車載信息融合交通因素的駕駛行為分析

周愛國，徐鵬宇，劉備

(同濟大學機械與能源工程學院，上海 201804)

0 引言

2017年中國機動車保有量已經突破3.04億輛，如此龐大的基數下，以擴建道路方式緩解城市日益增長的交通壓力顯得杯水車薪，利用高科技系統工程智能化、人性化地解決道路交通問題的方法應運而生。這種應用電子技術、IT技術和自動控制理論等建立人、車、路之間聯系的方案被稱為智能交通系統(Intelligent Transportation System, ITS)，是一個高效、環保和舒適的綜合交通運輸體系[1]。駕駛行為分析作為ITS的末端環節，研究設計高效的駕駛行為分析方法能夠綜合評估駕駛行為給車輛和道路交通帶來的潛在危害以及如何有效預防交通事故[2]，推動ITS全面發展，從而以更低廉的成本實現城市道路交通的協調管理。

目前的駕駛行為分析方法主要分為兩種：一種從宏觀ITS視角分析車輛群體行為；另一種通過采集車載信息以分析駕駛員個體動作。Bielefeld University的HERMES與Daimler AG的WAHIERT研究提出了一種基于組合軌跡分類和粒子濾波器框架預測方法，能夠長時間預測車輛運動軌跡，實現在復雜城市道路中的追蹤和預測功能[3]。CAVENEY采用多傳感器信息融合的方式，將地圖導航與數學模型推演相結合，較為準確地預測未來某時刻道路車輛的行駛軌跡[4]。Shibaura Institute of Technology的TAKEI等使用模擬駕駛設備采集駕駛過程中方向盤的轉角信號，后續信號處理組別分為傅里葉變換組和小波變換組，最終利用模糊理論判定小波變換法更能準確反映駕駛員狀態[5]。武漢理工大學的毛喆博士就駕駛疲勞指標進行深入探究，提出了7項疲勞指標：轉向角小波分解的ca5尺度歸一化能量、轉向角小波熵、轉向角速度能量、轉向角速度標準差、車速標準差、加速度小波分解的cd1尺度歸一化能量和加速度熵，采用了時域分析、傅里葉頻譜分析以及基于haar小波分解的時頻分析3種方式，最終確認主成分分析方法提取上述疲勞駕駛指標最為有效，基于此設計了疲勞駕駛的人工神經網絡算法[6]。

作者提出一種新的將車載信息與交通因素相融合的駕駛行為分析方法，通過OBD(On Board Diagnostics)接口從車輛ECU(Electronic Control Unit)中直接采集行駛數據，與百度地圖API(Application Programming Interface)中提供的地形信息與實時交通路況相結合，利用貝葉斯理論對用戶駕駛行為進行分析預測，并對融合結果進行了驗證。

1 車載信息采集與遠程監控系統設計

1.1 車載信息診斷儀設計

車載信息來源主要為車輛ECU，通過車身OBD端口向外界傳輸數據。在診斷儀的設計中，利用意法半導體公司STM32F103系列芯片為控制器，通過車內CAN網和K線兩種方式連接車輛OBD接口，對OBD協議進行詳細解讀，實時獲取ECU中反饋的車輛運行信息。除了OBD協議提供的數據外，診斷儀上設計了加速度傳感器與陀螺儀模塊，能夠直接反映急剎車、急加速和急轉彎等緊急情況下的車身狀態。診斷儀的基本結構如圖1所示。

圖1 診斷儀各模塊信息交互示意圖

1.2 遠程監控系統設計

診斷終端將車輛實時數據采集完畢后，需要發送給遠程監控系統以供查看、儲存和后續處理。遠程監控系統上不僅可以進行復雜的數據分析運算，還可以作為控制終端發送指令，更新診斷儀程序。具體而言，監控系統主要由3個部分組成：本地服務器、遠程服務器和客戶端，從數據流角度建立其功能框架如圖2所示。

圖2 遠程監控系統整體框架

本地服務器負責搜尋并連接局域網中所有在線的診斷儀，將它們發送的數據進行打包整合發送至遠程服務器，同時也負責診斷儀程序升級；遠程服務器負責將收到的不同診斷儀發來的信息分類并寫入到不同的文件中去，同時能夠根據客戶端的要求呈現指定車輛的信息；客戶端負責向遠程服務器提出客戶要求，接收指定的車載信息。

