黃昆

（天津經(jīng)緯恒潤(rùn)科技股份有限公司，天津 300385）

主題詞：智能駕駛 盲區(qū)危險(xiǎn)等級(jí)評(píng)估 神經(jīng)網(wǎng)絡(luò)PID控制 自動(dòng)避碰

縮略語(yǔ)

PID Proportional,Integral,Derivative

ADAS Advanced Driving Assistance System

BSM Blind Spot Monitoring System

DTW Dynamic Time Warping

1 引言

根據(jù)世界衛(wèi)生組織統(tǒng)計(jì)數(shù)據(jù)，全球每年約有125萬(wàn)人死于交通事故，另有5 000 萬(wàn)人受到不同程度的傷害[1]。為了減少交通事故，智能駕駛技術(shù)中的避撞系統(tǒng)（Collision Avoidance System）受到了越來(lái)越多的關(guān)注和重視[2]。汽車盲區(qū)是指由于視線遮擋而導(dǎo)致駕駛員不能直接觀察到的區(qū)域（圖1）。目前，在智能駕駛汽車盲區(qū)的先進(jìn)駕駛輔助系統(tǒng)（Advanced Driving Assistance System,ADAS）中，較為成熟的功能僅有盲區(qū)監(jiān)測(cè)系統(tǒng)（Blind Spot Monitoring System,BSM），它可以通過(guò)傳感器探測(cè)車輛左右后側(cè)盲區(qū)中即將超車的車輛，并對(duì)駕駛員進(jìn)行警示，以避免駕駛員在變道的過(guò)程中與左、右、后方車輛發(fā)生碰撞。

圖1 車輛盲區(qū)示意

為了使盲區(qū)避碰系統(tǒng)能及時(shí)觸發(fā)，相關(guān)的緊急駕駛場(chǎng)景通常依據(jù)目標(biāo)激活盲區(qū)預(yù)警功能的初始狀態(tài)進(jìn)行軌跡預(yù)測(cè)，并通過(guò)危險(xiǎn)等級(jí)評(píng)估指標(biāo)對(duì)場(chǎng)景模式進(jìn)行識(shí)別[3]。Kluger[4]等從離散傅里葉變換縱向加速度時(shí)間序列中提取特征變量，并使用聚類（K-Means）從自然駕駛數(shù)據(jù)中識(shí)別關(guān)鍵事件。Lee[5]等利用路段加減速累積頻率圖來(lái)測(cè)量減速度曲線的風(fēng)險(xiǎn)等級(jí)，并利用行駛軌跡數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)潛在的緊急減速，用于碰撞預(yù)警。張立軍[6]等基于軌跡預(yù)測(cè)模型，提出了一種以距離為安全指標(biāo)的商用車盲區(qū)防撞預(yù)警方法。白龍[7]基于視覺(jué)感知系統(tǒng)，以單目攝像頭的測(cè)距結(jié)果為依據(jù)，提出了一種盲區(qū)安全預(yù)警方法。趙宇峰[8]利用單目視覺(jué)原理中的攝像機(jī)針孔成像模型對(duì)盲區(qū)目標(biāo)進(jìn)行測(cè)距，提出了一種盲區(qū)監(jiān)測(cè)預(yù)警的視覺(jué)判定方法。然而，BSM盲區(qū)預(yù)警功能目前僅能對(duì)依據(jù)車輛盲區(qū)是否存在目標(biāo)進(jìn)行預(yù)警提醒，而無(wú)法對(duì)車輛進(jìn)行避碰控制，因此盲區(qū)避碰系統(tǒng)的開(kāi)發(fā)對(duì)盲區(qū)智能駕駛輔助技術(shù)具有十分重要的意義。

