CN111081067B - 车联网环境下基于iga-bp神经网络的车辆碰撞预警系统及方法 - Google Patents
车联网环境下基于iga-bp神经网络的车辆碰撞预警系统及方法 Download PDFInfo
- Publication number
- CN111081067B CN111081067B CN201911376805.5A CN201911376805A CN111081067B CN 111081067 B CN111081067 B CN 111081067B CN 201911376805 A CN201911376805 A CN 201911376805A CN 111081067 B CN111081067 B CN 111081067B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- neural network
- iga
- output
- hidden layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/164—Centralised systems, e.g. external to vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车联网环境下基于IGA‑BP神经网络的车辆碰撞预警系统及方法,该系统中:路侧设备用于收集车辆行驶信息并传输到云端供神经网络训练,云端将训练完成后的神经网络再通过路侧设备传输给车辆;信息交互模块,用于实时感知本车和其它车辆的行驶信息、IGA‑BP神经网络信息;并发布本车行驶信息以及转发其它车辆的行驶信息;风险监测模块,根据行驶信息和IGA‑BP神经网络模型进行计算分析,并做出是否存在碰撞风险的判断;控制模块,用于根据风险检测模块的计算结果进行制动和告警控制。本发明提出一种更为灵敏准确的车辆碰撞预警方法,其可以适应不同外界条件的变化,并且具有较高的运算速度、安全性和准确性。
Description
技术领域
本发明涉及车联网和神经网络技术领域,尤其涉及一种车联网环境下基于IGA-BP神经网络的车辆碰撞预警系统及方法。
背景技术
车联网技术是物联网在智能交通领域的应用,是以车内网、车际网和车载自组网为基础,依照约定的通信协议和数据交互标准,通过完成车与车、车与网络间的无线通信和信息交互,实现对交通的智能管理和控制的一体化网络。其特征可以总结为全面感知、可靠传输和智能处理。如图1所示,车辆通过车载传感器感知运行状态信息,并通过车与车、车与路侧设备之间的链接通路将信息传递给其它车辆,使得每辆车都能实时收到周围车辆的信息。相比于通过雷达、红外线进行感知的传统探测技术,基于车联网的感知技术具有性能稳定,不易受天气,电磁等外部环境影响的特点。
BP(back propagation)神经网络是一种按照误差反向传播算法训练的多层前馈神经网络,同时也是目前使用最广泛的神经网络。它的基本思想是利用梯度搜索技术,使网络的实际输出值和期望输出值之间的误差最小。基本BP算法包括信号前向传播和误差反向传播两个过程。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则进入误差反向传播过程。误差反向传播就是一个不断修正各个神经元之间的连接权值,使得训练误差减小的过程。误差反向传播使用的方法是梯度下降法,梯度是训练误差的变化量,可以通过求导所获得。从几何意义上看,梯度代表训练误差增长最快的方向,反之,沿着相反的方向就可以不断地使误差逼近最小值。通过将误差分摊给各层所有单元并根据各单元获得的误差信号调整其权值,使得神经网络的输出逼近真实值。BP神经网络根据修正后的权值再次进行正向传播训练,然后再将新的误差反向传输修正权值,如此循环往复以达到最优的训练效果。
遗传算法(genetic algorithm)的基本思想来源于魏茨曼的物种选择学说、达尔文的生物进化论和孟德尔的遗传学说。它是一种模拟自然界遗传与进化机制的随机搜索优化算法。它将问题编码成为一个个种群,每个种群包含多个个体。通过对个体进行交叉、变异等运算使得信息交换既有组织性且不失随机性。每一轮运算后使用适应度来衡量个体优劣,适应度高的个体被保留,适应度低的个体则被淘汰。经过若干代进化后,最终算法所收敛于的个体即为最佳个体,最佳个体很有可能就是问题的最优解。
