大型車輛側方碰撞危險度預警方法

羅 石，朱少成，虞井生，劉艷廣

(江蘇大學 汽車與交通工程學院，江蘇 鎮江 212013)

0 引言

近年來，隨著經濟發展和物流運輸的需要，汽車保有量不斷增多導致交通事故頻發，造成了嚴重的人員傷亡和經濟損失[1]。特別是對于大型車輛來說，其視野盲區相對中小型汽車更大，危險系數更高，但目前盲區監測、障礙物碰撞預警等技術在大型車輛中應用不多，駕駛員在遇到危險情形時很難準確做好預防措施從而避免事故的發生。統計數據顯示，在汽車各類碰撞事故中側向碰撞事故的幾率高達27%，僅次于正向碰撞的59%[2]，車輛側方障礙物預警技術成為國內外熱門研究方向。

根據國家標準GB 15804—2013[3]規定，大型車輛在駕駛室左右兩側必須各安裝一個外視鏡進行補盲，避免側方碰撞發生。文獻[4]通過分析實際場景對安全距離模型進行計算，完成了路側系統的防碰撞模型研究。文獻[5]提出了基于車輛狀態信息和駕駛環境信息的車輛變道概率預測模型，實現車輛變道各種場景的適用性。文獻[6]采用毫米波雷達和AJ-SRO4K超聲波傳感器設計出了一種可向駕駛員預先發出視聽警告信號的探測裝置，通過測算距離與數據庫里的安全值進行比較并預判物體的運動軌跡，決定是否發出警報。文獻[7]建立了車輛瞬態Petri網，其不僅適用于交叉路口的碰撞危險，而且適用于其他路口的障礙物碰撞預警。

目前車輛側方碰撞預警技術的研究更多側重于中小型車輛超車變道的行駛安全性上，很少涉及大型車輛轉彎時側前方盲區的研究和對車輛與行人的保護。因此，筆者考慮影響車輛碰撞危險度的自車與障礙物目標的縱向距離(X)、橫向時間(ty)、相對方位(B)和車速比(K)建立4因素模糊綜合評價模型，隸屬度函數建立時同時考慮車輛行駛時的會遇類型、天氣情況、駕駛員的駕駛素質、交通環境復雜度等因素進行修正。為了提前通知駕駛員行駛安全狀況，提出建立GA-LSTM模型預測未來一段時間內的碰撞危險度CRI，駕駛員根據CRI的大小決定相應的避撞措施。

1 基于模糊綜合評價的碰撞危險度CRI計算

根據車輛碰撞理論，影響自車與障礙物目標碰撞的因素有很多，如：自車與障礙物的橫縱向距離、行駛速度、相對方位、碰撞時間、天氣情況、路面狀況、人流量、車流量以及駕駛員的操作熟練度等[8]。本文通過綜合考慮,將自車與障礙物的相對縱向距離X、橫向時間ty、相對方位B和車速比K作為模糊綜合評價模型的因素集，其他因素則通過隸屬度函數融合到因素集中。建立的因素集形式如下：

U={X,ty,B,K}

(1)

式中：X為自車與障礙物在縱向運動方向上間隔的距離；ty為自車與障礙物在橫向運動方向上碰撞所需的時間；B為自車的牽引車與障礙物速度方向上的夾角；K=V0/Vm,Vm為障礙物目標行駛速度，V0為自車行駛速度。

通過統計研究各參數對CRI的影響程度，得到具體權重為：

A={aX,aty,aB,aK}={0.36,0.32,0.17,0.15}

(2)

建立障礙物目標的評價矩陣如下：

(3)

經過大量的仿真實驗及分析，選定改進后的sigmiod函數作為X的隸屬度函數：

(4)

式中：X為自車與障礙物目標的相對縱向距離，SDA為融合了其他因素的相對縱向安全距離值，當X=SDA時，得出rX=0.5為危險與安全的臨界情況。融合后的SDA[9]的求解公式如下：

k1·k2·k3·k4

(5)

