楊志強(qiáng), 朱家偉, 穆 蕾, 安毅生

(長(zhǎng)安大學(xué) 信息工程學(xué)院, 西安 710061)

交通安全問題長(zhǎng)期是交通領(lǐng)域的難題, 根據(jù)世界衛(wèi)生組織的數(shù)據(jù), 全球每年因道路交通事故造成的死亡人數(shù)約為140萬, 90%的交通事故是人為失誤造成的[1,2]. 利用自動(dòng)駕駛技術(shù)輔助人工駕駛, 將是解決交通安全問題的有效手段.

根據(jù)當(dāng)前智能化車輛在行業(yè)內(nèi)的發(fā)展趨勢(shì), 可以預(yù)見未來一段時(shí)間的智能車輛還是以L2–L3等級(jí)的輔助駕駛為主, 開發(fā)合適的駕駛輔助系統(tǒng)將是這一階段的主要目標(biāo). 據(jù)不完全統(tǒng)計(jì), 換道導(dǎo)致的事故占到了總事故數(shù)的27%[3], 引發(fā)換道交通事故的主要原因是前車的不規(guī)范行車(例如未按照要求開啟轉(zhuǎn)向燈)以及后車駕駛員的注意力分散導(dǎo)致未能及時(shí)察覺前車意圖. 因此, 實(shí)時(shí)識(shí)別周圍車輛換道行為并為駕駛員提供預(yù)警將有效提升道路交通安全水平, 識(shí)別結(jié)果還可進(jìn)一步用于智能路徑規(guī)劃等方面.

車輛換道行為分為強(qiáng)制換道和自由換道. 當(dāng)駕駛員必須改變車道以完成預(yù)定路線時(shí), 強(qiáng)制換道發(fā)生. 自由換道通常由于駕駛員以低于期望的速度跟隨另一輛車輛, 試圖通過換道來尋求更佳的駕駛感受. 強(qiáng)制換道是與駕駛環(huán)境密切相關(guān), 通常可以通過環(huán)境感知來獲取變道意向, 而自由換道行為識(shí)別則更具挑戰(zhàn)性, 也是本文所研究的問題.

隨著機(jī)器學(xué)習(xí)算法的興起, 車輛自由換道行為識(shí)別已經(jīng)成為近年來研究的熱點(diǎn). 早在2010年Schubert等人使用非連續(xù)卡爾曼濾波與基于貝葉斯網(wǎng)絡(luò)決策方法通過車載傳感器收集的數(shù)據(jù)實(shí)現(xiàn)了車輛環(huán)境感知,實(shí)時(shí)評(píng)估交通狀況, 為駕駛員提供換道建議[4]. 由于車輛的連續(xù)行為與語音識(shí)別過程的相似性, Li等人在語音識(shí)別模型的基礎(chǔ)上改進(jìn)了隱馬爾科夫模型(hidden Markov model, HMM), 結(jié)合貝葉斯濾波(Bayesian filtering, BF)來輸出識(shí)別結(jié)果, 提出的HMM-BF框架較原始HMM對(duì)于左右換道具有更高的識(shí)別精度[5].Xia等人提出了一種用于自動(dòng)駕駛的仿人變道意圖理解模型, 通過模擬人類視覺系統(tǒng)的選擇性注意機(jī)制, 模擬駕駛員對(duì)周圍車輛的注意力集中方式, 從而識(shí)別駕駛員的變道意圖[6]. Husen等人建議使用基于語言學(xué)的句法識(shí)別方法, 利用上下文無關(guān)文法來識(shí)別駕駛員意圖, 以提高駕駛員和乘客的安全[7]. 為解決識(shí)別率低、實(shí)時(shí)性差等問題, Yu等人提出了一種基于深度學(xué)習(xí)的5G智能交通系統(tǒng)中自動(dòng)車輛和手動(dòng)車輛混合使用的交通安全解決方案, 改善了混合交通環(huán)境下的車道變更問題[8]. Lee等人提出使用卷積神經(jīng)網(wǎng)絡(luò)來對(duì)車道換道意圖進(jìn)行推理和預(yù)測(cè), 它的輸入是來自雷達(dá)和攝像頭的圖像[9]. Li等人設(shè)計(jì)了一個(gè)多模態(tài)分層逆強(qiáng)化學(xué)習(xí)框架, 從真實(shí)世界的交互式駕駛軌跡數(shù)據(jù)中學(xué)習(xí)聯(lián)合駕駛模式-意圖運(yùn)動(dòng)模型, 仿真結(jié)果表明該方法對(duì)涉及交互行為的駕駛行為識(shí)別預(yù)測(cè)具有較高的精度[10].

