自然駕駛條件下駕駛員換道行為的識(shí)別與分析

張 策,韓 愈,劉凱文,王 丹,林 業(yè)

(天津科技大學(xué) 機(jī)械工程學(xué)院， 天津 300222)

換道是汽車行駛過(guò)程中常見(jiàn)的駕駛行為之一，在換道過(guò)程中，對(duì)交通環(huán)境的感知及對(duì)車輛的控制都比其他駕駛行為更加復(fù)雜，危險(xiǎn)性也更高[1-2]。美國(guó)高速公路安全管理局(national highwaytraffic safety administration)對(duì)近年來(lái)發(fā)生的交通事故進(jìn)行統(tǒng)計(jì)分析后發(fā)現(xiàn)，有約27%的事故是由車輛換道造成的，而且這其中又有90%以上是由于駕駛員對(duì)周圍環(huán)境觀測(cè)不足造成的[3]。我國(guó)大型實(shí)車路試試驗(yàn)也有相似的結(jié)論：在近年來(lái)交通事故中，有23.91%是由于換道引起的[4]。隨著搭載自動(dòng)駕駛技術(shù)的智能汽車逐步推廣，能夠大幅減少因錯(cuò)誤駕駛行為引起的交通事故?；诜从痴鎸?shí)換道行為特征的自然駕駛數(shù)據(jù)，可以為智能汽車提供正確評(píng)估換道場(chǎng)景潛在風(fēng)險(xiǎn)的能力，選擇安全舒適的策略，減少換道引起的交通事故，對(duì)提高道路行車安全具有重要意義。

目前主要有兩種獲取高速公路換道行為數(shù)據(jù)的方式[5]：一是視頻拍攝，美國(guó)的NGSIM(next generation simulation)數(shù)據(jù)集[6]從高層建筑捕獲中，以鳥瞰的視角捕獲了高速公路和城市交通道路上的車輛軌跡，是一組公開的微觀交通數(shù)據(jù)，廣泛用于駕駛員行為的研究；德國(guó)的highD數(shù)據(jù)集[7]使用配備有攝像模式的無(wú)人機(jī)來(lái)記錄德國(guó)高速公路上的交通情況，定位誤差通常小于10 cm，其中包括了5 600條完整的變道記錄；傳統(tǒng)的視頻獲取方法主要是基于路側(cè)視頻進(jìn)行拍攝，但由于高度有限，有效拍攝范圍較短，而且后期的數(shù)據(jù)處理也面臨較大挑戰(zhàn)。二是自然駕駛，相比于視頻拍攝能夠獲得全面的駕駛行為數(shù)據(jù)，美國(guó)SHRP2(the strategic highway research program 2)[8]采集了36 000條正常駕駛、接近碰撞及碰撞的自然駕駛數(shù)據(jù)；國(guó)內(nèi)同濟(jì)大學(xué)基于China-FOT[9]項(xiàng)目收集了近60名駕駛?cè)说男袨閿?shù)據(jù)，總里程129 109 km。但換道行為受天氣、道路類型、交通量等因素影響，僅僅基于現(xiàn)有數(shù)據(jù)集的分析是遠(yuǎn)遠(yuǎn)不夠的，針對(duì)中國(guó)高速公路條件下的換道行為特性研究仍需要大量開展。

本文針對(duì)高速公路場(chǎng)景下的換道行為展開研究。首先，使用標(biāo)準(zhǔn)自然駕駛數(shù)據(jù)處理流程，對(duì)高速公路駕駛數(shù)據(jù)進(jìn)行采集處理，獲取每輛車連續(xù)的運(yùn)行狀態(tài)數(shù)據(jù)；然后，搭建支持向量機(jī)模型對(duì)換道行為進(jìn)行識(shí)別；最后，提取換道行為軌跡與相關(guān)車輛，對(duì)換道行為的時(shí)間長(zhǎng)度、空間長(zhǎng)度以及周邊車輛的相互狀態(tài)等特征參數(shù)進(jìn)行深入分析。

1 自然駕駛數(shù)據(jù)準(zhǔn)備

自然駕駛數(shù)據(jù)處理流程主要分為采集、清洗、目標(biāo)標(biāo)注、場(chǎng)景標(biāo)注、場(chǎng)景聚類、入庫(kù)。駕駛場(chǎng)景數(shù)據(jù)采集主要采用激光雷達(dá)、毫米波雷達(dá)、多位置多角度攝像頭、定位設(shè)備、本車can線信息等多傳感器，采集車輛與傳感器布置如圖1所示。

