基于自然觀察數(shù)據(jù)的行人過(guò)街意圖預(yù)測(cè)模型研究

施雯 趙彬 劉艷娟

摘 ?要：車(chē)載行人預(yù)警系統(tǒng)在提高車(chē)輛的行車(chē)安全和行人保護(hù)方面發(fā)揮了重要的積極作用，但較高的誤報(bào)率導(dǎo)致該系統(tǒng)的接受度較低。為提高車(chē)載行人預(yù)警系統(tǒng)的準(zhǔn)確率，本文利用激光雷達(dá)和高清攝像頭對(duì)行人過(guò)街時(shí)行人和車(chē)輛的行駛數(shù)據(jù)進(jìn)行了采集，并對(duì)行人過(guò)街時(shí)的行為特性進(jìn)行了分析，根據(jù)分析結(jié)果建立了基于隨機(jī)森林機(jī)器學(xué)習(xí)方法的行人過(guò)街意圖預(yù)測(cè)模型，模型的準(zhǔn)確率達(dá)96.43%。結(jié)果表明，該預(yù)測(cè)模型能夠很好地對(duì)行人過(guò)街意圖進(jìn)行預(yù)測(cè)，對(duì)提高車(chē)載行人預(yù)警系統(tǒng)的準(zhǔn)確率具有重要意義，有助于交通安全的提高。

關(guān)鍵詞：行人預(yù)警系統(tǒng);行人過(guò)街;機(jī)器學(xué)習(xí);預(yù)測(cè)模型

中圖分類(lèi)號(hào)：TP18 ? ?文獻(xiàn)標(biāo)識(shí)碼：A ? ?文章編號(hào)：1673-7164（2021）37-0110-03

隨著智能駕駛輔助系統(tǒng)的不斷發(fā)展，車(chē)載行人預(yù)警系統(tǒng)對(duì)提高交通安全發(fā)揮了非常積極的影響[1-2]。但是該預(yù)警算法過(guò)于保守，誤報(bào)率較高，導(dǎo)致駕駛員對(duì)該系統(tǒng)的接受度不高，提高車(chē)載行人預(yù)警系統(tǒng)的準(zhǔn)確率是目前亟須解決的問(wèn)題。

行人作為城市道路交通中的弱勢(shì)群體，在發(fā)生交通事故時(shí)，往往會(huì)受到更為嚴(yán)重的傷害，據(jù)公安部2019年數(shù)據(jù)統(tǒng)計(jì)，僅在2019年，全國(guó)機(jī)動(dòng)車(chē)與行人發(fā)生的事故數(shù)量就達(dá)53558起，占總交通事故數(shù)量的21.63%[3]。準(zhǔn)確識(shí)別行人的過(guò)街意圖，幫助駕駛員制訂更加合理的駕駛策略，對(duì)行人事故的減少具有重要意義。

針對(duì)上述問(wèn)題，本文選取了一段無(wú)信號(hào)燈的人行橫道路段作為研究對(duì)象，利用激光雷達(dá)和高清攝像機(jī)對(duì)該路段行人—車(chē)輛的交互數(shù)據(jù)進(jìn)行了采集，包括行人特征參數(shù)、行人過(guò)街?jǐn)?shù)據(jù)以及與行人過(guò)街存在交通沖突的相關(guān)車(chē)輛的行駛數(shù)據(jù)等?；谒杉降臄?shù)據(jù)，本研究分析行人過(guò)街時(shí)的行為特征，并確定了與行人過(guò)街意圖相關(guān)的的特征參數(shù)，基于分析結(jié)果建立了基于隨機(jī)森林機(jī)器學(xué)習(xí)方法的行人過(guò)街意圖預(yù)測(cè)模型，對(duì)路側(cè)行人是否過(guò)街進(jìn)行了準(zhǔn)確判斷。

一、試驗(yàn)數(shù)據(jù)采集

行人過(guò)街包括有信號(hào)燈有人行橫道路段、無(wú)信號(hào)燈有人行橫道路段和無(wú)信號(hào)燈無(wú)人行橫道路段3種情況，由于有信號(hào)燈有人行橫道路段行人的過(guò)街意圖較為明顯，故本文僅對(duì)后兩種路段進(jìn)行數(shù)據(jù)采集。

