唐智慧，王志鵬，黨珊，朱翠翠

（1. 西南交通大學(xué)，交通運(yùn)輸與物流學(xué)院，成都 610031 2. 濟(jì)南市技師學(xué)院，濟(jì)南250000）

0 引 言

在我國隨著智能手機(jī)的普及，越來越多的人開始注冊(cè)并使用手機(jī)打車軟件，致使駕駛中使用打車軟件的分心現(xiàn)象也越來越常見。分心駕駛是引發(fā)道路交通事故的重要原因之一，美國國家安全委員會(huì)2009年的最新研究報(bào)告指出：美國每年由于駕駛中使用手機(jī)通話導(dǎo)致的交通事故占到了所有事故的6%。同時(shí)，研究結(jié)果還指出：駕駛中使用手機(jī)發(fā)生交通事故的概率是不使用手機(jī)的4倍[1]。

國外學(xué)者早在20世紀(jì)90年代中期就開始了手機(jī)使用對(duì)駕駛影響的研究。Liu和Lee[2]通過實(shí)驗(yàn)發(fā)現(xiàn)駕駛經(jīng)過信號(hào)交叉口時(shí)使用手機(jī)通話，駕駛?cè)藢?duì)信號(hào)燈的反應(yīng)時(shí)間增加，且反應(yīng)正確率下降。Collet等[3]發(fā)現(xiàn)駕駛中使用手機(jī)會(huì)造成駕駛員認(rèn)知負(fù)荷增加，其行駛速度會(huì)降低。李勝江、wollmen等[4,5]基于駕駛績效指標(biāo)，開展了駕駛分心檢測(cè)模型的研究。國內(nèi)對(duì)駕駛分心行為的研究起步較晚，現(xiàn)目前主要集中在駕駛分心對(duì)行為績效的影響上。顧高峰[6]通過自然駕駛實(shí)驗(yàn)與實(shí)車實(shí)驗(yàn)的方式，證明了車載信息系統(tǒng)的使用會(huì)對(duì)駕車速度、加速度、方向盤轉(zhuǎn)角大小等績效指標(biāo)產(chǎn)生影響。馬勇等[7]通過試驗(yàn)探究出駕駛分心過程中，車道偏離量會(huì)高于正常駕駛。李宏汀等人[8]發(fā)現(xiàn)駕駛中使用手機(jī)會(huì)使RT顯著增長，行駛路線發(fā)生明顯偏移。同濟(jì)大學(xué)吳佳華、劉暢等人[9]發(fā)現(xiàn)分心操作對(duì)駕駛行為有極大的負(fù)面影響，同時(shí)頻繁通話情況最為危險(xiǎn)，唐智慧等人[10]通過模擬實(shí)驗(yàn)研究了打車軟件的具體操作使用對(duì)駕駛績效指標(biāo)的影響。

國內(nèi)外研究充分證明駕駛分心行為會(huì)對(duì)駕駛績效產(chǎn)生不良影響，而我國對(duì)于駕駛分心檢測(cè)模型的研究還處于起步階段。故本文以實(shí)驗(yàn)室駕駛模擬器為研究平臺(tái)，采集駕駛分心行為數(shù)據(jù)，基于數(shù)據(jù)差異性分析結(jié)果，構(gòu)建駕駛分心檢測(cè)模型，具有十分重要的意義。

1 駕駛分心實(shí)驗(yàn)

1.1 實(shí)驗(yàn)條件

1.1.1 實(shí)驗(yàn)設(shè)備

實(shí)驗(yàn)選用的設(shè)備有汽車模擬駕駛器、iphone6splus手機(jī)、手機(jī)支架及藍(lán)牙耳機(jī)。

駕駛模擬器硬件部分主要由視鏡系統(tǒng)、仿真車輛、控制臺(tái)區(qū)組成，如圖1所示。視鏡系統(tǒng)是由一個(gè)柱面投影屏幕、三臺(tái)投影儀以及前向視景生成計(jì)算機(jī)和觀后鏡視景機(jī)構(gòu)成的，可實(shí)現(xiàn)場景仿真結(jié)果的顯示。仿真車輛是駕駛模擬器的主體部分，駕駛員可以在其內(nèi)部完成各種模擬駕駛操作?？刂婆_(tái)區(qū)即整個(gè)系統(tǒng)的控制區(qū)域，主要對(duì)駕駛模擬器系統(tǒng)實(shí)現(xiàn)全面控制[11]。