2 百度地圖API功能開發

百度地圖API滿足了大眾對個性地圖和地圖相關交互應用的期望，支持使用多平臺語言構建個性化應用程序。百度地圖API既包括數字地圖所需的GPS(Global Positioning System)功能，也為實時路況、附近搜索等高級服務開放了接口，程序員可以根據自己的應用需求自主設計地圖服務平臺[7]。

百度地圖API功能開發實質是設計滿足特定需求的GPS系統。表1歸納了百度地圖等通用地圖軟件的功能分類。目前需求僅限于初始定位、POI(Point of Interest)定位查詢和交通顯示與查詢三類。

百度地圖交通信息與查詢功能中包含了各種路況信息，結合駕駛行為分析的需求，提取了百度地圖導航常出現的三類實時交通路況提醒：

(1)交通警示：前方限速，闖紅燈拍照，交通違規拍照。

(2)特殊路段：(嚴重)擁堵路段，學校路段，事故多發路段，積水路段，橋面路段。

(3)地形類：十字(T形)交叉，左(右)急轉彎，繞環島，掉頭，反向(連續)彎路，上(下)陡坡，長下坡，隧道，合并道。

表1 通用地圖軟件功能分類

3 車載數據與交通因素的融合模型

信息融合系統按照整體方案歸類可分為假設驗證型、模式識別型、濾波跟蹤型、模糊聚類型等。其中假設驗證型融合技術主要基于統計學觀點，以概率值評估某假設的可能性，應用廣泛、結構簡單、操作性強，因此選取假設驗證型模型進行擴展。

在假設驗證型融合技術的理論基礎上，考慮到車載診斷儀和百度地圖API的采樣特性，融合模型選取并行分布式檢測融合結構。相對于集中式檢測結構，分布式將單個傳感器信號的預處理和判定工作分配給了支線，并行結構最大程度發揮了支線處理器的能力，能夠有效降低處理中心的負載。

圖3所示為并行結構的分布式檢測融合模型，每一支路都經歷了傳感器、信號預處理和結果判定流程，最終在融合判定中心將各路信息進行融合，得出全局結果。

圖3 并行分布式檢測融合模型

由于使用了車載診斷儀與百度地圖API兩大功能模塊，車載信息融合交通因素的駕駛行為分析方法可以簡化為基于兩路傳感器信號的信息融合系統，車載數據和交通數據都由獨立的處理環節在管理。如圖4所示，道路交通環境和車載數據作為兩路信號源，在融合中心進行整合后共同對駕駛行為做出一致性的描述。信號預處理過程已經集成在車載ECU和交通信號獲取設備上，減小了系統的復雜度。

圖4 車載數據與交通信息融合模型

從融合處理層次的角度看，圖4的融合模型屬于特征級融合，既獲取了經分析處理后的前端數據，又保證了數據量，這些都是信息鏈前端的車載ECU和交通信號獲取設備的功勞。從原理來看，這種將道路交通環境的“宏觀”信息與車載數據的“微觀”信息相結合的方式增加了系統信息來源維度，減少了目標或事件的假設，從而提高了系統的可靠性。

4 基于貝葉斯理論的分析方法設計與驗證

多傳感器系統采用的融合算法眾多，如加權平均法、卡爾曼濾波法、多貝葉斯估計法、證據推理法、產生式規則、模糊邏輯和神經網絡等，按照其原理被分為兩類——基于概率論和基于非概率論。在以概率論為基礎的算法中，貝葉斯理論是一種可以根據先驗概率，針對每個輸入條件估算出相應各種輸出概率的方法，理論成熟，應用廣泛，但是當輸入信號種類太多且相互重疊而不完全獨立時，貝葉斯方法很難發揮作用。

文中提出的融合系統雖然采集的數據眾多，但只分為車載信息和交通信息兩大類，彼此近乎獨立，貝葉斯理論能夠得到有效的使用。可以參考大腦決策時將外界信息與先驗知識進行比對然后做出判斷的方式，利用先驗知識比對出觀測對象行為的后驗知識，這也是貝葉斯理論的精髓。基于貝葉斯理論的信息融合方法為車載信息與交通信息融合的駕駛行為的先驗概率和后驗概率計算提供了理論依據。

