基于支持向量機的車輛換道行為識別仿真研究

楊建坤，熊 堅，徐東霞

(1.昆明學院 機電工程學院，云南 昆明 650214；2. 昆明理工大學 交通工程學院，云南 昆明 650500)

換道行為是影響車輛安全行進的因素之一[1]。相關研究表明，駕駛員變換車道會增加交通沖突點產生的概率，甚至引發不同程度的交通事故[2-4]。如果在換道行為初始階段能夠將其識別，并結合換道車輛周圍環境，判斷繼續執行換道行為是否存在事故風險，有風險則進行相應避險操作，從而使得因換道而產生的事故概率降低。

特征參數是換道行為識別模型能否可靠運行的關鍵因素。早期的研究主要用轉向燈[5-6]開啟情況識別換道意圖，但王暢[7]對大量實際道路試驗數據樣本分析表明，駕駛人在換道過程中轉向燈的總開啟率僅為 69.18%，其中部分駕駛人轉向燈開啟率不足 20%。這一研究結果意味著僅用轉向燈開啟情況識別換道行為會產生誤判。圖像識別技術的發展，讓基于車道線的識別成了汽車換道預警的主流方法。但此方法在道路標志不清晰或惡劣天氣情況下，系統可靠性會降低?，F階段，越來越多的研究者將車輛駕駛操縱數據和運行數據作為特征參數來建立識別模型，并取得了一定進展。KUGE N[8]為這一方向的發展奠定了基礎，他將方向盤轉角、方向盤轉向力矩以及方向盤轉向角速度3個特征參數作為識別對象，對避險換道行為、正常換道行為和車道保持行駛3種不同行為意圖進行了識別分類。MAR J, LIN H T[9]的研究表明，81.3%的駕駛人在換道行為過程中會有加速或減速行為，尤其在起始階段。DOGAN U[10]采集了方向盤轉角、橫向加速度、相對車道偏移量、自車與前車的相對速度距離5個參數作為識別模型的系統輸入。結果顯示，伴隨輸入的特征參數種類不斷增加，模型識別效果會越來越好。

與此同時，分類算法的選用也是影響模型分類效果的關鍵。支持向量機(support vector machines，簡稱SVM)是目前用來研究車輛換道行為識別的“新寵”。DOGAN U[10]開展的試驗分別運用前饋神經網絡、遞歸神經網絡和SVM進行駕駛員換道意圖識別，結果顯示SVM的識別效果最佳。熊曉夏等[11]以在環仿真技術下的車輛運動數據為樣本輸入，并分別用隱馬爾可夫模型預測算法和SVM預測算法對危險和正常兩種換道進行識別分類。結果表明，在樣本數據有限時，SVM的預測效果更好。倪捷[12]通過換道影響的k-means聚類分析結果將換道數據分為危險、安全、舒適等3類，以自車速度、速度差、車間距、縱向加速度為特征參數，運用SVM建立分類模型，模型對危險換道行為的預測準確率達91.1%。

綜上分析可知，為提高模型的分類準確率，首先，對特征參數的選取越來越集中于車輛操縱和運行數據方面，并呈現出特征參數選取個數由少到多的發展趨勢；其次，SVM在車輛換道行為識別研究等方面效果良好且呈現出不斷增長的應用趨勢，尤其在小樣本分類識別中正在成為主流方法；最后，對換道行為識別的研究從之前的判斷換道與否，逐漸深入到了判斷換道風險程度如何?；诖?，本文試圖運用駕駛模擬試驗來采集更多的車輛操縱和運行狀態方面的特征參數，并通過數據降維方法來選取其中最優的特征參數作為SVM算法的識別對象，從而對安全性換道和風險性換道進行識別分類，以期拓寬這一領域的研究內容及深度。

1 理論分析

1.1 安全換道

假設以下描述的換道過程屬安全性換道：首先，車輛跟馳行駛過程中駕駛人產生換道意圖；其次，駕駛員結合周圍環境對換道條件做綜合判斷；最后，滿足換道條件則執行換道操作至目標車道,并在目標車道上微調至平穩向前行駛。整個換道操作過程平穩順暢，時空充足，相對安全。

