摘 要：駕駛意圖識(shí)別對(duì)于確保交通安全和提升交通效率至關(guān)重要。為實(shí)現(xiàn)對(duì)未來車輛駕駛意圖的預(yù)測(cè)，本研究基于軌跡預(yù)測(cè)與駕駛意圖識(shí)別方法，選用Argoverse公開數(shù)據(jù)集作為訓(xùn)練和測(cè)試數(shù)據(jù)集，并提出了一種結(jié)合VectorNet軌跡預(yù)測(cè)模型和隨機(jī)森林分類模型的駕駛意圖識(shí)別方法，實(shí)現(xiàn)對(duì)未來3s的駕駛意圖識(shí)別。為驗(yàn)證該方法的有效性，本文將新提出的VectorNet-隨機(jī)森林模型與LSTM-隨機(jī)森林模型進(jìn)行了對(duì)比，結(jié)果表明本文方法的效果更佳。這一方法為未來自動(dòng)駕駛和智能交通系統(tǒng)的發(fā)展提供了參考和借鑒。

關(guān)鍵詞：軌跡預(yù)測(cè) 駕駛意圖識(shí)別 圖神經(jīng)網(wǎng)絡(luò) 隨機(jī)森林

0 引言

據(jù)2023年世界衛(wèi)生組織調(diào)查報(bào)告顯示，每年有119萬人死于交通事故。交通事故是5-29歲兒童和年輕人的主要死因，死于交通事故的人中有超過一半是行人、自行車和摩托車的駕駛者。為了減少交通事故的危害，智慧交通受到學(xué)術(shù)界和工業(yè)界越來越多的關(guān)注。駕駛意圖識(shí)別作為其重要研究分支，可以通過意圖識(shí)別幫助駕駛?cè)藛T規(guī)避駕駛過程中可能出現(xiàn)的風(fēng)險(xiǎn)。為此，本文應(yīng)用Argoverse公開數(shù)據(jù)集，基于VectorNet軌跡預(yù)測(cè)模型和隨機(jī)森林分類模型，構(gòu)建基于軌跡預(yù)測(cè)的駕駛意圖識(shí)別模型，以實(shí)現(xiàn)對(duì)車輛駕駛意圖的預(yù)測(cè)。

1 駕駛意圖識(shí)別研究現(xiàn)狀

高速公路交通流特征分析是交通工程領(lǐng)域的一個(gè)核心議題，其研究旨在深入理解高速公路上車輛運(yùn)行的規(guī)律，為交通擁堵治理和智能交通系統(tǒng)的發(fā)展提供科學(xué)依據(jù)。在國(guó)內(nèi)外眾多學(xué)者的共同努力下，關(guān)于高速公路交通流特征的研究已經(jīng)形成了一系列深刻的認(rèn)識(shí)。

Singh等[1]通過統(tǒng)計(jì)證實(shí)，90%的交通事故源于人為失誤，主要原因是在駕駛過程中信息收集和處理能力非常有限，無法同時(shí)獲取人、車、路等多方面信息，尤其是在自身或者周圍車輛存在變道行為時(shí)，不能準(zhǔn)確判斷車輛所處環(huán)境進(jìn)而引發(fā)交通事故。

智能交通系統(tǒng)（ITS）作為智慧交通的重要分支，可以信息通信、數(shù)據(jù)采集等手段，實(shí)現(xiàn)道路交通的信息化、智能化和網(wǎng)絡(luò)化。宋大治等[2]將分散的各個(gè)機(jī)電系統(tǒng)聯(lián)結(jié)成為一個(gè)有機(jī)的整體，實(shí)現(xiàn)各專業(yè)系統(tǒng)之間的信息互通、資源共享以及系統(tǒng)間的聯(lián)動(dòng)。

