熊 逸 展

(紐卡斯?fàn)柎髮W(xué) 工程學(xué)院，英國 紐卡斯?fàn)?NE17RU)

1 相關(guān)工作

近年來，隨著深度學(xué)習(xí)技術(shù)的進(jìn)一步發(fā)展，在各研究領(lǐng)域都有了廣泛的應(yīng)用[1-2].在車輛工程和交通工程領(lǐng)域，借助深度神經(jīng)網(wǎng)絡(luò)的車輛控制和交通預(yù)測模型的研究也有了進(jìn)一步深入發(fā)展[3-4].Wang和Xie等人[5-6]采用深度學(xué)習(xí)的方法研究了普通車輛的多種駕駛行為，結(jié)果表明深度神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)的淺層神經(jīng)網(wǎng)絡(luò)在捕獲駕駛?cè)说膹?fù)雜非線性駕駛特性方面更具有優(yōu)越性.Zhang等[7]從交通流中兩種最基本的運(yùn)動出發(fā)，提出以一種混合HRC訓(xùn)練方法來進(jìn)一步優(yōu)化LSTM模型，并利用NGSIM數(shù)據(jù)集，對所提HRC-LSTM模型進(jìn)行訓(xùn)練和測試，結(jié)果表明所提方法在估計準(zhǔn)確性方面有明顯提高.Yang等人[8]將機(jī)器學(xué)習(xí)模型與基于運(yùn)動學(xué)的跟車模型相結(jié)合，采用了一種最優(yōu)組合預(yù)測方法來控制自動駕駛車輛的縱向運(yùn)動，并采用實測車輛軌跡數(shù)據(jù)集對所提方法進(jìn)行驗證.Wang等人[9]的研究表明在基于深度學(xué)習(xí)的車輛行為擬合模型中，需要考慮到長記憶效應(yīng)才能正確模擬交通中所觀測到的時滯效應(yīng).Liu等人[10]提出了一個深度學(xué)習(xí)模型來模擬換道事件中的態(tài)勢評估和決策過程，實測結(jié)果表明所提模型對車輛變道行為有較高的識別精度.

上述研究所采用的數(shù)據(jù)集大多為普通人工駕駛車輛的實測數(shù)據(jù)，較少關(guān)注智能網(wǎng)聯(lián)汽車的行駛特性預(yù)測.當(dāng)前，部分具有輔助駕駛和網(wǎng)聯(lián)功能的商用智能網(wǎng)聯(lián)汽車已逐漸普及，因此，本文采用LSTM深度神經(jīng)網(wǎng)絡(luò)來預(yù)測智能網(wǎng)聯(lián)汽車的行駛狀態(tài)，并通過實測數(shù)據(jù)對所提方法進(jìn)行驗證.

2 預(yù)測算法

LSTM主要應(yīng)用于時間序列的預(yù)測問題.由于智能網(wǎng)聯(lián)汽車的控制算法在嵌入式控制器中一般是固定的，所以外在的車輛行為相比普通的人工駕駛車輛會表現(xiàn)出較強(qiáng)的確定性.而且，智能網(wǎng)聯(lián)汽車的運(yùn)動具有明顯的連續(xù)時間特性，因此采用LSTM深度神經(jīng)網(wǎng)絡(luò)預(yù)測運(yùn)行狀態(tài)會有較好的適用性.傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)因網(wǎng)絡(luò)層數(shù)較淺，無法捕獲到更為復(fù)雜的非線性關(guān)系，并且由于其不具有循環(huán)單元，對歷史數(shù)據(jù)無明顯記憶特性，但車輛的駕駛行為明顯與歷史運(yùn)行狀態(tài)相關(guān)，因此LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)較適應(yīng)于車輛的狀態(tài)預(yù)測問題.

本文所采用的預(yù)測算法可主要分為以下四個步驟.

步驟一：遺忘門設(shè)置

Fk=f[Wf·[hk-1,xk-1]+θf]，

(1)

其中，f(·) 為神經(jīng)網(wǎng)絡(luò)的激活函數(shù)，hk-1為上一個單元輸入，xk-1為當(dāng)前輸入，θf表示閾值.

步驟二：輸入狀態(tài)更新

(2)

(3)

步驟三：更新神經(jīng)網(wǎng)絡(luò)狀態(tài)

(4)

步驟四：網(wǎng)絡(luò)輸出

(5)

經(jīng)過步驟四中g(shù)(·) 的處理，將得到處于區(qū)間[-1,1]內(nèi)的值，通過與Ok相乘，最終得到神經(jīng)網(wǎng)絡(luò)輸出.

