加拿大滑鐵盧大學曹東璞教授團隊提出了在基于駕駛員行為分析的基礎上，進一步明確駕駛員人腦意圖產生機制并建模，從而希望在駕駛員執行具體車輛操作之前獲得準確的駕駛意圖判斷。

研究意義

智能汽車的發展和高級駕駛員輔助系統的普及為車輛安全帶來了極大保障，進一步提高了車輛的駕駛安全性和舒適性。然而，隨著車輛智能化的發展，智能控制單元與駕駛員越來越多的共享對車輛的底層控制權，智能汽車會難以避免的對駕駛員進行“奪權”，或在重要時刻干擾駕駛員做出有利于駕駛員本身利益的控制策略，進而造成安全隱患。因此，智能汽車不能忽視對車輛最高決策者－駕駛員的理解和感知?，F階段的高級駕駛員輔助系統已經初步具備對駕駛員的行為的監控功能，如預防疲勞駕駛的人眼識別、防止分心的動作識別、以及駕駛員情緒識別。然而，從智能人車共駕角度來看，僅僅檢測駕駛員的面部特征和行為仍然難以滿足車輛智能駕駛的需求。因此，加拿大滑鐵盧大學曹東璞教授團隊提出了在基于駕駛員行為分析的基礎上，進一步明確駕駛員人腦意圖產生機制并建模，從而希望在駕駛員執行具體車輛操作之前獲得準確的駕駛意圖判斷。

駕駛意圖的推理能夠使駕駛員輔助系統更全面的理解和輔助駕駛員的駕駛任務。以換道意圖為例，換道意圖預測有助于幫助車輛環境感知系統提早檢測駕駛員的感興趣駕駛區域，實現盲區探測和駕駛預警。同時，還能避免因駕駛員不規范換道操作，如沒有開啟轉向燈而造成的與道路保持系統對車輛控制權的沖突問題。該團隊在完善人腦意圖認知模型的同時，正將此模型用于高級別無人駕駛車輛的決策與規劃問題。通過學習熟練駕駛員的意圖產生與決策機制，指導未來無人車輛在相似道路環境下的擬人化決策問題。駕駛員的意圖推理也可以促進駕駛員場景認知（situationawareness）研究，通過學習駕駛員的駕駛特性、駕駛知識、車輛交互方法，建立一套更完整駕駛員認知模型。

意圖推理劃分

精確區分駕駛員意圖等級是駕駛意圖推理的前提。駕駛員意圖可以從多個方面進行分類，如時間尺度，運動方向以及意圖預測任務的數量方面。從時間尺度上來說，可分為策略級（Strategical Level）， 任務級（Tactical Level）， 及操控級（Operational Level），如圖1所示。位于頂層的策略級意圖是對當前駕駛任務的整體策劃，如選擇相關的路線、駕駛策略、目的地等。其時間尺度最長，通常在分鐘或小時級。任務級駕駛意圖是研究的重點，其包含了各種常見的駕駛行為，如換道、轉向、制動等。由于道路環境的隨機性，這一部分的駕駛意圖無法像策略級意圖那樣精確判斷，只能依賴于時序駕駛員行為特征進行反推。這一級別的駕駛意圖通常在分鐘級或秒級。最底層的操控級意圖是任務級意圖的具體表現，如駕駛員對車輛的橫、縱向控制。操控級的意圖比前兩級意圖更加快速，通常在秒級或毫秒級。每個任務級意圖通常由一系列的操控級意圖組成。因此，對任務級意圖的推斷可以通過識別駕駛員相關的操控行為得出。其他的駕駛員意圖分類方法還有基于車輛運動方向的橫向和縱向意圖分類方法、基于意圖預測任務，如單一意圖與多意圖融合的預測方法。

圖1． 駕駛員意圖時間尺度分類

意圖推理方法

駕駛員意圖推理的方法主要集中于機器學習的建模方式，如生成式模型（隱馬爾可夫模型、動態貝葉斯網絡）和判別式模型（支持向量機、前饋神經網絡、決策樹）等。判別式模型多采用非時序特征數據作為模型輸入并將模型等價為分類網絡進行駕駛意圖判斷。以隱馬爾科夫模型為例的生成式模型允許短期時序數據進行建模。然而由于模型體積和深度因素，通常難以捕捉長期時序數據的動態特性，模型的預測能力和精度較低。根據UCSD Trivedi團隊發現，相對于判別式模型，生成式模型對多意圖推理的任務更為有效。近年來，隨著深度學習技術的發展，時序深度神經網絡也逐步被用于駕駛員或智能車輛的決策與規劃。深度循環神經網絡作為目前主流的時序神經網絡也被用于駕駛員的意圖推理。結合長短期記憶網絡，深度循環神經網絡具備更深的網絡結構，可以保存更長時間的駕駛員行為特征，有利于獲取長期序列駕駛行為間的依賴關系，建立更加精確的意圖推理模型。

除基于學習的方法外，Drexel University的D． Salvucci等人也從認知心理學角度出發開發了基于數學模型的認知過程表征方法，可以較為明確的解釋部分意圖產生的機制和機理，然而，基于明確數學模型的方法難以有效利用駕駛員行為數據，無法充分考慮如駕駛風格、分心或疲勞等其他精神層面因素對駕駛意圖的影響。同時，目前智能車輛動輒可具備上百個傳感器，基于數學的表征方法難以充分利用時序車輛動態特性對駕駛意圖進行精確預測。常見的駕駛意圖建模方法如圖2所示。

圖2． 駕駛員意圖建模方法分類

意圖推理評價指標

意圖推理的評價指標可以從精確度和超前性兩方面進行判斷。以換道意圖為例，根據駕駛員的換道行為可以將換道意圖簡單分為直線保持、左換道和右換道。通過監督學習使模型產生相應的預測結果，結合接受者操作特征（ROC）曲線等分類精度判別方法可以測量駕駛意圖的預測精度。超前性的評價相對復雜，以圖3所示的換道重要時刻為例，T1時刻代表駕駛員產生換道意圖，由于隱性換道意圖的不可測性，難以精確測量具體的意圖產生時刻。T2時刻代表駕駛員開始執行換道操作并在T3時刻車輛跨越當前車道的車道線，最終在T4時刻完成完整的換道行為。因此，換道意圖推理的目的是在T3時刻之前判斷出車輛換道行為。更嚴格地，需要在T2時刻駕駛員開始執行換道操作之前預測出當前的駕駛意圖。隨著觀測時間的縮短，意圖推理難度也不斷增大。

圖3． 換道過程重要時刻

展望

目前針對駕駛員意圖的研究主要集中在單一的意圖推理方法研究上，其通常需要假設駕駛員會完成換道動作并在模型建立過程中只采用成功的換道數據。這在復雜的交通場景下通常難以獲得滿意的預測精度。同時，尚沒有建立駕駛員意圖與其他駕駛員狀態間的關系，如不同注意程度或疲勞程度可以產生不同的駕駛行為。未來需要全面結合駕駛員狀態分析和行車環境分析數據，建立強魯棒的駕駛員狀態自適應模型以精確預測駕駛意圖。

相關研究成果已發表在 IEEE Transactions on Vehicular Technology 匯刊：Yang Xing， Chen Lv， Huaji Wang， Hong Wang， Yunfeng Ai， Dongpu Cao， Efstathios Velenis， Fei－Yue， Wang． （2019） Driver Lane Change Intention Inference for Intelligent Vehicles： Framework， Survey， and Challenges． IEEE Transactions on Vehicular Technology． 14 pages． （Early Access）