數據驅動的智能車個性化場景風險圖構建*

崔格格，呂超，李景行，張哲雨，熊光明，龔建偉

（北京理工大學機械與車輛學院，北京 100081）

前言

據美國國家公路交通安全管理局（national highway traffic safety administration，NHTSA）調查顯示，約94%的交通事故是由人類駕駛員造成的，其中95%的致命交通事故是由不安全的駕駛行為造成的［1-2］。開發智能車輛危險預警輔助功能，針對場景中的潛在風險及時警示駕駛員，有望減少事故的發生。由于駕駛員存在經驗與個性的差異，將針對特定駕駛員訓練的風險識別模型應用于具有不同風險理解模式的其他駕駛員身上，必然會引起人機沖突，可能引起危險識別異常或導致駕駛員忽視警告［3-4］。如何對動態交通場景進行理解和建模，并實現駕駛員個性化危險場景識別功能已經成為當前研究的熱點。

個性化危險場景識別問題的關鍵在于建立駕駛員個性化場景危險程度評價機理與場景特征之間的映射關系。在前期研究中，針對駕駛員個性化的研究主要采用問卷調查、駕駛模擬器仿真和志愿者觀看錄像并評分等方法［5］。Wang 等［6］結合自然駕駛研究和駕駛員態度問卷（driver attitude questionnaire，DAQ）建立駕駛風險評估模型。Asadamraji 等［7］使用駕駛模擬器研究駕駛員特征與道路危險感知敏感性之間的關系。Moran 等［8］利用觀看危險場景視頻時的時間反應研究駕駛員特性。在上述方法中，問卷法與打分法存在信息不全面且主觀臆斷性強的問題，仿真法存在不能真實反映道路交通狀況問題。

針對行駛場景建模問題，需要盡量充分地提取傳感器獲得的場景特征信息對場景進行表示。前期研究多采用基于多模態數據的特征向量對場景進行表征［9-10］，但相關方法缺少對動態要素間交互關系的建模，未能充分考慮行駛場景中交通參與者復雜交互行為可能對主車造成的間接危險，這將會降低模型對危險場景識別的效果。為挖掘復雜交通場景中動態要素間交互關系，使用圖表示學習（graph representation learning，GRL）的方法被提出。與傳統的數據表示方法相比，圖模型具有表示不同對象之間關系的能力，已經在人體動作識別［11］、圖像場景理解［12］、推薦系統［13］、社交網絡分析［14］等領域得到了越來越多的關注。在交通領域，Wang 等［6］提出一種基于圖模型的多關系圖卷積網絡（multi-relational graph convolutional networks，MR-GCN），首先應用圖模型研究車輛與周圍代理間的交互關系。Yurtsever等［15］提出一種基于圖方法的通用軌跡預測框架，對多個異構、交互式的代理進行建模，提高了模型在預測誤差方面的性能。

本文中提出一種數據驅動的智能車個性化場景風險圖構建方法，主要貢獻在于：（1）提出基于數據驅動的駕駛員危險場景評價算法，通過對駕駛員操作特征進行聚類獲取駕駛員個性化危險場景評價標簽；（2）提出一種基于圖表示學習的動靜態要素特征提取及場景圖構建方法，對主車視野范圍內的動靜態要素屬性及要素間的交互關系進行表征；（3）應用圖核方法（graph kernel method）［16］對圖表示數據的相似性進行度量，并基于嵌入核矩陣的支持向量機（support vector machine，SVM）模型構建分類器，最后基于不同駕駛員的實車數據，驗證模型和算法的有效性。整體方法框架如圖1所示。

