網(wǎng)聯(lián)車對(duì)抗神經(jīng)網(wǎng)絡(luò)跟馳模型*

梁 軍，王 軍，楊云慶，陳 龍，盤朝奉，魯光泉

（1. 江蘇大學(xué)汽車工程研究院，鎮(zhèn)江 212013；2. 江蘇大學(xué)運(yùn)輸服務(wù)中心，鎮(zhèn)江 212013；3. 北京航空航天大學(xué)交通科學(xué)與工程學(xué)院，北京 100191）

前言

在網(wǎng)聯(lián)車（connected and autonomous vehicle，CAV）與傳統(tǒng)車輛共存的混行交通流場(chǎng)景下，伴隨著自動(dòng)駕駛技術(shù)的突飛猛進(jìn)和CAV 滲透率（指其數(shù)量在混合交通流全部車輛中的比例）的不斷提高［1］，出現(xiàn)了實(shí)時(shí)性差、車隊(duì)穩(wěn)定性不足等問題。因此，混行交通流下CAV跟馳模型成為當(dāng)前研究熱點(diǎn)［2-3］。

目前CAV跟馳模型主要有刺激-反映模型［4］、安全距離模型［5-6］、生理-心理模型［7］和人工智能類模型［8-9］4種。人工智能類模型主要是通過駕駛員的邏輯推理來研究駕駛行為的跟馳模型［10-11］，相比于前3種跟馳模型，它具有局部穩(wěn)定性好［12］、計(jì)算時(shí)間短和準(zhǔn)確率高的特點(diǎn)［13］。張金輝等［14］在混行交通流場(chǎng)景下，通過貝葉斯網(wǎng)絡(luò)對(duì)跟馳過程中前車未來0.1、0.5、1 和2 s 時(shí)刻的運(yùn)動(dòng)狀態(tài)進(jìn)行預(yù)測(cè)，但該模型計(jì)算時(shí)間較長(zhǎng)，導(dǎo)致跟馳模型準(zhǔn)確率較低，對(duì)CAV 控制不夠精確；郭艷君等［15］利用遺傳算法優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)跟馳模型，提高了CAV 跟馳模型的準(zhǔn)確率，但模型在混行交通流下仍存在一定的局限性；Ding等［16］將基于 BP 神經(jīng)網(wǎng)絡(luò)的 Gipps 模型與 BP 模型耦合，改進(jìn)了最優(yōu)加權(quán)法的目標(biāo)函數(shù)，建立了線性組合跟馳模型（linear combination car?following model，LC?CF），提高了跟馳模型在混行交通流下的適應(yīng)能力，但對(duì)于前車車速變化的實(shí)時(shí)性較差；Kuefler 等［17］將模仿學(xué)習(xí)擴(kuò)展到循環(huán)策略的訓(xùn)練中，將駕駛員行為克隆添加進(jìn)跟馳行為中，提升了混行交通流下跟馳車輛的實(shí)時(shí)性，但不足的是無法對(duì)不良駕駛行為進(jìn)行識(shí)別剔除，存在安全隱患?？偟膩碚f，針對(duì)混行交通流場(chǎng)景，目前CAV 跟馳模型安全性低、實(shí)時(shí)性差，在混行交通流場(chǎng)景下存在車隊(duì)穩(wěn)定性不足的問題，迫切需要一種計(jì)算能力更強(qiáng)、實(shí)時(shí)性更好的人工智能模型。Zhang等［18］提出生成式對(duì)抗網(wǎng)絡(luò)（generative adversarial nets，GANs），在訓(xùn)練或生成樣本的過程中，可以直接通過對(duì)生成的樣本進(jìn)行定性和定量評(píng)估，實(shí)驗(yàn)證明了該框架的穩(wěn)定性和對(duì)數(shù)據(jù)的計(jì)算能力。Reed 等［19］將 GANs 應(yīng)用在圖像識(shí)別領(lǐng)域，成功證明了相比于其它神經(jīng)網(wǎng)絡(luò)，GANs 的計(jì)算能力更強(qiáng)，準(zhǔn)確性更高［20-22］。

因此，本文在對(duì)混行交通流CAV 跟馳模型實(shí)時(shí)性、安全性和車隊(duì)穩(wěn)定性分析的基礎(chǔ)上，利用GANs零和博弈思想和結(jié)構(gòu)穩(wěn)定、計(jì)算能力強(qiáng)的特點(diǎn)，提出GANVFM 模型及其算法，并通過仿真實(shí)驗(yàn)加以對(duì)比驗(yàn)證。

