CN107045639B - 一种基于时间自动机的跟车行为生成方法 - Google Patents

Abstract

本发明涉及一种基于时间自动机的跟车行为生成方法，包括以下步骤：S1，从交通数据集中提取跟车数据，将后车速度、后车与前车的相对距离和相对速度作为跟车模型的输入参数，将输入参数符号化；S2，利用时间自动机学习算法对跟车模型进行训练，得到跟车模型自动机；S3，将跟车模型自动机的隐藏状态作为跟车的子状态，对子状态聚类，用于表示跟车子行为；S4，分别对各跟车子行为建立Helly跟车模型，对各模型进行参数标定，得到对应子行为下的后车加速度，从而获得跟车轨迹。与现有技术相比，本发明通过自动机对符号进行学习，获得隐藏状态，并进行聚类，更好的体现跟车的子行为，精确的表示人类跟车行为轨迹，提高了无人车的智能化水平。

Description

一种基于时间自动机的跟车行为生成方法

技术领域

本发明涉及一种跟车行为生成方法，尤其是涉及一种基于时间自动机的跟车行为生成方法。

背景技术

随着计算机技术和人工智能的发展，无人驾驶汽车(以下简称无人车)在军事、交通、工业生产、物流仓储、日常生活等方面展现出巨大的应用前景。在国防军事方面，无人车多用于执行危险场景下的军事任务，如军事救援和物资输送等。在交通安全方面，无人驾驶技术是促进智能交通系统发展的有效手段，基于人工智能的无人驾驶技术可以提高车辆行驶的主动安全性，能够有效减少驾驶员由于误操作导致的交通事故，从而提高交通行驶效率和安全性。在工业生产、物流仓储方面，无人车可以配合自动化生产线实现全自主无人生产，进一步推进工业生产的自动化和智能化，进而提高生产效率。另外，无人车的出现也将极大地方便人们的工作、旅游等日常生活。

随着无人车技术的不断发展，无人车已经实现了一些基本功能，能够在特定的结构化道路上行驶。无人车技术正沿着智能化、拟人化的方向发展。无人车控制问题的研究焦点逐步从功能实现转移到无人车与行驶环境间的相互影响，其中车辆社会行为的研究正是无人车研究中值得关注的新问题和新挑战。

车辆的社会行为是指驾驶者(人类驾驶员或无人车控制系统)在驾驶车辆时，与周围车辆共同组成一个群体，协同完成行驶任务的一种交互行为。这种交互既包括驾驶者能够识别周围车辆的行为，也包括车辆自身行为被其他驾驶者所识别。当有车辆靠近的时候，有经验的人类驾驶员便会产生反应，通过辨别相邻车辆的社会行为来决定自己的驾驶方式，如加速超车、减速礼让或者停车让行。而对于无人车而言，仅仅通过周边车辆的位置和姿态信息(如车距、加速度、侧偏角)进行控制是不全面的，必须理解其他车辆位置和姿态信息变化所表达的车辆行为(如让车或并道)。只有对其他车辆社会行为进行有效的识别，基于车辆社会行为采取适当的驾驶控制，并使周围其他车辆能够识别无人车的社会行为，才能使得无人车在车流中保持安全、快速和稳定的行驶。

跟车行为是车辆日常行驶过程中最常见的行为，跟车驾驶行为主要指车辆在跟车行驶时需要与前车保持一定的安全距离，避免追尾事故发生。跟车模型的建立方法主要分为两大类：生理心理学模型和刺激-动作模型。根据韦德曼提出的生理心理学模型，跟车行为主要可以分为：自由行驶行为、接近前车行为、稳定跟车行为和紧急制动行为。对于人类驾驶员来说，由于驾驶员的驾驶习惯及驾驶风格各不相同，很难确定统一的阈值来划分跟车行为的子行为。刺激-动作模型被大量用于交通流分析软件中，依据大量驾驶员跟车驾驶数据，标定跟车模型的参数，以获得一般驾驶员的跟车行为模型。这类模型往往只能粗略的表示驾驶员跟车行为，对于无人车，使用该模型无法体现出具体的跟车子行为，不能够很好的被周围车辆识别，故需要进一步细化跟车行为中的子行为，提高无人车的拟人化智能化水平。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种提高无人车的拟人化智能化水平的基于时间自动机的跟车行为生成方法。

