(河南理工大學(xué) 電氣工程與自動(dòng)化學(xué)院,河南 焦作 454000)
特種車(chē)輛受天氣、道路、煙塵和自身體積、高度等因素的影響,駕駛員的視野受阻而導(dǎo)致碰撞事故頻發(fā),給駕駛員的生命安全和設(shè)備安全帶來(lái)較大的損失[1]。車(chē)輛前向發(fā)生碰撞主要是由前向目標(biāo)的距離和相對(duì)速度,以及駕駛員的行為特征和環(huán)境因素共同作用的結(jié)果。近年來(lái),對(duì)車(chē)輛防撞系統(tǒng)的研究,主要是借助激光傳感器、視覺(jué)傳感器、毫米波雷達(dá)傳感器等對(duì)車(chē)輛周?chē)哪繕?biāo)進(jìn)行獲取并進(jìn)行篩選和預(yù)判,對(duì)駕駛員的行為進(jìn)行分析,判斷車(chē)輛是否處于危險(xiǎn)的狀態(tài)。由于車(chē)輛前向目標(biāo)和駕駛員的行為特征存在不確定性,且安裝在車(chē)輛上的傳感器也處于機(jī)動(dòng)的狀態(tài),導(dǎo)致所探測(cè)得到的相對(duì)距離和速度信息存在一定的誤差,若只考慮車(chē)輛單一時(shí)刻的風(fēng)險(xiǎn)變量,可能會(huì)使車(chē)輛安全防撞系統(tǒng)產(chǎn)生漏警、虛警的情況,導(dǎo)致碰撞事故發(fā)生。動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)(Dynamic Bayesian Network,DBN)在處理不確定問(wèn)題方面有很大的優(yōu)勢(shì)。因此本文從自然因素和駕駛員行為特征方面對(duì)車(chē)輛行駛安全進(jìn)行評(píng)價(jià),提出基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的特種車(chē)輛前向防撞預(yù)警推理模型,根據(jù)實(shí)時(shí)獲得的數(shù)據(jù)信息,通過(guò)在時(shí)間片上對(duì)證據(jù)信息的累積,快速地對(duì)前向目標(biāo)的碰撞風(fēng)險(xiǎn)做出預(yù)判,輔助車(chē)輛安全行駛。
通過(guò)內(nèi)部傳感器對(duì)自車(chē)的運(yùn)動(dòng)狀態(tài)信息進(jìn)行獲取,外部傳感器感知周?chē)h(huán)境的信息。毫米波雷達(dá)可以較好地適應(yīng)惡劣環(huán)境,且具有穿透能力較強(qiáng)、測(cè)量距離遠(yuǎn)、穩(wěn)定性好以及抗干擾能力強(qiáng)等優(yōu)點(diǎn)[2]。通過(guò)對(duì)傳感器的性能進(jìn)行對(duì)比,本文選擇毫米波雷達(dá)對(duì)車(chē)輛前向目標(biāo)進(jìn)行測(cè)量。毫米波雷達(dá)較強(qiáng)的探測(cè)能力可以有效地保障車(chē)輛對(duì)前方目標(biāo)障礙物進(jìn)行精確識(shí)別和測(cè)距,是確保預(yù)警系統(tǒng)可靠性的前提。
毫米波雷達(dá)對(duì)前方目標(biāo)的測(cè)量是通過(guò)計(jì)算發(fā)射波與回波之間的時(shí)間差得到的。而車(chē)輛與前向目標(biāo)之間的相對(duì)速度是根據(jù)多普勒效應(yīng)來(lái)獲取的。速度v(單位m/s)的正負(fù)與目標(biāo)障礙物的運(yùn)動(dòng)趨勢(shì)有關(guān)系:當(dāng)目標(biāo)障礙物接近自車(chē)時(shí)v取正值,反之v取負(fù)值。
可以計(jì)算得到相對(duì)縱向距離[2]:
R=(cT/4ΔF)Δf
(1)
式中,c為光速(c=3×108m/s);Δf為混頻輸出的頻率差;T為雷達(dá)的掃描周期;ΔF為信號(hào)的帶寬。發(fā)射信號(hào)與接收信號(hào)之間的滯后時(shí)間Δt和相對(duì)縱向距離R之間的關(guān)系為[2]
Δt=2R/c
(2)
近年來(lái),國(guó)內(nèi)外對(duì)車(chē)輛防撞預(yù)警模型的研究主要是在安全防撞距離和安全防撞時(shí)間,以及駕駛員行為的安全防撞系統(tǒng)方面。文獻(xiàn)[3]建立了不同路況下,根據(jù)車(chē)輛對(duì)地面的附著系數(shù)不同,分別計(jì)算不同路況下的安全距離,保證車(chē)輛的行駛安全。文獻(xiàn)[4]提出了基于縱向防撞時(shí)間的防撞預(yù)警算法,當(dāng)預(yù)估的碰撞時(shí)間達(dá)到預(yù)先設(shè)定的安全碰撞閾值,提示駕駛員前方危險(xiǎn)的預(yù)警系統(tǒng)。文獻(xiàn)[5]通過(guò)對(duì)駕駛員的特性測(cè)試,統(tǒng)計(jì)分析駕駛員的行為參數(shù),最后仿真驗(yàn)證了巡航防撞系統(tǒng)的正確性,符合駕駛員行為特性。
