基于国外技术研究方法的弯道驾驶行为特征统计分析
宋敏(长春汽车工业高等专科学校,长春 130013)
【摘要】为理解驾驶员行为特征,提高自动驾驶汽车的类人驾驶能力,借鉴国外研究成果,基于自然驾驶数据集,对驾驶员在弯道行驶过程中的行为特征开展了研究。选择车辆纵向速度、侧向加速度、横摆角速度和车速作为驾驶员行为特征,选择弯道曲率半径作为道路几何特征,利用车辆动力学原理进行弯道工况识别,通过核密度估计及相对熵对数据集特征参数分布的收敛性进行验证,并对弯道行驶过程中驾驶员行为特征及道路几何特征进行了统计分析。分析结果可以为设计具有类人操作特性的自动驾驶或驾驶辅助个性化系统提供数据支撑。主题词:国外技术 驾驶员 自然驾驶数据集 行为特征中图分类号: U461 文献标识码: A 10.19620/j.cnki.1000-3703.20191204 DOI:
Statistical Analysis of Driving Behavior Characteristics in Curves Based on Foreign Technical Research Methods
Song Min Changchun Automobile Industry Institute, Changchun 130013) ( Abstract Based on relevant research results of foreign countries and natural driving data set, this paper studies the【 】behavior characteristics of drivers in the process of driving in curves in order to understand behavioral characteristics of drivers and improve human- like driving ability of automated driving vehicle. The longitudinal velocity, lateral acceleration, yaw velocity and vehicle speed are selected as the behavior characteristics of the driver, and the curvature radius of the curve is selected as the geometric characteristics of the road. The vehicle dynamics principle is used to identify the curve conditions. Kernel density estimation and relative entropy are used to verify the convergence of the distribution of the characteristic parameters of the data set. The behavior characteristics of the driver and the geometric characteristics of the road are analyzed in the driving process of curvature. The analysis results can provide data support for the design of automatic driving or driving assistance personalized system with human-like operation characteristics.
Key words: Foreign technology, Driver, Natural driving data set, Behavioral characteristics 1 前言
10
过去 年,通过大数据对驾驶员的驾驶行为进行分析和建模已经成为一个活跃的研究领域。如何使自动驾驶车辆具有类人操作特性,适应复杂驾驶场景并与其他道路使用者进行合理互动,是目前研究的热点。为实现这一目标,通常需要在分析大量自然驾驶数据的基础上,理解和发现驾驶员在驾驶过程中的重要行为特征。
