趙 健，宋東鑒，朱 冰，吳杭哲，韓嘉懿，劉宇翔

（1. 吉林大學(xué)，汽車仿真與控制國(guó)家重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)春 130022；2. 中國(guó)第一汽車集團(tuán)有限公司智能網(wǎng)聯(lián)開發(fā)院，長(zhǎng)春 130011）

前言

隨著汽車智能化技術(shù)的不斷發(fā)展，智能汽車所面臨的交通場(chǎng)景更加復(fù)雜，為應(yīng)對(duì)復(fù)雜交通態(tài)勢(shì)下的自動(dòng)駕駛?cè)蝿?wù)，高等級(jí)智能汽車必須具備對(duì)周圍相關(guān)交通態(tài)勢(shì)的感知和認(rèn)知能力，而交通車的意圖識(shí)別是其中的重要內(nèi)容。

目前用于車輛意圖或行為識(shí)別的方法可分為機(jī)理建模和數(shù)據(jù)驅(qū)動(dòng)兩類。機(jī)理建模通常利用車輛運(yùn)動(dòng)學(xué)模型、對(duì)行為決策過(guò)程的抽象表征、人為制定的規(guī)則識(shí)別交通車行為；數(shù)據(jù)驅(qū)動(dòng)方法則將意圖識(shí)別視為機(jī)器學(xué)習(xí)中的分類問(wèn)題，通過(guò)學(xué)習(xí)型算法構(gòu)建意圖分類器。

機(jī)理模型方面，謝楓等利用車輛側(cè)向速度和橫擺角速度，結(jié)合高精度地圖進(jìn)行車輛意圖識(shí)別。謝輝等通過(guò)定義相似度函數(shù)，根據(jù)車輛與當(dāng)前車道中心線的位置誤差和航向角誤差計(jì)算相似度函數(shù)，通過(guò)手寫規(guī)則建立了車輛意圖識(shí)別體系。近年來(lái)，也有研究將車間的交互關(guān)系引入機(jī)理建模當(dāng)中。Bahram 等基于非合作博弈對(duì)可能發(fā)生的交通場(chǎng)景進(jìn)行全面考量，通過(guò)構(gòu)建成本地圖描述被識(shí)別車輛和周圍相關(guān)車輛之間的交互關(guān)系，進(jìn)而構(gòu)建意圖識(shí)別模型。

數(shù)據(jù)驅(qū)動(dòng)方法方面，以隱式馬爾科夫模型（hidden Markov model，HMM）為代表的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)在概率圖模型基礎(chǔ)上引入時(shí)間流，在處理具有時(shí)序依賴性的意圖識(shí)別問(wèn)題上效果較好。支持向量機(jī)等也被用于車輛意圖識(shí)別。近年來(lái)考慮車間交互機(jī)制的深度學(xué)習(xí)方法開始用于車輛意圖識(shí)別和運(yùn)動(dòng)預(yù)測(cè)，其中以長(zhǎng)短期記憶（long-shot term memory，LSTM）和門控循環(huán)單元（gated recurrent unit，GRU）兩種循環(huán)神經(jīng)網(wǎng)絡(luò)模型及其變體的應(yīng)用最為廣泛。季學(xué)武等基于LSTM 網(wǎng)絡(luò)構(gòu)建交通車意圖識(shí)別模塊，以被預(yù)測(cè)對(duì)象和周圍相關(guān)車輛的位置和速度信息為輸入進(jìn)行意圖識(shí)別。Dai 等通過(guò)改進(jìn)LSTM 網(wǎng)絡(luò)結(jié)構(gòu)建立車輛空間交互關(guān)系。宋曉琳等基于條件隨機(jī)場(chǎng)（condition random field，CRF）與注意力機(jī)制下的LSTM，構(gòu)建了換道意圖識(shí)別方法。蔡英鳳等將LSTM 和卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）相結(jié)合，考量車輛社交特征信息，通過(guò)注意力機(jī)制提升了算法的特征表達(dá)能力。圖神經(jīng)網(wǎng)絡(luò)由于其強(qiáng)大的表現(xiàn)力也開始被應(yīng)用在車輛行為識(shí)別和預(yù)測(cè)。Zhao 等將CNN和GRU相結(jié)合，利用CNN學(xué)習(xí)復(fù)雜拓?fù)浣Y(jié)構(gòu)以捕獲空間依賴性，利用GRU 學(xué)習(xí)數(shù)據(jù)時(shí)序上動(dòng)態(tài)變化以捕捉時(shí)間依賴性，進(jìn)而構(gòu)建時(shí)間圖卷積網(wǎng)絡(luò)模型用于城市道路路網(wǎng)下的交通預(yù)測(cè)。Jeon等基于邊緣增強(qiáng)圖卷積神經(jīng)網(wǎng)絡(luò)（ECGN）建立車間交互關(guān)系模型，利用具有編碼器（encoder）-解碼器（decoder）架構(gòu)的LSTM網(wǎng)絡(luò)進(jìn)行車輛運(yùn)動(dòng)預(yù)測(cè)。

目前的數(shù)據(jù)驅(qū)動(dòng)方法普遍通過(guò)完全黑盒化的模型從被識(shí)別車輛及其周圍相關(guān)交通車的基礎(chǔ)運(yùn)動(dòng)學(xué)信息中提取車間的隱式交互依賴關(guān)系，再通過(guò)LSTM等對(duì)序列的時(shí)序關(guān)系進(jìn)行處理，這樣的架構(gòu)被證明能夠?qū)崿F(xiàn)較高精度的意圖識(shí)別或運(yùn)動(dòng)預(yù)測(cè)。但模型效果受訓(xùn)練數(shù)據(jù)影響較大，且由于不同駕駛?cè)嗽谙嗤煌☉B(tài)勢(shì)下行為決策的差異性和非理智駕駛行為，導(dǎo)致自然駕駛數(shù)據(jù)中存在著異質(zhì)性的車間交互和依賴關(guān)系，使得完全黑盒模型在部分場(chǎng)景中的泛化能力可能不如機(jī)理模型穩(wěn)定，且不具備良好的可解釋性。

