危險(xiǎn)換道駕駛行為預(yù)測(cè)方法研究?

熊曉夏，陳 龍，梁 軍，蔡英鳳，江浩斌，陳月霞

危險(xiǎn)換道駕駛行為預(yù)測(cè)方法研究?

熊曉夏，陳 龍，梁 軍，蔡英鳳，江浩斌，陳月霞

(江蘇大學(xué)汽車與交通工程學(xué)院，鎮(zhèn)江 212013)

提出了兩種危險(xiǎn)換道駕駛行為預(yù)測(cè)算法，分別為基于貝葉斯因子閾值法的隱馬爾可夫模型預(yù)測(cè)算法和基于運(yùn)動(dòng)時(shí)間窗特征提取法的支持向量機(jī)預(yù)測(cè)算法，它們所需的車輛運(yùn)行特征變量均可在車聯(lián)網(wǎng)環(huán)境下獲得。通過基于Prescan-Simulink聯(lián)合仿真的駕駛員在環(huán)仿真，獲得危險(xiǎn)和正常兩種換道場(chǎng)景下的車輛運(yùn)動(dòng)數(shù)據(jù)，進(jìn)而對(duì)提出的兩種算法進(jìn)行驗(yàn)證和比較。結(jié)果表明，兩種預(yù)測(cè)算法對(duì)危險(xiǎn)換道駕駛行為的預(yù)測(cè)均有較高的準(zhǔn)確率，有助于對(duì)危險(xiǎn)換道的駕駛員給予及時(shí)警告或輔助糾正，從而減少危險(xiǎn)換道事故的發(fā)生。在樣本數(shù)據(jù)有限的條件下，SVM算法的預(yù)測(cè)效果更好。

換道預(yù)警；行為預(yù)測(cè)；隱馬爾可夫模型；支持向量機(jī)

Keywords:lane change warning；behavior prediction；HMM；SVM

前言

換道是駕駛過程中最常見同時(shí)也是危險(xiǎn)程度較高的駕駛行為。根據(jù)美國(guó)高速公路安全管理局(NHTSA)研究數(shù)據(jù)表明，由于換道過程引發(fā)的交通事故在所有統(tǒng)計(jì)的交通事故中占比高達(dá)27%[1]。在對(duì)本車和周圍車輛運(yùn)行狀態(tài)感知的基礎(chǔ)上，研究危險(xiǎn)換道駕駛行為的預(yù)測(cè)方法，有助于實(shí)現(xiàn)輔助駕駛系統(tǒng)準(zhǔn)確、及時(shí)地?fù)Q道預(yù)警或干預(yù)。

現(xiàn)有的大量換道預(yù)警研究均是以基于車速和相對(duì)距離的碰撞時(shí)間(time to collision，TTC)[2-3]或基于車輛制動(dòng)運(yùn)動(dòng)學(xué)分析的最小安全車距(minimum safe spacing，MSS)[4-5]作為預(yù)警參數(shù)，通過確定預(yù)警參數(shù)的閾值建立不同的預(yù)警策略。而實(shí)際上，危險(xiǎn)換道從換道開始到發(fā)生危險(xiǎn)沖突的整個(gè)過程很難用單一的預(yù)警參數(shù)進(jìn)行描述，需要采用更復(fù)雜的算法和模型進(jìn)行研究。為此，本文中選取了機(jī)器學(xué)習(xí)中生成模型和判別模型的典型代表隱馬爾可夫模型(hidden Markov model，HMM)和支持向量機(jī)(support vector machine，SVM)兩種模型算法，建立了基于兩種算法的危險(xiǎn)換道駕駛行為預(yù)測(cè)模型。目前，HMM和SVM已在駕駛員意圖/行為(如直行、轉(zhuǎn)向、變換車道等)識(shí)別方面取得了良好的預(yù)測(cè)效果并廣泛應(yīng)用于車輛輔助駕駛系統(tǒng)中[6-7]，但在換道駕駛行為危險(xiǎn)性預(yù)測(cè)方面研究較少[8-9]。文獻(xiàn)[8]中基于換道后果將換道行為劃分為危險(xiǎn)換道和正常換道，并通過觀測(cè)換道前1s車輛運(yùn)動(dòng)數(shù)據(jù)應(yīng)用HMM對(duì)換道后果進(jìn)行分類預(yù)測(cè)。文獻(xiàn)[9]中通過聚類分析將車輛換道對(duì)目標(biāo)車道后車的影響劃分為危險(xiǎn)、安全和舒適3個(gè)等級(jí)，并應(yīng)用SVM對(duì)換道影響進(jìn)行分類預(yù)測(cè)。然而以上研究均是對(duì)HMM和SVM進(jìn)行初步探索應(yīng)用，沒有對(duì)預(yù)測(cè)模型的具體構(gòu)建方法(如模型判定的選擇和學(xué)習(xí)數(shù)據(jù)的構(gòu)建等)進(jìn)行深入研究，獲得的預(yù)測(cè)效果十分有限，且均未對(duì)兩種方法進(jìn)行對(duì)比分析。

