葛慧敏,黃嘉慧,臧文凱,董 磊,周禮軍

(江蘇大學(xué) 汽車與交通工程學(xué)院, 江蘇 鎮(zhèn)江 212013)

0 引言

駕駛風(fēng)格作為駕駛?cè)碎L期駕駛方式的評價,體現(xiàn)在駕駛?cè)藢π熊囁俣取⒏嚲嚯x、超車時間的掌握,在一定程度上影響行車安全。駕駛操作的不同導(dǎo)致駕駛風(fēng)格存在差異性,不良的駕駛操作會給道路交通安全帶來隱患[1]。因此,研究駕駛?cè)笋{駛風(fēng)格是非常必要且具有重大意義的。

國內(nèi)外學(xué)者對駕駛風(fēng)格研究方法主要分為2種:調(diào)查問卷和建模分析。調(diào)查問卷相對主觀,通過問卷的形式,調(diào)查駕駛?cè)笋{駛感受以及駕駛心理等方面指標,以對駕駛?cè)笋{駛風(fēng)格進行分類[2-3],該方法無需信息采集設(shè)備,容易實現(xiàn),但分類結(jié)果帶有主觀感情偏差。建模分析對駕駛風(fēng)格的分類基于客觀數(shù)據(jù),主要通過選擇表征駕駛?cè)笋{駛風(fēng)格的駕駛參數(shù),如速度、加速度、橫向加速度、車頭時距、換道時間、節(jié)氣門開度等,作為駕駛風(fēng)格分類指標[4-5],現(xiàn)有的研究大多數(shù)利用K-mean、FCM、分層聚類等無監(jiān)督機器學(xué)習(xí)方法對駕駛風(fēng)格進行分類[6-8]。

已有研究多局限于駕駛?cè)碎L期駕駛風(fēng)格,但駕駛?cè)艘驅(qū)傩跃哂袝r變以及非線性動態(tài)等特征[8],駕駛風(fēng)格并非一成不變,同一個駕駛?cè)嗽谕欢涡谐讨锌赡軙驗轳{駛時長、駕駛?cè)饲榫w、周圍環(huán)境等因素造成駕駛風(fēng)格的波動。上述研究考慮道路環(huán)境對駕駛風(fēng)格的影響時較為片面,在進行駕駛活動時,周圍環(huán)境的改變需要駕駛?cè)酥鲃影l(fā)現(xiàn),也就是說駕駛?cè)瞬⒉灰欢馨l(fā)現(xiàn)周圍環(huán)境的變化,或駕駛?cè)说年P(guān)注點并非在與交通信息有關(guān)的目標上。有研究表明,在駕駛過程中,駕駛?cè)司嚯x前方障礙不足100 m時,其注視點仍集中于路測廣告牌區(qū)域,而非障礙物區(qū)域[9],在此情況下,前方障礙物對駕駛?cè)说漠?dāng)前駕駛影響較小。也有研究表明,駕駛?cè)嗽谟龅讲煌缆方煌ōh(huán)境影響時會對注意力分配造成影響[10]。因此,本文通過駕駛?cè)俗⒁朁c坐標變化表征周圍環(huán)境對駕駛?cè)说挠绊?結(jié)合駕駛參數(shù),利用FCM-M算法對實時駕駛風(fēng)格進行分類,并構(gòu)建神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測。研究內(nèi)容可為道路安全以及實時駕駛能力的研究提供參考。

1 試驗數(shù)據(jù)采集

1.1 試驗設(shè)備

駕駛模擬試驗在D-LAB中實現(xiàn)數(shù)據(jù)采集及分析,試驗設(shè)備包括駕駛模擬器、眼動儀、筆記本電腦和顯示器等硬件設(shè)備以及數(shù)據(jù)同步采集、場景搭建等軟件,如圖1所示。

