摘要：深入研究人類駕駛員的駕駛行為和習(xí)性，對(duì)于推進(jìn)智能汽車的擬人化決策規(guī)劃，改善駕駛安全性具有重要意義。針對(duì)高速公路這一典型場(chǎng)景，基于NGSIM（Next Generation Simulation）數(shù)據(jù)集提取有效表征換道駕駛行為的特征參數(shù)，分析換道駕駛行為與駕駛參數(shù)的相關(guān)性，量化駕駛行為特性，建立了基于高斯混合-隱馬爾科夫理論（Gaussian mixed model-hidden Markov model，GMM-HMM）的換道意圖識(shí)別模型。研究結(jié)果表明：該模型識(shí)別準(zhǔn)確率較高，在換道點(diǎn)1.0 s 之前的換道行為識(shí)別準(zhǔn)確率達(dá)到95.6%，在有換道意圖的時(shí)刻識(shí)別準(zhǔn)確率超過80%，可應(yīng)用于智能汽車換道策略的擬人化設(shè)計(jì)，有效降低換道風(fēng)險(xiǎn)，改善駕駛安全。

關(guān)鍵詞：駕駛員特性；換道行為分析；NGSIM；駕駛安全

中圖分類號(hào)：U448.213 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1000-582X（2024）11-037-14

車輛換道是駕駛過程中廣泛存在的一種行為，不當(dāng)?shù)膿Q道行為往往會(huì)導(dǎo)致車輛發(fā)生追尾和碰撞事故，嚴(yán)重威脅人們的生命財(cái)產(chǎn)安全。因此，對(duì)車輛換道行為進(jìn)行分析并準(zhǔn)確識(shí)別車輛換道意圖，對(duì)減少交通事故、提高行車效率具有極為重要的意義[1]。Tomar 等[2]通過采集車輛位置坐標(biāo)、車速等參數(shù)分析車輛換道行為，認(rèn)為車輛換道軌跡與周圍駕駛員的習(xí)慣和自車駕駛員對(duì)周圍交通狀況的評(píng)估有關(guān)。Nilsson 等[3]通過計(jì)算車輛的橫縱向運(yùn)動(dòng)線路，基于規(guī)則設(shè)定閾值來(lái)識(shí)別換道意圖。Chauhan 等[4]利用累計(jì)橫向速度的絕對(duì)值來(lái)識(shí)別換道操作的時(shí)間窗口，并對(duì)車輛換道行為進(jìn)行分類。Tran 等[5]將車速、加速度、方向盤轉(zhuǎn)角等參數(shù)離散化，輸入到隱馬爾科夫模型中來(lái)識(shí)別駕駛員換道策略。Oh 等[6]建立二元邏輯回歸模型來(lái)研究駕駛員換道行為。

隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的快速發(fā)展，一些學(xué)者利用貝葉斯網(wǎng)絡(luò)、支持向量機(jī)、深度神經(jīng)網(wǎng)絡(luò)等方法進(jìn)行換道意圖識(shí)別。邱小平等[7]利用貝葉斯網(wǎng)絡(luò)根據(jù)周圍交通狀況，將換道過程中的連續(xù)特征變量離散化，建立了車輛換道行為識(shí)別模型。Schlechtriemen 等[8]提出了一種基于樸素貝葉斯方法的擴(kuò)展模型，實(shí)現(xiàn)了對(duì)換道行為的識(shí)別。Zyner 等[9] 將車輛位置、航向角和速度等參數(shù)輸入長(zhǎng)短時(shí)記憶（long short term memory，LSTM）網(wǎng)絡(luò)模型，用以識(shí)別車輛在交叉路口時(shí)駕駛員的意圖。Xie 等[10]通過引入深度置信網(wǎng)絡(luò)（deep beliefnetwork，DBN），預(yù)測(cè)車輛換道決策結(jié)果，模型精度較高，但未對(duì)影響換道決策的因素進(jìn)行分析。Kim 等[11]在高級(jí)駕駛輔助系統(tǒng)（advanced driving assistance system，ADAS）上，通過ANN（artificial neural network）算法增強(qiáng)車輛狀態(tài)和路面狀況的信息，將增強(qiáng)后的信息反饋到支持向量機(jī)（support vector machine，SVM），檢測(cè)了駕駛員的駕駛換道意圖。Ahmed 等[12]基于NGSIM（Next Generation Simulation）數(shù)據(jù)集研究了不同擁堵水平下駕駛員的換道行為，提出了利用臨界交叉時(shí)間和單位距離車道變化識(shí)別極端換道行為的方法。季學(xué)武等[13]基于NGSIM數(shù)據(jù)集，考慮交互式信息，提出了基于LSTM網(wǎng)絡(luò)的駕駛意圖識(shí)別模型，具有較高的準(zhǔn)確率。然而，深度學(xué)習(xí)算法在模型的可解釋性和可靠性方面仍需要進(jìn)一步提升。

