惠 飛,魏 誠

(長安大學(xué) 信息工程學(xué)院,西安 710064)

駕駛員的換道行為是行車安全中的關(guān)鍵因素,一個(gè)不正當(dāng)?shù)膿Q道行為可能會(huì)造成車輛的碰撞,甚至安全事故[1,2].但是在行車過程中,影響駕駛員變換車道的因素很多[3-5],這就要求預(yù)測模型能融合多種特征數(shù)據(jù)后得出一個(gè)較為準(zhǔn)確的結(jié)果.2014 年,Zheng J 等[6]提出了一個(gè)普通的前饋神經(jīng)網(wǎng)絡(luò)模型來預(yù)測駕駛員的換道行為,該模型融合了多個(gè)車輛在行駛過程中的數(shù)據(jù)特征,其準(zhǔn)確率達(dá)到了94.58%(左換道)和73.33%(右換道).但是該模型沒有考慮駕駛員自身的生理特征并且右換道和左換道的準(zhǔn)確率不對稱.2015 年,Peng JS 等[7]提出了一種多特征融合的神經(jīng)網(wǎng)絡(luò)的模型,該模型考慮了駕駛員例如頭部轉(zhuǎn)動(dòng)等生理因素.并利用前饋神經(jīng)網(wǎng)絡(luò)來預(yù)測駕駛員的換道意圖.但文章中提到該模型的時(shí)間窗口提取方法不準(zhǔn)確,可能會(huì)影響模型性能.

通過文獻(xiàn)[8-11],可知大多數(shù)較早期的預(yù)測模型都是以3 層的全連接神經(jīng)網(wǎng)絡(luò)來作為預(yù)測模型,但是這種網(wǎng)絡(luò)在處理時(shí)間序列的能力不強(qiáng),所以不論將數(shù)據(jù)怎樣處理,神經(jīng)網(wǎng)絡(luò)的輸入都是代表一個(gè)瞬時(shí)值,這可能會(huì)導(dǎo)致預(yù)測結(jié)果的偏差.2016 年,Dou YL 等[12]提出了一種以支持向量機(jī)和前饋神經(jīng)網(wǎng)絡(luò)為主要方法的預(yù)測模型.該模型只對支持向量機(jī)和前饋神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果做了分析和合并,并沒有將支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)加以改變.同年,Wang XP 等[13]提出了一種以前饋神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的混合神經(jīng)網(wǎng)絡(luò)模型,該模型以時(shí)間序列為輸入,通過卷積網(wǎng)絡(luò)來提取數(shù)據(jù)特征,再經(jīng)過前饋網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)融合后得出結(jié)果.但此模型的問題在于當(dāng)用卷積網(wǎng)絡(luò)提取數(shù)據(jù)時(shí),可能會(huì)造成數(shù)據(jù)的損失,使得預(yù)測精度降低.

針對上述問題,本文提出了一種基于全連接神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的混合神經(jīng)網(wǎng)絡(luò)模型,該模型充分利用了循環(huán)神經(jīng)網(wǎng)絡(luò)的變體Seq2Seq[14,15]框架來處理時(shí)間序列數(shù)據(jù),并且利用全連接神經(jīng)網(wǎng)絡(luò)來提取數(shù)據(jù)特征.其次,本文將駕駛員的生理數(shù)據(jù)和汽車的運(yùn)動(dòng)學(xué)數(shù)據(jù)作為模型的輸入特征,以提高預(yù)測的精準(zhǔn)度和前瞻時(shí)間.

文章的結(jié)構(gòu)分為4 個(gè)部分,第1 部分介紹數(shù)據(jù)采集過程以及預(yù)處理方法,第2 部分介紹模型的結(jié)構(gòu)和訓(xùn)練方法,第3 部分對訓(xùn)練后的模型進(jìn)行驗(yàn)證,最后對文章模型以及結(jié)果進(jìn)行分析.

1 數(shù)據(jù)采集及預(yù)處理

由于實(shí)驗(yàn)數(shù)據(jù)來源于真實(shí)交通場景和不同的傳感設(shè)備,所以數(shù)據(jù)預(yù)處理的第一個(gè)任務(wù)是將每個(gè)傳感設(shè)備采集的數(shù)據(jù)進(jìn)行濾波、分段處理,第二個(gè)任務(wù)是進(jìn)行時(shí)間戳對齊,并按時(shí)間窗口提取具有同一標(biāo)簽的數(shù)據(jù).

