轨迹数据驱动的车辆换道意图识别模型

doi:10.12141/j.issn.1000-565X.230258

华南理工大学学报(自然科学版) ›› 2024, Vol. 52 ›› Issue (6): 34-44.doi: 10.12141/j.issn.1000-565X.230258

轨迹数据驱动的车辆换道意图识别模型

苑仁腾¹^,² (), 王晨竹¹ , 项乔君^1†() , 郑欧² , 丁圣轩²

^1.东南大学交通学院，江苏南京 211189
^2.中佛罗里达大学土木、环境和建筑工程系，美国奥兰多 32816-2450

收稿日期:2023-04-21 出版日期:2024-06-25 发布日期:2023-10-19
通信作者: 项乔君（1964—），男，博士，教授，主要从事交通设计和道路交通安全研究。 E-mail:xqj@seu.edu.cn
作者简介:苑仁腾（1994—），男，博士生，主要从事驾驶行为及交通安全研究。E-mail：rtengyuan123@126.com
基金资助:
国家自然科学基金资助项目(52372323);江苏省研究生科研与实践创新计划项目(KYCX22_0270);山西省交通道路设计数字化技术创新中心资助项目(202104010911019)

Trajectory Data-Driven Model for Vehicle Lane Change Intention Recognition

YUAN Renteng¹^,² () , WANG Chenzhu¹ , XIANG Qiaojun¹ () , ZHENG Ou² , DING Shengxuan²

^1.School of Transportation，Southeast University，Nanjing 211189，Jiangsu，China
^2.College of Engineering and Computer Science，University of Central Florida，Orlando 32816-2450，America

Received:2023-04-21 Online:2024-06-25 Published:2023-10-19
Contact: 项乔君（1964—），男，博士，教授，主要从事交通设计和道路交通安全研究。 E-mail:xqj@seu.edu.cn
About author:苑仁腾（1994—），男，博士生，主要从事驾驶行为及交通安全研究。E-mail：rtengyuan123@126.com
Supported by:
the National Natural Science Foundation of China(52372323);the Postgraduate Research & Practice Innovation Program of Jiangsu Province(KYCX22_0270)

摘要/Abstract

摘要：

为及时识别、预测车辆的换道行为，综合考虑目标车辆及周边车辆的时空交互关系，结合时间卷积网络（Temporal Convolutional Network，TCN）的时序处理能力和长短期记忆（Long Short Term Memory，LSTM）神经网络的门控记忆机制，构建了基于TCN-LSTM网络的车辆换道意图识别模型。首先，将目标车辆的驾驶意图分为直行、向左换道和向右换道3种类型，从CitySim车辆轨迹数据集中提取出目标车辆及对应同车道、左侧车道、右侧车道的相邻前车和相邻后车的轨迹数据，并利用中值滤波算法获得车辆运行状态指标。其次，针对统计学理论和机器学习方法面临的识别精度不高、训练时间长、参数更新慢等问题，提出利用膨胀卷积技术提取时间序列的时序特征，采用门控记忆单元捕捉时序特征的长期依赖关系，并以目标车辆及周边相邻车辆的速度、加速度、航向角、航向角变化率和相对位置信息等54个车辆状态指标为输入变量，以车辆的换道意图为输出变量，构建了一个基于TCN-LSTM网络的车辆换道意图识别模型。最后，对比分析了不同输入时间步长下TCN、支持向量机（Support Vector Machines，SVM）、LSTM和TCN-LSTM模型的识别精度。结果表明：输入时间序列长度为150帧时，TCN-LSTM模型的识别精度达到最高值96.67%；从整体分类精度来看，相比LSTM、TCN和SVM模型，TCN-LSTM模型的换道意图分类准确率分别提升了1.34、0.84和2.46个百分点，展现出了更高的分类性能。

关键词: 交通工程, 换道意图, 时间卷积网络, 长短期记忆神经网络, 车辆轨迹, CitySim数据集

Abstract:

