基于神经网络的智能驾驶模式识别研究

吴毅 夏志平 陈军源

（九江职业技术学院，九江 332007）

主题词：智能驾驶 模式识别 神经网络 开放道路试验 智能网联

1 前言

随着智能驾驶的兴起和主动安全技术的逐渐成熟，汽车高级驾驶辅助系统（Advanced Driving Assistance System，ADAS）在智能驾驶汽车上的应用越来越广泛，目前，迫切需要用于ADAS功能研发和验证的测试场景库。在智能汽车驾驶模式识别、选择、切换等方面：严利鑫等[1-2]基于危险态势等级对智能汽车驾驶模式选择进行标定，同时以车速、车头时距、车道中心距离、前轮转角标准差、驾驶经验作为智能车模式决策的特征属性；汪澎等[3]基于多源信息提出了一种车辆运行状态识别体系。由于我国目前还没有完备的主动安全测试场景库，当前的主要任务在于ADAS 测试场景挖掘和分类。针对主机厂的大量自然驾驶数据的闲置问题，智能驾驶识别程序可以通过离线处理的方式对各类ADAS 测试场景进行模式识别与分类。

本文以自适应巡航控制（Adaptive Cruise Control，ACC）[4-8]、盲区监测（Blind Spot Monitoring，BSM）[9]、车道偏离预警（Lane Departure Warning，LDW）[10-14]系统的模式识别为例，针对智能驾驶汽车无法自主开启相应的ADAS功能这一问题，设计了一种基于神经网络的智能驾驶模式识别系统，使智能驾驶汽车针对特定场景自动开启相应的ADAS功能。

2 数据采集

2.1 道路试验设计

道路试验时间为2019年3月10～24日，测试有效时间为14天，道路测试总里程为2 208.49 km，测试地点包括天津、河北、河南、安徽等地区。道路类型包括高速公路、国道、城市道路、乡村道路等，其中，高速公路、国道、城市道路、乡村道路的比例约为5∶2∶2∶1，测试天气有晴天、阴天、雨天、雾霾天等，场景数据包括直道、弯道、十字路口、红绿灯、人行横道、桥梁、隧道、高速公路等场景和2种及以上的组合场景。

2.2 人员及试验设备

共选取20名有无人驾驶经验的男性安全辅助人员进行道路试验，平均年龄为33.5岁，无人驾驶安全辅助年龄1～5年不等，无其他影响无人驾驶安全的因素。数据采集试验设备包括一款B 级车、Brick 工控机、Mobileye摄像头、ESR毫米波雷达、ibeo激光雷达及相关设备，如图1所示。

图1 感知传感器

2.3 获取的原始数据

道路测试的数据采集记录软件选择德国VECTOR公司的CANape 17.0，如图2所示，原始数据包括车辆前向及左、右后方的视频数据和感知传感器探测到的位置、速度、相对速度等信息。

图2 原始数据采集

3 神经网络识别模型

智能驾驶模式受到多种因素的非线性影响，无法用单一的数学公式描述，因此本文使用人工神经网络（Artificial Neural Networks，ANN）设计一款智能驾驶模式识别程序，以实现ACC、BSM、LDW等ADAS功能场景的模式识别。神经网络以大量的自然驾驶数据特征参数作为输入、输出对，学习各类ADAS场景位置、约束等的特征参数，实现智能驾驶汽车的模式识别功能。

3.1 隐含层神经元数量选择

神经网络输入层的神经元数量计算过程为：

式中，n1为隐含层神经元数量；n2为输入层神经元数量；m为隐含层单元数量；a∈[1～10]为调节常数。

3.2 神经网络的训练方法选择

常用的神经网络训练方法包括梯度下降法、牛顿算法、共轭梯度法、准牛顿法和Levenberg-Marquardt（L-M）算法。将模型参数和数据量进行对比，结果表明L-M算法的收敛速度比其他算法快几倍到几十倍。

L-M算法的权重更新公式为：

式中，ΔW为权重；J为雅可比的加权系数矩阵；I为单位矩阵；u为加权系数。

3.3 学习效率

神经网络学习效率过大会导致收敛过快，并在极值点附近产生不稳定振荡，过小会导致神经网络的训练速度过慢，经过多次试验验证，学习效率选择0.05效果最好。

3.4 神经网络训练结果

图3所示为神经网络模型，以感知传感器获取的交通环境信息和CAN 总线信息为输入，通过神经网络对车辆的位置和运动状态进行判断，从而实现智能驾驶汽车的驾驶模式识别。

图3 神经网络模型

由于驾驶行为的学习需要大量数据，最终在10～70 km/h 的速度区间截取了4 886 个场景数据，其中ACC 场景1 863 个，BSM 场景2 046 个，LDW 场景977个。以ACC 功能识别为例，以本车速度v、相对距离R、相对速度vr、本车与车道线的距离L作为输入变量，输出变量为各智能驾驶模式识别的判断结果。训练一个20层的神经网络，样本数据按70%∶15%∶15%的比例分为训练样本、测试样本、仿真样本。

4 识别模型的装载

为了将基于神经网络的ADAS 功能识别模型装载到智能驾驶汽车上，并与设置的开关按钮进行关联匹配，使用有限状态机（Finite State Machine）识别输入信号并输出当前所属状态。该系统将目标可触发功能类型以判别信号的形式输送到车端（VECTOR 工控机）作为输入信号，输出的功能状态包括功能关闭、功能待机、功能激活、故障和场景识别5个部分，如图4所示。打开功能开关，系统由功能关闭状态进入功能待机状态，接收到可疑触发信号功能激活，并对信号进行分类。

