駕駛員避撞轉向行為的改進K-means聚類與識別*

趙治國，馮建翔，周良杰，王 凱，胡昊銳，張海山，寧忠麟

（1.同濟大學新能源汽車工程中心，上海 201804； 2.同濟大學汽車學院，上海 201804）

前言

駕駛員轉向行為識別是輔助駕駛系統中的關鍵環節。目前國內外關于駕駛員轉向行為識別的研究按所用方法可分為基于機器學習算法、基于概率圖模型和基于駕駛員注視區域特征3種。機器學習算法通過對數據特征的學習，可實現模型參數自行調優，適用于轉向駕駛行為研究樣本大、隨機性強的場合。當前研究多以神經網絡或支持向量機模型與最優化方法和狀態估計理論相結合進行駕駛員轉向行為識別。Peng等［1］基于BP神經網絡模型，以車速、轉向盤轉角與目標車輛為特征參數，實現了換道行為識別，精度可達85%。李亞秋等［2］在BP神經網絡模型的基礎上，運用擴展卡爾曼濾波方法，將識別精度提高至95%。Kumar等［3］基于支持向量機與貝葉斯濾波器構建了換道意圖識別模型；該模型平均可提前換道操作1.3 s識別出駕駛員換道意圖。楊殿閣等［4］以車身縱軸的最大橫擺轉角和最大轉向盤轉角為特征向量構建支持向量機駕駛模式分類器，對換道行為的識別準確率可達98%。以馬爾可夫模型等概率圖模型為基礎結合模糊控制與聚類方法已成為當前轉向行為識別研究的熱點。Ding等［5］用隱馬爾可夫模型描述汽車換道過程的同時應用模糊理論設計了用于評估變道環境復雜性的系數，并將之作為隱馬爾可夫模型的觀測量，有效反映了駕駛場景對換道決策的影響，提高了識別準確率。范菁等［6］將二次譜聚類方法與隱馬爾可夫模型相結合，用軌道曲率識別超車軌跡，用譜聚類算法和車輛側傾角相似度識別變道軌跡，實現了對駕駛員超車、變道和車道保持行為的識別，準確率達96%。Schlechtriemen等［7］應用隨機森林模型指定每種駕駛行為模式的可能性。邱小平等［8］對來自美國聯邦公路局的駕駛數據進行分段離散化，并利用動態貝葉斯網絡建立了車輛換道模型。每種駕駛行為均對應有典型的視覺搜索規律，可通過分析駕駛員眼部活動特征實現轉向行為的識別。Lethaus等［9］以駕駛員的注視特性為切入點，引入興趣區域概念，并分析了車道保持與換道過程中駕駛員注視特性的差異。孫純等［10］以駕駛員觀看后視鏡的注視情況來確定行為識別的時窗，將注視區域劃分為7部分，并對注視點進行了統計分析，最后結合隱馬爾可夫模型，對駕駛員的換道行為進行了有效識別，精度可達96%。

轉向駕駛行為可分為正常轉向與緊急工況下的避撞轉向。目前國內外在轉向駕駛行為識別方面的研究主要集中于跟車與換道等正常駕駛工況，對緊急避撞工況下的駕駛員轉向行為研究較少。在緊急避撞駕駛時，由于反應時間短且駕駛員處于緊張狀態下，駕駛員行為隨機性與模糊性增大［11］，傳統面向正常駕駛工況的駕駛員行為識別算法不再適用于緊急避撞轉向的識別［12］；郭璘等［13］利用 K均值（K-means）聚類算法分析實際交通事故數據，得出駕駛員避撞轉向行為特征與城市道路中交通事故發生有較大相關性。準確識別出駕駛員緊急避撞轉向行為，進而施加合適的避撞轉向輔助可提高行車安全性。因此，有必要結合駕駛員在避撞工況下的行為特征進行避撞轉向行為的識別。

本文中搭建了駕駛模擬器，并挑選不同性別、不同年齡和駕齡的志愿者進行了正常轉向與緊急避撞轉向兩種工況的試驗。通過對比駕駛員正常轉向與緊急避撞轉向的行為數據，首先定性分析了緊急避撞工況下駕駛員的轉向行為特征。之后，通過相關性分析定量確定了能表征緊急避撞轉向工況的駕駛員行為因子，并通過改進K均值（K-means＋＋）聚類算法實現了對緊急避撞轉向工況的識別。最后，通過實車試驗驗證了所提出的避撞轉向行為聚類與識別方法的有效性。

