軌跡數據驅動的自動駕駛公交運行評價方法*

吳忠宜，汪磊，汪濤，劉好德，祁昊

(1.交通運輸部 科學研究院，北京 100029；2.上海海事大學 交通運輸學院，上海 201306；3.同濟大學 道路與交通工程教育部重點實驗室，上海 201804；4.上海交通大學 船舶海洋與建筑工程學院，上海 200240)

常規公交系統是自動駕駛技術應用的重要場景之一。自動駕駛與智能網聯技術應用于公共汽電車系統中，能減少駕駛員負荷和人力成本，提高道路利用效率，同時更精準地控制車輛能耗，實現綠色駕駛。近年來，國內外紛紛建設智能網聯車輛測試區域，國內部分城市設置開放道路測試場景，為自動駕駛乘用車和商用車數據采集及智能算法優化提供了堅實基礎。但自動駕駛公交車在投放至開放道路交通流環境中運營前，需經過科學、充分的分析和評估，清晰認識自動駕駛公交車在開放道路交通流條件下的運行特性和自動化水平、明確自動駕駛公交車的適用條件，這是應用和推廣自動駕駛公交車的基礎。而自動駕駛公交車的自動化能力在普通乘用車自動駕駛水平的基礎上，還與運營調度管理息息相關。因此，對自動駕駛技術在公交系統中的應用評價不僅局限于車輛層面，還應關注系統層面和運營層面。該文通過采集自動駕駛公交車運行軌跡數據建立長短期記憶神經網絡(LSTM)模型，通過模型判別車輛運行中的關鍵狀態，并轉換為車輛運行質量評價指標，對自動駕駛公交車控制穩定性、高效性和安全性進行評價。

1 國內外自動駕駛公交評測發展現狀

1.1 自動駕駛公交及其評價

中國《“十三五”現代綜合交通運輸體系發展規劃》指出要大力發展公共交通，推動公交都市建設，加快城市公共交通新能源汽車規?；瘧?，提升裝備和載運工具智能化、自動化水平。其他國家也紛紛推動自動駕駛在公交領域的應用，如美國交通部在自動駕駛3.0白皮書中定義了自動駕駛、無人駕駛公共交通的愿景，美國聯邦公共交通管理局指出地面公交是自動駕駛汽車最可能落地應用的場景。還有很多國家將自動駕駛公交落地列入重要的戰略和政策文件中。

當前自動駕駛公交的發展方向主要有兩種：一種是以解決“最后一公里”問題為目標，實現小范圍內開放道路上低速共享合乘的小型接駁客車，如自動駕駛接駁巴士；另一種是在現有專有路權快速公交模式的基礎上，實現車輛的自動化控制，如快速公交系統自動化駕駛。

目前對自動駕駛車輛運行質量的研究主要建立在車輛層面，車輛性能、效能評價大多在封閉測試場景中進行，主要集中在乘用車對于復雜場景的感知和能動水平評估上。鑒于公交車的運營特性，其自動化能力在常規乘用車自動化能力的基礎上還應與自動化運營相銜接。因此，對自動駕駛公交車運行質量的評價既要考慮車輛本身自動駕駛水平，還要考慮自動駕駛對運營帶來的影響。

1.2 基于軌跡的自動駕駛評價方法

對于傳統的人工駕駛公交車運行和運營的追蹤評價，采用運營臺賬數據或調查問卷的方式可以實現，對數據的實時處理要求不高。當前新一代智能公交系統朝著自動化、電動化、網聯化方向發展，在大數據技術背景下，所獲得數據的精細度和完整度更高，使軌跡數據能應用于公交車運行和運營質量監測、評價與分析。

公交車軌跡數據包含車輛位置、速度及相關瞬時狀態信息參數，能全面刻畫車輛運行狀態特征。例如可通過公交車車載GPS模塊數據判別超速、急加速等事件，分析車輛駕駛和運行安全特征，為公交運營決策提供支持。

循環神經網絡(RNN)及LSTM能處理特征向量在時間序列下的問題，適用于車輛軌跡特征分析，近年來成為研究自動駕駛車輛軌跡數據的重要方法。張楠等通過建立RNN模型構造序列至序列(Sequence-to-Sequence，Seq2Seq)映射模型，實現了對專用路權公交車軌跡的動態預測。黃玲等利用LSTM對自動駕駛車輛換道軌跡進行了建模分析。韓皓等引入注意力Seq2Seq網絡對交織區自動駕駛車輛軌跡進行了預測。該文利用LSTM的時序特征識別性質構建多重LSTM二分類器實現對軌跡的識別，從軌跡中提取關鍵評價指標信息，實現自動駕駛公交運行質量評價。

