Thedifferencebetweenlanechangeintentionstageandlanekeepingstagewasstudiedbyanalyzingthedriverlanechangeperformanceandthevehiclemovementparameters.BasedonBPneuralnetworksmodelandD-Sevidencetheorymodel,thereal-timeidentificationoflanechangeintensiontestswerecarriedout.Theresultsshowthatthatsampleidentificationaccuraciesofthetwomodelsinthreesecondsbeforethelanechangeare78.3%and45.2%respectively.Theidentificationaccuraciesjustatthemomentoflanechangeare99.13%and86.96%respectively.Byverifyingthetwomodelswithrandomsampledata,theidentificationaccuraciesforlanechangeintensionare86%and96%,whileforlanekeepingare21.05%and78.95%respectively.Themaximumtimeofthemodelsforaccurateidentificationislessthan0.5second.Itindicatesthattheevidencetheoryidentificationmodelismoreapplicableandreliableinbothaccuracyandtimeliness.
1.1.1视觉行为
由于视角受限,驾驶人行车过程中会辅以头部运动得到较好的视野,从而以更好的角度观察、快速获取全面的交通信息。
图1(a)(b)分别为换道阶段与车道保持阶段驾驶人头部和眼睛水平转动角度的变化趋势。由图1(a)(b)可知,驾驶人头部和眼睛水平转动有较高的一致性;眼动变化略滞后于头部运动,视点的响应速度比头部运动迅速,且波动峰值大于头部运动。
1.1.2转向操作
驾驶人换道意图产生之后,将采取换道操作,包括对转向灯的操作和对方向盘的操作。由于实际测试数据中方向盘转角信号精度较低,本文仅以转向灯开启作为换道意图识别的有效指标。
本文将转向灯开启操作确定为换道意图识别体系的指标,意图换道特征值TS=1,车道保持特征值TS=0。
1.2.1车速V
1.2.2车辆横向位置
车辆横向位置即车辆相对于车道线的位置,包括车辆距离左、右车道线距离、偏离车道中心线的距离。行车过程中车辆距离左、右车道线距离的变化趋势是一致的,本文选择距左侧车道线距离进行分析。不同阶段车辆距左侧车道线距离的分布如图4所示。
由图4可知,相比车道保持阶段,驾驶人意图换道时对车辆横向位置的控制能力较差。一方面是因为驾驶人意图换道阶段观察任务加重,使得控制车辆能力降低;另一方面是因为驾驶人意图换道阶段会开始尝试换道操作,有意调整车辆的横向位置。但两阶段车辆与左侧车道线距离差异并不大,因此本文换道意图识别不以车辆距车道线距离为有效指标。
由于D1受交通流、道路条件、天气影响较大,因此以周期内车速变化标准差作为特征参数,意图换道阶段D1的标准差特征值为10m,并结合其他周围车辆参数对驾驶人换道意图进行判定。意图换道和车道保持阶段的TTC1有明显差异,若前方存在慢车,则意图换道阶段TTC1的特征值为16s。
目标车道后方车辆主要对驾驶人换道可行性检测有一定影响,目标车道其他车辆对驾驶人换道意图影响较小。当目标车道后方车辆Fo距离自身车辆较近时,考虑其对换道意图的影响。设意图换道阶段D2特征值为50m;TTC2特征值不做设定,从样本中随机取值作为换道意图识别的参考特征。
本文利用BP神经网络对驾驶人换道意图和车道保持进行特征分类,从而识别驾驶人的换道意图,包括对BP神经网络的构建、训练及识别分类3个部分。
2.1.1BP神经网络的构建
