摘要-先進(jìn)的駕駛員輔助系統(tǒng)( ADAS )的開發(fā)在預(yù)測(cè)駕駛行為的研究中起著重要作用。我們開發(fā)了一種基于隱馬爾可夫模型( HMM )的預(yù)測(cè)人類駕駛行為的方法。包括左/右車道變換和車道保持在內(nèi)的三種不同的駕駛動(dòng)作被建模為HMM的隱藏狀態(tài)。基于觀察(訓(xùn)練)，HMM方法能夠使用觀察到的序列來(lái)計(jì)算最可能的駕駛行為。此外，在建模過程中，觀察到的序列也用于HMM的訓(xùn)練。為了提高模型的預(yù)測(cè)性能，我們提出了一種預(yù)濾波器將采集的信號(hào)量化為具有特定特征的觀測(cè)序列。

在本論文中，將討論并最終優(yōu)化合適預(yù)過濾器的定義。這里最優(yōu)性被定義為將車輛環(huán)境映射到量化狀態(tài)的預(yù)濾波器的最優(yōu)段。結(jié)合基于HMM的精度、檢測(cè)和虛警率方面的相關(guān)結(jié)果，可以確定預(yù)濾波器的最佳參數(shù)集。利用真實(shí)人類駕駛行為的實(shí)驗(yàn)數(shù)據(jù)(取自駕駛模擬器)，可以得出結(jié)論，預(yù)過濾器的最佳定義可以提高檢測(cè)率和準(zhǔn)確性，同時(shí)降低誤報(bào)率。駕駛行為預(yù)測(cè)的有效性已經(jīng)通過與其他方法的比較得到了成功的證明

I介紹

駕駛員輔助系統(tǒng)是為了幫助人類駕駛員更好、更安全駕駛而開發(fā)的系統(tǒng)。典型的輔助駕駛系統(tǒng)側(cè)重于探測(cè)危險(xiǎn)場(chǎng)景并發(fā)出警告從而避免交通事故。這類輔助系統(tǒng)的預(yù)測(cè)是基于諸如距離和車速等物理變量來(lái)計(jì)算的。這些物理變量描述了車輛狀態(tài)和行駛環(huán)境。雖然車輛狀態(tài)和駕駛環(huán)境與當(dāng)前的駕駛安全評(píng)估相關(guān)，但最常見的事故原因與人類行為有關(guān)。因此，輔助駕駛系統(tǒng)應(yīng)該幫助駕駛員檢測(cè)可能的不當(dāng)行為。然而，遵循一般駕駛規(guī)則，司機(jī)通常會(huì)根據(jù)自己的駕駛經(jīng)驗(yàn)和習(xí)慣選擇最合適的操作。司機(jī)的駕駛行為被認(rèn)為是個(gè)人的。因此，駕駛輔助系統(tǒng)應(yīng)該基于對(duì)個(gè)體駕駛行為的分析進(jìn)行調(diào)整，以提高交通安全并實(shí)現(xiàn)智能駕駛。個(gè)人駕駛行為受許多因素影響，包括當(dāng)前環(huán)境條件、個(gè)人駕駛特征等。因此，駕駛員的意圖和下一次駕駛動(dòng)作不能通過物理變量來(lái)簡(jiǎn)單而直接地測(cè)量。

為了建立駕駛行為模型，一些方法已經(jīng)被提出。例如，神經(jīng)網(wǎng)絡(luò)( NN )模型已經(jīng)被用于預(yù)測(cè)[ 1 ]高速公路上車輛跟馳的加速度分布。在[ 2 ]動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)( DBN )被用于估計(jì)和預(yù)測(cè)四向交叉路口的車輛跟蹤和變道的加速度以及轉(zhuǎn)彎率。在[ 3 ]中，通過使用特征函數(shù)來(lái)評(píng)估情境情境，預(yù)測(cè)交通參與者的下一個(gè)狀態(tài)，提出了一個(gè)完全概率模型。《[ 4 ]》的作者使用了一個(gè)模糊邏輯( FL )模型，該模型是由駕駛員根據(jù)經(jīng)驗(yàn)觀察到的高速信號(hào)交叉口的行為建立的。

