手機打車軟件操作駕駛分心檢測模型研究

唐智慧，王志鵬，黨珊，朱翠翠

（1. 西南交通大學，交通運輸與物流學院，成都 610031 2. 濟南市技師學院，濟南250000）

0 引 言

在我國隨著智能手機的普及，越來越多的人開始注冊并使用手機打車軟件，致使駕駛中使用打車軟件的分心現象也越來越常見。分心駕駛是引發道路交通事故的重要原因之一，美國國家安全委員會2009年的最新研究報告指出：美國每年由于駕駛中使用手機通話導致的交通事故占到了所有事故的6%。同時，研究結果還指出：駕駛中使用手機發生交通事故的概率是不使用手機的4倍[1]。

國外學者早在20世紀90年代中期就開始了手機使用對駕駛影響的研究。Liu和Lee[2]通過實驗發現駕駛經過信號交叉口時使用手機通話，駕駛人對信號燈的反應時間增加，且反應正確率下降。Collet等[3]發現駕駛中使用手機會造成駕駛員認知負荷增加，其行駛速度會降低。李勝江、wollmen等[4,5]基于駕駛績效指標，開展了駕駛分心檢測模型的研究。國內對駕駛分心行為的研究起步較晚，現目前主要集中在駕駛分心對行為績效的影響上。顧高峰[6]通過自然駕駛實驗與實車實驗的方式，證明了車載信息系統的使用會對駕車速度、加速度、方向盤轉角大小等績效指標產生影響。馬勇等[7]通過試驗探究出駕駛分心過程中，車道偏離量會高于正常駕駛。李宏汀等人[8]發現駕駛中使用手機會使RT顯著增長，行駛路線發生明顯偏移。同濟大學吳佳華、劉暢等人[9]發現分心操作對駕駛行為有極大的負面影響，同時頻繁通話情況最為危險，唐智慧等人[10]通過模擬實驗研究了打車軟件的具體操作使用對駕駛績效指標的影響。

國內外研究充分證明駕駛分心行為會對駕駛績效產生不良影響，而我國對于駕駛分心檢測模型的研究還處于起步階段。故本文以實驗室駕駛模擬器為研究平臺，采集駕駛分心行為數據，基于數據差異性分析結果，構建駕駛分心檢測模型，具有十分重要的意義。

1 駕駛分心實驗

1.1 實驗條件

1.1.1 實驗設備

實驗選用的設備有汽車模擬駕駛器、iphone6splus手機、手機支架及藍牙耳機。

駕駛模擬器硬件部分主要由視鏡系統、仿真車輛、控制臺區組成，如圖1所示。視鏡系統是由一個柱面投影屏幕、三臺投影儀以及前向視景生成計算機和觀后鏡視景機構成的，可實現場景仿真結果的顯示。仿真車輛是駕駛模擬器的主體部分，駕駛員可以在其內部完成各種模擬駕駛操作?？刂婆_區即整個系統的控制區域，主要對駕駛模擬器系統實現全面控制[11]。

圖1 駕駛模擬器硬件組成Fig.1 Hardware system of driving simulation

實驗中所用到的手機是iphone6splus，手機內部配置有滴滴打車軟件App，將該App及駕駛員撥號鍵都置于駕駛員常用的主界面，方便駕駛員使用。手機支架為真空吸盤式，在此實驗中將其吸附在駕駛車輛方向盤右側儀表臺處。采用的藍牙耳機是捷波朗商務通話藍牙耳機，駕駛員駕駛中需佩戴其進行通話任務。

1.1.2 實驗人員

參與實驗的人員為40名（36男4女），年齡分布為23～28歲（均值mean=25.13，標準差std=1.56），駕齡分布為3～6年（均值mean=4.33，標準差std=0.97）。為了盡最大可能減少駕駛員個體差異與其他不相關因素對實驗的干擾，實驗人員需達到以下四個要求：

（1）均持有機動車駕駛證C1或以上的駕駛執照；

（2）裸眼或矯正視力在1.0及以上，色覺正常，無眼部疾?。?/p>

（3）身體健康狀況良好，無重大精神系統疾?。?/p>

（4）試驗前24 h睡眠充足，未飲酒且未服用任何可能導致疲勞困倦的藥物。

1.1.3 試驗場景

本文根據相關規范設計了一條城市道路，包括主干道、次干路。實驗天氣設置為良好，為了使模擬駕駛場景更為接近真實情況，道路特性和交通流特性設計較為復雜，具體路網結構如圖2所示。

