【摘" 要】文章依托駕駛模擬器平臺(tái)，對(duì)CarSim、Simulink和VeriStand等軟件進(jìn)行設(shè)置，搭建硬件在環(huán)仿真平臺(tái)，使用頭部姿態(tài)估計(jì)網(wǎng)絡(luò)算法檢測(cè)頭部姿態(tài)，采集試驗(yàn)數(shù)據(jù)。建立基于條件隨機(jī)場(chǎng)的駕駛意圖在線(xiàn)識(shí)別系統(tǒng)，對(duì)左換道、右換道和車(chē)道保持3種駕駛意圖進(jìn)行識(shí)別，與隱馬爾可夫模型對(duì)比，證明該系統(tǒng)能夠穩(wěn)定輸出駕駛員的駕駛意圖。建立基于斯塔克爾伯格博弈模型的人機(jī)共駕決策系統(tǒng)，設(shè)立仿真試驗(yàn)場(chǎng)景，驗(yàn)證基于駕駛意圖識(shí)別的人機(jī)共駕決策系統(tǒng)的有效性。

【關(guān)鍵詞】駕駛模擬器；條件隨機(jī)場(chǎng)；駕駛意圖識(shí)別；斯塔克爾伯格博弈模型

中圖分類(lèi)號(hào)：U463.6" " 文獻(xiàn)標(biāo)識(shí)碼：A" " 文章編號(hào)：1003-8639（ 2024 ）08-0006-06

Research on Decision-making System Based on Conditional Random Fields and Stackelberg Models

ZHANG Heng，CHEN Huanming，LI Xuehan

（College of Mechanical and Electrical Engineering，Automotive Dynamic Simulation Laboratory，

Qingdao University，Qingdao 266071，China）

【Abstract】Based on the driving simulator platform，this paper establishes a hardware-in-the-loop simulation platform using software such as CarSim，Simulink，and Veristand. The head attitude estimation network algorithm is utilized to detect head attitude and collect experimental data. Furthermore，an online recognition system of driving intention based on conditional random field is developed to accurately identify three driving intentions： left lane change，right lane change，and lane keeping. The effectiveness of the system is demonstrated by comparing it with the hidden Markov model in terms of stable output of driver's driving intention. Additionally，a human-machine co-driving decision-making system based on Stackelberg game model is established and its effectiveness is verified through a simulation experiment scenario.

【Key words】driving simulator；conditional random field；riving intention recognition；Stackelberg game model

1" 前言

高級(jí)駕駛輔助系統(tǒng)（ADAS）成為解決因人為因素導(dǎo)致交通事故問(wèn)題的重要技術(shù)，并逐漸成為車(chē)輛標(biāo)配系統(tǒng)。現(xiàn)階段的ADAS仍處于2級(jí)駕駛自動(dòng)化，距離3級(jí)駕駛自動(dòng)化仍有差距。除技術(shù)方面的不足外，事故責(zé)任的劃分也讓各大廠(chǎng)商對(duì)將自動(dòng)駕駛汽車(chē)投放市場(chǎng)舉棋不定，因而未來(lái)搭載ADAS系統(tǒng)的汽車(chē)仍將在市場(chǎng)中占有較大比例。

目前大部分ADAS系統(tǒng)仍屬于自成一環(huán)，其探測(cè)、決策乃至部分執(zhí)行都是不考慮駕駛員意圖的，會(huì)導(dǎo)致部分決策偏離駕駛員的想法乃至完全相反。駕駛員作為交通-駕駛員-車(chē)輛的中心環(huán)節(jié)，其駕駛操作應(yīng)得到重視。通過(guò)識(shí)別駕駛員的駕駛意圖，能夠讓其成為機(jī)器決策的重要參考，降低人機(jī)沖突概率，提高機(jī)器決策的正確性，減少駕駛員因機(jī)器決策導(dǎo)致的不適感。對(duì)于駕駛意圖的研究，眾多科研人員提出了許多識(shí)別方法。算法方面，長(zhǎng)短時(shí)記憶網(wǎng)[1]、支持向量機(jī)[2]、隱馬爾可夫[3]、貝斯葉網(wǎng)絡(luò)[4]、反向傳播神經(jīng)網(wǎng)絡(luò)[5]和條件隨機(jī)場(chǎng)[6]等算法在駕駛意圖識(shí)別方面效果較好，受到廣泛應(yīng)用。此前對(duì)駕駛員意圖的研究多集中于縱向[7]，研究成果較多且實(shí)用性高，在此基礎(chǔ)上許多學(xué)者開(kāi)始研究更為復(fù)雜的橫向駕駛員意圖。

