基于CNN電動城市客車進站駕駛風格識別研究

,鐘玉東,劉朝輝,李振營,侯俊劍

(1.鄭州輕工業大學 機電工程學院,河南 鄭州 450002;2.宇通客車股份有限公司 技術研究中心,河南 鄭州 450016)

0 引 言

駕駛風格指駕駛員習慣性的駕駛方式[1],也是駕駛員操控方向盤、踩踏加速踏板或制動踏板等駕駛操作行為特征和車速、加速度等車輛運動狀態特征的直接反映。相關資料顯示,90%以上的交通事故均與駕駛員相關,激進型駕駛風格的駕駛員更容易引發交通事故。準確識別出不同駕駛員的駕駛風格,并對激進型駕駛風格的駕駛員采取個性化的干預,對遏制駕駛人致因的交通事故發生十分重要[2]。

有關駕駛風格的研究受到研究者的日益重視,不少研究者嘗試使用不同的方法來研究如何準確識別駕駛風格,并取得了一定成效。李經緯等[3]基于試驗車輛的行駛狀態數據人工提取10個特征參數,應用主成分分析和K-means聚類方法對駕駛風格進行識別,并提出駕駛風格聚類為3類效果較好;石京等[4]把駕駛風格分為激進型、普通型和謹慎型3類,并從模擬高速試驗得到的數據中提取特征參數,采用單因素方差分析方法研究了相關參數與各類駕駛風格之間的關系;WANG Chang等[5]通過試驗車輛搭載多種傳感器來記錄多名駕駛員完成指定駕駛任務的行車數據,選擇方向盤最大轉向角、跟車時距、換道時距等特征參數,利用模糊評價法建立了換道時駕駛風格離線分類模型;Z. CONSTANTINESCU[6]基于車速和加速度數據,應用主成分分析和分層聚類分析方法對駕駛風格進行分類和識別;李國法[7]基于制動減速度、方向盤轉角、橫向加速度、橫擺角速度和速度等特征,采用隨機森林分類器對駕駛風格進行評測;A.ALJAAFREH等[8]應用反映車輛運動狀態的特征數據,采用模糊邏輯推理系統對駕駛風格分類識別開展研究;D.A.JOHNSON等[9]通過融合加速計、陀螺儀、磁強計、GPS、相機等多源異構數據,開展駕駛模式的識別分類研究。

然而,以上研究也存在一些難以解決的問題:主要依靠專家經驗利用統計分析與數據圖表描述方法進行駕駛行為特征提煉,未充分考慮駕駛行為數據的時空關系,試驗數據樣本較少,不能全面反映駕駛員的駕駛行為特征,且存在識別模型泛化能力差、識別精度低等問題。近年來,隨著電動城市客車推廣應用,車載CAN數據系統也得到大規模應用,駕駛員操縱車輛狀態及對應車輛運動狀態的多源異構數據得以實時傳輸和存儲,這些海量數據隱含著大量的駕駛員駕駛行為信息。利用大數據和人工智能技術進行駕駛風格分析得到關注,當前主要技術挑戰為如何從海量多源異構的數據中自動提取駕駛人的駕駛行為特征并準確識別駕駛風格。卷積神經網絡(CNN)[10]作為一項新興的人工智能技術,可從大數據中自動提取感興趣的特征,免去傳統依靠專家經驗人工提煉特征的過程,結合神經網絡的分類功能,已成功應用于圖像處理[11-12]和故障模式識別[12-15]等領域。

