吳忠宜，汪磊，汪濤，劉好德，祁昊

(1.交通運輸部 科學(xué)研究院，北京 100029；2.上海海事大學(xué) 交通運輸學(xué)院，上海 201306；3.同濟大學(xué) 道路與交通工程教育部重點實驗室，上海 201804；4.上海交通大學(xué) 船舶海洋與建筑工程學(xué)院，上海 200240)

常規(guī)公交系統(tǒng)是自動駕駛技術(shù)應(yīng)用的重要場景之一。自動駕駛與智能網(wǎng)聯(lián)技術(shù)應(yīng)用于公共汽電車系統(tǒng)中，能減少駕駛員負(fù)荷和人力成本，提高道路利用效率，同時更精準(zhǔn)地控制車輛能耗，實現(xiàn)綠色駕駛。近年來，國內(nèi)外紛紛建設(shè)智能網(wǎng)聯(lián)車輛測試區(qū)域，國內(nèi)部分城市設(shè)置開放道路測試場景，為自動駕駛乘用車和商用車數(shù)據(jù)采集及智能算法優(yōu)化提供了堅實基礎(chǔ)。但自動駕駛公交車在投放至開放道路交通流環(huán)境中運營前，需經(jīng)過科學(xué)、充分的分析和評估，清晰認(rèn)識自動駕駛公交車在開放道路交通流條件下的運行特性和自動化水平、明確自動駕駛公交車的適用條件，這是應(yīng)用和推廣自動駕駛公交車的基礎(chǔ)。而自動駕駛公交車的自動化能力在普通乘用車自動駕駛水平的基礎(chǔ)上，還與運營調(diào)度管理息息相關(guān)。因此，對自動駕駛技術(shù)在公交系統(tǒng)中的應(yīng)用評價不僅局限于車輛層面，還應(yīng)關(guān)注系統(tǒng)層面和運營層面。該文通過采集自動駕駛公交車運行軌跡數(shù)據(jù)建立長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)模型，通過模型判別車輛運行中的關(guān)鍵狀態(tài)，并轉(zhuǎn)換為車輛運行質(zhì)量評價指標(biāo)，對自動駕駛公交車控制穩(wěn)定性、高效性和安全性進行評價。

1 國內(nèi)外自動駕駛公交評測發(fā)展現(xiàn)狀

1.1 自動駕駛公交及其評價

中國《“十三五”現(xiàn)代綜合交通運輸體系發(fā)展規(guī)劃》指出要大力發(fā)展公共交通，推動公交都市建設(shè)，加快城市公共交通新能源汽車規(guī)?；瘧?yīng)用，提升裝備和載運工具智能化、自動化水平。其他國家也紛紛推動自動駕駛在公交領(lǐng)域的應(yīng)用，如美國交通部在自動駕駛3.0白皮書中定義了自動駕駛、無人駕駛公共交通的愿景，美國聯(lián)邦公共交通管理局指出地面公交是自動駕駛汽車最可能落地應(yīng)用的場景。還有很多國家將自動駕駛公交落地列入重要的戰(zhàn)略和政策文件中。

當(dāng)前自動駕駛公交的發(fā)展方向主要有兩種：一種是以解決“最后一公里”問題為目標(biāo)，實現(xiàn)小范圍內(nèi)開放道路上低速共享合乘的小型接駁客車，如自動駕駛接駁巴士；另一種是在現(xiàn)有專有路權(quán)快速公交模式的基礎(chǔ)上，實現(xiàn)車輛的自動化控制，如快速公交系統(tǒng)自動化駕駛。

目前對自動駕駛車輛運行質(zhì)量的研究主要建立在車輛層面，車輛性能、效能評價大多在封閉測試場景中進行，主要集中在乘用車對于復(fù)雜場景的感知和能動水平評估上。鑒于公交車的運營特性，其自動化能力在常規(guī)乘用車自動化能力的基礎(chǔ)上還應(yīng)與自動化運營相銜接。因此，對自動駕駛公交車運行質(zhì)量的評價既要考慮車輛本身自動駕駛水平，還要考慮自動駕駛對運營帶來的影響。

