一种基于GM-HMM模型的车辆换道意图识别方法

技术领域

本发明涉及驾驶意图识别及机器学习领域，尤其是涉及一种基于GM-HMM模型的车辆换道意图识别方法。

背景技术

据统计，大多数交通事故都是由驾驶人的操作失误引起，而其中相当一部分则是发生于车辆在进行换道(超车/切入)或转向动作过程。报告显示，如果驾驶员能多0.5秒的警告时间则60％的追尾事故可以避免，如果再多1秒的警告时间则90％的追尾事故可以避免。由此来看，能精确高效识别车辆换道意图、提前预知车辆行驶状态对提升驾驶安全性、优化驾驶行为等方面尤为重要。为此，AV或新一代高级驾驶辅助系统(Advanced DrivingAssistance System,ADAS)感知决策模块需要具备识别周围环境车辆驾驶意图的能力，从而为规划安全路径、保持车辆平稳跟随状态提供基础。

近年来，国内外学者针对驾驶行为进行了大量的研究，验证了多种不同模型的实施效果，例如支持向量机模型(SVM)、神经网络、模糊推理、贝叶斯网络、隐马尔可夫模型(HMM)及其改进方法、深度学习和其他算法。综合来看，现有的研究虽然取得了良好的成果，但仍存在一些不足。首先，现有驾驶意图识别方法大多针对主车的驾驶行为，利用车载数据获取主车的详细驾驶操作来推断其驾驶意图，这限制了其在预测周围车辆驾驶意图方面的应用；其次，现有研究多采用轨迹离散数据识别换道意图，较少考虑车辆历史行驶信息中存在时序特征和空间特征，从而影响了换道意图识别的准确性和科学性。因此亟需结合车辆历史行驶信息和周边车辆驾驶行为，形成一套高效、准确的车辆换道意图识别模型，以便于实时检测周边车辆的换道意图。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于GM-HMM模型的车辆换道意图识别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于GM-HMM模型的车辆换道意图识别方法，所述的方法包括以下步骤：

1)基于NGSIM数据集，提取由换道行为和非换道行为共同组成的样本数据集；

2)采用高次多项式平滑处理算法对样本数据集进行平滑处理；

3)以车辆换道过程中斜率的四分位数为界限，截取2s的目标车辆数据用以完整描述反向波动现象，并基于目标车辆轨迹特征差异显著性选取模型的输入特征，其中2/3作为训练集，剩余1/3作为测试集；

4)结合车辆运动的数据多维和连续的特点，通过高斯混合模型与隐马尔科夫模型相结合，形成用于车辆换道意图识别的高斯混合隐马尔科夫模型GM-HMM；

5)将训练集输入GM-HMM模型中，分别对向左换道、向右换道和车道保持三种意图识别进行训练，得到训练完成的GM-HMM模型；

6)将测试集输入训练完成的GM-HMM模型中，进行车辆换道意图识别，并采用Viterbi算法对车辆进行换道意图识别的准确率进行验证分析。

进一步地，所述的1)中的样本数据集包括543个换道行为和870个非换道行为。

进一步地，所述的1)具体为：

101)选取NGSIM数据集中US 101号公路上的车辆作为研究对象，对车辆行驶数据进行数据清洗和去重，并统一时间粒度为0.1s，删除缺失数据；

102)根据101)中处理后的数据，将目标车辆和周边车辆布置在同一坐标系中，其中周边车辆包括本车道前车、本车道后车、目标车道前车、目标车道后车以及目标车道并行车辆，并利用车辆行驶横纵向坐标及时间戳，确定车辆周围车辆，得到目标车辆和周边车辆的行驶轨迹数据；

103)将所有目标车辆及其周边车辆的行驶轨迹数据构成包括543个换道行为和870个非换道行为的样本数据集。

进一步地，所述的行驶轨迹数据包括车辆的长度、宽度、位置、速度和加速度。

进一步地，所述的2)具体为：综合对比不同数据平滑算法，选取高次多项式平滑处理算法对样本数据集进行平滑处理，处理后的样本数据集的时间间隔为0.1s。

进一步地，所述的3)具体为：

301)换道意图识别点确定：通过目标车辆的斜率确定换道意图识别点，向左换道的车辆以车辆斜率的上四分位数作为意图识别的观测点，向右换道的车辆则以车辆斜率的下四分位数作为意图识别的观测点，计算公式如下：

