基于LSTM的車輛換道意圖識別研究

摘 要：本文首先對車輛軌跡數(shù)據(jù)進(jìn)行了篩選和高斯平滑處理，并對不同的駕駛行為進(jìn)行分類和駕駛意圖標(biāo)注。隨后，本文提出了一種基于LSTM的車輛換道意圖識別模型，該模型充分考慮了車輛之間的交互作用，有效提取了換道過程中的時(shí)序連續(xù)特征，并捕捉到車輛行駛軌跡中的局部和長期依賴關(guān)系。模型將目標(biāo)車輛及其周圍車輛交互作用信息的行駛數(shù)據(jù)作為輸入。實(shí)驗(yàn)結(jié)果表明，本文提出的模型在預(yù)測車輛換道意圖方面達(dá)到了92.85%的準(zhǔn)確率，并且在多種評價(jià)指標(biāo)上顯著優(yōu)于其他模型，展示了在實(shí)際交通環(huán)境中的應(yīng)用潛力。

關(guān)鍵詞：換道意圖識別 機(jī)器學(xué)習(xí) LSTM模型 智能交通

1 緒論

隨著智能交通系統(tǒng)和自動(dòng)駕駛技術(shù)的快速發(fā)展，準(zhǔn)確識別車輛的駕駛意圖已成為一個(gè)重要的研究課題。Okamoto等人[1]利用隨機(jī)森林算法捕獲其他車輛駕駛員的意圖。喬少杰等人[2]提出了基于高斯混合模型的軌跡預(yù)測方法（GMTP），通過高斯過程回歸預(yù)測最可能的運(yùn)動(dòng)軌跡。此外，Aoude等人[3]將支持向量機(jī)（SVM）的意圖預(yù)測器與使用快速探索隨機(jī)樹（RRT）的威脅評估器相結(jié)合，以識別交通參與者的機(jī)動(dòng)行為。Schulz等[4]提出了一種基于多模型無跡卡爾曼濾波的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（DBN）推理方法，用于駕駛員意圖估計(jì)和多智能體軌跡預(yù)測。張淼等[5]提出了一種新型的列車軌跡預(yù)測模型，即LSTM-KF模型，結(jié)合長短期記憶網(wǎng)絡(luò)（LSTM）和卡爾曼濾波（KF）的優(yōu)點(diǎn)，實(shí)現(xiàn)了對列車軌跡的高精度預(yù)測。這些研究工作推動(dòng)了駕駛意圖識別和軌跡預(yù)測技術(shù)的發(fā)展，證明了深度學(xué)習(xí)、機(jī)器學(xué)習(xí)及概率推理等方法在該領(lǐng)域的應(yīng)用潛力。然而，盡管上述方法在不同方面取得了顯著進(jìn)展，仍存在一些需要進(jìn)一步研究和解決的問題。鑒于此，本文提出了一種基于LSTM的車輛換道意圖識別模型，通過對車輛軌跡數(shù)據(jù)的預(yù)處理和特征提取，訓(xùn)練了一個(gè)能夠高效識別換道意圖的模型，并通過實(shí)驗(yàn)證明了其優(yōu)越性。

2 數(shù)據(jù)預(yù)處理

本文使用的數(shù)據(jù)集源于NGSIM（Next Generation Simulation）數(shù)據(jù)集，該數(shù)據(jù)集是由美國聯(lián)邦公路管理局（FHWA）發(fā)起并收集的高精度交通數(shù)據(jù)集，旨在支持交通流量和駕駛行為模型的研究與開發(fā)。該數(shù)據(jù)集涵蓋了不同類型的道路場景，本文選用US-101高速公路和I-80高速公路部分路段數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)。數(shù)據(jù)集提供了詳盡的車輛信息，包括但不限于：車輛的唯一識別編號、采集區(qū)域中的具體坐標(biāo)、標(biāo)準(zhǔn)地理坐標(biāo)系中的位置、車輛的速度和加速度、所屬車道編號、車頭間距和車頭時(shí)距等。具體數(shù)據(jù)字段及描述詳見表1。

本文采用高斯平滑（Gaussian Smoothing）處理技術(shù)對數(shù)據(jù)進(jìn)行預(yù)處理，以減少短時(shí)波動(dòng)帶來的誤差。該方法能有效平滑數(shù)據(jù)，降低噪聲和瞬時(shí)變化對結(jié)果的影響，提高航向角數(shù)據(jù)的準(zhǔn)確性和可靠性。

