自動(dòng)駕駛障礙車輛行為預(yù)測技術(shù)研究

李宇寂

（1.中國第一汽車股份有限公司 智能網(wǎng)聯(lián)開發(fā)院，長春130013；2.汽車振動(dòng)噪聲與安全控制綜合技術(shù)國家重點(diǎn)實(shí)驗(yàn)室，長春130013）

主題詞：自動(dòng)駕駛 障礙車輛 行為預(yù)測 隱馬爾可夫模型

1 引言

在復(fù)雜的交通環(huán)境中，車輛要想安全快速行駛，不只是要規(guī)劃好自身的路徑，更要根據(jù)周圍車輛的實(shí)時(shí)變化，動(dòng)態(tài)的規(guī)劃接下來的駕駛動(dòng)作，正是由于存在自身車輛與周圍障礙車輛的交互影響，如何準(zhǔn)確的預(yù)測周圍障礙車輛的駕駛行為變得尤其重要。有經(jīng)驗(yàn)的駕駛員會(huì)根據(jù)周圍車輛的一系列動(dòng)作準(zhǔn)確預(yù)測出其接下來的行為，比如直行、左換道、右換道、左轉(zhuǎn)彎和右轉(zhuǎn)彎等等。自動(dòng)駕駛應(yīng)用中，無人車也需要根據(jù)周圍車輛的駕駛行為來準(zhǔn)確規(guī)劃自身車輛接下來的動(dòng)作，無人車配有各類傳感器，比如視覺攝像頭、毫米波雷達(dá)和激光雷達(dá)等，這使得它們具備遠(yuǎn)超人類的檢測感知能力，并且可以做到不間斷，全方位地檢測周圍環(huán)境，進(jìn)而通過對障礙車輛信息數(shù)據(jù)的收集和處理，來判斷其接下來的行駛意圖，最終用于自身車輛行為決策和軌跡規(guī)劃的依據(jù)。蔡英鳳[1]運(yùn)用隱馬爾科夫模型,對帶有時(shí)間和空間信息的車輛軌跡進(jìn)行訓(xùn)練,獲得路徑劃分后對道路車輛軌跡進(jìn)行參數(shù)匹配,提取諸如超低(高)速行駛、違章停車、違規(guī)掉頭等異常行為。黃如林[2]利用高斯混合模型從車輛駕駛行為數(shù)據(jù)和道路結(jié)構(gòu)信息中學(xué)習(xí)駕駛行為模式，并用于檢測動(dòng)態(tài)車輛的駕駛行為意圖。耿新力[3]提出了一種基于本體論和馬爾科夫理論的行為決策方法,對其中的駕駛場景建模、他車運(yùn)動(dòng)狀態(tài)預(yù)測和駕駛動(dòng)作生成方法進(jìn)行了深入研究。

本文通過車輛周圍傳感器來感知障礙車輛的相對位置信息，并結(jié)合自身車輛的高精定位信息，獲得障礙車輛的精確位置，通過應(yīng)用隱馬爾可夫模型建立不同駕駛行為的預(yù)測模型，最終通過模型的預(yù)測來判斷障礙車輛的可能駕駛意圖，輔助自動(dòng)駕駛車輛進(jìn)行有效的駕駛決策，更好的規(guī)劃安全高效的行駛路線。

2 行為預(yù)測模塊整體架構(gòu)

有經(jīng)驗(yàn)的駕駛員可以通過觀察周圍車輛的一系列軌跡來預(yù)估其未來的駕駛動(dòng)作。而無人駕駛車輛通過車身周圍布置的各種傳感器來感知障礙車輛的相對位置關(guān)系，同時(shí)通過GPS 和慣性測量單元(Inertial Measurement Unit,IMU)獲得自身車輛的定位信息，再經(jīng)過復(fù)雜的處理和精確的判斷后，也能夠預(yù)測障礙車輛的駕駛動(dòng)作。整個(gè)過程的結(jié)構(gòu)圖如圖1所示。

圖1 行為預(yù)測模塊架構(gòu)

