何友國(guó)，龔 星，袁朝春

（江蘇大學(xué)汽車工程研究院，江蘇 鎮(zhèn)江 212013）

1 引言

隨著交通安全問(wèn)題的日益嚴(yán)重，ADAS被認(rèn)為是最有效的駕駛風(fēng)險(xiǎn)解決方案，ADAS的重要組成部分是行駛環(huán)境的感知和理解。因此，基于運(yùn)動(dòng)信息識(shí)別交通場(chǎng)景中其他交通參與者的機(jī)動(dòng)行為已經(jīng)成為國(guó)內(nèi)外學(xué)者的重要研究課題。

駕駛行為的識(shí)別主要是基于駕駛員的駕駛動(dòng)作和車輛運(yùn)動(dòng)參數(shù)等信息來(lái)識(shí)別出駕駛員的駕駛意圖和駕駛行為。文獻(xiàn)[1]將駕駛員眼睛的移動(dòng)數(shù)據(jù)作為識(shí)別分類器的特征參數(shù)，基于SVM識(shí)別駕駛員的駕駛行為。文獻(xiàn)[2]采用駕駛員車道變換意圖表征參數(shù)與車輛運(yùn)動(dòng)狀態(tài)參數(shù)相結(jié)合的方法，識(shí)別自車的換道意圖。文獻(xiàn)[3]提出了一種將HMM與模糊邏輯相結(jié)合的駕駛行為預(yù)測(cè)的方法，該算法通過(guò)觀測(cè)序列可有效地計(jì)算出駕駛員最可能的駕駛行為。文獻(xiàn)[4]分析了車道保持、超車制動(dòng)和變道等駕駛行為時(shí)的駕駛員視覺(jué)特征參數(shù)的變化規(guī)律，選取典型視覺(jué)特性特征參數(shù)并建立HMM來(lái)預(yù)測(cè)駕駛員的行為與意圖。文獻(xiàn)[5]以方向盤轉(zhuǎn)角、方向盤轉(zhuǎn)角速度和橫向加速度作為HMM的最佳觀測(cè)信號(hào)，基于HMM建立駕駛員換道意圖識(shí)別模型，還重點(diǎn)對(duì)比了不同特征參數(shù)組合的識(shí)別效果。

目前，國(guó)內(nèi)外學(xué)者在車輛駕駛行為的識(shí)別和預(yù)測(cè)領(lǐng)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(duì)自身車輛駕駛員駕駛行為的識(shí)別和預(yù)測(cè)。然而，交通場(chǎng)景是一個(gè)極其復(fù)雜的系統(tǒng)，具有多個(gè)參與者的動(dòng)態(tài)變化和相互作用，前方車輛的駕駛行為會(huì)嚴(yán)重影響到自車的安全性和舒適性。因此，持續(xù)的監(jiān)控和理解前方車輛的駕駛行為，對(duì)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(jī)變化對(duì)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(shí)別方法，包括特征參數(shù)的選擇、數(shù)據(jù)的預(yù)處理、駕駛行為模型的設(shè)計(jì)與訓(xùn)練以及測(cè)試驗(yàn)證。

2 特征參數(shù)的選擇與預(yù)處理

駕駛員操縱車輛變換車道通常是為了改善行駛環(huán)境或節(jié)省駕駛時(shí)間。變道行為可以看作是駕駛員操縱車輛有意識(shí)地橫向運(yùn)動(dòng)，使車輛從一條車道移動(dòng)到另一條車道。車輛変換車道的過(guò)程可分為換道準(zhǔn)備、換道開始、換道持續(xù)和換道結(jié)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(guò)加速或減速來(lái)調(diào)整車輛的縱向位置以確保在變換車道過(guò)程中能夠舒適地變換到目標(biāo)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(biāo)志著車道變換階段的開始，當(dāng)車輛接近目標(biāo)車道中間時(shí)會(huì)發(fā)生橫向減速，車輛橫向速度降為零時(shí)標(biāo)志著車道變換階段的結(jié)束。在車道變換結(jié)束階段，駕駛員將微調(diào)其橫向位置，以確保車輛位于目標(biāo)車道的中心，并根據(jù)所在車道前后方車輛調(diào)整其縱向速度。

為了降低駕駛行為識(shí)別過(guò)程的計(jì)算復(fù)雜度，應(yīng)該選取盡可能少的特征參數(shù)，但是為了保證能夠準(zhǔn)確地識(shí)別出前方車輛的駕駛行為，所選取的特征參數(shù)必須能夠有效地表征出前方車輛駕駛行為的特點(diǎn)。當(dāng)前方車輛保持車道直行或向左、右側(cè)車道換道時(shí)，其縱向速度、0.5s內(nèi)的橫向位移和橫向速度將會(huì)相應(yīng)地發(fā)生變化，并且這三個(gè)特征參數(shù)是可測(cè)量信號(hào)。因此，將前方車輛的縱向速度、0.5s內(nèi)的橫向位移和橫向速度作為識(shí)別前車駕駛行為的特征參數(shù)。

