袁小慧，歸文強

(1.長安大學 汽車學院，陜西 西安 710064；2.西安航空學院 車輛工程學院，陜西 西安 710077)

在跟車過程中，為了提高自車的舒適性、安全性以及行駛效率，駕駛人調整車速及跟車間距避免相鄰車道前車并道至自車之前，同時當相鄰車道前車并道至自車之前時，駕駛人必須重新調整車速，以適應新的跟車對象引起的跟車間距的變化。

目前，研究者大多是以換道行為車輛本身作為研究對象，進行意圖和行為識別，較少從跟車角度出發(fā)，將換道車輛作為相鄰車道車輛，對其駕駛行為進行預測。付銳等[1]基于Fisher判別法，以自車與相鄰車和當前車道前車相關的4個參數(shù)作為特征參數(shù)，包括自車車速、自車與當前車道前車的車頭時距、相對速度以及自車與相鄰前車的相對速度，對相鄰前車的兩種并道行為類型進行預測，并道行為類型包括相鄰前車并道至當前車道前車之前以及自車與前車之間；馬國成等[2]基于模糊支持向量機，以自車與相鄰前車的7個相關參數(shù)作為表征參數(shù)，包括實測的自車車速、自車與相鄰前車的縱向距離和橫向距離、縱向和橫向相對車速以及由卡爾曼濾波估計得到的前車相對自車的縱向和橫向加速度，對相鄰前車的并道意圖進行辨識；張海倫等[3]基于公開的NGSIM數(shù)據(jù)集，建立雙層連續(xù)隱馬爾可夫模型和貝葉斯生成分類器以及雙向長短時記憶網絡模型，識別并預測相鄰前車的駕駛行為，辨識的駕駛行為類型包括并道至自車與本道前車之間以及相鄰前車保持原車道行駛；蔡英鳳等[4]以自車與相鄰車道前車和當前車道前車的7個相關參數(shù)作為特征參數(shù)，包括相鄰車道前車的橫向速度和航向角、相鄰車道前車和當前車道前車與自車、自車和自車前方車輛縱向相對距離與縱向相對速度、相鄰前車與當前車道橫向距離，對相鄰前車的并道行為進行辨識；Seungwuk Moon等[5]基于模糊決策思想，以自車與相鄰前車的側向距離和相對速度作為相鄰前車并道的表征參數(shù)，認為側向距離較小、側向加速度較大時，相鄰前車具有并道意圖，該方法具有主觀性，不能客觀表征相鄰前車的并道行為；Ismail Dagli等[6]基于機率理論模型，預測和分析車輛位置，從而識別相鄰前車的并道行為。

本文從高速公路實際的駕駛行為數(shù)據(jù)出發(fā)，從本車道跟隨車輛的角度，考慮自車與相鄰前車以及自車與本車道前車的運動關系，提取相鄰車道駕駛行為的表征參數(shù)，以此建立預測模型，預測相鄰前車的駕駛行為。

1 駕駛意圖特征參數(shù)的提取

在單向兩車道高速公路上，根據(jù)相鄰前車的并道位置，可將相鄰前車的駕駛意圖分為4類，如圖1 所示。其中，第1類為保持原車道跟車行駛，第2類為并道至前車L0之前，第3類為并道至自車M與前車L0之間，第4類為并道至自車M之后。

圖1 相鄰前車的駕駛意圖分類

4類駕駛意圖下，相鄰前車駕駛人具有4類不同的駕駛行為，這會對自車M產生不同的影響。其中，第1類駕駛行為下，相鄰前車F1保持原車道跟車行駛，對自車M的影響最??；第2類駕駛行為下，相鄰前車F1并道至前車L0之前，自車的跟車目標仍為前車L0，此時，前車L0由于相鄰前車F1的并入而改變車速，進而間接影響自車M；第3類駕駛行為下，相鄰前車F1并道至M車與L0車之間，M車的跟車目標由L0變?yōu)镕1，原有跟車狀態(tài)被打破，跟車間距會突然減小，對M車的影響最大；第4類駕駛行為下，相鄰前車F1并道至M車之后，對自車的影響非常小，且該類行為極少出現(xiàn)。因此，本文僅對相鄰前車的前3類駕駛意圖進行預測。

