智能網(wǎng)聯(lián)汽車數(shù)字孿生測(cè)試關(guān)鍵場(chǎng)景提取和識(shí)別

祖 暉，龍 洋，韓慶文，王 勇， 曾令秋，陳 旭，張迪思，卓 璽

(1.招商局檢測(cè)車輛技術(shù)研究院有限公司， 重慶 401122； 2.重慶理工大學(xué)， 重慶 400054；3.重慶大學(xué)， 重慶 400044； 4.重慶高新區(qū)城市建設(shè)事務(wù)中心， 重慶 402365)

0 引言

隨著V2X技術(shù)的發(fā)展，驗(yàn)證基于V2X的應(yīng)用成為智能網(wǎng)聯(lián)汽車(ICV)發(fā)展的重大挑戰(zhàn)之一[1]。一些研究人員認(rèn)為，使用虛擬仿真可以解決這一問(wèn)題[2]，虛擬仿真速度快，可以測(cè)試任何場(chǎng)景，其缺點(diǎn)是無(wú)法驗(yàn)證實(shí)際駕駛情況下的效果。相比于虛擬仿真，汽車行業(yè)更相信道路測(cè)試的結(jié)果。然而，真實(shí)的道路測(cè)試成本高、耗費(fèi)時(shí)間長(zhǎng)，并且某些極端場(chǎng)景無(wú)法在道路測(cè)試中測(cè)試[3-4]，此外，目前V2X設(shè)備普及率很低，很大程度地影響測(cè)試效率。

數(shù)字孿生(DT)技術(shù)是將物理實(shí)體以數(shù)字化手段重建，以此實(shí)現(xiàn)對(duì)物理實(shí)體的分析和優(yōu)化。目前，DT已廣泛應(yīng)用于制造和工業(yè)工程領(lǐng)域[5]，并支撐ICV測(cè)試。

Zhao等[6]使用真實(shí)的駕駛數(shù)據(jù)構(gòu)建自動(dòng)駕駛汽車測(cè)試場(chǎng)景，將DT概念引入智能汽車測(cè)試。隨后，項(xiàng)目組在2019年發(fā)布了基于DT的自動(dòng)駕駛系統(tǒng)演示，該系統(tǒng)利用V2X通信技術(shù)實(shí)現(xiàn)車輛與云端服務(wù)器之間的信息交互，云端服務(wù)器根據(jù)車輛實(shí)時(shí)狀態(tài)選擇測(cè)試場(chǎng)景，并將場(chǎng)景下發(fā)至車輛進(jìn)行應(yīng)用測(cè)試[7]。

毫無(wú)疑問(wèn)，DT是ICV測(cè)試的有效方案之一，但依舊面臨典型測(cè)試場(chǎng)景的缺失問(wèn)題。測(cè)試場(chǎng)景的典型性將直接決定測(cè)試結(jié)果的準(zhǔn)確性，因此建立有效的測(cè)試場(chǎng)景典型性評(píng)價(jià)方法將是基于DT的ICV測(cè)試系統(tǒng)構(gòu)建的關(guān)鍵。DT場(chǎng)景一般基于實(shí)際道路行駛數(shù)據(jù)構(gòu)建，需要具備一定的典型性，即測(cè)試場(chǎng)景應(yīng)“源于生活高于生活”。

傳統(tǒng)的道路測(cè)試有效性評(píng)價(jià)大多基于實(shí)際行駛場(chǎng)景危險(xiǎn)度指標(biāo)建立，即需要在道路測(cè)試過(guò)程中遭遇最差條件[8]，而最差條件基于事故事件設(shè)定，其標(biāo)志一般為事故事件，此類事件發(fā)生概率較低，可能導(dǎo)致測(cè)試道路測(cè)試周期過(guò)長(zhǎng)。因此Feng等[9]提出了一種基于場(chǎng)景典型性的評(píng)價(jià)方案，即綜合考慮危險(xiǎn)度和發(fā)生概率以評(píng)價(jià)場(chǎng)景。

