基于轨迹预测的驾驶意图识别

摘 要：驾驶意图识别对于确保交通安全和提升交通效率至关重要。为实现对未来车辆驾驶意图的预测，本研究基于轨迹预测与驾驶意图识别方法，选用Argoverse公开数据集作为训练和测试数据集，并提出了一种结合VectorNet轨迹预测模型和随机森林分类模型的驾驶意图识别方法，实现对未来3s的驾驶意图识别。为验证该方法的有效性，本文将新提出的VectorNet-随机森林模型与LSTM-随机森林模型进行了对比，结果表明本文方法的效果更佳。这一方法为未来自动驾驶和智能交通系统的发展提供了参考和借鉴。

关键词：轨迹预测 驾驶意图识别 图神经网络 随机森林

0 引言

据2023年世界卫生组织调查报告显示，每年有119万人死于交通事故。交通事故是5-29岁儿童和年轻人的主要死因，死于交通事故的人中有超过一半是行人、自行车和摩托车的驾驶者。为了减少交通事故的危害，智慧交通受到学术界和工业界越来越多的关注。驾驶意图识别作为其重要研究分支，可以通过意图识别帮助驾驶人员规避驾驶过程中可能出现的风险。为此，本文应用Argoverse公开数据集，基于VectorNet轨迹预测模型和随机森林分类模型，构建基于轨迹预测的驾驶意图识别模型，以实现对车辆驾驶意图的预测。

1 驾驶意图识别研究现状

高速公路交通流特征分析是交通工程领域的一个核心议题，其研究旨在深入理解高速公路上车辆运行的规律，为交通拥堵治理和智能交通系统的发展提供科学依据。在国内外众多学者的共同努力下，关于高速公路交通流特征的研究已经形成了一系列深刻的认识。

Singh等[1]通过统计证实，90%的交通事故源于人为失误，主要原因是在驾驶过程中信息收集和处理能力非常有限，无法同时获取人、车、路等多方面信息，尤其是在自身或者周围车辆存在变道行为时，不能准确判断车辆所处环境进而引发交通事故。

智能交通系统（ITS）作为智慧交通的重要分支，可以信息通信、数据采集等手段，实现道路交通的信息化、智能化和网络化。宋大治等[2]将分散的各个机电系统联结成为一个有机的整体，实现各专业系统之间的信息互通、资源共享以及系统间的联动。

生成模型通过学习驾驶数据中的分布情况，理解驾驶行为中的潜在意图。Li等[3]基于马尔科夫模型和贝叶斯滤波技术识别驾驶员变道意图，解决了传统驾驶辅助系统在遇到不良驾驶习惯，如未使用转向灯时，对驾驶意图识别造成的影响；深度学习模型基于神经网络，其能通过多层非线性变换来建立驾驶数据与驾驶意图之间的映射关系，庄皓等[4]基于Attention机制，构建了一种CNN-LSTM驾驶意图识别模型，其能准确识别驾驶员的意图；基于规则的驾驶意图识别依托于设定的规则库，对驾驶员的意图进行判断，Bocklisch等[5]基于自适应模糊模式，实现在识别左换道和右换道行为上的准确率分别达到89.3%和86.3%；车辆移动轨迹预测领域，冯雷[6]采用多项式模型对换道车辆横向移动轨迹进行拟合，实现对换道车辆横向移动距离以及换道时间的预测。

上述方法有效提升了驾驶意图识别和估计预测的准确率，但仍存在以下问题：在特征提取方面，难以获取基于当前环境的有效特征；将车辆未来轨迹特征加入识别模型中，能有效提升识别准确率。当前研究多基于历史轨迹，尚未考虑未来轨迹。