其中，k

302)基于目标车辆的横向位置的标准差确定时间窗长度，截取2s的目标车辆数据用以完整描述反向波动现象；

303)车辆换道意图识别特征优选；将筛选出的车队轨迹数据按照目标车辆的运动轨迹划分为向左换道车队、向右换道车队以及车道保持车队运动轨迹数据，并基于箱型图对比车辆不同运动特征分布的差异性，得到优选的换道意图识别特征；

304)将换道意图识别特征归一化处理，作为模型的输入特征。

进一步地，所述的4)具体为：

401)构建隐马尔科夫模型HMM；

402)引入新的连续化表征方法高斯混合模型GMM；

403)将GMM和HMM相结合，形成用于车辆换道意图识别的高斯混合隐马尔科夫模型GM-HMM。

进一步地，所述的采用Viterbi算法对车辆进行换道意图识别的准确率进行验证分析具体为：计算车辆换道意图识别的预测值和真实值一致的车队编号数量与总车队数量的比值，比值越高，则换道意图识别的准确率越高；比值越低，则换道意图识别的准确率越低。

一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如上所述的方法。

一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的方法。

与现有技术相比，本发明具有以下有益效果：

一、本发明首次提出基于轻微反向波动现象构建GM-HMM模型，并在原有仅考虑与目标车辆物理状态相关的特征，如位置、速度、加速度等基础上，考虑目标车辆与其邻域车辆间的交互作用，相较于利用车载数据获取主车的详细驾驶操作进行换道意图预测，更具通用性，拓展了其在预测周围车辆驾驶意图方面的应用，且换道意图识别的准确率更高。

二、本发明充分考虑车辆历史行驶信息中存在的时序特征，相较于传统采用轨迹离散数据识别换道意图，且选用多组不同时间窗的目标车辆运动轨迹数据求解GM-HMM模型，发现以目标车辆横向位置波动的标准差为指标，且以换道过程中斜率的四分位数为换道行为观测的起始点并以2s为观测长度，可以较好的描述车辆反向波动行为，更贴近实际情形。

三、本发明在应用到实际中时，可以降低自动驾驶车辆规划决策难度和失效概率、提高车辆行驶的安全性和平顺性，相比于现有算法在识别准确率上有明显提升，模型准确率99％左右，且模型能够准确识别提前1～3s的车辆换道行为。

附图说明

图1为本发明的换道行为示意图；

图2为本发明的车辆换道意图识别方法流程示意图；

图3为本发明的最小二乘法平滑的基本方法示意图；

图4为本发明的车辆轨迹平滑处理对比图；

图5为本发明的车辆轨迹速度平滑处理对比图；

图6为本发明的目标车辆以及周围车辆轨迹示意图；

图7为本发明的换道观测点示意图；

图8为本发明的换道时间窗长度示意图；

图9为本发明的目标车辆的反向波动特征示意图；

图10为本发明的向左目标车辆换道前横向位置波动标准差对比图；

图11为本发明的车辆轨迹数据对比箱型图，其中a表示本车速度分布，b表示前车速度分布，c表示前车与本车横向相对位置，d表示目标车道前车速度分布，e表示目标车道后车速度分布，f表示目标车道重叠车辆速度，g表示目标车道重叠车辆纵向位置；

图12为本发明的目标车辆换道点示意图；

图13为本发明的换道意图识别模型检测换道行为提前时间分布图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，当目标车辆需要进行换道时，需要本车道和目标车道的周边车辆行驶状态，本发明可利用微观层面目标车辆及其周边车辆轨迹数据，分析目标车辆在跟驰与换道行驶过程中自身行驶轨迹与周边车辆交互行为特征，结合目标车辆轨迹的反向波动现象，通过训练好的GM-HMM模型实现车辆换道意图识别。

本发明所依托的车辆轨迹数据集为NGSIM数据集，主要涉及车辆的轨迹、长度、类型、宽度、速度、加速度、车头间距和车头时距等数据，具体字段名和其含义如表1所示，且在NGSIM数据集中，可以根据数据处理得到真实驾驶环境中的交互信息。

表1NGSIM数据集字段

如图2所示，一种基于GM-HMM模型的车辆换道意图识别方法，所述的方法包括以下步骤：

1)基于NGSIM数据集，提取由543换道行为和870非换道行为共同组成的样本数据集。

所述的1)具体为：

101)选取NGSIM数据集中US 101号公路上的车辆作为研究对象，对车辆行驶数据进行数据清洗和去重，并统一时间粒度为0.1s，删除缺失数据；

102)根据101)中处理后的数据，根据NGSIM数据集中的车辆位置、速度等信息将目标车辆和周边车辆布置在同一坐标系中，其中周边车辆包括本车道前车、本车道后车、目标车道前车、目标车道后车以及目标车道并行车辆，并利用车辆行驶横纵向坐标及时间戳，确定车辆周围车辆，得到目标车辆和周边车辆的行驶轨迹数据，包括车辆的长度、宽度、位置、速度和加速度等。

