何友国，龚 星，袁朝春

（江苏大学汽车工程研究院，江苏 镇江 212013）

1 引言

随着交通安全问题的日益严重，ADAS被认为是最有效的驾驶风险解决方案，ADAS的重要组成部分是行驶环境的感知和理解。因此，基于运动信息识别交通场景中其他交通参与者的机动行为已经成为国内外学者的重要研究课题。

驾驶行为的识别主要是基于驾驶员的驾驶动作和车辆运动参数等信息来识别出驾驶员的驾驶意图和驾驶行为。文献[1]将驾驶员眼睛的移动数据作为识别分类器的特征参数，基于SVM识别驾驶员的驾驶行为。文献[2]采用驾驶员车道变换意图表征参数与车辆运动状态参数相结合的方法，识别自车的换道意图。文献[3]提出了一种将HMM与模糊逻辑相结合的驾驶行为预测的方法，该算法通过观测序列可有效地计算出驾驶员最可能的驾驶行为。文献[4]分析了车道保持、超车制动和变道等驾驶行为时的驾驶员视觉特征参数的变化规律，选取典型视觉特性特征参数并建立HMM来预测驾驶员的行为与意图。文献[5]以方向盘转角、方向盘转角速度和横向加速度作为HMM的最佳观测信号，基于HMM建立驾驶员换道意图识别模型，还重点对比了不同特征参数组合的识别效果。

目前，国内外学者在车辆驾驶行为的识别和预测领域取得了可喜的研究成果，但是，上述研究成果主要集中在对自身车辆驾驶员驾驶行为的识别和预测。然而，交通场景是一个极其复杂的系统，具有多个参与者的动态变化和相互作用，前方车辆的驾驶行为会严重影响到自车的安全性和舒适性。因此，持续的监控和理解前方车辆的驾驶行为，对于辅助自车驾驶员安全驾驶具有重要的意义。为了降低前方车辆驾驶行为的随机变化对自身车辆安全的影响，提出了一种基于隐马尔科夫模型的前方车辆驾驶行为的识别方法，包括特征参数的选择、数据的预处理、驾驶行为模型的设计与训练以及测试验证。

2 特征参数的选择与预处理

驾驶员操纵车辆变换车道通常是为了改善行驶环境或节省驾驶时间。变道行为可以看作是驾驶员操纵车辆有意识地横向运动，使车辆从一条车道移动到另一条车道。车辆変换车道的过程可分为换道准备、换道开始、换道持续和换道结束。如果驾驶员决定変换车道，车辆将先保持在初始车道上，驾驶员通过加速或减速来调整车辆的纵向位置以确保在变换车道过程中能够舒适地变换到目标车道上。然后，驾驶员将在方向盘上输入角位移，车辆开始曲线行驶。车辆横向速度的增加标志着车道变换阶段的开始，当车辆接近目标车道中间时会发生横向减速，车辆横向速度降为零时标志着车道变换阶段的结束。在车道变换结束阶段，驾驶员将微调其横向位置，以确保车辆位于目标车道的中心，并根据所在车道前后方车辆调整其纵向速度。

为了降低驾驶行为识别过程的计算复杂度，应该选取尽可能少的特征参数，但是为了保证能够准确地识别出前方车辆的驾驶行为，所选取的特征参数必须能够有效地表征出前方车辆驾驶行为的特点。当前方车辆保持车道直行或向左、右侧车道换道时，其纵向速度、0.5s内的横向位移和横向速度将会相应地发生变化，并且这三个特征参数是可测量信号。因此，将前方车辆的纵向速度、0.5s内的横向位移和横向速度作为识别前车驾驶行为的特征参数。

HMM的参数训练需要大量的数据，在研究中，主要利用驾驶模拟器模拟高速公路场景中自身车辆和前方车辆的行驶状态。驾驶行为的识别不是一种瞬时状态的识别，而是一种连续的车辆行驶状态的识别，在每秒内对前方车辆的行驶状态参数进行10次数据采集，即每隔0.1s就采集一次前方车辆的纵向速度、横向位移和横向速度，由此形成特征参数的观测序列。最终共记录了640组前车的行驶状态参数，将样本分为两部分：一部分作为模型训练样本，分析前车三种驾驶行为相应特征参数的变化规律以及训练前车三种驾驶行为的识别模型。另一部分作为模型测试样本，测试所建立的识别模型的识别准确率。

