基于函數分布特性的智能車輛換道行為識別

胡鑫

摘 要： 針對目前智能駕駛輔助系統對駕駛人換道意圖識別存在的問題，基于函數分布特性分析和層次分析法展開研究。一般將主車與車道線的距離作為換道的指標變量，由于將影像數據作為指標變量的基礎數據源時，指標變量受光照和交通基礎設施的影響較大，為此，將方向盤轉角和車道線距離作為換道行為識別的指標變量，提出一種基于函數分布特性的換道行為識別方法。首先對獲取到指標變量進行函數分布分析，確定出相應的換道起止時間，并依據不同環境下獲取到的變量可靠程度，采用層次分析法確定出2種指標對識別準確性的貢獻度，融合2種變量貢獻度構建出換道行為識別規則，并利用實車數據對該識別方法進行驗證。結果表明：融合2種指標變量的識別方法可以適應更為復雜的交通環境;當光照、車道標識線清晰可辨識時，車道線距離對識別準確率貢獻最大;當車道標識線無法辨識時，方向盤轉角占優。

關鍵詞： 換道; 識別; 函數分布; 層次分析法; 貢獻度

文章編號： 2095-2163（2021）07-0091-05中圖分類號：TP391文獻標志碼： A

Recognition of intelligent vehicle

lane-change behavior based on functional distribution characteristic

HU Xin

（Shanghai Nanhu Vocational and Technical College， Shanghai 200439， China）

【Abstract】To solve the problem of recognizing the driver's intention to change lanes in the current intelligent driver assistance systems， the study is based on functional distribution characteristic analysis and hierarchical analysis. In generally，the distance between the main vehicle and the lane line is used to be as an indicator variable of lane change behavior recognition. Because the image data is used to be as the basis data source of the index variable data， the index variable is strongly influenced by light and transport infrastructure.The steering wheel angle and lane line distance are used to be as index variables of lane-changing behavior identification in this paper. And this paper proposes a method of lane-changing behavior recognition based on functional distribution. Firstly， the obtained index variables are analysed by functional distribution to determine the corresponding lane changing start-stop time. Then， the distribution of the conditions reliability of the obtained variable on recognition accuracy is determined by analytic hierarchy process. The lane-changing behavior identification rules is established by combination of two kinds of variables contribution. Finally， the real vehicle data is used to validate the identification method. The results show that the identification method combined two kinds of index variables can be adapting in more complicated traffic environment. When the light and lane identification lines are clearly identifiable， the lane distance is dominant to the recognition accuracy. However， when lane identification line cannot be identifie， steering wheel angle is dominant.

【Key words】lane-change; recognition; functional distribution; analytic hierarchy process; contribution

0 引 言

隨著車載輔助駕駛系統的不斷完善使得汽車安全性大大提高，而這些輔助系統基礎數據來源于各個傳感器，包括各種雷達和視覺傳感器，駕駛輔助系統大多是通過這些傳感器來獲取周圍環境信息來評估當前的環境安全狀況，數據的可靠性直接關系到輔助系統工作的有效性，所以能夠準確判斷車輛換道行為，為各類駕駛輔助系統提供安全有效的基礎數據，對提升道路通行效率、減少交通事故和降低經濟損失都是至關重要的，也是安全輔助駕駛領域的研究熱點之一。

目前，人工智能技術和機器學習算法是很多專家學者常用來研究這類問題常用的工具，邱小平等人[1]采用了分段離散化的方法對數據進行預處理，由此建立的基于貝葉斯網絡的車輛換道模型對換道行為進行識別。楊建坤等人[2]通過駕駛模擬平臺采集了不同類型的換道行為數據，運用樣本數據訓練、測試模型，得到模型能夠有效區分安全性換道和風險性換道。陳亮等人[3]采用網格搜索結合粒子群優化算法對支持向量機模型中參數進行尋優標定，利用多分類支持向量機換道識別模型對樣本數據進行訓練和測試，此模型能夠很好地識別車輛在換道過程中的行為狀態，為車輛換道階段的研究提供支持。張宇惠等人[4]采用隱馬爾可夫模型的建立與應用，對駕駛員變換車道行為進行分析。楊殿閣等人[5]基于汽車轉向運動學推導車輛行駛狀態與汽車行駛軌跡之間的映射關系，建立了汽車行駛方向向量模型，提出以車身軸線轉角和最大轉向盤轉角為特征量的支持向量機線性分類器，并運用拉格朗日數乘法和二次規劃算法求解該最優分類問題。徐婷等人[6]將車載參數和車輛位置參數相結合，提出一種能夠應用到ADAS的城市道路換道行為識別模型。黑凱先等人[7]基于車輛多自由度駕駛仿真平臺，采集車輛運行狀態參數的相關數據.在不同維度的特征集和多個樣本時窗狀況下，運用隨機森林決策樹方法連續識別駕駛員的換道行為。商艷等人[8]采用瞳孔變動視覺特征的方法對駕駛人換道意圖進行識別。在以上的機器學習算法中，貝葉斯網絡模型由于輸入變量相關性導致的問題對換道識別結果影響較大;神經網絡模型存在學習時間長、易陷入局部最優等缺點;而支持向量機模型可以避免其他算法的缺陷與不足，但其懲罰參數和核函數參數不易確定。為了在簡化換道行為識別過程的同時，提高換道行為識別精度，本文擬在傳統的方法上進行改進。

