基于径向基神经网络的驾驶人无意识车道偏离识别模型∗

孟 妮山 岩

（1.陕西工业职业技术学院 咸阳 712000）（2.长安大学汽车学院 西安 710064）

关键字 车道偏离；神经网络；主成分分析；遗传算法

1 引言

换道行为是车辆行驶过程中常见操作之一，是影响车辆安全驾驶的重要因素。当前先进辅助驾驶系统（ADAS）成为保障汽车安全降低交通事故率的主要手段之一。许多辅助驾驶系统已经在车辆上得以使用，常见的有自适应巡航系统（ACC）、车道偏移报警系统（LDWS）和车道保持系统（LCA）等，其中不能有效区分换道和无意识车道偏离是驾驶辅助系统误报率偏高的主要原因之一。驾驶人在疲劳驾驶、注意力不集中或者操作能力不高时都会导致无意识的车道偏离。美国交通安全部门在2010年的一份针对驾驶人的调查报告中指出，驾驶人注意力转移和驾驶人注意力分散是诱发驾驶人无意识车道偏离的主要因素之一［1］。与换道行为相比，无意识车道偏离也会表现出类似的横向运动特性。辅助驾驶系统若是无法将这两种行为进行有效的区分，就会产生误报。

神经网络是当前公认具较强学习能力的识别方法，同时对于错误数据具有较强的包容能力，能够在短时间内区分出无意识车道偏离与换道［2］。本文在真实城市道路条件下进行试验，建立了基于神经网络的车道偏移识别模型。选择方向盘转角、车道线距离和车辆横摆角速度作为模型的识别参数，并对采集到的数据进行卡尔曼滤波与降维处理。针对神经网络参数选取时会出现局部最优化的问题，采用遗传算法对神经网络参数优化，选取最佳的神经网络参数值［3］。最后，通过对车道偏离模型进行训练与测试，结果表明该模型能够有效地辨识无意识车道偏离与换道。

2 驾驶人车道偏离识别模型建立

2.1 径向基神经网络

径向基函数（RBF）是在1985年由Powell提出的一种多维空间插值技术。Broomhead等受到大脑神经单元局部响应特征的启发，首次将径向基函数加入到神经网络当中去。径向基神经网络是一种三层前向神经网络，由输入层、隐含层和输出层组成。径向基神经网络主要特点是隐含层中神经单元的变换函数替换为径向基函数［4］。与BP神经网络不同，RBF神经网络的输入层与隐含层之间的连接权值近似为1，输入层仅起传递数据值的作用。RBF神经网络结构如图1所示。

图1 RBF神经网络结构图

径向基神经网络通过将隐含层中变换函数换为径向基函数，使得隐含层能够对输入量进行矢量转换，将输入数据从低维空间转换到高维空间中去，将原本低维线性不可分问题变成了高维线性可分。径向基函数结构简洁，收敛速度快、学习能力强，能够快速逼近复杂的非线性函数［5］。

RBF神经网络激活函数的自变量为输入值与权值之间的距离量||distance||。随着距离量|||distance||的减少，神经网络输出值是递增的。本文选取高斯函数作为径向基函数，其中激活函数表达式为

RBF神经网络的输出值为

径向基函数方差的计算过程如下:

其中，e表示神经网络输出层的期望输出值。

2.2 车道偏离表征参数

将车辆行驶过程中车道偏离分为换道与无意识车道偏离两种情况。换道是驾驶人为了改善交通环境或者驾驶目地需求而采取的一种主动变换车道的行为，无意识车道偏离是驾驶人因为驾驶不熟练或者疲劳分心等因素而引起的无意识车道偏离行为。车辆运动数据参数中与车道偏离相关的参数有车辆横向位移、横向速度、车辆纵向位移、纵向速度、方向盘转角、方向盘转动角速度和横摆角速度等［6］。通过对不同运动参数之间进行独立样本T检验，选取方向盘转角、横摆角速度、车道线距离作为建立车道偏离识别模型的输入参数。

1）方向盘转角，方向盘转角体现了驾驶人对于车辆行驶方向的控制意图，在换道过程中，方向盘转角会体现出明显的特性。在无意识车道偏离时，方向盘转角也会出现相似程度的变化。因此仅依靠方向盘转角无法有效地区分换道与弯道时的无意识偏离。

2）车道线距离，车道线距离为车辆距车道中心线的横向距离，是表示车辆偏移程度最直接的数据，但是换道和无意识车道偏离都会表现出横向距离的变化，因此仅依靠车道线距离无法区分出换道和无意识车道偏离。

