張哲雨，呂 超，李景行，熊光明，吳紹斌，龔建偉

（北京理工大學(xué)機(jī)械與車輛學(xué)院，北京 100081）

前言

在智能車領(lǐng)域，行人保護(hù)和風(fēng)險(xiǎn)估計(jì)近年來(lái)受到了極大的關(guān)注。在擁擠的城區(qū)環(huán)境中，汽車往往會(huì)在各種路口、轉(zhuǎn)彎處碰見(jiàn)橫穿馬路的行人。此時(shí)，采取合適的駕駛策略既能節(jié)省汽車通過(guò)路口的時(shí)間，也能規(guī)避潛在的碰撞風(fēng)險(xiǎn)。在輔助駕駛領(lǐng)域，為了增強(qiáng)駕駛員對(duì)關(guān)鍵場(chǎng)景的感知和理解，并提供有預(yù)見(jiàn)性的駕駛風(fēng)險(xiǎn)警告，許多主動(dòng)安全系統(tǒng)被開(kāi)發(fā)和提出，其中，行人軌跡預(yù)測(cè)和風(fēng)險(xiǎn)等級(jí)評(píng)價(jià)是重要一環(huán)。

在行人軌跡預(yù)測(cè)領(lǐng)域，許多學(xué)者進(jìn)行了不同方向的研究。早期的方法通過(guò)建立復(fù)雜的運(yùn)動(dòng)學(xué)模型來(lái)預(yù)測(cè)行人軌跡，包括使用卡爾曼濾波器、隨場(chǎng)景切換的線性動(dòng)態(tài)系統(tǒng)等。這類模型通常假設(shè)行人具有固定的行為模式，但在城區(qū)場(chǎng)景下，行人和車輛均處于高動(dòng)態(tài)場(chǎng)景中，其行動(dòng)隨時(shí)都有可能發(fā)生變化。運(yùn)動(dòng)學(xué)模型計(jì)算量大、靈活性低的缺點(diǎn)使其難以充分捕捉人車間的交互。為了克服這種缺陷，近年來(lái)，基于數(shù)據(jù)驅(qū)動(dòng)的行人軌跡預(yù)測(cè)研究得到了大量關(guān)注，包括使用基于長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)的方法預(yù)測(cè)擁擠的街道中行人的行走軌跡、根據(jù)行人骨架信息預(yù)測(cè)行人意圖等。這類方法能夠從大量已知的行人軌跡中隱式地學(xué)習(xí)行人的行動(dòng)模式和人群間的交互模式，省去繁瑣的運(yùn)動(dòng)學(xué)建模步驟。然而，這些工作大多聚焦于路基視角的行人軌跡進(jìn)行研究。這種路基視角軌跡通常由架設(shè)在道路上的傳感器獲取，位于靜止大地坐標(biāo)系下，具有直觀易于分析的特點(diǎn)，但在實(shí)際應(yīng)用中，這類數(shù)據(jù)并不能直接由行駛在道路上的車輛直接獲取，實(shí)用范圍受到限制。

在行人風(fēng)險(xiǎn)等級(jí)評(píng)價(jià)方面，通?；谂鲎材Ｐ偷姆椒▉?lái)估計(jì)車輛和行人之間的碰撞風(fēng)險(xiǎn)。早期的方法中，首先使用卡爾曼濾波或動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)等方法預(yù)測(cè)人與車輛的軌跡，然后計(jì)算軌跡之間的重疊概率或風(fēng)險(xiǎn)指標(biāo)來(lái)估計(jì)車輛和行人之間的碰 撞 風(fēng) 險(xiǎn)，比 如 碰 撞 時(shí) 間（TTC）、車 頭 時(shí) 距（THW）、后侵入時(shí)間（PET）。在上述研究中，風(fēng)險(xiǎn)估計(jì)是通過(guò)預(yù)測(cè)行人的軌跡和對(duì)行人和車輛進(jìn)行復(fù)雜動(dòng)態(tài)建模來(lái)實(shí)現(xiàn)的。然而，這樣的方法仍存在兩個(gè)局限性：

