基于BP神经网络的金家庄隧道智慧灯光系统研究

徐路毅 蔡江柳 李泽轩

摘要 通过研究灯光影响眼动特征的规律对照明系统进行改进，为设计特长螺旋隧道照明系统提供科学依据。以隧道环境信息和行车试验数据为训练集训练神经网络并进行仿真。以缓解驾驶员视觉疲劳为目标，根据眼动特征参数的预测值调节灯光亮度。神经网络训练在第206次得到最优均方误差，拟合优度为0.780 76。控制系统得到了眼动特征参数的预测曲线，经处理后完成了隧道亮度调节。系统可根据隧道环境信息的变化调节灯光亮度，营造出安全的行车环境。

关键词 隧道工程;BP神经网络;视觉唤醒;智慧灯光

中图分类号 U453.7文献标识码 A文章编号 2096-8949（2022）12-0004-03

收稿日期：2022-04-01

作者简介：徐路毅（2001—），男，本科在读，研究方向：城市交通工程。

基金项目：大学生创新创业训练计划项目“基于隧道中驾驶者视觉唤醒的智慧灯光系统研究”（S202110107062）。

0 引言

《交通强国建设纲要》明确提出到2035年基本建成交通强国。我国西部地区交通建设前景广阔，但地势高差起伏大，采用曲线隧道可较好地解决交通问题。螺旋隧道单一的行车环境使驾驶者极易陷入疲劳状态，发生交通事故的概率高。秦慧芳等[1]提出了一种以模糊神经网络为核心算法的隧道照明控制方法，旨在降低照明系统消耗的能量;刘东旗[2]通过对眼动指标进行分析，研究了不同长度隧道驾驶者的眼动变化规律;王辉[3]为研究高速公路长隧道驾驶者的注视和扫视特征，通过隧道行车试验得到了眼动指标与进出口距离的拟合公式。现有研究缺少针对通过灯光调节缓解驾驶者视觉疲劳，提高行车安全性的研究。此外，这些研究只是基于车辆在公路隧道中的驾驶行为，缺乏螺旋隧道灯光环境对交通安全和驾驶行为的相关研究。该文在获取驾驶员生理信息和隧道环境参数的基础上，分析双螺旋隧道条件下的照明亮度调节，构建基于视觉舒适的智能照明系统。着眼于在隧道交通運行过程中的驾驶员生理变化和车辆制动行为，揭示其安全特性规律。研究成果对于研发双螺旋隧道交通风险预警系统、保障交通运行能起到推动作用，具有重要的理论价值和实际意义。

1 隧道概况

延崇高速金家庄螺旋隧道于2017年8月开工，历时两年如期贯通，是2022年冬奥会的重大交通保障项目。隧道入口位于赤城县金家庄村，出口位于崇礼区棋盘梁村。

1.1 隧道几何线形

整个隧道呈圆环形，半径860 m左右，左幅长4 288 m，右幅长4 104 m。隧道内设车行横洞750 m左右，人行横洞250 m左右。工程按双向4车道高速公路标准建设，最大行车速度为100 km/h。

1.2 隧道照明系统

隧道穹顶两侧连续地布置了变色温LED灯具，且使用了纳米硅涂层，能呈现出蓝天白云的效果。灯具既有单排布置的形式，也有多排叠加的形式[4]。

2 隧道智慧照明设计

2.1 照明设计考虑因素

根据2014年颁布的《公路隧道照明设计细则》，金家庄隧道的照明系统除了要满足基本的照明需求，还应该能自适应自然光照、车流量等隧道环境信息的变化，加强对驾驶者的视觉引导。

洞外亮度是隧道照明的重要基准之一，自然光照自适应即控制系统能根据洞外亮度的变化来调节隧道内的照明亮度。由现行规范可知[5]，隧道照明亮度与实时采集的车速和车流量有关。有研究表明[6]，瞳孔直径和平均眨眼时间是研究驾驶疲劳的重要指标。