1.1 試驗數(shù)據(jù)采集與處理

為研究相鄰前車的駕駛意圖，進行高速公路實車試驗，采集自車所在車道以及相鄰車道的車輛行駛數(shù)據(jù)。試驗路段為限速120 km/h的雙向4車道高速公路，試驗里程為58.3 km。共有10名駕駛人參與實車試驗，駕駛人年齡介于28歲～45歲之間，均值為35.2歲；駕齡介于3 a～20 a，均值為10.5 a，標準差為5.2 a。試驗車輛為配備多種采集設備的大眾途安乘用車，設備包括安裝于試驗車輛前部和后部的毫米波雷達、多通道視頻監(jiān)控系統(tǒng)、加速踏板和制動踏板開度傳感器、方向盤轉角傳感器等。其中，毫米波雷達用于測量自車與前方或后方車輛的間距、相對速度以及相對角度等數(shù)據(jù)；多通道視頻監(jiān)控設備用于監(jiān)控整個試驗過程中駕駛人面部、操作行為、前方道路和后方道路交通環(huán)境，后期可通過回放篩選數(shù)據(jù)。為保證試驗過程能反映真實的駕駛習慣，試驗前告知駕駛人試驗路線并要求其按照日常操作習慣進行駕駛。

試驗后，按照以下原則篩選試驗數(shù)據(jù)：

1)本文基于何民[7]對跟車狀態(tài)中自由行駛與跟車行為的界定原則，篩選自車與當前車道前車的車頭時距小于5 s的相關數(shù)據(jù)；

2)從視頻上看相鄰前車是具有并道的意圖還是保持原車道跟車行駛的意圖，對于具有并道意圖的數(shù)據(jù)，篩選相鄰前車駕駛人開啟轉向燈至有橫向偏移之間的數(shù)據(jù)，并以有橫向偏移前2 s內數(shù)據(jù)作為待分析樣本；對于保持跟車行駛的數(shù)據(jù)，篩選相鄰前車與自車的車頭時距小于前車與自車的車頭時距的數(shù)據(jù)。

根據(jù)以上原則，最終篩選出具有第1類和第2類駕駛意圖的行為數(shù)據(jù)各有25次，包含400組，第3類駕駛意圖的行為數(shù)據(jù)有50次，包含800組樣本，每組樣本包含某個時刻的相關駕駛行為數(shù)據(jù)。

1.2 特征參數(shù)提取

車輛行駛數(shù)據(jù)能很好地復現(xiàn)行駛過程，反映駕駛人意圖[8-10]，因此本文擬從自車車速vM、自車與前車的縱向間距d1、車頭時距t1、縱向相對速度v1、自車與相鄰前車的縱向間距d2、車頭時距t2、縱向相對速度v2等7個參數(shù)中提取特征參數(shù)。其中，縱向間距d(d1和d2)、車頭時距t(t1，t2)、縱向相對速度v(v1，v2)可由雷達采集的相對距離d0、相對速度v0和方位角α0計算得到：d=d0cosα0，t=d/vM，v=v0cosα0。

對所選7個參數(shù)進行pearson相關系數(shù)檢驗，發(fā)現(xiàn)vM，t1，v1，v24個參數(shù)的pearson相關系數(shù)均小于0.01，表明這4個參數(shù)線性不相關。進行多重共線性檢驗，其值小于5，表明不存在多重共線性。因此，本文將vM，t1，v1，v24個參數(shù)作為相鄰前車駕駛意圖的表征參數(shù)。

2 相鄰前車駕駛人意圖預測

對相鄰前車的駕駛人意圖進行預測，本質上是對相鄰前車的駕駛意圖進行判別分析，即判別其屬于3類駕駛意圖的哪一類。因此，本文采用常見的兩種判別分析方法對相鄰前車駕駛人意圖進行預測。

