基于個體特性的駕駛行為操縱模式建模方法

肖獻強　殷延杰　王家恩

合肥工業(yè)大學，合肥，230009

?

基于個體特性的駕駛行為操縱模式建模方法

肖獻強殷延杰王家恩

合肥工業(yè)大學，合肥，230009

為研究能體現(xiàn)駕駛?cè)藗€體特性的駕駛行為操縱模式建模方法，通過汽車駕駛模擬器采集駕駛?cè)说鸟{駛行為操縱數(shù)據(jù)，利用卡爾曼濾波器對原始數(shù)據(jù)進行預(yù)處理，采用數(shù)據(jù)/機理相混合的方法對駕駛?cè)说鸟{駛行為操縱數(shù)據(jù)進行分析，研究提出基于有向圖的個性化駕駛?cè)笋{駛行為操縱模式建模方法。以山區(qū)高速公路超車行為為例進行建模方法試驗，測試結(jié)果表明該方法構(gòu)建的駕駛行為操縱模式能有效地體現(xiàn)出駕駛?cè)笋{駛的個體特性，為研究開發(fā)個性化和智能化的駕駛安全輔助系統(tǒng)涉及的駕駛行為操縱模式建模問題提供了技術(shù)支撐。

駕駛行為；操縱模式建模；卡爾曼濾波；安全輔助系統(tǒng)

0　引言

人、車、路是構(gòu)成交通環(huán)境的三個基本要素，為協(xié)調(diào)好人、車、路三者之間的關(guān)系，以降低交通事故發(fā)生概率為目標發(fā)展起來的駕駛安全輔助系統(tǒng)(driving safety assistance systems，DSAS)已成為智能車輛領(lǐng)域的重點研究內(nèi)容之一。目前已有的DSAS一般是基于基準駕駛?cè)藖磉M行輔助控制設(shè)計的，這導致DSAS對所有駕駛?cè)瞬扇∠嗤妮o助控制策略和控制參數(shù)，無法滿足駕駛?cè)说膫€性化需求。駕駛?cè)说膫€體因素主要體現(xiàn)在構(gòu)成其相應(yīng)駕駛行為的一系列駕駛操縱動作中[1]，如果DSAS能夠通過采集駕駛?cè)说鸟{駛行為操縱數(shù)據(jù)和車輛運行狀態(tài)信息自動完成對駕駛?cè)笋{駛的個體特性的學習并將學習結(jié)果體現(xiàn)在DSAS的輔助控制策略中，則可提高DSAS的個性化和智能化水平。實現(xiàn)這一目標的關(guān)鍵技術(shù)之一就是研究解決駕駛?cè)说膫€性化駕駛行為操縱模式建模問題。

目前國內(nèi)外學者對駕駛?cè)笋{駛行為的個體特性已進行了較為深入的研究。李紅志等[2]在考慮駕駛?cè)颂匦缘幕A(chǔ)上，建立了預(yù)瞄時間自適應(yīng)的最優(yōu)預(yù)瞄駕駛員模型；宗長富等[3]采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了駕駛?cè)颂匦员孀R模型；任夏楠等[4]提出了基于駕駛員個體特性的理想轉(zhuǎn)向盤力矩模型；邊明遠[5]提出了基于修正因子的考慮駕駛員個體特性差異的避撞系統(tǒng)安全車距修正模型；Yamada等[6]在采集歷史駕駛行為操縱數(shù)據(jù)的基礎(chǔ)上，利用貝葉斯算法對駕駛?cè)俗筠D(zhuǎn)彎時能否準確辨識行人橫穿馬路的概率進行了估算；Bueno等[7]基于前部避撞預(yù)警系統(tǒng)研究了駕駛?cè)嗽陬A(yù)警系統(tǒng)失效后的駕駛特性。上述研究主要針對駕駛?cè)笋{駛的個體特性對駕駛行為模型的結(jié)構(gòu)、參數(shù)的影響以及特殊場景下駕駛?cè)说鸟{駛特性進行了探討，而對于構(gòu)成其相應(yīng)駕駛行為的駕駛操縱動作序列及駕駛行為操縱模式的研究則很少。

