張 策,韓 愈,劉凱文,王 丹,林 業(yè)
(天津科技大學 機械工程學院, 天津 300222)
換道是汽車行駛過程中常見的駕駛行為之一,在換道過程中,對交通環(huán)境的感知及對車輛的控制都比其他駕駛行為更加復雜,危險性也更高[1-2]。美國高速公路安全管理局(national highwaytraffic safety administration)對近年來發(fā)生的交通事故進行統(tǒng)計分析后發(fā)現(xiàn),有約27%的事故是由車輛換道造成的,而且這其中又有90%以上是由于駕駛員對周圍環(huán)境觀測不足造成的[3]。我國大型實車路試試驗也有相似的結論:在近年來交通事故中,有23.91%是由于換道引起的[4]。隨著搭載自動駕駛技術的智能汽車逐步推廣,能夠大幅減少因錯誤駕駛行為引起的交通事故。基于反映真實換道行為特征的自然駕駛數(shù)據(jù),可以為智能汽車提供正確評估換道場景潛在風險的能力,選擇安全舒適的策略,減少換道引起的交通事故,對提高道路行車安全具有重要意義。
目前主要有兩種獲取高速公路換道行為數(shù)據(jù)的方式[5]:一是視頻拍攝,美國的NGSIM(next generation simulation)數(shù)據(jù)集[6]從高層建筑捕獲中,以鳥瞰的視角捕獲了高速公路和城市交通道路上的車輛軌跡,是一組公開的微觀交通數(shù)據(jù),廣泛用于駕駛員行為的研究;德國的highD數(shù)據(jù)集[7]使用配備有攝像模式的無人機來記錄德國高速公路上的交通情況,定位誤差通常小于10 cm,其中包括了5 600條完整的變道記錄;傳統(tǒng)的視頻獲取方法主要是基于路側視頻進行拍攝,但由于高度有限,有效拍攝范圍較短,而且后期的數(shù)據(jù)處理也面臨較大挑戰(zhàn)。二是自然駕駛,相比于視頻拍攝能夠獲得全面的駕駛行為數(shù)據(jù),美國SHRP2(the strategic highway research program 2)[8]采集了36 000條正常駕駛、接近碰撞及碰撞的自然駕駛數(shù)據(jù);國內同濟大學基于China-FOT[9]項目收集了近60名駕駛人的行為數(shù)據(jù),總里程129 109 km。但換道行為受天氣、道路類型、交通量等因素影響,僅僅基于現(xiàn)有數(shù)據(jù)集的分析是遠遠不夠的,針對中國高速公路條件下的換道行為特性研究仍需要大量開展。
本文針對高速公路場景下的換道行為展開研究。首先,使用標準自然駕駛數(shù)據(jù)處理流程,對高速公路駕駛數(shù)據(jù)進行采集處理,獲取每輛車連續(xù)的運行狀態(tài)數(shù)據(jù);然后,搭建支持向量機模型對換道行為進行識別;最后,提取換道行為軌跡與相關車輛,對換道行為的時間長度、空間長度以及周邊車輛的相互狀態(tài)等特征參數(shù)進行深入分析。
自然駕駛數(shù)據(jù)處理流程主要分為采集、清洗、目標標注、場景標注、場景聚類、入庫。駕駛場景數(shù)據(jù)采集主要采用激光雷達、毫米波雷達、多位置多角度攝像頭、定位設備、本車can線信息等多傳感器,采集車輛與傳感器布置如圖1所示。
圖1 實際采集車輛與傳感器布置示意圖
駕駛場景數(shù)據(jù)傳輸回來后,先對采集數(shù)據(jù)進行清洗,去掉錯誤的和遺漏的數(shù)據(jù);然后,對采集到的場景視頻圖片數(shù)據(jù)、激光雷達點云數(shù)據(jù)進行目標類型、位置等信息標注;駕駛場景標目標注后形成時間序列數(shù)據(jù),結合視頻對場景特征進行標注。本文標注工作在ASEVA軟件中完成,圖2為標注過程中的視頻回放示例。
圖2 ASEVA標注過程中的視頻回放示例
