CN112580149A - 基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法 - Google Patents

基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法 Download PDF

Info

Publication number
CN112580149A
CN112580149A CN202011526672.8A CN202011526672A CN112580149A CN 112580149 A CN112580149 A CN 112580149A CN 202011526672 A CN202011526672 A CN 202011526672A CN 112580149 A CN112580149 A CN 112580149A
Authority
CN
China
Prior art keywords
data
vehicle
rear vehicle
following
time
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.)
Granted
Application number
CN202011526672.8A
Other languages
English (en)
Other versions
CN112580149B (zh
Inventor
孔祥杰
夏锋
沈国江
侯明良
任震
王辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202011526672.8A priority Critical patent/CN112580149B/zh
Publication of CN112580149A publication Critical patent/CN112580149A/zh
Application granted granted Critical
Publication of CN112580149B publication Critical patent/CN112580149B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法，利用互相关计算法计算出驰场景数据集中后车驾驶员的反应时间，并依据前车加速这一特征进行数据分类，然后利用分段函数线性回归方法进行数据拟合，得到了基于驾驶时长的驾驶员反应时间模型；将跟驰场景数据集分为训练集与测试集，设置生成对抗网络的学习率生成率等参数，使用训练集训练后，利用生成器生成了驾驶决策库，随后设计了决策库匹配算法，并与反应时间结合生成了车辆跟驰模型。对比已有的跟驰模型，本方法考虑了由驾驶时长引起的驾驶疲劳，仿真效果具有更高的真实性，为交通管理与辅助车辆安全驾驶等领域提供了技术支持。