圖1 數據驅動的智能車個性化場景風險圖構建方法

1 基于圖表示的行駛場景建模

為表征行駛場景中多交通參與者的復雜交互行為對主車造成的間接危險，需要對駕駛員視野范圍內的行駛場景進行建模。由于行駛場景是動態變化的，所以在對行駛場景建模時，存在交通參與者的數量及其間交互關系不斷變化的問題。因此，本文中基于圖表示方法對行駛場景建模，引入圖結構數據對危險行駛場景進行特征提取。定義行駛場景圖模型為無向節點標記圖，無向圖表示成對節點間的邊連接是雙向的，節點標記圖表示該圖模型的節點含有標簽。記一幀行駛場景所形成的圖為G=(V，E)，它包含一組由動態要素定義的節點V={v1，v2，...，vn}，一組由不同動態要素間的交互關系定義的邊E?V×V。該圖的大小對應于節點個數|V|，邊的個數記為|E|。圖模型通過標簽分配函數lV將標簽集ΣV中的標簽分配給圖中對應的節點，函數lV記作

1.1 基于動態要素建模的場景圖模型節點定義

在城市結構化道路中，路面與車道線限定了車輛通行區域。同時，受交通規則約束，機動車除換道行為外只可以在車道內行駛，因此車輛在城市道路環境下的行駛軌跡是結構化的。從城市道路的鳥瞰圖觀察，車輛作為動態要素，可以自然地被定義為圖模型中的節點。此外，在行駛場景建模問題中，需要研究主車與周邊車輛的交互關系，因此主車也是圖模型中的一個節點。

將主車視角數據轉換為以主車為坐標系原點的城市道路鳥瞰圖，如圖2（a）和圖2（b）所示。由于主車視角數據由車載前置攝像頭采集，所以限定所生成的鳥瞰圖范圍為主車的前視方向，鳥瞰圖面積由車載傳感器的檢測范圍決定。鳥瞰圖的生成范圍隨主車的移動而動態變化，認為主車始終處于鳥瞰圖的下方居中位置。圖中節點由vi表示，如圖2（c）所示。所有節點構成圖模型節點集合V，?vi∈V。

圖2 圖模型節點生成示例

1.2 基于靜態要素建模的場景圖模型節點標簽定義

車道線在城市道路環境中起到車輛引導和路面劃分的作用，因此將車道線作為行駛場景靜態要素引入圖模型具有重要意義。

基于車道線分布生成城市道路鳥瞰圖網格劃分。在鳥瞰圖中，定義主車直行時垂直車身長度方向指向右側為X軸正方向，主車直行時的行車方向為Y軸正方向。在X方向上，由于真實交通場景中的車輛碰撞事故一般發生在相鄰的兩個車道之間，所以本文以車載傳感器檢測出的車道線為基準，將鳥瞰圖沿X軸分為3 條車道，分別為主車所在車道及緊鄰兩車道。在Y方向上，將車道線等間隔劃分為m段，將路面劃分為3 ×m的網格，其中，Ld為由車載傳感器基本參數確定車輛最遠檢測距離，為常見轎車平均長度。為正常通行路段上同一車道內車輛之間的平均間隔距離。

根據圖的網格劃分結構，將交通參與者的連續位置信息離散化，如圖3（a）和圖3（b）所示。綜合考慮車輛所在網格中的離散化位置坐標x、y，以及周邊車輛對主車的相對速度vi進行編碼，構造圖模型的節點標簽集ΣV。定義節點標簽編碼為

將生成的圖模型節點標簽記作li，編碼結果如圖3（c）所示。

圖3 圖模型節點標簽生成示例

1.3 基于動態要素交互關系的行駛場景圖模型邊定義

在圖模型中，兩節點之間有邊連接，代表兩節點之間存在聯系，在行駛場景圖模型中，將這種聯系定義為車輛之間存在的潛在碰撞關系，利用鄰接矩陣表示這種邊連接。令行駛場景圖模型的鄰接矩陣為A∈{0，1}N×N，如果節點i和節點j之間存在邊連接，則Ai，j=Aj，i=1，反之為0。為實現上述邊連接的唯一表示，需要基于已劃分網格定義網格位置編碼，對節點間的鄰接矩陣進行表征。對1.2 節中生成3 ×m的路面劃分網格圖由（1，1）位置起始，從“1”開始依次編碼，設所有編碼值的集合為H，則i，j∈H。以生成網格規模為3 × 4的行駛場景為例，編碼結果如圖4（a）所示。在城市道路環境中，相對距離是車輛之間發生碰撞可能性的最直觀度量，認為兩車距離越近，它們碰撞的概率越大。同時，因為車輛之間的碰撞一般發生在相鄰兩車道之間，認為被車道隔開的兩車之間不存在潛在碰撞關系。因此，在網格位置編碼的基礎上，以每輛車為中心的3 × 3網格范圍內存在的車輛被認為與中心車輛有邊連接。同時，由于碰撞是相對的，所以所建立的邊連接是雙向的。將行駛場景圖模型中的邊記作ei，圖模型邊的生成過程如圖4（b）和圖4（c）所示。