基于以上問(wèn)題，本文通過(guò)頭部姿態(tài)和車(chē)輛運(yùn)動(dòng)數(shù)據(jù)，基于條件隨機(jī)場(chǎng)算法，研究駕駛員操作意圖，實(shí)現(xiàn)駕駛意圖識(shí)別，并對(duì)自車(chē)和其他車(chē)輛博弈問(wèn)題進(jìn)行研究，建立斯塔克爾伯格模型，決策換道時(shí)機(jī)，對(duì)降低駕駛員工作量、ADAS決策偏離導(dǎo)致的不安感、提高駕駛安全性等都具有重要意義。

2" 試驗(yàn)數(shù)據(jù)采集

2.1" 駕駛模擬器

本文需要記錄駕駛員在行車(chē)過(guò)程中的操作數(shù)據(jù)為駕駛員的意圖識(shí)別提供試驗(yàn)樣本。駕駛員的數(shù)據(jù)采集可分為兩類(lèi)：實(shí)車(chē)采集和基于硬件在環(huán)仿真的方式采集[8]。在綜合考慮硬件設(shè)備、數(shù)據(jù)采集方便性、駕駛員行車(chē)安全性等多方面因素，本文選取駕駛模擬器來(lái)采集駕駛?cè)说男熊?chē)試驗(yàn)數(shù)據(jù)。駕駛模擬器硬件布置示意圖如圖1所示。

駕駛模擬器可基于宿主機(jī)上的仿真軟件CarSim搭建試驗(yàn)環(huán)境和模擬試驗(yàn)車(chē)輛，經(jīng)由傳感器檢測(cè)得到轉(zhuǎn)向盤(pán)和踏板的輸出數(shù)據(jù)，通過(guò)VeriStand將傳感器的數(shù)據(jù)由實(shí)時(shí)目標(biāo)機(jī)傳送給宿主機(jī)，在CarSim中計(jì)算車(chē)輛的行駛狀態(tài)和車(chē)輛與道路的交互情況，實(shí)現(xiàn)硬件在環(huán)仿真。為了盡可能模擬在實(shí)車(chē)中的駕駛體驗(yàn)，該模擬器由3塊顯示器組合輸出試驗(yàn)場(chǎng)景，讓試驗(yàn)人員的視野盡可能與實(shí)車(chē)相近。由2塊顯示器展示目標(biāo)機(jī)的狀態(tài)和控制試驗(yàn)進(jìn)程，安裝攝像頭觀(guān)察記錄試驗(yàn)人員的駕駛行為。駕駛模擬器如圖2所示。

2.2" 頭部姿態(tài)估計(jì)網(wǎng)絡(luò)

頭部姿態(tài)估計(jì)網(wǎng)絡(luò)是一種以單張圖像就可進(jìn)行姿態(tài)估算，且不需要提供人臉關(guān)鍵點(diǎn)，直接對(duì)人臉的姿態(tài)進(jìn)行回歸估計(jì)的方法[9]。本文以頭部姿態(tài)估計(jì)的理念為基礎(chǔ)，把采集到的視頻數(shù)據(jù)進(jìn)行逐幀計(jì)算，得到最終的試驗(yàn)數(shù)據(jù)。本文使用頭部姿態(tài)估計(jì)網(wǎng)絡(luò)模塊，在框架內(nèi)實(shí)現(xiàn)人臉的姿態(tài)估計(jì)，頭部姿態(tài)估計(jì)網(wǎng)絡(luò)流程如圖3所示。

2.3" 試驗(yàn)?zāi)M環(huán)境

按照道路行車(chē)規(guī)范的要求，駕駛員在彎道等特殊行車(chē)工況下禁止換道，因此本文搭建的試驗(yàn)?zāi)M道路為直線(xiàn)車(chē)道。在車(chē)輛行駛方向的各車(chē)道上，不同位置放置了車(chē)速不同的障礙車(chē)輛，保證試驗(yàn)數(shù)據(jù)的隨機(jī)性和獨(dú)特性，避免固定障礙帶來(lái)的換道決策的雷同和單一，更符合實(shí)際的駕駛決策。