3 實驗與分析

3.1 實驗場景設(shè)置

本文所研究的車輛行為的測試類型有減速測試、振蕩測試、高速測試和低速測試四種類型.數(shù)據(jù)類型包含時間戳、后車速度、前車速度和車輛間距.實測數(shù)據(jù)選擇文獻(xiàn)[11]中所公開的裝配有自適應(yīng)巡航控制的車輛行駛軌跡數(shù)據(jù).減速測試的場景設(shè)置為前車速度突然變化，以此研究后車的響應(yīng)情況.振蕩測試旨在研究前車的速度波動對后方交通的影響.高速測試旨在研究高速前行車隊中前后車之間的激勵和響應(yīng)關(guān)系.低速測試的目的是收集車輛在緩行期間的交通行為.將高速測試與低速測試分開進(jìn)行的原因在于文獻(xiàn)[12]通過實測實驗發(fā)現(xiàn)交通流在高速和低速情況下隨機(jī)振蕩的影響程度是不同的.每種測試場景下，又可細(xì)分為兩種實驗，即車輛自適應(yīng)巡航控制分別設(shè)定為遠(yuǎn)距離檔位和近距離檔位.

3.2 減速測試場景

圖1(a)顯示的是在車輛減速測試且自適應(yīng)巡航控制選用遠(yuǎn)距離檔位所收集到的加速度、速度和間距數(shù)值.圖1(b)為目標(biāo)車輛的加速度實測值與選用LSTM深度神經(jīng)網(wǎng)絡(luò)的預(yù)測值，可以看出預(yù)測值與測試值進(jìn)一步擬合，可以達(dá)到工程所需的精度.圖1(c)為選擇近距離跟隨檔位時所采集到的數(shù)據(jù)，圖1(d)為對應(yīng)的預(yù)測值與實際值對比.結(jié)果顯示，無論控制檔位選擇如何，本文所提方法都可以對目標(biāo)車輛的加速度進(jìn)行有效預(yù)測.

3.3 振蕩測試場景

圖2(a)和(c)為車輛振蕩測試所收集的數(shù)據(jù).圖2(a)對應(yīng)于遠(yuǎn)距離檔位，圖中顯示車輛間距大于40 m.圖2(b)對應(yīng)于近距離檔位，圖中顯示車輛間距小于40 m.圖2(b)和(d)為在振蕩測試場景下對目標(biāo)車輛加速度的實測值和預(yù)測值，與圖1(b)和(d)的預(yù)測效果相當(dāng)，所以在測試場景改變時，本文所提方法依然有較好的預(yù)測效果.

3.4 高速測試場景

圖3為車輛高速測試場景實驗結(jié)果.在圖3(a)中目標(biāo)車輛由29 m/s平穩(wěn)行駛一段時間，提速至31 m/s，平穩(wěn)行駛50 s后又提速至33 m/s.隨后又逐步降速.圖3(b)為所對應(yīng)目標(biāo)車輛在遠(yuǎn)距離檔位設(shè)置下的實際測量值和預(yù)測值.圖3(c)和(d)為選擇近距離跟隨檔位下的測試結(jié)果.整體而言，圖3(b)和(d)所示的預(yù)測結(jié)果符合測試數(shù)據(jù)的演化趨勢.

圖1 減速測試結(jié)果

圖2 振蕩測試結(jié)果

圖3 高速測試結(jié)果

3.5 低速測試場景

圖4為車輛低速測試場景實驗結(jié)果.圖4(a)和(b)為選擇遠(yuǎn)距離檔位時的實測數(shù)據(jù)以及預(yù)測值與測量值的比較結(jié)果.圖4(c)和(d)則為選擇近距離跟隨檔位時的實測數(shù)據(jù)以及預(yù)測值與測量值的比較結(jié)果.綜合圖1至圖4的實驗結(jié)果可以看出，基于LSTM深度神經(jīng)網(wǎng)絡(luò)的車輛行駛數(shù)據(jù)預(yù)測方法可以在車輛減速測試、振蕩測試、高速測試和低速測試多種場景下達(dá)到工程預(yù)測需求，具有一定的魯棒性和可靠性.

圖4 低速測試結(jié)果

4 結(jié)束語

本文將LSTM深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于智能網(wǎng)聯(lián)汽車的軌跡預(yù)測，分別選取了車輛減速測試、振蕩測試、高速測試和低速測試四種實測場景，對本文所提方式進(jìn)行驗證，結(jié)果顯示：本文所采用的軌跡預(yù)測方法可在多種復(fù)雜場景下滿足工程預(yù)測的精度需求，具有一定的可靠性和魯棒性，可應(yīng)用于智能網(wǎng)聯(lián)汽車的車輛控制、軌跡優(yōu)化以及交通管控領(lǐng)域.因為智能網(wǎng)聯(lián)汽車的廣泛商用普及需要一定的時間，下一步將研究智能網(wǎng)聯(lián)汽車在不同市場滲透率下的軌跡預(yù)測及優(yōu)化問題.