基于LSTM的車輛換道意圖識別研究

摘 要：本文首先對車輛軌跡數據進行了篩選和高斯平滑處理，并對不同的駕駛行為進行分類和駕駛意圖標注。隨后，本文提出了一種基于LSTM的車輛換道意圖識別模型，該模型充分考慮了車輛之間的交互作用，有效提取了換道過程中的時序連續特征，并捕捉到車輛行駛軌跡中的局部和長期依賴關系。模型將目標車輛及其周圍車輛交互作用信息的行駛數據作為輸入。實驗結果表明，本文提出的模型在預測車輛換道意圖方面達到了92.85%的準確率，并且在多種評價指標上顯著優于其他模型，展示了在實際交通環境中的應用潛力。

關鍵詞：換道意圖識別 機器學習 LSTM模型 智能交通

1 緒論

隨著智能交通系統和自動駕駛技術的快速發展，準確識別車輛的駕駛意圖已成為一個重要的研究課題。Okamoto等人[1]利用隨機森林算法捕獲其他車輛駕駛員的意圖。喬少杰等人[2]提出了基于高斯混合模型的軌跡預測方法（GMTP），通過高斯過程回歸預測最可能的運動軌跡。此外，Aoude等人[3]將支持向量機（SVM）的意圖預測器與使用快速探索隨機樹（RRT）的威脅評估器相結合，以識別交通參與者的機動行為。Schulz等[4]提出了一種基于多模型無跡卡爾曼濾波的動態貝葉斯網絡（DBN）推理方法，用于駕駛員意圖估計和多智能體軌跡預測。張淼等[5]提出了一種新型的列車軌跡預測模型，即LSTM-KF模型，結合長短期記憶網絡（LSTM）和卡爾曼濾波（KF）的優點，實現了對列車軌跡的高精度預測。這些研究工作推動了駕駛意圖識別和軌跡預測技術的發展，證明了深度學習、機器學習及概率推理等方法在該領域的應用潛力。然而，盡管上述方法在不同方面取得了顯著進展，仍存在一些需要進一步研究和解決的問題。鑒于此，本文提出了一種基于LSTM的車輛換道意圖識別模型，通過對車輛軌跡數據的預處理和特征提取，訓練了一個能夠高效識別換道意圖的模型，并通過實驗證明了其優越性。

2 數據預處理

本文使用的數據集源于NGSIM（Next Generation Simulation）數據集，該數據集是由美國聯邦公路管理局（FHWA）發起并收集的高精度交通數據集，旨在支持交通流量和駕駛行為模型的研究與開發。該數據集涵蓋了不同類型的道路場景，本文選用US-101高速公路和I-80高速公路部分路段數據作為實驗數據。數據集提供了詳盡的車輛信息，包括但不限于：車輛的唯一識別編號、采集區域中的具體坐標、標準地理坐標系中的位置、車輛的速度和加速度、所屬車道編號、車頭間距和車頭時距等。具體數據字段及描述詳見表1。

本文采用高斯平滑（Gaussian Smoothing）處理技術對數據進行預處理，以減少短時波動帶來的誤差。該方法能有效平滑數據，降低噪聲和瞬時變化對結果的影響，提高航向角數據的準確性和可靠性。

3 換道意圖分類

3.1 換道過程分析

本文車輛換道過程如圖1所示。車輛換道過程可以分為多個關鍵時刻和相關特征。通過分析這些時刻和特征，可以有效分類換道行為并標注換道意圖。關鍵時刻劃分主要分為四個部分。

（1）換道意圖產生時刻：駕駛員在腦海中產生換道的意圖，但還未實施任何操作。這一時刻通常可以通過駕駛員眼神或注意力的變化進行推測，是換道過程的初始階段。

（2）開始換道操作時刻：駕駛員完成了對周圍交通環境的檢查，確認安全后開始實施換道操作，例如打轉向燈或調整方向盤。這一時刻的具體特征包括轉向燈的啟動、方向盤角度的變化以及車輛的初步側向加速度。

（3）跨越車道線時刻：當車輛開始橫向移動并越過車道線進入新車道時，可以通過監測車輛相對于車道線位置的變化進行標記。關鍵特征包括車輛的橫向位置、速度、加速度以及車道線檢測信息。