Description

基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法
技术领域
本发明属于汽车智能控制和交通仿真领域，尤其涉及一种基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法。
背景知识
车辆跟车是交通中最常见的驾驶员行为，它对交通流特性、交通安全以及交通仿真结果有重要影响。跟驰模型旨在复制驾驶员的车辆跟车行为，是交通仿真工具(如SUMO、VISSIM等)的基本算法，也是自动化车辆必不可少的控制算法。基于运动学的跟驰模型是在尽可能的描述车辆跟随机动的动力学机制，大部分参数具有明显的物理意义，通过调整模型参数可以方便地控制模型的输出，所以只要能够给出合适的参数，就能在跟车安全方面有非常优秀的表现。而基于机器学习的跟驰模型试图从大量的人类驾驶员的车辆跟踪数据中学习人类驾驶员的车辆跟随动，该类模型在模拟人类驾驶员的车辆跟随方面具有较高的精度。
但现有的跟驰模型存在一定的问题，它们没有将驾驶员的驾驶时长作为参数条件加入进去，驾驶时长直接会导致驾驶员反应时间的变化，如果反应时间为一固定值，则会大大降低模型模拟的真实性，另一方面，虽然数据驱动的跟驰模型会在精准度方面远远高于传统模型，但其对运行环境要求极高，部分可能需要每次都调用机器学习框架，大大降低了模型的可用性和高效性。
针对以上问题，我们设计了一种基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法。该方法即考虑了驾驶时长与驾驶员反应时间的关系，又吸收了数据驱动的跟驰模型在精准度方面的优点，并摒弃了其效率低、对运行环境要求高的缺点。
发明内容
本发明要克服现有技术的上述缺点，提出一种基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法。本发明考虑了驾驶时长与驾驶员反应时间的关系，并继承了基于机器学习的模型的精准度方面的优点，且不需要运行环境支持机器学习等。
本发明的技术方案有：
一种基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法，具体步骤如下：
S1、对数据集进行预处理，获取有效的跟驰场景数据，具体包括：
S1-1、将每日凌晨4点至晚上22点之间发车且收车的车辆数据筛选出来，获取每辆车的具体连续驾驶时间；
S1-2、筛选出连续驾驶3h以上的车辆，连续驾驶指GPS位置不变的时间不超过10min，同时也排除中午或某个时间点休息了一段时间的车辆；在筛选的过程中，顺便为每条数据增加了驾驶时长属性，单位为s；
S1-3、对数据集的经度和纬度都只保留小数点后5位，然后进行了速度和加速度的补充，由于每辆车的记录之间间隔为1s，间隔时间极短，所以认为这短时间为匀加速运动，所以求速度v的表达式如式1所示：
Figure BDA0002851028680000021
其中dist(·)为求两经纬度记录点之间的距离函数，Gi为该车按时间排序的第i条记录点的经纬度；
加速度a的求解表达式如式2所示：
Figure BDA0002851028680000022
每个车辆的第一个和最后一条记录去除掉，因为无法计算当时的速度或加速度；
S1-4、选出在同一时间经度或纬度相同的车辆，并在未来10s内，该经度或纬度保持一致，并且后车与前车的距离差在3vhm之内即过滤掉两车中间可能存在其他车辆的数据，其中vh为后车车速，并计算和添加“与前车车距”和“与后车车距”两条属性，同一跟驰场景下的两辆车，前车的“与后车车距”有值，后车的“与前车车距”有值，而另一个属性为空；
S2、建立基于驾驶时长的驾驶员反应时间模型，具体包括：
S2-1、利用互相关计算法计算出跟驰场景数据中的驾驶员反应时间，互相关计算法函数如下所示：
Figure BDA0002851028680000023
其中，
Rxy(τ)＝E[x(t)y(t+τ)] (4)
其中，E[·]为期望值，ux、uy分别为x和y序列的均值，σx、σy分别为x和y序列的标准差，t为所选时刻，τ为时间的步长，并将前后车间距和后车加速度分别作为x，y序列，ρxy(τ)为得到的为x和y序列的互相关系数；
S2-2、利用前车加速度a对计算结果进行分类，分为A类和B类，提取出前车加速度对后车驾驶员反应时间的影响，分类函数如下所示：
Figure BDA0002851028680000031
S2-3、使用分段函数分别对A类与B类计算结果进行线性回归，用于拟合的分段函数应依据数据的特点不同而进行调整，本实施案例对A类与B类数据拟合后的分段函数分别如公式4、5所示，最终生成驾驶员反应时间模型，模型函数如公式6所示；
Figure BDA0002851028680000032
Figure BDA0002851028680000033
Figure BDA0002851028680000034
其中，t为驾驶员驾驶时间，gA(t)为A类情况下驾驶员反应时间，gB(t)为B类情况下驾驶员反应时间，τn为最终生成的驾驶员反应时间；
S3、建立驾驶员跟车决策库，具体包括：
S3-1、以驾驶时长2小时为界限对S1处理完后的数据集进行分类，分别记为C和D，C组为驾驶时长小于2h的跟驰场景数据，D组为其余的跟驰场景数据，每个跟驰场景以1秒为步长记录了前后车10秒内的轨迹数据各10条，并在两组数据集中分别取出100个跟驰场景数据作为测试集；
