呂超，孟相浩，崔格格，龔建偉

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

配備有先進(jìn)輔助駕駛系統(tǒng)的智能車(chē)輛已成為現(xiàn)代交通系統(tǒng)的重要組成部分.使智能車(chē)精確地評(píng)估和識(shí)別當(dāng)前場(chǎng)景的風(fēng)險(xiǎn)等級(jí)是輔助駕駛系統(tǒng)能夠發(fā)揮作用的重要基礎(chǔ)：隨著汽車(chē)保有量的逐年增加和交通參與者種類(lèi)的提升，交通場(chǎng)景變得越來(lái)越復(fù)雜，交通事故頻繁發(fā)生，其中在多交通參與者存在的復(fù)雜交通場(chǎng)景下發(fā)生的交通事故占總數(shù)的6%，同時(shí)占比死亡原因的67.2%[1]，并且隨著駕駛場(chǎng)景復(fù)雜程度的提升而有所增加.因此針對(duì)智能車(chē)輛提升其主動(dòng)識(shí)別復(fù)雜場(chǎng)景風(fēng)險(xiǎn)等級(jí)的能力至關(guān)重要.

然而針對(duì)復(fù)雜場(chǎng)景風(fēng)險(xiǎn)等級(jí)的數(shù)據(jù)評(píng)價(jià)及場(chǎng)景建模仍然是智能車(chē)輛發(fā)展的瓶頸問(wèn)題.一方面，由于駕駛經(jīng)驗(yàn)和個(gè)性的差異，不同駕駛員往往有各自的標(biāo)準(zhǔn)來(lái)判定駕駛風(fēng)險(xiǎn)，如何合理的選擇車(chē)輛客觀特征參數(shù)來(lái)反映駕駛員主觀對(duì)場(chǎng)景風(fēng)險(xiǎn)程度的理解成為了首要考慮的問(wèn)題.另一方面，動(dòng)態(tài)復(fù)雜的交通場(chǎng)景難以理解和建模[2]，隨著交通參與者的增加也提升了對(duì)該場(chǎng)景的風(fēng)險(xiǎn)等級(jí)的識(shí)別難度.

在以往的研究中，許多學(xué)者設(shè)計(jì)了不同的風(fēng)險(xiǎn)等級(jí)評(píng)估指標(biāo)，包括碰撞時(shí)間[3]、車(chē)輛當(dāng)前位置等[4]，這些參數(shù)通常利用主車(chē)與周?chē)煌▍⑴c者之間的幾何或運(yùn)動(dòng)學(xué)關(guān)系來(lái)評(píng)估確定性駕駛風(fēng)險(xiǎn)[5]，然而這些參數(shù)無(wú)法充分反映駕駛員的主觀意識(shí)，并且未能捕捉到多個(gè)動(dòng)態(tài)交通參與者之間的復(fù)雜交互關(guān)系.

駕駛場(chǎng)景建模方面，得益于傳感器技術(shù)和目標(biāo)識(shí)別算法的快速發(fā)展，駕駛數(shù)據(jù)的采集變得更加便捷和經(jīng)濟(jì).并且對(duì)包括動(dòng)靜態(tài)要素的“場(chǎng)景”進(jìn)行了定義[6]，文獻(xiàn)[7]中首次提出“行車(chē)風(fēng)險(xiǎn)場(chǎng)”概念，將駕駛員行為和周?chē)鷱?fù)雜環(huán)境相結(jié)合，為智能車(chē)風(fēng)險(xiǎn)等級(jí)技術(shù)研究提供一種新的思路和方法，然而模型中待定參數(shù)確定方法未明確，只在簡(jiǎn)單跟車(chē)場(chǎng)景中驗(yàn)證其可行性.

基于上述不足，本文中提出了一種數(shù)據(jù)驅(qū)動(dòng)的復(fù)雜場(chǎng)景風(fēng)險(xiǎn)等級(jí)圖分類(lèi)模型，采集并處理駕駛員視角下城市交叉路口實(shí)車(chē)數(shù)據(jù)，提取駕駛車(chē)輛的特征參數(shù)—縱、橫向加速度并使用K-means 算法對(duì)特征數(shù)據(jù)進(jìn)行聚類(lèi)，從數(shù)據(jù)層面對(duì)駕駛員的主觀操作特征進(jìn)行反映，得到的標(biāo)簽作為圖表示模型預(yù)訓(xùn)練使用.最后，使用圖表示方法對(duì)場(chǎng)景數(shù)據(jù)進(jìn)行逐幀建模，通過(guò)3 種圖核方法中進(jìn)行訓(xùn)練驗(yàn)證，從而實(shí)現(xiàn)復(fù)雜場(chǎng)景的危險(xiǎn)等級(jí)識(shí)別和分類(lèi).

