崔宇，黃曉夢

（長安大學(xué) 汽車學(xué)院，陜西 西安 710064）

基于小波神經(jīng)網(wǎng)絡(luò)的車輛狀態(tài)識別方法

崔宇，黃曉夢

（長安大學(xué) 汽車學(xué)院，陜西 西安 710064）

針對車輛安全輔助系統(tǒng)中對車輛運行狀態(tài)識別率偏低的問題，采用小波神經(jīng)網(wǎng)絡(luò)對車輛運行狀態(tài)進(jìn)行識別。為了進(jìn)一步提高模型的識別準(zhǔn)確率以及減少訓(xùn)練時間，對樣本進(jìn)行主成分分析、卡爾曼濾波，最后利用遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)。通過對優(yōu)化后的小波神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行訓(xùn)練與測試，測試結(jié)果表明在時間窗口1.8s時模型的識別率能達(dá)到91%以上，可以滿足車輛安全輔助系統(tǒng)對于車輛狀態(tài)識別的要求。

車輛運動狀態(tài)；神經(jīng)網(wǎng)絡(luò)；卡爾曼濾波；主成分分析；遺傳算法

CLC NO.:TP391 Document Code: A Article ID: 1671-7988 (2017)08-112-03

引言

車輛運行過程中，其主要的運行狀態(tài)可以分為車道保持與換道。其中相對于車道保持，換道行為是一種較為不穩(wěn)定的運行狀態(tài)，更易與周圍的車輛發(fā)生沖突，是影響到車輛行駛安全的重要因素之一。因此針對車輛換道過程中的駕駛安全性，車輛安全研究人員開發(fā)出了許多的車輛安全輔助系統(tǒng)，其中就包括換道輔助系統(tǒng)[1]（SWA）、車道保持輔助系統(tǒng)[2]（LKAS）等。在這些車輛安全系統(tǒng)中車輛運行狀態(tài)識別技術(shù)成為能夠影響其工作穩(wěn)定性的主要因素。

神經(jīng)網(wǎng)絡(luò)[3]具有較高的學(xué)習(xí)能力以及較強(qiáng)的泛化能力，適合于像車輛運行狀態(tài)這種復(fù)雜的行為的學(xué)習(xí)擬合。本文通過在高速公路上進(jìn)行實車試驗，采集大量車輛在不同的運行狀態(tài)下的數(shù)據(jù)，并以此建立了小波神經(jīng)網(wǎng)絡(luò)[4]的車輛狀態(tài)識別模型。通過分析對比，在車輛眾多傳感器中選擇了方向盤轉(zhuǎn)角、方向盤轉(zhuǎn)動角速度、車身橫擺角以及車道線距離作為車輛狀態(tài)是別的指標(biāo)。通過卡爾曼濾波、主成分分析對樣本數(shù)據(jù)進(jìn)行處理，最后通過對模型進(jìn)行訓(xùn)練測試，最終該模型對于車輛運行狀態(tài)識別準(zhǔn)確率滿足要求。

1、車輛運動狀態(tài)表征參數(shù)及預(yù)處理

在研究車輛的運動狀態(tài)過程中，通過傳感器采集了大量可能與車輛運動狀態(tài)有關(guān)的表征參數(shù)：其中就包括眼動頻率、累計注視時間百分比[5]、方向盤轉(zhuǎn)角、方向盤轉(zhuǎn)動角速度、車身橫擺角、橫向加速度、縱向加速度以及車道線距離等。通過各個參數(shù)之間的獨立樣本T檢驗以及各個參數(shù)的特點可以確定了方向盤轉(zhuǎn)角、方向盤轉(zhuǎn)動角速度、車道線距離和車身橫擺角四個參數(shù)為運動狀態(tài)表征參數(shù)：

在傳感器進(jìn)行測量的過程中往往存在受到隨機(jī)干擾的問題，這就導(dǎo)致測量的數(shù)據(jù)中夾雜有隨機(jī)噪聲。而且本次試驗中采用的方向盤傳感器采集到的數(shù)據(jù)因為精度問題，具有一定的階躍特性。為了消除數(shù)據(jù)的階躍以及隨機(jī)噪聲的問題，本文中采用了卡爾曼濾波對數(shù)據(jù)進(jìn)行過濾。其中車道線距離的濾波結(jié)果如下圖1所示。

2、車輛運動狀態(tài)識別模型建立

2.1 小波神經(jīng)網(wǎng)絡(luò)理論

人工神經(jīng)網(wǎng)絡(luò)是通過模仿大腦神經(jīng)網(wǎng)絡(luò)抽象而成。與大腦由神經(jīng)元細(xì)胞組成類似，人工神經(jīng)網(wǎng)絡(luò)也是由最基本的處理單元人工神經(jīng)網(wǎng)絡(luò)組成。這些神經(jīng)元都是對人腦神經(jīng)元簡化與抽象。將若干的神經(jīng)元按照一定的方式組合在一起構(gòu)成人工神經(jīng)網(wǎng)絡(luò)。

