數(shù)據(jù)驅(qū)動(dòng)的智能車(chē)個(gè)性化場(chǎng)景風(fēng)險(xiǎn)圖構(gòu)建*

崔格格，呂超，李景行，張哲雨，熊光明，龔建偉

（北京理工大學(xué)機(jī)械與車(chē)輛學(xué)院，北京 100081）

前言

據(jù)美國(guó)國(guó)家公路交通安全管理局（national highway traffic safety administration，NHTSA）調(diào)查顯示，約94%的交通事故是由人類(lèi)駕駛員造成的，其中95%的致命交通事故是由不安全的駕駛行為造成的［1-2］。開(kāi)發(fā)智能車(chē)輛危險(xiǎn)預(yù)警輔助功能，針對(duì)場(chǎng)景中的潛在風(fēng)險(xiǎn)及時(shí)警示駕駛員，有望減少事故的發(fā)生。由于駕駛員存在經(jīng)驗(yàn)與個(gè)性的差異，將針對(duì)特定駕駛員訓(xùn)練的風(fēng)險(xiǎn)識(shí)別模型應(yīng)用于具有不同風(fēng)險(xiǎn)理解模式的其他駕駛員身上，必然會(huì)引起人機(jī)沖突，可能引起危險(xiǎn)識(shí)別異?；?qū)е埋{駛員忽視警告［3-4］。如何對(duì)動(dòng)態(tài)交通場(chǎng)景進(jìn)行理解和建模，并實(shí)現(xiàn)駕駛員個(gè)性化危險(xiǎn)場(chǎng)景識(shí)別功能已經(jīng)成為當(dāng)前研究的熱點(diǎn)。

個(gè)性化危險(xiǎn)場(chǎng)景識(shí)別問(wèn)題的關(guān)鍵在于建立駕駛員個(gè)性化場(chǎng)景危險(xiǎn)程度評(píng)價(jià)機(jī)理與場(chǎng)景特征之間的映射關(guān)系。在前期研究中，針對(duì)駕駛員個(gè)性化的研究主要采用問(wèn)卷調(diào)查、駕駛模擬器仿真和志愿者觀看錄像并評(píng)分等方法［5］。Wang 等［6］結(jié)合自然駕駛研究和駕駛員態(tài)度問(wèn)卷（driver attitude questionnaire，DAQ）建立駕駛風(fēng)險(xiǎn)評(píng)估模型。Asadamraji 等［7］使用駕駛模擬器研究駕駛員特征與道路危險(xiǎn)感知敏感性之間的關(guān)系。Moran 等［8］利用觀看危險(xiǎn)場(chǎng)景視頻時(shí)的時(shí)間反應(yīng)研究駕駛員特性。在上述方法中，問(wèn)卷法與打分法存在信息不全面且主觀臆斷性強(qiáng)的問(wèn)題，仿真法存在不能真實(shí)反映道路交通狀況問(wèn)題。

針對(duì)行駛場(chǎng)景建模問(wèn)題，需要盡量充分地提取傳感器獲得的場(chǎng)景特征信息對(duì)場(chǎng)景進(jìn)行表示。前期研究多采用基于多模態(tài)數(shù)據(jù)的特征向量對(duì)場(chǎng)景進(jìn)行表征［9-10］，但相關(guān)方法缺少對(duì)動(dòng)態(tài)要素間交互關(guān)系的建模，未能充分考慮行駛場(chǎng)景中交通參與者復(fù)雜交互行為可能對(duì)主車(chē)造成的間接危險(xiǎn)，這將會(huì)降低模型對(duì)危險(xiǎn)場(chǎng)景識(shí)別的效果。為挖掘復(fù)雜交通場(chǎng)景中動(dòng)態(tài)要素間交互關(guān)系，使用圖表示學(xué)習(xí)（graph representation learning，GRL）的方法被提出。與傳統(tǒng)的數(shù)據(jù)表示方法相比，圖模型具有表示不同對(duì)象之間關(guān)系的能力，已經(jīng)在人體動(dòng)作識(shí)別［11］、圖像場(chǎng)景理解［12］、推薦系統(tǒng)［13］、社交網(wǎng)絡(luò)分析［14］等領(lǐng)域得到了越來(lái)越多的關(guān)注。在交通領(lǐng)域，Wang 等［6］提出一種基于圖模型的多關(guān)系圖卷積網(wǎng)絡(luò)（multi-relational graph convolutional networks，MR-GCN），首先應(yīng)用圖模型研究車(chē)輛與周?chē)黹g的交互關(guān)系。Yurtsever等［15］提出一種基于圖方法的通用軌跡預(yù)測(cè)框架，對(duì)多個(gè)異構(gòu)、交互式的代理進(jìn)行建模，提高了模型在預(yù)測(cè)誤差方面的性能。

本文中提出一種數(shù)據(jù)驅(qū)動(dòng)的智能車(chē)個(gè)性化場(chǎng)景風(fēng)險(xiǎn)圖構(gòu)建方法，主要貢獻(xiàn)在于：（1）提出基于數(shù)據(jù)驅(qū)動(dòng)的駕駛員危險(xiǎn)場(chǎng)景評(píng)價(jià)算法，通過(guò)對(duì)駕駛員操作特征進(jìn)行聚類(lèi)獲取駕駛員個(gè)性化危險(xiǎn)場(chǎng)景評(píng)價(jià)標(biāo)簽；（2）提出一種基于圖表示學(xué)習(xí)的動(dòng)靜態(tài)要素特征提取及場(chǎng)景圖構(gòu)建方法，對(duì)主車(chē)視野范圍內(nèi)的動(dòng)靜態(tài)要素屬性及要素間的交互關(guān)系進(jìn)行表征；（3）應(yīng)用圖核方法（graph kernel method）［16］對(duì)圖表示數(shù)據(jù)的相似性進(jìn)行度量，并基于嵌入核矩陣的支持向量機(jī)（support vector machine，SVM）模型構(gòu)建分類(lèi)器，最后基于不同駕駛員的實(shí)車(chē)數(shù)據(jù)，驗(yàn)證模型和算法的有效性。整體方法框架如圖1所示。