針對(duì)上述問(wèn)題，本文從駕駛行為內(nèi)在生成機(jī)理出發(fā)，站在被識(shí)別車輛駕駛?cè)说慕嵌?，分析其從產(chǎn)生駕駛意圖到尋找執(zhí)行時(shí)機(jī)、再到執(zhí)行操作控制車輛完成駕駛意圖的全過(guò)程，論述其中各階段的內(nèi)在機(jī)理、可供利用的顯式信息和對(duì)應(yīng)的建模方法，通過(guò)構(gòu)建數(shù)據(jù)機(jī)理混合驅(qū)動(dòng)架構(gòu)將具有明確時(shí)序關(guān)系的各階段對(duì)應(yīng)的模型進(jìn)行融合，構(gòu)建數(shù)據(jù)機(jī)理混合驅(qū)動(dòng)的交通車意圖識(shí)別方法。

本文的主要貢獻(xiàn)為：（1）通過(guò)建立駕駛行為時(shí)間軸，明晰了駕駛行為的產(chǎn)生過(guò)程，并按照時(shí)序關(guān)系將交通車行為識(shí)別問(wèn)題拆解為駕駛?cè)艘鈭D預(yù)測(cè)、換道可行性分析和車輛行為識(shí)別3 個(gè)層次，提升了模型的泛化性和可解釋性；（2）站在被識(shí)別車輛駕駛?cè)说慕嵌?，基于馬爾可夫決策過(guò)程（Markov decision process，MDP），通過(guò)量化不同交通態(tài)勢(shì)下駕駛?cè)藢?duì)各駕駛行為收益的認(rèn)知，從駕駛?cè)笋{駛行為生成機(jī)理角度出發(fā)建立了駕駛?cè)艘鈭D預(yù)測(cè)模型；（3）通過(guò)建立換道可行性分析模型表征駕駛?cè)藢?duì)于換道時(shí)機(jī)的把握和判斷，并進(jìn)一步構(gòu)建數(shù)據(jù)機(jī)理混合驅(qū)動(dòng)架構(gòu)，將考慮機(jī)理的駕駛?cè)艘鈭D預(yù)測(cè)和換道可行性分析與數(shù)據(jù)驅(qū)動(dòng)的車輛行為識(shí)別進(jìn)行結(jié)果級(jí)融合，利用機(jī)理模型延長(zhǎng)提前識(shí)別時(shí)間，利用數(shù)據(jù)驅(qū)動(dòng)方法保證識(shí)別準(zhǔn)確率，最后通過(guò)與目前主流的考慮車間交互的深度學(xué)習(xí)模型對(duì)比，證明了本文提出方法在識(shí)別準(zhǔn)確率、提前識(shí)別時(shí)間和模型可解釋性上的優(yōu)勢(shì)。

1 駕駛?cè)藫Q道過(guò)程分析與方法架構(gòu)設(shè)計(jì)

駕駛?cè)说膿Q道行為可分為兩類，一是根據(jù)駕駛?cè)蝿?wù)需求產(chǎn)生的強(qiáng)制換道，如為上下匝道或換至轉(zhuǎn)彎車道等而采取的換道行為；二是駕駛?cè)说闹鲃?dòng)換道即自由換道，駕駛?cè)嘶趯?duì)交通態(tài)勢(shì)的分析，為了追求更高的行駛效率、行駛安全性等產(chǎn)生換道意圖，可基于經(jīng)驗(yàn)和規(guī)則進(jìn)行收益分析，從而推斷駕駛?cè)艘鈭D。本文以自由換道行為為研究對(duì)象，建立了如圖1 所示的換道行為時(shí)間軸和意圖識(shí)別方法架構(gòu)，一次換道行為的完成需經(jīng)過(guò)以下階段：

階段I：外界交通態(tài)勢(shì)刺激駕駛?cè)水a(chǎn)生換道意圖，并尋找目標(biāo)車道。該階段為駕駛?cè)说膬?nèi)在思考過(guò)程，沒(méi)有可直接獲取的顯式特征，只能通過(guò)抽象建模分析交通態(tài)勢(shì)與駕駛?cè)艘鈭D之間的映射關(guān)系，進(jìn)行駕駛?cè)艘鈭D預(yù)測(cè)。

階段II：針對(duì)性感知、認(rèn)知交通態(tài)勢(shì)，尋找換道時(shí)機(jī)。駕駛?cè)烁兄煌☉B(tài)勢(shì)時(shí)可觀測(cè)的顯式特征包括其頭部、眼部等移動(dòng)，基于這些顯示特征可以對(duì)駕駛?cè)说囊鈭D進(jìn)行提前識(shí)別；而駕駛?cè)藢?duì)交通態(tài)勢(shì)的針對(duì)性認(rèn)知?jiǎng)t難以直接通過(guò)顯式特征表達(dá)，需通過(guò)抽象模型表征駕駛?cè)朔治鰮Q道可行性和尋找換道時(shí)機(jī)的過(guò)程。

階段III：駕駛?cè)藞?zhí)行操作，控制車輛完成換道。當(dāng)駕駛?cè)苏J(rèn)為換道時(shí)機(jī)到來(lái)時(shí)，開始執(zhí)行轉(zhuǎn)動(dòng)轉(zhuǎn)向盤、踩下油門/制動(dòng)踏板等具體操縱行為以改變車輛的運(yùn)動(dòng)學(xué)、動(dòng)力學(xué)狀態(tài)，從而控制車輛完成換道。該過(guò)程可觀測(cè)的顯式特征可分為兩類，一是駕駛?cè)说氖謩?dòng)和腳動(dòng)等生理信息，二是車輛的運(yùn)動(dòng)學(xué)、動(dòng)力學(xué)參數(shù)信息。

