摘要
准确的意图预测可以帮助智能车辆更好地了解周围环境并做出更加安全的决策,从而提高自动驾驶的安全性,促进人机协同驾驶。为了对驾驶员未来的意图做出更加精准的预测,提出了一种交互式意图预测方法。首先,通过将隐马尔可夫模型(HMM)与高斯混合模型(GMM)相结合,在充分考虑周围场景信息后建立了行为识别模型,用于对当前的驾驶行为做出准确的判断。然后,考虑到交通场景复杂多变的特点,提出基于意图的轨迹预测方法规划出一条最佳的行驶轨迹,并采用最大期望效用理论对未来的驾驶行为进行推理。由于行为识别和意图推理模型综合考虑了交通态势的演变过程和车辆之间的交互作用,所以将两个模型得到的结果相结合可得到车辆最终预测出的驾驶意图。最后,在NGSIM数据集对所提出的方法进行验证,结果表明提出的行为识别模型能够提前0.2~0.3 s识别出车辆的换道意图,结合未来意图推理模型,能够更加准确地预测出车辆未来的驾驶行为,由此可提高车辆驾驶的安全性。
随着科学技术的发展,智能车辆在提高交通效率、减少交通事故、保障通行安全等方面显示出巨大的潜
用于驾驶意图推断的信息主要可以分为3类,分别是交通情境信息、车辆动力学信息以及驾驶员行为信
为了更好地考虑周围交通场景对驾驶意图的影响,本文提出了一种交互式意图预测方法。首先,将隐马尔可夫模型(hidden Markov model, HMM)与高斯混合模型(Gaussian mixture model, GMM)相结合,全面考虑周围场景信息,建立驾驶行为模型。然后,对美国联邦高速公路管理局的NGSIM数据集进行样本数据提取以及行为状态标记,从而完成模型参数的学习。再后,采用基于意图的轨迹预测方法对车辆未来的运动轨迹进行预测,选取最优轨迹作为评判因素并综合考虑行驶安全性等多个指标来模拟驾驶员的决策过程,求解出概率最大的驾驶意图。车辆最终驾驶意图预测是当前行驶环境和未来交通发展状况的综合衡量。
本文只考虑车辆在标准结构化道路下的换道工况,采用的3车道换道场景如

图1 典型换道场景示意图
Fig.1 Schematic diagram of typical lane change scene
在换道场景中,每个车辆都有3种可选的行为,即行为集合Ω={LK, LLC, RLC}中的行为分别代表车道保持LK、左换道LLC和右换道RLC。考虑到实际道路条件约束,有些行为可能会受到限制,如最右车道上的车辆不能进行右换道行为等。本文目标是考虑车辆之间的交互作用,结合场景信息以及车辆自身的历史行驶信息,实现车辆意图的合理预测,即综合各类信息确定观测车辆的未来将采取什么样的行为。
受Deo等