車輛換道行為識(shí)別對(duì)實(shí)時(shí)性與準(zhǔn)確性要求較高,而隱馬爾科夫模型得益于其計(jì)算簡(jiǎn)單、精度高、訓(xùn)練量較少等特點(diǎn), 在車輛換道識(shí)別領(lǐng)域具有廣闊的應(yīng)用前景. 本文研究的要點(diǎn)在于結(jié)合車輛自由換道行為的特點(diǎn)對(duì)隱馬爾科夫模型進(jìn)行改進(jìn), 提高識(shí)別精度的同時(shí)兼顧計(jì)算量以滿足實(shí)時(shí)性要求.

1 基于HMM的車輛行為識(shí)別方法

隱馬爾科夫模型是一種基于貝葉斯理論, 通過外部可觀測(cè)數(shù)據(jù)描述含有隱含狀態(tài)的馬爾科夫過程的統(tǒng)計(jì)模型[11]. 隱馬爾科夫模型作為經(jīng)典的時(shí)間序列模型被廣泛應(yīng)用在自然語言處理領(lǐng)域. 由于車輛行為也是隨時(shí)間變化, 符合時(shí)序模型的特點(diǎn), 伴隨無人駕駛技術(shù)的興起, 近年來HMM也被應(yīng)用于車輛行為識(shí)別領(lǐng)域.

1.1 隱馬爾科夫模型概述

如圖1所示, HMM每個(gè)時(shí)間步都一一對(duì)應(yīng)著兩組變量, 其中上方的變量為隱狀態(tài),qt表示系統(tǒng)在t時(shí)刻的狀態(tài). 在車輛行為識(shí)別領(lǐng)域, 這些狀態(tài)包括換道、超車等, 這些狀態(tài)對(duì)于傳感器是不可直接觀測(cè)的, 所以該狀態(tài)被稱為隱狀態(tài), 其取值集合記為Q, 隱狀態(tài)會(huì)隨時(shí)間按一定概率變化. 下方的變量為觀測(cè)狀態(tài),ot表示系統(tǒng)在t時(shí)刻的觀測(cè), 在車輛行為識(shí)別領(lǐng)域?yàn)閭鞲衅骺梢灾苯荧@取的車輛數(shù)據(jù), 包括速度、加速度等. 觀測(cè)變量可以是離散的, 也可以是連續(xù)的, 對(duì)于離散的觀測(cè)變量,取值集合記為O, 同一時(shí)刻的觀測(cè)變量按一定概率關(guān)聯(lián)于隱狀態(tài)變量. 一個(gè)完整的車輛行為對(duì)應(yīng)一段連續(xù)的駕駛狀態(tài), 圖1中T為完整序列的時(shí)間步長(zhǎng).

圖1 HMM結(jié)構(gòu)示意圖

HMM參數(shù)可以由λ描述,λ={A,B,π,M,N},M代表觀測(cè)狀態(tài)數(shù),N代表隱狀態(tài)數(shù), 其他參數(shù)含義見表1,參數(shù)解釋如圖2所示.