1.2 實驗步驟

駕駛員使用打車軟件引發的分心行為主要為藍牙通話、與乘客交談、查看信息與信息輸入幾類。實驗需釆集駕駛人不同駕駛狀態下的駕駛行為數據、駕駛員在駕駛過程中多次進行基于手機打車軟件使用的分心操作，具體操作步驟如下。

（1）實驗準備：調試好相關儀器；導入模擬駕駛場景；實驗員向被試講解實驗流程；被試填寫相關的表格。

（2）預備實驗：讓駕駛員進行5 min的預駕駛，以熟悉駕駛操作環境，能順利完成車輛的啟動、減速、加速等基本駕駛操作。

（3）正式實驗：調出本文設計的駕駛場景，先讓駕駛員在無分心操作狀態下完成全路段駕駛，駕駛完畢后，休息兩分鐘；再調出駕駛場景，稍微變換一下周圍建筑類型，讓駕駛員認真執行主駕駛任務的同時，根據提示完成多次藍牙通話分心次任務操作，駕駛到終點算完成該類分心駕駛實驗，并休息兩分鐘；隨后按照上述步驟，依次完成談話、查看信息、信息輸入三類分心駕駛實驗。

（4）整理數據：將模擬器采集到的正常駕駛行為數據、藍牙通話與乘客交談兩類視覺分心行為下的駕駛行為數據、查看信息與信息輸入兩類認知分心行為下的駕駛行為數據進行記錄處理，并據此構建各類駕駛狀態下的行為數據庫。

2 分心檢測指標確定

對駕駛績效指標進行顯著差異性檢驗，判斷駕駛績效指標檢測駕駛分心行為的有效性，可篩選出建模需要的指標。

2.1 分心檢測指標選取

車輛控制指標用于描述駕駛員的駕駛操作和車輛的運行狀態。駕駛員進行駕駛分心操作時，相應車輛控制指標參數必然會產生波動。結合本校模擬器的實際情況，本文采集的績效參數有：油門踏板開度、剎車踏板開度、縱向速度、縱向加速度、橫向速度、橫向加速度、方向盤轉角、方向盤轉角角速度。為了體現波動情況，并避免參數正負數值對結果的干擾，研究均使用采集參數的標準差值。

2.2 分心檢測指標有效性分析

將每種分心行為下的數據看作一個總體，μ1，μ2，μ3，μ4，μ5看作為正常駕駛、藍牙通話、與乘客交談、查看信息、信息輸入水平下駕駛績效指標總體期望。假設H0:μ1=μ2=μ3=μ4=μ5，對各組樣本進行檢驗。

假定各組樣本均滿足正態性、方差齊性、樣本獨立性的要求，可得出與分別為與u的最大似然估計。不同駕駛狀態對駕駛績效指標所造成的影響可用組間離差平方和SSSA表示，如式所示（其自由度為4）：

式中：ni為i類駕駛狀態下的樣本數。

組間離差平方和SSSE的自由度為n-3，用于表示隨機誤差對指標的總體影響：

式中：xij為i類駕駛狀態下的第j個樣本。

總體離差平方和SSSE的自由度為n-1，用于反應所有駕駛駕校樣本值的離散情況，如下所示：

SSSA與SSSE的均方為MMSA與MMSE，比較MMSA與MMSE的值，則可計算統計量F，確定P。檢驗水平設置為α=0.05，即P＜0.05時有顯著影響。以每種任務主要資源需求特點為分類標準，將藍牙通話、與乘客交談兩類歸為視覺分心行為，查看信息與信息輸入兩類歸為認知分心行為。通過對不同駕駛行為參數顯著差異性分析，得表1。

表1 駕駛行為參數差異性檢驗結果Tab.1 Difference tests of the driving behavior parameters

由表1可知，兩類認知分心行為及兩類視覺分心行為對駕駛員車輛控制能力影響差異不顯著，故可分別將兩類認知分心行為歸為一組、兩類視覺分心行為歸為一組進行檢測，將檢測識別狀態分為三類：正常駕駛、認知分心駕駛、視覺分心駕駛。能將這三類狀態識別的參數需滿足兩個條件：正常駕駛與分心駕駛兩種狀態下的值有顯著差異；認知分心與視覺分心兩種狀態下的值有顯著差異。分析駕駛行為參數差異性檢驗結果可知，油門踏板開度標準差、縱向速度標準差、縱向加速度標準差、方向盤轉角標準差、方向盤轉角角速度標準差為有效檢測指標。據此結論，可以從原數據剔除無效檢測指標，優化重組出基于三類駕駛狀態的分心檢測數據庫。