3 場景劃分和提取

在不同場景下，車輛會(huì)有不同可能的駕駛意圖。比如在高速場景下，可行的駕駛意圖通常分為3種：直行、左變道和右變道（圖2）。而在十字路口，可行的駕駛意圖除了以上列舉的3種，還包括左轉(zhuǎn)彎、右轉(zhuǎn)彎和直行通過路口（圖3）。所以，需要設(shè)計(jì)1種方法，使其能夠適用于不同場景的意圖預(yù)測。不僅如此，針對不同的交通場景進(jìn)行預(yù)測一方面能夠使預(yù)測過程有更好的針對性，另一方面還能夠簡化預(yù)測過程，消除不必要的誤識(shí)別，比如在高速場景，障礙車輛不可能左右轉(zhuǎn)彎，因此輸出的預(yù)測結(jié)果就不需要考慮左右轉(zhuǎn)彎，從而大大減少程序的計(jì)算復(fù)雜度，并消除誤識(shí)別。

根據(jù)導(dǎo)航可以獲得自身車輛當(dāng)前所處的場景信息，比如高速場景，還是城市道路場景，進(jìn)一步可以將場景細(xì)化：高速場景分為普通道路場景和上下高速匝道場景；城市道路場景可以分為普通道路場景和路口場景（十字路口，丁字路口等）。當(dāng)車輛運(yùn)行到實(shí)際工況時(shí)，可以根據(jù)具體細(xì)分場景將車輛可能的駕駛行為更詳細(xì)的確定，比如在高速公路上匝道場景，車輛只可能直行和左變道；下匝道場景，車輛只可能直行和右變道；對普通道路的路口場景，比如非十字路口（如丁字路口或禁止左轉(zhuǎn)路口），車輛可能的行駛方向只有直行和右轉(zhuǎn)彎。

圖2 高速場景

圖3 城市場景

4 行為決策處理過程

4.1 障礙車輛的絕對定位

自動(dòng)駕駛車輛根據(jù)各傳感器的檢測，分別獲得周圍障礙車輛的位置信息，進(jìn)一步經(jīng)過感知融合模塊獲得更魯棒和精確的位置信息，最終得到障礙車輛與自身車輛的相對位置關(guān)系，再結(jié)合自身車輛的高精定位信息，可以確定障礙車輛的高精定位信息，最終獲得障礙車輛的絕對位置。

圖4給出了車輛相對位置關(guān)系示例圖。基于自身車輛的定位信息，結(jié)合所述障礙車輛的相對位置信息，確定障礙車輛的準(zhǔn)確位置的方法包括：自身車輛通過高精定位信息可以獲得車輛在世界坐標(biāo)系下的絕對位置( Xω,Yω)和航向角( β )，通過傳感器可以獲得目標(biāo)車輛在本車車輛坐標(biāo)系下的相對位置( Xv,Yv)，最終的目標(biāo)車輛在世界坐標(biāo)系下的絕對坐標(biāo)( Xf,Yf)可以通過如下公式獲得：

圖4 車輛相對位置關(guān)系示例

4.2 障礙車輛的軌跡序列

為了確定車輛未來的駕駛意圖，需要結(jié)合其一段時(shí)期的駕駛動(dòng)作，因此需要記錄障礙車輛的歷史軌跡序列（圖5）。

圖5 障礙車輛的歷史軌跡

圖5 給出了一種車輛運(yùn)動(dòng)軌跡示意圖。車輛的行駛在時(shí)間序列上是有延續(xù)性的，既通常情況下車輛會(huì)沿著既定的駕駛意圖行駛，短期內(nèi)不會(huì)處于雜亂無章的運(yùn)動(dòng)，因此當(dāng)前時(shí)刻識(shí)別出車輛在一段歷史時(shí)期的駕駛動(dòng)作，即可預(yù)測車輛在未來一段時(shí)間內(nèi)的駕駛意圖。

4.3 應(yīng)用統(tǒng)計(jì)學(xué)的方法來描述障礙車輛駕駛動(dòng)作

車輛在不同的駕駛意圖下，會(huì)生成不同的歷史軌跡序列，可以通過對歷史軌跡的判斷來間接判斷車輛接下來可能的駕駛動(dòng)作，比如車輛在一段時(shí)間一直沿直線行駛，那么接下來繼續(xù)直行的概率會(huì)非常大，如果車輛在一段時(shí)間有向右移動(dòng)的趨勢，那么其接下來右轉(zhuǎn)彎的概率非常大，并不一定需要車輛完全轉(zhuǎn)過來才確認(rèn)。不同的駕駛員對車輛的操控會(huì)有很大的不同，即使都是直行，有經(jīng)驗(yàn)的駕駛員會(huì)開的比較平穩(wěn)順滑，新的駕駛員會(huì)不斷的小幅修正方向盤，車輛的軌跡就會(huì)有小幅度的左右晃動(dòng)；另一方面，不同的駕駛員轉(zhuǎn)彎的半徑也會(huì)千差萬別。為了能夠消除由于不同的駕駛習(xí)慣導(dǎo)致的駕駛意圖判斷不準(zhǔn)，這里引入HMM（隱馬爾可夫模型）來進(jìn)行統(tǒng)計(jì)化處理。