選擇不同年齡階段的試驗(yàn)人員15名，均保持良好的行車(chē)習(xí)慣。為了盡可能減少無(wú)效試驗(yàn)數(shù)據(jù)，試驗(yàn)人員均參加了駕駛模擬器的培訓(xùn)。同時(shí)，為了保證試驗(yàn)正常進(jìn)行和提高試驗(yàn)效率，在試驗(yàn)人員進(jìn)行駕駛模擬時(shí)，配備一名操作員進(jìn)行現(xiàn)場(chǎng)指導(dǎo)并及時(shí)保存試驗(yàn)數(shù)據(jù)。最終測(cè)試人員在70～100km/h的速度區(qū)間內(nèi)采集了45組駕駛數(shù)據(jù)，包含155次有效換道行為，其中77次左換道，78次右換道。

3" 駕駛意圖識(shí)別模塊

3.1" 選取特征參數(shù)

在正常行駛狀態(tài)下，駕駛員的意圖主要分為車(chē)道保持（LK）、左換道（LCL）和右換道（LCR）3種，選擇的特征參數(shù)需滿(mǎn)足在左右換道和車(chē)道保持時(shí)取值的區(qū)間不同且差別較大。

綜合多方面考量，特征參數(shù)的選取分為車(chē)輛換道意圖參數(shù)和駕駛員觀(guān)察意圖參數(shù)。車(chē)輛換道意圖參數(shù)選擇車(chē)身橫擺角、轉(zhuǎn)向盤(pán)轉(zhuǎn)角、轉(zhuǎn)向盤(pán)角速率、橫向速度和橫向加速度來(lái)表征車(chē)輛的換道行為。駕駛員觀(guān)察意圖參數(shù)選擇駕駛員頭部橫擺角來(lái)輸出駕駛員頭部在橫向、縱向的相對(duì)角度。

3.2" 識(shí)別區(qū)段劃分

區(qū)段的劃分主要從車(chē)輛換道意圖參數(shù)換道區(qū)段和駕駛員觀(guān)察意圖參數(shù)換道區(qū)段著手。從試驗(yàn)數(shù)據(jù)中隨機(jī)取一段包含換道階段的數(shù)據(jù)，以車(chē)輛質(zhì)心越過(guò)車(chē)道線(xiàn)點(diǎn)為中點(diǎn)，向時(shí)間軸前后各取400個(gè)采樣點(diǎn)，采樣時(shí)間為8s，對(duì)比車(chē)輛質(zhì)心點(diǎn)的橫坐標(biāo)與轉(zhuǎn)向盤(pán)轉(zhuǎn)角數(shù)據(jù)，如圖4所示。

駕駛員會(huì)在換道前通過(guò)注視兩側(cè)后視鏡觀(guān)察臨近車(chē)道內(nèi)是否有車(chē)輛在換道過(guò)程中有可能危及到自車(chē)，在該過(guò)程中，駕駛員的頭部橫擺角會(huì)發(fā)生變化。取圖4換道區(qū)段中頭部橫擺角數(shù)據(jù)，以車(chē)輛質(zhì)心越過(guò)車(chē)道線(xiàn)點(diǎn)為中點(diǎn)，時(shí)間軸向前取1000個(gè)采樣點(diǎn)，向后取400個(gè)采樣點(diǎn)，采樣時(shí)間為14s，如圖5所示。

由此，本文確定駕駛員觀(guān)察意圖參數(shù)換道區(qū)段起始點(diǎn)為車(chē)輛質(zhì)心過(guò)車(chē)道線(xiàn)前10s，終止點(diǎn)和車(chē)輛換道意圖參數(shù)區(qū)段相同，為車(chē)輛質(zhì)心過(guò)車(chē)道線(xiàn)前0.5s。圖5中Popis點(diǎn)—Popie點(diǎn)即為駕駛員觀(guān)察意圖參數(shù)識(shí)別換道區(qū)段。

最終換道區(qū)間示意圖如圖6所示。其中t1段為駕駛員觀(guān)察意圖參數(shù)區(qū)段，長(zhǎng)度為9.5s；t2段為車(chē)輛換道意圖參數(shù)區(qū)段，長(zhǎng)度為3.5s；t3段為從車(chē)輛越過(guò)車(chē)道線(xiàn)到車(chē)輛質(zhì)心過(guò)車(chē)道線(xiàn)區(qū)段，長(zhǎng)度為0.5s。

