بخشی از مقاله
چکیده
امروزه خودرو به عنوان اصلیترین وسیلهی حمل و نقل در زندگی انسان محسوب میشود. از این رو، توجه ویژهای از سوی جوامع علمی، تحقیقاتی و صنعتی به کنترل و بهینهسازی جریان ترافیک و همچنین توسعهی سیستمهای حمل و نقل هوشمند معطوف شده است. در این پژوهش یک مدل فازی - عصبی تطبیقی برای رفتار پیشبینی و عکسالعمل در خودروها ارائه شده است که میتواند شتاب خودروی تعقیبگر را در صورت تغییرخط خودروی راهنما مدلسازی نماید.
رفتار پیشبینی و عکسالعمل دو حالت گذرا، قبل و بعد از تغییرخط خودروی راهنما هستند که طی آن رفتار خودروی تعقیبگر از مدلهای معمول تعقیب خودرو خارج میشود. در ادامه، رفتار این مدل با رانندههای واقعی مقایسه شده و از معیارهای خطا برای بررسی صحت عملکرد آن استفاده شده است. نتایج این بررسی نشان میدهد مدل فازی- عصبی تطبیقی میتواند رفتار پیشبینی و عکسالعمل را بهخوبی بر مبنای رفتار رانندگان واقعی مدل نماید.
مقدمه
در چند دههی اخیر، پژوهشهای زیادی در زمینهی سیستمهای حمل و نقل صورت گرفته است. با این وجود، هنوز سهم تصادفهایی که ناشی از خطای انسانی باشد بسیار بالا است و سالانه افراد زیادی جان و مال خود را بر اثر تصادف از دست میدهند. به همین منظور سیستمهای حمل و نقل هوشمند مورد توجه بسیاری از پژوهشگران قرار گرفته است.
این سیستمها از فنآوریهای موجود برای نظارت، اداره و کنترل سیستمهای حمل و نقل استفاده میکنند و میتوانند علاوه بر ایجاد ایمنی و آسایش برای سرنشینان خودرو، باعث کاهش جریان ترافیک شوند. یکی از پیشنیازها برای دستیابی به سیستم حمل و نقل هوشمند، بررسی رفتارهای رانندگی است. رفتار تعقیبخودرو از اصلیترین و رایجترین رفتارهای رانندگی است. ایدهی اصلی در این رفتار بر مبنای وابستگی حرکت هر خودرو، نسبت به خودروی پیشرو در صف ترافیک است. این رفتار، حرکت طولی راننده و خودرو را زمانی که خودروی راهنمای خود را دنبال میکند و تلاش میکند تا یک فاصلهی ایمن را با آن حفظ کند، توصیف میکند .
تا به امروز مدلهای مختلفی برای رفتار تعقیبخودرو ارائه شده است. ولی در این پژوهشها به اثر تغییرخط خودروی راهنما بر رفتار خودروی تعقیبگر توجه کافی نشده است. این تأثیر به صورت یک حالت گذرا در رفتار تعقیب خودرو ظاهر میشود و باعث میشود خودروی تعقیبگر برای زمان محدودی از فرآیند تعقیب خودرو خارج شود. این حالت گذرا، رفتار پیشبینی و عکسالعمل1 نام دارد.
با توجه به شکل - 1 - ، وقتی خودروی تغییرخطدهنده از مسیر مجاور وارد خط هدف میشود، فاصلهی پیشروی خودروی تعقیبگر به صورت ناگهانی کاهش مییابد و مدت زمانی طول میکشد تا خودروی تعقیبگر سرعت و فاصلهی خود را مطابق با شرایط جدید تغییر دهد. این رفتار عکسالعمل نامیده میشود و در طول آن رفتار خودروی تعقیبگر از مدلهای معمول رفتار تعقیبخودرو پیروی نمیکند.
همچنین قبل از رفتار تغییرخط، رانندهی خودروی تغییرخطدهنده با دادن علامت راهنما یا حرکت به سمت خط هدف، تمایل خود را برای تغییرخط به خودروی تعقیبگر نشان میدهد. در نتیجه این خودرو با کاهش شتاب، فاصلهی بین دو خودرو را زیاد میکند. به این رفتار که قبل از تغییرخط رخ میدهد، پیشبینی میگویند. به دلیل اهمیت رفتار پیشبینی و عکسالعمل در جلوگیری از برخورد خودروها با یکدیگر و تأمین آسایش و ایمنی سرنشینان خودرو، در این پژوهش به بررسی و مدلسازی رفتار پیشبینی و عکسالعمل پرداخته شده است.
از طرف دیگر، رفتار پیشبینی و عکسالعمل برای خودروی تعقیبگر به صورت یک حالت گذرا است که بین دو رفتار تعقیبخودرو، قبل و بعد از تغییرخط خودروی راهنما، رخ میدهد. در نتیجه با مدلسازی این رفتار میتوان به یک مدل اصلاح شده برای رفتار تعقیبخودرو دست یافت که علاوه بر رفتار تعقیبخط، رفتار پیشبینی و عکس-العمل نیز در آن درنظرگرفته شده است.
