孟憲偉，唐進(jìn)君，王 喆

中南大學(xué) 交通運(yùn)輸工程學(xué)院，長(zhǎng)沙 410075

不合理的車道變換是導(dǎo)致交通事故的常見原因之一，由于不當(dāng)?shù)膿Q道行為導(dǎo)致的交通事故占事故總數(shù)的27%，且其所導(dǎo)致的交通堵塞時(shí)間占全部碰撞事故交通延遲的10%[1]。提前預(yù)知周邊車輛的換道行為并做好應(yīng)對(duì)措施可有效降低事故的發(fā)生率。近年來，隨著自動(dòng)駕駛技術(shù)的不斷發(fā)展和對(duì)人工智能技術(shù)的深入挖掘，使得車輛在行駛過程中具有了信息收集能力和環(huán)境感知能力，并可以通過采集的實(shí)時(shí)數(shù)據(jù)預(yù)測(cè)周邊車輛的未來動(dòng)向。然而由于駕駛員風(fēng)格和換道環(huán)境的差異性使得車輛在換道過程中呈現(xiàn)出不同的特征，模型在車輛軌跡預(yù)測(cè)中表現(xiàn)不穩(wěn)定，對(duì)于精準(zhǔn)穩(wěn)定的預(yù)測(cè)換道軌跡研究還有待提高。

國(guó)內(nèi)外學(xué)者在智能車輛預(yù)測(cè)軌跡上取得了一系列成果。對(duì)于實(shí)際情景中行駛的車輛，預(yù)測(cè)換道車輛軌跡之前需要先了解駕駛員的換道意圖。文獻(xiàn)[2]建立了SVM（support vector machine）分類器對(duì)車輛駕駛意圖進(jìn)行預(yù)測(cè)，在城市道路和高速公路上得到了良好的效果。文獻(xiàn)[3]將SVM意圖識(shí)別的結(jié)果輸入別貝葉斯濾波器降低下虛錯(cuò)誤率和漏檢率，近一步提高模型性能。文獻(xiàn)[4]利用自車采集的GPS、IMU 和里程表數(shù)據(jù)融合的位置、航向和速度來訓(xùn)練LSTM 模型，評(píng)估模型在距換道多久前的時(shí)刻意圖預(yù)測(cè)的效果能達(dá)到100%。文獻(xiàn)[5]設(shè)計(jì)了一種基于模糊邏輯和編輯距離的意圖檢測(cè)算法，可以更早的時(shí)間提出警告，同時(shí)抑制不必要的警告和行動(dòng)。文獻(xiàn)[6]從駕駛員眼動(dòng)數(shù)據(jù)提取視覺表征參數(shù)，通過連續(xù)隱馬爾可夫模型預(yù)測(cè)車輛未來行為的變化。文獻(xiàn)[7]將連續(xù)隱馬爾可夫模型應(yīng)用到危險(xiǎn)換道行為和安全換道行為的識(shí)別中。

