CN111599182B - 一种基于自然驾驶数据的换道行为自动提取方法 - Google Patents

Abstract

本发明公开一种基于自然驾驶数据的换道行为自动提取方法，基于定义的换道行为和典型自然驾驶数据制作标准左换道和标准右换道时间序列；然后提取本次待分析的自然驾驶数据，制作车辆中心到参考车道线距离的时间序列；通过计算提取的时间序列与标准左换道、右换道时间序列的动态时间弯曲距离，判断是哪一侧换道。本发明是在分析换道行为基础上结合自然驾驶数据，提出了以车辆与车道线距离为切入点的动态时间弯曲距离匹配的自然驾驶数据换道行为提取方法。该方法相比于斜率比较、欧式距离等相似性度量方法，能够更好的度量两条序列间的形态相似度，且序列可以不等长，大幅提高了换道行为的识别准确率。

Description

一种基于自然驾驶数据的换道行为自动提取方法

技术领域

本发明涉及一种基于自然驾驶数据的换道行为自动提取方法，应用于自动驾驶测试技术领域。

背景技术

随着自动驾驶技术的高速发展，自动驾驶将逐渐接替人在驾驶中的角色，处理越来越复杂的道路交通环境。而换道行为是驾驶需要、驾驶安全、周围车辆、路况因素等多个条件共同影响的结果，换道的车辆将驶离当前行驶的车道，进入相邻的车道。而换道行为也是引发交通事故的一大原因，因此换道行为的研究尤为重要。

自然驾驶研究是指在自然状态下（即无干扰、无实验人员出现、日常驾驶状态下）利用高精度数据采集系统观测、记录驾驶员真实驾驶过程的研究。随着图像技术的发展，自然驾驶数据除了记录驾驶员行为和车辆运动过程，还可记录镜头道路环境和动态交通流要素，实现驾驶交通场景复现。可见，自然驾驶数据相较于场地测试更能体现驾驶员真实驾驶行为。

针对换道行为的提取，已有相关成果体现了在这方面的研究工作。如：《What theDriver’s Eye Tell the Car’s Brain》中分析8669个实车换道样本，自然驾驶数据中虽然会采集转向灯信号可作为换道依据，但转向灯开启概率较低，发现换道时，驾驶员开启转向灯的概率为44%。《A Driver Behavior Recognition Method Based on a Driver ModelFramework》和《基于支持向量机的汽车转向与换道行为识别》分别通过方向盘转角数据和支持向量机识别驾驶员的换道行为，但两者的数据源为驾驶模拟器，驾驶模拟器得到的数据缺少干扰，与实车采集的数据存在较大扰动，会干扰换道行为识别。《Do eye movementsreflect driving maneuvers》中采集驾驶员跟车和换道的眼动数据，研究通过驾驶员眼动行为作为换道意图识别标准，但对于自然驾驶数据采集（需要无干扰），采用眼动仪的方式并不适用。《Lane Change Intent Analysis Using Robust Operators and SparseBayesian Learning》中采用贝叶斯计策的方法，基于车道方向、道路曲率、道路宽度、车辆速度、方向盘转角、车辆加速度、驾驶员头部信息等进行换道意图识别，此方法需要输入的参数较多，其中一个参数采集失效就会影响识别。《Multi-parameter Prediction ofDrivers Lane-changing Behaviour with Neural Network Model》是基于神经网络基于在驾驶员换道前识别换道意图，当获取车辆速度、转向灯信号、与前车的距离、与前车的TTC、与侧后方车辆的距离、航向角时转向识别率可达95%；在获取车辆速度、转向灯信号、与前车的距离、航向角时识别率仅能达到为80%。综上所述，过去换道行为的提取存在以下问题：（1）数据来源非实车采集；（2）实车采集安装设备会对驾驶员行驶有一定影响；（3）需要输入大量参数才能有较高的识别率；（4）需要准确的GPS信息。因此，在实车不干扰驾驶员采集驾驶数据的情况下，输入参数较少时，换道识别的准确率不高。