圖1 數(shù)據(jù)驅(qū)動(dòng)的智能車(chē)個(gè)性化場(chǎng)景風(fēng)險(xiǎn)圖構(gòu)建方法

1 基于圖表示的行駛場(chǎng)景建模

為表征行駛場(chǎng)景中多交通參與者的復(fù)雜交互行為對(duì)主車(chē)造成的間接危險(xiǎn)，需要對(duì)駕駛員視野范圍內(nèi)的行駛場(chǎng)景進(jìn)行建模。由于行駛場(chǎng)景是動(dòng)態(tài)變化的，所以在對(duì)行駛場(chǎng)景建模時(shí)，存在交通參與者的數(shù)量及其間交互關(guān)系不斷變化的問(wèn)題。因此，本文中基于圖表示方法對(duì)行駛場(chǎng)景建模，引入圖結(jié)構(gòu)數(shù)據(jù)對(duì)危險(xiǎn)行駛場(chǎng)景進(jìn)行特征提取。定義行駛場(chǎng)景圖模型為無(wú)向節(jié)點(diǎn)標(biāo)記圖，無(wú)向圖表示成對(duì)節(jié)點(diǎn)間的邊連接是雙向的，節(jié)點(diǎn)標(biāo)記圖表示該圖模型的節(jié)點(diǎn)含有標(biāo)簽。記一幀行駛場(chǎng)景所形成的圖為G=(V，E)，它包含一組由動(dòng)態(tài)要素定義的節(jié)點(diǎn)V={v1，v2，...，vn}，一組由不同動(dòng)態(tài)要素間的交互關(guān)系定義的邊E?V×V。該圖的大小對(duì)應(yīng)于節(jié)點(diǎn)個(gè)數(shù)|V|，邊的個(gè)數(shù)記為|E|。圖模型通過(guò)標(biāo)簽分配函數(shù)lV將標(biāo)簽集ΣV中的標(biāo)簽分配給圖中對(duì)應(yīng)的節(jié)點(diǎn)，函數(shù)lV記作

1.1 基于動(dòng)態(tài)要素建模的場(chǎng)景圖模型節(jié)點(diǎn)定義

在城市結(jié)構(gòu)化道路中，路面與車(chē)道線限定了車(chē)輛通行區(qū)域。同時(shí)，受交通規(guī)則約束，機(jī)動(dòng)車(chē)除換道行為外只可以在車(chē)道內(nèi)行駛，因此車(chē)輛在城市道路環(huán)境下的行駛軌跡是結(jié)構(gòu)化的。從城市道路的鳥(niǎo)瞰圖觀察，車(chē)輛作為動(dòng)態(tài)要素，可以自然地被定義為圖模型中的節(jié)點(diǎn)。此外，在行駛場(chǎng)景建模問(wèn)題中，需要研究主車(chē)與周邊車(chē)輛的交互關(guān)系，因此主車(chē)也是圖模型中的一個(gè)節(jié)點(diǎn)。

將主車(chē)視角數(shù)據(jù)轉(zhuǎn)換為以主車(chē)為坐標(biāo)系原點(diǎn)的城市道路鳥(niǎo)瞰圖，如圖2（a）和圖2（b）所示。由于主車(chē)視角數(shù)據(jù)由車(chē)載前置攝像頭采集，所以限定所生成的鳥(niǎo)瞰圖范圍為主車(chē)的前視方向，鳥(niǎo)瞰圖面積由車(chē)載傳感器的檢測(cè)范圍決定。鳥(niǎo)瞰圖的生成范圍隨主車(chē)的移動(dòng)而動(dòng)態(tài)變化，認(rèn)為主車(chē)始終處于鳥(niǎo)瞰圖的下方居中位置。圖中節(jié)點(diǎn)由vi表示，如圖2（c）所示。所有節(jié)點(diǎn)構(gòu)成圖模型節(jié)點(diǎn)集合V，?vi∈V。

圖2 圖模型節(jié)點(diǎn)生成示例

1.2 基于靜態(tài)要素建模的場(chǎng)景圖模型節(jié)點(diǎn)標(biāo)簽定義

車(chē)道線在城市道路環(huán)境中起到車(chē)輛引導(dǎo)和路面劃分的作用，因此將車(chē)道線作為行駛場(chǎng)景靜態(tài)要素引入圖模型具有重要意義。

基于車(chē)道線分布生成城市道路鳥(niǎo)瞰圖網(wǎng)格劃分。在鳥(niǎo)瞰圖中，定義主車(chē)直行時(shí)垂直車(chē)身長(zhǎng)度方向指向右側(cè)為X軸正方向，主車(chē)直行時(shí)的行車(chē)方向?yàn)閅軸正方向。在X方向上，由于真實(shí)交通場(chǎng)景中的車(chē)輛碰撞事故一般發(fā)生在相鄰的兩個(gè)車(chē)道之間，所以本文以車(chē)載傳感器檢測(cè)出的車(chē)道線為基準(zhǔn)，將鳥(niǎo)瞰圖沿X軸分為3 條車(chē)道，分別為主車(chē)所在車(chē)道及緊鄰兩車(chē)道。在Y方向上，將車(chē)道線等間隔劃分為m段，將路面劃分為3 ×m的網(wǎng)格，其中，Ld為由車(chē)載傳感器基本參數(shù)確定車(chē)輛最遠(yuǎn)檢測(cè)距離，為常見(jiàn)轎車(chē)平均長(zhǎng)度。為正常通行路段上同一車(chē)道內(nèi)車(chē)輛之間的平均間隔距離。

根據(jù)圖的網(wǎng)格劃分結(jié)構(gòu)，將交通參與者的連續(xù)位置信息離散化，如圖3（a）和圖3（b）所示。綜合考慮車(chē)輛所在網(wǎng)格中的離散化位置坐標(biāo)x、y，以及周邊車(chē)輛對(duì)主車(chē)的相對(duì)速度vi進(jìn)行編碼，構(gòu)造圖模型的節(jié)點(diǎn)標(biāo)簽集ΣV。定義節(jié)點(diǎn)標(biāo)簽編碼為

將生成的圖模型節(jié)點(diǎn)標(biāo)簽記作li，編碼結(jié)果如圖3（c）所示。

圖3 圖模型節(jié)點(diǎn)標(biāo)簽生成示例

1.3 基于動(dòng)態(tài)要素交互關(guān)系的行駛場(chǎng)景圖模型邊定義

在圖模型中，兩節(jié)點(diǎn)之間有邊連接，代表兩節(jié)點(diǎn)之間存在聯(lián)系，在行駛場(chǎng)景圖模型中，將這種聯(lián)系定義為車(chē)輛之間存在的潛在碰撞關(guān)系，利用鄰接矩陣表示這種邊連接。令行駛場(chǎng)景圖模型的鄰接矩陣為A∈{0，1}N×N，如果節(jié)點(diǎn)i和節(jié)點(diǎn)j之間存在邊連接，則Ai，j=Aj，i=1，反之為0。為實(shí)現(xiàn)上述邊連接的唯一表示，需要基于已劃分網(wǎng)格定義網(wǎng)格位置編碼，對(duì)節(jié)點(diǎn)間的鄰接矩陣進(jìn)行表征。對(duì)1.2 節(jié)中生成3 ×m的路面劃分網(wǎng)格圖由（1，1）位置起始，從“1”開(kāi)始依次編碼，設(shè)所有編碼值的集合為H，則i，j∈H。以生成網(wǎng)格規(guī)模為3 × 4的行駛場(chǎng)景為例，編碼結(jié)果如圖4（a）所示。在城市道路環(huán)境中，相對(duì)距離是車(chē)輛之間發(fā)生碰撞可能性的最直觀度量，認(rèn)為兩車(chē)距離越近，它們碰撞的概率越大。同時(shí)，因?yàn)檐?chē)輛之間的碰撞一般發(fā)生在相鄰兩車(chē)道之間，認(rèn)為被車(chē)道隔開(kāi)的兩車(chē)之間不存在潛在碰撞關(guān)系。因此，在網(wǎng)格位置編碼的基礎(chǔ)上，以每輛車(chē)為中心的3 × 3網(wǎng)格范圍內(nèi)存在的車(chē)輛被認(rèn)為與中心車(chē)輛有邊連接。同時(shí)，由于碰撞是相對(duì)的，所以所建立的邊連接是雙向的。將行駛場(chǎng)景圖模型中的邊記作ei，圖模型邊的生成過(guò)程如圖4（b）和圖4（c）所示。