筆者所在課題組在前期相關(guān)課題研究過程中發(fā)現(xiàn)，不同駕駛?cè)说鸟{駛操縱模式會因駕駛?cè)笋{駛個體特性的不同而存在一定差異。因此，為研究解決能反映駕駛?cè)笋{駛個體特性的駕駛行為操縱模式建模問題，筆者在試驗的基礎(chǔ)上，提出了基于有向圖的個性化駕駛行為操縱模式建模方法，并用試驗數(shù)據(jù)對該建模方法進行了驗證。

1　試驗數(shù)據(jù)采集與處理

為使研究提出的個性化駕駛行為操縱模式建模方法更具代表性和典型性，選擇道路情況較為復雜、駕駛?cè)笋{駛的個體特性展現(xiàn)更為充分的山區(qū)高速公路超車行為作為研究分析的對象。

1.1試驗數(shù)據(jù)采集

1.1.1數(shù)據(jù)采集設(shè)備

試驗數(shù)據(jù)利用武漢理工大學交通安全研究型汽車駕駛模擬器采集。具體試驗設(shè)備如圖1所示。

圖1　數(shù)據(jù)采集模擬器

該模擬器由視景系統(tǒng)、控制臺系統(tǒng)、通信系統(tǒng)組成。其中視景系統(tǒng)用于提供多種場景和不同天氣情況下的視景，視景中車輛運行符合交通流模型，可與駕駛車輛實現(xiàn)互動。試驗數(shù)據(jù)處理單元能以不大于10 ms的時間間隔同步保存駕駛員操縱信息、仿真車輛動力學參數(shù)、交通場景相關(guān)數(shù)據(jù)到后臺數(shù)據(jù)庫。因此該模擬器能較好地模擬真實的駕駛環(huán)境，保證其采集的數(shù)據(jù)能真實地反映駕駛?cè)笋{駛的個體特性，滿足試驗的要求。

1.1.2采集數(shù)據(jù)的類型

駕駛?cè)笋{駛的個體特性一般體現(xiàn)在構(gòu)成相應(yīng)駕駛行為的操縱動作序列中，為深入分析駕駛?cè)笋{駛的個體特性與車輛運行狀態(tài)之間的內(nèi)在關(guān)系，需采集以下駕駛行為操縱數(shù)據(jù)和車輛運行狀態(tài)數(shù)據(jù)：

(1)油門踏板位置PA。該數(shù)據(jù)反映了駕駛?cè)说募訙p速意圖，數(shù)值區(qū)間為[0，1]。

(2)前輪轉(zhuǎn)角θw。該數(shù)據(jù)反映了駕駛?cè)说霓D(zhuǎn)向意圖、橫向操控能力及穩(wěn)定性，數(shù)值區(qū)間為 [-36°，36°]。

(3) 車輛中軸線與道路右側(cè)車道中軸線的偏移DZ(簡稱中-中偏移，道路場景為雙向單車道)。該數(shù)值單位為m。

(4)車輛行駛速度v。該數(shù)據(jù)反映了駕駛?cè)说男旭偹俣龋瑪?shù)值區(qū)間為[0，140]km/h 。

(5)行駛擋位PG。該數(shù)據(jù)反映了車輛的行駛擋位，其取值為0，1，2，3，4，5。

(6)離合踏板位置PC。該數(shù)據(jù)反映了車輛的離合踏板信息，數(shù)值區(qū)間為[0,1]。

(7)制動踏板位置PB。該數(shù)據(jù)反映了駕駛?cè)说闹苿有袨椋w現(xiàn)了駕駛?cè)说臏p速意圖，數(shù)值區(qū)間為 [0，1]。

1.1.3超車過程數(shù)據(jù)的提取

為從原始試驗數(shù)據(jù)序列中準確提取整個超車過程的數(shù)據(jù)片段，試驗過程中需將駕駛?cè)藴蕚涑嚭徒Y(jié)束超車的起止時間節(jié)點記錄下來，這樣便可將整個超車過程的數(shù)據(jù)片段從原始試驗數(shù)據(jù)序列中提取出來。

