密俊霞， 于會龍， 席軍強

(北京理工大學(xué) 機械與車輛學(xué)院， 北京 100081)

0 引言

高級駕駛輔助系統(tǒng)(ADAS)利用車載設(shè)備采集行車數(shù)據(jù)，并對駕駛行為進行提前預(yù)測，可提醒駕駛員即將到來的危險場景，使駕駛更安全、高效。人類駕駛行為的不確定性，為ADAS的應(yīng)用帶來了挑戰(zhàn)[1]。ADAS包括電子穩(wěn)定控制系統(tǒng)(ESC)、車道偏離預(yù)警系統(tǒng)和換道輔助系統(tǒng)等。車道偏離預(yù)警系統(tǒng)在車輛不開轉(zhuǎn)向燈卻并入車道時，通過發(fā)送音頻或者視覺警告給駕駛員以提醒。該系統(tǒng)通過攝像頭檢測車道線，來判斷駕駛員是否產(chǎn)生了無意識的漂移。換道輔助系統(tǒng)通過使用傳感器檢測車輛周圍環(huán)境并監(jiān)控駕駛員的盲點，幫助駕駛員安全完成變道。當駕駛員打算換道時，如果有其他車輛從后面接近或著有其他車輛處于駕駛員盲區(qū)時，換道輔助系統(tǒng)將通過音頻或視覺通知駕駛員。文獻[2]研究結(jié)果表明，因換道引起的交通事故占機動車交通事故的9%。準確、提前預(yù)測出駕駛員的換道意圖，可降低車道偏離系統(tǒng)的錯誤預(yù)警率，提升換道輔助系統(tǒng)的性能，對高級輔助駕駛系統(tǒng)的應(yīng)用具有重要意義。

影響駕駛員換道意圖預(yù)測準確率的兩個主要因素是特征數(shù)據(jù)和算法。駕駛員意圖預(yù)測的特征數(shù)據(jù)包括交通環(huán)境數(shù)據(jù)、車輛動力學(xué)數(shù)據(jù)和駕駛員行為數(shù)據(jù)。雷達、相機、GPS等可用于采集交通環(huán)境數(shù)據(jù)，包括道路信息數(shù)據(jù)，車輛距離道路中心線的距離，車輛的坐標，車輛相對于周圍車輛的速度和位移等。車輛動力學(xué)數(shù)據(jù)可用CAN總線采集，包括車輛的速度、加速度、方向盤轉(zhuǎn)角等。駕駛員行為數(shù)據(jù)主要包括眼動數(shù)據(jù)、頭動數(shù)據(jù)、腳動數(shù)據(jù)、大腦活動數(shù)據(jù)等。駕駛員意圖預(yù)測的算法包括隱馬爾可夫模型(HMM)、貝葉斯網(wǎng)絡(luò)(BN)、支持向量機(SVM)、高斯混合模型(GMM)、卷積神經(jīng)網(wǎng)絡(luò)(RNN)、長短時神經(jīng)網(wǎng)絡(luò)(LSTM)等。