式中：L0為考慮自車外型尺寸與障礙物間的保險距離，車型不同則L0不同，一般為2.1～5.3 m，本文半掛汽車列車屬于大型車輛，故L0取5.3 m；Vx為自車的縱向速度；Th=Tf+Tx+Ty+Tz，Tf為駕駛者駕駛時的反應時間，一般為0.29～1.18 s，考慮到反應遲緩的駕駛者，本文Tf取1.18 s，Tx為消除制動系統中各間隙所需時間為0.2 s，Ty為駕駛者踩到制動踏板所需時間為0.2 s，Tz為制動時減速度增至最大所需時間為0.2 s[10]；Vr為自車與障礙物目標的相對速度；amax為自車與障礙物目標之間制動減速度的最大值；k1為會遇類型對SDA的影響因子，追越、對遇或障礙物目標在車輛左側k1=1.0，被追越和障礙物目標在車輛右側時，k1=0.8[11]；k2為天氣情況對SDA的影響因子，天氣良好時，k2=1.0，大雪、刮風、下雨、起霧等惡劣天氣時k2=1.25[11]；k3為駕駛員遭遇緊急情況時的反應速度、心理素質、操作水平和經驗等對SDA的影響因子，對于駕駛素質較好的k3=1.0，素質較差的k3=1.25[11]；k4為周圍人流量、車流量對SDA的影響因子，人流量、車流量較少或正常時，k4=1.0，人流量、車流量多時k4=0.75[11]。

橫向時間ty為自車與障礙物在橫向運動方向上碰撞所需的時間。縱向時間tx為冗余時間，不僅會影響系統的計算速度，還會影響系統的魯棒性，所以不作為因子。ty[12]為

(6)

式中：Vy為自車與障礙物的相對橫向速度；ay為橫向加速度(取較大者)；Y為橫向距離；ΔR為半掛汽車列車轉彎時的最大內輪差。

ty的隸屬度函數同樣選擇改進后的sigmiod函數：

(7)

ty0為融合了其他因素的橫向安全時間，當ty=ty0時，得出ty0=0.5為危險與安全的臨界情況。對于ty0的求解只需將橫向安全距離Y0代入式(6)即可，Y0的求解公式如下：

(8)

相對方位B在本文中表示自車的牽引車與障礙物速度方向上的夾角。根據車輛碰避經驗，當B=19°左右時最危險，B=199°左右時危險程度最小[13]，因此建立B的隸屬度函數為：

(9)

大型車輛轉彎時的速度一般控制為16～32 km/h，屬于低速行駛，且發生碰撞事故時受影響較大的一方為中小型車輛或行人等障礙物目標，故影響車速比的大小主要由障礙物目標車速的行駛速度決定。其速度越快，CRI值越大，同時與相對方位角B的取值大小也有關。因此建立K的隸屬度函數為：

(10)

根據所有因素的綜合評價結果得到碰撞危險度CRI表達式：

CRI=A·R=aXrX+aTyrTy+aBrB+aKrK

(11)

CRI越大越容易發生碰撞，當CRI=0時表示自車與障礙物沒有碰撞危險，CRI=1時最為危險。

2 基于GA-LSTM的CRI預測模型

LSTM模型由Hochreiter & Schmidhuber引入，一個cell中引入3個門，分別是遺忘門、輸入門和輸出門，通過門的作用來決定信息的去留、保護和控制細胞狀態[14]。傳統的LSTM預測模型在訓練過程中參數初始化時均為隨機數，會出現訓練完成后誤差MSE達不到設計要求的情況。本節采用GA算法對訓練過程中的參數進行優化，給出最終的CRI預測模型。

2.1 LSTM預測模型

建立LSTM預測模型需考慮兩個部分：輸入數據特征的選取和模型的訓練過程。輸入數據特征選取決定不同的輸入數據對最終CRI結果的影響，模型的訓練過程包括訓練參數的選取和處理流程的設計。

2.1.1輸入數據特征的選取

根據式(1)—(11),CRI的大小由車載傳感器可獲取的自車與障礙物的縱向距離X、橫向距離Y、相對縱向速度Vx、相對橫向速度和相對方位B決定。因此定義某段序列任意時刻t的輸入數據xt=[Xt,Yt,Vxt,Vyt,Bt]，則對于LSTM模型的輸入而言，數據集合為x=[x1,x2,…xi,…,xn],其中n=Ti·length表示輸入數據的數量，每一條不同長度的數據會導致LSTM模型的輸入為一個變長的序列，因此需經過Embedding層預處理轉換為長度固定的數據特征序列。