1.1 數(shù)據(jù)采集

本次數(shù)據(jù)采集過程中,汽車運(yùn)動(dòng)學(xué)數(shù)據(jù)中的速度、加速度來自安裝在試驗(yàn)車上的Cohda_wireless 短程通信設(shè)備.轉(zhuǎn)向角、轉(zhuǎn)向角加速度來自安裝在方向盤處的轉(zhuǎn)角測試儀.駕駛員生理數(shù)據(jù)中的腦電數(shù)據(jù)(EEG)和頭部運(yùn)動(dòng)數(shù)據(jù)來自腦波分析儀.心電數(shù)據(jù)(ECG)來自貼片式心率測試儀.頭在水平方向轉(zhuǎn)動(dòng)的次數(shù)來自行車記錄儀中的行車視頻.數(shù)據(jù)采集設(shè)備如圖1 所示.圖2 是模型訓(xùn)練數(shù)據(jù)的采集路線,采集車輛從長安大學(xué)出發(fā)到西安城北客運(yùn)站,全長23.8 公里.為了使模型訓(xùn)練和驗(yàn)證的時(shí)候更加魯棒,我們邀請了不同的駕駛員在不同的天氣、道路、行人、車輛情況下進(jìn)行數(shù)據(jù)采集.

圖1 數(shù)據(jù)采集設(shè)備

圖2 訓(xùn)練集/測試集數(shù)據(jù)采集路線

1.2 時(shí)間窗口選取

時(shí)間窗口是所有數(shù)據(jù)處理的時(shí)間大小依據(jù),所以該時(shí)間窗口的大小要能容納駕駛員換道前的各個(gè)數(shù)據(jù)變化.即在該時(shí)間窗口內(nèi),車道變換前后的各個(gè)數(shù)據(jù)變化要能被觀察到.如圖3 所示,將從車輛轉(zhuǎn)向角發(fā)生巨大變化至轉(zhuǎn)向角趨于平穩(wěn)的一個(gè)行為標(biāo)記為一個(gè)變道行為,并將該段時(shí)間記作一個(gè)時(shí)間窗口.在討論該模型的前瞻性時(shí),采用依次縮短該時(shí)間窗口的方法.其具體做法是將時(shí)間窗口的結(jié)束點(diǎn)依次提前,在不考慮預(yù)測精確率的情況下,時(shí)間窗口結(jié)束點(diǎn)3 比結(jié)束點(diǎn)2 具有更好的前瞻性.因此,在模型訓(xùn)練和驗(yàn)證過程中,采用縮小時(shí)間窗口的同時(shí)比較準(zhǔn)確率的方法來訓(xùn)練和驗(yàn)證模型.

在數(shù)據(jù)處理過程中,以當(dāng)前的時(shí)間窗口大小為依據(jù).文章所采用的循環(huán)神經(jīng)網(wǎng)絡(luò)要求每次輸入的數(shù)據(jù)為定長,但由于時(shí)間窗口是不定長的,因此要求在每個(gè)時(shí)間窗口內(nèi)設(shè)定一個(gè)通用的數(shù)據(jù)提取方法,使得在不同長度的時(shí)間窗口內(nèi)提取數(shù)據(jù)特征個(gè)數(shù)相同,在保證輸入數(shù)據(jù)的一致性的同時(shí)又可以將數(shù)據(jù)損失降到最小.駕駛員在時(shí)間窗口內(nèi)頭部在水平方向的轉(zhuǎn)動(dòng)次數(shù)不經(jīng)過循環(huán)神經(jīng)網(wǎng)絡(luò)的處理,直接參與全連接網(wǎng)絡(luò)的計(jì)算.

