趙治國(guó)，馮建翔，周良杰，王 凱，胡昊銳，張海山，寧忠麟

（1.同濟(jì)大學(xué)新能源汽車(chē)工程中心，上海 201804； 2.同濟(jì)大學(xué)汽車(chē)學(xué)院，上海 201804）

前言

駕駛員轉(zhuǎn)向行為識(shí)別是輔助駕駛系統(tǒng)中的關(guān)鍵環(huán)節(jié)。目前國(guó)內(nèi)外關(guān)于駕駛員轉(zhuǎn)向行為識(shí)別的研究按所用方法可分為基于機(jī)器學(xué)習(xí)算法、基于概率圖模型和基于駕駛員注視區(qū)域特征3種。機(jī)器學(xué)習(xí)算法通過(guò)對(duì)數(shù)據(jù)特征的學(xué)習(xí)，可實(shí)現(xiàn)模型參數(shù)自行調(diào)優(yōu)，適用于轉(zhuǎn)向駕駛行為研究樣本大、隨機(jī)性強(qiáng)的場(chǎng)合。當(dāng)前研究多以神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)模型與最優(yōu)化方法和狀態(tài)估計(jì)理論相結(jié)合進(jìn)行駕駛員轉(zhuǎn)向行為識(shí)別。Peng等［1］基于BP神經(jīng)網(wǎng)絡(luò)模型，以車(chē)速、轉(zhuǎn)向盤(pán)轉(zhuǎn)角與目標(biāo)車(chē)輛為特征參數(shù)，實(shí)現(xiàn)了換道行為識(shí)別，精度可達(dá)85%。李亞秋等［2］在BP神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，運(yùn)用擴(kuò)展卡爾曼濾波方法，將識(shí)別精度提高至95%。Kumar等［3］基于支持向量機(jī)與貝葉斯濾波器構(gòu)建了換道意圖識(shí)別模型；該模型平均可提前換道操作1.3 s識(shí)別出駕駛員換道意圖。楊殿閣等［4］以車(chē)身縱軸的最大橫擺轉(zhuǎn)角和最大轉(zhuǎn)向盤(pán)轉(zhuǎn)角為特征向量構(gòu)建支持向量機(jī)駕駛模式分類(lèi)器，對(duì)換道行為的識(shí)別準(zhǔn)確率可達(dá)98%。以馬爾可夫模型等概率圖模型為基礎(chǔ)結(jié)合模糊控制與聚類(lèi)方法已成為當(dāng)前轉(zhuǎn)向行為識(shí)別研究的熱點(diǎn)。Ding等［5］用隱馬爾可夫模型描述汽車(chē)換道過(guò)程的同時(shí)應(yīng)用模糊理論設(shè)計(jì)了用于評(píng)估變道環(huán)境復(fù)雜性的系數(shù)，并將之作為隱馬爾可夫模型的觀測(cè)量，有效反映了駕駛場(chǎng)景對(duì)換道決策的影響，提高了識(shí)別準(zhǔn)確率。范菁等［6］將二次譜聚類(lèi)方法與隱馬爾可夫模型相結(jié)合，用軌道曲率識(shí)別超車(chē)軌跡，用譜聚類(lèi)算法和車(chē)輛側(cè)傾角相似度識(shí)別變道軌跡，實(shí)現(xiàn)了對(duì)駕駛員超車(chē)、變道和車(chē)道保持行為的識(shí)別，準(zhǔn)確率達(dá)96%。Schlechtriemen等［7］應(yīng)用隨機(jī)森林模型指定每種駕駛行為模式的可能性。邱小平等［8］對(duì)來(lái)自美國(guó)聯(lián)邦公路局的駕駛數(shù)據(jù)進(jìn)行分段離散化，并利用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)建立了車(chē)輛換道模型。每種駕駛行為均對(duì)應(yīng)有典型的視覺(jué)搜索規(guī)律，可通過(guò)分析駕駛員眼部活動(dòng)特征實(shí)現(xiàn)轉(zhuǎn)向行為的識(shí)別。Lethaus等［9］以駕駛員的注視特性為切入點(diǎn)，引入興趣區(qū)域概念，并分析了車(chē)道保持與換道過(guò)程中駕駛員注視特性的差異。孫純等［10］以駕駛員觀看后視鏡的注視情況來(lái)確定行為識(shí)別的時(shí)窗，將注視區(qū)域劃分為7部分，并對(duì)注視點(diǎn)進(jìn)行了統(tǒng)計(jì)分析，最后結(jié)合隱馬爾可夫模型，對(duì)駕駛員的換道行為進(jìn)行了有效識(shí)別，精度可達(dá)96%。