圖1 駕駛模擬器硬件組成Fig.1 Hardware system of driving simulation

實(shí)驗(yàn)中所用到的手機(jī)是iphone6splus，手機(jī)內(nèi)部配置有滴滴打車軟件App，將該App及駕駛員撥號(hào)鍵都置于駕駛員常用的主界面，方便駕駛員使用。手機(jī)支架為真空吸盤式，在此實(shí)驗(yàn)中將其吸附在駕駛車輛方向盤右側(cè)儀表臺(tái)處。采用的藍(lán)牙耳機(jī)是捷波朗商務(wù)通話藍(lán)牙耳機(jī)，駕駛員駕駛中需佩戴其進(jìn)行通話任務(wù)。

1.1.2 實(shí)驗(yàn)人員

參與實(shí)驗(yàn)的人員為40名（36男4女），年齡分布為23～28歲（均值mean=25.13，標(biāo)準(zhǔn)差std=1.56），駕齡分布為3～6年（均值mean=4.33，標(biāo)準(zhǔn)差std=0.97）。為了盡最大可能減少駕駛員個(gè)體差異與其他不相關(guān)因素對(duì)實(shí)驗(yàn)的干擾，實(shí)驗(yàn)人員需達(dá)到以下四個(gè)要求：

（1）均持有機(jī)動(dòng)車駕駛證C1或以上的駕駛執(zhí)照；

（2）裸眼或矯正視力在1.0及以上，色覺正常，無眼部疾??；

（3）身體健康狀況良好，無重大精神系統(tǒng)疾??；

（4）試驗(yàn)前24 h睡眠充足，未飲酒且未服用任何可能導(dǎo)致疲勞困倦的藥物。

1.1.3 試驗(yàn)場景

本文根據(jù)相關(guān)規(guī)范設(shè)計(jì)了一條城市道路，包括主干道、次干路。實(shí)驗(yàn)天氣設(shè)置為良好，為了使模擬駕駛場景更為接近真實(shí)情況，道路特性和交通流特性設(shè)計(jì)較為復(fù)雜，具體路網(wǎng)結(jié)構(gòu)如圖2所示。

1.2 實(shí)驗(yàn)步驟

駕駛員使用打車軟件引發(fā)的分心行為主要為藍(lán)牙通話、與乘客交談、查看信息與信息輸入幾類。實(shí)驗(yàn)需釆集駕駛?cè)瞬煌{駛狀態(tài)下的駕駛行為數(shù)據(jù)、駕駛員在駕駛過程中多次進(jìn)行基于手機(jī)打車軟件使用的分心操作，具體操作步驟如下。

（1）實(shí)驗(yàn)準(zhǔn)備：調(diào)試好相關(guān)儀器；導(dǎo)入模擬駕駛場景；實(shí)驗(yàn)員向被試講解實(shí)驗(yàn)流程；被試填寫相關(guān)的表格。

（2）預(yù)備實(shí)驗(yàn)：讓駕駛員進(jìn)行5 min的預(yù)駕駛，以熟悉駕駛操作環(huán)境，能順利完成車輛的啟動(dòng)、減速、加速等基本駕駛操作。

（3）正式實(shí)驗(yàn)：調(diào)出本文設(shè)計(jì)的駕駛場景，先讓駕駛員在無分心操作狀態(tài)下完成全路段駕駛，駕駛完畢后，休息兩分鐘；再調(diào)出駕駛場景，稍微變換一下周圍建筑類型，讓駕駛員認(rèn)真執(zhí)行主駕駛?cè)蝿?wù)的同時(shí)，根據(jù)提示完成多次藍(lán)牙通話分心次任務(wù)操作，駕駛到終點(diǎn)算完成該類分心駕駛實(shí)驗(yàn)，并休息兩分鐘；隨后按照上述步驟，依次完成談話、查看信息、信息輸入三類分心駕駛實(shí)驗(yàn)。

