CN114248780A - 考虑驾驶员风格的idm-lstm组合型跟车模型建立方法 - Google Patents

Abstract

本发明公开了考虑驾驶员风格的IDM‑LSTM组合型跟车模型建立方法，从跟驰数据中提取出前后车信息；将前后车信息输入IDM预测模型，对驾驶员的跟车参数进行标定；基于NGSIM数据集筛选出的不同驾驶员的跟驰对，根据IDM预测模型标定出的不同驾驶员跟车参数，构建离线驾驶员风格分类模型；通过离线驾驶员风格分类模型对驾驶员风格进行在线辨别，并选取该驾驶员风格下的最优加权系数；通过最优加权系数对LSTM预测模型与IDM预测模型进行加权，得到融合驾驶员风格的期望加速度，并基于该期望加速度进行跟车控制。本方法融合LSTM与IDM模型优点，引入了最优加权理论，以获得适应于不同风格驾驶员的最优加权系数，通过遗传算法寻优出最佳的加权系数。

Description

考虑驾驶员风格的IDM-LSTM组合型跟车模型建立方法

技术领域

本发明属于自动驾驶技术领域，尤其涉及考虑驾驶员风格的IDM-LSTM组合型ACC跟驰模型建立方法。

背景技术

自适应巡航控制(ACC,Adaptive Cruise Control)系统是驾驶员驾驶辅助系统(ADAS,Advanced Driver Assistance System)中已经在实车上量产的功能，也是智能汽车往高自动驾驶等级发展中的重要技术之一。随着不同自动驾驶级别的车辆进入市场，不同智能化程度的汽车将与人类驾驶汽车共享道路，这就需要智能驾驶汽车能理解人类的操纵特征，且智能驾驶汽车的操纵行为符合人类驾驶员的操纵特征。驾驶员的操纵特征是整个“人-车-路”框架中，最难研究且最为重要的一环。具有不同驾驶风格的驾驶员在驾驶过程中，其驾驶行为存在差异，即便针对同样的交通环境，不同的驾驶员也可能做出不同的驾驶决策。除此之外，即便驾驶员规划出类似的操作，如避障，环道，超车等，不同驾驶员的操纵风格不尽相同，故对车辆的操纵特征也有所不同。

故对于新型的ACC系统而言，需要准确对驾驶员的跟车风格进行识别。目前对于驾驶员跟车风格的分类方法一般采用聚类方法，对驾驶员跟车的指标参数进行聚类分析，从而获取驾驶员的跟车风格。然而，目前关于指标参数的选择大多凭借经验，缺乏理论依据，此外，选取的驾驶员样本较少且少为真实交通场景，不能保证体现不同驾驶员风格的差异。因此，基于大量真实驾驶员的跟车数据，选取有意义的跟车指标参数进行驾驶员风格分类，并建立适应于不同风格驾驶员的跟车模型是目前亟待解决的问题。

发明内容

本发明依据现有技术中存在的问题，提出了考虑驾驶员风格的IDM-LSTM组合型跟车模型建立方法，本发明利用IDM模型的标定参数去辨识驾驶员跟车风格，以提高驾驶员跟车风格识别准确率。

本发明所采用的技术方案如下：

考虑驾驶员风格的IDM-LSTM组合型跟车模型建立方法，包括如下步骤：

步骤1、通过车载雷达、摄像头等传感器获取驾驶员实车跟驰数据，即跟驰过程中的前后车信息；

步骤2、将步骤1中获得的前后车信息输入IDM预测模型，对驾驶员的跟车参数进行标定；所述前后车信息包括一段时间序列内的主车加速度、主车车速、前后车距和前后车速差，所述跟车参数包括IDM预测模型中的期望最大减速度a₀、期望最大加速度b、期望速度