轉(zhuǎn)向駕駛行為可分為正常轉(zhuǎn)向與緊急工況下的避撞轉(zhuǎn)向。目前國(guó)內(nèi)外在轉(zhuǎn)向駕駛行為識(shí)別方面的研究主要集中于跟車(chē)與換道等正常駕駛工況，對(duì)緊急避撞工況下的駕駛員轉(zhuǎn)向行為研究較少。在緊急避撞駕駛時(shí)，由于反應(yīng)時(shí)間短且駕駛員處于緊張狀態(tài)下，駕駛員行為隨機(jī)性與模糊性增大［11］，傳統(tǒng)面向正常駕駛工況的駕駛員行為識(shí)別算法不再適用于緊急避撞轉(zhuǎn)向的識(shí)別［12］；郭璘等［13］利用 K均值（K-means）聚類(lèi)算法分析實(shí)際交通事故數(shù)據(jù)，得出駕駛員避撞轉(zhuǎn)向行為特征與城市道路中交通事故發(fā)生有較大相關(guān)性。準(zhǔn)確識(shí)別出駕駛員緊急避撞轉(zhuǎn)向行為，進(jìn)而施加合適的避撞轉(zhuǎn)向輔助可提高行車(chē)安全性。因此，有必要結(jié)合駕駛員在避撞工況下的行為特征進(jìn)行避撞轉(zhuǎn)向行為的識(shí)別。

本文中搭建了駕駛模擬器，并挑選不同性別、不同年齡和駕齡的志愿者進(jìn)行了正常轉(zhuǎn)向與緊急避撞轉(zhuǎn)向兩種工況的試驗(yàn)。通過(guò)對(duì)比駕駛員正常轉(zhuǎn)向與緊急避撞轉(zhuǎn)向的行為數(shù)據(jù)，首先定性分析了緊急避撞工況下駕駛員的轉(zhuǎn)向行為特征。之后，通過(guò)相關(guān)性分析定量確定了能表征緊急避撞轉(zhuǎn)向工況的駕駛員行為因子，并通過(guò)改進(jìn)K均值（K-means＋＋）聚類(lèi)算法實(shí)現(xiàn)了對(duì)緊急避撞轉(zhuǎn)向工況的識(shí)別。最后，通過(guò)實(shí)車(chē)試驗(yàn)驗(yàn)證了所提出的避撞轉(zhuǎn)向行為聚類(lèi)與識(shí)別方法的有效性。

1 緊急避撞轉(zhuǎn)向行為分析

對(duì)駕駛員緊急避撞轉(zhuǎn)向進(jìn)行識(shí)別，首先須要分析緊急避撞轉(zhuǎn)向行為的特征。為此須獲取駕駛員在正常駕駛與緊急避撞工況下的轉(zhuǎn)向行為數(shù)據(jù)，進(jìn)而通過(guò)分析兩種轉(zhuǎn)向行為的差異，得出緊急避撞轉(zhuǎn)向行為的特征。

1.1 駕駛轉(zhuǎn)向行為數(shù)據(jù)獲取

緊急避撞駕駛工況存在較大危險(xiǎn)性，通過(guò)實(shí)車(chē)試驗(yàn)獲取駕駛員的緊急轉(zhuǎn)向行為數(shù)據(jù)，不僅成本高，且具有較大危險(xiǎn)性。鑒于駕駛模擬器已被應(yīng)用于緊急避撞研究與駕駛員行為分析，本文中通過(guò)駕駛模擬器獲取駕駛轉(zhuǎn)向行為數(shù)據(jù)。