1.2 試驗對象

試驗共招募26名駕駛?cè)?男性16名,女性10名),年齡在20～28歲。被試者要求身體狀況良好,過往無重大事故史,持有中華人民共和國機動車駕駛證且執(zhí)照持有時間1年以上。試驗開始之前,要求被試者進行5 min自由駕駛以熟悉試驗環(huán)境及設(shè)備,閱讀《試驗同意書》并簽名。

1.3 試驗場景

通過Silab搭建駕駛試驗場景。本試驗場景為一條全長22 km的同向三車道城市快速路,限速100 km/h。試驗路段包括1.5 km準備路段、20 km測試路段(全程無曲線)、0.5 km結(jié)束路段。整個試驗包括4個場景:跟馳、超車、換道、急停,單次試驗時間控制在15 min左右。為探究不同駕駛?cè)笋{駛風(fēng)格,本試驗嚴格控制變量,在固定路段進行固定事件試驗,如在測試路段15 km處,電腦屏幕出現(xiàn)換道指令,要求駕駛?cè)诉M行換道。

1.4 數(shù)據(jù)處理

駕駛模擬器擁有3個數(shù)據(jù)采集模塊:駕駛信息采集模塊、眼動信息采集模塊、面部信息采集模塊,可采集信息如表1所示,因本文不考慮面部信息,故不做羅列。

表1 駕駛模擬器可采集信息

有研究表明,當(dāng)駕駛?cè)朔中某^3 s時,會造成車道偏移,3 s的時間窗口能很好地表征駕駛?cè)颂匦?反應(yīng)駕駛?cè)笋{駛風(fēng)格[11-12]。在此研究基礎(chǔ)上,以3 s為時間間隔篩選數(shù)據(jù),并對駕駛數(shù)據(jù)進行處理,剔除異常處理缺失值,最終得到26×200份可用數(shù)據(jù)樣本。

對數(shù)據(jù)進行歸一化處理,為避免不同量綱的選取對距離計算產(chǎn)生的影響,采用Z-score標準化方法將有量綱表達式變成無量綱表達式,經(jīng)過處理的數(shù)據(jù)符合標準正態(tài)分布。

2 駕駛風(fēng)格聚類

2.1 駕駛風(fēng)格參數(shù)選擇

駕駛?cè)瞬倏剀囕v的行為能很好地反映當(dāng)前駕駛?cè)说鸟{駛風(fēng)格[2],本文研究不同駕駛參數(shù)對駕駛風(fēng)格的影響,屬于研究分類數(shù)據(jù)與定量數(shù)據(jù)之間的關(guān)系,因此本文對采集的駕駛信息進行方差分析,結(jié)果表明,跟車距離、碰撞時間、橫向偏移量、速度的組間差異性較大;跟車距離、碰撞時間、橫向偏移量、速度、減速踏板組內(nèi)差異性較大。如圖2所示,采用跟車距離、碰撞時間、橫向偏移量、速度和減速踏板5項信息指標作為評估駕駛員風(fēng)格的參數(shù)。

圖2 駕駛指標差異性分析

有研究表明,駕駛?cè)嗽隈{駛場景中,往往不自覺花費更長時間在特定類型的感興趣區(qū)域[13],當(dāng)駕駛?cè)艘暰€范圍內(nèi)出現(xiàn)異常情況時,視線會不自覺被吸引,因此,在駕駛行程中駕駛?cè)俗⒁朁c坐標能很好地表征周圍環(huán)境對當(dāng)前駕駛的影響。綜上,本文在5項駕駛信息基礎(chǔ)上增加駕駛?cè)俗⒁朁c坐標參數(shù)進行駕駛員風(fēng)格評估。

1) 跟車距離

跟車距離即試驗車輛頭部與前側(cè)目標車輛尾部之間的縱向距離S,如圖3所示。跟車距離反映駕駛?cè)嗽诟Y階段對安全距離的把控,跟車距離越近,駕駛?cè)嗽郊みM,反之,跟車距離越遠,駕駛?cè)嗽奖Ｊ亍?/p>