4.1 利用貝葉斯理論解決信息融合的原理

貝葉斯統計理論是從概率論的角度講述先驗知識和后驗知識的相關性。貝葉斯理論最開始在A、B兩個樣本空間里的事件上考慮，在給定B條件下，A發生的概率公式為

(1)

其中：P(AB)稱為A和B同時發生的聯合概率。

則邊際概率公式有

(2)

因此，基于兩個空間樣本的貝葉斯公式表達如下：

(3)

推而廣之，統計學上的貝葉斯理論可以定義如下：設存在一組隨機事件A1、A2、……、An，各事件相互獨立且有

(4)

又設B為某事件，則根據條件概率公式有

P(Ai)為先驗概率，P(Ai|B)為后驗概率。利用貝葉斯理論處理統計問題時，在利用樣本信息時也需要考慮先驗信息，所以先驗概率的構造非常重要，常常需要大量的數據樣本得到概率模型。貝葉斯理論處理信息融合問題的步驟可以概括如下：

(1)將每個傳感器關于被觀測目標的觀測轉換為目標屬性的分類與說明D1、D2、……、Dm。

(2)計算以上目標屬性的說明的不確定性，即P(Dj|Di)，其中j=1,2,……,m;i=1,2,……,n。

(3)計算目標屬性的融合概率，即

P(Oi|D1,D2,……,Dm)=

(6)

特別指出，為得到較好的貝葉斯融合結果，積累豐富的先驗知識至關重要。

4.2 貝葉斯方法在駕駛行為分析中的應用

通俗來說，先驗概率是指事件還未發生，求該事件在某種因素下發生的可能性。后驗概率是指事件已經發生，求導致該事件發生的某種因素的概率。在文中的駕駛行為評價系統中，將車載信息作為一組隨機事件，即式(5)中的Ai，Ai可以代表超速、橫向角速度過大或急剎車等；將交通因素作為條件，即式(5)中的B，B可以是轉彎、擁堵或者交通信號燈等。將P(Ai)作為先驗概率，則此駕駛行為評價系統的概率表述有：

條件概率P(B|Ai)：在Ai交通路況下，發生B車輛行為的概率。

后驗概率P(Ai|B)：在發生B車輛行為時，由Ai交通路況造成的概率。

通過融合Ai和B兩種信息并計算其先驗概率和后驗概率可以做出預警和評價：

預警：在行駛到Ai交通路況時，發生B車輛行為的概率很大，則及時提醒。例如，在左急轉彎時橫擺率大的概率很大，則在左急轉彎處特別提醒減速。

評價：在B車輛行為發生時，處于Ai交通路況的可能性最大，則可以對該駕駛員的駕駛水平進行相應評價。例如，當發生急剎車的情況時，處在交通擁堵路況的概率最大，則可以評價該駕駛員擁堵跟車水平不高。

這種基于貝葉斯融合理論的方法實質上是概率論內容，關鍵是需要知曉先驗概率。確定先驗分布的方法很多，例如直方圖法、絕對似然法、貝葉斯假設、Jefferys方法等，文中設計的駕駛行為評價系統在駕車過程中不停地在采集車載信息和交通信息，樣本眾多，可以根據各數據出現頻次來代表其概率，這種方法簡單可行，數據來源于真實路段，避免了各種假設帶來的誤差。基于此，為了獲取可信的先驗概率值，有針對性地采集車載數據與交通信息格外重要。

4.3 車載數據的選取

首先，從診斷儀能夠采集的OBD數據中選取最能反映駕駛行為的重要數據：

(1)車速直接反映駕駛員是否按限速要求行駛。剎車信號不包含在OBD支持數據中，屬于私有協議，所以只能以減速情況來間接表征剎車情況。

(2)發動機轉速作為發動機最重要的輸出參數之一，對于手動擋汽車而言，發動機轉速可以衡量駕駛員換擋時機選擇的優劣；對于自動擋汽車(例如實驗用的別克君威)而言，車況良好情況下，發動機轉速僅用來判斷駕駛員是否有空踩油門的情況。