1.2 基于軌跡的自動駕駛評價方法

對于傳統(tǒng)的人工駕駛公交車運行和運營的追蹤評價，采用運營臺賬數(shù)據(jù)或調(diào)查問卷的方式可以實現(xiàn)，對數(shù)據(jù)的實時處理要求不高。當(dāng)前新一代智能公交系統(tǒng)朝著自動化、電動化、網(wǎng)聯(lián)化方向發(fā)展，在大數(shù)據(jù)技術(shù)背景下，所獲得數(shù)據(jù)的精細(xì)度和完整度更高，使軌跡數(shù)據(jù)能應(yīng)用于公交車運行和運營質(zhì)量監(jiān)測、評價與分析。

公交車軌跡數(shù)據(jù)包含車輛位置、速度及相關(guān)瞬時狀態(tài)信息參數(shù)，能全面刻畫車輛運行狀態(tài)特征。例如可通過公交車車載GPS模塊數(shù)據(jù)判別超速、急加速等事件，分析車輛駕駛和運行安全特征，為公交運營決策提供支持。

循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)及LSTM能處理特征向量在時間序列下的問題，適用于車輛軌跡特征分析，近年來成為研究自動駕駛車輛軌跡數(shù)據(jù)的重要方法。張楠等通過建立RNN模型構(gòu)造序列至序列(Sequence-to-Sequence，Seq2Seq)映射模型，實現(xiàn)了對專用路權(quán)公交車軌跡的動態(tài)預(yù)測。黃玲等利用LSTM對自動駕駛車輛換道軌跡進行了建模分析。韓皓等引入注意力Seq2Seq網(wǎng)絡(luò)對交織區(qū)自動駕駛車輛軌跡進行了預(yù)測。該文利用LSTM的時序特征識別性質(zhì)構(gòu)建多重LSTM二分類器實現(xiàn)對軌跡的識別，從軌跡中提取關(guān)鍵評價指標(biāo)信息，實現(xiàn)自動駕駛公交運行質(zhì)量評價。

2 軌跡數(shù)據(jù)及評價指標(biāo)

2.1 軌跡數(shù)據(jù)包含的信息

目前，智能網(wǎng)聯(lián)自動駕駛公交車配備了大量傳感器(如高精度定位傳感器)、數(shù)據(jù)總線(CAN總線)與通信設(shè)備(T-Box)，能采集豐富的車輛運行狀態(tài)數(shù)據(jù)。車輛軌跡數(shù)據(jù)為一組時間序列狀態(tài)向量Xt=(xLAT,xLON,v,a,xOPR,xSTP)，?t∈T，其中：t為時間序列集合T中的某一時間片段，xLAT和xLON分別為車輛位置的緯度和經(jīng)度，v為車輛瞬時速度，a為車輛瞬時加速度，xOPR表示車輛是否在執(zhí)行運營任務(wù)(0～1變量)，xSTP表示車輛是否正在停站(0～1變量)。為保證數(shù)據(jù)的可靠性，v、a、xOPR和xSTP由不同傳感器報告，而非由GPS位置數(shù)據(jù)推算。位置、速度、加速度等特征變量的差異能用于辨識車輛行駛過程中的不同狀態(tài)和事件，如圖1所示，速度、加速度值在不同時間的組合值呈現(xiàn)出時間序列上的變化特征，能顯著區(qū)分不同行駛狀態(tài)，如勻速行駛與穩(wěn)定加速，同時能識別異常事件的發(fā)生，如超速、急減速等狀態(tài)。正常行駛狀態(tài)的延續(xù)和異常事件的發(fā)生，能用于評價車輛的運行狀態(tài)。

圖1 軌跡數(shù)據(jù)中可提取的關(guān)鍵參數(shù)