在我們的研究中，使用了隱馬爾科夫模型( HMM )方法預(yù)測(cè)駕駛行為，該方法用于估計(jì)不可觀察狀態(tài)，不可觀測(cè)狀態(tài)可以通過基于期望最大化( EM )和最大似然估計(jì)( MLE )的觀測(cè)狀態(tài)來(lái)推斷，這是分別估計(jì)HMM參數(shù)和最可能隱藏狀態(tài)的標(biāo)準(zhǔn)方法[ 5 ] [ 6 ]。為了改進(jìn)性能建模，必須定義觀察狀態(tài)的適當(dāng)部分。實(shí)驗(yàn)結(jié)果顯示，使用那些合適的觀察段范圍，可以提高駕駛行為預(yù)測(cè)模型的質(zhì)量。

Ⅱ基于隱馬爾可夫模型的駕駛行為預(yù)測(cè)

隱馬爾可夫模型（HMM）已經(jīng)被成功應(yīng)用于語(yǔ)音識(shí)別和合成[7]、生物學(xué)中的DNA輪廓識(shí)別[8]以及視頻[9]中的人類行為識(shí)別等領(lǐng)域。如今，HMM的應(yīng)用已經(jīng)擴(kuò)展到越來(lái)越多的研究領(lǐng)域，例如駕駛行為識(shí)別和預(yù)測(cè)。在[10]中，作者提出使用HMM來(lái)確定各種車輛操縱的駕駛員意圖。此外，HMM通常與其他算法一起使用。在[11]中，作者提出了一種混合狀態(tài)系統(tǒng)（HSS）-HMM框架，用于估計(jì)交叉口的駕駛員行為。駕駛員行為和車輛動(dòng)力學(xué)被建模為HSS， HSS提供系統(tǒng)架構(gòu)，HMM定義系統(tǒng)組件之間的關(guān)系，HMM和相關(guān)基本算法的詳細(xì)定義在[5]中描述。

HMM描述了兩個(gè)隨機(jī)過程之間的關(guān)系：一個(gè)由一組未觀察到的(隱藏的)狀態(tài)S = {S1，S2，...SN}，其中N為無(wú)法直接測(cè)量的隱藏狀態(tài)的數(shù)量。另一個(gè)隨機(jī)過程由一組M個(gè)可觀察符號(hào)V ={V1，V2，...VM}。隱藏狀態(tài)和觀察符號(hào)位于，時(shí)間t分別被定義為Qt和Ot。因此，隱藏狀態(tài)序列是Q= {Q1，Q2，...QT}，觀察序列是O = {O1，O2，...OT}，其中T是序列的長(zhǎng)度。使用HMM參數(shù)的序列可以通過分析觀察序列來(lái)確定未觀察到的狀態(tài)。

在我們的研究中，駕駛行為主要考慮車道變換。執(zhí)行的駕駛操縱是隱藏狀態(tài)。它們包括左/右車道變換和正常車道保持，因此N = 3.駕駛行為預(yù)測(cè)模型可視為標(biāo)準(zhǔn)HMM，如圖1所示

圖1.具有3種狀態(tài)的HMM模型

驅(qū)動(dòng)行為表示為Si，觀察值Vk表示為下標(biāo)k。該模型可以定義為一種系統(tǒng)，其中駕駛行為以狀態(tài)轉(zhuǎn)移概率ai j= P（Qt= Sj| Qt-1= Si），i，j [1，N]切換到另一個(gè)，這意味著從狀態(tài)Si移動(dòng)到狀態(tài)Sj的概率。所有轉(zhuǎn)移概率ai j可以構(gòu)成狀態(tài)轉(zhuǎn)移概率矩陣

觀察概率bj ( k )定義了在時(shí)間t從狀態(tài)S j產(chǎn)生觀察Vk的概率，這意味著bj ( k )= P ( Ot= Vk| Qt= Sj)。相應(yīng)的觀測(cè)概率分布矩陣表示為

