基于LSTM的车辆并道意图识别及跟驰模型改进研究.pdf

现代计算机Modern Computer第 29 卷 第 12 期2023 年 6 月 25 日基于LSTM的车辆并道意图识别及跟驰模型改进研究胡哲铭*，罗健炜，郑开超（广东工业大学自动化学院，广州 510006）摘要：车辆跟车行驶过程中，旁车不合理的并道行为极易引发交通事故，通过构建基于LSTM的车辆并道意图识别模型，以车辆行驶轨迹数据作为输入来分析旁车并道意图，并基于意图识别结果对车辆期望间距跟驰模型进行改进。实验结果表明，基于LSTM的意图识别模型可以提前2 s感知旁车的并道行为且预测精度可达94.47%；改进后的IDM能够根据预测模型识别结果提前采取相应控制策略，且速度控制更加平稳，使驾驶舒适度得到提升。关键词：LSTM；意图识别；跟驰模型文章编号:10071423（2023）12001007DOI:10.3969/j.issn.10071423.2023.12.002收稿日期：20230220修稿日期：20230313作者简介：*通信作者：胡哲铭（1999），男，湖南郴州人，硕士研究生，研究方向为自动驾驶仿真测试、车辆跟驰模型，Email：；罗健炜（1998），男，广东广州人，硕士研究生，研究方向为数字孪生、自动驾驶仿真测试；郑开超（1998），男，广西北海人，硕士研究生，研究方向为数字孪生、自动驾驶仿真场景建模0引言车辆在跟车行驶过程中，旁车不合理的换道行为容易引发交通拥堵甚至交通事故。不当的车辆换道行为会使交通拥堵提高10%，且每年约有27%的交通事故是不合理的车辆换道导致的1。通过提前预测旁车的换道意图来及时调整车辆的跟驰状态，可以降低车辆发生碰撞的风险。当前国内外对于车辆换道方面的研究主要集中在车辆换道意图识别和轨迹预测两个方向，且研究对象为自车，较少学者通过分析相邻车道的换道意图来调整自车与前车的跟驰行为。文献 2 将 NGSIM3（next generation simulation）数据集作为模型的训练集与测试集，从中提取出当前车辆与相邻车辆的相对纵/横向速度、加速度、距离等六个特征参数作为贝叶斯网络的节点进行模型训练，利用贝叶斯网络在处理分类问题上的优势来预测车辆的换道意图。文献4 提出了一种基于LSTM的车辆换道意图与车辆轨迹预测模型，具有良好的预判性和精确率。文献 5 基于模糊预测决策分析了相邻车辆的并道意图，当横向间距较小时，纵向相对速度越大相邻车辆越容易并道，但未进行量化表达。文献 6 通过试验车辆在高速公路采集车辆行驶换道数据，从中筛选车辆之间的特征参数来构建旁车并道意图预测模型，利用预测模型所得结果对现有的跟驰模型进行了改进。本文针对高速路上车辆跟驰过程中出现相邻车道车辆突然并道这一现象，分析旁车驾驶行为及其对当前车辆跟驰状态的影响。构建基于LSTM网络的车辆换道意图识别模型，以车辆行驶轨迹数据作为输入，分析旁车并道意图，并基于意图识别结果对车辆的跟驰状态进行调整。1换道意图识别模型本文采用LSTM网络构建旁车换道意图识别模型，以车辆历史轨迹数据作为模型的输入I，C=(c1,c2,c3)表示换道意图类别向量。为减少模型训练损失，使用Softmax函数计算出车辆换道意图（向左并道、直行、向右并道）的概率矩阵=(1+2+3)，其中i(i=1,2,3)表示 10胡哲铭等：基于LSTM的车辆并道意图识别及跟驰模型改进研究第12期三类换道意图的输出概率P(ci|I)，换道意图识别模型的输出可以表示为i=(ci|I),=(1,2,3)（1）如果直接将所得概率输出将会得到一个三分类模型，为提高模型自信度，对模型的输出增加一个确信阈值判断机制：将换道和直行的确信阈值分别设定为80%和70%，当其中一类的换道意图概率超过确信阈值，则认为该换道意图为确信意图，并将其概率i设为100，其余两类概率j(j i)调整为0%。其中模型的输入信息I主要包括被预测车辆状态信息与环境信息，输入量表示为I(t)=S()te,E()t,t=(T-Tp,T-1,T)（2）其中：S()te表示车辆的历史轨迹信息；E()t表示被预测车辆周车环境信息；T表示历史时域。