1.2試驗數(shù)據(jù)處理

在對試驗采集的原始操縱數(shù)據(jù)進行分析的過程中發(fā)現(xiàn)，車速、前輪轉(zhuǎn)角、油門踏板這類操縱數(shù)據(jù)的變化趨勢和變化速率與其具體數(shù)值相比，更能反映駕駛?cè)笋{駛的個體特性及駕駛?cè)笋{駛行為的改變。因此，需求出這類駕駛操縱數(shù)據(jù)的導數(shù)信號，不同的操縱數(shù)據(jù)類型，其導數(shù)的計算方法也有所不同。

1.2.1基于卡爾曼濾波的加速度估計

采集的原始車速數(shù)據(jù)中存在一定的噪聲和毛刺，因此需對其進行濾波處理。此外在數(shù)據(jù)分析中需求得加速度這一重要信號，簡單的車速微分難以獲得良好的加速度信號[8]。卡爾曼濾波器是信號估計中的常用方法，并能實現(xiàn)數(shù)據(jù)濾波功能。為獲得更精準的加速度信號，本文基于試驗獲得的車速信號，利用卡爾曼濾波器對車輛加速度進行估計，具體濾波估計過程如下：

(1)建立車輛縱向運動的系統(tǒng)狀態(tài)方程:

Xk=AXk-1+Gδk-1k=2,3,…N

(1)

式中，N為離散數(shù)據(jù)點個數(shù)；vk為試驗車輛的車速；ak為試驗車輛的加速度；δk-1為隨機加加速度；A為轉(zhuǎn)移矩陣；G為系統(tǒng)噪聲輸入矩陣。

根據(jù)牛頓運動定律可推出：

其中，T為數(shù)據(jù)采樣周期，T=0.125 s。

(2)建立系統(tǒng)的觀測方程：

Zk=HXk+θkk=2,3,…N

(2)

其中，Zk為試驗車輛車速的觀測值；θk為觀測噪聲序列；可推出狀態(tài)變量對測量變量的增益矩陣H=[10]。

(3)

狀態(tài)估計：

(4)

濾波增益矩陣

(5)

一步預(yù)測誤差方差矩陣

Pk,k-1=APk-1AT+GSGT

(6)

估計誤差方差矩陣

Pk=(I-KkH)Pk,k-1

(7)

式(2)～式(7)為隨機線性離散系統(tǒng)卡爾曼濾波基本方程[9]。

圖2為濾波估計加速度與車速微分加速度的對比圖，從圖中可看出經(jīng)濾波處理后的試驗數(shù)據(jù)更加平滑，濾波估計加速度的波峰與波谷更加明顯，有利于操縱動作節(jié)點的提取。造成這種差異的原因主要是因為微分求導不能消除信號噪聲和毛刺的干擾，而卡爾曼濾波剛好能克服這一缺點。

圖2　車輛加速度對比圖

1.2.2前輪轉(zhuǎn)角及油門踏板數(shù)據(jù)處理

圖3　前輪轉(zhuǎn)角及其導數(shù)的時間曲線圖

圖4　油門踏板位置及其導數(shù)的時間曲線圖

對前輪轉(zhuǎn)角、油門踏板原始數(shù)據(jù)進行平滑處理時，采用卡爾曼濾波與平均值方法的差別不大，因此選擇計算更為簡單的平均值方法對原始數(shù)據(jù)進行平滑處理，再對其進行微分求導。圖3和圖4分別為超車過程中前輪轉(zhuǎn)角、油門踏板操縱數(shù)據(jù)及其導數(shù)的時間曲線。從圖3和圖4中可看出，在前輪轉(zhuǎn)角及油門踏板發(fā)生變化時其微分導數(shù)顯著變大或變小，這種變化體現(xiàn)了駕駛?cè)笋{駛的個體特性，表明駕駛?cè)笋{駛行為的改變且采取了相應(yīng)的駕駛操縱動作。因此基于導數(shù)來設(shè)置相應(yīng)的操縱動作節(jié)點生成閾值，可較好地控制操縱動作節(jié)點的生成以用于駕駛行為操縱模式建模。