在非網(wǎng)聯(lián)環(huán)境下，無(wú)法獲取被識(shí)別車輛（predicted vehicle，PV）駕駛?cè)说念^眼動(dòng)和手腳動(dòng)等生理信息，因此難以構(gòu)建PV 駕駛?cè)艘鈭D識(shí)別模型。如圖1 所示，本文根據(jù)目前交通環(huán)境和車輛感知技術(shù)可觀測(cè)的PV相關(guān)信息，面向駕駛?cè)藫Q道的各個(gè)階段進(jìn)行建模：（1）面向階段I構(gòu)建基于MDP 的駕駛?cè)艘鈭D預(yù)測(cè)模型，MDP 的基本原理與駕駛?cè)笋{駛行為生成機(jī)理高度吻合，因此通過(guò)獎(jiǎng)勵(lì)函數(shù)的合理設(shè)計(jì)，MDP 能夠有效描述駕駛?cè)恕摆吚芎Α钡幕抉{駛原則，從而從駕駛行為生成機(jī)理角度出發(fā)，在駕駛?cè)藞?zhí)行操縱行為前預(yù)測(cè)其意圖；（2）面向階段II構(gòu)建基于動(dòng)態(tài)行車安全場(chǎng)的換道可行性分析模型，駕駛?cè)嗽谠u(píng)估換道可行性和尋找換道時(shí)機(jī)時(shí)會(huì)對(duì)影響其駕駛行為的交通態(tài)勢(shì)進(jìn)行主觀且連續(xù)的認(rèn)知，選用安全場(chǎng)這一描述交通態(tài)勢(shì)的經(jīng)典模型，并進(jìn)一步地在其空間屬性基礎(chǔ)上引入時(shí)變屬性，從認(rèn)知機(jī)理角度來(lái)表征駕駛?cè)朔治鰮Q道可行性和選擇換道時(shí)機(jī)的過(guò)程；（3）面向階段III 構(gòu)建基于雙向長(zhǎng)短期記憶（bidirectional long-short term memory，Bi-LSTM）的車輛行為識(shí)別模型，Bi-LSTM 善于基于歷史信息，從正反兩方向提取時(shí)間序列中的依賴關(guān)系，能夠從數(shù)據(jù)驅(qū)動(dòng)角度識(shí)別已經(jīng)在運(yùn)動(dòng)學(xué)上顯著的車輛行為。最終通過(guò)構(gòu)建數(shù)據(jù)機(jī)理混合驅(qū)動(dòng)架構(gòu)將上述3 組具有明確時(shí)序關(guān)系的模型進(jìn)行融合得到本文提出的交通車意圖識(shí)別方法（中同時(shí)包含意圖預(yù)測(cè)和行為識(shí)別，為描述方便寫作意圖識(shí)別）。

圖1 駕駛?cè)藫Q道行為時(shí)間軸與意圖識(shí)別方法架構(gòu)

2 基于MDP的駕駛?cè)艘鈭D預(yù)測(cè)模型

2.1 MDP建模

意圖預(yù)測(cè)模型本質(zhì)上是對(duì)當(dāng)前交通態(tài)勢(shì)與駕駛?cè)艘鈭D的映射關(guān)系建模。駕駛?cè)水a(chǎn)生意圖的思考過(guò)程可以描述為，基于駕駛?cè)吮旧淼恼J(rèn)知特性，分析當(dāng)前交通態(tài)勢(shì)，預(yù)測(cè)執(zhí)行各種駕駛行為后面臨的新的交通環(huán)境和獲得的收益，從中選擇收益最高的行為作為當(dāng)前的駕駛意圖，這與1階MDP類似，因此將駕駛?cè)笋{駛意圖的產(chǎn)生建模為MDP(，，，)，其中為狀態(tài)空間，為動(dòng)作空間，為狀態(tài)轉(zhuǎn)移概率，為獎(jiǎng)勵(lì)函數(shù)，在該MDP 中即為執(zhí)行某種駕駛行為帶來(lái)的收益。s表征PV 在時(shí)刻所處的交通環(huán)境，包含PV及其周圍相關(guān)交通車的運(yùn)動(dòng)學(xué)狀態(tài)信息；動(dòng)作空間包含左換道（lane changing to left，LCL）、車道保持（lane keeping，LK）和右換道（lane changing to right，LCR）這3種駕駛行為；駕駛?cè)嗽诋?dāng)前狀態(tài)s執(zhí)行動(dòng)作a后轉(zhuǎn)移至狀態(tài)s，并獲得行為收益(a，s)，其中a∈{，，}。

假設(shè)駕駛?cè)司抢碇堑?，在?zhí)行駕駛行為時(shí)遵從“趨利避害”的基本原則，則可通過(guò)計(jì)算在當(dāng)前交通態(tài)勢(shì)下各駕駛行為的收益對(duì)駕駛?cè)瞬扇∧撤N駕駛行為的傾向性進(jìn)行判斷，以預(yù)測(cè)駕駛?cè)艘鈭D。如圖2 所示，本文假設(shè)PV 駕駛?cè)说囊鈭D主要受周圍6 臺(tái)車輛的影響，即當(dāng)前車道前車（front vehicle，F(xiàn)V），當(dāng)前車道后車（rear vehicle，RV），左車道前車（leftlane front vehicle，LFV），左車道后車（left-lane rear vehicle，LRV） ，右 車 道 前 車（right-lane front vehicle，RFV），右車道后車（right-lane rear vehicle，RRV）。

圖2 影響PV的周圍相關(guān)車輛

行為收益(a，s)應(yīng)能夠體現(xiàn)PV駕駛?cè)藢?duì)當(dāng)前交通態(tài)勢(shì)的認(rèn)知和對(duì)各駕駛行為產(chǎn)生收益和損失的判斷。本文設(shè)計(jì)速度收益、跟馳安全性收益、跟馳空間收益、換道碰撞風(fēng)險(xiǎn)和舒適性損失來(lái)綜合表征行為收益：

式中為收益權(quán)重矩陣。本文基于Softmax 函數(shù)結(jié)構(gòu)建立駕駛?cè)艘鈭D預(yù)測(cè)結(jié)果與駕駛行為收益之間的映射關(guān)系：

可假設(shè)中各組數(shù)據(jù)獨(dú)立同分布于式（2）所表征的概率分布，則關(guān)于待征參數(shù)的對(duì)數(shù)似然函數(shù)為

