混合交通下基于車聯(lián)網(wǎng)的無線集群智能軌跡預(yù)測(cè)算法

王 哲，韓銀輝，蔣明智，袁 征，張 琳

(北京郵電大學(xué) 人工智能學(xué)院，北京 100876)

0 引言

自動(dòng)駕駛技術(shù)能夠有效提升交通安全和交通效率，近年來受到了廣泛關(guān)注。然而，由于復(fù)雜的交通系統(tǒng)和仍不完善的地方法律法規(guī)的限制，未來很長一段時(shí)間，自動(dòng)駕駛車輛和手動(dòng)駕駛車輛并存的混合交通場景會(huì)在高速公路中占據(jù)主要地位[1]。為了解決自動(dòng)駕駛車輛算法面對(duì)實(shí)時(shí)動(dòng)態(tài)變化真實(shí)交通場景失效的問題，尋找一種有效可靠的方法預(yù)測(cè)手動(dòng)駕駛車輛的軌跡變化成為如今學(xué)者們亟待解決的問題[2]。早期研究應(yīng)用理論和數(shù)學(xué)公式開發(fā)了微觀車輛軌跡變化模型，用于在各種復(fù)雜交通場景下預(yù)測(cè)自動(dòng)駕駛車輛的軌跡[3]，然而，此類模型無法在所有的車流量密度場景中取得很好的效果。Lin等人[4]使用模擬技術(shù)來估算車輛軌跡。該方法并沒有在實(shí)際場景中進(jìn)行測(cè)試，由于模擬環(huán)境中的車道變換頻率與過程與實(shí)際交通場景情況不同，因此結(jié)果并不準(zhǔn)確。袁娜等人[5]計(jì)算了車輛在車道變化的軌跡中引發(fā)的車身震動(dòng)和周圍車流量變化，使用一種改進(jìn)的人工魚群模型分析了車輛變道對(duì)交通安全的影響。然而，該研究并未充分考慮車道變化前后的微觀交通參數(shù)，沒有同時(shí)考慮碰撞風(fēng)險(xiǎn)和道路流量的影響。此外，許多研究只進(jìn)行了目標(biāo)車道上的車輛軌跡預(yù)測(cè)，而忽略了周圍其他車道上車輛的影響[6]。

5G車聯(lián)網(wǎng)和邊緣計(jì)算技術(shù)的出現(xiàn)，車聯(lián)網(wǎng)和傳感器的快速發(fā)展為車車協(xié)同、車路協(xié)同系統(tǒng)提供了保障[7]。例如，龍銀江等人[8]使用一種基于網(wǎng)絡(luò)切片的聯(lián)合資源分配算法實(shí)現(xiàn)了車聯(lián)網(wǎng)場景下的低時(shí)延通信。車聯(lián)網(wǎng)的發(fā)展使得學(xué)者們嘗試分析并使用車車協(xié)同、車路協(xié)同系統(tǒng)中的關(guān)鍵技術(shù)優(yōu)化城市中車輛通行安全和效率低下的問題[9]，并且證明了多智能體集群學(xué)習(xí)能夠更快速可靠地實(shí)現(xiàn)車聯(lián)網(wǎng)場景下的深度學(xué)習(xí)任務(wù)。Jiang等人[10]在車聯(lián)網(wǎng)場景中，基于邊霧云架構(gòu)，提出了一種多交叉口協(xié)同控制算法提升車輛通行效率。然而，現(xiàn)有車聯(lián)網(wǎng)中多智能體研究并沒有考慮車輛隱私數(shù)據(jù)保護(hù)，通信技術(shù)的不恰當(dāng)使用極有可能造成電信詐騙等用戶財(cái)產(chǎn)損失問題[11]。因此對(duì)于用戶數(shù)據(jù)的保護(hù)也開始得到工業(yè)界和學(xué)術(shù)界的關(guān)注。學(xué)者們嘗試使用聯(lián)邦學(xué)習(xí)和區(qū)塊鏈技術(shù)解決這一問題[12-13]，基于聯(lián)邦學(xué)習(xí)和區(qū)塊鏈技術(shù)，Warnat等人提出了去中心化的集群智能學(xué)習(xí)框架Swarm Learning(SL)框架[14]，并在醫(yī)療領(lǐng)域取得了卓越的效果。集群智能學(xué)習(xí)框架無需中央服務(wù)器，通過區(qū)塊鏈網(wǎng)絡(luò)共享參數(shù)，并在各個(gè)站點(diǎn)的私有數(shù)據(jù)上獨(dú)立構(gòu)建模型。然而，上述工作只在醫(yī)療影響場景下進(jìn)行了測(cè)試，并沒有在車聯(lián)網(wǎng)中進(jìn)行嘗試與應(yīng)用，同時(shí)，集群智能算法沒有考慮車聯(lián)網(wǎng)場景下車輛的移動(dòng)性、不可靠的通信連接以及動(dòng)態(tài)變化的駕駛環(huán)境。這些因素將給車聯(lián)網(wǎng)場景下的模型訓(xùn)練帶來一些新的挑戰(zhàn)。本文中的混合交通下基于車聯(lián)網(wǎng)的集群智能軌跡預(yù)測(cè)算法主要貢獻(xiàn)點(diǎn)如下：

