吳毅 夏志平 陳軍源

（九江職業(yè)技術(shù)學(xué)院，九江 332007）

主題詞：智能駕駛 模式識(shí)別 神經(jīng)網(wǎng)絡(luò) 開放道路試驗(yàn) 智能網(wǎng)聯(lián)

1 前言

隨著智能駕駛的興起和主動(dòng)安全技術(shù)的逐漸成熟，汽車高級(jí)駕駛輔助系統(tǒng)（Advanced Driving Assistance System，ADAS）在智能駕駛汽車上的應(yīng)用越來越廣泛，目前，迫切需要用于ADAS功能研發(fā)和驗(yàn)證的測(cè)試場(chǎng)景庫(kù)。在智能汽車駕駛模式識(shí)別、選擇、切換等方面：嚴(yán)利鑫等[1-2]基于危險(xiǎn)態(tài)勢(shì)等級(jí)對(duì)智能汽車駕駛模式選擇進(jìn)行標(biāo)定，同時(shí)以車速、車頭時(shí)距、車道中心距離、前輪轉(zhuǎn)角標(biāo)準(zhǔn)差、駕駛經(jīng)驗(yàn)作為智能車模式?jīng)Q策的特征屬性；汪澎等[3]基于多源信息提出了一種車輛運(yùn)行狀態(tài)識(shí)別體系。由于我國(guó)目前還沒有完備的主動(dòng)安全測(cè)試場(chǎng)景庫(kù)，當(dāng)前的主要任務(wù)在于ADAS 測(cè)試場(chǎng)景挖掘和分類。針對(duì)主機(jī)廠的大量自然駕駛數(shù)據(jù)的閑置問題，智能駕駛識(shí)別程序可以通過離線處理的方式對(duì)各類ADAS 測(cè)試場(chǎng)景進(jìn)行模式識(shí)別與分類。

本文以自適應(yīng)巡航控制（Adaptive Cruise Control，ACC）[4-8]、盲區(qū)監(jiān)測(cè)（Blind Spot Monitoring，BSM）[9]、車道偏離預(yù)警（Lane Departure Warning，LDW）[10-14]系統(tǒng)的模式識(shí)別為例，針對(duì)智能駕駛汽車無法自主開啟相應(yīng)的ADAS功能這一問題，設(shè)計(jì)了一種基于神經(jīng)網(wǎng)絡(luò)的智能駕駛模式識(shí)別系統(tǒng)，使智能駕駛汽車針對(duì)特定場(chǎng)景自動(dòng)開啟相應(yīng)的ADAS功能。

2 數(shù)據(jù)采集

2.1 道路試驗(yàn)設(shè)計(jì)

道路試驗(yàn)時(shí)間為2019年3月10～24日，測(cè)試有效時(shí)間為14天，道路測(cè)試總里程為2 208.49 km，測(cè)試地點(diǎn)包括天津、河北、河南、安徽等地區(qū)。道路類型包括高速公路、國(guó)道、城市道路、鄉(xiāng)村道路等，其中，高速公路、國(guó)道、城市道路、鄉(xiāng)村道路的比例約為5∶2∶2∶1，測(cè)試天氣有晴天、陰天、雨天、霧霾天等，場(chǎng)景數(shù)據(jù)包括直道、彎道、十字路口、紅綠燈、人行橫道、橋梁、隧道、高速公路等場(chǎng)景和2種及以上的組合場(chǎng)景。

2.2 人員及試驗(yàn)設(shè)備

共選取20名有無人駕駛經(jīng)驗(yàn)的男性安全輔助人員進(jìn)行道路試驗(yàn)，平均年齡為33.5歲，無人駕駛安全輔助年齡1～5年不等，無其他影響無人駕駛安全的因素。數(shù)據(jù)采集試驗(yàn)設(shè)備包括一款B 級(jí)車、Brick 工控機(jī)、Mobileye攝像頭、ESR毫米波雷達(dá)、ibeo激光雷達(dá)及相關(guān)設(shè)備，如圖1所示。

圖1 感知傳感器

2.3 獲取的原始數(shù)據(jù)

道路測(cè)試的數(shù)據(jù)采集記錄軟件選擇德國(guó)VECTOR公司的CANape 17.0，如圖2所示，原始數(shù)據(jù)包括車輛前向及左、右后方的視頻數(shù)據(jù)和感知傳感器探測(cè)到的位置、速度、相對(duì)速度等信息。

