CN109471436A - 基于混合高斯-隐马尔科夫模型的换道模型参数优化方法 - Google Patents

Abstract

本发明涉及一种基于混合高斯‑隐马尔科夫模型的换道模型参数优化方法，通过对本车和周围车辆运行状态的分析，建立了基于隐马尔可夫模型的驾驶换道意图识别方法，即用可观测的换道表征参数观测状态来实现隐含的驾驶员换道意图的预测；并以NGSIM数据集中的高速公路车辆数据库为基础，提取换道表征参数样本，并应用MATLAB中HMM工具箱编写算法进行对隐马尔科夫模型的训练和验证，以及利用粒子群算法进行混合高斯模型个数和状态个数的优化，利用粒子群算法进行混合高斯模型个数和状态个数的优化，以此来提高驾驶员换道意图识别的准确率；最终对驾驶员换道意图的预测结果取得到了较好的准确率。

Description

基于混合高斯-隐马尔科夫模型的换道模型参数优化方法

技术领域

本发明涉及一种无人驾驶技术，特别涉及一种基于混合高斯-隐马尔科夫模型的换道模型参数优化方法。

背景技术

无人驾驶是未来汽车的主要发展方向之一，无人驾驶车辆研究对于保证道路交通安全，提高道路通行能力，保护人民财产安全具有重要意义。

无人驾驶是集环境感知与认知、动态规划与决策、行为控制与执行等多项功能于一体的综合技术，其中感知和认知是无人驾驶中最关键的环节之一，是进行正确规划与决策的前提。然而在实际应用中很难通过建立准确的驾驶员认知行为模型，特别是换道行为模型，它属于常用的但很难提前识别的驾驶行为，尤其是在高速公路环境中，如果驾驶人操作失误更容易引发严重的交通事故。所以提前识别驾驶员的换道意图行为，且并可能的提高识别的准确率变得尤为重要。

统计资料显示，车辆不恰当的换道行为是道路交通事故和交通拥堵的主要因素，尤其在复杂动态的交通环境下，车辆的换道空间具有明显的差异性。同时，无人驾驶是当前汽车的主要研究方向，在无人驾驶中面临着，最为重要的研究问题是在什么样的交通场景下应该进行换道操作？在未来无人驾驶必然面临如何进行智能换道决策的问题。如果换道不合理，或者换道策略与人的换道思维差异较大，那么会让人对无人驾驶机器产生不信任感。因此，在何种情况下，进行换道，使其换道行为具有拟人化，能够满足人的信任，同时对于保证车辆行驶安全、提高道路通行能力、改善绿色生态驾驶环境具有重要意义。

常用的隐马尔科夫模型的驾驶人换道意图识别算法，在进行HMM(隐马尔科夫)模型训练时，混合高斯模型个数和状态个数的确定具有较强的主观性，通常都是根据经验设定混合高斯模型个数和状态个数，同时该两个参数对模型的识别准确率有较大的影响。

发明内容

本发明是针对基于隐马尔科夫模型的驾驶人换道意图识别算法中HMM的模型结构参数是凭经验设定的，设定的不合理使得最终的模型结构不是最好的问题，提出了一种基于混合高斯-隐马尔科夫模型的换道模型参数优化方法，利用粒子群算法进行混合高斯模型个数和状态个数的优化，以此来提高驾驶员换道意图识别的准确率。并将优化好的驾驶员换道意图识别模型运用到无人驾驶感知模块中去，为无人驾驶换道规划与决策更好的服务，对无人驾驶的研究具有重要意义。

本发明的技术方案为：一种基于混合高斯-隐马尔科夫模型的换道模型参数优化方法，具体包括如下步骤：

1)换道意图识别模型的建立：

1.1)设定观测状态参数：换道车辆速度v、换道车辆与换道车辆前方车辆之间的直线距离G_fo、换道车辆与换道车辆后方车辆之间的直线距离G_ro、目标车道上换道车辆S前方车辆与换道车辆之间的直线距离G_ft、为目标车道上换道车辆后方车辆与换道车辆的直线距离G_rt、换道车辆前方车辆与换道车辆的速度差v_fo、换道车辆后方车辆与换道车辆的速度差v_ro、为目标车道上换道车辆前方车辆与换道车辆的速度差v_ft、为目标车道上换道车辆后方车辆与换道车辆的速度差v_rt共9个量作为观测状态参数；