圖1 實(shí)際采集車輛與傳感器布置示意圖

駕駛場(chǎng)景數(shù)據(jù)傳輸回來(lái)后，先對(duì)采集數(shù)據(jù)進(jìn)行清洗，去掉錯(cuò)誤的和遺漏的數(shù)據(jù)；然后，對(duì)采集到的場(chǎng)景視頻圖片數(shù)據(jù)、激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行目標(biāo)類型、位置等信息標(biāo)注；駕駛場(chǎng)景標(biāo)目標(biāo)注后形成時(shí)間序列數(shù)據(jù)，結(jié)合視頻對(duì)場(chǎng)景特征進(jìn)行標(biāo)注。本文標(biāo)注工作在ASEVA軟件中完成，圖2為標(biāo)注過(guò)程中的視頻回放示例。

圖2 ASEVA標(biāo)注過(guò)程中的視頻回放示例

接下來(lái)，按照?qǐng)鼍绑w系將場(chǎng)景基元前后組合成駕駛場(chǎng)景，根據(jù)不同測(cè)試目的列入不同功能場(chǎng)景的場(chǎng)景庫(kù)；最后，將場(chǎng)景聚類數(shù)據(jù)轉(zhuǎn)化為場(chǎng)景標(biāo)準(zhǔn)格式，伴隨原始數(shù)據(jù)和標(biāo)注數(shù)據(jù)存入場(chǎng)景數(shù)據(jù)庫(kù)，并實(shí)現(xiàn)快速檢索。

為了便于高速公路場(chǎng)景下的換道數(shù)據(jù)研究，作3點(diǎn)說(shuō)明：① 不考慮高速公路出入口、大曲率彎道及連續(xù)換道場(chǎng)景；② 不考慮極端天氣；③ 不考慮傳感器誤差。

另外，本文數(shù)據(jù)標(biāo)注采用九宮格原則，只考慮本車周圍的車輛，標(biāo)注的前后標(biāo)注距離為100 m，標(biāo)注原則如圖3所示，其中Ego代表主車，Veh1～Veh8代表周圍場(chǎng)景車輛。

圖3 數(shù)據(jù)標(biāo)注原則示意圖

最終得到自然駕駛數(shù)據(jù)格式，如表1所示。

表1 自然駕駛數(shù)據(jù)格式

2 換道行為分析及提取

2.1 換道行為分析

由于換道不是在一瞬間完成的，而是一個(gè)持續(xù)性的過(guò)程，因此，不能僅憑瞬時(shí)的行駛數(shù)據(jù)進(jìn)行換道狀態(tài)識(shí)別，應(yīng)該選取一段時(shí)間內(nèi)的行駛軌跡數(shù)據(jù)來(lái)作為換道狀態(tài)識(shí)別的樣本。換道行駛軌跡樣本確定方法如下：

首先通過(guò)車輛車道ID變化情況確定換道車輛的車道變化點(diǎn)，即車輛中心跨過(guò)車道線的時(shí)間點(diǎn)t。由于絕大多數(shù)車輛的換道行為都會(huì)在10 s內(nèi)完成，本文數(shù)據(jù)采集頻率為25 Hz，采樣時(shí)間為0.04 s，因此截取車道變化點(diǎn)t前后175個(gè)時(shí)間點(diǎn)共計(jì)250個(gè)時(shí)間點(diǎn)的車輛軌跡數(shù)據(jù)，計(jì)算此段時(shí)間內(nèi)車輛的航向角，以采集入庫(kù)的數(shù)據(jù)中某輛車的行駛數(shù)據(jù)為例，車道變化點(diǎn)前后共10 s內(nèi)的航向角變化趨勢(shì)如圖4所示。

航向角開始發(fā)生明顯且穩(wěn)定變化的時(shí)間點(diǎn)可以被認(rèn)定為換道起始點(diǎn)，因此定義若[t-175，t+175]中從某點(diǎn)tstrat開始，連續(xù)5個(gè)采樣點(diǎn)的航向角都大于閾值1.6°，則此點(diǎn)為換道起始點(diǎn)，同理可確定換道結(jié)束點(diǎn)tend，如圖5所示。

圖4 車輛換道過(guò)程航向角變化

圖5 換道過(guò)程起始點(diǎn)和結(jié)束點(diǎn)示意圖

2.2 換道數(shù)據(jù)提取

車輛Ego在換道過(guò)程中，需要優(yōu)先考慮與同車道前車Veh-f、目標(biāo)車道前車Veh-ft、目標(biāo)車道后車Veh-rt之間的速度、距離，如圖6所示。