本文采用含有一个隐含层的BP神经网络;(V、TS、D1、TTC1、D2、TTC2、HROT_Y)为换道意图识别体系的指标,因此输入层节点数为7;输出为换道意图和车道保持两种状态,用二进制表示,z=1表示有换道意图、z=0为车道保持;综合本文实际模式识别/分类的问题,考虑网络的性能和运算速度,参照式(1)确定隐含层节点数,节点数为15;输入向量的元素在[0,1]中取值,选择输入层和隐含层的传递函数为S型正切函数tansig;由于输入为0或1,选择隐含层与输出层的传递函数为S型对数函数logsig;采用梯度下降动量学习函数learngdm进行权值/阈值的学习,Levenberg-Marquadt算法训练函数。
式中:n为隐含层节点数目;n0为输入层节点数。
2.1.2BP神经网络的训练
BP神经网络构建完成之后,需要训练调整各层之间的连接权值和阈值,使神经网络具有记忆分类和识别能力。根据本文设定的换道意图识别参数的特征值,得到学习样本,从而对构建的模型进行训练,性能曲线如图6所示,识别模型经过5步训练便达到稳定,并且均方误差为0.086,小于0.1,符合预期训练要求;验证和测试的均方误差均在0.1以下,且回归系数分别为0.99、0.83,表明模型已达到良好的训练目的,能够用于意图识别。
2.1.3BP神经网络验证
为了保证后续使用BP神经网络实时识别驾驶人换道意图试验的准确性,在驾驶人实车驾驶过程中随机选取意图换道数据和车道保持5s内的数据作为测试样本,进一步对模型进行测试,测试结果如图7所示。图7中LC为意图换道样本;LK为车道保持样本。由图7可见,模型能够区分意图换道和车道保持,表明此BP神经网络识别模型可用于实时识别试验。
2.2.1证据理论模型构建
由式(2)可计算出样本中各证据与意图换道、车道保持的基本概率值,构成对应的基本概率矩阵。
2.2.2证据融合及决策
本文根据驾驶人行为特性及车辆运动状态判断驾驶人是否有换道意图,即区分待识别数据中的意图样本和车道保持样本。主要评价指标包括识别信度和时序性。
(1)识别信度
系统性能分析时通常采用的评价指标为灵敏度、准确率和误警率。灵敏度即为真阳性率,即所有意图样本中识别为意图换道的比例;误警率是指车道保持样本中识别为意图换道的样本比例;准确率为所有样本中识别结果与期望结果一致的样本比例。
(2)时序性
为了保证换道意图识别系统应用的有效性和可靠性,同时需要考虑识别的时序性,即系统识别出的换道意图时刻提前于驾驶人换道操作起始时刻才有实际应用价值;识别结果为真阳性情况下,识别出换道意图的时刻越早,识别算法的可应用价值越高。
3.2.1BP神经网络
基于BP神经网络识别模型对样本进行实时试验,结果见表2。BP神经网络识别的真阳性率达到了114/115=99.1%,即对意图换道样本的识别准确度达到99.1%;整体样本的识别准确率为(114+70)/229=80.35%;误警率为19.65%,表明模型实际应用的准确度达到80.35%。
图8为BP神经网络模型对意图换道样本的时序性分析结果。由图8可知,BP神经网络模型根据换道前4.5s的数据即可准确识别出78.3%的意图换道样本,换道起始前的数据识别准确率可达到99.13%。
3.2.2证据理论
基于证据理论建立换道意图识别算法,对试验样本进行实时识别试验,结果如表3所示。换道意图识别的真阳性率为100/115=87.0%;整体样本的识别准确率为(100+103)/229=88.65%;误警率为11.35%。
图11为证据理论对意图换道样本识别时序分析结果。换道前3s意图换道样本检测到的意图换道比例为45.22%;换道前2s的准确识别率为59.13%;换道前1.5s的识别准确率为66.09%;换道起始时刻的识别准确率为86.96%。
3.2.3试验验证
为进一步验证意图识别模型的适用程度,重新选择驾驶人50次意图换道、57次车道保持的样本数据,根据BP神经络识别模型及标准D-S证据理论识别模型,对样本连续5s内的实车行驶数据进行驾驶人换道意图实时识别试验,结果如表4所示。
(1)基于课题组自行开发的驾驶行为信息采集平台采集了实车驾驶过程中的意图换道和车道保持数据,分析了驾驶人换道意图的影响因素和表征参数,对比分析了基于BP神经网络和证据理论的识别模型,并对识别模型进行了测试。