范天賜，沈夏威，彭菊生

（湖州職業(yè)技術學院，浙江 湖州 313000）

引言

現階段，國內ADAS系統種類較多，功能各異，如夜視系統（Night Vision, NV）、自適應燈光控制系統（Adaptive Light Control, ALC）、自動泊車系統（Automatic Parking, AP）等，但車輛上配置最多、應用最廣的ADAS系統仍是以縱向速度控制輔助類為主的自適應巡航系統（Adaptive Cruise Control, ACC）、前碰撞預警系統（Front Collision Warning, FCW）及自動緊急剎車系統（Autonomous Emergency Braking, AEB）。國內速度控制類ADAS系統得到廣泛應用的原因，除去市場營銷因素外，更多的是因為追尾事故在中國高發(fā)。據統計，追尾碰撞事故，是繼兩輪車事故、側面碰撞事故后中國道路交通環(huán)境中發(fā)生頻次第三高的碰撞形式，同時由于追尾時較大的碰撞車速及速度差，以及碰撞相容性的巨大差異，此類事故往往會帶來嚴重的車輛損傷及車內外人員的傷亡[1]?？v向速度控制類ADAS系統，由于可以實現正常行駛工況下車速控制，危險時發(fā)出警報，并主動介入來彌補駕駛員反應及操作的不及時，從而有效地避免碰撞事故的發(fā)生，達到降低追尾碰撞類事故帶來的傷害效果，受到國內汽車行業(yè)的普遍認可并得到廣泛應用?，F階段的ADAS測試及評價方法主要由三個關鍵環(huán)節(jié)組成：測試場景、駕駛員模型、測試目標物。相比于其他電子系統的測試，ADAS性能不僅取決于其自身電子控制系統，同時與系統所在的車輛特性、道路環(huán)境、駕駛員操作行為緊密相關，人、車、路、環(huán)境四個因素構成閉環(huán)系統，缺一不可。而駕駛員作為系統中最不穩(wěn)定的因素，駕駛員的不同行為會對系統的穩(wěn)定性造成較大影響。因此，在ADAS系統開發(fā)過程中，充分研究駕駛員模型，將對改善系統穩(wěn)定性、提高系統應用在真實道路環(huán)境下的效用性具有重要意義。

Gipps根據牛頓運動學定律探尋特定的跟馳距離經典[2]，以安全跟車距離作為建模原理，該模型具有具體的數學表達式且各個參數均有物理含義，但是該模型整體穩(wěn)定性欠佳，對于部分極限工況存在失效情況。美國通用汽車研究實驗室的研究員Gazis、Herman和Rothery提出GHR駕駛員模型[3]，該模型是一種非線性跟車模型，以尋求刺激—反應之間的關系作為基本思想，基于前車速度、兩車相對速度、兩車相對距離和駕駛員反應時間輸出本車的加速度，從而進行車輛的控制，但該模型中駕駛員反應時間為定值，模型整體的實用性較弱。Michaels提出的生理-心理跟馳模型中[4]，后車駕駛員通過接受前車在其視覺中投影角變化的刺激，感知兩車相對速度的變化，一旦超過閾值，駕駛員將選擇制動減速，直至相對速度恢復到閾值之上，該模型中對于最終閾值的定義非常重要，由于對閾值取值的不同，模型的適用性會發(fā)生比較大的變化。Kikuchi和Carkroborty[5]運用模糊控制理論，將傳統GM模型中的Δx、Δv、an-1等參數進行模糊化從而進一步研究跟馳模型，該方法定義了三個彼此相關的模糊輸入集，分別對應Δx、Δv、an-1三個參數，基于模糊控制理論改進的模型提高了模型局部穩(wěn)定性，可以在一定程度上預測駕駛員的各種操作，但也存在一定的缺陷，如Δx的系數很難精確得到等。高振海等人基于預瞄跟隨理論建立了駕駛員最優(yōu)預瞄縱向加速度模型[6]，該模型以預瞄跟隨理論為基礎，考慮了駕駛員滯后特性和車輛動力學系統非線性特性的因素，通過油門和制動踏板控制車速變化，反映了駕駛員對車速的控制 行為，該模型易受交通條件的變化，使得模型預測的準確度降低。

本文提出了一種基于中國自然駕駛數據，運用動態(tài)神經網絡建立駕駛員制動模型的方法。首先，在中國5個城市11輛車上安裝數據采集系統，開展自然駕駛試驗，并在1年的試驗期間不間斷地采集駕駛員的日常駕駛數據。其次，通過設定數據處理閾值等方法，從中篩選獲得本文研究工況下的駕駛員基于時間序列的制動行為數據，即樣本工況，并運用攝像頭圖像處理及二維場景重建等方法，獲取此工況下的關鍵參數，如前車速度時間序列、相對距離時間序列等。最后，以處理后的樣本工況為數據基礎，運用動態(tài)神經網絡建立了駕駛員制動模型，為縱向速度控制類ADAS系統在中國道路交通環(huán)境下的優(yōu)化及效用評價提供技術支持。

