楊紫輝，江 磊，任洪娟，閆業(yè)翠

（上海工程技術(shù)大學(xué) 機械與汽車工程學(xué)院，上海 201620）

0 引言

經(jīng)過汽車行業(yè)及工業(yè)技術(shù)的多年發(fā)展進步，安全氣囊與安全帶等被動安全系統(tǒng)已經(jīng)被廣泛地使用在絕大多數(shù)汽車上，各種被動安全系統(tǒng)的升級也在逐步推進。然而，被動安全系統(tǒng)具有很大的局限性，因此也無法防止交通事故的發(fā)生?？梢钥闯?，汽車主動安全系統(tǒng)的研發(fā)正日漸得到學(xué)術(shù)界和應(yīng)用界的關(guān)注與重視。碰撞預(yù)警算法和自動制動系統(tǒng)是主動安全系統(tǒng)中的2 個重要組成部分。

目前，主動安全系統(tǒng)中使用的碰撞預(yù)警策略主要分為2 類。一類是基于視覺識別方法防碰撞預(yù)警系統(tǒng)，另一類是基于車聯(lián)網(wǎng)（Internet of Vehicles，IoV）的防碰撞預(yù)警系統(tǒng)。其中，基于視覺識別方法的防碰撞系統(tǒng)，車載圖像傳感器在車輛行駛時會實時拍攝車輛周邊的圖像，對采集到的圖像將要通過多個子模塊進行信息處理，主要包括車輛檢測及跟蹤、車輛距離測量等，進而完成對當(dāng)前行駛車輛的碰撞風(fēng)險評估。視覺識別方法需要處理大量的圖像，當(dāng)行駛車輛車速較快時，車輛外部圖像的信息采集與數(shù)據(jù)的實時同步處理往往很難得到保證。此外，視覺識別方法還需要大量的計算來精準(zhǔn)剔除外部環(huán)境中的無效信息。

基于車聯(lián)網(wǎng)的方法主要包括人工智能方法和有效參數(shù)方法。其中，基于有效參數(shù)方法，研究人員最早將其實踐于預(yù)測追尾碰撞，本田算法就是一種典型的TTC（Time To Collision）算法，該算法中，研究人員根據(jù)靈敏度分析將時間閾值設(shè)置為2.2 s。此外，伯克利算法是一種優(yōu)化的TTC 方法，就是在停止距離計算公式中加入了一個保守距離。這些方法的閾值是預(yù)先設(shè)定好固定不變的，或者是用固定的公式來進行計算，這就導(dǎo)致了該類方法對不同環(huán)境的適應(yīng)性較差。即使是在與設(shè)定類似的環(huán)境中，其他環(huán)境因素同樣會對系統(tǒng)產(chǎn)生較大的影響。當(dāng)閾值設(shè)置太大時，系統(tǒng)會產(chǎn)生許多錯誤警告，這會對系統(tǒng)的準(zhǔn)確性造成嚴(yán)重的負(fù)面影響；當(dāng)閾值設(shè)置太小時，系統(tǒng)則無法起到應(yīng)有的作用。因此，基于有效參數(shù)的方法將會無法適應(yīng)復(fù)雜、多變的真實駕駛環(huán)境。

在機器學(xué)習(xí)和人工智能的飛速發(fā)展中，研究人員提出了基于人工智能的碰撞預(yù)警算法。最早提出的是基于機器學(xué)習(xí)的算法，如決策樹和支持向量機等，需要先手動提取特征，而后提出的基于人工智能的算法更適合于多結(jié)構(gòu)化數(shù)據(jù)。同時，隨著神經(jīng)網(wǎng)絡(luò)算法的不斷提升改進，將車輛預(yù)警系統(tǒng)與之結(jié)合，業(yè)已取得了較好的成績。

1 數(shù)據(jù)集預(yù)處理

本文使用的數(shù)據(jù)來自美國公路管理局所公開的真實軌跡數(shù)據(jù)集NGSIM。研究人員在加州建立了一個由9 個同步數(shù)碼相機所組成的網(wǎng)絡(luò)用于收集車輛的軌跡數(shù)據(jù)，其中每個車輛的確切位置均被記錄在內(nèi)。在NGSIM 中，車輛的軌跡信息包含了多達26 項不同特征數(shù)據(jù)，如車輛ID、記錄時間、車輛位置、速度、加速度、與前車距離等。在通過數(shù)據(jù)處理后，分析其26 個特征的相關(guān)性，選擇與車輛后端碰撞最為相關(guān)的7 個特征因子作為后端碰撞的影響因素，見表1。