现有的基于运动学的碰撞预警方法通过比较当前车辆的最大安全停车距离和当前车辆与前车的实际距离来判断是否存在碰撞风险。在计算中需要依据经验设置驾驶员反应时间和安全缓冲距离,而复杂的道路环境和驾驶员的驾驶特征很难通过简单的几个参数和线性关系表示出来,若这些参数设置不当则会影响到方法的安全性和用户体验。同时现有的基于神经网络的碰撞预警方法虽然克服了参数确定性方法的局限性,但是这些方法无法考虑诸如天气、路况等外界因素的影响,且神经网络存在收敛速度慢,易陷入局部极值的缺点。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种车联网环境下基于IGA-BP神经网络的车辆碰撞预警系统及方法,更为灵敏准确,可以适应不同外界条件的变化,并且具有较高的运算速度、安全性和准确性。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种车联网环境下基于IGA-BP神经网络的车辆碰撞预警系统,该系统包括设置在道路侧边的路侧设备,以及设置在各个车辆上的信息交互模块、风险检测模块和控制模块;其中:
路侧设备,用于收集车辆行驶信息并传输到云端供IGA-BP神经网络训练,云端结合当时该路段的外界环境条件将训练完成的IGA-BP神经网络分类保存;当有车辆驶入该路段时,根据当前的外界环境条件相应的IGA-BP神经网络再通过路侧设备从云端传输给车辆;
信息交互模块,用于实时感知本车和其它车辆的行驶信息,包括行驶速度、加速度、航向角、坐标、间距;接收从路侧设备传输过来的IGA-BP神经网络信息;并发布本车行驶信息以及转发其它车辆的行驶信息;
风险监测模块,用于根据信息交互模块所得到的自车以及其它车辆的行驶信息,利用从路侧设备传输过来的IGA-BP神经网络模型进行计算分析,并做出是否存在碰撞风险的判断;
控制模块,用于根据风险检测模块的计算结果进行制动和告警控制。
进一步地,本发明的该系统中的IGA-BP神经网络模型包括:一个输入层、一个隐藏层、一个输出层;输入层共有3个输入神经元节点,其中Vl和Vf分别表示前车与后车的速度,S表示前后车之间的直线距离;隐藏层神经元节点数为8个;输出层神经元节点数为1个,输出值代表当前车辆行驶安全状况,取值范围在0-1之间。
进一步地,本发明的该系统中IGA-BP神经网络的训练过程如下:对于第i个样本输入,隐藏层第j个神经元对应的输入为:
其中,n为输入节点个数,wjp为第p个输入节点到第j个隐藏层神经元的权值,xp为第p个输入神经元节点的数值,bj为第j个隐藏层神经元的阈值;
隐藏层第j个神经元的输出为:f1(netj),其中f1为隐藏层的激励函数;每一个隐藏层神经元节点的输出乘以该神经元与输出节点之间的连接权值woj并加上输出神经元节点的阈值得到:
其中,k为隐藏层神经元节点个数,O作为输入被传送到输出神经元中,bo为输出层神经元的阈值;因为该神经网络只有一个输出节点,所以最终神经网络的输出为:y(i)=f2(O),其中f2为输出层的激励函数;至此IGA-BP神经网络完成一次正向传播的过程,接下来进行误差修正;
对于第i个样本,训练误差定义为:
其中,t(i)为神经网络的期望输出值,y(i)为神经网络的实际输出值;IGA-BP神经网络使用梯度下降法进行误差修正,隐藏层至输出层中的连接权值修正梯度为:
也即为:
输出层神经元阈值修正梯度为:
综上,得到修正隐藏层至输出层中的连接权值和输出层节点阈值公式为:
Δwoj=-η[t(i)-y(i))]f’2(O)f1(netj)
woj=woj-Δwoj
Δbo=-η[t(i)-y(i))]
bo=bo-Δbo
同理,对于第i个样本,输入层至隐藏层中的连接权值修正梯度为:
也即为:
隐藏层神经元阈值修正梯度为:
综上,得到修正输入层至隐藏层中的连接权值和隐藏层节点阈值公式为:
Δwjp=-η[t(i)-y(i))]f’2(O)wojf’1(netj)xp
wjp=wjp-Δwjp
Δbj=-η[t(i)-y(i))]f’2(O)wojf’1(netj)
bj=bj-Δbj
IGA-BP神经网络根据修正后的权值再次进行正向传播训练,然后再将新的误差反向传输修正权值,如此循环往复以达到最优的训练效果。
进一步地,本发明的该系统中的对IGA-BP神经网络进行训练时,通过改进的遗传算法,根据种群的衍变进程自适应调节交叉概率Pc和变异概率Pm的大小,实现对BP神经网络权值和阈值的优化。
进一步地,本发明的调节交叉概率Pc和变异概率Pm的计算公式为:
其中,fave为种群中个体的平均适应度,fmax为种群中个体的最大适应度,k1、k2、k3、k4为0至1范围内的常数。
进一步地,本发明的种群根据定义的IGA-BP神经网络模型结构采用实数编码的方式生成;由于该IGA-BP神经网络模型具有3个输入层节点、8个隐藏层节点和1个输出层节点,共包含32个权值和9个阈值,所以种群中个体编码长度为41;采用线性差值法将种群中所有个体初始化为由-1到1之间的实数所组成的向量;将每一轮进化过程中个体输出结果误差Err(i)的倒数作为适应度函数;适应度函数f(i)的公式如下所示:
本发明提供一种车联网环境下基于IGA-BP神经网络的车辆碰撞预警方法,该方法包括以下步骤:
训练阶段:
通过路侧设备收集车辆行驶信息并传输到云端供IGA-BP神经网络训练,云端结合当时该路段的外界环境条件将训练完成的IGA-BP神经网络分类保存;
