基于模糊聚類分析的車道變換階段劃分

詹 盛，徐遠新，石涌泉，王 暢

（長安大學 汽車學院，陜西 西安710064）

0 引 言

車道變換作為最常見的駕駛行為之一，對行車安全具有重要影響。合理有效的換道行為不僅能夠減少由換道沖突產(chǎn)生的交通事故，而且能夠有效減少交通延誤［1］。目前車企和相關(guān)科研機構(gòu)投入大量精力研究駕駛輔助系統(tǒng)。部分國外研究人員依據(jù)方向盤轉(zhuǎn)角對駕駛員的換道行為進行定義，最典型就是 “三段式”換道［2］，第一階段：方向盤轉(zhuǎn)角開始轉(zhuǎn)動到轉(zhuǎn)角最大；第二階段：從轉(zhuǎn)角最大到轉(zhuǎn)角為零；第三階段：方向盤轉(zhuǎn)角從零到負的最大。這種劃分方法沒明確給出各個階段方向盤轉(zhuǎn)角的變化規(guī)律，只是定性的劃分。Hiren Mansukhlal Mandalia［3］利用車輛是否存在側(cè)向運動來確定換道，這在駕駛模擬器中可以得到精確的劃分結(jié)果，而現(xiàn)實中車輛的行駛過程極為復雜，很難建立高自由度的車輛模型，所以，該方法在缺乏實際應用價值。顯然，上述換道階段劃分不僅對方向盤轉(zhuǎn)角的依賴性較大，且受模擬器數(shù)據(jù)真實性影響較大，且對數(shù)據(jù)之間的關(guān)聯(lián)性較差，為此，本文在實車試驗基礎上，利用模糊聚類分析對車道變換過程進行劃分［4］。本文在分析了各個換道指標的基礎上，確定方向盤轉(zhuǎn)角和車輛橫擺角速度作為換道表征指標，考慮到方向盤轉(zhuǎn)角和車輛橫擺角速度的在性態(tài)和類屬方面存在著中介性，具有亦此亦彼的特性，因此，選用聚類分析中的軟劃分對換道行為進行分析。

1 模糊聚類分析

聚類分析［5－8］故名思議就是按照一定的法則和要求對研究對象進行屬性劃分的過程，它不像學習機器需要分類對象的先驗知識，緊靠對象之間的相似性就能對對象屬性進行準確劃分，能夠?qū)⒉幌嗨频臉颖具M行劃分到不同類當中，傳統(tǒng)的硬劃分將待辨識的對象嚴格地劃分到某類，獨立性較強，這種劃分界限比較明確，而實際問題往往并不具備非此即彼的性質(zhì)，所以，硬劃分對換道過程的劃分并不合適，而軟劃分在性態(tài)和類屬方面存在著中介性，具有亦此亦彼的性質(zhì)，因此，本文采用軟劃分車道變換過程。一般模糊聚類分析分為基于模糊關(guān)系矩陣的聚類分析和基于目標函數(shù)的聚類分析，結(jié)合車道變換特點，選用基于模糊關(guān)系的聚類分析。基于模糊關(guān)系聚類分析主要包括數(shù)據(jù)格式化、構(gòu)造模糊相似矩陣以及模糊分類3個步驟。

2 車道變化行為特性分析

能夠表征車道變換的參數(shù)很多，比如車輛橫擺角速度、車輛側(cè)向加速度、車輛側(cè)向速度、方向盤轉(zhuǎn)角、轉(zhuǎn)向燈信號以及駕駛員眼動相關(guān)參數(shù)，換道過程能夠反映到這些參數(shù)上，當然，若將這些參數(shù)全部用作換道指標勢必加大問題的復雜度，結(jié)果精確度不高，所以從這些指標當中遴選出合適的換道指標對換道過程的劃分很有必要。圖1是車道變換前后車輛側(cè)向加速度以及縱向加速度的變化情況。

圖1 車輛加速度在換道過程中的變化情況

從圖1可以看出，在車道變換和車道保持階段車輛加速度并未表現(xiàn)較強的規(guī)律性，可見將加速度作為車道變換指標并不能有效區(qū)分車道變換和車道保持。同樣，經(jīng)統(tǒng)計換道過程中轉(zhuǎn)向燈的開啟率僅有69.13%［9］，這也不足以充分反映換道特性。圖2是換道過程中方向盤轉(zhuǎn)角的變化情況。

