基于函數(shù)分布特性的智能車輛換道行為識別

胡鑫

摘 要： 針對目前智能駕駛輔助系統(tǒng)對駕駛?cè)藫Q道意圖識別存在的問題，基于函數(shù)分布特性分析和層次分析法展開研究。一般將主車與車道線的距離作為換道的指標(biāo)變量，由于將影像數(shù)據(jù)作為指標(biāo)變量的基礎(chǔ)數(shù)據(jù)源時，指標(biāo)變量受光照和交通基礎(chǔ)設(shè)施的影響較大，為此，將方向盤轉(zhuǎn)角和車道線距離作為換道行為識別的指標(biāo)變量，提出一種基于函數(shù)分布特性的換道行為識別方法。首先對獲取到指標(biāo)變量進(jìn)行函數(shù)分布分析，確定出相應(yīng)的換道起止時間，并依據(jù)不同環(huán)境下獲取到的變量可靠程度，采用層次分析法確定出2種指標(biāo)對識別準(zhǔn)確性的貢獻(xiàn)度，融合2種變量貢獻(xiàn)度構(gòu)建出換道行為識別規(guī)則，并利用實車數(shù)據(jù)對該識別方法進(jìn)行驗證。結(jié)果表明：融合2種指標(biāo)變量的識別方法可以適應(yīng)更為復(fù)雜的交通環(huán)境;當(dāng)光照、車道標(biāo)識線清晰可辨識時，車道線距離對識別準(zhǔn)確率貢獻(xiàn)最大;當(dāng)車道標(biāo)識線無法辨識時，方向盤轉(zhuǎn)角占優(yōu)。

關(guān)鍵詞： 換道; 識別; 函數(shù)分布; 層次分析法; 貢獻(xiàn)度

文章編號： 2095-2163（2021）07-0091-05中圖分類號：TP391文獻(xiàn)標(biāo)志碼： A

Recognition of intelligent vehicle

lane-change behavior based on functional distribution characteristic

HU Xin

（Shanghai Nanhu Vocational and Technical College， Shanghai 200439， China）

【Abstract】To solve the problem of recognizing the driver's intention to change lanes in the current intelligent driver assistance systems， the study is based on functional distribution characteristic analysis and hierarchical analysis. In generally，the distance between the main vehicle and the lane line is used to be as an indicator variable of lane change behavior recognition. Because the image data is used to be as the basis data source of the index variable data， the index variable is strongly influenced by light and transport infrastructure.The steering wheel angle and lane line distance are used to be as index variables of lane-changing behavior identification in this paper. And this paper proposes a method of lane-changing behavior recognition based on functional distribution. Firstly， the obtained index variables are analysed by functional distribution to determine the corresponding lane changing start-stop time. Then， the distribution of the conditions reliability of the obtained variable on recognition accuracy is determined by analytic hierarchy process. The lane-changing behavior identification rules is established by combination of two kinds of variables contribution. Finally， the real vehicle data is used to validate the identification method. The results show that the identification method combined two kinds of index variables can be adapting in more complicated traffic environment. When the light and lane identification lines are clearly identifiable， the lane distance is dominant to the recognition accuracy. However， when lane identification line cannot be identifie， steering wheel angle is dominant.

【Key words】lane-change; recognition; functional distribution; analytic hierarchy process; contribution

0 引 言

隨著車載輔助駕駛系統(tǒng)的不斷完善使得汽車安全性大大提高，而這些輔助系統(tǒng)基礎(chǔ)數(shù)據(jù)來源于各個傳感器，包括各種雷達(dá)和視覺傳感器，駕駛輔助系統(tǒng)大多是通過這些傳感器來獲取周圍環(huán)境信息來評估當(dāng)前的環(huán)境安全狀況，數(shù)據(jù)的可靠性直接關(guān)系到輔助系統(tǒng)工作的有效性，所以能夠準(zhǔn)確判斷車輛換道行為，為各類駕駛輔助系統(tǒng)提供安全有效的基礎(chǔ)數(shù)據(jù)，對提升道路通行效率、減少交通事故和降低經(jīng)濟(jì)損失都是至關(guān)重要的，也是安全輔助駕駛領(lǐng)域的研究熱點之一。

