基于RBF神經網絡的車輛安全換道時機決策模型研究

王俊彥，蔡駿宇

(1.鎮江市高等專科學校 交通學院， 江蘇 鎮江 212000; 2.江蘇大學 汽車與交通工程學院, 江蘇 鎮江 212013)

車輛換道是駕駛人為了滿足自身的駕駛意圖而采取的行為，是駕駛人基于換道車輛的行駛狀態，通過對環境信息的感知和判斷，控制車輛完成動作的綜合過程。車輛換道分為選擇性換道和強制性換道兩類，當駕駛人根據自身駕駛意圖行駛時可以采取選擇性換道；當車輛必須離開原車道時將被迫采取強制性換道。車輛換道時交通條件復雜，換道時機掌握不正確會帶來一定的安全隱患，建立車輛安全換道時機決策模型可以給予駕駛人安全換道提示，保證駕駛人與車輛安全。隨著智能交通和智能汽車的發展，高精度的安全換道模型可以成為智能汽車行駛的重要組成部分。

國內外許多學者使用最小安全距離模型來對車輛換道進行建模研究[1-3]，建立的模型都是考慮目標車道前后車輛的距離大于最小安全距離，當換道間隙滿足駕駛人需求時完成換道行為。此外，國內外學者還先后使用了二元Logit模型[4]、博弈論[5]、多智能體[6]、元胞自動機[7]和模糊推理[8-9]等方法來進行車輛換道研究。

上述模型取得了一定的理論成果，但這些模型都很難直接應用到駕駛主動安全系統中，本文提出了RBF神經網絡方法，建立了一個更加智能化的車輛換道模型。選擇RBF神經網絡方法在于它具有以下特點：第一，RBF神經網絡方法具有較強的非線性擬合能力，具有惟一最佳逼近的特性，且無局部最小問題存在；第二，RBF神經網絡具有較好的分類預測能力，學習過程收斂速度快；第三，RBF神經網絡具有較強的輸入與輸出映射功能，是前向網絡中完成映射功能最優的網絡。

1 換道時機決策的場景與影響因素

1.1 換道時機決策的場景

文中車輛在換道前行駛的車道為原車道，目標車道在原車道左側，考慮換道車輛前方和左側車輛對換道車輛的影響。駕駛車輛在原車道行駛的每一時刻都要考慮換道時機是否合適：可以換道和不能換道，研究只考慮換道車輛向左側車道進行換道的情況，不考慮向右側進行換道的情況。換道場景示意圖如圖1所示。

圖1 研究工況與相關參數示意圖

1.2 影響車輛換道時機決策的因素

駕駛人在原車道上行駛時，需要考慮車和環境的狀況來判定能否進行安全換道，安全換道的實現取決于換道時機的選擇。在之前的研究中[1,3]，基于換道車輛的行駛狀態，并通過對環境信息的感知和判斷，提出以下7個換道決策的影響因素：

1)V0(m/s)：換道車輛的速度；

2)V1(m/s)：目標車道前方車輛的速度；

3)V2(m/s)：目標車道后方車輛的速度；

4)V3(m/s)：原車道前方車輛的速度；

5)D1(m)：換道車輛與目標車道前方車輛的距離；

6)D2(m)：換道車輛與目標車道后方車輛的距離；

7)D3(m)：換道車輛與原車道前方車輛的距離。

在上述7個影響因素的基礎上，本文提出了額外4個影響因素，在車輛換道時機決策過程中考慮相關車輛的加速度，它們分別是：

8)a0(m/s2)：換道車輛的加速度；

9)a1(m/s2)：目標車道前方車輛的加速度；

10)a2(m/s2)：目標車道后方車輛的加速度；

11)a3(m/s2)：原車道前方車輛的加速度。

隨著汽車傳感器技術的發展，上述11個參數都可以應用相應的傳感器獲取，故本文將它們作為RBF神經網絡模型的輸入變量，并對比研究11參數模型與7參數模型的預測效果。

2 車輛換道時機決策模型的建立

2.1 RBF神經網絡車輛換道時機決策模型

RBF神經網絡(Radial Basis Function Neural Network)是一種2層(除輸入層)的前饋型神經網絡，包括了徑向基函數的隱含層和線性輸出的輸出層，其結構示意圖如圖2所示。RBF網絡的輸入與輸出映射能力強，隱含層的徑向基函數一般選用高斯函數，網絡訓練時間短，學習速度和收斂速度快，在理論上網絡可以任意逼近任何一個連續函數。

圖2 RBF神經網絡結構

網絡結構中，若輸入層輸入向量為X=(x1,x2,…,xn)T，則隱含層的輸出向量為Φi=(Φ1,Φ2,…,Φn)T，那么輸出層的輸出向量為Yj=(y1,y2,…,ym)T。輸入層的作用是把來自外部的數據映射到隱含層，輸入層與隱含層實現神經網絡的非線性映射，不對數據進行任何處理，所以RBF神經網絡只有隱含層和輸出層起作用。整個神經網絡的中心處理層是隱含層，隱含層與輸出層實現神經網絡的線性映射，由于隱含層里包含徑向對稱的徑向基函數，所以數據需要經過徑向基函數作用后才傳遞給輸出層。隱含層用高斯函數做徑向基函數，隱含層的輸出：