小波分析是通過變換小波基函數(shù)來分析信號局部特征，在二維情況下可以有信號方向選擇的能力。小波神經(jīng)網(wǎng)絡(luò)以BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)作為基礎(chǔ)，將神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點中的傳遞函數(shù)選用小波基函數(shù)。

假設(shè)輸入數(shù)據(jù)序列為xi（i=1,2，…，k）時，隱含層中的輸出計算公式是：

其中，h(j)代表隱含層中第j個節(jié)點的輸出值；wij表示隱含層與輸入層之間的連接權(quán)值；bj表示小波基函數(shù)hj的平移因子；aj為小波基函數(shù)hj的伸縮因子；hj為小波基函數(shù)。

本文中采用Morlet母小波基函數(shù)作為小波基函數(shù)，其數(shù)學(xué)公式為：

小波神經(jīng)網(wǎng)絡(luò)輸出層的計算公式表示為：

其中，wk表示隱含層到輸出層的權(quán)值；h(i)表示第i個隱含層節(jié)點上的輸出；l表示隱含層的節(jié)點數(shù)；m表示輸出層的節(jié)點數(shù)。

2.2 小波神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

本文通過在高速公路上進(jìn)行實車試驗，共挑選出1205組數(shù)據(jù)樣本，其中車道保持763組，車輛換道442組。在獲得的數(shù)據(jù)樣本中，隨機(jī)挑選1005組用來訓(xùn)練模型，剩余的200組用來測試模型的準(zhǔn)確度。

因為車輛運行狀態(tài)數(shù)據(jù)具有時間連續(xù)性，因此在建立模型之前需要選取合適的時間窗口。最優(yōu)的時間窗口應(yīng)該可以能夠在準(zhǔn)確度與識別效率之間達(dá)到一個平衡，既有較高的識別率，同時又可以保證最高的識別效率。在模型識別參數(shù)中有車道線距離這一參數(shù)，若是車道線距離為0，則說明車輛已經(jīng)壓線準(zhǔn)備換道，因此車輛狀態(tài)識別模型需要在車輛越線之前進(jìn)行判斷。通過對換道樣本中越線時間的統(tǒng)計可知，從車輛開始換道到越線平均耗時2s左右，80%的越線時間都在3s以內(nèi)，因此車輛狀態(tài)識別模型需要在3s以內(nèi)就完成對車輛狀態(tài)的識別。

本文選取0.6秒為最短換道時間，以3s為最長換道時間，分別以0.6s、0.8s、1.0s、1.2s、1.4s、1.5s、1.6s、1.8s、2.0s、2.2s、2.4s、2.5s、2.6s、2.8s和3.0s為時間窗口來進(jìn)行車輛運行狀態(tài)識別。將不同時間窗口的訓(xùn)練樣本輸入小波神經(jīng)網(wǎng)絡(luò)內(nèi)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后將測試樣本輸入到訓(xùn)練好的模型當(dāng)中進(jìn)行識別。模型識別率高，則說明該模型能夠較好的分辨車道保持與車輛換道。不同時間窗口得到的識別率如下表所示：

表1 不同時間窗口下的模型識別率

由表1可知，選擇不同的時間窗口模型具有不同的識別率，在時間窗口小于1.4s時，模型的識別率均小于80%。之后識別率一直在增加直到2s時到達(dá)最大值，此時的識別率高達(dá)94%。之后識別率一直在波動，在3s時達(dá)到最大值94%?？紤]到車輛運動狀態(tài)識別模型的實時性，保證模型能夠在盡量短的時間內(nèi)實現(xiàn)對車輛運動狀態(tài)準(zhǔn)確的識別，綜合上述要求，選取時間窗口為1.8s，使得模型既可以有較高的實時性，又有較高的準(zhǔn)確性。

3、車輛運動狀態(tài)識別模型優(yōu)化

3.1 主成分分析

為了降低模型的計算量，通常需要將多個指標(biāo)簡化為幾個指標(biāo)進(jìn)行運算。主成分分析法主要通過將許多具有較高相關(guān)性的指標(biāo)變量簡化為彼此不相關(guān)的少數(shù)幾個綜合因子。在主成分分析的過程中舍棄了許多不重要的因素，突出了數(shù)據(jù)的主要因素，從而大大簡化了模型的訓(xùn)練過程，縮短了模型的訓(xùn)練時間。本文利用方向盤轉(zhuǎn)角、方向盤轉(zhuǎn)動角速度、車身橫擺角、以及車道線距離4個參數(shù)對車輛運動狀態(tài)進(jìn)行識別。以時間窗口為1.2s為例講解如何將數(shù)據(jù)進(jìn)行主成分分析的過程，數(shù)據(jù)共包含48個變量。經(jīng)過主成分分析后的累計貢獻(xiàn)率為第一主成分為63%，第二主成分為75%，第三主成分為84%，第四主成分為91%。前4個成分的累計貢獻(xiàn)率高達(dá)96%，其余43個主成分所占的比例為4%。因此本文選取第一成分、第二成分、第三成分、第四成分。

