劉志強(qiáng)，吳雪剛，倪 捷，張 騰

前言

隨著我國(guó)道路運(yùn)輸行業(yè)的快速發(fā)展和機(jī)動(dòng)車(chē)保有量的急劇增長(zhǎng)，交通安全事故頻發(fā)導(dǎo)致財(cái)產(chǎn)損失和人員傷亡給人們的生產(chǎn)生活帶來(lái)了嚴(yán)重影響[1]。先進(jìn)的駕駛員輔助系統(tǒng)能夠顯著提高駕駛員行車(chē)安全性，然而這些系統(tǒng)有些未考慮對(duì)駕駛員行為意圖和特性的辨識(shí)以實(shí)現(xiàn)輔助系統(tǒng)對(duì)駕駛員的自適應(yīng)和駕駛員個(gè)性化駕駛[2]，導(dǎo)致輔助系統(tǒng)的激活與駕駛員意圖相悖，給駕駛員造成心理壓力，降低了駕駛員對(duì)輔助系統(tǒng)的認(rèn)同感。因此，在駕駛員輔助系統(tǒng)進(jìn)一步開(kāi)發(fā)中開(kāi)展駕駛員意圖識(shí)別研究具有實(shí)際應(yīng)用價(jià)值。

研究表明，駕駛員的駕駛意圖是一個(gè)多維結(jié)構(gòu)，單一的特征指標(biāo)并不能滿(mǎn)足駕駛意圖的判斷[3]。國(guó)內(nèi)外針對(duì)駕駛員駕駛意圖識(shí)別研究中其參數(shù)的選擇絕大部分是基于單獨(dú)的自車(chē)運(yùn)動(dòng)狀態(tài)或車(chē)-路系統(tǒng)建立單一學(xué)習(xí)模型[4-6]。部分研究人員建立了多學(xué)習(xí)模型辨識(shí)駕駛意圖，但此類(lèi)研究也僅考慮在車(chē)道保持和車(chē)道變換階段駕駛員的生理或心理參數(shù)的變化[7-9]。實(shí)際的駕駛過(guò)程是一個(gè)由人-車(chē)-路組成的復(fù)雜的交通系統(tǒng)[10-11]，單一的識(shí)別模型導(dǎo)致駕駛意圖誤警率高。

隱馬爾可夫算法能夠分析時(shí)間序列的動(dòng)態(tài)信號(hào)，根據(jù)相鄰狀態(tài)間的關(guān)系完成模式識(shí)別，更大程度反映類(lèi)別間的相似性而類(lèi)別的差異性則被忽略。支持向量機(jī)算法通過(guò)將低維空間線(xiàn)性不可分的樣本映射至高維空間中，以盡可能大的歐氏距離將相似的樣本分隔開(kāi)，更大程度地反映了類(lèi)別間的差異性。據(jù)此，本文中提出了一種基于HMM和SVM級(jí)聯(lián)算法考慮人-車(chē)-路特征參數(shù)的駕駛員意圖識(shí)別方法，將隱馬爾可夫動(dòng)態(tài)建模能力和支持向量機(jī)模式分類(lèi)能力結(jié)合，同時(shí)發(fā)揮兩種分類(lèi)器的優(yōu)勢(shì)，提高整個(gè)雙層算法對(duì)駕駛意圖的識(shí)別能力。

1 實(shí)驗(yàn)方案

1.1 實(shí)驗(yàn)平臺(tái)

考慮到在模擬駕駛儀中開(kāi)展仿真實(shí)驗(yàn)，可根據(jù)實(shí)驗(yàn)要求隨意修改車(chē)輛和道路環(huán)境的參數(shù)配置，準(zhǔn)確采集車(chē)輛多種動(dòng)態(tài)參數(shù)的同時(shí)不擔(dān)心因操作不當(dāng)而引發(fā)危險(xiǎn)事故，有效降低實(shí)驗(yàn)采集過(guò)程中駕駛員的心理負(fù)擔(dān)。選用6自由度SCANER II駕駛模擬器和Smart-eyes眼動(dòng)儀作為主要實(shí)驗(yàn)設(shè)備，如圖 1所示。

圖1 模擬駕駛儀與眼動(dòng)儀系統(tǒng)

1.2 實(shí)驗(yàn)場(chǎng)景設(shè)計(jì)