為了描述HMM，有必要使用初始概率分布，其指示在狀態(tài)Si中開始的概率，其中

使用以上定義，完整的HMM可以定義為λ= ( A，B，π)。

為了實(shí)現(xiàn)基于HMM的駕駛行為預(yù)測(cè)，該過程必須分為兩部分：第一部分是模型的訓(xùn)練，第二部分是估計(jì)最可能的隱藏狀態(tài)序列。為了訓(xùn)練HMM，Baum - Welch算法（也稱為期望最大化）將被用來(lái)估計(jì)最大似然模型參數(shù)λ= ( A，B，π)。在給定的觀察序列O及其對(duì)應(yīng)的隱藏狀態(tài)序列Q中，HMM λ的參數(shù)被計(jì)算和調(diào)整以最佳地?cái)M合這兩個(gè)序列。基于保存的HMM λ，使用Viterbi算法計(jì)算具有最高概率的駕駛行為的最可能序列。

如前所述，隱藏狀態(tài)序列將由觀察序列確定。因此，選擇描述組成觀察狀態(tài)的當(dāng)前狀況的參數(shù)是非常重要的。這些參數(shù)必須考慮到數(shù)據(jù)收集的可行性，并具備達(dá)到模型識(shí)別目的的能力。當(dāng)司機(jī)在高速公路上行駛時(shí)，ego車輛和其他周圍車輛之間的關(guān)系是影響司機(jī)決策的主要因素。在我們的研究者中，與前方車輛的相對(duì)速度、ego車輛和周圍車輛之間的距離被選擇作為觀察變量，即時(shí)間t的觀察向量被定義為

其中k∈[ 1，M ]，M是觀察選擇的數(shù)量。表I給出了參數(shù)的細(xì)節(jié)。在我們的研究中，駕駛模擬器用于收集每個(gè)參數(shù)的數(shù)據(jù)。在現(xiàn)實(shí)世界中，這些參數(shù)將取自不同的傳感器，如照相機(jī)、雷達(dá)、激光雷達(dá)和超聲波。[12]

在駕駛過程中，所有觀察參數(shù)都被認(rèn)為是可測(cè)量的。信號(hào)是動(dòng)態(tài)的，隨時(shí)間變化。每個(gè)參數(shù)的改變將導(dǎo)致觀察向量的改變。這里假設(shè)通過預(yù)濾波實(shí)現(xiàn)的量化信號(hào)，這在汽車領(lǐng)域中是典型的，使用精度有限的相關(guān)電子設(shè)備。在預(yù)濾波器的輸出端，導(dǎo)出了以特征向量為特征的量化信號(hào)。通過使用特征向量，應(yīng)該區(qū)分不同的駕駛情況。基于預(yù)濾波器，每個(gè)觀測(cè)參數(shù)的信號(hào)數(shù)據(jù)將被分成多個(gè)段。每個(gè)片段代表一個(gè)相應(yīng)的觀察結(jié)果。因此，線段的范圍很重要，將被定義來(lái)描述觀察結(jié)果。使用這些分段范圍，可以處理和組合信號(hào)以形成HMM預(yù)測(cè)過程的特征。為了簡(jiǎn)化建模過程，在這個(gè)貢獻(xiàn)中定義了一個(gè)預(yù)濾波器，它只使用兩個(gè)不同的范圍值，并將每個(gè)觀測(cè)參數(shù)分成三個(gè)部分。表I中顯示了每個(gè)觀測(cè)參數(shù)的左閾值和右閾值(即兩個(gè)范圍值)。顯然，觀測(cè)段范圍的值非常重要，因?yàn)樗鼈冸[含地定義了HMM訓(xùn)練的觀測(cè)序列，并最終影響了精度。

圖2.最佳預(yù)過濾器定義說(shuō)明

一個(gè)簡(jiǎn)單的方法是根據(jù)一般駕駛規(guī)則選擇一個(gè)通用預(yù)過濾器，例如在德國(guó)，50m是高速公路上兩個(gè)導(dǎo)向柱之間的相應(yīng)距離。因此，距離的分段范圍值可以定義為50m和100 m，速度計(jì)上的間隔可以用來(lái)表示相對(duì)速度的范圍值，例如10公里/小時(shí)和20公里/小時(shí)。