綜上所述，盲區(qū)智能駕駛輔助功能的研發(fā)仍停留在盲區(qū)目標(biāo)預(yù)警的階段，將從盲區(qū)避碰進(jìn)行深入的研究。設(shè)計(jì)一種基于神經(jīng)網(wǎng)絡(luò)PID 構(gòu)造的盲區(qū)危險(xiǎn)目標(biāo)自動(dòng)避碰系統(tǒng)，將目標(biāo)的橫向相對(duì)聚類為危險(xiǎn)等級(jí)評(píng)估的指標(biāo)，依據(jù)指標(biāo)的譜聚類分析結(jié)果，對(duì)目標(biāo)所處區(qū)域的危險(xiǎn)等級(jí)進(jìn)行劃分，并以期望的安全指標(biāo)對(duì)高危險(xiǎn)等級(jí)的盲區(qū)危險(xiǎn)目標(biāo)進(jìn)行神經(jīng)網(wǎng)絡(luò)PID 控制，輔助駕駛員實(shí)現(xiàn)盲區(qū)危險(xiǎn)目標(biāo)的自動(dòng)避碰功能。

2 場(chǎng)景數(shù)據(jù)獲取

基于某主機(jī)廠的道路測(cè)試組采集的道路測(cè)試場(chǎng)景數(shù)據(jù)庫(kù)，提取盲區(qū)目標(biāo)超越本車場(chǎng)景的交通場(chǎng)景數(shù)據(jù)，用以對(duì)盲區(qū)目標(biāo)的風(fēng)險(xiǎn)等級(jí)分類。數(shù)據(jù)采樣間隔為10 Hz，記錄車輛并排前10 s 至車輛離開(kāi)盲區(qū)的自車參數(shù)信息、車輛相對(duì)位置信息和相對(duì)運(yùn)動(dòng)信息。

2.1 原始數(shù)據(jù)篩選

基于某主機(jī)廠的道路測(cè)試場(chǎng)景數(shù)據(jù)庫(kù)，提取了265例盲區(qū)目標(biāo)超車場(chǎng)景（圖2），作為危險(xiǎn)等級(jí)評(píng)估的安全指標(biāo)樣本。通過(guò)人工篩選，保留了251 例木牛毫米波雷達(dá)數(shù)據(jù)采集完整的場(chǎng)景，剔除66 例涉及三輪車、摩托車、自行車非機(jī)動(dòng)車輛的干擾場(chǎng)景。最終，篩選出有效且完整的盲區(qū)目標(biāo)超車場(chǎng)景片段，共計(jì)185例。

圖2 盲區(qū)目標(biāo)超車場(chǎng)景

2.2 目標(biāo)橫向相對(duì)距離的提取

“盲區(qū)危險(xiǎn)事件—緊急避碰”是盲區(qū)危險(xiǎn)目標(biāo)在超越本車的過(guò)程中，目標(biāo)的橫向相對(duì)距離小于駕駛員期望的安全距離，使得自車駕駛員轉(zhuǎn)動(dòng)轉(zhuǎn)向盤向危險(xiǎn)目標(biāo)反方向緊急避碰。

第1階段：自車處于自由駕駛狀態(tài)，其運(yùn)動(dòng)狀態(tài)隨機(jī)。

第2 階段：目標(biāo)車以很大的縱向相對(duì)速度（5～15 m/s）從左/右相鄰車道進(jìn)入危險(xiǎn)區(qū)域，自車駕駛員控制轉(zhuǎn)向盤向反方向進(jìn)行轉(zhuǎn)向，以避免碰撞。

在本次研究中，目標(biāo)車進(jìn)入盲區(qū)定義為“盲區(qū)一般事件”，當(dāng)目標(biāo)的橫向相對(duì)距離小于最小安全距離時(shí)定義為“盲區(qū)危險(xiǎn)事件—緊急避碰”，以此表示駕駛員對(duì)當(dāng)前狀態(tài)危險(xiǎn)程度的判斷。

數(shù)據(jù)提取通過(guò)上位機(jī)獲取，圖3 為場(chǎng)景提取的上位機(jī)界面，左側(cè)示圖為場(chǎng)景的視頻及GPS 位置信息，右側(cè)示圖為場(chǎng)景的數(shù)據(jù)信息。自車速度Vego、方向盤轉(zhuǎn)角SAS、偏航角a、相對(duì)距離R、相對(duì)速度等Vr，縱向時(shí)距信息為目標(biāo)的縱向時(shí)距。

