0 引言

隨著國民經(jīng)濟的日益發(fā)展，汽車保有量呈現(xiàn)持續(xù)增長的態(tài)勢，圖1為近5年汽車保有量。與此同時，交通狀況日益繁雜。在我國，十字路口發(fā)生的交通事故不容小覷，據(jù)2011年11月6日的哈爾濱日報報導，該市在2011年上半年由于駕駛不注意造成交通事故141起，占總數(shù)的32.71%，而其中在十字路口引發(fā)的交通事故又占八成左右[1]。雖然共識認為交通事故有三個不同的因素：人為因素、車輛因素和外部因素（包括道路條件）。但人為因素影響最大—全球范圍內(nèi)的數(shù)字證實了這一說法[2]。針對當前十字路口交通事故頻發(fā)的狀況，本文擬探索大交通流量時穿越紅綠燈十字路口的眼動指標與駕駛行為之間的潛在關系，從而對交通行為進行預警。然而實際道路狀況存在不確定性，等待大交通流時穿越紅綠燈十字路口存在僥幸和很大的安全隱患。為了保證在安全便利的同時獲取可靠的實驗數(shù)據(jù)，本次實驗選擇室內(nèi)模擬駕駛——場景設置為具有紅綠黃變色信號燈的大交通流的十字路口。

早在20世紀80年代，以戴姆勒奔馳（Daimler-Benz） 和瑞典國家公路和運輸研究所（Swedish National Road and Transportation Research Institute，VTI）為代表的機構已經(jīng)開始研發(fā)模擬駕駛仿真系統(tǒng)。而國內(nèi)對模擬駕駛的研究則是最近幾年才興起，主要集中于高校研究領域，例如清華大學、昆明理工大學、吉林大學等高等院校都研發(fā)了模擬駕駛仿真儀器[3]。雖然模擬駕駛具有便利、安全的優(yōu)勢，但與實際駕駛在真實性方面的差異是不容忽視的。對此，樊玉杰選擇駕駛經(jīng)驗豐富與不豐富的駕駛員虛擬駕駛。試驗數(shù)據(jù)結果表明，虛擬駕駛試驗和實際道路駕駛試驗中駕駛員的眼動變化規(guī)律類似[4]?；诖?，認為將模擬駕駛應用于道路駕駛方面是可行的，虛擬仿真中的眼動特征可以表征實際駕駛中的眼動規(guī)律。

圖1 民用汽車擁有量

1 研究內(nèi)容與技術路線

本文希望通過研究紅綠燈十字路口每種駕駛行為發(fā)生之前的眼動特征來預測駕駛行為的種類，從而起到行為預警的作用。

1.1 研究內(nèi)容

1.1.1 大交通流狀態(tài)的界定

延遲是表示交叉口擁堵程度的重要指標，定義交通延遲率來表征延遲程度。過去研究表明交通量的增多會使駕駛者的負面情緒增多，選擇80%的受試者產(chǎn)生煩躁以上負面情緒的交通延遲系數(shù)及90%以上存在此交通延遲系數(shù)的模擬場景為大交通狀態(tài)。

1.1.2 駕駛者眼動指標的選擇

眼動行為包括注視、眼跳和平滑尾隨跟蹤，細分有很多眼動特征，在本次試驗中選擇反應外在環(huán)境的興趣區(qū)域累積注視時間百分比以及反應心理的眨眼頻率。

1.1.3 篩選表征行為決策的指標

對所選取的眼動指標采用統(tǒng)計學方法初步探究，選取可以表征駕駛行為的眼動指標。

1.1.4 大交通流的紅綠燈十字路口FCA模型

采用所選取的眼動指標指標作為輸入變量，相對應之后的駕駛行為作為輸出變量，運用BP神經(jīng)網(wǎng)絡模型，構建預測其紅綠燈十字路口駕駛行為的FCA模型，從而起到預警作用。

1.2 研究技術路線

本文主要的研究方法采用“模擬駕駛實驗獲取數(shù)據(jù)——SPSS數(shù)據(jù)分析——構建模型”的技術路線。運用統(tǒng)計學方法探尋駕駛行為與所選眼動指標的內(nèi)在聯(lián)系，進而構建能夠預測駕駛行為的FCA模型。本文的技術思路流程如圖2所示：