目前常見的換道行為識別[9-10]系統都是基于單一數據來源，最為可靠的就是主車與車道線的距離，而距車道線距離數據的獲取一般是通過影像設備[11]，這些設備受光照和交通標識影響較大，當遇到夜晚或者無車道線標識的路段時，這些系統基本處于癱瘓狀態，無法給駕駛員提供必要的輔助決策，雖然夜視系統的出現大大拓展了換道輔助系統的應用范圍，但夜視系統成本高;有些系統為了避免影像數據的弊端，進而將方向盤轉角作為換道行為的唯一指標特征，換道時的方向盤轉角與車輛直線行駛時的差異性并不明顯。現如今，市場上方向盤轉角傳感器的精度一般在2°左右，而中高速換道時方向盤轉角也就3°～5°之間，當遇到路面顛簸時，方向盤轉角數據也有大幅度的變化，有時車上裝載質量較大或左右分布失衡時，方向盤轉角也有變化，因此，要在降低成本的同時提高換道識別系統的有效工作范圍，需融合車道線距離和方向盤轉角兩種數據，采用更為有效的識別方法。為此，本文將車道線距離和方向盤轉角速率作為換道行為識別指標，利用函數分布以及層次分析法對換道行為進行識別，并采集實車試驗數據對該方法進行了驗證。仿真結果表明，該方法能夠適應更為復雜的交通環境。

1 換道行為指標變量分析

1.1 方向盤轉角

不同于影像設備獲取到的主車距車道線的距離數據，方向盤轉角數據的獲取不受道路標識線和光照條件的影響，在任何情況下均可得到，但方向盤轉角受路面不平度影響較大，同時，采集方向盤轉角數據所用的傳感器精度也對測試結果有一定影響。本次試驗用到的方向盤轉角傳感器精度為1°，從方向盤轉角隨時間變化圖中可以看出，方向盤轉角數據呈現出階躍變化的形式，這主要是受到數據采集傳感器精度和采樣頻率影響。本次試驗用到的方向盤轉角傳感器的精度已經很高，若再采用精度更高的設備，成本增加很多，后期應用將會受到成本制約。圖1是一段時間序列中方向盤轉角的變化情況，采集時間為50 s，數據采樣頻率為10 Hz。

圖1中，換道行為發生在0～5 s之間，而7 s時方向盤轉角反而大于換道時方向盤轉角的變化，由此可見僅僅通過判斷時域內方向盤轉角的變化是無法有效識別駕駛人換道行為的。如果將方向盤轉角數據直接映射到頻域內，而又無法得到時間信息，如此一來，換道行為識別就失去了意義。因此，需要尋求一種能夠在時頻和頻域表現方向盤轉角變化的方法，那就是函數分布。

1.2 Wigner_Ville分布

Wigner-Ville分布（簡稱 WVD）是典型的二次型變換，可定義為信號瞬時相關函數的傅立葉變換，反映了信號瞬時時頻關系。對于單分量線性調頻信號而言，WVD在時頻平面上的投影為一條直線，即頻率隨時間呈線性變化關系。由于WVD分析沒有引入窗函數，避免了其他時頻變換由于需要窗函數而帶來的頻率分辨率和時間分辨率的相互牽制[12-13]。WVD的數學定義如下：

其中，xt為連續的時間信號;t為時間;f為頻率;Wxt， f即為信號xt的WVD分布。很顯然，Wxt， f是時間和頻率的函數，能夠反映出原始信號的時頻兩域的特征。

圖2是一段時間序列內方向盤轉角的WVD分布，其中，方向盤轉角數據跟圖1數據相對應。從圖2中可以看出在時頻域內，換道時方向盤轉角與直線行駛有明顯的差異，從時頻域內可以容易找到相應的起止時刻，即換道行為發生在0～5 s間。由此可見，利用WVD可以很好地反映方向盤轉角數據在時頻域的分布特征，且能夠有效識別出換道行為。

