黃秋菊，馮樹(shù)民，張 宇，趙 琥

(1.哈爾濱工業(yè)大學(xué) 交通科學(xué)與工程學(xué)院, 哈爾濱 150090； 2.哈爾濱職業(yè)技術(shù)學(xué)院 汽車(chē)學(xué)院, 哈爾濱 150081)

車(chē)輛行駛過(guò)程中，駕駛?cè)藶楂@得期望速度并保證安全舒適行駛，需要不斷完成轉(zhuǎn)向盤(pán)操縱、轉(zhuǎn)向開(kāi)關(guān)操縱、燈光開(kāi)關(guān)操縱、空調(diào)或音響等控制面板操縱、換擋操縱、加速踏板操縱、制動(dòng)踏板操縱等操縱行為. 其中加速踏板和制動(dòng)踏板操縱等腳操縱行為直接決定車(chē)輛的速度和加速度，與安全行駛密切相關(guān)，因此有必要對(duì)駕駛?cè)四_操縱行為規(guī)律進(jìn)行研究. 同時(shí)也是進(jìn)行基于駕駛操縱行為識(shí)別的車(chē)輛主動(dòng)安全系統(tǒng)研究和智能汽車(chē)技術(shù)研究的基礎(chǔ).

早期駕駛?cè)瞬倏v行為特性的研究是利用自動(dòng)控制理論建立自動(dòng)控制器并采用轉(zhuǎn)向盤(pán)轉(zhuǎn)角、加速和制動(dòng)踏板行程來(lái)反映駕駛員的駕駛操縱行為[1]. 并沒(méi)有從人類(lèi)運(yùn)動(dòng)控制行為、生理學(xué)角度出發(fā)分析駕駛?cè)瞬倏v動(dòng)作的特點(diǎn)和規(guī)律. 文獻(xiàn)[2-5]等引入反映駕駛?cè)松硖匦缘募‰姺治龇ǎ⒘嘶诤?jiǎn)單神經(jīng)肌肉力學(xué)特性的駕駛員轉(zhuǎn)向操縱模型. 文獻(xiàn)[6-8]也提出利用駕駛?cè)说募‰姅?shù)據(jù)描述轉(zhuǎn)向操縱行為效率的方法. 文獻(xiàn)[9]證實(shí)了駕駛員的心率增長(zhǎng)率HRI與操縱轉(zhuǎn)向盤(pán)時(shí)的轉(zhuǎn)速之間存在很強(qiáng)的正相關(guān)，特別是駕駛?cè)嗽诔?chē)時(shí)其HRI隨轉(zhuǎn)向盤(pán)轉(zhuǎn)速增加更為敏感. 文獻(xiàn)[10]采集仿真和實(shí)車(chē)試驗(yàn)兩種情況下駕駛?cè)诵穆蔬M(jìn)行比較，研究表明與心率相關(guān)的指標(biāo)最能描述駕駛?cè)笋{駛操縱過(guò)程的精神狀態(tài). 這些研究主要是從某一項(xiàng)生理指標(biāo)的角度對(duì)操縱行為展開(kāi)研究. 事實(shí)上，駕駛?cè)说拿恳粋€(gè)操縱行為，首先是由大腦接收信號(hào),然后通過(guò)神經(jīng)系統(tǒng)和神經(jīng)元支配和控制身體的肌肉和骨骼配合從而共同完成的，因此是多項(xiàng)生理機(jī)能共同作用的結(jié)果. 而僅從某一項(xiàng)生理指標(biāo)的角度來(lái)反映駕駛操縱行為還不夠完整和具體，有必要從多項(xiàng)生理指標(biāo)角度對(duì)駕駛操縱行為進(jìn)行研究.

