王 暢，付 銳，彭金栓，毛 錦

(1.長安大學(xué) 汽車學(xué)院，西安710064；2.重慶交通大學(xué) 山地城市交通系統(tǒng)與安全重慶市重點(diǎn)實(shí)驗(yàn)室，重慶400074)

應(yīng)用于換道預(yù)警的駕駛風(fēng)格分類方法

王 暢＊1，付 銳1，彭金栓2，毛 錦1

(1.長安大學(xué) 汽車學(xué)院，西安710064；2.重慶交通大學(xué) 山地城市交通系統(tǒng)與安全重慶市重點(diǎn)實(shí)驗(yàn)室，重慶400074)

針對不同駕駛風(fēng)格駕駛?cè)藢Q道預(yù)警需求存在差異的問題，采用視覺傳感器、雷達(dá)傳感器、GPS、車輛CAN總線數(shù)據(jù)采集系統(tǒng)，基于小型乘用車搭建了實(shí)際道路駕駛行為試驗(yàn)車.通過對多名駕駛?cè)诉M(jìn)行實(shí)際道路自然駕駛試驗(yàn)，選用跟車時(shí)距、換道時(shí)距、超速頻次、換道過程最大方向盤轉(zhuǎn)角等參數(shù)，采用模糊評價(jià)法建立了駕駛風(fēng)格離線分類模型，實(shí)現(xiàn)了將駕駛?cè)朔诸悶槊斑M(jìn)型、比較冒進(jìn)型、比較謹(jǐn)慎型、謹(jǐn)慎型四類.采用換道安全性相關(guān)參數(shù)對模型進(jìn)行驗(yàn)證.結(jié)果表明，隨著駕駛?cè)酥?jǐn)慎程度的增加，換道安全性評價(jià)參數(shù)更傾向于安全，駕駛風(fēng)格分類模型與實(shí)際換道安全性評價(jià)參數(shù)之間呈現(xiàn)良好的一致性.

智能交通；交通安全；換道預(yù)警；駕駛風(fēng)格；模糊評價(jià)

1 引 言

換道預(yù)警系統(tǒng)基于雷達(dá)技術(shù)或機(jī)器視覺技術(shù)對周圍交通環(huán)境進(jìn)行探測，當(dāng)換道過程存在危險(xiǎn)時(shí)對駕駛?cè)诉M(jìn)行預(yù)警，對于提高車輛安全性具有重要意義.目前，換道預(yù)警系統(tǒng)所使用的換道策略是基于固定參數(shù)所實(shí)現(xiàn)的，例如TTC（Time-to-collision）、視覺盲區(qū)范圍等，這種預(yù)警策略沒有考慮到駕駛?cè)藗€(gè)體所存在的差異，從而使得部分駕駛?cè)瞬辉敢饨邮茴A(yù)警系統(tǒng)所發(fā)出的預(yù)警信號.

駕駛?cè)说鸟{駛風(fēng)格存在差異是人們眾所共知的現(xiàn)象，因此采用固定參數(shù)對所有駕駛?cè)诉M(jìn)行預(yù)警在對部分駕駛?cè)擞行У那闆r下必然導(dǎo)致部分駕駛?cè)瞬唤邮茴A(yù)警信號.針對個(gè)性化換道預(yù)警相關(guān)的內(nèi)容，Geiser G提出使用駕駛?cè)藗€(gè)體特征對駕駛?cè)说臓顟B(tài)進(jìn)行評估[1].Goldman R提出根據(jù)個(gè)人和環(huán)境情況使用學(xué)習(xí)算法來定制安全算法[2].Seongkwan Mark Lee總結(jié)了影響駕駛?cè)塑嚨雷儞Q行為的因素[3].Markus Weinberger等人研究了自適應(yīng)巡航系統(tǒng)對駕駛風(fēng)格的學(xué)習(xí)過程[4].Toshiya基于神經(jīng)網(wǎng)絡(luò)理論建立了考慮不同駕駛風(fēng)格的駕駛?cè)四Ｐ蚚5]. Meng X N等人基于隱馬爾可夫方法對駕駛?cè)说牟僮餍袨檫M(jìn)行建模，用于區(qū)分不同駕駛?cè)笋{駛行為的差異[6].張磊認(rèn)為駕駛預(yù)警系統(tǒng)的控制風(fēng)格與危險(xiǎn)決策需要符合駕駛?cè)说牧?xí)慣[7].總體而言，目前通過進(jìn)行實(shí)際道路駕駛試驗(yàn)來確定駕駛風(fēng)格的相關(guān)研究還不多見[8，9]，從這點(diǎn)出發(fā)，本文通過進(jìn)行實(shí)際道路駕駛試驗(yàn)，利用實(shí)測數(shù)據(jù)建立駕駛風(fēng)格分類模型，并針對不同風(fēng)格駕駛?cè)舜_定針對性的預(yù)警策略，從而達(dá)到降低換道預(yù)警系統(tǒng)誤報(bào)率的目的.

