劉 通,徐 磊,張學(xué)連,彭金栓

(重慶交通大學(xué) 交通運(yùn)輸學(xué)院,重慶 400074)

0 引 言

駕駛?cè)耸侨?車-路(環(huán)境)系統(tǒng)中的重要角色,也是導(dǎo)致道路交通事故的主要致因,車輛智能化則是提高道路通行效率、減少道路交通事故的一種重要途徑。智能車輛自動(dòng)駕駛過(guò)程可理解為自由行駛、跟車、換道等典型駕駛行為模式的特定次序組合。駕駛行為模式是指駕駛?cè)艘罁?jù)所處道路環(huán)境及行駛工況,為使車輛達(dá)到預(yù)期運(yùn)動(dòng)狀態(tài)而采取的連續(xù)操縱變化[1]。常見駕駛行為模式包括縱向駕駛行為模式和橫向駕駛行為模式?；隈{駛行為分解模型[2],梳理行為辨識(shí)指標(biāo),縱向駕駛行為模式可分解為自由行駛及跟車,橫向駕駛行為模式可分解為向左換道和向右換道。

從模式識(shí)別的角度出發(fā),建立駕駛行為模式識(shí)別模型,能夠?yàn)樽詣?dòng)駕駛系統(tǒng)學(xué)習(xí)提供理論基礎(chǔ),使得自動(dòng)駕駛系統(tǒng)準(zhǔn)確識(shí)別車輛當(dāng)前駕駛行為模式。與跟車及自由行駛模式相比,換道對(duì)駕駛?cè)说呐袛鄾Q策和操控車輛的綜合能力要求更高,駕駛?cè)诵钑r(shí)刻關(guān)注當(dāng)前車道及目標(biāo)車道的交通環(huán)境信息,操作負(fù)荷和心理壓力相對(duì)較大,更易引發(fā)交通沖突。若能快速分析并判斷出車輛當(dāng)前所在駕駛行為模式,可為精準(zhǔn)識(shí)別不同類型駕駛行為模式提供參考,有助于提高智能車輛主動(dòng)安全系統(tǒng)性能。

智能駕駛技術(shù)的發(fā)展不僅依賴相關(guān)傳感器技術(shù)的進(jìn)步,還需要準(zhǔn)確理解識(shí)別駕駛?cè)说鸟{駛模式和行為特征,而后者對(duì)于自動(dòng)駕駛決策策略的制定至關(guān)重要。人工智能算法因其能自我學(xué)習(xí)和獲取知識(shí),通常可用于解決駕駛行為模式理解和識(shí)別的問(wèn)題,如基于信息融合理論、隱馬爾可夫等方法構(gòu)建識(shí)別模型[3-4]。學(xué)者們圍繞駕駛行為模式識(shí)別方法及表征指標(biāo)選取開展了相應(yīng)研究。蔡英鳳等[5]基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)構(gòu)建駕駛行為模式識(shí)別模型,可有效識(shí)別相鄰車輛的車道保持及換道行為;祝儷菱等[6]基于支持向量機(jī)構(gòu)建針對(duì)跟車及換道準(zhǔn)備/執(zhí)行的駕駛行為模式識(shí)別模型;郭艷君等[7]基于相對(duì)速度、相對(duì)距離及自車速度等特征參數(shù),建立了基于雙隱含層的遺傳算法-神經(jīng)網(wǎng)絡(luò)跟車識(shí)別模型;宋定波[8]基于方向盤轉(zhuǎn)角、左/右車道線距離、相對(duì)距離及相對(duì)速度,建立了基于決策樹和隨機(jī)森林的換道識(shí)別模型;N.MOTAMEDIDEHKORDI等[9]通過(guò)分析比較樸素貝葉斯、支持向量機(jī)、隨機(jī)森林等模型對(duì)NGSIM換道數(shù)據(jù)的識(shí)別效果,結(jié)果表明,決策樹、極限隨機(jī)樹及隨機(jī)森林可準(zhǔn)確識(shí)別換道行為;冀秉魁[10]對(duì)駕駛?cè)嗽诟?、換道、超車3種駕駛操作過(guò)程中視覺(jué)特性參數(shù)的變化規(guī)律進(jìn)行分析,選取典型參數(shù)指標(biāo)對(duì)駕駛行為模式進(jìn)行識(shí)別,并構(gòu)建基于駕駛?cè)艘曈X(jué)特性的隱馬爾可夫駕駛模式識(shí)別模型。然而,上述研究?jī)H通過(guò)車輛運(yùn)動(dòng)狀態(tài)數(shù)據(jù)或視覺(jué)特性數(shù)據(jù)提取相關(guān)表征指標(biāo),并對(duì)單一駕駛行為模式構(gòu)建識(shí)別模型,較少有結(jié)合駕駛行為及視覺(jué)特性數(shù)據(jù)表征指標(biāo)且考慮不同類型駕駛行為模式綜合識(shí)別的研究。

