應用於自動駕駛系統之智慧經濟駕駛決策演算法 ·...
TRANSCRIPT
應用於自動駕駛系統之智慧經濟駕駛決策演算法
李朝陽 財團法人車輛研究測試中心
摘要
在本研究中，提出一個智慧型經濟決策的設
計，針對以經濟駕駛輔助系統用以解決自動駕駛車
的節能問題進行討論與研究。在自動駕駛輔助系統
(ADAS)的架構中，可分為感知模組、決策模組，和
控制模組三個模組，在感知模組中，資訊蒐集來源
依賴雲端伺服器和車端診斷窗口，如 OBDII 和 CAN等來源。接著，本研究主要架構在決策模組中，經
濟駕駛決設演算法可根據即時駕駛行為分析和參
照經濟駕駛專家知識，提出自動駕駛車的車速和加
速度建議的經濟駕駛速度控制曲線圖型。最後，自
動駕駛車透過經濟燃油輔助策略的決策結果控制
車輛行進並依據經濟駕駛風格駕駛車輛，讓控制模
組能以較低的油耗自動行駛在路上，本研究所提出
的自動節能駕駛輔助策略能有效的引導車輛以經
濟駕駛的風格行駛。 關鍵詞：自動駕駛系統、先進駕駛輔助系統、經濟
駕駛輔助系統、節能駕駛。
Abstract
An intelligent fuel economy decision strategy (IFEDS) is realized in thus study. This paper focuses on the fuel-saving issue in automatic vehicle by using the proposed economy driving assistance scheme. The development of the proposed system includes perception model, decision model, and control model. First, the perception model relies on the cloud-based ser-vice and the vehicle’s diagnostic port (OBDII and CAN etc.) as the information collecting source. Then, during the decision model, the IFEDS analysis the real-time driving behavior and economy driving expert knowledge, the results can adjust the speed and acceleration in autonomous vehicle. Finally, the automatic vehicle drives through the decision result of advance autonomous economy assistance driver system in an economy driving style to stratify the low fuel consumption in control model. The proposed autonomous driving assistance scheme can successfully guide vehicle in an economy driving style. Keywords: Automatic Driving System, Advanced Driver Assistance System, Economy Driving Assistance System, Eco-driving.
1. 前言 由於全球暖化與能源衰竭等因素，節能減碳的
目標已經成為全球趨勢，目前各國皆積極推動設置
再生能源及提高能源使用效率等綠色新政，其中以
節約能源為目前各國最重視的因應策略。根據國際