2 軌跡數據及評價指標

2.1 軌跡數據包含的信息

目前，智能網聯自動駕駛公交車配備了大量傳感器(如高精度定位傳感器)、數據總線(CAN總線)與通信設備(T-Box)，能采集豐富的車輛運行狀態數據。車輛軌跡數據為一組時間序列狀態向量Xt=(xLAT,xLON,v,a,xOPR,xSTP)，?t∈T，其中：t為時間序列集合T中的某一時間片段，xLAT和xLON分別為車輛位置的緯度和經度，v為車輛瞬時速度，a為車輛瞬時加速度，xOPR表示車輛是否在執行運營任務(0～1變量)，xSTP表示車輛是否正在停站(0～1變量)。為保證數據的可靠性，v、a、xOPR和xSTP由不同傳感器報告，而非由GPS位置數據推算。位置、速度、加速度等特征變量的差異能用于辨識車輛行駛過程中的不同狀態和事件，如圖1所示，速度、加速度值在不同時間的組合值呈現出時間序列上的變化特征，能顯著區分不同行駛狀態，如勻速行駛與穩定加速，同時能識別異常事件的發生，如超速、急減速等狀態。正常行駛狀態的延續和異常事件的發生，能用于評價車輛的運行狀態。

圖1 軌跡數據中可提取的關鍵參數

2.2 評價指標選取

現有相關評價指標主要集中于自動駕駛車輛評價和公交運營評價，自動駕駛車輛評價指標側重于對車輛本身應對各種環境的駕駛能力評價，公交運營評價集中于滿意度、服務效率評價?？紤]到自動駕駛公交車區別于普通自動駕駛乘用車的運營特性，兼顧基于傳感器軌跡數據所提取信息的局限性，結合已有評價指標體系和自動駕駛公交運營實際需求，從穩定性、高效性、安全性出發構建自動駕駛公交評價指標體系，其中穩定性指標反映車輛行駛控制是否滿足要求，高效性指標反映車輛運行時的運輸效率，安全性指標反映車輛運行時的安全可靠性(見表1)。

表1 基于軌跡數據的自動駕駛運行評價指標

續表1

3 自動駕駛公交運行質量評價方法

3.1 評價方法技術流程

采用三階段方法實現基于軌跡數據的自動駕駛公交運行狀態追蹤評價，流程如下：1) 數據預處理。對原始軌跡數據進行預處理，補全缺失軌跡，消除軌跡波動。2) 運行狀態識別。構建長短期記憶網絡二分類器模型組實現對車輛正常運行狀態與異常事件的識別，利用人工標定好的訓練樣本和驗證樣本將其訓練成可用的模型組。3) 評價指標計算。將實時采集、處理的待測樣本輸入訓練好的模型組進行車輛運行狀態與異常事件識別，并將識別結果進行分類統計計算，得到穩定性、高效性、安全性指標(見圖2)。

圖2 軌跡數據驅動的自動駕駛公交評價流程

3.2 數據預處理

鑒于傳感器采集的數據存在缺失和誤差，分別采用插值法、Kalman濾波進行缺失數據補全和時間序列平滑。

3.2.1 線性插值法缺失數據補全

設時刻狀態向量中任一指標變量xt∈Xt，在xt～xt+L+1中需插入L個值，則第l個值(1≤l≤L)為：

xt+l=xt+l·(xt+L+1-xt)/(L+1)

(1)

3.2.2 Kalman濾波軌跡數據平滑

若狀態向量中任一指標變量xt∈Xt(除0～1變量外)在t∈T上，有如下狀態方程和觀測方程：

xt=xt-1+W(t)

(2)

zt=xt+V(t)

(3)

式中：W(t)為系統噪聲；zt為變量觀測值；V(t)為觀測噪聲，其協方差分別為Q和R。

由于該問題里系統中無其他輸入，其變量的Kalman濾波方程包括：

x(t|t)=x(t|t-1)+Kg(t)·[zt-

x(t|t-1)]

(4)

x(t|t-1)=x(t-1|t-1)

(5)

Kg(t)=P(t|t-1)/[P(t|t-1)+R]

(6)

P(t|t)=[I-Kg(t)]·P(t|t-1)

(7)

P(t|t-1)=P(t-1|t-1)+Q

(8)

式中：x(t|t)為t時刻濾波平滑后的變量；Kg(t)為Kalman增益；P(t|t)為協方差；I為與Kg(t)同階的元素全為1的矩陣。

3.3 長短期記憶神經網絡建模

車輛軌跡時間序列狀態向量Xt=(xLAT,xLON,v,a,xOPR,xSTP)t在時間軸t∈T上呈現的特定狀態具備可辨識特征，且在時間維度上具有長期記憶性或短期延續性。為辨識狀態向量長短期特征，采用LSTM建立模型。與軌跡時間序列預測的Seq2Seq不同，自動駕駛公交運行評價涉及到異常狀態判別，采用序列到分類(Sequence-to-Label Classification)的建模方法實現軌跡序列異常狀態判別。