1 緊急避撞轉向行為分析

對駕駛員緊急避撞轉向進行識別，首先須要分析緊急避撞轉向行為的特征。為此須獲取駕駛員在正常駕駛與緊急避撞工況下的轉向行為數據，進而通過分析兩種轉向行為的差異，得出緊急避撞轉向行為的特征。

1.1 駕駛轉向行為數據獲取

緊急避撞駕駛工況存在較大危險性，通過實車試驗獲取駕駛員的緊急轉向行為數據，不僅成本高，且具有較大危險性。鑒于駕駛模擬器已被應用于緊急避撞研究與駕駛員行為分析，本文中通過駕駛模擬器獲取駕駛轉向行為數據。

1.1.1 駕駛模擬器搭建

為獲取與真實駕駛工況相符合的駕駛員行為數據，駕駛模擬器應包含真實轉向與制動系統以模擬對實際車輛的操縱，同時還須具備基于車輛動力學模型的實時視景顯示。

根據上述要求，搭建了具有實時視景系統和真實轉向、制動系統的硬件在環駕駛模擬器，其組成結構如圖1所示，實物照片如圖2所示。該駕駛模擬器集成了EPS轉向系統、ESP制動系統、整車動力學模型和駕駛場景。整車動力學模型與控制算法分別通過CarSim與Simulink創建并下載至dSPACE公司的MicroAutobox快速原型控制器中進行集成。在CarSim中定義道路環境和其他行駛車輛信息構成駕駛場景，并通過將CarSim實時動畫以駕駛員視角輸出獲得實時視景。所搭建的駕駛模擬器集成了整車與道路模型，通過實時視景交互系統和轉向、制動系統硬件在環模擬真實駕駛環境，用于正常和危險工況下駕駛行為的采集。

圖1 駕駛模擬器結構

圖2 駕駛模擬器實物照片

1.1.2 試驗工況設定

在駕駛模擬器上進行駕駛員在環的模擬駕駛試驗。選取不同性別、年齡與駕齡的10名駕駛員作為受試者，其情況如表1所示。設置定轉彎半徑轉向、換道轉向、對固定障礙物的緊急避撞換道和交叉路口緊急避撞轉向4種試驗工況，分述如下。

（1）定轉彎半徑試驗

在駕駛模擬器中建立開闊路段場景，所駕駛車輛車速恒定，設定為30、50和70 km／h。駕駛員操縱車輛以固定的轉彎直徑做圓周運動。保存駕駛員穩定行駛樣本。

（2）換道轉向試驗

在駕駛模擬器中建立雙車道場景，車道寬3.5 m，無其它道路車輛。所駕駛車輛初速度設定為30、50和70 km／h，駕駛員根據車輛可控的主觀感覺進行轉向換道。保存駕駛員成功換道樣本。

（3）固定障礙物緊急避撞換道試驗

在駕駛模擬器中建立雙車道場景，車道寬3.5 m，并在所駕駛車輛同車道前方設置一靜止車輛作為障礙物。試驗時駕駛員注意力集中并盡可能晚地進行緊急轉向操作駛入左側鄰近車道以避免發生碰撞。保存駕駛員成功避撞樣本。

（4）交叉路口緊急避撞轉向

在駕駛模擬器中建立交叉路口場景，所駕駛車輛初速度為80 km／h，另一輛車從前方交叉路口中突然沖出，駕駛員由于建筑物遮擋無法提前看到沖出車輛。試驗時，駕駛員發現駛入車輛后盡可能快地操縱車輛進行轉向，避免與之發生碰撞。保存駕駛員成功避撞樣本。

表1 模擬駕駛試驗人員情況

1.2 駕駛員轉向行為分析

設定試驗工況后，試驗者在駕駛模擬器上進行了模擬駕駛。所紀錄的駕駛行為包括車速、轉向盤轉角、轉向盤轉速與橫向加速度。轉向盤轉角可直觀反映駕駛員對轉向盤的操作，選取轉向盤轉角定性分析緊急避撞轉向與正常轉向的差異，4種工況下駕駛員的轉向盤轉角如圖3～圖6所示。