目前，人工智能技術(shù)和機(jī)器學(xué)習(xí)算法是很多專家學(xué)者常用來研究這類問題常用的工具，邱小平等人[1]采用了分段離散化的方法對數(shù)據(jù)進(jìn)行預(yù)處理，由此建立的基于貝葉斯網(wǎng)絡(luò)的車輛換道模型對換道行為進(jìn)行識別。楊建坤等人[2]通過駕駛模擬平臺采集了不同類型的換道行為數(shù)據(jù)，運用樣本數(shù)據(jù)訓(xùn)練、測試模型，得到模型能夠有效區(qū)分安全性換道和風(fēng)險性換道。陳亮等人[3]采用網(wǎng)格搜索結(jié)合粒子群優(yōu)化算法對支持向量機(jī)模型中參數(shù)進(jìn)行尋優(yōu)標(biāo)定，利用多分類支持向量機(jī)換道識別模型對樣本數(shù)據(jù)進(jìn)行訓(xùn)練和測試，此模型能夠很好地識別車輛在換道過程中的行為狀態(tài)，為車輛換道階段的研究提供支持。張宇惠等人[4]采用隱馬爾可夫模型的建立與應(yīng)用，對駕駛員變換車道行為進(jìn)行分析。楊殿閣等人[5]基于汽車轉(zhuǎn)向運動學(xué)推導(dǎo)車輛行駛狀態(tài)與汽車行駛軌跡之間的映射關(guān)系，建立了汽車行駛方向向量模型，提出以車身軸線轉(zhuǎn)角和最大轉(zhuǎn)向盤轉(zhuǎn)角為特征量的支持向量機(jī)線性分類器，并運用拉格朗日數(shù)乘法和二次規(guī)劃算法求解該最優(yōu)分類問題。徐婷等人[6]將車載參數(shù)和車輛位置參數(shù)相結(jié)合，提出一種能夠應(yīng)用到ADAS的城市道路換道行為識別模型。黑凱先等人[7]基于車輛多自由度駕駛仿真平臺，采集車輛運行狀態(tài)參數(shù)的相關(guān)數(shù)據(jù).在不同維度的特征集和多個樣本時窗狀況下，運用隨機(jī)森林決策樹方法連續(xù)識別駕駛員的換道行為。商艷等人[8]采用瞳孔變動視覺特征的方法對駕駛?cè)藫Q道意圖進(jìn)行識別。在以上的機(jī)器學(xué)習(xí)算法中，貝葉斯網(wǎng)絡(luò)模型由于輸入變量相關(guān)性導(dǎo)致的問題對換道識別結(jié)果影響較大;神經(jīng)網(wǎng)絡(luò)模型存在學(xué)習(xí)時間長、易陷入局部最優(yōu)等缺點;而支持向量機(jī)模型可以避免其他算法的缺陷與不足，但其懲罰參數(shù)和核函數(shù)參數(shù)不易確定。為了在簡化換道行為識別過程的同時，提高換道行為識別精度，本文擬在傳統(tǒng)的方法上進(jìn)行改進(jìn)。

