基于EKF學(xué)習(xí)方法的BP神經(jīng)網(wǎng)絡(luò)汽車換道意圖識(shí)別模型研究

李亞秋 吳超仲 馬曉鳳 黃 珍 張 暉

（武漢理工大學(xué)智能運(yùn)輸系統(tǒng)研究中心1） 武漢 430063） （水路公路交通安全控制與裝備教育部工程研究中心2） 武漢 430063） （武漢理工大學(xué)自動(dòng)化學(xué)院3） 武漢 430063）

0 引 言

據(jù)文獻(xiàn)［1］數(shù)據(jù)顯示，高速公路上追尾導(dǎo)致的事故占所有事故發(fā)生量的9.16%，因此，如何有效的減少追尾事故的問題具有很高的研究?jī)r(jià)值.隨著車路協(xié)同技術(shù)的高速發(fā)展，周圍車輛可以相對(duì)容易的感知主車的駕駛意圖，從而避免追尾事故.本研究通過對(duì)本車換道意圖的識(shí)別來為周圍車輛感知本車駕駛意圖提供可能性.本車換道意圖的識(shí)別和行為預(yù)測(cè)就是根據(jù)實(shí)時(shí)采集來的車輛狀態(tài)和駕駛?cè)瞬僮餍盘?hào)，來辨識(shí)本車駕駛意圖和預(yù)測(cè)駕駛?cè)嗽谙乱粫r(shí)間段的駕駛行為［2］.因此，在車路協(xié)同環(huán)境下，基于車輛狀態(tài)和駕駛?cè)瞬僮餍盘?hào)，建立實(shí)時(shí)準(zhǔn)確的車輛換道意圖識(shí)別模型，可以有效的避免追尾事故.

當(dāng)前，已經(jīng)有關(guān)于換道意圖識(shí)別的相關(guān)研究.Liu等［3］提出了用動(dòng)態(tài)隱馬爾科夫方法提取和檢測(cè)換道行為序列，并用模擬駕駛數(shù)據(jù)驗(yàn)證了模型的可靠性.Kuge［4］使用隱馬爾科夫方法建立了模擬器換道意圖識(shí)別模型，以轉(zhuǎn)向盤轉(zhuǎn)角，轉(zhuǎn)向盤轉(zhuǎn)角向量值，以及方向盤轉(zhuǎn)動(dòng)轉(zhuǎn)矩作為模型輸入.Pentland等［5］使用隱馬爾科夫鏈建立了基于狀態(tài)序列的駕駛行為預(yù)測(cè)模型，并用模擬數(shù)據(jù)驗(yàn)證.Oliver［6］使用雙層隱馬爾科夫方法識(shí)別了7種駕駛意圖，并用實(shí)車實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證，此研究中，首次將駕駛?cè)搜矍蜻\(yùn)動(dòng)數(shù)據(jù)作為駕駛意圖辨識(shí)模型的輸入之一.C.Joel等［7］使用稀疏貝葉斯方法建立了車輛行駛過程中數(shù)據(jù)采集和換道意圖識(shí)別系統(tǒng)，并用實(shí)車實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證，車輛數(shù)據(jù)，車道偏離量和駕駛?cè)祟^部數(shù)據(jù)作為模型輸入.