圖3 定轉彎半徑行駛轉向盤轉角

圖4 換道轉向行駛轉向盤轉角

圖5 固定障礙物緊急避撞轉向

圖3 和圖4分別為5名駕駛員在不同車速下進行正常轉向時其轉向盤轉角變化。由圖可見，進行正常轉向時，同一車速下各駕駛員的轉向盤轉角差異不明顯；圖5和圖6分別為參與試驗的10名駕駛員進行緊急避撞轉向時其各自的轉向盤轉角變化。由圖可見，進行緊急轉向時，即使初始車速相同，不同駕駛員的轉向盤轉角仍有較大差異。而且，緊急避撞轉向與正常轉向時駕駛員對轉向盤的操作有較大差異。與正常轉向相比，緊急避撞轉向時駕駛員對轉向盤的操作頻率加快，幅度增大且波形出現震蕩。這是由于在緊急避撞轉向時駕駛員反應時間短，且本身處于緊張狀態，無法根據正常駕駛經驗進行轉向操作。故可以駕駛員行為特征區分正常轉向與緊急避撞轉向。

圖6 交叉路口緊急避撞轉向

2 緊急避撞轉向行為聚類分析

由上所述，可通過轉向行為特征區分正常轉向與緊急避撞轉向，對轉向行為數據進行聚類分析，建立轉向行為聚類空間，從而將緊急避撞轉向行為從轉向行為中區分出來。

2.1 轉向駕駛行為相關性分析

進行聚類前，首先對模擬駕駛試驗所獲取的轉向行為數據進行相關性分析，以得到其中與緊急避撞轉向最相關的變量，并以此作為聚類的特征參數。

常用的相關性分析方法包括圖表法、協方差法、相關系數法、回歸法和信息熵法。其中相關系數法能表征變量之間的相關程度，常用的相關系數有標準差、皮爾遜（Pearson）相關系數、肯德爾（Kendall）相關系數和斯伯曼（spearman）相關系數等。Pearson方法適于計算等級相關性，可進行連續數據的相關分析。

Pearson相關系數定義為

式中：cov（X，Y）指隨機變量 X與 Y的協方差；σX與σY分別為X與Y的標準差。ρXY越接近于1，表明兩變量的相關性越大。

正常轉向和緊急避撞轉向兩種工況下，分別采集30、40、60、80、100和 120 km／h車速時駕駛員轉向行為數據，包括轉向盤轉角、轉向盤轉速與橫向加速度。基于式（1），計算轉向行為數據兩兩間Pearson相關系數，結果如表2所示。

表2 轉向行為相關性分析

從表2可以看出，工況與轉向盤轉速相關性最高，皮爾遜相關系數達到了0.956，表明在緊急避撞工況下駕駛員轉向盤轉速較正常轉向有較大的差異，因此可以對駕駛員的轉向盤轉速進行聚類分析，以識別緊急避撞轉向工況。另根據相關性系數計算結果，轉向盤轉角與轉向盤轉速、橫向加速度都有較大相關性，這符合實際轉向行為，也說明了本相關性分析的有效性。

2.2 轉向行為聚類分析

由上面分析可知，轉向盤轉速可表征緊急避撞轉向行為的參數。下面以轉向盤轉速作為聚類特征參數，通過選取合適的聚類算法，對轉向行為進行聚類。

聚類可分為劃分聚類、層次聚類、模糊聚類與密度聚類等，文中研究的目的是利用聚類算法將正常轉向與緊急避撞轉向劃分開，因此屬于劃分聚類。常見的劃分聚類算法有K-means算法、K中心點算法與Clarans算法等，K-means聚類算法作為經典的劃分聚類方法，原理簡單、容易實現，且具有出色的速度和良好的可擴展性。雖然聚類個數K較難確定，但由于所研究問題的聚類類別很明確，即為正常轉向與緊急避撞轉向兩類，因此采用K-means算法切實可行。K-means聚類方法應用迭代的思想，不斷移動聚類中心直至聚類誤差函數收斂或達到最大迭代步數，其步驟如下。

