CN116415169A - 基于边界搜索的危险转向行为识别方法 - Google Patents
基于边界搜索的危险转向行为识别方法 Download PDFInfo
- Publication number
- CN116415169A CN116415169A CN202310241901.9A CN202310241901A CN116415169A CN 116415169 A CN116415169 A CN 116415169A CN 202310241901 A CN202310241901 A CN 202310241901A CN 116415169 A CN116415169 A CN 116415169A
- Authority
- CN
- China
- Prior art keywords
- steering
- steering behavior
- dangerous
- behavior
- database
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000006399 behavior Effects 0.000 claims abstract description 240
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 14
- 230000001133 acceleration Effects 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 description 16
- 238000011160 research Methods 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000035945 sensitivity Effects 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 210000002304 esc Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于边界搜索的危险转向行为识别方法,利用目前能够获得的车辆驾驶行为数据,通过对大量数据进行分析与计算以获得适应性更强、辨识更加准确的危险转向行为识别算法,进而能够对危险转向行为进行准确识别。该方法的基本思路为:首先建立包含危险转向行为与安全转向行为的转向行为数据库;转向行为数据库中的每份数据都包括一个转向行为的完整信息,如车辆的侧向速度、纵向速度、侧向加速度、侧倾角、横摆角速度、方向盘转角等;然后基于构建好的转向行为数据库,利用边界搜索与神经网络的方法提取行为特征,并最终构建与实现驾驶转向行为识别算法。
Description
技术领域
本发明涉及一种识别方法,具体涉及一种危险转向行为识别方法,属于智能车控制技术领域。
背景技术
通过准确识别驾驶行为可以使ESC做出更加精准的控制。在紧急工况下驾驶员常常做出区别于正常工况下的操作,该操作可分为制动行为和转向行为,如果能准确的识别出这类特征,ESC即可提前发出预警,确定车辆即将或正在处于非稳定状态,为ESC进一步的介入控制提供依据。
目前国内外的研究机构对于驾驶员紧急制动行为的研究较多,但对于危险转向行为的研究尚处于起步阶段。Van Winsum等曾探讨过正常转向行为和车速之间的关系,其认为道路曲率除对方向盘转角外还对车速存在影响,较小的转弯半径不仅会导致方向盘转速的提高,也会导致车速的下降。Hong T提出了基于车辆侧向速度的转向行为识别算法,其构建了一种“中心区”的车辆操纵特征图,利用方向盘转矩与车辆侧向速度的大小确定了驾驶员行为在图中的位置,据此判断驾驶员是否出现了危险转向行为。Zhang Zexing提出了基于多维高斯隐马尔科夫模型的驾驶员转向行为辨识方法,其利用拥有时间序列特性的隐马尔科夫模型建模理论,使用Baum-Welch算法获得并优化了可区分紧急转向、正常转向、直线行驶的驾驶员行为辨识模型。Wu Bin等利用高斯函数拟合的转向基元对紧急工况下的转向行为进行描述,基于碰撞时间(Time to Collision)对危险转向行为进行了分类。MartinLiebne通过对一系列的驾驶员驾驶行为和驾驶特征进行总结,得出了相应的关系。最终建立了一个可以根据驾驶员视线、车速等特征总结出驾驶员意图的模型。向模型中输入相关参量后,模型即可给出一个假想的事件概率。该事件概率可以应用到车辆的事故规避与驾驶辅助之中。Mostafa Hossny提出了一种利用“Change point Segmentation”来进行驾驶行为预测的方法,其通过探测特征变异点来进行驾驶行为的预测,该方法提高了驾驶行为预测的灵活性,在面对复杂行为时也可进行相对合理的预测。