由于固定的安全防撞閾值在不同的車(chē)速下會(huì)出現(xiàn)誤差,導(dǎo)致漏報(bào)或虛報(bào)的情況,采用基于不同車(chē)速下的安全防撞時(shí)間閾值模型。根據(jù)不同車(chē)速、駕駛員行為特征、周?chē)h(huán)境等因素設(shè)定的安全防撞時(shí)間閾值,可以實(shí)時(shí)計(jì)算車(chē)輛發(fā)生碰撞所需的時(shí)間,將其與安全碰撞時(shí)間進(jìn)行對(duì)比,當(dāng)小于安全碰撞時(shí)間時(shí)發(fā)出預(yù)警信號(hào)。
貝葉斯網(wǎng)絡(luò)(Bayesian Networks,BNs)是一種基于概率關(guān)系的有向無(wú)環(huán)圖,由網(wǎng)絡(luò)節(jié)點(diǎn)、有向弧和先驗(yàn)概率表構(gòu)成[6-7]。動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)是在傳統(tǒng)靜態(tài)貝葉斯網(wǎng)絡(luò)的基礎(chǔ)上加入時(shí)間序列因素,形成的能夠處理時(shí)序問(wèn)題的新的隨機(jī)模型[8-10]。動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)在描述非線性、隨機(jī)變化的節(jié)點(diǎn)變量之間的不確定關(guān)系時(shí)擁有較強(qiáng)的優(yōu)勢(shì)。
為了簡(jiǎn)化動(dòng)態(tài)貝葉斯網(wǎng)絡(luò),需要滿足兩個(gè)假設(shè)[11]:若n1,n2,…,nt是從初始時(shí)刻到t時(shí)刻的狀態(tài),則:
① 隨機(jī)過(guò)程需滿足馬爾科夫假設(shè),即節(jié)點(diǎn)在t時(shí)刻的狀態(tài)只受t時(shí)刻的影響,可得
P(nt|n1,n2,…,nt)=P(nt|nt-1)
(3)
② 相鄰時(shí)間片上的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)不隨時(shí)間發(fā)生變化,即對(duì)所有的時(shí)刻t,條件概率P(nt|nt-1)都是一樣的。基于以上假設(shè),可得到在時(shí)間序列上的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型,包含先驗(yàn)網(wǎng)絡(luò)B0和轉(zhuǎn)移網(wǎng)絡(luò)B→。先驗(yàn)網(wǎng)絡(luò)定義了初始時(shí)刻節(jié)點(diǎn)變量的概率分布P(N0),轉(zhuǎn)移網(wǎng)絡(luò)表示在時(shí)間片間的節(jié)點(diǎn)轉(zhuǎn)移概率。圖1為動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)圖。
圖1 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)圖
設(shè)N={n1,n2,…,nn}代表貝葉斯網(wǎng)絡(luò)的節(jié)點(diǎn)集合,用條件概率表示已知上一時(shí)刻,當(dāng)前時(shí)刻節(jié)點(diǎn)的概率分布[11],即
(4)
其聯(lián)合概率分布為
P(N[0],N[1],…,N[t])=
(5)
通過(guò)對(duì)車(chē)載外部傳感器和內(nèi)部傳感器信息進(jìn)行分析,提取其行為特征,得到影響車(chē)輛碰撞的因素既有人為因素(如駕駛員疲勞程度、駕駛員反應(yīng)時(shí)間、駕駛時(shí)間和駕駛艙內(nèi)的溫度等),也有外界因素(如天氣、車(chē)輛與道路的附著系數(shù)等)。將以上各因素作為模型的節(jié)點(diǎn)變量集,然后將它們之間的依賴關(guān)系用有向弧表示出來(lái),得到基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)特種車(chē)輛的前向推理預(yù)警模型的拓?fù)浣Y(jié)構(gòu),如圖2所示。動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)可以直接反映出各節(jié)點(diǎn)變量之間的依賴關(guān)系。根據(jù)拓?fù)浣Y(jié)構(gòu),確定節(jié)點(diǎn)的狀態(tài)集合如下:預(yù)警節(jié)點(diǎn)={高度預(yù)警,中度預(yù)警,安全};天氣={良好,不好};道路={干燥路面,下雨路面,積雪路面,結(jié)冰路面};縱向相對(duì)距離={很危險(xiǎn),危險(xiǎn),危險(xiǎn)接近,安全};反應(yīng)時(shí)間={長(zhǎng),短};駕駛時(shí)間={長(zhǎng),短};艙內(nèi)溫度={舒適,不舒適};疲勞狀態(tài)={疲勞,正常}。
