前方車輛駕駛行為的識別方法研究

何友國，龔 星，袁朝春

（江蘇大學汽車工程研究院，江蘇 鎮江 212013）

1 引言

隨著交通安全問題的日益嚴重，ADAS被認為是最有效的駕駛風險解決方案，ADAS的重要組成部分是行駛環境的感知和理解。因此，基于運動信息識別交通場景中其他交通參與者的機動行為已經成為國內外學者的重要研究課題。

駕駛行為的識別主要是基于駕駛員的駕駛動作和車輛運動參數等信息來識別出駕駛員的駕駛意圖和駕駛行為。文獻[1]將駕駛員眼睛的移動數據作為識別分類器的特征參數，基于SVM識別駕駛員的駕駛行為。文獻[2]采用駕駛員車道變換意圖表征參數與車輛運動狀態參數相結合的方法，識別自車的換道意圖。文獻[3]提出了一種將HMM與模糊邏輯相結合的駕駛行為預測的方法，該算法通過觀測序列可有效地計算出駕駛員最可能的駕駛行為。文獻[4]分析了車道保持、超車制動和變道等駕駛行為時的駕駛員視覺特征參數的變化規律，選取典型視覺特性特征參數并建立HMM來預測駕駛員的行為與意圖。文獻[5]以方向盤轉角、方向盤轉角速度和橫向加速度作為HMM的最佳觀測信號，基于HMM建立駕駛員換道意圖識別模型，還重點對比了不同特征參數組合的識別效果。

目前，國內外學者在車輛駕駛行為的識別和預測領域取得了可喜的研究成果，但是，上述研究成果主要集中在對自身車輛駕駛員駕駛行為的識別和預測。然而，交通場景是一個極其復雜的系統，具有多個參與者的動態變化和相互作用，前方車輛的駕駛行為會嚴重影響到自車的安全性和舒適性。因此，持續的監控和理解前方車輛的駕駛行為，對于輔助自車駕駛員安全駕駛具有重要的意義。為了降低前方車輛駕駛行為的隨機變化對自身車輛安全的影響，提出了一種基于隱馬爾科夫模型的前方車輛駕駛行為的識別方法，包括特征參數的選擇、數據的預處理、駕駛行為模型的設計與訓練以及測試驗證。

2 特征參數的選擇與預處理

駕駛員操縱車輛變換車道通常是為了改善行駛環境或節省駕駛時間。變道行為可以看作是駕駛員操縱車輛有意識地橫向運動，使車輛從一條車道移動到另一條車道。車輛変換車道的過程可分為換道準備、換道開始、換道持續和換道結束。如果駕駛員決定変換車道，車輛將先保持在初始車道上，駕駛員通過加速或減速來調整車輛的縱向位置以確保在變換車道過程中能夠舒適地變換到目標車道上。然后，駕駛員將在方向盤上輸入角位移，車輛開始曲線行駛。車輛橫向速度的增加標志著車道變換階段的開始，當車輛接近目標車道中間時會發生橫向減速，車輛橫向速度降為零時標志著車道變換階段的結束。在車道變換結束階段，駕駛員將微調其橫向位置，以確保車輛位于目標車道的中心，并根據所在車道前后方車輛調整其縱向速度。

為了降低駕駛行為識別過程的計算復雜度，應該選取盡可能少的特征參數，但是為了保證能夠準確地識別出前方車輛的駕駛行為，所選取的特征參數必須能夠有效地表征出前方車輛駕駛行為的特點。當前方車輛保持車道直行或向左、右側車道換道時，其縱向速度、0.5s內的橫向位移和橫向速度將會相應地發生變化，并且這三個特征參數是可測量信號。因此，將前方車輛的縱向速度、0.5s內的橫向位移和橫向速度作為識別前車駕駛行為的特征參數。

HMM的參數訓練需要大量的數據，在研究中，主要利用駕駛模擬器模擬高速公路場景中自身車輛和前方車輛的行駛狀態。駕駛行為的識別不是一種瞬時狀態的識別，而是一種連續的車輛行駛狀態的識別，在每秒內對前方車輛的行駛狀態參數進行10次數據采集，即每隔0.1s就采集一次前方車輛的縱向速度、橫向位移和橫向速度，由此形成特征參數的觀測序列。最終共記錄了640組前車的行駛狀態參數，將樣本分為兩部分：一部分作為模型訓練樣本，分析前車三種駕駛行為相應特征參數的變化規律以及訓練前車三種駕駛行為的識別模型。另一部分作為模型測試樣本，測試所建立的識別模型的識別準確率。