上述研究表明，傳統(tǒng)的基于規(guī)則的換道駕駛策略大多通過人為定義車輛運(yùn)行狀態(tài)參數(shù)來(lái)表征換道行為，并未深入分析各參數(shù)對(duì)換道行為的影響規(guī)律，導(dǎo)致?lián)Q道行為識(shí)別模型的準(zhǔn)確率不高，換道駕駛策略體驗(yàn)較差，影響駕駛安全性。

針對(duì)現(xiàn)有基于規(guī)則的換道行為識(shí)別模型存在的問題，筆者在深入分析駕駛員換道行為基礎(chǔ)上，提出一種基于高斯混合-隱馬爾科夫理論（Gaussian mixed model-hidden Markov model，GMM-HMM）的換道行為識(shí)別模型，以左換道、保持車道、右換道3 種行為作為不可觀測(cè)的隱狀態(tài)，將駕駛行為表征參數(shù)如車輛橫向位置偏移和側(cè)向速度作為模型觀測(cè)層輸入?yún)?shù)，采用最大期望算法優(yōu)化模型參數(shù)，考慮駕駛行為的不確定性，利用NGSIM數(shù)據(jù)集對(duì)換道行為識(shí)別模型進(jìn)行驗(yàn)證，為智能汽車換道駕駛策略的研究和開發(fā)奠定理論基礎(chǔ)和技術(shù)支撐。

1 換道場(chǎng)景定義

自動(dòng)駕駛車輛在多車道道路上行駛時(shí)，通過一系列操作從當(dāng)前車道變更到目標(biāo)車道的決策行為即屬于換道行為。換道行為涉及到多車之間的相互作用，參與的車輛將會(huì)對(duì)換道意圖產(chǎn)生影響，圖1 為典型的換道場(chǎng)景示意圖。對(duì)單向雙車道而言，目標(biāo)車道上存在著前車FV（front vehicle）和后車RV（rear vehicle），當(dāng)前車道上行駛著前車PV（preceding vehicle）以及換道車輛LV（lane-changing vehicle）[14]。LV 在行駛過程中受到前方PV 的速度約束，產(chǎn)生換道意圖，在換道過程中有一定概率與RV 發(fā)生碰撞而放棄換道。此類換道行為即是本文的研究對(duì)象。

2 數(shù)據(jù)預(yù)處理與特征提取

2.1 數(shù)據(jù)來(lái)源

使用的數(shù)據(jù)集來(lái)源于NGSIM的US-101 數(shù)據(jù)庫(kù)和I-80 數(shù)據(jù)庫(kù)[15] （圖2），NGSIM數(shù)據(jù)集是美國(guó)聯(lián)邦公路局為推進(jìn)微觀交通建模方面的研究，在高層建筑上設(shè)置多臺(tái)同步攝像頭采集所得，數(shù)據(jù)采集頻率為10 Hz，通過圖像處理技術(shù)獲得車輛位置、速度、加速度等數(shù)據(jù)信息，2 個(gè)數(shù)據(jù)庫(kù)包括6 個(gè)15 min 采集軌跡子庫(kù)。為了驗(yàn)證模型在時(shí)間和空間上的泛化性，將一個(gè)數(shù)據(jù)庫(kù)作為訓(xùn)練集，另一個(gè)數(shù)據(jù)庫(kù)作為測(cè)試集。

2.2 數(shù)據(jù)預(yù)處理

由于NGSIM數(shù)據(jù)集中的數(shù)據(jù)是通過拍攝視頻的方式采集的，并非由車輛傳感器直接采集獲得，因此，表征車輛運(yùn)行狀態(tài)的數(shù)據(jù)不可避免地出現(xiàn)一定的誤差。為了修正原始數(shù)據(jù)中不符合運(yùn)動(dòng)學(xué)規(guī)律的車輛位置、速度、加速度等相關(guān)數(shù)據(jù)，需要對(duì)其進(jìn)行預(yù)處理。

