基于貝葉斯網絡的車輛并線意圖識別

姜順明，匡志豪，王奕軒，吳朋朋

(江蘇大學 汽車與交通工程學院，江蘇 鎮江 212013)

0 引言

車輛并線是一種常見駕駛行為，對于車輛安全行駛有重要影響[1]。在復雜的交通環境中，精確高效地識別旁車并線意圖，可為輔助駕駛系統提供決策參考信息。改善并線工況下的控制效果，提升車輛運行效率，減少道路交通事故，是輔助駕駛領域的研究熱點之一。

目前，國內外對駕駛意圖識別的研究方法可分為兩種。第一種是通過建立動力學或運動學模型來識別駕駛意圖[2-4]，但由于車輛運動的高度非線性以及模型過多簡化了車輛并線行為，使得這類方法很難達到較高精度。第二種是基于數據驅動，采用機器學習來識別駕駛意圖。文獻[5]設計了一種基于長短時記憶網絡的駕駛意圖識別及車輛軌跡預測模型，用Softmax函數計算意圖概率，意圖識別模塊具有很好的預判性和準確率。文獻[6]提出雙層連續隱馬爾可夫模型-貝葉斯生成分類器預測駕駛意圖，能在旁車并線前期階段識別出駕駛人意圖。文獻[7]基于模糊支持向量機建立了并線意圖識別器，在支持向量機的求解中引入樣本模糊隸屬度系數，提高了并線意圖識別器的準確性。文獻[8]采用多分類支持向量機對換道行為進行識別，精度高達97.68%。文獻[9-12]使用循環神經網絡進行車輛駕駛意圖識別。但是，基于神經網絡的機器學習往往效率較慢，容易收斂于局部最優解，支持向量機參數不易確定，且很難處理規模大的訓練樣本。

貝葉斯網絡[13]能夠充分表征各個影響因素之間的相關性及不確定性，在復雜的交通環境下可以利用較少的樣本數據快速識別并線意圖, 在車輛行為預測方面有著獨特的優勢。文獻[14]利用貝葉斯網絡建立車輛變道模型來識別旁車變道意圖，該模型在Cooper-Herskovits(CH)評分的基礎上構造了全新的Information-Cooper-Herskovits(I-CH)評分函數，但依靠先驗知識獲取節點順序的做法缺乏理論依據，存在搜索空間大、可能收斂于局部最優解的問題。因此，本文在貝葉斯網絡結構學習的基礎上，引入隨機抽樣的思想，構建車輛并線意圖識別模型，以快速精準識別旁車并線意圖。

1 特征參數與數據預處理

車輛并線前后，至少涉及包括自車在內的3輛處在運動狀態的車輛。旁車并線場景示意圖如圖1所示。圖1中：S3車為鄰車道車輛，S1、S2車為同車道前后行駛的車輛，△dx、△dy分別是S3車與S1車的縱橫向相對車距，Sy是S3車與外側車道線間的橫向距離。S3車的并線行為，特別是在高速工況中，會影響S1車的正常行駛，如果S1車能夠及時識別S3車的并線意圖，并進行有效地縱向控制，則會大大提高行駛安全性和舒適性。

圖1 旁車并線場景示意圖

用于訓練和驗證模型的數據選取自美國聯邦公路管理局采集的下一代仿真(next generation simulation, NGSIM)數據集。車輛換道時間一般持續3.5～6.5 s，平均每5 s就可以實現一次完整的換道過程[15]。初步篩選出數據集中并線軌跡換道點(圖1中P點)前后各3 s的數據。

駕駛員根據自車與其周邊車輛的相對位置、相對車速等因素決定是否并線，因此，結合實際交通場景，從數據集中提取6個特征參數作為貝葉斯網絡的節點，分別是旁車與自車的縱向相對車距△dx、縱向相對車速△vx、縱向相對加速度△ax、橫向相對車距△dy、橫向相對車速△vy、橫向相對加速度△ay。