图4 状态机识别模型装载

5 智能驾驶识别程序设计

本文设计的智能驾驶模式识别程序通过感知传感器获取真实的交通环境信息，经过数据的预处理，对当前场景所属的ADAS 功能场景进行模式识别。L2 级别智能驾驶汽车包含众多的ADAS 功能，本文以ACC、BSM、LDW 的模式识别为例，设计ADAS 场景识别程序。ADAS场景挖掘程序由数据采集模块、目标检测模块、ADAS场景识别模块组成。

5.1 数据采集模块

数据采集模块通过检测目标与本车的相对空间位置坐标实现目标的检测和空间坐标定位，如图5 所示。定义车道位置辅助系数r，确定目标的车道位置对应系数值。

模块的输入量包括目标与本车的相对距离R、目标与本车的偏航角θ和车道线位置，可通过毫米波雷达、角毫米波雷达和摄像头进行数据采集。模块的输出量为目标与本车的车头纵向间距Ry=Rcosθ、横向距离Rx=Rsinθ、车道位置辅助系数r、车头间距辅助系数k，目标车的车道位置可由摄像头提供的车道线位置（右侧为正值，左侧为负值）进行判定。横向距离介于左、右车道线之间，标记为r=0；横向距离大于右车道线，标记为r=1；横向距离小于左车道线，标记为r=-1。当目标位于自车前方时，k=1；当目标位于自车后方时，k=-1。

图5 数据采集模块

5.2 目标检测模块

目标检测模块以目标车辆的车道位置辅助系数和车头间距辅助系数为依据，分别筛选出触发ACC、BSM、LDW功能的可疑目标车辆，对当前时刻和延迟时刻（根据ADAS 功能类型确定）的状态进行数据关联，判定场景所属ADAS 功能类型，从而实现对相应ADAS 功能目标车的筛选，如图6所示。

图6 目标检测模块

模块的输入量为目标的车道位置辅助系数r和车头间距辅助系数k，通过对当前时刻状态和延迟时刻的辅助系数r1和k1进行数据关联，预测状态值的变化趋势，对最可疑的触发目标进行分类并监测。场景分类如表1 所示，将ADAS 状态目标（obj_status）分为ACC 目标、BSM目标、LDW目标。

5.3 ADAS场景识别模块

ADAS 场景识别模块利用前文搭建的神经网络识别模型对系统包含的3 类ADAS 功能进行模式识别[15]。其中：ACC 功能的可疑目标经过神经网络的模式识别后，增加车头时距tTHW（取值范围为0～5 s）作为跟车的辅助判别标准；BSM 功能的识别以速度v[16]、相对距离R、相对速度vr为神经网络的输入，进行模式识别后，增加对预警时间（目标车辆进入盲区边界的初始时间）、左右侧的判定，如图7所示。

表1 ADAS功能场景分类

图7 BSM决策算法模块

左侧BSM识别：

右侧BSM识别：

式中，xobj为目标车的横向位置；ll、lr分别为本车所在车道左、右侧车道线位置。

LDW功能的识别依据不同的道路条件分为一级变道（结构性道路）和二级变道（非结构性道路），如图8所示：针对一级变道，以Mobileye ME630 提供的车道线位置、横向速度、横向加速度作为神经网络的输入[16-19]；对于没有车道线或车道线缺失的二级变道，利用ESR毫米波雷达设计群车检测识别，通过横向毫米波的64 个目标与本车的横向偏移进行识别，横向偏移为：

本车与80%以上毫米波雷达探测目标发生相同横向偏移，即大部分偏移曲线重合，程序识别为二级变道。

图8 LDW决策算法模块

6 智能驾驶模式识别程序验证

图9所示为某段ACC场景，作为驾驶模式识别的示例。图9a 为车辆由右侧车道向左侧车道变道，场景模式ACC 跟车的识别值由0 变为1，图9b～图9i 为一段跟车过程，图9i 为车辆向右侧变道跟车结束，场景模式ACC跟车的识别值由1变为0。

图9 ACC跟车场景识别示例

ACC跟车模式识别过程中，输入信号和识别结果信号如图10 所示，程序对于片段的识别结果符合实际要求，为了检验程序在实际道路试验中的识别率，分别对ACC、BSM、LDW功能各选择一段行程进行验证。

图10 ACC跟车场景识别示例信号

6.1 ACC场景识别结果

ACC 场景模式识别测试结果如图11 所示，测试行程共识别出284个跟车场景，198个被跟车场景，其中程序漏判定0次，误判定0次。

图11 ACC功能测试结果

6.2 BSM场景识别结果

BSM 场景模式识别测试结果如图12 所示，测试行程共识别出228 个左后方来车场景，355 个右后方来车场景，其中程序漏判定0次，误判定0次。

6.3 LDW场景识别结果

LDW 场景模式识别测试结果如图13 所示，测试行程共识别出182个左变道场景，195个右变道场景，其中程序漏判定2 次，分析其失效原因为车道线模糊致Mobileye ME630无法识别，误判定0次。

图12 BSM功能测试结果

图13 LDW功能测试结果

由上述开放道路测试结果可知，程序共识别ACC场景482 个，BSM 场景583 个，LDW 场景377 个，模式识别的准确率达到99.86%，具有较好的工作效果。

7 结束语

针对主机厂现有道路测试数据无法准确验证ADAS 功能触发和结束的现状，本文对各类ADAS 功能的触发和稳定控制约束条件开展研究，设计了一款智能驾驶模式识别程序。该程序利用神经网络分别对ACC、BSM、LDW 场景的特征信息进行学习，获得ADAS 场景模式识别程序，并通过相关特征信息对各类场景进行实时监测识别。开放道路测试验证结果表明，本文设计的智能驾驶模式识别程序能准确预测ADAS 场景的驾驶模式，识别准确率达到99.86%，可为汽车ADAS 功能主动触发的研发和试验验证提供有效参考。