采用Thiemann 等[16] 提出的對(duì)稱指數(shù)移動(dòng)平均濾波算法（symmetric exponential moving average filter，sEMA）對(duì)原始數(shù)據(jù)進(jìn)行濾波預(yù)處理。sEMA 是對(duì)簡(jiǎn)單移動(dòng)平均法的改進(jìn)，通過將權(quán)重函數(shù)調(diào)整為“人”字形的對(duì)稱指數(shù)函數(shù)，距離修正點(diǎn)越近的值權(quán)重越大，濾波效果較好。根據(jù)Thiemann 對(duì)平滑寬度的分析，得出平滑位置時(shí)取T = 0.5 s、平滑速度時(shí)取T = 1.0 s、平滑加速度時(shí)取T = 4.0 s，可實(shí)現(xiàn)噪聲衰減和原始數(shù)據(jù)高頻部分之間的最佳折中。sEMA 算法公式如下：

式中：i = 1，2，…，Nj，N j 是車輛j 的數(shù)據(jù)長(zhǎng)度；Δ 是平滑寬度，Δ = T/dt，dt = 0.1 s，T 根據(jù)擬合參數(shù)不同，取值不同；D 是平滑窗口，取值為min{3Δ，i - 1，Nj - i}；～yj （ ti ） 是車輛j 在第i 個(gè)時(shí)刻擬合后的新數(shù)據(jù)；yj （tk ）是車輛j 在第k 個(gè)時(shí)刻的原始數(shù)據(jù)。以US-101 中的98 號(hào)車輛軌跡數(shù)據(jù)為例，其濾波效果如圖3 所示。由圖3 可知，對(duì)稱指數(shù)移動(dòng)平均濾波能夠有效減小加速度中白噪聲的影響，使加速度變化更平滑，同時(shí)保留了反映駕駛行為的數(shù)據(jù)特征，并對(duì)速度進(jìn)行了小幅度修正，但對(duì)位移數(shù)據(jù)幾乎沒有影響，這與用圖像采集技術(shù)數(shù)據(jù)的誤差特征相符。

2.3 換道數(shù)據(jù)提取

對(duì)原始數(shù)據(jù)進(jìn)行濾波處理后，需要從數(shù)據(jù)集中提取出具有換道行為且車輛前方有行駛車輛的樣本數(shù)據(jù)。NGSIM數(shù)據(jù)集的車輛軌跡信息較全面，包含了車輛類型、尺寸等特征信息，以及車輛位置、速度、加速度等動(dòng)態(tài)信息，還提供了周圍車輛所處車道和前后車輛的信息，包含乘用車、卡車和摩托車的數(shù)據(jù)。因?yàn)榭ㄜ嚭湍ν熊嚇颖緮?shù)據(jù)較少且換道方式與乘用車不同，所以本研究中僅將乘用車作為研究對(duì)象。

在提取換道軌跡時(shí)，為了排除輔助車道和坡道的車道變化影響，需要過濾掉匝道入口和出口的車輛軌跡。將車輛軌跡與車道線的交點(diǎn)定義為換道點(diǎn)，根據(jù)Tijerina 等[17]的研究成果，平均5 s 就可以實(shí)現(xiàn)完整的換道過程，且連續(xù)變道與單次換道的微觀特性不同，本研究中僅考慮單次換道行為，不考慮多次換道行為，即要求提取軌跡片段在換道前15 s 和換道后10 s 時(shí)間內(nèi)均處于相應(yīng)的固定車道。

Wang 等[18]認(rèn)為應(yīng)將車輛側(cè)向速度大于0.2 m/s 的時(shí)間點(diǎn)作為車輛換道行為意圖發(fā)生時(shí)刻。為了避免車輛瞬時(shí)抖動(dòng)干擾，本研究中以車輛起始點(diǎn)和后面連續(xù)的5 個(gè)時(shí)間點(diǎn)的車輛側(cè)向速度均大于0.2 m/s 的時(shí)間點(diǎn)作為產(chǎn)生換道意圖的起點(diǎn)，換道結(jié)束也是如此。

為了更方便地研究換道行為，還必須對(duì)數(shù)據(jù)進(jìn)行歸一化處理，將不同車道的換道行為統(tǒng)一到相對(duì)位置上，將換道軌跡與車道線的交點(diǎn)作為換道點(diǎn)，換道點(diǎn)的橫向位置和縱向位置為0，對(duì)每條車輛軌跡的每個(gè)采樣點(diǎn)的橫縱向位置進(jìn)行處理，并將數(shù)據(jù)單位英尺（feet）轉(zhuǎn)換為國(guó)際單位米（m），得到車輛換道軌跡如圖4 所示。

3 換道行為分析

提取NGSIM的US-101 路段交通數(shù)據(jù)庫(kù)的換道軌跡作為訓(xùn)練集，分析換道行為階段車輛運(yùn)行狀態(tài)參數(shù)，明確表征駕駛行為的特征指標(biāo)，為后續(xù)換道行為識(shí)別模型的建立提供運(yùn)動(dòng)狀態(tài)特征參數(shù)。