此外,考慮到城市道路及高速工況(快速路及高速公路)環(huán)境下的車輛運(yùn)行規(guī)律存在差異,如速度、相對(duì)距離及橫向運(yùn)動(dòng)學(xué)指標(biāo)等。城市道路由于可能存在車輛違規(guī)掉頭、強(qiáng)行加塞等,駕駛行為模式構(gòu)成相對(duì)復(fù)雜。因此,筆者重點(diǎn)研究高速工況下的典型駕駛行為模式特征,提出一種基于車輛運(yùn)行數(shù)據(jù)和視覺(jué)特性數(shù)據(jù)的多源耦合參數(shù),使用人工智能算法進(jìn)行駕駛模式提取與識(shí)別的研究框架;通過(guò)特征優(yōu)選降低模型訓(xùn)練難度,提高模型識(shí)別精度和有效性,進(jìn)而比較隨機(jī)森林決策樹、支持向量機(jī)算法的學(xué)習(xí)效果并優(yōu)化,以完成對(duì)高速工況下不同駕駛行為模式的綜合辨識(shí)。作為智能車輛預(yù)警重要環(huán)節(jié),通過(guò)分析人類駕駛過(guò)程獲取知識(shí)和經(jīng)驗(yàn),學(xué)習(xí)、訓(xùn)練形成駕駛模式識(shí)別方法,可為自動(dòng)駕駛路徑選擇及優(yōu)化提供判別依據(jù),有利于提高預(yù)警針對(duì)性,降低誤警率,為自動(dòng)駕駛汽車決策模塊的設(shè)計(jì)提供理論參考。

1 方 法

筆者主要分析直線行駛時(shí)高速工況下的車輛換道、跟車及自由行駛行為特性,研究左換道、右換道、跟車和自由行駛行為模式識(shí)別方法。為準(zhǔn)確辨識(shí)車輛行駛過(guò)程中的駕駛行為模式,采取實(shí)車試驗(yàn)采集所需樣本數(shù)據(jù),設(shè)計(jì)試驗(yàn)場(chǎng)景,搭建實(shí)車試驗(yàn)平臺(tái)。利用視頻采集等方法,使用MATLAB、SPSS、Excel等軟件對(duì)采集的樣本數(shù)據(jù)進(jìn)行統(tǒng)計(jì)和預(yù)處理,分析駕駛?cè)瞬煌{駛行為模式下的特征參數(shù)及其特性,并基于多源特征參數(shù)提出可綜合考慮不同駕駛行為模式的識(shí)別方法。

1.1 試驗(yàn)人員

試驗(yàn)共招募20名駕齡為5 a以上的駕駛?cè)?7名為女性),20名被試駕駛?cè)似骄挲g為34歲(標(biāo)準(zhǔn)差為5.8歲),平均駕齡為8 a(標(biāo)準(zhǔn)差為4.1 a)。被試無(wú)過(guò)往重大事故史,裸眼矯正視力1.0以上。試驗(yàn)時(shí),駕駛?cè)酥恍璋戳?xí)慣正常駕駛即可。

1.2 試驗(yàn)儀器

試驗(yàn)設(shè)備包括視頻監(jiān)控設(shè)備、VBOX傳感器、陀螺儀、眼動(dòng)儀、車道識(shí)別系統(tǒng)等。其中,6個(gè)攝像頭分別位于車輛前/后向位置、左/右側(cè)位置、駕駛?cè)嗣娌考疤ぐ鍏^(qū)域。VBOX傳感器可通過(guò)CAN總線獲得車輛速度、距離、航向角等數(shù)據(jù)。陀螺儀負(fù)責(zé)采集車輛橫/縱向加速度信息等。眼動(dòng)儀由被試駕駛?cè)巳膛宕?采集視覺(jué)特性相關(guān)參數(shù)。Mobileye系統(tǒng)可獲取車輛距離左右車道線邊緣的距離及速度等信息。踏板開度傳感器可得到加速與制動(dòng)踏板開度情況。行車記錄儀采集的視頻信息可為駕駛?cè)瞬倏v及車輛運(yùn)動(dòng)等數(shù)據(jù)篩選提供輔助驗(yàn)證。

1.3 試驗(yàn)路段

選取重慶周邊道路條件良好、交通流量適中、彎道較少且曲率較小的路段。試驗(yàn)路線由城際快速路和高速公路兩種道路類型構(gòu)成。其中,城際快速路全長(zhǎng)21 km(雙向四車道),限速70～90 km/h;高速公路G75(巴南-綦江段)全程37 km,限速100～110 km/h。

1.4 駕駛行為模式

基于實(shí)車運(yùn)行數(shù)據(jù),選取合適的駕駛行為表征指標(biāo),對(duì)高速工況下的駕駛行為模式進(jìn)行綜合辨識(shí),并將行為模式分解為左換道、右換道、跟車、自由行駛4種類型。

