CN109739218A - 一种基于gru网络的仿优秀驾驶员换道模型建立方法 - Google Patents

Abstract

本发明公开了一种基于GRU网络的仿优秀驾驶员换道模型建立方法，属于智能汽车自动驾驶领域。该方法包括：换道工况下的实车试验，采集优秀驾驶员转向特征参数、车辆动力学参数及轨迹参数，形成换道行为数据集；利用GRU网络对换道行为数据集进行训练学习，得到基于GRU网络的仿优秀驾驶员换道模型。本发明利用GRU网络在长时间序列上强大的非线性拟合能力，实现了一个简单高效的仿优秀驾驶员换道模型，可以保证在快速学习的基础上，进一步提高学习的准确性，较好地做到模仿优秀驾驶员的换道行为，未来对于该领域和其他涉及驾驶员模型的预测问题都有一定借鉴意义。

Description

一种基于GRU网络的仿优秀驾驶员换道模型建立方法

技术领域

本发明属于智能汽车自动驾驶领域，具体涉及一种基于GRU网络的仿优秀驾驶员换道模型建立方法。

背景技术

近年来，随着计算机、互联网、通信导航、自动控制、人工智能、机器视觉、精密传感器、高精度地图等高新技术与先进汽车技术的快速融合，智能汽车(或无人驾驶汽车、自动驾驶汽车)已经成为世界汽车工程领域的研究热点和汽车产业增长的新动力。据国内外权威媒体预测，汽车工业智能化领域的科技创新将占到整个汽车工业的90％。汽车的智能化主要体现在以自动驾驶替代人工操作，汽车的行为和运行状态均可控可预测，可以弥补人类感官能力的不足，减轻驾驶操作强度，消除人为因素造成的交通事故，根据实时路况信息规划出行路径，最终实现道路交通“零伤亡、零拥堵”。因此，智能汽车是安全、高效、节能的下一代汽车，研究智能汽车具有极为重要的意义，已成为全球汽车产业界的关注焦点。

另一方面，驾驶员模型研究是智能汽车设计过程中的关键问题，目前较为常用的模型为郭孔辉院士提出的基于“预瞄跟随”理论的驾驶员模型，但是其理论没有考虑真实驾驶员的转向***方面具有一定的不足。基于神经网络控制理论的驾驶员模型在一定程度上更为逼近真实驾驶员的驾驶行为，但是其算法学习速度往往较慢，同时缺乏良好的全局寻优能力，导致最终输出精度不高。目前较少有文献从仿人智能控制领域对智能车辆转向控制进行研究。

发明内容

为解决现有技术存在的不足，本发明提供了一种基于GRU网络的仿优秀驾驶员换道模型建立方法,具体开发了一种智能汽车换道驾驶员模型，从分析优秀驾驶员的换道操纵动力学行为入手，建立换道工况下智能汽车转向驾驶员模型，真正实现仿人换道，实现智能汽车良好的仿人换道操纵安全性和舒适性，提高现有智能汽车的智能化程度。

本发明是通过以下技术方案实现上述技术目的。

一种基于GRU网络的仿优秀驾驶员换道模型建立方法，包括以下步骤：

S1，选择不同驾驶年龄、不同性别的驾驶培训学校教练作为驾驶员，驾驶员以稳定车速进行换道工况下的实车试验，采集优秀驾驶员转向特征参数、车辆动力学参数及轨迹参数，将车辆轨迹参数分别进行大地坐标转化后，与道路边界及做差，计算车辆的侧向偏移量，即车辆与道路边界的距离D_y；对转向特征参数、车辆动力学参数进行平滑滤波处理，得到原始数据集，侧向偏移量和原始数据集构成优秀驾驶员换道行为数据集；所述驾驶员转向特征参数包括转角信号、转矩信号和转角速度信号，所述车辆动力学参数包括横摆角速度信号、侧倾角信号和侧向加速度信号，所述车辆轨迹参数为差分GPS信号；