預(yù)測(cè)過程的核心是通過HMM來(lái)實(shí)現(xiàn)的。使用給定的隱藏狀態(tài)序列及其相應(yīng)的觀察序列，可以訓(xùn)練HMM。因此，輸入到HMM的特征向量可以通過使用通用預(yù)濾波器來(lái)提取，這有助于確定最佳HMM并提高預(yù)測(cè)性能。出于這個(gè)原因，對(duì)于每個(gè)驅(qū)動(dòng)器，可以生成具有個(gè)性化最佳預(yù)濾波器的HMM。

在圖2中，示出了產(chǎn)生最佳預(yù)過濾器的過程。為了定義最佳預(yù)過濾參數(shù)，使用非支配排序遺傳算法II ( NSGA - II )。NSGA - II源自NSGA，用于解決多目標(biāo)優(yōu)化問題( MOPs ) [ 16 ]。通過使用NSGA - II，使用不同的范圍值重復(fù)訓(xùn)練HMM。考慮所有可能的范圍值，每個(gè)范圍從該參數(shù)的最小值變?yōu)樽畲笾怠４_定每個(gè)觀測(cè)參數(shù)的最佳閾值(最佳預(yù)濾波器)以最小化目標(biāo)函數(shù)。

準(zhǔn)確度( ACC )、檢測(cè)率( DR )和虛警率( FAR )被廣泛用于評(píng)估分類器[ 13 ] [ 14 ]。

它們是基于真陽(yáng)性( TP )、假陽(yáng)性( FP )、真陰性( TN )以及假陰性( FN )數(shù)來(lái)計(jì)算的。為了解釋，舉例說(shuō)明了一個(gè)混淆矩陣(圖3 )來(lái)描述向右改變車道的參數(shù)。真陽(yáng)性( TP )表示

圖3.混淆矩陣的說(shuō)明[車道改為右]

它們的計(jì)算基于真陽(yáng)性（TP），誤報(bào)（FP），真陰性（TN）以及假陰性（FN）數(shù)。為了解釋，示出了混淆矩陣（圖3）作為示例來(lái)描述用于向右改變車道的參數(shù)。真陽(yáng)性（TP）表示當(dāng)估計(jì)的機(jī)動(dòng)是正的時(shí)（向右改變車道）并且實(shí)際的也是正的事件的數(shù)量，對(duì)比度假陽(yáng)性（FP）表示當(dāng)估計(jì)的機(jī)動(dòng)是正的時(shí)的事件的數(shù)量和實(shí)際值不相同，對(duì)于真假陰性（TN / FN）。 ACC，DR和FAR由[14]定義

如前所述，每個(gè)觀察參數(shù)（預(yù)濾波器）的左/右閾值是確定HMM訓(xùn)練的觀察序列的臨界值，因此影響估計(jì)的狀態(tài)。 TP，F(xiàn)P，TN和FN的值將由估計(jì)的狀態(tài)定義，并最終影響ACC，DR和FAR值。在研究中，將針對(duì)前述ACC，DR和FAR參數(shù)的改進(jìn)來(lái)選擇最佳預(yù)濾波器。因此，目標(biāo)函數(shù)定義為

三種駕駛行為。

III.實(shí)驗(yàn)結(jié)果

本節(jié)介紹了基于HMM的變道機(jī)動(dòng)預(yù)測(cè)的實(shí)驗(yàn)裝置和獲得的結(jié)果。使用所提出的模型，基于測(cè)量的變化和速度，預(yù)測(cè)了駕駛員的車道變換行為。為了提高預(yù)測(cè)性能，必須定義最佳預(yù)濾波器(特征參數(shù))。

A.實(shí)驗(yàn)設(shè)計(jì)

