蔡英鳳，邰康盛，王 海，李祎承，陳 龍

(1.江蘇大學(xué)汽車工程研究院，鎮(zhèn)江 212013； 2.江蘇大學(xué)汽車與交通工程學(xué)院，鎮(zhèn)江 212013)

前言

智能化是國際汽車產(chǎn)業(yè)的主要發(fā)展方向，對于提升交通運(yùn)輸系統(tǒng)的高效性、安全性、節(jié)能性等具有重要作用[1]。 智能車輛利用自車傳感器或者車車協(xié)同、車路協(xié)同等完成行駛環(huán)境的感知識別。 其中，周邊車輛目標(biāo)的駕駛行為識別是環(huán)境感知的重要內(nèi)容，屬于高層次環(huán)境感知的范疇。 在智能車輛動態(tài)運(yùn)行過程中，對周圍車輛行為的可靠估計(jì)可幫助智能車輛制定合理高效的規(guī)劃軌跡和決策控制，從而確保駕駛安全而不會失去太多舒適感或過于保守[2]。 由于真實(shí)交通環(huán)境復(fù)雜多變，以及交通主體行為具有隨機(jī)性和不可預(yù)測性的特點(diǎn)，對周圍車輛行為的識別仍然是構(gòu)建無人駕駛系統(tǒng)的難點(diǎn)。例如，每個交通環(huán)境參與者的最終目標(biāo)、駕駛風(fēng)格以及駕駛狀態(tài)存在較大差異，即使在相同的駕駛環(huán)境下決策選擇也有可能不同，從而導(dǎo)致車輛行為在較長時間范圍內(nèi)難以推測。 盡管存在這些難點(diǎn)，但仍然有下列條件使它成為一個能夠解決的實(shí)際問題:

(1)同一種典型的周邊車輛行為，其行駛軌跡具有一定的相似性；

(2)結(jié)構(gòu)化道路有明確的車道結(jié)構(gòu)和運(yùn)動方向，車輛行為可通過一些可觀測的歷史數(shù)據(jù)去推測。

在車輛行為分析的研究方面，學(xué)者們不斷進(jìn)行探索研究，常見的方法可分為兩種:基于邏輯規(guī)則的算法和基于機(jī)器學(xué)習(xí)的算法。 基于邏輯規(guī)則的算法可通過相對簡單的專家規(guī)則推斷車輛將來可能發(fā)生的行為，如間隙選擇換道預(yù)測模型[3]和個性化換道最小安全距離模型，這類方法對車輛行為的推斷具有較強(qiáng)的解釋性，但對數(shù)據(jù)的穩(wěn)定性和完整性有較高的要求，泛化效果較差，難以在實(shí)際路況中得到有效運(yùn)用。 目前主流的車輛行為識別方法是基于機(jī)器學(xué)習(xí)的方法，如貝葉斯網(wǎng)絡(luò)(BN)、支持向量機(jī)(SVM)、隱馬爾科夫模型(HMM)等。 黨彤[4]基于節(jié)點(diǎn)序優(yōu)化建立了多特征貝葉斯行為分類模型，計(jì)算不同車輛行為的概率，但該方法需在周邊車輛的完整行為過程結(jié)束后才能進(jìn)行識別，無法滿足智能車輛動態(tài)行駛過程中的軌跡規(guī)劃與決策控制需求。 祝儷菱等[5]提出了一種基于SVM 的車輛行駛狀態(tài)識別方法，通過將低維空間線性不可分的樣本映射至高維空間，在二分類問題上有顯著的優(yōu)勢，能很好地反映樣本的類間差異性，但該類方法忽略了時間序列的漸近性特征，無法反映車輛行為序列的連貫性屬性。 隱馬爾科夫模型，由于具備強(qiáng)大的時序建模能力，能很好地貼合車輛行為特征，受到學(xué)術(shù)界的廣泛關(guān)注，如李建平等[6]為不同車輛行為整體構(gòu)建HMM 模型來學(xué)習(xí)車輛的連續(xù)特征， Geng 等[7]分別為每個駕駛行為建立HMM 模型進(jìn)行分類，還有其他學(xué)者對模型進(jìn)行了改進(jìn)，有 HHMM[8]、HMMSVM[9]、GM-HMM[10]、GA-HMM[11]、HMM-BN[12]等模型，進(jìn)一步提高了識別精度，但現(xiàn)有基于隱馬爾科夫模型的車輛行為識別方法大多假設(shè)車輛未來的狀態(tài)獨(dú)立于一切過去的狀態(tài)，且狀態(tài)變化的概率是固定的，完全忽略了上下文特征信息之間的關(guān)聯(lián)性，在車輛行為分析方面面臨瓶頸。 同時，針對實(shí)際交通場景下的周邊車輛行為識別，基于機(jī)器學(xué)習(xí)的方法常常將車輛作為單一個體開展研究，忽略了目標(biāo)車輛處于交通網(wǎng)絡(luò)中的社交信息，即鄰域車輛群體之間的交互影響。

