徐莉，趙群飛

0 引言

隨著社會經(jīng)濟和工業(yè)技術的快速發(fā)展，車輛在人民的生活中扮演著日益重要的作用，給我們的生活水平的提高和業(yè)余生活的豐富帶來了便捷。擁有駕駛證和車輛的高齡人士越來越多。據(jù)統(tǒng)計，2008年在中國擁有60歲以上的高齡駕駛員25640萬人，美國也有超過185萬名71歲以上的老年駕駛員，因為高齡人士身體機能的衰退，他們在視力、復雜信息處理能力和反映速度方面明顯減緩。同時，由于生理機能的衰退，老齡駕駛員在心理上也產(chǎn)生了恐懼，導致高齡駕駛的事故頻頻發(fā)生，損失慘重。由于高齡駕駛員面臨的安全問題，近年來適合于高齡駕駛?cè)藛T的輔助駕駛系統(tǒng)成為輔助駕駛的研究熱點。2006～2009 年美國財政擬每年撥款170 萬美元專門用于老年駕駛的安全研究, 并開展“老年駕駛員交通安全規(guī)劃”[1]。高齡駕駛員在政策法律，健康，社會支持、車內(nèi)設備等方面的研究也逐步成為輔助駕系統(tǒng)研究的熱點[2]。文獻[3]分析了中國機動車駕駛實情，并提出需要結(jié)合中國機動車輛市場,從實際出發(fā)設計出一種適合老年人的駕駛車輛系統(tǒng)。文獻[4,5]分析了高齡駕駛員的反應能力。這一系列研究在一定程度提高了高齡駕駛?cè)藛T駕駛行為的安全性。

針對老年人安全駕駛問題，本文提出了一種基于模糊信息融合的駕駛員行為安全評估方法，主要包含三個部分信息采集模塊、信息融合模塊、信息輸出模塊和信息反饋模塊。通過信息采集、信息融合、策略調(diào)整等方法實現(xiàn)駕駛行為的全面分析，以全面提升駕駛行為的安全性和舒適性。

1 駕駛安全行為評估方法流程

1.1 系統(tǒng)架構(gòu)

根據(jù)提升高齡人駕駛行為安全性和舒適性的需要，本文提出如圖1所示的多源信息融合模型，有效解決多傳感器數(shù)據(jù)的有效處理的問題。模型主要包括3個模塊：

圖1 多源信息融合模型舒適模塊

1）信息采集模塊：該模塊中包括路況信息采集、駕駛員行為監(jiān)控采集和駕駛舒適度監(jiān)控兩大功能單元。其中路況信息采集模塊，包括障礙物采集、車輛移動信息采集，天氣情況信息采集等；駕駛員行為監(jiān)控采集單元，主要獲取駕駛員的狀態(tài)信息，全面反映老齡駕駛?cè)藛T的狀態(tài)變化情況；

2）信息融合模塊：這部分主要研究如何將駕駛員行為信息、路況信息以及舒適度信息等進行融合。我們采用車輛碰撞歷史日志作為訓練樣本，來對融合規(guī)則進行生成和構(gòu)造。

3）信息輸出模塊：對于多源的信息進行融合后，給出綜合的統(tǒng)一安全評價量化等級等級，并且通過預警等方式，為駕駛員提出合理的和操作的駕駛行為改進建議。

4）信息反饋模塊：這部分主要實現(xiàn)駕駛員之間差異的自適應性，通過駕駛行為日志的挖掘和分析，實現(xiàn)系統(tǒng)的自動調(diào)節(jié)，提高對駕駛員行為的適應性，為駕駛員的行為提出正確的建議。

1.2 高齡駕駛者行為安全性模型

駕駛行為的安全模型將全面度量高齡駕駛?cè)藛T的駕駛行為的安全性，經(jīng)過對老年人駕駛行為的研究，我們認為老齡人隨著駕駛時間和駕駛速度的增加都將導致駕駛行為的降低，據(jù)此提出駕駛行為的時間安全度量模型：

