基于CRF的駕駛員意圖在線識別

李雪涵，陳煥明，華 航

（青島大學 機電工程學院，山東 青島 266071）

自動駕駛是汽車發(fā)展的熱門領(lǐng)域，2018年，德國就允許L3級別的自動駕駛車上路，并且允許駕駛員雙手放開方向盤。眾多汽車廠商也紛紛加大對自動駕駛汽車的研究力度。

按照美國汽車工程師學會（Society of Automotive Engineers, SAE）于2021年提出的《SAE J3016推薦實踐：道路機動車輛駕駛自動化系統(tǒng)相關(guān)術(shù)語的分類和定義》一文中定義，當前大部分商用車加裝的駕駛自動化系統(tǒng)只能提供L3級及以下的功能；部分公司制造的搭載L4級及以上的駕駛自動化系統(tǒng)的車輛已投入實車測試，但許多因素制約使其短時間內(nèi)無法真正投入商用。

目前大部分商用的駕駛輔助系統(tǒng)主要包括車道保持輔助（Lane Keeping Assist, LKA）、自動泊車輔助（Auto Parking Assist, APA）、電子控制制動輔助（Electronic Brake Assist, EBA）和牽引力控制系統(tǒng)（Traction Control System, TCS）等，依靠車載智能系統(tǒng)，根據(jù)各式傳感器數(shù)據(jù)增強駕駛安全性和駕駛體驗。但目前機器決策的安全性和準確性還難以得到大眾的認可，且有時智能系統(tǒng)根據(jù)傳感器數(shù)據(jù)做出的安全的決策可能會給駕乘人員帶來不適的體驗，背離駕駛員想要的駕駛目標，潛在降低大眾本就對自動駕駛的信任度。除了提升智能系統(tǒng)決策的安全性與準確性并使其能夠照顧到駕乘人員的情感要求，將駕駛員的操作意圖引入控制系統(tǒng)，作為新的決策者，也不失為一種有效的解決方法。

駕駛員在正常開車過程中除了對前方道路的觀察，還會不時觀察四周環(huán)境，尤其是在左換道（Lane Change Left, LCL）、右換道（Lane Change Left, LCR）的準備階段，會通過左右后視鏡觀察后方來車，判斷換道的安全性。許多研究人員對駕駛意圖識別進行了深入研究，采用了長短期記憶[1-3]、神經(jīng)網(wǎng)絡[4-5]、貝葉斯理論[6-8]、支持向量機[9-10]、隱馬爾科夫[11-13]和條件隨機場[14-16]等算法，在模型中輸入車輛狀態(tài)，和通過眼動儀[4,13]等設(shè)備采集駕駛員的觀察信息，識別駕駛員的換道意圖。

文章提出一種基于條件隨機場的駕駛意圖在線識別系統(tǒng)，在駕駛模擬器上采集駕駛數(shù)據(jù)，總結(jié)駕駛員操作習慣，識別駕駛意圖，并在駕駛模擬器上實現(xiàn)在線識別。

1 實驗數(shù)據(jù)采集

1.1 駕駛模擬器

駕駛員的操作意圖需要根據(jù)大量數(shù)據(jù)進行分析從而得出其規(guī)律。數(shù)據(jù)采集需要在保證真實性和安全性的前提下盡可能高效，并減少對他人的影響。

XIE等人[8]采取實車實驗的方式采集駕駛員數(shù)據(jù)，需要加裝多種傳感器及其配套設(shè)施，其對駕駛員操作，實驗的道路、天氣、環(huán)境都有較高要求；LIU等人[12]采用駕駛模擬器的實驗方式，選用達索公司6 自由度SCANER Ⅱ駕駛模擬器，可以方便地對實驗各項模擬數(shù)據(jù)進行調(diào)整，而且相比實車實驗，效率更高，安全性更好。

