趙巖 陳煥明 王亞倫

摘要：? 為深入研究駕駛員駕駛行為特性，減少駕駛輔助系統(tǒng)與駕駛員的控制沖突，本文基于條件隨機場（conditional random field， CRF）算法，搭建了駕駛員駕駛行為識別模型。利用NI Phar Lap ETS實時操作系統(tǒng)，搭建車道保持輔助控制試驗平臺，在試驗平臺上進行相關(guān)參數(shù)的實時采集，并根據(jù)采集到的數(shù)據(jù)特性，提出一種根據(jù)橫向位移對駕駛行為數(shù)據(jù)進行分段的方法，將采集到的數(shù)據(jù)樣本劃分為左換道、右換道以及車道保持階段。同時，對實時獲取的參數(shù)進行顯著性分析，將與橫向運動密切相關(guān)的五種參數(shù)作為觀測參數(shù)，對駕駛行為進行識別。研究結(jié)果表明，車道保持、左換道以及右換道行為的識別率分別達942%，93%和844%。該研究對于提高車道保持輔助系統(tǒng)的輔助效果以及減少誤警率具有明顯的促進作用。

關(guān)鍵詞：? 駕駛行為; 條件隨機場; 駕駛模擬器; 觀測參數(shù); 實時系統(tǒng)

中圖分類號： TP391.41; U467.5+1文獻標識碼： A

作者簡介： ?趙巖（1993-），男，山東濟寧人，漢族，碩士研究生，主要研究方向為高級輔助駕駛技術(shù)。

通信作者： ?陳煥明（1978-），男，山東青島人，博士，講師，碩士生導師，主要研究方向為汽車動態(tài)仿真與控制技術(shù)。 Email： qdchm@qdu.edu.cn

近年來，智能車輛的發(fā)展成為減少交通事故的理想方案。據(jù)世界衛(wèi)生組織公布數(shù)據(jù)顯示[1]，全球每年因交通事故造成的死亡人數(shù)高達135萬。作為智能車輛發(fā)展的重要部分，車道保持輔助技術(shù)的研發(fā)引起了我國的高度重視，于2017年發(fā)布了《汽車工業(yè)中長期發(fā)展規(guī)劃》。對駕駛員駕駛意圖的有效識別，可以提高車道保持系統(tǒng)的輔助效果。單純依靠偏離距離來進行車道偏離的判斷有嚴重的滯后性，易與駕駛者產(chǎn)生控制沖突。隨著深度學習的快速發(fā)展，針對上述問題，部分學者提出多種駕駛意圖識別算法，基于神經(jīng)網(wǎng)絡的駕駛意圖識別，將車輛參數(shù)和駕駛員行為參數(shù)導入神經(jīng)網(wǎng)絡中，通過對中間隱層層數(shù)和節(jié)點個數(shù)的調(diào)整，搭建意圖識別模型[24]?；陔[馬爾可夫模型（hidden markov model，HMM）的駕駛意圖識別，將一段時間序列的觀測參數(shù)作為輸入，訓練出不同駕駛意圖下的子模型[58]。而基于支持向量機（support vector machine，SVM）的駕駛意圖識別模型，通過核函數(shù)φ將觀測參數(shù)映射到高維空間，然后求解出能分隔駕駛意圖所對應的觀測參數(shù)的超平面，從而建立相應的駕駛意圖識別模型[912]?；贖MM的駕駛意圖識別模型在建模時，需要較強的嚴格獨立的假設(shè)條件[1315]，而基于SVM的駕駛意圖識別模型則對樣本數(shù)量有要求[16]，該方法對小樣本、非線性以及高維模式識別問題識別效果較好。鑒于上述存在的問題，周俊生等人[1719]采用條件隨機場（conditional random field， CRF）算法，搭建駕駛意圖識別模型，該方法不需要嚴格的獨立性假設(shè)，對樣本數(shù)量沒有嚴格限制?；诖耍疚木C合利用CarSim、Matlab/Simulink和NI VeriStand軟件，搭建車道保持輔助控制試驗平臺，采集駕駛員駕駛行為數(shù)據(jù)及車輛橫向運動數(shù)據(jù)，進行駕駛員駕駛意圖識別模型的訓練及其驗證。該研究對減少交通事故的發(fā)生具有重要意義。