圖2 原始數(shù)據(jù)采集

3 神經(jīng)網(wǎng)絡(luò)識(shí)別模型

智能駕駛模式受到多種因素的非線性影響，無法用單一的數(shù)學(xué)公式描述，因此本文使用人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）設(shè)計(jì)一款智能駕駛模式識(shí)別程序，以實(shí)現(xiàn)ACC、BSM、LDW等ADAS功能場(chǎng)景的模式識(shí)別。神經(jīng)網(wǎng)絡(luò)以大量的自然駕駛數(shù)據(jù)特征參數(shù)作為輸入、輸出對(duì)，學(xué)習(xí)各類ADAS場(chǎng)景位置、約束等的特征參數(shù)，實(shí)現(xiàn)智能駕駛汽車的模式識(shí)別功能。

3.1 隱含層神經(jīng)元數(shù)量選擇

神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元數(shù)量計(jì)算過程為：

式中，n1為隱含層神經(jīng)元數(shù)量；n2為輸入層神經(jīng)元數(shù)量；m為隱含層單元數(shù)量；a∈[1～10]為調(diào)節(jié)常數(shù)。

3.2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法選擇

常用的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法包括梯度下降法、牛頓算法、共軛梯度法、準(zhǔn)牛頓法和Levenberg-Marquardt（L-M）算法。將模型參數(shù)和數(shù)據(jù)量進(jìn)行對(duì)比，結(jié)果表明L-M算法的收斂速度比其他算法快幾倍到幾十倍。

L-M算法的權(quán)重更新公式為：

式中，ΔW為權(quán)重；J為雅可比的加權(quán)系數(shù)矩陣；I為單位矩陣；u為加權(quán)系數(shù)。

3.3 學(xué)習(xí)效率

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效率過大會(huì)導(dǎo)致收斂過快，并在極值點(diǎn)附近產(chǎn)生不穩(wěn)定振蕩，過小會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度過慢，經(jīng)過多次試驗(yàn)驗(yàn)證，學(xué)習(xí)效率選擇0.05效果最好。

3.4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

圖3所示為神經(jīng)網(wǎng)絡(luò)模型，以感知傳感器獲取的交通環(huán)境信息和CAN 總線信息為輸入，通過神經(jīng)網(wǎng)絡(luò)對(duì)車輛的位置和運(yùn)動(dòng)狀態(tài)進(jìn)行判斷，從而實(shí)現(xiàn)智能駕駛汽車的駕駛模式識(shí)別。

圖3 神經(jīng)網(wǎng)絡(luò)模型

由于駕駛行為的學(xué)習(xí)需要大量數(shù)據(jù)，最終在10～70 km/h 的速度區(qū)間截取了4 886 個(gè)場(chǎng)景數(shù)據(jù)，其中ACC 場(chǎng)景1 863 個(gè)，BSM 場(chǎng)景2 046 個(gè)，LDW 場(chǎng)景977個(gè)。以ACC 功能識(shí)別為例，以本車速度v、相對(duì)距離R、相對(duì)速度vr、本車與車道線的距離L作為輸入變量，輸出變量為各智能駕駛模式識(shí)別的判斷結(jié)果。訓(xùn)練一個(gè)20層的神經(jīng)網(wǎng)絡(luò)，樣本數(shù)據(jù)按70%∶15%∶15%的比例分為訓(xùn)練樣本、測(cè)試樣本、仿真樣本。

4 識(shí)別模型的裝載

為了將基于神經(jīng)網(wǎng)絡(luò)的ADAS 功能識(shí)別模型裝載到智能駕駛汽車上，并與設(shè)置的開關(guān)按鈕進(jìn)行關(guān)聯(lián)匹配，使用有限狀態(tài)機(jī)（Finite State Machine）識(shí)別輸入信號(hào)并輸出當(dāng)前所屬狀態(tài)。該系統(tǒng)將目標(biāo)可觸發(fā)功能類型以判別信號(hào)的形式輸送到車端（VECTOR 工控機(jī)）作為輸入信號(hào)，輸出的功能狀態(tài)包括功能關(guān)閉、功能待機(jī)、功能激活、故障和場(chǎng)景識(shí)別5個(gè)部分，如圖4所示。打開功能開關(guān)，系統(tǒng)由功能關(guān)閉狀態(tài)進(jìn)入功能待機(jī)狀態(tài)，接收到可疑觸發(fā)信號(hào)功能激活，并對(duì)信號(hào)進(jìn)行分類。

圖4 狀態(tài)機(jī)識(shí)別模型裝載

5 智能駕駛識(shí)別程序設(shè)計(jì)

本文設(shè)計(jì)的智能駕駛模式識(shí)別程序通過感知傳感器獲取真實(shí)的交通環(huán)境信息，經(jīng)過數(shù)據(jù)的預(yù)處理，對(duì)當(dāng)前場(chǎng)景所屬的ADAS 功能場(chǎng)景進(jìn)行模式識(shí)別。L2 級(jí)別智能駕駛汽車包含眾多的ADAS 功能，本文以ACC、BSM、LDW 的模式識(shí)別為例，設(shè)計(jì)ADAS 場(chǎng)景識(shí)別程序。ADAS場(chǎng)景挖掘程序由數(shù)據(jù)采集模塊、目標(biāo)檢測(cè)模塊、ADAS場(chǎng)景識(shí)別模塊組成。

