复杂道路场景下的车辆碰撞特征检测分析
来源:用户上传
作者:
摘 要： 针对复杂道路场景下的汽车安全问题，提出一种基于车辆轨迹数据的碰撞检测方法。该方法中利用一阶惯性滤波对包含加速度传感器的轨迹数据按时间序列去噪，通过算法对异常数据进行截取;根据领域知识形式化定义了碰撞的概念，进一步将异常数据段转化为碰撞的特征向;最后构建基于碰撞特征的碰撞检测二分类任务。在实验环境和实际的应用中，该方法能较好地去除复杂道路下行车过程中产生的噪声，并具备较好的查准率及查全率。
关键词： 轨迹数据;加速度传感器;碰撞检测;时间序列;二分类
中图分类号： TP311 文献标识码： A DOI：10.3969/j.issn.1003-6970.2020.08.032
本文著录格式：张国政，王梦，朱群. 复杂道路场景下的车辆碰撞特征检测分析[J]. 软件，2020，41（08）：116-119
【Abstract】： A collision detection method based on vehicle track data is presented for vehicle safety in complex road scenarios. In this method， first-order inertial filter is used to denoise the track data containing acceleration sensors in time series， and the abnormal data is intercepted by algorithm. Based on domain knowledge， the concept of collision is formalized， and the abnormal data segment is further transformed into the feature direction of collision. Finally， a second-class collision detection task based on collision characteristics is constructed. In the experimental environment and practical application， this method can better remove the noise generated during the driving on complex roads， and has a good accuracy and recall rate.
【Key words】： Trajectory data; Acceleration sensor; Collision detection; Time series; Binary classification
0 引言
随着互联网技术和思维对传统汽车行业的渗透，车载智能终端逐渐从服务专业人员向服务车主转变[1]。我们很容易通过廉价的车载电子设备获取车辆的实时轨迹数据，这些海量的轨迹数据构成了智慧交通的信息支柱[2]。基于轨迹数据来挖掘有价值的信息更成为了智慧交通的热门研究内容之一[3-4]。
文献[5]中利用MEMS传感器实现了对车辆位置及车辆状态信息进行了及时了解。在MEMS装置中，加速度传感器被成功地运用到了多个领域，文献[6]利用手机加速度传感器来对手机的动作解锁、接听电话、查看短信等功能进行识别，达到了较好的效果。文献[7]将车辆不同传感器数据采集效果进行了分析。由此可见，传感器数据对于运动状态的识别具有低成本、高价值的特点。在车辆轨迹数据中，对传感器数据的深度挖掘也成为了行车数据挖掘技术的重要方向[8-9]。
汽车安全作为智慧交通的重中之重，在轨迹数据挖掘内容中也具有难以估量的价值。尤其是对车辆碰撞的检测，更是关乎生命的话题。文献[10]详细地阐述了如何运用加速度传感器来检测运输途中危险品的姿态，并给出了异常姿态的定义、检测方法、参数。同理，我们可以把相似的技术运用到对车辆碰撞的检测中。但文献[10]的实验条件比较理想单一，未考虑到现实场景中运输车辆过异常路面（如减速带、坑洼路面等）、急减速、急加速、急转弯等复杂道路情况给数据带来的噪声影响，故不能直接将所述方法运用到碰撞检测中。文献[11]利用轨迹数据对异常数据进行检测，但未对汽车碰撞场景做深入研究。因此，需要更具准确的方法对车辆进行碰撞检测。
尽管基于机器视觉的智能汽车安全辅助驾驶是当下车联网的热门的话题之一[12-13]。但高额的成本、复杂的技术以及政策支持等问题，使得该技术在未来较长的时间范围内难以普及。正因如此，基于复杂道路场景下的车辆碰撞特征检测分析在当下更具有实用性和有效性。
