高級駕駛輔助系統對駕駛員表現的影響研究

1 前言

隨著道路上車輛和駕駛員數量的不斷增加，由于更頻繁和更嚴重的交通事故，社會面臨著重大挑戰。行駛時保持安全的車距和保持在車道上被認為是安全行駛預防事故發生的關鍵因素。為了提高駕駛員的警惕性和感知能力，研發人員開發了各種先進的駕駛員輔助系統（Advanced Driver Assistance Systems，ADAS）。

利用ADAS可以糾正駕駛行為。已經發現，如果正確及時地提供ADAS干擾功能，則可以有效地避免或減輕高風險情況。本文通過高級駕駛輔助系統對駕駛員表現的影響研究，介紹了不同情況下駕駛員行為的特點，為基于駕駛員表現的ADAS研發提供基礎與參考。

2 ADAS與駕駛員表現

高級駕駛輔助系統采用車載傳感器，收集車內、車外的環境參數，通過識別與傳輸、顯示技術，提示駕駛人員可能遇到的危險。攝像頭、雷達、激光和超聲波等傳感器已經大量應用在ADAS中。

ADAS作為一種為駕駛員提供輔助和支持的智能系統，與駕駛員有著密切的關系。除安全要求外，ADAS還應適應駕駛員的駕駛習慣。如果可以正確、及時地提供ADAS干擾功能，則能夠有效地提高行車安全。例如前端碰撞預警（FCW）系統可以警告駕駛員避免或減輕與主車輛前方障礙物即將發生的碰撞。車道偏離預警（LDW）幫助駕駛員避免車道偏離，以減少相關事故。ADAS智能手機應用程序能夠估計駕駛員的行為是否安全，可以通過仔細監測駕駛員的面部特征來估計駕駛員的疲勞程度，尤其是通過分析眨眼頻率。通過使用雙攝像頭智能手機，可以監控駕駛員的注視和坐在車前的移動障礙物。基于智能手機的ADAS可用于檢測駕駛員是否分散注意力，同時拍攝自拍照并將他們的注意力吸引到道路上[1]，圖1是Transilvania University of Brasov大學的Dumitru用模擬器研究ADAS與駕駛員表現。

圖1 駕駛模擬器(ECA-Faros EF-X)[1]

3 研究現狀及目前存在的問題

由于ADAS與駕駛員有著密切的關系，因此，大量的研究者致力于開展與ADAS相關的驅動模型的研究。Alireza Khodayari建立了基于神經網絡的車輛跟蹤模型，并利用駕駛數據對模型進行訓練[2]（圖2）。

圖2 ANN跟車行為模型[2]

在分析了車輛行駛數據后，王建強提出了一種基于特定行駛條件下的時間間隔和碰撞時間的自適應縱向駕駛輔助系統[3]。但由于目前研究人員缺乏對正常駕駛條件下駕駛行為的分析，這可能無法解釋駕駛員行為的決策依據。

以往的研究發現，駕駛特征，如經驗、性別和風格、以及道路環境都會顯著影響駕駛行為。此外，道路環境和個體駕駛員的個人感受和特征會影響ADAS的接受度[4]。接受度是一個多方面的概念，研究人員在他們的研究中關注它的不同方面。有不同的方法用于建模和測試ADAS的駕駛員接受度。一種方法是基于理論框架，而在其他方法中，模擬駕駛[5]和現場操作測試（FOT）[4]也被用于現有研究。在駕駛員行為學習和適應方面，ADAS表現仍有改進的空間。雖然許多研究人員正在努力改善ADAS的性能和可接受性，但仍然存在適應個體駕駛員行為的挑戰。最大限度地降低負面行為適應的可能性并最大化系統可用性和用戶接受度被認為越來越重要。

車輛性能和安全性與駕駛員采取的控制動作直接相關，駕駛員充當車輛的自適應最佳決策控制器。該人體控制器在車輛運動控制、穩定性、駕駛安全性以及能量消耗和排放方面起著重要作用。ADAS的成功取決于系統與每個駕駛員合作的能力，并以與駕駛員駕駛風格相輔相成的方式與駕駛員共享控制。駕駛員模型提供了一種數學方法來定義駕駛員的駕駛風格/行為，并可以與ADAS進行交互。大多數現有的駕駛員模型已經被設計和評估用于標準的非緊急車道變換（LC）操作，這些操作有利于獲得駕駛員模型的一組基線參數。然而，ADAS的主要優點是在高速、動態和具有挑戰性的操作期間提供支持，其中駕駛員無法提供必要的控制輸入以維持安全的車輛軌跡。為了使ADAS在這些緊急操作期間將控制干預與駕駛員無縫集成，需要越來越精確的駕駛員模型。