3 分心檢測SVM模型構建

3.1 SVM模型原理

支持向量機（SVM）是由Vapnik提出的統計學習方法[12]。它遵循結構風險最小化原則，是一種較為新型的基于核函數的機器學習算法，目前已被廣泛應用于模式識別等領域。支持向量機算法的目標是為了找到最優超平面，二維下的超平面如圖3所示。

圖3 最優分類超平面示意圖Fig.3 Illustrative diagram of the separating hyperplane

當訓練集是高維樣本集時，常為線性不可分問題。可通過引入離群點懲罰函數iξ與懲罰系數C將樣本映射到高維空間中，以達到線性可分或近似線性可分的目的。

3.2 SVM模型構建

本文將駕駛狀態分成了三類，即正常駕駛狀態為1類、認知分心駕駛狀態為2類、視覺分心駕駛狀態為3類，駕駛狀態特征分類則可看作是分類數k=3 的多分類問題。具體模型構建過程如下：

（1）構造訓練樣本集和測試樣本集

從正常駕駛行為數據庫、視覺分心行為數據庫、認知分心行為數據庫中各隨機選取200組數據。每組駕駛狀態中隨機選出的160組作為訓練樣本，另外40組作為測試樣本，根據數據庫來源標定好訓練標簽。

（2）選擇核函數

多種實驗已經證實采用徑向基核函數進行分類效果最佳[13]，故本文選用此方法，對駕駛分心行為檢測模型進行搭建。

（3）懲罰因子c和核參數g尋優

相關文獻已經證明交叉驗證算法能優化出支持向量機的最佳參數，確保SVM的泛化能力[14]。本文采用K-CV（K-fold Cross Validation）方法作為交叉驗證的方法，具體的方式為充分混合均勻樣本集，將隨機選出的160組訓練樣本集隨機劃分成預訓練集和預測試集，使用迭代范圍內的c與g值組合及預訓練集訓練SVM，同時使用預測試集測試SVM識別正確率，對c與g值組合進行迭代，選擇出分心檢測模型的最優參數c與g作為正式訓練的模型參數。本文中當c值為256，g為0.18946時，訓練的模型驗證準確率達到最優。

（4）對測試樣本集進行分類識別

使用基于最優參數的駕駛分心行為檢測模型對每類駕駛狀態下抽取的測試樣本進行分類識別。

（5）對得到的識別結果進行分析和評價。

3.3 SVM模型評價結果

從三個數據庫中各隨機選擇數據段40組作為測試樣本，對搭建的各個SVM 檢測模型進行測試。本文選用的評價指標有正確率與誤判率，正確率的計算公式如下：

式中，n表示駕駛狀態：1 表示正常駕駛，2 表示認知分心駕駛，3 表示視覺分心駕駛。

Pn表示模型對第n類駕駛狀態的正確檢測率。

qn表示第n類駕駛狀態測試樣本中被正確識別的樣本數。

Qn表示第n類駕駛狀態中的總樣本數。

誤判率作為模型效度的另一個評判指標，其計算公式如下：

式中，n，k表示駕駛狀態，1 表示正常駕駛，2 表示認知分心駕駛，3 表示視覺分心駕駛。

pnk表示模型將第n類駕駛狀態識別為k類駕駛狀態的誤判率。

rnk表示第n類駕駛狀態測試樣本中，被誤判為k類駕駛狀態的樣本個數。

Qn表示第n類駕駛狀態中的總樣本數。

該模型對駕駛員正常駕駛行為、認知分心駕駛行為、視覺分心駕駛行為的正確檢測率P1、P2、P3分別為85%、82.5%、92.5%，模型的平均檢測正確率為86.67%。從正確率檢測統計結果，該模型對駕駛員視覺分心駕駛行為的檢測率最高，正常駕駛行為次之，對認知分心駕駛行為的檢測能力最弱，但模型的總體檢測效果較好。具體檢測結果如圖4所示。

為進一步檢測模型對各種分心駕駛的分類準確性，招募10名駕駛員重復進行大量實驗。每人提取正常駕駛、認知分心駕駛、視覺分心駕駛狀態下40組駕駛分心行為數據，用以測試辨識模型性能，測試結果的準確率和誤判率如表2所示。

