楊紫輝，江 磊，任洪娟，閆業(yè)翠

（上海工程技術(shù)大學(xué) 機(jī)械與汽車(chē)工程學(xué)院，上海 201620）

0 引言

經(jīng)過(guò)汽車(chē)行業(yè)及工業(yè)技術(shù)的多年發(fā)展進(jìn)步，安全氣囊與安全帶等被動(dòng)安全系統(tǒng)已經(jīng)被廣泛地使用在絕大多數(shù)汽車(chē)上，各種被動(dòng)安全系統(tǒng)的升級(jí)也在逐步推進(jìn)。然而，被動(dòng)安全系統(tǒng)具有很大的局限性，因此也無(wú)法防止交通事故的發(fā)生?？梢钥闯?，汽車(chē)主動(dòng)安全系統(tǒng)的研發(fā)正日漸得到學(xué)術(shù)界和應(yīng)用界的關(guān)注與重視。碰撞預(yù)警算法和自動(dòng)制動(dòng)系統(tǒng)是主動(dòng)安全系統(tǒng)中的2 個(gè)重要組成部分。

目前，主動(dòng)安全系統(tǒng)中使用的碰撞預(yù)警策略主要分為2 類(lèi)。一類(lèi)是基于視覺(jué)識(shí)別方法防碰撞預(yù)警系統(tǒng)，另一類(lèi)是基于車(chē)聯(lián)網(wǎng)（Internet of Vehicles，IoV）的防碰撞預(yù)警系統(tǒng)。其中，基于視覺(jué)識(shí)別方法的防碰撞系統(tǒng)，車(chē)載圖像傳感器在車(chē)輛行駛時(shí)會(huì)實(shí)時(shí)拍攝車(chē)輛周邊的圖像，對(duì)采集到的圖像將要通過(guò)多個(gè)子模塊進(jìn)行信息處理，主要包括車(chē)輛檢測(cè)及跟蹤、車(chē)輛距離測(cè)量等，進(jìn)而完成對(duì)當(dāng)前行駛車(chē)輛的碰撞風(fēng)險(xiǎn)評(píng)估。視覺(jué)識(shí)別方法需要處理大量的圖像，當(dāng)行駛車(chē)輛車(chē)速較快時(shí)，車(chē)輛外部圖像的信息采集與數(shù)據(jù)的實(shí)時(shí)同步處理往往很難得到保證。此外，視覺(jué)識(shí)別方法還需要大量的計(jì)算來(lái)精準(zhǔn)剔除外部環(huán)境中的無(wú)效信息。

基于車(chē)聯(lián)網(wǎng)的方法主要包括人工智能方法和有效參數(shù)方法。其中，基于有效參數(shù)方法，研究人員最早將其實(shí)踐于預(yù)測(cè)追尾碰撞，本田算法就是一種典型的TTC（Time To Collision）算法，該算法中，研究人員根據(jù)靈敏度分析將時(shí)間閾值設(shè)置為2.2 s。此外，伯克利算法是一種優(yōu)化的TTC 方法，就是在停止距離計(jì)算公式中加入了一個(gè)保守距離。這些方法的閾值是預(yù)先設(shè)定好固定不變的，或者是用固定的公式來(lái)進(jìn)行計(jì)算，這就導(dǎo)致了該類(lèi)方法對(duì)不同環(huán)境的適應(yīng)性較差。即使是在與設(shè)定類(lèi)似的環(huán)境中，其他環(huán)境因素同樣會(huì)對(duì)系統(tǒng)產(chǎn)生較大的影響。當(dāng)閾值設(shè)置太大時(shí)，系統(tǒng)會(huì)產(chǎn)生許多錯(cuò)誤警告，這會(huì)對(duì)系統(tǒng)的準(zhǔn)確性造成嚴(yán)重的負(fù)面影響；當(dāng)閾值設(shè)置太小時(shí)，系統(tǒng)則無(wú)法起到應(yīng)有的作用。因此，基于有效參數(shù)的方法將會(huì)無(wú)法適應(yīng)復(fù)雜、多變的真實(shí)駕駛環(huán)境。

在機(jī)器學(xué)習(xí)和人工智能的飛速發(fā)展中，研究人員提出了基于人工智能的碰撞預(yù)警算法。最早提出的是基于機(jī)器學(xué)習(xí)的算法，如決策樹(shù)和支持向量機(jī)等，需要先手動(dòng)提取特征，而后提出的基于人工智能的算法更適合于多結(jié)構(gòu)化數(shù)據(jù)。同時(shí)，隨著神經(jīng)網(wǎng)絡(luò)算法的不斷提升改進(jìn)，將車(chē)輛預(yù)警系統(tǒng)與之結(jié)合，業(yè)已取得了較好的成績(jī)。