2.2 MDP狀態(tài)轉(zhuǎn)移過(guò)程

對(duì)于該MDP，從s到s 的一步狀態(tài)轉(zhuǎn)移包含了執(zhí)行一次完整駕駛行為的全過(guò)程，而非傳統(tǒng)意義上MDP 的單時(shí)間步狀態(tài)轉(zhuǎn)移，因此需要對(duì)PV 駕駛?cè)藞?zhí)行某種駕駛行為的預(yù)期軌跡和執(zhí)行該駕駛行為過(guò)程中周圍相關(guān)車輛的運(yùn)動(dòng)軌跡進(jìn)行預(yù)測(cè)。

2.2.1 PV預(yù)期車道保持軌跡預(yù)測(cè)

對(duì)于采取車道保持行為的PV，若不存在FV，可直接利用恒加速度模型預(yù)測(cè)PV的預(yù)期運(yùn)動(dòng)軌跡；若PV 跟馳FV 行駛，則利用智能駕駛員模型（intelligent drvier model，IDM）預(yù)測(cè)PV的縱向加速度()：

式中：Δ()和()分別為PV 與FV 之間的相對(duì)速度和車距；(()，Δ())為期望跟車距離。期望速度ˉ、最小安全車距、期望跟車時(shí)距、最大加速度ˉ和最大減速度ˉ為待標(biāo)定參數(shù)。本文采用全局最小二乘法，以最小化IDM 輸出的加速度和NGSIM中人類駕駛?cè)苏鎸?shí)加速度之間的均方誤差為目標(biāo)進(jìn)行參數(shù)標(biāo)定，參數(shù)標(biāo)定結(jié)果如表1所示。

表1 IDM參數(shù)標(biāo)定結(jié)果

2.2.2 PV預(yù)期換道軌跡預(yù)測(cè)

對(duì)于執(zhí)行換道行為的PV，其換道軌跡預(yù)測(cè)不同于已知一段PV的歷史運(yùn)動(dòng)學(xué)軌跡預(yù)測(cè)其未來(lái)軌跡，而是在PV 還未在運(yùn)動(dòng)學(xué)特征上表現(xiàn)出換道傾向時(shí)進(jìn)行提前預(yù)測(cè)，即若當(dāng)前時(shí)刻駕駛?cè)丝刂芇V執(zhí)行換道操作，駕駛?cè)祟A(yù)期的換道軌跡應(yīng)是什么形式。本文采用5 次多項(xiàng)式擬合從軌跡規(guī)劃角度進(jìn)行PV 駕駛?cè)祟A(yù)期的換道軌跡預(yù)測(cè)。

以PV 當(dāng)前位置為原點(diǎn)，以PV 行駛方向?yàn)檩S正方向，軸與軸垂直，進(jìn)而建立直角坐標(biāo)系，則PV預(yù)期換道軌跡描述為

圖3 換道持續(xù)時(shí)間概率密度分布

式中和分別為對(duì)數(shù)正態(tài)分布的均值和方差。

圖4給出了不同換道初始速度下的換道持續(xù)時(shí)間概率密度分布對(duì)比，由圖4（a）可知，當(dāng)換道初始時(shí)刻的速度在6-14 m/s 之間時(shí)，換道持續(xù)時(shí)間的分布較為接近，因此對(duì)6-14 m/s 的換道持續(xù)時(shí)間分布進(jìn)行統(tǒng)一描述，得到如圖4（b）所示的3組概率分布，表2給出3組對(duì)數(shù)正態(tài)分布參數(shù)。

圖4 換道持續(xù)時(shí)間概率密度分布對(duì)比

表2 對(duì)數(shù)正態(tài)分布參數(shù)

為了排除小概率數(shù)值的影響，取對(duì)數(shù)正態(tài)分布的90%置信區(qū)間繪制了如圖5 所示的箱型圖，并以90%置信區(qū)間內(nèi)的數(shù)學(xué)期望作為該速度區(qū)間內(nèi)的換道持續(xù)時(shí)間，如表3 所示?；趯?duì)不同初始速度下?lián)Q道持續(xù)時(shí)間的分析，能夠在給定初始邊界條件下，根據(jù)換道持續(xù)時(shí)間對(duì)駕駛?cè)说念A(yù)期換道軌跡進(jìn)行預(yù)測(cè)。

表3 不同換道初始速度下的換道持續(xù)時(shí)間

圖5 換道持續(xù)時(shí)間箱型圖

2.2.3 PV周圍相關(guān)車輛運(yùn)動(dòng)軌跡預(yù)測(cè)

人類駕駛?cè)嗽谶M(jìn)行行為決策時(shí)，通常會(huì)預(yù)測(cè)周圍相關(guān)車輛的運(yùn)動(dòng)，從而對(duì)將要采取的駕駛行為進(jìn)行評(píng)估。對(duì)PV 周圍車輛的運(yùn)動(dòng)軌跡預(yù)測(cè)是基于其歷史運(yùn)動(dòng)學(xué)信息和當(dāng)前運(yùn)動(dòng)狀態(tài)進(jìn)行的，通過(guò)具有序列到序列（sequence to sequence，Seq2seq）結(jié)構(gòu)的LSTM 網(wǎng)絡(luò)再現(xiàn)PV 駕駛?cè)藢?duì)周圍車輛的預(yù)測(cè)過(guò)程，網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 基于Seq2seq的PV周圍車輛軌跡預(yù)測(cè)模型結(jié)構(gòu)

設(shè)時(shí)刻Seq2seq 網(wǎng)絡(luò)的輸入為長(zhǎng)度的歷史時(shí)間窗內(nèi)的特征序列X ，輸出為預(yù)測(cè)時(shí)間窗內(nèi)的預(yù)測(cè)軌跡Y ：

式中：和分別為被預(yù)測(cè)周車與PV 的相對(duì)縱、側(cè)向位置；、為被預(yù)測(cè)周車的縱、側(cè)向速度；、為被預(yù)測(cè)周車的縱、側(cè)向加速度?；贜GSIM數(shù)據(jù)集對(duì)Seq2seq模型進(jìn)行訓(xùn)練和測(cè)試。為計(jì)算PV駕駛行為的收益值，需要對(duì)圖2 所示的PV 周圍6 臺(tái)車在PV 換道持續(xù)時(shí)間內(nèi)的軌跡進(jìn)行預(yù)測(cè)，即預(yù)測(cè)時(shí)窗應(yīng)當(dāng)取表2給出的3組不同換道持續(xù)時(shí)間。

