基于LSTM的车辆换道意图识别研究

摘 要：本文首先对车辆轨迹数据进行了筛选和高斯平滑处理，并对不同的驾驶行为进行分类和驾驶意图标注。随后，本文提出了一种基于LSTM的车辆换道意图识别模型，该模型充分考虑了车辆之间的交互作用，有效提取了换道过程中的时序连续特征，并捕捉到车辆行驶轨迹中的局部和长期依赖关系。模型将目标车辆及其周围车辆交互作用信息的行驶数据作为输入。实验结果表明，本文提出的模型在预测车辆换道意图方面达到了92.85%的准确率，并且在多种评价指标上显著优于其他模型，展示了在实际交通环境中的应用潜力。

关键词：换道意图识别 机器学习 LSTM模型 智能交通

1 绪论

随着智能交通系统和自动驾驶技术的快速发展，准确识别车辆的驾驶意图已成为一个重要的研究课题。Okamoto等人[1]利用随机森林算法捕获其他车辆驾驶员的意图。乔少杰等人[2]提出了基于高斯混合模型的轨迹预测方法（GMTP），通过高斯过程回归预测最可能的运动轨迹。此外，Aoude等人[3]将支持向量机（SVM）的意图预测器与使用快速探索随机树（RRT）的威胁评估器相结合，以识别交通参与者的机动行为。Schulz等[4]提出了一种基于多模型无迹卡尔曼滤波的动态贝叶斯网络（DBN）推理方法，用于驾驶员意图估计和多智能体轨迹预测。张淼等[5]提出了一种新型的列车轨迹预测模型，即LSTM-KF模型，结合长短期记忆网络（LSTM）和卡尔曼滤波（KF）的优点，实现了对列车轨迹的高精度预测。这些研究工作推动了驾驶意图识别和轨迹预测技术的发展，证明了深度学习、机器学习及概率推理等方法在该领域的应用潜力。然而，尽管上述方法在不同方面取得了显著进展，仍存在一些需要进一步研究和解决的问题。鉴于此，本文提出了一种基于LSTM的车辆换道意图识别模型，通过对车辆轨迹数据的预处理和特征提取，训练了一个能够高效识别换道意图的模型，并通过实验证明了其优越性。

2 数据预处理

本文使用的数据集源于NGSIM（Next Generation Simulation）数据集，该数据集是由美国联邦公路管理局（FHWA）发起并收集的高精度交通数据集，旨在支持交通流量和驾驶行为模型的研究与开发。该数据集涵盖了不同类型的道路场景，本文选用US-101高速公路和I-80高速公路部分路段数据作为实验数据。数据集提供了详尽的车辆信息，包括但不限于：车辆的唯一识别编号、采集区域中的具体坐标、标准地理坐标系中的位置、车辆的速度和加速度、所属车道编号、车头间距和车头时距等。具体数据字段及描述详见表1。

本文采用高斯平滑（Gaussian Smoothing）处理技术对数据进行预处理，以减少短时波动带来的误差。该方法能有效平滑数据，降低噪声和瞬时变化对结果的影响，提高航向角数据的准确性和可靠性。

3 换道意图分类

3.1 换道过程分析

本文车辆换道过程如图1所示。车辆换道过程可以分为多个关键时刻和相关特征。通过分析这些时刻和特征，可以有效分类换道行为并标注换道意图。关键时刻划分主要分为四个部分。

（1）换道意图产生时刻：驾驶员在脑海中产生换道的意图，但还未实施任何操作。这一时刻通常可以通过驾驶员眼神或注意力的变化进行推测，是换道过程的初始阶段。

（2）开始换道操作时刻：驾驶员完成了对周围交通环境的检查，确认安全后开始实施换道操作，例如打转向灯或调整方向盘。这一时刻的具体特征包括转向灯的启动、方向盘角度的变化以及车辆的初步侧向加速度。

（3）跨越车道线时刻：当车辆开始横向移动并越过车道线进入新车道时，可以通过监测车辆相对于车道线位置的变化进行标记。关键特征包括车辆的横向位置、速度、加速度以及车道线检测信息。