圖2 車(chē)輛防撞推理模型拓?fù)浣Y(jié)構(gòu)
采用GeNIe軟件進(jìn)行仿真實(shí)驗(yàn),與傳統(tǒng)貝葉斯網(wǎng)絡(luò)的車(chē)輛前向防撞預(yù)警模型進(jìn)行對(duì)比,驗(yàn)證基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的特種車(chē)輛的前向防撞推理模型的有效性。為保證網(wǎng)絡(luò)的有效性與準(zhǔn)確性,在實(shí)驗(yàn)過(guò)程中隨機(jī)選取時(shí)間段來(lái)對(duì)特種車(chē)輛前向防撞預(yù)警模型進(jìn)行仿真驗(yàn)證。特種車(chē)輛平均車(chē)速為30 km/h。
樣本1:{天氣良好,干燥路面,反應(yīng)時(shí)間短,艙內(nèi)溫度舒適,駕駛時(shí)間短}。
樣本2:{天氣不好,雨天路面,反應(yīng)時(shí)間短,艙內(nèi)溫度不舒適,駕駛時(shí)間長(zhǎng)}。
毫米波雷達(dá)探測(cè)的相對(duì)距離與相對(duì)速度的數(shù)據(jù)如表1所示。
表1 樣本數(shù)據(jù)
基于貝葉斯網(wǎng)絡(luò)的車(chē)輛前向防撞預(yù)警模型,不考慮時(shí)間的變化過(guò)程,只能實(shí)現(xiàn)對(duì)當(dāng)次時(shí)刻下的信息推理。將樣本1和樣本2中的最后時(shí)刻的信息數(shù)據(jù)作為證據(jù)信息輸入并更新網(wǎng)絡(luò),其貝葉斯網(wǎng)絡(luò)模型推理結(jié)果如圖3和圖4所示。
圖3 貝葉斯網(wǎng)絡(luò)模型推理結(jié)果(樣本1)
圖4 貝葉斯網(wǎng)絡(luò)模型推理結(jié)果(樣本2)
從圖3與圖4中看出,貝葉斯網(wǎng)絡(luò)模型對(duì)前方目標(biāo)障礙物的危險(xiǎn)預(yù)警概率分布如表2所示。樣本1中,貝葉斯網(wǎng)絡(luò)模型對(duì)前方障礙物的預(yù)警為中度預(yù)警,其值為0.66;樣本2中,貝葉斯網(wǎng)絡(luò)模型對(duì)前方障礙物的預(yù)警為車(chē)輛處于安全狀態(tài),其值為0.50。
表2 貝葉斯網(wǎng)絡(luò)模型預(yù)警節(jié)點(diǎn)概率分布
動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)推理過(guò)程的實(shí)質(zhì)是根據(jù)確定的拓?fù)浣Y(jié)構(gòu)和觀測(cè)得到的證據(jù)信息計(jì)算目標(biāo)節(jié)點(diǎn)的概率分布。將傳感器探測(cè)的數(shù)據(jù)經(jīng)處理后得到節(jié)點(diǎn)變量的時(shí)序變化狀態(tài),更新動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)狀態(tài),并完成對(duì)網(wǎng)絡(luò)模型的推理。動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)相鄰時(shí)間片上的狀態(tài)轉(zhuǎn)移概率表如表3所示。
表3 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)狀態(tài)轉(zhuǎn)移概率表
根據(jù)樣本1中的數(shù)據(jù)信息可得駕駛員的平均疲勞程度為:λ=0.2448,則可計(jì)算得到車(chē)輛的安全防撞距離為:S=6.530 m,進(jìn)而獲知相對(duì)縱向距離節(jié)點(diǎn)的證據(jù)信息。根據(jù)樣本2中的數(shù)據(jù)信息可知當(dāng)前條件下駕駛員的平均疲勞程度為:λ=0.314,則可計(jì)算得到車(chē)輛的安全防撞距離為:S=7.522 m,進(jìn)而獲知相對(duì)縱向距離節(jié)點(diǎn)的證據(jù)信息。
根據(jù)樣本1可知,前方目標(biāo)與車(chē)輛間的相對(duì)速度為負(fù)值,說(shuō)明目標(biāo)在遠(yuǎn)離自車(chē)。但兩者之間相對(duì)速度的絕對(duì)值在減小,說(shuō)明遠(yuǎn)離的幅度在減小,且毫米波雷達(dá)探測(cè)到兩者之間的相對(duì)縱向距離也在不斷減小,說(shuō)明兩者仍是在不斷靠近,碰撞的風(fēng)險(xiǎn)也在不斷增加。圖5為樣本1車(chē)輛的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)推理模型。根據(jù)樣本2可知,由于天氣、道路條件、駕駛員行為特征不好,致使車(chē)輛的安全防撞距離變大,兩者之間的相對(duì)速度為負(fù)值,說(shuō)明車(chē)輛與目標(biāo)間在逐漸遠(yuǎn)離。雖然車(chē)輛與前向目標(biāo)的縱向距離在逐漸較少,但是減少的幅度在降低,說(shuō)明兩者發(fā)生碰撞的可能性不大。圖6為樣本2車(chē)輛的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)推理模型。