圖4 圖模型邊生成示例

2 基于圖核的危險場景識別模型

在完成行駛場景建模與圖數據特征提取后，本文中提出了一種基于圖核方法的危險場景識別模型。首先利用核函數對圖數據特征進行從低維到高維的映射，將其結果作為訓練場景分類器模型的輸入。然后將分析得到的危險程度評價劃分為離散的危險等級，作為訓練場景分類器模型的標簽。最后利用所得輸入特征與評價標簽訓練基于線性SVM模型的危險場景識別模型。

2.1 基于圖核方法的圖相似性度量

利用圖核方法度量圖數據的相似性。圖核方法既保留了非線性圖數據結構具有的代表性，又結合了基于核方法的分辨能力，因此該方法能夠有效地將圖數據特征投影為線性機器學習方法能夠處理的數據形式，從而實現對圖相似性的度量。

將圖核定義為圖空間G上一個對稱的、半正定的函數，該函數可以表示為某個希爾伯特空間H 中的內積。對給定內核k，存在從圖空間G到希爾伯特空間H的映射：?(Gi)：G→H，使對于所有Gi，Gj∈G而言，k(Gi，Gj)=由圖核定義的特征空間及其映射如圖5所示。

圖5 由圖核定義的特征空間及其映射

圖核的應用包括以下兩個步驟：第1步，選擇合適的圖核，將圖的內積投影到高維希爾伯特空間H中獲取抽象特征，構建核矩陣；第2步，用線性SVM模型進行訓練［17］，計算特征空間中的最佳流形嵌入。本文所考慮的危險場景識別問題為圖層面的分類問題，采用對圖進行比較的圖核對行駛場景圖數據的相似性進行度量。這類圖核包括基于路徑計算的最短路徑圖核、基于鄰域聚合計算的鄰域哈希圖核等。

2.1.1 基于路徑計算的最短路徑圖核

對于圖數據，最短路徑圖核（shortest path kernel，SP Kernel）將每張圖分解為最短路徑的組合，并根據每張圖的最短路徑長度和路徑端點的節點標簽在不同圖結構間進行比較［18］，其時間復雜度為O(n4)，可分解為如下步驟。

步驟1：將輸入圖轉化為最短路徑圖。輸入場景圖G=(V，E)，其中，V為輸入圖節點集合，V={v1，v2，...，vn}，E為邊集合，E={e1，e2，...，em}。在輸入圖G中，通過行走路線連接的所有節點之間都存在一條邊。根據輸入圖結構創建其最短路徑圖S=(V，Es)作為新圖，圖S所包含的節點集與圖G相同，邊集是圖G邊集的子集。在新圖轉換過程中，該算法為最短路徑圖S的所有邊分配標簽，每條邊的標簽即其在原圖G中端點之間連接路徑的最短距離。

步驟2：計算圖核。給定兩個圖G和G'，它們對應的最短路徑圖分別是S=(V，E)和S'=(V'，E')。定義最短路徑核為

式中：ke為用于比較最短路徑長度的核；kv為用于比較節點標簽的核。ke可以使用dirac 核或布朗橋核［19］，而kv通常使用dirac核。

2.1.2 基于鄰域聚合計算的鄰域哈希圖核

鄰域哈希圖核方法（neighborhood Hash kernel，NH Kernel）是鄰域聚合算法中的典型代表。該算法通過更新輸入圖的節點標簽并計算它們的共同標簽數量，來度量圖之間的相似性，可分解為如下步驟。