2　個性化駕駛行為操縱模式建模

2.1駕駛行為操縱模式建模原理

本課題組對同一駕駛行為駕駛操縱數(shù)據(jù)發(fā)生變化的時序進行研究和分析時，發(fā)現(xiàn)駕駛?cè)嗽趫?zhí)行同一駕駛行為時，其操縱動作發(fā)生變化的時序具有一定的規(guī)律性，而這一系列駕駛操縱動作執(zhí)行的先后順序具有有向圖的方向性特征。基于這一原理通過采集駕駛?cè)笋{駛行為及相應(yīng)的駕駛操縱數(shù)據(jù)與車輛運行狀態(tài)信息，從中提取出能夠表示駕駛?cè)笋{駛操縱動作發(fā)生變化的動作節(jié)點，然后根據(jù)各節(jié)點的表征意義及節(jié)點生成時間的先后順序構(gòu)建分層式駕駛行為操縱模式，具體如圖5所示。

圖5　操縱模式構(gòu)建原理圖

2.2駕駛?cè)笋{駛的個體特性分析

由前述可知，駕駛?cè)笋{駛操縱動作發(fā)生變化時，其操縱數(shù)據(jù)導數(shù)會顯著地變大或變小，這種變化反映了駕駛?cè)笋{駛的個體特性。每個駕駛?cè)瞬倏v動作發(fā)生變化的閾值也與駕駛?cè)笋{駛的個體特性相關(guān)。為分析駕駛操縱動作發(fā)生變化的閾值與駕駛?cè)笋{駛的個體特性之間的關(guān)系，本文選取超車正式開始之前(超車前3 s)和整個超車過程中的操縱數(shù)據(jù)序列進行研究分析。在車輛行駛過程中，操縱數(shù)據(jù)的導數(shù)有正負值之分，而在確定閾值范圍時操縱數(shù)據(jù)變化的速度和范圍更為關(guān)鍵。因此將操縱數(shù)據(jù)導數(shù)取絕對值后，對其進行統(tǒng)計分析并繪出各種操縱數(shù)據(jù)導數(shù)絕對值的平均值和標準差的散點圖。本文共選取16組試驗數(shù)據(jù)序列進行分析，具體情況見圖6～圖8。

從圖6a可知，多數(shù)情況下超車前車輛加速度絕對值均值的區(qū)間為[0,4]m/s2，超車時為[5,8]m/s2，超車時要大于超車前時間段，這表明超車時車輛行駛車速的變化大于超車前時間段。從圖6b可知，超車前和超車時車輛加速度絕對值的標準差的變化范圍不大，相對比較穩(wěn)定，這表明駕駛?cè)笋{駛的個體特性具有一定的穩(wěn)定性。

從圖7a可知，超車前和超車時的前輪轉(zhuǎn)角導數(shù)絕對值的均值都比較小，表明駕駛過程中方向盤的擺動較小，與實際駕駛情況相符合。從圖7b可知，超車時前輪轉(zhuǎn)角導數(shù)絕對值的標準差大于超車前時間段的相應(yīng)值，這表明超車時前輪轉(zhuǎn)角處于一個變化的過程中，其變化的范圍和速度均大于超車前時間段的相應(yīng)值。

(a)平均值

(b)標準差圖6　車輛加速度a絕對值的散點

(a)平均值

(b)標準差圖7　前輪轉(zhuǎn)角導數(shù)絕對值的散點圖

從圖8a可知，多數(shù)情況下超車前油門踏板位置導數(shù)絕對值的均值為[0,0.2]，超車時處于[0.25,0.35],超車時比超車前略大，這表明超車過程的大部分時間中油門踏板位置是處于相對穩(wěn)定的狀態(tài)，只在超車超越階段會有較大的變化。從圖8b可知，超車前和超車時的油門踏板位置導數(shù)絕對值的標準差的變化范圍均不大，這表明駕駛?cè)丝刂朴烷T踏板位置的個體特性具有一定的穩(wěn)定性，但超車時的標準差大于超車前時間段的標準差，這表明與超車前時間段相比，超車時油門踏板位置的變化范圍更大。