圖3 時(shí)間窗口確定方法

1.3 數(shù)據(jù)預(yù)處理

1.3.1 汽車運(yùn)動(dòng)學(xué)數(shù)據(jù)

由于時(shí)間窗口是動(dòng)態(tài)劃分的,為了使每個(gè)時(shí)間窗口內(nèi)提取的數(shù)據(jù)特征相同且長度相等,在處理汽車運(yùn)動(dòng)學(xué)數(shù)據(jù)時(shí),取每條數(shù)據(jù)在時(shí)間窗口內(nèi)的最大值、最小值、平均值等.表1 給出各個(gè)數(shù)據(jù)量在時(shí)間窗口內(nèi)的處理方法.在逐漸縮小時(shí)間窗口時(shí),Seq2Seq 的標(biāo)簽數(shù)據(jù)為原時(shí)間窗口的尾部數(shù)據(jù),但取值方法相同.因此一共提取了15 個(gè)特征.

表1 汽車運(yùn)動(dòng)學(xué)處理方法

1.3.2 駕駛員生理學(xué)數(shù)據(jù)

腦電信號(hào)EEG 采用切比雪夫2 型濾波器進(jìn)行帶通濾波,設(shè)置截至頻率下限為3 Hz,上限為30 Hz.在這里,將EEG 中1～3 Hz,幅度為20～200 μV 的δ 波剔除,因?yàn)棣?波出現(xiàn)在人類的嬰兒階段或者智力發(fā)育不成熟時(shí)期以及成年人在極度疲勞和昏睡或麻醉狀態(tài)下.所以駕駛員在考慮換道時(shí),該波形不會(huì)有明顯的變化.

模型需要的輸入波形為頻率為4～7 Hz,幅度為5～20 μV 的θ波、頻率為8～13 Hz,幅度為20～100 μV的α波、頻率為14～30 Hz,幅度為100～150 μV 的β波.這3 種波形分別在人類處于抑郁、正常、興奮狀態(tài)時(shí)有明顯的變化,所以可以作為模型的輸入量.同樣,在這個(gè)時(shí)間窗口內(nèi),取EEG 信號(hào)中的θ,α,β波的平均值、最大值、最小值、方差4 種值.然后取θ波段和α波段的絕對功率以及再從每個(gè)波段的提取6 個(gè)非線性EEG 特性別記為:θ/(θ+α),α/(θ+α),(θ+α)/β,α/β,(θ+α)/(θ+β),及θ/β.從EEG 信號(hào)中一共提取了18 個(gè)特征.

心率信號(hào)的處理方法與他數(shù)據(jù)類似,也是將其放在一個(gè)時(shí)間窗口內(nèi)處理,因此處只有一個(gè)信號(hào),不再進(jìn)行濾波.取一個(gè)時(shí)間窗口內(nèi)心率的最大值,最小值,平均值,方差作為輸入的特征信號(hào),最終從心率信號(hào)中提取了4 個(gè)特征.

駕駛員頭部的運(yùn)動(dòng)數(shù)據(jù)為駕駛員頭在三維空間上的最大轉(zhuǎn)速和轉(zhuǎn)動(dòng)次數(shù),分別取其時(shí)間窗口內(nèi)的最大值即可.在車輛換道過程中,駕駛員頭部在一個(gè)時(shí)間窗口內(nèi)的的轉(zhuǎn)動(dòng)次數(shù)為該駕駛員對后視鏡的觀看次數(shù),該次數(shù)表現(xiàn)了駕駛員換道的迫切性,頭部最大轉(zhuǎn)速亦是如此,轉(zhuǎn)速越大,表現(xiàn)駕駛員越注意后方車輛,越迫切換道,所以這4 個(gè)特征不需要循環(huán)神經(jīng)網(wǎng)絡(luò)的處理,即不需要Seq2Seq 的預(yù)測,直接輸入到全連接網(wǎng)絡(luò)參與分類.

數(shù)據(jù)按以上方法處理后,可以保證在任何大小的時(shí)間窗口下輸入的數(shù)據(jù)個(gè)數(shù)均相同,同時(shí)也保證了模型在訓(xùn)練和檢測時(shí)數(shù)據(jù)的一致性.如圖4、圖5 所示是汽車運(yùn)動(dòng)學(xué)數(shù)據(jù)和駕駛員生理數(shù)據(jù)在一個(gè)完整時(shí)間窗口內(nèi)的變化.