目前研究駕駛?cè)瞬倏v行為的研究方法主要有自然駕駛行為方法、交通事故數(shù)據(jù)方法、駕駛模擬器試驗(yàn)方法、場(chǎng)地測(cè)試方法[11]4種. 文獻(xiàn)[12]利用駕駛模擬器對(duì)駕駛?cè)瞬倏貏?dòng)作進(jìn)行測(cè)量試驗(yàn)，研究結(jié)果很好地揭示了不同駕駛?cè)瞬倏v動(dòng)作的差異性. 文獻(xiàn)[13-16]也借助駕駛模擬器采集駕駛?cè)说鸟{駛操縱行為數(shù)據(jù)，提出了一種個(gè)性化駕駛行為模式建模方法，為駕駛安全輔助系統(tǒng)的開(kāi)發(fā)在智能化和個(gè)性化方面提供理論依據(jù). 這些研究都基于駕駛模擬器采集數(shù)據(jù)，雖然具有數(shù)據(jù)獲取及時(shí)、事件及行駛軌跡可控等優(yōu)點(diǎn)[17]，但并不能完全真實(shí)準(zhǔn)確的反映駕駛?cè)嗽谧匀获{駛狀態(tài)下的駕駛操縱行為特征. 交通事故數(shù)據(jù)方法雖然可獲取典型交通事故場(chǎng)景，但得到數(shù)據(jù)中關(guān)于駕駛?cè)瞬倏v行為尤其是腳操縱行為的數(shù)據(jù)并不多，樣本數(shù)量和準(zhǔn)確性很難滿(mǎn)足需要. 場(chǎng)地測(cè)試也存在一定的缺陷. 因此，近幾年采集自然駕駛狀態(tài)數(shù)據(jù)的自然駕駛行為方法被越來(lái)越多的應(yīng)用. 自然駕駛行為研究(NDS)方法是指在沒(méi)有外界干擾駕駛員行為的條件下采集真實(shí)交通環(huán)境中自然駕駛狀態(tài)下駕駛行為的一種研究方法[18]，其特點(diǎn)是在自然駕駛狀態(tài)下采集駕駛行為數(shù)據(jù)，提取的數(shù)據(jù)真實(shí)準(zhǔn)確，因此被越來(lái)越多的應(yīng)用，但數(shù)據(jù)的采集和實(shí)驗(yàn)過(guò)程相對(duì)復(fù)雜. 文獻(xiàn)[19-21]等用自然駕駛行為法證實(shí)了駕駛?cè)颂ぐ宀倏v與駕駛負(fù)荷之間的相關(guān)性. 但研究?jī)H針對(duì)山區(qū)公路，對(duì)城市道路自然駕駛狀態(tài)下駕駛?cè)四_操縱行為規(guī)律的研究尚未開(kāi)展.

綜上所述，采集駕駛?cè)俗匀获{駛習(xí)慣下真實(shí)駕駛狀態(tài)數(shù)據(jù)，選取與腳操縱行為密切相關(guān)的3項(xiàng)主要生理指標(biāo)，證實(shí)加速和制動(dòng)踏板力與3項(xiàng)生理指標(biāo)之間的相關(guān)性，建立自然駕駛工況下駕駛?cè)四_操縱行為多元回歸模型，并對(duì)模型準(zhǔn)確性進(jìn)行驗(yàn)證. 同時(shí)通過(guò)數(shù)據(jù)統(tǒng)計(jì)獲得中國(guó)城市道路不同交通量、駕駛經(jīng)驗(yàn)(駕齡)、性別、年齡的駕駛?cè)俗匀获{駛狀態(tài)下踏板踩踏頻率的一般規(guī)律特征，并對(duì)其進(jìn)行定性的風(fēng)險(xiǎn)分析. 旨在從兩個(gè)維度揭示中國(guó)城市道路駕駛?cè)四_操縱行為一般規(guī)律，用于基于駕駛操控行為的駕駛輔助系統(tǒng)研發(fā)、模擬駕駛?cè)瞬倏匦袨楹鸵?guī)律的自動(dòng)駕駛技術(shù)研究、基于駕駛?cè)瞬倏匾?guī)律的智能汽車(chē)技術(shù)設(shè)計(jì)和開(kāi)發(fā)等.

