過度轉(zhuǎn)向是一種不安全的狀況，在這種狀況下，車輛的後輪胎會在轉(zhuǎn)彎時失去抓地力（圖 1），引起這種狀況的原因可能是輪胎磨損、路面濕滑、轉(zhuǎn)彎速度過快、轉(zhuǎn)彎時突然制動，或是這些因素加總起來所致。

圖1 : 在測試賽道上檢測BMW M4 的過度轉(zhuǎn)向問題。

現(xiàn)代的穩(wěn)定控制系統(tǒng)，可以在偵測到車輛過度轉(zhuǎn)向時自動採取矯正的措施。理論上，藉由以第一原理（First principle）為基礎(chǔ)的數(shù)學模型，這類系統(tǒng)能夠辨識過度轉(zhuǎn)向的情況。例如，當車載感測器的測量值超過模型中既定的參數(shù)閾值時，系統(tǒng)即可確定車輛發(fā)生過度轉(zhuǎn)向。

然而，在現(xiàn)實上，由於牽涉到眾多因素的相互作用，這種方法已被證實難以在實際情況中實現(xiàn)；同一輛汽車在輪胎充氣不足的情況下行駛於結(jié)冰路面，與在輪胎充氣適當?shù)那闆r下於乾燥路面上行駛，需要的閾值可能大不相同。

在BMW，我們正在探索利用各種機器學習方法來偵測過度轉(zhuǎn)向的狀況。利用MATLAB，我們開發(fā)了一種監(jiān)督式機器學習模型作為概念驗證，儘管之前幾乎沒有任何機器學習方面的經(jīng)驗，但在短短三周內(nèi)，就完成了一個可以正常運作的ECU原型，偵測過度轉(zhuǎn)向的準確率可達到超過98%。

收集資料和擷取特徵

我們首先收集了汽車上過度轉(zhuǎn)向發(fā)生前、發(fā)生時、發(fā)生後的真實資料。在專業(yè)駕駛?cè)藛T的幫助下，我們在法國米拉馬斯的BMW試驗場，對BMW M4 進行了即時道路駕駛測試（圖2）。

圖2 : 位於法國米拉馬斯的BMW試驗場。

在測試期間，我們擷取了偵測過度轉(zhuǎn)向演算法中的一些常用訊號：車輛的縱向加速度、橫向加速度、轉(zhuǎn)向角度和偏航率。此外，還記錄了駕駛?cè)藛T對於過度轉(zhuǎn)向的認知：當駕駛?cè)藛T認定汽車發(fā)生過度轉(zhuǎn)向時，坐在乘客位置的同事會按下筆記型電腦上的一個按鈕。當駕駛?cè)藛T認為汽車恢復正常駕駛狀態(tài)時，該同事會鬆開按鈕。這些按鈕的點擊建立了提供訓練監(jiān)督式學習模型所需的地面真實標記（ground truth labeling），在43分鐘的記錄資料中總共擷取到大約259,000個資料點。

回到在慕尼黑的辦公室，我們將收集到的資料載入至MATLAB中，並使用統(tǒng)計與機器學習工具箱（Statistics and Machine Learning Toolbox）中的Classification Learner app，利用各種分類器對機器學習模型進行訓練。剛開始使用這些原始資料訓練的模型，並不會產(chǎn)生很出色的結(jié)果，準確率大概落在75%到80%之間。為了達到更準確的結(jié)果，清理並減少原始資料。首先，使用濾波器來降低訊號資料中的雜訊（圖3）。

圖3 : 原始轉(zhuǎn)向角度訊號（藍色）和經(jīng)過濾波處理後的相同訊號（橙色）。

接下來，使用峰值分析來辨識經(jīng)過濾波處理的輸入訊號的峰值（局部極值）（圖 4）。

圖4 : 辨識出峰值的轉(zhuǎn)向角度訊號。

評估機器學習方法

在過濾和減少收集的資料後，我們能夠更有效地評估監(jiān)督式機器學習方法。藉由 Classification Learner app，我們嘗試了k-最近鄰（KNN）分類器，支持向量機 （SVM）、二次判別分析和決策樹。我們還使用該app來查看經(jīng)由主成分分析（principal component analysis，PCA）轉(zhuǎn)換的特徵所帶來的影響，這有助於防止過度擬合。

從我們評估的分類器所得到的結(jié)果整理於表1。所有分類器在辨識過度轉(zhuǎn)向方面均表現(xiàn)良好，其中有三個分類器取得了高於98%的真陽性率（true positive rates）。具有決定性是真陰性率（true negative rates）：分類器能夠確定車輛未發(fā)生過度轉(zhuǎn)向的準確度。在這裡，決策樹的表現(xiàn)優(yōu)於其他分類器，其真陰性率幾乎達到 96%。

產(chǎn)生實車測試所需的程式碼

雖然從決策樹得到的結(jié)果十分令人振奮，但是分類器模型落實在真實汽車中的 ECU上的表現(xiàn)才是真正的關(guān)鍵。我們使用MATLAB -C轉(zhuǎn)碼器從模型生成程式碼，並為安裝在BMW Series 5轎車中的目標ECU編譯程式碼。這一次，我們自己在靠近慕尼黑辦公室的阿施海姆附近的BMW工廠執(zhí)行了測試。由我來駕駛，我的同事負責收集資料，準確地記錄下我指出車輛發(fā)生過度轉(zhuǎn)向的時間。

在ECU上即時運作的分類器表現(xiàn)非常驚人，準確率約為95%。但在進入測試階段後，由於使用了不同的車輛（BMW Series 5而不是M4）、不同的駕駛?cè)藛T和不同的賽道，因此無法預期會發(fā)生什麼樣的情況。仔細觀察資料後發(fā)現(xiàn)，模型與駕駛?cè)藛T所認定的過度轉(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。這樣的差異可以理解；因為即使是駕駛?cè)藛T，也很難準確地判斷過度轉(zhuǎn)向是在何時開始和停止。

成功開發(fā)出用於過度轉(zhuǎn)向偵測的機器學習模型，並將其佈署在原型ECU上之後，我們現(xiàn)在正在構(gòu)想機器學習的許多其他潛在應用。我們幾十年來收集了大量可供使用的資料，而現(xiàn)在一輛汽車在一天內(nèi)就可以產(chǎn)生數(shù)TB的測量資料。透過MATLAB，讓我們有機會開發(fā)機器學習相關(guān)的軟體，從而可以利用這些可用資料來瞭解駕駛?cè)藛T的行為並改善駕駛體驗。

（本文由鈦思科技提供；作者Tobias Freudling任職於BMW集團）