圖4 汽車運(yùn)動(dòng)學(xué)數(shù)據(jù)在一個(gè)換道時(shí)間窗口的變化

2 模型建立及訓(xùn)練

本文模型是基于循環(huán)神經(jīng)網(wǎng)絡(luò)和全連接神經(jīng)網(wǎng)絡(luò)建立的,循環(huán)神經(jīng)網(wǎng)絡(luò)用來提取原始數(shù)據(jù)的特征,并對下一時(shí)間點(diǎn)的值進(jìn)行預(yù)測.數(shù)據(jù)處理過程中提取了41 個(gè)特征數(shù)據(jù),除了駕駛員頭部轉(zhuǎn)動(dòng)數(shù)據(jù)外,其他都要經(jīng)過循環(huán)網(wǎng)絡(luò)的預(yù)測.所以循環(huán)神經(jīng)網(wǎng)絡(luò)需要37 個(gè)輸入和37 個(gè)輸出.混合網(wǎng)絡(luò)一共有41 個(gè)輸入,2 個(gè)輸出.該模型的流程如圖6.

圖5 腦波數(shù)據(jù)在一個(gè)換道時(shí)間窗口的變化

2.1 Seq2Seq 層

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neuron Network,RNN)是一種對數(shù)據(jù)序列建模的神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)的優(yōu)點(diǎn)在于能夠很好的處理時(shí)間序列數(shù)據(jù).由于車輛的換道行為往往發(fā)

生在較長的時(shí)間段內(nèi),如果直接用全連接網(wǎng)絡(luò)去處理時(shí)間序列,勢必會(huì)造成數(shù)據(jù)的損失,從而導(dǎo)致模型預(yù)測精度下降.RNN 在處理時(shí)間序列數(shù)據(jù)時(shí),會(huì)考慮到數(shù)據(jù)序列中每個(gè)數(shù)據(jù)之間的相關(guān)性,可最大程度的利用每個(gè)時(shí)間窗口的數(shù)據(jù)序列[9].本文模型需要以數(shù)據(jù)序列預(yù)測數(shù)據(jù)序列,所以選取RNN 的一個(gè)變體結(jié)構(gòu)Seq2Seq,該變體是普通RNN 的增強(qiáng)版本,由一個(gè)編碼器Encoder 和一個(gè)解碼器Decoder 成,而Encoder 和Decoder 的計(jì)算內(nèi)核由GRU 構(gòu)成.

圖6 模型流程

Seq2Seq 典型結(jié)構(gòu)就是如圖7 所示的Encoder-Decoder 框架,其工作機(jī)制是先使用Encoder 將輸入編碼映射到語義空間,得到一個(gè)固定的位數(shù)向量,該向量即Seq2Seq 的輸入語義向量.然后使用Decoder 將這個(gè)語義向量解碼,獲得所需要的輸出.

圖7 Seq2Seq 框架

Seq2Seq 的Encoder-Decoder 框架有兩個(gè)輸入,x作為Encoder 的輸入,y作為Decoder 的輸入且x和y依次按照各自的順序傳入網(wǎng)絡(luò).假設(shè)Encoder 的輸入序列是x={x1,x2,···,xt},傳入D e c o d e r 的輸入是y={y1,y2,···,yt},根據(jù)RNN 的特點(diǎn),輸入過程中t時(shí)刻的隱藏狀態(tài)ht為:

其中,f是非線性激活函數(shù),在本次模型構(gòu)建中,選擇ReLU 函數(shù).依次類推,最后得到ht的就是固定長度的編碼向量C,當(dāng)依次輸入得到編碼向量C后,開始利用Decoder 解碼,那么解碼器中的t時(shí)刻狀態(tài)ht為:

由此,可以推出y在t時(shí)刻的條件概率是:

其中,f和g是給定的激活函數(shù),但是后者必須產(chǎn)生有效概率.最后,整個(gè)Encoder-Decoder 結(jié)構(gòu)的2 個(gè)組件被聯(lián)合訓(xùn)練以最大化似然條件對數(shù):

得出該概率之后,即可計(jì)算出每個(gè)節(jié)點(diǎn)的輸出.