（4）整理數(shù)據(jù)：將模擬器采集到的正常駕駛行為數(shù)據(jù)、藍(lán)牙通話與乘客交談兩類視覺分心行為下的駕駛行為數(shù)據(jù)、查看信息與信息輸入兩類認(rèn)知分心行為下的駕駛行為數(shù)據(jù)進(jìn)行記錄處理，并據(jù)此構(gòu)建各類駕駛狀態(tài)下的行為數(shù)據(jù)庫。

2 分心檢測(cè)指標(biāo)確定

對(duì)駕駛績效指標(biāo)進(jìn)行顯著差異性檢驗(yàn)，判斷駕駛績效指標(biāo)檢測(cè)駕駛分心行為的有效性，可篩選出建模需要的指標(biāo)。

2.1 分心檢測(cè)指標(biāo)選取

車輛控制指標(biāo)用于描述駕駛員的駕駛操作和車輛的運(yùn)行狀態(tài)。駕駛員進(jìn)行駕駛分心操作時(shí)，相應(yīng)車輛控制指標(biāo)參數(shù)必然會(huì)產(chǎn)生波動(dòng)。結(jié)合本校模擬器的實(shí)際情況，本文采集的績效參數(shù)有：油門踏板開度、剎車踏板開度、縱向速度、縱向加速度、橫向速度、橫向加速度、方向盤轉(zhuǎn)角、方向盤轉(zhuǎn)角角速度。為了體現(xiàn)波動(dòng)情況，并避免參數(shù)正負(fù)數(shù)值對(duì)結(jié)果的干擾，研究均使用采集參數(shù)的標(biāo)準(zhǔn)差值。

2.2 分心檢測(cè)指標(biāo)有效性分析

將每種分心行為下的數(shù)據(jù)看作一個(gè)總體，μ1，μ2，μ3，μ4，μ5看作為正常駕駛、藍(lán)牙通話、與乘客交談、查看信息、信息輸入水平下駕駛績效指標(biāo)總體期望。假設(shè)H0:μ1=μ2=μ3=μ4=μ5，對(duì)各組樣本進(jìn)行檢驗(yàn)。

假定各組樣本均滿足正態(tài)性、方差齊性、樣本獨(dú)立性的要求，可得出與分別為與u的最大似然估計(jì)。不同駕駛狀態(tài)對(duì)駕駛績效指標(biāo)所造成的影響可用組間離差平方和SSSA表示，如式所示（其自由度為4）：

式中：ni為i類駕駛狀態(tài)下的樣本數(shù)。

組間離差平方和SSSE的自由度為n-3，用于表示隨機(jī)誤差對(duì)指標(biāo)的總體影響：

式中：xij為i類駕駛狀態(tài)下的第j個(gè)樣本。

總體離差平方和SSSE的自由度為n-1，用于反應(yīng)所有駕駛駕校樣本值的離散情況，如下所示：

SSSA與SSSE的均方為MMSA與MMSE，比較MMSA與MMSE的值，則可計(jì)算統(tǒng)計(jì)量F，確定P。檢驗(yàn)水平設(shè)置為α=0.05，即P＜0.05時(shí)有顯著影響。以每種任務(wù)主要資源需求特點(diǎn)為分類標(biāo)準(zhǔn)，將藍(lán)牙通話、與乘客交談兩類歸為視覺分心行為，查看信息與信息輸入兩類歸為認(rèn)知分心行為。通過對(duì)不同駕駛行為參數(shù)顯著差異性分析，得表1。

表1 駕駛行為參數(shù)差異性檢驗(yàn)結(jié)果Tab.1 Difference tests of the driving behavior parameters

由表1可知，兩類認(rèn)知分心行為及兩類視覺分心行為對(duì)駕駛員車輛控制能力影響差異不顯著，故可分別將兩類認(rèn)知分心行為歸為一組、兩類視覺分心行為歸為一組進(jìn)行檢測(cè)，將檢測(cè)識(shí)別狀態(tài)分為三類：正常駕駛、認(rèn)知分心駕駛、視覺分心駕駛。能將這三類狀態(tài)識(shí)別的參數(shù)需滿足兩個(gè)條件：正常駕駛與分心駕駛兩種狀態(tài)下的值有顯著差異；認(rèn)知分心與視覺分心兩種狀態(tài)下的值有顯著差異。分析駕駛行為參數(shù)差異性檢驗(yàn)結(jié)果可知，油門踏板開度標(biāo)準(zhǔn)差、縱向速度標(biāo)準(zhǔn)差、縱向加速度標(biāo)準(zhǔn)差、方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差、方向盤轉(zhuǎn)角角速度標(biāo)準(zhǔn)差為有效檢測(cè)指標(biāo)。據(jù)此結(jié)論，可以從原數(shù)據(jù)剔除無效檢測(cè)指標(biāo)，優(yōu)化重組出基于三類駕駛狀態(tài)的分心檢測(cè)數(shù)據(jù)庫。