不同長(zhǎng)度預(yù)測(cè)時(shí)間窗下測(cè)試集的預(yù)測(cè)誤差如表4 所示，預(yù)測(cè)誤差隨著預(yù)測(cè)時(shí)間窗長(zhǎng)度變長(zhǎng)而增加，誤差隨時(shí)間的累計(jì)效應(yīng)較為明顯。但是駕駛?cè)艘鈭D預(yù)測(cè)模型中對(duì)PV 周車軌跡預(yù)測(cè)的精確性要求并不高，因?yàn)樵摬糠诸A(yù)測(cè)僅用于表征PV駕駛?cè)藢?duì)交通態(tài)勢(shì)大致判斷，因此較大的誤差是可以接受的。圖7給出了預(yù)測(cè)時(shí)間窗長(zhǎng)度為4.7 s時(shí)NGSIM中某PV周圍6臺(tái)車的軌跡預(yù)測(cè)結(jié)果。

表4 不同預(yù)測(cè)時(shí)間窗下的RMSE

圖7 預(yù)測(cè)時(shí)間窗為4.7 s時(shí)PV周圍車輛軌跡預(yù)測(cè)結(jié)果

2.3 駕駛行為收益

（1） 速度收益

設(shè)PV 當(dāng)前車道前車FV 車速為，目標(biāo)車道前車（target-lane front vehicle，TFV）車速為，LC（lane changing）泛指所有換道行為，則PV 的速度收益為

（2） 跟馳安全性收益評(píng)估

通過(guò)危險(xiǎn)感知系數(shù)表征PV 跟馳過(guò)程中的安全性收益：

式中：和分別為PV 與跟馳目標(biāo)的車頭時(shí)距和碰撞時(shí)間倒數(shù)；、為線性加權(quán)系數(shù)。

（3） 跟馳空間收益

PV 執(zhí)行換道操作的另一重要誘因是渴望獲得更大的跟車距離以進(jìn)行更安全舒適的跟車行為，PV的跟馳空間收益可表征為

式中和分別為PV與FV和TFV的縱向距離。

（4） 換道碰撞風(fēng)險(xiǎn)

車輛換道過(guò)程中的碰撞風(fēng)險(xiǎn)通常來(lái)自于目標(biāo)車道前車TFV 和目標(biāo)車道后車（target-lane rear vehicle，TRV）。駕駛?cè)藢?duì)于換道碰撞風(fēng)險(xiǎn)的認(rèn)知是一個(gè)連續(xù)過(guò)程，不能以是否碰撞評(píng)價(jià)，因此本文利用PV 執(zhí)行換道后與TFV 和TRV 到達(dá)臨界碰撞點(diǎn)的時(shí)間差來(lái)量化表征駕駛?cè)藢?duì)換道碰撞風(fēng)險(xiǎn)的評(píng)估。

圖8分析了PV 執(zhí)行換道操作后與TRV 可能出現(xiàn)的碰撞情況。圖8（c）給出了PV 與TRV 發(fā)生碰撞的中間情況，即PV車身剛剛進(jìn)入TRV 軌跡，PV車頭便與TRV車頭發(fā)生“點(diǎn)接觸”，設(shè)點(diǎn)C為臨界碰撞點(diǎn)。利用兩車到達(dá)臨界碰撞點(diǎn)的時(shí)間差來(lái)表征換道過(guò)程中來(lái)自于TRV的碰撞風(fēng)險(xiǎn)：

圖8 PV與TRV發(fā)生碰撞情況

式中：和分別為PV 與TRV 到達(dá)臨界碰撞點(diǎn)C的時(shí)間；為安全時(shí)間差閾值。同理可得PV 換道過(guò)程中由TFV 所產(chǎn)生風(fēng)險(xiǎn)的評(píng)估指標(biāo)。則換道碰撞風(fēng)險(xiǎn)為

（5）舒適性損失評(píng)估

車輛的變速運(yùn)動(dòng)會(huì)造成駕駛?cè)说氖孢m性損失，且應(yīng)當(dāng)同時(shí)考慮縱向和側(cè)向的舒適性，則定義舒適性損失為

若PV 執(zhí)行，則可以近似認(rèn)為不存在側(cè)向舒適性損失。以上駕駛行為收益和損失的計(jì)算均基于對(duì)PV預(yù)期軌跡及其周圍相關(guān)車軌跡的預(yù)測(cè)。

3 基于動(dòng)態(tài)行車安全場(chǎng)的換道可行性分析模型

由圖1 所示的換道時(shí)間軸可知，駕駛?cè)嗽诋a(chǎn)生換道意圖后，會(huì)根據(jù)交通態(tài)勢(shì)評(píng)估換道可行性并選擇換道時(shí)機(jī)。BALAL 等指出，駕駛?cè)诉x定目標(biāo)車道后，可以認(rèn)為影響其評(píng)估換道可行性和選擇換道時(shí)機(jī)的主要為FV、TFV、TRV。在現(xiàn)實(shí)交通環(huán)境中，駕駛?cè)嗽谶x擇換道時(shí)機(jī)時(shí)需綜合考量上述車輛的位置、車速和運(yùn)動(dòng)趨勢(shì)等對(duì)自車產(chǎn)生的影響，這是一個(gè)連續(xù)的過(guò)程。本文通過(guò)行車安全場(chǎng)表征駕駛?cè)藢?duì)影響其換道行為的交通態(tài)勢(shì)的認(rèn)知，進(jìn)而構(gòu)建換道可行性評(píng)估模型。

本文在常規(guī)安全場(chǎng)的空間屬性基礎(chǔ)上引入時(shí)變特性，則車輛在時(shí)刻對(duì)場(chǎng)中物體產(chǎn)生的場(chǎng)強(qiáng)()：