式中Degree表示駕駛安全度，V表示駕駛速度，t表示持續(xù)駕駛時間，strength表示駕駛員動作靈敏度。Road和Weather表示駕駛環(huán)境信息。由式(1)我們可以看出，駕駛行為安全度和駕駛時間和駕駛速度成反比，隨著駕駛速度的增加和駕駛時間的增長，將導致身體機能的衰退，勢必引起駕駛安全度的降低。另外，駕駛環(huán)境也對駕駛行為安全度具有重要影響，由式中我們可以看出是反比關系，即若駕駛環(huán)境信息量化值越大，環(huán)境信息越糟糕，駕駛行為安全度就越低。

1.3 模糊信息融合模型

數(shù)據(jù)融合主要研究在現(xiàn)代戰(zhàn)場管理中對海量的戰(zhàn)場多源信息的快速有效處理，即把來自許多傳感器和信息源的數(shù)據(jù)和信息加以聯(lián)合、相關和組合，以獲得精確的位置和身份估計，從而獲得對戰(zhàn)場和威脅及其重要程度適時的完整評價。

圖2 數(shù)據(jù)融合的White模型

基于以上給出的基本概念，以兩入一出、英國學者提出的 Mamdani模糊推理算法為例，簡要介紹模糊推理過程如下：

1)輸入給定, 給定量化論域X、Y、Z，及其上的模糊集

F(X)、F(Y)、F(Z)，模糊集合Ai=(a1i, ...,ani),Bi=(b1i, ...,bmi)和Ci=(c1i, ...,cti)， 模 糊 規(guī) 則 “IFAiANDBiTHENCi”(i=1,...,p)。其中aji(j=1,...,n)、bji(j=1,...,m)、cji(j=1,...,t)分別為論域X、Y、Z中各元素屬于模糊集合Ai、Bi、Ci的隸屬度，P為模糊變量的個數(shù)。

2）模糊關系求?。夯诮o定的模糊集和模糊規(guī)則，求得總模糊關系為：

這里，(Ai×Bi)T1表示把這個n×m模糊矩陣按行“拉直”成nm元模糊行向量，再轉(zhuǎn)置成nm元模糊列向量，Ai×Bi是模糊向量的笛卡兒積。

3）求取輸出模糊量，在求取總模糊關系R的基礎上，對某一模糊特征向量A*、B*，進一步可求輸出的模糊量：

這里，(A*×B*)T2的含義是把A*×B*這個n×m模糊陣按行“拉直”成×元模糊行向量。

4）求取輸出精確量，對模糊輸出量C*通過重心法解模糊判決式，可求出輸出的精確量，計算公式為：

其中，i代表論域C的量化論域值，s代表量化論域的范圍。

2 模糊數(shù)據(jù)融合在輔助駕駛中的應用

結(jié)合前文分析，提出如圖3所示的輔助駕駛模糊信息融合模型。其中道路狀況檢測結(jié)果數(shù)據(jù)庫Road Situation Log、Drive Behavior Log為融合推理的數(shù)據(jù)源，Comfort log 與Incident Log相結(jié)合指導制定模糊推理規(guī)則，經(jīng)過模糊融合計算，可得到駕駛環(huán)境安全性動態(tài)評估結(jié)果，并根據(jù)結(jié)果提出駕駛行為的調(diào)整策略。在

圖3 輔助駕駛中的數(shù)據(jù)融合模型

3 模糊信息融合過程實現(xiàn)

