基于條件隨機(jī)場的駕駛意圖識別研究
2021-12-08 13:46:19王亞倫陳煥明趙巖
王亞倫 陳煥明 趙巖
摘要： ?為了提高高級駕駛輔助系統(tǒng)的安全性和可靠性，本文提出了一種基于條件隨機(jī)場的駕駛意圖識別模型。在模擬駕駛器中，通過采集到的偏航角和車輛質(zhì)心到車道中心線的距離，計(jì)算出車輛前輪壓線點(diǎn)的時(shí)刻，從而確定車道保持意圖、左換道意圖和右換道意圖3種意圖時(shí)窗，并對識別結(jié)果進(jìn)行對比。記錄了12名受試者的駕駛樣本共200組，通過對比樣本的差異，確定了7個(gè)駕駛意圖特征參數(shù)。仿真結(jié)果表明，基于CRF的識別效果很好，選取意圖時(shí)窗T=12 s最合理，而且LK、LCL和LCR 3種駕駛意圖綜合評價(jià)指標(biāo)（F1值）分別達(dá)到了9526%、9646%和9519%，能準(zhǔn)確地識別出駕駛員的駕駛意圖，極大提高了行車的安全性。該研究為駕駛意圖識別領(lǐng)域的發(fā)展提供了參考。
關(guān)鍵詞： ?ADAS; 條件隨機(jī)場; 意圖識別; 意圖時(shí)窗; 綜合評價(jià)指標(biāo)
中圖分類號： U491.2+5; U467.5+1; TP391.4 文獻(xiàn)標(biāo)識碼： A
基金項(xiàng)目： ?山東省高等學(xué)?？萍加?jì)劃項(xiàng)目（J18KA048）
近年來，大量企業(yè)和研究機(jī)構(gòu)致力于開發(fā)高級駕駛輔助系統(tǒng)（advanced driving assistance system，ADAS），通過自動調(diào)節(jié)汽車的電子、機(jī)電和通信系統(tǒng)，提醒駕駛員潛在的危險(xiǎn)或危險(xiǎn)來臨時(shí)如何減輕碰撞損壞，從而提高駕駛員行車的安全性[1]。常見的ADAS技術(shù)有自適應(yīng)巡航控制（adaptive cruise control，ACC）、車道偏離預(yù)警（lane departure warning，LDW）、車道保持輔助（lane keep assistance，LKA）和側(cè)面警告輔助（side warning assistance，SWA）等，但這些輔助系統(tǒng)大多是在沒有考慮駕駛員意圖的情況下做出判斷[2]，這將干擾駕駛員的正常操作并降低行車的安全性。駕駛員是“人車路”系統(tǒng)的核心，因此準(zhǔn)確的駕駛意圖識別是提高ADAS安全性和可靠性的關(guān)鍵。目前，國內(nèi)外學(xué)者提出了很多駕駛意圖識別方法，如支持向量機(jī)（support vector machine，SVM）、貝葉斯決策（bayesian decision，BD）、神經(jīng)網(wǎng)絡(luò)和隱馬爾可夫模型（hidden markov model，HMM）等。Husen M N等人[3]通過利用句法識別方法中的上下文無關(guān)語法，對換道和轉(zhuǎn)彎過程中的駕駛行為參數(shù)以符號的形式表示，形成代表特定行為的句子，實(shí)現(xiàn)了駕駛意圖的識別;郭應(yīng)時(shí)等人[4]通過分析換道行為和車輛運(yùn)動狀態(tài)，建立基于BP神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的換道意圖識別模型，對意圖換道進(jìn)行實(shí)時(shí)識別試驗(yàn)，結(jié)果表明證據(jù)理論識別模型具有更高的識別準(zhǔn)確率;Liao Y等人[5]提出一種基于SVM的駕駛員認(rèn)知分心實(shí)時(shí)檢測算法，對駕駛員的駕駛意圖具有較高的識別率;李敏等人[6]建立了基于粒子群算法的SVM和神經(jīng)網(wǎng)絡(luò)的駕駛意圖識別模型，對比發(fā)現(xiàn)后者具有更高的識別率;姜順明等人[7]提出一種基于貝葉斯網(wǎng)絡(luò)的旁車并線意圖識別模型，對并線樣本和直行樣本均具有較高的識別率;劉志強(qiáng)等人[8]運(yùn)用HMM和SVM級聯(lián)算法，建立駕駛員駕駛意圖識別模型，其識別結(jié)果明顯高于HMM和SVM單一算法。