实车数据驱动的换道意图识别研究

摘要

为提升智能驾驶辅助系统对驾驶员行为的换道意图识别能力，增强车辆在动态交通环境下的换道安全性，构建了基于随机森林(RF)与极端梯度提升(XGBoost)的换道意图识别模型，并系统对比其在不同换道时窗条件下的性能差异。通过道路实测共采集852组车辆换道数据，采用3∶1比例划分训练集与测试集，并对数据进行最大最小归一化预处理。在模型构建过程中，结合网格搜索技术对模型关键超参数进行优化，基于混淆矩阵、ROC曲线及F1分数等指标评估识别效果。实验结果显示，RF模型在1～5 s换道时窗内整体表现优于XGBoost模型，但随着意图时间窗扩展至5 s, RF和XGBoost 2种模型的换道意图识别性能均出现了一定程度的下降。进一步选取在2 s与3 s时窗下的特征重要性进行分析，结果表明，方向盘转角均为最关键的特征变量。研究结果验证了RF模型在动态驾驶意图识别任务中的鲁棒性与适应性，为多车道复杂交通场景下的智能驾驶决策系统提供了理论支持与方法参考。

关键词

交通系统安全 / 换道意图识别 / 随机森林 / 极端梯度提升 / 特征重要性