1 混行交通流中CAV 跟馳行為特性分析

在混行交通流場(chǎng)景下，主要分析CAV和傳統(tǒng)車輛對(duì)前車速度改變過程中的3種變化情況：（1）跟馳車輛與前車安全距離的變化情況；（2）跟馳車輛對(duì)前車速度改變的響應(yīng)速度和對(duì)自車速度的變化情況；（3）跟馳車隊(duì)的穩(wěn)定性變化情況。因此，CAV跟馳模型必須兼顧跟馳車輛實(shí)時(shí)性、安全性和車隊(duì)的穩(wěn)定性。

1.1 實(shí)時(shí)性分析

實(shí)時(shí)性是指在前車行駛狀態(tài)發(fā)生改變時(shí)，跟馳車輛對(duì)前車速度變化的響應(yīng)特性，即要求CAV 跟馳模型在最短時(shí)間內(nèi)調(diào)整跟馳狀態(tài)，故采用均方差作為評(píng)價(jià)參數(shù)［23］，即

式中：σα為加速度數(shù)據(jù)的均方差；σv為速度數(shù)據(jù)的均方差；an為車隊(duì)中第n輛車的加速度；vn為車隊(duì)中第n輛車的速度；N為車隊(duì)車輛的總數(shù)。

1.2 安全性分析

安全性是指車隊(duì)中任意車輛狀態(tài)發(fā)生改變時(shí)，跟馳車輛的安全特性。為保證CAV 在跟馳過程中的安全性，引入追尾預(yù)測(cè)因子γn作為評(píng)價(jià)參數(shù)：

式中：n為車輛編號(hào)；jmax為車輛的最大減速度；D為兩車之間的相對(duì)車距。γn用于判斷追尾事件發(fā)生概率，在路面附著系數(shù)以及輪胎參數(shù)一定的情況下，跟馳車輛間相對(duì)車距越大，車輛車速越小，追尾概率越低，追尾預(yù)測(cè)因子γn越小。γn＞1 時(shí)，則跟馳車輛有追尾險(xiǎn)情，0＜γn＜1時(shí)，則跟馳車輛較為安全。

1.3 車隊(duì)穩(wěn)定性分析

車隊(duì)穩(wěn)定性指當(dāng)車隊(duì)頭車速度變化時(shí)整個(gè)車隊(duì)行駛狀態(tài)的變化程度，采用跟馳狀態(tài)因子φn作為評(píng)價(jià)參數(shù)［24］。

式中T為速度狀態(tài)改變的時(shí)間。φn用于刻畫車輛跟馳狀態(tài)的穩(wěn)定程度，跟馳車輛速度變化幅度越大，即φn越小跟馳狀態(tài)和車隊(duì)穩(wěn)定性越差；φn越大，車輛跟馳狀態(tài)越佳，車隊(duì)穩(wěn)定性越好。

2 GANVFM模型

為滿足跟馳車輛實(shí)時(shí)性、安全性和車隊(duì)穩(wěn)定性的條件，將模型GANVFN 分為生成模型（generator model，GM）和辨別模型（discriminator model，DM）兩個(gè)模塊，以此進(jìn)一步提高GANVFM的整體運(yùn)算能力，如圖1 所示。CAV 通過車聯(lián)網(wǎng)和車載雷達(dá)同時(shí)采集跟馳參數(shù)。GM通過提取跟馳參數(shù)中跟馳車速vn+1、前車車速vn和相對(duì)車距D，通過生成函數(shù)計(jì)算輸出跟馳車輛的加速度αG，最后將其合成新的生成跟馳參數(shù)，由DM通過判別函數(shù)將其與測(cè)試集參數(shù)加以辨識(shí)，再根據(jù)相似度計(jì)算結(jié)果，反向傳導(dǎo)誤差從而更新生成函數(shù)與辨別函數(shù)。