1試驗設(shè)計

實車數(shù)據(jù)采集方法需要對測試車輛進行改裝，加裝數(shù)據(jù)采集設(shè)備以及相應的傳感器（如車載攝像機、毫米波雷達、陀螺儀等），對測試天氣及道路環(huán)境具有較高的要求和一定程度的危險性。而研發(fā)型駕駛模擬器能夠?qū)⑾嚓P(guān)硬件嵌入其中，進行駕駛員主觀評價以及算法驗證，試驗周期短，試驗條件可控，安全性高。本文基于NI公司的Phar Lap ETS實時操作系統(tǒng)，搭建車道保持輔助控制試驗平臺，車道保持輔助控制試驗平臺如圖1所示。該試驗平臺能夠根據(jù)試驗要求，在CarSim軟件中搭建真實的駕駛場景，利用NI VeriStand實時測試軟件實現(xiàn)硬件I/O端口的實時配置，對車輛動態(tài)參數(shù)、行駛環(huán)境參數(shù)以及駕駛員駕駛行為數(shù)據(jù)進行實時采集。

根據(jù)《公路工程技術(shù)標準》，搭建10 000 m單向雙車道直道場景，考慮到需要以較高車速行駛，為提高駕駛場景與現(xiàn)實道路場景的相似度，將左右車道寬度均設(shè)置為375 m。在道路中央，每隔500 m設(shè)置錐形桶，提示駕駛員進行換道操作，換道時機由駕駛者自主決定，試驗道路布置如圖2所示。

近年來，由于非職業(yè)駕駛員數(shù)量的急劇增加，其已成為交通事故劇增的主要群體，主要原因是一些駕駛新手的駕駛水平較低，缺乏對駕駛環(huán)境的準確判斷，難以做出適當?shù)鸟{駛行為，易發(fā)生交通事故。因此，本文招募了10名駕齡在2～5年的男性駕駛員，駕駛員需滿足以下條件，即持有駕駛證、性格穩(wěn)定、近期具有實車駕駛經(jīng)歷。試驗前，對駕駛員進行一定時長的培訓，使駕駛員熟悉試驗平臺以及道路場景，避免因操作失誤造成數(shù)據(jù)采集異常。為深入研究駕駛行為與駕駛意圖的潛在關(guān)系，將采樣率設(shè)置為100 Hz，某時間段內(nèi)采集的數(shù)據(jù)如表1所示。

2駕駛行為分析

駕駛行為的有效識別對于車輛感知系統(tǒng)提前感知行駛環(huán)境，做出準確的路徑規(guī)劃以及輔助控制具有重要作用。駕駛過程是連續(xù)多變的動態(tài)變化過程，不同的駕駛行為會引起不同的車輛動態(tài)參數(shù)和駕駛行為參數(shù)變化，因此可以通過選取適當?shù)膮?shù)，對不同的駕駛行為進行預測及識別，駕駛行為數(shù)據(jù)的劃分及駕駛意圖表征參數(shù)的選取直接影響識別的準確度。

2.1駕駛行為數(shù)據(jù)的劃分

選定的觀測變量是否能有效區(qū)分換道狀態(tài)與車道保持狀態(tài)，與觀測數(shù)據(jù)的劃分以及識別參數(shù)的選取密切相關(guān)。目前，對于換道行為數(shù)據(jù)與車道保持行為數(shù)據(jù)的劃分沒有統(tǒng)一的定義，為提高換道行為的識別率，從采集到的數(shù)據(jù)特征出發(fā)，提出一種根據(jù)橫向位置來劃分數(shù)據(jù)的方法，換道階段數(shù)據(jù)劃分示意圖如圖3所示。首先根據(jù)采集到的數(shù)據(jù)分別計算出車輛行駛在左車道和右車道的車輛橫向位置的均值，然后選取換道過程中橫向位置數(shù)據(jù)符號變化的兩點，繪出階段劃分線，該線與左右車道車輛橫向位置均值線有兩個交點，將兩個交點間的數(shù)據(jù)作為換道階段的數(shù)據(jù)，交點以外的數(shù)據(jù)作為車道保持階段數(shù)據(jù)。

