主題詞：自動駕駛 駕駛意圖識別高斯混合模型隱馬爾可夫模型Frenet坐標系中圖分類號：U463.6 文獻標志碼：A DOI：10.19620/j.cnki.1000-3703.20231201

Driving Intention Recognition Based on Gaussian Mixture-Hidden MarkovModel

Shen Yu122，Liu Guanghui2，Ma Xuanpeng1，XuJiawen2，Yan Yuan2 （1.School of Information Engineering，Gansu Minzu Normal University，Hezuo 747ooo；2.Schoolof Electronicand Information Engineering，Lanzhou Jiaotong University，Lanzhou ）

【Abstract】To achieve accurate recognition of vehicle driving intentions in highway scenarios，this paper proposes a drivingintentionrecognitionmodelthatcombinesdualreferencelinesintheFrenetcoordinatewith GausianMixture Models （GMMs）andHidden Markov Models （HMMs）.Themodel selectsdrivingdata fromdiferentreference linesintheFrenet coordinatebasedonvehiclepositionasobservedvariables.By integratingtheobservationprobabilitiesoutputbytheGMMat previousand subsequent time steps withthe HMM，the model identifies the vehicles’driving intentionat thecurrentmoment. Theefectivenessof themodelisvalidatedusingtheUS-101datasetfrom NGSIM.Theresultsshow that thedual-referenceline GMM-HMM model achieves recognition accuracies of 93.33% for lane keeping and 92.24% for lane changing，indicating excellent recognition performance.

Key Words：Autonomous driving，Driving intention recognition，Gaussan Mixture Model （GMM），HiddenMarkovModel （HMM），F(xiàn)renetcoordinate

【引用格式】沈瑜，劉廣輝，馬翱鵬，等.基于高斯混合-隱馬爾可夫模型的駕駛意圖識別[J].汽車技術(shù)，2025（5）：22-28SHENY，LIUGH，MAXP，etal.Driving IntentionRecognitionBasedonGausian Mixture-HiddenMarkovModel[J].Automobile Technology，2025（5）：22-28.

1前言

道路交通事故原因分析表明，約四分之一的安全事故源于駕駛意圖傳達不明確[1。因此，準確識別駕駛意圖，提高車輛行駛安全性，已成為當前自動駕駛技術(shù)領(lǐng)域關(guān)注的焦點。

目前，駕駛意圖識別方法主要分為基于規(guī)則（Rule-Based）和基于深度學習的方法?；谝?guī)則的識別方法將駕駛經(jīng)驗轉(zhuǎn)化為知識，并將提取出相應規(guī)則，應用于駕駛意圖識別2]。Bouchard等3]基于雙層規(guī)則理論，根據(jù)設(shè)計規(guī)則和環(huán)境狀態(tài)感知識別駕駛意圖，模型在可解釋性和安全性方面表現(xiàn)良好，但受限于規(guī)則引擎的固有缺陷，泛化能力不足。Bhattacharyya等提出了基于規(guī)則與數(shù)據(jù)驅(qū)動協(xié)同識別駕駛意圖的方法，結(jié)合車輛行駛參數(shù)，通過規(guī)則確定基本駕駛意圖，同時優(yōu)化參數(shù)以匹配真實駕駛行為。該方法提升了駕駛意圖識別的可解釋性和真實性，但在實時性和泛化性方面仍有改進空間?；谝?guī)則的方法適用于簡單交通場景，其效率和可靠性較高，但因面對復雜或未知場景的覆蓋率較低，識別的準確性與適應性存在一定局限性[5]。

