基于小波神经网络的车辆状态识别方法

崔宇，黄晓梦

（长安大学 汽车学院，陕西 西安 710064）

基于小波神经网络的车辆状态识别方法

崔宇，黄晓梦

（长安大学 汽车学院，陕西 西安 710064）

针对车辆安全辅助系统中对车辆运行状态识别率偏低的问题，采用小波神经网络对车辆运行状态进行识别。为了进一步提高模型的识别准确率以及减少训练时间，对样本进行主成分分析、卡尔曼滤波，最后利用遗传算法优化小波神经网络。通过对优化后的小波神经网络对数据进行训练与测试，测试结果表明在时间窗口1.8s时模型的识别率能达到91%以上，可以满足车辆安全辅助系统对于车辆状态识别的要求。

车辆运动状态；神经网络；卡尔曼滤波；主成分分析；遗传算法

CLC NO.:TP391 Document Code: A Article ID: 1671-7988 (2017)08-112-03

引言

车辆运行过程中，其主要的运行状态可以分为车道保持与换道。其中相对于车道保持，换道行为是一种较为不稳定的运行状态，更易与周围的车辆发生冲突，是影响到车辆行驶安全的重要因素之一。因此针对车辆换道过程中的驾驶安全性，车辆安全研究人员开发出了许多的车辆安全辅助系统，其中就包括换道辅助系统[1]（SWA）、车道保持辅助系统[2]（LKAS）等。在这些车辆安全系统中车辆运行状态识别技术成为能够影响其工作稳定性的主要因素。

神经网络[3]具有较高的学习能力以及较强的泛化能力，适合于像车辆运行状态这种复杂的行为的学习拟合。本文通过在高速公路上进行实车试验，采集大量车辆在不同的运行状态下的数据，并以此建立了小波神经网络[4]的车辆状态识别模型。通过分析对比，在车辆众多传感器中选择了方向盘转角、方向盘转动角速度、车身横摆角以及车道线距离作为车辆状态是别的指标。通过卡尔曼滤波、主成分分析对样本数据进行处理，最后通过对模型进行训练测试，最终该模型对于车辆运行状态识别准确率满足要求。

1、车辆运动状态表征参数及预处理

在研究车辆的运动状态过程中，通过传感器采集了大量可能与车辆运动状态有关的表征参数：其中就包括眼动频率、累计注视时间百分比[5]、方向盘转角、方向盘转动角速度、车身横摆角、横向加速度、纵向加速度以及车道线距离等。通过各个参数之间的独立样本T检验以及各个参数的特点可以确定了方向盘转角、方向盘转动角速度、车道线距离和车身横摆角四个参数为运动状态表征参数：

在传感器进行测量的过程中往往存在受到随机干扰的问题，这就导致测量的数据中夹杂有随机噪声。而且本次试验中采用的方向盘传感器采集到的数据因为精度问题，具有一定的阶跃特性。为了消除数据的阶跃以及随机噪声的问题，本文中采用了卡尔曼滤波对数据进行过滤。其中车道线距离的滤波结果如下图1所示。

2、车辆运动状态识别模型建立

2.1 小波神经网络理论

人工神经网络是通过模仿大脑神经网络抽象而成。与大脑由神经元细胞组成类似，人工神经网络也是由最基本的处理单元人工神经网络组成。这些神经元都是对人脑神经元简化与抽象。将若干的神经元按照一定的方式组合在一起构成人工神经网络。

小波分析是通过变换小波基函数来分析信号局部特征，在二维情况下可以有信号方向选择的能力。小波神经网络以BP神经网络的拓扑结构作为基础，将神经网络隐含层节点中的传递函数选用小波基函数。

假设输入数据序列为xi（i=1,2，…，k）时，隐含层中的输出计算公式是：

其中，h(j)代表隐含层中第j个节点的输出值；wij表示隐含层与输入层之间的连接权值；bj表示小波基函数hj的平移因子；aj为小波基函数hj的伸缩因子；hj为小波基函数。

本文中采用Morlet母小波基函数作为小波基函数，其数学公式为：

小波神经网络输出层的计算公式表示为：

其中，wk表示隐含层到输出层的权值；h(i)表示第i个隐含层节点上的输出；l表示隐含层的节点数；m表示输出层的节点数。

2.2 小波神经网络模型训练

本文通过在高速公路上进行实车试验，共挑选出1205组数据样本，其中车道保持763组，车辆换道442组。在获得的数据样本中，随机挑选1005组用来训练模型，剩余的200组用来测试模型的准确度。

因为车辆运行状态数据具有时间连续性，因此在建立模型之前需要选取合适的时间窗口。最优的时间窗口应该可以能够在准确度与识别效率之间达到一个平衡，既有较高的识别率，同时又可以保证最高的识别效率。在模型识别参数中有车道线距离这一参数，若是车道线距离为0，则说明车辆已经压线准备换道，因此车辆状态识别模型需要在车辆越线之前进行判断。通过对换道样本中越线时间的统计可知，从车辆开始换道到越线平均耗时2s左右，80%的越线时间都在3s以内，因此车辆状态识别模型需要在3s以内就完成对车辆状态的识别。

本文选取0.6秒为最短换道时间，以3s为最长换道时间，分别以0.6s、0.8s、1.0s、1.2s、1.4s、1.5s、1.6s、1.8s、2.0s、2.2s、2.4s、2.5s、2.6s、2.8s和3.0s为时间窗口来进行车辆运行状态识别。将不同时间窗口的训练样本输入小波神经网络内进行训练，训练结束后将测试样本输入到训练好的模型当中进行识别。模型识别率高，则说明该模型能够较好的分辨车道保持与车辆换道。不同时间窗口得到的识别率如下表所示：