（1）使用人工定義的函數(shù)定義人車相撞的模型，計(jì)算人車軌跡的交叉點(diǎn)或位置概率重合點(diǎn)。然而，這種計(jì)算方式難以模擬行人和車輛在真實(shí)世界中高度動(dòng)態(tài)的行為交互過(guò)程；基于操作的風(fēng)險(xiǎn)估計(jì)算法通過(guò)引入車輛的行為模式進(jìn)行碰撞計(jì)算，但由于這些方法大多使用路基視角的軌跡，建模運(yùn)算中須對(duì)多個(gè)主體同時(shí)進(jìn)行運(yùn)算，將面臨較高的計(jì)算成本。

（2）通過(guò)人工設(shè)置TTC 閾值或人工劃分不同區(qū)域的危險(xiǎn)系數(shù)來(lái)對(duì)行人的風(fēng)險(xiǎn)程度進(jìn)行劃分。這種分類方式高度依賴于人工判斷，并且很可能會(huì)受不同研究者主觀認(rèn)知的影響；另外，也會(huì)隨著不同路況、不同交通場(chǎng)景變化而變化，在模型的泛化上將會(huì)面臨很大挑戰(zhàn)。

為了克服上述限制，本文中提出了基于車輛視角數(shù)據(jù)的行人軌跡和風(fēng)險(xiǎn)等級(jí)評(píng)價(jià)模型。

首先，采集、研究了車輛視角行人數(shù)據(jù)。過(guò)去的研究多數(shù)使用路基視角行人數(shù)據(jù)來(lái)分別估計(jì)行人和車輛的運(yùn)動(dòng)，并用于估計(jì)駕駛風(fēng)險(xiǎn)。但如前面所述，這類數(shù)據(jù)通常來(lái)源于架設(shè)在道路上的靜止攝像頭，并不能直接被行駛中的車輛及時(shí)獲取和利用，即使能夠獲取，使用這類數(shù)據(jù)來(lái)計(jì)算碰撞風(fēng)險(xiǎn)，也無(wú)法避免大量的建模計(jì)算。相反，車輛視角數(shù)據(jù)是基于車載傳感器的數(shù)據(jù)，所檢測(cè)到的行人運(yùn)動(dòng)不僅包含行人自身的運(yùn)動(dòng)，還包含車輛的運(yùn)動(dòng)。通過(guò)在相對(duì)運(yùn)動(dòng)坐標(biāo)系下簡(jiǎn)化行人與車輛之間危險(xiǎn)指標(biāo)的計(jì)算，可以避免由于使用路基視角數(shù)據(jù)導(dǎo)致的復(fù)雜運(yùn)算。

其次，通過(guò)數(shù)據(jù)驅(qū)動(dòng)的方法對(duì)車輛視角行人軌跡進(jìn)行學(xué)習(xí)和預(yù)測(cè)。車輛視角數(shù)據(jù)天然地模擬了人類駕駛員直接接收到的行人信息，使用車輛視角行人軌跡能夠同時(shí)對(duì)行人和車輛的行為模式進(jìn)行學(xué)習(xí)和預(yù)測(cè)。近年來(lái)，遞歸神經(jīng)網(wǎng)絡(luò)（RNN）已被證明在軌跡預(yù)測(cè)、時(shí)間序列模式學(xué)習(xí)的應(yīng)用上是簡(jiǎn)單而有效的。因此，本文中應(yīng)用RNN 的變體長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM），從車輛視角數(shù)據(jù)中挖掘的行人和車輛的行為與交互模式，實(shí)現(xiàn)車輛視角行人軌跡的預(yù)測(cè)。

最后，對(duì)于行人風(fēng)險(xiǎn)等級(jí)評(píng)價(jià)，利用車輛視角行人數(shù)據(jù)包含豐富行人和車輛動(dòng)態(tài)信息的特點(diǎn)，對(duì)行人特征狀態(tài)進(jìn)行了聚類分析。聚類算法作為一種典型的數(shù)據(jù)挖掘方法，能夠有效地尋找潛在的數(shù)據(jù)模式。因此，使用聚類算法從車輛視角行人數(shù)據(jù)中挖掘不同行人的風(fēng)險(xiǎn)特性，并以此為依據(jù)訓(xùn)練了行人危險(xiǎn)等級(jí)識(shí)別器，避免了人工選擇TTC 閾值方法的弊端。此外，基于聚類分析得出的數(shù)據(jù)類別，使用支持向量機(jī)（SVM）訓(xùn)練風(fēng)險(xiǎn)等級(jí)識(shí)別器，可以對(duì)新觀測(cè)的車載視角行人數(shù)據(jù)進(jìn)行分類，提供風(fēng)險(xiǎn)標(biāo)簽，實(shí)現(xiàn)行人危險(xiǎn)等級(jí)評(píng)價(jià)。