2 大交通流狀態(tài)的界定

我國公安部2002年公布的《城市交通管理評價指標體系》中規(guī)定，采用城市主干路機動車的平均行程速度來描述其交通擁擠程度[5]。

（1） 暢通：城市主干路上機動車的平均形成速度不低于30km/h。

（2）輕度擁擠：城市主干路上機動車的平均形成速度低于30km/h，但高于20/km。

（3）擁擠：城市主干路上機動車的平均形成速度低于20km/h，但高于10km/h。

（4）嚴重擁擠：城市主干路上機動車的平均形成速度低于10km/h。

在衡量十字交叉路口交通流的指標中，遲滯是一個重要的度量，它包括以下兩個指標：（1）tc為以正常速度完成行程所需要的時間；（2）t為實際完成行程所花費的時間[6]。

圖2 技術思路流程圖

定義交通延遲系數(shù)：d=t/tc,r在這里表示延遲率。將受試者的主觀感受分為良好、輕松、一般、煩躁、憤怒五個級別，選擇不同的交通流測試并記錄受試者的主觀感受。在本實驗中，選擇80%以上的受試者都會產(chǎn)生煩躁和憤怒的狀態(tài)作為大交通流狀態(tài)。統(tǒng)計延遲系數(shù)為1～1.5、1.6～2，r＞2時各種心理狀態(tài)的人數(shù)，當交通延遲系數(shù)＞2時，符合大交通流的心理狀態(tài)。尋找相應模擬駕駛場景，當交通流設置為90%時，紅綠燈十字路口90%以上的情景會出現(xiàn)交通延遲系數(shù)＞2的情況。因此，本實驗選擇白天、清除、新城區(qū)狀態(tài)下90%的交通流，圖3是交通狀態(tài)情景選擇的界面。

圖3 交通狀態(tài)設置圖

在該實驗狀態(tài)下，接近紅路燈十字路口的自由流區(qū)域穩(wěn)定速度為25～30km/h，而在擁堵的紅路燈十字路口路段平均速度為10～15km/h乃至更低，交通狀態(tài)符合我國擁擠程度指標中的擁擠級別。計算通過紅路燈十字路口的時間和速度，求得這次仿真模擬中所選擇的紅路燈十字路口的長度的平均值為550m左右。

3 表征駕駛行為的視覺指標選取

3.1 眨眼頻率

眨眼頻率可以反映人的情緒狀態(tài)[7]。通過觀測視頻中相應的時間節(jié)點和smart eye眼動儀中的輸出數(shù)據(jù)，可以獲得一定時間段內(nèi)的眨眼次數(shù)，運用眨眼次數(shù)/時間就能求得眨眼頻率。

3.2 興趣區(qū)域（AOIs） 累積注視時間

興趣區(qū)域（Areas of Interest,AOIs）有助于研究人員分析一個視覺場景的各個部分，為了衡量視覺分布的特征，在這里選擇累積注視時間百分比作為衡量的指標。它可以通過軌跡圖來獲得量化的數(shù)據(jù)，通過回放gazetrack軟件的視頻來獲取累積注視時間。如圖4所示分別為一次次駕駛任務中的軌跡圖和熱點圖。

在模擬駕駛的實驗中，注視點主要集中在中央主視區(qū)近距離，左前方和右前方，其他區(qū)域只是零散地收集到了一些點。這可能是由于駕駛員將更多的注意力放在了左右側車輛以及十字路口的路段上。因此，在本文中，選擇中央主視區(qū)、左方視區(qū)和右方視區(qū)為AOIs，分別用數(shù)字區(qū)域0、1、2來表示。本實驗的興趣區(qū)域分布如圖5所示。

圖4 軌跡圖和熱點圖

圖5 本實驗興趣區(qū)域分布圖

4 實驗設計

（1）實驗人員：30名具有C1駕照的本科生和研究生，具有1年以上駕齡，矯正視力均為1.0左右，均為右利手，無任何身心疾病，實驗狀態(tài)保證清醒。

（2）實驗設備：19寸臺式電腦，裝有smart eye pro5.9眼動儀，gazetrack軟件；模擬駕駛器和行車駕駛模擬軟件；超級捕快軟件，用于錄屏。

（3）實驗環(huán)境控制：室溫通過空調控制在25℃左右；下午在朝東窗口實驗，從而避免陽光炫目；實驗場景選擇90%交通流的新城區(qū)。

（4）實驗的步驟如圖6所示。

以下是校準過程中獲得的GazeDirectionQ圖，觀察圖7可知，質量大多數(shù)在0.5以上，有的甚至達到了0.8，可以認為攝像機正確跟蹤到了視線的位置，眼動跟蹤精確。