1 問(wèn)題定義與方法框架

圖作為一種新的數(shù)據(jù)表示形式，與傳統(tǒng)方法相比，能夠在關(guān)注單個(gè)節(jié)點(diǎn)屬性的同時(shí)增加對(duì)節(jié)點(diǎn)之間關(guān)系的建模，因此被認(rèn)為是捕捉不同對(duì)象之間交互關(guān)系的理想技術(shù)[8].在智能交通領(lǐng)域，道路上的車(chē)輛、行人等交通參與者可以當(dāng)作是鳥(niǎo)瞰圖上的多個(gè)節(jié)點(diǎn)，它們之間交互關(guān)系可以視作是圖模型中的邊.復(fù)雜場(chǎng)景的危險(xiǎn)等級(jí)識(shí)別任務(wù)更加注重多交通參與者之間的交互關(guān)系，并且隨著場(chǎng)景復(fù)雜程度的增加，圖模型的表征優(yōu)勢(shì)更為明顯.

本文中針對(duì)主車(chē)視角復(fù)雜場(chǎng)景下的風(fēng)險(xiǎn)等級(jí)分類(lèi)問(wèn)題相關(guān)定義如下：在某一時(shí)刻t的主車(chē)視角場(chǎng)景中，選取反映駕駛車(chē)輛危險(xiǎn)程度的主要特征向量Ft，通過(guò)聚類(lèi)算法對(duì)Ft進(jìn)行分類(lèi)處理，得到相應(yīng)的場(chǎng)景分類(lèi)標(biāo)簽用于模擬人類(lèi)駕駛員對(duì)該場(chǎng)景的危險(xiǎn)等級(jí)評(píng)估，同時(shí)對(duì)該場(chǎng)景主車(chē)周?chē)煌▍⑴c者進(jìn)行逐幀圖模型建模，表示出相應(yīng)的節(jié)點(diǎn)和邊的關(guān)系，將分類(lèi)標(biāo)簽與圖模型結(jié)合，利用基于圖核的相似性度量方法進(jìn)行驗(yàn)證，從而對(duì)該圖模型的可靠性進(jìn)行說(shuō)明.圖1展示了總體框架的結(jié)構(gòu).

圖1 場(chǎng)景風(fēng)險(xiǎn)等級(jí)評(píng)估模型總體框架Fig.1 Overall framework of risk level assessment model for scenarios

2 駕駛員特征提取與風(fēng)險(xiǎn)等級(jí)評(píng)價(jià)

本文中旨在通過(guò)所駕駛車(chē)輛的自身特征以及與周?chē)煌▍⑴c者的信息來(lái)對(duì)危險(xiǎn)程度進(jìn)行說(shuō)明，對(duì)于駕駛員而言，不同風(fēng)險(xiǎn)等級(jí)場(chǎng)景下會(huì)做出不同程度駕駛操作，從而通過(guò)改變車(chē)輛的特征數(shù)據(jù)來(lái)對(duì)不同風(fēng)險(xiǎn)程度的場(chǎng)景進(jìn)行反應(yīng)，則需要對(duì)駕駛員操作數(shù)據(jù)進(jìn)行提取，基于此訓(xùn)練出某些特征數(shù)據(jù)作為輸入的評(píng)判標(biāo)準(zhǔn)，得到相應(yīng)的危險(xiǎn)程度標(biāo)簽用于后續(xù)實(shí)驗(yàn).

2.1 駕駛員操作特征數(shù)據(jù)選取

場(chǎng)景風(fēng)險(xiǎn)等級(jí)的定義為所駕駛車(chē)輛與周?chē)煌▍⑴c者發(fā)生碰撞的可能性大小，從數(shù)據(jù)驅(qū)動(dòng)的角度出發(fā)，通過(guò)駕駛員在所處場(chǎng)景中的操作數(shù)據(jù)變化來(lái)反映駕駛員對(duì)該場(chǎng)景風(fēng)險(xiǎn)等級(jí)的理解與反應(yīng)，同時(shí)可以使訓(xùn)練出來(lái)的模型更加具備人的操作特征.