针对以上问题，本文基于深度学习模型、规则模型和判别模型的思想，提出一种基于VectorNet、随机森林的驾驶意图识别模型，主要贡献为：

（1）基于VectorNet的轨迹预测：该方法将车辆的历史轨迹和环境信息整合作为输入，利用VectorNet算法来预测未来的轨迹。通过这种方式，可以更准确地预测车辆的运动轨迹，为智能驾驶系统提供更可靠的决策依据。

（2）基于随机森林算法的驾驶意图识别：该方法通过对历史轨迹数据进行驾驶行为标注，结合轨迹预测，应用随机森林算法来准确识别驾驶员的意图。这一方法的优势在于能够提高模型的准确率，为智能驾驶系统的设计和优化提供了重要支持。

2 模型描述

2.1 整体描述

本文提出的驾驶意图识别框架由基于图神经网络的轨迹预测模块和基于随机森林的驾驶意图识别模块组成。图神经网络模块通过将车辆轨迹及周边环境信息作为输入，进而输出未来轨迹。驾驶意图识别模块则基于轨迹预测模块得出的驾驶轨迹，应用决策树的方法判别驾驶员的驾驶行为。两个模块共同完成驾驶意图识别任务。

2.2 轨迹预测模块

本文中轨迹预测模块参考Gao等[7]提出的VectorNet框架，该框架首先对车辆轨迹和高清地图进行矢量化，随后基于各子图的局部信息聚合得到全局信息，之后基于图神经网络进行轨迹预测，下文简要概述该框架原理。

2.2.1 车辆轨迹及高清地图的表示

本文中将高清地图向量化处理，经处理后的行驶场景中的元素以向量、闭合形状和点的形式存在。对于地图特征，本文在相同的空间距离均匀采样关键点，并将相邻的关键点依次连接成向量；对于轨迹，本文用固定时间间隔采样关键点，并将关键点依次连接。即将折线中的每个向量视为图中的一个节点，数学表达式如下：

其中和分别为起点和终点的坐标，为属性特征，j为的标识符，表示。

2.2.2 构造向量子图

为保证语义局部性，本文基于向量元素构建分层子图，属于同一折线的所有向量节点首位连接。一条折线定义为，本文将子图传播的单个层定义为：

（2）

式中，为子图网络l层的节点特征，为输入特征，函数为映射各节点信息，聚合所有邻近节点信息，为节点与其邻近节点的关系运算符。为一个多层感知器，为一个最大池化操作，为串联操作。

2.2.3 全局图构建

为训练子图间的关系，构成图神经网络框架，本文基于向量子图构建全局交互图。

式中，为折线节点特征集，为对应图神经网络的单层，A为折线节点集的邻接矩阵，将A作为全连接图得到如下公式：

其中，P为节点特征矩阵，、、均为其线性投影。待训练完成后，本文对agent对应节点进行解码，得到未来轨迹，如下公式所示：

式中，为GNN的总层数，为轨迹解码器。

2.3 驾驶意图识别模块

本研究基于驾驶轨迹预测数据，应用随机森林法进行分类。随机森林算法的特点是通过构建多个决策树来大规模复杂数据集，其能有效避免过拟合现象。本文的随机森林算法采用Bagging方法，从训练集中随机抽样出多个子集，每个子集作为每个决策树的训练数据集。最终，通过投票机制集成各树的预测结果。

3 数据预处理

本文采用了Argoverse公开数据集，该数据集包含三十多万条车辆轨迹，并且数据是通过激光雷达、环形摄像头和前置立体摄像头采集的。这些数据涵盖了采样车辆周边200米的行驶情景，为研究提供了丰富的真实场景数据支持。

3.1 特征筛选

在实际车辆驾驶过程中，驾驶意图是车辆驾驶态势、周边环境信息等多种因素共同作用的结果。本文提出的驾驶意图识别方法综合了四种主要信息，包括车辆态势、周边车辆信息、道路信息和历史轨迹，可以将车辆自身转化为若干段向量组成的折线，为后续的操作提供基础。本文的需将车辆行驶的环境向量化，例如行车轨迹、行驶车道线可以被转化为若干段折线段，交通斑马线可以被转化为一段密闭四边形。具体的转化过程如下图１、2所示。