國內(nèi)外的學(xué)者在駕駛員換道行為預(yù)測方面展開了研究。其中HMM、SVM、GMM、BN及由這些模型組合成的混合模型被廣泛應(yīng)用于駕駛員意圖預(yù)測。丁潔云等[3]采用對駕駛?cè)藫Q道決策有影響的環(huán)境參數(shù)，基于模糊邏輯理論設(shè)計了綜合決策因子，來表達駕駛員做出換道決策的可能性，并且將綜合決策因子與表征車輛橫向運動的特征參數(shù)作為觀測變量，采用HMM模型，識別駕駛員的換道意圖。宗長富等[4]建立了雙層HMM模型來辨識駕駛員所處的復(fù)合工況，其中上層多維離散HMM模型對應(yīng)駕駛員所處于的復(fù)合工況，下層多維高斯HMM模型對應(yīng)駕駛員在這段時間內(nèi)的駕駛行為。宋曉琳等[5]提出了HMM-SVM的混合模型，用于駕駛員換道行為辨識，模型的輸入特征為方向盤轉(zhuǎn)角、油門踏板數(shù)據(jù)，將駕駛員的意圖分為車道保持、緊急左換道、緊急右換道、正常左換道、正常右換道。劉志強等[6]運用HMM和SVM聯(lián)合的算法，建立了駕駛員意圖預(yù)測模型，確定6個參數(shù)的駕駛員意圖預(yù)測指標，分別預(yù)測出車道保持意圖、換道意圖、超車意圖。Butakov等[7]建立了兩層模型來描述換道行為，其中底層為運動學(xué)模型、上層為隨機模型，運動模型的部分采用正弦曲線換道模型，隨機模型的部分采用GMM模型。Kasper等[8]采用貝葉斯網(wǎng)絡(luò)來預(yù)測高速公路場景下的駕駛行為。Morris等[9]采用關(guān)聯(lián)向量機(RVM)模型來預(yù)測換道意圖，該模型是SVM模型的貝葉斯延伸。Li等[10]采用流形學(xué)習和SVM來識別駕駛員的換道行為，模型只采用相機數(shù)據(jù)。Kumar等[11]聯(lián)合SVM和貝葉斯濾波，將SVM的概率輸出作為貝葉斯濾波的輸入，然后根據(jù)貝葉斯濾波的輸出來預(yù)測駕駛員意圖。模型使用的特征數(shù)據(jù)包括車輛相對于車道線的側(cè)向位移、車輛相對于道路的方向盤轉(zhuǎn)角及其導(dǎo)數(shù)，為利用歷史特征數(shù)據(jù)，模型使用的特征向量為特征數(shù)據(jù)在一個時間窗內(nèi)的數(shù)據(jù)，試驗結(jié)果表明模型能在1.3 s之前預(yù)測出駕駛員換道行為。Schlechtriemen等[12]研究結(jié)果表明，預(yù)測駕駛員換道意圖最有用的特征包括車輛側(cè)向速度、車輛相對于前車的速度和車輛相對于車道中心線的側(cè)向位移。Liu等[13]采用數(shù)據(jù)融合方法，利用相機信息和云數(shù)字孿生信息，來預(yù)測駕駛員換道行為。基于統(tǒng)計模型的方法在挖掘駕駛行為特征方面具有局限性。

由于算法、算力的提升，深度學(xué)習在圖像處理、語音識別、翻譯得到了廣泛的應(yīng)用，深度學(xué)習可用于預(yù)測駕駛員行為意圖。季學(xué)武等[14]采用LSTM識別駕駛意圖，得到駕駛意圖分別為左換道、直線行駛、右換道的概率。宗長富等[15]結(jié)合HMM和ANN，建立了駕駛員意圖辨識與行為預(yù)測模型，辨識出緊急轉(zhuǎn)向、正常轉(zhuǎn)向和直線行駛3種工況。王慶年等[16]基于Takagi-Sugeno模型的模糊神經(jīng)網(wǎng)絡(luò)，生成了模糊推理系統(tǒng)的推理規(guī)則，從而識別駕駛意圖，并且將基于意圖識別的結(jié)果應(yīng)用于優(yōu)化混合動力汽車的控制策略，提高混合動力汽車燃油經(jīng)濟性。Dang等[17]將換道意圖的預(yù)測作為回歸問題而不是分類問題，采用LSTM來預(yù)測當前時刻至車輛越過車道線之前的時間。Li等[18]采用RNN的方法，利用周圍車輛的動態(tài)交互數(shù)據(jù)，來預(yù)測高速公路駕駛員換道行為。Ou等[19]采用RNN的方法，利用駕駛員觀察行為和駕駛環(huán)境數(shù)據(jù)，來預(yù)測駕駛員換道行為。Khairdoos等[20]采用基于LSTM的方法，利用駕駛員注視數(shù)據(jù)、頭部位置和車輛運動數(shù)據(jù)，來預(yù)測駕駛員換道行為。