圖2 HMM概率轉(zhuǎn)換模型

表1 HMM參數(shù)

1.2 HMM解決車輛換道行為識(shí)別問題

HMM主要包含3大問題, 分別為隱狀態(tài)概率計(jì)算、隱狀態(tài)過程求解和參數(shù)學(xué)習(xí)問題. 在車輛換道行為識(shí)別中, 通常采用Baum-Welch算法進(jìn)行參數(shù)學(xué)習(xí),利用收集的車輛觀測(cè)數(shù)據(jù)進(jìn)行隱狀態(tài)概率求解, 通常采用Forward-backward算法來實(shí)現(xiàn)[11]. 在本文中換道行為被分為3類, 即左換道、右換道與車道保持.

模型參數(shù)λ ={A,B,π}和 觀測(cè)序列O=o1,o2,o3,···,oT已知, 求解該觀測(cè)序列在給定模型下的條件概率P(O|λ)稱為隱狀態(tài)概率計(jì)算問題, 結(jié)合換道識(shí)別, 即在收集時(shí)間步長(zhǎng)T的車輛數(shù)據(jù)后計(jì)算當(dāng)前分屬左換、右換、車道保持3種行為的概率.

其中, αt(i)為前向概率, 定義為給定隱馬爾科夫模型參數(shù)λ, 到時(shí)刻t的觀測(cè)序列為o1,o2,o3,···,ot且隱狀態(tài)為it=qi的概率:

βt(i) 為 后向概率, 給定隱馬爾科夫模型參數(shù)λ, 時(shí)刻t隱狀態(tài)為it=qi下定義部分觀測(cè)序列為ot+1,ot+2,ot+3,···,oT的概率為后向概率:

上述提到需要計(jì)算當(dāng)前狀態(tài)分屬3類行為的概率,意味著我們需要3組不同的HMM參數(shù), 左換道λ1、車道保持λ2以及右換道λ3. 參數(shù)學(xué)習(xí)問題在換道行為識(shí)別中表現(xiàn)為在給定3類模型參數(shù)初值后通過對(duì)應(yīng)行為數(shù)據(jù)訓(xùn)練集對(duì)每組參數(shù)迭代更新, 即每組確定一個(gè)描述已知觀測(cè)序列的最優(yōu)參數(shù)組合使得訓(xùn)練數(shù)據(jù)在該模型下輸出的概率值最大. 我們定義兩個(gè)重要參數(shù)γi(t), ξt(i,j), 其中, γi(t)代表已知模型參數(shù)和觀測(cè)序列,求解t時(shí)刻隱狀態(tài)為qi的概率:

ξt(i,j)代表已知模型參數(shù)和觀測(cè)序列, 在t時(shí)刻隱狀態(tài)為qi,t+1時(shí)刻隱狀態(tài)為qj的概率:

各參數(shù)迭代更新公式為:

利用HMM進(jìn)行換道識(shí)別通常需要用K-means聚類算法對(duì)原始數(shù)據(jù)進(jìn)行預(yù)分類, 確定有限個(gè)觀測(cè)行為類別后再進(jìn)行隱狀態(tài)劃分. 但由于車輛運(yùn)動(dòng)是一個(gè)時(shí)間連續(xù)行為, 其運(yùn)動(dòng)觀測(cè)狀態(tài)不是簡(jiǎn)單地有限劃分,若采用離散化的表征方式將大大減少原始數(shù)據(jù)的特性,降低最終精度. 因此我們需要一個(gè)新的連續(xù)化表征方法來最大化保留原始數(shù)據(jù)特征, 提高模型識(shí)別精度.