3）横摆角速度，横摆角速度能够体现车辆偏移时转动姿态，也可以作为识别换道和无意识车道偏离的标准之一。

2.3 数据获取与滤波

本文在试验场内进行了多名驾驶人的实车试验。根据美国交通安全部门的研究表明分心是造成无意识车道偏离的主要因素之一［7］。试验时给每个驾驶人设置了分心部分与正常驾驶部分。试验过程中通过让驾驶人打电话、聊天等方式使驾驶人注意力分散以产生无意识车道偏离行为。为了保证试验结果的客观公正并没有告知驾驶人试验目的。本文共选取了11名驾驶人进行试验，其中驾驶人平均年龄为33岁，平均驾龄7年。

车载传感器在采集数据过程中会夹杂随机干扰，这就导致采集数据中夹杂有随机噪声。同时因为传感器精度的限制，会导致采集到的方向盘转角、车道线距离和横摆角速度数据具有不同程度的阶跃性。为了尽可能地降低随机噪声并使数据保持连续性，本文采用卡尔曼滤波器对方向盘转角、车道线距离和横摆角速度数据进行滤波。其中滤波结果如图2、图3和图4所示。

图2 方向盘转角滤波

图3 车道线距离滤波

图4 横摆角速度滤波

2.4 样本建立

通过实车试验共挑选出539组数据样本，其中换道行为316组，占到总样本的58.6%，无意识车道偏离为223组，占到总样本的41.4%。在换道样本中随机挑选266组作为训练样本，在无意识车道偏离样本中随机挑选173组样本作为训练样本。剩余的100组换道样本和无意识车道偏离样本作为测试样本。

2.5 RBF神经网络训练

时间窗口的长度对于神经网络的识别准确率与识别效率有重大影响。一方面，时间窗口选取时间过短，神经网络能够在短时间内对车道偏离行为进行识别，但是因为时间窗口所包含的信息量少，使得神经网络无法有效地辨识换道和无意识车道偏离；另一方面，时间窗口选取时间过长，神经网络需要较长时间才能做出判断。因此需要综合考虑神经网络的识别准确率与识别效率，需要选取一个合适的时间窗口［8］。

通过对316组换道样本的换道时间的统计发现，车辆的平均换道时间为7.8s，最短换道时间为3.5s，最长的换道时间为21s。在MATLAB软件环境下，分别测试了RBF神经网络在0.8s、1.0s、1.2s、1.4s、1.6s、1.8s、2.0s、2.5s、3.0s、3.5s、4.0s、4.5s 和5.0s情况下对换道行为和无意识车道偏离的识别率。结果如表1所示。

表1 不同时间窗口下的模型识别率

由表1可知，从总体识别率可以看出识别率是先升高后逐步降低的。这是因为随着时间窗口增长，神经网络能够获取的信息逐步增加，有利于神经网络对车道偏离进行辨识。但是随着时间窗口的继续增加，神经网络获取的信息开始冗余，多余的信息降低了神经网络对车道偏离的辨识准确率。在不同的时间窗口内，神经网络对于换道行为的识别率明显高于无意识车道偏离。

车辆辅助安全系统中对于车道偏离识别的实时性要求较高，而实时性与时间窗口长度的直接相关。车辆辅助安全系统要求至少在压线前能将换道行为识别出来，以防止将换道行为误识别为无意识车道偏离。这样车辆辅助安全系统才能有效地对因为无意识车道偏离产生而的压线行为进行预警［9］。RBF神经网络在时间窗口为3s时具有最高的总体识别率89%，其中对换道行为的识别率达到了91%，对无意识车道偏离的识别率达到了87%。但是通过对316组换道样本的压线时间进行统计可知车辆的平均压线时间为2.7s。若是选择时间窗口为3s，则将有一大半的车辆在压线以后才能将其换道行为识别出来。综合不同时间窗口下的识别准确率和识别效率，选择时间窗口为1.8s，这时神经网络的总体识别率为86%，其中对换道行为的识别率达到了87%，对无意识车道偏离的识别率达到了85%。此时模型识别率偏低不能达到车辆辅助安全系统的要求，需要对RBF神经网络进行优化。