（1）任意選擇k個樣本作為初始的k個聚類中心 ci（1≤i≤k）。

（2）針對數據中每個樣本，分別計算它到k個聚類中心的距離（本文中距離度量采用歐氏距離），并分到與其距離最近的聚類中心所屬的類，遍歷整個樣本空間后得到k個簇。

（3）對于每一個簇，取簇內樣本的均值向量作為新的中心點，計算各簇的聚類中心：

式中：μi為各簇更新的質心；｜ci｜為簇中樣本個數；簇中樣本向量各維度的和。

（4）重復步驟（2）和步驟（3）直至平方誤差函數收斂或達到最大步數，平方誤差函數為

上述K-means算法初始的聚類中心隨機選取，若選取不當對最終的聚類結果有較大影響，在K-means的基礎上，K-means＋＋算法對其進行了優化，基于初始的聚類中心之間的相互距離盡可能遠的原則選取初始聚類中心，這樣可以避免出現初始聚類中心選擇錯誤的問題，其步驟如下。

（1）隨機選擇一個樣本點作為第一個初始化聚類中心。

（2）計算每一個樣本與聚類中心的距離，選擇距離最大的樣本作為新的聚類中心。

（3）重復步驟（2）直至k個聚類中心都被確定。

（4）對經過初始化的聚類中心，采用K-means算法計算最終的聚類中心。

采用上述K-means＋＋方法，對駕駛模擬器上所采集的轉向數據進行聚類，將其聚類為正常換道轉向行為與緊急避撞轉向行為兩類，最終的聚類結果如圖7所示，最終聚類中心如表3所示。為驗證聚類的準確性，在駕駛模擬器上采集60組轉向行為數據作為驗證樣本，計算每個驗證樣本的轉向盤轉速與上述兩個聚類中心距離，并分到距離近的一類中。結果如圖8所示，僅兩個樣本分類錯誤，正確率為96.7%。上述結果表明，可使用該聚類方法確定的聚類中心作為區分緊急避撞轉向行為與正常轉向行為的依據。

圖7 駕駛員轉向行為聚類結果

表3 轉向行為聚類中心

圖8 聚類分析驗證結果

3 實車試驗驗證

對緊急避撞轉向行為的聚類分析與識別基于駕駛模擬器的駕駛員轉向行為數據，為驗證其對實際轉向駕駛行為的有效性，進行了實車試驗。由于緊急避撞轉向具有一定危險性，僅通過實車采集正常轉向工況下的駕駛員行為數據。實車試驗后，通過駕駛模擬器采集緊急避撞轉向工況下的駕駛員行為數據，與實車采集的正常轉向行為數據一同構成驗證樣本。

在試驗車上加裝轉向盤傳感器以獲取轉向盤的轉角與轉速信息，如圖9和圖10所示。實車試驗工況如表4所示，包括低速過彎行駛、高速過彎行駛、低速換道行駛和高速換道行駛，每種試驗工況進行5次試驗，得到20組實際駕駛正常轉向行為樣本。

圖9 試驗車照片

圖10 試驗車轉向盤傳感器

表4 實車試驗工況

實車試驗得出的正常轉向行為數據與駕駛模擬器得出的緊急避撞轉向行為數據共同構成驗證樣本，包括20組正常轉向行為與20組緊急避撞轉向行為。用K-means＋＋聚類算法對驗證樣本中的緊急避撞轉向工況進行識別，結果如圖11所示，其中圓形代表正常駕駛轉向數據，可見其均落在上節中確定的正常轉向行為類別，而菱形代表的緊急避撞轉向數據均落在緊急避撞轉向類別，實車試驗結果再次表明了文中所提出的轉向行為聚類與識別方法的可靠性。

圖11 實車驗證結果

4 結論

（1）通過駕駛模擬器獲取駕駛員緊急避撞轉向行為數據，通過與正常轉向行為對比，定性分析了緊急避撞轉向與正常轉向行為的特征差異；通過皮爾遜相關系數法定量計算得出了轉向盤轉速與緊急避撞轉向最相關。

（2）以轉向盤轉速為聚類特征參數，基于K-means＋＋算法對轉向行為進行了聚類分析，得出正常轉向與緊急避撞轉向的聚類中心點，實現了緊急避撞轉向行為與正常轉向行為的有效區分。

（3）實車試驗驗證結果表明，所提出的基于轉向盤轉速的 K-means＋＋聚類方法聚類精度可達96.7%，能夠實現緊急避撞轉向行為的有效識別。