賈丙碩 金建虎 何子欽

（1-陜西工業(yè)職業(yè)技術學院 陜西 咸陽 712000 2-長安大學汽車學院）

引言

隨著中國經(jīng)濟的快速發(fā)展，中國的汽車和交通行業(yè)發(fā)生了巨大的變化，汽車和駕駛人的數(shù)量急劇增加，隨著機動車駕駛人數(shù)量的迅速增加，道路交通安全隱患是我們必須面對的一個重大問題，駕駛人是車輛的操縱者[1]，其駕駛行為是影響交通安全的最重要因素之一[2-4]。因此，對駕駛行為的研究對于預防交通事故、促進智能交通和未來駕駛輔助系統(tǒng)的發(fā)展具有重要意義。

國內外交通安全研究對駕駛人這一影響因素高度關注[5-6]，Liuyun 提出使用P-2dHmm 模型進行駕駛行為識別，該模型的輸入為汽車的速度、縱向加速度和空間，輸出為駕駛行為作為[7]；Berndt 等人基于車輛傳感器數(shù)據(jù)特征向量對駕駛人的駕駛行為進行識別，然后基于隱馬爾科夫模型計算出特定駕駛行為的輸出概率，在此基礎之上，基于駕駛人當前的駕駛行為修正概率，從而實時識別車道偏離和跟隨行為[8]；清華大學的何長偉在車內構建了分布式網(wǎng)絡，將車內實際狀態(tài)轉化為對應的信息和數(shù)字，建立了數(shù)據(jù)模型，為汽車駕駛操作行為的識別奠定了堅實的基礎[9]。當前，對駕駛行為分析的研究已經(jīng)迅速成為一個研究熱點，許多研究機構相繼建立駕駛行為研究的實驗環(huán)境[10-12]，但是實車實驗相對較少，多為仿真環(huán)境。國內外對駕駛行為的研究多為對異常駕駛行為的識別和駕駛意圖等方面的研究[13-14]，鮮有人對駕駛人正常駕駛行為模式進行深入研究。

因此本文從車載智能終端記錄下的GPS、視頻監(jiān)控系統(tǒng)和從CAN 總線采集的數(shù)據(jù)出發(fā)，通過數(shù)據(jù)挖掘，重點研究車輛駕駛人典型縱向駕駛操作行為識別方法和變化規(guī)律，并基于隱馬爾科夫理論建立駕駛人行為模式表征模型。

1 典型縱向駕駛操作行為識別

1.1 駕駛人行為分析

駕駛人行為識別就是通過數(shù)據(jù)分析提取車輛運動學特征從而可以準確有效地識別駕駛人行為。本文將主要從CAN 總線數(shù)據(jù)出發(fā)動態(tài)識別駕駛人的快減速、慢減速、速度保持、慢加速、快加速和停止行駛6 種典型縱向駕駛操作行為。

通過對普通城市道路、城市高速道路和高速公路環(huán)境下駕駛人駕駛車輛的實驗，從CAN 總線獲取駕駛人行車時的速度、加速度數(shù)據(jù)，并通過視頻監(jiān)控系統(tǒng)記錄整個過程。觀看實驗錄像，結合GPS 數(shù)據(jù)，將實驗道路劃分為高速公路、普通城市路段和城市交叉口路段三種不同的路段，獲得三種不同路段下駕駛人的速度和加速度數(shù)據(jù)。

1.2 試驗設計

本研究選取了包括普通城市道路、城市高速道路和高速公路等試驗路線反饋回來的數(shù)據(jù)，路試第一部分為湖州市的一段公路，第二段路試在西安市進行，所有數(shù)據(jù)來源于大眾途安2.0 自動擋多功能轎車試驗車。本文主要采用車載CAN 記錄儀所采集到的數(shù)據(jù)（GPS 數(shù)據(jù)作為輔助）進行典型縱向駕駛行為識別和駕駛行為規(guī)律分析，用到的項目有時間、車速和加速踏板開度。

本次研究使用的數(shù)據(jù)為湖州實驗12 位駕駛人和西安實驗25 位駕駛人的實驗數(shù)據(jù)，他們年齡在23至54 歲之間（M=39.4 歲，SD=8.0 歲）。他們擁有2至24 年（M=10.86 歲，SD=5.72 歲）和平均10.9 年的駕駛經(jīng)驗。其中M 表示平均值，SD 表示標準差。

1.3 閾值確定

本研究將結合實際情況和有經(jīng)驗的駕駛人以及交通行業(yè)專家的建議，最終確定將37 位被試駕駛人的加速度分別從小到大排序（注意這里區(qū)分正負號），計算出每位駕駛人20%、30%、40%、50%、60%和70%位的減速度和加速度，并對37 位被試駕駛人的相應位的加速度和減速度平均，最終確定快減速、慢減速、保持速度、慢加速、快加速的分類標準。