上述研究雖然識別的準(zhǔn)確率較高，但存在模型過于復(fù)雜、所需訓(xùn)練數(shù)據(jù)樣本量過大的問題。基于此，本文通過模擬駕駛器采集駕駛意圖特征參數(shù)，采用基于條件隨機(jī)場（conditional random field， CRF）的駕駛意圖識別方法，對駕駛意圖進(jìn)行識別檢測。通過采集到的偏航角和車輛質(zhì)心到車道中心線的距離，計(jì)算車輛前輪壓線點(diǎn)的時(shí)刻，確定車道保持意圖、左換道意圖和右換道意圖3種意圖時(shí)窗，并對識別結(jié)果進(jìn)行對
比。記錄12名受試者的駕駛樣本共200組，通過對比樣本的差異，確定7個(gè)駕駛意圖特征參數(shù)進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該研究能準(zhǔn)確識別駕駛員的駕駛意圖，提高行車安全性。
1試驗(yàn)方案
1.1試驗(yàn)平臺及試驗(yàn)場景設(shè)計(jì)
為滿足實(shí)驗(yàn)實(shí)時(shí)準(zhǔn)確地進(jìn)行采集分析，在保證安全的前提下進(jìn)行多次試驗(yàn)。本文采用基于NI PharLap ETS實(shí)時(shí)系統(tǒng)，搭建模擬駕駛器，進(jìn)行數(shù)據(jù)采集，模擬駕駛器如圖1所示。
本文主要研究高速公路場景下的換道行為，使用Carsim仿真軟件，按照國家標(biāo)準(zhǔn)搭建的雙向六車道。其中單車道寬度為4 m，場景中包括交通標(biāo)志、標(biāo)準(zhǔn)車道線、路肩、樹木、建筑和其他輔助車輛等景象，路線全長設(shè)置為20 km，試驗(yàn)車速全程設(shè)置為80～120 km/h，試驗(yàn)天氣設(shè)置為晴天。
1.2試驗(yàn)人員
本次試驗(yàn)共招募12名駕駛員作為受試者，其中男性駕駛員10名，女性駕駛員2名，身份為在校的學(xué)生或老師，年齡在22～50歲，受試者均擁有C1級駕駛證，駕齡均在2年以上。此外，試驗(yàn)過程還配備1名工作人員，負(fù)責(zé)監(jiān)控模擬駕駛器的工作狀況并進(jìn)行數(shù)據(jù)采集記錄。
1.3試驗(yàn)過程
本文將駕駛意圖劃分為車道保持意圖（lane keeping，LK）、左換道意圖（lane changing left，LCL）和右換道意圖（lane changing right，LCR）3類。試驗(yàn)過程中，駕駛模擬器會實(shí)時(shí)同步地采集車輛縱向速度、車輛橫向速度、方向盤轉(zhuǎn)角、方向盤轉(zhuǎn)角速度、偏航角、車輛橫向位置、制動和油門踏板開度等多種車輛運(yùn)動狀態(tài)參數(shù)，采樣頻率設(shè)置為100 Hz。
2意圖表征時(shí)窗的選取
2.1意圖時(shí)窗的選取
為得到換道意圖樣本，首先確定意圖表征時(shí)窗的寬度。A. Doshi等人[9]通過對比換道前3 s與前2 s的識別率表明，換道前2 s的識別率更高;Peng J S等人[10]根據(jù)眼動數(shù)據(jù)和車輛行駛狀態(tài)數(shù)據(jù)，確定換道時(shí)窗為5 s。本文將換道過程中換道方向的前側(cè)車輪壓到車道中心線時(shí)刻前Ts作為意圖表征時(shí)窗。車輛左換道行駛軌跡如圖2所示，其中O點(diǎn)為車輛左前輪與車道線的交點(diǎn)。
2.2前輪壓線點(diǎn)時(shí)刻的確定
由于Carsim軟件中的車輛橫向位置信號指的是車輛的質(zhì)心位置到車道中心線的距離，因此車輛的左、右前輪壓線點(diǎn)的時(shí)刻單憑肉眼觀測無法準(zhǔn)確判斷。本文通過測得的偏航角φ及車輛質(zhì)心到車道中心線的距離L計(jì)算出準(zhǔn)確的左、右前輪壓線點(diǎn)時(shí)刻，左前輪壓線點(diǎn)時(shí)刻計(jì)算示意圖如圖3所示。