1.1.1 駕駛模擬器搭建

為獲取與真實(shí)駕駛工況相符合的駕駛員行為數(shù)據(jù)，駕駛模擬器應(yīng)包含真實(shí)轉(zhuǎn)向與制動(dòng)系統(tǒng)以模擬對(duì)實(shí)際車(chē)輛的操縱，同時(shí)還須具備基于車(chē)輛動(dòng)力學(xué)模型的實(shí)時(shí)視景顯示。

根據(jù)上述要求，搭建了具有實(shí)時(shí)視景系統(tǒng)和真實(shí)轉(zhuǎn)向、制動(dòng)系統(tǒng)的硬件在環(huán)駕駛模擬器，其組成結(jié)構(gòu)如圖1所示，實(shí)物照片如圖2所示。該駕駛模擬器集成了EPS轉(zhuǎn)向系統(tǒng)、ESP制動(dòng)系統(tǒng)、整車(chē)動(dòng)力學(xué)模型和駕駛場(chǎng)景。整車(chē)動(dòng)力學(xué)模型與控制算法分別通過(guò)CarSim與Simulink創(chuàng)建并下載至dSPACE公司的MicroAutobox快速原型控制器中進(jìn)行集成。在CarSim中定義道路環(huán)境和其他行駛車(chē)輛信息構(gòu)成駕駛場(chǎng)景，并通過(guò)將CarSim實(shí)時(shí)動(dòng)畫(huà)以駕駛員視角輸出獲得實(shí)時(shí)視景。所搭建的駕駛模擬器集成了整車(chē)與道路模型，通過(guò)實(shí)時(shí)視景交互系統(tǒng)和轉(zhuǎn)向、制動(dòng)系統(tǒng)硬件在環(huán)模擬真實(shí)駕駛環(huán)境，用于正常和危險(xiǎn)工況下駕駛行為的采集。

圖1 駕駛模擬器結(jié)構(gòu)

圖2 駕駛模擬器實(shí)物照片

1.1.2 試驗(yàn)工況設(shè)定

在駕駛模擬器上進(jìn)行駕駛員在環(huán)的模擬駕駛試驗(yàn)。選取不同性別、年齡與駕齡的10名駕駛員作為受試者，其情況如表1所示。設(shè)置定轉(zhuǎn)彎半徑轉(zhuǎn)向、換道轉(zhuǎn)向、對(duì)固定障礙物的緊急避撞換道和交叉路口緊急避撞轉(zhuǎn)向4種試驗(yàn)工況，分述如下。

（1）定轉(zhuǎn)彎半徑試驗(yàn)

在駕駛模擬器中建立開(kāi)闊路段場(chǎng)景，所駕駛車(chē)輛車(chē)速恒定，設(shè)定為30、50和70 km／h。駕駛員操縱車(chē)輛以固定的轉(zhuǎn)彎直徑做圓周運(yùn)動(dòng)。保存駕駛員穩(wěn)定行駛樣本。

（2）換道轉(zhuǎn)向試驗(yàn)

在駕駛模擬器中建立雙車(chē)道場(chǎng)景，車(chē)道寬3.5 m，無(wú)其它道路車(chē)輛。所駕駛車(chē)輛初速度設(shè)定為30、50和70 km／h，駕駛員根據(jù)車(chē)輛可控的主觀感覺(jué)進(jìn)行轉(zhuǎn)向換道。保存駕駛員成功換道樣本。

（3）固定障礙物緊急避撞換道試驗(yàn)

在駕駛模擬器中建立雙車(chē)道場(chǎng)景，車(chē)道寬3.5 m，并在所駕駛車(chē)輛同車(chē)道前方設(shè)置一靜止車(chē)輛作為障礙物。試驗(yàn)時(shí)駕駛員注意力集中并盡可能晚地進(jìn)行緊急轉(zhuǎn)向操作駛?cè)胱髠?cè)鄰近車(chē)道以避免發(fā)生碰撞。保存駕駛員成功避撞樣本。

（4）交叉路口緊急避撞轉(zhuǎn)向

在駕駛模擬器中建立交叉路口場(chǎng)景，所駕駛車(chē)輛初速度為80 km／h，另一輛車(chē)從前方交叉路口中突然沖出，駕駛員由于建筑物遮擋無(wú)法提前看到?jīng)_出車(chē)輛。試驗(yàn)時(shí)，駕駛員發(fā)現(xiàn)駛?cè)胲?chē)輛后盡可能快地操縱車(chē)輛進(jìn)行轉(zhuǎn)向，避免與之發(fā)生碰撞。保存駕駛員成功避撞樣本。