预警阶段:
步骤一、判断当前车辆前方是否有行驶车辆,如果前车距离当前车辆的距离S小于或等于150米,那么则判定为前方有行驶车辆;如果前方有行驶车辆则进入下一步,否则说明当前车辆处于安全状态,进入步骤五;
步骤二、当前车辆接收前车的行驶状况信息,并进入下一步;
步骤三、判断当前车辆与前车是否行驶在同一车道;如果当前车辆所在车道编号Lanef与前车所在车道编号Lanel相等则进入下一步,否则进入步骤五;
步骤四、如果两车行驶在同一车道,那么将前后车辆的行驶状态信息输入至该路段在当前外界环境条件下对应的IGA-BP神经网络;IGA-BP神经网络计算后产生一个输出值Safety Grade作为安全等级,如果Safety Grade大于或等于阈值,那么就说明存在碰撞危险;反之则说明当前车辆处于安全状态;
步骤五、如果当前车辆具有碰撞风险,控制模块发出警报并立刻控制车辆采取制动措施,使车辆减速行驶,然后算法结束;否则说明当前车辆处于安全状态,算法结束。
本发明产生的有益效果是:本发明的车联网环境下基于IGA-BP神经网络的车辆碰撞预警系统及方法,(1)与现有基于运动学的碰撞预警方法相比,本发明不需要设置任何参数,最大限度的排除了参数设置不当对系统造成的干扰,提升了系统的可靠性和精度。(2)与现有基于神经网络的碰撞预警方法相比,本发明对神经网络进行了优化,提升了神经网络的寻优能力和运算速度。(3)与现有碰撞预警方法相比,本发明可以适应不同外界条件的影响,提升了系统的适应能力和可靠性。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的车联网系统示意图;
图2是本发明实施例的BP神经网络结构示意图;
图3是本发明实施例的系统模块图;
图4是本发明实施例的系统工作流程图;
图5(a)是本发明实施示例一无预警情况下前后两车位置图;
图5(b)是本发明实施示例一无预警情况下前后两车速度图;
图6是本发明实施示例一预警信号图;
图7(a)是本发明实施示例一有预警情况下前后两车位置图;
图7(b)是本发明实施示例一有预警情况下前后两车速度图;
图8(a)是本发明实施示例二无预警情况下前后两车位置图;
图8(b)是本发明实施示例二无预警情况下前后两车速度图;
图9是本发明实施示例二预警信号图;
图10(a)是本发明实施示例二有预警情况下前后两车位置图;
图10(b)是本发明实施示例二有预警情况下前后两车速度图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例中,首先对传统的遗传算法进行改进。传统的遗传算法的交叉概率Pc和变异概率Pm均为固定值,无法根据种群的衍变进程自适应调节,故存在全局搜索能力不强,无法获取全局最优解的不足。基于此,本发明提出了一种改进的遗传算法,它能够根据种群的衍变进程自适应调节交叉概率Pc和变异概率Pm的大小,从而达到提升算法性能,优化BP神经网络权值和阈值的目的。本发明所提出的交叉概率Pc和变异概率Pm的计算公式如下所示:
其中,fave为种群中个体的平均适应度,fmax为种群中个体的最大适应度,k1、k2、k3、k4为0至1范围内的常数。其基本原理如下:在进化初期种群离散化程度较高,个体种类丰富,此时应自适应地提高交叉概率Pc,使得个体之间信息充分交换以培育出更加优良的个体;同时,应自适应地降低变异概率Pm,防止新产生的优良个体被破坏,加快收敛速度。在进化末期,算法趋于收敛,种群离散化程度大大降低,重复或相似个体增多,此时进行交叉操作非但效果不明显,还会影响算法执行速度。所以此时应自适应地降低交叉概率Pc;同时,为了防止算法收敛于局部极值,应自适应地增加变异概率Pm,通过变异产生全新基因以增加获得全局最优解的可能性。
然后设计BP神经网络结构。本发明所使用的BP神经网络结构如图2所示。其包含有一个输入层、一个隐藏层、一个输出层。输入层共有3个输入神经元节点,其中Vl和Vf分别表示前车与后车的速度,S表示前后车之间的直线距离。隐藏层神经元节点数为8个。输出层神经元节点数为1个,输出值代表当前车辆行驶安全状况,取值范围在0-1之间。设置安全阈值为0.5,当输出神经元节点的值大于或等于0.5时,说明当前车辆具有碰撞风险,反之则说明当前车辆处于安全状态。
该系统中IGA-BP神经网络的训练过程如下:对于第i个样本输入,隐藏层第j个神经元对应的输入为:
其中,n为输入节点个数,wjp为第p个输入节点到第j个隐藏层神经元的权值,xp为第p个输入神经元节点的数值,bj为第j个隐藏层神经元的阈值;
隐藏层第j个神经元的输出为:f1(netj),其中f1为隐藏层的激励函数;每一个隐藏层神经元节点的输出乘以该神经元与输出节点之间的连接权值woj并加上输出神经元节点的阈值得到:
