于文濤 李海斌 劉陽

（1.天津職業(yè)大學(xué)，天津300410；2.天津云聯(lián)科技有限公司，天津300300）

一、前言

隨著我國城市化規(guī)模的不斷擴(kuò)展，提高城市交通運(yùn)載效率，減少交通擁堵，降低交通能耗，并盡可能地優(yōu)化和節(jié)約城市資源，成為交通規(guī)劃者急需解決的課題。互聯(lián)網(wǎng)技術(shù)的高速發(fā)展產(chǎn)生的無人駕駛技術(shù)是解決上述問題的方法之一。無人駕駛汽車產(chǎn)業(yè)因具有出行安全、節(jié)約時間、自動規(guī)劃行駛路線的特點(diǎn)而成為未來交通發(fā)展的主要產(chǎn)業(yè)之一。孫皓天從理論上闡述深度學(xué)習(xí)在無人駕駛技術(shù)應(yīng)用的可能性。陳淑君利用汽車的前視圖像，提出了基于深度學(xué)習(xí)的汽車型號識別方法，該方法使汽車型號識別率顯著高于傳統(tǒng)機(jī)器學(xué)習(xí)方法。張軍提出了對智能型無人駕駛汽車的發(fā)動機(jī)故障檢測方法的改進(jìn)，提高了對發(fā)動機(jī)故障的診斷能力。趙卓等人成功自主研發(fā)了用于全自動無人駕駛列車的轉(zhuǎn)向架，并將該研究成果應(yīng)用于實(shí)際工程項目，獲得了良好的效果。自動變速器會伴隨著路面工況的不斷變化而進(jìn)行即時切斷從而發(fā)生換擋。自動變速器的換擋技術(shù)是無人駕駛車中的關(guān)鍵技術(shù)。傳統(tǒng)車輛中的自動變速器主要通過人工手動進(jìn)行控制，尚未與人工智能化方法結(jié)合。本文基于深度學(xué)習(xí)理論，采用CNN的方法建立了無人駕駛車輛中自動變速器換擋模型，實(shí)現(xiàn)了無人車根據(jù)路況條件而自動實(shí)現(xiàn)變速換擋過程中的腳踏油門開度、檔位、車速及發(fā)動機(jī)轉(zhuǎn)速之間的控制，為實(shí)現(xiàn)無人駕駛技術(shù)，實(shí)現(xiàn)無人駕駛車輛的安全提供了理論指導(dǎo)和實(shí)踐經(jīng)驗(yàn)借鑒。

二、理論

1.傳動系統(tǒng)

圖1為一個汽車典型汽車傳動系統(tǒng)工作示意圖。依據(jù)外部環(huán)境（人流、路況和信號燈等）和自身車況條件（油門開度、檔位、發(fā)動機(jī)功率），駕駛員通過腳踏油門程度、變換檔位和腳踏制動踏板（剎車）的方式依次直接或者間接地將調(diào)整或者控制液力變矩器和齒輪變速器結(jié)構(gòu)實(shí)現(xiàn)對汽車動力系統(tǒng)的控制，即實(shí)現(xiàn)了控制汽車速度。在這個過程中，變速器結(jié)構(gòu)通過換擋調(diào)節(jié)傳動系統(tǒng)輸出力矩，而變速器的傳動比為下一時刻車輛變速器的需要輸出力矩的放大或縮小倍數(shù)，但在車輛連續(xù)換擋的過程中，變速器本身輸出的力矩已得到了放大或者縮小，所以其輸出的力矩大小為車輛在該檔位下的傳動比。

圖1 汽車傳動系統(tǒng)工作示意圖

2.CNN算法

深度學(xué)習(xí)（Deep Learning，簡稱DL）理論起源于人工神經(jīng)網(wǎng)絡(luò)（ANN）的研究。深度學(xué)習(xí)通過組合（提?。┑途S度事物特征形成更加抽象的高維度事物屬性類別或特征，以期望實(shí)現(xiàn)數(shù)據(jù)的分布式特征表示。深度學(xué)習(xí)結(jié)構(gòu)主要指在網(wǎng)絡(luò)中包含多隱層的多層感知器。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中的一種算法，該算法結(jié)構(gòu)由一種多層神經(jīng)網(wǎng)絡(luò)組成，擅長處理圖像特別是大圖像的相關(guān)機(jī)器學(xué)習(xí)問題。深度學(xué)習(xí)網(wǎng)絡(luò)含有多個隱含層的多層感知構(gòu)建了一種深度學(xué)習(xí)結(jié)構(gòu)，圖2為含有兩個隱含層的神經(jīng)網(wǎng)絡(luò)，層與層之間是全連接，每層的節(jié)點(diǎn)之間是無連接，上一層的每個節(jié)點(diǎn)都同下一層的每個節(jié)點(diǎn)相連接，每條連接線都代表一個不同的權(quán)重。