1.3 基于高斯混合隱馬爾科夫模型的車輛換道行為識(shí)別

高斯混合模型(Gaussian mixture model, GMM)是指利用多個(gè)單高斯模型進(jìn)行線性疊加形成的分布模型,通過調(diào)整單高斯模型參數(shù)以及加權(quán)系數(shù)可以近似表達(dá)任意連續(xù)的分布特征. 通常一個(gè)混合模型可以使用任意概率分布, 選用高斯混合模型是因?yàn)楦咚狗植季邆淞己玫臄?shù)學(xué)性質(zhì)以及計(jì)算性能. 結(jié)合車輛運(yùn)動(dòng)的數(shù)據(jù)多維、連續(xù)的特點(diǎn), 高斯混合模型可以最大化契合該特點(diǎn), 與HMM相結(jié)合形成高斯混合隱馬爾科夫模型(Gaussian mixture hidden Markov model, GM-HMM).

該模型參數(shù)仍可記為λ ={A,B,π}, 但其中的輸出觀測(cè)B不再是一個(gè)混淆矩陣, 而是一組觀察概率密度函數(shù), 每一個(gè)隱狀態(tài)量對(duì)應(yīng)的觀察量由多個(gè)多維高斯函數(shù)生成, 其對(duì)應(yīng)的觀察值概率密度函數(shù)如下:

其中,o為觀測(cè)量,M為隱狀j包含的混合高斯元個(gè)數(shù),cjm為隱狀態(tài)j下第m個(gè)混合高斯元的權(quán)重,N代表多維高斯概率密度函數(shù), μjm為隱狀態(tài)j下第m個(gè)混合高斯元的均值數(shù)組,Ujm為隱狀態(tài)為j下第m個(gè)混合高斯元的協(xié)方差矩陣. 這樣高斯混合隱馬爾科夫模型的參數(shù)變?yōu)棣?(π,A,Cjm,μjm,Ujm), 其中N表達(dá)如下:

其中,G為觀測(cè)變量維數(shù), 初始概率分布π和狀態(tài)轉(zhuǎn)移概率矩陣A與離散隱馬爾科夫模型的訓(xùn)練公式相同.其它高斯混合隱馬爾科夫模型參數(shù)的重估公式為:

其中, γt(j,m)表示t時(shí)刻處于隱狀態(tài)j, 觀測(cè)狀態(tài)o來自于第m個(gè)高斯分量的概率:

雖然現(xiàn)有計(jì)算機(jī)性能相較以往得到了極大提升,但由于行為識(shí)別的時(shí)效性要求較高, 因此在考慮精度的同時(shí)也要兼顧計(jì)算量. 從GM-HMM的模型構(gòu)成及參數(shù)計(jì)算方法可以發(fā)現(xiàn), 模型的計(jì)算量主要與隱狀態(tài)數(shù)量、觀測(cè)數(shù)據(jù)維數(shù)、觀測(cè)數(shù)據(jù)時(shí)間序列長(zhǎng)度和高斯混合數(shù)相關(guān). 這些參數(shù)越小則計(jì)算量越小, 但是考慮到模型的識(shí)別效果, 這些參數(shù)并不是越小越好.

2 實(shí)驗(yàn)數(shù)據(jù)集

NGSIM數(shù)據(jù)集是美國(guó)聯(lián)邦公路管理局收集的道路行車數(shù)據(jù), 包含高速公路US-101, I-80, 城市道路Lankershim Boulevard 和 Peachtree Street行車數(shù)據(jù), 數(shù)據(jù)集共記錄了11 850 526車輛幀數(shù)據(jù), 每秒記錄10幀數(shù)據(jù)[12]. 我們選取了高速公路I-80的3個(gè)時(shí)段, 每個(gè)時(shí)段15分鐘, 共計(jì)45分鐘5 316輛車數(shù)據(jù)進(jìn)行實(shí)驗(yàn), 如圖3所示.

圖3 I-80道路示意圖

I-80數(shù)據(jù)收集于加利福尼亞州舊金山灣區(qū), 研究區(qū)域長(zhǎng)約500 m (1 640英尺), 由6條高速公路車道以及進(jìn)出口閘道組成, 其中包括一條高載客率車輛車道(HOV), 除進(jìn)口閘道存在斜坡彎道, 其余道路皆為平直道路, 適合進(jìn)行車輛行為分析.

