基于K均值聚類挖掘的跟車測試場景研究

黃昆

（天津經(jīng)緯恒潤科技有限公司，天津 300385）

主題詞：跟車測試場景 聚類挖掘 K均值聚類 自動(dòng)駕駛技術(shù)

1 引言

隨著智能駕駛技術(shù)的不斷發(fā)展，特斯拉、蔚來等主機(jī)廠已經(jīng)開發(fā)了許多較為完善的先進(jìn)自動(dòng)駕駛輔助系統(tǒng)[1-2]，例如高速自動(dòng)輔助駕駛(Highway Pilot,HP)、擁堵自動(dòng)輔助駕駛[3](Traffic Jam Pilot,TJP)等，然而目前智能駕駛汽車仍無法實(shí)現(xiàn)L4及以上的智能駕駛，其技術(shù)發(fā)展仍需要多種自然駕駛場景支持，因此，十分有必要開展各類駕駛場景挖掘研究。

場景聚類挖掘[4-5]是獲取智能駕駛測試場景的主要方法之一。徐向陽[6]等基于國家車輛事故深度調(diào)查體系中的499 例事故場景數(shù)據(jù)，對(duì)我國自動(dòng)緊急制動(dòng)(Autonomous Emergency Braking, AEB)場景進(jìn)行聚類挖掘。郭景華[7]等基于我國自然駕駛數(shù)據(jù)中的危險(xiǎn)工況片段，使用層次聚類法對(duì)駕駛行程中的危險(xiǎn)場景進(jìn)行聚類挖掘。夏瀾[8]等通過對(duì)43例自然駕駛場景進(jìn)行分析，挖掘到6 類目標(biāo)切入的危險(xiǎn)跟車場景。Adam[9]等人以交通目標(biāo)之間的位置關(guān)系作為判別量，基于此提出了一種距離聚類的場景挖掘方法。Jin[10]等人使用考慮時(shí)間與空間的馬氏距離對(duì)跟車進(jìn)行聚類，提出了一種交通異常事件的場景挖掘方法。Birant[11]等人提出了一種用于處理大規(guī)模數(shù)據(jù)集異常問題的時(shí)空異常場景挖掘算法。

場景聚類挖掘是智能駕駛場景研發(fā)和驗(yàn)證的基石，對(duì)我國智能駕駛技術(shù)的發(fā)展具有十分重要的意義。本文基于K均值聚類算法，對(duì)自然駕駛過程中的跟車場景進(jìn)行場景解構(gòu)和場景聚類挖掘研究，依據(jù)場景主體要素挖掘到3類典型的跟車工況，并結(jié)合場景交通環(huán)境及車輛類型等要素，構(gòu)建了大量的類跟車測試場景，這對(duì)我國自動(dòng)駕駛輔助系統(tǒng)的研發(fā)和測試具有十分重要的意義。

2 道路試驗(yàn)及跟車場景數(shù)據(jù)提取

2.1 道路試驗(yàn)

道路試驗(yàn)從2020 年4 月10 日開始到2020 年5 月21 日結(jié)束，測試有效時(shí)間為56 d，道路測試總里程為10 120 km，測試地點(diǎn)涵蓋河北、山西、河南及周邊地區(qū)。道路類型包括高速、國道、市區(qū)，測試天氣有晴天、陰天、雨天、霧天，場景數(shù)據(jù)包括直道、彎道、十字路口、紅綠燈和人行橫道場景。共選取10名男性駕駛員進(jìn)行試驗(yàn)，平均年齡為35歲，試驗(yàn)車中采集數(shù)據(jù)的傳感器主要包括Mobileye 攝像頭、激光雷達(dá)和ESR毫米波雷達(dá)，其實(shí)物如圖1所示。由于本次試驗(yàn)主要開展駕駛員跟車特性的研究，故將3種傳感器都安裝在試驗(yàn)車的前部，其安裝位置如圖2所示，其中淺色圈部分代表傳感器的具體安裝部位。

圖1 試驗(yàn)所用傳感器

圖2 傳感器安裝位置示意

2.2 跟車場景數(shù)據(jù)提取

基于數(shù)據(jù)庫，首先選取399例城市道路、387例高速公路、413例鄉(xiāng)村道路的跟車場景，并對(duì)其加減速度曲線進(jìn)行提取。共提取1 199例跟車場景，排除121例曲率半徑較大的彎道跟車速度曲線，剔除68例涉及非機(jī)動(dòng)車場景或其它特殊車輛的跟車場景，最終獲得1 010 例跟車場景（均為跟隨同一目標(biāo)，不存在跟車目標(biāo)轉(zhuǎn)換）。

