自动驾驶车辆风险预测模型的设计与仿真

陈 宁，姜 冉*，张 轩

(1. 浙江科技学院机械与能源工程学院，浙江 杭州 310023；2. 北京邮电大学电子工程学院，北京 100876)

1 引言

自动驾驶汽车是全球汽车产业发展的战略方向，而准确可靠的风险预测是自动驾驶汽车推广应用的基础[1，2]。社会各界的相关专家也重点针对车辆自动驾驶风险预测方面的内容已经取得了较为显著的研究成果，例如朱西产等人[3]针对典型制动避障和自动转向避障的分析，获取车辆潜在危险场景的计算方式，将自动筛选和人工筛选两者相结合，获取车辆制动开始时刻的TM值，进而实现车辆潜在风险等级评估。李磊等人[4]利用云模型优先处理专家给出的语言评估信息，构建风险评估模型，计算风险因子权重，同时评估故障模式风险。

但是以上的传统车辆自动驾驶风险预测方法无法提取车辆自动驾驶行为特征参数，导致风险预测结果偏差较大。为此，提出一种复杂智能交通环境车辆自动驾驶风险预测方法。仿真结果表明，与传统方法相比，所提方法所得的车速预测结果以及车辆自动驾驶风险等级预测结果与真实结果更接近。

2 方法设计

2.1 车辆自动驾驶目标检测

三维激光雷达能够有效实现目标360°检测和跟踪。将三维激光雷达水平安装在车辆的顶部，确保其和视觉保持在同一水平线上。同时将相机和激光雷达器放置在一起，避免目标检测过程耗时过长的问题。

激光雷达的环境地图主要通过障碍物栅格地图表示，主要通过二维的二值化矩阵表示，设定0代表可通信点；1代表障碍物点。在障碍物栅格地图的基础上，制定目标地图。其中，目标包含一个单位空间内的长方体框架和框架内的障碍物点集合。文本聚类的主要目的就是将障碍物划分为多个不同的点，组建集合，同时借助长方体模型规范点集合，进而实现全新目标的构建。

在初始三维点云中获取初始检测目标，将划检测目标聚类处理，同时将属于同一类型的目标划分到一个集合中，该集合为目标集合。同时，利用传感器采集初始点云信息，同时将其转为目标对象，有效简化后续处理流程，同时提供方便分析的目标，估计车辆目标的运动状态，同时分析行驶速度和目标行为，为规划决策提供目标层结果。

通过连通域聚类分析车辆目标[5，6]，具体的操作步骤如图1所示。

1)预处理

由于三维激光雷达层和层之间存在较大的缝隙，而且距离越远，缝隙就越大，反射回来的雷达点数量也会相应降低。

2)连通域分析

主要是指由像素值和邻近像素值相同的目标图像组成的区域。其中，连通域分析是指将图像中的各个连续区域搜索出来，可以通过轮廓代表不同的连通区域。

3)最小包络面积矩形

图1 车辆目标检测流程图

通过方盒模型对检测到的目标车辆进行建模，同时连接全部目标的轮廓，组成最小矩形包络。优先获取不含有方向的矩形，通过对矩形旋转获取最小包络面积。基于此，复杂智能交通环境车辆目标检测还需要借助数据关联实现，通过数据关联矩阵的形式分析前后帧之间的目标关联问题，构建当前检测获取的目标和上一帧目标之间的关联关系，进而通过当前去驱动已经跟踪上的目标滤波器，更新目标运动状态。以下主要利用二分图的最大匹配思想，将数据关联矩阵优化为一对一匹配，为优化目标获取最多的匹配对数，其中目标的优化主要通过匈牙利算法实现[7，8]。利用图2给出数据关联的操作流程图如图2所示。

图2 数据关联流程图

将各帧已经检测到的车辆目标放置到对应的目标链表中，分析目标前后两帧之间的关联性，以此有效维护运动目标链表，获取目标车辆的运行轨迹。以下通过关联矩阵的方式获取运动目标的运动轨迹，其中数据关联值计算式为

(1)

式中，Cn-detect-track(t)代表数据关联值；n-track代表全部跟踪上的目标总数；n-detect代表经过筛选后的目标总数。

通过式(2)能够计算出数据的相似值

(2)

完成关联值计算后，利用最大匹配和匈牙利算法优化关联矩阵。将当前检测到的目标和已经跟踪上的目标构建一一对应的关系，同时将其抽象为一个二分图的最大匹配问题。设定Am代表检测到的目标集合；Bn代表跟踪目标集合，两个集合中的元素不存在任何连接，存在一对一链接，同时也可以存在一对多链接。同时将获取的关系矩阵转换为一一对应矩阵，使其满足设定的约束条件，最终实现目标检测。

2.2 车辆自动驾驶行为特征参数提取

针对自然驾驶数据属性和影响车辆自动驾驶风险的主要因素，主要提取以下参数作为车辆自动驾驶分级聚类的特征指标[9，10]：

1)车辆驾驶速度超过限速80%的时间比例ηspeed：

车辆行驶速度是影响车辆安全的重要因素，如果车速过高会降低驾驶人通过曲面或者弯曲路径的能力，同时还会减少驾驶人对危险状况的反应时间，增加事故发生的概率。设定车速超过限速80%时，认为驾驶人员存在行车速度过快的倾向，对应的计算式为