国外科研人员利用自然驾驶数据集开展驾驶员行为方面的研究早于我国[1- 4]。美国公路战略研究计
Strategic Highway Research Program 2,
划二期项目(
SHRP 2) 2 800
共采集了不同年龄段 多名志愿驾驶员
53 100 000 km
超过 的自然驾驶数据,研究驾驶员的表现和行为在交通安全中的作用,以及如何影响碰撞风
W. Wang
险。[5] 等利用高斯核密度估计方法,采用相对
2
熵评估 个具有不同数据量数据集的密度函数间的相似度,提出捕捉驾驶员行为基本特征的通用评估方法[6]。
China Field
朱西产等利用中国大型实车路试项目(
Operational Test,China FOT)
自然驾驶数据集对驾驶员行为特征、危险工况等进行了广泛、深入的研究,成果应用于自动驾驶控制策略和测试场景开发[7-10]。
弯道行驶是典型的自然驾驶工况,需驾驶员同时控制方向和车速,协调横摆角速度、侧向加速度与弯道曲率的关系。为设计具有类人驾驶行为方式和决策能力的自动驾驶或驾驶辅助系统,应了解该过程的驾驶员行为特征。
[11]
文献 基于驾驶模拟器研究了弯道行驶过程中
[12]
驾驶员的速度控制和车道位置选择;文献 基于自然驾驶数据集研究了道路曲线形状对驾驶员行为的影响;
[13]
文献 表明车辆侧向加速度是弯道行驶过程中速度
[14]
选择的关键因素;文献 通过对自然驾驶数据的研究发现,弯道行驶过程中最大侧向加速度发生在入口处;
[15]
文献 利用自然驾驶数据集研究了驾驶员如何调整
[16]
行为以适应车速限制和道路几何形状;文献 对全工况自然驾驶数据的研究表明,驾驶员的纵向加速度与侧向加速度分布在双三角形区域内。
驾驶员行为受周围环境和驾驶员自身不确定性的影响很大,但在长时间的驾驶过程中,单个驾驶员的驾驶行为统计特征将趋于稳定。对驾驶员自然驾驶过程长时间采集得到的自然驾驶数据集可以提供真实可靠的、能够表征驾驶员特征的驾驶行为数据。借鉴国外先进研究方法,本文针对弯道行驶场景,分析驾驶员在弯道行驶过程中的行为特征参数的分布特性与相互关系。
2 自然驾驶数据集
本文使用的自然驾驶数据集来自纯电动汽车,共
21 2018
位驾驶员驾驶车辆,试验数据采集时间范围为
3 19 ~2018 10 25 80 864 km,
年月 日 年 月 日,总行驶里程
2 307 h 10 Hz GPS
数据记录时长 。以 频率采集了 位置、驾驶员操作信号、车辆响应信号等数据。车辆行驶道路主要为城市主干道、城市快速路及高速公路,行驶区域
10
为长春、成都、上海、厦门等 个城市。
3 弯道工况识别
分析弯道工况驾驶员行为特征,首先要准确确定弯道行驶过程。由于自然驾驶数据集中未记录高级驾驶
Advanced Driving Assistant System,ADAS)
辅助系统( 的
[17]
传感器数据,采用文献 提出的方法,利用车辆状态信号对弯道过程进行识别。
根据车辆动力学原理,与直线行驶相比,转弯时车辆航向角、横摆角速度和侧向加速度发生明显变化。考虑到转向盘转角信号随车速变化较大,且由于转向间隙引起的信号误差较大,利用横摆角速度信号进行弯道识别。根据弯道工况的统计分析结果,确定弯道工况辨识
1
逻辑的各项判定阈值,辨识逻辑如图 所示。
其中任意时刻t的航向角 φ(t)通过横摆角速度w对时间τ积分计算得到: ∫
φ(t)= t w( τ) dτ 1) ( t0
式中, t0为开始时刻。
为了验证弯道工况辨识逻辑的准确性,利用车辆
GPS
信号绘制车辆运动轨迹,标出已辨识出的弯道工
2 150
况,辨识结果如图 所示。对 个弯道识别结果进行
98.6%
验证,识别准确率为 。
利用自然驾驶数据集,共识别得到有效弯道行驶工
29 571 3
况 个。弯道行驶工况航向角变化如图 所示,弯
4
道 航 向 角 可 分 为 种 情 况 ,即 φ ∈[10°, 70°) 、∈[70°, 145°) 、 ∈[145°, 210°) 、 ∈[210°, 400°]
φ φ φ ,分别对应不同的日常驾驶场景,如快速路或高速公路弯道、城
180°
市道路路口转弯、 掉头行驶及高架桥匝道等。航向
∈[10°, 70°)
角 φ 的弯道行驶工况占所有弯道行驶工况
54%,
总数的 可能原因是数据集中快速路及高速公路行