隨著深度學(xué)習(xí)的發(fā)展，眾多具有優(yōu)異表現(xiàn)的深度神經(jīng)網(wǎng)絡(luò)架構(gòu)(DNN)，例如遞歸神經(jīng)網(wǎng)絡(luò)架構(gòu)(RNN)，被廣泛用于時間序列數(shù)據(jù)分析領(lǐng)域。 RNN將時序的概念引入到網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)中，隱藏層之間的互連結(jié)構(gòu)反映出時間序列之間的相互影響關(guān)系，對于解決具有鄰域社交信息的序列分析具有重要研究價值。 然而RNN 存在著梯度消失、梯度爆炸和長期記憶能力不足等問題，對較長時間跨度的車輛行為序列誤檢率較高。 長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)模型是RNN 的一種變體，它通過在網(wǎng)絡(luò)中加入細(xì)胞結(jié)構(gòu)，在語音識別、機(jī)器翻譯、風(fēng)電預(yù)測等[13-15]領(lǐng)域取得一系列重大突破，有學(xué)者開始考慮將此模型應(yīng)用到車輛和行人的行為分析上。 季學(xué)武等[16]利用LSTM 模型構(gòu)建車輛意圖識別模塊，Alahi 等[17]還將LSTM 網(wǎng)絡(luò)應(yīng)用到行人意圖理解的問題上。 LSTM模型不再停留在簡單的車輛特征序列的匹配上，而是進(jìn)一步深入到車輛行為語義理解的層次，能夠抓住長遠(yuǎn)的上下文信息，具有出色的非線性擬合能力和抽象挖掘能力。 但是，現(xiàn)有車輛行為LSTM 識別算法中通常是將最后時步的隱含層狀態(tài)值或各時步的隱含層狀態(tài)值的平均值作為車輛行為分類的高級表達(dá)依據(jù)，缺乏每個時刻特征對識別結(jié)果貢獻(xiàn)程度差異性的考慮，從而導(dǎo)致部分信息在隱層單元數(shù)據(jù)的傳遞過程中丟失，這使得在復(fù)雜交通環(huán)境中，周邊車輛行為識別算法的識別精度無法達(dá)到理想要求。

針對上述現(xiàn)有車輛行為方法識別精度不高、未考慮目標(biāo)車輛的鄰域交通場景信息的問題，本文中提出了一種引入周邊目標(biāo)車輛社交特征的注意力長短時記憶網(wǎng)絡(luò)模型(SLSTMAT)的無人駕駛周邊車輛行為識別算法，以提高無人駕駛對周邊車輛行為的識別精度和實(shí)時性。 其中，模型輸入特征中包括交通場景中目標(biāo)車輛、道路及鄰域車輛的信息，來模擬交通場景對目標(biāo)車輛決策的影響，并對社交特征進(jìn)行卷積操作處理(CNN)，降低該部分信息的數(shù)據(jù)維度并提取有效信息，以提高識別算法的實(shí)時性。算法模型采用正反雙向結(jié)構(gòu)LSTM 網(wǎng)絡(luò)為主體框架，并在LSTM 網(wǎng)絡(luò)中引入注意力機(jī)制對各時步下LSTM 單元輸出進(jìn)行加權(quán)，以此作為最終行為推測的依據(jù)，從而增強(qiáng)各時步下特征的有效性和避免網(wǎng)絡(luò)特征信息損失。

本文中主要貢獻(xiàn):(1)將車輛行為識別問題轉(zhuǎn)化為深度學(xué)習(xí)中的序列學(xué)習(xí)與分類問題，利用交通場景的低級時序信息表征周邊目標(biāo)車輛行為的高級語義信息；(2)在無人駕駛周邊車輛行為算法中考慮了目標(biāo)車輛的鄰域交通信息，實(shí)現(xiàn)交通主體之間的相互關(guān)聯(lián)，并將目標(biāo)車輛的社交特征輸入到卷積神經(jīng)網(wǎng)絡(luò)提取出有效信息；(3)搭建了以LSTM 網(wǎng)絡(luò)為主體的識別算法模型，引入注意力機(jī)制，提高算法的識別精度；(4)將實(shí)車采集和HighD Dataset 的車輛自然軌跡數(shù)據(jù)進(jìn)行預(yù)處理生成訓(xùn)練和測試樣本集，對所提出的無人駕駛周邊車輛識別算法進(jìn)行驗(yàn)證。

1 模型理論基礎(chǔ)

