基于駕駛員行為的智能車輛換道避撞模型研究

王 濤，關志偉，2，彭 濤，李 達

（1.天津職業技術師范大學汽車與交通學院，天津 300222；2.天津中德應用技術大學汽車與軌道交通學院，天津 300350）

汽車主動避撞系統是主動安全技術的重要組成部分，能夠有效避免碰撞事故發生或降低碰撞程度。近年來，隨著汽車智能化程度的不斷提高，在智能車輛中開始普及[1]。基于安全距離和碰撞時間（time to collision，TTC）的避撞模型已在主動避撞系統中得到了廣泛應用，并取得了一定的效果，但由于其未考慮駕駛員因素，不能反映駕駛員避撞行為特性，因此接受度不高[2-3]。與此同時，開發符合駕駛員避撞行為特性的避撞模型已成為當前的研究熱點[4-5]，Hirose 等[6]基于時延神經網絡建立了高速公路駕駛員制動避撞模型，可準確模擬駕駛員的復雜制動動作。劉志強等[7]通過模擬駕駛平臺對駕駛員制動行為進行分析，基于BP 神經網絡建立了符合駕駛員習慣的制動避撞模型。針對車輛換道避撞過程的強非線性，利用遺傳算法優化的BP 神經網絡學習熟練駕駛員的操縱行為，建立了駕駛員換道模型，能夠通過對車輛換道軌跡的預測實現車輛安全避撞。綜上，研究駕駛員在緊急工況下的避撞行為特性，基于機器學習方式學習人類駕駛員的避撞行為，已成為提高智能車輛主動避撞能力的新思路。本文通過模擬駕駛器獲得20 名駕駛員的多組避撞試驗數據，并對駕駛員避撞行為進行分析。

1 人類駕駛員避撞行為分析

1.1 試驗設備和試驗方法

模擬駕駛器已被廣泛用于對駕駛員的行為分析[9-10]，同時考慮到進行實車試驗的危險性及有效數據采集的困難程度，本文試驗數據采集平臺采用課題組搭載VTD（virtual test drive）仿真軟件的模擬駕駛器。高速公路車流小、封閉性強，是智能車輛落地的理想場景，然而高速公路車速較高，更容易發生追尾碰撞事故；文獻[11]顯示，在高速公路交通事故中，前車緊急制動是最常見也是最容易造成追尾碰撞的工況，故本文針對高速公路穩定跟車過程前車緊急制動工況進行研究。在VTD 仿真軟件中搭建所需試驗場景，場景定義為：長度30 km、車道寬度3.75 m、路面附著系數為0.8 的雙向四車道高速公路。為提高駕駛員沉浸感，設置高速公路環境，仿真高速公路試驗場景如圖1 所示。

圖1 仿真高速公路試驗場景

試驗工況設定為：在高速公路直路上，駕駛員穩定跟隨前方目標車行駛，穩定跟隨行駛一段時間后，前方目標車突然以一定減速度緊急制動直至停止，假設左側車道換道條件允許，駕駛員操作模擬駕駛器進行緊急避撞操作，駕駛員完成一次試驗后，換回右側車道繼續向前行駛，進行下一次試驗。試驗中自車及當前車道前車行駛狀態信息如表1 所示。

表1 車輛行駛狀態信息

招募20 名志愿者駕駛員進行試驗，每名駕駛員均有3 年以上駕齡，年齡、性別構成合理，招募的駕駛員信息如表2 所示。試驗開始前，每名駕駛員有充足的時間熟悉模擬駕駛器并進行一次預試驗。

表2 駕駛員信息

1.2 試驗數據采集

根據本文試驗需求并結合文獻[12]相關研究確定本文試驗數據采集信息，包括駕駛員操縱行為、車輛運動學與動力學信息、行駛軌跡信息等。試驗過程中，記錄員記錄駕駛員避撞方式，并對試驗數據進行保存。

1.3 駕駛員避撞行為分析

前車緊急制動工況下，駕駛員可采取制動、換道、制動和換道3 種方式進行緊急避撞，在本文前車緊急制動試驗中，對收集到的300 次有效避撞試驗進行統計分析，結果顯示，采取制動和換道避撞方式的占比達到92%，單一制動和單一換道所占比例分別為2%和6%。這與換道條件允許時，相比于減速制動到完全停止，駕駛員更傾向于進行換道機動的相關結論相一致。

