自動駕駛車輛風險預測模型的設計與仿真

陳 寧，姜 冉*，張 軒

(1. 浙江科技學院機械與能源工程學院，浙江 杭州 310023；2. 北京郵電大學電子工程學院，北京 100876)

1 引言

自動駕駛汽車是全球汽車產業(yè)發(fā)展的戰(zhàn)略方向，而準確可靠的風險預測是自動駕駛汽車推廣應用的基礎[1，2]。社會各界的相關專家也重點針對車輛自動駕駛風險預測方面的內容已經取得了較為顯著的研究成果，例如朱西產等人[3]針對典型制動避障和自動轉向避障的分析，獲取車輛潛在危險場景的計算方式，將自動篩選和人工篩選兩者相結合，獲取車輛制動開始時刻的TM值，進而實現(xiàn)車輛潛在風險等級評估。李磊等人[4]利用云模型優(yōu)先處理專家給出的語言評估信息，構建風險評估模型，計算風險因子權重，同時評估故障模式風險。

但是以上的傳統(tǒng)車輛自動駕駛風險預測方法無法提取車輛自動駕駛行為特征參數(shù)，導致風險預測結果偏差較大。為此，提出一種復雜智能交通環(huán)境車輛自動駕駛風險預測方法。仿真結果表明，與傳統(tǒng)方法相比，所提方法所得的車速預測結果以及車輛自動駕駛風險等級預測結果與真實結果更接近。

2 方法設計

2.1 車輛自動駕駛目標檢測

三維激光雷達能夠有效實現(xiàn)目標360°檢測和跟蹤。將三維激光雷達水平安裝在車輛的頂部，確保其和視覺保持在同一水平線上。同時將相機和激光雷達器放置在一起，避免目標檢測過程耗時過長的問題。

激光雷達的環(huán)境地圖主要通過障礙物柵格地圖表示，主要通過二維的二值化矩陣表示，設定0代表可通信點；1代表障礙物點。在障礙物柵格地圖的基礎上，制定目標地圖。其中，目標包含一個單位空間內的長方體框架和框架內的障礙物點集合。文本聚類的主要目的就是將障礙物劃分為多個不同的點，組建集合，同時借助長方體模型規(guī)范點集合，進而實現(xiàn)全新目標的構建。

在初始三維點云中獲取初始檢測目標，將劃檢測目標聚類處理，同時將屬于同一類型的目標劃分到一個集合中，該集合為目標集合。同時，利用傳感器采集初始點云信息，同時將其轉為目標對象，有效簡化后續(xù)處理流程，同時提供方便分析的目標，估計車輛目標的運動狀態(tài)，同時分析行駛速度和目標行為，為規(guī)劃決策提供目標層結果。

通過連通域聚類分析車輛目標[5，6]，具體的操作步驟如圖1所示。

1)預處理

由于三維激光雷達層和層之間存在較大的縫隙，而且距離越遠，縫隙就越大，反射回來的雷達點數(shù)量也會相應降低。

2)連通域分析

主要是指由像素值和鄰近像素值相同的目標圖像組成的區(qū)域。其中，連通域分析是指將圖像中的各個連續(xù)區(qū)域搜索出來，可以通過輪廓代表不同的連通區(qū)域。

3)最小包絡面積矩形

圖1 車輛目標檢測流程圖

通過方盒模型對檢測到的目標車輛進行建模，同時連接全部目標的輪廓，組成最小矩形包絡。優(yōu)先獲取不含有方向的矩形，通過對矩形旋轉獲取最小包絡面積?；诖耍瑥碗s智能交通環(huán)境車輛目標檢測還需要借助數(shù)據(jù)關聯(lián)實現(xiàn)，通過數(shù)據(jù)關聯(lián)矩陣的形式分析前后幀之間的目標關聯(lián)問題，構建當前檢測獲取的目標和上一幀目標之間的關聯(lián)關系，進而通過當前去驅動已經跟蹤上的目標濾波器，更新目標運動狀態(tài)。以下主要利用二分圖的最大匹配思想，將數(shù)據(jù)關聯(lián)矩陣優(yōu)化為一對一匹配，為優(yōu)化目標獲取最多的匹配對數(shù)，其中目標的優(yōu)化主要通過匈牙利算法實現(xiàn)[7，8]。利用圖2給出數(shù)據(jù)關聯(lián)的操作流程圖如圖2所示。