3.3" 條件隨機(jī)場(chǎng)

條件隨機(jī)場(chǎng)（Conditional Random Field，CRF）通過(guò)定義特征函數(shù)和權(quán)重系數(shù)來(lái)轉(zhuǎn)換成機(jī)器可以學(xué)習(xí)的模型。狀態(tài)序列y的條件概率為：

式中：Z（x）——?dú)w一化因子，是對(duì)標(biāo)簽序列所有可能取值求和；tk——轉(zhuǎn)移特征函數(shù)；λk——權(quán)重系數(shù)，依賴(lài)于當(dāng)前節(jié)點(diǎn)與前一個(gè)節(jié)點(diǎn)；sl ——狀態(tài)特征函數(shù)；l——權(quán)重系數(shù)，只依賴(lài)于當(dāng)前節(jié)點(diǎn)。

應(yīng)用BFGS法進(jìn)行模型學(xué)習(xí)。對(duì)于條件隨機(jī)場(chǎng)模型：

其學(xué)習(xí)的優(yōu)化目標(biāo)函數(shù)為：

其梯度函數(shù)為：

式中：" "——經(jīng)驗(yàn)分布；f（x，y）——特征函數(shù)；w——權(quán)重系數(shù)；" " ——數(shù)學(xué)期望。

3.4" 模型訓(xùn)練與試驗(yàn)驗(yàn)證

由前文確定換道區(qū)間劃分方法，并考慮到CRF算法特性，對(duì)試驗(yàn)采集到的原始數(shù)據(jù)進(jìn)行預(yù)處理，將駕駛員觀(guān)察意圖參數(shù)和車(chē)輛換道意圖參數(shù)分別提取，以換道點(diǎn)位置為標(biāo)志分組，并進(jìn)行數(shù)據(jù)標(biāo)記，LCL、LK和LCR分別標(biāo)記為1、2、3。

前文試驗(yàn)中共采集155次有效換道數(shù)據(jù)，隨機(jī)選取60份左換道數(shù)據(jù)和60份右換道數(shù)據(jù)作為訓(xùn)練樣本，并從未選取的數(shù)據(jù)中隨機(jī)挑選20份作為測(cè)試樣本。為作對(duì)比，數(shù)據(jù)同時(shí)導(dǎo)入CRF算法模型和HMM算法模型進(jìn)行訓(xùn)練。LCL識(shí)別結(jié)果和概率如圖7所示。

圖7a中，CRF識(shí)別結(jié)果與原始數(shù)據(jù)標(biāo)記基本一致，而HMM則明顯滯后。而圖7c中，兩者結(jié)果和原始數(shù)據(jù)標(biāo)記均差別不大，顯示出CRF在多參數(shù)情況下能有更為優(yōu)良的識(shí)別效果。

LCR識(shí)別結(jié)果和概率如圖8所示。

LCR的識(shí)別結(jié)果和LCL基本一致。但圖8c中，HMM出現(xiàn)多次識(shí)別異常點(diǎn)，有兩處長(zhǎng)達(dá)0.12s，對(duì)照?qǐng)D8d，識(shí)別概率也發(fā)生了較大起伏，而CRF無(wú)論識(shí)別結(jié)果還是概率都比較平穩(wěn)，表明CRF有更好的識(shí)別穩(wěn)定性。

3種行駛工況識(shí)別準(zhǔn)確率如圖9所示。CRF的準(zhǔn)確率基本都優(yōu)于HMM，達(dá)到98%以上，能夠在車(chē)輛質(zhì)心越過(guò)車(chē)道線(xiàn)的1.92s前識(shí)別駕駛員的換道意圖；駕駛員觀(guān)察意圖參數(shù)方面，除LCL識(shí)別結(jié)果外，CRF的識(shí)別率相比HMM都具有優(yōu)勢(shì)，達(dá)到95%以上，能夠在車(chē)輛質(zhì)心越過(guò)車(chē)道線(xiàn)的5.63s前識(shí)別駕駛員的換道意圖。

借助MATLAB內(nèi)置計(jì)時(shí)函數(shù)記錄兩種算法的識(shí)別用時(shí)，CRF算法的車(chē)輛換道意圖參數(shù)和駕駛員觀(guān)察意圖參數(shù)分別為0.0032s和0.0145s，而HMM算法兩種意圖參數(shù)的用時(shí)為0.0189s和1.9746s。在對(duì)兩類(lèi)參數(shù)的識(shí)別上，CRF所用時(shí)間基本占HMM所用時(shí)間的18%以下，在實(shí)時(shí)性上具有明顯的優(yōu)勢(shì)。

