袁小慧，歸文強(qiáng)

(1.長(zhǎng)安大學(xué) 汽車學(xué)院，陜西 西安 710064；2.西安航空學(xué)院 車輛工程學(xué)院，陜西 西安 710077)

在跟車過(guò)程中，為了提高自車的舒適性、安全性以及行駛效率，駕駛?cè)苏{(diào)整車速及跟車間距避免相鄰車道前車并道至自車之前，同時(shí)當(dāng)相鄰車道前車并道至自車之前時(shí)，駕駛?cè)吮仨氈匦抡{(diào)整車速，以適應(yīng)新的跟車對(duì)象引起的跟車間距的變化。

目前，研究者大多是以換道行為車輛本身作為研究對(duì)象，進(jìn)行意圖和行為識(shí)別，較少?gòu)母嚱嵌瘸霭l(fā)，將換道車輛作為相鄰車道車輛，對(duì)其駕駛行為進(jìn)行預(yù)測(cè)。付銳等[1]基于Fisher判別法，以自車與相鄰車和當(dāng)前車道前車相關(guān)的4個(gè)參數(shù)作為特征參數(shù)，包括自車車速、自車與當(dāng)前車道前車的車頭時(shí)距、相對(duì)速度以及自車與相鄰前車的相對(duì)速度，對(duì)相鄰前車的兩種并道行為類型進(jìn)行預(yù)測(cè)，并道行為類型包括相鄰前車并道至當(dāng)前車道前車之前以及自車與前車之間；馬國(guó)成等[2]基于模糊支持向量機(jī)，以自車與相鄰前車的7個(gè)相關(guān)參數(shù)作為表征參數(shù)，包括實(shí)測(cè)的自車車速、自車與相鄰前車的縱向距離和橫向距離、縱向和橫向相對(duì)車速以及由卡爾曼濾波估計(jì)得到的前車相對(duì)自車的縱向和橫向加速度，對(duì)相鄰前車的并道意圖進(jìn)行辨識(shí)；張海倫等[3]基于公開的NGSIM數(shù)據(jù)集，建立雙層連續(xù)隱馬爾可夫模型和貝葉斯生成分類器以及雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型，識(shí)別并預(yù)測(cè)相鄰前車的駕駛行為，辨識(shí)的駕駛行為類型包括并道至自車與本道前車之間以及相鄰前車保持原車道行駛；蔡英鳳等[4]以自車與相鄰車道前車和當(dāng)前車道前車的7個(gè)相關(guān)參數(shù)作為特征參數(shù)，包括相鄰車道前車的橫向速度和航向角、相鄰車道前車和當(dāng)前車道前車與自車、自車和自車前方車輛縱向相對(duì)距離與縱向相對(duì)速度、相鄰前車與當(dāng)前車道橫向距離，對(duì)相鄰前車的并道行為進(jìn)行辨識(shí)；Seungwuk Moon等[5]基于模糊決策思想，以自車與相鄰前車的側(cè)向距離和相對(duì)速度作為相鄰前車并道的表征參數(shù)，認(rèn)為側(cè)向距離較小、側(cè)向加速度較大時(shí)，相鄰前車具有并道意圖，該方法具有主觀性，不能客觀表征相鄰前車的并道行為；Ismail Dagli等[6]基于機(jī)率理論模型，預(yù)測(cè)和分析車輛位置，從而識(shí)別相鄰前車的并道行為。

本文從高速公路實(shí)際的駕駛行為數(shù)據(jù)出發(fā)，從本車道跟隨車輛的角度，考慮自車與相鄰前車以及自車與本車道前車的運(yùn)動(dòng)關(guān)系，提取相鄰車道駕駛行為的表征參數(shù)，以此建立預(yù)測(cè)模型，預(yù)測(cè)相鄰前車的駕駛行為。

1 駕駛意圖特征參數(shù)的提取

在單向兩車道高速公路上，根據(jù)相鄰前車的并道位置，可將相鄰前車的駕駛意圖分為4類，如圖1 所示。其中，第1類為保持原車道跟車行駛，第2類為并道至前車L0之前，第3類為并道至自車M與前車L0之間，第4類為并道至自車M之后。