將激光雷達(dá)和攝像頭安裝在車(chē)上進(jìn)行行人過(guò)街?jǐn)?shù)據(jù)采集，存在實(shí)驗(yàn)周期長(zhǎng)，需要大量的人力物力且實(shí)驗(yàn)結(jié)果容易受到駕駛?cè)笋{駛風(fēng)格的影響等問(wèn)題，故本文采用在路側(cè)進(jìn)行行人過(guò)街?jǐn)?shù)據(jù)采集實(shí)驗(yàn)，該方法具有采集到的樣本量大，駕駛員駕駛風(fēng)格全面且省時(shí)省力等優(yōu)點(diǎn)。

如圖1所示，將激光雷達(dá)和高清攝像頭安裝在路側(cè)距離人行橫線10m處對(duì)行人過(guò)街?jǐn)?shù)據(jù)進(jìn)行采集，其中紅色車(chē)輛為與過(guò)街行人存在交通沖突的車(chē)輛。

本文選取西安市碑林區(qū)文藝南路某人行橫道處作為試驗(yàn)路段，一段時(shí)間內(nèi)試驗(yàn)路段由于重新鋪裝導(dǎo)致人行橫道線被覆蓋，故本文所采集的數(shù)據(jù)包括無(wú)信號(hào)燈有人行橫道路段和無(wú)信號(hào)燈無(wú)人行橫道路段兩類(lèi)。試驗(yàn)路段為雙向四車(chē)道，道路中間為雙黃線，限速60km/h，路面寬度約11m，人行橫道寬5.5m。

本文試驗(yàn)設(shè)備主要為ibeo LUX 4線激光雷達(dá)和高清攝像頭。ibeo LUX 4線激光雷達(dá)探測(cè)距離可達(dá)200m，水平視角為110°，垂直視角3.2°，距離分辨率為4cm，測(cè)量精度滿足試驗(yàn)需求;高清攝像頭為高清智能行車(chē)記錄儀，用來(lái)采集行人過(guò)街時(shí)行人與車(chē)輛的博弈過(guò)程，輔助激光雷達(dá)數(shù)據(jù)的采集和挑選。

如圖2所示，紅色橢圓部分為行人的激光雷達(dá)點(diǎn)云數(shù)據(jù)，方框部分為與過(guò)街行人存在博弈的車(chē)輛的激光點(diǎn)云數(shù)據(jù)，此時(shí)車(chē)輛的速度為23.3km/h，與行人距離為24m，此時(shí)行人采取直接過(guò)街的決策。

通過(guò)數(shù)據(jù)挑選，本文可采集到行人性別、行人年齡分布、行人過(guò)街策略（等待過(guò)街/直接過(guò)街）、車(chē)輛行駛速度和車(chē)輛距離行人縱向距離等信息，如表1所示。

二、行人過(guò)街特性分析

在人—車(chē)混行的交通環(huán)境中，行人隨機(jī)性較大，給駕駛員的駕駛策略選擇，尤其是智能駕駛輔助系統(tǒng)的設(shè)計(jì)帶來(lái)了極大考驗(yàn)。對(duì)混行交通模式下行人過(guò)街特性進(jìn)行分析，對(duì)智能駕駛輔助系統(tǒng)的設(shè)計(jì)有十分積極的影響。

行人完整的過(guò)街過(guò)程可以分為6個(gè)步驟：過(guò)街位置選擇、過(guò)街觀察、過(guò)街環(huán)境感知、過(guò)街條件判斷、過(guò)街決策、實(shí)施過(guò)街行為，其中，可根據(jù)不同路況及不同的過(guò)街條件重復(fù)或省略部分步驟。

有研究表明，性別和年齡是影響行人過(guò)街決策的重要因素，故本文將研究不同年齡和性別對(duì)行人過(guò)街特性的影響。本文共采集了5432組不同年齡、不同性別的行人過(guò)街?jǐn)?shù)據(jù)進(jìn)行行人過(guò)街特性的分析。