本发明的目的可以通过以下技术方案来实现：

从交通数据集的车辆轨迹中提取跟车数据，包括后车速度、后车加速度、后车与前车的相对距离和相对速度，将后车速度、后车与前车的相对距离和相对速度作为跟车模型的输入参数，使用k-means聚类算法将输入参数符号化；

S2，利用时间自动机学习算法对跟车模型进行训练，得到跟车模型自动机，跟车模型的输出值为后车加速度；

S3，将跟车模型自动机的隐藏状态作为跟车的子状态，对子状态聚类，用于表示跟车子行为，隐藏状态指的是不能被观测到的状态，如：能观测到车的速度，加速度等，隐藏状态就是指通过速度，加速度所反映的行为，如：跟车，超车或者变道；

S4，分别对各跟车子行为建立Helly跟车模型，并利用跟车子行为的原始跟车数据，采用差分进化算法对各模型进行参数标定，得到对应子行为下的后车加速度，从而获得跟车轨迹。

所述的步骤S2中，所述的时间自动机含有四个元素<Α,ε,T,H>，其中ε为事件集，T为时间约束集，H为状态到时间约束的映射集，A为四维元组，Α＝<Q,Σ,Δ,q₀>，其中Q为有限个状态的合集，∑为有限个符号的合集，Δ为有限个状态转移的合集，q₀为初始状态。

所述的步骤S3中，使用层次聚类法对子状态聚类，使用的距离计算公式为Jaro-distance，具体如下：

其中，JS为字符串相似度，字符串越相似，JS越接近1，L表示字符串长度，脚标i和j表示要计算距离的两个字符串的序号，N_match表示两个字符串匹配的字符个数，N_T表示错位的字符个数的一半，取1-JS作为字符距离相似度进行层次聚类，字符串越相似，1-JS越接近0。

根据Wiedemann生理心理学模型，所述的跟车子行为包括自由行驶、接近前车、稳定跟车和紧急制动。

所述的Helly跟车模型具体如下：

a(t)＝C₁·Δv(t-τ)+C₂·(Δx(t-τ)-D(t))

D(t)＝α+β·v(t-τ)+γ·a(t-τ)

其中，a(t)为加速度，Δx为后车与前车的距离，t为时间，v为后车速度，Δv为后车与前车的相对速度，D(t)为期望跟车时距，C₁、C₂、α、β、γ和τ是需要标定的参数，C₁和C₂用于调节相对车速和相对距离，α、β和γ用于计算期望跟车时距，τ表示驾驶员反应延迟。

与现有技术相比，本发明具有以下优点：

(1)将多维连续时间序列符号化并学习生成一个具有很强的可解释性的跟车行为模型，通过自动机对符号进行学习，获得隐藏状态，并根据隐藏状态进行聚类，能够更好的体现跟车的子行为。

(2)将车辆跟车行为进行细分，得到不同子行为的跟车模型参数，精确的表示了人类跟车行为轨迹。

(3)本方法所使用的自动机模型，能够为无人车生成拟人化的跟车行为轨迹，提高无人车的拟人化和智能化水平。

附图说明

图1为本发明方法的流程图；

图2为本实施例ELBOW方法选取聚类数据结果；

图3为本实施例时间自动机训练结果；

图4为本实施例层次聚类结果；

图5(a)-5(f)为本实施例轨迹生成结果对比图，其中，5(a)为例1后车轨迹对比图，5(b)为例1前后车相对距离对比图，5(c)为例1后车车速对比图，5(d)为例2后车轨迹对比图，5(e)为例2前后车相对距离对比图，5(f)为例2后车车速对比图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