圖1 相鄰前車的駕駛意圖分類

4類駕駛意圖下，相鄰前車駕駛?cè)司哂?類不同的駕駛行為，這會(huì)對(duì)自車M產(chǎn)生不同的影響。其中，第1類駕駛行為下，相鄰前車F1保持原車道跟車行駛，對(duì)自車M的影響最小；第2類駕駛行為下，相鄰前車F1并道至前車L0之前，自車的跟車目標(biāo)仍為前車L0，此時(shí)，前車L0由于相鄰前車F1的并入而改變車速，進(jìn)而間接影響自車M；第3類駕駛行為下，相鄰前車F1并道至M車與L0車之間，M車的跟車目標(biāo)由L0變?yōu)镕1，原有跟車狀態(tài)被打破，跟車間距會(huì)突然減小，對(duì)M車的影響最大；第4類駕駛行為下，相鄰前車F1并道至M車之后，對(duì)自車的影響非常小，且該類行為極少出現(xiàn)。因此，本文僅對(duì)相鄰前車的前3類駕駛意圖進(jìn)行預(yù)測(cè)。

1.1 試驗(yàn)數(shù)據(jù)采集與處理

為研究相鄰前車的駕駛意圖，進(jìn)行高速公路實(shí)車試驗(yàn)，采集自車所在車道以及相鄰車道的車輛行駛數(shù)據(jù)。試驗(yàn)路段為限速120 km/h的雙向4車道高速公路，試驗(yàn)里程為58.3 km。共有10名駕駛?cè)藚⑴c實(shí)車試驗(yàn)，駕駛?cè)四挲g介于28歲～45歲之間，均值為35.2歲；駕齡介于3 a～20 a，均值為10.5 a，標(biāo)準(zhǔn)差為5.2 a。試驗(yàn)車輛為配備多種采集設(shè)備的大眾途安乘用車，設(shè)備包括安裝于試驗(yàn)車輛前部和后部的毫米波雷達(dá)、多通道視頻監(jiān)控系統(tǒng)、加速踏板和制動(dòng)踏板開度傳感器、方向盤轉(zhuǎn)角傳感器等。其中，毫米波雷達(dá)用于測(cè)量自車與前方或后方車輛的間距、相對(duì)速度以及相對(duì)角度等數(shù)據(jù)；多通道視頻監(jiān)控設(shè)備用于監(jiān)控整個(gè)試驗(yàn)過(guò)程中駕駛?cè)嗣娌?、操作行為、前方道路和后方道路交通環(huán)境，后期可通過(guò)回放篩選數(shù)據(jù)。為保證試驗(yàn)過(guò)程能反映真實(shí)的駕駛習(xí)慣，試驗(yàn)前告知駕駛?cè)嗽囼?yàn)路線并要求其按照日常操作習(xí)慣進(jìn)行駕駛。

試驗(yàn)后，按照以下原則篩選試驗(yàn)數(shù)據(jù)：

1)本文基于何民[7]對(duì)跟車狀態(tài)中自由行駛與跟車行為的界定原則，篩選自車與當(dāng)前車道前車的車頭時(shí)距小于5 s的相關(guān)數(shù)據(jù)；

2)從視頻上看相鄰前車是具有并道的意圖還是保持原車道跟車行駛的意圖，對(duì)于具有并道意圖的數(shù)據(jù)，篩選相鄰前車駕駛?cè)碎_啟轉(zhuǎn)向燈至有橫向偏移之間的數(shù)據(jù)，并以有橫向偏移前2 s內(nèi)數(shù)據(jù)作為待分析樣本；對(duì)于保持跟車行駛的數(shù)據(jù)，篩選相鄰前車與自車的車頭時(shí)距小于前車與自車的車頭時(shí)距的數(shù)據(jù)。