(3)

式中，T代表车辆在道路上行驶的总时长；T180%代表车辆行驶速度超过该条道路设定限速值80%以上的累积时间总和。

(4)

(5)

式中，vm代表车辆在自然驾驶过程中的第m个速度值；n代表车辆行驶过程中的速度值样本总数。

(6)

(7)

(8)

2.3 复杂智能交通环境车辆自动驾驶风险预测

结合2.2小节提取的目标车辆自动驾驶行为特征参数，深入分析车辆驾驶事件的回看视频，定位目标车辆所在的位置，同时将视频中的全部驾驶数据整理和分析。由于在视频中无法精准获取车辆驾驶过程中的周边环境信息以及驾驶行为等信息，对涉及车辆碰撞风险的多源异构数据进行整理和量化，合理转换为复杂智能交通环境车辆自动驾驶风险预测模型的初始输入参数。

对车辆碰撞风险对应的驾驶参数进行量化处理，将其通过数据驱动技术转换为对应的驱动目标，同时选取大量的历史数据作为驱动源头。将其中一部分数据设定为训练样本，对后续建立的模型进行训练分析；剩余部分主要用来检测模型预测结果精度。

为了充分挖掘不确定性的定量或者定性信息，需要借助置信规则库推理方法实现数据的建模和分析。

在置信规则中，输入X=[x1，x2，…，xm]获取第k条规则对应的权重取值

(9)

当完成wk的计算后，对第k条规格的后项置信结构进行折扣处理，采用证据推理方法对全部格则的后置项进行融合处理，获取如式(10)所示的置信输出

O(X)={Dj，βj}

(10)

式中，Dj代表后项；βj代表Dj对应的置信度，具体的表达形式如式(11)所示

(11)

式中，N代表后项数项的总数；βj，k代表分配结果为Dj的置信度；u代表输入变量的取值范围，其计算式如下

(12)

式中，βi，k代表分配结果Di的置信度。

置信规则库对学习模型优化的主要目的就是不断动态调整参数集P，使优化目标函数达到最小值。

结合车辆自动驾驶风险预测的置信规则库系统，能够获取车辆行驶状态、周边环境以及车辆驾驶风险等级的非线性映射关系。优先收集不同自然驾驶条件下各个类型样本数据，同时对其进行驱动处理，以此为依据，构建车辆自动驾驶风险预测模型[11，12]。针对风险预测模型的输入，能够组建一个双层次的置信规则库专家系统，具体如下所示：

1)第一层系统由以下三个置信规则子库构成：

①分析不同驾驶人的驾驶因素，组建对应的因素集，将其设定为第一置信规则库，主要用来判断驾驶人的驾驶状态。

②将车辆因素设定为第二置信规则子库，主要用来判断车辆的驾驶状态。

③通过道路环境因素设定为置信规则子库，以此为依据判断道路环境状态。

2)第二层系统将第一层中的信息设定为输入，进而得到车辆自动驾驶风险预测结果的最终输出。

训练优化以及在线学习必须需要高可信度和置信度的历史数据，同时经过优化训练的次数越多，则说明获取的效果越理想。以下对其进行详细的分析和介绍：

①确定初始化置信规则库可调参数值

车辆自动驾驶风险预测模型是由4个不同BRB子系统组建而成，分别获取不同子系统的训练参数，结合系统输出量确定各个参数最终的取值范围。

②计算输入量对参考值的匹配度和规则的激活权重；

③融合全部被激活的规则；

④输出最终车辆自动驾驶风险状态，实现复杂智能交通环境车辆自动驾驶风险预测。

3 仿真研究

为验证所提复杂智能交通环境车辆自动驾驶风险预测方法的综合有效性，选取北京四环的主干道路作为测试场地，测试时间为白天，主要包含阴天、雨天以及晴天等多种不同的天气条件，实验采集近3个月的车辆行驶数据用于实验分析，其中深色曲线为实验路线。

图3 实验路线

1)车辆行驶速度控制/(km/h)

在相同的路段内，采用三种不同的方法分别对车辆的行驶速度进行预测，将其对比该路段内最佳行驶速度，具体实验结果如图4所示。

图4 不同方法的车辆行驶速度预测结果

分析图4中的实验数据可知，研究方法的车辆行驶速度预测结果和最佳速度的值基本一致，充分验证了所提方法的优越性。

2)车辆自动驾驶风险等级预测

将各个方法的车辆自动驾驶风险预测等级和真实风险等级进行对比，具体实验对比结果如表1所示：

分析表1中的实验数据可知，在针对10个不同路段进行车辆自动驾驶风险预测过程中，所提方法的预测结果和真实风险等级吻合，而文献[3]方法和文献[4]方法存在错误预测的情况。主要是因为所提方法在预测过程中，有效提取了不同车辆自动驾驶行为特征，为后续的风险预测奠定了坚实的基础，同时还增加了整个方法的预测精度，能够更好掌握车辆的运行状态。

4 结束语

针对已有方法存在的弊端，提出一种复杂智能交通环境车辆自动驾驶风险预测方法。仿真结果表明，所提方法具有较强的速度控制和预测能力，同时能够精准预测车辆行驶速度和车辆自动驾驶风险等级，全面验证了所提方法的优越性。