呂超，孟相浩，崔格格，龔建偉

（北京理工大學(xué) 機(jī)械與車輛學(xué)院，北京 100081）

配備有先進(jìn)輔助駕駛系統(tǒng)的智能車輛已成為現(xiàn)代交通系統(tǒng)的重要組成部分.使智能車精確地評估和識別當(dāng)前場景的風(fēng)險(xiǎn)等級是輔助駕駛系統(tǒng)能夠發(fā)揮作用的重要基礎(chǔ)：隨著汽車保有量的逐年增加和交通參與者種類的提升，交通場景變得越來越復(fù)雜，交通事故頻繁發(fā)生，其中在多交通參與者存在的復(fù)雜交通場景下發(fā)生的交通事故占總數(shù)的6%，同時(shí)占比死亡原因的67.2%[1]，并且隨著駕駛場景復(fù)雜程度的提升而有所增加.因此針對智能車輛提升其主動(dòng)識別復(fù)雜場景風(fēng)險(xiǎn)等級的能力至關(guān)重要.

然而針對復(fù)雜場景風(fēng)險(xiǎn)等級的數(shù)據(jù)評價(jià)及場景建模仍然是智能車輛發(fā)展的瓶頸問題.一方面，由于駕駛經(jīng)驗(yàn)和個(gè)性的差異，不同駕駛員往往有各自的標(biāo)準(zhǔn)來判定駕駛風(fēng)險(xiǎn)，如何合理的選擇車輛客觀特征參數(shù)來反映駕駛員主觀對場景風(fēng)險(xiǎn)程度的理解成為了首要考慮的問題.另一方面，動(dòng)態(tài)復(fù)雜的交通場景難以理解和建模[2]，隨著交通參與者的增加也提升了對該場景的風(fēng)險(xiǎn)等級的識別難度.

在以往的研究中，許多學(xué)者設(shè)計(jì)了不同的風(fēng)險(xiǎn)等級評估指標(biāo)，包括碰撞時(shí)間[3]、車輛當(dāng)前位置等[4]，這些參數(shù)通常利用主車與周圍交通參與者之間的幾何或運(yùn)動(dòng)學(xué)關(guān)系來評估確定性駕駛風(fēng)險(xiǎn)[5]，然而這些參數(shù)無法充分反映駕駛員的主觀意識，并且未能捕捉到多個(gè)動(dòng)態(tài)交通參與者之間的復(fù)雜交互關(guān)系.

駕駛場景建模方面，得益于傳感器技術(shù)和目標(biāo)識別算法的快速發(fā)展，駕駛數(shù)據(jù)的采集變得更加便捷和經(jīng)濟(jì).并且對包括動(dòng)靜態(tài)要素的“場景”進(jìn)行了定義[6]，文獻(xiàn)[7]中首次提出“行車風(fēng)險(xiǎn)場”概念，將駕駛員行為和周圍復(fù)雜環(huán)境相結(jié)合，為智能車風(fēng)險(xiǎn)等級技術(shù)研究提供一種新的思路和方法，然而模型中待定參數(shù)確定方法未明確，只在簡單跟車場景中驗(yàn)證其可行性.

基于上述不足，本文中提出了一種數(shù)據(jù)驅(qū)動(dòng)的復(fù)雜場景風(fēng)險(xiǎn)等級圖分類模型，采集并處理駕駛員視角下城市交叉路口實(shí)車數(shù)據(jù)，提取駕駛車輛的特征參數(shù)—縱、橫向加速度并使用K-means 算法對特征數(shù)據(jù)進(jìn)行聚類，從數(shù)據(jù)層面對駕駛員的主觀操作特征進(jìn)行反映，得到的標(biāo)簽作為圖表示模型預(yù)訓(xùn)練使用.最后，使用圖表示方法對場景數(shù)據(jù)進(jìn)行逐幀建模，通過3 種圖核方法中進(jìn)行訓(xùn)練驗(yàn)證，從而實(shí)現(xiàn)復(fù)雜場景的危險(xiǎn)等級識別和分類.