1 駕駛員緊急制動工況獲取及參數處理

1.1 研究工況篩選

通過在上海、成都、昆明、濟南、呼倫貝爾等地的駕駛員車輛上安裝數據采集設備，設置“觸發(fā)閾值”來篩選獲得研究所需場景數據，本研究中采用的觸發(fā)閾值為X、Y、Z三個方向的加速度值，在設定閾值前，測試了試驗車輛以10～60 km/h行駛時的正常制動、緊急制動、正常轉彎、急轉彎以及過減速帶的三向加速度值。通過分析將最終的加速度觸發(fā)閾值設定為：縱向加速度值0.3 g，橫向加速度值0.3 g，垂向加速度值0.5 g。

本文所需的研究工況為穩(wěn)定跟車行駛狀態(tài)下，前車駕駛員突然制動對本車造成危險的工況，根據美國高速公路安全管理局（National Highway Traffic Safety Administration, NHTSA）于2007年發(fā)布的碰撞前場景分類方法[7]，將危險工況分為37類，每一類描繪了碰撞前環(huán)境狀況、車輛運動狀態(tài)以及沖突原因等信息，其中涉及縱向危險工況的有9類，如表1所示：

表1 縱向危險工況（續(xù)）

表1 縱向危險工況

根據工況需求，選取第25類工況作為研究工況，并依據上述工況標準進行分類。本文中的自然駕駛試驗從2015年12月31日開始實施，截至2016年10月1日，總計采集此類工況151例，經過主觀篩選，去除掉誤觸發(fā)及危險程度不高的工況，最后得到100例工況作為本研究的樣本工況。其中按區(qū)域劃分，上海地區(qū)采集到的工況最多，為49例，其后依次是昆明29例，濟南10例，成都9例，呼倫貝爾3例。

1.2 基于單目視覺傳感器的工況特征參數處理

單目視覺傳感器可以實現將采集到的真實三維場景呈現在二維圖像上，而三維場景中的每一個點與圖像上的對應點都存在著一個數學對應模型，即單目視覺傳感器成像模型[8]，工況特征參數處理即以成像模型為基礎，具體步驟如下：

1.2.1 成像模型標定[9]

模型的標定包括線性模型標定及非線性模型標定，線性模型即小孔成像模型，模型建立的實質是完成現實世界三維場景中的點到二維圖像平面的投影，該投影過程即不同坐標系之間的轉換過程，該標定過程在設備安裝過程中完成。

非線性模型標定即為了獲得準確的成像模型去除圖像畸變的過程，通過Matlab軟件中的Calibration-Toolbox工具箱實現，圖像對比如圖1所示。

圖1 標定前后效果對比

1.2.2 二維場景重建

二維場景重建，即實現二維圖像中地面標記點像素坐標與世界坐標之間對應關系的過程?；贛atlab軟件編寫的二維場景重建軟件界面如圖2所示，只需將特征點的相對二維坐標輸入界面并選取相應的特征點，即可求出所用單目視覺傳感器的線性模型參數[10]。

圖2 二維場景創(chuàng)建軟件界面

1.2.3 特征參數求解

工況參數包括本車行駛速度、本車與目標車輛相對距離、目標車輛速度、加速度及TTC，基于上述二維場景重建方法獲取的目標間空間位置關系，利用各參數物理意義及幾何關系便可求得工況參數。通過將二維場景重建方法獲得數據與實際數據進行對比，測量點縱向距離在25 m之內，誤差小于5%。

駕駛員緊急制動行為分析及車速控制模型的研究，不僅需要定量化的工況特征參數，還需要相關場景信息，如道路環(huán)境、駕乘人員情況等。在處理100例樣本工況的特征參數后，從每一例樣本工況的視頻信息中提取場景信息，場景信息包括環(huán)境參數信息、運動參數信息。

其中環(huán)境參數信息為：

（1）環(huán)境信息：時間（白天/夜晚）、路口（是/否）、高速道路（是/否）。

（2）沖突信息：前車類型（轎車/SUV/大型客貨車）、是否有轉向避讓可能性（是/否）。

（3）車內駕乘信息：副駕駛是否有乘客（是/否）、駕駛員是否交談（是/否）、駕駛員是否聽廣播或音樂（是/否）。

其中運動參數信息為：

（1）本車信息：本車速度（km/h）、本車加速度（g）。

（2）前車信息：前車速度（km/h）。

（3）沖突信息：兩車相對距離（m）、TTC（s）、THW（s）。

2 基于NARX神經網絡的駕駛員制動模型建立

2.1 神經網絡模型搭建

本文選用前車速度V及兩車縱向相對距離d作為輸入變量，本車速度作為輸出變量。選用學習能力及泛化能力較為出色的神經元數量為5，延時階數d=1，建立的神經網絡結構圖如圖3所示。