S2，将优秀驾驶员换道行为数据集作为样本，将下一时刻的转角信号作为标签，构建训练样本数据和测试样本数据；数据集x_t＝{D_y，vel，A_y，Steer Ang，Steer Vel，Msteer}，所述标签为y_t＝{SteerAng}，其中D_y为车辆距离道路边界的横向距离，vel为车辆当前车速，A_y为车辆横向加速度，SteerAng为方向盘转角，SteerVel为方向盘转角速度，Msteer为方向盘转矩；

S3，构建GRU网络模型；

所述GRU网络模型是指根据t时刻前n个时间段(t-n+1,t-n+2,…,t)的换道行为参数预测t+1时刻的换道行为，所述GRU网络模型的具体结构为输入层、隐藏层及输出层，其中输入层由6个单元组成，GRU隐层由10个GRU单元组成，输出层由一个单元组成，且输入层与GRU隐层、GRU隐层与输出层之间全连接，所述GRU网络模型的激活损失函数选择梯度下降法中的自适应矩估计优化算法，损失函数为平方差函数；所述GRU网络模型包括输入层、GRU隐层以及输出层，输入层与GRU隐层、GRU隐层与输出层之间全连接；所述GRU隐层的结构中包括更新门z_t、重置门r_t、隐层当前状态h_t，h_t由前一个时刻状态h_t-1和加入到当前状态的候选值h_t共同作用并更新；

S4，利用训练样本数据训练GRU网络模型，得到基于GRU网络的仿优秀驾驶员换道模型；训练的步骤包括：将数据集中的数据进行归一化处理，初始化GRU网络各层权重，取某一批次数据作为本次的训练集，将本次输入数据x_t输入到网络，经过GRU网络更新计算得到对应输出y_t，计算GRU网络的输出y_t与预测值y_t的误差，利用梯度下降法中的自适应矩估计优化算法更新GRU网络权重，完成模型训练；

S5，将优秀驾驶员转向特征参数、车辆动力学参数及轨迹参数输入至换道模型，获得下一时刻的优秀驾驶员换道行为：将t时刻前的转向特征参数、车辆动力学参数及轨迹参数输入至换道模型，预测出t+1时刻的转角信号，即t+1时刻优秀驾驶员的换道行为，然后滚动更新。

与现有技术相比，本发明的有益效果是：

1.本发明所使用的优秀驾驶员换道行为数据保证了仿优秀驾驶员换道模型所预测出的驾驶员换道行为是安全、舒适及可靠的。

2.本发明提供了一种基于GRU网络的仿优秀驾驶员换道模型建立方法，该方法利用了GRU中的更新门和重置门，能够保存长期序列中的信息，且不会随时间而清除或因为与预测不相关而移除，在长时间序列上强大的非线性拟合能力，实现了一个简单高效的仿优秀驾驶员换道模型。

3.本发明设计的GRU网络中的更新门和重置门，解决了标准RNN的梯度消失问题，这两个门控向量决定了最后的输出，可以保证在快速学习的基础上，进一步提高学习的准确性，较好地做到模仿优秀驾驶员的换道行为，未来对于该领域和其他涉及驾驶员模型的预测问题都有一定借鉴意义。

附图说明

图1为换道示意图；

图2为一种基于GRU网络的仿优秀驾驶员换道模型的流程图；

图3为GRU模块的结构图；

图4为GRU网络的建模过程示意图；

图5为一种基于GRU网络的仿优秀驾驶员换道模型的预测效果图；

图6为一种基于GRU网络的仿优秀驾驶员换道模型的预测偏差图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。