基于駕駛員對(duì)于不同風(fēng)險(xiǎn)等級(jí)的場(chǎng)景所做出的反應(yīng)，如緊急剎車(chē)或是緊急轉(zhuǎn)向的動(dòng)作，尋找出所駕駛車(chē)輛上的特征數(shù)據(jù)變化.并通過(guò)對(duì)車(chē)輛的安全性問(wèn)題的研究[9],文中同時(shí)選取駕駛車(chē)輛的直行加速度ax,t和轉(zhuǎn)向加速度ay,t作為特征數(shù)據(jù)Ft來(lái)說(shuō)明駕駛員的緊急剎車(chē)或是緊急轉(zhuǎn)向的避讓動(dòng)作，反映所處場(chǎng)景的危險(xiǎn)程度.考慮高維特征向量Ft=[ax,t,ay,t]T包含比單獨(dú)考慮二者更大量的隱含信息[10]，進(jìn)而說(shuō)明特征選擇的可靠性.

2.2 基于聚類(lèi)的風(fēng)險(xiǎn)等級(jí)評(píng)價(jià)方法

K-means 聚類(lèi)算法可以將n個(gè)樣本按照各自所屬類(lèi)別劃分成k個(gè)集群，其中每個(gè)數(shù)據(jù)點(diǎn)都只屬于一個(gè)集群，并且分類(lèi)使數(shù)據(jù)點(diǎn)與相應(yīng)的類(lèi)群所有數(shù)據(jù)點(diǎn)的算術(shù)平均值之間的距離平方之和達(dá)到最小.在類(lèi)別內(nèi)的方差越小，該類(lèi)群內(nèi)的數(shù)據(jù)點(diǎn)相似性就越強(qiáng).對(duì) 于 數(shù) 據(jù) 集，其 中fi∈Rn為n維 的 駕 駛員特征矢量，N為樣本數(shù)量.該非監(jiān)督學(xué)習(xí)方法的損失函數(shù)為

式 中：μk為 類(lèi) 群Ck數(shù) 據(jù) 的中 心 點(diǎn)；ωik為數(shù) 據(jù) 點(diǎn) 所 屬類(lèi)別判斷，對(duì)于數(shù)據(jù)點(diǎn)fi，若其屬于類(lèi)群Ck則 ωik=1，反之則 ωik=0.

另外在對(duì)高維數(shù)據(jù)進(jìn)行聚類(lèi)處理的過(guò)程中，由于高維數(shù)據(jù)的非線性特征，簡(jiǎn)單線性K-means 聚類(lèi)方式很有可能會(huì)出現(xiàn)分類(lèi)錯(cuò)誤的現(xiàn)象.譜聚類(lèi)則可以將高維無(wú)組織的數(shù)據(jù)點(diǎn)按照其特征頻譜的唯一性分成多個(gè)不同的數(shù)據(jù)組，將連接在一起或緊鄰在一起的數(shù)據(jù)點(diǎn)在相似性矩陣A中表示，然后通過(guò)拉普拉斯映射進(jìn)行數(shù)據(jù)降維；對(duì)降維后的映射數(shù)據(jù)再進(jìn)行聚類(lèi)分析.即根據(jù)相似性矩陣A構(gòu)造其對(duì)角加權(quán)矩陣D，則有拉普拉斯矩陣L=D?A.并求解以下廣義特征值問(wèn)題：

最后，對(duì)特征向量排序 0=λ0≤λ1≤···≤λM；即U=[e0e1···eM]，通過(guò)選擇前p個(gè)特征向量，就可以構(gòu)造出一個(gè)數(shù)據(jù)的p維流形嵌入表示Y=[e1···ep]T.獲得了數(shù)據(jù)的拉普拉斯映射Y后，就能夠通過(guò)挑選合適的K值，對(duì)Y進(jìn)行K-means 聚類(lèi)運(yùn)算.