綜合考量，文章選用駕駛模擬器方案采集數(shù)據(jù)。文章將兩臺普通臺式電腦作為上下位機，其中下位機安裝PharLapETS工業(yè)強度實時操作系統(tǒng)，以便于接收連接方向盤、油門與制動踏板等部件的傳感器傳回數(shù)據(jù)，上位機采用Windows操作系統(tǒng)，并安裝CarSim、MATLAB和Veristand等仿真軟件用于實時仿真。駕駛模擬器的圖像輸出由5塊屏幕組成，其中3塊水平布置，用于輸出CarSim創(chuàng)建的實驗場景，為實驗人員提供盡可能接近真實駕駛體驗的視覺觀感；3塊屏幕的左上方屏幕顯示下位機的運行狀態(tài)，右上方屏幕顯示Veristand的工作空間，其可以控制仿真并實時展示部分輸出。駕駛模擬器整體如圖1所示。

圖1 駕駛模擬器

1.2 圖像采集設(shè)備

駕駛員在駕駛過程中會利用后視鏡關(guān)注側(cè)后方車輛的動態(tài)，尤其是在更換車道時，觀察行為會更加頻繁。目前能夠記錄駕駛員觀察行為的圖像采集設(shè)備無外乎眼動儀、深度攝像頭和普通光學攝像頭。DAVID等人[4]采用眼動儀采集駕駛員的視線點區(qū)域，以此為基礎(chǔ)分析駕駛員的觀察目標。其能夠精確測算頭部的三維位置和方向，通過對虹膜和瞳孔的檢測和定位，并參照已經(jīng)標定過的眼睛幾何模型來確定觀測者的視線的方向，精度高，但費用昂貴，難以投入實際汽車使用中。深度攝像頭主要有結(jié)構(gòu)光、飛行時間法（Time Of Flight, TOF）、雙目成像三種方案，但其處理速度慢，對車載電子控制單元（Electronic Control Unit,ECU）的運算速度提出了很高的要求，潛在增加了汽車成本。普通光學攝像頭價格低廉、體積小、運算量小。

文章采用普通光學攝像頭，采用深度標簽分布學習（Deep Label Distribution Learning, DLDL）識別駕駛員在駕駛過程中頭部橫擺角的變化和區(qū)間，以頭部轉(zhuǎn)向確定駕駛員的觀察目標。

1.3 用于頭部姿態(tài)識別的DLDL

目前頭部姿態(tài)的算法主要分為3D和2D兩種。3D即通過深度信息[17-18]或人臉關(guān)鍵點[19-20]來建立3D臉部模型，以此求取歐拉角，準確率高，但對光學設(shè)備的要求較高，一般要求深度相機或多目攝像頭，而且計算量大，耗時長。2D即模型訓練的方式，在頭部姿態(tài)數(shù)據(jù)庫如300W-LP的基礎(chǔ)上訓練和測試，并最終得到一個優(yōu)秀的識別效果。一般多采用神經(jīng)網(wǎng)絡[21-24]進行模型訓練，訓練要時較長，但訓練完成后的識別用時短。

DLDL[25]是在卷積神經(jīng)網(wǎng)絡的基礎(chǔ)上發(fā)展而來，為解決有精確標簽的訓練圖像不足的問題，將圖像的標簽轉(zhuǎn)化為離散標簽分布，并通過使用deep ConvNet最小化預測和地面真實標簽分布之間的Kullback-Leibler散度來學習標簽分布，即使訓練集較小也能有優(yōu)秀的識別效果。

在給定輸入圖片x1和x2，其對應標簽分別為y1和y2，若y1和y2之間具有相關(guān)性，則x1和x2之間也具有相關(guān)性。因而，對于一個輸入X，其輸出并不是一個確定的y，而是將可能的y值范圍量化為多個標簽，DLDL給出每個可能的y值的對應概率，由此，深度學習機就會被迫照顧標簽之間的模糊性。