應(yīng)用如圖4所示的專業(yè)駕駛模擬器SCANeRTMstudio來(lái)收集駕駛數(shù)據(jù)，該駕駛數(shù)據(jù)用于訓(xùn)練和測(cè)試所提出的方法。該模擬器配備五個(gè)監(jiān)視器，180度視野，基座固定駕駛員座椅，方向盤和踏板。三個(gè)后視鏡是決定改變車道所必需的，它們顯示在顯示器的相應(yīng)位置上，駕駛模擬器的數(shù)據(jù)獲取頻率為20Hz。

圖4.駕駛模擬器，椅子動(dòng)力學(xué)和控制，U DuE

駕駛場(chǎng)景基于高速公路駕駛場(chǎng)景，具有四個(gè)車道的兩個(gè)方向和模擬的交通環(huán)境。在駕駛期間，當(dāng)前車緩慢行駛時(shí)，參與者可以執(zhí)行超車操縱。超車后，參與者也可以回到最初的車道。從左到右改變車道的時(shí)間點(diǎn)由參與者決定。遵循德國(guó)的交通規(guī)則，只允許從左車道超車。共招募了9名年齡介乎25至38歲的參與者。他們都持有有效的駕駛執(zhí)照。每位參與者進(jìn)行了約25分鐘的駕駛。

1）數(shù)據(jù)處理階段：為了將數(shù)據(jù)標(biāo)記為隱藏狀態(tài)序列以及觀察序列，需要對(duì)信號(hào)數(shù)據(jù)進(jìn)行分類和處理。此貢獻(xiàn)中的隱藏狀態(tài)僅考慮更改車道。在駕駛模擬中，可以通過車輛中心點(diǎn)的位置確定當(dāng)前車道i。因此，通過在不同時(shí)間比較車道i的值，可以確定車輛的車道變換。當(dāng)當(dāng)前車道的值與最后時(shí)刻it-1相同時(shí)，定義車道保持。當(dāng)該值增加時(shí)定義向左變換的車道，并且當(dāng)減小車道時(shí)向右變換車道。在實(shí)驗(yàn)中，駕駛員決定改變車道（轉(zhuǎn)向燈）的時(shí)間已經(jīng)在車道變換之前的2到3秒之間，平均值為2.5秒。因此，將考慮在行動(dòng)之前2.5秒發(fā)生作為駕駛行為的車道變化。然而，如果自我車輛通過駕駛與白線重疊，則可能產(chǎn)生一些車道變換數(shù)據(jù)，并且這些數(shù)據(jù)不反映駕駛員的真實(shí)行為。因此，有必要去除這些干擾數(shù)據(jù)以獲得準(zhǔn)確的實(shí)驗(yàn)數(shù)據(jù)。表II給出了每種隱藏狀態(tài)的符號(hào)及其具體描述。

觀察載體可以通過預(yù)濾器分類并處理成序列。如第II部分所述，將使用最大ACC，最大DR以及最小FAR確定最佳預(yù)濾波器。因此，它應(yīng)該用于改善駕駛行為預(yù)測(cè)的性能。為了證明這一點(diǎn)，使用兩個(gè)不同的預(yù)濾器對(duì)觀察向量進(jìn)行分類。一個(gè)預(yù)過濾器正在使用這些最佳段。另一種是使用一組通用分段范圍進(jìn)行比較，通過比較實(shí)驗(yàn)數(shù)據(jù)給出，例如平均值，最小安全距離等。

2）訓(xùn)練階段：在本實(shí)驗(yàn)中，每個(gè)實(shí)驗(yàn)數(shù)據(jù)集分為10個(gè)子集，這10個(gè)子集中的7個(gè)被認(rèn)為是訓(xùn)練數(shù)據(jù)集，其他被認(rèn)為是測(cè)試數(shù)據(jù)集。每個(gè)訓(xùn)練數(shù)據(jù)集的位置是不同的，并且不重復(fù)，例如，第一訓(xùn)練數(shù)據(jù)集從第一至第七子集中選擇，第二訓(xùn)練數(shù)據(jù)集從第二至第八子集中選擇，依此類推。每個(gè)訓(xùn)練和測(cè)試數(shù)據(jù)集必須包含不同的換道操作。訓(xùn)練數(shù)據(jù)集可用于估計(jì)HMM參數(shù)。利用該HMM參數(shù)，可以計(jì)算隱藏狀態(tài)。在下一步驟中，將比較來(lái)自訓(xùn)練數(shù)據(jù)的隱藏狀態(tài)序列和由HMM模型計(jì)算的隱藏狀態(tài)序列，以檢查對(duì)應(yīng)關(guān)系并計(jì)算ACC，DR和FAR。然后，計(jì)算目標(biāo)函數(shù)（7）。然后，通過關(guān)于上述目標(biāo)函數(shù)的優(yōu)化來(lái)定義預(yù)濾波器值。該預(yù)濾器及其相應(yīng)的HMM模型將用于測(cè)試階段。