1.4 數(shù)據(jù)處理

1.4.1 數(shù)據(jù)平均處理

為了保證采集速度的精確性，本實驗所用到的頻率為100 Hz，考慮到駕駛操作行為的特點，駕駛人在一秒內不會完成幾個加減速操作，故本研究將速度時間間隔定為1 s，為避免每秒內數(shù)據(jù)突變對分析結果有較大影響，計算得到37 位駕駛人對應的每秒速度數(shù)據(jù)的方差均小于0.12 km/h，可見直接對每秒的數(shù)據(jù)做平均對分析結果無太大影響。用MATLAB 程序計算速度每秒的平均值，處理結果如表1 所示。

表1 加速度計算結果

1.4.2 加速度計算

正常駕駛人在行車過程中，駕駛比較平穩(wěn)，一般情況下加速度會保持勻加速或勻減速狀態(tài)，故而一般情況下，速度不會發(fā)生突變。但是考慮到會有緊急情況的出現(xiàn)，緊急情況下速度在短時間內可能會變化幅度較大，因此在本文中計算加速度時，時間間隔取1 s，采用式（1）

式中：V1為汽車初速度，單位為m/s；V2為汽車末速度，單位為m/s；t1為起始時刻，單位為s；t2為 結束時刻，單位為s

計算出加速度后，按照1.3 節(jié)典型駕駛操作行為方法確定出加速度分段的閥值。處理結果如表2 所示，對37 位駕駛人的數(shù)據(jù)采用相同的方法處理后，匯總并取平均，參照各駕駛人速度和加速度數(shù)據(jù)，最終確定取加速度30%位和70%位加速度值為加減速閾值結果如表3 和表4 所示。

表2 某駕駛人各百分位加減速度 m/s2

表3 部分駕駛人加速度閾值預選 m/s2

表4 加速度閾值 m/s2

1.4.3 典型縱向駕駛操作行為動態(tài)識別

根據(jù)所劃定的加速度閾值，總結識別駕駛人駕駛行為的檢測方法：若a ＜-0.39 m/s2,則識別為快減速；若-0.39 m/s2≤a ＜-0.13 m/s2，則識別為慢減速；若-0.13m/s2≤a ＜0.13m/s2，則識別速度保持；若0.13m/s2≤a ＜0.39 m/s2，則識別為慢加速；若a≥0.39 m/s2，則識別為快加速；而當加速度為0 且速度為0，則識別為停止行車。同時給識別的結果進行編號。若為快減速，則對應編號為1；若為慢減速，則對應編號為2；若為速度保持，則對應編號為3；若為慢加速，則對應編號為4；若為快加速，則對應編號為5；若為停止行駛，則對應編號為6。

2 駕駛行為模式表征模型建立

2.1 隱馬爾科夫理論

隱馬爾科夫模型由初始概率分布、狀態(tài)轉移概率分布以及觀測概率確定。設Q 是所有可能的狀態(tài)的集合，V 是所有可能的觀測的集合。

式中：N 為可能狀態(tài)數(shù)；M 為可能的觀測數(shù)。

狀態(tài)轉移矩陣A：

式中：aij=p（it+1=qj∣it=qi）；j=1，2，…，N；i=1，2，…，N 表示在時刻t 處于狀態(tài)qi的條件下在時刻t+1 轉移到qj的概率。

觀察概率矩陣B：

式中：bj（k）=P（Ot=vk∣it=qj）；k=1，2，…，M；j=1，2，…，N 表示在時刻t 處于qj的條件下生成觀測vk的概率。

初始狀態(tài)概率向量π：

式中：πi=P（i1=qi）；i=1，2，…，N 表示時刻t=1 處于狀態(tài)qi的概率。

2.2 駕駛行為表征模型

在不同的道路類型上，駕駛人的駕駛操作行為存在不同的規(guī)律。道路類型和駕駛操作行為順序構成馬爾科夫鏈。道路類型為狀態(tài)序列，與其對應的駕駛行為操作為觀察序列，建立一個隱馬爾科夫模型。為了方便研究，將高速路段、普通路段和交叉口路段分別編碼為1、2 和3，然后從MATLAB 隱馬爾科夫工具箱中調用hmmestimate 函數(shù)，得到所有被試駕駛人的狀態(tài)轉移矩陣trans 和輸出矩陣emis。

平均指標可以反映現(xiàn)象總體的綜合特征，也可以反映分配序列中各變量值分布的集中趨勢。標準差可以衡量一組數(shù)據(jù)的離散程度。將所有駕駛人的狀態(tài)轉移矩陣數(shù)值進行平均和求標準差得到下式：

從上式中可以看出高速-高速、普通-普通、交叉口-交叉口的轉移概率平均值都在97%以上，所有標準差結果都非常小，最大的為0.006 1。為了更加直觀地看出路段轉移矩陣的規(guī)律，制作如圖1 和圖2 所示。

圖1 高速-高速、普通-普通和交叉口-交叉口轉移概率圖

圖2 高速-普通、普通-高速和交叉口-普通轉移概率圖

依據(jù)上圖可以看出，各路段轉移概率的大小依次為：高速-高速、普通-普通、交叉口-交叉口、交叉口-普通。高速-普通和普通-高速的概率基本相等且非常小，接近于0（但不等于0）。其中圖中沒有高速-交叉口和交叉口-高速的概率曲線。出現(xiàn)此規(guī)律的原因其實不難解釋，此規(guī)律符合實際情況。因為：