圖3 上位機(jī)界面

3 盲區(qū)安全指標(biāo)的聚類分析

3.1 聚類分析方法

譜聚類是一種基于圖論的算法，將所有數(shù)據(jù)視為空間中的點(diǎn)，并假設(shè)所有這些數(shù)據(jù)點(diǎn)都由賦予權(quán)值的邊連接[9]。2 個(gè)點(diǎn)相似度越大，邊緣權(quán)值越大，反之亦然。所有數(shù)據(jù)點(diǎn)之間的權(quán)值構(gòu)成鄰接矩陣W，第i行和第j列的元素記錄點(diǎn)i和點(diǎn)j之間的權(quán)值。譜聚類的目的是找到該圖的分區(qū)，使得不同組之間邊的權(quán)值之和很小，而組內(nèi)邊的權(quán)值之和很大[10]。

選取目標(biāo)的橫向相對(duì)距離作為盲區(qū)避碰安全指標(biāo)，對(duì)盲區(qū)車輛危險(xiǎn)等級(jí)進(jìn)行分類。針對(duì)盲區(qū)避碰安全指標(biāo)的聚類分析結(jié)果，自車與目標(biāo)車的橫向相對(duì)距離越小、距離變化率越大，通常表明駕駛員認(rèn)知的危險(xiǎn)程度越高。因此，在樣本相對(duì)橫向距離進(jìn)行聚類分析過(guò)程中，以樣本間的動(dòng)態(tài)時(shí)間規(guī)整（Dynamic Time Warping,DTW）和樣本的變化率（ΔCur）作為度量標(biāo)準(zhǔn)。

（1）“距離”度量標(biāo)準(zhǔn)

由于樣本中目標(biāo)車駕駛員從發(fā)出超車意圖到超車結(jié)束的時(shí)間跨度不同，因此采用DTW 算法計(jì)算樣本中目標(biāo)橫向相對(duì)距離時(shí)間序列的DTW距離。不同時(shí)間序列的DTW距離是基于樣本點(diǎn)與樣本點(diǎn)之間的路徑距離之和最小原則，計(jì)算距離路徑最優(yōu)解。選擇2個(gè)k維信號(hào)X和Y，如式（1）、式（2）所示。

由于車輛CAN 總線和雷達(dá)探測(cè)到的信號(hào)都為1維信號(hào)，也就是說(shuō)信號(hào)X和Y都只有第1行有數(shù)據(jù)，其中X有m個(gè)樣本點(diǎn)，Y有n個(gè)樣本點(diǎn)。樣本點(diǎn)之間的距離用歐氏距離進(jìn)行計(jì)算。信號(hào)X中第M∈{1,2,…,m}個(gè)樣本點(diǎn)與信號(hào)Y中第N∈{1,2,…,m}個(gè)樣本點(diǎn)的歐式距離計(jì)算如式（3）。

式中，dmn(X,Y)為計(jì)算各個(gè)樣本點(diǎn)之間的距離；xk,m為X中m個(gè)樣本點(diǎn)中的第k個(gè)樣本點(diǎn)，yk,n為Y中n個(gè)樣本點(diǎn)中的第k個(gè)樣本點(diǎn)。

尋找使采樣點(diǎn)之間的距離之和最小的2個(gè)路徑序列ix*和iy*，如式（4），計(jì)算規(guī)則如圖4。

圖4 距離計(jì)算規(guī)則

2個(gè)時(shí)間序列信號(hào)X和Y之間的DTW距離計(jì)算如式（5）。

式中，dmn(X,Y)為計(jì)算各個(gè)樣本點(diǎn)之間的距離。

計(jì)算獲得的DTW距離可以完整的保留時(shí)間序列中的危險(xiǎn)等級(jí)信息，以及目標(biāo)的橫向相對(duì)速度的最大值、最小值和均值。

（2）平均變化率

在提取的目標(biāo)橫向相對(duì)距離曲線中的平均變化率ΔCur（相對(duì)橫向距離變化幅度和持續(xù)時(shí)間的比值）時(shí)，首先需要將DTW距離和變化率ΔCur進(jìn)行歸一化，消除維度對(duì)測(cè)量的影響?；贒TW距離和平均變化率ΔCur，通過(guò)高斯徑向基函數(shù)內(nèi)核（一種相似性的度量表示）表示樣本點(diǎn)之間的兩兩相似之處，獲得樣本的鄰接矩陣W，將相近的樣本劃歸為同一類型。最終得到的樣本鄰接矩陣W如式（6）所示。

