趙羽蔚，嚴 偉，陸后軍，俞翔棟

（上海海事大學 集裝箱供應(yīng)鏈技術(shù)教育部工程研究中心，上海 201306）

0 引言

近年來，港口碼頭生產(chǎn)安全事故頻繁發(fā)生，港口工作者的安全越來越受到重視，同時也有更多人對港口機械智能輔助駕駛系統(tǒng)[1]進行研究。港口機械智能輔助駕駛系統(tǒng)可通過識別司機的操作意圖后，進行輔助裝卸操作。Luzheng Bi[2]等人使用基于排隊網(wǎng)絡(luò)的駕駛員模型認知結(jié)構(gòu)來推測變道司機的駕駛意圖，通過排隊網(wǎng)絡(luò)為基礎(chǔ)的駕駛員模型仿真多種可能的駕駛意圖相對的駕駛行為，通過比較真實數(shù)據(jù)和仿真結(jié)果推斷駕駛員意圖。Qingnian Wang[3]等人通過數(shù)理統(tǒng)計和神經(jīng)網(wǎng)絡(luò)建立模糊邏輯推理系中的隸屬度函數(shù)和規(guī)則，采用模糊邏輯推理系統(tǒng)識別駕駛意圖。就目前而言，國內(nèi)外對駕駛員意圖識別的研究較少，并且研究對象主要是汽車駕駛員，而針對岸邊集裝箱起重機司機的操作意圖識別算法研究尚未發(fā)現(xiàn)。

本文基于隱馬爾科夫模型（Hidden Markov Model，HMM），針對橋吊司機建立了雙層 HMM模型，分別為操作層和意圖層，用于識別橋吊司機裝卸操作行為[4]和操作意圖[5,6]；運用修改后的Forward-Backward算法，計算數(shù)據(jù)組相對于各個HMM 模型的似然度，選擇似然度最大的模型作為操作識別結(jié)果，組成觀察序列串后，用于計算意圖層各個HMM模型的似然度，選擇似然度最大的模型作為橋吊司機的操作意圖。

1 理論基礎(chǔ)

1.1 馬爾科夫鏈

馬爾可夫鏈是數(shù)學中具有馬爾可夫性質(zhì)的離散時間隨機過程。在這個過程中，某個事物未來的狀態(tài)僅與當前的若干個狀態(tài)相關(guān)，無法通過該事物過去的狀態(tài)來推測未來的狀態(tài)，即說明過去與未來的狀態(tài)是無關(guān)的。

1.2 隱馬爾科夫模型

隱馬爾科夫模型是馬爾科夫鏈的一種，其狀態(tài)不能被直接觀察到，稱其為隱性狀態(tài)，需借助其它觀察序列進行觀察，而可觀察的序列則稱為觀察序列。每個隱性狀態(tài)通過相應(yīng)概率密度分布產(chǎn)生相應(yīng)觀察序列，每個觀察序列通過某些概率密度分布進行變換，因此隱馬爾科夫模型是一個雙重隨機過程。

1.3 修改后的向前-向后算法

給定HMM模型參數(shù)λ的前提下，定義前向變量αt(i)，它表示t時刻滿足狀態(tài)si，且t時刻之前（包括t時刻）滿足給定的觀察序列(O1, O2,…, Ot)的概率；同理定義后向變量βt(i)，它表示在時刻t出現(xiàn)狀態(tài)si，且t時刻以后的觀察序列滿足(Ot+1, Ot+2,…,OT)的概率，對于構(gòu)建的橋吊司機HMM模型，修改后的前向變量αt(i)和后向變量βt(i)的具體形式如下:

式中，aij定義為從狀態(tài)si轉(zhuǎn)移到狀態(tài)sj的概率，bi(O2t(l))定義為時刻t時狀態(tài)為si的前提下，對應(yīng)4組觀察值中滿足O2t(l)的概率。假定l=1代表小車運行狀態(tài)，l=2代表吊具升降狀態(tài)，l=3代表開閉鎖開閉狀態(tài)，l=4代表導板收放狀態(tài)，則O21(l)代表時刻t=1時的小車運行狀態(tài)的觀察序列。

2 雙層HMM意圖辨識模型構(gòu)建

2.1 橋吊司機裝卸操作規(guī)律

橋吊司機的裝卸操作是一個連續(xù)、復雜的過程，在人-機組成的閉環(huán)系統(tǒng)中，人要根據(jù)裝卸作業(yè)情況，結(jié)合自身的操作意愿和習慣，對岸邊集裝箱起重機進行操作控制，完成各種港口裝卸作業(yè)。根據(jù)不同的港口裝卸環(huán)境，橋吊司機做出的反應(yīng)受心理狀態(tài)的影響，其操作流程復雜、多樣，但在相似的裝卸環(huán)境下，橋吊司機具有特定的操作規(guī)律。以下分別是關(guān)于吊箱作業(yè)及卸箱作業(yè)的一般操作規(guī)律。對于吊箱作業(yè)的復合工況，有以下操作規(guī)律:小車加速前進→小車減速→小車停止且吊具加速下降→吊具減速→吊具停止且放下導板→吊具低速下降對接→閉鎖→吊具加速上升→吊具減速。同樣，對于卸箱作業(yè)有以下駕駛操作規(guī)律:小車加速后退→小車減速→小車停止，吊具加速下降→吊具減速下降，對接→開鎖→吊具加速上升→收起導板→吊具減速。因此，可基于橋吊駕駛員操作行為的普遍規(guī)律，對操作意圖進行識別。