1）在實驗路段只有一段高速路段且是連續(xù)的，所以在路段轉移過程中，高速-普通只有一次，普通-高速也只有一次，是在上高速和下高速的時候。

2）在行駛路線中，高速路段和普通路段占比很高，觀察序列長度都在3 000 左右，所以在車輛行駛過程中基本是在高速-高速和普通-普通的轉換。

3）在行駛線路中，交叉口的個數(shù)只有二十幾個，所以普通-交叉口和交叉口-普通就轉換了二十幾次，分別是在進交叉口和出交叉口的時候。

2.3 輸出矩陣分析

根據(jù)駕駛行為表征模型輸出矩陣結果，高速路段、普通路段和交叉口路段下駕駛人駕駛行為操作輸出概率如圖3、圖4 和圖5 所示。

圖3 高速路段駕駛人駕駛行為操作輸出概率圖

圖4 普通路段駕駛人駕駛行為操作輸出概率圖

從圖3 可以看出每位駕駛人在高速路段出現(xiàn)的操作行為概率基本為速度保持、慢加速、慢減速、快減速、快加速。其中出現(xiàn)速度保持的概率除極個別（4、11）外都在40%以上；出現(xiàn)慢加速的概率基本都在10%～30%之間，出現(xiàn)慢減速的概率絕大部分在10%～20%之間；出現(xiàn)快減速操作的概率都在15%以下，絕大部分在10%以下；出現(xiàn)快加速的概率都在10%以下。

從圖4 可以看出每位駕駛人在普通路段出現(xiàn)速度保持的概率最大，基本都在25%～40%之間；出現(xiàn)慢加速的概率都在15%～25%之間，除極個別（27、32）外都在19%～25%之間；出現(xiàn)慢減速的概率都在14%～25%之間；出現(xiàn)快減速的概率在7%～18%之間；出現(xiàn)快加速的概率在10%～20%之間。絕大多數(shù)人出現(xiàn)停止行駛的概率為接近或等于0，個別不為0 的也在5%以下，其中湖州路線出現(xiàn)停止行車的概率較西安路線大，但是差別很小，這是因為湖州實驗路線比西安實驗路線擁堵程度略高一點。

依據(jù)圖5 可以看出：（前12 位為湖州被試駕駛人，后面都為西安被試駕駛人）湖州路線和西安路線的操作行為規(guī)律大致相同，但是在數(shù)值上還是有些差別，所有駕駛人在交叉口路段表現(xiàn)出：

圖5 交叉口路段各駕駛操作行為輸出概率圖

1）出現(xiàn)快減速操作的概率都在25%以下，總體上湖州路線的概率略高于西安路線的概率，湖州路線大部分在15%～25%之間，西安路線絕大部分在5%～25%之間。

2）出現(xiàn)慢減速操作的概率，總體上湖州路線略小于西安路線。湖州路線都在10%以下，絕大部分都在5%～10%之間；西安路線都在20%以下，絕大部分在10%～15%之間。

3）出現(xiàn)速度保持的概率，總體上湖州路線略小于西安路線。其中湖州路線都在15%以下，除1 號外都在10%以下。西安路線基本上都在10%～30%之間。

4）出現(xiàn)慢加速的概率，總體上湖州路線略低于西安路線。湖州路線都在15%以下，其中絕大部分在10%以下。西安路線都在20%以下，其中絕大部分不小于10%。

5）出現(xiàn)快加速的概率，總體上湖州路線略高于西安路線。湖州絕大部分在20%～30%之間，西安路線絕大部分在10%～20%之間。

6）出現(xiàn)停止行車的概率，兩段路線基本都在50%以內，湖州路線比西安路線停止行車概率稍高一點，但不太明顯。

3 結論

本文在前人研究的基礎上提出了對典型縱向駕駛行為的識別方法，并基于駕駛人在不同道路類型駕駛數(shù)據(jù)基于隱馬爾科夫理論建立了駕駛人典型駕駛行為表征模型，研究發(fā)現(xiàn)：

1）基于實車實驗確定了正常駕駛人加速度閾值，確定了a ＜-0.39 m/s2為快減速，-0.39 m/s2≤a ＜-0.13 m/s2為慢減速，-0.13 m/s2≤a ＜0.13 m/s2為速度保持，0.13 m/s2≤a ＜0.39 m/s2為慢加速；a≥0.39 m/s2為快加速；而當加速度為0 且速度為0，則為停止行駛。進而提出了對典型縱向駕駛行為動態(tài)識別的方法。

2）在同一道路上不同駕駛人的狀態(tài)（道路類型）轉移概率基本是一致的，并且相同路段類型之間的轉移概率最大。

3）高速路段出現(xiàn)速度保持的概率最高，明顯高于其它兩種路段，其次為普通路段。三種路段出現(xiàn)快減速和快加速操作的概率為高速路段＞普通路段＞交叉口路段；交叉口路段出現(xiàn)停止行車的概率最大，高速路段為0。