圖7為樣本1時(shí)間段內(nèi)模型推理得到的車(chē)輛碰撞風(fēng)險(xiǎn)概率分布。隨時(shí)間的變化,車(chē)輛安全的概率在不斷減小,中度預(yù)警的概率在增大,但在模型的最后時(shí)間片內(nèi)中度預(yù)警的概率增幅變緩,高度預(yù)警的概率分布增加,說(shuō)明車(chē)輛在時(shí)間序列上與前向目標(biāo)發(fā)生碰撞的風(fēng)險(xiǎn)一直在增大。圖8為樣本2下的車(chē)輛碰撞風(fēng)險(xiǎn)概率分布。從圖中可以看出車(chē)輛與前向目標(biāo)發(fā)生碰撞的風(fēng)險(xiǎn)很小。中度預(yù)警的概率隨時(shí)間的變化有一定的增長(zhǎng),這是由于車(chē)輛與前向目標(biāo)的縱向距離雖然減小的幅度變緩,但仍在減小,所以車(chē)輛發(fā)生碰撞的可能性也在增長(zhǎng)。圖7與圖8中的3條曲線表示車(chē)輛碰撞風(fēng)險(xiǎn)概率分布,黃色表示車(chē)輛的安全預(yù)警、藍(lán)色表示中度預(yù)警、綠色表示高度預(yù)警。
圖5 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)防撞推理模型(樣本1)
圖6 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)防撞推理模型(樣本2)
圖7 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型推理結(jié)果(樣本1)
圖8 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型推理結(jié)果(樣本2)
在樣本1的時(shí)間段內(nèi),基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的前向防撞推理模型和基于貝葉斯網(wǎng)絡(luò)的車(chē)輛防撞推理模型對(duì)目標(biāo)節(jié)點(diǎn)的預(yù)警概率均是中度預(yù)警,兩者對(duì)前向目標(biāo)的預(yù)警概率相差不大。在樣本2的時(shí)間段內(nèi)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)推理模型對(duì)車(chē)輛碰撞的中度預(yù)警結(jié)果僅為0.1264,而貝葉斯網(wǎng)絡(luò)前向預(yù)警模型的中度預(yù)警的概率為0.49。仿真實(shí)驗(yàn)中證明動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的前向防撞預(yù)警模型與實(shí)際駕駛行為更加一致。由此可以看出,靜態(tài)貝葉斯網(wǎng)絡(luò)只根據(jù)當(dāng)前時(shí)刻的信息對(duì)前方目標(biāo)的危險(xiǎn)程度預(yù)警,而基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的防撞推理模型可以對(duì)現(xiàn)在及以前時(shí)刻獲取的證據(jù)信息積累,對(duì)車(chē)輛前方目標(biāo)障礙物的危險(xiǎn)程度預(yù)警,與實(shí)際駕駛行為更加一致,具有更高的準(zhǔn)確度。
本文在對(duì)現(xiàn)有的車(chē)輛防撞理論分析的基礎(chǔ)上,從自然因素和駕駛員行為特征等方面對(duì)車(chē)輛碰撞風(fēng)險(xiǎn)進(jìn)行分析評(píng)價(jià),構(gòu)建了基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的特種車(chē)輛前向防撞推理模型。通過(guò)對(duì)多場(chǎng)景的測(cè)試,驗(yàn)證了基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的模型能夠全面地反映車(chē)輛的碰撞風(fēng)險(xiǎn),彌補(bǔ)了單一時(shí)刻對(duì)車(chē)輛碰撞風(fēng)險(xiǎn)評(píng)價(jià)的不足,具有更高的敏感度和準(zhǔn)確性,為提高特種車(chē)輛在復(fù)雜環(huán)境下訓(xùn)練或作戰(zhàn)時(shí)的安全駕駛提供最大軍事效益模型支持。