目前DT場(chǎng)景的生成方法均基于場(chǎng)景有效性評(píng)價(jià)方法構(gòu)建，文獻(xiàn)[10]根據(jù)道路事故數(shù)據(jù)構(gòu)建測(cè)試場(chǎng)景，其主要場(chǎng)景參數(shù)包括事故發(fā)生時(shí)間、位置、道路特征、環(huán)境特征、車輛行駛特征等。文獻(xiàn)[9]則選取關(guān)鍵參數(shù)評(píng)價(jià)場(chǎng)景典型性，如車輛的碰撞時(shí)間等。在提取基礎(chǔ)場(chǎng)景的前提下，還可進(jìn)行場(chǎng)景重構(gòu)，如文獻(xiàn)[11]提出了基于現(xiàn)有測(cè)試場(chǎng)景構(gòu)建自適應(yīng)場(chǎng)景庫(kù)，文獻(xiàn)[12]則使用非線性算術(shù)約束來(lái)生成場(chǎng)景。

評(píng)價(jià)指標(biāo)方面，Hallerbach等[13]選取典型參數(shù)，如碰撞時(shí)間、車輛減速能力和交通質(zhì)量，來(lái)評(píng)估場(chǎng)景的風(fēng)險(xiǎn)等級(jí)。Batsch等[14]提出了一種使用高斯過(guò)程分類來(lái)評(píng)估場(chǎng)景風(fēng)險(xiǎn)的方法。Wagner等[15]使用Time-To-React(TTR)指標(biāo)來(lái)計(jì)算場(chǎng)景的風(fēng)險(xiǎn)級(jí)別。Zhang等[16]不僅考慮了兩車的碰撞時(shí)間和距離等因素，還通過(guò)分析車輛的動(dòng)能來(lái)評(píng)估事故的嚴(yán)重程度；本項(xiàng)目組則提出了一種基于Ising模型的道路危險(xiǎn)度評(píng)價(jià)方法[17]。基于以上，本文綜合考慮風(fēng)險(xiǎn)等級(jí)和交通質(zhì)量因素來(lái)評(píng)估道路交通狀況，作為發(fā)生交通事故的評(píng)估參數(shù)。

Jenkins等[18]提出采用循環(huán)神經(jīng)網(wǎng)絡(luò)生成不同的事故場(chǎng)景，借鑒此思路，本文使用引入注意力機(jī)制的長(zhǎng)短期記憶自動(dòng)編碼(LSTM-AE-Attention)神經(jīng)網(wǎng)絡(luò)模型來(lái)識(shí)別關(guān)鍵場(chǎng)景。

本文結(jié)構(gòu)如下：第二節(jié)是測(cè)試系統(tǒng)介紹和數(shù)據(jù)預(yù)處理；第三節(jié)是場(chǎng)景評(píng)價(jià)參數(shù)定義；第四節(jié)是LSTM-AE-Attention模型；第五節(jié)是實(shí)驗(yàn)結(jié)果；第六節(jié)給出結(jié)論。

1 測(cè)試系統(tǒng)和數(shù)據(jù)預(yù)處理

1.1 測(cè)試系統(tǒng)

本文采用的DT測(cè)試系統(tǒng)由中國(guó)重慶永川自動(dòng)駕駛示范區(qū)提供，由招商局檢測(cè)車輛技術(shù)研究院(CMVR)、百度和重慶大學(xué)共同開發(fā)。測(cè)試系統(tǒng)的架構(gòu)如圖1所示，系統(tǒng)包括3個(gè)關(guān)鍵組成部分，即：數(shù)據(jù)采集平臺(tái)、應(yīng)用服務(wù)器和通信節(jié)點(diǎn)矩陣。

圖1 測(cè)試系統(tǒng)結(jié)構(gòu)示意圖

數(shù)據(jù)采集平臺(tái)：實(shí)時(shí)道路交通情況由7個(gè)激光雷達(dá)負(fù)責(zé)采集，激光雷達(dá)部署在一條300 m的測(cè)試路段兩側(cè)，部署情況如圖2紅點(diǎn)所示。