圖4 圖模型邊生成示例

2 基于圖核的危險(xiǎn)場(chǎng)景識(shí)別模型

在完成行駛場(chǎng)景建模與圖數(shù)據(jù)特征提取后，本文中提出了一種基于圖核方法的危險(xiǎn)場(chǎng)景識(shí)別模型。首先利用核函數(shù)對(duì)圖數(shù)據(jù)特征進(jìn)行從低維到高維的映射，將其結(jié)果作為訓(xùn)練場(chǎng)景分類(lèi)器模型的輸入。然后將分析得到的危險(xiǎn)程度評(píng)價(jià)劃分為離散的危險(xiǎn)等級(jí)，作為訓(xùn)練場(chǎng)景分類(lèi)器模型的標(biāo)簽。最后利用所得輸入特征與評(píng)價(jià)標(biāo)簽訓(xùn)練基于線性SVM模型的危險(xiǎn)場(chǎng)景識(shí)別模型。

2.1 基于圖核方法的圖相似性度量

利用圖核方法度量圖數(shù)據(jù)的相似性。圖核方法既保留了非線性圖數(shù)據(jù)結(jié)構(gòu)具有的代表性，又結(jié)合了基于核方法的分辨能力，因此該方法能夠有效地將圖數(shù)據(jù)特征投影為線性機(jī)器學(xué)習(xí)方法能夠處理的數(shù)據(jù)形式，從而實(shí)現(xiàn)對(duì)圖相似性的度量。

將圖核定義為圖空間G上一個(gè)對(duì)稱(chēng)的、半正定的函數(shù)，該函數(shù)可以表示為某個(gè)希爾伯特空間H 中的內(nèi)積。對(duì)給定內(nèi)核k，存在從圖空間G到希爾伯特空間H的映射：?(Gi)：G→H，使對(duì)于所有Gi，Gj∈G而言，k(Gi，Gj)=由圖核定義的特征空間及其映射如圖5所示。

圖5 由圖核定義的特征空間及其映射

圖核的應(yīng)用包括以下兩個(gè)步驟：第1步，選擇合適的圖核，將圖的內(nèi)積投影到高維希爾伯特空間H中獲取抽象特征，構(gòu)建核矩陣；第2步，用線性SVM模型進(jìn)行訓(xùn)練［17］，計(jì)算特征空間中的最佳流形嵌入。本文所考慮的危險(xiǎn)場(chǎng)景識(shí)別問(wèn)題為圖層面的分類(lèi)問(wèn)題，采用對(duì)圖進(jìn)行比較的圖核對(duì)行駛場(chǎng)景圖數(shù)據(jù)的相似性進(jìn)行度量。這類(lèi)圖核包括基于路徑計(jì)算的最短路徑圖核、基于鄰域聚合計(jì)算的鄰域哈希圖核等。

2.1.1 基于路徑計(jì)算的最短路徑圖核

對(duì)于圖數(shù)據(jù)，最短路徑圖核（shortest path kernel，SP Kernel）將每張圖分解為最短路徑的組合，并根據(jù)每張圖的最短路徑長(zhǎng)度和路徑端點(diǎn)的節(jié)點(diǎn)標(biāo)簽在不同圖結(jié)構(gòu)間進(jìn)行比較［18］，其時(shí)間復(fù)雜度為O(n4)，可分解為如下步驟。

步驟1：將輸入圖轉(zhuǎn)化為最短路徑圖。輸入場(chǎng)景圖G=(V，E)，其中，V為輸入圖節(jié)點(diǎn)集合，V={v1，v2，...，vn}，E為邊集合，E={e1，e2，...，em}。在輸入圖G中，通過(guò)行走路線連接的所有節(jié)點(diǎn)之間都存在一條邊。根據(jù)輸入圖結(jié)構(gòu)創(chuàng)建其最短路徑圖S=(V，Es)作為新圖，圖S所包含的節(jié)點(diǎn)集與圖G相同，邊集是圖G邊集的子集。在新圖轉(zhuǎn)換過(guò)程中，該算法為最短路徑圖S的所有邊分配標(biāo)簽，每條邊的標(biāo)簽即其在原圖G中端點(diǎn)之間連接路徑的最短距離。

步驟2：計(jì)算圖核。給定兩個(gè)圖G和G'，它們對(duì)應(yīng)的最短路徑圖分別是S=(V，E)和S'=(V'，E')。定義最短路徑核為

式中：ke為用于比較最短路徑長(zhǎng)度的核；kv為用于比較節(jié)點(diǎn)標(biāo)簽的核。ke可以使用dirac 核或布朗橋核［19］，而kv通常使用dirac核。

2.1.2 基于鄰域聚合計(jì)算的鄰域哈希圖核

鄰域哈希圖核方法（neighborhood Hash kernel，NH Kernel）是鄰域聚合算法中的典型代表。該算法通過(guò)更新輸入圖的節(jié)點(diǎn)標(biāo)簽并計(jì)算它們的共同標(biāo)簽數(shù)量，來(lái)度量圖之間的相似性，可分解為如下步驟。

步驟1：生成位標(biāo)簽。輸入場(chǎng)景圖G=(V，E)，令函數(shù)?：V→∑將節(jié)點(diǎn)集V映射到一個(gè)離散節(jié)點(diǎn)標(biāo)簽集∑，對(duì)輸入圖G的任一節(jié)點(diǎn)v，?(v) ∈∑為節(jié)點(diǎn)v的標(biāo)簽。將每個(gè)離散節(jié)點(diǎn)標(biāo)簽轉(zhuǎn)換為位標(biāo)簽，位標(biāo)簽是一個(gè)由d位數(shù)組成的二進(jìn)制數(shù)組，即

