基于徑向基神經網絡的駕駛人無意識車道偏離識別模型?

孟 妮山 巖

（1.陜西工業職業技術學院 咸陽 712000）（2.長安大學汽車學院 西安 710064）

關鍵字 車道偏離；神經網絡；主成分分析；遺傳算法

1 引言

換道行為是車輛行駛過程中常見操作之一，是影響車輛安全駕駛的重要因素。當前先進輔助駕駛系統（ADAS）成為保障汽車安全降低交通事故率的主要手段之一。許多輔助駕駛系統已經在車輛上得以使用，常見的有自適應巡航系統（ACC）、車道偏移報警系統（LDWS）和車道保持系統（LCA）等，其中不能有效區分換道和無意識車道偏離是駕駛輔助系統誤報率偏高的主要原因之一。駕駛人在疲勞駕駛、注意力不集中或者操作能力不高時都會導致無意識的車道偏離。美國交通安全部門在2010年的一份針對駕駛人的調查報告中指出，駕駛人注意力轉移和駕駛人注意力分散是誘發駕駛人無意識車道偏離的主要因素之一［1］。與換道行為相比，無意識車道偏離也會表現出類似的橫向運動特性。輔助駕駛系統若是無法將這兩種行為進行有效的區分，就會產生誤報。

神經網絡是當前公認具較強學習能力的識別方法，同時對于錯誤數據具有較強的包容能力，能夠在短時間內區分出無意識車道偏離與換道［2］。本文在真實城市道路條件下進行試驗，建立了基于神經網絡的車道偏移識別模型。選擇方向盤轉角、車道線距離和車輛橫擺角速度作為模型的識別參數，并對采集到的數據進行卡爾曼濾波與降維處理。針對神經網絡參數選取時會出現局部最優化的問題，采用遺傳算法對神經網絡參數優化，選取最佳的神經網絡參數值［3］。最后，通過對車道偏離模型進行訓練與測試，結果表明該模型能夠有效地辨識無意識車道偏離與換道。

2 駕駛人車道偏離識別模型建立

2.1 徑向基神經網絡

徑向基函數（RBF）是在1985年由Powell提出的一種多維空間插值技術。Broomhead等受到大腦神經單元局部響應特征的啟發，首次將徑向基函數加入到神經網絡當中去。徑向基神經網絡是一種三層前向神經網絡，由輸入層、隱含層和輸出層組成。徑向基神經網絡主要特點是隱含層中神經單元的變換函數替換為徑向基函數［4］。與BP神經網絡不同，RBF神經網絡的輸入層與隱含層之間的連接權值近似為1，輸入層僅起傳遞數據值的作用。RBF神經網絡結構如圖1所示。

圖1 RBF神經網絡結構圖

徑向基神經網絡通過將隱含層中變換函數換為徑向基函數，使得隱含層能夠對輸入量進行矢量轉換，將輸入數據從低維空間轉換到高維空間中去，將原本低維線性不可分問題變成了高維線性可分。徑向基函數結構簡潔，收斂速度快、學習能力強，能夠快速逼近復雜的非線性函數［5］。

RBF神經網絡激活函數的自變量為輸入值與權值之間的距離量||distance||。隨著距離量|||distance||的減少，神經網絡輸出值是遞增的。本文選取高斯函數作為徑向基函數，其中激活函數表達式為

RBF神經網絡的輸出值為

徑向基函數方差的計算過程如下:

其中，e表示神經網絡輸出層的期望輸出值。

2.2 車道偏離表征參數

將車輛行駛過程中車道偏離分為換道與無意識車道偏離兩種情況。換道是駕駛人為了改善交通環境或者駕駛目地需求而采取的一種主動變換車道的行為，無意識車道偏離是駕駛人因為駕駛不熟練或者疲勞分心等因素而引起的無意識車道偏離行為。車輛運動數據參數中與車道偏離相關的參數有車輛橫向位移、橫向速度、車輛縱向位移、縱向速度、方向盤轉角、方向盤轉動角速度和橫擺角速度等［6］。通過對不同運動參數之間進行獨立樣本T檢驗，選取方向盤轉角、橫擺角速度、車道線距離作為建立車道偏離識別模型的輸入參數。

1）方向盤轉角，方向盤轉角體現了駕駛人對于車輛行駛方向的控制意圖，在換道過程中，方向盤轉角會體現出明顯的特性。在無意識車道偏離時，方向盤轉角也會出現相似程度的變化。因此僅依靠方向盤轉角無法有效地區分換道與彎道時的無意識偏離。

2）車道線距離，車道線距離為車輛距車道中心線的橫向距離，是表示車輛偏移程度最直接的數據，但是換道和無意識車道偏離都會表現出橫向距離的變化，因此僅依靠車道線距離無法區分出換道和無意識車道偏離。