步驟1：生成位標簽。輸入場景圖G=(V，E)，令函數?：V→∑將節點集V映射到一個離散節點標簽集∑，對輸入圖G的任一節點v，?(v) ∈∑為節點v的標簽。將每個離散節點標簽轉換為位標簽，位標簽是一個由d位數組成的二進制數組，即

式中：b1，b2，…，bd∈{0，1}；d為常數并且滿足2d-1 ≥|∑|。

步驟2：生成由鄰域聚合表示的新節點標簽。鄰域哈希圖核更新節點標簽的方法可分為簡單鄰域哈希運算和計數敏感的鄰域哈希運算。給定一個有位標簽的輸入圖G=(V，E)，簡單鄰域哈希運算使用邏輯運算中的位移運算（rotation，ROT）與異或運算（exclusive OR，XOR）對節點標簽進行運算。輸入一個d位的數組s=(b1，b2，…，bd)，定義其位移運算ROTo為

即將其最后的o位數據向左移動o個位置，并將最初的o位數據移動到最右端。定義兩個位標簽si和sj之間的異或運算為

若位標簽si和sj的兩個值相同，則式（7）結果為1，反之為0。

對輸入圖中任意節點v及其鄰域節點形成的集合N(v)={u1，u2，…，ud}，計算節點的簡單鄰域哈希值NH(v)如下：

由于簡單鄰域哈希運算不考慮鄰域節點標簽集排序問題，可能產生潛在的哈希碰撞。即兩個具有不同鄰域點集的節點產生了相同的鄰域哈希值，這會影響圖核計算時的正半定自由度，從而導致圖結構映射錯誤。為解決這個問題，在計算節點的鄰域哈希值時，可以使用計數敏感的鄰域哈希運算。該運算首先使用排序算法對齊鄰域節點標簽集N(v)，然后提取N(v)中的特征標簽，得到節點特征標簽集set{?1，?2，...，?l}，其中l為特征標簽數。計算每個特征標簽出現次數o，并據此對特征標簽進行位移運算：

式中：?i為初始標簽；?'i為更新標簽。計算節點的計數鄰域哈希值CSNH(v)如下：

步驟3：計算圖核。給定兩個圖G和G'，使用簡單鄰域哈希運算或計數鄰域哈希運算對兩個輸入圖的節點分別運算1，2，…，h次后，兩個輸入圖分別更新為G1，G2，…，Gh和G'1，G'2，…，G'h，以兩個輸入圖的距離度量定義的鄰域哈希圖核為

式中：c為兩個圖共同的標簽數量；h為運算執行次數；|V|和|V'|分別為圖G和G'的節點總數。函數κ(G，G')用于更新后節點的比較。核函數kNH(G，G')是正半定的［20］，通常被用作離散值集合之間的相似性度量。

2.2 基于SVM的危險場景分類

2.2.1 駕駛員個性化危險場景評價標簽

由于年齡、性別、駕駛風格和經驗不同［21］，不同駕駛員對風險場景的識別能力存在差異。為了減少高級駕駛輔助系統（advanced driving assistance system，ADAS）的人機沖突，提高輔助系統的效率，提出構建個性化的輔助系統［22］。個性化ADAS 的設計體現在駕駛員個性化危險場景評價標簽的生成。在本文中，危險場景被定義為可能會發生車輛碰撞等事故的行駛場景。提出一種基于駕駛員操作數據的個性化危險場景評價方法，通過對駕駛員在遇到危險場景時的駕駛數據進行分析，基于聚類生成駕駛員對危險場景的個性化主觀評價標簽，其流程如圖6所示。

圖6 基于駕駛員操作數據的個性化危險場景評價生成

在訓練危險場景識別模型時，需要針對不同駕駛員，輸入對應的個性化危險場景評價標簽，該評價標簽可以通過對不同駕駛員的駕駛行為特征分別研究獲得。為對比不同行為特征對聚類效果的影響，利用駕駛員操作數據構建兩種操作特征向量s1，t和s2，t：

