基于BP神經網絡的金家莊隧道智慧燈光系統(tǒng)研究

徐路毅 蔡江柳 李澤軒

摘要 通過研究燈光影響眼動特征的規(guī)律對照明系統(tǒng)進行改進，為設計特長螺旋隧道照明系統(tǒng)提供科學依據。以隧道環(huán)境信息和行車試驗數據為訓練集訓練神經網絡并進行仿真。以緩解駕駛員視覺疲勞為目標，根據眼動特征參數的預測值調節(jié)燈光亮度。神經網絡訓練在第206次得到最優(yōu)均方誤差，擬合優(yōu)度為0.780 76?？刂葡到y(tǒng)得到了眼動特征參數的預測曲線，經處理后完成了隧道亮度調節(jié)。系統(tǒng)可根據隧道環(huán)境信息的變化調節(jié)燈光亮度，營造出安全的行車環(huán)境。

關鍵詞 隧道工程;BP神經網絡;視覺喚醒;智慧燈光

中圖分類號 U453.7文獻標識碼 A文章編號 2096-8949（2022）12-0004-03

收稿日期：2022-04-01

作者簡介：徐路毅（2001—），男，本科在讀，研究方向：城市交通工程。

基金項目：大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目“基于隧道中駕駛者視覺喚醒的智慧燈光系統(tǒng)研究”（S202110107062）。

0 引言

《交通強國建設綱要》明確提出到2035年基本建成交通強國。我國西部地區(qū)交通建設前景廣闊，但地勢高差起伏大，采用曲線隧道可較好地解決交通問題。螺旋隧道單一的行車環(huán)境使駕駛者極易陷入疲勞狀態(tài)，發(fā)生交通事故的概率高。秦慧芳等[1]提出了一種以模糊神經網絡為核心算法的隧道照明控制方法，旨在降低照明系統(tǒng)消耗的能量;劉東旗[2]通過對眼動指標進行分析，研究了不同長度隧道駕駛者的眼動變化規(guī)律;王輝[3]為研究高速公路長隧道駕駛者的注視和掃視特征，通過隧道行車試驗得到了眼動指標與進出口距離的擬合公式?，F有研究缺少針對通過燈光調節(jié)緩解駕駛者視覺疲勞，提高行車安全性的研究。此外，這些研究只是基于車輛在公路隧道中的駕駛行為，缺乏螺旋隧道燈光環(huán)境對交通安全和駕駛行為的相關研究。該文在獲取駕駛員生理信息和隧道環(huán)境參數的基礎上，分析雙螺旋隧道條件下的照明亮度調節(jié)，構建基于視覺舒適的智能照明系統(tǒng)。著眼于在隧道交通運行過程中的駕駛員生理變化和車輛制動行為，揭示其安全特性規(guī)律。研究成果對于研發(fā)雙螺旋隧道交通風險預警系統(tǒng)、保障交通運行能起到推動作用，具有重要的理論價值和實際意義。

1 隧道概況

延崇高速金家莊螺旋隧道于2017年8月開工，歷時兩年如期貫通，是2022年冬奧會的重大交通保障項目。隧道入口位于赤城縣金家莊村，出口位于崇禮區(qū)棋盤梁村。

1.1 隧道幾何線形

整個隧道呈圓環(huán)形，半徑860 m左右，左幅長4 288 m，右幅長4 104 m。隧道內設車行橫洞750 m左右，人行橫洞250 m左右。工程按雙向4車道高速公路標準建設，最大行車速度為100 km/h。

1.2 隧道照明系統(tǒng)

隧道穹頂兩側連續(xù)地布置了變色溫LED燈具，且使用了納米硅涂層，能呈現出藍天白云的效果。燈具既有單排布置的形式，也有多排疊加的形式[4]。

2 隧道智慧照明設計

2.1 照明設計考慮因素

根據2014年頒布的《公路隧道照明設計細則》，金家莊隧道的照明系統(tǒng)除了要滿足基本的照明需求，還應該能自適應自然光照、車流量等隧道環(huán)境信息的變化，加強對駕駛者的視覺引導。

洞外亮度是隧道照明的重要基準之一，自然光照自適應即控制系統(tǒng)能根據洞外亮度的變化來調節(jié)隧道內的照明亮度。由現行規(guī)范可知[5]，隧道照明亮度與實時采集的車速和車流量有關。有研究表明[6]，瞳孔直徑和平均眨眼時間是研究駕駛疲勞的重要指標。