若X為輸入，y為對應標簽分布，設(shè)x=?(X;θ)是激活深度網(wǎng)絡中最后一個完全連接的層的輸出，其中θ為DLDL中參數(shù)，使用Softmax函數(shù)得到預測的概率分布為

給定一個訓練數(shù)據(jù)集D, DLDL的目標是生成一個與y相似的分布y。采用Kullback-Leibler散度來衡量相似性，則訓練目標為

損失函數(shù)定義為

隨后采用隨機梯度下降算法將損失函數(shù)最小化。完成最小化，則可輸出根據(jù)輸入X的標簽分布y。

構(gòu)造標記分布方面，對于頭部姿態(tài)估計，需要同時預測pitch和yaw，故需要DLDL學習聯(lián)合概率分布。設(shè)標簽集為

式中，ljk是一對值；n1和n2為 pitch 和yaw 可能的數(shù)量，由此y能夠被n1×n2的矩陣表示。給定輸入X，其真實均值μ和協(xié)方差矩陣∑，則其標簽分布為

1.4 實驗模擬環(huán)境

文章主要針對駕駛員換道意圖進行研究，按照駕駛安全要求，車輛在彎道和隧道等特殊車況下不允許換道，故文章搭建實驗模擬道路為直線車道。為提高實驗數(shù)據(jù)的隨機性和真實性，在駕駛方向的同向車道內(nèi)放置多輛汽車，相互車道間的汽車車速不同，這樣每次實驗時實驗車與放置車的相遇位置不同，放置車之間的縱向方向距離也不同，在由實驗人員自主決定是否換道、換道時間點和換道目標的情況下，每次換道都具有獨特性，避免了固定障礙物導致?lián)Q道決策的雷同，更貼近真實駕駛決策。

1.5 受試人員和數(shù)據(jù)總量

招募受試人員14名，均滿足近五年內(nèi)未發(fā)生過交通事故的要求。進行正式實驗前，受試人員都接受了駕駛模擬器的培訓，以適應駕駛模擬器的操作手感，避免出現(xiàn)異常數(shù)據(jù)。為便于實驗順利進行和實驗數(shù)據(jù)的保存，提高實驗效率，實驗配備一名操作員，負責實驗仿真軟件的操作和實驗過程的指導。

文章中，由12名駕駛員在70 km/h至100 km/h的速度區(qū)間內(nèi)采集了45組駕駛數(shù)據(jù)，包含 155次有效換道行為，其中77次左換道，78次右換道。

2 數(shù)據(jù)預處理與意圖識別模型

2.1 選取特征參數(shù)

駕駛過程中隨著駕駛員的操作，車輛的工況會改變，車輛的各種參數(shù)會隨之發(fā)生變化，選取適當?shù)膮?shù)能夠準確表明駕駛員的操作意圖。

CarSim軟件可以在仿真中輸出車輛車身狀態(tài)、車輛位置等參數(shù)，將之傳遞給Simulink。文章根據(jù)研究內(nèi)容的需要，針對行駛狀態(tài)下車輛各項參數(shù)的變化，選取了車輛車身狀態(tài)、縱向參數(shù)、橫向參數(shù)和車輛坐標等共51個參數(shù)。光學設(shè)備能夠記錄駕駛員在駕駛過程中頭部在橫向、縱向和垂向的轉(zhuǎn)動角度，提供由CarSim無法獲取的駕駛員部分觀察參數(shù)。

過多的參數(shù)會增大數(shù)據(jù)總量，降低意圖識別模型的訓練和識別速度，因此，對兩類參數(shù)都進行篩選。車輛換道是橫向位置變化，和車道保持階段相比，橫向參數(shù)變化較大，在LCL、LK和LCR各階段的取值區(qū)間都差別較大，其取值和變化趨勢能表征車輛的橫向變化，即換道行為；駕駛員在換道時，會直接操作方向盤，方向盤相關(guān)參數(shù)也和車輛的橫向變化息息相關(guān)；DLDL可以輸出駕駛員頭部在橫向、縱向和垂向的位置，而駕駛過程中，駕駛員主要集中在自身所在的水平面內(nèi)，對左右后視鏡的觀察基本是頭部橫向角度的變化。