其中,k为隐藏层神经元节点个数,O作为输入被传送到输出神经元中,bo为输出层神经元的阈值;因为该神经网络只有一个输出节点,所以最终神经网络的输出为:y(i)=f2(O),其中f2为输出层的激励函数;至此IGA-BP神经网络完成一次正向传播的过程,接下来进行误差修正;
对于第i个样本,训练误差定义为:
其中,t(i)为神经网络的期望输出值,y(i)为神经网络的实际输出值;IGA-BP神经网络使用梯度下降法进行误差修正,隐藏层至输出层中的连接权值修正梯度为:
也即为:
输出层神经元阈值修正梯度为:
综上,得到修正隐藏层至输出层中的连接权值和输出层节点阈值公式为:
Δwoj=-η[t(i)-y(i))]f’2(O)f1(netj)
woj=woj-Δwoj
Δbo=-η[t(i)-y(i))]
bo=bo-Δbo
同理,对于第i个样本,输入层至隐藏层中的连接权值修正梯度为:
也即为:
隐藏层神经元阈值修正梯度为:
综上,得到修正输入层至隐藏层中的连接权值和隐藏层节点阈值公式为:
Δwjp=-η[t(i)-y(i))]f’2(O)wojf’1(netj)xp
wjp=wjp-Δwjp
Δbj=-η[t(i)-y(i))]f’2(O)wojf’1(netj)
bj=bj-Δbj
IGA-BP神经网络根据修正后的权值再次进行正向传播训练,然后再将新的误差反向传输修正权值,如此循环往复以达到最优的训练效果。
种群根据定义的IGA-BP神经网络模型结构采用实数编码的方式生成;由于该IGA-BP神经网络模型具有3个输入层节点、8个隐藏层节点和1个输出层节点,共包含32个权值和9个阈值,所以种群中个体编码长度为41;采用线性差值法将种群中所有个体初始化为由-1到1之间的实数所组成的向量;将每一轮进化过程中个体输出结果误差Err(i)的倒数作为适应度函数;适应度函数f(i)的公式如下所示:
随后再使用该改进型遗传算法(improved genetic algorithm)对BP神经网络进行优化得到IGA-BP(improved genetic algorithm-back propagation)神经网络,使其能突破局部极值找到最优解并提高收敛速度。优化思想是利用改进的遗传算法优良的全局搜索能力预先训练神经网络的权值和阈值,并将训练好的权值和阈值输入至神经网络中作为初始值,此时再沿负梯度方向搜索就能准确、快速地逼近全局最优解,进而达到提升BP神经网络精确度和运算效率的目的。
最后在车联网环境下建立碰撞预警系统,其架构如图3所示。车联网环境下基于IGA-BP神经网络的车辆碰撞预警系统,该系统包括设置在道路侧边的路侧设备,以及设置在各个车辆上的信息交互模块、风险检测模块和控制模块;其中:
路侧设备,用于收集车辆行驶信息并传输到云端供IGA-BP神经网络训练,云端结合当时该路段的外界环境条件将训练完成的IGA-BP神经网络分类保存;当有车辆驶入该路段时,根据当前的外界环境条件相应的IGA-BP神经网络再通过路侧设备从云端传输给车辆;
信息交互模块,用于实时感知本车和其它车辆的行驶信息,包括行驶速度、加速度、航向角、坐标、间距;接收从路侧设备传输过来的IGA-BP神经网络信息;并发布本车行驶信息以及转发其它车辆的行驶信息;
风险监测模块,用于根据信息交互模块所得到的自车以及其它车辆的行驶信息,利用从路侧设备传输过来的IGA-BP神经网络模型进行计算分析,并做出是否存在碰撞风险的判断;
控制模块,用于根据风险检测模块的计算结果进行制动和告警控制。
车联网环境下基于IGA-BP神经网络的车辆碰撞预警方法,该方法包括以下步骤:
训练阶段:
通过路侧设备收集车辆行驶信息并传输到云端供IGA-BP神经网络训练,云端结合当时该路段的外界环境条件将训练完成的IGA-BP神经网络分类保存;
预警阶段:
步骤一、判断当前车辆前方是否有行驶车辆,如果前车距离当前车辆的距离S小于或等于150米,那么则判定为前方有行驶车辆;如果前方有行驶车辆则进入下一步,否则说明当前车辆处于安全状态,进入步骤五;
步骤二、当前车辆接收前车的行驶状况信息,并进入下一步;
步骤三、判断当前车辆与前车是否行驶在同一车道;如果当前车辆所在车道编号Lanef与前车所在车道编号Lanel相等则进入下一步,否则进入步骤五;
步骤四、如果两车行驶在同一车道,那么将前后车辆的行驶状态信息输入至该路段在当前外界环境条件下对应的IGA-BP神经网络;IGA-BP神经网络计算后产生一个输出值Safety Grade作为安全等级,如果Safety Grade大于或等于阈值,那么就说明存在碰撞危险;反之则说明当前车辆处于安全状态;
步骤五、如果当前车辆具有碰撞风险,控制模块发出警报并立刻控制车辆采取制动措施,使车辆减速行驶,然后算法结束;否则说明当前车辆处于安全状态,算法结束。
以下结合具体实施例的计算数据进行说明,实施例通过使用MATLAB中的可视化仿真工具simulink对本发明进行验证。
