高速路换道意图参数提取及意图阶段确定

任园园 赵兰 郑雪莲 李显生

摘   要：针对换道意图辨识研究中的意图表征参数选择与意图阶段确定问题，提出一种新的组合方法.在驾驶模拟器所得原始参数基础上，从参数重要度与相关性角度，使用决策树C4.5算法和皮尔逊相关性分析，最终得到以方向盘转角、车道偏离量和横摆角加速度组成的重要度高且互相关性低的换道意图表征参数组.在此基础上，对方向盘转角和车道偏离量的时间序列进行K-means聚类，确定驾驶人换道意图阶段，并得出意图阶段长度与平均车速近似线性相关，且左换道意图阶段长度大于右换道意图阶段长度.最后，建立连续高斯隐马尔可夫模型，在所得意图表征参数组及意图阶段数据的基础上，训练换道意图识别模型及车道保持识别模型.模型的平均离线识别准确率为90%. 并可在左换道开始前1.5 s判断出驾驶人左换道意图，右换道开始前1.4 s判断出驾驶人右换道意图. 研究结果表明：基于所得的意图表征参数组及意图阶段所建立的意图识别模型可有效识别驾驶人换道意图，且识别精度较高，时序性较强. 该方法可为意图识别研究中意图参数选取及意图阶段确定提供参考.

关键词：驾驶行为;意图参数提取;决策树C4.5算法;意图阶段确定;K-means;换道意图识别

Abstract： Aiming at the problem of parameter selection and intention stage determination of intention representation in lane change intention identification， a new combined method is proposed. On the basis of the original parameters obtained from the driving simulator， the C4.5 decision tree algorithm and Pearson correlation analysis are used to obtain the parameter group which is composed of steering wheel angle， lane departure and yaw acceleration with high importance and low correlation. On this basis， K-means clustering is applied to the time series of steering wheel angle and lane departure to determine the driver's lane change intention stage. It is concluded that the length of intention stage is approximately linear related to the average speed， and the length of left lane change intention stage is larger than that of right lane change intention stage. Finally， the continuous Gaussian hidden Markov model is established， and the lane change intention recognition model and lane keeping recognition model are trained on the basis of intention representation parameter group and intention stage data. The average off-line recognition accuracy of the model is 90%. The driver's left lane change intention can be judged 1.5 s before the start of left lane change， and 1.4 s before the start of right lane change. The results show that the intention recognition model based on the intention representation parameters and intention stage can effectively identify the driver's lane changing intention， and the recognition accuracy is high and the timing is strong. This method can provide reference for intention parameter selection and intention stage determination in intention recognition research.

Key words：driving behavior;intention parameter selection;decision tree C4.5;intention stage determination;K-means determination;lane-changing intention recognition

隨着汽车智能化发展，高级辅助驾驶系统（Advanced Driver Assistance System，ADAS）被逐渐应用于车辆驾驶中以提高驾驶安全. ADAS系统唯有理解驾驶人的意图及动作，才能更好地提供辅助及协作控制策略[1].

近年来，驾驶意图辨识的研究越来越多，机器学习作为主流方法之一，被较多研究学者所使用.在机器学习辨识换道意图的研究中，换道意图表征参数和换道意图阶段确定对模型的辨识效果具有重要影响，过多无用的表征参数会使模型复杂化，降低计算速度，意图阶段截取不当会混入非意图阶段信息，影响意图模型识别效果. 因此，意图表征参数组的选择和意图阶段的确定对意图辨识具有重要意义.

意图表征参数可被分为交通环境参数、车辆动态参数和驾驶人行为参数三大类[2]. 对于具体的意图表征参数选取，现有研究常见提取方法有研究者观察选定、统计学分析差异性、分类器验证三种. Salvucci等基于驾驶模拟器实验，分析8位驾驶人的384次指定换道实验数据，发现驾驶人换道前伴随轻微减速，且意图阶段驾驶人对后视镜的关注明显高于车道保持阶段，因此认为车速及驾驶人视觉特性可以表征驾驶人换道意图[3]. 李创以NGSIM数据集作为数据依托，认为横向运动变化规律可以很好地区分车道保持和左右换道三种驾驶行为，选择前车与其初始所在车道左侧车道线的距离、前车的横向速度以及纵向速度作为观测变量[4]. 以上为研究者通过观察参数在不同驾驶阶段的差异性后确定意图表征参数. 除此之外，侯海晶基于驾驶人视觉特性，采用独立样本T检验，分析驾驶人在左、右换道和车道保持阶段的视觉特性差异，确定驾驶人意图表征参数组[5]. 毕胜强等人对人-车-路参数构造不同组合，通过分类器验证各组合的分类性能，确定包含人-车-路三者信息的参数组合最优[6]. 以上学者采用不同方式选取了人车路不同方面的参数用于意图辨识. 为降低模型计算复杂度，提升模型精度，本文从参数重要度及相关性角度，选取在意图辨识中重要度高且互相关性低的参数.