表1 不同时间窗口下的模型识别率

由表1可知，选择不同的时间窗口模型具有不同的识别率，在时间窗口小于1.4s时，模型的识别率均小于80%。之后识别率一直在增加直到2s时到达最大值，此时的识别率高达94%。之后识别率一直在波动，在3s时达到最大值94%。考虑到车辆运动状态识别模型的实时性，保证模型能够在尽量短的时间内实现对车辆运动状态准确的识别，综合上述要求，选取时间窗口为1.8s，使得模型既可以有较高的实时性，又有较高的准确性。

3、车辆运动状态识别模型优化

3.1 主成分分析

为了降低模型的计算量，通常需要将多个指标简化为几个指标进行运算。主成分分析法主要通过将许多具有较高相关性的指标变量简化为彼此不相关的少数几个综合因子。在主成分分析的过程中舍弃了许多不重要的因素，突出了数据的主要因素，从而大大简化了模型的训练过程，缩短了模型的训练时间。本文利用方向盘转角、方向盘转动角速度、车身横摆角、以及车道线距离4个参数对车辆运动状态进行识别。以时间窗口为1.2s为例讲解如何将数据进行主成分分析的过程，数据共包含48个变量。经过主成分分析后的累计贡献率为第一主成分为63%，第二主成分为75%，第三主成分为84%，第四主成分为91%。前4个成分的累计贡献率高达96%，其余43个主成分所占的比例为4%。因此本文选取第一成分、第二成分、第三成分、第四成分。

数据降维后，时间窗口选取1.2s并进行范围为[0,1]的归一化处理，利用小波神经网络分别计算了未进行降维处理以及进行降维处理的模型识别准确率。经过降维处理后模型的准确率从89%上升到了91%。由此可知降维处理后模型识别的准确率有明显的提高。

3.2 遗传算法优化模型

神经网络虽有较强的学习能力，但是依然有其局限性。因为神经网络的误差函数一般为平方型，其学习方法为梯度下降法，这就容易导致存在局部极小值的问题，而且收敛速度普遍较慢。遗传算法通过模拟生物遗传学而形成的一种最优化随机搜素方法。遗传算法通过将所需要解决问题的参数编码成类似生物中染色体的基因序列，并按照设定的适应度函数为择优标准，通过模仿遗传学中的选择操作、交叉操作以及变异操作对个体进行筛选，其中适应度得分较高者被保留，根据父代中优秀者组成新的子代，如此反复循环直至满足条件为止。

遗传算法优化小波神经网络的方法就是利用个体代表神经网络中的初始权值以及阈值，将小波神经网络的预测误差当作个体的适应度值，继而通过选择、交叉以及变异等一系列操作寻找最优的个体，也就是最优的神经网络的初始权值和阈值。经过遗传算法优化后模型的准确率从91%上升到了96%。说明遗传算法在优化神经网络方面具有较好的作用。

4、结论

车辆状态识别是影响到车辆安全驾驶辅助系统的重要因素之一，本文通过高速公路上进行实车试验采集到的车速、方向盘转角、方向盘转动角速度、车身横摆角速度等参数，利用小波神经网络建立了车辆运动状态的识别模型。并通过对数据的卡尔曼滤波、归一化、主成分分析等方法对小波神经网络模型进行了优化，并通过测定时间窗口在1.8s时具有最佳的识别效率，提高了车辆安全驾驶辅助系统的时效性。以保证驾驶人有足够的时间避免危险的发生。

[1] W. Bouslimi, M. Kassaagi, D. Lourdeaux, P. Fuchs. Augmented Nalve Bayesian Network for Driver Behavior Modeling[J]. IEEE Intelligent Vehicles Symposium Conference 2005, Las Vegas, USA, June 7th, 2005:236～242.

[2] 王畅.基于隐马尔科夫模型的驾驶员意图辨识方法研究[D].吉林:吉林大学硕士学位论文,2011年5月.

[3] 张良力.面向安全预警的机动车驾驶意图识别方法研究[D].武汉:武汉理工大学博士学位论文,2011年5月.

[4] 杨双宾.高速公路车辆行驶安全辅助换道预警系统研究.吉林:吉林大学硕士学位论文,2008年4月.

[5] Jörn Freyer, Barbara Deml, Markus Maurer, Berthold Färber. ACC with enhanced situation awareness to reduce behavior adaptations in lane change situations[C]. Proceedings of the 2007 IEEE Intelligent Vehicles Symposium Istanbul, Turkey, June 13-15, 2007：999～1004.

Vehicle state recognition method based on Wavelet Neural Network

Cui Yu, Huang Xiaomeng
( School of Automobile, Chang'an University, Shaanxi Xi'an 710064 )

Aiming at the problem of low recognition rate of vehicle running state in vehicle safety assistant system, wavelet neural network is used to identify the vehicle running state. In order to improve the recognition accuracy and reduce the training time, the samples are normalized, principal component analysis, Kalman filter. Finally, the wavelet neural network is optimized by genetic algorithm. The data are trained and tested by the optimized wavelet neural network, the test results show that the recognition rate can reach above 91% when the time window 1.8s. It can meet the requirements of vehicle safety assistant system for vehicle state recognition.

vehicle status; neural network; Kalman filter; principal component analysis; genetic algorithm

TP391

A

1671-7988 (2017)08-112-03

崔宇（1990-），男（汉），山东潍坊，硕士研究生，就读于长安大学。主要研究领域：车辆安全工程。

10.16638/j.cnki.1671-7988.2017.08.038