由于采集的原始數據都會存在一定的噪聲，在模型進行訓練之前對原始觀測數據進行濾波處理，保證所獲得的觀測序列的可用性以及提高模型的識別準確率，采用線性均值濾波的方法對觀測序列進行式（1）的平滑去噪處理：

式中：ad j—濾波鄰域，將ad j的值設置為2。

借助MATLAB平臺對原始觀測數據進行線性均值濾波處理。特征參數線性均值濾波效果，如圖1～圖3所示。

圖1 縱向速度濾波Fig.1 Filtering of Longitudinal Velocity

圖2 橫向位移濾波Fig.2 Filtering of Lateral Displacement

圖3 橫向速度濾波Fig.3 Filtering of Lateral Velocity

3 隱馬爾科夫模型

在車輛的駕駛過程中，駕駛員的操作行為可以概括為以下過程：在每個時間點，駕駛員根據當前的行駛環境信息選擇一個決策選項。經過選擇和執行該決策，駕駛員-車輛系統將產生與決策相關的新狀態，該新狀態將會影響到下一個決策時刻。在新狀態下，駕駛員在新決策時刻根據新行駛環境信息做出新的決策。這一過程將持續進行，每個決策都根據上一決策產生的新狀態，并且都將對下一個決策時刻產生影響。因此，可以將這樣一個決策過程描述為馬爾科夫過程。

在研究中，提出了一種利用HMM識別前車駕駛行為的方法。就車輛車道變換的時間序列而言，在不同狀態之間有一定的切換概率。通過對特征參數的分析和學習，隱馬爾科夫模型可以深入挖掘不同狀態之間的切換原理，從而可以實現對前方車輛駕駛行為的識別。采用縱向速度、0.5s內橫向位移和橫向速度為特征參數，基于HMM對前方車輛的駕駛行為進行識別，因此，前方車輛的每一個駕駛行為就由一個獨立的HMM描述。

3.1 HMM的基本理論

HMM是建立時間序列統計現象模型的有力工具，已經成功地應用在語音識別[6]、生物學科技[7]和人類行為識別[8]等領域。HMM包括隱藏過程和可觀測過程，隱藏狀態序列不可觀測，狀態間的轉換由狀態轉移概率分布描述，每個隱藏狀態會生成相應的可觀測值，形成可觀測序列。可觀測事件和隱藏狀態的設計不是一對一的，而是通過一個隨機的過程來感知存在的狀態及其特征。應用于駕駛行為識別模型的HMM結構圖，如圖4所示。

圖4 HMM結構圖Fig.4 HMM Structural Diagram

HMM的由以下元素構成[9]：

S={S1，S2，…S N}是隱藏狀態，N是隱藏狀態的數量。

V={V1，V2，…V M}是可觀測值，M是可觀測值的數量。

O={O1，O2，…O T}是可觀測序列，T是可觀測序列的長度。

π={π1，π2，…πN}是初始狀態概率分布向量，滿足式（2）。

A={a ij}NXN(1≤i,j≤N)是狀態轉移概率分布矩陣，滿足式（3）。

式中：aij—馬爾科夫鏈隱藏狀態從S i進入Sj的概率。

B={b i k}NXM(1≤i≤N，1≤k≤M)是可觀測值概率分布矩陣。滿足式（4）。

式中：bik—隱藏狀態為Si時觀測值為vk的概率。

因此，HMM可以表示為等式：λ=（N，M，π，A，B）。

在對前方車輛駕駛行為的識別中，可觀測信號是高維連續信號，因此，將采用連續隱馬爾科夫模型，混合高斯隱馬爾科夫模型利用混合高斯模型描述可觀測信號的概率分布。

混合高斯模型由多個單高斯模型組成，并且混合高斯模型是一種連續分布模型，當單個高斯模型的數目足夠大時，它可以近似任何概率分布。GM-HMM可表示為式（5）：

式中：Cim—第m個單高斯函數的混合系數；ui m—第m個單高斯函數的均值矩陣；Uim—第m個單高斯函數的協方差矩陣。

HMM有不同的結構類型，駕駛行為是一個連續的過程，當前狀態僅取決于前一個狀態，基于駕駛行為的這種特點，HMM選用各態遍歷拓撲結構。

3.2 HMM的訓練

一個統計模型在被用作模式識別之前，必須用帶標簽的樣本數據進行訓練。為使HMM具有識別車輛駕駛行為的功能，采用Baum-Welch算法對HMM參數訓練的過程如下：首先，提取典型的駕駛行為觀測序列樣本，包括車道保持、向左車道變換和向右車道變換三種駕駛行為；然后，根據給定的觀測序列集以及HMM初始模型λinit=（N，M，π，A，B），由Baum-Welch算法公式計算得到模型新參數，通過重估過程逐步優化HMM參數。

