本發(fā)明涉及一種跟車行為生成方法，尤其是涉及一種基于時(shí)間自動(dòng)機(jī)的跟車行為生成方法。

背景技術(shù)：

隨著計(jì)算機(jī)技術(shù)和人工智能的發(fā)展，無人駕駛汽車(以下簡(jiǎn)稱無人車)在軍事、交通、工業(yè)生產(chǎn)、物流倉儲(chǔ)、日常生活等方面展現(xiàn)出巨大的應(yīng)用前景。在國防軍事方面，無人車多用于執(zhí)行危險(xiǎn)場(chǎng)景下的軍事任務(wù)，如軍事救援和物資輸送等。在交通安全方面，無人駕駛技術(shù)是促進(jìn)智能交通系統(tǒng)發(fā)展的有效手段，基于人工智能的無人駕駛技術(shù)可以提高車輛行駛的主動(dòng)安全性，能夠有效減少駕駛員由于誤操作導(dǎo)致的交通事故，從而提高交通行駛效率和安全性。在工業(yè)生產(chǎn)、物流倉儲(chǔ)方面，無人車可以配合自動(dòng)化生產(chǎn)線實(shí)現(xiàn)全自主無人生產(chǎn)，進(jìn)一步推進(jìn)工業(yè)生產(chǎn)的自動(dòng)化和智能化，進(jìn)而提高生產(chǎn)效率。另外，無人車的出現(xiàn)也將極大地方便人們的工作、旅游等日常生活。

隨著無人車技術(shù)的不斷發(fā)展，無人車已經(jīng)實(shí)現(xiàn)了一些基本功能，能夠在特定的結(jié)構(gòu)化道路上行駛。無人車技術(shù)正沿著智能化、擬人化的方向發(fā)展。無人車控制問題的研究焦點(diǎn)逐步從功能實(shí)現(xiàn)轉(zhuǎn)移到無人車與行駛環(huán)境間的相互影響，其中車輛社會(huì)行為的研究正是無人車研究中值得關(guān)注的新問題和新挑戰(zhàn)。

車輛的社會(huì)行為是指駕駛者(人類駕駛員或無人車控制系統(tǒng))在駕駛車輛時(shí)，與周圍車輛共同組成一個(gè)群體，協(xié)同完成行駛?cè)蝿?wù)的一種交互行為。這種交互既包括駕駛者能夠識(shí)別周圍車輛的行為，也包括車輛自身行為被其他駕駛者所識(shí)別。當(dāng)有車輛靠近的時(shí)候，有經(jīng)驗(yàn)的人類駕駛員便會(huì)產(chǎn)生反應(yīng)，通過辨別相鄰車輛的社會(huì)行為來決定自己的駕駛方式，如加速超車、減速禮讓或者停車讓行。而對(duì)于無人車而言，僅僅通過周邊車輛的位置和姿態(tài)信息(如車距、加速度、側(cè)偏角)進(jìn)行控制是不全面的，必須理解其他車輛位置和姿態(tài)信息變化所表達(dá)的車輛行為(如讓車或并道)。只有對(duì)其他車輛社會(huì)行為進(jìn)行有效的識(shí)別，基于車輛社會(huì)行為采取適當(dāng)?shù)鸟{駛控制，并使周圍其他車輛能夠識(shí)別無人車的社會(huì)行為，才能使得無人車在車流中保持安全、快速和穩(wěn)定的行駛。

跟車行為是車輛日常行駛過程中最常見的行為，跟車駕駛行為主要指車輛在跟車行駛時(shí)需要與前車保持一定的安全距離，避免追尾事故發(fā)生。跟車模型的建立方法主要分為兩大類：生理心理學(xué)模型和刺激-動(dòng)作模型。根據(jù)韋德曼提出的生理心理學(xué)模型，跟車行為主要可以分為：自由行駛行為、接近前車行為、穩(wěn)定跟車行為和緊急制動(dòng)行為。對(duì)于人類駕駛員來說，由于駕駛員的駕駛習(xí)慣及駕駛風(fēng)格各不相同，很難確定統(tǒng)一的閾值來劃分跟車行為的子行為。刺激-動(dòng)作模型被大量用于交通流分析軟件中，依據(jù)大量駕駛員跟車駕駛數(shù)據(jù)，標(biāo)定跟車模型的參數(shù)，以獲得一般駕駛員的跟車行為模型。這類模型往往只能粗略的表示駕駛員跟車行為，對(duì)于無人車，使用該模型無法體現(xiàn)出具體的跟車子行為，不能夠很好的被周圍車輛識(shí)別，故需要進(jìn)一步細(xì)化跟車行為中的子行為，提高無人車的擬人化智能化水平。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種提高無人車的擬人化智能化水平的基于時(shí)間自動(dòng)機(jī)的跟車行為生成方法。

