過度轉(zhuǎn)向是一種不安全的狀況，這種狀況下車輛的后輪胎在轉(zhuǎn)彎時(shí)失去抓地力（圖 1）。導(dǎo)致這種情況的因素可能是輪胎磨損、路面濕滑、轉(zhuǎn)彎速度過快、轉(zhuǎn)彎時(shí)突然制動，或是所有這些因素的綜合原因所致。

圖 1：在測試賽道上檢測寶馬 M4 的過度轉(zhuǎn)向問題。

現(xiàn)代的穩(wěn)定控制系統(tǒng)可以在檢測到過度轉(zhuǎn)向時(shí)自動采取糾正措施。理論上，借助基于基本原理的數(shù)學(xué)模型，這類系統(tǒng)可以識別過度轉(zhuǎn)向的狀況。

例如，當(dāng)車載傳感器的測量值超過模型中既定的參數(shù)閾值時(shí)，系統(tǒng)即可確定車輛發(fā)生過度轉(zhuǎn)向。然而，在實(shí)際駕駛中，由于涉及到眾多因素的相互作用，這種方法已被驗(yàn)證難以湊效。同一輛汽車在輪胎充氣不足的情況下行駛于結(jié)冰路面，與在輪胎充氣適當(dāng)?shù)那闆r下于干燥路面上行駛，需要的閾值可能大不相同。

寶馬公司正在探索一種機(jī)器學(xué)習(xí)方法來檢測過度轉(zhuǎn)向。借助 MATLAB，他們開發(fā)了一種監(jiān)督式機(jī)器學(xué)習(xí)模型作為概念驗(yàn)證。盡管之前幾乎沒有任何機(jī)器學(xué)習(xí)方面的經(jīng)驗(yàn)，但在短短三周內(nèi)寶馬團(tuán)隊(duì)就完成了一個(gè)可正常工作的 ECU 原型，能夠檢測過度轉(zhuǎn)向，并且準(zhǔn)確率超過 98%。

視頻：什么是機(jī)器學(xué)習(xí)？

收集數(shù)據(jù)和提取特征

我們首先收集汽車在發(fā)生過度轉(zhuǎn)向之前、期間和之后的真實(shí)數(shù)據(jù)。在專業(yè)駕駛員的幫助下，我們在法國米拉馬斯的寶馬試驗(yàn)場對寶馬 M4 進(jìn)行了實(shí)時(shí)駕駛測試（圖 2）。

圖 2：位于法國米拉馬斯的寶馬試驗(yàn)場

在測試期間，我們捕獲了過度轉(zhuǎn)向檢測算法中的一些常用信號：

車輛的縱向加速度

橫向加速度

轉(zhuǎn)向角度

偏航率

此外，我們還記錄了駕駛員對過度轉(zhuǎn)向的感知：

當(dāng)駕駛員指出汽車發(fā)生過度轉(zhuǎn)向時(shí)，坐在乘客位置的同事會按下筆記本電腦上的一個(gè)按鈕。當(dāng)駕駛員指出汽車恢復(fù)正常駕駛狀態(tài)時(shí)，該同事會松開按鈕。這些按鈕的按壓創(chuàng)建了所需的真值標(biāo)記，以供我們訓(xùn)練監(jiān)督學(xué)習(xí)模型。我們在 43 分鐘的記錄數(shù)據(jù)中總共捕獲了大約 259,000 個(gè)數(shù)據(jù)點(diǎn)。

回到我們慕尼黑的辦公室，我們將收集到的數(shù)據(jù)加載到 MATLAB 中，并使用 Statistics and Machine Learning Toolbox 中的 Classification Learner app，利用各種分類器訓(xùn)練機(jī)器學(xué)習(xí)模型。

通過這些原始數(shù)據(jù)訓(xùn)練的模型并不會產(chǎn)生很出眾的結(jié)果 - 其準(zhǔn)確率大概在75% 和 80% 之間。為了獲得更準(zhǔn)確的結(jié)果，我們清理并減少了原始數(shù)據(jù)。

