趙巖 陳煥明 王亞倫

摘要：? 為深入研究駕駛員駕駛行為特性，減少駕駛輔助系統(tǒng)與駕駛員的控制沖突，本文基于條件隨機(jī)場(chǎng)（conditional random field， CRF）算法，搭建了駕駛員駕駛行為識(shí)別模型。利用NI Phar Lap ETS實(shí)時(shí)操作系統(tǒng)，搭建車道保持輔助控制試驗(yàn)平臺(tái)，在試驗(yàn)平臺(tái)上進(jìn)行相關(guān)參數(shù)的實(shí)時(shí)采集，并根據(jù)采集到的數(shù)據(jù)特性，提出一種根據(jù)橫向位移對(duì)駕駛行為數(shù)據(jù)進(jìn)行分段的方法，將采集到的數(shù)據(jù)樣本劃分為左換道、右換道以及車道保持階段。同時(shí)，對(duì)實(shí)時(shí)獲取的參數(shù)進(jìn)行顯著性分析，將與橫向運(yùn)動(dòng)密切相關(guān)的五種參數(shù)作為觀測(cè)參數(shù)，對(duì)駕駛行為進(jìn)行識(shí)別。研究結(jié)果表明，車道保持、左換道以及右換道行為的識(shí)別率分別達(dá)942%，93%和844%。該研究對(duì)于提高車道保持輔助系統(tǒng)的輔助效果以及減少誤警率具有明顯的促進(jìn)作用。

關(guān)鍵詞：? 駕駛行為; 條件隨機(jī)場(chǎng); 駕駛模擬器; 觀測(cè)參數(shù); 實(shí)時(shí)系統(tǒng)

中圖分類號(hào)： TP391.41; U467.5+1文獻(xiàn)標(biāo)識(shí)碼： A

作者簡(jiǎn)介： ?趙巖（1993-），男，山東濟(jì)寧人，漢族，碩士研究生，主要研究方向?yàn)楦呒?jí)輔助駕駛技術(shù)。

通信作者： ?陳煥明（1978-），男，山東青島人，博士，講師，碩士生導(dǎo)師，主要研究方向?yàn)槠噭?dòng)態(tài)仿真與控制技術(shù)。 Email： qdchm@qdu.edu.cn

近年來，智能車輛的發(fā)展成為減少交通事故的理想方案。據(jù)世界衛(wèi)生組織公布數(shù)據(jù)顯示[1]，全球每年因交通事故造成的死亡人數(shù)高達(dá)135萬。作為智能車輛發(fā)展的重要部分，車道保持輔助技術(shù)的研發(fā)引起了我國(guó)的高度重視，于2017年發(fā)布了《汽車工業(yè)中長(zhǎng)期發(fā)展規(guī)劃》。對(duì)駕駛員駕駛意圖的有效識(shí)別，可以提高車道保持系統(tǒng)的輔助效果。單純依靠偏離距離來進(jìn)行車道偏離的判斷有嚴(yán)重的滯后性，易與駕駛者產(chǎn)生控制沖突。隨著深度學(xué)習(xí)的快速發(fā)展，針對(duì)上述問題，部分學(xué)者提出多種駕駛意圖識(shí)別算法，基于神經(jīng)網(wǎng)絡(luò)的駕駛意圖識(shí)別，將車輛參數(shù)和駕駛員行為參數(shù)導(dǎo)入神經(jīng)網(wǎng)絡(luò)中，通過對(duì)中間隱層層數(shù)和節(jié)點(diǎn)個(gè)數(shù)的調(diào)整，搭建意圖識(shí)別模型[24]?；陔[馬爾可夫模型（hidden markov model，HMM）的駕駛意圖識(shí)別，將一段時(shí)間序列的觀測(cè)參數(shù)作為輸入，訓(xùn)練出不同駕駛意圖下的子模型[58]。而基于支持向量機(jī)（support vector machine，SVM）的駕駛意圖識(shí)別模型，通過核函數(shù)φ將觀測(cè)參數(shù)映射到高維空間，然后求解出能分隔駕駛意圖所對(duì)應(yīng)的觀測(cè)參數(shù)的超平面，從而建立相應(yīng)的駕駛意圖識(shí)別模型[912]?；贖MM的駕駛意圖識(shí)別模型在建模時(shí)，需要較強(qiáng)的嚴(yán)格獨(dú)立的假設(shè)條件[1315]，而基于SVM的駕駛意圖識(shí)別模型則對(duì)樣本數(shù)量有要求[16]，該方法對(duì)小樣本、非線性以及高維模式識(shí)別問題識(shí)別效果較好。鑒于上述存在的問題，周俊生等人[1719]采用條件隨機(jī)場(chǎng)（conditional random field， CRF）算法，搭建駕駛意圖識(shí)別模型，該方法不需要嚴(yán)格的獨(dú)立性假設(shè)，對(duì)樣本數(shù)量沒有嚴(yán)格限制?；诖?，本文綜合利用CarSim、Matlab/Simulink和NI VeriStand軟件，搭建車道保持輔助控制試驗(yàn)平臺(tái)，采集駕駛員駕駛行為數(shù)據(jù)及車輛橫向運(yùn)動(dòng)數(shù)據(jù)，進(jìn)行駕駛員駕駛意圖識(shí)別模型的訓(xùn)練及其驗(yàn)證。該研究對(duì)減少交通事故的發(fā)生具有重要意義。

