基于高斯混合-隱馬爾可夫模型的駕駛意圖識別

主題詞：自動駕駛 駕駛意圖識別高斯混合模型隱馬爾可夫模型Frenet坐標系中圖分類號：U463.6 文獻標志碼：A DOI：10.19620/j.cnki.1000-3703.20231201

Driving Intention Recognition Based on Gaussian Mixture-Hidden MarkovModel

Shen Yu122，Liu Guanghui2，Ma Xuanpeng1，XuJiawen2，Yan Yuan2 （1.School of Information Engineering，Gansu Minzu Normal University，Hezuo 747ooo；2.Schoolof Electronicand Information Engineering，Lanzhou Jiaotong University，Lanzhou ）

【Abstract】To achieve accurate recognition of vehicle driving intentions in highway scenarios，this paper proposes a drivingintentionrecognitionmodelthatcombinesdualreferencelinesintheFrenetcoordinatewith GausianMixture Models （GMMs）andHidden Markov Models （HMMs）.Themodel selectsdrivingdata fromdiferentreference linesintheFrenet coordinatebasedonvehiclepositionasobservedvariables.By integratingtheobservationprobabilitiesoutputbytheGMMat previousand subsequent time steps withthe HMM，the model identifies the vehicles’driving intentionat thecurrentmoment. Theefectivenessof themodelisvalidatedusingtheUS-101datasetfrom NGSIM.Theresultsshow that thedual-referenceline GMM-HMM model achieves recognition accuracies of 93.33% for lane keeping and 92.24% for lane changing，indicating excellent recognition performance.

Key Words：Autonomous driving，Driving intention recognition，Gaussan Mixture Model （GMM），HiddenMarkovModel （HMM），Frenetcoordinate

【引用格式】沈瑜，劉廣輝，馬翱鵬，等.基于高斯混合-隱馬爾可夫模型的駕駛意圖識別[J].汽車技術，2025（5）：22-28SHENY，LIUGH，MAXP，etal.Driving IntentionRecognitionBasedonGausian Mixture-HiddenMarkovModel[J].Automobile Technology，2025（5）：22-28.

1前言

道路交通事故原因分析表明，約四分之一的安全事故源于駕駛意圖傳達不明確[1。因此，準確識別駕駛意圖，提高車輛行駛安全性，已成為當前自動駕駛技術領域關注的焦點。

目前，駕駛意圖識別方法主要分為基于規則（Rule-Based）和基于深度學習的方法。基于規則的識別方法將駕駛經驗轉化為知識，并將提取出相應規則，應用于駕駛意圖識別2]。Bouchard等3]基于雙層規則理論，根據設計規則和環境狀態感知識別駕駛意圖，模型在可解釋性和安全性方面表現良好，但受限于規則引擎的固有缺陷，泛化能力不足。Bhattacharyya等提出了基于規則與數據驅動協同識別駕駛意圖的方法，結合車輛行駛參數，通過規則確定基本駕駛意圖，同時優化參數以匹配真實駕駛行為。該方法提升了駕駛意圖識別的可解釋性和真實性，但在實時性和泛化性方面仍有改進空間。基于規則的方法適用于簡單交通場景，其效率和可靠性較高，但因面對復雜或未知場景的覆蓋率較低，識別的準確性與適應性存在一定局限性[5]。

基于深度學習的方法已成為主流的駕駛意圖識別方法，Zyner基于遞歸神經網絡（RecursiveNeuralNetwork，RNN）預測方法，從激光雷達的跟蹤系統中獲取數據，用于變道行為的駕駛意圖識別。Fang等[7]基于深度神經網絡（DeepNeuralNetworks，DNN）的駕駛意圖識別模型，融合自標車輛與周圍車輛的交互信息、道路信息和車輛狀態，識別混合交通流中的駕駛意圖，并通過NGSIM（NextGenerationSimulation）數據集驗證提出方法的有效性。張新鋒等提出了融合注意力機制和殘差卷積的雙向長短時記憶（Bi-directionalLongShort-TermMemory，Bi-LSTM）識別模型，該模型在特征自動提取和時序依賴建模中優勢顯著，但其魯棒性較低。Liu等提出基于隱馬爾可夫模型（HiddenMarkovModel，HMM）的車輛駕駛意圖識別方法，并使用自建天橋環境數據訓練和測試駕駛意圖識別模型。趙建東等結合卷積神經網絡（ConvolutionalNeuralNetworks，CNN）和門控循環單元（GatedRecurrentUnit，GRU），并利用注意力機制構建變道意圖識別模型，綜合考慮了車輛行駛中的時序特征和空間特征。基于深度學習方法能夠提升模型識別的準確率，但缺乏可解釋性和擴展性，對于數據波動無法及時處理，性能會有所下降。