圖2 數(shù)據(jù)關聯(lián)流程圖

將各幀已經檢測到的車輛目標放置到對應的目標鏈表中，分析目標前后兩幀之間的關聯(lián)性，以此有效維護運動目標鏈表，獲取目標車輛的運行軌跡。以下通過關聯(lián)矩陣的方式獲取運動目標的運動軌跡，其中數(shù)據(jù)關聯(lián)值計算式為

(1)

式中，Cn-detect-track(t)代表數(shù)據(jù)關聯(lián)值；n-track代表全部跟蹤上的目標總數(shù)；n-detect代表經過篩選后的目標總數(shù)。

通過式(2)能夠計算出數(shù)據(jù)的相似值

(2)

完成關聯(lián)值計算后，利用最大匹配和匈牙利算法優(yōu)化關聯(lián)矩陣。將當前檢測到的目標和已經跟蹤上的目標構建一一對應的關系，同時將其抽象為一個二分圖的最大匹配問題。設定Am代表檢測到的目標集合；Bn代表跟蹤目標集合，兩個集合中的元素不存在任何連接，存在一對一鏈接，同時也可以存在一對多鏈接。同時將獲取的關系矩陣轉換為一一對應矩陣，使其滿足設定的約束條件，最終實現(xiàn)目標檢測。

2.2 車輛自動駕駛行為特征參數(shù)提取

針對自然駕駛數(shù)據(jù)屬性和影響車輛自動駕駛風險的主要因素，主要提取以下參數(shù)作為車輛自動駕駛分級聚類的特征指標[9，10]：

1)車輛駕駛速度超過限速80%的時間比例ηspeed：

車輛行駛速度是影響車輛安全的重要因素，如果車速過高會降低駕駛人通過曲面或者彎曲路徑的能力，同時還會減少駕駛人對危險狀況的反應時間，增加事故發(fā)生的概率。設定車速超過限速80%時，認為駕駛人員存在行車速度過快的傾向，對應的計算式為

(3)

式中，T代表車輛在道路上行駛的總時長；T180%代表車輛行駛速度超過該條道路設定限速值80%以上的累積時間總和。

(4)

(5)

式中，vm代表車輛在自然駕駛過程中的第m個速度值；n代表車輛行駛過程中的速度值樣本總數(shù)。

(6)

(7)

(8)

2.3 復雜智能交通環(huán)境車輛自動駕駛風險預測

結合2.2小節(jié)提取的目標車輛自動駕駛行為特征參數(shù)，深入分析車輛駕駛事件的回看視頻，定位目標車輛所在的位置，同時將視頻中的全部駕駛數(shù)據(jù)整理和分析。由于在視頻中無法精準獲取車輛駕駛過程中的周邊環(huán)境信息以及駕駛行為等信息，對涉及車輛碰撞風險的多源異構數(shù)據(jù)進行整理和量化，合理轉換為復雜智能交通環(huán)境車輛自動駕駛風險預測模型的初始輸入參數(shù)。

對車輛碰撞風險對應的駕駛參數(shù)進行量化處理，將其通過數(shù)據(jù)驅動技術轉換為對應的驅動目標，同時選取大量的歷史數(shù)據(jù)作為驅動源頭。將其中一部分數(shù)據(jù)設定為訓練樣本，對后續(xù)建立的模型進行訓練分析；剩余部分主要用來檢測模型預測結果精度。

為了充分挖掘不確定性的定量或者定性信息，需要借助置信規(guī)則庫推理方法實現(xiàn)數(shù)據(jù)的建模和分析。

在置信規(guī)則中，輸入X=[x1，x2，…，xm]獲取第k條規(guī)則對應的權重取值

(9)

當完成wk的計算后，對第k條規(guī)格的后項置信結構進行折扣處理，采用證據(jù)推理方法對全部格則的后置項進行融合處理，獲取如式(10)所示的置信輸出

O(X)={Dj，βj}

(10)

式中，Dj代表后項；βj代表Dj對應的置信度，具體的表達形式如式(11)所示

(11)

式中，N代表后項數(shù)項的總數(shù)；βj，k代表分配結果為Dj的置信度；u代表輸入變量的取值范圍，其計算式如下

(12)