因此，本文中主要從如下幾方面展開研究:首先，對(duì)危險(xiǎn)換道駕駛行為預(yù)測(cè)問題進(jìn)行闡述分析；其次，具體分析機(jī)器學(xué)習(xí)中的生成模型算法HMM和判別模型算法SVM兩類模型算法，并針對(duì)危險(xiǎn)換道駕駛問題提出基于兩種算法的預(yù)測(cè)模型；最后通過基于Prescan-Simulink聯(lián)合仿真的駕駛員在環(huán)仿真平臺(tái)獲取換道場(chǎng)景數(shù)據(jù)對(duì)提出的算法進(jìn)行檢驗(yàn)和比較。

1 問題描述

本文中主要通過研究模型算法來(lái)預(yù)測(cè)駕駛員換道行為是否為危險(xiǎn)換道行為。定義的危險(xiǎn)換道行為包括兩種情況:(1)最終導(dǎo)致碰撞事故；(2)未導(dǎo)致碰撞事故但駕駛員采取了緊急避讓措施(如猛打轉(zhuǎn)向盤或緊急制動(dòng))(這是因?yàn)椴扇【o急避讓措施雖然避免了碰撞事故的發(fā)生，但該駕駛行為本身危險(xiǎn)性很高，極易引發(fā)人身安全事故，故應(yīng)歸為危險(xiǎn)換道行為的類別)。預(yù)測(cè)模型算法應(yīng)同時(shí)滿足快速性和準(zhǔn)確性兩方面的要求。

(1)快速性

快速性是指從車輛采取換道行為開始，能夠在盡可能短的時(shí)間區(qū)間內(nèi)對(duì)該換道駕駛行為做出危險(xiǎn)性預(yù)測(cè)。為了在發(fā)生危險(xiǎn)沖突前實(shí)現(xiàn)危險(xiǎn)換道駕駛行為預(yù)警(換道預(yù)警系統(tǒng)的及時(shí)性需求)，選擇從車輛開始發(fā)生持續(xù)換道橫向位移時(shí)刻t0(定義為換道過程的起點(diǎn)[10])至車輛越過相鄰車道線(車身越線)時(shí)刻tw作為模型的預(yù)測(cè)區(qū)間，如圖1所示。

圖1 預(yù)測(cè)區(qū)間運(yùn)動(dòng)時(shí)間窗

(2)準(zhǔn)確性

準(zhǔn)確性是指在一定的時(shí)間區(qū)間內(nèi)做出的危險(xiǎn)性預(yù)測(cè)的正確性能盡量滿足駕駛員安全駕駛的要求。本文中擬采用信號(hào)檢測(cè)理論(signal detection theory，SDT)框架[11]對(duì)預(yù)測(cè)模型的準(zhǔn)確性進(jìn)行評(píng)價(jià)，其中預(yù)測(cè)結(jié)果可按實(shí)際結(jié)果分為4類，如表1所示。對(duì)于危險(xiǎn)換道駕駛預(yù)測(cè)問題，通常需考慮駕駛員對(duì)預(yù)測(cè)結(jié)果為FP(實(shí)際為正常換道但被預(yù)測(cè)為危險(xiǎn)換道)的容忍限度，在實(shí)際應(yīng)用中通常選為5%。因此，在模型訓(xùn)練階段，需保證在預(yù)測(cè)結(jié)果FP比率低于5%的情況下，通過調(diào)整模型參數(shù)盡量使預(yù)測(cè)結(jié)果TP(正確地被預(yù)測(cè)為危險(xiǎn)換道)比率達(dá)到最大值。

表1 預(yù)測(cè)結(jié)果劃分

2 預(yù)測(cè)模型

本文中危險(xiǎn)換道駕駛行為預(yù)測(cè)是基于預(yù)測(cè)區(qū)間[t0，tw]內(nèi)車輛的實(shí)時(shí)運(yùn)行數(shù)據(jù)(時(shí)間序列數(shù)據(jù))完成的。在運(yùn)用HMM和SVM模型算法進(jìn)行預(yù)測(cè)之前，首先需要獲取預(yù)測(cè)區(qū)間內(nèi)的觀測(cè)樣本(即訓(xùn)練集)對(duì)預(yù)測(cè)模型進(jìn)行訓(xùn)練，且為實(shí)現(xiàn)預(yù)測(cè)模型對(duì)正常換道駕駛行為和危險(xiǎn)換道駕駛行為的劃分，訓(xùn)練集中的觀測(cè)樣本亦被劃分為危險(xiǎn)駕駛樣本集和正常駕駛樣本集兩類。具體的觀測(cè)樣本獲取方法將在第3節(jié)詳細(xì)闡述。

2.1 基于HMM算法的危險(xiǎn)換道駕駛行為預(yù)測(cè)模型

HMM作為機(jī)器學(xué)習(xí)中生成模型的代表之一，其思想為首先建立樣本的概率密度模型，然后再利用模型進(jìn)行推理預(yù)測(cè)。HMM對(duì)觀測(cè)事件的概率建?；谌缦录僭O(shè)[12]:可觀測(cè)的事件由一系列有限的不可觀測(cè)的隱含狀態(tài)決定(輸出)并符合一般隨機(jī)過程，而隱含狀態(tài)之間的相互轉(zhuǎn)換過程符合馬爾可夫隨機(jī)過程，即雙重隨機(jī)過程假設(shè)?？紤]到車輛運(yùn)行數(shù)據(jù)為連續(xù)型，而高斯混合模型GMM可以無(wú)限逼近任意連續(xù)型變量的分布，故采用GMM建立狀態(tài)輸出事件的隨機(jī)分布函數(shù)?；贕MM描述輸出的HMM 模型可表述為 λ ＝{Π，A，c，μ，U}， 其中關(guān)鍵概念和參數(shù)含義如下[12]。

