基于深度学习LSTM的智能车辆避撞模型及验证

doi:10.3969/j.issn.1674-8484.2022.01.010

汽车安全与节能学报 ›› 2022, Vol. 13 ›› Issue (1): 104-111.DOI: 10.3969/j.issn.1674-8484.2022.01.010

基于深度学习LSTM的智能车辆避撞模型及验证

房亮¹^,²(), 关志伟¹(), 王涛¹, 龚进峰³, 杜峰¹^,⁴

1.天津职业技术师范大学汽车与交通学院,天津 300222,中国
2.天津职业大学汽车工程学院,天津 300410,中国
3.中国汽车技术研究中心,天津 300300,中国
4.天津市智能交通技术工程中心,天津 300222,中国

收稿日期:2021-05-30 修回日期:2021-10-20 出版日期:2022-03-31 发布日期:2022-04-02
通讯作者: 关志伟
作者简介:*关志伟,教授。 E-mail: zhiwguan@163.com。
房亮(1988–),男(汉族),河北,讲师。 E-mail:fangliang@tute.edu.cn。
基金资助:
国家重点研发计划项目(2017YFB0102500);天津市人工智能科技重大专项(17ZXRGGX00070);天津市科技计划项目(21YDTPJC00350);天津职业大学科学研究基金项目(20181109)

Collision avoidance model and its validation for intelligent vehicles based on deep learning LSTM

FANG Liang¹^,²(), GUAN Zhiwei¹(), WANG Tao¹, GONG Jinfeng³, DU Feng¹^,⁴

1. School of Automotive and Transportation, Tianjin University of Technology and Education, Tianjin 300222, China
2. School of Automotive Engineering, Tianjin Vocational University, Tianjin 300410, China
3. Automotive Technology and Research Center, Tianjin 300300, China
4. Tianjin Intelligent Transportation Technology Engineering Center, Tianjin 300222, China

Received:2021-05-30 Revised:2021-10-20 Online:2022-03-31 Published:2022-04-02
Contact: GUAN Zhiwei

摘要/Abstract

摘要：

建立了一种基于深度学习长短期记忆(LSTM)网络的智能车辆避撞模型。搭载虚拟测试驾驶(VTD)仿真软件的模拟驾驶器;针对跟车行驶、前车紧急制动这一危险工况,开展模拟驾驶实验;以相对距离、相对速度、前车减速度、碰撞时间、横向距离作为输入参数;通过未经训练的样本数据对模型迁移性进行验证,并与传统反向传播(BP)神经网络进行对比。结果表明：本模型自车减速度和方向盘转角预测的决定系数R²分别高于传统BP模型0.17和0.21。因而,本文模型对大数据样本具有更优的拟合优度,能够表征驾驶员实际避撞行为,在驾驶辅助系统应用中具有推广价值。

关键词: 智能车辆, 避撞, 模拟驾驶器, 深度学习, 长短期记忆(LSTM), 驾驶辅助系统

Abstract:

A collision avoidance model was established for intelligent vehicles based on a deep learning Long Short-Term Memory (LSTM) network. Some driving simulation experiments were carried out at the conditions of following car dangerous driving or front car emergency braking, through a driving simulation platform with a simulation software of Virtual Test Driving (VTD). The relative distances, the relative speeds, the decelerations of the preceding car, the collision times, and the lateral distances were taken as the input parameters. Model mobility was verified by an untrained sample data, and compared with a traditional Back Propagation (BP) neural network. The results show that the R² values of the model are higher than that of the traditional BP model by 0.17 and 0.21, respectively for the predicational decelerations and the predicational steering wheel angles. Therefore, this model has a fitting goodness for the big data samples and can represent the driver actual collision-avoidance behavior, with a value in promoting application of driver assistance system.

Key words: intelligent vehicles, collision avoidance, driving simulators, deep learning, long short-term memory (LSTM), driver assistance systems

中图分类号:

TP183
U491.2

房亮, 关志伟, 王涛, 龚进峰, 杜峰. 基于深度学习LSTM的智能车辆避撞模型及验证[J]. 汽车安全与节能学报, 2022, 13(1): 104-111.