1 問(wèn)題定義與模型框架

圖1 展示了本文中提出的總體框架。首先，基于車載傳感器，采集車輛視角行人軌跡數(shù)據(jù)并進(jìn)行預(yù)處理。其次，使用采集的車輛視角行人軌跡訓(xùn)練LSTM 神經(jīng)網(wǎng)絡(luò)，進(jìn)行行人軌跡預(yù)測(cè)。最后，應(yīng)用該主成分分析-K Means 聚類法（KPCA-KMC）分析觀察到的行人特征，將其分為具有不同風(fēng)險(xiǎn)標(biāo)簽的類群。利用KPCA-KMC 的標(biāo)簽，訓(xùn)練一個(gè)風(fēng)險(xiǎn)等級(jí)分類器。該分類器將對(duì)LSTM 預(yù)測(cè)的行人軌跡進(jìn)行風(fēng)險(xiǎn)等級(jí)識(shí)別，從而實(shí)現(xiàn)基于車載視角行人數(shù)據(jù)的軌跡和風(fēng)險(xiǎn)等級(jí)評(píng)價(jià)。

圖1 行人軌跡預(yù)測(cè)和風(fēng)險(xiǎn)等級(jí)評(píng)價(jià)總體框架

2 數(shù)據(jù)采集與模型方法

2.1 數(shù)據(jù)采集與預(yù)處理

為了獲得車輛視角下的行人數(shù)據(jù)，本文中采用車載傳感系統(tǒng)進(jìn)行數(shù)據(jù)收集。該系統(tǒng)包含一個(gè)安裝在汽車頂部的Velodyne 激光雷達(dá)HDL-32E，一個(gè)OxTs慣性+GNSS/INS套件，一個(gè)安裝在車輛前窗玻璃上的Mako相機(jī)和一個(gè)車載工控機(jī)，如圖2所示。

圖2 車載傳感系統(tǒng)

工控機(jī)裝有行人檢測(cè)和定位程序，通過(guò)融合攝像機(jī)圖像的檢測(cè)結(jié)果和激光雷達(dá)點(diǎn)云的距離信息，提供行人相對(duì)車輛的坐標(biāo)位置。所使用相對(duì)坐標(biāo)系的原點(diǎn)對(duì)應(yīng)于車輛后軸的中點(diǎn)，軸的正方向?qū)?yīng)于車輛的前進(jìn)方向。最終的視頻和軌跡數(shù)據(jù)幀率為6.5 Hz。

在城區(qū)道路的選擇上，考慮到城區(qū)交叉口作為城區(qū)路網(wǎng)中最繁忙的部分之一，容納了大量的人車交互場(chǎng)景，因此，選取北京理工大學(xué)校園內(nèi)和北京西三環(huán)的4 個(gè)信號(hào)燈路口作為數(shù)據(jù)采集地點(diǎn)。行駛路線如圖3 所示。為了保證采集和識(shí)別效果，數(shù)據(jù)采集在白天13：00-15：00 進(jìn)行，主要包含右轉(zhuǎn)和直行兩種行車場(chǎng)景，其中右轉(zhuǎn)場(chǎng)景居多。數(shù)據(jù)采集由兩名經(jīng)驗(yàn)豐富的駕駛員輪流駕駛完成。

圖3 數(shù)據(jù)采集路線

2.2 行人軌跡預(yù)測(cè)

2.3 行人數(shù)據(jù)聚類

式中T代表行人的軌跡長(zhǎng)度（幀數(shù)）。

式中μ為第個(gè)集群的中心點(diǎn)向量。KMC通過(guò)不斷優(yōu)化聚類中心點(diǎn)，最小化類群內(nèi)部點(diǎn)到中心點(diǎn)距離的平方和，從而將具有相似特征的點(diǎn)劃分為同種類群。在將行人特征數(shù)據(jù)聚類為不同的類群后，觀察不同類群在各類特征上的分布，便可確定不同類群的行人相對(duì)車輛的風(fēng)險(xiǎn)程度。