上述研究都实现了驾驶员危险转向行为识别的部分功能,但多数研究为了实现驾驶行为识别的目的,都在车辆上加装了额外的传感器。部分研究仅仅对数据做了分析,而未能完成整体的驾驶行为识别算法。另一方面,这些研究大都基于实验仿真,或基于少量避撞成功的案例,缺乏对于真实事故案例的分析与研究,并且对于紧急情况下车速与转向行为之间关系的研究不足。较少的案例会导致得到的驾驶行为识别方法无法得到充分的验证,且通过模拟得到的危险转向行为常常与真实案例中的转向行为有所差别。
近年来智能车辆的发展为驾驶行为识别的研究提供了新的材料,很多研究机构进行了智能驾驶的相关研究,例如Commai.ai、KITT、Cityscapes、Oxford等,在机构本身进行研究的同时,其也公布了各自的数据库。各个行车数据库中包含有行车视频、车辆车速、方向盘转角、GPS、IMU中全部或部分的信息,从中可以提取出大量的安全转向行为数据,可用于驾驶行为识别的分析和计算。
ESC中的EDR(Event Data Recorder)装置可以记录车辆在事故发生前的状态信息,而NHTSA(National Highway Traffic Safety Administration)收集有1988年至今的部分事故车辆的EDR文件,并已将其公开。NHTSA也对这类数据进行过简单分析,研究表明事故发生前的车辆状态存在着共性。EDR文件为紧急情况下驾驶行为数据库的建立提供了数据资料。上述所有的数据库可共同构成驾驶行为数据库,其可用于对驾驶行为的分析。
发明内容
有鉴于此,本发明提供一种基于边界搜索的危险转向行为识别方法,利用目前能够获得的车辆驾驶行为数据,通过对大量数据进行分析与计算以获得适应性更强、辨识更加准确的危险转向行为识别算法,进而能够对危险转向行为进行准确识别。
基于边界搜索的危险转向行为识别方法:
步骤1:建立转向行为数据库,包括:危险转向行为数据库和安全转向行为数据库;
步骤2:转向行为特征量的选取:
选取所述转向行为数据库中的方向盘转角、方向盘转速和车速作为转向行为特征量;
步骤3:根据步骤二所选择的转向行为特征量,基于边界搜索法对步骤1中的转向行为数据库中的数据进行统计分析,获得危险转向行为与安全转向行为的边界,并以此计算转向行为数据库中各转向行为的危险指数;
步骤4:基于神经网络的危险转向行为识别:
依据步骤1中转向行为数据库中的转向行为数据以及步骤3中对应的转向行为的危险指数对神经网络模型进行训练,建立用于危险转向行为识别的神经网络模型,所述神经网络模型能够通过输出危险指数对危险转向行为进行识别。
作为本发明的一种优选方式:所述步骤3中,在基于边界搜索法对步骤1中的转向行为数据库中的数据进行统计分析时:
301:基于方向盘转角的区域划分
在反映方向盘转角与车速关系的二维平面图上,采用边界搜索方法,分别按照p1=0.9和p2=0.99计算边界曲线L1(x)和边界曲线L2(x);
302:基于方向盘转速的区域划分
在用于反映方向盘转速与车速关系的二维平面图上,采用边界搜索方法,按照设定的p3=0.99计算边界曲线L3(x)。
作为本发明的一种优选方式:所在步骤301中,在边界曲线L1(x)对应的安全区域内,车速17m/s~22m/s之间的区域作为风险区。
作为本发明的一种优选方式:所述转向行为危险指数D的计算方法为:
其中:k1,k2,k3,k4为常数参量,δ为方向盘转角绝对值,δ'为方向盘转速绝对值,x为车速为m/s。
作为本发明的一种优选方式:所述步骤3中:在基于边界搜索法对转向行为数据库中的数据进行统计分析时,选定转向行为数据库中每个转向案例对应时长内的最大方向盘转角、最大方向盘转速、最大车速作为该转向行为案例的三个特征值,依据该特征值绘制方向盘转角与车速关系图以及方向盘转速与车速关系图。
作为本发明的一种优选方式:所述步骤1中:以已公布的事故车辆EDR中提取的危险转向行为数据,构建危险转向行为数据库;以已公布的至少两个驾驶数据库中的转向行为数据,构建安全转向行为数据库。
作为本发明的一种优选方式:所述步骤4中:在对神经网络模型进行训练时,以步骤1中转向行为数据库中的各转向行为数据作为训练样本集,从中随机划分出15%的案例为验证集,15%的案例为测试集,70%的案例为训练集。
作为本发明的一种优选方式:在Matlab中搭建神经网络模型进行训练,设置学习速率为0.01,最大迭代层数为1000,隐藏层激活函数设定为tansig,输出层激活函数设定为logsig;选择1层隐藏层,15个神经元。
有益效果:
(1)本发明基于现有的驾驶行为数据库,通过选定转向行为特征量,然后利用边界搜索与神经网络的方法提取行为特征,由此构建驾驶转向行为识别算法,能够对危险转向行为进行准确识别,从而为ESC进一步的介入控制提供依据。
(2)本发明中,选取的转向行为特征量:车辆方向盘转角,方向盘转速以及车速都是常见车用传感器获得,对车辆进行智能控制时无需增加额外的传感器。
(3)本发明中,在基于方向盘转角进行区域划分时,考虑车速在20m/s附近行驶时,有着最高的转向灵敏度,但这同样也带来了更高的行车控制风险。基于此,在安全区内车速16m/s~22m/s附近的区域作为风险区,由此能够提高危险转向行为识别的准确性。
