汽车转向时驾驶员驾驶意图辨识与行为预测

1 驾驶员意图辨识与行为预测模型
利用 ANN 来准确预测驾驶员行为的前提是 已知 ANN 的输入和输出训练样本 ,而在车辆行 驶的过程中 ,驾驶行为是随着驾驶员的意图时刻 变化的 ,所以很难在离线情况下确定出 ANN 的 输入和输出训练样本 ,也就无法建立 ANN 预测 模型 。HMM 可以看作是一种特定的 Bayes Net , 并且具有双重随机特性 ,它包含了马尔可夫链和 一个一般随机过程[5] ,其中马尔可夫链可以用来 描述驾驶意图的转移 。而一般随机过程则可以描
Abstract :In order to realize t he auxiliary driving and achieve t he goal of imp roving t he active safet y ,an integrated model based o n t he artificial neural net work and t he hidden Markov chain was p ropo sed to identif y and p redict t he driving intentio ns and behavio rs. Such a model was established wit h t he do uble2lane change and st raight line data o btained f ro m driving simulator . This model was used to identif y and p redict t he driving intentio ns and behavio rs under t his t hree co nditio n , such as emergency t urning , normal t urning , and st raight line running. Experimental result s show t hat t he model can accurately identif y t he current driving intentio n and accurately p redict t he next driving behavior under a given speed. Key words :vehicle engineering ; hidden Markov model ; artificial neural net works ; driving intentio ns identificatio n ; driving behavior p redictio n
始驾驶意图的分布概率 。
首先获得驾驶员操作的输入序列和随机给定
模型初始参数向量λ0 , 然后求取λ, 并使 P ( O/λ) 最大 。但是 ,由于给定的训练序列有限 ,因而不存 在一个最佳方法来估计 λ。在这种情况下 , 运用
Baum2Welch 算法的递归思想 , 采用一种最大似 然估计方法[6] ,使 P ( O/λ) 局部最大 , 最后得到模 型参数向量λ。
收稿日期 :2008207228. 基金项目 :国家自然科学基金项目 (50775096) ;吉林省科技厅自然科学基金项目 (20010576) . 作者简介 :宗长富 (1962 - ) ,男 ,教授 ,博士生导师. 研究方向 :汽车动态仿真与控制. E2mail :cfzong @yahoo . com. cn
宗长富1 ,杨 肖2 ,王 畅1 ,张广才3
(1. 吉林大学 汽车动态模拟国家重点实验室 ,长春 130022 ;2. 吉林大学 生物与农业工程学院 ,长春 130022 ; 3. 辽河油田地球物理勘探公司 ,辽宁 盘锦 124010)
摘 要 :提出了一种基于隐马尔可夫模型 ( HMM) 和人工神经网络 (ANN) 相结合的模型 ,用于 实现驾驶意图辨识和驾驶行为预测 ,从而达到辅助驾驶和提高主动安全性的目的 。通过驾驶 模拟器获得双移线和直线行驶的数据 ,通过结合 HMM 和 ANN 建立了驾驶员意图辨识和行 为预测模型 ,对驾驶员意图和行为在紧急转向 、正常转向和直线行驶三种工况下的操作分别进 行了辨识和预测 。实验结果表明 ,该模型在给定车速下能够准确辨识当前的驾驶意图和较为 精确预测驾驶员的驾驶行为 。 关键词 :车辆工程 ; 隐马尔可夫模型 ; 人工神经网络 ; 驾驶意图辨识 ; 行为预测 中图分类号 : U461 文献标识码 :A 文章编号 :167125497 (2009) Sup . 120027206
Driving intentions identif ication and behaviors prediction in car lane change
ZON G Chang2f u1 , YAN G Xiao2 , WAN G Chang1
(1. S t at Key L aboratory of A utomobi le D y namic S i m ul ation , J i li n U ni versit y , Chan gchun 130022 , Chi na; 2. Col lege of B iological an d A g ricult ural En gi neeri n g , J i li n U ni versit y , Chan gchun 130022 , Chi na; 3. L i aohe Fiel d Geop hysical P ros pecti n g Com p any , Pan j i n 124010 , Chi na)