目前常見的換道行為識別[9-10]系統(tǒng)都是基于單一數(shù)據(jù)來源，最為可靠的就是主車與車道線的距離，而距車道線距離數(shù)據(jù)的獲取一般是通過影像設(shè)備[11]，這些設(shè)備受光照和交通標(biāo)識影響較大，當(dāng)遇到夜晚或者無車道線標(biāo)識的路段時，這些系統(tǒng)基本處于癱瘓狀態(tài)，無法給駕駛員提供必要的輔助決策，雖然夜視系統(tǒng)的出現(xiàn)大大拓展了換道輔助系統(tǒng)的應(yīng)用范圍，但夜視系統(tǒng)成本高;有些系統(tǒng)為了避免影像數(shù)據(jù)的弊端，進(jìn)而將方向盤轉(zhuǎn)角作為換道行為的唯一指標(biāo)特征，換道時的方向盤轉(zhuǎn)角與車輛直線行駛時的差異性并不明顯?，F(xiàn)如今，市場上方向盤轉(zhuǎn)角傳感器的精度一般在2°左右，而中高速換道時方向盤轉(zhuǎn)角也就3°～5°之間，當(dāng)遇到路面顛簸時，方向盤轉(zhuǎn)角數(shù)據(jù)也有大幅度的變化，有時車上裝載質(zhì)量較大或左右分布失衡時，方向盤轉(zhuǎn)角也有變化，因此，要在降低成本的同時提高換道識別系統(tǒng)的有效工作范圍，需融合車道線距離和方向盤轉(zhuǎn)角兩種數(shù)據(jù)，采用更為有效的識別方法。為此，本文將車道線距離和方向盤轉(zhuǎn)角速率作為換道行為識別指標(biāo)，利用函數(shù)分布以及層次分析法對換道行為進(jìn)行識別，并采集實車試驗數(shù)據(jù)對該方法進(jìn)行了驗證。仿真結(jié)果表明，該方法能夠適應(yīng)更為復(fù)雜的交通環(huán)境。

1 換道行為指標(biāo)變量分析

1.1 方向盤轉(zhuǎn)角

不同于影像設(shè)備獲取到的主車距車道線的距離數(shù)據(jù)，方向盤轉(zhuǎn)角數(shù)據(jù)的獲取不受道路標(biāo)識線和光照條件的影響，在任何情況下均可得到，但方向盤轉(zhuǎn)角受路面不平度影響較大，同時，采集方向盤轉(zhuǎn)角數(shù)據(jù)所用的傳感器精度也對測試結(jié)果有一定影響。本次試驗用到的方向盤轉(zhuǎn)角傳感器精度為1°，從方向盤轉(zhuǎn)角隨時間變化圖中可以看出，方向盤轉(zhuǎn)角數(shù)據(jù)呈現(xiàn)出階躍變化的形式，這主要是受到數(shù)據(jù)采集傳感器精度和采樣頻率影響。本次試驗用到的方向盤轉(zhuǎn)角傳感器的精度已經(jīng)很高，若再采用精度更高的設(shè)備，成本增加很多，后期應(yīng)用將會受到成本制約。圖1是一段時間序列中方向盤轉(zhuǎn)角的變化情況，采集時間為50 s，數(shù)據(jù)采樣頻率為10 Hz。

圖1中，換道行為發(fā)生在0～5 s之間，而7 s時方向盤轉(zhuǎn)角反而大于換道時方向盤轉(zhuǎn)角的變化，由此可見僅僅通過判斷時域內(nèi)方向盤轉(zhuǎn)角的變化是無法有效識別駕駛?cè)藫Q道行為的。如果將方向盤轉(zhuǎn)角數(shù)據(jù)直接映射到頻域內(nèi)，而又無法得到時間信息，如此一來，換道行為識別就失去了意義。因此，需要尋求一種能夠在時頻和頻域表現(xiàn)方向盤轉(zhuǎn)角變化的方法，那就是函數(shù)分布。

1.2 Wigner_Ville分布

Wigner-Ville分布（簡稱 WVD）是典型的二次型變換，可定義為信號瞬時相關(guān)函數(shù)的傅立葉變換，反映了信號瞬時時頻關(guān)系。對于單分量線性調(diào)頻信號而言，WVD在時頻平面上的投影為一條直線，即頻率隨時間呈線性變化關(guān)系。由于WVD分析沒有引入窗函數(shù)，避免了其他時頻變換由于需要窗函數(shù)而帶來的頻率分辨率和時間分辨率的相互牽制[12-13]。WVD的數(shù)學(xué)定義如下：

其中，xt為連續(xù)的時間信號;t為時間;f為頻率;Wxt， f即為信號xt的WVD分布。很顯然，Wxt， f是時間和頻率的函數(shù)，能夠反映出原始信號的時頻兩域的特征。