能源總署(IEA, 2009)的研究指出，2008 年世界各國
運輸部門之能源消耗佔比平均為 27.3%；2011 年APEC 會議中，已經將「推動綠色成長」納入討論
議題之中。因此，能源效率提升和低碳運輸系統已
成為國際上未來運輸政策發展重要趨勢之一。 因此，目前整體交通運輸產業發展的重要議題
之一為提升行車安全與節能車輛油耗，其中自動駕
駛系統為解決這些問題的方案之一，隨著科技的日
新月異，目前自動駕駛技術的發展已日漸成熟，近
年來全世界各大車廠積極投入開發自動駕駛車的
行列，許多汽車廠商已進入道路測試的階段，如
2012 年 Google 自動駕駛車累積測試里程數達 48 萬
公里，取得美國內華達州第一章無人駕駛汽車合法
車牌，成為全球第一家獲得自動駕駛車牌的廠商，
這些事項皆顯示自動駕駛系統將是未來汽車的重
要發展趨勢之一。 根據研究顯示，自動駕駛系統能有效的提升行
車安全、並提供安全的行駛環境，目前有像是車道
偏離警示系統[1]、前方碰撞警示系統[2]、盲點偵測
系統[3]、主動式自動巡弋系統，和車道維持系統
等，皆為已發展成熟之自動駕駛產品，可有效的提
升行車的安全，但是目前針對自動駕駛系統如何達
成經濟駕駛的目的，尚未有充分與完善的討論，由
於油價成本日漸高漲的趨勢，節能減碳的技術越來
越受到重視，並且已成為未來的技術發展重要趨勢
之一，因此，在本研究中針對如何讓自動駕駛系統
在達成安全駕駛的目的之餘，並且能透過經濟駕駛
(Economy Driving)的駕駛風格，加以操控車輛，讓
車輛能根據一最佳油耗曲線行駛，以達到節能減碳
的目的。 依據英國 2003 年 Safe and Fuel Efficient
Driving (SAFED 計畫)研究，經由學習節能駕駛知
識，平均節能效益可達 10%（1.9%~17%不等）。由
於駕駛行為將嚴重影響車輛行進間的油耗，所以，
目前經濟駕駛技術的研究為實現經濟駕駛規則，如
維持定速前進、減少煞車次數，和行駛在高轉速的
情況，透過經濟駕駛規則的實現，用以實現車輛節
能的目的，根據文獻顯示，透過實現經濟駕駛規則
將可節省 25%的油耗[4]，但是由於實現不易，要讓
駕駛人學習經濟駕駛規則，並養成遵守經濟駕駛規
則來行車是非常困難的，因此，許多的研究提出採
用經濟駕駛回饋系統(Eco-Driving Feedback System)和 經 濟 駕 駛 輔 助 系 統 (Eco-Driving Assistance System)的方案[5]。Mario 和 Víctor[6]實作與驗證一
透過蒐集和預測即將來到的交通號誌狀況，建立一
經濟駕駛輔助系統，這套系統透過利用行動裝置的
攝影機鏡頭，辨識前方的交通號誌狀態，然後建議
駕駛人在通過將遇到的交通號誌的車速建議或在
何時應該開始滑行。S. Trommer 和 A. Höltl[7]提出
針對歐洲各個地區進行經濟駕駛輔助系統的實用
性、需求性和市場性的調查結果，其調查結果顯
示，歐洲消費者認為經濟駕駛輔助系統具備實用
性，多數的消費者認為對節能效果十分有效，但
是，對於其額外的負擔卻並不希望承受。P. A. Mendoza、A. Angelelli 和 A. Lindgren [8]針對經濟
駕駛輔助系統的人機介面進行研究與討論，提出一
根據人因工程建置的人機介面設計，讓駕駛者能方
便使用。M.A.S. Kamal、M. Mukai、J. Murata 和 T. Kawabe [9]提出利用車輛、道路和交通的即時感測
資訊，建立一智慧型節能駕駛導引系統，讓駕駛可
以透過適合的人機介面駕駛車輛。 綜合以上的研究，目前許多的研究旨在建立一
經濟駕駛輔助系統[10]，提供駕駛者經濟駕駛的相
關訊息，以達成符合經濟駕駛規則來行駛車輛，完
成車輛節能減碳的目的，如避免駕駛者在旅途中因
應各種交通狀態的發生，可能會因此產生許多不必
要的能源浪費的問題，例如停止然後前進
