基于机器学习的宝马汽车转向过度检测

过度转向是一种不安全的情况，在这种情况下，车辆的后轮胎在转弯时失去抓地力(图1)。它可能是由磨损的轮胎、湿滑的路面状况、转弯太快、转弯时突然刹车，或这些因素的组合造成的。

现代稳定控制系统被设计成在检测到转向过度时自动采取纠正措施。在理论上，这种系统可以通过使用基于第一性原理的数学模型来识别过度转向情况。例如，当车载传感器的测量值超过模型中参数的既定阈值时，系统就会判定汽车转向过度。然而，在实践中，由于涉及许多因素的相互作用，这种方法已被证明难以实施。一辆轮胎充气不足的汽车在结冰的路面上行驶时，所需要的阈值可能与在干燥的路面上行驶时轮胎充气适当的汽车大不相同。

在宝马，我们正在探索一种机器学习方法来检测过度转向。在MATLAB工作^®，我们开发了一个有监督的机器学习模型作为概念的证明。尽管之前在机器学习方面没有什么经验，但在短短三周内，我们就完成了一个能够检测过度转向的ECU原型，准确率超过98%。

数据采集和特征提取

我们开始收集一辆车在过度转向之前、期间和之后的真实数据。在一名专业司机的帮助下，我们在法国Miramas宝马试验场的宝马M4中进行了现场驾驶测试(图2)。

在测试中，我们捕获了过度转向检测算法中常用的信号:车辆的前加速、横向加速、转向角和偏航率。此外，我们记录了司机对转向过度的感知:当司机表示汽车转向过度时，我的同事作为乘客坐在车里，按下了她笔记本电脑上的一个按钮。当司机表示汽车已恢复正常操作时，她松开了按钮。这些按键创造了我们训练监督学习模型所需的基本事实标签。在43分钟的记录数据中，我们总共捕获了大约259,000个数据点。

回到我们慕尼黑的办公室，我们将收集到的数据加载到MATLAB中，并使用统计和机器学习工具箱™中的分类学习者应用程序，使用各种分类器训练机器学习模型。用这些原始数据训练的模型得出的结果并不突出——准确率在75%到80%之间。为了获得更准确的结果，我们清理并减少了原始数据。首先，我们应用滤波器来减少信号数据上的噪声(图3)。

接下来，我们使用峰值分析来识别经过过滤的输入信号的峰值(局部极大值)(图4)。

评估机器学习方法

在过滤和减少收集到的数据之后，我们可以更好地评估有监督的机器学习方法。使用Classification Learner app，我们尝试了k近邻(KNN)分类器、支持向量机(svm)、二次判别分析和决策树。我们还使用app查看了通过主成分分析(PCA)转换特征的效果，这有助于防止过拟合。

表1总结了我们评估的分类器产生的结果。所有的分类器在识别过度转向方面表现良好，其中三种产生了98%以上的真阳性率。决定因素是真正的负率:分类器能够多么准确地确定车辆何时不转向过度。在这方面，决策树的表现优于其他分类器，真正的负率几乎达到96%。

生成车载测试代码

决策树产生的结果是有希望的，但真正的测试将是分类器在真实汽车的ECU上的表现如何。我们用MATLAB Coder™从模型中生成代码，并为安装在宝马5系轿车中的目标ECU编译代码。这一次，我们自己在阿什海姆附近的宝马工厂进行了测试，离我们的办公室很近。我一边开车，我的同事一边收集数据，记录下我指出汽车转向过度的精确时间。

该分类器在ECU上实时运行，准确率高达95%，表现惊人。开始测试时，我们并不知道会发生什么，因为我们使用的是不同的车辆(宝马5系而不是M4)，不同的车手，不同的赛道。仔细观察数据发现，大多数模型与驾驶员感知到的过度转向之间的不匹配都发生在过度转向的开始和结束附近。这种不匹配是可以理解的;即使是司机也很难准确地确定何时开始和停止转向过度。

我们已经成功开发了一个用于过度转向检测的机器学习模型，并将其部署在一个ECU原型上，现在我们正在展望机器学习在宝马的许多其他潜在应用。几十年来收集的大量数据可供我们使用，今天，一辆汽车一天就能产生一万亿字节的测量数据。机器学习提供了一个开发软件的机会，利用可用的数据来了解司机的行为，并改善驾驶体验。