【状态估计】基于卡尔曼滤波EKF结合支持向量机的IDM跟驰模型的异常检测算法Matlab实现

本文链接：https://blog.youkuaiyun.com/matlab_dingdang/article/details/144726061

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知，求助可私信。

🔥 内容介绍

摘要: 智能交通系统(ITS)的安全性与可靠性高度依赖于对车辆行驶行为的准确感知和异常事件的及时识别。本文提出一种基于扩展卡尔曼滤波(EKF)和支持向量机(SVM)的异常检测算法，用于监控基于智能驾驶模型（例如，智能驾驶模型(IDM)）的车辆跟驰行为。该算法首先利用EKF对IDM模型参数进行实时估计，并提取反映车辆驾驶行为的关键特征；然后，利用SVM建立异常检测模型，对提取的特征进行分类，实现对车辆跟驰行为异常的有效识别。通过仿真实验验证了该算法的有效性和鲁棒性，并分析了算法参数对检测性能的影响。

关键词: 状态估计；扩展卡尔曼滤波；支持向量机；IDM跟驰模型；异常检测

1 引言

随着自动驾驶技术和智能交通系统的快速发展，车辆行驶行为的监测和异常事件的识别变得越来越重要。准确识别车辆跟驰行为中的异常事件，例如突发刹车、超速跟驰以及驾驶员操作失误等，对于保障交通安全、提高交通效率具有关键意义。传统的异常检测方法通常依赖于人工设定的阈值，难以适应复杂的交通环境和多样化的驾驶行为。因此，开发一种能够自适应地识别车辆跟驰行为异常的算法至关重要。

智能驾驶模型(IDM, Intelligent Driver Model)作为一种能够描述车辆跟驰行为的动力学模型，被广泛应用于交通流模拟和预测中。然而，基于IDM模型的车辆跟驰行为预测容易受到各种噪声和干扰的影响，导致预测精度下降，进而影响异常检测的准确性。因此，需要一种能够有效滤除噪声，提高模型参数估计精度的算法。

扩展卡尔曼滤波(EKF)是一种非线性滤波算法，能够有效地估计非线性系统的状态变量。与传统的卡尔曼滤波相比，EKF能够处理非线性系统的状态方程和观测方程，具有更强的适应性。支持向量机(SVM)是一种基于结构风险最小化原则的机器学习算法，具有良好的泛化能力和抗噪能力，适用于处理高维数据和非线性问题。

本文提出一种基于EKF和SVM的异常检测算法，用于监控基于IDM模型的车辆跟驰行为。该算法首先利用EKF对IDM模型参数进行实时估计，并提取反映车辆驾驶行为的关键特征，例如加速度、车速、车距等；然后，利用SVM建立异常检测模型，对提取的特征进行分类，实现对车辆跟驰行为异常的有效识别。

2 IDM跟驰模型及参数估计

3 基于SVM的异常检测

利用EKF估计得到的IDM模型参数以及车辆的运行状态参数(例如车速，加速度，车距，与前车距离变化率等)，可以提取一系列特征向量来表征车辆的驾驶行为。这些特征向量可以包括：

IDM模型参数的估计值及其变化率
车辆的加速度及其变化率
车辆与前车的距离及其变化率
车速与期望车速的差值

这些提取的特征向量构成了SVM的输入。采用支持向量机(SVM)构建异常检测模型，训练样本包括正常驾驶行为数据和异常驾驶行为数据。通过训练，SVM可以学习到正常驾驶行为和异常驾驶行为之间的决策边界，从而实现对车辆跟驰行为异常的有效识别。为了提高SVM的分类精度，可以采用不同的核函数，例如径向基核函数(RBF)。

4 仿真实验与结果分析

为了验证算法的有效性，本文进行了仿真实验。在模拟的交通环境中，通过生成不同类型的驾驶行为数据，包括正常驾驶行为和不同类型的异常驾驶行为（例如突发刹车、超速跟驰等），对提出的算法进行测试。实验结果表明，该算法能够有效地识别不同类型的异常驾驶行为，且具有较高的准确率和鲁棒性。此外，本文还分析了EKF和SVM算法参数对检测性能的影响，并探讨了算法的改进方向。

5 结论

本文提出了一种基于EKF和SVM的IDM跟驰模型异常检测算法。该算法利用EKF对IDM模型参数进行实时估计，并提取关键特征，利用SVM进行异常检测。仿真实验结果验证了该算法的有效性和鲁棒性。未来研究方向将集中于：1) 考虑更复杂的交通环境和驾驶行为模型；2) 提高算法的实时性；3) 探索更有效的特征提取方法；4) 结合其他传感器数据，提高异常检测的准确性和可靠性。

📣 部分代码

of platoon lead

% alpha: vector of weights, e.g. [0.7, 0.2, 0.1]

% get leading vehicle location x_l, speed v_l and acceleration a_l for training

[x_0, v_0] = data_process(s_0);

% number of samples

N_sample = length(x_0);

% number of cooperative vehicles

N_coop = length(alpha);

% offset of initial location of platoon lead

headway = 10;

gap = (N - 1) * headway;

if x_0(1) < gap

x_0 = x_0 + gap - x_0(1);

end

% Generate following vehicle location x_f, speed v_f and acceleration a_l based on a

% car-following model

tau = config.tau; % human/sensor reaction time delay with unit "s"

delta_t = config.delta_t; % sampling time interval with unit "s"

t = ceil(tau/delta_t); % time delay in discrete state-transition model

X = zeros(N, N_sample);

X(1, :) = x_0;

V = zeros(N, N_sample);

V(1, :) = v_0;

X_syn = zeros(N, N_sample);

V_syn = zeros(N, N_sample);

for i = 2 : N

x_init = (N - i) * headway;

v_init = 7.94;

if i - 1 < N_coop

% scale up weight vector

alpha_t = alpha(1 : i - 1) / sum(alpha(1 : i - 1));

x_l_syn = alpha_t * X(i - 1: -1: 1, :);

v_l_syn = alpha_t * V(i - 1: -1: 1, :);

else

x_l_syn = alpha * X(i - 1 : -1 : i - N_coop, :);

v_l_syn = alpha * V(i - 1 : -1 : i - N_coop, :);

end

s_f = cf_model(x_l_syn, v_l_syn, x_init, v_init, delta_t, t, tau, idm_para);

X(i, :) = squeeze(s_f(:, 1));

V(i, :) = squeeze(s_f(:, 2));

X_syn(i, :) = x_l_syn;

V_syn(i, :) = v_l_syn;

end

⛳️ 运行结果

🔗 参考文献

[1] Wang Y , Masoud N , Khojandi A .Real-Time Sensor Anomaly Detection and Recovery in Connected Automated Vehicle Sensors[J].IEEE transactions on intelligent transportation systems, 2021(3):22.DOI:10.1109/TITS.2020.2970295.