4" 人機(jī)共駕決策系統(tǒng)

4.1" 對(duì)旁側(cè)車(chē)道車(chē)輛碰撞預(yù)警

本文在車(chē)型C-Class Hatchback2012基礎(chǔ)上，在車(chē)身加裝4個(gè)視線(xiàn)盲區(qū)探測(cè)傳感器，探測(cè)旁側(cè)車(chē)道前后方的車(chē)輛，如圖10所示。

傳感器的探測(cè)范圍為50m，設(shè)置輸出數(shù)據(jù)為傳感器對(duì)探測(cè)到車(chē)輛的相對(duì)位置x0和相對(duì)速度v0，并對(duì)速度求導(dǎo)，得到車(chē)輛的相對(duì)加速度a0，利用公式（11）和公式（12）預(yù)測(cè)車(chē)輛的位置。

式中：t1——換道所需時(shí)間；t2——安全預(yù)留時(shí)間，用于防止換道后與車(chē)道內(nèi)車(chē)輛距離過(guò)近；xf1、xf2——目前的車(chē)速和車(chē)加速度的情況下，被測(cè)車(chē)經(jīng)過(guò)t1、t2的時(shí)間后與本車(chē)的相對(duì)位置。本文選擇雙駕雙控人機(jī)共駕模式作為換道決策系統(tǒng)的架構(gòu)進(jìn)行研究。

4.2" 博弈系統(tǒng)

4.2.1" 斯塔克爾伯格博弈模型

在斯塔克爾伯格模型中，處于主導(dǎo)地位的被稱(chēng)為領(lǐng)導(dǎo)者，而處于較弱一方的被稱(chēng)為跟隨者。領(lǐng)導(dǎo)者會(huì)首先做出決策，而后跟隨者們會(huì)根據(jù)領(lǐng)導(dǎo)者的決策而決策。與跟隨者們不同，領(lǐng)導(dǎo)者會(huì)預(yù)期到自己的決策對(duì)跟隨者們的影響，為追求最大收益，領(lǐng)導(dǎo)者會(huì)考慮這種影響，在決策時(shí)將跟隨者的反應(yīng)函數(shù)視為約束條件，此時(shí)達(dá)到斯塔克爾伯格平衡。

設(shè)整體的需求函數(shù)為：

（13）

式中：p1和p2——領(lǐng)導(dǎo)者和跟隨者的決策。此時(shí)，各自的收益分別為：

式中：c1和c2——領(lǐng)導(dǎo)者廠(chǎng)商和跟隨者廠(chǎng)商的成本系數(shù)。

領(lǐng)導(dǎo)者作出決策后，跟隨者將考慮領(lǐng)導(dǎo)者的決策做出讓自身收益最大化的決策。而其收益最大化的一階條件是：

即領(lǐng)導(dǎo)者做出決策時(shí)，跟隨者可以獲得最大收益。除此點(diǎn)之外，跟隨者的收益會(huì)相比更低?？梢岳斫鉃橹灰I(lǐng)導(dǎo)者存在，跟隨者的最高收益則為定值，無(wú)法取得更高的收益。而此時(shí)也可得出跟隨者的反應(yīng)函數(shù)：

領(lǐng)導(dǎo)者可以根據(jù)跟隨者的決策做出自己的決策，即該反應(yīng)函數(shù)是領(lǐng)導(dǎo)者決定產(chǎn)量的約束。在跟隨者取得最高收益時(shí)，領(lǐng)導(dǎo)者能取得收益最大化的一階條件為：

將式（16）帶入式（17），得：

此時(shí)領(lǐng)導(dǎo)者取得最大收益，其決策為：

將式（19）代入式（16），可得跟隨者的決策：

式中：p1*和p2*——領(lǐng)導(dǎo)者廠(chǎng)商和跟隨者廠(chǎng)商在達(dá)到斯塔克爾伯格平衡時(shí)的最佳決策。

4.2.2" 雙車(chē)博弈收益分析

結(jié)合斯塔克爾伯格模型特點(diǎn)，將自車(chē)（HV）和換道目標(biāo)車(chē)道內(nèi)的跟隨車(chē)輛（FV）分別視為領(lǐng)導(dǎo)者和跟隨者，以識(shí)別到駕駛員換道意圖為博弈開(kāi)始點(diǎn)，博弈順序?yàn)镠V（駕駛員意圖）→FV（碰撞預(yù)警模塊數(shù)據(jù)）→HV（根據(jù)FV數(shù)據(jù)確定最終收益）。