數(shù)據(jù)顯示，行人過(guò)街時(shí)速度基本分布在0—8.0km/h范圍內(nèi)，平均速度為2.82km/h，標(biāo)準(zhǔn)偏差為1.681km/h，數(shù)據(jù)分布范圍相對(duì)集中。女性過(guò)街時(shí)速度要略小于男性過(guò)街時(shí)的速度。造成這種結(jié)果的原因可能是男性在生理結(jié)構(gòu)相較于女性更具有優(yōu)勢(shì)，且男性心理上承受的安全閾值更低，更具有冒險(xiǎn)精神。從圖中還可以看出，不論是男性還是女性都存在個(gè)別過(guò)街速度較大的行人，說(shuō)明在行人過(guò)街時(shí)，存在一小部分行人與車(chē)輛博弈較為激烈，試驗(yàn)結(jié)論與我們的認(rèn)知保持一致。

為研究不同年齡對(duì)過(guò)街行為的影響，本文將行人為分為3類(lèi)，即青年（15—30歲）、中年（30—50歲）和老年（50歲以上）。實(shí)驗(yàn)結(jié)果表明，老年人的速度最低，且相對(duì)更為集中，青年和中年的行走速度相對(duì)較快且分散程度較大。試驗(yàn)結(jié)論與人類(lèi)認(rèn)知基本吻合，不同年齡段行人的心理變化以及生理?xiàng)l件對(duì)過(guò)街速度的影響較為明顯。

車(chē)輛的行駛速度及車(chē)輛與行人之間的距離是影響行人制訂過(guò)街策略的重要因素。碰撞時(shí)間TTC（Time-To-Collision）能夠?qū)烧吆芎玫亟Y(jié)合起來(lái)，并普遍應(yīng)用于車(chē)輛碰撞預(yù)警系統(tǒng)中。故本文在研究行人過(guò)街與行駛車(chē)輛的博弈問(wèn)題時(shí)，TTC也是一項(xiàng)較為有研究?jī)r(jià)值的影響因素。在此情景下，可將過(guò)街行人模擬為跟車(chē)碰撞預(yù)警模型中的“前車(chē)”，此時(shí)行人的縱向速度可忽略不計(jì)，僅考慮橫向速度。

不同過(guò)街策略下TTC對(duì)比結(jié)果顯示，TTC對(duì)行人過(guò)街策略具有較大影響，當(dāng)TTC較小時(shí)，行人往往采取等待過(guò)街的策略，此時(shí)TTC位于2.1—3.9s范圍內(nèi)。當(dāng)TTC較大時(shí)，即TTC大于4.4s時(shí)，行人往往會(huì)采取直接過(guò)街的決策。

通過(guò)上述分析可以看出，行人性別、年齡以及碰撞時(shí)間TTC都對(duì)行人過(guò)街的決策具有較大影響，故車(chē)載行人預(yù)警系統(tǒng)在設(shè)計(jì)時(shí)要綜合考慮這幾個(gè)影響因素，以便制訂出更加合理的預(yù)警算法，提高預(yù)警系統(tǒng)的準(zhǔn)確率和接受度。

三、行人過(guò)街意圖預(yù)測(cè)模型

對(duì)路側(cè)行人是否過(guò)街進(jìn)行準(zhǔn)確預(yù)測(cè)對(duì)于提高駕駛輔助系統(tǒng)的安全性和準(zhǔn)確率具有非常重要的意義。

本文選取了隨機(jī)森林機(jī)器學(xué)習(xí)算法對(duì)行人過(guò)街意圖進(jìn)行預(yù)測(cè)，算法具有效率高、可靠性高和魯棒性強(qiáng)等特點(diǎn)。隨機(jī)森林算法是將決策樹(shù)用作bagging中的模型，實(shí)際上是一種bagging方法。首先，m個(gè)不同的訓(xùn)練集應(yīng)用bootstrap方法來(lái)產(chǎn)生，每個(gè)不同的訓(xùn)練集生成一顆決策樹(shù)，在節(jié)點(diǎn)上尋找特征分裂時(shí)，一部分特征隨機(jī)被抽取，找到最優(yōu)解，應(yīng)用于節(jié)點(diǎn)上實(shí)現(xiàn)分裂。由于bagging的思想，所以隨機(jī)森林實(shí)質(zhì)上是對(duì)樣本和特征都進(jìn)行了采樣，很好地解決了過(guò)擬合問(wèn)題[4]。