1.3 車道線距離數據分析

此處車道線距離指的是車輛左右前輪距車道線的距離，由于車道寬度一般為375 cm，因此，左右車道線距離和主車左右輪距存在如下關系：

其中，DL、DR、B分別為主車左前輪距左側車道線距離、主車右前輪距右側車道線距離以及主車左右輪距，單位均為cm。在實際應用時，只選單側的車道線距離即可。圖3是主車以20 m/s的車速，采集到的一段時間序列的單側車道線距離數據，包括車道線可識別和車道線無法識別這2種情況。其中，在車道線可識別的情況下，圖3中的紅色曲線呈現連續遞增的變化趨勢，而在車道線無法識別的情況下，圖3中的綠色曲線出現階躍，變化缺少規律性。

從圖3中可以看出，當車道線清晰可辨識時，車道線距離在時域內就表現出較強規律性，無需分析其時頻特性就能準確識別換道行為。圖3在起始階段，車道線是可見，試驗是在10 s位置時用與瀝青顏色相近的紙板擋住車道線。從圖3可以看出，當車道線消失后，傳感器采集到數據基本無效，由于車道線數據的獲取渠道是影像傳感器，當這些傳感器無法準確捕捉到圖像中車道線信息時，暫時會保持原狀態，當捕捉到與路面反色較大的其他目標時，傳感器會隨機捕捉這些信息，并經過轉化和辨識輸出車道線數據。圖3中，20 s時車輛橫向位移為50 cm，此刻車輛的橫向速度達到了0.5 m/s，此時的車速為20 m/s，很顯然，車輛的當橫向加速達到0.5 m/s時，會出現非穩態工況，車輛極有可能翻車，這也表明，此時采集到的數據不可信，若此時將車道線距離作為換道行為的唯一指標特征時，根本無法真實反映車輛當前的行駛狀態。因此，結合不受車道線標識清晰度影響的方向盤轉角來識別換道行為顯得尤為重要。

2 換道行為識別

經過上述分析可知，在光照條件好、車道線清晰可辨識的情況下，車道線距離有規律可循，能夠用來作為換道行為識別的有效判斷指標之一;當車道線無法辨識時，車道線距離則不能作為換道行為識別的有效判斷指標，而方向盤轉角數據在時頻域有規律可循，可以用來作為換道行為的補充性評價指標。所以為降低僅采用車道線距離或方向盤轉角作為單一指標變量所帶來的識別誤差，本文融合2種指標變量，通過層次分析法對2種指標進行權值分配，最終確定換道行為的綜合性評價指標。

2.1 層次分析法

層次分析法是指將一個復雜的多目標決策問題作為一個系統，將目標分解為多個目標或準則，進而分解為多指標的若干層次，通過定性指標模糊量化方法算出層次單排序和總排序，以作為目標多方案優化決策的系統方法。層次分析法是將決策問題按總目標、各層子目標、評價準則直至具體的備投方案的順序分解為不同的層次結構，然后用求解判斷矩陣特征向量的辦法，求得每一層次的各元素對上一層次某元素的優先權重，最后再用加權和的方法遞階歸并各備擇方案對總目標的最終權重，此最終權重最大者即為最優方案[14]。層次分析法主要工作就是確定判斷矩陣B，矩陣元素一般用標度進行描述，詳見表1。

判斷矩陣B有如下特征：

最終通過一致性判定，若隨機一致性指標達到可接受范圍，表明判斷矩陣構造合理。

2.2 車道線清晰可辨識時換道行為識別

在換道行為識別時，首先采用層次分析法確定2種指標的權值，根據2種指標單獨判定結果并結合權值最終給出識別結果。這里，將駕駛行為分為2類，即換道和直行，換道行為記為1，直線行駛行為記為0，方向盤轉角通過設定閾值，采用WVD確定換道行為（起止時刻）;車道線距離直接根據其在時域內變化確定換道行為（起止時刻）。具體判定規則如下：

其中，P方向盤、P車道線距離為單純采用方向盤轉角或車道線距離對換道行為的識別結果，值為0或1;α、β分別為層次分析法確定權值;若P輸出≥0.5，判斷結果為換道行為，否則為直線行駛。

在車道線清晰可辨識時，車道線距離指標占主導地位，由此構造的判斷矩陣為B1：

該判斷矩陣通過了一致性檢驗，最終確定車道線距離和方向盤轉角的權值分別為0.75和0.25。

為了驗證綜合性評價指標的有效性，需要對其進行驗證，通過試驗共采集到2 048個換道行為樣本。首先對車道線可識別的情況進行驗證，分別采用3種方法對所有換道行為樣本進行識別，3種方法的識別準確率見表2。