眼部動作、面部動作、頭部動作可被用于駕駛員意圖預(yù)測。Lethaus等[21]研究發(fā)現(xiàn)眼睛的動作與駕駛行為相關(guān)。Doshi等[22]采用各種不同的特征來測試眼睛動作和頭部動作哪種更能預(yù)測駕駛員換道行為，其得出的結(jié)論為頭部動作比眼部動作在預(yù)測駕駛行為時更有效，頭部動作聯(lián)合車道數(shù)據(jù)和車輛數(shù)據(jù)能作為預(yù)測駕駛員換道意圖的良好特征。Lethaus等[23]采用眼部數(shù)據(jù)來預(yù)測駕駛員換道行為，并且對比了ANN、BN和樸素貝葉斯3種不同的算法。張立軍等[24]采集了直行、左換道、右換道的視頻數(shù)據(jù)、駕駛員運動狀態(tài)和方向盤轉(zhuǎn)角信號數(shù)據(jù)，基于視線方向及頭部姿態(tài)估計算法，提取駕駛員頭部和面部特征，采用統(tǒng)計學(xué)方法獲得了各特征與駕駛意圖的關(guān)聯(lián)性。Deng等[25]利用環(huán)境和眼動數(shù)據(jù)來預(yù)測駕駛員換道行為。眼部動作、面部動作、頭部動作數(shù)據(jù)的采集需要駕駛員佩戴相應(yīng)的裝備或者需要采集駕駛員的面部隱私，可能會對駕駛員行為產(chǎn)生干擾。

駕駛風格對駕駛員的換道決策有影響。Yang等[26]采用k-means聚類算法與K近鄰算法相結(jié)合，用于分類駕駛員的不同換道風格，將換道風格分為溫和型、模糊型、激進型三類。Li等[27]提出一種混合的模型，聯(lián)合BN與GMM，采用眼睛注視數(shù)據(jù)來標簽駕駛數(shù)據(jù)，預(yù)測了不同場景下的不同駕駛風格駕駛員的換道行為。

由于不同的駕駛員會表現(xiàn)出個性化的駕駛行為，基于多名駕駛員的駕駛數(shù)據(jù)所建立的駕駛員換道行為預(yù)測模型不能完全適用于單個的駕駛員，而對于單個駕駛員，采集足夠的駕駛數(shù)據(jù)來訓(xùn)練模型不是總能實現(xiàn)的。基于此，遷移學(xué)習的方法被用來建立單個目標駕駛員的個性化換道行為預(yù)測模型。 Lu等[28-29]采用不同的遷移學(xué)習算法，利用其他駕駛員的駕駛數(shù)據(jù)和少量的、不充足的目標駕駛員數(shù)據(jù)來建立目標駕駛員換道行為預(yù)測模型。Lu等[30]為了解決駕駛模擬器采集的駕駛數(shù)據(jù)與實車采集的駕駛數(shù)據(jù)之間存在差異的問題，采用遷移學(xué)習的算法將駕駛模擬器數(shù)據(jù)映射為實車采集數(shù)據(jù)。