2 駕駛風(fēng)格離線分類模型

2.1 模糊數(shù)學(xué)的模型表述

已知一個(gè)有限集合P:P={p1,p2,…,pm}，元素pi表示評價(jià)對象.

已知另一個(gè)有限集合U:U={u1,u2,…,un}，元素ui表示不同的評價(jià)指標(biāo).

設(shè)在不同的論域ui上給定映射

式中 qij為第i個(gè)評價(jià)對象關(guān)于第 j個(gè)評價(jià)指標(biāo)的隸屬度，qij=Q(pi,uj)∈(0 ,1).

為了使結(jié)果具有綜合評價(jià)性，給予每個(gè)評價(jià)指標(biāo)以權(quán)重，最終的隸屬度函數(shù)為各個(gè)評價(jià)指標(biāo)的累加.設(shè)一個(gè)模糊集合B:B={b1,b2,…,bm}，B中的元素bi表示第i個(gè)評價(jià)對象的綜合評價(jià)指數(shù).可令

式中 qij∈Q，(δ1，δ2，…,δm)是權(quán)重向量，且滿足 ，δj(i =1,2,…,m )反映了第i個(gè)因素的重要程度.

2.2 隸屬度函數(shù)的確定

處理模糊現(xiàn)象的首要任務(wù)是確定隸屬度函數(shù)，模糊分布的論域?yàn)閷?shí)數(shù)域，半梯形分布或梯形分布是比較常用的模糊分布，其具體分為以下幾種情況：

（1）偏小型，如圖1（a）.

圖1 梯形模糊分布Fig.1 Trapezoidal fuzzy distribution

2.3 駕駛風(fēng)格表征參數(shù)與權(quán)重

采用跟車時(shí)距、最小跟車時(shí)距、換道時(shí)距、超速頻次、換道過程方向盤最大轉(zhuǎn)角與車速擬合參數(shù)作為表征參數(shù).權(quán)重的確定通常采用層次分析法進(jìn)行，但由于每名駕駛?cè)怂杉降膿Q道相關(guān)數(shù)據(jù)量不大，在相互比較因素重要性的同時(shí)還需要考慮實(shí)際樣本數(shù)據(jù)的特點(diǎn)，例如，超速行為對駕駛風(fēng)格的表征作用較強(qiáng)，但實(shí)際測量得到的超速數(shù)據(jù)受到實(shí)際交通環(huán)境的影響，從而使得超速行為的表征作用隨交通環(huán)境而發(fā)生差異.本文通過對采集數(shù)據(jù)的特點(diǎn)進(jìn)行分析，采用主觀評價(jià)法對權(quán)值進(jìn)行賦值，并根據(jù)后續(xù)模型檢驗(yàn)結(jié)果對權(quán)值進(jìn)行適當(dāng)修正.給定5個(gè)參數(shù)的權(quán)值如表1所示.