HMM的參數(shù)訓(xùn)練需要大量的數(shù)據(jù)，在研究中，主要利用駕駛模擬器模擬高速公路場(chǎng)景中自身車輛和前方車輛的行駛狀態(tài)。駕駛行為的識(shí)別不是一種瞬時(shí)狀態(tài)的識(shí)別，而是一種連續(xù)的車輛行駛狀態(tài)的識(shí)別，在每秒內(nèi)對(duì)前方車輛的行駛狀態(tài)參數(shù)進(jìn)行10次數(shù)據(jù)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(shù)的觀測(cè)序列。最終共記錄了640組前車的行駛狀態(tài)參數(shù)，將樣本分為兩部分：一部分作為模型訓(xùn)練樣本，分析前車三種駕駛行為相應(yīng)特征參數(shù)的變化規(guī)律以及訓(xùn)練前車三種駕駛行為的識(shí)別模型。另一部分作為模型測(cè)試樣本，測(cè)試所建立的識(shí)別模型的識(shí)別準(zhǔn)確率。

由于采集的原始數(shù)據(jù)都會(huì)存在一定的噪聲，在模型進(jìn)行訓(xùn)練之前對(duì)原始觀測(cè)數(shù)據(jù)進(jìn)行濾波處理，保證所獲得的觀測(cè)序列的可用性以及提高模型的識(shí)別準(zhǔn)確率，采用線性均值濾波的方法對(duì)觀測(cè)序列進(jìn)行式（1）的平滑去噪處理：

式中：ad j—濾波鄰域，將ad j的值設(shè)置為2。

借助MATLAB平臺(tái)對(duì)原始觀測(cè)數(shù)據(jù)進(jìn)行線性均值濾波處理。特征參數(shù)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(guò)程中，駕駛員的操作行為可以概括為以下過(guò)程：在每個(gè)時(shí)間點(diǎn)，駕駛員根據(jù)當(dāng)前的行駛環(huán)境信息選擇一個(gè)決策選項(xiàng)。經(jīng)過(guò)選擇和執(zhí)行該決策，駕駛員-車輛系統(tǒng)將產(chǎn)生與決策相關(guān)的新狀態(tài)，該新狀態(tài)將會(huì)影響到下一個(gè)決策時(shí)刻。在新狀態(tài)下，駕駛員在新決策時(shí)刻根據(jù)新行駛環(huán)境信息做出新的決策。這一過(guò)程將持續(xù)進(jìn)行，每個(gè)決策都根據(jù)上一決策產(chǎn)生的新狀態(tài)，并且都將對(duì)下一個(gè)決策時(shí)刻產(chǎn)生影響。因此，可以將這樣一個(gè)決策過(guò)程描述為馬爾科夫過(guò)程。

在研究中，提出了一種利用HMM識(shí)別前車駕駛行為的方法。就車輛車道變換的時(shí)間序列而言，在不同狀態(tài)之間有一定的切換概率。通過(guò)對(duì)特征參數(shù)的分析和學(xué)習(xí)，隱馬爾科夫模型可以深入挖掘不同狀態(tài)之間的切換原理，從而可以實(shí)現(xiàn)對(duì)前方車輛駕駛行為的識(shí)別。采用縱向速度、0.5s內(nèi)橫向位移和橫向速度為特征參數(shù)，基于HMM對(duì)前方車輛的駕駛行為進(jìn)行識(shí)別，因此，前方車輛的每一個(gè)駕駛行為就由一個(gè)獨(dú)立的HMM描述。

3.1 HMM的基本理論

HMM是建立時(shí)間序列統(tǒng)計(jì)現(xiàn)象模型的有力工具，已經(jīng)成功地應(yīng)用在語(yǔ)音識(shí)別[6]、生物學(xué)科技[7]和人類行為識(shí)別[8]等領(lǐng)域。HMM包括隱藏過(guò)程和可觀測(cè)過(guò)程，隱藏狀態(tài)序列不可觀測(cè)，狀態(tài)間的轉(zhuǎn)換由狀態(tài)轉(zhuǎn)移概率分布描述，每個(gè)隱藏狀態(tài)會(huì)生成相應(yīng)的可觀測(cè)值，形成可觀測(cè)序列?？捎^測(cè)事件和隱藏狀態(tài)的設(shè)計(jì)不是一對(duì)一的，而是通過(guò)一個(gè)隨機(jī)的過(guò)程來(lái)感知存在的狀態(tài)及其特征。應(yīng)用于駕駛行為識(shí)別模型的HMM結(jié)構(gòu)圖，如圖4所示。