图2 算法整体框图
Fig.2 Overall block diagram of proposed algorithm
隐马尔可夫模型(HMM)是概率图模型的一种,由于其描述动态过程和推断未知状态的强大能力,目前已被广泛应用在模式辨识、行为识别以及故障诊断分析等众多领
观测变量O具体可以表示为4类变量的组合如下:
(1) |
式中:第一项代表车辆自身信息;后3项代表周围的场景信息,分别是观测车辆与其同车道前车、右车道前后车、左车道前后车之间的速度差和距离差。通过对状态量和观测量的具体设计,建立了行为识别模型。采用高斯混合模型对隐马尔可夫模型输出的观测概率分布进行建模,得到车辆各种行为的预测概率,具体形式为:
(2) |
式中:为观测变量O在状态i下的输出概率值;M是所用高斯分布的个数;m是所用的第m个高斯分布,取值为1,2,…,M; cim是状态i下的第m个高斯分布对应的权重;N表示正态分布;μim和分别是高斯分布的均值和协方差。
由于3个高斯分布混合就能达到很好的拟合效果,因此本文选用高斯分布的个数为3个,即每个状态下的输出观测概率都由3个高斯分布的线性组合表示。
本文在进行未来行为推理时,首先对驾驶员的意图目标进行建模,对未来的行驶轨迹进行预测。本文采用基于意图的轨迹预测方法对未来交通发展态势进行模拟,它采用以道路中心线为参考曲线的自然坐标系,由切向和法向两个方向组成,从而实现横纵向解耦简化。假设车辆在最终状态下沿着预定车道的中心线行驶,并在完成操作的整个过程中保持恒定的纵向加速度,车辆的横向轨迹关于时间t的曲线采用五次多项式进行拟合,对纵向轨迹采用四次多项式进行拟合,即
(3) |
(4) |
其中系数和可以通过多项式求解得到。对行为的持续时间进行采样可以获得一系列轨迹簇,受文献[
(5) |
式中:第一项代表整个操作过程中的最大加速度,反映乘坐舒适性,过大的加速度会显著降低舒适性;后一项中是加权系数,代表第条轨迹的操作持续时间,驾驶时总是倾向于以较少的时间完成预期操作同时也不希望降低过多的舒适性。通过上式就可以求得各个轨迹成本代价值,从而得到最优轨迹。
基于意图的轨迹预测符合车辆的运动模式,能够对未来一段时间车辆轨迹进行合理准确预测,可以取得较好的预测结果。
首先,本文对意图目标进行建模时,认为换道行为决策是一个不断追求收益最大化的过程,具体考虑了前向可行驶空间、碰撞安全系数和安全舒适性系数这3方面,建立了关于这3个指标的收益函数。其中,前向可行驶空间是观测车辆与目标车道前车的距离,碰撞安全系数为观测车辆与周围车辆在一段预测时域内的最近距离,舒适性系数γ定义为预测时域内加速度四次方积分值的负数。最终的总收益u是这3个指标值的加权和,如
(6) |
根据期望最大化理论,在有风险的情况下,人们总是会考虑所有可能的后果然后再做出决策。期望效用是场景收益和对应行为概率的乘积,以车辆右换道为例,对应于
(7) |
式中:代表车辆1采取右换道RLC的期望效用;代表车辆采取行为,对于其他车辆,期望效用的计算也采用同样的方式。未来行为推理概率值可以通过对上述期望效用归一化得到,如
(8) |
式中:表示第j辆车采取k行为时的期望效用;表示第j辆车采取z行为时的期望效用;表示所有可能采取的行为集合。
当前行为识别过程更好地反映出当前的驾驶过程,同时,最大期望效用理论的应用又能反映出车辆未来行为的推理过程,二者综合考虑了交通态势的演变过程和车辆之间的交互作用。因此,当车辆采取行为()时,本文最终的意图预测结果是将当前行为识别和未来意图推理结果相结合,即
(9) |
式中:、分别是对于某一种车辆行为分别采用行为识别模型和意图推理模型计算得到的概率值;、分别是行为识别和意图推理对应的权重系数,二者之和为1。
本文选择NGSIM数据集对提出的交互式意图预测方法进行仿真验证,该数据集收集了详尽且高质量的交通数据,是目前交通领域最全面的公共交通数据
(10) |
式中:、分别代表车辆的横纵向位置。
获取训练数据后通过学习方式确定行为模型参数,就可以进行具体车辆行为的识别。每一时刻都提取相同长度的一段信息作为观测数据,以此作为车辆行为模型的输入,这样的好处是充分利用历史信息,便于对数据的实时更新。将该观测序列输入基于隐马尔可夫模型的行为识别模型就可以得到各状态变量的概率值,将概率最大的状态作为当前行为识别的结果。

图3 右换道场景行为识别结果
Fig.3 Behavior recognition results of right lane-change scene

图4 右换道场景车辆时空位置关系图
Fig.4 Vehicle space-time position diagram of right lane-change scene
首先,采用意图推理模型,根据未来交通态势的演变发展对周围车辆的未来运动做出初步的预测,再根据收益函数公式(
其次,采用行为识别模型计算该场景下每种车辆行为对应的概率值。最后,结合这两种模型计算的结果,得出该换道场景下观测车辆最终的意图预测结果,如