1.2)换道数据的提取及处理：从公开数据库提取车辆轨迹数据，然后采用对称指数移动平均法对轨迹数据进行平滑处理，最后设定筛选规则，筛选出满足要求的换道轨迹数据，将其分为两组，一组用于训练，一组用于验证；

2)基于隐马尔科夫模型算法的建立：

2.1)隐马尔科夫模型及参数：

隐马尔科夫模型包含两组状态集合和三组概率集合，表示为λ＝{N,M,A,B,π}，其中，N代表HMM的隐含状态数目，S＝{s₁,s₂,...,s_N}为状态集合；M表示可观察值的数目，观察值组合的集合V＝{v₁,v₂,...,v_m}；A＝[a_ij]，a_ij＝p(q_t+1＝s_j/q_t＝s_i)表示状态转移概率，a_ij表示由状态s_i转移到状态s_j的概率，且满足a_ij>0，B＝[b_ik]，b_ik表示在状态s_i下出现观察值v_k的概率；π＝[π_i]，π_i＝p₀(q_t＝s_i)表示初始状态分布概率并且满足∑π_i＝1；

参数：

行驶状态有换道和直行两种，故N＝2；

通过观测信息来推断驾驶状态，用参数表示可观察状态的数目，故M＝9；

A表示换道和直行这2个隐状态相互间的转移概率组成的矩阵，即状态转移概率矩阵；

B表示由车间距离G_fo，G_ro，G_rt，G_ft，换道车辆速度v,速度差v_fo，v_ro，v_rt，v_ft组成的观测值概率矩阵，即输出概率转移矩阵；

初始某个驾驶状态的概率矩阵，在满足马尔可夫链的条件下采用随机或均匀取值对其始化，因此采用均值法得到π＝[1/2 1/2]，即初始状态分布概率矩阵；

2.2)隐马尔科夫采用前-后向算法迭代求解的方法来进行模型的训练：将隐马尔科夫工具箱添加到MATLAB中，利用MATLAB编程实现批量导入学习训练样本进行步骤2.1)模型的训练，进而学习训练得到的训练后换道数据模型参数A、B、π；

3)用验证换道轨迹数据，对步骤2.2)训练后隐马尔科夫模型，利用Viterbi算法进行隐藏状态的解码识别，解码2个驾驶行为对应的概率值中最大值代表此时预测出来的驾驶行为，并得到训练后隐马尔科夫模型的换道数据和非换道数据识别正确率；

4)针对步骤3)验证结果，利用粒子群算法对训练时隐马尔科夫模型中混合高斯模型个数和状态个数同时进行优化，得到最佳的混合高斯模型个数和状态个数带入隐马尔科夫模型，再进一步训练优化换道数据模型参数A、B、π，得到最终的换道意图识别模型用于换道识别。

本发明的有益效果在于：本发明基于混合高斯-隐马尔科夫模型的换道模型参数优化方法，通过对本车和周围车辆运行状态的分析，建立了基于隐马尔可夫模型的驾驶换道意图识别方法，即用可观测的换道表征参数观测状态来实现隐含的驾驶员换道意图的预测；并以NGSIM数据集中的高速公路车辆数据库为基础，提取换道表征参数样本，并应用MATLAB中HMM工具箱编写算法进行对隐马尔科夫模型的训练和验证，以及利用粒子群算法进行混合高斯模型个数和状态个数的优化，利用粒子群算法进行混合高斯模型个数和状态个数的优化，以此来提高驾驶员换道意图识别的准确率；最终对驾驶员换道意图的预测结果取得到了较好的准确率。

附图说明

图1为本发明换道车辆示意图；

图2为I-80检测路段示意图图；

图3为US-101检测路段示意图；

图4为所有换道车辆轨迹图；

图5为本发明换道车辆行驶轨迹图；

图6为本发明换道车辆速度图；

图7为本发明换道车辆周围车辆的轨迹图；

图8为本发明换道车辆的周围车辆的速度信息图；

图9为本发明整个优化模型的结构示意图；

图10为PSO的优化算法原理图。

具体实施方式

1、换道意图识别模型的建立

为了识别当前驾驶行为，通过分析车辆在换道阶段的特征与规律，选择换道车辆速度，换道车辆与原始车道前后方车辆，与目标车辆前后方车辆的车间距离及速度差9个量作为观测状态参数，并选取换道和直行作为隐含的状态参数，由此建立了用观测状态来获取隐含状态即驾驶员换道意图识别模型。如下图1所示换道车辆示意图。其中G_fo为换道车辆S与换道车辆前方车辆之间的直线距离；G_ro为换道车辆S与换道车辆后方车辆之间的直线距离；G_ft为目标车道上换道车辆S前方车辆与换道车辆S之间的直线距离；G_rt为目标车道上换道车辆S后方车辆与换道车辆的直线距离；v_fo为换道车辆前方车辆与换道车辆S的速度差；v_ro为换道车辆后方车辆与换道车辆S的速度差；v_ft为目标车道上换道车辆S前方车辆与换道车辆S的速度差；v_rt为目标车道上换道车辆S后方车辆与换道车辆S的速度差。