1.4.1 換 道

換道一般可分為強(qiáng)制換道和自由換道。筆者主要分析自由換道過(guò)程,并將自車首次出現(xiàn)明顯橫向位移的時(shí)刻確定為換道起始點(diǎn),將自車在目標(biāo)車道內(nèi)橫向位置趨于穩(wěn)定的時(shí)刻確定為換道截止點(diǎn)。為保證換道分析的可靠性,文中所有的換道事件均為人工挑選,并通過(guò)視頻驗(yàn)證。經(jīng)統(tǒng)計(jì),高速工況下右換道及左換道次數(shù)分別為201、211次,換道時(shí)長(zhǎng)范圍分別為2.7～22.2、2.8～29.8 s,換道總時(shí)長(zhǎng)為1 648、1 514 s。

1.4.2 跟 車

跟車直接影響道路通行能力及交通流狀態(tài),也與道路交通安全密切相關(guān)[11]。筆者將跟車行為定義為自車對(duì)本車道前車運(yùn)行狀態(tài)變化的規(guī)律性反應(yīng),并跟隨前車超過(guò)10 s的行駛過(guò)程[12]。經(jīng)統(tǒng)計(jì),試驗(yàn)共篩選出有效跟車數(shù)據(jù)397組,跟車總時(shí)長(zhǎng)63 128 s。

1.4.3 自由行駛

有學(xué)者提出同一車道內(nèi)自車與前車間隔大于120 m或時(shí)距大于6 s時(shí),自車即可按照期望速度行駛[11]。不過(guò)上述研究主要對(duì)城市道路環(huán)境下的自由行駛行為開展分析,并未考慮高速工況下的自由駕駛行為模式。筆者將其定義為同車道內(nèi)前后兩車距離大于200 m,且連續(xù)行駛時(shí)長(zhǎng)超過(guò)10 s的數(shù)據(jù)[12]。經(jīng)統(tǒng)計(jì),試驗(yàn)共篩選出自由行駛樣本409組,樣本總時(shí)長(zhǎng)為70 211 s。

2 駕駛行為模式特征參數(shù)

精準(zhǔn)快速識(shí)別當(dāng)前駕駛行為模式有助于車輛自主完成判斷決策和路徑選擇,以安全高效地完成駕駛?cè)蝿?wù)。文中駕駛行為模式特征參數(shù)主要包括車輛運(yùn)行參數(shù)、視覺(jué)特性參數(shù)等。為從初始參數(shù)中提取低維度輸入?yún)?shù),并作為識(shí)別模型表征指標(biāo),采用主成分分析法對(duì)駕駛行為特征參數(shù)組合進(jìn)行降維分析。

2.1 車輛運(yùn)行參數(shù)

通過(guò)實(shí)車試驗(yàn)共采集10項(xiàng)車輛運(yùn)行參數(shù)數(shù)據(jù),不同運(yùn)行參數(shù)表征駕駛行為模式的重要性不同。主成分分析法可利用變量間的相關(guān)性,通過(guò)選取少數(shù)變量的線性組合最大限度解釋原有變量。為準(zhǔn)確識(shí)別駕駛行為模式,基于主成分方法提取特征值較大的成分,忽略方差貢獻(xiàn)較小的成分得到原始參數(shù)的低維度線性變換輸出。根據(jù)KMO及Bata球形檢驗(yàn)結(jié)果(表1)可知,4類駕駛行為模式樣本均可做主成分分析(KMO>0.5,p<0.05)。依據(jù)特征值高于1的提取原則,分別提取出4類駕駛行為模式的主成分。

2.1.1 左換道

以左換道為例,按照上述提取原則提取出5個(gè)權(quán)重因子較大的左換道表征參數(shù),分別為左/右車道線距離、速度、方向盤轉(zhuǎn)角、轉(zhuǎn)向角速度(表2)。左換道表征參數(shù)載荷矩陣如表3。根據(jù)不同變量在5個(gè)主成分下的聚集結(jié)果,可知主成分CP1為車道線距離,CP2為橫向偏移信息,CP3為速度相關(guān)信息,CP4為縱向間距,CP5為轉(zhuǎn)向角。

表2 左換道主成分初始特征值Table 2 Principal component eigenvalues of left lane change

表3 左換道表征參數(shù)載荷Table 3 Characterization parameter load of left lane change

2.1.2 右換道

同理,提取出5個(gè)權(quán)重因子較大的右換道表征參數(shù),分別為左車道線距離、右車道線距離、速度、縱向間距、橫擺角速度。其中,主成分CP1為車道線距離,CP2為橫向偏移信息,CP3為速度相關(guān)信息,CP4為縱向間距,CP5為轉(zhuǎn)向角速度,如表4。

表4 右換道表征參數(shù)載荷Table 4 Characterization parameter load of right lane change

2.1.3 跟 車

類似地,提取出5個(gè)權(quán)重因子較大的跟車表征參數(shù),分別為左/右車道線距離、速度、方向盤轉(zhuǎn)角、轉(zhuǎn)向角速度。且主成分CP1為速度相關(guān)信息,CP2為車道線距離,CP3為橫向偏移信息,CP3為轉(zhuǎn)向角,CP5為相對(duì)速度,如表5。

