張國(guó)政 王夢(mèng) 朱群

摘 ?要： 針對(duì)復(fù)雜道路場(chǎng)景下的汽車(chē)安全問(wèn)題，提出一種基于車(chē)輛軌跡數(shù)據(jù)的碰撞檢測(cè)方法。該方法中利用一階慣性濾波對(duì)包含加速度傳感器的軌跡數(shù)據(jù)按時(shí)間序列去噪，通過(guò)算法對(duì)異常數(shù)據(jù)進(jìn)行截取;根據(jù)領(lǐng)域知識(shí)形式化定義了碰撞的概念，進(jìn)一步將異常數(shù)據(jù)段轉(zhuǎn)化為碰撞的特征向;最后構(gòu)建基于碰撞特征的碰撞檢測(cè)二分類(lèi)任務(wù)。在實(shí)驗(yàn)環(huán)境和實(shí)際的應(yīng)用中，該方法能較好地去除復(fù)雜道路下行車(chē)過(guò)程中產(chǎn)生的噪聲，并具備較好的查準(zhǔn)率及查全率。

關(guān)鍵詞： 軌跡數(shù)據(jù);加速度傳感器;碰撞檢測(cè);時(shí)間序列;二分類(lèi)

中圖分類(lèi)號(hào)： TP311 ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ?DOI：10.3969/j.issn.1003-6970.2020.08.032

本文著錄格式：張國(guó)政，王夢(mèng)，朱群. 復(fù)雜道路場(chǎng)景下的車(chē)輛碰撞特征檢測(cè)分析[J]. 軟件，2020，41（08）：116-119

【Abstract】： A collision detection method based on vehicle track data is presented for vehicle safety in complex road scenarios. In this method， first-order inertial filter is used to denoise the track data containing acceleration sensors in time series， and the abnormal data is intercepted by algorithm. Based on domain knowledge， the concept of collision is formalized， and the abnormal data segment is further transformed into the feature direction of collision. Finally， a second-class collision detection task based on collision characteristics is constructed. In the experimental environment and practical application， this method can better remove the noise generated during the driving on complex roads， and has a good accuracy and recall rate.

【Key words】： Trajectory data; Acceleration sensor; Collision detection; Time series; Binary classification

0 ?引言

隨著互聯(lián)網(wǎng)技術(shù)和思維對(duì)傳統(tǒng)汽車(chē)行業(yè)的滲透，車(chē)載智能終端逐漸從服務(wù)專(zhuān)業(yè)人員向服務(wù)車(chē)主轉(zhuǎn)變[1]。我們很容易通過(guò)廉價(jià)的車(chē)載電子設(shè)備獲取車(chē)輛的實(shí)時(shí)軌跡數(shù)據(jù)，這些海量的軌跡數(shù)據(jù)構(gòu)成了智慧交通的信息支柱[2]?；谲壽E數(shù)據(jù)來(lái)挖掘有價(jià)值的信息更成為了智慧交通的熱門(mén)研究?jī)?nèi)容之一[3-4]。

文獻(xiàn)[5]中利用MEMS傳感器實(shí)現(xiàn)了對(duì)車(chē)輛位置及車(chē)輛狀態(tài)信息進(jìn)行了及時(shí)了解。在MEMS裝置中，加速度傳感器被成功地運(yùn)用到了多個(gè)領(lǐng)域，文獻(xiàn)[6]利用手機(jī)加速度傳感器來(lái)對(duì)手機(jī)的動(dòng)作解鎖、接聽(tīng)電話、查看短信等功能進(jìn)行識(shí)別，達(dá)到了較好的效果。文獻(xiàn)[7]將車(chē)輛不同傳感器數(shù)據(jù)采集效果進(jìn)行了分析。由此可見(jiàn)，傳感器數(shù)據(jù)對(duì)于運(yùn)動(dòng)狀態(tài)的識(shí)別具有低成本、高價(jià)值的特點(diǎn)。在車(chē)輛軌跡數(shù)據(jù)中，對(duì)傳感器數(shù)據(jù)的深度挖掘也成為了行車(chē)數(shù)據(jù)挖掘技術(shù)的重要方向[8-9]。