軌跡預(yù)測(cè)需要對(duì)一定長(zhǎng)度上的時(shí)間序列做出推測(cè)，相比于意圖預(yù)測(cè)更加復(fù)雜。目前，很多學(xué)者運(yùn)用動(dòng)力學(xué)模型預(yù)測(cè)車輛的運(yùn)動(dòng)軌跡[8-10]，并使用多項(xiàng)式軌跡規(guī)劃[8]和卡爾曼濾波[9]來克服模型在長(zhǎng)序列預(yù)測(cè)精度不足的缺點(diǎn)，但由于軌跡的高度非線性，基于動(dòng)力學(xué)模型的軌跡預(yù)測(cè)方法并沒有達(dá)到滿意的精度。隨著神經(jīng)網(wǎng)絡(luò)的不斷成熟，越來越多的學(xué)者嘗試用深度學(xué)習(xí)的方法對(duì)車輛軌跡進(jìn)行研究。長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）因其在處理時(shí)間序列問題上表現(xiàn)出的信息挖掘能力和深度表征能力而被研究者們廣泛應(yīng)用于軌跡預(yù)測(cè)中。文獻(xiàn)[11]通過分析車輛運(yùn)動(dòng)軌跡的影響因素建立運(yùn)動(dòng)軌跡方程，充分地考慮了車輛軌跡形成的層次性和時(shí)序性，并通過模糊Petri 網(wǎng)實(shí)現(xiàn)車輛軌跡的短時(shí)域預(yù)測(cè)。文獻(xiàn)[12]也通過解編碼器結(jié)構(gòu)進(jìn)行軌跡預(yù)測(cè)，編碼器對(duì)采集到的行駛數(shù)據(jù)進(jìn)行處理，生成捕獲過去軌跡時(shí)間結(jié)構(gòu)的固定長(zhǎng)度向量，解碼器基于這個(gè)固定長(zhǎng)度向量，在占用網(wǎng)格圖（OGM）上搜索可能性最大的未來軌跡。文獻(xiàn)[13]對(duì)長(zhǎng)短期記憶模型的結(jié)構(gòu)進(jìn)行優(yōu)化，提出了一種基于徑向連接結(jié)構(gòu)的多狀態(tài)共享方法，用雙層LSTM結(jié)構(gòu)表示車輛間的交互作用，但并未對(duì)周圍換道車輛對(duì)本車的影響進(jìn)行詳細(xì)分析。文獻(xiàn)[14]重點(diǎn)分析了密集交通裝填下車輛的相互作用，將空間相互作用嵌入LSTM 模型中，并在每個(gè)層次中引入快捷連接處理梯度小時(shí)的問題。文獻(xiàn)[15]用LSTM將車輛換道行為和跟馳行為同時(shí)建模，提出了一種混合再訓(xùn)練約束（HRC）訓(xùn)練方法來進(jìn)一步優(yōu)化LSTM 模型。文獻(xiàn)[16]將強(qiáng)化學(xué)習(xí)與LSTM 網(wǎng)絡(luò)結(jié)合，在LSTM預(yù)測(cè)車輛軌跡的基礎(chǔ)上通過Q-learning算法將車輛行駛中的交互作用考慮其中，更加真實(shí)地反應(yīng)車輛在行駛過程環(huán)境對(duì)車輛軌跡的影響。文獻(xiàn)[17]在意圖預(yù)測(cè)的基礎(chǔ)上進(jìn)一步對(duì)軌跡預(yù)測(cè)，并在軌跡預(yù)測(cè)上引入MDN 層提高模型的魯棒性。盡管現(xiàn)有研究證實(shí)了LSTM模型可以很好地應(yīng)用于軌跡預(yù)測(cè)中，然而換道場(chǎng)景的不同和駕駛風(fēng)格的差異導(dǎo)致單一模型會(huì)在個(gè)別車輛的預(yù)測(cè)中表現(xiàn)不佳的情況還沒有很好的解決。

在總結(jié)大量學(xué)者的研究基礎(chǔ)上，針對(duì)上述問題，構(gòu)建了一種連續(xù)隱馬可夫模型與LSTM-AdaBoost 的組合算法，在考慮換道意圖影響下對(duì)換道軌跡進(jìn)行預(yù)測(cè)，有效提升不同場(chǎng)景下的軌跡預(yù)測(cè)精度。同時(shí)采用AdaBoost集成的方法提升LSTM的預(yù)測(cè)結(jié)果，使其更好的適應(yīng)不同車輛運(yùn)動(dòng)特征和軌跡變化。

1 換道軌跡預(yù)測(cè)方法

1.1 軌跡預(yù)測(cè)問題描述

在車輛行駛過程中駕駛員經(jīng)常會(huì)進(jìn)行換道操作來達(dá)到自己的駕駛目的或更舒適的駕駛環(huán)境。處在換道目標(biāo)車道上的車輛會(huì)根據(jù)周圍車輛的換道軌跡來調(diào)整本車的速度位置和速度，將行駛環(huán)境改變帶來的影響降到最小。如圖1 所示，當(dāng)自動(dòng)駕駛汽車EV 左車車道的車輛發(fā)生右換道操作變換到本車道時(shí)，車輛需要做出相應(yīng)調(diào)整，保持直行或左轉(zhuǎn)并不對(duì)本車產(chǎn)生影響。同樣，對(duì)處在右側(cè)車道的車輛需要關(guān)注其是否發(fā)生左換道。車輛在行駛中得向左換道、直線行駛、向右換道3 種不同行為所表現(xiàn)出來的行駛特征并不相同。有研究表明，向左換道的持續(xù)時(shí)間比向右換道的時(shí)間長(zhǎng)[18]，且換車道方向?qū)囕v安全狀態(tài)的影響不同[19]。若用所有車輛行駛數(shù)據(jù)訓(xùn)練一個(gè)軌跡預(yù)測(cè)模型，模型會(huì)因?yàn)樽笥覔Q道的差異而達(dá)不到滿意精度。在進(jìn)行軌跡預(yù)測(cè)時(shí)考慮換道意圖的影響，將換道樣本分為左換道車輛和右換道車輛分別訓(xùn)練軌跡預(yù)測(cè)模型，可以使模型更好地?cái)M合車輛的行為特征。

