Нейросетевая модель распознавания стратегий вождения и взаимодействия водителей в условиях дорожного трафика

444

Аннотация

В работе представлена нейросетевая модель для распознавания стратегий вождения на основе взаимодействия водителей в условиях транспортного потока. Рассмотрена архитектура модели, которая представляет собой самоорганизующуюся карту — SОМ (self-organizing map), состоящую из группы нейронных сетей, основанных на радиально-базисных функциях RBF (radial basis function). Цель настоящей работы заключается в том, чтобы описать архитектуру и структуру модели нейронной сети, которая позволяет распознавать стратегические особенности управления транспортным средством и способна идентифицировать стратегии взаимодействия автомобилей (водителей) в условиях транспортного потока, а также выделять такие поведенческие паттерны передвижения, которые могут быть соотнесены с различными типами опасного вождения. Из результатов исследования следует, что нейронные сети типа SOM RBF способны распознавать и классифицировать типы взаимодействий в условиях дорожного трафика, основываясь на моделировании анализа траекторий движения автомобилей. Данная нейронная сеть показала высокий процент распознавания и четкую кластеризацию схожих стратегий вождения.

Общая информация

Ключевые слова: дорожно-транспортная среда, дорожное поведение, стратегии взаимодействия участников дорожного движения, стратегии вождения, нейросетевая модель, самоорганизующиеся карты (SOM)

Рубрика издания: Методический инструментарий

Тип материала: научная статья

DOI: https://doi.org/10.17759/sps.2018090413

Для цитаты: Ефремов С.Б. Нейросетевая модель распознавания стратегий вождения и взаимодействия водителей в условиях дорожного трафика // Социальная психология и общество. 2018. Том 9. № 4. С. 153–166. DOI: 10.17759/sps.2018090413

Полный текст

 

Введение

В современной психологии дорожного движения, фокусирующей внимание на различных аспектах передвижения участников дорожно-транспортной среды, представляется весьма актуальным поиск и описание такого теоретического конструкта, который позволил бы рассматривать взаимодействие водителей в процессе управления транспортным средством.

Проведенный теоретический анализ по данной проблематике заставил нас обратить внимание на стратегии взаимодействия в трафике или стратегии вождения [3; 5].

Так, анализ литературы по данной проблематике позволяет констатировать, что сегодня изучение данных об особенностях различных аспектов поведения водителя вызывает значительный интерес среди представителей самых разных направлений и научных школ, на что указывает рост количества исследований междисциплинарного характера, посвященных изучению различных пат­тернов, характеризующих управление транспортным средством [6; 8; 9; 12].

К числу таких поведенческих паттер­нов в отечественной психологии относят стилистические особенности и, таким образом, рассматривают стиль управления транспортным средством, который связывают с индивидуальным стилем деятельности [12; 13] — системой психологических средств, к которым сознательно или стихийно прибегает человек в целях наилучшего уравновешивания своей (типологически обусловленной) индивидуальности с предметными, внешними условиями деятельности [7].

Нетрудно заметить, что акцент на исследование стилистических особенностей управления транспортным средством не предполагает изучения социально-психологических аспектов взаимодействия водителей как участников дорожного трафика. Учитывая, что дорожный трафик представляет собой сложную социальную систему, в которую включено множество различных участников — субъектов передвижения, необходимо уделить внимание рассмотрению особенностей вождения автомобиля, которые характеризуют поведение водителя в широком диапазоне взаимодействия с другими участниками транспортного потока [4; 5]. Такое взаимодействие, на наш взгляд, может охарактеризовать поведение водителя содержательно в контексте его передвижения относительно других водителей, находящихся рядом в транспортном потоке.

В этой связи представляется целесообразным использовать понятие «стратегия вождения». Важно подчеркнуть, что данное понятие нуждается в конкретизации и уточнении, а также в необходимости разработки методических приемов и способов для комплексного изучения данных поведенческих проявлений [3; 5].

Предельно обобщая результаты исследований, посвященных изучению стратегических поведенческих особенностей в целом, можно выделить несколько аспектов их рассмотрения и трактовки. Так, например, под стратегией поведения в социальной психологии понимается общая направленность поведения, которая просматривается в долговременной перспективе и связана с самыми общими, базовыми, установками личности [10]. Основаниями для таких установок являются ценностные ориентации личности, которые регулируют поведение человека не на тактическом, ситуативном, уровне, а в долговременной перспективе, в повторяющемся поведении [14].