发明内容

因此，本发明针对现有技术的换道识别方法的不足，提供了一种基于自然驾驶数据的换道行为自动提取方法，该方法所需参数少，准确率高，可用于海量换道场景数据的自动提取。

本发明的技术方案如下：一种基于自然驾驶数据的换道行为自动提取方法，其特征在于，过程如下：

step 1：选取车辆所在车道的左侧或右侧车道线作为参考车道线；

step 2：基于典型自然驾驶数据，预先制作标准左换道时间序列T_sl和标准右换道时间序列T_sr，作为参考标准；

step 3：提取本次待分析的自然驾驶数据，其中包含有车辆中心到参考车道线距离的数据d(t)；

step 4：制作关于车辆中心到参考车道线距离的数据d(t)对应的时间序列T_d；

step 5：在时间序列T_d中寻找车辆中心到参考车道线距离发生跳变的时刻t_c；

step 6：截取t_c向前t_a秒和向后t_b秒一段时间窗[t_c-t_a，t_c+t_b]对应的数据片段d(t_a,t_b)，并记这段数据片段对应的时间序列为T(t_a,t_b)；

step 7：并列计算时间序列T(t_a,t_b)与标准左换道时间序列T_sl的动态时间弯曲距离DTW_l和时间序列T(t_a,t_b)与标准右换道时间序列T_sr的动态时间弯曲距离DTW_r；

1）若DTW_l小于等于设定的距离阈值X，且DTW_r大于设定的距离阈值X，则时间序列T(t_a,t_b)为左换道时间序列，t_c为左换道片段中点对应的时刻，数据片段d(t_a,t_b)是左换道片段对应的数据，记为有效数据片段；

2）若DTW_r小于等于设定的距离阈值X，且DTW_l大于设定的距离阈值X，则时间序列T(t_a,t_b)为右换道时间序列，t_c为右换道片段中点对应的时刻，数据片段d(t_a,t_b)是右换道片段对应的数据，记为有效数据片段；

3）若DTW_r和DTW_l都小于等于设定的距离阈值X，进一步比较DTW_l和DTW_r的大小：

3-1）若DTW_l小于DTW_r，则时间序列T(t_a,t_b)为左换道时间序列，t_c为左换道片段中点对应的时刻，数据片段d(t_a,t_b)是左换道片段对应的数据，记为有效数据片段；

3-2）若DTW_r小于DTW_l，则时间序列T(t_a,t_b)为右换道时间序列，t_c为右换道片段中点对应的时刻，数据片段d(t_a,t_b)是右换道片段对应的数据，记为有效数据片段；

4）若DTW_l和DTW_r都大于设定的距离阈值X，则数据片段d(t_a,t_b) 不是换道数据，为无效数据片段；

step 8：若step 7中存在有效数据片段，再扩大截取时间窗，截取t_c向前 t_forward秒和向后t_backward秒的一段时间窗[t_c-t_forward，t_c+t_backward]对应的数据片段d(t_forward,t_backward)，t_forward＞t_a，t_backward＞t_b，将数据片段d(t_forward,t_backward) 对应保存到左换道或右换道数据库中，完成换道数据的提取。

标准左换道时间序列T_sl和标准右换道时间序列T_sr按如下方法制作：依据定义的左换道和右换道行为，通过视频与数据回放，人工标注出每条换道数据中的换道起点、换道中点和换道止点，并将换道过程等比例压缩或者拉长为平均换道时长，共标注左、右换道数据各若干条，分别求取同一时刻、同一侧换道数据中的车辆中心到参考车道线距离的平均值，通过平均值得到关于距离和时间的函数曲线，即为标准左换道时间序列和标准右换道时间序列。

如果前一时刻的车辆中心到参考车道线距离与后一时刻的车辆中心到参考车道线距离的差值超过了设定的跳变阈值，则认为发生了跳变，跳变阈值小于等于车道宽度。

时间窗 [t_c-t_a，t_c+t_b]小于平均换道时长，对应的时间序列T(t_a,t_b)用于判断左右换道趋势；时间窗[t_c-t_forward，t_c+t_backward]大于平均换道时长，具体大小根据需要截取的数据多少而定。

