自然駕駛條件下駕駛人換道行為實時預測

彭金栓，付 銳，郭應時

（1.重慶交通大學交通運輸學院，400074重慶；2.長安大學 汽車學院，710064西安）

自然駕駛條件下駕駛人換道行為實時預測

彭金栓1，付 銳2，郭應時2

（1.重慶交通大學交通運輸學院，400074重慶；2.長安大學 汽車學院，710064西安）

為降低車道變換的風險性，提出一種基于駕駛人視覺特性與車輛運動狀態預測車道變換行為的方法.應用視覺追蹤系統、毫米波雷達等儀器設備，進行了真實環境下的實車駕駛試驗.基于換道前駕駛人后視鏡注視特性確定換道意圖時窗大小為5 s，構建換道行為預測的表征指標體系.設計BP神經網絡結構，構建換道行為預測模型.結果表明：模型可以至少提前1.5 s預測駕駛人的換道行為，且預測精度達到95.58%.與基于轉向燈狀態預測駕駛人換道行為相比，其預測精度及時序特性均有顯著提升，證明了預測指標及預測方法的有效性.

駕駛行為；實車試驗；車道變換；行為預測；BP神經網絡；意圖時窗

隨著汽車保有量的增加及人們出行需求的日益擴張，交通供需不均衡的矛盾持續困擾著我國，并觸發了大量的道路交通事故.2012年全國共發生204 196起交通事故，其中由換道處置不當而觸發的事故數占總量的4%［1］.為降低車道變換時的風險性，諸多學者對駕駛人的換道行為進行了深入研究，換道輔助系統相關領域的探索成為一個研究熱點. McCall等［2］構建一種基于車輛橫向位置、車輛運行參數和駕駛人頭部運動的車道變換意圖識別系統DIIS，采用計算機視覺方法來識別和跟蹤車道位置信息和駕駛人頭部運動，結合真實環境下實車試驗采集的數據，利用稀疏貝葉斯學習方法對駕駛人的車道變換意圖進行了分析.Liu等［3］在一個模擬駕駛研究中利用隱馬爾可夫模型HMM來預測車輛向左換道的操作，該模型在操作開始后0.5 s識別出了50%的車道變換，但該模型僅采用了車輛方向盤轉角作為輸入信息，可靠性有待檢驗.Nishiwaki等［4］基于隱馬爾可夫模型HMM對不同駕駛人的車道變換行為進行建模，預測車輛車道變換時的行駛軌跡，考慮的參數包括車輛在車道中的位置、行駛速度及車輛間相對運動關系.Toledo-Moreo等［5］基于速度及慣性測量單元，構建了一種交互式多體模型，系統能夠在直線和彎道行駛條件下提前預測出駕駛人的換道行為.Salvucci等［6-7］借助模擬駕駛試驗，構建了一種對駕駛人車道變換行為進行實時檢測的系統.該系統能夠在操作開始0.5 s內檢測出82%的換道操作.彭金栓等［8-9］研究了換道車輛與目標車道后車的博弈行為，基于駕駛人眼動及頭動信息，構建了識別駕駛人換道意圖的交互模型，識別成功率達到90%以上.本文在以上研究的基礎上，嘗試基于實車試驗，結合眼動、頭動、車輛運行狀態等多源參數信息，構建基于BP神經網絡的駕駛人換道行為預測模型.

1 試 驗

本文圍繞人因安全研究構建了一套駕駛行為特性檢測系統，基于試驗車集成了眼動儀、生理測試儀、毫米波雷達等傳感設備，定量采集駕駛人的視覺及心理狀態、車輛運行狀態等相關參數，如圖1所示.選擇G25長深高速長興至湖州南區段為主要試驗路段，路線全長約25 km，雙向4車道，中間綠化帶分隔.試驗前對路線各時段內斷面交通量進行了持續一周的監控，選擇交通量相對較為穩定的時段進行試驗，以盡量削弱交通量的大小對駕駛人換道行為特性的影響.