1)换道数据的提取及处理

用于训练及验证HMM的车辆轨迹数据来源于美国公开数据库—NGSIM(nextgeneration simulation)中两个高速公路数据集，分别为美国加利福利亚州洛杉矶101号公路(US-101)和埃默里维尔80号州际高速公路(I-80)由南向北行驶路段的车辆轨迹数据。将提取的NGSIM数据库数据分为两部分，一部分用来训练隐马尔科夫模型，一部分用来验证模型的有效性。

2)NGSIM数据库的介绍

NGSIM数据库是由美国联邦公路局于2005年4月13日通过使用多台高空照相机以每秒10帧的频率对交通路况进行拍摄，再通过图像处理技术获得车辆位置、速度、加速度等数据的公开数据库。选取I-80和US-101路段车辆轨迹数据集为研究数据，数据采集的时间间隔为0.1s。每一个采集样本含有13个属性，包括车辆编号，所属车道，纵向坐标，横向坐标，速度，加速度，时间，车辆类型，车身长度，前车编号，与前车车头间距，与前车车头时距。2路段均由5条主路车道、1条集散车道、1条入口匝道和1条出口匝道构成。如下图2，3所示I-80和US-101检测路段示意图：

3)数据的筛选

由于NGSIM数据库中的车辆轨迹数据并不全部满足要求，所以为明确研究对象，筛选出满足要求的换道轨迹数据，筛选规则如下：

1、仅考虑原始车道为2,3,4,5的主体车辆,因为发生在1,6车道的变道行为可能属于强制性换道，会对模型的建立产生干扰；

2、在检测时段内，小汽车占比约97％，卡车、摩托车由于样本较小且换道行为方式与乘用车不同，故不做考虑，选取小汽车为研究对象，即滤除车长小于3米或大于7米的数据；

3、过滤掉间距小于6m(表明车辆处于过度拥挤状态)或大于30m(表明车辆处于自由流动状态)的所有轨迹，因为过度拥塞或自由流动中的车道变化可能不遵循普遍模式；

4、为获取完整的单次换道行为，增加时间约束和横向位置约束对错误类型进行剔除，例如车辆正在尝试到达目标车道，刚越过车道线，但被周围的车辆阻挡，又折回原车道。

在MATLAB中，对换道规则进行算法的编写，从I-80和US-101数据中提取了符合要求的543个车道变换场景，所有换道车辆的轨迹图如图4所示。其中以一辆车为例，换道车辆的轨迹如下图5，换道车辆的速度变化趋势如图6所示，换道车辆与周围车辆之间可观测的观测参数信息如下图7(换道车辆周围车辆的轨迹)，图8(换道车辆的周围车辆的速度)所示。

2、基于隐马尔科夫模型算法的建立

为了获得模拟换道驾驶意图的HMM模型，需要基于NGSIM数据库中提取的换道数据，并利用MATLAB中HMM工具箱编写算法对HMM模型进行训练，以获得模型参数状态概率分布，状态概率转移矩阵以及输出概率转移矩阵。

1)HMM模型及参数

隐马尔可夫模型(Hidden Markov Model)是一种统计模型，主要用来描述一个含有隐含的状态未知参数的马尔科夫过程。其过程是一个双重随机过程，其中一重随机过程不能直接观察到，通过状态转移概率矩阵描述。另一重随机过程输出可以观察到的观察符号，这由输出概率来定义。其应用是从外在观察序列辨识内在不可见状态，即从可观察的参数中确定该过程的隐含参数。

驾驶过程中驾驶人下一状态的驾驶行为是不可观测的，但换道车辆和周围车辆的行驶状态信息是可观测的，即换道行为预测本质就是利用可观测的换道表征参数信息预测不可见的即将实施的驾驶行为，同时隐马尔可夫模型的双重随机过程特性也非常符合驾驶过程中驾驶人驾驶行为形成特点。因此，采用隐马尔可夫模型来构建驾驶人换道意图预测模型是不错的选择。