103)将所有目标车辆及其周边车辆的行驶轨迹数据构成包括543个换道行为和870个非换道行为的样本数据集。

2)采用高次多项式平滑处理算法对样本数据集进行平滑处理。

由于NGSIM数据集存在一定的噪声，特别是车辆的速度抖动较大，因此需要对样本数据集进行平滑处理，本发明对比常见的卷积拟合(Savitzky-Golay滤波拟合法)和多项式拟合法，最终根据二者平滑结果选用高次多项式平滑处理算法对样本数据集平滑处理，具体为：

201)如图3所示，基于Savitzky-Golay滤波拟合法对样本数据集进行平滑处理；首先根据NDVI时间序列曲线的平均趋势，确定合适的滤波参数，用多项式实现滑动窗内的最小二乘拟合，其基本原理如下：

假设一列数据为x[n]，将一组以n＝0为中心的2M+1个数据，使用如下的多项式进行拟合，

其中，p(n)为拟合值，N为给定需要拟合的点数，n为给定的整数值，k为多项式的阶数，a

最小二乘拟合的残差为：

其中，ε

在图3中，实线表示的是N＝2，M＝2时得到的拟合多项式，滤波的结果为：

y[0]＝p(0)＝a

因此只需要获得拟合多项式的常数项；计算参数a

式中h[m]和x[n-m]为卷积的两个变量；由上式可知即对输入数据进行了加权平均，x即为加权系数，对于a

化简后为：

此时若引入一个(2M+1)行(N+1)列的辅助矩阵A＝{a

a

再设辅助矩阵B，使得：B＝A

定义：

则可以得到：

Ba＝A

a＝(A

H第一行行向量即为所求卷积系数，由上述推导可知，H与x无关，由N和M来决定；

202)基于多项式拟合法对样本数据集进行平滑处理；首先假设给定数据由高次多项式函数生成，选择最有可能产生这些数据的高次多项式函数，即在高次多项式函数中选择一个对已知数据以及未知数据都有很好预测能力的函数；拟合前的样本数据集中的原始数据和拟合后的轨迹及速度数据如图4和图5所示。

203)综合对比不同数据平滑方法后，本发明选取高次多项式平滑处理算法对样本数据集进行平滑处理，处理后的数据时间间隔为0.1s，平滑后的车辆轨迹以及数据格式分别如图6和表2所示。

表2平滑处理后样本数据集的数据格式

3)以车辆换道过程中斜率的四分位数为界限，截取2s的目标车辆数据用以完整描述反向波动现象，并基于目标车辆轨迹特征差异显著性选取模型的输入特征，其中2/3作为训练集，剩余1/3作为测试集，具体为：

301)换道意图识别点确定：由于HMM在语音识别方面的效果较优，即在拟合具有声波特征的数据方面具有较大的优势，因此尝试通过提取车辆在换道前具有波动特征的数据作为模型的输入。基于该数据集提取换道车队的运动状态，首次发现车辆换道过程中车辆会向换道方向的反方向波动的现象，如图7和图8所示；因此本发明拟通过目标车辆的斜率确定换道意图识别点；计算每辆车的换道过程中斜率的公式如下：

式中k

选取三个时间单位间隔(0.3s)的点计算车辆的斜率，可以减少短时间内车辆微调造成的换到斜率较大的波动，最终向左换道的车辆以车辆斜率的上四分位数作为意图识别的观测点，向右换道的车辆则以车辆斜率的下四分位数作为意图识别的观测点；

302)基于目标车辆的横向位置的标准差确定时间窗长度，截取出时间窗长度为1s、1.2s、1.5s、1.7s、2.0s、2.2s、2.5s、2.7s和3.0s的目标车辆数据用以完整描述反向波动现象，分别计算不同时间窗长度车辆横向位置波动标准差(fluctuation_std)，如图9所示，得到取时间窗长度为2s可以使数据较为完整的包含目标车辆换道前的波动特征，如图10所示；

303)车辆换道意图识别特征优选；将筛选出的车队轨迹数据按照目标车辆的运动轨迹划分为向左换道车队、向右换道车队以及车道保持车队运动轨迹数据，并基于箱型图对比车辆不同运动特征分布的差异性，得到优选的换道意图识别特征，如图11和表3所示；