3 基于圖模型的行駛場(chǎng)景建模

圖表示模型可以同時(shí)提取場(chǎng)景中交通參與者的動(dòng)態(tài)信息和交互信息，更好地理解駕駛場(chǎng)景.模型中的節(jié)點(diǎn)和邊可以很好地體現(xiàn)多個(gè)對(duì)象之間的交互關(guān)系，并且交通參與者的數(shù)量及對(duì)應(yīng)交互關(guān)系的變化可以通過(guò)圖的動(dòng)態(tài)變化實(shí)現(xiàn)自適應(yīng).

3.1 圖模型節(jié)點(diǎn)定義及場(chǎng)景幾何劃分

在城市道路場(chǎng)景中，車(chē)道線的限制更為規(guī)范，城市交叉路口場(chǎng)景更加結(jié)構(gòu)化，并且采集到的數(shù)據(jù)視角隨駕駛車(chē)輛的移動(dòng)而發(fā)生變化，出現(xiàn)在主車(chē)視野內(nèi)的交通參與者的軌跡會(huì)受限于場(chǎng)景下的幾何特征，很少有復(fù)雜交叉及不規(guī)則現(xiàn)象出現(xiàn).

文中構(gòu)建了主車(chē)視角下的規(guī)則矩形網(wǎng)格圖模型，如圖2 所示，網(wǎng)格隨車(chē)輛視野的移動(dòng)而固定于車(chē)輛前方進(jìn)行移動(dòng).采集車(chē)輛前視方向范圍轉(zhuǎn)換為用于訓(xùn)練的鳥(niǎo)瞰圖模型，每一個(gè)交通參與者本身可以定義為圖模型中的節(jié)點(diǎn).另外在危險(xiǎn)場(chǎng)景建模問(wèn)題下，所駕駛車(chē)輛與其他車(chē)輛存在交互關(guān)系，因此本車(chē)也是圖模型中的重要節(jié)點(diǎn)，所駕駛車(chē)輛始終處于鳥(niǎo)瞰圖的下方居中位置.根據(jù)所采集數(shù)據(jù)視野范圍及城市道路十字路口車(chē)道數(shù)，將網(wǎng)格y方向劃分為5 個(gè)部分，x方向劃分為3 個(gè)部分.

圖2 圖表示模型構(gòu)建Fig.2 Graph representation model construction

3.2 圖模型邊的定義

在圖模型中，2 個(gè)節(jié)點(diǎn)間通過(guò)一條邊的連接來(lái)表示這2 個(gè)節(jié)點(diǎn)有一定的相互聯(lián)系或相互作用.在本文中中定義圖模型的邊為周?chē)煌▍⑴c者之間的潛在碰撞關(guān)系.由于在城市道路環(huán)境中交通參與者之間的距離越小，相撞的概率就越高，因此在圖模型中距離被認(rèn)為是近似相互作用的重要度量.則在節(jié)點(diǎn)標(biāo)簽定義劃分的網(wǎng)格基礎(chǔ)上對(duì)于車(chē)而言，存在于以車(chē)輛A為中心的3×3 網(wǎng)格內(nèi)的其他車(chē)輛被認(rèn)為與A具有邊連接，相距2 個(gè)網(wǎng)格以上的兩車(chē)則會(huì)被認(rèn)為沒(méi)有聯(lián)系；而對(duì)于行人而言，作為交通參與者中的弱勢(shì)群體，加強(qiáng)行人與車(chē)輛之間交互的考慮，則在圖模型中擴(kuò)大邊的設(shè)置范圍來(lái)體現(xiàn)對(duì)與行人之間的強(qiáng)交互行為，即車(chē)輛與周?chē)腥酥g存在交互邊的范圍定義為該節(jié)點(diǎn)周?chē)?×5 網(wǎng)格中.此外由于碰撞是相對(duì)的，所以本文中定義的邊都是雙向的且標(biāo)簽為1，定義的模型邊如圖2 左圖所示.

3.3 圖模型節(jié)點(diǎn)標(biāo)簽定義

本文中根據(jù)圖的網(wǎng)格結(jié)構(gòu)，將交通參與者的連續(xù)位置離散化為網(wǎng)格占有率.具體是在檢測(cè)到有交通參與者存在的網(wǎng)格內(nèi)由數(shù)字1 開(kāi)始進(jìn)行不重復(fù)的填充，通過(guò)一系列的填充數(shù)字來(lái)表征節(jié)點(diǎn)間的鄰接矩陣，從而實(shí)現(xiàn)節(jié)點(diǎn)邊的唯一表示.另外對(duì)于不同組數(shù)據(jù)中的不同交通參與者，通過(guò)對(duì)其多種真實(shí)信息的結(jié)合考慮來(lái)實(shí)現(xiàn)節(jié)點(diǎn)的唯一編碼標(biāo)簽.