一种基于GRU网络的仿优秀驾驶员换道模型建立方法，包括以下步骤：

S1，数据采集与准备：如图1所示，进行换道工况下的实车试验，采集优秀驾驶员转向特征参数、车辆动力学参数及轨迹参数；驾驶员转向特征参数包括转角信号、转矩信号和转角速度信号，车辆动力学参数包括横摆角速度信号、侧倾角信号和侧向加速度信号，车辆轨迹参数包括差分GPS信号；对轨迹参数进行大地坐标转化，计算出车辆的侧向偏移量；对采集到的转向特征参数、车辆动力学参数进行平滑滤波处理，得到原始数据集，侧向偏移量和原始数据集共同构成优秀驾驶员换道行为数据集；具体为：

S1.1，选择优秀驾驶员：由于驾驶培训学校的教练长期从事驾驶教学和驾驶实践工作，因此其驾驶水平是相对较好的，本实施例选择5名不同驾驶年龄、不同性别的驾驶培训学校教练作为优秀驾驶员；

S1.2，在实际车辆试验中，设计了换道的典型工况，试验过程中车辆的速度是确定的，包括30KM/h与40km/h，即在驾驶员保持住这两个稳定车速下进行换道试验；

S1.3，将车辆轨迹参数分别进行大地坐标转化后，与道路边界及做差，计算出车辆的侧向偏移量，即车辆与道路边界的距离D_y；

本实施例选择不同阶数的巴斯滤波器来处理实验数据：其中横摆角速度、侧倾角信号和侧向加速度信号选择二阶巴特沃斯滤波器，转角信号、转矩信号和转角速度信号选择一阶巴特沃斯滤波器。

S2,数据集获取：将优秀驾驶员换道行为数据集作为样本，将下一时刻的转角信号作为标签，构建的数据集共包含样本数据3400条，其中的90％作为训练样本，剩下的10％作为测试样本，即训练样本中包含3060条换道数据，测试样本中包含340条换道数据，分别将这些数据作为基于GRU网络的仿优秀驾驶员换道模型的训练样本数据和测试样本数据；所述数据集包含x_t＝{D_y，vel，A_y，SteerAng，SteerVel，Msteer}，所述标签为y_t＝{SteerAng}，其中D_y为车辆距离道路边界的横向距离，vel为车辆当前车速，A_y为车辆横向加速度，SteerAng为方向盘转角，SteerVel为方向盘转角速度，Msteer为方向盘转矩；本实施例中采用的换道执行持续时间为9s，时间间隔为0.05s。

S3，如图4所示，GRU网络模型构建：所述GRU网络模型包含三层，分别为输入层、GRU隐层以及输出层；

S3.1，网络输入和输出：

GRU网络模型是指根据t时刻前n个时间段(t-n+1,t-n+2,…,t)的换道行为参数预测t+1时刻的换道行为，试验中N次换道t时刻前n个时间段的历史数据可构成以下矩阵：

上式中，x_t表示t时刻的换道行为参数，本实施例中，假定n＝10；

需要预测的换道行为数据可用以下矩阵表示：

S3.2，网络结构确定：

所述GRU网络模型的具体结构为输入层、GRU隐层及输出层，其中输入层由6个单元组成，GRU隐层由10个GRU单元组成，输出层由一个单元组成；输入层与GRU隐层、GRU隐层与输出层之间的连接方式为全连接。

GRU隐层的结构如图3所示：

该结构中z_t表示更新门，r_t重置门，h_t表示隐层当前状态，x_t表示输入，h_t表示加入到当前状态的候选值；更新门z_t的计算公式如下：

z_t＝σ(U_zx_t+W_zh_t-1) (1)

式中，σ为表示sigmoid函数，为门单元的激活函数，U_z为GRU网络输入与h_t之间的权重矩阵，W_z为上一时刻的GRU网络输出与h_t之间的权重矩阵，h_t-1为历史状态信息；

计算出的z_t值在0到1之间，表示前一个时刻的状态信息传递到当前状态的尺度，或者说是比率，这个比率值由前一个时刻t-1的状态和当前的输入值X共同决定。

本实施例中的GRU网络选择的激活函数是tanh，输入值X和前一个时刻的状态值共同经过线性变换，再经过激活函数，会产生新的状态，只不过这个状态值并不含有历史的状态信息，只是在t这个点由输入和前一个状态共同决定的状态值，这个新的状态信息称为候选状态值h_t，h_t的计算如下：