Исходя из такой трактовки стратегических поведенческих особенностей, мы будем понимать под стратегией вождения многократно повторяющиеся паттерны дорожного поведения [6, с. 14—21] водителя, которые характеризует его взаимодействие с другими участниками транспортного потока при передвижении.

Данные теоретические представления послужили основанием для построения нейросетевой модели [1; 2; 11] распознавания стратегий вождения — взаимодействия водителей в условиях дорожного трафика.

Характеристика и описание модели нейронной сети

Под взаимодействием мы имеем в виду ситуацию, когда два передвигающихся транспортных средства влияют на изменения скорости и/или траектории друг друга. Таким образом, мы «разделяем» весь транспортный поток на диады автомобилей (водителей), подходящие под следующие условия:

Догоняющий автомобиль имеет большую скорость (иначе взаимодействие не состоится).

Один или оба автомобиля (водителя) вынуждены изменить скорости и/или траектории под воздействием друг на друга.

Для наглядности представим данные условия на рис. 1.

Из рис. 1 видно, что диада автомобилей А1 и А2 не взаимодействуют между собой, в то время как между диадой В1 и В2 имеется взаимодействие.

Особенности такого взаимодействия, которые являются устойчивыми и носят повторяющийся характер, мы будем рассматривать в качестве стратегий вождения, а их распознавание и становится основной задачей для разработки нейронной сети и ее обучения такому рас- познаванию1.

Мы моделируем эту ситуацию и передаем на вход нейронной сети следующие данные по отобранным диадам (взаимодействующих) автомобилей (водителей).

В работе мы используем нейронную сеть, основанную на базе самоорганизующейся карты (SOM) Кохонена [17], состоящей из группы сетей на радиально-базисных функциях (RBF), а также карту из 256 (16 х 16) сетей. Подобная архитектура использовалась в работах Лаборатории искусственного интеллекта в Массачусетском технологическом институте [19; 20; 21], а также в работах группы ученых из Университета Киото [18].

Использование самоорганизующейся карты, состоящей из RBF-сетей, позволяет выстраивать многомерную топологию между всеми исследуемыми данными, используя обучение нейронной сети без учителя2, и отобразить ее в двухмерном пространстве. Необходимо отметить, что подобная архитектура нейронной сети [15] имеет биологическое правдоподобие, ее структура представлена на рис. 2 [16].

Наша сеть устроена как SOM из 256 функциональных РБФ -модулей, организованных в виде квадратной решетки 16 х 16.

Отметим, что алгоритм SOM включает в себя четыре основных процесса: оценочный процесс, соревновательный процесс, кооперативный процесс и адаптивный процесс [3; 22].

Нейроны скрытого слоя каждого модуля представляют собой функции Гаусса — см. рис. 2. Первоначально веса определяются случайным образом на интервале [0,25—0,75]. В оценочном процессе выходы всех функциональных модулей рассчитываются для каждой

пары векторов входов-выходов:

В процессе обучения модуль с наименьшей ошибкой определяется как модуль-победитель. Ошибка вычисляется следующим образом:

где y определяет делаемый выход (здесь y = 1). В кооперативном процессе обучаемые коэффициенты рассчитываются с помощью функции соседства:

где ri  — позиция i-того RBF-модуля на карте, rγ  — позиция модуля с минимальной ошибкой, а σ — параметр функции соседства. В процессе обучения все элементы изменяются по алгоритму обратного распространения ошибки.

Таким образом:

 

Алгоритм обратного распространения ошибки повторяется до тех пор, пока все элементы не обучатся. В процессе обучения постепенно уменьшается окрестность функции соседства — до тех пор, пока сеть не достигнет стабильного состояния.

В связи с неоднородностью данных нам пришлось увеличить число нейронов внутреннего слоя n 2 до 3, что, в свою очередь, позволило повысить уровень распознавания сети.Исходные данные

Наша модель подразумевает, что мы берем пять кадров из стационарно расположенной камеры на некотором участке дороги и для каждой диады автомобилей и используем в качестве входного вектора дистанцию между машинами, а также изменение положения автомобилей относительно друг друга по оси дороги — рис. 3.

Далее мы генерируем 500 ситуаций, относящихся к пяти разным видам стратегий взаимодействий двух автомобилей в транспортном потоке [5]:

1.                  Стратегия конкуренции. Автомо6иль A двигается с большей скоростью, чем автомобиль Б, и начинает

манер обгона. Водитель автомобиля Б ускоряется, из-за чего автомобиль А прекращает маневр и возвращается в полосу.