FANG Liang, GUAN Zhiwei, WANG Tao, GONG Jinfeng, DU Feng. Collision avoidance model and its validation for intelligent vehicles based on deep learning LSTM[J]. Journal of Automotive Safety and Energy, 2022, 13(1): 104-111.

图/表 16

参考文献 18

[1]	孙维富. 基于数据挖掘的高速公路交通事故分析及预防对策研究[D]. 吉林: 吉林大学, 2018: 14-15.
	SUN Weifu. Research on highway traffic accident analysis and preventive countermeasures based on data mining[D]. Jilin: Jilin University, 2018: 14-15. (in Chinese)
[2]	何仁, 冯海鹏. 自动紧急制动(AEB)技术的研究与进展[J]. 汽车安全与节能学报, 2019,10(1):1-15.
	HE Ren, FENG Haipeng. Research and development of autonomous emergency brake (AEB) technology[J]. J Automotive Safe Energy, 2019,10(1):1-15. (in Chinese)
[3]	刘志强, 张春雷, 张爱红, 等. 基于驾驶行为的追尾避撞控制策略研究[J]. 汽车工程, 2017, 39(9): 1068-1073+1080.
	LIU Zhiqiang, ZHANG Chunlei, ZHANG Aihong, et al. A Study on the control strategy for Rear-end collision avoidance based on drivers’ behavior[J]. Automotive Engineering, 2017, 39(9): 1068-1073+1080. (in Chinese)
[4]	PENG Tao, SU Lili, ZHANG Ronghui, et al. A new safe lane-change trajectory model and collision avoidance control method for automatic driving vehicles[J]. Expert Syst Appl, 2020, 141: 112953.1-112953.17.
[5]	Dogan U, Edelbrunner J, Iossifidis I. Autonomous driving: a comparison of machine learning techniques by means of the prediction of lane change behavior[C]// IEEE Int’l Conf Robotics Biomimetics, New York, 2011: 1837-1843.
[6]	王俊彦, 蔡骏宇. 基于RBF神经网络的车辆安全换道时机决策模型研究[J]. 重庆理工大学学报(自然科学版), 2019,33(11):47-51, 80.
	WANG Junyan, CAI Junyu. Research on modelling vehicle safety lane-changing timing decision based on RBF neural network[J]. J Chongqing Univ Techn (Natu Sci), 2019,33(11):47-51, 80. (in Chinese)
[7]	Motamedidehkordi N, Amini S, Hoffmann S, et al. Modeling tactical lane-change behavior for automated vehicles: A supervised machine learning approach[C]// IEEE Int’l Conf’Models Tech Intell Transp Syst, 2017: 268-273.
[8]	刘志强, 王玲, 贾海江, 等. 基于BP神经网络的驾驶员制动行为模型研究[J]. 机械设计与制造, 2019(6):37-41.
	LIU Zhiqiang, WANG Ling, JIA Haijiang, et al. Driver’s braking behavior based on BP neural network[J]. Mach Desi Manuf, 2019(6):37-41. (in Chinese)
[9]	黄玲, 郭亨聪, 张荣辉, 等. 人机混驾环境下基于LSTM的无人驾驶车辆换道行为模型[J]. 中国公路学报, 2020,33(7):156-166.
