn)換

類與類之間的距離采用類平均法表示，即類與類之間的平方距離的平均值，分別設(shè)GK、GL為含有nK和nL個樣本的類，其間距離DKL定義為

基于上述方法得到的場景要素聚類結(jié)果如圖1所示。在并類過程中，如果當(dāng)前次數(shù)的并類不一致系數(shù)比上一次聚類的不一致系數(shù)有大幅度提升，說明該次并類的效果不是很好，而它前一次的并類效果較好，不一致系數(shù)增加的幅度越大，說明上次效果越好，在使類的個數(shù)盡量少的前提下，可參照不一致系數(shù)對的變化來確定分類的個數(shù)，本文中研究的最終聚類個數(shù)為3類。

圖1 聚類樹形圖

將場景要素的變量在每類中的占比與此類變量在總體變量中所占比例作比較，得到每一類場景要素的典型特征，最終得到3種典型場景，見表3。

表3 聚類分析危險場景

3 基于MCMC的前車隨機運動狀態(tài)預(yù)測

本節(jié)中將大量自然駕駛數(shù)據(jù)作為概率獲取的樣本，利用車輛狀態(tài)在短時間內(nèi)滿足馬爾可夫性的特征，構(gòu)建車輛隨機運動的預(yù)測模型，用MCMC來預(yù)測下一時刻車輛狀態(tài)。

3.1 車輛狀態(tài)劃分與編碼

利用馬氏鏈［15］對車輛狀態(tài)進行表征，需要將車輛的速度和加速度二維狀態(tài)聯(lián)合進行一維編碼，最終實現(xiàn)車輛狀態(tài)之間的轉(zhuǎn)移概率計算。設(shè)置速度取值區(qū)間和加速度取值區(qū)間，整個速度—加速度二維序列可被分成多個小隔間，每一個隔間內(nèi)存在速度-加速度點，稱之為一個狀態(tài)。為兼顧算法效率和后續(xù)解碼的準(zhǔn)確度，經(jīng)過多次試驗得到，將速度步長設(shè)為0.8 km／h、加速度步長設(shè)為0.03 m／s2較為合適。不同場景下，交通流量不同，前車運動狀態(tài)不同，分別在3類場景中選取車輛速度-加速度樣本數(shù)據(jù)，進行馬氏鏈模型的構(gòu)建。

選取各個場景自車速度和加速度值，繪制其二維散點相圖，隔間劃分方法是：用速度或加速度最大值與最小值的差除以相應(yīng)的步長，得到速度和加速度隔間數(shù)目。統(tǒng)計所有速度-加速度點散落在各個隔間的概率，去掉概率為零的隔間，然后從左到右，從上到下依次蛇形編碼，最終實現(xiàn)車輛狀態(tài)二維轉(zhuǎn)一維的編碼。二維編碼示意圖見圖2，基于劃分的網(wǎng)格，對每個存在數(shù)據(jù)點的隔間編碼得到1，2，3，…，m，m＋1，…，m＋n等狀態(tài)。

圖2 二維編碼示意圖

3.2 馬爾科夫鏈狀態(tài)轉(zhuǎn)移矩陣計算

車輛在行駛過程中，當(dāng)時間間隔較小時，車輛未來的狀態(tài)與當(dāng)前狀態(tài)是相關(guān)的，與過去狀態(tài)無關(guān)，可視為離散的馬爾可夫鏈。馬爾科夫鏈模型表示為（S，P），S為馬氏鏈所有狀態(tài)組成的非空狀態(tài)集，P為馬氏鏈狀態(tài)轉(zhuǎn)移概率矩陣。由條件概率定義可知，狀態(tài)si轉(zhuǎn)移到狀態(tài)sj的狀態(tài)轉(zhuǎn)移概率pij可由式（3）表示：

其中，pij為馬氏鏈｛X（n）｝在t時刻的轉(zhuǎn)移概率，物理意義是事件從t時刻si轉(zhuǎn)移到t＋1時刻sj的概率，不同狀態(tài)轉(zhuǎn)移構(gòu)成了狀態(tài)轉(zhuǎn)移矩陣P。

歷史樣本數(shù)據(jù)中，速度與加速度被劃分為若干片段，組成不同的狀態(tài)，每個狀態(tài)有自己的狀態(tài)編碼，車輛在運行時按照時間序列或從一個狀態(tài)轉(zhuǎn)移到另一個狀態(tài)，即發(fā)生了狀態(tài)轉(zhuǎn)移?？梢愿鶕?jù)這一特性，統(tǒng)計歷史工況數(shù)據(jù)，得到狀態(tài)轉(zhuǎn)移矩陣，計算公式如下：