表1 各指標(biāo)的權(quán)重值Table1 Weight of every Index

2.4 駕駛風(fēng)格分類結(jié)果

使用以小型乘用車為平臺(tái)，采用視覺傳感器、雷達(dá)傳感器、GPS、車輛CAN總線數(shù)據(jù)采集系統(tǒng)等對車輛行駛過程中的參數(shù)進(jìn)行同步采集，采集頻率設(shè)置為10 Hz.選擇多名駕駛?cè)诉M(jìn)行實(shí)際道路駕駛試驗(yàn)，試驗(yàn)過程中被試者身體狀況良好、車況正常.實(shí)際試驗(yàn)得到的數(shù)據(jù)中，選擇10名具有代表性駕駛?cè)说脑囼?yàn)數(shù)據(jù)進(jìn)行分析，10名被試駕駛?cè)朔謩e以01、02、…、10號表示.按照駕駛?cè)孙L(fēng)格的差異，本文將駕駛?cè)朔譃樗念悾好斑M(jìn)型駕駛?cè)?、比較冒進(jìn)型駕駛?cè)?、比較謹(jǐn)慎型駕駛?cè)撕椭?jǐn)慎型駕駛?cè)?

首先對所有駕駛?cè)说鸟{駛風(fēng)格表征參數(shù)進(jìn)行計(jì)算，結(jié)果如下：

（1）跟車時(shí)距.

由于試驗(yàn)得到的跟車數(shù)據(jù)量比較大，將跟車時(shí)距值劃分為四個(gè)區(qū)間，采用各個(gè)區(qū)段數(shù)據(jù)量占總跟車時(shí)距數(shù)據(jù)量的比例值來表征跟車行為對駕駛風(fēng)格的影響.表2是10名駕駛?cè)说母嚁?shù)據(jù)計(jì)算結(jié)果.

表2 跟車時(shí)距占總跟車數(shù)據(jù)比例計(jì)算結(jié)果Table2 Following headway proportion of different interval

由表2可知，跟車時(shí)距數(shù)據(jù)中小于0.6 s的情況較少，且后續(xù)的最小跟車時(shí)距值與小于0.6 s的數(shù)據(jù)存在重合，因此采用小于1.0 s的數(shù)據(jù)進(jìn)行分析.將小于0.6 s和0.6～1.0 s內(nèi)的數(shù)據(jù)相加，重新計(jì)算跟車時(shí)距值小于1.0 s的數(shù)據(jù)量占總跟車數(shù)據(jù)量的比例，結(jié)果如表3所示.

根據(jù)數(shù)據(jù)的分布特點(diǎn)，采用半梯形分布方法確定跟車時(shí)距的隸屬函數(shù).由跟車時(shí)距的定義可知，跟車時(shí)距越小則駕駛?cè)笋{駛風(fēng)格越冒進(jìn).所以，跟車時(shí)距小于1.0 s的比例越大，則駕駛?cè)说念愋驮节呌诿斑M(jìn)型.函數(shù)分布屬于偏大型，故隸屬函數(shù)確定如下：

使用式（7）計(jì)算每名駕駛?cè)说母嚂r(shí)距隸屬度，結(jié)果如表4所示.

表3 跟車時(shí)距小于1.0 s占總跟車時(shí)長比例Table3 Following headway proportion less than 1.0 s

表4 跟車時(shí)距上的隸屬度Table4 Membership degree of following headway

（2）最小跟車時(shí)距.

從每名駕駛?cè)怂杉玫降母嚂r(shí)距數(shù)據(jù)中挑選跟車時(shí)距最小值，結(jié)果如表5所示.

最小跟車時(shí)距越小，則駕駛?cè)说鸟{駛風(fēng)格更偏向于冒進(jìn)型.采用半梯形分布確定隸屬函數(shù)，該指標(biāo)的函數(shù)分布屬于偏小型，所采用的隸屬函數(shù)如下：

根據(jù)式（8）計(jì)算每名駕駛?cè)说淖钚「嚂r(shí)距隸屬度，結(jié)果如表6所示.

表5 被試的最小跟車時(shí)距（s）Table5 Minimum following headway

表6 最小跟車時(shí)距上的隸屬度Table6 Membership degree of minimum following headway

（3）換道時(shí)距.