圖1 GANVFM模型框架

2.1 GM模塊的設(shè)計(jì)

綜合考慮網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜程度和誤差大小選定隱層神經(jīng)元個(gè)數(shù)為4，輸入神經(jīng)元個(gè)數(shù)為3，分別是跟馳車速vn+1、前車車速vn和相對(duì)車距D，用矩陣[vn+1，vn，D]表示，輸出神經(jīng)元為跟馳生成加速度αG，輸入層與隱藏層之間進(jìn)行全連接。每組GM的跟馳參數(shù)[vn+1，vn，D]隨著時(shí)間t變化而變化，根據(jù)時(shí)間狀態(tài)的改變，將其記作St，把每組由生成加速度函數(shù)模擬生成的參數(shù) (S，α) 記錄進(jìn)生成數(shù)據(jù)庫(kù)χμ，其中χμ={(S1，α1)，(S2，α2)，(S3，α3)，…，(St，αt)}，同時(shí)將采集的每組測(cè)試集的跟馳車速、前車車速、相對(duì)車距和跟馳加速度參數(shù)[vn+1，vn，D；αT]記錄進(jìn)測(cè)試集跟馳數(shù)據(jù)庫(kù)χE。GM目標(biāo)函數(shù)是為使生成加速度αG與真實(shí)加速度αT更為相似，即要求兩者差異越小越好，目標(biāo)函數(shù)為

為衡量上述目標(biāo)函數(shù)中兩參數(shù)的差異性，引入JS散度對(duì)其進(jìn)行評(píng)價(jià)。JS散度具有對(duì)稱性和非負(fù)性特點(diǎn)［25-26］，GM訓(xùn)練效果越好，αG和αT的相似度越高，差異性越小，GM 的損失函數(shù)越接近于αG和αT分布的JS 散度，當(dāng)兩者分布相等時(shí)，其散度恰好為0。JS散度的生成加速度函數(shù)為

生成加速度函數(shù)的參數(shù)自適應(yīng)更新函數(shù)為

2.2 DM模塊的設(shè)計(jì)

Dλ（S，α）為DM 判別器，為判別出該組跟馳數(shù)據(jù)是否由GM生成，DM目標(biāo)函數(shù)為

DM 將來自真實(shí)加速度數(shù)據(jù)標(biāo)記為1，而將生成加速度函數(shù)數(shù)據(jù)標(biāo)記為0，鑒別函數(shù)的更新過程類似于sigmoid的二分類［27］，鑒別函數(shù)的代價(jià)函數(shù)為

判斷函數(shù)的參數(shù)自適應(yīng)更新函數(shù)為

GANVFM 通過車聯(lián)網(wǎng)和雷達(dá)傳感器采集跟馳參數(shù)，將跟馳參數(shù)[vn+1，vn，D]通過生成函數(shù)訓(xùn)練輸出生成加速度αG，同時(shí)將GM 中跟馳模型的輸入和輸出參數(shù)合成為跟馳模型生成參數(shù)[vn+1，vn，D；αG]；然 后 將 [vn+1，vn，D；αG] 與 跟 馳 模 型 參 數(shù)[vn+1，vn，D；αT]通過辨別函數(shù)進(jìn)行辨別，提取對(duì)應(yīng)的加速度參數(shù)[αG，αT]對(duì)其進(jìn)行相似度計(jì)算，其中為避免GANVFM 模型崩潰，采用0.5作為η的閾值，使 GM 和 DM 更新的幾率相等。若η＜0.5，生成加速度與實(shí)際加速度差異小，則對(duì)DM 判別器要求更高，須通過更新函數(shù)更新DM，以提高對(duì)生成參數(shù)的辨別性；若η＞0.5，則證明GM 生成加速度不符合實(shí)際加速度，即兩參數(shù)差異較大，須通過更新函數(shù)更新GM；若η=0.5，則證明GM與DM達(dá)成平衡。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)說明

利用自建的駕駛員在環(huán)半實(shí)物仿真平臺(tái)，設(shè)置CAV 和傳統(tǒng)車輛混行交通流場(chǎng)景，通過PreScan/Simulink 軟件平臺(tái)仿真模擬V2X 通信和雷達(dá)傳感器［28-29］，并由Simulink存儲(chǔ)所采集的跟馳參數(shù)和執(zhí)行對(duì)仿真車輛的控制。選取駕齡1 年以上的男女駕駛員各10 名作為實(shí)驗(yàn)員，通過設(shè)定不同的前后車速、相對(duì)車距和交通場(chǎng)景下滲透率比例來采集跟馳數(shù)據(jù)。設(shè)定跟馳加速度采集頻率為2 Hz。

