熊曉夏，陳 龍，梁 軍，蔡英鳳，江浩斌，陳月霞

危險換道駕駛行為預測方法研究?

熊曉夏，陳 龍，梁 軍，蔡英鳳，江浩斌，陳月霞

(江蘇大學汽車與交通工程學院，鎮(zhèn)江 212013)

提出了兩種危險換道駕駛行為預測算法，分別為基于貝葉斯因子閾值法的隱馬爾可夫模型預測算法和基于運動時間窗特征提取法的支持向量機預測算法，它們所需的車輛運行特征變量均可在車聯(lián)網(wǎng)環(huán)境下獲得。通過基于Prescan-Simulink聯(lián)合仿真的駕駛員在環(huán)仿真，獲得危險和正常兩種換道場景下的車輛運動數(shù)據(jù)，進而對提出的兩種算法進行驗證和比較。結(jié)果表明，兩種預測算法對危險換道駕駛行為的預測均有較高的準確率，有助于對危險換道的駕駛員給予及時警告或輔助糾正，從而減少危險換道事故的發(fā)生。在樣本數(shù)據(jù)有限的條件下，SVM算法的預測效果更好。

換道預警；行為預測；隱馬爾可夫模型；支持向量機

Keywords:lane change warning；behavior prediction；HMM；SVM

前言

換道是駕駛過程中最常見同時也是危險程度較高的駕駛行為。根據(jù)美國高速公路安全管理局(NHTSA)研究數(shù)據(jù)表明，由于換道過程引發(fā)的交通事故在所有統(tǒng)計的交通事故中占比高達27%[1]。在對本車和周圍車輛運行狀態(tài)感知的基礎上，研究危險換道駕駛行為的預測方法，有助于實現(xiàn)輔助駕駛系統(tǒng)準確、及時地換道預警或干預。

現(xiàn)有的大量換道預警研究均是以基于車速和相對距離的碰撞時間(time to collision，TTC)[2-3]或基于車輛制動運動學分析的最小安全車距(minimum safe spacing，MSS)[4-5]作為預警參數(shù)，通過確定預警參數(shù)的閾值建立不同的預警策略。而實際上，危險換道從換道開始到發(fā)生危險沖突的整個過程很難用單一的預警參數(shù)進行描述，需要采用更復雜的算法和模型進行研究。為此，本文中選取了機器學習中生成模型和判別模型的典型代表隱馬爾可夫模型(hidden Markov model，HMM)和支持向量機(support vector machine，SVM)兩種模型算法，建立了基于兩種算法的危險換道駕駛行為預測模型。目前，HMM和SVM已在駕駛員意圖/行為(如直行、轉(zhuǎn)向、變換車道等)識別方面取得了良好的預測效果并廣泛應用于車輛輔助駕駛系統(tǒng)中[6-7]，但在換道駕駛行為危險性預測方面研究較少[8-9]。文獻[8]中基于換道后果將換道行為劃分為危險換道和正常換道，并通過觀測換道前1s車輛運動數(shù)據(jù)應用HMM對換道后果進行分類預測。文獻[9]中通過聚類分析將車輛換道對目標車道后車的影響劃分為危險、安全和舒適3個等級，并應用SVM對換道影響進行分類預測。然而以上研究均是對HMM和SVM進行初步探索應用，沒有對預測模型的具體構建方法(如模型判定的選擇和學習數(shù)據(jù)的構建等)進行深入研究，獲得的預測效果十分有限，且均未對兩種方法進行對比分析。

因此，本文中主要從如下幾方面展開研究:首先，對危險換道駕駛行為預測問題進行闡述分析；其次，具體分析機器學習中的生成模型算法HMM和判別模型算法SVM兩類模型算法，并針對危險換道駕駛問題提出基于兩種算法的預測模型；最后通過基于Prescan-Simulink聯(lián)合仿真的駕駛員在環(huán)仿真平臺獲取換道場景數(shù)據(jù)對提出的算法進行檢驗和比較。