車道變換分為向左換道和向右換道兩種情況.我國采用右側(cè)通行的規(guī)定，因此左側(cè)車道上的行駛速度通常較高，從而使得車輛由右向左換道的危險(xiǎn)性要高于車輛由左向右換道，因此本文只挑選駕駛?cè)擞捎蚁蜃髶Q道，且換道過程目標(biāo)車道后方存在車輛的換道數(shù)據(jù)，計(jì)算換道過程中的換道時(shí)距.參考跟車時(shí)距的區(qū)間劃分方式，計(jì)算被試在相應(yīng)的時(shí)距區(qū)間占總換道數(shù)據(jù)的比例，結(jié)果如表7所示.

換道過程中，駕駛?cè)藫Q道時(shí)距越小，則駕駛?cè)说鸟{駛風(fēng)格更趨于冒進(jìn)型，因此換道時(shí)距小于0.6秒所占比例越大，則駕駛?cè)说念愋驮狡蛴诿斑M(jìn)型，函數(shù)分布屬于偏大型，確定隸屬函數(shù)如下：

表7 換道時(shí)距占總換道數(shù)據(jù)比例計(jì)算結(jié)果Table7 Lane change headway proportion of different interval

根據(jù)式（9），計(jì)算每名駕駛?cè)嗽趽Q道時(shí)距上的隸屬度，如表8所示.

表8 換道時(shí)距上的隸屬度Table8 Membership degree of lane change headway

（4）超速頻次.

挑選高速公路行駛過程中的超速數(shù)據(jù)，將每次采集到的數(shù)據(jù)與道路限速值相比較，判斷該次采樣數(shù)據(jù)是否超速.以采集頻率10 Hz為依據(jù)，統(tǒng)計(jì)被試在高速公路上的超速次數(shù)，并除以超速總時(shí)長，結(jié)果如表9所示.

超速頻次越大，則駕駛?cè)祟愋驮节呌诿斑M(jìn)型.根據(jù)超速頻次的分布，確定隸屬函數(shù)如下：

根據(jù)式10，計(jì)算每名駕駛?cè)嗽诔兕l次上的隸屬度，結(jié)果如表10所示.

表9 被試超速頻次（次/s）Table9 Overspeed frequency of test drivers

表10 超速頻次上的隸屬度Table10 Membership degree of overspeed frequency

（5）換道過程方向盤最大轉(zhuǎn)角與速度擬合參數(shù).

換道過程方向盤最大轉(zhuǎn)角是指換道過程中方向盤轉(zhuǎn)動(dòng)角度的極大值，該數(shù)據(jù)能表征駕駛?cè)藢囕v的操作行為.通常而言，速度越高，則換道過程中的最大方向盤轉(zhuǎn)角越小，通過分析最大轉(zhuǎn)角與車速的關(guān)系，采用指數(shù)函數(shù)模型對換道過程最大方向盤轉(zhuǎn)角與車速的關(guān)系進(jìn)行擬合.此處換道過程中數(shù)據(jù)包含所有速度區(qū)間內(nèi)向左換道和向右換道的數(shù)據(jù).以08號駕駛?cè)藶槔?，利用指?shù)函數(shù)對最大方向盤轉(zhuǎn)角與車速的關(guān)系進(jìn)行擬合，結(jié)果如圖2所示.

圖2 08號駕駛?cè)俗畲蠓较虮P轉(zhuǎn)角與車速關(guān)系Fig.2 Max steering angle and speed of the 08 driver

采用相同方法對每名駕駛?cè)藫Q道過程中的最大方向盤轉(zhuǎn)角與車速之間的關(guān)系進(jìn)行指數(shù)函數(shù)擬合，統(tǒng)計(jì)所有擬合結(jié)果，如表11所示.

表11 換道過程最大方向盤轉(zhuǎn)角與車速擬合結(jié)果Table11 Fitting results between max steering angleand speed during lane change

方向盤最大轉(zhuǎn)角與速度擬合結(jié)果函數(shù)中的系數(shù)越大，則表明駕駛?cè)藢τ诜较虮P的操作行為更激烈，即駕駛?cè)说念愋驮节呌诿斑M(jìn)型.根據(jù)擬合結(jié)果，對比指數(shù)函數(shù)的系數(shù)，可反映駕駛?cè)祟愋?確定隸屬函數(shù)如下：

計(jì)算每名駕駛?cè)嗽诜较虮P轉(zhuǎn)角與速度擬合結(jié)果上的隸屬度，結(jié)果如表12所示.