應(yīng)用服務(wù)器：部署在路側(cè)，負(fù)責(zé)從激光雷達(dá)采集的數(shù)據(jù)中提取關(guān)鍵場(chǎng)景，構(gòu)建場(chǎng)景庫(kù)。

通信節(jié)點(diǎn)矩陣：部署在路側(cè)，由24個(gè)OBU組成，負(fù)責(zé)在車輛行駛過(guò)程中發(fā)送和接收BSM數(shù)據(jù)包。圖2中的藍(lán)點(diǎn)是OBU的位置，每個(gè)位置放置6個(gè)OBU。每個(gè)OBU的最大傳輸數(shù)據(jù)率是標(biāo)準(zhǔn)傳輸速率的3倍，24個(gè)OBU最多可以模擬72輛車，通信節(jié)點(diǎn)矩陣實(shí)景如圖3所示。

圖2 測(cè)試路段實(shí)景圖

圖3 路側(cè)通信節(jié)點(diǎn)矩陣實(shí)景圖

測(cè)試過(guò)程如下：

第一步：數(shù)據(jù)采集平臺(tái)采集道路交通數(shù)據(jù)，主要為通過(guò)該路段的車輛行駛數(shù)據(jù)，包括車輛類型、車輛識(shí)別號(hào)、車輛經(jīng)度、車輛緯度、車輛高度、車速、車輛航向角、車長(zhǎng)、車寬、車高。

第二步：應(yīng)用服務(wù)器從行車數(shù)據(jù)中提取典型場(chǎng)景，建立DT場(chǎng)景庫(kù)。

第三步：將場(chǎng)景車輛行駛數(shù)據(jù)通過(guò)通信節(jié)點(diǎn)矩陣模擬重現(xiàn)，即將車輛特征屬性轉(zhuǎn)化為BSM數(shù)據(jù)包，再通過(guò)V2X發(fā)送，VUT接收數(shù)據(jù)包，并對(duì)其作出相關(guān)應(yīng)用響應(yīng)。

第四步：將VUT的應(yīng)用響應(yīng)數(shù)據(jù)上傳到應(yīng)用服務(wù)器，生成測(cè)試報(bào)告。

1.2 數(shù)據(jù)預(yù)處理

由于激光雷達(dá)采集的數(shù)據(jù)存在一定瑕疵，因此需要首先進(jìn)行數(shù)據(jù)預(yù)處理，以替換無(wú)效數(shù)據(jù)，去除噪聲點(diǎn)。

1.2.1無(wú)效數(shù)據(jù)替換

環(huán)境因素和系統(tǒng)誤差可能導(dǎo)致激光雷達(dá)數(shù)據(jù)采集錯(cuò)誤，具體反應(yīng)為加速度和巡航速度異常，需要將這些異常點(diǎn)去除并替換。

本文采用離散小波變換(DWT)[19]尋找速度異常值，公式如下所示：

DWT(j,k)=〈x(t),ψj,k(t)〉

(1)

(2)

式中：x(t)為輸入信號(hào)；ψ(t)為變換函數(shù)，這里選擇Haar函數(shù)，高能量點(diǎn)被認(rèn)為是速度異常值。

加速度異常點(diǎn)則基于正常加速度的取值范圍為[-8 m/s2, 5 m/s2][20]判定。

發(fā)現(xiàn)異常點(diǎn)后，本文采用拉格朗日多項(xiàng)式插值法計(jì)算獲得異常點(diǎn)替換值，公式如下所示：

(3)

(4)

式中：y為輸入數(shù)據(jù)；x為數(shù)據(jù)的幀數(shù)。

1.2.2噪聲點(diǎn)去除

一般而言，激光雷達(dá)數(shù)據(jù)中的噪聲表示出高斯白噪聲特征，因此本文采用無(wú)跡卡爾曼濾波去除激光雷達(dá)數(shù)據(jù)中的噪聲[21]。

假設(shè)測(cè)量噪聲協(xié)方差為R，過(guò)程噪聲協(xié)方差為Q。R值由激光雷達(dá)的物理特性決定，根據(jù)激光雷達(dá)說(shuō)明設(shè)置為[36,36,1,0.01]。