(4)本发明中,在进行神经网络模型训练时,通过转向行为数据库中随机选定的测试集对所建立的神经网络模型的进行测试,以保证神经网络模型的准确性。
附图说明
图1为转向行为数据库中反映方向盘转角与车速关系的样本分布图;
图2为基于图1的边界搜索结果示意图;
图3为基于图2的转向行为区域划分示意图;
图4为增加风险区后的基于方向盘转角的区域划分图;
图5为转向行为数据库中反映方向盘转速与车速间关系的样本分布图;
图6为基于图5的边界搜索结果示意图;
图7为基于图6的转向行为区域划分示意图;
图8为使用Matlab利用后向传播算法对神经网络模型进行训练时,迭代计算过程示意图;
图9为利用训练得到的神经网络模型对训练集、验证集、测试集进行分类后绘制的混淆矩阵图。
具体实施方式
下面结合附图和实施例,对本发明做进一步的详细说明。
本实施例提供一种基于边界搜索的危险转向行为识别方法,能够更加准确的进行危险转向行为的识别。
该方法的基本思路为:首先建立包含危险转向行为与安全转向行为的转向行为数据库;转向行为数据库中的每份数据都包括一个转向行为的完整信息,如车辆的侧向速度、纵向速度、侧向加速度、侧倾角、横摆角速度、方向盘转角等;然后基于构建好的转向行为数据库,选取转向行为特征量,利用边界搜索与神经网络的方法提取行为特征,并最终构建与实现驾驶转向行为识别算法,最后输入转向相关参数后神经网络模型输出驾驶员危险指数。
步骤一:建立转向行为数据库
转向行为数据库包括:危险转向行为数据库和安全转向行为数据库。
随着智能车辆研究的不断深入,越来越多的研究机构公开了自己的驾驶行为数据库。Commai.ai建立了长达7.25小时的驾驶数据,其中包含有分辨率为160×320的视频资料、取样频率100Hz的加速度传感器信息以及车速、方向盘转角、GPS、IMU等信息。KITT建立的数据库中主要包括有车辆行驶过程中周边的信息,包括有视频及点云图等。Cityscapes建立了包含有50个城市驾驶数据的数据库,其主要记录有激光雷达获取的点云图、摄像头记录的视频资料等,同时其也对部分视频中的物品进行了标定。DBNet建立了包括70余段行车资料的数据库,其中有方向盘转角、车速等信息。Oxford公布的数据库中包括有长达1000km的行车记录,其中包括了6个摄像头记录的视频数据以及激光雷达、GPS、INS等设备记录的数据。BDDV公布的数据库当中包括了多种天气多个城市中的行驶数据。其包括了车速、驾驶员行为等信息,同样也包括了视频数据。本方案选择Commai.ai、DBNet作为安全转向行为数据库的基础。驾驶员的危险转向行为常出现事故发生前,而ESC(汽车电子稳定控制系统)中的EDR(汽车事件数据记录系统)可以准确记录此时的驾驶员行为与车辆状态,因此从NHTSA公布的事故车辆EDR中提取驾驶员危险转向行为数据,构建危险转向行为数据库。最终将安全转向行为数据库与危险转向行为数据库相结合组成用于分析的转向行为数据库。
危险转向行为数据库:
ESC中存在一个名为EDR的功能模块,其可以记录交通事故碰撞发生前5s内以及碰撞发生后一段时间内的车辆状态。随着ESC普及率的上升,越来越多的EDR信息被记录下来,因此,本方案以此为基础,建立了危险转向行为数据库。EDR可以被称为汽车的黑匣子,它可以记录车辆事故前5s内的方向盘转角、横摆角速度、侧向速度、行驶速度、油门开度、刹车开关状态、车轮转速、变速器位置、安全气囊打开数据等信息。一般情况下,EDR被内置于车辆的ESC当中。在车辆发生事故后,能够从车辆ESC中提取出相关的信息。
通过EDR读取工具Bosch CDR 900,其在连接到车辆ESC后,可读取其中的EDR信息,生成格式为.cdr的二进制数据文件。对.cdr文件进行解码后,可将其转化为一份.pdf格式的报告。每份报告中都包含了大量的可用于事故分析的数据。其中包括车辆型号代码、车辆传感器配置情况以及在交通事故发生前传感器所记录下的数据。在将EDR文件汇总并提取信息后,可获得可用于分析的危险转向行为数据。由于各个文件来源于不同版本的ESC,因此各个文件中包含的内容都略有不同,因此需对其进行进一步的筛选和处理。每份EDR文件当中即包含一次事故的信息,其记录有事故发生前5s内的传感器信息。为完成对于转向行为的分析,选取包含有方向盘转角、横摆角速度以及行驶速度的EDR文件。经过筛选和提取,最终可以获得符合分析要求的拥有完整信息(指包含所需的方向盘转角、横摆角速度以及行驶速度信息)的EDR文件688个,即所建立的危险转向行为数据库包含688份EDR文件,每份EDR文件中均包括:车辆的侧向速度、纵向速度、侧向加速度、侧倾角、横摆角速度、方向盘转角等数据。在事故发生前,不同车辆会出现不同的转向行为,但并不能直观的看出危险转向行为之间的共性,因此需考虑用不同的方法对其进行分析。
安全转向行为数据库:
根据所需分析转向行为特征的要求,除了记录交通事故发生前操纵行为的危险转向行为数据库外还需要对应的建立起安全转向行为的数据库。为了避免由于驾驶员驾驶习惯所导致的转向行为差异,同时考虑对数据库数据内容的要求,本方案中选取了两个不同的驾驶数据库。在两个数据库当中都包含有车辆行驶时的车速、方向盘转角等信息。将两个数据库合并成为了一个具有同一格式的.json数据文件。类比危险转向行为数据库,数据文件中的每条数据以字典的形式保存,包含车速、加速度、方向盘转角等信息。合并获得的数据库中包含有80个独立的行车过程,为了提高进一步分析的精准度,本方案中提取出了其中的转向行为并剔除掉由于传感器误差所产生的突变点。另一方面,为了与危险转向行为数据库中的数据格式相一致,还将转向过程统一划分为时长为5s的时间段。
经过数据清洗后所得到的安全转向行为数据库包含700个转向行为案例,每个行车案例的时长为5s,包括:车辆的侧向速度、纵向速度、侧向加速度、侧倾角、横摆角速度、方向盘转角等数据。即所建立的安全转向行为数据库包含700个转向行为案例,每个转向行为案例中均包括车辆的侧向速度、纵向速度、侧向加速度、侧倾角、横摆角速度、方向盘转角。
将得到的安全转向行为数据库与危险转向行为数据库结合后即可用作转向行为分析与识别。最终构建的转向行为数据库中包含1388个转向行为案例,其中安全转向行为700个,危险转向行为688个,每个案例的时长为5s。
步骤二:转向行为特征量的选取
构建的转向行为数据库中的每条数据中都包括有车辆的侧向速度、纵向速度、侧向加速度、侧倾角、横摆角速度、方向盘转角。为了实现危险转向行为识别的目的,需要从中选取出合适的特征量作为危险转向行为识别的基础。
本方案中选择车辆方向盘转角、方向盘转速(通过方向盘转角求导获得)以及车辆的纵向速度(后续简称车速)三个参数作为转向行为特征量,依照边界搜索的方法对转向行为进行初步的分析。
在确定各个转向行为特征量对转向行为识别的影响后,再通过神经网络的方法确定最终的危险转向行为识别算法。边界搜索方法中,需要将时序特征量进行简化,将每一转向阶段内的最大方向盘转角和最大方向盘转速选取为单次转向行为的特征量。考虑车速对于转向行为的影响,选定数据库中每一个转向案例所记录的最大方向盘转角,最大方向盘转速和最大车速(数据库中每个案例的时长为5秒,5秒内对应特征量的最大值)作为该案例的三个特征值,依据该特征值在三维空间中绘制三维散点图可直观的观测不同案例之间的区别,该三维散点图中X轴为最大方向盘转角,Y轴为最大方向盘转速,Z轴为最大车速。
步骤三:危险转向行为识别
根据步骤二所选择的转向行为特征量对转向行为数据进行分析,以实现危险转向行为识别的目的。本方案中采取边界搜索与神经网络两种方法对转向行为数据库进行分析。其中边界搜索通过对数据进行统计分析获得可将危险转向行为与安全转向行为区分开的边界,证明了危险转向行为与安全转向行为之间存在着差异;神经网络则根据已有的驾驶行为数据对神经网络模型进行训练以获得可以用于行为识别的分类器。
301:基于边界搜索的危险转向行为分类
边界搜索是一种基于图像的分类方法,通过查找样本点的包络线来概括出样本的特征。在二维平面内,对于样本点沿x轴分布相似的图形,边界搜索问题可简化为寻找曲线L(x),使尽量多的样本点(xi,yi)满足L(xi)-yi>0。假设共有n2个样本点,其中有n1个样本点满足该条件则可规定p=n1/n2用以评价L(x)对于样本点的包合程度。
本方案通过离散化的方法进一步简化了该问题,即将转向行为数据库中各样本点按xi进行分组,每组包括m个样本点(即按样本点的x坐标值进行分组,每组包括m个样本点),然后对每组中的m个yi进行排序,最后选择每组中位于设定位置p的yi作为该组的边界值。连接所有边界值即可获得一条边界折线,利用多项式拟合该折线即可获得满足条件p的边界多项式L(x)。若在二维平面中随机选取些数据点,可以模拟出整个计算过程。
由于边界搜索方法对于时序特征量的支持并不是很好,因此在使用此方法时,进一步采用了时序特征量最大值这一简化方法。选取每个案例对应时长内的最大方向盘转角、最大方向盘转速、最大车速作为每个单一转向案例的特征量。为了进一步地简化分析方法,将三个特征值在三维空间中的三维散点投影至不同的二维平面上以进行分析。
三个特征值在三维空间中的三维散点在XZ面上的投影如图1所示,图1能够反映出方向盘转角与车速间的关系。依照上述的边界搜索方法,分别按照p1=0.9,p2=0.99计算曲线L1(x)和L2(x),最终可以得到如图2所示的L1(x)和L2(x)。
满足条件p1=0.9的曲线L1(x)通过以下四次多项式拟合:
L1(x)=a0+a1x+a2x2+a3x3+a4x4 (1)
满足条件p2=0.99的L2(x)通过以下三次多项式拟合:
L2(x)=b0+b1x+b2x2+b3x3 (2)
其中:a0=114.67730805;a1=5.34617032;a2=-1.50551759;a3=0.07761676;a4=-0.00116450;b0=196.69485727;b1=-8.25530994;b2=0.53625039;b3=-0.01141963。