關(guān)于以上研究，基于統(tǒng)計模型的方法不能完全充分挖掘駕駛行為數(shù)據(jù)的特征，而深度學(xué)習在提取數(shù)據(jù)特征方面具有優(yōu)勢。眼部動作數(shù)據(jù)和頭部動作數(shù)據(jù)雖然有助于預(yù)測駕駛行為，但是在人類日常駕駛時，佩戴采集眼部動作和頭部動作的裝備，或者安裝采集面部識別的攝像頭，并不能被所有駕駛員充分接受。為進一步提高駕駛員換道行為預(yù)測模型的預(yù)測準確率和預(yù)測時間，本文基于MLP算法，聯(lián)合SVM算法，提出了一種聯(lián)合的MLP-SVM模型。采用車輛數(shù)據(jù)和交通環(huán)境數(shù)據(jù)，建立駕駛員換道意圖預(yù)測模型。采用真實的公開交通數(shù)據(jù)集highD[31]來驗證提出的模型，并與其他模型進行對比，驗證所提出的模型在預(yù)測準確率和提前預(yù)測時間方面的優(yōu)越性。本文所提出的框架如圖1所示。

圖1 基于MLP-SVM的混合模型結(jié)構(gòu)Fig.1 Architecture of the hybrid MLP-SVM model

1 駕駛員換道行為預(yù)測模型的試驗場景和特征向量

左車道一般為快車道，換道行為發(fā)生的其中一個原因為，在當前車道上，主車的前方車輛速度較慢，主車為了獲取更快速度，需要換道到左車道。因此選取駕駛員左換道場景進行建模研究。

1.1 駕駛員換道行為預(yù)測模型的試驗場景

駕駛員換道行為預(yù)測模型的試驗場景如圖2所示，目的是研究主車、代號為SV的換道行為，同時考慮周圍4個車輛的信息，包括當前車道前車PV、當前車道后車FV、左前車LP、左后車LF的駕駛數(shù)據(jù)。

圖2 換道場景示意圖Fig.2 Diagram of a lane changing scenario

1.2 主車與周圍車輛的數(shù)據(jù)信息

為建立駕駛員換道行為預(yù)測模型，主要采集主車信息和周圍車輛信息。在時刻i，主車的數(shù)據(jù)信息可以表示為

(1)

主車與周圍車輛的相對信息可以表示為

(2)

(3)

(4)

(5)

(6)

1.3 模型特征向量的選取與模型的輸出

為建立駕駛員換道行為預(yù)測模型，主要采集主車信息和周圍車輛信息。模型的輸入是時刻i時，主車駕駛數(shù)據(jù)、周圍車輛相對主車的駕駛數(shù)據(jù)和目標車道前車與后車的相對數(shù)據(jù)。

在時刻i，特征向量可表示為

(7)

模型的輸出是時刻i+1時的駕駛員行為標簽，可表示為

(8)

式中：0代表直駛行為；1代表換道行為。

2 基于MLP-SVM混合模型的駕駛員換道行為預(yù)測算法

多層感知機是深度學(xué)習的一種基本算法，可用于數(shù)據(jù)分類、回歸。支持向量機常用于數(shù)據(jù)分類。本文為充分利用深度學(xué)習算法的特征提取能力，和支持向量機算法的分類能力，建立了多層感知機和支持向量機聯(lián)合的駕駛員換道行為預(yù)測模型。

2.1 多層感知機算法

MLP模型包含一個輸入層、至少一個隱藏層和一個輸出層，圖3為包含一個隱藏層，隱藏層有4個隱藏單元的多層感知機模型示意圖。圖3中，x1、x2、x3代表輸入特征向量xi中的3個特征，h1、h2、h3、h4代表隱藏層中的4個隱藏單元，o1、o2代表輸出層中的兩個輸出。

圖3 多層感知機示意圖Fig.3 Diagram of multilayer perceptron

包含K層的MLP模型含有一個輸入層、K-1個隱藏層和一個輸出層。MLP模型輸出O的計算如(9)式所示：

O=H(K-1)W(K)+b(K)H(1)=φ1(XW(1)+b(1))

H(j)=φj(H(j-1)W(j)+b(j)),j=2,3,…,K-1

(9)