表1 模擬駕駛試驗(yàn)人員情況

1.2 駕駛員轉(zhuǎn)向行為分析

設(shè)定試驗(yàn)工況后，試驗(yàn)者在駕駛模擬器上進(jìn)行了模擬駕駛。所紀(jì)錄的駕駛行為包括車(chē)速、轉(zhuǎn)向盤(pán)轉(zhuǎn)角、轉(zhuǎn)向盤(pán)轉(zhuǎn)速與橫向加速度。轉(zhuǎn)向盤(pán)轉(zhuǎn)角可直觀反映駕駛員對(duì)轉(zhuǎn)向盤(pán)的操作，選取轉(zhuǎn)向盤(pán)轉(zhuǎn)角定性分析緊急避撞轉(zhuǎn)向與正常轉(zhuǎn)向的差異，4種工況下駕駛員的轉(zhuǎn)向盤(pán)轉(zhuǎn)角如圖3～圖6所示。

圖3 定轉(zhuǎn)彎半徑行駛轉(zhuǎn)向盤(pán)轉(zhuǎn)角

圖4 換道轉(zhuǎn)向行駛轉(zhuǎn)向盤(pán)轉(zhuǎn)角

圖5 固定障礙物緊急避撞轉(zhuǎn)向

圖3 和圖4分別為5名駕駛員在不同車(chē)速下進(jìn)行正常轉(zhuǎn)向時(shí)其轉(zhuǎn)向盤(pán)轉(zhuǎn)角變化。由圖可見(jiàn)，進(jìn)行正常轉(zhuǎn)向時(shí)，同一車(chē)速下各駕駛員的轉(zhuǎn)向盤(pán)轉(zhuǎn)角差異不明顯；圖5和圖6分別為參與試驗(yàn)的10名駕駛員進(jìn)行緊急避撞轉(zhuǎn)向時(shí)其各自的轉(zhuǎn)向盤(pán)轉(zhuǎn)角變化。由圖可見(jiàn)，進(jìn)行緊急轉(zhuǎn)向時(shí)，即使初始車(chē)速相同，不同駕駛員的轉(zhuǎn)向盤(pán)轉(zhuǎn)角仍有較大差異。而且，緊急避撞轉(zhuǎn)向與正常轉(zhuǎn)向時(shí)駕駛員對(duì)轉(zhuǎn)向盤(pán)的操作有較大差異。與正常轉(zhuǎn)向相比，緊急避撞轉(zhuǎn)向時(shí)駕駛員對(duì)轉(zhuǎn)向盤(pán)的操作頻率加快，幅度增大且波形出現(xiàn)震蕩。這是由于在緊急避撞轉(zhuǎn)向時(shí)駕駛員反應(yīng)時(shí)間短，且本身處于緊張狀態(tài)，無(wú)法根據(jù)正常駕駛經(jīng)驗(yàn)進(jìn)行轉(zhuǎn)向操作。故可以駕駛員行為特征區(qū)分正常轉(zhuǎn)向與緊急避撞轉(zhuǎn)向。

圖6 交叉路口緊急避撞轉(zhuǎn)向

2 緊急避撞轉(zhuǎn)向行為聚類(lèi)分析

由上所述，可通過(guò)轉(zhuǎn)向行為特征區(qū)分正常轉(zhuǎn)向與緊急避撞轉(zhuǎn)向，對(duì)轉(zhuǎn)向行為數(shù)據(jù)進(jìn)行聚類(lèi)分析，建立轉(zhuǎn)向行為聚類(lèi)空間，從而將緊急避撞轉(zhuǎn)向行為從轉(zhuǎn)向行為中區(qū)分出來(lái)。

2.1 轉(zhuǎn)向駕駛行為相關(guān)性分析

進(jìn)行聚類(lèi)前，首先對(duì)模擬駕駛試驗(yàn)所獲取的轉(zhuǎn)向行為數(shù)據(jù)進(jìn)行相關(guān)性分析，以得到其中與緊急避撞轉(zhuǎn)向最相關(guān)的變量，并以此作為聚類(lèi)的特征參數(shù)。

