基于条件随机场的驾驶行为识别研究

　　摘要： 为深入研究驾驶员驾驶行为特性，减少驾驶辅助系统与驾驶员的控制冲突，本文基于条件随机场(conditional random field， CRF)算法，搭建了驾驶员驾驶行为识别模型。利用NI Phar Lap ETS实时操作系统，搭建车道保持辅助控制试验平台，在试验平台上进行相关参数的实时采集，并根据采集到的数据特性，提出一种根据横向位移对驾驶行为数据进行分段的方法，将采集到的数据样本划分为左换道、右换道以及车道保持阶段。同时，对实时获取的参数进行显著性分析，将与横向运动密切相关的五种参数作为观测参数，对驾驶行为进行识别。研究结果表明，车道保持、左换道以及右换道行为的识别率分别达942%，93%和844%。该研究对于提高车道保持辅助系统的辅助效果以及减少误警率具有明显的促进作用。

　　关键词： 驾驶行为; 条件随机场; 驾驶模拟器; 观测参数; 实时系统

　　作者： 赵岩

　　通信作者： 陈焕明

　　近年来，智能车辆的发展成为减少交通事故的理想方案。据世界卫生组织公布数据显示[1]，全球每年因交通事故造成的死亡人数高达135万。作为智能车辆发展的重要部分，车道保持辅助技术的研发引起了我国的高度重视，于2017年发布了《汽车工业中长期发展规划》。对驾驶员驾驶意图的有效识别，可以提高车道保持系统的辅助效果。单纯依靠偏离距离来进行车道偏离的判断有严重的滞后性，易与驾驶者产生控制冲突。随着深度学习的快速发展，针对上述问题，部分学者提出多种驾驶意图识别算法，基于神经网络的驾驶意图识别，将车辆参数和驾驶员行为参数导入神经网络中，通过对中间隐层层数和节点个数的调整，搭建意图识别模型[24]。基于隐马尔可夫模型(hidden markov model，HMM)的驾驶意图识别，将一段时间序列的观测参数作为输入，训练出不同驾驶意图下的子模型[58]。而基于支持向量机(support vector machine，SVM)的驾驶意图识别模型，通过核函数φ将观测参数映射到高维空间，然后求解出能分隔驾驶意图所对应的观测参数的超平面，从而建立相应的驾驶意图识别模型[912]。基于HMM的驾驶意图识别模型在建模时，需要较强的严格独立的假设条件[1315]，而基于SVM的驾驶意图识别模型则对样本数量有要求[16]，该方法对小样本、非线性以及高维模式識别问题识别效果较好。鉴于上述存在的问题，周俊生等人[1719]采用条件随机场(conditional random field， CRF)算法，搭建驾驶意图识别模型，该方法不需要严格的独立性假设，对样本数量没有严格限制。基于此，本文综合利用CarSim、Matlab/Simulink和NI VeriStand软件，搭建车道保持辅助控制试验平台，采集驾驶员驾驶行为数据及车辆横向运动数据，进行驾驶员驾驶意图识别模型的训练及其验证。该研究对减少交通事故的发生具有重要意义。

　　1试验设计

　　实车数据采集方法需要对测试车辆进行改装，加装数据采集设备以及相应的传感器(如车载摄像机、毫米波雷达、陀螺仪等)，对测试天气及道路环境具有较高的要求和一定程度的危险性。而研发型驾驶模拟器能够将相关硬件嵌入其中，进行驾驶员主观评价以及算法验证，试验周期短，试验条件可控，安全性高。本文基于NI公司的Phar Lap ETS实时操作系统，搭建车道保持辅助控制试验平台，车道保持辅助控制试验平台如图1所示。该试验平台能够根据试验要求，在CarSim软件中搭建真实的驾驶场景，利用NI VeriStand实时测试软件实现硬件I/O端口的实时配置，对车辆动态参数、行驶环境参数以及驾驶员驾驶行为数据进行实时采集。

　　根据《公路工程技术标准》，搭建10 000 m单向双车道直道场景，考虑到需要以较高车速行驶，为提高驾驶场景与现实道路场景的相似度，将左右车道宽度均设置为375 m。在道路中央，每隔500 m设置锥形桶，提示驾驶员进行换道操作，换道时机由驾驶者自主决定，试验道路布置如图2所示。

　　近年来，由于非职业驾驶员数量的急剧增加，其已成为交通事故剧增的主要群体，主要原因是一些驾驶新手的驾驶水平较低，缺乏对驾驶环境的准确判断，难以做出适当的驾驶行为，易发生交通事故。因此，本文招募了10名驾龄在2～5年的男性驾驶员，驾驶员需满足以下条件，即持有驾驶证、性格稳定、近期具有实车驾驶经历。试验前，对驾驶员进行一定时长的培训，使驾驶员熟悉试验平台以及道路场景，避免因操作失误造成数据采集异常。为深入研究驾驶行为与驾驶意图的潜在关系，将采样率设置为100 Hz，某时间段内采集的数据如表1所示。

　　2驾驶行为分析

　　驾驶行为的有效识别对于车辆感知系统提前感知行驶环境，做出准确的路径规划以及辅助控制具有重要作用。驾驶过程是连续多变的动态变化过程，不同的驾驶行为会引起不同的车辆动态参数和驾驶行为参数变化，因此可以通过选取适当的参数，对不同的驾驶行为进行预测及识别，驾驶行为数据的划分及驾驶意图表征参数的选取直接影响识别的准确度。

　　2.1驾驶行为数据的划分

　　选定的观测变量是否能有效区分换道状态与车道保持状态，与观测数据的划分以及识别参数的选取密切相关。目前，对于换道行为数据与车道保持行为数据的划分没有统一的定义，为提高换道行为的识别率，从采集到的数据特征出发，提出一种根据横向位置来划分数据的方法，换道阶段数据划分示意图如图3所示。首先根据采集到的数据分别计算出车辆行驶在左车道和右车道的车辆横向位置的均值，然后选取换道过程中横向位置数据符号变化的两点，绘出阶段划分线，该线与左右车道车辆横向位置均值线有两个交点，将两个交点间的数据作为换道阶段的数据，交点以外的数据作为车道保持阶段数据。

　　推荐阅读：无人驾驶汽车的科技论文投稿哪些期刊

期刊VIP网，您身边的高端学术顾问

文章名称： 基于条件随机场的驾驶行为识别研究

文章地址： http://www.qikanvip.com/gongyesheji/56812.html