因此，本文采用雙參考線高斯混合-隱馬爾可夫模型（GMM-HMM）模型，通過Frenet坐標系下兩條參考線的動態切換，更精確地捕捉車輛在不同車道位置下的駕駛意圖特征。利用高斯混合（GaussianMixtureModel，GMM）模型對駕駛行為空間分布的多模態特性，結合HMM的時間序列分析能力，提升變道意圖的早期識別率。同時，通過引入雙參考線機制，在保持強可解釋性的基礎上，增強模型對不同道路場景的泛化性。

2數據處理

2.1NGSIM數據集

本文基于NGSIM數據集的多維度駕駛行為特征，構建駕駛意圖識別數據集。該數據集由目標路段頂部的高性能攝像機拍攝，提取車輛水平坐標、垂直坐標、速度、加速度等特征，采樣頻率為 10Hz 。選擇高速公路場景下的US-101路段，道路拓撲結構如圖1所示。其中，1＼～5號車道為道路主要車道，6號車道為集散車道，7號、8號車道分別為匝道的入口和出口。

2.2數據預處理

由于NGSIM數據集由多個攝像機拍攝視頻獲取車輛軌跡信息，在數據拼接、融合過程中容易出現較大誤差，因而需要對數據進行預處理。數據集中部分特征參數說明如表1所示。

駕駛意圖樣本數據提取與處理過程如下：

a.篩選數據：本文暫不考慮存在強制性變道的第6＼～8號車道，僅考慮1＼～5號車道的數據。在US-101場景中主要包括3種類型車輛，分別為摩托車、大型車輛和中小型汽車，其中，汽車占比為 96.1% 。鑒于不同車型的駕駛習慣差距較大，剔除大型車輛和摩托車數據，僅保留汽車類樣本數據，并進行平滑處理。

b.平滑數據：由于原始數據存在誤差和噪聲，需對訓練數據進行平滑處理，本文采用對稱指數移動平均（symmetricExponentialMovingAverage，sEMA）濾波算法對原始數據的橫向位置Y、速度 σ_v 進行處理。以數據集中一個車輛軌跡為例，平滑處理結果如圖2所示。

2.3Frenet坐標系下特征提取

Frenet坐標系以車道左、右邊緣線為參考線 r（s） 通過將車輛位置向參考線投影，定義投影距離和沿參考線累積弧長，將車輛笛卡爾坐標轉換為Frenet坐標。假設在笛卡爾坐標系中，車輛位置為 N（x，y） ，從點 N 向參考線 r（s） 投影，投影點為 M ，則投影點 M 到點 N 的距離為車輛相對于參考線的橫向位移l，從參考線的起始點 F 到投影點 M 的曲線距離為車輛相對于參考線的縱向位移d。在Frenet坐標系下，使用橫向位移和縱向位移描述車輛位置 （l，d） 。兩坐標系的映射關系為r（s），（x，y）（l，d）由于車輛的行駛軌跡無法與參考線完全重合，需要利用參考線描述車輛的運動狀態。本文以車道的左、右邊緣線為參考線，根據車輛位置選擇所需的參考線。當車輛位于車道左側時，選擇車道左邊緣線為參考線，車輛的運動狀態為 l_Left，v_l，Left，d_Left，v_d，Left] 其中， 分別為參考方向的縱向位移和垂直參考方向的橫向位移，（204號 v_l，left?v_d，Left 分別為車輛縱向和橫向速度。同理，當車輛位于車道右側時，選擇車道右邊緣線為參考線，如圖3所示，車輛運動狀態為 [l_Right 車輛運動狀態可作為觀測變量計算駕駛意圖觀測概率。

將NGSIM數據集中車輛駕駛意圖分為車道保持、左變道和右變道3類。其中，車道保持為車輛在行駛過程中未跨越車道邊緣線，車輛變道為橫跨車道邊緣線兩側的連續過程。為了確定各類駕駛意圖的樣本數量，通過Vehicle_ID獲取車輛行駛數據，并根據行駛數據中Lane_ID的變化確定變道時刻。從變道時刻的Frame_ID向前回溯縱向位移 l_Left 和縱向速度 v_l，Left ，如果連續3幀數據的 l_Left 遞減且 v_l，Left≠0 ，則下一幀數據作為左變道的起始幀 F_start ，從變道時刻Frame_ID向后回溯 l_Left 、v_l，Left ；如果連續3幀數據的 l_Left 不變，則下一幀數據作為左變道終止幀 F_end 。位于 [F_start，F_end] 的數據為左變道過程的樣本，同理可標注右變道樣本，剩余數據則標注為車道保持樣本。