針對從數據集中提取的特征參數的值域、單位均不相同，以及計算復雜的問題，文獻[16]設計了在K-means聚類基礎上無監督學習的簡化方法。本文采用卡方分裂算法對樣本數據做離散化預處理：將每個特征參數Xi(i=1,2,…,n)的所有數值由小到大生成值域區間[Xi_min,Xi_max]；在值域區間中的不同位置插入斷點，計算兩個區間的卡方值，比較每個卡方值大小，取最大值處為第一次分裂的斷點，將值域分為兩個區間；重復在新生成的值域區間內插入斷點，計算并比較卡方值和分裂區間，直到滿足最大分裂區間數目L=6時停止；將[Xi_min,Xi_max]按數值由小到大依次量化成L個區間。

卡方值[17]計算公式為：

(1)

其中：h為類別數目，取值為2；Alg為第l個區間、第g類的樣本數目；Elg為Alg的期望。

表1為部分樣本數據。表1中：1～6是每個特征參數實際值離散化后的結果，表征車輛運動狀態；cf為意圖類別，類別1，2分別表示并線和直行意圖。

表1 部分樣本數據

2 并線意圖識別模型

2.1 網絡結構學習

通過數據訓練確定意圖識別模型網絡結構，構建網絡拓撲關系圖。采用評分搜索方法進行網絡結構學習，針對可能存在的收斂于局部最優解的問題，加入隨機抽樣的思想。算法的核心是構建一條接近目標平穩分布為P的馬爾可夫鏈，多次迭代收斂到平穩狀態后，從迭代過程中產生的大量模型網絡結構中選取與訓練數據擬合度最高的網絡結構。

具體的抽樣過程：先假設當前的模型網絡結構為Xρ，根據選定的建議分布Q(X*|Xρ)對Xρ改進，生成下一個模型網絡結構X*。計算新網絡結構的接收概率，比較接受概率的大小，判定是否接受新網絡結構，若新網絡結構符合要求，則取代原有的網絡結構；若新網絡結構不符合要求，則保留原有網絡結構，進行新一輪抽樣，直到新網絡結構符合要求。

新網絡結構的接受概率[9]為：

(2)

相應的轉移概率[18]為：

T(X*|Xρ)=Q(X*|Xρ)A(X*|Xρ)。

(3)

2.2 節點參數計算

(4)

其中：i∈[1,n]，n為網絡結構中節點個數；j∈[1,qi]，qi為節點Xi的父節點π(Xi)的取值組合數目；k∈[1,ri]，ri為節點Xi的取值狀態數。

假設p(θij)服從狄利克雷分布，節點Xi和其父節點π(Xi)分別對應的參數也相互獨立，則有：

(5)

其中：θij為所有與p(Xi|π(Xi)=j)相關的參數；aijk為先驗分布p(θij)中的系數；Nijk為數據集D中符合Xi=k，π(Xi)=j要求的樣本個數。

2.3 模型構建

X={X1,X2,…,X6,Xc}為意圖識別模型中的7個節點，D={y1,y2,…,yn}為訓練數據集。意圖識別模型的構建需要先確定節點，并對節點的數據進行預處理。設定抽樣算法參數，通過構造馬爾可夫鏈，在上一輪采樣結果中隨機抽樣獲得新模型網絡結構。計算新模型網絡結構的接受概率，判定是否接受新網絡結構，若接受，則抽樣結束，若拒絕，則重新構造馬爾可夫鏈進行抽樣，直至收斂到平穩狀態，結束抽樣。使用CH評分函數對抽樣樣本即模型網絡結構評分，結果如圖2所示。統計各模型網絡結構出現的比例，結果如圖3所示。結合圖2與圖3可得到最佳模型網絡結構，即出現次數最多的結構為評分最高的結構。

圖2 各結構得分

圖3 各結構出現的比例

確定各節點之間的依賴關系后，可用貝葉斯估計法計算每個節點的條件概率，得到完整的并線意圖識別模型。使用模型計算給定樣本的并線概率，以識別旁車的并線意圖。

基于上述步驟構建意圖識別模型為：

T=BN(G,θ,X)，

(6)

