無(wú)人駕駛中的駕駛行為預(yù)測(cè)模型綜述

趙辰浩

（長(zhǎng)安大學(xué) 汽車(chē)學(xué)院，陜西 西安 710064)）

無(wú)人駕駛汽車(chē)（Automatic Vehicle, AV）作為近幾十年來(lái)學(xué)術(shù)界和工業(yè)界最有前途的主題之一，有望以各種方式改變世界的未來(lái)。隨著自動(dòng)駕駛技術(shù)的發(fā)展，出現(xiàn)了混合交通的城市環(huán)境，在這種環(huán)境中，無(wú)人駕駛汽車(chē)必須與人類(lèi)駕駛的車(chē)輛進(jìn)行交互。在無(wú)人駕駛與人為駕駛的互動(dòng)中，如何避免由無(wú)人駕駛引起的交通事故已成為人們關(guān)注的研究領(lǐng)域。通常，無(wú)人駕駛汽車(chē)必須在動(dòng)態(tài)和不確定的環(huán)境中做出決策。不確定性源于以下事實(shí)：無(wú)法直接測(cè)量駕駛員的意圖。本文將從無(wú)人駕駛汽車(chē)中的駕駛行為描述、駕駛行為預(yù)測(cè)算法、駕駛策略三個(gè)方面來(lái)介紹當(dāng)前無(wú)人駕駛中的典型駕駛行為預(yù)測(cè)模型。

1 駕駛行為的描述

為了使駕駛行為預(yù)測(cè)模型易于求解，需要將一定交通場(chǎng)景中目標(biāo)車(chē)輛的駕駛行為進(jìn)行歸納和分類(lèi)，進(jìn)而區(qū)分并量化不同的駕駛行為，使得處理后的駕駛行為作為參數(shù)可以滿(mǎn)足預(yù)測(cè)模型的要求。因此，本文將駕駛行為的描述歸納為主觀定義、有限狀態(tài)機(jī)和軌跡特征三種方法。

1.1 主觀定義

主觀定義是指基于人為駕駛經(jīng)驗(yàn)對(duì)駕駛行為進(jìn)行分類(lèi)與描述。如文獻(xiàn)[1]中，將駕駛行為分為：直行（Lane Keep, LK），向左轉(zhuǎn)車(chē)道（ Lane Change Left, LCL），向右轉(zhuǎn)車(chē)道（Lane Change Right, LCR），向右轉(zhuǎn)（Turn Right, TR），向左轉(zhuǎn)（Turn Left, TL），在交叉路口（Go Straight, GS）直行，在停車(chē)線前停下（Stop before the Stop line, SS）。而文獻(xiàn)[2]則是將駕駛行為以形容詞分為：侵略的，魯莽的，有威脅的，小心的，謹(jǐn)慎的，保守的，同時(shí)設(shè)計(jì)了一個(gè)問(wèn)卷調(diào)查以確定人們對(duì)以這些不同程度駕駛行為的認(rèn)可度，并用主成分分析法找出在一般交通場(chǎng)景下的常見(jiàn)駕駛行為。

1.2 有限狀態(tài)機(jī)

有限狀態(tài)機(jī)是指將復(fù)雜的行為在某一時(shí)刻描述為一個(gè)有限狀態(tài)集中的某一狀態(tài)，且不同狀態(tài)之間在一定觸發(fā)條件下可以發(fā)生轉(zhuǎn)換，如圖 1所示。

圖1 車(chē)輛行為的有限狀態(tài)機(jī)示意圖

文獻(xiàn)[3]將駕駛行為描述成一個(gè)有限狀態(tài)機(jī)。這一有限狀態(tài)機(jī)描述了五種一般駕駛行為：直行，左變道，右變道，左轉(zhuǎn)，右轉(zhuǎn)。在一般道路交通條件下，無(wú)人車(chē)輛始終保持直行狀態(tài)，在有變道或轉(zhuǎn)向需求的條件下，無(wú)人駕駛車(chē)輛會(huì)切換至變道或轉(zhuǎn)向狀態(tài)，并執(zhí)行相應(yīng)的駕駛策略；當(dāng)脫離具有變道或轉(zhuǎn)向的交通條件時(shí)，無(wú)人駕駛車(chē)輛會(huì)切換回一般行駛狀態(tài)，即直行狀態(tài)。