生成模型通過學(xué)習(xí)駕駛數(shù)據(jù)中的分布情況，理解駕駛行為中的潛在意圖。Li等[3]基于馬爾科夫模型和貝葉斯濾波技術(shù)識(shí)別駕駛員變道意圖，解決了傳統(tǒng)駕駛輔助系統(tǒng)在遇到不良駕駛習(xí)慣，如未使用轉(zhuǎn)向燈時(shí)，對(duì)駕駛意圖識(shí)別造成的影響；深度學(xué)習(xí)模型基于神經(jīng)網(wǎng)絡(luò)，其能通過多層非線性變換來建立駕駛數(shù)據(jù)與駕駛意圖之間的映射關(guān)系，莊皓等[4]基于Attention機(jī)制，構(gòu)建了一種CNN-LSTM駕駛意圖識(shí)別模型，其能準(zhǔn)確識(shí)別駕駛員的意圖；基于規(guī)則的駕駛意圖識(shí)別依托于設(shè)定的規(guī)則庫(kù)，對(duì)駕駛員的意圖進(jìn)行判斷，Bocklisch等[5]基于自適應(yīng)模糊模式，實(shí)現(xiàn)在識(shí)別左換道和右換道行為上的準(zhǔn)確率分別達(dá)到89.3%和86.3%；車輛移動(dòng)軌跡預(yù)測(cè)領(lǐng)域，馮雷[6]采用多項(xiàng)式模型對(duì)換道車輛橫向移動(dòng)軌跡進(jìn)行擬合，實(shí)現(xiàn)對(duì)換道車輛橫向移動(dòng)距離以及換道時(shí)間的預(yù)測(cè)。

上述方法有效提升了駕駛意圖識(shí)別和估計(jì)預(yù)測(cè)的準(zhǔn)確率，但仍存在以下問題：在特征提取方面，難以獲取基于當(dāng)前環(huán)境的有效特征；將車輛未來軌跡特征加入識(shí)別模型中，能有效提升識(shí)別準(zhǔn)確率。當(dāng)前研究多基于歷史軌跡，尚未考慮未來軌跡。

針對(duì)以上問題，本文基于深度學(xué)習(xí)模型、規(guī)則模型和判別模型的思想，提出一種基于VectorNet、隨機(jī)森林的駕駛意圖識(shí)別模型，主要貢獻(xiàn)為：

（1）基于VectorNet的軌跡預(yù)測(cè)：該方法將車輛的歷史軌跡和環(huán)境信息整合作為輸入，利用VectorNet算法來預(yù)測(cè)未來的軌跡。通過這種方式，可以更準(zhǔn)確地預(yù)測(cè)車輛的運(yùn)動(dòng)軌跡，為智能駕駛系統(tǒng)提供更可靠的決策依據(jù)。

（2）基于隨機(jī)森林算法的駕駛意圖識(shí)別：該方法通過對(duì)歷史軌跡數(shù)據(jù)進(jìn)行駕駛行為標(biāo)注，結(jié)合軌跡預(yù)測(cè)，應(yīng)用隨機(jī)森林算法來準(zhǔn)確識(shí)別駕駛員的意圖。這一方法的優(yōu)勢(shì)在于能夠提高模型的準(zhǔn)確率，為智能駕駛系統(tǒng)的設(shè)計(jì)和優(yōu)化提供了重要支持。

2 模型描述

2.1 整體描述

本文提出的駕駛意圖識(shí)別框架由基于圖神經(jīng)網(wǎng)絡(luò)的軌跡預(yù)測(cè)模塊和基于隨機(jī)森林的駕駛意圖識(shí)別模塊組成。圖神經(jīng)網(wǎng)絡(luò)模塊通過將車輛軌跡及周邊環(huán)境信息作為輸入，進(jìn)而輸出未來軌跡。駕駛意圖識(shí)別模塊則基于軌跡預(yù)測(cè)模塊得出的駕駛軌跡，應(yīng)用決策樹的方法判別駕駛員的駕駛行為。兩個(gè)模塊共同完成駕駛意圖識(shí)別任務(wù)。

2.2 軌跡預(yù)測(cè)模塊

本文中軌跡預(yù)測(cè)模塊參考Gao等[7]提出的VectorNet框架，該框架首先對(duì)車輛軌跡和高清地圖進(jìn)行矢量化，隨后基于各子圖的局部信息聚合得到全局信息，之后基于圖神經(jīng)網(wǎng)絡(luò)進(jìn)行軌跡預(yù)測(cè)，下文簡(jiǎn)要概述該框架原理。

2.2.1 車輛軌跡及高清地圖的表示

本文中將高清地圖向量化處理，經(jīng)處理后的行駛場(chǎng)景中的元素以向量、閉合形狀和點(diǎn)的形式存在。對(duì)于地圖特征，本文在相同的空間距離均勻采樣關(guān)鍵點(diǎn)，并將相鄰的關(guān)鍵點(diǎn)依次連接成向量；對(duì)于軌跡，本文用固定時(shí)間間隔采樣關(guān)鍵點(diǎn)，并將關(guān)鍵點(diǎn)依次連接。即將折線中的每個(gè)向量視為圖中的一個(gè)節(jié)點(diǎn)，數(shù)學(xué)表達(dá)式如下：