按照實(shí)驗(yàn)要求，在駕駛模擬器視景系統(tǒng)中設(shè)計(jì)雙向六車(chē)道，車(chē)道寬3.5m，總長(zhǎng)度約90km的高速公路場(chǎng)景。同時(shí)，為使行車(chē)環(huán)境與實(shí)際過(guò)程一致，在道路上設(shè)置適宜車(chē)流量。其中主要設(shè)置兩類(lèi)輔助車(chē)輛，當(dāng)自車(chē)行駛至與所設(shè)置的輔助車(chē)輛距離500m時(shí)，輔助車(chē)輛被自動(dòng)激活。第一類(lèi)輔助車(chē)輛平均車(chē)速設(shè)置為60km/h，車(chē)速變化遵循方差為20km/h的高斯分布；第二類(lèi)輔助車(chē)輛的平均車(chē)速為90km/h，其車(chē)速變化遵循方差為30km/h的高斯分布。

1.3 實(shí)驗(yàn)人員

以自愿方式招募8男4女共12名駕駛員作為受試對(duì)象。受試者滿(mǎn)足以下條件:持有駕駛證、視力良好、性格穩(wěn)定、無(wú)不良駕駛記錄。為便于實(shí)驗(yàn)有序開(kāi)展和有效提高后期樣本篩選的效率，實(shí)驗(yàn)配備1名記錄員，其主要工作是觀(guān)察駕駛員的狀態(tài)，并記錄駕駛員不同任務(wù)下的操作時(shí)刻。

1.4 實(shí)驗(yàn)過(guò)程

本文中規(guī)定，處于駕駛模擬器環(huán)境中的駕駛員主要有 4類(lèi)駕駛意圖:車(chē)道跟馳(CF)，左變道(LCL)，右變道(LCR)和超車(chē)(OT)。實(shí)驗(yàn)中，駕駛模擬器主控機(jī)相應(yīng)的模塊會(huì)同步采集車(chē)輛縱向加速度、轉(zhuǎn)向盤(pán)轉(zhuǎn)角、車(chē)輛與車(chē)道線(xiàn)距離、制動(dòng)踏板行程、加速踏板行程等運(yùn)行狀態(tài)參數(shù)，同時(shí)采用Smart-eyes眼動(dòng)儀系統(tǒng)追蹤駕駛員的眼睛和頭部運(yùn)動(dòng)。

2 樣本篩選

若能提早1s察覺(jué)到事故危險(xiǎn)并采取相應(yīng)正確措施，很多交通事故都可以避免[12]。圖2為某次換道過(guò)程的車(chē)輛運(yùn)行軌跡，其中p點(diǎn)為車(chē)輛行駛軌跡和車(chē)道線(xiàn)交點(diǎn)，以往的多數(shù)研究通常對(duì)p點(diǎn)前某時(shí)窗內(nèi)信息進(jìn)行研究，希望在車(chē)輛越過(guò)車(chē)道線(xiàn)1s前就能辨識(shí)出換道意圖，考慮到國(guó)內(nèi)外的研究較為普遍地將時(shí)間窗口取為3s左右[13]，故選取p點(diǎn)前1s外時(shí)間窗口T內(nèi)的信息作為研究對(duì)象，即截取q點(diǎn)前3s內(nèi)的特征量數(shù)據(jù)，同樣隨機(jī)截取3s內(nèi)車(chē)道保持階段的特征量數(shù)據(jù)。

結(jié)合研究需求共篩選了1 150組樣本，其中CF樣本285組，LCR樣本285組，LCL樣本290組和OT樣本290組。為提高模型的分類(lèi)準(zhǔn)確率和確保有效檢驗(yàn)效果，用于模型訓(xùn)練和模型驗(yàn)證的樣本大致按照2∶1的原則分配。

3 駕駛意圖特征參數(shù)選取

對(duì)篩選樣本中所涉及的參數(shù)數(shù)據(jù)進(jìn)行對(duì)比分析，排除部分差異性較小的參數(shù)。經(jīng)獨(dú)立樣本T檢驗(yàn)(顯著性差異α＝0.05)后，結(jié)合指標(biāo)參量選擇時(shí)應(yīng)遵循易量化、全面性和相互獨(dú)立性的原則確定駕駛員特征參數(shù)。

3.1 駕駛員參數(shù)