基于深度學習的方法已成為主流的駕駛意圖識別方法，Zyner基于遞歸神經(jīng)網(wǎng)絡（RecursiveNeuralNetwork，RNN）預測方法，從激光雷達的跟蹤系統(tǒng)中獲取數(shù)據(jù)，用于變道行為的駕駛意圖識別。Fang等[7]基于深度神經(jīng)網(wǎng)絡（DeepNeuralNetworks，DNN）的駕駛意圖識別模型，融合自標車輛與周圍車輛的交互信息、道路信息和車輛狀態(tài)，識別混合交通流中的駕駛意圖，并通過NGSIM（NextGenerationSimulation）數(shù)據(jù)集驗證提出方法的有效性。張新鋒等提出了融合注意力機制和殘差卷積的雙向長短時記憶（Bi-directionalLongShort-TermMemory，Bi-LSTM）識別模型，該模型在特征自動提取和時序依賴建模中優(yōu)勢顯著，但其魯棒性較低。Liu等提出基于隱馬爾可夫模型（HiddenMarkovModel，HMM）的車輛駕駛意圖識別方法，并使用自建天橋環(huán)境數(shù)據(jù)訓練和測試駕駛意圖識別模型。趙建東等結(jié)合卷積神經(jīng)網(wǎng)絡（ConvolutionalNeuralNetworks，CNN）和門控循環(huán)單元（GatedRecurrentUnit，GRU），并利用注意力機制構(gòu)建變道意圖識別模型，綜合考慮了車輛行駛中的時序特征和空間特征。基于深度學習方法能夠提升模型識別的準確率，但缺乏可解釋性和擴展性，對于數(shù)據(jù)波動無法及時處理，性能會有所下降。

因此，本文采用雙參考線高斯混合-隱馬爾可夫模型（GMM-HMM）模型，通過Frenet坐標系下兩條參考線的動態(tài)切換，更精確地捕捉車輛在不同車道位置下的駕駛意圖特征。利用高斯混合（GaussianMixtureModel，GMM）模型對駕駛行為空間分布的多模態(tài)特性，結(jié)合HMM的時間序列分析能力，提升變道意圖的早期識別率。同時，通過引入雙參考線機制，在保持強可解釋性的基礎(chǔ)上，增強模型對不同道路場景的泛化性。

2數(shù)據(jù)處理

2.1NGSIM數(shù)據(jù)集

本文基于NGSIM數(shù)據(jù)集的多維度駕駛行為特征，構(gòu)建駕駛意圖識別數(shù)據(jù)集。該數(shù)據(jù)集由目標路段頂部的高性能攝像機拍攝，提取車輛水平坐標、垂直坐標、速度、加速度等特征，采樣頻率為 10Hz 。選擇高速公路場景下的US-101路段，道路拓撲結(jié)構(gòu)如圖1所示。其中，1＼～5號車道為道路主要車道，6號車道為集散車道，7號、8號車道分別為匝道的入口和出口。

2.2數(shù)據(jù)預處理

由于NGSIM數(shù)據(jù)集由多個攝像機拍攝視頻獲取車輛軌跡信息，在數(shù)據(jù)拼接、融合過程中容易出現(xiàn)較大誤差，因而需要對數(shù)據(jù)進行預處理。數(shù)據(jù)集中部分特征參數(shù)說明如表1所示。

駕駛意圖樣本數(shù)據(jù)提取與處理過程如下：

a.篩選數(shù)據(jù)：本文暫不考慮存在強制性變道的第6＼～8號車道，僅考慮1＼～5號車道的數(shù)據(jù)。在US-101場景中主要包括3種類型車輛，分別為摩托車、大型車輛和中小型汽車，其中，汽車占比為 96.1% 。鑒于不同車型的駕駛習慣差距較大，剔除大型車輛和摩托車數(shù)據(jù)，僅保留汽車類樣本數(shù)據(jù)，并進行平滑處理。

b.平滑數(shù)據(jù)：由于原始數(shù)據(jù)存在誤差和噪聲，需對訓練數(shù)據(jù)進行平滑處理，本文采用對稱指數(shù)移動平均（symmetricExponentialMovingAverage，sEMA）濾波算法對原始數(shù)據(jù)的橫向位置Y、速度 σ_v 進行處理。以數(shù)據(jù)集中一個車輛軌跡為例，平滑處理結(jié)果如圖2所示。

