“智能汽车生态群”加微信Time-machine-（备注公司+姓名）
摘要
为了正确刻画智能网联环境下的车辆换道行为，提出基于 BP神经网络的车辆换道决策模型。分析了交通流中车 辆换道行为，以 HighD自然驾驶数据集为数据来源，筛选出 1 900组车辆换道和未换道信息作为模型的训练与验证，利 用高斯滤波方法拟合目标车辆换道轨迹和横向位移轨迹，选择影响车辆换道决策的7个参数作为模型输入，建立BP神经 网络换道决策模型，利用筛选出的数据进行模型的训练和测试。结果表明，选择7个参数建立的BP神经网络模型决策精 度达到96.2%，能有效识别车辆换道行为。
车辆换道和跟驰是交通微观流系统中最常见的 交通行为，是驾驶员在交通系统中结合驾驶经验和 周围道路环境做出的综合判断。相比跟驰行为，换道行为更加复杂，仅仅依靠驾驶员主观思维建立 换道决策模型不能全面、准确地反映车辆的换道行为 。通过提取车辆周围信息建立换道决策模型 能够客观反映车辆换道行为，同时也为无人驾驶汽 车的换道决策提供理论基础。
近年来，国内外许多学者对车辆换道进行了大量研究 。陈亮等建立了 一 种 基 于 Multi-class SVM 的车辆换道识别模型，该模型采用粒子群优 化算法标定 SVM 中的惩罚参数和核参数，通过训 练样本数据证明该模型能较好地达到换道识别目 的。赵树恩等运用贝叶斯网络理论建立了车辆 换道决策模型，通过仿真以及 NGSIM 实测数据对 比，其模型预测精度能够满足换道决策精度要求。YU Yuewen 等基于玩家动态博弈理论建立了车 辆换道决策模型，该模型考虑换道车辆与目标车道 车辆的博弈行为，进一步提出基于混合分割方法的 多玩家博弈纳什均衡解的算法，获得换道目标的最 优策略。SUH等针对自动驾驶换道的复杂性提 出了概率预测和确定性预测相结合的变道运动规划方法。在影响车辆换道参数的研究中，CHEN Chen 等和 ZHENG Zuduo 等提出了以换道车辆与 原车道前方车辆、目标车道前方车辆、目标车道后方车辆间距作为影响车辆换道的影响参数。王俊彦等在考虑换道车辆与周围车辆间距的基础上提出包含车辆速度和加速度的换道影响参数，因其使 用参数较多造成模型的训练速度较低，决策模型的精度不高。从现有的研究中得出：换道决策模型训 练参数正确的选择和模型的复杂程度是制约车辆决 策模型在车辆主动安全系统中应用的关键因素。
在复杂动态的交通环境中，智能汽车需要根据 车载设备实时监测目标车辆周围的车辆信息和自身 行车状态，选择合适的算法处理复杂的车辆信息对 决策系统很关键。BP 神经网络是人工神经网 络最基础、最成熟的一种网络，能够处理大规模数 据和非线性问题，而且能够及时处理输出结果误差。本文综合考虑道路交通数据的复杂程度以及非 线性关系，采用BP神经网络建立包含7个参数车辆 换道预测模型，以HighD自然驾驶数据集为数据基 础提取换道时目标车辆特征参数。
1.换道行为分析
1.1 车辆换道过程
车辆换道是以驾驶员不满当前道路状况或者以 自身期望为目的的一种驾驶行为，车辆换道过程如图1所示，换道车辆 WF 不满当前道路行驶条件 做出换道决策。一次完整的换道过程包括 3 部分：换道意图产生、换道执行过程、换道结束，最终车 辆WF到达目标车道超越前车WL。
判断车辆是否换道成功可由式 （1） 确定：Lt ≠ Lt + 1 。（1） 式中：Lt为车辆在t时刻所在的车道编号；Lt + 1为 车辆在t+1换道结束时刻所在的车道编号。由于换道时车辆在短时间内连续换道会影响模 型的预测准确度，本研究仅考虑车辆向左右邻车道 的单次换道行为。
1.2 换道决策行为
