简述isodata算法的原理_王江锋等：车车通信环境下基于驾驶意图共享的车辆避撞预警算法...

王江锋，北京交通大学教授，博士生导师，交通工程系副主任。主要从事智能交通、车路协同方面的研究。现任北京交通大学城市交通信息智能感知与服务工程技术研究中心副主任，综合交通运输大数据应用技术交通运输行业重点实验室办公室主任；《交通运输研究》编委，中国公路学会自动驾驶工作委员会、北京市交通工程学会、TRB-ABJ70等会员。承担国家重点研发计划、国家自然基金等国家级项目4项，主要围绕车路协同技术理论建模与测试方法展开研究。承担世界银行项目等横向项目5项，主要完成城市(群)的综合交通、智能交通规划等，同时参与新疆、成渝、云南等的综合交通规划。发表SCI/EI论文40余篇，主编教材2部。获得省部级奖励3项，授权专利5项，1项专利获得应用。 本文基于 LTE-V构建了外场V2V环境，实现了“匀速”、“加速”、“减速”和“紧急制动”等不同行驶工况下车辆行驶状态数据获取和驾驶意图预判，将车辆行驶过程描述为一个时间序列 的隐性马尔可夫随机过程，借助隐马尔可夫模型(HMM)建立了驾驶人驾驶意图与车辆相对行驶状态序列之间的隐含关系，并将驾驶意图作为特征因子集成到安全距离模型中，提出基于驾驶意图共享的避撞(DI-CA)预警算法。所提出的DI-CA预警算法可避免行驶过程中因误警而导致的连续刹车，以及因漏警而导致的碰撞事故发生，在降低误警率和漏警率的同时有效提升预警效果，为实现V2V环境下异质混合交通流的行驶安全提供理论支撑。 1 DI-CA预警算法设计 DI-CA预警算法工作原理如图1所示。 图 1  模型工作原理   1.1 驾驶意图预判模型设计 车辆行驶过程中驾驶人匀速、加速、减速、紧急制动等驾驶意图具有不确定性，是一个时间序列的隐马尔可夫随机过程，利用车辆行驶状态信息中隐含的驾驶人驾驶意图，借助隐马尔可夫模型(HMM)建立驾驶人驾驶意图与车辆相对行驶状态序列之间的隐含关系。 用X表示T时间内的隐含序列。对应T时间内车辆行驶过程，假设每一时刻驾驶人存在“匀速”、“加速”、“减速”和“紧急制动”4种驾驶意图Q1,Q2,Q3,Q4；使用Y表示T时间的观测序列。对应T时间内车辆行驶过程，车辆行驶过程中，前、后两辆试验车辆之间的相对行驶状态可利用相对速度和相对距离表示，两者均存在“增加”、“减小”或“保持不变”3种形式。因此，试验车辆之间共有9种相对行驶状态R1,…,R9。 此外，构建V2V环境下车辆相对行驶状态和驾驶人驾驶意图HMM模型时，分析外场试验数据发现，车辆行驶环境对驾驶意图有一定影响。通过对实车试验中采集到的车辆速度与信号强度试验数据进行聚类分析将车辆行驶环境划分为不同种类。不同环境下的转移概率不同。相对行驶状态与驾驶意图之间的映射关系如图2所示。 图 2  驾 驶人驾驶意图与相对行驶状态映射关系图模型 当已知任意时刻一段已观测到的相对行驶状态序列，可利用Viterbi算法求解获得最有可能的隐含驾驶意图序列，然后根据HMM模型预判后的相对行驶状态，进而实现对后的驾驶意图预判。将驾驶意图作为特征因子集成到安全距离模型中，设计DI-CA预警算法并计算安全距离，将安全距离与车辆间距进行比较实现预警。 1.2 基于驾驶意图共享的避撞预警算法设计 相较于传统的Mazda模型，本文提出的模型认为前后两辆车辆的制动减速度也是随时间变化的，经过计算得到的安全距离为： 式中：t1为驾驶人反应时间，t2为制动器的作用时间，t3为持续制动时间，t4为驾驶人松开踏板到制动力消除时间。 