2.3Frenet坐標系下特征提取

Frenet坐標系以車道左、右邊緣線為參考線 r（s） 通過將車輛位置向參考線投影，定義投影距離和沿參考線累積弧長，將車輛笛卡爾坐標轉(zhuǎn)換為Frenet坐標。假設(shè)在笛卡爾坐標系中，車輛位置為 N（x，y） ，從點 N 向參考線 r（s） 投影，投影點為 M ，則投影點 M 到點 N 的距離為車輛相對于參考線的橫向位移l，從參考線的起始點 F 到投影點 M 的曲線距離為車輛相對于參考線的縱向位移d。在Frenet坐標系下，使用橫向位移和縱向位移描述車輛位置 （l，d） 。兩坐標系的映射關(guān)系為r（s），（x，y）（l，d）由于車輛的行駛軌跡無法與參考線完全重合，需要利用參考線描述車輛的運動狀態(tài)。本文以車道的左、右邊緣線為參考線，根據(jù)車輛位置選擇所需的參考線。當車輛位于車道左側(cè)時，選擇車道左邊緣線為參考線，車輛的運動狀態(tài)為 l_Left，v_l，Left，d_Left，v_d，Left] 其中， 分別為參考方向的縱向位移和垂直參考方向的橫向位移，（204號 v_l，left?v_{d，Left} 分別為車輛縱向和橫向速度。同理，當車輛位于車道右側(cè)時，選擇車道右邊緣線為參考線，如圖3所示，車輛運動狀態(tài)為 [l_Right 車輛運動狀態(tài)可作為觀測變量計算駕駛意圖觀測概率。

將NGSIM數(shù)據(jù)集中車輛駕駛意圖分為車道保持、左變道和右變道3類。其中，車道保持為車輛在行駛過程中未跨越車道邊緣線，車輛變道為橫跨車道邊緣線兩側(cè)的連續(xù)過程。為了確定各類駕駛意圖的樣本數(shù)量，通過Vehicle_ID獲取車輛行駛數(shù)據(jù)，并根據(jù)行駛數(shù)據(jù)中Lane_ID的變化確定變道時刻。從變道時刻的Frame_ID向前回溯縱向位移 l_Left 和縱向速度 v_l，Left ，如果連續(xù)3幀數(shù)據(jù)的 l_Left 遞減且 v_l，Left≠0 ，則下一幀數(shù)據(jù)作為左變道的起始幀 F_start ，從變道時刻Frame_ID向后回溯 l_Left 、v_l，Left ；如果連續(xù)3幀數(shù)據(jù)的 l_Left 不變，則下一幀數(shù)據(jù)作為左變道終止幀 F_end 。位于 [F_start，F(xiàn)_end] 的數(shù)據(jù)為左變道過程的樣本，同理可標注右變道樣本，剩余數(shù)據(jù)則標注為車道保持樣本。

結(jié)合駕駛意圖的提取情況，由于大多數(shù)車輛在行駛過程中未發(fā)生變道行為，所以車道保持樣本數(shù)量相對較多。篩除6＼～8號車道數(shù)據(jù)后，結(jié)合道路行駛方向，右變道樣本數(shù)量較少。最終，本文樣本共6154組，其中，車道保持、左變道和右變道的樣本數(shù)量分別為5344組、559組和256組。

3高斯混合-隱馬爾可夫模型構(gòu)建

高斯混合模型具有較好的計算特性，通過GMM擬合車輛橫向位置、橫向速度等連續(xù)觀測變量，計算駕駛意圖的概率分布，可作為HMM的輸入。而駕駛行為具有連續(xù)時序性，隱馬爾可夫模型通過狀態(tài)轉(zhuǎn)移概率與歷史觀測序列的動態(tài)關(guān)聯(lián)，可有效建模并識別駕駛意圖的概率分布[12]。因此，本文使用GMM-HMM駕駛意圖識別模型，其結(jié)構(gòu)如圖4所示。

3.1高斯混合模型

當樣本數(shù)據(jù) 為多維數(shù)據(jù)時，多變量高斯分布的概率密度函數(shù)為：

式中： 為 D 維列向量 ，μ，Σ 分別為樣本的均值矩陣和協(xié)方差矩陣。

高斯混合模型是由多個單高斯模型組合而成的概率模型[13]，各模型均符合單高斯分布，因此，高斯混合模型可表示為：

式中： K 為混合模型中單高斯模型的數(shù)量， α_k 為第 k 個單高斯模型的權(quán)重， 為第 k 個單高斯分布 分別為第 k 個單高斯模型中觀測變量數(shù)據(jù)的均值和協(xié)方差矩陣。