(a)平均值

(b)標準差圖8　油門踏板位置導數(shù)PA′絕對值的散點圖

由以上分析可知，超車過程中駕駛?cè)笋{駛的個體特性具有一定的穩(wěn)定性，超車時操縱數(shù)據(jù)導數(shù)的絕對值大小和變化范圍均大于超車前時間段的相應(yīng)值。另外，超車過程中道路環(huán)境、行駛車輛的不確定性因素較多，因此駕駛?cè)瞬倏v動作變化的閾值是一個動態(tài)變化的值，這也是駕駛行為操縱模式建模的難點之一。

2.3操縱動作節(jié)點的生成與控制

由2.2節(jié)分析結(jié)果可知，與超車前時間段相比，超車時操縱數(shù)據(jù)導數(shù)的絕對值大小和變化范圍均更大，因此可通過設(shè)置一個閾值Tu來控制節(jié)點的生成 ，當操縱動作數(shù)據(jù)導數(shù)絕對值大于閾值Tu時，則說明此刻操縱動作數(shù)據(jù)變化的快慢程度已超出正常的穩(wěn)態(tài)行駛，即新的駕駛行為正在產(chǎn)生，表明了駕駛?cè)笋{駛意圖的改變并且正在執(zhí)行相應(yīng)的駕駛操縱動作。由于表示車輛運行狀態(tài)信息及駕駛?cè)笋{駛操縱數(shù)據(jù)的類型不盡相同，所以各種信號數(shù)據(jù)閾值Tu的確定方法也有所不同，下面分別給出了不同數(shù)據(jù)類型閾值Tu的確定方法。

2.3.1連續(xù)型操縱動作閾值的確定

(8)

(9)

(10)

當駕駛?cè)笋{駛的個體特性和操縱習慣不同時會引起操縱數(shù)據(jù)和車輛運行狀態(tài)的不同，因此閾值Tu的值能充分體現(xiàn)駕駛?cè)笋{駛的個體特性。當Tn+1時刻的操縱動作數(shù)據(jù)導數(shù)的絕對值|xn+1|>Tu時允許動作節(jié)點生成，若|xn+1|

對于車輛中軸線與道路右側(cè)車道中軸線的偏移距離信號(DZ)，用平均值對原始數(shù)據(jù)進行平滑處理并微分求導后，同樣采用上述方法控制其操縱動作節(jié)點的生成。

2.3.2開關(guān)型操縱動作節(jié)點的生成

制動踏板、離合踏板這些開關(guān)信號若采用上述利用操縱數(shù)據(jù)的導數(shù)來設(shè)定閾值Tu的方法，將無法準確地捕捉操縱動作發(fā)生變化的動作節(jié)點。對于這類信號，筆者采取下述方法來設(shè)定閾值Tu：當操縱數(shù)據(jù)大于0，就可認為操縱動作發(fā)生了變化，例如當制動踏板位置信號的數(shù)值從0逐漸變大，則表明駕駛?cè)苏趫?zhí)行剎車制動的駕駛行為，以實現(xiàn)減速的駕駛意圖。

對于擋位這種開關(guān)信號，可分別用dt、dt-1表示t時刻和t-1時刻的操縱動作數(shù)據(jù)，若dt≠dt-1則可認為操縱動作正發(fā)生變化，t-1時刻可認為是操縱動作節(jié)點的生成時刻。

3　操縱模式建模方法數(shù)據(jù)測試

利用MATLAB對上述研究的駕駛行為操縱模式建模方法及節(jié)點生成算法進行編程，使其能自動控制操縱動作節(jié)點的生成，自動形成個性化駕駛行為操縱模式圖。為驗證建模方法的有效性，下面從山區(qū)高速公路超車試驗數(shù)據(jù)中選取一組數(shù)據(jù)進行測試。

3.1測試數(shù)據(jù)的樣本格式

測試數(shù)據(jù)是經(jīng)汽車駕駛模擬器采集，按照駕駛行為操縱模式建模程序的要求整理成Excel表格形式，具體數(shù)據(jù)格式如表1所示。