狀態(tài)轉(zhuǎn)移概率矩陣具體實現(xiàn)步驟如下。

（1）將s個狀態(tài)組成s×s的矩陣，第i行j列元素表示狀態(tài)si下一時刻轉(zhuǎn)移到狀態(tài)sj的頻數(shù)Nij。

（2）以狀態(tài)隔間的中心值作為該隔間的代表值，根據(jù)隔間劃分步長，找到隔間的上下限。

（3）離散數(shù)據(jù)的取樣時間間隔為0.1 s，計算當(dāng)前狀態(tài)速度和加速度經(jīng)過0.1 s后的速度值。

（4）查找歷史樣本數(shù)據(jù)當(dāng)前狀態(tài)經(jīng)過0.1 s后速度區(qū)間對應(yīng)的樣本數(shù)量。

（5）統(tǒng)計上一步驟中樣本屬于下一狀態(tài)速度和加速度區(qū)間的樣本數(shù)量，即為當(dāng)前狀態(tài)轉(zhuǎn)移到下一狀態(tài)的頻數(shù)。

（6）狀態(tài)轉(zhuǎn)移概率pij可由狀態(tài)轉(zhuǎn)移頻數(shù)除以所在行所有狀態(tài)轉(zhuǎn)移頻數(shù)的和得到。

水庫樞紐由大壩、溢洪道、輸水洞、泄洪洞和水電站等五部分組成。大壩為漿砌石重力墻式堆石壩，壩高46 m，長350 m。

3.3 前車隨機運動狀態(tài)預(yù)測模型

本節(jié)中利用隨機抽樣的MCMC方法來預(yù)測車輛未來狀態(tài)，通過解碼建立前車隨機運動的預(yù)測模型。

對擁有 n個狀態(tài)的馬氏鏈分布列｛X（t），t＝1，2，…，n｝，它的狀態(tài)轉(zhuǎn)移矩陣為P，對其進行模擬，蒙特卡羅模擬具體步驟如下。

（1）根據(jù)前文編碼的方式，明確當(dāng)前時刻車輛的狀態(tài)，假設(shè)［v0，a0］通過編碼得到狀態(tài) s0，則初始U0＝s0，同時生成隨機數(shù)組｛r1，r2，r3，…｝，隨機數(shù)組的個數(shù)根據(jù)需要模擬預(yù)測的未來狀態(tài)個數(shù)來確定，其中 ri要求滿足 0＜ri＜1。

（2）求下一時刻預(yù)測的狀態(tài)，在狀態(tài)X（0）＝s0已經(jīng)發(fā)生的條件下，X（1）的條件分布概率為P（X（1）＝sj｜X（0）＝s0）＝p0j，j＝1，2，3，…，n，此概率是已知的，可以從狀態(tài)轉(zhuǎn)移矩陣P中取出第k0行所有元素（所有馬爾科夫鏈狀態(tài)的第k0個狀態(tài)即為狀態(tài)s0）。

（3）取隨機數(shù)r1，如果存在對某個k1滿足式（5），則確定車輛下一個狀態(tài)為 s1，即 U1＝s1。

（4）同理模擬預(yù)測s1下一時刻樣本U2，已知當(dāng)前狀態(tài)為 s1，即 X（1）＝s1已知，X（2）的條件分布列即為第k1行的所有概率，取出第k1行所有元素，求k2使其滿足式（6），用 s2表示馬氏鏈的第 k2個狀態(tài)，則下一時刻樣本U2＝s2。

（5）重復(fù)上述步驟，直到得到所有的預(yù)測狀態(tài)Un＝｛s1，s2，…｝。

（6）通過上述MCMC模擬過程得到預(yù)測狀態(tài)序列Un，對其狀態(tài)編碼進行解碼，解碼方式是：反查編碼對應(yīng)的速度和加速度隔間，取隔間的中值作為該狀態(tài)的速度和加速度信息。

4 驗證與分析

4.1 場景1危險城市道路工況

根據(jù)城市道路場景中交通流具體情況，選取第2節(jié)聚類得到的城市工況下所有的車輛數(shù)據(jù)作為馬氏鏈模型的歷史信息樣本數(shù)據(jù)。經(jīng)統(tǒng)計，城市工況下危險發(fā)生時刻，自車速度多集中在20～60 km／h，目標(biāo)車速度多集中在20～35 km／h，目標(biāo)車加速度呈近似正態(tài)分布。