對(duì)于車(chē)輛節(jié)點(diǎn)標(biāo)簽Lv而言，結(jié)合考慮了該車(chē)相對(duì)主車(chē)速度vi，在圖網(wǎng)格中的x、y坐標(biāo)位置來(lái)對(duì)其進(jìn)行編碼，對(duì)于行人節(jié)點(diǎn)標(biāo)簽Lp，由于行人相對(duì)速度失真，其相對(duì)速度更多的是考慮本車(chē)的速度，因此在對(duì)行人節(jié)點(diǎn)標(biāo)簽進(jìn)行定義的時(shí)候僅考慮其在圖網(wǎng)格中的x、y坐標(biāo)即可.表示為

3.4 基于圖核的場(chǎng)景風(fēng)險(xiǎn)等級(jí)分類(lèi)

圖是一種復(fù)雜的非線性結(jié)構(gòu)數(shù)據(jù)，使用傳統(tǒng)的線性分類(lèi)模型無(wú)法對(duì)圖整體進(jìn)行分類(lèi)，因此在訓(xùn)練危險(xiǎn)場(chǎng)景識(shí)別分類(lèi)器之前，需通過(guò)一定的方法將圖的內(nèi)積投影到高維空間中，再用線性模型進(jìn)行訓(xùn)練.本節(jié)介紹將3 種圖核算法，基于路徑計(jì)算的最短路徑圖核（shortest-path kernel），基于鄰域聚合計(jì)算的鄰域哈希圖核（neighborhood Hash kernel）以及基于Weisfeiler-Lehman 算法的WL 圖核，并將在實(shí)驗(yàn)部分對(duì)3種圖核方法進(jìn)行實(shí)驗(yàn)對(duì)比.

最短路徑圖核對(duì)于圖結(jié)構(gòu)數(shù)據(jù)而言，是將每一張圖分解為最短路徑的組合，從而實(shí)現(xiàn)圖的分類(lèi)，即給定2 個(gè)圖G和G′，它們對(duì)應(yīng)的最短路徑圖分別是S=(V,E)，S′=(V′,E′)，則：

式 中，kwalk(1)(e,e′)為 長(zhǎng) 度 為1 的 行 走 路 線 邊 (e,e′)的 核函數(shù).

鄰域哈希圖核主要思想是圖中的每個(gè)節(jié)點(diǎn)接收來(lái)自鄰居節(jié)點(diǎn)的信息更新節(jié)點(diǎn)本身的標(biāo)簽，并統(tǒng)計(jì)它們的公共標(biāo)簽數(shù)來(lái)度量不同圖之間的相似度.即給定2 個(gè)圖G和G′，使用簡(jiǎn)單鄰域哈希對(duì)2 個(gè)輸入圖的節(jié)點(diǎn)運(yùn)算 (1,2,···,h)次后，2 個(gè)輸入圖的更新圖分別為G1,G2,···,Gh和則2 個(gè)輸入圖的相似度量計(jì)算如下：

式中c為2 個(gè)圖有共同標(biāo)簽的數(shù)量.

Weisfeiler-Lehman 算法通過(guò)判斷2 個(gè)圖中對(duì)應(yīng)節(jié)點(diǎn)的特征信息和結(jié)構(gòu)信息來(lái)判斷這2 個(gè)圖是否同構(gòu).即使用一種高效的計(jì)算方法將圖的特征信息及結(jié)構(gòu)位置信息隱射為節(jié)點(diǎn)的ID，將2 個(gè)圖的相似度問(wèn)題轉(zhuǎn)化為2 個(gè)圖節(jié)點(diǎn)集合ID 的相似度問(wèn)題，則有：

式中h為圖及圖節(jié)點(diǎn)序列計(jì)算所迭代次數(shù).