式中：b1，b2，…，bd∈{0，1}；d為常數(shù)并且滿足2d-1 ≥|∑|。

步驟2：生成由鄰域聚合表示的新節(jié)點(diǎn)標(biāo)簽。鄰域哈希圖核更新節(jié)點(diǎn)標(biāo)簽的方法可分為簡(jiǎn)單鄰域哈希運(yùn)算和計(jì)數(shù)敏感的鄰域哈希運(yùn)算。給定一個(gè)有位標(biāo)簽的輸入圖G=(V，E)，簡(jiǎn)單鄰域哈希運(yùn)算使用邏輯運(yùn)算中的位移運(yùn)算（rotation，ROT）與異或運(yùn)算（exclusive OR，XOR）對(duì)節(jié)點(diǎn)標(biāo)簽進(jìn)行運(yùn)算。輸入一個(gè)d位的數(shù)組s=(b1，b2，…，bd)，定義其位移運(yùn)算ROTo為

即將其最后的o位數(shù)據(jù)向左移動(dòng)o個(gè)位置，并將最初的o位數(shù)據(jù)移動(dòng)到最右端。定義兩個(gè)位標(biāo)簽si和sj之間的異或運(yùn)算為

若位標(biāo)簽si和sj的兩個(gè)值相同，則式（7）結(jié)果為1，反之為0。

對(duì)輸入圖中任意節(jié)點(diǎn)v及其鄰域節(jié)點(diǎn)形成的集合N(v)={u1，u2，…，ud}，計(jì)算節(jié)點(diǎn)的簡(jiǎn)單鄰域哈希值NH(v)如下：

由于簡(jiǎn)單鄰域哈希運(yùn)算不考慮鄰域節(jié)點(diǎn)標(biāo)簽集排序問(wèn)題，可能產(chǎn)生潛在的哈希碰撞。即兩個(gè)具有不同鄰域點(diǎn)集的節(jié)點(diǎn)產(chǎn)生了相同的鄰域哈希值，這會(huì)影響圖核計(jì)算時(shí)的正半定自由度，從而導(dǎo)致圖結(jié)構(gòu)映射錯(cuò)誤。為解決這個(gè)問(wèn)題，在計(jì)算節(jié)點(diǎn)的鄰域哈希值時(shí)，可以使用計(jì)數(shù)敏感的鄰域哈希運(yùn)算。該運(yùn)算首先使用排序算法對(duì)齊鄰域節(jié)點(diǎn)標(biāo)簽集N(v)，然后提取N(v)中的特征標(biāo)簽，得到節(jié)點(diǎn)特征標(biāo)簽集set{?1，?2，...，?l}，其中l(wèi)為特征標(biāo)簽數(shù)。計(jì)算每個(gè)特征標(biāo)簽出現(xiàn)次數(shù)o，并據(jù)此對(duì)特征標(biāo)簽進(jìn)行位移運(yùn)算：

式中：?i為初始標(biāo)簽；?'i為更新標(biāo)簽。計(jì)算節(jié)點(diǎn)的計(jì)數(shù)鄰域哈希值CSNH(v)如下：

步驟3：計(jì)算圖核。給定兩個(gè)圖G和G'，使用簡(jiǎn)單鄰域哈希運(yùn)算或計(jì)數(shù)鄰域哈希運(yùn)算對(duì)兩個(gè)輸入圖的節(jié)點(diǎn)分別運(yùn)算1，2，…，h次后，兩個(gè)輸入圖分別更新為G1，G2，…，Gh和G'1，G'2，…，G'h，以?xún)蓚€(gè)輸入圖的距離度量定義的鄰域哈希圖核為

式中：c為兩個(gè)圖共同的標(biāo)簽數(shù)量；h為運(yùn)算執(zhí)行次數(shù)；|V|和|V'|分別為圖G和G'的節(jié)點(diǎn)總數(shù)。函數(shù)κ(G，G')用于更新后節(jié)點(diǎn)的比較。核函數(shù)kNH(G，G')是正半定的［20］，通常被用作離散值集合之間的相似性度量。

2.2 基于SVM的危險(xiǎn)場(chǎng)景分類(lèi)

2.2.1 駕駛員個(gè)性化危險(xiǎn)場(chǎng)景評(píng)價(jià)標(biāo)簽

由于年齡、性別、駕駛風(fēng)格和經(jīng)驗(yàn)不同［21］，不同駕駛員對(duì)風(fēng)險(xiǎn)場(chǎng)景的識(shí)別能力存在差異。為了減少高級(jí)駕駛輔助系統(tǒng)（advanced driving assistance system，ADAS）的人機(jī)沖突，提高輔助系統(tǒng)的效率，提出構(gòu)建個(gè)性化的輔助系統(tǒng)［22］。個(gè)性化ADAS 的設(shè)計(jì)體現(xiàn)在駕駛員個(gè)性化危險(xiǎn)場(chǎng)景評(píng)價(jià)標(biāo)簽的生成。在本文中，危險(xiǎn)場(chǎng)景被定義為可能會(huì)發(fā)生車(chē)輛碰撞等事故的行駛場(chǎng)景。提出一種基于駕駛員操作數(shù)據(jù)的個(gè)性化危險(xiǎn)場(chǎng)景評(píng)價(jià)方法，通過(guò)對(duì)駕駛員在遇到危險(xiǎn)場(chǎng)景時(shí)的駕駛數(shù)據(jù)進(jìn)行分析，基于聚類(lèi)生成駕駛員對(duì)危險(xiǎn)場(chǎng)景的個(gè)性化主觀評(píng)價(jià)標(biāo)簽，其流程如圖6所示。

圖6 基于駕駛員操作數(shù)據(jù)的個(gè)性化危險(xiǎn)場(chǎng)景評(píng)價(jià)生成

在訓(xùn)練危險(xiǎn)場(chǎng)景識(shí)別模型時(shí)，需要針對(duì)不同駕駛員，輸入對(duì)應(yīng)的個(gè)性化危險(xiǎn)場(chǎng)景評(píng)價(jià)標(biāo)簽，該評(píng)價(jià)標(biāo)簽可以通過(guò)對(duì)不同駕駛員的駕駛行為特征分別研究獲得。為對(duì)比不同行為特征對(duì)聚類(lèi)效果的影響，利用駕駛員操作數(shù)據(jù)構(gòu)建兩種操作特征向量s1，t和s2，t：

式中：ax，t為車(chē)輛縱向加速度；ay，t為車(chē)輛橫向加速度；θt為車(chē)輛前輪轉(zhuǎn)角；bt為制動(dòng)信號(hào)；ut為油門(mén)開(kāi)度信號(hào)。