S3-2、处理训练集，处理流程如下：
输入:跟驰场景的20条记录的list_1
输出:表3.1所示格式的9条数据的list_2
1：创建list_2对象；
2：创建按下方所示数据结构格式的list2对象；
3：提取前车和后车的第i秒数据，i初始值为1，将计算出的前后车速度差、后车车速、计算出的前后车距、前车加速度按下方所示数据结构进行单位转换后加入到list2中；
4：根据驾驶员反应时间模型计算出后车驾驶员的反应时间k，并在list_1找到i+k时刻的后车加速度,其中i+k＝min{i+k,10}，将后车加速度加入到list2中；
5：将list2加入到list_2中，i自增，如果i大于9，则结束，否则返回2；
得到的数据结构如下：
属性名称：前后车速度差，单位：Km/h，
属性名称：后车速度，单位：KM/h，
属性名称：前后车距，单位：m，
属性名称：反应时间过后的后车加速度，单位：m/s2；
S3-3、设置生成对抗网络的生成器G包含输入层、隐藏层、激活层、输出层，输出、输入层的维度为1*4，隐藏层则包含了4*11个神经网络单元，激活层是由Maxout激活函数组成；判别器G由输入层、隐藏层、激活层、输出层组成，其中激活函数为sigmoid函数，其目标公式如下：
Figure BDA0002851028680000041
其中G为生成器，D为分类器，Pdata(x)为真实样本，Pz(z)为生成器产生的样本；
S3-4、下列训练算法使用两组训练集分别对生成对抗网络进行训练，并设置每次从训练集采样条数为7000，并且每次都是使用线性同余器进行随机取样，目的是让生成器捕捉训练集的特征分布更加准确；设置批量数据样本数为200；生成器与判别器的学习率设置为1e-4；定义每训练12次保存一次模型参数；
训练算法如下所示：
算法输入：训练集数据分布Pdata(x)；随机噪声分布Pg(z)；总的训练次数epochs；判别器的迭代次数k；判别器的学习率s1；生成器的学习率s2；每一批训练数据量n。
算法输出：判别器的网络参数θd；生成器的网络参数θg。
Figure BDA0002851028680000048
Figure BDA0002851028680000051
S3-5、持续进行C组训练集训练，当判别器的损失函数和生成器的损失函数趋于一致，此时Pg(z)和Pdata已经近似相等，使用最后一次训练后的生成器生成的数据作为决策库E，同理用D组训练集做同样的训练，最终生成的数据作为决策库F；
S4、与驾驶员反应时间模型以及下列决策库检索算法s_su共同构建跟驰模型，跟驰模型函数如下所示：
Figure BDA0002851028680000052
其中x为输入的特征向量，x1为前后车速度差，x2为后车速度，x3为前后车距，x4为后车驾驶员驾驶时长，x5为前车加速度；
决策库检索算法s_su如下：
算法输入：决策库D；待查找特征向量x；决策库大小n；
算法输出：最相似变量的第四个特征y4
Figure BDA0002851028680000053
本发明的有益效果：
(1)本发明提出一种基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法，将驾驶时长作为参数引入到跟驰模型的构建中去，充分考虑到了驾驶时长对驾驶员反应时间的影响；
(2)利用生成对抗网络学习数据集中驾驶员跟车决策的特征，并生成新的跟驰规则数据集最为驾驶决策库，这样充分的继承了数据驱动的跟驰模型在精准度方面的优点，并且决策库为静态库，对调用模型的系统没有支持机器学习的要求，提高了模型的可用性；
(3)设计了提高检索决策规则库效率的决策库检索算法，提高了模型高效性。
附图说明
图1是本发明的方法流程图；
图2是本发明提出的动态跟驰模型结构图；
图3是本发明提出的动态跟驰模型的模块介绍示意图；
图4是本发明提出的动态跟驰模型中对抗生成网络的示意图。
具体实施方式
下面通过具体的实验方案对本技术发明做进一步的阐述，以使相关研究人员能更好地理解本发明并能自己实施该技术。下述的实验技术不仅限于本发明。
一种基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法，具体步骤如下：
S1、对数据集进行预处理，获取有效的跟驰场景数据，具体包括：
S1-1、将每日凌晨4点至晚上22点之间发车且收车的车辆数据筛选出来，获取每辆车的具体连续驾驶时间；
S1-2、筛选出连续驾驶3h以上的车辆，连续驾驶指GPS位置不变的时间不超过10min，同时也排除中午或某个时间点休息了一段时间的车辆；在筛选的过程中，顺便为每条数据增加了驾驶时长属性，单位为s；
S1-3、对数据集的经度和纬度都只保留小数点后5位，然后进行了速度和加速度的补充，由于每辆车的记录之间间隔为1s，间隔时间极短，所以认为这短时间为匀加速运动，所以求速度v的表达式如式1所示：
Figure BDA0002851028680000061
其中dist(·)为求两经纬度记录点之间的距离函数，Gi为该车按时间排序的第i条记录点的经纬度；
加速度a的求解表达式如式2所示：
Figure BDA0002851028680000062
每个车辆的第一个和最后一条记录去除掉，因为无法计算当时的速度或加速度；