HMM 是一種用來描述隨機(jī)狀態(tài)序列的概率模型，通過HMM得到的是一個(gè)狀態(tài)序列發(fā)生的概率，這里通過對車輛在一段時(shí)間內(nèi)的歷史軌跡序列，判斷其可能的駕駛動(dòng)作發(fā)生的概率。應(yīng)用統(tǒng)計(jì)學(xué)的處理方法，可以將不同的駕駛習(xí)慣更好的進(jìn)行歸類，從而消除不同駕駛員的個(gè)體差異，比如可以將不同轉(zhuǎn)彎半徑的駕駛習(xí)慣都判斷為左轉(zhuǎn)彎或者右轉(zhuǎn)彎，從而使駕駛行為的預(yù)測有更好的泛化性和魯棒性。

應(yīng)用HMM模型來對不同駕駛動(dòng)作進(jìn)行統(tǒng)計(jì)學(xué)分析處理，需要首先獲得不同駕駛動(dòng)作的特征向量，進(jìn)而通過離線的模型訓(xùn)練來獲得不同駕駛動(dòng)作對應(yīng)的HMM模型以及閾值模型。實(shí)際車輛行駛過程中通過將障礙車輛一段時(shí)間產(chǎn)生的軌跡序列量化為特征向量，輸入到訓(xùn)練好的模型當(dāng)中，并通過設(shè)計(jì)好的算法判斷后，即可得到最終駕駛動(dòng)作的判斷結(jié)果。

車輛的行駛在時(shí)間序列上是有延續(xù)性的，既通常情況下車輛會(huì)沿著既定的駕駛意圖行駛，短期內(nèi)不會(huì)處于雜亂無章的運(yùn)動(dòng)，因此當(dāng)前時(shí)刻識(shí)別出車輛在一段歷史時(shí)期的駕駛動(dòng)作，即可預(yù)測車輛在未來一段時(shí)間內(nèi)的駕駛意圖。應(yīng)用HMM模型進(jìn)行統(tǒng)計(jì)學(xué)的判斷方法，由于其計(jì)算不同可能駕駛動(dòng)作的概率，因此不需要車輛完全執(zhí)行完動(dòng)作，即可判斷其駕駛意圖，如車輛在轉(zhuǎn)彎的初期即可通過模型判斷出未來轉(zhuǎn)彎的概率遠(yuǎn)遠(yuǎn)大于繼續(xù)直行的概率。

4.4 HMM模型的設(shè)計(jì)

設(shè)計(jì)HMM 模型λ=( )A,B,π 為經(jīng)典的左右結(jié)構(gòu)，如圖6 所示。具體參數(shù)如下：狀態(tài)集數(shù)目為N（設(shè)定為3），觀測集數(shù)目M（設(shè)定為16），狀態(tài)轉(zhuǎn)移矩陣A 為N·N 的矩陣，輸出概率分布矩陣B 為N·M 的矩陣，初始化向量π為1·N 的向量（根據(jù)不同需要可以進(jìn)行調(diào)整）。為車輛不同的駕駛行為設(shè)計(jì)5 類不同的HMM模型，另外再設(shè)計(jì)一個(gè)閾值模型。其中5 類模型分別為：直行模型、左變道模型、右變道模型、左轉(zhuǎn)彎模型和右轉(zhuǎn)彎模型。閾值模型用于區(qū)分5 類駕駛動(dòng)作和隨機(jī)動(dòng)作（某些不規(guī)則隨機(jī)駕駛動(dòng)作可能引起誤識(shí)別）。

觀測值由車輛在一定時(shí)間間隔下的行駛方向產(chǎn)生，通過量化的編碼最終形成觀測值。車輛在一段時(shí)間內(nèi)從當(dāng)前時(shí)刻位置到前一時(shí)刻位置形成一個(gè)如圖7所示的方向向量，根據(jù)如圖8和圖9的編碼規(guī)則，可以將方向向量量化為1～16的編碼。車輛行駛一段時(shí)間后會(huì)形成一系列的方向編碼，從而組成如圖10所示的方向特征向量。不同的駕駛動(dòng)作會(huì)形成不同的車輛行駛軌跡，經(jīng)過量化編碼后會(huì)形成不同的方向特征向量，通過對方向特征向量的區(qū)分就可以最終得到駕駛動(dòng)作的區(qū)分。