從圖2可以看出，方向盤轉(zhuǎn)角在車道變換和車道保持階段明顯存在差異，有較強規(guī)律可循，同樣車輛橫擺角速度也有較強的規(guī)律性，所以，本文選用方向盤轉(zhuǎn)角和車輛橫擺角速度作為車道變換指標。

圖2 車道變換過程方向盤轉(zhuǎn)角變化情況

依據(jù) “三段式”定義，換道過程的方向盤轉(zhuǎn)角應該呈現(xiàn)出近似正弦曲線變化，模擬器中的數(shù)據(jù)能夠呈現(xiàn)出良好的正弦變化，但在實際駕駛過程中，換道受外部環(huán)境以及駕駛員的 “感知－相應－操作”過程所需時間也不盡相同，致使，換道過程方向盤轉(zhuǎn)角變化差異性角明顯，從上圖可以發(fā)現(xiàn)，真車試驗條件下的方向盤轉(zhuǎn)角并非嚴格按正弦曲線變化，而是呈現(xiàn)出先緩后急的變化規(guī)律，在換道開始階段，駕駛員不盡要關(guān)注目標車道交通狀況，還要密切注意當前車道車輛運動狀態(tài)，這就需要駕駛員在換道開始階段向其它駕駛員發(fā)出明顯的換道信息，在充分考慮其它駕駛員反映時間的情況下，自車開始換道時進行的較為緩慢。因此，在開始階段進行換道階段劃分時，若數(shù)據(jù)連續(xù)變化的規(guī)律性不強時，極易將數(shù)據(jù)劃分錯誤，而模糊聚類分析在模糊規(guī)則控制的前提下，能夠靈活的將單個時窗內(nèi)的換道數(shù)據(jù)劃分成多個狀態(tài)，這就保證了劃分過程的連續(xù)性和可靠性。因此，本文采用的模糊聚類分析劃分車道變換能夠改善局部數(shù)據(jù)劃分不佳的狀況。

3 車道變換階段劃分

本文基于多路傳感器信息采集平臺，實時采集車道變換過程中方向盤轉(zhuǎn)角數(shù)據(jù)和車輛橫擺角速度數(shù)據(jù)，分別用δ和wr表示，為了保證數(shù)據(jù)的連續(xù)性，選取時間窗口大小為0.6s，由于采集儀器的采樣頻率是10，所以，每個時窗內(nèi)包含的數(shù)據(jù)個數(shù)有6個，即每個樣本均含有6個屬性。出于車輛操穩(wěn)性考慮，車輛參數(shù)不可能在短時間內(nèi)發(fā)生較大變化，而換道過程中方向盤轉(zhuǎn)角和橫擺角速度值都很小，受道路曲率、路面不平度以及方向盤的抖動很有可能會將換道數(shù)據(jù)數(shù)據(jù)特征淹沒，所以，在短時間窗口內(nèi)進行聚類分析，減小噪聲干擾，增強信號的平穩(wěn)性，這對深入研究換道行為具有一定的指導意義。

由于換道產(chǎn)生不受車速的限制，所以，有必要對不同車速下的換道指標進行聚類分析，本文選取60km／h下的換道樣本予以說明。表1列舉的是6次采樣所獲取的方向盤轉(zhuǎn)角數(shù)據(jù)和車輛橫擺角速度數(shù)據(jù)。

表1 方向盤轉(zhuǎn)角數(shù)據(jù)和橫擺角速度數(shù)據(jù)

表1中前6個屬性 （有底紋）是方向盤轉(zhuǎn)角數(shù)據(jù)，單位是°，后6組數(shù)據(jù)是車輛橫擺角速度數(shù)據(jù)，單位是°／s。采樣模糊傳遞閉包法對換道表征指標進行分類。上述數(shù)據(jù)構(gòu)成特性指標矩陣為

采用最大規(guī)格化，由于上述指標值處在同一數(shù)量級上，所以直接按下式做變換［10］

即可將特性指標矩陣轉(zhuǎn)化為X′

依據(jù)下式構(gòu)造模糊相似矩陣

表2 聚類表

模糊相似矩陣為

再次利用平方自合成方法求傳遞閉包t（R），依次計算R2，R4，R8，選取合適的置信水平值，根據(jù)置信水平值對閉包進行動態(tài)聚類。將0.6s視窗內(nèi)各個指標特征集的數(shù)據(jù)分聚成二類，聚類后用其均值替代，聚類結(jié)果見表2和圖3。