在换道意图辨识研究中，意图阶段数据是驾驶人意图的重要表征.常用意图阶段确定方式有两种：一种是通过确定意图起、终点得到意图阶段数据，另一种是确定换道开始点并反向截取一个固定长度得到意图阶段数据.在意图起终点确定意圖阶段的方式中，意图起终点多是由观察者观察视频或分析参数变化确定. Kiefer等人提出将驾驶人开启一侧转向灯或第一次注视后视镜作为换道意图的起点，将驾驶人为完成换道首次转动方向盘为换道意图的终点，二者差值即为换道意图阶段[7]. 长安大学袁伟、马勇、彭金栓等人基于实车实验数据，以驾驶人首次关注后视镜与横向位置显著变化时刻的时间差为换道意图阶段，经统计得到驾驶人换道意图阶段长度为5 s[8-10]. 冯杰以驾驶人首次关注后视镜与方向盘转角发生变化的时间差为意图阶段，同时，得出冲动型、普通型和谨慎型驾驶人的意图阶段分别为2 s、3 s、5 s[11]. 侯海晶、Kuge等人均提取从直行到方向盘转角出现第一个峰值之前的数据作为意图阶段[12-13]. 对于第二种换道开始点结合固定长度截取意图阶段数据的方法，换道开始点多由单指标或多指标确定，而意图阶段长度多由参数分析、对比试验获得，宽度不一. 其中美国NTHSA报告根据8 667次车道变换样本的深入分析发现，换道前3 s左右足够捕捉驾驶人的视觉搜索规律，确定3 s为换道意图阶段长度[14];霍克观看218次试验换道录像发现驾驶员产生意图到实施动作一般要6 s，故确定换道决策阶段为车道变换前6 s[15]. Doshi 等人根据视觉特性，分别选取意图阶段为2 s和3 s进行识别比较，发现提前2 s的识别成功率高于3 s[16]. Fitch等人将驾驶员注视划分区域，通过对比意图阶段长度为8 s和3 s内驾驶员的视觉区域注视规律，得3 s左右可见视觉区域有明显差异且设为意图阶段[17]. 综上，现有的意图阶段确定方式大多建立在视频观察、数据统计分析和试验对比的基础上，易受研究者主观因素的影响，且均用一个固定长度来描述意图阶段.在换道意图研究中，意图阶段易受驾驶人因素影响，换道样本间的意图阶段的位置与长度存在差异，并不完全相同，在此基础上，本文提出一个基于聚类的意图阶段提取方法，在减少研究者主观因素的同时，对每个换道样本单独提取意图阶段数据.

本研究从驾驶模拟器换道数据入手，提出一种换道意图表征参数选择和意图阶段确定方法，并建立高斯隐马尔可夫模型进行高速路换道意图辨识.论文研究成果可以为意图识别研究中意图表征参数的选取及意图阶段的确定提供参考，更准确高效地辨识换道意图.

1   试验设计及数据处理

1.1   试验平台

试验使用交通运输部公路科学研究所（RIOS）研发的RADS型8自由度全景驾驶模拟系统（图1）采集驾驶模拟器数据.该驾驶模拟系统主要由6DOF、Yaw-Table、Vibration、X-Table、客舱、多通道投影系统、声响系统、电源系统及其他辅助系统构成，可通过UC-win/Road软件快速进行三维道路建模和交通模拟，并采用Carsim车辆动力学软件对车辆动力学参数进行模拟. 此外，系统可外接Facelab/Tobii等眼动系统以及多导心生理采集系统，以实现人车路环境多维参数的采集.

1.2   试验场景与实验人员

试验场景涵盖城市路段和高架快速路段两种类型，全程10.35 km，共包含11个弯道路段，最小转弯半径为100 m，最大转弯半径为300 m. 道路形式包含两种，分别为双向双车道和双向四车道，高架快速路车道宽度均为3.25 m[18]. 该研究主要为高速路段驾驶人换道意图辨识，故只选择试验路线中间部分高架路段数据.场景如图2所示，主要包括路边建筑物、路边树木及其他机动车辆，其他机动车辆的运动状态为自由设定. 被试驾驶员在实验中，均按照个人的驾驶习惯按预先设定的路线进行自由驾驶，自主换道.