1 問題描述

本文中主要通過研究模型算法來預測駕駛員換道行為是否為危險換道行為。定義的危險換道行為包括兩種情況:(1)最終導致碰撞事故；(2)未導致碰撞事故但駕駛員采取了緊急避讓措施(如猛打轉(zhuǎn)向盤或緊急制動)(這是因為采取緊急避讓措施雖然避免了碰撞事故的發(fā)生，但該駕駛行為本身危險性很高，極易引發(fā)人身安全事故，故應歸為危險換道行為的類別)。預測模型算法應同時滿足快速性和準確性兩方面的要求。

(1)快速性

快速性是指從車輛采取換道行為開始，能夠在盡可能短的時間區(qū)間內(nèi)對該換道駕駛行為做出危險性預測。為了在發(fā)生危險沖突前實現(xiàn)危險換道駕駛行為預警(換道預警系統(tǒng)的及時性需求)，選擇從車輛開始發(fā)生持續(xù)換道橫向位移時刻t0(定義為換道過程的起點[10])至車輛越過相鄰車道線(車身越線)時刻tw作為模型的預測區(qū)間，如圖1所示。

圖1 預測區(qū)間運動時間窗

(2)準確性

準確性是指在一定的時間區(qū)間內(nèi)做出的危險性預測的正確性能盡量滿足駕駛員安全駕駛的要求。本文中擬采用信號檢測理論(signal detection theory，SDT)框架[11]對預測模型的準確性進行評價，其中預測結(jié)果可按實際結(jié)果分為4類，如表1所示。對于危險換道駕駛預測問題，通常需考慮駕駛員對預測結(jié)果為FP(實際為正常換道但被預測為危險換道)的容忍限度，在實際應用中通常選為5%。因此，在模型訓練階段，需保證在預測結(jié)果FP比率低于5%的情況下，通過調(diào)整模型參數(shù)盡量使預測結(jié)果TP(正確地被預測為危險換道)比率達到最大值。

表1 預測結(jié)果劃分

2 預測模型

本文中危險換道駕駛行為預測是基于預測區(qū)間[t0，tw]內(nèi)車輛的實時運行數(shù)據(jù)(時間序列數(shù)據(jù))完成的。在運用HMM和SVM模型算法進行預測之前，首先需要獲取預測區(qū)間內(nèi)的觀測樣本(即訓練集)對預測模型進行訓練，且為實現(xiàn)預測模型對正常換道駕駛行為和危險換道駕駛行為的劃分，訓練集中的觀測樣本亦被劃分為危險駕駛樣本集和正常駕駛樣本集兩類。具體的觀測樣本獲取方法將在第3節(jié)詳細闡述。

2.1 基于HMM算法的危險換道駕駛行為預測模型

HMM作為機器學習中生成模型的代表之一，其思想為首先建立樣本的概率密度模型，然后再利用模型進行推理預測。HMM對觀測事件的概率建?；谌缦录僭O[12]:可觀測的事件由一系列有限的不可觀測的隱含狀態(tài)決定(輸出)并符合一般隨機過程，而隱含狀態(tài)之間的相互轉(zhuǎn)換過程符合馬爾可夫隨機過程，即雙重隨機過程假設?？紤]到車輛運行數(shù)據(jù)為連續(xù)型，而高斯混合模型GMM可以無限逼近任意連續(xù)型變量的分布，故采用GMM建立狀態(tài)輸出事件的隨機分布函數(shù)?；贕MM描述輸出的HMM 模型可表述為 λ ＝{Π，A，c，μ，U}， 其中關鍵概念和參數(shù)含義如下[12]。

(1)隱含狀態(tài)序列:即與一個觀測樣本觀測值序列相對應的不可觀測的隱含狀態(tài)序列Q＝q1，q2，…，qT，其中每一個隱含狀態(tài)qt來自于包含N個狀態(tài)的有限集合S，S＝{s1，s2，…，sN}。