由于采集的原始数据都会存在一定的噪声，在模型进行训练之前对原始观测数据进行滤波处理，保证所获得的观测序列的可用性以及提高模型的识别准确率，采用线性均值滤波的方法对观测序列进行式（1）的平滑去噪处理：

式中：ad j—滤波邻域，将ad j的值设置为2。

借助MATLAB平台对原始观测数据进行线性均值滤波处理。特征参数线性均值滤波效果，如图1～图3所示。

图1 纵向速度滤波Fig.1 Filtering of Longitudinal Velocity

图2 横向位移滤波Fig.2 Filtering of Lateral Displacement

图3 横向速度滤波Fig.3 Filtering of Lateral Velocity

3 隐马尔科夫模型

在车辆的驾驶过程中，驾驶员的操作行为可以概括为以下过程：在每个时间点，驾驶员根据当前的行驶环境信息选择一个决策选项。经过选择和执行该决策，驾驶员-车辆系统将产生与决策相关的新状态，该新状态将会影响到下一个决策时刻。在新状态下，驾驶员在新决策时刻根据新行驶环境信息做出新的决策。这一过程将持续进行，每个决策都根据上一决策产生的新状态，并且都将对下一个决策时刻产生影响。因此，可以将这样一个决策过程描述为马尔科夫过程。

在研究中，提出了一种利用HMM识别前车驾驶行为的方法。就车辆车道变换的时间序列而言，在不同状态之间有一定的切换概率。通过对特征参数的分析和学习，隐马尔科夫模型可以深入挖掘不同状态之间的切换原理，从而可以实现对前方车辆驾驶行为的识别。采用纵向速度、0.5s内横向位移和横向速度为特征参数，基于HMM对前方车辆的驾驶行为进行识别，因此，前方车辆的每一个驾驶行为就由一个独立的HMM描述。

3.1 HMM的基本理论

HMM是建立时间序列统计现象模型的有力工具，已经成功地应用在语音识别[6]、生物学科技[7]和人类行为识别[8]等领域。HMM包括隐藏过程和可观测过程，隐藏状态序列不可观测，状态间的转换由状态转移概率分布描述，每个隐藏状态会生成相应的可观测值，形成可观测序列。可观测事件和隐藏状态的设计不是一对一的，而是通过一个随机的过程来感知存在的状态及其特征。应用于驾驶行为识别模型的HMM结构图，如图4所示。

图4 HMM结构图Fig.4 HMM Structural Diagram

HMM的由以下元素构成[9]：

S={S1，S2，…S N}是隐藏状态，N是隐藏状态的数量。

V={V1，V2，…V M}是可观测值，M是可观测值的数量。

O={O1，O2，…O T}是可观测序列，T是可观测序列的长度。

π={π1，π2，…πN}是初始状态概率分布向量，满足式（2）。

A={a ij}NXN(1≤i,j≤N)是状态转移概率分布矩阵，满足式（3）。

式中：aij—马尔科夫链隐藏状态从S i进入Sj的概率。

B={b i k}NXM(1≤i≤N，1≤k≤M)是可观测值概率分布矩阵。满足式（4）。

式中：bik—隐藏状态为Si时观测值为vk的概率。

因此，HMM可以表示为等式：λ=（N，M，π，A，B）。

在对前方车辆驾驶行为的识别中，可观测信号是高维连续信号，因此，将采用连续隐马尔科夫模型，混合高斯隐马尔科夫模型利用混合高斯模型描述可观测信号的概率分布。

混合高斯模型由多个单高斯模型组成，并且混合高斯模型是一种连续分布模型，当单个高斯模型的数目足够大时，它可以近似任何概率分布。GM-HMM可表示为式（5）：

式中：Cim—第m个单高斯函数的混合系数；ui m—第m个单高斯函数的均值矩阵；Uim—第m个单高斯函数的协方差矩阵。

HMM有不同的结构类型，驾驶行为是一个连续的过程，当前状态仅取决于前一个状态，基于驾驶行为的这种特点，HMM选用各态遍历拓扑结构。

3.2 HMM的训练

一个统计模型在被用作模式识别之前，必须用带标签的样本数据进行训练。为使HMM具有识别车辆驾驶行为的功能，采用Baum-Welch算法对HMM参数训练的过程如下：首先，提取典型的驾驶行为观测序列样本，包括车道保持、向左车道变换和向右车道变换三种驾驶行为；然后，根据给定的观测序列集以及HMM初始模型λinit=（N，M，π，A，B），由Baum-Welch算法公式计算得到模型新参数，通过重估过程逐步优化HMM参数。