在对车辆换道过程分析的基础上，基于实际道 路交通车辆情况分析车辆换道决策行为。车辆换道 决策行为如图2所示 ，当换道车辆未能达到驾驶 员预期或者前车出现制动动作时，驾驶员首先会判 断自车与前车的距离，当安全车距较小时驾驶员选 择紧急制动增大安全距离。当达到合适安全距离时 驾驶员通过判断邻道车辆运动信息，以及自车与邻 道前车和后车间距，确定是否满足换道的要求，如 果满足要求驾驶员执行换道动作，如果不符合换道 要求，驾驶员选择减速使目标车辆与前车保持安全 距离，在满足条件之后执行换道动作。
已有的研究指出目标车辆与前车以及目标车道 前、后车辆之间的距离是影响车辆变道的关键因素 ，本文在已有研究的基础上提出了影响车辆换 道的7个最重要参数，图3为本文选取特征参数的示意图。
图中符号的含义见表1
2.基于HighD数据的车辆轨迹拟合
车辆换道时主要受到来自前车和邻道车辆行驶 状况的影响，由于道路交通的复杂性，本文以 HighD数据集为数据基础，提取数据集中的换道车 辆轨迹信息，选取特征参数。
2.1 HighD数据集
HighD 数据集是以德国高速公路为采集对象， 通过配备高清分辨摄像机的无人机对高速公路 6个 不同场景 16.5 h 的车辆数据采集。图 4 为某一采集 路段的示意图，采集路段全长 420 m，采样频率 25 Hz，采集包括车辆外部尺寸、车辆坐标、行车速度、横/纵车辆加速度、车辆所在车道等信息。
2.2 车辆换道轨迹提取
HighD数据中采集车辆类别包括汽车和大型货 车，由于大型货车在行驶过程中总保持在道路右侧 车道行驶，换道频率远小于汽车换道频率，为了能 真实反映高速公路车辆换道决策行为，选取数据集 中类型为汽车的行车信息。车辆的轨迹信息在数据 集中以时间序列记录，其中包含了很多非正常换道 信息，为了提取符合正常换道的轨迹信息，对换道 时间进行限制，认为换道时间不超过 8 s 且在换道 动作结束后10 s内保持当前行车道行驶。对于非换 道车辆信息以目标车辆在采集时间内横向位移偏移 量小于 0.5 m 为筛选依据。利用 Python 中 pandas 库 从数据集中筛选出 1 900 组车辆轨迹数据，在筛选 出的数据中包括换道轨迹 955 组，未换道轨迹 945 组。对筛选出的数据进行整理，提取出所需要的车 辆信息，部分数据见表 2，车辆行驶信息均以离散点的信息记录，其中横坐标方向与车辆行驶的方向相同。
在数据采集时，由于采集数据周期较短，车辆 在采集路段车速较快，为了降低在短时间内车辆的 位移和速度的改变对车辆换道行为的误判，同时减 少 系 统 和 检 测 误 差 ， 本 文 选 择 高 斯 滤 波 拟 合 （Gaussian Fitting） 曲线的方法提取车辆轨迹，高斯 滤波基本原理如式 （2） 所示。
（2） 式中：
为高斯曲线峰值；
为峰值位置；s 为半宽度信息。
图 5 为第 48 号车的车辆轨迹图，相比原始数 据，经拟合后曲线反映了车辆真实的轨迹信息。横 向位移的改变是车辆换道的依据，为分析换道行为 需要横向位移轨迹的提取。图 6为车辆横向位移拟 合曲线，滤波拟合是将一系列离散的点经过滤波之 后采用平滑曲线将其连接，以此表示真实的车辆行 驶轨迹和横向位移轨迹。
2.3 特征参数选取
利用 Python 中 pandas 库对筛选出的 1 900 组车 辆数据进行处理，得到特征参数的部分数据见表3， 在表中用1代表换道，2代表未换道。
3.BP预测模型构建
BP 神经网络是由信息正向传播和误差反向传 播组成的一种前向网络，输入信息经过隐含层的处 理得到预测结果，预测结果与期望值的误差经过反 向路径传播，通过动态调整神经元之间的权值和阈 值，最终达到期望误差的范围。在复杂的非线 性问题中，利用 3 层神经网络能够求出问题最优 解，因此，建立以3层网络为基础的BP神经网络预 测模型，其基本的拓扑结构如图 7所示。在预测模 型中输入层X为影响换道的因素，输出层Y为换道的结果，中间层H 为隐含层，