如图1所示，车辆状态信息主要选取被预测车辆的坐标(x()t,y()t)和t时刻该车辆的绝对速度v(t)e，表示为S()te=(x()t,y()t,v(t)e)。针对高速路上普遍情况，任意选取一辆车辆作为被预测车辆Se，选取被预测车辆左前、正前、右前、左后、正后、右后方6个车辆状态信息S()tsi=(x(t)i,y(t)i,v(t)i)与被预测车辆的两个标志位共同组成被预测车辆的环境信息E(t)=(S()ts1,S()ts2,S()ts3,S()ts4,S()ts5,S()ts6,M()tr,M()tl)，其中(x(t)i,y(t)i)表示第i位置车辆与被预测车辆的坐标偏移，v(t)i表示第i位置车辆在t时刻的绝对速度；(M()tr,M()tl)分别表示右车道和左车道的标志位（若右（左）方有车道，则将M()tr（M()tl）设定为1，否则为0）。需要注意的是，当在t时刻，第i位置不存在车辆时，则将该位置的车辆状态信息设为x(t)i=0,y(t)i=+,v(t)i=v(t)e。Ss4Ss5Ss1Ss2Ss3Ss6SeVe图 1被预测车辆周身环境示意图意图识别模型参数选定：合适的超参数对于模型的性能有着不可忽略的影响，本文选取的模型参数见表1。表 1网络参数设置参数类型LSTM超参数输入输入维度优化方法学习率Dropout名称LSTM层数神经元个数全连接层层数神经元个数取值251211223044Adam0.0050.22数据处理与实验分析2 2.1 1数据准备数据准备本文采用NGSIM数据集作为试验的基础样本数据，该数据集记录了摩托车、小型车以及大型车三类车辆在特定路段的车辆行驶轨迹信息，以及各个参与车辆的车身参数、车辆位置、运动状态等信息，NGSIM原始数据描述见表2。表 2NGSIM原始数据描述字段Global_TimeVehicle_IDLocal_XLocal_YV_ClassV_VelV_AccLane_ID数据描述全局时间戳车辆ID车头中心点到检测路段左侧边缘的横向距离车头中心点到检测路段起点的纵向距离车辆类型：1（摩托车）、2（小汽车）、3（大货车）车辆速度车辆加速度车道编号单位msfeetfeetfeets-1Feets-2NGSIM 数据集中的 US101路段结构如图 2所示，该路段检测区间共计640 m，数据采样频率为10 Hz，车道宽度为12 ft，约3.66 m，其中68车道分别为集散车道和匝道出入口，15车道为高速主车道。11现代计算机2023年主车道车道1车道2车道3车道4车道5集散车道6车道7车道8入口出口行车方向640m176m213m251m 图 2US101路网结构2 2.2 2数据筛选与特征提取数据筛选与特征提取由于各类车型的运动模型和状态参数并不一致，且行驶的性能也有所差别，本文仅选取小型汽车作为本文的样本数据，剔除摩托车和大型车辆的行驶轨迹数据。由图2可知，发生在68车道上的车量换道行为大多数均为车辆上下高速时发生的强制换道过程，因此本研究考虑的数据仅包含15车道行驶数据，并删除5车道与6车道相互间的换道数据。此外，在实际的驾驶过程中，一段完整的驾驶数据大部分为冗余数据，因此将原数据集的采样频率调整为5 Hz（在原数据集的基础上每隔一个点采样一次），以减少模型运算成本。最后采用卡尔曼滤波器对数据进行平滑处理，以减少原始数据的扰动与噪声，以Vehicle_ID=2车辆为例，数据预处理前后对比如图3所示。图 3数据预处理前后对比为了能够正确地提取出换道数据，还需要为基础数据集增添车辆的换道标签，将车辆的轨迹数据进行标签处理，标签分类为：左换道、右换道、直行。图4所示为某一车辆Si的换道轨迹，为了区分该轨迹的换道类别，具体操作如下：（1）确定换道点并计算出航向角：根据车辆换道轨迹，选取车辆行驶轨迹与车道线的交点作为换道点，到达换道点的时刻定义为换道时刻t，并根据公式（3）求得t时刻该车辆的航向角。=arctan()local_x(t)-local_x(t-3)local_y(t)-local_y(t-3)（3）（2）计算换道起点与换道终点：选定=1.5作为航向角变化阈值，根据换道过程中车辆航向角的变化来确定车辆行驶轨迹的换道起点与换道终点，其中换道起点到换道终点之间的轨迹标记为换道过程点。