通過Simulink 將采集的數(shù)據(jù)導(dǎo)出，數(shù)據(jù)經(jīng)過篩選共選擇10 000條，從中選取9 250條作為訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，選取750 條作為測(cè)試集數(shù)據(jù)進(jìn)行測(cè)試驗(yàn)證。GANVFM 的生成函數(shù)模型以及辨別函數(shù)模型在迭代100 代以后平穩(wěn)，整個(gè)模型趨于穩(wěn)定。與測(cè)試集輸出對(duì)比結(jié)果表明，GANVFM 模型預(yù)測(cè)的跟馳加速度αG在測(cè)試集數(shù)據(jù)的準(zhǔn)確率為95.3%，見圖2。

圖2 實(shí)際加速度與預(yù)測(cè)加速度對(duì)比

3.2 實(shí)時(shí)性驗(yàn)證

隨機(jī)抽取前15 s 跟馳過程中的加速度參數(shù)，同時(shí)將GANVFM 預(yù)測(cè)的跟馳加速度與實(shí)驗(yàn)跟馳加速度、BP 跟馳加速度和LC?CF 跟馳加速度進(jìn)行對(duì)比，結(jié)果如圖3所示。

圖3 跟馳加速度對(duì)比

采用式（1）計(jì)算σα，得到σα-實(shí)驗(yàn)員=0.4903σα-BP=0.1894，σα-LCCF=0.1506，σα-GANVFM=0.1491。 可 見 ，GANVFM 對(duì)前車加速度變化的反應(yīng)最快，實(shí)時(shí)性最優(yōu)。

3.3 安全性驗(yàn)證

隨機(jī)抽取前120 s 的跟馳過程中的跟馳車速參數(shù)，將 GANVFM 與 BP 模型、LC-CF 模型和實(shí)驗(yàn)員的跟馳車速進(jìn)行對(duì)比，結(jié)果如圖4所示。

圖4 車速軌跡對(duì)比

分別用式（2）和式（3）計(jì)算σv和γn，結(jié)果如表1所示。表明實(shí)驗(yàn)員控制的車輛對(duì)前車車速變化的響應(yīng)最慢，相比于其他模型，GANVFM 的σv和γn都最小。說明GANVFM控制最及時(shí)準(zhǔn)確，安全性最佳。

表1 跟馳車速數(shù)據(jù)對(duì)比

3.4 車隊(duì)穩(wěn)定性驗(yàn)證

選取9 輛車Cn（n=1，2，3，4，…，8，9）組成車隊(duì)。在單車道對(duì)GANVFM 進(jìn)行研究。車隊(duì)第1輛車記為頭車C1，對(duì)其駕駛行為采用標(biāo)準(zhǔn)工況，包含加速、減速和勻速階段，為驗(yàn)證不同滲透率下車隊(duì)的跟馳狀態(tài)，保持C1的運(yùn)動(dòng)工況始終不變。同時(shí)設(shè)定車隊(duì)中既有傳統(tǒng)車輛，又有搭載GANVFM 的CAV，記為GANVFM?CAV。實(shí)驗(yàn)分為3組，分別選取GANVFM?CAV 滲透率δ為50%、37.5%和25%。實(shí)驗(yàn)A 選取δ為 50%，選取C2、C3、C8、C9為 GANVFM?CAV，C4、C5、C6、C7為傳統(tǒng)車輛，截取前30 s 車輛速度數(shù)據(jù)，結(jié)果如圖5所示。

同時(shí)，隨機(jī)選取a（t=10 s）、b（t=18 s）、c（t=25 s）3個(gè)節(jié)點(diǎn)，采集3個(gè)節(jié)點(diǎn)跟馳車輛與前車的相對(duì)車距D和跟馳速度vn+1，如表2所示。計(jì)算GANVFM?CAV平均相對(duì)車距D1和傳統(tǒng)車輛平均相對(duì)車距D2，得到D1=15.73 m，D2=19.93 m，在δ為50%時(shí)GANVFM-CAV車隊(duì)長(zhǎng)度平均比傳統(tǒng)車輛隊(duì)列長(zhǎng)度縮短比例ξ約為21.1%。

圖5 滲透率50%的實(shí)驗(yàn)結(jié)果

表2 50%滲透率時(shí)CAV與傳統(tǒng)車輛相對(duì)車距和速度的對(duì)比

實(shí)驗(yàn) B 選取δ為 37.5%，選取C3、C4、C8為 CAV，C2、C5、C6、C7、C9為傳統(tǒng)車輛，截取前 30 s 車輛速度數(shù)據(jù)，結(jié)果如圖6所示。

