基于神经网络的智能驾驶模式识别研究
【摘要】为满足智能驾驶汽车高级驾驶辅助系统( 功能研发和验证的需求,提高 功能的准确性,设计了一款基于神经网络的智能驾驶模式识别程序,该程序由数据采集、目标检测、场景识别预测 个模块组成。数据采集模块利用毫米波雷达、前置摄像头对交通环境及周围车辆的数据信息进行采集;目标监测模块通过控制算法选择判断触发各类功能场景的最可疑目标;场景识别处理模块以汽车制造商提供的大量自然驾驶数据的场景挖掘结果为依据,利用神经网络学习各类 场景的特征行为,并通过约束条件对各类 功能场景的识别结果进行实时判定。通过开放道路试验进行验证,结果表明,该程序的场景识别结果准确率可达到 。
Lane Departure Warning,LDW)[
偏离预警( 10- 14]系统的模式识别为例,针对智能驾驶汽车无法自主开启相应的
ADAS
功能这一问题,设计了一种基于神经网络的智能驾驶模式识别系统,使智能驾驶汽车针对特定场景自动
ADAS
开启相应的 功能。
2 数据采集2.1道路试验设计
2019 3 10~24
道路试验时间为 年月 日,测试有效时
14 2 208.49 km,
间为 天,道路测试总里程为 测试地点包括天津、河北、河南、安徽等地区。道路类型包括高速公路、国道、城市道路、乡村道路等,其中,高速公路、国道、
5∶2∶2∶1,
城市道路、乡村道路的比例约为 测试天气有晴天、阴天、雨天、雾霾天等,场景数据包括直道、弯道、十字路口、红绿灯、人行横道、桥梁、隧道、高速公路等场
2
景和 种及以上的组合场景。
2.2人员及试验设备
20
共选取 名有无人驾驶经验的男性安全辅助人员
33.5
进行道路试验,平均年龄为 岁,无人驾驶安全辅助
1~5
年龄 年不等,无其他影响无人驾驶安全的因素。数
B Brick
据采集试验设备包括一款 级车、 工控机、
Mobileye ESR ibeo
摄像头、 毫米波雷达、 激光雷达及相关
1
设备,如图 所示。
2.3获取的原始数据
VECTOR
道路测试的数据采集记录软件选择德国
CANape 17.0, 2
公司的 如图 所示,原始数据包括车辆前向及左、右后方的视频数据和感知传感器探测到的位置、速度、相对速度等信息。
3
智能驾驶模式受到多种因素的非线性影响,无法用单一的数学公式描述,因此本文使用人工神经网络
Artificial Neural Networks,ANN)
( 设计一款智能驾驶模
ACC BSM LDW ADAS
式识别程序,以实现 、、等 功能场景的模式识别。神经网络以大量的自然驾驶数据特征参
ADAS
数作为输入、输出对,学习各类 场景位置、约束等的特征参数,实现智能驾驶汽车的模式识别功能。
3.1
神经网络输入层的神经元数量计算过程为: n2 = n1 + + 1)
m a (式中, n1为隐含层神经元数量; n2为输入层神经元数量;
a∈[ 1~10]
m为隐含层单元数量; 为调节常数。
3.2神经网络的训练方法选择
常用的神经网络训练方法包括梯度下降法、牛顿
Levenberg- Marquardt
算法、共轭梯度法、准牛顿法和
L-M)
( 算法。将模型参数和数据量进行对比,结果表明
L-M
算法的收敛速度比其他算法快几倍到几十倍。
L-M
算法的权重更新公式为:
ΔW=( uI) ×JT 2)
(
ΔW
式中, 为权重;为雅可比的加权系数矩阵;为单位矩阵; u为加权系数。
3.3
神经网络学习效率过大会导致收敛过快,并在极值点附近产生不稳定振荡,过小会导致神经网络的训0.05练速度过慢,经过多次试验验证,学习效率选择 效果最好。
3.4神经网络识别模型隐含层神经元数量选择学习效率神经网络训练结果
3
图 所示为神经网络模型,以感知传感器获取的交CAN
通环境信息和 总线信息为输入,通过神经网络对车辆的位置和运动状态进行判断,从而实现智能驾驶汽车的驾驶模式识别。
ACC 1 863 BSM 2 046 LDW 977
场景 个, 场景 个, 场景
ACC
个。以 功能识别为例,以本车速度v、相对距离R、相对速度vr、本车与车道线的距离L作为输入变量,输出
20
变量为各智能驾驶模式识别的判断结果。训练一个
70%∶15%∶15%
层的神经网络,样本数据按 的比例分为训练样本、测试样本、仿真样本。
