大型車輛側(cè)方碰撞危險度預(yù)警方法

羅 石，朱少成，虞井生，劉艷廣

(江蘇大學(xué) 汽車與交通工程學(xué)院，江蘇 鎮(zhèn)江 212013)

0 引言

近年來，隨著經(jīng)濟(jì)發(fā)展和物流運輸?shù)男枰嚤Ｓ辛坎粩嘣龆鄬?dǎo)致交通事故頻發(fā)，造成了嚴(yán)重的人員傷亡和經(jīng)濟(jì)損失[1]。特別是對于大型車輛來說，其視野盲區(qū)相對中小型汽車更大，危險系數(shù)更高，但目前盲區(qū)監(jiān)測、障礙物碰撞預(yù)警等技術(shù)在大型車輛中應(yīng)用不多，駕駛員在遇到危險情形時很難準(zhǔn)確做好預(yù)防措施從而避免事故的發(fā)生。統(tǒng)計數(shù)據(jù)顯示，在汽車各類碰撞事故中側(cè)向碰撞事故的幾率高達(dá)27%，僅次于正向碰撞的59%[2]，車輛側(cè)方障礙物預(yù)警技術(shù)成為國內(nèi)外熱門研究方向。

根據(jù)國家標(biāo)準(zhǔn)GB 15804—2013[3]規(guī)定，大型車輛在駕駛室左右兩側(cè)必須各安裝一個外視鏡進(jìn)行補盲，避免側(cè)方碰撞發(fā)生。文獻(xiàn)[4]通過分析實際場景對安全距離模型進(jìn)行計算，完成了路側(cè)系統(tǒng)的防碰撞模型研究。文獻(xiàn)[5]提出了基于車輛狀態(tài)信息和駕駛環(huán)境信息的車輛變道概率預(yù)測模型，實現(xiàn)車輛變道各種場景的適用性。文獻(xiàn)[6]采用毫米波雷達(dá)和AJ-SRO4K超聲波傳感器設(shè)計出了一種可向駕駛員預(yù)先發(fā)出視聽警告信號的探測裝置，通過測算距離與數(shù)據(jù)庫里的安全值進(jìn)行比較并預(yù)判物體的運動軌跡，決定是否發(fā)出警報。文獻(xiàn)[7]建立了車輛瞬態(tài)Petri網(wǎng)，其不僅適用于交叉路口的碰撞危險，而且適用于其他路口的障礙物碰撞預(yù)警。

目前車輛側(cè)方碰撞預(yù)警技術(shù)的研究更多側(cè)重于中小型車輛超車變道的行駛安全性上，很少涉及大型車輛轉(zhuǎn)彎時側(cè)前方盲區(qū)的研究和對車輛與行人的保護(hù)。因此，筆者考慮影響車輛碰撞危險度的自車與障礙物目標(biāo)的縱向距離(X)、橫向時間(ty)、相對方位(B)和車速比(K)建立4因素模糊綜合評價模型，隸屬度函數(shù)建立時同時考慮車輛行駛時的會遇類型、天氣情況、駕駛員的駕駛素質(zhì)、交通環(huán)境復(fù)雜度等因素進(jìn)行修正。為了提前通知駕駛員行駛安全狀況，提出建立GA-LSTM模型預(yù)測未來一段時間內(nèi)的碰撞危險度CRI，駕駛員根據(jù)CRI的大小決定相應(yīng)的避撞措施。

1 基于模糊綜合評價的碰撞危險度CRI計算

根據(jù)車輛碰撞理論，影響自車與障礙物目標(biāo)碰撞的因素有很多，如：自車與障礙物的橫縱向距離、行駛速度、相對方位、碰撞時間、天氣情況、路面狀況、人流量、車流量以及駕駛員的操作熟練度等[8]。本文通過綜合考慮,將自車與障礙物的相對縱向距離X、橫向時間ty、相對方位B和車速比K作為模糊綜合評價模型的因素集，其他因素則通過隸屬度函數(shù)融合到因素集中。建立的因素集形式如下：

U={X,ty,B,K}

(1)

式中：X為自車與障礙物在縱向運動方向上間隔的距離；ty為自車與障礙物在橫向運動方向上碰撞所需的時間；B為自車的牽引車與障礙物速度方向上的夾角；K=V0/Vm,Vm為障礙物目標(biāo)行駛速度，V0為自車行駛速度。