圖1 換道場(chǎng)景劃分示意圖Fig.1 Diagram of lane-changing scene division

1.2 軌跡預(yù)測(cè)問題框架

對(duì)于實(shí)際場(chǎng)景中的車輛，車輛未來狀態(tài)是未知的，因此先通過意圖預(yù)測(cè)模型對(duì)周圍車輛的未來狀態(tài)進(jìn)行檢測(cè)，再對(duì)可能進(jìn)行換道操作的車輛進(jìn)行軌跡預(yù)測(cè)。將一定的時(shí)間長(zhǎng)度的車輛歷史軌跡序列輸入到連續(xù)隱馬爾可夫模型，得出的向左換道、直線行駛及向右換道的概率最大值即為車輛的意圖預(yù)測(cè)結(jié)果，將預(yù)測(cè)結(jié)果為左換道或者右換道的歷史軌跡序列輸入到相應(yīng)的軌跡預(yù)測(cè)模型中。為了減小軌跡預(yù)測(cè)模型對(duì)不同車輛的預(yù)測(cè)波動(dòng)，將換道軌跡數(shù)據(jù)劃分為多個(gè)訓(xùn)練集并通過訓(xùn)練得到多個(gè)LSTM 基軌跡預(yù)測(cè)模型，再通過AdaBoost 算法對(duì)基預(yù)測(cè)器進(jìn)行同質(zhì)集成，增加其精度和穩(wěn)定性，具體過程在文章第二節(jié)進(jìn)行說明。換道軌跡預(yù)測(cè)方法總體框架如圖2所示。

圖2 換道軌跡預(yù)測(cè)方法框架Fig.2 Framework of lane-changing trajectory prediction method

1.3 連續(xù)隱馬爾可夫模型

隱馬爾可夫模型（hidden Markov model，HMM）是支持時(shí)間數(shù)據(jù)模式識(shí)別的概率模型，它將事物在不可觀測(cè)的狀態(tài)之間轉(zhuǎn)換描述為一個(gè)隱藏的隱馬爾可夫鏈，通過各個(gè)狀態(tài)下可觀測(cè)的序列反應(yīng)隱藏狀態(tài)的變化。在車輛意圖識(shí)別中車輛的未來狀態(tài)是不可觀測(cè)的，即隱藏狀態(tài)，觀測(cè)向量是在各個(gè)狀態(tài)下車輛所表現(xiàn)出來的行駛特征。而對(duì)于一個(gè)連續(xù)的觀測(cè)數(shù)據(jù)來說，車輛在某一狀態(tài)下產(chǎn)生觀測(cè)向量的概率往往不是一個(gè)確定的值，因此需要通過觀測(cè)向量的概率分布代替觀測(cè)概率，也就是連續(xù)隱馬爾可夫模型（continuous hidden Markov model，CHMM）。連續(xù)隱馬爾可夫模型表示如下：

圖3 CHMM換道意圖識(shí)別模型Fig.3 Recognition model of CHMM based lane-changing intention

2 軌跡預(yù)測(cè)模型

2.1 LSTM解編碼器結(jié)構(gòu)

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）是循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）的一種變體，引入記憶單元來實(shí)現(xiàn)長(zhǎng)序列預(yù)測(cè)中梯度消失的問題，并通過控制門結(jié)構(gòu)協(xié)調(diào)各個(gè)記憶細(xì)胞之間的信息傳遞，滿足時(shí)間序列預(yù)測(cè)中的長(zhǎng)期依賴問題。LSTM的控制門有遺忘門、更新門和輸出門3種，其中遺忘門ft控制輸入和上一個(gè)隱藏層h輸出被遺忘的程度大小，更新門it決定輸入中新的有價(jià)值的信息被加入，輸出門ot控制輸出和當(dāng)前計(jì)算的狀態(tài)更新到記憶單元的程度。LSTM 單元內(nèi)的數(shù)據(jù)流向如圖4所示。

圖4 LSTM單元數(shù)據(jù)流向圖Fig.4 Data flow diagram of LSTM units

圖5 軌跡預(yù)測(cè)解編碼器結(jié)構(gòu)Fig.5 Encoder-decoder structure of trajectory prediction

