楊建坤，熊 堅(jiān)，徐東霞

(1.昆明學(xué)院 機(jī)電工程學(xué)院，云南 昆明 650214；2. 昆明理工大學(xué) 交通工程學(xué)院，云南 昆明 650500)

換道行為是影響車(chē)輛安全行進(jìn)的因素之一[1]。相關(guān)研究表明，駕駛員變換車(chē)道會(huì)增加交通沖突點(diǎn)產(chǎn)生的概率，甚至引發(fā)不同程度的交通事故[2-4]。如果在換道行為初始階段能夠?qū)⑵渥R(shí)別，并結(jié)合換道車(chē)輛周?chē)h(huán)境，判斷繼續(xù)執(zhí)行換道行為是否存在事故風(fēng)險(xiǎn)，有風(fēng)險(xiǎn)則進(jìn)行相應(yīng)避險(xiǎn)操作，從而使得因換道而產(chǎn)生的事故概率降低。

特征參數(shù)是換道行為識(shí)別模型能否可靠運(yùn)行的關(guān)鍵因素。早期的研究主要用轉(zhuǎn)向燈[5-6]開(kāi)啟情況識(shí)別換道意圖，但王暢[7]對(duì)大量實(shí)際道路試驗(yàn)數(shù)據(jù)樣本分析表明，駕駛?cè)嗽趽Q道過(guò)程中轉(zhuǎn)向燈的總開(kāi)啟率僅為 69.18%，其中部分駕駛?cè)宿D(zhuǎn)向燈開(kāi)啟率不足 20%。這一研究結(jié)果意味著僅用轉(zhuǎn)向燈開(kāi)啟情況識(shí)別換道行為會(huì)產(chǎn)生誤判。圖像識(shí)別技術(shù)的發(fā)展，讓基于車(chē)道線(xiàn)的識(shí)別成了汽車(chē)換道預(yù)警的主流方法。但此方法在道路標(biāo)志不清晰或惡劣天氣情況下，系統(tǒng)可靠性會(huì)降低?，F(xiàn)階段，越來(lái)越多的研究者將車(chē)輛駕駛操縱數(shù)據(jù)和運(yùn)行數(shù)據(jù)作為特征參數(shù)來(lái)建立識(shí)別模型，并取得了一定進(jìn)展。KUGE N[8]為這一方向的發(fā)展奠定了基礎(chǔ)，他將方向盤(pán)轉(zhuǎn)角、方向盤(pán)轉(zhuǎn)向力矩以及方向盤(pán)轉(zhuǎn)向角速度3個(gè)特征參數(shù)作為識(shí)別對(duì)象，對(duì)避險(xiǎn)換道行為、正常換道行為和車(chē)道保持行駛3種不同行為意圖進(jìn)行了識(shí)別分類(lèi)。MAR J, LIN H T[9]的研究表明，81.3%的駕駛?cè)嗽趽Q道行為過(guò)程中會(huì)有加速或減速行為，尤其在起始階段。DOGAN U[10]采集了方向盤(pán)轉(zhuǎn)角、橫向加速度、相對(duì)車(chē)道偏移量、自車(chē)與前車(chē)的相對(duì)速度距離5個(gè)參數(shù)作為識(shí)別模型的系統(tǒng)輸入。結(jié)果顯示，伴隨輸入的特征參數(shù)種類(lèi)不斷增加，模型識(shí)別效果會(huì)越來(lái)越好。

與此同時(shí)，分類(lèi)算法的選用也是影響模型分類(lèi)效果的關(guān)鍵。支持向量機(jī)(support vector machines，簡(jiǎn)稱(chēng)SVM)是目前用來(lái)研究車(chē)輛換道行為識(shí)別的“新寵”。DOGAN U[10]開(kāi)展的試驗(yàn)分別運(yùn)用前饋神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)和SVM進(jìn)行駕駛員換道意圖識(shí)別，結(jié)果顯示SVM的識(shí)別效果最佳。熊曉夏等[11]以在環(huán)仿真技術(shù)下的車(chē)輛運(yùn)動(dòng)數(shù)據(jù)為樣本輸入，并分別用隱馬爾可夫模型預(yù)測(cè)算法和SVM預(yù)測(cè)算法對(duì)危險(xiǎn)和正常兩種換道進(jìn)行識(shí)別分類(lèi)。結(jié)果表明，在樣本數(shù)據(jù)有限時(shí)，SVM的預(yù)測(cè)效果更好。倪捷[12]通過(guò)換道影響的k-means聚類(lèi)分析結(jié)果將換道數(shù)據(jù)分為危險(xiǎn)、安全、舒適等3類(lèi)，以自車(chē)速度、速度差、車(chē)間距、縱向加速度為特征參數(shù)，運(yùn)用SVM建立分類(lèi)模型，模型對(duì)危險(xiǎn)換道行為的預(yù)測(cè)準(zhǔn)確率達(dá)91.1%。