(Stop-and-Go)狀態，此狀態十分頻繁發生在停等交
通號誌和道路壅塞等交通狀態[11]，這些經濟駕駛
輔助系統主要目的在於建議駕駛者。但是，將經濟
駕駛輔助系統建立於自動駕駛系統中的研究，目前
較少此方面的研究，對於人性而言，經濟駕駛的實
現透過提醒、警示、建議駕駛者來達成是非常困難
的，而自動駕駛系統技術正可以有效的實現經濟駕
駛，因此，在本研究中提出一經濟駕駛決策演算
法，透過建立經濟駕駛決策模組於自動駕駛系統
中，讓經濟駕駛決策演算法推導出一當前車輛情境
之最佳油耗曲線圖型，讓自動駕駛車根據此最佳油
耗曲線控制車輛，達到安全駕駛並兼顧經濟駕駛的
目的。 本論文的章節如下，第二章節為系統架構的介
紹，第三章節為演算法描述，第四章節為實驗結果
呈現，最後第五章節提出本研究的結論。
2. 系統架構
本研究中，我們提出應用於自動駕駛系統的智
慧經濟駕駛決策演算法，讓自動駕駛車能根據其經
濟駕駛決策模組所計算出來的駕駛圖形行車，即可
讓自動駕駛車在節能的需求行駛，本章節中，我們
提出智慧經濟駕駛決策演算法的系統架構，其系統
架構圖如圖1所示，自動駕駛系統可分為感測層、
決策層和控制層，其感測層主要目的在於感知車輛
周圍環境和感知車輛本身資訊，透過雷達、超音波
和攝影機等裝置，蒐集車輛周圍的環境資訊，並透
過車身網路 (CAN)和車上診斷系統 (OBDII)等協
定，可蒐集車輛的車速、引擎轉速和引擎附載等相
關資訊，因此，感測層能透過感測器蒐集許多資
訊，並提供給決策層進行分析與決策。決策層分析
環境與車輛資訊，使用者可提供預選擇的駕駛模
式，讓智慧經濟駕駛決策演算法進行決策運算，其
結果將產生一車輛駕駛控制命令，並提供給控制層
進行車輛的控制，而控制層則根據車輛駕駛控制命
令，進行車輛駕駛。 環境資訊 車輛資訊
資料蒐集單元
資訊融合單元
模式選擇單元
命令產生與發佈
車輛駕駛控制
轉彎驅動
煞車驅動
引擎驅動
檔位驅動
感測層
決策層
控制層
HMI
Data Base
智慧經濟燃油輔助策略
圖 1 系統架構圖
CAN
轉彎 檔位
煞車 油門
3GOBDII
平板
MCU
CAN
圖 2 自動駕駛車系統配備圖
自動駕駛車需配備感測器、運算單元、和車輛
駕駛控制裝置，其自動駕駛車配備表示於圖2中，
感測器配備車上診斷系統(OBDII)用以擷取車輛的
相關行車資訊，例如車輛移動速度、車輛引擎轉
速、引擎負載、和油門深度等車輛行駛相關資訊，
其車上診斷系統與平板電腦連接，將其相關資料傳
輸到平板電腦中儲存；除此之外，車輛位置資訊亦
可以透過平板電腦取得，平板電腦本身內建 GPS 和
G-Sensor，可以取得車輛的位置資訊，一同儲存在
平板電腦中。另平板電腦亦可當作行車紀錄器使
用，儲存車輛的行車影像紀錄於平板電腦中，這些
資料經由 3G 網路上傳到雲端伺服器，儲存在雲端
的資料庫。平板電腦除當作資料存儲空間之應用，
亦作為運算處理單元使用，本研究所提出之智慧經
濟駕駛決策演算法，可建置於平板電腦內，亦可建
置於微控制器(MCU)中，經由智慧經濟駕駛決策演
算法運算出來的經濟駕駛決策結果，傳送給車輛駕
駛控制模組，其透過車身網路(CAN)傳送命令給各
個駕駛控制裝置進行動作，如傳送給方向盤控制單
元進行方向盤控制、或傳送給油門控制單元進行油
門控制。
車輛與環境資訊
特徵擷取
訓練學習訓練學習
駕駛行為辨識模組
經濟駕駛決策模組
駕駛行為分類器
經濟駕駛決策
經濟駕駛圖形輸出
圖 3 智慧經濟駕駛決策演算法架構圖
3. 智慧經濟駕駛決策演算法
由於現今能源短缺，節能相關技術越來越受到
重視，而車輛自動駕駛系統被視為讓交通運輸更為
安全、有效、節能的方法之一，並且可提供許多方
面的情境應用，因此，將經濟駕駛控制技術應用於
自動駕駛系統中，將可有效的提升車輛節能效益。
針對自動駕駛車應用情境，本研究提出一智慧經濟