（4）完成換道操作時刻：車輛完全進入新車道，換道過程結束，車輛穩定在新的車道上。這一時刻的標志是車輛在新車道內的橫向位置穩定，且車速和行駛軌跡恢復正常。

3.2 換道過程中的參數變化

在換道過程中，車輛的以下駕駛特征參數會發生明顯變化。

（1）側向速度：代表車輛橫向移動速度。在A0到A3階段（換道意圖到完成換道），側向速度會明顯增加，達到最大值后逐漸降低至正常水平。側向速度變化是評估車輛換道起始與完成的關鍵指標，通過監控側向速度的峰值和變化趨勢，可以幫助識別換道時刻。

（2）橫向加速度：反映車輛加速或減速的程度。在換道期間，特別是在A0到A3階段，橫向加速度會出現高峰。高峰的存在表明車輛正在執行換道操作?？梢酝ㄟ^橫向加速度的變化率判斷駕駛員的換道決心和操作力度，同時也可以與側向速度結合，分析換道行為的平穩性和安全性。

（3）橫向位移：表示車輛在道路上橫向位置的變化量。在換道過程中，這一參數持續增加，直到車輛穩定在新車道上。橫向位移的累計量可以用于確定換道完成度，通過連續的位置信息和軌跡數據，可以繪制出車輛的換道路徑，進一步細化分析換道行為。

（4）航向角：指示車輛行駛方向的角度。在換道期間，特別是A0到A3階段，航向角變化劇烈，在完成換道后趨于穩定。航向角的變化能夠提示換道操作的開始和結束點，通過實時監控航向角，可以預警可能的換道操作，有助于提前識別駕駛員的意圖。

4 換道意圖識別模型建立及結果分析

4.1 長短期記憶（LSTM）網絡

長短期記憶網絡（Long Short-Term Memory， LSTM）是一種特殊的循環神經網絡（recurrent neural network， RNN），通過引入記憶細胞和門控機制，有效解決了標準RNN在處理長序列信息時存在的梯度消失和梯度爆炸問題，從而捕獲長期依賴關系。LSTM通過引入記憶單元（Memory Cell）以及門結構（Gate）來控制信息的流動，從而實現對長短期信息的良好處理和保存。

在長短期記憶網絡（LSTM）中，當前時間步的輸入和前一時間步的隱藏狀態被聯合作為輸入數據傳遞給網絡。這些輸入數據會通過三個獨立的全連接層進行處理，每個層都使用sigmoid激活函數來計算各自的門值：輸入門、遺忘門和輸出門。因此，這些門的輸出值范圍在0到1之間。

4.2 評價指標

本文選擇了以下四個評價指標，從識別精度和識別水平兩個方面來評估所提出的基于LSTM的車輛換道意圖識別模型。

精確率（Precision）：該指標衡量的是某種駕駛意圖被正確識別的樣本數量，占識別結果中屬于該駕駛意圖樣本數量的比例。

召回率（Recall）：該指標衡量的是某種駕駛意圖被正確識別的樣本數量，占實際存在該種駕駛意圖樣本數量的比例。

F1-分數（F1-score）：這個指標是準確率和召回率二者之間的調和平均數，用于權衡這兩個指標。

準確率（Accuracy）：該指標表示在所有樣本中，被正確識別為三類駕駛意圖的樣本數量占總樣本數量的比例。

4.3 LSTM模型的換道意圖識別結果

在完成模型訓練的過程中，首先利用訓練集對模型的參數進行調優，使其能夠更好地理解和擬合數據。在訓練過程結束后，利用測試集對模型的性能進行評估，從而客觀衡量其在未知數據上的性能能力，驗證模型的泛化能力和實際應用效果。LSTM模型性能結果在表2中有詳細敘述。通過反復實驗和參數調整，不斷優化模型的結構，有效提高了預測的準確性和魯棒性，可進一步驗證模型在不同交通場景中的適應性。