視覺(jué)掃描是駕駛員搜索外界信息的主要途徑，在駕駛過(guò)程中駕駛員獲取的道路環(huán)境信息有90%以上來(lái)自視覺(jué)[14]。

對(duì)Smart-eyes眼動(dòng)儀系統(tǒng)采集的多次全過(guò)程駕駛中駕駛員視線(xiàn)點(diǎn)區(qū)域進(jìn)行K-means聚類(lèi)劃分，見(jiàn)圖3，而后在確定各區(qū)域范圍的基礎(chǔ)上統(tǒng)計(jì)篩選駕駛員面對(duì)不同任務(wù)時(shí)的典型視覺(jué)特征變化規(guī)律，見(jiàn)圖4，其中圖4(a)中當(dāng)駕駛員處于右變道(LCR)意圖時(shí)，可認(rèn)為對(duì)左側(cè)后視鏡注視次數(shù)為零。

圖3 駕駛員興趣區(qū)域劃分結(jié)果

圖4 不同駕駛意圖下駕駛員視覺(jué)參數(shù)箱型圖

3.2 車(chē)-路參數(shù)

行駛過(guò)程中，模擬駕駛器CAN系統(tǒng)可讀取出車(chē)輛各類(lèi)典型的運(yùn)行參數(shù)信息?？v向加速度反映駕駛員對(duì)后續(xù)車(chē)速的預(yù)期值。轉(zhuǎn)向盤(pán)轉(zhuǎn)角作為實(shí)現(xiàn)變道意圖的直接輸入，駕駛員在各意圖階段均需不斷調(diào)整轉(zhuǎn)向盤(pán)以保證車(chē)輛安全行駛。車(chē)輛與車(chē)道中心線(xiàn)距離作為自車(chē)相對(duì)于車(chē)道的位置變化，反映了駕駛員對(duì)車(chē)輛橫向位置的掌控能力，上述“車(chē)-路”參數(shù)能較好表征駕駛員的駕駛意圖，變化規(guī)律統(tǒng)計(jì)見(jiàn)圖5。

圖5 不同駕駛意圖下“車(chē)-路”參數(shù)箱型圖

結(jié)合圖4和圖5中參數(shù)差異性的分析，最終確定以左后視鏡平均注視次數(shù)、單次平均掃視時(shí)間、單次平均頭部水平轉(zhuǎn)角、轉(zhuǎn)向盤(pán)轉(zhuǎn)角、縱向加速度和自車(chē)與車(chē)道中心線(xiàn)距離共6個(gè)參數(shù)作為意圖識(shí)別算法指標(biāo)量。

4 HMM和SVM級(jí)聯(lián)算法識(shí)別駕駛意圖基本方法

傳統(tǒng)上HMM算法的輸出完全作為SVM的輸入建立HMM-SVM混合模型開(kāi)展模式識(shí)別的分類(lèi)負(fù)擔(dān)較大，計(jì)算時(shí)間較長(zhǎng)且并未充分發(fā)揮二者的優(yōu)勢(shì)，本文中所建立改進(jìn)的HMM和SVM級(jí)聯(lián)算法如圖6所示。將待辨識(shí)駕駛意圖對(duì)應(yīng)的指標(biāo)參數(shù)樣本導(dǎo)入第一層HMM中確定其能識(shí)別的意圖。將第一層HMM中識(shí)別率較低的易混淆的意圖作為與待辨識(shí)意圖較為相似的類(lèi)別，形成候選集，再由第二層SVM在候選模式中對(duì)待辨識(shí)意圖作最后決策，以期達(dá)到提高駕駛員駕駛意圖識(shí)別率的目的。

圖6 HMM和SVM級(jí)聯(lián)算法識(shí)別駕駛意圖流程

4.1 隱馬爾可夫算法(HMM)

隱馬爾可夫模型作為一個(gè)雙隨機(jī)過(guò)程，由兩部分組成:馬爾可夫鏈和一般隨機(jī)過(guò)程。前者采用轉(zhuǎn)移概率描述狀態(tài)的轉(zhuǎn)移，后者采用觀(guān)察值概率描述狀態(tài)和觀(guān)察序列間的關(guān)系[15]。一個(gè)HMM模型可以用θ＝[P0，A，B]來(lái)描述，將其用于駕駛意圖識(shí)別，關(guān)鍵問(wèn)題是解決HMM模型的訓(xùn)練和識(shí)別問(wèn)題。

Q＝(Q1，Q2，Q3，Q4)表示 4 種隱藏的駕駛意圖；ν＝(ν1，ν2，ν3，ν4，ν5，ν6)表示可觀(guān)察的駕駛行為序列；A＝[aij]表示從意圖Qi到意圖Qj的轉(zhuǎn)移矩陣；B＝[Bjk]表示從意圖 Qj產(chǎn)生駕駛行為νk的產(chǎn)生矩陣。