圖6 HMM模型

圖7 方向向量

圖8 角度劃分規(guī)則圖

圖9 向量編碼規(guī)則圖

4.5 HMM模型的訓(xùn)練

將不同的駕駛動(dòng)作形成的方向向量進(jìn)行采集和編碼，形成不同駕駛動(dòng)作的訓(xùn)練集，通過HMM模型訓(xùn)練后，形成5 類駕駛動(dòng)作的HMM 模型（直行HMM 模型、左變道HMM 模型、右變道HMM 模型、左轉(zhuǎn)彎HMM模型和右轉(zhuǎn)彎HMM模型）。本文設(shè)計(jì)了一個(gè)閾值模型用于區(qū)分5類駕駛動(dòng)作和隨機(jī)不規(guī)則的動(dòng)作。

圖10 直行方向特征向量示例

訓(xùn)練階段的具體過程為：將訓(xùn)練集中的每一個(gè)動(dòng)作序列形成對應(yīng)的方向特征向量，通過HMM 的B-W算法進(jìn)行訓(xùn)練得到對應(yīng)的模型，將所有模型進(jìn)行平均后得到最終此類動(dòng)作對應(yīng)的HMM模型（如直行HMM模型）。閾值模型通過結(jié)合5類駕駛動(dòng)作模型的共同信息而生成。單一駕駛動(dòng)作的HMM模型訓(xùn)練過程如圖11所示，閾值模型的生成過程如圖12所示。

圖11 單一駕駛動(dòng)作的HMM模型訓(xùn)練

圖12 閾值模型的生成

4.6 HMM模型的識(shí)別

識(shí)別階段的具體過程為：通過讀取傳感器對障礙車輛的定位信息，一段時(shí)間間隔內(nèi)生成該車輛的軌跡序列，進(jìn)一步生成觀測值方向特征向量，帶入各個(gè)駕駛動(dòng)作HMM 模型和閾值模型后，選取最大的前向概率對應(yīng)的動(dòng)作模型，并與閾值模型進(jìn)行比較，最終確認(rèn)駕駛動(dòng)作是否符合5類駕駛動(dòng)作之一或者是不規(guī)則的隨機(jī)動(dòng)作。識(shí)別流程圖如圖13所示。

4.7 障礙車輛駕駛行為預(yù)測的輸出

車輛的行駛在時(shí)間序列上是有延續(xù)性的，既通常情況下車輛會(huì)沿著既定的駕駛意圖行駛，短期內(nèi)不會(huì)處于雜亂無章的運(yùn)動(dòng)，因此當(dāng)前時(shí)刻識(shí)別出車輛在一段歷史時(shí)期的駕駛動(dòng)作，即可預(yù)測車輛在未來一段時(shí)間內(nèi)的駕駛意圖。應(yīng)用HMM模型進(jìn)行統(tǒng)計(jì)學(xué)的判斷方法，由于其計(jì)算不同可能駕駛動(dòng)作的概率，因此不需要車輛完全執(zhí)行完動(dòng)作，即可判斷其駕駛意圖，如車輛在轉(zhuǎn)彎的初期即可通過模型判斷出未來轉(zhuǎn)彎的概率遠(yuǎn)遠(yuǎn)大于繼續(xù)直行的概率。

圖13 HMM模型的識(shí)別流程

5 結(jié)論及啟示

本文提出的障礙物行為預(yù)測系統(tǒng)，可以有效識(shí)別大部分城市道路場景下車輛的行駛意圖，為高級(jí)別自動(dòng)駕駛系統(tǒng)提供行為決策和路徑規(guī)劃的依據(jù)，但由于交通環(huán)境的復(fù)雜性，在某些極端情況下，障礙車輛的行為可能會(huì)沒有常規(guī)的規(guī)律可循，因此用統(tǒng)計(jì)學(xué)的方法來進(jìn)行預(yù)測不會(huì)特別準(zhǔn)確，這就需要研究更復(fù)雜、適應(yīng)性更強(qiáng)的技術(shù)來處理，這也是自動(dòng)駕駛領(lǐng)域車輛行為預(yù)測的未來發(fā)展方向。