綜上分析可知，為提高模型的分類(lèi)準(zhǔn)確率，首先，對(duì)特征參數(shù)的選取越來(lái)越集中于車(chē)輛操縱和運(yùn)行數(shù)據(jù)方面，并呈現(xiàn)出特征參數(shù)選取個(gè)數(shù)由少到多的發(fā)展趨勢(shì)；其次，SVM在車(chē)輛換道行為識(shí)別研究等方面效果良好且呈現(xiàn)出不斷增長(zhǎng)的應(yīng)用趨勢(shì)，尤其在小樣本分類(lèi)識(shí)別中正在成為主流方法；最后，對(duì)換道行為識(shí)別的研究從之前的判斷換道與否，逐漸深入到了判斷換道風(fēng)險(xiǎn)程度如何?；诖?，本文試圖運(yùn)用駕駛模擬試驗(yàn)來(lái)采集更多的車(chē)輛操縱和運(yùn)行狀態(tài)方面的特征參數(shù)，并通過(guò)數(shù)據(jù)降維方法來(lái)選取其中最優(yōu)的特征參數(shù)作為SVM算法的識(shí)別對(duì)象，從而對(duì)安全性換道和風(fēng)險(xiǎn)性換道進(jìn)行識(shí)別分類(lèi)，以期拓寬這一領(lǐng)域的研究?jī)?nèi)容及深度。

1 理論分析

1.1 安全換道

假設(shè)以下描述的換道過(guò)程屬安全性換道：首先，車(chē)輛跟馳行駛過(guò)程中駕駛?cè)水a(chǎn)生換道意圖；其次，駕駛員結(jié)合周?chē)h(huán)境對(duì)換道條件做綜合判斷；最后，滿(mǎn)足換道條件則執(zhí)行換道操作至目標(biāo)車(chē)道,并在目標(biāo)車(chē)道上微調(diào)至平穩(wěn)向前行駛。整個(gè)換道操作過(guò)程平穩(wěn)順暢，時(shí)空充足，相對(duì)安全。

1.2 風(fēng)險(xiǎn)換道

假設(shè)以下描述的換道行為屬風(fēng)險(xiǎn)性換道：車(chē)輛在跟馳過(guò)程中，自車(chē)的行駛速度高于前車(chē)，兩車(chē)間距離在不斷縮短，起初自車(chē)沒(méi)有明顯的換道意圖或跡象，比如：減速行駛、開(kāi)啟轉(zhuǎn)向燈、轉(zhuǎn)動(dòng)方向盤(pán)等，保持快速行駛一段距離后，突然執(zhí)行換道操作。這一過(guò)程中駕駛?cè)说沫h(huán)境感知及決策時(shí)間極短，轉(zhuǎn)向過(guò)猛，存在較高的事故風(fēng)險(xiǎn)。

1.3 SVM介紹

SVM是一種監(jiān)督式分類(lèi)機(jī)器學(xué)習(xí)算法，在解決小樣本、非線(xiàn)性和高維的機(jī)器學(xué)習(xí)問(wèn)題中優(yōu)勢(shì)明顯。

圖1 最優(yōu)分類(lèi)面Fig.1 Optimal classification surface

其基本思想可用圖1表示：圖中叉形和圓形分別代表兩類(lèi)不同的樣本(比如安全換道樣本、風(fēng)險(xiǎn)換道樣本)；中間的實(shí)線(xiàn)為區(qū)分兩類(lèi)樣本之間的最優(yōu)分類(lèi)面；外側(cè)兩條虛線(xiàn)之間的距離叫做分類(lèi)間隔；虛線(xiàn)上的點(diǎn)就是支持向量點(diǎn)。