表5 跟車表征參數(shù)載荷Table 5 Characterization parameter load of car following

2.1.4 自由行駛

同理,提取出4個(gè)權(quán)重因子較大的自由行駛表征參數(shù),分別為左/右車道線距離、速度及方向盤轉(zhuǎn)角。主成分CP1為轉(zhuǎn)向角,CP2為橫向偏移信息,CP3為車道線距離,CP4為相對(duì)速度,如表6。

基于不同駕駛行為模式所選特征參數(shù),進(jìn)一步分析不同模式單因素方差檢驗(yàn)結(jié)果可知,車道線距離、縱向間距、速度、橫向加速度及轉(zhuǎn)向角速度均具有顯著性差異(p<0.001),故將其作為駕駛行為模式識(shí)別模型車輛運(yùn)行特征參數(shù)。

表6 自由行駛表征參數(shù)載荷Table 6 Characterization parameter load of free driving

2.2 視覺(jué)特性參數(shù)

視覺(jué)特性分析有助于理解駕駛意圖及解釋行為特性,常見視覺(jué)特性表征參數(shù)有注視點(diǎn)位置、注視角度、眨眼頻率、掃視幅度等[13]。

2.2.1 注視點(diǎn)位置

車輛行駛過(guò)程中的注視點(diǎn)位置分布情況如圖1。由圖1可知,駕駛?cè)嗽趽Q道時(shí)的注視點(diǎn)總體偏離前方中心位置,左換道時(shí)重點(diǎn)分布于左側(cè)近距離區(qū)域,右換道時(shí)重點(diǎn)分布于右側(cè)近距離區(qū)域。車道保持時(shí)集中分布于前方中間位置,表現(xiàn)為駕駛?cè)嗽谧杂尚旭偤透嚂r(shí)重點(diǎn)關(guān)注車道內(nèi)的交通狀態(tài),對(duì)道路兩側(cè)區(qū)域的關(guān)注相對(duì)較少。

圖1 駕駛?cè)俗⒁朁c(diǎn)位置分布Fig. 1 Distribution of driver’s gaze point

由駕駛?cè)巳S注視點(diǎn)分布箱線圖(圖2)可知,X、Y軸上駕駛?cè)俗⒁朁c(diǎn)分布范圍較大,但數(shù)值相對(duì)Z軸較小,Z軸注視點(diǎn)分布位置較高(Z=0.8附近)。換道時(shí)駕駛?cè)嗽赬、Y軸注視區(qū)域大于車道保持注視范圍,與駕駛?cè)藢?shí)際執(zhí)行不同駕駛?cè)蝿?wù)時(shí)的眼動(dòng)規(guī)律基本一致。由單因素方差檢驗(yàn)結(jié)果可知,不同駕駛行為模式注視點(diǎn)位置分布具有顯著性差異(p<0.001)。

圖2 不同模式下的駕駛?cè)俗⒁朁c(diǎn)分布箱線圖Fig. 2 Boxplot of driver’s gaze distribution in different modes

2.2.2 注視角度

通過(guò)眼動(dòng)儀可獲取不同駕駛模式過(guò)程中的注視角度,包括水平視角θ(駕駛?cè)艘暰€偏離X軸的角度);垂直視角λ(視線偏離Y軸的角度),如圖3。P點(diǎn)為眼睛所處位置,Q為駕駛?cè)说淖⒁朁c(diǎn)。Z軸作為基準(zhǔn)線,若注視左側(cè)區(qū)域時(shí)θ為負(fù),右側(cè)則為正;同樣地,X軸作為基準(zhǔn)線,關(guān)注上方區(qū)域時(shí)λ為正,下方區(qū)域顯示為負(fù)。

圖3 注視角圖解Fig. 3 Schematic diagram of driver’s gaze angle

駕駛?cè)嗽诓煌Ｊ较碌乃揭暯欠植既鐖D4。由圖4可知:向左及向右換道的水平視角均值分別為0.09、-0.11 rad,駕駛?cè)酥攸c(diǎn)關(guān)注左、右側(cè)車道及左、右側(cè)外后視鏡;車道保持的水平視角變化相對(duì)較小,駕駛?cè)酥攸c(diǎn)關(guān)注道路前方,自由行駛及跟車的水平視角均值分別為-0.07、-0.01 rad,不同模式水平視角皆滿足正態(tài)分布規(guī)律特征。

類似地,不同模式下駕駛?cè)舜怪币暯欠植既鐖D5。由圖5可知,左換道、右換道駕駛?cè)舜怪币暯蔷捣謩e為0.03、0.01 rad;車道保持時(shí)的垂直視角相對(duì)集中,主要注視道路前方,自由行駛及跟車的駕駛?cè)舜怪币暯蔷捣謩e為0.08、-0.11 rad,自由行駛時(shí)重點(diǎn)關(guān)注前方較遠(yuǎn)區(qū)域,跟車時(shí)重點(diǎn)觀察前方近距離區(qū)域,如關(guān)注前車運(yùn)動(dòng)狀態(tài)變化等。由單因素方差檢驗(yàn)結(jié)果可知,不同模式的水平及垂直視角分布具有顯著性差異(p<0.001)。