圖4 HMM結(jié)構(gòu)圖Fig.4 HMM Structural Diagram

HMM的由以下元素構(gòu)成[9]：

S={S1，S2，…S N}是隱藏狀態(tài)，N是隱藏狀態(tài)的數(shù)量。

V={V1，V2，…V M}是可觀測(cè)值，M是可觀測(cè)值的數(shù)量。

O={O1，O2，…O T}是可觀測(cè)序列，T是可觀測(cè)序列的長(zhǎng)度。

π={π1，π2，…πN}是初始狀態(tài)概率分布向量，滿足式（2）。

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

式中：aij—馬爾科夫鏈隱藏狀態(tài)從S i進(jìn)入Sj的概率。

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

式中：bik—隱藏狀態(tài)為Si時(shí)觀測(cè)值為vk的概率。

因此，HMM可以表示為等式：λ=（N，M，π，A，B）。

在對(duì)前方車輛駕駛行為的識(shí)別中，可觀測(cè)信號(hào)是高維連續(xù)信號(hào)，因此，將采用連續(xù)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(cè)信號(hào)的概率分布。

混合高斯模型由多個(gè)單高斯模型組成，并且混合高斯模型是一種連續(xù)分布模型，當(dāng)單個(gè)高斯模型的數(shù)目足夠大時(shí)，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(gè)單高斯函數(shù)的混合系數(shù)；ui m—第m個(gè)單高斯函數(shù)的均值矩陣；Uim—第m個(gè)單高斯函數(shù)的協(xié)方差矩陣。

HMM有不同的結(jié)構(gòu)類型，駕駛行為是一個(gè)連續(xù)的過(guò)程，當(dāng)前狀態(tài)僅取決于前一個(gè)狀態(tài)，基于駕駛行為的這種特點(diǎn)，HMM選用各態(tài)遍歷拓?fù)浣Y(jié)構(gòu)。

3.2 HMM的訓(xùn)練

一個(gè)統(tǒng)計(jì)模型在被用作模式識(shí)別之前，必須用帶標(biāo)簽的樣本數(shù)據(jù)進(jìn)行訓(xùn)練。為使HMM具有識(shí)別車輛駕駛行為的功能，采用Baum-Welch算法對(duì)HMM參數(shù)訓(xùn)練的過(guò)程如下：首先，提取典型的駕駛行為觀測(cè)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(jù)給定的觀測(cè)序列集以及HMM初始模型λinit=（N，M，π，A，B），由Baum-Welch算法公式計(jì)算得到模型新參數(shù)，通過(guò)重估過(guò)程逐步優(yōu)化HMM參數(shù)。

在帶有標(biāo)簽的觀測(cè)序列樣本集輸入Baum-Welch重估公式之前，模型參數(shù)的含義應(yīng)與實(shí)際意義相一致。每個(gè)模型都需要設(shè)置隱藏狀態(tài)的數(shù)目N，將三個(gè)模型的隱藏狀態(tài)數(shù)設(shè)置為N=3。以前方車輛的縱向速度、0.5s內(nèi)橫向位移和橫向速度作為最佳可觀測(cè)信號(hào)對(duì)前方車輛的駕駛行為進(jìn)行識(shí)別，且高斯混合數(shù)目需要大于或者等于隱藏狀態(tài)數(shù)目，因此設(shè)置M=3。

參數(shù)π和A的初始化對(duì)訓(xùn)練結(jié)果的影響并不大，它們可以隨機(jī)設(shè)置，也可以均勻設(shè)置。從任何狀態(tài)開始的可能性是相同的，并且隱藏狀態(tài)可以以同樣的概率轉(zhuǎn)移到任何狀態(tài)。因此，π和A可初始化成式（6）和式（7）。C，u和U的初始值對(duì)HMM的訓(xùn)練結(jié)果有很大影響，采用自動(dòng)聚類算法對(duì)C，u和U進(jìn)行初始化。

通過(guò)MATLAB平臺(tái)導(dǎo)入HMM工具箱，根據(jù)研究借助HMM工具箱編寫相應(yīng)的模型訓(xùn)練程序，為前方車輛三種駕駛行為建立獨(dú)立的HMM。