3 換道意圖分類

3.1 換道過程分析

本文車輛換道過程如圖1所示。車輛換道過程可以分為多個(gè)關(guān)鍵時(shí)刻和相關(guān)特征。通過分析這些時(shí)刻和特征，可以有效分類換道行為并標(biāo)注換道意圖。關(guān)鍵時(shí)刻劃分主要分為四個(gè)部分。

（1）換道意圖產(chǎn)生時(shí)刻：駕駛員在腦海中產(chǎn)生換道的意圖，但還未實(shí)施任何操作。這一時(shí)刻通?？梢酝ㄟ^駕駛員眼神或注意力的變化進(jìn)行推測，是換道過程的初始階段。

（2）開始換道操作時(shí)刻：駕駛員完成了對周圍交通環(huán)境的檢查，確認(rèn)安全后開始實(shí)施換道操作，例如打轉(zhuǎn)向燈或調(diào)整方向盤。這一時(shí)刻的具體特征包括轉(zhuǎn)向燈的啟動(dòng)、方向盤角度的變化以及車輛的初步側(cè)向加速度。

（3）跨越車道線時(shí)刻：當(dāng)車輛開始橫向移動(dòng)并越過車道線進(jìn)入新車道時(shí)，可以通過監(jiān)測車輛相對于車道線位置的變化進(jìn)行標(biāo)記。關(guān)鍵特征包括車輛的橫向位置、速度、加速度以及車道線檢測信息。

（4）完成換道操作時(shí)刻：車輛完全進(jìn)入新車道，換道過程結(jié)束，車輛穩(wěn)定在新的車道上。這一時(shí)刻的標(biāo)志是車輛在新車道內(nèi)的橫向位置穩(wěn)定，且車速和行駛軌跡恢復(fù)正常。

3.2 換道過程中的參數(shù)變化

在換道過程中，車輛的以下駕駛特征參數(shù)會發(fā)生明顯變化。

（1）側(cè)向速度：代表車輛橫向移動(dòng)速度。在A0到A3階段（換道意圖到完成換道），側(cè)向速度會明顯增加，達(dá)到最大值后逐漸降低至正常水平。側(cè)向速度變化是評估車輛換道起始與完成的關(guān)鍵指標(biāo)，通過監(jiān)控側(cè)向速度的峰值和變化趨勢，可以幫助識別換道時(shí)刻。

（2）橫向加速度：反映車輛加速或減速的程度。在換道期間，特別是在A0到A3階段，橫向加速度會出現(xiàn)高峰。高峰的存在表明車輛正在執(zhí)行換道操作。可以通過橫向加速度的變化率判斷駕駛員的換道決心和操作力度，同時(shí)也可以與側(cè)向速度結(jié)合，分析換道行為的平穩(wěn)性和安全性。

（3）橫向位移：表示車輛在道路上橫向位置的變化量。在換道過程中，這一參數(shù)持續(xù)增加，直到車輛穩(wěn)定在新車道上。橫向位移的累計(jì)量可以用于確定換道完成度，通過連續(xù)的位置信息和軌跡數(shù)據(jù)，可以繪制出車輛的換道路徑，進(jìn)一步細(xì)化分析換道行為。

（4）航向角：指示車輛行駛方向的角度。在換道期間，特別是A0到A3階段，航向角變化劇烈，在完成換道后趨于穩(wěn)定。航向角的變化能夠提示換道操作的開始和結(jié)束點(diǎn)，通過實(shí)時(shí)監(jiān)控航向角，可以預(yù)警可能的換道操作，有助于提前識別駕駛員的意圖。

4 換道意圖識別模型建立及結(jié)果分析

4.1 長短期記憶（LSTM）網(wǎng)絡(luò)

長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory， LSTM）是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network， RNN），通過引入記憶細(xì)胞和門控機(jī)制，有效解決了標(biāo)準(zhǔn)RNN在處理長序列信息時(shí)存在的梯度消失和梯度爆炸問題，從而捕獲長期依賴關(guān)系。LSTM通過引入記憶單元（Memory Cell）以及門結(jié)構(gòu)（Gate）來控制信息的流動(dòng)，從而實(shí)現(xiàn)對長短期信息的良好處理和保存。