具体步骤：当确定换道终点时，从确定的换道点开始对车辆行驶轨迹进 行 正 向 遍 历 并 求 得 每 个 时 刻 的 航 向 角i(i T,T为车辆轨迹时间序列)，当遍历到 3 个连续采样点对应的航向角变化量|i 时，则停止遍历，并将第一次达到变化阈值的位置标记为换道终点，同理可以求得该轨迹的换道起点。（3）在得到换道样本后，为解决每个换道样本序列的长度不一致问题，本文利用滑动窗口的思想提取出长度一致的换道样本。具体来说，将时间步长设定为3 s，每个序列的采样个数为30个，对最后一个采样点进行标签分类，具体分为左换道、右换道和直行序列。Se换道过程点换道起点换道终点航向角Si SeSi图 4车辆轨迹分类依据2 2.3 3试验分析试验分析根据实际数据提取结果，所得样本序列共有164257条序列，其中直行序列111515条，右转序列28549条，左转序列24238条。从上述数据可知直行序列远远多于换道序列，为了保证模型验证的有效性，从中均匀选取出24000条数据，按照82的比例随机分成训练样本和测试样本，并将得到的训练集与测试集进行标准化 12胡哲铭等：基于LSTM的车辆并道意图识别及跟驰模型改进研究第12期以方便模型训练。意图识别模型的识别结果直接关系到跟驰模型优化的结果。为验证基于LSTM的意图识别模型性能，本文选取SVM模型7作为模型好坏评判的基准模型，从精确率、召回率、F1-分数和准确率四个方向对两个模型进行了比较。预测模型结果见表3。从表3可以看出，基于LSTM的模型在各项指标上均接近90%及以上，且LSTM的意图识别模型在四项指标上均优于SVM模型。经观察发现，实验中有小部分样本出现误判的情况，分析原因可能是在车辆行驶过程中，部分车辆在变道时过于平滑，使得变道过程拉长从而被误判为直线行驶；或是车辆受到扰动使得车辆运动状态产生较大波动以及车辆尝试变道但未成功而被误判成换道行为。表 3模型结果对比评估指标换道意图直线行驶向右换道向左换道精确率LSTM0.96790.91270.9145SVM0.90150.90660.9032召回率LSTM0.96740.86830.8636SVM0.91140.83490.8328F1-分数LSTM0.96580.87580.8707SVM0.92530.86930.8665准确率LSTM0.9447SVM0.9019此外，为了能够帮助主车提前识别出旁车的并道意图，还需要分析意图识别模型在不同预判时间下换道意图识别的准确率。本文选取车辆换道前3 s的序列（从换道点向前每隔0.5 s选取一次样本）作为输入，比较模型在换道前不同时刻的识别精度，如图5所示。95908580757065600.00.51.01.52.02.53.0Predicting Time/sAccuracy/%图 5模型预测时间-准确率从图5可以得出，随着车辆驶近换道点，模型换道意图预测的准确率逐渐增大。当车辆距离到达换道点还有1 s时，模型识别车辆换道意图的准确率可以达到80%；当车辆到达换道点时，模型识别的准确率高达96%。车辆在高速公路上的平均换道时间为 3.5 s6.5 s，平均每4.5 s可以完成一次车辆换道8。考虑到车辆在实际换道过程中，换道前所花的时间大于换道后调整车辆运动状态所花的时间，假设车辆换道前后所占时间比例为73，则意图识别模型在旁车到达换道点之前2 s便能做出预测。总体来看，本文所提基于LSTM的意图识别模型具有良好的预测效果，能为后续的跟驰模型改进工作提供有效的帮助。3考虑旁车并道的跟驰模型改进3 3.1 1跟驰模型的选择跟驰模型的选择跟驰模型理论主要用于描述驾驶人在行驶过程中跟驰前方车辆的驾驶行为，可以较好地反映前车运动状态变化引起自车状态变化的过程。根据这种反应机理可以将现有的跟驰模型分为安全距离跟驰模型和期望间距跟驰模型。前者通过分析车辆的制动性能与驾驶人操纵延迟等因素得出车辆的理论安全跟驰距离，常用于测试车辆安全特性的驾驶场景，并不适用于高速驾驶中的跟驰场景9；相较于安全距离跟驰模型，期望间距跟驰模型在保障车辆安全跟驰的前提下，以车辆相对速度作为刺激标准，实时反映驾驶员的期望跟驰距离10，更能反映高速行驶过程中车辆的跟驰特性。