(1)隱含狀態(tài)序列:即與一個(gè)觀測(cè)樣本觀測(cè)值序列相對(duì)應(yīng)的不可觀測(cè)的隱含狀態(tài)序列Q＝q1，q2，…，qT，其中每一個(gè)隱含狀態(tài)qt來(lái)自于包含N個(gè)狀態(tài)的有限集合S，S＝{s1，s2，…，sN}。

(2)觀測(cè)樣本觀測(cè)值序列:即在預(yù)測(cè)區(qū)間[t0，tw]內(nèi)可直接觀測(cè)得到的一個(gè)觀測(cè)樣本的觀測(cè)值序列O ＝ o1，o2， …，oT， 其中每一個(gè)觀測(cè)值ot∈Rd是t時(shí)刻觀測(cè)得到的d維車輛運(yùn)行特征向量(如車輛的運(yùn)行速度和位置變量等)。

(3)狀態(tài)轉(zhuǎn)移概率:aij，i，j＝ {1，2，…，N}，代表了系統(tǒng)由狀態(tài)Si轉(zhuǎn)移至Sj的概率，不同狀態(tài)間的轉(zhuǎn)移概率即構(gòu)成狀態(tài)轉(zhuǎn)移矩陣A。

(4)狀態(tài)輸出事件的隨機(jī)分布函數(shù):

式中:N(μjm，Ujm)為狀態(tài)j下輸出值的多維高斯密度函數(shù)，其中μjm為均值向量，Ujm為協(xié)方差矩陣；M為高斯混合數(shù)目；cjm為高斯混合系數(shù)(或權(quán)重)以確保(5)初始狀態(tài)分布:ΠT＝ [π1，π2，…，πN]，其中πi代表初始隱含狀態(tài)為Si的概率。

本文中采用EM(expectation-maximization)算法(在HMM模型學(xué)習(xí)中亦被稱為Baum-Welch算法)對(duì)HMM模型λ進(jìn)行學(xué)習(xí)從而獲得λ參數(shù)的最大似然估計(jì)，具體算法形式可參見文獻(xiàn)[12]。由于EM算法只能保證獲得局部最優(yōu)解，因此參數(shù)的初始值選擇尤為重要。以往研究表明，Π和A的初始值選取對(duì)HMM模型訓(xùn)練最后的收斂結(jié)果影響較小，因此可在滿足馬爾可夫鏈的條件下采用隨機(jī)或均勻取值對(duì)其初始化；而c，μ和U的初始值選取對(duì)最后結(jié)果影響較大，需要采用更為復(fù)雜的初始化方法[6]。故本文中采用K-means聚類算法按照狀態(tài)數(shù)N和高斯混合數(shù)M將觀測(cè)樣本序列自動(dòng)聚為N×M類并得到c，μ和U的初始值。若記狀態(tài)n內(nèi)的第m個(gè)高斯元所代表的類為lnm，則可根據(jù)觀測(cè)樣本{oi}，i＝1，2，…，nsample(共nsample個(gè)觀測(cè)向量數(shù))計(jì)算c，μ和U的初始值:

式中:x為觀測(cè)向量；l為某一聚類類別。

在分別學(xué)習(xí)并獲得正常駕駛HMM模型λ0和危險(xiǎn)駕駛HMM模型λ1基礎(chǔ)上，給定任意一組新的觀測(cè)值序列z，則可通過forward算法[12]分別計(jì)算正常駕駛下和危險(xiǎn)駕駛下觀測(cè)值的似然值P(z｜λ0)和P(z｜λ1)。為了提高模型的預(yù)測(cè)精度，采用貝葉斯模型選擇方法計(jì)算比較兩個(gè)模型的貝葉斯因子[13]，并對(duì)其進(jìn)行閾值分析獲得最后的駕駛行為分類。根據(jù)貝葉斯定理，已知觀測(cè)值的模型后驗(yàn)概率P(λi｜z)滿足:

則兩個(gè)模型的貝葉斯因子BF滿足:

由于對(duì)該駕駛員是否會(huì)危險(xiǎn)駕駛不具備先驗(yàn)知識(shí)，故先驗(yàn)概率 P(λ1)＝P(λ0)＝ 0.5，故式(6)可化簡(jiǎn)為

因此，可為貝葉斯因子BF設(shè)置閾值eτH(考慮通常使用log-likelihood計(jì)算BF值，故在閾值中加入指數(shù)項(xiàng)e方便計(jì)算)，當(dāng)BF ＞eτH時(shí)，判定該觀測(cè)值為危險(xiǎn)駕駛行為。閾值eτH的選擇可以反映HMM預(yù)測(cè)模型的保守性，即eτH越大，判別結(jié)果為危險(xiǎn)駕駛的可能性越低，該預(yù)測(cè)模型表現(xiàn)則越保守(FP的可能性降低)。

