基于譜聚類分析的跟車安全性能研究

付會通　裴志豪　劉興亮　劉世東　張亞軍

摘? 要：針對智能駕駛系統安全性的需求，提出了一種對神經網絡的虛擬駕駛員跟車安全等級評估的方法。以大量的自然駕駛數據為基礎，利用神經網絡學習駕駛員的駕駛行為，獲得具有駕駛員駕駛習慣的虛擬駕駛員跟車模型，通過開放道路測試的方式對系統進行驗證，并使用蒙特卡羅方法對虛擬駕駛員跟車的安全等級進行評估，通過對比得出安全等級。本文對基于神經網絡的虛擬駕駛員跟車模型行為進行了評估，結果表明，虛擬駕駛員模型能準確地模擬待評估對象的駕駛行為，其駕駛數據十分接近自然駕駛數據，安全等級幾乎與自然駕駛數據一致。

關鍵詞：虛擬駕駛員跟車;神經網絡;開放道路試驗;蒙特卡羅方法

中圖分類號：U461?? 文獻標識碼：A

1? 前言

隨著智能駕駛技術的興起和主動安全技術的成熟，越來越多的智能駕駛汽車迫切需求更為安全的虛擬駕駛員，由于目前主動安全技術并不像被動安全技術那樣完善，還沒有得到廣泛認可的評價測試方法[1]。目前，智能駕駛系統的測試及評估方法主要分為：智能駕駛開放道路測試、智能駕駛封閉場地測試、蒙特卡羅仿真。

開放道路測試的評價體系旨在搭建測試場景庫（FOT），讓駕駛員駕駛裝有數采設備的智能車輛，進行長時間、寬領域、多場景的數據采集。例如歐洲的Euro-FOT，收入了歐洲數千萬公里的駕駛數據，我國目前最完善的場景庫為同濟大學的China-FOT，由于我國交通異常復雜，智能駕駛開放道路測試及數據采集工作困難重重，僅完成了12.9萬公里的數據采集。智能駕駛封閉場地測試多用于AEB測試，如Euro-NCAP將其分為：前方車輛靜止CCRs、前方車輛低速前行CCRm、前方車輛緊急制動CCRb。蒙特卡羅方法是目前虛擬仿真的評估的主要方式，Kondoh[2]提出使用 TTC 的倒數與 THW 倒數的加權和來表征危險。李霖[3]在使用 1/TTC 作為跟車場景危險評價指標的同時使用期望減速來描述穩定跟車工況時的危險.

本文提出了一種虛擬駕駛員跟車的蒙特卡羅仿真評價方法，依據大量自然駕駛數據，以TTC和THW作為評價指標，通過對神經網絡仿真結果與真實數據的對比分析，對虛擬駕駛員跟車的安全等級做出評價。結果表明，學習訓練后的神經網絡能準確地模擬出駕駛員的駕駛行為。

2. 安全等級評價體系

隨著主動安全技術的發展，周期長、耗費高、需要大量人力物力的開放道路試驗越來越不能滿足各大主機廠的測試評估需要。為了加速智能駕駛系統的評價評估，本文提出了一種使用蒙特卡羅方法的虛擬駕駛員跟車安全等級評估方法。

2.1智能駕駛系統評價參數

本文提出的虛擬駕駛員跟車安全等級評估模型，采用最小車頭時距（THW）和最小即時碰撞時間（TTC）作為的評價參數，通過劃分不同等級實現跟車的安全等級評估，具體等級劃分如下：

（1）最小車頭時距：根據文獻[3-5]的研究成果，將車頭時距5s作為區別自由駕駛和跟車行為的閾值，最小車頭時距的安全等級劃分如表1所示。

（2）最小即時碰撞時間：參照文獻[3-5]的研究成果，將最小即時碰撞時間進行等級劃分，如表1所示。

2.2?? 安全等級評估模型

聯合CANape和simulink軟件進行二次開發，對虛擬駕駛員跟車的安全等級評估模型進行搭建，模型裝載于VECTOR工控機中，配合跟車場景挖掘程序，可以實時獲得來自傳感器和車輛總線傳遞的跟車數據。使用安全等級評估模型通過評估具有時間序列的跟車最小THW和最小TTC等參數，對比神經網絡的THW和TTC預測值對跟車的安全等級進行劃分。依據3.1中劃分的5個等級，以THW和TTC的最低等級作為跟車安全等級K，其等級由低到高依次為：1級（非常危險），2級（較為危險），3級（一般安全），4（較為安全），5級（非常安全）。