V _F 为后车起始制动车速，为后车制动后速度，单位 m /s。 a _Fmax 为后车的最大制动减速度。 不同驾驶意图下的后车避撞过程不同，将驾驶人的驾驶意图作为特征因子集成到安全距离模型中，提出的DI-CA预警算法的临界状态安全距离公式为： 式中： r _i (i=1,2,3,4)为驾驶意图特征因子，当预判结果为第i种驾驶意图，对应矩阵内 r _i =1，其余的 。 利用DI-CA预警算法获得安全距离，当前后两车之间的相对距离小于安全距离时，对后车进行避撞预警。 2  实证分析 2.1 数据准备 为验证DI-CA预警算法的有效性，于2019年5月22日下午13:30-16:30在北京交通大学车路协同试验场进行了V2V环境下的外场试验。试验道路为3.2km的单向双车道，试验由两辆试验车参与，试验车内配备制动踏板传感器和包含LTE-V单元、GPS单元、预警显示单元的车载OBU。试验数据统一按时间间隔为1s输出，对数据进行预处理剔除部分无效数据，共采集8826条试验数据。硬件设备及实车试验场景如图3、图4所示。 图3 硬件设备 图4 实车试验场景 在验证算法有效性时，首先需要选取部分样本数据对 HMM模型中的参数进行标定，然后在选取部分样本作为测试数据对所提出的DI-CA预警算法进行验证。本文按照1：1比例将前50%数据作为标定样本用于确定HMM模型的参数取值，将后50%的数据用于对DI-CA预警算法的预警效果进行分析。 在实际试验过程中，考虑试验车辆行驶环境的复杂程度会影响驾驶人的驾驶意图转移概率，主要利用采集的试验车辆速度与GPS信号强度数据来表征分类。图5(a)和(b)分别为利用实测试验车辆速度与GPS信号强度数据所绘制的热力图。 (a)车辆行驶速度 (b)GPS信号强度 图5车辆行驶速度与GPS信号强度热力图 利用SPSS软件对采集到的车辆速度数据与GPS信号强度数据进行聚类分析，利用ISODATA聚类方法得到的聚类结果如表1所示。 表1 聚类结果 由表 1聚类结果可知：聚类1对应信号强度较强和车辆行驶速度较高，说明行驶环境简单，主要集中于AB路段；聚类2信号强度和车辆行驶速度适中，说明行驶环境一般，主要集中于BC和DA路段；聚类3信号强度较弱和车辆行驶速度较低，说明行驶环境复杂，主要集中于CD路段。 综合上述分析结果，本文将试验车辆行驶环境分成简单交通环境、一般交通环境和复杂交通环境3类。  2.2 结果分析 2.2.1 预警效果分析 利用标定试验样本数据，获得不同车辆行驶状态下的驾驶人驾驶意图转移概率，得到 HMM模型驾驶意图转移矩阵A和车辆相对行驶状态观测矩阵B。 选择 15:50时刻测试试验样本对预警算法进行验证，由HMM模型可预判出前车驾驶人在2s后即将有减速意图，带入安全距离计算公式，计算得到安全距离为9.7m，大于两车之间的实际车辆之间距离8.4m，说明此刻有碰撞危险，需要预警。两辆试验车行驶过程中距离变化情况如图6所示。 图6 避撞预警计算结果 2.2.2 预警效果对比分析 为进一步验证本文所提出DI-CA预警算法的有效性，传统的Mazda预警算法作为比较，对应“匀速”、“加速”、“减速”和“紧急制动”等4种类型驾驶意图，得到两种预警算法的分析结果如图7所示。 图7 四种驾驶意图下的不同算法的安全距离对比图 由图7可知：4种驾驶意图下DI-CA预警算法得到的安全距离均小于Mazda预警算法。