本文选取智能驾驶模型（intelligent drivermodel,IDM）作为车辆跟驰模型，IDM于2000年由Treiber提出，该模型能够较好地反映车辆期 13现代计算机2023年望跟驰距离11，IDM的基本形式为an()t=a 1-()vnv0-()s*(vn,vn)sn2（4）s*()vn,vn=s0+vnT+vnvn2ab（5）sn=xn-1-xn-ln-1（6）vn=vn-vn-1（7）为避免期望跟驰距离s*()vn,vn出现负值，还需要对s*()vn,vn进行修改：s*()vn,vn=s0+max(0,vnT+vnvn2ab)（8）式中涉及的参数含义和取值见表4：表 4IDM参数含义和取值参数/（单位）an()t/(m s-2)v0/(km h-1)sn/kms0/kms*()vn，vn/kma/(m s-2)b/(m s-2)T/s含义车辆n在t时刻的加速度车辆期望速度车辆实际跟驰距离车辆静止安全距离参数期望跟驰距离车辆最大加速度车辆舒适制动减速度安全车头时距加速度指数取值2.01.42.01.54.03 3.2 2跟跟驰模型的改进驰模型的改进为更好地描述高速场景下车辆的跟驰变道行为，本文以主车相邻车道的右前方车辆并道至主车与原跟驰目标车辆中间作为研究场景。如图6所示，在旁车F进行并道行为之前，主车S与前方车辆L处于稳定跟驰状态，当F车进行换道行为并到达换道点时，S车会将跟驰目标由L车切换至F车。SFL SFL图 6车辆并道场景通过第 2节所建立的车辆并道意图识别模型，可以实现在旁车到达换道点前2 s时预测旁车的并道行为。当感知到旁车的并道意图时，主车驾驶员会通过控制车辆的制动踏板和加速踏板以调整车辆跟驰距离。由文献 12 的研究结果可知：当主车S识别到旁车F产生横向位移0.6 s时，即可判断出F是否会进行换道行为。若识别出F车的换道意图，将对S车实施0.5 m/s2的减速度；若F车放弃并道，则S车继续跟驰前车L，若F车在发生单侧横向位移0.6 s时仍判断为并道，则将S车的跟驰目标由L车切换至F车，同时计算F车到S车的纵向间距并依据IDM期望间距s*调整主车运动状态参数。依据文献 8 的调查结果，车辆平均换道时间为4.5 s，结合第2节的试验结果可以计算出改进后模型的跟驰目标切换时间比原模型早2 s。3 3.3 3跟驰模型改进前后仿真对比跟驰模型改进前后仿真对比Prescan是汽车辅助驾驶系统和主动安全系统开发验证的仿真工具，本文采用 Prescan 与MATLAN/Simulink对上述跟驰过程进行联合仿真。为真实还原 NGSIM 数据集采集原始场景，本文按照US101路段结构图对该路网进行11复现，仿真测试场景如图7所示，以典型跟驰并道场景为例，从PreScan中选取三辆与样本相匹配的车辆并对车身参数进行校正；设定前车L始终保持80 km/h的速度匀速行驶，S车初始速度为80 km/h，F车并道之前，S车与L车保持稳定跟驰状态，F车在并道前以80 km/h的速度匀速行驶，完成并道后速度按照以下规则调控：以2 m/s的减速度将车速降低到60 km/h行驶30 s，加速至 80 km/h 行驶 20s，最终加速至 100 km/h后保持匀速行驶。F车并入主车S车车道时初始纵向间距为 80 m，设定期望跟驰距离为 85 m。仿真选取激光雷达与毫米波雷达组合扫描的方式获取前方车辆运动参数。图 7PreScan仿真场景 14胡哲铭等：基于LSTM的车辆并道意图识别及跟驰模型改进研究第12期依次将选取的IDM与上述改进的IDM分别导入 Simulink 中进行仿真试验，并将车辆跟驰间距、速度、加速度综合进行对比。原IDM跟驰模型与改进后跟驰模型仿真结果如图8图10所示。对比仿真结果，改进前后的IDM都能在旁车并道后完成跟随目标的切换和正常控制，但是两者响应有些区别。整体来看改进后的IDM能够通过意图识别预测模型提前对旁车的并道行为作出反应，从而更舒适地完成跟随目标的切换。从图8可以看出：在F车辆并入后车速骤减时，原跟驰模型不能够及时感知前车的变化，使得跟驰间距低于改进后实际跟驰距离，继而导致整个跟驰过程中原跟驰模型的实际跟驰距离振幅大于改进后IDM。