摘要-先進的駕駛員輔助系統(tǒng)( ADAS )的開發(fā)在預測駕駛行為的研究中起著重要作用。我們開發(fā)了一種基于隱馬爾可夫模型( HMM )的預測人類駕駛行為的方法。包括左/右車道變換和車道保持在內的三種不同的駕駛動作被建模為HMM的隱藏狀態(tài)。基于觀察(訓練)，HMM方法能夠使用觀察到的序列來計算最可能的駕駛行為。此外，在建模過程中，觀察到的序列也用于HMM的訓練。為了提高模型的預測性能，我們提出了一種預濾波器將采集的信號量化為具有特定特征的觀測序列。

在本論文中，將討論并最終優(yōu)化合適預過濾器的定義。這里最優(yōu)性被定義為將車輛環(huán)境映射到量化狀態(tài)的預濾波器的最優(yōu)段。結合基于HMM的精度、檢測和虛警率方面的相關結果，可以確定預濾波器的最佳參數集。利用真實人類駕駛行為的實驗數據(取自駕駛模擬器)，可以得出結論，預過濾器的最佳定義可以提高檢測率和準確性，同時降低誤報率。駕駛行為預測的有效性已經通過與其他方法的比較得到了成功的證明

作者： 

Qi Deng, Jiao Wang and Dirk So¨ffker  

I介紹 

駕駛員輔助系統(tǒng)是為了幫助人類駕駛員更好、更安全駕駛而開發(fā)的系統(tǒng)。典型的輔助駕駛系統(tǒng)側重于探測危險場景并發(fā)出警告從而避免交通事故。這類輔助系統(tǒng)的預測是基于諸如距離和車速等物理變量來計算的。這些物理變量描述了車輛狀態(tài)和行駛環(huán)境。雖然車輛狀態(tài)和駕駛環(huán)境與當前的駕駛安全評估相關，但最常見的事故原因與人類行為有關。因此，輔助駕駛系統(tǒng)應該幫助駕駛員檢測可能的不當行為。然而，遵循一般駕駛規(guī)則，司機通常會根據自己的駕駛經驗和習慣選擇最合適的操作。司機的駕駛行為被認為是個人的。因此，駕駛輔助系統(tǒng)應該基于對個體駕駛行為的分析進行調整，以提高交通安全并實現智能駕駛。個人駕駛行為受許多因素影響，包括當前環(huán)境條件、個人駕駛特征等。因此，駕駛員的意圖和下一次駕駛動作不能通過物理變量來簡單而直接地測量。 

為了建立駕駛行為模型，一些方法已經被提出。例如，神經網絡( NN )模型已經被用于預測[ 1 ]高速公路上車輛跟馳的加速度分布。在[ 2 ]動態(tài)貝葉斯網絡( DBN )被用于估計和預測四向交叉路口的車輛跟蹤和變道的加速度以及轉彎率。在[ 3 ]中，通過使用特征函數來評估情境情境，預測交通參與者的下一個狀態(tài)，提出了一個完全概率模型?！禰 4 ]》的作者使用了一個模糊邏輯( FL )模型，該模型是由駕駛員根據經驗觀察到的高速信號交叉口的行為建立的。 

在我們的研究中，使用了隱馬爾科夫模型( HMM )方法預測駕駛行為，該方法用于估計不可觀察狀態(tài)，不可觀測狀態(tài)可以通過基于期望最大化( EM )和最大似然估計( MLE )的觀測狀態(tài)來推斷，這是分別估計HMM參數和最可能隱藏狀態(tài)的標準方法[ 5 ] [ 6 ]。為了改進性能建模，必須定義觀察狀態(tài)的適當部分。實驗結果顯示，使用那些合適的觀察段范圍，可以提高駕駛行為預測模型的質量。 

Ⅱ基于隱馬爾可夫模型的駕駛行為預測 

隱馬爾可夫模型（HMM）已經被成功應用于語音識別和合成[7]、生物學中的DNA輪廓識別[8]以及視頻[9]中的人類行為識別等領域。如今，HMM的應用已經擴展到越來越多的研究領域，例如駕駛行為識別和預測。在[10]中，作者提出使用HMM來確定各種車輛操縱的駕駛員意圖。此外，HMM通常與其他算法一起使用。在[11]中，作者提出了一種混合狀態(tài)系統(tǒng)（HSS）-HMM框架，用于估計交叉口的駕駛員行為。駕駛員行為和車輛動力學被建模為HSS， HSS提供系統(tǒng)架構，HMM定義系統(tǒng)組件之間的關系，HMM和相關基本算法的詳細定義在[5]中描述。 