(2)觀測樣本觀測值序列:即在預測區(qū)間[t0，tw]內(nèi)可直接觀測得到的一個觀測樣本的觀測值序列O ＝ o1，o2， …，oT， 其中每一個觀測值ot∈Rd是t時刻觀測得到的d維車輛運行特征向量(如車輛的運行速度和位置變量等)。

(3)狀態(tài)轉(zhuǎn)移概率:aij，i，j＝ {1，2，…，N}，代表了系統(tǒng)由狀態(tài)Si轉(zhuǎn)移至Sj的概率，不同狀態(tài)間的轉(zhuǎn)移概率即構成狀態(tài)轉(zhuǎn)移矩陣A。

(4)狀態(tài)輸出事件的隨機分布函數(shù):

式中:N(μjm，Ujm)為狀態(tài)j下輸出值的多維高斯密度函數(shù)，其中μjm為均值向量，Ujm為協(xié)方差矩陣；M為高斯混合數(shù)目；cjm為高斯混合系數(shù)(或權重)以確保(5)初始狀態(tài)分布:ΠT＝ [π1，π2，…，πN]，其中πi代表初始隱含狀態(tài)為Si的概率。

本文中采用EM(expectation-maximization)算法(在HMM模型學習中亦被稱為Baum-Welch算法)對HMM模型λ進行學習從而獲得λ參數(shù)的最大似然估計，具體算法形式可參見文獻[12]。由于EM算法只能保證獲得局部最優(yōu)解，因此參數(shù)的初始值選擇尤為重要。以往研究表明，Π和A的初始值選取對HMM模型訓練最后的收斂結(jié)果影響較小，因此可在滿足馬爾可夫鏈的條件下采用隨機或均勻取值對其初始化；而c，μ和U的初始值選取對最后結(jié)果影響較大，需要采用更為復雜的初始化方法[6]。故本文中采用K-means聚類算法按照狀態(tài)數(shù)N和高斯混合數(shù)M將觀測樣本序列自動聚為N×M類并得到c，μ和U的初始值。若記狀態(tài)n內(nèi)的第m個高斯元所代表的類為lnm，則可根據(jù)觀測樣本{oi}，i＝1，2，…，nsample(共nsample個觀測向量數(shù))計算c，μ和U的初始值:

式中:x為觀測向量；l為某一聚類類別。

在分別學習并獲得正常駕駛HMM模型λ0和危險駕駛HMM模型λ1基礎上，給定任意一組新的觀測值序列z，則可通過forward算法[12]分別計算正常駕駛下和危險駕駛下觀測值的似然值P(z｜λ0)和P(z｜λ1)。為了提高模型的預測精度，采用貝葉斯模型選擇方法計算比較兩個模型的貝葉斯因子[13]，并對其進行閾值分析獲得最后的駕駛行為分類。根據(jù)貝葉斯定理，已知觀測值的模型后驗概率P(λi｜z)滿足:

則兩個模型的貝葉斯因子BF滿足:

由于對該駕駛員是否會危險駕駛不具備先驗知識，故先驗概率 P(λ1)＝P(λ0)＝ 0.5，故式(6)可化簡為

因此，可為貝葉斯因子BF設置閾值eτH(考慮通常使用log-likelihood計算BF值，故在閾值中加入指數(shù)項e方便計算)，當BF ＞eτH時，判定該觀測值為危險駕駛行為。閾值eτH的選擇可以反映HMM預測模型的保守性，即eτH越大，判別結(jié)果為危險駕駛的可能性越低，該預測模型表現(xiàn)則越保守(FP的可能性降低)。

綜上，基于HMM的預測流程如圖2所示，其中虛線所示部分為模型訓練階段，實線所示部分為模型預測階段。

圖2 基于HMM的駕駛員換道行為系統(tǒng)預測流程圖

2.2 基于SVM算法的危險換道駕駛行為預測模型

SVM為機器學習中判別模型的代表之一，其不考慮樣本的產(chǎn)生模型，而是直接建立判別函數(shù)作為預測模型。不同于HMM本身即為時間序列數(shù)據(jù)模型，SVM對輸入值為時間序列的數(shù)據(jù)進行分類時首先需要對原始數(shù)據(jù)進行數(shù)據(jù)降維。假設xi∈Rd為預測區(qū)間[t0，tw]內(nèi)通過數(shù)據(jù)降維(特征提取)得到的一組d維車輛運行特征向量，若給定N組帶標記的訓練數(shù)據(jù){xi，yi}，i＝ 1，2，…，N，則可通過學習訓練直接建立如下判別函數(shù)D(z)[14]來判定新的觀測向量z所屬的類別:

