基于行車風(fēng)險(xiǎn)場的高速公路交織區(qū)車輛軌跡預(yù)測方法

摘 要：為提高交織區(qū)車輛軌跡預(yù)測精度，該文提出了一種融合行車風(fēng)險(xiǎn)場和車輛換道意圖的車輛軌跡預(yù)測方法。分析交織區(qū)駕駛?cè)笋{駛需求變化，利用行車風(fēng)險(xiǎn)場模型統(tǒng)一表示車輛行駛時(shí)的交互風(fēng)險(xiǎn)；采用隱Markov模型識別車輛換道意圖；通過深度置信網(wǎng)絡(luò)在線學(xué)習(xí)機(jī)（DBN_OSELM）模型對輸入特征進(jìn)行多維度擴(kuò)展和融合，提高交織區(qū)軌跡預(yù)測的準(zhǔn)確率；最后，基于CitySim 數(shù)據(jù)集對所提方法進(jìn)行評估。結(jié)果表明：模型能以較高的準(zhǔn)確率預(yù)測高速公路交織區(qū)的車輛軌跡，交織區(qū)駕駛?cè)?類駕駛需求（匯入、保持、駛出）的車輛軌跡預(yù)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(fù)雜場景下的車輛軌跡預(yù)測精度，改善交織區(qū)的交通安全。

關(guān)鍵詞： 智能交通；駕駛需求；行車風(fēng)險(xiǎn)場；換道意圖；深度置信網(wǎng)絡(luò)在線學(xué)習(xí)機(jī)（DBN_OSELM）模型；軌跡預(yù)測

中圖分類號： U 492.8+4 文獻(xiàn)標(biāo)識碼： A DOI： 10.3969/j.issn.1674-8484.2024.06.017

實(shí)現(xiàn)自動駕駛的一個重要挑戰(zhàn)是在交通場景中準(zhǔn)確地預(yù)測車輛軌跡。然而，當(dāng)前對于復(fù)雜場景下的交通參與者特征建模不夠精確，導(dǎo)致復(fù)雜場景下車輛軌跡預(yù)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(fù)雜、車流密度高以及車道變換頻繁等特點(diǎn)，成為交通流運(yùn)行最復(fù)雜的區(qū)域之一[2]。研究交織區(qū)車輛行駛風(fēng)險(xiǎn)并構(gòu)建車輛軌跡預(yù)測模型，可以改善交織區(qū)的交通安全，有助于提高復(fù)雜場景下車輛的軌跡預(yù)測精度。

交織區(qū)作為重要的道路交通節(jié)點(diǎn)，車流的復(fù)雜性和不確定性導(dǎo)致交織區(qū)行車風(fēng)險(xiǎn)多變，對行車風(fēng)險(xiǎn)的有效評估是進(jìn)行正確駕駛決策的關(guān)鍵。風(fēng)險(xiǎn)場作為衡量風(fēng)險(xiǎn)狀態(tài)的參數(shù)，最早由O. Khatib等[3]提出并應(yīng)用于機(jī)器人路徑規(guī)劃。M. I. Wolf等[4]在此基礎(chǔ)上對不同目標(biāo)建立相應(yīng)的風(fēng)險(xiǎn)場模型，并構(gòu)造相應(yīng)的車輛勢場形狀，建立了勢場與交通行為的映射關(guān)系。王建強(qiáng)等[5]提出基于人-車-路協(xié)同的行車風(fēng)險(xiǎn)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(fēng)險(xiǎn)，證明了用風(fēng)險(xiǎn)場表征行車風(fēng)險(xiǎn)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(jìn)行改進(jìn)，并首次提出以風(fēng)險(xiǎn)場為基礎(chǔ)的跟馳模型。研究表明風(fēng)險(xiǎn)場理論可以描述復(fù)雜交通環(huán)境中各種因素之間的相互關(guān)系，并能夠用統(tǒng)一的框架解釋真實(shí)交通環(huán)境中的各種現(xiàn)象。

在車輛軌跡預(yù)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(jī)器學(xué)習(xí)的經(jīng)典方法、基于深度學(xué)習(xí)的方法和基于強(qiáng)化學(xué)習(xí)的方法[8]。其中基于深度學(xué)習(xí)的軌跡預(yù)測方法由于能從車輛歷史軌跡中學(xué)習(xí)隱含關(guān)系且能夠提取交互信息，成為了當(dāng)前主流的軌跡預(yù)測方法[9]。高鎮(zhèn)海等[10] 為充分表示車輛行為預(yù)測空間，解決預(yù)測的固有不確定性，構(gòu)建了駕駛行為意圖識別及交通車輛預(yù)期軌跡預(yù)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(fù)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(yù)測研究中， MO Xiaoyu 等[11] 改進(jìn)了基于CNN-LSTM 的高速公路車輛軌跡預(yù)測方法，考慮自車周圍的車輛數(shù)量及車輛的動力學(xué)特征進(jìn)而實(shí)現(xiàn)軌跡預(yù)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(shí)考慮其他交通參與者，并采取兩階段預(yù)測的方法實(shí)現(xiàn)交叉口的軌跡預(yù)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(yù)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(jī)制提取車輛空間交互感知與時(shí)間信息，基于長短期記憶（long short-term memory，LSTM） 的編解碼器結(jié)構(gòu)，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(biāo)車輛未來的軌跡。殷子健等[2] 提出一種基于遷移學(xué)習(xí)的交織區(qū)車輛軌跡預(yù)測方法，在交織區(qū)車輛歷史軌跡的基礎(chǔ)上，采用時(shí)間序列滾動預(yù)測法逐幀預(yù)測車輛軌跡。可以看出與高速公路車輛軌跡預(yù)測相比，城市道路交叉口車輛軌跡預(yù)測時(shí)需要考慮的因素更加復(fù)雜，只考慮單一因素的車輛軌跡預(yù)測模型在復(fù)雜交通場景下易造成軌跡預(yù)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(jìn)行軌跡預(yù)測，未考慮駕駛?cè)说鸟{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(fù)雜場景下高速公路交織區(qū)的車輛軌跡預(yù)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(dǎo)致了高速公路交織區(qū)復(fù)雜多變的交通運(yùn)行狀態(tài)，加劇了車輛行駛風(fēng)險(xiǎn)。因此，有必要提高高速公路交織區(qū)車輛軌跡的預(yù)測精度，為改善交織區(qū)的行車安全提供支持。本文從真實(shí)軌跡數(shù)據(jù)出發(fā)，針對高速公路交織區(qū)復(fù)雜場景分析駕駛?cè)说鸟{駛需求變化和駕駛風(fēng)險(xiǎn)，構(gòu)建高速公路交織區(qū)車輛軌跡預(yù)測模型。過程中，利用行車風(fēng)險(xiǎn)場模型統(tǒng)一表示車輛行駛的交互風(fēng)險(xiǎn)，針對車輛運(yùn)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(guān)系；進(jìn)而通過深度置信網(wǎng)絡(luò)在線學(xué)習(xí)機(jī)（deep belief networks online learnouting machine，DBN_OSELM） 模型對輸入特征進(jìn)行多維度擴(kuò)展和融合，進(jìn)一步提高高速公路交織區(qū)軌跡預(yù)測的準(zhǔn)確率；最終基于CitySim 數(shù)據(jù)集對不同模型車輛軌跡預(yù)測結(jié)果進(jìn)行對比驗(yàn)證，甄選適合高速公路交織區(qū)車輛軌跡預(yù)測的最優(yōu)模型。