S1-4、选出在同一时间经度或纬度相同的车辆，并在未来10s内，该经度或纬度保持一致，并且后车与前车的距离差在3vhm之内即过滤掉两车中间可能存在其他车辆的数据，其中vh为后车车速，并计算和添加“与前车车距”和“与后车车距”两条属性，同一跟驰场景下的两辆车，前车的“与后车车距”有值，后车的“与前车车距”有值，而另一个属性为空；
S2、建立基于驾驶时长的驾驶员反应时间模型，具体包括：
S2-1、利用互相关计算法计算出跟驰场景数据中的驾驶员反应时间，互相关计算法函数如下所示：
Figure BDA0002851028680000071
其中，
Rxy(τ)＝E[x(t)y(t+τ)] (4)
其中，E[·]为期望值，ux、uy分别为x和y序列的均值，σx、σy分别为x和y序列的标准差，t为所选时刻，τ为时间的步长，并将前后车间距和后车加速度分别作为x，y序列，ρxy(τ)为得到的为x和y序列的互相关系数；
S2-2、利用前车加速度a对计算结果进行分类，分为A类和B类，提取出前车加速度对后车驾驶员反应时间的影响，分类函数如下所示：
Figure BDA0002851028680000072
S2-3、使用分段函数分别对A类与B类计算结果进行线性回归，用于拟合的分段函数应依据数据的特点不同而进行调整，本实施案例对A类与B类数据拟合后的分段函数分别如公
式4、5所示，最终生成驾驶员反应时间模型，模型函数如公式6所示；
Figure BDA0002851028680000073
Figure BDA0002851028680000074
Figure BDA0002851028680000075
其中，t为驾驶员驾驶时间，gA(t)为A类情况下驾驶员反应时间，gB(t)为B类情况
下驾驶员反应时间，τn为最终生成的驾驶员反应时间；
S3、建立驾驶员跟车决策库，具体包括：
S3-1、以驾驶时长2小时为界限对S1处理完后的数据集进行分类，分别记为C和D，C组为驾驶时长小于2h的跟驰场景数据，D组为其余的跟驰场景数据，每个跟驰场景以1秒为步长记录了前后车10秒内的轨迹数据各10条，并在两组数据集中分别取出100个跟驰场景数据作为测试集；
S3-2、处理训练集，处理流程如下：
输入:跟驰场景的20条记录的list_1
输出:表3.1所示格式的9条数据的list_2
1：创建list_2对象；
2：创建按下方所示数据结构格式的list2对象；
3：提取前车和后车的第i秒数据，i初始值为1，将计算出的前后车速度差、后车车速、计算出的前后车距、前车加速度按下方所示数据结构进行单位转换后加入到list2中；
4：根据驾驶员反应时间模型计算出后车驾驶员的反应时间k，并在list_1找到i+k时刻的后车加速度,其中i+k＝min{i+k,10}，将后车加速度加入到list2中；
5：将list2加入到list_2中，i自增，如果i大于9，则结束，否则返回2；
得到的数据结构如下：
属性名称：前后车速度差，单位：Km/h，
属性名称：后车速度，单位：KM/h，
属性名称：前后车距，单位：m，
属性名称：反应时间过后的后车加速度，单位：m/s2；
S3-3、设置生成对抗网络的生成器G包含输入层、隐藏层、激活层、输出层，输出、输入层的维度为1*4，隐藏层则包含了4*11个神经网络单元，激活层是由Maxout激活函数组成；判别器G由输入层、隐藏层、激活层、输出层组成，其中激活函数为sigmoid函数，其目标公式如下：
Figure BDA0002851028680000081
其中G为生成器，D为分类器，Pdata(x)为真实样本，Pz(z)为生成器产生的样本；
S3-4、下列训练算法使用两组训练集分别对生成对抗网络进行训练，并设置每次从训练集采样条数为7000，并且每次都是使用线性同余器进行随机取样，目的是让生成器捕捉训练集的特征分布更加准确；设置批量数据样本数为200；生成器与判别器的学习率设置为1e-4；定义每训练12次保存一次模型参数；
训练算法如下所示：
算法输入：训练集数据分布Pdata(x)；随机噪声分布Pg(z)；总的训练次数epochs；判别器的迭代次数k；判别器的学习率s1；生成器的学习率s2；每一批训练数据量n。
算法输出：判别器的网络参数θd；生成器的网络参数θg。
Figure BDA0002851028680000091
S3-5、持续进行C组训练集训练，当判别器的损失函数和生成器的损失函数趋于一致，此时Pg(z)和Pdata已经近似相等，使用最后一次训练后的生成器生成的数据作为决策库E，同理用D组训练集做同样的训练，最终生成的数据作为决策库F；
S4、与驾驶员反应时间模型以及下列决策库检索算法s_su共同构建跟驰模型，跟驰模型函数如下所示：
Figure BDA0002851028680000092
其中x为输入的特征向量，x1为前后车速度差，x2为后车速度，x3为前后车距，x4为后车驾驶员驾驶时长，x5为前车加速度；
决策库检索算法s_su如下：
算法输入：决策库D；待查找特征向量x；决策库大小n；
算法输出：最相似变量的第四个特征y4
Figure BDA0002851028680000093
Figure BDA0002851028680000101
本发明所述的实施例仅仅是对本发明的优选实施方式进行的描述，并非对本发明构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域中工程技术人员对本发明的技术方案作出的各种变型和改进，均应落入本发明的保护范围，本发明请求保护的技术内容，已经全部记载在权利要求书中。