式中，βi，k代表分配結果Di的置信度。

置信規(guī)則庫對學習模型優(yōu)化的主要目的就是不斷動態(tài)調整參數(shù)集P，使優(yōu)化目標函數(shù)達到最小值。

結合車輛自動駕駛風險預測的置信規(guī)則庫系統(tǒng)，能夠獲取車輛行駛狀態(tài)、周邊環(huán)境以及車輛駕駛風險等級的非線性映射關系。優(yōu)先收集不同自然駕駛條件下各個類型樣本數(shù)據(jù)，同時對其進行驅動處理，以此為依據(jù)，構建車輛自動駕駛風險預測模型[11，12]。針對風險預測模型的輸入，能夠組建一個雙層次的置信規(guī)則庫專家系統(tǒng)，具體如下所示：

1)第一層系統(tǒng)由以下三個置信規(guī)則子庫構成：

①分析不同駕駛人的駕駛因素，組建對應的因素集，將其設定為第一置信規(guī)則庫，主要用來判斷駕駛人的駕駛狀態(tài)。

②將車輛因素設定為第二置信規(guī)則子庫，主要用來判斷車輛的駕駛狀態(tài)。

③通過道路環(huán)境因素設定為置信規(guī)則子庫，以此為依據(jù)判斷道路環(huán)境狀態(tài)。

2)第二層系統(tǒng)將第一層中的信息設定為輸入，進而得到車輛自動駕駛風險預測結果的最終輸出。

訓練優(yōu)化以及在線學習必須需要高可信度和置信度的歷史數(shù)據(jù)，同時經過優(yōu)化訓練的次數(shù)越多，則說明獲取的效果越理想。以下對其進行詳細的分析和介紹：

①確定初始化置信規(guī)則庫可調參數(shù)值

車輛自動駕駛風險預測模型是由4個不同BRB子系統(tǒng)組建而成，分別獲取不同子系統(tǒng)的訓練參數(shù)，結合系統(tǒng)輸出量確定各個參數(shù)最終的取值范圍。

②計算輸入量對參考值的匹配度和規(guī)則的激活權重；

③融合全部被激活的規(guī)則；

④輸出最終車輛自動駕駛風險狀態(tài)，實現(xiàn)復雜智能交通環(huán)境車輛自動駕駛風險預測。

3 仿真研究

為驗證所提復雜智能交通環(huán)境車輛自動駕駛風險預測方法的綜合有效性，選取北京四環(huán)的主干道路作為測試場地，測試時間為白天，主要包含陰天、雨天以及晴天等多種不同的天氣條件，實驗采集近3個月的車輛行駛數(shù)據(jù)用于實驗分析，其中深色曲線為實驗路線。

圖3 實驗路線

1)車輛行駛速度控制/(km/h)

在相同的路段內，采用三種不同的方法分別對車輛的行駛速度進行預測，將其對比該路段內最佳行駛速度，具體實驗結果如圖4所示。

圖4 不同方法的車輛行駛速度預測結果

分析圖4中的實驗數(shù)據(jù)可知，研究方法的車輛行駛速度預測結果和最佳速度的值基本一致，充分驗證了所提方法的優(yōu)越性。

2)車輛自動駕駛風險等級預測

將各個方法的車輛自動駕駛風險預測等級和真實風險等級進行對比，具體實驗對比結果如表1所示：

分析表1中的實驗數(shù)據(jù)可知，在針對10個不同路段進行車輛自動駕駛風險預測過程中，所提方法的預測結果和真實風險等級吻合，而文獻[3]方法和文獻[4]方法存在錯誤預測的情況。主要是因為所提方法在預測過程中，有效提取了不同車輛自動駕駛行為特征，為后續(xù)的風險預測奠定了堅實的基礎，同時還增加了整個方法的預測精度，能夠更好掌握車輛的運行狀態(tài)。

4 結束語

針對已有方法存在的弊端，提出一種復雜智能交通環(huán)境車輛自動駕駛風險預測方法。仿真結果表明，所提方法具有較強的速度控制和預測能力，同時能夠精準預測車輛行駛速度和車輛自動駕駛風險等級，全面驗證了所提方法的優(yōu)越性。