在带有标签的观测序列样本集输入Baum-Welch重估公式之前，模型参数的含义应与实际意义相一致。每个模型都需要设置隐藏状态的数目N，将三个模型的隐藏状态数设置为N=3。以前方车辆的纵向速度、0.5s内横向位移和横向速度作为最佳可观测信号对前方车辆的驾驶行为进行识别，且高斯混合数目需要大于或者等于隐藏状态数目，因此设置M=3。

参数π和A的初始化对训练结果的影响并不大，它们可以随机设置，也可以均匀设置。从任何状态开始的可能性是相同的，并且隐藏状态可以以同样的概率转移到任何状态。因此，π和A可初始化成式（6）和式（7）。C，u和U的初始值对HMM的训练结果有很大影响，采用自动聚类算法对C，u和U进行初始化。

通过MATLAB平台导入HMM工具箱，根据研究借助HMM工具箱编写相应的模型训练程序，为前方车辆三种驾驶行为建立独立的HMM。

3.3 前方车辆驾驶行为的识别

基于Baum-Welch算法已经得到前方车辆三种驾驶行为模式的HMM。基于Viterbi算法计算可观测参数序列的似然概率值，从而可以识别出前方车辆的驾驶行为。其识别过程如下：首先，提取待识别驾驶行为的可观测参数序列；然后，利用Viterbi算法计算可观测参数序列的对数似然概率P（O∕λ），对数似然概率值的范围应为（-∞，0）；最后，由于对数似然概率值反映了待识别驾驶行为与HMM之间的相似性，即对数似然概率值越接近零，符合当前HMM的概率越大。具有最大对数似然概率值的HMM即为前方车辆的驾驶行为。

HMM参数训练后剩下的一半数据用于驾驶行为模型的识别测试。已建立的车道保持、向左车道变换和向右车道变换识别HMM中某些测试样本的对数似然概率值，如表1所示。

表1 驾驶行为识别模型的对数似然概率值Tab.1 Log-likelihood Probability of Driving Behavior Recognition Model

从表1中可以看出，对于样本1而言，在相应的时间窗口中，车道保持模型的对数似然概率为-37.1442，远高于向左换道模型和向右换道模型的对数似然概率值。因此，样本1驾驶行为的识别结果是车道保持。根据上述方法，对剩余5组驾驶行为进行识别，识别结果用表1中的灰色底标记。

选择识别的准确率来分析所建立的驾驶行为识别模型的效果。HMM的识别准确率是指正确样本数与样本总数的比值。使用2.0s的时间窗口进行连续识别，每次时间窗口向后移动的时间间隔设置为1s。由此，这里得到的每个可观测序列的长度值为20，观测序列中的每个时间点上都包含了前方车辆的纵向速度、横向位移和横向速度的参数值。其识别准确率，如表2所示。

表2 驾驶行为的识别准确率Tab.2 Recognition Accuracy of Driving Behavior

时间窗口的大小是影响识别准确率的重要因素，文章研究时间窗口的大小对识别准确率的影响。根据车载GPS定位数据获取的车辆换道行为参数分析得到，高速公路换道行为的平均时长为3.15s[10]。这里分别以1.0s、2.0s、3.0s和4.0s作为识别时间窗口，模型的识别准确率，如图5所示。由图5可知，当以1.0s为识别时间窗口时，3种驾驶行为的识别准确率最低。当以4.0s为识别时间窗口时，3种驾驶行为的识别准确率较高。时间窗口越长，所包含的信息越多，但数据的固有特性会受到干扰。为了尽可能准确、快速地识别出前方车辆的驾驶行为，在比较了以1.0s、2.0s、3.0s和4.0s为识别时间窗口的驾驶行为识别准确率后，选择2.0s作为驾驶行为识别的时间窗口。

图5 不同时间窗口的识别准确率Fig.5 Recognition Accuracy of Different Time Windows

4 结论

（1）根据高速公路场景中车辆变换车道过程中的运动特性，可选取前方车辆的纵向速度、0.5s内横向位移和横向速度作为HMM的特征参数。（2）建立HMM模型对前方车辆的三种驾驶行为进行识别。为尽可能准确、快速地识别出前方车辆的驾驶行为，选择2.0s作为驾驶行为识别的时间窗口大小。从测试结果可以看出，HMM可以有效地识别出车道保持、向左车道变换和向右车道变换三种驾驶行为。