表3车辆换道意图识别优选特征

304)为提高模型的预测精度和模型的收敛速度，将换道意图识别特征归一化处理，作为模型的输入特征；由于轨迹数据的特殊性使用普通的归一化方法会缩小车队换道过程中车辆之间的交互特征，因此采取将周围车辆的运动特征与同一时刻目标车辆的对应特征进行求差之后的数据。

4)结合车辆运动的数据多维和连续的特点，通过高斯混合模型与隐马尔科夫模型相结合，形成用于车辆换道意图识别的高斯混合隐马尔科夫模型GM-HMM，具体为：

401)构建隐马尔科夫模型HMM；

HMM模型的参数可以由λ描述，λ＝{A,B,π,M,N}，M代表观测状态数，N代表隐状态数，其他参数含义见表4，参数解释如图11(a)～图11(g)所示；

表4HMM参数含义

HMM主要包含3大问题，分别为评估问题、解码问题和学习问题，在本发明中换道行为被分为3类，即向左换道、向右换道与车道保持；

首先模型参数和观测序列已知，求解该观测序列在给定模型下的条件概率称为评估问题，结合换道意图识别，即在收集时间窗长度为T的车辆数据后计算当前分属向左换道、向右换道、车道保持3种行为的概率。

其中，α

α

β

β

上述提到需要计算当前状态分属3类行为的概率，意味着本发明需要3组不同的HMM参数，左换道λ

ξ

402)由于车辆运动是一个时间连续行为，其运动观测状态不是简单地有限划分，若采用离散化的表征方式将大大减少原始数据的特性，降低最终精度，为最大化保留原始数据特征，提高模型识别精度，引入新的连续化表征方法高斯混合模型GMM；

403)将GMM和HMM相结合，形成用于车辆换道意图识别的高斯混合隐马尔科夫模型GM-HMM；

该模型参数仍可记为

其中，o为观测量，M为隐状j包含的混合高斯元个数，c

其中，G为观测变量维数,初始概率分布π和状态转移概率矩阵A与离散隐马尔科夫模型的训练公式相同，其它高斯混合隐马尔科夫模型参数的重估公式为：

其中，γ

虽然现有计算机性能相较以往得到了极大提升，但由于行为识别的时效性要求较高，因此在考虑精度的同时也要兼顾计算量；从GM-HMM的模型构成及参数计算方法可以发现，模型的计算量主要与隐状态数量、观测数据维数、观测数据时间序列长度和高斯混合数相关。这些参数越小则计算量越小，但是考虑到模型的识别效果，这些参数并不是越小越好。

本发明基于NGSIM数据集使用python中的hmmlearn包对HMM模型的参数进行拟合。模型实现的代码以及各参数的含义分别如表5和表6所示：

表5模型实现的代码

表6hmmlearn参数含义

其中隐藏状态的个数是不可自适应的参数且没有实际的物理意义，因此对该参数进行遍历寻优得到最优的准确率的隐藏状态取值(目标车辆n_components＝2、非目标车辆n_components＝1)。

5)将训练集输入GM-HMM模型中，并将车辆三种换道状态作为GM-HMM模型的输出，分别对向左换道、向右换道和车道保持三种意图识别进行训练，得到训练完成的GM-HMM模型。

6)将测试集输入训练完成的GM-HMM模型中，进行车辆换道意图识别，并采用Viterbi算法对车辆进行换道意图识别的准确率进行验证分析。

如图12所示，将向左换道、车道保持、向右换道行为记为-1、0、1，将剩余的1/3车队数据作为验证集，分别带入三种换道意图识别模型中计算该观测序列属于该模型的概率，最后将概率得分最高的模型所代表的车辆行为作为最终的预测值，如表7所示；

表7模型预测结果示例

如图13所示，计算车辆换道意图识别的预测值和真实值一致的车队编号数量与总车队数量的比值，作为模型预测准确率的评价指标，比值越高，则换道意图识别的准确率越高；比值越低，则换道意图识别的准确率越低；此外，还可以计算诸如查准率、召回率、F1-score等指标；最后，为验证GM-HMM模型对车辆换道意图识别的提前预测能力，对模型预测的提前时间进行计算，如表8所示。

表8不同预测时间下模型识别性能对比

相较于已有车辆换道意图识别研究，本发明提出基于轻微反向波动现象构建的GM-HMM模型在提前2-3s预测向左换道的准确率达到98％以上，相比于其他研究在延长了预测时间的前提下，将模型预测准确率提高了2％左右；与其他研究最优的车道保持车辆预测准确率相比，模型将预测准确率提高了5％左右。

本发明提供一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如上所述的方法。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的方法。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。