2.2 LSTM-AdaBoost集成算法

單一的LSTM 模型不能很好的適應(yīng)不同狀態(tài)的車輛軌跡預(yù)測(cè)需求，會(huì)出現(xiàn)對(duì)個(gè)別車輛誤差較大的情況。因此考慮通過AdaBoost 算法提升LSTM 軌跡預(yù)測(cè)精度。AdaBoost算法（adaptive boosting）是一種集成學(xué)習(xí)算法，它建立在Boosting 算法的框架基礎(chǔ)上，通過對(duì)多個(gè)基學(xué)習(xí)器進(jìn)行迭代訓(xùn)練，根據(jù)誤差調(diào)整權(quán)重，減小誤差較大的學(xué)習(xí)器權(quán)重同時(shí)增大誤差較小的學(xué)習(xí)器權(quán)重，最終加權(quán)集成為強(qiáng)學(xué)習(xí)器。AdaBoost 算法不易受到過擬合問題的影響，可以彌補(bǔ)單一LSTM模型不能很好的適應(yīng)不同狀態(tài)行駛車輛的問題，提高軌跡預(yù)測(cè)模型的泛化能力。已有很多學(xué)者通過LSTM-AdaBoost增強(qiáng)模型的預(yù)測(cè)性能，如Xiao 等人[21]通過LSTM-AdaBoost 算法對(duì)中短期海面溫度進(jìn)行了預(yù)測(cè)，但采用的組合算法僅是對(duì)兩個(gè)模型得出的結(jié)果進(jìn)行算數(shù)平均，并不能體現(xiàn)出AdaBoost 的優(yōu)勢(shì)。李達(dá)等[22]將LSTM-AdaBoost 算法分類實(shí)驗(yàn)中，提升了用于多天氣車輛分類準(zhǔn)確率；Bai等[23]在制造質(zhì)量預(yù)測(cè)中利用AdaBoost 提升LSTM 的預(yù)測(cè)精度，但其預(yù)測(cè)模型解決的是多對(duì)一的非序列問題。本文將LSTM-AdaBoost 應(yīng)用于軌跡序列預(yù)測(cè)問題，并在誤差更新依據(jù)上選用預(yù)測(cè)軌跡和真實(shí)軌跡的均方根誤差（RMSE）作為判別標(biāo)準(zhǔn)，構(gòu)建軌跡預(yù)測(cè)算法步驟如下：

步驟1 通過k個(gè)訓(xùn)練集訓(xùn)練LSTM 神經(jīng)網(wǎng)絡(luò)得到基預(yù)測(cè)器pk，k=1,2,…,N。

3 實(shí)例分析

3.1 數(shù)據(jù)準(zhǔn)備

本文采用NGSIM數(shù)據(jù)集對(duì)提出的換道軌跡預(yù)測(cè)模型進(jìn)行訓(xùn)練和測(cè)試。該數(shù)據(jù)集來源于美國(guó)聯(lián)邦公路管理局發(fā)起的next generation simulation（NGSIM）計(jì)劃，致力于采集真實(shí)場(chǎng)景下的車輛行駛數(shù)據(jù)以供學(xué)者進(jìn)行分析研究。數(shù)據(jù)通過高處的攝像頭對(duì)目標(biāo)路段的車輛進(jìn)行拍攝，以0.1 s的采樣頻率提取車輛的橫縱坐標(biāo)、速度、加速度、車頭時(shí)距、車頭間距等特征。通過圖像識(shí)別技術(shù)獲得的數(shù)據(jù)參在一定的誤差和噪聲，尤其速度和加速度波動(dòng)明顯，因此先采用對(duì)稱指數(shù)移動(dòng)平均濾波法[24]對(duì)原始數(shù)據(jù)做平滑處理。NGSIM中I-80高速公路的研究區(qū)域如圖6所示，其中1～5車道為主路車道，6車道為集散車道，7、8號(hào)車道分別為匝道進(jìn)出口。由于匝道上的換道車輛和主路上車輛的換道特征并不相同，因此只考慮在主路上行駛的小汽車，同時(shí)選取的換道車輛只發(fā)生一次換道行為或換道間隔大于150 幀以排除連續(xù)換道車輛帶來的影響。

