matlab变道超车_浅论基于支持向量机的驾驶员超车意图识别论文

浅论基于支持向量机的驾驶员超车意图识别论文

随着各种车载电子设备、导航设备、手机和其他远程信息处理设备的日益普及，这些设备分散着驾驶员的注意力，使驾驶过程中的危险性增加，为此，人们正致力于发展半自动或全自动化的驾驶辅助系统，如使用驾驶员辅助系统(ADAS)的车道偏离警告(LDW)和车道变换辅助(LCA).但在未知驾驶员驾驶意图的情况下，这些辅助系统容易出现错误，如误报警等.所以系统在感知驾驶员驾驶行为的同时，对驾驶员的驾驶意图进行正确的识别是ADAS发展关键技术之一.

目前，很多研究者以转向灯的信号来判断驾驶员的超车意图，但只有64%的人在超车时会使用转向灯，且大都是在超车开始时才打开转向灯，而不是在初始阶段.其他的一些研究者也对驾驶员换道意图做了研究，如Jr等采集分析了自车车头与前车距离、加速踏板开度、制动踏板开度和方向盘转角等信息，提出了基于ACT-R认知理论的驾驶人换道意图模型;肖献强以驾驶意图的产生到执行的时间差，提出了基于驾驶人操作特性的辨识方法;孙纯基于实车实路环境下的实验，提出了基于Logistic思想和证据理论的驾驶人换道超车意图辨识方法.上述方法将注意力主要集中在对车辆状态参数的研究上，对车辆状态参数，道路参数和驾驶人行为进行综合性研究较少，存在前瞻性不够且识别率较低的问题.

本文提出了一种基于支持向量机(SupportVectorMachine，SVM)的超车意图辨识方法，对比分析了不同参数组合下模型的分类效果.最终确定了以方向盘转角，自车速度，车辆与道路边界距离和驾驶人眼动信息构成的人—车—路综合信息组合可获得最优辨识效果.

1支持向量机

支持向量机的主要目标就是将线性不可分的数据样本，通过核函数映射到高维数据空间，然后在高维空间进行分类，并构建一个超平面，使不同样本类型间的隔离边缘最大化.给定训练集为((x1，y1)，…，(xn，yn))，其中：xi∈T，T为样本特征参数构成的特征向量集合;yi∈L，L为样本类别标签集;n为样本的数量.导入训练样本完成训练后，就能建立超平面WTx+b=0，其中x为输入向量，W为超平面法向量，b为偏置项.

SVM决策函数为

f(x)=sgn[∑ni=1a*iyiK(xi·x)+b](1)

通过二次优化，得a*i，优化方程为

max∑ni=1ai=12∑ni=1∑nj=1aiajyiyjK(xi，xj)(2)

∑ni=1aiyi=0，0≤ai≤C，i∈[1，n](3)

式中：C为选用值惩罚参数;K(xi，xj)为核函数，常用核函数有多项式核函数、sigmoid核函数、RBF核函数等.

2驾驶人换道意图分析

2.1特征参数的选取

在日常驾驶过程中，驾驶员的驾驶意图会受到由道路环境、自车情况和驾驶员本身组成的人—车—路系统内信息的影响，包括自车与前车距离、自车与道路边界的距离等道路环境信息;自车速度、加速踏板开度、方向盘转角等自车信息;以及驾驶员自身的一些信息，它们都可以作为判断驾驶员超车意图的特征参数.但是，选取太多的特征参数会增大SVM模型训练难度、降低模型的预测精度.

正常情况下，驾驶员要进行超车行驶，就必须转动方向盘.本文对比了在车道保持阶段和超车行驶阶段方向盘转角的标准差值，得到在车道保持、向左换道和向右换道阶段方向盘转角标准差分别为1.92°、7.38°和6.91°.不难发现，在进行超车换道过程中，方向盘转角变化非常明显;驾驶员驾车行驶过程中，如果前车速度过慢，驾驶员通常会采取超车行为，通过对比车道保持阶段和超车行驶阶段自车车速值，在进行超车行驶时，自车车速通常会超过车道保持阶段车速值的10%～16%.

道路环境参数中，车辆与道路左右边界的距离能够准确地反映汽车行驶方向的变化和其运动轨迹的趋势，所以该参数能够很好地反映驾驶员的超车意图.

驾驶员在超车前必先通过视觉扫描获取周围的环境信息，且扫描的对象除前方外，还有左右后视镜，在此过程中，驾驶员视觉特征主是眼球的`转动，基于现有技术，利用眼动仪可以精确地测量出眼球部分的变动，同时在时序前瞻性方面，眼部运动信息有明显的优势.

本文选取方向盘转角、自车速度、车辆与道路边界距离和驾驶员眼动信息作为特征参数.采用不同的参数组合，并对各种组合的辨识效果进行对比分析，以获得最佳的参数组合，本文共设计了3组特征参数的组合.其中D1仅包含自车动态参数;D2含自车动态参数和道路环境参数，D3包含了人—车—路三者信息.

2.2构建特征向量

为了完成SVM分类器模型的构建，实现分类器的训练和检验，本文构建模型训练和检验过程的特征向量Data(t)和标签量Label(t)为

Data(t)={x1(t)，x2(t)，…，xi(t)｝(4)

Label(t)={y(t)｝(5)

式中，x1(t)，x2(t)，…，xi(t)分别为时窗T内对应的各个特征量信息，如x1(t)、x2(t)、x3(t)、x4(t)可分别为自车速度、方向盘转角、车辆与道路边界的距离、驾驶人眼部运动信息;y(t)为驾驶意图标签，常用数字表示，如1、2可分别为向超车意图和车道保持.