3.2 隱馬爾可夫模型

隱馬爾可夫模型由狀態(tài)變量 s 和觀測變量 σ_o 構(gòu)成。狀態(tài)序列 ，狀態(tài)變量的值域為駕駛意圖的有限集合，即 為狀態(tài)變量的數(shù)量；觀測序列 ，其中， T 為總時間幀數(shù)，取決于時間窗的長度；狀態(tài)轉(zhuǎn)移矩陣為 ，其中， a_ij 為 χ_t 時刻車輛駕駛意圖 q_i 在 （t+1） 時刻轉(zhuǎn)移至 q_j 的概率;發(fā)射概率矩陣為 ，其中， 為當駕駛意圖處于 q_j 時，觀測到駕駛行為 v_k 的概率;初始狀態(tài)概率矩陣為 ，且滿足 。因此，HMM模型由矩陣 π，A 和 B 構(gòu)成，即 λ=[π，A，B]

考慮到駕駛意圖無法通過直接觀測，本文將駕駛意圖作為HMM的隱藏狀態(tài)變量，通過觀測變量獲取的車輛運動狀態(tài)數(shù)據(jù)，反映駕駛員的駕駛行為特征，區(qū)分不同駕駛意圖。本文在Frenet坐標系下，將車道左、右邊緣線作為參考線，描述車輛運動狀態(tài)。以車道左邊緣線為參考線時，選取車輛的 l_Left 和 v_l，Left 作為觀測變量；以車道右邊緣線為參考線時，選?。?0 l_Right 和 v_l，Right 作為觀測變量。因此，觀測變量可表示為

各時刻車輛隱藏狀態(tài)變量為3種駕駛意圖的概率分布，不同時刻的隱藏狀態(tài)變量間可相互轉(zhuǎn)移。 a_ii 為任一狀態(tài)保持不變的概率， a_ij 為任兩個狀態(tài)相互轉(zhuǎn)移的概率，則車輛駕駛意圖狀態(tài)轉(zhuǎn)移矩陣為：

通過GMM擬合車輛位置、速度等連續(xù)變量的概率分布，作為駕駛意圖識別HMM的觀測概率。則高斯混合模型輸出觀測值的概率為：

式中： 為二維高斯分布概率密度函數(shù)， α_jk 為第j個高斯分布的權(quán)重系數(shù) ?，μ_jk.Σ_jk 分別為第j個高斯分布的數(shù)據(jù)均值矩陣和協(xié)方差矩陣。

3.3 GMM-HMM模型

3.3.1 參數(shù)學習

結(jié)合高斯混合模型，GMM-HMM模型可表示為λ=[π，A，α，μ，Σ] 已知駕駛行為序列 求解 使 P（O|λ） 最大。由于狀態(tài)變量序列未知，可采用 算法[3進行參數(shù)估計。

首先，定義 Q 函數(shù)為：

對 Q 函數(shù)展開可得：

以參數(shù) π 為例，推導求解過程得到：

采用拉格朗日乘子法計算極值：

令 ，將 γ 代人偏導公式，得到：

P（O|λ^（t）） 和 可通過前向變量 α_t（s） 表示，參數(shù) _A，B 求解過程同樣符合上述原理。

3.3.2 參數(shù)訓練

模型參數(shù)學習具體步驟如下：

a.初始化一組參數(shù) λ=[π，A，α，μ，Σ]， 狀態(tài)轉(zhuǎn)移矩陣 A 可根據(jù)經(jīng)驗進行初始化， π，A，α，μ， Σ 根據(jù)數(shù)據(jù)分布特征進行初始化

b.確定模型訓練所需的樣本數(shù)據(jù)，即觀測變量序列o 。使用Holdout驗證方法，隨機選擇總樣本的 70% 作為訓練樣本。

c.編寫MATLAB程序，初始化參數(shù)后，根據(jù)Baum一Welch算法進行參數(shù)學習。

d.輸出訓練結(jié)果。

根據(jù)上述方法，得到模型的訓練結(jié)果為4個二維單高斯模型，GMM-HMM模型參數(shù)為：

式中： / 分別為以車道左邊緣線為參考線，駕駛意圖為左變道特征的均值和協(xié)方差矩陣；μ（：，：，2） 和 Σ（：，：，1，2） 分別為以車道右邊緣線為參考線，駕駛意圖為右變道特征的均值和協(xié)方差矩陣： ：μ（：，：，3） / 分別為以車道兩側(cè)（左側(cè)和右側(cè)）邊緣線為參考線，駕駛意圖為車道保持特征的均值和協(xié)方差矩陣。