表12 方向盤轉(zhuǎn)角與速度擬合結(jié)果上的隸屬度Table12 Membership degree of steering angle and speed fitting results

（6）駕駛?cè)孙L(fēng)格分類.

通過確定每名駕駛?cè)嗽诿總€(gè)評價(jià)指標(biāo)上的隸屬度，且已知每個(gè)指標(biāo)在總評價(jià)上的權(quán)重，由模糊數(shù)學(xué)計(jì)算公式得出評價(jià)對象的評價(jià)矩陣，如式（12）所示.

根據(jù)前文分析得到的各指標(biāo)權(quán)值，計(jì)算每名被試的綜合評價(jià)指數(shù)如表13所示.

駕駛?cè)孙L(fēng)格分為冒進(jìn)型、比較冒進(jìn)型、比較謹(jǐn)慎型和謹(jǐn)慎型.隸屬度越大，說明駕駛?cè)烁吔诿斑M(jìn)型.同樣，總評價(jià)值越大，駕駛?cè)烁斑M(jìn).考慮兩種極端個(gè)性的駕駛?cè)藦臄?shù)量上而言較少，參考正態(tài)分布的特點(diǎn)，將比較冒進(jìn)型和比較謹(jǐn)慎型的取值范圍設(shè)置為比冒進(jìn)型和謹(jǐn)慎型的取值范圍寬一些.表14是駕駛?cè)孙L(fēng)格類型和所對應(yīng)的評價(jià)參數(shù)范圍劃分結(jié)果.

表13 被試的綜合評價(jià)指標(biāo)Table13 Complex evaluate index of test drivers

表14 駕駛?cè)孙L(fēng)格分類的評價(jià)參數(shù)范圍Table14 Evaluate index range of driving style classification

根據(jù)表13和表14數(shù)據(jù)，對10名被試駕駛?cè)诉M(jìn)行風(fēng)格分類，結(jié)果如表15所示.

表15 被試風(fēng)格分類結(jié)果Table15 Classification results of driving style

3 駕駛風(fēng)格分類模型驗(yàn)證

與駕駛?cè)说膿Q道安全性判斷相關(guān)的參數(shù)主要包括車輛之間的相對速度、相對距離、TTC（Time to collision）、自車運(yùn)行速度等，其中TTC參數(shù)的應(yīng)用范圍較廣.通過對前文中10名被試駕駛?cè)说膿Q道數(shù)據(jù)進(jìn)行挑選，計(jì)算分析換道過程的安全性.

3.1 不同風(fēng)格駕駛?cè)说腡TC

統(tǒng)計(jì)前文中10名駕駛?cè)说腡TC數(shù)據(jù)，結(jié)果如表16所示.