2.2 全連接層

全連接網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)里最基本、最簡單的一種,但這種網(wǎng)絡(luò)在多參數(shù)融合時(shí)的表現(xiàn)良好,所以一般用于處理復(fù)雜的非線性分類問題.Seq2Seq 的輸出數(shù)據(jù)復(fù)雜且本文的變換車道是預(yù)測典型的二分類問題,以及全連接網(wǎng)絡(luò)與其相匹配的多個(gè)激活函數(shù)都可以很好的處理該二分類問題.所以采用全連接網(wǎng)絡(luò)作為Seq2Seq后的分類器.本文所使用的全連接網(wǎng)絡(luò)的輸入有37 個(gè)來自RNN 的輸出,4 個(gè)來自數(shù)據(jù)預(yù)處理,因此共有41 個(gè)輸入,而結(jié)果只需要換道或不換道2 種結(jié)果,所以只有2 個(gè)輸出,全連接網(wǎng)絡(luò)的數(shù)據(jù)流向如圖8 所示.

圖8 全連接網(wǎng)絡(luò)數(shù)據(jù)流圖

首先給出全連接網(wǎng)絡(luò)的向前傳播公式.本文將這些輸入量設(shè)為x(1),x(2),···,x(n-1),x(n),表示第l層神經(jīng)元的第j個(gè)突觸的權(quán)值,那么在l層的誘導(dǎo)局部域?yàn)?

如果神經(jīng)元在j第一個(gè)隱藏層,則有:

其中,xj(n)是輸入向量x(n)的第j個(gè)元素.如果神經(jīng)元j在輸出層(即l=L,L稱為網(wǎng)絡(luò)的深度),則有:

所以,網(wǎng)絡(luò)輸出誤差為:

其中,dj(n)是期望響應(yīng)向量的第j個(gè)元素.

正向傳播完成之后,進(jìn)行反向傳播,以完成權(quán)值優(yōu)化.現(xiàn)在給出反向傳播的公式:

其中,δj(n)是局部梯度,φj’()是對自變量的微分.得出局部梯度以后,進(jìn)行權(quán)值更新,下面給出在迭代到第n次的權(quán)值更新公式:

其中,a為動(dòng)量常數(shù),η為學(xué)習(xí)率參數(shù).至此,模型構(gòu)建完成.

2.3 模型訓(xùn)練

據(jù)調(diào)查統(tǒng)計(jì)顯示,大部分駕駛員在驅(qū)車行駛的過程中更加愿意跟隨,而不是急于換道.所以駕駛員換道的數(shù)據(jù)樣本數(shù)據(jù)并不是很多.為了避免在試驗(yàn)過程中出現(xiàn)駕駛員刻意換道的情況,在數(shù)據(jù)采集之前并沒有告訴駕駛員這次行車的真正目的.并且邀請了不同的駕駛員來完成本次數(shù)據(jù)采集,盡可能的避免人為干擾.從所采的數(shù)據(jù)集中一共提取了500 個(gè)變道行為和1500 個(gè)非變道的特征數(shù)據(jù),由于數(shù)據(jù)量不是很多,因此采用10 折交叉驗(yàn)證的方法來訓(xùn)練和驗(yàn)證模型.

為了能更好展示模型訓(xùn)練過程及性能,如圖9 所示,模型訓(xùn)練隨時(shí)間窗口的縮小推進(jìn).第1 步采用原始時(shí)間窗口,由于沒有縮小時(shí)間窗口,所以本次的Seq2Seq 沒有標(biāo)簽數(shù)據(jù).實(shí)驗(yàn)中在Seq2Seq 結(jié)構(gòu)后直接加入全連接層,以變道信號(hào)為標(biāo)簽,討論整個(gè)模型的預(yù)測精確率.第2 步將原始時(shí)間窗口縮小至原來的2/5,討論模型的前瞻時(shí)間和精確率.根據(jù)深度學(xué)習(xí)數(shù)據(jù)處理方法和Seq2Seq 特點(diǎn),被訓(xùn)練及預(yù)測的標(biāo)簽部分應(yīng)盡量包含整個(gè)時(shí)間窗口的數(shù)據(jù)且至少是整個(gè)時(shí)間窗口數(shù)據(jù)的一半以上,這是因?yàn)楸活A(yù)測的標(biāo)簽數(shù)據(jù)需要輸入到全連接網(wǎng)絡(luò)預(yù)測,如果標(biāo)簽數(shù)據(jù)過短,會(huì)影響全連接網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率.所以第1 步將輸入數(shù)據(jù)設(shè)置為2/5,預(yù)測時(shí)間窗口后3/5 的數(shù)據(jù).第3 步將時(shí)間窗口縮小至原始時(shí)間窗口的1/5,同樣討論前瞻時(shí)間和精確率.輸入數(shù)據(jù)時(shí)間窗口縮小到原時(shí)間的1/5 是為了提高預(yù)測前瞻時(shí)間,并且1/5 已經(jīng)是縮小極限,如果再次縮小,會(huì)造成嚴(yán)重的數(shù)據(jù)損失,造成Seq2Seq 的預(yù)測偏差過大.在縮小時(shí)間窗之后,加入Seq2Seq 網(wǎng)絡(luò)預(yù)測性能展示.

