基于換道意圖識別的高速公路換道駕駛行為預測研究

薛 森

（北京市首都公路發展集團有限公司八達嶺高速公路管理分公司，北京 100101）

換道駕駛行為受許多因素的影響，且駕駛員的換道駕駛行為具有不確定性[1]。因此，準確預測駕駛員的換道行為對交通管理和智能駕駛系統具有重要意義。該研究在說明高速公路換道意圖等基本概念的基礎上進行數據處理，并提出換道意圖識別模型，對高速公路換道駕駛行為進行預測。為驗證模型預測結果精準性，對模型進行試驗，為更準確地預測駕駛行為，保障高速公路交通安全提供借鑒。

1 基本概念框架

高速公路換道意圖是指駕駛員在行駛過程中決定改變當前車道的意圖，通常是為了超越前方車輛、避讓障礙物或準備將要離開當前道路[2]。換道場景指適合進行換道操作的具體情境，包括超車、高速公路出口、道路障礙物或緊急情況、路口轉彎。為了構建車輛換道意圖識別模型，該文給出不同特征車輛的定義，具體內容如下：第一，主車（Ego Vehicle）。主車是指在某一處交叉口或路段上具有優先權的車輛。通常根據交通信號、交通規則以及道路標志等交通管理規定進行主車確定。主車享有特定交通流通的優先權，其他車輛需要遵守相應規則并使主車讓行。在車輛換道意圖識別中，主車是指關注的目標車輛，即需要判斷其是否有意進行換道操作的車輛。通過準確識別和分析主車的行為特征以及周圍車輛的狀態，可以更好地理解主車的意圖，為交通管理和其他車輛的決策提供參考依據。第二，周圍車輛（Surrounding Vehicles）。周圍車輛指的是在駕駛者當前位置附近行駛或停放的其他車輛，包括同車道的前方、后方以及相鄰車道上的車輛。在道路交通中，周圍車輛的動態變化和互動會直接影響駕駛者的行駛策略和判斷。例如在變道操作的過程中，駕駛者需要注意觀察同車道和相鄰車道上的車輛，保障換道安全并避免碰撞。通過有效監測和識別周圍車輛的位置、速度、加速度以及其他駕駛行為，可以提高駕駛者對道路交通環境的感知能力，增強駕駛安全性和減少事故風險。第三，目標車輛（Target Vehicle）。目標車輛是指在某個時刻周圍的主車所關注的特定車輛，該車輛可以是主車周圍的任意車輛。在特定情境下，主車可能會將某輛車輛視為目標車輛，并將其作為重點觀察對象和考慮因素。在車輛換道意圖識別中，目標車輛的確定對準確判斷主車的意圖非常重要。通過綜合考慮目標車輛的位置、動態行為以及與主車的交互情況，可以更精確地預測目標車輛是否有意進行換道操作，從而提高駕駛者的安全性和路面交通流暢度。第四，鄰域車輛（Neighboring Vehicles）。鄰域車輛指在某個特定區域附近行駛的其他車輛。這些車輛可能包括與您同一條道路上的車輛、停在附近的車輛或者在您周圍行駛的車輛。鄰域車輛的數量和類型取決于駕駛車輛所處的位置和交通情況。

2 數據處理

2.1 數據預處理

為準確、實時地識別車輛的換道意圖，通常需要在車輛行駛過程中采集包括關鍵特征信息的數據集合，例如車輛速度、車輛與周圍其他車輛的相對關系等。為保證數據的完整性，需要對數據單位進行標準化處理，并根據公式（1）～公式（4）計算車輛橫向速度vx、相對橫向距離Δxi、相對縱向距離Δyi、目標車輛與鄰域車輛相對速度Δvyi。

式中：vi為鄰域車輛的縱向速度；x為目標車輛橫向坐標；y為目標車輛的縱向坐標。

2.2 換道意圖階段標記

為準確識別車輛的換道意圖，需要先對數據集進行標記。由于在數據集中，沒有可以直接表示車輛換道意圖的值，因此在換道意圖階段（如圖1所示），目標車輛用黑色、白色小車表示，鄰域車輛用灰色小車表示，換道意圖階段由曲線AC表示，左換道標記為1，右換道標記為2，車道保持標記為0，以便于后續換道意圖識別工作。

圖1 換道意圖階段標記圖（軌跡序列）

2.3 數據提取

基于上述場景，該文對完成預處理的數據進行特征信息提取。該文僅研究單次換道行為，不考慮多次換道行為。所以要求提取的軌跡片段在換道前15秒和換道后10秒的時間范圍內始終保持在相應的固定車道上[3]。換道點被定義為車輛軌跡與車道線的交點，以確保單次換道行為特征提取工作高質量進行[4]。在實際操作中，輸入以下7種數據：1）目標車輛的橫向速度、縱向速度、縱向加速度。2）鄰域車輛橫向速度、縱向速度。3）目標車輛與鄰域車輛的相對橫向距離、相對縱向距離[5]。4）目標車輛與鄰域車輛的相對縱向速度。5）目標車輛所在的車道。6）大型車輛位于目標車輛的方向（沒有大型車輛為0；有大型車輛，則大型車輛在哪些方向上就標注在哪）。7）目標車輛的換道意圖標簽。