單一方向盤轉角法即為單純采用方向盤作為指標變量來進行換道行為識別，單一車道線距離方法與方向盤轉角方法一致，融合方法就將方向盤轉角和車道線距離作為指標變量，利用式（4）判定準則進行換道行為識別。表2表明，在車道線清晰可見情況下，單一的車道線距離識別法與融合法相近，而方向盤轉角識別準確率較低。

2.3 車道線無法辨識時換道行為識別

與車道線清晰可見時所用的換道行為識別方法一樣，這里采用3種方法識別結果見表3。由表3可以看出，在車道線無法辨識時，采用融合法能夠得到更高的識別準確率。

3 結束語

本文分析了2種單一指標作為換道行為評價指標的有效性，采用二次型變換將方向盤轉角變換到時頻域，提高了方向盤轉角作為換道指標的識別精度。驗證了車道線距離指標在不同路面情況下的有效性，最后使用層次分析法對2種換道評價指標加權，得到綜合性換道行為評價指標，本文主要結論如下：

（1）在時域內，換道時方向盤轉角和直行時區別不大，而在時頻域內，換道時方向盤轉角和直行時存在較大差異。

（2）當車道線無法辨識時，單純的車道線距離識別方法基本失效;但在車道線清晰可見時，單純的車道線距離識別法有很高的識別準確率。

（3）采用融合識別法，無論在車道線是否清晰可見時都有較高的準確率。

通過大量數據驗證，可以發現融合2種指標變量的識別方法可以適應更為復雜的交通環境，具有較高的換道行為識別準確率，能夠作為智能駕駛輔助系統的基礎數據。本文也有不足之處，沒有充分考慮更為復雜的道路環境和駕駛員模型，比如在路面不平度較大，各型傳感器精度不高的情況下，想要獲取到精度較高的評價參數仍存在一定困難。在日后的研究中，需要完善理論，實現在各種情況下對駕駛員換道行為的辨識，最終提高輔助駕駛的安全性能。

參考文獻

[1]邱小平，劉亞龍，馬麗娜，等. 基于貝葉斯網絡的車輛換道模型[J]. 交通運輸系統工程與信息，2015，15（5）：67-73，95.

[2]楊建坤，熊堅，徐東霞. 基于支持向量機的車輛換道行為識別仿真研究[J]. 貴州大學學報（自然科學版），2020，37（5）：120-124.

[3]陳亮，馮延超，李巧茹. 基于Multi-class SVM的車輛換道行為識別模型研究[J]. 安全與環境學報，2020，20（1）：193-199.

[4]張宇惠，張鳳登. 基于HMM模型的駕駛員換道行為識別分析[J]. 電子科技， 2016， 29（6）： 34-36.

[5]楊殿閣，何長偉，李滿，等. 基于支持向量機的汽車轉向與換道行為識別[J]. 清華大學學報（自然科學版）， 2015， 55（10）： 1093-1097.

[6]徐婷，溫常磊，張香，等. 基于GMM-CHMM的城市道路換道行為識別[J]. 交通運輸系統工程與信息， 2020， 20（1）： 61-67.

[7]黑凱先，曲大義，周警春，等. 基于隨機森林決策樹的行駛車輛換道行為識別[J]. 青島理工大學學報， 2020， 41（1）： 115-120.

[8]商艷，朱守林，戚春華. 基于瞳孔變動視覺特征的駕駛人換道意圖識別_商艷[J]. 計算機仿真， 2020， 37（8）： 77-81.

[9]袁偉，張亞岐. 支持向量機在換道行為識別中的應用研究[J].計算機工程與設計，2013，34（2）：643-648.

[10]劉永濤，喬潔，魏朗，等. 危險駕駛行為識別[J]. 計算機工程與設計，2014，35（4）：1322-1326.

[11]劉永濤，王鵬，魏朗，等. 基于DSP的前方車輛位置關系辨識研究[J].計算機工程與設計，2014，35（5）：1738-1741.

[12]席有猷，郝建華，程乃平，等. 一種魏格納-威利分布交叉項提出新方法[J]. 河北科技大學學報，2012，33（6）：506-510.

[13]康海英，欒軍英，鄭海起，等. 基于小波包變換和偽魏格納分布的軸承故障診斷[J]. 軍械工程學院學報，2004，16（5）：5-8.

[14]胡群，劉文云. 基于層次分析法的SWOT方法改進與實例分析[J].? 教學實踐與認識，2009，32（3）：68-71.

作者簡介： 胡 鑫（1984- ），女，碩士，講師，主要研究方向：汽車電控、新能源汽車、人工智能。

收稿日期： 2020-12-12