Bagging算法是一種高效的算法，能適用于多分類(lèi)和回歸等任務(wù)[5]。策略過(guò)程如圖3所示。

調(diào)用MATLAB函數(shù)TreeBagger，建立隨機(jī)森林模型，然后對(duì)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練。

Model=TreeBagger（ntree，train_data，train_label，‘Method’，‘classification’）

其中，train_data指訓(xùn)練的樣本數(shù)據(jù);train_label指訓(xùn)練樣本數(shù)據(jù)對(duì)應(yīng)的類(lèi)別標(biāo)簽，本文指等待過(guò)街或直接過(guò)街兩種行人過(guò)街策略。

構(gòu)建好模型之后，帶入predict函數(shù)和待預(yù)測(cè)數(shù)據(jù)集就可得出預(yù)測(cè)結(jié)果。

[predict_label，scores] = predict（Model， test_data）

其中，test_data是待預(yù)測(cè)數(shù)據(jù);predict_label指預(yù)測(cè)結(jié)果;scores為概率分布。

本文分別針對(duì)無(wú)信號(hào)燈有人行橫道路段和無(wú)信號(hào)燈無(wú)人行橫道路段兩類(lèi)路段進(jìn)行了預(yù)測(cè)。

（一）無(wú)信號(hào)燈有人行橫道路段

當(dāng)有人行橫道時(shí)，本研究共篩選出2376組行人過(guò)街與車(chē)輛存在沖突博弈的數(shù)據(jù)，將數(shù)據(jù)集分為1900組訓(xùn)練集及476組訓(xùn)練集，進(jìn)行隨機(jī)森林模型訓(xùn)練預(yù)測(cè)。此時(shí)模型整體準(zhǔn)確率為96.43%，即該模型在無(wú)信號(hào)燈有人行橫道路段能夠準(zhǔn)確地識(shí)別行人的過(guò)街意圖，可用于車(chē)載行人預(yù)警系統(tǒng)的設(shè)計(jì)和優(yōu)化。

（二）無(wú)信號(hào)燈無(wú)人行橫道路段

當(dāng)無(wú)人行橫道時(shí)，本研究共篩選出1248組行人過(guò)街與車(chē)輛存在沖突博弈的數(shù)據(jù)，將數(shù)據(jù)集分為1000組訓(xùn)練集及248組訓(xùn)練集，進(jìn)行隨機(jī)森林模型訓(xùn)練預(yù)測(cè)，此時(shí)模型整體準(zhǔn)確率為91.43%，即該模型在無(wú)信號(hào)燈無(wú)人行橫道路段仍能夠準(zhǔn)確地識(shí)別行人的過(guò)街意圖，可用于車(chē)載行人預(yù)警系統(tǒng)地設(shè)計(jì)和優(yōu)化。

參考文獻(xiàn)：

[1] 程如中，趙勇，王執(zhí)中，等. 實(shí)時(shí)行人檢測(cè)預(yù)警系統(tǒng)[J]. 交通運(yùn)輸工程學(xué)報(bào)，2012，12（05）：110 -118+126.

[2] 公安部交通管理局. 中華人民共和國(guó)道路交通事故統(tǒng)計(jì)年報(bào)[R]. 北京：公安部交通管理局，2019.

[3] 韓亞雄，霍月英. 交叉口行人過(guò)街交通特性研究——以呼和浩特市為例[J]. 交通工程，2021，21（01）：22-26+32.

[4] 呂紅燕，馮倩. 隨機(jī)森林算法研究綜述[J]. 河北省科學(xué)院學(xué)報(bào)，2019，36（03）：37- 41.

[5] 王小川，史峰，郁磊，等. MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M]. 北京：北京航空航天大學(xué)出版社，2013.

（薦稿人：郭應(yīng)時(shí)，長(zhǎng)安大學(xué)教授）

（責(zé)任編輯：鄒宇銘）