圖4 不同模式下的水平視角分布Fig. 4 Horizontal viewing angle distribution in different modes

圖5 不同模式下的垂直視角分布Fig. 5 Vertical viewing angle distribution in different modes

2.2.3 掃視幅度

掃視幅度是眼睛從當(dāng)前注視點(diǎn)移至下個(gè)注視點(diǎn)所轉(zhuǎn)過(guò)的角度,如從第1個(gè)注視點(diǎn)轉(zhuǎn)移到第2個(gè)注視點(diǎn)的掃視幅度記為ρ,可通過(guò)水平及垂直視角計(jì)算得到。依據(jù)最小角定理,計(jì)算如式(1):

cosρ=cos|θ2-θ1|cos|λ2-λ1|

(1)

式中:λ1、θ1分別為第1個(gè)注視點(diǎn)的垂直及水平視角;λ2、θ2分別為第2個(gè)注視點(diǎn)的垂直及水平視角。

駕駛?cè)嗽诓煌{駛模式下的掃視幅度如圖6。由圖6可知,換道時(shí)的掃視范圍相對(duì)較大,左換道、右換道掃視幅度均值分別為44.1°、40.8°,自由行駛及跟車的掃視幅度均值分別為19.7°、21.8°。自由行駛及跟車掃視幅度低于30°的比例分別為78%及76%,左換道、右換道時(shí)掃視幅度低于30°的比例分別為36%及39%。此外,由單因素方差檢驗(yàn)結(jié)果可知,不同模式掃視幅度分布具有顯著性差異(p<0.001)。

圖6 不同模式下的掃視幅度分布Fig. 6 Saccade amplitude distribution in different modes

2.2.4 眨眼頻率

駕駛?cè)丝赏ㄟ^(guò)眨眼的方式來(lái)緩解駕駛過(guò)程中的視疲勞,眨眼是眼瞼完全睜開-閉合-睜開的快速開閉過(guò)程,眨眼過(guò)程大概有4%的時(shí)間眼睛獲取不到任何信息[14]。眨眼頻率可反映信息獲取能力,是指單位時(shí)間的眨眼頻次。該值越高,獲取周邊環(huán)境信息越少,進(jìn)而影響駕駛?cè)说臎Q策能力和判斷水平。

駕駛?cè)嗽诓煌{駛模式下的眨眼頻率分布如圖7。由圖7可知,駕駛?cè)烁嚰白杂尚旭倳r(shí)的眨眼頻率均值分別為0.69、0.68次/s;左換道、右換道時(shí)眨眼頻率均值分別為0.56、0.44次/s,滿足該模式需獲取更多環(huán)境信息的需求。此外,由單因素方差檢驗(yàn)結(jié)果可知,不同模式的眨眼頻率分布具有顯著性差異(p<0.001)。

圖7 不同模式下的駕駛?cè)苏Ｑ垲l率分布Fig. 7 Frequency distribution of driver blinking in different modes

3 多源參數(shù)駕駛行為模式識(shí)別

基于前述4類模式特征參數(shù),選用隨機(jī)森林決策樹(CART+RF)、支持向量機(jī)(SVM)建立模式識(shí)別模型,通過(guò)分析比較模型識(shí)別效果,進(jìn)一步優(yōu)化現(xiàn)有模型。

3.1 隨機(jī)森林決策樹識(shí)別模型

決策樹分類器是一種需要學(xué)習(xí)訓(xùn)練且不斷修正的分類模型,對(duì)每個(gè)選出的特征變量做一次分類,通過(guò)學(xué)習(xí)尋找非線性分割。然而,決策樹模型較為單一,易形成局部最優(yōu)及過(guò)度擬合,影響決策分類準(zhǔn)確性。隨機(jī)森林算法作為一種集成學(xué)習(xí)算法,結(jié)合自舉匯聚法和隨機(jī)子空間法構(gòu)建決策樹集合,可克服決策樹泛化能力弱的缺點(diǎn)。隨機(jī)森林可將多個(gè)個(gè)體學(xué)習(xí)器通過(guò)一定規(guī)則結(jié)合起來(lái)構(gòu)成強(qiáng)學(xué)習(xí)器,當(dāng)個(gè)體學(xué)習(xí)器為決策樹分類器時(shí),則集成后得到隨機(jī)森林決策樹分類器,個(gè)體學(xué)習(xí)器間無(wú)強(qiáng)依賴關(guān)系,可并行生成。