式中:與每組特征向量xi相對應的危險駕駛行為判別值由yi∈{+1，-1}表示，其中 +1代表危險駕駛類別，-1代表正常駕駛類別；K(xi，xj)指核函數(shù)，即將原始向量xi和xj投影至特征空間后作內(nèi)積；B為偏差因子項；α為系數(shù)向量。α的取值需滿足約束要求并同時使如下表達式W(α)達到最大值[14]，即

由此可得，基于SVM的預測模型精度主要受核函數(shù)K(xi，xj)的選擇和特征向量x的提取兩方面影響。因此，在實際模型訓練階段需選取不同的核函數(shù)和特征變量組合進行試驗，并選定具有最優(yōu)預測效果的核函數(shù)和特征變量組合進行危險換道駕駛行為預測。

為有效反映原始數(shù)據(jù)中的時間依賴性信息進而提高模型的預測精度，本文中建立了基于運動時間窗的換道駕駛行為特征提取方法，如圖1所示。首先將預測區(qū)間[t0，tw]按時間窗長度Step和運動間隔Interv劃分為不同的運動時間窗 SW1，SW2，…，SWk，…，SWK，然后對每個運動時間窗內(nèi)的時間序列數(shù)據(jù)進行特征提取(如提取SWk內(nèi)車輛運行速度的均值和方差等作為該運動時間窗的特征向量xk)得到K個d維車輛運行特征向量 x{1，x2，…，xk，…，xK}，最后采用權重系數(shù)法獲取整個預測區(qū)間的車輛運行特征向量其中wk為運動時間窗 SWk的權重。

考慮到靠近預測節(jié)點tw的時間窗與之前的時間窗相比應賦予更大的權重(最新的運動狀態(tài)數(shù)據(jù)較之前數(shù)據(jù)更接近危險發(fā)生狀態(tài)故更能反映駕駛行為的危險性)，故采用基于時間距離的指數(shù)型折減系數(shù)函數(shù)dk來計算各個時間窗的權重wk:

式中 C∈[0，1)為折減系數(shù)常數(shù)，且 d1＝(1-C)K-1≤1，dK＝1，故dk的含義為距離時間窗 SWK越遠(k→1)，則該時間窗內(nèi)特征值被折減的值越大，其在所有時間窗內(nèi)所占權重wk越小。注意，當C＝0時等同于每個時間窗的權重相等(即特征值均無折減的情況)。

綜上，基于SVM的預測流程如圖3所示。

圖3 基于SVM的駕駛員換道行為系統(tǒng)預測流程圖

3 仿真檢驗

3.1 數(shù)據(jù)來源

由于交通事故為小概率事件，故在實際工程中較難獲取滿足研究需要的大量真實事故數(shù)據(jù)，特別是針對某一類事故場景的數(shù)據(jù)(如本文中換道駕駛場景事故數(shù)據(jù))。因此，許多學者通過仿真不同的危險場景進行交通事故相關研究[15-18]，仿真中危險場景的形成可以是由于人的因素(如超速駕駛和分心駕駛[15])、環(huán)境的因素(如交通流量的變化和道路幾何線形的變化[16])或是突發(fā)事件(如突然闖入道路的行人[17]或突然駛?cè)虢徊媛房诘能囕v[18])等。相似地，本文中通過設計危險換道和正常換道仿真場景，利用基于Prescan-Simulink聯(lián)合仿真和羅技駕駛模擬器的駕駛員在環(huán)半實物仿真平臺，獲取了危險場景和正常場景的車輛運動數(shù)據(jù)對前文提出的算法進行校驗。仿真過程中，Prescan軟件平臺主要負責構建仿真基本場景(如道路設施、交通設施和天氣情況等)，Simulink主要提供仿真交通控制模塊(如周圍車輛的運行狀態(tài))，而駕駛員則需通過駕駛模擬器控制本車(研究車輛)在Prescan-Simulink聯(lián)合構建的仿真交通場景中完成換道駕駛?cè)蝿铡?/p>