表1 碰撞影響因素Tab.1 Impact factors

由于特征因子個數(shù)較多，在數(shù)據(jù)處理過程中會出現(xiàn)類不平衡的現(xiàn)象，因此在實際操作過程中可通過采用欠采樣和過采樣兩種方法來解決該問題。其中，欠采樣的主要操作是在數(shù)據(jù)集的多數(shù)類中選擇大量樣本，最終使得正、負(fù)樣本數(shù)量接近。該方法的缺點是由于在樣本選擇過程中選擇多數(shù)類樣本而拋棄許多反例，其結(jié)果可能會出現(xiàn)擬合不足。過采樣的操作過程是在采樣過程中添加一定數(shù)量正樣本，最終使得正樣本數(shù)量幾乎等于負(fù)樣本數(shù)量。并因過采樣更適合于減輕卷積神經(jīng)網(wǎng)絡(luò)的類不平衡問題，在本次研究中將其與染色體遺傳學(xué)原理和閾值動態(tài)調(diào)整相結(jié)合，從而緩解NGSIM 數(shù)據(jù)集中的類不平衡問題。具體操作如下：

（1）定義度量：為了量化少數(shù)樣本集的多樣性，馬氏距離用于表示2 個未知樣本集的協(xié)方差距離。相比于歐幾里得距離，馬氏距離在計算中引入了各種特征之間的關(guān)系。在尺度不會發(fā)生改變的前提下可以排除變量之間的相關(guān)干擾。因此，馬氏距離可應(yīng)用于識別和檢測未知樣本集與已知樣本集之間的相似性，完成對數(shù)據(jù)集中異常值的檢測。

（2）拆分樣本：根據(jù)馬氏距離將少數(shù)類別中的所有樣本進行降序排列，如此就可得到接近或遠(yuǎn)離類別中心的樣本。此后根據(jù)遺傳學(xué)中染色體理論，將降序排列的樣本平均分為2 部分：將中間樣本之前的數(shù)據(jù)添加到父集合，將其他樣本數(shù)據(jù)分配給母集合。根據(jù)遺傳定律，當(dāng)樣本集中存在極端數(shù)據(jù)時，該種過采樣方法依舊有效。

（3）合成新樣本：通過聚合2 個獨立的父集合生成一個新樣本。研究中，首先從每組中選擇2 個具有相同編號的配對樣本。接下來，計算2 個對應(yīng)的多元向量之間的平均值以合成新樣本。生成的樣本將添加到原始少數(shù)群體類別中。如果生成的新樣本數(shù)量已達到目標(biāo)，數(shù)據(jù)集即已達到類別平衡。否則，將新生成的樣本添加到少數(shù)類中。連續(xù)重復(fù)此過程，當(dāng)樣本的生成數(shù)量達標(biāo)后即可結(jié)束。

2 建立碰撞預(yù)測模型

卷積神經(jīng)網(wǎng)絡(luò)的不斷開發(fā)與應(yīng)用，學(xué)界則陸續(xù)取得了使用數(shù)據(jù)挖掘來解決車輛網(wǎng)絡(luò)建立問題的研究成果，現(xiàn)已被廣泛地應(yīng)用于解決具有冗余特征的分類問題。

牛津大學(xué)于2014 年提出了視覺幾何群網(wǎng)絡(luò)（Visual Geometry Group network，VGG），該網(wǎng)絡(luò)在圖像分割和目標(biāo)檢測任務(wù)上均顯示出良好的效果。在研究中，VGG16 用于構(gòu)建本文提出的追尾碰撞預(yù)測模型，共有16 層。在此基礎(chǔ)上，還建立了基于CNN的端碰撞預(yù)警模型的結(jié)構(gòu)。

在本文構(gòu)建的碰撞預(yù)測模型中，系統(tǒng)會定期計算當(dāng)前駕駛水平。訓(xùn)練過程如圖1 所示。系統(tǒng)將收集到的數(shù)據(jù)分為訓(xùn)練集和測試集，兩者都放入所構(gòu)建的CNN 中來對網(wǎng)絡(luò)進行微調(diào)和測試。經(jīng)過數(shù)次迭代，網(wǎng)絡(luò)趨于穩(wěn)定，從而得到最終的預(yù)測模型。

圖1 訓(xùn)練過程圖Fig.1 Training process

本文中的CNN 模型由一個輸入層、15 個具有權(quán)重的隱藏層和一個輸出層組成。各層的主要作用為：

（1）卷積層：用來提取包含多個卷積核的輸入數(shù)據(jù)的特征。卷積核與前饋神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元相似，每個元素都由一個對應(yīng)于權(quán)重系數(shù)和偏置向量的卷積核組成。卷積層中的每個卷積核都連接到上一層中一個接近區(qū)域的內(nèi)核，該區(qū)域的大小取決于卷積核的大小。在VGG 中，使用2 個3×3內(nèi)核來取代一個5×5 內(nèi)核，而3 個3×3 內(nèi)核等于一個7×7 內(nèi)核。卷積核的操作內(nèi)容為對所輸入像素圖進行掃描，然后將矩陣元素乘以接受域中的輸入圖，最后將偏差疊加。此時需用到的數(shù)學(xué)公式為：