聚類場景1中速度 加速度散點圖如圖3所示，根據(jù)散點圖散落的隔間，統(tǒng)計得到3 913個狀態(tài)，以速度和加速度分別為x軸和y軸，一維狀態(tài)編碼號為z軸，得到的二維狀態(tài)編碼空間分布圖如圖4所示，每一個“＋”代表一個狀態(tài)。

4.2 場景2危險高速夜間工況

高速夜間場景中，危險發(fā)生時刻自車速度近似正態(tài)分布，多數(shù)集中在40 km／h左右，由于夜間行車能見度較低，危險發(fā)生時刻目標(biāo)車速度普遍在20 km／h左右，而且前車加速度分布較廣，以此推斷多數(shù)危險時刻發(fā)生在低速駛出高速進入匝道時。圖5和圖6表示聚類出高速夜間場景速度-加速度分布和狀態(tài)隔間分布。利用上述狀態(tài)表達(dá)和編碼的方法，高速夜間場景下速度- 加速度經(jīng)過編碼得到1 685個狀態(tài)。

圖3 城市工況散點圖

圖4 城市工況二維編碼空間分布圖

圖5 高速夜間工況散點圖

4.3 場景3危險郊區(qū)工況

在聚類得到的第3類危險場景中，典型場景是郊區(qū)彎道，危險發(fā)生時刻自車速度多為均勻分布，目標(biāo)車輛速度集中在20 km／h左右，將所有第3類聚場景的自車速度和加速度樣本作為馬氏鏈的歷史工況數(shù)據(jù)，通過二維狀態(tài)一維化，得到1 768個狀態(tài)，狀態(tài)表達(dá)如圖7和圖8所示。

圖6 高速夜間工況二維編碼空間分布圖

圖7 郊區(qū)彎道工況散點圖

圖8 郊區(qū)彎道工況二維編碼空間分布圖

4.4 隨機預(yù)測模擬

采用蒙特卡洛模擬方式，將聚類出的3類場景中自車速度和加速度作為歷史數(shù)據(jù)，采樣時間為0.1 s，預(yù)測未來15 s內(nèi)的速度與加速度狀態(tài)，結(jié)果如圖9～圖11所示。

圖9 場景1蒙特卡羅模擬與歷史工況數(shù)據(jù)對比

圖10 場景2蒙特卡羅模擬與歷史工況數(shù)據(jù)對比

圖9～圖11分別是聚類出的3類場景中的歷史數(shù)據(jù)進行隨機蒙特卡洛模擬后，得到的速度與加速度圖，在每種場景下取速度和加速度樣本，隨機模擬得到不同的速度-加速度分布，隨機選取一段數(shù)據(jù)與模擬得到的數(shù)據(jù)對比。從圖中可以看出，模擬得到的車輛狀態(tài)與歷史工況中的車輛狀態(tài)運動趨勢相似，出現(xiàn)偏差是由于歷史工況數(shù)據(jù)中存在不同車型和不同時刻的危險場景數(shù)據(jù)，利用馬爾科夫蒙特卡洛模擬得到的結(jié)果是對這些數(shù)據(jù)學(xué)習(xí)而得，因此并不能完全一致，而且這些差別體現(xiàn)了車輛狀態(tài)的隨機性表達(dá)。因此，馬爾可夫鏈蒙特卡洛模擬能夠表現(xiàn)出車輛運動隨機性并根據(jù)樣本數(shù)據(jù)模擬出未來車輛運動狀態(tài)。由于在進行馬爾可夫鏈采樣時，對速度和加速度離散化，解碼得到的速度和加速度是由離散的速度和加速度拼接而成的，所以圖中加速度波動明顯。

圖11 場景3蒙特卡羅模擬與歷史工況數(shù)據(jù)對比

5 結(jié)論

本文中首先采用SHRP2危險場景判定方法提取自然駕駛數(shù)據(jù)危險場景特征，從數(shù)以兆計的自然駕駛數(shù)據(jù)中提取出危險場景片段，截取數(shù)據(jù)流和視頻流。通過對危險場景數(shù)據(jù)中場景要素的標(biāo)記提取場景關(guān)鍵要素，對危險場景要素作聚類分析，最終得出符合我國實際道路的3類典型危險場景。隨后，將聚類分析得到的危險場景下速度和加速度數(shù)據(jù)作為歷史工況數(shù)據(jù)，采用MCMC理論建立了車輛運動狀態(tài)隨機預(yù)測模型，證明了危險場景下前車運動狀態(tài)的預(yù)測能力，經(jīng)過與實際原始數(shù)據(jù)對比發(fā)現(xiàn)，預(yù)測得到的狀態(tài)數(shù)據(jù)能夠有效表達(dá)聚類分析得到的危險場景下前車的隨機運動狀態(tài)。