圖6 典型換道場(chǎng)景

因此，提取這4輛車的行駛數(shù)據(jù)，包括車輛ID、絕對(duì)速度、相對(duì)速度、相對(duì)位移、位置坐標(biāo)、車道ID等相關(guān)信息作為換道的特征參數(shù)。經(jīng)過(guò)數(shù)據(jù)預(yù)處理，最終獲得5 237條樣本數(shù)據(jù)，其中包括3 480條換道數(shù)據(jù)和1 757條車道保持?jǐn)?shù)據(jù)。

2.3 數(shù)據(jù)平滑處理

對(duì)于采集換道場(chǎng)景數(shù)據(jù)為非線性數(shù)據(jù)集，線性擬合對(duì)數(shù)據(jù)平滑處理不太理想。因此，本文用多項(xiàng)式擬合和滑動(dòng)平均法處理非線性數(shù)據(jù)集。

以隨機(jī)挑選的一個(gè)典型場(chǎng)景的參數(shù)組合為例進(jìn)行分析：Ego車速為110 km/h，Veh-f車速為100 km/h，Veh-ft車速為102 km/h，Veh-rt車速為104 km/h，對(duì)換道過(guò)程中的相對(duì)位移和相對(duì)速度3次多項(xiàng)式擬合和滑動(dòng)平均處理如圖7所示。

圖7 換道過(guò)程中特征參數(shù)平滑處理

由圖7(a)(c)(e)可以看出，Ego與Veh-f、Veh-ft、Veh-rt相對(duì)速度的原始數(shù)據(jù)波動(dòng)性較大，使用3次多項(xiàng)式擬合和取間隔n=5為時(shí)間窗口進(jìn)行數(shù)據(jù)平滑，其中滑動(dòng)平均法的平滑效果好于3次多項(xiàng)式擬合。由圖7(b)(d)(f)可以看出，Ego與Veh-f、Veh-ft、Veh-rt相對(duì)位移的原始數(shù)據(jù)波動(dòng)性較小，且成一定的線性關(guān)系，多項(xiàng)式擬合和取間隔n=5為時(shí)間窗口進(jìn)行數(shù)據(jù)平滑，效果幾乎與原始數(shù)據(jù)一樣。

通過(guò)對(duì)比3次多項(xiàng)式擬合和滑動(dòng)平均處理效果，滑動(dòng)平均法對(duì)一定范圍內(nèi)波動(dòng)性較大的數(shù)據(jù)更具有適應(yīng)性，因此，本文采用采用滑動(dòng)平均法對(duì)特征向量去噪。

3 基于SVM的換道行為識(shí)別

SVM是一種基于風(fēng)險(xiǎn)結(jié)構(gòu)最小化準(zhǔn)則的學(xué)習(xí)方法，可以解決小樣本、非線性和高維模式識(shí)別問(wèn)題，主要用于分類和回歸領(lǐng)域[10]，已廣泛應(yīng)用于文本分類、生物信息、語(yǔ)音識(shí)別、遙感圖像分析、故障識(shí)別與預(yù)測(cè)和信息安全等領(lǐng)域。

3.1 模型關(guān)鍵參數(shù)確定

根據(jù)模型訓(xùn)練經(jīng)驗(yàn)，將換道決策模型樣本數(shù)據(jù)集中的70%作為訓(xùn)練樣本，即3 666條樣本數(shù)據(jù)，剩下的30%作為測(cè)試樣本，即1 571條樣本數(shù)據(jù)。訓(xùn)練樣本中3 666條數(shù)據(jù)包括2 436條車道變換樣本和1 230條車道保持樣本；測(cè)試樣本中1 571條數(shù)據(jù)包括1 044條車道變換樣本和527條車道保持樣本。

通過(guò)訓(xùn)練模型的核函數(shù)，對(duì)以下4個(gè)核函數(shù)分別調(diào)取，輸入到SVM模型中，分別調(diào)取模型的運(yùn)行時(shí)間和模型的準(zhǔn)確率，從2個(gè)維度綜合考慮模型的參數(shù)，通過(guò)數(shù)據(jù)的多次迭代獲取模型運(yùn)行時(shí)間和準(zhǔn)確率，如表2。

表2 不同核函數(shù)對(duì)應(yīng)模型運(yùn)行時(shí)長(zhǎng)和準(zhǔn)確率

由表2對(duì)比可知，rbf模型的準(zhǔn)確率最高，為94.65%，所以構(gòu)建SVM換道決策模型的核函數(shù)為rbf。

對(duì)于高斯徑向基核函數(shù)rbf，gamma參數(shù)很難定義每個(gè)參數(shù)對(duì)支持向量機(jī)性能的影響，所以直接使用學(xué)習(xí)曲線或網(wǎng)格搜索來(lái)幫助找到參數(shù)的最佳組合。對(duì)于高斯徑向基核函數(shù)rbf，調(diào)整gamma方法是繪制學(xué)習(xí)曲線。