根據(jù)以上原則，最終篩選出具有第1類和第2類駕駛意圖的行為數(shù)據(jù)各有25次，包含400組，第3類駕駛意圖的行為數(shù)據(jù)有50次，包含800組樣本，每組樣本包含某個(gè)時(shí)刻的相關(guān)駕駛行為數(shù)據(jù)。

1.2 特征參數(shù)提取

車輛行駛數(shù)據(jù)能很好地復(fù)現(xiàn)行駛過(guò)程，反映駕駛?cè)艘鈭D[8-10]，因此本文擬從自車車速vM、自車與前車的縱向間距d1、車頭時(shí)距t1、縱向相對(duì)速度v1、自車與相鄰前車的縱向間距d2、車頭時(shí)距t2、縱向相對(duì)速度v2等7個(gè)參數(shù)中提取特征參數(shù)。其中，縱向間距d(d1和d2)、車頭時(shí)距t(t1，t2)、縱向相對(duì)速度v(v1，v2)可由雷達(dá)采集的相對(duì)距離d0、相對(duì)速度v0和方位角α0計(jì)算得到：d=d0cosα0，t=d/vM，v=v0cosα0。

對(duì)所選7個(gè)參數(shù)進(jìn)行pearson相關(guān)系數(shù)檢驗(yàn)，發(fā)現(xiàn)vM，t1，v1，v24個(gè)參數(shù)的pearson相關(guān)系數(shù)均小于0.01，表明這4個(gè)參數(shù)線性不相關(guān)。進(jìn)行多重共線性檢驗(yàn)，其值小于5，表明不存在多重共線性。因此，本文將vM，t1，v1，v24個(gè)參數(shù)作為相鄰前車駕駛意圖的表征參數(shù)。

2 相鄰前車駕駛?cè)艘鈭D預(yù)測(cè)

對(duì)相鄰前車的駕駛?cè)艘鈭D進(jìn)行預(yù)測(cè)，本質(zhì)上是對(duì)相鄰前車的駕駛意圖進(jìn)行判別分析，即判別其屬于3類駕駛意圖的哪一類。因此，本文采用常見的兩種判別分析方法對(duì)相鄰前車駕駛?cè)艘鈭D進(jìn)行預(yù)測(cè)。

2.1 SVM

支持向量機(jī)(Support Vector Machine, SVM)一般處理二分類問(wèn)題[11-14]，也可通過(guò)構(gòu)造合適的多類分類器處理多分類問(wèn)題，其基本思想是確定一個(gè)能夠劃分所有數(shù)據(jù)樣本的超平面，且該超平面到所有數(shù)據(jù)樣本的距離最短。

在構(gòu)造多類分類器時(shí)，常采用的方法有“一對(duì)一”和“一對(duì)其他”。其中，“一對(duì)其他”的分類方法易出現(xiàn)樣本不對(duì)稱現(xiàn)象，且在判別分析時(shí)可能出現(xiàn)一個(gè)樣本不屬于任何一類的情況?？紤]到待判別的相鄰前車的駕駛意圖僅有3類，類別較少，計(jì)算復(fù)雜度不大，本文在進(jìn)行判別分析時(shí)采用“一對(duì)一”的判別方法。

在采用“一對(duì)一”[15-16]的方法判別相鄰前車的駕駛?cè)艘鈭D時(shí)，需要針對(duì)3個(gè)類別的駕駛行為數(shù)據(jù)樣本，設(shè)計(jì)3個(gè)SVM分類器，即在每?jī)深悩颖鹃g均設(shè)計(jì)一個(gè)SVM。在構(gòu)造含有兩類駕駛?cè)艘鈭D樣本(第i類和第j類)的SVM時(shí)，按照式(1)的方法進(jìn)行最優(yōu)化計(jì)算

(1)

式中：w和b分別為構(gòu)造的超平面的法向量和位移項(xiàng)；φ為映射函數(shù)；C為懲罰參數(shù)；ξ為KKT(Karush-Kuhn-Tucker)乘子。

其決策函數(shù)為

fi(x)=(wi)Tφ(x)+bi。

(2)