1.2 風險換道

假設以下描述的換道行為屬風險性換道：車輛在跟馳過程中，自車的行駛速度高于前車，兩車間距離在不斷縮短，起初自車沒有明顯的換道意圖或跡象，比如：減速行駛、開啟轉向燈、轉動方向盤等，保持快速行駛一段距離后，突然執行換道操作。這一過程中駕駛人的環境感知及決策時間極短，轉向過猛，存在較高的事故風險。

1.3 SVM介紹

SVM是一種監督式分類機器學習算法，在解決小樣本、非線性和高維的機器學習問題中優勢明顯。

圖1 最優分類面Fig.1 Optimal classification surface

其基本思想可用圖1表示：圖中叉形和圓形分別代表兩類不同的樣本(比如安全換道樣本、風險換道樣本)；中間的實線為區分兩類樣本之間的最優分類面；外側兩條虛線之間的距離叫做分類間隔；虛線上的點就是支持向量點。

線性可分情況下，假定給出一個樣本集：

(xi,yi),i=1，2，…,m,x∈Rn,y∈{+1,-1}。

其中，m為樣本個數，Rn表示n維實數空間，x為特征參數(車輛操縱及運行數據)，y為樣本類別(安全換道、風險換道)。

滿足：

yi[(ωTxi)+b]-1≥0。

(1)

(2)

為求得公式(2)的最小值，定義如下拉格朗日函數：

(3)

其中，αi≥0為各樣本對應的拉格朗日乘子。

令泛函等于0并對ω、b求偏導，得到相應的對偶函數為：

(4)

由公式(4)可求得拉格朗日乘子αi。

SVM非線性分類的原理和線性分類一樣。對于非線性問題，支持向量機的優勢在于可以將低維空間的訓練樣本通過核函數K(xi,xj)映射到高維特征空間中求線性分類面，則最優分類面的目標函數為：

(5)

由于高斯核函數的映射能力較強，所以選取它為核函數，則：

(6)

一般認為車輛換道行為表征參數與換道類別之間存在非線性關系，所以最終用如式(7)所示的決策函數來對不同的車輛換道行為類別予以區分：

(7)

2 試驗方案簡介

試驗采用昆明理工大學交通工程學院自主研發的駕駛模擬系統[13]為仿真平臺。將試驗虛擬道路場景設為雙向兩車道，設計車速為80 km/h,前車均設置為60 km/h，模擬駕駛安全換道時受試者行車速度與前車接近，模擬駕駛風險換道時受試者行車速度接近70 km/h。駕駛模擬操作場景如圖2所示。

圖2 模擬駕駛場景Fig.2 Simulated driving scenario

選取已取得合法駕駛證照且駕齡在2年以上的10名受試者，其中男性6名、女性4名，年齡在25～35歲之間。駕駛試驗前有5 min的試駕時間以適應虛擬駕駛環境和操作,正式試驗過程中工作人員不做任何提醒。

模擬系統以50 ms為間隔，實時動態生成模擬駕駛操縱及運行數據，試驗采集了10個參數，作為特征參數的提取范圍。它們分別是：方向盤轉角(W)、油門踏板開度(G)、橫向速度(Vx)、橫向加速度(Ax)、縱向速度(Vy)、縱向加速度(Ay)、橫擺角(Y)、橫擺角速度(Yv)、側傾角(Z)、縱傾角速度(Pv)。

3 時間窗和特征參數確定

時間窗過短，則其包含特征信息不足；時間窗過長，其所包含弱相關信息過多。模型的識別率和實時性均得到滿足的時間窗性能較好。

3.1 時間窗范圍界定

圖3和圖4分別是由安全換道、風險換道模擬試驗采集的方向盤轉角擬合情況。

從中可以看出，風險性換道較安全性換道行為過程，所用時間較短，安全換道時間為3 s左右，風險換道時間為2 s左右；它們對應的方向盤轉角的變化幅度也有較大區別，安全換道的方向盤轉角幅度在[-20，+25]，而風險換道的方向盤轉角幅度卻在[-80，+80]。