圖2 含有兩個隱含層的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)圖

3.模型構(gòu)建

深度學(xué)習(xí)在無人駕駛車輛的變速器換擋模型構(gòu)建的流程圖步驟如下：

步驟1：將無人駕駛汽車的檔位、換擋時間、發(fā)動機(jī)轉(zhuǎn)速設(shè)為輸入層，將油門開度和汽車速度設(shè)置為輸出層，利用PSO-Simulink理論建立汽車檔位、換擋時間、發(fā)動機(jī)轉(zhuǎn)速與油門開度和汽車速度的無人車換擋優(yōu)化模型；

步驟2：視屏攝像頭每隔1s拍攝車前信號標(biāo)志、行人、自行車、障礙物等車輛行駛過程中隨機(jī)出現(xiàn)的移動性障礙:

步驟3：利用雷達(dá)監(jiān)測無人車與移動障礙之間的距離；

步驟4：將障礙物的信息與距離傳遞至車載電腦資料庫中，對數(shù)據(jù)進(jìn)行預(yù)處理；

步驟5：選擇處理后的數(shù)據(jù)存儲至深度學(xué)習(xí)和測試單元組中，對網(wǎng)絡(luò)第一層進(jìn)行無監(jiān)督學(xué)習(xí)；

步驟6：通過深度學(xué)習(xí)第一層的運(yùn)算實(shí)現(xiàn)數(shù)據(jù)的聚類，將相近數(shù)據(jù)劃分為同一類，隨機(jī)進(jìn)行判定；

步驟7：利用監(jiān)督學(xué)習(xí)的方法對調(diào)整網(wǎng)絡(luò)第二層各節(jié)點(diǎn)的閾值，提高第二層數(shù)據(jù)輸入的精確度；

步驟8：依據(jù)數(shù)據(jù)的結(jié)果對深度學(xué)習(xí)中的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行不斷調(diào)整，若結(jié)果滿足要求，則網(wǎng)絡(luò)計算停止；若網(wǎng)絡(luò)輸出結(jié)果不滿足要求則返回至步驟5；

步驟9：將網(wǎng)絡(luò)的輸出結(jié)果反饋至無人車的操作系統(tǒng)中；

步驟10：無人車操作系統(tǒng)根據(jù)反饋信息，及時調(diào)整無人車的油門及車速，避讓障礙物。

三、實(shí)驗(yàn)部分

選取某車型進(jìn)行換擋實(shí)驗(yàn)，換擋過程按照1→2擋，2→3擋，3→4擋，以及4→3擋，3→2擋，2→1擋，在這個過程中測試節(jié)氣門分別顯示參數(shù)為0，5，25，35，40，50，90，100%時的車速。測試車速為分別為750～4000mph時的測試液力變矩器數(shù)值。分別利用PSO-Simulink算法與單純的Simulink算法計算檔位、換擋時間、發(fā)動機(jī)轉(zhuǎn)速與油門開度和車速之間的關(guān)系。

收集道路上的行人、汽車、摩托車及禁行標(biāo)志4中類型的障礙物信息和距離。每個障礙物收集500張照片（其中無人車頭正對面每種照片為100張，而平面內(nèi)切斜角或者非平面內(nèi)傾斜角小于30°的照片400張），分別采用深度學(xué)習(xí)中的CNN算法和機(jī)器學(xué)習(xí)中的BP、PNN算法對圖像進(jìn)行處理和判定。將判定結(jié)果與自動變速器模型相結(jié)合，輸出最佳油門開度與車速。