Q是一個(gè)非零小常數(shù)，本文設(shè)計(jì)的Q值計(jì)算方法偽代碼如算法1所示，對(duì)應(yīng)的變量和函數(shù)如表1所示。

表1 算法中變量和函數(shù)的解釋

Algorithm1Determine ParametersQ

Input:Q=Qnew=0.01

Output:Qnew

1:forQ<1do

2:ifCalRsigE(Q) > 0.95 and |CalAcc(Q)|<5 then

3:Qnew= CompareRsigE(Q)

4:Q=Q+0.01

5:endif

6 :endfor

7:returnQnew

1.3 總體流程圖

本文提出的典型場(chǎng)景提取和識(shí)別方法的流程如圖4所示。

圖4 總體流程框圖

2 場(chǎng)景評(píng)價(jià)參數(shù)

根據(jù)C-V2X day1測(cè)試要求，本文重點(diǎn)關(guān)注前向碰撞預(yù)警、變道預(yù)警、交叉路口碰撞預(yù)警3個(gè)典型場(chǎng)景，并基于場(chǎng)景特征提出了場(chǎng)景評(píng)價(jià)參數(shù)定義方法。

2.1 3種典型場(chǎng)景

如前所述，DT場(chǎng)景必須來(lái)自測(cè)試路段的真實(shí)交通數(shù)據(jù)。因此，應(yīng)首先研究道路交通數(shù)據(jù)的有效性。

一般來(lái)說(shuō)，碰撞風(fēng)險(xiǎn)可通過(guò)MTC(margin to collision)[22]反映。本文在MTC的基礎(chǔ)上提出MMTC(modified margin to collision)參數(shù)來(lái)反映碰撞風(fēng)險(xiǎn)，該參數(shù)描述了前車突然剎車以避免碰撞的反應(yīng)時(shí)間。

2.1.1前向碰撞預(yù)警(FCW)

假設(shè)前后車在一條直道上，在同一車道且沿同一方向行駛，其MMTC值由下公式計(jì)算：

(6)

式中：xr為兩車相對(duì)距離；df和dp分別為前后車減速停車時(shí)的制動(dòng)距離；vf和vp分別為前后車輛的速度；af和ap分別為前后車減速的加速度，路面干燥時(shí)設(shè)為0.75g，路面濕滑時(shí)設(shè)為0.5g，g為重力加速度，取9.8 m/s2。

2.1.2變道預(yù)警(LCW)

在變道過(guò)程中，本車應(yīng)關(guān)注周圍車輛的潛在碰撞風(fēng)險(xiǎn)，包括當(dāng)前車道的前車、目標(biāo)車道的前車和目標(biāo)車道的后車。

綜合考慮以上3種風(fēng)險(xiǎn)因素，并計(jì)算相應(yīng)的MMTC值來(lái)表示LCW場(chǎng)景的典型性，分別表示為tMMTCc0,tMMTCt0和tMMTCt1。

2.1.3交叉路口碰撞預(yù)警(ICW)

假設(shè)兩輛車沿著交叉路口的交叉路徑行駛，并且在交叉路口發(fā)生碰撞，按照以下公式計(jì)算tTTCdiff值：

(7)

tTTCdiff=tTTCsafe-tTTC=t1+t2+t3+t4-tTTC=

(8)

式中：xh和xr為碰撞點(diǎn)與主車輛(HV)和另一車輛(RV)當(dāng)前位置的距離；vh、vr為HV和RV的巡航速度；t1為駕駛員的響應(yīng)時(shí)間，一般在0.4～1.0 s，本文設(shè)置為1 s；t2為液壓制動(dòng)響應(yīng)時(shí)間，本文設(shè)置為0.2 s；t3為制動(dòng)響應(yīng)時(shí)間，一般在0.15～0.3 s，本文設(shè)定為0.2 s；g為重力加速度，取9.8 m/s2；μ為輪胎-路面附著系數(shù)，路面干燥時(shí)為0.75，路面濕滑時(shí)為0.5。

2.2 場(chǎng)景評(píng)價(jià)參數(shù)