（4）完成换道操作时刻：车辆完全进入新车道，换道过程结束，车辆稳定在新的车道上。这一时刻的标志是车辆在新车道内的横向位置稳定，且车速和行驶轨迹恢复正常。

3.2 换道过程中的参数变化

在换道过程中，车辆的以下驾驶特征参数会发生明显变化。

（1）侧向速度：代表车辆横向移动速度。在A0到A3阶段（换道意图到完成换道），侧向速度会明显增加，达到最大值后逐渐降低至正常水平。侧向速度变化是评估车辆换道起始与完成的关键指标，通过监控侧向速度的峰值和变化趋势，可以帮助识别换道时刻。

（2）横向加速度：反映车辆加速或减速的程度。在换道期间，特别是在A0到A3阶段，横向加速度会出现高峰。高峰的存在表明车辆正在执行换道操作。可以通过横向加速度的变化率判断驾驶员的换道决心和操作力度，同时也可以与侧向速度结合，分析换道行为的平稳性和安全性。

（3）横向位移：表示车辆在道路上横向位置的变化量。在换道过程中，这一参数持续增加，直到车辆稳定在新车道上。横向位移的累计量可以用于确定换道完成度，通过连续的位置信息和轨迹数据，可以绘制出车辆的换道路径，进一步细化分析换道行为。

（4）航向角：指示车辆行驶方向的角度。在换道期间，特别是A0到A3阶段，航向角变化剧烈，在完成换道后趋于稳定。航向角的变化能够提示换道操作的开始和结束点，通过实时监控航向角，可以预警可能的换道操作，有助于提前识别驾驶员的意图。

4 换道意图识别模型建立及结果分析

4.1 长短期记忆（LSTM）网络

长短期记忆网络（Long Short-Term Memory， LSTM）是一种特殊的循环神经网络（recurrent neural network， RNN），通过引入记忆细胞和门控机制，有效解决了标准RNN在处理长序列信息时存在的梯度消失和梯度爆炸问题，从而捕获长期依赖关系。LSTM通过引入记忆单元（Memory Cell）以及门结构（Gate）来控制信息的流动，从而实现对长短期信息的良好处理和保存。

在长短期记忆网络（LSTM）中，当前时间步的输入和前一时间步的隐藏状态被联合作为输入数据传递给网络。这些输入数据会通过三个独立的全连接层进行处理，每个层都使用sigmoid激活函数来计算各自的门值：输入门、遗忘门和输出门。因此，这些门的输出值范围在0到1之间。

4.2 评价指标

本文选择了以下四个评价指标，从识别精度和识别水平两个方面来评估所提出的基于LSTM的车辆换道意图识别模型。

精确率（Precision）：该指标衡量的是某种驾驶意图被正确识别的样本数量，占识别结果中属于该驾驶意图样本数量的比例。

召回率（Recall）：该指标衡量的是某种驾驶意图被正确识别的样本数量，占实际存在该种驾驶意图样本数量的比例。

F1-分数（F1-score）：这个指标是准确率和召回率二者之间的调和平均数，用于权衡这两个指标。

准确率（Accuracy）：该指标表示在所有样本中，被正确识别为三类驾驶意图的样本数量占总样本数量的比例。

4.3 LSTM模型的换道意图识别结果

在完成模型训练的过程中，首先利用训练集对模型的参数进行调优，使其能够更好地理解和拟合数据。在训练过程结束后，利用测试集对模型的性能进行评估，从而客观衡量其在未知数据上的性能能力，验证模型的泛化能力和实际应用效果。LSTM模型性能结果在表2中有详细叙述。通过反复实验和参数调整，不断优化模型的结构，有效提高了预测的准确性和鲁棒性，可进一步验证模型在不同交通场景中的适应性。