این مقاله به صورت زیر بخشبندی شده است: در بخش دوم مختصری از پژوهشهای انجام شده در زمینهی رفتار پیشبینی و عکسالعمل ارائه میشود . در بخش سوم، به طراحی مدل فازی-عصبی تطبیقی در رفتار پیشبینی و عکسالعمل پرداخته میشود. سپس در بخش چهارم، با مقایسهی نتایج این مدل با دادههای مربوط به رانندگان واقعی و استفاده از معیارهای مختلف خطا، عملکرد این مدل بررسی میشود. در انتها در بخش پنجم نتیجهگیری این پژوهش ارائه میشود.
مرحلهی عکسالعمل در خودروهای تغییرخطدهنده ارائه شد .[4] این رابطهی ریاضی یک مدل میکروسکوپیک است که با در نظر گرفتن پارامترهای ماکروسکوپیک بهدست آمده است. از آنجایی که پارامترهای این رابطه به راحتی قابل محاسبه نیست، در سال 2011، Duret et al. این رابطه را با استفاده از متغیر نرخ عبور خودروها از مسیر بازنویسی کرد و پارامترهای آن را برای خودروی تغییرخط-دهنده و تعقیبگر محاسبه نمود .[5] در سال 2012، Zuduo et al. مرحلهی پیشبینی را که پیش از رفتار تغییرخط رخ میدهد، معرفی نمود و رابطه ریاضی Duret را برای این مرحله تعمیم داد و پارامترهای این رابطه را برای خودروی تعقیبگر محاسبه نمود .[6]
همانطور که اشاره شد، اکثر مدلهای ارائه شده برای رفتار پیش-بینی و عکسالعمل بر مبنای معادلات ریاضی هستند. در این مدلها برای سادهسازی معادلات، فرضیاتی درنظر گرفته شده است که باعث میشود نتایج آن برای تمام شرایط رانندگی صادق نباشد .[7] به همین دلیل، در این پژوهش مدلی بر مبنای ورودی-خروجی با استفاده از دادههای واقعی رانندگان خودرو و مقادیر لحظهای پارامترها طراحی شده است که میتواند رفتار پیشبینی و عکس-العمل را در خودروها مدل نماید.
مروری بر پژوهشهای انجام شده در زمینهی رفتار پیشبینی و عکسالعمل برای طراحی سیستمی که بتواند رفتار پیشبینی و عکسالعمل را به صورت هوشمند انجام دهد به مدلسازی این رفتار نیازمندیم. در یک تقسیمبندی کلی میتوان مدلهای ارائه شده برای رفتارهای رانندگی را به دو دسته مدلهای بر مبنای معادلات ریاضی و مدلهای بر پایه ورودی- خروجی تقسیمبندی نمود. پارامترهای مربوط به مدلهای ریاضی، با میانگینگیری از اطلاعات حاصل از آزمایشها یا مقادیر اندازهگیری شده در شرایط واقعی بهدست میآیند.
این در حالی است که این پارامترها وابسته به عوامل مختلفی مانند راننده، خودرو و مسیر حرکت هستند و به صورت تابعی از زمان تغییر میکنند. در واقع نتایج مدلهای بر پایهی معادلات ریاضی، تنها در محدودهی آزمایش دارای اعتبار است و در سایر موارد از صحت خوبی برخوردار نیست. در مدلسازی بر پایهی ورودی- خروجی، با استفاده از داده-های شرایط واقعی، مدل جامعتری از رفتارهای رانندگی بهدست می-آید. در این روش به جای ثابت فرض کردن برخی از پارامترها، از مقادیر لحظهای آنها استفاده میشود، در نتیجه نتایج مدل به رفتار واقعی رانندگان نزدیکتر خواهد بود .[2] در ادامه به برخی از پژوهشهای انجام شده در زمینهی رفتار پیشبینی و عکسالعمل اشاره میشود.
در سال 1985، Smith گزارش داده است که در حدود 20 تا 30 ثانیه بلافاصله بعد از رفتار تغییرخط، خودروها در فاصلهی کمتری از یکدیگر حرکت میکنند و کمکم این فاصله را زیادتر میکنند .[3] ولی به این موضوع تا مدتها توجه کافی نشد تا اینکه در سال 2008، یک رابطهی ریاضی توسط Laval and Leclercq برای مدل فازی- عصبی تطبیقی برای رفتار پیشبینی و عکس-العمل سیستمهای فازی برای نخستین بار توسط زاده در سال 1965 معرفی شد و از آن پس این سیستمها در کنترل بسیاری از فرآیندهای صنعتی مورد استفاده قرار گرفت .[8]
طراحی مدل فازی بهدست آوردن مجموعهای از قوانین اگر-آنگاه فازی با استفاده از دانش افراد خبره و دستورالعملهای موجود است . منطق فازی می-تواند با عدمقطعیتهای ساختاری و پارامتری در رفتارهای رانندگی مقابله کند و طبیعت غیرخطی رفتارهای رانندگی را به خوبی بیان کند. البته در قبال برتریهایی که سیستمهای فازی دارند، بزرگترین مشکل در طراحی این سیستمها چگونگی انتخاب قوانین فازی است.