在預(yù)測(cè)階段，采用投票法預(yù)測(cè)相鄰前車的駕駛?cè)艘鈭D。首先，初始化各類別駕駛?cè)艘鈭D的初始得票數(shù)，然后，將待測(cè)駕駛?cè)艘鈭D樣本數(shù)據(jù)x輸入到各決策函數(shù)中進(jìn)行判別，當(dāng)某分類器ci,j將樣本x識(shí)別為第i類駕駛?cè)艘鈭D時(shí)，則第i類駕駛?cè)艘鈭D對(duì)應(yīng)得票數(shù)加1，當(dāng)該分類器ci,j將樣本x識(shí)別為第j類駕駛?cè)艘鈭D時(shí)，則第j類駕駛?cè)艘鈭D對(duì)應(yīng)得票數(shù)加1，所有分類器均對(duì)樣本判別后，將得票數(shù)最高的那個(gè)類別作為樣本x的駕駛?cè)艘鈭D。

考慮到相鄰前車駕駛?cè)艘鈭D的表征參數(shù)較少，在構(gòu)造SVM分類器時(shí)，假設(shè)3類駕駛?cè)艘鈭D兩兩線性可分，因此，本文在采用SVM算法建立相鄰前車駕駛意圖預(yù)測(cè)模型時(shí)參數(shù)設(shè)置如下：SVM的類型設(shè)置為SVC，分類時(shí)采用“一對(duì)一”的分類方法，核函數(shù)設(shè)置為線性核。

2.2 Fisher判別法

Fisher判別法的基本思想是將原樣本數(shù)據(jù)投影到某個(gè)方向，使其投影的類內(nèi)距離最小而類間距離最大[17-18]。

假設(shè)投影方向?yàn)閃=(w1,w2,…,wp)，將駕駛?cè)诵旭倲?shù)據(jù)樣本xij在W上進(jìn)行投影，得到y(tǒng)ij=WTxij(i=1,2,3；j=1,2,…,ni)，樣本和總體投影后的均值分別為vi=WTμi(i=1,2,3)和v=WTμ。因此，樣本投影后的類間離差平方和與類內(nèi)離差平方和分別為式(3)和式(4)，根據(jù)Fisher判別法的基本思想，要求投影后的類間距離最大而類內(nèi)距離最小，即使得式(3)最大，式(4)最小。

(3)

(4)

令

(5)

(6)

則

SSG=WTS0W,

(7)

SSE=WTS1W。

(8)

可將優(yōu)化條件轉(zhuǎn)化為使式(9)最大。

(9)

令

WTS1W=1，

則

J=WTS0W, s.t.：WTS1W=1。

(10)

采用拉格朗日乘子法進(jìn)行求解，

L(W,λ)=WTS0W-λ(WTS0W-1),

(11)

dL(W,λ)=(2WTS0-2λWTS1)dW,

(12)

式中：λ為特征值。

令

(13)

則

S0W=λS1W，

(14)

當(dāng)S1可逆時(shí)，

(15)

2.3 結(jié)果對(duì)比

將篩選的第1類、第2類400組駕駛行為數(shù)據(jù)以及第3類800組駕駛行為數(shù)據(jù)進(jìn)行處理，得到自車車速vM、自車與當(dāng)前車道前車的車頭時(shí)距t1、自車與當(dāng)前車道前車的相對(duì)速度v1、自車與相鄰前車的相對(duì)速度v2等4個(gè)參數(shù)，將數(shù)據(jù)樣本的一半作為訓(xùn)練集，另一半作為測(cè)試集，并將訓(xùn)練集作為輸入樣本，按照相關(guān)參數(shù)設(shè)置進(jìn)行訓(xùn)練后，建立SVM模型和Fisher判別模型。

Fisher判別模型的判別式有兩個(gè)

y1=-0.067 3vM+0.924 9t1-0.288 2v1+

0.238 5v2,

(16)

y2=0.005 5vM+0.984 5t1+0.157v1+

0.078 2v2.