通過統(tǒng)計研究各參數(shù)對CRI的影響程度，得到具體權(quán)重為：

A={aX,aty,aB,aK}={0.36,0.32,0.17,0.15}

(2)

建立障礙物目標(biāo)的評價矩陣如下：

(3)

經(jīng)過大量的仿真實驗及分析，選定改進(jìn)后的sigmiod函數(shù)作為X的隸屬度函數(shù)：

(4)

式中：X為自車與障礙物目標(biāo)的相對縱向距離，SDA為融合了其他因素的相對縱向安全距離值，當(dāng)X=SDA時，得出rX=0.5為危險與安全的臨界情況。融合后的SDA[9]的求解公式如下：

k1·k2·k3·k4

(5)

式中：L0為考慮自車外型尺寸與障礙物間的保險距離，車型不同則L0不同，一般為2.1～5.3 m，本文半掛汽車列車屬于大型車輛，故L0取5.3 m；Vx為自車的縱向速度；Th=Tf+Tx+Ty+Tz，Tf為駕駛者駕駛時的反應(yīng)時間，一般為0.29～1.18 s，考慮到反應(yīng)遲緩的駕駛者，本文Tf取1.18 s，Tx為消除制動系統(tǒng)中各間隙所需時間為0.2 s，Ty為駕駛者踩到制動踏板所需時間為0.2 s，Tz為制動時減速度增至最大所需時間為0.2 s[10]；Vr為自車與障礙物目標(biāo)的相對速度；amax為自車與障礙物目標(biāo)之間制動減速度的最大值；k1為會遇類型對SDA的影響因子，追越、對遇或障礙物目標(biāo)在車輛左側(cè)k1=1.0，被追越和障礙物目標(biāo)在車輛右側(cè)時，k1=0.8[11]；k2為天氣情況對SDA的影響因子，天氣良好時，k2=1.0，大雪、刮風(fēng)、下雨、起霧等惡劣天氣時k2=1.25[11]；k3為駕駛員遭遇緊急情況時的反應(yīng)速度、心理素質(zhì)、操作水平和經(jīng)驗等對SDA的影響因子，對于駕駛素質(zhì)較好的k3=1.0，素質(zhì)較差的k3=1.25[11]；k4為周圍人流量、車流量對SDA的影響因子，人流量、車流量較少或正常時，k4=1.0，人流量、車流量多時k4=0.75[11]。

橫向時間ty為自車與障礙物在橫向運動方向上碰撞所需的時間?？v向時間tx為冗余時間，不僅會影響系統(tǒng)的計算速度，還會影響系統(tǒng)的魯棒性，所以不作為因子。ty[12]為

(6)

式中：Vy為自車與障礙物的相對橫向速度；ay為橫向加速度(取較大者)；Y為橫向距離；ΔR為半掛汽車列車轉(zhuǎn)彎時的最大內(nèi)輪差。

ty的隸屬度函數(shù)同樣選擇改進(jìn)后的sigmiod函數(shù)：

(7)

ty0為融合了其他因素的橫向安全時間，當(dāng)ty=ty0時，得出ty0=0.5為危險與安全的臨界情況。對于ty0的求解只需將橫向安全距離Y0代入式(6)即可，Y0的求解公式如下：

(8)

相對方位B在本文中表示自車的牽引車與障礙物速度方向上的夾角。根據(jù)車輛碰避經(jīng)驗，當(dāng)B=19°左右時最危險，B=199°左右時危險程度最小[13]，因此建立B的隸屬度函數(shù)為：

(9)

大型車輛轉(zhuǎn)彎時的速度一般控制為16～32 km/h，屬于低速行駛，且發(fā)生碰撞事故時受影響較大的一方為中小型車輛或行人等障礙物目標(biāo)，故影響車速比的大小主要由障礙物目標(biāo)車速的行駛速度決定。其速度越快，CRI值越大，同時與相對方位角B的取值大小也有關(guān)。因此建立K的隸屬度函數(shù)為：

(10)

根據(jù)所有因素的綜合評價結(jié)果得到碰撞危險度CRI表達(dá)式：

CRI=A·R=aXrX+aTyrTy+aBrB+aKrK

(11)