1 試 驗(yàn)

1.1 試驗(yàn)道路和車(chē)輛選擇

為獲取不同交通環(huán)境下駕駛?cè)俗匀获{駛試驗(yàn)數(shù)據(jù)，試驗(yàn)路段選取哈爾濱市44.2 km城市道路，全程線(xiàn)路為：黃河路—文昌街—教化街—安發(fā)橋—松花江公路大橋—松北大道—中原大道—松浦大橋—南十四道街—宣化街—黃河路，如圖1所示. 考慮被試駕駛?cè)藢?duì)生理采集裝置的適應(yīng)性，在試驗(yàn)開(kāi)始的4.2 km路段行駛所采集數(shù)據(jù)不作為研究使用，剩余路段按每公里1個(gè)路段單元進(jìn)行劃分，可獲得40個(gè)路段單元.

2018年哈爾濱市民用汽車(chē)保有量182.6萬(wàn)輛，其中小型客車(chē)150.3萬(wàn)輛，占83.3%[22]. 因此試驗(yàn)所選車(chē)型為中國(guó)小型轎車(chē)中保有量最大的大眾公司生產(chǎn)的速騰1.8T轎車(chē)(圖2)，車(chē)輛為自動(dòng)擋變速器.

圖1 試驗(yàn)路段路線(xiàn)圖 圖2 試驗(yàn)車(chē)型

1.2 被試駕駛?cè)?/h3>

選擇36名身體健康且非職業(yè)性駕駛?cè)俗鳛楸辉?，駕駛?cè)藢?shí)際駕齡為0.25～15 a，平均駕齡為6.5 a. 其中18人駕齡為3 a以下，18人駕齡為3 a以上且年均駕駛里程數(shù)超過(guò)10 000 km. 駕駛?cè)四挲g為22～50歲，平均年齡為37.5歲. 36人中女性12人，男性24人，符合2019年公安部公布的中國(guó)現(xiàn)有駕駛?cè)朔植记闆r. 為獲得駕駛?cè)俗匀获{駛狀態(tài)下真實(shí)數(shù)據(jù)，在試驗(yàn)開(kāi)始前和試驗(yàn)過(guò)程中不對(duì)駕駛?cè)颂岢鋈魏胃郊尤蝿?wù)要求，保證其按平時(shí)的駕駛習(xí)慣駕駛操縱車(chē)輛. 每名被試在自然駕駛狀態(tài)下沿試驗(yàn)路段連續(xù)行駛44.2 km.

1.3 數(shù)據(jù)采集

使用北京津發(fā)科技股份有限公司的可穿戴生理記錄系統(tǒng)模塊、可穿戴無(wú)線(xiàn)動(dòng)作捕捉模塊、可穿戴腦電測(cè)量系統(tǒng)模塊、HRV心率變異性高級(jí)分析模塊、可穿戴生物力學(xué)測(cè)量系統(tǒng)、EMG肌電圖高級(jí)分析模塊、 General基礎(chǔ)生理分析模塊采集駕駛?cè)俗匀获{駛狀態(tài)下實(shí)時(shí)的腦電、肌電、脈搏、血壓、心率等多項(xiàng)生理指標(biāo)數(shù)據(jù)，如圖3所示.

(a)被試駕駛?cè)?(b)自然駕駛狀態(tài) (c)生理指標(biāo)數(shù)據(jù)采集系統(tǒng)