2.2 評價指標(biāo)選取

現(xiàn)有相關(guān)評價指標(biāo)主要集中于自動駕駛車輛評價和公交運營評價，自動駕駛車輛評價指標(biāo)側(cè)重于對車輛本身應(yīng)對各種環(huán)境的駕駛能力評價，公交運營評價集中于滿意度、服務(wù)效率評價?？紤]到自動駕駛公交車區(qū)別于普通自動駕駛乘用車的運營特性，兼顧基于傳感器軌跡數(shù)據(jù)所提取信息的局限性，結(jié)合已有評價指標(biāo)體系和自動駕駛公交運營實際需求，從穩(wěn)定性、高效性、安全性出發(fā)構(gòu)建自動駕駛公交評價指標(biāo)體系，其中穩(wěn)定性指標(biāo)反映車輛行駛控制是否滿足要求，高效性指標(biāo)反映車輛運行時的運輸效率，安全性指標(biāo)反映車輛運行時的安全可靠性(見表1)。

表1 基于軌跡數(shù)據(jù)的自動駕駛運行評價指標(biāo)

續(xù)表1

3 自動駕駛公交運行質(zhì)量評價方法

3.1 評價方法技術(shù)流程

采用三階段方法實現(xiàn)基于軌跡數(shù)據(jù)的自動駕駛公交運行狀態(tài)追蹤評價，流程如下：1) 數(shù)據(jù)預(yù)處理。對原始軌跡數(shù)據(jù)進行預(yù)處理，補全缺失軌跡，消除軌跡波動。2) 運行狀態(tài)識別。構(gòu)建長短期記憶網(wǎng)絡(luò)二分類器模型組實現(xiàn)對車輛正常運行狀態(tài)與異常事件的識別，利用人工標(biāo)定好的訓(xùn)練樣本和驗證樣本將其訓(xùn)練成可用的模型組。3) 評價指標(biāo)計算。將實時采集、處理的待測樣本輸入訓(xùn)練好的模型組進行車輛運行狀態(tài)與異常事件識別，并將識別結(jié)果進行分類統(tǒng)計計算，得到穩(wěn)定性、高效性、安全性指標(biāo)(見圖2)。

圖2 軌跡數(shù)據(jù)驅(qū)動的自動駕駛公交評價流程

3.2 數(shù)據(jù)預(yù)處理

鑒于傳感器采集的數(shù)據(jù)存在缺失和誤差，分別采用插值法、Kalman濾波進行缺失數(shù)據(jù)補全和時間序列平滑。

3.2.1 線性插值法缺失數(shù)據(jù)補全

設(shè)時刻狀態(tài)向量中任一指標(biāo)變量xt∈Xt，在xt～xt+L+1中需插入L個值，則第l個值(1≤l≤L)為：

xt+l=xt+l·(xt+L+1-xt)/(L+1)

(1)

3.2.2 Kalman濾波軌跡數(shù)據(jù)平滑

若狀態(tài)向量中任一指標(biāo)變量xt∈Xt(除0～1變量外)在t∈T上，有如下狀態(tài)方程和觀測方程：

xt=xt-1+W(t)

(2)

zt=xt+V(t)

(3)

式中：W(t)為系統(tǒng)噪聲；zt為變量觀測值；V(t)為觀測噪聲，其協(xié)方差分別為Q和R。

由于該問題里系統(tǒng)中無其他輸入，其變量的Kalman濾波方程包括：

x(t|t)=x(t|t-1)+Kg(t)·[zt-

x(t|t-1)]

(4)

x(t|t-1)=x(t-1|t-1)

(5)

Kg(t)=P(t|t-1)/[P(t|t-1)+R]

(6)

P(t|t)=[I-Kg(t)]·P(t|t-1)

(7)

P(t|t-1)=P(t-1|t-1)+Q

(8)

式中：x(t|t)為t時刻濾波平滑后的變量；Kg(t)為Kalman增益；P(t|t)為協(xié)方差；I為與Kg(t)同階的元素全為1的矩陣。

3.3 長短期記憶神經(jīng)網(wǎng)絡(luò)建模

車輛軌跡時間序列狀態(tài)向量Xt=(xLAT,xLON,v,a,xOPR,xSTP)t在時間軸t∈T上呈現(xiàn)的特定狀態(tài)具備可辨識特征，且在時間維度上具有長期記憶性或短期延續(xù)性。為辨識狀態(tài)向量長短期特征，采用LSTM建立模型。與軌跡時間序列預(yù)測的Seq2Seq不同，自動駕駛公交運行評價涉及到異常狀態(tài)判別，采用序列到分類(Sequence-to-Label Classification)的建模方法實現(xiàn)軌跡序列異常狀態(tài)判別。