電動城市客車作為城市公共交通領域的一種新型交通工具,具有載客量大、動力強勁、行駛靜音等特點,多行駛在人員流量大而復雜的道路環境中,一旦發生事故將產生惡劣的社會影響。駕駛員駕駛車輛進站是電動城市客車日常運行中的最主要場景之一,進站過程涉及打轉向燈、操控方向盤、踩踏制動踏板、換擋、駐車等系列駕駛行為,駕駛員的駕駛風格直接影響進站過程中人車安全風險水平。基于以上分析,結合車聯網、大數據、人工智能等新技術發展背景,筆者利用駕駛員自然駕駛電動城市客車駛入站臺對應的車載CAN數據,結合電動城市客車歷史事故分析,選擇多通道特征數據,采用由卷積層和池化層組成的特征提取網絡對進站過程中的時序數據進行深度融合和特征自動提取,無縫輸出給全連接神經網絡進行駕駛風格識別,構建出基于CNN的電動城市客車駕駛員進站駕駛風格識別模型,用于識別駕駛員的駕駛風格,以便針對激進型駕駛員開展駕駛安全教育,進而降低駕駛員致因的電動城市客車交通事故,助力公共交通安全管理。

1 卷積神經網絡識別模型

1.1 卷積神經網絡簡介

卷積神經網絡是綜合利用卷積-池化運算自動提取特征和神經網絡分類的功能來實現模型識別的深度學習算法,通過參數共享來削弱識別模型過擬合的問題,利用局部稀疏網絡連接來學習局部特征,實現端到端的非線性關系映射。典型的卷積神經網絡結構除輸入層和輸出層外,還包括由多個卷積層和池化層組成的特征提取網絡和全連接層組成的分類網絡。

輸入層為數據輸入的接口。卷積層通過不同尺度卷積核函數對上一層的輸出進行卷積運算提取局部區域的空間特征,實現具有一定深度、寬度和階次的特征映射。該過程一般采用非線性激活函數(如Relu)構造輸出特征,其數學模型描述為[16]:

(1)

(2)

池化層通過下采樣來壓縮特征信息,突出有效特征信息,進而減少計算量和防止數據過擬合。一般常采用最大池化或平均池化,分別取感知域的最大值或平均值作為映射輸出。壓平層把最后一個卷積或池化層的輸出特征壓平為一維向量,作為全連接層的輸入。全連接層起到分類器作用,通過融合特征提取網絡提取的高階特征向量,利用輸出層完成數據從特征空間到樣本標記空間的映射轉換,輸出網絡模型分類的最終結果。

輸出層輸出節點組合對應不同分類標簽,通常使用激活函數Softmax轉換多分類的輸出值到區間[0, 1]且總和等于1的概率分布。節點輸出為不同類別的概率值,取其中最大的概率值對應的標簽為進站駕駛風格識別結果。Softmax函數表達式為:

(3)

式中:zi為第i個節點的輸出值;C為輸出節點的個數,即分類的類別個數。

通過對電動城市客車駕駛員駕駛操作和車輛行駛狀態多通道特征數據預處理后得到樣本數據輸入到模型輸入層,利用卷積-池化運算自動提取高階的特征信息,無縫輸出給全連接神經網絡進行進站駕駛風格識別,避免了先基于人工經驗對數據進行特征提取再輸入神經網絡開展識別分類的繁雜過程,識別過程高效,降低人工干預和模型使用成本。

1.2 駕駛風格識別模型設計

筆者構建的城市電動客車駕駛風格識別模型(圖1)包括1個輸入層、4個卷積層、4個池化層、1個壓平層、1個全連接層和1個輸出層,對應卷積神經網絡模型結構參數見表1。其過程如下:首先,把多通道特征數據預處理形成的樣本數據輸入到輸入層;其次,進行數據融合及特征提取,利用卷積層①對不同通道數據進行空間跨通道卷積計算獲得淺層次的時空特征,利用其余卷積層和池化層對時序數據進行交替運算提取反映駕駛行為的高階特征,經壓平層將特征數據轉化為一維向量數據,并輸入到全連接神經網絡;最后,利用激活函數Softmax預測不同駕駛風格的概率值,并把最大概率值對應標簽作為進站駕駛風格的識別結果。

表1 卷積神經網絡模型結構參數

圖1 駕駛風格識別模型

1.3 駕駛風格識別流程

基于卷積神經網絡識別電動城市客車進站駕駛風格識別的工作流程(圖2)如下:

圖2 卷積神經網絡電動城市客車進站駕駛風格識別流程

Step1數據采集和預處理。使用自然駕駛過程中采集到的駕駛員駕駛操作車輛及對應車輛運動狀態的CAN數據作為數據源,對數據進行清洗、歸一化、切片、打標簽等預處理,構建標簽化的多通道時間序列切片數據樣本集。

Step2卷積神經網絡模型建立。在建立模型的過程中,將處理好的標簽化切片數據樣本輸出給卷積神經網絡模型進行訓練,經過多次卷積-池化運算,由壓平層把提取到的時空特征壓平為一維數組數據后輸出給全連接網絡并行訓練,經Softmax激活函數預測概率分布和誤差反向傳播,對模型參數進行優化迭代。當訓練誤差收斂達到設定目標值時,模型訓練完成,保存模型最優狀態對應的模型參數。

Step3目標數據駕駛風格識別。在識別進站駕駛風格的過程中,把Step2中保存的模型最優狀態參數置入到駕駛風格識別卷積神經網絡。當目標數據輸入網絡模型時,通過卷積層進行特征提取,并輸出給全連接神經網絡,經輸出層應用Softmax激活函數計算出進站駕駛風格對應類別的概率值。最大概率值對應的類別即為電動城市客車進站駕駛風格類別。

在卷積神經網絡中,標簽化的多通道切片數據樣本直接輸入到模型進行訓練,可通過卷積層與池化層交替自動提取樣本數據中隱含的非線性特征,并輸出給全連接神經網絡,進而完成特征學習并實現分類,免去傳統方法中依靠專家經驗人工提煉特征信息的過程,實現端到端的數據處理和識別分類。

2 數據準備和模型訓練

2.1 數據采集

為評估進站駕駛風格識別模型的性能,筆者選擇采集不同駕駛員自然駕駛某大型電動城市客車的車載CAN總線數據作為數據集,這些數據對應駕駛員駛入某公交實際運營線路站點過程,包括駕駛員制動、轉向、駐車等系列行為。該站臺采用港灣式公交站臺設計,如圖3。為對不同駕駛員的數據粘貼駕駛風格標簽,由3名專業評價人員現場試乘車輛,并按謹慎型、普通型和激進型3類對不同駕駛員進站駕駛風格分別進行獨立評價。以“3人獨立評價結果完全一致采用”的原則確定不同駕駛風格的最終評價結果,共篩選出15名駕駛員,不同駕駛風格對應駕駛員數量見表2。

表2 駕駛員分類

圖3 港灣式公交站臺行車路線

電動城市客車車載CAN總線數據采集系統如圖4。

圖4 電動城市客車數據采集系統

該系統可采集的數據包括車輛上電點火狀態、檔位信號、GPS軌跡、車速、油門踏板開度、制動踏板開度、方向盤轉角、方向盤角速度、縱向加速度、橫向加速度、轉向燈信號、電機轉速等以及視頻數據、障礙物距離等300余項數據。車載CAN總線記錄的數據示例如圖5。

圖5 CAN總線數據

2.2 數據預處理

2.2.1 數據切分

需要對車載CAN總線采集的原始數據進行數據清洗、特征選擇、重采樣和歸一化等預處理。為篩選與駕駛風格高度相關的貢獻較大的特征數據,結合歷史事故原因,分析選取反映進站過程特點的駕駛員駕駛操作的方向盤轉角、方向盤角速度、油門踏板開度、制動踏板開度數據,以及車輛的車速、縱向加速度、橫向加速度等7個特征數據,并采用Pearson相關系數[17]來檢驗特征數據之間的相關性。Pearsom相關系數分布在區間[-1,1]內,相關系數越接近1,說明兩個特征數據的正相關性越強,越靠近 -1則說明兩個特征數據的負相關性越強。7個特征數據的相關系數如圖6。從圖6可看出,各特征數據之間的相關系數均不大于0.50,說明特征數據之間的相關性較低。重采樣是為了保證不同采樣頻率得到的原始記錄數據在單位時間內具有相同的數據長度和時空對應關系,筆者選定50 ms作為重采樣周期。數據歸一化是為了統一所有特征的尺度,便于模型對數據進行準確分類。

