2. 中国北方车辆研究所, 北京 100072
2. China North Vehicle Research Institute, Beijing 100072, China
驾驶辅助系统因具备提升驾驶舒适性和安全性的优点而被越来越多地应用到车辆中[1]。车道偏离预警系统(lane departure warning system,LDWS)和车道保持辅助系统(lane keeping assistance system,LKAS)作为典型的横向驾驶辅助系统,能够在车辆偏离车道时对驾驶人进行预警或辅助控制,提醒或帮助驾驶人让车辆回到原车道内。为不干扰驾驶人的正常驾驶行为,在驾驶辅助系统的设计中,驾驶人换道意图的识别是必要且重要的[2]。
目前,各研究机构对驾驶人意图识别均有一定研究。日产公司Kuge 建立并训练了紧急换道、4 正常换道、车道保持3种行为对应的隐Markov模型(hidden Markov model,HMM),以转向行为参数为观测变量,通过比较不同模型输出观测变量序列概率大小得到意图辨识结果[3]。Mizushima等也基于HMM方法进行研究,使用模糊理论设计了离散型的转向行为指数,作为HMM的唯一观测变量[4]。此外,在现有的驾驶人意图识别算法研究中,Bayes决策、支持向量机等模式识别方法也均有应用 [5, 6]。上述算法中,输入参数仅限于驾驶人对车辆的控制行为及车辆的运动参数,为得到更高的识别准确性,通常使用非单一的输入参数,但将导致识别效率降低,只有在换道行为开始一段时间后,当车辆的动态参数出现明显变化时,方能准确识别出驾驶人的换道意图。因此,在保障准确率的条件下能提高识别效率的换道意图识别算法仍有待研究。
本文在分析环境对驾驶人换道决策影响的基础上,提出一种考虑了驾驶人换道动机的意图识别算法。首先,分析与驾驶人换道决策相关的交通环境要素;基于模糊理论设计换道综合决策因子,利用双车道车流均速比率、跟车危险感知系数表征换道动机的触发因素,利用自车与目标车道后车间的实际距离与安全距离之比表征驾驶人决策时衡量的安全因素,使得到的新参数反映出周边环境对驾驶人换道决策的综合影响,且随着换道进程,能够早于常规换道行为特证参数凸显出变化规律。其次,设计反映驾驶人意图变化的HMM,利用其解码问题解法实现驾驶人的意图识别。最后,利用真实驾驶人在驾驶模拟实验台上获得的换道行为数据验证算法性能。
1 驾驶人换道决策分析为了确定对驾驶人的换道决策存在决定影响的交通环境要素,利用文[7]获得的12名驾驶人在北京典型道路环境下的换道行为数据,进行关于驾驶人换道决策的简要分析。
针对在北京四环路上的总计689组换道数据及在京石高速公路上的总计608组换道数据,按是否有前车及与前车的距离进行工况细分。由于雷达的探测范围为前方150 m,因此无前车表示自车前方150 m的范围内没有其他车辆;近距离前车表示自车与前车之间的距离满足式(1)所示条件,该工况下驾驶人会根据前车状态调整自车状态,以保障跟车安全;远距离前车表示自车前方150 m以内有前车,但不满足式(1)所示条件,该情况下远距离前车对自车的影响较小。统计结果如图1所示。结果表明,在四环路与京石高速公路上,最高比例的换道行为均发生在近距离跟车工况中。
$D \le 2.5 \cdot {V_x} + 10.$ | (1) |
通过对车辆在换道行为前后的运动状态差异分析可以获知: 在四环路工况中,当自车原处于无前车或远距离跟车状态时,59%的换道行为使自车在换道后获得了速度增长优势,平均速度增长了22.73 km/h;而当自车原处于近距离跟车状态时,84%的换道行为使自车在换道后获得了跟车间距加大或避撞时间加长的优势,平均跟车间距加大了 7.37 m。在高速路工况中,当自车原处于无前车或远距离跟车状态时,有27%的换道行为使自车在换道后获得了速度增长优势,平均速度增长了10.56 km/h;当自车原处于近距离跟车状态时,92%的换道行为使自车在换道后获得了跟车间距加大或避撞时间加长的优势。此外,在驾驶人接近前车的工况中,驾驶人在约70%的情况下选择了换道[8]。
为定量分析驾驶人在跟车时的决策与行车环境的相关性,提取了驾驶人在四环路上的1 300段与在京石高速公路上的1 193段稳定车道保持行为数据,按式(1)条件挑出其中近距离跟车时的数据,与前述近距离跟车时的换道工况数据一起,分析决策与跟车特征参数之间的相关性。将近距离跟车时的车道保持与换道决策分别对应数值编号1与2。