实施示例一:后车在0时刻从位置0m出发以1.5m/s2的加速度向前加速行驶,前车在0时刻从位置100m出发以10m/s的速度向前匀速行驶。在没有任何预警的情况下,两车将在20s时发生碰撞,如图5(a)和图5(b)所示。在有预警情况下,起初两车相距较远,此时发生碰撞的概率较低,故神经网络输出一直为0。随着后车速度不断加快,两车距离不断缩小,神经网络输出值快速上升并在17.03s时超过0.5阈值,此时系统发出警告并控制后车进行制动,如图6和图7(a)和图7(b)所示。
实施示例二:前车起始位置为10m处,初速度为16m/s,从2s开始以-2.5m/s2的减速度减速,减速时间持续4s,到6s时继续匀速行驶。后车保持13m/s的速度匀速行驶。在没有预警的情况下,两车将在7.14s时发生碰撞。如图8(a)和图8(b)所示。在有预警情况下,起初后车速度低于前车,两车之间的距离逐渐拉大,发生碰撞的几率逐渐变小,故神经网络输出值逐渐降低。当前车从2s开始减速时,神经网络输出值下降的幅度开始减小。当前车的速度下降到低于后车时,两车之间的距离开始缩小,后车与前车的速度差值增大,碰撞风险增加,因此神经网络输出值也随之增加。神经网络的输出值在3.87s时超过0.5阈值,此时系统发出警告并控制后车进行制动,如图9和图10(a)和图10(b)所示。
本发明实施例的基于IGA-BP神经网络的车辆碰撞预警方法,具有可靠性强、准确性高、运算速度快以及能适应不同外界环境变化的优点。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种车联网环境下基于IGA-BP神经网络的车辆碰撞预警系统,其特征在于,该系统包括设置在道路侧边的路侧设备,以及设置在各个车辆上的信息交互模块、风险检测模块和控制模块;其中:
路侧设备,用于收集车辆行驶信息并传输到云端供IGA-BP神经网络训练,云端结合当时路段的外界环境条件将训练完成的IGA-BP神经网络分类保存;当有车辆驶入该路段时,根据当前的外界环境条件相应的IGA-BP神经网络再通过路侧设备从云端传输给车辆;
信息交互模块,用于实时感知本车和其它车辆的行驶信息,包括行驶速度、加速度、航向角、坐标、间距;接收从路侧设备传输过来的IGA-BP神经网络信息;并发布本车行驶信息以及转发其它车辆的行驶信息;
风险监测模块,用于根据信息交互模块所得到的自车以及其它车辆的行驶信息,利用从路侧设备传输过来的IGA-BP神经网络模型进行计算分析,并做出是否存在碰撞风险的判断;
控制模块,用于根据风险检测模块的计算结果进行制动和告警控制;
该系统中的IGA-BP神经网络模型包括:一个输入层、一个隐藏层、一个输出层;输入层共有3个输入神经元节点,其中Vl和Vf分别表示前车与后车的速度,S表示前后车之间的直线距离;隐藏层神经元节点数为8个;输出层神经元节点数为1个,输出值代表当前车辆行驶安全状况,取值范围在0-1之间;
该系统中IGA-BP神经网络的训练过程如下:对于第i个样本输入,隐藏层第j个神经元对应的输入为:
其中,n为输入节点个数,wjp为第p个输入节点到第j个隐藏层神经元的权值,xp为第p个输入神经元节点的数值,bj为第j个隐藏层神经元的阈值;
隐藏层第j个神经元的输出为:f1(netj),其中f1为隐藏层的激励函数;每一个隐藏层神经元节点的输出乘以该神经元与输出节点之间的连接权值woj并加上输出神经元节点的阈值得到:
其中,k为隐藏层神经元节点个数,O作为输入被传送到输出神经元中,bo为输出层神经元的阈值;因为该神经网络只有一个输出节点,所以最终神经网络的输出为:y(i)=f2(O),其中f2为输出层的激励函数;至此IGA-BP神经网络完成一次正向传播的过程,接下来进行误差修正;
对于第i个样本,训练误差定义为:
其中,t(i)为神经网络的期望输出值,y(i)为神经网络的实际输出值;IGA-BP神经网络使用梯度下降法进行误差修正,隐藏层至输出层中的连接权值修正梯度为:
也即为:
输出层神经元阈值修正梯度为:
综上,得到修正隐藏层至输出层中的连接权值和输出层节点阈值公式为:
Δwoj=-η[t(i)-y(i))]f’2(O)f1(netj)
woj=woj-Δwoj
Δbo=-η[t(i)-y(i))]
bo=bo-Δbo
同理,对于第i个样本,输入层至隐藏层中的连接权值修正梯度为:
也即为:
隐藏层神经元阈值修正梯度为:
综上,得到修正输入层至隐藏层中的连接权值和隐藏层节点阈值公式为:
Δwjp=-η[t(i)-y(i))]f’2(O)wojf’1(netj)xp
wjp=wjp-Δwjp
Δbj=-η[t(i)-y(i))]f’2(O)wojf’1(netj)
bj=bj-Δbj
IGA-BP神经网络根据修正后的权值再次进行正向传播训练,然后再将新的误差反向传输修正权值,如此循环往复以达到最优的训练效果。
2.根据权利要求1所述的车联网环境下基于IGA-BP神经网络的车辆碰撞预警系统,其特征在于,该系统中的对IGA-BP神经网络进行训练时,通过改进的遗传算法,根据种群的衍变进程自适应调节交叉概率Pc和变异概率Pm的大小,实现对BP神经网络权值和阈值的优化。