2.4 風(fēng)險(xiǎn)等級(jí)分類器

通過(guò)聚類方式，可以獲得不同行人數(shù)據(jù)對(duì)應(yīng)的風(fēng)險(xiǎn)程度，因而可以此為依據(jù)，訓(xùn)練一個(gè)行人風(fēng)險(xiǎn)等級(jí)識(shí)別器：首先預(yù)測(cè)行人軌跡，通過(guò)預(yù)測(cè)得到的軌跡提取相應(yīng)的行人特征，并輸入到訓(xùn)練好的風(fēng)險(xiǎn)等級(jí)識(shí)別器中，即可確定行人未來(lái)的風(fēng)險(xiǎn)等級(jí)。本文中，SVM 作為一種典型的分類器，通過(guò)迭代尋找能夠最好地區(qū)分不同種類數(shù)據(jù)的最佳超平面，以對(duì)新的數(shù)據(jù)點(diǎn)進(jìn)行分類。與KPCA 類似，SVM 中同樣可以運(yùn)用核技巧使非線性數(shù)據(jù)轉(zhuǎn)化為可分離的線性數(shù)據(jù)。

為了實(shí)現(xiàn)行人風(fēng)險(xiǎn)等級(jí)識(shí)別，本文中訓(xùn)練核SVM 分類器，它將觀測(cè)值=[，，...s]及其風(fēng)險(xiǎn)標(biāo)簽=[，，...l]作為輸入，最終訓(xùn)練得到風(fēng)險(xiǎn)等級(jí)分類器，可用于識(shí)別新觀測(cè)值的風(fēng)險(xiǎn)等級(jí)類別。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)1：行人軌跡預(yù)測(cè)

為了驗(yàn)證車輛視角數(shù)據(jù)中的行人相對(duì)位置能夠有效使用LSTM 模型進(jìn)行預(yù)測(cè)，同時(shí)，探索車輛視角數(shù)據(jù)中非軌跡信息對(duì)位置預(yù)測(cè)的準(zhǔn)確性，本節(jié)根據(jù)采集的數(shù)據(jù)設(shè)計(jì)了4種模型，如表1所示。

表1 模型符號(hào)與輸入輸出信息

本文中軌跡預(yù)測(cè)的觀察窗口設(shè)置為從1 幀到幀，預(yù)測(cè)窗口從+ 1 幀設(shè)置到+ 5 幀。采用5 倍交叉驗(yàn)證（CV）來(lái)評(píng)估行人軌跡預(yù)測(cè)模型的性能，這有助于減少變異性并確保對(duì)小數(shù)據(jù)集的模型性能的準(zhǔn)確估計(jì)。平均位移誤差（ADE）被用來(lái)評(píng)估模型的性能。經(jīng)過(guò)10 次5 倍CV 的重復(fù)，各模型在測(cè)試集中的預(yù)測(cè)誤差平均值，如表2所示。

表2 測(cè)試集預(yù)測(cè)誤差

通過(guò)橫向?qū)Ρ龋谀Ｐ推骄`差上可看出預(yù)測(cè)精度＞＞＞。其中模型的平均偏移誤差為0.263 7 m，精度最高，次之，ADE 為0.448 7 m。目前，主流的非駕駛場(chǎng)景的行人軌跡預(yù)測(cè)方法中，典型的Social-LSTM 平均偏移誤差在0.27～0.53 m，引入社會(huì)注意力模型Social Attention 的平均偏移誤差在0.20～0.30 m。對(duì)比之下，本實(shí)驗(yàn)結(jié)果顯示在LSTM模型建模下，使用車輛視角行人相對(duì)位置信息直接進(jìn)行位置預(yù)測(cè)的模型能達(dá)到較高精度的預(yù)測(cè)效果，證明LSTM 模型能夠有效對(duì)車輛視角下的相對(duì)行人軌跡進(jìn)行學(xué)習(xí)和預(yù)測(cè)，直接使用相對(duì)位置信息能夠獲得最佳的預(yù)測(cè)結(jié)果。其次是結(jié)合距離和標(biāo)注框信息進(jìn)行位置預(yù)測(cè)的模型，雖然誤差大于，但表明標(biāo)注框和距離信息在LSTM 網(wǎng)絡(luò)中能夠很好地捕捉行人的空間位置變化，可以直接預(yù)測(cè)行人未來(lái)的相對(duì)位置，起到了數(shù)據(jù)融合的作用。而對(duì)于僅使用標(biāo)注框進(jìn)行預(yù)測(cè)的模型或僅使用距離進(jìn)行預(yù)測(cè)的模型，誤差明顯偏大，表明單純的距離或標(biāo)注框信息很難推測(cè)出行人的位置。因此，在后面風(fēng)險(xiǎn)預(yù)測(cè)部分，主要采用相對(duì)位置信息對(duì)行人軌跡進(jìn)行預(yù)測(cè)，以保證更佳的軌跡預(yù)測(cè)效果和危險(xiǎn)預(yù)測(cè)結(jié)果。