计算各工况初始时刻的5个特征参数: 1) 自车车速Vx,2) 车间距离D,3) 跟车时距(time headway,THW),4) 相对车速Vrel,5) 避撞时间倒数TTCi (inverse of time to collision,TTCi)。其中: THW为D除以Vx,TTCi为Vrel除以D。
根据表1所示的相关系数计算结果,各参数对驾驶决策的影响由高到低依次是TTCi、Vrel、THW、Vx、D。在0.05的显著性水平下,所有被选取的参数与驾驶决策均显著相关,且参数两两之间均显著相关。考虑到TTCi由D与Vrel计算得到,THW由D与Vx计算得到。因此,在TTCi与THW两个参数中,其余参数均可有所体现,故可假设驾驶人使用这两个参数作为衡量跟车风险状态进而做出换道决策的主要指标。
决策 | V x | 特征 | THW | V rel | TTCi | |
决策 | 1.00 | 0.15 | -0.11 | -0.26 | 0.33 | 0.43 |
V x | 0.15 | 1.00 | 0.61 | 0.01 | 0.26 | 0.17 |
D | -0.11 | 0.61 | 1.00 | 0.76 | 0.22 | 0.00 |
THW | -0.26 | 0.01 | 0.76 | 1.00 | 0.07 | -0.13 |
V rel | 0.33 | 0.26 | 0.22 | 0.07 | 1.00 | 0.84 |
TTCi | 0.43 | 0.17 | 0.00 | -0.13 | 0.84 | 1.00 |
综上所述,一方面,驾驶人的换道决策在较高比例上使驾驶人获得了速度或跟车距离上的优势;另一方面,在行车工况不具备维持车速或提高车速行驶的条件时,驾驶人在大多数情况下会做出换道决策。此外,THW与TTCi可作为特征参数反映驾驶人在跟车工况下的换道需求。
2 综合决策因子设计在换道行为产生前,一般存在触发驾驶人换道动机的诱因,如前方有车切入或前车制动等。而后,驾驶人会根据相邻车道的车流运动情况判断换道是否能获得潜在优势、是否可行和安全,从而做出最终决策。因此,换道行为开始时的周边环境对驾驶人是否会产生成熟的驾驶意图有重要的影响。本文定义了综合决策因子(comprehensive decision index,CDI)来评估周边环境是否易于驾驶人做出换道决策。因模糊理论具有将人的判断和思维过程用相对简单的数学形式直接表达出来的能力,故使用该理论模仿驾驶人进行换道决策时对信息的定性感知及处理。
根据第1节的结论,驾驶人通过大部分换道工况获得了速度优势及跟车优势,这两类换道期望优势作为触发因素,与决定换道是否可行的安全因素共同构成了换道决策时所需考虑的3个因素。
触发因素之一是驾驶人期望获得速度优势。当原车道的车流均速低于目标车道的车流均速时,驾驶人易产生换道动机。本文以相邻车道的车流速度比Pv_lane量化这种换道工况的必要性,
${P_{{\rm{v\_lane}}}} = {V_{{\rm{omean}}}}/{V_{{\rm{dmen}}}}.$ | (2) |
触发因素之二是驾驶人期望获得跟车优势。当自车原车道前车减速,或其他车辆插入自车前方,导致自车与前车距离缩短,自车以避撞或获得更大的空间裕量为目的而产生换道需求。本文选取危险感知系数(risk perception,RP)量化这种工况下驾驶人危险感知程度及换道需求。根据第1节分析得到的结论,在驾驶人的决策过程中,THW与TTCi两者与驾驶人的最终决策有较高的相关性。RP由Nissan公司最先提出,将THW的倒数与TTCi进行线性组合计算得到,如式(3)所示[9]。式中: 加权系数a,b分别取为a=1,b=5。
${\rm{RP}} = a/{\rm{THW + }}b \cdot {\rm{TTCi}}{\rm{.}}$ | (3) |
安全因素方面,由于换道安全性与目标车道后车的关联最密切[10],因此以自车距离目标车道后车的实际距离与安全距离之比Psafen量化安全性,
${P_{{\rm{safe}}}} = {D_{{\rm{rd}}}}/{D_{{\rm{rd\_safe}}}}.$ | (4) |