3.3.1 LSTM網(wǎng)絡(luò)構(gòu)建

構(gòu)建的LSTM網(wǎng)絡(luò)模型見圖3。其中每個時間片由一個LSTM網(wǎng)絡(luò)單元處理，時間片的LSTM單元能接收來自時間片t-1的狀態(tài)ht-1和Ct-1及時間片t自身的輸入Xt；其輸出為二分類變量Yt及傳遞到時間片t+1的狀態(tài)ht+1和Ct+1。LSTM網(wǎng)絡(luò)的前向傳播過程滿足下式：

圖3 LSTM網(wǎng)絡(luò)單元示意圖

(9)

(10)

(11)

(12)

(13)

mt=tanh(Ct)

(14)

ht=ot⊙mt

(15)

Yt=σ(Whyht+by)

(16)

訓(xùn)練好的LSTM網(wǎng)絡(luò)能根據(jù)長短期記憶和輸入變量實現(xiàn)分類功能。

3.3.2 多變量多重二分類器構(gòu)建

圖1所示時序變化的特征變量組對應(yīng)可以互相重疊的狀態(tài)，如超速狀態(tài)時段可同時對應(yīng)急減速狀態(tài)，故多分類的分類器難以直接適用。為此，以Xt為多變量輸入，通過訓(xùn)練一組LSTM二分類器對應(yīng)各種事件狀態(tài)(見表2)發(fā)生與否。訓(xùn)練LSTM二分類器組時，對于訓(xùn)練樣本集，先由人工判斷事件狀態(tài)并為樣本賦予真實值。以人工分類樣本為參考值。

LSTM二分類器組的結(jié)構(gòu)見圖4。針對表2所示10個事件E1～E10分別創(chuàng)建獨立的LSTM網(wǎng)絡(luò)，實現(xiàn)對每種事件狀態(tài)的二分類識別。建立事件狀態(tài)輸出與統(tǒng)計指標(biāo)之間的統(tǒng)計關(guān)系，可計算出表1中各評價指標(biāo)。

表2 事件狀態(tài)

圖4 基于LSTM模型組提取評價指標(biāo)的過程

4 案例研究

4.1 數(shù)據(jù)說明

數(shù)據(jù)采集場景位于上海市嘉定區(qū)智能網(wǎng)聯(lián)車道路測試區(qū)域，包括博園路、北安德路、安虹路等路段，全長11.1 km。通過對受試車輛掛裝外裝GPS模塊和加速度計進行數(shù)據(jù)采集。連續(xù)采集車輛行駛軌跡，共收集自動駕駛車輛樣本點數(shù)據(jù)3 254條。采用跟車時人工標(biāo)記法對行車過程中的行駛事件狀態(tài)進行標(biāo)記，共記錄事件狀態(tài)42次，其中645條樣本點數(shù)據(jù)被標(biāo)記了不同事件狀態(tài)。將上述樣本大致均分為2個子集，分別為訓(xùn)練集(A集，樣本點1 654條)、測試集(B集，1 600條)。

數(shù)據(jù)采集時段為平峰、自動駕駛車輛許可進入開放交通流道路中的時段。為便于對比研究，設(shè)計相同行駛范圍內(nèi)的人工模擬駕駛場景，并采用相同設(shè)備采集行駛軌跡數(shù)據(jù)。

數(shù)據(jù)處理環(huán)境為Intel Xeon E5-2650 2.0 GHz 處理器、32 GB內(nèi)存服務(wù)器；軟件包括64位Windows Server 2019操作系統(tǒng)、Python3.5、PyCharm集成開發(fā)環(huán)境、TensorFlow1.13及相關(guān)支撐庫，并構(gòu)建LSTM網(wǎng)絡(luò)。

