基于駕駛行為的駕駛傾向特征辨識

商 強， 譚德榮， 張曉琳， 董春迎

(山東理工大學 交通與車輛工程學院， 山東 淄博 255091)

在人-車-路-環境組成的道路交通系統中，駕駛員通過處理各種信息來操控車輛.駕駛員的內在因素對行車安全有重要影響.因為駕駛員的個體差異而具有的不同駕駛特征，可以歸為駕駛員的駕駛傾向性[1]，體現了駕駛員在行車過程中的內在趨向.準確識別駕駛傾向能夠提高汽車輔助駕駛系統的適用性.國內外對駕駛傾向的研究通常注重駕駛員個體心理特征及其對駕駛行為的影響，在相對靜態條件下對駕駛員進行心理測試，以及分析駕駛員心理狀態對道路交通安全的影響[2-4].有少數研究將駕駛員的特性引入到了汽車主動安全系統的理論研究中[5-6]，但沒有詳細給出駕駛員個體特性的在線識別方法.本文通過對駕駛行為的分析，根據試驗數據，建立駕駛傾向辨析模型，為進一步研究汽車安全預警提供支持.

1 駕駛傾向劃分及識別原理

駕駛傾向涉及的因素眾多[7]，本文主要考慮駕駛傾向性的兩個部分.第一部分是駕駛員內在激進性，根據個體特征可分為冒進型、普通型和保守型.冒進型駕駛員活潑好動、易產生冒險動機，易于高速行車和超車.普通型駕駛員一般性情安靜、自制力強、遵守交通規則，在條件完全允許的情況下選擇超車及快速行駛.保守型駕駛員情緒不易外露，也不易產生冒險動機，易低速行車且很少超車，但是遇到緊急情況易驚慌失措.本文選取加油頻率、制動頻率和變道超車頻率作為自由行車條件下的駕駛傾向性的判斷指標，選取加油頻率和制動頻率作為跟馳狀態下的駕駛傾向性判斷指標.駕駛傾向性第二部分是操作穩定性程度，根據動作深度可分為興奮型和穩重型，由駕駛員操作緊急程度來判斷.如果駕駛員在行車過程中出現較多次數的急剎車和緊急加速情況，則說明該駕駛員駕駛操作不穩定，歸為興奮型.這種類型駕駛員在行車過程中存在一定安全隱患.本文選取駕駛員緊急剎車和緊急加油的比例作為駕駛傾向性第二部分的判斷指標.駕駛傾向性的劃分如圖1所示.限于篇幅，本文只作了自由流條件下的駕駛行為數據提取及駕駛傾向識別建模.

圖1 駕駛傾向性的劃分及識別原理

2 試驗方案設計和數據采集

2.1 試驗方案設計

2.1.1 試驗樣本的選取

隨機抽取300名駕駛員，其中包含部分職業駕駛員，年齡分布在20～60歲，駕齡在1年以上.首先進行問卷測試，初步確定他們的駕駛傾向并分類，從中選擇駕駛傾向性較為明確的駕駛員進行駕駛模擬測試，檢驗模擬駕駛操作特性是否與其問卷測試結果相符.然后從兩項測試結果相符的駕駛員中選取每種類型的駕駛員各7名，共計42名，其中包括8名女性駕駛員.最后對選定的這42名駕駛員進行實車試驗，采集所需數據(從每種類型的7名駕駛員中，選取5名的試驗數據用于模型的訓練，剩余2名的試驗數據將用于模型驗證).

2.1.2 試驗環境的確定

試驗地點為流量較小的城市主干道，車流狀態可認為是自由流.試驗時間為非節假日或周末的上午9點～10點40分，共計100min.天氣狀況良好.

2.1.3 對被測駕駛員的要求

確保駕駛員睡眠充足，身體狀況良好，48h內沒有飲酒和服用藥物，近期內心情平靜，家庭、工作及生活均處于正常狀態.

2.2 數據采集

需要獲取的駕駛員駕駛行為數據包括：加速頻次、制動頻次、換道頻次、緊急加速頻次和緊急制動頻次.駕駛員的加速和制動深度及頻次分別由安裝在加速和制動踏板下的電子尺測得，緊急加速和緊急制動由踩下踏板的深度來確定.規定加速踏板最大深度值為1，大于0.9即為緊急加速；規定制動踏板最大深度值為1，大于0.8即為緊急制動.換道頻率由車內監控錄像提取.

3 駕駛傾向辨識模型的建立

BP神經網絡由三部分組成：輸入層、中間隱含層和輸出層.這三個部分之間通過各層節點之間的連接權依次前向連接.中間隱含層可為一層或多層.對于一個三層網絡，可以實現以任意精度近似任何連續函數. BP網絡的基本原理是利用梯度下降法將誤差函數予以最小化.

3.1 神經網絡模型的建立

3.1.1 輸入層的確定

輸入層是駕駛行為數據，包括加速頻率、制動頻率、換道頻率、緊急加速比例和緊急制動比例共5個神經元，他們構成了輸入向量.

