預(yù)測(cè)過程的核心是通過HMM來(lái)實(shí)現(xiàn)的。使用給定的隱藏狀態(tài)序列及其相應(yīng)的觀察序列，可以訓(xùn)練HMM。因此，輸入到HMM的特征向量可以通過使用通用預(yù)濾波器來(lái)提取，這有助于確定最佳HMM并提高預(yù)測(cè)性能。出于這個(gè)原因，對(duì)于每個(gè)驅(qū)動(dòng)器，可以生成具有個(gè)性化最佳預(yù)濾波器的HMM。 

在圖2中，示出了產(chǎn)生最佳預(yù)過濾器的過程。為了定義最佳預(yù)過濾參數(shù)，使用非支配排序遺傳算法II ( NSGA - II )。NSGA - II源自NSGA，用于解決多目標(biāo)優(yōu)化問題( MOPs ) [ 16 ]。通過使用NSGA - II，使用不同的范圍值重復(fù)訓(xùn)練HMM?？紤]所有可能的范圍值，每個(gè)范圍從該參數(shù)的最小值變?yōu)樽畲笾?。確定每個(gè)觀測(cè)參數(shù)的最佳閾值(最佳預(yù)濾波器)以最小化目標(biāo)函數(shù)。 

準(zhǔn)確度( ACC )、檢測(cè)率( DR )和虛警率( FAR )被廣泛用于評(píng)估分類器[ 13 ] [ 14 ]。 

它們是基于真陽(yáng)性( TP )、假陽(yáng)性( FP )、真陰性( TN )以及假陰性( FN )數(shù)來(lái)計(jì)算的。為了解釋，舉例說(shuō)明了一個(gè)混淆矩陣(圖3 )來(lái)描述向右改變車道的參數(shù)。真陽(yáng)性( TP )表示

圖3.混淆矩陣的說(shuō)明[車道改為右] 

它們的計(jì)算基于真陽(yáng)性（TP），誤報(bào)（FP），真陰性（TN）以及假陰性（FN）數(shù)。為了解釋，示出了混淆矩陣（圖3）作為示例來(lái)描述用于向右改變車道的參數(shù)。真陽(yáng)性（TP）表示當(dāng)估計(jì)的機(jī)動(dòng)是正的時(shí)（向右改變車道）并且實(shí)際的也是正的事件的數(shù)量，對(duì)比度假陽(yáng)性（FP）表示當(dāng)估計(jì)的機(jī)動(dòng)是正的時(shí)的事件的數(shù)量和實(shí)際值不相同，對(duì)于真假陰性（TN / FN）。 ACC，DR和FAR由[14]定義

如前所述，每個(gè)觀察參數(shù)（預(yù)濾波器）的左/右閾值是確定HMM訓(xùn)練的觀察序列的臨界值，因此影響估計(jì)的狀態(tài)。 TP，F(xiàn)P，TN和FN的值將由估計(jì)的狀態(tài)定義，并最終影響ACC，DR和FAR值。在研究中，將針對(duì)前述ACC，DR和FAR參數(shù)的改進(jìn)來(lái)選擇最佳預(yù)濾波器。因此，目標(biāo)函數(shù)定義為

三種駕駛行為。

III.實(shí)驗(yàn)結(jié)果 

本節(jié)介紹了基于HMM的變道機(jī)動(dòng)預(yù)測(cè)的實(shí)驗(yàn)裝置和獲得的結(jié)果。使用所提出的模型，基于測(cè)量的變化和速度，預(yù)測(cè)了駕駛員的車道變換行為。為了提高預(yù)測(cè)性能，必須定義最佳預(yù)濾波器(特征參數(shù))。 

A.實(shí)驗(yàn)設(shè)計(jì)

應(yīng)用如圖4所示的專業(yè)駕駛模擬器SCANeRTMstudio來(lái)收集駕駛數(shù)據(jù)，該駕駛數(shù)據(jù)用于訓(xùn)練和測(cè)試所提出的方法。該模擬器配備五個(gè)監(jiān)視器，180度視野，基座固定駕駛員座椅，方向盤和踏板。三個(gè)后視鏡是決定改變車道所必需的，它們顯示在顯示器的相應(yīng)位置上，駕駛模擬器的數(shù)據(jù)獲取頻率為20Hz。