本發(fā)明的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)：

從交通數(shù)據(jù)集的車輛軌跡中提取跟車數(shù)據(jù)，包括后車速度、后車加速度、后車與前車的相對(duì)距離和相對(duì)速度，將后車速度、后車與前車的相對(duì)距離和相對(duì)速度作為跟車模型的輸入?yún)?shù)，使用k-means聚類算法將輸入?yún)?shù)符號(hào)化；

s2，利用時(shí)間自動(dòng)機(jī)學(xué)習(xí)算法對(duì)跟車模型進(jìn)行訓(xùn)練，得到跟車模型自動(dòng)機(jī)，跟車模型的輸出值為后車加速度；

s3，將跟車模型自動(dòng)機(jī)的隱藏狀態(tài)作為跟車的子狀態(tài)，對(duì)子狀態(tài)聚類，用于表示跟車子行為，隱藏狀態(tài)指的是不能被觀測(cè)到的狀態(tài)，如：能觀測(cè)到車的速度，加速度等，隱藏狀態(tài)就是指通過速度，加速度所反映的行為，如：跟車，超車或者變道；

s4，分別對(duì)各跟車子行為建立helly跟車模型，并利用跟車子行為的原始跟車數(shù)據(jù)，采用差分進(jìn)化算法對(duì)各模型進(jìn)行參數(shù)標(biāo)定，得到對(duì)應(yīng)子行為下的后車加速度，從而獲得跟車軌跡。

所述的步驟s2中，所述的時(shí)間自動(dòng)機(jī)含有四個(gè)元素<α,ε,t,h>，其中ε為事件集，t為時(shí)間約束集，h為狀態(tài)到時(shí)間約束的映射集，a為四維元組，α＝<q,σ,δ,q0>，其中q為有限個(gè)狀態(tài)的合集，∑為有限個(gè)符號(hào)的合集，δ為有限個(gè)狀態(tài)轉(zhuǎn)移的合集，q0為初始狀態(tài)。

所述的步驟s3中，使用層次聚類法對(duì)子狀態(tài)聚類，使用的距離計(jì)算公式為jaro-distance，具體如下：

其中，js為字符串相似度，字符串越相似，js越接近1，l表示字符串長(zhǎng)度，腳標(biāo)i和j表示要計(jì)算距離的兩個(gè)字符串的序號(hào)，nmatch表示兩個(gè)字符串匹配的字符個(gè)數(shù)，nt表示錯(cuò)位的字符個(gè)數(shù)的一半，取1-js作為字符距離相似度進(jìn)行層次聚類，字符串越相似，1-js越接近0。

根據(jù)wiedemann生理心理學(xué)模型，所述的跟車子行為包括自由行駛、接近前車、穩(wěn)定跟車和緊急制動(dòng)。

所述的helly跟車模型具體如下：

a(t)＝c1·δv(t-τ)+c2·(δx(t-τ)-d(t))

d(t)＝α+β·v(t-τ)+γ·a(t-τ)

其中，a(t)為加速度，δx為后車與前車的距離，t為時(shí)間，v為后車速度，δv為后車與前車的相對(duì)速度，d(t)為期望跟車時(shí)距，c1、c2、α、β、γ和τ是需要標(biāo)定的參數(shù)，c1和c2用于調(diào)節(jié)相對(duì)車速和相對(duì)距離，α、β和γ用于計(jì)算期望跟車時(shí)距，τ表示駕駛員反應(yīng)延遲。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

(1)將多維連續(xù)時(shí)間序列符號(hào)化并學(xué)習(xí)生成一個(gè)具有很強(qiáng)的可解釋性的跟車行為模型，通過自動(dòng)機(jī)對(duì)符號(hào)進(jìn)行學(xué)習(xí)，獲得隱藏狀態(tài)，并根據(jù)隱藏狀態(tài)進(jìn)行聚類，能夠更好的體現(xiàn)跟車的子行為。