基于隱馬爾科夫模型的特征，針對岸邊集裝箱起重機司機構(gòu)建雙層HMM模型。操作層HMM（下層）模型包含4個HMM模型集，分別對應(yīng)小車運行、吊具升降、開閉鎖開閉和導板收放。應(yīng)用不同操作行為所對應(yīng)的觀察序列分別訓練4個只涉及小車運行的HMM模型，4個只涉及吊具升降的HMM模型，2個只涉及開閉鎖開閉的HMM模型和2個只涉及導板收放的HMM模型。將一長段觀察序列進行分段處理之后，輸入到各個HMM模型群中，逐段識別小車運行、吊具升降、開閉鎖開閉和導板收放等4個單一工況的識別結(jié)果串，并將其按照港口集裝箱裝卸操作規(guī)律分段處理后作為意圖層HMM（上層）的觀察序列，分別對應(yīng)意圖層中規(guī)范吊箱、規(guī)范卸箱、非規(guī)范吊箱、非規(guī)范卸箱的HMM模型。雙層HMM模型結(jié)構(gòu)如圖1所示?；谶@樣的模型結(jié)構(gòu)，各模塊可獨立操作HMM層完成識別，有效提高了運行效率，實時識別橋吊司機操作行為，準確辨識橋吊司機操作意圖。

圖1 橋吊司機意圖識別的雙層HMM模型結(jié)構(gòu)

2.2 操作層HMM模型

針對小車運行，橋吊司機的操作行為包括小車正常加速運行、小車緊急加速運行、小車正常減速運行、小車緊急減速運行，采集橋吊駕駛員操作的傳感器數(shù)據(jù)，包括小車運行拉桿檔位、小車運行拉桿速度等，構(gòu)建小車正常加速運行、小車緊急加速運行、小車正常減速運行、小車緊急減速運行等 4個HMM模型，用于識別短時間內(nèi)小車運行的操作行為。其HMM群的觀察序列可以描述為如下多維向量組的形式:

式中:O1(t)為小車運行的HMM群；a(t)、b(t)分別為小車運行拉桿的檔位和小車運行拉桿的速度。運用Forward-Backward算法，在MATLAB環(huán)境下分別計算小車運行數(shù)據(jù)組相對于各個HMM模型的似然度，然后選擇似然度最大的模型作為小車運行操作識別結(jié)果。

針對吊具升降，可構(gòu)建吊具正常加速升降、緊急加速升降、正常減速升降、緊急減速升降等4個HMM模型，其多維向量組的形式同上。

針對開閉鎖開閉，可構(gòu)建開閉鎖的開鎖和閉鎖2個HMM模型，其HMM群的觀察序列可以描述為如下向量組的形式:

式中:O2(t)為開閉鎖的HMM群；e(t)為開閉鎖的開閉狀態(tài)。

針對導板收放，可構(gòu)建導板收起和放下的HMM模型，其與開閉鎖具有相同形式的向量組。

2.3 意圖層HMM模型

針對橋吊司機裝卸操作過程，其操作意圖包括規(guī)范吊箱、規(guī)范卸箱、非規(guī)范吊箱、非規(guī)范卸箱。將得到的操作層HMM的三維識別結(jié)果串，按特定復合工況下的裝卸操作意圖進行劃分，并作為意圖層HMM模型的觀察序列，用以計算對于意圖層各個HMM模型的似然度。其觀察序列可以表述成如下向量組的形式:

式中，x(t)、y(t)、u(t)、v(t)分別為有關(guān)小車運行、吊具升降、開關(guān)鎖開閉和導板收放的操作層HMM的識別結(jié)果。

識別各個單一工況的橋吊司機操作行為，組成觀察序列串后，送入意圖層HMM模型集，計算各HMM模型的似然度，識別橋吊司機的操作意圖。

3 雙層HMM意圖辨識模型參數(shù)確定

3.1 操作層HMM（下層）模型

操作層HMM模型輸入的數(shù)據(jù)組包括小車運行拉桿檔位、小車運行拉桿速度、吊具升降拉桿檔位、吊具升降拉桿速度、開閉鎖的開閉狀態(tài)，導板的收放狀態(tài)等作為操作層HMM（下層）模型的觀察序列，分別用以識別小車正常加速運行、小車緊急加速運行、小車正常減速運行、小車緊急減速運行、吊具正常加速升降、吊具緊急加速升降、吊具正常減速升降、吊具緊急減速升降、開閉鎖開鎖、開閉鎖閉鎖、導板收起、導板放下等12種橋吊司機操作行為，以橋吊司機裝卸操作規(guī)律為依據(jù)，假設(shè)如下的狀態(tài)轉(zhuǎn)移矩陣，狀態(tài)轉(zhuǎn)移矩陣中的元素xij均表示從第i行對應(yīng)狀態(tài)轉(zhuǎn)換至第j列對應(yīng)狀態(tài)的概率，行代表t時刻的狀態(tài)，列代表t+1時刻的狀態(tài)。