同時(shí)借助GPS道路環(huán)境與車(chē)輛數(shù)據(jù)采集系統(tǒng)(圖4)可獲得汽車(chē)移動(dòng)時(shí)的速度和距離，并且能夠測(cè)量實(shí)驗(yàn)車(chē)輛的橫向加速度、縱向加速度、加速踏板力、制動(dòng)踏板力、踏板行程、轉(zhuǎn)彎半徑、轉(zhuǎn)向力矩等. 試驗(yàn)過(guò)程中，各傳感器通過(guò)Wi-Fi與插在筆記本電腦的接收器進(jìn)行連接，傳輸數(shù)據(jù)并保存. 每名被試在選定好的交通路線(xiàn)上行駛兩次，分別是白天平峰時(shí)段、晚高峰時(shí)段的城市道路. 所選的道路及時(shí)段均可滿(mǎn)足3種交通流密度，試驗(yàn)過(guò)程中攝像機(jī)記錄各路段單元交通量. 試驗(yàn)最終獲得36名駕駛?cè)? 591 km城市道路共2 340 min自然駕駛狀態(tài)數(shù)據(jù).

1.4 評(píng)價(jià)指標(biāo)選取

駕駛?cè)送瓿梢粋€(gè)完整的操縱動(dòng)作，首先是由大腦接收信號(hào),然后通過(guò)神經(jīng)系統(tǒng)和神經(jīng)元支配和控制身體的肌肉和骨骼配合來(lái)共同完成. 因此，選取駕駛?cè)说哪X電(EEG)、心率(H)、肌電(EMG)3個(gè)與操縱過(guò)程密切相關(guān)的參數(shù)來(lái)研究駕駛?cè)说哪_操縱行為特性. 由于車(chē)輛在道路上行駛是一個(gè)高度動(dòng)態(tài)化的過(guò)程，為了更好的反映出駕駛?cè)松頎顟B(tài)的瞬變性和累積性，選用動(dòng)態(tài)的腦電變化率EEGδ、心率變化率Hδ、肌電變化率EMGδ，具體數(shù)據(jù)的處理方法主要借助MATLAB進(jìn)行計(jì)算和處理. 其計(jì)算式分別為

Hδ=(Hmax-H0)/H0，

(1)

EEGδ=(EEGmax-EEG0)/EEG0，

(2)

EMGδ=(EMGmax-EMG0)/EMG0.

(3)

式中：EEGmax為駕駛?cè)嗽谀骋宦范螁卧旭倳r(shí)腦電最大值；EEG0為駕駛?cè)嗽谀骋宦范螁卧旭倳r(shí)腦電平均值；Hmax為駕駛?cè)嗽谀骋宦范螁卧旭倳r(shí)心率最大值；H0為駕駛?cè)嗽谀骋宦范螁卧旭倳r(shí)心率平均值；EMGmax為駕駛?cè)嗽谀骋宦范螁卧旭倳r(shí)肌電最大值；EMG0為駕駛?cè)嗽谀骋宦范螁卧旭倳r(shí)肌電平均值.

2 踏板操縱與駕駛?cè)酥饕碇笜?biāo)相關(guān)性分析

2.1 踏板力與駕駛?cè)薊EGδ、Hδ、EMGδ相關(guān)性

駕駛?cè)颂ぐ宀倏v主要包括加速踏板、制動(dòng)踏板和離合器踏板，由于自動(dòng)變速器在車(chē)輛上的廣泛應(yīng)用，大多數(shù)轎車(chē)不再采用離合器踏板. 因此選取踏板操縱中制動(dòng)踏板力和加速踏板力進(jìn)行研究. 為了明確踏板力分布特征及其與駕駛?cè)酥饕碇笜?biāo)之間的關(guān)系，對(duì)加速踏板力和制動(dòng)踏板力數(shù)據(jù)進(jìn)行了整理，僅提取每個(gè)路段單元中加速踏板力和制動(dòng)踏板力的曲線(xiàn)最大值. 由于有效試驗(yàn)路段為40 km，按每公里1個(gè)路段單元進(jìn)行劃分可獲得40個(gè)路段單元. 而試驗(yàn)中有36名被試駕駛?cè)?，每公里可提?6組踏板力(加速踏板力和制動(dòng)踏板力各36個(gè))樣本值，這樣實(shí)驗(yàn)路段全程可獲得制動(dòng)踏板力和加速踏板力樣本各1 440個(gè).

