基于人車耦合的安全駕駛行為預警關鍵技術研究

莊杰

摘要 本項目研究開發基于人車耦合的安全駕駛行為預警關鍵技術，所涉及的技術領域包括車聯網、移動互聯網、智能視頻分析、深度感知、腦電波分析、衛星定位、車輛運動狀態感知、大數據挖掘這些前沿科技領域。本次關鍵技術設計提出了通過實時采集駕駛人生理特征指標數據及車輛運動狀態特征指標數據兩個方面的路徑進行監測預警，提高駕駛安全系數。

【關鍵詞】安全駕駛 預警技術 駕駛行為 人車耦合

汽車安全駕駛及預警設備系統作為三大市場之一具有非常巨大的潛能。經過多年的培育，市場已逐步成長起來，在某些熱點領域需求十分明顯，例如：緊急救援報警（含防盜報警與特種車輛）市場;車輛調度管理型應用產品市場;自主導航系統;與通訊機結合的產品市場需求量將逐步成為各項之首;與智能交通系統的緊密結合，基于車聯網及大數據環境下的平臺系統是最佳解決方案。

1 安全駕駛行為預警研判技術

監測駕駛員個性特征的的預警和車輛狀態感知的預警相結合的信息融合判斷技術，將為車輛安全駕駛預警提供一個新的思路，因為其融合信息的綜合性和預警層次性，同時廣泛利用了現代信息處理技術的快速、準確等特點，融合了二者獨立判斷預警的優勢，必將是交通車輛安全預警的發展趨勢。

通過車載監測預警處理器，對匯集到的駕駛人生理特征指標數據和車輛運動狀態特征指標數據進行數據融合，實時判別車輛的運動狀態，一旦發現危險狀態就啟動車載預警模塊。另外，車載監測預警處理器還實時接收從大數據駕駛行為云計算中心傳輸回來的安全駕駛判別準則及預警參數，對實時預警門限進行及時調整，以提高實時預警響應的準確性。由于車載監測預警處理器就位于車內，被集成到GPS/BDS定位子系統中，因此可以在最短的距離和時間內對所發生的駕駛行為和車輛危險狀態進行識別和預警，初步分析，基于人車耦合的車載安全駕駛預警時間不超過1秒鐘，達到高速運動狀態下的實時預警需要。

安全駕駛行為監測及預警是實現車輛主動安全運行的根本途徑。根據前面的研究，假設已經可以對安全駕駛行為進行實時監測與跟蹤了，但是，如何將監測到的危險等級情況，通過預警的方式，作用于駕駛人員、作用于車外的交通參與者呢？

通常來講，從預警的手段來看，主要有：

（1）簡單實用的聲音預警

（2）簡單實用的光閃預警

（3）切斷車輛動力的預警

從預警的對象來看，主要有：

（1）針對車內駕駛人員的預警

（2）針對車外相鄰交通體的預警

這三種預警方式，都是非?？茖W有效的預警手段。但是，需要認真研究解決的關鍵技術問題包括，如何科學設定預警的等級，如何確保預警不產生次生安全問題，如何確保預警不產生次生事故，如何確保預警的效用，都涉及預警等級設計問題。

預警等級的設計必須考慮駕駛人員對車輛運動危險性的敏感反應度。由于駕駛人員從年齡層次分，駕駛人員可分為老年、中年、青年三大類別;從性別來分，駕駛人員可分男士、女士兩個類別;從駕駛熟練程度分，駕駛人員可分為新手和熟手兩種類型。這些不同類型的駕駛人員對聲音頻率、聲強的反應都存在一定的差異，對駕駛人員的反應、行為、敏感性等研究需要涉及人體工效學、心理學、管理學等諸多交叉學科知識，換言之，科學合理的預警等級設計是本項目面臨的又一個關鍵技術問題。

2 駕駛行為預警模型與方法

2.1 預警安全距離模型

設定車輛緊急制動后不予前方車輛相撞所需要的最小距離為d0（根據車速的不同，一般為2至5米之間），那么在車輛通過預警方

2.2 車內車外預警方法

2.2.1 車內蜂鳴器預警方法

結合現有研究，宜將安全風險等級劃分為五個等級，分別是安全（0-30）、注意（30-50）、有可能危險（50-70）、危險（70-80）、嚴重危險（90-100），據此也對蜂鳴器的聲強與聲頻進行分等級設置。

一旦車輛運動狀態和駕駛員生理特性指標恢復正常狀態，即解除車內蜂鳴器警報。如果危險等級持續5秒以上還未減輕或解除風險，則自動啟動車外警示燈閃爍，以提醒周邊車輛和行人。