式中：H(k)、W(k)、b(k)、φk分別為第k層網(wǎng)絡(luò)的輸出、權(quán)重、偏差、激活函數(shù)，b(k)∈1×h(k)，W(k)∈h(k-1)×h(k)，h(k)為第k層網(wǎng)絡(luò)的隱藏單元數(shù)；X為輸入矩陣，X∈n×d，n為樣本數(shù)，d為樣本的特征數(shù)目。激活函數(shù)可以是ReLU函數(shù)或者sigmoid函數(shù)或者tanh函數(shù)等。給定元素x，各個激活函數(shù)的公式如(10)式～(12)式所示：

ReLU(x)=max (x,0)

(10)

(11)

(12)

本文建立的MLP模型包含三層：一個輸入層，兩個隱藏層，一個輸出層。激活函數(shù)為ReLU函數(shù)，且由于換道行為的預(yù)測是一個分類問題，所以損失函數(shù)采用交叉熵損失函數(shù)，模型的權(quán)重和偏差通過后向傳播算法計算。

(13)

式中：l(θ)為損失函數(shù)；θ為模型參數(shù)；q為類別數(shù)；ym和m為樣本在m個類別上的真實標簽和預(yù)測標簽。

2.2 支持向量機算法

對于訓(xùn)練數(shù)據(jù)(xi,yi)，xi∈d，yi∈{-1,1}，SVM的目的是找到能把數(shù)據(jù)最大化分開的超平面ωTx+b=0，其中ω和b為超平面的法向量和截距，ω∈d，b∈。被分開的兩類數(shù)據(jù)到該平面的距離的最小值相等，最優(yōu)超平面為使此距離最小值最大化的超平面。xi到超平面的距離為縮放ω和b，使得|ωTxi+b|≥1，則離超平面最近的向量，即支持向量，到超平面的距離為1/‖ω‖，最大化1/‖ω‖等價于最小化基于SVM的分類問題可以定義為

(14)

式中：ξi為非負松弛變量，當ξi=0時，為線性可分SVM；C為取值正數(shù)的懲罰參數(shù)，用于調(diào)和間隔盡量大與誤分類盡量小。該問題是一個凸二次規(guī)劃問題，其中ω有唯一解，b的解不唯一而是存在于一個區(qū)間。原問題的對偶問題為

(15)

式中：αi為拉格朗日乘子，可通過求解對偶問題的解再得到原問題的解。對于非線性分類問題，可以通過一個非線性變換，將非線性分類問題變換為線性分類問題，通過求解變換后的線性分類問題，得到原來的非線性分類問題的解。如果存在一個從輸入空間中的xi變換到特征空間中的zi的映射φ(x)，函數(shù)K(xi,xj)=φT(xi)φ(xj)總是成立，則稱K(xi,xj)為核函數(shù)。核技巧應(yīng)用于此的原因為：特征空間通常為高維，甚至為無窮維，顯式地定義映射φ(x)通常是困難的，直接計算K(xi,xj)則比較容易。給定的核函數(shù)所對應(yīng)的特征空間和映射的取法并不唯一。4種常用的核函數(shù)分別為線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)、sigmod核函數(shù)。表達式分別為

線性核函數(shù)：

(16)

多項式核函數(shù)：

(17)

徑向基核函數(shù)：

(18)

Sigmoid核函數(shù)：

(19)

(20)

該問題可通過序列最小最優(yōu)化(SMO)算法求解。SMO算法包含兩個部分：采用啟發(fā)式方法選擇兩個變量和采用解析方法求解兩個變量的二次規(guī)劃問題。在采用啟發(fā)式方法選擇兩個變量時，不失一般性，假設(shè)選擇的兩個變量是α1和α2，其他的變量αi(i=3,4,…,n)固定。SMO在選擇第2個變量α2時，需從訓(xùn)練樣本中選擇違反KKT條件最嚴重的樣本點。此處的KKT條件可表示為

αi=0?yig(xi)≥1 0<αi

(21)

(22)

α1和α2選擇好后，SMO求解原問題對偶問題子問題可表達為

(23)

(24)

(25)

(26)