整理統(tǒng)計(jì)踏板力數(shù)據(jù)，得到圖5、6所示制動(dòng)踏板力和加速踏板力的概率分布直方圖. 從圖5可知，城市道路中加速踏板力主要集中在20～32 N，其中24 N左右使用頻率最高，10 N以下和44 N以上發(fā)生概率相對(duì)較低. 制動(dòng)踏板力多集中在26～42 N，最高使用頻率為30 N左右，48 N以上發(fā)生概率相對(duì)較低. 加速和制動(dòng)踏板力的均值分別為27 N和34 N. 制動(dòng)踏板力的均值大于加速踏板力，說(shuō)明在城市道路中，人們更愿意通過(guò)制動(dòng)踏板力實(shí)現(xiàn)對(duì)車(chē)速的控制.

圖5 加速踏板力概率統(tǒng)計(jì)分布圖

圖6 制動(dòng)踏板力概率統(tǒng)計(jì)分布圖

統(tǒng)計(jì)每個(gè)路段單元上36名駕駛?cè)说哪X電變化率(EEGδ)、心率變化率(Hδ)、肌電變化率(EMGδ)，與對(duì)應(yīng)時(shí)刻的加速踏板力Fai、制動(dòng)踏板力Fbi，形成數(shù)據(jù)點(diǎn)對(duì)：

繪制散點(diǎn)圖，如圖7所示. 采用飽和度[23]對(duì)交通流狀態(tài)進(jìn)行劃分和描述，即自由流狀態(tài)飽和度為0～0.25，穩(wěn)定流狀態(tài)飽和度為0.25～0.53，不穩(wěn)定流狀態(tài)飽和度為0.53～0.64，其中飽和度為實(shí)際交通量和設(shè)計(jì)交通量的比值.

從圖7可知，駕駛?cè)四X電變化率(EEGδ)、心率變化率(Hδ)、肌電變化率(EMGδ)會(huì)隨加速踏板力Fai、和制動(dòng)踏板力Fbi的增加而增加. 這是因?yàn)殡S著加速踏板力的增加，車(chē)速會(huì)增加，駕駛?cè)俗⒁饬?huì)更集中、精神會(huì)更緊張、腿部肌肉收縮更明顯. 因此駕駛?cè)薊EGδ、Hδ和EMGδ會(huì)隨加速踏板力的增加而表現(xiàn)出增長(zhǎng)的趨勢(shì). 同樣隨著制動(dòng)踏板力逐漸增大，車(chē)速逐漸降低趨于制動(dòng)，此時(shí)駕駛?cè)烁P(guān)注與前車(chē)的安全制動(dòng)距離，避免碰撞，因此EEGδ、Hδ、EMGδ會(huì)隨制動(dòng)踏板力的增加而表現(xiàn)出增長(zhǎng)的趨勢(shì).

由圖7可以看出：當(dāng)交通量較小時(shí)(自由流狀態(tài))，駕駛?cè)说哪X電變化率(EEGδ)、心率變化率(Hδ)、肌電變化率(EMGδ)與加速踏板力的擬合曲線(xiàn)斜率均比其與制動(dòng)踏板力的曲線(xiàn)斜率大. 說(shuō)明相對(duì)制動(dòng)踏板力而言，EEGδ、Hδ、EMGδ這3項(xiàng)指標(biāo)隨加速踏板力的增加更敏感. 這是因?yàn)樽杂闪鳡顟B(tài)下，駕駛?cè)藭?huì)不斷增加加速踏板力從而獲得更高車(chē)速，車(chē)速越快，駕駛?cè)司駮?huì)越緊張、注意力會(huì)越集中、腿部肌肉收縮也會(huì)越明顯. 因此腦電變化率(EEGδ)、心率變化率(Hδ)、肌電變化率(EMGδ)會(huì)隨加速踏板力的增加變得更加敏感.