基于集成學(xué)習(xí)理論建立隨機(jī)森林決策樹模型,通過(guò)學(xué)習(xí)訓(xùn)練樣本集,輸出駕駛行為模式類別。將可用于識(shí)別4類駕駛行為模式的車輛運(yùn)行參數(shù)及視覺(jué)特性參數(shù)作為隨機(jī)森林決策樹模型的輸入,如式(2):

D={x1,x2,x3,…,x11,x12,x13}

(2)

式中:x1、x2分別為左、右車道線距離,cm;x3為車速,m/s;x4為相對(duì)距離,m;x5為橫擺角速度,(°)/s;x6為橫向加速度,m/s2;x7、x8、x9分別為眼睛注視點(diǎn)的X、Y、Z坐標(biāo),cm;x10為眨眼頻率,次/s;x11、x12分別為垂直及水平視角,rad;x13為掃視幅度,deg。

設(shè)置模型訓(xùn)練學(xué)習(xí)最大深度為10,最大標(biāo)準(zhǔn)誤差為0.5,當(dāng)訓(xùn)練精度小于0.001時(shí)中止學(xué)習(xí)?；谟?xùn)練好的模型,結(jié)合測(cè)試樣本集,繼續(xù)進(jìn)行模型驗(yàn)證,得到模型對(duì)駕駛行為模式的總體識(shí)別精度。

筆者采用3種參數(shù)組合方案分別開展模型識(shí)別:組Ⅰ為速度、橫向距離、縱向間距、橫向加速度及角速度等車輛運(yùn)行參數(shù);組Ⅱ?yàn)檐囕v運(yùn)行及視覺(jué)參數(shù),即速度、橫向距離、縱向間距、橫向加速度及橫擺角速度、水平/垂直視角、眨眼頻率及掃視范圍;組Ⅲ為組Ⅱ所用參數(shù)加上注視點(diǎn)位置,3種參數(shù)組合對(duì)不同模式的識(shí)別結(jié)果如圖8。由圖8可知,組Ⅲ總體識(shí)別精度最大(90.5%),對(duì)自由行駛及跟車的識(shí)別精度分別為95.8%、94.7%,左換道、右換道總體識(shí)別精度為79.7%、75.1%。組Ⅱ總體識(shí)別精度為86.7%,組Ⅰ總體識(shí)別精度最低(65.0%)。由此可知,結(jié)合使用車輛運(yùn)行及視覺(jué)參數(shù)可提高總體識(shí)別效果。

圖8 不同模式及參數(shù)組合模型識(shí)別結(jié)果Fig. 8 Recognition results of different modes and parameter combination models

CART+RF模型ROC受試者工作特征曲線評(píng)價(jià)結(jié)果如圖9。由圖9可知,曲線偏離對(duì)角線越遠(yuǎn),AUC值越大,識(shí)別精度越高。由此可知,右換道時(shí)AUC值為0.904,表明模型對(duì)右換道識(shí)別效果較好,其次是自由行駛(AUC值為0.779)和左換道(AUC值為0.757),跟車模式識(shí)別效果較差(AUC值為0.596)。

圖9 CART+RF模型ROC曲線評(píng)價(jià)結(jié)果Fig. 9 ROC curve evaluation results of CART+RF model

3.2 支持向量機(jī)識(shí)別模型

支持向量機(jī)作為一種機(jī)器學(xué)習(xí)算法,可有效解決模型訓(xùn)練時(shí)的泛化問(wèn)題,提升樣本訓(xùn)練的準(zhǔn)確性。類似地,基于徑向基函數(shù)(RBF)建立支持向量機(jī)模型,對(duì)4類駕駛行為模式進(jìn)行識(shí)別。模型輸入?yún)?shù)與CART+RF模型相同,為車道線距離、車速、相對(duì)距離、橫擺角速度、橫向加速度及視覺(jué)參數(shù)等13個(gè)特征指標(biāo),輸出駕駛行為模式類別。通過(guò)對(duì)樣本集進(jìn)行訓(xùn)練和測(cè)試,設(shè)置模型訓(xùn)練學(xué)習(xí)最大深度為10,最大標(biāo)準(zhǔn)誤差為0.5,當(dāng)訓(xùn)練精度小于0.001時(shí),中止學(xué)習(xí)?；趯W(xué)習(xí)好的模型,結(jié)合測(cè)試樣本集,繼續(xù)進(jìn)行模型驗(yàn)證,得到該模型對(duì)駕駛行為模式的總體識(shí)別精度。

根據(jù)3種參數(shù)組合方案進(jìn)行駕駛行為模式識(shí)別:組Ⅰ、組Ⅱ、組Ⅲ輸入?yún)?shù)同CART+RF模型一致,識(shí)別結(jié)果如圖10。由圖10可知,組Ⅲ識(shí)別精度最高(89.4%),自由行駛及跟車的識(shí)別精度分別為94.4%、95.7%,左換道、右換道識(shí)別精度分別為79.7%、75.1%。組Ⅱ整體識(shí)別精度為84.7%,組Ⅰ總體識(shí)別效果較差(62.6%)。由此可知,結(jié)合車輛運(yùn)行參數(shù)及視覺(jué)特性參數(shù)可提高駕駛行為模式識(shí)別精度。

