面向消除通信時延的車輛軌跡多步預(yù)測方法

齊戰(zhàn)碩，高彥東

(長安大學(xué)信息工程學(xué)院，陜西 西安 710064)

0 引 言

伴隨著物聯(lián)網(wǎng)和車路協(xié)同系統(tǒng)應(yīng)用的不斷發(fā)展，越來越多的車聯(lián)網(wǎng)和自動駕駛測試逐漸成為現(xiàn)階段的研究熱點[1]，而在這些領(lǐng)域的關(guān)鍵技術(shù)中，通常會通過智能車載設(shè)備(On Board Unit, OBU)、路側(cè)設(shè)備(Road Side Unit, RSU)[2]以及邊緣計算[3]設(shè)備構(gòu)建車輛與外界之間的車用無線通信技術(shù) (Vehicle to Everything, V2X)[4]環(huán)境，這一過程往往會通過搭建計算機控制系統(tǒng)和傳感器數(shù)據(jù)傳輸?shù)木W(wǎng)絡(luò)和通信環(huán)境來實現(xiàn)[5]。常見的網(wǎng)絡(luò)傳輸方式包括以太網(wǎng)、WLAN、EUHT[6]等，現(xiàn)階段車聯(lián)網(wǎng)領(lǐng)域常用的通信技術(shù)包括5G、DSRC、LTE-V[7]等；在所有這些網(wǎng)絡(luò)和通信系統(tǒng)傳輸數(shù)據(jù)的過程中，幾乎都會因為天氣、遮擋和干擾等因素導(dǎo)致通信環(huán)境不佳，產(chǎn)生延時的問題，延時過高會導(dǎo)致數(shù)據(jù)無法及時傳輸，從而影響系統(tǒng)的計算效率和計算結(jié)果的準(zhǔn)確性，容易造成交通阻塞甚至安全問題[8]。

車輛軌跡預(yù)測是一種結(jié)合車輛的歷史行駛軌跡以及當(dāng)前的位置信息，動態(tài)預(yù)測出未來行駛軌跡的過程[9]，常用的軌跡預(yù)測算法包括傳統(tǒng)的基于時序模型的跟蹤算法，如卡爾曼濾波(Kalman Filter)[10]、隱式馬爾可夫(Hidden Markov Model, HMM)[11]模型，以及一些基于神經(jīng)網(wǎng)絡(luò)的預(yù)測算法，最常見的有循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)[12]、長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory Networks，LSTM)[13]等。實際研究表明[14]，這些傳統(tǒng)算法適合處理一些常規(guī)情況下的預(yù)測問題，而對于復(fù)雜情形下的預(yù)測則會因為運算效率低下而難以適用；使用機器學(xué)習(xí)的方法進(jìn)行軌跡預(yù)測從算法效率和準(zhǔn)確性上都比傳統(tǒng)方法更有優(yōu)勢，因此也是現(xiàn)階段軌跡預(yù)測的主流方法。

本文針對現(xiàn)階段構(gòu)建車路協(xié)同系統(tǒng)的測試環(huán)境過程中容易出現(xiàn)的通信時延問題，提出一種面向消除通信時延的車輛軌跡多步預(yù)測方法，通過LSTM神經(jīng)網(wǎng)絡(luò)模型構(gòu)建車輛的單步軌跡預(yù)測過程；在此基礎(chǔ)上通過對高頻采樣序列的拆分和重組，構(gòu)建一種多步預(yù)測方法，在單位步長內(nèi)可以預(yù)測未來不同距離的行駛軌跡，在降低誤差的同時，提高消除通信時延的效率。

1 相關(guān)工作

現(xiàn)階段的車輛軌跡預(yù)測相關(guān)研究中，利用車輛之間的交互特性[15-17]，研究出多車交互的車輛軌跡預(yù)測方法，適用于多類型車輛軌跡預(yù)測的場景；Houenou等人[18]分別提出了基于橫擺角速度和加速度運動模型的軌跡預(yù)測方法和基于機動識別的軌跡預(yù)測方法并建立短期和長期預(yù)測模型，結(jié)果表明機動識別模塊具有較高的成功率，并且能夠?qū)崿F(xiàn)車輛軌跡的準(zhǔn)確預(yù)測；Woo等人[19]提出了一種用于檢測周圍車輛的車道變化的車輛軌跡預(yù)測方法，通過對目標(biāo)車輛變道時的軌跡預(yù)測，考慮了與相鄰車輛發(fā)生碰撞的可能性，結(jié)果證實了該方法可以顯著提高檢測性能。