式中，U_h为GRU网络输入与更新门之间的权重矩阵，W_h为上一时刻的GRU网络输出与更新门之间的权重矩阵，ο表示对应元素相乘；

上式中的重置门r_t的计算如下：

r_t＝σ(U_rx_t+W_rh_t-1) (3)

式中，U_r为GRU网络输入与复位门之间的权重矩阵，W_r为上一时刻的GRU网络输出与复位门之间的权重矩阵；

重置门的含义表示前一个时刻的状态信息有多少参与到加入到当前状态的候选值h_t中来，若r＝0，加入到当前状态的候选值h_t完全由输入数据X来得到，若r＝1，表示前一个时刻的状态信息完全参与到新状态-h的生成中；

最后包含历史状态信息h_t-1和新状态-h(候选状态)的当前状态h_t的计算如下：

当前状态h_t由前一个时刻状态h_t-1和加入到当前状态的候选值h_t共同作用并更新，更新的比例由更新门z_t决定，r_t决定在加入到当前状态的候选值h_t时前一个时刻状态h_t-1的参与程度。

S3.3，训练参数：

所述GRU网络模型的激活损失函数选择梯度下降法中的自适应矩估计优化算法，损失函数为平方差函数：学习率为0.006、时间步为20、批量大小为60。

S4,得到仿优秀驾驶员模型：利用训练样本训练GRU网络模型，得到基于GRU网络的仿优秀驾驶员换道模型；

如图2所示，所述GRU训练步骤具体为：

S4.1，将训练样本中的数据进行归一化处理，并分为n个批次，每个批次大小为60；t时刻GRU网络的输入数据x_t，标签为下一时刻的转角信号y_t；

S4.2，初始化GRU网络各层权重，GRU隐层的权重W＝0，输入层的权重U＝0，i＝0；

S4.3，取某一批次数据作为本次的训练集，t＝0；

S4.4，将本次输入数据x_t输入到GRU网络，经过GRU网络更新计算得到对应输出y_t；

S4.5，计算GRU网络的输出y_t与预测值y_t的误差；

S4.6，判断本批次训练是否完成，若是，否则t＝t+1，并返回S4.1.4；

S4.7，利用梯度下降法中的自适应矩估计优化算法更新GRU网络权重；

S4.8，判断所有数据是否完成训练，若是，执行S4.1.9，否则返回S4.1.3；

S4.9，i＝i+1，判断训练次数是否达到要求，若没有则返回S4.1.2，否则完成模型训练，得到基于GRU网络的仿优秀驾驶员换道模型。

S5，输出仿优秀驾驶员转向行为：将优秀驾驶员转向特征参数、车辆动力学参数及轨迹参数输入至基于GRU网络的仿优秀驾驶员换道模型，获得下一时刻的优秀驾驶员换道行为：将t时刻前的数据输入换道模型中，预测出t+1时刻的转角信号，即t+1时刻优秀驾驶员的换道行为，然后滚动更新；预测结果如图5和6所示，训练后的模型损失函数最后达到7.2330775e-05，均方根误差0.12750373，一致性指数0.99989593，预测偏差最大2.65°’，结果显示预测效果较好。

本发明虽然已经给出了一些实施例，但是本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本发明的实施例进行改变。上述实施例只是示例性的，不应以本发明的实施例作为本发明权利范围的限定。

Claims (9)

1.一种基于GRU网络的仿优秀驾驶员换道模型建立方法，其特征在于，包括以下步骤：

S1，进行换道工况下的实车试验，采集优秀驾驶员转向特征参数、车辆动力学参数及轨迹参数，由轨迹参数计算出车辆的侧向偏移量；对转向特征参数、车辆动力学参数进行平滑滤波处理，得到原始数据集，侧向偏移量和原始数据集构成优秀驾驶员换道行为数据集；