博弈開(kāi)始時(shí)的道路空間視為總體需求，其隨著博弈雙方對(duì)道路空間的占用而降低，表達(dá)形式如下：

式中：Disfin——博弈結(jié)束時(shí)的道路空間；Disini——博弈開(kāi)始時(shí)的道路空間；xd ——博弈開(kāi)始時(shí)HV與FV的縱向距離；xr——安全預(yù)留距離，考慮到駕駛過(guò)程中舒適性要求的最大縱向加速度，取值為20m；xl ——HV能夠取得的空間；xf ——FV能夠取得的空間。

考慮兩車(chē)信息的差異性，將安全距離收益函數(shù)定為如下形式：

（22）

式中：Psl ——HV的安全距離收益函數(shù)；Psf ——FV的安全距離收益函數(shù)；Il和If ——HV和FV的決心系數(shù)；cl和cf ——安全成本系數(shù)。

HV取得最大收益時(shí)，公式為：

其xl 解即為HV換道后能夠獲取的安全距離：

（24）

對(duì)于HV決定是否換道而言，除安全性外，駕駛員的心理感受和預(yù)期以及是否有換道的必要性也是關(guān)鍵的影響因素，由此建立HV換道收益函數(shù)：

（25）

式中：α、β和γ——每項(xiàng)的權(quán)重，根據(jù)場(chǎng)景不同，調(diào)整相應(yīng)取值，匹配不同場(chǎng)景下3種收益的重要性；Pi、Ps和Pr——駕駛意圖收益、安全收益和加速空間收益。

駕駛意圖收益函數(shù)具體形式如下：

式中：cDI——駕駛員意圖穩(wěn)定系數(shù)，取值0.98。

安全收益反映的是換道后能夠用于操作的空間大小，其值取決于前文經(jīng)過(guò)斯塔克爾伯格模型博弈后HV能夠獲取的最大空間，其具體形式如下：

式中：slD ——換道安全限制距離，根據(jù)試驗(yàn)數(shù)據(jù)分析，在單車(chē)場(chǎng)景時(shí)取值30m。

加速空間收益函數(shù)具體形式如下：

當(dāng)目標(biāo)車(chē)道僅后方有FV時(shí)，Pr取值為1；當(dāng)目標(biāo)車(chē)道前方有FV時(shí)，用公式（21）和（22）計(jì)算比較HV所在車(chē)道前車(chē)與目標(biāo)車(chē)道前方FV，F(xiàn)V的xf1和xf2均大于HV所在車(chē)道前車(chē)時(shí)，Pr取值為1，否則為0。

4.3" 場(chǎng)景驗(yàn)證

4.3.1" 后方單車(chē)場(chǎng)景

在僅車(chē)輛后方有FV時(shí)，開(kāi)始博弈時(shí)的道路空間如圖11所示。

考慮駕駛意圖收益、安全收益和加速空間收益在換道過(guò)程中的重要性，取α、β和γ分別為0.3、0.3、0.4。當(dāng)HV換道收益大于1時(shí)，決策換道。從樣本中隨機(jī)挑選一段換道數(shù)據(jù)，如圖12所示。

在Popc點(diǎn)（27.02s）時(shí)，通過(guò)駕駛員觀(guān)察意圖參數(shù)識(shí)別到駕駛員換道意圖。隨后在Ppm點(diǎn)（27.61s）時(shí)，HV換道收益大于1，即綜合考量駕駛員意圖、安全距離和加速空間下適合換道，此時(shí)駕駛員換道意圖概率為0.99，與FV的相對(duì)距離為41.10m；在Pvpc點(diǎn)（29.57s）時(shí)，通過(guò)車(chē)輛換道意圖參數(shù)識(shí)別到駕駛員換道意圖，同時(shí)開(kāi)始換道。最后于31.45s車(chē)輛質(zhì)心越過(guò)車(chē)道線(xiàn)，換道無(wú)法終止。整個(gè)換道過(guò)程中，與FV始終保持安全距離，未發(fā)生碰撞。