圖9 模型訓(xùn)練過程和時(shí)間窗口大小關(guān)系

在兩者級聯(lián)訓(xùn)練模型收斂后,整個(gè)網(wǎng)絡(luò)的權(quán)值會(huì)適配輸入數(shù)據(jù)時(shí)間窗口為2/5 和1/5 的情況,并且達(dá)到最優(yōu)值,其次就可以進(jìn)行整個(gè)網(wǎng)絡(luò)模型的測試和驗(yàn)證.

無中間標(biāo)簽時(shí),只討論整個(gè)模型的預(yù)測精度,如圖10、圖11 所示為迭代過程中的損失和精度變化.

圖10 無中間標(biāo)簽時(shí)網(wǎng)絡(luò)預(yù)測精度

圖11 無中間標(biāo)簽時(shí)網(wǎng)絡(luò)預(yù)測損失

模型迭代20 000 次后呈收斂狀態(tài),精確率達(dá)到95%,損失降低到0.1.表明該模型可以較為精確的預(yù)測駕駛員變道行為.

其次給出兩次縮小時(shí)間窗口后Seq2Seq-全連接網(wǎng)絡(luò)的訓(xùn)練過程,Seq2Seq 預(yù)測的是每個(gè)原始時(shí)間窗口1/5、2/5 后的數(shù)據(jù),由于輸入輸出數(shù)據(jù)較多且Seq2Seq層預(yù)測的是下一時(shí)間點(diǎn)的駕駛員和車輛狀態(tài),所以用歐式距離來評估預(yù)測結(jié)果對真實(shí)結(jié)果的回歸程度,計(jì)算公式為:

如圖12、圖13 所示,分別為模型在訓(xùn)練時(shí)分別2 次縮小時(shí)間窗口的平均偏離程度.迭代200 次后,平均偏離程度開始收斂,但偏離程度會(huì)在小范圍內(nèi)波動(dòng),這是由于Seq2Seq 模型的輸入較多而引起的噪音,并不影響整個(gè)模型的預(yù)測結(jié)果.

將Seq2Seq 預(yù)測結(jié)果輸入到全連接網(wǎng)絡(luò)中進(jìn)行10 折交叉驗(yàn)證,圖14、圖15 所示分別為第一次縮小時(shí)間窗口的預(yù)測精確率和損失,迭代到20 000 步時(shí)模型收斂,精確率達(dá)到93.4%,模型的交叉熵?fù)p失降低至0.12.此次模型的精確率降低是因?yàn)榭s小時(shí)間窗口造成了數(shù)據(jù)損失,但這樣做的好處是提高了前瞻時(shí)間.同理圖16、圖17 分別是第二次縮小時(shí)間窗口后訓(xùn)練集和測試集上的精確度和損失,其精確率達(dá)到了93.8%,損失降低至0.11.

圖12 第一次縮小時(shí)間窗口時(shí)Seq2Seq 誤差

如圖18、圖19 所示,是對相同變道的兩種不同的預(yù)測方式.t1,T1是車輛變道作用的時(shí)間,t2,T2是Seq2Seq訓(xùn)練和測試時(shí)的數(shù)據(jù)提取窗口,t4,T4是Seq2Seq 訓(xùn)練時(shí)訓(xùn)練時(shí)的標(biāo)簽提取窗口,則t3+t4,T3+T4是提前預(yù)測變道的時(shí)間長度,即前瞻時(shí)間.

從圖18 和圖19 可看出,T3＞t3,在模型訓(xùn)練過程中,第1 種方法的預(yù)測精確率達(dá)到93.4%,第2 種達(dá)到93.8%.說明第2 種方法的預(yù)測能力優(yōu)于第1 種.而第2 種預(yù)測方法預(yù)測變道所用時(shí)間是整個(gè)變道所用時(shí)間的1/5,即T2=T1/5.假設(shè)一個(gè)正常變道所用時(shí)間為2 s,那么該模型會(huì)在變道的前1.6 s 會(huì)預(yù)測出變道行為.

