摘要：本文首先對車輛軌跡數(shù)據(jù)進行了篩選和高斯平滑處理，并對不同的駕駛行為進行分類和駕駛意圖標注。隨后，本文提出了一種基于LSTM的車輛換道意圖識別模型，該模型充分考慮了車輛之間的交互作用，有效提取了換道過程中的時序連續(xù)特征，并捕捉到車輛行駛軌跡中的局部和長期依賴關系。模型將目標車輛及其周圍車輛交互作用信息的行駛數(shù)據(jù)作為輸入。實驗結(jié)果表明，本文提出的模型在預測車輛換道意圖方面達到了92.85%的準確率，并且在多種評價指標上顯著優(yōu)于其他模型，展示了在實際交通環(huán)境中的應用潛力。關鍵詞：換道意圖識別機器學習LSTM模型智能交通隨著智能交通系統(tǒng)和自動駕駛技術的快速發(fā)展，準確識別車輛的駕駛意圖已成為一個重要的研究課題。Okamoto等人[1]利用隨機森林算法捕獲其他車輛駕駛員的意圖。喬少杰等人[2]提出了基于高斯混合模型的軌跡預測方法(GMTP),通過的意圖預測器與使用快速探索隨機樹(RRT)的威脅評估器相結(jié)合，以識別交通參與者的機動行為。Schulz等[4]提出了一種基于多模型無跡卡爾曼濾波的動態(tài)貝葉斯網(wǎng)絡(DBN)推理方法，用于駕駛員意圖估計和多智能體軌跡預測。張淼等[5]提和卡爾曼濾波(KF)的優(yōu)點，實現(xiàn)了對列車軌跡的高精度預測。這些研究工作推動了駕駛意圖識別和軌跡預測技術的發(fā)展，證明了深度學習、機器學習及概率推理等方法在該領域的應用潛力。然而，盡管上述方法在不同方面取得了顯著進展，仍存在一些需要進一步研究和解決的問題。鑒于此，本文提出了一種基于LSTM的車輛換道意圖識別模型，通過對車輛軌跡數(shù)據(jù)的預處理和特征提取，訓練了一個能夠高效識別換道意圖的模型，并通過實驗證明了其優(yōu)越性。2數(shù)據(jù)預處理本文使用的數(shù)據(jù)集源于NGSIM(NextGenerationSimulation)數(shù)據(jù)集，該數(shù)據(jù)集是由美國聯(lián)邦公路管理局(FHWA)發(fā)起并收集的高精度交通數(shù)據(jù)集，旨在支持交通流量和駕駛行為模型的研究與開發(fā)。該數(shù)據(jù)集涵蓋了不同類型的道路場景，本文選用US-101高速公路和I-80高速公路部分路段數(shù)據(jù)作為實驗數(shù)據(jù)。數(shù)據(jù)集提供了詳盡的車輛信息，包括但不限于：車輛的唯一識別編號、采集區(qū)域中的具體坐標、標準地理坐標系中的位置、車輛的速度和加速度、所屬車道編號、車頭間距和車頭時距等。具體數(shù)據(jù)字段及描述詳見表1。本文采用高斯平滑(GaussianSmoothing)處理技術對數(shù)據(jù)進行預處理，以減少短時波動帶來的誤差。該方法能有效平滑數(shù)據(jù)，降低噪聲和瞬時變化對結(jié)果的影響，提高航向角數(shù)據(jù)的準確性和可靠性。3換道意圖分類3.1換道過程分析本文車輛換道過程如圖1所示。車輛換道過程可以分為多個關鍵時刻和相關特征。通過分析這些時刻和特征，可以有效分類換道行為并標注換道意圖。關鍵時刻劃分主要分為四個部分。(1)換道意圖產(chǎn)生時刻：駕駛員在腦海中產(chǎn)生換道的意圖，但還未實施任何操作。這一時刻通?？梢酝ㄟ^駕駛員眼神或注意力的變化進行推測，是換道過程的(2)開始換道操作時刻：駕駛員完成了對周圍交通環(huán)境的檢查，確認安全后開始實施換道操作，例如打轉(zhuǎn)向燈或調(diào)整方向盤。這一時刻的具體特征包括轉(zhuǎn)向燈的啟動、方向盤角度的變化以及車輛的初步側(cè)向加速度。(3)跨越車道線時刻：當車輛開始橫向移動并越過車道線進入新車道時，可以通過監(jiān)測車輛相對于車道線位置的變化進行標記。關鍵特征包括車輛的橫向位置、速度、加速度以及車道線檢測信息。(4)完成換道操作時刻：車輛完全進入新車道，換道過程結(jié)束，車輛穩(wěn)定在新的車道上。這一時刻的標志是車輛在新車道內(nèi)的橫向位置穩(wěn)定，且車速和行駛軌3.2換道過程中的參數(shù)變化在換道過程中，車輛的以下駕駛特征參數(shù)會發(fā)生明顯變化。(1)側(cè)向速度：代表車輛橫向移動速度。在A0到A3階段(換道意圖到完成換道),側(cè)向速度會明顯增加，達到最大值后逐漸降低至正常水平。側(cè)向速度變化是評估車輛換道起始與完成的關鍵指標，通過監(jiān)控側(cè)向速度的峰值和變化趨勢，可(2)橫向加速度：反映車輛加速或減速的程度。在換道期間，特別是在A0到A3階段，橫向加速度會出現(xiàn)高峰。高峰的存在表明車輛正在執(zhí)行換道操作。可以通過橫向加速度的變化率判斷駕駛員的換道決心和操作力度，同時也可以與側(cè)向速度結(jié)合，分析換道行為的平穩(wěn)性和安全性。(3)橫向位移：表示車輛在道路上橫向位置的變化量。在換道過程中，這一參數(shù)持續(xù)增加，直到車輛穩(wěn)定在新車道上。