[发明专利]基于BP神经网络模型的车辆换道决策方法

说明书

技术领域

本发明涉及一种基于BP神经网络模型的车辆换道决策方法，属于机动车辆驾驶主动安全技术领域。

背景技术

车辆换道是道路行车现象中最为常见的行为之一，而车辆换道决策失误一直是导致道路交通事故发生的重要原因之一。研究表明，在所有的换道事故中，由于驾驶人决策失误而引发的事故约占事故总量的75％。因此，车辆换道时，给驾驶人提供准确的换道决策意义重大，对减少道路交通事故的发生，提高道路交通安全水平有着十分重要的意义。

车辆换道是一种比较复杂的驾驶行为。换道过程中驾驶人需要对本车的前方区域、后方区域以及侧向区域进行仔细观察，判断这些区域中是否存在其他车辆、周围车辆与自车的相对运动关系、以及自车与周围车辆发生冲突的可能性。然而，驾驶人通过后视镜对后方区域、侧向区域地观察通常不如对前方区域地观察那么直接，在分析换道冲突可能性的过程中容易出现失误。

目前，现有技术已有用于辅助车辆进行换道的危险预警系统。目前常见的换道预警系统分为两类，第一类主要针对后视镜的视觉盲区问题，通过采用超声波传感器对本车侧向、后方临近区域内的车辆进行监控；第二类系统主要针对换道目标车道后方存在高速接近车辆的情况，通过使用测距雷达对换道过程中本车与其他车辆的相对距离、相对速度进行实时监控，分析换道过程中引发碰撞事故的风险程度，在风险程度较高情况下对驾驶人进行预警提示。然而，现有车辆换道危险预警系统运行所需装置多，预警算法复杂，可靠性不高，误报率不能控制在较低的水平，难以确保在任何条件下的换道安全。因此，需要研制一种算法简单、误报率低的车辆换道决策方法。

发明内容

本发明的目的在于提供一种基于BP神经网络模型的车辆换道决策方法，利用BP神经网络模型给驾驶员进行车辆换道时提供决策指导，并在换道危险发生时及时地发出警报提醒。所述方法能够有效地为驾驶员进行车辆换道时提供正确可靠的决策指导，可极大地减少因换道决策失误导致的道路交通事故。

本发明的目的通过以下技术方案予以实现：

一种基于BP神经网络模型的车辆换道决策方法，包括：

步骤1：通过多普勒测速雷达传感器获取样本数据，具体是对换道车辆与目标车道前方车辆的速度差V1、换道车辆与目标车道后方车辆的速度差V2、换道车辆与本车道前方车辆的速度差V3、换道车辆与目标车道前方车辆的距离D1、换道车辆与目标车道后方车辆的距离D2、换道车辆与本车道前方车辆的距离D3六个样本数据实时的获取；

步骤2：构建基于BP神经网络模型的车辆换道决策模块，分别通过训练与测试样本数据的选取与处理、网络结构的确定、学习算法的选取和训练参数的确定、基于weka平台的换道BP神经网络模型建立、BP神经网络模型的精确度验证这五个环节来构建车辆换道决策模块；

步骤3：决策判断，将获取的六个样本数据实时地导入到车辆换道决策模块中，并通过基于weka平台下换道BP神经网络模型中的输出节点类别形成车辆换道的决策判断。

本发明的目的还可以通过以下技术措施来进一步实现：

前述基于BP神经网络模型的车辆换道决策方法，所述步骤2中，训练与测试样本数据的选取与处理环节中的交通数据是由美国联邦高速公路管理局Next Generation Simulation(下一代仿真)项目提供，该项目中的数据集提供了详细的车辆轨迹数据，包括每辆车的横/纵向坐标、瞬时速度、瞬时加速度、车头时距、车道号、车辆类型和车辆编号信息，采样频率为10Hz；从项目数据集中筛选得到333组观测值，其中包含142次换道事件，191次非换道事件，每一组观测值都包括了步骤1中所述的6个参数，对所有观测值进行划分，80％观测值用于模型训练，20％观测值用于模型测试。

前述基于BP神经网络模型的车辆换道决策方法，所述步骤2中的网络结构的确定，包括以下步骤：

1)对于输入的原始数据需要进行归一化的处理，将输入数据处理成[0,1]之间无单位的数值；

2)确定隐含层层数为1；

3)选取隐含层节点数目为4个节点，BP神经网络的拓扑结构为6-4-2；

4)神经元之间的初始连接权值采用零附近的随机值；

5)BP神经网络各层的激活函数采用Sigmoid函数：

前述基于BP神经网络模型的车辆换道决策方法，所述步骤2中的学习算法的选取，本方法建立BP神经网络的训练算法采用梯度下降法(Gradient Descent)，通常也称为最速下降法。