(27)

最終的分類函數(shù)為

(28)

2.3 基于MLP-SVM的駕駛員換道行為預(yù)測模型

圖4 MLP-SVM混合模型結(jié)構(gòu)與MLP模型結(jié)構(gòu)Fig.4 Architecture sof hybrid MLP-SVM model and MLP model

3 試驗數(shù)據(jù)的處理

本文所用的試驗數(shù)據(jù)來自公開數(shù)據(jù)集highD[31]，如圖5所示，采用無人機航拍來獲得駕駛數(shù)據(jù)。該數(shù)據(jù)集收集了德國高速公路上的約110 500個車輛的軌跡數(shù)據(jù)，數(shù)據(jù)采集的頻率為25 Hz。 其中車輛包含汽車和卡車，本文采用汽車的數(shù)據(jù)來建立模型。主要研究自由換道，由于換道次數(shù)大于1有可能是強制換道，只選取換道次數(shù)為1的車輛。

圖5 highD數(shù)據(jù)集Fig.5 HighD dataset

數(shù)據(jù)的處理方法如圖6所示，采用時間窗的方式來標簽換道行為，時間窗選擇的時間為5 s。t2為車輛跨過車道線的時刻，t1為t2之前5 s的時間點，t1和t2之間時間的數(shù)據(jù)為換道數(shù)據(jù)，被標簽為1，t0為t1之間5 s的時間點，t0和t1之間時間的數(shù)據(jù)為直駛數(shù)據(jù)，標簽為0。

圖6 數(shù)據(jù)處理方法Fig.6 The data processing method

數(shù)據(jù)處理后的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)統(tǒng)計結(jié)果如表1所示。

表1 訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)統(tǒng)計Table 1 Summary of training dataset and test dataset

4 試驗結(jié)果與分析

本文采用不同算法分別建立了駕駛員換道行為預(yù)測模型并且對比分析不同模型的性能。

4.1 模型評價標準

所建立的換道行為預(yù)測模型，不僅要有整體的預(yù)測準確率，并且模型在換道時刻之前，越早預(yù)測出換道意圖，則模型性能越好。因此，對于模型的評價，提出兩個標準，即模型預(yù)測準確率、模型預(yù)測時間。

1)模型預(yù)測準確率。模型預(yù)測準確率的計算公式為

(29)

式中：TP為將正類預(yù)測為正類的數(shù)目；TN為將負類預(yù)測為負類的數(shù)目；FP為將負類預(yù)測為正類的數(shù)目；FN為將正類預(yù)測為負類的數(shù)目。

2)模型的精準度、召回率、F1分數(shù)分別為

(30)

(31)

(32)

3)模型提前預(yù)測時間。如果從換道之前的某個時間點至圖6所示t2時刻，即車輛換道點，模型的所有預(yù)測結(jié)果均為標簽1，即均為換道，則定義從這個時間點到車輛跨過車道線的換道點之間的時間為模型的提前預(yù)測時間。

車體是軌道交通車輛重要的承載結(jié)構(gòu)，除必須滿足強度、剛度、模態(tài)及結(jié)構(gòu)穩(wěn)定性等要求外，還必須滿足日益提高的結(jié)構(gòu)輕量化要求。碳纖維復(fù)合材料的應(yīng)用為車體減重增能提供了新的思路，對推動軌道交通技術(shù)進步具有劃時代意義。

4.2 模型設(shè)置

MLP模型的參數(shù)如表2所示。

表2 MLP模型參數(shù)Table 2 Parameter selection and setting of MLP model

4.3 對比結(jié)果

為驗證所建立的MLP-SVM混合模型在駕駛員換道行為預(yù)測上的性能，分別基于MLP、SVM、MLP-SVM算法建立了駕駛員換道行為預(yù)測模型。為了選取合適的SVM模型，將SVM的核函數(shù)分別設(shè)為線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)、Sigmoid核函數(shù)。其中，SVM(sigmoid)、SVM(linear)、SVM(poly)、SVM(rbf)分別代表sigmoid核函數(shù)、線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)的SVM模型。MLP-SVM(sigmoid)、MLP-SVM(linear)、MLP-SVM(poly)、MLP-SVM(rbf)分別代表sigmoid核函數(shù)、線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)的MLP-SVM混合模型。

