劉志強(qiáng)，張碩輝，汪 澎

(江蘇大學(xué)汽車與交通工程學(xué)院，江蘇鎮(zhèn)江 212013)

駕駛行為是汽車主動安全領(lǐng)域研究的重點課題。目前的研究主要集中在對駕駛行為的理論建模或?qū)δ骋晃ｋU駕駛行為的檢測和預(yù)警。文獻(xiàn)［1］應(yīng)用決策優(yōu)化模型求解車輛軌跡最優(yōu)目標(biāo)和速度最優(yōu)目標(biāo)，并將跟車、換道、超車、穿插、制動等駕駛行為統(tǒng)一在駕駛行為決策優(yōu)化模型中進(jìn)行描述。文獻(xiàn)［2］通過自行開發(fā)的專用照相機(jī)、腦電圖儀和其他儀器來精確測量頭部運動、瞳孔直徑變化和眨眼頻率，用以研究疲勞駕駛行為。文獻(xiàn)［3］運用BP神經(jīng)網(wǎng)絡(luò)集成方法研究了駕駛員跟車模型，以前車速度為輸入，通過2層結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)模擬駕駛員對跟車加速度的控制。文獻(xiàn)［4］針對部分傳統(tǒng)車輛跟馳行為模型進(jìn)行了綜述，總結(jié)了各種跟馳模型的優(yōu)缺點。文獻(xiàn)［5］研究了不同交通信息(事故信息、駕駛員年齡、性別等)對換道行為的影響。文獻(xiàn)［6］采用自適應(yīng)側(cè)向預(yù)瞄模型來對駕駛員轉(zhuǎn)向行為進(jìn)行建模。

本文通過在駕駛模擬儀上獲得的10名駕駛員的多組跟車實驗數(shù)據(jù)，采用主成分分析法確定4個相關(guān)的車輛狀態(tài)參數(shù)來描述駕駛員制動行為，研究建立符合駕駛員跟車習(xí)慣的制動行為模型，并利用WEKA數(shù)據(jù)挖掘平臺對模型進(jìn)行訓(xùn)練學(xué)習(xí)，以期獲得較好的模型效果。

1 基于主成分分析法的制動行為分析

1.1 實驗數(shù)據(jù)的獲取

影響駕駛行為的因素很多，不僅與駕駛員自身的身心狀態(tài)和駕駛技術(shù)有關(guān)，還受天氣以及周圍交通環(huán)境的影響。要建立準(zhǔn)確的制動行為模型就必須正確選取能使駕駛員感受危險的車輛狀態(tài)參數(shù)。綜合國內(nèi)外相關(guān)文獻(xiàn)，本實驗所采集的數(shù)據(jù)為相對距離d、前車加速度a1、相對速度 Δv、碰撞時間的倒數(shù)TTCi、車頭時距THW、自車速度v2、前車速度v1。

本文選用江蘇大學(xué)模擬駕駛儀作為主要的實驗設(shè)備，將一段實車道路實驗獲得的行車數(shù)據(jù)導(dǎo)入模擬駕駛儀中，將這段行車數(shù)據(jù)作為前導(dǎo)車的行車狀態(tài)。受試者為8名男性和2名女性，駕齡在2～10年，實驗前均先安排一定的時間熟悉駕駛儀的使用。在正式實驗過程中，每個駕駛員的實驗過程相同，以保證駕駛員間的可比性以及模型的適用性。要求駕駛員集中注意力，在遵守交通規(guī)則的情況下駕車跟隨前車直至感覺到有潛在的追尾危險后采取減速措施。圖1是4號駕駛員在某一次實驗5～51 s時的部分操作數(shù)據(jù)。

圖1 駕駛員在某次實驗5～51 s時的部分操作數(shù)據(jù)

1.2 實驗數(shù)據(jù)處理

THW和TTCi兩個參數(shù)都是基于車輛相對運動狀態(tài)定義的，需要通過采集的參數(shù)計算得到。

避撞時間TTC及其倒數(shù)TTCi(time to collision in-verse)的定義為:

TTC的量綱也為s，該參數(shù)表征了自車在當(dāng)前狀態(tài)下與前車追尾所需要的時間。

1.3 主成分分析法

主成分分析法(principle components analysis，PCA)是將多個變量通過線性組合選出較少個數(shù)的重要變量集合來描述相關(guān)結(jié)構(gòu)的一種統(tǒng)計分析方法［7-8］。首先對初始主成分參數(shù) X1，X2，…，X7(參數(shù)從1到7依次為相對距離d、前車加速度a1、相對速度 Δv、碰撞時間的倒數(shù) TTCi、車頭時距THW、自車速度v2、前車速度v1)進(jìn)行標(biāo)準(zhǔn)化處理，用Zi表示經(jīng)過標(biāo)準(zhǔn)化的變量。