研究小組在浙江省湖州市組織招募了51名職業駕駛人作為試驗被試，其中40名男性，11名為女性.所有的駕駛人均為自愿參加，對試驗無抵觸情緒.試驗前組織被試參加體檢，確認無視覺及聽覺疾病，且裸視均在1.3以上.

駕駛人按照預設的試驗路線，完全按照自己的駕駛期望及駕駛習慣，完成自主駕駛試驗.試驗完成后，工作人員結合試驗錄像與試驗數據，按照駕駛行為模式分類，截取換道樣本.依據車輛橫向位置與方向盤轉角在時間序列上的變化趨勢，確定換道起始時刻及換道截止時刻［10］.限于篇幅，在此不再贅述.

圖1 駕駛行為采集平臺

2 意圖時窗確定

為預測駕駛人換道行為，必須截取相應換道意圖樣本，首先要確定意圖時窗寬度.Lee等［11］認為駕駛人換道前8 s內駕駛人會表現出典型的行為特性，故將之確定為換道意圖表征時窗寬.Fitch等［12］通過對比換道前8 s與3 s內駕駛人的行為特征差異，認為意圖時窗應修正為3 s.本文提出一種基于后視鏡注視特性的換道意圖時窗確定方法.首先預置一個初始時窗寬度為10 s，確定時窗內駕駛人對后視鏡區域（包括內后視鏡、左右兩側后視鏡）的注視次數為自然數，則將駕駛人首次關注后視鏡的時刻距換道起始時刻的時間差確定為該樣本的意圖時窗.統計51名駕駛人換道樣本意圖時窗分布，均值約為4.92 s.圖2給出了隨機挑取的其中16名被試意圖時窗的總體分布，且編號1～16的駕駛人意圖時窗依次為3.03、3.48、2.49、3.21、2.89、3.74、2.70、3.35、1.96、2.82、2.58、3.11、3.27、4.35、2.48、2.77 s.依據圖2，除8號駕駛人外，其他駕駛人意圖時窗的75分位數在5 s虛線以下，且所有被試意圖時窗均值均未溢出5 s閾值，故將之確定為最終的換道意圖時窗.這樣既不會引起意圖數據的流失，也不會引入過多的車道保持數據，影響意圖特征指標的提取.

確定意圖時窗后，需要提取時窗內車道保持樣本與換道意圖樣本的特征差異.車道保持樣本與換道意圖樣本均采取試驗完成后的離線篩選，其中車道保持樣本為跟車、自由行駛等駕駛人沒有明顯換道意圖時，截取5 s時窗寬度后得到，而換道意圖樣本則為從換道起始時刻起向前截取5 s.按照以上方法，最終從所有被試的試驗中篩選車道保持樣本401次，意圖樣本406次.其中各200次作為訓練樣本，其余作為待預測樣本.

圖2 不同被試換道意圖時窗總體分布

3 預測指標

換道行為是否發生取決于兩個要素，一是駕駛人是否有換道意圖，二是目標車輛周圍的環境是否具備換道可行性［10］.本研究結合駕駛人換道意圖與換道可行性檢測對駕駛人的換道行為進行預測. Doshi等［13］認為相比眼睛運動，頭部轉動可以更早地體現駕駛人的換道意圖.基于此結論，本文選擇以頭部水平方向轉動角度標準差θ來衡量駕駛人的換道意圖.圖3為車道保持與換道意圖階段水平轉動角度標準差統計結果，車道保持階段樣本多低于3°，而意圖階段的對應值則主要分布于5°～15°之間，且意圖階段該參數的四分位數顯著高于車道保持階段.此外，轉向燈的操作（0—1分類變量為S，其中“1”為開啟，“0”為未開啟）可以作為駕駛人有換道意圖的一個指標，但從研究團隊試驗獲取的轉向燈操縱數據來看，截止至換道操縱起始時刻，轉向燈的開啟率僅為48.4%（見圖4），表明單獨依靠轉向燈識別駕駛人換道意圖并不可靠，需要配合其他指標共同使用.