4.2 模型訓(xùn)練

4.2.1 模型訓(xùn)練效果指標(biāo)

針對E1～E10分別訓(xùn)練10個二分類LSTM模型，采用命中率(Accuracy)、召回率(Recall)、準(zhǔn)確率(Precision)作為模型性能指標(biāo)，計算公式如下：

A=(TP+TN)/(TP+FN+FP+TN)

(17)

R=TP/(TP+FN)

(18)

P=TP/(TP+FP)

(19)

式中：A為命中率，即正確區(qū)分出事件狀態(tài)和正常狀態(tài)的樣本占總樣本的比例；TP為準(zhǔn)確判別出事件狀態(tài)的樣本數(shù)；TN為判別為正常狀態(tài)、實際為正常狀態(tài)的樣本數(shù)；FN為判別為正常狀態(tài)、實際為事件狀態(tài)的樣本數(shù)；FP為判別為事件狀態(tài)、實際為正常狀態(tài)的樣本數(shù)；R為召回率，即正確判別出事件狀態(tài)的樣本占實際事件狀態(tài)樣本的比例；P為準(zhǔn)確率，即正確判別事件狀態(tài)的樣本占模型判別出事件狀態(tài)樣本的比例。

4.2.2 模型訓(xùn)練和交叉驗證

采用十折交叉驗證(10-fold cross validation)方式訓(xùn)練并驗證模型，即將軌跡數(shù)據(jù)A集劃分成10段子數(shù)據(jù)集，進行10次訓(xùn)練與驗證，每次訓(xùn)練與驗證采用其中9段子數(shù)據(jù)集作為訓(xùn)練樣本集、另1段數(shù)據(jù)集作為驗證集，以獲得更穩(wěn)定的LSTM模型。模型E1～E10各自分組訓(xùn)練效果見圖5。

圖5 分組驗證時模型E1～E10的效果

由圖5可知：1) 各事件的分類判別命中率均在0.6以上，表明LSTM模型在一定程度上能較好地識別各事件狀態(tài)；E1、E3、E4、E9、E10能穩(wěn)定地取得大于0.8的命中率，表明模型在識別超速、急加速、急減速、進站、出站事件狀態(tài)上能取得穩(wěn)定且較正確的結(jié)果。2) 各模型的召回率和準(zhǔn)確率差別較大，且召回率離散程度較大。召回率相對差于準(zhǔn)確率，表明模型把正常行駛狀態(tài)誤識別為事件狀態(tài)的情況較多；準(zhǔn)確率相對好于召回率，表明模型較少誤識發(fā)生事件狀態(tài)的樣本。E1、E3、E4、E9、E10事件模型的召回率和準(zhǔn)確率均在0.6以上，其中E3、E9、E10的平均準(zhǔn)確率達(dá)0.88，表明模型能非常好地識別急加速、進出站事件。模型對E7、E8事件的識別效果不理想，即模型不能很好地識別停車和換道事件。對于E7停車事件，由于人工標(biāo)注的標(biāo)簽和實際速度、加速度特性存在差異，存在一定程度的誤報，導(dǎo)致召回率偏低；對于E8換道事件，由于換道特性在本研究涉及的數(shù)據(jù)維度中缺少區(qū)分度，識別率偏低?？傮w而言，模型能較好地識別E1、E3、E4、E9、E10事件，在準(zhǔn)確率和命中率上能較好地判別超速、急加速、急減速、進站、出站事件，而這些事件能幫助計算自動駕駛公交運行評價指標(biāo)(見表3)。