1 問題定義與方法框架

圖作為一種新的數(shù)據(jù)表示形式，與傳統(tǒng)方法相比，能夠在關(guān)注單個(gè)節(jié)點(diǎn)屬性的同時(shí)增加對節(jié)點(diǎn)之間關(guān)系的建模，因此被認(rèn)為是捕捉不同對象之間交互關(guān)系的理想技術(shù)[8].在智能交通領(lǐng)域，道路上的車輛、行人等交通參與者可以當(dāng)作是鳥瞰圖上的多個(gè)節(jié)點(diǎn)，它們之間交互關(guān)系可以視作是圖模型中的邊.復(fù)雜場景的危險(xiǎn)等級識別任務(wù)更加注重多交通參與者之間的交互關(guān)系，并且隨著場景復(fù)雜程度的增加，圖模型的表征優(yōu)勢更為明顯.

本文中針對主車視角復(fù)雜場景下的風(fēng)險(xiǎn)等級分類問題相關(guān)定義如下：在某一時(shí)刻t的主車視角場景中，選取反映駕駛車輛危險(xiǎn)程度的主要特征向量Ft，通過聚類算法對Ft進(jìn)行分類處理，得到相應(yīng)的場景分類標(biāo)簽用于模擬人類駕駛員對該場景的危險(xiǎn)等級評估，同時(shí)對該場景主車周圍交通參與者進(jìn)行逐幀圖模型建模，表示出相應(yīng)的節(jié)點(diǎn)和邊的關(guān)系，將分類標(biāo)簽與圖模型結(jié)合，利用基于圖核的相似性度量方法進(jìn)行驗(yàn)證，從而對該圖模型的可靠性進(jìn)行說明.圖1展示了總體框架的結(jié)構(gòu).

圖1 場景風(fēng)險(xiǎn)等級評估模型總體框架Fig.1 Overall framework of risk level assessment model for scenarios

2 駕駛員特征提取與風(fēng)險(xiǎn)等級評價(jià)

本文中旨在通過所駕駛車輛的自身特征以及與周圍交通參與者的信息來對危險(xiǎn)程度進(jìn)行說明，對于駕駛員而言，不同風(fēng)險(xiǎn)等級場景下會(huì)做出不同程度駕駛操作，從而通過改變車輛的特征數(shù)據(jù)來對不同風(fēng)險(xiǎn)程度的場景進(jìn)行反應(yīng)，則需要對駕駛員操作數(shù)據(jù)進(jìn)行提取，基于此訓(xùn)練出某些特征數(shù)據(jù)作為輸入的評判標(biāo)準(zhǔn)，得到相應(yīng)的危險(xiǎn)程度標(biāo)簽用于后續(xù)實(shí)驗(yàn).

2.1 駕駛員操作特征數(shù)據(jù)選取

場景風(fēng)險(xiǎn)等級的定義為所駕駛車輛與周圍交通參與者發(fā)生碰撞的可能性大小，從數(shù)據(jù)驅(qū)動(dòng)的角度出發(fā)，通過駕駛員在所處場景中的操作數(shù)據(jù)變化來反映駕駛員對該場景風(fēng)險(xiǎn)等級的理解與反應(yīng)，同時(shí)可以使訓(xùn)練出來的模型更加具備人的操作特征.

基于駕駛員對于不同風(fēng)險(xiǎn)等級的場景所做出的反應(yīng)，如緊急剎車或是緊急轉(zhuǎn)向的動(dòng)作，尋找出所駕駛車輛上的特征數(shù)據(jù)變化.并通過對車輛的安全性問題的研究[9],文中同時(shí)選取駕駛車輛的直行加速度ax,t和轉(zhuǎn)向加速度ay,t作為特征數(shù)據(jù)Ft來說明駕駛員的緊急剎車或是緊急轉(zhuǎn)向的避讓動(dòng)作，反映所處場景的危險(xiǎn)程度.考慮高維特征向量Ft=[ax,t,ay,t]T包含比單獨(dú)考慮二者更大量的隱含信息[10]，進(jìn)而說明特征選擇的可靠性.