Xi與Xj之間的協(xié)方差為

相關(guān)系數(shù)為

采用Ranker搜索法求得7個參數(shù)的相關(guān)系數(shù)矩陣R，如表1所示。

通過求解特征方程λE-R=0的特征值，第i主成分Xi的特征值λi即為該主成分的方差。主成分Xi的方差對總方差的貢獻(xiàn)率為

貢獻(xiàn)率wi反映了第i個主成分承載原始變量信息的百分比。第1主成分方差貢獻(xiàn)率最大，隨后逐次遞減。為達(dá)到降維的目的，如果前m個主成分的累積貢獻(xiàn)率達(dá)到90%，則可取前m個主成分代替所有成分。

在變電站日常的巡檢工作中，對于目標(biāo)不同方位和層次的觀察是通過運維人員的眼睛來實現(xiàn)的，而對于不同角度的觀察由走動來實現(xiàn)的，但是現(xiàn)場的攝像機(jī)獲取的圖像具有平面性、單一性，進(jìn)而失去了立體感。[3]怎樣使變電站運維工作中的攝像機(jī)的捕捉的畫面具有立體感，帶來更真實的視覺運維，是我們在變電站智能巡檢運維中要面臨的首要問題。通過對Hou方法的研究，實現(xiàn)了對攝像機(jī)采集的平面圖像立體化，使不同攝像機(jī)的畫面組合，模擬人眼在現(xiàn)場觀察目標(biāo)，可以確保了遠(yuǎn)程智能巡檢的質(zhì)量和效果。

相關(guān)矩陣R的貢獻(xiàn)率前4位的特征值、貢獻(xiàn)率、累積貢獻(xiàn)率見表2。

表1 相關(guān)系數(shù)矩陣

表2 特征值、貢獻(xiàn)率、累計貢獻(xiàn)率

由表2可見，建立制動行為模型只需要選取相對距離d、前車加速度a1、相對速度Δv、碰撞時間的倒數(shù)TTCi為輸入?yún)?shù)即可。

2 基于BP神經(jīng)網(wǎng)絡(luò)的駕駛員制動行為模型建立

本文使用BP神經(jīng)網(wǎng)絡(luò)模型模擬駕駛員在追尾避險過程中的判斷決策行為，選取有效的學(xué)習(xí)方法對模型進(jìn)行修正，建立接近實際情境的駕駛員行為模型，并用訓(xùn)練好的模型來對駕駛員的制動行為進(jìn)行預(yù)測，監(jiān)督駕駛員的駕駛操作，也作為避撞預(yù)警算法使用。

2.1 BP神經(jīng)網(wǎng)絡(luò)理論

BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前饋型神經(jīng)網(wǎng)絡(luò)，多采用sigmoid型的傳遞函數(shù)。BP網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

輸入向量為X=(x1，x2，…，xn)T。隱含層的輸出向量為Oj=(oj1，oj2，…，ojn)T。輸出層的向量為Ok=(ok1，ok2，…，okn)T。輸入層與隱含層間的連接權(quán)值為wij(i=1，2，…n;j=1，2，…，l)，閾值為θi。隱含層與輸出層的連接權(quán)值為wik(j=1，2，…，l;k=1，2…，m)，閾值為θj。

信息在正向傳遞過程中的隱含層的各神經(jīng)元節(jié)點的輸出可表示為

同理，輸出層的神經(jīng)元節(jié)點的輸出可表示為

BP網(wǎng)絡(luò)在應(yīng)用于預(yù)測預(yù)報之前需要一個網(wǎng)絡(luò)學(xué)習(xí)過程。網(wǎng)絡(luò)學(xué)習(xí)過程包括信息正向傳播和誤差反向傳播2個反復(fù)交替的過程［9-15］。在這個過程中神經(jīng)網(wǎng)絡(luò)根據(jù)實驗樣本不斷調(diào)整各層之間的連接權(quán)值及閾值，從而使系統(tǒng)全局誤差E實現(xiàn)最小化。

系統(tǒng)全局誤差E如式(9)所示。

式中:tk(X)為輸出節(jié)點k對于樣本X的理想輸出;Ok(X)為節(jié)點k對于樣本X的實際輸出。

2.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計與模型建立

本文BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括:1個輸入層、4個輸入節(jié)點;1個輸出層、1個輸出節(jié)點。隱含層的層數(shù)較多，可以提高網(wǎng)絡(luò)精度，降低誤差，但同時也會使網(wǎng)絡(luò)變復(fù)雜，增加迭代非收斂的概率。從簡化結(jié)構(gòu)的角度出發(fā)，采用單隱含層的網(wǎng)絡(luò)結(jié)構(gòu)即可。對于隱含層節(jié)點數(shù)目前還沒有準(zhǔn)確的設(shè)計，本文通過選取不同的隱含層節(jié)點數(shù)，比較模型最終的訓(xùn)練效果，選取最適合的隱含層數(shù)來達(dá)到最優(yōu)化的效果。

模型的訓(xùn)練采用的是WEKA數(shù)據(jù)挖掘軟件，選取交叉驗證方法來訓(xùn)練模型。WEKA的GUI界面各項主要參數(shù)設(shè)置為:隱含層依次設(shè)置為4～10，以選取最適合的隱層節(jié)點數(shù);學(xué)習(xí)率為0.1;動量常數(shù)為0.2;最大訓(xùn)練次數(shù)為1 500。神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的修正采用梯度下降法。訓(xùn)練完成后的網(wǎng)絡(luò)已經(jīng)具備較高的預(yù)測精度。網(wǎng)絡(luò)訓(xùn)練過程中的隱層數(shù)不同，對應(yīng)的網(wǎng)絡(luò)訓(xùn)練效果如表3所示。