道路交通數(shù)據(jù)的評(píng)價(jià)參數(shù)應(yīng)考慮碰撞風(fēng)險(xiǎn)和交通質(zhì)量。

3個(gè)典型場(chǎng)景的碰撞風(fēng)險(xiǎn)參數(shù)見2.1節(jié)。

采用宏觀交通質(zhì)量因子D、微觀交通質(zhì)量因子CVj、納觀交通質(zhì)量因子DVj、車輛質(zhì)量因子Degoj[13]和區(qū)域危險(xiǎn)等級(jí)E{r}[17]5個(gè)因子描述交通質(zhì)量，具體定義如下：

D=numveh/(s*t)

(9)

式中：numveh為在時(shí)間間隔t內(nèi)經(jīng)過(guò)觀察車輛的車輛數(shù)；s為平均巡航速度。

(10)

(11)

(12)

(13)

式中：V為道路目標(biāo)區(qū)域內(nèi)所有車輛的平均速度；Ji, j為車輛i和車輛j之間的關(guān)聯(lián)強(qiáng)度；H(i)和H(j)分別為車輛i和車輛j的健康等級(jí)。

2.3 關(guān)鍵場(chǎng)景聚類打標(biāo)

根據(jù)以上場(chǎng)景評(píng)價(jià)參數(shù)，本文采用k-means聚類方法對(duì)3種典型場(chǎng)景數(shù)據(jù)進(jìn)行分類。考慮到場(chǎng)景差異，使用評(píng)價(jià)參數(shù)方差作為聚類參數(shù)選擇的依據(jù)，最終選取的聚類參數(shù)如下所示：

1) FCW:Feafcw={tMMTC、D、CVj、Degoj、E{r}}

2) LCW:Fealcw={tMMTCc0、tMMTCt0、tMMTCt1、

D、CVj、Degoj、E{r}}

3) ICW:Feaicw={tMMTCdiff、D、CVj、DVj、

Degoj、E{r}}

前期聚類結(jié)果表明，聚類類別數(shù)K范圍為2～13，根據(jù)不同K值聚類的Calinski-Habasz(CH)評(píng)分[23]來(lái)選擇聚類效果最好的K值。聚類過(guò)程偽代碼見算法2，對(duì)應(yīng)的變量和函數(shù)列在表2中。

表2 算法2中變量和函數(shù)的解釋

Algorithm2Criticality scenario clustering algorithm

Input:

Cluster numberK,Scenario evaluation factors setB, Final scenario evaluation factors setC

Output: Cluster label

1:foreachb∈Bdo

2:ifCalculateVariance(b) > 0.05then

3: C.pushback(b);

4:endif

5:endfor

6:forj←2 to 13do

7:ifCalCHScore(j) is maximum in this loop then

8:K=j;

9:endif

10:endfor

11: Cluster label ←k-means(K,C);

12:returnCluster label

3 典型場(chǎng)景識(shí)別模型

本文提出了一種LSTM-AE-Attention模型以識(shí)別典型場(chǎng)景。本節(jié)中將首先定義3個(gè)典型應(yīng)用場(chǎng)景的特征矩陣，然后詳細(xì)分析典型場(chǎng)景識(shí)別模型。

3.1 構(gòu)建特征樣本

典型場(chǎng)景的特征選擇有3種。

3.1.1FCW

FCW在時(shí)間t上的特征矩陣定義為：

Pfcw(t)=[vl,al,lenl,widl,vf,

式中：vl、al、lenl、widl分別為前車的巡航速度、加速度、車輛長(zhǎng)度和車輛寬度；vf、af、lenf、widf分別為后車的巡航速度、加速度、車長(zhǎng)和車寬。

那么場(chǎng)景的數(shù)據(jù)集表示為:

Sfcw={Pfcw0,Pfcw1,…,Pfcwi}

3.1.2LCW

LCW在時(shí)間t上的特征矩陣定義為：

Plcw(t)=[νego,aego,ωego,lenego,widedo,νol,

aol,ωol,lenol,widol,νtl,atl,ωtl,lentl,

widtl,νtf,atf,ωtf,lentf,widtf,disego_ol,

式中：νego、aego、ωego、lenego、widego分別為主車的巡航速度、加速度、角速度、車長(zhǎng)和車寬；νol、aol、ωol、lenol、widol分別為當(dāng)前車道上前車的巡航速度、加速度、角速度、車長(zhǎng)和車寬；νtl、atl、ωtl、lentl、widtl分別為目標(biāo)車道上前車的巡航速度、加速度、角速度、車長(zhǎng)和車寬；νtf、atf、ωtf、lentf、widtf分別為目標(biāo)車道上后車的巡航速度、加速度、角速度、車輛長(zhǎng)度和車輛寬度；disego_ol為當(dāng)前車道上本車與前車的相對(duì)距離；disego_tl為目標(biāo)車道上本車與前車的相對(duì)距離；disego_tf為目標(biāo)車道上本車與后車的相對(duì)距離。

場(chǎng)景的數(shù)據(jù)集表示為：

Slcw={Plcw0,Plcw1,…,Plcwi}

3.1.3ICW

ICW在時(shí)間t上的特征矩陣定義為：

Picw=[vego,aego,ωego,lenego,widego,voth,

aoth,ωoth,lenoth,widoth,disego,

式中：νego、aego、ωego、lenego、widego分別為主車的巡航速度、加速度、角速度、車長(zhǎng)和車寬；νoth、aoth、ωoth、lenoth、widoth分別為另一車輛的巡航速度、加速度、角速度、車長(zhǎng)和車寬；disego為本車與碰撞點(diǎn)之間的距離；disoth為另一車輛與碰撞點(diǎn)之間的距離。

場(chǎng)景的數(shù)據(jù)集表示為：

Sicw={Picw0,Picw1,…,Picwi}

3.2 LSTM-AE-Attention模型

本文提出的LATM-AE-Attention模型如圖5所示。

圖5 LSTM-AE-Attention神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)框圖

如圖5所示，LSTM-AE-Attention模型包括自動(dòng)編碼神經(jīng)網(wǎng)絡(luò)和典型場(chǎng)景識(shí)別神經(jīng)網(wǎng)絡(luò)兩部分。

3.2.1自動(dòng)編碼器神經(jīng)網(wǎng)絡(luò)

自動(dòng)編碼(AE)網(wǎng)絡(luò)用于預(yù)訓(xùn)練模型并提取重要特征。編碼器Q1將場(chǎng)景數(shù)據(jù)S映射為隱式特征向量c=[c1,c2,…,cd]，然后解碼器Q2將向量c映射成與S維數(shù)相同的序列。AE旨在減少Q(mào)1的輸入和Q2的輸出之間的差異，使c能夠用于表示S。

3.2.2典型場(chǎng)景識(shí)別網(wǎng)絡(luò)

典型場(chǎng)景識(shí)別網(wǎng)絡(luò)由編碼器Q1、單層LSTM和注意力層組成。注意力層掃描特征向量c得到注意特征，并根據(jù)注意特征的注意等級(jí)設(shè)置權(quán)重因子，相關(guān)定義如下：

(14)

R(cν)=tanh(Wνcν+bν)

(15)

(16)

式中：qrci是場(chǎng)景典型因子，是合并層計(jì)算的隱式特征向量c的加權(quán)和。密集層以權(quán)重Wν和神經(jīng)元的偏置bν完成從cν到R(cν)的非線性映射，然后通過(guò)softmax函數(shù)h計(jì)算權(quán)重因子αν。Wν、bν和softmax函數(shù)h的平滑因子在訓(xùn)練過(guò)程中不斷更新。

4 實(shí)驗(yàn)和結(jié)果分析

4.1 典型場(chǎng)景聚類和打標(biāo)

以LCW為例說(shuō)明實(shí)驗(yàn)過(guò)程。如上所述，根據(jù)場(chǎng)景評(píng)價(jià)參數(shù)方差來(lái)選擇聚類參數(shù)。LCW場(chǎng)景評(píng)價(jià)參數(shù)的方差為表3所示。