试验共选取了17名被试驾驶人，其中女性驾驶人6名，男性驾驶人11名. 所选驾驶人均身体健康，无视觉、听觉、心脑血管等疾病. 被试基本信息表如表1所示. 试验开始前让所有被试驾驶人充分熟悉驾驶仿真平台，每个驾驶人要求以80 km/h到120 km/h的车速完成整个试验.

1.3   数据采集与预处理

该驾驶模拟系统可同时采集车辆运行状态参数、交通流环境参数、驾驶人眼动行为以及心生理状态，可同时输出123个不同的动态参数，采样频率为60 Hz，与研究相关的参数有22个，如表2所示. 其中与车辆运行状态相关参数有16个，与车辆位置相关参数有6个. 在驾驶模拟实验过程中，由于驾驶人操作失误或设备本身等原因，导致异常或丢失数据的产生，最终采用其中14个驾驶人试验数据进行研究，利用滑动平均值算法对数据进行滤波处理.

本研究定位于换道意图的辨识，在不知具体换道意图阶段的位置时，本文截取从车辆尚处于直行状态到车辆越过车道线的时间段为最初研究样本，可以确定此方式截取的样本必定包含换道意图阶段，具体截取示例如图3所示. 车辆横向位置轨迹与车道线的交点对应时间为车辆跨过车道线的时刻Tlc，以此往前推，找到车辆直行状态末期Tlk，截取Tlk与Tlc之间的数据段用于下文换道意图参数及换道意图阶段确定.

采用 MATLAB 中 findpeaks 函数寻找到峰值点，该点为局部最大值，为保证所选换道片段不缺失有效数据，从峰值点处往前2 s作为车辆直行阶段末期Tlk. 以此方式最终获取 180 组有效样本，包括换道样本112组（左换道62组、右换道50组）和车道保持68组. 所有有效样本将被分为两部分：训练样本和验证样本，比例约为2 ∶ 1.

2   换道意图表征参数的选取

换道意图辨识研究中，表征意图的参数众多，为减少模型计算复杂度，需要筛选出对区分换道意图重要度较高的换道意图表征参数. 本文基于决策树原理进行重要参数的选择. 选择决策树算法时，考虑到参数的统计特征取值较多及统计特征之间取值数目不同，选择了可以分裂为多叉树的C4.5算法进行参数统计特征重要度分析. 在进行换道意图表征参数选取时，首先基于C4.5算法计算参数统计特征的信息增益率GR（Gain Ratio），初步筛选出一组参数，然后进行皮尔逊相关性分析，逐步剔除掉互相关性高的参数，最终得到在意图分类方面重要度高且互相关性低的意图表征参数组.

2.1   参数统计值构造

在上节提取的22个参数、180组有效样本中，从每个参数的时间序列中构造对应参数的9个统计特征，分别为平均值、众数、最大值、最小值、25%分位数、中位数、75%分位数、标准差、方差，22个参数共计198个统计特征.鉴于此处参数的时间序列较短，均值、最值、中位数、方差、百分位数等统计值可以大致反映时间序列的变化趋势，故本文采用时间序列的统计特征来表示时间序列，通过分析参数时间序列对应的统计特征的重要度，反映参数的重要度.

2.2   基于C4.5算法的参数重要度分析

C4.5算法采用信息增益率作为特征选择指标，信息增益率越大，分裂后的集合有序程度越高，特征的分类效果越好. C4.5算法进行特征重要度分析流程如图4所示，图中特征A代表198个统计特征中的任意一个.

利用特征A 对样本集合D进行划分所得到的信息增益为GA，信息增益越大，集合D的不确定度下降越多.

为获取重要度较高的参数，将每个参数的9个统计特征的信息增益率排名表示为一个箱线图. 图5为198个参数统计特征的信息增益率排名对应的箱线图，横轴为表2中参与重要度排序的22个参数，纵轴为参数统计特征信息增益率排名. 箱线图中每个箱子都可以代表对应参数的9个统计特征的信息增益率排名情况，中间线表示信息增益率排名100的位置，线以下的10个箱子，即为信息增益率排名前10的参数，分别是方向盘转角、侧向加速度、横摆角速度、侧倾角速度、横摆角加速度、车道偏离量、侧倾角、车辆距离左、右边界的距离和道路偏离量.

将以上参数的统计特征作为决策树的分裂节点，进行原始数据的分裂，分裂后的数据集，信息增益率大，混乱程度降低明显，反映出此10个参数在区分不同驾驶阶段意图时有较好的分类效果，符合意图表征参数要求，为确保各参数之间的独立性，还需要进一步分析参数之间的相关性.