該方法結合蒙特卡羅隨機模擬和開放道路測試等方法的優點，利用道路測試獲取大量的自然駕駛數據，將隨機跟隨目標的TTC和THW等級作為跟車的安全等級評估的統計量。

2.3? 開放道路測試

為了驗證虛擬駕駛員跟車的實際應用情況，采用開放道路測試的方式，對其進行整車在環、硬件在環測試，測試時間為2019年1月18日到2019年1月26日，測試行駛里程為3077km，測試地包括天津、石家莊、濟南、南京、武漢、重慶、成都等。試驗車為一款 B級車，數據采集設備有激光雷達和毫米波雷達，用于監測目標位置、姿態等信息;mobileye用于采集道路信息（車道線位置）和識別目標車輛信息;VECTOR工控機，負責收集記錄數據以及數據的后處理。

本次開放道路測試采集跟車場景兩千余例，限于篇幅原因，展示三段駕駛行程的駕駛場景安全等級評估和智能駕駛模型的跟車安全等級評估對比分析，如表2所示。為保障測試安全，測試車輛由真人駕駛，智能駕駛系統的駕駛數據由傳感器采集數據計算獲得。測試車輛配有全套數采設備，智能駕駛系統的輸入本車速度和本車加速度由CAN總線輸入工控機，車頭間距和相對速度由毫米波雷達采集并實時輸入。智能駕駛系統輸出的下一時刻預測的本車與目標車的車頭間距，原始數據和智能駕駛系統仿真模擬數據如圖3-5所示。

2.4?? 開放道路測試安全等級評價結果

如圖3所示，行程1的行駛工況為城市道路，總時長為58分鐘，輸出參數包括駕駛員跟車安全等級K和虛擬駕駛員安全等級K_pre。經過人工復查及對比分析，發現虛擬駕駛員跟車與真實駕駛員跟車安全等級完全一致。

如圖4所示，行程2的行駛工況為高速公路，總時長為3小時15分，輸出參數包括駕駛員跟車安全等級K和虛擬駕駛員安全等級K_pre。經過人工復查及對比分析，發現虛擬駕駛員跟車與真實駕駛員跟車安全等級幾乎一致，僅有1次不同（毫米波雷達異常切換目標）。

如圖5所示，行程3的行駛工況為夜間城市道路，總時長為32分鐘，輸出參數包括駕駛員跟車安全等級K和虛擬駕駛員安全等級K_pre。經過人工復查及對比分析，發現虛擬駕駛員跟車與真實駕駛員跟車安全等級完全一致。

結束語

本文利用神經網絡建立虛擬駕駛員縱向跟車模型，經過驗證發現神經網絡輸出的車頭間距與真實數據存在較小誤差，誤差在可接受范圍內，而THW和TTC的曲線與真實數據幾乎完全吻合，可以利用神經網絡輸出的THW和TTC對跟車進行安全等級評估。

本文以THW和TTC作為跟車安全等級的評價參數，聯合CANape和simulink進行二次開發，設計一款使用蒙特卡羅方法的虛擬駕駛員跟車安全等級評估系統，通過道路測試對系統進行驗證，結果表明虛擬駕駛員的安全等級與真實數據的安全等級完全一致。

參考文獻

[1]? Zhiyuan Huang，Ding Zhao，Henry Lam，et al. Accelerated Evaluation of Automated Vehicles Using Piecewi-se Mixture Models[J]. IEEE Transac-tions on Intelligent Transportation Systems，2018，19（9）：2845-2855.

[2]? Kondoh T，Yamamura T，Kitazaki S，et al.Identif-ication of visual cues and quantification of drivers perce-ption of proximity risk to the lead vehicle in car-fol-lowing situations[J]Journal of Mechanical Systemsfor Transportation and Logistics，2008 1（2）：170-180

[3]? 李霖，賀錦鵬，劉衛國.基于駕駛員緊急制動行為特征的危險估計算法[J].同濟大學學報（自然科學版），2014，42（1）：109-114.

[4]? 《中國公路學報》編輯部.中國汽車工程學術研究綜述·2017[J].中國公路學報，2017，3006：1-197.

[5]? 曾翔宇.基于數據挖掘的列車智能駕駛模型研究[D].北京交通大學，2014.