3.1 駕駛員換道行為特征分析

在車輛換道過程中，車輛的橫縱向駕駛表現(xiàn)指標(biāo)均呈現(xiàn)出一定的變化差異。首先，對(duì)不同駕駛階段的橫縱向駕駛指標(biāo)及其標(biāo)準(zhǔn)差進(jìn)行分析，研究駕駛表現(xiàn)指標(biāo)的分布規(guī)律。采樣間隔時(shí)間為0.1 s，1.0 s 為一個(gè)時(shí)窗，對(duì)駕駛表現(xiàn)指標(biāo)的標(biāo)準(zhǔn)差進(jìn)行統(tǒng)計(jì)。

3.1.1 縱向運(yùn)動(dòng)狀態(tài)表征分析

針對(duì)車輛換道時(shí)的縱向運(yùn)動(dòng)狀態(tài)，選擇車速、縱向加速度、相對(duì)前車距離和車頭時(shí)距作為縱向駕駛表現(xiàn)指標(biāo)。

1）車速。車速統(tǒng)計(jì)結(jié)果如圖5 所示，可以看出保持車道階段會(huì)出現(xiàn)車速為0 的情況，這是由于數(shù)據(jù)采集時(shí)間點(diǎn)正處于早高峰階段。換道階段的車速標(biāo)準(zhǔn)差比保持車道階段大，車速穩(wěn)定性較差。左右換道階段車速和標(biāo)準(zhǔn)差均無(wú)明顯的差別，說明車速不能作為有效表征駕駛?cè)藫Q道行為的車輛狀態(tài)參數(shù)。

2）縱向加速度。縱向加速度統(tǒng)計(jì)結(jié)果如圖6 所示，可以看出不同階段的縱向加速度并沒有明顯的統(tǒng)計(jì)規(guī)律，換道階段的縱向加速度中位數(shù)和均值相對(duì)于保持車道階段稍大一些，表明換道階段發(fā)生急加速急減速行為的幾率更高，左換道和右換道并沒有顯著區(qū)別，說明縱向加速度不能作為有效表征駕駛?cè)藫Q道行為的車輛狀態(tài)參數(shù)。

3）相對(duì)前車距離。相對(duì)前車距離統(tǒng)計(jì)結(jié)果如圖7 所示。從圖7（a）看出右換道相對(duì)前車距離的均值和波動(dòng)范圍較大，是因?yàn)橛臆嚨罏槁嚨?，自車需要降速，而其他車道車速無(wú)明顯變化，導(dǎo)致?lián)Q道后相對(duì)前車距離增大。圖7（b）中換道階段相對(duì)前車距離的標(biāo)準(zhǔn)差比保持車道階段大，是因?yàn)閾Q道后前方車輛發(fā)生變化，相對(duì)于前車的距離會(huì)發(fā)生突變，但左換道和右換道階段并無(wú)明顯差異，說明相對(duì)前車距離不能作為有效表征駕駛?cè)藫Q道行為的車輛狀態(tài)參數(shù)。

4）車頭時(shí)距。車頭時(shí)距統(tǒng)計(jì)結(jié)果如圖8 所示，從圖中可以看出換道階段車頭時(shí)距比保持車道階段小，而在換道階段車頭時(shí)距標(biāo)準(zhǔn)差比保持車道階段大，符合換道時(shí)自車與前車的變化關(guān)系，換道時(shí)車頭時(shí)距波動(dòng)值越大，處于危險(xiǎn)環(huán)境的幾率越高。但左換道和右換道階段車頭時(shí)距及其標(biāo)準(zhǔn)差的變化沒有顯著區(qū)別。因此，車頭時(shí)距不能作為有效表征駕駛?cè)藫Q道行為的車輛狀態(tài)參數(shù)。

3.1.2 橫向運(yùn)動(dòng)狀態(tài)表征分析

針對(duì)車輛換道時(shí)的橫向運(yùn)動(dòng)狀態(tài)，選擇車輛橫向位置偏移、側(cè)向速度和側(cè)向加速度作為橫向駕駛表現(xiàn)指標(biāo)。

1）橫向位置偏移。橫向位置統(tǒng)計(jì)結(jié)果如圖9 所示，車輛處于左換道階段時(shí)，橫向位置偏移為負(fù)數(shù)，右換道階段橫向位置偏移為正數(shù)，換道階段的橫向位置偏移標(biāo)準(zhǔn)差比保持車道階段大。給定顯著性水平0.05，3種行為的橫向位置偏移之間的伴隨概率為0，說明均存在顯著差異性。因此，橫向位置偏移可以作為有效表征駕駛?cè)藫Q道行為的車輛狀態(tài)參數(shù)。