表3 不同隱含層數(shù)的網(wǎng)絡(luò)訓(xùn)練效果

從表3可以看出:最初隨著隱層數(shù)量的增多誤差值有較明顯的減低，但減低效果不明顯。直到隱層從8層變?yōu)?層時改進(jìn)效果明顯，誤差值達(dá)到了最小化，所以本文的隱層最終設(shè)定為9層，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為4-9-1。圖3為模型訓(xùn)練效果。

2.3 模型仿真

利用訓(xùn)練好的模型，隨機(jī)采用另外一組實驗樣本進(jìn)行一次跟車仿真驗證實驗。圖4的仿真過程是以8號駕駛員的最新一次的訓(xùn)練樣本數(shù)據(jù)為輸入的。根據(jù)仿真效果來看模型對其他數(shù)據(jù)有較好的通用性。

圖3 模型訓(xùn)練效果

圖4 模型仿真效果

3 結(jié)論

1)利用江蘇大學(xué)模擬駕駛儀，采集了跟車過程中為避免追尾事故后車駕駛員的制動行為數(shù)據(jù);用主成分分析法對數(shù)據(jù)進(jìn)行分析，為模型輸入?yún)?shù)選擇提供了依據(jù)，降低了神經(jīng)網(wǎng)絡(luò)的輸入維數(shù)，確定了用相對距離d、前車加速度a1、相對速度Δv、碰撞時間的倒數(shù)TTCi為參數(shù)來建立模型。

2)利用BP神經(jīng)網(wǎng)絡(luò)方法建立了符合駕駛習(xí)慣的制動行為模型。網(wǎng)絡(luò)訓(xùn)練結(jié)果表明:建立的駕駛員制動行為模型預(yù)測值的精確度較高，并為避撞預(yù)警算法研究提供了思路。

［1］聞育，吳鐵軍，周春芳，等.基于決策優(yōu)化模型的駕駛行為建模方法［J］.浙江大學(xué)學(xué)報:工學(xué)版，2006，4(4):704-707，728.

［2］Gerry E.Warning system for fatigued drivers nearing reality with new eye data［J］.Science Daily Magazine，1999(7):25-30.

［3］張磊，李升波，王建強(qiáng)，等.基于神經(jīng)網(wǎng)絡(luò)方法的集成駕駛員跟車模型［J］.清華大學(xué)學(xué)報:自然科學(xué)版，2008，48(11):1985-1988，1992.

［4］楊新月，王曉原，王雷，等.駕駛員行為仿真模型研究進(jìn)展［J］.山東理工大學(xué)學(xué)報:自然科學(xué)版，2007，21(1):68-72.

［5］干宏程，孫立軍，陳建陽.提供交通信息條件下的途中改道行為研究［J］.同濟(jì)大學(xué)學(xué)報:自然科學(xué)版，2006，34(11):1 484-1 488.

［6］Ungoren A Y，Peng H.An adaptive lateral preview driver model［J］.Vehicle System Dynamics，2005，43(4):45-259.

［7］肖枝洪，冉小華.運用主成分分析法的過程控制和診斷［J］.重慶理工大學(xué)學(xué)報:自然科學(xué)版，2014(1):96-101.

［8］舒先勝，丁澤中，夏亦寒，等.基于主成分分析法的油料保障能力評估［J］.四川兵工學(xué)報，2014(3):76-79.

［9］姜紫峰，荊便順.人工神經(jīng)網(wǎng)絡(luò)在交通領(lǐng)域中的應(yīng)用［J］.公路交通科技，1997(4):20-25.

［10］鄭龍生，楊曉霞.基于BP神經(jīng)網(wǎng)絡(luò)模型的商務(wù)型飯店微觀選址研究——以重慶市為例［J］.西南大學(xué)學(xué)報:自然科學(xué)版，2011(4):162-165.

［11］趙淑芳.基于BP神經(jīng)網(wǎng)絡(luò)的煤礦礦用設(shè)備安全監(jiān)測研究［J］.太原理工大學(xué)學(xué)報，2013(5):619-622.

［12］毛銳.BP神經(jīng)網(wǎng)絡(luò)在作業(yè)成本預(yù)算中的應(yīng)用［J］.哈爾濱理工大學(xué)學(xué)報，2008(3):107-110.

［13］方一新.改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的EMG手指運動識別［J］.激光雜志，2014(9):92-95.

［14］孟維偉.基于神經(jīng)網(wǎng)絡(luò)的交通量預(yù)測技術(shù)研究［D］.南京:南京理工大學(xué)，2006.

［14］宇仁德，劉芳，石鵬.基于BP神經(jīng)網(wǎng)絡(luò)的道路交通事故預(yù)測［J］.數(shù)學(xué)的實踐與認(rèn)識，2008，38(6):120-125.