圖3中A、B、C、D表示簡易化的車輛;LAB=LCD，表示車輛的輪距;LAD=LBC，表示車輛的軸距;LAE=LGF，表示車輛左前輪到車道中心線的距離;φ為車輛的偏航角;點(diǎn)A視為車輛的左前輪;點(diǎn)I視為車輛的質(zhì)心;點(diǎn)H視為車輛質(zhì)心I到AD做垂線的垂足且視為軸距AD的中點(diǎn)，點(diǎn)E視為車輛左前輪A到車道中心線做垂線的垂足，點(diǎn)F為車輛質(zhì)心點(diǎn)I到車道中心線做垂線的垂足，點(diǎn)K為IF與AD的交點(diǎn)。
利用三角形關(guān)系可得
L=LGF+LGK+LKI（1）
LAE=LGF（2）
LKI=LHI/cos?φ（3）
LGK=（LAH-LHI×tan?φ）×sin?φ（4）
式中，LAH為車輛軸距的1/2;LHI為車輛輪距的1/2。本文選定的目標(biāo)車輛為Carsim中的C級車，其軸距為2 910 mm，輪距為1 916 mm。
根據(jù)三角形相似的性質(zhì)可知，圖3中∠HIK=∠GAK=φ，tan?φ=tan∠HIK=LKH/LHI，sin?φ=sin∠GAK=LGK/LAK，進(jìn)而得出LHI×tanφ=LKH，LAH-LKH=LAK，最終得到LGK=LAK×sin?φ。
當(dāng)LAE=0時(shí)，計(jì)算出左前輪壓線點(diǎn)的時(shí)刻，不管采樣率的取值多小，總存在時(shí)間間隔，所以部分剛好處于壓線點(diǎn)時(shí)刻的數(shù)據(jù)無法采集。本文采樣頻率為100 Hz，采樣間隔為0.01 s，其誤差不超過0.015 m，右換道同上。
2.3樣本篩選
確定好意圖表征時(shí)窗后，分別選取圖2中T=1，1.2，1.5 s，該特征數(shù)據(jù)量作為左換道意圖階段的樣本進(jìn)行對比，右換道同理。為了便于后續(xù)的對比分析，隨機(jī)截取無明顯換道意圖且樣本量同為T的特征數(shù)據(jù)段作為車道保持意圖階段的樣本。
按照上述要求篩選出200組樣本，其中LK樣本100組，LCL樣本50組，LCR樣本50組，為提高識別效果，將樣本以4∶1的比例分為訓(xùn)練樣本和測試樣本。
3駕駛意圖特征參數(shù)的確定
對篩選的LK樣本、LCL樣本和LCR樣本的特征參數(shù)數(shù)據(jù)進(jìn)行分析對比，排除差異小的參數(shù)，根據(jù)選取特征參數(shù)時(shí)遵循易量化、全面性和相互獨(dú)立性的原則[11]，經(jīng)獨(dú)立樣本T檢驗(yàn)，選取出伴隨概率p<0.05，即存在顯著性差異的特征參數(shù)。
3.1駕駛行為參數(shù)
操縱方向盤是完成車道變換過程的最直接驅(qū)動因素，并且在車道保持過程中，駕駛員也需要根據(jù)道路環(huán)境和交通狀況通過操控方向盤不斷地調(diào)整車輛在車道中的位置，因此，駕駛員對方向盤的操縱是影響行車安全性最直接且最關(guān)鍵的因素[12]。通過NI Veristand采集到方向盤轉(zhuǎn)角與方向盤轉(zhuǎn)角速度，上述駕駛行為參數(shù)達(dá)到了表征駕駛員的駕駛意圖的要求，3種駕駛意圖階段駕駛員行為參數(shù)箱線圖如圖4所示。
3.2車輛狀態(tài)和道路參數(shù)
車道變換屬于車輛橫向運(yùn)動的一種，選擇與車輛橫向運(yùn)動相關(guān)的特征參數(shù)能準(zhǔn)確地表達(dá)車輛的橫向運(yùn)動狀態(tài)，提高識別的準(zhǔn)確率。因此，本文選取了車輛的橫向位置、橫向速度和加速度以及偏航角和側(cè)傾角等特征參數(shù)。上述車輛狀態(tài)和道路特征參數(shù)均達(dá)到了表征駕駛員的駕駛意圖的要求，3種駕駛意圖階段車路參數(shù)箱線圖如圖5所示。
基于以上分析，結(jié)合圖4和圖5，選定的駕駛意圖特征參數(shù)如下：
1）駕駛行為參數(shù)。方向盤轉(zhuǎn)角（°），方向盤轉(zhuǎn)角速度（°/s），橫向位置（m），橫向速度（km/h）。
2）車輛狀態(tài)和道路參數(shù)。橫向加速度（m/s2），偏航角（°），側(cè)傾角（°）。
4基于CRF的模型訓(xùn)練及仿真分析