駕駛決策演算法建置於自動駕駛系統中，圖3表示
為智慧經濟駕駛決策演算法架構圖，其演算法分為
三個階段，分別為資訊蒐集、駕駛行為分析、和經
濟駕駛決策等，總共三個部分，其中資訊蒐集部分
為蒐集車輛行車資訊與周圍環境資訊，在本研究使
用車上診斷系統以及平板電腦內建的衛星定位系
統，取得車輛的行車資訊和位置資訊，接著透過訓
練學習並發展一駕駛行為辨識模組和經濟駕駛決
策模組，然後設計駕駛行為分類器和經濟駕駛決
策，最後將輸出經濟駕駛圖形，並提供給控制層進
行自動車輛駕駛。如圖4所示，其駕駛行為分類總
計分成 10 類， 分別為加速、減速、勻速、爬坡、
下坡、轉彎、怠速、滑行、起步、和蠕行，其運動
特徵分別為各駕駛行為重要的特徵，透過這些特徵
的訓練，可分析出駕駛行為分類器，以提供駕駛行
為分類使用。 駕駛行為辨識模組的建立之前，需要先行將特
徵值從資料中擷取出來，假設車輛已行駛一整段路
程，其從開始到目前第 N 次樣本擷取瞬間的車輛行
駛軌跡 T(N)可表示為 T(N) = {B(N), B(N-1) …, B(N-M+1)} (1)
其中 B(N)表示為現在第 N 次樣本擷取瞬間所記錄
的駕駛行為；而 B(N-M+1)表示為 M 次之前的樣本
擷取瞬間所記錄的駕駛行為，整個表示式表示為從
開始一直到現在整個車輛行駛軌跡包含的駕駛行
為集合，其中每個駕駛行為集合 B 包含許多特徵值 B = {f1, f2, …, fm} (2)
其中 f 表示為從資料中擷取出的特徵值。 項目 駕駛行為 運動特徵
1 加速行為 時間、加速度、車速、引擎轉速、檔位、油門深度
2 減速行為 時間、加速度、車速、引擎轉速、煞車訊號
3 勻速行為 時間、加速度、車速、引擎轉速、油門深度
4 爬坡行為時間、加速度、車速、引擎轉速、檔位、油門深度、煞車訊號、GPS
5 下坡行為時間、加速度、車速、引擎轉速、檔位、油門深度、煞車訊號、GPS
6 轉彎行為時間、加速度、車速、引擎轉速、油門深度、煞車訊號、方向燈、方向盤轉角訊號、GPS
7 怠速行為時間、加速度、車速、引擎轉速、檔位、煞車訊號、GPS
8 滑行行為時間、加速度、車速、引擎轉速、油門深度、煞車訊號
9 起步行為 時間、加速度、車速、引擎轉速、檔位、油門深度
10 蠕行行為 時間、加速度、車速、引擎轉速、檔位、油門深度
圖 4 駕駛行為分類
在本研究中駕駛行為分類器演算法採用支援
向量機(Support Vector Machine, SVM)，支援向
量機演算法是一種監督式學習的演算法，由訓練資
料中建立一個模型，而後即可依此模型來判別未被
分類的資料，而支援向量機演算法的特色極為使用
訓練資料找出一個具有最大邊界的超平面
(Maximum Marginal Hyper-Plane)將不同類別的集
合分開，之後便以此超平面作為分類的基準，我們
採用的工具為 LIBSVM，使用支援向量機演算法所訓
練後並建立之模型分類器，作為本研究的駕駛行為
分類器。 當駕駛行為分類器建立完成之後，接著進行經
濟駕駛模型建立，首先進行經濟駕駛模型訓練，然
後進行經濟駕駛分類器建立。經濟駕駛模型訓練流
程圖如圖5所示，資料輸入後，首先進行駕駛行為
分類，針對不同駕駛行為建立不同的節能模型，將
使得節能模型更加具備針對性、並更加有效率。接
著將各種駕駛行為人工進行情境分類，以加速行為
為例，例如當下速度為 0，進行起步加速，或是當
下速度為 40 進行加速等各種不同的加速情境，最
後在從這些情境當中找尋最為節能的駕駛行為曲
線。
資料輸入
行為分類
情境分類
較節能
節能圖型儲存
是
否
圖 5 經濟駕駛模型訓練流程圖
資料輸入
加速行為
靜止起步 低速加速 高速加速
減速行為
目標20 目標40 目標60
時間3ec 時間6sec 時間9sec
節能圖型 節能圖型 節能圖型
………
………
………
………
節能圖型 圖 6 經濟駕駛決策樹