常用的相關(guān)性分析方法包括圖表法、協(xié)方差法、相關(guān)系數(shù)法、回歸法和信息熵法。其中相關(guān)系數(shù)法能表征變量之間的相關(guān)程度，常用的相關(guān)系數(shù)有標(biāo)準(zhǔn)差、皮爾遜（Pearson）相關(guān)系數(shù)、肯德?tīng)枺↘endall）相關(guān)系數(shù)和斯伯曼（spearman）相關(guān)系數(shù)等。Pearson方法適于計(jì)算等級(jí)相關(guān)性，可進(jìn)行連續(xù)數(shù)據(jù)的相關(guān)分析。

Pearson相關(guān)系數(shù)定義為

式中：cov（X，Y）指隨機(jī)變量 X與 Y的協(xié)方差；σX與σY分別為X與Y的標(biāo)準(zhǔn)差。ρXY越接近于1，表明兩變量的相關(guān)性越大。

正常轉(zhuǎn)向和緊急避撞轉(zhuǎn)向兩種工況下，分別采集30、40、60、80、100和 120 km／h車(chē)速時(shí)駕駛員轉(zhuǎn)向行為數(shù)據(jù)，包括轉(zhuǎn)向盤(pán)轉(zhuǎn)角、轉(zhuǎn)向盤(pán)轉(zhuǎn)速與橫向加速度。基于式（1），計(jì)算轉(zhuǎn)向行為數(shù)據(jù)兩兩間Pearson相關(guān)系數(shù)，結(jié)果如表2所示。

表2 轉(zhuǎn)向行為相關(guān)性分析

從表2可以看出，工況與轉(zhuǎn)向盤(pán)轉(zhuǎn)速相關(guān)性最高，皮爾遜相關(guān)系數(shù)達(dá)到了0.956，表明在緊急避撞工況下駕駛員轉(zhuǎn)向盤(pán)轉(zhuǎn)速較正常轉(zhuǎn)向有較大的差異，因此可以對(duì)駕駛員的轉(zhuǎn)向盤(pán)轉(zhuǎn)速進(jìn)行聚類(lèi)分析，以識(shí)別緊急避撞轉(zhuǎn)向工況。另根據(jù)相關(guān)性系數(shù)計(jì)算結(jié)果，轉(zhuǎn)向盤(pán)轉(zhuǎn)角與轉(zhuǎn)向盤(pán)轉(zhuǎn)速、橫向加速度都有較大相關(guān)性，這符合實(shí)際轉(zhuǎn)向行為，也說(shuō)明了本相關(guān)性分析的有效性。

2.2 轉(zhuǎn)向行為聚類(lèi)分析

由上面分析可知，轉(zhuǎn)向盤(pán)轉(zhuǎn)速可表征緊急避撞轉(zhuǎn)向行為的參數(shù)。下面以轉(zhuǎn)向盤(pán)轉(zhuǎn)速作為聚類(lèi)特征參數(shù)，通過(guò)選取合適的聚類(lèi)算法，對(duì)轉(zhuǎn)向行為進(jìn)行聚類(lèi)。

聚類(lèi)可分為劃分聚類(lèi)、層次聚類(lèi)、模糊聚類(lèi)與密度聚類(lèi)等，文中研究的目的是利用聚類(lèi)算法將正常轉(zhuǎn)向與緊急避撞轉(zhuǎn)向劃分開(kāi)，因此屬于劃分聚類(lèi)。常見(jiàn)的劃分聚類(lèi)算法有K-means算法、K中心點(diǎn)算法與Clarans算法等，K-means聚類(lèi)算法作為經(jīng)典的劃分聚類(lèi)方法，原理簡(jiǎn)單、容易實(shí)現(xiàn)，且具有出色的速度和良好的可擴(kuò)展性。雖然聚類(lèi)個(gè)數(shù)K較難確定，但由于所研究問(wèn)題的聚類(lèi)類(lèi)別很明確，即為正常轉(zhuǎn)向與緊急避撞轉(zhuǎn)向兩類(lèi)，因此采用K-means算法切實(shí)可行。K-means聚類(lèi)方法應(yīng)用迭代的思想，不斷移動(dòng)聚類(lèi)中心直至聚類(lèi)誤差函數(shù)收斂或達(dá)到最大迭代步數(shù)，其步驟如下。