4.3.2" 前方單車(chē)場(chǎng)景

在僅HV前方有FV時(shí)，其博弈空間與圖11相似，不過(guò)跟隨車(chē)輛在HV前方，顯然加速空間是否存在對(duì)于換道行為相比后方單車(chē)場(chǎng)景更為重要，故取α、β和γ分別為0.2、0.3、0.5。從樣本中隨機(jī)挑選一段換道數(shù)據(jù)，如圖13所示。

在Popc點(diǎn)（63.07s）時(shí)，通過(guò)駕駛員觀(guān)察意圖參數(shù)識(shí)別到駕駛員換道意圖，隨后在Ppm點(diǎn)（63.34s）時(shí)，HV換道收益大于1，即綜合考慮駕駛員意圖、安全距離和加速空間下適合換道，此時(shí)駕駛員換道意圖概率為0.94，與FV的相對(duì)距離為43.39m。在Pvpc點(diǎn)（64.67s）時(shí)，通過(guò)車(chē)輛換道意圖參數(shù)識(shí)別到駕駛員換道意圖，同時(shí)開(kāi)始換道。最后于67.06s車(chē)輛質(zhì)心越過(guò)車(chē)道線(xiàn)，換道無(wú)法終止。整個(gè)換道過(guò)程中，與FV始終保持安全距離，未發(fā)生碰撞。

5" 總結(jié)

本文以駕駛模擬器為試驗(yàn)平臺(tái)，采用頭部姿態(tài)估計(jì)網(wǎng)絡(luò)算法識(shí)別頭部姿態(tài)，搭建硬件在環(huán)仿真平臺(tái)，采集試驗(yàn)數(shù)據(jù)；建立基于CRF算法的駕駛意圖識(shí)別模型，能夠穩(wěn)定輸出駕駛員的駕駛意圖，并驗(yàn)證了該系統(tǒng)能夠正確識(shí)別駕駛意圖；建立基于斯塔克爾伯格博弈模型的人機(jī)共駕決策系統(tǒng)，結(jié)合駕駛意圖收益和加速空間收益進(jìn)行人機(jī)共駕決策，驗(yàn)證了基于駕駛意圖識(shí)別的人機(jī)共駕決策系統(tǒng)的有效性。

參考文獻(xiàn)：

[1] Wang S，Zhao X，Yu Q，et al. Identification of driver braking intention based on long short-term memory（LSTM）network[J]. IEEE Access，2020，8（2）：180422-180432.

[2] 密俊霞，于會(huì)龍，席軍強(qiáng). 基于MLP-SVM的駕駛員換道行為預(yù)測(cè)[J]. 兵工學(xué)報(bào)，2022，43（12）：3020-3029.

[3] Liu S，Zheng K，Zhao L，et al. A driving intention prediction method based on hidden Markov model for autonomous driving[J]. Computer Communications，2020 （157）：143-149.

[4] Song R.Driver intention prediction using model-added Bayesian network[J]. Proceedings of the Institution of Mechanical Engineers，Part D： Journal of Automobile Engineering，2021，235（5）：1236-1244.

[5] 郎悅?cè)? 基于高速公路的駕駛員換道意圖識(shí)別[J]. 汽車(chē)實(shí)用技術(shù)，2022，47（14）：109-112.

[6] 趙巖，陳煥明，王亞倫，等. 基于條件隨機(jī)場(chǎng)的駕駛行為識(shí)別研究[J]. 青島大學(xué)學(xué)報(bào)（工程技術(shù)版），2021，36（1）：14-21.

[7] Ju J，Bi L，F(xiàn)eleke A G. Detection of Emergency Braking Intention From Soft Braking and Normal Driving Intentions Using EMG Signals[J]. IEEE Access，2021，9：131637-131647.

[8] 劉志強(qiáng)，吳雪剛，倪捷，等. 基于HMM和SVM級(jí)聯(lián)算法的駕駛意圖識(shí)別[J]. 汽車(chē)工程，2018，40（7）：858-864.

[9] Tsun-Yi Yang，Yi-Ting Chen，Yen-Yu Lin，et al. FSA-Net： Learning Fine-Grained Structure Aggregation for Head Pose Estimation From a Single Image[C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. New York：IEEE，2019：1087-1096.

（編輯" 楊凱麟）