|
作者：陈昭彰，陈广辉，罗江，喻恺（江西方兴科技有限公司） 摘要：本文针对高速公路中车辆智能安全预警的需求，采用车路协同理论，利用OBD数据记录仪、驾驶员操作监控摄像头、路面交通状况摄像头等装置分别同时获取车辆运行状态、操作输入、驾驶员行为表情、道路情况等数据，建立驾驶人员的车辆操控习惯模型，结合车辆运行状态对车辆的行驶轨迹进行预测，并且根据对高速公路上交通场景的分析理解，在车辆可能发生事故前给出安全预警，从而降低事故发生概率，保障交通安全。通过软硬件设计，提出一种高速公路车路协同主动安全防控预警系统。 近年来，已有一些机构针对车辆轨迹预测进行相关研究，但为了准确地对车辆行驶轨迹进行预测，必须将目前预测过程中考虑的“车-路”转变为“人-车-路”交互环境。车辆防碰撞预警系统是国内外车辆主动安全技术的研究热点之一，将其合理运用到防碰撞预警系统中具有明显的优势：采集的车路参数信息更加丰富、无感知盲区、动态预测危险车辆状态、不受视野遮挡限制等。因此，防碰撞预警系统适应面更广，更符合驾驶员的实际需求，且对于车路协同技术的重点使用，也符合国内外未来智能交通系统的发展趋势。高速公路车路协同主动安全防控预警系统能够挖掘用户驾驶操作过程中的行为习惯特点，并结合对道路交通场景的理解，根据车辆的运行工况对用户的驾驶操作行为进行预测，并将预测结果应用至车辆行驶轨迹预测过程中，最后获得更为准确的车辆行驶轨迹预测结果，在系统判定车辆有行驶安全危险时，对车辆和驾驶员提出智能安全预警，同时避免车辆行驶安全预警过程中的误报或漏报现象，保障车辆行驶安全。
本系统以交通安全、认知科学和信息科学（计算机视觉、模式识别和机器学习）等相关领域的研究成果为基础，以危险驾驶行为下车辆行为特征辨识及其安全性问题为研究对象，以建立复杂道路交通感知信息高效处理和语义理解的理论与方法为科学目标，采用理论方法研究和试验相结合的手段，总体研究框架如图1所示，主要研究内容如下。车辆行驶轨迹、驾驶人员的车辆操作行为、车辆运行状态及道路交通场景图像是进行研究的原始数据。为获取上述数据，设计一个数据采集系统，对驾驶员表情、肢体动作、路面场景、车辆运行工况等情况进行同步记录。为了体现具有不同行为特征的驾驶人员的驾驶特点，数据库中应该包含多个驾驶人员的上述数据。在获得各类数据后，对数据进行清洗、标定和格式转换，并按照后续研究的需要对其进行排序和同步，从而完成驾驶人员“人-车-路”交互数据的获取过程。实际的路面交通场景难以复现，因此无法对各类模型进行准确客观的评价，相较于实际的路面交通场景，模拟驾驶仿真系统具有可重复性，从而能更客观地对项目研究过程中的各类算法进行验证和评价。可反复重现各类交通场景的模拟仿真驾驶系统主要由交通场景仿真软件、显示器、计算机、模拟驾驶操纵台、NIPXI数据采集系统构成，其主要实施思路是通过计算机对各类交通场景进行编辑，利用显示器显示不同交通场景，刺激用户进行各类驾驶操作。通过记录操作模拟驾驶台中的用户操作、面部表情、仿真系统中的车辆轨迹，实现一类原始数据获取，并对用户提出的各类算法进行验证。在研究过程中，通过构建模拟仿真驾驶环境，不仅可以快速获得各类算法模型研究的原始数据，而且可以准确地对各类算法进行评估，减少研究过程中的经费投入，提高研究效率。研究交通场景是交通设施、交通标志、路况变化、天气变化、行人及车辆等多种因素综合影响下的结果，会对驾驶人员的各类操作行为产生影响。为了研究上述影响对驾驶人员操作行为之间的对应关系，必须将上述难以公式化表述的图像信息转换为对应的数字编码，从而为后续的行驶轨迹预测提供数字化的参数输入。将图像信息转换为数字编码涉及到对图像的理解与分析，一直是相关领域的难点。