綜上，基于HMM的預(yù)測(cè)流程如圖2所示，其中虛線所示部分為模型訓(xùn)練階段，實(shí)線所示部分為模型預(yù)測(cè)階段。

圖2 基于HMM的駕駛員換道行為系統(tǒng)預(yù)測(cè)流程圖

2.2 基于SVM算法的危險(xiǎn)換道駕駛行為預(yù)測(cè)模型

SVM為機(jī)器學(xué)習(xí)中判別模型的代表之一，其不考慮樣本的產(chǎn)生模型，而是直接建立判別函數(shù)作為預(yù)測(cè)模型。不同于HMM本身即為時(shí)間序列數(shù)據(jù)模型，SVM對(duì)輸入值為時(shí)間序列的數(shù)據(jù)進(jìn)行分類時(shí)首先需要對(duì)原始數(shù)據(jù)進(jìn)行數(shù)據(jù)降維。假設(shè)xi∈Rd為預(yù)測(cè)區(qū)間[t0，tw]內(nèi)通過數(shù)據(jù)降維(特征提取)得到的一組d維車輛運(yùn)行特征向量，若給定N組帶標(biāo)記的訓(xùn)練數(shù)據(jù){xi，yi}，i＝ 1，2，…，N，則可通過學(xué)習(xí)訓(xùn)練直接建立如下判別函數(shù)D(z)[14]來(lái)判定新的觀測(cè)向量z所屬的類別:

式中:與每組特征向量xi相對(duì)應(yīng)的危險(xiǎn)駕駛行為判別值由yi∈{+1，-1}表示，其中 +1代表危險(xiǎn)駕駛類別，-1代表正常駕駛類別；K(xi，xj)指核函數(shù)，即將原始向量xi和xj投影至特征空間后作內(nèi)積；B為偏差因子項(xiàng)；α為系數(shù)向量。α的取值需滿足約束要求并同時(shí)使如下表達(dá)式W(α)達(dá)到最大值[14]，即

由此可得，基于SVM的預(yù)測(cè)模型精度主要受核函數(shù)K(xi，xj)的選擇和特征向量x的提取兩方面影響。因此，在實(shí)際模型訓(xùn)練階段需選取不同的核函數(shù)和特征變量組合進(jìn)行試驗(yàn)，并選定具有最優(yōu)預(yù)測(cè)效果的核函數(shù)和特征變量組合進(jìn)行危險(xiǎn)換道駕駛行為預(yù)測(cè)。

為有效反映原始數(shù)據(jù)中的時(shí)間依賴性信息進(jìn)而提高模型的預(yù)測(cè)精度，本文中建立了基于運(yùn)動(dòng)時(shí)間窗的換道駕駛行為特征提取方法，如圖1所示。首先將預(yù)測(cè)區(qū)間[t0，tw]按時(shí)間窗長(zhǎng)度Step和運(yùn)動(dòng)間隔Interv劃分為不同的運(yùn)動(dòng)時(shí)間窗 SW1，SW2，…，SWk，…，SWK，然后對(duì)每個(gè)運(yùn)動(dòng)時(shí)間窗內(nèi)的時(shí)間序列數(shù)據(jù)進(jìn)行特征提取(如提取SWk內(nèi)車輛運(yùn)行速度的均值和方差等作為該運(yùn)動(dòng)時(shí)間窗的特征向量xk)得到K個(gè)d維車輛運(yùn)行特征向量 x{1，x2，…，xk，…，xK}，最后采用權(quán)重系數(shù)法獲取整個(gè)預(yù)測(cè)區(qū)間的車輛運(yùn)行特征向量其中wk為運(yùn)動(dòng)時(shí)間窗 SWk的權(quán)重。

考慮到靠近預(yù)測(cè)節(jié)點(diǎn)tw的時(shí)間窗與之前的時(shí)間窗相比應(yīng)賦予更大的權(quán)重(最新的運(yùn)動(dòng)狀態(tài)數(shù)據(jù)較之前數(shù)據(jù)更接近危險(xiǎn)發(fā)生狀態(tài)故更能反映駕駛行為的危險(xiǎn)性)，故采用基于時(shí)間距離的指數(shù)型折減系數(shù)函數(shù)dk來(lái)計(jì)算各個(gè)時(shí)間窗的權(quán)重wk:

式中 C∈[0，1)為折減系數(shù)常數(shù)，且 d1＝(1-C)K-1≤1，dK＝1，故dk的含義為距離時(shí)間窗 SWK越遠(yuǎn)(k→1)，則該時(shí)間窗內(nèi)特征值被折減的值越大，其在所有時(shí)間窗內(nèi)所占權(quán)重wk越小。注意，當(dāng)C＝0時(shí)等同于每個(gè)時(shí)間窗的權(quán)重相等(即特征值均無(wú)折減的情況)。

綜上，基于SVM的預(yù)測(cè)流程如圖3所示。

圖3 基于SVM的駕駛員換道行為系統(tǒng)預(yù)測(cè)流程圖

3 仿真檢驗(yàn)