圖3 從CANape 17.0中提取的參數(shù)曲線

如圖4 所示，基于CANape 17.0 進(jìn)行（濾波）提取的跟車場景參數(shù)包括速度、目標(biāo)車頭時(shí)距（THW）、橫/縱向相對(duì)距離、相對(duì)速度。圖5為加速度、減速度曲線樣本頻次分布統(tǒng)計(jì)。

圖4 跟車場景參數(shù)頻次分布統(tǒng)計(jì)

圖5 加速度、減速度頻次分布統(tǒng)計(jì)

可以看出，跟車狀態(tài)下樣本車的加速度、減速基本維持在-1～1 m/s2之間，這表明所提取的一些超過正常加速度、減速度范圍的數(shù)值反應(yīng)了安全性較差的跟車情況。

3 跟車場景特征要素的提取

3.1 跟車場景要素提取

場景要素是跟車場景聚類分析的依據(jù)，是主成分提取的數(shù)據(jù)來源。跟車場景要素的分類如圖6所示，包括交通環(huán)境要素和場景主體要素2大類以及天氣、光照等10個(gè)小類。其中，交通環(huán)境要素包括跟車場景中的天氣類型、光照條件、道路類型、交通密度等，場景主體要素包括自車和目標(biāo)車的車輛類型、車輛位置及運(yùn)動(dòng)狀態(tài)等要素。

圖6 跟車場景要素提取結(jié)果

（1）交通環(huán)境要素的提取

跟車場景的交通環(huán)境要素包括天氣類型、光照條件、道路類型、交通密度等，天氣類型包括4類：晴天、陰天、雨天、雪天，光照條件主要分為3類：白天、傍晚、夜間，道路類型主要包括5類：城市、高速、國道/省道、鄉(xiāng)村道路，交通密度主要包括3類：暢通、正常、擁堵，其提取結(jié)果如表1所示。

表1 交通環(huán)境要素提取結(jié)果

目前，受自動(dòng)駕駛領(lǐng)域內(nèi)感知技術(shù)發(fā)展的限制，交通環(huán)境要素還無法實(shí)現(xiàn)自動(dòng)提取，需進(jìn)行人工篩選。

（2）場景主體要素提取

場景主體要素如表2 所示，包括自車和目標(biāo)車的車輛類型、車輛位置、運(yùn)動(dòng)狀態(tài)等。其中，車輛類型包括轎車、大型貨車/客車等；車輛位置及運(yùn)動(dòng)狀態(tài)包括自車位置、自車距車道線位置、目標(biāo)位置、自車速度、自車加速度、目標(biāo)縱向距離、目標(biāo)橫向距離、相對(duì)速度等參數(shù)。

表2 跟車場景主體要素

定義場景主體要素提取矩陣Pmn，用以表征場景主體要素序號(hào)1～16 的提取結(jié)果（車輛類型單獨(dú)考慮）。依據(jù)本文提取的1 010例跟車場景，獲取的跟車場景主體要素矩陣如公式（1）所示。

式中，m為場景主體要素序號(hào)（m為1～16，要素序號(hào)對(duì)照詳見表2），n表示提取的跟車場景片段個(gè)數(shù)。

至此，跟車場景特征要素提取已經(jīng)完成，其提取過程有3個(gè)特點(diǎn)：

（1）考慮了跟車場景中的交通環(huán)境要素和場景主體要素，并對(duì)交通環(huán)境要素進(jìn)行參數(shù)化，便于場景類型劃分。

（2）場景主體要素基于主機(jī)廠的道路試驗(yàn)數(shù)據(jù)，提取的場景數(shù)據(jù)源于真實(shí)駕駛數(shù)據(jù)，且具有十分的典型性。

（3）從宏觀角度出發(fā)，考慮自車和目標(biāo)車的車輛類型對(duì)場景類型的影響。

3.2 主成分分析

由3.1節(jié)的場景主體要素矩陣Pmn可知，場景主體要素包含的參數(shù)維度較高。為簡化計(jì)算，需要降低參數(shù)與參數(shù)之間的相關(guān)性，以達(dá)到可以便于聚類分析的要求。此外，由于自車與目標(biāo)的車輛類型對(duì)跟車過程影響較大，需要單獨(dú)考慮，對(duì)其類型進(jìn)行劃分。

（1）車輛類型

自車與目標(biāo)的車輛類型包括轎車和大型貨車/客車兩類。依據(jù)車輛類型不同，可以將跟車場景劃分為4種類型的跟車場景，如表3所示。

表3 場景分類

（2）車輛位置和運(yùn)動(dòng)狀態(tài)

由3.1 節(jié)可知，跟車過程中的車輛位置和運(yùn)動(dòng)狀態(tài)信息可由場景主體要素矩陣Pmn表征，由于矩陣維度較高，且變量之間的相關(guān)性較強(qiáng)，為了簡化計(jì)算，需要對(duì)主體要素矩陣進(jìn)行相關(guān)性分析和降維處理。

