基于C-P2D-HMM的机动车驾驶意图辨识

【摘 要】基于车速变化和车道变换，在二维空间上将驾驶人意图分为加速换道、保持车速换道、减速换道、加速不换道、保持车速不换道和减速不换道六个。考虑到车辆行驶的连续性，利用高斯密度函数改进伪二维隐马尔可夫模型提出了驾驶人意图辨识。模型以车间距、对象车速及横向加速度为输入，以驾驶人驾驶意图为输出，将变速及是否变换车道两种驾驶意图分别作为C-P2D-HMM的隐状态的二个维，进行驾驶人意图辨识。实验结果表明，模型可行、有效，辨识准确率是98.84%。利用转移概率，还能实现预测。有助于对不正常的变速换道提出预警，降低此类交通事故。

【关键词】交通工程；意图辨识；伪二维隐马尔可夫；高斯密度函数

1、引言

随着道路通行条件的改善、车辆机械性能的提高，交通事故中驾驶人的因素所占比例呈明显上升趋势。驾驶人疲劳驾驶及操作失误直接影响着其他行驶车辆的安全，从驾驶人角度对交通安全系统的研究逐步受到重视。虽然已应用的电子辅助驾驶系统如ABS、TC、ESP、AT等技术可以从一定程度上警示驾驶人，但无论从被动防御还是主动预警角度，其研究基础都是基于驾驶人的反应行为数据，如何能准确的对驾驶人意图进行辨识已成为交通安全学中研究的重要内容之一。目前对驾驶意图的研究主要集中在平直道路换挡驾驶意图辨识、交叉口停车意图辨识和驾驶人转向意图辨识。清华大学王玉海等人根据车辆行驶过程中的动力学特性，研究行驶过程中驾驶人换挡操作的特征，建立基于模糊推理的意图辨识模型，提出了将驾驶环境和驾驶人操作相统一的识别方法[1]。吉林大学宗长富等人通过结合HMM和ANN建立的驾驶人意图辨识与行为预测模型，对驾驶人意图在紧急转向、正常转向和直线行驶三种工况下的操作分别进行辨识和预测[2]。这些模型通常只能针对某一种驾驶行为进行辨识，如只针对换挡意图的辨识；但在现实路况中驾驶人会采取一系列的驾驶行为而非单一行为，对单一驾驶意图的辨识结果可能会与现实状况有所出入，有一定的局限性。本文在分析前人研究成果基础上，选取变速与是否换道作为模型的二个维，将驾驶意图划分为加速换道、保持车速换道、减速换道、加速不换道、保持车速不换道和减速不换道；并利用高斯分布连续性的特点改进伪二维隐马尔可夫模型判别出驾驶人的驾驶意图。该模型在辨识驾驶人意图的基础上，还能实现非正常变速换道的预警，从而降低此类交通事故。

2、驾驶意图辨识模型基本思想

驾驶人在行车过程总对于是否变化车速和车道是同时考虑的，而不是分开的，也就是说驾驶人的意图有两个维度。以前研究者只考虑单一维度，要么是车速的加减保持，要么是是否换道，不能真实反映实际情况。本文将两个维度同时考虑，提出了6种需要辨识的驾驶人意图辨识模式，如图1所示。

驾驶人的驾驶意图是不可见的，通常用车辆的行驶过程进行间接描述。本文选用车间距、对象车速、及横向加速度作为输入来表征上述6个驾驶意图。借助改进的C-P2D-HMM实现二维的驾驶意图辨识。伪二维马尔可夫模型（P2D-HMM）是在HMM基础上提出的不完全数据统计模型[3]，其双随机过程是由一个不可观测的有限状态二维马尔可夫链和一个随机过程组成，这也就将可观察到的驾驶行为与不可见的驾驶意图联系起来。因此可以用二维马尔可夫链可来描述驾驶意图的转移，随机过程描述驾驶意图与驾驶行为之间的关系，从而实现辨识。辨识的过程如图2所示。如果增加状态转移的时间该方法还可以实现预测。

3、基于C-P2D-HMM的模型求解

由于驾驶意图是连续的时间序列，而传统的P2D-HMM模型中观测特征概率分布B是离散分布，若直接使用对辨识结果会产生一定误差。因此，采用混合高斯概率密度函数，改进P2D-HMM模型来描述驾驶意图辨识问题。其观测矢量序列为。