圖2是一段時間序列內(nèi)方向盤轉(zhuǎn)角的WVD分布，其中，方向盤轉(zhuǎn)角數(shù)據(jù)跟圖1數(shù)據(jù)相對應(yīng)。從圖2中可以看出在時頻域內(nèi)，換道時方向盤轉(zhuǎn)角與直線行駛有明顯的差異，從時頻域內(nèi)可以容易找到相應(yīng)的起止時刻，即換道行為發(fā)生在0～5 s間。由此可見，利用WVD可以很好地反映方向盤轉(zhuǎn)角數(shù)據(jù)在時頻域的分布特征，且能夠有效識別出換道行為。

1.3 車道線距離數(shù)據(jù)分析

此處車道線距離指的是車輛左右前輪距車道線的距離，由于車道寬度一般為375 cm，因此，左右車道線距離和主車左右輪距存在如下關(guān)系：

其中，DL、DR、B分別為主車左前輪距左側(cè)車道線距離、主車右前輪距右側(cè)車道線距離以及主車左右輪距，單位均為cm。在實際應(yīng)用時，只選單側(cè)的車道線距離即可。圖3是主車以20 m/s的車速，采集到的一段時間序列的單側(cè)車道線距離數(shù)據(jù)，包括車道線可識別和車道線無法識別這2種情況。其中，在車道線可識別的情況下，圖3中的紅色曲線呈現(xiàn)連續(xù)遞增的變化趨勢，而在車道線無法識別的情況下，圖3中的綠色曲線出現(xiàn)階躍，變化缺少規(guī)律性。

從圖3中可以看出，當(dāng)車道線清晰可辨識時，車道線距離在時域內(nèi)就表現(xiàn)出較強規(guī)律性，無需分析其時頻特性就能準(zhǔn)確識別換道行為。圖3在起始階段，車道線是可見，試驗是在10 s位置時用與瀝青顏色相近的紙板擋住車道線。從圖3可以看出，當(dāng)車道線消失后，傳感器采集到數(shù)據(jù)基本無效，由于車道線數(shù)據(jù)的獲取渠道是影像傳感器，當(dāng)這些傳感器無法準(zhǔn)確捕捉到圖像中車道線信息時，暫時會保持原狀態(tài)，當(dāng)捕捉到與路面反色較大的其他目標(biāo)時，傳感器會隨機(jī)捕捉這些信息，并經(jīng)過轉(zhuǎn)化和辨識輸出車道線數(shù)據(jù)。圖3中，20 s時車輛橫向位移為50 cm，此刻車輛的橫向速度達(dá)到了0.5 m/s，此時的車速為20 m/s，很顯然，車輛的當(dāng)橫向加速達(dá)到0.5 m/s時，會出現(xiàn)非穩(wěn)態(tài)工況，車輛極有可能翻車，這也表明，此時采集到的數(shù)據(jù)不可信，若此時將車道線距離作為換道行為的唯一指標(biāo)特征時，根本無法真實反映車輛當(dāng)前的行駛狀態(tài)。因此，結(jié)合不受車道線標(biāo)識清晰度影響的方向盤轉(zhuǎn)角來識別換道行為顯得尤為重要。

2 換道行為識別

經(jīng)過上述分析可知，在光照條件好、車道線清晰可辨識的情況下，車道線距離有規(guī)律可循，能夠用來作為換道行為識別的有效判斷指標(biāo)之一;當(dāng)車道線無法辨識時，車道線距離則不能作為換道行為識別的有效判斷指標(biāo)，而方向盤轉(zhuǎn)角數(shù)據(jù)在時頻域有規(guī)律可循，可以用來作為換道行為的補充性評價指標(biāo)。所以為降低僅采用車道線距離或方向盤轉(zhuǎn)角作為單一指標(biāo)變量所帶來的識別誤差，本文融合2種指標(biāo)變量，通過層次分析法對2種指標(biāo)進(jìn)行權(quán)值分配，最終確定換道行為的綜合性評價指標(biāo)。