圖3 頭部水平轉動角度標準差

圖4 轉向燈開啟率變化趨勢

車輛是否具備車道變換的可能性主要取決于距離及時間兩個維度的期望是否可以被滿足，即是否具備足夠的插車間隙，以及交通沖突時間Ttc值是否足夠保證安全.基于以上分析，可以確定與換道可行性相關的指標主要有自身車速V1、周圍目標車輛與自車相對距離（自車與當前車道前車的距離為D1，自車與目標車道后車的距離為D2）、交通沖突時間等參數（自車與當前車道前車為沖突時間為Ttc1，自車與目標車道后車的沖突時間為Ttc2）［9］.綜合以上分析可知，最終確定預測指標集合P0= （V1，S，D1，Ttc1，D2，Ttc2，θ）.

4 BP神經網絡模型建立

駕駛人是否執行車道變換，在實際行車過程中受到眾多因素的耦合制約，因此換道行為預測是一個內部機制較為復雜的系統問題.BP神經網絡已被廣泛證明可以實現任何復雜非線性映射的功能，因此本文嘗試基于BP神經網絡構建換道行為預測模型.

4.1 BP網絡設計

4.1.1 網絡結構確定

BP網絡的輸入、輸出層的維數是由用戶按照自身個性需求確定的.輸入層神經元個數原則上就是特征指標的數量，由構建的預測指標體系可知，輸入層的維數為7，輸出層維數由預測結果的模式種類確定.本文預測結果可以分為車道變換和車道保持兩類，令z=1表示車道變換，z=0表示車道保持，故輸出層的維數設為1，輸出向量以T（z）表示.定義在閉區間內的任意一個連續函數都可以用隱含層數為1的BP網絡來逼近.本文采用含有1層隱含層的3層BP網絡，輸入向量P0=（V1，S，D1，Ttc1，D2，Ttc2，θ），輸出量T=T（z），表1隨機給出了幾個樣本的網絡輸入輸出模式.

3層BP網絡隱層神經元數目可基于n2=2n1+ 1進行確定.其中n2為隱層神經元數目，n1為輸入層維數.由于輸入層維數為7，則隱層神經元數目為15.

4.1.2 傳遞函數

對輸入向量進行預處理后，元素值均在0—1之間，因此隱含層神經元傳遞函數可采用S型正切函數tansig.同樣地，鑒于輸出模式為0—1方式，輸出層神經元傳遞函數擬采用S型對數函數logsig.運用收斂速度較快的trainlm函數進行系統訓練，其對應的算法為Levenberg-Marquadt反傳算法［14］.

表1 網絡輸入輸出模式

4.2 數據預處理

4.2.1 數據歸一化

若輸入的原始數據離散度較大，進入網絡后較大的測量值會占據神經網絡的學習過程，這樣便不能反映較小測量值的變化，即較小的數據容易被淹沒，從而影響預測精度.為提高訓練效率，需要對測量數據進行歸一化處理.本文采用以下方式對數據進行歸一化處理，即

式中：x為原始數據，y為目標數據，即歸一化之后的數據；xmax、xmin分別為采集的原始數據中的最大值和最小值；ymax和ymin分別對應數據歸一化之后y的最大值和最小值.根據本文換道行為預測的特性，取ymax=1，ymin=0.

4.2.2 相對距離D和Ttc的處理

當前車道前方有慢車時誘發車道變換的主要原因.當兩車距離較近時，此時可基于毫米波雷達的數據獲取D1值及Ttc1值.當兩車距離超過毫米波雷達有效測量距離，或者前車速度大于自車時，為了保證模型的適用性，需要對相關參數進行空缺賦值.當效測量范圍內不存在前方車輛時，令D1=200 m，Ttc1=60 s；當存在前方車輛時，D1取實際值，而Ttc1分以下幾種情形：若自車速度V1大于前方車輛速度V2，且Ttc1≥30 s時，令Ttc1=30 s；若Ttc1＜30 s，取實際值；若V1＜V2，則直接令Ttc1=30 s.自車與目標車道后方車輛的相對距離D2和碰撞時間Ttc2采用類似的方法進行處理.