2.3   表征参数相关性分析

在上述参数中，车辆离左、右边界的距离与道路偏离量易受道路线形的影响，而本文主要研究高速路上直行后的换道，故排除以上三个参数，只对剩余7个参数做皮尔逊相关性分析，所得结果如表4所示.

在显著性水平P值均小于0.05的条件下，排除掉相关系数值大于0.5，即互相关性较高的参数，剩余参数为互相关性较低的参数，分别为方向盘转角、横摆角加速度和车道偏离量.因此综合参数重要度与皮尔逊相关性分析，最终将方向盘转角、横摆角加速度和车道偏离量作为驾驶人换道意图的表征参数，为下文意图识别模型的训练提供观测层输入参数.

3   换道意图阶段的确定

换道意图是驾驶人与周围环境交互后产生的结果. 具体地说，当驾驶人对当前车道的满意程度下降，且对目标车道期望程度上升，则会形成换道意图.而具体的换道意图阶段是指，驾驶人产生换道意图时间点至驾驶人执行换道机动时的时间点，这二者之间的时间间隔.作为整个换道进程中的一部分，换道意图阶段具有位置、长度两个属性，且不同换道过程的换道意图阶段也不完全相同.

本文结合车辆到达分道线前参数的阶段性变化，提出一种基于K-means聚类的换道意图阶段的截取方法，提取训练样本的换道意图阶段训练换道意图识别模型.

3.1   观测集与聚类个数的确定

车辆换道意图表征参数中的方向盘转角和車道偏离量分别代表了驾驶人的动作与车辆的横向位置，最能直观体现车辆换道过程中的动态变化.因此，观测集为方向盘转角和车道偏离量的时间序列.

所有验证样本数据进行意图识别的识别准确率如表9所示.

4.4   识别时效性评估

在行驶过程中，驾驶人的意图是一个连续变化的过程. 除了预测准确率之外，预测的实时性也是影响预测模型实际应用价值的重要因素. 采用滑窗法对连续的驾驶过程进行实时意图识别验证.

利用表7中时序性测试样本进行换道意图识别模型的时效性评估，其中左、右换道样本各11个，均取自车辆从直行至越过分道线.基于测试样本的换道意图辨识过程如图10所示. 图10（a）（b）换道过程示意图中的换道开始点为K-means聚类得到的意图阶段结束时刻. 图10（c）（d）为测试样本的换道意图辨识结果.

11个测试样本识别结果如图11（a）和（b）所示.倒三角为换道开始时刻，正三角为对应意图被正确识别的时刻，两点间线的长度为相对于换道开始时刻的意图识别提前量，左换道意图识别提前量均值为1.5 s，右换道意图识别提前量均值为1.4 s.

5   结   论

针对意图识别研究中意图参数的选择问题，基于决策树C4.5算法和皮尔逊相关系数，对换道过程中的22个参数进行了重要度和相关性分析，最终筛选出方向盘转角、车道偏离量和横摆角加速度作为换道意图表征参数组. 针对驾驶人换道意图阶段的确定问题，基于K-means对方向盘转角和车道偏离量的时间序列聚类，得到14个驾驶人的所有换道样本的意图阶段长度，简要分析得出意图阶段长度与平均车速近似线性相关，且左换道意图阶段长度大于右换道意图阶段长度. 采用所得意图表征参数组及意图阶段，基于高斯隐马尔可夫理论建立驾驶人向左、向右换道意图识别模型和车道保持模型，结果显示：意图识别模型的平均识别准确率为90%;直行路段上，该模型可以在左换道开始前1.5 s、右换道开始前1.4 s预测出换道意图.

参考文献

[1]    XING Y，LV C，WANG H J，et al. An ensemble deep learning approach for driver lane change intention inference[J]. Transportation Research Part C：Emerging Technologies，2020，115：102615.

[2]    XING Y，LV C，WANG H J，et al. Driver lane change intention inference for intelligent vehicles： framework， survey and challenges[J].IEEE Transactions on Vehicular Technology，2019，68（5）：4377—4390.

[3]    SALVUCCI D D，LIU A. The time course of a lane change： Driver control and eye-movement behavior[J]. Transportation Research Part F：Traffic Psychology and Behavior，2002，5（2）：123—132.

[4]    李创. 智能汽车对前方车辆的运动感知与换道意图辨识[D]. 西安：西安理工大学，2019：33—52.

LI C. Intelligent vehicle's motion perception and lane change intention recognition of vehicles ahead[D]. Xian： Xian University of Technology，2019：33—52.（In Chinese）

[5]    侯海晶. 高速公路駕驶人换道意图识别方法研究[D]. 长春：吉林大学，2013：33—68.