然而，神經(jīng)網(wǎng)絡(luò)作為比較經(jīng)典的模式識(shí)別方法之一，具有很強(qiáng)的自學(xué)習(xí)能力，識(shí)別結(jié)果更為可靠，并且具有良好的識(shí)別特性，模型參數(shù)可調(diào)，相比較于以上幾種建模方法，具有更廣的適用性.考慮到神經(jīng)網(wǎng)絡(luò)需要大樣本數(shù)據(jù)作為訓(xùn)練樣本，本研究基于中國(guó)高速公路實(shí)車試驗(yàn)數(shù)據(jù)，采用神經(jīng)網(wǎng)絡(luò)方法來建立換道意圖識(shí)別模型.同時(shí)，考慮到神經(jīng)網(wǎng)絡(luò)更新權(quán)值算法可能會(huì)有不收斂的現(xiàn)象出現(xiàn)，因此，采用基于Kalman濾波算法的BP神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)換道意圖識(shí)別.此方法在其他領(lǐng)域已經(jīng)有 部 分 應(yīng) 用，R.S.Scalero 等［8－10］提 出 了 基 于Kalman濾波算法的神經(jīng)網(wǎng)絡(luò)快速學(xué)習(xí)算法，提高了前向神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度，學(xué)習(xí)參數(shù)有很高的魯棒性.曲春曉等實(shí)現(xiàn)了卡爾曼濾波算法在飛行器姿態(tài)獲取系統(tǒng)中的實(shí)現(xiàn)，仿真結(jié)果顯示，卡爾曼濾波器的快速收斂速度和平滑的估計(jì)值曲線有很好的應(yīng)用價(jià)值.張良力等［11］提出了駕駛意圖研究在機(jī)動(dòng)車安全預(yù)警中有重要作用，快速準(zhǔn)確的識(shí)別駕駛意圖可以很好的保證道路交通安全.因此，本研究提出了一種使用基于EKF（extended kalman filter）學(xué)習(xí)方法的BP神經(jīng)網(wǎng)絡(luò)換道意圖識(shí)別模型，來識(shí)別駕駛?cè)说膿Q道意圖，并使用高速公路實(shí)車實(shí)驗(yàn)的數(shù)據(jù)來驗(yàn)證了本模型的可靠性，模型框架見圖1.由于在換道過程中，比較典型的駕駛行為特征是前方車頭時(shí)距，方向盤轉(zhuǎn)角，駕駛?cè)搜矍蛩轿恢靡苿?dòng)，以及車輛的車道偏離量，因此，本模型采用以上4類駕駛行為特征數(shù)據(jù)作為模型輸入，采用基于EKF學(xué)習(xí)方法的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練，最終實(shí)現(xiàn)換道意圖識(shí)別.

圖1 換道意圖識(shí)別模型框架

1 實(shí)驗(yàn)設(shè)計(jì)與數(shù)據(jù)采集

1.1 實(shí)驗(yàn)參與者

參加實(shí)驗(yàn)的20名駕駛?cè)苏心加诤笔∥錆h市出租車集團(tuán).駕駛?cè)诉x拔的條件包括：（1）考慮到安全因素，選擇年齡在45～55歲之間，身體健康狀況良好的駕駛?cè)耍?0名男性駕駛?cè)撕?0名女性駕駛?cè)耍唬?）駕齡在（20±5）a之間，并且年行駛里程在1 000km以上；（3）駕駛?cè)艘暳φ＃瑹o佩戴眼鏡情況；（4）參與實(shí)驗(yàn)前1d晚上，要保證8h的睡眠時(shí)間；（5）參加實(shí)驗(yàn)前，被試人員會(huì)被告知實(shí)驗(yàn)所需了解的注意事項(xiàng).

1.2 實(shí)驗(yàn)過程與采集設(shè)備

本次實(shí)車實(shí)驗(yàn)是從2012年11月～2012年12月，共計(jì)2個(gè)月.地點(diǎn)是在武漢西北部的漢十高速.每組實(shí)驗(yàn)上午09：00從武漢理工大學(xué)固定地點(diǎn)出發(fā)，沿漢十高速方向，中途在隨州服務(wù)區(qū)休息，隨后返回.本次實(shí)驗(yàn)分析數(shù)據(jù)的提取路段為府河收費(fèi)站到隨州服務(wù)區(qū)，以及隨州服務(wù)區(qū)返回府河收費(fèi)站之間.

本次實(shí)車實(shí)驗(yàn)所用數(shù)據(jù)采集設(shè)備有車載CAN總線，Biosemi ActiveTwo測(cè)量系統(tǒng)（只針對(duì)研究），以及 Mobileye C2－270系統(tǒng).車載CAN總線主要采集了行駛過程中車輛的轉(zhuǎn)向盤轉(zhuǎn)角數(shù)據(jù)；Biosemi ActiveTwo測(cè)量系統(tǒng)可以采集駕駛?cè)说难矍蛩竭\(yùn)動(dòng)位置數(shù)據(jù)，從而得出駕駛?cè)说囊暰€移動(dòng)值；Mobileye C2－270系統(tǒng)主要采集了前方車頭時(shí)距（2.5s以內(nèi)）和車道偏離量，作為模型輸入的一部分.