圖2 各參數(shù)箱式圖

綜上，車輛參數(shù)中選擇車身橫擺角（°）、方向盤轉(zhuǎn)角（°）、方向盤角速度（°/s）、橫向速度（km/h）、橫向加速度（m/s2）；觀察參數(shù)選擇駕駛員的頭部橫擺角（°）。圖2為各特征參數(shù)的箱式圖。

如圖所示，各參數(shù)在LK、LCL和LCR階段的取值空間有明顯差異，滿足選取要求。此外為方便劃分換道區(qū)段，還額外增加車輛質(zhì)心的橫向位置（m），用以判斷車輛是否進行換道以及換道完成時間。

2.2 劃分換道區(qū)段

由于換道數(shù)據(jù)占數(shù)據(jù)整體比例較小，大部分為車道保持階段，故將整體數(shù)據(jù)按照換道區(qū)段進行拆分?，F(xiàn)實中汽車上一般通過光學設(shè)備識別車道線，根據(jù)車輛位置和車道線的相對關(guān)系判斷換道。文章將其簡化，CarSim可以輸出車輛質(zhì)心點的坐標，將質(zhì)心點越過車道線作為換道行為的終止點，即駕駛員已基本完成換道所需操作且換道行為難以終止。

隨機取一段換道時車輛質(zhì)心點橫坐標和方向盤轉(zhuǎn)角變化圖如圖3所示，以車輛質(zhì)心越過車道線點為中點向時間軸前后各取400個采樣點，總時間為8 s。

圖3 方向盤轉(zhuǎn)角與車輛橫向位置

圖中A點為車輛方向盤轉(zhuǎn)角突變點，時間為56.19 s，B點為車輛質(zhì)心越過車道線點時間為59.24 s。

參考相關(guān)文獻[4,13]，在劃分換道區(qū)段時一般將車輛質(zhì)心越過車道線前4 s作為換道行為識別開始點，前1 s作為換道行為識別終止點。根據(jù)多次實驗數(shù)據(jù)記錄和CarSim實驗錄像分析，將車輛質(zhì)心越過車道線前4 s作為換道行為識別開始點能夠囊括換道階段的數(shù)據(jù)，并能夠包含一定長度的車道保持階段數(shù)據(jù)，方便數(shù)據(jù)訓練；同樣根據(jù)多次實驗數(shù)據(jù)記錄和CarSim實驗錄像分析，將車輛質(zhì)心越過車道線前0.5 s作為換道行為識別終止點和前1 s相比，車輛的邊界更靠近車道線，換道行為更難終止。最終確定的車輛參數(shù)識別換道區(qū)段即圖3中CD段。

換道時，駕駛員為保證駕駛安全，會在換道前提前觀察，具體方式即通過兩側(cè)后視鏡查看臨近車道是否有危險車輛。在這個過程中，駕駛員的頭部橫擺角會發(fā)生變化，而根據(jù)實驗數(shù)據(jù)分析，多數(shù)情況下頭部橫擺角會在方向盤轉(zhuǎn)角突變之前終止，即駕駛員對臨近車道的觀察行為會在正式換道前轉(zhuǎn)換為對前方道路的觀察。取圖3換道區(qū)段中頭部橫擺角如圖4所示，以車輛質(zhì)心越過車道線點為中點向時間軸向前取1 000個采樣點，向后取400個采樣點，總時間為14 s。

圖4 頭部橫擺角與車輛橫向位置

圖中A點為頭部橫擺角突變點，時間為55.27 s；B點為頭部橫擺角突變結(jié)束點，時間為56.13 s；C點即圖3中B點。

由此，文章確定觀察參數(shù)換道區(qū)段起始點為車輛質(zhì)心過車道線前10 s；終止點和車輛參數(shù)區(qū)段劃分相同，為車輛質(zhì)心過車道線前0.5 s。圖4中DE段即為觀察參數(shù)識別換道區(qū)段。

