基于行为识别和环境检测的车道变换预警方法研究

Lane changing was a complex driving behavior. If observing ability of drivers was not high or the estimate and event disposal process had deviation, the lane changing course can be easily leading to an accident. Lane changing assistant system need to analyzing the safety of lane change course real time and prompting the driver to take risk avoiding measures. This research will carried out real vehicle test in true traffic conditions. Characterization parameters of driver operation, vehicle running state and traffic conditions during lane changing course were collected synchronously, and lane changing assistant method was researched on the base of this test data. Hidden markov model and support vector machine were used to establish identification models of lane changing. Real road test data were used to establish track model of lane changing course with the purpose of forecasting the line-crossing time. Lane position estimating model based on Kalman filtering was established to identify dangerous targets during lane changing course. Considering the difference of driving manner, lane changing safety evaluating model was established with the method of data mining. The lane changing assist method which was proposed in this research can provide technique support to the development of lane changing assist system.

车道变换是一种复杂的驾驶操作行为，如果驾驶人的观察能力不强，判断决策和事件处置出现偏差，极易诱发交通事故。车道变换预警系统需要实时分析车道变换过程中的安全状态，当出现不安全状况时提示驾驶人采取避险操作防止事故的发生。本项目拟在真实交通环境下进行实车试验，同步采集换道过程中驾驶人操作行为表征参数、车辆运行状态参数与交通环境参数，深入研究车道变换预警方法。采用隐马尔可夫模型与支持向量机理论建立驾驶人换道行为识别模型；根据实测数据建立车道变换轨迹模型，用于预测换道过程中的越线时刻；基于卡尔曼滤波建立自车与其他车辆的车道位置关系判断模型，用于识别换道过程中的潜在威胁目标；考虑不同驾驶风格的影响，采用数据挖掘技术建立换道安全性评估模型。本研究所提出的换道辅助方法能为车道变换辅助系统的开发提供技术支撑。

车道变换行为是引发交通事故的重要因素。选择53名被试进行实际道路试验，被试中包括经验丰富驾驶人以及新手驾驶人、男性驾驶人和女性驾驶人等，先后在浙江湖州市和陕西西安市进行，所选择的试验线路包括G104国道部分路段、G25高速公路部分路段、G40部分路段和西安市三环路部分路段。通过对换道数据进行建模分析，主要的研究内容及成果如下。（1）采用支持向量机方法进行对一般换道行为进行识别，但支持向量机模型通常需要进行优化来提高识别的精度。首先通过使用数据归一化来降低数据计算过程的复杂程度，同时消除量纲差异性。其次，使用主成分分析方法对原始数据进行降维处理，采用第一成分和第二成分构建了新的换道行为表征参数。最后，分析选择合适的支持向量机核函数，并采用遗传算法对核函数的参数进行优化，提高了支持向量机识别模型的精度。结果表明，在1.2秒时窗长度情况下，离散样本的识别成功率达到了97.2%（5%FP）。（2）对不同车速下的实际换道轨迹数据进行拟合，结果表明，所提出的换道轨迹模型拟合精度较高，绝大部分的拟合系数均达到了0.99以上。（3）利用道路曲率估算模型所得到的道路曲率半径值，并结合雷达与车道线识别系统所测量得到的数据，建立了弯道路段情况下自车与周围车辆之间的位置关系辨识模型，分向左转弯和向右转弯分别建立了相应的辨识模型。模型辨识结果与实际监控视频表明，弯道路段车间位置关系辨识模型能够有效辨识其他车辆所行驶的车道信息，同时对其他车辆的换道过程也能实现准确的识别。（4）对每种驾驶人的实际道路驾驶数据进行分析，采用换道过程中的TTC（Time To Collison）和相对距离参数对换道安全性进行评价，统计分析不同驾驶人的换道过程数据，并参考其他研究人员所提出的预警时间阈值，对不同类型驾驶人在不同车速区间内的换道预警值进行了设定。实际数据检验结果表明，所建立的驾驶人风格分类模型能正确区分不同类型的驾驶人、区分驾驶风格的换道预警模型能有效的实现对不同风格驾驶人的预警功能。