圖6 I-80高速公路研究區(qū)域圖Fig.6 Study area of I-80 express way

對(duì)于如圖7所示的完整車輛換道軌跡，車輛軌跡與車道線的交點(diǎn)作為車輛的換道點(diǎn)，即數(shù)據(jù)中車輛所在車道編號(hào)發(fā)生變化的時(shí)間點(diǎn)。距換道點(diǎn)前T 秒即為軌跡提前預(yù)測(cè)時(shí)間，提前預(yù)測(cè)時(shí)間點(diǎn)前L秒內(nèi)的軌跡數(shù)據(jù)即為歷史軌跡數(shù)據(jù)，提前預(yù)測(cè)時(shí)間點(diǎn)后L′秒的軌跡數(shù)據(jù)為預(yù)測(cè)軌跡數(shù)據(jù)，其中L、L′為歷史數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)的序列長(zhǎng)度。車輛所在車道編號(hào)變小為左變道車輛，變大為右變道車輛，最終從數(shù)據(jù)集中提取到737輛左變道車輛、3 628輛直行車輛和182輛右變道車輛。由于數(shù)據(jù)集本身左變道車輛就多于右變道車輛，因此加入相同篩選條件下US-101 中的163 輛右轉(zhuǎn)車輛以避免軌跡預(yù)測(cè)中基學(xué)習(xí)器樣本過少導(dǎo)致整體偏差過大。

圖7 換道軌跡劃分圖Fig.7 Partition of lane-changing trajectory

3.2 參數(shù)設(shè)置與特征選取

車輛在高速公路中換道持續(xù)時(shí)間3.5～6.5 s，平均為5 s完成一次完整的換道過程[25]，因此取提前預(yù)測(cè)時(shí)間T為1 s，歷史軌跡時(shí)長(zhǎng)L為5 s，預(yù)測(cè)軌跡時(shí)長(zhǎng)L′為3 s，幾乎可以涵蓋車輛從接近車道線到換道完成調(diào)整速度的階段，即軌跡預(yù)測(cè)模型通過長(zhǎng)度為50 步的歷史軌跡序列預(yù)測(cè)未來30步的軌跡序列。意圖預(yù)測(cè)模塊輸入歷史軌跡數(shù)據(jù)的速度、加速度、橫向位移、橫向速度的平均值，通過這些特征預(yù)測(cè)車輛的未來狀態(tài)。將向左換道，直線行駛和向右換道3 種樣本均按75%、25%隨機(jī)劃分為訓(xùn)練集和測(cè)試集。

對(duì)于軌跡預(yù)測(cè)模塊，軌跡預(yù)測(cè)模型研究中不需要設(shè)置太多基預(yù)測(cè)器，當(dāng)基預(yù)測(cè)器數(shù)量過多模型提升效果并不會(huì)有明顯提升，還會(huì)因訓(xùn)練樣本數(shù)的減少降低每個(gè)基預(yù)測(cè)器的精度。通過3 個(gè)基學(xué)習(xí)器對(duì)模型進(jìn)行集成測(cè)試，取所有車輛歷史軌跡序列的橫縱坐標(biāo)、速度和加速度序列為模型的訓(xùn)練數(shù)據(jù)，更好地反應(yīng)車輛變道前的特征變化。左、右換道序列均按3∶3∶3∶1∶1的比例隨機(jī)劃分為3組訓(xùn)練集、1組驗(yàn)證集和1組測(cè)試集。訓(xùn)練集用于訓(xùn)練軌跡基學(xué)習(xí)器，驗(yàn)證集通過AdaBoost 算法得出各基學(xué)習(xí)器權(quán)重，測(cè)試集用于評(píng)價(jià)模型性能。以被檢測(cè)車輛的橫縱向位置信息、速度和加速度作為軌跡預(yù)測(cè)模型的輸入變量。LSTM 軌跡預(yù)測(cè)模型中很多超參數(shù)的設(shè)定會(huì)影響模型的性能，通過多次實(shí)驗(yàn)取Dropout 率為0.2，每層隱藏單元個(gè)數(shù)為128，訓(xùn)練樣本批量為256，選擇較為常用的Adam 和均方誤差MSE 作為模型訓(xùn)練的優(yōu)化器和訓(xùn)練損失函數(shù)，迭代次數(shù)為1 000。模型在Python中的Keras平臺(tái)上實(shí)現(xiàn)，實(shí)驗(yàn)操作在配置為CPU：Intel Core?i9-9900K@3.6 GHz，GPU：NVIDIA 2080Ti，RAM：32 GB 的硬件環(huán)境下運(yùn)行。采用Multiprocessing對(duì)多個(gè)模型進(jìn)行多核并行運(yùn)算，以保證最短的程序運(yùn)行時(shí)間。