令曲线L1(x)为安全线,曲线L2(x)为预警线;从图2可知,安全转向行为中有90%都落在了安全线L1(x)内,99%落在了预警线L2(x)内。危险转向行为则有47.55%位于安全线L1(x)内,23.63%位于安全线L1(x)与预警线L2(x)之间,28.82%位于预警线L2(x)之外。即在出现转向行为的事故当中,有52%的案例具有区别于90%常规转向操作的方向盘转角。因此,方向盘转角可作为事故预警的参数之一,且其安全范围可通过安全线L1(x)与预警线L2(x)进行描述,最终可以得到图4所示的转向行为区域划分:在安全线L1(x)以内的区域为安全区,安全线L1(x)与预警线L2(x)之间的区域为预警区,预警线L2(x)以外的区域为危险区。
观察安全线L1(x)可知,其从低速至高速一直呈下降趋势,以致安全区不断缩小,在20m/s附近其出现了一个方向盘转角的低谷,后又继续抬升。而根据事故案例热度分布图,车速20m/s左右正是事故高发区。
如图3所示,在安全转向行为当中,车速20m/s左右也为最大方向盘转角的最低值。即车速在此范围内时,驾驶员趋向于用更小的方向盘转角来完成对车辆的控制。实际上,如果将车辆模型简化为二自由度模型,可得到稳态横摆角速度增益:
式中:ωr为车辆横摆角速度,δ为车辆前轮转角,u为车速,L为车辆轴距,m为车辆质量,a为车辆质心距前轴距离,b为车辆质心距后轴距离,k1为车辆前轮轮胎侧偏刚度,k2为车辆后轮轮胎侧偏刚度;K为汽车稳定性因数。
现代轿车多具有不足转向特性,K值多在0.0024s2/m2~0.0026s2/m2之间,对式(3)中u求导易得当时,稳态横摆角速度增益达到最大值,计算可以得到此时车速正位于20m/s左右。即车辆的特征车速多位于20m/s左右。车辆的该种特性,可通过在Matalb/Simulink中进行相关的仿真实验进行验证。在7种不同车速下进行90deg的方向盘角阶跃输入试验,可以得到车辆的横摆角速度随时间变化图与车辆的稳态横摆角速度随车速变化图。
通过验证分析可知,在相同方向盘转向角输入下,车速为20m/s时,车辆达到了最高的峰值横摆角速度,车速为15m/s~20m/s之间时,车辆达到了最高的稳态的横摆角速度,这与前面提到的理论分析结果相符。在此车速区间内行驶的车辆,有着最高的转向灵敏度,但这同样也带来了更高的行车控制风险。当遇到突发事件,驾驶员出现过度控制的情况时,更高的转向灵敏度即意味着车辆会达到更高的横摆角速度。横摆角速度的大小不仅关系着车辆是否失控,同时对驾驶员的视觉和行车判断有着重要的影响。其他车速下的方向盘最大转角与车速间的关系也可通过同样的理论来解释,在低于特征车速时,最大方向盘转角随着车速的增加而减少,即转向灵敏度在提升,而在高于特征车速时,最大方向盘转角随着车速的增加而增加,即转向灵敏度在下降。考虑到这些因素,在划分方向盘转角的安全区域时,在安全区内车速17m/s~22m/s之间的区域作为风险区,最终可得到图4所示的基于方向盘转角的区域划分图。
同上,三个特征值在三维空间中的三维散点在yz面上的投影可反映出方向盘转速与车速间的关系,如图5所示。依照前述的边界搜索方法,按照p3=0.99计算L3(x),如图6所示。
与对方向盘转角的分析相似,通过二次多项式L3(x)对边界进行拟合:
L3(x)=c0+c1x+c2x2 (4)
其中:c0=79.08185361;c1=-1.44657488;c2=0.02488945;
根据L3(x)可绘制出依据方向盘转速的转向行为区域划分图如图7所示。
计算可得约有78.1%事故前转向行为的最大方向盘速度超出了安全边界,超出安全边界的转向盘速度可认为其已处在危险区。
根据对正常行车数据和事故行车数据的分析,可以得到驾驶员转向行为危险指数。由此驾驶员的转向行为可根据边界曲线L1(x)、L2(x)、L3(x)分为安全区、预警区、危险区、风险区四种情况,为了能够量化驾驶员转向行为风险的大小,引入驾驶员转向行为危险指数D。一般而言,驾驶员转向行为偏离安全区越远其行为的风险就越大,因此设驾驶员方向盘转角绝对值为δ,方向盘转速绝对值为δ',车速为x m/s。危险指数D的计算方法如下表:
即:
其中:k1,k2,k3,k4为常数参量,用于平衡特征量之间的权重大小并使D不至于过大。本例中,其取值为:k1=0.01,k2=0.02,k3=0.005,k4=0.1。
应用该方法对步骤1所建立的危险转向行为数据库和安全转向行为数据库中的所有危险转向行为和安全转向行为的转向危险指数进行计算,得到结果下表所示:
危险指数计算结果
基于该计算结果可以看出,该方法较好地划分出了驾驶员危险转向行为与安全转向行为的边界,对事故案例判断准确率达到了84.44%,对安全案例判断准确率达到了88.43%,将判断正确的案例数除以所有案例数得到的综合准确率达到了87.10%。
该步骤通过对步骤1所建立的转向行为数据库中的数据进行处理,从而区分出正常转向数据和危险转向数据,以用于后续神经网络的训练。