其中，Z和Z是該層的輸入和輸出，稱為特征圖；是CNN 模型的層數(shù)；是權(quán)值參數(shù)矩陣；是偏置矩陣。

進一步地，研究中又推得：

其中，L是特征圖Z的大小，在模型中使用的每個特征映射長度都等于其寬度；（，）是特征圖對應(yīng)的像素；是的通道數(shù)；f，s，p分別表示卷積層所對應(yīng)的卷積核大小、卷積步幅和填充大小。卷積層包含一個表達復(fù)雜特征的激活函數(shù)，數(shù)學(xué)表達形式可描述為：

目前，研究中廣泛使用的典型激活函數(shù)有雙曲切線和線性整流函數(shù)等，在此，本文選擇使用線性整流函數(shù)作為模型中的激活函數(shù)，其數(shù)學(xué)描述為：

其中，是權(quán)值參數(shù)矩陣，是偏置矩陣。對于上一層輸出的該層輸入向量X來說，通過使用神經(jīng)元將max（0，）輸出到下一層或者根據(jù)神經(jīng)元在網(wǎng)絡(luò)結(jié)構(gòu)中的位置作為整個卷積神經(jīng)網(wǎng)絡(luò)的輸出。

（2）池化層：在卷積層中提取特征后，將特征圖輸出傳遞到池化層，從而實現(xiàn)特征選擇和信息過濾。池化層中包含一個預(yù)設(shè)的池化功能，該功能將要素圖中的單個像素替換為其相鄰區(qū)域的統(tǒng)計信息。選擇合并區(qū)域的過程與卷積內(nèi)核掃描特征圖的步驟相同，并由內(nèi)核大小、卷積步幅和填充大小來做調(diào)節(jié)及控制。

通常使用的池化方法包括池、混合隨機池和光譜池。池的一般表示形式為：

其中，，，，，均為卷積層中的參數(shù)，是預(yù)設(shè)參數(shù)。

目前，常用的池化方法有2 種，分別是平均池化和最大池化。當(dāng)1 時，池在池化區(qū)域中取平均值，稱為平均池化；當(dāng)→∞時，池在池化區(qū)域中取最大值，稱為最大池化。為了減少計算復(fù)雜度和計算時間，本文在研究中使用最大池化。

（3）全連接層：卷積神經(jīng)網(wǎng)絡(luò)中的全連接層等于傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)中的隱藏層。全連接層通常在卷積神經(jīng)網(wǎng)絡(luò)中隱藏層的最后一部分，只將特征映射傳遞到其他完全連接的層。特征映射失去了一個完全連接的層中的三維結(jié)構(gòu)，并被擴展成一個矢量，再通過線性整流激活函數(shù)傳遞到下一層。

（4）輸出層：可以選擇卷積神經(jīng)網(wǎng)絡(luò)的各種成本函數(shù)（損失函數(shù)）在輸出層中加以使用，例如函數(shù)、鉸鏈損失函數(shù)和三重?fù)p失函數(shù)。目前，解決多類別分類問題中，最常用的損失函數(shù)是函數(shù)，而函數(shù)在CNN 中起到分類器的作用。

卷積神經(jīng)網(wǎng)絡(luò)使用BP 框架進行監(jiān)督學(xué)習(xí)。CNN 模型使用梯度下降和反向傳播算法進行訓(xùn)練。全連接層的梯度下降與BP 網(wǎng)絡(luò)的梯度相同。CNN和BP 之間的差異在于卷積層和池化層的梯度，然而，其他一些算法、如動量梯度下降和RMSProp，在CNN 中使用時可以優(yōu)于梯度下降。在本次研究中，使用亞當(dāng)優(yōu)化算法來計算梯度，這是一種自適應(yīng)學(xué)習(xí)速率算法。過程中，將自適應(yīng)梯度算法（AdaGrad）與均方根傳播（RMSProp）相結(jié)合，動態(tài)調(diào)整每個參數(shù)的學(xué)習(xí)速率。在大型模型和數(shù)據(jù)集的情況下，亞當(dāng)優(yōu)化算法可以有效地解決局部最優(yōu)深度學(xué)習(xí)問題。

至此，本文搭建的CNN 模型為將已有的256×256×3 圖像轉(zhuǎn)換為224×224×3 圖像，并從每個像素中減去平均值，這使得每個輸入圖像的大小為224×224×3。卷積層共分為5 個部分，其中2 個卷積層使用1×1 卷積內(nèi)核，而其他層使用的是3×3 卷積內(nèi)核。此外，利用2×2 的最大池化層來縮小每個段末端的圖像。同時，每個段中的內(nèi)核數(shù)量是相同的，該層位置越深，則所需核數(shù)就越多。