1.3 軌跡特征

軌跡特征是指通過(guò)目標(biāo)車(chē)輛在一段時(shí)間內(nèi)行駛軌跡的特點(diǎn)來(lái)描述其駕駛行為。文獻(xiàn)[2]中定義了一組軌跡的特征，以此形成軌跡到行為的映射，10個(gè)候選特征。分別用—定義了相對(duì)于前車(chē)的平均速度；相對(duì)于后車(chē)的平均速度；相對(duì)于左車(chē)道的車(chē)輛的相對(duì)速度；相對(duì)于右車(chē)道的車(chē)輛的平均相對(duì)速度；與鄰居的相對(duì)速度；平均速度；與前車(chē)的距離；縱向加速度；漸進(jìn)加速度和車(chē)道中心跟隨度。

2 駕駛行為預(yù)測(cè)算法

在對(duì)駕駛行為進(jìn)行描述并合理量化后，需要將其作為參數(shù)代入到預(yù)測(cè)模型來(lái)估計(jì)目標(biāo)車(chē)輛之后一段時(shí)間內(nèi)可能的駕駛行為。

文獻(xiàn)[1]建立了一個(gè) Oontology模型，將道路場(chǎng)景細(xì)分為車(chē)道區(qū)、交叉路口區(qū)等不同區(qū)域，從而使不同交通場(chǎng)景作為參數(shù)易于代入模型參與運(yùn)算。于是建立由隱藏狀態(tài)、觀測(cè)值、狀態(tài)轉(zhuǎn)移矩陣、發(fā)射概率矩陣、初始概率分布矩陣組成的隱馬爾科夫模型（Hidden Markov Model，HMM）（,,,,,）。提取不同場(chǎng)景下駕駛行為的觀察值，并將其用于訓(xùn)練HMM。應(yīng)用K-means算法對(duì)訓(xùn)練數(shù)據(jù)聚類(lèi)并估計(jì)高斯函數(shù)的初始分布。接著，應(yīng)用Baum-Welch算法來(lái)估計(jì)最大似然HMM參數(shù)，即

通過(guò)式（1）可由λ確定一個(gè)HMM模型，再使用前向算法，測(cè)試每個(gè)選定模型λ，以估計(jì)模型對(duì)給定觀測(cè)值的擬合程度P（O|λ）以預(yù)測(cè)接下來(lái)目標(biāo)車(chē)輛的駕駛行為。

3 駕駛策略的制定

在駕駛行為預(yù)測(cè)模型中，所有參數(shù)估計(jì)與行為預(yù)測(cè)最終都是為了給駕駛策略的制定提供參考。駕駛策略制定思路有很多，本文歸納了三種典型方法進(jìn)行介紹。

3.1 AutonoVi規(guī)劃算法

AutonoVi規(guī)劃算法分多個(gè)步驟進(jìn)行。首先，使用圖搜索在道路網(wǎng)絡(luò)上規(guī)劃路線。其次，將交通規(guī)則和車(chē)道遵循規(guī)則結(jié)合起來(lái)，為車(chē)輛的下一個(gè)規(guī)劃階段創(chuàng)建一條引導(dǎo)路徑。轉(zhuǎn)換該引導(dǎo)路徑以生成一組候選控制輸入。使用數(shù)據(jù)驅(qū)動(dòng)的車(chē)輛動(dòng)力學(xué)模型以及通過(guò)擴(kuò)展控制障礙物的無(wú)碰撞導(dǎo)航，可以評(píng)估這些控件的動(dòng)態(tài)可行性。使用優(yōu)化算法對(duì)那些剩余的軌跡進(jìn)行評(píng)估，以確定下一個(gè)執(zhí)行周期最合適的一種控制策略。如圖2所示。