2.                  Стратегия соревнования. Автомобиль А движется с большей скоростью, чем автомобиль Б. Водитель автомобиля А совершает маневр обгона и возвращается в свою полосу. Водитель автомобиля Б не меняет скорость движения.

3.                  Стратегия уклонения. Автомобиль А движется с большей скоростью, чем автомобиль Б. Приближаясь к автомобилю Б, водитель автомобиля А снижает скорость до скорости автомобиля Б и движется за ним.

4.                  Стратегия компромисса. Автомобиль движется с большей скоростью, чем автомобиль Б. Водитель автомобиля Б меняет полосу движения, пропуская автомобиль А, и возвращается обратно после того, как автомобиль А проезжает мимо.

 

5.                  Стратегия активной конфронтации. Автомобиль А движется с большей скоростью, чем автомобиль Б. Приближаясь к автомобилю Б, водитель автомобиля А начинает маневр обгона. Водитель автомобиля Б перестраивается в полосу левее, не меняя своей скорости. Водитель автомобиля А вынужденно тормозит до скорости автомобиля Б.

Далее для более реалистичного моделирования начальные скорости взаимодействующих автомобилей заданы в промежутке от 40 до 80 км/ч и рассчитаны случайным образом.

Обучение сети

Обучение сети осуществляется путем прогона обучающих данных к 500 ситуациям взаимодействия в течение 250 итераций. Контроль такого обучения можно увидеть при изучении графика падения средней ошибки по всему кластеру сетей на рис. 5.

Визуально границы между кластерами SOM-сети можно увидеть на рис. 6.

Далее представлены зоны распознавания для каждой из пяти стратегий вождения, представленных в пяти описанных выше дорожных ситуациях (черным выделены сети с нулевым откликом на данные, чем светлее, тем выше отклик) — рис. 7.

 

Представленная нейронная сеть может служить основой для разработки более сложных моделей, распознающих другие паттерны дорожного поведения, связанного, например, с поведением в скоростном режиме, максимальной скоростью транспортного потока и многим другим. Как уже отмечалось, представленный алгоритм является модификацией SOM и включает в себя основу для построения самоорганизущейся карты, состоящей из RBF-модулей.

Заключение

Можно констатировать, что предложена и реализована модель распознавания стратегий вождения автомобиля, характеризующих взаимодействие диад автомобилей (водителей), передвигающихся в транспортном потоке, основанная на архитектуре самоорганизущейся карты SOM.

В настоящей модели SOM не только наследует многие свойства классических самоорганизующихся карт, но и добавляет некоторые новые свойства [18].

Необходимо подчеркнуть, что разработанная нами модель нейронной сети никоим образом не претендует на то, чтобы считаться совершенной, и может нуждаться в дальнейшей доработке. Тем не менее ее можно рассматривать как определенный результат междисциплинарного синтеза научного знания — нейронауки и социально-психологического знания, которое направлено на изучение процессов взаимодействия участников самых различных социальных систем.

Такой синтез не только способен существенно расширить представления о человеке и его дорожном поведении, но и имеет важную практическую направленность и ценность, поскольку изучение и дальнейшее распознавание стратегических поведенческих паттернов водителей сможет помочь в решении проблемы снижения количества аварийности и предотвращения дорожно-транспортных происшествий.



[*] Ефремов Сергей Борисович — аспирант, кафедра психологии управления, факультет социальной психологии, ФГБОУ ВО МГППУ, Москва, Россия, 0971090@gmail.com

Литература

 

1.                 Автоматическое порождение гипотез в интеллектуальных системах. Сост. Е.С. Панкратова, В.К. Финн. М.: Либроком, 2009. 526 с.

2.                 Велихов Е.П., Чернавский А.В. Интеллектуальные процессы и моделирование. М.: Наука, 1987. 396 с.