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型采用局部連接和權(quán)重共享的方式，對原始數(shù)據(jù)進(jìn)行更高層次和更抽象的處理，能夠有效自動提取數(shù)據(jù)中的內(nèi)部特征。 其內(nèi)部神經(jīng)網(wǎng)絡(luò)層主要由卷積層、池化層和全連接層等組成，CNN 結(jié)構(gòu)如圖1 所示。 此結(jié)構(gòu)減少了權(quán)重的數(shù)量，降低了網(wǎng)絡(luò)模型的復(fù)雜度。 模型通過使用卷積層和池化層獲取有效信息，自動提取數(shù)據(jù)中的特征向量，有效降低了特征提取和數(shù)據(jù)重構(gòu)的復(fù)雜度，提高了數(shù)據(jù)特征質(zhì)量，針對鄰域車輛信息帶來的數(shù)據(jù)維度擴(kuò)展，CNN 可為提取出目標(biāo)車輛社交特征中較為重要的特征和保證算法實(shí)時性打下基礎(chǔ)。

1.2 長短時記憶網(wǎng)絡(luò)

圖1 CNN 結(jié)構(gòu)圖

LSTM 的經(jīng)典結(jié)構(gòu)是由 Hochreiter 和 Schmidhuber 于 1997 年提出，每個 LSTM 由 1 個單元和 3 個門組成，包括記憶單元、輸入門、遺忘門和輸出門，LSTM 單元結(jié)構(gòu)如圖2 所示。

圖2 LSTM 單元結(jié)構(gòu)

圖中t為時間步長(t∈[1，n]，n為時間步長的總數(shù))，t時刻下記憶單元ct通過自我重復(fù)連接記憶前一時步的單元狀態(tài)，it輸入門控制輸入、激活流入內(nèi)部單元狀態(tài)，輸出門ot控制輸出、激活流入LSTM 單元輸出，遺忘門ft縮放記憶單元狀態(tài)，使LSTM 能夠自適應(yīng)地忘記或重置記憶單元的存儲值。 因此，LSTM 自然能夠?qū)W習(xí)輸入序列的長期和短期依賴性，使LSTM 適用于解決高度動態(tài)的周車行為識別任務(wù)。 設(shè)LSTM 網(wǎng)絡(luò)的輸入量為

變量之間的關(guān)系可描述為

式中:gt為t時刻輸入到記憶單元前的備選狀態(tài)；Wxi、Wxf、Wci、Wcf、Wxc、Whc、Wxo、Who、Wco為網(wǎng)絡(luò)各部分之間的連接權(quán)值矩陣；bi、bf、bc、bo為偏置量；ht-1為t-1 時刻的隱藏層狀態(tài)；σ為 sigmoid 函數(shù)；tanh為雙曲正切激活函數(shù)。

1.3 注意力機(jī)制

注意力機(jī)制(Attention)是一種模擬人腦注意力的模型，借鑒了人腦在某個特定時刻對事物的注意力會集中到特定的地方，而減少甚至是忽略對其他部分的注意力。 針對序列分析問題時，Attention 通過對序列特征賦予不同的權(quán)重，通過概率分配的方式讓模型在訓(xùn)練過程中知道數(shù)據(jù)中哪一部分信息是重要的，從而使模型高度關(guān)注這些信息，提高模型的準(zhǔn)確率，而且不會增加計(jì)算和存儲成本。 因此將Attention 機(jī)制引入LSTM 模型中，有效突出影響周邊車輛行為的因素，從而改善識別效果，Attention 結(jié)構(gòu)如圖3 所示。 圖中，xt(t∈[1，n]) 表示 LSTM 網(wǎng)絡(luò)的輸入，ht(t∈[1，n]) 對應(yīng)于每一個輸入通過 LSTM 得到的隱藏層輸出，αt(t∈[1，n]) 為 Attention 機(jī)制對LSTM 隱藏層輸出的注意力概率分布值，y為引入Attention 機(jī)制的LSTM 網(wǎng)絡(luò)輸出。

圖3 Attention 機(jī)制結(jié)構(gòu)

2 周邊車輛行為識別算法

2.1 車輛社交特征

無論是自動駕駛系統(tǒng)還是人類駕駛員，車輛行為的生成機(jī)制都是從意圖需求和預(yù)期收益開始，這就會受到周圍其他車輛的交互影響。 顯然，需要額外的信息來減少未來的不確定性。 針對識別問題，為了讓模型更好地理解這種交互作用，最終得出的行為識別概率分布將取決于目標(biāo)車輛的軌跡歷史和周圍車輛在每一時刻的行駛軌跡。 因此，算法的特征數(shù)據(jù)包括被識別車輛本身及其環(huán)境的信息，車輛社交特征集合可表示為