4
ADAS
为了将基于神经网络的 功能识别模型装载到智能驾驶汽车上,并与设置的开关按钮进行关联匹
Finite State Machine)
配,使用有限状态机( 识别输入信号并输出当前所属状态。该系统将目标可触发功能类
VECTOR
型以判别信号的形式输送到车端( 工控机)作为输入信号,输出的功能状态包括功能关闭、功能待机、
5 4
功能激活、故障和场景识别 个部分,如图 所示。打开功能开关,系统由功能关闭状态进入功能待机状态,接收到可疑触发信号功能激活,并对信号进行分类。
5智能驾驶识别程序设计
本文设计的智能驾驶模式识别程序通过感知传感器获取真实的交通环境信息,经过数据的预处理,对当
ADAS L2
前场景所属的 功能场景进行模式识别。 级别
ADAS ACC
智能驾驶汽车包含众多的 功能,本文以 、
BSM LDW ADAS
、 的模式识别为例,设计 场景识别程
ADAS
序。 场景挖掘程序由数据采集模块、目标检测模
ADAS
块、 场景识别模块组成。
5.1识别模型的装载数据采集模块
数据采集模块通过检测目标与本车的相对空间位
5置坐标实现目标的检测和空间坐标定位,如图 所示。定义车道位置辅助系数r,确定目标的车道位置对应系数值。
模块的输入量包括目标与本车的相对距离R、目标与本车的偏航角θ和车道线位置,可通过毫米波雷达、角毫米波雷达和摄像头进行数据采集。模块的输出量为
Ry=Rcosθ
目标与本车的车头纵向间距 、横向距离
Rx=Rsinθ
、车道位置辅助系数r、车头间距辅助系数k,目标车的车道位置可由摄像头提供的车道线位置(右侧为正值,左侧为负值)进行判定。横向距离介于左、右
r= 0;
车道线之间,标记为 横向距离大于右车道线,标记r= 1; r=- 1
为 横向距离小于左车道线,标记为 。当目标k= 1; k=- 1
位于自车前方时, 当目标位于自车后方时, 。
5.2目标检测模块
目标检测模块以目标车辆的车道位置辅助系数和
ACC BSM
车头间距辅助系数为依据,分别筛选出触发 、、
LDW
功能的可疑目标车辆,对当前时刻和延迟时刻(根
ADAS
据 功能类型确定)的状态进行数据关联,判定场
ADAS ADAS
景所属 功能类型,从而实现对相应 功能目
6
标车的筛选,如图 所示。模块的输入量为目标的车道位置辅助系数r和车头间距辅助系数k,通过对当前时刻状态和延迟时刻的辅助系数 r1和 k1进行数据关联,预测状态值的变化趋势,对最可疑的触发目标进行分类并监测。场景分类如
1 ADAS obj_status) ACC
表 所示,将 状态目标( 分为 目
BSM LDW
标、 目标、 目标。
5.3 ADAS场景识别模块
ADAS
场景识别模块利用前文搭建的神经网络识
3 ADAS
别模型对系统包含的 类 功能进行模式识别[15]。
ACC
其中: 功能的可疑目标经过神经网络的模式识别
后,增加车头时距tTHW(取值范围为0~5 s)
作为跟车的辅
BSM
助判别标准; 功能的识别以速度v[ 16]、相对距离R、相对速度vr为神经网络的输入,进行模式识别后,增加对预警时间(目标车辆进入盲区边界的初始时间)、左右
7
侧的判定,如图 所示。
表功能场景分类
182 195
程共识别出 个左变道场景, 个右变道场景,其中
2
程序漏判定 次,分析其失效原因为车道线模糊致
Mobileye ME630 0
无法识别,误判定 次。
ACC
由上述开放道路测试结果可知,程序共识别
482 BSM 583 LDW 377
场景 个, 场景 个, 场景 个,模式识
99.86%,
别的准确率达到 具有较好的工作效果。
7结束语
针对主机厂现有道路测试数据无法准确验证
ADAS ADAS
功能触发和结束的现状,本文对各类 功能的触发和稳定控制约束条件开展研究,设计了一款智能
ACC
驾驶模式识别程序。该程序利用神经网络分别对 、
BSM LDW ADAS
、 场景的特征信息进行学习,获得 场景模式识别程序,并通过相关特征信息对各类场景进行实时监测识别。开放道路测试验证结果表明,本文设计的
ADAS
智能驾驶模式识别程序能准确预测 场景的驾驶
99.86%, ADAS
模式,识别准确率达到 可为汽车 功能主动触发的研发和试验验证提供有效参考。
参考文献