3.                 Ефремов С.Б. Модель распознавания стилистических особенностей управления транспортным средством и классификация стратегий взаимодействия в условиях дорожного трафика // Социальная психология и общество. 2017. Том 8. № 4. С. 123— 133. doi: 10.17759/sps.2017080409

4.                 Ефремов С.Б. Тип коммуникаций между водителем и автомобилем, основанный на дополненной реальности: новый тренд в построении интеллектуальных транспортных систем [Электронный ресурс] // Современная зарубежная психология. 2017. Том 6. № 1. С. 6—14. doi: 10.17759/jmfp.2017060101

5.                 Ефремов С.Б., Кочетова Т.В. К вопросу исследования стилистических и стратегических особенностей управления транспортным средством // Материалы III Ежегодной научно-практической конференции памяти М.Ю. Кондратьева «Социальная психология: вопросы теории и практики» (Москва, 10—11 мая 2018 г.). ФГБОУ ВО «Московский государственный психолого-педагогический университет», Факультет социальной психологии. 2018. С. 265—267.

6.                 Клебельсберг Д. Транспортная психология. М.: Транспорт, 1989. 367 с.

7.                 Климов Е.А. Индивидуальный стиль деятельности. Психология индивидуальных различий. Тексты / Под ред. Ю.Б. Гиппенрейтер, В.Я. Романова. М.: Изд-во МГУ, 1982. С. 74—77.

8.                 Кондратьев М.Ю., Кочетова Т.В. «Traffic psychology»: от прикладных исследований к методологии комплексного изучения современной дорожно- транспортной среды // Сборник материалов международной научно-практической конференции «Человек и транспорт (Психология. Экономика. Техника)» (Санкт- Петербург, 28—30 июня 2012 г.). СПб: ПГУПС, 2012. С. 119—122.

9.                 Лобанова Ю.И. Стиль вождения: определяющие факторы, характеристики, направления оптимизации // Российский гуманитарный журнал. 2015. № 1. Т. 4. С. 76—84.

10.             Марарица Л.В., Казанцева Т.В., Почебут Л.Г., Свенцицкий А.Л. Вклад личности в социальный капитал группы: структура альтруистического инвестирования // Социальная психология и общество. 2018. Том 9. № 1. С. 43—66.

11.             Осипов Г.С. Лекции по искусственному интеллекту. М.: Красанд, 2009. 272 с.

12.             Петров В.Е. Психологический анализ проблемы опасного стиля управления транспортным средством [Электронный ресурс] // Современные научные исследования и инновации. 2016. № 8. [URL: http://web.snauka.ru/ issues/2016/08/70377 (дата обращения: 30.08.2018).

13.             Поликарпова М.С. Соотношение понятий «агрессивное» и «опасное» вождение в современной отечественной и зарубежной психологии [Электронный ресурс] // Современная зарубежная психология. 2017. Том 6. № 1. С. 44—52. doi: 10.17759/ jmfp.2017060106

14.             Ядов В.А. Саморегуляция и прогнозирование социального поведения личности: Диспозиционная концепция. М.: ЦСПиМ, 2013. 376 c.

15.             Fujita I. The inferior temporal cortex: architecture, computation, and representation // Journal of Neurocytology. 2002. V. 31. № 3—5. Р. 359—371.

16.             Efremova N., Asakura N., Inui T., Abdikeev N. Inferotemporal network model for 3d object recognition // The proceedings of the International Conference on Complex Medical Engineering IEEE/ICME. 2011. Р. 555—560.

17.             Kohonen T. Self-organizing maps, Berlin: Springer-Verlag. 2001. 502 p.

18.             Logothetis N., Pauls J. Psychophysical and physiological evidence for viewer-centered object representations in the primate // Cerebral Cortex. 1995. V. 5. № 3. P. 270—288.

19.             Riesenhuber M., Poggio T. Hierarchical models of object recognition in cortex // Nature Neuroscience. 1999. V. 2. P. 1019—1025.

20.             Riesenhuber M., Poggio T. Modeling Invariances in Inferotemporal Cell Tuning // Technical Report. MIT. 1998.

21.             Riesenhuber M., Poggio T. Models of object recognition // Nature Neuroscience. 2000. V. 3. P. 1199—1204.

22.             Tokunaga K., Furukawa T. Modular network SOM // Neural Networks. 2009. V. 22. P. 82—90.

 

Информация об авторах

Ефремов Сергей Борисович, аспирант, кафедра психологии управления факультета социальной психологии, Московский государственный психолого-педагогический университет (ФГБОУ ВО МГППУ), Москва, Россия, ORCID: https://orcid.org/0000-0003-1216-3977, e-mail: 0971090@gmail.com

Метрики

Просмотров

Всего: 1239
В прошлом месяце: 6
В текущем месяце: 4

Скачиваний

Всего: 444
В прошлом месяце: 0
В текущем месяце: 6