表16 TTC的統(tǒng)計(jì)值Table16 Statistics of TTC

表16所統(tǒng)計(jì)到的數(shù)據(jù)中，4類駕駛?cè)嗽囼?yàn)過程中的駕駛里程完全相同，且交通流量的差異性較小.從換道次數(shù)而言，比較謹(jǐn)慎型和謹(jǐn)慎型駕駛?cè)说膿Q道次數(shù)要少.此外，目標(biāo)車道后方存在其他車輛的換道次數(shù)數(shù)據(jù)表明，從冒進(jìn)型駕駛?cè)说街?jǐn)慎型駕駛?cè)?，換道次數(shù)出現(xiàn)明顯的下降趨勢，這表明，隨著駕駛?cè)说闹?jǐn)慎程度增加，當(dāng)目標(biāo)車道后方存在其他車輛時(shí)駕駛?cè)烁鼉A向于不換道，通過等待其他車輛通過之后再采取換道操作.相似的，換道過程的平均車速與最大車速也隨著駕駛?cè)酥?jǐn)慎程度的增加而出現(xiàn)明顯的下降趨勢，這表明，冒進(jìn)型的駕駛?cè)烁鼉A向于高速行駛，從而使得換道過程的平均車速與最大車速值要明顯高于謹(jǐn)慎型的駕駛?cè)?表16中所統(tǒng)計(jì)到的TTC數(shù)據(jù)，從比較冒進(jìn)型駕駛?cè)说街?jǐn)慎型駕駛?cè)?，TTC的均值和最小值均呈現(xiàn)上升趨勢，這表明隨著駕駛?cè)酥?jǐn)慎程度的增加，駕駛?cè)藢τ赥TC判斷的安全程度也隨之上升.但冒進(jìn)型駕駛?cè)说臄?shù)據(jù)則沒有此規(guī)律，分析其原因，冒進(jìn)型駕駛?cè)嗽谠囼?yàn)過程中車速整體要高于道路交通流的車速，因而在絕大部分的換道過程中不會(huì)計(jì)算得到有效的TTC值，因而表16中冒進(jìn)型駕駛?cè)说腡TC值由于樣本太少，從而不具有代表性.

3.2 不同風(fēng)格駕駛?cè)说膿Q道車間相對距離

換道過程中對自身車輛存在風(fēng)險(xiǎn)最大的車輛為目標(biāo)車道后方車輛，因此統(tǒng)計(jì)換道開始時(shí)刻自身車輛與目標(biāo)車道后方車輛的車間相對距離可以反映駕駛?cè)藢τ趽Q道安全性的判斷.統(tǒng)計(jì)前文中10名被試駕駛?cè)藫Q道過程中的車間相對距離數(shù)據(jù)，結(jié)果如表17所示.

表17 車間相對距離的統(tǒng)計(jì)值Table17 Statistics of relative distance between vehicles

表17表明，不同風(fēng)格駕駛?cè)藫Q道時(shí)與目標(biāo)車道后方車輛的車間相對距離平均值存在較大的差異，從冒進(jìn)型駕駛?cè)说街?jǐn)慎型駕駛?cè)?，車間相對距離呈現(xiàn)遞增的趨勢，謹(jǐn)慎型駕駛?cè)说南鄬嚯x均值達(dá)到了冒進(jìn)型駕駛?cè)讼鄬嚯x均值的202.6%.這表明，隨著駕駛?cè)酥?jǐn)慎程度的增加，駕駛?cè)藫Q道時(shí)與目標(biāo)車道后方車輛的相對距離值逐漸上升.相對距離值越大，則換道過程越安全，這與駕駛?cè)说闹?jǐn)慎程度相一致.

4 研究結(jié)論

（1）通過進(jìn)行實(shí)測道路駕駛試驗(yàn)，獲取了表征駕駛行為的數(shù)據(jù).針對換道預(yù)警的需求,利用模糊綜合評價(jià)法建立離線駕駛風(fēng)格分類模型，實(shí)現(xiàn)了對駕駛風(fēng)格的分類.

（2）利用換道安全性表征參數(shù)對駕駛風(fēng)格分類模型進(jìn)行驗(yàn)證，結(jié)果表明，隨著駕駛謹(jǐn)慎程度的增加，換道安全性表征參數(shù)也更趨于安全，因此駕駛風(fēng)格分類結(jié)果較可靠.

（3）駕駛風(fēng)格的表征方法通常采用量表調(diào)查的方法進(jìn)行，或者是依靠駕駛模擬器而實(shí)現(xiàn).本文所采取的研究方法基于可以實(shí)際測量得到的數(shù)據(jù)，因而這類算法在車載環(huán)境下的實(shí)際應(yīng)用效果要更明顯.

（4）由于表征駕駛風(fēng)格的指標(biāo)眾多，本文所選擇的指標(biāo)與模型建立方法只針對換道預(yù)警，因而本文所建立的模型具有一定的局限性.在后續(xù)研究中通過增加被試樣本量，并對分類模型的權(quán)值確定方法進(jìn)行優(yōu)化調(diào)整，從而達(dá)到提高分類模型準(zhǔn)確率的目的.此外，如何將離線分類模型應(yīng)用于實(shí)車在線駕駛風(fēng)格辨識也是未來重要的研究方向.