小車運行拉桿的檔位共分為7檔，其中1至3檔用作前向加速，5至7檔用作后向加速，4檔用作制動。矩陣中，行代表at的狀態(tài)，從上至下依次為1至7檔的狀態(tài)，列代表at+1的狀態(tài)，從左至右依次為1至7檔的狀態(tài)。小車運行拉桿速度、吊具升降拉桿檔位和速度、開關(guān)鎖開閉及導板收放的狀態(tài)轉(zhuǎn)移矩陣形式同上。

3.2 意圖層HMM（上層）模型

將得到的操作層HMM的三維識別結(jié)果串按特定復合工況下裝卸操作意圖進行劃分，并作為意圖層HMM模型的觀察序列，用以識別包括規(guī)范吊箱、規(guī)范卸箱、非規(guī)范吊箱、非規(guī)范卸箱等的操作意圖。在混淆矩陣中，列代表裝卸操作過程中4種操作意圖，從左至右依次為規(guī)范吊箱、規(guī)范卸箱、非規(guī)范吊箱、非規(guī)范卸箱，矩陣中的元素yij表示第i行對應(yīng)的操作行為對應(yīng)第j列操作意圖的概率。矩陣中，行代表小車的操作行為，從上至下依次為小車正常加速、小車緊急加速、小車正常減速、小車緊急減速。吊具運行、開閉鎖開閉、導板收放的混淆矩陣形式同上。

4 案例分析

運用修改后的Forward-Backward算法，計算各個HMM模型的似然度，選取似然度最大的結(jié)果作為識別結(jié)果（表1）。表中小車拉桿檔位分為7檔，前3檔控制前向加速，后3檔控制后向加速，中間檔控制制動；速度分為2級，第1級為正常拉動，第2級為緊急拉動。吊具升降拉桿分為7檔，前3檔控制加速上升，后3檔控制加速下降，中間檔控制制動；速度分為2級，第1級為正常拉動，第2級為緊急拉動。開閉鎖狀態(tài)分為2個，第1個為開鎖，第2個為閉鎖；導板狀態(tài)分為2個，第1個為收板，第2個為放板；操作意圖分為4種，依次為規(guī)范吊箱、規(guī)范卸箱、非規(guī)范吊箱、非規(guī)范卸箱。參照實際港口裝卸操作規(guī)律，將小車拉桿、吊具拉桿、開閉鎖及導板狀態(tài)輸入構(gòu)建的雙層HMM模型進行識別（表1）。將橋吊司機操作意圖識別結(jié)果與實際操作意圖進行比對可知，該模型可準確識別岸邊集裝箱起重機司機的操作意圖。

表1 雙層HMM模型識別結(jié)果

5 結(jié)論

以橋吊駕駛員裝卸操作規(guī)律為依據(jù)，建立雙層HMM 模型結(jié)構(gòu)，對模型識別結(jié)果進行分析，結(jié)果表明，該模型可準確識別復雜工況下的橋吊司機操作意圖，可用于研究港口機械智能輔助駕駛系統(tǒng)，從而減少港口碼頭生產(chǎn)安全事故發(fā)生，并且有助于提高港口裝卸效率。

[1]馮頡. 面向汽車安全輔助系統(tǒng)的駕駛員意圖識別算法研究[D]. 成都:電子科技大學, 2013.

[2]Bi, L.Z., Yang, X.R., Wang C.E. Inferring Driver Intentions Using a Driver Model Based on Queuing[C]//2013 IEEE Intelligent Vehicles Symposium (IV). 2013:1387-1391.

[3]Wang Q.N., Tang X.Z., Sun L. Driving Intention Identification Method for Hybrid Vehicles Based on Fuzzy Logic[C]//Proceedings of the FISITA 2012 World Automotive Congress Lecture Notes in Electrical Engineering. 2013:287-298.

[4]施笑畏, 牛延華. 基于行為分析的橋吊司機操作規(guī)范研究[J]. 計算機光盤軟件與應(yīng)用, 2013(2):69-70.

[5]Jin M.J. A New Vehicle Safety Space Model Based on Driving Intention[C]// Third International Conference on Intelligent System Design and Engineering Applications. 2013:131-134.

[6]Zong C.F., Wang C., Yang D.J., et al. Driving intention identification and maneuvering behavior prediction of drivers on cornering[C]//Proceedings of the 2009 IEEE International Conference on Mechatronics and Automation. 2009:4055-4060.