3.2 實(shí)驗(yàn)2：行人數(shù)據(jù)聚類

本實(shí)驗(yàn)分別采用KMC 和KPCA-KMC 對(duì)兩種數(shù)據(jù)集的行人數(shù)據(jù)進(jìn)行聚類。聚類結(jié)果通過(guò)殘差平方和（RSS）和赤池信息準(zhǔn)則（AIC）度量進(jìn)行評(píng)價(jià)。RSS的計(jì)算公式為

式中μ是類別的中心點(diǎn)。AIC 指標(biāo)是一個(gè)最大似然度量，AIC 曲線的最小值保證了可靠的聚類結(jié)果和相對(duì)較低的聚類復(fù)雜性。AIC的計(jì)算公式為

式中：是集群的總數(shù)量；是維度數(shù)量。

聚類結(jié)果如圖4 所示，可見(jiàn)對(duì)于城區(qū)和校園路口數(shù)據(jù)集，使用KPCA-KMC 的RSS 和AIC 誤差明顯低于KMC，表明KPCA+KMC 能獲得更佳的聚類效果。同時(shí)，采用KPCA+KMC 方法，魏公村和校園兩組數(shù)據(jù)的RSS和AIC 誤差分別在= 4和= 2附近取得最低。不過(guò)當(dāng)= 2 時(shí)，雖然聚類復(fù)雜性降低，但會(huì)造成聚類結(jié)果過(guò)度依賴某單一特征（如TTC）的情況，無(wú)法辨識(shí)其他特征維度對(duì)聚類結(jié)果潛在的影響，使分類過(guò)于簡(jiǎn)單化。因此對(duì)于魏公村和校園兩組數(shù)據(jù)均采用最佳類群數(shù)= 4。

圖4 KPCA-KMC與KMC的聚類結(jié)果在RSS和AIC上的對(duì)比

在校園和城區(qū)路口數(shù)據(jù)集應(yīng)用KPCA+KMC 方法的聚類結(jié)果分別如圖5 和圖6 所示。為了更好地展示聚類結(jié)果，本文中將5 個(gè)維度的數(shù)據(jù)放置于兩種特征坐標(biāo)系中：Pos- Pos-坐標(biāo)系和Vel-Vel-坐標(biāo)系中，Pos、Pos代表、方向上行人的相對(duì)位置，Vel、Vel表示相對(duì)速度。在相對(duì)坐標(biāo)系中，車輛始終靜止在原點(diǎn)，在圖5 和圖6 中使用紅色三角形來(lái)表示。

圖5 校園路口數(shù)據(jù)的特征聚類結(jié)果

圖6 城區(qū)路口數(shù)據(jù)的特征聚類結(jié)果

校園路口數(shù)據(jù)的聚類結(jié)果如圖5 所示，將數(shù)據(jù)分為如下4類。

類別1：TTC 較大，與車輛的縱向距離相對(duì)較長(zhǎng)，縱向速度較低；橫向位置多分布在車輛左側(cè)，整體上有繼續(xù)向左移動(dòng)并與車輛漸行漸遠(yuǎn)的趨勢(shì)，說(shuō)明這類行人與車輛之間目前沒(méi)有明顯的沖突。因此，將此狀態(tài)定義為未接觸的安全狀態(tài)。

類別2：TTC 較大，縱向位置接近車輛，而橫向位置從左到右分布廣泛，縱向速度較低。此時(shí)，雖然行人離車輛較近，但行人和車輛都沒(méi)有對(duì)對(duì)方構(gòu)成危險(xiǎn)。這說(shuō)明在路權(quán)分配達(dá)成了一致的情況下，行人在車輛前方安全通過(guò)。在這種情況下，車輛只需保持當(dāng)前的操作即可，例如停車等待。因此，將此狀態(tài)定義為握手安全狀態(tài)。