1 數(shù)據(jù)集預(yù)處理

本文使用的數(shù)據(jù)來(lái)自美國(guó)公路管理局所公開(kāi)的真實(shí)軌跡數(shù)據(jù)集NGSIM。研究人員在加州建立了一個(gè)由9 個(gè)同步數(shù)碼相機(jī)所組成的網(wǎng)絡(luò)用于收集車(chē)輛的軌跡數(shù)據(jù)，其中每個(gè)車(chē)輛的確切位置均被記錄在內(nèi)。在NGSIM 中，車(chē)輛的軌跡信息包含了多達(dá)26 項(xiàng)不同特征數(shù)據(jù)，如車(chē)輛ID、記錄時(shí)間、車(chē)輛位置、速度、加速度、與前車(chē)距離等。在通過(guò)數(shù)據(jù)處理后，分析其26 個(gè)特征的相關(guān)性，選擇與車(chē)輛后端碰撞最為相關(guān)的7 個(gè)特征因子作為后端碰撞的影響因素，見(jiàn)表1。

表1 碰撞影響因素Tab.1 Impact factors

由于特征因子個(gè)數(shù)較多，在數(shù)據(jù)處理過(guò)程中會(huì)出現(xiàn)類(lèi)不平衡的現(xiàn)象，因此在實(shí)際操作過(guò)程中可通過(guò)采用欠采樣和過(guò)采樣兩種方法來(lái)解決該問(wèn)題。其中，欠采樣的主要操作是在數(shù)據(jù)集的多數(shù)類(lèi)中選擇大量樣本，最終使得正、負(fù)樣本數(shù)量接近。該方法的缺點(diǎn)是由于在樣本選擇過(guò)程中選擇多數(shù)類(lèi)樣本而拋棄許多反例，其結(jié)果可能會(huì)出現(xiàn)擬合不足。過(guò)采樣的操作過(guò)程是在采樣過(guò)程中添加一定數(shù)量正樣本，最終使得正樣本數(shù)量幾乎等于負(fù)樣本數(shù)量。并因過(guò)采樣更適合于減輕卷積神經(jīng)網(wǎng)絡(luò)的類(lèi)不平衡問(wèn)題，在本次研究中將其與染色體遺傳學(xué)原理和閾值動(dòng)態(tài)調(diào)整相結(jié)合，從而緩解NGSIM 數(shù)據(jù)集中的類(lèi)不平衡問(wèn)題。具體操作如下：

（1）定義度量：為了量化少數(shù)樣本集的多樣性，馬氏距離用于表示2 個(gè)未知樣本集的協(xié)方差距離。相比于歐幾里得距離，馬氏距離在計(jì)算中引入了各種特征之間的關(guān)系。在尺度不會(huì)發(fā)生改變的前提下可以排除變量之間的相關(guān)干擾。因此，馬氏距離可應(yīng)用于識(shí)別和檢測(cè)未知樣本集與已知樣本集之間的相似性，完成對(duì)數(shù)據(jù)集中異常值的檢測(cè)。

（2）拆分樣本：根據(jù)馬氏距離將少數(shù)類(lèi)別中的所有樣本進(jìn)行降序排列，如此就可得到接近或遠(yuǎn)離類(lèi)別中心的樣本。此后根據(jù)遺傳學(xué)中染色體理論，將降序排列的樣本平均分為2 部分：將中間樣本之前的數(shù)據(jù)添加到父集合，將其他樣本數(shù)據(jù)分配給母集合。根據(jù)遺傳定律，當(dāng)樣本集中存在極端數(shù)據(jù)時(shí)，該種過(guò)采樣方法依舊有效。

（3）合成新樣本：通過(guò)聚合2 個(gè)獨(dú)立的父集合生成一個(gè)新樣本。研究中，首先從每組中選擇2 個(gè)具有相同編號(hào)的配對(duì)樣本。接下來(lái)，計(jì)算2 個(gè)對(duì)應(yīng)的多元向量之間的平均值以合成新樣本。生成的樣本將添加到原始少數(shù)群體類(lèi)別中。如果生成的新樣本數(shù)量已達(dá)到目標(biāo)，數(shù)據(jù)集即已達(dá)到類(lèi)別平衡。否則，將新生成的樣本添加到少數(shù)類(lèi)中。連續(xù)重復(fù)此過(guò)程，當(dāng)樣本的生成數(shù)量達(dá)標(biāo)后即可結(jié)束。