圖3 跟車距離

參與試驗的1—26號駕駛?cè)烁嚽闆r如圖4所示。

圖4 試驗駕駛?cè)烁嚽闆r

2) 橫向偏移量

橫向偏移量即試驗車輛車身最外緣與目標車輛(近試驗車輛側(cè))車身最外緣之間的橫向距離W,如圖5所示(設(shè)置目標車輛車身中心線與車道中心線重合)。橫向偏移量反映駕駛?cè)藢嚨篮蛙囕v的橫向安全距離的把控,在采集數(shù)據(jù)中,正值代表試驗車輛在目標車輛的左側(cè),負值代表試驗車輛在目標車輛的右側(cè),0值代表試驗車輛中心與目標車輛中心重合。試驗車輛行至目標車輛左或右代表駕駛?cè)藗€人習(xí)慣,具有強烈的個人風(fēng)格;橫向偏移量絕對值越大,試驗車輛與目標車輛橫向偏移越大,當(dāng)前駕駛?cè)笋{駛狀態(tài)越不穩(wěn)定。

圖5 橫向偏移量

3) 速度

速度即試驗車輛當(dāng)前行駛車速v,車速是最重要的車輛狀態(tài)之一,能很好地反映不同駕駛?cè)说鸟{駛激進程度。

4) 碰撞時間

碰撞時間即試驗車輛以當(dāng)前車速前進與前側(cè)目標車輛碰撞的時間H。碰撞時間體現(xiàn)駕駛?cè)藢囕v縱向速度以及縱向安全距離的把控,碰撞時間越短,駕駛?cè)嗽郊みM,碰撞時間越長,駕駛?cè)嗽奖Ｊ亍?/p>

5) 制動踏板

制動踏板數(shù)值即被試者遇到需要減速的情形時制動踏板的使用情況,制動踏板使用次數(shù)越多以及制動踏板值越大,駕駛?cè)嗽郊みM。

6) 左右眼注視點坐標

左右眼注視點坐標即被試者駕駛試驗車輛時,視線注視點坐標,本研究以駕駛?cè)俗⒁朁c坐標表示環(huán)境對駕駛的影響。部分注視點熱力圖如圖6所示。

2.2 FCM-M算法

本文中提出一種基于馬氏距離的FCM算法,將FCM中的歐氏距離用馬氏距離替代,自適應(yīng)調(diào)整數(shù)據(jù)的幾何分布,使相似數(shù)據(jù)點的距離較小,并在目標函數(shù)中增加一個協(xié)方差調(diào)節(jié)因子。

FCM-M算法的優(yōu)化目標函數(shù)為:

(1)

2.3 聚類簇選擇

FCM類型的算法中,聚類簇數(shù)量k要求事先給定,并且要確保分類的正確性和聚類數(shù)目的合理性。有研究將駕駛?cè)孙L(fēng)格聚類成:沖動、適度、普通[14];也有將駕駛?cè)孙L(fēng)格聚類成:魯莽、焦慮、易怒、謹慎[15];遲鈍-激進型、敏捷-穩(wěn)重型、標準型、遲鈍-膽小型[16]。為保證分類的準確性以及合理性,本研究通過類內(nèi)聚合度、類間低耦合的原則來選擇聚類簇的數(shù)量。常用的評價方法有:輪廓系數(shù)、CH分數(shù)、戴維森堡丁指數(shù)。其中,輪廓系數(shù)∈[-1,1],分值越大,聚類效果越好;CH分值越大,聚類效果越好;戴維森堡丁指數(shù)最小值為0,值越小,聚類效果越好。選取k=3、4、5進行輪廓系數(shù)、CH分數(shù)、戴維森堡丁指數(shù)評價,評價結(jié)果如表2所示。結(jié)果表明,當(dāng)k=4時,聚類效果相對最好,因此本研究選取聚類簇k=4,將駕駛?cè)孙L(fēng)格劃分為4類。