2.1 層次分析法

層次分析法是指將一個復(fù)雜的多目標(biāo)決策問題作為一個系統(tǒng)，將目標(biāo)分解為多個目標(biāo)或準(zhǔn)則，進(jìn)而分解為多指標(biāo)的若干層次，通過定性指標(biāo)模糊量化方法算出層次單排序和總排序，以作為目標(biāo)多方案優(yōu)化決策的系統(tǒng)方法。層次分析法是將決策問題按總目標(biāo)、各層子目標(biāo)、評價準(zhǔn)則直至具體的備投方案的順序分解為不同的層次結(jié)構(gòu)，然后用求解判斷矩陣特征向量的辦法，求得每一層次的各元素對上一層次某元素的優(yōu)先權(quán)重，最后再用加權(quán)和的方法遞階歸并各備擇方案對總目標(biāo)的最終權(quán)重，此最終權(quán)重最大者即為最優(yōu)方案[14]。層次分析法主要工作就是確定判斷矩陣B，矩陣元素一般用標(biāo)度進(jìn)行描述，詳見表1。

判斷矩陣B有如下特征：

最終通過一致性判定，若隨機(jī)一致性指標(biāo)達(dá)到可接受范圍，表明判斷矩陣構(gòu)造合理。

2.2 車道線清晰可辨識時換道行為識別

在換道行為識別時，首先采用層次分析法確定2種指標(biāo)的權(quán)值，根據(jù)2種指標(biāo)單獨判定結(jié)果并結(jié)合權(quán)值最終給出識別結(jié)果。這里，將駕駛行為分為2類，即換道和直行，換道行為記為1，直線行駛行為記為0，方向盤轉(zhuǎn)角通過設(shè)定閾值，采用WVD確定換道行為（起止時刻）;車道線距離直接根據(jù)其在時域內(nèi)變化確定換道行為（起止時刻）。具體判定規(guī)則如下：

其中，P方向盤、P車道線距離為單純采用方向盤轉(zhuǎn)角或車道線距離對換道行為的識別結(jié)果，值為0或1;α、β分別為層次分析法確定權(quán)值;若P輸出≥0.5，判斷結(jié)果為換道行為，否則為直線行駛。

在車道線清晰可辨識時，車道線距離指標(biāo)占主導(dǎo)地位，由此構(gòu)造的判斷矩陣為B1：

該判斷矩陣通過了一致性檢驗，最終確定車道線距離和方向盤轉(zhuǎn)角的權(quán)值分別為0.75和0.25。

為了驗證綜合性評價指標(biāo)的有效性，需要對其進(jìn)行驗證，通過試驗共采集到2 048個換道行為樣本。首先對車道線可識別的情況進(jìn)行驗證，分別采用3種方法對所有換道行為樣本進(jìn)行識別，3種方法的識別準(zhǔn)確率見表2。

單一方向盤轉(zhuǎn)角法即為單純采用方向盤作為指標(biāo)變量來進(jìn)行換道行為識別，單一車道線距離方法與方向盤轉(zhuǎn)角方法一致，融合方法就將方向盤轉(zhuǎn)角和車道線距離作為指標(biāo)變量，利用式（4）判定準(zhǔn)則進(jìn)行換道行為識別。表2表明，在車道線清晰可見情況下，單一的車道線距離識別法與融合法相近，而方向盤轉(zhuǎn)角識別準(zhǔn)確率較低。

2.3 車道線無法辨識時換道行為識別

與車道線清晰可見時所用的換道行為識別方法一樣，這里采用3種方法識別結(jié)果見表3。由表3可以看出，在車道線無法辨識時，采用融合法能夠得到更高的識別準(zhǔn)確率。

3 結(jié)束語

本文分析了2種單一指標(biāo)作為換道行為評價指標(biāo)的有效性，采用二次型變換將方向盤轉(zhuǎn)角變換到時頻域，提高了方向盤轉(zhuǎn)角作為換道指標(biāo)的識別精度。驗證了車道線距離指標(biāo)在不同路面情況下的有效性，最后使用層次分析法對2種換道評價指標(biāo)加權(quán)，得到綜合性換道行為評價指標(biāo)，本文主要結(jié)論如下：