3 分心檢測(cè)SVM模型構(gòu)建

3.1 SVM模型原理

支持向量機(jī)（SVM）是由Vapnik提出的統(tǒng)計(jì)學(xué)習(xí)方法[12]。它遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，是一種較為新型的基于核函數(shù)的機(jī)器學(xué)習(xí)算法，目前已被廣泛應(yīng)用于模式識(shí)別等領(lǐng)域。支持向量機(jī)算法的目標(biāo)是為了找到最優(yōu)超平面，二維下的超平面如圖3所示。

圖3 最優(yōu)分類超平面示意圖Fig.3 Illustrative diagram of the separating hyperplane

當(dāng)訓(xùn)練集是高維樣本集時(shí)，常為線性不可分問題。可通過引入離群點(diǎn)懲罰函數(shù)iξ與懲罰系數(shù)C將樣本映射到高維空間中，以達(dá)到線性可分或近似線性可分的目的。

3.2 SVM模型構(gòu)建

本文將駕駛狀態(tài)分成了三類，即正常駕駛狀態(tài)為1類、認(rèn)知分心駕駛狀態(tài)為2類、視覺分心駕駛狀態(tài)為3類，駕駛狀態(tài)特征分類則可看作是分類數(shù)k=3 的多分類問題。具體模型構(gòu)建過程如下：

（1）構(gòu)造訓(xùn)練樣本集和測(cè)試樣本集

從正常駕駛行為數(shù)據(jù)庫、視覺分心行為數(shù)據(jù)庫、認(rèn)知分心行為數(shù)據(jù)庫中各隨機(jī)選取200組數(shù)據(jù)。每組駕駛狀態(tài)中隨機(jī)選出的160組作為訓(xùn)練樣本，另外40組作為測(cè)試樣本，根據(jù)數(shù)據(jù)庫來源標(biāo)定好訓(xùn)練標(biāo)簽。

（2）選擇核函數(shù)

多種實(shí)驗(yàn)已經(jīng)證實(shí)采用徑向基核函數(shù)進(jìn)行分類效果最佳[13]，故本文選用此方法，對(duì)駕駛分心行為檢測(cè)模型進(jìn)行搭建。

（3）懲罰因子c和核參數(shù)g尋優(yōu)

相關(guān)文獻(xiàn)已經(jīng)證明交叉驗(yàn)證算法能優(yōu)化出支持向量機(jī)的最佳參數(shù)，確保SVM的泛化能力[14]。本文采用K-CV（K-fold Cross Validation）方法作為交叉驗(yàn)證的方法，具體的方式為充分混合均勻樣本集，將隨機(jī)選出的160組訓(xùn)練樣本集隨機(jī)劃分成預(yù)訓(xùn)練集和預(yù)測(cè)試集，使用迭代范圍內(nèi)的c與g值組合及預(yù)訓(xùn)練集訓(xùn)練SVM，同時(shí)使用預(yù)測(cè)試集測(cè)試SVM識(shí)別正確率，對(duì)c與g值組合進(jìn)行迭代，選擇出分心檢測(cè)模型的最優(yōu)參數(shù)c與g作為正式訓(xùn)練的模型參數(shù)。本文中當(dāng)c值為256，g為0.18946時(shí)，訓(xùn)練的模型驗(yàn)證準(zhǔn)確率達(dá)到最優(yōu)。