3.1 數(shù)據(jù)來(lái)源

由于交通事故為小概率事件，故在實(shí)際工程中較難獲取滿足研究需要的大量真實(shí)事故數(shù)據(jù)，特別是針對(duì)某一類事故場(chǎng)景的數(shù)據(jù)(如本文中換道駕駛場(chǎng)景事故數(shù)據(jù))。因此，許多學(xué)者通過仿真不同的危險(xiǎn)場(chǎng)景進(jìn)行交通事故相關(guān)研究[15-18]，仿真中危險(xiǎn)場(chǎng)景的形成可以是由于人的因素(如超速駕駛和分心駕駛[15])、環(huán)境的因素(如交通流量的變化和道路幾何線形的變化[16])或是突發(fā)事件(如突然闖入道路的行人[17]或突然駛?cè)虢徊媛房诘能囕v[18])等。相似地，本文中通過設(shè)計(jì)危險(xiǎn)換道和正常換道仿真場(chǎng)景，利用基于Prescan-Simulink聯(lián)合仿真和羅技駕駛模擬器的駕駛員在環(huán)半實(shí)物仿真平臺(tái)，獲取了危險(xiǎn)場(chǎng)景和正常場(chǎng)景的車輛運(yùn)動(dòng)數(shù)據(jù)對(duì)前文提出的算法進(jìn)行校驗(yàn)。仿真過程中，Prescan軟件平臺(tái)主要負(fù)責(zé)構(gòu)建仿真基本場(chǎng)景(如道路設(shè)施、交通設(shè)施和天氣情況等)，Simulink主要提供仿真交通控制模塊(如周圍車輛的運(yùn)行狀態(tài))，而駕駛員則需通過駕駛模擬器控制本車(研究車輛)在Prescan-Simulink聯(lián)合構(gòu)建的仿真交通場(chǎng)景中完成換道駕駛?cè)蝿?wù)。

本文中設(shè)計(jì)的危險(xiǎn)和正常換道場(chǎng)景發(fā)生在典型的超車場(chǎng)景，即在天氣狀況良好的雙車道高速公路直線段上，研究車輛在外車道由后方逐漸駛近前車車輛1，并試圖換道至內(nèi)車道進(jìn)行超車(此時(shí)超車道上有車輛2正在前方行駛)，如圖4所示。若此時(shí)超車道上前車車輛2突然減速(可能由于某種突發(fā)事件，如路面突然出現(xiàn)障礙物等)，則出現(xiàn)危險(xiǎn)換道場(chǎng)景；若超車道上前車車輛2繼續(xù)保持之前正常運(yùn)行狀態(tài)，則為正常換道場(chǎng)景。因此，本文中仿真試驗(yàn)主要研究在換道過程中本車(研究車輛)與超車道上前方車輛2之間的危險(xiǎn)沖突。

圖4 仿真場(chǎng)景示意圖

仿真試驗(yàn)共選取20名1年以上駕齡的駕駛員(10名男性和10名女性，年齡22～25歲)，其中每名駕駛員被要求完成20次不同場(chǎng)景的換道試驗(yàn)。在仿真過程中，駕駛員的反應(yīng)行為不受任何限制，即駕駛員可在任一時(shí)刻根據(jù)對(duì)不同場(chǎng)景的主觀判斷作出不同反應(yīng)，如制動(dòng)或避讓行為。為了使仿真過程中駕駛員的行為反應(yīng)更接近于真實(shí)狀態(tài)(避免由于多次相同試驗(yàn)而形成機(jī)械式駕駛行為)，仿真試驗(yàn)按研究車輛與車輛1初始相對(duì)碰撞時(shí)間T的不同劃分為不同場(chǎng)景(如表2所示)并隨機(jī)安排給駕駛員，同時(shí)隨機(jī)分配危險(xiǎn)換道場(chǎng)景(車輛2突然減速)和正常換道場(chǎng)景(車輛2正常行駛)(兩種場(chǎng)景各占50%)。其中初始相對(duì)碰撞時(shí)間T的定義為:研究車輛在指定點(diǎn)達(dá)到指令規(guī)定的初始速度后(相應(yīng)地將此指定點(diǎn)定義為仿真場(chǎng)景中研究車輛的初始位置，與其對(duì)應(yīng)的時(shí)間節(jié)點(diǎn)定義為仿真場(chǎng)景的初始時(shí)刻)，若繼續(xù)保持勻速向前行駛(不采取任何加減速行為)，則其與前車車輛1發(fā)生碰撞所需的行駛時(shí)間為初始相對(duì)碰撞時(shí)間T。表2所示不同仿真試驗(yàn)的關(guān)鍵參數(shù)T，D01和 D21應(yīng)滿足:

式中:V0，V1和V2分別為仿真試驗(yàn)中研究車輛的初始速度，車輛1的運(yùn)行速度和車輛2的運(yùn)行速度；D01為研究車輛至車輛1的初始距離，取值大小由試驗(yàn)隨機(jī)指定(為實(shí)現(xiàn)不同仿真場(chǎng)景)；t為由初始時(shí)刻至駕駛員準(zhǔn)備換道的時(shí)長(zhǎng)；C21為駕駛員準(zhǔn)備換道時(shí)車輛2相對(duì)于車輛1的縱向距離(同時(shí)假設(shè)危險(xiǎn)換道場(chǎng)景中車輛2在該位置突然開始減速)；C01為此時(shí)研究車輛相對(duì)于車輛1的縱向距離(假設(shè)研究車輛在換道前按初始速度勻速行駛)；D21為車輛2至車輛1的初始距離。由于C21的值將直接影響危險(xiǎn)場(chǎng)景能否有效實(shí)現(xiàn)，而C01的值隨不同駕駛員行為習(xí)慣的不同(如換道時(shí)機(jī)選擇的不同)將有所變化，因此，本文中進(jìn)行了不同仿真場(chǎng)景的預(yù)試驗(yàn)來(lái)確定該兩個(gè)場(chǎng)景參數(shù)的設(shè)計(jì)值(以盡可能自然地實(shí)現(xiàn)危險(xiǎn)換道和正常換道場(chǎng)景)，從而獲得參數(shù)D21的設(shè)計(jì)值，如表2所示。