結合駕駛意圖的提取情況，由于大多數車輛在行駛過程中未發生變道行為，所以車道保持樣本數量相對較多。篩除6＼～8號車道數據后，結合道路行駛方向，右變道樣本數量較少。最終，本文樣本共6154組，其中，車道保持、左變道和右變道的樣本數量分別為5344組、559組和256組。

3高斯混合-隱馬爾可夫模型構建

高斯混合模型具有較好的計算特性，通過GMM擬合車輛橫向位置、橫向速度等連續觀測變量，計算駕駛意圖的概率分布，可作為HMM的輸入。而駕駛行為具有連續時序性，隱馬爾可夫模型通過狀態轉移概率與歷史觀測序列的動態關聯，可有效建模并識別駕駛意圖的概率分布[12]。因此，本文使用GMM-HMM駕駛意圖識別模型，其結構如圖4所示。

3.1高斯混合模型

當樣本數據 為多維數據時，多變量高斯分布的概率密度函數為：

式中： 為 D 維列向量 ，μ，Σ 分別為樣本的均值矩陣和協方差矩陣。

高斯混合模型是由多個單高斯模型組合而成的概率模型[13]，各模型均符合單高斯分布，因此，高斯混合模型可表示為：

式中： K 為混合模型中單高斯模型的數量， α_k 為第 k 個單高斯模型的權重， 為第 k 個單高斯分布 分別為第 k 個單高斯模型中觀測變量數據的均值和協方差矩陣。

3.2 隱馬爾可夫模型

隱馬爾可夫模型由狀態變量 s 和觀測變量 σ_o 構成。狀態序列 ，狀態變量的值域為駕駛意圖的有限集合，即 為狀態變量的數量；觀測序列 ，其中， T 為總時間幀數，取決于時間窗的長度；狀態轉移矩陣為 ，其中， a_ij 為 χ_t 時刻車輛駕駛意圖 q_i 在 （t+1） 時刻轉移至 q_j 的概率;發射概率矩陣為 ，其中， 為當駕駛意圖處于 q_j 時，觀測到駕駛行為 v_k 的概率;初始狀態概率矩陣為 ，且滿足 。因此，HMM模型由矩陣 π，A 和 B 構成，即 λ=[π，A，B]

考慮到駕駛意圖無法通過直接觀測，本文將駕駛意圖作為HMM的隱藏狀態變量，通過觀測變量獲取的車輛運動狀態數據，反映駕駛員的駕駛行為特征，區分不同駕駛意圖。本文在Frenet坐標系下，將車道左、右邊緣線作為參考線，描述車輛運動狀態。以車道左邊緣線為參考線時，選取車輛的 l_Left 和 v_l，Left 作為觀測變量；以車道右邊緣線為參考線時，選取（20 l_Right 和 v_l，Right 作為觀測變量。因此，觀測變量可表示為

各時刻車輛隱藏狀態變量為3種駕駛意圖的概率分布，不同時刻的隱藏狀態變量間可相互轉移。 a_ii 為任一狀態保持不變的概率， a_ij 為任兩個狀態相互轉移的概率，則車輛駕駛意圖狀態轉移矩陣為：

通過GMM擬合車輛位置、速度等連續變量的概率分布，作為駕駛意圖識別HMM的觀測概率。則高斯混合模型輸出觀測值的概率為：

式中： 為二維高斯分布概率密度函數， α_jk 為第j個高斯分布的權重系數 ?，μ_jk.Σ_jk 分別為第j個高斯分布的數據均值矩陣和協方差矩陣。

3.3 GMM-HMM模型

3.3.1 參數學習

結合高斯混合模型，GMM-HMM模型可表示為λ=[π，A，α，μ，Σ] 已知駕駛行為序列 求解 使 P（O|λ） 最大。由于狀態變量序列未知，可采用 算法[3進行參數估計。