期望车头时距

和最小安全车头距离S₀；

步骤3、根据步骤2中通过IDM预测模型标定的跟车参数，通过离线驾驶员风格分类模型对驾驶员风格进行在线辨别。

步骤4、依据步骤1中获得的前后车信息输入LSTM神经网络离线预测模型，得到LSTM神经网络模型的预测输出。

步骤5、依据步骤1中获得的前后车信息输入IDM预测模型，得到IDM模型的预测输出；所述IDM预测模型的跟车参数为步骤2标定出的参数。

步骤6、依据步骤3确定驾驶员风格后，选取该驾驶员风格下的最优加权系数,通过最优加权系数对步骤4得到的LSTM预测模型的输出与步骤5得到的IDM预测模型的输出进行加权，得到融合驾驶员风格的期望加速度，并基于该期望加速度进行跟车控制。

进一步，构建的IDM预测模型表示为：

式中，a_n(t)为t时刻主车加速度，a₀为期望最大减速度，v_n(t)为t时刻主车车速，

为期望速度，v_n-1(t)为t-1时刻主车车速，s_n(t)为t时刻前后车距，

为期望车头间距，S₀为最小安全车头距离，

为期望车头时距，Δv(t)为t时刻前后车速差，b为期望最大加速度，λ为加速度系数。

进一步，基于所构建的IDM预测模型，对驾驶员的跟车参数进行标定的方法为：

将跟车参数作为寻优对象，则将优化问题可转换成：

其中，J为适应度函数，Y_i ^real,Y_i ^sim分别为第i个变量的实际值与仿真值，N为变量的总数；

同时根据跟车参数的动力学约束范围得到优化问题的约束条件，表示为：

-4m/s²≤a₀≤-0.1m/s²

0.1m/s²≤b≤4m/s²

0.1m≤S₀≤30m

基于上述约束条件对不同驾驶员的跟车参数进行标定。

进一步，构建离线驾驶员风格分类模型的方法：

首先，基于NGSIM公开跟驰数据集获取到不同驾驶员的跟驰数据，利用主成分分析对标定出的不同驾驶员的IDM预测模型跟车参数进行处理，获取到最具代表性的两个跟车参数，再使用模糊C均值聚类算法对主成分分析处理后的跟车参数进行聚类，基于聚类结果将驾驶员风格分为激进型、一般型与保守型；再依据聚类得到的不同风格驾驶员的边界进行多项式拟合，即可得到驾驶员风格分类的数学模型。

进一步，所述LSTM离线预测模型包括1个输入层、2个LSTM层和1个输出层组成，输入层节点有6个，分别为前车车速、主车车速、车速差、前车加速度、主车加速度与车距；输出层节点有1个，为主车在下一时刻的加速度；LSTM层内的神经元个数为30个。

进一步，输出层内的学习率为0.05，学习步数为8000。

进一步，步骤6中LSTM预测模型与IDM预测模型相融合的方法为：

其中，

为t时刻融合后的预测值，β₁、β₂分别为IDM预测模型与LSTM预测模型的加权系数，且满足β₁+β₂＝1，，

分别为t时刻两模型加权前的预测值，。

进一步，步骤6中LSTM预测模型与IDM预测模型相融合的加权系数整定的方法为：

选取各风格驾驶员聚类中心的驾驶员，选取其IDM预测模型主观参数，定义此时的IDM模型输出为风格加速度

结合最优加权理论，可得到融合驾驶员风格的最优加权模型的目标函数：

其中，E'为加权误差，e_t为t时刻两预测模型加权后的误差之和，a(t)为t时刻加速度的真实值，e_1t、e_2t分别为t时刻两预测模型的误差值；对不同风格驾驶员的加权系数的求解可转化为：在时间段T内，E'取最小值时，对β₁与β₂的寻优问题；利用遗传算法进行寻优，求解最优加权模型的目标函数，得到各风格驾驶员类型对应的最优加权系数组合。