為了確定最佳的gamma參數(shù)，選取0～100之間的100個(gè)數(shù)訓(xùn)練gamma參數(shù)，查看在gamma參數(shù)變化過(guò)程中，模型準(zhǔn)確率的取值，由 gamma參數(shù)學(xué)習(xí)曲線(如圖8)可以明顯看出，隨著gamma參數(shù)的增長(zhǎng)，模型準(zhǔn)確率也在增長(zhǎng)，當(dāng)達(dá)到gamma參數(shù)為2時(shí)，模型的準(zhǔn)確率達(dá)到98.67%，準(zhǔn)確率區(qū)域平緩，之后隨著gamma參數(shù)的取值的增長(zhǎng)，模型的準(zhǔn)確率先下降，然后趨于平緩，到95.33%。因此，選取gamma參數(shù)為2。

圖8 gamma參數(shù)學(xué)習(xí)曲線

為了確定最佳的C參數(shù)，選取0.01～30的50個(gè)數(shù)訓(xùn)練C參數(shù)，查看在C參數(shù)變化過(guò)程中，模型準(zhǔn)確率的取值。由圖9所示參數(shù)C學(xué)習(xí)曲線可以看出，隨著C參數(shù)的增長(zhǎng)，模型準(zhǔn)確率也在增長(zhǎng)，當(dāng)參數(shù)為8.58時(shí)，模型的準(zhǔn)確率達(dá)到98.92%，接著模型隨著參數(shù)C的增長(zhǎng)，準(zhǔn)確率區(qū)域平緩，因此，最后選取參數(shù)C為8.58。

3.2 測(cè)試結(jié)果

除了使用SVM進(jìn)行換道行為識(shí)別，還使用BP(back propagation)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比驗(yàn)證，模型對(duì)比的結(jié)果如表3所示。

圖9 參數(shù)C學(xué)習(xí)曲線

表3 SVM與BP神經(jīng)網(wǎng)絡(luò)模型對(duì)比測(cè)試結(jié)果

通過(guò)表3可以看出，支持向量機(jī)SVM模型相比于BP神經(jīng)網(wǎng)絡(luò)模型在精確度上即模型在預(yù)測(cè)真實(shí)換道為1時(shí)的準(zhǔn)確率提高了16.67%，在模型整個(gè)預(yù)測(cè)值上的準(zhǔn)確率提高了17.57%，因此，SVM模型有更好的適應(yīng)性。

4 換道決策階段場(chǎng)景影響分析

4.1 換道起始時(shí)刻速度分布

在換道起始時(shí)刻，觀察換道車輛Ego速度的變化，可以為換道過(guò)程中換道風(fēng)險(xiǎn)評(píng)估模型搭建提供換道車輛速度依據(jù)，本車速度的分布如圖10所示。

圖10 本車換道起始速度分布

通過(guò)圖10可以看出，車輛換道過(guò)程中的本車速度主要集中在95 km/h，其中有幾個(gè)樣本值低于60 km/h，觀看采集視頻后，這幾條數(shù)據(jù)為車輛駛向應(yīng)急車道；本車的速度的均值為85.37 km/h，速度的方差為25.89。

4.2 換道起始時(shí)刻Ego與Veh-f相對(duì)速度和相對(duì)位移分布

車輛換道過(guò)程中，換道的安全條件取決于本車自身因素和周圍場(chǎng)景車輛的相對(duì)速度和相對(duì)位移。相對(duì)速度決定了本車換道過(guò)程中的速度變化，相對(duì)位移決定了換道過(guò)程中最小換道安全距離變化，Ego與Veh-f的相對(duì)速度和相對(duì)位移分布如圖11所示。

圖11 Ego與Veh-f的相對(duì)速度和相對(duì)位移分布

由圖11可以看出，本車道前車Veh-f的相對(duì)速度主要分布在-10 km/h，說(shuō)明本車換道起始時(shí)刻前車Veh-f的車速小于本車車速Ego，本車為了達(dá)到更理想的行駛條件需要換道超車；本車道前車的相對(duì)位移主要分布在33 m處，表明當(dāng)本車Ego換道起始時(shí)刻有一定的安全換道距離。相對(duì)速度均值為-13.07 km/h，方差為26.57，相對(duì)位移的均值為40.14 m，方差為25.73。