	HUANG Ling, GUO Hengcong, ZHANG Ronghui, et al. LSTM-based lane-changing behavior model for unmanned vehicle under environment of heterogeneous Human-driven and autonomous vehicles[J]. China J Highw Transp, 2020,33(7):156-166. (in Chinese)
[10]	XIE Dongfan, FANG Zhezhe, JIA Bin, et al. A data-driven lane-changing model based on deep learning[J]. Transp Res Part C Emerging Tech, 2019,106:41-60.
[11]	张驰, 郭媛, 黎明. 人工神经网络模型发展及应用综述[J]. 计算机工程与应用, 2021,57(11):57-69.
	ZHANG Chi, GUO Yuan, LI Ming. Review of development and application of artificial neural network models[J]. Computer Eng Appl, 2021,57(11):57-69. (in Chinese)
[12]	马焱棋, 林群, 赵昱程, 等. 基于深度学习LSTM对交通流状态的预测[J]. 数学的实践与认识, 2021,51(04):47-56.
	MA Yanqi, LIN Qun, ZHAO Yucheng, et al. Prediction of traffic flow state based on deep learning LSTM[J]. Math Practice Theory. 2021,51(4):47-56. (in Chinese)
[13]	杨丽, 吴雨茜, 王俊丽, 等. 循环神经网络研究综述[J]. 计算机应用, 2018, 38(S2):1-6+26.
	YANG Li, WU Yuqian, WANG Junli, et al. Research on recurrent neural network [J]. J Computer Appl, 2018, 38(S2): 1-6+26. (in Chinese)
[14]	郭应时, 付锐, 赵凯, 等. 驾驶人换道意图实时识别模型评价及测试[J]. 吉林大学学报(工学版), 2016,46(6):1836-1844.
	GUO Yingshi, FU Rui, ZHAO Kai, et al. Evaluation and test of real-time identification models of driver’s lane change intention[J]. J Jilin Univ (Eng Tech Ed), 2016,46(6):1836-1844. (in Chinese)
[15]	HUANG Ling, GUO Hengcong, ZHANG Ronghui, et al. Capturing drivers’ lane changing behaviors on operational level by data driven methods[J]. IEEE Access, 2018,6:57497-57506.
[16]	ZHENG Zhao, CHEN Weihai, WU Xingming, et al. LSTM network: A deep learning approach for short-term traffic forecast[J]. Iet’l Intell Transp Syst, 2017,11(2):68-75.
[17]	王克杰, 张瑞. 基于改进BP神经网络的短期电力负荷预测方法研究[J]. 电测与仪表, 2019,56(24):115-121.
	WANG Kejie, ZHANG Rui. Research on short-term power load forecasting method based on improved BP neural network[J]. Elect Mea Instr, 2019,56(24):115-121. (in Chinese)
[18]	康梦轩, 宋俊平, 范鹏飞, 等. 基于深度学习的网络流量预测研究综述[J]. 计算机工程与应用, 2021,57(10):1-9.
	KANG Mengxuan, SONG Junping, FAN Pengfei, et al. Survey of network traffic forecast based on deep learning[J]. Computer Engi Appl, 2021,57(10):1-9. (in Chinese)