在長短期記憶網(wǎng)絡(luò)（LSTM）中，當(dāng)前時(shí)間步的輸入和前一時(shí)間步的隱藏狀態(tài)被聯(lián)合作為輸入數(shù)據(jù)傳遞給網(wǎng)絡(luò)。這些輸入數(shù)據(jù)會通過三個(gè)獨(dú)立的全連接層進(jìn)行處理，每個(gè)層都使用sigmoid激活函數(shù)來計(jì)算各自的門值：輸入門、遺忘門和輸出門。因此，這些門的輸出值范圍在0到1之間。

4.2 評價(jià)指標(biāo)

本文選擇了以下四個(gè)評價(jià)指標(biāo)，從識別精度和識別水平兩個(gè)方面來評估所提出的基于LSTM的車輛換道意圖識別模型。

精確率（Precision）：該指標(biāo)衡量的是某種駕駛意圖被正確識別的樣本數(shù)量，占識別結(jié)果中屬于該駕駛意圖樣本數(shù)量的比例。

召回率（Recall）：該指標(biāo)衡量的是某種駕駛意圖被正確識別的樣本數(shù)量，占實(shí)際存在該種駕駛意圖樣本數(shù)量的比例。

F1-分?jǐn)?shù)（F1-score）：這個(gè)指標(biāo)是準(zhǔn)確率和召回率二者之間的調(diào)和平均數(shù)，用于權(quán)衡這兩個(gè)指標(biāo)。

準(zhǔn)確率（Accuracy）：該指標(biāo)表示在所有樣本中，被正確識別為三類駕駛意圖的樣本數(shù)量占總樣本數(shù)量的比例。

4.3 LSTM模型的換道意圖識別結(jié)果

在完成模型訓(xùn)練的過程中，首先利用訓(xùn)練集對模型的參數(shù)進(jìn)行調(diào)優(yōu)，使其能夠更好地理解和擬合數(shù)據(jù)。在訓(xùn)練過程結(jié)束后，利用測試集對模型的性能進(jìn)行評估，從而客觀衡量其在未知數(shù)據(jù)上的性能能力，驗(yàn)證模型的泛化能力和實(shí)際應(yīng)用效果。LSTM模型性能結(jié)果在表2中有詳細(xì)敘述。通過反復(fù)實(shí)驗(yàn)和參數(shù)調(diào)整，不斷優(yōu)化模型的結(jié)構(gòu)，有效提高了預(yù)測的準(zhǔn)確性和魯棒性，可進(jìn)一步驗(yàn)證模型在不同交通場景中的適應(yīng)性。

由表2可以看出，本文提出的基于長短期記憶（LSTM）網(wǎng)絡(luò)的車輛換道意圖識別模型在綜合性能方面表現(xiàn)良好，其綜合準(zhǔn)確率達(dá)到92.85%。具體而言，兩種換道意圖的識別準(zhǔn)確率、召回率和F1值均超過了91%、91%和92%，分別為相關(guān)指標(biāo)設(shè)立了新的基準(zhǔn)。實(shí)驗(yàn)結(jié)果表明，這一模型不僅能夠高效地感知車輛的駕駛意圖，而且在準(zhǔn)確性方面也具備優(yōu)異的表現(xiàn)，顯示出其在車輛換道意圖識別任務(wù)上的巨大潛力和先進(jìn)性。細(xì)化到不同的換道意圖識別，該模型對左換道駕駛意圖的識別效果尤為突出，準(zhǔn)確率、召回率和F1分?jǐn)?shù)三個(gè)關(guān)鍵評價(jià)指標(biāo)均優(yōu)于其他駕駛意圖。這一結(jié)果表明，模型在處理左變道數(shù)據(jù)時(shí)能夠更好地捕捉到換道特征和模式，確保了高精度的識別能力。綜上所述，基于LSTM的換道意圖識別模型不僅在整體上達(dá)到了較高的性能標(biāo)準(zhǔn)，而且對特定的駕駛意圖類別表現(xiàn)出優(yōu)異的識別效果。