在正常駕駛情況下，駕駛員在遇到危險(xiǎn)場(chǎng)景時(shí)會(huì)采取緊急制動(dòng)和/或轉(zhuǎn)向操作來(lái)規(guī)避危險(xiǎn)，因此認(rèn)為車(chē)輛加速表征駕駛員判斷行駛場(chǎng)景相對(duì)安全。將加速度為正值的數(shù)據(jù)取出，并定義其類(lèi)別為“不危險(xiǎn)”，選取縱向加速度為負(fù)值的場(chǎng)景進(jìn)行聚類(lèi)分析。輸入特征s1，t構(gòu)建的特征集矩陣S1中只包含車(chē)輛的縱向加速度，為真實(shí)反映車(chē)輛的加速和制動(dòng)情況，不對(duì)矩陣S1進(jìn)行數(shù)據(jù)歸一化操作。對(duì)于由輸入矩陣s2，t構(gòu)建的特征集矩陣S2，為使數(shù)據(jù)樣本的所有特征量有相同的權(quán)重，對(duì)每個(gè)特征分別進(jìn)行歸一化處理。本節(jié)所使用的歸一化操作是將每個(gè)特征按照式（15）所示的方法轉(zhuǎn)換為-1到1之間：

式中：smax為特征中的最大值；smin為特征中的最小值。下文使用norm(S2)代表S2。

使用K-means 聚類(lèi)方法對(duì)特征集矩陣S1和norm(S2)分別進(jìn)行聚類(lèi)操作，依據(jù)肘部法則和輪廓系數(shù)（silhouette coefficient，SC）［23］分析聚類(lèi)效果，確定聚類(lèi)類(lèi)別數(shù)K值。在駕駛員數(shù)據(jù)集D=中，si∈RD為D維的駕駛員特征矢量，N為樣本數(shù)量。K-means算法［24］將D劃分為K個(gè)相異無(wú)重疊類(lèi)群，每個(gè)數(shù)據(jù)點(diǎn)只屬于一個(gè)類(lèi)，并盡量提高類(lèi)別內(nèi)部相似性與類(lèi)別間差異。上述優(yōu)化目標(biāo)可以描述為，通過(guò)尋找最佳的分類(lèi)，使得代價(jià)函數(shù)J取得最小值：

式中：對(duì)數(shù)據(jù)點(diǎn)si，若它屬于類(lèi)群Ck，則ωk=1，反之，ωk=0；μk為類(lèi)群Ck數(shù)據(jù)的中心點(diǎn)。

為選取理想K值，本文對(duì)統(tǒng)計(jì)量殘差平方和（residual sum of square，RRS）應(yīng)用肘部法則。首先繪制RSS 相對(duì)于類(lèi)別數(shù)K的函數(shù)，然后選擇曲線“肘部”（明顯彎折處）對(duì)應(yīng)的K值，作為聚類(lèi)類(lèi)別數(shù)。RSS 通常用于統(tǒng)計(jì)數(shù)據(jù)集中預(yù)測(cè)值與真實(shí)值之間的誤差大小，對(duì)數(shù)據(jù)集D中任意數(shù)據(jù)點(diǎn)si，RSS的計(jì)算公式為

輪廓系數(shù)SC為所有樣本輪廓值的均值。對(duì)任意數(shù)據(jù)點(diǎn)si，將輪廓值記作Sil(si)，表示一個(gè)物體與它所屬集群的相似程度和與其他集群的相似程度的比較，值越高，數(shù)據(jù)點(diǎn)與其聚類(lèi)越匹配。Sil(si)計(jì)算公式為

式中：a(si)為數(shù)據(jù)點(diǎn)si與同一聚類(lèi)中所有其他數(shù)據(jù)點(diǎn)的平均距離；b(si)為數(shù)據(jù)點(diǎn)與任何其他聚類(lèi)中所有點(diǎn)的最小平均距離；d(si，sj)為數(shù)據(jù)點(diǎn)si與數(shù)據(jù)點(diǎn)sj之間的歐氏距離。

2.2.2 基于SVM的危險(xiǎn)場(chǎng)景分類(lèi)模型構(gòu)建

在使用圖核方法將圖的內(nèi)積投影到高維希爾伯特空間后，通過(guò)計(jì)算相似性或度量距離，解決圖之間的比較問(wèn)題。進(jìn)而引入監(jiān)督學(xué)習(xí)方法，針對(duì)具體駕駛員，基于SVM 模型訓(xùn)練危險(xiǎn)場(chǎng)景識(shí)別模型。首先采集駕駛員操作數(shù)據(jù)，對(duì)于所獲得的數(shù)據(jù)集Dd=，si∈RD為D維的駕駛員特征矢量，是經(jīng)過(guò)圖核計(jì)算的從行駛場(chǎng)景中提取的圖結(jié)構(gòu)特征數(shù)據(jù)，yi∈{-1，1}為SVM 模型輸出，是基于聚類(lèi)方法獲得該駕駛員對(duì)危險(xiǎn)程度的評(píng)價(jià)標(biāo)簽。經(jīng)訓(xùn)練可得對(duì)應(yīng)駕駛員個(gè)性化特征的危險(xiǎn)場(chǎng)景識(shí)別模型f(s)。輸出為相應(yīng)有限且離散的預(yù)測(cè)量，與有限的危險(xiǎn)場(chǎng)景類(lèi)別對(duì)應(yīng)。對(duì)于線性SVM分類(lèi)器，其表達(dá)式為

式中：w為超平面Ψ：wTs+b=0 的法向量；b為截距。二者為待定參數(shù)，由以下優(yōu)化目標(biāo)決定：

式中參數(shù)C用于控制式（22）中，由第1 項(xiàng)決定的模型復(fù)雜度與第2 項(xiàng)決定的經(jīng)驗(yàn)風(fēng)險(xiǎn)之間的平衡。本文中利用基于核的圖核方法，將SVM 模型擴(kuò)展到非線性情況。

3 實(shí)車(chē)數(shù)據(jù)實(shí)驗(yàn)驗(yàn)證

為驗(yàn)證基于圖表示的個(gè)性化危險(xiǎn)行駛場(chǎng)景識(shí)別模型的有效性，本文中利用實(shí)車(chē)數(shù)據(jù)采集平臺(tái)，采集了駕駛員操作數(shù)據(jù)與真實(shí)行駛場(chǎng)景數(shù)據(jù)，并在實(shí)車(chē)數(shù)據(jù)上開(kāi)展了評(píng)估實(shí)驗(yàn)。本實(shí)驗(yàn)利用無(wú)監(jiān)督學(xué)習(xí)方法對(duì)危險(xiǎn)場(chǎng)景中的駕駛員操作數(shù)據(jù)進(jìn)行聚類(lèi)，從而獲取了個(gè)性化危險(xiǎn)評(píng)價(jià)標(biāo)簽；利用所提出的基于圖表示的個(gè)性化危險(xiǎn)場(chǎng)景識(shí)別方法對(duì)真實(shí)行駛場(chǎng)景的危險(xiǎn)程度進(jìn)行評(píng)估，得出了危險(xiǎn)場(chǎng)景識(shí)別結(jié)果，并開(kāi)展與傳統(tǒng)特征向量表示方法的對(duì)比實(shí)驗(yàn)，驗(yàn)證了模型的可行性與有效性。

