基于时变协方差隐马尔可夫模型的周车换道意图识别方法研究

作     者：刘普俊 

作者单位：吉林大学 

学位级别：硕士

导师姓名：曲婷

授予年度：2024年

学科分类：08[工学] 082304[工学-载运工具运用工程] 080204[工学-车辆工程] 0802[工学-机械工程] 0823[工学-交通运输工程] 

主      题：智能驾驶 周车换道意图识别 时变协方差隐马尔可夫模型 

摘      要：智能驾驶技术的快速发展已成为汽车行业技术创新的核心动力,为提高道路安全性、驾驶舒适度及交通效率开辟了新的途径。感知系统作为智能驾驶技术的核心组成部分,其在实时监测和理解周围环境方面发挥着至关重要的作用。在众多感知功能中,准确及时识别出驾驶员的意图,尤其是周围车辆驾驶员的换道意图,是智能汽车迈向更高级别自动化的关键,因为它直接关系到智能汽车能否及时做出反应,避免潜在的交通事故。然而,现行意图识别方法在检测周围车辆驾驶员早期阶段的换道意图准确率低下,这对追求即时响应的智能驾驶系统而言是不可忽视的短板。此外,相关研究在界定换道意图方面存在模糊地带,这不仅影响了意图特征选择和设计的准确性,还降低了研究结果的有效性。鉴于此,迫切需要开发出更先进、更全面的周车换道意图识别技术方案,以满足现代智能驾驶系统的复杂需求。 针对智能驾驶中识别周围车辆换道意图的关键挑战,本文提出了基于时变协方差隐马尔可夫模型(Time-Varying Covariance Hidden Markov Model,TVCHMM)的周车换道意图识别方案,从实际应用需求出发,探讨了周车换道意图识别的概念界定,特征变量的选择设计,并提出了TVC-HMM以提高意图识别模型在换道初期性能。具体的研究内容包括: (1)基于实测数据集的周车换道与直行意图分析。针对高速公路三车道直行路段下的周车换道意图识别,选用High D数据集进行研究分析,结合数据集特点、换道动机及交通流状态等多维因素,将换道场景划分为主动换道场景,密集型交通流下的强制换道场景,以及非密集型交通流下的无干扰和有干扰强制换道场景四类。提出包含三个阶段和四个关键时刻的通用换道过程框架,结合数据统计分析,验证场景分类标准合理性,并制定四类换道场景下多元化换道意图数据提取标准。基于横向车速和车道偏离程度,界定直行意图数据提取标准,为实现更准确的意图识别奠定基础。 (2)周车换道意图的特征变量分析设计与数据处理。针对周车(目标车辆)个体特征,利用Kolmogorov-Smirnov检验分析车辆速度,加速度等六个特征变量分别在换道与直行过程的数据分布特点,确定五个显著反映换道意图的个体特征变量。研究交通车辆对驾驶员换道决策的影响,设计对关键危险场景敏感的综合车辆危险因子,定义五类危险交通车辆以满足多车道复杂工况下模型固定输入维度的需求。采取样本平衡和主成分分析等预处理技术,优化样本分布,去除特征变量相关性和冗余维度,为高效的模型训练和意图识别提供必要前提。 (3)基于TVC-HMM的周车换道意图识别方法。设计包含模型离线训练及意图在线识别两大阶段的周车换道意图识别方案,提出TVC-HMM以提高意图识别模型在换道初期性能。针对早期换道意图识别准确率不足的问题,TVCHMM在隐马尔可夫模型(Hidden Markov Model,HMM)基础上引入衰减因子动态调整时间序列数据生成机制,以增强对近期观测数据变化的敏感性,显著提升换道意图的早期识别准确率和时效性。此方法的优化基于理论推导并通过实际数据验证,有效解决了传统模型在换道意图早期识别中存在的限制,为智能驾驶系统提供了一种更高效、准确的换道意图识别技术方案。 (4)周车换道意图识别仿真验证与对比分析。通过模型对比分析与仿真验证,全面评估TVC-HMM在周车换道意图识别任务中的性能。通过与HMM、长短期记忆网络、支持向量机等模型的比较,揭示了TVC-HMM在换道意图识别的准确率、及时性和可解释性方面的显著优势。尤其是在早期换道意图识别上,TVC-HMM展现出卓越性能,明显提升模型的实时响应能力和准确性。通过结合车辆实际轨迹的换道意图识别分析,有效验证了基于TVC-HMM的周车换道意图识别方法在智能驾驶系统发展中的实际应用价值。 本研究提出了一种基于TVC-HMM的周车换道意图识别方法,通过基于数据集的换道意图定义、综合交通环境和车辆特征变量的设计以及高度准确的换道意图识别模型,为智能驾驶系统中的意图识别技术提供了新的视角和实践方法。研究成果不仅提高了换道意图识别的准确性和及时性,也为智能驾驶技术的进一步发展奠定了理论和实践基础。