1試驗(yàn)設(shè)計(jì)

實(shí)車數(shù)據(jù)采集方法需要對(duì)測(cè)試車輛進(jìn)行改裝，加裝數(shù)據(jù)采集設(shè)備以及相應(yīng)的傳感器（如車載攝像機(jī)、毫米波雷達(dá)、陀螺儀等），對(duì)測(cè)試天氣及道路環(huán)境具有較高的要求和一定程度的危險(xiǎn)性。而研發(fā)型駕駛模擬器能夠?qū)⑾嚓P(guān)硬件嵌入其中，進(jìn)行駕駛員主觀評(píng)價(jià)以及算法驗(yàn)證，試驗(yàn)周期短，試驗(yàn)條件可控，安全性高。本文基于NI公司的Phar Lap ETS實(shí)時(shí)操作系統(tǒng)，搭建車道保持輔助控制試驗(yàn)平臺(tái)，車道保持輔助控制試驗(yàn)平臺(tái)如圖1所示。該試驗(yàn)平臺(tái)能夠根據(jù)試驗(yàn)要求，在CarSim軟件中搭建真實(shí)的駕駛場(chǎng)景，利用NI VeriStand實(shí)時(shí)測(cè)試軟件實(shí)現(xiàn)硬件I/O端口的實(shí)時(shí)配置，對(duì)車輛動(dòng)態(tài)參數(shù)、行駛環(huán)境參數(shù)以及駕駛員駕駛行為數(shù)據(jù)進(jìn)行實(shí)時(shí)采集。

根據(jù)《公路工程技術(shù)標(biāo)準(zhǔn)》，搭建10 000 m單向雙車道直道場(chǎng)景，考慮到需要以較高車速行駛，為提高駕駛場(chǎng)景與現(xiàn)實(shí)道路場(chǎng)景的相似度，將左右車道寬度均設(shè)置為375 m。在道路中央，每隔500 m設(shè)置錐形桶，提示駕駛員進(jìn)行換道操作，換道時(shí)機(jī)由駕駛者自主決定，試驗(yàn)道路布置如圖2所示。

近年來，由于非職業(yè)駕駛員數(shù)量的急劇增加，其已成為交通事故劇增的主要群體，主要原因是一些駕駛新手的駕駛水平較低，缺乏對(duì)駕駛環(huán)境的準(zhǔn)確判斷，難以做出適當(dāng)?shù)鸟{駛行為，易發(fā)生交通事故。因此，本文招募了10名駕齡在2～5年的男性駕駛員，駕駛員需滿足以下條件，即持有駕駛證、性格穩(wěn)定、近期具有實(shí)車駕駛經(jīng)歷。試驗(yàn)前，對(duì)駕駛員進(jìn)行一定時(shí)長(zhǎng)的培訓(xùn)，使駕駛員熟悉試驗(yàn)平臺(tái)以及道路場(chǎng)景，避免因操作失誤造成數(shù)據(jù)采集異常。為深入研究駕駛行為與駕駛意圖的潛在關(guān)系，將采樣率設(shè)置為100 Hz，某時(shí)間段內(nèi)采集的數(shù)據(jù)如表1所示。