3.1 數(shù)據(jù)采集平臺(tái)建立與數(shù)據(jù)獲取

實(shí)驗(yàn)使用的數(shù)據(jù)采集平臺(tái)如圖7 所示。該平臺(tái)以比亞迪唐五車(chē)型為車(chē)輛平臺(tái)，搭載了HDL-32 線激光雷達(dá)，一臺(tái)地平線公司量產(chǎn)車(chē)規(guī)級(jí)單目攝像頭，一套慣性導(dǎo)向系統(tǒng)與一臺(tái)差分GPS。車(chē)輛自身傳感器信息與駕駛員操作信息通過(guò)解析車(chē)輛底層CAN總線協(xié)議獲得。車(chē)載平臺(tái)上傳感器數(shù)據(jù)與車(chē)輛底層數(shù)據(jù)都在ROS 系統(tǒng)下進(jìn)行實(shí)時(shí)數(shù)據(jù)接收與保存，接入系統(tǒng)的不同幀率數(shù)據(jù)已完成對(duì)齊與同步，用于離線分析要求。

圖7 數(shù)據(jù)采集平臺(tái)

數(shù)據(jù)采集在城區(qū)環(huán)境下進(jìn)行，采集地點(diǎn)位于北京市中關(guān)村大街、魏公村十字路口、北三環(huán)西路、北四環(huán)西路以及魏公村路段，駕駛路線全長(zhǎng)11.2 km，行駛時(shí)間約90 min。數(shù)據(jù)包含了路況復(fù)雜、交通參與者眾多、道路條件多變等容易導(dǎo)致交通危險(xiǎn)發(fā)生的典型因素，滿足對(duì)危險(xiǎn)行駛場(chǎng)景研究的要求。

3 位參與數(shù)據(jù)采集的駕駛員基本信息如表1 所示。經(jīng)過(guò)預(yù)處理，從每位駕駛員原始駕駛數(shù)據(jù)中提取出25 組數(shù)據(jù)，共75 組。每組數(shù)據(jù)的場(chǎng)景幀數(shù)在80～170 幀之間，3 位駕駛員共獲得4 500 幀行駛場(chǎng)景自然駕駛數(shù)據(jù)。

表1 駕駛員基本信息表

3.2 個(gè)性化危險(xiǎn)場(chǎng)景識(shí)別

3.2.1 駕駛員個(gè)性化危險(xiǎn)程度評(píng)價(jià)標(biāo)簽獲取

駕駛員操作特征選擇對(duì)個(gè)性化危險(xiǎn)程度評(píng)價(jià)標(biāo)簽生成有重要影響，使用K-means 聚類(lèi)方法對(duì)駕駛員1 的特征矩陣S1和norm(S2)分別進(jìn)行K值遞增的聚類(lèi)，計(jì)算聚類(lèi)結(jié)果的殘差平方和RSS和輪廓系數(shù)SC如表2所示，將結(jié)果繪制為折線圖，如圖8所示。

表2 駕駛員操作數(shù)據(jù)聚類(lèi)特征選擇表

由圖8 可知：特征矩陣S1的RSS曲線在K=2 時(shí)出現(xiàn)明顯彎折，同時(shí)SC曲線取得最大值；特征矩陣norm(S2)的RSS曲線雖然在K=2 時(shí)出現(xiàn)較大變化，但此時(shí)SC值沒(méi)有取得最大值，說(shuō)明此時(shí)聚類(lèi)結(jié)果中的類(lèi)別具有較高的簇內(nèi)收斂性，但類(lèi)別之間的差異性較低，初步表明特征norm(S2)對(duì)應(yīng)的數(shù)據(jù)點(diǎn)之間沒(méi)有明顯的區(qū)別。

由于norm(S2)的RSS曲線沒(méi)有出現(xiàn)明顯彎折，進(jìn)一步選擇圖8（b）中norm(S2)的SC曲線出現(xiàn)最高值和次高值時(shí)對(duì)應(yīng)的K值再次聚類(lèi)，做輪廓值分析，并選擇圖8（a）中S1相應(yīng)數(shù)據(jù)聚類(lèi)作為對(duì)比，繪制4組輪廓值分布圖，如圖9 所示。其中，輪廓值小于零表示數(shù)據(jù)被錯(cuò)誤分類(lèi)到相應(yīng)類(lèi)別中。由圖9 可知：對(duì)于S1，SC取最高值時(shí)，各分類(lèi)分布均勻且沒(méi)有小于零的數(shù)據(jù)，SC取次高值時(shí)，兩個(gè)類(lèi)別存在數(shù)據(jù)小于零，有分類(lèi)錯(cuò)誤；對(duì)于norm(S2)，兩種SC取值對(duì)應(yīng)聚類(lèi)結(jié)果輪廓圖都呈現(xiàn)數(shù)據(jù)分布不均勻的現(xiàn)象，且都有部分類(lèi)別存在數(shù)據(jù)小于零的明顯分類(lèi)錯(cuò)誤。對(duì)比上述4 組聚類(lèi)結(jié)果可知，在特征中添加橫向加速度等信息沒(méi)有增強(qiáng)模型判別駕駛員風(fēng)險(xiǎn)感知的能力，同時(shí)削弱了縱向加速度數(shù)據(jù)的分布特征。綜上所述，使用車(chē)輛的縱向加速度構(gòu)造的特征矩陣S1聚類(lèi)結(jié)果更優(yōu)，更能表征駕駛員對(duì)于行駛場(chǎng)景危險(xiǎn)程度的主觀評(píng)價(jià)。

圖8 對(duì)特征矩陣的K-means聚類(lèi)效果分析

圖9 駕駛員1兩種特征矩陣對(duì)應(yīng)操作數(shù)據(jù)輪廓圖

確定以S1為聚類(lèi)特征后，使用K-means 聚類(lèi)方法對(duì)不同駕駛員的特征矩陣S1進(jìn)行K值遞增的聚類(lèi)，計(jì)算對(duì)應(yīng)的RSS和SC值。計(jì)算結(jié)果如表3所示，RSS轉(zhuǎn)折點(diǎn)與SC最大值由粗體標(biāo)出。由表3 可知，對(duì)駕駛員1和駕駛員2，K=2，對(duì)駕駛員3，K=5。