表3 LCW場(chǎng)景評(píng)價(jià)參數(shù)的方差

根據(jù)表3，選擇方差較大的5個(gè)參數(shù)進(jìn)行聚類，包括tMMTCc0、tMMTCt0、tMMTCt1、D、E{r}，不同聚類類別數(shù)k對(duì)應(yīng)的CH評(píng)分如圖6所示。

圖6 CH評(píng)分曲線

根據(jù)CH值，聚類類別數(shù)k應(yīng)設(shè)置為6，聚類結(jié)果如圖7所示。

圖7 聚類結(jié)果直方圖

tMMTC越低，場(chǎng)景危險(xiǎn)度越高，此外，D和E{r}越高，交通質(zhì)量越差。根據(jù)上述標(biāo)準(zhǔn)，類別5被認(rèn)為是典型場(chǎng)景。

4.2 典型場(chǎng)景識(shí)別

數(shù)據(jù)集包括25 406個(gè)FCW場(chǎng)景，其中4 827個(gè)是典型場(chǎng)景；13 308個(gè)LCW場(chǎng)景，其中2 661個(gè)是典型場(chǎng)景；4 006個(gè)ICW場(chǎng)景，其中841個(gè)是典型場(chǎng)景。

本文將數(shù)據(jù)集的80%作為訓(xùn)練集，20%作為測(cè)試集。根據(jù)實(shí)驗(yàn)結(jié)果，學(xué)習(xí)率選擇為0.006。以LCW場(chǎng)景為例，訓(xùn)練結(jié)果如圖8所示。

圖8 訓(xùn)練結(jié)果曲線

為了驗(yàn)證模型的有效性，將LSTM-AE-Attention模型與其他模型進(jìn)行了對(duì)比。

使用精度、召回率和F1值3個(gè)評(píng)價(jià)指標(biāo)來(lái)評(píng)價(jià)模型性能，公式如下所示：

(17)

(18)

(19)

式中，STP，SFP和SFN分別表示真陽(yáng)性樣本、假陽(yáng)性樣本和假陰性樣本的數(shù)量。

由于LSTM-AE-Attention是復(fù)合模型，將模型各個(gè)模塊拆分評(píng)價(jià)各模塊貢獻(xiàn)，首先對(duì)比不采用自編碼網(wǎng)絡(luò)、自編碼網(wǎng)絡(luò)采用門循環(huán)單元(gate recurrent unit，GRU)和自編碼網(wǎng)絡(luò)采用LSTM網(wǎng)絡(luò)來(lái)對(duì)比效果，實(shí)驗(yàn)結(jié)果如表4所示，然后分別采用支持向量機(jī)(support vector machine，SVM)、隨機(jī)森林(random forest，RF)、極限梯度提升算法(extreme gradient boosting，XGBoost)、LSTM和添加注意力模塊的LSTM(attention)進(jìn)行分類。

從表4可知，采用AE的模型在這3種指標(biāo)上的表現(xiàn)普遍優(yōu)于其他沒(méi)采用AE的模型。AE對(duì)模型的典型場(chǎng)景識(shí)別精度進(jìn)行了有效提升。不同預(yù)測(cè)模型的實(shí)驗(yàn)結(jié)果如表5所示。

表4 模型組件的實(shí)驗(yàn)結(jié)果

從表5可以看出LSTM-AE-Attention優(yōu)于其他預(yù)測(cè)模型，加入注意力模塊能夠提升模型性能，實(shí)驗(yàn)結(jié)果證明了所提方法的可行性和準(zhǔn)確性。

表5 不同預(yù)測(cè)模型的實(shí)驗(yàn)結(jié)果

4.3 DT測(cè)試系統(tǒng)場(chǎng)景注入

數(shù)據(jù)采集平臺(tái)采集道路上真實(shí)車輛行駛數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)預(yù)處理和本文的典型場(chǎng)景提取識(shí)別后，可得到真實(shí)駕駛數(shù)據(jù)種典型測(cè)試場(chǎng)景孿生體，以之為基礎(chǔ)可構(gòu)建智能網(wǎng)聯(lián)孿生測(cè)試基礎(chǔ)場(chǎng)景庫(kù)。