（4）對(duì)測(cè)試樣本集進(jìn)行分類識(shí)別

使用基于最優(yōu)參數(shù)的駕駛分心行為檢測(cè)模型對(duì)每類駕駛狀態(tài)下抽取的測(cè)試樣本進(jìn)行分類識(shí)別。

（5）對(duì)得到的識(shí)別結(jié)果進(jìn)行分析和評(píng)價(jià)。

3.3 SVM模型評(píng)價(jià)結(jié)果

從三個(gè)數(shù)據(jù)庫中各隨機(jī)選擇數(shù)據(jù)段40組作為測(cè)試樣本，對(duì)搭建的各個(gè)SVM 檢測(cè)模型進(jìn)行測(cè)試。本文選用的評(píng)價(jià)指標(biāo)有正確率與誤判率，正確率的計(jì)算公式如下：

式中，n表示駕駛狀態(tài)：1 表示正常駕駛，2 表示認(rèn)知分心駕駛，3 表示視覺分心駕駛。

Pn表示模型對(duì)第n類駕駛狀態(tài)的正確檢測(cè)率。

qn表示第n類駕駛狀態(tài)測(cè)試樣本中被正確識(shí)別的樣本數(shù)。

Qn表示第n類駕駛狀態(tài)中的總樣本數(shù)。

誤判率作為模型效度的另一個(gè)評(píng)判指標(biāo)，其計(jì)算公式如下：

式中，n，k表示駕駛狀態(tài)，1 表示正常駕駛，2 表示認(rèn)知分心駕駛，3 表示視覺分心駕駛。

pnk表示模型將第n類駕駛狀態(tài)識(shí)別為k類駕駛狀態(tài)的誤判率。

rnk表示第n類駕駛狀態(tài)測(cè)試樣本中，被誤判為k類駕駛狀態(tài)的樣本個(gè)數(shù)。

Qn表示第n類駕駛狀態(tài)中的總樣本數(shù)。

該模型對(duì)駕駛員正常駕駛行為、認(rèn)知分心駕駛行為、視覺分心駕駛行為的正確檢測(cè)率P1、P2、P3分別為85%、82.5%、92.5%，模型的平均檢測(cè)正確率為86.67%。從正確率檢測(cè)統(tǒng)計(jì)結(jié)果，該模型對(duì)駕駛員視覺分心駕駛行為的檢測(cè)率最高，正常駕駛行為次之，對(duì)認(rèn)知分心駕駛行為的檢測(cè)能力最弱，但模型的總體檢測(cè)效果較好。具體檢測(cè)結(jié)果如圖4所示。

為進(jìn)一步檢測(cè)模型對(duì)各種分心駕駛的分類準(zhǔn)確性，招募10名駕駛員重復(fù)進(jìn)行大量實(shí)驗(yàn)。每人提取正常駕駛、認(rèn)知分心駕駛、視覺分心駕駛狀態(tài)下40組駕駛分心行為數(shù)據(jù)，用以測(cè)試辨識(shí)模型性能，測(cè)試結(jié)果的準(zhǔn)確率和誤判率如表2所示。

圖4 駕駛分心檢測(cè)模型驗(yàn)證結(jié)果Fig.4 Validation results of the distracted-drivirg detection model

從表2可知，本文所建駕駛分心檢測(cè)模型在實(shí)際運(yùn)用過程中，對(duì)不同的人員行為檢測(cè)效果不同。平均正確率的變化范圍為80%～92%，總體平均識(shí)別率為84.92%。對(duì)正常駕駛狀態(tài)的正確識(shí)別率介于80%～90%，均值為84.75%，對(duì)于認(rèn)知分心行為狀態(tài)的正確識(shí)別率介于75%～90%，均值為81.75%；對(duì)視覺分心行為狀態(tài)的正確識(shí)別率介于85%～95%，均值為88.25%。由此可知，該模型實(shí)測(cè)結(jié)論與測(cè)試結(jié)論相差不大，對(duì)三類駕駛狀態(tài)的識(shí)別率都較好，雖然駕駛員個(gè)體存在一定的差異性，但是模型總體識(shí)別率較高。

表2 駕駛分心檢測(cè)模型對(duì)不同駕駛員的檢測(cè)結(jié)果Tab.2 Testing results of different types of distracted driving