隐马尔科夫模型包含两组状态集合和三组概率集合，可以表示为λ＝{N,M,A,B,π}，其中，N代表HMM的隐含状态数目，S＝{s₁,s₂,...,s_N}为状态集合。M表示可观察值的数目，观察值组合的集合V＝{v₁,v₂,...,v_m}，A＝[a_ij]，a_ij＝p(q_t+1＝s_j/q_t＝s_i)表示状态转移概率，a_ij表示由状态s_i转移到状态s_j的概率，且满足a_ij>0，B＝[b_ik]，b_ik表示在状态s_i下出现观察值v_k的概率。π＝[π_i]，π_i＝p₀(q_t＝s_i)表示初始状态分布概率并且满足∑π_i＝1。

HMM模型设计如下：

(1)驾驶员的驾驶状态不能直接被观察到，即为HMM中所说的隐含状态，用参数N来表示隐含状态数目，本文为识别换道驾驶意图，行驶状态有换道和直行两种，故N＝2；

(2)虽然驾驶状态是不可观测的，但可以通过观测信息来推断，用参数表示可观察状态的数目，因用到9个换道表征参数，故M＝9；

(3)A表示换道和直行这2个隐状态相互间的转移概率组成的矩阵；

(4)B表示由车间距离G_fo，G_ro，G_rt，G_ft，换道车辆速度v,速度差v_fo，v_ro，v_rt，v_ft组成的观测值概率矩阵；

(5)为初始某个驾驶状态的概率矩阵，由于初始值选取对HMM模型训练最后的收敛结果影响较小，因此可在满足马尔可夫链的条件下采用随机或均匀取值对其始化，因此采用均值法得到π＝[1/2 1/2]。

2)模型参数的获取

对于隐马尔可夫模型的训练，需要用到隐马尔可夫模型中的参数学习问题中的无指导的学习方法，对于隐马尔可夫模型而言，采用无指导的学习方法，没有解析方法。通常要首先给定一组不准确的参数，再通过反复迭代逐步求精的方式调整模型参数，最终使参数稳定在一个可以接受的精度。即HMM采用前-后向算法(Forward-Backward Algorithm)迭代求解的方法来进行模型的训练。将HMM工具箱添加到MATLAB中，利用MATLAB编程实现批量导入300组学习训练样本进行设计后HMM模型的训练，进而学习训练得到的换道数据模型参数：

状态转移概率矩阵A：

初始状态分布概率矩阵π:

输出概率转移矩阵B：

学习训练得到的非换道数据模型参数：

状态转移概率矩阵A1：

初始状态分布概率矩阵π1:

输出概率转移矩阵B1：

3、HMM模型的验证

HMM预测驾驶行为属于HMM的解码应用，为了验证模型训练的有效性，利用Viterbi算法进行隐藏状态的解码识别，解码2个驾驶行为对应的概率值中最大值代表此时预测出来的驾驶行为，为了验证本文提出的算法的正确性，分别利用83组换道数据和120组非换道数据进行了测试验证。测试结果如下所示表1：

表1

4、粒子群优化

由于在进行HMM模型训练时，混合高斯模型个数和状态个数的确定具有较强的主观性，通常都是根据经验设定混合高斯模型个数(用于统计观测量的高斯模型个数)和状态个数，同时该两个参数对模型的识别准确率有较大的影响，因此本发明准备进一步利用粒子群算法对混合高斯模型个数和状态个数同时进行优化。整个优化模型的结构示意图如图9所示。

PSO的优化算法原理图如图10所示，PSO算法的流程：

粒子的初始值是随机初始化的。

1)初始化一群微粒(群体规模为N)，包括随机位置和速度；

2)评价每个微粒的适应度；

3)对每个微粒，将其适应值与其经过的最好位置pbest作比较，如果较好，则将其作为当前的最好位置pbest；

4)对每个微粒，将其适应值与其经过的最好位置gbest作比较，如果较好，则将其作为当前的最好位置gbest；

5)根据下面公式调整微粒速度和位置；

x_i-粒子的当前位置；v_i-粒子的速度；ω-惯性因子；c₁和c₂；学习因子；rand()：介于(0，1)之间的随机数；pbest代表某个群体的最优，gbest代表整个种群的最优；其中，i＝1,2,3,...N,N是此群中粒子的总数。