5.一种车联网环境下基于IGA-BP神经网络的车辆碰撞预警方法,其特征在于,该方法包括以下步骤:
训练阶段:
通过路侧设备收集车辆行驶信息并传输到云端供IGA-BP神经网络训练,云端结合当时路段的外界环境条件将训练完成的IGA-BP神经网络分类保存;
预警阶段:
步骤一、判断当前车辆前方是否有行驶车辆,如果前车距离当前车辆的距离S小于或等于150米,那么则判定为前方有行驶车辆;如果前方有行驶车辆则进入下一步,否则说明当前车辆处于安全状态,进入步骤五;
步骤二、当前车辆接收前车的行驶状况信息,并进入下一步;
步骤三、判断当前车辆与前车是否行驶在同一车道;如果当前车辆所在车道编号Lanef与前车所在车道编号Lanel相等则进入下一步,否则进入步骤五;
步骤四、如果两车行驶在同一车道,那么将前后车辆的行驶状态信息输入至该路段在当前外界环境条件下对应的IGA-BP神经网络;IGA-BP神经网络计算后产生一个输出值Safety Grade作为安全等级,如果Safety Grade大于或等于阈值,那么就说明存在碰撞危险;反之则说明当前车辆处于安全状态;
步骤五、如果当前车辆具有碰撞风险,控制模块发出警报并立刻控制车辆采取制动措施,使车辆减速行驶,然后算法结束;否则说明当前车辆处于安全状态,算法结束;
该方法中的IGA-BP神经网络模型包括:一个输入层、一个隐藏层、一个输出层;输入层共有3个输入神经元节点,其中Vl和Vf分别表示前车与后车的速度,S表示前后车之间的直线距离;隐藏层神经元节点数为8个;输出层神经元节点数为1个,输出值代表当前车辆行驶安全状况,取值范围在0-1之间;
该方法中IGA-BP神经网络的训练过程如下:对于第i个样本输入,隐藏层第j个神经元对应的输入为:
其中,n为输入节点个数,wjp为第p个输入节点到第j个隐藏层神经元的权值,xp为第p个输入神经元节点的数值,bj为第j个隐藏层神经元的阈值;
隐藏层第j个神经元的输出为:f1(netj),其中f1为隐藏层的激励函数;每一个隐藏层神经元节点的输出乘以该神经元与输出节点之间的连接权值woj并加上输出神经元节点的阈值得到:
其中,k为隐藏层神经元节点个数,O作为输入被传送到输出神经元中,bo为输出层神经元的阈值;因为该神经网络只有一个输出节点,所以最终神经网络的输出为:y(i)=f2(O),其中f2为输出层的激励函数;至此IGA-BP神经网络完成一次正向传播的过程,接下来进行误差修正;
对于第i个样本,训练误差定义为:
其中,t(i)为神经网络的期望输出值,y(i)为神经网络的实际输出值;IGA-BP神经网络使用梯度下降法进行误差修正,隐藏层至输出层中的连接权值修正梯度为:
也即为:
输出层神经元阈值修正梯度为:
综上,得到修正隐藏层至输出层中的连接权值和输出层节点阈值公式为:
Δwoj=-η[t(i)-y(i))]f’2(O)f1(netj)
woj=woj-Δwoj
Δbo=-η[t(i)-y(i))]
bo=bo-Δbo
同理,对于第i个样本,输入层至隐藏层中的连接权值修正梯度为:
也即为:
隐藏层神经元阈值修正梯度为:
综上,得到修正输入层至隐藏层中的连接权值和隐藏层节点阈值公式为:
Δwjp=-η[t(i)-y(i))]f’2(O)wojf’1(netj)xp
wjp=wjp-Δwjp
Δbj=-η[t(i)-y(i))]f’2(O)wojf’1(netj)
bj=bj-Δbj
IGA-BP神经网络根据修正后的权值再次进行正向传播训练,然后再将新的误差反向传输修正权值,如此循环往复以达到最优的训练效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911376805.5A CN111081067B (zh) | 2019-12-27 | 2019-12-27 | 车联网环境下基于iga-bp神经网络的车辆碰撞预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911376805.5A CN111081067B (zh) | 2019-12-27 | 2019-12-27 | 车联网环境下基于iga-bp神经网络的车辆碰撞预警系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111081067A CN111081067A (zh) | 2020-04-28 |
CN111081067B true CN111081067B (zh) | 2021-07-20 |
Family