合 ,通常有 T = 2 或 3 ; O = { O1 , O2 , …, ON } 是驾驶 员操作的观察序列 (驾驶输入) ; aij = P ( st + 1 = qj / st = qi ) 是由驾驶意图 i 到驾驶意图 j 的转移概 率 ,其中 , i , j = 1 , 2 , …, N ; bj ( k) 是在驾驶意图 j 时观察到的驾驶操作 k 的概率 ; P 是驾驶员的初
述驾驶意图与观察到的驾驶行为间的关系 ,用观
察值概率描述 。HMM 中的驾驶意图是不确定或
不可见的 ,只有通过驾驶行为的随机过程才能表
现出来 ,观察到的驾驶行为与驾驶意图并不是一
一对应 的 , 而 是 通 过 一 组 概 率 分 布 相 联 系 的 。
HMM 具有强烈的时间序列性 ,通过驾驶意图的
转移概率 ,可以对驾驶员在一段时间后的驾驶意
图作出预测 。HMM 这一特性弥补了无法确定
ANN 的训练样本的不足 , 可将 HMM 看作是
ANN 的导师 ,来指引 ANN 学习某种驾驶意图下
的操作数据 ,从而减少不必要的 ANN 的训练 ,提
高训练效率和预测精度 。所以针对驾驶意图辨识
和行为预测 ,需要建立 HMM 和 ANN 相结合的
数学模型 。
的操作概率 ;βt ( i) 为在驾驶意图 i 时观察到 t 时
刻以后的操作概率 ; bj ( Ot + 1 ) 为在驾驶意图 j 时
观察到的驾驶操作 Ot + 1 的概率 。
根据 Baum2Welch 算法中的重估公式可得
T- 1
∑ξt ( i , j)
^a i , j =
t=1 T- 1
(2)
∑γt ( i)
© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
·28 ·
吉林大学学报 (工学版)
第 39 卷
术的特点是通过传感器获得驾驶员的操纵信号 , 由“导线”将电信号传给控制器 ,控制器根据驾驶 员的操纵信号辨识当前的驾驶意图 ,并预测下一 时间段的驾驶行为 ,然后根据驾驶意图和行为对 车辆进行实时控制 。因此准确辨识出当前驾驶员 的驾驶意图和预测下一时间段的驾驶行为 ,是汽 车主动控制系统的一项关键技术 。目前对于驾驶 意图辨识和行为预测有多种方法 ,清华大学王玉 海[1] 等通过对驾驶员换档操作的动力学分析 ,研 究了典型工况下驾驶员换档操作特征 ,将平直道 路行驶时的驾驶员意图分为相互关联的五类 ,提 出了将驾驶环境和驾驶员操作相统一的识别方 法 。To ru Kumagai 等[2] 采用动态贝叶斯网络 ,结 合过去驾驶状态和当前驾驶状态来预测驾驶员在 交叉路口处的停车意图 。Tesheng H siao[3] 用最 大后验概率的评估方法来获得驾驶员转向模型参 数 ,建立的转向模型可以有效地提高辨识正确率 并且具有预测驾驶员驾驶策略的功能 。实际上 , 在一段时间内连续辨识并且准确预测转向时驾驶 员的驾驶状态 (具体操作值的大小) 对于准确控制 汽车运动具有实际意义 。目前研究主要集中在平 直道路换档驾驶意图的辨识 、预测驾驶员在交叉 路口处的停车意图和驾驶员转向驾驶策略的辨识 上。
作者借鉴将马尔可夫链模型 ( MM) 和 ANN 结合的思想[4] ,采用具有时间序列性的 HMM 来 辨识和预测驾驶员在双移线工况下的驾驶意图和 驾驶行为 ,然后将 HMM 预测出来的驾驶意图作 为指引 ,让 ANN 来学习驾驶员以往的驾驶规律 , 从而达到 ANN 有目的学习 ,再利用 ANN 来准确 预测驾驶员下一段时间想要达到的期望值 ,从而 实现了 ANN 在 HMM 的指导下进行准确预测的 功能 。
t=1
© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
பைடு நூலகம்
增刊 1
宗长富 ,等 :汽车转向时驾驶员驾驶意图辨识与行为预测
·29 ·
T- 1
∑δ( ot , vk )γt ( i)
驾驶意图从 i 到 j 的转移概率可以定义为
ξt ( i , j) =
αt ( i) aij b j ( Ot+1 )βt+1 ( j)
NN
(1)
∑∑αt ( i) aij b j ( β xt+1 ) t+1 ( j)
i =1 j =1
式中 : at ( i) 为在驾驶意图 i 时观察到 t 时刻以前
^b i ( k) = t = 1 T- 1
(3)
∑γt ( i)
t=1
^P i = γ1 ( i)
(4)
式中 :^a i, j 为驾驶意图由 i 转移到驾驶意图 j 的估
计概率 ; ^b j ( k) 为驾驶意图在 j 时观察到驾驶操
作 k 的估计概率 ; ^P i为初始驾驶意图的分布估计
概率 ;δ( ot , vk ) 为由 ViterBi 算法[7] 得到驾驶操作
目前传统机械汽车的性能已经相当成熟 ,为 了进一步提高车辆在各种工况下的安全性和舒适 性 ,就需要采用一系列的电子辅助驾驶系统 ,例如 ABS、TC、ESP 、A T 等技术 。而线控技术 ( X2by2
wire) 是最先进的汽车底盘主动控制技术 ,它不但 包含了 ABS、TC 、ESP 和 A T 的功能 ,还改变了 车辆在各种工况下的动力学特性 ,更好地提高了 汽车的主动安全性和驾驶舒适性 。X2by2wire 技
1. 1 HMM 建模及参数确定
在建立 HMM 模型过程中 , 首先需要解决
HMM 的学习问题 ,即获得 HMM 模型的相应参
数 。其中 HMM 模型由向量 λ描述 ,λ= [ Q , O ,
aij , bj ( k) , P ] 。 Q = { Q1 , Q2 , …, QT } 是 驾 驶 意 图 的 有 限 集
第 39 卷 增刊 1 2009 年 3 月
吉林大学学报 (工学版)
Jo urnal of Jilin U niversit y ( Engineering and Technology Edition)
Vol . 39 Sup . 1 Mar . 2009
汽车转向时驾驶员驾驶意图辨识与行为预测