本文中設計的危險和正常換道場景發(fā)生在典型的超車場景，即在天氣狀況良好的雙車道高速公路直線段上，研究車輛在外車道由后方逐漸駛近前車車輛1，并試圖換道至內(nèi)車道進行超車(此時超車道上有車輛2正在前方行駛)，如圖4所示。若此時超車道上前車車輛2突然減速(可能由于某種突發(fā)事件，如路面突然出現(xiàn)障礙物等)，則出現(xiàn)危險換道場景；若超車道上前車車輛2繼續(xù)保持之前正常運行狀態(tài)，則為正常換道場景。因此，本文中仿真試驗主要研究在換道過程中本車(研究車輛)與超車道上前方車輛2之間的危險沖突。

圖4 仿真場景示意圖

仿真試驗共選取20名1年以上駕齡的駕駛員(10名男性和10名女性，年齡22～25歲)，其中每名駕駛員被要求完成20次不同場景的換道試驗。在仿真過程中，駕駛員的反應行為不受任何限制，即駕駛員可在任一時刻根據(jù)對不同場景的主觀判斷作出不同反應，如制動或避讓行為。為了使仿真過程中駕駛員的行為反應更接近于真實狀態(tài)(避免由于多次相同試驗而形成機械式駕駛行為)，仿真試驗按研究車輛與車輛1初始相對碰撞時間T的不同劃分為不同場景(如表2所示)并隨機安排給駕駛員，同時隨機分配危險換道場景(車輛2突然減速)和正常換道場景(車輛2正常行駛)(兩種場景各占50%)。其中初始相對碰撞時間T的定義為:研究車輛在指定點達到指令規(guī)定的初始速度后(相應地將此指定點定義為仿真場景中研究車輛的初始位置，與其對應的時間節(jié)點定義為仿真場景的初始時刻)，若繼續(xù)保持勻速向前行駛(不采取任何加減速行為)，則其與前車車輛1發(fā)生碰撞所需的行駛時間為初始相對碰撞時間T。表2所示不同仿真試驗的關鍵參數(shù)T，D01和 D21應滿足:

式中:V0，V1和V2分別為仿真試驗中研究車輛的初始速度，車輛1的運行速度和車輛2的運行速度；D01為研究車輛至車輛1的初始距離，取值大小由試驗隨機指定(為實現(xiàn)不同仿真場景)；t為由初始時刻至駕駛員準備換道的時長；C21為駕駛員準備換道時車輛2相對于車輛1的縱向距離(同時假設危險換道場景中車輛2在該位置突然開始減速)；C01為此時研究車輛相對于車輛1的縱向距離(假設研究車輛在換道前按初始速度勻速行駛)；D21為車輛2至車輛1的初始距離。由于C21的值將直接影響危險場景能否有效實現(xiàn)，而C01的值隨不同駕駛員行為習慣的不同(如換道時機選擇的不同)將有所變化，因此，本文中進行了不同仿真場景的預試驗來確定該兩個場景參數(shù)的設計值(以盡可能自然地實現(xiàn)危險換道和正常換道場景)，從而獲得參數(shù)D21的設計值，如表2所示。

表2 仿真試驗關鍵參數(shù)

以上設計的車輛1和2的運行軌跡和運行速度等參數(shù)均可在Prescan-Simulink聯(lián)合仿真平臺中設定，從而為駕駛仿真試驗提供不同的仿真場景。