2 研究方法與數(shù)據(jù)分析

由于神經(jīng)網(wǎng)絡(luò)具有很好的模式識(shí)別功能，其映射逼近能力和自學(xué)習(xí)能力適用于很多非線性問題.神經(jīng)網(wǎng)絡(luò)雖然不需要系統(tǒng)確切的數(shù)學(xué)模型，但需要大量的學(xué)習(xí)樣本（或者訓(xùn)練樣本），當(dāng)樣本具有噪聲時(shí)會(huì)導(dǎo)致學(xué)習(xí)結(jié)果具有較大錯(cuò)誤甚至不能收斂，致使神經(jīng)網(wǎng)絡(luò)失效.同時(shí)，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度慢，泛化能力不強(qiáng)等問題限制了其在工程上的應(yīng)用.而Kalman濾波必須有系統(tǒng)確切的數(shù)學(xué)模型，以及噪聲信息的概率特性，擴(kuò)展Kalman濾波器（extended kalman filter，EKF）是一種非線性的狀態(tài)估計(jì)方法，可以用來對(duì)未知狀態(tài)進(jìn)行參數(shù)估計(jì).多層神經(jīng)網(wǎng)絡(luò)是一種非線性的分層結(jié)構(gòu)系統(tǒng)，其學(xué)習(xí)算法實(shí)際上是對(duì)本系統(tǒng)的參數(shù)估計(jì)過程.由于EKF學(xué)習(xí)算法可以給出最小的連接權(quán)重方差估計(jì)，在快速下降效果中收斂性也比后向誤差最小算法好，而且，并沒有包括對(duì)于收斂性能比較重要的調(diào)節(jié)參數(shù)，因此，基于EKF學(xué)習(xí)算法的神經(jīng)網(wǎng)絡(luò)模型具有很高的應(yīng)用價(jià)值.本文將神經(jīng)網(wǎng)絡(luò)和Kalman濾波結(jié)合，利用了神經(jīng)網(wǎng)絡(luò)的非線性能力與Kalman濾波的離線更新特點(diǎn)，克服了神經(jīng)網(wǎng)絡(luò)收斂慢的缺點(diǎn).

2.1 擴(kuò)展Kalman濾波器

EKF濾波器的基本過程見圖2.其中，ut，wt，vt分別為t時(shí)刻控制輸入，過程噪聲和觀測(cè)噪聲.K為Kalman濾波增益為t時(shí)刻先驗(yàn)估計(jì)值為t時(shí)刻后驗(yàn)估計(jì)值，f（t，0）和h（t，0）分別為狀態(tài)更新方程和測(cè)量更新方程為t時(shí)刻系統(tǒng)均方差，zt為t時(shí)刻系統(tǒng)輸出測(cè)量值.Kalman濾波器的算法分為兩個(gè)循環(huán)往復(fù)的步驟：時(shí)間更新和測(cè)量更新.時(shí)間更新，主要指將系統(tǒng)的時(shí)間向前移動(dòng)一格，依據(jù)前一時(shí)刻的后驗(yàn)估計(jì)給出后一時(shí)刻的先驗(yàn)估計(jì).該模塊包括以下過程.

測(cè)量更新，主要是將新時(shí)間點(diǎn)的實(shí)際測(cè)量值加入到算法中，隨著卡爾曼系數(shù)的不斷修正，給出此時(shí)刻的后驗(yàn)估計(jì).該模塊包括以下過程.

圖2 EKF方法基本原理圖

2.2 基于EKF的BP神經(jīng)網(wǎng)絡(luò)模型

張友民等通過非線性系統(tǒng)建模與辨識(shí)的仿真計(jì)算結(jié)果證明，基于EKF濾波估計(jì)的BP神經(jīng)網(wǎng)絡(luò)算法，學(xué)習(xí)收斂速度快，數(shù)值穩(wěn)定性好，所需的學(xué)習(xí)次數(shù)和隱節(jié)點(diǎn)數(shù)少，調(diào)整參數(shù)少，便于工程應(yīng)用.相比較于單純的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，本模型克服了神經(jīng)網(wǎng)絡(luò)的固有缺陷，如收斂速度慢，容易陷入局部最小，數(shù)值穩(wěn)定性差等缺點(diǎn).