表3 駕駛員操作數(shù)據(jù)聚類(lèi)K值選擇表

對(duì)不同駕駛員，首先將縱向加速度為正值的場(chǎng)景的危險(xiǎn)場(chǎng)景評(píng)價(jià)標(biāo)簽記為危險(xiǎn)程度1（表示不危險(xiǎn)），然后依據(jù)所選K值，對(duì)特征矩陣S1進(jìn)行聚類(lèi)，生成其他評(píng)價(jià)標(biāo)簽。獲取表1 中駕駛員1、2、3 的個(gè)性化危險(xiǎn)場(chǎng)景評(píng)價(jià)標(biāo)簽結(jié)果如圖10 所示，分別分為3類(lèi)、3 類(lèi)和6類(lèi)，場(chǎng)景危險(xiǎn)程度隨標(biāo)簽數(shù)值增加依次遞增。

圖10 駕駛員個(gè)性化場(chǎng)景危險(xiǎn)程度評(píng)價(jià)標(biāo)簽聚類(lèi)結(jié)果

3.2.2 行駛場(chǎng)景圖表示數(shù)據(jù)提取

獲取駕駛員個(gè)性化危險(xiǎn)場(chǎng)景評(píng)價(jià)標(biāo)簽后，將已采集的真實(shí)行駛場(chǎng)景數(shù)據(jù)轉(zhuǎn)換為鳥(niǎo)瞰圖，并從中提取圖表示數(shù)據(jù)。首先對(duì)感知數(shù)據(jù)做預(yù)處理，過(guò)濾由車(chē)載傳感器檢測(cè)不穩(wěn)定性等因素引起的車(chē)道線檢測(cè)異常的數(shù)據(jù)，對(duì)余下車(chē)道線坐標(biāo)序列做平滑處理。其中，車(chē)道線坐標(biāo)由主車(chē)軌跡及主車(chē)與所在車(chē)道兩側(cè)的車(chē)道線間橫向距離計(jì)算獲得，主車(chē)軌跡及與車(chē)道線間的距離由車(chē)載傳感器獲得?；谏鲜銎交筌?chē)道線坐標(biāo)序列將路面沿X方向劃分為3 車(chē)道。由于所選車(chē)載傳感器最遠(yuǎn)檢測(cè)距離Ld=100 m，在采集的數(shù)據(jù)中，轎車(chē)平均車(chē)長(zhǎng)Lˉveh≈5 m，同一車(chē)道內(nèi)車(chē)輛之間平均間隔距離≈2 m［25］，所以2.5 ≤m≤10。為盡可能細(xì)化網(wǎng)格并便于編號(hào)，取m=10，將路面沿Y方向劃分為10 段。完成路面網(wǎng)格劃分后，基于主車(chē)坐標(biāo)和周邊車(chē)輛與主車(chē)的相對(duì)位置坐標(biāo)繪制每幀場(chǎng)景中全部車(chē)輛，得到行駛場(chǎng)景鳥(niǎo)瞰圖。圖11展示了其中一幀真實(shí)行駛場(chǎng)景的鳥(niǎo)瞰圖轉(zhuǎn)化結(jié)果，圖中紅色矩形框代表主車(chē)，藍(lán)色矩形框代表周邊車(chē)輛，點(diǎn)狀線代表車(chē)道線，紅色虛線代表以主車(chē)最前部為起始的道路沿Y方向的劃分標(biāo)線。

圖11 基于實(shí)車(chē)數(shù)據(jù)的行駛場(chǎng)景網(wǎng)格劃分與鳥(niǎo)瞰圖生成

根據(jù)第1 節(jié)中節(jié)點(diǎn)、節(jié)點(diǎn)標(biāo)簽與邊的定義，以網(wǎng)格圖為依據(jù)定義圖模型節(jié)點(diǎn)、節(jié)點(diǎn)標(biāo)簽與邊。與其他所有車(chē)輛都沒(méi)有邊相連的車(chē)輛被視作游離節(jié)點(diǎn)，認(rèn)為該類(lèi)節(jié)點(diǎn)與其他車(chē)輛沒(méi)有交互關(guān)系，對(duì)當(dāng)前行駛場(chǎng)景的危險(xiǎn)性評(píng)估不產(chǎn)生影響，將其從數(shù)據(jù)集中刪除。記最終得到的圖數(shù)據(jù)矩陣為Gt=(Vt，Et)，將其作為基于圖模型的行駛場(chǎng)景風(fēng)險(xiǎn)圖構(gòu)建方法所提取出的特征量。選取典型換道交互場(chǎng)景作為示例，從中提取圖結(jié)構(gòu)數(shù)據(jù)，如圖12所示。

圖12 典型換道交互場(chǎng)景圖結(jié)構(gòu)數(shù)據(jù)提取

3.2.3 基于圖模型的危險(xiǎn)場(chǎng)景識(shí)別結(jié)果分析

完成行駛場(chǎng)景圖模型構(gòu)建后，基于標(biāo)簽和場(chǎng)景特征數(shù)據(jù)訓(xùn)練危險(xiǎn)場(chǎng)景識(shí)別模型。一方面，將基于最短路徑圖核和鄰域哈希圖核訓(xùn)練的SVM 模型分別命名為SP-SVM 和NH-SVM，對(duì)比基于不同計(jì)算方式的兩種圖核的表征效果。另一方面，將使用傳統(tǒng)場(chǎng)景表示方法［26］訓(xùn)練的SVM 模型命名為Base-SVM，與圖方法進(jìn)行對(duì)比。對(duì)每位駕駛員分別進(jìn)行5次重復(fù)實(shí)驗(yàn)，并取5 次實(shí)驗(yàn)結(jié)果的平均值作為最終結(jié)果，以消除偶然誤差造成的影響，危險(xiǎn)場(chǎng)景識(shí)別準(zhǔn)確率如圖13所示。

圖13 危險(xiǎn)場(chǎng)景識(shí)別準(zhǔn)確率

從圖13 可以看出，3 位駕駛員基于圖表示方法的危險(xiǎn)場(chǎng)景識(shí)別模型的準(zhǔn)確率都在80%以上，均高于Base-SVM。其中駕駛員2 的準(zhǔn)確率最高，NHSVM 和SP-SVM 的準(zhǔn)確率達(dá)到了95.8%和93.8%，與Base-SVM 模型相比，準(zhǔn)確率最高提升38.2%。與駕駛員1 和2 相比，駕駛員3 的準(zhǔn)確率相比較低，即便如此，其N(xiāo)H-SVM 和SP-SVM 模型的識(shí)別準(zhǔn)確率也達(dá)到了81.8%和80.1%。由表1 中駕駛員的基本信息可知，駕駛員1 和2 駕齡更長(zhǎng)，這可能使其對(duì)危險(xiǎn)場(chǎng)景的識(shí)別更準(zhǔn)確，縱向加速度操作更平穩(wěn)，因此危險(xiǎn)等級(jí)評(píng)價(jià)的類(lèi)別數(shù)較少，準(zhǔn)確率更高，相較而言，駕駛員3 的危險(xiǎn)等級(jí)評(píng)價(jià)的類(lèi)別數(shù)較多，存在已采集的數(shù)據(jù)不足以讓模型充分學(xué)習(xí)6 個(gè)類(lèi)別的特征差異的可能。此外，從駕駛員1和2的識(shí)別準(zhǔn)確率結(jié)果可以分析得出，隨著駕駛員駕駛里程數(shù)增加和采集的數(shù)據(jù)樣本數(shù)目增大，NH-SVM 和SP-SVM 的準(zhǔn)確率也會(huì)隨之提高。

