隨機演變模型和在環車輛模型的駕駛員行為特性研究方法概述

石 晶，袁 航，李 剛，韓 松，周致成

（遼寧工業大學 汽車與交通工程學院，遼寧 錦州 121001； 2.沈陽建筑大學 市政與環境工程學院，遼寧沈陽 110168）

駕駛安全是指驅動車輛或移動或靜止時駕駛員、車輛主體、車載電子控制系統、道路以及其它部分的安全。駕駛員的錯誤操作是造成交通事故的主要原因。更好的了解駕駛員的駕駛行為并對電子控制系統進行優化，不僅有助于提高車輛的安全性、舒適性和燃油經濟性，還可以為駕駛員駕駛行為特性分類研究做理論基礎。

驅動車輛不是一個單一的系統，它是包括駕駛員、車輛主體、周圍環境和電子控制系統在內的一個整體。其中的每一部分都是一個子系統并有它們自己的信息流。當這些子系統的協調與整合難以實現的時候，駕駛條件的方便性、舒適性、安全性和燃油經濟性將會受到限制；然而更好地協調與整合這些子系統會比單一的子系統提供更好的功能。這是進一步推動汽車技術的一個關鍵技術。隨著電子控制技術、軟件和計算精度水平的不斷提高給當前車輛提供了更多新型的智能化功能。這些功能主要是根據車載電子控制系統的能力來判斷駕駛條件和駕駛員喜好并做出相應的調整，最大限度地提高駕駛員的安全性、操縱性和舒適性，同時保證駕駛員對車輛的絕對控制。近年來人們對駕駛員駕駛行為特性的研究主要是利用隨機演變模型和駕駛員在環車輛模型對駕駛員駕駛行為進行實時識別。文章對這兩種方法做了簡單的介紹，并提出了在未來研究工作中的重點。

1 隨機演變模型對駕駛員特性的研究方法

根據演變模型結構概念得到的演變樣式能夠適應操縱條件和駕駛員行為之間映射的變化，而不是單獨的參數適應。概率模型聚集了轉換或軟轉變相對于不同操縱條件下的模型之間的概率。條件演變模型是一個多維結構。多維模型結構中的每個子模型都是某種操縱條件下的典型駕駛員行為。利用隨機演變模型可以對跟車時的駕駛員特性進行實時的研究分析。這一方法是通過一種特殊類型的條件演變模型來考慮駕駛員特性的。在這種模型中可以實時的獲得在不能預先定義不同操縱條件下的駕駛員模型結構和參數的信息。這些模型將傳統改進的實時識別技術與概率模型相結合，獲得了不同操縱條件相互轉化的可能性。

在跟車時，駕駛員的行為作為一個反饋控制來調整節氣門位置和制動壓力的大小以實現預期的車輛控制。如圖1所示，駕駛員可以通過控制油門的大小來減小車輛與前車的相對距離，或控制制動力來增加與前車的相對距離，或一同控制油門與制動來保持與前車距離和速度的一致。無論哪種目的，駕駛員在環車輛系統的閉環響應都能實現駕駛員某些所需的性能。

盡管不同的車輛有不同的節氣門開度和制動壓力，但駕駛員通過調整自己的行為可以使不同汽車輸出相似的期望的車輛動力學響應。也就是說，雖然控制器各種各樣，但駕駛員的目的是想獲得類似的車輛運動模型。因此，在跟車時可以建立駕駛員的縱向操縱行為，這時車輛動態行為可以從駕駛員在環系統響應中獲得。

這種方法通過建立穩態跟車時的駕駛員在環車輛模型和瞬態跟車時的駕駛員在環車輛模型來獲得不同車輛運動狀態時的駕駛員行為。當目標車輛處于穩態跟車時，駕駛員不需要突然踩下制動踏板和油門踏板，這時駕駛員有兩種選擇來決定目標車輛與前車的響應：①與前車保持安全距離；②與前車保持相同的車速和合理的車距。當目標車輛處于瞬態跟車時，此時要求駕駛員即保持與前車有相同的車速又要保持與前后車有恒定的車距。但由于駕駛員行為受到很多因素的影響，如路面、交通環境和駕駛員的情緒和身體狀態，這種方法的多維結構模型還有待進一步的研究。

2 環車輛模型實時識別駕駛員行為的研究方法

在20世紀90年代末期，上海交通大學的石堅等人在人-車-路綜合環境中利用神經網絡對駕駛員轉向特性進行了模擬和仿真研究。他們將車輛轉彎時的轉向盤轉角分為預瞄和反饋兩部分，如圖2所示。在預瞄過程中，駕駛員用眼睛注視前方路面，并將預設軌跡上的一點作為目標點來操縱轉向盤；在反饋過程中，駕駛員根據車輛的反饋信息對轉向操作進行修正。利用實際測量的駕駛員轉向操作的多組數據，對神經網絡進行了建模與學習訓練，使之能夠較準確地反映駕駛員的轉向操作。但由于當時電子系統和軟件的限制，這種研究方法只能由某一特定的車輛和駕駛員所得到，不具有廣泛性。

圖2 人-車-路系統中的轉向模型

駕駛員在環車輛模型是指將人的主觀操作于駕駛模擬器組成一個閉環的回路。建立駕駛員行為模型的理論依據主要有控制原理、模糊模型和隨機逼近原理。一個實時的駕駛員模型可以使電子控制系統與駕駛員一同工作，同時電子控制系統提供適當的支持，使車輛適應駕駛員的行為。駕駛員控制結構或行為具有技能基礎、規則支配和活動表現等特性。在進入危險情況之前駕駛員需要根據車輛的響應檢測系統故障，并根據駕駛條件調整自己的控制。他同樣可以根據他身體和情緒的狀態以及以往的經驗認知負荷，并對車輛的控制做出決策。