以Pv_lane、RP、Psafe 3个参数为CDI计算子模块的3个输入,该子模块结构如图2所示。首先,基于传感器及通讯技术,如雷达或车辆间(V2V)通讯,获知周边环境并计算Pv_lane、RP、Psafe。将之模糊化为定性表达;然后,根据设计的模糊规则进行推理,获得驾驶人做出换道决策的可能性大小;最后,将通过重心法解模糊获得的定量输出数值定义为综合决策因子。
对于3个输入参数和1个输出指标的隶属度函数,均选取梯形隶属度函数作为对应参数最小区间和最大区间的两个函数,三角形隶属度函数作为中间值区间的函数。
两相邻车道的车流平均车速之比Pv_lane的隶属度函数包含Slow、Close和Fast 3条曲线,分别代表原车道的车流平均车速低于、接近和高于相邻的目标车道的车流平均车速。强化距离碰撞时间RP的隶属度函数包含S、M和B 3条曲线,分别代表跟车危险程度小、中和大。换道距离安全指标Psafe的隶属度函数包含VD、D、N、S和VS 5条曲线,分别表示极危险、危险、中等、安全和极安全。换道综合决策因子CDI的隶属度函数包含NB、NS、O、PS和PB 5条曲线,分别表示负大、负小、零、正小和正大。负值表示驾驶人产生换道决策的可能性较低,正值表示驾驶人产生换道决策的可能性较高;大表示两种可能性差距较大,小表示差距较小,零表示两种可能性相当。CDI的逻辑推理规则如表2所示。
P v_lane | RP | P safe | ||||
VD | D | N | S | VS | ||
Fast | S | NB | NB | NB | NS | NS |
M | NB | NS | NS | NS | NS | |
B | NB | NS | NS | O | O | |
Close | S | NB | NB | NS | O | O |
M | NB | NS | O | O | O | |
B | NS | NS | O | PS | PS | |
Slow | S | NB | NS | O | PS | PS |
M | NS | O | PS | PS | PB | |
B | NS | O | PS | PB | PB |
文[12]首先提出了基于图3所示的HMM的结构,以车道保持、过渡状态、换道状态为3个隐状态,以实时测量并计算得到的CDI、转向指数(steering index,SI)、车辆相对车道的横向速度Vlat组成的向量作为HMM的观测向量O,通过HMM的解码问题解法推测驾驶意图。隐状态之间的状态转移概率a11—a33组成的矩阵称为状态转移矩阵A,观测矩阵B由3个隐状态下观测向量O的概率分布密度函数bi(O)构成。
本文根据换道决策影响因素的分析结果,在文[12]的基础上进行了CDI的算法改进,使用改进后的CDI、SI与Vlat构成本文意图识别算法的观测向量。
基于Baum-Welch算法,使用已进行隐状态标记的样本数据对上述HMM结构进行迭代训练,可以获得状态转移矩阵A及观测概率矩阵B。基于训练后的HMM模型,通过Viterbi算法进行隐状态的解码,以最大概率对应的观测向量的隐状态为驾驶人的当前意图[12]。
4 算法性能验证为检验本文设计的换道意图识别算法的准确率及识别效率,本文使用在驾驶模拟器上采集到的真实驾驶人换道数据,使用Matlab实现本文提出的基于HMM的意图识别算法,检验其综合性能,并将使用单一观测变量SI与使用SI和Vlat作为组合观测变量的意图识别算法用作对比。
用于数据采集的驾驶模拟器试验平台如图4所示。通过拼接投影屏幕,驾驶人可以实时观测前方模拟驾驶环境,并可通过后视镜观察到侧后方的交通情况。4名驾驶人参与换道实验,根据其个人驾驶经验进行换道可行性的定性判断、做出综合换道决策、选取换道时机,并最终独立完成换道过程所要求的转向行为,共生成69次换道行为。验证过程中,首先使用每名驾驶人的3组换道数据作为样本进行HMM参数训练,然后利用其他57组换道数据验证算法性能。
使用样本数据训练HMM时,首先对各时刻进行隐状态标记,换道起点定义为车辆开始持续接近目标车道的时刻,换道终点定义为车辆位置第一次越过目标车道中心线的时刻。换道起点前7.5 s内的时间段标记为过渡状态;换道起点至换道终点标记为换道状态;其余时间段标记为车道保持状态。训练后,得到HMM的各项参数。采用其他换道数据验证算法性能。以其中一次换道过程为例,图5a所示为各观测变量在换道过程中随时间的变化,CDI的变化领先于SI及横向速度的变化发生;图5b所示为基于HMM结构推算得到的各隐状态概率值随时间的变化,当S1概率值高于其他状态时,可识别出驾驶人的换道意图。