在消除通信延時的相關(guān)研究中，畢波[20]結(jié)合LTE通信系統(tǒng)的延時縮減需求，提出4種車聯(lián)網(wǎng)典型用例的時延要求，進(jìn)而提出通過功能增強、算法優(yōu)化的時延優(yōu)化方法；Feng等人[21]針對具有不確定車輛動力學(xué)和均勻通信延遲的異質(zhì)車輛群，提出了一種測量了字符串的穩(wěn)定性、魯棒性和跟蹤性能的要求，并將其轉(zhuǎn)化為線性分?jǐn)?shù)變換格式來明確滿足的系統(tǒng)控制方法，并且驗證了該方法在隨機參數(shù)和外界干擾下的有效性；Rastegarnia等人[22]針對增量自適應(yīng)網(wǎng)絡(luò)的采樣速度要求，提出了一種改進(jìn)的增量最小均方算法來解決增量算法在大量節(jié)點和非平穩(wěn)環(huán)境下的性能不足導(dǎo)致的延時問題，結(jié)果表明所提出的算法與原來的算法相比具有更好的性能。

綜上所述，現(xiàn)階段的車輛軌跡預(yù)測方法比較豐富[23]，并且通過基于各種特征的軌跡預(yù)測結(jié)果也相對精確；在應(yīng)用方面，目前通過車輛軌跡預(yù)測方法消除實時系統(tǒng)通信時延的研究處于比較空缺的地位，根據(jù)車輛軌跡預(yù)測結(jié)果的精確性和時序性特征，以及滿足實時系統(tǒng)時延特征和誤差控制的需求，研究車輛軌跡預(yù)測消除通信時延能夠在有效控制結(jié)果誤差的同時消除通信時延。

2 LSTM神經(jīng)網(wǎng)絡(luò)模型

數(shù)據(jù)采集的延時效應(yīng)普遍存在于運用網(wǎng)絡(luò)的數(shù)據(jù)傳輸以及通信過程中，并且在一定程度上影響真實車輛在實時系統(tǒng)中的數(shù)據(jù)傳輸。針對這一問題本文采用LSTM對車輛行駛軌跡進(jìn)行預(yù)測[24]，LSTM長短期記憶網(wǎng)絡(luò)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)模型，其特殊的結(jié)構(gòu)旨在解決循環(huán)神經(jīng)網(wǎng)絡(luò)長時間序列下誤差梯度呈指數(shù)級消失而導(dǎo)致難以處理有效信息的問題[25]。LSTM的關(guān)鍵是神經(jīng)網(wǎng)絡(luò)的單元狀態(tài)，它能對輸入的信息進(jìn)行選擇性移除或添加。在LSTM的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中包含3個門，分別是遺忘門、輸入門和輸出門，如圖1所示。

圖1 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖1中，“×”為乘法器，“+”為加法器。

第一步通過遺忘門篩選出輸入信息中需要丟棄的部分，狀態(tài)Ct-1經(jīng)過輸入的ht-1和xt計算后輸出0到1之間的數(shù)值，0表示丟棄，而1表示保留。

ft=σ(Wf[ht-1,xt]+bf)

(1)

其中，σ(X)為sigmoid激活函數(shù)，W代表權(quán)重系數(shù)矩陣(如Wf為遺忘門的權(quán)重系數(shù)矩陣)，b代表偏置向量(如bf為遺忘門的偏置向量)。

it=σ(Wf[ht-1,xt]+bi)

(2)

(3)

(4)

其中，f為激活函數(shù)(如tanh函數(shù))，下標(biāo)t表示時刻。

最后一步是決定模型的輸出，首先通過sigmoid激活函數(shù)得到篩選后的初始輸出，再利用激活函數(shù)tanh將輸出值縮放到-1到1之間，最后2個激活函數(shù)的輸出結(jié)果逐對相乘得到當(dāng)前狀態(tài)Ct的輸出結(jié)果。

ot=σ(Wo[ht-1,xt]+bo)

(5)

ht=ot×tanh(Ct)

(6)

以上公式中，ot和Ct分別表示輸出門和當(dāng)前時刻的細(xì)胞狀態(tài)。xt和ht-1分別表示當(dāng)前時刻的LSTM狀態(tài)單元的輸入向量和上一時刻LSTM狀態(tài)單元的輸出向量。

3 多步軌跡預(yù)測

本文針對車路協(xié)同仿真測試環(huán)境下存在的數(shù)據(jù)傳輸和通信時延特征，在LSTM車輛軌跡預(yù)測方法的基礎(chǔ)上，提出一種多步軌跡預(yù)測方法，對采樣環(huán)境下獲取的一段時間序列按照不同的時間間隔重組為多個差分序列，分別實現(xiàn)在不同差分序列下的軌跡點預(yù)測并形成預(yù)測軌跡，提高結(jié)果的精確性。具體方法如下：

(7)

