基于支持向量機(jī)的車輛換道行為識別仿真研究

楊建坤 熊堅(jiān) 徐東霞

摘 要：車輛換道行為易引發(fā)交通沖突。為了能夠在沖突發(fā)生前將安全性換道和風(fēng)險(xiǎn)性換道予以區(qū)分，從而提高車輛換道預(yù)警系統(tǒng)的可靠性，本文運(yùn)用支持向量機(jī)方法建立了換道行為分類識別模型。首先，通過駕駛模擬平臺采集了不同類型的換道行為數(shù)據(jù)，并確定了2 s為模型的識別時(shí)間窗;其次，通過逐步回歸分析法選取了6個(gè)車輛操縱運(yùn)行指標(biāo)為模型特征參數(shù);最后，運(yùn)用樣本數(shù)據(jù)訓(xùn)練、測試模型，得到模型的分類準(zhǔn)確率為92.51%，能有效區(qū)分安全性換道和風(fēng)險(xiǎn)性換道。

關(guān)鍵詞：交通安全仿真;分類準(zhǔn)確率;支持向量機(jī);換道行為

中圖分類號：U491.6

文獻(xiàn)標(biāo)識碼： A

文章編號?1000-5269（2020）05-0120-05???DOI：10.15958/j.cnki.gdxbzrb.2020.05.19

換道行為是影響車輛安全行進(jìn)的因素之一[1]。相關(guān)研究表明，駕駛員變換車道會增加交通沖突點(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別，并結(jié)合換道車輛周圍環(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]開啟情況識別換道意圖，但王暢[7]對大量實(shí)際道路試驗(yàn)數(shù)據(jù)樣本分析表明，駕駛?cè)嗽趽Q道過程中轉(zhuǎn)向燈的總開啟率僅為 69.18%，其中部分駕駛?cè)宿D(zhuǎn)向燈開啟率不足 20%。這一研究結(jié)果意味著僅用轉(zhuǎn)向燈開啟情況識別換道行為會產(chǎn)生誤判。圖像識別技術(shù)的發(fā)展，讓基于車道線的識別成了汽車換道預(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)可靠性會降低?，F(xiàn)階段，越來越多的研究者將車輛駕駛操縱數(shù)據(jù)和運(yùn)行數(shù)據(jù)作為特征參數(shù)來建立識別模型，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)，他將方向盤轉(zhuǎn)角、方向盤轉(zhuǎn)向力矩以及方向盤轉(zhuǎn)向角速度3個(gè)特征參數(shù)作為識別對象，對避險(xiǎn)換道行為、正常換道行為和車道保持行駛3種不同行為意圖進(jìn)行了識別分類。MAR J，?LIN H T[9]的研究表明，81.3%的駕駛?cè)嗽趽Q道行為過程中會有加速或減速行為，尤其在起始階段。DOGAN?U[10]采集了方向盤轉(zhuǎn)角、橫向加速度、相對車道偏移量、自車與前車的相對速度距離5個(gè)參數(shù)作為識別模型的系統(tǒng)輸入。結(jié)果顯示，伴隨輸入的特征參數(shù)種類不斷增加，模型識別效果會越來越好。

與此同時(shí)，分類算法的選用也是影響模型分類效果的關(guān)鍵。支持向量機(jī)（support?vector machines，簡稱SVM）是目前用來研究車輛換道行為識別的“新寵”。DOGAN?U[10]開展的試驗(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別，結(jié)果顯示SVM的識別效果最佳。熊曉夏等[11]以在環(huán)仿真技術(shù)下的車輛運(yùn)動數(shù)據(jù)為樣本輸入，并分別用隱馬爾可夫模型預(yù)測算法和SVM預(yù)測算法對危險(xiǎn)和正常兩種換道進(jìn)行識別分類。結(jié)果表明，在樣本數(shù)據(jù)有限時(shí)，SVM的預(yù)測效果更好。倪捷[12]通過換道影響的k-means聚類分析結(jié)果將換道數(shù)據(jù)分為危險(xiǎn)、安全、舒適等3類，以自車速度、速度差、車間距、縱向加速度為特征參數(shù)，運(yùn)用SVM建立分類模型，模型對危險(xiǎn)換道行為的預(yù)測準(zhǔn)確率達(dá)91.1%。