由表2可以看出，本文提出的基于长短期记忆（LSTM）网络的车辆换道意图识别模型在综合性能方面表现良好，其综合准确率达到92.85%。具体而言，两种换道意图的识别准确率、召回率和F1值均超过了91%、91%和92%，分别为相关指标设立了新的基准。实验结果表明，这一模型不仅能够高效地感知车辆的驾驶意图，而且在准确性方面也具备优异的表现，显示出其在车辆换道意图识别任务上的巨大潜力和先进性。细化到不同的换道意图识别，该模型对左换道驾驶意图的识别效果尤为突出，准确率、召回率和F1分数三个关键评价指标均优于其他驾驶意图。这一结果表明，模型在处理左变道数据时能够更好地捕捉到换道特征和模式，确保了高精度的识别能力。综上所述，基于LSTM的换道意图识别模型不仅在整体上达到了较高的性能标准，而且对特定的驾驶意图类别表现出优异的识别效果。

4.4 不同模型性能对比结果分析

为了进一步验证所使用模型的优越性和可靠性，本文选择了CNN、RNN和GRU等深度学习模型，并与所提出的LSTM模型进行对比实验。通过比较不同模型的性能，可以更全面地评估LSTM模型的性能。最终，各模型的性能对比结果如表3所示。

从表3的结果可以看出，本文所提出LSTM模型在各类识别任务中表现优异。具体而言，对于换左换道意图，LSTM模型的精确率、召回率和F1值分别达到了93.22%、91.59%和92.76%，明显高于其他模型的相应指标。对于右换道意图，LSTM模型也表现出优异的性能，其精确率、召回率和F1值分别达到91.68%、92.03%和92.57%。

此外，LSTM模型表现出更高的准确率、更强的稳定性和鲁棒性。这些结果证明了LSTM在识别和学习交通规则相关行为特征方面的优势。与其他模型相比，LSTM不仅能够更准确地识别换道意图，而且能够减少误报和漏报。这些性能优势将有助于提高智能交通系统（ITS）在实际应用中的安全性和效率。

5 结论

为了确保车辆换道意图的识别准确性，本文不仅对车辆轨迹数据进行了详细处理，还采用了高斯平滑处理技术。通过提取目标车辆和周围车辆的横纵坐标、速度及加速度等行驶信息，并对这些数据进行高斯平滑处理，能够减少噪声和异常值的影响，从而获得更加平滑和连续的特征数据。这些处理后的数据包含车辆的相对位置、速度和加速度等关键特征，作为模型的输入特征，能够更准确地描述车辆的动态行为。本文选取了NGSIM数据集中部分车辆行驶数据对模型进行训练和测试，并与CNN、RNN、GRU等模型进行了对比。实验结果表明，本文使用的LSTM模型在整体识别准确率上达到92.85%，在精确率、召回率、F1分数和准确率等评价指标上明显优于其他模型。通过以上研究，验证了所采用的LSTM模型在车辆换道意图识别任务中的优越性能。模型不仅能够快速、准确地感知和判断车辆的换道意图，有效降低换道过程中的碰撞风险，从而提高了车辆行驶的安全性。

参考文献：

[1] K. Okamoto， K. Berntorp， and S. Di Cairano.Driver intention-based vehicle threat assessment using random forests and particle filtering[J].IFAC-PapersOnLine， 2017， 50：13 860–13 865.

[2]乔少杰，金琨，韩楠，等.一种基于高斯混合模型的轨迹预测算法[J].软件学报，2015，26（05）：1048-1063.

[3] G. S. Aoude， B. D. Luders， K. K. H. Lee， D. S. Levine， and J. P. How，“Threat assessment design for driver assistance system at intersections，”in Proc. 13th Int[J]. IEEE Conf. Intell. Transp. Syst.， 2010：1855–1862.

[4] Multiple Model Unscented Kalman Filtering in Dynamic Bayesian Networks for Intention Estimation and Trajectory Prediction.

[5]张淼，何仪娟，杨博宇，等.基于LSTM-KF模型的高速列车群组追踪运行轨迹预测方法[J].交通运输工程学报，2024，24（03）：296-310.