研究过程中先确定好交通场景的分类，并通过人工对各类交通场景图像进行标注。尝试采用已有的各类方法对交通场景中目标物、交通成员之间的距离、气候、路面进行识别，并根据识别结果，利用深度卷积神经网络建立对应上述各类输入情况下的交通场景输出。在进行交通场景的识别研究中，算法模型的准确度、执行时间、适应性都是评价模型优劣的关键指标，根据上述指标，对提出的交通场景识别模型进行评价和优化。研究驾驶人员的操作行为也会受当前情绪状态的影响，正常状态、疲劳或者醉酒状态下，驾驶员的反应速度、对环境的回馈能力等存在很大差异。为了准确对驾驶人员的后续操作进行预测，通过对驾驶人员的肢体行为和面部表情进行捕捉，获得对其情绪状态的识别结果非常重要。驾驶人员的车辆操作过程受其行为意图驱使，而行为意图则是道路交通场景、车辆运行工况与其行为习惯耦合作用下的输出结果，因此，获得驾驶人员的操作习惯模型是进行车辆行驶轨迹预测的关键。驾驶习惯是驾驶人在长期驾驶过程中养成的一种不改变或改变不明显的驾驶行为或者驾驶倾向性，这种习惯具有一定的规律性，但这种规律却又很难用公式直接表达。研究车辆的行驶轨迹预测结果主要由车辆的动力学模型计算得到，但由于预测过程中结合了对驾驶人员操作行为的预测结果，所以预测过程中采用的计算步长、预测窗口周期均会对结果产生影响。本文计划提出一类行驶轨迹预测模型的评价指标，根据预测计算周期、用户响应周期及车辆安全预警后的事故降低率对行驶轨迹预测模型进行评价；利用建立的模拟驾驶仿真系统，通过比较不同计算步长、预测窗口周期作用下的车辆轨迹预测模型评价结果，对预测计算步长和预测窗口周期进行优化。在获取“人-车-路”交互数据后，计划融合交通场景识别、驾驶员情绪状态识别、驾驶员操作习惯建模和车辆行驶轨迹预测，开发出一套车辆安全智能预警系统。目前，实现基于高速公路车路协同的主动安全防控预警系统急需解决两大问题。道路交通场景理解是实现驾驶人员行为预测及行驶安全预警的关键技术，进行交通场景理解分类的目的是简化场景的表示方式，将视频或图像转化为表征各类交通状况的数字化编码。在道路交通场景理解过程中，存在以下关键难点。（4）光强不够、光照不均匀、场景结构不均匀和内容复杂多变等多种影响干扰因素。驾驶员的操作习惯是决定驾驶员操作行为的内在因素，在进行驾驶员操作习惯建模的过程中，存在以下技术难点。（一）结合驾驶员行为习惯与情绪状态进行车辆行驶轨迹预测
车辆的行驶轨迹受多种因素影响，一般而言，车辆自身的结构性能变化较小（车辆在其使用寿命内结构特征、操作性能改变不大），而用户操作行为则是决定车辆行驶轨迹的重要因素，其操作行为是内在因素与外在因素共同作用的结果。目前开展的车辆轨迹预测研究大多只考虑车辆当前的运行状态和预测时刻起始时的操作输入，忽略驾驶人员在预测窗口中均有可能会对车辆采取相应的操作，从而导致车辆行驶轨迹预测结果与实际真实情况产生一定偏差。本研究中将驾驶人员的驾驶行为习惯、情绪变化等个体主观因素均考虑进车辆的行驶轨迹预测过程中，能够提高车辆行驶轨迹预测模型的精度。道路交通场景是刺激驾驶人员进行行为决策的重要因素，为了对车辆行驶轨迹进行预测，必须将获得的视频图像信息转换为特定的场景分类数据，才能根据建立的模型获得车辆预测轨迹。目前国内外学者在道路交通理解中大多采用光流法、隐马尔科夫模型等方法，实时性和准确率无法达到应用要求，从而引起后续误差。本文利用深度神经网络对大量的视频流数据进行训练学习，利用训练后的模型直接对道路交通场景进行分类，可以有效提高道路交通场景的识别效率及准确率，为后续轨迹预测提供良好的参数输入。（三）利用逆向强化学习方法对驾驶人员行为习惯进行建模并跟踪调整用户的行为习惯是影响其行为操作的内在因素，在面对同一交通场景时，不同的驾驶人员由于其行为习惯不同往往导致不同的操作行为。