固定數據序列長度的核心問題在于對數據補全的處理，找出所有數據中的最大長度和最小長度，并對較短的數據序列采用數據點的平均值或推導值進行補全。在LSTM模型中通過Embedding層補零的方式進行處理，這是由于LSTM獨特的遺忘門機制可以忽略零值的出現，不會影響最終的預測結果和損失值。通過上述處理固定輸入數據的長度，可以滿足對LSTM模型輸入層的要求。

2.1.2CRI預測模型

用xt=[Xt,Yt,Vxt,Vyt,Bt]表示當前時刻LSTM模型的輸入。定義矩陣W為權重矩陣記錄各個時刻各個參數所占比例，b為偏置項，σ為激活函數,i、f、o、c分別表示輸入門、遺忘門、輸出門和細胞狀態。CRI的LSTM預測模型的前向計算公式如下：

ft=σ(Wf·[ht-1,xt]+bf)

(12)

ft為遺忘門，是LSTM的第一步，決定是否丟棄自車與障礙物間的相對距離、速度、方位角等信息。

it=σ(Wi·[ht-1,xt]+bi)

(13)

(14)

(15)

Ct為新的狀態，Ct-1更新為Ct。

ot=σ(Wo·[ht-1,xt]+bo)

(16)

ht=ot*tanh(Ct)

(17)

ot是輸出門，接著通過tanh進行處理，得到本模型隱單元t時刻的輸出ht。

(18)

2.2 GA算法的優化

1)種群初始化。將LSTM模型中的參數集Parameters編碼成實數串的形式，參數包括自車與障礙物間的相對距離、速度、方位角等信息的權重和偏置項，即:

datai=Wi1…WinbiWo1…WonboWf1…

(19)

2)適應度函數的定義。與LSTM模型相關聯，LSTM預測效果越好，參數方案的適應度則越高。LSTM輸出層的神經元個數Nout,則誤差平方和SSE公式為：

(20)

(21)

3)選擇。遺傳算法的參數根據適應度來選擇，適應度越高則越容易被選擇。參數方案被選擇概率的公式如下：

(22)

4)交叉。基于實數交叉法通過對種群中的參數gm1和gm2交換形成新的方案，即：

(23)

式中：gm1, j、gm2, j為第j位參數中第m1和m2個的參數方案，r表示(0,1)范圍中隨機的交換系數。

5)變異。通過改變種群中參數方案中的某個參數進而形成新的方案，即：

(24)

式中：gmax、gmin為參數gij的最大值和最小值，td表示當前時刻迭代次數，tdmax是最大迭代次數，r2是(0，1)范圍內的隨機數。

6)評價結果的優化。當種群中個體參數的適應度滿足LSTM預測模型的誤差要求或者迭代次數達到次數要求時，則GA算法優化過程結束。

當上述GA算法優化過程結束后，將優化結果代入LSTM訓練模型中，訓練完成后對預測精度進行評價和分析。

3 仿真和仿真結果分析

為驗證大型車型側方碰撞預警算法的可行性，本節以某型半掛汽車列車向左180°轉彎下左側出現障礙物車輛的會遇類型進行TRUCKSIM仿真實驗，根據實驗給出的數據選擇需要的自車與障礙物的縱向距離X、橫向距離Y、相對縱向速度Vx、相對橫向速度和相對方位B的值代入GA-LSTM模型，得到5 s后的預測結果，將預測結果代入式(1)—(11)計算CRI的預測值，進而判斷危險程度實現對障礙物的預警。

3.1 半掛汽車列車左轉彎TRUCKSIM仿真實驗分析

仿真車型選擇實車黃河牌JN462A型號牽引車和明威牌NHG9347XXY型號廂式運輸半掛車，車體基本結構參數見表1所示。

表1 車體結構參數

仿真設置如下：自車車速設定為Vo=20 km/h,方向盤轉角由0°轉至180°，同時在牽引車左前輪正上方設置側方雷達監測障礙物目標的信息。如圖2所示，障礙物目標設置為30 km/h勻速直線行駛的追越車輛，初始位置距自車初始位置后方32 m、左側60 m處，仿真結果如圖3～5所示。