圖6 特征數據相關系數

進站過程中駕駛員駕駛操作數據和車輛運動狀態的多通道數據為連續變化的時間序列信號,各個特征數據之間相互混疊,空間關系特征不顯著,難以分辨其表面淺層特征之間的差異。為利用CNN提取時間序列數據深度關聯的時空特征,需對數據結構進行轉換。

提取篩選后15名駕駛員駕駛車輛進入站臺過程的數據作為數據源,采集每名駕駛員駕駛車輛進站過程中對應的油門踏板開度、制動踏板開度、方向盤轉角、方向盤角速度、車速、縱向加速度、橫向加速度共7通道的時間序列數據組成樣本集,共獲得樣本20 337個,樣本截取對應時間窗長度為10 s,重采樣后每通道包含201個數據值。

樣本數據按駕駛風格類別的分布情況如表3,其中訓練樣本和驗證樣本分別用于網絡參數訓練和模型參數驗證,測試樣本用于測試模型性能。

表3 樣本數據分布

2.2.2 數據標簽化

將電動城市客車進站駕駛風格分為謹慎型、普通型和激進型3類,并與自然駕駛狀態數據進行對比試驗,用來驗證該模型應用于實際工作場景是否能準確地識別駕駛風格。采用獨熱編碼方式設定各駕駛風格類別對應的標簽,如表4。

表4 駕駛風格類別標簽

2.3 模型訓練參數

筆者采用Relu函數作為激活函數用于提高收斂速度和減少過擬合現象;使用Adam優化算法更新網絡模型參數;在全連接層引入隨機失活正則化方法避免過度擬合訓練數據,選擇失活比率為0.4;選擇填充方式為Same,卷積和池化步長均為1;設定模型迭代30次,批次樣本數量為160個。

隨機失活正則化會隨機選擇神經網絡單元并賦權重為零,用來鈍化神經網絡對數據微小變化響應的敏感性,進一步提高對隱性特征處理的準確性。

為降低數據劃分帶來的影響,考慮樣本數據量規模,選擇應用十折交叉驗證方法,基于由表3中訓練樣本和驗證樣本組成的數據集對進站駕駛風格卷積神經網絡識別模型參數進行訓練和調整。

3 結果分析和討論

3.1 結果分析

分類模型識別效果可用系列指標來評價,常用評價指標有準確率、查全率、查準率、損失值和ROC曲線等[18]。準確率是指分類器正確分類的樣本數與總樣本數之比;查全率是指分類器預測為正的樣本數與預測正樣本數之比;查準率是指預測為正的樣本數與真實正樣本數之比。其相關計算公式如式(4)～式(6):

A=(NTP+NTN)/(NTP+NTN+NFP+NFN)

(4)

P=NTP/(NTP+NFP)

(5)

R=NTP/(NTP+NFN)

(6)

式中:A為準確率;P為查準率;R為查全率;NTP為真實正類被正確預測為正類的數量;NTN為真實負類被預測為負類的數量;NFP為真實負類被預測為正類的數量;NFN為真實正類被預測為負類的數量。

損失值采用交叉熵損失函數計算,用于衡量模型預測值和實際值之間的差異。ROC曲線用于綜合檢測模型的準確性,以真正類率為縱坐標,假正類率為橫坐標進行繪制,簡單直觀。ROC曲線越靠近左上角,說明模型的準確性越高。

文中模型訓練過程中的準確率和損失值變化如圖7。從圖7可以看出,采用卷積神經網絡模型識別電動城市客車進站駕駛風格,模型迭代過程中,準確率上升過程中輕微波動但快速收斂于98.2%,損失函數值迅速下降并趨近于零,表明該模型對進站駕駛行為數據的特征挖掘和學習成效良好。