(1) 提出一種車聯(lián)網(wǎng)場景下的集群智能軌跡預(yù)測(cè)(Swarm Learning-based Trajectory Prediction,SLTP)算法。使用去中心化的集群智能通信框架保障用戶隱私數(shù)據(jù)的同時(shí)，獲取周圍手動(dòng)駕駛車輛的歷史軌跡信息并預(yù)測(cè)周圍手動(dòng)駕駛車輛的軌跡變化。

(2) 設(shè)計(jì)了基于Beta概率函數(shù)的權(quán)重預(yù)測(cè)策略并應(yīng)用于集群學(xué)習(xí)的模型融合過程，解決車聯(lián)網(wǎng)場景中因傳輸冗余數(shù)據(jù)導(dǎo)致的模型預(yù)測(cè)精度不高的問題。

(3) 使用美國高速公路行車數(shù)據(jù)集NGSIM (Next Generation Simulation)驗(yàn)證SLTP算法的有效性，與現(xiàn)有的基于長短時(shí)記憶(Long Short-Term Memory，LSTM)網(wǎng)絡(luò)的軌跡預(yù)測(cè)方法相比較，驗(yàn)證SLTP算法的有效性。

1 集群智能軌跡預(yù)測(cè)算法

1.1 問題描述

假設(shè)在混合交通場景如圖1所示，場景中存在編號(hào)個(gè)數(shù)為N的自動(dòng)駕駛車輛。

圖1 混合交通場景Fig.1 Mixed traffic scenario

由于車載GPS、雷達(dá)、攝像頭和其他車載傳感器可以獲得環(huán)境周邊手動(dòng)駕駛車輛實(shí)時(shí)車輛軌跡數(shù)據(jù)，每輛自動(dòng)駕駛車輛都可以建模為三維數(shù)組G=(V,P,E)，其中：

(1)V={vi∣i∈{1,2,…}}表示所有車輛，vi表示道路上的編號(hào)為i的自動(dòng)駕駛車輛。N=|V|表示道路上的所有自動(dòng)駕駛車輛數(shù)目。

(2)P={pi∣vi∈V} 表示每輛自動(dòng)駕駛車輛的軌跡數(shù)據(jù)，通過車載傳感器獲得，包括速度、加速度、方向和位置。

(3)E={ei∣vi∈V}表示環(huán)境矩陣，用于存儲(chǔ)車輛周圍的道路環(huán)境信息，即前后左右四個(gè)方向的車輛信息。道路環(huán)境矩陣中車輛vi的信息ei定義為：

(1)