HOU H J.Research on lane-changing intention recognition method for freeway driver[D]. Changchun： Jilin University，2013：33—68.（In Chinese）

[6]    毕胜强，梅德纯，刘志强，等. 面向驾驶行为预警的换道意图辨识模型研究[J]. 中国安全科学学报，2016，26（2）：91—95.

BI S Q，MEI D C，LIU Z Q， et al. Research on lane change intention identification model for driving behavior warning[J]. China Safety Science Journal，2016，26（2）：91—95.（In Chinese）

[7]    KIEFER R J，HANKEY J M.Lane change behavior with a side blind zone alert system[J]. Accident Analysis & Prevention，2008，40（2）：683—690.

[8]    袁伟，付锐，郭应时，等. 基于视觉特性的驾驶人换道意图识别[J]. 中国公路学报，2013，26（4）：132—138.

YUAN W，FU R，GUO Y S， et al. Drivers lane changing intention identification based on visual characteristics[J]. China Journal of Highway and Transport，2013，26（4）：132—138. （In Chinese）

[9]    马勇，付锐，郭应时，等. 基于实车试验的驾驶人换道行为多参数预测[J]. 长安大学学报（自然科学版），2014，34（5）：101—108.

MA Y，FU R，GUO Y S，et al. Multi-parameter prediction of driver's lane change behavior based on real-world driving tests[J]. Journal of Changan University （Natural Science Edition），2014，34（5）：101—108. （In Chinese）

[10]  彭金栓，付锐，郭应时，等. 基于驾驶人视觉特性的换道意图识别方法[J]. 武汉理工大学学报，2013，35（3）：73—79.

PENG J S，FU R，GUO Y S， et al. Lane change intent identification based on drivers visual characteristics[J]. Journal of Wuhan University of Technology，2013，35（3）：73—79. （In Chinese）

[11]  冯杰. 基于驾驶员行为的变道车辆行驶特征研究[D]. 武汉：武汉理工大学，2018：33—50.

FENG J. Research on driving characteristics of lane-changing vehicle based on driver behavior[D]. Wuhan： Wuhan University of Technology，2018：33—50. （In Chinese）

[12]  侯海晶， 金立生.  基于CHMM的驾驶员意图识别方法[C]// 全国博士生学术论坛. 北京：交通运输工程，2011：701—707.

HOU H J， JIN L S. Driver intention recognition method using continuous Hidden Markov Model[C]// National Doctoral Academic BBC. Beijing： Traffic and Transportation Engineering， 2011：701—707.  （In Chinese）

[13]  KUGE N，YAMAMURA T，SHIMOYAMA O，et al. A driver behavior recognition method based on a driver model framework[C]//SAE Technical Paper Series. Warrendale， PA， United States： SAE International，2000：469—476.

[14]  LEE S E， OlSEN E C B， WIERWILLE W W. A comprehensive examination of naturalistic lane-changes[R]. Blacksburg： Virginia Tech Transportation Institute， 2004.

[15]  霍克.城市道路驾驶员车道变换行为及注视转移特性研究[D]. 西安：长安大学，2010：18—22.

HUO K.Study on drivers lane change behavior and law of eye movement in urban environment[D]. Xian： Changan University，2010：18—22. （In Chinese）

[16]  DOSHI A，TRIVEDI M M. On the roles of eye gaze and head dynamics in predicting drivers intent to change lanes[J]. IEEE Transactions on Intelligent Transportation Systems，2009，10（3）：453—462. [17]  FITCH M，HANKEY J，SUDWEEKS J，et al. Analysis of lane-change crashes and near-crashes[R]. Blacksburg： Virginia Tech Transportation Institute，2009.

[18]  鐘连德，荣建，孙小端. 关于高架快速路车道宽度设置的探讨[J]. 公路交通科技，2006，23（10）：117—119.

ZHONG L D，RONG J，SUN X D. Discussion of lane width of elevated expressway[J]. Journal of Highway and Transportation Research and Development，2006，23（10）：117—119. （In Chinese）

[19]  魏浩，丁要军. 一种基于属性相关的C4.5决策树改进算法[J]. 中北大学学报（自然科学版），2014，35（4）：402—406.

WEI H，DING Y J. An improved algorithm of C4.5 decision tree based on attributes correlation[J]. Journal of North University of China （Natural Science Edition），2014，35（4）：402—406. （In Chinese）

[20]  王昊雷. K均值聚类算法研究与应用[D]. 哈尔滨：哈尔滨工程大学，2015：16—32.

WANG H L. Research and application of K-means clustering algorithm[D]. Harbin： Harbin Engineering University，2015：16—32.（In Chinese）