當(dāng)執(zhí)行孿生測(cè)試時(shí)，測(cè)試系統(tǒng)將根據(jù)待測(cè)車輛VUT(vehicle under test)的測(cè)試項(xiàng)目需求和車輛所處的真實(shí)道路環(huán)境從場(chǎng)景庫(kù)中選擇匹配場(chǎng)景，并將場(chǎng)景中的背景因素，如道路環(huán)境、車輛密度、多普勒頻移、信道衰落、雨霧衰減等映射為測(cè)試系統(tǒng)各個(gè)通信節(jié)點(diǎn)的發(fā)送功率、發(fā)送速率等配置參數(shù)，將行車軌跡映射為BSM數(shù)據(jù)包，并通過(guò)節(jié)點(diǎn)陣列發(fā)送BSM數(shù)據(jù)模擬測(cè)試場(chǎng)景中虛擬車輛，實(shí)現(xiàn)孿生測(cè)試場(chǎng)景的下發(fā)；VUT生成BSM數(shù)據(jù)包，節(jié)點(diǎn)陣列根據(jù)接收的VUT數(shù)據(jù)包跟蹤VUT軌跡，并以之為參考進(jìn)行場(chǎng)景微調(diào)，更新BSM數(shù)據(jù)包內(nèi)容，VUT則根據(jù)接收的BSM數(shù)據(jù)包觸發(fā)應(yīng)用響應(yīng)，應(yīng)用響應(yīng)信息通過(guò)4G/5G網(wǎng)絡(luò)上傳至中心服務(wù)器，與此同時(shí)，節(jié)點(diǎn)陣列也將VUT數(shù)據(jù)包接收數(shù)據(jù)通過(guò)以太網(wǎng)上傳至中心服務(wù)器，中心服務(wù)器則以之為依據(jù)生成測(cè)試報(bào)告，包括應(yīng)用響應(yīng)測(cè)試結(jié)果分析和通信性能測(cè)試結(jié)果分析。

5 結(jié)論

在V2X產(chǎn)業(yè)化過(guò)程中，道路測(cè)試的有效性受到質(zhì)疑，目前成熟的ADAS測(cè)試方案無(wú)法評(píng)估通信性能對(duì)V2X典型應(yīng)用的影響。基于DT的ICV測(cè)試方案旨在通過(guò)通信節(jié)點(diǎn)陣列構(gòu)建虛擬交通場(chǎng)景，是一種有效的解決方案。

為了促進(jìn)基于DT的ICV測(cè)試方案的成熟，本文致力于解決基于DT的ICV測(cè)試方案設(shè)計(jì)的挑戰(zhàn)之一——關(guān)鍵場(chǎng)景選擇。

基于CMVR提供的激光雷達(dá)數(shù)據(jù)集和路邊DT系統(tǒng)，從實(shí)車駕駛數(shù)據(jù)中提取了3個(gè)典型的V2X應(yīng)用場(chǎng)景，在綜合考慮碰撞風(fēng)險(xiǎn)和交通因素的前提下，提出了一種場(chǎng)景典型性評(píng)估方法，同時(shí)訓(xùn)練了一個(gè)LSTM-AE-Attention神經(jīng)網(wǎng)絡(luò)模型識(shí)別典型場(chǎng)景。實(shí)驗(yàn)結(jié)果表明，所提出的方案可以有效地提取典型場(chǎng)景。

考慮的3類典型應(yīng)用場(chǎng)景是車輛之間的交互產(chǎn)生的部分場(chǎng)景，在未來(lái)的工作中，課題組將進(jìn)一步研究行人、交通信號(hào)燈等其他交通參與者以及更復(fù)雜的場(chǎng)景；考慮的場(chǎng)景評(píng)估因素未來(lái)需要考慮通信條件的影響；所建立的數(shù)據(jù)集采集于單一的道路區(qū)域，需要進(jìn)一步獲取其他可用數(shù)據(jù)集，提升模型的泛化能力。