圖7為基于隱馬爾可夫模型的駕駛意圖辨識(shí)原理，采用前向-后向算法對(duì)給定訓(xùn)練數(shù)據(jù)后獲得的隱馬爾可夫模型參數(shù)進(jìn)行優(yōu)化。由于初始概率條件P0和駕駛意圖轉(zhuǎn)移矩陣A的初始值的選擇對(duì)系統(tǒng)的影響不大，對(duì)比實(shí)驗(yàn)效果后，確定采用4狀態(tài)6高斯過(guò)程HMM模型。假定均勻選取初始狀態(tài)概率P0和A的初值，采用K-means聚類(lèi)求解B的初始值。

圖7 基于HMM算法的意圖識(shí)別基本原理

前向-后向算法獲得HMM參數(shù) θ的重估公式為

在產(chǎn)生換道行為序列ν條件下，從駕駛行為Qi(t-1)轉(zhuǎn)移到Qj(t)的概率γij為

式中l(wèi)為長(zhǎng)為T(mén)的駕駛意圖序列的標(biāo)記。根據(jù)新舊隱馬爾可夫模型參數(shù)間的函數(shù)關(guān)系反復(fù)迭代計(jì)算aij和bjk，至其收斂為止。最終獲得駕駛行為產(chǎn)生矩陣B＝[bjk]。

駕駛意圖識(shí)別時(shí)，采用viterbi算法求出模型參數(shù)θi對(duì)輸出駕駛行為序列ν的輸出概率P(ν｜θi)，然后選擇所有模型中的輸出概率最大的作為未知意圖的識(shí)別結(jié)果，即

4.2 支持向量機(jī)(SVM)

SVM作為一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的學(xué)習(xí)理論，通過(guò)在高維空間尋找一個(gè)超平面作為兩類(lèi)的分隔，以保證最小的分類(lèi)錯(cuò)誤率[16]，以解決小樣本、非線(xiàn)性和二分類(lèi)的模式識(shí)別問(wèn)題。用SVM實(shí)現(xiàn)駕駛意圖分類(lèi)，首先要將原始空間中線(xiàn)性不可分駕駛意圖參數(shù)通過(guò)式(7)的 RBF函數(shù)映射到高維空間:

將求解最優(yōu)分類(lèi)面轉(zhuǎn)化為求解駕駛意圖的最優(yōu)決策函數(shù):

通過(guò)式(9)獲得a?i和 b。

將第一層HMM算法中n種易混淆駕駛意圖兩兩組合，構(gòu)建C2n個(gè)分類(lèi)器。使用各易混淆駕駛意圖對(duì)應(yīng)的訓(xùn)練集數(shù)據(jù)訓(xùn)練SVM分類(lèi)模型。SVM通過(guò)將低維空間中線(xiàn)性不可分的易混淆的駕駛意圖樣本映射到可分的高維空間中，最大程度地表現(xiàn)各易混淆意圖間的差異性。

5 模型訓(xùn)練與仿真分析

5.1 樣本降噪預(yù)處理

考慮到由于噪聲和傳感器自身性能的影響，會(huì)導(dǎo)致部分車(chē)載傳感器實(shí)驗(yàn)數(shù)據(jù)的關(guān)聯(lián)性降低，為保證駕駛意圖模型識(shí)別精度，須對(duì)所采集的數(shù)據(jù)進(jìn)行卡爾曼濾波處理[17]?？v向加速度和轉(zhuǎn)向盤(pán)轉(zhuǎn)角濾波處理如圖8所示。

5.2 HMM模型訓(xùn)練結(jié)果

選擇將數(shù)據(jù)篩選后的765組駕駛意圖導(dǎo)入第一層HMM模型中進(jìn)行參數(shù)θ的優(yōu)化。利用4.1節(jié)中所述HMM模型的前向-后向算法，獲得左變道意圖HMM的描述參數(shù)θLCL:

其中P0＝[0.2 0.2 0.2 0.2 0.2]T

進(jìn)而，可依此方法求解其余3類(lèi)駕駛意圖HMM的模型參數(shù)。

圖8 車(chē)載傳感器參數(shù)的濾波處理

5.3 HMM仿真分析

將部分樣本導(dǎo)入第一層HMM算法，似然估計(jì)值越大，表明觀(guān)察序列與該模型的匹配程度越高，最大似然估計(jì)值所對(duì)應(yīng)的模型便是利用HMM分類(lèi)模型得出的當(dāng)前駕駛員駕駛意圖，表1中加粗的數(shù)值即為識(shí)別結(jié)果。