距离阈值X选取范围为：0.4～0.8。

进一步的，定义一个查全率和查准率：

查全率=提取的换道片段数量÷所有的换道片段数量

查准率=正确提取的换道片段数量÷提取的换道片段数量

当自然驾驶数据较少，预使查全率高，查准率低时，取较大的距离阈值X；

当自然驾驶数据较多，预使查全率低，查准率高时，取较小的距离阈值X。

本发明是在分析了换道行为特点基础之上，结合采集的自然驾驶数据的特点，提出了以车辆与自车道的车道线距离为切入点的基于动态时间弯曲距离匹配的自然驾驶数据换道行为自动提取方法。本发明关注自然驾驶数据的换道片段数据的自动提取，将动态时间弯曲距离引入车辆换道行为的识别和提取中，相比斜率比较、欧式距离等相似性度量方法，动态时间弯曲距离度量能够成功地将两条时间序列的波峰和波谷分别匹配起来，可以更好的度量两条序列间的形态相似度，且序列可以不等长。对于距离阈值的选取，通过查全率和查准率的概念，有针对性的选择，按需所取。因此，引入该方法大幅提高了换道行为的识别准确率。

附图说明

图1为车辆换道过程示意图；

图2a为车辆向左换道时距离左车道线的距离变化示意图；

图2b为车辆向右换道时距离左车道线的距离变化示意图；

图3a为采用欧式距离匹配法测量的度量距离示意图；

图3b为采用动态时间弯曲距离匹配法测量的度量距离示意图；

图4为换道行为自动提取方法流程图。

具体实施方式

下面结合附图和实施例对本发明作详细说明。

本发明所采取的基于自然驾驶数据的换道行为自动提取方法，首先分析换道行为特征。如图1所示，车辆从当前车道换道到目标车道，一个完整的换道过程可分为3个阶段：第1阶段，车辆准备换道；第2阶段，车辆跨越车道线；第3阶段，车辆结束换道。车辆准备换道阶段定义为从车辆首次横向发生偏移，并持续向目标车道移动，直到车辆接触车道线之前的过程；车辆跨越车道线阶段定义为从车辆首次接触车道线，直到车辆跨越至目标车道且车辆恰好刚离开车道线的过程；车辆结束换道阶段定义为从车辆进入目标车道，直至车辆完全回正的过程。

由此可见，换道行为是一段时间内的连续行为，最直接反映换道行为的特征是这段时间内车辆到车道线的距离变化，因此选择车辆到车道线的距离为检测换道行为的特征量。所述车辆到车道线的距离指的是车辆到当前所在车道的某一侧车道线的距离。由于车辆到左车道线的距离和到右车道线的距离为负相关，因此可只选择到左车道线或到右车道线其中的一侧车道线的距离进行分析，可定义所选择的这一侧车道线为参考车道线。

说明：本申请中涉及的车辆到车道线的距离指的是车辆中心到车道线的距离，以下简述为车辆到车道线的距离。

为方便分析，下述实施例选择以左车道线作为参考车道线，以车辆到左车道线的距离为特征量对换道过程进行说明：

车辆向左换道时：在第1阶段，车辆在原车道时，与左车道线的距离逐渐减小；在第2阶段，当车辆接触到左车道线但还没有换道的时刻，车辆与左车道线的距离减小为0，当车辆跨越过左车道线，换道至目标车道的时刻，车辆与左车道线的距离骤然变为最大；在第3阶段，车辆逐渐回正，完成换道，车辆与左车道线的距离逐渐减小，然后趋于稳定。

车辆向右换道时：在第1阶段，车辆在原车道时，与左车道线的距离逐渐增大；在第2阶段，当车辆接触到右车道线但还没有换道的时刻，车辆与左车道线的距离为最大，当车辆跨越过右车道线，换道至目标车道的时刻，车辆与左车道线的距离骤然减小为0；在第3阶段，车辆逐渐回正，完成换道，车辆与左车道线的距离由0逐渐增大，然后趋于稳定。

从图2a、图2b中可以看出，车辆在换道时刻与左车道线的距离会发生跳变，跳变值约等于车道宽度；向左换道时刻，车辆与左车道线的距离由最小向最大跳变，向右换道时刻，车辆与左车道线的距离由最大向最小跳变。

其次，车辆从当前车道换道至目标车道的过程，采集的车辆到左车道线的距离，是按发生的时间先后顺序排列而成的距离数列（形成时间-距离的函数曲线），属于时间序列。由于左换道和右换道时的车辆到车道线的距离变化特征不同，时间序列模式也不同，因此可通过时间序列匹配的方法区分左换道和右换道。时间序列匹配是指比较待匹配的时间序列与标准时间序列的曲线相似性，两条时间序列的相似性可以通过两条时间序列的曲线之间的距离来度量，度量距离越小说明相似性越高，说明两条时间序列的匹配程度越高。