最後根據訓練的結果，採用決策樹的演算法，
建立一經濟駕駛模組，決策樹是功能強大且相當受
歡迎的分類和預測工具，這個以樹狀圖為基礎的方
法，其特點在於決策樹具有規則，而規則是可以用
文字來表達、展述，讓人類可以了解其代表的意
義，並且可以很容易轉化為資料庫語言(如 SQL、MSSQL 等)，讓特定類別的資料紀錄可以被搜尋、
分類、或進行決策，因此，在本研究中，經濟駕駛
模型使用決策樹演算法，並於圖6展示，首先資料
輸入後會進行分類 10 種駕駛行為，在於每種駕駛
行為進行情境決策，如加速行為當中，可分為當下
的速度，如靜止、低速、高速；接著判斷其預計加
速的目的時速，和其預計時間內到達目的時速的間
格時間，透過這些情境分類的判斷，最後輸出一對
應之節能圖型，提供給自動駕駛控制層進行車輛操
控，以達到經濟駕駛之目的。 4. 實驗
在本章節中展示本研究的實驗結果，在財團法
人車輛研究測試中心實作一台自動駕駛車，如圖7所示，其具備雷達、雷射、超音波、和攝影機設備，
可有效偵測障礙物，並微處理器(MCU)可透過車商
網路(CAN)傳送控制命令，進行車輛油門控制、煞
車控制、方向盤控制和排檔控制等各種自動駕駛控
制。首先車輛需先進行行車資料蒐集，如圖8顯示
資料蒐集的車輛行駛軌跡與速度，本研究規劃蒐集
市區、郊區、山區、高速公路、快速道路等，共計
5 種地區的行車資料，由駕駛人在這些區域內進行
自然駕駛，透過 OBDII 連接平板電腦蒐集車輛行車
資訊，以及藉由平板電腦內建之 GPS 蒐集車輛位置
資訊，同時藉由行車紀錄器儲存行車影像資料，作
為人工分類的判斷依據，本研究總共蒐集 26 小時
的資料量。
圖 7 ARTC 自動駕駛車
圖 8 車輛行駛軌跡紀錄
這些車輛行駛資料量首先透過人工進行資料
分類，將蒐集到的資料藉由行車紀錄器所拍攝的影
像進行人工標記，標記時會記錄事件發生的起始和
結束時間，然後根據這些時間間格對感測器所蒐集
到的資料進行人工分類，目前共計獲得 4900 筆資
料量，本研究將此 4900 筆資料進行駕駛行為模組
訓練，使用 SVM 訓練出一駕駛行為分類器。藉由
經濟駕駛模型訓練並透過決策樹建立一經濟駕駛
決策模組，如圖9所示，經由經濟駕駛模型訓練之
後，以加速行為為例，在起步行為中預定要加速到
60 公里的情境中，訓練出一經濟駕駛油耗曲線，並
提供給控制層進行車輛控制。
012345678910
0
10
20
30
40
50
60
70
0 1 2 3 4 5 6 7 8 9 10111213141516171819202122232425
Fuel
Use
d (m
l)
Spee
d (k
m/h
)
Time (s)
Speed
Fuel Used
圖 9 加速行為經濟油耗曲線
5. 結論
由於燃油日漸缺乏、造成油價成本大幅提升的
因素，在交通運輸產業的發展中，節能減碳的技術
發展越來越受到重視，並已經成為未來運輸產業的
重要關鍵技術之一。目前智慧車輛的議題中，自動
駕駛系統受到許多汽車廠商的重視，亦有投入許多
的研究，車輛自動駕駛系統被視為讓交通運輸更為
安全、有效、節能的方法之一，所以，本研究提出
一智慧經濟駕駛決策演算法建置於自動駕駛系統
中，主要目的在於建立一經濟駕駛決策模組於自動
駕駛系統中，讓自動駕駛系統能在保證安全駕駛的
情況下，進行經濟駕駛的操控，以達成節能減碳的
目的。本研究提出之經濟駕駛決設演算法可根據即
時駕駛行為分析和參照經濟駕駛專家知識，提出自
動駕駛車的車速和加速度建議的經濟駕駛速度控
制曲線圖型，讓自動駕駛系統能根據經濟駕駛油耗
曲線控制車輛行進，讓車輛能以較低的油耗自動行
駛在路上，本研究所提出的自動節能駕駛輔助策略
能有效的引導車輛以經濟駕駛的風格行駛。 參考文獻 [1] K. Kozak , J. Pohl , W. Birk , J. Greenberg , B. Artz , M.