汽車(chē)安全作為智慧交通的重中之重，在軌跡數(shù)據(jù)挖掘內(nèi)容中也具有難以估量的價(jià)值。尤其是對(duì)車(chē)輛碰撞的檢測(cè)，更是關(guān)乎生命的話題。文獻(xiàn)[10]詳細(xì)地闡述了如何運(yùn)用加速度傳感器來(lái)檢測(cè)運(yùn)輸途中危險(xiǎn)品的姿態(tài)，并給出了異常姿態(tài)的定義、檢測(cè)方法、參數(shù)。同理，我們可以把相似的技術(shù)運(yùn)用到對(duì)車(chē)輛碰撞的檢測(cè)中。但文獻(xiàn)[10]的實(shí)驗(yàn)條件比較理想單一，未考慮到現(xiàn)實(shí)場(chǎng)景中運(yùn)輸車(chē)輛過(guò)異常路面（如減速帶、坑洼路面等）、急減速、急加速、急轉(zhuǎn)彎等復(fù)雜道路情況給數(shù)據(jù)帶來(lái)的噪聲影響，故不能直接將所述方法運(yùn)用到碰撞檢測(cè)中。文獻(xiàn)[11]利用軌跡數(shù)據(jù)對(duì)異常數(shù)據(jù)進(jìn)行檢測(cè)，但未對(duì)汽車(chē)碰撞場(chǎng)景做深入研究。因此，需要更具準(zhǔn)確的方法對(duì)車(chē)輛進(jìn)行碰撞檢測(cè)。

盡管基于機(jī)器視覺(jué)的智能汽車(chē)安全輔助駕駛是當(dāng)下車(chē)聯(lián)網(wǎng)的熱門(mén)的話題之一[12-13]。但高額的成本、復(fù)雜的技術(shù)以及政策支持等問(wèn)題，使得該技術(shù)在未來(lái)較長(zhǎng)的時(shí)間范圍內(nèi)難以普及。正因如此，基于復(fù)雜道路場(chǎng)景下的車(chē)輛碰撞特征檢測(cè)分析在當(dāng)下更具有實(shí)用性和有效性。

綜合目前的研究現(xiàn)狀和實(shí)際應(yīng)用，提出一種基于加速度傳感器和GPS軌跡數(shù)據(jù)[14]的碰撞檢測(cè)方法，該方法能在車(chē)輛發(fā)生碰撞后及時(shí)地檢測(cè)出來(lái)，對(duì)碰撞發(fā)生后生命的及時(shí)救援有著重要的意義。此外，這些軌跡數(shù)據(jù)來(lái)源于集成了加速度傳感器、GPS傳感器和移動(dòng)網(wǎng)絡(luò)模塊的廉價(jià)車(chē)載電子設(shè)備，這些設(shè)備可安裝在任何類(lèi)型的車(chē)上，在生產(chǎn)環(huán)境中成本低、通用性強(qiáng)。

1 ?車(chē)輛碰撞檢測(cè)分析

本文中將帶有BMI160傳感器和MC20傳感器的通用車(chē)載電子設(shè)備作為研究對(duì)象。其中，BMI160是DFRobot聯(lián)合Bosch新推的6軸慣性運(yùn)動(dòng)傳感器，采用MEMS傳感器封裝，將最頂尖的16位3軸加速度傳感器和超低功耗3軸陀螺儀集成在一起。MC20集成GPS、藍(lán)牙、LBS基站定位、GPRS等功能，是一款非常強(qiáng)的模塊。為了突出研究重點(diǎn)，我們暫時(shí)不考慮硬件自身的信號(hào)采集以及數(shù)據(jù)轉(zhuǎn)換方法，僅對(duì)設(shè)備上傳至平臺(tái)的軌跡數(shù)據(jù)進(jìn)行研究，包括某時(shí)刻的加速度三軸值（±16 g）、速度、經(jīng)緯度信息，并且軌跡數(shù)據(jù)按時(shí)間序列上傳。盡管MC20采集的有角速度三軸值（±2000°/s），但在實(shí)際車(chē)輛碰撞的場(chǎng)景中它的變化率較小，即便在翻車(chē)等大的碰撞事故中它會(huì)起到一定的輔助作用，但它的變化與加速度三軸值表現(xiàn)出強(qiáng)正相關(guān)，因此不再對(duì)角速度三軸值進(jìn)行采集計(jì)算。經(jīng)過(guò)對(duì)軌跡數(shù)據(jù)的預(yù)處理、碰撞特征集提取、碰撞檢測(cè)等步驟，完成線上車(chē)輛的碰撞檢測(cè)。具體的碰撞實(shí)時(shí)檢測(cè)方法主流程如圖1所示。