在鄰接矩陣W中，樣本點(diǎn)與樣本點(diǎn)之間的權(quán)值wij可以用來(lái)表示樣本點(diǎn)之間的相似性。權(quán)值wij的計(jì)算公式如式（7）。

式中，n表示采用的指標(biāo)數(shù)量，本文取值為2(包括DTW距離和ΔCur)。

3.2 聚類結(jié)果及分析

基于MATLAB軟件對(duì)第2章提取的185條目標(biāo)橫向相對(duì)距離曲線進(jìn)行譜聚類分析，同時(shí)使用K均值聚類算法[11]對(duì)目標(biāo)的平均橫向相對(duì)距離、最小橫向相對(duì)距離和橫向相對(duì)距離的平均變化率ΔCur的均值進(jìn)行聚類分析，并對(duì)兩種聚類分析方法的結(jié)果進(jìn)行比較，其對(duì)比結(jié)果如表1所示。

由表1可知，相較于K均值聚類算法，譜聚類算法得到的平均變化率更低，因此依據(jù)譜聚類分析的結(jié)果對(duì)場(chǎng)景危險(xiǎn)程度進(jìn)行分類。由于Cluster-2 具有更大的橫向相對(duì)距離和平均變化率，因此將其劃分為無(wú)風(fēng)險(xiǎn)類型，其平均橫向相對(duì)距離Rmean可以作為駕駛員的期望橫向相對(duì)距離。而Cluster-1 具有較小的橫向相對(duì)距離和平均變化率，將其劃分為低風(fēng)險(xiǎn)類型，由于提取的盲區(qū)目標(biāo)超車場(chǎng)景都為無(wú)碰撞的自然駕駛場(chǎng)景，因此該類場(chǎng)景的橫向相對(duì)距離最小值Rmin可以作為駕駛員認(rèn)知的危險(xiǎn)場(chǎng)景與安全場(chǎng)景的邊界。

表1 譜聚類與K均值聚類算法聚類結(jié)果對(duì)比

4 基于安全指標(biāo)的車輛控制模型

神經(jīng)網(wǎng)絡(luò)PID 控制[12]（Neural network PID control，NN PID）是一種典型的控制算法，它在傳統(tǒng)PID 控制的基礎(chǔ)上，通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)并調(diào)節(jié)PID 參數(shù)，可以在較短時(shí)間內(nèi)使模型達(dá)到預(yù)期要求。本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)PID 控制模型是基于m 語(yǔ)言編寫的，其結(jié)構(gòu)示意圖如圖5所示。模型的輸入量包括駕駛員期望的目標(biāo)橫向相對(duì)距離x和目標(biāo)實(shí)際的橫向相對(duì)距離Rx，模型的輸出量為PID 控制的方向盤轉(zhuǎn)角SAS。其中PID參數(shù)僅需要給出一個(gè)初始的默認(rèn)值，通過(guò)神經(jīng)網(wǎng)絡(luò)即可實(shí)現(xiàn)PID參數(shù)的自動(dòng)調(diào)節(jié)。

圖5 神經(jīng)網(wǎng)絡(luò)PID模型示意

4.1 PID控制算法

（1）PID的傳遞過(guò)程模型

在PID 模型的閉環(huán)控制中，系統(tǒng)通過(guò)計(jì)算被控制量的駕駛員期望值和實(shí)際測(cè)量值之間的誤差e(t)，對(duì)被控制量進(jìn)行不斷地調(diào)節(jié)，使其實(shí)際觀測(cè)值無(wú)限接近期望值。PID控制的一般形式如式（8）。

式中，y(t)為系統(tǒng)的輸出，kp為PID的比例調(diào)節(jié)參數(shù)，ki為PID的積分調(diào)節(jié)參數(shù)，kd為PID的微分調(diào)節(jié)參數(shù)。