綜上分析可知，為提高模型的分類準(zhǔn)確率，首先，對特征參數(shù)的選取越來越集中于車輛操縱和運(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;其次，SVM在車輛換道行為識別研究等方面效果良好且呈現(xiàn)出不斷增長的應(yīng)用趨勢，尤其在小樣本分類識別中正在成為主流方法;最后，對換道行為識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)來采集更多的車輛操縱和運(yùn)行狀態(tài)方面的特征參數(shù)，并通過數(shù)據(jù)降維方法來選取其中最優(yōu)的特征參數(shù)作為SVM算法的識別對象，從而對安全性換道和風(fēng)險(xiǎn)性換道進(jìn)行識別分類，以期拓寬這一領(lǐng)域的研究內(nèi)容及深度。

1?理論分析

1.1?安全換道

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

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：車輛在跟馳過程中，自車的行駛速度高于前車，兩車間距離在不斷縮短，起初自車沒有明顯的換道意圖或跡象，比如：減速行駛、開啟轉(zhuǎn)向燈、轉(zhuǎn)動方向盤等，保持快速行駛一段距離后，突然執(zhí)行換道操作。這一過程中駕駛?cè)说沫h(huán)境感知及決策時(shí)間極短，轉(zhuǎn)向過猛，存在較高的事故風(fēng)險(xiǎn)。

1.3?SVM介紹

SVM是一種監(jiān)督式分類機(jī)器學(xué)習(xí)算法，在解決小樣本、非線性和高維的機(jī)器學(xué)習(xí)問題中優(yōu)勢明顯。

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

SVM非線性分類的原理和線性分類一樣。對于非線性問題，支持向量機(jī)的優(yōu)勢在于可以將低維空間的訓(xùn)練樣本通過核函數(shù)K（xi，xj）映射到高維特征空間中求線性分類面，則最優(yōu)分類面的目標(biāo)函數(shù)為：

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

2?試驗(yàn)方案簡介

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。將試驗(yàn)虛擬道路場景設(shè)為雙向兩車道，設(shè)計(jì)車速為80 km/h，前車均設(shè)置為60 km/h，模擬駕駛安全換道時(shí)受試者行車速度與前車接近，模擬駕駛風(fēng)險(xiǎn)換道時(shí)受試者行車速度接近70 km/h。駕駛模擬操作場景如圖2所示。

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：方向盤轉(zhuǎn)角（W）、油門踏板開度（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)間窗過短，則其包含特征信息不足;時(shí)間窗過長，其所包含弱相關(guān)信息過多。模型的識別率和實(shí)時(shí)性均得到滿足的時(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;它們對應(yīng)的方向盤轉(zhuǎn)角的變化幅度也有較大區(qū)別，安全換道的方向盤轉(zhuǎn)角幅度在[-20，+25]，而風(fēng)險(xiǎn)換道的方向盤轉(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。

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)間窗下的車道保持、安全換道、風(fēng)險(xiǎn)換道3類樣本數(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器采用“車道保持、安全換道，車道保持、風(fēng)險(xiǎn)換道，安全換道、風(fēng)險(xiǎn)換道”一對一的分類策略，所以訓(xùn)練樣本輸入后得到車道保持、安全換道、風(fēng)險(xiǎn)換道3個(gè)訓(xùn)練模型。再把測試樣本輸入經(jīng)訓(xùn)練后的模型，得到模型對測試樣本的分類情況。測試樣本的定義標(biāo)簽與模型分類結(jié)果相同的數(shù)量越多，則模型的分類準(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，隨后將對應(yīng)的測試樣本輸入訓(xùn)練模型，其預(yù)測結(jié)果如表1所示。由表可知，2 s、3 s時(shí)對應(yīng)的分類準(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間的分類準(zhǔn)確率增幅遠(yuǎn)大于2～3 s間的分類準(zhǔn)確率增幅。由于后者犧牲了1 s時(shí)間，但分類準(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。

3.3?確定特征參數(shù)

特征參數(shù)是表征車輛不同換道行為的關(guān)鍵，其種類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。使用逐步回歸分析對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，提取對識別模型貢獻(xiàn)度較大的參數(shù)作為特征參數(shù)。

