基于圖卷積神經(jīng)網(wǎng)絡(luò)的施工區(qū)仿生引導(dǎo)機(jī)器人

柳 蓓 劉鵬飛 崔琦璇 楊 馳 秦夢圓

(武漢理工大學(xué)交通與物流工程學(xué)院1) 武漢 430063) (武漢理工大學(xué)計(jì)算機(jī)與人工智能學(xué)院2) 武漢 430063)

0 引 言

高速公路改擴(kuò)建工程在“邊通車-邊施工”的模式下，交通事故頻繁發(fā)生，通行效率低下[1].據(jù)《道路交通事故統(tǒng)計(jì)年報(bào)》數(shù)據(jù)顯示，2019年交通事故中萬車死亡人數(shù)為1.8人，道路施工期間發(fā)生的事故率為非施工期間的2.7倍[2].因此亟須對高速公路改擴(kuò)建施工區(qū)進(jìn)行有效的交通管控.Avrenli等[3]發(fā)現(xiàn)真人交通引導(dǎo)員多元化的引導(dǎo)手勢相較于傳統(tǒng)靜態(tài)單一的交通管控措施，可以有效改善高速公路施工區(qū)的交通運(yùn)行狀況，但危險性和成本高.元會杰等[4]發(fā)現(xiàn)在改擴(kuò)建期間，現(xiàn)有設(shè)施無法實(shí)現(xiàn)實(shí)時管控，提高施工路段通行能力需要進(jìn)行主動管控.

基于此，文中設(shè)計(jì)了以引導(dǎo)機(jī)器人為功能集成的硬件載體，通過GCNN進(jìn)行時空預(yù)測得到短時交通流數(shù)據(jù)以及交通狀態(tài)貢獻(xiàn)度最大的節(jié)點(diǎn),輸入至仿真平臺得到優(yōu)化的主動控制決策，以期提高改擴(kuò)建施工區(qū)的交通通行效率和安全水平.

1 算法設(shè)計(jì)

1.1 圖卷積神經(jīng)網(wǎng)絡(luò)預(yù)測

圖卷積神經(jīng)網(wǎng)絡(luò)預(yù)測模型[5]主要由三個部分組成：

1) S-GNN層 目的是通過交通網(wǎng)絡(luò)捕捉道路節(jié)點(diǎn)之間的空間關(guān)系.

在交通網(wǎng)絡(luò)G上對道路之間的關(guān)系進(jìn)行編碼.交通網(wǎng)絡(luò)中連通的道路更有可能具有相似的屬性，可表示為：

(1)

式中：波浪線為矩陣的增廣矩陣；A為鄰接矩陣；D為精細(xì)度矩陣；W為可學(xué)習(xí)的參數(shù).Xout為交通特征在位置上的輸出矩陣；Xin為交通特征在位置上的輸入矩陣.

由于可能還有一些沒有意識到的其他因素影響節(jié)點(diǎn)之間的關(guān)系，故采取對每個節(jié)點(diǎn)vi學(xué)習(xí)一個潛在位置表示pi,于是得到任意倆個節(jié)點(diǎn)的相似性公式.

(2)

2) GRU層 即按順序捕獲時間關(guān)系(或局部時間依賴).

為了在處理序列時包含空間關(guān)系，在方程式中應(yīng)用了修改后的GCN運(yùn)算的輸入和隱藏的表示.時間t中的每個節(jié)點(diǎn)vi，GRU的操作可表示為

(3)

式中：Wz,WrWh,Uz,Ur,Uh為需要學(xué)習(xí)的參數(shù)xt；Ht-1為經(jīng)過S-GNN層GCN操作后的輸出矩陣；Ht為當(dāng)前時間步長的輸出矩陣，也作為下一步時間步長的輸入矩陣.

3)transformer層 旨在直接捕獲序列中的長期時間依賴(或全局時間依賴).

S-GNN層同時還應(yīng)用于GRU單元的輸入和隱藏表示，GRU層和transformer層都用于分別捕獲每個節(jié)點(diǎn)的時間依賴關(guān)系，同時從不同的角度捕獲依賴關(guān)系.

prediction layer為利用多層前饋網(wǎng)絡(luò)預(yù)測未來時期的交通流.該模型訓(xùn)練過程中的損失函數(shù)為

(Yt+T+1，…，Yt+T+T′))

(4)

d(f(Yt+1，…，Yt+T),(Yt+T+1，…，Yt+T+T′))=

f(YT+1,…,Yt+T)

(5)

式中：f(·)為預(yù)測的模型.