5 基于駕駛行為的眼動數(shù)據(jù)初步分析

5.1 決策反應時間

駕駛行為分類如表1所示，在紅綠燈十字路口行駛的過程中，由于受對面左轉彎車輛的影響，基本上不會發(fā)生左繞行為，會產(chǎn)生如1、2、3、4這4種駕駛行為。

圖6 紅綠燈十字路口的眼動特征研究流程

分析統(tǒng)計的實驗數(shù)據(jù)，發(fā)現(xiàn)眼動數(shù)據(jù)特征在某種駕駛行為發(fā)生前一小段時間會發(fā)生變化，把這一段時間定義為駕駛行為決策的反應時間。這段時間的眼動特征具有預測意義，可以用來預測下一步駕駛行為。觀察統(tǒng)計的決策反應時間，發(fā)現(xiàn)決策反應時間主要集中2s～5s之間，計算這段時間的平均值如表2所示，決策反應時間的平均值為3.3s，四舍五入取3s，表2為在SPSS中描述平均值的界面。

圖7 GazeDirectionQ圖

表1 駕駛行為分類表

表2 決策反應時間平均值

在本次實驗中，用fixation_time_c0表示中央主視區(qū)的累計注視時間，fixation_time_c1表示左前方視區(qū)的累積注視時間，fixation_time_c2表示右方視區(qū)的累積注視時間，bllink_frequency表示眨眼頻率，取95%的置信區(qū)間剔除異常數(shù)值。

5.2 眼動指標篩選——多獨立樣本的K-W非參數(shù)檢驗

K-W檢驗是Kruskal-Waillis檢驗的縮寫，是一種推廣的平均秩檢驗。原假設為：樣本來自的多個獨立樣本總體的分布無顯著差異。

其基本方法是：

（1）將多組樣本混合按升序排列，求出每個觀察值的秩。

（2）對多組樣本的秩分別求平均值。

判斷方法：如果各族樣本的平均秩基本相等，則可以認為多個獨立樣本的分布沒有顯著差異。如果各樣本的平均秩相差很大，則不認為多個獨立樣本的分布無顯著差異[8]。計算公式如下：

式中：k表示樣本數(shù)，ni表示第i組樣本的觀察值個數(shù)。

按照駕駛行為對各個區(qū)域的注視累積時間指標進行顯著性檢驗，運用SPSS進行統(tǒng)計，結果如表3所示：

表3 K-W檢驗的顯著性分析表檢驗統(tǒng)計a,b

三個區(qū)域的卡方統(tǒng)計量分別為27.141、25.970、21.609，相伴概率都為0，小于顯著性水平0.01，因此拒絕原假設，認為三個分布區(qū)域的累積注視時間百分比在4種駕駛行為上存在差異；眨眼頻率的非參數(shù)檢驗的顯著性水平為0.162＞0.01，接受原假設，即眨眼頻率在不同駕駛行為之間不存在顯著性差異，無法作為預測駕駛行為的指標。

5.3 基于BP神經(jīng)網(wǎng)絡的FCA預測模型

BP神經(jīng)網(wǎng)絡由Rumelhard和McClelland于1986年提出，是一種典型的多層前向神經(jīng)網(wǎng)絡，具有一個輸入層、數(shù)個隱含層和一個輸出層，層與層之間采用全連接的方式，相同層之間不存在相互連接，理論上已經(jīng)證明，具有一個隱含層的3層網(wǎng)絡可以逼近任意非線性函數(shù)。本研究中所用的BP神經(jīng)網(wǎng)絡結構圖如圖8所示。

在三層感知中，輸入向量為X=（X1,X2,…,Xn）T，隱層輸出向量為Y=（y1,y2,…,ym）T；輸出層輸出向量為O=（O1,O2,…,Ol）T，期望輸出向量為d=（d1,d2,…,dl）T，輸入層到隱含層之間的權值為V=（v1,v2,…,vm），其中列向量vj為隱含層第j個神經(jīng)元對應的權向量；隱含層到輸出層的權值矩陣w=（w1,w2,…,wl），wk表示輸出層第k個神經(jīng)元對應的權向量[9]。