2.2 基于聚類的風(fēng)險(xiǎn)等級評價(jià)方法

K-means 聚類算法可以將n個(gè)樣本按照各自所屬類別劃分成k個(gè)集群，其中每個(gè)數(shù)據(jù)點(diǎn)都只屬于一個(gè)集群，并且分類使數(shù)據(jù)點(diǎn)與相應(yīng)的類群所有數(shù)據(jù)點(diǎn)的算術(shù)平均值之間的距離平方之和達(dá)到最小.在類別內(nèi)的方差越小，該類群內(nèi)的數(shù)據(jù)點(diǎn)相似性就越強(qiáng).對 于 數(shù) 據(jù) 集，其 中fi∈Rn為n維 的 駕 駛員特征矢量，N為樣本數(shù)量.該非監(jiān)督學(xué)習(xí)方法的損失函數(shù)為

式 中：μk為 類 群Ck數(shù) 據(jù) 的中 心 點(diǎn)；ωik為數(shù) 據(jù) 點(diǎn) 所 屬類別判斷，對于數(shù)據(jù)點(diǎn)fi，若其屬于類群Ck則 ωik=1，反之則 ωik=0.

另外在對高維數(shù)據(jù)進(jìn)行聚類處理的過程中，由于高維數(shù)據(jù)的非線性特征，簡單線性K-means 聚類方式很有可能會(huì)出現(xiàn)分類錯(cuò)誤的現(xiàn)象.譜聚類則可以將高維無組織的數(shù)據(jù)點(diǎn)按照其特征頻譜的唯一性分成多個(gè)不同的數(shù)據(jù)組，將連接在一起或緊鄰在一起的數(shù)據(jù)點(diǎn)在相似性矩陣A中表示，然后通過拉普拉斯映射進(jìn)行數(shù)據(jù)降維；對降維后的映射數(shù)據(jù)再進(jìn)行聚類分析.即根據(jù)相似性矩陣A構(gòu)造其對角加權(quán)矩陣D，則有拉普拉斯矩陣L=D?A.并求解以下廣義特征值問題：

最后，對特征向量排序 0=λ0≤λ1≤···≤λM；即U=[e0e1···eM]，通過選擇前p個(gè)特征向量，就可以構(gòu)造出一個(gè)數(shù)據(jù)的p維流形嵌入表示Y=[e1···ep]T.獲得了數(shù)據(jù)的拉普拉斯映射Y后，就能夠通過挑選合適的K值，對Y進(jìn)行K-means 聚類運(yùn)算.

3 基于圖模型的行駛場景建模

圖表示模型可以同時(shí)提取場景中交通參與者的動(dòng)態(tài)信息和交互信息，更好地理解駕駛場景.模型中的節(jié)點(diǎn)和邊可以很好地體現(xiàn)多個(gè)對象之間的交互關(guān)系，并且交通參與者的數(shù)量及對應(yīng)交互關(guān)系的變化可以通過圖的動(dòng)態(tài)變化實(shí)現(xiàn)自適應(yīng).

3.1 圖模型節(jié)點(diǎn)定義及場景幾何劃分

在城市道路場景中，車道線的限制更為規(guī)范，城市交叉路口場景更加結(jié)構(gòu)化，并且采集到的數(shù)據(jù)視角隨駕駛車輛的移動(dòng)而發(fā)生變化，出現(xiàn)在主車視野內(nèi)的交通參與者的軌跡會(huì)受限于場景下的幾何特征，很少有復(fù)雜交叉及不規(guī)則現(xiàn)象出現(xiàn).

文中構(gòu)建了主車視角下的規(guī)則矩形網(wǎng)格圖模型，如圖2 所示，網(wǎng)格隨車輛視野的移動(dòng)而固定于車輛前方進(jìn)行移動(dòng).采集車輛前視方向范圍轉(zhuǎn)換為用于訓(xùn)練的鳥瞰圖模型，每一個(gè)交通參與者本身可以定義為圖模型中的節(jié)點(diǎn).另外在危險(xiǎn)場景建模問題下，所駕駛車輛與其他車輛存在交互關(guān)系，因此本車也是圖模型中的重要節(jié)點(diǎn)，所駕駛車輛始終處于鳥瞰圖的下方居中位置.根據(jù)所采集數(shù)據(jù)視野范圍及城市道路十字路口車道數(shù)，將網(wǎng)格y方向劃分為5 個(gè)部分，x方向劃分為3 個(gè)部分.