圖4 駕駛分心檢測模型驗證結果Fig.4 Validation results of the distracted-drivirg detection model

從表2可知，本文所建駕駛分心檢測模型在實際運用過程中，對不同的人員行為檢測效果不同。平均正確率的變化范圍為80%～92%，總體平均識別率為84.92%。對正常駕駛狀態的正確識別率介于80%～90%，均值為84.75%，對于認知分心行為狀態的正確識別率介于75%～90%，均值為81.75%；對視覺分心行為狀態的正確識別率介于85%～95%，均值為88.25%。由此可知，該模型實測結論與測試結論相差不大，對三類駕駛狀態的識別率都較好，雖然駕駛員個體存在一定的差異性，但是模型總體識別率較高。

表2 駕駛分心檢測模型對不同駕駛員的檢測結果Tab.2 Testing results of different types of distracted driving

4 結束語

（1）駕駛中操作手機打車軟件會對駕駛員車輛控制行為的產生影響，采用方差分析法對不同駕駛狀態下的車輛控制指標進行差異顯著性分析，可知：油門開度標準差、方向盤轉角標準差、方向盤轉角角速度標準差、縱向速度標準差和縱向加速度標準差五項指標能有效作為駕駛分心檢測參數。

（2）基于支持向量機理論，建立駕駛分心SVM檢測模型。從駕駛分心數據庫中隨機抽取訓練樣本集和測試樣本集，訓練分心檢測模型，選取正確率、誤判率為指標，驗證模型效度。結果表明該模型在實際運用過程中，檢測正確率較高，誤判率低，可用駕駛分心狀態檢測。

（3）本研究采用駕駛模擬器進行試驗，采集的數據與實車實驗條件下的數據具會存在一定誤差，后續應開展實車實驗下的分心檢測模型研究。

[1] National Safety Council. Death by Cell Phone- watch their stories[EB/OL]（2009-07-10）[2010-08-26] http:www. nse. org/ page/ Death by cellphone. aspx .

[2] LIU B S, LEE Y H. Effects of car-phone use and aggressive disposition during critical driving maneuvers[J] Transportation Research Part F: Traffic Psychology and Behaviour, 2005, 8（4）: 369-382.

[3] COLLET C, GUILLOT A, PETIT C. Phoning while driving I: a review of epidemiological, psychological，behavioural and physio-logical studies [J]. Ergonomics，2010，53（5）：589-601.

[4] 李勝江. 駕駛人視覺注意力分散檢測方法研究[D]. 長春：吉林大學，2015.

[5] WOLLMER M, BLASCHKE C, SCHINDL T, et al.Online driver distraction detection using long short-term memory[J]. Intelligent Transportation Systems, IEEE Transa-ctions on, 2011, 12（2）: 574-582.

[6] 馬艷麗，顧高峰，高月娥，等. 基于駕駛績效的車載信息系統操作分心判定模型[J]. 中國公路學報, 2016，29（4）：123-129.

[7] 馬勇，石涌泉，付銳，等. 駕駛人分心時長對車道偏離影響的實車試驗[J]. 吉林大學學報，2015，45（4）：1095-1101.

[8] 李宏汀，劉彥宇，李文書. 駕駛中使用手機對駕駛員行為安全績效影響綜述[J]. 中國安全科學學報, 2013，23（1）：16-21.

[9] 吳佳華，桂玉峰，劉暢，等. 基于駕駛模擬器的不同駕駛條件下手機使用的可靠度分析[J]. 交通與運輸,2011，（12）：176-180.

[10] 唐智慧，黨姍，鄭偉皓. 打車軟件的使用對駕駛安全的影響[J]. 交通運輸工程與信息學報, 2017，（1）: 22-27.

[11] 黃成龍. 成都市三環路交通指路標志設置合理性研究[D]. 成都：西南交通大學，2015.

[12] 彭璐，支持向量機分類算法研究與應用[D]. 長沙：湖南大學，2007.

[13] LIANG Y L, REYES M L, LEE J D. Real-time detection of driver cognitive distraction using support vector machines [J], IEEE Transactions on Intelligent Transportation Systems, 2007, 8（2）: 340-350.

[14] 張艷，吳玲. 基于支持向量機和交叉驗證的變壓器故障診斷[J]. 中國電力, 2012, 45（11）: 52-55.