一种基于时间自动机的跟车行为生成方法，首先从公开的交通数据集(NextGeneration SIMulation，NGSIM)中提取车辆跟车数据。基于k-means聚类算法将跟车模型的输入参数(相对距离、相对速度和后车车速)进行符号化，利用时间自动机学习算法(RTI+Learning Algorithm)对跟车模型进行训练，得到跟车模型自动机。利用层次聚类的方法对状态序列进行聚类，得到跟车行为中的一系列子行为模式。利用自动机模型生成无人车跟车行为轨迹，并表现出对应的子行为模式，能够得到跟人类驾驶员驾驶轨迹较接近的跟车轨迹。

方法流程图如图1。具体步骤如下：

1.跟车数据符号化

本实施例中所使用的数据是美国联邦公路局公布的高速公路数据集(NGSIM)。首先，根据跟车行为的特征，对原始数据进行跟车轨迹提取。轨迹信息包含：目标车辆的速度、目标车辆的纵向加速度、目标车辆与前车的相对距离和相对速度。目标车辆即后车，由于研究的是跟车行为，认为在同一个车道里，可不考虑侧向的运动。纵向加速度即车头前进方向加速度。原始数据的采样频率为10Hz，本实施例提出了一种基于k-means的符号化方法，使用ELBOW方法选取聚类数据，ELBOW方法的结果如图2所示。

2.时间自动机学习

本专利中所使用的时间自动机含有4个元素：

<Α,ε,T,H>

其中A是一个4维元组如下所示：

Α＝<Q,Σ,Δ,q₀>

Q为有限个状态的合集，∑为有限个符号的合集，Δ为有限个状态转移的合集，q₀为初始状态。ε和T是事件和时间的概率分布。时间自动机是一个通过可观测的数据来建立隐藏状态转移的模型，同时考虑了事件发生的时间约束，能够较好的处理多维时间序列。利用时间自动机学习算法将符号化后的轨迹序列进行训练，得到如图3的自动机。

3.跟车子行为聚类

在获得表示跟车行为的自动机后，隐藏状态表示跟车的子状态，本专利中使用了层次聚类的方法对相似状态子序列进行聚类，以此来表示跟车子行为。层次聚类所使用的距离计算公式为Jaro-distance，如下：

其中，L表示字符串长度，i和j表示要计算距离的两个字符串，N_match表示两个字符串匹配的字符个数，N_T表示错位的字符个数的一半，该距离的含义就是两个字符串越相似，其距离数值越接近1，在本专利中取了1减去JS距离进行层次聚类，聚类结果如图4所示。本步骤可获得相同子行为的原始数据，然后根据这些原始数据来标定helly模型的参数，进而获得对应子行为下跟车模型的具体参数。

4.跟车模型标定及轨迹生成

本实施例中使用的是helly跟车模型作为轨迹生成的跟车模型，helly模型的具体表达式如下：

a(t)＝C₁·Δv(t-τ)+C₂·(Δx(t-τ)-D(t))

D(t)＝α+β·v(t-τ)+γ·a(t-τ)

其中C₁，C₂，α，β，γ和τ是需要标定的模型参数。模型中期望的跟车时距是车速与加速度的函数，α，β和γ是用来计算期望跟车时距的参数，C₁和C₂是调节相对车速和相对距离的参数，τ表示驾驶员的反应延迟。本专利中使用的模型标定方法是差分进化算法，差分进化算法主要用于求解连续变量的全局优化问题，其主要工作步骤与其他进化算法基本一致，主要包括变异(Mutation)、交叉(Crossover)、选择(Selection)三种操作。算法的基本思想是从某一随机产生的初始群体开始，利用从种群中随机选取的两个个体的差向量作为第三个个体的随机变化源，将差向量加权后按照一定的规则与第三个个体求和而产生变异个体，该操作称为变异。然后，变异个体与某个预先决定的目标个体进行参数混合，生成试验个体，这一过程称之为交叉。如果试验个体的适应度值优于目标个体的适应度值，则在下一代中试验个体取代目标个体，否则目标个体仍保存下来，该操作称为选择。在每一代的进化过程中，每一个体矢量作为目标个体一次，算法通过不断地迭代计算，保留优良个体，淘汰劣质个体，引导搜索过程向全局最优解逼近。算法所使用参数如下表所示：