數(shù)據(jù)降維后，時間窗口選取1.2s并進(jìn)行范圍為[0,1]的歸一化處理，利用小波神經(jīng)網(wǎng)絡(luò)分別計算了未進(jìn)行降維處理以及進(jìn)行降維處理的模型識別準(zhǔn)確率。經(jīng)過降維處理后模型的準(zhǔn)確率從89%上升到了91%。由此可知降維處理后模型識別的準(zhǔn)確率有明顯的提高。

3.2 遺傳算法優(yōu)化模型

神經(jīng)網(wǎng)絡(luò)雖有較強(qiáng)的學(xué)習(xí)能力，但是依然有其局限性。因為神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)一般為平方型，其學(xué)習(xí)方法為梯度下降法，這就容易導(dǎo)致存在局部極小值的問題，而且收斂速度普遍較慢。遺傳算法通過模擬生物遺傳學(xué)而形成的一種最優(yōu)化隨機(jī)搜素方法。遺傳算法通過將所需要解決問題的參數(shù)編碼成類似生物中染色體的基因序列，并按照設(shè)定的適應(yīng)度函數(shù)為擇優(yōu)標(biāo)準(zhǔn)，通過模仿遺傳學(xué)中的選擇操作、交叉操作以及變異操作對個體進(jìn)行篩選，其中適應(yīng)度得分較高者被保留，根據(jù)父代中優(yōu)秀者組成新的子代，如此反復(fù)循環(huán)直至滿足條件為止。

遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的方法就是利用個體代表神經(jīng)網(wǎng)絡(luò)中的初始權(quán)值以及閾值，將小波神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差當(dāng)作個體的適應(yīng)度值，繼而通過選擇、交叉以及變異等一系列操作尋找最優(yōu)的個體，也就是最優(yōu)的神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。經(jīng)過遺傳算法優(yōu)化后模型的準(zhǔn)確率從91%上升到了96%。說明遺傳算法在優(yōu)化神經(jīng)網(wǎng)絡(luò)方面具有較好的作用。

4、結(jié)論

車輛狀態(tài)識別是影響到車輛安全駕駛輔助系統(tǒng)的重要因素之一，本文通過高速公路上進(jìn)行實車試驗采集到的車速、方向盤轉(zhuǎn)角、方向盤轉(zhuǎn)動角速度、車身橫擺角速度等參數(shù)，利用小波神經(jīng)網(wǎng)絡(luò)建立了車輛運動狀態(tài)的識別模型。并通過對數(shù)據(jù)的卡爾曼濾波、歸一化、主成分分析等方法對小波神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了優(yōu)化，并通過測定時間窗口在1.8s時具有最佳的識別效率，提高了車輛安全駕駛輔助系統(tǒng)的時效性。以保證駕駛?cè)擞凶銐虻臅r間避免危險的發(fā)生。

[1] W. Bouslimi, M. Kassaagi, D. Lourdeaux, P. Fuchs. Augmented Nalve Bayesian Network for Driver Behavior Modeling[J]. IEEE Intelligent Vehicles Symposium Conference 2005, Las Vegas, USA, June 7th, 2005:236～242.

[2] 王暢.基于隱馬爾科夫模型的駕駛員意圖辨識方法研究[D].吉林:吉林大學(xué)碩士學(xué)位論文,2011年5月.

[3] 張良力.面向安全預(yù)警的機(jī)動車駕駛意圖識別方法研究[D].武漢:武漢理工大學(xué)博士學(xué)位論文,2011年5月.

[4] 楊雙賓.高速公路車輛行駛安全輔助換道預(yù)警系統(tǒng)研究.吉林:吉林大學(xué)碩士學(xué)位論文,2008年4月.

[5] J?rn Freyer, Barbara Deml, Markus Maurer, Berthold F?rber. ACC with enhanced situation awareness to reduce behavior adaptations in lane change situations[C]. Proceedings of the 2007 IEEE Intelligent Vehicles Symposium Istanbul, Turkey, June 13-15, 2007：999～1004.

Vehicle state recognition method based on Wavelet Neural Network

Cui Yu, Huang Xiaomeng
( School of Automobile, Chang'an University, Shaanxi Xi'an 710064 )

Aiming at the problem of low recognition rate of vehicle running state in vehicle safety assistant system, wavelet neural network is used to identify the vehicle running state. In order to improve the recognition accuracy and reduce the training time, the samples are normalized, principal component analysis, Kalman filter. Finally, the wavelet neural network is optimized by genetic algorithm. The data are trained and tested by the optimized wavelet neural network, the test results show that the recognition rate can reach above 91% when the time window 1.8s. It can meet the requirements of vehicle safety assistant system for vehicle state recognition.

vehicle status; neural network; Kalman filter; principal component analysis; genetic algorithm

TP391

A

1671-7988 (2017)08-112-03

崔宇（1990-），男（漢），山東濰坊，碩士研究生，就讀于長安大學(xué)。主要研究領(lǐng)域：車輛安全工程。

10.16638/j.cnki.1671-7988.2017.08.038