302:基于神经网络的危险转向行为识别方法
基于神经网络对步骤1中转向行为数据库中的转向行为数据以及步骤301中计算的对应的危险指数进行训练,建立用于危险转向行为识别的神经网络模型。由此,当对训练得到的神经网络模型输入转向行为数据后,其能够输出对应的转向危险指数,以对危险转向行为进行识别。
神经网络是一种模仿人脑神经元网络的信息处理方法,其由大量的节点互联构成,能够实现模式识别、自动控制、预测控制等功能。其在时间序列数据的分类预测方面有着良好的表现。通过使用已有的数据对神经网络模型进行训练可以得到效果良好的分类器。因此基于步骤一所建立的数据库,建立起用于危险转向行为识别的神经网络模型,之后利用后向传播的方法对该神经网络进行训练,最终可以获得行之有效的转向行为识别方法。
多层神经网络包含:输入层,隐藏层与输出层,其中隐藏层可以有多层。如果将第l层的激活值设定为a(l),则第l+1层的激活值a(l+1)可利用式(5)、式(6)、式(7)通过前向传导进行计算:
f(x)=max(0,x) (5)
z(l+1)=W(l)a(l)+b(l) (6)
a(l+1)=f(z(l+1)) (7)
式(5)至式(7)中,f(x)为激活函数,可以从relu函数、tansig函数、logsig函数等函数中进行选择,输出层的激活值a即为最终计算结果,可将其记为hW,b(x)。
神经网络模型可通过梯度下降法进行求解。对于单个样例(x,y),其代价函数为:
则对于有m个样例的数据集,其整体损失函数为,
式中,λ为权重衰减系数,可减小权重的幅度,防止过度拟合。
在梯度下降法中,可利用式(10)、式(11)对W,b进行迭代更新:
式(10)至式(11)中,α为学习速率。
式(10)、式(11)中的偏导数可通过后向传播算法进行计算,其主要分为三步。
第一步:利用前向传导公式计算得到L2,L3..直到输出层Lnl的激活值。
第二步:计算输出层与隐藏层各个节点的残差,对于输出层nl的每个输出单元i,根据以下公式计算残差:
对于隐藏层,第l层的第i个节点的残差为:
第三步:计算得到所需偏导数为:
利用梯度下降法对神经网络进行训练后,即可获得可用于分类的神经网络。根据该方法,可以在Matlab当中建立起神经网络模型并对其进行训练以获得合适的分类模型。由于神经网络对于多输入以及时序特征量的支持更好,因此在使用时可以选取更多的特征量并使用各个特征量的时序特征。此处可以引入“窗口”的概念,即在一个连续不断的时序特征量之上构建一个滑动的窗口,而神经网络则可利用窗口内的数据对当前时序状态量进行分析计算,最终得到监控目标的状态。
根据不同准确度,精确度以及实时性的要求,可以自如的选取合适的窗口大小。训练所得到的神经网络模型应当能够根据窗口中的数据分析判断当前是否出现了危险转向行为。本例中,选取窗口长度为5,选择车辆速度、车辆加速度、方向盘转角、方向盘转速为特征量,构建了一个4×5的窗口。为了方便模型的训练,将4×5的矩阵转化为1×20的向量,采用的方法为将矩阵的各行首尾相接成一行,变换过程下所示:
步骤一所构建的数据库中有700个安全转向案例和688个紧急转向案例,在每个案例中提取20个特征点作为该转向案例的窗口。经过整理可以得到1388个样本。将这1388个样本用作训练样本集,从中随机划分出15%的案例为验证集,15%的案例为测试集,70%的案例为训练集。在Matlab中搭建神经网络模型进行训练,设置学习速率为0.01,最大迭代层数为1000,隐藏层激活函数设定为tansig,输出层激活函数设定为logsig;实验表明,选择1层隐藏层,15个神经元时,区分效果最好。
设置完成后可以使用Matlab利用后向传播算法对神经网络模型进行训练,即通过不断的迭代计算,将损失函数的值降到最小。迭代计算过程图8所示:
从训练过程图图8中可以看出,随着迭代次数的增加,训练集、验证集、测试集的损失函数值都在不断减小,直至经过105次迭代后,训练集、验证集、测试集的损失函数值已基本不变,训练停止。前105次迭代中,损失函数在第99次时达到最小,因此使用第99次迭代的结果作为最终获得的神经网络模型。利用训练得到的神经网络模型对训练集、验证集、测试集进行分类,可以将结果绘制成混淆矩阵图。混淆矩阵也可被称作误差矩阵,其可以被用来评价分类器的精度。因此能够根据绘制的混淆矩阵图直观的评判得到的该神经网络的优劣:
在混淆矩阵图中,每一行为神经网络的预测输出,每一列为样例的实际值,F表示预测错误,T表示预测正确,每一种输出值都有其对应的正确率。整理可以得到不同状况下的预测正确率如下表所示:
不同状况下预测正确率
对于需要避免过度控制的ESC而言,危险转向行为更高的正确率意味着该识别算法所得出的驾驶员处在危险转向行为的结论更加可靠。经过神经网络计算可以得到转向危险指数,将转向危险指数归一化到[0,1]之间,然后通过设定一个阈值可以确定当前驾驶行为的特征。本例中设定该阈值为0.5。获得新数据后直接通过训练好的网络就可以判断数据是紧急转向还是正常转向。