式中()為車輛在時(shí)刻的等效質(zhì)量，與車輛類型、體積、質(zhì)量、速度有關(guān)，定義為

式中：m為車輛質(zhì)量；V為車輛體積系數(shù)；Q為車輛類別；-為待定常數(shù)項(xiàng)。圖9 給出了NGSIM 中某場(chǎng)景下，在PV 換道起始時(shí)刻FV、TRV、TFV 的場(chǎng)強(qiáng)分布圖。

圖9 換道起始時(shí)刻FV、TRV、TFV場(chǎng)強(qiáng)分布

駕駛?cè)诉x擇換道時(shí)機(jī)時(shí)會(huì)面向整個(gè)預(yù)期的換道過(guò)程而不是某一個(gè)時(shí)間點(diǎn)進(jìn)行換道可行性評(píng)估?；诘? 節(jié)中對(duì)PV 預(yù)期軌跡與其周圍相關(guān)車輛軌跡的預(yù)測(cè)，本文在安全場(chǎng)中引入時(shí)變特性來(lái)考量整個(gè)換道過(guò)程中FV、TRV、TFV 施加給PV 的影響，定義換道可行性因子為

式中：為換道初始時(shí)刻；E()為車輛在時(shí)刻施加給PV 的場(chǎng)強(qiáng)；E()表征PV 在換道過(guò)程中能夠接受的來(lái)自車輛的最大臨界場(chǎng)強(qiáng)。假設(shè)PV換道過(guò)程中與車輛的最小距離剛好滿足式（7）中的最小安全距離，則根據(jù)車輛的當(dāng)前運(yùn)動(dòng)狀態(tài)及對(duì)其未來(lái)軌跡的預(yù)測(cè)，可求得該假設(shè)成立情況下車輛在時(shí)刻所處的位置，進(jìn)而可根據(jù)PV 和車輛的運(yùn)動(dòng)狀態(tài)求得|E()|。

4 基于Bi-LSTM 的車輛行為識(shí)別模型

在第2 節(jié)中，基于MDP 從駕駛?cè)笋{駛行為生成機(jī)理角度對(duì)其意圖進(jìn)行預(yù)測(cè)，但是這建立在駕駛?cè)俗裱摆吚芎Α痹瓌t的假設(shè)上，在實(shí)際情況中并非所有駕駛行為均能夠用行為收益進(jìn)行解釋，本文中從速度、距離和安全性3 個(gè)維度評(píng)價(jià)了NGSIM 數(shù)據(jù)集中的1 657組自由換道行為的驅(qū)動(dòng)誘因，結(jié)果如表5 所示。在表5 中，1 代表該換道行為中存在該類型的驅(qū)動(dòng)誘因，0 代表不存在，可以看到速度、距離、安全性優(yōu)勢(shì)雖然能覆蓋大部分的換道行為，但是仍有9.58%的換道行為無(wú)法用上述驅(qū)動(dòng)誘因解釋。因此為了避免基于MDP 的意圖預(yù)測(cè)模型輸出錯(cuò)誤意圖，建立了考量PV 歷史運(yùn)動(dòng)學(xué)信息的車輛行為識(shí)別模型。車輛運(yùn)動(dòng)學(xué)信息是車輛行為最直接的反應(yīng)，但考慮到駕駛?cè)说牟倏v隨機(jī)性，在識(shí)別PV已經(jīng)發(fā)生的駕駛行為時(shí)，應(yīng)考慮一定時(shí)間域內(nèi)的運(yùn)動(dòng)學(xué)信息，進(jìn)行“序列到類別”的分類。本文中構(gòu)建雙向多長(zhǎng)短期記憶網(wǎng)絡(luò)Bi-LSTM從自然駕駛數(shù)據(jù)中學(xué)習(xí)得到歷史運(yùn)動(dòng)學(xué)信息與車輛行為之間的映射模型，基于數(shù)據(jù)驅(qū)動(dòng)實(shí)現(xiàn)對(duì)PV已經(jīng)發(fā)生的駕駛行為的識(shí)別，對(duì)應(yīng)于圖1所示的換道時(shí)間軸上的階段III。

表5 換道行為驅(qū)動(dòng)誘因統(tǒng)計(jì)

Bi-LSTM 網(wǎng)絡(luò)結(jié)構(gòu)如圖10所示，網(wǎng)絡(luò)輸入為PV的歷史運(yùn)動(dòng)學(xué)時(shí)序特征：

圖10 Bi-LSTM網(wǎng)絡(luò)結(jié)構(gòu)

5 數(shù)據(jù)機(jī)理混合驅(qū)動(dòng)架構(gòu)構(gòu)建與識(shí)別結(jié)果驗(yàn)證

5.1 數(shù)據(jù)機(jī)理混合驅(qū)動(dòng)架構(gòu)

本文中構(gòu)建了如圖11 所示的數(shù)據(jù)機(jī)理混合驅(qū)動(dòng)架構(gòu)，將上述3 個(gè)模型進(jìn)行時(shí)序耦合，設(shè)判別閾值為。PV 及其周圍相關(guān)交通車信息輸入后，基于MDP 的駕駛?cè)艘鈭D預(yù)測(cè)模型、基于Bi-LSTM 的車輛行為識(shí)別模型、基于動(dòng)態(tài)行車安全場(chǎng)的換道可行性分析模型分別輸出駕駛?cè)艘鈭D預(yù)測(cè)概率(a)、車輛行為識(shí)別概率(a)和換道可行性因子。若() <，說(shuō)明當(dāng)前交通態(tài)勢(shì)并不足以刺激駕駛?cè)水a(chǎn)生換道意圖，則輸出最終識(shí)別結(jié)果(a)=(a)；若() ≥，說(shuō)明當(dāng)前交通態(tài)勢(shì)已能夠刺激駕駛?cè)水a(chǎn)生換道意圖。本文通過(guò)換道可行性因子將(a)和(a)結(jié)合，越大表征此時(shí)換道可行性越高，因此越傾向于相信駕駛?cè)艘鈭D預(yù)測(cè)結(jié)果，則混合驅(qū)動(dòng)的意圖概率為

圖11 數(shù)據(jù)機(jī)理混合驅(qū)動(dòng)的交通車意圖識(shí)別架構(gòu)