表2 仿真試驗(yàn)關(guān)鍵參數(shù)

以上設(shè)計(jì)的車輛1和2的運(yùn)行軌跡和運(yùn)行速度等參數(shù)均可在Prescan-Simulink聯(lián)合仿真平臺(tái)中設(shè)定，從而為駕駛仿真試驗(yàn)提供不同的仿真場(chǎng)景。

仿真試驗(yàn)過程采集了駕駛員駕駛車輛(研究車輛)和超車道前方車輛2的運(yùn)行特征時(shí)間序列數(shù)據(jù)(采樣頻率為10Hz或0.1s)，具體變量包括車輛質(zhì)心位置、橫擺角速度、航向角、縱/橫向速度、縱/橫向加速度。仿真試驗(yàn)最終獲得符合要求的危險(xiǎn)場(chǎng)景樣本數(shù)據(jù)198組，正常場(chǎng)景樣本數(shù)據(jù)200組，其中75%的數(shù)據(jù)作為模型訓(xùn)練樣本，剩余25%的數(shù)據(jù)作為模型測(cè)試樣本。利用 Matlab工具箱[19-20]分別對(duì)基于HMM和SVM的預(yù)測(cè)模型進(jìn)行訓(xùn)練。

3.2 基于HMM的預(yù)測(cè)模型結(jié)果

通過選取不同的特征變量組合進(jìn)行試驗(yàn)，最終選取運(yùn)行特征向量o＝{兩車橫向、縱向速度差，兩車橫向、縱向加速度差，兩車運(yùn)行方向夾角，兩車質(zhì)心距離}進(jìn)行模型訓(xùn)練和預(yù)測(cè)，其中各變量數(shù)據(jù)均經(jīng)過歸一化處理以消除不同數(shù)據(jù)的量綱影響。由2.1節(jié)可得，HMM預(yù)測(cè)模型關(guān)鍵參數(shù)包括:(1)狀態(tài)數(shù)N(正常N0，危險(xiǎn)N1)；(2)高斯混合數(shù)M(正常M0，危險(xiǎn)M1)；(3)閾值常數(shù)τH?？紤]到過高的N和M值將增大模型的復(fù)雜程度且容易造成過擬合問題，因此模型僅考慮N和M在2～15范圍內(nèi)取值。采用十折交叉驗(yàn)證法對(duì)模型進(jìn)行訓(xùn)練(基于訓(xùn)練樣本)，在保證預(yù)測(cè)結(jié)果FP值低于5%的情況下，利用網(wǎng)格搜索法獲得使TP比率值(%)最大的前10個(gè)參數(shù)取值，組合如表3所示。

表3 HMM預(yù)測(cè)模型5%FP下最優(yōu)TP值參數(shù)組合

由表3可見，總體上危險(xiǎn)換道駕駛的隱含狀態(tài)數(shù)N和高斯混合數(shù)M均比正常換道駕駛多，說(shuō)明相對(duì)于正常換道駕駛而言，危險(xiǎn)換道駕駛車輛運(yùn)行數(shù)據(jù)間差異性更大(更多狀態(tài)劃分)且分布特性更復(fù)雜(每個(gè)狀態(tài)下更多高斯混合)。該結(jié)果較符合人們的一般期望，即危險(xiǎn)換道行為的生成機(jī)理比正常換道行為具有更多的不確定性和復(fù)雜性。另外，試驗(yàn)顯示τH＝0時(shí)(即選取貝葉斯因子BF＞1作為模型λ判別依據(jù))預(yù)測(cè)TP值僅為78.3%，表明提出的貝葉斯因子閾值法有利于提高HMM的預(yù)測(cè)精度。

最后，選取表3中最優(yōu)參數(shù)組合1對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果的TP和FP值分別為81.5%和4.5%，基本滿足危險(xiǎn)換道預(yù)警的要求。

3.3 基于SVM的預(yù)測(cè)模型結(jié)果

通過選取不同的核函數(shù)和特征變量組合進(jìn)行試驗(yàn)，最終選定徑向核函數(shù)為預(yù)測(cè)危險(xiǎn)換道駕駛問題的最優(yōu)核函數(shù)，選取時(shí)間窗特征向量xk＝{兩車橫向、縱向速度差平均值，兩車橫向、縱向速度差方差，兩車質(zhì)心距離平均值，兩車質(zhì)心距離方差}進(jìn)行模型訓(xùn)練和預(yù)測(cè)。由2.2節(jié)可得，SVM預(yù)測(cè)模型關(guān)鍵參數(shù)包括:(1)運(yùn)動(dòng)時(shí)間窗長(zhǎng)度Step(S)；(2)運(yùn)動(dòng)時(shí)間窗間隔Interv(I)；(3)權(quán)重折減系數(shù)常數(shù)C。采用十折交叉驗(yàn)證法對(duì)模型進(jìn)行訓(xùn)練(基于訓(xùn)練樣本)，在保證預(yù)測(cè)結(jié)果FP值低于5%的情況下，利用網(wǎng)格搜索法獲得使TP比率值(%)最大的前10個(gè)參數(shù)取值組合，如表4所示。