3.3 前方車輛駕駛行為的識(shí)別

基于Baum-Welch算法已經(jīng)得到前方車輛三種駕駛行為模式的HMM?；赩iterbi算法計(jì)算可觀測(cè)參數(shù)序列的似然概率值，從而可以識(shí)別出前方車輛的駕駛行為。其識(shí)別過(guò)程如下：首先，提取待識(shí)別駕駛行為的可觀測(cè)參數(shù)序列；然后，利用Viterbi算法計(jì)算可觀測(cè)參數(shù)序列的對(duì)數(shù)似然概率P（O∕λ），對(duì)數(shù)似然概率值的范圍應(yīng)為（-∞，0）；最后，由于對(duì)數(shù)似然概率值反映了待識(shí)別駕駛行為與HMM之間的相似性，即對(duì)數(shù)似然概率值越接近零，符合當(dāng)前HMM的概率越大。具有最大對(duì)數(shù)似然概率值的HMM即為前方車輛的駕駛行為。

HMM參數(shù)訓(xùn)練后剩下的一半數(shù)據(jù)用于駕駛行為模型的識(shí)別測(cè)試。已建立的車道保持、向左車道變換和向右車道變換識(shí)別HMM中某些測(cè)試樣本的對(duì)數(shù)似然概率值，如表1所示。

表1 駕駛行為識(shí)別模型的對(duì)數(shù)似然概率值Tab.1 Log-likelihood Probability of Driving Behavior Recognition Model

從表1中可以看出，對(duì)于樣本1而言，在相應(yīng)的時(shí)間窗口中，車道保持模型的對(duì)數(shù)似然概率為-37.1442，遠(yuǎn)高于向左換道模型和向右換道模型的對(duì)數(shù)似然概率值。因此，樣本1駕駛行為的識(shí)別結(jié)果是車道保持。根據(jù)上述方法，對(duì)剩余5組駕駛行為進(jìn)行識(shí)別，識(shí)別結(jié)果用表1中的灰色底標(biāo)記。

選擇識(shí)別的準(zhǔn)確率來(lái)分析所建立的駕駛行為識(shí)別模型的效果。HMM的識(shí)別準(zhǔn)確率是指正確樣本數(shù)與樣本總數(shù)的比值。使用2.0s的時(shí)間窗口進(jìn)行連續(xù)識(shí)別，每次時(shí)間窗口向后移動(dòng)的時(shí)間間隔設(shè)置為1s。由此，這里得到的每個(gè)可觀測(cè)序列的長(zhǎng)度值為20，觀測(cè)序列中的每個(gè)時(shí)間點(diǎn)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(shù)值。其識(shí)別準(zhǔn)確率，如表2所示。

表2 駕駛行為的識(shí)別準(zhǔn)確率Tab.2 Recognition Accuracy of Driving Behavior

時(shí)間窗口的大小是影響識(shí)別準(zhǔn)確率的重要因素，文章研究時(shí)間窗口的大小對(duì)識(shí)別準(zhǔn)確率的影響。根據(jù)車載GPS定位數(shù)據(jù)獲取的車輛換道行為參數(shù)分析得到，高速公路換道行為的平均時(shí)長(zhǎng)為3.15s[10]。這里分別以1.0s、2.0s、3.0s和4.0s作為識(shí)別時(shí)間窗口，模型的識(shí)別準(zhǔn)確率，如圖5所示。由圖5可知，當(dāng)以1.0s為識(shí)別時(shí)間窗口時(shí)，3種駕駛行為的識(shí)別準(zhǔn)確率最低。當(dāng)以4.0s為識(shí)別時(shí)間窗口時(shí)，3種駕駛行為的識(shí)別準(zhǔn)確率較高。時(shí)間窗口越長(zhǎng)，所包含的信息越多，但數(shù)據(jù)的固有特性會(huì)受到干擾。為了盡可能準(zhǔn)確、快速地識(shí)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(shí)別時(shí)間窗口的駕駛行為識(shí)別準(zhǔn)確率后，選擇2.0s作為駕駛行為識(shí)別的時(shí)間窗口。

圖5 不同時(shí)間窗口的識(shí)別準(zhǔn)確率Fig.5 Recognition Accuracy of Different Time Windows

4 結(jié)論

（1）根據(jù)高速公路場(chǎng)景中車輛變換車道過(guò)程中的運(yùn)動(dòng)特性，可選取前方車輛的縱向速度、0.5s內(nèi)橫向位移和橫向速度作為HMM的特征參數(shù)。（2）建立HMM模型對(duì)前方車輛的三種駕駛行為進(jìn)行識(shí)別。為盡可能準(zhǔn)確、快速地識(shí)別出前方車輛的駕駛行為，選擇2.0s作為駕駛行為識(shí)別的時(shí)間窗口大小。從測(cè)試結(jié)果可以看出，HMM可以有效地識(shí)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。