式中，d(vi,vj)表示車輛vi和vj之間的歐式距離；R表示每輛車的可視范圍。深度神經(jīng)網(wǎng)絡(luò)模型中的損失函數(shù)量化了算法對(duì)訓(xùn)練數(shù)據(jù)的建模效果是機(jī)器學(xué)習(xí)需要解決的根本問題。訓(xùn)練的目標(biāo)是找到使損失函數(shù)最小化的最佳模型參數(shù)。機(jī)器學(xué)習(xí)中的損失函數(shù)大致可分為分類損失和回歸損失。其中包括對(duì)數(shù)損失、聚焦損失、Kullback-Leibler散度、指數(shù)損失、鉸鏈損失等，實(shí)驗(yàn)中使用均方誤差作為車載模型的損失函數(shù)。車輛vi的損失函數(shù)fi(w)的表達(dá)式如下：

(2)

(3)

式中，Rm(i)是第i輛車的車載模型參數(shù)；Lm(k)是第k輛車的模型參數(shù)；γ是模型權(quán)重。集群學(xué)習(xí)過程中全局模型的損失函數(shù)被作為整個(gè)算法的目標(biāo)函數(shù)：

(4)

1.2 基于Beta函數(shù)的模型融合權(quán)重預(yù)測(cè)策略

編號(hào)為i的自動(dòng)駕駛車輛本地模型的可信值Ci,為了表示模型的有效性，使用編號(hào)為i-1的車輛節(jié)點(diǎn)傳輸模型作為參考模型計(jì)算當(dāng)前車載模型的有效性預(yù)測(cè)P(ei)。車輛i根據(jù)模型有效性觀測(cè)結(jié)果B計(jì)算和預(yù)測(cè)模型的有效性P(ei∣B)，可推導(dǎo)為：

(5)

為了便于有效性值的表達(dá)和更新，使用Beta分布表示每個(gè)車載模型的有效性的概率，定義如下：

(6)

式中，p>0,q>0,p和q分別表示接收模型優(yōu)于車載模型的次數(shù)和車載模型優(yōu)于接收模型的次數(shù)，Γ(x)是伽馬函數(shù)，其表達(dá)式為：

(7)

例如，假設(shè)ai和bi代表當(dāng)前的積極和消極行為，而p和q代表初始的積極和消極行為。要更新可信度，相當(dāng)于更新兩個(gè)參數(shù)p和q，如下：

(8)

在沒有先驗(yàn)知識(shí)的情況下初始化節(jié)點(diǎn)時(shí)，節(jié)點(diǎn)的可信度可以表示為(0,1)上的均勻分布，定義為：

P(x)=uni(0,1)=Beta(1,1)。

(9)

通過比較接收模型和車載模型的有效性，每輛自動(dòng)駕駛車輛可以將接收到模型的有效性進(jìn)行評(píng)估，即轉(zhuǎn)化為有效模型次數(shù)和無效模型次數(shù)。假設(shè)在n輪通信中，每輛自動(dòng)駕駛車輛進(jìn)行模型訓(xùn)練和融合(p+q)次。通過比較模型的有效性，這些相互作用被描述為p次積極行為和q次消極行為。有了這些信息，每輛車可以在預(yù)測(cè)下一次模型融合時(shí)接收到模型的有效性。模型的有效概率定義為：

(10)

通過歸一化接受模型和本地模型的權(quán)重系數(shù)，編號(hào)為i的自動(dòng)駕駛車輛模型融合過程的權(quán)重定義為：

λ1∶λ2=Ce∶1。

(11)

1.3 集群學(xué)習(xí)模型融合過程

模型聚合過程中使用去中心化的集群學(xué)習(xí)框架保障用戶數(shù)據(jù)安全。路側(cè)單元作為模型聚合過程的參與者，均勻分布在道路兩側(cè)用于模型緩存。通過以下三個(gè)步驟的循環(huán)，多輛自動(dòng)駕駛車輛協(xié)同通信，進(jìn)行模型訓(xùn)練任務(wù)：