2）車輛側(cè)向速度。車輛側(cè)向速度統(tǒng)計(jì)結(jié)果如圖10 所示。從圖10（a）看出當(dāng)車輛左換道時(shí)，側(cè)向速度為負(fù)值，車輛右換道時(shí)，側(cè)向速度為正值，保持車道時(shí)側(cè)向速度較小，處于0 附近。圖10（b）表示換道階段的側(cè)向速度標(biāo)準(zhǔn)差大于保持車道階段。給定顯著性水平為0.05，3 種行為的側(cè)向速度之間的伴隨概率均為0，即均存在顯著差異性。因此，統(tǒng)計(jì)分析結(jié)果表明側(cè)向速度可以作為有效表征駕駛?cè)藫Q道行為的車輛狀態(tài)參數(shù)。

3）車輛側(cè)向加速度。車輛側(cè)向加速度統(tǒng)計(jì)結(jié)果如圖11 所示。換道階段的側(cè)向加速度及其標(biāo)準(zhǔn)差顯著大于保持車道階段，但是左右換道階段無(wú)明顯差別。給定顯著性水平為0.05，左換道和保持車道之間側(cè)向加速度的伴隨概率為0.289 5，右換道和保持車道之間的伴隨概率為0.515 0，左換道和右換道之間的伴隨概率為0.418 6，表明3 種行為之間在側(cè)向加速度上沒有顯著差異，因此，側(cè)向加速度不可以作為有效表征駕駛?cè)藫Q道行為的車輛狀態(tài)參數(shù)。

通過以上分析可知，橫向駕駛表征指標(biāo)橫向位置偏移和側(cè)向速度可作為車輛換道行為的特征指標(biāo)。

3.2 換道持續(xù)時(shí)間分析

進(jìn)一步對(duì)換道持續(xù)時(shí)間進(jìn)行分析，利用2.3 節(jié)提出的換道產(chǎn)生的時(shí)刻作為換道持續(xù)時(shí)間的起始點(diǎn)，以0.5 s 為時(shí)間間隔統(tǒng)計(jì)，換道持續(xù)時(shí)間直方圖如圖12 所示?？梢钥闯鰮Q道持續(xù)時(shí)間主要集中在6～8 s 之間，這與定義的換道起止點(diǎn)和該數(shù)據(jù)時(shí)間段位于上班早高峰相關(guān)。

為更好地理解換道持續(xù)時(shí)間與車輛運(yùn)行狀態(tài)參數(shù)之間的關(guān)系，將提取出來(lái)的換道階段的車輛狀態(tài)參數(shù)與換道持續(xù)時(shí)間進(jìn)行斯皮爾曼和皮爾遜相關(guān)性分析。斯皮爾曼和皮爾遜相關(guān)系數(shù)是統(tǒng)計(jì)學(xué)中常用來(lái)衡量變量之間相關(guān)性的指標(biāo)，統(tǒng)計(jì)結(jié)果如表1 所示。統(tǒng)計(jì)發(fā)現(xiàn)，換道時(shí)間的長(zhǎng)短與換道階段內(nèi)的側(cè)向速度絕對(duì)值的均值的相關(guān)系數(shù)最大，斯皮爾曼相關(guān)系數(shù)達(dá)到-0.78，皮爾遜相關(guān)系數(shù)達(dá)到-0.81。

設(shè)置置信度為0.05，對(duì)換道時(shí)間與側(cè)向速度絕對(duì)值均值進(jìn)行擬合得到如下線性關(guān)系：

tx =-9.274 4 mean （ | vx | ）+ 11.393 7。（2）

式中：mean （ | vx | ） 表示側(cè)向速度絕對(duì)值的均值；tx 表示換道持續(xù)時(shí)間。從圖13 可以看出，擬合的線性關(guān)系可以很好地反映換道時(shí)間隨側(cè)向速度絕對(duì)值的均值的變化趨勢(shì)。

將左換道和右換道階段的側(cè)向速度絕對(duì)值均值劃分為4 個(gè)范圍進(jìn)行統(tǒng)計(jì)，結(jié)果如圖14 和表2 所示。圖中縱軸為側(cè)向速度絕對(duì)值在相應(yīng)區(qū)間內(nèi)各個(gè)時(shí)間占總體時(shí)間的比例，以圖14（a）為例，圖中展示了統(tǒng)計(jì)樣本中左右換道側(cè)向速度絕對(duì)值在0～0.3 m?s-1區(qū)間各個(gè)時(shí)間出現(xiàn)次數(shù)占樣本總體的比例。換道階段的側(cè)向速度絕對(duì)值的均值越大，換道持續(xù)時(shí)間的峰值向時(shí)間少的方向移動(dòng)。