模式识别分类器的分类效果受到多种因素的影响，在构建特征向量时，需要考虑多方面的影响因素，本文主要考虑的因素为时窗的长度和输入数据的方式.

正常行驶中，根据驾驶员和路路况的不同，驾驶员超车的时间也不尽相同，选择合理的时窗长度，对提高模型辨识的精度大有裨益.选取的时窗长度过短，会丢失一些重要特征，造成分类错误或不准确;选取的时窗长度过长，包含的信息量过大，会造成系统分析的时间过长，不能及时给出判断.本文选用了3种时窗长度进行对比分析，分别为T1=1s、T2=2s、T3=3s.

特征参数最简单的表述方法就是按时间顺序依次输入时窗内全部信息，但是这种方法构建的特征向量占据空间大，计算时间长.其次就是对数据进行相应的变形，使用数据的均值、方差来对特征参数进行表述，这种方法能够更有效地获得特征参数的变化情况和变化规律，同时，还能降低数据采集过程中因各种外界原因造成的干扰，降低所构建的特征向量占据的空间，提高计算效率.但根据数据样本的不同，这种方法有时不仅不能提高计算精度，还会增加计算时间.为此，本文采用两种数据输入方式进行对比的方法，分别为：H1按时间顺序直接输入时窗，H2选取特征量的均值μ和方差σ输入时窗.

本文用控制变量法进行了3种特征参数组合形式的编排，规定了2种不同的数据输入形式，3种不同的时窗长度值，为得到最优的特征参数组合，共需进行18组不同参数组合下模型识别效果的对比分析.

因此，建立基于支持向量机理论的驾驶员超车识别流程图.

3数据采集

由于无论在城市道路还是高速公路条件下，进行实车数据采集都具有一定的危险性，而江苏大学6自由度SCANERII驾驶模拟器可以逼真地模拟实际行车过程中，驾驶人的行车状态，所采集的数据与实车实路环境下采集的数据十分吻合，且其模拟驾驶场景与实车实路环境保持一致，故本文使用江苏大学6自由度SCANERII驾驶模拟器作为数据采集平台.

实验中，各驾驶员经训练后均能按照正常驾驶习惯进行驾驶，同时采取措施避免疲劳驾驶和各种暴力驾驶的出现.驾驶员均在安全的条件下实现模拟超车，此时，模拟驾驶仪可实时输出汽车的方向盘角度、自车速度、加速踏板开度、自车与道路边界的距离等信息.

由于驾驶员眼部信息不能直接从模拟驾驶仪上获取，因此，采用眼动仪采集驾驶员的眼部信息，并利用计算机技术对视频信息进行提取，以获得驾驶员在超车过程中的眼动信息.

研究表明，若驾驶员能够在事故发生前1s采取相应措施，事故的发生率将降低30%～35%.图7中A点为车辆超车行驶轨迹与车道线的交点，本文主要研究超车过程中，车辆越过车道线前1s就能识别出驾驶员的超车意图，故选取A点前1s时间外某时间窗口T内的信息作为研究对象.本文预先截取B点前3s内的特征量数据，同样，车道保持阶段信息也随机截取其中的3s内特征量数据.

4模型训练

4.1基于MatlabLib-SVM模型训练

在MatlabLib-SVM环境下选用RBF核函数以默认参数导入样本完成了18组模型的训练，利用受试者工作特征(ROC)曲线对比分析各组模型辨识效果，ROC曲线以假阳性率(FPR)为横坐标，真阳性率(TPR)为纵坐标，以预测结果的每一个值作为可能的判断阈值绘制而成，并以曲线下围成的面积作为衡量分类器分类效果的衡量指标，曲线越向左上方或者曲线下围成的面积越大，性能越好.

4.2参数对比

为更为明显对比分析各组辨识效果，计算了各组合ROC曲线下围成的面积(AUC).

由图可知，在输入参数形式和时窗长度的各种组合情况下，D1、D2、D3的值依次上升，即包含了自车参数、道路环境信息和驾驶员信息的综合特征参数组合D3的辨识效果最好，同时仅包含自车参数的组合D1辨识效果最差，这也证明了D3组合的合理性.

在D1、D2、D3和T1、T2、T3的各种组合情况下，每种组合中S2对应的AUC值均大于S1对应的值，即明采用特征参数的均值和方差作为输入参数的便是效果更好.在D1、D2、D3和S1、S2的各种组合下，除个别组合外(D2&S2)，每种组合均是时窗长度T=2s时的辨识效果最好.

综合分析可知，采用人—车—路综合信息的方向盘转角、自车车速、车辆与道路边界距离和驾驶人眼部运动信息组合，时窗长度T2=2s，以数据的均值和方差构建特征量，可获得最佳的辨识效果.

5结语

1)采用眼动仪和6自由度SCANERII驾驶模拟器采集了500组驾驶人超车意图辨识研究特征参数数据，为之后的研究提供数据支持.

2)应用了支持向量机理论对驾驶员超车意图进行辨识，得出以方向盘转角、自车车速、车辆与道路边界距离和驾驶人眼部运动信息组合，时窗长度T2=2s，以数据的均值和方差构建特征量，可获得最佳的辨识效果.

【浅论基于支持向量机的驾驶员超车意图识别论文】相关文章：