2.2 照明控制系统结构

一个合理的控制系统应包括获取数据、处理数据以及接收数据三部分。

获取不同种类数据的方法和设备也是不同的。洞外亮度可通过检测器来检测，单位为cd/m2;相较于环形线圈检测技术，视频图像处理（VIPS）可通过一台摄像机代替多个环形线圈，能降低维护费用[7]。因此，可使用视频采集检测器来实时采集车速和车流量数据;驾驶员生理信息采集设备是Tobii Pro Glasses 3眼球追踪设备，可实时捕捉驾驶员眼睛的状态，且ErgoLAB平台可实时监控数据采集过程。

隧道交通运输高速移动的特点决定了照明控制系统必然是采用以无线电移动通信和数字通信技术来传输数据。获取的数据需要通过传输媒介上传至系统的主控制器，并经过设定好的算法处理后输出照明亮度。由主控制器输出的照明亮度信息再传输至系统的各个子控制器完成隧道照明亮度的调节[8]。照明控制系统的结构如图1所示。

3 智慧照明算法模型

3.1 算法模型的建立

神经网络是由大量神经元相互作用形成的网络，是一个高度非线性动力学系统。它可以表达出实际物理世界的各种现象，是抽象、简化与模拟的人工信息处理模型。隧道照明自调节控制属于自适应控制的范畴，因此该文以BP神经网络对控制系统进行分析。

BP神经网络由输入层、隐含层和输出层构成。输入层和输出层的单元数由输入输出数据项决定，但是隐含层层数和单元数的确定没有比较固定的方法，一般由经验而定。该文参考经验公式[9]来确定初始网络结构中隐含层神经元的个数，经验公式表示为：

（1）

式中，N1——输入神经元个数;N2——输出神经元个数;N——隐含层神经元个数。最后在仿真实验中逐步调整，从而确定最优隐含层神经元个数。

对于该文的智慧照明算法模型，神经网络的输入层有洞外亮度、车流量和车速，共3个单元。输出层为1个单元，即平均眨眼时间或瞳孔直径。隐含层单元的个数由经验公式计算所得，个数分别取2～13进行试验。

根据以上分析，BP神经网络智慧照明算法模型如图2所示。

3.2 照明控制算法机制

平均眨眼时间是指驾驶员在给定时间内眨眼的平均持续时间，眨眼时间逐渐增加表明驾驶员疲劳加剧。瞳孔直径可以反映驾驶员的瞳孔状态，瞳孔逐渐变小表明驾驶员越来越疲劳。记平均眨眼时间为T，瞳孔直径为D。56D34354-1CEC-4C5B-834D-3758BC57FB01

在隧道行车时，驾驶员的平均眨眼时间和瞳孔直径是动态变化的。可认为平均眨眼时间的增大量和瞳孔直径的减小量越大，驾驶员越疲劳。此时需要通过调节灯光的亮度来减缓驾驶员的疲劳，起到视觉唤醒的作用。记由平均眨眼时间变化得到的亮度变化量为，由瞳孔直径变化得到的亮度变化量为，计算公式如式（2）和式（3）所示。

式中，和表示设备在第时刻采集到的平均眨眼时间和瞳孔直径数据，参数和由实验数据进行标定。

招募了12名具有丰富驾驶经验的驾驶员，包括9名男性和3名女性。驾驶员们身体状况良好，情绪状态稳定，满足实验要求。驾驶员们分别在金家庄隧道驾驶车辆，技术人员在后排座位通过ErgoLAB平台实时观察数据采集和记录的过程。获得了驾驶员们在行车过程中的平均眨眼时间和瞳孔直径数据，洞外亮度、车流量和车速可通过采集设备实时检测。将70%的实验数据作为训练集，验证集和测试集分别取15%的比例。

将训练好的模型作为隧道照明控制系统主控制器的核心算法。实际应用于隧道照明调节时，主控制器会根据传感器通过传输媒介上传的洞外亮度、车流量和车速数据对驾驶者的平均眨眼时间和瞳孔直径进行预测。再根据预测数据，由式（2）和式（3）分别计算出应调节的亮度变化量，总亮度变化量计算公式如下：