對于目前的智能車而言，能夠獲得周圍交通車信息的方式有兩種:車載傳感器和車聯(lián)網(wǎng)。 車聯(lián)網(wǎng)技術(shù)可以為行為識別帶來非常有價值的先驗(yàn)信息，比如把駕駛員意圖或駕駛系統(tǒng)決策結(jié)果甚至是未來的行駛軌跡直接發(fā)送給其他車輛。 目前交通環(huán)境下絕大多數(shù)汽車還未配備車聯(lián)網(wǎng)技術(shù)，考慮到數(shù)據(jù)傳輸?shù)聂敯粜院桶踩?，現(xiàn)今區(qū)域內(nèi)車車通信網(wǎng)絡(luò)還需進(jìn)一步完善才能對交通產(chǎn)生有利的促進(jìn)作用。 考慮周圍車輛的特征信息，是主車在沒有車聯(lián)網(wǎng)提供先驗(yàn)信息的條件下，能夠僅僅依賴車載傳感器獲取到的，由此識別算法所使用能夠表征車輛行為的目標(biāo)車輛社交特征，如圖4 所示，位于中心位置的車輛為目標(biāo)車輛，其余為該車的鄰域車輛。

圖4 表征目標(biāo)車輛行為的社交特征

定義目標(biāo)車輛的狀態(tài)信息:

式中:dleft和dright分別為目標(biāo)車輛與左右車道線的橫向距離；η為目標(biāo)車輛的航向角；vx為目標(biāo)車輛的橫向速度。

將被識別車輛的周圍8 輛車作為其交互影響對象，研究時所關(guān)注的車輛集合定義為

式中:ΓF，ΓR，ΓLF，ΓLA，ΓLR，ΓRF，ΓRA，ΓRR分別為被識別車輛前方、后方、左前、左鄰、左后、右前、右鄰、右后方的車輛。

對每輛目標(biāo)鄰域車輛的位置與速度信息，定義

式中: Δxi為i位置車輛與目標(biāo)車輛的橫向相對距離；Δyi為i位置車輛與目標(biāo)車輛的縱向相對距離；Δvi為i位置車輛與目標(biāo)車輛相對縱向速度。

對于車道信息，定義

式中:Mleft為左車道標(biāo)志位，當(dāng)目標(biāo)車輛左側(cè)有車道存在時置為1，否則為0；Mright為右車道標(biāo)志位，當(dāng)目標(biāo)車輛右側(cè)有車道存在時置為1，否則為0。

車輛的行為都是對一段連續(xù)的駕駛過程而言的，單一時刻的觀測量無法對車輛行為進(jìn)行判斷，所以，采用動態(tài)滑動時窗的方法來獲取車輛的歷史軌跡特征作為算法的輸入量，在每個時刻t下，以Δtc為時間間隔采樣軌跡上的多個特征點(diǎn)組成。

2.2 識別模型結(jié)構(gòu)

現(xiàn)實(shí)交通場景中各車輛的行為具有多樣性和不確定性，直接輸出周圍目標(biāo)車輛行為的標(biāo)簽往往是不能夠被決策模塊有效使用，甚至?xí)`導(dǎo)造成錯誤的規(guī)劃，因此為了給智能車輛提供完備信息，通過識別模型推測計(jì)算出車輛不同典型行為的概率。 與許多相關(guān)研究類似，需要重點(diǎn)關(guān)注于車輛在側(cè)向上的行為，因?yàn)槠湎鄬τ诳v向行為，它更難以直接觀測到。S＝(s1，s2，s3)為周邊目標(biāo)行為識別的類別向量，s1、s2和s3分別對應(yīng)左換道(LCL)、保持車道(LK)和右換道(LCR)3 種典型行為；Y＝ (w1，w2，w3)為模型的輸出向量，wi分別代表各個行為類別的概率值，則目標(biāo)車輛行為的概率計(jì)算可表達(dá)為wi＝P(si｜I)，i＝1，2，3，I為算法的原始特征輸入量。 所提出的無人駕駛周邊車輛行為識別算法框架如圖5所示，主要由特征提取層、LSTM 網(wǎng)絡(luò)層、Attention 層和輸出層組成。 目標(biāo)車輛的社交特征作為輸入，通過動態(tài)滑動時窗的方法提取，設(shè)計(jì)卷積操作、池化處理使目標(biāo)車輛社交特征信息深度增加與特征降維，與目標(biāo)車輛自身信息、車道信息共同組成后續(xù)層的輸入量。 LSTM 層與Attention 層從所提特征中學(xué)習(xí)車輛行為的變化規(guī)律以實(shí)現(xiàn)識別功能，最后通過輸出層得到識別結(jié)果。