综合目前的研究现状和实际应用，提出一种基于加速度传感器和GPS轨迹数据[14]的碰撞检测方法，该方法能在车辆发生碰撞后及时地检测出来，对碰撞发生后生命的及时救援有着重要的意义。此外，这些轨迹数据来源于集成了加速度传感器、GPS传感器和移动网络模块的廉价车载电子设备，这些设备可安装在任何类型的车上，在生产环境中成本低、通用性强。
1 车辆碰撞检测分析
本文中将带有BMI160传感器和MC20传感器的通用车载电子设备作为研究对象。其中，BMI160是DFRobot联合Bosch新推的6轴惯性运动传感器，采用MEMS传感器封装，将最顶尖的16位3轴加速度传感器和超低功耗3轴陀螺仪集成在一起。MC20集成GPS、蓝牙、LBS基站定位、GPRS等功能，是一款非常强的模块。为了突出研究重点，我们暂时不考虑硬件自身的信號采集以及数据转换方法，仅对设备上传至平台的轨迹数据进行研究，包括某时刻的加速度三轴值（±16 g）、速度、经纬度信息，并且轨迹数据按时间序列上传。尽管MC20采集的有角速度三轴值（±2000°/s），但在实际车辆碰撞的场景中它的变化率较小，即便在翻车等大的碰撞事故中它会起到一定的辅助作用，但它的变化与加速度三轴值表现出强正相关，因此不再对角速度三轴值进行采集计算。经过对轨迹数据的预处理、碰撞特征集提取、碰撞检测等步骤，完成线上车辆的碰撞检测。具体的碰撞实时检测方法主流程如图1所示。 2.2 数据异常发现
首先约定轨迹数据是严格基于时间序列的，车辆
发生运动异常时，加速度传感器可以捕获到这些异常。为了简化问题，我们假定设备都是水平固定在车上，定义At=（xt， yt， zt）表示t时刻轨迹数据中的加速度三轴数据，规定xt表示前后方向的受力，yt表示左右方向的受力，zt表示上下方向的受力。
我们采用滑动窗口机制来捕获运动轨迹的异常数据段A，异常检测算法采用基于时间序列中是否包含离群点的异常检测法。该算法实时接收每个时刻的加速度三轴数据At，当At出现异常时，会将At对齐到异常段m位置，并继续接收n个At后，返回时间窗口长度为m+n的加速度三轴数据。具体算法如下：
Input： At， m， n
Output： segment
Algorithm：
Define a global segment[m+n] //定义全局数组， 长度为m+n
Define a global flag = false //定义全局标识，初始化为false
If flag == true ：
Put At into segment
If segment is full：
results segment = segment
sliding forward segment， step=m
flag = false
return results segment
Endif
If segment is full：
sliding forward segment， step=1
Endif
Put At into segment
Calculate the median of X， Y， Z in segment
If xt>=3*median（X）+std（X）
or yt>=3*median（Y）+std（Y）
or zt>=3*median（Z）+std（Z）：
flag =true
If index（At） >= m：
sliding backward segment， step= in-dex（At）-m
Else：
sliding forward segment ， step=m-index（At）
padding segment[0， m - index] with median （X， Y， Z）
Endif
return None
图2展示了滑动窗口长度为7的若干个行车场景中加速度三轴值的时序数据，可以看到车辆在静止状态、匀速运动、急减速、急加速、急转弯、碰撞场景各个场景中，加速度的变化趋势。
3.3 碰撞二分类
对碰撞样本使用特征向量表示并标记，得到带标签的碰撞样本，在此基础上进行二分类的有监督学习，这样就将碰撞检测特殊问题，转换为机器学习中的通用问题。在选择合适的二分类机器学习模型后，经过模型调优和交叉验证步骤，最终得到适用于该特征空间内碰撞检测的二分类模型。
本文根据样本属性均属于连续型数值、且碰撞于速度、加速度变化量成较强的正相关等特点，选用xgboost算法作为我们的二分类器进行模型训练，将该算法的objective参数设置为binary：logistic，最终输出一个发生碰撞的概率值P，设置一个阈值p，若P>=p0，认为发生了碰撞，若P<p0，认为未发生碰撞。可通过应用场景对算法的期望调整p0值：若要求提升算法精确率，可将p0调高;若要求召回率更高，可将p0调低。
4 实验及结果分析
