2024年3月26日-28日，2024中國商用車論壇在湖北省十堰市舉辦。本屆論壇由中國汽車工業(yè)協(xié)會主辦，以“新步伐 新成效 新提高，助力商用車產(chǎn)業(yè)高質量發(fā)展”為主題，基于行業(yè)高質量發(fā)展要求、國家“雙碳”目標實現(xiàn)、汽車產(chǎn)業(yè)轉型和創(chuàng)新需要，以創(chuàng)新促改革、促轉型、促發(fā)展，助力商用車產(chǎn)業(yè)高質量發(fā)展。其中，在3月28日上午舉辦的“主題論壇二：智能網(wǎng)聯(lián)技術賦能，加速商用車行業(yè)發(fā)展”上，湖北汽車工業(yè)學院汽車工程師學院院長、教授陳宇峰發(fā)表精彩演講。以下內(nèi)容為現(xiàn)場發(fā)言實錄：

各位專家，各位嘉賓，線上的朋友們，大家上午好。

我是湖北汽車工業(yè)學院的一位老師，首先向大家宣傳一下我們學校。我們學校是全國唯一一所以汽車命名的公辦普通高等院校，國內(nèi)相關的企業(yè)都有我們學校的畢業(yè)生，也非常歡迎大家到我們學校招聘畢業(yè)生。我所在的汽車工程師學院圍繞智能汽車開展人才培養(yǎng)。

我今天給大家?guī)淼膱蟾媸擒嚶?lián)網(wǎng)環(huán)境下結合換道意圖識別的碰撞預警研究。

我將分四部分：

第一部分，背景。

其實咱們國家連續(xù)15年汽車產(chǎn)銷數(shù)量位居全球第一，可以看到我們的車輛，特別是汽車的保有量是逐年上升的。根據(jù)國家統(tǒng)計年鑒2023年發(fā)布數(shù)據(jù)，2022年，汽車交通事故所帶來的損失也是巨大的，包括對人民生命財產(chǎn)安全的影響，應該說也是對社會安全也是產(chǎn)生了影響。

我們就說了，如果說能夠提前識別駕駛意圖，也有研究來表明，如果能夠提前1.5秒鐘識別它車的駕駛意圖，將能夠降低90%的交通事故。在這些交通事故當中，有一類的駕駛行為是非常危險的，也就是隨意變更車道。剛才楊秘書長也介紹了，隨意變更車道，不僅會影響其他車輛的正常運行，也是交通事故產(chǎn)生的很大的一個引發(fā)誘因。城市道路，隨意變更車道很容易產(chǎn)生刮蹭問題，而在高速公路上會產(chǎn)生車毀人亡的后果。我們有轉向燈，但是實際情況是什么呢，在換道過程中開轉向燈的概率是比較低的，特別有人開車的時候，他會隨意的，他想起來的時候才打轉向，甚至不打轉向，等他想起來打轉向延遲已經(jīng)很大了。另外來講，有的時候駕駛人就算開了轉向燈，其實有時候也是誤操作，這樣對駕駛人員的意圖識別產(chǎn)生了很大的影響。

在我們現(xiàn)在的很多研究中，也就是說在我們車聯(lián)網(wǎng)還沒有進行大規(guī)模的普及之前，單車智能能起到很大的作用，通過自身傳感器獲取周圍車輛信息，攝像頭，毫米波雷達，超聲波雷達能夠獲取周圍車輛信息，但是畢竟有遮擋存在、天氣影響，使單車智能對復雜交通環(huán)境狀況的識別還是不足?，F(xiàn)在車聯(lián)網(wǎng)，車路協(xié)同、車車通信、V2X的技術，就能夠為我們的車輛提供更多的周圍車輛的信息，從而為自車能夠去識別周圍車輛的駕駛意圖提供一個很好的通信基礎。

那我們說了，如果用車聯(lián)網(wǎng)識別換道意圖的時候會面臨什么問題呢，這是我第二塊的研究內(nèi)容。

首先看問題和動機。

如果用車聯(lián)網(wǎng)進行數(shù)據(jù)交換的時候，一定會面對一個丟包問題，這個在通信中不能避免。現(xiàn)在問題來了，如果丟包了，車聯(lián)網(wǎng)場景中，對駕駛意圖識別到底有多大的影響？另外我們?nèi)绻f是用人工智能的算法，特別是現(xiàn)在深度學習也比較火，如果說用深度學習的算法來做，對于算力負載需求能否能有合理的降低呢，這就是我們需要考慮的兩個問題。這里面，我們就希望通過對深度學習算法的研究，從兩個角度，一個是降低我們的數(shù)據(jù)采樣頻率，能夠實現(xiàn)對算力負載的要求降低。另外，我們還要考慮，如果有數(shù)據(jù)丟包了，我們這樣的算法是否能夠適應這樣車聯(lián)網(wǎng)的場景。