3.3 結(jié)果與討論

3.3.1 意圖識(shí)別分析

意圖預(yù)測(cè)的準(zhǔn)確性直接關(guān)系到軌跡預(yù)測(cè)工作的開展。為了驗(yàn)證連續(xù)隱馬爾可夫模型的意圖識(shí)別效果，選取精確率、召回率、F1-分?jǐn)?shù)和準(zhǔn)確率等指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)，同時(shí)選用支持向量機(jī)預(yù)測(cè)模型進(jìn)行對(duì)比，精準(zhǔn)率表示預(yù)測(cè)正確的正樣本個(gè)數(shù)占預(yù)測(cè)結(jié)果為正樣本的樣本個(gè)數(shù)的比例，召回率表示預(yù)測(cè)正確的正樣本個(gè)數(shù)占真正的正樣本個(gè)數(shù)的比例，F(xiàn)1-分?jǐn)?shù)為精確率和召回率的調(diào)和平均值，準(zhǔn)確率為總樣本中預(yù)測(cè)正確的樣本比例。預(yù)測(cè)結(jié)果如表1所示。

表1 意圖預(yù)測(cè)性能度量Table 1 Performance measurement of intention recognition module

從表中可以看出，連續(xù)隱馬爾可夫模型的意圖識(shí)別的精確率、召回率和F1-分?jǐn)?shù)均接近90%及以上，與SVM模型相比，除了左右換道的精確率略低于SVM模型外，其余指標(biāo)均優(yōu)于支持向量機(jī)模型。有小部分樣本存在預(yù)測(cè)不準(zhǔn)確的情況，分析原因可能是模型對(duì)于較為平滑的換道行為，其橫縱向速度和加速度變化并不明顯，可能會(huì)被預(yù)測(cè)為保持直行，或是保持直行車輛受到某些因素影響車速產(chǎn)生較大波動(dòng)或嘗試換道但未完成的車輛易誤判為換道?？傮w看模型表現(xiàn)良好，可以為接下來的軌跡預(yù)測(cè)提供有力支撐。

3.3.2 軌跡預(yù)測(cè)分析

換道軌跡預(yù)測(cè)效果通過軌跡橫縱向預(yù)測(cè)均方根誤差（RMSE）、平均絕對(duì)誤差（mAE）、平均絕對(duì)百分比誤差（mAPE）的平均值進(jìn)行評(píng)價(jià)，從表2可以看出，無論橫向和縱向預(yù)測(cè)中，LSTM-AdaBoost模型的預(yù)測(cè)結(jié)果在每個(gè)指標(biāo)中均優(yōu)于單個(gè)基預(yù)測(cè)器。以預(yù)測(cè)軌跡的均方誤差為例，相對(duì)于單個(gè)基預(yù)測(cè)器，集成模型在左換道橫向預(yù)測(cè)中分別提升22.46%、12.7%、12.22%，橫向預(yù)測(cè)中分別提升38.12%、13.4%、11.1%；右換道橫向預(yù)測(cè)中分別提升4.23%、17.6%、23.4%，縱向預(yù)測(cè)中分別提升34.19%、14%、24.03%，可以說明采用的集成預(yù)測(cè)模型可以提高換道軌跡預(yù)測(cè)的精度。右轉(zhuǎn)整體精度不如左轉(zhuǎn)，原因可能是由于右轉(zhuǎn)樣本相對(duì)較少，基學(xué)習(xí)器沒有得到更好的學(xué)習(xí)能力，當(dāng)右轉(zhuǎn)樣本增多時(shí)，右轉(zhuǎn)軌跡預(yù)測(cè)的整體精度也會(huì)更高。

表2 模型預(yù)測(cè)性能對(duì)比Table 2 Comparison of model prediction performance

如圖8 展示了不同歷史軌跡時(shí)長(zhǎng)和預(yù)測(cè)軌跡時(shí)長(zhǎng)的對(duì)軌跡預(yù)測(cè)精度的影響。在相同的歷史軌跡時(shí)長(zhǎng)下，誤差會(huì)隨著預(yù)測(cè)軌跡時(shí)長(zhǎng)的增加而增大。這是因?yàn)樵谛蛄蓄A(yù)測(cè)問題中，神經(jīng)網(wǎng)絡(luò)中的誤差處于不斷積累的過程，使得較遠(yuǎn)的軌跡點(diǎn)距離車輛真實(shí)軌跡偏差較大。在同樣的預(yù)測(cè)時(shí)長(zhǎng)下，歷史軌跡時(shí)長(zhǎng)的增加也使得整體誤差呈下降趨勢(shì)。從圖中可以看出，歷史軌跡時(shí)長(zhǎng)在4～5 s的預(yù)測(cè)效果明顯優(yōu)于時(shí)長(zhǎng)小于4 s的。因?yàn)樵趯?shí)際駕駛環(huán)境下駕駛員往往在到達(dá)車道線前就開始調(diào)整車輛的位置和速度，較長(zhǎng)的歷史軌跡序列可以涵蓋整個(gè)換道過程，更好的捕捉整個(gè)換道階段的特征變化以達(dá)到更加的預(yù)測(cè)效果。