验证结果如表3所示。4项性能指标为: 准确识别次数为准确将换道过程识别出来的次数;错误识别次数为在车道保持过程中识别出换道意图的次数;时间间隔为识别到换道意图的时刻落后于标记换道起点的时间,负值表示识别到换道意图的时刻在标记换道起始点之前,正值反之;识别点的位置为识别到换道意图的时刻点,车辆质心与车道线之间的距离,正值表示质心尚未越过车道线。数据表明: 仅使用SI作为观测变量的算法虽然高效地识别到换道意图,但在车道保持时产生多次错误识别;引入Vlat作为第2观测变量虽降低了错误识别率,但同时降低了识别效率;引入CDI作为第3观测变量则既保证了准确性,也提高了识别效率。此外,通过对识别到换道意图时刻的横向位置的统计,不含CDI输入的算法识别到换道意图时,平均车辆质心位置距离车道标记线0.75 m,车身位置已压线,若用于LDWS或LKAS系统,辅助系统将造成较长时间的不当干预;而加入CDI之后的算法识别到换道意图时,车辆质心距离车道标记线 1.45 m,有利于驾驶辅助系统提早做出控制决策。
输入参数 | 准确识别 次数 | 错误识 别次数 | 识别时间 间隔/ s | 识别点 位置/ m |
SI | 57 | 50 | -0.08 | 1.57 |
SI+V lat | 54 | 16 | 1.56 | 0.75 |
SI+CDI+ V lat | 55 | 11 | 0.6 | 1.45 |
本文研究了影响驾驶人换道行为决策的环境因素,并提出了一种基于换道环境综合评估的驾驶人意图识别算法,设计了反映驾驶人换道决策可能性的换道综合决策因子,然后使用基于HMM模型的推理方法进行驾驶人的意图识别,并使用驾驶模拟实验台获得的换道行为数据对所提出的意图识别算法进行性能验证,得到以下结论:
1)驾驶人的换道决策在较高比例上使驾驶人在换道后获得了速度或跟车距离上的优势。在近距离跟车过程中,驾驶人的决策与THW及TTCi等参数具有显著相关性。
2)基于模糊理论方法,设计了体现驾驶人换道决策因素的换道综合决策因子CDI,以CDI与传统换道特征参数为观测变量,以驾驶人意图作为隐状态,搭建和训练了反映驾驶人意图变换的隐 Markov 模型,用于推理得出驾驶人真实意图。该方法可以在保证识别算法的准确率的同时,提高识别效率。为使CDI更准确地反映驾驶人做出换道决策的可能性,未来将对更多的换道动机触发因素及驾驶人行为特性作进一步研究。
[1] | 李克强. 汽车技术的发展动向及我国的对策[J]. 汽车工程, 2009, 31 (11): 1005-1016. LI Keqiang. Automotive technology development and countermeasures of China [J]. Automotive Engineering, 2009, 31 (11): 1005-1016.(in Chinese) |
[2] | Amditis A, Bimpas M, Thomaidis G, et al. A situation-adaptive lane-keeping support system: Overview of the SAFELANE approach [J]. IEEE Transactions on Intelligent Transportation Systems, 2010, 11 (3): 617-629. |
[3] | Kuge N, Yamamura T, Shimoyama O, et al. A Driver Behavior Recognition Method Based on a Driver Model Framework [R]. SAE 2000-01-0349. Detroit, MI, USA: SAE International, 2000. |
[4] | Mizushima T, Raksincharoensak P, Nagai M. Direct yaw-moment control adapted to driver behavior recognition [C]//Proc of the SICE-ICASE International Joint Conference. Busan, Korea, 2006: 534-539. |