隱馬爾可夫模型（hidden markov model， HMM）是用于標(biāo)注問題的統(tǒng)計(jì)學(xué)習(xí)模型，根據(jù)定義隱馬爾可夫模型作了2個(gè)基本假設(shè)，即齊次馬爾可夫性和觀測獨(dú)立性假設(shè)[13]。HMM的缺點(diǎn)是只依賴于每個(gè)時(shí)刻的狀態(tài)和它對應(yīng)的觀察對象，即在任意時(shí)刻觀察值僅僅與狀態(tài)（要標(biāo)注的標(biāo)簽）有關(guān)，計(jì)算狀態(tài)轉(zhuǎn)移概率和觀測概率是分開計(jì)算的，可認(rèn)為相互獨(dú)立，而序列標(biāo)注問題跟單個(gè)詞及其上下文即觀測序列的長度都相關(guān)，條件隨機(jī)場解決了該缺點(diǎn)，可以任意容納上下文信息。此外，條件隨機(jī)場使用全局優(yōu)化技術(shù)，解決了最大熵馬爾可夫模型的標(biāo)注偏置問題。
條件隨機(jī)場（conditional random field， CRF）主要用于標(biāo)注問題[14]，相比其他序列標(biāo)注模型，CRF綜合考慮了空間上下文特征并作出了全局統(tǒng)計(jì)，能得到更好的標(biāo)注結(jié)果[15]，已被廣泛證明可實(shí)現(xiàn)詞性標(biāo)注的功能，因此CRF在自然語言處理領(lǐng)域得到廣泛應(yīng)用。本文嘗試將CRF運(yùn)用到意圖識別領(lǐng)域，對駕駛意圖特征參數(shù)進(jìn)行標(biāo)注，檢驗(yàn)其識別效果。
4.1線性鏈條件隨機(jī)場
將CRF的預(yù)測問題看作求非規(guī)范化概率最大的最優(yōu)路徑問題，路徑表示標(biāo)記序列，采用動態(tài)規(guī)劃的維特比算法（Viterbi）求解。
4.2模型仿真與訓(xùn)練
1）樣本數(shù)據(jù)預(yù)處理。駕駛員在模擬駕駛器與實(shí)車的駕駛上存在區(qū)別，所以在數(shù)據(jù)采集過程中會與真實(shí)值產(chǎn)生一定偏差，因此需要剔除異常數(shù)據(jù)。異常值剔除的方法主要有拉依達(dá)準(zhǔn)則（3σ準(zhǔn)則）、狄克遜準(zhǔn)則、法拉布斯準(zhǔn)則、法格肖維勒準(zhǔn)則、法羅馬諾夫斯基準(zhǔn)則等[16]。由于拉依達(dá)準(zhǔn)則在剔除異常值簡便、無需查表，因此本文采用拉依達(dá)準(zhǔn)則。
2）基于CRF的識別流程?；贑RF的識別流程如圖7所示。首先將原始數(shù)據(jù)進(jìn)行預(yù)處理，剔除異常值得到待標(biāo)注的數(shù)據(jù)，然后根據(jù)標(biāo)注規(guī)范進(jìn)行人工標(biāo)注，得到標(biāo)注好的數(shù)據(jù)。其中，將車道保持?jǐn)?shù)據(jù)標(biāo)注為2，左換道數(shù)據(jù)標(biāo)注為3，右換道數(shù)據(jù)標(biāo)注為1;將一部分標(biāo)注好的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)輸入到CRF模型中進(jìn)行訓(xùn)練，得到訓(xùn)練好的CRF模型;將另一部分標(biāo)注好的數(shù)據(jù)作為測試數(shù)據(jù)輸入到訓(xùn)練好的CRF模型，最后得到識別結(jié)果。
3）評價(jià)指標(biāo)。本文采用自然語言處理領(lǐng)域常用的評價(jià)指標(biāo)，包括精確率P（Precision）、召回率R（Recall）和F1值[17-19]。其評價(jià)指標(biāo)分別為
將正類判斷為負(fù)類，即應(yīng)當(dāng)識別出卻沒有識別出的駕駛意圖的數(shù)目;FP（False Positive）表示將負(fù)類判斷為正類，即沒有識別出的駕駛意圖的數(shù)目;TN（True Negative）表示將負(fù)類判斷為負(fù)類。參數(shù)含義如表1所示。