1.2 圖卷積神經(jīng)網(wǎng)絡(luò)模型可解釋性

當(dāng)Shapley理論用于解釋機(jī)器學(xué)習(xí)模型的時候，將輸入特征視為參與成員x∈X，視為模型輸出的概率分布,f(x)視為聯(lián)盟總目標(biāo)，通過衡量各特征的貢獻(xiàn)度來挖掘重要特征，從而提供可解釋性判別依據(jù)，引入特征函數(shù)被來判別輸入特征子集S對于某一類的重要性分?jǐn)?shù)，即[6]：

(6)

式中:Em[·|x]為模型輸出的期望，該特征函數(shù)具有編碼理論解釋，它對應(yīng)于基于子向量xs對模型輸出進(jìn)行編碼所需的預(yù)期位數(shù)的負(fù)數(shù)，當(dāng)模型基于xs進(jìn)行確定性預(yù)測時或在輸出空間上接近均勻的分布時，該期望值的數(shù)值將為零.

對于包含特征i的給定特征子集S,一種評估特征i在子集S中與其他特征相互作用的方式是通過計(jì)算有特征i和無特征i時子集＾中所有特征的重要性之間的差異，這種差異稱為特征i對子集S的邊際貢獻(xiàn)，其定義為

mx(S,i)=vx(S)-v(S(〗i})

(7)

最終特征i的Shapley value是通過對所有子集情況下特征i的邊際貢獻(xiàn)求平均值而獲得的，該值可被視為特征i的重要性分?jǐn)?shù)并作為貢獻(xiàn)度，定義為

(8)

參考SHAP模型計(jì)算微觀路網(wǎng)中每個路段節(jié)點(diǎn)對預(yù)測結(jié)果的貢獻(xiàn)度Shapley值，通過仿真實(shí)驗(yàn)統(tǒng)計(jì)出施工區(qū)路段導(dǎo)致?lián)矶掳l(fā)生可能性最大的三個節(jié)點(diǎn)，如圖1路網(wǎng)中進(jìn)行標(biāo)記.

圖1 圖卷積神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)

2 控制決策設(shè)計(jì)

2.1 實(shí)驗(yàn)平臺搭建

基于元胞自動機(jī)模型開發(fā)了高速公路改擴(kuò)建施工區(qū)“二合一”路段交通管控策略設(shè)計(jì)平臺.采用7條元胞鏈表示一條車道，每個元胞空間精度：長度為1 m、寬度為0.25 m，模型時間精度為1 s，仿真車型包括小型車和大型車.其中，車型尺寸依據(jù)小型車長度6 m、寬度 2 m，大型車長度12 m、寬度2.5 m進(jìn)行設(shè)置，見圖2.

圖2 元胞劃分及車型尺寸

1) 跟馳規(guī)則 為了更加契合高速公路改擴(kuò)建施工期交通流特性，本實(shí)驗(yàn)將考慮不同車型的跟馳行為，反映車輛在跟馳過程的實(shí)際跟馳情況，采用期望跟馳間距建立車輛的跟馳規(guī)則.

NaSch模型[7]被用于描述模擬施工區(qū)場景中的跟馳行為，在每個離散時間步t到t+1時，根據(jù)以下規(guī)則并行更新系統(tǒng).

dn(t+1)≥Dmin

(9)

式中：dn(t+1)為t+1時刻第n輛車與前車的間距；Dmin為期望跟馳間距.

跟馳車輛在行駛時情景見圖3.

圖3 跟馳情景

由圖3可得:

dn(t)+Vn-1(t)=Vn(t)+dn(t+1)

(10)

結(jié)合式(1)～(2)可得第n輛車在t時刻與前車的最小跟馳間距dn(t)滿足下列條件.

dn(t)≥Vn(t)-Vn-1(t)+Dmin

(11)

引入駕駛員差異參數(shù)ψ對駕駛員速度感知以及不同車型加速度an進(jìn)行修正，則此時交通流的跟馳模型如下.