2.2 照明控制系統(tǒng)結構

一個合理的控制系統(tǒng)應包括獲取數據、處理數據以及接收數據三部分。

獲取不同種類數據的方法和設備也是不同的。洞外亮度可通過檢測器來檢測，單位為cd/m2;相較于環(huán)形線圈檢測技術，視頻圖像處理（VIPS）可通過一臺攝像機代替多個環(huán)形線圈，能降低維護費用[7]。因此，可使用視頻采集檢測器來實時采集車速和車流量數據;駕駛員生理信息采集設備是Tobii Pro Glasses 3眼球追蹤設備，可實時捕捉駕駛員眼睛的狀態(tài)，且ErgoLAB平臺可實時監(jiān)控數據采集過程。

隧道交通運輸高速移動的特點決定了照明控制系統(tǒng)必然是采用以無線電移動通信和數字通信技術來傳輸數據。獲取的數據需要通過傳輸媒介上傳至系統(tǒng)的主控制器，并經過設定好的算法處理后輸出照明亮度。由主控制器輸出的照明亮度信息再傳輸至系統(tǒng)的各個子控制器完成隧道照明亮度的調節(jié)[8]。照明控制系統(tǒng)的結構如圖1所示。

3 智慧照明算法模型

3.1 算法模型的建立

神經網絡是由大量神經元相互作用形成的網絡，是一個高度非線性動力學系統(tǒng)。它可以表達出實際物理世界的各種現象，是抽象、簡化與模擬的人工信息處理模型。隧道照明自調節(jié)控制屬于自適應控制的范疇，因此該文以BP神經網絡對控制系統(tǒng)進行分析。

BP神經網絡由輸入層、隱含層和輸出層構成。輸入層和輸出層的單元數由輸入輸出數據項決定，但是隱含層層數和單元數的確定沒有比較固定的方法，一般由經驗而定。該文參考經驗公式[9]來確定初始網絡結構中隱含層神經元的個數，經驗公式表示為：

（1）

式中，N1——輸入神經元個數;N2——輸出神經元個數;N——隱含層神經元個數。最后在仿真實驗中逐步調整，從而確定最優(yōu)隱含層神經元個數。

對于該文的智慧照明算法模型，神經網絡的輸入層有洞外亮度、車流量和車速，共3個單元。輸出層為1個單元，即平均眨眼時間或瞳孔直徑。隱含層單元的個數由經驗公式計算所得，個數分別取2～13進行試驗。

根據以上分析，BP神經網絡智慧照明算法模型如圖2所示。

3.2 照明控制算法機制

平均眨眼時間是指駕駛員在給定時間內眨眼的平均持續(xù)時間，眨眼時間逐漸增加表明駕駛員疲勞加劇。瞳孔直徑可以反映駕駛員的瞳孔狀態(tài)，瞳孔逐漸變小表明駕駛員越來越疲勞。記平均眨眼時間為T，瞳孔直徑為D。56D34354-1CEC-4C5B-834D-3758BC57FB01

在隧道行車時，駕駛員的平均眨眼時間和瞳孔直徑是動態(tài)變化的。可認為平均眨眼時間的增大量和瞳孔直徑的減小量越大，駕駛員越疲勞。此時需要通過調節(jié)燈光的亮度來減緩駕駛員的疲勞，起到視覺喚醒的作用。記由平均眨眼時間變化得到的亮度變化量為，由瞳孔直徑變化得到的亮度變化量為，計算公式如式（2）和式（3）所示。

式中，和表示設備在第時刻采集到的平均眨眼時間和瞳孔直徑數據，參數和由實驗數據進行標定。

招募了12名具有豐富駕駛經驗的駕駛員，包括9名男性和3名女性。駕駛員們身體狀況良好，情緒狀態(tài)穩(wěn)定，滿足實驗要求。駕駛員們分別在金家莊隧道駕駛車輛，技術人員在后排座位通過ErgoLAB平臺實時觀察數據采集和記錄的過程。獲得了駕駛員們在行車過程中的平均眨眼時間和瞳孔直徑數據，洞外亮度、車流量和車速可通過采集設備實時檢測。將70%的實驗數據作為訓練集，驗證集和測試集分別取15%的比例。

將訓練好的模型作為隧道照明控制系統(tǒng)主控制器的核心算法。實際應用于隧道照明調節(jié)時，主控制器會根據傳感器通過傳輸媒介上傳的洞外亮度、車流量和車速數據對駕駛者的平均眨眼時間和瞳孔直徑進行預測。再根據預測數據，由式（2）和式（3）分別計算出應調節(jié)的亮度變化量，總亮度變化量計算公式如下：