CRI越大越容易發(fā)生碰撞，當(dāng)CRI=0時表示自車與障礙物沒有碰撞危險，CRI=1時最為危險。

2 基于GA-LSTM的CRI預(yù)測模型

LSTM模型由Hochreiter & Schmidhuber引入，一個cell中引入3個門，分別是遺忘門、輸入門和輸出門，通過門的作用來決定信息的去留、保護(hù)和控制細(xì)胞狀態(tài)[14]。傳統(tǒng)的LSTM預(yù)測模型在訓(xùn)練過程中參數(shù)初始化時均為隨機(jī)數(shù)，會出現(xiàn)訓(xùn)練完成后誤差MSE達(dá)不到設(shè)計要求的情況。本節(jié)采用GA算法對訓(xùn)練過程中的參數(shù)進(jìn)行優(yōu)化，給出最終的CRI預(yù)測模型。

2.1 LSTM預(yù)測模型

建立LSTM預(yù)測模型需考慮兩個部分：輸入數(shù)據(jù)特征的選取和模型的訓(xùn)練過程。輸入數(shù)據(jù)特征選取決定不同的輸入數(shù)據(jù)對最終CRI結(jié)果的影響，模型的訓(xùn)練過程包括訓(xùn)練參數(shù)的選取和處理流程的設(shè)計。

2.1.1輸入數(shù)據(jù)特征的選取

根據(jù)式(1)—(11),CRI的大小由車載傳感器可獲取的自車與障礙物的縱向距離X、橫向距離Y、相對縱向速度Vx、相對橫向速度和相對方位B決定。因此定義某段序列任意時刻t的輸入數(shù)據(jù)xt=[Xt,Yt,Vxt,Vyt,Bt]，則對于LSTM模型的輸入而言，數(shù)據(jù)集合為x=[x1,x2,…xi,…,xn],其中n=Ti·length表示輸入數(shù)據(jù)的數(shù)量，每一條不同長度的數(shù)據(jù)會導(dǎo)致LSTM模型的輸入為一個變長的序列，因此需經(jīng)過Embedding層預(yù)處理轉(zhuǎn)換為長度固定的數(shù)據(jù)特征序列。

固定數(shù)據(jù)序列長度的核心問題在于對數(shù)據(jù)補全的處理，找出所有數(shù)據(jù)中的最大長度和最小長度，并對較短的數(shù)據(jù)序列采用數(shù)據(jù)點的平均值或推導(dǎo)值進(jìn)行補全。在LSTM模型中通過Embedding層補零的方式進(jìn)行處理，這是由于LSTM獨特的遺忘門機(jī)制可以忽略零值的出現(xiàn)，不會影響最終的預(yù)測結(jié)果和損失值。通過上述處理固定輸入數(shù)據(jù)的長度，可以滿足對LSTM模型輸入層的要求。

2.1.2CRI預(yù)測模型

用xt=[Xt,Yt,Vxt,Vyt,Bt]表示當(dāng)前時刻LSTM模型的輸入。定義矩陣W為權(quán)重矩陣記錄各個時刻各個參數(shù)所占比例，b為偏置項，σ為激活函數(shù),i、f、o、c分別表示輸入門、遺忘門、輸出門和細(xì)胞狀態(tài)。CRI的LSTM預(yù)測模型的前向計算公式如下：

ft=σ(Wf·[ht-1,xt]+bf)

(12)

ft為遺忘門，是LSTM的第一步，決定是否丟棄自車與障礙物間的相對距離、速度、方位角等信息。

it=σ(Wi·[ht-1,xt]+bi)

(13)

(14)

(15)

Ct為新的狀態(tài)，Ct-1更新為Ct。

ot=σ(Wo·[ht-1,xt]+bo)

(16)

ht=ot*tanh(Ct)

(17)

ot是輸出門，接著通過tanh進(jìn)行處理，得到本模型隱單元t時刻的輸出ht。

(18)

2.2 GA算法的優(yōu)化

1)種群初始化。將LSTM模型中的參數(shù)集Parameters編碼成實數(shù)串的形式，參數(shù)包括自車與障礙物間的相對距離、速度、方位角等信息的權(quán)重和偏置項，即:

datai=Wi1…WinbiWo1…WonboWf1…

(19)

2)適應(yīng)度函數(shù)的定義。與LSTM模型相關(guān)聯(lián)，LSTM預(yù)測效果越好，參數(shù)方案的適應(yīng)度則越高。LSTM輸出層的神經(jīng)元個數(shù)Nout,則誤差平方和SSE公式為：

(20)

(21)

3)選擇。遺傳算法的參數(shù)根據(jù)適應(yīng)度來選擇，適應(yīng)度越高則越容易被選擇。參數(shù)方案被選擇概率的公式如下：

(22)