訓(xùn)練LSTM-AdaBoost 模型時(shí)誤差閾值的設(shè)定會(huì)得到不同的集成權(quán)重，對(duì)于不同的數(shù)據(jù)集閾值的設(shè)定是不同的。本文對(duì)LSTM軌跡預(yù)測(cè)進(jìn)行多次預(yù)實(shí)驗(yàn)，并在預(yù)實(shí)驗(yàn)的誤差范圍內(nèi)探究閾值的變化對(duì)各基預(yù)測(cè)器集成權(quán)重的影響。以右換道縱向預(yù)測(cè)為例，其閾值設(shè)置的不同帶來的集成模型效果和權(quán)重系數(shù)的變化如圖9 所示。可以看到閾值在2.7 m至3.6 m之間時(shí)，集成模型的預(yù)測(cè)效果相對(duì)于基預(yù)測(cè)器都有著不同程度上的提升。整體平均預(yù)測(cè)誤差相對(duì)較大的基預(yù)測(cè)器1和3得到的權(quán)重系數(shù)較小，最后得出相對(duì)精度提升也較大，整體表現(xiàn)較好的基預(yù)測(cè)器2 一直保持著較大的權(quán)重系數(shù)。可見閾值的設(shè)定會(huì)使精度提升效果不同，但集成模型的效果還是優(yōu)于基預(yù)測(cè)器的。在進(jìn)行集成預(yù)測(cè)時(shí)，閾值的設(shè)定在基預(yù)測(cè)器對(duì)數(shù)據(jù)集的平均預(yù)測(cè)誤差附近，閾值過小會(huì)產(chǎn)生整體預(yù)測(cè)效果不好的基預(yù)測(cè)器得到負(fù)權(quán)重的情況，閾值過大則平均誤差較大的預(yù)測(cè)器也會(huì)得到較大的權(quán)重使得最終集成結(jié)果不好。

圖9 不同閾值下基預(yù)測(cè)器的提升度和權(quán)重系數(shù)Fig.9 Accuracy improvement and weight coefficient of each base predictor under different thresholds

如圖10展示了測(cè)試樣本在基預(yù)測(cè)器和集成預(yù)測(cè)器下的預(yù)測(cè)誤差分布，其中軌跡預(yù)測(cè)誤差為以預(yù)測(cè)軌跡點(diǎn)與真實(shí)軌跡點(diǎn)的幾何距離?？梢钥闯觯赡Ｐ偷念A(yù)測(cè)結(jié)果更加穩(wěn)定，整體精度更高。其中左換道軌跡誤差均在3 m以下，有一半的車輛預(yù)測(cè)誤差不超過1.5 m。右換道軌跡誤差均在4 m以下，一半的車輛預(yù)測(cè)誤差不超過2 m。左右轉(zhuǎn)預(yù)測(cè)誤差的上四分位數(shù)、中位數(shù)和下四分衛(wèi)數(shù)均低于各基預(yù)測(cè)器。此外，集成模型的異常點(diǎn)要少于基預(yù)測(cè)器，且異常點(diǎn)的預(yù)測(cè)誤差更低，說明LSTMAdaBoost對(duì)不同場(chǎng)景下的軌跡預(yù)測(cè)具有較強(qiáng)適應(yīng)能力。

圖10 左、右換道軌跡預(yù)測(cè)誤差分布Fig.10 Error distribution of LCL and LCR trajectory prediction