首先，定義 Q 函數為：

對 Q 函數展開可得：

以參數 π 為例，推導求解過程得到：

采用拉格朗日乘子法計算極值：

令 ，將 γ 代人偏導公式，得到：

P（O|λ^（t）） 和 可通過前向變量 α_t（s） 表示，參數 _A，B 求解過程同樣符合上述原理。

3.3.2 參數訓練

模型參數學習具體步驟如下：

a.初始化一組參數 λ=[π，A，α，μ，Σ]， 狀態轉移矩陣 A 可根據經驗進行初始化， π，A，α，μ， Σ 根據數據分布特征進行初始化

b.確定模型訓練所需的樣本數據，即觀測變量序列o 。使用Holdout驗證方法，隨機選擇總樣本的 70% 作為訓練樣本。

c.編寫MATLAB程序，初始化參數后，根據Baum一Welch算法進行參數學習。

d.輸出訓練結果。

根據上述方法，得到模型的訓練結果為4個二維單高斯模型，GMM-HMM模型參數為：

式中： / 分別為以車道左邊緣線為參考線，駕駛意圖為左變道特征的均值和協方差矩陣；μ（：，：，2） 和 Σ（：，：，1，2） 分別為以車道右邊緣線為參考線，駕駛意圖為右變道特征的均值和協方差矩陣： ：μ（：，：，3） / 分別為以車道兩側（左側和右側）邊緣線為參考線，駕駛意圖為車道保持特征的均值和協方差矩陣。

GMM-HMM模型輸出觀測概率如圖5所示。其中，左側2個橢圓表示以車道左邊緣線為參考線的觀測變量分布特征；右側2個橢圓表示以車道右邊緣線為參考線的觀測變量分布特征；橢圓的長、短半軸表示對應方向觀測變量的標準差；橢圓的中心位置表示每個單高斯分布的觀測變量均值。

4駕駛意圖識別

單獨時刻駕駛車輛觀測值無法體現駕駛意圖，可通過連續駕駛動作進行推理，根據過去連續T時間段內的駕駛動作，識別當前時刻車輛的駕駛意圖。本文使用滑動時間窗，時間窗長度為T，如圖6所示。駕駛意圖識別問題可描述為：已知GMM-HMM參數 λ=[π，A，α，μ，Σ] 滑動時間窗內的駕駛動作序列為 求解 T 時段內最有可能的狀態序列 ，使P（O，S^*|λ） 最大。通過維特比（Viterbi）算法[4遞推求解最優的狀態序列 S^* ，從而確定車輛的駕駛意圖。

使用總樣本的 30% 數據進行模型驗證，即車道保持樣本、左變道樣本和右變道樣本分別為1604組、168組和77組。以車道右邊緣線為Frenet坐標系的參考線，左、右變道識別過程分別如圖7、圖8所示。

以車道右邊緣線為Frenet坐標系的參考線為例，由圖7可知，第4s時車輛橫向位移發生改變，逐漸靠近左車道邊緣線，同時，車道保持意圖識別概率下降，左變道意圖概率上升，可通過比較意圖概率確定最終識別結果。當左變道概率大于車道保持概率時，識別結果將從車道保持轉換成左變道。當2.5s后完成左變道時，車輛距離車道右邊緣線的橫向位移為0。

本文將精確率 （Precision）P 、召回率 （Recall）R 、F1 分數和準確率（Accuracy） ）_A 作為模型性能評價指標。相關公式為：

式中： TP 為正確識別目標駕駛意圖的數量， FP 為將非目標意圖誤判為目標意圖的數量， TN 為正確識別非目標意圖的數量， FN 為未能識別目標駕駛意圖的數量。

為了進一步驗證本文模型的有效性，將本文模型與RuleBased、DNN等雙參考線模型及單參考線模型GMM-HMM*進行對比，結果如表2所示。

由表2可知，相比單參考線，雙參考線通過提供更全面的橫向位置信息，增強了GMM-HMM模型對車輛動態的感知，同時捕捉車輛與兩側車道的相對偏移量及變化趨勢：車道保持時，兩側偏移量穩定；變道時，一側偏移持續減小而另一側增大，形成明顯特征差異。多維觀測數據提高了模型對車輛橫向運動的敏感性。相較于使用單參考線的GMM-HMM*模型，本文模型由于使用雙參考線，車道保持準確率和變道準確率分別提高2.19百分點和3.07百分點，識別準確率均高于其他雙參考線模型，且在精確度、召回率和F1分數評價指標上優于其他模型。因此，所提出的雙參考線GMM-HMM模型在識別實際駕駛員的駕駛意圖中更具優勢。

5結束語

本文提出的雙參考線GMM-HMM模型充分考慮了車輛行駛過程中時間的連續性，能夠根據觀測變量準確識別駕駛意圖。該模型可應用于智能駕駛領域，通過識別危險換道行為，優化自主換道過程，提前預警可能的危險情況，對提高駕駛主動安全性、改善車輛的智能決策和交互能力有重要意義。

