摘 要：為提高交織區(qū)車輛軌跡預測精度，該文提出了一種融合行車風險場和車輛換道意圖的車輛軌跡預測方法。分析交織區(qū)駕駛人駕駛需求變化，利用行車風險場模型統(tǒng)一表示車輛行駛時的交互風險；采用隱Markov模型識別車輛換道意圖；通過深度置信網(wǎng)絡在線學習機（DBN_OSELM）模型對輸入特征進行多維度擴展和融合，提高交織區(qū)軌跡預測的準確率；最后，基于CitySim 數(shù)據(jù)集對所提方法進行評估。結果表明：模型能以較高的準確率預測高速公路交織區(qū)的車輛軌跡，交織區(qū)駕駛人3類駕駛需求（匯入、保持、駛出）的車輛軌跡預測均方根誤差（RMSE）分別為0.6835、0.2574、0.6315，平均位移誤差（ADE）分別為0.46、0.21、0.48 m。該研究成果有助于提高復雜場景下的車輛軌跡預測精度，改善交織區(qū)的交通安全。

關鍵詞： 智能交通；駕駛需求；行車風險場；換道意圖；深度置信網(wǎng)絡在線學習機（DBN_OSELM）模型；軌跡預測

中圖分類號： U 492.8+4 文獻標識碼： A DOI： 10.3969/j.issn.1674-8484.2024.06.017

實現(xiàn)自動駕駛的一個重要挑戰(zhàn)是在交通場景中準確地預測車輛軌跡。然而，當前對于復雜場景下的交通參與者特征建模不夠精確，導致復雜場景下車輛軌跡預測精度較低[1]。其中，高速公路交織區(qū)因其道路幾何形狀復雜、車流密度高以及車道變換頻繁等特點，成為交通流運行最復雜的區(qū)域之一[2]。研究交織區(qū)車輛行駛風險并構建車輛軌跡預測模型，可以改善交織區(qū)的交通安全，有助于提高復雜場景下車輛的軌跡預測精度。

交織區(qū)作為重要的道路交通節(jié)點，車流的復雜性和不確定性導致交織區(qū)行車風險多變，對行車風險的有效評估是進行正確駕駛決策的關鍵。風險場作為衡量風險狀態(tài)的參數(shù)，最早由O. Khatib等[3]提出并應用于機器人路徑規(guī)劃。M. I. Wolf等[4]在此基礎上對不同目標建立相應的風險場模型，并構造相應的車輛勢場形狀，建立了勢場與交通行為的映射關系。王建強等[5]提出基于人-車-路協(xié)同的行車風險場的概念和模型，用以表征和量化人-車-路等各要素對車輛行駛安全造成的風險，證明了用風險場表征行車風險的可行性。李林恒等[6-7]以智能網(wǎng)聯(lián)環(huán)境為背景，引入速度、加速度對現(xiàn)有行車安全場模型進行改進，并首次提出以風險場為基礎的跟馳模型。研究表明風險場理論可以描述復雜交通環(huán)境中各種因素之間的相互關系，并能夠用統(tǒng)一的框架解釋真實交通環(huán)境中的各種現(xiàn)象。

在車輛軌跡預測的研究中，其建模方法大致可分為基于物理的方法、基于機器學習的經(jīng)典方法、基于深度學習的方法和基于強化學習的方法[8]。其中基于深度學習的軌跡預測方法由于能從車輛歷史軌跡中學習隱含關系且能夠提取交互信息，成為了當前主流的軌跡預測方法[9]。高鎮(zhèn)海等[10] 為充分表示車輛行為預測空間，解決預測的固有不確定性，構建了駕駛行為意圖識別及交通車輛預期軌跡預測模型。此外，不同的駕駛場景需要考慮的影響因素也各不相同，越復雜的場景需要考慮的影響因素越多。其中，在針對高速公路車輛軌跡預測研究中， MO Xiaoyu 等[11] 改進了基于CNN-LSTM 的高速公路車輛軌跡預測方法，考慮自車周圍的車輛數(shù)量及車輛的動力學特征進而實現(xiàn)軌跡預測。WANG Xiao 等[12] 針對交叉口提出一種安全平衡的駕駛方式感知軌跡規(guī)劃方法，在考慮交通環(huán)境影響的同時考慮其他交通參與者，并采取兩階段預測的方法實現(xiàn)交叉口的軌跡預測。金立生等[13] 針對無信控十字交叉口車輛協(xié)同軌跡規(guī)劃通行問題，提出了一種基于分布式模型預測控制（distributed model predictive control，DMPC） 的多車協(xié)同軌跡規(guī)劃方法。宋秀蘭等[14] 使用多頭注意力機制提取車輛空間交互感知與時間信息，基于長短期記憶（long short-term memory，LSTM） 的編解碼器結構，考慮編碼與解碼2 個過程中軌跡之間潛在的相互作用，循環(huán)生成目標車輛未來的軌跡。殷子健等[2] 提出一種基于遷移學習的交織區(qū)車輛軌跡預測方法，在交織區(qū)車輛歷史軌跡的基礎上，采用時間序列滾動預測法逐幀預測車輛軌跡?？梢钥闯雠c高速公路車輛軌跡預測相比，城市道路交叉口車輛軌跡預測時需要考慮的因素更加復雜，只考慮單一因素的車輛軌跡預測模型在復雜交通場景下易造成軌跡預測魯棒性低、場景不適用等情況。此外，大部分研究只通過車輛歷史軌跡及部分道路信息進行軌跡預測，未考慮駕駛人的駕駛心理變化，并且場景多依托于高速公路直線路段、城市道路交叉口等，對于復雜場景下高速公路交織區(qū)的車輛軌跡預測方法研究相對較少。

綜上所述，由于不同流向車輛間存在頻繁的換道和加減速等行為，導致了高速公路交織區(qū)復雜多變的交通運行狀態(tài)，加劇了車輛行駛風險。因此，有必要提高高速公路交織區(qū)車輛軌跡的預測精度，為改善交織區(qū)的行車安全提供支持。本文從真實軌跡數(shù)據(jù)出發(fā)，針對高速公路交織區(qū)復雜場景分析駕駛人的駕駛需求變化和駕駛風險，構建高速公路交織區(qū)車輛軌跡預測模型。過程中，利用行車風險場模型統(tǒng)一表示車輛行駛的交互風險，針對車輛運動過程中換道意圖的不確定性，采用隱Markov 模型識別車輛換道意圖，描述交織區(qū)交通環(huán)境各種因素之間的相互關系；進而通過深度置信網(wǎng)絡在線學習機（deep belief networks online learnouting machine，DBN_OSELM） 模型對輸入特征進行多維度擴展和融合，進一步提高高速公路交織區(qū)軌跡預測的準確率；最終基于CitySim 數(shù)據(jù)集對不同模型車輛軌跡預測結果進行對比驗證，甄選適合高速公路交織區(qū)車輛軌跡預測的最優(yōu)模型。