基于HMM和SVM級聯(lián)算法的駕駛意圖識別?

劉志強(qiáng)，吳雪剛，倪 捷，張 騰

前言

隨著我國道路運(yùn)輸行業(yè)的快速發(fā)展和機(jī)動(dòng)車保有量的急劇增長，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安全性，然而這些系統(tǒng)有些未考慮對駕駛員行為意圖和特性的辨識以實(shí)現(xiàn)輔助系統(tǒng)對駕駛員的自適應(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)一步開發(fā)中開展駕駛員意圖識別研究具有實(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)并不能滿足駕駛意圖的判斷[3]。國內(nèi)外針對駕駛員駕駛意圖識別研究中其參數(shù)的選擇絕大部分是基于單獨(dú)的自車運(yùn)動(dòng)狀態(tài)或車-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)模型辨識駕駛意圖，但此類研究也僅考慮在車道保持和車道變換階段駕駛員的生理或心理參數(shù)的變化[7-9]。實(shí)際的駕駛過程是一個(gè)由人-車-路組成的復(fù)雜的交通系統(tǒng)[10-11]，單一的識別模型導(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，根據(jù)相鄰狀態(tài)間的關(guān)系完成模式識別，更大程度反映類別間的相似性而類別的差異性則被忽略。支持向量機(jī)算法通過將低維空間線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，更大程度地反映了類別間的差異性。據(jù)此，本文中提出了一種基于HMM和SVM級聯(lián)算法考慮人-車-路特征參數(shù)的駕駛員意圖識別方法，將隱馬爾可夫動(dòng)態(tài)建模能力和支持向量機(jī)模式分類能力結(jié)合，同時(shí)發(fā)揮兩種分類器的優(yōu)勢，提高整個(gè)雙層算法對駕駛意圖的識別能力。

1 實(shí)驗(yàn)方案

1.1 實(shí)驗(yàn)平臺

考慮到在模擬駕駛儀中開展仿真實(shí)驗(yàn)，可根據(jù)實(shí)驗(yàn)要求隨意修改車輛和道路環(huán)境的參數(shù)配置，準(zhǔn)確采集車輛多種動(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)雙向六車道，車道寬3.5m，總長度約90km的高速公路場景。同時(shí)，為使行車環(huán)境與實(shí)際過程一致，在道路上設(shè)置適宜車流量。其中主要設(shè)置兩類輔助車輛，當(dāng)自車行駛至與所設(shè)置的輔助車輛距離500m時(shí)，輔助車輛被自動(dòng)激活。第一類輔助車輛平均車速設(shè)置為60km/h，車速變化遵循方差為20km/h的高斯分布；第二類輔助車輛的平均車速為90km/h，其車速變化遵循方差為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象。受試者滿足以下條件:持有駕駛證、視力良好、性格穩(wěn)定、無不良駕駛記錄。為便于實(shí)驗(yàn)有序開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類駕駛意圖:車道跟馳(CF)，左變道(LCL)，右變道(LCR)和超車(OT)。實(shí)驗(yàn)中，駕駛模擬器主控機(jī)相應(yīng)的模塊會(huì)同步采集車輛縱向加速度、轉(zhuǎn)向盤轉(zhuǎn)角、車輛與車道線距離、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為某次換道過程的車輛運(yùn)行軌跡，其中p點(diǎn)為車輛行駛軌跡和車道線交點(diǎn)，以往的多數(shù)研究通常對p點(diǎn)前某時(shí)窗內(nèi)信息進(jìn)行研究，希望在車輛越過車道線1s前就能辨識出換道意圖，考慮到國內(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

對篩選樣本中所涉及的參數(shù)數(shù)據(jù)進(jìn)行對比分析，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)

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

對Smart-eyes眼動(dòng)儀系統(tǒng)采集的多次全過程駕駛中駕駛員視線點(diǎn)區(qū)域進(jìn)行K-means聚類劃分，見圖3，而后在確定各區(qū)域范圍的基礎(chǔ)上統(tǒng)計(jì)篩選駕駛員面對不同任務(wù)時(shí)的典型視覺特征變化規(guī)律，見圖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參數(shù)箱型圖

3.2 車-路參數(shù)

行駛過程中，模擬駕駛器CAN系統(tǒng)可讀取出車輛各類典型的運(yùn)行參數(shù)信息?？v向加速度反映駕駛員對后續(xù)車速的預(yù)期值。轉(zhuǎn)向盤轉(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)向盤以保證車輛安全行駛。車輛與車道中心線距離作為自車相對于車道的位置變化，反映了駕駛員對車輛橫向位置的掌控能力，上述“車-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)見圖5。

