检测换道行为对行车安全至关重要，特别是在高速公路上。本文提出了一种基于学习的公路环境下车道变化行为检测模型，该模型只需车辆配备速度和方向传感器，或每一路段都有摄像机。首先，基于下一代仿真(NGSIM)的80号州际高速公路数据集，分析了车道变换行为的相关特征，并对数据进行预处理，然后利用机器学习算法选择合适的特征进行换道检测。根据特征选择的结果，选择车辆的横向速度作为车道变化特征，并利用机器学习算法来学习车辆的换车道行为。该实验以“Learning-Based Lane-Change Behaviour Detection for Intelligent and Connected Vehicles”为题于2020年10月1日在《Computational Intelligence and Neuroscience》杂志出版。

近几年来，随着人工智能和通信技术的飞速发展，基于智能和网络化的智能车辆已成为汽车工业发展的一大趋势。从技术发展的角度，将智能车辆分为三个发展方向：车联网(CV)、自动驾驶汽车(AV)，以及前两者的集成，即智能网联自动驾驶汽车(CAV)或智能网联汽车(ICV)。

ICV在提高行车安全、减轻驾驶员负担、节约能源、保护环境、提高交通效率等方面发挥着重要作用。研究表明，在ICV起步阶段，先进的智能驾驶辅助技术可使交通事故减少30%左右，交通效率提高10%，油耗和排放减少5%。

该实验提出了一种基于学习的高速公路车道换向行为检测模型，该模型只需要车辆配备速度和方向传感器，或者每一路段都有摄像机。本文的主要贡献可归纳如下：

(1)基于NGSIM高速公路80号州际公路数据集，对车辆车道变化行为特征进行了分析和选择，并对数据进行了预处理和重构，包括非车道变化、单车道变化和顺序换道。

(2)在分析车辆换车道过程的基础上，考虑到ICVS应用中的实时性要求，提出了基于K-最近邻(KNN)的车辆车道变化检测模型，并与额外树(ET)和随机森林(RF)进行了比较。

(3)通过特征选择，将速度和行驶方向相结合、易于采集的横向速度作为车道变化检测的特征进行挖掘。

如图所示，将长度为1650英尺的六车道研究区划分为七个分区.在每个子区域，在靠近车道的高层建筑上安装了一个视频探测器，并对该分区的交通进行了拍摄和记录。从而得到我们想要的数据进行计算。

特征选择中使用的数据是不连续的，因此学习到的特征是相对独立的，并且与相邻的数据没有任何关系。在实际驾驶过程中，车辆换道行为的数据往往只占整个数据集的一小部分。因此，为了进一步分析和建立车辆驾驶过程中的车道变化检测模型，我们从14辆车道频繁变化的车辆中选取连续数据进行分析、训练和测试。

换车道行为包括单车道换挡和顺序换车道。图1中显示了从选定数据中截取的单车道变化的横向速度。由此我们可以看出，当车辆改变车道时，会出现一个显著的峰谷，并且可以通过了解峰/谷的阈值来判断车辆是否在改变车道。图2中显示了从选定数据中截取的顺序车道变化的横向速度。与单车道换车类似，当车辆改道时，也会出现明显的峰谷。此外，在顺序车道变化中还会出现一个连续的峰/谷或一个较大的横向速度峰值/谷，这也可以用来判断车辆是否在依次改变车道。

 图1：单车道横向速度变化。

 图2：顺序车道横向速度变化。

KNN是一种简单的分类方法，它可以在没有数据分布先验知识的情况下进行有效的分类，而ET和RF也是如此。

RF是一种通过集成学习的思想集成多棵树的算法，其基本单元是决策树。随机森林模型的建立过程主要分为四个步骤：(1)首先，需要建造一棵树。如果有N样本，随机抽取N要替换的样本(一次随机选择一个样本，然后返回继续选择)。所选N样本用于将决策树训练为决策树的根节点上的样本。(2)每个样本M属性；当需要拆分决策树的每个节点时，m属性是从M满足条件的属性m << M。然后，使用一些策略，如信息获取和吉尼指数。m属性选择一个属性作为节点的拆分属性。(3)重复步骤2，直到它不能再分裂为止。(4)按照步骤1∼3构建大量决策树以形成林。

KNN算法可以描述如下：

(1) 初始化培训集和类别

(2) 计算测试集样本与训练集样本之间的欧氏距离

(3) 根据欧氏距离按升序排序训练集样本

(4) 选择第一个K具有最小欧氏距离的训练样本并计算它们在每个类别中的频率

(5) 返回频率最高的类别，即测试集样本，属于此类别。

首先对选定的数据集执行KNN。为了选择最合适的邻居数量，我们在由14辆车的数据组成的数据集上对不同数量的邻居进行了训练和测试，并分别获得了其准确性。图中显示了不同数目的KNN邻居的结果。从中可以看出，训练集的准确性随着邻居数的增加而降低，同时测试集的精度随着邻居数的增加而增加。当邻接数增加到9个时，训练集和测试集的准确性都保持稳定。因此，适合作为邻居的数目来确定。

    结论总结  

提出了一种智能联网车辆换道检测方法.在车辆换道行为特征选择的基础上，设计了基于机器学习的检测模型，并对所选数据集进行了效果验证和比较。首先对基于NGSIM 80号州际公路数据集的数据集进行车道变化检测.然后，在处理后的数据集上进行车道变化检测的特征选择，选择横向速度作为车道变化检测的特征。然后，根据处理后的数据集中的真实数据，对车道变换模型进行了分析，并设计了检测模型。最后，在实验的基础上确定了KNN的邻居数，并利用评价指标对KNN、ET和RF的性能进行了分析。实验结果表明，所设计的KNN模型在选取的14辆车的所有数据集中性能最好，检测准确率在89.57%~100%之间，表明该模型能够很好地完成ICV换车道行为检测的任务。

在未来的工作中，车辆传感器的实测数据可以扩展车道变换场景，建立适应性更广的数据集，并进一步优化检测模型，并在嵌入式硬件上实现，实现了ICV车道变化实时检测系统。

智能车这一项还是非常值得我们期待的一项未来有希望改变我们生活的伟大科技的，我相信在不久的将来就会成为智能车上路的现实，希望那时候的无人智能自动驾驶会减少目前车祸概率！科技改变生活，创造开发未来！

文章链接：https://www.hindawi.com/journals/cin/2020/8848363/