圖2 車(chē)輛行為的有限狀態(tài)機(jī)（FSM）流程圖

3.2 駕駛軌跡映射（TDBM）

文獻(xiàn)[2]根據(jù)已有視頻資料中不同車(chē)輛的駕駛軌跡定義了10種駕駛風(fēng)格特征，并設(shè)計(jì)了問(wèn)卷調(diào)查人們對(duì)不同目標(biāo)車(chē)輛的駕駛風(fēng)格所需的注意力。結(jié)果表明，過(guò)于激進(jìn)的駕駛行為需要投入更多的注意力，而相對(duì)保守的駕駛風(fēng)格則注意力需求較少。由不同的注意力需求，文獻(xiàn)[2]在文獻(xiàn)[3]研究的基礎(chǔ)上改進(jìn)了AutonoVi規(guī)劃算法，重點(diǎn)分析了識(shí)別駕駛員行為的優(yōu)勢(shì)以及這些行為如何確保安全導(dǎo)航，并通過(guò)使用駕駛員行為識(shí)別算法和駕駛軌跡映射展示了其性能的提高。AutonoVi是基于數(shù)據(jù)驅(qū)動(dòng)的車(chē)輛動(dòng)力學(xué)模型和基于優(yōu)化的路徑規(guī)劃，該規(guī)劃策略從一組可能的候選對(duì)象中生成一組有利的軌跡，并使用優(yōu)化在這組軌跡中進(jìn)行選擇。如圖3及圖4所示。

圖3 簡(jiǎn)單場(chǎng)景的注意力需求

圖4 復(fù)雜場(chǎng)景的注意力需求

3.3 基于深度學(xué)習(xí)的駕駛策略

自2006年以來(lái)，深度學(xué)習(xí)方法被廣泛應(yīng)用于各個(gè)領(lǐng)域如自動(dòng)駕駛等領(lǐng)域，以提高這些領(lǐng)域的技術(shù)水平和實(shí)踐水平。文獻(xiàn)[4]利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）與全連接網(wǎng)絡(luò)（Fully Connected Neural Network,FCN）和長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory,LSTM）組合，基于駕駛數(shù)據(jù)的先驗(yàn)知識(shí)建立新的深層神經(jīng)網(wǎng)絡(luò)，訓(xùn)練出應(yīng)對(duì)不同道路條件的駕駛策略，而后通過(guò)在模擬軌道測(cè)試，對(duì)比了應(yīng)用不同組合網(wǎng)絡(luò)的無(wú)人車(chē)在模擬形式軌道的偏移量，結(jié)果發(fā)現(xiàn) Inception+LSTM+FCN結(jié)構(gòu)的深層神經(jīng)網(wǎng)絡(luò)效果最好，在數(shù)據(jù)集上的準(zhǔn)確度是86.94%，在驗(yàn)證集的準(zhǔn)確度是85.67%。

4 結(jié)論

本文概述了目前無(wú)人駕駛車(chē)輛中的典型駕駛行為預(yù)測(cè)模型，在駕駛行為描述方面，主觀定義的方法是基于一般人為駕駛經(jīng)驗(yàn)對(duì)駕駛行為進(jìn)行分類(lèi)和描述的，此方法可以應(yīng)對(duì)一般道路情景；在駕駛行為預(yù)測(cè)算法方面，隱馬爾可夫模型的預(yù)測(cè)效果由隱狀態(tài)與顯狀態(tài)決定；在駕駛策略的制定方面，基于不同目標(biāo)車(chē)輛的注意力需求來(lái)規(guī)劃行駛路徑的方法要求足夠精確地獲取目標(biāo)車(chē)輛的行駛軌跡；在駕駛行為預(yù)測(cè)模型未來(lái)的發(fā)展中，可以進(jìn)一步考慮應(yīng)用計(jì)算機(jī)視覺(jué)的方法，采用雙目或深度相機(jī)收集數(shù)據(jù)，雖然在精度上不如激光雷達(dá)，但可縮減研發(fā)成本，其設(shè)備也便于安裝，具有一定普適性。