a 场景收益曲线

b 场景行为推理概率曲线
图5 场景意图推理结果
Fig.5 Intention reasoning results of scenario

图6 场景观测车辆意图预测结果
Fig.6 Intention prediction results of observation vehicle in scenario
本文提出了一种交互式意图预测方法,首先将隐马尔可夫模型与高斯混合模型相结合,全面考虑周围场景信息建立了行为识别模型。之后,对NGSIM数据集进行样本数据提取,完成模型参数的学习,将换道行为决策看作是一个不断追求收益最大化的过程,进行意图推理。车辆最终驾驶意图预测是当前行驶环境和未来交通发展状况的综合衡量。仿真试验结果表明,本文的意图预测方法可以很好地考虑车辆间的交互关系,建立的行为识别模型可以提前辨识出车辆的驾驶意图,从而提前预知周围车辆将采取的操作,同时也能够得到更加准确地预测结果,从而提高了驾驶安全性。
参考文献
陈虹, 郭露露, 边宁. 对汽车智能化进程及其关键技术的思考[J]. 科技导报, 2017, 35(11): 52. [百度学术]
CHEN Hong, GUO Lulu, BIAN Ning. On automobile intelligentization and key technologies[J]. Science & Technology Review, 2017, 35 (11): 52. [百度学术]
LI J, MA H, ZHAN W, et al. Generic probabilistic interactive situation recognition and prediction: From virtual to real[C]// 21st International Conference on Intelligent Transportation Systems (ITSC). Piscataway: IEEE, 2018: 3218. [百度学术]
LEFÈVRE S, VASQUEZ D, LAUGIER C. A survey on motion prediction and risk assessment for intelligent vehicles[J]. ROBOMECH Journal, 2014, 1(1): 1. [百度学术]
HU Y, ZHAN W, TOMIZUKA M. Probabilistic prediction of vehicle semantic intention and motion[C]// 2018 IEEE Intelligent Vehicles Symposium(IV). Piscataway: IEEE, 2018: 307. [百度学术]
XING Y, LV C, WANG H, et al. Driver lane change intention inference for intelligent vehicles: Framework, survey, and challenges[J]. IEEE Transactions on Vehicular Technology, 2019, 68(5): 4377. [百度学术]
VAHIDI A, ESKANDARIAN A. Research advances in intelligent collision avoidance and adaptive cruise control[J]. IEEE Transactions on Intelligent Transportation Systems, 2003, 4(3): 143. [百度学术]
BERNDT H, EMMERT J, DIETMAYER K. Continuous driver intention recognition with hidden Markov models[C]// 11th International IEEE Conference on Intelligent Transportation Systems. Piscataway: IEEE, 2008: 1189. [百度学术]
JANG Y M, MALLIPEDDI R, LEE M. Identification of human implicit visual search intention based on eye movement and pupillary analysis[J]. User Modeling and User-Adapted Interaction, 2014, 24(4): 315. [百度学术]
KAVITHA S, VARUNA S, RAMYA R. A comparative analysis on linear regression and support vector regression[C]// 2016 Online International Conference on Green Engineering and Technologies (IC-GET). Piscataway: IEEE, 2016: 1. [百度学术]
RAMCHOUN H, IDRISSI M A J, GHANOU Y, et al. Multilayer perceptron: architecture optimization and training[J]. IJIMAI, 2016, 4(1): 26. [百度学术]
TOLLES J, MEURER W J. Logistic regression: relating patient characteristics to outcomes[J]. Jama, 2016, 316(5): 533. [百度学术]
唐克双, 杨博文, 许凯, 等. 基于车辆轨迹数据的交叉口危险驾驶行为预测[J]. 同济大学学报(自然科学版), 2017, 45(10): 1454. [百度学术]
TANG Keshuang, YANG Bowen, XU Kai, et al. Prediction of driver's risky behaviors based on vehicle trajectory data at signalized intersections[J]. Journal of Tongji University (Natural Science), 2017, 45(10): 1454. [百度学术]
LEFÈVRE S, LAUGIER C, IBAÑEZ-GUZMÁN J. Evaluating risk at road intersections by detecting conflicting intentions[C]// 2012 IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway: IEEE, 2012: 4841. [百度学术]
GINDELE T, BRECHTEL S, DILLMANN R. A probabilistic model for estimating driver behaviors and vehicle trajectories in traffic environments[C]// 13th International IEEE Conference on Intelligent Transportation Systems. Piscataway: IEEE, 2010: 1625. [百度学术]
HOU L, XIN L, LI S E, et al. Interactive trajectory prediction of surrounding road users for autonomous driving using structural-LSTM network[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 21(11): 4615. [百度学术]
DEO N, RANGESH A, TRIVEDI M M. How would surround vehicles move? a unified framework for maneuver classification and motion prediction[J]. IEEE Transactions on Intelligent Vehicles, 2018, 3(2): 129. [百度学术]
RABINER L, JUANG B. An introduction to hidden Markov models[J]. IEEE Assp Magazine, 1986, 3(1): 4. [百度学术]
HOUENOU A, BONNIFAIT P, CHERFAOUI V, et al. Vehicle trajectory prediction based on motion model and maneuver recognition[C]// 2013 IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway: IEEE, 2013: 4363. [百度学术]
COIFMAN B, LI L. A critical evaluation of the next generation simulation (NGSIM) vehicle trajectory dataset[J]. Transportation Research Part B: Methodological, 2017, 105: 362. [百度学术]