加速：

Vn(t+1)=min(Vn(t)+an,Vmax)

(12)

隨機(jī)慢化：

Vn(t+1)=max(Vn(t)-an,0)

(13)

位置更新：

Xn(t+1)=Xn(t)+Vn(t)

(14)

式中；Vn(t+1)，Vn-1(t+1)為第n輛車和前一車輛第n-1輛車在t+1時刻的速度；an為第n輛車的加速度；Xn(t)，Xn(t+1)為第n輛車在t和t+1時刻的位置；dn(t)為第n輛車距離前方車輛的距離；Vmax為第n輛車可能的期望速度.

在原始CA模型中，隨機(jī)慢化概率一般為固定值，而在實(shí)際中，其與道路的交通密度有關(guān)，當(dāng)?shù)缆分薪煌芏鹊牟粩嘣黾?，車輛隨機(jī)慢化的概率也將增加，因此，隨機(jī)慢化概率可設(shè)定為.

(15)

綜上，駕駛員在行駛過程中不與其它車輛發(fā)生沖突，將按照加速規(guī)則加速到可能的期望速度，當(dāng)駕駛員估計(jì)當(dāng)前車輛與前方車輛的間距小于期望間距時，將按照減速規(guī)則減速至安全速度，其中Vn(t)-ψVn-1(t)+Dmin為駕駛員對期望車距的預(yù)估，其次，車輛會以概率Pn(t)隨機(jī)減速，最后，車輛按位置更新規(guī)則行駛.

2) 換道規(guī)則 采用模糊控制規(guī)則生成車輛換道動機(jī)[8]，采用換道增益ΔB以及換道安全間距L衡量換道動機(jī)P.

P∈{0,1}

(16)

當(dāng)換道動機(jī)P為0時，駕駛員不選擇換道，反之，駕駛員產(chǎn)生換道動機(jī).

換道增益ΔB為當(dāng)前車道與目標(biāo)車道的行駛效益之差，其中，當(dāng)前車道行駛效益Bnow按下式計(jì)算.

Bnow=Vn-2(t)-Vn(t)+Ln(n-2)

(17)

同理，目標(biāo)車道行駛效益Bobj如下.

Bobj=Vn-1(t)-Vn(t)+Ln(n-1)

(18)

因此，換道增益ΔB定義為

ΔB=Bobj-Bnow

(19)

當(dāng)換道增益ΔB越大，說明車輛跟馳目標(biāo)車道前車運(yùn)行條件越好或者當(dāng)前車道的交通密度較目標(biāo)車道交通密度越大.

綜上所述，換道動機(jī)P由換道增益ΔB與換道安全間距L共同決定，當(dāng)換道增益ΔB越大，車輛與目標(biāo)車道后車距離L越大，駕駛員的換道動機(jī)越強(qiáng)烈；相反，當(dāng)換道增益ΔB越小，車輛與目標(biāo)車道后車距離L越小時，駕駛員不選擇換道.

2.2 基本控制決策設(shè)計(jì)

搭建基于元胞自動機(jī)的高速公路改擴(kuò)建施工區(qū)“二合一”路段交通管控策略設(shè)計(jì)平臺，選取限速標(biāo)志個數(shù)、限速標(biāo)志位置、限速速度以及合流點(diǎn)位置作為輸入?yún)?shù)，給定范圍及步長后隨機(jī)排列組合進(jìn)行仿真，并選取交通沖突嚴(yán)重率(基于TDTC的沖突次數(shù)和碰撞能量)[9]、李雅普諾夫指數(shù)和延誤作為評價指標(biāo)，根據(jù)比選評價指標(biāo)的優(yōu)劣得到基本控制決策.若仿真過程中算法運(yùn)行時間超過5 s，則選擇當(dāng)前仿真運(yùn)行得到方案中的最優(yōu)方案.

2.3 控制決策優(yōu)化

在基本控制決策的基礎(chǔ)上進(jìn)一步優(yōu)化：輸入由算法預(yù)測得到的短時交通量和交通狀態(tài)貢獻(xiàn)度最大的節(jié)點(diǎn)，結(jié)合基本決策中的限速標(biāo)志位置、限速速度以及合流點(diǎn)位置，繼續(xù)組合仿真，比選評價指標(biāo)的優(yōu)劣得到在不同的交通量的情況下的最優(yōu)控制策略，完成控制策略的優(yōu)化設(shè)計(jì).

3 硬件系統(tǒng)設(shè)計(jì)

仿生引導(dǎo)機(jī)器人系統(tǒng)作為整個交通引導(dǎo)機(jī)器人系統(tǒng)實(shí)現(xiàn)功能的載體，由仿生引導(dǎo)機(jī)器人、LED可變信息板、路欄、監(jiān)控設(shè)施、毫米波雷達(dá)、LoRa通信模組，系統(tǒng)中各硬件設(shè)施布設(shè)見圖4[10].