3.1 輸入、輸出變量的確定

應用模糊信息融合推理進行評估的過程中，論域X、Y、Z分別對應路況分值RV、駕駛行為量化分值DV和由此所得到的駕駛環(huán)境安全性分值 CV，F(xiàn)(x)、F(Y)、F(Z)分別對應RV、DV及CV的模糊語言變量集合。路況多源信息融合模型的輸入為路況量化分值 RV、駕駛行為量化值 DV。駕駛行為舒適度CD和相應環(huán)境下的碰撞次數(shù)CN，與人類的思考規(guī)律相結(jié)合制定模糊推理策略。模型輸出為當前駕駛環(huán)境安全性分值CV。根據(jù)道路環(huán)境、車輛環(huán)境和天氣等原因為路況信息進行量化處理，設置量化范圍為[0，180]，其數(shù)值隨路況由壞到好的程度增長而增長。根據(jù)駕駛員年齡、駕駛經(jīng)驗、駕駛員駕駛過程中身體機能等對駕駛員行為信息進行量化處理，量化范圍為[0，100]，其數(shù)值隨駕駛行為評價的由壞到好的程度增長而增長。定義一系列模糊語言，說明路況量化信息和駕駛員行為的嚴重性高低。RV、DV和CV的模糊子集為{VL，Ler，L，M，H，Her，VH}，其中VL表示很低，Ler表示較低，L表示低，M表示中，H表示高，Her表示較高，VH表示很高，同時分為六個量化等級，量化論域為{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}，從基本論域到量化論域的離散化公式為：

這里a、b分別為基本論域的下限、上限，n為量化等級，x’為輸入量在基本論域內(nèi)的取值。

3.2 隸屬函數(shù)的確定

隸屬函數(shù)是應用模糊集合理論解決實際問題的基礎，為了說明路況量化分值和駕駛員行為量化值屬于某一模糊子集的程度，定義隸屬函數(shù)并使用隸屬度來度量。本文提出采用模糊統(tǒng)計的方法，確定輸入、輸出變量的隸屬函數(shù)，其確定過程如下：

1）選擇n1,n2,…,nm個駕駛員做抽樣實驗，讓他們獨立認真思考某一模糊語言F的含義后，提出他們認為最適宜的基本論域的界限。由于每個被測試者對這一模糊語言概念理解上的差異，因此區(qū)間不完全相同。

2）對于基本論域的一個值x'，對模糊語言F的隸屬頻率為：

3）對于'x，對模糊語言F的隸屬度為：

4）使用離散化公式4，求取x'的量化值X'，轉(zhuǎn)化為X'與μ(x')的對應關系，即確定隸屬函數(shù)曲線中的一個點(X', μ(x'))。

5）重復步驟 2）-4），遍取基本論域的每一個值x'，確定其離散值對應的隸屬度，即可得到量化論域與模糊語言F的隸屬度曲線。

6）重復步驟1）-5），遍取模糊集合的每一個模糊語言，確定其對應的隸屬度曲線，最終確定量化論域與模糊集合的隸屬函數(shù)分布。 重復使用模糊統(tǒng)計方法，確定RV、DV及CV的隸屬函數(shù)分布如圖所示。

圖7 RV、DV及CV隸屬函數(shù)分布

3.3 模糊規(guī)則表

根據(jù)人的知識、思考及決策等，結(jié)合駕駛行為舒適度和車輛碰撞等信息,基于專家經(jīng)驗制定模糊規(guī)則，如表2所示，其中行代表RV的模糊子集，列代表DV的模糊子集，行與列的交叉處為CV的模糊子集。表中共有49條規(guī)則，對表中的規(guī)則解釋如下：

表1 模糊推理規(guī)則表

4.4 模糊推理

利用Mamdani模糊推理過程，首先根據(jù)隸屬函數(shù)分布，得到模糊集合VL、Ler、L、M、H、Her和VH對應的模糊向量分別為：

然后，依次取得模糊規(guī)則表，利用公式10，模糊關系：

對于某一模糊特征向量 RV*、 DV*，利用公式推理合成規(guī)則，得到輸出的精確量，此值對應隸屬度最大的模糊集合為駕駛狀態(tài)綜合評估結(jié)果。

4 試驗結(jié)果分析

4.1 高齡駕駛者機能衰減研究

我們首先分析了駕駛員機能隨著駕駛時間、速度和年齡的衰減問題。實驗分析結(jié)果如圖4和5所示。結(jié)果顯示，由于高齡駕駛者往往具有豐富的駕駛經(jīng)驗，所以在駕駛初始階段他們的駕駛行為安全度往往很高。但是由于身體機能的衰退，隨著行駛速度和時間的增加，他們的行為安全度呈指數(shù)衰減，結(jié)果和我們所提出的駕駛員行為安全模型相吻合。由圖標可得駕駛行為安全度和持續(xù)駕駛時間、駕駛速度、駕駛員年齡的關系可由如下表達式表示：