（1）任意選擇k個(gè)樣本作為初始的k個(gè)聚類(lèi)中心 ci（1≤i≤k）。

（2）針對(duì)數(shù)據(jù)中每個(gè)樣本，分別計(jì)算它到k個(gè)聚類(lèi)中心的距離（本文中距離度量采用歐氏距離），并分到與其距離最近的聚類(lèi)中心所屬的類(lèi)，遍歷整個(gè)樣本空間后得到k個(gè)簇。

（3）對(duì)于每一個(gè)簇，取簇內(nèi)樣本的均值向量作為新的中心點(diǎn)，計(jì)算各簇的聚類(lèi)中心：

式中：μi為各簇更新的質(zhì)心；｜c(diǎn)i｜為簇中樣本個(gè)數(shù)；簇中樣本向量各維度的和。

（4）重復(fù)步驟（2）和步驟（3）直至平方誤差函數(shù)收斂或達(dá)到最大步數(shù)，平方誤差函數(shù)為

上述K-means算法初始的聚類(lèi)中心隨機(jī)選取，若選取不當(dāng)對(duì)最終的聚類(lèi)結(jié)果有較大影響，在K-means的基礎(chǔ)上，K-means＋＋算法對(duì)其進(jìn)行了優(yōu)化，基于初始的聚類(lèi)中心之間的相互距離盡可能遠(yuǎn)的原則選取初始聚類(lèi)中心，這樣可以避免出現(xiàn)初始聚類(lèi)中心選擇錯(cuò)誤的問(wèn)題，其步驟如下。

（1）隨機(jī)選擇一個(gè)樣本點(diǎn)作為第一個(gè)初始化聚類(lèi)中心。

（2）計(jì)算每一個(gè)樣本與聚類(lèi)中心的距離，選擇距離最大的樣本作為新的聚類(lèi)中心。

（3）重復(fù)步驟（2）直至k個(gè)聚類(lèi)中心都被確定。

（4）對(duì)經(jīng)過(guò)初始化的聚類(lèi)中心，采用K-means算法計(jì)算最終的聚類(lèi)中心。

采用上述K-means＋＋方法，對(duì)駕駛模擬器上所采集的轉(zhuǎn)向數(shù)據(jù)進(jìn)行聚類(lèi)，將其聚類(lèi)為正常換道轉(zhuǎn)向行為與緊急避撞轉(zhuǎn)向行為兩類(lèi)，最終的聚類(lèi)結(jié)果如圖7所示，最終聚類(lèi)中心如表3所示。為驗(yàn)證聚類(lèi)的準(zhǔn)確性，在駕駛模擬器上采集60組轉(zhuǎn)向行為數(shù)據(jù)作為驗(yàn)證樣本，計(jì)算每個(gè)驗(yàn)證樣本的轉(zhuǎn)向盤(pán)轉(zhuǎn)速與上述兩個(gè)聚類(lèi)中心距離，并分到距離近的一類(lèi)中。結(jié)果如圖8所示，僅兩個(gè)樣本分類(lèi)錯(cuò)誤，正確率為96.7%。上述結(jié)果表明，可使用該聚類(lèi)方法確定的聚類(lèi)中心作為區(qū)分緊急避撞轉(zhuǎn)向行為與正常轉(zhuǎn)向行為的依據(jù)。