類別3：TTC 較小，縱向距離在所有類別中距車輛最近，橫向位置分布偏左，且接近速度較高，說(shuō)明有行人（多來(lái)自左側(cè)）正在向車輛接近，發(fā)生沖突可能性較高，要求車輛保持高度警惕，隨時(shí)準(zhǔn)備向右側(cè)避讓或直接制動(dòng)，以避免可能的左側(cè)碰撞。因此，將此狀態(tài)定義為危險(xiǎn)狀態(tài)。

類別4：與類別3相似，TTC較小，與車輛縱向距離同樣較近，接近速度較高，但大部分行人位于右側(cè)，需要車輛對(duì)從右前方駛來(lái)的行人保持警惕。因此，將此狀態(tài)定義為警戒狀態(tài)。

對(duì)于城區(qū)路口的聚類結(jié)果，與校園路口數(shù)據(jù)類似，同樣將數(shù)據(jù)劃分為未接觸安全、握手安全、危險(xiǎn)和警戒4類狀態(tài)，如圖6所示。

3.3 實(shí)驗(yàn)3：行人風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)

通過(guò)KPCA-KMC 獲得行人的風(fēng)險(xiǎn)等級(jí)標(biāo)簽后，本實(shí)驗(yàn)的目的是使用行人特征數(shù)據(jù)S 及其對(duì)應(yīng)標(biāo)簽L訓(xùn)練風(fēng)險(xiǎn)等級(jí)識(shí)別器，即SVM 模型，并使用該模型進(jìn)行行人風(fēng)險(xiǎn)等級(jí)評(píng)價(jià)。本文中訓(xùn)練、對(duì)比了線性核、二次核、立方核和高斯核的SVM，使用5 倍交叉驗(yàn)證法對(duì)其性能進(jìn)行評(píng)估，如表3 所示。其中，分類速度單位s表示每秒能夠完成的觀測(cè)數(shù)或分類次數(shù)。由表可見(jiàn)，對(duì)于校園數(shù)據(jù)集，二次核分類器的SVM 在準(zhǔn)確度和預(yù)測(cè)速度上都最好；而對(duì)于城區(qū)數(shù)據(jù)集，則是高斯核分類器SVM 的準(zhǔn)確度和預(yù)測(cè)速度最好。因此，校園和城區(qū)數(shù)據(jù)集分別選擇二次核和高斯核的SVM模型。

表3 不同核類型的分類準(zhǔn)確率和分類速度的對(duì)比

為了測(cè)試該分類器對(duì)行人風(fēng)險(xiǎn)等級(jí)的預(yù)測(cè)準(zhǔn)確度，首先將所有行人軌跡進(jìn)行風(fēng)險(xiǎn)等級(jí)識(shí)別，作為真實(shí)值；同時(shí)，使用LSTM 模型對(duì)行人軌跡進(jìn)行預(yù)測(cè)，對(duì)預(yù)測(cè)軌跡進(jìn)行風(fēng)險(xiǎn)等級(jí)識(shí)別，作為預(yù)測(cè)值；最后，對(duì)比真實(shí)值和預(yù)測(cè)值，通過(guò)對(duì)比預(yù)測(cè)值和真實(shí)值，統(tǒng)計(jì)預(yù)測(cè)正確和錯(cuò)誤的樣本數(shù)，得出分類器的識(shí)別準(zhǔn)確率。預(yù)測(cè)結(jié)果用4行4列的混淆矩陣來(lái)表示，如圖7 所示。矩陣的每一行的數(shù)字表示被預(yù)測(cè)為該類別的數(shù)目（上）和占比（下），而每一列數(shù)字表示真實(shí)為該類別的數(shù)目和占比。比如第2 行第3 列的數(shù)字表示被預(yù)測(cè)為第2 類，但實(shí)際是第3 類的數(shù)目和占比。表格第5 列和第5 行分別展示了不同預(yù)測(cè)類別的準(zhǔn)確度和不同真實(shí)類別被預(yù)測(cè)的準(zhǔn)確度。因此，矩陣對(duì)角線前4 格的數(shù)就表示被準(zhǔn)確預(yù)測(cè)的數(shù)目和占比，而對(duì)角線的最后一個(gè)格，即右下角的數(shù)便是各類被準(zhǔn)確預(yù)測(cè)的總占比（上），即該數(shù)據(jù)集風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)的整體準(zhǔn)確率和相應(yīng)的錯(cuò)誤率（下）。