同樣由圖7可知：當(dāng)交通量較大時(shí)(不穩(wěn)定流狀態(tài))，駕駛?cè)四X電變化率(EEGδ)、心率變化率(Hδ)、肌電變化率(EMGδ)隨制動(dòng)踏板力的擬合曲線(xiàn)斜率均比其與加速踏板力的曲線(xiàn)斜率大. 說(shuō)明相對(duì)加速踏板力而言，EEGδ、Hδ、EMGδ這3項(xiàng)指標(biāo)隨制動(dòng)踏板力的增加更敏感. 這是因?yàn)榻煌枯^大的情況下，尤其接近飽和流量時(shí)，車(chē)輛走走停停，駕駛?cè)藶榱吮苊庀噜徿?chē)道車(chē)輛的強(qiáng)行并入，總是盡可能減小與前車(chē)跟馳行駛的距離. 所以習(xí)慣于將腳放置于制動(dòng)踏板上，而不是將擋桿置于P擋進(jìn)行等候，這樣的操縱勢(shì)必增加駕駛?cè)司窈屯炔考∪獾木o張和疲勞程度. 因此交通量較大時(shí)在頻繁的操縱和緊張的駕駛環(huán)境下使得駕駛?cè)薊EGδ、Hδ、EMGδ隨制動(dòng)踏板力變得更加敏感.

2.2 多元回歸模型

為更好地消除駕駛?cè)说膫€(gè)體差異，對(duì)每個(gè)被測(cè)路段單元的不同被測(cè)試駕駛?cè)说哪X電變化率(EEGδ)、心率變化率(Hδ)、肌電變化率(EMGδ)和踏板力(加速踏板力和制動(dòng)踏板力)數(shù)據(jù)取算術(shù)平均值，即每個(gè)路段單元對(duì)應(yīng)1組生理數(shù)據(jù)和1組踏板力平均值，再繪制散點(diǎn)圖,可知相關(guān)性變得更強(qiáng). 進(jìn)行多元線(xiàn)性回歸分析，其線(xiàn)性表達(dá)式為

Fa=-15.42x1-5.878x2+49.116x3-8.721,R2=0.943，

(4)

Fb=-9.838x1+6.032x2-11.348x3+27.792,R2=0.983.

(5)

式中：x1=EEGδ，x2=Hδ，x3=EMGδ，F(xiàn)a為加速踏板力，F(xiàn)b為制動(dòng)踏板力.

(a)加速踏板力Fai與腦電EEGδ相關(guān)性

(c)加速踏板力Fai與肌電EMGδ相關(guān)性

(e)制動(dòng)踏板力Fbi與心電Hδ相關(guān)性

(b)加速踏板力Fai與心電Hδ相關(guān)性

(d)制動(dòng)踏板力Fbi與腦電EEGδ相關(guān)性

(f)制動(dòng)踏板力Fbi與肌電EMGδ相關(guān)性

用MATLAB對(duì)模型進(jìn)行參數(shù)確定，從運(yùn)算結(jié)果可知，模型回歸效果顯著(R2=0.943和R2=0.983)，對(duì)模型進(jìn)行檢驗(yàn)，在殘差圖中，只有第1個(gè)和第11個(gè)數(shù)據(jù)殘差離零點(diǎn)較遠(yuǎn)，可視為異常點(diǎn). 其他所有數(shù)據(jù)的殘差均距零點(diǎn)很近，并且數(shù)據(jù)的殘差置信區(qū)間也均將零點(diǎn)包含在內(nèi)，這說(shuō)明回歸模型(4)、(5)能較好符合數(shù)據(jù).