表2 聚類簇選擇結(jié)果

2.4 聚類結(jié)果及分析

當(dāng)k=4時,聚類中心如表3所示。

表3 聚類中心

在采集的26×200份數(shù)據(jù)中,劃分為0類的駕駛數(shù)據(jù)有1 928份,占比37.07%;1類駕駛數(shù)據(jù)有550份,占比10.58%;2類駕駛數(shù)據(jù)有626份,占比12.04%;3類駕駛數(shù)據(jù)有2 006份,占比40.31%,如圖7所示。

圖7 駕駛數(shù)據(jù)聚類結(jié)果

聚類結(jié)果顯示,所有樣本數(shù)據(jù)中,0類、3類駕駛風(fēng)格占比較多,1類、2類駕駛風(fēng)格相對較少,駕駛風(fēng)格呈兩極分化。

隨機選取2個駕駛?cè)诉M行駕駛風(fēng)格分析,以1號、13號為例。駕駛風(fēng)格聚類結(jié)果如圖8所示。

圖8 1號、13號駕駛員駕駛風(fēng)格聚類結(jié)果

結(jié)果表明,整段試驗駕駛過程中,1號駕駛?cè)说牟煌{駛風(fēng)格分別占比為17.5%、8.5%、3.5%、75.5%,主要駕駛風(fēng)格為第3類。13號駕駛?cè)说牟煌{駛風(fēng)格占比為9.5%、87.5%、1.5%、1.5%,主要駕駛風(fēng)格為第1類。

1號、13號駕駛?cè)笋{駛風(fēng)格可視化如圖9、圖10所示。

圖10 13號駕駛風(fēng)格可視化

由聚類結(jié)果發(fā)現(xiàn),FCM-M聚類結(jié)果與車速、跟車距離、碰撞時間有很好的對應(yīng)關(guān)系,第3類駕駛風(fēng)格明顯擁有更高的車速和較小的跟車距離以及碰撞時間,第0類駕駛風(fēng)格與之相反,因此本研究將第3類駕駛風(fēng)格劃分為沖動型駕駛風(fēng)格,第2類駕駛風(fēng)格劃分為較沖動型駕駛風(fēng)格,第1類劃分為普通型駕駛風(fēng)格,第0類劃分為謹慎型駕駛風(fēng)格。較沖動型駕駛?cè)烁鼉A向于開快車,碰撞時間是各類駕駛?cè)酥凶钚〉?符合現(xiàn)實環(huán)境中對沖動型駕駛?cè)说睦斫?。因此本研究分類較為合理。26名駕駛?cè)笋{駛風(fēng)格聚類結(jié)果如表4所示。

表4 所有駕駛?cè)笋{駛風(fēng)格聚類結(jié)果

對駕駛?cè)笋{駛風(fēng)格轉(zhuǎn)變進行分析,以1號為例。1號駕駛?cè)笋{駛風(fēng)格轉(zhuǎn)變?nèi)鐖D11所示,在本次試驗途中,1號駕駛?cè)说鸟{駛風(fēng)格發(fā)生5次轉(zhuǎn)變,表現(xiàn)為謹慎型駕駛-沖動型駕駛-謹慎型駕駛-沖動型駕駛-謹慎型駕駛。

圖11 1號駕駛風(fēng)格變化趨勢

在駕駛試驗過程中,1號駕駛?cè)俗鳛榈谝粋€被試者,駕駛初較緊張,駕駛風(fēng)格相對保守;當(dāng)經(jīng)過一段時間駕駛后,駕駛?cè)颂幱诜潘蔂顟B(tài),駕駛較為激進,駕駛風(fēng)格表現(xiàn)為沖動型駕駛風(fēng)格,隨著試驗推進,駕駛?cè)水a(chǎn)生疲憊感,具體表現(xiàn)為車速降低、跟車距離變大,駕駛風(fēng)格轉(zhuǎn)變?yōu)橹斏餍婉{駛風(fēng)格;回顧試驗過程,駕駛風(fēng)格產(chǎn)生波動性的階段發(fā)生在駕駛?cè)吮恢甘具M行換道的路段,駕駛?cè)藴p緩車速觀察周圍環(huán)境準備換道,因此該時間段駕駛?cè)笋{駛風(fēng)格表現(xiàn)為保守型駕駛風(fēng)格。