仿真試驗過程采集了駕駛員駕駛車輛(研究車輛)和超車道前方車輛2的運行特征時間序列數(shù)據(jù)(采樣頻率為10Hz或0.1s)，具體變量包括車輛質(zhì)心位置、橫擺角速度、航向角、縱/橫向速度、縱/橫向加速度。仿真試驗最終獲得符合要求的危險場景樣本數(shù)據(jù)198組，正常場景樣本數(shù)據(jù)200組，其中75%的數(shù)據(jù)作為模型訓練樣本，剩余25%的數(shù)據(jù)作為模型測試樣本。利用 Matlab工具箱[19-20]分別對基于HMM和SVM的預測模型進行訓練。

3.2 基于HMM的預測模型結(jié)果

通過選取不同的特征變量組合進行試驗，最終選取運行特征向量o＝{兩車橫向、縱向速度差，兩車橫向、縱向加速度差，兩車運行方向夾角，兩車質(zhì)心距離}進行模型訓練和預測，其中各變量數(shù)據(jù)均經(jīng)過歸一化處理以消除不同數(shù)據(jù)的量綱影響。由2.1節(jié)可得，HMM預測模型關鍵參數(shù)包括:(1)狀態(tài)數(shù)N(正常N0，危險N1)；(2)高斯混合數(shù)M(正常M0，危險M1)；(3)閾值常數(shù)τH?？紤]到過高的N和M值將增大模型的復雜程度且容易造成過擬合問題，因此模型僅考慮N和M在2～15范圍內(nèi)取值。采用十折交叉驗證法對模型進行訓練(基于訓練樣本)，在保證預測結(jié)果FP值低于5%的情況下，利用網(wǎng)格搜索法獲得使TP比率值(%)最大的前10個參數(shù)取值，組合如表3所示。

表3 HMM預測模型5%FP下最優(yōu)TP值參數(shù)組合

由表3可見，總體上危險換道駕駛的隱含狀態(tài)數(shù)N和高斯混合數(shù)M均比正常換道駕駛多，說明相對于正常換道駕駛而言，危險換道駕駛車輛運行數(shù)據(jù)間差異性更大(更多狀態(tài)劃分)且分布特性更復雜(每個狀態(tài)下更多高斯混合)。該結(jié)果較符合人們的一般期望，即危險換道行為的生成機理比正常換道行為具有更多的不確定性和復雜性。另外，試驗顯示τH＝0時(即選取貝葉斯因子BF＞1作為模型λ判別依據(jù))預測TP值僅為78.3%，表明提出的貝葉斯因子閾值法有利于提高HMM的預測精度。

最后，選取表3中最優(yōu)參數(shù)組合1對測試樣本進行預測，預測結(jié)果的TP和FP值分別為81.5%和4.5%，基本滿足危險換道預警的要求。

3.3 基于SVM的預測模型結(jié)果

通過選取不同的核函數(shù)和特征變量組合進行試驗，最終選定徑向核函數(shù)為預測危險換道駕駛問題的最優(yōu)核函數(shù)，選取時間窗特征向量xk＝{兩車橫向、縱向速度差平均值，兩車橫向、縱向速度差方差，兩車質(zhì)心距離平均值，兩車質(zhì)心距離方差}進行模型訓練和預測。由2.2節(jié)可得，SVM預測模型關鍵參數(shù)包括:(1)運動時間窗長度Step(S)；(2)運動時間窗間隔Interv(I)；(3)權重折減系數(shù)常數(shù)C。采用十折交叉驗證法對模型進行訓練(基于訓練樣本)，在保證預測結(jié)果FP值低于5%的情況下，利用網(wǎng)格搜索法獲得使TP比率值(%)最大的前10個參數(shù)取值組合，如表4所示。