(1) 每輛自動(dòng)駕駛車輛通過V2V通信以及傳感器感知的方式收集周邊環(huán)境中手動(dòng)駕駛車輛的軌跡數(shù)據(jù)(如地理位置、速度、方向角等)并進(jìn)行軌跡預(yù)測(cè)訓(xùn)練任務(wù)訓(xùn)練車載模型。

(2) 行駛過程中，彼此接近的自動(dòng)駕駛車輛通過區(qū)塊鏈技術(shù)通信，傳遞模型參數(shù)，預(yù)測(cè)接收模型和車載訓(xùn)練模型的權(quán)重系數(shù)，并進(jìn)行模型聚合。

(3) 模型聚合后，頭節(jié)點(diǎn)車輛將模型參數(shù)發(fā)送到路側(cè)單元進(jìn)行緩存處理。

一般來說，由于道路上車輛的快速流動(dòng)性和駕駛目的的不確定性，不同自動(dòng)駕駛車輛收集的周邊手動(dòng)駕駛車輛軌跡數(shù)據(jù)截然不同。通過評(píng)估并比較接收模型和車載模型的有效性，計(jì)算融合權(quán)重可以提升聚合模型效果，消除冗余用戶數(shù)據(jù)造成的模型過擬合問題。算法1給出了基于集群學(xué)習(xí)的模型訓(xùn)練的全過程。

2 仿真驗(yàn)證

本節(jié)將介紹模擬設(shè)置，使用基于LSTM網(wǎng)絡(luò)的軌跡預(yù)測(cè)方法作為基線方案[15]進(jìn)行對(duì)比，對(duì)模型的預(yù)測(cè)效果，模型收斂速度進(jìn)行比較。使用32 GB內(nèi)存，i7-10700的CPU硬件測(cè)試平臺(tái)，測(cè)試環(huán)境基于PyTorch3.9框架構(gòu)建并在Ubuntu18.04系統(tǒng)中部署。自動(dòng)駕駛車輛中的車載LSTM網(wǎng)絡(luò)模型能夠預(yù)測(cè)周圍環(huán)境中手動(dòng)駕駛車輛在5 s內(nèi)的軌跡。完整的模型參數(shù)如表1所示。LSTM網(wǎng)絡(luò)訓(xùn)練過程中時(shí)間步長設(shè)置為10。使用Adam優(yōu)化器作為神經(jīng)網(wǎng)絡(luò)優(yōu)化器。實(shí)驗(yàn)涉及的算法源碼，以及相關(guān)訓(xùn)練和測(cè)試數(shù)據(jù)文件已經(jīng)開源至GitHub平臺(tái)。

表1 算法和環(huán)境參數(shù)

2.1 實(shí)驗(yàn)設(shè)置

對(duì)于車聯(lián)網(wǎng)中的集群學(xué)習(xí)，實(shí)驗(yàn)?zāi)M定義了兩種交通流密度：高交通流密度和低交通流密度。自動(dòng)駕駛車輛數(shù)為16輛和5輛。使用NGSIM數(shù)據(jù)集驗(yàn)證SLTP算法的有效性。美國聯(lián)邦公路管理局使用視頻中目標(biāo)檢測(cè)的方式捕捉真實(shí)世界的交通信息制作NGSIM數(shù)據(jù)集，包括車輛速度、位置、加速度、車道等。作為高分辨率的真實(shí)世界車輛軌跡數(shù)據(jù)，NGSIM廣泛用于探索軌跡預(yù)測(cè)過程的特征，并校準(zhǔn)和驗(yàn)證軌跡預(yù)測(cè)模型[16]。

2.2 實(shí)驗(yàn)結(jié)果和分析

目前還沒有集群學(xué)習(xí)框架在車聯(lián)網(wǎng)場景中的應(yīng)用，對(duì)比方案使用基于LSTM網(wǎng)絡(luò)對(duì)車輛進(jìn)行軌跡預(yù)測(cè)的方法[15]，以更好地評(píng)估SLTP算法的性能，實(shí)驗(yàn)中的軌跡預(yù)測(cè)誤差結(jié)果和模型Loss函數(shù)下降曲線如圖2和圖3所示。