常用的时间序列匹配的方法有欧式距离匹配法和动态时间弯曲距离（DynamicTime Warping，DTW）匹配法，如图3a、图3b所示。欧式距离只适用于等长时间序列相似性匹配，对于非等长的时间序列相似性匹配，动态时间弯曲距离更适合。动态时间弯曲距离匹配法，这种方法规避了等长时间序列匹配需要每个点一一对应的匹配缺陷，能准确的匹配两条序列的波峰和波谷，因此非常适合用于非等长的时间序列匹配，且时间序列的偏移、振幅变化等情况具有较高的准确率和较强鲁棒性。动态时间弯曲距离匹配法通常用于声波匹配、手写识别、心电数据检测、零售行业中行为模式匹配、金融行业曲线比较等。由于基于自然驾驶数据的场景提取还是较新的领域，还尚未有应用，因此本发明根据车辆换道行为的车辆到车道线距离的变化特征，利用其非等长的时间序列特性，首次将动态时间弯曲距离匹配法应用于自然驾驶换道行为的识别和提取中，取得了较好的结果。

动态时间弯曲距离匹配法中，对于两条时间序列T和Q的动态时间弯曲距离DTW(T,Q)，即累积度量距离，表示为：

DTW(T,Q)= γ(n,m);

γ(i, j)= d(t_i, q_j)+min(γ(i-1, j-1), γ(i-1, j), γ(i, j-1)), i∈n,j∈m;

γ(0, 0)=0;

γ(i, 0)= γ(0, j)=∞;

其中，n为时间序列T的长度，m为时间序列Q的长度；γ(n, m)表示整个时间序列长度上的累积度量距离，γ(i, j)表示时间序列T中第i个点与时间序列Q中第j个点的累积度量距离，其他表述依次类推；d(t_i, q_j)表示时间序列T中第i个点与时间序列Q中第j个点的欧式度量距离。

动态时间弯曲就是把两个时间序列进行延伸或缩短，使得两个序列的形态尽可能的一致，得到两个时间序列累积度量距离最短也就是最相似的弯曲，最短的累积度量距离就是这两个时间序列的动态时间弯曲距离。因此定义一个累积度量距离γ，从 (0, 0)开始匹配两个序列，每到一个点，之前所有的点计算的距离都会累加，到达终点(n, m)后，这个累积度量距离就是最后的总的距离γ(n, m)，也就是时间序列T和Q的动态时间弯曲距离。

如图3b所示，本发明选取动态时间弯曲距离匹配法，分别度量车辆可能换道行为的时间序列与标准左换道时间序列、标准右换道时间序列的相似程度，两条序列的动态时间弯曲距离决定了其相似程度，距离越小相似性越高，车辆换道行为的时间序列与标准左换道或标准右换道时间序列中的哪一条相似程度高，就说明是否是换道以及向哪一侧换道。

如图4所示，因此，本发明提供一种基于自然驾驶数据的换道行为自动提取方法，该方法就是采用动态时间弯曲距离匹配法实现，过程如下：

step 1：确定一条参考车道线，以下实施例以左车道线作为度量车辆到车道线距离的参考车道线。

step 2：基于采集的自然驾驶数据，其中包含有左换道行为的车辆到左车道线距离d_sl(t)的数据和右换道行为的车辆到左车道线距离d_sr(t)的数据，据此分别预先制作标准左换道时间序列T_sl和标准右换道时间序列T_sr，作为参考标准。

进一步地，标准左换道时间序列T_sl和标准右换道时间序列T_sr是这样获得的：依据定义的换道行为，通过视频与数据回放，人工标注出每条换道数据中的换道起点、换道中点和换道止点。由于一般换道过程从换道起点到换道止点的平均时长为6-8秒左右，因此人工标注的换道过程需要等比例压缩或者拉长到平均换道时长中（本实施例取7s），人工标注出左、右换道数据各若干条（如各50条，每条换道数据都包含换道起点、换道中点和换道止点三个数据），然后分别将同一时刻的同一侧的换道数据中的车辆到车道线的距离求取平均值，就可得到关于的距离时间序列，分别记为标准左换道时间序列和标准右换道时间序列。