2.2 ?數(shù)據(jù)異常發(fā)現(xiàn)

首先約定軌跡數(shù)據(jù)是嚴(yán)格基于時(shí)間序列的，車(chē)輛

發(fā)生運(yùn)動(dòng)異常時(shí)，加速度傳感器可以捕獲到這些異常。為了簡(jiǎn)化問(wèn)題，我們假定設(shè)備都是水平固定在車(chē)上，定義At=（xt， yt， zt）表示t時(shí)刻軌跡數(shù)據(jù)中的加速度三軸數(shù)據(jù)，規(guī)定xt表示前后方向的受力，yt表示左右方向的受力，zt表示上下方向的受力。

我們采用滑動(dòng)窗口機(jī)制來(lái)捕獲運(yùn)動(dòng)軌跡的異常數(shù)據(jù)段A，異常檢測(cè)算法采用基于時(shí)間序列中是否包含離群點(diǎn)的異常檢測(cè)法。該算法實(shí)時(shí)接收每個(gè)時(shí)刻的加速度三軸數(shù)據(jù)At，當(dāng)At出現(xiàn)異常時(shí)，會(huì)將At對(duì)齊到異常段m位置，并繼續(xù)接收n個(gè)At后，返回時(shí)間窗口長(zhǎng)度為m+n的加速度三軸數(shù)據(jù)。具體算法如下：

Input： At， m， n

Output： segment

Algorithm：

Define a global segment[m+n] ?//定義全局?jǐn)?shù)組， 長(zhǎng)度為m+n

Define a global flag = false ?//定義全局標(biāo)識(shí)，初始化為false

If flag == true ：

Put At into segment

If segment is full：

results segment = segment

sliding forward segment， step=m

flag = false

return results segment

Endif

If segment is full：

sliding forward segment， step=1

Endif

Put At into segment

Calculate the median of X， Y， Z in segment

If xt>=3*median（X）+std（X）

or yt>=3*median（Y）+std（Y）

or zt>=3*median（Z）+std（Z）：

flag =true

If index（At） >= m：

sliding backward segment， step= in-dex（At）-m

Else：

sliding forward segment ， ?step=m-index（At）

padding segment[0， m - index] with median （X， Y， Z）

Endif

return None

圖2展示了滑動(dòng)窗口長(zhǎng)度為7的若干個(gè)行車(chē)場(chǎng)景中加速度三軸值的時(shí)序數(shù)據(jù)，可以看到車(chē)輛在靜止?fàn)顟B(tài)、勻速運(yùn)動(dòng)、急減速、急加速、急轉(zhuǎn)彎、碰撞場(chǎng)景各個(gè)場(chǎng)景中，加速度的變化趨勢(shì)。

3.3 ?碰撞二分類(lèi)

對(duì)碰撞樣本使用特征向量表示并標(biāo)記，得到帶標(biāo)簽的碰撞樣本，在此基礎(chǔ)上進(jìn)行二分類(lèi)的有監(jiān)督學(xué)習(xí)，這樣就將碰撞檢測(cè)特殊問(wèn)題，轉(zhuǎn)換為機(jī)器學(xué)習(xí)中的通用問(wèn)題。在選擇合適的二分類(lèi)機(jī)器學(xué)習(xí)模型后，經(jīng)過(guò)模型調(diào)優(yōu)和交叉驗(yàn)證步驟，最終得到適用于該特征空間內(nèi)碰撞檢測(cè)的二分類(lèi)模型。

