基于驾驶员行为的智能车辆换道避撞模型研究

王 涛，关志伟，2，彭 涛，李 达

（1.天津职业技术师范大学汽车与交通学院，天津 300222；2.天津中德应用技术大学汽车与轨道交通学院，天津 300350）

汽车主动避撞系统是主动安全技术的重要组成部分，能够有效避免碰撞事故发生或降低碰撞程度。近年来，随着汽车智能化程度的不断提高，在智能车辆中开始普及[1]。基于安全距离和碰撞时间（time to collision，TTC）的避撞模型已在主动避撞系统中得到了广泛应用，并取得了一定的效果，但由于其未考虑驾驶员因素，不能反映驾驶员避撞行为特性，因此接受度不高[2-3]。与此同时，开发符合驾驶员避撞行为特性的避撞模型已成为当前的研究热点[4-5]，Hirose 等[6]基于时延神经网络建立了高速公路驾驶员制动避撞模型，可准确模拟驾驶员的复杂制动动作。刘志强等[7]通过模拟驾驶平台对驾驶员制动行为进行分析，基于BP 神经网络建立了符合驾驶员习惯的制动避撞模型。针对车辆换道避撞过程的强非线性，利用遗传算法优化的BP 神经网络学习熟练驾驶员的操纵行为，建立了驾驶员换道模型，能够通过对车辆换道轨迹的预测实现车辆安全避撞。综上，研究驾驶员在紧急工况下的避撞行为特性，基于机器学习方式学习人类驾驶员的避撞行为，已成为提高智能车辆主动避撞能力的新思路。本文通过模拟驾驶器获得20 名驾驶员的多组避撞试验数据，并对驾驶员避撞行为进行分析。

1 人类驾驶员避撞行为分析

1.1 试验设备和试验方法

模拟驾驶器已被广泛用于对驾驶员的行为分析[9-10]，同时考虑到进行实车试验的危险性及有效数据采集的困难程度，本文试验数据采集平台采用课题组搭载VTD（virtual test drive）仿真软件的模拟驾驶器。高速公路车流小、封闭性强，是智能车辆落地的理想场景，然而高速公路车速较高，更容易发生追尾碰撞事故；文献[11]显示，在高速公路交通事故中，前车紧急制动是最常见也是最容易造成追尾碰撞的工况，故本文针对高速公路稳定跟车过程前车紧急制动工况进行研究。在VTD 仿真软件中搭建所需试验场景，场景定义为：长度30 km、车道宽度3.75 m、路面附着系数为0.8 的双向四车道高速公路。为提高驾驶员沉浸感，设置高速公路环境，仿真高速公路试验场景如图1 所示。

图1 仿真高速公路试验场景

试验工况设定为：在高速公路直路上，驾驶员稳定跟随前方目标车行驶，稳定跟随行驶一段时间后，前方目标车突然以一定减速度紧急制动直至停止，假设左侧车道换道条件允许，驾驶员操作模拟驾驶器进行紧急避撞操作，驾驶员完成一次试验后，换回右侧车道继续向前行驶，进行下一次试验。试验中自车及当前车道前车行驶状态信息如表1 所示。

表1 车辆行驶状态信息

招募20 名志愿者驾驶员进行试验，每名驾驶员均有3 年以上驾龄，年龄、性别构成合理，招募的驾驶员信息如表2 所示。试验开始前，每名驾驶员有充足的时间熟悉模拟驾驶器并进行一次预试验。

表2 驾驶员信息

1.2 试验数据采集

根据本文试验需求并结合文献[12]相关研究确定本文试验数据采集信息，包括驾驶员操纵行为、车辆运动学与动力学信息、行驶轨迹信息等。试验过程中，记录员记录驾驶员避撞方式，并对试验数据进行保存。

1.3 驾驶员避撞行为分析

前车紧急制动工况下，驾驶员可采取制动、换道、制动和换道3 种方式进行紧急避撞，在本文前车紧急制动试验中，对收集到的300 次有效避撞试验进行统计分析，结果显示，采取制动和换道避撞方式的占比达到92%，单一制动和单一换道所占比例分别为2%和6%。这与换道条件允许时，相比于减速制动到完全停止，驾驶员更倾向于进行换道机动的相关结论相一致。