通过测试集对所建立的神经网络的性能进行了简单测试,结果表明该神经网络模型基本能够检测到驾驶行为异常的出现,因此可用于自适应车辆稳定控制的驾驶行为识别模块,并与车辆状态识别模块相结合,共同构成稳定控制算法。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (8)
1.基于边界搜索的危险转向行为识别方法,其特征在于:
步骤1:建立转向行为数据库,包括:危险转向行为数据库和安全转向行为数据库;
步骤2:转向行为特征量的选取:
选取所述转向行为数据库中的方向盘转角、方向盘转速和车速作为转向行为特征量;
步骤3:根据步骤二所选择的转向行为特征量,基于边界搜索法对步骤1中的转向行为数据库中的数据进行统计分析,获得危险转向行为与安全转向行为的边界,并以此计算转向行为数据库中各转向行为的危险指数;
步骤4:基于神经网络的危险转向行为识别:
依据步骤1中转向行为数据库中的转向行为数据以及步骤3中计算的对应的危险指数对神经网络模型进行训练,建立用于危险转向行为识别的神经网络模型,所述神经网络模型能够通过输出危险指数对危险转向行为进行识别。
2.如权利要求1所述的基于边界搜索的危险转向行为识别方法,其特征在于:所述步骤3中,在基于边界搜索法对步骤1中的转向行为数据库中的数据进行统计分析时:
301:基于方向盘转角的区域划分
在反映方向盘转角与车速关系的二维平面图上,采用边界搜索方法,分别按照p1=0.9和p2=0.99计算边界曲线L1(x)和边界曲线L2(x);
302:基于方向盘转速的区域划分
在用于反映方向盘转速与车速关系的二维平面图上,采用边界搜索方法,按照设定的p3=0.99计算边界曲线L3(x)。
3.如权利要求2所述的基于边界搜索的危险转向行为识别方法,其特征在于:所在步骤301中,在边界曲线L1(x)对应的安全区域内,车速17m/s~22m/s之间的区域作为风险区。
5.如权利要求1-4任一项所述的基于边界搜索的危险转向行为识别方法,其特征在于:所述步骤3中:
在基于边界搜索法对转向行为数据库中的数据进行统计分析时,选定转向行为数据库中每个转向案例对应时长内的最大方向盘转角、最大方向盘转速、最大车速作为该转向行为案例的三个特征值,依据该特征值绘制方向盘转角与车速关系图以及方向盘转速与车速关系图。
6.如权利要求1-4任一项所述的基于边界搜索的危险转向行为识别方法,其特征在于:所述步骤1中:以已公布的事故车辆EDR中提取的危险转向行为数据,构建危险转向行为数据库;以已公布的至少两个驾驶数据库中的转向行为数据,构建安全转向行为数据库。
7.如权利要求1-4任一项所述的基于边界搜索的危险转向行为识别方法,其特征在于:所述步骤4中:在对神经网络模型进行训练时,以步骤1中转向行为数据库中的各转向行为数据作为训练样本集,从中随机划分出15%的案例为验证集,15%的案例为测试集,70%的案例为训练集。
8.如权利要求7所述的基于边界搜索的危险转向行为识别方法,其特征在于:所述步骤4中:在Matlab中搭建神经网络模型进行训练,设置学习速率为0.01,最大迭代层数为1000,隐藏层激活函数设定为tansig,输出层激活函数设定为logsig;选择1层隐藏层,15个神经元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310241901.9A CN116415169A (zh) | 2023-03-14 | 2023-03-14 | 基于边界搜索的危险转向行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310241901.9A CN116415169A (zh) | 2023-03-14 | 2023-03-14 | 基于边界搜索的危险转向行为识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116415169A true CN116415169A (zh) | 2023-07-11 |
Family
ID=87058923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310241901.9A Pending CN116415169A (zh) | 2023-03-14 | 2023-03-14 | 基于边界搜索的危险转向行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116415169A (zh) |
-
2023
- 2023-03-14 CN CN202310241901.9A patent/CN116415169A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Brombacher et al. | Driving event detection and driving style classification using artificial neural networks | |