In order to accurately recognize and estimate the lane-changing intentions of vehicles, a vehicle lane change intention recognition model based on TCN-LSTM network is proposed, which combines the temporal processing capability of TCN (Temporal Convolutional Network) with the gate memory mechanism of LSTM (Long Short Term Memory Network). In the investigation, firstly, the driving intentions of the target vehicle are divided into three types, namely going straight, changing lanes to the left, and changing lanes to the right. The running state indicators of the target vehicle and its surrounding neighboring vehicles (including the adjacent front and rear vehicles in the same lane, left lane and right lane) are extracted from the Citysim vehicle trajectory dataset using the median filtering algorithm. Secondly, to overcome the low recognition accuracy, long training time and slow parameter updating existing in statistical theories and traditional machine learning methods, the dilated convolution technique is used to extract the temporal features of time series, and the gate memory units are used to capture the long-term dependency relationships of temporal features. With 54 indicators, including the speed, acceleration, heading angle, heading angle change rate, and relative position information of the target vehicle and surrounding neighboring vehicles, as input parameters, and with the lane change intention of the vehicle as the output indicator, a vehicle lane -change intention recognition model based on the TCN-LSTM network is constructed. Finally, the recognition accuracy of TCN, SVM (Support Vector Machines), LSTM, and TCN-LSTM models under different input time steps are comparatively analyzed. The results show that, when the input time series length is 150 frames, the recognition accuracy of the TCN-LSTM model reaches a maximum of 96.67%; and that, in terms of overall classification accuracy, as compared with LSTM, TCN and SVM models, the TCN-LSTM model improves the classification correctness of lane change intention by 1.34, 0.84 and 2.46 percentage points, respectively, which demonstrates better classification performance.

Key words: transportation engineering, lane change intention, temporal convolutional network, long short term memory neural network, vehicle trajectory, CitySim dataset

中图分类号:

U461.91

苑仁腾, 王晨竹, 项乔君, 等. 轨迹数据驱动的车辆换道意图识别模型[J]. 华南理工大学学报(自然科学版), 2024, 52(6): 34-44.

YUAN Renteng, WANG Chenzhu, XIANG Qiaojun, et al. Trajectory Data-Driven Model for Vehicle Lane Change Intention Recognition[J]. Journal of South China University of Technology(Natural Science Edition), 2024, 52(6): 34-44.