和
为 BP 神经网 络的权值。
依据上文特征参数的选取，确定网络的输入层节点数为 7，输出层节点数为 1，隐含层节点个数 依据经验公式（3）得出［22］。
（3） 式中：N和l分别为节点数和输入层节点数，由于a 的取值在 ［1，10］ 之间，通过对含有的不同隐含 层进行网络训练确定本文网络的隐含层节点数为 10，最终网络结构确定为7-10-1。为了能够获得准确的换道预测结果，需要网络 不断进行误差反向传播，动态修正网络中的权值和 阈值，式（4） 表示了系统全局误差
：
（4） 式中：
和
分别表示输出节点 y 对样本 X的预测输出和实际输出；n 为输入层神经元个数， m为输出层神经元个数。根据梯度下降法动态修正网络的权值和阈值， 式（5）为迭代公式。
（5） 式中：α表示网络学习率；β表示动量比例系数；n 和n+1分别为第n次和第n+1次的网络迭代。
建立预测模型的具体步骤如下：
（1） 网络的变量输入。对原始数据进行筛选， 特征提取，确保输入数据能够准确反映换道行为。
（2） 初始化网络。网络学习率为
，动 量比例系数为 0.9，训练精度为
对输入数 据进行归一化处理，随机分配网络的权值。
（3） 网络预测输出。通过计算预测值与真实值 之间的误差，判断误差是否达到期望值，如果达到 输出结果，模型建立。如果未达到期望值则返回输 入层，通过调整权值和阈值进行下一次训练。
（4） 网络测试。选取测试集进行网络训练，验 证所建模型的正确性。
4.模型实现与验证
为了验证 BP 神经网络模型预测车辆换道决策 行为的准确性，首先将筛选出的数据分为模型的训 练集和测试集，其中训练集 1 400 组数据，测试集 500 组数据，在测试集的数据中包含换道车辆信息 256组，未换道车辆信息244组，图8为测试集的预 测结果输出图。
表 4为两种决策行为的预测结果，通过与数据 集中实际数据对比，运用 BP 神经网络建立的决策 模型换道和未换道准确率分别为 96.4% 和 95.9%， 其整体决策准确率为 96.2%，非常接近驾驶员的换 道行为，证明了该模型能够应用到车辆换道的研 究中。
为验证提出的 7个参数模型的有效性，按照上 述模型建立方法以目标车辆与前车以及目标车道 前、后车辆的距离作为 3个参数模型的输入，模型 预测的结果见表5。
3 个参数模型两种决策行为的准确率分别为 93.7%和88.5%，整体决策准确率为91.2%，对比结 果表明，以 7 个参数建立的决策模型预测精度 较高。
5.结论
本文通过分析车辆换道时的决策行为，提出一 种以7个参数为输入的BP神经网络预测模型，利用 BP 神经网络较好的非线性问题处理能力，结合真 实车辆行驶信息训练模型，得出以下结论：
（1） 以 HighD 数据集为数据基础，通过设计 BP 神经网络基本构架以及筛选换道车辆信息训练 网络预测模型，结果证明7个参数的BP神经网络预 测模型预测平均精度达到 96.2%，能够为今后研究 无人驾驶汽车的换道决策提供参考。
（2） 仅考虑了高速公路车辆换道决策行为，为 进一步研究微观交通流系统，还需要综合考虑城市 道路交通状况，准确刻画车辆驾驶决策行为。
免责声明：文章来源于网络，仅供学习交流分享，版权归原作者所有，如果侵权请联系我们予以删除。
END
分享不易，恳请点个【?】和【在看】
原文始发于微信公众号（智能汽车设计）：基于 BP神经网络的智能车辆换道决策模型研究