(3)節氣門開度即發動機的進油量，較油門踏板位置信息更能客觀反映駕駛員給油變化。油門控制不當不僅體現在車速上，開度的急劇變化更多的是帶來燃油燃燒不充分，從而導致大氣污染和資源浪費。

(4)發動機負載率多用在爬坡時監控發動機運行狀況，避免負載過大損害發動機。

圖5和圖6描述了一段時間內，車輛運行時各重要數據之間的變化關系，為推斷駕駛行為提供了有效參考。

圖5 車速與節氣門開度的變化關系

其次，診斷儀加速度傳感器與陀螺儀的數據也屬于重要數據：

(1)三軸加速度。三軸加速度最能記錄突發事件的嚴重情況，通常只在事件發生時才采集數據。縱向加速度反映急加或減速情況，更多的是反映高速時急剎車的危險行為；橫向加速度反映高速急轉彎的危險行為；垂直加速度一般只會在路面顛簸時產生，所以能從側面反映路面情況。

(2)Z軸角速度。Z軸角速度反映車輛在轉彎和掉頭時的劇烈情況，從側面反映駕駛員猛打方向盤的情況。

最后，從OBD數據中提取輔助信息：

(1)環境空氣溫度。極端的環境溫度常常影響駕駛員的駕駛動作和駕駛情緒。

(2)故障碼。一旦出現故障碼應立即警示，停車處理。

(3)引擎啟動后運行時間。以一次點火和一次熄火為一個行程，每次行程時間不得超過4 h。

(4)冷卻液溫度。冷卻液溫度過高和過低都將大大影響冷卻液性能，一旦出現問題應立即警示。

(5)油液位置。油量過低時應警示。

4.4 不同交通因素下采集的車載信息

結合百度地圖API中提供的實時交通路況信息，車載信息采集可以分為三類路況：交通警示類、特殊路段類與地形類。根據ITS的智能化特點，在不同路況下采集的車載數據也應有所區別，包含輔助數據在內的所有數據一旦出現異動都應立刻警示和記錄。由此實現結合交通因素的車載數據對應采集內容可以總結為表2—表5。

表2 交通警示類路況

表3 特殊路段類路況

表4 地形類路況

表5 其他輔助信息

上述三類路況若同時發生，應有優先級區分。交通警示類路況由交通執法部門發布，多由狀況頻發總結而來，最具參考意義，優先級最高；特殊路段類路況是獨立于地形以外的特別警示，也屬于事故多發路段，優先級次之；地形類路況在行駛過程中出現頻率最高，駕駛員應對經驗較為豐富，安全性較高，所以優先級最低。

根據不同路況下的采集內容，在一次測試過程中，將采樣數據進行分類整理后的結果如表6—表7所示。數據統計的結果可以真實地反映駕駛員操作過程中的不良習慣，如超速以及頻繁的變速變道行為，具有重要的參考價值。

表6 不同路況下的超速檢測

表7 行駛過程中的變速與轉彎檢測

4.5 分析方法實驗驗證

按照表2—表7的采集與分類方法，實地駕車實驗得到融合數據，結合百度地圖API中的GPS功能，可以繪制行駛路徑圖，經整理后標注得到如圖7和圖8的結果。圖7中道路相對平直，車速容易過快，且限速較多，故出現急加速、急減速和超速通過的情況。圖8中道路狹窄多彎，容易造成急轉彎的情況。

圖7 急加速、急剎車、超速情況

圖8 急轉彎情況

5 結論

針對車載信息和交通因素融合的駕駛行為分析方法做了大量工作。針對OBD數據采集設計了車載信息診斷儀，搭建了遠程監控平臺，同時創新地將百度地圖提供的路況信息與診斷儀采集的車載信息相結合，針對性地采集它們的融合樣本。利用貝葉斯理論對融合樣本進行分析歸納，根據先驗概率計算后驗概率，推測駕駛員行為。使用該方法的系統能夠在大量數據支持的情況下有針對性地評價某駕駛員行為習慣，及時對不良操作進行警示，較單一數據源的評價方法更能還原駕駛員意圖，在實驗中取得了預期的效果，具有良好的工程應用價值。