接下來,按照場景體系將場景基元前后組合成駕駛場景,根據(jù)不同測試目的列入不同功能場景的場景庫;最后,將場景聚類數(shù)據(jù)轉化為場景標準格式,伴隨原始數(shù)據(jù)和標注數(shù)據(jù)存入場景數(shù)據(jù)庫,并實現(xiàn)快速檢索。
為了便于高速公路場景下的換道數(shù)據(jù)研究,作3點說明:① 不考慮高速公路出入口、大曲率彎道及連續(xù)換道場景;② 不考慮極端天氣;③ 不考慮傳感器誤差。
另外,本文數(shù)據(jù)標注采用九宮格原則,只考慮本車周圍的車輛,標注的前后標注距離為100 m,標注原則如圖3所示,其中Ego代表主車,Veh1~Veh8代表周圍場景車輛。
圖3 數(shù)據(jù)標注原則示意圖
最終得到自然駕駛數(shù)據(jù)格式,如表1所示。
表1 自然駕駛數(shù)據(jù)格式
由于換道不是在一瞬間完成的,而是一個持續(xù)性的過程,因此,不能僅憑瞬時的行駛數(shù)據(jù)進行換道狀態(tài)識別,應該選取一段時間內的行駛軌跡數(shù)據(jù)來作為換道狀態(tài)識別的樣本。換道行駛軌跡樣本確定方法如下:
首先通過車輛車道ID變化情況確定換道車輛的車道變化點,即車輛中心跨過車道線的時間點t。由于絕大多數(shù)車輛的換道行為都會在10 s內完成,本文數(shù)據(jù)采集頻率為25 Hz,采樣時間為0.04 s,因此截取車道變化點t前后175個時間點共計250個時間點的車輛軌跡數(shù)據(jù),計算此段時間內車輛的航向角,以采集入庫的數(shù)據(jù)中某輛車的行駛數(shù)據(jù)為例,車道變化點前后共10 s內的航向角變化趨勢如圖4所示。
航向角開始發(fā)生明顯且穩(wěn)定變化的時間點可以被認定為換道起始點,因此定義若[t-175,t+175]中從某點tstrat開始,連續(xù)5個采樣點的航向角都大于閾值1.6°,則此點為換道起始點,同理可確定換道結束點tend,如圖5所示。
圖4 車輛換道過程航向角變化
圖5 換道過程起始點和結束點示意圖
車輛Ego在換道過程中,需要優(yōu)先考慮與同車道前車Veh-f、目標車道前車Veh-ft、目標車道后車Veh-rt之間的速度、距離,如圖6所示。
圖6 典型換道場景
因此,提取這4輛車的行駛數(shù)據(jù),包括車輛ID、絕對速度、相對速度、相對位移、位置坐標、車道ID等相關信息作為換道的特征參數(shù)。經(jīng)過數(shù)據(jù)預處理,最終獲得5 237條樣本數(shù)據(jù),其中包括3 480條換道數(shù)據(jù)和1 757條車道保持數(shù)據(jù)。
對于采集換道場景數(shù)據(jù)為非線性數(shù)據(jù)集,線性擬合對數(shù)據(jù)平滑處理不太理想。因此,本文用多項式擬合和滑動平均法處理非線性數(shù)據(jù)集。
以隨機挑選的一個典型場景的參數(shù)組合為例進行分析:Ego車速為110 km/h,Veh-f車速為100 km/h,Veh-ft車速為102 km/h,Veh-rt車速為104 km/h,對換道過程中的相對位移和相對速度3次多項式擬合和滑動平均處理如圖7所示。
圖7 換道過程中特征參數(shù)平滑處理
由圖7(a)(c)(e)可以看出,Ego與Veh-f、Veh-ft、Veh-rt相對速度的原始數(shù)據(jù)波動性較大,使用3次多項式擬合和取間隔n=5為時間窗口進行數(shù)據(jù)平滑,其中滑動平均法的平滑效果好于3次多項式擬合。由圖7(b)(d)(f)可以看出,Ego與Veh-f、Veh-ft、Veh-rt相對位移的原始數(shù)據(jù)波動性較小,且成一定的線性關系,多項式擬合和取間隔n=5為時間窗口進行數(shù)據(jù)平滑,效果幾乎與原始數(shù)據(jù)一樣。