3 換道意圖識別模型

BiLSTM-F（Bi-directional Long Short-Term Memory，雙向長短期記憶）模型通過雙向LSTM（Long Short-Term Memory，長短期記憶）層，能夠同時捕捉序列數據前后的上下文信息，從而更全面地理解序列中的關系和模式。而通過引入注意力機制，模型可以自適應地將注意力集中于對任務具有重要影響的部分，提高了模型對關鍵特征的關注程度[6]，所以該文選擇應用BiLSTM-F模型進行后續的研究，以期取得更好的研究結果。BiLSTM-F模型的輸入序列為公式（5）和公式（6）。

式中：label為車輛意圖階段標記；vx為目標車輛的橫向速度；vy為目標車輛的縱向速度；vacc為目標車輛的縱向加速度；bci為大型車輛位于目標車輛的方向；vix為鄰域車輛橫向速度；laneid為目標車輛所在的車道；vi為鄰域車輛的縱向速度；Δdi為目標車輛與鄰域車輛的相對縱向距離；Δxi為目標車輛與鄰域車輛的相對橫向距離；Δvyi為目標車輛與鄰域車輛的相對縱向速度。

BiLSTM-F模型由前向LSTM、后向LSTM構成，所以在輸入信息后，前向LSTM的神經網絡層與后向的LSTM神經網絡層會進行結合，并呈現當前時刻的隱藏狀態[7]。同時，LSTM中的遺忘門ft決定了上一時刻的細胞狀態ct-1中有多少信息能夠保留到當前時刻的細胞狀態ct；LSTM中的輸入門決定了當前時刻有多少的輸入信息xt可以保留到當前時刻的細胞狀態；LSTM中的輸出門決定當前時刻的細胞狀態中有多少信息能夠輸出到隱藏狀態ht中。LSTM如公式（7）～公式（9）所示。

式中：it是定義輸入門；ft是定義遺忘門；ot是定義輸出門；Wxi、Whi、Wxf、Whf、Wx0、Wh0分別為權重參數；bi、bf、b0分別為偏置參數。

將模型中的各個時刻輸出的數據信息進行權重分配，該文采用加權平均法[8]，計算當前時刻的總權重因子ATt，如公式（10）所示。

式中：ati為歸一化處理后得到的權重；ai為時刻i隱藏層的狀態信息。

結合駕駛人員的換道情況分析發現，其換道意圖有明顯的前后依賴性[9]。該文通過建立車輛行駛軌跡數據集合的方式，計算意圖轉移矩陣，如公式（11）所示。

式中：Ot為輸入序列；yt為軌跡序列標記；Ot、yt均為隨機變量序列。

基于上述分析，引入觀測序列X，建立最優狀態輸出序列Y公式，如公式（12）所示。

根據公式（12）可知，t時刻換道意圖為Yt。

4 試驗與結果分析

4.1 數據集

為驗證模型精準性，該文收集了某公路管理局提供的數據集中101車道軌跡數據進行分析。標簽為0的個數為58475；標簽為1的個數為38990；標簽為2的個數為15325。為保證識別結果分析具有精準性，選取7：55—8：40時段內的數據集進行驗證。

4.2 換道行為識別結果

識別結果如圖2所示。車輛軌跡數據每隔0.1s進行采樣。當距離換道點1.9s時，可以預測目標車輛有向左換道的意圖。

圖2 場景圖

為進一步分析結果，將目標車道換道點提前5s，并應用該時刻的數據進行計算，得到的預測時刻的車輛狀態數據見表1。

由表1分析可知，正后方車輛、右后方車輛的相對速度較慢；右后方車輛與目標車輛的縱向相對距離較勁；在50m后，右后方車輛加速行駛。因為車輛速度相差的數值較小，所以車輛的密度較大，且右后方的車輛正加速行駛，為提升駕駛的安全性，目標車輛的駕駛員出現了左換道意圖。

針對換道選擇行為識別，該文選擇07：55—08：10、08：10—08：25、08：25—08：40 3個時間段的數據集進行計算。為提升計算針對性，選擇07：55—08：10這一時間段的數據集，進行換道選擇情況分析，結果見表2。

表2 7：55—8：10車輛換道選擇

表2結果顯示，該時段共有468輛車進行換道，每個車道上分別有57、93、131、135、53輛車經過一次或多次換道。

車道平均速度結果見表3。

表3 車道平均速度（單位：m/s）

由表3數據分析可知，07:55—08:10時段內，1號車道的平均速度較小，另外4個車道的平均速度較高，通過表2數據分析可知，07：55—08：10時段內，1號車道的平均速度較小，另外，4個車道的平均速度較高，所以結合表2數據計算，預測該時段內車輛換道的概率超過85%。由于08：10—08：25、08：25—08：40兩個時段為車輛高峰期，且車輛的平均速度相近，因此基于駕駛安全性考慮，車輛換道的概率與07：55—08：10時段相比較低。

基于此，該研究對所提出的模型各時間節點車輛左右換道預測精準性進行對比，結果如圖3所示。

圖3 左右換道預測結果

由圖3分析可知，該文提出的模型提前0.5s預測結果精準性為98%；提前2s以上的預測結果精準性為93%以上，精準率較高，具有良好的應用前景與價值。

5 結論

該文提出基于換道意圖識別模型，對高速公路換道駕駛行為進行預測。該模型中，引入BiLSTM、觀測序列。通過真實數據集的計算驗證，結果表明，該文提出的模型能夠有效預測出高速公路車輛換道意圖。尤其是在0.5s內，預測結果精準性為98%；0.5s～3s的預測結果精準性為93%以上。這一結果證明該文所提出的模型具有良好的泛化能力和較高的識別精準率。