綜上，最終換道區(qū)段如圖5所示。其中AC段為觀察參數(shù)區(qū)間，長度為9.5 s；BC段為車輛參數(shù)區(qū)間，長度為3.5 s；CD段為從車輛越過車道線到車輛質(zhì)心過車道線區(qū)間，長度為0.5 s。

圖5 換道區(qū)段

2.3 條件隨機場

條件隨機場（Conditional Random Field,CRF），由LAFFERTY等人[26]于2001年提出。

一般的條件隨機場需要枚舉所有的最大團，不易計算，線性鏈條件隨機場（Linear Chain Conditional Random Field, LCCRF）作為它的一種特殊情況，其狀態(tài)變量形成一個線性鏈，每個節(jié)點只與前一個節(jié)點（如果存在）與后一個節(jié)點（如果存在）有關(guān)，即在時間序列中每個變量只和前一時刻、后一個時刻的變量有關(guān)。其數(shù)學定義：設(shè)X=(X1,X2,...,Xn)和Y=(Y1,Y2,...,Yn)均為線性鏈表示的隨機變量序列，在給定隨機變量序列X的情況下，隨機變量Y的條件概率分布構(gòu)成條件隨機場，即滿足馬爾科夫性：

則稱為線性鏈條件隨機場?，F(xiàn)實中一般要求X和Y有相同的圖結(jié)構(gòu)，其示意圖如圖6所示。

圖6 X和Y有相同的圖結(jié)構(gòu)的線性鏈CRF示意圖

對于此類無向圖，定義特征函數(shù)Φ為

而對于第k維的特征函數(shù)值則記錄為

通過定義，使得全局特征等于局部特征的和，從而使特征函數(shù)掌握更多信息量，增強表達能力。

條件隨機場通過定義特征函數(shù)和權(quán)重系數(shù)來轉(zhuǎn)換成機器可以學習的模型。狀態(tài)序列y的條件概率為

式中，Z(x)為歸一化因子，是對標簽序列所有可能取值求和；tk為轉(zhuǎn)移特征函數(shù)；λk為其權(quán)重系數(shù)；依賴于當前節(jié)點與前一個節(jié)點（如果存在）；sl為狀態(tài)特征函數(shù)；μl為其權(quán)重系數(shù)，只依賴于當前節(jié)點。

CRF可以使用多種學習算法，文章應用BFGS法進行模型學習。對于條件隨機場模型：

其學習的優(yōu)化目標函數(shù)為

其梯度函數(shù)為

3 模型訓練與實驗驗證

3.1 數(shù)據(jù)預處理

由于CRF算法特性，在訓練時需要明確各類數(shù)據(jù)的分類，故對劃分后的數(shù)據(jù)按照駕駛行為進行標記，標記內(nèi)容如表1所示。

表1 數(shù)據(jù)標記內(nèi)容

3.2 模型訓練

CRF對數(shù)據(jù)長度有限制，要求所有訓練樣本長度相同，故兩類參數(shù)分別輸入CRF模型訓練，并單獨檢驗，其流程示意圖如圖7所示。

圖7 CRF訓練與識別流程示意圖

CRF算法是在隱馬爾科夫模型（Hidden Markov Model, HMM）算法基礎(chǔ)上，打破觀測獨立性假設(shè)和齊次性假設(shè)改進而來，二者在算法上比較接近，將數(shù)據(jù)同時導入CRF算法模型和HMM算法模型進行訓練，并在訓練后對相同數(shù)據(jù)進行測試，對比結(jié)果。

3.3 單工況測試

首先針對僅左換道或右換道這類單工況進行識別測試。從測試樣本中隨機抽取左換道和右換道樣本各一個進行識別，其中左換道識別結(jié)果如圖8所示，右換道識別結(jié)果如圖9所示。