CN106740861B (zh) | 基于驾驶行为区分驾驶员的方法和设备 | |
CN110884490B (zh) | 一种车辆侵入判断及辅助行驶的方法、系统、车辆及存储介质 | |
Chang et al. | Onboard measurement and warning module for irregular vehicle behavior | |
KR102531005B1 (ko) | 운전자 구분을 이용한 보험 상품의 제안 방법 및 그 장치 | |
KR20190042088A (ko) | 예상치 못한 임펄스 변화 충돌 검출기 | |
US11829131B2 (en) | Vehicle neural network enhancement | |
US20190188467A1 (en) | Method for recognizing the driving style of a driver of a land vehicle, and corresponding apparatus | |
Peng et al. | Intelligent method for identifying driving risk based on V2V multisource big data | |
Zardosht et al. | Identifying Driver Behavior in Preturning Maneuvers Using In‐Vehicle CANbus Signals | |
CN111666859A (zh) | 一种危险驾驶行为识别方法 | |
CN115482662B (zh) | 一种危险工况下驾驶员避撞行为预测方法及系统 | |
CN116415169A (zh) | 基于边界搜索的危险转向行为识别方法 | |
CN113291311B (zh) | 一种紧急避撞工况下驾驶员异常行为检测方法及存储介质 | |
CN115860461A (zh) | 一种平面交叉口下非机动车交通冲突的风险因子评估方法 | |
Waltereit et al. | Online Driving Behavior Scoring using Wheel Speeds. | |
Liu et al. | Driving Performance Analysis of Driver Experience and Vehicle Familiarity Using Vehicle Dynamic Data | |
Chai et al. | Driving style recognition based on naturalistic driving: Volatilities, decision-making, and safety performances | |
Zhong et al. | Evaluating the Efficacy of Real-Time Connected Vehicle Basic Safety Messages in Mitigating Aberrant Driving Behaviour and Risk of Vehicle Crashes: Preliminary Insights from Highway Scenarios | |
US11734909B2 (en) | Machine learning | |
KR102482165B1 (ko) | 주행안정성 통합평가 지표 생성 방법 및 주행안정성 통합평가 지표 | |
Mezali et al. | Design of a new measurable approach for the qualification of the behaviour of an autonomous vehicle | |
US20240190470A1 (en) | Systems and methods for controlling a vehicle using high precision and high recall detection | |
US20240190467A1 (en) | Systems and methods for controlling a vehicle using high precision and high recall detection | |
US20240190466A1 (en) | Systems and methods for controlling a vehicle using high precision and high recall detection |
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 |