表1　測試數(shù)據(jù)格式示例

3.2超車行為操縱模式層次圖

將整理后的駕駛行為操縱數(shù)據(jù)導入建模程序可得駕駛行為操縱模式層次圖，如圖9所示。其中，對于PA、θw、DZ和a，深色塊分別表示增大、左轉(zhuǎn)、車輛右偏和增大，淺色塊分別表示減小、右轉(zhuǎn)、車輛左偏和增大。由圖9可知，在整個超車過程中，離合踏板位置、制動踏板位置、行駛擋位這三個操縱數(shù)據(jù)沒有動作節(jié)點生成。原始數(shù)據(jù)中，這三個操縱動作數(shù)據(jù)也沒有發(fā)生變化，因此這三種操縱數(shù)據(jù)的節(jié)點生成情況與實際相符合。

圖9　超車行為操縱模式層次圖

(1)399～400 s，加速度增大，但此時油門并沒有增大，因此加速度是從負值增大至0，這表明駕駛?cè)嗽诔嚀Q道之前為控制與前車的安全距離而執(zhí)行的減速駕駛。

(2)400～402 s，油門增大，加速度增大，前輪左轉(zhuǎn)后回正，緊接著油門有減小趨勢，這表明駕駛?cè)苏龍?zhí)行超車換道行為，并完成了超車超越階段。

(3)402～403 s，加速度減小，前輪右轉(zhuǎn)后回正，這表明駕駛?cè)苏M行超車并道，并完成了并道階段。

將超車行為操縱模式層次圖與原始操縱數(shù)據(jù)進行比較可知，上述駕駛行為操縱模式建模方法可準確地將駕駛?cè)笋{駛操縱動作的變化節(jié)點截取出來，體現(xiàn)了駕駛?cè)笋{駛的個體特性。

3.3超車行為操縱模式圖

由圖9可知各個駕駛操縱動作節(jié)點的生成時刻并不一致，但彼此之間的差別較小，有些差別是由干擾因素所致并不是駕駛?cè)笋{駛意圖的體現(xiàn)。因此對于時間差別較小的節(jié)點可進行合并，選取合并時間閾值Td為0.5 s[10]，由圖9得到合并后的超車行為操縱模式圖，如圖10所示。

圖10　超車行為操縱模式圖

由圖10知，該駕駛?cè)松絽^(qū)高速公路超車行為的操縱模式序列為：a→(θw,PA)→(DZ,θw)→PA→(a,DZ,θw)。從圖10中可看出超車行為中，駕駛?cè)说鸟{駛操縱動作并不都是按照時間的先后順序完成的，而是根據(jù)駕駛?cè)笋{駛的個體特性和車輛運行狀態(tài)，以串行、并行或混合執(zhí)行的方式完成的。通過對駕駛?cè)笋{駛行為操縱模式的建模并獲取駕駛?cè)舜罅康鸟{駛行為操縱模式序列后，對其進行分析，則可利用概率統(tǒng)計的方法估算駕駛?cè)嗽谙鄳?yīng)駕駛行為中具體會執(zhí)行哪種操縱動作的概率，進而為DSAS系統(tǒng)對駕駛?cè)说妮o助控制策略提供理論依據(jù)。

4　結(jié)論

根據(jù)駕駛?cè)嗽趫?zhí)行同一駕駛行為時，其駕駛操縱動作具有一定時序性、內(nèi)聚性的機理，在利用數(shù)據(jù)/機理混合的方法對駕駛?cè)笋{駛的個體特性進行分析的基礎(chǔ)上，提出了基于有向圖的個性化駕駛行為操縱模式建模方法。數(shù)據(jù)測試結(jié)果表明，該建模方法準確反映了駕駛?cè)嗽谏絽^(qū)高速公路的超車行為，有效體現(xiàn)了駕駛?cè)笋{駛的個體特性。下一步，課題組將用本文提出的個性化駕駛行為操縱模式建模方法對轉(zhuǎn)彎、換道等駕駛行為的操縱模式進行建模，為DSAS能自動完成對駕駛?cè)笋{駛個體特性的學習，并采取個性化和智能化的輔助控制策略等關(guān)鍵技術(shù)提供解決方法。

[1]SathyanarayanaA，BoyrazP，HansenJHL.DriverBehaviorAnalysisandRouteRecognitionbyHiddenMarkovModels[C]//InternationalConferenceonvehicularElectronicsandSafety.Columbus：IEEE，2008：130-135.