圖2 圖表示模型構(gòu)建Fig.2 Graph representation model construction

3.2 圖模型邊的定義

在圖模型中，2 個(gè)節(jié)點(diǎn)間通過一條邊的連接來表示這2 個(gè)節(jié)點(diǎn)有一定的相互聯(lián)系或相互作用.在本文中中定義圖模型的邊為周圍交通參與者之間的潛在碰撞關(guān)系.由于在城市道路環(huán)境中交通參與者之間的距離越小，相撞的概率就越高，因此在圖模型中距離被認(rèn)為是近似相互作用的重要度量.則在節(jié)點(diǎn)標(biāo)簽定義劃分的網(wǎng)格基礎(chǔ)上對于車而言，存在于以車輛A為中心的3×3 網(wǎng)格內(nèi)的其他車輛被認(rèn)為與A具有邊連接，相距2 個(gè)網(wǎng)格以上的兩車則會(huì)被認(rèn)為沒有聯(lián)系；而對于行人而言，作為交通參與者中的弱勢群體，加強(qiáng)行人與車輛之間交互的考慮，則在圖模型中擴(kuò)大邊的設(shè)置范圍來體現(xiàn)對與行人之間的強(qiáng)交互行為，即車輛與周圍行人之間存在交互邊的范圍定義為該節(jié)點(diǎn)周圍的5×5 網(wǎng)格中.此外由于碰撞是相對的，所以本文中定義的邊都是雙向的且標(biāo)簽為1，定義的模型邊如圖2 左圖所示.

3.3 圖模型節(jié)點(diǎn)標(biāo)簽定義

本文中根據(jù)圖的網(wǎng)格結(jié)構(gòu)，將交通參與者的連續(xù)位置離散化為網(wǎng)格占有率.具體是在檢測到有交通參與者存在的網(wǎng)格內(nèi)由數(shù)字1 開始進(jìn)行不重復(fù)的填充，通過一系列的填充數(shù)字來表征節(jié)點(diǎn)間的鄰接矩陣，從而實(shí)現(xiàn)節(jié)點(diǎn)邊的唯一表示.另外對于不同組數(shù)據(jù)中的不同交通參與者，通過對其多種真實(shí)信息的結(jié)合考慮來實(shí)現(xiàn)節(jié)點(diǎn)的唯一編碼標(biāo)簽.

對于車輛節(jié)點(diǎn)標(biāo)簽Lv而言，結(jié)合考慮了該車相對主車速度vi，在圖網(wǎng)格中的x、y坐標(biāo)位置來對其進(jìn)行編碼，對于行人節(jié)點(diǎn)標(biāo)簽Lp，由于行人相對速度失真，其相對速度更多的是考慮本車的速度，因此在對行人節(jié)點(diǎn)標(biāo)簽進(jìn)行定義的時(shí)候僅考慮其在圖網(wǎng)格中的x、y坐標(biāo)即可.表示為

3.4 基于圖核的場景風(fēng)險(xiǎn)等級分類

圖是一種復(fù)雜的非線性結(jié)構(gòu)數(shù)據(jù)，使用傳統(tǒng)的線性分類模型無法對圖整體進(jìn)行分類，因此在訓(xùn)練危險(xiǎn)場景識別分類器之前，需通過一定的方法將圖的內(nèi)積投影到高維空間中，再用線性模型進(jìn)行訓(xùn)練.本節(jié)介紹將3 種圖核算法，基于路徑計(jì)算的最短路徑圖核（shortest-path kernel），基于鄰域聚合計(jì)算的鄰域哈希圖核（neighborhood Hash kernel）以及基于Weisfeiler-Lehman 算法的WL 圖核，并將在實(shí)驗(yàn)部分對3種圖核方法進(jìn)行實(shí)驗(yàn)對比.

最短路徑圖核對于圖結(jié)構(gòu)數(shù)據(jù)而言，是將每一張圖分解為最短路徑的組合，從而實(shí)現(xiàn)圖的分類，即給定2 個(gè)圖G和G′，它們對應(yīng)的最短路徑圖分別是S=(V,E)，S′=(V′,E′)，則：

式 中，kwalk(1)(e,e′)為 長 度 為1 的 行 走 路 線 邊 (e,e′)的 核函數(shù).