圖2 軌跡預(yù)測(cè)誤差Fig.2 Trajectory Prediction Error

圖3 模型Loss函數(shù)下降曲線Fig.3 Descending curve of Model Loss function

為了驗(yàn)證軌跡預(yù)測(cè)的準(zhǔn)確性，實(shí)驗(yàn)設(shè)置了智能體數(shù)量為5，16的2種情況，來展示集群軌跡預(yù)測(cè)算法在不同智能體數(shù)目情況下的性能，為了進(jìn)行相互比較，開展了2組對(duì)照訓(xùn)練實(shí)驗(yàn)。圖2是訓(xùn)練過程中軌跡預(yù)測(cè)誤差值情況，具體的實(shí)驗(yàn)數(shù)據(jù)如表2所示。從實(shí)驗(yàn)結(jié)果來看，隨著智能體數(shù)量增加，SLTP算法可以表現(xiàn)出更好的性能，而LSTM網(wǎng)絡(luò)的軌跡預(yù)測(cè)方法隨著自動(dòng)駕駛車輛數(shù)目的增加面對(duì)的大量冗余數(shù)據(jù)，模型收斂速度較慢，出現(xiàn)預(yù)測(cè)結(jié)果精度不高的情況。綜上，體現(xiàn)了SLTP算法在軌跡預(yù)測(cè)準(zhǔn)確性方面更具有優(yōu)越性。

對(duì)于模型的收斂速度，實(shí)驗(yàn)同樣使用上述兩種交通流密度進(jìn)行試驗(yàn)，以展示集群軌跡預(yù)測(cè)算法在不同智能體數(shù)目的情況下模型的收斂速度，圖3展示的Loss值的變化情況，具體的實(shí)驗(yàn)數(shù)據(jù)如表2所示。從實(shí)驗(yàn)結(jié)果來看，隨著智能體數(shù)量增加，SLTP算法可以有更快的收斂速度，這是因?yàn)橥ㄟ^文中提出的基于Beta概率函數(shù)的權(quán)重預(yù)測(cè)算法，對(duì)于效果不好的模型在集群模型聚合過程中給予更小的權(quán)重以抵消冗余經(jīng)驗(yàn)數(shù)據(jù)的影響，從而實(shí)現(xiàn)同樣計(jì)算開銷情況下模型更快地收斂。綜上，體現(xiàn)了SLTP算法在模型收斂速度上更具有優(yōu)越性。

表2 綜合預(yù)測(cè)性能數(shù)據(jù)

3 結(jié)束語

本文基于LSTM網(wǎng)絡(luò)針對(duì)城市道路的混合交通場景提出了一種SLTP算法。自動(dòng)駕駛車輛之間通過去中心化的集群學(xué)習(xí)保障用戶數(shù)據(jù)安全。此外，為了解決車聯(lián)網(wǎng)場景中的高移動(dòng)性和數(shù)據(jù)冗余的問題，設(shè)計(jì)了模型聚合過程中的可信度權(quán)重預(yù)測(cè)算法，使得LSTM模型能夠更快收斂。仿真結(jié)果表明，與基于LSTM網(wǎng)絡(luò)對(duì)軌跡預(yù)測(cè)的方法相比，SLTP算法在同樣的訓(xùn)練時(shí)間和通信開銷內(nèi)能夠擁有更高的模型預(yù)測(cè)準(zhǔn)確性和魯棒性。未來的工作中將擴(kuò)大集群學(xué)習(xí)實(shí)驗(yàn)規(guī)模，驗(yàn)證所提出算法在車聯(lián)網(wǎng)場景中存在蓄意攻擊車輛的情況下如何保護(hù)車輛隱私數(shù)據(jù)。