3） 測(cè)試階段：每個(gè)特定于驅(qū)動(dòng)程序的測(cè)試數(shù)據(jù)集必須與在訓(xùn)練階段使用的數(shù)據(jù)相關(guān)。 因此，已經(jīng)在訓(xùn)練階段計(jì)算了每個(gè)測(cè)試數(shù)據(jù)集的最佳預(yù)濾波器和相應(yīng)的HMM模型。最可能的駕駛行為將通過使用相應(yīng)的HMM來(lái)確定。通過計(jì)算和實(shí)際駕駛行為之間的比較，可以評(píng)估準(zhǔn)確性。

B評(píng)估

為了評(píng)估所提出的方法，將通過使用相同的訓(xùn)練數(shù)據(jù)集和不同的預(yù)濾波器來(lái)學(xué)習(xí)HMM。在選擇最佳預(yù)濾器之后，使用通用預(yù)濾器與最佳預(yù)濾器比較該方法。將比較計(jì)算的和實(shí)際的駕駛行為以評(píng)估相似性。數(shù)據(jù)集＃5的測(cè)試階段的結(jié)果如圖5所示。這里隱藏狀態(tài)（駕駛行為）作為模擬時(shí)間的函數(shù)給出。隱藏狀態(tài)的符號(hào)如表II所示。綠色，藍(lán)色和紅色線分別表示使用一般預(yù)濾波器的原始狀態(tài)，計(jì)算的隱藏狀態(tài)，以及使用最佳預(yù)濾波器計(jì)算的隱藏狀態(tài)。結(jié)果表明，優(yōu)化的基于預(yù)過濾器的HMM預(yù)測(cè)的狀態(tài)最適合原始狀態(tài)。藍(lán)線錯(cuò)誤計(jì)算隱藏狀態(tài)的數(shù)量多于紅色。

圖5. HMM驗(yàn)證結(jié)果[測(cè)試數(shù)據(jù)集＃5]

通過選擇數(shù)據(jù)集＃5的一般和最佳預(yù)濾波器的ACC，DR和FAR的百分比示于表III中。從得到的結(jié)果可以清楚地看出，使用最佳預(yù)濾器，總體ACC分別從73.4％（訓(xùn)練）和68.8％（測(cè)試）增加到91.9％和87.5％。類似地，使用最佳預(yù)濾器，DR高于使用通用預(yù)濾器。

在三種不同演習(xí)的FAR中，右側(cè)車道變換的訓(xùn)練和測(cè)試階段的FAR分別為15.9％和16.9％，優(yōu)化后，F(xiàn)AR降至1.9％和3.5％。FAR的值可以由等式（6）定義。可以看出，較高的FAR值是由圖3中定義的較高的分子FP值（假陽(yáng)性）產(chǎn)生的。對(duì)于向右變化的機(jī)動(dòng)車道，F(xiàn)P是真實(shí)狀態(tài)時(shí)的事件數(shù)，估計(jì)的狀態(tài)是右邊的車道變換。這些結(jié)果也可以從圖5中檢測(cè)到。這里S1定義了向右的車道變換。可以觀察到，在若干情況下，估計(jì)的狀態(tài)被錯(cuò)誤地計(jì)算為S1。上述描述性問題更常出現(xiàn)在藍(lán)線（使用一般預(yù)濾波器）而不是紅線（使用最佳預(yù)濾波器）。可以得出結(jié)論，使用合適的預(yù)濾器可以改善預(yù)測(cè)結(jié)果。即使通過，在實(shí)驗(yàn)期間仍然可以找到一些例外，例如，車道保持（測(cè)試）的優(yōu)化FAR值比預(yù)設(shè)值（大約高10％）更差。然而，考慮到所有情況的總體結(jié)果由于預(yù)濾器的優(yōu)化而得到改善。