式中：ax，t為車輛縱向加速度；ay，t為車輛橫向加速度；θt為車輛前輪轉角；bt為制動信號；ut為油門開度信號。

在正常駕駛情況下，駕駛員在遇到危險場景時會采取緊急制動和/或轉向操作來規避危險，因此認為車輛加速表征駕駛員判斷行駛場景相對安全。將加速度為正值的數據取出，并定義其類別為“不危險”，選取縱向加速度為負值的場景進行聚類分析。輸入特征s1，t構建的特征集矩陣S1中只包含車輛的縱向加速度，為真實反映車輛的加速和制動情況，不對矩陣S1進行數據歸一化操作。對于由輸入矩陣s2，t構建的特征集矩陣S2，為使數據樣本的所有特征量有相同的權重，對每個特征分別進行歸一化處理。本節所使用的歸一化操作是將每個特征按照式（15）所示的方法轉換為-1到1之間：

式中：smax為特征中的最大值；smin為特征中的最小值。下文使用norm(S2)代表S2。

使用K-means 聚類方法對特征集矩陣S1和norm(S2)分別進行聚類操作，依據肘部法則和輪廓系數（silhouette coefficient，SC）［23］分析聚類效果，確定聚類類別數K值。在駕駛員數據集D=中，si∈RD為D維的駕駛員特征矢量，N為樣本數量。K-means算法［24］將D劃分為K個相異無重疊類群，每個數據點只屬于一個類，并盡量提高類別內部相似性與類別間差異。上述優化目標可以描述為，通過尋找最佳的分類，使得代價函數J取得最小值：

式中：對數據點si，若它屬于類群Ck，則ωk=1，反之，ωk=0；μk為類群Ck數據的中心點。

為選取理想K值，本文對統計量殘差平方和（residual sum of square，RRS）應用肘部法則。首先繪制RSS 相對于類別數K的函數，然后選擇曲線“肘部”（明顯彎折處）對應的K值，作為聚類類別數。RSS 通常用于統計數據集中預測值與真實值之間的誤差大小，對數據集D中任意數據點si，RSS的計算公式為

輪廓系數SC為所有樣本輪廓值的均值。對任意數據點si，將輪廓值記作Sil(si)，表示一個物體與它所屬集群的相似程度和與其他集群的相似程度的比較，值越高，數據點與其聚類越匹配。Sil(si)計算公式為

式中：a(si)為數據點si與同一聚類中所有其他數據點的平均距離；b(si)為數據點與任何其他聚類中所有點的最小平均距離；d(si，sj)為數據點si與數據點sj之間的歐氏距離。

2.2.2 基于SVM的危險場景分類模型構建

在使用圖核方法將圖的內積投影到高維希爾伯特空間后，通過計算相似性或度量距離，解決圖之間的比較問題。進而引入監督學習方法，針對具體駕駛員，基于SVM 模型訓練危險場景識別模型。首先采集駕駛員操作數據，對于所獲得的數據集Dd=，si∈RD為D維的駕駛員特征矢量，是經過圖核計算的從行駛場景中提取的圖結構特征數據，yi∈{-1，1}為SVM 模型輸出，是基于聚類方法獲得該駕駛員對危險程度的評價標簽。經訓練可得對應駕駛員個性化特征的危險場景識別模型f(s)。輸出為相應有限且離散的預測量，與有限的危險場景類別對應。對于線性SVM分類器，其表達式為