ID=70318493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911376805.5A Expired - Fee Related CN111081067B (zh) | 2019-12-27 | 2019-12-27 | 车联网环境下基于iga-bp神经网络的车辆碰撞预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111081067B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113085806B (zh) * | 2021-04-06 | 2022-04-08 | 南京航空航天大学 | 一种基于超磁致伸缩制动系统的复合再生制动控制方法 |
CN114055479A (zh) * | 2022-01-04 | 2022-02-18 | 广东工业大学 | 一种拖动示教喷涂机器人碰撞预警方法、介质及设备 |
CN115071757A (zh) * | 2022-06-22 | 2022-09-20 | 深圳市芯存科技有限公司 | 一种存算一体芯片、控制方法 |
CN116403437A (zh) * | 2023-03-16 | 2023-07-07 | 安徽海博智能科技有限责任公司 | 一种基于云雾融合的露天矿山车路协同系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105869439A (zh) * | 2016-04-13 | 2016-08-17 | 重庆邮电大学 | 一种道路交汇口防撞预警方法、路侧设备与防撞系统 |
CN105930625A (zh) * | 2016-06-13 | 2016-09-07 | 天津工业大学 | Q学习结合神经网络的智能驾驶行为决策系统的设计方法 |
CN109413572A (zh) * | 2018-10-31 | 2019-03-01 | 惠州市德赛西威汽车电子股份有限公司 | 车辆碰撞预警及车速引导的优化方法及系统 |
CN110329249A (zh) * | 2019-07-02 | 2019-10-15 | 武汉理工大学 | 一种循环神经网络的汽车前向碰撞预警控制系统及方法 |
US10457294B1 (en) * | 2018-06-27 | 2019-10-29 | Baidu Usa Llc | Neural network based safety monitoring system for autonomous vehicles |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100793616B1 (ko) * | 2005-06-13 | 2008-01-10 | 주식회사 엘지화학 | 배터리 잔존량 추정 장치 및 방법 |
CN103303237B (zh) * | 2013-06-21 | 2015-06-17 | 湖南大学 | 一种基于遗传神经网络的安全气囊起爆控制方法 |
CN106740457A (zh) * | 2016-12-07 | 2017-05-31 | 镇江市高等专科学校 | 基于bp神经网络模型的车辆换道决策方法 |
CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
WO2019127310A1 (zh) * | 2017-12-29 | 2019-07-04 | 深圳市大疆创新科技有限公司 | 车辆控制方法、车辆控制设备及车辆 |
JP6979648B2 (ja) * | 2018-02-02 | 2021-12-15 | Kddi株式会社 | 車載制御装置 |
CN108674413B (zh) * | 2018-05-18 | 2021-02-19 | 广州小鹏汽车科技有限公司 | 车辆行人碰撞预防方法及系统 |
CN108711016A (zh) * | 2018-06-05 | 2018-10-26 | 合肥湛达智能科技有限公司 | 一种基于bp神经网络的驾驶行为评分方法 |
CN109377785A (zh) * | 2018-10-22 | 2019-02-22 | 北京航空航天大学 | 一种基于深度学习的高速公路合流区车辆冲突预警方法 |
CN109635495B (zh) * | 2018-12-29 | 2023-08-22 | 西南交通大学 | 基于神经网络和遗传算法的干道相位差仿真优化方法 |
-
2019
- 2019-12-27 CN CN201911376805.5A patent/CN111081067B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105869439A (zh) * | 2016-04-13 | 2016-08-17 | 重庆邮电大学 | 一种道路交汇口防撞预警方法、路侧设备与防撞系统 |