(2)將車輛跟車行為進(jìn)行細(xì)分，得到不同子行為的跟車模型參數(shù)，精確的表示了人類跟車行為軌跡。

(3)本方法所使用的自動(dòng)機(jī)模型，能夠?yàn)闊o人車生成擬人化的跟車行為軌跡，提高無人車的擬人化和智能化水平。

附圖說明

圖1為本發(fā)明方法的流程圖；

圖2為本實(shí)施例elbow方法選取聚類數(shù)據(jù)結(jié)果；

圖3為本實(shí)施例時(shí)間自動(dòng)機(jī)訓(xùn)練結(jié)果；

圖4為本實(shí)施例層次聚類結(jié)果；

圖5(a)-5(f)為本實(shí)施例軌跡生成結(jié)果對(duì)比圖，其中，5(a)為例1后車軌跡對(duì)比圖，5(b)為例1前后車相對(duì)距離對(duì)比圖，5(c)為例1后車車速對(duì)比圖，5(d)為例2后車軌跡對(duì)比圖，5(e)為例2前后車相對(duì)距離對(duì)比圖，5(f)為例2后車車速對(duì)比圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說明。本實(shí)施例以本發(fā)明技術(shù)方案為前提進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施例。

實(shí)施例

一種基于時(shí)間自動(dòng)機(jī)的跟車行為生成方法，首先從公開的交通數(shù)據(jù)集(nextgenerationsimulation，ngsim)中提取車輛跟車數(shù)據(jù)?；趉-means聚類算法將跟車模型的輸入?yún)?shù)(相對(duì)距離、相對(duì)速度和后車車速)進(jìn)行符號(hào)化，利用時(shí)間自動(dòng)機(jī)學(xué)習(xí)算法(rti+learningalgorithm)對(duì)跟車模型進(jìn)行訓(xùn)練，得到跟車模型自動(dòng)機(jī)。利用層次聚類的方法對(duì)狀態(tài)序列進(jìn)行聚類，得到跟車行為中的一系列子行為模式。利用自動(dòng)機(jī)模型生成無人車跟車行為軌跡，并表現(xiàn)出對(duì)應(yīng)的子行為模式，能夠得到跟人類駕駛員駕駛軌跡較接近的跟車軌跡。

方法流程圖如圖1。具體步驟如下：

1.跟車數(shù)據(jù)符號(hào)化

本實(shí)施例中所使用的數(shù)據(jù)是美國聯(lián)邦公路局公布的高速公路數(shù)據(jù)集(ngsim)。首先，根據(jù)跟車行為的特征，對(duì)原始數(shù)據(jù)進(jìn)行跟車軌跡提取。軌跡信息包含：目標(biāo)車輛的速度、目標(biāo)車輛的縱向加速度、目標(biāo)車輛與前車的相對(duì)距離和相對(duì)速度。目標(biāo)車輛即后車，由于研究的是跟車行為，認(rèn)為在同一個(gè)車道里，可不考慮側(cè)向的運(yùn)動(dòng)?？v向加速度即車頭前進(jìn)方向加速度。原始數(shù)據(jù)的采樣頻率為10hz，本實(shí)施例提出了一種基于k-means的符號(hào)化方法，使用elbow方法選取聚類數(shù)據(jù)，elbow方法的結(jié)果如圖2所示。

2.時(shí)間自動(dòng)機(jī)學(xué)習(xí)

本專利中所使用的時(shí)間自動(dòng)機(jī)含有4個(gè)元素：

<α,ε,t,h>

其中a是一個(gè)4維元組如下所示：

α＝<q,σ,δ,q0>

q為有限個(gè)狀態(tài)的合集，∑為有限個(gè)符號(hào)的合集，δ為有限個(gè)狀態(tài)轉(zhuǎn)移的合集，q0為初始狀態(tài)。ε和t是事件和時(shí)間的概率分布。時(shí)間自動(dòng)機(jī)是一個(gè)通過可觀測(cè)的數(shù)據(jù)來建立隱藏狀態(tài)轉(zhuǎn)移的模型，同時(shí)考慮了事件發(fā)生的時(shí)間約束，能夠較好的處理多維時(shí)間序列。利用時(shí)間自動(dòng)機(jī)學(xué)習(xí)算法將符號(hào)化后的軌跡序列進(jìn)行訓(xùn)練，得到如圖3的自動(dòng)機(jī)。

3.跟車子行為聚類

在獲得表示跟車行為的自動(dòng)機(jī)后，隱藏狀態(tài)表示跟車的子狀態(tài)，本專利中使用了層次聚類的方法對(duì)相似狀態(tài)子序列進(jìn)行聚類，以此來表示跟車子行為。層次聚類所使用的距離計(jì)算公式為jaro-distance，如下：