通過對比3次多項式擬合和滑動平均處理效果,滑動平均法對一定范圍內波動性較大的數(shù)據(jù)更具有適應性,因此,本文采用采用滑動平均法對特征向量去噪。
SVM是一種基于風險結構最小化準則的學習方法,可以解決小樣本、非線性和高維模式識別問題,主要用于分類和回歸領域[10],已廣泛應用于文本分類、生物信息、語音識別、遙感圖像分析、故障識別與預測和信息安全等領域。
根據(jù)模型訓練經(jīng)驗,將換道決策模型樣本數(shù)據(jù)集中的70%作為訓練樣本,即3 666條樣本數(shù)據(jù),剩下的30%作為測試樣本,即1 571條樣本數(shù)據(jù)。訓練樣本中3 666條數(shù)據(jù)包括2 436條車道變換樣本和1 230條車道保持樣本;測試樣本中1 571條數(shù)據(jù)包括1 044條車道變換樣本和527條車道保持樣本。
通過訓練模型的核函數(shù),對以下4個核函數(shù)分別調取,輸入到SVM模型中,分別調取模型的運行時間和模型的準確率,從2個維度綜合考慮模型的參數(shù),通過數(shù)據(jù)的多次迭代獲取模型運行時間和準確率,如表2。
表2 不同核函數(shù)對應模型運行時長和準確率
由表2對比可知,rbf模型的準確率最高,為94.65%,所以構建SVM換道決策模型的核函數(shù)為rbf。
對于高斯徑向基核函數(shù)rbf,gamma參數(shù)很難定義每個參數(shù)對支持向量機性能的影響,所以直接使用學習曲線或網(wǎng)格搜索來幫助找到參數(shù)的最佳組合。對于高斯徑向基核函數(shù)rbf,調整gamma方法是繪制學習曲線。
為了確定最佳的gamma參數(shù),選取0~100之間的100個數(shù)訓練gamma參數(shù),查看在gamma參數(shù)變化過程中,模型準確率的取值,由 gamma參數(shù)學習曲線(如圖8)可以明顯看出,隨著gamma參數(shù)的增長,模型準確率也在增長,當達到gamma參數(shù)為2時,模型的準確率達到98.67%,準確率區(qū)域平緩,之后隨著gamma參數(shù)的取值的增長,模型的準確率先下降,然后趨于平緩,到95.33%。因此,選取gamma參數(shù)為2。
圖8 gamma參數(shù)學習曲線
為了確定最佳的C參數(shù),選取0.01~30的50個數(shù)訓練C參數(shù),查看在C參數(shù)變化過程中,模型準確率的取值。由圖9所示參數(shù)C學習曲線可以看出,隨著C參數(shù)的增長,模型準確率也在增長,當參數(shù)為8.58時,模型的準確率達到98.92%,接著模型隨著參數(shù)C的增長,準確率區(qū)域平緩,因此,最后選取參數(shù)C為8.58。
除了使用SVM進行換道行為識別,還使用BP(back propagation)神經(jīng)網(wǎng)絡模型進行對比驗證,模型對比的結果如表3所示。
圖9 參數(shù)C學習曲線
表3 SVM與BP神經(jīng)網(wǎng)絡模型對比測試結果
通過表3可以看出,支持向量機SVM模型相比于BP神經(jīng)網(wǎng)絡模型在精確度上即模型在預測真實換道為1時的準確率提高了16.67%,在模型整個預測值上的準確率提高了17.57%,因此,SVM模型有更好的適應性。
在換道起始時刻,觀察換道車輛Ego速度的變化,可以為換道過程中換道風險評估模型搭建提供換道車輛速度依據(jù),本車速度的分布如圖10所示。
圖10 本車換道起始速度分布
通過圖10可以看出,車輛換道過程中的本車速度主要集中在95 km/h,其中有幾個樣本值低于60 km/h,觀看采集視頻后,這幾條數(shù)據(jù)為車輛駛向應急車道;本車的速度的均值為85.37 km/h,速度的方差為25.89。