圖5 不同駕駛意圖下“車-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)向盤轉(zhuǎn)角、縱向加速度和自車與車道中心線距離共6個(gè)參數(shù)作為意圖識別算法指標(biāo)量。

4 HMM和SVM級聯(lián)算法識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混合模型開展模式識別的分類負(fù)擔(dān)較大，計(jì)算時(shí)間較長且并未充分發(fā)揮二者的優(yōu)勢，本文中所建立改進(jìn)的HMM和SVM級聯(lián)算法如圖6所示。將待辨識駕駛意圖對應(yīng)的指標(biāo)參數(shù)樣本導(dǎo)入第一層HMM中確定其能識別的意圖。將第一層HMM中識別率較低的易混淆的意圖作為與待辨識意圖較為相似的類別，形成候選集，再由第二層SVM在候選模式中對待辨識意圖作最后決策，以期達(dá)到提高駕駛員駕駛意圖識別率的目的。

圖6 HMM和SVM級聯(lián)算法識別駕駛意圖流程

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

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原理，采用前向-后向算法對給定訓(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的初始值的選擇對系統(tǒng)的影響不大，對比實(shí)驗(yàn)效果后，確定采用4狀態(tài)6高斯過程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聚類求解B的初始值。

圖7 基于HMM算法的意圖識別基本原理

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)為長為T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]。

駕駛意圖識別時(shí)，采用viterbi算法求出模型參數(shù)θi對輸出駕駛行為序列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，通過在高維空間尋找一個(gè)超平面作為兩類的分隔，以保證最小的分類錯(cuò)誤率[16]，以解決小樣本、非線性和二分類的模式識別問題。用SVM實(shí)現(xiàn)駕駛意圖分類，首先要將原始空間中線性不可分駕駛意圖參數(shù)通過式(7)的 RBF函數(shù)映射到高維空間:

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

通過式(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)分類器。使用各易混淆駕駛意圖對應(yīng)的訓(xùn)練集數(shù)據(jù)訓(xùn)練SVM分類模型。SVM通過將低維空間中線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別精度，須對所采集的數(shù)據(jù)進(jìn)行卡爾曼濾波處理[17]。縱向加速度和轉(zhuǎn)向盤轉(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類駕駛意圖HMM的模型參數(shù)。

圖8 車載傳感器參數(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，表明觀察序列與該模型的匹配程度越高，最大似然估計(jì)值所對應(yīng)的模型便是利用HMM分類模型得出的當(dāng)前駕駛員駕駛意圖，表1中加粗的數(shù)值即為識別結(jié)果。

表1 各駕駛行為樣本HMM識別結(jié)果

基于HMM模型對剩余的750組駕駛意圖檢驗(yàn)樣本的識別結(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。

表2 檢驗(yàn)樣本的HMM識別結(jié)果

5.4 SVM模型訓(xùn)練與仿真分析

將左換道意圖和超車意圖對應(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，對應(yīng)最佳參數(shù)的SVM模型識別準(zhǔn)確率為96.58%。

圖9 基于SVM辨識混淆意圖的參數(shù)尋優(yōu)結(jié)果

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

表3 易混淆駕駛意圖SVM識別結(jié)果

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

5.5 仿真時(shí)間估算

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

表4 各種辨識模型識別時(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級聯(lián)算法明顯能夠滿足要求。

5.6 駕駛意圖在線識別

基于本文中所建立的級聯(lián)算法進(jìn)行駕駛意圖的在線識別，識別結(jié)果見圖10。

圖10 基于HMM和SVM級聯(lián)算法在線識別意圖

本文中所提出的HMM和SVM級聯(lián)算法識別駕駛意圖，綜合了HMM算法和SVM的優(yōu)勢，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)造成意圖識別錯(cuò)誤率高的缺點(diǎn)。通過HMM排除能夠識別的意圖，將易混淆意圖對應(yīng)的駕駛樣本導(dǎo)入SVM，依據(jù)識別準(zhǔn)確率設(shè)置投票表決算法完成意圖分類。

6 結(jié)論

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

(2)基于所提出的HMM和SVM級聯(lián)算法識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，單次意圖識別時(shí)間為0.017s，滿足駕駛員處理突發(fā)事件的反應(yīng)時(shí)間要求。