選取采用制動和換道避撞方式中某一駕駛員的試驗數據，對駕駛員操縱行為進行進一步分析，避撞過程中制動踏板、油門開度變化情況和方向盤轉角變化情況分別如圖2、圖3 所示。從圖2 和圖3 可以看出，前車緊急制動工況下，駕駛員在經歷約1 s 的反應時間后，駕駛員首先開始操縱制動踏板使車輛制動減速，隨后駕駛員開始操縱方向盤進行轉向避撞，且換道過程中駕駛員持續制動。

圖2 油門、制動踏板開度變化曲線圖

圖3 方向盤轉角變化曲線圖

1.4 試驗數據處理

神經網絡模型的訓練依賴于大量可靠的樣本數據，試驗數據的處理由人工篩選的方式確定有效數據，以自車縱向加速度發生持續變化作為起始時間點，以自車橫向距離不再發生持續變化作為終止時間點，并通過等距抽樣的方式將試驗數據采樣頻率由60 轉換為20，最后將有效樣本數據進行保存作為模型訓練數據集。

2 智能車輛換道避撞模型的建立

本文基于遺傳算法優化的雙隱含層BP 神經網絡建立符合駕駛員避撞行為特性的智能車輛換道避撞模型，可對避撞過程中駕駛員制動減速度和方向盤轉角進行較為準確的預測。

2.1 BP神經網絡理論

BP 神經網絡是一種誤差反向傳播的前向神經網絡，通常由輸入層、隱含層和輸出層構成，其通過大量樣本數據的訓練可以不斷調整和優化其網絡連接權值和偏置，最終得到網絡最優輸出，被廣泛用于預測與分類問題。以雙隱含層BP 神經網絡為例，雙隱含層BP 神經網絡拓撲結構如圖4 所示，其中：Xi為網絡輸入；Yn為網絡輸出；Wij為網絡連接權值；Bi為網絡偏置。

圖4 雙隱含層BP 神經網絡拓撲結構

2.2 BP神經網絡模型的建立

2.2.1 輸入和輸出參數的確定

輸入、輸出參數的選擇對于網絡模型預測的準確性、有效性有很大影響。結合前人相關研究[7]與駕駛員避撞行為有關的參數，有相對距離Δd、相對速度Δv、前車減速度ax1、碰撞時間（TTC）、碰撞時間倒數（TTCi）等。考慮到駕駛員實際跟車過程中無法與前車完全重合，且受其他車道目標車的影響，增加自車與前車之間的橫向距離Y，橫向距離Y 可由車載攝像頭獲得。TTC、TTCi 通過雷達采集的車速、距離參數運算得到，TTC、TTCi 計算公式為

根據實際需要確定網絡輸出為自車加速度ax0和方向盤轉角δsw。利用皮爾遜相關系數法對上述參數進行相關性分析，選取與輸出參數相關性強的作為網絡輸入，皮爾遜相關系數定義為

式中：cov（X，Y）為任意兩變量X、Y 的協方差；σX、σY分別為X、Y 的標準差。

通常，變量間相關程度可由相關系數r 按照以下標準判斷，當|r| <0.3 時為微相關，當0.3 <|r| <0.5 時為實相關，當0.5<|r|<0.8 時為顯著相關，當0.8 <|r| <1 時為高度相關。

變量相關系數如表3 所示。由表3 可知，自車加速度與相對距離、相對速度、碰撞時間、橫向距離實相關，與前車加速度顯著相關；方向盤轉角與相對距離實相關，與前車加速度、橫向偏差顯著相關；碰撞時間倒數與自車加速度、方向盤轉角相關性均較弱。因此，最終確定網絡輸入參數為相對距離Δd、相對速度Δv、前車減速度ax1、碰撞時間TTC、橫向距離Y。

表3 變量相關系數

2.2.2 網絡節點數和層數的確定

網絡輸入層節點數為5，輸出層節點數為2，隱含層節點數及隱含層數目的確定目前沒有明確依據，需由經驗主觀設定。本文先由經驗公式（4）確定隱含層節點數大概范圍，再經多次試驗最終確定隱含層節點數。

式中：m、n、l 分別為隱含層、輸入層、輸出層節點個數；a 為1～10 之間常數。

可見，隱含層節點數應在3～13 之間。相關研究表明，雙隱含層網絡結構且節點數一致時網絡性能較好[13]，由上文皮爾遜相關系數法分析可知，輸入與輸出之間線性關系不強且映射關系較為復雜，對網絡性能有較高要求，故本文采用節點數一致的雙隱含層結構。選取1 000 組試驗樣本數據，對應上述隱含層節點數范圍，在Matlab 平臺上逐個驗證網絡預測效果，網絡初始參數設置如表4 所示。對神經網絡的最優目標函數預測值與實際值的均方誤差進行了統計分析，分析結果如表5 所示。

