張慧 劉興亮 黃昆 付會通 楊路鵬

（中國汽車技術(shù)研究中心有限公司，天津300300）

主題詞：跟停場景 場景虛擬重構(gòu) 神經(jīng)網(wǎng)絡(luò) 智能網(wǎng)聯(lián)

縮略語

EuroFOT European Field Operational Test

China-FOT China Field Operational Test

BSD Blind Spot Decision

TTC Time To Collision

1 前言

根據(jù)奔馳、寶馬、特斯拉等知名廠商研發(fā)經(jīng)驗，智能駕駛技術(shù)主要包括3個步驟：道路測試、場景挖掘、場景虛擬重構(gòu)。其中，道路測試旨在積累自然駕駛數(shù)據(jù)的歷程，如歐洲大型實車路試（European Field Operational Test，EuroFOT）項目[1]和中國大型實車路試（China Field Operational Test，China-FOT）項目[2]。場景挖掘針對道路測試的駕駛數(shù)據(jù)進(jìn)行分類提取和挖掘，如中國汽車技術(shù)研究中心開展的跟車場景挖掘、BSD 場景挖掘、危險場景挖掘等項目[3]。場景虛擬重構(gòu)是場景虛擬化、數(shù)據(jù)化技術(shù)成熟的重要標(biāo)志，如李銀國、周中奎利用雙目攝像頭提取道路環(huán)境信息，進(jìn)行智能駕駛場景的虛擬重構(gòu)[4]。目前場景虛擬重構(gòu)的主流軟件有CarSim、Prescan、VTD等，可以通過道路建設(shè)、目標(biāo)物生成、初始條件、運(yùn)動模型導(dǎo)入等步驟在軟件中將所需要的場景生成重構(gòu)，極大地提升了智能駕駛研發(fā)和驗證的效率。

本文研究的信號燈路口跟停場景的虛擬重構(gòu)，以Prescan軟件作為虛擬場景的搭建平臺，生成場景中的車輛、道路以及交通標(biāo)志，針對靜止的目標(biāo)前車和制動的目標(biāo)前車，構(gòu)造跟停模型，設(shè)定本車及目標(biāo)車的初始條件，通過Prescan和Simulink聯(lián)合仿真[5]，自動生成虛擬的信號燈路口跟停的場景，為智能駕駛測試場景庫的信號燈路口跟停場景的虛擬重構(gòu)模型搭建提供了技術(shù)支持。

2 跟停場景虛擬生成控制策略

2.1 跟停場景搭建架構(gòu)

信號燈路口車輛跟停場景的搭建架構(gòu)由道路環(huán)境建設(shè)模塊、初始條件設(shè)定模塊和車輛控制模塊3部分組成。其中，道路環(huán)境建設(shè)模塊包括道路、交通標(biāo)志的建設(shè)，用于生成場景的道路環(huán)境條件；初始條件的設(shè)定旨在明確對本車位置和目標(biāo)前車的位置、速度、加速度初始條件；車輛控制模塊以車輛狀態(tài)和目標(biāo)參數(shù)為依據(jù)，控制車輛運(yùn)動。

2.2 道路環(huán)境建設(shè)模塊

道路環(huán)境建設(shè)模塊主要目的是實現(xiàn)信號燈路口道路的自動生成。信號燈路口道路的測試用例提供雙向4車道、雙向6車道、雙向8車道的道路模型，可以對測試用例的車道數(shù)量、車道寬、車道線顏色和類型進(jìn)行設(shè)置，如表1所示。

表1 道路設(shè)置

交通信號燈作為信號燈路口的主要交通標(biāo)志物，具有指導(dǎo)機(jī)動車、非機(jī)動車、行人有序的通過信號燈路口的功能，是跟停場景的重要組成部分。測試用例提供多種搭建的場景環(huán)境，其中信號燈可選擇種類包括：機(jī)動車信號燈（橫置式）、機(jī)動車交通信號燈（直立式）、非機(jī)動車信號燈、人行橫道信號燈。

2.3 初始條件設(shè)定模塊

在信號燈路口跟停場景的虛擬重構(gòu)過程中，以本車的初始位置作為場景參考系的原點(diǎn)（0，0），自動設(shè)定本車與目標(biāo)前車位于同一車道內(nèi)，因此場景重構(gòu)僅需考慮車輛的縱向運(yùn)動狀態(tài)[6]，初始條件設(shè)定模塊對跟停場景中本車位置、速度和目標(biāo)前車的位置、速度、加速度參數(shù)進(jìn)行設(shè)定，如圖1所示，輸出信息為初始時刻的車輛運(yùn)動狀態(tài)。

