简谈基于支持向量机的驾驶意图识别.docVIP

简谈基于支持向量机的驾驶意图识别 　　1引言 　　高级驾驶辅助系统(AdvancedDriverAssistanceSystem，ADAS)已成为近年来汽车发展的重点，好的ADAS系统能够有效帮助驾驶员，减轻驾驶强度，缓解驾驶疲劳，提高驾驶的舒适性和安全性。而驾驶辅助系统一般利用各种传感器(雷达、摄像头等)探测得到车辆周边的环境道路信息，为驾驶员决策提供有益性帮助，例如车道保持系统(LaneKeepingSystem)就是利用摄像头获取道路边缘车道线信息，并结合车辆运动状态信息来完成辅助任务的，当车辆偏离车道时自动回正保证车辆在车道线内行驶，过程中系统有效地融合了车辆与环境的信息。但是驾驶过程是在人-车-路三者协同作用下完成的，如果ADAS系统不能够将驾驶员的驾驶意图进行有效融合，辅助系统不仅可能起不到辅助驾驶的作用，而且可能完全是在进行反作用。例如，道路前方有障碍物，驾驶员意图转向避让，但在ADAS作用下车辆进行了紧急制动，而转向操作和紧急制动同时进行又有可能造成车辆运动失稳以致出现事故。因此，为了使得辅助系统能够在恰当的情形下提供恰当的帮助，有必要对驾驶意图进行探测识别。而在横向驾驶意图中仅仅使用转向灯信号对意图进行探测识别是不足的，因为很多驾驶员不能正确的使用转向灯。根据Olsen的统计：只有64%的驾驶员在变换车道时开启转向灯，而其中50%的驾驶员在变道行为开始时开启。转向灯开启率低和开启不及时给转向意图识别造成了很大麻烦，有必要使用其他更多的特征参数来进行意图识别。 　　目前，国内外在驾驶意图识别研究上积累了一些经验。比如以Pentland,Mizushima,Meyer-Delius等团队为代表，使用隐马尔可夫模型(HiddenMarkovModel，HMM)对驾驶意图进行研究，得到一些有用的结论。而基于模式识别理论，研究人员将意图识别问题转化为特殊的意图分类问题，这一类的方法又有神经网络、贝叶斯理论、支持向量机等。例如JoelC.McCall等人就使用贝叶斯理论研究了驾驶员的制动概率和制动强度等问题，对紧急制动系统控制策略的制定提供了有效帮助。而所有对人体内心意图状态这一不可直接观测的量的研究都是基于这样一种理论，即不可直接观测的量可以由可直接观测的量来推测表征，比如驾驶意图可以由方向盘转角、车辆侧向加速度、横摆角速率等特征表示。 　　但是，驾驶员意图识别问题不同于一般的模式识别分类问题，它有其自身的特殊性。因为驾驶在时间上是一个连续过程，驾驶意图是随交通状况，车辆状况变化而变化的随机变量。对驾驶意图的研究还远远不能满足实际工况的要求，尤其是在中国这样特殊的交通环境下，交通规则相对不完善，驾驶员对车辆的操纵随机性较大，因此加强对驾驶意图识别的研究有助于车辆辅助驾驶系统的作用，进而有助于驾驶的安全和舒适。 　　本文基于支持向量机理论提出了对驾驶意图进行识别的方法。聚焦点是驾驶员在高速公路上进行车道保持和变换车道的意图识别，根据中国驾驶员的驾驶习惯和行为特征提出了有效表征驾驶意图的特征向量。下面的章节主要介绍实验数据的获取方法以及后续的数据处理过程，支持向量机意图识别模型的建模过程和识别结果的展示等。 　　2获取数据 　　实验数据来自于中国FOT(FieldOperationalTest)项目中的PilotFOT，中国FOT项目主要为获取中国特殊的交通工况环境以及驾驶员的驾驶行为特征而进行。而在中国FOT项目正式开始之前，在2013年2-4月份进行了先行测试实验PilotFOT项目，先行测试实验共采集了驾驶员在自然驾驶工况下92个小时的驾驶数据，主要包括车载传感器测得的在CAN-Bus中数据，同时辅以摄像头、眼动仪等传感器的数据。在整个驾驶过程中共得到170多种数据，包含了驾驶员进行加速，制动，转向操作时车辆的运动参数以及摄像头拍摄到的道路环境信息。 　　意图探测模型使用驾驶员在高速公路上连续4016s的行驶数据作为基础数据库。共有144个特征时间片段，其中77个车道变换和67个车道保持片段。整个阶段平均车速保持在116km/h，而数据记录的频率为10Hz。 　　为了得到能够有效区分驾驶员进行车道保持和车道变换意图的特征参数，对得到的车辆运动参数进行统计分析，也即频率分布统计分析。分析主要是得到各参数在车道保持和车道变换时的差异水平，如果某参数在两种意图状态下的差异很大，那么相对于其他参数，它就愈能有效的用来区分两种驾驶意图，愈能作为特征参数。 　　研究表明，驾驶员在高速公路驾驶时无论是否变换车道行驶，车辆的相关运动参数都服从正态分布，如图2表示车辆横摆角速度在变换车道和车道保持两种状态下的统计规律。虽然该参数在两种情形下都大致符合正态分布，但是很明显两者的集中程度也即参数值的