表1差分进化算法参数值

本专利中所提算法与其余两种算法进行了标定误差的比较，一种是交通领域所常见的全局标定算法，另一种是基于符号聚类的标定算法，基于符号聚类的标定算法是直接基于可观测的符号进行聚类，而本实施例方法是通过自动机对符号进行学习，获得隐藏状态，并根据隐藏状态进行聚类，能够更好的体现跟车的子行为标定。误差对比如下表所示：

表2本专利标定算法与现有标定算法误差对比

此外，本专利方法还与基于PID控制的巡航控制器进行了仿真轨迹的对比，实验结果说明本专利所提方法能够更好的生成拟人化的跟车轨迹，对比结果见图5(a)-5(f)，数值对比如下表：

表3后车轨迹仿真对比

误差计算公式如下：

其中<·>表示数据的在时间序列上的平均值。s^sim为仿真获得的后车位置，s^data为真实的后车位置信息。

Claims (3)

1.一种基于时间自动机的跟车行为生成方法，其特征在于，包括以下步骤：

S1，从交通数据集中提取原始跟车数据，包括后车速度、后车加速度、后车与前车的相对距离和相对速度，将后车速度、后车与前车的相对距离和相对速度作为跟车模型的输入参数，使用k-means聚类算法将输入参数符号化；

S2，利用时间自动机学习算法对跟车模型进行训练，得到跟车模型自动机，跟车模型的输出值为后车加速度；

S3，将跟车模型自动机的隐藏状态作为跟车的子状态，对子状态聚类，用于表示跟车子行为；

S4，分别对各跟车子行为建立Helly跟车模型，并利用跟车子行为的原始跟车数据，采用差分进化算法对各模型进行参数标定，根据实际的输入参数得到对应子行为下的后车加速度，从而获得跟车轨迹；

所述的步骤S2中，所述的时间自动机含有四个元素<A,ε,T,H>，其中ε为事件集，T为时间约束集，H为状态到时间约束的映射集，A为四维元组，A＝<Q,Σ,Δ,q₀>，其中Q为有限个状态的合集，∑为有限个符号的合集，Δ为有限个状态转移的合集，q₀为初始状态；

所述的步骤S3中，使用层次聚类法对子状态聚类，使用的距离计算公式为Jaro-distance，具体如下：

其中，JS为字符串相似度，字符串越相似，JS越接近1，L表示字符串长度，脚标i和j表示要计算距离的两个字符串的序号，N_match表示两个字符串匹配的字符个数，N_T表示错位的字符个数的一半，取1-JS作为字符距离相似度进行层次聚类，字符串越相似，1-JS越接近0。

2.根据权利要求1所述的一种基于时间自动机的跟车行为生成方法，其特征在于，所述的跟车子行为包括自由行驶、接近前车、稳定跟车和紧急制动。

3.根据权利要求1所述的一种基于时间自动机的跟车行为生成方法，其特征在于，所述的Helly跟车模型具体如下：

a(t)＝C₁·Δv(t-τ)+C₂·(Δx(t-τ)-D(t))

D(t)＝α+β·v(t-τ)+γ·a(t-τ)

其中，a(t)为加速度，Δx为后车与前车的距离，t为时间，v为后车速度，Δv为后车与前车的相对速度，D(t)为期望跟车时距，C₁、C₂、α、β、γ和τ是需要标定的参数，C₁和C₂用于调节相对车速和相对距离，α、β和γ用于计算期望跟车时距，τ表示驾驶员反应延迟。

Images