圖10 不同模式及參數(shù)組合模型識(shí)別結(jié)果Fig. 10 Recognition results of different modes and parameter combination models

SVM模型ROC受試者工作特征曲線評(píng)價(jià)結(jié)果如圖11。由圖11可知,跟車模式AUC值為0.882,可見模型對(duì)跟車識(shí)別效果較佳;自由行駛AUC值為0.852;左換道、右換道識(shí)別效果一般,其AUC值分別為0.588及0.73。

圖11 SVM模型ROC曲線評(píng)價(jià)結(jié)果Fig. 11 ROC curve evaluation results of SVM model

3.3 駕駛行為模式識(shí)別模型評(píng)價(jià)

通過(guò)分析比較兩種模型對(duì)4類模式的識(shí)別結(jié)果可知,CART+RF模型識(shí)別精度相對(duì)較高,總體識(shí)別精度為90.5%,SVM模型總體識(shí)別精度為 89.4%,CART+RF模型對(duì)自由行駛及左換道的識(shí)別精度高于SVM,而SVM對(duì)跟車識(shí)別精度較高,達(dá)95.7%。

支持向量機(jī)是對(duì)梯度下降法模型的改進(jìn),可有效解決模型訓(xùn)練時(shí)的泛化問(wèn)題,提升樣本訓(xùn)練準(zhǔn)確性及識(shí)別模型可靠性。隨機(jī)森林模型則是以決策樹為隨機(jī)森林弱分類器建立識(shí)別模型,識(shí)別精度較高,在此數(shù)據(jù)集上表現(xiàn)良好,且可處理較高維度的數(shù)據(jù)集而無(wú)需做特征參數(shù)的選擇。但其局限性在于模型總體識(shí)別可靠性受個(gè)體分類器準(zhǔn)確性的影響,當(dāng)個(gè)體分類器識(shí)別精度低于平均水平時(shí),會(huì)降低模型總體識(shí)別精度。

隨機(jī)森林決策樹模型性能提升可從兩方面進(jìn)行改進(jìn):一是針對(duì)不同個(gè)體分類器,提升弱分類器本身性能;二是針對(duì)同類分類器,改變輸入特征參數(shù)或?qū)ふ易顑?yōu)訓(xùn)練集。基于此,圍繞個(gè)體分類器性能提升或模型參數(shù)尋優(yōu)進(jìn)一步對(duì)CART+RF模型優(yōu)化改進(jìn),以提高模型識(shí)別可靠性。

3.4 多層感知器神經(jīng)網(wǎng)絡(luò)隨機(jī)森林優(yōu)化模型

考慮到車輛運(yùn)行狀態(tài)會(huì)隨時(shí)間序列發(fā)生變化,且車輛運(yùn)行及視覺(jué)參數(shù)等均具有時(shí)序性,支持向量機(jī)及決策樹作為分類模型,未能充分體現(xiàn)原始數(shù)據(jù)的時(shí)序性特征,導(dǎo)致數(shù)據(jù)挖掘深度不夠,而深度學(xué)習(xí)模型可保留數(shù)據(jù)間的時(shí)間序列關(guān)系。為此,筆者基于多層感知器神經(jīng)網(wǎng)絡(luò)構(gòu)建隨機(jī)森林模型(MLP+RF),進(jìn)一步對(duì)CART+RF模型進(jìn)行優(yōu)化,以提高模型可靠性和識(shí)別精度。

多層感知器(MLP)是一種趨向結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò),由多個(gè)節(jié)點(diǎn)層組成,除輸入節(jié)點(diǎn)外,每個(gè)節(jié)點(diǎn)都是帶有非線性激活函數(shù)的神經(jīng)元,可克服感知器無(wú)法識(shí)別線性不可分?jǐn)?shù)據(jù)的缺點(diǎn)。其學(xué)習(xí)算法中隱含層節(jié)點(diǎn)數(shù)n1確定公式如式(3):

(3)

式中:n為輸入層節(jié)點(diǎn)數(shù);m為輸出層節(jié)點(diǎn)數(shù);a為隱含層數(shù),一般為1～10的常數(shù),文中取a=10。

選取多層感知器神經(jīng)網(wǎng)絡(luò)作為個(gè)體分類器,建立隨機(jī)森林模型優(yōu)化模型,使用前述3種參數(shù)組合及相同的輸入?yún)?shù)進(jìn)行模式識(shí)別,輸入層包含13個(gè)節(jié)點(diǎn),隱含層數(shù)為10,輸出駕駛行為模式類型。樣本集訓(xùn)練精度小于0.001時(shí)中止學(xué)習(xí)?；趯W(xué)習(xí)好的模型,結(jié)合測(cè)試樣本集進(jìn)行模型驗(yàn)證,得到該模型對(duì)駕駛行為模式的總體識(shí)別精度,識(shí)別結(jié)果如圖12。由圖12可知,組Ⅲ總體識(shí)別精度為91.9%,組Ⅱ總體識(shí)別精度為87.0%,組Ⅰ總體識(shí)別精度為65.6%。