2.2駕駛意圖表征參數(shù)的選取

在實際駕駛過程中，駕駛員駕駛行為會受到多方面的影響。在人-車-路構(gòu)成的閉環(huán)系統(tǒng)中，任意環(huán)節(jié)的細微變化都會造成駕駛行為的改變，隨機性較大，無法對其精確建模。通過相關(guān)研究發(fā)現(xiàn)，在一些特定的駕駛場景中，駕駛過程中產(chǎn)生的車輛運動參數(shù)、駕駛員行為參數(shù)以及道路環(huán)境參數(shù)的變化可以在一定程度上反映駕駛者的駕駛行為，通過傳感器獲取可以表征駕駛行為的參數(shù)，可以有效的識別駕駛員的駕駛意圖。

本文獲取了車道保持階段與車道變更階段的相關(guān)參數(shù)，并對相關(guān)參數(shù)的均值和標準差進行對比，考慮到過多的觀測參數(shù)會加大駕駛意圖識別模型的學習難度，影響意圖識別的時效性，并且換道對橫向運動參數(shù)影響較大，因此選取方向盤轉(zhuǎn)角（°）、方向盤轉(zhuǎn)角速率（°/s）、橫向速度（km/h）、橫向加速度（m/s2）以及橫向位置（m）作為觀測特征參數(shù)。

參數(shù)選定后，需要檢驗所選參數(shù)是否能夠表征不同的駕駛意圖，即進行顯著性檢驗。在駕駛意圖識別過程中，各觀測變量的差異性越大，識別的精確度越高。因此，選取的五種觀測參數(shù)對應不同的駕駛意圖應該具有顯著差別。利用箱式圖分析五種參數(shù)在左換道、車道保持、右換道三種駕駛行為下的差異性，各參數(shù)箱式圖如圖4所示。

由圖4可以看出，左右換道階段的數(shù)據(jù)與車道保持階段數(shù)據(jù)差異性非常明顯，在車道保持階段，駕駛員為使車輛在車道中間行駛，會對方向盤進行微調(diào)，因此方向盤轉(zhuǎn)角、方向盤轉(zhuǎn)角速率、橫向速度、橫向加速度以及橫向位置的波動范圍較小。在換道階段，車輛發(fā)生橫向位置的改變，因此方向盤轉(zhuǎn)角、方向盤轉(zhuǎn)角速率、橫向速度、橫向加速度以及橫向位置都會發(fā)生大范圍的波動，與車道保持階段具有明顯的差異性。因此，選取的五種觀測參數(shù)可以很好的表征三種駕駛意圖。

3換道意圖識別模型的搭建

CRF模型是在最大熵模型（maximum entropy model，MEM）和HMM的基礎(chǔ)上，提出的一種判別式概率無向圖學習模型，是一種用于標注和切分有序數(shù)據(jù)的條件概率模型。條件隨機場模型解決了HMM的觀測獨立性假設(shè)，因而可以容納任意的上、下文信息，并且特征設(shè)計靈活，可在全局范圍內(nèi)統(tǒng)計歸一化的概率。

本研究將駕駛狀態(tài)分為車道保持、左換道和右換道三種，因此nStates=3。由上文可知，選取與換道行為相關(guān)的五種橫向運動參數(shù)作為觀測值，因此D=5。機場模型是一種判別式概率無向圖學習模型，在有限的樣本條件下，也可以得出較高的識別率，CRF算法識別駕駛意圖流程如圖6所示。