控制器根据计算出的总亮度变化量向隧道照明设备传达决策信息来调节隧道内灯光的亮度。从而起到缓解驾驶员视觉疲劳、提高隧道行车安全性的作用。

4 结果与分析

为验证BP神经网络在调节隧道照明时的效果，该文使用Matlab进行仿真来评价该算法的控制效果。

4.1 数据预处理

该文对数据进行了如下处理：①为了得到数据量相同的样本数据，该文采用了等频法。②驾驶员的瞳孔直径在隧道出入口附近急剧变化，该现象会导致分析误差增大，影响算法模型控制的精度。因此，该文没有选取隧道出入口附近小于4 mm的瞳孔直径数据。

4.2 神经网络训练

该文使用Matlab编写程序，用logsig函数进行预测。将处理好的数据导入Matlab的工作区，将洞外亮度、车流量和车速作为列数据，平均眨眼时间或瞳孔直径作为行数据。设置训练数据和预测数据，该文采用梯度下降法进行训练。完成所有准备工作之后，运行程序，即能得到训练出的一个神经网络模型。神经网络的训练在第206次得到最优均方误差，训练数据的拟合优度达到0.780 76。

4.3 神经网络预测

用Matlab编写程序，用sim函数进行预测，预测值等于误差与期望值之和，瞳孔直径的预测结果如图3所示。平均眨眼时间的预测过程与瞳孔直径相同。

5 结论与讨论

为了研究金家庄螺旋隧道智慧照明控制系统的设计，招募了12名驾驶员到现场进行试验。首先，根据现行规范确立了洞外亮度、车流量、车速、平均眨眼时间和瞳孔直径为影响隧道亮度调节的因素。然后基于交通信息技术基础建立了隧道照明控制系统结构，以BP神经网络预测作为控制系统的核心算法。神经网络的训练在第206次得到最优均方误差MSE，训练数据的拟合优度达到0.780 76。最后应用照明控制系统对平均眨眼时间和瞳孔直径进行预测，再通过系统主控制器处理完成隧道亮度的调节。通过实时采集隧道环境信息，控制隧道照明的亮度，营造了一个安全、舒适的隧道行车光环境，对建设智慧化高速具有一定现实意义。但控制系统也存在一定的局限性，比如收集的实验样本数据较少，缺乏对变量的控制。今后的研究需要继續增大样本数量、拓展样本类型，进行大量实验论证实验结果的有效性，并在实际中验证应用效果。

参考文献

[1]秦慧芳， 郭佑民， 罗荣辉. 基于模糊神经网络的公路隧道照明控制系统研究[J]. 隧道建设， 2017（2）： 115-120.

[2]刘东旗. 不同隧道路段驾驶员眼动特征研究[D]. 西安：长安大学， 2017.

[3]王辉. 高速公路长隧道路段驾驶人眼动特性研究[D]. 西安：长安大学， 2010.

[4]于建游， 刘志忠， 吴建波， 等. 延崇高速金家庄特长螺旋隧道智能照明控制系统的设计[J]. 照明工程学报， 2021（5）： 15-19.

[5]公路隧道照明设计细则： JTG/T D70/2—01—2014[S]. 北京：人民交通出版社， 2014.

[6]王磊宇， 武淑红， 李海芳. 基于眼部行为的驾驶疲劳评价指标研究[J]. 太原理工大学学报， 2015（4）： 440-443.

[7]王学慧， 丁立波， 于世军. 交通信息技术基础[M]. 北京： 国防工业出版社， 2015.

[8]李良荣， 王在浩， 李震， 等. 自适应隧道节能照明控制系统设计方案[J]. 贵州大学学报（自然科学版）， 2014（5）： 48.

[9]肖泉彬， 黎小龙， 车俊俊， 等. BP神经网络在新零售行业销售预测中的应用[J]. 电子设计工程， 2017（17）： 109-111.56D34354-1CEC-4C5B-834D-3758BC57FB01