式中：w為超平面Ψ：wTs+b=0 的法向量；b為截距。二者為待定參數，由以下優化目標決定：

式中參數C用于控制式（22）中，由第1 項決定的模型復雜度與第2 項決定的經驗風險之間的平衡。本文中利用基于核的圖核方法，將SVM 模型擴展到非線性情況。

3 實車數據實驗驗證

為驗證基于圖表示的個性化危險行駛場景識別模型的有效性，本文中利用實車數據采集平臺，采集了駕駛員操作數據與真實行駛場景數據，并在實車數據上開展了評估實驗。本實驗利用無監督學習方法對危險場景中的駕駛員操作數據進行聚類，從而獲取了個性化危險評價標簽；利用所提出的基于圖表示的個性化危險場景識別方法對真實行駛場景的危險程度進行評估，得出了危險場景識別結果，并開展與傳統特征向量表示方法的對比實驗，驗證了模型的可行性與有效性。

3.1 數據采集平臺建立與數據獲取

實驗使用的數據采集平臺如圖7 所示。該平臺以比亞迪唐五車型為車輛平臺，搭載了HDL-32 線激光雷達，一臺地平線公司量產車規級單目攝像頭，一套慣性導向系統與一臺差分GPS。車輛自身傳感器信息與駕駛員操作信息通過解析車輛底層CAN總線協議獲得。車載平臺上傳感器數據與車輛底層數據都在ROS 系統下進行實時數據接收與保存，接入系統的不同幀率數據已完成對齊與同步，用于離線分析要求。

圖7 數據采集平臺

數據采集在城區環境下進行，采集地點位于北京市中關村大街、魏公村十字路口、北三環西路、北四環西路以及魏公村路段，駕駛路線全長11.2 km，行駛時間約90 min。數據包含了路況復雜、交通參與者眾多、道路條件多變等容易導致交通危險發生的典型因素，滿足對危險行駛場景研究的要求。

3 位參與數據采集的駕駛員基本信息如表1 所示。經過預處理，從每位駕駛員原始駕駛數據中提取出25 組數據，共75 組。每組數據的場景幀數在80～170 幀之間，3 位駕駛員共獲得4 500 幀行駛場景自然駕駛數據。

表1 駕駛員基本信息表

3.2 個性化危險場景識別

3.2.1 駕駛員個性化危險程度評價標簽獲取

駕駛員操作特征選擇對個性化危險程度評價標簽生成有重要影響，使用K-means 聚類方法對駕駛員1 的特征矩陣S1和norm(S2)分別進行K值遞增的聚類，計算聚類結果的殘差平方和RSS和輪廓系數SC如表2所示，將結果繪制為折線圖，如圖8所示。

表2 駕駛員操作數據聚類特征選擇表

由圖8 可知：特征矩陣S1的RSS曲線在K=2 時出現明顯彎折，同時SC曲線取得最大值；特征矩陣norm(S2)的RSS曲線雖然在K=2 時出現較大變化，但此時SC值沒有取得最大值，說明此時聚類結果中的類別具有較高的簇內收斂性，但類別之間的差異性較低，初步表明特征norm(S2)對應的數據點之間沒有明顯的區別。

由于norm(S2)的RSS曲線沒有出現明顯彎折，進一步選擇圖8（b）中norm(S2)的SC曲線出現最高值和次高值時對應的K值再次聚類，做輪廓值分析，并選擇圖8（a）中S1相應數據聚類作為對比，繪制4組輪廓值分布圖，如圖9 所示。其中，輪廓值小于零表示數據被錯誤分類到相應類別中。由圖9 可知：對于S1，SC取最高值時，各分類分布均勻且沒有小于零的數據，SC取次高值時，兩個類別存在數據小于零，有分類錯誤；對于norm(S2)，兩種SC取值對應聚類結果輪廓圖都呈現數據分布不均勻的現象，且都有部分類別存在數據小于零的明顯分類錯誤。對比上述4 組聚類結果可知，在特征中添加橫向加速度等信息沒有增強模型判別駕駛員風險感知的能力，同時削弱了縱向加速度數據的分布特征。綜上所述，使用車輛的縱向加速度構造的特征矩陣S1聚類結果更優，更能表征駕駛員對于行駛場景危險程度的主觀評價。