2駕駛行為分析

駕駛行為的有效識(shí)別對(duì)于車輛感知系統(tǒng)提前感知行駛環(huán)境，做出準(zhǔn)確的路徑規(guī)劃以及輔助控制具有重要作用。駕駛過程是連續(xù)多變的動(dòng)態(tài)變化過程，不同的駕駛行為會(huì)引起不同的車輛動(dòng)態(tài)參數(shù)和駕駛行為參數(shù)變化，因此可以通過選取適當(dāng)?shù)膮?shù)，對(duì)不同的駕駛行為進(jìn)行預(yù)測(cè)及識(shí)別，駕駛行為數(shù)據(jù)的劃分及駕駛意圖表征參數(shù)的選取直接影響識(shí)別的準(zhǔn)確度。

2.1駕駛行為數(shù)據(jù)的劃分

選定的觀測(cè)變量是否能有效區(qū)分換道狀態(tài)與車道保持狀態(tài)，與觀測(cè)數(shù)據(jù)的劃分以及識(shí)別參數(shù)的選取密切相關(guān)。目前，對(duì)于換道行為數(shù)據(jù)與車道保持行為數(shù)據(jù)的劃分沒有統(tǒng)一的定義，為提高換道行為的識(shí)別率，從采集到的數(shù)據(jù)特征出發(fā)，提出一種根據(jù)橫向位置來劃分?jǐn)?shù)據(jù)的方法，換道階段數(shù)據(jù)劃分示意圖如圖3所示。首先根據(jù)采集到的數(shù)據(jù)分別計(jì)算出車輛行駛在左車道和右車道的車輛橫向位置的均值，然后選取換道過程中橫向位置數(shù)據(jù)符號(hào)變化的兩點(diǎn)，繪出階段劃分線，該線與左右車道車輛橫向位置均值線有兩個(gè)交點(diǎn)，將兩個(gè)交點(diǎn)間的數(shù)據(jù)作為換道階段的數(shù)據(jù)，交點(diǎn)以外的數(shù)據(jù)作為車道保持階段數(shù)據(jù)。

2.2駕駛意圖表征參數(shù)的選取

在實(shí)際駕駛過程中，駕駛員駕駛行為會(huì)受到多方面的影響。在人-車-路構(gòu)成的閉環(huán)系統(tǒng)中，任意環(huán)節(jié)的細(xì)微變化都會(huì)造成駕駛行為的改變，隨機(jī)性較大，無法對(duì)其精確建模。通過相關(guān)研究發(fā)現(xiàn)，在一些特定的駕駛場(chǎng)景中，駕駛過程中產(chǎn)生的車輛運(yùn)動(dòng)參數(shù)、駕駛員行為參數(shù)以及道路環(huán)境參數(shù)的變化可以在一定程度上反映駕駛者的駕駛行為，通過傳感器獲取可以表征駕駛行為的參數(shù)，可以有效的識(shí)別駕駛員的駕駛意圖。

本文獲取了車道保持階段與車道變更階段的相關(guān)參數(shù)，并對(duì)相關(guān)參數(shù)的均值和標(biāo)準(zhǔn)差進(jìn)行對(duì)比，考慮到過多的觀測(cè)參數(shù)會(huì)加大駕駛意圖識(shí)別模型的學(xué)習(xí)難度，影響意圖識(shí)別的時(shí)效性，并且換道對(duì)橫向運(yùn)動(dòng)參數(shù)影響較大，因此選取方向盤轉(zhuǎn)角（°）、方向盤轉(zhuǎn)角速率（°/s）、橫向速度（km/h）、橫向加速度（m/s2）以及橫向位置（m）作為觀測(cè)特征參數(shù)。