其中和分別為起點(diǎn)和終點(diǎn)的坐標(biāo)，為屬性特征，j為的標(biāo)識(shí)符，表示。

2.2.2 構(gòu)造向量子圖

為保證語義局部性，本文基于向量元素構(gòu)建分層子圖，屬于同一折線的所有向量節(jié)點(diǎn)首位連接。一條折線定義為，本文將子圖傳播的單個(gè)層定義為：

（2）

式中，為子圖網(wǎng)絡(luò)l層的節(jié)點(diǎn)特征，為輸入特征，函數(shù)為映射各節(jié)點(diǎn)信息，聚合所有鄰近節(jié)點(diǎn)信息，為節(jié)點(diǎn)與其鄰近節(jié)點(diǎn)的關(guān)系運(yùn)算符。為一個(gè)多層感知器，為一個(gè)最大池化操作，為串聯(lián)操作。

2.2.3 全局圖構(gòu)建

為訓(xùn)練子圖間的關(guān)系，構(gòu)成圖神經(jīng)網(wǎng)絡(luò)框架，本文基于向量子圖構(gòu)建全局交互圖。

式中，為折線節(jié)點(diǎn)特征集，為對(duì)應(yīng)圖神經(jīng)網(wǎng)絡(luò)的單層，A為折線節(jié)點(diǎn)集的鄰接矩陣，將A作為全連接圖得到如下公式：

其中，P為節(jié)點(diǎn)特征矩陣，、、均為其線性投影。待訓(xùn)練完成后，本文對(duì)agent對(duì)應(yīng)節(jié)點(diǎn)進(jìn)行解碼，得到未來軌跡，如下公式所示：

式中，為GNN的總層數(shù)，為軌跡解碼器。

2.3 駕駛意圖識(shí)別模塊

本研究基于駕駛軌跡預(yù)測(cè)數(shù)據(jù)，應(yīng)用隨機(jī)森林法進(jìn)行分類。隨機(jī)森林算法的特點(diǎn)是通過構(gòu)建多個(gè)決策樹來大規(guī)模復(fù)雜數(shù)據(jù)集，其能有效避免過擬合現(xiàn)象。本文的隨機(jī)森林算法采用Bagging方法，從訓(xùn)練集中隨機(jī)抽樣出多個(gè)子集，每個(gè)子集作為每個(gè)決策樹的訓(xùn)練數(shù)據(jù)集。最終，通過投票機(jī)制集成各樹的預(yù)測(cè)結(jié)果。

3 數(shù)據(jù)預(yù)處理

本文采用了Argoverse公開數(shù)據(jù)集，該數(shù)據(jù)集包含三十多萬條車輛軌跡，并且數(shù)據(jù)是通過激光雷達(dá)、環(huán)形攝像頭和前置立體攝像頭采集的。這些數(shù)據(jù)涵蓋了采樣車輛周邊200米的行駛情景，為研究提供了豐富的真實(shí)場(chǎng)景數(shù)據(jù)支持。

3.1 特征篩選

在實(shí)際車輛駕駛過程中，駕駛意圖是車輛駕駛態(tài)勢(shì)、周邊環(huán)境信息等多種因素共同作用的結(jié)果。本文提出的駕駛意圖識(shí)別方法綜合了四種主要信息，包括車輛態(tài)勢(shì)、周邊車輛信息、道路信息和歷史軌跡，可以將車輛自身轉(zhuǎn)化為若干段向量組成的折線，為后續(xù)的操作提供基礎(chǔ)。本文的需將車輛行駛的環(huán)境向量化，例如行車軌跡、行駛車道線可以被轉(zhuǎn)化為若干段折線段，交通斑馬線可以被轉(zhuǎn)化為一段密閉四邊形。具體的轉(zhuǎn)化過程如下圖１、2所示。

3.2 駕駛意圖標(biāo)注

駕駛車輛涉及一系列復(fù)雜的操作，包括變道、加速、減速等多種行為。這些操作受到多個(gè)因素的綜合影響，如駕駛?cè)说膫€(gè)體狀態(tài)、車輛狀況、周圍交通環(huán)境以及其他車輛的行駛行為等。為準(zhǔn)確識(shí)別駕駛意圖，本文首先基于歷史數(shù)據(jù)對(duì)未來車輛軌跡進(jìn)行預(yù)測(cè)。通過對(duì)行車歷史數(shù)據(jù)中的駕駛行為進(jìn)行學(xué)習(xí)，推斷駕駛?cè)嗽谖磥砜赡懿扇〉鸟{駛行為。