step 3：在本次待分析的自然驾驶数据中，首先判断车辆到左车道线距离的数据d(t)是否存在数据不完整或由于设备问题漏采的情况，如果没有，则该段数据可用；如果有，则丢弃本次数据。

step 4：制作关于车辆到左车道线距离的数据d(t)对应的时间序列T_d。

step 5：在时间序列T_d中寻找车辆到左车道线距离发生跳变的时刻t_c，若存在这样的时刻t_c，则进入step6，否则返回step 3。

说明：跳变指的是车辆到左车道线距离突然发生较大的变化，由于mobileye工具采集的车辆到左车道线距离是以当前车道为基准，例如车辆进行左换道，车辆在换道时刻与左车道线的距离为0，而车辆越过车道线时，换道前的目标车道变为当前车道，车辆与左车道线的距离突然变大，因此存在跳变，跳变阈值通常是根据车道宽度设定的，小于等于车道宽度，标准车道宽度为3.75m，但也存在道路不规范引起的车道较窄的情况，因此可取3m，也可根据实际情况取其他阈值，当车辆到左车道线距离突然变化超过了跳变阈值，认为发生了跳变。

step 6：截取t_c向前t_a秒和向后t_b秒的一段时间窗[t_c-t_a，t_c+t_b]的数据片段，记为d(t_a,t_b)，d(t_a,t_b)∈d(t)，对应地记这段时间序列为T(t_a,t_b)，T(t_a,t_b) ∈T_d。t_a和t_b的时间长短自定义，如向前2.5s，向后2.5s，时间窗[t_c-t_a，t_c+t_b]小于平均换道时长，对应的时间序列T(t_a,t_b)用于判断左右换道趋势。

step 7：计算时间序列T(t_a,t_b)与标准左换道时间序列T_sl的动态时间弯曲距离DTW_l，时间序列T(t_a,t_b)与标准右换道时间序列T_sr的动态时间弯曲距离DTW_r：

1）若时间序列T(t_a,t_b)与标准左换道时间序列T_sl的动态时间弯曲距离DTW_l小于等于设定的距离阈值X，时间序列T(t_a,t_b)与标准右换道时间序列T_sr的动态时间弯曲距离DTW_r大于设定的距离阈值X，则数据片段d(t_a,t_b)判断为左换道片段对应的数据，t_c为左换道片段中点对应的时刻；

2）若时间序列T(t_a,t_b)与标准左换道时间序列T_sl的动态时间弯曲距离DTW_l大于设定的距离阈值X，时间序列T(t_a,t_b)与标准右换道时间序列T_sr的动态时间弯曲距离DTW_r小于等于设定的距离阈值X，则数据片段d(t_a,t_b)为右换道片段对应的数据，t_c为右换道片段中点对应的时刻；

3）若时间序列T(t_a,t_b)与标准左换道时间序列T_sl的动态时间弯曲距离DTW_l小于等于设定的距离阈值X，时间序列T(t_a,t_b)与标准右换道时间序列T_sr的动态时间弯曲距离DTW_r小于等于设定的距离阈值X，则需要再比较DTW_l与DTW_r的大小：

3-1）若DTW_l小于DTW_r，则数据片段d(t_a,t_b)为左换道片段对应的数据；

3-2）若DTW_r小于DTW_l，则数据片段d(t_a,t_b)为右换道片段对应的数据；

4）DTW_l、DTW_r都大于设定的距离阈值X，则数据片段d(t_a,t_b)不是换道数据，记为无效数据片段。

说明：距离阈值X根据经验自确定。

step 8：如果step 7中存在有效换道数据（无论判断为左换道还是右换道都为有效），则再扩大截取时间窗，截取t_c向前 t_forward秒和向后t_backward秒的一段时间窗 [t_c-t_forward，t_c+t_backward]对应的数据片段，记为d(t_forward,t_backward)，t_forward＞t_a，t_backward＞t_b，d(t_forward,t_backward)∈d(t)，t_forward和t_backward也是自定义，比如向前15s，向后15s，[t_c-t_forward，t_c+t_backward]这段时间窗大于平均换道时长，主要大小根据需要截取的数据多少而定，数据片段d(t_forward,t_backward)对应保存到所识别的左换道或右换道数据库中，完成换道数据的提取。