4 實(shí)驗(yàn)及分析

4.1 實(shí)車(chē)數(shù)據(jù)采集

為獲取車(chē)輛多種操作特征及場(chǎng)景中交通參與者的信息，文中采取了在主車(chē)視角下搭載的一系列車(chē)載傳感器進(jìn)行數(shù)據(jù)采集.該傳感器系統(tǒng)包含一個(gè)安裝在汽車(chē)頂部的毫米波雷達(dá)用于收集主車(chē)周?chē)?chē)輛的相對(duì)位置及各自的相對(duì)速度，用于采集方向盤(pán)轉(zhuǎn)向角度、制動(dòng)信號(hào)和車(chē)輛縱、橫向加速度等信息的CAN 總線，以及一個(gè)安裝在車(chē)輛前窗玻璃上的相機(jī)用于采集場(chǎng)景信息，整個(gè)數(shù)據(jù)采集傳感器系統(tǒng)如圖3所示.該系統(tǒng)可以按照數(shù)據(jù)采樣間隔為0.1 s 來(lái)對(duì)數(shù)據(jù)進(jìn)行采集，具有可靠的采樣頻率以滿(mǎn)足后續(xù)數(shù)據(jù)處理分析精確度的需要.

圖3 車(chē)載傳感器系統(tǒng)Fig.3 Vehicle Sensor System

對(duì)于場(chǎng)景道路的選擇，首先考慮了城市交通路網(wǎng)中最繁忙的交叉路口作為此次復(fù)雜場(chǎng)景的研究對(duì)象，場(chǎng)景中包含大量交通參與者.因此，選取北京市海淀區(qū)魏公村路口的直行、學(xué)院南路的右轉(zhuǎn)，以及學(xué)院南路的左轉(zhuǎn)作為數(shù)據(jù)采集場(chǎng)景.文中所采集的數(shù)據(jù)是從所駕駛車(chē)輛進(jìn)入交叉路口的不可換道區(qū)域到完全通過(guò)該交叉路口時(shí)的無(wú)抽幀數(shù)據(jù)，并且剔除在紅燈時(shí)候的停車(chē)數(shù)據(jù)，以及場(chǎng)景中不存在交通參與者的情況，保證實(shí)驗(yàn)數(shù)據(jù)復(fù)雜可靠.

4.2 風(fēng)險(xiǎn)程度聚類(lèi)標(biāo)準(zhǔn)選取

對(duì)于聚類(lèi)方法及類(lèi)別數(shù)的確定本文中主要使用殘差平方和（residual sum of square）的肘部原則以及輪廓圖這2 個(gè)標(biāo)準(zhǔn)進(jìn)行評(píng)判，并且結(jié)合聚類(lèi)算法的效果進(jìn)行比較和選擇.

式中K為對(duì)應(yīng)聚類(lèi)數(shù)，根據(jù)該函數(shù)繪制RSS 相對(duì)于類(lèi)別數(shù)K的曲線，曲線明顯的彎折部位對(duì)應(yīng)的K值則作為使用的聚類(lèi)類(lèi)別數(shù).

文中對(duì)于所選用的車(chē)輛縱、橫向加速度二維特征向量Ft使用K-means 方法的8 次聚類(lèi)計(jì)算的RSS和SC 值如圖4 所示.可以看出當(dāng)K=3 時(shí)，特征數(shù)據(jù)的RSS 值出現(xiàn)了明顯的彎折，輪廓系數(shù)為最大值SC=0.834，即K=3 時(shí)出現(xiàn)了“肘部”，其次K=4 時(shí)輪廓系數(shù)為SC=0.776，初步表明K=3 時(shí)的聚類(lèi)效果優(yōu)于K=4 時(shí)的聚類(lèi)效果.

圖4 對(duì)特征數(shù)據(jù)Ft的K-means 聚類(lèi)Fig.4 K-means clustering of feature dataFt

為了進(jìn)一步驗(yàn)證，繪制了K取值為3 和4 時(shí)的輪廓圖，可以看出當(dāng)K=3 時(shí)，各分類(lèi)分布均勻且沒(méi)有小于零的數(shù)據(jù)（小于0 的數(shù)據(jù)為錯(cuò)誤分類(lèi)到該類(lèi)別中的數(shù)據(jù)），表明此時(shí)分類(lèi)效果較優(yōu).但是可以看出當(dāng)K=4 時(shí)，在第1、2、3 類(lèi)中均有分類(lèi)錯(cuò)誤的數(shù)據(jù)，如圖4 中圈出部分所示.因此對(duì)于Ft使用K-means 聚類(lèi)時(shí)選擇K=3.