4 換道行為識(shí)別模型

將車輛橫向位置偏移和車輛側(cè)向速度作為駕駛?cè)藫Q道行為對(duì)應(yīng)的可觀測(cè)信息，以不同駕駛行為作為隱狀態(tài)，建立基于GMM-HMM 的駕駛行為識(shí)別模型。利用最大期望算法對(duì)模型參數(shù)進(jìn)行優(yōu)化整定，考慮駕駛行為的不確定性，用前向后向算法來(lái)對(duì)車輛處于各類行為的概率進(jìn)行估計(jì)，并用NGSIM 中I-80 路段數(shù)據(jù)進(jìn)行模型驗(yàn)證。駕駛?cè)藫Q道行為識(shí)別的流程如圖15 所示。從US-101 數(shù)據(jù)庫(kù)中，提取駕駛?cè)说淖髶Q道、保持車道和右換道3 種行為的特征參數(shù)，建立符合GMM-HMM 訓(xùn)練要求的樣本庫(kù)，再采用Baum-Welch 算法對(duì)HMM 中的初始狀態(tài)概率分布π 和狀態(tài)轉(zhuǎn)移矩陣A 的值進(jìn)行訓(xùn)練，GMM 擬合每個(gè)隱藏狀態(tài)的輸出觀測(cè)概率分布，確定行為識(shí)別模型的架構(gòu)和模型參數(shù)，采用前后向算法進(jìn)行迭代求解，識(shí)別當(dāng)前駕駛?cè)说男袨椤?/p>

換道行為識(shí)別模型的觀測(cè)層輸入?yún)?shù)為車輛橫向位置偏移Δx 和車輛側(cè)向速度vx。

觀測(cè)序列以向量O = {Δx，vx}的形式進(jìn)行描述。該模型包含了3 種隱狀態(tài)：左換道行為、保持車道行為和右換道行為。用Baum-Welch 算法對(duì)初始狀態(tài)轉(zhuǎn)移矩陣π 和狀態(tài)轉(zhuǎn)移矩陣A 的值進(jìn)行訓(xùn)練，采取均勻取值對(duì)π 和A 進(jìn)行初始化，通常認(rèn)為駕駛?cè)说? 種隱狀態(tài)在左換道和右換道之間不會(huì)進(jìn)行切換，因此狀態(tài)轉(zhuǎn)移矩陣A中的α13和α31的初值設(shè)為0。

初始狀態(tài)轉(zhuǎn)移矩陣為

用GMM 來(lái)擬合每個(gè)隱藏狀態(tài)下的輸出觀測(cè)概率分布，用最大期望算法估計(jì)GMM 的參數(shù)θ =（αm ，μm ，σm ） 。這里αm為第m 個(gè)高斯分布權(quán)重；μm為第m 個(gè)分模型高斯分布密度；σm為第m 個(gè)高斯分布協(xié)方差，m = 1，2，…，M。M 為GMM 的高斯分布個(gè)數(shù)，由貝葉斯信息準(zhǔn)則（Bayesian information criterion，BIC）估計(jì)得到，綜合考慮訓(xùn)練數(shù)據(jù)的特點(diǎn)和實(shí)際的識(shí)別效果，設(shè)M=3。

BIC （M ） = M ln （n） - 2logP （O，γ|θ ）， （5）

式中：n 是觀測(cè)序列樣本數(shù)；P （O，γ|θ ）為概率分布模型；log P （O，γ|θ ）是對(duì)數(shù)似然值。

通過GMM-HMM方法訓(xùn)練，得到了駕駛?cè)藫Q道行為識(shí)別模型的各參數(shù)，利用NGSIM數(shù)據(jù)集中的I-80 路段的數(shù)據(jù)作為測(cè)試集，從測(cè)試結(jié)果中隨機(jī)選取識(shí)別出左換道意圖與右換道意圖的車輛，以下午4：00―4：15 時(shí)間段的604 號(hào)車和44 號(hào)車為例分別說明左換道與右換道行為識(shí)別的結(jié)果。