4）仿真結(jié)果分析。分別將T=1.5，1.2，1 s的樣本數(shù)據(jù)導(dǎo)入CRF模型，求得T不同時(shí)的駕駛意圖識別結(jié)果如表2所示。由表2可以看出，當(dāng)T=1 s時(shí)的駕駛意圖識別效果最好;當(dāng)T=1.2 s時(shí)，LK、LCL和LCR 3種駕駛意圖的F1值分別達(dá)95.26%，9646%，9519%，均在95%以上，說明CRF的識別效果較為理想，且不需要過多的訓(xùn)練數(shù)據(jù)即可獲得良好的識別結(jié)果。相關(guān)研究表明，如果能提前1 s預(yù)測到危險(xiǎn)事故，并對駕駛員進(jìn)行提醒，可避免很多交通事故。因此，選取T=1.2 s作為意圖表征時(shí)窗，既能達(dá)到理想的識別效果，又可為駕駛員預(yù)留出更多的反應(yīng)時(shí)間。
5結(jié)束語
本文通過模擬駕駛器采集了7種駕駛行為參數(shù)，分別為方向盤轉(zhuǎn)角和方向盤轉(zhuǎn)角速度2種駕駛行為參數(shù)以及車輛的橫向位置、橫向速度、橫向加速度和偏航角5種車輛狀態(tài)和道路參數(shù)，作為駕駛意圖識別的表征參數(shù)。在100 Hz的采樣率下，通過偏航角和車輛質(zhì)心到車道中心線的距離準(zhǔn)確地計(jì)算出了目標(biāo)車輛前輪壓線點(diǎn)的時(shí)刻，從而確定3種意圖時(shí)窗。本文基于CRF建立了駕駛意圖識別模型，在大大減少訓(xùn)練樣本的同時(shí)獲得良好的識別結(jié)果，LK、LCL和LCR 3種駕駛意圖的F1值分別達(dá)到了95.26%、96.46%和95.19%，通過對比最終選取意圖時(shí)窗T=1.2 s最為合理，能準(zhǔn)確地識別出駕駛員的駕駛意圖，極大地提高了行車的安全性，并為駕駛意圖識別領(lǐng)域的發(fā)展提供了參考。后續(xù)研究中，可加入雙目攝像頭對駕駛員的頭面部信息進(jìn)行采集并納為駕駛意圖表征參數(shù)，對駕駛意圖進(jìn)行更準(zhǔn)確的判斷。此外，還可改進(jìn)算法的結(jié)構(gòu)，加大樣本容量來提高識別的準(zhǔn)確率。
參考文獻(xiàn)：
[1]Koesdwiady A， Soua R， Karray F， et al. Recent trends in driver safety monitoring systems： State of the Art and Challenges[J]. IEEE Transactions on Vehicular Technology， 2017， 66（6）： 45504563.
[2]Xing Y， Lv C， Wang H， et al. Driver lane change intention inference for intelligent vehicles： ramework， Survey， and Challenges[J]. IEEE Transactions on Vehicular Technology， 2019， 68（5）： 43774390.
[3]Husen M N， Lee S. Continuous car driving intention recognition with syntactic pattern approach[C]∥International Conference on Information and Communication Technology. Bandung， Indonesia： IEEE， 2017： 7176.
[4]郭應(yīng)時(shí)， 付銳， 趙凱， 等. 駕駛?cè)藫Q道意圖實(shí)時(shí)識別模型評價(jià)及測試[J]. 吉林大學(xué)學(xué)報(bào)： 工學(xué)版， 2016， 46（6）： 18361844.
[5]Liao Y， Li S E， Li G， et al. Detection of driver cognitive distraction： An SVM based realtime algorithm and its comparison study in typical driving scenarios[C]∥Intelligent Vehicles Symposium. Gothenburg， Sweden： IEEE， 2016： 394399.
[6]李敏， 曲大義， 張西龍， 等. 基于粒子群算法的神經(jīng)網(wǎng)絡(luò)的駕駛意圖識別[J]. 科學(xué)技術(shù)與工程， 2018， 18（36）： 261265.
