中文标题：面向高限速交叉口危险驾驶行为主动识别的实时车辆轨迹预测

作者： Chaopeng Tan, Nan Zhou, FenWang, Keshuang Tang, and Yangbeibei Ji*

已见刊于：Transportation Research Record, 2018, Vol. 2672(38) 233–244

关键词：实时轨迹预测、高限速交叉口、危险驾驶行为、自适应卡尔曼滤波、智能驾驶人模型

长相位切换时间（3秒绿闪+3秒黄灯）在国内城市有着广泛的应用。然而这种长相位切换可能会导致驾驶员在绿灯结束阶段有着不同的决策，部分驾驶员可能选择通过，部分驾驶员可能选择停车。因此，在这些交叉口时常会由于前后车辆决策的不同导致一些危险驾驶行为的产生，如激进通过、紧急停车、闯红灯等，进一步导致直角碰撞或追尾等事故的发生。主动识别这类危险驾驶行为可以促进缓解两难区事故并研发相应的车载安全预警策略。

近年来车路协同、智能网联、视频检测等技术的发展使得获取实时、高精度车辆轨迹成为可能。已有部分研究利用轨迹数据提供的信息，如速度、加速度和加加速度等信息来主动识别危险驾驶行为，并实现了良好的识别精度。然而，这些方法无法预测未来的危险驾驶行为，且并未考虑信控交叉口的信号相位变化和清空时间等。也有部分研究通过预测车辆轨迹，来制定缓解两难区、安全预警和预防闯红灯策略。然而这些方法通常基于定点检测器得到的速度信息，此外他们通常假设车辆的速度是不变的。考虑到驾驶员在接近交叉口时可能会依据信号状态和周边交通环境改变其决策和行驶速度，该假设过于理想，限制了这类方法的实际应用。

因此，本研究的主要目的是基于高精度轨迹数据提出一种实时预测相位切换期间车辆接近交叉口的行驶轨迹的方法，并探索预测轨迹在相位切换期间危险驾驶行为识别的应用。方法主要考虑两种典型场景，单车场景和跟车场景，如图1流程图所示。单车轨迹的预测结合了自适应卡尔曼滤波和K邻近法，而跟车轨迹预测则融合了自适应卡尔曼滤波和智能驾驶人模型。

图1 方法流程图

方法主要包括三个步骤：首先，在绿闪启亮时刻，依据车辆与前车的距离将接近交叉口车辆区分为单车和跟车车辆。目标车辆在绿闪开始前1秒的速度和位置信息作为轨迹预测的初始状态，并用于预估计的基本输入；而后，分别采用K邻近法和智能驾驶人模型对单车和跟车车辆的轨迹进行预估计；最后，采用自适应卡尔曼滤波方法对各类车辆轨迹进行最终预测，直到红灯启亮。

轨迹数据通过布设高精度相机在上海市曹安公路上四个典型的高限速交叉口采集得到，由George2.0软件提取，包括事件、速度、加速度、行驶距离等信息。单车轨迹仅选取绿闪开始后最后停车和最先通过的车辆进行分析，以避免前车存在的影响；跟车轨迹采用与前车距离小于100米作为阈值进行选取。最终，选取得到相位切换期间的832辆单车轨迹（617辆小车和215辆大车）和449辆跟车轨迹（419辆小车和30辆大车）用于验证。

图2 轨迹数据图

研究采用均方根误差（root mean square error，RMSE）来衡量轨迹预测的精度。预测结果如表所示，单车轨迹的总体预测误差为5.02米，跟车轨迹的预测误差的2.33米。

表1 提出模型的预测精度

下图展示了一些预测轨迹的示例。可见，即便当预估计轨迹偏离真实轨迹时，自适应卡尔曼滤波可以有效地纠正预测轨迹。

图3 预测轨迹示例

最后，本研究还将预测轨迹用于主动识别相位切换期间的危险驾驶行为。依据速度、加速度、加加速度等轨迹信息定义以下五种危险驾驶行为：突然停车、闯红灯、加速通过、激进通过以及激进跟随。实证轨迹中，162辆单车轨迹（120辆小车和42辆大车）与105辆跟车轨迹（105辆小车和0辆大车）被用于该部分验证。危险驾驶行为识别结果如下表所示。单车危险驾驶行为识别准确率达95.1%，跟车危险驾驶行为识别准确率达96.2%。

表2 危险驾驶行为识别结果

综上，本研究提出了一种面向高限速信号控制交叉口相位切换期间、可用于主动危险驾驶行为识别的实时轨迹预测方法。实证数据验证结果表明该方法可以准确预测车辆的轨迹并用于危险驾驶行为识别。该成果可进一步服务于两难区缓解方法、车载安全预警策略和面向交通安全的动态信号控制的研发，从而改善存在长相位切换时间的高限速信号控制交叉口的交通安全。