t	δ_sw	γ_br	γ_ga	v_xexp	a_xexp	v_xob	a_xob	X_exp	Y_exp	X_ob	Y_ob
ms	(°)	%	%	m·s^-1	m·s^-2	m·s^-1	m·s^-2	m	m	m	m
0	0.001	0.008	0.000	23.305	-0.259	18.222	-5.000	6 316.583	0.076	6 394.985	0.000
17	0.001	0.051	0.000	23.300	-0.333	18.139	-5.000	6 316.971	0.075	6 395.288	0.000
33	0.006	0.083	0.000	23.291	-0.745	18.056	-5.000	6 317.359	0.074	6 395.590	0.000
50	0.006	0.106	0.000	23.276	-1.044	17.972	-5.000	6 317.747	0.074	6 395.890	0.000
67	0.006	0.138	0.000	23.257	-1.268	17.889	-5.000	6 318.135	0.073	6 396.189	0.000
83	0.009	0.177	0.000	23.233	-1.567	17.806	-5.000	6 318.523	0.072	6 396.486	0.000
100	0.013	0.008	0.000	23.305	-0.259	18.222	-5.000	6 316.583	0.076	6 394.985	0.000

t	δ_sw	γ_br	γ_ga	v_xexp	a_xexp	v_xob	a_xob	X_exp	Y_exp	X_ob	Y_ob
ms	(°)	%	%	m·s^-1	m·s^-2	m·s^-1	m·s^-2	m	m	m	m
0	0.001	0.008	0.000	23.305	-0.259	18.222	-5.000	6 316.583	0.076	6 394.985	0.000
17	0.001	0.051	0.000	23.300	-0.333	18.139	-5.000	6 316.971	0.075	6 395.288	0.000
33	0.006	0.083	0.000	23.291	-0.745	18.056	-5.000	6 317.359	0.074	6 395.590	0.000
50	0.006	0.106	0.000	23.276	-1.044	17.972	-5.000	6 317.747	0.074	6 395.890	0.000
67	0.006	0.138	0.000	23.257	-1.268	17.889	-5.000	6 318.135	0.073	6 396.189	0.000
83	0.009	0.177	0.000	23.233	-1.567	17.806	-5.000	6 318.523	0.072	6 396.486	0.000
100	0.013	0.008	0.000	23.305	-0.259	18.222	-5.000	6 316.583	0.076	6 394.985	0.000

自车减速度		方向盘转角
误差区间/ (m·s^-2)	误差分布/ %	误差区间/ mrad	误差分布/ %
[-0.2,0.2]	48.69	[-60, 60]	64.60
[-0.6,0.6]	78.27	[-120, 120]	85.55
[-1.2,1.2]	93.31	[-240, 240]	96.99

自车减速度		方向盘转角
误差区间/ (m·s^-2)	误差分布/ %	误差区间/ mrad	误差分布/ %
[-0.2,0.2]	48.69	[-60, 60]	64.60
[-0.6,0.6]	78.27	[-120, 120]	85.55
[-1.2,1.2]	93.31	[-240, 240]	96.99

结构	节点数	激活函数
输入层	5	Tansig
双隐藏层	20, 20	Tansig
输出层	2	Purelin

基于深度学习LSTM的智能车辆避撞模型及验证

Collision avoidance model and its validation for intelligent vehicles based on deep learning LSTM

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 18

相关文章 15

编辑推荐

Metrics

本文评价

期刊信息

在线期刊

作者中心

审稿中心

联系我们

编号	性别	年龄/岁	驾龄/年	编号	性别	年龄/岁	驾龄/年
1	男	24	4	11	男	24	3
2	男	24	3	12	男	24	4
3	男	26	5	13	女	26	5
4	男	24	4	14	女	24	4
5	男	30	6	15	女	23	5
6	男	23	3	16	女	24	3
7	男	28	5	17	女	35	10
8	男	25	4	18	女	34	9
9	男	37	10	19	女	24	3
10	男	38	17	20	女	26	5

编号	性别	年龄/岁	驾龄/年	编号	性别	年龄/岁	驾龄/年
1	男	24	4	11	男	24	3
2	男	24	3	12	男	24	4
3	男	26	5	13	女	26	5
4	男	24	4	14	女	24	4
5	男	30	6	15	女	23	5
6	男	23	3	16	女	24	3
7	男	28	5	17	女	35	10
8	男	25	4	18	女	34	9
9	男	37	10	19	女	24	3
10	男	38	17	20	女	26	5

预测样本	自车减速度		方向盘转角
预测样本	RMSE	R²	RMSE	R²
LSTM模型	0.661 8	0.437 7	0.096 7	0.492 5
BP模型	0.448 9	0.264 1	0.084 6	0.2779