表1 各駕駛行為樣本HMM識(shí)別結(jié)果

基于HMM模型對(duì)剩余的750組駕駛意圖檢驗(yàn)樣本的識(shí)別結(jié)果如表2所示。

從表2中可以看出，基于第一層HMM算法的LCL和OT兩種駕駛意圖的識(shí)別率較低，在進(jìn)一步的研究中可將其作為易混淆意圖導(dǎo)入第二層SVM進(jìn)行意圖分類(lèi)。

表2 檢驗(yàn)樣本的HMM識(shí)別結(jié)果

5.4 SVM模型訓(xùn)練與仿真分析

將左換道意圖和超車(chē)意圖對(duì)應(yīng)的387組訓(xùn)練樣本導(dǎo)入第二層SVM算法中，結(jié)果如圖9所示。采用網(wǎng)格尋優(yōu)算法獲得最優(yōu)參數(shù)C＝1.14和σ＝1.07，對(duì)應(yīng)最佳參數(shù)的SVM模型識(shí)別準(zhǔn)確率為96.58%。

圖9 基于SVM辨識(shí)混淆意圖的參數(shù)尋優(yōu)結(jié)果

將超車(chē)意圖和左換道意圖對(duì)應(yīng)的193組驗(yàn)證樣本導(dǎo)入訓(xùn)練的SVM模型進(jìn)行意圖識(shí)別。易混淆意圖識(shí)別結(jié)果如表3所示。

表3 易混淆駕駛意圖SVM識(shí)別結(jié)果

基于HMM和SVM級(jí)聯(lián)算法的駕駛意圖的平均識(shí)別率達(dá)95.84%，明顯高于HMM或SVM單一學(xué)習(xí)模型。需要指出的是，對(duì)于非易混淆意圖，均直接利用第一層HMM算法完成識(shí)別，因此HMM和HMMSVM級(jí)聯(lián)模型對(duì)CF和LCR兩種意圖的識(shí)別率相差不大，卻能減輕第二層SVM的分類(lèi)負(fù)擔(dān)。

5.5 仿真時(shí)間估算

通過(guò)在算法的開(kāi)頭和結(jié)尾分別設(shè)置tic和toc函數(shù)完成單個(gè)駕駛意圖識(shí)別的仿真時(shí)間計(jì)算，結(jié)果如表4所示。

表4 各種辨識(shí)模型識(shí)別時(shí)間

一般情況下，駕駛員處理突發(fā)事件的反應(yīng)時(shí)間為0.2～0.4s[18]。本文中所提出的HMM和SVM級(jí)聯(lián)算法明顯能夠滿(mǎn)足要求。

5.6 駕駛意圖在線(xiàn)識(shí)別

基于本文中所建立的級(jí)聯(lián)算法進(jìn)行駕駛意圖的在線(xiàn)識(shí)別，識(shí)別結(jié)果見(jiàn)圖10。

圖10 基于HMM和SVM級(jí)聯(lián)算法在線(xiàn)識(shí)別意圖

本文中所提出的HMM和SVM級(jí)聯(lián)算法識(shí)別駕駛意圖，綜合了HMM算法和SVM的優(yōu)勢(shì)，彌補(bǔ)了HMM中只能根據(jù)最大似然估計(jì)作為輸出，當(dāng)幾種意圖的最大似然估計(jì)值相近時(shí)造成意圖識(shí)別錯(cuò)誤率高的缺點(diǎn)。通過(guò)HMM排除能夠識(shí)別的意圖，將易混淆意圖對(duì)應(yīng)的駕駛樣本導(dǎo)入SVM，依據(jù)識(shí)別準(zhǔn)確率設(shè)置投票表決算法完成意圖分類(lèi)。

6 結(jié)論

(1)確定了“人-車(chē)-路”交通系統(tǒng)中可作為駕駛意圖識(shí)別指標(biāo)共6個(gè)參數(shù)，彌補(bǔ)了目前國(guó)內(nèi)外針對(duì)駕駛意圖簡(jiǎn)單采取車(chē)-路系統(tǒng)參數(shù)的不足的同時(shí)擴(kuò)展了待識(shí)別意圖種類(lèi)。

(2)基于所提出的HMM和SVM級(jí)聯(lián)算法識(shí)別駕駛意圖的平均準(zhǔn)確率達(dá)95.84%，較HMM或SVM單一模型高，單次意圖識(shí)別時(shí)間為0.017s，滿(mǎn)足駕駛員處理突發(fā)事件的反應(yīng)時(shí)間要求。