圖1 初始條件設(shè)置模塊

2.4 車輛控制模塊

車輛控制模塊是虛擬場景自動生成的核心部分，它通過跟停模型控制本車跟停的運(yùn)動過程，針對目標(biāo)車的運(yùn)動狀態(tài)，將跟停場景分為2組：目標(biāo)車靜止和目標(biāo)車制動減速[7]。在場景的虛擬重構(gòu)過程中，由于各個測試車輛的結(jié)構(gòu)各異，動力學(xué)模型各不相同，在此本文采用Prescan 默認(rèn)的動力學(xué)模型作為本車的動力學(xué)模型。

2.41 最小制動減速度計算

一般而言，但凡新成立的部門在選才用人上都很重視專門學(xué)識，前清舊員們大多不具備專門學(xué)識，因此成為被裁汰的主要對象。但對此極力反對者有之，其理由是政府正當(dāng)用人之際，應(yīng)力為挽留才是。如交通部被裁撤人員覺得去留不公平，遂于4月28日在湖廣會館開會，研究對待梁士詒、葉恭綽之方法。同日，南方交通部人員針對此事在金臺旅館開會，研究如何到部履職問題。時人評論：“兩相映照，頗耐人尋味也?！?/p>

當(dāng)前方目標(biāo)車輛處于靜止?fàn)顟B(tài)時，為保障車輛的行駛安全，需要計算滿足本車最小制動減速度[8]，它是避免本車與目標(biāo)車碰撞的本車加速度臨界值，計算過程如下：

式中，ve為本車初始速度；a為本車的最小制動減速度；R為目標(biāo)與本車的車頭間距；L0為最小安全距離，其值為3 m[9-11]。

當(dāng)前方目標(biāo)車輛處于制動減速狀態(tài)時，需要綜合考慮本車與目標(biāo)車在行駛過程中的安全問題。為保障車輛的行駛安全，需要計算即時碰撞時間（Time To Collision,TTC）、目標(biāo)車的制動時間、避免本車與前車碰撞最小制動減速度的臨界值[12-16]，默認(rèn)目標(biāo)車與本車的相對速度為vr＜0,目標(biāo)車的加速度aobj＜0,計算過程如下：

式中，TTC為即時碰撞時間；R為目標(biāo)與本車的車頭間距；vo為目標(biāo)車初始速度；ve為本車初始速度；a為本車的最小制動減速度；tobj目標(biāo)車的制動時間；a0為目標(biāo)車的制動減速度；L0為最小安全距離。

2.42 基于神經(jīng)網(wǎng)絡(luò)的跟?？刂颇Ｐ?/p>

最小制動減速度是避免本車與目標(biāo)車碰撞的加速度臨界值，實際生活中駕駛員跟停往往會有更長的安全距離或更大的制動減速度。為了使虛擬重構(gòu)跟停場景能夠更加真實的還原實際情況，利用神經(jīng)網(wǎng)設(shè)計本車的跟停模型[17-19]，提取大量實際跟停場景的車輛狀態(tài)信息作為輸入、輸出對,構(gòu)造基于神經(jīng)網(wǎng)絡(luò)的跟停模型示意圖，如圖2所示，模型輸入為本車速度、最小制動減速度、相對距離、相對速度等，輸出為下一時刻的本車加速度。

圖2 智能駕駛系統(tǒng)示意

（1）隱含層神經(jīng)元層數(shù)和個數(shù)選擇：

式中，n1為隱含層神經(jīng)元個數(shù)，n2為輸入神經(jīng)元個數(shù)，m為隱含層單元數(shù)目，a為1～10之間的調(diào)節(jié)常數(shù)。

（2）神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法選擇

常用的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法包括：下降法、牛頓算法、共軛梯度法、準(zhǔn)牛頓法和Levenberg-Marquardt(LM)算法。依據(jù)模型參數(shù)以及對數(shù)據(jù)量進(jìn)行對比，結(jié)果表明L-M算法的收斂速度最快，比其它算法的效果快幾倍到幾十倍。L-M算法的參數(shù)更新公式為：

式中，ΔW為參數(shù)更新矩陣，J為Jacobian 的加權(quán)系數(shù)矩陣，I為單位矩陣，u為加權(quán)系數(shù)，T為矩陣轉(zhuǎn)置。