如圖16 所示，當(dāng)車輛的軌跡比較平滑時(shí)，駕駛?cè)说男袆?dòng)意圖比較明確，意圖行為的概率很快接近于1，其他行為的概率會(huì)很快等于0，行為識(shí)別算法能迅速準(zhǔn)確地判斷出車輛行為。根據(jù)3.2.2 節(jié)換道意圖發(fā)生的起始點(diǎn)的定義，604 號(hào)車的換道意圖起始點(diǎn)是在換道點(diǎn)前1.9 s（3.2 s 處），此時(shí)的側(cè)向速度是-0.221 1 m/s，距離車道線右側(cè)1.286 m，左換道行為概率為0.537，保持車道的概率為0.463，此時(shí)左換道行為識(shí)別的概率值大于0.500，所以604 號(hào)車輛在換道意圖發(fā)生時(shí)模型就預(yù)測(cè)到左換道行為的發(fā)生。在8.1 s 處，識(shí)別到換道行為結(jié)束，此時(shí)左換道行為概率為0.275，保持車道的概率為0.725，距離車道線左側(cè)2.101 m，側(cè)向速度是-0.352 m/s，比保持車道意圖起始點(diǎn)提前0.9 s 預(yù)測(cè)到左換道行為的結(jié)束。

如圖17 所示，44 號(hào)車的換道意圖起始點(diǎn)是在換道點(diǎn)前1.6 s，此時(shí)的側(cè)向速度是0.263 m/s，距離車道線左側(cè)1.410 m，右換道行為概率為0.542，保持車道的概率為0.458，此時(shí)右換道行為識(shí)別的概率值大于0.500，所以44 號(hào)車輛在換道意圖發(fā)生時(shí)模型就預(yù)測(cè)到右換道行為的發(fā)生。在9.2 s 處，識(shí)別到換道行為結(jié)束，此時(shí)右換道行為概率為0.495，保持車道的概率為0.505，距離車道線右側(cè)1.412 m，側(cè)向速度是0.172 m/s，比保持車道意圖起始點(diǎn)提前了0.1 s 預(yù)測(cè)到右換道行為的結(jié)束。

為進(jìn)一步評(píng)估模型的性能，選取支持向量機(jī)（support vector machines，SVM）與所提出的GMM-HMM 模型進(jìn)行對(duì)比。為確保SVM 模型訓(xùn)練時(shí)的復(fù)雜度滿足要求，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，采用高斯徑向基函數(shù)作為核函數(shù)進(jìn)行SVM 建模，并采用網(wǎng)格搜索算法對(duì)懲罰因子等參數(shù)進(jìn)行尋優(yōu)，得到最優(yōu)參數(shù)來(lái)進(jìn)行換道意圖識(shí)別，SVM和GMM-HMM的識(shí)別準(zhǔn)確率如圖18 所示。

由圖18 可以看出，與傳統(tǒng)的基于SVM 的換道行為識(shí)別模型相比，基于GMM-HMM 的模型在測(cè)試集數(shù)據(jù)中的行為識(shí)別準(zhǔn)確率提高了7.8%，在換道點(diǎn)1.0 s 之前的換道行為識(shí)別準(zhǔn)確率達(dá)95.6%，表明該模型在用于預(yù)測(cè)高速公路上的車輛換道行為時(shí)具有較高的精度。

5 結(jié) 論

為了準(zhǔn)確識(shí)別車輛換道意圖，基于NGSIM數(shù)據(jù)集，建立了換道數(shù)據(jù)提取規(guī)則，將車輛駕駛行為分為向左換道、向右換道和直線行駛3 類，并標(biāo)注換道意圖數(shù)據(jù)；基于統(tǒng)計(jì)學(xué)方法分析了換道狀態(tài)下橫縱向運(yùn)動(dòng)學(xué)參數(shù)分布差異，采用斯皮爾曼系數(shù)和皮爾曼系數(shù)量化，得出換道持續(xù)時(shí)間與側(cè)向速度絕對(duì)值均值相關(guān)性最大的結(jié)論，確定了橫向位置偏移和側(cè)向速度2 個(gè)換道行為特征指標(biāo)；建立了基于GMM-HMM 的換道意圖識(shí)別模型，并與傳統(tǒng)的基于SVM 的方法進(jìn)行了性能對(duì)比。結(jié)果表明，GMM-HMM 模型整體識(shí)別準(zhǔn)確率較高，在換道點(diǎn)1.0 s 之前的換道行為識(shí)別準(zhǔn)確率達(dá)到95.6%，比SVM 提升了7.8%；在意圖發(fā)生的時(shí)刻左右的識(shí)別準(zhǔn)確率為80% 以上。換道意圖模型識(shí)別精度的提升能夠?qū)囕v實(shí)際換道行為意圖提供更準(zhǔn)確的判斷，進(jìn)而使車輛合理規(guī)劃自身路線，實(shí)現(xiàn)車道級(jí)別的決策，降低換道風(fēng)險(xiǎn)，提升交通安全。

參考文獻(xiàn)

［ 1 ］ Dou Y L， Yan F J， Feng D W. Lane changing prediction at highway lane drops using support vector machine and artificial neural network classifiers[C]//2016 IEEE International Conference on Advanced Intelligent Mechatronics （AIM）， July 12-15，2016， Banff， AB， Canada. IEEE， 2016： 901-906.