2.1 數(shù)據(jù)平滑處理

NGSIM數(shù)據(jù)集是通過安裝在道路兩側(cè)高處攝像頭記錄視頻數(shù)據(jù), 利用視頻圖像處理的方法得出具體車輛的信息, 包括車輛位置、速度、加速度、車長(zhǎng)以及車寬等數(shù)據(jù). 由于視頻處理算法的局限性, 所獲取的數(shù)據(jù)存在一定的噪聲干擾, 我們需要采用數(shù)據(jù)處理方法來盡量得到真實(shí)的數(shù)據(jù)值.

常用的數(shù)據(jù)平滑方法有移動(dòng)平均法、加權(quán)移動(dòng)平均法、指數(shù)移動(dòng)平均法、SG濾波(Savitzky Golay filter)等, 根據(jù)Thiemann等人的研究[13], 對(duì)稱指數(shù)移動(dòng)平均法(symmetric exponential moving average, SEMA)對(duì)于處理該數(shù)據(jù)集的效果比較顯著, 因此這里我們采用該方法對(duì)車輛的軌跡數(shù)據(jù)進(jìn)行平滑處理.

其中,T是移動(dòng)平均幅度, 我們一般選取0.5 s,D為平滑窗口寬度,d為數(shù)據(jù)時(shí)間間隔0.1 s,l是車輛軌跡時(shí)刻總數(shù),Xi為時(shí)刻i下的平滑值. 圖4展示了一段完整的自由往返換道行為的橫坐標(biāo)位置平滑效果.

圖4 橫向位置平滑處理

2.2 數(shù)據(jù)篩選

原有完整數(shù)據(jù)集包含了所有車輛類型在所有車道的完整軌跡, 但是實(shí)驗(yàn)需要的是普通車輛的自由換道行為數(shù)據(jù), 因此我們有必要對(duì)數(shù)據(jù)進(jìn)行篩選, 我們按照以下5點(diǎn)對(duì)數(shù)據(jù)進(jìn)行了處理.

(1)實(shí)驗(yàn)數(shù)據(jù)集包含進(jìn)出口閘道以及輔助車道的信息, 涉及強(qiáng)制換道, 我們剔除車道編號(hào)為6, 7, 8的車輛數(shù)據(jù).

(2)原始數(shù)據(jù)集包含大型車輛, 普通小汽車以及摩托車數(shù)據(jù), 我們剔除車輛類別為1的摩托車數(shù)據(jù).

(3)換道行為通常在5 s內(nèi)完成[14], 我們選取車輛中心越過車道邊線的時(shí)刻作為換道行為結(jié)束的標(biāo)志(參考圖5), 提取往前5 s的軌跡作為我們實(shí)驗(yàn)數(shù)據(jù), 由于考慮到信息冗余, 我們將10 Hz的采樣率降為2 Hz,即時(shí)間間隔為0.5 s, 觀測(cè)序列長(zhǎng)度T=10.

圖5 換道示意圖

(4)通過車道編號(hào)的變化區(qū)分左右換道與非換道數(shù)據(jù), 分別保存.

(5)按照7:3的訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)比例隨機(jī)抽取車輛數(shù)據(jù)作為訓(xùn)練集與測(cè)試集.

最終通過以上處理得到左換道訓(xùn)練數(shù)據(jù)384組,左換道測(cè)試數(shù)據(jù)164組, 右換道訓(xùn)練數(shù)據(jù)67組, 右換道測(cè)試數(shù)據(jù)29組, 非換道訓(xùn)練數(shù)據(jù)1 500組, 非換道測(cè)試數(shù)據(jù)642組. 這里右換道數(shù)據(jù)較少的原因是最右側(cè)為進(jìn)出口閘道以及輔助車道, 涉及的強(qiáng)制換道較多, 在數(shù)據(jù)篩選過程中被清除.