4 結(jié)束語

（1）駕駛中操作手機(jī)打車軟件會(huì)對(duì)駕駛員車輛控制行為的產(chǎn)生影響，采用方差分析法對(duì)不同駕駛狀態(tài)下的車輛控制指標(biāo)進(jìn)行差異顯著性分析，可知：油門開度標(biāo)準(zhǔn)差、方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差、方向盤轉(zhuǎn)角角速度標(biāo)準(zhǔn)差、縱向速度標(biāo)準(zhǔn)差和縱向加速度標(biāo)準(zhǔn)差五項(xiàng)指標(biāo)能有效作為駕駛分心檢測(cè)參數(shù)。

（2）基于支持向量機(jī)理論，建立駕駛分心SVM檢測(cè)模型。從駕駛分心數(shù)據(jù)庫中隨機(jī)抽取訓(xùn)練樣本集和測(cè)試樣本集，訓(xùn)練分心檢測(cè)模型，選取正確率、誤判率為指標(biāo)，驗(yàn)證模型效度。結(jié)果表明該模型在實(shí)際運(yùn)用過程中，檢測(cè)正確率較高，誤判率低，可用駕駛分心狀態(tài)檢測(cè)。

（3）本研究采用駕駛模擬器進(jìn)行試驗(yàn)，采集的數(shù)據(jù)與實(shí)車實(shí)驗(yàn)條件下的數(shù)據(jù)具會(huì)存在一定誤差，后續(xù)應(yīng)開展實(shí)車實(shí)驗(yàn)下的分心檢測(cè)模型研究。

[1] National Safety Council. Death by Cell Phone- watch their stories[EB/OL]（2009-07-10）[2010-08-26] http:www. nse. org/ page/ Death by cellphone. aspx .

[2] LIU B S, LEE Y H. Effects of car-phone use and aggressive disposition during critical driving maneuvers[J] Transportation Research Part F: Traffic Psychology and Behaviour, 2005, 8（4）: 369-382.

[3] COLLET C, GUILLOT A, PETIT C. Phoning while driving I: a review of epidemiological, psychological，behavioural and physio-logical studies [J]. Ergonomics，2010，53（5）：589-601.

[4] 李勝江. 駕駛?cè)艘曈X注意力分散檢測(cè)方法研究[D]. 長春：吉林大學(xué)，2015.

[5] WOLLMER M, BLASCHKE C, SCHINDL T, et al.Online driver distraction detection using long short-term memory[J]. Intelligent Transportation Systems, IEEE Transa-ctions on, 2011, 12（2）: 574-582.

[6] 馬艷麗，顧高峰，高月娥，等. 基于駕駛績效的車載信息系統(tǒng)操作分心判定模型[J]. 中國公路學(xué)報(bào), 2016，29（4）：123-129.

[7] 馬勇，石涌泉，付銳，等. 駕駛?cè)朔中臅r(shí)長對(duì)車道偏離影響的實(shí)車試驗(yàn)[J]. 吉林大學(xué)學(xué)報(bào)，2015，45（4）：1095-1101.

[8] 李宏汀，劉彥宇，李文書. 駕駛中使用手機(jī)對(duì)駕駛員行為安全績效影響綜述[J]. 中國安全科學(xué)學(xué)報(bào), 2013，23（1）：16-21.

[9] 吳佳華，桂玉峰，劉暢，等. 基于駕駛模擬器的不同駕駛條件下手機(jī)使用的可靠度分析[J]. 交通與運(yùn)輸,2011，（12）：176-180.

[10] 唐智慧，黨姍，鄭偉皓. 打車軟件的使用對(duì)駕駛安全的影響[J]. 交通運(yùn)輸工程與信息學(xué)報(bào), 2017，（1）: 22-27.

[11] 黃成龍. 成都市三環(huán)路交通指路標(biāo)志設(shè)置合理性研究[D]. 成都：西南交通大學(xué)，2015.

[12] 彭璐，支持向量機(jī)分類算法研究與應(yīng)用[D]. 長沙：湖南大學(xué)，2007.

[13] LIANG Y L, REYES M L, LEE J D. Real-time detection of driver cognitive distraction using support vector machines [J], IEEE Transactions on Intelligent Transportation Systems, 2007, 8（2）: 340-350.

[14] 張艷，吳玲. 基于支持向量機(jī)和交叉驗(yàn)證的變壓器故障診斷[J]. 中國電力, 2012, 45（11）: 52-55.