进一步，对获取跟驰数据进行平滑处理。

本发明的有益效果：

IDM模型是一种基于驾驶员期望的跟驰模型，其输出为加速度，该模型假设在一段跟驰行为中，每个驾驶员拥有一系列的期望参数值，驾驶员始终尝试保持期望的车速、车头间距等。该模型的参数均具有实际意义，可较为形象地表征驾驶员行为特征，故基于该模型进行驾驶员风格的分类能取得较佳的效果。本发明通过IDM模型，对不同驾驶员的主观跟车参数进行标定，聚类得到了离线的驾驶员风格分类模型，以实现驾驶员风格的在线辨别。

LSTM神经网络的预测效果良好，可以较好地拟合驾驶员跟驰过程中的加速度曲线，然而缺乏对不同驾驶员跟驰风格的体现。IDM模型是一种基于驾驶员期望的模型，其能够保证跟驰行为的安全与合理性。本发明分别建立了LSTM神经网络跟驰预测模型与IDM跟驰预测模型，为融合两模型优点，引入了最优加权理论，以获得适应于不同风格驾驶员的最优加权系数，通过遗传算法寻优出最佳的加权系数，对两模型实现良好的融合。

附图说明

图1为本发明的工作流程图。

图2为NGSIM数据集中的I-80路段简图。

图3为通过NGSIM获取驾驶员跟驰对数据的方法。

图4为离线驾驶员风格分类模型的建立流程图。

图5为LSTM跟驰模型与IDM模型融合的加权系数整定流程图。

图6-10为试验验证产生的不同驾驶员的IDM模型标定结果。

图11为试验验证产生的，不同驾驶员的IDM模型参数中，期望最大减速度与期望车头时距两个参数的聚类结果。

图12为试验验证得到的，离线驾驶员风格分类的数学模型。

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于解释本发明，并不用于限定本发明。

本发明所设计的考虑驾驶员风格的IDM-LSTM组合型跟车模型建立方法，整体框架如图1所示，包括如下步骤：

步骤1、在一段有驾驶员输入的跟驰工况下获取跟驰数据，从跟驰数据中提取出前后车信息。

步骤2、将步骤1中获得的前后车信息输入IDM预测模型，对驾驶员的跟车参数进行标定。

步骤2.1、构建IDM预测模型：

IDM预测模型是一种基于驾驶员期望的跟驰模型，其输出为加速度，该模型假设在一段跟驰行为中，每个驾驶员拥有一系列的期望参数值，驾驶员始终尝试保持期望的车速、车头间距等。该模型的参数均具有实际意义，可较为形象地表征驾驶员行为特征，故基于该模型进行驾驶员风格的分类。IDM预测模型的数学表达式为：