參數(shù)選定后，需要檢驗(yàn)所選參數(shù)是否能夠表征不同的駕駛意圖，即進(jìn)行顯著性檢驗(yàn)。在駕駛意圖識(shí)別過程中，各觀測(cè)變量的差異性越大，識(shí)別的精確度越高。因此，選取的五種觀測(cè)參數(shù)對(duì)應(yīng)不同的駕駛意圖應(yīng)該具有顯著差別。利用箱式圖分析五種參數(shù)在左換道、車道保持、右換道三種駕駛行為下的差異性，各參數(shù)箱式圖如圖4所示。

由圖4可以看出，左右換道階段的數(shù)據(jù)與車道保持階段數(shù)據(jù)差異性非常明顯，在車道保持階段，駕駛員為使車輛在車道中間行駛，會(huì)對(duì)方向盤進(jìn)行微調(diào)，因此方向盤轉(zhuǎn)角、方向盤轉(zhuǎn)角速率、橫向速度、橫向加速度以及橫向位置的波動(dòng)范圍較小。在換道階段，車輛發(fā)生橫向位置的改變，因此方向盤轉(zhuǎn)角、方向盤轉(zhuǎn)角速率、橫向速度、橫向加速度以及橫向位置都會(huì)發(fā)生大范圍的波動(dòng)，與車道保持階段具有明顯的差異性。因此，選取的五種觀測(cè)參數(shù)可以很好的表征三種駕駛意圖。

3換道意圖識(shí)別模型的搭建

CRF模型是在最大熵模型（maximum entropy model，MEM）和HMM的基礎(chǔ)上，提出的一種判別式概率無向圖學(xué)習(xí)模型，是一種用于標(biāo)注和切分有序數(shù)據(jù)的條件概率模型。條件隨機(jī)場(chǎng)模型解決了HMM的觀測(cè)獨(dú)立性假設(shè)，因而可以容納任意的上、下文信息，并且特征設(shè)計(jì)靈活，可在全局范圍內(nèi)統(tǒng)計(jì)歸一化的概率。

本研究將駕駛狀態(tài)分為車道保持、左換道和右換道三種，因此nStates=3。由上文可知，選取與換道行為相關(guān)的五種橫向運(yùn)動(dòng)參數(shù)作為觀測(cè)值，因此D=5。機(jī)場(chǎng)模型是一種判別式概率無向圖學(xué)習(xí)模型，在有限的樣本條件下，也可以得出較高的識(shí)別率，CRF算法識(shí)別駕駛意圖流程如圖6所示。

3.2駕駛意圖識(shí)別與驗(yàn)證

在Matlab軟件中，搭建基于liner-chain CRF算法的駕駛意圖識(shí)別模型，并在該軟件中進(jìn)行模型訓(xùn)練與測(cè)試。根據(jù)第三章對(duì)于觀測(cè)數(shù)據(jù)劃分方法，為識(shí)別駕駛員完整的換道行為，提取從車道保持階段到換道階段再到車道保持階段的數(shù)據(jù)作為輸入樣本，根據(jù)采集到的觀測(cè)數(shù)據(jù)特性以及駕駛員的平均換道時(shí)間，以換道階段左交點(diǎn)前4 s左右的觀測(cè)數(shù)據(jù)為起始點(diǎn)，向后取10 s為一組樣本，一組樣本包含兩次車道保持和一次換道，通過對(duì)采集到的數(shù)據(jù)進(jìn)行篩選，得含完整換道行為數(shù)據(jù)樣本84組，按照3∶1的比例劃分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，數(shù)據(jù)集如表3所示。

根據(jù)CRF算法特性，需對(duì)不同的駕駛行為階段數(shù)據(jù)進(jìn)行標(biāo)注，根據(jù)橫向位置劃分駕駛行為數(shù)據(jù)的方法，對(duì)篩選出的完整駕駛行為數(shù)據(jù)進(jìn)行標(biāo)注，即將右換道階段的數(shù)據(jù)標(biāo)注為“3”，車道保持階段的數(shù)據(jù)標(biāo)注為“2”，左換道階段的數(shù)據(jù)標(biāo)注為“1”。樣本標(biāo)注如表4所示。