Claims (1)

1.基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法，其特征在于：包括以下步骤
S1、对数据集进行预处理，获取有效的跟驰场景数据，具体包括：
S1-1、将每日凌晨4点至晚上22点之间发车且收车的车辆数据筛选出来，获取每辆车的具体连续驾驶时间；
S1-2、筛选出连续驾驶3h以上的车辆，连续驾驶指GPS位置不变的时间不超过10min，同时也排除中午或某个时间点休息了一段时间的车辆；在筛选的过程中，顺便为每条数据增加了驾驶时长属性，单位为s；
S1-3、对数据集的经度和纬度都只保留小数点后5位，然后进行了速度和加速度的补充，由于每辆车的记录之间间隔为1s，间隔时间极短，所以认为这短时间为匀加速运动，所以求速度v的表达式如式1所示：
Figure FDA0002851028670000011
其中dist(·)为求两经纬度记录点之间的距离函数，Gi为该车按时间排序的第i条记录点的经纬度；
加速度a的求解表达式如式2所示：
Figure FDA0002851028670000012
每个车辆的第一个和最后一条记录去除掉，因为无法计算当时的速度或加速度；
S1-4、选出在同一时间经度或纬度相同的车辆，并在未来10s内，该经度或纬度保持一致，并且后车与前车的距离差在3vhm之内即过滤掉两车中间可能存在其他车辆的数据，其中vh为后车车速，并计算和添加“与前车车距”和“与后车车距”两条属性，同一跟驰场景下的两辆车，前车的“与后车车距”有值，后车的“与前车车距”有值，而另一个属性为空；
S2、建立基于驾驶时长的驾驶员反应时间模型，具体包括：
S2-1、利用互相关计算法计算出跟驰场景数据中的驾驶员反应时间，互相关计算法函数如下所示：
Figure FDA0002851028670000013
其中，
Rxy(τ)＝E[x(t)y(t+τ)] (4)
其中，E[·]为期望值，ux、uy分别为x和y序列的均值，σx、σy分别为x和y序列的标准差，t为所选时刻，τ为时间的步长，并将前后车间距和后车加速度分别作为x，y序列，ρxy(τ)为得到的为x和y序列的互相关系数；
S2-2、利用前车加速度a对计算结果进行分类，分为A类和B类，提取出前车加速度对后车驾驶员反应时间的影响，分类函数如下所示：
Figure FDA0002851028670000021
S2-3、使用分段函数分别对A类与B类计算结果进行线性回归，用于拟合的分段函数应依据数据的特点不同而进行调整，本实施案例对A类与B类数据拟合后的分段函数分别如公式4、5所示，最终生成驾驶员反应时间模型，模型函数如公式6所示；
Figure FDA0002851028670000022
Figure FDA0002851028670000023
Figure FDA0002851028670000024
其中，t为驾驶员驾驶时间，gA(t)为A类情况下驾驶员反应时间，gB(t)为B类情况下驾驶员反应时间，Tn为最终生成的驾驶员反应时间；
S3、建立驾驶员跟车决策库，具体包括：
S3-1、以驾驶时长2小时为界限对S1处理完后的数据集进行分类，分别记为C和D，C组为驾驶时长小于2h的跟驰场景数据，D组为其余的跟驰场景数据，每个跟驰场景以1秒为步长记录了前后车10秒内的轨迹数据各10条，并在两组数据集中分别取出100个跟驰场景数据作为测试集；
S3-2、处理训练集，处理流程如下：
输入：跟驰场景的20条记录的list_1
输出：表3.1所示格式的9条数据的list_2
1：创建list_2对象；
2：创建按下方所示数据结构格式的list2对象；
3：提取前车和后车的第i秒数据，i初始值为1，将计算出的前后车速度差、后车车速、计算出的前后车距、前车加速度按下方所示数据结构进行单位转换后加入到list2中；
4：根据驾驶员反应时间模型计算出后车驾驶员的反应时间k，并在list_1找到i+k时刻的后车加速度，其中i+k＝min{i+k，10}，将后车加速度加入到list2中；
5：将list2加入到list_2中，i自增，如果i大于9，则结束，否则返回2；
得到的数据结构如下：
属性名称：前后车速度差，单位：Km/h，
属性名称：后车速度，单位：KM/h，
属性名称：前后车距，单位：m，