表4 SVM預(yù)測(cè)模型5%FP下最優(yōu)TP值參數(shù)組合

由表4可見，當(dāng)運(yùn)動(dòng)時(shí)間窗時(shí)長(zhǎng)和運(yùn)動(dòng)間隔時(shí)間同時(shí)增大時(shí)，為了達(dá)到較好的預(yù)測(cè)效果(較高的TP值)，權(quán)重折減系數(shù)總體上趨向于0。該結(jié)果表明，當(dāng)每個(gè)窗體的長(zhǎng)度增加且窗體間不重合的區(qū)間增大時(shí)，即預(yù)測(cè)區(qū)間內(nèi)劃分的窗體個(gè)數(shù)K減少時(shí)，縮小窗體之間對(duì)預(yù)測(cè)貢獻(xiàn)比例的差別(由2.2節(jié)可知C＝0代表每個(gè)時(shí)間窗的權(quán)重相等)將有利于獲得較高的預(yù)測(cè)準(zhǔn)確率。同時(shí)，本文中亦對(duì)未劃分時(shí)間窗的情況(即Step＝[t0，tw])進(jìn)行了對(duì)比試驗(yàn)，結(jié)果顯示其預(yù)測(cè)TP值僅為86.3%，表明提出的基于運(yùn)動(dòng)時(shí)間窗的特征提取方法有利于提高SVM的預(yù)測(cè)精度。

最后，選取表4中最優(yōu)參數(shù)組合1對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果的TP和FP值分別為88.7%和4.0%，基本滿足危險(xiǎn)換道預(yù)警的要求。

3.4 預(yù)測(cè)模型預(yù)測(cè)性能比較分析

以上結(jié)果表明，根據(jù)目前有限的仿真試驗(yàn)樣本數(shù)據(jù)，本文中建立的HMM和SVM模型的泛化能力均較強(qiáng)，且在5%FP條件下均已達(dá)到了80%以上的TP準(zhǔn)確率，可以基本滿足危險(xiǎn)換道預(yù)警的要求。由于仿真試驗(yàn)獲得的數(shù)據(jù)難以完全真實(shí)地反映駕駛員的實(shí)際操作行為特征進(jìn)而可能影響模型分類預(yù)測(cè)的效果[9]，因此從工程應(yīng)用方面考慮，未來(lái)仍需獲取更多真實(shí)的危險(xiǎn)場(chǎng)景換道駕駛數(shù)據(jù)(如自然駕駛數(shù)據(jù))對(duì)HMM和SVM模型進(jìn)行訓(xùn)練并進(jìn)一步提高模型的預(yù)測(cè)準(zhǔn)確率。

另外，兩個(gè)模型相比較而言，在目前仿真試驗(yàn)樣本條件下HMM的預(yù)測(cè)效果不如SVM。其中的原因可能是HMM需要基于兩類樣本數(shù)據(jù)利用最大似然法分別擬合兩個(gè)生成模型，而最大似然估計(jì)對(duì)樣本數(shù)據(jù)中可能包含的少量離群數(shù)據(jù)魯棒性不強(qiáng)[13]；相反，SVM只需尋找兩類樣本數(shù)據(jù)的分類邊界或分類超平面，故對(duì)樣本數(shù)據(jù)的要求較HMM要低，更適合在目前危險(xiǎn)換道場(chǎng)景樣本數(shù)據(jù)有限的情況下使用。未來(lái)在獲得更多危險(xiǎn)場(chǎng)景換道駕駛數(shù)據(jù)的條件下兩者相對(duì)預(yù)測(cè)性能的變化將值得進(jìn)一步研究。

4 結(jié)論

本文中針對(duì)危險(xiǎn)換道駕駛問題提出了基于貝葉斯因子閾值法的HMM和基于運(yùn)動(dòng)時(shí)間窗特征提取法的SVM兩種預(yù)測(cè)算法，并通過駕駛員在環(huán)半實(shí)物仿真平臺(tái)采集的不同換道場(chǎng)景數(shù)據(jù)對(duì)預(yù)測(cè)算法進(jìn)行了測(cè)試。結(jié)果表明，依據(jù)現(xiàn)有的仿真試驗(yàn)樣本數(shù)據(jù)，通過選取合適的特征量和模型參數(shù)，兩種預(yù)測(cè)算法的TP預(yù)測(cè)率均能在FP低于5%的條件下達(dá)到80%以上，基本符合換道預(yù)警的要求。未來(lái)可通過獲取更多實(shí)際的危險(xiǎn)換道駕駛數(shù)據(jù)對(duì)預(yù)測(cè)模型進(jìn)行優(yōu)化，并考察模型的在線實(shí)時(shí)預(yù)測(cè)效果，將其應(yīng)用到安全輔助駕駛系統(tǒng)中。

[1] National Highway Traffic Safety Administration.National motor vehicle crash causation survey:report to congress[R].National Highw Trafc Saf Adm，2008.