圖3 使用平均聯(lián)接 （組間）的樹狀圖

從圖3可以看出，方向盤轉(zhuǎn)角聚成兩類后，屬性3、4、5、6劃為一類，1、2為劃另一類，很明顯，連續(xù)采樣之間相似程度較高，這樣可以在合理的變步區(qū)間合并若干次采樣；車輛橫擺角速度屬性1、2、3、4、6合并為一類，5劃為另一類，上述數(shù)據(jù)只是在單個時間窗口下所完成的，連續(xù)信號就是若干個窗口的組合。利用上述原理，通過對連續(xù)時間窗口內(nèi)的數(shù)據(jù)進行處理即可得到聚類的最終結(jié)果，最終根據(jù)聚類結(jié)果分別繪制出方向盤轉(zhuǎn)角和車輛橫擺角速度的分類結(jié)果曲線。

從圖4可以看出，方向盤轉(zhuǎn)角并非嚴格按正弦曲線變化，通過模糊聚類分析后，將方向盤轉(zhuǎn)角劃分成4個階段，即直線段－曲線段－直線段－曲線段，這明顯比從駕駛模擬器上所獲取的數(shù)據(jù)更為真實。

圖4 方向盤轉(zhuǎn)角數(shù)據(jù)聚類結(jié)果

聚類分析能夠依據(jù)信號特性，在單個時窗內(nèi)實現(xiàn)可變的分類數(shù)，其實車輛在實際行駛過程中，單個時窗內(nèi)也會出現(xiàn)兩種狀態(tài)的疊加，聚類分析根據(jù)平均連接樹狀圖，可以將單個時窗內(nèi)的數(shù)據(jù)劃分成多個類別，這就保證了劃分的有效性，而一般的劃分方法，只有信號在幾個時窗內(nèi)發(fā)生連續(xù)變化才能確定當前時窗所屬的類別，這明顯比模糊聚類分析結(jié)果要差。

圖4中方向盤轉(zhuǎn)角的起始點并不是從零開始，主要是由于測試平臺搭建過程中，車載設備安裝對稱中心發(fā)生了偏移，致使方向盤回正位置不在0刻線附近，在方向盤轉(zhuǎn)角發(fā)生較大變化時，方向盤轉(zhuǎn)角并非按線性規(guī)律變化，車道變換過程中，方向盤轉(zhuǎn)角變化并不大，所以，在小范圍內(nèi)可近似認為方向盤轉(zhuǎn)角是按線性變化，只是平衡位置發(fā)生了偏移，對處理結(jié)果影響不大。其實方向盤轉(zhuǎn)角采集儀的精度是1°，因此，采集到的數(shù)據(jù)是階躍性的變化，換道過程中各個階段的數(shù)據(jù)連續(xù)性較差，經(jīng)聚類分析處理，階段性變化規(guī)律明顯得到改善。同樣，車輛橫擺角速度的聚類結(jié)果如圖5所示。

圖5 橫擺角速度數(shù)據(jù)聚類結(jié)果

很明顯，車輛橫擺角速度的波動性較大，直線段和曲線段的規(guī)律性較弱，這主要是由于車輛在行駛過程中，橫擺角速度不僅受駕駛員的操作行為影響，還受到路面不平度以及輪胎側(cè)片特性的影響，所以，橫擺角速度聚類結(jié)果并不像方向盤轉(zhuǎn)角那樣規(guī)律性強。原始數(shù)據(jù)的規(guī)律性較差，且波動性強，各個車道變換各個階段的很難用單一的數(shù)學模型來描述，而經(jīng)過聚類分析后，橫擺角速度在各個階段的變化規(guī)律性有所增強，這就為進一步研究車道變換提供理論支撐。

經(jīng)過上述分析后，車道變換階段方向盤轉(zhuǎn)角和車輛橫擺角速度均可以劃分為4個階段，通過對車道變換階段特征指標的聚類分析，指標在單一階段內(nèi)表現(xiàn)出較強的規(guī)律性，在以后的研究過程中，可以針對不同的階段建立不同的模型，進而對車道變換作進一步深入研究。