首先，我們應(yīng)用濾波器來降低信號數(shù)據(jù)中的噪聲（圖 3）。

圖 3：原始轉(zhuǎn)向角度信號（藍(lán)色）和經(jīng)過濾波處理后的相同信號（橙色）。

接下來，我們使用峰值分析來識別經(jīng)過濾波處理的輸入信號的峰值（局部極值）（圖 4）。

圖 4：識別出峰值的轉(zhuǎn)向角度信號。

評估機(jī)器學(xué)習(xí)方法

在過濾和減少收集的數(shù)據(jù)后，我們能夠更有效地評估監(jiān)督學(xué)習(xí)方法。憑借 Classification Learner app，我們試用了 k-最近鄰 (KNN) 分類器，支持向量機(jī) (SVM)、二次判別分析和決策樹。我們還使用該app，查看經(jīng)由主成分分析 (PCA) 變換后得到的特征的效果，從而有助于防止過度擬合。

更多資源

在 MATLAB 微信公眾號回復(fù)【機(jī)器學(xué)習(xí)入門教程】，獲取《機(jī)器學(xué)習(xí)快速入門》系列視頻，全面介紹實(shí)用的 MATLAB 機(jī)器學(xué)習(xí)方法，包括線性回歸、判別分析、決策樹、支持向量機(jī)（SVM）、k近鄰算法（K-NN）、k均值聚類算法（k-means）等。

由我們評估的分類器所得出的結(jié)果，在表 1 中進(jìn)行了歸納總結(jié)。所有分類器在識別過度轉(zhuǎn)向方面均表現(xiàn)良好，其中有三個(gè)分類器取得了高于 98% 的真陽率。

決定因素是真陰率：分類器能夠確定車輛未發(fā)生過度轉(zhuǎn)向的準(zhǔn)確程度。這里，決策樹的表現(xiàn)優(yōu)于其他分類器，其真陰率幾乎達(dá)到 96%。

表 1：四種不同的監(jiān)督學(xué)習(xí)分類器的結(jié)果概要。

生成車載裝置測試所需的代碼

決策樹得出的結(jié)果十分令人看好，但真正測試是檢驗(yàn)分類器在真實(shí)汽車中的 ECU 上的表現(xiàn)。我們使用 MATLAB Coder 從模型生成代碼，并為安裝在寶馬 5 系轎車中的目標(biāo) ECU 編譯代碼。這一次，我們在靠近慕尼黑辦公室的阿施海姆附近的寶馬工廠親自進(jìn)行了測試。我親自駕駛，我的同事負(fù)責(zé)收集數(shù)據(jù)，在我指出車輛發(fā)生過度轉(zhuǎn)向時(shí)，同事準(zhǔn)確地記錄了這一時(shí)間。

在 ECU 上實(shí)時(shí)運(yùn)行的分類器表現(xiàn)非常出色，準(zhǔn)確率約為 95%。進(jìn)入測試階段后，由于使用了不同的車輛（寶馬 5 系而不是 M4），不同的駕駛員和不同的賽道，我們不知道會發(fā)生什么樣的情況。仔細(xì)觀察數(shù)據(jù)后發(fā)現(xiàn)，模型與駕駛員所感知的過度轉(zhuǎn)向不相符的情況，大多發(fā)生在過度轉(zhuǎn)向開始和結(jié)束時(shí)。這種不相符可以理解；因?yàn)榧词故邱{駛員，也很難準(zhǔn)確地確定過度轉(zhuǎn)向是在何時(shí)開始和停止。

在成功開發(fā)出用于過度轉(zhuǎn)向檢測的機(jī)器學(xué)習(xí)模型，并將其部署在原型 ECU 上之后，我們現(xiàn)在正在構(gòu)想機(jī)器學(xué)習(xí)的許多其他潛在應(yīng)用。我們數(shù)十年來收集了大量可供使用的數(shù)據(jù)，而現(xiàn)在一輛汽車在一天內(nèi)就可以生成數(shù) TB 的測量數(shù)據(jù)。機(jī)器學(xué)習(xí)讓我們有機(jī)會開發(fā)相關(guān)的軟件，從而可以利用這些可用數(shù)據(jù)來了解駕駛員的行為并改善其駕駛體驗(yàn)。