由于施工區(qū)是一直在前進(jìn)移動的，所以本項(xiàng)目的硬件系統(tǒng)的可變信息板等交通設(shè)施都具有可移動性，可以重復(fù)使用.

圖4 改擴(kuò)建施工區(qū)“二合一”路段的硬件設(shè)施布設(shè)

4 仿真評價

本實(shí)驗(yàn)通過駕駛模擬技術(shù)構(gòu)建被試者駕駛汽車在高速公路改擴(kuò)建施工區(qū)“二合一”路段場景，實(shí)驗(yàn)過程中測量被試者在有引導(dǎo)機(jī)器人系統(tǒng)情況下的駕駛行為，基于駕駛行為指標(biāo)、駕駛員視覺指標(biāo)、心率和皮膚電進(jìn)行綜合分析，設(shè)置對應(yīng)交通量下的空白對照組，進(jìn)行仿真實(shí)驗(yàn)并比較兩組的評價指標(biāo)，驗(yàn)證該控制系統(tǒng)的有效性.

1) 掃視頻率 有無系統(tǒng)掃視頻率對比見圖5.由圖5可知：有系統(tǒng)時被試者的掃視頻率明顯大于無系統(tǒng)時，掃視頻率平均降低了30.1%，由此說明系統(tǒng)中的機(jī)器人和可變信息板提供的信息對駕駛員的吸引程度大，系統(tǒng)布設(shè)有效可靠.

圖5 有無系統(tǒng)掃視頻率對比

有無系統(tǒng)的眼動結(jié)果見圖6.由圖6可知：對比顯示被試者更多關(guān)注仿生引導(dǎo)機(jī)器人系統(tǒng)中的機(jī)器人和可變信息板而非前方道路，本系統(tǒng)得到駕駛員更多的關(guān)注度.

圖6 有無系統(tǒng)的眼動結(jié)果

2) 駕駛員橫向操控行為(轉(zhuǎn)向燈使用頻率) 有無系統(tǒng)時轉(zhuǎn)向燈使用頻率見圖7.由圖7可知：被試者在有機(jī)器人系統(tǒng)場景行駛時，使用轉(zhuǎn)向燈的頻率明顯低于無機(jī)器人系統(tǒng)時，頻率平均降低了27.3%.

圖7 有無系統(tǒng)的轉(zhuǎn)向燈使用頻率

通過計(jì)算，相較于靜態(tài)單一的管控措施，本系統(tǒng)控制下交通流的延誤減少了15.4%，交通沖突嚴(yán)重率降低了22.6%，交通穩(wěn)定性提高了19.8%.

5 結(jié) 論

1) 采用圖卷積神經(jīng)算法采用特征融合對交通流進(jìn)行預(yù)測，有效提取所構(gòu)建路網(wǎng)在宏觀上的時間序列特征和微觀上的空間關(guān)聯(lián)特征，使得預(yù)測的精準(zhǔn)度得到了大大的提升.同時，本模型引入Transformer機(jī)制，對于宏觀全局特征進(jìn)行把控，防止算法在預(yù)測過程中陷入局部最優(yōu)解.

2) 基于元胞自動機(jī)搭建了高速公路改擴(kuò)建施工區(qū)“二合一”路段交通管控策略設(shè)計(jì)平臺，通過數(shù)次的仿真得到基本控制策略及優(yōu)化，有大量的數(shù)據(jù)支撐使得控制策略具有可靠性和有效性.

3) 構(gòu)建的仿生引導(dǎo)機(jī)器人系統(tǒng)，通過基于微觀路網(wǎng)的構(gòu)建的GCNN算法模型，對未來短時期內(nèi)的交通流和交通狀態(tài)進(jìn)行預(yù)測，利用圖神經(jīng)網(wǎng)絡(luò)可解釋性得到對交通狀態(tài)貢獻(xiàn)度最大的節(jié)點(diǎn).將該數(shù)據(jù)代入高速公路改擴(kuò)建施工區(qū)“二合一”路段交通流仿真平臺中對基礎(chǔ)控制策略進(jìn)行修正得到當(dāng)前狀態(tài)下的最優(yōu)控制策略.