鄰域哈希圖核主要思想是圖中的每個(gè)節(jié)點(diǎn)接收來自鄰居節(jié)點(diǎn)的信息更新節(jié)點(diǎn)本身的標(biāo)簽，并統(tǒng)計(jì)它們的公共標(biāo)簽數(shù)來度量不同圖之間的相似度.即給定2 個(gè)圖G和G′，使用簡單鄰域哈希對2 個(gè)輸入圖的節(jié)點(diǎn)運(yùn)算 (1,2,···,h)次后，2 個(gè)輸入圖的更新圖分別為G1,G2,···,Gh和則2 個(gè)輸入圖的相似度量計(jì)算如下：

式中c為2 個(gè)圖有共同標(biāo)簽的數(shù)量.

Weisfeiler-Lehman 算法通過判斷2 個(gè)圖中對應(yīng)節(jié)點(diǎn)的特征信息和結(jié)構(gòu)信息來判斷這2 個(gè)圖是否同構(gòu).即使用一種高效的計(jì)算方法將圖的特征信息及結(jié)構(gòu)位置信息隱射為節(jié)點(diǎn)的ID，將2 個(gè)圖的相似度問題轉(zhuǎn)化為2 個(gè)圖節(jié)點(diǎn)集合ID 的相似度問題，則有：

式中h為圖及圖節(jié)點(diǎn)序列計(jì)算所迭代次數(shù).

4 實(shí)驗(yàn)及分析

4.1 實(shí)車數(shù)據(jù)采集

為獲取車輛多種操作特征及場景中交通參與者的信息，文中采取了在主車視角下搭載的一系列車載傳感器進(jìn)行數(shù)據(jù)采集.該傳感器系統(tǒng)包含一個(gè)安裝在汽車頂部的毫米波雷達(dá)用于收集主車周圍車輛的相對位置及各自的相對速度，用于采集方向盤轉(zhuǎn)向角度、制動(dòng)信號和車輛縱、橫向加速度等信息的CAN 總線，以及一個(gè)安裝在車輛前窗玻璃上的相機(jī)用于采集場景信息，整個(gè)數(shù)據(jù)采集傳感器系統(tǒng)如圖3所示.該系統(tǒng)可以按照數(shù)據(jù)采樣間隔為0.1 s 來對數(shù)據(jù)進(jìn)行采集，具有可靠的采樣頻率以滿足后續(xù)數(shù)據(jù)處理分析精確度的需要.

圖3 車載傳感器系統(tǒng)Fig.3 Vehicle Sensor System

對于場景道路的選擇，首先考慮了城市交通路網(wǎng)中最繁忙的交叉路口作為此次復(fù)雜場景的研究對象，場景中包含大量交通參與者.因此，選取北京市海淀區(qū)魏公村路口的直行、學(xué)院南路的右轉(zhuǎn)，以及學(xué)院南路的左轉(zhuǎn)作為數(shù)據(jù)采集場景.文中所采集的數(shù)據(jù)是從所駕駛車輛進(jìn)入交叉路口的不可換道區(qū)域到完全通過該交叉路口時(shí)的無抽幀數(shù)據(jù)，并且剔除在紅燈時(shí)候的停車數(shù)據(jù)，以及場景中不存在交通參與者的情況，保證實(shí)驗(yàn)數(shù)據(jù)復(fù)雜可靠.

4.2 風(fēng)險(xiǎn)程度聚類標(biāo)準(zhǔn)選取

對于聚類方法及類別數(shù)的確定本文中主要使用殘差平方和（residual sum of square）的肘部原則以及輪廓圖這2 個(gè)標(biāo)準(zhǔn)進(jìn)行評判，并且結(jié)合聚類算法的效果進(jìn)行比較和選擇.

式中K為對應(yīng)聚類數(shù)，根據(jù)該函數(shù)繪制RSS 相對于類別數(shù)K的曲線，曲線明顯的彎折部位對應(yīng)的K值則作為使用的聚類類別數(shù).