3）橫擺角速度，橫擺角速度能夠體現車輛偏移時轉動姿態，也可以作為識別換道和無意識車道偏離的標準之一。

2.3 數據獲取與濾波

本文在試驗場內進行了多名駕駛人的實車試驗。根據美國交通安全部門的研究表明分心是造成無意識車道偏離的主要因素之一［7］。試驗時給每個駕駛人設置了分心部分與正常駕駛部分。試驗過程中通過讓駕駛人打電話、聊天等方式使駕駛人注意力分散以產生無意識車道偏離行為。為了保證試驗結果的客觀公正并沒有告知駕駛人試驗目的。本文共選取了11名駕駛人進行試驗，其中駕駛人平均年齡為33歲，平均駕齡7年。

車載傳感器在采集數據過程中會夾雜隨機干擾，這就導致采集數據中夾雜有隨機噪聲。同時因為傳感器精度的限制，會導致采集到的方向盤轉角、車道線距離和橫擺角速度數據具有不同程度的階躍性。為了盡可能地降低隨機噪聲并使數據保持連續性，本文采用卡爾曼濾波器對方向盤轉角、車道線距離和橫擺角速度數據進行濾波。其中濾波結果如圖2、圖3和圖4所示。

圖2 方向盤轉角濾波

圖3 車道線距離濾波

圖4 橫擺角速度濾波

2.4 樣本建立

通過實車試驗共挑選出539組數據樣本，其中換道行為316組，占到總樣本的58.6%，無意識車道偏離為223組，占到總樣本的41.4%。在換道樣本中隨機挑選266組作為訓練樣本，在無意識車道偏離樣本中隨機挑選173組樣本作為訓練樣本。剩余的100組換道樣本和無意識車道偏離樣本作為測試樣本。

2.5 RBF神經網絡訓練

時間窗口的長度對于神經網絡的識別準確率與識別效率有重大影響。一方面，時間窗口選取時間過短，神經網絡能夠在短時間內對車道偏離行為進行識別，但是因為時間窗口所包含的信息量少，使得神經網絡無法有效地辨識換道和無意識車道偏離；另一方面，時間窗口選取時間過長，神經網絡需要較長時間才能做出判斷。因此需要綜合考慮神經網絡的識別準確率與識別效率，需要選取一個合適的時間窗口［8］。

通過對316組換道樣本的換道時間的統計發現，車輛的平均換道時間為7.8s，最短換道時間為3.5s，最長的換道時間為21s。在MATLAB軟件環境下，分別測試了RBF神經網絡在0.8s、1.0s、1.2s、1.4s、1.6s、1.8s、2.0s、2.5s、3.0s、3.5s、4.0s、4.5s 和5.0s情況下對換道行為和無意識車道偏離的識別率。結果如表1所示。

表1 不同時間窗口下的模型識別率

由表1可知，從總體識別率可以看出識別率是先升高后逐步降低的。這是因為隨著時間窗口增長，神經網絡能夠獲取的信息逐步增加，有利于神經網絡對車道偏離進行辨識。但是隨著時間窗口的繼續增加，神經網絡獲取的信息開始冗余，多余的信息降低了神經網絡對車道偏離的辨識準確率。在不同的時間窗口內，神經網絡對于換道行為的識別率明顯高于無意識車道偏離。

車輛輔助安全系統中對于車道偏離識別的實時性要求較高，而實時性與時間窗口長度的直接相關。車輛輔助安全系統要求至少在壓線前能將換道行為識別出來，以防止將換道行為誤識別為無意識車道偏離。這樣車輛輔助安全系統才能有效地對因為無意識車道偏離產生而的壓線行為進行預警［9］。RBF神經網絡在時間窗口為3s時具有最高的總體識別率89%，其中對換道行為的識別率達到了91%，對無意識車道偏離的識別率達到了87%。但是通過對316組換道樣本的壓線時間進行統計可知車輛的平均壓線時間為2.7s。若是選擇時間窗口為3s，則將有一大半的車輛在壓線以后才能將其換道行為識別出來。綜合不同時間窗口下的識別準確率和識別效率，選擇時間窗口為1.8s，這時神經網絡的總體識別率為86%，其中對換道行為的識別率達到了87%，對無意識車道偏離的識別率達到了85%。此時模型識別率偏低不能達到車輛輔助安全系統的要求，需要對RBF神經網絡進行優化。