橫向位移的累計量可以用于確定換道完成度，通過連續(xù)的位置信息和軌跡數(shù)據(jù)，可以繪制出車輛的換道路徑，進一步細化(4)航向角：指示車輛行駛方向的角度。在換道期間，特別是A0到A3階段，航向角變化劇烈，在完成換道后趨于穩(wěn)定。航向角的變化能夠提示換道操作的開始和結(jié)束點，通過實時監(jiān)控航向角，可以預警可能的換道操作，有助于提前識別駕駛4換道意圖識別模型建立及結(jié)果分析4.1長短期記憶(LSTM)網(wǎng)絡長短期記憶網(wǎng)絡(LongShort-TermMemory,LSTM)是一種特殊的循環(huán)網(wǎng)絡(recurrentneuralnetwork,RNN),通過引入記憶細胞和門控機制，有效解決了標準RNN在處理長序列信息時存在的梯度消失和梯度爆炸問題，從而捕獲長期依賴關系。LSTM通過引入記憶單元(MemoryCell)以及門結(jié)構(gòu)(Gate)來控制信息的流動，從而實現(xiàn)對長短期信息的良好處理和保存。在長短期記憶網(wǎng)絡(LSTM)中，當前時間步的輸入和前一時間步的隱藏狀態(tài)被聯(lián)合作為輸入數(shù)據(jù)傳遞給網(wǎng)絡。這些輸入數(shù)據(jù)會通過三個獨立的全連接層進行處理，每個層都使用sigmoid激活函數(shù)來計算各自的門值：輸入門、遺忘門和輸出門。因此，這些門的輸出值范圍在0到1之間。本文選擇了以下四個評價指標，從識別精度和識別水平兩個方面來評估所提出精確率(Precision):該指標衡量的是某種駕駛意圖被正確識別的樣本數(shù)量，占識別結(jié)果中屬于該駕駛意圖樣本數(shù)量的比例。召回率(Recall):該指標衡量的是某種駕駛意圖被正確識別的樣本數(shù)量，占實際存在該種駕駛意圖樣本數(shù)量的比例。F1-分數(shù)(F1-score):這個指標是準確率和召回率二者之間的調(diào)和平均數(shù)，準確率(Accuracy):該指標表示在所有樣本中，被正確識別為三類駕駛意圖的樣本數(shù)量占總樣本數(shù)量的比例。4.3LSTM模型的換道意圖識別結(jié)果在完成模型訓練的過程中，首先利用訓練集對模型的參數(shù)進行調(diào)優(yōu)，使其能夠更好地理解和擬合數(shù)據(jù)。在訓練過程結(jié)束后，利用測試集對模型的性能進行評估，從而客觀衡量其在未知數(shù)據(jù)上的性能能力，驗證模型的泛化能力和實際應用效果。LSTM模型性能結(jié)果在表2中有詳細敘述。通過反復實驗和參數(shù)調(diào)整，不斷優(yōu)化模型的結(jié)構(gòu)，有效提高了預測的準確性和魯棒性，可進一步驗證模型在不同交通場景由表2可以看出，本文提出的基于長短期記憶(LSTM)網(wǎng)絡的車輛換道意圖識別模型在綜合性能方面表現(xiàn)良好，其綜合準確率達到92.85%。具體而言，兩種換道意圖的識別準確率、召回率和F1值均超過了91%、91%和92%,分別為相關指標設立了新的基準。實驗結(jié)果表明，這一模型不僅能夠高效地感知車輛的駕駛意圖，而且在準確性方面也具備優(yōu)異的表現(xiàn)，顯示出其在車輛換道意圖識別任務上的巨大潛力和先進性。細化到不同的換道意圖識別，該模型對左換道駕駛意圖的識別效果尤為突出，準確率、召回率和F1分數(shù)三個關鍵評價指標均優(yōu)于其他駕駛意圖。這一結(jié)果表明，模型在處理左變道數(shù)據(jù)時能夠更好地捕捉到換道特征和模式，確保了高精度的識別能力。綜上所述，基于LSTM的換道意圖識別模型不僅在整體上達到了較高的性能標準，而且對特定的駕駛意圖類別表現(xiàn)出優(yōu)異的識別效果。4.4不同模型性能對比結(jié)果分析等深度學習模型，并與所提出的LSTM模型進行對比實驗。通過比較不同模型的性能，可以更全面地評估LSTM模型的性能。最終，各模型的性能對比結(jié)果如表3所從表3的結(jié)果可以看出，本文所提出LSTM模型在各類識別任務中表現(xiàn)優(yōu)異。具體而言，對于換左換道意圖，LSTM模型的精確率、召回率和F1值分別達到了93.22%、91.59%和92.76%,明顯高于其他模型的相應指標。對于右換道意圖，LSTM模型也表現(xiàn)出優(yōu)異的性能，其精確率、召回率和F1值分別達到91.68%、92.03%和92.57%。此外，LSTM模型表現(xiàn)出更高的準確率、更強的穩(wěn)定性和魯棒性。這些結(jié)果證明了LSTM在識別和學習交通規(guī)則相關行為特征方面的優(yōu)勢。與其basedvehiclethreatassessmentusingrandomfiltering[J].IFAC-PapersOnLine,2017,50:13860-13865.學報，2015,26(05):1048-1063.[3]G.S.Aoude,B.D.Luders,Kintersections,”inProc.13thInt[J].IEEEConf.In