郭景華，肖寶平，王靖瑤，羅禹貢，陳 濤，李克強

（1.廈門大學航空航天學院，廈門 361005；2.清華大學，汽車安全與節(jié)能國家重點實驗室，北京 100084；3.中國汽車工程研究院股份有限公司，重慶 401122）

前言

據(jù)統(tǒng)計有90%以上的交通事故都是由于人為操作失誤造成的，其中有18%的交通事故發(fā)生在換道的過程中［1］，且在未來的很長一段時期內(nèi)，自動駕駛車輛將長期在人工駕駛車輛與自動駕駛車輛混合的環(huán)境下運行。針對實際交通環(huán)境的復雜性和人工駕駛風格的多變性，預測車輛的切入意圖有利于自動駕駛車輛理解周圍的復雜交通場景，可以提高自動駕駛車輛的決策能力和安全性能。

目前針對換道意圖預測已有不少研究。尤其從機器學習的角度研究換道意圖預測越來越受關(guān)注［2］。文獻［3］中提出一種基于Bayesian Networks的駕駛行為預測方法，包括車輛切入在內(nèi)的27種駕駛行為預測。文獻［4］中采用Binary Logistic Regres?sion的方法建立車輛換道模型，并進一步分析了影響車輛換道的因素。文獻［5］中采用HMM和SVM級聯(lián)的算法對駕駛意圖進行辨識，結(jié)合HMM和SVM算法的優(yōu)勢，提高了駕駛意圖識別率。文獻［6］中設(shè)計并訓練了PSO算法優(yōu)化的BP Neural Net?works換道模型，以識別駕駛員意圖。然而傳統(tǒng)機器學習沒有充分利用駕駛數(shù)據(jù)，且在長時域范圍內(nèi)的預測精度低，難以有效預測目標車輛的換道意圖。

隨著計算機計算能力的提升和大數(shù)據(jù)技術(shù)的發(fā)展，深度學習網(wǎng)絡(luò)取得了突破性進展。深度學習網(wǎng)絡(luò)在換道行為模型的構(gòu)建精度上高于傳統(tǒng)機器學習［7］，且深度學習能更靈活和準確地描述人類復雜的駕駛行為［8］。文獻［9］中建立LSTM預測模型，并根據(jù)自車位置、速度和航向信息來預測交叉路口的駕駛員意圖。但以上研究主要集中在針對自車的狀態(tài)來預測自車的換道行為，而沒有考慮車輛間交互信息來預測周圍車輛的換道意圖。

據(jù)此本文中提出了基于Residual BiLSTM網(wǎng)絡(luò)的車輛切入意圖預測模型。首先，通過濾波器平滑自然駕駛數(shù)據(jù)集，并使用滑動窗口的方法提取車輛軌跡序列，以構(gòu)建模型訓練樣本庫。接著，在考慮車輛間的交互信息基礎(chǔ)上提出Residual BiLSTM車輛切入意圖預測模型。最后，在測試集上對模型的預測性能進行測試，并與LSTM模型相對比，驗證了所提出的車輛切入意圖預測模型的有效性。

1 自然駕駛數(shù)據(jù)的采集與處理

采用“中國汽研自然駕駛數(shù)據(jù)研究（CAERI?NDS）”項目采集的自然駕駛數(shù)據(jù)，試驗車配備攝像頭、毫米波雷達和GPS等傳感器［10］。試驗車采集自車與周圍車輛的運動狀態(tài)信息，采樣頻率為25 Hz，視覺模塊實現(xiàn)車道線檢測、周圍車輛檢測分類、紅綠燈檢測和標志牌檢測等功能，毫米波雷達模塊采集周圍車輛的方向角、相對位置信息、相對速度和相對加速度等信息，GPS模塊采集自車的全球定位信息，而自車的運動狀態(tài)信息由車輛底盤傳感器獲得。針對我國的道路復雜多樣，試驗車分別在高速、城市、鄉(xiāng)村等路段采集數(shù)據(jù)，采集路段如圖1所示。

本文中所研究的車輛切入意圖預測是一種多分類問題，典型的車輛切入意圖如圖2所示，包括左車道保持、左車道插入、右車道插入和右車道保持4類切入意圖。從自然駕駛數(shù)據(jù)篩選出車輛切入片段的數(shù)據(jù)，同時過濾掉切入異常的片段，例如車道線不清晰、光線不足、數(shù)據(jù)缺失等異常片段，最后篩選出2 523條車輛切入軌跡數(shù)據(jù)。

自然駕駛數(shù)據(jù)集的軌跡數(shù)據(jù)存在一定的噪聲，因此這些數(shù)據(jù)不能直接使用。本文中采用Savitzky?Golay濾波器對其進行平滑處理，具體步驟如下。