∈[10°, 70°) ∈[70°, 145°)驶数据比例较高。航向角 φ 、φ
90%, 2
行驶工况占总数的 远高于其他 种弯道行驶工况,这也与日常的实际驾驶经验相符。
4 驾驶行为特征参数分布的收敛性
为了准确描述驾驶行为特征参数的概率分布特性,首先需确定当前数据集数据能否得到稳定收敛并真实可信的驾驶行为特征参数的概率分布结果。数据量不足可能导致无法得到准确的分析结果,过多的数据则会
[6]浪费数据采集资源。针对这一问题,文献 提出了一种基于高斯核密度估计的驾驶员行为综合评价方法,应
用相对熵测量不同数据量的密度函数之间的相似性,本
[6]
文基于文献 中提出的方法,讨论基于自然驾驶数据集的驾驶行为特征参数概率分布收敛性。首先,使用核密度估计得到不同加速度分布数据量数据集的驾驶行为特征参数的概率分布;其次,使用相对熵来衡量各数据集核密度估计间的差别;最后,根据相对熵的变化确定能够得到稳定收敛驾驶行为特征参数概率分布的数据量,确定当前数据集能否满足分析要求。
由于驾驶员行为数据不能通过传统的分布函数(正态分布、泊松分布、指数分布等)进行拟合,也就无法通过概率密度函数对特征分布进行表达。研究表明,通过多
Gaussian Mixture Model,GMM)
元高斯混合模型( 可以描
Kernel Density Estima⁃述驾驶行为特征[18]。核密度估计(
tion,KDE)
是概率论中用来估计未知密度函数的方法。利用高斯混合模型和核密度估计等非参数方法可以通过有限的数据采样点来拟合驾驶员的行为特征分布。记 xi为一组观测向量,多维核密度函数定义为:
nΣ f̂ ( x) 1 n K( xi) 2) = x - ( n i= 1 x)
式中, K( 为核函数; x为任意一组观测向量; n为观测数据的数据量。选择多维高斯函数作为核密度估计的核函数,则核函数可以表示为:
=( 2π)- 12 exp(- 21
K( x) d 2| | xT H - 1x) H d×d
式中, d为观测数据维数; H为 维的带宽矩阵,使用
[19] | H|
文献 中的方法进行估计; 为矩阵H的行列式。
Relative Entropy) Kullback Leibler
相对熵( 又被称为
2
散度或信息散度,是 个概率分布间差异的非对称性度
2
量,可用于描述 个概率分布之间差异的大小,当一组新的数据加入到原有数据集后,可以使用相对熵来检验原数据集与新数据集之间是否存在显著差异。记一组新数据的数据量为m,原数据集的数据量为n,则新数据( n+m), 2
集的数据量为 个数据集的相对熵定义为:
f̂ ∫ ( x) [ f̂ f̂ ] f̂ ( x)|| ( x) ( x) log m+n dx 3)
DKL = f̂ ( m+n n m+n ( x) n
f̂ f̂ ( x) ( x)式中, 、 分别为原数据集和新数据集的核n m+n密度函数。
[ f̂ ] 0 f̂ f̂当 DKL f̂ ( x)|| ( x) ( x) ( x)
接近 时,表明 与m+n n m+n n非常接近,新增加的数据不会为密度函数提供更多有用[ ]的信息;当 DKL f̂ ( x)|| f̂ ( x) f̂ ( x)
较大时,表明 与m+n n m+n f̂ ( x)
有显著差异,需要更多数据来得到稳定的数据分布。n 对纵向加速度和侧向加速度联合分布数据进行分
4
析,结果如图所示。当相对熵 DKL < ϵ ∈( ϵ为判断阈
2
值)时,认为 个数据集之间的相对熵趋于稳定,本文设
0.001
ϵ= 。随着样本数量的增加,相对熵变化情况如
5 25×105
图 所示,当分析样本数量达到 个时,满足收敛
5 078 649
条件。本文提取到的弯道行驶样本数量为个,能够获得稳定收敛的驾驶行为特征参数概率分布。
5 驾驶行为特征分布特性及应用
弯道行驶过程中,驾驶员根据道路曲率,考虑车辆动态响应和运动极限,通过调整转向盘、油门踏板和制动踏板控制车辆。车速、侧向加速度、纵向加速度及横摆角速度通常显著变化,并存在耦合关系。其中,侧向加速度与纵向加速度通过附着椭圆相互影响,侧向加速度、纵向加速度、横摆角速度通过圆周动力学相互影响。
5.1 纵向加速度与侧向加速度的关系
纵向加速度和侧向加速度联合分布的分位曲线如6
图 所示。其中,纵向加速度的正、负分别表示驱动加速及制动减速过程,侧向加速度的正、负分别表示左、右转弯,侧向加速度在左、右转弯过程中没有显著区别。随着