[1]	李文礼, 张友松, 韩迪, 钱洪, 石晓辉. 基于深度强化学习的车辆自主避撞决策控制模型[J]. 汽车安全与节能学报, 2021, 12(2): 201-209.
[2]	罗浩文, 吴小娟, 张铭涛. 固体氧化物燃料电池系统的复合优化在线控制策略[J]. 汽车安全与节能学报, 2020, 11(4): 553-559.
[3]	申恩恩，胡玉梅，陈光，罗攀，朱浩. 智能驾驶实时目标检测的深度卷积神经网络[J]. JASE, 2020, 11(1): 111-116.
[4]	胡远志，刘俊生，何佳，肖航，宋佳. 基于激光雷达点云与图像融合的车辆目标检测方法[J]. JASE, 2019, 10(4): 451-458.
[5]	魏民祥，滕德成. 基于全卷积网络的车道区域分割算法[J]. JASE, 2019, 10(3): 334-341.
[6]	李升波, 关阳，侯廉，高洪波，段京良，梁爽，汪玉，成波，李克强，任伟，李骏. 深度神经网络的关键技术及其在自动驾驶领域的应用[J]. JASE, 2019, 10(2): 119-145.
[7]	陈桢. 基于空间域压缩感知的车载雷达目标定位算法[J]. JASE, 2019, 10(2): 192-199.
[8]	陈立伟，仝盼盼，熊敏，白傑，黄李波，毕欣，赵天昊，谭斌 . 24 GHz盲区监测与变道辅助雷达系统的开发[J]. JASE, 2019, 10(2): 200-210.
[9]	吴俊，宋志强，曹立波，等. 集成主动预紧式安全带的乘员可接受度与优化措施[J]. JASE, 2018, 9(4): 379-385.
[10]	白傑，郝培涵，陈思汉. 用轻量化卷积神经网络图像语义分割的交通场景理解[J]. JASE, 2018, 9(4): 433-440.
[11]	边宁，赵保华，赖锋，刘继峰，陈迹，周剑光. 基于高速公路的半自动驾驶辅助系统的开发与应用[J]. JASE, 2017, 08(02): 149-156.
[12]	郭景华, 李克强, 罗禹贡. 智能车辆运动控制研究综述[J]. 汽车安全与节能学报, 2016, 07(02): 151-159.
[13]	朱西产，刘智超，李霖. 基于车辆与行人危险工况的转向避撞控制策略[J]. 汽车安全与节能学报, 2015, 6(03): 217-223.
[14]	朱西产，高学敏，许宇能，李霖. 基于角点检测估算车辆间即碰时间[J]. 汽车安全与节能学报, 2014, 5(04): 331-335.
[15]	王建强，俞倩雯，李升波，段宁，李克强. 基于道路坡度实时信息的经济车速优化方法[J]. 汽车安全与节能学报, 2014, 5(03): 257-262.

编号	性别	年龄/岁	驾龄/年	编号	性别	年龄/岁	驾龄/年
1	男	24	4	11	男	24	3
2	男	24	3	12	男	24	4
3	男	26	5	13	女	26	5
4	男	24	4	14	女	24	4
5	男	30	6	15	女	23	5
6	男	23	3	16	女	24	3
7	男	28	5	17	女	35	10
8	男	25	4	18	女	34	9
9	男	37	10	19	女	24	3
10	男	38	17	20	女	26	5

编号	性别	年龄/岁	驾龄/年	编号	性别	年龄/岁	驾龄/年
1	男	24	4	11	男	24	3
2	男	24	3	12	男	24	4
3	男	26	5	13	女	26	5
4	男	24	4	14	女	24	4
5	男	30	6	15	女	23	5
6	男	23	3	16	女	24	3
7	男	28	5	17	女	35	10
8	男	25	4	18	女	34	9
9	男	37	10	19	女	24	3
10	男	38	17	20	女	26	5

编号	性别	年龄/岁	驾龄/年	编号	性别	年龄/岁	驾龄/年
1	男	24	4	11	男	24	3
2	男	24	3	12	男	24	4
3	男	26	5	13	女	26	5
4	男	24	4	14	女	24	4
5	男	30	6	15	女	23	5
6	男	23	3	16	女	24	3
7	男	28	5	17	女	35	10
8	男	25	4	18	女	34	9
9	男	37	10	19	女	24	3
10	男	38	17	20	女	26	5

编号	性别	年龄/岁	驾龄/年	编号	性别	年龄/岁	驾龄/年
1	男	24	4	11	男	24	3
2	男	24	3	12	男	24	4
3	男	26	5	13	女	26	5
4	男	24	4	14	女	24	4
5	男	30	6	15	女	23	5
6	男	23	3	16	女	24	3
7	男	28	5	17	女	35	10
8	男	25	4	18	女	34	9
9	男	37	10	19	女	24	3
10	男	38	17	20	女	26	5