基于這樣的問題和動機，我們進行了相應的一些研究。首先來看數(shù)據(jù)集，NGSIM數(shù)據(jù)集。

我們以US-101路段數(shù)據(jù)來進行訓練和測試，包含了車輛各種信息，這也是公開數(shù)據(jù)。提前要做一些數(shù)據(jù)濾波處理，101數(shù)據(jù)集是攝像頭采集的，需要把攝像頭信息轉變?yōu)檐囕v結構數(shù)據(jù)信息，這里轉變以后，我們用一個濾波算法，就是Savitzky-Golay算法，來平滑原始數(shù)據(jù)。

這里可以看到，藍色是自車，需要識別周圍的車輛是否有換道意圖。目標是盡早識別換道意圖，而且通過車輛交互的信息來識別它的換道意圖。所有車輛定時公開或者發(fā)布自己的信息，這里被預測車輛是紅色車輛，綠色車輛是其環(huán)境車輛。我們在深度學習模型里面，輸入的數(shù)據(jù)，包括S和E，S代表被預測車輛信息，E代表被預測車輛的周圍車輛信息。

下面我們對車輛的駕駛行為序列進行提取。這里面分兩位類，一類是直行序列，一類是換道序列，怎么識別換道序列？當車輛軌跡和車道有交點，我們定義為換道點。通過對換道點前面的軌跡點的車輛航向角和閾值比對，如果出現(xiàn)連續(xù)三個采樣點都小于這個值，意味著這里出現(xiàn)了一個換道的起點，這個圖里面，綠色的點往左，因為車輛往右行駛，往左的三個黑點達到了這個條件，綠色的點被定義為換道起點，紅色點是換道點，藍色是換道過程點，一系列的換道序列作為測試序列和訓練序列。

在這里面，因為深度學習的LSTM模型是比較經(jīng)典也是比較常用的，能夠進行長短時記憶的網(wǎng)絡，這個網(wǎng)絡因為是一個比較常見的網(wǎng)絡模型，我就簡單介紹一下。分為三個門，一個是遺忘門，一個輸入門，一個輸出門。這里面有相應的公式計算出長時網(wǎng)絡記憶，以及短時網(wǎng)絡記憶，以及輸出門數(shù)據(jù)，一起最終得到了當前狀態(tài)。

我們有了這樣的一個基本的LSTM模型以后，再用雙向LSTM。為什么用雙向呢？其實雙向意思就是既能代表前向，也能代表后向。前向來講，是能夠通過前向的LSTM結構提取車輛的歷史特征。但是呢，我們又可以通過后向網(wǎng)絡來提取這個車輛未來時刻的特征。最終把這些特征信息進行拼接輸出。我們引入雙向特征以后，就能夠更好的識別輸入序列的一個相互依賴關系，從而增強模型的泛化能力。當然我們說光雙向還不夠，為什么呢？因為整個輸入中，有不同的序列，得到的每個輸出時刻特征序列的權重是不一樣的，所以可以引入注意力機制。注意力機制是在眾多信息當中選出你覺得哪些更重要的信息，賦予其更高的權重。我們引用了Attention注意力機制，可以捕捉每一個輸出時刻重要的狀態(tài)信息。這里呢，通過對每一個輸出時刻的重要性程度給它賦予不同的權值，提高模型的識別性能。

這是我們一個總的模型，在這個模型里面，我們有一個輸入模塊，這里邊是一個全連接，就是輸入做了全連接。這里識別網(wǎng)絡就是剛才的雙向網(wǎng)絡作為輸出，另外用一個函數(shù)進行歸一化，最終形成左轉，右轉和直行三種概率，這三個概率判斷我們選擇其中最大一種作為一個最終的識別類。

這里評估方法，是通用的混淆矩陣。這里面用一個指標F1macro來做總體評價。回到我們剛才的問題，如果我們想降低車載計算平臺的算力需求，我們希望能夠降低采樣頻率。我們首先以LSTM作為一個基準模型來進行一個測試，這里我們看到的，如果說采樣頻率是1、3、5、10這樣一個頻率，另外我們丟包率設置為無丟包、30%到60%丟包。如果采用5Hz或者10Hz，性能相似，差距不太大，而且不太受丟包的影響。采樣率為3的時候，受丟包影響也不太大，但是采樣為3，整個識別效果比我們頻率為5，頻率為10要低一些，也是符合直觀感受，所以后面分析當中，我們采用5Hz的采樣頻率進行后續(xù)性能的對比分析實驗。