[7]姜順明， 匡志豪， 王奕軒， 等. 基于貝葉斯網(wǎng)絡(luò)的車輛并線意圖識別[J]. 河南科技大學(xué)學(xué)報(bào)： 自然科學(xué)版， 2021， 42（5）： 3944.
劉志強(qiáng)， 吳雪剛， 倪捷， 等. 基于HMM和SVM級聯(lián)算法的駕駛意圖識別[J]. 汽車工程， 2018， 40（7）： 858864.
[9]Doshi A， Trivedi M M. On the roles of eye gaze and head dynamics in predicting driver′s intent to change lanes[J]. IEEE Transactions on Intelligent Transportation Systems， 2009， 10（3）： 453462.
[10]Peng J， Wang K， Xu L， et al. Lane changing decision based on binary finite and zerosum grey game[J]. Journal of Discrete Mathematical Ences & Cryptography， 2017， 20（4）： 767779.
[11]袁偉， 付銳， 郭應(yīng)時(shí)， 等. 基于視覺特性的駕駛?cè)藫Q道意圖識別[J]. 中國公路學(xué)報(bào)， 2013， 26（4）： 132138.
[12]彭金栓. 基于視覺特性與車輛相對運(yùn)動的駕駛?cè)藫Q道意圖識別方法[D]. 西安： 長安大學(xué)， 2012.
[13]李航. 統(tǒng)計(jì)學(xué)習(xí)方法[M]. 北京： 清華大學(xué)出版社， 2012.
[14]Lafferty J， Mccallum A， Pereira F C N. Conditional random fields： probabilistic models for segmenting and labeling sequence data[C]∥18th International Conf on Machine Learning. Massachusetts， America： 2001： 282289.
[15]許也， 申柏希， 徐翔， 等. 基于條件隨機(jī)場的非規(guī)范化中文地址解析方法[J]. 地理與地理信息科學(xué)， 2019， 35（2）： 1218.
[16]朱春楊. 城市快速路駕駛?cè)藫Q道意圖識別研究[D]. 西安： 長安大學(xué)， 2018.
[17]董永權(quán)， 李慶忠， 丁艷輝， 等. 基于約束條件隨機(jī)場的Web數(shù)據(jù)語義標(biāo)注[J]. 計(jì)算機(jī)研究與發(fā)展， 2012， 49（2）： 361371.
[18]潘清清， 周楓， 余正濤， 等. 基于條件隨機(jī)場的越南語命名實(shí)體識別方法[J]. 山東大學(xué)學(xué)報(bào)： 理學(xué)版， 2014， 49（1）： 7679.
[19]鄔倫， 劉磊， 李浩然， 等. 基于條件隨機(jī)場的中文地名識別方法[J]. 武漢大學(xué)學(xué)報(bào)： 信息科學(xué)版， 2017， 42（2）： 150156.
作者簡介： ?王亞倫（1996），男，碩士研究生，主要研究方向?yàn)槠噭討B(tài)仿真與控制技術(shù)。
通信作者： ?陳煥明（1978），男，博士，講師，碩士生導(dǎo)師，主要研究方向?yàn)檐囕v動態(tài)仿真與控制技術(shù)。 Email： qdchm@qdu.edu.cn
Research on Driving Intention Recognition Based on Conditional Random Field
WANG Yalun， CHEN Huanming， ZHAO Yan
（College of Mechanical and Electrical Engineering， Qingdao University， Qingdao 266071， China）
Abstract： ?A driving intent recognition model based on conditional random field （CRF） is proposed to improve the safety and reliability of advanced driver assistance systems （ADAS）. Experiments were carried out in a driving simulators， and the time of the front wheel pressing point of the vehicle was calculated based on the collected yaw angle and the distance from the center of mass of the vehicle to the centerline of the lane， thereby determining the three intention time windows and finally comparing the recognition results. A total of 200 sets of driving samples of 12 testes are recorded. By comparing the differences between the lane keeping （LK） intention， lane changing left （LCL） intention and lane changing right （LCR） intention samples， 7 driving intention characteristic parameters are determined. The simulation results show that the recognition effect based on CRF is very good， and the selection of the intent time window T=12 s is the most reasonable， and the three comprehensive evaluation indexes（F1 value） of LK， LCL and LCR driving intention reached 9526%， 9646% and 9519% respectively， which are all above 95%. It can accurately identify the driver′s driving intention， greatly improve the safety of driving， and provide a reference for the development of driving intention recognition.
Key words： ADAS; CRF; intent recognition; intent window; comprehensive evaluation index