式中，a_n(t)为t时刻主车加速度，a₀为期望最大减速度，v_n(t)为t时刻主车车速，

为期望速度，v_n-1(t)为t-1时刻主车车速，s_n(t)为t时刻前后车距，

为期望车头间距，S₀为最小安全车头距离，

为期望车头时距，Δv(t)为t时刻前后车速差，b为期望最大加速度，λ为加速度系数，一般取4。

步骤2.2、跟车参数的标定方法：

a_n(t)、v_n(t)、s_n(t)、Δv(t)为通过步骤1获取的前后车信息，a₀、b、

S₀为需要通过遗传算法标定的跟车参数，因此以a₀、b、

S₀这五个跟车参数作为寻优对象，优化问题可转换成下式表述

J为适应度函数，表示如下：

式中,Y_i ^real,Y_i ^sim分别为第i个变量的实际值与预测值，N为变量的总数。

优化问题的约束条件为待标定跟车参数的动力学约束范围，分别表示为：

-4m/s²≤a₀≤-0.1m/s²

0.1m/s²≤b≤4m/s²

0.1m≤S₀≤30m

基于上述约束条件对不同驾驶员的跟车参数进行标定。

步骤3、根据IDM预测模型标定的跟车参数，输入离线驾驶员风格分类模型；通过离线驾驶员风格分类模型对驾驶员风格进行在线辨别，并选取该驾驶员风格下的最优加权系数。

如图2构建离线驾驶员风格分类模型的方法：基于NGSIM跟驰数据集，将预处理后得到的跟驰对中的每辆主车驾驶员的跟车数据通过步骤2标定。通过步骤2标定出的5个跟车参数，通过主成分分析方法(PCA)([1]李靖华,郭耀煌.主成分分析用于多指标评价的方法研究——主成分评价[J].管理工程学报,2002(01):39-43+3.)将5个跟车参数降维为2维，再使用模糊C均值聚类算法(FCM)([1]张敏,于剑.基于划分的模糊聚类算法[J].软件学报,2004(06):858-868.)对不同驾驶员的这2个跟车参数进行聚类，选择聚类簇为3，基于聚类结果将驾驶员风格分为3类，分别为激进型、一般型与保守型。再依据聚类得到的不同风格驾驶员的边界点进行多项式拟合，即可得到驾驶员风格分类的数学模型。

通过试验验证，已得到离线的驾驶员风格分类模型。步骤3中，对NGSIM数据进行预处理筛选后，符合要求的数据达到22457帧，其中有561个跟驰数据对。基于IDM模型，将561个跟驰数据对中的每辆主车驾驶员的跟车数据进行参数标定，5个参数分别为期望速度、期望最大减速度、期望最大加速度、期望车头时距与期望最小安全距离。各参数的标定结果分布如图6-10所示。依据主成分分析的结果，最大减速度与车头时距更能反应不同驾驶员风格，故使用FCM聚类算法对不同驾驶员的这两个参数进行聚类，选择聚类簇为3，聚类参数为期望最大减速度与期望车头时距。得到聚类结果如图11所示，聚类中心如表2所示。为建立离线的驾驶员风格分类模型，以实现对驾驶员风格的快速分类，依据聚类结果，选取三个类别的临界点，将这些点用多项式拟合，拟合结果作为不同驾驶员跟车风格的分类边界，如图12所示。

表2

设驾驶员期望最大减速度为x，期望车头时距为y，可得到离线驾驶员风格分类的数学模型可表示为：

激进型驾驶员：

保守型驾驶员：

中间型驾驶员：其他。

其中，获取跟驰数据的方式如图4所示，使用的数据集来自美国NGSIM(nextgeneration simu-lation)研究计划所提供的高精度车辆轨迹数据,数据原始信息如表1所示。

表1

由上表1可以看出，跟驰数据是由前后车之间的信息构成的，包括时间、坐标、车辆尺寸、车速等信息。在使用该数据集前，对数据集内的数据进行预处理，在本实施例中，预处理是指对数据进行平滑处理。为保证数据可靠性，根据以下规则提取跟驰数据：

1)数据采集道路如图3所示，I-80公路在下午4：00至4：15时间段通行较为顺畅，故基于该时间段筛选跟驰数据。

2)多乘员车道1高峰时间限定非多成员车辆驶入，6为入口匝道，故为提高数据可靠性，只选取2-5车道的数据。

3)考虑到车型对跟驰行为的影响，故只选取小型车。

4)为充分体现跟驰特性，只保留跟驰时间大于60s、速度小于30km/h，且车头间距小于20m的车辆。

5)原数据量过大，选取采样时间为1s。

基于NGSIM公开跟驰数据集预处理后的跟驰数据获取前后车信息，所述前后车信息包括t时刻主车加速度a_n(t)、t-1时刻主车车速v_n-1(t)，t时刻主车车速v_n(t)、t时刻前后车距s_n(t)、t时刻前后车速差Δv(t)；