(17)

兩個(gè)正的特征值分別為5.942 2和0.169 9，兩個(gè)判別式的貢獻(xiàn)率分別為0.972 2和0.027 8，累積貢獻(xiàn)率為0.972 2和1。根據(jù)訓(xùn)練樣本中的800組駕駛行為數(shù)據(jù)，按照判別式得分繪出散點(diǎn)圖，如圖2 所示。3類駕駛行為意圖的分離效果非常好，只是第2類駕駛意圖和第3種駕駛意圖有個(gè)別點(diǎn)混在一起，不易區(qū)分。

圖2 判別式得分散點(diǎn)圖

根據(jù)訓(xùn)練樣本對(duì)800組駕駛行為數(shù)據(jù)進(jìn)行判別，可以得到SVM模型和Fisher模型識(shí)別結(jié)果的分類混淆矩陣，如表1 和表2 所示。

表1 SVM模型對(duì)訓(xùn)練集的分類混淆矩陣

表2 Fisher模型對(duì)訓(xùn)練集的分類混淆矩陣

由表1 和表2 可知，采用vM,t1,v1,v24個(gè)參數(shù)建立SVM模型和Fisher模型時(shí)，判別準(zhǔn)確率均非常高，分別為98.1%和98.3%。此外，SVM模型和Fisher模型對(duì)于第3種駕駛意圖的識(shí)別召回率達(dá)到100%，表明這兩種模型均能根據(jù)由vM,t1,v1,v24個(gè)參數(shù)構(gòu)成的駕駛行為數(shù)據(jù)，100%判別出并道至自車與前車之間的駕駛意圖。

利用上述建立的SVM模型和Fisher模型對(duì)測(cè)試集中的800組駕駛行為數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到對(duì)于3類駕駛意圖的分類混淆矩陣，如表3 和表4 所示。

表3 SVM模型對(duì)測(cè)試集的分類混淆矩陣

表4 Fisher模型對(duì)測(cè)試集的分類混淆矩陣

由表3 和表4 可知，SVM模型和Fisher模型對(duì)3種駕駛意圖的預(yù)測(cè)準(zhǔn)確率分別為94.1%和91.1%。相比Fisher模型，SVM模型對(duì)相鄰前車的第1類駕駛意圖和第2類駕駛意圖的召回率和精確率均更高，但是對(duì)于相鄰前車的第3類駕駛意圖的召回率和精確率則略低。

由于相鄰前車并道至自車與前車之間時(shí)改變了自車的跟車目標(biāo)，使自車的跟車間距突然減小，對(duì)自車的車速影響最大，因此，從對(duì)自車的車速控制角度看，F(xiàn)isher模型能更好地用于相鄰前車的駕駛意圖預(yù)測(cè)。

3 結(jié) 論

1)根據(jù)高速公路試驗(yàn)采集到的自車、自車所在車道以及相鄰車道車輛的運(yùn)動(dòng)狀態(tài)參數(shù)，獲得相鄰前車駕駛意圖的表征參數(shù)，包括自車車速vM、自車與前車的車頭時(shí)距t1、自車與前車的縱向相對(duì)速度v1以及自車與相鄰前車的縱向相對(duì)速度v2等4個(gè)參數(shù)。

2)根據(jù)上述4個(gè)表征參數(shù)，采用SVM算法和Fisher判別法對(duì)相鄰前車的駕駛意圖進(jìn)行建模，得到SVM模型和Fisher模型，其對(duì)駕駛意圖的預(yù)測(cè)準(zhǔn)確率分別為94.1%和91.1%，能夠提前2 s左右預(yù)測(cè)到相鄰前車的并道行為類型，但是Fisher模型在預(yù)測(cè)相鄰前車并道至自車與前車之間的準(zhǔn)確率更高。

3)由于相鄰前車并道至自車之后的并道情形很少出現(xiàn)，本文在建立相鄰前車駕駛意圖模型時(shí)，未考慮該類駕駛意圖，未來(lái)可以建立更為全面的相鄰前車駕駛意圖模型。