算法模型的描述如下。

圖5 所提出的周邊車輛行為識別算法SLSTMAT 框架

(1)特征提取層。 算法輸入為周邊目標(biāo)車輛可觀測的歷史狀態(tài)信息組成的原始社交特征I＝[O1，…，OT-1，OT]，T表示動態(tài)滑動時窗的大小。 根據(jù)目標(biāo)車輛社交特征的特點(diǎn)，構(gòu)建由2 個卷積層、1 個池化層、1 個Flatten 層組成的 CNN 框架，將卷積層設(shè)計(jì)為一維卷積(Conv1D)，并選取ReLU 激活函數(shù)進(jìn)行激活，卷積層1 和卷積層2 卷積核大小皆為3，個數(shù)為64。

式中:C1、C2分別為卷積層 1、卷積層 2 的輸出；W1、W2為權(quán)重矩陣；b1、b2為偏置；?為卷積操作。

為保留更多數(shù)據(jù)波動信息，池化層選取一維最大池化(MaxPooling1D):

式中:P3為池化層輸出；函數(shù)max 表示池化操作；b3為偏置量。

經(jīng)過卷積層和池化層的處理后原始數(shù)據(jù)被映射到隱層特征空間，搭建Flatten 層將池化后提取得到特征向量。 特征輸出層的輸出長度為l，可表示為HC ＝[hc1，hc2，…，hcl]。

(2)LSTM 層。 傳統(tǒng)LSTM 網(wǎng)絡(luò)是從左到右的單向傳遞，只能獲得上文的信息，而不能將下文的信息傳遞給上層，然而車輛行為當(dāng)前時刻的輸入不僅依賴之前的軌跡幀，還依賴于之后的軌跡幀。 因此，采用的是Bi-LSTM 雙向網(wǎng)絡(luò)，單向LSTM 網(wǎng)絡(luò)單元數(shù)為128，兩個單元相互結(jié)合充分考慮了軌跡幀前后的時序信息，為正向隱含層輸出，為反向隱含層輸出，則網(wǎng)絡(luò)的輸出層單時刻元素使得模型可以同時學(xué)習(xí)車輛過去和將來的狀態(tài)數(shù)據(jù)。

(3) Attention 層。 Attention 層的輸入信息為LSTM 層中Bi-LSTM 雙向網(wǎng)絡(luò)的輸出矩陣H＝[h1，h2，…，hl]。 其中hi為每個時刻 Bi-LSTM 網(wǎng)絡(luò)隱含節(jié)點(diǎn)的輸出，i∈{1，2，…，l}。hi占車輛行為的注意力比重使用得分函數(shù)Score表示，分值越大，hi對車輛行為表征的貢獻(xiàn)權(quán)重就越大。

式中:w、W、U為權(quán)重矩陣；b為偏置量；tanh 為非線性激活函數(shù)；可視為車輛狀態(tài)信息高一級的行為表示向量，在訓(xùn)練過程中首先對h進(jìn)行隨機(jī)初始化，并作為一個參數(shù)逐步更新。

接著對每個時步的得分Score進(jìn)行歸一化計(jì)算，獲得各個輸入分配的注意力概率分布矩陣A＝[α1，α2，…，αl]，其中:

Attention 層在第t時刻的輸出為

(4)輸出層。 為獲取各車輛行為的概率，使算法輸出在0～1 之間，最終輸出層為Softmax函數(shù)，車輛行為識別概率向量公式為

式中:Wv為連接權(quán)重；bv為偏置量。

取概率最大值為車輛行為識別結(jié)果:

3 試驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集

本文中所使用的車輛軌跡數(shù)據(jù)一部分源于德國亞琛工業(yè)大學(xué)汽車工程研究所的開源數(shù)據(jù)集HighD[18]。 該機(jī)構(gòu)采用無人機(jī)圖像，以鳥瞰視角從德國高速公路上約420 m 距離的路程提取車輛的特征信息，圖6 所示為所采集路段的鳥瞰視角。 公開的數(shù)據(jù)集包括6 個地點(diǎn)、16.5 h、11 萬輛車輛的可用數(shù)據(jù)，總行駛距離為45 000 km，還包括了5 600條完整的變道記錄，可滿足交通場景的驗(yàn)證要求。 與大多數(shù)研究采用駕駛模擬器采集的數(shù)據(jù)相比，用于模型驗(yàn)證的真實(shí)數(shù)據(jù)使模型更健壯和實(shí)用。 與較為經(jīng)典的 NIGSIM 軌跡數(shù)據(jù)集相比，HighD 數(shù)據(jù)集能有效解決假性重疊碰撞的問題，并提供了更為完整的車輛狀態(tài)信息，尤其是車輛的換道次數(shù)、前車碰撞預(yù)警時間以及其周圍車輛的ID等信息，這為本文中研究的車輛交互識別提供了豐富的研究素材，在數(shù)據(jù)的預(yù)處理方面也減免了大量的工作。