圖13 第二次縮小時(shí)間窗口時(shí)Seq2Seq 誤差

圖14 第一次縮小時(shí)間窗口預(yù)測精確率

圖15 第一次縮小時(shí)間窗口預(yù)測損失

圖16 第二次縮小時(shí)間窗口預(yù)測精確率

圖17 第二次縮小時(shí)間窗口預(yù)測損失

表2 給出了500 個(gè)換道行為所用的時(shí)間及對應(yīng)個(gè)數(shù),其中用時(shí)2-3 s 的變道占了總數(shù)的47%,其前瞻時(shí)間為1.6-2.4 s,因此該模型能夠很早的預(yù)測變道且具有較高的預(yù)測精確率.

圖18 第一次縮小時(shí)間窗口前瞻時(shí)

圖19 第二次縮小時(shí)間窗口前瞻時(shí)間

表2 變道個(gè)數(shù)及所用時(shí)間

圖20 給出了在所有變道中抽樣50 次后,變道所用時(shí)間和預(yù)測所用時(shí)間對比,預(yù)測時(shí)間遠(yuǎn)小于整個(gè)換道時(shí)間.

圖20 換道/預(yù)測用時(shí)

當(dāng)整個(gè)模型達(dá)到收斂狀態(tài),其內(nèi)部權(quán)值達(dá)到最優(yōu)時(shí),開始用另一組未使用過數(shù)據(jù)對模型性能進(jìn)行驗(yàn)證.

3 模型驗(yàn)證

模型訓(xùn)練結(jié)束后,其內(nèi)部的權(quán)值參數(shù)已經(jīng)達(dá)到最優(yōu),為了檢驗(yàn)?zāi)Ｐ偷姆夯潭?將訓(xùn)練使用過的數(shù)據(jù)全部丟棄,并邀請了不同的駕駛員駕駛數(shù)據(jù)采集車輛在不同的路線進(jìn)行數(shù)據(jù)采集,圖21 是驗(yàn)證數(shù)據(jù)采集路線.

圖21 測試數(shù)據(jù)采集路線

使用和模型訓(xùn)練時(shí)相同的數(shù)據(jù)處理方法,但驗(yàn)證模型只有一個(gè)輸入數(shù)據(jù),沒有任何的標(biāo)簽,數(shù)據(jù)從網(wǎng)絡(luò)輸入,只看網(wǎng)絡(luò)預(yù)測變道結(jié)果和真實(shí)結(jié)果的對比,不同算法精準(zhǔn)率對比如圖22 所示.我們采用200 個(gè)變道數(shù)據(jù)和800 個(gè)非變道數(shù)據(jù)進(jìn)行十折交叉驗(yàn)證,圖23 是每個(gè)測試批次的精確率變化.可見模型的在初始的幾個(gè)測試批次出現(xiàn)了精確率降低的情況,但整體表現(xiàn)良好,其測試平均精確度達(dá)到了93.5%,其前瞻時(shí)間和訓(xùn)練模型時(shí)相同,前瞻時(shí)間是整個(gè)換道時(shí)間的4/5,如圖24所示,同樣隨機(jī)抽取了50 個(gè)變道數(shù)據(jù)來展示模型前瞻性.

圖22 不同算法精確率對比

我們使用同樣的數(shù)據(jù)處理方法驗(yàn)證了幾種深度學(xué)習(xí)和機(jī)器學(xué)習(xí)領(lǐng)域的經(jīng)典算法.發(fā)現(xiàn)在相同的情況下,傳統(tǒng)BP 網(wǎng)絡(luò)的精確率達(dá)到了91.6%,MTSDeepNet 的精確率達(dá)到了92.0%,SVM 的精確率達(dá)到了90.1%,DBN、Decision tree 的精確率分別達(dá)到了75.0%和84.0%.相比較,本文提出模型的平均精確率達(dá)到了93.5%,在性能上優(yōu)于以上算法.