PCA (Principal Component Analysis)[12-14]是一種常用的數(shù)據(jù)分析方法。PCA 通過線性變換將原始數(shù)據(jù)變換為一組各維度線性無關(guān)表示，可用于提取數(shù)據(jù)的主要特征分量，常用于高維數(shù)據(jù)的降維。因此，本文使用PCA 算法對(duì)跟車場景中的主體要素進(jìn)行相關(guān)性分析和降維處理。

PCA算法的過程如下：

（1）主體要素矩陣的標(biāo)準(zhǔn)化處理

在主體要素矩陣Pmn進(jìn)行降維之前，首先采用公式（2）對(duì)矩陣中的參數(shù)進(jìn)行標(biāo)準(zhǔn)化，消除量綱對(duì)參數(shù)的影響。

式中，Q*mn為標(biāo)準(zhǔn)化矩陣；Pmn為主體要素矩陣；σn為第n個(gè)跟車場景片段的特征參數(shù)標(biāo)準(zhǔn)差。

經(jīng)過公式（2）對(duì)矩陣中的每一個(gè)參數(shù)進(jìn)行標(biāo)準(zhǔn)化后，最終獲得的主體要素標(biāo)準(zhǔn)化矩陣如公式（3）所示。

式中，Q*mn為標(biāo)準(zhǔn)化矩陣中第m行n列的值；P為主體要素的標(biāo)準(zhǔn)化矩陣。

（2）利用PCA算法對(duì)標(biāo)準(zhǔn)化后主體要素矩陣進(jìn)行降維

主體要素矩陣經(jīng)過標(biāo)準(zhǔn)化處理后，已經(jīng)消除了量綱對(duì)矩陣中參數(shù)的影響，可以利用PCA算法對(duì)標(biāo)準(zhǔn)化后的矩陣進(jìn)行降維處理，得到標(biāo)準(zhǔn)化后的矩陣參數(shù)線性組合R*。

式中，Q*mn為標(biāo)準(zhǔn)化矩陣中第m行n列的值；Pomn為相關(guān)系數(shù)矩陣。

在PCA算法的主成分分析過程中，任務(wù)主成分累計(jì)貢獻(xiàn)率達(dá)到85%以上，即可認(rèn)為主成分可以代表原始信息。進(jìn)行標(biāo)準(zhǔn)化后的場景主體要素矩陣主成分分析結(jié)果如圖7 所示，前3 個(gè)主成分的累計(jì)貢獻(xiàn)率已經(jīng)達(dá)到91.16%，完全可以表征跟車場景主體要素信息。依據(jù)主成分分析結(jié)果，將主體要素矩陣降為3維矩陣。

圖7 主成分分析結(jié)果

跟車主體要素矩陣經(jīng)過降維后，保留累計(jì)貢獻(xiàn)率排名前3的主成分，其參數(shù)詳見表4。

表4 累計(jì)貢獻(xiàn)率排名前3的主成分

經(jīng)過標(biāo)準(zhǔn)化后的主體要素矩陣使用PCA 算法降維后僅保留排名前3的主成分，降維后的矩陣如公式（5）所示。

式中，P為降維后的主體要素矩陣；P1n，P2n，P3n依次代表自車加速度，目標(biāo)相對(duì)距離，目標(biāo)相對(duì)速度。

4 跟車場景聚類分析

4.1 K均值聚類算法

K 均 值 聚 類 算 法（K-Means Clustering Algo?rithm）[15-17]是一種迭代求解的聚類分析算法，在數(shù)據(jù)分析、信號(hào)處理以及機(jī)器學(xué)習(xí)等領(lǐng)域得到了廣泛的應(yīng)用。本文采用K 均值聚類算法對(duì)降維后的跟車特征參數(shù)矩陣進(jìn)行聚類，聚類過程如下：

（1）定義初始聚類中心

在K均值聚類的計(jì)算過程中，首先需要定義初始聚類中心矩陣以及聚類中心個(gè)數(shù)k。

式中，M為初始聚類中心矩陣，mj為第j個(gè)聚類中心（j∈1,2,…，k），其值為隨機(jī)數(shù)。此處聚類中心個(gè)數(shù)k取值為3。

（2）樣本分配

在K均值聚類的計(jì)算過程中，每一輪迭代更新開始后，需要計(jì)算每個(gè)樣本分別到每個(gè)聚類中心的歐氏距離[18]，其計(jì)算過程如公式（7）所示。

式中，xi為樣本數(shù)據(jù)中的第i（i∈1,2,…，n）個(gè)樣本，d(xi, mj）為第i（i∈1,2,…，n）個(gè)樣本xi到第j（j∈1,2,…，k）個(gè)聚類中心mj之間的距離。