3 駕駛?cè)颂ぐ宀忍ゎl率特征

3.1 基于交通量的駕駛?cè)颂ぐ宀忍ゎl率特征

由于車(chē)輛是具有高度非線(xiàn)性和遲滯性特征的復(fù)雜系統(tǒng)，駕駛?cè)藶榱藢④?chē)速維持在期望速度附近，需要頻繁地踩踏加速和制動(dòng)踏板，在城市道路中尤其是交通流密度較大路段體現(xiàn)更加明顯. 本文設(shè)定駕駛?cè)思铀倩蛑苿?dòng)踏板力每歸零一次計(jì)為一次踩踏，駕駛?cè)嗽趩挝粫r(shí)間內(nèi)的踩踏次數(shù)為踏板踩踏頻率(次/min). 對(duì)試驗(yàn)數(shù)據(jù)整理，取每個(gè)路段單元所有被試駕駛?cè)俗畲蟛忍ゎl率的算數(shù)平均值(減小個(gè)體差異影響)，與對(duì)應(yīng)路段交通量形成數(shù)據(jù)點(diǎn)對(duì)，繪制散點(diǎn)圖，得到不同交通量下駕駛?cè)颂ぐ宀忍ゎl率統(tǒng)計(jì)圖，如圖8所示.

可見(jiàn)，隨著交通量的增加，駕駛?cè)说奶ぐ宀忍ゎl率也隨之增加，以城市道路6車(chē)道為例，當(dāng)交通量達(dá)到1 200～1 500 veh/h時(shí)，踩踏頻率增加明顯. 這說(shuō)明在交通量較大的情況下，駕駛?cè)肆?xí)慣于通過(guò)頻繁的踏板操縱來(lái)調(diào)整速度和與周邊車(chē)輛的距離. 這勢(shì)必增加駕駛?cè)说钠诔潭龋瑥亩黾影l(fā)生事故的隱患，從風(fēng)險(xiǎn)管理的角度來(lái)看，增加了事故的風(fēng)險(xiǎn).

圖8 不同交通量下駕駛?cè)说奶ぐ宀忍ゎl率

3.2 基于駕駛經(jīng)驗(yàn)(駕齡)的駕駛?cè)颂ぐ宀忍ゎl率特征

對(duì)每個(gè)駕駛?cè)嗽谌谈鱾€(gè)路段單元上的最大踏板踩踏頻率取算數(shù)平均值(減小交通量的影響)，與對(duì)應(yīng)駕齡形成數(shù)據(jù)點(diǎn)對(duì)，得到駕駛經(jīng)驗(yàn)(駕齡)與駕駛?cè)颂ぐ宀忍ゎl率特征圖，如圖9所示.

圖9駕駛經(jīng)驗(yàn)與踩踏頻率特征圖

可見(jiàn)，在不考慮交通量影響的條件下，駕駛經(jīng)驗(yàn)(駕齡)越長(zhǎng)的駕駛?cè)嗽隈{駛過(guò)程中的踏板踩踏頻率越低，駕駛經(jīng)驗(yàn)(駕齡)在3～6個(gè)月的駕駛?cè)嗽隈{駛過(guò)程中的踏板踩踏頻率最高. 這說(shuō)明駕駛經(jīng)驗(yàn)(駕齡)較短的駕駛?cè)?，由于?duì)車(chē)輛的操控熟練度及周邊環(huán)境的感知和判斷準(zhǔn)確性不足，要通過(guò)頻繁地加速和制動(dòng)踏板操縱來(lái)進(jìn)行修正，以達(dá)到期望速度和安全車(chē)距. 這同樣會(huì)增加駕駛?cè)说钠诔潭龋黾渝e(cuò)誤操作出現(xiàn)的概率，從而增加發(fā)生事故的隱患，從風(fēng)險(xiǎn)管理的角度來(lái)看，增加了事故的風(fēng)險(xiǎn).

3.3 基于駕駛?cè)诵詣e、年齡的踏板踩踏頻率特征

用同樣的方法，對(duì)不同性別和年齡的駕駛?cè)说钠骄忍ゎl率進(jìn)行統(tǒng)計(jì)，得到性別和年齡與駕駛?cè)颂ぐ宀忍ゎl率特征圖，如圖10所示.