表3 各指標(biāo)的計算方法

4.2.3 測試樣本情況

B組測試樣本集的識別準(zhǔn)確度見圖6。

圖6 測試樣本集分類識別效果

由圖6可知：1) 訓(xùn)練后模型對事件E1超速、E4急減速、E9進站、E10出站的識別效果較好，識別結(jié)果的命中率、召回率、準(zhǔn)確率都在0.8以上，模型識別結(jié)果能應(yīng)用于自動駕駛車輛運行狀況評價指標(biāo)計算；E3急加速的召回率相對較低(0.6以下)，表明模型將測試樣本集中非急加速狀況識別為急加速的情況較多；準(zhǔn)確率和命中率能得到保證，模型較少丟失實際發(fā)生急加速的情況。2) 訓(xùn)練后模型對E2緩速行駛、E5正常加速、E6正常減速情況的識別性能較弱，表明這些場景在本研究涉及的數(shù)據(jù)維度條件下區(qū)分度不明顯；E7停車、E8換道場景的識別效果不理想，需通過進一步增加數(shù)據(jù)和信息來源提高事件狀態(tài)的辨識度。

4.3 指標(biāo)分析

基于上述基礎(chǔ)數(shù)據(jù)和事件識別，通過函數(shù)統(tǒng)計得到各評價指標(biāo)值，評價自動駕駛車輛運行質(zhì)量，刻畫受測試自動駕駛車輛的運行和運營特性。為分析自動駕駛與人工駕駛車輛運行特性差異，采集相同測試范圍、相同線路條件下人工駕駛車輛軌跡，利用上述方法對人工駕駛軌跡特性進行計算分析，并與自動駕駛運行特性指標(biāo)進行對比(見表4)。

表4 自動駕駛車輛與人工駕駛車輛指標(biāo)比較

由表4可知：人工駕駛車輛的點速度標(biāo)準(zhǔn)差(10.3 km/h)顯著高于自動駕駛車輛(3.2 km/h)，表明自動駕駛車輛的勻速行駛穩(wěn)定性好于人工駕駛車輛；自動駕駛車輛未發(fā)生超速，而人工駕駛車輛發(fā)生2次超速；自動駕駛車輛加速度、減速度標(biāo)準(zhǔn)差小于人工駕駛車輛，表明自動駕駛車輛的加速、減速控制穩(wěn)定性好于人工駕駛車輛；自動駕駛車輛的時刻表偏差小于人工駕駛車輛，其運營穩(wěn)定性優(yōu)于人工駕駛車輛；自動駕駛車輛的旅行時間略長于人工駕駛車輛，旅行時間的可靠性強于人工駕駛；自動駕駛模式的急加速、急減速情況好于人工駕駛。綜上，自動駕駛車輛的穩(wěn)定性和安全性好于人工駕駛車輛，但效率不及人工駕駛。

5 結(jié)論

以自動駕駛公交車輛行駛軌跡數(shù)據(jù)作為輸入，基于LSTM二分類器對時間序列中的狀態(tài)向量進行特征識別，實時追蹤計算車輛行駛過程中的穩(wěn)定性、高效性、安全性指標(biāo)。主要結(jié)論如下：1) 基于車輛運行事件狀態(tài)構(gòu)建的LSTM二分類器對于超速、急加速、急減速、進出站等事件具有很好的識別精度，對訓(xùn)練樣本和驗證樣本識別結(jié)果的命中率、召回率、準(zhǔn)確率都在0.8以上，模型識別結(jié)果能應(yīng)用于自動駕駛車輛運行狀況評價指標(biāo)計算。2) 在正確識別運行事件的基礎(chǔ)上，對自動駕駛過程中的運行質(zhì)量指標(biāo)進行計算，對自動駕駛測試區(qū)內(nèi)自動駕駛車輛的運行狀態(tài)進行評價。結(jié)果顯示，受試車輛現(xiàn)階段自動化水平下，其運行穩(wěn)定性和安全性好于人工駕駛，但效率不及人工駕駛。該文為利用機器學(xué)習(xí)手段快速分析自動駕駛車輛軌跡并對車輛運行質(zhì)量進行評價提供了較好的研究方法和思路。但采集的數(shù)據(jù)維度尚不夠全面。后續(xù)研究中，由于智能車輛自身載有的傳感器能感知到的環(huán)境和交通特征更全面，能從更高維度刻畫車輛運行、跟車、變道、停車、上下客等事件特征，從而提高對車輛運行質(zhì)量判別的準(zhǔn)確性，更全面地評價自動駕駛車輛的運行質(zhì)量。