S2，将优秀驾驶员换道行为数据集作为样本，将下一时刻的转角信号作为标签，构建训练样本数据和测试样本数据；

S3，构建GRU网络模型；

S4，利用训练样本数据训练GRU网络模型，得到基于GRU网络的仿优秀驾驶员换道模型；

S5，将优秀驾驶员转向特征参数、车辆动力学参数及轨迹参数输入至换道模型，获得下一时刻的优秀驾驶员换道行为。

2.根据权利要求1所述的基于GRU网络的仿优秀驾驶员换道模型建立方法，其特征在于，所述驾驶员转向特征参数包括转角信号、转矩信号和转角速度信号，所述车辆动力学参数包括横摆角速度信号、侧倾角信号和侧向加速度信号，所述车辆轨迹参数为差分GPS信号。

3.根据权利要求1所述的基于GRU网络的仿优秀驾驶员换道模型建立方法，其特征在于，所述GRU网络模型包括输入层、GRU隐层以及输出层，输入层与GRU隐层、GRU隐层与输出层之间全连接。

4.根据权利要求1或2所述的基于GRU网络的仿优秀驾驶员换道模型建立方法，其特征在于，所述S1具体为：选择不同驾驶年龄、不同性别的驾驶培训学校教练作为驾驶员，驾驶员以稳定车速进行换道试验，将车辆轨迹参数分别进行大地坐标转化后，与道路边界及做差，计算车辆的侧向偏移量，即车辆与道路边界的距离D_y。

5.根据权利要求4所述的基于GRU网络的仿优秀驾驶员换道模型建立方法，其特征在于，所述S2中数据集x_t＝{D_y，vel，A_y，SteerAng，SteerVel，Msteer}，所述标签为y_t＝{SteerAng}，其中D_y为车辆距离道路边界的横向距离，vel为车辆当前车速，A_y为车辆横向加速度，SteerAng为方向盘转角，SteerVel为方向盘转角速度，Msteer为方向盘转矩。

6.根据权利要求1或3所述的基于GRU网络的仿优秀驾驶员换道模型建立方法，其特征在于，所述GRU网络模型是指根据t时刻前n个时间段(t-n+1,t-n+2,…,t)的换道行为参数预测t+1时刻的换道行为，所述GRU网络模型的具体结构为输入层、隐藏层及输出层，其中输入层由6个单元组成，GRU隐层由10个GRU单元组成，输出层由一个单元组成，且输入层与GRU隐层、GRU隐层与输出层之间全连接，所述GRU网络模型的激活损失函数选择梯度下降法中的自适应矩估计优化算法，损失函数为平方差函数。

7.根据权利要求6所述的基于GRU网络的仿优秀驾驶员换道模型建立方法，其特征在于，所述GRU隐层的结构中包括更新门z_t、重置门r_t、隐层当前状态h_t，h_t由前一个时刻状态h_t-1和加入到当前状态的候选值h_t共同作用并更新。

8.根据权利要求1所述的基于GRU网络的仿优秀驾驶员换道模型建立方法，其特征在于，所述S4中训练的步骤包括：将数据集中的数据进行归一化处理，初始化GRU网络各层权重，取某一批次数据作为本次的训练集，将本次输入数据x_t输入到网络，经过GRU网络更新计算得到对应输出y_t，计算GRU网络的输出y_t与预测值y_t的误差，利用梯度下降法中的自适应矩估计优化算法更新GRU网络权重，完成模型训练。

9.根据权利要求1或7所述的基于GRU网络的仿优秀驾驶员换道模型建立方法，其特征在于，所述S5具体为：将t时刻前的转向特征参数、车辆动力学参数及轨迹参数输入至换道模型，预测出t+1时刻的转角信号，即t+1时刻优秀驾驶员的换道行为，然后滚动更新。