圖6 HighD 數(shù)據(jù)采集路段的鳥瞰視角

盡管HighD 數(shù)據(jù)集采集路段與我國公路結(jié)構(gòu)相似，多為雙向雙車道或三車道，但為了避免模型對HighD 數(shù)據(jù)集發(fā)生過擬合以及增強(qiáng)訓(xùn)練模型的泛化性能，用于訓(xùn)練和驗(yàn)證的車輛軌跡原始數(shù)據(jù)集另一部分來源于由真實(shí)路況下無人駕駛試驗(yàn)平臺采集的車輛軌跡數(shù)據(jù)，采集路段主要位于江蘇省鎮(zhèn)江市京江路附近。 如圖7 所示，所使用的無人駕駛試驗(yàn)平臺以奇瑞艾瑞澤5E 電動汽車為主體，配備有GPS組合慣導(dǎo) JY901B、速騰 RS-LiDAR-32/16*2 多線激光雷達(dá)、高性能工控機(jī)、Delphi-ESR 前后置毫米波雷達(dá)、Minieye 高清攝像機(jī)等車載設(shè)備。

圖7 基于奇瑞艾瑞澤5E 的無人駕駛試驗(yàn)平臺

無人駕駛試驗(yàn)平臺充分結(jié)合GPS 和慣性導(dǎo)航技術(shù)，并通過RTK 技術(shù)進(jìn)行差分解算，能夠減少建筑物、樹木的遮擋影響，提供主車準(zhǔn)確的位置、速度信息以及姿態(tài)解算結(jié)果。 平臺主要通過速騰激光雷達(dá)獲得周邊車輛的位置、速度信息，該雷達(dá)基于ROS 系統(tǒng)實(shí)時錄取車輛自身及感知數(shù)據(jù)。 創(chuàng)建trajectory＿ node 節(jié)點(diǎn)，該節(jié)點(diǎn)實(shí)時訂閱速騰雷達(dá)感知模塊Perception SDK 發(fā)出的含有周邊車輛位置中心和速度、航向角的話題/box＿info 和/track＿info，完成錄制后將數(shù)據(jù)包中的數(shù)據(jù)由主車的局部坐標(biāo)系轉(zhuǎn)換為道路的全局坐標(biāo)系。 本文中使用的是一個類似于笛卡爾坐標(biāo)系的道路聯(lián)合坐標(biāo)系，縱向y軸指向高速公路的運(yùn)動方向，橫向x軸是垂直于它的方向，使得算法也能適用在彎曲道路上。 針對目標(biāo)車輛的道路信息，則通過車輛橫向位置與車道個數(shù)、車道線的位置去判斷。

3.2 數(shù)據(jù)預(yù)處理

車輛軌跡數(shù)據(jù)是通過無人機(jī)高清攝像頭或車載傳感器采集后直接獲取或間接處理得到的，系統(tǒng)誤差及測量誤差的存在使交通參量序列值噪聲較大，尤其是速度信號抖動明顯，因此預(yù)先采用了Savizkg-Golag 濾波算法對車輛的坐標(biāo)、速度進(jìn)行降噪預(yù)處理。 針對本文中主要研究無人駕駛周邊目標(biāo)車輛的橫向行為，需要在數(shù)據(jù)集中提取不同車輛行為的軌跡序列并做相應(yīng)的標(biāo)注。 如圖8 所示，該目標(biāo)車輛將要執(zhí)行左換道行為，車輛軌跡和車道線的交點(diǎn)表示為換道點(diǎn)。 計(jì)算車輛每個時刻相對車道線的航向角:

計(jì)算判定行為的航向角ηo時，使用的是間隔一個時刻的目標(biāo)車輛位置，來增強(qiáng)不同行為類別ηo的區(qū)分度，以防止目標(biāo)車輛在做車道保持行為時被誤標(biāo)簽為換道行為。 目標(biāo)車輛每次剛開始執(zhí)行換道行為的時刻表示為換道起始點(diǎn)，剛執(zhí)行完換道行為的時刻表示為換道終止點(diǎn)。 為減少噪聲誤差造成的誤判，從換道點(diǎn)向前遍歷，若連續(xù)3 個點(diǎn)為換道起始航向角閾值)，則第1 個點(diǎn)認(rèn)定為換道起始點(diǎn)；同理從換道點(diǎn)向后遍歷，若連續(xù)3 個點(diǎn)ηe(ηe為換道終止航向角閾值)，則第1 個點(diǎn)認(rèn)定為換道終止點(diǎn)；換道起始與終止點(diǎn)(包括這兩個點(diǎn))定義為換道過程點(diǎn)。 根據(jù)試驗(yàn)效果，選取滑動時窗即序列長度T為20。 若軌跡序列的最后一個節(jié)點(diǎn)為換道過程點(diǎn)時，根據(jù)軌跡序列起始點(diǎn)車輛的橫向位置分別判斷為左換道序列和右換道序列；若軌跡序列的最后一個節(jié)點(diǎn)不為換道過程點(diǎn)，則定義為車道保持序列。

