赵辰浩

（长安大学 汽车学院，陕西 西安 710064)）

无人驾驶汽车（Automatic Vehicle, AV）作为近几十年来学术界和工业界最有前途的主题之一，有望以各种方式改变世界的未来。随着自动驾驶技术的发展，出现了混合交通的城市环境，在这种环境中，无人驾驶汽车必须与人类驾驶的车辆进行交互。在无人驾驶与人为驾驶的互动中，如何避免由无人驾驶引起的交通事故已成为人们关注的研究领域。通常，无人驾驶汽车必须在动态和不确定的环境中做出决策。不确定性源于以下事实：无法直接测量驾驶员的意图。本文将从无人驾驶汽车中的驾驶行为描述、驾驶行为预测算法、驾驶策略三个方面来介绍当前无人驾驶中的典型驾驶行为预测模型。

1 驾驶行为的描述

为了使驾驶行为预测模型易于求解，需要将一定交通场景中目标车辆的驾驶行为进行归纳和分类，进而区分并量化不同的驾驶行为，使得处理后的驾驶行为作为参数可以满足预测模型的要求。因此，本文将驾驶行为的描述归纳为主观定义、有限状态机和轨迹特征三种方法。

1.1 主观定义

主观定义是指基于人为驾驶经验对驾驶行为进行分类与描述。如文献[1]中，将驾驶行为分为：直行（Lane Keep, LK），向左转车道（ Lane Change Left, LCL），向右转车道（Lane Change Right, LCR），向右转（Turn Right, TR），向左转（Turn Left, TL），在交叉路口（Go Straight, GS）直行，在停车线前停下（Stop before the Stop line, SS）。而文献[2]则是将驾驶行为以形容词分为：侵略的，鲁莽的，有威胁的，小心的，谨慎的，保守的，同时设计了一个问卷调查以确定人们对以这些不同程度驾驶行为的认可度，并用主成分分析法找出在一般交通场景下的常见驾驶行为。

1.2 有限状态机

有限状态机是指将复杂的行为在某一时刻描述为一个有限状态集中的某一状态，且不同状态之间在一定触发条件下可以发生转换，如图 1所示。

图1 车辆行为的有限状态机示意图

文献[3]将驾驶行为描述成一个有限状态机。这一有限状态机描述了五种一般驾驶行为：直行，左变道，右变道，左转，右转。在一般道路交通条件下，无人车辆始终保持直行状态，在有变道或转向需求的条件下，无人驾驶车辆会切换至变道或转向状态，并执行相应的驾驶策略；当脱离具有变道或转向的交通条件时，无人驾驶车辆会切换回一般行驶状态，即直行状态。

1.3 轨迹特征

轨迹特征是指通过目标车辆在一段时间内行驶轨迹的特点来描述其驾驶行为。文献[2]中定义了一组轨迹的特征，以此形成轨迹到行为的映射，10个候选特征。分别用—定义了相对于前车的平均速度；相对于后车的平均速度；相对于左车道的车辆的相对速度；相对于右车道的车辆的平均相对速度；与邻居的相对速度；平均速度；与前车的距离；纵向加速度；渐进加速度和车道中心跟随度。

2 驾驶行为预测算法

在对驾驶行为进行描述并合理量化后，需要将其作为参数代入到预测模型来估计目标车辆之后一段时间内可能的驾驶行为。

文献[1]建立了一个 Oontology模型，将道路场景细分为车道区、交叉路口区等不同区域，从而使不同交通场景作为参数易于代入模型参与运算。于是建立由隐藏状态、观测值、状态转移矩阵、发射概率矩阵、初始概率分布矩阵组成的隐马尔科夫模型（Hidden Markov Model，HMM）（,,,,,）。提取不同场景下驾驶行为的观察值，并将其用于训练HMM。应用K-means算法对训练数据聚类并估计高斯函数的初始分布。接着，应用Baum-Welch算法来估计最大似然HMM参数，即

通过式（1）可由λ确定一个HMM模型，再使用前向算法，测试每个选定模型λ，以估计模型对给定观测值的拟合程度P（O|λ）以预测接下来目标车辆的驾驶行为。

3 驾驶策略的制定

在驾驶行为预测模型中，所有参数估计与行为预测最终都是为了给驾驶策略的制定提供参考。驾驶策略制定思路有很多，本文归纳了三种典型方法进行介绍。

3.1 AutonoVi规划算法

AutonoVi规划算法分多个步骤进行。首先，使用图搜索在道路网络上规划路线。其次，将交通规则和车道遵循规则结合起来，为车辆的下一个规划阶段创建一条引导路径。转换该引导路径以生成一组候选控制输入。使用数据驱动的车辆动力学模型以及通过扩展控制障碍物的无碰撞导航，可以评估这些控件的动态可行性。使用优化算法对那些剩余的轨迹进行评估，以确定下一个执行周期最合适的一种控制策略。如图2所示。

图2 车辆行为的有限状态机（FSM）流程图

3.2 驾驶轨迹映射（TDBM）

文献[2]根据已有视频资料中不同车辆的驾驶轨迹定义了10种驾驶风格特征，并设计了问卷调查人们对不同目标车辆的驾驶风格所需的注意力。结果表明，过于激进的驾驶行为需要投入更多的注意力，而相对保守的驾驶风格则注意力需求较少。由不同的注意力需求，文献[2]在文献[3]研究的基础上改进了AutonoVi规划算法，重点分析了识别驾驶员行为的优势以及这些行为如何确保安全导航，并通过使用驾驶员行为识别算法和驾驶轨迹映射展示了其性能的提高。AutonoVi是基于数据驱动的车辆动力学模型和基于优化的路径规划，该规划策略从一组可能的候选对象中生成一组有利的轨迹，并使用优化在这组轨迹中进行选择。如图3及图4所示。

图3 简单场景的注意力需求

图4 复杂场景的注意力需求

3.3 基于深度学习的驾驶策略

自2006年以来，深度学习方法被广泛应用于各个领域如自动驾驶等领域，以提高这些领域的技术水平和实践水平。文献[4]利用卷积神经网络（Convolutional Neural Networks,CNN）与全连接网络（Fully Connected Neural Network,FCN）和长短期记忆网络（Long Short-Term Memory,LSTM）组合，基于驾驶数据的先验知识建立新的深层神经网络，训练出应对不同道路条件的驾驶策略，而后通过在模拟轨道测试，对比了应用不同组合网络的无人车在模拟形式轨道的偏移量，结果发现 Inception+LSTM+FCN结构的深层神经网络效果最好，在数据集上的准确度是86.94%，在验证集的准确度是85.67%。

4 结论

本文概述了目前无人驾驶车辆中的典型驾驶行为预测模型，在驾驶行为描述方面，主观定义的方法是基于一般人为驾驶经验对驾驶行为进行分类和描述的，此方法可以应对一般道路情景；在驾驶行为预测算法方面，隐马尔可夫模型的预测效果由隐状态与显状态决定；在驾驶策略的制定方面，基于不同目标车辆的注意力需求来规划行驶路径的方法要求足够精确地获取目标车辆的行驶轨迹；在驾驶行为预测模型未来的发展中，可以进一步考虑应用计算机视觉的方法，采用双目或深度相机收集数据，虽然在精度上不如激光雷达，但可缩减研发成本，其设备也便于安装，具有一定普适性。