（2）系統(tǒng)誤差更新

由于每一個(gè)循環(huán)過(guò)后，被控制量的實(shí)際觀測(cè)值都會(huì)發(fā)生改變，因此系統(tǒng)誤差也會(huì)隨之更新，直到系統(tǒng)誤差足夠小后，可以認(rèn)為模型的控制調(diào)節(jié)效果達(dá)到預(yù)期。系統(tǒng)誤差的更新公式如式（9）。

式中，xk+1為第k+1次循環(huán)的輸入量，e(t)為系統(tǒng)誤差。

4.2 基于神經(jīng)網(wǎng)絡(luò)的PID參數(shù)調(diào)節(jié)

神經(jīng)網(wǎng)絡(luò)PID 控制模型旨在通過(guò)神經(jīng)網(wǎng)絡(luò)，對(duì)PID模型的PID參數(shù)進(jìn)行不斷地學(xué)習(xí)和調(diào)節(jié)，如圖6所示。神經(jīng)網(wǎng)絡(luò)的輸入變量為系統(tǒng)誤差e(t)、輸出量y和上一循環(huán)周期的PID 參數(shù)kp(t)、ki(t)、kd(t)，輸出變量為下一周期的PID參數(shù)kp(t+T)、ki(t+T)、kd(t+T)。

圖6 神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)PID參數(shù)調(diào)節(jié)模型構(gòu)建過(guò)程如下：

（1）隱藏層節(jié)點(diǎn)數(shù)計(jì)算

神經(jīng)網(wǎng)絡(luò)隱藏層的節(jié)點(diǎn)數(shù)選擇，可以通過(guò)公式（10）計(jì)算獲得。

式中，m為隱藏層節(jié)點(diǎn)數(shù)，n為輸入層節(jié)點(diǎn)數(shù)，l為輸出層節(jié)點(diǎn)數(shù)，α為1～10之間的常數(shù)。

（2）神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法

神經(jīng)網(wǎng)絡(luò)是通過(guò)訓(xùn)練的誤差反饋來(lái)逐步調(diào)整各層輸入的權(quán)重配比，其常用的訓(xùn)練方法包括梯度下降法和最小二乘法。經(jīng)過(guò)綜合考慮，本文設(shè)計(jì)的跟車場(chǎng)景識(shí)別模型以梯度下降法作為神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法，其迭代公式如式（11）。

式中，wi+1為第i+1 個(gè)更新結(jié)果,di為第i個(gè)結(jié)果的距離誤差，ηi為學(xué)習(xí)效率。

（3）神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效率

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率一般在0.01～0.80 之間選取，如果選擇的值過(guò)大會(huì)導(dǎo)致收斂過(guò)快，系統(tǒng)震蕩不穩(wěn)定等問(wèn)題，如果學(xué)習(xí)效率過(guò)小，則會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度過(guò)慢，經(jīng)過(guò)反復(fù)試驗(yàn)，發(fā)現(xiàn)選取學(xué)習(xí)效率的值為0.5時(shí)，即可滿足構(gòu)造需求。

（4）PID參數(shù)調(diào)節(jié)

PID 參數(shù)由3 類參數(shù)組成：比例kp、積分ki、微分kd。在此使用θ表征PID參數(shù)。設(shè)定參數(shù)θ的累計(jì)平方梯度r的初始值為0，其更新公式如公式（12）所示。PID參數(shù)θ的更新公式如公式（13）所示。

式中，g為參數(shù)的梯度。

式中，g為參數(shù)的梯度；η為學(xué)習(xí)效率；δ為小常數(shù)，取值為1～7（避免分母為0）（補(bǔ)充其他變量的解釋）。

5 盲區(qū)危險(xiǎn)目標(biāo)自動(dòng)避碰系統(tǒng)

5.1 系統(tǒng)構(gòu)架

盲區(qū)危險(xiǎn)目標(biāo)自動(dòng)避碰系統(tǒng)架構(gòu)如圖7 所示，由感知層、決策層和執(zhí)行層3部分組成[13]。

圖7 盲區(qū)危險(xiǎn)目標(biāo)自動(dòng)避碰系統(tǒng)架構(gòu)