由表2可以看出，本文提出的基于長短期記憶（LSTM）網絡的車輛換道意圖識別模型在綜合性能方面表現良好，其綜合準確率達到92.85%。具體而言，兩種換道意圖的識別準確率、召回率和F1值均超過了91%、91%和92%，分別為相關指標設立了新的基準。實驗結果表明，這一模型不僅能夠高效地感知車輛的駕駛意圖，而且在準確性方面也具備優異的表現，顯示出其在車輛換道意圖識別任務上的巨大潛力和先進性。細化到不同的換道意圖識別，該模型對左換道駕駛意圖的識別效果尤為突出，準確率、召回率和F1分數三個關鍵評價指標均優于其他駕駛意圖。這一結果表明，模型在處理左變道數據時能夠更好地捕捉到換道特征和模式，確保了高精度的識別能力。綜上所述，基于LSTM的換道意圖識別模型不僅在整體上達到了較高的性能標準，而且對特定的駕駛意圖類別表現出優異的識別效果。

4.4 不同模型性能對比結果分析

為了進一步驗證所使用模型的優越性和可靠性，本文選擇了CNN、RNN和GRU等深度學習模型，并與所提出的LSTM模型進行對比實驗。通過比較不同模型的性能，可以更全面地評估LSTM模型的性能。最終，各模型的性能對比結果如表3所示。

從表3的結果可以看出，本文所提出LSTM模型在各類識別任務中表現優異。具體而言，對于換左換道意圖，LSTM模型的精確率、召回率和F1值分別達到了93.22%、91.59%和92.76%，明顯高于其他模型的相應指標。對于右換道意圖，LSTM模型也表現出優異的性能，其精確率、召回率和F1值分別達到91.68%、92.03%和92.57%。

此外，LSTM模型表現出更高的準確率、更強的穩定性和魯棒性。這些結果證明了LSTM在識別和學習交通規則相關行為特征方面的優勢。與其他模型相比，LSTM不僅能夠更準確地識別換道意圖，而且能夠減少誤報和漏報。這些性能優勢將有助于提高智能交通系統（ITS）在實際應用中的安全性和效率。

5 結論

為了確保車輛換道意圖的識別準確性，本文不僅對車輛軌跡數據進行了詳細處理，還采用了高斯平滑處理技術。通過提取目標車輛和周圍車輛的橫縱坐標、速度及加速度等行駛信息，并對這些數據進行高斯平滑處理，能夠減少噪聲和異常值的影響，從而獲得更加平滑和連續的特征數據。這些處理后的數據包含車輛的相對位置、速度和加速度等關鍵特征，作為模型的輸入特征，能夠更準確地描述車輛的動態行為。本文選取了NGSIM數據集中部分車輛行駛數據對模型進行訓練和測試，并與CNN、RNN、GRU等模型進行了對比。實驗結果表明，本文使用的LSTM模型在整體識別準確率上達到92.85%，在精確率、召回率、F1分數和準確率等評價指標上明顯優于其他模型。通過以上研究，驗證了所采用的LSTM模型在車輛換道意圖識別任務中的優越性能。模型不僅能夠快速、準確地感知和判斷車輛的換道意圖，有效降低換道過程中的碰撞風險，從而提高了車輛行駛的安全性。

參考文獻：

[1] K. Okamoto， K. Berntorp， and S. Di Cairano.Driver intention-based vehicle threat assessment using random forests and particle filtering[J].IFAC-PapersOnLine， 2017， 50：13 860–13 865.

[2]喬少杰，金琨，韓楠，等.一種基于高斯混合模型的軌跡預測算法[J].軟件學報，2015，26（05）：1048-1063.

[3] G. S. Aoude， B. D. Luders， K. K. H. Lee， D. S. Levine， and J. P. How，“Threat assessment design for driver assistance system at intersections，”in Proc. 13th Int[J]. IEEE Conf. Intell. Transp. Syst.， 2010：1855–1862.

[4] Multiple Model Unscented Kalman Filtering in Dynamic Bayesian Networks for Intention Estimation and Trajectory Prediction.

[5]張淼，何儀娟，楊博宇，等.基于LSTM-KF模型的高速列車群組追蹤運行軌跡預測方法[J].交通運輸工程學報，2024，24（03）：296-310.