由前文對(duì)換道行為驅(qū)動(dòng)誘因的統(tǒng)計(jì)分析可知，并非所有駕駛?cè)说膿Q道行為均是理智的，且侵略性較強(qiáng)的駕駛?cè)嗽趽Q道可行性較低時(shí)也可能執(zhí)行換道，因此本文設(shè)置了第2 層判斷邏輯，即選擇充分相信車輛行為識(shí)別結(jié)果，當(dāng)() ≥()時(shí)，即使此時(shí)的換道行為收益并不充分或換道可行性較低，依然認(rèn)為PV發(fā)生了換道行為：

5.2 數(shù)據(jù)預(yù)處理

本文使用NGSIM 數(shù)據(jù)集進(jìn)行模型標(biāo)定、訓(xùn)練和測(cè)試。NGSIM 由美國(guó)聯(lián)邦公路局采集，采樣周期0.1 s，包含在公路I-80 和US-101 上于不同時(shí)間段采集的數(shù)據(jù)，涵蓋采集時(shí)段內(nèi)出現(xiàn)的所有車輛信息，數(shù)據(jù)處理過(guò)程如下：

（1）根據(jù)車道編號(hào)變化，提取所有發(fā)生換道行為的數(shù)據(jù)段；

（2）由于本文主要關(guān)注車輛的自由換道行為，因此去除涉及匯入及駛出匝道而采取的換道行為和連跨多條車道的換道行為，以避免強(qiáng)制換道因素對(duì)模型訓(xùn)練和標(biāo)定產(chǎn)生影響；

（3）由于NGSIM 原始數(shù)據(jù)中存在大量噪聲和誤差，本文使用時(shí)間窗長(zhǎng)度為2 s、3 階多項(xiàng)式擬合的Savitzky-Golay濾波器對(duì)原始數(shù)據(jù)進(jìn)行處理；

（4）以換道軌跡與車道分界線的交點(diǎn)為換道點(diǎn)，計(jì)算每個(gè)采樣點(diǎn)的車輛偏航角，從換道點(diǎn)開始，沿時(shí)間軸正方向遍歷每個(gè)采樣點(diǎn)的偏航角，若連續(xù)5個(gè)采樣點(diǎn)的||≤（換道起始點(diǎn)航向角閾值），則將第1 次滿足||≤的采樣點(diǎn)定義為換道起始點(diǎn)；采用同樣方法，通過(guò)判定||≤可確定換道終止點(diǎn)；

（5）為對(duì)駕駛?cè)艘鈭D預(yù)測(cè)模型進(jìn)行訓(xùn)練和測(cè)試，在換道起始點(diǎn)處向前擴(kuò)展長(zhǎng)度為3 s 的車輛車道保持?jǐn)?shù)據(jù)，并將其與換道起始點(diǎn)和換道終止點(diǎn)之間的數(shù)據(jù)進(jìn)行組合作為一次完整的換道行為，最終共提取1 657 次有效的自由換道數(shù)據(jù)，同時(shí)提取了1 231次穩(wěn)定的車道保持?jǐn)?shù)據(jù)，按照80%和20%劃分訓(xùn)練集和測(cè)試集。

取的輸入序列長(zhǎng)度為4 s，圖12 給出了在一次意圖識(shí)別過(guò)程中的表現(xiàn)，如圖12（a）所示，PV在5 s 時(shí)越過(guò)車道分界線，該點(diǎn)即為換道點(diǎn)，取閾值= 0.6。從圖12（b）和（e）的對(duì)比可以看出，能夠在PV處于車道保持階段即實(shí)現(xiàn)對(duì)PV駕駛?cè)艘鈭D的提前預(yù)測(cè)，而僅使用PV歷史運(yùn)動(dòng)學(xué)特征的車輛行為識(shí)別模型則只能在PV 的換道行為在運(yùn)動(dòng)學(xué)上顯著之后才能正確識(shí)別出?；趯?duì)交通態(tài)勢(shì)的分析和預(yù)測(cè)計(jì)算駕駛行為收益進(jìn)而預(yù)測(cè)PV 駕駛?cè)艘鈭D，如圖12（c）所示，從0 時(shí)刻開始即超過(guò)，表明PV 駕駛?cè)艘呀?jīng)產(chǎn)生了意圖，但由圖12（d）可知由于左換道可行性因子()在0-1.2 s之間未上升至足夠高的數(shù)值，說(shuō)明駕駛?cè)松形凑业胶线m的時(shí)機(jī)執(zhí)行，因此圖12（e）中的在閾值附近上下波動(dòng)，從而出現(xiàn)了圖12（f）中在和之間不斷切換的情況。在1.2 s后，()開始穩(wěn)定上升，說(shuō)明換道時(shí)機(jī)已經(jīng)到來(lái)，開始穩(wěn)定超過(guò)，識(shí)別PV 意圖為。如圖12（b）和圖12（e）所示，()在3.4 s 處開始大于()，說(shuō)明此時(shí)PV 已經(jīng)開始在運(yùn)動(dòng)學(xué)上表現(xiàn)出特征，選擇相信車輛行為識(shí)別結(jié)果()，至此()識(shí)別概率迅速上升至100%。