4)交叉。基于實數(shù)交叉法通過對種群中的參數(shù)gm1和gm2交換形成新的方案，即：

(23)

式中：gm1, j、gm2, j為第j位參數(shù)中第m1和m2個的參數(shù)方案，r表示(0,1)范圍中隨機(jī)的交換系數(shù)。

5)變異。通過改變種群中參數(shù)方案中的某個參數(shù)進(jìn)而形成新的方案，即：

(24)

式中：gmax、gmin為參數(shù)gij的最大值和最小值，td表示當(dāng)前時刻迭代次數(shù)，tdmax是最大迭代次數(shù)，r2是(0，1)范圍內(nèi)的隨機(jī)數(shù)。

6)評價結(jié)果的優(yōu)化。當(dāng)種群中個體參數(shù)的適應(yīng)度滿足LSTM預(yù)測模型的誤差要求或者迭代次數(shù)達(dá)到次數(shù)要求時，則GA算法優(yōu)化過程結(jié)束。

當(dāng)上述GA算法優(yōu)化過程結(jié)束后，將優(yōu)化結(jié)果代入LSTM訓(xùn)練模型中，訓(xùn)練完成后對預(yù)測精度進(jìn)行評價和分析。

3 仿真和仿真結(jié)果分析

為驗證大型車型側(cè)方碰撞預(yù)警算法的可行性，本節(jié)以某型半掛汽車列車向左180°轉(zhuǎn)彎下左側(cè)出現(xiàn)障礙物車輛的會遇類型進(jìn)行TRUCKSIM仿真實驗，根據(jù)實驗給出的數(shù)據(jù)選擇需要的自車與障礙物的縱向距離X、橫向距離Y、相對縱向速度Vx、相對橫向速度和相對方位B的值代入GA-LSTM模型，得到5 s后的預(yù)測結(jié)果，將預(yù)測結(jié)果代入式(1)—(11)計算CRI的預(yù)測值，進(jìn)而判斷危險程度實現(xiàn)對障礙物的預(yù)警。

3.1 半掛汽車列車左轉(zhuǎn)彎TRUCKSIM仿真實驗分析

仿真車型選擇實車黃河牌JN462A型號牽引車和明威牌NHG9347XXY型號廂式運輸半掛車，車體基本結(jié)構(gòu)參數(shù)見表1所示。

表1 車體結(jié)構(gòu)參數(shù)

仿真設(shè)置如下：自車車速設(shè)定為Vo=20 km/h,方向盤轉(zhuǎn)角由0°轉(zhuǎn)至180°，同時在牽引車左前輪正上方設(shè)置側(cè)方雷達(dá)監(jiān)測障礙物目標(biāo)的信息。如圖2所示，障礙物目標(biāo)設(shè)置為30 km/h勻速直線行駛的追越車輛，初始位置距自車初始位置后方32 m、左側(cè)60 m處，仿真結(jié)果如圖3～5所示。

圖2 障礙物會遇類型簡化示意圖

圖3 相對距離示意圖

圖4 相對速度示意圖

圖5 相對方位示意圖

3.2 GA-LSTM模型算法驗證

實驗基于Matlab 2019b深度學(xué)習(xí)工具箱實現(xiàn)LSTM模型參數(shù)的預(yù)測,每輪均取481個數(shù)據(jù)加入樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，60%用于訓(xùn)練，剩下的40%用于測試和校驗，預(yù)測出未來時刻5 s內(nèi)的數(shù)據(jù)。與傳統(tǒng)的LSTM模型訓(xùn)練配置過程一樣，不同之處為初始化參數(shù)的選擇。本文采用GA算法對初始化參數(shù)進(jìn)行優(yōu)化，需設(shè)置種群大小為60，將模型輸出誤差與實際值誤差的導(dǎo)數(shù)作為適應(yīng)度評價，選擇個體的過程采用輪盤賭法，同時設(shè)置個體變異概率為0.01，優(yōu)化迭代次數(shù)為5 000，進(jìn)而完成LSTM初始化參數(shù)的選擇。設(shè)置激活函數(shù)為RELU,求解器為ADAM求解器，隱藏層的節(jié)點數(shù)設(shè)置為64個，梯度閾值設(shè)置為1，指定初始學(xué)習(xí)率為0.1，在500輪訓(xùn)練后通過乘以因子0.2來降低學(xué)習(xí)率，直至錯誤率收斂。