（1）在時域內(nèi)，換道時方向盤轉(zhuǎn)角和直行時區(qū)別不大，而在時頻域內(nèi)，換道時方向盤轉(zhuǎn)角和直行時存在較大差異。

（2）當(dāng)車道線無法辨識時，單純的車道線距離識別方法基本失效;但在車道線清晰可見時，單純的車道線距離識別法有很高的識別準(zhǔn)確率。

（3）采用融合識別法，無論在車道線是否清晰可見時都有較高的準(zhǔn)確率。

通過大量數(shù)據(jù)驗證，可以發(fā)現(xiàn)融合2種指標(biāo)變量的識別方法可以適應(yīng)更為復(fù)雜的交通環(huán)境，具有較高的換道行為識別準(zhǔn)確率，能夠作為智能駕駛輔助系統(tǒng)的基礎(chǔ)數(shù)據(jù)。本文也有不足之處，沒有充分考慮更為復(fù)雜的道路環(huán)境和駕駛員模型，比如在路面不平度較大，各型傳感器精度不高的情況下，想要獲取到精度較高的評價參數(shù)仍存在一定困難。在日后的研究中，需要完善理論，實現(xiàn)在各種情況下對駕駛員換道行為的辨識，最終提高輔助駕駛的安全性能。

參考文獻(xiàn)

[1]邱小平，劉亞龍，馬麗娜，等. 基于貝葉斯網(wǎng)絡(luò)的車輛換道模型[J]. 交通運輸系統(tǒng)工程與信息，2015，15（5）：67-73，95.

[2]楊建坤，熊堅，徐東霞. 基于支持向量機(jī)的車輛換道行為識別仿真研究[J]. 貴州大學(xué)學(xué)報（自然科學(xué)版），2020，37（5）：120-124.

[3]陳亮，馮延超，李巧茹. 基于Multi-class SVM的車輛換道行為識別模型研究[J]. 安全與環(huán)境學(xué)報，2020，20（1）：193-199.

[4]張宇惠，張鳳登. 基于HMM模型的駕駛員換道行為識別分析[J]. 電子科技， 2016， 29（6）： 34-36.

[5]楊殿閣，何長偉，李滿，等. 基于支持向量機(jī)的汽車轉(zhuǎn)向與換道行為識別[J]. 清華大學(xué)學(xué)報（自然科學(xué)版）， 2015， 55（10）： 1093-1097.

[6]徐婷，溫常磊，張香，等. 基于GMM-CHMM的城市道路換道行為識別[J]. 交通運輸系統(tǒng)工程與信息， 2020， 20（1）： 61-67.

[7]黑凱先，曲大義，周警春，等. 基于隨機(jī)森林決策樹的行駛車輛換道行為識別[J]. 青島理工大學(xué)學(xué)報， 2020， 41（1）： 115-120.

[8]商艷，朱守林，戚春華. 基于瞳孔變動視覺特征的駕駛?cè)藫Q道意圖識別_商艷[J]. 計算機(jī)仿真， 2020， 37（8）： 77-81.

[9]袁偉，張亞岐. 支持向量機(jī)在換道行為識別中的應(yīng)用研究[J].計算機(jī)工程與設(shè)計，2013，34（2）：643-648.

[10]劉永濤，喬潔，魏朗，等. 危險駕駛行為識別[J]. 計算機(jī)工程與設(shè)計，2014，35（4）：1322-1326.

[11]劉永濤，王鵬，魏朗，等. 基于DSP的前方車輛位置關(guān)系辨識研究[J].計算機(jī)工程與設(shè)計，2014，35（5）：1738-1741.

[12]席有猷，郝建華，程乃平，等. 一種魏格納-威利分布交叉項提出新方法[J]. 河北科技大學(xué)學(xué)報，2012，33（6）：506-510.

[13]康海英，欒軍英，鄭海起，等. 基于小波包變換和偽魏格納分布的軸承故障診斷[J]. 軍械工程學(xué)院學(xué)報，2004，16（5）：5-8.

[14]胡群，劉文云. 基于層次分析法的SWOT方法改進(jìn)與實例分析[J].? 教學(xué)實踐與認(rèn)識，2009，32（3）：68-71.

作者簡介： 胡 鑫（1984- ），女，碩士，講師，主要研究方向：汽車電控、新能源汽車、人工智能。

收稿日期： 2020-12-12