3.3.3 軌跡預(yù)測(cè)系統(tǒng)整體效果分析

為了驗(yàn)證提出的軌跡預(yù)測(cè)系統(tǒng)的優(yōu)越性，分別采用傳統(tǒng)的回歸預(yù)測(cè)模型AdaBoost 和SVM 不考慮變道意圖影響的LSTM軌跡預(yù)測(cè)模型，在相同的測(cè)試集下進(jìn)行預(yù)測(cè)精度對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如圖11 所示，AdaBoost和SVM 的左轉(zhuǎn)軌跡預(yù)測(cè)均方根誤差分別為5.65 m 和3.35 m，右轉(zhuǎn)軌跡預(yù)測(cè)均方根誤差分別為8.23 m 和5.94 m。回歸預(yù)測(cè)模型在短期內(nèi)的預(yù)測(cè)效果較好，但當(dāng)預(yù)測(cè)的時(shí)間序列較長(zhǎng)時(shí)，單純的回歸預(yù)測(cè)無法適應(yīng)時(shí)間序列發(fā)生的變化，對(duì)于復(fù)雜的換道軌跡預(yù)測(cè)更是如此。長(zhǎng)短時(shí)記憶模型LSTM左、右轉(zhuǎn)軌跡預(yù)測(cè)均方根誤差分別為1.69 m 和2.66 m，誤差明顯更小，也證明了深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在長(zhǎng)時(shí)域軌跡預(yù)測(cè)的優(yōu)越性。另外，考慮換道意圖的LSTM-AdaBoost軌跡預(yù)測(cè)模型與未考慮意圖預(yù)測(cè)的LSTM模型與進(jìn)行相比平均精度更高，泛化能力更強(qiáng)。因?yàn)橛盟械能囕v換道數(shù)據(jù)構(gòu)建的軌跡預(yù)測(cè)模型，左、右換道軌跡變化特征會(huì)因其他不同的訓(xùn)練樣本的存在而無法充分表現(xiàn)出來，導(dǎo)致平均預(yù)測(cè)誤差增大，也說明了軌跡預(yù)測(cè)系統(tǒng)中意圖預(yù)測(cè)模塊的必要性。

圖11 不同模型軌跡預(yù)測(cè)性能對(duì)比Fig.11 Trajectory prediction performance comparison of different models

4 結(jié)語

（1）換道軌跡預(yù)測(cè)具有很強(qiáng)的時(shí)效性，需要在短時(shí)間內(nèi)預(yù)測(cè)出車輛未來的行駛軌跡。本文將意圖預(yù)測(cè)和軌跡預(yù)測(cè)相結(jié)合，構(gòu)建換道軌跡預(yù)測(cè)方法系統(tǒng)。首先通過換道前的軌跡數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練并存儲(chǔ)在系統(tǒng)中，然后將車輛行駛時(shí)采集到的周圍車輛實(shí)時(shí)軌跡數(shù)據(jù)以一定的間隔輸入至CHMM 意圖預(yù)測(cè)，再基于意圖預(yù)測(cè)結(jié)果采用相應(yīng)的換道軌跡模型進(jìn)行預(yù)測(cè)，保證軌跡預(yù)測(cè)的精度和實(shí)時(shí)性。經(jīng)實(shí)驗(yàn)得出在多核并行運(yùn)算的情況下，系統(tǒng)可在很短時(shí)間內(nèi)預(yù)測(cè)出未來3 s的換道軌跡，可以滿足實(shí)際應(yīng)用的需求。

（2）采用LSTM-AdaBoost 進(jìn)行換道軌跡預(yù)測(cè)，將長(zhǎng)短期記憶模型（LSTM）作為AdaBoost的基學(xué)習(xí)器，以軌跡預(yù)測(cè)的均方根誤差為判定指標(biāo)調(diào)整每個(gè)基學(xué)習(xí)器的權(quán)重，再通過加權(quán)集成得到最終的軌跡預(yù)測(cè)結(jié)果；利用NGSIM 數(shù)據(jù)證明了模型性能進(jìn)行測(cè)試，結(jié)果顯示LSTM-AdaBoost 模型的預(yù)測(cè)結(jié)果各項(xiàng)指標(biāo)均優(yōu)于單一模型，且異常數(shù)據(jù)更少，具有較好的穩(wěn)定性。

（3）軌跡預(yù)測(cè)是在意圖預(yù)測(cè)的結(jié)果上進(jìn)行的，意圖預(yù)測(cè)的結(jié)果直接影響到軌跡預(yù)測(cè)的效果。連續(xù)隱馬爾可夫模型可在再換道前1 s對(duì)車輛意圖預(yù)測(cè)的準(zhǔn)確率達(dá)到92%。今后的研究工作將集中于提高意圖預(yù)測(cè)的準(zhǔn)確率及提前預(yù)測(cè)時(shí)長(zhǎng)，并給出在預(yù)測(cè)錯(cuò)誤時(shí)的合理解決方法。