一种智能网联汽车行为辨识方法
技术领域
本发明涉及智能网联汽车技术领域，具体地说是一种智能网联汽车行为辨识方法。
背景技术
随着我国道路运输行业的快速发展和机动车保有量的急剧增长，交通安全事故频发导致财产损失和人员伤亡给人们的生产生活带来了严重影响。驾驶员的驾驶行为对道路交通安全有着重要的作用，因此需要对驾驶员行为进行正确辨识。但驾驶行为是一种意识形态，很难直接通过仪器测量获得。因此，准确且尽早地识别出驾驶人的行为对于安全驾驶系统的开发、智能交通的发展至关重要。
目前利用HMM(隐马尔可夫模型)来辨识驾驶行为仍然是比较常用的做法，大多通过训练多个驾驶行为分类器，利用最大似然法来辨识样本的驾驶行为。但最大似然法只能给出似然最大的行为，而不能通过概率表达行为的可能性，且只能实现对于单驾驶行为样本的辨识问题，对于连续性的驾驶行为样本辨识结果的准确性较低。
发明内容
本发明的目的在于提供一种智能网联汽车行为辨识方法，用于提高对连续驾驶行为样本辨识结果的准确性。
本发明解决其技术问题所采取的技术方案是：一种智能网联汽车行为辨识方法，其特征是，它包括以下步骤：
(1)运用维特比算法对GMM-HMM驾驶行为辨识模型解码，求出模型参数λ对输出驾驶行为序列I的输出概率P(I|λ)，选取产生概率最大的状态作为当前的驾驶行为状态值，从而获得辨识驾驶行为序列值I；
(2)采用滑动时窗的方法提取指定长度的驾驶行为序列；根据每个时窗中各驾驶行为状态数量来作为驾驶行为概率变化计算的依据；
式中Pi(i＝1，2，3)分别代表左换道、直线行驶、右换道的概率；ξi为一个滑动时窗中隐状态为i的个数；n为滑动时窗序列的指定长度；
(3)对进行换道操作的交通车辆的后续观测数据进行处理，根据驾驶行为输出序列，若轨迹序列出现换道行为，则从换道起始点开始进行观测数据监测，当换道车辆侧向位移大于一个车道宽时，则认为换道结束，此时开始对换道车辆后续观测数据进行处理；
(4)采用NGSIM数据集中I-80路段和US-101路段的数据用于训练与测试；从数据集中提取车辆侧向位移速度、侧向位移变化偏差作为训练的原始数据，并对连续变化参量进行数据平滑滤波及异常值处理；在完成数据预处理后，开展GMM数据聚类以及HMM的训练工作。
进一步地，提取指定长度的驾驶行为序列时，设置滑动时窗的宽度大小为1s，时间步长设置为0.1s，即时窗每次采集10个隐状态，每次更新时向前1个采样点；设截取序列的长度为n个采样点，则相邻提取2个序列中有(n-1)个节点的信息是一样的，采样频率为10Hz，设输入序列的历史时域为Tp，则序列长度为N＝10Tp。
进一步地，对于NGSIM数据集中的换道轨迹需要提取出换道起始点以及起始点时刻所对应的表征参数；为避免车辆小幅度横向位移或连续换道对换道起始点产生误判和干扰，采用以车辆横向位移和轨迹曲率作为车辆是否进行换道的判断标准，对于单次完整的换道过程，其换道起点、终点处的横向位移和轨迹曲率应满足：
其中，y(n)为n时刻车辆的横向位置；t为换道时间；L为车道宽度；w为补偿值；θ(n)为n时刻车辆行驶轨迹曲率。
进一步地，使用完全协方差矩阵对驾驶行为数据进行拟合。
本发明的有益效果是：本发明提供的一种智能网联汽车行为辨识方法，(1)用GMM对各驾驶行为下的观测特征值进行了聚类分析，以聚类结果为依据实现了对驾驶行为的划分，实现了各驾驶行为下的统计学描述；(2)建立了一个多种驾驶行为辨识的模型，与目前常用的多分类驾驶行为辨识模型相比较，该模型引入了概率作为结果输出。(3)在驾驶行为辨识过程中，通过对换道车辆位置进行数据处理，实现了连续驾驶行为的辨识。
附图说明
图1为滑动时窗驾驶行为序列提取示意图；
图2为观测数据处理依据；
图3为观测数据处理逻辑判断图；
图4a为研究路段I-80；
图4b为研究路段US-101；
图5a为右换道轨迹簇；
图5b为直线行驶轨迹簇；
图5c为左换道轨迹簇；
图6为贝叶斯值信息判据值随高斯混合数目变化图；
图7a为完全协方差矩阵拟合效果图；
图7b为对角协方差矩阵拟合效果图；
图8a为侧向位移速度与侧向位移关系图；
图8b为GMM根据观测数据对驾驶行为进行聚类的概率密度分布图；
图9为连续驾驶行为轨迹示意图；
图10a为随机森林预测算法和GMM-HMM模型辨识下连续驾驶行为概率输出示意图；
图10b为随机森林预测算法和GMM-HMM模型辨识下连续驾驶行为辨识结果；
图11为GMM-HMM模型对连续驾驶行为辨识结果。
具体实施方式
下面结合附图1至图11，对本发明主要内容进行详细描述。
(1)运用维特比算法对GMM-HMM驾驶行为辨识模型解码，求出模型参数λ对输出驾驶行为序列I的输出概率P(I|λ)，选取产生概率最大的状态作为当前的驾驶行为状态值，从而获得辨识驾驶行为序列值I。
(2)采用滑动时窗的方法提取指定长度的驾驶行为序列，如图1所示。设置滑动时窗的宽度大小为1s，时间步长设置为0.1s，即时窗每次采集10个隐状态，每次更新时向前1个采样点。设截取序列的长度为n个采样点，则相邻提取2个序列中有(n-1)个节点的信息是一样的。采样频率为10Hz，设输入序列的历史时域为Tp，则序列长度为N＝10Tp。
