基于RBF神经网络的车辆安全换道时机决策模型研究

2019-12-17 08:48王俊彦蔡骏宇
重庆理工大学学报(自然科学) 2019年11期
关键词:时机车道准确率

王俊彦,蔡骏宇

(1.镇江市高等专科学校 交通学院, 江苏 镇江 212000; 2.江苏大学 汽车与交通工程学院, 江苏 镇江 212013)

车辆换道是驾驶人为了满足自身的驾驶意图而采取的行为,是驾驶人基于换道车辆的行驶状态,通过对环境信息的感知和判断,控制车辆完成动作的综合过程。车辆换道分为选择性换道和强制性换道两类,当驾驶人根据自身驾驶意图行驶时可以采取选择性换道;当车辆必须离开原车道时将被迫采取强制性换道。车辆换道时交通条件复杂,换道时机掌握不正确会带来一定的安全隐患,建立车辆安全换道时机决策模型可以给予驾驶人安全换道提示,保证驾驶人与车辆安全。随着智能交通和智能汽车的发展,高精度的安全换道模型可以成为智能汽车行驶的重要组成部分。

国内外许多学者使用最小安全距离模型来对车辆换道进行建模研究[1-3],建立的模型都是考虑目标车道前后车辆的距离大于最小安全距离,当换道间隙满足驾驶人需求时完成换道行为。此外,国内外学者还先后使用了二元Logit模型[4]、博弈论[5]、多智能体[6]、元胞自动机[7]和模糊推理[8-9]等方法来进行车辆换道研究。

上述模型取得了一定的理论成果,但这些模型都很难直接应用到驾驶主动安全系统中,本文提出了RBF神经网络方法,建立了一个更加智能化的车辆换道模型。选择RBF神经网络方法在于它具有以下特点:第一,RBF神经网络方法具有较强的非线性拟合能力,具有惟一最佳逼近的特性,且无局部最小问题存在;第二,RBF神经网络具有较好的分类预测能力,学习过程收敛速度快;第三,RBF神经网络具有较强的输入与输出映射功能,是前向网络中完成映射功能最优的网络。

1 换道时机决策的场景与影响因素

1.1 换道时机决策的场景

文中车辆在换道前行驶的车道为原车道,目标车道在原车道左侧,考虑换道车辆前方和左侧车辆对换道车辆的影响。驾驶车辆在原车道行驶的每一时刻都要考虑换道时机是否合适:可以换道和不能换道,研究只考虑换道车辆向左侧车道进行换道的情况,不考虑向右侧进行换道的情况。换道场景示意图如图1所示。

图1 研究工况与相关参数示意图

1.2 影响车辆换道时机决策的因素

驾驶人在原车道上行驶时,需要考虑车和环境的状况来判定能否进行安全换道,安全换道的实现取决于换道时机的选择。在之前的研究中[1,3],基于换道车辆的行驶状态,并通过对环境信息的感知和判断,提出以下7个换道决策的影响因素:

1)V0(m/s):换道车辆的速度;

2)V1(m/s):目标车道前方车辆的速度;

3)V2(m/s):目标车道后方车辆的速度;

4)V3(m/s):原车道前方车辆的速度;

5)D1(m):换道车辆与目标车道前方车辆的距离;

6)D2(m):换道车辆与目标车道后方车辆的距离;

7)D3(m):换道车辆与原车道前方车辆的距离。

在上述7个影响因素的基础上,本文提出了额外4个影响因素,在车辆换道时机决策过程中考虑相关车辆的加速度,它们分别是:

8)a0(m/s2):换道车辆的加速度;

9)a1(m/s2):目标车道前方车辆的加速度;

10)a2(m/s2):目标车道后方车辆的加速度;

11)a3(m/s2):原车道前方车辆的加速度。

随着汽车传感器技术的发展,上述11个参数都可以应用相应的传感器获取,故本文将它们作为RBF神经网络模型的输入变量,并对比研究11参数模型与7参数模型的预测效果。

2 车辆换道时机决策模型的建立

2.1 RBF神经网络车辆换道时机决策模型

RBF神经网络(Radial Basis Function Neural Network)是一种2层(除输入层)的前馈型神经网络,包括了径向基函数的隐含层和线性输出的输出层,其结构示意图如图2所示。RBF网络的输入与输出映射能力强,隐含层的径向基函数一般选用高斯函数,网络训练时间短,学习速度和收敛速度快,在理论上网络可以任意逼近任何一个连续函数。

图2 RBF神经网络结构

网络结构中,若输入层输入向量为X=(x1,x2,…,xn)T,则隐含层的输出向量为Φi=(Φ1,Φ2,…,Φn)T,那么输出层的输出向量为Yj=(y1,y2,…,ym)T。输入层的作用是把来自外部的数据映射到隐含层,输入层与隐含层实现神经网络的非线性映射,不对数据进行任何处理,所以RBF神经网络只有隐含层和输出层起作用。整个神经网络的中心处理层是隐含层,隐含层与输出层实现神经网络的线性映射,由于隐含层里包含径向对称的径向基函数,所以数据需要经过径向基函数作用后才传递给输出层。隐含层用高斯函数做径向基函数,隐含层的输出:

(i=1,2,3,…,n)

(1)

其中:Φi为第i个隐含节点的输出;x为n维输入向量;xc为核函数的中心,xc为与x同维的向量;σi为核函数的宽度,由此可以得到网络输出层的线性输出为:

(2)

其中:yj为输出层的第j个节点的输出;wi,j为输出层与隐含层之间节点的连接权值;m为隐含层的节点个数。

由于RBF神经网络输入变量的数值和量纲都不相同,为了避免对模型效果产生不利影响,对于输入的原始数据需要进行归一化处理,同样在得到输出值之前需要进行反归一化处理。想要利用建立的RBF神经网络模型对车辆换道时机进行预测,就需要对模型进行学习,这其中主要涉及对RBF基函数的中心、宽度和输出层与隐含层之间节点的连接权值的学习。

2.2 RBF神经网络学习算法

RBF神经网络学习算法的参数学习主要包括两个方面:

1) 确定RBF基函数的中心xc和宽度σi

RBF神经网络基函数的中心xc使用K-means聚类方法来确定,对应于中心xc的宽度σi值等于某一类训练样本之间的平均距离,计算公式如下:

(3)

2) 确定输出层与隐含层之间节点的连接权值

权值矩阵W的调节通过逻辑回归法(Logistic regression)实现,RBF神经网络隐含层至输出层的激活函数采用Sigmoid函数:

(4)

2.3 网络训练

1) 输入输出变量的选择

根据前文对车辆换道时机决策因素的分析,确定使用影响车辆换道时机决策的11个因素(V0,V1,V2,V3,D1,D2,D3,a0,a1,a2,a3)作为RBF神经网络的输入变量,而输出变量是换道时机决策结果,换道和不换道(yes,no)。

2) 实验数据

美国联邦高速公路管理局的Next Generation Simulation(NGSIM)[10]项目免费向全世界开放的其项目中的车辆数据集,通过对该项目数据集的筛选与挖掘,完成了本文RBF神经网络模型的学习与验证的工作。数据集包含了车辆运动轨迹的16项数据,包括车辆编号、运行时间、车辆坐标、车速、加速度、车道编码和车头时距等,每隔0.1 s采集1次数据,完整包括每一辆车在规定区域的所有数据。

通过对数据集的筛选和挖掘,获取了333组换道时机观察数据,其中包括189组不可换道数据和144组可以换道数据。这些数据涉及车辆换道时的所有工况,包括了目标车道前后方无车、原车道前方无车等特殊场景。将这333组数据进一步分为2个部分:其中90%用于RBF神经网络模型的训练,10%的数据用于网络模型的测试,部分训练数据如表1所示。

本文中RBF神经网络模型的训练是使用数据挖掘软件weka实现的,在网络训练过程中,需要对相关参数进行设置:K-means的随机种子数(clusteringSeed)为1;K-means的最低标准偏差(tMinStdDev)为0.1;K-means的类别数(NumClusters)为2;逻辑回归脊参数(ridge)为1.0e-8。

3 模型验证

RBF神经网络模型训练完毕后,已经具备了对车辆换道时机决策的预测和分类能力,使用测试数据对模型进行验证,将模型的验证结果与实际换道情况相对比,预测的准确率反映了模型的有效性。表2是用于测试模型的部分数据,表3是模型最终的预测结果。

表1 部分训练数据

表2 部分测试数据

表3 RBF神经网络模型测试结果

决策测试数据观察值准确率/%换道行为1080.0非换道行为2391.3总计3387.9

模型验证结果显示:建立的RBF神经网络模型对换道时机的预测准确率为80.0%,对非换道时机的预测准确率为91.3%,综合预测准确率达到了87.9%,这表示RBF神经网络模型用于车辆换道时机决策是可行的。

4 对比模型验证

按照上述11参数模型的建立、训练与测试流程,又建立和测试了7参数模型,模型的测试结果如表4所示。对比2个模型的预测结果发现:11参数模型预测准确率为87.9%,高于7参数模型的81.8%,说明本文提出的4个额外影响因素对于提高模型的预测精度是起作用的。

表4 RBF神经网络7参数模型测试结果

5 结论

本文选取了换道环境下11个车辆行驶数据作为车辆安全换道时机决策影响因素,将这11个影响因素作为建立RBF神经网络模型的输入变量,使用大量车辆行驶数据对RBF神经网络模型进行了学习与测试。通过测试数据的验证:模型对换道行为的预测准确率为80.0%,对非换道行为的预测准确率为88%,综合预测准确率达到了87.9%,高于7参数模型的预测准确率81.8%,所建立的RBF神经网络模型预测换道时机的安全性具有更好的效果。

近年来,智能汽车驾驶主动安全系统快速发展,RBF神经网络车辆换道时机决策模型可以成为智能汽车的重要组成部分;车辆在行驶时可以实时给予驾驶人换道指示信息,帮助驾驶人完成安全换道操作,保障驾驶人与车辆安全。未来,随着模型预测准确率的进一步提高,还将在无人驾驶智能汽车方面获得更大的成果。

猜你喜欢
时机车道准确率
北斗+手机实现车道级导航应用
避免跟车闯红灯的地面车道线
乳腺超声检查诊断乳腺肿瘤的特异度及准确率分析
不同序列磁共振成像诊断脊柱损伤的临床准确率比较探讨
2015—2017 年宁夏各天气预报参考产品质量检验分析
浅谈MTC车道改造
高速公路车牌识别标识站准确率验证法
两个人结婚的最好时机
畅想 把握每一次时机跨越成长
师生互动4时机