圖8 CRF和HMM對左換道識別結(jié)果

圖9 CRF和HMM對右換道識別

兩種算法對各種駕駛行為的識別準確率如圖10所示。

圖10 兩種算法對三種工況的識別準確率

圖中VP為車輛參數(shù)（Vehicle Parameters），OP為觀察參數(shù)（Observation Parameters）。除了在左換道工況下觀察參數(shù)的識別率，CRF的識別率均高于HMM，達到96%以上，而且對LK識別率達到100%。車輛參數(shù)最早能夠在車輛質(zhì)心越過車道線的1.88 s前識別到駕駛員的換道意圖，而觀察參數(shù)在車輛質(zhì)心越過車道線的5.83 s前識別到駕駛員的換道意圖。

通過圖8和圖9可以分析二種算法對數(shù)據(jù)變化的不同識別特性。車輛參數(shù)方面，二者差別不大，但在概率上升階段，HMM上升更快，在0到1之間的點更少，作為判別式模型的CRF對數(shù)據(jù)變化反應更早，相比HMM更能反映數(shù)據(jù)的變化趨勢。觀察參數(shù)方面，二者呈現(xiàn)出明顯不同的結(jié)果。LK階段，HMM相比CRF抖動更劇烈，而且取值都明顯更大一些，中間多處出現(xiàn)異常增高，而反映到識別結(jié)果上，就是出現(xiàn)有取值為0的地方，即算法判斷某一點或某一段不屬于LCL、LK或LCR中的任意一種。在概率上升階段，和車輛參數(shù)相同，CRF上升時機更早，但上升速度更慢，在0.4～0.8分布的點更多。HMM對換道階段的識別則相對穩(wěn)定，沒有過大的震蕩。而在圖8(d)中，對換道部分CRF識別率低于HMM，在0.8附近。顯然對兩種算法而言，與多參數(shù)相比，單參數(shù)情況下的識別概率要更不穩(wěn)定。

除了識別的準確率，識別所用時間也十分重要，尤其是若要運用于實時系統(tǒng)上，單次識別時間過長會導致實時性很差。MATLAB自帶計時函數(shù)，利用該函數(shù)記錄兩種算法對駕駛意圖識別的時間，結(jié)果如表2所示。

表2 識別用時

無論車輛參數(shù)還是觀察參數(shù)，CRF算法的識別用時都比單次采樣時間短，滿足實時性要求。與HMM算法對比，CRF算法用時基本占HMM用時的10%以下，優(yōu)勢明顯。此外，對比兩列數(shù)據(jù)，盡管左列數(shù)據(jù)量比右列更多，但識別用時更短，顯然數(shù)據(jù)長度對識別用時的影響比數(shù)據(jù)總量影響更大，可以通過減少數(shù)據(jù)長度、增加特征參數(shù)數(shù)量的方式來進一步壓縮采樣時間，提高系統(tǒng)效率。

3.4 復雜工況測試

為證明該識別系統(tǒng)在包括多種復雜工況的情境下依然有較好的識別率，隨機取一原始樣本，行駛路徑長度為743 m，總時間為30 s，識別結(jié)果如圖11所示。

圖11 復雜工況下識別結(jié)果

CRF識別結(jié)果整體和原數(shù)據(jù)標記基本一致，在包含多種駕駛行為的復雜工況下依然保持有良好的識別效果。

圖11(a)中，換道區(qū)段后又識別出一段反向換道，是因為駕駛員在換道完成后反向轉(zhuǎn)動方向盤使車輛回正，駕駛操作和車輛動態(tài)都接近換道行為，因而被識別出來。而且由于換道標記截止到車輛質(zhì)心越過車道線前0.5 s，而車輛可能之后依然保持明顯的換道姿態(tài)，故圖中CRF識別區(qū)域在后端明顯多于數(shù)據(jù)標記。