[5] | McCall J C, Wipf D P, Trivedi M M, et al. Lane change intent analysis using robust operators and sparse Bayesian learning [J]. IEEE Transactions on Intelligent Transportation Systems, 2007, 8 (3): 431-440. |
[6] | LIANG Yulan, Reyes M L, Lee J D. Real-time detection of driver cognitive distraction using support vector machines [J]. IEEE Transactions on Intelligent Transportation Systems, 2007, 8 (2): 340-350. |
[7] | 党睿娜. 具有换道辅助功能的车辆自适应巡航控制[D]. 北京: 清华大学, 2013.DANG Ruina. Vehicular Adaptive Cruise Control with Lane Change Assist [D]. Beijing: Tsinghua University, 2013. (in Chinese) |
[8] | 党睿娜, 王建强, 李克强, 等. 高速公路行驶条件下的驾驶人换道特性[J]. 清华大学学报: 自然科学版, 2013, 53 (10): 1481-1485.DANG Ruina, WANG Jianqiang, LI Keqiang, et al. Driver lane change characteristics for various highway driving conditions [J]. Journal of Tsinghua University: Science and Technology, 2013, 53 (10): 1481-1485.(in Chinese) |
[9] | Kondoh T, Yamamura T, Kitazaki S, et al. Identification of visual cues and quantification of drivers' perception of proximity risk to the lead vehicle in car-following situations [J]. Journal of Mechanical Systems for Transportation and Logistics, 2008, 1 (2): 170-180. |
[10] | Shaout A, Colella D, Awad S. Advanced driver assistance systems: Past, present and future [C]//Proc of the 7th International Computer Engineering Conference. Giza, Egypt, 2011: 72-82. |
[11] | DANG Ruina, DING Jieyun, BO Su, et al. A lane change warning system based on V2V communication [C]//Proc of the 17th International Intelligent Transportation Systems Conference. Qingdao, China, 2014: 1923-1928. |
[12] | DING Jieyun, DANG Ruina, WANG Jianqiang, et al. Driver intention recognition method based on comprehensive lane-change environment assessment [C]//Proc of 2014 IEEE Intelligent Vehicle Symposium. Dearborn, MI, USA, 2014: 214-220. |