將EKF學(xué)習(xí)算法和神經(jīng)網(wǎng)絡(luò)結(jié)合使EKF算法所需的矩陣都大大簡(jiǎn)化，具體流程：（1）輸入神經(jīng)網(wǎng)絡(luò)，得到預(yù)測(cè)；（2）用預(yù)測(cè)值與實(shí)際值的比較進(jìn)行Kalman濾波的更新；（3）將更新后的權(quán)值送回神經(jīng)網(wǎng)絡(luò)；（4）下一輪的更新實(shí)現(xiàn)Kalman濾波和神經(jīng)網(wǎng)絡(luò)結(jié)合.把神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值取出來作為狀態(tài)估計(jì)，網(wǎng)絡(luò)輸出作為Kalman濾波的觀測(cè)，Kalman的狀態(tài)方程就大大簡(jiǎn)化.

在一個(gè)3層前向網(wǎng)絡(luò)中，假設(shè)輸入層，隱層和輸出層神經(jīng)元數(shù)分別為I，L和O，則連接權(quán)值組成的狀態(tài)向量W＝［WijWjk］（i＝1，2，…，I；j＝1，2，…，L；k＝1，2，…，O）.式子中，狀態(tài)向量W中元素?cái)?shù)目為

式中：x（t）為 Kalman濾波權(quán)值；e（t）為系統(tǒng)輸出的誤差；h（）函數(shù)為神經(jīng)網(wǎng)絡(luò)的輸出層函數(shù)，本模型神經(jīng)網(wǎng)絡(luò)傳遞函數(shù)采用sigmoid函數(shù)，即：

式中：Xij為前一層神經(jīng)元j與本層神經(jīng)元i之間的連接權(quán)值；u為神經(jīng)網(wǎng)絡(luò)輸入；bi為神經(jīng)元閾值.

2.3 實(shí)驗(yàn)數(shù)據(jù)分析

駕駛?cè)藢?shí)施換道意圖主要有如下步驟：首先，發(fā)現(xiàn)前方有車，阻礙本車正常行車速度，產(chǎn)生換道想法；其次，駕駛?cè)讼蜃蠡蛳蛴矣^測(cè)后視鏡，權(quán)衡是否能成功換道，這是換道意圖決策過程；最后，駕駛?cè)宿D(zhuǎn)動(dòng)轉(zhuǎn)向盤，本車向左車道或者右車道偏離，以完成換道過程.因此，換道行為序列見圖3.圖中數(shù)據(jù)表示一次向左換道行為的操作序列，模型輸入數(shù)據(jù)包括前方車頭時(shí)距，駕駛?cè)讼蛴一蛘呦蜃笥^察后視鏡，車輛的轉(zhuǎn)向盤轉(zhuǎn)角以及車道偏離量.從前方有車，到駕駛?cè)宿D(zhuǎn)動(dòng)頭部觀察后視鏡，以及車道偏離量的變化可以反映出駕駛?cè)说膿Q道意圖.提取換道前此序列數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型輸入，建立非線性模型后，使用EKF方法優(yōu)化權(quán)值，從而得出本研究中換道意圖識(shí)別模型.

本研究分別對(duì)基于BP神經(jīng)網(wǎng)絡(luò)的換道意圖識(shí)別模型和基于EKF濾波算法的BP神經(jīng)網(wǎng)絡(luò)換道意圖識(shí)別模型進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果對(duì)應(yīng)的誤差均方根曲線見圖4～5.從圖中可以看出，在1 000次迭代訓(xùn)練之后，EKF濾波算法明顯比BP算法收斂速度快，誤差小，需要較少的訓(xùn)練迭代次數(shù)即可達(dá)到模型所需精度要求，所需調(diào)整的參數(shù)少.經(jīng)過1 000次迭代之后，前者最終達(dá)到訓(xùn)練誤差為0.024，高于后者的0.017.本次學(xué)習(xí)選擇的訓(xùn)練樣本為200組，測(cè)試樣本為20組，識(shí)別樣本為100組，每組數(shù)據(jù)都包括前方車頭時(shí)距，轉(zhuǎn)向盤轉(zhuǎn)角，駕駛?cè)祟^部偏移量和車道偏離量，從檢測(cè)到前方車輛到換道實(shí)施之前，經(jīng)過數(shù)據(jù)剔除和篩選，每組樣本數(shù)據(jù)輸入向量具有相同的維度，都是708維.學(xué)習(xí)之后在識(shí)別準(zhǔn)確率和模型魯棒性方面，兩者并無很大差異，均達(dá)到了96%.