隱含層公式如下：

圖8 BP神經(jīng)網(wǎng)絡映射圖

輸出層公式如下：

在本次研究中，n取3，表示輸入層有3個神經(jīng)元，分別代表3個注視興趣區(qū)域的累積注視時間百分比，O取1，表示駕駛行為這一指標。

訓練輸入數(shù)據(jù)為30組各興趣區(qū)域的累積注視時間百分比，訓練輸出數(shù)據(jù)為對應的駕駛行為；為了驗證模型的準確性，另外進行了10次試驗，以這10次實驗的AOI0，AOI1，AOI2的累積注視時間百分比作為測試輸入數(shù)據(jù)，相對應的駕駛行為作為測試輸出數(shù)據(jù)。依據(jù)這次實驗的輸入數(shù)據(jù)累積注視時間百分比（commulative fixation time percentage）和輸出數(shù)據(jù)（driving action）的字母，定義該模型為FTD模型，仿真結果如圖9所示：

圖10為測試輸出的結果：

圖9 BP神經(jīng)網(wǎng)絡預測誤差輸出圖

圖10 command命令框結果輸出圖

通過對仿真最終結果進行統(tǒng)計，計算各類駕駛行為的預測準確率如表4所示：

表4 駕駛行為預測準確率

以上是運用matlab進行分析的結果，act表示測試的駕駛行為，errosum表示在所預測的10個駕駛行為數(shù)據(jù)集中出錯的個數(shù)，根據(jù)圖10可知，只有一個出錯，錯誤率為10%，正確預測的效率為90%。這一仿真結果說明在模擬駕駛過程中，不同的駕駛行為發(fā)生前在各興趣區(qū)域的累積注視時間是存在特征差異的，可以憑此對駕駛行為預測并對每種駕駛行為可能存在的危險進行預先提醒，防范風險。

值得注意的是，由于電腦配置與內(nèi)存的問題，這次仿真的時間超過了駕駛員的決策反應時間，但是在科技與信息技術如此發(fā)達的今天，運用高配置的專業(yè)儀器，實現(xiàn)數(shù)據(jù)的實時分析是可實現(xiàn)的，運用算法模型來預測駕駛員行為相信在未來是可行的。

6 總結與展望

6.1 總結

本文以大交通流的紅綠燈十字路口為模擬場景，通過K-W非參數(shù)檢驗篩選出各興趣區(qū)域累積注視時間百分比作為預測駕駛行為的指標?；诖私⒈碚黢{駛員行為的算法模型——FTD模型，該模型以90%的正確率通過驗證。說明利用眼動特征預測駕駛行為是可行的。

6.2 不足與展望

由于軟硬件方面的限制，本次研究預測駕駛行為的仿真時間超出了決策反應時間，希望在行車駕駛領域能夠以更先進的軟硬件技術實現(xiàn)實時預測。在未來的智能交通領域，眼動+行為+面部表情的結合可以更加準確地確定駕駛員的精神狀態(tài)。目前，荷蘭的Noldus公司已經(jīng)開發(fā)出了一款名為obveser的軟件，該軟件可以將眼動數(shù)據(jù)，駕駛行為數(shù)據(jù)，面部表情數(shù)據(jù)集中起來加工分析，實現(xiàn)駕駛規(guī)律的綜合分析，相信汽車人機工程的發(fā)展會為未來道路安全建設作出巨大貢獻。

參考文獻：

[1]趙琳.十字路口，“奪命”路口？[N].哈爾濱日報，2011-11-06(002).

[2]Katia M'bailara,Thierry Atzeni,Benjamin Contrand,et al.Emotional reactivity:Beware its involvement in traffic accidents[EB/OL].(2017-12-01)[2018-01-15].http://www.sciencedirect.com/science/article/pii/S016517811730584X.

[3]Tad T.Brunyé,Aaron L.Gardony.Eye tracking measures of uncertainty during perceptual decision making[J].International Journal of Psychophysiology,2017,120:60-68.

[4]王穎.基于人機交互仿真的駕駛次任務研究[D].北京：清華大學（博士學位論文），2009.

[5]樊杰玉.道路交通安全駕駛行為的視覺生理特性研究[D].青島：青島理工大學（碩士學位論文），2014.

[6]賈利民，董宏輝，徐東偉.城市道路交通狀態(tài)感知、評價與服務[M].北京：人民交通出版社股份有限公司，2015:172.

[7]馮成志.眼動人機交互[M].蘇州：蘇州大學出版社，2010:30.

[8]余建英，何旭宏.數(shù)據(jù)統(tǒng)計分析與SPSS應用[M].北京：人民郵電出版社，2003:333.

[9]陳雯柏.人工神經(jīng)網(wǎng)絡原理與實踐[M].西安：西安電子科技大學出版社，2016:44-45.