5.1 數(shù)據(jù)采集模塊

數(shù)據(jù)采集模塊通過檢測(cè)目標(biāo)與本車的相對(duì)空間位置坐標(biāo)實(shí)現(xiàn)目標(biāo)的檢測(cè)和空間坐標(biāo)定位，如圖5 所示。定義車道位置輔助系數(shù)r，確定目標(biāo)的車道位置對(duì)應(yīng)系數(shù)值。

模塊的輸入量包括目標(biāo)與本車的相對(duì)距離R、目標(biāo)與本車的偏航角θ和車道線位置，可通過毫米波雷達(dá)、角毫米波雷達(dá)和攝像頭進(jìn)行數(shù)據(jù)采集。模塊的輸出量為目標(biāo)與本車的車頭縱向間距Ry=Rcosθ、橫向距離Rx=Rsinθ、車道位置輔助系數(shù)r、車頭間距輔助系數(shù)k，目標(biāo)車的車道位置可由攝像頭提供的車道線位置（右側(cè)為正值，左側(cè)為負(fù)值）進(jìn)行判定。橫向距離介于左、右車道線之間，標(biāo)記為r=0；橫向距離大于右車道線，標(biāo)記為r=1；橫向距離小于左車道線，標(biāo)記為r=-1。當(dāng)目標(biāo)位于自車前方時(shí)，k=1；當(dāng)目標(biāo)位于自車后方時(shí)，k=-1。

圖5 數(shù)據(jù)采集模塊

5.2 目標(biāo)檢測(cè)模塊

目標(biāo)檢測(cè)模塊以目標(biāo)車輛的車道位置輔助系數(shù)和車頭間距輔助系數(shù)為依據(jù)，分別篩選出觸發(fā)ACC、BSM、LDW功能的可疑目標(biāo)車輛，對(duì)當(dāng)前時(shí)刻和延遲時(shí)刻（根據(jù)ADAS 功能類型確定）的狀態(tài)進(jìn)行數(shù)據(jù)關(guān)聯(lián)，判定場(chǎng)景所屬ADAS 功能類型，從而實(shí)現(xiàn)對(duì)相應(yīng)ADAS 功能目標(biāo)車的篩選，如圖6所示。

圖6 目標(biāo)檢測(cè)模塊

模塊的輸入量為目標(biāo)的車道位置輔助系數(shù)r和車頭間距輔助系數(shù)k，通過對(duì)當(dāng)前時(shí)刻狀態(tài)和延遲時(shí)刻的輔助系數(shù)r1和k1進(jìn)行數(shù)據(jù)關(guān)聯(lián)，預(yù)測(cè)狀態(tài)值的變化趨勢(shì)，對(duì)最可疑的觸發(fā)目標(biāo)進(jìn)行分類并監(jiān)測(cè)。場(chǎng)景分類如表1 所示，將ADAS 狀態(tài)目標(biāo)（obj_status）分為ACC 目標(biāo)、BSM目標(biāo)、LDW目標(biāo)。

5.3 ADAS場(chǎng)景識(shí)別模塊

ADAS 場(chǎng)景識(shí)別模塊利用前文搭建的神經(jīng)網(wǎng)絡(luò)識(shí)別模型對(duì)系統(tǒng)包含的3 類ADAS 功能進(jìn)行模式識(shí)別[15]。其中：ACC 功能的可疑目標(biāo)經(jīng)過神經(jīng)網(wǎng)絡(luò)的模式識(shí)別后，增加車頭時(shí)距tTHW（取值范圍為0～5 s）作為跟車的輔助判別標(biāo)準(zhǔn)；BSM 功能的識(shí)別以速度v[16]、相對(duì)距離R、相對(duì)速度vr為神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行模式識(shí)別后，增加對(duì)預(yù)警時(shí)間（目標(biāo)車輛進(jìn)入盲區(qū)邊界的初始時(shí)間）、左右側(cè)的判定，如圖7所示。

表1 ADAS功能場(chǎng)景分類

圖7 BSM決策算法模塊

左側(cè)BSM識(shí)別：

右側(cè)BSM識(shí)別：

式中，xobj為目標(biāo)車的橫向位置；ll、lr分別為本車所在車道左、右側(cè)車道線位置。

LDW功能的識(shí)別依據(jù)不同的道路條件分為一級(jí)變道（結(jié)構(gòu)性道路）和二級(jí)變道（非結(jié)構(gòu)性道路），如圖8所示：針對(duì)一級(jí)變道，以Mobileye ME630 提供的車道線位置、橫向速度、橫向加速度作為神經(jīng)網(wǎng)絡(luò)的輸入[16-19]；對(duì)于沒有車道線或車道線缺失的二級(jí)變道，利用ESR毫米波雷達(dá)設(shè)計(jì)群車檢測(cè)識(shí)別，通過橫向毫米波的64 個(gè)目標(biāo)與本車的橫向偏移進(jìn)行識(shí)別，橫向偏移為：