根據(jù)上文所述，將標(biāo)注好的數(shù)據(jù)集導(dǎo)入liner-chain CRF駕駛意圖識(shí)別模型中，其中一組為左換道數(shù)據(jù)測(cè)試結(jié)果，CRF識(shí)別結(jié)果如圖7所示。圖7中，“LK”代表車輛處于車道保持狀態(tài)，“RLC”表示車輛處于左換道狀態(tài)，CRF識(shí)別的駕駛狀態(tài)由計(jì)算出的車道保持概率決定，當(dāng)概率值小于50%時(shí)，認(rèn)定此時(shí)處于換道狀態(tài)，當(dāng)大于50%時(shí)，認(rèn)定處于車道保持狀態(tài)，但在概率值接近05的位置會(huì)出現(xiàn)識(shí)別異常，通過減少觀測(cè)參數(shù)，將觀測(cè)參數(shù)改為方向盤轉(zhuǎn)角、方向盤轉(zhuǎn)角速率、橫向速度以及橫向加速度，即D=4，改進(jìn)后識(shí)別結(jié)果如圖8所示。

由圖8可以看出，適當(dāng)減少觀測(cè)參數(shù)的數(shù)量，有益于提高識(shí)別精度，減少駕駛意圖識(shí)別時(shí)間。

將測(cè)試樣本導(dǎo)入訓(xùn)練好的駕駛意圖識(shí)別模型中，測(cè)試結(jié)果如表5所示。

由表5可以看出，駕駛員駕駛行為識(shí)別liner-chain CRF模型在樣本量較小的情況下，也可以達(dá)到較高的識(shí)別精度，在以橫向位置劃分駕駛行為數(shù)據(jù)的情況下，劃分車道保持和左換道行為識(shí)別率達(dá)90%以上，右換道意圖的識(shí)別率達(dá)84%，鑒于駕駛行為數(shù)據(jù)的劃分以及駕駛意圖表征參數(shù)的選取對(duì)識(shí)別精度的直接影響，考慮可能是由于擬合點(diǎn)較少，擬合精度低造成右換道階段數(shù)據(jù)劃分誤差較大，使右換道識(shí)別率較低。

4結(jié)束語

本文搭建了基于線性鏈條件隨機(jī)場(chǎng)駕駛意圖識(shí)別模型，并通過采集到的數(shù)據(jù)，提出了一種根據(jù)橫向位置劃分時(shí)間序列的方法。與傳統(tǒng)的駕駛意圖識(shí)別算法相比，該駕駛意圖識(shí)別模型對(duì)訓(xùn)練樣本數(shù)量的要求更低，且更符合實(shí)際情況。通過模型訓(xùn)練與測(cè)試，該模型能夠有效識(shí)別車道保持、左換道以及右換道三種駕駛意圖。針對(duì)右換道意圖識(shí)別率較低的問題，下一步將從駕駛意圖識(shí)別算法的改進(jìn)和駕駛行為階段劃分方法的優(yōu)化兩方面進(jìn)行研究。

參考文獻(xiàn)：

[1]World Health Organization. Global status report on road safety[R]. Geneva： WHO， 2018.

[2]倪捷， 劉志強(qiáng). 基于駕駛?cè)藳Q策機(jī)制的換道意圖識(shí)別模型[J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2016， 16（1）： 58-63.

[3]劉松波， 白國(guó)振. 基于BP神經(jīng)網(wǎng)絡(luò)的HEV加速意圖識(shí)別[J]. 農(nóng)業(yè)裝備與車輛工程， 2017， 55（10）： 88-91.

[4]曲代麗. 基于模糊神經(jīng)網(wǎng)絡(luò)的駕駛員制動(dòng)意圖辨識(shí)技術(shù)研究[D]. 長(zhǎng)春： 長(zhǎng)春工業(yè)大學(xué)， 2016.

[5]劉志強(qiáng)， 吳雪剛， 倪捷， 等. 基于HMM和SVM級(jí)聯(lián)算法的駕駛意圖識(shí)別[J]. 汽車工程， 2018， 40（7）： 858-864.

[6]Li K， Wang X， Xu Y， et al. Lane changing intention recognition based on speech recognition models[J]. Transportation Research Part C Emerging Technologies， 2016， 69（8）： 497-514.