4.3 模型訓練及性能檢驗

模型在訓練時，以t0時刻的參數（V1，S，D1，Ttc1，D2，Ttc2，θ）值作為輸入向量 P0.目標輸出量為T（z），對于車道變換，T（z）=1，對于車道保持，T（z）=0.本文選取換道意圖與車道保持樣本各200組作為訓練樣本.神經網絡的訓練是主要是借助MATLAB軟件進行的，訓練參數設置為：訓練次數1 000次，訓練誤差目標為0.01，學習速率為0.1.

通過網絡訓練，可以不斷修正權值和閾值，使得網絡的輸出誤差達到最小.進行參數設置后即可開始網絡訓練.設計網絡經過9次訓練后，誤差收斂至0.009 24，小于訓練目標0.01，表明模型具有良好的分類性能.

5 換道行為預測

BP網絡模型建立完成并檢驗性能良好以后，即可基于建立的模型，對待預測樣本進行換道行為預測.由于網絡輸出數值是0～1之間的小數，設立對應的切割閾值（取為0.5），即當T（z）≥0.5時，即認為駕駛人即將執行車道變換；滿足T（z） ＞0.5時，判定駕駛人即將執行車道保持操作.通過比較待預測樣本中其真實屬性與預測屬性，即可以判斷出模型預測的精度.

為了比較不同參數對換道行為預測所起作用的差異性，選取不同的特征指標組合作為輸入，基于學習樣本建立BP網絡模型，再對待預測樣本進行屬性識別，預測結果如表2所示.當輸入向量僅有轉向燈信號時，預測精度僅有30.71%，而當屬于向量中加入頭部水平轉角標準差時，預測精度迅速上升至70%，表明頭部運動特性對換道行為預測起重要作用.當輸入向量包含所有的特征指標時，預測精度達到95.58%，表明構建的BP模型對預測駕駛人的換道行為具有較強的適用性及信度.

表2 不同向量組合的預測結果

在評價預測模型效能時，除考慮預測信度外，還經常評價模型在時軸上的表現效果［15］.在此對換道行為預測的時序特性進行討論，而不考慮車道保持行為.以換道起始點為起始時刻，以0.5 s為固定時窗單位向前滑動，基于待識別樣本換道前3 s內各典型時刻向量集 （V1，S，D1，Ttc1，D2，Ttc2，θ）對應的各參數值輸入建立的預測模型，最終得到各典型時刻預測精度的變異特性，如圖5所示.圖中橫軸為距轉向燈開啟時刻的時間，-3～0表示換道前3 s至換道起始點的各典型時刻.在換道前3 s時刻，模型預測精度約為58%.隨著時間推移，預測精度迅速提高，至換道前 1.5 s時刻，預測精度上升至85.44%，換道前1 s時刻，提高至88.83%.截止至換道起始時刻，預測精度最終達到95.58%.如果以85%作為判定預測效度的閾值，可以認為構建的BP模型至少可以保證在換道前1.5 s時刻精確預測出駕駛人的換道行為.與文獻［3］相比，不僅預測精度更高，而且具有顯著的時序特性優勢.

圖5 預測時序特性

6 結 論

1）依據駕駛人換道前對后視鏡區域的注視特性，換道意圖時窗確定為5 s，該方法避免了因主觀確定意圖時窗所引發的數據缺失或紊亂.

2）結合駕駛人視覺搜索特性、車輛運動狀態及駕駛環境等特征參數，可以有效預測駕駛人的換道行為.

3）基于構建的BP神經網絡模型，可以至少提前1.5 s預測駕駛人的換道行為，預測精度達到95.58%，研究結論可為換道輔助系統的改進奠定一定的理論基礎.

［1］公安部交通管理局.中華人民共和國道路交通事故統計年報［R］.北京：公安部交通管理局，2013.

［2］MCCALL J C，WIPF D P，TRIVEDI M M，et al.Lane change intent analysis using robust operators and sparse Bayesian learning［J］.IEEE Intelligent Transportation Systems，2007，8（3）：431-440.