圖10 性別和年齡與駕駛?cè)颂ぐ宀忍ゎl率

從圖10可知，在不考慮交通量影響的條件下，女性較男性駕駛?cè)嗽隈{駛過(guò)程中的踏板踩踏頻率高，年齡較高的駕駛?cè)溯^年輕駕駛?cè)嗽隈{駛過(guò)程中踏板踩踏頻率低. 其中，30～40歲駕駛?cè)嗽隈{駛過(guò)程中的踏板踩踏頻率最低，18～25歲駕駛?cè)嗽隈{駛過(guò)程中的踏板踩踏頻率最高. 這是因?yàn)榕择{駛?cè)?，駕駛過(guò)程中表現(xiàn)較為謹(jǐn)慎，她們更愿意通過(guò)頻繁的加速和制動(dòng)踏板操縱來(lái)進(jìn)行調(diào)整和修正，確保安全行駛. 而年齡較小的駕駛?cè)嗽诮煌▍⑴c過(guò)程中表現(xiàn)較為活躍，因此在駕駛過(guò)程中踩踏頻率也較高, 他們?cè)诮煌枯^小時(shí)風(fēng)險(xiǎn)較低，在交通量較大時(shí)風(fēng)險(xiǎn)會(huì)隨之增加.

4 結(jié) 論

1)通過(guò)對(duì)自然駕駛數(shù)據(jù)統(tǒng)計(jì)分析，發(fā)現(xiàn)制動(dòng)踏板力的均值高于加速踏板力，對(duì)應(yīng)最高使用頻率制動(dòng)踏板力幅值也是高于加速踏板力. 這說(shuō)明城市道路駕駛?cè)烁敢馔ㄟ^(guò)操縱制動(dòng)踏板實(shí)現(xiàn)對(duì)車(chē)速的控制.

2)通過(guò)對(duì)自然駕駛數(shù)據(jù)統(tǒng)計(jì)分析，論證了加速踏板力、制動(dòng)踏板力與駕駛?cè)四X電變化率(EEGδ)、心率變化率(Hδ)、肌電變化率(EMGδ)3項(xiàng)生理指標(biāo)的相關(guān)性. 利用回歸分析建立了基于自然駕駛數(shù)據(jù)的駕駛?cè)四_操縱行為模型，該模型具有較高擬合精度. 該模型的建立，突破了傳統(tǒng)研究對(duì)駕駛?cè)藛我簧碇笜?biāo)進(jìn)行分析的局限性.

3)統(tǒng)計(jì)發(fā)現(xiàn)，當(dāng)交通流量較小時(shí)，腦電變化率(EEGδ)、心率變化率(Hδ)、肌電變化率(EMGδ)隨加速踏板力的增加比其隨制動(dòng)踏板力增加更為敏感. 但在交通流量較大時(shí)，腦電變化率(EEGδ)、心率變化率(Hδ)、肌電變化率(EMGδ)對(duì)制動(dòng)踏板力的增加則更敏感.

4)城市道路駕駛?cè)颂ぐ宀忍ゎl率具有明顯特征：駕駛?cè)颂ぐ宀忍ゎl率隨交通量的增加而增加，當(dāng)交通量達(dá)到某一臨界值時(shí)，踩踏頻率增加明顯. 駕駛經(jīng)驗(yàn)(駕齡)越長(zhǎng)的駕駛?cè)嗽隈{駛過(guò)程中的踏板踩踏頻率越低，駕駛經(jīng)驗(yàn)(駕齡)在3～6個(gè)月的駕駛?cè)嗽隈{駛過(guò)程中的踏板踩踏頻率最高. 女性較男性駕駛?cè)嗽隈{駛過(guò)程中的踏板踩踏頻率高. 年齡較高的駕駛?cè)溯^年輕駕駛?cè)嗽隈{駛過(guò)程中踏板踩踏頻率低，30～40歲駕駛?cè)嗽隈{駛過(guò)程中的踏板踩踏頻率最低，18～25歲駕駛?cè)嗽隈{駛過(guò)程中的踏板踩踏頻率最高.