2 建立碰撞預(yù)測(cè)模型

卷積神經(jīng)網(wǎng)絡(luò)的不斷開(kāi)發(fā)與應(yīng)用，學(xué)界則陸續(xù)取得了使用數(shù)據(jù)挖掘來(lái)解決車(chē)輛網(wǎng)絡(luò)建立問(wèn)題的研究成果，現(xiàn)已被廣泛地應(yīng)用于解決具有冗余特征的分類(lèi)問(wèn)題。

牛津大學(xué)于2014 年提出了視覺(jué)幾何群網(wǎng)絡(luò)（Visual Geometry Group network，VGG），該網(wǎng)絡(luò)在圖像分割和目標(biāo)檢測(cè)任務(wù)上均顯示出良好的效果。在研究中，VGG16 用于構(gòu)建本文提出的追尾碰撞預(yù)測(cè)模型，共有16 層。在此基礎(chǔ)上，還建立了基于CNN的端碰撞預(yù)警模型的結(jié)構(gòu)。

在本文構(gòu)建的碰撞預(yù)測(cè)模型中，系統(tǒng)會(huì)定期計(jì)算當(dāng)前駕駛水平。訓(xùn)練過(guò)程如圖1 所示。系統(tǒng)將收集到的數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，兩者都放入所構(gòu)建的CNN 中來(lái)對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)和測(cè)試。經(jīng)過(guò)數(shù)次迭代，網(wǎng)絡(luò)趨于穩(wěn)定，從而得到最終的預(yù)測(cè)模型。

圖1 訓(xùn)練過(guò)程圖Fig.1 Training process

本文中的CNN 模型由一個(gè)輸入層、15 個(gè)具有權(quán)重的隱藏層和一個(gè)輸出層組成。各層的主要作用為：

（1）卷積層：用來(lái)提取包含多個(gè)卷積核的輸入數(shù)據(jù)的特征。卷積核與前饋神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元相似，每個(gè)元素都由一個(gè)對(duì)應(yīng)于權(quán)重系數(shù)和偏置向量的卷積核組成。卷積層中的每個(gè)卷積核都連接到上一層中一個(gè)接近區(qū)域的內(nèi)核，該區(qū)域的大小取決于卷積核的大小。在VGG 中，使用2 個(gè)3×3內(nèi)核來(lái)取代一個(gè)5×5 內(nèi)核，而3 個(gè)3×3 內(nèi)核等于一個(gè)7×7 內(nèi)核。卷積核的操作內(nèi)容為對(duì)所輸入像素圖進(jìn)行掃描，然后將矩陣元素乘以接受域中的輸入圖，最后將偏差疊加。此時(shí)需用到的數(shù)學(xué)公式為：

其中，Z和Z是該層的輸入和輸出，稱(chēng)為特征圖；是CNN 模型的層數(shù)；是權(quán)值參數(shù)矩陣；是偏置矩陣。

進(jìn)一步地，研究中又推得：

其中，L是特征圖Z的大小，在模型中使用的每個(gè)特征映射長(zhǎng)度都等于其寬度；（，）是特征圖對(duì)應(yīng)的像素；是的通道數(shù)；f，s，p分別表示卷積層所對(duì)應(yīng)的卷積核大小、卷積步幅和填充大小。卷積層包含一個(gè)表達(dá)復(fù)雜特征的激活函數(shù)，數(shù)學(xué)表達(dá)形式可描述為：

目前，研究中廣泛使用的典型激活函數(shù)有雙曲切線(xiàn)和線(xiàn)性整流函數(shù)等，在此，本文選擇使用線(xiàn)性整流函數(shù)作為模型中的激活函數(shù)，其數(shù)學(xué)描述為：

其中，是權(quán)值參數(shù)矩陣，是偏置矩陣。對(duì)于上一層輸出的該層輸入向量X來(lái)說(shuō)，通過(guò)使用神經(jīng)元將max（0，）輸出到下一層或者根據(jù)神經(jīng)元在網(wǎng)絡(luò)結(jié)構(gòu)中的位置作為整個(gè)卷積神經(jīng)網(wǎng)絡(luò)的輸出。

（2）池化層：在卷積層中提取特征后，將特征圖輸出傳遞到池化層，從而實(shí)現(xiàn)特征選擇和信息過(guò)濾。池化層中包含一個(gè)預(yù)設(shè)的池化功能，該功能將要素圖中的單個(gè)像素替換為其相鄰區(qū)域的統(tǒng)計(jì)信息。選擇合并區(qū)域的過(guò)程與卷積內(nèi)核掃描特征圖的步驟相同，并由內(nèi)核大小、卷積步幅和填充大小來(lái)做調(diào)節(jié)及控制。