步骤4、依据步骤1中获得的前后车信息输入LSTM神经网络离线预测模型，得到LSTM神经网络模型的预测输出。

长短期记忆(LSTM)神经网络的模型具有记忆功能，可以比同体积的前馈神经更好反映驾驶员跟驰行为特征,故基于LSTM神经网络训练出精度更高的离线跟驰模型，数据来源于步骤3对NGSIM公开数据集处理后的跟驰数据，基于其提取前后车信息，分别为前车车速、主车车速、车速差、前车加速度、主车加速度与车距。本申请建立的LSTM离线预测模型是由1个输入层、2个LSTM层(隐含层)和1个输出层组成。输入层节点有6个，分别为前车车速、主车车速、车速差、前车加速度、主车加速度与车距，输出层节点有1个，为主车的加速度，学习率为0.05，学习步数为8000，隐藏层神经元个数为30个。

步骤5、依据步骤1中获得的前后车信息输入IDM预测模型，得到IDM模型的预测输出；所述IDM预测模型的跟车参数为步骤2标定出的参数。

步骤6、依据步骤3确定驾驶员风格后，选取该驾驶员风格下的最优加权系数,通过最优加权系数对步骤4得到的LSTM预测模型的输出与步骤5得到的IDM预测模型的输出进行加权，得到融合驾驶员风格的期望加速度，并基于该期望加速度进行跟车控制。

LSTM预测模型与IDM预测模型相融合的方法为：

其中，

为t时刻融合后的预测值，β₁、β₂分别为IDM预测模型与LSTM预测模型的加权系数，且满足β₁+β₂＝1，，

分别为t时刻两模型加权前的预测值，。通过试验验证，已得到IDM预测模型与LSTM模型融合的最优加权系数。如表3所示。

表3

通过前后车信息，对其IDM参数进行标定，再将该参数输入离线的驾驶员风格分类模型进行分类，每个风格对应一对加权系数，通过这对加权系数对IDM模型与LSTM模型的输出进行加权。

LSTM预测模型与IDM预测模型相融合的加权系数整定的方法为：

选取各风格驾驶员聚类中心的驾驶员，选取其IDM预测模型主观参数，定义此时的IDM模型输出为风格加速度a_style。结合最优加权理论，可得到融合驾驶员风格的最优加权模型的目标函数：

其中，E'为加权误差，e_t为t时刻两预测模型加权后的误差之和，a(t)为t时刻加速度的真实值，e_1t、e_2t分别为t时刻两预测模型的误差值；对不同风格驾驶员的加权系数的求解可转化为：在时间段T内，E'取最小值时，对β₁与β₂的寻优问题；利用遗传算法进行寻优，求解最优加权模型的目标函数，得到各风格驾驶员类型对应的最优加权系数组合。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (8)

1.考虑驾驶员风格的IDM-LSTM组合型跟车模型建立方法，其特征在于，包括如下步骤：

步骤1、通过车载雷达、摄像头等传感器获取驾驶员实车跟驰数据，即跟驰过程中的前后车信息；

步骤2、将步骤1中获得的前后车信息输入IDM预测模型，对驾驶员的跟车参数进行标定；所述前后车信息包括一段时间序列内的主车加速度、主车车速、前后车距和前后车速差，所述跟车参数包括IDM预测模型中的期望最大减速度a₀、期望最大加速度b、期望速度v～、期望车头时距T～和最小安全车头距离S₀；

步骤3、根据步骤2中通过IDM预测模型标定的跟车参数，通过离线驾驶员风格分类模型对驾驶员风格进行在线辨别。

步骤4、依据步骤1中获得的前后车信息输入LSTM神经网络离线预测模型，得到LSTM神经网络模型的预测输出。

步骤5、依据步骤1中获得的前后车信息输入IDM预测模型，得到IDM模型的预测输出；所述IDM预测模型的跟车参数为步骤2标定出的参数。

步骤6、依据步骤3确定驾驶员风格后，选取该驾驶员风格下的最优加权系数,通过最优加权系数对步骤4得到的LSTM预测模型的输出与步骤5得到的IDM预测模型的输出进行加权，得到融合驾驶员风格的期望加速度，并基于该期望加速度进行跟车控制。