1號駕駛?cè)俗⒁朁c坐標(x,y)隨著時間的變化如圖12所示。由圖12可知,在駕駛?cè)俗⒁朁c坐標產(chǎn)生波動的階段,駕駛?cè)笋{駛風(fēng)格相應(yīng)會產(chǎn)生變化。由此可知,駕駛?cè)俗⒁朁c位置的變化對駕駛風(fēng)格有一定的影響,即駕駛?cè)笋{駛風(fēng)格變化受周圍環(huán)境的影響。因此駕駛?cè)俗⒁朁c坐標能很好地表征周圍環(huán)境對駕駛?cè)说挠绊憽?/p>

圖12 1號駕駛?cè)孙L(fēng)格與注視點坐標變化曲線

3 駕駛風(fēng)格識別

3.1 神經(jīng)網(wǎng)絡(luò)算法

本文以神經(jīng)網(wǎng)絡(luò)(neural network,NN)模型作為分類模型。神經(jīng)網(wǎng)絡(luò)模型包含輸入層、隱藏層和輸出層。本文中所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型包含2個隱藏層,第一個隱藏層神經(jīng)元數(shù)量為128,第二個隱藏層神經(jīng)元數(shù)量為64;輸入層包含7個神經(jīng)元,對應(yīng)7個駕駛風(fēng)格表征指標;輸出層神經(jīng)元為4個,代表4種駕駛風(fēng)格,如圖13所示。

圖13 NN模型結(jié)構(gòu)

按7∶3將數(shù)據(jù)集(26×200份)劃分為訓(xùn)練集(3 640份)和測試集(1 560份),采用sigmoid作為激活函數(shù),使用Warmup預(yù)熱學(xué)習(xí)率并引入余弦退火的學(xué)習(xí)率下降方式,以10 000為迭代周期,構(gòu)建基于NN的駕駛風(fēng)格識別模型。

3.2 識別結(jié)果及分析

在訓(xùn)練集上模型最高識別準確率達到99.5%,損失最低為0.31%,在測試集上模型最高識別率達到99.1%,損失最低為1.54%,準確率和損失曲線如圖14所示。根據(jù)識別結(jié)果繪制混淆矩陣,如圖15所示?；煜仃噷蔷€數(shù)值代表模型正確分類的數(shù)量,值越大越好,結(jié)果表明本模型分類效果優(yōu)異。

圖14 準確率和損失曲線

圖15 混淆矩陣示意圖

4 結(jié)論

1) 考慮駕駛?cè)伺c周圍車輛以及環(huán)境的交互,在車輛行駛參數(shù)上選取駕駛?cè)烁嚲嚯x、橫向偏移量以及駕駛?cè)俗⒁朁c坐標等7個駕駛風(fēng)格特征參數(shù),通過戴維森堡丁指數(shù)等對FCM-M聚類算法分類簇進行評價,結(jié)果表明,將駕駛?cè)说鸟{駛風(fēng)格分為4類時分類效果最好。

2) 選擇3 s的時間窗口,匯總駕駛?cè)藢崟r駕駛風(fēng)格,累計占比最多的實時駕駛風(fēng)格代表駕駛?cè)酥黧w駕駛風(fēng)格,回顧試驗過程,駕駛風(fēng)格產(chǎn)生波動路段多為外界環(huán)境干擾且駕駛?cè)藢崟r注意到環(huán)境變化,注視點坐標發(fā)生變化,說明駕駛?cè)俗⒁饬ψ兓瘜︸{駛風(fēng)格有影響。

3) 采用神經(jīng)網(wǎng)絡(luò)模型對駕駛風(fēng)格進行識別,分類準確率最高可達到99.1%,能很好地預(yù)測駕駛?cè)笋{駛風(fēng)格。

4) 不同駕駛?cè)嗽隈{駛行程中注意力分配有所不同,對實時駕駛風(fēng)格影響較大,應(yīng)作為下一步研究的課題。