3 實驗結(jié)果與分析

3.1 模擬設(shè)定

本文選用Matlab 中Caffe 框架為深度學(xué)習(xí)模型，在對應(yīng)的配置文件中，設(shè)置訓(xùn)練控制參數(shù)，見表2。

表2 訓(xùn)練控制參數(shù)Tab.2 Training control parameters

3.2 仿真結(jié)果與分析

為了驗證本文所構(gòu)建模型的效果，這里對模型預(yù)測結(jié)果與本田、伯克利和MCWA 算法針對、、精度、、和平均延遲等指標(biāo)進行對比來評估所構(gòu)建模型算法的性能。

隨著迭代次數(shù)的增加，本文構(gòu)建模型的訓(xùn)練損失顯著減少，并在大約10000 次迭代后趨于收斂，如圖2 所示。圖3 為精度預(yù)測圖，利用原始數(shù)據(jù)進行訓(xùn)練和測試，并用擴展數(shù)據(jù)來對其進行預(yù)測。由圖3 可知，當(dāng)使用原始數(shù)據(jù)時，訓(xùn)練和測試精度都會隨著迭代次數(shù)的增加而增加，訓(xùn)練精度可達到90%。

圖2 訓(xùn)練函數(shù)損失圖Fig.2 Training function loss graph

圖3 數(shù)據(jù)精度圖Fig.3 Data accuracy diagram

4 種算法的曲線如圖4 所示。曲線上的每個點都反映了相同的靈敏度水平信號刺激。曲線的垂直軸為，水平軸為。理想的分類目標(biāo)表示為接近點（0，1）。與45°對角線的偏差更大、即更靠近左上角的曲線可獲得最佳性能。與其他算法相比，本文構(gòu)建模型的曲線更靠近左上角，由此可見，本文構(gòu)建模型算法在方面性能最優(yōu)。而相較于本田和伯克利算法，MCWA 是一種不受影響的深度學(xué)習(xí)算法，在方面的表現(xiàn)更佳。

圖4 ROC 曲線圖Fig.4 ROC curve

4 種算法的曲線如圖5 所示。曲線表示實際樣本中正確預(yù)測了多少樣本，在本文中使用最高級別的曲線來驗證所構(gòu)建模型的性能，曲線越接近于右上方、則表示其性能越好。從圖5中可以明顯看出，本文構(gòu)建模型的結(jié)果體現(xiàn)出性能最優(yōu)。同時，在分類任務(wù)中，分?jǐn)?shù)通常用于評估分類算法的性能，其值可由如下數(shù)學(xué)公式計算求得：

圖5 P-R 曲線圖Fig.5 P-R curve

當(dāng)任務(wù)類型為多分類時，首先需要計算每個分類的分?jǐn)?shù)，然后組合計算所有類別的得分。具體計算公式如下：

其中，P（1，2，3）是分類的精度，R（1，2，3）是分類的召回率。通過計算可得本文構(gòu)建模型得分為80.56，MCWA、Honda 和伯克利方法的得分分別為73.67、60.64 和71.96。

車輛后端碰撞警告算法的關(guān)鍵之一是時間延遲，其值就明顯需要小于預(yù)測周期，否則會無法起到警告的作用，也就無法保證算法具有實時性。本文從樣本集中隨機選取了20 輛車作為樣本，計算其平均預(yù)測時間，從而驗證算法的實時性，算法運行結(jié)果如圖6 所示。從圖6 中可以看出，所有采樣車輛的預(yù)測時間均小于0.1 s，與1.5 s 的滾動預(yù)測周期相比將完全可以實現(xiàn)碰撞警告的實時性。

圖6 平均延遲圖Fig.6 Average delay diagram

4 結(jié)束語

針對車輛后端碰撞實時警告預(yù)測問題，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測算法，該算法模型以1.5 s 為滾動預(yù)測周期。為了檢驗該方法的有效性，本文將真實車輛軌跡NGSIM 劃分為訓(xùn)練集和測試集兩個部分。通過對數(shù)據(jù)進行平滑和擴展處理，解決了訓(xùn)練集中的類不平衡問題，將每1.5 s 的文本數(shù)據(jù)轉(zhuǎn)換成一個三維像素點陣，從而提高了模型性能。

實驗結(jié)果表明，本文方法所構(gòu)建的碰撞預(yù)警模型在預(yù)測精度、、召回率和評分等方面性能優(yōu)于本田、伯克利和MCWA 算法，證明本文方法確保了對車輛后端碰撞的及時、有效預(yù)警。