GMM-HMM模型輸出觀測概率如圖5所示。其中，左側(cè)2個橢圓表示以車道左邊緣線為參考線的觀測變量分布特征；右側(cè)2個橢圓表示以車道右邊緣線為參考線的觀測變量分布特征；橢圓的長、短半軸表示對應方向觀測變量的標準差；橢圓的中心位置表示每個單高斯分布的觀測變量均值。

4駕駛意圖識別

單獨時刻駕駛車輛觀測值無法體現(xiàn)駕駛意圖，可通過連續(xù)駕駛動作進行推理，根據(jù)過去連續(xù)T時間段內(nèi)的駕駛動作，識別當前時刻車輛的駕駛意圖。本文使用滑動時間窗，時間窗長度為T，如圖6所示。駕駛意圖識別問題可描述為：已知GMM-HMM參數(shù) λ=[π，A，α，μ，Σ] 滑動時間窗內(nèi)的駕駛動作序列為 求解 T 時段內(nèi)最有可能的狀態(tài)序列 ，使P（O，S^*|λ） 最大。通過維特比（Viterbi）算法[4遞推求解最優(yōu)的狀態(tài)序列 S^* ，從而確定車輛的駕駛意圖。

使用總樣本的 30% 數(shù)據(jù)進行模型驗證，即車道保持樣本、左變道樣本和右變道樣本分別為1604組、168組和77組。以車道右邊緣線為Frenet坐標系的參考線，左、右變道識別過程分別如圖7、圖8所示。

以車道右邊緣線為Frenet坐標系的參考線為例，由圖7可知，第4s時車輛橫向位移發(fā)生改變，逐漸靠近左車道邊緣線，同時，車道保持意圖識別概率下降，左變道意圖概率上升，可通過比較意圖概率確定最終識別結(jié)果。當左變道概率大于車道保持概率時，識別結(jié)果將從車道保持轉(zhuǎn)換成左變道。當2.5s后完成左變道時，車輛距離車道右邊緣線的橫向位移為0。

本文將精確率 （Precision）P 、召回率 （Recall）R 、F1 分數(shù)和準確率（Accuracy） ）_A 作為模型性能評價指標。相關(guān)公式為：

式中： TP 為正確識別目標駕駛意圖的數(shù)量， FP 為將非目標意圖誤判為目標意圖的數(shù)量， TN 為正確識別非目標意圖的數(shù)量， FN 為未能識別目標駕駛意圖的數(shù)量。

為了進一步驗證本文模型的有效性，將本文模型與RuleBased、DNN等雙參考線模型及單參考線模型GMM-HMM*進行對比，結(jié)果如表2所示。

由表2可知，相比單參考線，雙參考線通過提供更全面的橫向位置信息，增強了GMM-HMM模型對車輛動態(tài)的感知，同時捕捉車輛與兩側(cè)車道的相對偏移量及變化趨勢：車道保持時，兩側(cè)偏移量穩(wěn)定；變道時，一側(cè)偏移持續(xù)減小而另一側(cè)增大，形成明顯特征差異。多維觀測數(shù)據(jù)提高了模型對車輛橫向運動的敏感性。相較于使用單參考線的GMM-HMM*模型，本文模型由于使用雙參考線，車道保持準確率和變道準確率分別提高2.19百分點和3.07百分點，識別準確率均高于其他雙參考線模型，且在精確度、召回率和F1分數(shù)評價指標上優(yōu)于其他模型。因此，所提出的雙參考線GMM-HMM模型在識別實際駕駛員的駕駛意圖中更具優(yōu)勢。

5結(jié)束語

本文提出的雙參考線GMM-HMM模型充分考慮了車輛行駛過程中時間的連續(xù)性，能夠根據(jù)觀測變量準確識別駕駛意圖。該模型可應用于智能駕駛領(lǐng)域，通過識別危險換道行為，優(yōu)化自主換道過程，提前預警可能的危險情況，對提高駕駛主動安全性、改善車輛的智能決策和交互能力有重要意義。

由于試驗樣本數(shù)量有限，且僅考慮車輛變道和車道保持的相關(guān)信息，后續(xù)將綜合考慮道路環(huán)境、周圍車輛等因素對意圖識別的影響。同時，探究復雜道路（如交叉路口、坡道等）條件下，超車、轉(zhuǎn)向等駕駛意圖識別。

參考文獻

[1]WANGZC，F(xiàn)ENGQ，LUO M，etal.EfficientFSS-Based PrivateStatisticsforTrafficMonitoring[C]//2O24IEEE23rd International Conference on Trust，Security and Privacy in Computing and Communications （TrustCom）. Sanya， China： IEEE，2024：1361-1370.