图/表 15

图1

图2

表1

图3

图4

图5

图6

图7

图8

图9

表2

图10

图11

图12

表3

参考文献 30

1	CHEN T， SHI X， WONG Y D，et al ．Predicting lane-changing risk level based on vehicles’ space-series features：a pre-emptive learning approach［J］．Transportation Research Part C：Emerging Technologies，2020，116：102646/1-21．
2	HOU Y， EDARA P， SUN C ．Situation assessment and decision making for lane change assistance using ensemble learning methods［J］．Expert Systems with Applications，2015，42：3875-3882．
3	王亚伦．基于驾驶意图识别的人机共驾车道保持控制系统研究［D］．青岛：青岛大学，2022．
4	李亚秋，吴超仲，马晓凤，等．基于EKF学习方法的BP神经网络汽车换道意图识别模型研究［J］．武汉理工大学学报（交通科学与工程版），2013，37（4）：843-847．
	LI Yaqiu， WU Chaozhong， MA Xiaofeng，et al ．A recognition model for lane change intention based on neural network with EKF algorithm［J］．Journal of Wuhan University of Technology （Transportation Science & Engineering），2013，37（4）：843-847．
5	XU G， LIU L，OU Y ．Dynamic modeling of driver control strategy of lane-change behavior and trajectory planning for collision prediction［J］．IEEE Transactions on Intelligent Transportation Systems，2012，13（3）：1138-1155．
6	MCCALL J C， WIPF D P， TRIVEDI M M，et al ．Lane change intent analysis using robust operators and sparse Bayesian learning［J］．IEEE Transactions on Intelligent Transportation Systems，2007，8（3）：431-440．
7	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．
8	彭金栓，付锐，郭应时，等．基于驾驶人视觉特性的换道意图识别方法［J］．武汉理工大学学报，2013，35（3）：73-79．
	PENG Jin-shuan， FU Rui， GUO Ying-shi，et al ．Lane change intent identification based on drivers’ visual characteristics［J］．Journal of Wuhan University of Technology，2013，35（3）：73-79．
9	袁伟，付锐，郭应时，等．基于视觉特性的驾驶人换道意图识别［J］．中国公路学报，2013，26（4）：132-138．
	YUAN Wei， FU Rui， GUO Ying-shi，et al ．Drivers’ lane changing intention identification based on visual characteristics［J］．China Journal of Highway and Transport，2013，26（4）：132-138．
10	商艳，朱守林，戚春华．基于瞳孔变动视觉特征的驾驶人换道意图识别［J］．计算机仿真，2020，37（8）：77-81．
	SHANG Yan， ZHU Shou-lin， QI Chun-hua ．Driver lane change intention recognition based on pupil characteristics［J］．Computer Simulation，2020，37（8）：77-81．
11	彭金栓，付锐，邵毅明，等．基于Logistic模型的驾驶人换道意图识别方法［J］．科技导报，2014，32（14）：69-73．
	PENG Jinshuan， FU Rui， SHAO Yiming，et al ．Lane changing intent identification based on Logistic regression model［J］．Science & Technology Review，2014，32（14）：69-73．
12	宋晓琳，曾艳兵，曹昊天，等．基于长短期记忆网络的换道意图识别方法［J］．中国公路学报，2021，34（11）：236-245．
	SONG Xiao-lin， ZENG Yan-bing， CAO Hao-tian ．Lane change intention recognition method based on LSTM network［J］．China Journal of Highway and Transport，2021，34（11）：236-245．
13	方艺洁，廖祝华，黄浩楷，等．多模型融合的换道意图识别研究［J］．计算机工程与应用，2024，60（2）：344-352．
	FANG Yijie， LIAO Zhuhua， HUANG Haokai，et al ．Lane change intention recognition based on multi-model fusion［J］．Computer Engineering and Applications，2024，60（2）：344-352．
14	张海伦，付锐．高速场景相邻前车驾驶行为识别及意图预测［J］．交通运输系统工程与信息，2020，20（1）：40-46．
	ZHANG Hai-lun， FU Rui ．Driving behavior recognition and intention prediction of adjacent preceding vehicle in highway scene［J］．Journal of Transportation Systems Engineering and Information Technology，2020，20（1）：40-46．
15	张新锋，王万宝，柳欢，等．高速动态交通场景下自动驾驶车辆换道意图识别模型研究［J］．汽车技术，2023（4）：8-15．
	ZHANG Xinfeng， WANG Wanbao， LIU Huan，et al ．Research on lane change intention recognition model of automated vehicle in high-speed dynamic traffic scenario［J］．Automobile Technology，2023（4）：8-15．
16	卢辉遒，赵枫，谢波，等．冰雪环境下基于神经网络的驾驶人换道意图识别［J］．吉林大学学报（工学版），2023，53（1）：273-284．
	LU Huiqiu， ZHAO Feng， XIE Bo，et al ．Driver’s lane change intention recognition in snow and ice environment based on neural network［J］．Journal of Jilin University （Engineering and Technology Edition），2023，53（1）：273-284．
17	DANG R， ZHANG F， WANG J，et al ．Analysis of Chinese driver’s lane change characteristic based on real vehicle tests in highway［C］∥Proceedings of the 16th International IEEE Conference on Intelligent Transportation Systems （ITSC 2013）．The Hague：IEEE，2013：1917-1922．
18	KUMAR P， PERROLLAZ M， LEFEVRE S，et al ．Learning-based approach for online lane change intention prediction［C］∥Proceedings of the 2013 IEEE Intelligent Vehicles Symposium （Ⅳ）．Queensland：IEEE，2013：797-802．
19	GAO J， YI J， MURPHEY Y ．Joint learning of video images and physiological signals for lane-changing behavior prediction［J］．Transportmetrica A：Transport Science，2022，18（3）：1234-1253．
20	王亚伦，陈焕明，赵岩．基于条件随机场的驾驶意图识别研究［J］．青岛大学学报（工程技术版），2021，36（4）：88-94，114．
	WANG Yalun， CHEN Huanming， ZHAO YAN ．Research on driving intention recognition based on conditional random field［J］．Journal of Qingdao University （Engineering & Technology Edition），2021，36（4）：88-94，114．
21	杨志强，朱家伟，穆蕾，等．基于高斯混合隐马尔科夫模型的自由换道识别［J］．计算机系统应用，2022，31（8）：388-394．
	YANG Zhi-Qiang， ZHU Jia-Wei， MU Lei，et al ．Recognition of free lane change based on Gaussian mixture hidden Markov model［J］．Computer Systems & Applications，2022，31（8）：388-394．
22	季学武，费聪，何祥坤，等．基于LSTM网络的驾驶意图识别及车辆轨迹预测［J］．中国公路学报，2019，32（6）：34-42．
	JI Xue-wu， FEI Cong， HE Xiang-kun，et al ．Intention recognition and trajectory prediction for vehicles using LSTM network［J］．China Journal of Highway and Transport，2019，32（6）：34-42．
23	PARK M， JANG K， LEE J，et al ．Logistic regression model for discretionary lane changing under congested traffic［J］．Transportmetrica A：Transport Science，2015，11（4）：333-344．
24	KOENIG A， REHDER T， HOHMANN S ．Exact inference and learning in hybrid Bayesian Networks for lane change intention classification［C］∥Proceedings of the 2017 IEEE Intelligent Vehicles Symposium （Ⅳ）．Los Angeles：IEEE，2017：1535-1540．
25	陈亮，冯延超，李巧茹．基于Multi-class SVM的车辆换道行为识别模型研究［J］．安全与环境学报，2020，20（1）：193-199．
	CHEN Liang， FENG Yan-chao， LI Qiao-ru ．Probe into the multi-class SVM-based recognition model for the vehicle lane-altering behaviors［J］．Journal of Safety and Environment，2020，20（1）：193-199．
26	BAI S， KOLTER J Z， KOLTUN V ．An empirical evaluation of generic convolutional and recurrent networks for sequence modeling［C］∥Proceedings of the International Conference on Learning Representations （ICLR） Workshop．Vancouver：［s. n.］，2018．
27	ZHENG O， ABDEL A M， YUE L，et al ．CitySim：a drone-based vehicle trajectory dataset for safety oriented research and digital twins［J］．National Academy of Sciences：Transportation Research Board，2024，2678（4）：606-621．
28	HE K， ZHANG X， REN S，et al ．Deep residual learning for image recognition［C］∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition．Las Vegas：IEEE，2016：770-778．
29	COIFMAN B， LI L ．A critical evaluation of the next generation simulation （NGSIM） vehicle trajectory dataset［J］．Transportation Research Part B：Methodological，2017，105：362-377．
30	GU X， ABDEL A M， XIANG Q，et al ．Utilizing UAV video data for in-depth analysis of drivers’ crash risk at interchange merging areas［J］．Accident Analysis & Prevention，2019，123：159-169．