为验证提取方法的有效性，以查全率和查准率两种指标进行效果验证，查全率指所有的换道片段中有多少被算法筛选出来，查准率指所提取的换道数据中有多少是正确的。

查全率=提取的换道片段数量÷所有的换道片段数量

查准率=正确提取的换道片段数量÷提取的换道片段数量

选取一辆车行驶2天的自然驾驶数据（平均每天行驶7.2小时），行驶路段包含城市道路和高速道路，道路类型包含直道和弯道。对于自车行驶状态均可以归为两类：换道和车道内行驶。这些数据中平均每次换道用时7.61秒，共包含了190段左换道，189段右换道，其中11次换道发生在弯道上，368次换掉发生在直道上；139次换道发生在城市道路，240次换道发生在高速道路。

按照前述跳变阈值取3米，第一次截取时间窗为跳变点前后各2.5秒，第二次截取时间窗为跳变点前后各15秒。换道行为自动提取主要基于两个方面：一是找换道中点，即自车与车道线距离发生跳变，且跳变值大于阈值3米的点；二是判断换道中点前后2.5秒的时间内，自车与车道线距离的变化趋势是否符合左换道或右换道的趋势，以此进一步确认找出的换道中点是否是真的换道中点，并区分左右换道。为验证本方法的有效性，首先需要确定动态时间弯曲距离阈值X。基于人工经验，距离阈值X可选范围为0.4～0.8，下述以0.4、0.5、0.55、0.6、0.65、0.7、0.8，不同距离阈值的左右换道查全率和查准率如表1和表2所示。

表1 不同距离阈值的左右换道查全率

距离阈值	左换道	右换道	总计
				0.4	63.16%	64.74%	63.95%
0.5	68.42%	69.47%	68.95%
				0.55	70.00%	69.47%	69.74%
0.6	71.05%	69.47%	70.26%
				0.7	71.58%	70.53%	71.06%
0.8	72.63%	71.58%	72.11%

表2 不同距离阈值的左右换道查准率

距离阈值	左换道	右换道	总计
				0.4	95.24%	98.40%	96.82%
0.5	91.55%	94.96%	93.26%
				0.55	89.26%	93.62%	91.44%
0.6	79.88%	82.50%	81.19%
				0.7	59.39%	61.19%	60.29%
0.8	52.08%	50.37%	51.23%

可以看出，选定的阈值X越小，查全率越低，查准率越高；而距离阈值越大，查全率越高，查准率越低。根据不同需求选取不同的距离阈值，当自然驾驶数据较少，需要尽可能的多截取出换道片段时，取较大的距离阈值；当有大量的自然驾驶数据，需要尽可能准确的提取换道数据时，取较小的距离阈值。这里选用的自然驾驶数据，即使在距离阈值取0.7、0.8时，也无法完全识别出所有换道片段，这是存在车道线不规则或者车道线不清晰的道路，影响了车道线的识别，从而影响了查全率；由于距离阈值过大将很多未换道的片段识别为换道，反而大幅降低了查准率。而在距离阈值取0.4时，查准率达到96.81%，但由于距离阈值较小，正确提取的换道片段也较少。故可选择均衡查全率与查准率的距离阈值：0.5。

由于高速道路与城市道路相比，道路环境和周围交通流相对简单，因此还将对比换道自动提取方法对于城市道路和高速道路换道的性能。不同距离阈值的城市道路和高速道路的换道查全率和查准率如表3和表4所示。

表3 不同距离阈值的城市/高速换道的查全率

距离阈值	城市道路	高速道路	总计
				0.4	41.01%	77.50%	59.25%
0.5	50.36%	80.00%	65.18%
				0.55	51.08%	80.83%	65.96%
0.6	51.08%	81.67%	67.09%
				0.7	52.52%	82.08%	67.30%
0.8	53.24%	83.33%	68.29%

表4 不同距离阈值的城市/高速换道的查准率

距离阈值	城市道路	高速道路	总计
				0.4	90.48%	98.94%	94.71%
0.5	83.33%	97.46%	90.40%
				0.55	79.78%	96.52%	88.15%
0.6	70.30%	85.96%	78.13%
				0.7	56.15%	61.95%	59.05%
0.8	48.68%	52.22%	50.45%

可以看出，城市道路换道提取的查全率和查准率均要低于高速道路。距离阈值越大，查全率越高，查准率越低。综合查全率和查准率考虑，距离阈值应取0.5。

Claims (6)