C-P2D-HMM驾驶意图辨识模型表示为，其中

：初始驾驶意图概率分布

：车道及车速二维转移概率分布

：保持车速转移概率分布，；

：换道转移概率分布，；

：除第一列，第一行外的其他的驾驶意图转移概率分布，

；

：高斯密度的混合权重，且

：高斯密度的均值矢量

：协方差矩阵

则驾驶意图观测序列概率密度函数表现形式为：

此外，表示维状态矩阵；表示维观测特征矩阵。

要用模型辨识前先要解决模型的学习问题，得到模型的相关参数；再解决解码问题，求出最优的隐状态序列。选取车间距、对象车速、及横向加速度作为输入分别训练得出基于C-P2D-HMM驾驶意图模型。本文借助于参数和模型状态间的交叉验证，反复优化模型和隐状态，即先给定初始参数，确定出对应于这组参数的最可能状态，再在当前的状态下重新估计参数，又在新的参数下重新确定模型的状态，如此循环直至收敛条件满足为止，收敛则可以保存C-P2D-HMM驾驶意图模型。在已知驾驶人操作的输入序列和随机给定模型初始参数向量，然后求取使最大。本文利用二维Viterbi算法找到最优的状态链[3]。检验参数是否收敛，通过对数似然估计（log-likelihood）评价C-P2D-HMM的似然程度，当结果差值小于10时，可认为模型似然程度良好。然后将样本数据分别代入模型中，用每个模型的log-likelihood来评价。该数据是属于哪个模型，则可判断出当前的驾驶意图。这也就是解决C-P2D-HMM模型中的评估问题，即产生该观测序列的最大可能性是哪个模型。

4、算例分析

选取车间距、对象车速及横向加速度作为输入数据，利用样本[4]数据进行算例分析。图3是某时段样本输入数据类型。

选取前5/6数据量作为C-P2D-HMM SXCY训练样本得到C-P2D-HMM SUCL、C-P2D-HMM SUCN、C-P2D-HMM SOCL、C-P2D-HMM SOCN 、C-P2D-HMM SDCL及C-P2D-HMM SDCN六个模型，后1/6数据量作为检验样本，。以C-P2D-HMM SUCL为例，通过训练可得到：

表1列出样本训练中一组驾驶意图的log-likelihood值。将试验数据代入模型，得到的结果如表1所示。我们不难看出，当代入一种试验数据时只有一种模型的似然程度最高。以加速换道为例，把相应数据输入至P2D-HMM SUCL中，表1得到的log-likelihood值为-51.3510，而分别代入其他模型中其log-likelihood值都远远小于P2D-HMM SUCL的最大似然输出。在进行的160次实验中，正确率达93.15%，分类比较理想，方法适用。

表1 基于C-P2D-HMM的驾驶意图的log-likelihood值

SOCL SOCN SUCL SUCN SDCL SDCN

保持车速换道 -63.5930 -112.0324 -105.9903 -124.6652 -133.7730 -145.2383

保持车速不换道 -101.3275 -79.0491 -117.3658 -112.9266 -121.4217 -125.5391

加速换道 -114.4401 -107.2800 -51.3510 -87.2997 -114.3396 -153.9162

加速不换道 -137.9436 -115.2738 -78.2587 -59.8041 -105.3587 -118.4191

减速换道 -109.8376 -132.8834 -103.3685 -114.2206 -81.3349 -109.8201

减速不换道 -142.3079 -128.7239 -111.3984 -102.7286 -115.3019 -73.7315

借助该改进的连续伪二维马尔可夫模型（C-P2D-HMM）中的驾驶意图转移概率，还可以对驾驶人在一段时间后的驾驶意图做出预测。

若时间间隔为5s，SUCL为例，可得到下一时刻驾驶意图的概率P分别为0.7413、0.0438、0.1674、0.0137、0.0143、0.0195，即得到下一时间段驾驶人可能产生的行为是加速换道。将检验样本数据全部代入，得到的辨识精度达93.15%，可较准确的预测出下一时刻的驾驶人驾驶意图。当时间间隔为3s时，辨识精度为95.44%。随着时间间隔的减小，计算量增大，但辨识精度提高。

此外，经样本训练发现高斯混合数越多，辨识所需时间越短。当高斯混合数为4时，辨识所需时间平均为3.7s，预测所需时间平均为3.5s；当高斯混合数为8时，辨识时间仅为1.4s，预测所需时间为1.1s。表2显示不同时间间隔、高斯混合数条件下模型的辨识精度，时间间隔越短、高斯混合数越多则辨识精度越高。

表2 不同条件下模型的辨识与预测精度

时间间隔 高斯混合数 辨识精度 预测精度 时间间隔 高斯混合数 辨识精度 预测精度

5s 4 93.15% 92.65% 3s 4 95.44% 94.89%

5s 8 96.79% 97.37% 3s 8 98.84% 98.98%

5、结论

通过以上研究，可以得到如下几点结论：（1）基于改进的连续伪二维隐马尔可夫模型，利用车间距、对象车速及横向加速度辨识驾驶意图是可行的。（2）模型时间间隔与高斯混合数对模型的辨识精度及预测精度有直接影响，时间间隔越短，高斯混合数越多辨识与预测精度也就越高。（3）实验结果证明，提出的辨识模型在条件设定下辨识准确性较高。

参考文献

[1] 王玉海，宋健，李兴坤．基于模糊推理的驾驶人意图辨识研究[J]．公路交通科技，2005，22（12）：113-118．

[2] 宗长富，杨肖，王畅，张广才．汽车转向时驾驶人驾驶意图辨识与行为预测[J]．吉林大学学报（工学版），2009：27-32．

[3] 张彩虹．隐马氏模型的建模及其应用[D]．国防科技大学，2004．

[4] 王文霞．高速公路基本路段车辆换道安全距离模型的研究[D]．吉林大学，2006．