本文根據(jù)樣本屬性均屬于連續(xù)型數(shù)值、且碰撞于速度、加速度變化量成較強(qiáng)的正相關(guān)等特點(diǎn)，選用xgboost算法作為我們的二分類(lèi)器進(jìn)行模型訓(xùn)練，將該算法的objective參數(shù)設(shè)置為binary：logistic，最終輸出一個(gè)發(fā)生碰撞的概率值P，設(shè)置一個(gè)閾值p，若P>=p0，認(rèn)為發(fā)生了碰撞，若P

4 ?實(shí)驗(yàn)及結(jié)果分析

4.1 ?實(shí)驗(yàn)環(huán)境

本文采用某車(chē)聯(lián)網(wǎng)公司平臺(tái)的軌跡數(shù)據(jù)進(jìn)行研究。分別采樣1000個(gè)碰撞樣本碰撞當(dāng)月的時(shí)序數(shù)據(jù)。對(duì)每個(gè)正樣本通過(guò)異常檢測(cè)算法截取若干個(gè)異常軌跡數(shù)據(jù)段，并將包含碰撞時(shí)間點(diǎn)的異常軌跡數(shù)據(jù)段標(biāo)記為正樣本，將其它不包含碰撞時(shí)間點(diǎn)的異常數(shù)據(jù)段標(biāo)記為負(fù)樣本，共標(biāo)記正樣本1000例，負(fù)樣本5288例。

4.2 ?算法參數(shù)設(shè)定及調(diào)優(yōu)

本文相關(guān)參數(shù)涉及三類(lèi)：

濾波系數(shù)a設(shè)置為0.7。由于實(shí)際環(huán)境的噪聲較大，故采用較低的系數(shù)進(jìn)行濾波，以便濾波后的數(shù)據(jù)更具有抗干擾能力。

時(shí)間窗口長(zhǎng)度m+n，設(shè)置為m=7，n=5。采用較小的窗口來(lái)捕獲碰撞瞬間的特征值，會(huì)避免時(shí)間窗口過(guò)大引入的其它隨機(jī)噪聲，對(duì)碰撞的預(yù)測(cè)更有幫助。

xgboost參數(shù)，通過(guò)網(wǎng)格搜索尋參和20次交叉驗(yàn)證，最終得到表3中較優(yōu)的算法參數(shù)。

4.3 ?實(shí)驗(yàn)結(jié)果

我們采用80%的樣本進(jìn)行訓(xùn)練，得到的模型對(duì)20%的樣本進(jìn)行分類(lèi)，最終的分類(lèi)結(jié)果的混淆矩陣如表4所示。

根據(jù)結(jié)果混淆矩陣，得到該xgboost分類(lèi)器的查準(zhǔn)率P為71%，查全率R為94%。在實(shí)際場(chǎng)景中，我們更關(guān)心查全率，這樣可以確保更多的碰撞能夠被檢測(cè)出來(lái)，因此，本算法在參數(shù)調(diào)優(yōu)時(shí)，更傾向于提升查全率。整個(gè)實(shí)驗(yàn)結(jié)果表明，該算法能夠通過(guò)軌跡數(shù)據(jù)有效檢測(cè)碰撞是否發(fā)生，達(dá)到預(yù)期效果。

5 ?結(jié)束語(yǔ)