字段	单位	说明
CarId		车辆编号，每辆车分别对应唯一的车辆编号
FrameNum		数据帧号，每1 s采集30帧数据
CarCenterX	像素	车辆边界框中心像素点的x坐标值
CarCenterY	像素	车辆边界框中心像素点的y坐标值
BoundingBox1X	英尺	车辆边界框顶点1的x坐标值
BoundingBox1Y	英尺	车辆边界框顶点1的y坐标值
︙	︙	︙
BoundingBox4X	英尺	车辆边界框顶点4的x坐标值
BoundingBox4Y	英尺	车辆边界框顶点4的y坐标值
CarCenterLat	（°）	车辆边界框中心像素点的纬度
CarCenterLon	（°）	车辆边界框中心像素点的经度
︙	︙	︙
LaneId		车道编号，即车辆当前所处车道编号

输入指标	变量描述
E-，P-，F-，LP-，LF-，RP-，RF-v_x	目标车辆和周边车辆的纵向速度，km/h
E-，P-，F-，LP-，LF-，RP-，RF-v_y	目标车辆和周边车辆的侧向速度，km/h
E-，P-，F-，LP-，LF-，RP-，RF-a_x	目标车辆和周边车辆的纵向加速度，m/s²
E-，P-，F-，LP-，LF-，RP-，RF-a_y	目标车辆和周边车辆的侧向加速度，m/s²
E-，P-，F-，LP-，LF -，RP-，RF-θ	目标车辆和周边车辆的航向角，（°）
E-，P-，F-，LP-，LF -，RP-，RF-Δθ	目标车辆和周边车辆的航向角变化率，（°）/s
dw₀，dw₁，dw₂，dw₃，dw₄，dw₅	目标车辆和周边车辆的车头间距，m
P-，F-，LP-，LF -，RP-，RF-val	1表示对应车辆轨迹未被记录或不存在，0表示对应车辆轨迹被记录