由于直線行駛工況遠(yuǎn)多于換道工況，所以提取車輛的車道保持序列數(shù)目顯然是遠(yuǎn)遠(yuǎn)大于換道序列的，為防止訓(xùn)練過程中出現(xiàn)過擬合，每個行為序列集中選取的序列數(shù)量相同，最終從760 個目標(biāo)車輛中提取出90 000 個樣本序列(每個行為類別的序列樣本分別為3 000 個)，按8∶2 的比例將數(shù)據(jù)集隨機(jī)劃分為訓(xùn)練集、測試集。

3.3 試驗(yàn)細(xì)節(jié)

參考車輛軌跡預(yù)測相關(guān)的文獻(xiàn)[22]，為消減各原始數(shù)據(jù)數(shù)值跨度和單位不同帶來的影響，采用min-max 歸一化法將原始數(shù)據(jù)轉(zhuǎn)化在(0， 1)之間，計(jì)算公式為

式中:x為原始數(shù)據(jù)；為歸一化后的數(shù)據(jù)；xmax、xmin為樣本數(shù)據(jù)的最大值和最小值。

為便于模型網(wǎng)絡(luò)的訓(xùn)練，還需要對樣本集的車輛行為標(biāo)簽采用“one-hot”熱向量編碼。 為體現(xiàn)本文中所提算法在無人駕駛周邊車輛行為識別的性能效果，采用了兩種現(xiàn)有算法和兩種不完備模型對算法進(jìn)行對比分析，具體如下:

(1)SVM，支持向量機(jī)算法，需要將具有時序特征轉(zhuǎn)化為多維向量進(jìn)行分類；

(2)HMM，隱馬爾可夫算法，是車輛行為識別效果較穩(wěn)定的傳統(tǒng)模型代表之一；

(3)SLSTM，相比SLSTMAT 算法，模型輸入量未引入注意力機(jī)制，而是直接將LSTM 網(wǎng)絡(luò)最后一個時步隱含層向量ht輸入到Softmax 層；

(4)LSTMAT，相比 SLSTMAT 算法，模型輸入量未考慮目標(biāo)車輛的周圍車輛信息以及道路信息。

模型在識別模型的訓(xùn)練過程中，選取Adam (adaptive moment estimation)優(yōu)化算法對模型參數(shù)進(jìn)行優(yōu)化。 Adam 是一種可以替代傳統(tǒng)隨機(jī)梯度下降過程的1 階優(yōu)化算法，該算法能夠基于訓(xùn)練數(shù)據(jù)以實(shí)現(xiàn)誤差反向傳播，迭代更新神經(jīng)網(wǎng)絡(luò)的權(quán)重，使損失函數(shù)輸出值逐步收斂達(dá)到最優(yōu)。 為使目標(biāo)函數(shù)收斂得更加平穩(wěn)，同時也為提高算法效率，每次只取小批量樣本進(jìn)行訓(xùn)練。 損失函數(shù)為多類交叉熵?fù)p失函數(shù)，損失函數(shù)為

式中:為某一樣本序列對應(yīng)車輛行為類別的實(shí)際概率；wi為某一樣本序列對應(yīng)車輛行為類別的識別概率；S為每批次樣本容量batch＿size大小，試驗(yàn)中選取為100。

識別算法基于Python3 語言編寫，基于Keras 框架加以實(shí)現(xiàn)。 試驗(yàn)平臺硬件配置主要參數(shù)Intel Core i5-8600K 3.60 GHz，GTX 1080 和 DDR3 16 GB 內(nèi)存，操作系統(tǒng)為Ubuntu Linux 16.04。

3.4 車輛行為識別試驗(yàn)

對于標(biāo)簽識別任務(wù)，定量分析常常以總體準(zhǔn)確度(Accuracy)、精確率(Precision)、召回率(Recall)、F1-score 作為評價指標(biāo)。 總體準(zhǔn)確度為識別正確的樣本個數(shù)占總樣本個數(shù)的比例，精確率為識別正確的正樣本個數(shù)占車輛行為識別判定為正樣本的樣本個數(shù)的比例，召回率為識別正確的正樣本個數(shù)占真正的正樣本個數(shù)的比例，F(xiàn)1-score 為精確率與召回率的調(diào)和平均值。 車輛行為測試集的結(jié)果如表1 所示。