3.3.1 LSTM網絡構建

構建的LSTM網絡模型見圖3。其中每個時間片由一個LSTM網絡單元處理，時間片的LSTM單元能接收來自時間片t-1的狀態ht-1和Ct-1及時間片t自身的輸入Xt；其輸出為二分類變量Yt及傳遞到時間片t+1的狀態ht+1和Ct+1。LSTM網絡的前向傳播過程滿足下式：

圖3 LSTM網絡單元示意圖

(9)

(10)

(11)

(12)

(13)

mt=tanh(Ct)

(14)

ht=ot⊙mt

(15)

Yt=σ(Whyht+by)

(16)

訓練好的LSTM網絡能根據長短期記憶和輸入變量實現分類功能。

3.3.2 多變量多重二分類器構建

圖1所示時序變化的特征變量組對應可以互相重疊的狀態，如超速狀態時段可同時對應急減速狀態，故多分類的分類器難以直接適用。為此，以Xt為多變量輸入，通過訓練一組LSTM二分類器對應各種事件狀態(見表2)發生與否。訓練LSTM二分類器組時，對于訓練樣本集，先由人工判斷事件狀態并為樣本賦予真實值。以人工分類樣本為參考值。

LSTM二分類器組的結構見圖4。針對表2所示10個事件E1～E10分別創建獨立的LSTM網絡，實現對每種事件狀態的二分類識別。建立事件狀態輸出與統計指標之間的統計關系，可計算出表1中各評價指標。

表2 事件狀態

圖4 基于LSTM模型組提取評價指標的過程

4 案例研究

4.1 數據說明

數據采集場景位于上海市嘉定區智能網聯車道路測試區域，包括博園路、北安德路、安虹路等路段，全長11.1 km。通過對受試車輛掛裝外裝GPS模塊和加速度計進行數據采集。連續采集車輛行駛軌跡，共收集自動駕駛車輛樣本點數據3 254條。采用跟車時人工標記法對行車過程中的行駛事件狀態進行標記，共記錄事件狀態42次，其中645條樣本點數據被標記了不同事件狀態。將上述樣本大致均分為2個子集，分別為訓練集(A集，樣本點1 654條)、測試集(B集，1 600條)。

數據采集時段為平峰、自動駕駛車輛許可進入開放交通流道路中的時段。為便于對比研究，設計相同行駛范圍內的人工模擬駕駛場景，并采用相同設備采集行駛軌跡數據。

數據處理環境為Intel Xeon E5-2650 2.0 GHz 處理器、32 GB內存服務器；軟件包括64位Windows Server 2019操作系統、Python3.5、PyCharm集成開發環境、TensorFlow1.13及相關支撐庫，并構建LSTM網絡。

4.2 模型訓練

4.2.1 模型訓練效果指標

針對E1～E10分別訓練10個二分類LSTM模型，采用命中率(Accuracy)、召回率(Recall)、準確率(Precision)作為模型性能指標，計算公式如下：

A=(TP+TN)/(TP+FN+FP+TN)

(17)

R=TP/(TP+FN)

(18)

P=TP/(TP+FP)

(19)

式中：A為命中率，即正確區分出事件狀態和正常狀態的樣本占總樣本的比例；TP為準確判別出事件狀態的樣本數；TN為判別為正常狀態、實際為正常狀態的樣本數；FN為判別為正常狀態、實際為事件狀態的樣本數；FP為判別為事件狀態、實際為正常狀態的樣本數；R為召回率，即正確判別出事件狀態的樣本占實際事件狀態樣本的比例；P為準確率，即正確判別事件狀態的樣本占模型判別出事件狀態樣本的比例。

4.2.2 模型訓練和交叉驗證

采用十折交叉驗證(10-fold cross validation)方式訓練并驗證模型，即將軌跡數據A集劃分成10段子數據集，進行10次訓練與驗證，每次訓練與驗證采用其中9段子數據集作為訓練樣本集、另1段數據集作為驗證集，以獲得更穩定的LSTM模型。模型E1～E10各自分組訓練效果見圖5。