作為對(duì)比實(shí)驗(yàn)，文中使用譜聚類(lèi)中的KPCA 方法對(duì)特征數(shù)據(jù)Ft進(jìn)行降維處理，計(jì)算前20 個(gè)特征向量的特征值如圖5 所示，可以看出對(duì)應(yīng)KPCA 方法特征值曲線圖在特征向量個(gè)數(shù)為5 時(shí)出現(xiàn)明顯“肘部”，繪制對(duì)應(yīng)輪廓圖可以看出，各部分分布并不均勻，尤其是第3 類(lèi)的結(jié)果，并且在第1 和第4 類(lèi)中出現(xiàn)了分類(lèi)錯(cuò)誤的現(xiàn)象.

圖5 KPCA 方法分類(lèi)效果Fig.5 Classification effect of KPCA method

綜上，在對(duì)特征數(shù)據(jù)Ft的聚類(lèi)處理過(guò)程中選用Kmeans 聚類(lèi)算法，并且以K=3 進(jìn)行.

4.3 圖模型構(gòu)建及驗(yàn)證

基于前文模型定義，對(duì)于實(shí)車(chē)數(shù)據(jù)場(chǎng)景中的圖網(wǎng)格劃分，根據(jù)車(chē)載傳感器檢測(cè)到的最遠(yuǎn)距離以及交通參與者在城市道路上發(fā)生影響的距離將x方向的每一間隔設(shè)置為10 m，y方向的網(wǎng)格劃分則結(jié)合考慮了交叉路口轉(zhuǎn)向時(shí)候的危險(xiǎn)程度，以及與主車(chē)的影響程度選取相鄰兩車(chē)道的交通情況進(jìn)行劃分，設(shè)置y方向的網(wǎng)格寬度為2 m.其中第2 列和第4 列網(wǎng)格代表相鄰兩車(chē)道的交通參與者于主車(chē)前方發(fā)生急劇變道情況，并且這兩列的設(shè)置更是考慮了后續(xù)在圖模型中使邊的設(shè)置更加分明.網(wǎng)格劃分情況如圖2(a)所示.

根據(jù)前文關(guān)于場(chǎng)景圖模型構(gòu)建以及特征數(shù)據(jù)聚類(lèi)部分的實(shí)驗(yàn)描述，尋找相應(yīng)的節(jié)點(diǎn)和邊的關(guān)系，部分圖場(chǎng)景的構(gòu)建與風(fēng)險(xiǎn)等級(jí)聚類(lèi)結(jié)果的對(duì)應(yīng)關(guān)系如圖6 所示.

圖6 場(chǎng)景搭建與聚類(lèi)處理Fig.6 Scene construction and clustering processing

針對(duì)不同場(chǎng)景具體處理數(shù)據(jù)量如表1 所示.

表1 交叉路口實(shí)車(chē)數(shù)據(jù)處理量Tab.1 Data processing volume of real vehicles at intersections

在得到了每組數(shù)據(jù)的逐幀風(fēng)險(xiǎn)等級(jí)標(biāo)簽、節(jié)點(diǎn)標(biāo)簽、節(jié)點(diǎn)邊組成的鄰接矩陣等信息之后，將相應(yīng)數(shù)據(jù)用鄰域哈希圖核、最短路徑圖核和WL 圖核3種圖核方法進(jìn)行驗(yàn)證，分別進(jìn)行10 次重復(fù)實(shí)驗(yàn)，并取平均值作為最終結(jié)果以消除偶然誤差造成的影響，所得精度結(jié)果如圖7 所示.