由于車輛受駕駛員和電子控制系統的影響，所以利用駕駛員在環系統識別技術來處理識別駕駛員控制結構,如圖3所示。駕駛員的控制決策是一個復雜的驅動過程的結果。它包括兩個主要的信息，一個是客觀信息，它通過各種傳感器，控制器和咨詢系統隨時提供給駕駛員；另一個是主觀信息，它包括視覺的，情感的和經驗的信息，這些信息都在一定程度上影響著駕駛員的控制決策。當客觀信息對駕駛員和電子控制系統有效時，主觀信息通常是難以到達電子控制系統的，這是一個難以獲得足夠的駕駛員的駕駛行為特性的主要原因。這種基本的不確定性是人們專注研究駕駛員行為局部特性的主要原因。

圖3 駕駛員-車輛系統中的認知信息流（實線）和主觀信息流（虛線）

利用駕駛員在環車輛模型的動力學控制可以對駕駛員行為做實時的研究與分析。這一方法用駕駛員操縱行為，前后車的相關量和車輛的狀態響應（縱向加速度和減速度）等信息提出了三種方法。①利用駕駛員的駕駛行為來獲得長期駕駛意圖，這是獲取駕駛員一般控制策略的非結構性方法；②使用跟車工況下駕駛員的駕駛行為與前后兩車距離的輸入-輸出關系建立駕駛員控制的模糊策略；③利用車輛動態響應（車輛縱向加速度和減速度）與前后兩車距離的輸入-輸出關系，識別跟車工況的駕駛員PD控制策略。每一種方法對實時監測的實現都有他們自己的優點和適用的范圍。但對駕駛員特性的通用模型的結構和參數的更詳細的研究將是未來工作的主題。

3 結語

更好地了解駕駛員的駕駛行為可以對電子控制系統進行更好的優化，有助于提高車輛的安全性、舒適性和燃油經濟性。論文對駕駛員行為特性研究的隨機演變模型和在環車輛模型兩種方法進行了概述。兩種方法中建立一個符合客觀實際的實時駕駛員在環車輛模型是研究的關鍵。未來較長時間的研究工作可以結合車輛動力學商用軟件搭建駕駛模擬器，通過大量的實驗以及對實驗數據的處理來分析駕駛員駕駛行為特性，為進一步研究駕駛員駕駛行為特性分類、辨識和實車應用奠定實驗基礎。

[1]P. Cacciabue, Modeling Driver Behavior in Autonomous Environ ments,Springer-Verlag, London, 2007

[2] Dimitar Filev, Jianbo Lu, Kwaku Prakah-Asante（,etal. Real-time Driving Behavior Identification Based on Driver-in-the-loop Vehicle Dynamics and Control:IEEE Press,2009.2020-2025

[3]Dimitar Filev, Jianbo Lu, Finn Tseng,etal.Real-time Driver Char acterization During Car Following Using Stochastic Evolving Mod els:IEEE Press,2011.1031-1036

[4]J. Lu and D. Filev,“Multi-Loop Interactive Control Motivated by Driver-In-The-Loop Vehicle Dynamics Controls: The Framework,”Proc. of 48th IEEE Conf. on Decision Control, 2009

[5]P.Angelov and D. Filev, An Approach to On-line Identification of Takagi-Sugeno Fuzzy Models, IEEE Transactions on System,Man, and Cybernetics, part B - Cybernetics, vol.34, No1, pp.484-498, 2004.

[6]金春霞,王慧.跟車模型及其穩定性分析綜述[J].交通運輸系統工程與信息,2001,(3):200-206.

[7]石堅,卓斌.用神經網絡仿真駕駛員轉向特性的研究[J].汽車技術,1999，(4):6-8.

[8]郭孔輝.人一車一路閉環系統主動安全性的綜合評價與優化設計[J].汽車技術,1993,(4).

[9]E. Boer, N. Ward, M. Manser, and N. Kuge, "Driver-modelbased assessment of behavioral adaptation," Proc. of JSAE, May 16-20, Yokohama, Japan, 2005

[10]E. Boer and M. Hoedemaeker, "Modeling driver behavior with different degrees of automation: Ahierarchical framework of inter acting mental models," Proc. of the 17thEuropean Annual Confer ence on Human Decision Making and Manual Control, Valenci ennes, France, 1998

[11]G. Prokop, "Modelling human vehicle driving by model predic tive online optimization," Vehicle System Dynamics, Vol. 35,No. 1, pp. 19-53,2001

[12]C. MacAdam, "Understanding and modeling the human driver,"Vehicle System Dynamics, Vol. 40, No. 1-3, pp. 101-134, 2003

[13]I. Delice and S. Ertugrul, "Intelligent modeling of human driver:a survey," Intelligent Vehicles Symposium, Vol. 13-15, pp. 648– 651,2007

[14] H. Takahashi, "Human sensor system that predicts driving envi ronment using driver's fuzzy operational data," Japanese J. of.Fuzzy Theory and Systems, Vol. 4, pp. 709-734, 1992

[15]L. Qiao, M. Sato, and H. Takeda, "Learning algorithm of envi ronmental recognition in driving vehicle," IEEE Trans. on Sys tems, Man and Cybernetics, Vol. 25, pp. 917-925.