属性名称：反应时间过后的后车加速度，单位：m/s2；
S3-3、设置生成对抗网络的生成器G包含输入层、隐藏层、激活层、输出层，输出、输入层的维度为1*4，隐藏层则包含了4*11个神经网络单元，激活层是由Maxout激活函数组成；判别器G由输入层、隐藏层、激活层、输出层组成，其中激活函数为sigmoid函数，其目标公式如下：
Figure FDA0002851028670000031
其中G为生成器，D为分类器，Pdata(x)为真实样本，Pz(z)为生成器产生的样本；
S3-4、下列训练算法使用两组训练集分别对生成对抗网络进行训练，并设置每次从训练集采样条数为7000，并且每次都是使用线性同余器进行随机取样，目的是让生成器捕捉训练集的特征分布更加准确；设置批量数据样本数为200；生成器与判别器的学习率设置为1e-4；定义每训练12次保存一次模型参数；
训练算法如下所示：
算法输入：训练集数据分布Pdata(x)；随机噪声分布Pg(z)；总的训练次数epochs；判别器的迭代次数k；判别器的学习率s1；生成器的学习率s2；每一批训练数据量n。
算法输出：判别器的网络参数θd；生成器的网络参数θg。
1：初始化θd，θg
2：for epochs do
3：for k do
4：从随机噪声分布Pg(z)中采样n个样本
Figure FDA0002851028670000032
5：从真实数据分布Pdata(x)中采样n个样本
Figure FDA0002851028670000033
6：通过提升随机梯度更新θd：
7：
Figure FDA0002851028670000034
8：end for
9：从随机噪声分布Pg(z)中采样n个样本
Figure FDA0002851028670000041
10：通过降低随梯度更新
Figure FDA0002851028670000042
11
Figure FDA0002851028670000043
12：end for；
S3-5、持续进行C组训练集训练，当判别器的损失函数和生成器的损失函数趋于一致，此时Pg(z)和Pdata已经近似相等，使用最后一次训练后的生成器生成的数据作为决策库E，同理用D组训练集做同样的训练，最终生成的数据作为决策库F；
S4、与驾驶员反应时间模型以及下列决策库检索算法s_su共同构建跟驰模型，跟驰模型函数如下所示：
Figure FDA0002851028670000044
其中x为输入的特征向量，x1为前后车速度差，x2为后车速度，x3为前后车距，x4为后车驾驶员驾驶时长，x5为前车加速度；
决策库检索算法s_su如下：
算法输入：决策库D；待查找特征向量x；决策库大小n；
算法输出：最相似变量的第四个特征y4
1：求和特征向量x的前三个特征，记为sum
2：记c为决策指标计算的距离值，初始化为10000；
3：利用折半查找法找到D中与sum最为接近的y5的位置，记为h
4：for i in(h-3n/165，h+3n/165)
5：从D中取位置为i的向量
Figure FDA0002851028670000045
6：并利用决策指标算法计算x与
Figure FDA0002851028670000047
的距离c1＝s(x，y)
7：if＝c＞c1：
8：
Figure FDA0002851028670000046
9：end for。
CN202011526672.8A 2020-12-22 2020-12-22 基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法 Active CN112580149B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011526672.8A CN112580149B (zh) 2020-12-22 2020-12-22 基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011526672.8A CN112580149B (zh) 2020-12-22 2020-12-22 基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法

