考慮車輛交互信息的換道風格辨識

馬寬，鄧超,2

(1.430065 湖北省 武漢市 武漢科技大學 汽車與交通工程學院；2.430065 湖北省 武漢市 武漢科技大學 智能汽車工程研究院)

0 引言

隨著智能交通系統的不斷升級，在行車輛之間的信息交互越來越頻繁。研究表明，駕駛風格和事故率關聯緊密[1]。Murphey 等[2]認為駕駛風格受很多因素影響，其中重要的影響因素為交通環境、心理狀態。強制換道是高速公路和城市快速路上常見的危險駕駛行為，導致2019 年我國高速公路事故率為2.78%[3]。因此，研究在強制換道中對駕駛風格的分類和識別具有重要意義，可以為換道的沖突性評價提供理論依據。

國內外學者對駕駛風格辨識進行了相關研究，黑凱先[4]研究了駕駛風格體現駕駛行為的差異性，為駕駛輔助系統的開發提供理論支持；黃晶等[5]通過駕駛模擬器采集了不同駕駛風格駕駛員的換道數據，對其進行換道軌跡規劃；馮杰[6]通過駕駛模擬實驗對駕駛測試人員進行量化分類，且對駕駛員變道意圖進行了識別；李依[7]將車速、加速度、沖擊度、橫向速度、跟車間距等指標作為駕駛風格識別的特征，將駕駛風格分為3 類；柳祖鵬等[8]比較了k-means 算法和模糊聚類算法對駕駛風格分類的效果，認為模糊聚類更能體現類間的不同特征；張一恒[9]以車輛橫縱向加速度的標準差等一系列車輛自身的行駛參數作為分類依據，對駕駛風格進行了聚類；Aljaafreh 等[10]將車輛平均車速、加速度的歐式范數作為特征指標，采用模糊聚類將駕駛風格進行分類；Macadam 等[11]認為跟車時距可以作為衡量駕駛風格的指標；Langari 等[12]用加速度標準差、平均加速度等指標進行駕駛風格分類；Iván 等[13]選用車輛行駛過程中的平均加速度、減速度等特征參數進行駕駛風格分類。

上述研究鮮有從真實實驗數據出發研究車輛交互信息對換道風格的影響，因此無法解釋新形勢下的換道風格特征，且未考慮換道車輛周圍車輛對換道風格產生的影響。本研究考慮了多達13 個與周圍車輛的交互信息參數，使得對強制換道過程中的車輛進行駕駛風格分類和辨識更加全面。

1 數據預處理

1.1 數據集介紹

數據[14]采集自美國加州舊金山灣區東向的I80大道，數據類型為攝像頭記錄轉換的車輛軌跡，采集區域長度為503 m。如圖1 所示，I80 大道單向共有6 個車道，車道1、車道5 分別為最左和最右車道，車道6 為該區域高速公路出入口匝道之間的輔助車道。本文主要研究車道6 上的車輛換道情況。

圖1 I-80 數據采集區域示意圖Fig.1 Schematic diagram of I-80 data collection area

數據集中車輛種類屬性分為1、2、3 三種，屬性值為1 代表摩托車，屬性值為2 代表小汽車，屬性值為3 代表貨車，由于屬性值為1 和3 的樣本數目較少，所以在MATLAB 中將涉及摩托車和貨車的數據篩選后進行刪除處理，只保留屬性值為2 的小汽車數據作為本文研究的對象。當換道事件發生時，也不考慮主體車輛原車道上前后方車輛以及目標車道上前后方車輛屬性值為1 或者3 的數據。

研究的數據集中有6 個車道上的車輛行駛數據，為了研究車輛是否從集散車道換道至快速車道，編寫程序將6 號車道數換至5 號車道的小型車輛的數據篩選出來，提取出車輛的換道特征變量，共整理出有18 個反映車輛換道過程駕駛風格的因素。研究采用的數據長度單位為 ft，速度單位為 ft/s，加速度單位為 ft/s2。需進行單位換算，長度單位換算成 m，速度單位換算成 m/s，加速度單位換算成 m/s2，之后再進行特征變量的換算。

1.2 駕駛風格參數選擇

基于車輛在換道過程中自身的運動參數指標以及與周圍在行車輛的交互信息，選取換道時間、換道過程的平均車速、車速標準差、最大縱向速度和換道距離、換道車輛與前后車的速度差、間距、加速度差、目標車輛與目標車道前后車的速度差、間距、加速度差以及目標車道的換道間距等共18個指標作為換道風格聚類的參數，如表1 所示。