圖6. 9個(gè)測(cè)試數(shù)據(jù)集的平均ACC、DR和FAR由不同模型實(shí)現(xiàn)

為了驗(yàn)證模型在駕駛行為預(yù)測(cè)方面的有效性，使用其他算法進(jìn)行比較。人工神經(jīng)網(wǎng)絡(luò)（ANN）和支持向量機(jī)（SVM）等典型算法用于建立駕駛行為模型。在[17]中，作者建立了三個(gè)模型，包括ANN，SVM，組合ANN和SVM（ANN-SVM）來(lái)估計(jì)公路車道下降時(shí)的車道變換行為。這兩種算法的優(yōu)點(diǎn)是它們不需要數(shù)據(jù)處理。為了評(píng)估這些方法，將實(shí)際駕駛行為與所有數(shù)據(jù)集的估計(jì)駕駛行為進(jìn)行比較。然后，計(jì)算每個(gè)駕駛行為的ACC，DR和FAR。每組的相應(yīng)速率如圖6所示。從結(jié)果（圖6）可以說(shuō)，在預(yù)濾波器的最佳選擇之后，所有ACC，DR以及（1-FAR）值都較大超過80％。盡管仍然可以找到一些例外，例如ANN-SVM（保守）的一些ACC高于最佳HMM，但是DR的值減小。為了進(jìn)一步評(píng)估駕駛行為預(yù)測(cè)的性能，接收器操作特性（ROC）圖如圖7所示。從結(jié)果可以看出，使用最優(yōu)HMM，DR最高，F(xiàn)AR最低。方法。因此，最佳HMM在所有模型中都具有最佳性能。

圖7.不同模型的ROC圖

IV.總結(jié)和結(jié)論

在該研究中，基于隱馬爾可夫模型( HMM )開發(fā)了一個(gè)駕駛行為預(yù)測(cè)模型。包括左/右車道變換和車道保持在內(nèi)的三種不同的駕駛動(dòng)作被建模為HMM的隱藏狀態(tài)，并使用駕駛模擬器在高速公路場(chǎng)景中進(jìn)行模擬。基于HMM，可以通過觀察狀態(tài)推斷出不可觀察的狀態(tài)。所考慮的方法基于這樣的假設(shè)，即相關(guān)的物理變量被離散成若干段，以考慮典型的傳感器特性。通過尋找最佳預(yù)濾波器，而不是優(yōu)化HMM模型，考慮并改進(jìn)了HMM的預(yù)測(cè)性能。在該方法中，基于從9個(gè)不同測(cè)試驅(qū)動(dòng)程序獲得的數(shù)據(jù)，驗(yàn)證了該方法。每次都選擇不同位置的子集進(jìn)行訓(xùn)練和測(cè)試。在相同的實(shí)驗(yàn)數(shù)據(jù)集上，使用觀察段范圍的一般(預(yù)先設(shè)置的)值和最終(優(yōu)化的)值來(lái)比較HMM模型。

最終獲得的結(jié)果顯示HMM識(shí)別駕駛員行為的能力顯著提高。結(jié)果表明，除了分類器（這里：HMM ）之外，組合的預(yù)設(shè)和適應(yīng)策略對(duì)該方法的統(tǒng)計(jì)特性有顯著影響。使用最佳參數(shù)的HMM模型提高了檢測(cè)率和準(zhǔn)確性，同時(shí)降低了誤報(bào)率。通過選擇最佳預(yù)過濾參數(shù)，預(yù)測(cè)性能可以得到改善，這一點(diǎn)已在該研究中得到成功證明。