根据每个时窗中各驾驶行为状态数量来作为驾驶行为概率变化计算的依据。
式中，Pi(i＝1，2，3)分别代表左换道、直线行驶、右换道的概率；ξi为一个滑动时窗中隐状态为i的个数；n为滑动时窗序列的指定长度。
(3)换道车辆观测数据处理
在模型训练过程中，由于将所有观测数据集中到当前车道，因此当前方交通车辆换道结束后，侧向位移观测序列会持续接近一个车道宽，导致隐马尔可夫模型出现错误的辨识结果，同时也无法实现连续的多种行为辨识，因此对进行换道操作的交通车辆的后续观测数据进行处理，如图2所示。
根据驾驶行为输出序列，若轨迹序列出现换道行为，则从换道起始点开始进行观测数据监测，当换道车辆侧向位移大于一个车道宽时，则认为换道结束，此时开始对换道车辆后续观测数据进行处理。
由此，通过对换道观测数据进行调整，可实现对交通车辆的连续驾驶行为辨识。
(4)数据预处理
采用NGSIM数据集中I-80路段和US-101路段的数据用于训练与测试。从数据集中提取车辆侧向位移速度、侧向位移变化偏差作为训练的原始数据，并对连续变化参量进行数据平滑滤波及异常值处理；在完成数据预处理后，开展GMM数据聚类以及HMM的训练工作。
对于NGSIM数据集中的换道轨迹需要提取出换道起始点以及起始点时刻所对应的表征参数。为避免车辆小幅度横向位移或连续换道对换道起始点产生误判和干扰，采用以车辆横向位移和轨迹曲率作为车辆是否进行换道的判断标准，对于单次完整的换道过程，其换道起点、终点处的横向位移和轨迹曲率应满足：
其中，y(n)为n时刻车辆的横向位置；t为换道时间；L为车道宽度；W为补偿值；θ(n)为n时刻车辆行驶轨迹曲率。通过上式可以分别对换道过程中起始点、终止点处的横向位移和轨迹曲率进行限制，根据限制对轨迹数据进行分类。左右换道序列的判别依据序列始末位置的横向坐标确定。
提取到左换道137条，右换道306条，直行520条，训练样本轨迹如图5a、5b、5c所示。为了方便提取车辆侧向上特征值，将换道轨迹与车道线的交点作为参考点，因此所有的样本轨迹会在该点相交。
根据提取的驾驶行为样本，建立了一个具有300组观测序列的训练样本，其中，
使用GMM来拟合每个隐藏状态下输出变量的概率分布。图6所示为贝叶斯信息判据值随高斯混合数目变化情况，根据训练数据的特点和实际的识别效果，本文将GMM的高斯分布个数设为M＝3。
目前常用的协方差矩阵形式有对角协方差矩阵和完全协方差矩阵，为了确定适合GMM模型最佳的协方差矩阵形式，分别采用两种协方差矩阵形式作为GMM的协方差矩阵，其拟合结果如图7a、7b所示。
由图7a、7b可知，完全协方差矩阵相对于对角协方差矩阵能够更好的将驾驶行为数据进行拟合，因此GMM协方差矩阵形式采用完全协方差矩阵。
图8a、8b为GMM根据观测数据对驾驶行为进行聚类的结果及相应的概率密度分布图。
通过对图8分析可知，右换道行为的侧向位移速度数据处于[-2，0]区间内，侧向位移数据处于[0，-4]区间内；左换道行为的侧向位移速度数据处于[0，2]区间内，侧向位移数据处于[0，4]区间内；直线行驶的特征数据处于坐标原点区间内。在进行行为识别时，各个行为概率的变化实际上就可以理解为一个点在侧向偏移-侧向偏移速度平面中运动时，属于每个椭圆的概率变化。
为了验证本文提出的前车驾驶行为辨识模型对于连续驾驶行为辨识的准确性，实车采集了一段连续120s的驾驶行为数据进行验证，其行驶轨迹如图9所示。利用GMM-HMM辨识模型对驾驶行为进行辨识，如图10a、10b所示，并与随机森林(Random Forest，RF)分类算法对驾驶行为的辨识结果进行了对比。
通过分析图10a、10b可知：随机森林预测算法在辨识过程中错误率较高，预测延迟较长。相对于随机森林预测算法，本文提出的GMM-HMM前车驾驶员行为辨识模型正确辨识出了各种驾驶行为，准确度具有明显的提升。同时在预测的延迟方面，GMM-HMM模型的预测延迟比随机森林预测算法的预测延迟要短，能更快的辨识出驾驶行为的变化。
为了验证辨识模型的通用性，将左换道、右换道、直线行驶行为对应的300组验证样本导入训练的GMM-HMM模型进行行为识别，识别结果如图11所示。
根据图11中的结果可知，本文提出的GMM-HMM前车驾驶员行为辨识模型平均正确辨识率达到了94％，同时在预测的延迟方面，平均预测延迟为176ms，能更快的辨识出驾驶行为的变化，表明该模型用于驾驶行为辨识是可行的。
本发明具有以下优点：
(1)本发明用GMM对各驾驶行为下的观测特征值进行了聚类分析，以聚类结果为依据实现了对驾驶行为的划分，实现了各驾驶行为下的统计学描述；
(1)建立了一个多种驾驶行为辨识的模型，与目前常用的多分类驾驶行为辨识模型相比较，该模型引入了概率作为结果输出。
(3)在驾驶行为辨识过程中，通过对换道车辆位置进行数据处理，实现了连续驾驶行为的辨识。