2.根据权利要求1所述的考虑驾驶员风格的IDM-LSTM组合型跟车模型建立方法，其特征在于，构建的IDM预测模型表示为：

式中，a_n(t)为t时刻主车加速度，a₀为期望最大减速度，v_n(t)为t时刻主车车速，

为期望速度，v_n-1(t)为t-1时刻主车车速，s_n(t)为t时刻前后车距，

为期望车头间距，S₀为最小安全车头距离，

为期望车头时距，Δv(t)为t时刻前后车速差，b为期望最大加速度，λ为加速度系数。

3.根据权利要求2所述的基于所构建的IDM预测模型，其特征在于，对驾驶员的跟车参数进行标定的方法为：

将跟车参数作为寻优对象，则将优化问题可转换成：

其中，J为适应度函数，Y_i ^real,Y_i ^sim分别为第i个变量的实际值与仿真值，N为变量的总数；

同时根据跟车参数的动力学约束范围得到优化问题的约束条件，表示为：

-4m/s²≤a₀≤-0.1m/s²

0.1m/s²≤b≤4m/s²

0.1m≤S₀≤30m

基于上述约束条件对不同驾驶员的跟车参数进行标定。

4.根据权利要求1所述的离线驾驶员风格分类模型，其特征在于，构建离线驾驶员风格分类模型的方法：

首先，基于NGSIM公开跟驰数据集获取到不同驾驶员的跟驰数据，利用主成分分析对标定出的不同驾驶员的IDM预测模型跟车参数进行处理，获取到最具代表性的两个跟车参数，再使用模糊C均值聚类算法对主成分分析处理后的跟车参数进行聚类，基于聚类结果将驾驶员风格分为激进型、一般型与保守型；再依据聚类得到的不同风格驾驶员的边界进行多项式拟合，即可得到驾驶员风格分类的数学模型。

5.根据权利要求1-4中任意一项权利要求所述的基于所构建的LSTM离线预测模型，其特征在于，所述LSTM预测模型包括1个输入层、2个LSTM层和1个输出层组成，输入层节点有6个，分别为前车车速、主车车速、车速差、前车加速度、主车加速度与车距；输出层节点有1个，为主车的加速度；LSTM层内的神经元个数为30个，学习率为0.05，学习步数为8000。

6.根据权利要求1所述的IDM预测模型，其特征在于，所述IDM模型的跟车参数为根据实车信息标定出的驾驶员跟车参数，包括期望最大减速度a₀、期望最大加速度b、期望速度

期望车头时距

和最小安全车头距离S₀。

7.根据权利要求1所述的基于所构建的IDM-LSTM组合预测模型，其特征在于，步骤6中LSTM预测模型与IDM预测模型相融合的方法及融合时采用的加权系数整定的方法。

LSTM预测模型与IDM预测模型相融合的方法为：

其中，

为t时刻融合后的预测值，β₁、β₂分别为IDM预测模型与LSTM预测模型的加权系数，且满足β₁+β₂＝1，，

分别为t时刻两模型加权前的预测值，。

LSTM预测模型与IDM预测模型相融合的加权系数整定的方法为：

选取各风格驾驶员聚类中心的驾驶员，选取其IDM预测模型主观参数，定义此时的IDM模型输出为风格加速度

结合最优加权理论，可得到融合驾驶员风格的最优加权模型的目标函数：

其中，E'为加权误差，e_t为t时刻两预测模型加权后的误差之和，a(t)为t时刻加速度的真实值，e_1t、e_2t分别为t时刻两预测模型的误差值；对不同风格驾驶员的加权系数的求解可转化为：在时间段T内，E'取最小值时，对β₁与β₂的寻优问题；利用遗传算法进行寻优，求解最优加权模型的目标函数，得到各风格驾驶员类型对应的最优加权系数组合。

8.根据权利要求5所述的基于所构建的IDM预测模型，其特征在于，对获取跟驰数据进行平滑处理。

Images