3 车道偏离识别模型优化

3.1 归一化处理

在车辆发生车道偏离时，方向盘转角通常在-15°～15°之间变化，车道线距离通常在-200cm～200cm之间变化，横摆角速度通常在 -2°/s～2°/s之间变化。不同参数之间的变换范围不同，这就导致变化范围小的参数数据被变化范围大的参数数据所掩盖［10］。为了保证输入参数数据不受变化范围的影响，需要对输入参数数据进行归一化，将所有的输入数据都转化成变化范围在［0，1］之间。数据进行归一化公式如下:

y=(x-xmin)/(xmax-xmin) （4）其中，x为输入数据；y为输出数据；xmin为输入数据中最小值；xmax为输入数据中最大值。

利用式（4）对方向盘转角、车道线距离、横摆角速度进行归一化，结果如下。

方向盘转角原始数据:7.438，7.438，7.438，7.438，5.950，5.950，5.950，5.950，4.463，2.975，2.975，1.487，1.487，1.487，2.975。

归一化后数据:1，1，1，1，0.749，0.749，0.749，0.749，0.500，0.250，0.250，0，0，0，0.250。

车道线距离数据:135，135，130，125，125，120，115，115，115，110，105，105，100，95，95。

归一化后数据:1，1，0.875，0.750，0.750，0.625，0.500，0.500，0.500，0.375，0.250，0.250，0.125，0，0。

横摆角速度数据:-0.88，-0.69，-0.43，-0.85，0.08，-0.55，-0.70，-0.48，-0.48，-0.85，-0.62，-0.35，-0.55，-0.66，-1.11。

归一化后数据:0.19，0.35，0.57，0.21，1，0.47，0.34，0.52，0.52，0.21，0.41，0.63，0.47，0.37，0。

3.2 降维处理

试验过程中对方向盘转角、车道线距离和横摆角速度数据的采样频率为10Hz，当选择时间窗口为1.8s时，每个样本就包含了54个输入值。这就导致神经网络的输入层有54个神经元，不仅使神经网络的结构变得复杂，增加训练时间，而且输入值中包含有大量的重叠信息，会干扰神经网络参数的训练过程［11］。主成分分析是将多个参数指标转换为少数综合指标的一种降维方法。主成分分析可以提炼出输入数据中的主要信息，去除数据中的重叠信息。主成分分析可以保证在不丢失有用信息的前提下，尽可能地减少输入的数据量。降低维度能够有效的优化神经网络结构，减少神经网络的计算时间来提高神经网络的时效性。

对输入样本数据进行主成分分析后，得到不同成分的累计贡献率如图5所示。

图5 累计贡献率分布

从图5中可知，第一主成分、第二主成分、第三主成分和第四主成分的累计贡献率达到了88.8%，剩余其他50个主成分的累计贡献率为11.2%。因此用前四个主成分就可以代替54个主成分的数据信息，以达到精简输入数据的目的。在对于输入数据进行归一化和主成分分析后，对比了时间窗口为1.8s时，输入数据优化前模型的识别率与优化后模型的识别率，如表2所示。

表2 优化前后模型识别率对比

3.3 遗传算法优化

遗传算法主要通过模拟生物进化论与遗传学理论而发展出的一种搜素最优解算法。遗传算法的基本思想最初由Holland教授提出［12］。遗传算法从初始群体开始，通过选择操作、交叉操作和变异操作产生一群适应度更高的个体，将搜素区域逐步向最优区域移动，通过逐代不断地进行选择操作、交叉操作和变异操来挑选出环境中适应度最高的个体［13］。神经网络虽然具有较强的学习能力，但是其自身的梯度下降学习算法在面临复杂非线性问题时会陷于参数局部最优解［14］。将遗传算法与神经网络相结合可以利用遗传算法搜索最优解的优势来寻找神经网络的全局最优参数［15］。其中遗传算法优化RBF神经网络流程如图6所示。

图6 遗传算法优化神经网络流程图

在时间窗口为1.8s时，将经过归一化、主成分分析以及遗传算法优化后神经网络模型与未优化之前模型的识别率进行对比。

表3 优化前后模型识别率对比

从表3中可知，模型的总体识别率经过优化后达到了90%，其中对于换道识别率达到了92%，对于无意识车道偏离识别率达到了88%。可以满足车辆主动安全系统的要求。

4 结语

车辆辅助系统在进行车道线预警时，会将驾驶人换道行为识别为无意识车道偏离。因此增加了车辆辅助系统的误报率，对驾驶人正常驾驶造成了干扰。本文通过实车试验分别采集了正常换道和无意识车道偏离情况下的方向盘转角、横摆角速度、车道线距离，并建立了基于RBF神经网络的识别模型。针对单一的RBF神经网络模型识别率偏低的问题，通过归一化、主成分分析优化模型的输入数据，通过遗传算法优化神经网络的权值、阈值参数，使RBF神经网络模型在时间窗口为1.8s时的总体识别率达到了90%，能够满足车辆辅助系统的要求。