3.1.2 輸出層的確定

輸出層為駕駛傾向的評判向量，共5個神經元.前3個神經元用于判定駕駛傾向的第一部分，分別代表冒進、普通、保守；后2個神經元用于判定駕駛傾向的第二部分，分別表示興奮型和溫和型.用數字1表示當前駕駛傾向，而其它用0表示，則得到期望輸出向量(1 ,0 ,0 ,1 , 0)，(1, 0, 0, 0, 1)，(0, 1, 0, 1, 0)，(0, 1, 0, 0, 1)，(0, 0, 1, 1, 0)，(0, 0, 1, 0, 1)，分別表示的駕駛傾向類型為冒進興奮型、冒進溫和型、普通興奮型、普通溫和型、保守興奮型和保守溫和型.

3.1.3 隱含層的確定

圖2 駕駛傾向識別模型

3.1.4 模型的算法

BP網絡的單個神經元模型如圖3所示.其中，x=[x1x2…xm]T為網絡輸入，w=[w1w2…wm]T為連接權值，b為閥值，f為傳遞函數.前向計算過程為

u=f(wTx+b)

本模型隱層傳遞函數為tansig，輸出層傳遞函數為purelin，訓練函數為trainlm，其余參數用matlab神經網絡工具箱的默認值[8].

圖3 BP網絡神經元

3.1.5 訓練樣本的構造

試驗所得駕駛員在100min內的駕駛操作頻次，不能直接作為訓練樣本.若將每100min為一結算時間段，時間太長，會極大降低實時性.但是，太短的時間段內駕駛員的操作次數大多數為0，存在很大的偶然性，無法體現不同駕駛傾向的駕駛員的差異性.因此，在此選擇每10min作為一個結算時間段，將采樣時間100min劃分為10個時段，取每個時段操作頻率的均值作為訓練樣本.訓練樣本的輸入向量P= (加速頻率，制動頻率，換道頻率，緊急加速比例，緊急制動比例).輸出樣本T即為表示駕駛員駕駛傾向的目標向量.部分訓練樣本見表1.

3.1.6 網絡訓練

用Matlab神經網絡工具箱對所建立的BP神經網絡進行訓練.訓練后的網絡性能誤差曲線如圖4所示，經過34步的訓練，網絡誤差接近于0，滿足要求.

表1 訓練樣本

圖4 網絡性能誤差曲線

輸入層和隱含層間的權值為

輸入層和隱含層間的閥值為

b1=[-46.2655 7.9689 65.9515 -6.9750

-9.0168 -0.6015]T

隱含層和輸出層間的權值為

隱含層和輸出層間的閥值為

b2=[-5.6554 6.1554 0.5000 0.5000 0.5000]T

3.2 模型驗證

各類型剩余2名駕駛員的試驗數據用于模型的仿真驗證.將駕駛員的操作頻率數據輸入模型，得到輸出結果并取整.如果最終結果與判定向量的形式完全一致，則說明模型有效.共輸入120組數據，準確識別107組，13組不能準確識別.識別率為89.2%.模型輸入和輸出的部分數據見表2.本文所構造的駕駛傾向識別模型，能夠通過駕駛員的操作頻率，實現對駕駛傾向的判定，識別率較高，為實時分析駕駛傾向特征提供了一種有效的方法.

表2 模型輸入和輸出的部分數據

4 結束語

本文將駕駛傾向性簡化為駕駛激進性和操作穩定性兩部分，構建了基于駕駛行為的駕駛傾向辨識模型，識別率達89.2%. 由于駕駛行為的影響因素眾多，還要進行大量的后續研究工作，以提高模型的適用性和可靠性.改進模型可從以下方面出發：(1)減少問卷調查中的主觀因素影響，可配以對駕駛員的跟蹤調查;(2)提高試驗條件精確性；(3)增加參加試驗的駕駛員數量來增加訓練樣本數量.

[1]王曉原,張敬磊,張元元.汽車駕駛傾向性研究進展[J].山東理工大學學報：自然科學版, 2011, 25(6): 1-5.

[2]馬艷麗,王耀武.駕駛員注意分配特性及其對行車安全的影響 [J].交通運輸工程學報, 2009, 9(4): 115-117.

[3]馮忠祥,劉靜,李陽陽, 等．攻擊性駕駛行為選擇模型及影響因素敏感度分析[J]．中國公路學報, 2012, 25(2):106-112.

[4]Hamdar S H,Mahmassani H S,Chen R B. Aggressiveness propensity index for driving behavior at signalized intersections [J]. Accident Analysis and Prevention, 2008，40: 315-326.

[5]王建強,遲瑞娟,張磊,等.適應駕駛員特性的汽車追尾報警-避撞算法[J].公路交通科技, 2009, 26(s1): 8-12.

[6]Abe G Y,Richardson J. Alarm timing, trust and driver expectation for forward collision warning system [J]. Applied Ergonomics, 2006, 27: 577-586.

[7]王曉原,張敬磊,張元元.基于交互并行駕駛模擬實驗的跟馳狀態汽車駕駛傾向性動態辨識模型驗證方法[J].數學的實踐與認識, 2012, 42(1):141-149.

[8]張德豐. MATLAB神經網絡應用設計[M].北京:機械工業出版社, 2008.