通常使用的池化方法包括池、混合隨機(jī)池和光譜池。池的一般表示形式為：

其中，，，，，均為卷積層中的參數(shù)，是預(yù)設(shè)參數(shù)。

目前，常用的池化方法有2 種，分別是平均池化和最大池化。當(dāng)1 時(shí)，池在池化區(qū)域中取平均值，稱(chēng)為平均池化；當(dāng)→∞時(shí)，池在池化區(qū)域中取最大值，稱(chēng)為最大池化。為了減少計(jì)算復(fù)雜度和計(jì)算時(shí)間，本文在研究中使用最大池化。

（3）全連接層：卷積神經(jīng)網(wǎng)絡(luò)中的全連接層等于傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)中的隱藏層。全連接層通常在卷積神經(jīng)網(wǎng)絡(luò)中隱藏層的最后一部分，只將特征映射傳遞到其他完全連接的層。特征映射失去了一個(gè)完全連接的層中的三維結(jié)構(gòu)，并被擴(kuò)展成一個(gè)矢量，再通過(guò)線(xiàn)性整流激活函數(shù)傳遞到下一層。

（4）輸出層：可以選擇卷積神經(jīng)網(wǎng)絡(luò)的各種成本函數(shù)（損失函數(shù)）在輸出層中加以使用，例如函數(shù)、鉸鏈損失函數(shù)和三重?fù)p失函數(shù)。目前，解決多類(lèi)別分類(lèi)問(wèn)題中，最常用的損失函數(shù)是函數(shù)，而函數(shù)在CNN 中起到分類(lèi)器的作用。

卷積神經(jīng)網(wǎng)絡(luò)使用BP 框架進(jìn)行監(jiān)督學(xué)習(xí)。CNN 模型使用梯度下降和反向傳播算法進(jìn)行訓(xùn)練。全連接層的梯度下降與BP 網(wǎng)絡(luò)的梯度相同。CNN和BP 之間的差異在于卷積層和池化層的梯度，然而，其他一些算法、如動(dòng)量梯度下降和RMSProp，在CNN 中使用時(shí)可以?xún)?yōu)于梯度下降。在本次研究中，使用亞當(dāng)優(yōu)化算法來(lái)計(jì)算梯度，這是一種自適應(yīng)學(xué)習(xí)速率算法。過(guò)程中，將自適應(yīng)梯度算法（AdaGrad）與均方根傳播（RMSProp）相結(jié)合，動(dòng)態(tài)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)速率。在大型模型和數(shù)據(jù)集的情況下，亞當(dāng)優(yōu)化算法可以有效地解決局部最優(yōu)深度學(xué)習(xí)問(wèn)題。

至此，本文搭建的CNN 模型為將已有的256×256×3 圖像轉(zhuǎn)換為224×224×3 圖像，并從每個(gè)像素中減去平均值，這使得每個(gè)輸入圖像的大小為224×224×3。卷積層共分為5 個(gè)部分，其中2 個(gè)卷積層使用1×1 卷積內(nèi)核，而其他層使用的是3×3 卷積內(nèi)核。此外，利用2×2 的最大池化層來(lái)縮小每個(gè)段末端的圖像。同時(shí)，每個(gè)段中的內(nèi)核數(shù)量是相同的，該層位置越深，則所需核數(shù)就越多。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 模擬設(shè)定

本文選用Matlab 中Caffe 框架為深度學(xué)習(xí)模型，在對(duì)應(yīng)的配置文件中，設(shè)置訓(xùn)練控制參數(shù)，見(jiàn)表2。

表2 訓(xùn)練控制參數(shù)Tab.2 Training control parameters

3.2 仿真結(jié)果與分析

為了驗(yàn)證本文所構(gòu)建模型的效果，這里對(duì)模型預(yù)測(cè)結(jié)果與本田、伯克利和MCWA 算法針對(duì)、、精度、、和平均延遲等指標(biāo)進(jìn)行對(duì)比來(lái)評(píng)估所構(gòu)建模型算法的性能。

隨著迭代次數(shù)的增加，本文構(gòu)建模型的訓(xùn)練損失顯著減少，并在大約10000 次迭代后趨于收斂，如圖2 所示。圖3 為精度預(yù)測(cè)圖，利用原始數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，并用擴(kuò)展數(shù)據(jù)來(lái)對(duì)其進(jìn)行預(yù)測(cè)。由圖3 可知，當(dāng)使用原始數(shù)據(jù)時(shí)，訓(xùn)練和測(cè)試精度都會(huì)隨著迭代次數(shù)的增加而增加，訓(xùn)練精度可達(dá)到90%。