計(jì)算各個(gè)樣本到各個(gè)聚類中心的距離之后，依據(jù)距離最小原則，將樣本分配到與距離中心距離最近的類中，如公式（8）所示。

式中，x為樣本數(shù)據(jù)，Mj為樣本數(shù)據(jù)聚成的類。

（3）更新聚類中心

由第（2）步將樣本數(shù)據(jù)聚為k類后，需要對(duì)聚類中心進(jìn)行迭代更新，計(jì)算每一類樣本數(shù)據(jù)的均值，使用每一類中所有樣本數(shù)據(jù)的樣本均值作為新的聚類中心，實(shí)現(xiàn)對(duì)聚類中心的更新，其更新過程如公司（9）所示。

式中，mˉj為更新后的聚類中心；x為Mj（j∈1,2,…，k）類中的樣本數(shù)據(jù)。

（4）準(zhǔn)則函數(shù)的計(jì)算

在K均值聚類的過程中，當(dāng)完成一輪樣本分配和聚類中心的更新后，需要對(duì)聚類結(jié)果的準(zhǔn)則函數(shù)進(jìn)行計(jì)算，如公式（10）所示。若準(zhǔn)則函數(shù)結(jié)果變化較大，重復(fù)第（2）和第（3）步，繼續(xù)進(jìn)行迭代更新。若準(zhǔn)則函數(shù)的結(jié)果不變，則停止迭代，結(jié)束聚類。

式中，E為準(zhǔn)則函數(shù)；mˉj為更新后的聚類中心；x為Mj（j∈1,2,…，k）類中的樣本數(shù)據(jù)。

通過以上步驟計(jì)算得到每個(gè)樣本對(duì)所有聚類中心的準(zhǔn)則函數(shù)進(jìn)行計(jì)算，然后依據(jù)距離中心不變原則和誤差平方和局部最小原則，終止樣本聚類的更新迭代。

4.2 跟車場景聚類結(jié)果分析

利用MATLAB對(duì)樣本進(jìn)行聚類，除了K均值聚類外，還以車頭間距、目標(biāo)的相對(duì)速度、自車加速度進(jìn)行模糊C 均值聚類，并作為對(duì)比(表5)。結(jié)果表明，K 均值聚類的相對(duì)距離和相對(duì)速度較低，且自車加速度較低，但結(jié)果都將樣本聚類為3簇，因此將跟車場景分為3類。

表5 K均值聚類和模糊C均值聚類對(duì)比

依據(jù)場景主體要素的聚類分析結(jié)果，將跟車場景劃分為Cluster 1～3類，聚類結(jié)果的樣例如圖8～10所示，結(jié)合場景的天氣類型、光照條件等交通環(huán)境要素，共獲得1 728類測試場景，其結(jié)果如表6所示。

表6 聚類分析結(jié)果 類

（1）場景聚類結(jié)果為Cluster 1樣例

限于篇幅原因，選擇1 例聚類結(jié)果為Cluster 1 的場景作為樣例，示例1場景數(shù)據(jù)如圖8所示，跟車的車頭間距圍繞一個(gè)值在小范圍內(nèi)上下浮動(dòng)，將Cluster 1劃分為穩(wěn)定跟車。

圖8 示例1的場景數(shù)據(jù)

（2）場景聚類結(jié)果為Cluster 2樣例

限于篇幅原因，選擇1 例聚類結(jié)果為Cluster 2 的場景作為樣例，示例2場景數(shù)據(jù)如圖9所示，跟車的車頭間距不斷縮小，相對(duì)速度恒為負(fù)值，將Cluster 2 劃分為加速跟車。

圖9 示例2的場景數(shù)據(jù)

（3）場景聚類結(jié)果為Cluster 3樣例

限于篇幅原因，選擇1 例聚類結(jié)果為Cluster 3 的場景作為樣例，示例3 場景數(shù)據(jù)如圖10 所示，跟車的車頭間距不斷增大，相對(duì)速度恒為正值，將Cluster 3劃分為減速跟車。

圖10 示例3的場景數(shù)據(jù)

5 結(jié)束語

本文基于道路試驗(yàn)數(shù)據(jù)提取了跟車場景特征要素，運(yùn)用K 均值聚類算法進(jìn)行場景挖掘，挖掘獲得大量具有實(shí)際價(jià)值的跟車場景，并以此為基礎(chǔ)，構(gòu)造了大量的跟車測試場景。場景數(shù)據(jù)源于真實(shí)道路試驗(yàn)，構(gòu)建的場景更具有真實(shí)性、可靠性，對(duì)智能駕駛汽車的跟車仿真模型的建設(shè)具有重要意義。

未來的研究內(nèi)容，將會(huì)依托提取的跟車測試場景，圍繞高速領(lǐng)航功能、彎道跟車輔助功能、自動(dòng)環(huán)道功能測試的仿真模型搭建展開。