隨機(jī)選取a（t=11 s）、b（t=19.5 s）、c（t=27 s）3 個(gè)節(jié)點(diǎn)，采集3個(gè)節(jié)點(diǎn)跟馳車輛與前車的D和vn+1，如表3 所示。計(jì)算得到D1=15.52 m，D2=19.03 m，說明在δ為37.5%時(shí)GANVFM-CAV 車隊(duì)長(zhǎng)度平均比傳統(tǒng)車輛隊(duì)列約縮短18.4%。

表3 37.5%滲透率時(shí)CAV與傳統(tǒng)車輛相對(duì)車距和速度的對(duì)比

實(shí)驗(yàn) C 選取δ為 25%，選取C3、C4為 CAV，C2、C5、C6、C7、C8、C9為傳統(tǒng)車輛，截取前30 s車輛速度數(shù)據(jù)，結(jié)果如圖7所示。

圖7 滲透率25%的實(shí)驗(yàn)結(jié)果

隨機(jī)選取a（t=13 s）、b（t=18 s）、c（t=26 s）3 個(gè)節(jié)點(diǎn)，采集3 個(gè)節(jié)點(diǎn)跟馳車輛與前車的D和vn+1，如表4 所示。算得D1=18.48 m，D2=21.74 m，說明在δ為25%時(shí)GANVFM-CAV 車隊(duì)長(zhǎng)度平均比傳統(tǒng)車輛隊(duì)列約縮短15%。

表4 25%滲透率時(shí)CAV與傳統(tǒng)車輛相對(duì)車距和速度的對(duì)比

通過3 組不同滲透率的實(shí)驗(yàn)可知，相比于傳統(tǒng)車輛隊(duì)列，GANVFM-CAV 車隊(duì)長(zhǎng)度大幅度縮減，當(dāng)δ為50%時(shí)車隊(duì)約縮短22.1%。接著計(jì)算3 種滲透率下的γn和φn，結(jié)果如表5所示。

表5 車隊(duì)評(píng)價(jià)參數(shù)

由表5 可見，與傳統(tǒng)車輛相比，GANVFM-CAV的γn更小，φn更大，體現(xiàn)出GANVFM 的實(shí)時(shí)性更好，安全性和車隊(duì)穩(wěn)定性更高。另外隨著滲透率δ的提高，γn越小，φn和ξ越大。說明 GANVFM-CAV 對(duì)混行交通流車隊(duì)跟馳穩(wěn)定性有顯著提高，可以極大提高道路通行能力，緩解交通壓力。

4 結(jié)論

（1）針對(duì)當(dāng)前CAV 和傳統(tǒng)車輛混行的交通場(chǎng)景下，CAV對(duì)前方車輛速度變化反應(yīng)響應(yīng)速度、跟馳車輛安全性和車隊(duì)穩(wěn)定性較差的交通特性，提出了GANVFM 模型及其算法。實(shí)驗(yàn)表明，GANVFM 在測(cè)試集上的準(zhǔn)確率為95.3%。通過與其他模型對(duì)比得出，GANVFM 對(duì)前車車速改變的響應(yīng)速度最快，實(shí)時(shí)性最好，追尾預(yù)測(cè)因子最小，安全性最優(yōu)。

（2）對(duì)混行交通流中GANVFM-CAV 不同滲透率下的車隊(duì)穩(wěn)定性進(jìn)行實(shí)驗(yàn)研究。實(shí)驗(yàn)結(jié)果表明，滲透率越高的車隊(duì)，GANVFM 對(duì)車隊(duì)跟馳控制的適應(yīng)性越好，車隊(duì)長(zhǎng)度越短，車隊(duì)穩(wěn)定性越高。因此GANVFM 可以極大提高混行交通流場(chǎng)景下CAV 車輛的實(shí)時(shí)性、安全性和車隊(duì)的穩(wěn)定性，極大提高道路通行能力，緩解交通壓力，對(duì)自動(dòng)駕駛技術(shù)的發(fā)展具有重要應(yīng)用價(jià)值。

（3）下一階段將對(duì)本文提出的GANVFM 模型在大規(guī)模路網(wǎng)中考慮網(wǎng)聯(lián)汽車、非網(wǎng)聯(lián)汽車、非機(jī)動(dòng)車和行人穿行的復(fù)雜混行交通場(chǎng)景下的適應(yīng)性進(jìn)行研究。