MLP+RF模型ROC受試者工作特征曲線評(píng)價(jià)結(jié)果如圖13。由圖13可知,跟車模式AUC值為0.943,表明該模型對(duì)跟車識(shí)別效果最佳,自由行駛AUC值為0.94,左換道、右換道AUC值分別為0.934、0.933。根據(jù)識(shí)別結(jié)果可知,MLP+RF模型對(duì)不同行為模式識(shí)別效果均較好。

圖12 不同模式及參數(shù)組合模型識(shí)別結(jié)果Fig. 12 Recognition results of different modes and parameter combination models

通過(guò)比較不同模型受試者工作曲線結(jié)果可知,CART+RF模型換道識(shí)別精度比SVM模型高,而對(duì)自由行駛及跟車的識(shí)別效果一般。MLP+RF模型對(duì)應(yīng)不同駕駛行為模式的AUC值均大于0.93,模型對(duì)當(dāng)前駕駛行為模式識(shí)別效果良好。

圖13 MLP+RF模型ROC曲線評(píng)價(jià)結(jié)果Fig. 13 ROC curve evaluation results of the MLP+RF model

此外,考慮車輛運(yùn)行狀態(tài)隨時(shí)間發(fā)生變化,為呈現(xiàn)時(shí)序性識(shí)別效果,進(jìn)一步分析MLP+RF模型對(duì)不同類型駕駛行為模式的識(shí)別精度隨時(shí)間序列的變化情況,結(jié)果如圖14。由圖14可知,同一識(shí)別時(shí)段內(nèi),不同駕駛行為模式的識(shí)別時(shí)效性亦不同,表現(xiàn)為模型對(duì)同一時(shí)刻的跟車及自由行駛模式識(shí)別精度均高于左換道、向右換道模式識(shí)別精度。4類模式的識(shí)別精度均隨時(shí)間推移,呈現(xiàn)先增長(zhǎng)后趨于穩(wěn)定的變化態(tài)勢(shì)。因此,為準(zhǔn)確識(shí)別車輛當(dāng)前駕駛行為模式及了解不同模式識(shí)別精度隨時(shí)序變化特點(diǎn),采用多層感知器神經(jīng)網(wǎng)絡(luò)作為隨機(jī)森林模型的個(gè)體分類器進(jìn)行組合,并基于集成學(xué)習(xí)建立MLP+RF駕駛行為模式識(shí)別模型,可為自動(dòng)駕駛實(shí)時(shí)識(shí)別車輛動(dòng)態(tài)變化提供參考。

圖14 MLP+RF模型模式識(shí)別精度時(shí)間序列變化Fig. 14 Time series variation of MLP+RF model pattern recognition accuracy

4 結(jié) 論

基于實(shí)車試驗(yàn)數(shù)據(jù)分析了高速工況下4類駕駛行為特性,確定了可有效表征不同駕駛行為模式的車輛運(yùn)行及視覺(jué)參數(shù)耦合指標(biāo)集,分別使用支持向量機(jī)及隨機(jī)森林決策樹建立識(shí)別模型,并根據(jù)模型識(shí)別結(jié)果對(duì)識(shí)別效果較好的模型進(jìn)一步優(yōu)化,以提高識(shí)別模型可靠性。主要結(jié)論如下:

1)基于主成分分析法對(duì)多源參數(shù)進(jìn)行降維,選取權(quán)重較大的主成分作為特征參數(shù)。由方差檢驗(yàn)結(jié)果可知,左車道線距離、右車道線距離、速度、縱向間距、橫向加速度及橫擺角速度、眨眼頻率、注視角度、掃視幅度等參數(shù)在不同模式下具有顯著差異,可作為有效表征不同駕駛行為模式耦合指標(biāo)。

2)通過(guò)人工智能算法構(gòu)建高速工況下的駕駛行為模式識(shí)別模型,學(xué)習(xí)訓(xùn)練并測(cè)試模型識(shí)別效果。結(jié)果表明:SVM模型總體識(shí)別精度為89.4%;CART+RF模型總體識(shí)別精度為90.5%;MLP+RF模型總體識(shí)別精度為91.9%,且對(duì)不同模式的AUC值均大于0.93,該模型模式識(shí)別效果最好。

3)進(jìn)一步分析MLP+RF優(yōu)化模型對(duì)不同模式識(shí)別精度的時(shí)序性變化規(guī)律可知,不同模式識(shí)別精度呈現(xiàn)先增長(zhǎng)后趨于穩(wěn)定的時(shí)序變化特征,且同一時(shí)刻的跟車及自由行駛模式識(shí)別精度高于左換道、右換道模式,為實(shí)時(shí)快速識(shí)別車輛當(dāng)前駕駛行為模式提供參考。