先對無丟包的情況進行了一個對比分析，這里面做了一個消融實驗，LSTM、BiLSTM等等機制。通過這樣一個消融實驗，我們可以看到這四個模型的效果不一樣的。總體來看，就是我們所提出的雙向LSTM+Attention獲得最好的效果。當我們用曲線來看，也可以看到AUC曲線的面積也是最大的，因此從無丟包的情況來看，我們提出的模型效果是最好的。

當我們有30%丟包的時候效果怎么樣，在30%丟包的情況下，頻率還設定是5Hz，在這樣的情況下，我們的模型取得的效果依然是最好的。但是我們還對比了30%丟包的情況和無丟包的情況、四個模型的表現(xiàn)，我們可以看到和無丟包的情況對比，這四個模型里面，它的F1macro值降了多少，分別是0.4%多，0.5%多，0.5%多和0.1%多，這意味著我們所提出的模型降低最小。通過這樣一個模型對比，通過仿真實驗可以得出基本的結論，就是我們的模型對丟包場景的適應性是比較好的。

第三、結合換道意圖識別的碰撞預警。

這樣一個結合策略來講，其實也比較簡單，也是通用的，是一個基于距離的分級預警策略。這里面前面先通過，把我們剛才的這樣一個換道識別的模型融入到碰撞預警的分級策略中去，先通過換道意圖識別模型得到周圍車輛、被預測車輛的一個換道意圖，然后再來判斷我們跟它碰撞的風險有多大，這樣分別就實現(xiàn)了初級預警、二級預警和三級預警，當然級別越高，風險越大，說明距離越短。

這是我們?nèi)×藘奢v車，是在7:50到8:05這樣一段時間中，選了兩輛車，一個是左轉，一個右轉車道，上面三條線，是換道概率識別出一個左轉、一個右轉。第一個圖最右邊是4秒，意味著在4秒的時候，這個車進入到了車道線的換道點，我們能夠識別出的時間大約在不到2秒，因此能夠提前2秒左右能夠判斷出這個車在換道了。右邊這個圖換道比較急，我們可以看到進入換道點大概2秒多一點，但是1秒左右識別出來了，因此我們能夠提前1秒左右判斷出它有換道的意圖，這個是自車判斷周圍車輛什么時候換道可以有一個提前預警。

這里分別各選了左轉、右轉的150組數(shù)據(jù)，共300組里面進行預警評估，這里面確實沒有達到100%的換道意圖識別，有25組沒有識別，但是剩余換道意圖識別里面，有120組是在車道線，就是到車道線之前的3秒內(nèi)完成了換道意圖識別，有62組是2秒到3秒?yún)^(qū)間能夠識別了，還有56組是在1秒到2秒范圍內(nèi)完成識別，當然也有在1秒內(nèi)識別的，就是31組，也就是說這31組應該是在1秒內(nèi)識別，它的緊急程度是比較高的。但是根據(jù)我們剛才的分級預警策略里面，在二級預警和三級預警分別是10次和3次，這也說明我們整個預警策略是能夠有一定的提前量，能夠及早預警，這是碰撞預警的驗證。

第四，總結。

總結一下我們的工作，因為相比企業(yè)界做的工作來講，我們做得比較初步，我們也希望在我們基礎上，能夠通過深度學習的人工智能算法，為道路交通安全提供模型基礎，但是我們也希望在實際過程中，結合工程實踐，能夠解決一些算力問題，同時結合我們車聯(lián)網(wǎng)的實踐，對丟包問題能夠有很好的應對策略。我們提出的算法在適當降低采樣頻率、場景有丟包的情況下保持了良好性能。有了這樣一個意圖識別，能夠為我們交通事故碰撞預警有一個提前量，從而提升道路交通安全性。

未來還會考慮幾個因素做一些改進，比如說通信時延問題，因為這里沒有考慮時延，時延比較小、如果是車車通信的話，后面要做車路協(xié)同，或者車云協(xié)同，車路協(xié)同跟路側交互，那時延會變大，如果通過車云交互，這樣時延會更大，時延的影響又怎么樣。另外在丟包的策略中，現(xiàn)在選擇的是隨機丟包，但是通信網(wǎng)絡還有很多突發(fā)性的丟包，在不同的丟包模型下，我們的模型是否還有適配性，甚至未來的網(wǎng)絡攻擊下，我們模型是否還能更好的識別。這是未來需要研究的地方。

我的匯報就到這里，謝謝大家。