在原始數(shù)據(jù)x附近取M個采樣點，并在x周圍構(gòu)建一個2M+1個采樣點的窗口來擬合i階多項式Y(jié)n，即

其中-M≤n≤M，i≤2M+1。

擬合誤差E為

通過最小化擬合誤差E來獲得更好的擬合效果，所以令E對ar的偏導為0，即

則

其中r=0，1，…，i，求得ak即可確定擬合多項式Y(jié)n，完成對數(shù)據(jù)的平滑擬合。

Savitzky?Golay濾波器的多項式階數(shù)i設(shè)為4，M設(shè)為10，其中車輛速度和加速度的平滑效果如圖3所示。

圖3 數(shù)據(jù)平滑效果

2 車輛切入意圖預測模型

2.1 車輛切入數(shù)據(jù)集

根據(jù)車輛橫向位移曲線的曲率確定車輛切入開始和結(jié)束時間點［11］，并對數(shù)據(jù)標注相應(yīng)的標簽，左車道保持標注為0、左車道插入標注為1、右車道插入標注為2和右車道保持標注為3。數(shù)據(jù)集中每輛車的軌跡數(shù)據(jù)是連續(xù)的，采用固定長度的滑動窗口去分割時序數(shù)據(jù)，以更好地利用數(shù)據(jù)和提取特征。如圖4所示，設(shè)定滑動窗口的大小1.92 s，滑動步長為0.96 s，即50%的重疊率，并將滑動窗口的最后一個時刻點的標簽標記為此序列的標簽，圖中的實線滑動窗口正處于右車道保持的位置，而虛線滑動窗口處于右車道插入的位置。基于以上方法，從切入軌跡數(shù)據(jù)中篩選出樣本序列總數(shù)為48 140，其中左車道保持13 404個序列、左車道插入2 584個序列、右車道插入5 620個序列和右車道保持26 532個序列。由于篩選出的各類數(shù)據(jù)不平衡，從而會產(chǎn)生過擬合的問題［12］，所以各類數(shù)據(jù)統(tǒng)一選取2 584個序列，并將其中的80%作為訓練集，20%作為測試集來測試預測性能。

圖4 滑動窗口分割過程

2.2 模型輸入?yún)?shù)

選取切入車輛的橫向坐標、橫向速度、加速度、方向角和方向角速度作為切入車輛的基本輸入特征。車輛間的交互作用是影響車輛切入意圖的因素之一［13］。模型輸入也考慮切入車輛與自車的相對位置和相對速度關(guān)系。模型輸入包括切入車輛的運動狀態(tài)信息及與自車的相對運動狀態(tài)信息：

其中

式中：th為輸入的歷史序列長度，所設(shè)時間步長為1.92 s；S t為切入車輛的運動狀態(tài)信息；M t為切入車輛和自車的相對運動狀態(tài)信息。

式中：yt為切入車輛的橫向坐標；為切入車輛的橫向速度；at為切入車輛的加速度；θt為切入車輛的方向角；θt為切入車輛的方向角速度；Δxt、Δyt和 Δvt分別代表切入車輛與自車的縱向相對距離、橫向相對距離和相對速度。

2.3 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

LSTM（long short?term memory）是一種特殊的RNN結(jié)構(gòu)，車輛切入意圖預測屬于軌跡時序問題，LSTM網(wǎng)絡(luò)非常適合處理這種時序數(shù)據(jù)的預測分類問題。如圖5所示，LSTM單元由輸入門i t、輸出門o t和遺忘門f t組成，分別實現(xiàn)對信息的寫、讀和重置作用。

圖5 LSTM單元結(jié)構(gòu)圖

為更深入理解門的作用，顯示如何通過上一時刻的輸出h t-1來計算當前時刻的輸出h t，其具體的公式定義如下：

式中：e t為t時刻的輸入；W和b分別為權(quán)重和偏置項；g t為t時刻的候選單元狀態(tài)；c t和c t-1分別為t時刻和t-1時刻的單元狀態(tài)。

LSTM車輛切入意圖預測模型如圖6所示，它由時間序列輸入層、切入意圖預測層和意圖概率輸出層3部分組成，將切入車輛及與自車的交互時間序列E作為模型輸入，利用堆疊LSTM結(jié)構(gòu)預測分類的結(jié)果，并通過softmax層將分類結(jié)果轉(zhuǎn)變?yōu)楦怕史植迹詈筝敵鲕囕v切入意圖的概率，以最大的類別輸出概率作為預測的類別。最終采用的LSTM模型由3層LSTM堆疊，各層間Dropout率為0.75，每層隱藏單元個數(shù)為32，采用Adam優(yōu)化器，學習率0.000 7。LSTM預測模型的公式為

圖6 LSTM車輛切入意圖預測模型

式中：LSTM函數(shù)代表LSTM單元的所有計算；Y為模型輸出；P i(i=0，1，2，3)分別為左車道保持、左車道插入、右車道插入和右車道保持的意圖概率。