本文中利用圖表示方法獲取行駛場(chǎng)景的圖結(jié)構(gòu)數(shù)據(jù)特征，并將其作為危險(xiǎn)行駛場(chǎng)景識(shí)別模型輸入的初衷在于，圖結(jié)構(gòu)可以反映行駛場(chǎng)景中動(dòng)態(tài)要素之間的復(fù)雜交互信息，為提高危險(xiǎn)場(chǎng)景識(shí)別模型的準(zhǔn)確性提供可能。為分析并驗(yàn)證相較于使用傳統(tǒng)向量特征表達(dá)作為輸入，使用圖結(jié)構(gòu)數(shù)據(jù)作為輸入可以提升模型對(duì)危險(xiǎn)場(chǎng)景的識(shí)別效果，繪制駕駛員1的NH-SVM 模型和Base-SVM 模型的分類(lèi)混淆矩陣圖與分類(lèi)準(zhǔn)確率圖，如圖14所示。

圖14 駕駛員1危險(xiǎn)場(chǎng)景識(shí)別結(jié)果混淆矩陣

從圖中可以看出，基于傳統(tǒng)特征向量表示的危險(xiǎn)場(chǎng)景識(shí)別模型的準(zhǔn)確率較低，其中，該模型對(duì)于危險(xiǎn)程度更高的等級(jí)3 和2 的識(shí)別準(zhǔn)確率只有35.3%和30.2%。這可能是因?yàn)樗x特征向量?jī)H關(guān)注了引起周邊交互關(guān)系變化的某一個(gè)動(dòng)態(tài)要素，而沒(méi)有保留交通場(chǎng)景中豐富的拓?fù)湫畔?。?shí)驗(yàn)結(jié)果表明，將利用圖表示方法得到行駛場(chǎng)景的圖結(jié)構(gòu)數(shù)據(jù)作為模型輸入，可以使危險(xiǎn)場(chǎng)景識(shí)別模型性能更優(yōu)，更適用于高級(jí)輔助駕駛系統(tǒng)的危險(xiǎn)場(chǎng)景識(shí)別任務(wù)。

在3.2.2 節(jié)選取的典型換道交互場(chǎng)景下，針對(duì)駕駛員1 對(duì)危險(xiǎn)場(chǎng)景識(shí)別的結(jié)果做定性分析，繪制該場(chǎng)景下的駕駛員操作數(shù)據(jù)與危險(xiǎn)程度識(shí)別結(jié)果對(duì)比展示效果，如圖15 所示。圖中第1 行是真實(shí)駕駛場(chǎng)景數(shù)據(jù)片段，第2 行是駕駛員縱向加速度數(shù)據(jù)，第3 行是基于駕駛員縱向加速度聚類(lèi)分析所獲得的駕駛員個(gè)性化危險(xiǎn)場(chǎng)景評(píng)價(jià)?？梢钥闯?，所建立的個(gè)性化危險(xiǎn)場(chǎng)景評(píng)價(jià)標(biāo)簽與真實(shí)道路場(chǎng)景能夠關(guān)聯(lián)對(duì)應(yīng)，對(duì)于場(chǎng)景較為危險(xiǎn)的視頻幀，對(duì)應(yīng)的駕駛員縱向加速度被聚為一類(lèi)，進(jìn)一步表明了縱向加速度對(duì)于駕駛員的個(gè)性化風(fēng)險(xiǎn)評(píng)價(jià)具有較好的表征能力，且基于場(chǎng)景風(fēng)險(xiǎn)圖的個(gè)性化危險(xiǎn)場(chǎng)景識(shí)別模型能夠準(zhǔn)確識(shí)別出行駛環(huán)境中的危險(xiǎn)場(chǎng)景。

圖15 駕駛員操作數(shù)據(jù)與危險(xiǎn)行駛場(chǎng)景識(shí)別結(jié)果

4 結(jié)論

本文中提出了一種數(shù)據(jù)驅(qū)動(dòng)的智能車(chē)個(gè)性化場(chǎng)景風(fēng)險(xiǎn)圖構(gòu)建方法，并基于場(chǎng)景風(fēng)險(xiǎn)圖建立駕駛員個(gè)性化危險(xiǎn)行駛場(chǎng)景識(shí)別模型，最后利用實(shí)車(chē)數(shù)據(jù)進(jìn)行了測(cè)試驗(yàn)證。

（1）針對(duì)復(fù)雜交通場(chǎng)景表征問(wèn)題，定義場(chǎng)景風(fēng)險(xiǎn)圖及其中節(jié)點(diǎn)、節(jié)點(diǎn)標(biāo)簽與邊的概念，并對(duì)場(chǎng)景中動(dòng)靜態(tài)要素及要素之間的交互關(guān)系建模，實(shí)現(xiàn)對(duì)行駛場(chǎng)景的結(jié)構(gòu)信息與交互特征的充分表征。與基于向量表示法的建模方法相比，該方法能夠更好地解決復(fù)雜城市行駛環(huán)境下交通要素?cái)?shù)量以及要素間交互關(guān)系不斷變化的問(wèn)題。

（2）建立了駕駛員個(gè)性化危險(xiǎn)評(píng)價(jià)機(jī)理與場(chǎng)景特征之間的映射關(guān)系。使用駕駛員操作數(shù)據(jù)聚類(lèi)，生成個(gè)性化危險(xiǎn)行駛場(chǎng)景評(píng)價(jià)標(biāo)簽，利用圖表示方法獲取行駛場(chǎng)景特征數(shù)據(jù)，基于圖核方法學(xué)習(xí)場(chǎng)景風(fēng)險(xiǎn)圖相似性，建立針對(duì)不同駕駛員特性的危險(xiǎn)場(chǎng)景識(shí)別模型。

（3）基于實(shí)車(chē)數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明：與使用傳統(tǒng)數(shù)據(jù)表示方法的模型相比，基于場(chǎng)景風(fēng)險(xiǎn)圖建立的個(gè)性化危險(xiǎn)場(chǎng)景識(shí)別模型有效生成了符合駕駛員認(rèn)知的行駛場(chǎng)景危險(xiǎn)等級(jí)，對(duì)不同駕駛員個(gè)性化風(fēng)險(xiǎn)感知的適應(yīng)性得到提升，場(chǎng)景危險(xiǎn)等級(jí)識(shí)別準(zhǔn)確率提高了38.2%。