CN105930625A (zh) * | 2016-06-13 | 2016-09-07 | 天津工业大学 | Q学习结合神经网络的智能驾驶行为决策系统的设计方法 |
US10457294B1 (en) * | 2018-06-27 | 2019-10-29 | Baidu Usa Llc | Neural network based safety monitoring system for autonomous vehicles |
CN109413572A (zh) * | 2018-10-31 | 2019-03-01 | 惠州市德赛西威汽车电子股份有限公司 | 车辆碰撞预警及车速引导的优化方法及系统 |
CN110329249A (zh) * | 2019-07-02 | 2019-10-15 | 武汉理工大学 | 一种循环神经网络的汽车前向碰撞预警控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111081067A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111081067B (zh) | 车联网环境下基于iga-bp神经网络的车辆碰撞预警系统及方法 | |
CN113158560B (zh) | 一种基于场景对抗的智能驾驶车辆自主能力测试方法 | |
CN109102124B (zh) | 基于分解的动态多目标多路径诱导方法、系统及存储介质 | |
CN111338385A (zh) | 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法 | |
CN115578876A (zh) | 一种车辆的自动驾驶方法、系统、设备及存储介质 | |
CN111553469A (zh) | 一种无线传感器网络数据融合方法、装置和存储介质 | |
CN114170789A (zh) | 基于时空图神经网络的智能网联车换道决策建模方法 | |
Zhang et al. | Beyond-line-of-sight identification by using vehicle-to-vehicle communication | |
CN110682903B (zh) | 一种基于视觉感知的安全超车预警系统及方法 | |
CN109712424B (zh) | 一种基于物联网的车辆导航方法 | |
CN114644018A (zh) | 一种基于博弈论的自动驾驶车辆人车交互决策规划方法 | |
CN116503029B (zh) | 用于自动驾驶的模块数据协同处理方法及系统 | |
CN109910865B (zh) | 一种基于物联网的车辆预警刹车方法 | |
CN113890633B (zh) | 一种基于深度神经网络的水声通信体制自适应选取方法 | |
Schmidt et al. | How to learn from risk: Explicit risk-utility reinforcement learning for efficient and safe driving strategies | |
CN109808492B (zh) | 一种车载雷达预警装置及预警方法 | |
CN114148349A (zh) | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 | |
CN110689643B (zh) | 一种基于免疫算法的智能网联汽车车辆行驶状态分析方法 | |
CN112351407A (zh) | 一种基于5g分级决策的aeb策略方法 | |
CN113204248A (zh) | 基于决策变量与自适应算法的多无人机航迹协同方法 | |
CN113722982A (zh) | 一种基于多模型融合的汽车传感器攻击检测与防御方法 | |
Alonso et al. | Genetically tuned controller of an adaptive cruise control for urban traffic based on ultrasounds | |
CN112558510B (zh) | 一种智能网联汽车安全预警系统及预警方法 | |
CN112783133B (zh) | 一种agv运行状态预测方法 | |
CN108646751A (zh) | 基于遗传算法和单神经自适应pid的自动转向控制系统及其控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210720 Termination date: 20211227 |
|
CF01 | Termination of patent right due to non-payment of annual fee |