時間窗范圍的設定應該接近換道操作及執行所需時間?？紤]到換道預警系統的設計需要給駕駛員預留出一定的反應操作時間，時間窗的起止時間應比換道起止時間適當提前。

圖3 安全換道數據擬合Fig.3 Data fitting of safety lane-changing

圖4 風險換道數據擬合Fig.4 Data fitting of risky lane-changing

另外，因個人差異，換道起止時刻存在一定程度的隨機分布特性。綜合這些原因，本文將換道行為起點設置為時間窗的中心點，并以該點向前向后各取3個相同時間段(0.5 s、1 s、1.5 s)形成3個時間窗(1 s、2 s、3 s)，后續將對比分析，確定其中一個作為模型的時間窗。

將原始模擬數據進行標準化處理，并從中分別截取3個不同時間窗下的車道保持、安全換道、風險換道3類樣本數據，其標簽分別定義為0、1和-1。

3.2 確定時間窗

在MATLAB環境中，運用LibSVM 工具箱建立換道分類模型，SVM算法模塊已內嵌在了LibSVM 工具箱中，由于LibSVM工具箱自帶的多分類器采用“車道保持、安全換道，車道保持、風險換道，安全換道、風險換道”一對一的分類策略，所以訓練樣本輸入后得到車道保持、安全換道、風險換道3個訓練模型。再把測試樣本輸入經訓練后的模型，得到模型對測試樣本的分類情況。測試樣本的定義標簽與模型分類結果相同的數量越多，則模型的分類準確率越高。

分別用3個時間窗訓練樣本數據輸入系統后得到訓練模型，隨后將對應的測試樣本輸入訓練模型，其預測結果如表1所示。由表可知，2 s、3 s時對應的分類準確率分別為96.8%、97.8%，大小很接近，但不難看出，時間窗1～2 s間的分類準確率增幅遠大于2～3 s間的分類準確率增幅。由于后者犧牲了1 s時間，但分類準確率的提高卻非常微小，故最終確定2 s為最優時間窗。

表1 模型分類準確率Tab.1 Model classification accuracy

3.3 確定特征參數

特征參數是表征車輛不同換道行為的關鍵，其種類太少則涵蓋的換道信息太少，太多則有效的換道信息容易被淹沒。使用逐步回歸分析對2 s時間窗下的樣本數據進行降維處理，從10個運行參數中，提取對識別模型貢獻度較大的參數作為特征參數。

先用因變量對每一個預測變量做回歸，然后以對因變量貢獻最大的預測變量所對應的回歸方程為基礎，再逐步引入其余預測變量，使最后保留在模型中的預測變量既是重要的，又沒有多重共線性。用SPSS軟件進行統計分析，得降維后的特征參數回歸系數如表2所示，統計角度認為P值小于0.05，則預測變量對因變量有顯著影響，故取了縱向加速度(Ay)、橫向加速度(Ax)、橫向速度(Vx)、縱傾角速度(Pv)、橫擺角(Y)、橫擺角速度(Yv)6個特征參數。

表2 回歸系數Tab.2 Regression coefficient

4 模型預測結果

確定了時間窗和特征參數后，將94個測試樣本輸入分類模型進行預測，模型預測結果如表3所示。

表3 模型分類預測結果Tab.3 Results of model prediction

模型在94個測試樣本中，準確識別出87個，整體分類準確率達92.51%。其中，在31個風險性換道行為預測樣本中識別出29個，分類準確率達93.56%；在32個安全性換道行為預測樣本中識別出31個，分類準確率達96.88%；在31個車道保持預測樣本中識別出27個，分類準確率達87.09%。該模型能較精確地識別出不同類型的車輛換道行為，能較好地判斷出動作猛烈迅速的風險性換道行為。

5 結束語

時間窗大小和特征參數選取對分類模型的識別效果有影響?；隈{駛模擬操縱及運行數據，界定了時間窗范圍，并確定了2 s為模型時間窗；擴大了特征參數選取范圍，并用數據降維法確定了其中6個特征參數；最終得到分類模型的分類準確率達92.51%，能有效區分車道保持、安全性換道和風險性換道，達到預期目的。

然而，本文對換道行為作分析時對安全性換道和風險性換道還停留在描述性的區分層次，區分界限較為模糊。今后可考慮用量化模型或機器學習的聚類方法更精準地區分兩者，為換道行為風險識別模型的完善奠定基礎。另外，SVM算法自帶的可調參數也可能對模型識別效果存在影響，后續工作可嘗試用不同尋優算法對其進行優化。