[2]李紅志，李亮，宋健，等.預(yù)瞄時間自適應(yīng)的最優(yōu)預(yù)瞄駕駛員模型[J].機械工程學報，2010，46 (20)：106-111.

Li Hongzhi，Li Liang，Song Jian，et al. Optimal Preview Control Driver Model with Adaptive Preview Time[J]. Journal of Mechanical Engineering，2010，46(20)：106-111.

[3]宗長富，林娜，張澤星，等.線控汽車駕駛員特性辨識算法的研究[J].汽車工程，2014，36(9)：1140-1144.

Zhong Changfu，Lin Na，Zhang Zexing，et al. A Study on the Identification Algorithm of Driver Characteristics for X-by-wire Vehicles[J].Automotive Engineering，2014，36(9)：1140-1144.

[4]任夏楠，鄧兆祥.駕駛員理想轉(zhuǎn)向盤力矩特性研究[J].中國機械工程，2014，25(16)：2261-2265.Ren Xianan，Deng Zhaoxiang.Research on Ideal Steering Wheel Effort Characteristics of Driver[J].China Mechanical Engineering，2014，25(16)：2261-2265.

[5]邊明遠.考慮駕駛員個體特性的汽車安全行駛間距模型[J].中國機械工程，2010，21(12)：1502-1506.

Bian Mingyuan.A Modified Vehicle Safety Distance Model Adapting to Driver Individual Characteristics[J].China Mechanical Engineering，2010，21(12)：1502-1506.

[6]Yamada K，Mitani T.Estimating Driver Awareness of Crossing Pedestrians While Turning Left Based on Vehicle Behavior Using Bayesian Approach [C]//International Conference on Pattern Recognition.Stockholm，2014：1898-1903.

[7]Bueno M，F(xiàn)abrigoule C，Ndiaye D，et al. Behavioral Adaptation and Effectiveness of a Forward Collision Warn-ing System Depending on a Secondary Cognitive Task[J].IEEE Transportation Research Part F：Traffic Psychology and Behavior，2014，24，158-168.

[8]張磊.基于駕駛員特性自學習方法的車輛縱向輔助系統(tǒng)[D].北京：清華大學，2009.

[9]付夢印，鄧志紅，閆莉萍.Kalman濾波理論及其在導航系統(tǒng)中的應(yīng)用[M].2版.北京：科學出版社，2010.

[10]肖獻強，任春燕.個性化駕駛?cè)笋{駛行為操縱模式建模方法[J].中國科技論文，2014，9(11)：1292-1295.

Xiao xianqiang，Ren chunyan.Modeling Method of Individual Driver’s Driving Behavior[J].China Science Paper，2014，9(11)：1292-1295.

(編輯盧湘帆)

Driving Behavior Operation Pattern Modeling Method Based on Individual Characteristics

Xiao XianqiangYin YanjieWang Jiaen

Hefei University of Technology,Hefei，230009

In order to study the method of the driving behavior operation pattern modeling which might reflect the individual characteristics of driver， the driving operation data of drivers using the automobile driving simulator were collected and the raw data was preprocessed by means of Kalman filter. Then, a method of individual driving behavior operation modeling was put forward based on the directed digraphs by analyzing the operation data of drivers with a method of combining the data and mechanism. The method was tested with the data of overtaking behavior on mountain highway. The results show that the driving behavior operation pattern modeled with the method may effectively reflect the individual characteristics of drivers and may provide technical supports to solve the problems of the driving operation pattern modeling for the individual and intellectual driving safety assistance systems.

driving behavior； operation pattern modeling；Kalman filter；safety assistance system

2015-11-12

高等學校博士學科點專項科研基金資助項目(20130111120023)

U461

10.3969/j.issn.1004-132X.2016.19.021

肖獻強，男，1978年生。合肥工業(yè)大學機械工程學院副教授。主要研究方向為汽車主動安全、駕駛行為建模與分析。發(fā)表論文10余篇。殷延杰，男，1991年生。合肥工業(yè)大學機械工程學院碩士研究生。王家恩，男，1984年生。合肥工業(yè)大學機械工程學院講師。