模型	类别	精确率/%	召回率/%	准确率/%
TCN	LK	90.47	97.36	95.83
	RLC	98.17	95.77
	LLC	98.81	94.28
LSTM	LK	90.10	96.40	95.33
	RLC	97.83	95.56
	LLC	97.93	93.73
SVM	LK	88.31	97.29	94.21
	RLC	97.23	93.46
	LLC	96.88	92.10
TCN-LSTM	LK	94.19	95.70	96.67
	RLC	98.99	97.13
	LLC	96.37	97.16

[1]	朱宇, 徐志刚, 赵祥模, 等. 基于时间序列生成对抗网络的自动驾驶汽车高速公路变道切入测试场景自动生成算法 [J]. 华南理工大学学报(自然科学版), 2024, 52(8): 76-88.
[2]	雷财林, 赵聪, 娄刃, 暨育雄, 杜豫川. 路侧感知车辆轨迹数据的质量评估方法[J]. 华南理工大学学报(自然科学版), 2024, 52(6): 56-72.
[3]	王琳虹, 李洪涛, 李若楠. 考虑驾驶人视觉搜索能力的雨天公路限速设计[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 20-29.
[4]	马书红, 杨磊, 陈西芳. 风险扩散下城市群多模式交通网络的韧性演化[J]. 华南理工大学学报(自然科学版), 2023, 51(6): 42-51.
[5]	林永杰, 陈宁, 卢凯. 基于毫米波雷达点云的路口车辆轨迹跟踪方法[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 110-125.
[6]	胡郁葱, 韦湖, 曾强. 基于空间广义有序Probit模型的高速公路事故严重程度分析[J]. 华南理工大学学报(自然科学版), 2023, 51(1): 114-122.
[7]	卢凯, 赵世杰, 吴焕, 等. 饱和交叉口的双向红绿波协调设计数解算法[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 1-11.
[8]	秦雅琴, 钱正富, 谢济铭, 等. 基于社会力的交织区突发瓶颈段协同换道决策模型[J]. 华南理工大学学报(自然科学版), 2022, 50(7): 66-75.
[9]	卢凯, 吴蔚, 邓兴栋, 等. 控制子区内协调路径集的构成及优选方法[J]. 华南理工大学学报(自然科学版), 2022, 50(2): 1-14.
[10]	黄玲, 黄子虚, 吴泽荣, 等. 不同行为模型框架下的数据驱动类人驾驶模型比较[J]. 华南理工大学学报(自然科学版), 2022, 50(10): 1-10.
[11]	马新露, 樊博, 陈诗敖, 等. 基于实时交通流的事故风险评估与分析模型[J]. 华南理工大学学报(自然科学版), 2021, 49(8): 19-25,34.
[12]	杨丽平, 边扬, 赵晓华, 等. 导航播报措辞复杂度对驾驶行为的影响[J]. 华南理工大学学报（自然科学版）, 2021, 49(3): 139-148.
[13]	常鑫, 李海舰, 荣建, 等. 隧道路段预警作用下的时空集计通行能力分析[J]. 华南理工大学学报（自然科学版）, 2020, 48(9): 107-115,123.
[14]	胡宝雨庞钰裴玉龙. 适应时空不均衡客流的多车型公交时刻表优化[J]. 华南理工大学学报（自然科学版）, 2020, 48(11): 38-48.
[15]	袁华陈泽濠. 基于时间卷积神经网络的短时交通流预测算法[J]. 华南理工大学学报（自然科学版）, 2020, 48(11): 107-113,122.

轨迹数据驱动的车辆换道意图识别模型

Trajectory Data-Driven Model for Vehicle Lane Change Intention Recognition

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 30

相关文章 15

编辑推荐

Metrics

本文评价