2.2.2 車外警示燈閃爍

當車內蜂鳴器預警失效，則啟動車外警示燈閃爍以提醒路人和周圍車輛注意安全。同時，如果周圍車輛也配置了與本車相同的ZigBee無線通信模塊和相同的通信信令，則可以主動與周圍車輛建立車聯網絡，將車輛的預警信息通過ZigBee推送給周圍車輛。當車內預警信號降級或解除時，車外警示燈閃爍預警模式自動解除。

3 人車耦合預警判別技術

駕駛人生理特性、車輛運動狀態、駕駛人駕駛行為之間必然存在著耦合關系。駕駛人生理特性本身是駕駛行為的直接體現，而駕駛行為又直接影響了車輛的運動狀態，而車輛運動狀態反過來又會影響駕駛人的生理特性，因此，這三者之間存在耦合關系，如圖2所示。

車輛狀態與駕駛行為之間必然存在著強相關關系，這是因為，駕駛行為是通過車輛的運動來體現的，比如車輛加速狀態，就與駕駛員足踩油門有關，如果駕駛員松開油門，則車輛將失去動力，必然減速。由以上分析可知，車輛狀態大致包括：直行、左轉、右轉、倒車、上坡、下坡、加速、減速、轉彎、變道、剎車、翻滾等，而駕駛行為則包括加油、踩剎車、急打方向盤、雙手松開方向盤、抽煙、打電話等。如果將車輛狀態與駕駛行為建立聯系，從而實現人車耦合安全駕駛，是本項目要研究解決的另一個關鍵技術問題。

如圖3所示，基于車輛狀態感知的駕駛行為分析實際上是要建立車輛狀態與駕駛行為之間的函數關系，很顯然，車輛狀態是隨著駕駛行為的變化而變化的，故用通用模型表達就是F=f（X），其中，X表示駕駛行為，是自變量，F表示車輛狀態，是因變量。建立起這樣一個模型，并且進行科學的模型參數標定，就是研究和解決人.車耦合關系，為實現車輛的主動安全預警提供理論支持。

7 結論

對行駛車輛安全駕駛危險信號的采集和預警，無非從兩個方面著手：一是對駕駛員個人體征的判斷;二是對行駛車輛狀態的判斷。當前的研究還沒有將二者信息有效地融合起來，綜合判斷車輛安全性的報道。但是，無論是通過判別駕駛員個人體征還是通過行駛車輛狀態的判斷，其判斷依據和預警策略都顯得單一，沒有層次性，從而很難準確、迅速地判斷出駕駛員或者車輛的異常狀態。本次項目的技術研究，把駕駛員行為、生理預警和車輛狀態感知的預警相結合的信息融合判斷技術，將為車輛安全駕駛預警提供一個新的思路，因為其融合信息的綜合性和預警層次性，同時廣泛利用了現代信息處理技術的快速、準確等特點，融合了二者獨立判斷預警的優勢，必將是交通車輛安全預警的發展趨勢，本項目也就是基于這個融合技術的方向，采用了基于可穿戴設備駕駛人生理特性數據采集的駕駛員駕駛行為預警技術和基于物聯網車輛狀態感知的駕駛行為辨識技術相結合的技術方案，運用大數據、云計算的分析手段，對駕駛人生理特征與車輛狀態耦合分析，最終實現對駕駛人非正常駕駛行為的實時預警。

參考文獻

[1]A. Broggi，G.Conte，F.Gregorett i，C. Sansoe and L.M.Reyneri. TheEvolution of the PAPRICA System.Integrated Computer-AidedEngineering Journal - SpecialIssue on Massively ParallelComputing，4（02）：114-136，1997.

[2]V. Cantoni and M.Ferretti. FyramidalArchitectures for Computer Vision.Plenum Press，London，1993.

[3]G.H. Forman and J.Zahorjan. TheChallenge of Mobile Computing.Computer， 27 （04）： 38-47， Apr. 1994.

[4]鄧學鈞.路基路面工程[M].北京：人民交通出版社，2 000.

[5]鄧學鈞，黃曉明+路面設計原理與方法[M].北京：人民交通出版社，2001.

[6]嚴天一，劉大維，陳煥明等，基于主動懸架系統車輛的道路友好性[M].機械工程學報，2007，43 （02）：163-167

[7]楊紹普，陳立群，李韶華，車輛一道路耦合系統動力學研究[M].北京：科學出版社，2012 （12）.

[8]山崎俊一，王宏雁，陳君毅，南日光，董樂群，交通事故分析基礎與應用，北京：北京大學出版社，2012（03）.