Blommer , L. Cathey and R. Curry, "Evaluation of lane departure warnings for drowsy drivers," Proceedings of the Hum. Factors Ergonom. Soc. 50th Annu. Meeting, pp.2400 -2404, 2006.
[2] K. Lee and H. Peng, "Evaluation of automotive forward collision warning and collision avoidance algorithms," Vehicle System Dynamics, vol. 43, no. 10, pp.735 -751, 2005.
[3] B.-F. Wu, C.-C. Kao, Y.-F. Li and M.-Y. Tsai, “A Real- Time Embedded Blind Spot Safety Assistance System,” International Journal of Vehicular Technology, Vol. 2012, pp. 1-15, 2012.
[4] O. H Koskinen, “Improving Vehicle Fuel Economy and Reducing Emissions by Driving Technique,” Proceedings of the 15th World Congress on Intelligent Transport Systems and ITS America's 2008 Annual Meeting, August, 2008, 8 pages.
[5] J. Tulusan, L. Soi, J. Paefgen, M. Brogle, and T. Staake, “Eco-efficient Feedback Technologies: Which Eco-Feedback Types Prefer Drivers Most?” Proceedings of the 2011 IEEE International Symposium on a World of Wireless, Mobile and Multimedia Networks (WoWMoM), Lucca, June, 2011, pp. 1–8.
[6] M. Muñoz-Organero and V. C. Magaña, “Validating the Impact on Reducing Fuel Consumption by Using an EcoDriving Assistant Based on Traffic Sign Detection and Optimal Deceleration Patterns,” IEEE Transactions on Intelligent Transportation Systems, Vol. 14, No. 2, Jane, 2013, pp. 1023-1028.
[7] S. Trommer and A. Höltl, “Perceived Usefulness of Eco-Driving Assistance Systems in Europe,” IET Intelligent Transport Systems, Vol. 6, Issue 2, Jane, 2012, PP. 145-152.
[8] P. A. Mendoza, A. Angelelli and A. Lindgren, “Ecological Interface Design Inspired Human Machine Interface for Advanced Driver Assistance Systems,” IET Intelligent Transport Systems, Vol. 5, Issue 1, March, 2011, pp. 53-59.
[9] M.A.S. Kamal, M. Mukai, J. Murata, and T. Kawabe, “Ecological Driver Assistance System Using Model-Based Anticipation of Vehicle–Road–Traffic Information,” IET Intelligent Transport Systems, Vol. 4, Issue 4, December, 2010, pp. 244–251.
[10] C. Sommer, R. Krul, R. German, and F. Dressler, “Emissions vs. Travel Time: Simulative Evaluation of the Environmental Impact of ITS,” Proceedings of the 2010 IEEE 71st Vehicular Technology Conference, Taipei, May, 2009, pp. 1-5.
[11] W.-Y. Chou, Y.-C. Lin, Y.-H. Lin and S.-Y. Chen, “Intelligent eco-driving suggestion system based on vehicle loading model,” Proceedings of the 2012 12th International Conference on ITS Telecommunications, pp. 558-562, 5-8 Nov. 2012.