[7]宋曉琳， 鄭亞奇， 曹昊天. 基于HMM-SVM的駕駛員換道意圖辨識(shí)研究[J]. 電子測(cè)量與儀器學(xué)報(bào)， 2016， 30（1）： 58-65.

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

[9]李慧， 李曉東， 宿曉曦. 一種優(yōu)化參數(shù)的支持向量機(jī)駕駛意圖識(shí)別[J]. 實(shí)驗(yàn)室研究與探索， 2018， 37（2）： 35-39.

[10]畢勝?gòu)?qiáng)， 梅德純， 劉志強(qiáng)， 等. 面向駕駛行為預(yù)警的換道意圖辨識(shí)模型研究[J]. 中國(guó)安全科學(xué)學(xué)報(bào)， 2016， 26（2）： 91-95.

[11]劉志強(qiáng)， 涂孝軍， 汪澎. 面向駕駛員輔助系統(tǒng)的換道意圖辨識(shí)方法研究[J]. 安全與環(huán)境學(xué)報(bào)， 2015， 15（6）： 132-136.

[12]麻婷婷， 涂孝軍， 朱偉達(dá). 基于支持向量機(jī)的駕駛員超車意圖識(shí)別[J]. 上海工程技術(shù)大學(xué)學(xué)報(bào)， 2016（30）： 203-208.

[13]張明恒， 翟曉娟， 朱有明， 等. 基于改進(jìn)HMM的駕駛疲勞險(xiǎn)態(tài)識(shí)別方法[J]. 大連理工大學(xué)學(xué)報(bào)， 2018， 58（2）： 194-201.

[14]徐婷， 溫常磊， 張香， 等. 基于GMM-CHMM的城市道路換道行為識(shí)別[J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2020， 20（1）： 61-67.

[15]張海倫， 付銳. 高速場(chǎng)景相鄰前車駕駛行為識(shí)別及意圖預(yù)測(cè)[J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2020， 20（1）： 40-46.

[16]馬國(guó)成， 劉昭度， 裴曉飛， 等. 基于模糊支持向量機(jī)的旁車道車輛并線意圖識(shí)別方法[J]. 汽車工程， 2014， 36（3）： 316-320.

[17]周俊生， 戴新宇， 尹存燕， 等. 基于層疊條件隨機(jī)場(chǎng)模型的中文機(jī)構(gòu)名自動(dòng)識(shí)別[J]. 電子學(xué)報(bào)， 2006， 34（5）： 804-809.

[18]葉子豪， 孫銳， 王慧慧. 基于全卷積神經(jīng)網(wǎng)絡(luò)與條件隨機(jī)場(chǎng)的車道識(shí)別方法[J]. 光電工程， 2019， 46（2）： 180274-180286.

[19]徐曉芳. 基于條件隨機(jī)場(chǎng)的中文分詞技術(shù)的研究與實(shí)現(xiàn)[D]. 南京： 南京郵電大學(xué)， 2018.

[20]Schmidt M， Swersky K. Matlab code for chain-structured conditional random fields with categorical features [EB/OL]. https： ∥www. cs. ubc. ca/～schmidtm/Software/crfChain. html， 2008.

Abstract：?? In order to deeply explore the characteristics of the driver's driving behavior and reduce the control conflict between the driving assistance system and the driver， this paper builds a driver's driving behavior recognition model based on the Conditional Random Field algorithm. It use NI Phar Lap ETS real-time operating system to build a lane keeping auxiliary control test platform， and collects relevant parameters in real time on the test platform. According to the characteristics of the collected data， a method of segmenting driving behavior data based on lateral displacement is proposed， and the collected data samples are divided into left lane changing， right lane changing and lane keeping stages. The significance of the parameters acquired in real time is analyed， and the driving behavior is identified by using five parameters closely related to lateral motion as observation parameters. The results show that the recognition rates of lane keeping， left lane changing and right lane changing behavior are respectively 94.2%， 93% and 84.4%. This research has a significant role in improving the assistive effect of the lane keeping assist system and reducing the false alarm rate.

Key words： driving behavior; conditional random field; driving simulator; observation parameters; real-time system