2.1 SVM

支持向量機(Support Vector Machine, SVM)一般處理二分類問題[11-14]，也可通過構造合適的多類分類器處理多分類問題，其基本思想是確定一個能夠劃分所有數(shù)據(jù)樣本的超平面，且該超平面到所有數(shù)據(jù)樣本的距離最短。

在構造多類分類器時，常采用的方法有“一對一”和“一對其他”。其中，“一對其他”的分類方法易出現(xiàn)樣本不對稱現(xiàn)象，且在判別分析時可能出現(xiàn)一個樣本不屬于任何一類的情況。考慮到待判別的相鄰前車的駕駛意圖僅有3類，類別較少，計算復雜度不大，本文在進行判別分析時采用“一對一”的判別方法。

在采用“一對一”[15-16]的方法判別相鄰前車的駕駛人意圖時，需要針對3個類別的駕駛行為數(shù)據(jù)樣本，設計3個SVM分類器，即在每兩類樣本間均設計一個SVM。在構造含有兩類駕駛人意圖樣本(第i類和第j類)的SVM時，按照式(1)的方法進行最優(yōu)化計算

(1)

式中：w和b分別為構造的超平面的法向量和位移項；φ為映射函數(shù)；C為懲罰參數(shù)；ξ為KKT(Karush-Kuhn-Tucker)乘子。

其決策函數(shù)為

fi(x)=(wi)Tφ(x)+bi。

(2)

在預測階段，采用投票法預測相鄰前車的駕駛人意圖。首先，初始化各類別駕駛人意圖的初始得票數(shù)，然后，將待測駕駛人意圖樣本數(shù)據(jù)x輸入到各決策函數(shù)中進行判別，當某分類器ci,j將樣本x識別為第i類駕駛人意圖時，則第i類駕駛人意圖對應得票數(shù)加1，當該分類器ci,j將樣本x識別為第j類駕駛人意圖時，則第j類駕駛人意圖對應得票數(shù)加1，所有分類器均對樣本判別后，將得票數(shù)最高的那個類別作為樣本x的駕駛人意圖。

考慮到相鄰前車駕駛人意圖的表征參數(shù)較少，在構造SVM分類器時，假設3類駕駛人意圖兩兩線性可分，因此，本文在采用SVM算法建立相鄰前車駕駛意圖預測模型時參數(shù)設置如下：SVM的類型設置為SVC，分類時采用“一對一”的分類方法，核函數(shù)設置為線性核。

2.2 Fisher判別法

Fisher判別法的基本思想是將原樣本數(shù)據(jù)投影到某個方向，使其投影的類內距離最小而類間距離最大[17-18]。

假設投影方向為W=(w1,w2,…,wp)，將駕駛人行駛數(shù)據(jù)樣本xij在W上進行投影，得到y(tǒng)ij=WTxij(i=1,2,3；j=1,2,…,ni)，樣本和總體投影后的均值分別為vi=WTμi(i=1,2,3)和v=WTμ。因此，樣本投影后的類間離差平方和與類內離差平方和分別為式(3)和式(4)，根據(jù)Fisher判別法的基本思想，要求投影后的類間距離最大而類內距離最小，即使得式(3)最大，式(4)最小。

(3)

(4)

令

(5)

(6)

則

SSG=WTS0W,

(7)

SSE=WTS1W。

(8)

可將優(yōu)化條件轉化為使式(9)最大。

(9)

令

WTS1W=1，

則

J=WTS0W, s.t.：WTS1W=1。

(10)

采用拉格朗日乘子法進行求解，

L(W,λ)=WTS0W-λ(WTS0W-1),

(11)

dL(W,λ)=(2WTS0-2λWTS1)dW,

(12)

式中：λ為特征值。

令

(13)

則

S0W=λS1W，

(14)

當S1可逆時，

(15)