圖7 實(shí)車(chē)數(shù)據(jù)風(fēng)險(xiǎn)等級(jí)識(shí)別分類(lèi)準(zhǔn)確率Fig.7 Real vehicle data risk level identification and classification accuracy

從所示的危險(xiǎn)場(chǎng)景識(shí)別準(zhǔn)確率圖中可以看出，圖結(jié)構(gòu)模型對(duì)復(fù)雜場(chǎng)景的危險(xiǎn)程度識(shí)別分類(lèi)有不錯(cuò)的表現(xiàn)，驗(yàn)證精度都在80%以上，其中交叉路口左轉(zhuǎn)數(shù)據(jù)的鄰域哈希圖核和最短路徑圖核驗(yàn)證的準(zhǔn)確率甚至達(dá)到了90.0%和89.0%，并且表明鄰域哈希圖核對(duì)于表示圖模型中交通參與者之間的關(guān)系有著更好的效果.另外為了進(jìn)一步對(duì)上述圖方法識(shí)別分類(lèi)結(jié)果進(jìn)行說(shuō)明，對(duì)模型的查準(zhǔn)率、查全率及F1值進(jìn)行類(lèi)別加權(quán)計(jì)算，如表2 所示.

表2 實(shí)車(chē)場(chǎng)景驗(yàn)證結(jié)果Tab.2 Validation results of the real vehicle scene

在對(duì)實(shí)驗(yàn)結(jié)果的分析中，由于該模型危險(xiǎn)程度識(shí)別是通過(guò)車(chē)輛運(yùn)行過(guò)程中的橫、縱向加速度二維特征進(jìn)行聚類(lèi)，轉(zhuǎn)彎時(shí)候的橫向加速度的變化更為明顯，在聚類(lèi)處理的過(guò)程中更加可靠，因此轉(zhuǎn)彎數(shù)據(jù)的驗(yàn)證精度好于直行數(shù)據(jù).

綜上，橫、縱向加速度對(duì)于駕駛員主觀風(fēng)險(xiǎn)程度評(píng)價(jià)具有較好的表征能力，并且基于圖表示的復(fù)雜場(chǎng)景風(fēng)險(xiǎn)程度識(shí)別模型針對(duì)有多交通參與者存在的城市場(chǎng)景有著不錯(cuò)的效果，所有識(shí)別結(jié)果精確值都在80%以上，可以準(zhǔn)確的對(duì)復(fù)雜場(chǎng)景風(fēng)險(xiǎn)等級(jí)進(jìn)行評(píng)估.

5 結(jié) 論

文中提出了一種基于圖模型的風(fēng)險(xiǎn)程度識(shí)別方法，主要包含3 項(xiàng)工作：首先對(duì)駕駛員視角下的城市交叉路口數(shù)據(jù)進(jìn)行了實(shí)車(chē)采集與處理，獲得了城市交叉路口真實(shí)場(chǎng)景數(shù)據(jù).其次通過(guò)K-means 對(duì)包含駕駛車(chē)輛縱、橫向加速度的二維特征進(jìn)行聚類(lèi)分析，得到不同場(chǎng)景下的危險(xiǎn)程度標(biāo)簽用以訓(xùn)練場(chǎng)景風(fēng)險(xiǎn)等級(jí)識(shí)別器.最后使用圖表示模型對(duì)場(chǎng)景數(shù)據(jù)進(jìn)行建模，結(jié)合聚類(lèi)結(jié)果及處理得到的圖模型數(shù)據(jù)通過(guò)鄰域哈希圖核、最短路徑圖核和WL 圖核3 種圖核方法進(jìn)行驗(yàn)證.對(duì)于交叉路口直行、左轉(zhuǎn)、右轉(zhuǎn)復(fù)雜場(chǎng)景，3 種圖核識(shí)別精度均在80%以上，并且對(duì)于實(shí)車(chē)左轉(zhuǎn)場(chǎng)景的結(jié)果可達(dá)89%.實(shí)驗(yàn)結(jié)果表明該風(fēng)險(xiǎn)等級(jí)評(píng)估模型展示了對(duì)有多種交通參與者同時(shí)存在的復(fù)雜場(chǎng)景的適應(yīng)能力，能夠較為準(zhǔn)確的根據(jù)駕駛員行為輸出駕駛場(chǎng)景的風(fēng)險(xiǎn)等級(jí)，為自動(dòng)駕駛和輔助駕駛系統(tǒng)的開(kāi)發(fā)提供了新的思路.在未來(lái)的工作中，將會(huì)考慮在提出的模型中引入更多的交通參與者特征數(shù)據(jù)和環(huán)境信息，并且考慮時(shí)序?qū)?chǎng)景風(fēng)險(xiǎn)等級(jí)的影響，以提升模型的動(dòng)態(tài)化性能.