3 實(shí)驗(yàn)分析

3.1 模型觀測(cè)變量選擇

根據(jù)現(xiàn)有文獻(xiàn)表明[15,16], 影響車輛換道的主要因素有目標(biāo)車輛車速、前車車速、左右車道上最近前后車輛與本車縱向位置差(圖6中Glf,Grf,Grb,Gf,Gb)以及速度差. Liu等人還利用了車輛與道路中心線的偏轉(zhuǎn)角, 車輛與車道兩側(cè)邊線距離等變量作為了觀測(cè)變量[17].本實(shí)驗(yàn)將對(duì)相關(guān)變量進(jìn)行控制變量法試驗(yàn), 最終選定最優(yōu)的觀測(cè)變量.

圖6 觀測(cè)變量示意圖

3.2 模型參數(shù)制定

(1)模型數(shù)與隱藏狀態(tài)數(shù)N

在HMM中, 隱藏狀態(tài)數(shù)一般根據(jù)經(jīng)驗(yàn)指定. 在本文中根據(jù)換道行為數(shù)確定, 即隱藏狀態(tài)數(shù)N=3.

(2)高斯混合數(shù)M

GM-HMM中的高斯混合模型是指用多層高斯分布的概率密度函數(shù)擬合車輛行為, 不同高斯混合數(shù)會(huì)對(duì)模型計(jì)算量以及識(shí)別精度產(chǎn)生影響, 因此我們選取了M=1, 3, 5, 7作為實(shí)驗(yàn)選項(xiàng), 隱藏狀態(tài)的高斯分布權(quán)重系數(shù)C根據(jù)M的值等值設(shè)定.

(3)初始狀態(tài)概率π和狀態(tài)轉(zhuǎn)移概率A

通常情況下π和A的初始值可以任意設(shè)置, 對(duì)最終結(jié)果影響不大, 在本文中設(shè)定初始值為π=(1, 0, 0),A={0.33, 0.33, 0.34; 0.33, 0.33, 0.34; 0.33, 0.33, 0.34}.

3.3 實(shí)驗(yàn)結(jié)果分析

在特征參數(shù)控制變量法尋優(yōu)過程中, 我們選擇高斯混合數(shù)M=1, 高斯權(quán)重C=1, 即單高斯模型作為評(píng)判觀測(cè)變量的基礎(chǔ)參數(shù)(單高斯模型具有比較好的數(shù)據(jù)擬合能力, 能描繪大部分場(chǎng)景), 將觀測(cè)變量作為因變量, 識(shí)別準(zhǔn)確度與訓(xùn)練迭代次數(shù)作為評(píng)判指標(biāo)(計(jì)算復(fù)雜度主要集中在訓(xùn)練階段), 目的是尋找最優(yōu)的特征變量. 最終選定目標(biāo)車輛與兩側(cè)車道前車的速度差, 與當(dāng)前車道以及兩側(cè)車道后車的位置差(兩側(cè)車道中一側(cè)不存在時(shí)其參數(shù)數(shù)值使用較小數(shù)代替, 若車道存在對(duì)應(yīng)車輛不存在時(shí), 其參數(shù)數(shù)值使用較大數(shù)代替), 目標(biāo)車輛偏轉(zhuǎn)角, 當(dāng)前車道與前車車頭時(shí)距共7維數(shù)據(jù)作為觀測(cè)變量.

進(jìn)行HMM換道識(shí)別實(shí)驗(yàn)時(shí)選取K-means算法對(duì)車輛觀測(cè)狀態(tài)進(jìn)行離散化, 離散點(diǎn)數(shù)K對(duì)識(shí)別結(jié)果有較大影響, 因此我們?cè)O(shè)定K=10, 20, 30進(jìn)行多次實(shí)驗(yàn),以驗(yàn)證高斯混合隱馬爾科夫模型的性能提升. 圖7展示了不同K值下的HMM預(yù)測(cè)精度與不同M值下的GM-HMM預(yù)測(cè)精度, 結(jié)果展示了對(duì)于車輛換道問題,GM-HMM相比傳統(tǒng)HMM具有更高的識(shí)別精度.