[2] JULA H，KOSMATOPOULOS E，IOANNOU P.Collision avoidance analysis for lane changing and merging[J].IEEE Transactions on Vehicular Technology，2000，49(6):2295-2308.

[3] 張瓊.基于駕駛?cè)烁兄匦缘膿Q道預(yù)警閾值研究[D].西安:長(zhǎng)安大學(xué)，2013.

[4] DASS， SUN X， WANG F， et al.Estimating likelihood of future crashes for crash-prone drivers[J].Journal of Traffic and Transportation Engineering(English Edition)，2015，2(3):145-157.

[5] 王暢，付銳，張瓊，等.換道預(yù)警系統(tǒng)中參數(shù)TTC特性研究[J].中國(guó)公路學(xué)報(bào)，2015，28(8):91-107.

[6] 呂岸，胡振程，陳慧.基于高斯混合隱馬爾科夫模型的高速公路超車行為辨識(shí)與分析[J].汽車工程，2010，32(7):630-634.

[7] 宗長(zhǎng)富，王暢，何磊，等.基于雙層隱式馬爾科夫模型的駕駛意圖辨識(shí)[J].汽車工程，2011，33(8):701-706.

[8] 倪捷，劉志強(qiáng)，涂孝軍，等.面向駕駛輔助系統(tǒng)的換道安全性預(yù)測(cè)模型研究[J].交通運(yùn)輸系統(tǒng)工程與信息，2016，16(4):95-100.

[9] LIU P， KURT A，REDMILL K，et al.Classification of highway lane change behavior to detect dangerous cut-in maneuvers[C].TRB 95th Annual Meeting Compendium of Papers，2016.

[10] SALVUCCI D.Inferring driver intent:a case study in lane-change detection[J]Proc.Human Factors Ergonomics Society，2004:2228-2231.

[11] MCNICOL D.A primer of signal detection theory[M].Hillsdale，NJ， Lawrence Erlbaum，2004.

[12] RABINERL R，JUANG B H.An introduction to hidden Markov models[J].IEEE ASSP Magazine，1986，3(1):4-16.

[13] BISHOP C M.Pattern recognition and machine learning[M].New Jersey:Springer-Verlag New York， Inc.，2006.

[14] CORTESC，VAPNIK V.Support vector networks[J].Machine Learning，1995，20:273-295.

[15] PORTOULI E， PAPAKOSTOPOULOS V， NATHANAEL D.Combined effect on accident risk of a dual task and higher driving speed:a simulator study[J].EPCE/hCII，2013:36-42.

[16] BELLA F， D′AGOSTINI G.Combined effect of traffic and geometrics on rear-end collision risk:driving simulator study[J].Trans.Res.Rec.:J.of the Trans.Res.Board，2010，2165:96-103.

[17] JURECKI R S， Stańczyk T L.Driver reaction time to lateral entering pedestrian in a simulated crash traffic situation[J].Tran.Res.Part F:Traffic Psychology ＆ Behaviour，2014，27:22-36.

[18] STANCZYK T L，LOZIA，Z，PIENIAZEK W，et al.Research studies on drivers’reactions for incoming vehicle from right-hand side[C].In Proc.of the 19th Annual Congress EVU，Praque(Czech Republic)，2010:41-53.

[19] MURPHY K.Hidden Markov model(HMM)toolbox for Matlab[EB/OL].http://www.cs.ubc.ca/～murphyk/Software/HMM/hmm.html.

[20] CHANG C，LIN C.A library for support vector machines(LIBSVM)[EB/OL].http://www.csie.ntu.edu.tw/～cjlin/libsvm/.

A Study on the Driving Behavior Prediction of Dangerous Lane Change

Xiong Xiaoxia，Chen Long，Liang Jun，Cai Yingfeng，Jiang Haobin＆ Chen Yuexia
School of Automotive and Traffic Engineering， Jiangsu University， Zhenjiang 212013

Two prediction algorithms for dangerous lane change driving behavior，i.e.prediction algorithm based on hidden Markov model(HMM)with Bayes factor threshold and that based on support vector machine(SVM)with moving time window feature extraction，are proposed.All the vehicle moving feature variables both algorithms need can be easily obtained in connected vehicle environment.By driver-in-the-loop simulation based on Prescan-Simulink co-simulation，the vehicle motion data in both dangerous and normal lane change scenarios are obtained，and then two proposed algorithms are verified and compared.The results show that both prediction algorithms can achieve high accuracy rate in predicting dangerous lane change behavior，conductive to giving timely warning or auxiliary correction to driver making dangerous lane change，and hence reducing the occurrence of lane change accidents.Under the condition of limited sample data，using SVM algorithm can get better prediction results.

10.19562/j.chinasae.qcgc.2017.09.010

?國(guó)家自然科學(xué)基金(U1564201，51108209，50875112和70972048)和江蘇省普通高校研究生科研創(chuàng)新計(jì)劃項(xiàng)目(KYLX160905)資助。

原稿收到日期為2016年9月23日，修改稿收到日期為2017年1月8日。

陳龍，教授，博士，E-mail:chenlong＠ ujs.edu.cn。