圖3 NARX神經網絡結構設計

由于采集到的三個特征參數變量本身就處于同一數量級（兩車距離單位為m，車輛速度單位為m/s），因此無須進行樣本歸一化處理[11]。根據本文對駕駛員制動模型的定義，選取每一例樣本中駕駛員從制動開始到結束期間內三個變量的時間序列作為樣本數據，其中樣本時間步長為0.3 s（數據采集設備設定），平均每一例樣本中制動序列的總步長在2～3 s之間，樣本總計100例。本文將樣本分為三類，訓練樣本、測試樣本及驗證樣本，使用Matlab隨機分類算法按70%、15%、15%的比例隨機分類，其中驗證樣本用來控制訓練樣本的訓練程度，在以訓練樣本訓練網絡的過程中，不斷地以驗證樣本代入網絡進行驗證，若精度達到了設定的要求即可以停止訓練。

2.2 學習算法確定

本文中神經網絡訓練算法使用的是L-M算法，該算法屬于最優(yōu)算法的一種，兼具牛頓法和梯度法的優(yōu)點，學習速度較快，其連接權重的調整速率為：

其中：e為網絡的誤差向量；J為網絡誤差對連接權重的倒數的雅可比矩陣；μ為自適應調整標量。

在網絡訓練過程中，L-M算法通過對比目標值和網絡預測值之間的差異從而不斷地修正隱含層權值進行迭代，并以驗證樣本的均方誤差值（MSE）作為訓練是否結束的判斷依據，當驗證樣本的均方誤差值停止下降，且在之后的6次迭代中保持不變，則網絡默認繼續(xù)訓練也不會提高精度從而停止訓練過程。其中，均方誤差是指輸出值與目標值之差平方的期望值，如下所示。

圖4 均方誤差與訓練參數變化

總計進行了17次迭代運算修改隱含層的權值，在第11次迭代后網絡的MSE值保持不變，因此訓練后網絡的MSE值為5.039 9。由圖可知，測試樣本中的MSE值相較于其他兩個樣本明顯小很多，證明網絡具有良好泛化能力。

3 神經網絡模型驗證與評價

每一樣本數據組的目標值與預測值間的回歸性如圖5所示，由圖可知，三組數據的R值全部大于或約等于0.8，訓練樣本的R值最低，這與模型結構設計過程中為了避免過學習而選定的神經元數量有關，其中測試樣本的R值高達0.92，證明模型具有優(yōu)秀的泛化能力，可以準確地進行預測。

圖5 各樣本數據組目標-預測回歸分析

為驗證訓練好的神經網絡模型是否可以準確地模擬駕駛員的制動行為，選取一例工況并提取其制動開始至結束期間的時間序列數據信息，如下表2所示，將相對距離及前車速度的時間序列作為輸入變量，本車速度的初始值作為輸出變量，使用模型對本車速度變化進行預測，結果如圖6所示。

圖6 制動模型仿真結果對比

表2 驗證用樣本工況數據序列

由圖可知，預測速度曲線與本車速度曲線的趨勢變化一致，模型預測的速度變化更為平穩(wěn)（相較于本車速度在0.6 s時的猛烈制動），證明模型具有出色的預測準確性，基于中國駕駛員駕駛數據建立的制動行為模型可以較好地模擬駕駛員的制動過程。

4 總結和展望

本文針對傳統駕駛員模型無法反應駕駛員在制動過程中的操作非線性及個體差異性，不能準確地描述駕駛員的制動特性，提出采用基于NARX神經網絡方法搭建模型，神經網絡在處理復雜非線性問題上的優(yōu)勢明顯，且其強大的樣本數據學習能力可以實現對不同駕駛員制動行為的學習，解決制動非線性及駕駛員個體差異性等問題。本研究中制動模型的概念是指駕駛員從制動開始到制動結束這一階段對車輛的速度控制行為，通過對現有神經網絡的分析，確定了以具備記憶能力及前反饋能力的NARX動態(tài)神經網絡作為模型基礎，通過定義合理的網絡結構，以100例樣本工況中的駕駛員制動序列作為模型樣本，完成對網絡的訓練和驗證，從而建立駕駛員制動模型，并對該模型的預測準確性進行分析。

后續(xù)研究中可以通過增加自然駕駛車輛樣本和駕駛員樣本數據，使得到的結果適用面更廣泛，用于指導縱向ADAS產品研究與開發(fā)。