其中， DBSD是駕駛行為安全度，t是持續(xù)駕駛時間，speed是駕駛速度，v和w是兩個參數(shù)，在本次試驗中，我們采用v=8,w=0.02。

由上式可以看出，隨著行駛時間和速度的不同，我們對于不同年齡的駕駛員應采用不同的報警策略。因此，高齡駕駛員對于輔助駕駛系統(tǒng)有著特別的要求，設計適合高齡駕駛者的輔助駕駛系統(tǒng)是十分必要的。

圖4 各年齡段駕駛員的駕駛行為安全度與駕駛速度的關系

圖5 各年齡段駕駛員的駕駛行為安全度隨著駕駛時間的變化關系

4.2 駕駛環(huán)境安全性綜合評估

車輛駕駛行為是一種復雜的動態(tài)行為，而輔助駕駛系統(tǒng)所提供的駕駛行為改進策略應該建立在綜合衡量各種信息的基礎之上。本文所提出的方法綜合考慮了路況信息、駕駛行為和駕駛員狀態(tài)等和駕駛行為密切相關的行為信息。所提出的駕駛行為改進策略是有效的。為了評價本文所提方法的有效和準確性，我們分析了動態(tài)變化下路況行為和駕駛行為的綜合影響。

我們分析了路況量化值和駕駛行為信息量化值等信息相同的情況下，駕駛環(huán)境安全度量化值CV隨著駕駛者年齡不同的變化情況。結(jié)果如表2。由結(jié)果我們可以看出，高齡駕駛者的安全駕駛時間有限，采用駕駛行為安全度模型后，本系統(tǒng)可以較好的反映高齡駕駛者的安全駕駛情況。根據(jù)分析，我們認為高齡駕駛者持續(xù)駕車時間最好不要超過 3小時。

表2 行為變化對危險等級的影響結(jié)果

5 總結(jié)

針對目前駕駛行為和輔助駕駛系統(tǒng)日益復雜的問題，本文提出采用信息融合的方法有效實現(xiàn)多源輔助駕駛信息的融合，在此基礎上設計合理的駕駛行為改進策略。同時針對高齡駕駛?cè)藛T所面臨的問題，分析了駕駛行為舒適度和身體機能衰減規(guī)律，依此指導模糊融合策略的生成和制定相應的行為該進策略。根據(jù)車輛沖突和模型指導所建立的模糊規(guī)則集合，準確地反映了時間等因素對駕駛行為的影響。分析結(jié)果表明，路況和駕駛行為等信息，對于周圍駕駛安全等級的判定情況不是簡單不變的，隨著駕駛時間和駕駛行為的變化，周圍環(huán)境的影響對于駕駛安全的度量是動態(tài)變化的，本文所提出的方法較好的實現(xiàn)了這一點。

[1]Lyman S, Ferguson S A, Braver E R, Williams A F. Older driver involvement in police reported crashes and fatal crashes: trends and projections. Inj Prev 2002; 8(2):116–123.

[2]Li L, Song J, Wang F Y, Niehsen W, Zheng N N. IVS 05:New developments and research trends for intelligent vehicles. IEEE Intelligent Systems, 2005, 20(4): 10-14.

[3]Li L, Wang F Y. Research advances in vehicle lateral motion monitoring and control. International Journal of Intelligent Control and Systems, 2005, 10(1): 60-76.

[4]Kolodko J and Vlacic L. “Fusion of range and vision for real-time motion estimation,” in Proc. IEEE Intell. Veh.Symp, Jun. 2004, pp. 256–261.

[5]Christie R. The electiveness of driver training as a road safety measure: an international review of the literature. In Proceedings of Road Safety Research, Policing and Education Conference. Melbourne, Australia: Australia Transport Council, 2001.