选取采用制动和换道避撞方式中某一驾驶员的试验数据，对驾驶员操纵行为进行进一步分析，避撞过程中制动踏板、油门开度变化情况和方向盘转角变化情况分别如图2、图3 所示。从图2 和图3 可以看出，前车紧急制动工况下，驾驶员在经历约1 s 的反应时间后，驾驶员首先开始操纵制动踏板使车辆制动减速，随后驾驶员开始操纵方向盘进行转向避撞，且换道过程中驾驶员持续制动。

图2 油门、制动踏板开度变化曲线图

图3 方向盘转角变化曲线图

1.4 试验数据处理

神经网络模型的训练依赖于大量可靠的样本数据，试验数据的处理由人工筛选的方式确定有效数据，以自车纵向加速度发生持续变化作为起始时间点，以自车横向距离不再发生持续变化作为终止时间点，并通过等距抽样的方式将试验数据采样频率由60 转换为20，最后将有效样本数据进行保存作为模型训练数据集。

2 智能车辆换道避撞模型的建立

本文基于遗传算法优化的双隐含层BP 神经网络建立符合驾驶员避撞行为特性的智能车辆换道避撞模型，可对避撞过程中驾驶员制动减速度和方向盘转角进行较为准确的预测。

2.1 BP神经网络理论

BP 神经网络是一种误差反向传播的前向神经网络，通常由输入层、隐含层和输出层构成，其通过大量样本数据的训练可以不断调整和优化其网络连接权值和偏置，最终得到网络最优输出，被广泛用于预测与分类问题。以双隐含层BP 神经网络为例，双隐含层BP 神经网络拓扑结构如图4 所示，其中：Xi为网络输入；Yn为网络输出；Wij为网络连接权值；Bi为网络偏置。

图4 双隐含层BP 神经网络拓扑结构

2.2 BP神经网络模型的建立

2.2.1 输入和输出参数的确定

输入、输出参数的选择对于网络模型预测的准确性、有效性有很大影响。结合前人相关研究[7]与驾驶员避撞行为有关的参数，有相对距离Δd、相对速度Δv、前车减速度ax1、碰撞时间（TTC）、碰撞时间倒数（TTCi）等。考虑到驾驶员实际跟车过程中无法与前车完全重合，且受其他车道目标车的影响，增加自车与前车之间的横向距离Y，横向距离Y 可由车载摄像头获得。TTC、TTCi 通过雷达采集的车速、距离参数运算得到，TTC、TTCi 计算公式为

根据实际需要确定网络输出为自车加速度ax0和方向盘转角δsw。利用皮尔逊相关系数法对上述参数进行相关性分析，选取与输出参数相关性强的作为网络输入，皮尔逊相关系数定义为

式中：cov（X，Y）为任意两变量X、Y 的协方差；σX、σY分别为X、Y 的标准差。

通常，变量间相关程度可由相关系数r 按照以下标准判断，当|r| <0.3 时为微相关，当0.3 <|r| <0.5 时为实相关，当0.5<|r|<0.8 时为显著相关，当0.8 <|r| <1 时为高度相关。

变量相关系数如表3 所示。由表3 可知，自车加速度与相对距离、相对速度、碰撞时间、横向距离实相关，与前车加速度显著相关；方向盘转角与相对距离实相关，与前车加速度、横向偏差显著相关；碰撞时间倒数与自车加速度、方向盘转角相关性均较弱。因此，最终确定网络输入参数为相对距离Δd、相对速度Δv、前车减速度ax1、碰撞时间TTC、横向距离Y。

表3 变量相关系数

2.2.2 网络节点数和层数的确定

网络输入层节点数为5，输出层节点数为2，隐含层节点数及隐含层数目的确定目前没有明确依据，需由经验主观设定。本文先由经验公式（4）确定隐含层节点数大概范围，再经多次试验最终确定隐含层节点数。

式中：m、n、l 分别为隐含层、输入层、输出层节点个数；a 为1～10 之间常数。

可见，隐含层节点数应在3～13 之间。相关研究表明，双隐含层网络结构且节点数一致时网络性能较好[13]，由上文皮尔逊相关系数法分析可知，输入与输出之间线性关系不强且映射关系较为复杂，对网络性能有较高要求，故本文采用节点数一致的双隐含层结构。选取1 000 组试验样本数据，对应上述隐含层节点数范围，在Matlab 平台上逐个验证网络预测效果，网络初始参数设置如表4 所示。对神经网络的最优目标函数预测值与实际值的均方误差进行了统计分析，分析结果如表5 所示。

