面向车载传感器基于时空图卷积的驾驶行为识别研究.pdf

天津师范大学硕士学位论文

摘要

随着交通工具的快速发展，全世界的交通安全问题愈来愈显著，对社会的

经济与稳定产生了巨大影响。高级辅助驾驶系统(ADAS)能够辅助驾驶员预先察

觉到可能发生的危险，提高车辆行驶安全，其中驾驶行为识别发挥着重要作用。

通过识别车辆驾驶行为，ADAS能够分析并预测危险驾驶的发生，进一步提醒

或帮助驾驶人减少驾驶风险，以避免交通事故的发生。车辆内部的传感器能够

实时反应驾驶员自身的驾驶状态，且收集数据手段便捷，不易受环境因素影响，

因此近年来基于车载传感器的驾驶行为识别方法发展迅速，如何充分利用车载

传感器以达到高精度的识别效果是研究重点。

针对车载传感器数据的建模、时空特征提取和基于车载传感器的驾驶识别

问题，本文从图(Graph)的角度出发，构建车载传感器数据，通过深度学习方法，

提出基于车载传感器的驾驶行为识别模型，以提取传感器序列的时空关联信息。

本文的研究包含如下：

（1）在空间上，本文基于车载传感器的数据特性，通过挖掘各传感器关联

性，提出传感器图结构先验表示方法；其次，为获得更好的稀疏有向交互，利

用自注意力机制构建了传感器可学习图结构，并基于图卷积结构搭建了先验图

与可学习图的图学习分支，融合了先验图信息与可学习图信息，在空间层面获

得更好的数据交互；最后，本文在公开的三个真实驾驶行为数据集上验证了该

方法的有效性，实验表明显式图建模的方法能够更充分地利用车载传感器的空

间信息，获得了更高的识别精度结果，并且识别效果优于现有的方法。

（2）在时间上，本文为进一步提取车载传感器的时间信息，基于LSTM

设计了融合历史信息与未来信息的Encoder-Decoder结构，以利用车载传感器的

未来信息，从而辅助识别当前时刻的驾驶行为。本文基于上述方法搭建了自适

应未来时空图卷积网络(SF-STGCN)，在进一步的实验中，本文验证了融合未来

信息的有效性，同时该网络获得了更佳的识别精度。

关键词：驾驶行为识别，车载传感器，图卷积，空间依赖性，未来信息

I

天津师范大学硕士学位论文

Abstract

Theworldsincreasingtransportationdemandshavebroughtaboutsignificant

trafficsafetyissues,whichhavehadmajorimpactsonsocietyseconomyandstability.

Toaddressthis,theAdvancedDrivingAssistanceSystem(ADAS)hasbeen

developedtohelpdriversdetectpossibledangersandimprovedrivingsafety.Driving

behaviorrecognitionplaysacrucialroleinthissystem,asitallowsforthe

identificationandanalysisofdangerousdrivingpatterns,andultimatelyhelpsdrivers

reducerisksandpreventaccidents.On-boardsensorsprovideaconvenientmeansof

collectingreal-timedrivingdatathatisnoteasilyaffectedbyenvironmentalfactors.

Asaresult,thedrivingbehaviorrecognitionmethodbasedonon-boardsensorshas

seenrapid