（1）感知層通過(guò)感知傳感器對(duì)交通環(huán)境中的盲區(qū)目標(biāo)進(jìn)行感知探測(cè)；

（2）決策層依據(jù)感知層獲取的目標(biāo)信息，對(duì)目標(biāo)是否需要自動(dòng)避碰、避碰方位進(jìn)行控制決策；

（3）執(zhí)行層通過(guò)神經(jīng)網(wǎng)絡(luò)PID 模型控制自車對(duì)盲區(qū)危險(xiǎn)目標(biāo)進(jìn)行避碰，控制達(dá)到期望的橫向位置。

5.2 感知層

系統(tǒng)的感知層如圖8 所示，主要使用木牛雷達(dá)對(duì)交通目標(biāo)進(jìn)行感知探測(cè)。定義縱向時(shí)距TTO為本車與目標(biāo)的縱向相對(duì)距離與相對(duì)速度之比，表征目標(biāo)與自車并排所需時(shí)間。系統(tǒng)的輸入量為目標(biāo)偏航角a，相對(duì)距離R，相對(duì)速度Vr，輸出量為目標(biāo)縱向相對(duì)距離Rx，橫向相對(duì)距離Ry，和縱向時(shí)距TTO。

圖8 目標(biāo)感知探測(cè)模塊

木牛雷達(dá)可獲取的目標(biāo)信號(hào)包括：偏航角a、相對(duì)距離R和相對(duì)速度Vr。首先需要將目標(biāo)位置信息轉(zhuǎn)換為自車坐標(biāo)位置，其計(jì)算如式（14）、（15）。

5.3 決策層

系統(tǒng)決策層如圖9 所示，它通過(guò)感知層獲取的交通環(huán)境信息對(duì)自車是否需要緊急避碰進(jìn)行決策規(guī)劃[14-16]。系統(tǒng)的輸入量為目標(biāo)與自車的縱向相對(duì)距離Rx，橫向相對(duì)距離Ry，相對(duì)速度Vr，左右車道線位置，自車速度Vego和縱向時(shí)距TTO，輸出量為盲區(qū)目標(biāo)預(yù)警的激活時(shí)間、目標(biāo)方位（左后方或右后方）、危險(xiǎn)等級(jí)信號(hào)和自動(dòng)避碰介入信號(hào)。

圖9 盲區(qū)目標(biāo)預(yù)警模塊

（1）盲區(qū)目標(biāo)預(yù)警的激活時(shí)間

盲區(qū)目標(biāo)預(yù)警的激活時(shí)間是目標(biāo)車進(jìn)入自車相對(duì)危險(xiǎn)區(qū)域后，預(yù)警功能激活的時(shí)間。功能激活需要滿足的約束條件如下。

①速度約束

盲區(qū)目標(biāo)預(yù)警功能激活需要滿足目標(biāo)車輛速度大于自車速度的條件，速度約束條件如式（16）。

式中，Vego為Vobj為目標(biāo)車輛速度。

②位置約束

盲區(qū)目標(biāo)預(yù)警功能激活需要約束目標(biāo)的橫向相對(duì)位置在特定的區(qū)域范圍內(nèi)，其約束條件式（17）所示。

式中，Rx為橫向距離；Lane為車道位置（由Mobileye EQ3 攝像頭獲取）；Rd為當(dāng)前道路的車道寬度，其值由左右車道線距離差值計(jì)算獲得。

盲區(qū)目標(biāo)預(yù)警功能激活需要約束目標(biāo)的縱向相對(duì)位置在自車后方的特定區(qū)域范圍內(nèi)，其約束條件如公式（18）所示。

式中，Ry為縱向距離；RBSM為功能激活的縱向距離閾值，取30 m[17]。

③時(shí)距約束

盲區(qū)目標(biāo)預(yù)警功能激活需要確定目標(biāo)車輛具有在較短時(shí)間內(nèi)超越自車的能力，約束條件如式（19）。

式中，TTO為縱向時(shí)距；TTOBSM為功能激活的縱向時(shí)距閾值，通過(guò)大量場(chǎng)景數(shù)據(jù)分析，取值為3.5 s。