圖7 駕駛員轉(zhuǎn)向行為聚類(lèi)結(jié)果

表3 轉(zhuǎn)向行為聚類(lèi)中心

圖8 聚類(lèi)分析驗(yàn)證結(jié)果

3 實(shí)車(chē)試驗(yàn)驗(yàn)證

對(duì)緊急避撞轉(zhuǎn)向行為的聚類(lèi)分析與識(shí)別基于駕駛模擬器的駕駛員轉(zhuǎn)向行為數(shù)據(jù)，為驗(yàn)證其對(duì)實(shí)際轉(zhuǎn)向駕駛行為的有效性，進(jìn)行了實(shí)車(chē)試驗(yàn)。由于緊急避撞轉(zhuǎn)向具有一定危險(xiǎn)性，僅通過(guò)實(shí)車(chē)采集正常轉(zhuǎn)向工況下的駕駛員行為數(shù)據(jù)。實(shí)車(chē)試驗(yàn)后，通過(guò)駕駛模擬器采集緊急避撞轉(zhuǎn)向工況下的駕駛員行為數(shù)據(jù)，與實(shí)車(chē)采集的正常轉(zhuǎn)向行為數(shù)據(jù)一同構(gòu)成驗(yàn)證樣本。

在試驗(yàn)車(chē)上加裝轉(zhuǎn)向盤(pán)傳感器以獲取轉(zhuǎn)向盤(pán)的轉(zhuǎn)角與轉(zhuǎn)速信息，如圖9和圖10所示。實(shí)車(chē)試驗(yàn)工況如表4所示，包括低速過(guò)彎行駛、高速過(guò)彎行駛、低速換道行駛和高速換道行駛，每種試驗(yàn)工況進(jìn)行5次試驗(yàn)，得到20組實(shí)際駕駛正常轉(zhuǎn)向行為樣本。

圖9 試驗(yàn)車(chē)照片

圖10 試驗(yàn)車(chē)轉(zhuǎn)向盤(pán)傳感器

表4 實(shí)車(chē)試驗(yàn)工況

實(shí)車(chē)試驗(yàn)得出的正常轉(zhuǎn)向行為數(shù)據(jù)與駕駛模擬器得出的緊急避撞轉(zhuǎn)向行為數(shù)據(jù)共同構(gòu)成驗(yàn)證樣本，包括20組正常轉(zhuǎn)向行為與20組緊急避撞轉(zhuǎn)向行為。用K-means＋＋聚類(lèi)算法對(duì)驗(yàn)證樣本中的緊急避撞轉(zhuǎn)向工況進(jìn)行識(shí)別，結(jié)果如圖11所示，其中圓形代表正常駕駛轉(zhuǎn)向數(shù)據(jù)，可見(jiàn)其均落在上節(jié)中確定的正常轉(zhuǎn)向行為類(lèi)別，而菱形代表的緊急避撞轉(zhuǎn)向數(shù)據(jù)均落在緊急避撞轉(zhuǎn)向類(lèi)別，實(shí)車(chē)試驗(yàn)結(jié)果再次表明了文中所提出的轉(zhuǎn)向行為聚類(lèi)與識(shí)別方法的可靠性。

圖11 實(shí)車(chē)驗(yàn)證結(jié)果

4 結(jié)論

（1）通過(guò)駕駛模擬器獲取駕駛員緊急避撞轉(zhuǎn)向行為數(shù)據(jù)，通過(guò)與正常轉(zhuǎn)向行為對(duì)比，定性分析了緊急避撞轉(zhuǎn)向與正常轉(zhuǎn)向行為的特征差異；通過(guò)皮爾遜相關(guān)系數(shù)法定量計(jì)算得出了轉(zhuǎn)向盤(pán)轉(zhuǎn)速與緊急避撞轉(zhuǎn)向最相關(guān)。

（2）以轉(zhuǎn)向盤(pán)轉(zhuǎn)速為聚類(lèi)特征參數(shù)，基于K-means＋＋算法對(duì)轉(zhuǎn)向行為進(jìn)行了聚類(lèi)分析，得出正常轉(zhuǎn)向與緊急避撞轉(zhuǎn)向的聚類(lèi)中心點(diǎn)，實(shí)現(xiàn)了緊急避撞轉(zhuǎn)向行為與正常轉(zhuǎn)向行為的有效區(qū)分。

（3）實(shí)車(chē)試驗(yàn)驗(yàn)證結(jié)果表明，所提出的基于轉(zhuǎn)向盤(pán)轉(zhuǎn)速的 K-means＋＋聚類(lèi)方法聚類(lèi)精度可達(dá)96.7%，能夠?qū)崿F(xiàn)緊急避撞轉(zhuǎn)向行為的有效識(shí)別。