線(xiàn)性可分情況下，假定給出一個(gè)樣本集：

(xi,yi),i=1，2，…,m,x∈Rn,y∈{+1,-1}。

其中，m為樣本個(gè)數(shù)，Rn表示n維實(shí)數(shù)空間，x為特征參數(shù)(車(chē)輛操縱及運(yùn)行數(shù)據(jù))，y為樣本類(lèi)別(安全換道、風(fēng)險(xiǎn)換道)。

滿(mǎn)足：

yi[(ωTxi)+b]-1≥0。

(1)

(2)

為求得公式(2)的最小值，定義如下拉格朗日函數(shù)：

(3)

其中，αi≥0為各樣本對(duì)應(yīng)的拉格朗日乘子。

令泛函等于0并對(duì)ω、b求偏導(dǎo)，得到相應(yīng)的對(duì)偶函數(shù)為：

(4)

由公式(4)可求得拉格朗日乘子αi。

SVM非線(xiàn)性分類(lèi)的原理和線(xiàn)性分類(lèi)一樣。對(duì)于非線(xiàn)性問(wèn)題，支持向量機(jī)的優(yōu)勢(shì)在于可以將低維空間的訓(xùn)練樣本通過(guò)核函數(shù)K(xi,xj)映射到高維特征空間中求線(xiàn)性分類(lèi)面，則最優(yōu)分類(lèi)面的目標(biāo)函數(shù)為：

(5)

由于高斯核函數(shù)的映射能力較強(qiáng)，所以選取它為核函數(shù)，則：

(6)

一般認(rèn)為車(chē)輛換道行為表征參數(shù)與換道類(lèi)別之間存在非線(xiàn)性關(guān)系，所以最終用如式(7)所示的決策函數(shù)來(lái)對(duì)不同的車(chē)輛換道行為類(lèi)別予以區(qū)分：

(7)

2 試驗(yàn)方案簡(jiǎn)介

試驗(yàn)采用昆明理工大學(xué)交通工程學(xué)院自主研發(fā)的駕駛模擬系統(tǒng)[13]為仿真平臺(tái)。將試驗(yàn)虛擬道路場(chǎng)景設(shè)為雙向兩車(chē)道，設(shè)計(jì)車(chē)速為80 km/h,前車(chē)均設(shè)置為60 km/h，模擬駕駛安全換道時(shí)受試者行車(chē)速度與前車(chē)接近，模擬駕駛風(fēng)險(xiǎn)換道時(shí)受試者行車(chē)速度接近70 km/h。駕駛模擬操作場(chǎng)景如圖2所示。

圖2 模擬駕駛場(chǎng)景Fig.2 Simulated driving scenario

選取已取得合法駕駛證照且駕齡在2年以上的10名受試者，其中男性6名、女性4名，年齡在25～35歲之間。駕駛試驗(yàn)前有5 min的試駕時(shí)間以適應(yīng)虛擬駕駛環(huán)境和操作,正式試驗(yàn)過(guò)程中工作人員不做任何提醒。

模擬系統(tǒng)以50 ms為間隔，實(shí)時(shí)動(dòng)態(tài)生成模擬駕駛操縱及運(yùn)行數(shù)據(jù)，試驗(yàn)采集了10個(gè)參數(shù)，作為特征參數(shù)的提取范圍。它們分別是：方向盤(pán)轉(zhuǎn)角(W)、油門(mén)踏板開(kāi)度(G)、橫向速度(Vx)、橫向加速度(Ax)、縱向速度(Vy)、縱向加速度(Ay)、橫擺角(Y)、橫擺角速度(Yv)、側(cè)傾角(Z)、縱傾角速度(Pv)。

3 時(shí)間窗和特征參數(shù)確定

時(shí)間窗過(guò)短，則其包含特征信息不足；時(shí)間窗過(guò)長(zhǎng)，其所包含弱相關(guān)信息過(guò)多。模型的識(shí)別率和實(shí)時(shí)性均得到滿(mǎn)足的時(shí)間窗性能較好。