由圖7 可見(jiàn)，校園數(shù)據(jù)集的整體準(zhǔn)確率達(dá)到82.0%，城區(qū)數(shù)據(jù)集的準(zhǔn)確率達(dá)到86.8%，表明在行人風(fēng)險(xiǎn)等級(jí)的準(zhǔn)確識(shí)別方面表現(xiàn)良好。

圖7 行人風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)模型的混淆矩陣

圖8 顯示了一個(gè)校園數(shù)據(jù)集中風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)的例子。在以車輛為原點(diǎn)的相對(duì)坐標(biāo)系中，預(yù)測(cè)軌跡（紫色線），其風(fēng)險(xiǎn)等級(jí)用不同顏色的圓點(diǎn)表示，每一種不同的顏色對(duì)應(yīng)不同的風(fēng)險(xiǎn)等級(jí)。如圖第3 幀到第16 幀展示了車輛右轉(zhuǎn)時(shí)，觀察行人、接近和讓行的過(guò)程。預(yù)測(cè)的軌跡顯示LSTM 模型能夠良好估計(jì)車輛視角行人相對(duì)位置，表明該模型能夠較好地在估計(jì)車輛和行人的移動(dòng)趨勢(shì)。在第6 幀時(shí)，該模型預(yù)測(cè)行人在接下來(lái)的幾幀中可能會(huì)從安全狀態(tài)轉(zhuǎn)為警戒狀態(tài)。這表明在目前的情況下，車輛應(yīng)該減速并優(yōu)先考慮行人，否則風(fēng)險(xiǎn)等級(jí)會(huì)轉(zhuǎn)為更高。在第13 和第16 幀，由于車輛仍在向前行駛，風(fēng)險(xiǎn)等級(jí)從警戒狀態(tài)轉(zhuǎn)換為危險(xiǎn)狀態(tài)?？梢钥闯觯疚闹刑岢瞿Ｐ偷慕Y(jié)果符合車輛與行人相互作用下的實(shí)際情況，表明其具有良好的風(fēng)險(xiǎn)等級(jí)評(píng)價(jià)能力。

圖8 行人風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)實(shí)例

4 結(jié)論

本文中為實(shí)現(xiàn)車輛視角下的行人軌跡及風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)，提出了一個(gè)基于車載傳感系統(tǒng)采集數(shù)據(jù)的行人軌跡預(yù)測(cè)和風(fēng)險(xiǎn)等級(jí)評(píng)價(jià)模型，主要包含3 項(xiàng)工作：首先，進(jìn)行了車輛視角下的行人數(shù)據(jù)實(shí)車采集與處理，獲得了城區(qū)和校園兩種交叉路口的車輛視角行人數(shù)據(jù)；其次，使用LSTM 網(wǎng)絡(luò)訓(xùn)練了行人軌跡預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果顯示，LSTM能夠有效對(duì)車輛視角行人數(shù)據(jù)進(jìn)行學(xué)習(xí)并預(yù)測(cè)未來(lái)軌跡，其中，直接使用相對(duì)位置數(shù)據(jù)能夠獲得最好的預(yù)測(cè)效果，而距離信息和標(biāo)注框信息次之；最后，使用KPCA+KMC 對(duì)車輛視角下的行人數(shù)據(jù)進(jìn)行聚類分析，識(shí)別出不同行人的風(fēng)險(xiǎn)等級(jí)，并以此為根據(jù)，基于SVM 訓(xùn)練得到了行人風(fēng)險(xiǎn)等級(jí)識(shí)別器。將該識(shí)別器應(yīng)用于LSTM預(yù)測(cè)的車輛視角行人軌跡，可以獲得預(yù)測(cè)軌跡的風(fēng)險(xiǎn)等級(jí)。實(shí)驗(yàn)結(jié)果顯示，該風(fēng)險(xiǎn)等級(jí)識(shí)別器在兩種不同場(chǎng)景下均能夠有效估計(jì)車輛和行人的移動(dòng)趨勢(shì)和交互特征，顯示了良好的風(fēng)險(xiǎn)等級(jí)評(píng)價(jià)能力，對(duì)自動(dòng)駕駛系統(tǒng)和高級(jí)輔助駕駛系統(tǒng)開(kāi)發(fā)具有實(shí)用價(jià)值。在未來(lái)的工作中，將會(huì)考慮在提出的模型中引入更多的行人特征數(shù)據(jù)和環(huán)境信息，并將該模型擴(kuò)展到更多的車輛-行人交互場(chǎng)景中。