表4 SVM預測模型5%FP下最優(yōu)TP值參數(shù)組合

由表4可見，當運動時間窗時長和運動間隔時間同時增大時，為了達到較好的預測效果(較高的TP值)，權重折減系數(shù)總體上趨向于0。該結(jié)果表明，當每個窗體的長度增加且窗體間不重合的區(qū)間增大時，即預測區(qū)間內(nèi)劃分的窗體個數(shù)K減少時，縮小窗體之間對預測貢獻比例的差別(由2.2節(jié)可知C＝0代表每個時間窗的權重相等)將有利于獲得較高的預測準確率。同時，本文中亦對未劃分時間窗的情況(即Step＝[t0，tw])進行了對比試驗，結(jié)果顯示其預測TP值僅為86.3%，表明提出的基于運動時間窗的特征提取方法有利于提高SVM的預測精度。

最后，選取表4中最優(yōu)參數(shù)組合1對測試樣本進行預測，預測結(jié)果的TP和FP值分別為88.7%和4.0%，基本滿足危險換道預警的要求。

3.4 預測模型預測性能比較分析

以上結(jié)果表明，根據(jù)目前有限的仿真試驗樣本數(shù)據(jù)，本文中建立的HMM和SVM模型的泛化能力均較強，且在5%FP條件下均已達到了80%以上的TP準確率，可以基本滿足危險換道預警的要求。由于仿真試驗獲得的數(shù)據(jù)難以完全真實地反映駕駛員的實際操作行為特征進而可能影響模型分類預測的效果[9]，因此從工程應用方面考慮，未來仍需獲取更多真實的危險場景換道駕駛數(shù)據(jù)(如自然駕駛數(shù)據(jù))對HMM和SVM模型進行訓練并進一步提高模型的預測準確率。

另外，兩個模型相比較而言，在目前仿真試驗樣本條件下HMM的預測效果不如SVM。其中的原因可能是HMM需要基于兩類樣本數(shù)據(jù)利用最大似然法分別擬合兩個生成模型，而最大似然估計對樣本數(shù)據(jù)中可能包含的少量離群數(shù)據(jù)魯棒性不強[13]；相反，SVM只需尋找兩類樣本數(shù)據(jù)的分類邊界或分類超平面，故對樣本數(shù)據(jù)的要求較HMM要低，更適合在目前危險換道場景樣本數(shù)據(jù)有限的情況下使用。未來在獲得更多危險場景換道駕駛數(shù)據(jù)的條件下兩者相對預測性能的變化將值得進一步研究。

4 結(jié)論

本文中針對危險換道駕駛問題提出了基于貝葉斯因子閾值法的HMM和基于運動時間窗特征提取法的SVM兩種預測算法，并通過駕駛員在環(huán)半實物仿真平臺采集的不同換道場景數(shù)據(jù)對預測算法進行了測試。結(jié)果表明，依據(jù)現(xiàn)有的仿真試驗樣本數(shù)據(jù)，通過選取合適的特征量和模型參數(shù)，兩種預測算法的TP預測率均能在FP低于5%的條件下達到80%以上，基本符合換道預警的要求。未來可通過獲取更多實際的危險換道駕駛數(shù)據(jù)對預測模型進行優(yōu)化，并考察模型的在線實時預測效果，將其應用到安全輔助駕駛系統(tǒng)中。

[1] National Highway Traffic Safety Administration.National motor vehicle crash causation survey:report to congress[R].National Highw Trafc Saf Adm，2008.

[2] JULA H，KOSMATOPOULOS E，IOANNOU P.Collision avoidance analysis for lane changing and merging[J].IEEE Transactions on Vehicular Technology，2000，49(6):2295-2308.

[3] 張瓊.基于駕駛?cè)烁兄匦缘膿Q道預警閾值研究[D].西安:長安大學，2013.

[4] DASS， SUN X， WANG F， et al.Estimating likelihood of future crashes for crash-prone drivers[J].Journal of Traffic and Transportation Engineering(English Edition)，2015，2(3):145-157.

[5] 王暢，付銳，張瓊，等.換道預警系統(tǒng)中參數(shù)TTC特性研究[J].中國公路學報，2015，28(8):91-107.

[6] 呂岸，胡振程，陳慧.基于高斯混合隱馬爾科夫模型的高速公路超車行為辨識與分析[J].汽車工程，2010，32(7):630-634.