其中：T為并線意圖識別模型；BN為貝葉斯網絡；G為各節點間的依賴關系；θ為每個節點的條件概率；X為意圖識別模型的7個節點。

圖4為根據上述步驟構建的車輛并線意圖識別模型。

圖4 車輛并線意圖識別模型

3 結果與分析

在實際場景中，意圖識別模型需要能夠實時地識別旁車的并線意圖。為確保檢驗有效，用于模型訓練和驗證的樣本按照4∶1進行分配，并線樣本和直行樣本分別有2 320組和2 570組。將測試樣本導入并線意圖識別模型，識別結果如表2所示。由表2可知：訓練得到的意圖識別模型能有效識別旁車并線意圖。

表2 旁車駕駛意圖識別結果

圖5a是旁車與外側車道線的橫向距離的變化曲線，P點為旁車與車道線的交點即換道點。為進一步分析模型識別效果，從測試樣本中選擇一組并線樣本，導入并線意圖識別模型，計算旁車并線意圖識別概率，結果如圖5b所示，并線概率從0逐漸增長至1.0。由圖5b可知：并線概率從t=0.7 s開始持續增加。在t=2.1 s時，旁車并線概率等于直行概率，隨后并線概率大于直行概率，即模型已經能夠判定旁車并線有較大可能性；在t=3.0 s時即換道點處，并線概率增至1.0且保持恒定。圖6a～圖6c分別為旁車與自車的橫向相對車距、橫向相對車速和橫向相對加速度。在旁車并線過程中，兩車間的橫向相對車距由3.5 m一直減小到0 m，即旁車并線到自車正前方，橫向相對車速在0 m/s附近波動，橫向相對加速度在并線前段過程波動較大，在后段波動趨于穩定，符合旁車并線規律。

(a) 旁車橫向位置

從測試樣本中選擇一組直行樣本，圖7a是旁車與外側車道線的橫向距離的變化曲線，圖7b為旁車意圖識別概率。圖8a～圖8c分別為旁車與自車的橫向相對車距、橫向相對車速和橫向相對加速度，t=2.0～2.5 s時，橫向相對車距驟減，相對應的橫向相對車速和橫向相對加速度也隨之驟減，致使圖7b中模型輸出的并線概率大于直行概率；但t=2.5 s后，橫向相對車距不再減小，橫向相對車速和橫向相對加速度增大至0后不再波動，模型識別結果又快速切換為直行意圖。

(a) 旁車橫向位移

圖9為各測試樣本橫向特征的統計結果。由圖9可知：直行車輛的橫向特征差值分布比并線車輛更集中，且各分位數均比并線車輛小，下邊緣更是趨近于0，這說明并線車輛的橫向特征差值變化范圍大于直行車輛的，直行車輛的橫向特征變化范圍很小。

圖9 橫向特征統計結果

圖10為減少任意一個參數的模型識別效果對比圖。由圖10可知：缺少任意一個縱向特征的模型，準確率都在87%以上，且識別效果都高于缺少任意一個橫向特征的模型；缺少△dy、△ay和△vy的模型的準確率分別為76%、70%和68%，可見，橫向特征對模型識別效果的影響力大于縱向特征，其中△ay與△vy對識別效果的影響最大，為主要影響因素。

圖10 減少任意一個參數的模型識別效果

4 結論

(1)本文意圖識別模型能有效識別旁車并線意圖，且多數都可以在旁車越過車道線前就能識別并線意圖，給予駕駛人充裕的時間采取有效的規避決策。

(2)與縱向特征對識別結果影響甚微相比，橫向特征對旁車并線意圖的識別有很大影響，缺少任意一個縱向特征的模型識別準確率都要大于缺少任意一個橫向特征的模型識別準確率。橫向特征變化越大，并線可能性就越大，為主要影響因素，△dy、△ay和△vy對模型識別效果的影響力依次增加。