王俊彦，蔡骏宇

(1.镇江市高等专科学校 交通学院， 江苏 镇江 212000; 2.江苏大学 汽车与交通工程学院, 江苏 镇江 212013)

车辆换道是驾驶人为了满足自身的驾驶意图而采取的行为，是驾驶人基于换道车辆的行驶状态，通过对环境信息的感知和判断，控制车辆完成动作的综合过程。车辆换道分为选择性换道和强制性换道两类，当驾驶人根据自身驾驶意图行驶时可以采取选择性换道；当车辆必须离开原车道时将被迫采取强制性换道。车辆换道时交通条件复杂，换道时机掌握不正确会带来一定的安全隐患，建立车辆安全换道时机决策模型可以给予驾驶人安全换道提示，保证驾驶人与车辆安全。随着智能交通和智能汽车的发展，高精度的安全换道模型可以成为智能汽车行驶的重要组成部分。

国内外许多学者使用最小安全距离模型来对车辆换道进行建模研究[1-3]，建立的模型都是考虑目标车道前后车辆的距离大于最小安全距离，当换道间隙满足驾驶人需求时完成换道行为。此外，国内外学者还先后使用了二元Logit模型[4]、博弈论[5]、多智能体[6]、元胞自动机[7]和模糊推理[8-9]等方法来进行车辆换道研究。

上述模型取得了一定的理论成果，但这些模型都很难直接应用到驾驶主动安全系统中，本文提出了RBF神经网络方法，建立了一个更加智能化的车辆换道模型。选择RBF神经网络方法在于它具有以下特点：第一，RBF神经网络方法具有较强的非线性拟合能力，具有惟一最佳逼近的特性，且无局部最小问题存在；第二，RBF神经网络具有较好的分类预测能力，学习过程收敛速度快；第三，RBF神经网络具有较强的输入与输出映射功能，是前向网络中完成映射功能最优的网络。

1 换道时机决策的场景与影响因素

1.1 换道时机决策的场景

文中车辆在换道前行驶的车道为原车道，目标车道在原车道左侧，考虑换道车辆前方和左侧车辆对换道车辆的影响。驾驶车辆在原车道行驶的每一时刻都要考虑换道时机是否合适：可以换道和不能换道，研究只考虑换道车辆向左侧车道进行换道的情况，不考虑向右侧进行换道的情况。换道场景示意图如图1所示。

图1 研究工况与相关参数示意图

1.2 影响车辆换道时机决策的因素

驾驶人在原车道上行驶时，需要考虑车和环境的状况来判定能否进行安全换道，安全换道的实现取决于换道时机的选择。在之前的研究中[1,3]，基于换道车辆的行驶状态，并通过对环境信息的感知和判断，提出以下7个换道决策的影响因素：

1)V0(m/s)：换道车辆的速度；

2)V1(m/s)：目标车道前方车辆的速度；

3)V2(m/s)：目标车道后方车辆的速度；

4)V3(m/s)：原车道前方车辆的速度；

5)D1(m)：换道车辆与目标车道前方车辆的距离；

6)D2(m)：换道车辆与目标车道后方车辆的距离；

7)D3(m)：换道车辆与原车道前方车辆的距离。

在上述7个影响因素的基础上，本文提出了额外4个影响因素，在车辆换道时机决策过程中考虑相关车辆的加速度，它们分别是：

8)a0(m/s2)：换道车辆的加速度；

9)a1(m/s2)：目标车道前方车辆的加速度；

10)a2(m/s2)：目标车道后方车辆的加速度；

11)a3(m/s2)：原车道前方车辆的加速度。

随着汽车传感器技术的发展，上述11个参数都可以应用相应的传感器获取，故本文将它们作为RBF神经网络模型的输入变量，并对比研究11参数模型与7参数模型的预测效果。

2 车辆换道时机决策模型的建立

2.1 RBF神经网络车辆换道时机决策模型

RBF神经网络(Radial Basis Function Neural Network)是一种2层(除输入层)的前馈型神经网络，包括了径向基函数的隐含层和线性输出的输出层，其结构示意图如图2所示。RBF网络的输入与输出映射能力强，隐含层的径向基函数一般选用高斯函数，网络训练时间短，学习速度和收敛速度快，在理论上网络可以任意逼近任何一个连续函数。

图2 RBF神经网络结构

网络结构中，若输入层输入向量为X=(x1,x2,…,xn)T，则隐含层的输出向量为Φi=(Φ1,Φ2,…,Φn)T，那么输出层的输出向量为Yj=(y1,y2,…,ym)T。输入层的作用是把来自外部的数据映射到隐含层，输入层与隐含层实现神经网络的非线性映射，不对数据进行任何处理，所以RBF神经网络只有隐含层和输出层起作用。整个神经网络的中心处理层是隐含层，隐含层与输出层实现神经网络的线性映射，由于隐含层里包含径向对称的径向基函数，所以数据需要经过径向基函数作用后才传递给输出层。隐含层用高斯函数做径向基函数，隐含层的输出：

(i=1,2,3,…,n)