圖8 對特征矩陣的K-means聚類效果分析

圖9 駕駛員1兩種特征矩陣對應操作數據輪廓圖

確定以S1為聚類特征后，使用K-means 聚類方法對不同駕駛員的特征矩陣S1進行K值遞增的聚類，計算對應的RSS和SC值。計算結果如表3所示，RSS轉折點與SC最大值由粗體標出。由表3 可知，對駕駛員1和駕駛員2，K=2，對駕駛員3，K=5。

表3 駕駛員操作數據聚類K值選擇表

對不同駕駛員，首先將縱向加速度為正值的場景的危險場景評價標簽記為危險程度1（表示不危險），然后依據所選K值，對特征矩陣S1進行聚類，生成其他評價標簽。獲取表1 中駕駛員1、2、3 的個性化危險場景評價標簽結果如圖10 所示，分別分為3類、3 類和6類，場景危險程度隨標簽數值增加依次遞增。

圖10 駕駛員個性化場景危險程度評價標簽聚類結果

3.2.2 行駛場景圖表示數據提取

獲取駕駛員個性化危險場景評價標簽后，將已采集的真實行駛場景數據轉換為鳥瞰圖，并從中提取圖表示數據。首先對感知數據做預處理，過濾由車載傳感器檢測不穩定性等因素引起的車道線檢測異常的數據，對余下車道線坐標序列做平滑處理。其中，車道線坐標由主車軌跡及主車與所在車道兩側的車道線間橫向距離計算獲得，主車軌跡及與車道線間的距離由車載傳感器獲得?；谏鲜銎交筌嚨谰€坐標序列將路面沿X方向劃分為3 車道。由于所選車載傳感器最遠檢測距離Ld=100 m，在采集的數據中，轎車平均車長Lˉveh≈5 m，同一車道內車輛之間平均間隔距離≈2 m［25］，所以2.5 ≤m≤10。為盡可能細化網格并便于編號，取m=10，將路面沿Y方向劃分為10 段。完成路面網格劃分后，基于主車坐標和周邊車輛與主車的相對位置坐標繪制每幀場景中全部車輛，得到行駛場景鳥瞰圖。圖11展示了其中一幀真實行駛場景的鳥瞰圖轉化結果，圖中紅色矩形框代表主車，藍色矩形框代表周邊車輛，點狀線代表車道線，紅色虛線代表以主車最前部為起始的道路沿Y方向的劃分標線。

圖11 基于實車數據的行駛場景網格劃分與鳥瞰圖生成

根據第1 節中節點、節點標簽與邊的定義，以網格圖為依據定義圖模型節點、節點標簽與邊。與其他所有車輛都沒有邊相連的車輛被視作游離節點，認為該類節點與其他車輛沒有交互關系，對當前行駛場景的危險性評估不產生影響，將其從數據集中刪除。記最終得到的圖數據矩陣為Gt=(Vt，Et)，將其作為基于圖模型的行駛場景風險圖構建方法所提取出的特征量。選取典型換道交互場景作為示例，從中提取圖結構數據，如圖12所示。

圖12 典型換道交互場景圖結構數據提取

3.2.3 基于圖模型的危險場景識別結果分析

完成行駛場景圖模型構建后，基于標簽和場景特征數據訓練危險場景識別模型。一方面，將基于最短路徑圖核和鄰域哈希圖核訓練的SVM 模型分別命名為SP-SVM 和NH-SVM，對比基于不同計算方式的兩種圖核的表征效果。另一方面，將使用傳統場景表示方法［26］訓練的SVM 模型命名為Base-SVM，與圖方法進行對比。對每位駕駛員分別進行5次重復實驗，并取5 次實驗結果的平均值作為最終結果，以消除偶然誤差造成的影響，危險場景識別準確率如圖13所示。