本車與80%以上毫米波雷達(dá)探測(cè)目標(biāo)發(fā)生相同橫向偏移，即大部分偏移曲線重合，程序識(shí)別為二級(jí)變道。

圖8 LDW決策算法模塊

6 智能駕駛模式識(shí)別程序驗(yàn)證

圖9所示為某段ACC場(chǎng)景，作為駕駛模式識(shí)別的示例。圖9a 為車輛由右側(cè)車道向左側(cè)車道變道，場(chǎng)景模式ACC 跟車的識(shí)別值由0 變?yōu)?，圖9b～圖9i 為一段跟車過程，圖9i 為車輛向右側(cè)變道跟車結(jié)束，場(chǎng)景模式ACC跟車的識(shí)別值由1變?yōu)?。

圖9 ACC跟車場(chǎng)景識(shí)別示例

ACC跟車模式識(shí)別過程中，輸入信號(hào)和識(shí)別結(jié)果信號(hào)如圖10 所示，程序?qū)τ谄蔚淖R(shí)別結(jié)果符合實(shí)際要求，為了檢驗(yàn)程序在實(shí)際道路試驗(yàn)中的識(shí)別率，分別對(duì)ACC、BSM、LDW功能各選擇一段行程進(jìn)行驗(yàn)證。

圖10 ACC跟車場(chǎng)景識(shí)別示例信號(hào)

6.1 ACC場(chǎng)景識(shí)別結(jié)果

ACC 場(chǎng)景模式識(shí)別測(cè)試結(jié)果如圖11 所示，測(cè)試行程共識(shí)別出284個(gè)跟車場(chǎng)景，198個(gè)被跟車場(chǎng)景，其中程序漏判定0次，誤判定0次。

圖11 ACC功能測(cè)試結(jié)果

6.2 BSM場(chǎng)景識(shí)別結(jié)果

BSM 場(chǎng)景模式識(shí)別測(cè)試結(jié)果如圖12 所示，測(cè)試行程共識(shí)別出228 個(gè)左后方來車場(chǎng)景，355 個(gè)右后方來車場(chǎng)景，其中程序漏判定0次，誤判定0次。

6.3 LDW場(chǎng)景識(shí)別結(jié)果

LDW 場(chǎng)景模式識(shí)別測(cè)試結(jié)果如圖13 所示，測(cè)試行程共識(shí)別出182個(gè)左變道場(chǎng)景，195個(gè)右變道場(chǎng)景，其中程序漏判定2 次，分析其失效原因?yàn)檐嚨谰€模糊致Mobileye ME630無法識(shí)別，誤判定0次。

圖12 BSM功能測(cè)試結(jié)果

圖13 LDW功能測(cè)試結(jié)果

由上述開放道路測(cè)試結(jié)果可知，程序共識(shí)別ACC場(chǎng)景482 個(gè)，BSM 場(chǎng)景583 個(gè)，LDW 場(chǎng)景377 個(gè)，模式識(shí)別的準(zhǔn)確率達(dá)到99.86%，具有較好的工作效果。

7 結(jié)束語

針對(duì)主機(jī)廠現(xiàn)有道路測(cè)試數(shù)據(jù)無法準(zhǔn)確驗(yàn)證ADAS 功能觸發(fā)和結(jié)束的現(xiàn)狀，本文對(duì)各類ADAS 功能的觸發(fā)和穩(wěn)定控制約束條件開展研究，設(shè)計(jì)了一款智能駕駛模式識(shí)別程序。該程序利用神經(jīng)網(wǎng)絡(luò)分別對(duì)ACC、BSM、LDW 場(chǎng)景的特征信息進(jìn)行學(xué)習(xí)，獲得ADAS 場(chǎng)景模式識(shí)別程序，并通過相關(guān)特征信息對(duì)各類場(chǎng)景進(jìn)行實(shí)時(shí)監(jiān)測(cè)識(shí)別。開放道路測(cè)試驗(yàn)證結(jié)果表明，本文設(shè)計(jì)的智能駕駛模式識(shí)別程序能準(zhǔn)確預(yù)測(cè)ADAS 場(chǎng)景的駕駛模式，識(shí)別準(zhǔn)確率達(dá)到99.86%，可為汽車ADAS 功能主動(dòng)觸發(fā)的研發(fā)和試驗(yàn)驗(yàn)證提供有效參考。