其中，l表示字符串長(zhǎng)度，i和j表示要計(jì)算距離的兩個(gè)字符串，nmatch表示兩個(gè)字符串匹配的字符個(gè)數(shù)，nt表示錯(cuò)位的字符個(gè)數(shù)的一半，該距離的含義就是兩個(gè)字符串越相似，其距離數(shù)值越接近1，在本專利中取了1減去js距離進(jìn)行層次聚類，聚類結(jié)果如圖4所示。本步驟可獲得相同子行為的原始數(shù)據(jù)，然后根據(jù)這些原始數(shù)據(jù)來標(biāo)定helly模型的參數(shù)，進(jìn)而獲得對(duì)應(yīng)子行為下跟車模型的具體參數(shù)。

4.跟車模型標(biāo)定及軌跡生成

本實(shí)施例中使用的是helly跟車模型作為軌跡生成的跟車模型，helly模型的具體表達(dá)式如下：

a(t)＝c1·δv(t-τ)+c2·(δx(t-τ)-d(t))

d(t)＝α+β·v(t-τ)+γ·a(t-τ)

其中c1，c2，α，β，γ和τ是需要標(biāo)定的模型參數(shù)。模型中期望的跟車時(shí)距是車速與加速度的函數(shù)，α，β和γ是用來計(jì)算期望跟車時(shí)距的參數(shù)，c1和c2是調(diào)節(jié)相對(duì)車速和相對(duì)距離的參數(shù)，τ表示駕駛員的反應(yīng)延遲。本專利中使用的模型標(biāo)定方法是差分進(jìn)化算法，差分進(jìn)化算法主要用于求解連續(xù)變量的全局優(yōu)化問題，其主要工作步驟與其他進(jìn)化算法基本一致，主要包括變異(mutation)、交叉(crossover)、選擇(selection)三種操作。算法的基本思想是從某一隨機(jī)產(chǎn)生的初始群體開始，利用從種群中隨機(jī)選取的兩個(gè)個(gè)體的差向量作為第三個(gè)個(gè)體的隨機(jī)變化源，將差向量加權(quán)后按照一定的規(guī)則與第三個(gè)個(gè)體求和而產(chǎn)生變異個(gè)體，該操作稱為變異。然后，變異個(gè)體與某個(gè)預(yù)先決定的目標(biāo)個(gè)體進(jìn)行參數(shù)混合，生成試驗(yàn)個(gè)體，這一過程稱之為交叉。如果試驗(yàn)個(gè)體的適應(yīng)度值優(yōu)于目標(biāo)個(gè)體的適應(yīng)度值，則在下一代中試驗(yàn)個(gè)體取代目標(biāo)個(gè)體，否則目標(biāo)個(gè)體仍保存下來，該操作稱為選擇。在每一代的進(jìn)化過程中，每一個(gè)體矢量作為目標(biāo)個(gè)體一次，算法通過不斷地迭代計(jì)算，保留優(yōu)良個(gè)體，淘汰劣質(zhì)個(gè)體，引導(dǎo)搜索過程向全局最優(yōu)解逼近。算法所使用參數(shù)如下表所示：

表1差分進(jìn)化算法參數(shù)值

本專利中所提算法與其余兩種算法進(jìn)行了標(biāo)定誤差的比較，一種是交通領(lǐng)域所常見的全局標(biāo)定算法，另一種是基于符號(hào)聚類的標(biāo)定算法，基于符號(hào)聚類的標(biāo)定算法是直接基于可觀測(cè)的符號(hào)進(jìn)行聚類，而本實(shí)施例方法是通過自動(dòng)機(jī)對(duì)符號(hào)進(jìn)行學(xué)習(xí)，獲得隱藏狀態(tài)，并根據(jù)隱藏狀態(tài)進(jìn)行聚類，能夠更好的體現(xiàn)跟車的子行為標(biāo)定。誤差對(duì)比如下表所示：

表2本專利標(biāo)定算法與現(xiàn)有標(biāo)定算法誤差對(duì)比

此外，本專利方法還與基于pid控制的巡航控制器進(jìn)行了仿真軌跡的對(duì)比，實(shí)驗(yàn)結(jié)果說明本專利所提方法能夠更好的生成擬人化的跟車軌跡，對(duì)比結(jié)果見圖5(a)-5(f)，數(shù)值對(duì)比如下表：

表3后車軌跡仿真對(duì)比

誤差計(jì)算公式如下：

其中<·>表示數(shù)據(jù)的在時(shí)間序列上的平均值。s^sim為仿真獲得的后車位置，s^data為真實(shí)的后車位置信息。