(1)

其中：Φi为第i个隐含节点的输出；x为n维输入向量；xc为核函数的中心，xc为与x同维的向量；σi为核函数的宽度，由此可以得到网络输出层的线性输出为：

(2)

其中：yj为输出层的第j个节点的输出；wi,j为输出层与隐含层之间节点的连接权值；m为隐含层的节点个数。

由于RBF神经网络输入变量的数值和量纲都不相同，为了避免对模型效果产生不利影响，对于输入的原始数据需要进行归一化处理，同样在得到输出值之前需要进行反归一化处理。想要利用建立的RBF神经网络模型对车辆换道时机进行预测，就需要对模型进行学习，这其中主要涉及对RBF基函数的中心、宽度和输出层与隐含层之间节点的连接权值的学习。

2.2 RBF神经网络学习算法

RBF神经网络学习算法的参数学习主要包括两个方面：

1) 确定RBF基函数的中心xc和宽度σi

RBF神经网络基函数的中心xc使用K-means聚类方法来确定，对应于中心xc的宽度σi值等于某一类训练样本之间的平均距离，计算公式如下：

(3)

2) 确定输出层与隐含层之间节点的连接权值

权值矩阵W的调节通过逻辑回归法(Logistic regression)实现，RBF神经网络隐含层至输出层的激活函数采用Sigmoid函数：

(4)

2.3 网络训练

1) 输入输出变量的选择

根据前文对车辆换道时机决策因素的分析，确定使用影响车辆换道时机决策的11个因素(V0,V1,V2,V3,D1,D2,D3,a0,a1,a2,a3)作为RBF神经网络的输入变量，而输出变量是换道时机决策结果，换道和不换道(yes,no)。

2) 实验数据

美国联邦高速公路管理局的Next Generation Simulation(NGSIM)[10]项目免费向全世界开放的其项目中的车辆数据集，通过对该项目数据集的筛选与挖掘，完成了本文RBF神经网络模型的学习与验证的工作。数据集包含了车辆运动轨迹的16项数据，包括车辆编号、运行时间、车辆坐标、车速、加速度、车道编码和车头时距等，每隔0.1 s采集1次数据，完整包括每一辆车在规定区域的所有数据。

通过对数据集的筛选和挖掘，获取了333组换道时机观察数据，其中包括189组不可换道数据和144组可以换道数据。这些数据涉及车辆换道时的所有工况，包括了目标车道前后方无车、原车道前方无车等特殊场景。将这333组数据进一步分为2个部分：其中90%用于RBF神经网络模型的训练，10%的数据用于网络模型的测试，部分训练数据如表1所示。

本文中RBF神经网络模型的训练是使用数据挖掘软件weka实现的，在网络训练过程中，需要对相关参数进行设置：K-means的随机种子数(clusteringSeed)为1;K-means的最低标准偏差(tMinStdDev)为0.1；K-means的类别数(NumClusters)为2；逻辑回归脊参数(ridge)为1.0e-8。

3 模型验证

RBF神经网络模型训练完毕后，已经具备了对车辆换道时机决策的预测和分类能力，使用测试数据对模型进行验证，将模型的验证结果与实际换道情况相对比，预测的准确率反映了模型的有效性。表2是用于测试模型的部分数据，表3是模型最终的预测结果。

表1 部分训练数据

表2 部分测试数据

表3 RBF神经网络模型测试结果

决策测试数据观察值准确率/%换道行为1080.0非换道行为2391.3总计3387.9

模型验证结果显示：建立的RBF神经网络模型对换道时机的预测准确率为80.0%，对非换道时机的预测准确率为91.3%，综合预测准确率达到了87.9%，这表示RBF神经网络模型用于车辆换道时机决策是可行的。

4 对比模型验证

按照上述11参数模型的建立、训练与测试流程，又建立和测试了7参数模型，模型的测试结果如表4所示。对比2个模型的预测结果发现：11参数模型预测准确率为87.9%，高于7参数模型的81.8%，说明本文提出的4个额外影响因素对于提高模型的预测精度是起作用的。

表4 RBF神经网络7参数模型测试结果

5 结论

本文选取了换道环境下11个车辆行驶数据作为车辆安全换道时机决策影响因素，将这11个影响因素作为建立RBF神经网络模型的输入变量，使用大量车辆行驶数据对RBF神经网络模型进行了学习与测试。通过测试数据的验证：模型对换道行为的预测准确率为80.0%，对非换道行为的预测准确率为88%，综合预测准确率达到了87.9%，高于7参数模型的预测准确率81.8%，所建立的RBF神经网络模型预测换道时机的安全性具有更好的效果。

近年来，智能汽车驾驶主动安全系统快速发展，RBF神经网络车辆换道时机决策模型可以成为智能汽车的重要组成部分；车辆在行驶时可以实时给予驾驶人换道指示信息，帮助驾驶人完成安全换道操作，保障驾驶人与车辆安全。未来，随着模型预测准确率的进一步提高，还将在无人驾驶智能汽车方面获得更大的成果。