多次訓(xùn)練之后的分析結(jié)果表明，基于EKF學(xué)習(xí)方法的BP神經(jīng)網(wǎng)絡(luò)在相同的迭代次數(shù)下以更快的速率逼近期望的識(shí)別效果.

圖3 換道行為序列

圖4 BP神經(jīng)網(wǎng)絡(luò)換道意圖識(shí)別模型訓(xùn)練速率圖

圖5 基于EKF濾波算法的BP神經(jīng)網(wǎng)絡(luò)換道意圖識(shí)別模型訓(xùn)練速率

3 結(jié)束語

本研究結(jié)果表明，使用基于EKF學(xué)習(xí)方法的BP神經(jīng)網(wǎng)絡(luò)模型可以很好的識(shí)別駕駛?cè)说膿Q道意圖，識(shí)別效率較高，因此，本研究提出的模型可以減少識(shí)別的時(shí)間延遲，提高安全預(yù)警系統(tǒng)的穩(wěn)定性.本研究還存在很多不足之處，由于本次研究主要是用離線數(shù)據(jù)來驗(yàn)證模型的可靠性，進(jìn)一步工作可以考慮面向?qū)崟r(shí)在線數(shù)據(jù)來驗(yàn)證模型的可靠性，從而實(shí)現(xiàn)駕駛?cè)说脑诰€換道意圖識(shí)別，在車路協(xié)同技術(shù)中可以較好的保障行車安全.

［1］公安部交通管理局.中華人民共和國(guó)道路交通事故統(tǒng)計(jì)年報(bào)（2011）［M］.北京：人民交通出版社，2011.

［2］王 暢.基于隱形馬爾科夫模型的駕駛員意圖辨識(shí)方法研究［D］.長(zhǎng)春：吉林大學(xué)，2011.

［3］LIU A，PENTLAND A.Towards real－time recognition of driver intentions［C］∥Proceedings of the 1997 IEEE Intelligent Transportation Systems Conference，Boston，MA，Nov.9－12，1997.

［4］KUGE N，YAMAMURA T，SHIMOYAMA O，et al.A driver behavior recognition method based on a driver model framework［J］.Society of Automotive Engineers，Inc，1998.

［5］PENTLAND A，LIU A.Modeling and prediction of human behavior［J］.Neural Computation，1999（11）：229－242.

［6］OLIVER N，PENTLAND A.Graphical models for driver behavior recognition in a smart car［C］∥In－Proc.IEEE International Conference，Intelligent Vehicle，Oct，2000：7－12.

［7］JOEL C，DAVID P，MOHAN M，et al.Lane change intent analysis using robust operators and sparse bayesian learning［J］.IEEE Transactions on Intelligent Transportation Systems，2007，8（3）：431－440.

［8］SCALERO R S，TEPEDELENLIOGLU N.A fast algorithm training feedforward neural networks［J］.IEEE Trans.On Signal Processing，1992，40（1）：202－210.

［9］張友民，戴冠中，張洪才，等.一種前饋神經(jīng)網(wǎng)絡(luò)的卡爾曼濾波學(xué)習(xí)方法［J］.信息與控制，1994，23（2）：55－58.

［10］曲春曉，陳 偉.卡爾曼濾波在飛行器姿態(tài)獲取系統(tǒng)中的實(shí)現(xiàn)［J］.交通信息與安全，2011，29 （6）：139－142.

［11］張良力，吳超仲，黃 珍，等.面向安全預(yù)警的機(jī)動(dòng)車駕駛意圖研究現(xiàn)狀與展望［J］.交通信息與安全，2012，30（3）：87－92.