圖13 危險場景識別準確率

從圖13 可以看出，3 位駕駛員基于圖表示方法的危險場景識別模型的準確率都在80%以上，均高于Base-SVM。其中駕駛員2 的準確率最高，NHSVM 和SP-SVM 的準確率達到了95.8%和93.8%，與Base-SVM 模型相比，準確率最高提升38.2%。與駕駛員1 和2 相比，駕駛員3 的準確率相比較低，即便如此，其NH-SVM 和SP-SVM 模型的識別準確率也達到了81.8%和80.1%。由表1 中駕駛員的基本信息可知，駕駛員1 和2 駕齡更長，這可能使其對危險場景的識別更準確，縱向加速度操作更平穩，因此危險等級評價的類別數較少，準確率更高，相較而言，駕駛員3 的危險等級評價的類別數較多，存在已采集的數據不足以讓模型充分學習6 個類別的特征差異的可能。此外，從駕駛員1和2的識別準確率結果可以分析得出，隨著駕駛員駕駛里程數增加和采集的數據樣本數目增大，NH-SVM 和SP-SVM 的準確率也會隨之提高。

本文中利用圖表示方法獲取行駛場景的圖結構數據特征，并將其作為危險行駛場景識別模型輸入的初衷在于，圖結構可以反映行駛場景中動態要素之間的復雜交互信息，為提高危險場景識別模型的準確性提供可能。為分析并驗證相較于使用傳統向量特征表達作為輸入，使用圖結構數據作為輸入可以提升模型對危險場景的識別效果，繪制駕駛員1的NH-SVM 模型和Base-SVM 模型的分類混淆矩陣圖與分類準確率圖，如圖14所示。

圖14 駕駛員1危險場景識別結果混淆矩陣

從圖中可以看出，基于傳統特征向量表示的危險場景識別模型的準確率較低，其中，該模型對于危險程度更高的等級3 和2 的識別準確率只有35.3%和30.2%。這可能是因為所選特征向量僅關注了引起周邊交互關系變化的某一個動態要素，而沒有保留交通場景中豐富的拓撲信息。實驗結果表明，將利用圖表示方法得到行駛場景的圖結構數據作為模型輸入，可以使危險場景識別模型性能更優，更適用于高級輔助駕駛系統的危險場景識別任務。

在3.2.2 節選取的典型換道交互場景下，針對駕駛員1 對危險場景識別的結果做定性分析，繪制該場景下的駕駛員操作數據與危險程度識別結果對比展示效果，如圖15 所示。圖中第1 行是真實駕駛場景數據片段，第2 行是駕駛員縱向加速度數據，第3 行是基于駕駛員縱向加速度聚類分析所獲得的駕駛員個性化危險場景評價?？梢钥闯?，所建立的個性化危險場景評價標簽與真實道路場景能夠關聯對應，對于場景較為危險的視頻幀，對應的駕駛員縱向加速度被聚為一類，進一步表明了縱向加速度對于駕駛員的個性化風險評價具有較好的表征能力，且基于場景風險圖的個性化危險場景識別模型能夠準確識別出行駛環境中的危險場景。

圖15 駕駛員操作數據與危險行駛場景識別結果

4 結論

本文中提出了一種數據驅動的智能車個性化場景風險圖構建方法，并基于場景風險圖建立駕駛員個性化危險行駛場景識別模型，最后利用實車數據進行了測試驗證。

（1）針對復雜交通場景表征問題，定義場景風險圖及其中節點、節點標簽與邊的概念，并對場景中動靜態要素及要素之間的交互關系建模，實現對行駛場景的結構信息與交互特征的充分表征。與基于向量表示法的建模方法相比，該方法能夠更好地解決復雜城市行駛環境下交通要素數量以及要素間交互關系不斷變化的問題。

（2）建立了駕駛員個性化危險評價機理與場景特征之間的映射關系。使用駕駛員操作數據聚類，生成個性化危險行駛場景評價標簽，利用圖表示方法獲取行駛場景特征數據，基于圖核方法學習場景風險圖相似性，建立針對不同駕駛員特性的危險場景識別模型。

（3）基于實車數據的實驗結果表明：與使用傳統數據表示方法的模型相比，基于場景風險圖建立的個性化危險場景識別模型有效生成了符合駕駛員認知的行駛場景危險等級，對不同駕駛員個性化風險感知的適應性得到提升，場景危險等級識別準確率提高了38.2%。