(i=1,2,3,…,n)

(1)

其中：Φi為第i個隱含節點的輸出；x為n維輸入向量；xc為核函數的中心，xc為與x同維的向量；σi為核函數的寬度，由此可以得到網絡輸出層的線性輸出為：

(2)

其中：yj為輸出層的第j個節點的輸出；wi,j為輸出層與隱含層之間節點的連接權值；m為隱含層的節點個數。

由于RBF神經網絡輸入變量的數值和量綱都不相同，為了避免對模型效果產生不利影響，對于輸入的原始數據需要進行歸一化處理，同樣在得到輸出值之前需要進行反歸一化處理。想要利用建立的RBF神經網絡模型對車輛換道時機進行預測，就需要對模型進行學習，這其中主要涉及對RBF基函數的中心、寬度和輸出層與隱含層之間節點的連接權值的學習。

2.2 RBF神經網絡學習算法

RBF神經網絡學習算法的參數學習主要包括兩個方面：

1) 確定RBF基函數的中心xc和寬度σi

RBF神經網絡基函數的中心xc使用K-means聚類方法來確定，對應于中心xc的寬度σi值等于某一類訓練樣本之間的平均距離，計算公式如下：

(3)

2) 確定輸出層與隱含層之間節點的連接權值

權值矩陣W的調節通過邏輯回歸法(Logistic regression)實現，RBF神經網絡隱含層至輸出層的激活函數采用Sigmoid函數：

(4)

2.3 網絡訓練

1) 輸入輸出變量的選擇

根據前文對車輛換道時機決策因素的分析，確定使用影響車輛換道時機決策的11個因素(V0,V1,V2,V3,D1,D2,D3,a0,a1,a2,a3)作為RBF神經網絡的輸入變量，而輸出變量是換道時機決策結果，換道和不換道(yes,no)。

2) 實驗數據

美國聯邦高速公路管理局的Next Generation Simulation(NGSIM)[10]項目免費向全世界開放的其項目中的車輛數據集，通過對該項目數據集的篩選與挖掘，完成了本文RBF神經網絡模型的學習與驗證的工作。數據集包含了車輛運動軌跡的16項數據，包括車輛編號、運行時間、車輛坐標、車速、加速度、車道編碼和車頭時距等，每隔0.1 s采集1次數據，完整包括每一輛車在規定區域的所有數據。

通過對數據集的篩選和挖掘，獲取了333組換道時機觀察數據，其中包括189組不可換道數據和144組可以換道數據。這些數據涉及車輛換道時的所有工況，包括了目標車道前后方無車、原車道前方無車等特殊場景。將這333組數據進一步分為2個部分：其中90%用于RBF神經網絡模型的訓練，10%的數據用于網絡模型的測試，部分訓練數據如表1所示。

本文中RBF神經網絡模型的訓練是使用數據挖掘軟件weka實現的，在網絡訓練過程中，需要對相關參數進行設置：K-means的隨機種子數(clusteringSeed)為1;K-means的最低標準偏差(tMinStdDev)為0.1；K-means的類別數(NumClusters)為2；邏輯回歸脊參數(ridge)為1.0e-8。

3 模型驗證

RBF神經網絡模型訓練完畢后，已經具備了對車輛換道時機決策的預測和分類能力，使用測試數據對模型進行驗證，將模型的驗證結果與實際換道情況相對比，預測的準確率反映了模型的有效性。表2是用于測試模型的部分數據，表3是模型最終的預測結果。

表1 部分訓練數據

表2 部分測試數據

表3 RBF神經網絡模型測試結果

決策測試數據觀察值準確率/%換道行為1080.0非換道行為2391.3總計3387.9

模型驗證結果顯示：建立的RBF神經網絡模型對換道時機的預測準確率為80.0%，對非換道時機的預測準確率為91.3%，綜合預測準確率達到了87.9%，這表示RBF神經網絡模型用于車輛換道時機決策是可行的。

4 對比模型驗證

按照上述11參數模型的建立、訓練與測試流程，又建立和測試了7參數模型，模型的測試結果如表4所示。對比2個模型的預測結果發現：11參數模型預測準確率為87.9%，高于7參數模型的81.8%，說明本文提出的4個額外影響因素對于提高模型的預測精度是起作用的。

表4 RBF神經網絡7參數模型測試結果

5 結論

本文選取了換道環境下11個車輛行駛數據作為車輛安全換道時機決策影響因素，將這11個影響因素作為建立RBF神經網絡模型的輸入變量，使用大量車輛行駛數據對RBF神經網絡模型進行了學習與測試。通過測試數據的驗證：模型對換道行為的預測準確率為80.0%，對非換道行為的預測準確率為88%，綜合預測準確率達到了87.9%，高于7參數模型的預測準確率81.8%，所建立的RBF神經網絡模型預測換道時機的安全性具有更好的效果。

近年來，智能汽車駕駛主動安全系統快速發展，RBF神經網絡車輛換道時機決策模型可以成為智能汽車的重要組成部分；車輛在行駛時可以實時給予駕駛人換道指示信息，幫助駕駛人完成安全換道操作，保障駕駛人與車輛安全。未來，隨著模型預測準確率的進一步提高，還將在無人駕駛智能汽車方面獲得更大的成果。