本文介紹了一種基于加速度傳感器和GPS軌跡數(shù)據(jù)的車(chē)輛碰撞檢測(cè)技術(shù)。該技術(shù)首先對(duì)基于時(shí)序的軌跡數(shù)據(jù)進(jìn)行低通濾波，采用滑動(dòng)窗口算法來(lái)提取異常軌跡數(shù)據(jù)段。其次，根據(jù)碰撞的領(lǐng)域知識(shí)對(duì)碰撞進(jìn)行形式化定義，并通過(guò)定義從異常軌跡數(shù)據(jù)段提取出碰撞特征，對(duì)碰撞特征進(jìn)行歸一化處理。最后采用二分類(lèi)模型進(jìn)行碰撞檢測(cè)。從實(shí)驗(yàn)結(jié)果看，該技術(shù)適用于車(chē)輛碰撞檢測(cè)場(chǎng)景，并有較好的查準(zhǔn)率和查全率，并且在實(shí)際應(yīng)用中，精確率能滿足業(yè)務(wù)需要。然而，該算法的不足之處在于，它偏好于速度相關(guān)特征較明顯的樣本，故而在檢測(cè)靜止碰撞和低速碰撞的場(chǎng)景，算法的泛化能力相對(duì)降低。未來(lái)，我們將對(duì)問(wèn)題域按不同的碰撞場(chǎng)景進(jìn)行分治求解，以進(jìn)一步提高查準(zhǔn)率和查全率。

參考文獻(xiàn)

[1] 陳曉娟， 樓培德等. 基于OBD的車(chē)載智能終端現(xiàn)狀及其發(fā)展趨勢(shì)[J]. 軟件， 2014， 35（10）： 95-99.

[2] 陳輝， 蔣圭峰， 姜桂圓， 等. 基于海量公交軌跡數(shù)據(jù)挖掘的地圖匹配算法[J]. 計(jì)算機(jī)應(yīng)用， 2018， 335（07）： 99-104， 38.

[3] Xie G， Gao H， Qian L， et al. Vehicle Trajectory Prediction by Integrating Physics- and Maneuver-Based Approaches Using Interactive Multiple Models[J]. IEEE Transactions on Industrial Electronics， 2018， 65（7）： 5999-6008.

[4] 張文元， 談國(guó)新， 朱相舟. 停留點(diǎn)空間聚類(lèi)在景區(qū)熱點(diǎn)分析中的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用， 2018（4）： 263-270.

[5] 王志偉， 許江淳， 李玉惠， 等. 基于 MEMS 傳感器的物流車(chē)輛位置及姿態(tài)追溯系統(tǒng)設(shè)計(jì)[J]. 軟件， 2014， 38（9）： 23-27.

[6] 汪文彬， 馬玉春， 尹建. 基于加速度傳感器的智能手機(jī)動(dòng)作識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 軟件， 2015， 36（02）： 10-13.

[7] 趙向陽(yáng)， 劉豫川.智能汽車(chē)多傳感器融合技術(shù)專(zhuān)利分析[J]. 軟件， 2017， 38（10）： 162-168.

[8] 陶紅興， 莫凌飛， 嚴(yán)如強(qiáng). 基于車(chē)載傳感信息融合的電動(dòng)汽車(chē)駕駛行為辨識(shí)[J]. 傳感技術(shù)學(xué)報(bào)， 2018.

[9] 王忠民， 李卓， 范琳. 基于滑動(dòng)窗特征融合的深信度網(wǎng)絡(luò)駕駛行為識(shí)別[J]. 計(jì)算機(jī)應(yīng)用研究， 2018， 35（4）： 1096-1100.

[10] 王紹丹， 王宜懷， 賈榮媛. 基于加速度傳感器的在途危險(xiǎn)品行為姿態(tài)檢測(cè)方法[J]. 計(jì)算機(jī)應(yīng)用研究， 2018， 322（08）： 94-97， 35.

[11] 葉敏. 基于軌跡數(shù)據(jù)挖掘的異常檢測(cè)方法研究[D]. 陜西： 長(zhǎng)安大學(xué)， 2017.

[12] 程騰， 蔣亞西， 吳勃夫， 等. 一種基于數(shù)字圖像相關(guān)的高精度車(chē)輛跟蹤算法[J]. 汽車(chē)工程， 2018（8）： 942-946， 980.

[13] 張新鈺， 高洪波， 趙建輝， 等. 基于深度學(xué)習(xí)的自動(dòng)駕駛技術(shù)綜述[J]. 清華大學(xué)學(xué)報(bào)： 自然科學(xué)版， 2018， 58（4）： 438-444.

[14] 徐煜. GPS車(chē)輛管理系統(tǒng)[J]. 軟件， 2017， 38（04）： 133-136.