4.1 实验环境
本文采用某车联网公司平台的轨迹数据进行研究。分别采样1000个碰撞样本碰撞当月的时序数据。对每个正样本通过异常检测算法截取若干个异常轨迹数据段，并将包含碰撞时间点的异常轨迹数据段标记为正样本，将其它不包含碰撞时间点的异常数据段标记为负样本，共标记正样本1000例，负样本5288例。
4.2 算法参数设定及调优
本文相关参数涉及三类：
滤波系数a设置为0.7。由于实际环境的噪声较大，故采用较低的系数进行滤波，以便滤波后的數据更具有抗干扰能力。
时间窗口长度m+n，设置为m=7，n=5。采用较小的窗口来捕获碰撞瞬间的特征值，会避免时间窗口过大引入的其它随机噪声，对碰撞的预测更有帮助。
xgboost参数，通过网格搜索寻参和20次交叉验证，最终得到表3中较优的算法参数。
4.3 实验结果
我们采用80%的样本进行训练，得到的模型对20%的样本进行分类，最终的分类结果的混淆矩阵如表4所示。
根据结果混淆矩阵，得到该xgboost分类器的查准率P为71%，查全率R为94%。在实际场景中，我们更关心查全率，这样可以确保更多的碰撞能够被检测出来，因此，本算法在参数调优时，更倾向于提升查全率。整个实验结果表明，该算法能够通过轨迹数据有效检测碰撞是否发生，达到预期效果。
5 结束语
本文介绍了一种基于加速度传感器和GPS轨迹数据的车辆碰撞检测技术。该技术首先对基于时序的轨迹数据进行低通滤波，采用滑动窗口算法来提取异常轨迹数据段。其次，根据碰撞的领域知识对碰撞进行形式化定义，并通过定义从异常轨迹数据段提取出碰撞特征，对碰撞特征进行归一化处理。最后采用二分类模型进行碰撞检测。从实验结果看，该技术适用于车辆碰撞检测场景，并有较好的查准率和查全率，并且在实际应用中，精确率能满足业务需要。然而，该算法的不足之处在于，它偏好于速度相关特征较明显的样本，故而在检测静止碰撞和低速碰撞的场景，算法的泛化能力相对降低。未来，我们将对问题域按不同的碰撞场景进行分治求解，以进一步提高查准率和查全率。 参考文献
[1] 陈晓娟， 楼培德等. 基于OBD的车载智能终端现状及其发展趋势[J]. 软件， 2014， 35（10）： 95-99.
[2] 陈辉， 蒋圭峰， 姜桂圆， 等. 基于海量公交轨迹数据挖掘的地图匹配算法[J]. 计算机应用， 2018， 335（07）： 99-104， 38.
[3] Xie G， Gao H， Qian L， et al. Vehicle Trajectory Prediction by Integrating Physics- and Maneuver-Based Approaches Using Interactive Multiple Models[J]. IEEE Transactions on Industrial Electronics， 2018， 65（7）： 5999-6008.
[4] 张文元， 谈国新， 朱相舟. 停留点空间聚类在景区热点分析中的应用[J]. 计算机工程与应用， 2018（4）： 263-270.
[5] 王志伟， 许江淳， 李玉惠， 等. 基于 MEMS 传感器的物流车辆位置及姿态追溯系统设计[J]. 软件， 2014， 38（9）： 23-27.
[6] 汪文彬， 马玉春， 尹建. 基于加速度传感器的智能手机动作识别系统的设计与实现[J]. 软件， 2015， 36（02）： 10-13.
[7] 赵向阳， 刘豫川.智能汽车多传感器融合技术专利分析[J]. 软件， 2017， 38（10）： 162-168.
[8] 陶红兴， 莫凌飞， 严如强. 基于车载传感信息融合的电动汽车驾驶行为辨识[J]. 传感技术学报， 2018.
[9] 王忠民， 李卓， 范琳. 基于滑动窗特征融合的深信度网络驾驶行为识别[J]. 计算机应用研究， 2018， 35（4）： 1096-1100.
[10] 王绍丹， 王宜怀， 贾荣媛. 基于加速度传感器的在途危险品行为姿态检测方法[J]. 计算机应用研究， 2018， 322（08）： 94-97， 35.
[11] 葉敏. 基于轨迹数据挖掘的异常检测方法研究[D]. 陕西： 长安大学， 2017.
[12] 程腾， 蒋亚西， 吴勃夫， 等. 一种基于数字图像相关的高精度车辆跟踪算法[J]. 汽车工程， 2018（8）： 942-946， 980.
[13] 张新钰， 高洪波， 赵建辉， 等. 基于深度学习的自动驾驶技术综述[J]. 清华大学学报： 自然科学版， 2018， 58（4）： 438-444.
[14] 徐煜. GPS车辆管理系统[J]. 软件， 2017， 38（04）： 133-136.
转载注明来源:https://www.xzbu.com/8/view-15321857.htm