3.2駕駛意圖識別與驗證

在Matlab軟件中，搭建基于liner-chain CRF算法的駕駛意圖識別模型，并在該軟件中進行模型訓練與測試。根據(jù)第三章對于觀測數(shù)據(jù)劃分方法，為識別駕駛員完整的換道行為，提取從車道保持階段到換道階段再到車道保持階段的數(shù)據(jù)作為輸入樣本，根據(jù)采集到的觀測數(shù)據(jù)特性以及駕駛員的平均換道時間，以換道階段左交點前4 s左右的觀測數(shù)據(jù)為起始點，向后取10 s為一組樣本，一組樣本包含兩次車道保持和一次換道，通過對采集到的數(shù)據(jù)進行篩選，得含完整換道行為數(shù)據(jù)樣本84組，按照3∶1的比例劃分為訓練數(shù)據(jù)和測試數(shù)據(jù)，數(shù)據(jù)集如表3所示。

根據(jù)CRF算法特性，需對不同的駕駛行為階段數(shù)據(jù)進行標注，根據(jù)橫向位置劃分駕駛行為數(shù)據(jù)的方法，對篩選出的完整駕駛行為數(shù)據(jù)進行標注，即將右換道階段的數(shù)據(jù)標注為“3”，車道保持階段的數(shù)據(jù)標注為“2”，左換道階段的數(shù)據(jù)標注為“1”。樣本標注如表4所示。

根據(jù)上文所述，將標注好的數(shù)據(jù)集導入liner-chain CRF駕駛意圖識別模型中，其中一組為左換道數(shù)據(jù)測試結(jié)果，CRF識別結(jié)果如圖7所示。圖7中，“LK”代表車輛處于車道保持狀態(tài)，“RLC”表示車輛處于左換道狀態(tài)，CRF識別的駕駛狀態(tài)由計算出的車道保持概率決定，當概率值小于50%時，認定此時處于換道狀態(tài)，當大于50%時，認定處于車道保持狀態(tài)，但在概率值接近05的位置會出現(xiàn)識別異常，通過減少觀測參數(shù)，將觀測參數(shù)改為方向盤轉(zhuǎn)角、方向盤轉(zhuǎn)角速率、橫向速度以及橫向加速度，即D=4，改進后識別結(jié)果如圖8所示。

由圖8可以看出，適當減少觀測參數(shù)的數(shù)量，有益于提高識別精度，減少駕駛意圖識別時間。

將測試樣本導入訓練好的駕駛意圖識別模型中，測試結(jié)果如表5所示。

由表5可以看出，駕駛員駕駛行為識別liner-chain CRF模型在樣本量較小的情況下，也可以達到較高的識別精度，在以橫向位置劃分駕駛行為數(shù)據(jù)的情況下，劃分車道保持和左換道行為識別率達90%以上，右換道意圖的識別率達84%，鑒于駕駛行為數(shù)據(jù)的劃分以及駕駛意圖表征參數(shù)的選取對識別精度的直接影響，考慮可能是由于擬合點較少，擬合精度低造成右換道階段數(shù)據(jù)劃分誤差較大，使右換道識別率較低。

4結(jié)束語

本文搭建了基于線性鏈條件隨機場駕駛意圖識別模型，并通過采集到的數(shù)據(jù)，提出了一種根據(jù)橫向位置劃分時間序列的方法。與傳統(tǒng)的駕駛意圖識別算法相比，該駕駛意圖識別模型對訓練樣本數(shù)量的要求更低，且更符合實際情況。通過模型訓練與測試，該模型能夠有效識別車道保持、左換道以及右換道三種駕駛意圖。針對右換道意圖識別率較低的問題，下一步將從駕駛意圖識別算法的改進和駕駛行為階段劃分方法的優(yōu)化兩方面進行研究。

參考文獻：

[1]World Health Organization. Global status report on road safety[R]. Geneva： WHO， 2018.

[2]倪捷， 劉志強. 基于駕駛?cè)藳Q策機制的換道意圖識別模型[J]. 交通運輸系統(tǒng)工程與信息， 2016， 16（1）： 58-63.

[3]劉松波， 白國振. 基于BP神經(jīng)網(wǎng)絡的HEV加速意圖識別[J]. 農(nóng)業(yè)裝備與車輛工程， 2017， 55（10）： 88-91.

[4]曲代麗. 基于模糊神經(jīng)網(wǎng)絡的駕駛員制動意圖辨識技術(shù)研究[D]. 長春： 長春工業(yè)大學， 2016.