[1]Geiser G,Nirschl G.Towards a system architecture of driver's warning assistant[R]//Parkes A M&Franzen S. (Eds.)Driving future vehicles,London:Taylor&Fran?cis.European Union PROMETHEUS program,1993: 251-263.

[2]Goldman R,Miller C,Harp S,et al.Idea project final re?port[R].Contract ITS-7,Transportation Research Board, National Research Council,Washington,DC,1995.

[3]Seongkwan Mark Lee.Development of a three dimension?al lane change model[D].University of Illinois at Urba?na-Champaign,2008.

[4]Markus Weinberger,Hermann Winner,Heiner Bubb. Adaptive cruise control field operational test—the learn?ing phase[J].JSAE Review,2001,22(4):487-494.

[5]Toshiya Hirose,Yasuhei Oguchi,Toichi Sawada.Frame?work of tailormade driving support systems and neural network driver model[J].IATSS Research.2004,28(1): 108-114.

[6]Meng X N,Lee K K,Xu Y S.Human driving behavior recognition based on hidden markov models[C]//IEEE International Conference on Robotics and Biomimetics, 2006:274-279.

[7]張磊.基于駕駛?cè)孙L(fēng)格自學(xué)習(xí)方法的車輛縱向駕駛預(yù)警系統(tǒng)[D].北京:清華大學(xué),2009.[ZHANG L.A vehicle longitudinal driving assistance system based on selflearning method of driver characteristics[D].Beijing:Ts?inghua University,2009.]

[8]王榮本,游峰,崔高健,等.車輛安全換道分析[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版),2005,35(2):179-182.[WANG R B, YOU F,CUI G J,et al.Analysis on lane-change safety of vehicle[J].Journal of Jilin University(Engineering and Technology Edition),2005,35(2):179-182.]

[9]金立生,Bartvan Arem,楊雙賓,等.高速公路汽車輔助駕駛安全換道模型[J]吉林大學(xué)學(xué)報(bào)(工學(xué)版),2009,39(3): 582-586.[JIN L S,Bartvan Arem,YANG S B,et al. Safety lane change model of vehicle assistane driving on highway[J].Journal of Jilin University(Engineering and Technology Edition),2009,39(3):582-586.]

Driving Style Classification Method for Lane Change Warning System

WANG Chang1,FU Rui1,PENG Jin-shuan2,MAO Jin1
(1.School ofAutomobile,Chang’an University,Xi’an 710064,China;2.Chongqing Key Lab of Traffic System&Safety in Mountain Cities,Chongqing Jiaotong University,Chongqing 400074,China)

Aiming at the different requirement of lane change warning system for different drivers with different driving style,vision sensor,radar,GPS,vehicle CAN bus data capture system are installed in a small passenger car,and real road driving test is carried out.Based on this,real road driving data of different drivers is collected.Following headway,lane change headway,overspeed frequency and max turning angle of steering wheel during lane change are selected as judge parameters,and fuzzy evaluation method is used to establish classification model of driving style in the way of offline.Drivers are divided into aggressive driver,relatively aggressive,relatively cautious and cautious.Parameters related to lane change safety are used to verify the classification model,and the results show that with the increasing of cautious level,the lane change safety parameters are inclined to safely correspondingly.The consistency between driving style classification model and lane change safety real judge parameters is good.

intelligent transportation;traffic safety;lane change warning;driving style;fuzzy evaluation

1009-6744（2014）03-0187-07

U461.91

A

2013-09-18

2013-11-25錄用日期：2013-12-06

教育部長江學(xué)者與創(chuàng)新團(tuán)隊(duì)支持計(jì)劃項(xiàng)目(IRT1286)；國家自然科學(xué)基金項(xiàng)目（51178053）；中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目（2013G1221024，2013G1221025，2013G3221004）.

王暢（1984-），男，湖南岳陽人，講師，工學(xué)博士.*通訊作者：wangchang0905@163.com