برای حل این موضوع میتوان از شبکههای فازی- عصبی تطبیقی2 - ANFIS - استفاده نمود. در این نوع سیستم، پارامترهای مربوط به قوانین فازی را میتوان با استفاده از خاصیت یادگیری شبکههای عصبی در هر تکرار، تنظیم نمود. به همین دلیل در تحقیق حاضر نیز از روش فازی- عصبی تطبیقی استفاده شده است. برای مدلسازی رفتار پیشبینی و عکسالعمل بر مبنای محاسبات نرم، نیاز به دادههای واقعی رانندگان خودرو داریم که برای این منظور از دادههای سازمان بزرگراههای فدرال ایالات متحده3 - NGSIM - استفاده میشود .[9]
در سال 2005، مجموعهای از دادههای خودروهای بخشی از بزرگراه 101، مطابق شکل - - 2، در کالیفرنیا ثبت شده است. از این بخش بزرگراه که 640 متر طول دارد، دادههای مربوط به 6101 خودرو در بازههای 15 دقیقهایی متوالی و با فاصله زمانی 0/1 ثانیه ضبط و نمونهبرداری شده است. هر نمونه در این مجموعه شامل 18 ویژگی از سیستم راننده و خودرو است. به عنوان نمونه این ویژگیها شامل موقعیت طولی، موقعیت عرضی، سرعت، شتاب، کلاس خودرو، مشخصات خودروهای جلویی و عقبی و ... است.
از آن جایی که دادههای اندازهگیری شده دارای نویز هستند، لازم است دادهها پیش از استفاده فیلتر شوند. به این منظور با طراحی یک فیلتر میانگین متحرک، دادههای استخراج شده، پالایش میشوند 1] و .[10 نتیجهی اعمال این فیلتر بر شتاب یک خودرو در شکل - 3 - نشان داده شده است. برای طراحی مدل، دادههای مربوط به رفتار پیشبینی و عکسالعمل خودروها از سایر رفتارها جدا میشوند.
برای افزایش دقت مدل، داده-های بهدست آمده برای خودروی راهنما، به دو گروه تغییرخط اجباری و اختیاری تقسیم شدهاند. رفتار تغییرخط اجباری وقتی رخ میدهد که رانندهی خودروی راهنما مجبور است خط فعلی خود را ترک کند، مانند زمانی که از ورودی مسیر وارد بزرگراه میشود. ولی در تغییر خط اختیاری، راننده از شرایط رانندگی در خط کنونی خود راضی نیست و سعی دارد با تغییرخط سرعت خود را افزایش یا کاهش دهد.
نتایج بررسیها نشان میدهد رفتار خودروی تعقیبگر در این دو حالت متفاوت است .[6] در دادههای NGSIM، تغییرخطهایی که از ورودی بزرگراه وارد مسیر اصلی شدهاند به عنوان تغییرخط اجباری در نظر گرفته شدهاند که %31/5 از کل تغییرخطها را تشکیل میدهند. تغییرخط به سایر خطوط مسیر به عنوان تغییرخط اختیاری درنظر گرفته شدهاند و %62/5 از کل تغییرخطها تشکیل میدهند.
قدم اول در طراحی مدل فازی-عصبی تطبیقی، تعیین ورودیها و خروجی آن است. با صرفنظر از حرکت عرضی خودروی تعقیب گر، تنها پارامتری که راننده میتواند به صورت مستقیم روی آن اثر بگذارد، شتاب خودرو است. در واقع راننده با تغییر فشار پدال گاز یا ترمز میتواند شتاب خودرو را تنظیم کند. در نتیجه خروجی مدل، شتاب خودروی تعقیبگر درنظر گرفته شده است.
پس از بررسی رفتار پیشبینی و عکسالعمل و پارامترهای تأثیرگذار بر این رفتار، ورودیهای مدل به ترتیب فاصلهی بین خودروی تغییرخطدهنده و خودروی تعقیبگر، سرعت نسبی بین این دو خودرو، سرعت خودروی تعقیبگر، شتاب خودروی تعقیبگر در یک مرحله زمانی قبل 0/1 - ثانیه - و مدت زمان رفتار پیشبینی و عکسالعمل انتخاب شده است.
مدت زمان پیشبینی و عکسالعمل معیاری از درجهی احتیاط راننده و شرایط رانندگی است. به بیان دیگر در شرایط یکسان رانندگی، هرچه این زمان بیشتر باشد، راننده محتاطتر است و سریعتر به رفتار خودروی تغییرخط دهنده واکنش نشان داده و آرامتر به شرایط قبل از تغییرخط بازمیگردد. برای دادههای NGSIM این زمان بین 3/9 ثانیه تا 16 ثانیه متغیر بوده است و میانهی آن برابر 12/25 ثانیه است. ساختار این مدل در شکل - 4 - نشان داده شده است. با تعریف سه تابع عضویت مثلثی برای هر ورودی، برای غیرفازیساز از روش مرکز مساحت4 استفاده میشود. در این مدل از %75 دادهها برای آموزش و از %25 آنها برای صحهگذاری نتایج استفاده شده است.