［ 2 ］ Tomar R S， Verma S. Safety of lane change maneuver through a priori prediction of trajectory using neural networks[J].Network Protocols and Algorithms， 2012， 4（1）： 4-21.

［ 3 ］ Nilsson J， Fredriksson J， Coelingh E. Rule-based highway maneuver intention recognition[C]//2015 IEEE 18th International Conference on Intelligent Transportation Systems， September 15-18， 2015， Gran Canaria， Spain. IEEE， 2015： 950-955.

［ 4 ］ Chauhan P， Kanagaraj V， Asaithambi G. Understanding the mechanism of lane changing process and dynamics using microscopic traffic data[J]. Physica A： Statistical Mechanics and Its Applications， 2022， 593： 126981.

［ 5 ］ Tran D， Du J H， Sheng W H， et al. A human-vehicle collaborative driving framework for driver assistance[J]. IEEE Transactions on Intelligent Transportation Systems， 2019， 20（9）： 3470-3485.

［ 6 ］ Oh C， Choi J， Park S. In-depth understanding of lane changing interactions for in-vehicle driving assistance systems[J].International Journal of Automotive Technology， 2017， 18（2）： 357-363.

［ 7 ］ 邱小平， 劉亞龍， 馬麗娜， 等. 基于貝葉斯網(wǎng)絡(luò)的車輛換道模型[J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2015， 15（5）： 67-73， 95.

Qiu X P， Liu Y L， Ma L N， et al. A lane change model based on Bayesian networks[J]. Journal of Transportation Systems Engineering and Information Technology， 2015， 15（5）： 67-73， 95. （in Chinese）

［ 8 ］ Schlechtriemen J， Wedel A， Hillenbrand J， et al. A lane change detection approach using feature ranking with maximized predictive power[C]//2014 IEEE Intelligent Vehicles Symposium Proceedings， June 8-11， 2014， Dearborn， MI， USA. IEEE，2014： 108-114.

［ 9 ］ Zyner A， Worrall S， Ward J， et al. Long short term memory for driver intent prediction[C]//2017 IEEE Intelligent Vehicles Symposium （IV）， June 11-14， 2017， Los Angeles， CA， USA. IEEE， 2017： 1484-1489.

［10］ Xie D F， Fang Z Z， Jia B， et al. A data-driven lane-changing model based on deep learning[J]. Transportation Research Part C：Emerging Technologies， 2019， 106： 41-60.

［11］ Kim I H， Bong J H， Park J， et al. Prediction of driver ’ s intention of lane change by augmenting sensor information using machine learning techniques[J]. Sensors， 2017， 17（6）： 1350.

［12］ Ahmed I， Karr A F， Rouphail N M， et al. Characterizing lane changing behavior and identifying extreme lane changing traits[J].Transportation Letters， 2023， 15（5）： 450-464.

［13］ 季學(xué)武， 費(fèi)聰， 何祥坤， 等. 基于LSTM網(wǎng)絡(luò)的駕駛意圖識(shí)別及車輛軌跡預(yù)測(cè)[J]. 中國(guó)公路學(xué)報(bào)， 2019， 32（6）： 34-42.

Ji X W， Fei C， He X K， et al. Intention recognition and trajectory prediction for vehicles using LSTM network[J]. China Journal of Highway and Transport， 2019， 32（6）： 34-42. （in Chinese）

［14］ Panichpapiboon S， Leakkaw P. Lane change detection with smartphones： a steering wheel-based approach[J]. IEEE Access，2020， 8： 91076-91088.

［15］ Alexiadis V， Colyar J， Halkias J， et al. The next generation simulation program[J]. ITE Journal， 2004， 74（8）： 22-26.

［16］ Thiemann C， Treiber M， Kesting A. Estimating acceleration and lane-changing dynamics from next generation simulation trajectory data[J]. Transportation Research Record： Journal of the Transportation Research Board， 2008， 2088（1）： 90-101.

［17］ Tijerina L， Garrott W R， Stoltzfus D， et al. Eye glance behavior of van and passenger car drivers during lane change decision phase[J]. Transportation Research Record： Journal of the Transportation Research Board， 2005， 1937（1）： 37-43.

［18］ Wang Q， Li Z H， Li L. Investigation of discretionary lane-change characteristics using next-generation simulation data sets[J].Journal of Intelligent Transportation Systems， 2014， 18（3）： 246-253.

（編輯 羅敏）

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目（51875061）。