文中對于所選用的車輛縱、橫向加速度二維特征向量Ft使用K-means 方法的8 次聚類計(jì)算的RSS和SC 值如圖4 所示.可以看出當(dāng)K=3 時(shí)，特征數(shù)據(jù)的RSS 值出現(xiàn)了明顯的彎折，輪廓系數(shù)為最大值SC=0.834，即K=3 時(shí)出現(xiàn)了“肘部”，其次K=4 時(shí)輪廓系數(shù)為SC=0.776，初步表明K=3 時(shí)的聚類效果優(yōu)于K=4 時(shí)的聚類效果.

圖4 對特征數(shù)據(jù)Ft的K-means 聚類Fig.4 K-means clustering of feature dataFt

為了進(jìn)一步驗(yàn)證，繪制了K取值為3 和4 時(shí)的輪廓圖，可以看出當(dāng)K=3 時(shí)，各分類分布均勻且沒有小于零的數(shù)據(jù)（小于0 的數(shù)據(jù)為錯(cuò)誤分類到該類別中的數(shù)據(jù)），表明此時(shí)分類效果較優(yōu).但是可以看出當(dāng)K=4 時(shí)，在第1、2、3 類中均有分類錯(cuò)誤的數(shù)據(jù)，如圖4 中圈出部分所示.因此對于Ft使用K-means 聚類時(shí)選擇K=3.

作為對比實(shí)驗(yàn)，文中使用譜聚類中的KPCA 方法對特征數(shù)據(jù)Ft進(jìn)行降維處理，計(jì)算前20 個(gè)特征向量的特征值如圖5 所示，可以看出對應(yīng)KPCA 方法特征值曲線圖在特征向量個(gè)數(shù)為5 時(shí)出現(xiàn)明顯“肘部”，繪制對應(yīng)輪廓圖可以看出，各部分分布并不均勻，尤其是第3 類的結(jié)果，并且在第1 和第4 類中出現(xiàn)了分類錯(cuò)誤的現(xiàn)象.

圖5 KPCA 方法分類效果Fig.5 Classification effect of KPCA method

綜上，在對特征數(shù)據(jù)Ft的聚類處理過程中選用Kmeans 聚類算法，并且以K=3 進(jìn)行.

4.3 圖模型構(gòu)建及驗(yàn)證

基于前文模型定義，對于實(shí)車數(shù)據(jù)場景中的圖網(wǎng)格劃分，根據(jù)車載傳感器檢測到的最遠(yuǎn)距離以及交通參與者在城市道路上發(fā)生影響的距離將x方向的每一間隔設(shè)置為10 m，y方向的網(wǎng)格劃分則結(jié)合考慮了交叉路口轉(zhuǎn)向時(shí)候的危險(xiǎn)程度，以及與主車的影響程度選取相鄰兩車道的交通情況進(jìn)行劃分，設(shè)置y方向的網(wǎng)格寬度為2 m.其中第2 列和第4 列網(wǎng)格代表相鄰兩車道的交通參與者于主車前方發(fā)生急劇變道情況，并且這兩列的設(shè)置更是考慮了后續(xù)在圖模型中使邊的設(shè)置更加分明.網(wǎng)格劃分情況如圖2(a)所示.

根據(jù)前文關(guān)于場景圖模型構(gòu)建以及特征數(shù)據(jù)聚類部分的實(shí)驗(yàn)描述，尋找相應(yīng)的節(jié)點(diǎn)和邊的關(guān)系，部分圖場景的構(gòu)建與風(fēng)險(xiǎn)等級聚類結(jié)果的對應(yīng)關(guān)系如圖6 所示.

圖6 場景搭建與聚類處理Fig.6 Scene construction and clustering processing

針對不同場景具體處理數(shù)據(jù)量如表1 所示.

表1 交叉路口實(shí)車數(shù)據(jù)處理量Tab.1 Data processing volume of real vehicles at intersections

在得到了每組數(shù)據(jù)的逐幀風(fēng)險(xiǎn)等級標(biāo)簽、節(jié)點(diǎn)標(biāo)簽、節(jié)點(diǎn)邊組成的鄰接矩陣等信息之后，將相應(yīng)數(shù)據(jù)用鄰域哈希圖核、最短路徑圖核和WL 圖核3種圖核方法進(jìn)行驗(yàn)證，分別進(jìn)行10 次重復(fù)實(shí)驗(yàn)，并取平均值作為最終結(jié)果以消除偶然誤差造成的影響，所得精度結(jié)果如圖7 所示.