圖12 交通車意圖識(shí)別過(guò)程

表6給出了在測(cè)試集中，在換道點(diǎn)處的意圖識(shí)別混淆矩陣，可以看到能夠精準(zhǔn)識(shí)別3 種意圖。此外，為充分驗(yàn)證本文提出方法的有效性，本文構(gòu)建了5 個(gè)對(duì)比模型：以PV 運(yùn)動(dòng)學(xué)信息為特征值，基于HMM 進(jìn)行PV 行為識(shí)別，記為HMM；以PV 運(yùn)動(dòng)學(xué)信息為特征值，基于Bi-LSTM 進(jìn)行PV 行為識(shí)別，記為Bi-LSTM-1；在PV 運(yùn)動(dòng)學(xué)信息基礎(chǔ)上，加入PV周圍車輛的速度及與其PV 的相對(duì)位置信息作為特征值，基于Bi-LSTM 進(jìn)行PV 意圖識(shí)別，記為Bi-LSTM-2；在Bi-LSTM 基礎(chǔ)上，引入條件隨機(jī)場(chǎng)（conditional random field，CRF）以考慮意圖的前后依賴性，記為Bi-LSTM-CRF；建立包含PV 本身信息、周圍相關(guān)車輛信息和道路信息的社交特征集合，通過(guò)CNN 提取PV 的社交特征信息，利用具有注意力機(jī)制的LSTM 模型進(jìn)行PV 意圖識(shí)別，記為Social-LSTM。上述模型與采用完全相同的訓(xùn)練集和測(cè)試集，圖13 給出了6 種模型在測(cè)試集上意圖識(shí)別準(zhǔn)確率隨距離換道點(diǎn)時(shí)間變化情況的對(duì)比，可以明顯看到，僅基于PV運(yùn)動(dòng)學(xué)信息的HMM 和Bi-LSTM-1在6種模型當(dāng)中表現(xiàn)最差，Bi-LSTM-1由于模型本身優(yōu)勢(shì)，表現(xiàn)略優(yōu)于HMM，Bi-LSTM-CRF 與Social-LSTM的表現(xiàn)較為接近。

圖13 識(shí)別準(zhǔn)確率對(duì)比

表6 意圖識(shí)別混淆矩陣

表7 給出了、Social-LSTM 和Bi-LSTM-2 在換道點(diǎn)前1.5 s 處的意圖識(shí)別性能量化對(duì)比。結(jié)合圖13和表7可以看到，直接將PV和周圍車輛的基礎(chǔ)運(yùn)動(dòng)信息輸入網(wǎng)絡(luò)Bi-LSTM-2 雖然相較HMM 和Bi-LSTM-1 性能有所提升，但由于其并沒(méi)有對(duì)車間的深層依賴關(guān)系進(jìn)行提取和建模，因此提升效果并不明顯，且模型的可解釋性較差。Social-LSTM 通過(guò)CNN提取車輛的社交信息從而使網(wǎng)絡(luò)在意圖識(shí)別時(shí)考慮了車間的交互和依賴關(guān)系，在識(shí)別準(zhǔn)確率和提前識(shí)別時(shí)間上有明顯提升。但通過(guò)CNN 這樣的完全黑盒模型提取隱式特征的方式，缺乏足夠的可解釋性，雖然在換道點(diǎn)前1.5 s 以內(nèi)，Social-LSTM 和的識(shí)別準(zhǔn)確率差距不大，但是在換道點(diǎn)前3～1.5 s 的區(qū)間內(nèi)，的表現(xiàn)要優(yōu)于Social-LSTM，尤其在換道點(diǎn)前3 s 處，相比其他方法明顯具有更高的識(shí)別準(zhǔn)確率，表明不僅具有較強(qiáng)的可解釋性，且能夠更早地預(yù)測(cè)PV意圖。

表7 識(shí)別性能指標(biāo)對(duì)比 %

此外，根據(jù)表5 中對(duì)換道行為驅(qū)動(dòng)誘因的統(tǒng)計(jì)分析，即使利用自然駕駛數(shù)據(jù)進(jìn)行模型標(biāo)定，但是僅憑意圖預(yù)測(cè)模型仍然無(wú)法給出足夠高的識(shí)別準(zhǔn)確率，圖13 中換道點(diǎn)前3 s 處的識(shí)別準(zhǔn)確率雖然高于其他模型，但仍有相當(dāng)?shù)腻e(cuò)誤識(shí)別率。而這正是本文使用數(shù)據(jù)-機(jī)理混合驅(qū)動(dòng)架構(gòu)的原因，通過(guò)駕駛行為機(jī)理模型延長(zhǎng)提前識(shí)別時(shí)間，而數(shù)據(jù)驅(qū)動(dòng)的車輛行為識(shí)別模型則保證了足夠高的準(zhǔn)確率，最后通過(guò)換道可行性分析將兩者有效結(jié)合，在換道點(diǎn)前1.8 s左右識(shí)別準(zhǔn)確率超過(guò)90%，在換道點(diǎn)處識(shí)別準(zhǔn)確率達(dá)到97.88%。

6 結(jié)論

本文中針對(duì)智能汽車技術(shù)領(lǐng)域中的交通車意圖識(shí)別問(wèn)題，從分析駕駛?cè)笋{駛行為生成機(jī)理角度入手，利用非網(wǎng)聯(lián)條件下車載傳感器能夠獲取的有限交通車信息，面向駕駛行為產(chǎn)生的各階段分別建立機(jī)理模型和數(shù)據(jù)驅(qū)動(dòng)模型，構(gòu)建數(shù)據(jù)機(jī)理混合驅(qū)動(dòng)的交通車意圖識(shí)別方法，并利用自然駕駛數(shù)據(jù)集NGSIM進(jìn)行模型訓(xùn)練和驗(yàn)證。結(jié)果表明在換道點(diǎn)前1.8 s處識(shí)別準(zhǔn)確率可達(dá)90%，在換道點(diǎn)處識(shí)別準(zhǔn)確率為97.88%，并從不同建模方法、不同輸入特征、不同隱式特征提取方式等維度對(duì)進(jìn)行對(duì)比驗(yàn)證，說(shuō)明了在識(shí)別準(zhǔn)確率、提前識(shí)別時(shí)間和可解釋性上的優(yōu)勢(shì)，能夠?yàn)橹悄芷囆袨闆Q策和運(yùn)動(dòng)規(guī)劃提供有效支撐，對(duì)智能汽車技術(shù)發(fā)展具有一定意義。但駕駛?cè)诵袨樯蓹C(jī)理很難完全清晰準(zhǔn)確的描述，不僅因?yàn)樵摍C(jī)理本身目前并不清晰，還源于不同類型駕駛?cè)诵袨榈漠愘|(zhì)性、認(rèn)知的差異性和時(shí)變性等眾多復(fù)雜因素。將在后續(xù)研究中基于數(shù)據(jù)機(jī)理混合驅(qū)動(dòng)構(gòu)建更加完善的駕駛行為模型，并將其應(yīng)用于意圖識(shí)別、軌跡預(yù)測(cè)和決策規(guī)劃等研究。