Publications (2)

Publication Number Publication Date
CN112580149A true CN112580149A (zh) 2021-03-30
CN112580149B CN112580149B (zh) 2023-05-26

Family

ID=75138805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011526672.8A Active CN112580149B (zh) 2020-12-22 2020-12-22 基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法

Country Status (1)

Country Link
CN (1) CN112580149B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642114A (zh) * 2021-09-14 2021-11-12 吉林大学 可犯错的拟人化随机跟车驾驶行为建模方法
CN113705013A (zh) * 2021-09-01 2021-11-26 清华大学 一种基于跟驰场景驾驶行为的交通信息可信辨识方法
CN113721609A (zh) * 2021-08-17 2021-11-30 江苏大学 一种侧滑情况下4wid高地隙喷雾机轨迹跟踪控制方法
CN114148349A (zh) * 2021-12-21 2022-03-08 西南大学 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102654940A (zh) * 2012-05-23 2012-09-05 上海交通大学 基于无人驾驶飞机的交通信息采集系统及其处理方法
CN107161155A (zh) * 2017-04-27 2017-09-15 大连理工大学 一种基于人工神经网络的车辆协同换道方法及其系统
CN110750877A (zh) * 2019-09-27 2020-02-04 西安理工大学 一种Apollo平台下的车辆跟驰行为预测方法
CN111338385A (zh) * 2020-01-22 2020-06-26 北京工业大学 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102654940A (zh) * 2012-05-23 2012-09-05 上海交通大学 基于无人驾驶飞机的交通信息采集系统及其处理方法
CN107161155A (zh) * 2017-04-27 2017-09-15 大连理工大学 一种基于人工神经网络的车辆协同换道方法及其系统
CN110750877A (zh) * 2019-09-27 2020-02-04 西安理工大学 一种Apollo平台下的车辆跟驰行为预测方法
CN111338385A (zh) * 2020-01-22 2020-06-26 北京工业大学 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113721609A (zh) * 2021-08-17 2021-11-30 江苏大学 一种侧滑情况下4wid高地隙喷雾机轨迹跟踪控制方法
CN113721609B (zh) * 2021-08-17 2024-04-12 江苏大学 一种侧滑情况下4wid高地隙喷雾机轨迹跟踪控制方法
CN113705013A (zh) * 2021-09-01 2021-11-26 清华大学 一种基于跟驰场景驾驶行为的交通信息可信辨识方法
CN113705013B (zh) * 2021-09-01 2022-08-23 清华大学 一种基于跟驰场景驾驶行为的交通信息可信辨识方法
CN113642114A (zh) * 2021-09-14 2021-11-12 吉林大学 可犯错的拟人化随机跟车驾驶行为建模方法
CN113642114B (zh) * 2021-09-14 2023-10-17 吉林大学 可犯错的拟人化随机跟车驾驶行为建模方法
CN114148349A (zh) * 2021-12-21 2022-03-08 西南大学 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法
CN114148349B (zh) * 2021-12-21 2023-10-03 西南大学 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法

Also Published As

Publication number Publication date
CN112580149B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN112580149A (zh) 基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法
Sheng et al. Graph-based spatial-temporal convolutional network for vehicle trajectory prediction in autonomous driving
Kong et al. Sound event detection of weakly labelled data with cnn-transformer and automatic threshold optimization
CN110321957B (zh) 融合三元组损失和生成对抗网络的多标签图像检索方法
CN104268594B (zh) 一种视频异常事件检测方法及装置
CN112734808B (zh) 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法
CN109840595B (zh) 一种基于群体学习行为特征的知识追踪方法
Lin et al. MOHA: A multi-mode hybrid automaton model for learning car-following behaviors
CN116010885A (zh) 一种长序列条件下的车辆异常时空数据检测方法及系统
Wang et al. Joint deep neural network modelling and statistical analysis on characterizing driving behaviors
Dai et al. A flexible and explainable vehicle motion prediction and inference framework combining semi-supervised AOG and ST-LSTM
Moosavi et al. Driving style representation in convolutional recurrent neural network model of driver identification
Xie et al. CNN and KPCA-based automated feature extraction for real time driving pattern recognition
Chu et al. A review of driving style recognition methods from short-term and long-term perspectives
CN115691134A (zh) 一种基于对抗生成网络的智能汽车测试场景库构建方法
CN116244647A (zh) 一种无人机集群的运行状态估计方法
CN112632705B (zh) 一种基于gmm和高斯过程回归的路感模拟方法
CN112632706B (zh) 一种基于gmm和cart回归树的路感模拟方法
CN111259264A (zh) 一种基于生成对抗网络的时序评分预测方法
CN112749508B (zh) 一种基于gmm和bp神经网络的路感模拟方法
CN113200086A (zh) 一种智能车转向控制系统及其控制方法
Putra et al. Multilevel neural network for reducing expected inference time
CN108470212A (zh) 一种能利用事件持续时间的高效lstm设计方法
CN112035536A (zh) 一种考虑动态路网交通流的电动汽车能耗预测方法
CN112193245B (zh) 一种考虑驾驶员模糊感知的深度学习跟驰预测方法

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