[7] 宗長富，王暢，何磊，等.基于雙層隱式馬爾科夫模型的駕駛意圖辨識[J].汽車工程，2011，33(8):701-706.

[8] 倪捷，劉志強，涂孝軍，等.面向駕駛輔助系統(tǒng)的換道安全性預測模型研究[J].交通運輸系統(tǒng)工程與信息，2016，16(4):95-100.

[9] LIU P， KURT A，REDMILL K，et al.Classification of highway lane change behavior to detect dangerous cut-in maneuvers[C].TRB 95th Annual Meeting Compendium of Papers，2016.

[10] SALVUCCI D.Inferring driver intent:a case study in lane-change detection[J]Proc.Human Factors Ergonomics Society，2004:2228-2231.

[11] MCNICOL D.A primer of signal detection theory[M].Hillsdale，NJ， Lawrence Erlbaum，2004.

[12] RABINERL R，JUANG B H.An introduction to hidden Markov models[J].IEEE ASSP Magazine，1986，3(1):4-16.

[13] BISHOP C M.Pattern recognition and machine learning[M].New Jersey:Springer-Verlag New York， Inc.，2006.

[14] CORTESC，VAPNIK V.Support vector networks[J].Machine Learning，1995，20:273-295.

[15] PORTOULI E， PAPAKOSTOPOULOS V， NATHANAEL D.Combined effect on accident risk of a dual task and higher driving speed:a simulator study[J].EPCE/hCII，2013:36-42.

[16] BELLA F， D′AGOSTINI G.Combined effect of traffic and geometrics on rear-end collision risk:driving simulator study[J].Trans.Res.Rec.:J.of the Trans.Res.Board，2010，2165:96-103.

[17] JURECKI R S， Stańczyk T L.Driver reaction time to lateral entering pedestrian in a simulated crash traffic situation[J].Tran.Res.Part F:Traffic Psychology ＆ Behaviour，2014，27:22-36.

[18] STANCZYK T L，LOZIA，Z，PIENIAZEK W，et al.Research studies on drivers’reactions for incoming vehicle from right-hand side[C].In Proc.of the 19th Annual Congress EVU，Praque(Czech Republic)，2010:41-53.

[19] MURPHY K.Hidden Markov model(HMM)toolbox for Matlab[EB/OL].http://www.cs.ubc.ca/～murphyk/Software/HMM/hmm.html.

[20] CHANG C，LIN C.A library for support vector machines(LIBSVM)[EB/OL].http://www.csie.ntu.edu.tw/～cjlin/libsvm/.

A Study on the Driving Behavior Prediction of Dangerous Lane Change

Xiong Xiaoxia，Chen Long，Liang Jun，Cai Yingfeng，Jiang Haobin＆ Chen Yuexia
School of Automotive and Traffic Engineering， Jiangsu University， Zhenjiang 212013

Two prediction algorithms for dangerous lane change driving behavior，i.e.prediction algorithm based on hidden Markov model(HMM)with Bayes factor threshold and that based on support vector machine(SVM)with moving time window feature extraction，are proposed.All the vehicle moving feature variables both algorithms need can be easily obtained in connected vehicle environment.By driver-in-the-loop simulation based on Prescan-Simulink co-simulation，the vehicle motion data in both dangerous and normal lane change scenarios are obtained，and then two proposed algorithms are verified and compared.The results show that both prediction algorithms can achieve high accuracy rate in predicting dangerous lane change behavior，conductive to giving timely warning or auxiliary correction to driver making dangerous lane change，and hence reducing the occurrence of lane change accidents.Under the condition of limited sample data，using SVM algorithm can get better prediction results.

10.19562/j.chinasae.qcgc.2017.09.010

?國家自然科學基金(U1564201，51108209，50875112和70972048)和江蘇省普通高校研究生科研創(chuàng)新計劃項目(KYLX160905)資助。

原稿收到日期為2016年9月23日，修改稿收到日期為2017年1月8日。

陳龍，教授，博士，E-mail:chenlong＠ ujs.edu.cn。