160140120100806040050100150200250跟车距离/m采样时间/s期望跟车距离改进前跟车距离改进后跟车距离图 8跟车距离仿真结果将速度变化曲线拐点作为实施车辆控制的时间点，根据图 9可以发现基于改进后 IDM 控制的车辆首次制动时间为 16.9658 s，基于原IDM 控制的车辆首次制动时间为 19.0355 s，改进后IDM实际控制时间比原IDM快2.0697 s，改进后IDM的速度曲线相比于原IDM速度曲线更加贴合前车速度变化曲线，符合理论预测结果。1101009080706050020406080100120140160跟驰速度/（km/h）采样时间/s前车距离改进前跟驰距离改进后跟驰距离图 9车辆速度仿真结果同时，仿真得到了跟驰模型改进前后被控车辆的加速度仿真结果对比曲线，如图10所示。通过分析加速度仿真结果，在实施车辆制动时，原IDM由于不能提前预测旁车的并道意图，为保证车辆的安全跟驰距离，在制动与加速方面会比改进后IDM激进。在随后的车速调控过程中，改进后IDM的加速度变化量均小于改进前IDM对应的值。采样时间/（0.05 s）10.50-0.5-1-1.5-2050100150200250300改进前跟驰加速度改进后跟驰加速度图 10车辆加速度仿真结果4结语（1）本文设计了一种基于LSTM的意图识别模型，该模型能够较为准确地对被预测车辆的换道意图进行预测。相比于传统基于SVM的意图识别模型，本文所构建预测模型经NGSIM数据集的训练与测试，在准确率、召回率、F1-分数等各项指标上均有提升。实验结果表明，本文所构建基于LSTM的意图识别模型具有良好的预测效果，能为后续的跟驰模型改进工作提供有效的帮助。（2）对旁车的并道意图进行识别能够有效帮助主车更好地控制自车与前车的跟驰行为。通过对比改进前后跟驰模型的仿真结果可知，改进后的IDM能够根据预测模型识别结果提前采取相应控制策略，且速度控制更加平稳，使驾驶舒适度得到提升。（3）本文训练样本仅为小型汽车在高速公路直线行驶的数据，因此具有一定的局限性，后续的研究将尝试在弯道场景和复杂路况对模型进行验证并做进一步的优化。15现代计算机2023年参考文献：1 于扬，梁军，陈龙，等.基于高斯混合隐马尔科夫模型与人工神经网络的紧急换道行为预测方法 J.中国机械工程，2020，31（23）：28742882，2890.2 姜顺明，匡志豪，王奕轩，等.基于贝叶斯网络的车辆并线意图识别 J.河南科技大学学报（自然科学版），2021，42（5）：3944，6.3 COIFMAN B，LI L.A critical evaluation of the NextGeneration Simulation（NGSIM）vehicle trajectorydataset J.Transportation Research Part B：Methodological，2017（105）：362377.4 季学武，费聪，何祥坤，等.基于LSTM网络的驾驶意图识别及车辆轨迹预测J.中国公路学报，2019，32（6）：3442.5 BRIESE L E，PAUL A B，SCHNEPPER K.Multidisciplinary modeling and simulation framework forlaunch vehicle system dynamics and control J.ActaAstronautica，2020，170：652664.6 付锐，袁小慧，郭应时，等.相邻车道车辆并道预测与跟车控制改进的研究 J.汽车工程，2017，39（10）：11061113.7 CORTES C，VAPNIK V.Supportvector networksJ.Machine Learning，1995，20：273297.8 TIJERINA L，GARROTT W R，STOLTZFUS D，et al.Eye glance behavior of van and passenger cardrivers during lane change decision phaseJ.Transportation Research Record：Journal of the Transportation Research