MLP在訓(xùn)練集上的損失隨訓(xùn)練周期數(shù)的變化如圖7所示，在10 000個訓(xùn)練周期后，訓(xùn)練集的損失趨于穩(wěn)定，此時將MLP隱藏層的輸出特征，作為SVM的輸入特征，建立MLP-SVM模型。

圖7 訓(xùn)練集損失隨訓(xùn)練周期數(shù)的變化Fig.7 Training set loss changes with the number of training cycles

各個模型的預(yù)測準確率和平均提前預(yù)測時間對比如表3所示。以下為關(guān)于模型在預(yù)測準確率和提前預(yù)測時間方面的性能分析。

表3 模型的預(yù)測準確率和提前預(yù)測時間Table 3 Accuracy and advanced prediction time of the models

1)關(guān)于各個模型預(yù)測準確率的分析。由表3可知，對于SVM模型，不同的核函數(shù)對預(yù)測結(jié)果的影響很大，其中SVM(rbf)模型的預(yù)測準確率最高，為82.5%，SVM(sigmoid)模型的預(yù)測準確率最低，為59.7%。MLP模型的預(yù)測準確率為92.0%，在預(yù)測準確率方面優(yōu)于SVM模型。對于MLP-SVM混合模型，SVM選取不同核函數(shù)對模型預(yù)測準確率也有影響，對于所設(shè)定的4種核函數(shù)，混合的MLP-SVM模型預(yù)測準確率均大于SVM模型預(yù)測準確率。當SVM的核函數(shù)選為徑向基核函數(shù)時，在試驗的所有模型中，混合的MLP-SVM(rbf)模型取得了最高的預(yù)測準確率，為92.6%。

2)關(guān)于不同的核函數(shù)在SVM模型和MLP-SVM模型中的不同表現(xiàn)分析。由表3可知，對于同一核函數(shù)，MLP-SVM模型的預(yù)測準確率均高于SVM模型。在SVM模型中，SVM(sigmoid)模型的預(yù)測準確率最低，在混合的MLP-SVM模型中，MLP-SVM(sigmoid)模型的預(yù)測準確率也最低。在SVM模型中，SVM(rbf)模型的預(yù)測準確率最高，在混合的MLP-SVM模型中，MLP-SVM(rbf)模型的預(yù)測準確率也最高。在SVM模型中，SVM(poly)模型的預(yù)測準確率高于SVM(linear) 模型，在混合的MLP-SVM模型中，MLP-SVM(poly)模型的預(yù)測準確率低于MLP-SVM(linear)模型。關(guān)于當核函數(shù)為rbf時，相對于其他核函數(shù)，SVM(rbf)和MLP-SVM(rbf)的預(yù)測正確率均為最優(yōu)的解釋為：rbf核函數(shù)將特征映射為無窮維，相比于其他核函數(shù)，獲得了最優(yōu)的分類結(jié)果，適合本文試驗中特征維度不多、樣本數(shù)量不過少也不過于多的狀況。

3)關(guān)于模型的提前預(yù)測時間的性能分析。由表3可知，預(yù)測準確率越高的模型，更早預(yù)測出換道行為。對于不同核函數(shù)的MLP-SVM模型，MLP-SVM(rbf)模型的預(yù)測準確率最高，為92.6%，提前預(yù)測時間最長，為4.54 s。所選取的直駛換道時間窗為5 s，所建立的MLP-SVM(rbf)模型，在模型預(yù)測準確率和提前預(yù)測時間方面，均表現(xiàn)最優(yōu)。而對于不同核函數(shù)的SVM模型，SVM(sigmoid)模型的預(yù)測準確率和提前預(yù)測時間分別為59.7%和1.56 s。由此可見所建立的MLP-SVM模型相對于SVM模型，在模型預(yù)測準確率和提前預(yù)測時間方面，都有較大的提升。