由于試驗樣本數量有限，且僅考慮車輛變道和車道保持的相關信息，后續將綜合考慮道路環境、周圍車輛等因素對意圖識別的影響。同時，探究復雜道路（如交叉路口、坡道等）條件下，超車、轉向等駕駛意圖識別。

參考文獻

[1]WANGZC，FENGQ，LUO M，etal.EfficientFSS-Based PrivateStatisticsforTrafficMonitoring[C]//2O24IEEE23rd International Conference on Trust，Security and Privacy in Computing and Communications （TrustCom）. Sanya， China： IEEE，2024：1361-1370.

[2] KHELFA B，BAI， TORDEUX A. PredictingHighway LaneChanging Maneuvers：A Benchmark Analysis of Machine and Ensemble Learning Algorithms[J]. Physica A： Statistical Mechanics and its Applications，2023，612.

[3]BOUCHARDF，SEDWARDSS，CZARNECKI K.A RuleBased：Behaviour Planner for Autonomous Driving[C]// International Joint Conference on Rules and Reasoning. Berlin，Germany：Springer，2022：263-279.

[4]BHATTACHARYYA R，JUNGS，KRUSEL A，etal.A Hybrid Rule-Based and Data-Driven Approach to Driver Modeling Through Particle Filtering[J].IEEE Transactions on Intelligent Transportation Systems，2022， 23（8）： 13055- 13068.

[5]方華珍，劉立，顧青，等.自動駕駛車輛換道意圖識別研究 現狀[J].工程科學學報，2024，46（10）：1845-1855. FANGH Z，LIU L，GUQ，et al.Research Status of LaneChanging Intention Recognition for Autonomous Vehicles[J]. Chinese Journal of Engineering，2024，46（10）：1845-1855.

[6]ZYNERA，WORRALLS，NEBOTE.ARecurrentNeural Network Solution for Predicting Driver Intentionat UnsignalizedIntersections[J].IEEERobotics and AutomationLetters，2018，3（3）：1759-1764.

[7]FANG H Z，LIU L，GU Q，et al.Driving Intention Recognition of Human Drivers in Mixed Traffic Flow[C]// 2022 IEEE 25th International Conference on Intelligent Transportation Systems （ITSC）. Macau， China：IEEE，2022： 153-157.

[8]張新鋒，王萬寶，柳歡，等.高速動態交通場景下自動駕駛 車輛換道意圖識別模型研究[J].汽車技術，2023（4）：8-15. ZHANGXF，WANAGWB，LIUH，etal.ResearchonLane Change Intention Recognition Model of Automated Vehicle inHigh-Speed Dynamic Traffic Scenario[J]. Automobile Technology，2023（4）： 8-15.

[9] LIU SW， ZHENG K， ZHAO L，et al.A Driving Intention Prediction Method Based on Hidden Markov Model for Autonomous Driving[J]. Computer Communications，2020， 157： 143-149.

[10]趙建東，趙志敏，屈云超，等.軌跡數據驅動的車輛換 道意圖識別研究[J].交通運輸系統工程與信息，2022， 22（4）： 63-71. ZHAO JD，ZHAO Z M，QU YC，et al.Vehicle Lane Change Intention Recognition Driven by Trajectory Data[J]. Journal of Transportation Systems Engineeringand Information Technology，2022，22（4）： 63-71.

[11] DO JY，HAN K，CHOI S B.Lane Change-Intention Inferenceand Trajectory Prediction of Surrounding Vehicles onHighways[J]. IEEE Transactions on Intelligent Vehicles， 2023，8（7）：3813-3825.

[12]FANGJW，WANGF，XUEJR，etal.BehavioralIntention Prediction in Driving Scenes：A Survey[J].IEEE Transactions on Inteligent Transportation Systems，2024， 25（8）： 8334-8355.

[13] LUO Y Q， ZHANG JY，WANG SF，et al.A Driving IntentionPredictionMethodforMixed Traffic Scenarios[C]// 2022 IEEE 7th International Conference on Intelligent Transportation Engineering （ICITE）.Beijing， China： IEEE，2022.

[14]LV Y Z，WEI C. Multi-Objective Optimal Decision Making forAutonomous Driving Based on Multi-Modal Predicted Trajectories[Cl// International Conference on Mechatronic Engineering and Artificial Intelligence （MEAI 2023）. Shenyang， China： AIP Publishing，2024.

（責任編輯瑞秋）

修改稿收到日期為2025年1月26日。