在预判出前车驾驶意图为匀速(a)和加速(b)时，车辆比较安全， DI-CA 预警算法得到的安全距离比较小，几乎没有误警情况发生，但Mazda预警算法得到的安全距离由于过于保守而出现较高误警率；在预判出前车驾驶意图为减速(c)时，DI-CA预警算法得到的安全距离可及时为后车提供预警，同时避免Mazda预警算法的预警频率过于频繁；同样，对于预判前车驾驶意图为紧急制动(d)时，Mazda预警算法也存在频繁预警的情况。 试验中试验车辆配备的制动踏板传感器采用的是红外线测距传感器，可以采集到车辆行驶过程中制动踏板踩踏的行程数据，进而判断驾驶人是否采取制动动作。DI-CA预警算法和驾驶人采取制动动作之间对应关系如表2所示。 表 2 预警算法和驾驶人制动动作对应关系 选择正确率n1、误警率n2和漏警率n3作为指标用于评价预警算法有效性。以Mazda预警算法作为对照，利用实车试验数据分别对2种预警算法进行实证分析，两种预警算法的预警性能如表3所示。对于4种驾驶意图情况下的实车试验数据而言，所提出的DI-CA预警算法的平均预警正确率为84%，高于Mazda预警算法的78%。而DI-CA预警算法的平均误警率和漏警率分别为5%和16%，均明显低于Mazda预警算法。 表3 Mazda预警算法和DI-CA预警算法预警性能 综上分析，所提出的 DI-CA 预警算法在提升预警效果同时明显降低了误警率和漏警率， 可避免行驶过程中因误警而导致的连续刹车，以及因漏警而导致的可能碰撞事故发生。 究其原因，所提出的DI-CA预警算法引入了驾驶意图共享概念，基于V2V通信获得的实时前车行驶状态信息，可事先对前车驾驶人驾驶意图进行预判，减少了随机制动等干扰因素对预警效果的影响，使得所提出的DI-CA预警算法具有良好的预警效果，能够为行驶过程中的车辆提供更好鲁棒性的预警。 3  结论与展望 本文针对V2V环境下的车辆避撞预警算法进行了研究，引入驾驶意图共享概念，提出一种基于HMM的驾驶意图预判模型，将驾驶意图作为特征因子集成到安全距离模型中，设计了一种适用于V2V环境下车辆跟驰场景的DI-CA预警算法。并利用所采集的实车试验数据进行了实证分析，结果表明所提出预警算法在降低误警率和漏警率的同时有效提升预警效果。 驾驶意图共享应用于车辆避撞预警研究领域尚处于起步阶段，本文所提出的DI-CA避撞预警算法为相关研究提供了一定的参考。由于目前研究试验条件所限，下一步需继续进行的相关研究如下： 1)利用HMM模型进行驾驶意图预判时，建立的驾驶意图转移概率函数不仅考虑本文所提出的环境因素，还可考虑不同时段、不同类型驾驶人等复杂影响因素，建立复合型HMM网络结构，进一步提升驾驶意图预判效果。 2)按照分级预警思想，针对复杂的车辆行驶状态及危险场景，采用不同预警方式和分级预警机制进行预警，进一步提升预警信息的可接受性。 3)考虑车辆行驶环境中存在跟驰、换道共存等更加复杂的驾驶行为，以及行人、非机动车的影响，未来将针对更加复杂的驾驶行为进行避撞预警算法研究，使其更加适应实际交通流的驾驶环境。

主要内容见《中国公路学报》2020年第6期“车车通信环境下基于驾驶意图共享的车辆避撞预警算法”(点击下载浏览全文)。

引用格式：

王江锋, 刘雨桐, 王梦玉, 闫学东. 车车通信环境下基于驾驶意图共享的车辆避撞预警算法[J]. 中国公路学报, 2020, 33(6): 65-76.