圖23 模型驗(yàn)證精確率

圖24 驗(yàn)證集換道/預(yù)測用時(shí)對比

模型驗(yàn)證結(jié)果表明本文提出的Seq2Seq-全連接網(wǎng)絡(luò)的混合網(wǎng)絡(luò)模型能較準(zhǔn)確的預(yù)測駕駛員變道行為,其平均精確率達(dá)到93.5%,平均預(yù)測時(shí)間達(dá)到2 s.

最后給出整個(gè)模型的在訓(xùn)練和驗(yàn)證完成后的性能分析.模型訓(xùn)練和測試所用的環(huán)境是Windows 10 下的Spyder 和Tensorflow.機(jī)器的處理器為至強(qiáng)E5-2623,內(nèi)存為16 GB.在此環(huán)境下,整個(gè)模型訓(xùn)練的時(shí)間為28 小時(shí)左右.完成訓(xùn)練后,進(jìn)行模型驗(yàn)證,1000 條數(shù)據(jù)在5-6 min 內(nèi)可完成計(jì)算預(yù)測,此時(shí)模型權(quán)值已近計(jì)算完成,模型只進(jìn)行順序計(jì)算即可,每條數(shù)據(jù)的計(jì)算耗時(shí)0.3-0.4 s,能夠滿足實(shí)車測試的實(shí)時(shí)性.且在此基礎(chǔ)上,提高了模型精確率和前瞻時(shí)間.相較傳統(tǒng)網(wǎng)絡(luò)模型,該網(wǎng)絡(luò)模型加入了二級訓(xùn)練標(biāo)簽,更適合處理深層次、更復(fù)雜的時(shí)間序列.計(jì)算時(shí)間方面,模型的訓(xùn)練耗時(shí)更長,但驗(yàn)證時(shí)間和傳統(tǒng)模型相比持平或更短.綜上,該網(wǎng)絡(luò)模型優(yōu)于傳統(tǒng)網(wǎng)絡(luò)模型.表3 給出該混合網(wǎng)絡(luò)模型和傳統(tǒng)模型在輸入數(shù)據(jù)相同時(shí)的參數(shù)規(guī)模.

本文提出的Seq2Seq-全連接網(wǎng)絡(luò)模型的參數(shù)規(guī)模為104,和DBN 模型的規(guī)模相同,而全連接網(wǎng)絡(luò)、SVM、Decision-Tree 的參數(shù)規(guī)模均為103.這說明本文提出的模型具有更多的權(quán)值點(diǎn)和深度.但相比較DBN,所以出的網(wǎng)絡(luò)模型具有更快的計(jì)算時(shí)間和更強(qiáng)的時(shí)間序列處理能力.

表3 不同模型的參數(shù)規(guī)模

4 結(jié)論與展望

本文提出了一種基于RNN-Seq2Seq 和全連接網(wǎng)絡(luò)的兩級混合神經(jīng)網(wǎng)絡(luò),可以更加準(zhǔn)確、更加提前的預(yù)測駕駛員的換道行為,減少駕駛員在行車過程中的危險(xiǎn)性.在該模型中,車輛運(yùn)動(dòng)學(xué)數(shù)據(jù)、駕駛員生理數(shù)據(jù)、駕駛員運(yùn)動(dòng)學(xué)數(shù)據(jù)被用作混合神經(jīng)網(wǎng)絡(luò)的輸入.并且設(shè)計(jì)了一種以動(dòng)態(tài)時(shí)間窗口來提取車道變換過程中的3 種數(shù)據(jù)特征的方法,使用縮小時(shí)間窗口的方法來訓(xùn)練提出的混合神經(jīng)網(wǎng)絡(luò)以提高預(yù)測的前瞻時(shí)間.結(jié)果表明,該混合網(wǎng)絡(luò)模型的平均預(yù)測精確率達(dá)到93.5%,平均前瞻時(shí)間達(dá)到2 s,優(yōu)于其他5 種常用模型.

在下一步的研究中,首先會(huì)增加訓(xùn)練和驗(yàn)證模型的數(shù)據(jù)量,使得模型更加泛化和魯棒.其次,會(huì)增加各種不同路況和路型的數(shù)據(jù)來訓(xùn)練模型,使得模型能夠適用于不同的行車環(huán)境[16,17].最后,會(huì)使用不同的車輛種類來采集數(shù)據(jù)來訓(xùn)練模型,以提高模型的使用范圍.