表4 网络初始参数设置

表5 网络预测效果对比

结果表明：双隐含层节点数均为13 时网络预测精度最高，故隐含层节点数最终确定为13。

2.3 遗传算法优化

BP 神经网络初始连接权值和偏置的确定具有随机性，而初始连接权值和偏置的选择对于网络性能有较大影响。遗传算法是一种基于模拟自然界生物进化过程的全局寻优算法，将遗传算法优化得到的网络连接权值和偏置赋值给BP 神经网络，能够有效避免网络陷入局部最优解和提高收敛速度及精度[17-18]。遗传算法优化流程如图5 所示。

图5 遗传算法优化流程

2.3.1 种群初始化

网络结构确定为5-13-13-2，即输入层节点数为5，第1 隐含层与第2 隐含层节点数均为13，输出层节点数为2。由此可知，网络结构中连接权值个数为260，偏置个数为28，个体编码长度为288，采用实数编码方法对个体编码进行后续遗传操作。

2.3.2 适应度函数选择

种群中每个个体具有不同的连接权值和偏置，同一权值和偏置下的网络训练结果相同。以网络预测值与实际期望值的差值作为个体适应度值的评价标准，计算方法为

式中：n 为输出层节点数；yi、σi分别为网络预测值与实际期望值。

2.3.3 遗传算子选择

模拟生物进化过程，遗传操作主要有选择、交叉、变异，具体方法如下：

（1）采用轮盘赌选择法进行选择操作，选择方法为

式中：fi为适应度值倒数；ρi为种群N 中个体i 被选中的概率，ρi值越大，个体被选中的概率越大。

（2）经过选择操作，选中的优秀个体组成新的种群，对于生物进化来说，交叉与变异能够生成新的个体是十分必要的，交叉方法为

式中：aik、ajk分别为个体i 和个体j 在第k 位置上的基因；b 为[0，1]间的常数。

（3）变异方法为

式中：amax、amin分别为基因aij的上限和下限；r 为[0，1]的随机数；r1为一随机数；g 为当前迭代次数；Gmax为最大进化次数。

结合参考资料[15]给出的建议值并经多次试验，本文遗传算法最终设置种群规模为70，交叉概率为0.4，变异概率为0.1，进化代数为50。

2.3.4 模型训练结果

选取1 000 组样本数据，随机选择800 组作为训练数据，剩余200 组作为测试数据用于测试网络性能。将经遗传算法优化得到的最优个体解码对应的网络权值、偏置作为BP 神经网络的初始权值和偏置，在Matlab 平台进行网络训练，模型预测训练结果如图6 所示。

3 模型验证与分析

为检验模型的有效性和通用性，重新选取259 组未参与建模的试验样本数据进行模型验证，模型预测值与样本实际值的吻合情况如图7 所示。

以平均绝对误差来反映模型预测实际误差情况，平均绝对误差计算方法为

式中：X 为模型预测值；Y 为样本实际值；n 为样本个数。

从图7 可以看出，本次259 组试验样本数据中，减速度模型预测值与真值的平均绝对误差为0.24，方向盘转角模型预测值与真值平均绝对误差为0.02；减速度模型预测值与真值误差绝对值超过1 的只有6组，方向盘转角模型预测值与真值误差绝对值超过0.05 的只有4 组，且模型预测误差主要集中在“波峰”处。因此，可知模型预测较为准确，精度较高，由模型预测值的变化情况来看，模型预测与驾驶员实际避撞行为能够较好匹配，模型有效。

4 结语

本文通过模拟驾驶平台分析了驾驶员的避撞行为特性，基于遗传算法优化的双隐含层BP 神经网络建立了智能车辆换道避撞模型。该模型可根据自车与前车的相对距离、相对速度、碰撞时间、横向距离以及前车减速度预测避撞过程中驾驶员制动减速度和方向盘转角。在Matlab 平台对模型可行性和有效性进行验证，仿真结果表明：该模型具有较好的预测精度，能够较好匹配驾驶员的换道避撞行为，可为智能车辆主动避撞策略的研发提供参考，可以在智能车辆主动避撞系统中得到广泛应用。本文对高速公路前车紧急制动典型工况进行了研究，后续将进一步开展其他工况下的驾驶员避撞行为分析，以期进一步提高模型适用性。