在帶有標簽的觀測序列樣本集輸入Baum-Welch重估公式之前，模型參數的含義應與實際意義相一致。每個模型都需要設置隱藏狀態的數目N，將三個模型的隱藏狀態數設置為N=3。以前方車輛的縱向速度、0.5s內橫向位移和橫向速度作為最佳可觀測信號對前方車輛的駕駛行為進行識別，且高斯混合數目需要大于或者等于隱藏狀態數目，因此設置M=3。

參數π和A的初始化對訓練結果的影響并不大，它們可以隨機設置，也可以均勻設置。從任何狀態開始的可能性是相同的，并且隱藏狀態可以以同樣的概率轉移到任何狀態。因此，π和A可初始化成式（6）和式（7）。C，u和U的初始值對HMM的訓練結果有很大影響，采用自動聚類算法對C，u和U進行初始化。

通過MATLAB平臺導入HMM工具箱，根據研究借助HMM工具箱編寫相應的模型訓練程序，為前方車輛三種駕駛行為建立獨立的HMM。

3.3 前方車輛駕駛行為的識別

基于Baum-Welch算法已經得到前方車輛三種駕駛行為模式的HMM。基于Viterbi算法計算可觀測參數序列的似然概率值，從而可以識別出前方車輛的駕駛行為。其識別過程如下：首先，提取待識別駕駛行為的可觀測參數序列；然后，利用Viterbi算法計算可觀測參數序列的對數似然概率P（O∕λ），對數似然概率值的范圍應為（-∞，0）；最后，由于對數似然概率值反映了待識別駕駛行為與HMM之間的相似性，即對數似然概率值越接近零，符合當前HMM的概率越大。具有最大對數似然概率值的HMM即為前方車輛的駕駛行為。

HMM參數訓練后剩下的一半數據用于駕駛行為模型的識別測試。已建立的車道保持、向左車道變換和向右車道變換識別HMM中某些測試樣本的對數似然概率值，如表1所示。

表1 駕駛行為識別模型的對數似然概率值Tab.1 Log-likelihood Probability of Driving Behavior Recognition Model

從表1中可以看出，對于樣本1而言，在相應的時間窗口中，車道保持模型的對數似然概率為-37.1442，遠高于向左換道模型和向右換道模型的對數似然概率值。因此，樣本1駕駛行為的識別結果是車道保持。根據上述方法，對剩余5組駕駛行為進行識別，識別結果用表1中的灰色底標記。

選擇識別的準確率來分析所建立的駕駛行為識別模型的效果。HMM的識別準確率是指正確樣本數與樣本總數的比值。使用2.0s的時間窗口進行連續識別，每次時間窗口向后移動的時間間隔設置為1s。由此，這里得到的每個可觀測序列的長度值為20，觀測序列中的每個時間點上都包含了前方車輛的縱向速度、橫向位移和橫向速度的參數值。其識別準確率，如表2所示。

表2 駕駛行為的識別準確率Tab.2 Recognition Accuracy of Driving Behavior

時間窗口的大小是影響識別準確率的重要因素，文章研究時間窗口的大小對識別準確率的影響。根據車載GPS定位數據獲取的車輛換道行為參數分析得到，高速公路換道行為的平均時長為3.15s[10]。這里分別以1.0s、2.0s、3.0s和4.0s作為識別時間窗口，模型的識別準確率，如圖5所示。由圖5可知，當以1.0s為識別時間窗口時，3種駕駛行為的識別準確率最低。當以4.0s為識別時間窗口時，3種駕駛行為的識別準確率較高。時間窗口越長，所包含的信息越多，但數據的固有特性會受到干擾。為了盡可能準確、快速地識別出前方車輛的駕駛行為，在比較了以1.0s、2.0s、3.0s和4.0s為識別時間窗口的駕駛行為識別準確率后，選擇2.0s作為駕駛行為識別的時間窗口。

圖5 不同時間窗口的識別準確率Fig.5 Recognition Accuracy of Different Time Windows

4 結論

（1）根據高速公路場景中車輛變換車道過程中的運動特性，可選取前方車輛的縱向速度、0.5s內橫向位移和橫向速度作為HMM的特征參數。（2）建立HMM模型對前方車輛的三種駕駛行為進行識別。為盡可能準確、快速地識別出前方車輛的駕駛行為，選擇2.0s作為駕駛行為識別的時間窗口大小。從測試結果可以看出，HMM可以有效地識別出車道保持、向左車道變換和向右車道變換三種駕駛行為。