4.4 不同模型性能對比結(jié)果分析

為了進(jìn)一步驗(yàn)證所使用模型的優(yōu)越性和可靠性，本文選擇了CNN、RNN和GRU等深度學(xué)習(xí)模型，并與所提出的LSTM模型進(jìn)行對比實(shí)驗(yàn)。通過比較不同模型的性能，可以更全面地評估LSTM模型的性能。最終，各模型的性能對比結(jié)果如表3所示。

從表3的結(jié)果可以看出，本文所提出LSTM模型在各類識別任務(wù)中表現(xiàn)優(yōu)異。具體而言，對于換左換道意圖，LSTM模型的精確率、召回率和F1值分別達(dá)到了93.22%、91.59%和92.76%，明顯高于其他模型的相應(yīng)指標(biāo)。對于右換道意圖，LSTM模型也表現(xiàn)出優(yōu)異的性能，其精確率、召回率和F1值分別達(dá)到91.68%、92.03%和92.57%。

此外，LSTM模型表現(xiàn)出更高的準(zhǔn)確率、更強(qiáng)的穩(wěn)定性和魯棒性。這些結(jié)果證明了LSTM在識別和學(xué)習(xí)交通規(guī)則相關(guān)行為特征方面的優(yōu)勢。與其他模型相比，LSTM不僅能夠更準(zhǔn)確地識別換道意圖，而且能夠減少誤報(bào)和漏報(bào)。這些性能優(yōu)勢將有助于提高智能交通系統(tǒng)（ITS）在實(shí)際應(yīng)用中的安全性和效率。

5 結(jié)論

為了確保車輛換道意圖的識別準(zhǔn)確性，本文不僅對車輛軌跡數(shù)據(jù)進(jìn)行了詳細(xì)處理，還采用了高斯平滑處理技術(shù)。通過提取目標(biāo)車輛和周圍車輛的橫縱坐標(biāo)、速度及加速度等行駛信息，并對這些數(shù)據(jù)進(jìn)行高斯平滑處理，能夠減少噪聲和異常值的影響，從而獲得更加平滑和連續(xù)的特征數(shù)據(jù)。這些處理后的數(shù)據(jù)包含車輛的相對位置、速度和加速度等關(guān)鍵特征，作為模型的輸入特征，能夠更準(zhǔn)確地描述車輛的動(dòng)態(tài)行為。本文選取了NGSIM數(shù)據(jù)集中部分車輛行駛數(shù)據(jù)對模型進(jìn)行訓(xùn)練和測試，并與CNN、RNN、GRU等模型進(jìn)行了對比。實(shí)驗(yàn)結(jié)果表明，本文使用的LSTM模型在整體識別準(zhǔn)確率上達(dá)到92.85%，在精確率、召回率、F1分?jǐn)?shù)和準(zhǔn)確率等評價(jià)指標(biāo)上明顯優(yōu)于其他模型。通過以上研究，驗(yàn)證了所采用的LSTM模型在車輛換道意圖識別任務(wù)中的優(yōu)越性能。模型不僅能夠快速、準(zhǔn)確地感知和判斷車輛的換道意圖，有效降低換道過程中的碰撞風(fēng)險(xiǎn)，從而提高了車輛行駛的安全性。

參考文獻(xiàn)：

[1] K. Okamoto， K. Berntorp， and S. Di Cairano.Driver intention-based vehicle threat assessment using random forests and particle filtering[J].IFAC-PapersOnLine， 2017， 50：13 860–13 865.

[2]喬少杰，金琨，韓楠，等.一種基于高斯混合模型的軌跡預(yù)測算法[J].軟件學(xué)報(bào)，2015，26（05）：1048-1063.

[3] G. S. Aoude， B. D. Luders， K. K. H. Lee， D. S. Levine， and J. P. How，“Threat assessment design for driver assistance system at intersections，”in Proc. 13th Int[J]. IEEE Conf. Intell. Transp. Syst.， 2010：1855–1862.

[4] Multiple Model Unscented Kalman Filtering in Dynamic Bayesian Networks for Intention Estimation and Trajectory Prediction.

[5]張淼，何儀娟，楊博宇，等.基于LSTM-KF模型的高速列車群組追蹤運(yùn)行軌跡預(yù)測方法[J].交通運(yùn)輸工程學(xué)報(bào)，2024，24（03）：296-310.