2.3 結果對比

將篩選的第1類、第2類400組駕駛行為數(shù)據(jù)以及第3類800組駕駛行為數(shù)據(jù)進行處理，得到自車車速vM、自車與當前車道前車的車頭時距t1、自車與當前車道前車的相對速度v1、自車與相鄰前車的相對速度v2等4個參數(shù)，將數(shù)據(jù)樣本的一半作為訓練集，另一半作為測試集，并將訓練集作為輸入樣本，按照相關參數(shù)設置進行訓練后，建立SVM模型和Fisher判別模型。

Fisher判別模型的判別式有兩個

y1=-0.067 3vM+0.924 9t1-0.288 2v1+

0.238 5v2,

(16)

y2=0.005 5vM+0.984 5t1+0.157v1+

0.078 2v2.

(17)

兩個正的特征值分別為5.942 2和0.169 9，兩個判別式的貢獻率分別為0.972 2和0.027 8，累積貢獻率為0.972 2和1。根據(jù)訓練樣本中的800組駕駛行為數(shù)據(jù)，按照判別式得分繪出散點圖，如圖2 所示。3類駕駛行為意圖的分離效果非常好，只是第2類駕駛意圖和第3種駕駛意圖有個別點混在一起，不易區(qū)分。

圖2 判別式得分散點圖

根據(jù)訓練樣本對800組駕駛行為數(shù)據(jù)進行判別，可以得到SVM模型和Fisher模型識別結果的分類混淆矩陣，如表1 和表2 所示。

表1 SVM模型對訓練集的分類混淆矩陣

表2 Fisher模型對訓練集的分類混淆矩陣

由表1 和表2 可知，采用vM,t1,v1,v24個參數(shù)建立SVM模型和Fisher模型時，判別準確率均非常高，分別為98.1%和98.3%。此外，SVM模型和Fisher模型對于第3種駕駛意圖的識別召回率達到100%，表明這兩種模型均能根據(jù)由vM,t1,v1,v24個參數(shù)構成的駕駛行為數(shù)據(jù)，100%判別出并道至自車與前車之間的駕駛意圖。

利用上述建立的SVM模型和Fisher模型對測試集中的800組駕駛行為數(shù)據(jù)進行預測，得到對于3類駕駛意圖的分類混淆矩陣，如表3 和表4 所示。

表3 SVM模型對測試集的分類混淆矩陣

表4 Fisher模型對測試集的分類混淆矩陣

由表3 和表4 可知，SVM模型和Fisher模型對3種駕駛意圖的預測準確率分別為94.1%和91.1%。相比Fisher模型，SVM模型對相鄰前車的第1類駕駛意圖和第2類駕駛意圖的召回率和精確率均更高，但是對于相鄰前車的第3類駕駛意圖的召回率和精確率則略低。

由于相鄰前車并道至自車與前車之間時改變了自車的跟車目標，使自車的跟車間距突然減小，對自車的車速影響最大，因此，從對自車的車速控制角度看，F(xiàn)isher模型能更好地用于相鄰前車的駕駛意圖預測。

3 結 論

1)根據(jù)高速公路試驗采集到的自車、自車所在車道以及相鄰車道車輛的運動狀態(tài)參數(shù)，獲得相鄰前車駕駛意圖的表征參數(shù)，包括自車車速vM、自車與前車的車頭時距t1、自車與前車的縱向相對速度v1以及自車與相鄰前車的縱向相對速度v2等4個參數(shù)。

2)根據(jù)上述4個表征參數(shù)，采用SVM算法和Fisher判別法對相鄰前車的駕駛意圖進行建模，得到SVM模型和Fisher模型，其對駕駛意圖的預測準確率分別為94.1%和91.1%，能夠提前2 s左右預測到相鄰前車的并道行為類型，但是Fisher模型在預測相鄰前車并道至自車與前車之間的準確率更高。

3)由于相鄰前車并道至自車之后的并道情形很少出現(xiàn)，本文在建立相鄰前車駕駛意圖模型時，未考慮該類駕駛意圖，未來可以建立更為全面的相鄰前車駕駛意圖模型。