4.3 換道起始時(shí)刻Ego與Veh-ft相對(duì)速度和相對(duì)位移分布

車輛換道過(guò)程中，Veh-ft對(duì)換道有重要影響，Veh-ft的車速變化影響本車換道速度和時(shí)間，Veh-ft車輛起始時(shí)刻的車速大于本車Ego的情況下，本車換道更為容易，相反的情況下較難；Veh-ft與本車Ego的相對(duì)距離較大時(shí)，本車換道更加安全，相反，當(dāng)兩者之間的相對(duì)距離較小時(shí)，換道過(guò)程存在一定危險(xiǎn)。Ego與Veh-ft的相對(duì)速度和相對(duì)位移分布如圖12所示。

圖12 Ego與Veh-ft的相對(duì)速度和相對(duì)位移分布

由圖12可以看出，目標(biāo)車道前車Veh-ft的相對(duì)速度主要分布在零附近，說(shuō)明Ego換道起始時(shí)刻Veh-ft與Ego車速幾乎保持相同，但相對(duì)位移主要分布在30 m處。相對(duì)速度均值為6.39 km/h，方差為35.53，相對(duì)位移的均值為34.73 m，方差為30.94。

4.4 換道起始時(shí)刻Ego與Veh-rt相對(duì)速度和相對(duì)位移分布

車輛換道過(guò)程中，Veh-rt對(duì)換道也有重要影響，Veh-rt的車速變化影響本車是否繼續(xù)換道，當(dāng)Veh-rt的車速小于Ego的車速時(shí)，本車可以繼續(xù)換道，相反當(dāng)Veh-rt的速度持續(xù)大于本車Ego的車速時(shí)，本車將提前結(jié)束換道；Veh-rt與Ego的相對(duì)距離較大時(shí)，本車換道更加安全，相反當(dāng)兩者之間的相對(duì)距離較小時(shí)，換道過(guò)程存在一定危險(xiǎn)。Ego與Veh-rt的相對(duì)速度和相對(duì)位移分布如圖13所示。

圖13 Ego與Veh-rt的相對(duì)速度和相對(duì)位移分布

由圖13可以看出，Veh-rt的相對(duì)速度主要分布在-18 km/h，說(shuō)明Ego換道起始時(shí)刻Veh-rt的車速小于Ego車速；Veh-rt的相對(duì)位移主要分布在-20 m處(此處的負(fù)號(hào)只代表方向，表示在本車Ego的后方)，表明當(dāng)本車Ego換道起始時(shí)刻有一定的安全換道距離。相對(duì)速度均值為-6.97 km/h，方差為24.21，相對(duì)位移的均值為-24.85 m，方差為23.35。

通過(guò)對(duì)本車Ego和本車道前車Veh-f、目標(biāo)車道前車Veh-ft、目標(biāo)車道后車Veh-rt、相對(duì)速度和相對(duì)位移統(tǒng)計(jì)分析后，本車Ego換道起始時(shí)刻與目標(biāo)車道前車Veh-ft的相對(duì)速度接近于零，并且相對(duì)速度和相對(duì)位移的方差值大于Veh-rt和Veh-f的方差值，表明本車Ego在換道過(guò)程中，目標(biāo)車道前車Veh-ft對(duì)本車換道影響最大，Veh-f和Veh-rt影響次之。

5 結(jié)論

1) 采用自然駕駛試驗(yàn)的方法對(duì)高速公路駕駛數(shù)據(jù)進(jìn)行采集，并使用標(biāo)準(zhǔn)數(shù)據(jù)處理流程，對(duì)采集的車輛軌跡進(jìn)行處理，獲取每輛車連續(xù)的運(yùn)行狀態(tài)數(shù)據(jù)。

2) 搭建支持向量機(jī)模型對(duì)換道行為進(jìn)行識(shí)別，使用學(xué)習(xí)曲線找到參數(shù)的最佳組合，訓(xùn)練后模型的準(zhǔn)確率達(dá)到98.92%，優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。

3) 提取換道行為軌跡與相關(guān)車輛，對(duì)換道行為的時(shí)間長(zhǎng)度、空間長(zhǎng)度以及周邊車輛的相互狀態(tài)等特征參數(shù)進(jìn)行分析，得出結(jié)果：在換道過(guò)程中，目標(biāo)車道前車對(duì)本車換道影響最大，本車道前車和目標(biāo)車道后車影響次之，該結(jié)果可為智能汽車的換道功能設(shè)計(jì)提供參考。