控制器根據計算出的總亮度變化量向隧道照明設備傳達決策信息來調節(jié)隧道內燈光的亮度。從而起到緩解駕駛員視覺疲勞、提高隧道行車安全性的作用。

4 結果與分析

為驗證BP神經網絡在調節(jié)隧道照明時的效果，該文使用Matlab進行仿真來評價該算法的控制效果。

4.1 數據預處理

該文對數據進行了如下處理：①為了得到數據量相同的樣本數據，該文采用了等頻法。②駕駛員的瞳孔直徑在隧道出入口附近急劇變化，該現象會導致分析誤差增大，影響算法模型控制的精度。因此，該文沒有選取隧道出入口附近小于4 mm的瞳孔直徑數據。

4.2 神經網絡訓練

該文使用Matlab編寫程序，用logsig函數進行預測。將處理好的數據導入Matlab的工作區(qū)，將洞外亮度、車流量和車速作為列數據，平均眨眼時間或瞳孔直徑作為行數據。設置訓練數據和預測數據，該文采用梯度下降法進行訓練。完成所有準備工作之后，運行程序，即能得到訓練出的一個神經網絡模型。神經網絡的訓練在第206次得到最優(yōu)均方誤差，訓練數據的擬合優(yōu)度達到0.780 76。

4.3 神經網絡預測

用Matlab編寫程序，用sim函數進行預測，預測值等于誤差與期望值之和，瞳孔直徑的預測結果如圖3所示。平均眨眼時間的預測過程與瞳孔直徑相同。

5 結論與討論

為了研究金家莊螺旋隧道智慧照明控制系統(tǒng)的設計，招募了12名駕駛員到現場進行試驗。首先，根據現行規(guī)范確立了洞外亮度、車流量、車速、平均眨眼時間和瞳孔直徑為影響隧道亮度調節(jié)的因素。然后基于交通信息技術基礎建立了隧道照明控制系統(tǒng)結構，以BP神經網絡預測作為控制系統(tǒng)的核心算法。神經網絡的訓練在第206次得到最優(yōu)均方誤差MSE，訓練數據的擬合優(yōu)度達到0.780 76。最后應用照明控制系統(tǒng)對平均眨眼時間和瞳孔直徑進行預測，再通過系統(tǒng)主控制器處理完成隧道亮度的調節(jié)。通過實時采集隧道環(huán)境信息，控制隧道照明的亮度，營造了一個安全、舒適的隧道行車光環(huán)境，對建設智慧化高速具有一定現實意義。但控制系統(tǒng)也存在一定的局限性，比如收集的實驗樣本數據較少，缺乏對變量的控制。今后的研究需要繼續(xù)增大樣本數量、拓展樣本類型，進行大量實驗論證實驗結果的有效性，并在實際中驗證應用效果。

參考文獻

[1]秦慧芳， 郭佑民， 羅榮輝. 基于模糊神經網絡的公路隧道照明控制系統(tǒng)研究[J]. 隧道建設， 2017（2）： 115-120.

[2]劉東旗. 不同隧道路段駕駛員眼動特征研究[D]. 西安：長安大學， 2017.

[3]王輝. 高速公路長隧道路段駕駛人眼動特性研究[D]. 西安：長安大學， 2010.

[4]于建游， 劉志忠， 吳建波， 等. 延崇高速金家莊特長螺旋隧道智能照明控制系統(tǒng)的設計[J]. 照明工程學報， 2021（5）： 15-19.

[5]公路隧道照明設計細則： JTG/T D70/2—01—2014[S]. 北京：人民交通出版社， 2014.

[6]王磊宇， 武淑紅， 李海芳. 基于眼部行為的駕駛疲勞評價指標研究[J]. 太原理工大學學報， 2015（4）： 440-443.

[7]王學慧， 丁立波， 于世軍. 交通信息技術基礎[M]. 北京： 國防工業(yè)出版社， 2015.

[8]李良榮， 王在浩， 李震， 等. 自適應隧道節(jié)能照明控制系統(tǒng)設計方案[J]. 貴州大學學報（自然科學版）， 2014（5）： 48.

[9]肖泉彬， 黎小龍， 車俊俊， 等. BP神經網絡在新零售行業(yè)銷售預測中的應用[J]. 電子設計工程， 2017（17）： 109-111.56D34354-1CEC-4C5B-834D-3758BC57FB01