圖2 障礙物會遇類型簡化示意圖

圖3 相對距離示意圖

圖4 相對速度示意圖

圖5 相對方位示意圖

3.2 GA-LSTM模型算法驗證

實驗基于Matlab 2019b深度學習工具箱實現LSTM模型參數的預測,每輪均取481個數據加入樣本訓練神經網絡模型，60%用于訓練，剩下的40%用于測試和校驗，預測出未來時刻5 s內的數據。與傳統的LSTM模型訓練配置過程一樣，不同之處為初始化參數的選擇。本文采用GA算法對初始化參數進行優化，需設置種群大小為60，將模型輸出誤差與實際值誤差的導數作為適應度評價，選擇個體的過程采用輪盤賭法，同時設置個體變異概率為0.01，優化迭代次數為5 000，進而完成LSTM初始化參數的選擇。設置激活函數為RELU,求解器為ADAM求解器，隱藏層的節點數設置為64個，梯度閾值設置為1，指定初始學習率為0.1，在500輪訓練后通過乘以因子0.2來降低學習率，直至錯誤率收斂。

將圖3—5所示仿真實驗結果代入GA-LSTM預測模型中，預測結果如圖6—10所示。圖6為自車與障礙物縱向距離預測部分結果及誤差圖，上半部分為預測部分與實際部分，藍色部分的實際數據與紅色部分的預測結果基本一致，圖中下半部分為預測與實際數據的誤差圖，預測精度很高，準確率在90%以上。

圖6 相對縱向距離預測部分及誤差曲線

圖7 相對橫向距離預測部分及誤差曲線

圖8 相對縱向速度預測部分及誤差曲線

圖9 相對橫向速度預測部分及誤差曲線

圖10 相對方位預測部分及誤差曲線

圖7—10分別為相對橫向距離、縱向速度、橫向速度和方位的預測結果，預測精度也非常高，可以準確預測未來5 s內的所需信息。

3.3 模糊綜合評價模型碰撞危險度CRI算法驗證

實驗道路狀況正常、天氣晴朗能見度清晰且駕駛員駕駛素質較好，故k1=0.8,k2=k3=k4=1。TRUCKSIM仿真動畫的部分樣本如圖11所示。圖11(a)為t=5 s時刻的仿真結果，此時為 GA-LSTM預測模型結果的初始時刻，可以看出兩車橫/縱向距離都比較小，為比較危險的情況。圖11(b)為t=6.21 s時刻的仿真結果，此時兩車已經相撞，為十分危險且不可避免碰撞事故發生的情況。圖11(c)為t=10 s時刻的仿真結果，此時兩車縱向距離雖然很小，但此時兩車已經駛離，橫向距離很大且越來越大，為兩車不會發生碰撞比較安全的情況。

圖11 TRUCKSIM仿真動畫部分樣本

圖12顯示了在該會遇類型下，經過GA-LSTM模型預測后5 s內的碰撞危險度CRI隨時間的變化關系，初始時刻t=5 s時CRI=0.682,此時碰撞危險度超過0.5，屬于比較危險情況，符合圖11(a)的情形，隨著時間的推移兩車逐漸逼近碰撞危險度CRI的值也隨之增加，當t=6.125～6.300時，CRI的均值取得最大值為0.892，符合圖11(b)t=6.210時的情形。接著當兩車駛離距離逐漸增大，CRI的值也逐漸減小。當t=10 s時CRI=0.383小于0.5，為比較安全的情況，符合圖11(c)的情形。

圖12 碰撞危險度預測結果

根據仿真結果對碰撞危險度進行危險等級分類，分類情況如下：

1)非常危險H=(0.8,1)，該類別為障礙物與本車最容易相撞的部分，此時車輛行駛的狀況最為危險；

2)較危險MH=(0.6,0.8),該類別為障礙物與本車相撞的邊緣，發生碰撞的可能性也很大，安全性差；

3)危險度適中M=(0.4,0.6),該類別處于危險與安全之間的臨界情況；

4)較安全ML=(0.2,0.4),該類別各項指標都較大，發生碰撞的可能性較小；

5)非常安全L=(0,0.2),該類別安全性很高，此時基本不會發生碰撞，安全性很高。

4 結論

本文結合模糊綜合評價法和GA-LSTM模型，完成對大型車輛轉彎情況下側方障礙物的碰撞危險度CRI預測。利用車輛動力學仿真軟件(TRUCKSIM)驗證，結果表明，本方法預測精度很高，可以很好地實現障礙物的預警功能。需要指出的是，作者只是對某型半掛汽車列車左轉彎側方障礙物危險情況的研究，今后將對于障礙物識別、跟蹤算法以及預警后的避撞進一步探討。