圖2 訓(xùn)練函數(shù)損失圖Fig.2 Training function loss graph

圖3 數(shù)據(jù)精度圖Fig.3 Data accuracy diagram

4 種算法的曲線(xiàn)如圖4 所示。曲線(xiàn)上的每個(gè)點(diǎn)都反映了相同的靈敏度水平信號(hào)刺激。曲線(xiàn)的垂直軸為，水平軸為。理想的分類(lèi)目標(biāo)表示為接近點(diǎn)（0，1）。與45°對(duì)角線(xiàn)的偏差更大、即更靠近左上角的曲線(xiàn)可獲得最佳性能。與其他算法相比，本文構(gòu)建模型的曲線(xiàn)更靠近左上角，由此可見(jiàn)，本文構(gòu)建模型算法在方面性能最優(yōu)。而相較于本田和伯克利算法，MCWA 是一種不受影響的深度學(xué)習(xí)算法，在方面的表現(xiàn)更佳。

圖4 ROC 曲線(xiàn)圖Fig.4 ROC curve

4 種算法的曲線(xiàn)如圖5 所示。曲線(xiàn)表示實(shí)際樣本中正確預(yù)測(cè)了多少樣本，在本文中使用最高級(jí)別的曲線(xiàn)來(lái)驗(yàn)證所構(gòu)建模型的性能，曲線(xiàn)越接近于右上方、則表示其性能越好。從圖5中可以明顯看出，本文構(gòu)建模型的結(jié)果體現(xiàn)出性能最優(yōu)。同時(shí)，在分類(lèi)任務(wù)中，分?jǐn)?shù)通常用于評(píng)估分類(lèi)算法的性能，其值可由如下數(shù)學(xué)公式計(jì)算求得：

圖5 P-R 曲線(xiàn)圖Fig.5 P-R curve

當(dāng)任務(wù)類(lèi)型為多分類(lèi)時(shí)，首先需要計(jì)算每個(gè)分類(lèi)的分?jǐn)?shù)，然后組合計(jì)算所有類(lèi)別的得分。具體計(jì)算公式如下：

其中，P（1，2，3）是分類(lèi)的精度，R（1，2，3）是分類(lèi)的召回率。通過(guò)計(jì)算可得本文構(gòu)建模型得分為80.56，MCWA、Honda 和伯克利方法的得分分別為73.67、60.64 和71.96。

車(chē)輛后端碰撞警告算法的關(guān)鍵之一是時(shí)間延遲，其值就明顯需要小于預(yù)測(cè)周期，否則會(huì)無(wú)法起到警告的作用，也就無(wú)法保證算法具有實(shí)時(shí)性。本文從樣本集中隨機(jī)選取了20 輛車(chē)作為樣本，計(jì)算其平均預(yù)測(cè)時(shí)間，從而驗(yàn)證算法的實(shí)時(shí)性，算法運(yùn)行結(jié)果如圖6 所示。從圖6 中可以看出，所有采樣車(chē)輛的預(yù)測(cè)時(shí)間均小于0.1 s，與1.5 s 的滾動(dòng)預(yù)測(cè)周期相比將完全可以實(shí)現(xiàn)碰撞警告的實(shí)時(shí)性。

圖6 平均延遲圖Fig.6 Average delay diagram

4 結(jié)束語(yǔ)

針對(duì)車(chē)輛后端碰撞實(shí)時(shí)警告預(yù)測(cè)問(wèn)題，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)算法，該算法模型以1.5 s 為滾動(dòng)預(yù)測(cè)周期。為了檢驗(yàn)該方法的有效性，本文將真實(shí)車(chē)輛軌跡NGSIM 劃分為訓(xùn)練集和測(cè)試集兩個(gè)部分。通過(guò)對(duì)數(shù)據(jù)進(jìn)行平滑和擴(kuò)展處理，解決了訓(xùn)練集中的類(lèi)不平衡問(wèn)題，將每1.5 s 的文本數(shù)據(jù)轉(zhuǎn)換成一個(gè)三維像素點(diǎn)陣，從而提高了模型性能。

實(shí)驗(yàn)結(jié)果表明，本文方法所構(gòu)建的碰撞預(yù)警模型在預(yù)測(cè)精度、、召回率和評(píng)分等方面性能優(yōu)于本田、伯克利和MCWA 算法，證明本文方法確保了對(duì)車(chē)輛后端碰撞的及時(shí)、有效預(yù)警。