表4 網絡初始參數設置

表5 網絡預測效果對比

結果表明：雙隱含層節點數均為13 時網絡預測精度最高，故隱含層節點數最終確定為13。

2.3 遺傳算法優化

BP 神經網絡初始連接權值和偏置的確定具有隨機性，而初始連接權值和偏置的選擇對于網絡性能有較大影響。遺傳算法是一種基于模擬自然界生物進化過程的全局尋優算法，將遺傳算法優化得到的網絡連接權值和偏置賦值給BP 神經網絡，能夠有效避免網絡陷入局部最優解和提高收斂速度及精度[17-18]。遺傳算法優化流程如圖5 所示。

圖5 遺傳算法優化流程

2.3.1 種群初始化

網絡結構確定為5-13-13-2，即輸入層節點數為5，第1 隱含層與第2 隱含層節點數均為13，輸出層節點數為2。由此可知，網絡結構中連接權值個數為260，偏置個數為28，個體編碼長度為288，采用實數編碼方法對個體編碼進行后續遺傳操作。

2.3.2 適應度函數選擇

種群中每個個體具有不同的連接權值和偏置，同一權值和偏置下的網絡訓練結果相同。以網絡預測值與實際期望值的差值作為個體適應度值的評價標準，計算方法為

式中：n 為輸出層節點數；yi、σi分別為網絡預測值與實際期望值。

2.3.3 遺傳算子選擇

模擬生物進化過程，遺傳操作主要有選擇、交叉、變異，具體方法如下：

（1）采用輪盤賭選擇法進行選擇操作，選擇方法為

式中：fi為適應度值倒數；ρi為種群N 中個體i 被選中的概率，ρi值越大，個體被選中的概率越大。

（2）經過選擇操作，選中的優秀個體組成新的種群，對于生物進化來說，交叉與變異能夠生成新的個體是十分必要的，交叉方法為

式中：aik、ajk分別為個體i 和個體j 在第k 位置上的基因；b 為[0，1]間的常數。

（3）變異方法為

式中：amax、amin分別為基因aij的上限和下限；r 為[0，1]的隨機數；r1為一隨機數；g 為當前迭代次數；Gmax為最大進化次數。

結合參考資料[15]給出的建議值并經多次試驗，本文遺傳算法最終設置種群規模為70，交叉概率為0.4，變異概率為0.1，進化代數為50。

2.3.4 模型訓練結果

選取1 000 組樣本數據，隨機選擇800 組作為訓練數據，剩余200 組作為測試數據用于測試網絡性能。將經遺傳算法優化得到的最優個體解碼對應的網絡權值、偏置作為BP 神經網絡的初始權值和偏置，在Matlab 平臺進行網絡訓練，模型預測訓練結果如圖6 所示。

3 模型驗證與分析

為檢驗模型的有效性和通用性，重新選取259 組未參與建模的試驗樣本數據進行模型驗證，模型預測值與樣本實際值的吻合情況如圖7 所示。

以平均絕對誤差來反映模型預測實際誤差情況，平均絕對誤差計算方法為

式中：X 為模型預測值；Y 為樣本實際值；n 為樣本個數。

從圖7 可以看出，本次259 組試驗樣本數據中，減速度模型預測值與真值的平均絕對誤差為0.24，方向盤轉角模型預測值與真值平均絕對誤差為0.02；減速度模型預測值與真值誤差絕對值超過1 的只有6組，方向盤轉角模型預測值與真值誤差絕對值超過0.05 的只有4 組，且模型預測誤差主要集中在“波峰”處。因此，可知模型預測較為準確，精度較高，由模型預測值的變化情況來看，模型預測與駕駛員實際避撞行為能夠較好匹配，模型有效。

4 結語

本文通過模擬駕駛平臺分析了駕駛員的避撞行為特性，基于遺傳算法優化的雙隱含層BP 神經網絡建立了智能車輛換道避撞模型。該模型可根據自車與前車的相對距離、相對速度、碰撞時間、橫向距離以及前車減速度預測避撞過程中駕駛員制動減速度和方向盤轉角。在Matlab 平臺對模型可行性和有效性進行驗證，仿真結果表明：該模型具有較好的預測精度，能夠較好匹配駕駛員的換道避撞行為，可為智能車輛主動避撞策略的研發提供參考，可以在智能車輛主動避撞系統中得到廣泛應用。本文對高速公路前車緊急制動典型工況進行了研究，后續將進一步開展其他工況下的駕駛員避撞行為分析，以期進一步提高模型適用性。