圖7 HMM與GM-HMM識(shí)別精度對(duì)比

在確定改進(jìn)后的識(shí)別模型精度上有提升后, 我們通過改變高斯混合數(shù)M來分析不同的高斯混合數(shù)對(duì)識(shí)別精度以及訓(xùn)練迭代次數(shù)的影響, 以研究該識(shí)別算法的實(shí)際應(yīng)用前景. 圖8展示了訓(xùn)練過程中參數(shù)收斂情況, 圖9展示了不同M下的實(shí)驗(yàn)結(jié)果, 我們可以看出當(dāng)M=1或者M(jìn)=7 (即高斯混合數(shù)等于數(shù)據(jù)維數(shù))時(shí)的準(zhǔn)確度較高, 且M=7時(shí)的準(zhǔn)確度會(huì)略高于M=1時(shí),但M=7時(shí)的迭代次數(shù)明顯高于M=1時(shí)的迭代次數(shù), 在實(shí)際應(yīng)用時(shí)可結(jié)合實(shí)際計(jì)算能力進(jìn)行選擇.

圖8 左換道訓(xùn)練過程

圖9 不同高斯混合數(shù)實(shí)驗(yàn)結(jié)果

表2中的數(shù)據(jù)為對(duì)應(yīng)的3個(gè)換道模型計(jì)算單個(gè)樣本概率取對(duì)數(shù)的結(jié)果, 按照取條件概率最大的類作為換道行為的識(shí)別結(jié)果, 我們選取每行數(shù)值最大的作為識(shí)別結(jié)果, 加粗表示. 通過測(cè)試集數(shù)據(jù)驗(yàn)證,M=1下的平均識(shí)別精度為90.6%,M=7下的平均識(shí)別精度為91.8%, 整體達(dá)到了較高的精度, 未來如果加入與駕駛員相關(guān)的觀測(cè)變量將有望達(dá)到更高的識(shí)別精度.

表2 單個(gè)測(cè)試樣本計(jì)算結(jié)果

4 結(jié)論與展望

本文通過NGSIM數(shù)據(jù)集對(duì)隱馬爾科夫模型與高斯混合模型的結(jié)合產(chǎn)物高斯混合隱馬爾科夫模型在自由換道行為識(shí)別上的應(yīng)用做了研究. 通過控制變量法確定了以目標(biāo)車輛與兩側(cè)車道前車的速度差, 與當(dāng)前車道以及兩側(cè)車道后車的位置差, 與當(dāng)前車道前車車頭時(shí)距以及目標(biāo)車輛偏轉(zhuǎn)角共7維數(shù)據(jù)作為觀測(cè)變量.與HMM識(shí)別模型的對(duì)照實(shí)驗(yàn)體現(xiàn)了GM-HMM識(shí)別模型精度上的提升, 同時(shí)還對(duì)不同高斯混合數(shù)下的精度與計(jì)算量進(jìn)行了評(píng)估, 結(jié)果表明單高斯模型下的綜合性能是最好的, 而當(dāng)高斯混合數(shù)等于觀測(cè)數(shù)據(jù)維數(shù)時(shí)精度從單高斯的90.6%提升到了91.8%, 但對(duì)應(yīng)的平均訓(xùn)練迭代次數(shù)也由6次提升到了24次. 在今后實(shí)際應(yīng)用中, 高斯混合數(shù)的選擇應(yīng)結(jié)合車載計(jì)算器性能來平衡精度與計(jì)算量. 最后本文僅研究了高速道路下的自由換道識(shí)別, 未來將考慮城市道路下的自由換道識(shí)別, 將此方法應(yīng)用于更廣的領(lǐng)域.