3.1 時(shí)間窗范圍界定

圖3和圖4分別是由安全換道、風(fēng)險(xiǎn)換道模擬試驗(yàn)采集的方向盤(pán)轉(zhuǎn)角擬合情況。

從中可以看出，風(fēng)險(xiǎn)性換道較安全性換道行為過(guò)程，所用時(shí)間較短，安全換道時(shí)間為3 s左右，風(fēng)險(xiǎn)換道時(shí)間為2 s左右；它們對(duì)應(yīng)的方向盤(pán)轉(zhuǎn)角的變化幅度也有較大區(qū)別，安全換道的方向盤(pán)轉(zhuǎn)角幅度在[-20，+25]，而風(fēng)險(xiǎn)換道的方向盤(pán)轉(zhuǎn)角幅度卻在[-80，+80]。

時(shí)間窗范圍的設(shè)定應(yīng)該接近換道操作及執(zhí)行所需時(shí)間?？紤]到換道預(yù)警系統(tǒng)的設(shè)計(jì)需要給駕駛員預(yù)留出一定的反應(yīng)操作時(shí)間，時(shí)間窗的起止時(shí)間應(yīng)比換道起止時(shí)間適當(dāng)提前。

圖3 安全換道數(shù)據(jù)擬合Fig.3 Data fitting of safety lane-changing

圖4 風(fēng)險(xiǎn)換道數(shù)據(jù)擬合Fig.4 Data fitting of risky lane-changing

另外，因個(gè)人差異，換道起止時(shí)刻存在一定程度的隨機(jī)分布特性。綜合這些原因，本文將換道行為起點(diǎn)設(shè)置為時(shí)間窗的中心點(diǎn)，并以該點(diǎn)向前向后各取3個(gè)相同時(shí)間段(0.5 s、1 s、1.5 s)形成3個(gè)時(shí)間窗(1 s、2 s、3 s)，后續(xù)將對(duì)比分析，確定其中一個(gè)作為模型的時(shí)間窗。

將原始模擬數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，并從中分別截取3個(gè)不同時(shí)間窗下的車(chē)道保持、安全換道、風(fēng)險(xiǎn)換道3類(lèi)樣本數(shù)據(jù)，其標(biāo)簽分別定義為0、1和-1。

3.2 確定時(shí)間窗

在MATLAB環(huán)境中，運(yùn)用LibSVM 工具箱建立換道分類(lèi)模型，SVM算法模塊已內(nèi)嵌在了LibSVM 工具箱中，由于LibSVM工具箱自帶的多分類(lèi)器采用“車(chē)道保持、安全換道，車(chē)道保持、風(fēng)險(xiǎn)換道，安全換道、風(fēng)險(xiǎn)換道”一對(duì)一的分類(lèi)策略，所以訓(xùn)練樣本輸入后得到車(chē)道保持、安全換道、風(fēng)險(xiǎn)換道3個(gè)訓(xùn)練模型。再把測(cè)試樣本輸入經(jīng)訓(xùn)練后的模型，得到模型對(duì)測(cè)試樣本的分類(lèi)情況。測(cè)試樣本的定義標(biāo)簽與模型分類(lèi)結(jié)果相同的數(shù)量越多，則模型的分類(lèi)準(zhǔn)確率越高。

分別用3個(gè)時(shí)間窗訓(xùn)練樣本數(shù)據(jù)輸入系統(tǒng)后得到訓(xùn)練模型，隨后將對(duì)應(yīng)的測(cè)試樣本輸入訓(xùn)練模型，其預(yù)測(cè)結(jié)果如表1所示。由表可知，2 s、3 s時(shí)對(duì)應(yīng)的分類(lèi)準(zhǔn)確率分別為96.8%、97.8%，大小很接近，但不難看出，時(shí)間窗1～2 s間的分類(lèi)準(zhǔn)確率增幅遠(yuǎn)大于2～3 s間的分類(lèi)準(zhǔn)確率增幅。由于后者犧牲了1 s時(shí)間，但分類(lèi)準(zhǔn)確率的提高卻非常微小，故最終確定2 s為最優(yōu)時(shí)間窗。

表1 模型分類(lèi)準(zhǔn)確率Tab.1 Model classification accuracy

3.3 確定特征參數(shù)