圖5 分組驗證時模型E1～E10的效果

由圖5可知：1) 各事件的分類判別命中率均在0.6以上，表明LSTM模型在一定程度上能較好地識別各事件狀態；E1、E3、E4、E9、E10能穩定地取得大于0.8的命中率，表明模型在識別超速、急加速、急減速、進站、出站事件狀態上能取得穩定且較正確的結果。2) 各模型的召回率和準確率差別較大，且召回率離散程度較大。召回率相對差于準確率，表明模型把正常行駛狀態誤識別為事件狀態的情況較多；準確率相對好于召回率，表明模型較少誤識發生事件狀態的樣本。E1、E3、E4、E9、E10事件模型的召回率和準確率均在0.6以上，其中E3、E9、E10的平均準確率達0.88，表明模型能非常好地識別急加速、進出站事件。模型對E7、E8事件的識別效果不理想，即模型不能很好地識別停車和換道事件。對于E7停車事件，由于人工標注的標簽和實際速度、加速度特性存在差異，存在一定程度的誤報，導致召回率偏低；對于E8換道事件，由于換道特性在本研究涉及的數據維度中缺少區分度，識別率偏低?？傮w而言，模型能較好地識別E1、E3、E4、E9、E10事件，在準確率和命中率上能較好地判別超速、急加速、急減速、進站、出站事件，而這些事件能幫助計算自動駕駛公交運行評價指標(見表3)。

表3 各指標的計算方法

4.2.3 測試樣本情況

B組測試樣本集的識別準確度見圖6。

圖6 測試樣本集分類識別效果

由圖6可知：1) 訓練后模型對事件E1超速、E4急減速、E9進站、E10出站的識別效果較好，識別結果的命中率、召回率、準確率都在0.8以上，模型識別結果能應用于自動駕駛車輛運行狀況評價指標計算；E3急加速的召回率相對較低(0.6以下)，表明模型將測試樣本集中非急加速狀況識別為急加速的情況較多；準確率和命中率能得到保證，模型較少丟失實際發生急加速的情況。2) 訓練后模型對E2緩速行駛、E5正常加速、E6正常減速情況的識別性能較弱，表明這些場景在本研究涉及的數據維度條件下區分度不明顯；E7停車、E8換道場景的識別效果不理想，需通過進一步增加數據和信息來源提高事件狀態的辨識度。

4.3 指標分析

基于上述基礎數據和事件識別，通過函數統計得到各評價指標值，評價自動駕駛車輛運行質量，刻畫受測試自動駕駛車輛的運行和運營特性。為分析自動駕駛與人工駕駛車輛運行特性差異，采集相同測試范圍、相同線路條件下人工駕駛車輛軌跡，利用上述方法對人工駕駛軌跡特性進行計算分析，并與自動駕駛運行特性指標進行對比(見表4)。

表4 自動駕駛車輛與人工駕駛車輛指標比較

由表4可知：人工駕駛車輛的點速度標準差(10.3 km/h)顯著高于自動駕駛車輛(3.2 km/h)，表明自動駕駛車輛的勻速行駛穩定性好于人工駕駛車輛；自動駕駛車輛未發生超速，而人工駕駛車輛發生2次超速；自動駕駛車輛加速度、減速度標準差小于人工駕駛車輛，表明自動駕駛車輛的加速、減速控制穩定性好于人工駕駛車輛；自動駕駛車輛的時刻表偏差小于人工駕駛車輛，其運營穩定性優于人工駕駛車輛；自動駕駛車輛的旅行時間略長于人工駕駛車輛，旅行時間的可靠性強于人工駕駛；自動駕駛模式的急加速、急減速情況好于人工駕駛。綜上，自動駕駛車輛的穩定性和安全性好于人工駕駛車輛，但效率不及人工駕駛。

5 結論

以自動駕駛公交車輛行駛軌跡數據作為輸入，基于LSTM二分類器對時間序列中的狀態向量進行特征識別，實時追蹤計算車輛行駛過程中的穩定性、高效性、安全性指標。主要結論如下：1) 基于車輛運行事件狀態構建的LSTM二分類器對于超速、急加速、急減速、進出站等事件具有很好的識別精度，對訓練樣本和驗證樣本識別結果的命中率、召回率、準確率都在0.8以上，模型識別結果能應用于自動駕駛車輛運行狀況評價指標計算。2) 在正確識別運行事件的基礎上，對自動駕駛過程中的運行質量指標進行計算，對自動駕駛測試區內自動駕駛車輛的運行狀態進行評價。結果顯示，受試車輛現階段自動化水平下，其運行穩定性和安全性好于人工駕駛，但效率不及人工駕駛。該文為利用機器學習手段快速分析自動駕駛車輛軌跡并對車輛運行質量進行評價提供了較好的研究方法和思路。但采集的數據維度尚不夠全面。后續研究中，由于智能車輛自身載有的傳感器能感知到的環境和交通特征更全面，能從更高維度刻畫車輛運行、跟車、變道、停車、上下客等事件特征，從而提高對車輛運行質量判別的準確性，更全面地評價自動駕駛車輛的運行質量。