[论文解读] A Driving Intention Prediction Method Based on Hidden Markov Model for Autonomous Driving

Shiwen Liu, Kan Zheng+2 more|arXiv (Cornell University)|Feb 25, 2019

Autonomous Vehicle Technology and Safety参考文献 17被引用 7

一句话总结

本文提出一种基于真实飞机场数据训练的隐马尔可夫模型（HMM）驱动意图预测方法。通过将车辆移动特征离散化（采用K均值聚类）或连续化（采用高斯混合模型，GMMs）建模，当结合连续特征表征和周围车辆动态时，HMM能够更准确地预测未来驾驶意图。

ABSTRACT

In a mixed-traffic scenario where both autonomous vehicles and human-driving vehicles exist, a timely prediction of driving intentions of nearby human-driving vehicles is essential for the safe and efficient driving of an autonomous vehicle. In this paper, a driving intention prediction method based on Hidden Markov Model (HMM) is proposed for autonomous vehicles. HMMs representing different driving intentions are trained and tested with field collected data from a flyover. When training the models, either discrete or continuous characterization of the mobility features of vehicles is applied. Experimental results show that the HMMs trained with the continuous characterization of mobility features can give a higher prediction accuracy when they are used for predicting driving intentions. Moreover, when the surrounding traffic of the vehicle is taken into account, the performances of the proposed prediction method are further improved.

研究动机与目标

• 为在混合交通环境中预测人类驾驶车辆的意图，以实现更安全的自动驾驶操作。
• 通过利用真实世界现场采集的移动数据而非模拟驾驶数据，提升预测准确率。
• 通过整合邻近车辆动态，研究周围交通对意图预测的影响。
• 比较离散与连续特征表征在HMM驱动意图建模中的性能差异，以实现最优表现。
• 评估邻近车辆相对位置与速度比对预测准确率的贡献。

提出的方法

• 该方法使用隐马尔可夫模型（HMMs）将驾驶意图建模为隐状态，将移动特征（如速度、位置）作为可观测输出。
• 移动特征通过K均值聚类实现离散化表征（离散表征），或通过高斯混合模型（GMMs）实现连续表征。
• HMM通过在高架桥上采集的真实轨迹数据进行训练，确保其具备真实世界适应能力。
• 使用维特比算法（Viterbi algorithm）进行预测，以在给定可观测移动特征的前提下，寻找最可能的隐状态序列（即驾驶意图）。
• 观测向量同时包含目标车辆的历史信息以及周围车辆的相对位置与速度。
• 特征矩阵扩展以包含相对位置差值与车道速度比，从而捕捉交通上下文影响。

实验结果

研究问题

• RQ1 与离散表征相比，HMM中采用连续特征表征是否能带来更高的预测准确率？
• RQ2 在驾驶意图模型中引入周围车辆动态是否能提升预测性能？
• RQ3 预测时间延迟对HMM预测意图准确率有何影响？
• RQ4 不同HMM超参数（如隐藏状态数Q、高斯分量数M）如何影响预测准确率？
• RQ5 在模型中引入相邻车辆的相对位置与速度比，是否能增强其预测变道意图的能力？

主要发现

• 使用GMM进行连续移动特征表征训练的HMM，其预测准确率显著高于采用K均值聚类进行离散表征的HMM。
• 随着预测时间范围延长，预测准确率下降，但模型在提前3秒的预测中仍保持稳健性能。
• 引入周围车辆的移动特征可提升预测准确率，尤其在长时间预测中，因能更好地建模交通约束。
• 周围车辆的相对位置是关键的上下文线索，尤其在限制或允许变道意图方面具有显著作用。
• 相邻车道与当前车道之间的速度比进一步提升了预测准确率，因其反映了驾驶员对速度的追求动机。
• 虽然增加特征可提升准确率，但可能导致迭代算法收敛性下降，当特征数量过多时，平均准确率出现轻微下降。