本文中駕駛意圖主要包括橫向和縱向駕駛意圖，橫向駕駛意圖包含左、右變道，縱向駕駛意圖包括加速、減速和直行。

3.2.1 橫向意圖識(shí)別

橫向駕駛意圖主要包括左變道和右變道。換道信息需要提取的主要信息包括換道起點(diǎn)、換道終點(diǎn)和發(fā)生車道變化的時(shí)刻，本文的換道判別方法參照趙建東等[8]的論文，判別方式如下：

式中，和分別為換道行為起始和終止的時(shí)間；為車輛跨越車道線的時(shí)間；為車輛跨越車道線的橫向坐標(biāo)；為車輛在時(shí)刻的橫向坐標(biāo)；為車道的寬度。

3.2.2 縱向意圖識(shí)別

縱向駕駛意圖主要包括加速、減速和直行，本文中的縱向駕駛意圖是根據(jù)車輛的加速度值來劃分，具體縱向意圖參照莊皓等[4]的論文，劃分如表1所示。

3.3 軌跡序列提取

本文采用滑動(dòng)窗口的方法實(shí)現(xiàn)對(duì)軌跡序列的有效提取，方法將軌跡序列劃分為多個(gè)子序列，以更好地捕捉軌跡中的關(guān)鍵特征，將軌跡序列的長(zhǎng)度限定為80，以確保充分覆蓋關(guān)鍵信息。設(shè)置滑動(dòng)窗口的長(zhǎng)度為1，以實(shí)現(xiàn)對(duì)每一步中的微小信息變化進(jìn)行捕獲。此外，將行駛軌跡子序列的5秒處時(shí)刻的換道標(biāo)簽視為整個(gè)序列的換道意圖。

最終，將處理完的數(shù)據(jù)按照3：1：1的比例劃分成訓(xùn)練集、測(cè)試集和驗(yàn)證集，該數(shù)據(jù)集中共劃分出五種意圖，分別用數(shù)字0到4來表示，其中，0表示左變道，1表示右變道，2表示加速，3表示減速，4表示直行，各種換道意圖類型的樣本數(shù)量如表2所示。

4 模塊性能分析

為了更好的驗(yàn)證本文模型的性能，本文采用精確率、召回率、F1-Score 和準(zhǔn)確率等指標(biāo)，將VectorNet-隨機(jī)森林與LSTM-隨機(jī)森林進(jìn)行對(duì)比，兩種模型的結(jié)果如表3。

5 結(jié)語

本研究提出了一種基于VectorNet-隨機(jī)森林的駕駛意圖識(shí)別模型，該模型的優(yōu)勢(shì)為較為準(zhǔn)確的實(shí)現(xiàn)較短時(shí)間內(nèi)駕駛意圖的預(yù)測(cè)。本研究將繼續(xù)探索模型的改進(jìn)方法，以進(jìn)一步提升模型的準(zhǔn)確率。該技術(shù)可嵌入智能交通系統(tǒng)，以實(shí)現(xiàn)對(duì)多車環(huán)境下駕駛員的駕駛意圖識(shí)別并基于此對(duì)可能出現(xiàn)的駕駛事故進(jìn)行預(yù)警。

參考文獻(xiàn)：

[1]SINGH S. Critical Reasons for Crashes Investigated in the National Motor Vehicle Crash Causation Survey[J]. mag， 2015.

[2]宋大治，張海桃，陳敦惠，等.全自動(dòng)無人駕駛對(duì)綜合監(jiān)控系統(tǒng)的需求研究[J].交通世界，2021（21）：1-3.

[3]LI K， WANG X， XU Y， et al. Lane changing intention recognition based on speech recognition models[J]. Transportation Research Part C： Emerging Technologies， 2016，69： 497-514.

[4]莊皓.面向高速環(huán)境下基于LSTM的駕駛?cè)艘鈭D識(shí)別關(guān)鍵技術(shù)研究[D].濟(jì)南：齊魯工業(yè)大學(xué)，2023.

[6]馮雷.換道車輛橫向移動(dòng)軌跡預(yù)測(cè)研究[J].交通世界，2021（19）：150-151.

[7]GAOJ，SUNC，ZHAOH，etal.VectorNet：EncodingHDMapsandAgentDynamicsfromVectorizedRepresentation，2020.

[8]趙建東，趙志敏，屈云超，等.軌跡數(shù)據(jù)驅(qū)動(dòng)的車輛換道意圖識(shí)別研究[J].交通運(yùn)輸系統(tǒng)工程與信息，2022，22（04）：63-71.