6)未达到结束条件则转第2)步。

通过上述步骤优化得到最佳的混合高斯模型个数为7和状态个数为2：经过优化后的HMM模型参数为：

换道数据模型参数：

学习训练得到的非换道数据模型参数：

最终结果如表2：

表2

对驾驶员换道意图的识别，采用了基于隐马尔可夫模型理论建立了换道意图识别模型，并针对在进行HMM模型训练时，混合高斯模型个数和状态个数的确定具有较强的主观性，通常都是根据经验设定混合高斯模型个数和状态个数，同时该两个参数对模型的识别准确率有较大的影响的问题，本文采用了PSO粒子群优化算法对混合高斯个数和状态个数进行了优化，使换道意图识别模型正确率进一步得到了提高。

Claims (1)

1.一种基于混合高斯-隐马尔科夫模型的换道模型参数优化方法，其特征在于，具体包括如下步骤：

1)换道意图识别模型的建立：

1.1)设定观测状态参数：换道车辆速度v、换道车辆与换道车辆前方车辆之间的直线距离G_fo、换道车辆与换道车辆后方车辆之间的直线距离G_ro、目标车道上换道车辆S前方车辆与换道车辆之间的直线距离G_ft、为目标车道上换道车辆后方车辆与换道车辆的直线距离G_rt、换道车辆前方车辆与换道车辆的速度差v_fo、换道车辆后方车辆与换道车辆的速度差v_ro、为目标车道上换道车辆前方车辆与换道车辆的速度差v_ft、为目标车道上换道车辆后方车辆与换道车辆的速度差v_rt共9个量作为观测状态参数；

1.2)换道数据的提取及处理：从公开数据库提取车辆轨迹数据，然后采用对称指数移动平均法对轨迹数据进行平滑处理，最后设定筛选规则，筛选出满足要求的换道轨迹数据，将其分为两组，一组用于训练，一组用于验证；

2)基于隐马尔科夫模型算法的建立：

2.1)隐马尔科夫模型及参数：

隐马尔科夫模型包含两组状态集合和三组概率集合，表示为λ＝{N,M,A,B,π}，其中，N代表HMM的隐含状态数目，S＝{s₁,s₂,...,s_N}为状态集合；M表示可观察值的数目，观察值组合的集合V＝{v₁,v₂,...,v_m}；A＝[a_ij]，a_ij＝p(q_t+1＝s_j/q_t＝s_i)表示状态转移概率，a_ij表示由状态s_i转移到状态s_j的概率，且满足a_ij>0，B＝[b_ik]，b_ik表示在状态s_i下出现观察值v_k的概率；π＝[π_i]，π_i＝p₀(q_t＝s_i)表示初始状态分布概率并且满足∑π_i＝1；

参数：

行驶状态有换道和直行两种，故N＝2；

通过观测信息来推断驾驶状态，用参数表示可观察状态的数目，故M＝9；

A表示换道和直行这2个隐状态相互间的转移概率组成的矩阵，即状态转移概率矩阵；

B表示由车间距离G_fo，G_ro，G_rt，G_ft，换道车辆速度v,速度差v_fo，v_ro，v_rt，v_ft组成的观测值概率矩阵，即输出概率转移矩阵；

初始某个驾驶状态的概率矩阵，在满足马尔可夫链的条件下采用随机或均匀取值对其始化，因此采用均值法得到π＝[1/2 1/2]，即初始状态分布概率矩阵；

2.2)隐马尔科夫采用前-后向算法迭代求解的方法来进行模型的训练：将隐马尔科夫工具箱添加到MATLAB中，利用MATLAB编程实现批量导入学习训练样本进行步骤2.1)模型的训练，进而学习训练得到的训练后换道数据模型参数A、B、π；

3)用验证换道轨迹数据，对步骤2.2)训练后隐马尔科夫模型，利用Viterbi算法进行隐藏状态的解码识别，解码2个驾驶行为对应的概率值中最大值代表此时预测出来的驾驶行为，并得到训练后隐马尔科夫模型的换道数据和非换道数据识别正确率；

4)针对步骤3)验证结果，利用粒子群算法对训练时隐马尔科夫模型中混合高斯模型个数和状态个数同时进行优化，得到最佳的混合高斯模型个数和状态个数带入隐马尔科夫模型，再进一步训练优化换道数据模型参数A、B、π，得到最终的换道意图识别模型用于换道识别。