2.4 Residual BiLSTM網(wǎng)絡(luò)結(jié)構(gòu)

BiLSTM網(wǎng)絡(luò)是在LSTM網(wǎng)絡(luò)的基礎(chǔ)上添加另一反向LSTM層，可以進一步處理反向信息，即由前向fw LSTM和后向bw LSTM結(jié)構(gòu)組成。BiLSTM網(wǎng)絡(luò)的雙向特性，不僅能更好地改善長期依賴問題，且增加神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)量，提高了預測精度［14］。BiLSTM車輛切入意圖預測模型如圖7所示，也是由3部分組成，與LSTM預測模型不同的是在切入意圖預測層中加入反向的LSTM單元，并將正、反向LSTM單元最終的輸出拼接（concat）起來。

圖7 BiLSTM車輛切入意圖預測模型

然而，深層的BiLSTM預測模型易出現(xiàn)優(yōu)化瓶頸和梯度消失的問題，導致不能有效地提高預測精度［15］。深度殘差網(wǎng)絡(luò)（residual network）的殘差連接很好地解決這些問題，因此文中進一步設(shè)計了Residual BiLSTM車輛切入意圖預測模型，如圖8所示。在BiLSTM預測模型中加入Residual連接，并將BiLSTM層的輸入和輸出連接起來。最終采用的Residual BiLSTM模型由3層Residual BiLSTM堆疊組成，Dropout率為0.75，每層隱藏單元數(shù)為32，采用Adam優(yōu)化器，學習率為0.000 7。Residual BiLSTM預測模型的公式為

圖8 Residual BiLSTM車輛切入意圖預測模型

3 試驗驗證

為測試所提出的車輛切入意圖預測模型的性能，本文對比LSTM和Residual BiLSTM兩種模型在測試集上的各個性能，并分析車輛切入的案例。

3.1 切入意圖預測結(jié)果分析

將訓練好的兩種切入意圖預測模型分別對測試集的517個序列進行預測。采用混淆矩陣圖來分析模型預測結(jié)果，混淆矩陣的橫坐標為預測意圖，縱坐標為真實意圖，如圖9所示。由圖9可知，LSTM模型不能很好地區(qū)分車道保持和插入的序列，而Residual BiLSTM模型改善了很多，在4種切入意圖的預測效果優(yōu)于LSTM模型。

圖9 混淆矩陣

LSTM和Residual BiLSTM的意圖識別評價指標如表1和表2所示?？梢钥吹絃STM模型的準確率為85.2%，而Residual BiLSTM模型的準確率為93.4%，準確率提高了8.2個百分點，且在精確率、召回率和F1?分數(shù)都達到89.7%以上，可知所提出的Residual BiLSTM模型有較好的意圖預測能力。

表1 LSTM意圖識別評價指標 %

表2 Residual BiLSTM意圖識別評價指標 %

3.2 ROC曲線分析

接收器工作特性（receiver operating characteris?tic，ROC）曲線和ROC曲線下面積（area under ROC curve，AUC）廣泛應(yīng)用于分類性能評價［16］，本文中使用ROC曲線和AUC進一步評價LSTM模型和Resi?dual BiLSTM模型的整體預測性能，如圖10所示。ROC曲線越靠近左上角，假正例率越小，真正例率越大，即AUC值越大，則模型的平均預測性能就越好。從圖10可以看出，LSTM和Residual BiLSTM的左車道保持、左車道插入、右車道插入和右車道保持的AUC分別為［0.973，0.977，0.966，0964］、［0.992，0.995，0.976，0.972］。從而可以得出，Residual BiL?STM模型各類切入意圖預測上的預測效果顯著優(yōu)于LSTM模型。

圖10 ROC曲線

3.3 實例分析

定義車輛切入時間（time to cut?in，TTC）是車輛從當前位置到達車道線的時間間隔。越早預測出車輛切入意圖就越有利于車輛的決策。圖11示出基于Residual BiLSTM的車輛切入案例，模型預測到周圍4輛車的切入意圖。從圖11（a）中可以看到，當TTC=2.8 s時預測模型已經(jīng)預測到車輛1的切入意圖，切入概率為22.19%，而車輛2正完成切入過程，其他2輛車保持當前車道行駛，說明預測模型能較早地預測出車輛的切入意圖。隨著車輛1駛向車道線，車輛1的切入概率逐漸提高。圖11（b）中，當TTC=1.96 s預測車輛切入概率達96.99%，而圖11（c）中，當TTC=0.2 s時車輛1切入概率高達99.99%，說明預測模型能準確預測出車輛的切入意圖。

圖11 Residual BiLSTM車輛切入案例

4 結(jié)論

提出Residual BiLSTM車輛切入意圖預測模型，綜合考慮了影響車輛切入的因素，模型采用的雙向結(jié)構(gòu)能更好地提取車輛軌跡序列的特征，Residual連接有效地改善梯度消失的問題，從而提高了模型的訓練精度。最后在真實的自然駕駛數(shù)據(jù)集上進行訓練和測試。試驗結(jié)果表明，所提出的Residual BiLSTM車輛切入意圖預測模型有效提高了網(wǎng)絡(luò)的預測能力，預測準確率高達93.4%，且能較早預測出車輛切入意圖，提高車輛的感知能力和安全性能，進一步為自動駕駛車輛提供良好的決策基礎(chǔ)。