[5]劉志強， 吳雪剛， 倪捷， 等. 基于HMM和SVM級聯(lián)算法的駕駛意圖識別[J]. 汽車工程， 2018， 40（7）： 858-864.

[6]Li K， Wang X， Xu Y， et al. Lane changing intention recognition based on speech recognition models[J]. Transportation Research Part C Emerging Technologies， 2016， 69（8）： 497-514.

[7]宋曉琳， 鄭亞奇， 曹昊天. 基于HMM-SVM的駕駛員換道意圖辨識研究[J]. 電子測量與儀器學報， 2016， 30（1）： 58-65.

[8]馮頡. 面向汽車安全輔助系統(tǒng)的駕駛員意圖識別算法研究[D]. 成都： 電子科技大學， 2013.

[9]李慧， 李曉東， 宿曉曦. 一種優(yōu)化參數(shù)的支持向量機駕駛意圖識別[J]. 實驗室研究與探索， 2018， 37（2）： 35-39.

[10]畢勝強， 梅德純， 劉志強， 等. 面向駕駛行為預警的換道意圖辨識模型研究[J]. 中國安全科學學報， 2016， 26（2）： 91-95.

[11]劉志強， 涂孝軍， 汪澎. 面向駕駛員輔助系統(tǒng)的換道意圖辨識方法研究[J]. 安全與環(huán)境學報， 2015， 15（6）： 132-136.

[12]麻婷婷， 涂孝軍， 朱偉達. 基于支持向量機的駕駛員超車意圖識別[J]. 上海工程技術(shù)大學學報， 2016（30）： 203-208.

[13]張明恒， 翟曉娟， 朱有明， 等. 基于改進HMM的駕駛疲勞險態(tài)識別方法[J]. 大連理工大學學報， 2018， 58（2）： 194-201.

[14]徐婷， 溫常磊， 張香， 等. 基于GMM-CHMM的城市道路換道行為識別[J]. 交通運輸系統(tǒng)工程與信息， 2020， 20（1）： 61-67.

[15]張海倫， 付銳. 高速場景相鄰前車駕駛行為識別及意圖預測[J]. 交通運輸系統(tǒng)工程與信息， 2020， 20（1）： 40-46.

[16]馬國成， 劉昭度， 裴曉飛， 等. 基于模糊支持向量機的旁車道車輛并線意圖識別方法[J]. 汽車工程， 2014， 36（3）： 316-320.

[17]周俊生， 戴新宇， 尹存燕， 等. 基于層疊條件隨機場模型的中文機構(gòu)名自動識別[J]. 電子學報， 2006， 34（5）： 804-809.

[18]葉子豪， 孫銳， 王慧慧. 基于全卷積神經(jīng)網(wǎng)絡與條件隨機場的車道識別方法[J]. 光電工程， 2019， 46（2）： 180274-180286.

[19]徐曉芳. 基于條件隨機場的中文分詞技術(shù)的研究與實現(xiàn)[D]. 南京： 南京郵電大學， 2018.

[20]Schmidt M， Swersky K. Matlab code for chain-structured conditional random fields with categorical features [EB/OL]. https： ∥www. cs. ubc. ca/～schmidtm/Software/crfChain. html， 2008.

Abstract：?? In order to deeply explore the characteristics of the driver's driving behavior and reduce the control conflict between the driving assistance system and the driver， this paper builds a driver's driving behavior recognition model based on the Conditional Random Field algorithm. It use NI Phar Lap ETS real-time operating system to build a lane keeping auxiliary control test platform， and collects relevant parameters in real time on the test platform. According to the characteristics of the collected data， a method of segmenting driving behavior data based on lateral displacement is proposed， and the collected data samples are divided into left lane changing， right lane changing and lane keeping stages. The significance of the parameters acquired in real time is analyed， and the driving behavior is identified by using five parameters closely related to lateral motion as observation parameters. The results show that the recognition rates of lane keeping， left lane changing and right lane changing behavior are respectively 94.2%， 93% and 84.4%. This research has a significant role in improving the assistive effect of the lane keeping assist system and reducing the false alarm rate.

Key words： driving behavior; conditional random field; driving simulator; observation parameters; real-time system