（2）目標(biāo)方位

車輛盲區(qū)包括左側(cè)盲區(qū)和右側(cè)盲區(qū)兩部分，為了判斷是否需要使用左側(cè)或者右側(cè)的盲區(qū)目標(biāo)預(yù)警功能，需要對(duì)目標(biāo)所處的方位進(jìn)行判定。由于目標(biāo)可能部分位于本車道內(nèi)，無(wú)法直接以車道線為方位的界限，本文通過(guò)比較目標(biāo)與左右兩車道線的距離對(duì)進(jìn)行方位進(jìn)行判定，若滿足式（20），則判定目標(biāo)位于右側(cè)；若不滿足，則判定目標(biāo)位于右側(cè)。

式中，Rx為橫向距離；LaneL為左側(cè)車道線位置，LaneR為右側(cè)車道線位置。

（3）危險(xiǎn)等級(jí)信號(hào)和自車避碰介入信號(hào)

盲區(qū)目標(biāo)的危險(xiǎn)等級(jí)劃分如表2 所示，以Cluster-1 的最大橫向相對(duì)距離Rmin和Cluster-2 的平均橫向相對(duì)距離Rmean作為等級(jí)劃分的界限，將場(chǎng)景分為0 級(jí)危險(xiǎn)場(chǎng)景、1 級(jí)危險(xiǎn)場(chǎng)景、2 級(jí)危險(xiǎn)場(chǎng)景。自車避碰介入信號(hào)以場(chǎng)景的危險(xiǎn)等級(jí)作為介入依據(jù)，對(duì)于0 級(jí)的場(chǎng)景不介入自動(dòng)避碰功能，信號(hào)為N，對(duì)于1 級(jí)和2 級(jí)的危險(xiǎn)場(chǎng)景介入自動(dòng)避碰功能，信號(hào)為Y。

表2 盲區(qū)目標(biāo)的危險(xiǎn)等級(jí)劃分

5.4 執(zhí)行層

系統(tǒng)通過(guò)執(zhí)行層控制車輛進(jìn)行避碰，當(dāng)系統(tǒng)接受到自動(dòng)避碰指令后，通過(guò)第4章構(gòu)建的神經(jīng)網(wǎng)絡(luò)PID模型控制本車進(jìn)行偏轉(zhuǎn)，實(shí)現(xiàn)對(duì)危險(xiǎn)目標(biāo)進(jìn)行自動(dòng)避碰。系統(tǒng)執(zhí)行層如圖10所示，輸入量包括本車速度、方向盤轉(zhuǎn)角、縱向時(shí)距、橫向距離、方位、危險(xiǎn)等級(jí)、自動(dòng)介入信號(hào)，輸出量為神經(jīng)網(wǎng)絡(luò)PID控制輸出的方向盤轉(zhuǎn)角。

圖10 系統(tǒng)執(zhí)行層

6 系統(tǒng)驗(yàn)證

為了對(duì)盲區(qū)自動(dòng)避碰系統(tǒng)的可行性進(jìn)行驗(yàn)證，使用ADAS 功能試驗(yàn)車進(jìn)行實(shí)車道路測(cè)試，以實(shí)現(xiàn)對(duì)系統(tǒng)的自動(dòng)避碰性能進(jìn)行評(píng)估[18-20]。道路測(cè)試的地點(diǎn)選擇為一條車輛較少的高速公路，測(cè)試時(shí)間為2019 年11 月16 日，天氣晴，道路交通條件為暢通，數(shù)據(jù)采集設(shè)備包括木牛毫米波雷達(dá)、Mobileye EQ3 攝像頭、Brick PC、CANape 數(shù)據(jù)存儲(chǔ)及處理軟件，系統(tǒng)測(cè)試的場(chǎng)景設(shè)定如表3所示。