（3）數(shù)據(jù)提取及訓(xùn)練結(jié)果

提取目標(biāo)車停止和目標(biāo)車制動試驗過程中的車輛狀態(tài)數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。目標(biāo)車停止的試驗過程:目標(biāo)車停在道路前方，控制本車在設(shè)定的位置達(dá)到設(shè)定的初始速度，由駕駛員進(jìn)行跟停操作。目標(biāo)車制動的試驗過程:目標(biāo)車位于道路前方，以恒定的加速度進(jìn)行制動，由駕駛員控制本車在初始條件下跟隨目標(biāo)車停止。由于駕駛行為的學(xué)習(xí)需要大量數(shù)據(jù)，最終在10～40 km/h 的速度區(qū)間（目標(biāo)速度小于本車速度）截取了4 886 組數(shù)據(jù)。選擇本車速度、目標(biāo)速度、相對距離、相對速度作為輸入，選擇本車加速度作為輸出，訓(xùn)練一個20 層的神經(jīng)網(wǎng)絡(luò)，樣本數(shù)據(jù)按70%：15%：15%的比例分為訓(xùn)練樣本、測試樣本、仿真樣本，訓(xùn)練結(jié)果如表2所示。

表2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果

車輛控制模塊利用神經(jīng)網(wǎng)絡(luò)輸出的本車加速度和基于參數(shù)化設(shè)計的跟停場景控制模型，計算獲得車輛的運(yùn)動狀態(tài)和行駛軌跡[19]。定義安全信號asafe,車頭間距大于危險車頭間距（本車以最小制動減速度行駛）的值為1，否則值為0。

跟?？刂颇Ｐ腿鐖D3 所示，以本車狀態(tài)、目標(biāo)狀態(tài)、神經(jīng)網(wǎng)絡(luò)計算的本車加速度、相對距離、相對速度和最小制動減速度作為輸入，控制輸出本車和目標(biāo)車的行駛軌跡和安全信號。

圖3 跟?？刂颇Ｐ?/p>

3 跟停場景虛擬重構(gòu)結(jié)果驗證

重構(gòu)場景示例1 為目標(biāo)處于靜止?fàn)顟B(tài)的跟停場景，重構(gòu)的道路設(shè)置、本車初始條件設(shè)定及目標(biāo)前車初始條件設(shè)定結(jié)果如表3、表4所示，十字路口信號燈選擇機(jī)動車信號燈（直立式）。

表3 道路設(shè)置

表4 初始條件設(shè)定

在示例1中，目標(biāo)前車處于靜止?fàn)顟B(tài)，本車在神經(jīng)網(wǎng)絡(luò)控制下的制動跟停，其速度和加速度曲線如圖4和圖5所示，本車與目標(biāo)車的相對距離變化曲線如圖6所示。

圖4 本車速度曲線

示例1 的Prescan 軟件在環(huán)虛擬重構(gòu)結(jié)果如圖7所示。

圖5 本車加速度曲線

圖6 相對距離變化曲線

圖7 示例1虛擬重構(gòu)結(jié)果

重構(gòu)場景實例2為目標(biāo)處于制動減速狀態(tài)的跟停場景，重構(gòu)的道路設(shè)置、本車初始條件設(shè)定、目標(biāo)前車初始條件設(shè)定結(jié)果如表5、表6所示，十字路口信號燈選擇機(jī)動車信號燈（橫置式）。

表5 道路設(shè)置

表6 初始條件設(shè)定

在示例2中，目標(biāo)前車做勻減速運(yùn)動，其速度曲線圖如圖8所示，本車在神經(jīng)網(wǎng)絡(luò)控制下跟隨前車制動跟停，其速度和加速度曲線如圖9、圖10所示，本車與目標(biāo)車的相對距離變化曲線如圖11所示。

圖8 目標(biāo)速度曲線

圖9 本車速度曲線

圖10 本車加速度曲線

圖11 相對距離變化曲線

示例2 的Prescan 軟件在環(huán)虛擬重構(gòu)結(jié)果如圖12所示。

圖12 示例2場景重構(gòu)結(jié)果

4 結(jié)論

本文提出了一種基于Prescan 的信號燈路口跟停場景虛擬重構(gòu)方法，該方法通過道路環(huán)境建設(shè)模塊、初始條件設(shè)定模塊和車輛控制模塊，對目標(biāo)車輛靜止和目標(biāo)車輛制動減速的2 類信號燈路口跟停場景進(jìn)行道路環(huán)境和車輛行駛路徑的虛擬重構(gòu)。未來將圍繞包括行人、自行車、摩托車等非機(jī)動車目標(biāo)的跟停場景。