圖4.駕駛模擬器，椅子動(dòng)力學(xué)和控制，U DuE 

駕駛場(chǎng)景基于高速公路駕駛場(chǎng)景，具有四個(gè)車道的兩個(gè)方向和模擬的交通環(huán)境。在駕駛期間，當(dāng)前車緩慢行駛時(shí)，參與者可以執(zhí)行超車操縱。超車后，參與者也可以回到最初的車道。從左到右改變車道的時(shí)間點(diǎn)由參與者決定。遵循德國(guó)的交通規(guī)則，只允許從左車道超車。共招募了9名年齡介乎25至38歲的參與者。他們都持有有效的駕駛執(zhí)照。每位參與者進(jìn)行了約25分鐘的駕駛。 

1）數(shù)據(jù)處理階段：為了將數(shù)據(jù)標(biāo)記為隱藏狀態(tài)序列以及觀察序列，需要對(duì)信號(hào)數(shù)據(jù)進(jìn)行分類和處理。此貢獻(xiàn)中的隱藏狀態(tài)僅考慮更改車道。在駕駛模擬中，可以通過車輛中心點(diǎn)的位置確定當(dāng)前車道i。因此，通過在不同時(shí)間比較車道i的值，可以確定車輛的車道變換。當(dāng)當(dāng)前車道的值與最后時(shí)刻it-1相同時(shí)，定義車道保持。當(dāng)該值增加時(shí)定義向左變換的車道，并且當(dāng)減小車道時(shí)向右變換車道。在實(shí)驗(yàn)中，駕駛員決定改變車道（轉(zhuǎn)向燈）的時(shí)間已經(jīng)在車道變換之前的2到3秒之間，平均值為2.5秒。因此，將考慮在行動(dòng)之前2.5秒發(fā)生作為駕駛行為的車道變化。然而，如果自我車輛通過駕駛與白線重疊，則可能產(chǎn)生一些車道變換數(shù)據(jù)，并且這些數(shù)據(jù)不反映駕駛員的真實(shí)行為。因此，有必要去除這些干擾數(shù)據(jù)以獲得準(zhǔn)確的實(shí)驗(yàn)數(shù)據(jù)。表II給出了每種隱藏狀態(tài)的符號(hào)及其具體描述。 

觀察載體可以通過預(yù)濾器分類并處理成序列。如第II部分所述，將使用最大ACC，最大DR以及最小FAR確定最佳預(yù)濾波器。因此，它應(yīng)該用于改善駕駛行為預(yù)測(cè)的性能。為了證明這一點(diǎn)，使用兩個(gè)不同的預(yù)濾器對(duì)觀察向量進(jìn)行分類。一個(gè)預(yù)過濾器正在使用這些最佳段。另一種是使用一組通用分段范圍進(jìn)行比較，通過比較實(shí)驗(yàn)數(shù)據(jù)給出，例如平均值，最小安全距離等。 

2）訓(xùn)練階段：在本實(shí)驗(yàn)中，每個(gè)實(shí)驗(yàn)數(shù)據(jù)集分為10個(gè)子集，這10個(gè)子集中的7個(gè)被認(rèn)為是訓(xùn)練數(shù)據(jù)集，其他被認(rèn)為是測(cè)試數(shù)據(jù)集。每個(gè)訓(xùn)練數(shù)據(jù)集的位置是不同的，并且不重復(fù)，例如，第一訓(xùn)練數(shù)據(jù)集從第一至第七子集中選擇，第二訓(xùn)練數(shù)據(jù)集從第二至第八子集中選擇，依此類推。每個(gè)訓(xùn)練和測(cè)試數(shù)據(jù)集必須包含不同的換道操作。訓(xùn)練數(shù)據(jù)集可用于估計(jì)HMM參數(shù)。利用該HMM參數(shù)，可以計(jì)算隱藏狀態(tài)。在下一步驟中，將比較來(lái)自訓(xùn)練數(shù)據(jù)的隱藏狀態(tài)序列和由HMM模型計(jì)算的隱藏狀態(tài)序列，以檢查對(duì)應(yīng)關(guān)系并計(jì)算ACC，DR和FAR。然后，計(jì)算目標(biāo)函數(shù)（7）。然后，通過關(guān)于上述目標(biāo)函數(shù)的優(yōu)化來(lái)定義預(yù)濾波器值。該預(yù)濾器及其相應(yīng)的HMM模型將用于測(cè)試階段。 