HMM描述了兩個隨機過程之間的關系：一個由一組未觀察到的(隱藏的)狀態(tài)S = {S1，S2，...SN}，其中N為無法直接測量的隱藏狀態(tài)的數量。另一個隨機過程由一組M個可觀察符號V ={V1，V2，...VM}。隱藏狀態(tài)和觀察符號位于，時間t分別被定義為Qt和Ot。因此，隱藏狀態(tài)序列是Q= {Q1，Q2，...QT}，觀察序列是O = {O1，O2，...OT}，其中T是序列的長度。使用HMM參數的序列可以通過分析觀察序列來確定未觀察到的狀態(tài)。 

在我們的研究中，駕駛行為主要考慮車道變換。執(zhí)行的駕駛操縱是隱藏狀態(tài)。它們包括左/右車道變換和正常車道保持，因此N = 3.駕駛行為預測模型可視為標準HMM，如圖1所示 

圖1.具有3種狀態(tài)的HMM模型 

驅動行為表示為Si，觀察值Vk表示為下標k。該模型可以定義為一種系統(tǒng)，其中駕駛行為以狀態(tài)轉移概率ai j = P（Qt = S j | Qt-1 = Si），i，j [1，N]切換到另一個，這意味著從狀態(tài)Si移動到狀態(tài)S j的概率。所有轉移概率ai j可以構成狀態(tài)轉移概率矩陣

觀察概率b j ( k )定義了在時間t從狀態(tài)S j產生觀察Vk的概率，這意味著b j ( k ) = P ( Ot = Vk | Qt = S j )。相應的觀測概率分布矩陣表示為

為了描述HMM，有必要使用初始概率分布，其指示在狀態(tài)Si中開始的概率，其中

使用以上定義，完整的HMM可以定義為λ= ( A，B，π)。 

為了實現基于HMM的駕駛行為預測，該過程必須分為兩部分：第一部分是模型的訓練，第二部分是估計最可能的隱藏狀態(tài)序列。為了訓練HMM，Baum - Welch算法（也稱為期望最大化）將被用來估計最大似然模型參數 λ= ( A，B，π)。在給定的觀察序列O及其對應的隱藏狀態(tài)序列Q中，HMM λ的參數被計算和調整以最佳地擬合這兩個序列?；诒４娴?span style="font-weight: bolder; box-sizing: border-box;">HMM λ，使用Viterbi算法計算具有最高概率的駕駛行為的最可能序列。 

如前所述，隱藏狀態(tài)序列將由觀察序列確定。因此，選擇描述組成觀察狀態(tài)的當前狀況的參數是非常重要的。這些參數必須考慮到數據收集的可行性，并具備達到模型識別目的的能力。當司機在高速公路上行駛時，ego車輛和其他周圍車輛之間的關系是影響司機決策的主要因素。在我們的研究者中，與前方車輛的相對速度、ego車輛和周圍車輛之間的距離被選擇作為觀察變量，即時間t的觀察向量被定義為

其中k∈[ 1，M ]，M是觀察選擇的數量。表I給出了參數的細節(jié)。在我們的研究中，駕駛模擬器用于收集每個參數的數據。在現實世界中，這些參數將取自不同的傳感器，如照相機、雷達、激光雷達和超聲波。[12]

在駕駛過程中，所有觀察參數都被認為是可測量的。信號是動態(tài)的，隨時間變化。每個參數的改變將導致觀察向量的改變。這里假設通過預濾波實現的量化信號，這在汽車領域中是典型的，使用精度有限的相關電子設備。在預濾波器的輸出端，導出了以特征向量為特征的量化信號。通過使用特征向量，應該區(qū)分不同的駕駛情況?；陬A濾波器，每個觀測參數的信號數據將被分成多個段。每個片段代表一個相應的觀察結果。因此，線段的范圍很重要，將被定義來描述觀察結果。使用這些分段范圍，可以處理和組合信號以形成HMM預測過程的特征。為了簡化建模過程，在這個貢獻中定義了一個預濾波器，它只使用兩個不同的范圍值，并將每個觀測參數分成三個部分。表I中顯示了每個觀測參數的左閾值和右閾值(即兩個范圍值)。顯然，觀測段范圍的值非常重要，因為它們隱含地定義了HMM訓練的觀測序列，并最終影響了精度。 

圖2.最佳預過濾器定義說明 

一個簡單的方法是根據一般駕駛規(guī)則選擇一個通用預過濾器，例如在德國，50m是高速公路上兩個導向柱之間的相應距離。因此，距離的分段范圍值可以定義為50m和100 m，速度計上的間隔可以用來表示相對速度的范圍值，例如10公里/小時和20公里/小時。