3.2 驾驶意图标注

驾驶车辆涉及一系列复杂的操作，包括变道、加速、减速等多种行为。这些操作受到多个因素的综合影响，如驾驶人的个体状态、车辆状况、周围交通环境以及其他车辆的行驶行为等。为准确识别驾驶意图，本文首先基于历史数据对未来车辆轨迹进行预测。通过对行车历史数据中的驾驶行为进行学习，推断驾驶人在未来可能采取的驾驶行为。

本文中驾驶意图主要包括横向和纵向驾驶意图，横向驾驶意图包含左、右变道，纵向驾驶意图包括加速、减速和直行。

3.2.1 横向意图识别

横向驾驶意图主要包括左变道和右变道。换道信息需要提取的主要信息包括换道起点、换道终点和发生车道变化的时刻，本文的换道判别方法参照赵建东等[8]的论文，判别方式如下：

式中，和分别为换道行为起始和终止的时间；为车辆跨越车道线的时间；为车辆跨越车道线的横向坐标；为车辆在时刻的横向坐标；为车道的宽度。

3.2.2 纵向意图识别

纵向驾驶意图主要包括加速、减速和直行，本文中的纵向驾驶意图是根据车辆的加速度值来划分，具体纵向意图参照庄皓等[4]的论文，划分如表1所示。

3.3 轨迹序列提取

本文采用滑动窗口的方法实现对轨迹序列的有效提取，方法将轨迹序列划分为多个子序列，以更好地捕捉轨迹中的关键特征，将轨迹序列的长度限定为80，以确保充分覆盖关键信息。设置滑动窗口的长度为1，以实现对每一步中的微小信息变化进行捕获。此外，将行驶轨迹子序列的5秒处时刻的换道标签视为整个序列的换道意图。

最终，将处理完的数据按照3：1：1的比例划分成训练集、测试集和验证集，该数据集中共划分出五种意图，分别用数字0到4来表示，其中，0表示左变道，1表示右变道，2表示加速，3表示减速，4表示直行，各种换道意图类型的样本数量如表2所示。

4 模块性能分析

为了更好的验证本文模型的性能，本文采用精确率、召回率、F1-Score 和准确率等指标，将VectorNet-随机森林与LSTM-随机森林进行对比，两种模型的结果如表3。

5 结语

本研究提出了一种基于VectorNet-随机森林的驾驶意图识别模型，该模型的优势为较为准确的实现较短时间内驾驶意图的预测。本研究将继续探索模型的改进方法，以进一步提升模型的准确率。该技术可嵌入智能交通系统，以实现对多车环境下驾驶员的驾驶意图识别并基于此对可能出现的驾驶事故进行预警。

参考文献：

[1]SINGH S. Critical Reasons for Crashes Investigated in the National Motor Vehicle Crash Causation Survey[J]. mag， 2015.

[2]宋大治，张海桃，陈敦惠，等.全自动无人驾驶对综合监控系统的需求研究[J].交通世界，2021（21）：1-3.

[3]LI K， WANG X， XU Y， et al. Lane changing intention recognition based on speech recognition models[J]. Transportation Research Part C： Emerging Technologies， 2016，69： 497-514.

[4]庄皓.面向高速环境下基于LSTM的驾驶人意图识别关键技术研究[D].济南：齐鲁工业大学，2023.

[6]冯雷.换道车辆横向移动轨迹预测研究[J].交通世界，2021（19）：150-151.

[7]GAOJ，SUNC，ZHAOH，etal.VectorNet：EncodingHDMapsandAgentDynamicsfromVectorizedRepresentation，2020.

[8]赵建东，赵志敏，屈云超，等.轨迹数据驱动的车辆换道意图识别研究[J].交通运输系统工程与信息，2022，22（04）：63-71.