圖2 多點軌跡預(yù)測過程

在與時延長度等同的未來時間T內(nèi)，車輛行駛的預(yù)測軌跡如圖3所示。

圖3 多點軌跡預(yù)測結(jié)果

本文通過OBU智能車載終端進(jìn)行數(shù)據(jù)采集，數(shù)據(jù)格式為時間戳、經(jīng)緯度、速度、航向角。在長安大學(xué)交通運輸部認(rèn)定的自動駕駛封閉場地測試基地[26]實際道路行駛過程中，取不同采樣頻率下采集到的總計6519條GPS位置數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)集，分別通過實驗比較和分析單步和多步軌跡預(yù)測的結(jié)果，如圖4所示。

(a) 單步軌跡預(yù)測結(jié)果

(b) 多步軌跡預(yù)測結(jié)果圖4 單步與多步軌跡預(yù)測結(jié)果

4 實驗結(jié)果分析

本文的訓(xùn)練集樣本數(shù)據(jù)采集環(huán)境為長安大學(xué)交通運輸部認(rèn)定的自動駕駛封閉場地測試基地，該測試基地包含2.4 km高速環(huán)道，1.1 km長直道，13000 m2的操縱穩(wěn)定性試驗廣場，2.6 km的模擬城市道路、交叉口等基礎(chǔ)設(shè)施，以及5種可靠性強化典型試驗道路。覆蓋了我國典型道路環(huán)境、道路類型、天氣及光照條件和交通流環(huán)境[27]。并測試了WLAN環(huán)境下的通信時延，結(jié)果如圖5所示。

圖5 WLAN下的車載設(shè)備通信時延

圖5的結(jié)果表明，車載設(shè)備在測試通信時延的過程中，平均最短時延1 ms，最高時延7 ms，平均時延為2.21 ms，平均丟包數(shù)為0。

此外，本文經(jīng)過比較不同采樣間隔下智能車載設(shè)備的系統(tǒng)時延，得出如表1所示的結(jié)果。

表1 各采樣間隔的平均時延

通過車輛單步軌跡預(yù)測方法和本文的多步軌跡預(yù)測方法解決系統(tǒng)時延的結(jié)果如圖6所示。在比較預(yù)測過程中同一軌跡點位置分別出現(xiàn)在真實世界和虛擬場景的時間結(jié)果的過程中，測試過程已經(jīng)將系統(tǒng)的通信時延包含在其中。

圖6 2種預(yù)測方法減少的時延

圖6結(jié)果顯示，單步軌跡預(yù)測減少的時延平均值為189.22 ms，消除了93.9%的時延成分；多步軌跡預(yù)測方法減少的時延平均值為189.3 ms，消除了93.94%的時延成分；并且系統(tǒng)的平均時延隨著采樣間隔的增大逐漸增高，基本處于可控范圍內(nèi)，通過2種車輛軌跡預(yù)測方法均可消除絕大部分的時延，并且不會影響實際的測試結(jié)果。

表2是單步軌跡預(yù)測與多步軌跡預(yù)測的均方誤差(MSE)結(jié)果[28]。

表2 系統(tǒng)均方誤差(MSE)

表2結(jié)果表明，2種軌跡預(yù)測方法的結(jié)果平均誤差相差不大，但相比于單步軌跡預(yù)測，多步軌跡預(yù)測的平均MSE增長率減少了7.47個百分點，表明多步預(yù)測方法在中遠(yuǎn)距離下對預(yù)測過程中產(chǎn)生的結(jié)果誤差控制能力更強。

5 結(jié)束語

本文提出了一種面向消除通信時延的車輛軌跡多步預(yù)測方法，通過構(gòu)建LSTM神經(jīng)網(wǎng)絡(luò)模型，將高頻采樣環(huán)境下輸出的序列進(jìn)行拆分和重組后對新序列中的軌跡點進(jìn)行逐序列輸入，實現(xiàn)多點預(yù)測并形成軌跡的多步預(yù)測。通過實驗分別統(tǒng)計了WLAN下的測試環(huán)境通信時延以及3種采樣頻率下的系統(tǒng)平均時延，并根據(jù)本文方法，對比分析了單步和多步預(yù)測方法減少的時延，對不同預(yù)測距離下2種方法的平均MSE和MSE增長率進(jìn)行了比較，得出了單步和多步軌跡預(yù)測均能很好地消除絕大部分的通信和系統(tǒng)時延，以及多步軌跡預(yù)測方法在中遠(yuǎn)距離下對預(yù)測結(jié)果誤差的控制能力更強的結(jié)論。下一步將考慮具有行為特征輸入的車輛軌跡預(yù)測，解決不同行駛狀態(tài)下的特征時延，從而進(jìn)一步提高車輛軌跡預(yù)測的可靠性。