車輛換道過程中,換道的安全條件取決于本車自身因素和周圍場景車輛的相對速度和相對位移。相對速度決定了本車換道過程中的速度變化,相對位移決定了換道過程中最小換道安全距離變化,Ego與Veh-f的相對速度和相對位移分布如圖11所示。
圖11 Ego與Veh-f的相對速度和相對位移分布
由圖11可以看出,本車道前車Veh-f的相對速度主要分布在-10 km/h,說明本車換道起始時刻前車Veh-f的車速小于本車車速Ego,本車為了達到更理想的行駛條件需要換道超車;本車道前車的相對位移主要分布在33 m處,表明當本車Ego換道起始時刻有一定的安全換道距離。相對速度均值為-13.07 km/h,方差為26.57,相對位移的均值為40.14 m,方差為25.73。
車輛換道過程中,Veh-ft對換道有重要影響,Veh-ft的車速變化影響本車換道速度和時間,Veh-ft車輛起始時刻的車速大于本車Ego的情況下,本車換道更為容易,相反的情況下較難;Veh-ft與本車Ego的相對距離較大時,本車換道更加安全,相反,當兩者之間的相對距離較小時,換道過程存在一定危險。Ego與Veh-ft的相對速度和相對位移分布如圖12所示。
圖12 Ego與Veh-ft的相對速度和相對位移分布
由圖12可以看出,目標車道前車Veh-ft的相對速度主要分布在零附近,說明Ego換道起始時刻Veh-ft與Ego車速幾乎保持相同,但相對位移主要分布在30 m處。相對速度均值為6.39 km/h,方差為35.53,相對位移的均值為34.73 m,方差為30.94。
車輛換道過程中,Veh-rt對換道也有重要影響,Veh-rt的車速變化影響本車是否繼續(xù)換道,當Veh-rt的車速小于Ego的車速時,本車可以繼續(xù)換道,相反當Veh-rt的速度持續(xù)大于本車Ego的車速時,本車將提前結束換道;Veh-rt與Ego的相對距離較大時,本車換道更加安全,相反當兩者之間的相對距離較小時,換道過程存在一定危險。Ego與Veh-rt的相對速度和相對位移分布如圖13所示。
圖13 Ego與Veh-rt的相對速度和相對位移分布
由圖13可以看出,Veh-rt的相對速度主要分布在-18 km/h,說明Ego換道起始時刻Veh-rt的車速小于Ego車速;Veh-rt的相對位移主要分布在-20 m處(此處的負號只代表方向,表示在本車Ego的后方),表明當本車Ego換道起始時刻有一定的安全換道距離。相對速度均值為-6.97 km/h,方差為24.21,相對位移的均值為-24.85 m,方差為23.35。
通過對本車Ego和本車道前車Veh-f、目標車道前車Veh-ft、目標車道后車Veh-rt、相對速度和相對位移統(tǒng)計分析后,本車Ego換道起始時刻與目標車道前車Veh-ft的相對速度接近于零,并且相對速度和相對位移的方差值大于Veh-rt和Veh-f的方差值,表明本車Ego在換道過程中,目標車道前車Veh-ft對本車換道影響最大,Veh-f和Veh-rt影響次之。
1) 采用自然駕駛試驗的方法對高速公路駕駛數(shù)據(jù)進行采集,并使用標準數(shù)據(jù)處理流程,對采集的車輛軌跡進行處理,獲取每輛車連續(xù)的運行狀態(tài)數(shù)據(jù)。
2) 搭建支持向量機模型對換道行為進行識別,使用學習曲線找到參數(shù)的最佳組合,訓練后模型的準確率達到98.92%,優(yōu)于BP神經(jīng)網(wǎng)絡模型。
3) 提取換道行為軌跡與相關車輛,對換道行為的時間長度、空間長度以及周邊車輛的相互狀態(tài)等特征參數(shù)進行分析,得出結果:在換道過程中,目標車道前車對本車換道影響最大,本車道前車和目標車道后車影響次之,該結果可為智能汽車的換道功能設計提供參考。