4 結(jié)束語

車道變換作為最常見的駕駛行為之一，對公路交通安全影響較大。摒棄使用駕駛模擬器的試驗數(shù)據(jù)，而是利用真車實驗數(shù)據(jù)對車道變換過程進行階段劃分。本文提出利用模糊聚類分析對車道變換過程進行研究，通過分析遴選最能表征車道變換的方向盤轉(zhuǎn)角數(shù)據(jù)和車輛橫擺角速度數(shù)據(jù)作為最終換道指標，經(jīng)過特征指標矩陣的建立、數(shù)據(jù)格式化以及相似矩陣的構(gòu)建，選取大小為0.6s的時窗，對單個時窗內(nèi)的數(shù)據(jù)進行聚類分析，近似相當于對信號去噪，根據(jù)置信水平值對閉包進行動態(tài)聚類。結(jié)果表明，經(jīng)過聚類分析后，方向盤轉(zhuǎn)角和車輛橫擺角速度數(shù)據(jù)規(guī)律性進一步增強，在單一階段指標之間相似性較強，可以用單一的數(shù)學模型進行描述。可見，車道變換階段細化對進一步研究提供可靠的理論支撐。

［1］YANG Shuangbin.Research on safety assistant lane change pre－warning system of automobile driving on highway ［D］.Jilin：Jilin University Master Degree Theses，2008 （in Chinese）.［楊雙賓.高速公路車輛行駛安全輔助換道預警系統(tǒng)研究 ［D］.吉林：吉林大學碩士學位論文，2008.］

［2］Bouslimi W，Kassaagi M，Lourdeaux D，et al.Augmented nalve bayesian network for driver behavior modeling ［C］／／Las Vegas，USA：IEEE Intelligent Vehicles Symposium Conference，2005：236－242.

［3］Hiren Mansukhlal Mandalia.Pattern recognition techniques to infer driver intentions ［D］.Philadelphia，USA：Drexel University，2004.

［4］WANG Chang.Research on driving intention identification based on hidden Markov model ［D］.Jilin：Jilin University Master Degree Theses，2011 （in Chinese）.［王暢.基于隱馬爾科夫模型的駕駛員意圖辨識方法研究 ［D］.吉林：吉林大學碩士學位論文，2011.］

［5］XI Jingke，TAN Haiqiao.Spatial clustering analysis and its evaluatio ［J］.Computer Engineering and Design，2009，30（7）：1712－1715 （in Chinese）. ［席景科，譚海樵.空間聚類分析及評價方法 ［J］.計算機工程與設計，2009，30 （7）：1712－1715.］

［6］ZHANG Hu.Teaching method of case based on principal component cluster analysis ［J］.Statistics and Decision，2007（20）：163－164 （in Chinese）.［張虎.主成分聚類分析法的案例教學方法 ［J］.統(tǒng)計與決策，2007 （20）：163－164.］

［7］WANG Jinying.Comprehensive evaluation of regional economy in Liaoning province based on factor analysis and cluster analysis ［J］.Journal of Liaoning University of Technology （Natural Science Edition），2011，31 （3）：187－190 （in Chinese）.［王金英.基于因子分析與聚類分析的遼寧省區(qū)域經(jīng)濟綜合評價 ［J］.遼寧工業(yè)大學學報 （自然科學版），2011，31 （3）：187－190.］

［8］ZHANG Jianping，LIU Xiyu.Application in cluster’s analysis is analyzed in children development period ［J］.Application Research of Computers，2007，24 （5）：166－168 （in Chinese）.［張建萍，劉希玉.基于聚類分析的K－means算法研究及應用 ［J］.計算機應用研究，2007，24 （5）：166－168.］

［9］ZHANG Liangli.Research on motorist’s intention recognition for traffic safety precaution ［D］.Wuhan：Wuhan University of Science and Technology Doctoral Dissertation，2011 （in Chinese）.［張良力.面向安全預警的機動車駕駛意圖識別方法研究 ［D］.武漢：武漢理工大學博士論文，2011.］

［10］PAN Yongli，WANG Yuanliang，LI Dong.Fuzzy clustering analysis and application by C＋ ＋ ［J］.Journal of Yunnan Ethnic University（Natural Science Edition），2009，18 （4）：379－382（in Chinese）.［潘永麗，王元亮，李冬.模糊聚類分析及應用的C＋＋實現(xiàn) ［J］.云南名族大學學報 （自然科學版），2009，18 （4）：379－382.］