表1 車輛自身特征參數及交互信息指標Tab.1 Vehicle's own characteristic parameters and interactive information indicators

1.3 基于主成分分析的特征降維

共提取出換道過程中106 輛車的數據，選取的18 個指標反映車輛強制換道過程中駕駛風格的特征，為消除數據量綱對聚類效果的影響，首先在SPSS 20.0 平臺中將數據歸一化處理，得到大小依然為106×18 的矩陣，此時矩陣中的數值皆分布在[0，1]范圍內。歸一化處理后，為了將多個變量通過線性變換以選出較少個數重要變量，采用主成分分析法將18 個評價指標做特征降維處理，所依據的公式為

式中：N——主成分得分矩陣；P——106×18 的初始矩陣；V——主成分的系數矩陣[15]。

圖2 為18 個主成分貢獻率柱狀圖，圖3 為18個主成分累計貢獻率折線圖。圖3 中序號為1～10的主成分的累計貢獻率達到了86.828%，超過了85%[16]，通過變量間的線性關系可計算出10 個主成分的系數矩陣，依據式（1）將歸一化后的矩陣與主成分系數矩陣相乘，得到N（矩陣大小為106×10）作為駕駛風格劃分的輸入指標。

圖2 主成分貢獻率Fig.2 Principal component contribution rate

圖3 主成分累計貢獻率Fig.3 Principal component cumulative contribution rate

2 基于k-means 的駕駛風格分類

k-means 算法采用歐式距離作為簇的劃分依據，而聚類中心的個數又會影響聚類算法的計算效果。將處理后的數據聚類為2 類、3 類。用最小化平方誤差S作為聚類結果的評判依據，S值越小則表示簇內樣本相似度越高。

式中：y∈M；M——原始樣本集；di——簇Ci的一個均值向量。

由表2 可見，當聚類中心個數為3 時，即將駕駛風格分為激進型、普通型、冷靜型時，誤差平方和S的值最小，故將駕駛風格分為3 類。

表2 聚類中心劃分依據Tab.2 The basis of clustering center division

其中，原始數據共有106 輛車的換道數據，參照李經緯等[17]研究的分類判別法將其分類后，如圖4 所示，激進型占比21%，共有22 個樣本；普通型占比35%，共有37 個樣本；冷靜型占比44%，共有47 個樣本。

圖4 分類樣本所占比例圖Fig.4 The proportion of classified samples

3 基于SMO 的駕駛風格辨識

SMO 算法[18]的基本思路和步驟：首先大間隔劃分超平面對應的模型，如式（4）。

式中：ω，b——模型參數。

由于SMO 算法是對支持向量機（SVM）算法的改進，原始SVM 算法的對偶問題為

然后，求解該問題需固定αi和αj以外的參數，此時，原二次規劃問題分解為只有2 個變量的二次規劃子問題；對子問題進行解析求解，直到所有變量滿足KKT 條件為止，詳細求解流程如圖5 所示。

圖5 SMO 算法求解流程圖Fig.5 SMO algorithm solution flow chart

為簡便建模過程，可將實驗數據調整為CSV格式，在Weka 平臺中選擇SMO 算法構建模型，對其進行十折交叉驗證。結果表明，SMO 算法對于3 類駕駛風格的識別精確度為87.74%，誤判率為12.26%。

4 基于LMT 的駕駛風格辨識

邏輯模型樹（LMT）算法[19]是基于樹歸納和邏輯回歸的一種分類算法，采用Logit Boost 算法在樹節點上建立邏輯回歸函數，然后使用CART 算法進行剪枝得到最終分類模型[20]。算法求解基本步驟如圖6 所示。

圖6 LTM 算法求解流程圖Fig.6 LTM algorithm solution flow chart

在Weka 仿真實驗平臺中用LMT 算法構建模型，對其進行十折交叉驗證。結果表明，LMT 算法對于3 類駕駛風格的分類精確度為90.57%，誤判率為9.43%，識別效果較好。

5 結語

利用k-means 算法將強制換道過程中駕駛風格分為激進型、普通型、冷靜型3 類時效果最優，并對比了SMO 和LMT 算法對風格的辨識準確性，辨識精度分別為87.74%、90.57%，說明LMT 算法在行車輛交互信息的情況下能夠更高精度地識別出換道風格。

本文只針對強制換道階段對不同駕駛員進行風格辨識，后續可針對自由換道階段駕駛員的駕駛風格進行研究，觀察執行不同換道行為時駕駛員駕駛風格所表現的特性變化，為不同換道風格駕駛員在換道過程中的風險提供理論支撐。