先用因變量對每一個(gè)預(yù)測變量做回歸，然后以對因變量貢獻(xiàn)最大的預(yù)測變量所對應(yīng)的回歸方程為基礎(chǔ)，再逐步引入其余預(yù)測變量，使最后保留在模型中的預(yù)測變量既是重要的，又沒有多重共線性。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)測變量對因變量有顯著影響，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)。

4?模型預(yù)測結(jié)果

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

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

5?結(jié)束語

時(shí)間窗大小和特征參數(shù)選取對分類模型的識別效果有影響?；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);最終得到分類模型的分類準(zhǔn)確率達(dá)92.51%，能有效區(qū)分車道保持、安全性換道和風(fēng)險(xiǎn)性換道，達(dá)到預(yù)期目的。

然而，本文對換道行為作分析時(shí)對安全性換道和風(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)的聚類方法更精準(zhǔn)地區(qū)分兩者，為換道行為風(fēng)險(xiǎn)識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)也可能對模型識別效果存在影響，后續(xù)工作可嘗試用不同尋優(yōu)算法對其進(jìn)行優(yōu)化。

參考文獻(xiàn)：

[1]SALVUCCI D D，?MANDALIA H M，?KUGE N，?et al.?Lane-change detection using a computational driver model[J].?Human Factors： The Journal of the Human Factors and Ergonomics Society，?2007，?49（3）： 532.

[2]PANDE A，?ABDEL-ATY M .?Assessment of freeway traffic parameters leading to lane-change related collisions[J].?Accident Analysis & Prevention，?2006，?38（5）： 936-948.

[3]NASSAB K，?SCHRECKENBERG M，?BOULMAKOUL A，?et?al.?Effect of the lane reduction in the cellular automata models applied to the two-lane traffic[J].?Physica A，?2006，?369（2）： 841-852.

[4]JUNG C R，?KELBER C R .?Lane following and lane departure using a linear-parabolic model[J].?Image and Vision Computing，?2005，?23（13）： 1192-1202.

[5]HENNING M J， GEORGEON O， KREMS J F. The quality of behavioral and environmental indicators used to infer the intention to change lanes[C]//Proceedings of the Fourth International Driving Symposium on Human Factors in Driver Assessment， Training and Vehicle Design， July 9-12， 2007， Stevenson， Washington. Iowa City， IA： Public Policy Center， University of Iowa， 2007： 231-237.

[6]賈立山.?體現(xiàn)駕駛員特性的車道偏離預(yù)警系統(tǒng)關(guān)鍵技術(shù)研究[D].?武漢： 華中科技大學(xué)，?2011.

[7]王暢.?車輛換道預(yù)警的若干關(guān)鍵問題研究[D].?西安： 長安大學(xué)，?2012.

[8]KUGE N，?YAMAMURA T，?SHIMOYAMA O，?et al.?A driver behavior recognition method based on a driver model framework[J].?SAE Transactions， 2000， 109（6）： 469-476.

[9]MAR J，?LIN H T .?The car-following and lane-changing collision prevention system based on the cascaded fuzzy inference system[J].?IEEE Transactions on Vehicular Technology，?2005，?54（3）：?910-924.

[10]DOGAN U，?EDELBRUNNER H，?IOSSIFIDIS I.?Towards a driver model：?preliminary study of lane change behavior[C]// International IEEE Conference on Intelligent Transportation Systems.?IEEE，?2008： 931-937.

[11]熊曉夏，?陳龍，?梁軍， 等.?危險(xiǎn)換道駕駛行為預(yù)測方法研究[J].?汽車工程，?2017（9）： 68-74， 95.

[12]倪捷， 劉志強(qiáng)， 涂孝軍， 等.?面向駕駛輔助系統(tǒng)的換道安全性預(yù)測模型研究[J]. 交通運(yùn)輸系統(tǒng)工程與信息， 2016， 16（4）： 95-100.

[13]郭鳳香，?熊堅(jiān)，?秦雅琴， 等.?基于駕駛模擬試驗(yàn)的85%位車速預(yù)測模型[J].?交通科技與經(jīng)濟(jì)，?2010（3）： 110-113.

（責(zé)任編輯：曾?晶）