在兩段換道行為中的車道保持階段，駕駛員有三次明顯轉(zhuǎn)動方向盤使調(diào)節(jié)車輛位置的行為，但均未被識別為換道行為，不影響最終識別結(jié)果。

4 在線識別

前文是在對收集的數(shù)據(jù)在離線狀態(tài)下訓練和識別，驗證了算法識別的可行性但無法應用，故對其進行改進，實現(xiàn)在線識別。

4.1 軟件設(shè)置

硬件方面，駕駛模擬器的已安裝硬件能夠滿足實時采集數(shù)據(jù)的要求，無需進行改進。

文章采用CRF Toolbox進行數(shù)據(jù)訓練和識別，其源代碼中訓練和識別一體，訓練耗時長且占用大量電腦性能，無法應用于在線識別，故將其識別部分拆分出來，實驗前在原采集數(shù)據(jù)的基礎(chǔ)上進行離線訓練，并將訓練成果保存為mat文件，在線識別時由CRF識別模型讀取。

盡管在單工況測試中利用計時函數(shù)證明CRF單次識別時間低于采樣間隔時間，但為保證長時間實驗中能始終保持較好的實時識別效果，故將單次識別樣本長度定為車輛參數(shù)100個采樣點，觀察參數(shù)200個采樣點。數(shù)據(jù)儲存矩陣設(shè)置成最開始為0矩陣，實驗開始后接收輸入數(shù)據(jù)，每次采樣用最新的100個或200個采樣點的數(shù)據(jù)替換原數(shù)據(jù)，導入識別模型中進行識別，并實時將識別結(jié)果輸出。

4.2 識別流程

駕駛員的直接操作和觀察行為由方向盤、油門與制動踏板和攝像頭記錄下來，其中方向盤和油門與制動踏板的數(shù)據(jù)由CarSim讀取傳輸?shù)紺RF識別模型；DLDL識別攝像頭拍攝到的幀中駕駛員的頭部橫擺角，將其輸入到CRF識別模型。CRF識別模型讀取兩者數(shù)據(jù)，并實時輸出駕駛意圖。整個識別流程如圖12所示。

圖12 在線識別流程

識別結(jié)果由Matlab輸入Veristand，并在工作空間上實時輸出，在進行駕駛模擬時能夠直接觀察到識別結(jié)果。

4.3 識別結(jié)果對照

為證明在線識別的有效性，隨機取一段在線識別數(shù)據(jù)保存下來，進行離線識別，在線與離線的識別結(jié)果如圖13所示。

圖13(a)中，在線與離線識別結(jié)果基本一致，相差最大處不超過0.05 s；而在圖13(b)中，在線識別結(jié)果對左換道識別開始相比離線識別結(jié)果滯后了0.31 s，識別結(jié)束延遲了0.57 s，對比車輛參數(shù)相差較大。顯然單參數(shù)對短區(qū)間識別效果相比多參數(shù)或長區(qū)間都要略差一些，但仍可以在車輛質(zhì)心越過車道線的4 s前識別出駕駛員的換道意圖。

圖13 在線識別與離線識別結(jié)果對比

5 總結(jié)

文章為解決駕駛輔助系統(tǒng)可靠性問題，引入駕駛員駕駛意圖，在軟件上搭建實驗環(huán)境，采集實驗人員在駕駛過程中車輛和人的行為數(shù)據(jù)，并用DLDL將采集圖像轉(zhuǎn)化為駕駛員的頭部轉(zhuǎn)動數(shù)據(jù)。隨后對各類參數(shù)進行篩選，分析其在各個行為時的取值，并對原始數(shù)據(jù)按照換道區(qū)段進行分割和分組，導入條件隨機場算法訓練并在多種工況下進行識別測試，與HMM算法相比，識別效果較好，識別速度有明顯優(yōu)勢，在此基礎(chǔ)上搭建駕駛意圖在線識別系統(tǒng)，能夠有效識別駕駛員的換道意圖。