1.一种基于自然驾驶数据的换道行为自动提取方法，其特征在于，过程如下：

step 1：选取车辆所在车道的左侧或右侧车道线作为参考车道线；

step 2：基于典型自然驾驶数据，预先制作标准左换道时间序列T_sl和标准右换道时间序列T_sr，作为参考标准；

step 3：提取本次待分析的自然驾驶数据，其中包含有车辆中心到参考车道线距离的数据d(t)；

step 4：制作关于车辆中心到参考车道线距离的数据d(t)对应的时间序列T_d；

step 5：在时间序列T_d中寻找车辆中心到参考车道线距离发生跳变的时刻t_c；

step 6：截取t_c向前t_a秒和向后t_b秒一段时间窗[t_c-t_a，t_c+t_b]对应的数据片段d(t_a,t_b)，并记数据片段d(t_a,t_b)对应的时间序列为T(t_a,t_b)；

step 7：并列计算时间序列T(t_a,t_b)与标准左换道时间序列T_sl的动态时间弯曲距离DTW_l和时间序列T(t_a,t_b)与标准右换道时间序列T_sr的动态时间弯曲距离DTW_r；

1）若DTW_l小于等于设定的距离阈值X，且DTW_r大于设定的距离阈值X，则数据片段d(t_a,t_b)为左换道片段中的数据，记为有效数据片段；

2）若DTW_r小于等于设定的距离阈值X，且DTW_l大于设定的距离阈值X，则数据片段d(t_a,t_b)为右换道片段中的数据，记为有效数据片段；

3）若DTW_l和DTW_r都小于等于设定的距离阈值X，进一步比较DTW_l和DTW_r的大小：

3-1）若DTW_l＜DTW_r，则数据片段d(t_a,t_b)为左换道片段中的数据，记为有效数据片段；

3-2）若DTW_r＜DTW_l，则数据片段d(t_a,t_b)为右换道片段中的数据，记为有效数据片段；

4）若DTW_l和DTW_r都大于设定的距离阈值X，则数据片段d(t_a,t_b)为无效数据片段；

step 8：若step 7中存在有效数据片段，再扩大截取时间窗，截取t_c向前 t_forward秒和向后t_backward秒的一段时间窗[t_c-t_forward，t_c+t_backward]对应的数据片段d(t_forward,t_backward)，t_forward＞t_a，t_backward＞t_b，将数据片段d(t_forward,t_backward) 对应保存到左换道或右换道数据库中，完成换道数据的提取。

2.根据权利要求1所述的基于自然驾驶数据的换道行为自动提取方法，其特征在于，标准左换道时间序列T_sl和标准右换道时间序列T_sr按如下方法制作：

依据定义的左换道和右换道行为，通过视频与数据回放，人工标注出每条换道数据中的换道起点、换道中点和换道止点，并将换道过程等比例压缩或者拉长为平均换道时长；共标注左、右换道数据各若干条，分别求取同一时刻、同一侧换道数据中的车辆中心到参考车道线距离的平均值，通过平均值得到关于距离和时间的函数曲线，即为标准左换道时间序列和标准右换道时间序列。

3.根据权利要求1所述的基于自然驾驶数据的换道行为自动提取方法，其特征在于，如果前一时刻的车辆中心到参考车道线距离与后一时刻的车辆中心到参考车道线距离的差值超过了设定的跳变阈值，则认为发生了跳变，跳变阈值小于等于车道宽度。

4.根据权利要求1所述的基于自然驾驶数据的换道行为自动提取方法，其特征在于，时间窗[t_c-t_a，t_c+t_b]小于平均换道时长，时间窗[t_c-t_forward，t_c+t_backward]大于平均换道时长。

5.根据权利要求1所述的基于自然驾驶数据的换道行为自动提取方法，其特征在于，距离阈值X选取范围为：0.4～0.8。

6.根据权利要求5所述的基于自然驾驶数据的换道行为自动提取方法，其特征在于，定义一个查全率和查准率：

查全率=提取的换道片段数量÷所有的换道片段数量

查准率=正确提取的换道片段数量÷提取的换道片段数量

当自然驾驶数据较少，预使查全率高，查准率低时，取较大的距离阈值X；

当自然驾驶数据较多，预使查全率低，查准率高时，取较小的距离阈值X。

Images