特征參數(shù)是表征車(chē)輛不同換道行為的關(guān)鍵，其種類(lèi)太少則涵蓋的換道信息太少，太多則有效的換道信息容易被淹沒(méi)。使用逐步回歸分析對(duì)2 s時(shí)間窗下的樣本數(shù)據(jù)進(jìn)行降維處理，從10個(gè)運(yùn)行參數(shù)中，提取對(duì)識(shí)別模型貢獻(xiàn)度較大的參數(shù)作為特征參數(shù)。

先用因變量對(duì)每一個(gè)預(yù)測(cè)變量做回歸，然后以對(duì)因變量貢獻(xiàn)最大的預(yù)測(cè)變量所對(duì)應(yīng)的回歸方程為基礎(chǔ)，再逐步引入其余預(yù)測(cè)變量，使最后保留在模型中的預(yù)測(cè)變量既是重要的，又沒(méi)有多重共線(xiàn)性。用SPSS軟件進(jìn)行統(tǒng)計(jì)分析，得降維后的特征參數(shù)回歸系數(shù)如表2所示，統(tǒng)計(jì)角度認(rèn)為P值小于0.05，則預(yù)測(cè)變量對(duì)因變量有顯著影響，故取了縱向加速度(Ay)、橫向加速度(Ax)、橫向速度(Vx)、縱傾角速度(Pv)、橫擺角(Y)、橫擺角速度(Yv)6個(gè)特征參數(shù)。

表2 回歸系數(shù)Tab.2 Regression coefficient

4 模型預(yù)測(cè)結(jié)果

確定了時(shí)間窗和特征參數(shù)后，將94個(gè)測(cè)試樣本輸入分類(lèi)模型進(jìn)行預(yù)測(cè)，模型預(yù)測(cè)結(jié)果如表3所示。

表3 模型分類(lèi)預(yù)測(cè)結(jié)果Tab.3 Results of model prediction

模型在94個(gè)測(cè)試樣本中，準(zhǔn)確識(shí)別出87個(gè)，整體分類(lèi)準(zhǔn)確率達(dá)92.51%。其中，在31個(gè)風(fēng)險(xiǎn)性換道行為預(yù)測(cè)樣本中識(shí)別出29個(gè)，分類(lèi)準(zhǔn)確率達(dá)93.56%；在32個(gè)安全性換道行為預(yù)測(cè)樣本中識(shí)別出31個(gè)，分類(lèi)準(zhǔn)確率達(dá)96.88%；在31個(gè)車(chē)道保持預(yù)測(cè)樣本中識(shí)別出27個(gè)，分類(lèi)準(zhǔn)確率達(dá)87.09%。該模型能較精確地識(shí)別出不同類(lèi)型的車(chē)輛換道行為，能較好地判斷出動(dòng)作猛烈迅速的風(fēng)險(xiǎn)性換道行為。

5 結(jié)束語(yǔ)

時(shí)間窗大小和特征參數(shù)選取對(duì)分類(lèi)模型的識(shí)別效果有影響?；隈{駛模擬操縱及運(yùn)行數(shù)據(jù)，界定了時(shí)間窗范圍，并確定了2 s為模型時(shí)間窗；擴(kuò)大了特征參數(shù)選取范圍，并用數(shù)據(jù)降維法確定了其中6個(gè)特征參數(shù)；最終得到分類(lèi)模型的分類(lèi)準(zhǔn)確率達(dá)92.51%，能有效區(qū)分車(chē)道保持、安全性換道和風(fēng)險(xiǎn)性換道，達(dá)到預(yù)期目的。

然而，本文對(duì)換道行為作分析時(shí)對(duì)安全性換道和風(fēng)險(xiǎn)性換道還停留在描述性的區(qū)分層次，區(qū)分界限較為模糊。今后可考慮用量化模型或機(jī)器學(xué)習(xí)的聚類(lèi)方法更精準(zhǔn)地區(qū)分兩者，為換道行為風(fēng)險(xiǎn)識(shí)別模型的完善奠定基礎(chǔ)。另外，SVM算法自帶的可調(diào)參數(shù)也可能對(duì)模型識(shí)別效果存在影響，后續(xù)工作可嘗試用不同尋優(yōu)算法對(duì)其進(jìn)行優(yōu)化。