3 車道偏離識別模型優化

3.1 歸一化處理

在車輛發生車道偏離時，方向盤轉角通常在-15°～15°之間變化，車道線距離通常在-200cm～200cm之間變化，橫擺角速度通常在 -2°/s～2°/s之間變化。不同參數之間的變換范圍不同，這就導致變化范圍小的參數數據被變化范圍大的參數數據所掩蓋［10］。為了保證輸入參數數據不受變化范圍的影響，需要對輸入參數數據進行歸一化，將所有的輸入數據都轉化成變化范圍在［0，1］之間。數據進行歸一化公式如下:

y=(x-xmin)/(xmax-xmin) （4）其中，x為輸入數據；y為輸出數據；xmin為輸入數據中最小值；xmax為輸入數據中最大值。

利用式（4）對方向盤轉角、車道線距離、橫擺角速度進行歸一化，結果如下。

方向盤轉角原始數據:7.438，7.438，7.438，7.438，5.950，5.950，5.950，5.950，4.463，2.975，2.975，1.487，1.487，1.487，2.975。

歸一化后數據:1，1，1，1，0.749，0.749，0.749，0.749，0.500，0.250，0.250，0，0，0，0.250。

車道線距離數據:135，135，130，125，125，120，115，115，115，110，105，105，100，95，95。

歸一化后數據:1，1，0.875，0.750，0.750，0.625，0.500，0.500，0.500，0.375，0.250，0.250，0.125，0，0。

橫擺角速度數據:-0.88，-0.69，-0.43，-0.85，0.08，-0.55，-0.70，-0.48，-0.48，-0.85，-0.62，-0.35，-0.55，-0.66，-1.11。

歸一化后數據:0.19，0.35，0.57，0.21，1，0.47，0.34，0.52，0.52，0.21，0.41，0.63，0.47，0.37，0。

3.2 降維處理

試驗過程中對方向盤轉角、車道線距離和橫擺角速度數據的采樣頻率為10Hz，當選擇時間窗口為1.8s時，每個樣本就包含了54個輸入值。這就導致神經網絡的輸入層有54個神經元，不僅使神經網絡的結構變得復雜，增加訓練時間，而且輸入值中包含有大量的重疊信息，會干擾神經網絡參數的訓練過程［11］。主成分分析是將多個參數指標轉換為少數綜合指標的一種降維方法。主成分分析可以提煉出輸入數據中的主要信息，去除數據中的重疊信息。主成分分析可以保證在不丟失有用信息的前提下，盡可能地減少輸入的數據量。降低維度能夠有效的優化神經網絡結構，減少神經網絡的計算時間來提高神經網絡的時效性。

對輸入樣本數據進行主成分分析后，得到不同成分的累計貢獻率如圖5所示。

圖5 累計貢獻率分布

從圖5中可知，第一主成分、第二主成分、第三主成分和第四主成分的累計貢獻率達到了88.8%，剩余其他50個主成分的累計貢獻率為11.2%。因此用前四個主成分就可以代替54個主成分的數據信息，以達到精簡輸入數據的目的。在對于輸入數據進行歸一化和主成分分析后，對比了時間窗口為1.8s時，輸入數據優化前模型的識別率與優化后模型的識別率，如表2所示。

表2 優化前后模型識別率對比

3.3 遺傳算法優化

遺傳算法主要通過模擬生物進化論與遺傳學理論而發展出的一種搜素最優解算法。遺傳算法的基本思想最初由Holland教授提出［12］。遺傳算法從初始群體開始，通過選擇操作、交叉操作和變異操作產生一群適應度更高的個體，將搜素區域逐步向最優區域移動，通過逐代不斷地進行選擇操作、交叉操作和變異操來挑選出環境中適應度最高的個體［13］。神經網絡雖然具有較強的學習能力，但是其自身的梯度下降學習算法在面臨復雜非線性問題時會陷于參數局部最優解［14］。將遺傳算法與神經網絡相結合可以利用遺傳算法搜索最優解的優勢來尋找神經網絡的全局最優參數［15］。其中遺傳算法優化RBF神經網絡流程如圖6所示。

圖6 遺傳算法優化神經網絡流程圖

在時間窗口為1.8s時，將經過歸一化、主成分分析以及遺傳算法優化后神經網絡模型與未優化之前模型的識別率進行對比。

表3 優化前后模型識別率對比

從表3中可知，模型的總體識別率經過優化后達到了90%，其中對于換道識別率達到了92%，對于無意識車道偏離識別率達到了88%。可以滿足車輛主動安全系統的要求。

4 結語

車輛輔助系統在進行車道線預警時，會將駕駛人換道行為識別為無意識車道偏離。因此增加了車輛輔助系統的誤報率，對駕駛人正常駕駛造成了干擾。本文通過實車試驗分別采集了正常換道和無意識車道偏離情況下的方向盤轉角、橫擺角速度、車道線距離，并建立了基于RBF神經網絡的識別模型。針對單一的RBF神經網絡模型識別率偏低的問題，通過歸一化、主成分分析優化模型的輸入數據，通過遺傳算法優化神經網絡的權值、閾值參數，使RBF神經網絡模型在時間窗口為1.8s時的總體識別率達到了90%，能夠滿足車輛輔助系統的要求。