［3］LIU A，PENTLAND A.Towards real-time recognition of driver intentions［C］／／Intelligent Transportation System. Boston：IEEE，1997：236-241.

［4］NISHIWAKI Y，MIYAJIMA C，KITAOKA N.Generating lane-change trajectories ofindividualdrivers［C］／／Proceedings ofthe IEEE InternationalConference on Vehicular Electronics and Safety.Columbus Ohio：IEEE，2008：271-275.

［5］TOLEDO-MOREO R，ZAMORA-LZQUIERDO M A.IMM-based lane-change prediction in highways with low-cost GPS／INS ［J］. IEEE Transactions on Intelligent Transportation Systems，2009，10（1）：180-185.

［6］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 Behaviour，2002，5（2）：123-132.

［7］SALVUCCI D D，MANDALIA H M，KUGE N，et al. Lane-change detection using a computational driver model［J］.Human Factors，2007，49（3）：532-542.

［8］彭金栓，付銳，郭應時.駕駛人車道變換決策機制及視覺特性分析［J］.中國安全科學學報，2013，23（2）：34-38.

［9］PENG Jinshuan，GUO Yingshi，SHAO Yiming.Lane change analysis based on drivers’perception-judgment and game theory［J］.Applied Mechanics and Materials，2013，361-363：1875-1879.

［10］彭金栓，付銳，郭應時，等.基于駕駛人視覺特性的換道意圖識別方法［J］.武漢理工大學學報，2013，35（3）：73-79.

［11］LEE S E，OLSEN E C B，WIERWILLE W W.A comprehensive examination ofnaturalistic lane-changes［R］.Virginia： Virginia Tech Transportation Institute，2004.

［12］FITCH G M，LEE S E，KLAUER S.Analysis of lanechange crashes and near-crashes［R］.Virginia：Virginia Tech Transportation Institute，2009.

［13］DOSHI A，MORRIS B T，TRIVEDI M M.On-road prediction of driver’s intent with multimodal sensory cues［J］.IEEE Pervasive Computing，2011，10（3）：22-34.

［14］XIAO Zhi，YE Shijie，ZHONG Bo，et al.BP neural network with rough set for short term load forecasting［J］.Expert Systems with Applications，2009，36（1）：273-279.

［15］李冀，莫蓉，孫惠斌.基于復雜網絡的產品服務系統評價［J］.計算機集成制造技術，2013，19（9）：2355-2363.

（編輯 魏希柱）

Real-time prediction of lane-changing behaviors under naturalistic driving condtions

PENG Jinshuan1，FU Rui2，GUO Yingshi2

（1.School of Transportation，Chongqing Jiaotong University，400074 Chongqing，China；2.School of Automobile，Chang’an University，710064 Xi’an，China）

To reduce the risk of lane changing behaviors，based upon drivers’visual characteristics and vehicle motion states，a method for lane change prediction is proposed.By using visual tracking system，millimeter-wave radar and so on，the research group conducts experiments under real road environment.Based on drivers’fixation characteristics of the rearview mirrors before lane change occurs，lane changing intent time window is determined as 5 s，the characteristic index for predict lane changing behavior is further built.By designing BP neural network，the lane change prediction model is constructed.Results show that the model may predict drivers’lane changing behavior for at least 1.5 s in advance，and the prediction accuracy can reach 95.58%.As compared to predict lane change behavior via turn signals，the prediction accuracy and time series characteristics are both improved remarkably，thus verifying the effectiveness of the predictive index and method.

driving behavior；real-world experiment；lane change；behavior prediction；BP neural network；intent time window

U471.15

A

0367-6234（2015）09-0119-05

10.11918／j.issn.0367-6234.2015.09.022

2014-03-12.

國家自然科學基金 （61503049，51178053）；教育部高等學校博士學科點專項基金（20135522110003）；中央高校基本科研業務費專項資金（2014G1502015）.

彭金栓（1982—），男，博士，副教授；付 銳（1965—），女，教授，博士生導師.

付 銳，pengjinshuan＠163.com.