圖7 實(shí)車數(shù)據(jù)風(fēng)險(xiǎn)等級識別分類準(zhǔn)確率Fig.7 Real vehicle data risk level identification and classification accuracy

從所示的危險(xiǎn)場景識別準(zhǔn)確率圖中可以看出，圖結(jié)構(gòu)模型對復(fù)雜場景的危險(xiǎn)程度識別分類有不錯(cuò)的表現(xiàn)，驗(yàn)證精度都在80%以上，其中交叉路口左轉(zhuǎn)數(shù)據(jù)的鄰域哈希圖核和最短路徑圖核驗(yàn)證的準(zhǔn)確率甚至達(dá)到了90.0%和89.0%，并且表明鄰域哈希圖核對于表示圖模型中交通參與者之間的關(guān)系有著更好的效果.另外為了進(jìn)一步對上述圖方法識別分類結(jié)果進(jìn)行說明，對模型的查準(zhǔn)率、查全率及F1值進(jìn)行類別加權(quán)計(jì)算，如表2 所示.

表2 實(shí)車場景驗(yàn)證結(jié)果Tab.2 Validation results of the real vehicle scene

在對實(shí)驗(yàn)結(jié)果的分析中，由于該模型危險(xiǎn)程度識別是通過車輛運(yùn)行過程中的橫、縱向加速度二維特征進(jìn)行聚類，轉(zhuǎn)彎時(shí)候的橫向加速度的變化更為明顯，在聚類處理的過程中更加可靠，因此轉(zhuǎn)彎數(shù)據(jù)的驗(yàn)證精度好于直行數(shù)據(jù).

綜上，橫、縱向加速度對于駕駛員主觀風(fēng)險(xiǎn)程度評價(jià)具有較好的表征能力，并且基于圖表示的復(fù)雜場景風(fēng)險(xiǎn)程度識別模型針對有多交通參與者存在的城市場景有著不錯(cuò)的效果，所有識別結(jié)果精確值都在80%以上，可以準(zhǔn)確的對復(fù)雜場景風(fēng)險(xiǎn)等級進(jìn)行評估.

5 結(jié) 論

文中提出了一種基于圖模型的風(fēng)險(xiǎn)程度識別方法，主要包含3 項(xiàng)工作：首先對駕駛員視角下的城市交叉路口數(shù)據(jù)進(jìn)行了實(shí)車采集與處理，獲得了城市交叉路口真實(shí)場景數(shù)據(jù).其次通過K-means 對包含駕駛車輛縱、橫向加速度的二維特征進(jìn)行聚類分析，得到不同場景下的危險(xiǎn)程度標(biāo)簽用以訓(xùn)練場景風(fēng)險(xiǎn)等級識別器.最后使用圖表示模型對場景數(shù)據(jù)進(jìn)行建模，結(jié)合聚類結(jié)果及處理得到的圖模型數(shù)據(jù)通過鄰域哈希圖核、最短路徑圖核和WL 圖核3 種圖核方法進(jìn)行驗(yàn)證.對于交叉路口直行、左轉(zhuǎn)、右轉(zhuǎn)復(fù)雜場景，3 種圖核識別精度均在80%以上，并且對于實(shí)車左轉(zhuǎn)場景的結(jié)果可達(dá)89%.實(shí)驗(yàn)結(jié)果表明該風(fēng)險(xiǎn)等級評估模型展示了對有多種交通參與者同時(shí)存在的復(fù)雜場景的適應(yīng)能力，能夠較為準(zhǔn)確的根據(jù)駕駛員行為輸出駕駛場景的風(fēng)險(xiǎn)等級，為自動(dòng)駕駛和輔助駕駛系統(tǒng)的開發(fā)提供了新的思路.在未來的工作中，將會(huì)考慮在提出的模型中引入更多的交通參與者特征數(shù)據(jù)和環(huán)境信息，并且考慮時(shí)序?qū)鼍帮L(fēng)險(xiǎn)等級的影響，以提升模型的動(dòng)態(tài)化性能.