表3 系統(tǒng)測(cè)試的場(chǎng)景設(shè)定

為闡述智能駕駛汽車盲區(qū)自動(dòng)避碰系統(tǒng)的可行性，限于篇幅，選取一段場(chǎng)景示例對(duì)功能的盲區(qū)自動(dòng)避碰功能進(jìn)行展示，如圖11所示。t1-t9時(shí)刻目標(biāo)自本車的右側(cè)進(jìn)入盲區(qū)，當(dāng)車輛的縱向時(shí)距滿足功能的激活條件時(shí)，對(duì)目標(biāo)的危險(xiǎn)等級(jí)進(jìn)行判定，并依據(jù)目標(biāo)的危險(xiǎn)等級(jí)控制車輛進(jìn)行避碰。

圖11 場(chǎng)景示例

圖11 示例中，數(shù)數(shù)據(jù)采集設(shè)備獲取的場(chǎng)景數(shù)據(jù)如圖12 所示，圖12（a）為自車的速度Vego曲線、圖12（b）為自車方向盤轉(zhuǎn)角SAS、圖12（c）為目標(biāo)的縱向相對(duì)位置Rx、圖12（d）為目標(biāo)的橫向相對(duì)位置Ry、圖12（e）為目標(biāo)的相對(duì)速度Vr、圖12（f）為實(shí)際縱向時(shí)距TTO的曲線和TTO為3.5 s 的激活時(shí)刻曲線對(duì)比圖。

圖12 示例場(chǎng)景的數(shù)據(jù)信息曲線

在本文中，以車輛可碰撞時(shí)刻（目標(biāo)車頭超過(guò)自車車尾）自車與盲區(qū)危險(xiǎn)目標(biāo)的橫向相對(duì)距離期望值Rx_pre與實(shí)際值Rx的誤差來(lái)評(píng)估系統(tǒng)的性能，即最終的橫向誤差ek.。一個(gè)較小的ek.意味著系統(tǒng)的自動(dòng)避碰性能優(yōu)良，一個(gè)較大的ek.意味著系統(tǒng)的自動(dòng)避碰觸發(fā)較晚或自動(dòng)避碰性能較差，需要提早預(yù)警時(shí)間或優(yōu)化算法。從示例展示結(jié)果可以看出，盲區(qū)目標(biāo)觸發(fā)自動(dòng)避碰功能后，即縱向時(shí)距TTO小于3.5 s，系統(tǒng)控制車輛想反方向進(jìn)行自動(dòng)避碰控制，大約2.6 s 自車與目標(biāo)的橫向相對(duì)距離接近期望值，完全滿足駕駛員對(duì)盲區(qū)危險(xiǎn)目標(biāo)自動(dòng)避碰功能的要求。

7 結(jié)論

本文基于神經(jīng)網(wǎng)絡(luò)PID 算法，提出了一種盲區(qū)危險(xiǎn)目標(biāo)自動(dòng)避碰方法。通過(guò)K均值聚類算法，對(duì)盲區(qū)超車場(chǎng)景的目標(biāo)橫向距離進(jìn)行聚類分析。神經(jīng)網(wǎng)絡(luò)PID自動(dòng)避碰控制算法以聚類結(jié)果目標(biāo)橫向距離作為安全指標(biāo)，通過(guò)構(gòu)造系統(tǒng)感知層、決策層和執(zhí)行層，對(duì)危險(xiǎn)和較為危險(xiǎn)的目標(biāo)進(jìn)行自動(dòng)避碰控制，以提高智能加速汽車的安全性。系統(tǒng)經(jīng)過(guò)實(shí)車道路試驗(yàn)驗(yàn)證，智能加速汽車在右后側(cè)目標(biāo)駛?cè)胛ｋU(xiǎn)區(qū)域時(shí)，觸發(fā)自動(dòng)避碰控制系統(tǒng)，并能在較短時(shí)間內(nèi)控制車輛避開(kāi)超車目標(biāo)。

簡(jiǎn)而言之，本文所構(gòu)建的盲區(qū)危險(xiǎn)目標(biāo)自動(dòng)避碰系統(tǒng)在道路測(cè)試中有著良好的表現(xiàn)。將在以后的研究中對(duì)涉及多目標(biāo)的復(fù)合駕駛場(chǎng)景進(jìn)行深入的研究，以實(shí)現(xiàn)多目標(biāo)干擾的盲區(qū)危險(xiǎn)目標(biāo)自動(dòng)避碰。