表1 測試集定量分析性能結(jié)果

將所提出的SLSTMAT 模型與其他算法的結(jié)果進(jìn)行比較，表1 顯示了所提算法相較于其他算法在準(zhǔn)確率方面有著顯著的優(yōu)勢，總體準(zhǔn)確度達(dá)到了94.01%。 引入注意力機(jī)制和目標(biāo)車輛的交互信息，能夠有效提高各類別車輛行為識別的精確率、召回率以及F1-score，尤其是對車道保持行為識別的提升較為明顯，相對于 SVM 算法，F(xiàn)1-score 精度提升了14.88%。 這是因?yàn)樵谡鎸?shí)路況中即使是車道保持行為，目標(biāo)車輛也會不可避免在車道中心線兩側(cè)發(fā)生之字形左右晃動，這種晃動容易使車輛行為識別系統(tǒng)將車輛保持行為誤判為換道行為。 此外，SLSTMAT 算法通過引入注意力機(jī)制，持續(xù)關(guān)注整個換道行為樣本序列全時刻的特征變化，促使目標(biāo)車輛換道初期換道特征不顯著的樣本序列能夠被識別出來，減少了換道行為被誤認(rèn)定為車道行為的樣本數(shù)量，從而對于左右換道兩種行為識別提升的召回率顯著大于車道保持行為。 綜上，所提SLSTMAT 算法引入的注意力機(jī)制能抓住更加穩(wěn)健的時間信息，可以有效降低行為結(jié)果的誤判。

3.5 車輛行為預(yù)判試驗(yàn)

對周邊目標(biāo)車輛橫向行為的識別，最重要的是能夠正確地感知到目標(biāo)車輛的換道趨勢。 作為自動駕駛系統(tǒng)視覺模塊的后端與決策系統(tǒng)的前端，周車行為識別算法應(yīng)該盡早地識別出目標(biāo)車輛的行為態(tài)勢。這是因?yàn)榫窒抻谲囕d傳感器與運(yùn)動控制器，只有在一定范圍內(nèi)預(yù)判出周邊目標(biāo)車輛的行為態(tài)勢才具有實(shí)際意義。 定義車輛從當(dāng)前位置到行駛至換道點(diǎn)所需時間為預(yù)判時間，從測試集的單次換道車輛中挑選不同預(yù)判時間下的序列作為輸入。 圖9 所示為預(yù)判時間范圍在區(qū)間-3 s-0 內(nèi)各類算法的識別效果。

圖9 不同預(yù)判時間的識別效果

由圖9 可知:LSTM 系列網(wǎng)絡(luò)較HMM 與SVM 方法在識別預(yù)判性能上有著顯著的優(yōu)勢；SLSTMAT 算法相比起其他模型，能夠在目標(biāo)車輛換道前2.5 s 范圍內(nèi)提供較好的識別精度，在目標(biāo)車輛在換道前2 s， 就能較為準(zhǔn)確地識別出換道行為，準(zhǔn)確度可達(dá)到80%；在車輛行駛至換道點(diǎn)前1 s 內(nèi)識別精度在90%以上。 究其原因，算法能夠“設(shè)身處地”站在被識別車輛的角度“觀察”路況，在抓住交通環(huán)境的重要信息，并對目標(biāo)車輛的未來行為做出合理的預(yù)判。結(jié)構(gòu)化道路下車輛的平均換道時間在5 s 左右，假設(shè)換道點(diǎn)前和換道點(diǎn)后各占一半，基于SLSTMAT 的周車行為識別算法能在目標(biāo)車輛開始執(zhí)行換道動作之前就能做出合理推斷。

4 結(jié)論

本文中提出了一種基于SLSTMAT 模型的周邊車輛行為識別方法，能考慮LSTM 單元每個時步的注意力貢獻(xiàn)權(quán)重來提高算法的特征表達(dá)能力，并通過CNN 網(wǎng)絡(luò)融合目標(biāo)車輛歷史信息以及與周圍車輛之間的信息進(jìn)而對車輛行為進(jìn)行交互建模。 該模型顯示在實(shí)車采集和開源車輛軌跡數(shù)據(jù)集上能實(shí)現(xiàn)較高的識別準(zhǔn)確度，算法可行性和實(shí)用性強(qiáng)。 此外，算法的定性分析顯示了引入注意力機(jī)制、并對鄰域車輛、道路信息進(jìn)行交互建模以識別給定車輛的未來運(yùn)動，能夠顯著提高換道前2.5 s 范圍內(nèi)的識別準(zhǔn)確度，在車輛行駛至換道點(diǎn)前1 s 內(nèi)識別精度達(dá)到90%以上，能提高后續(xù)決策系統(tǒng)的實(shí)時性，對于智能汽車技術(shù)的產(chǎn)業(yè)化應(yīng)用具有重要的推動作用。 今后的研究工作將主要針對兩個方面:第一是嘗試分析目標(biāo)車輛在典型交通場景下的高級語義行為，第二是考慮如何在保證識別精度的同時兼顧識別算法的計(jì)算成本。