將圖3—5所示仿真實驗結(jié)果代入GA-LSTM預(yù)測模型中，預(yù)測結(jié)果如圖6—10所示。圖6為自車與障礙物縱向距離預(yù)測部分結(jié)果及誤差圖，上半部分為預(yù)測部分與實際部分，藍(lán)色部分的實際數(shù)據(jù)與紅色部分的預(yù)測結(jié)果基本一致，圖中下半部分為預(yù)測與實際數(shù)據(jù)的誤差圖，預(yù)測精度很高，準(zhǔn)確率在90%以上。

圖6 相對縱向距離預(yù)測部分及誤差曲線

圖7 相對橫向距離預(yù)測部分及誤差曲線

圖8 相對縱向速度預(yù)測部分及誤差曲線

圖9 相對橫向速度預(yù)測部分及誤差曲線

圖10 相對方位預(yù)測部分及誤差曲線

圖7—10分別為相對橫向距離、縱向速度、橫向速度和方位的預(yù)測結(jié)果，預(yù)測精度也非常高，可以準(zhǔn)確預(yù)測未來5 s內(nèi)的所需信息。

3.3 模糊綜合評價模型碰撞危險度CRI算法驗證

實驗道路狀況正常、天氣晴朗能見度清晰且駕駛員駕駛素質(zhì)較好，故k1=0.8,k2=k3=k4=1。TRUCKSIM仿真動畫的部分樣本如圖11所示。圖11(a)為t=5 s時刻的仿真結(jié)果，此時為 GA-LSTM預(yù)測模型結(jié)果的初始時刻，可以看出兩車橫/縱向距離都比較小，為比較危險的情況。圖11(b)為t=6.21 s時刻的仿真結(jié)果，此時兩車已經(jīng)相撞，為十分危險且不可避免碰撞事故發(fā)生的情況。圖11(c)為t=10 s時刻的仿真結(jié)果，此時兩車縱向距離雖然很小，但此時兩車已經(jīng)駛離，橫向距離很大且越來越大，為兩車不會發(fā)生碰撞比較安全的情況。

圖11 TRUCKSIM仿真動畫部分樣本

圖12顯示了在該會遇類型下，經(jīng)過GA-LSTM模型預(yù)測后5 s內(nèi)的碰撞危險度CRI隨時間的變化關(guān)系，初始時刻t=5 s時CRI=0.682,此時碰撞危險度超過0.5，屬于比較危險情況，符合圖11(a)的情形，隨著時間的推移兩車逐漸逼近碰撞危險度CRI的值也隨之增加，當(dāng)t=6.125～6.300時，CRI的均值取得最大值為0.892，符合圖11(b)t=6.210時的情形。接著當(dāng)兩車駛離距離逐漸增大，CRI的值也逐漸減小。當(dāng)t=10 s時CRI=0.383小于0.5，為比較安全的情況，符合圖11(c)的情形。

圖12 碰撞危險度預(yù)測結(jié)果

根據(jù)仿真結(jié)果對碰撞危險度進(jìn)行危險等級分類，分類情況如下：

1)非常危險H=(0.8,1)，該類別為障礙物與本車最容易相撞的部分，此時車輛行駛的狀況最為危險；

2)較危險MH=(0.6,0.8),該類別為障礙物與本車相撞的邊緣，發(fā)生碰撞的可能性也很大，安全性差；

3)危險度適中M=(0.4,0.6),該類別處于危險與安全之間的臨界情況；

4)較安全ML=(0.2,0.4),該類別各項指標(biāo)都較大，發(fā)生碰撞的可能性較??；

5)非常安全L=(0,0.2),該類別安全性很高，此時基本不會發(fā)生碰撞，安全性很高。

4 結(jié)論

本文結(jié)合模糊綜合評價法和GA-LSTM模型，完成對大型車輛轉(zhuǎn)彎情況下側(cè)方障礙物的碰撞危險度CRI預(yù)測。利用車輛動力學(xué)仿真軟件(TRUCKSIM)驗證，結(jié)果表明，本方法預(yù)測精度很高，可以很好地實現(xiàn)障礙物的預(yù)警功能。需要指出的是，作者只是對某型半掛汽車列車左轉(zhuǎn)彎側(cè)方障礙物危險情況的研究，今后將對于障礙物識別、跟蹤算法以及預(yù)警后的避撞進(jìn)一步探討。