3） 測(cè)試階段：每個(gè)特定于驅(qū)動(dòng)程序的測(cè)試數(shù)據(jù)集必須與在訓(xùn)練階段使用的數(shù)據(jù)相關(guān)。 因此，已經(jīng)在訓(xùn)練階段計(jì)算了每個(gè)測(cè)試數(shù)據(jù)集的最佳預(yù)濾波器和相應(yīng)的HMM模型。最可能的駕駛行為將通過使用相應(yīng)的HMM來(lái)確定。通過計(jì)算和實(shí)際駕駛行為之間的比較，可以評(píng)估準(zhǔn)確性。 

B評(píng)估 

為了評(píng)估所提出的方法，將通過使用相同的訓(xùn)練數(shù)據(jù)集和不同的預(yù)濾波器來(lái)學(xué)習(xí)HMM。在選擇最佳預(yù)濾器之后，使用通用預(yù)濾器與最佳預(yù)濾器比較該方法。將比較計(jì)算的和實(shí)際的駕駛行為以評(píng)估相似性。數(shù)據(jù)集＃5的測(cè)試階段的結(jié)果如圖5所示。這里隱藏狀態(tài)（駕駛行為）作為模擬時(shí)間的函數(shù)給出。隱藏狀態(tài)的符號(hào)如表II所示。綠色，藍(lán)色和紅色線分別表示使用一般預(yù)濾波器的原始狀態(tài)，計(jì)算的隱藏狀態(tài)，以及使用最佳預(yù)濾波器計(jì)算的隱藏狀態(tài)。結(jié)果表明，優(yōu)化的基于預(yù)過濾器的HMM預(yù)測(cè)的狀態(tài)最適合原始狀態(tài)。藍(lán)線錯(cuò)誤計(jì)算隱藏狀態(tài)的數(shù)量多于紅色。

圖5. HMM驗(yàn)證結(jié)果[測(cè)試數(shù)據(jù)集＃5] 

通過選擇數(shù)據(jù)集＃5的一般和最佳預(yù)濾波器的ACC，DR和FAR的百分比示于表III中。從得到的結(jié)果可以清楚地看出，使用最佳預(yù)濾器，總體ACC分別從73.4％（訓(xùn)練）和68.8％（測(cè)試）增加到91.9％和87.5％。類似地，使用最佳預(yù)濾器，DR高于使用通用預(yù)濾器。 

在三種不同演習(xí)的FAR中，右側(cè)車道變換的訓(xùn)練和測(cè)試階段的FAR分別為15.9％和16.9％，優(yōu)化后，F(xiàn)AR降至1.9％和3.5％。 FAR的值可以由等式（6）定義。可以看出，較高的FAR值是由圖3中定義的較高的分子FP值（假陽(yáng)性）產(chǎn)生的。對(duì)于向右變化的機(jī)動(dòng)車道，F(xiàn)P是真實(shí)狀態(tài)時(shí)的事件數(shù)，估計(jì)的狀態(tài)是右邊的車道變換。這些結(jié)果也可以從圖5中檢測(cè)到。這里S1定義了向右的車道變換?？梢杂^察到，在若干情況下，估計(jì)的狀態(tài)被錯(cuò)誤地計(jì)算為S1。上述描述性問題更常出現(xiàn)在藍(lán)線（使用一般預(yù)濾波器）而不是紅線（使用最佳預(yù)濾波器）。可以得出結(jié)論，使用合適的預(yù)濾器可以改善預(yù)測(cè)結(jié)果。即使通過，在實(shí)驗(yàn)期間仍然可以找到一些例外，例如，車道保持（測(cè)試）的優(yōu)化FAR值比預(yù)設(shè)值（大約高10％）更差。然而，考慮到所有情況的總體結(jié)果由于預(yù)濾器的優(yōu)化而得到改善。