[2] KHELFA B，BAI， TORDEUX A. PredictingHighway LaneChanging Maneuvers：A Benchmark Analysis of Machine and Ensemble Learning Algorithms[J]. Physica A： Statistical Mechanics and its Applications，2023，612.

[3]BOUCHARDF，SEDWARDSS，CZARNECKI K.A RuleBased：Behaviour Planner for Autonomous Driving[C]// International Joint Conference on Rules and Reasoning. Berlin，Germany：Springer，2022：263-279.

[4]BHATTACHARYYA R，JUNGS，KRUSEL A，etal.A Hybrid Rule-Based and Data-Driven Approach to Driver Modeling Through Particle Filtering[J].IEEE Transactions on Intelligent Transportation Systems，2022， 23（8）： 13055- 13068.

[5]方華珍，劉立，顧青，等.自動駕駛車輛換道意圖識別研究 現(xiàn)狀[J].工程科學學報，2024，46（10）：1845-1855. FANGH Z，LIU L，GUQ，et al.Research Status of LaneChanging Intention Recognition for Autonomous Vehicles[J]. Chinese Journal of Engineering，2024，46（10）：1845-1855.

[6]ZYNERA，WORRALLS，NEBOTE.ARecurrentNeural Network Solution for Predicting Driver Intentionat UnsignalizedIntersections[J].IEEERobotics and AutomationLetters，2018，3（3）：1759-1764.

[7]FANG H Z，LIU L，GU Q，et al.Driving Intention Recognition of Human Drivers in Mixed Traffic Flow[C]// 2022 IEEE 25th International Conference on Intelligent Transportation Systems （ITSC）. Macau， China：IEEE，2022： 153-157.

[8]張新鋒，王萬寶，柳歡，等.高速動態(tài)交通場景下自動駕駛 車輛換道意圖識別模型研究[J].汽車技術(shù)，2023（4）：8-15. ZHANGXF，WANAGWB，LIUH，etal.ResearchonLane Change Intention Recognition Model of Automated Vehicle inHigh-Speed Dynamic Traffic Scenario[J]. Automobile Technology，2023（4）： 8-15.

[9] LIU SW， 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.

[10]趙建東，趙志敏，屈云超，等.軌跡數(shù)據(jù)驅(qū)動的車輛換 道意圖識別研究[J].交通運輸系統(tǒng)工程與信息，2022， 22（4）： 63-71. ZHAO JD，ZHAO Z M，QU YC，et al.Vehicle Lane Change Intention Recognition Driven by Trajectory Data[J]. Journal of Transportation Systems Engineeringand Information Technology，2022，22（4）： 63-71.

[11] DO JY，HAN K，CHOI S B.Lane Change-Intention Inferenceand Trajectory Prediction of Surrounding Vehicles onHighways[J]. IEEE Transactions on Intelligent Vehicles， 2023，8（7）：3813-3825.

[12]FANGJW，WANGF，XUEJR，etal.BehavioralIntention Prediction in Driving Scenes：A Survey[J].IEEE Transactions on Inteligent Transportation Systems，2024， 25（8）： 8334-8355.

[13] LUO Y Q， ZHANG JY，WANG SF，et al.A Driving IntentionPredictionMethodforMixed Traffic Scenarios[C]// 2022 IEEE 7th International Conference on Intelligent Transportation Engineering （ICITE）.Beijing， China： IEEE，2022.

[14]LV Y Z，WEI C. Multi-Objective Optimal Decision Making forAutonomous Driving Based on Multi-Modal Predicted Trajectories[Cl// International Conference on Mechatronic Engineering and Artificial Intelligence （MEAI 2023）. Shenyang， China： AIP Publishing，2024.

（責任編輯瑞秋）

修改稿收到日期為2025年1月26日。