陈良 史志才 张翔 李长庆

（上海工程技术大学，上海 201620）

主题词：临界安全距离 预测模型 粒子群优化算法 人工神经网络

1 前言

车辆碰撞事故大多是由车速过快或者车与车之间的距离过小等因素导致的。如果驾驶员可以及时了解车辆的安全距离，并提前采取减速措施，则大多数交通事故都可避免[1-3]。因此，建立行车动力学系统，预测行车最小安全距离，对改善交通安全状况有着十分积极的作用[4]。人工神经网络（Artificial Neural Network，ANN）具有较好的自学习和自适应能力，可用于建立汽车安全距离预测模型。但ANN 通常将所有训练数据导入网络，迭代速率不够高，且通过梯度下降方法修正权值，结果很容易陷入局部最优，所以ANN 方法预测的安全距离可能不准确[5]。目前常用遗传算法（Genetic Algorithm，GA）优化ANN的结构，训练ANN的参数和试验数据，获取最佳适应度。但与粒子群优化（Particle Swarm Optimization，PSO）算法相比，GA 的精度低、收敛速度慢，实现难度大[6]。

为有效解决上述问题，本文使用PSO 优化ANN 的权值和阈值。首先建立汽车防撞的数学模型，在此基础上编写车辆安全距离仿真软件，并用其开发300套训练样本数据用于训练PSO-ANN模型，最后随机选取60组样本数据进行预测，将最终预测结果与ANN 预测结果进行比较。

2 临界行车安全距离

2.1 车辆的制动过程分析

汽车制动过程可分成4个阶段，即驾驶员的瞬时反应阶段t1、制动缓冲阶段t2、减速制动增长阶段t3和制动连续阶段t4，汽车制动减速度与制动时间的关系如图1所示[7]。

图1 车辆制动过程示意

忽略路面摩擦等因素，假设汽车初始时刻以速度vt匀速前进，则在t1～t4时间段内，汽车行驶的路程分别为，其中，amax为最大减速度。……