四、結(jié)果與分析

1.變速器模型

基于PSO-Simulink算法與單純的Simulink算法分別建立無人車的換擋操作模型，模型的輸入層為換擋過程過程中的檔位、換擋時間和發(fā)動機(jī)轉(zhuǎn)速，輸出層為油門開度和汽車速度。表1為基于PSO-Simulink算法與Simulink算法的結(jié)果對比表。從表1中可見，模型采用PSO-Simulink算法時，運(yùn)算耗時0.41s，迭代步數(shù)為499，而采用單純Simulink算法時，運(yùn)算耗時0.62s，迭代步數(shù)為763。圖3為基于PSO-Simulink算法的汽車換擋操作模型運(yùn)算過程中的PSO模擬優(yōu)化結(jié)果適應(yīng)度函數(shù)值時的迭代圖。從圖3可見，模型在迭代19步驟時，適應(yīng)度函數(shù)Fitness值為0.1，隨著迭代步驟的增加，適應(yīng)度Fitness函數(shù)值趨近于0，在迭代步數(shù)為499時停止了運(yùn)算。

表1 變速器模型中算法結(jié)果對比表

圖3 PSO模擬最優(yōu)結(jié)果適應(yīng)度函數(shù)值

2.自動變速器換擋模型

目前，基于對路面情況的識別方法有采用深度學(xué)習(xí)中的CNN算法、機(jī)器學(xué)習(xí)中的BP和PNN算法，各算法已經(jīng)廣泛應(yīng)用于無人車路面判別系統(tǒng)?；谏疃人惴ㄖ蠧NN算法與機(jī)器學(xué)習(xí)中BP和PNN算法分別對無人車行駛過程中的路況障礙進(jìn)行分析，并將分析結(jié)果反饋至汽車操作系統(tǒng)中，操作系統(tǒng)的油門開度及車速結(jié)果與實(shí)測結(jié)果對比，如表2所示。從表2中可見，采用深度學(xué)習(xí)中CNN算法具有勻速耗時少，迭代步數(shù)低，判定準(zhǔn)確率高的特點(diǎn)。該模型可根據(jù)路面障礙物信息和距離，為無人汽車自動換擋技術(shù)提供了一種新技術(shù)。

表2 變速器模型中算法結(jié)果對比表

3.模型誤差分析

圖4為自動換擋模型3D效果關(guān)系圖。從圖4（a）可見，隨著車速的增加，所需的油門開度略有增加，隨著發(fā)動機(jī)轉(zhuǎn)速的增加，對應(yīng)的油門開度逐漸增加；從圖4（b）和4（c）可見，在升檔和降檔過程中，隨著油門開度的增加，車速逐漸增加，但升檔過程中，同檔位下車速增加較快。這些自動換擋模型之間的差異可能是影響表2中模型準(zhǔn)確率的一個原因。

圖4 發(fā)動機(jī)換擋模型關(guān)系圖

圖5為基于深度學(xué)習(xí)中CNN算法中路況障礙物樣本采集圖。從圖5（a）為路，車輛樣本為正常態(tài)，模型采集較為準(zhǔn)確。伴隨著路況中出現(xiàn)車輛閃燈樣本（如圖5（b）），模型采集過程中會出現(xiàn)車輛和車燈分別為兩個樣本的現(xiàn)象，此外，當(dāng)路況中出現(xiàn)行人和車輛同時出現(xiàn)時，（如圖5（c））時，模型會將行人和車輛歸為一個障礙物。這些數(shù)據(jù)采集過程中的誤差可能是影響表2中模型準(zhǔn)確率的一個原因。

圖5 路況障礙物樣本采集圖

五、結(jié)論

1.本文基于深度學(xué)習(xí)法建立了無人駕駛車中自動變速器換擋模型，該模型由兩部分組成，第一部分基于PSO-Simulink算法建立了汽車自動變速器換擋模型，模型的輸入層為換擋過程過程中的檔位、換擋時間和發(fā)動機(jī)轉(zhuǎn)速，輸出層為油門開度和汽車速度。第二部分采用深度學(xué)習(xí)中CNN算法建立了無人車行駛過程中的路況障礙分析模型。

2.基于深度學(xué)習(xí)法建立了無人駕駛車中自動變速器換擋模型具有勻速耗時少，迭代步數(shù)低，判定準(zhǔn)確率高的特點(diǎn)。該模型可根據(jù)路面障礙物信息和距離，為無人汽車自動換擋技術(shù)提供了一種新技術(shù)。

3.這些自動換擋模型之間的差異和路況障礙物樣本采集圖的采集誤差是影響模型準(zhǔn)確率的主要原因。