研究过程中，不仅考虑到驾驶人员面对的交通场景、当前的情绪状态等因素，而且还通过引入驾驶员的行为习惯，获得对其操作行为的准确预测。用户的驾驶行为习惯虽然具有一定的规律性，但却难以用传统的公式进行表达和描述，采用逆强化学习方法对其进行跟踪学习，可以克服传统强化学习中回报函数难以获取的问题，通过对驾驶操作跟踪重构回报函数的方法实现对用户操作行为的逼近，得到一类驾驶人员操作行为习惯的表示特征。在进行研究过程中，构建一类模型驾驶仿真测试系统。模拟驾驶实验系统具有以下优势：条件状态可重复，从而能够快速定位本研究中模型失配问题；开展便利，随时可进行实验；状态可多样甚至可极端化，可进行各类交通场景下的实验；成本低廉，相较于路面实验，其成本几乎可忽略。因此，模拟驾驶系统不仅可以利用其对某一环节的研究内容进行测试验证，而且可以结合实际的路面试验情况，反复对相关环节进行循环优化，使研究结果更能满足实际需要。模拟驾驶系统如图2和图3所示。研究过程中涉及的相关原始数据，均需通过实验方法获得，一类是模拟驾驶实验台中的室内模拟实验；另一类是在实际交通过程中采集的实际路面实验，通过两类实验的结合可为研究提供真实可信的实验数据，同时也可对各类算法模型进行有效的验证。驾驶员生理测试系统如图4所示。车辆动力学模型是进行车辆行驶轨迹预测的依据，必须通过理论分析的方法对车辆在一段时间内的行驶轨迹、当前车速、转速、档位、方向、制动、油门踏板位置以及用户在预测时间窗口中采取的制动、转向、油门踏板等操作进行分析，建立车辆运行轨迹与上述因素之间的函数关系；对研究中涉及的相关问题细节，如驾驶场景中的目标识别、距离识别、路面识别的依据，深度神经网络的模型架构、逆强化学习的模型结构、奖励函数等关键参量，也需要通过理论分析的方法获得。本文按照实际交通数据采集、交通场景识别、驾驶员用户习惯建模设计、车辆行驶轨迹预测和车辆预警系统设计等工作内容在策略研究后，对提出的算法模型和技术方案进行软硬件实验，搭建系统测试平台对提出的算法进行测试，并根据测试结果对系统方案进行循环优化，获得一类满足高速公路车路协同需求的主动安全防控预警系统。该系统能够降低事故发生概率，保障交通安全。[1] 中华人民共和国国家统计局.中国统计年鉴[M].北京:中国统计出版社,2016.[2] 钟勇等.高速公路事故的诱因及预防对策[J].公路交通科技,2000(6): 67-68,72[3] 郑安文等.重视道路条件对道路交通安全的影响作用[J].武汉科技大学学报,2002(1).[4] 刘绚.基于流场的车辆安全区域设定与安全信息获取方法[D].河北秦皇岛:燕山大学学报,2015.[5] 杨晓光,云美萍,周雪梅等.中国智能交通系统评价方法研究[J].交通运输系统工程与信息,2006(6):14-20.[6] Reichardt D,Miglietta M,Moretti L,et al.CarTALK 2000:safe and comfortable driving based upon inter-vehicle-communication[C]//Intelligent Vehicle Symposium.IEEE,2002:545-550 vol.2.[7] Fujim oto A,Sakai K, Ogawa M,et al.Toward Realization of Smartway in Japan[C] .15th World Congress on Inteligent Transport Systems and ITS America’s 2008Annual Meeting.2008.
微信编辑 | 户利华 责任编辑 | 孙婧
|