Board，2005，1937（1）：3743.9 KOMETANI E，SASAKI T.Dynamic behavior oftraffic with a nonlinear spacingspeed relationshipCProceeding of the Symposium on Theory ofTraffic Flow，New York：Elsevier，1959：105119.10 CHANDLER R E，HERMAN R，MONTROLL EW.Traffic dynamics：studies in car following J.Operations Research，1958，6（2）：165184.11 TREIBER M，HENNECKE A，HELBING D.Congested traffic states in empirical observations and microscopic simulations J.Physical review.E，Statistical Physics，Plasmas，Fluids，and Related Interdisciplinary，2000，62（2）：18051824.12 DUAN Y，YISHENG L V，WANG F Y.Travel timeprediction with LSTM neural network C Proceedings of the 2016 IEEE 19th International Conferenceon Intelligent Transportation Systems（ITSC）.IEEE，2016：10531058.A study on LSTMbased vehicle merging intention recognition andfollowing model improvementHu Zheming*,Luo Jianwei,Zheng Kaichao（School of Automation,Guangdong University of Technology,Guangzhou 510006,China）Abstract:In the process of vehicle following,the unreasonable merging behavior of the bystander vehicle is easy to cause traffic accidents.The article constructs a vehicle merging intention recognition model based on LSTM,analyzes the merging intentionof the bystander vehicle by using vehicle trajectory data as input,and improves the vehicle expectation distance following modelbased on the intention recognition results.The results show that the LSTMbased intention recognition model can sense the mergingbehavior of bystanders 2s in advance and the prediction accuracy can reach 94.47%.The improved IDM can advance the corresponding control strategy based on the prediction model identification results,and the speed control is smoother,so that the drivingcomfort is improved.Keywords:LSTM;intention recognition;following model 16