圖7 模型準確率和損失函數值

繪制ROC曲線如圖8。

圖8 ROC曲線

從圖8可以看出,在假正類率較小時,真正類率迅速增加,曲線斜率較大,說明模型的準確性能良好。

為進一步驗證識別模型的泛化性能,以表3中2 035個測試樣本數據作為未知標簽數據,隨機排序輸入到卷積神經網絡模型中,得到每條數據的進站駕駛風格識別結果,并將結果與真實標簽狀態進行對比,繪制混淆矩陣如表5。

表5 測試組數據混淆矩陣

從表5可以看出,謹慎型、普通型和激進型的駕駛風格之間有一定混淆,但準確率仍在98.20%以上,查準率和查全率也分別達到98.25%和98.34%,其中激進型識別準確率達到98.77%,表明筆者提出的方法在識別激進型進站駕駛風格方面的效果良好。在實際應用場景中,可選擇不同駕駛人自然駕駛過程中的操作數據和車輛狀態數據,經數據預處理后輸入到筆者搭建的卷積神經網絡進站駕駛風格識別模型,完成電動客車駕駛員的進站駕駛風格分類,進而識別出激進型進站風格的駕駛員,為開展駕駛員駕駛教育和培訓提供支持。

3.2 討 論

3.2.1 不同模型結構對比

筆者在保持相同參數設置條件下,通過改變特征提取網絡中卷積層和池化層的數量,保持其他網絡不變來設計構建多個模型,如表6。模型A為筆者所建駕駛風格識別模型(圖1),模型B相比模型A減少了卷積層③、池化層③和卷積層④、池化層④,模型C相比模型A減少卷積層④、池化層④,模型D相比模型A增加卷積層⑤和池化層⑤。

表6 不同模型結構

不同結構模型的識別結果對比如表7。

表7 識別結果對比

從表7可以看出,在相同參數設置情況下,模型D的準確率最高,模型A次之,模型B最低。這是由于卷積層和池化層的數量代表特征提取網絡的深度,網絡深度增加可以提取到更高階的特征信息。模型D與模型A的準確率均在98.0%以上,且兩者差異不大,說明達到一定識別準確率后再增加網絡深度對識別結果的影響有限。另外卷積與池化層數過多會引起學習參數數量成倍增加,收斂速度降低[18]。因此,筆者提出的模型可用于識別電動城市客車駕駛員的進站駕駛風格。

3.2.2 不同參數取值對結果的影響

駕駛風格識別模型的參數有核函數數量、卷積步長、填充方式、學習率、失活率等,不同的參數會對模型識別結果產生影響。核函數數量是CNN的一個重要參數,數量多可提高模型擬合能力,但易出現過擬合且增長收斂時間,數量少則會丟失特征信息,降低識別效果。筆者選用卷積層①和④的核函數數量組合進行對比,對比結果如表8。

表8 識別結果對比

從表8可以看出,卷積層①選用32個核函數和卷積層④選用256個核函數的組合對應的準確率和損失率相對較好。另外卷積層①的核函數數量對模型識別準確率的影響大于卷積層④,說明用于融合特征數據的首個卷積層核函數的數量相比其他卷積層對模型識別結果的影響相對較大。

4 結 論

1)筆者提出的基于卷積神經網絡的電動城市客車進站駕駛風格識別方法可用于識別駕駛員的進站駕駛風格類別,準確率達98.2%,方法有效可行,可為電動城市客車風險駕駛人識別管理提供支持。

2)通過卷積池化運算可用于融合電動城市客車進站過程中的駕駛操縱車輛數據和車輛運動狀態數據,自動提取多通道時間系列數據的駕駛行為深度特征。增加卷積層和池化層的數量,深度的特征提取網絡可以得到更高階的特征信息。

3)特征提取用卷積核函數的數量對駕駛風格模型識別結果有一定影響,適當增加用于融合空間特征數據的首個卷積層核函數數量對提高模型識別效果有一定幫助。