4)關(guān)于模型的混淆矩陣性能表現(xiàn)。為進一步對比所建立的混合MLP-SVM(rbf)模型和MLP-SVM(sigmoid)模型相對于SVM(rbf)模型、SVM(sigmoid)模型在預(yù)測性能方面的提升，圖8分別顯示了4個模型的正則化混淆矩陣。

圖8 模型的正則化混淆矩陣Fig.8 Normalized confusion matrixes of models

從圖8中可以看出，對于SVM(sigmoid)模型，在所有的真實換道行為中，只有49.5%的換道行為被預(yù)測出來，在所有的真實直駛行為中，只有69.9%的直駛行為被預(yù)測出來。SVM(rbf)模型與SVM(sigmoid)模型相比較，在預(yù)測直駛和換道行為方面的性能都有所提升，但是模型對兩種行為的預(yù)測性能很不均衡。MLP-SVM(rbf)模型能分別預(yù)測出93.8%的直駛行為和91.4%的換道行為，在性能上與所建立的SVM模型對比有較大提升。

5)關(guān)于模型在精準度、召回率、F1分數(shù)方面的性能表現(xiàn)。表4為模型的精準度、召回率、F1分數(shù)。根據(jù)表4可知，相對于SVM模型，提出的混合的MLP-SVM(rbf)模型在精準度、召回率、F1分數(shù)方面的性能均有提升。

表4 模型的精準度、召回率、F1分數(shù)Table 4 Precision, recall, and F1 score of the models

6)關(guān)于模型在預(yù)測換道行為方面的具體顯示。為進一步理解模型預(yù)測換道行為的能力，圖9選取一條換道數(shù)據(jù)，分別顯示車輛軌跡、真實的換道行為、MLP-SVM(rbf)模型、SVM(rbf)模型、SVM(sigmoid)模型對于該條換道數(shù)據(jù)的預(yù)測結(jié)果。

圖9 預(yù)測結(jié)果的可視化Fig.9 Visualization of the prediction results

在圖9中，MLP-SVM(rbf)的預(yù)測結(jié)果顯示，該模型比真實換道標簽延遲0.32 s預(yù)測出換道行為，而SVM(rbf)模型將3.16～5 s之間的直駛行為錯誤預(yù)測為換道行為，SVM(sigmoid)模型只有在5～7.12 s內(nèi)的預(yù)測是正確的，其他的都為錯誤預(yù)測，顯示了MLP-SVM(rbf)在換道行為預(yù)測方面優(yōu)于SVM模型。

5 結(jié)論

本文基于車輛運動數(shù)據(jù)及其周圍車輛運動數(shù)據(jù)，建立了駕駛員換道意圖預(yù)測模型，提出一種混合的MLP-SVM模型，通過MLP提取駕駛員的特征，采用SVM進行特征分類，預(yù)測駕駛員的換道意圖，使用公開數(shù)據(jù)集highD進行了試驗。得出以下主要結(jié)論：

1)基于MLP-SVM的模型在預(yù)測準確率方面高于基于SVM的模型。

2)SVM(rbf)模型的預(yù)測準確率為82.5%，提前3.67 s預(yù)測出換道行為。提出的基于 MLP-SVM(rbf)的駕駛員換道意圖預(yù)測模型，充分利用了MLP模型提取數(shù)據(jù)特征的能力，和SVM的分類能力，取得了最高的預(yù)測準確率92.6%，可提前4.54 s預(yù)測出換道行為。本文提出的方法可應(yīng)用于ADAS。