4 擬解決的關鍵技術

根據對研究現狀及目前存在問題的分析，下面列舉了當今在解決駕駛員行為分析及駕駛員建模方面的關鍵技術。

4.1 縱向駕駛輔助系統駕駛員行為分析[6]

為了理解駕駛員行為的原理，建立一個考慮駕駛員駕駛習慣的縱向駕駛輔助系統，文獻[6]分析了駕駛員的響應延遲以及影響普通駕駛條件下駕駛行為的主要因素。為了分析駕駛員行為，作者選擇了由NG?SIM提供的車輛軌跡數據。利用斯皮爾曼相關系數對影響駕駛員行為的主要因素進行了統計分析，并對篩選后的非平穩狀態數據進行了分析。此外，文章還討論了駕駛員反應延遲的特性。

文章基于指定駕駛狀況中的115組車輛數據計算了與vf（跟車速度）-af（跟車加速度）相關的相關系數，并顯示了顯著的重要性。根據統計結果，作者認為駕駛員首先根據vl（前車速度）和D（距離）控制vf（跟車速度）的趨勢，然后基于vr（相對速度）和TTCi（碰撞時間的倒數）實現特定的踏板操作。這意味著可以根據vl（前車速度）和其他參數的變化直接控制車輛的縱向運動，即認為vl和D是影響vf的主要因素，并且驅動器根據vr和TTCi的變化控制af。文章基于車輛軌跡數據分析了駕駛員的響應延遲，發現駕駛員的響應延遲與D正相關，并且駕駛員可能對D的變化比對vl更敏感。此外，不同駕駛員的響應延遲也不同。

4.2 駕駛員輔助系統對駕駛性能和制動行為的影響[7]

文獻[7]評估了ADAS對中國駕駛員的有效性以及道路類型、性別和經驗對駕駛性能的任何可能影響，這可以通過幾個變量來測量，包括縱向、橫向和制動行為。研究中使用的ADAS是具有前端碰撞預警（FCW）和車道偏離預警（LDW）功能的Mobileye M630，實驗裝置如圖3所示。結果表明，ADAS顯著影響制動行為。當駕駛員暴露于ADAS時，制動時間增加，相對速度降低。ADAS顯著影響幾種縱向行為，包括縱向減速和時間間隔（THW）。實驗中發生了極低的THW。然而，對側向行為沒有顯著影響。此外，駕駛員對FCW功能的接受程度遠遠高于LDW功能，高速公路的接受程度遠高于城市道路。結果還揭示了道路類型和經驗對駕駛行為的重大影響。

圖3 ADAS實驗裝置[7]

4.3 用于高級駕駛員輔助系統的前饋與反饋集成橫向和縱向駕駛員模型[8]

汽車駕駛員建模可分為兩大類：縱向和橫向控制建模。文獻[8]提出了一種基于人體駕駛模擬器實驗開發的橫向和縱向駕駛員組合模型，該模型能夠通過駕駛員模型參數識別出不同的駕駛員行為，見圖4。橫向駕駛員模型由補償傳遞函數和預期組件組成，并與單個駕駛員所需路徑的設計相結合。縱向駕駛員模型通過使用相同的期望路徑參數與側向駕駛員模型一起工作，以基于相對速度和到前車的相對距離來對駕駛員的速度控制進行建模。通過考慮駕駛員基于駕駛期望路徑的曲率來調節駕駛員駕駛速度的能力，將前饋分量添加到反饋縱向駕駛員模型。縱向和橫向駕駛員模型之間的這種互連允許更少的駕駛員模型參數和增加建模精度。經驗證表明，所提出的駕駛員模型可以復制各個駕駛員的方向盤角度和速度以用于各種高速公路機動。

5 結束語

圖4 前饋與反饋集成橫向和縱向駕駛員綜合模型[8]

在駕駛員-車輛-道路閉環駕駛系統中，人為因素造成的交通事故占90%以上，駕駛員疏忽造成的交通事故占70%以上[6]。通過提高駕駛員的駕駛能力，降低駕駛負荷，是減少交通事故的有效途徑。先進的駕駛員輔助系統是實現這一目標的有力工具。本文通過高級駕駛輔助系統對駕駛員表現的影響研究，明確駕駛員行為的特點，從而使高級駕駛輔助系統更好地服務于駕駛員行車安全，提供理論基礎與研究方向。