考慮駕駛員特性的車道偏離動(dòng)態(tài)預(yù)警模型

屈賢，謝軍，李震

（重慶工程職業(yè)技術(shù)學(xué)院 智能制造與交通學(xué)院，重慶402260）

車道偏離預(yù)警系統(tǒng)（lane departure warning system，LDWS）通過機(jī)器視覺或道路模型等識(shí)別行駛車輛的位置，一旦檢測(cè)出車輛有偏離車道線的傾向，系統(tǒng)立馬預(yù)警［1］。研究表明［2］，LDWS至少可以降低1/4 的車道偏離事故。車道偏離預(yù)警算法是影響車道偏離預(yù)警準(zhǔn)確性的關(guān)鍵因素。因此，研究車道偏離預(yù)警算法對(duì)提高預(yù)警系統(tǒng)準(zhǔn)確性具有重要的指導(dǎo)意義。目前國(guó)內(nèi)外很多學(xué)者針對(duì)車道偏離預(yù)警算法進(jìn)行了研究，并且取得了豐碩的研究成果，主要包括道路模型和圖像信息方法［3］及基于機(jī)器視覺的圖像信息處理方法。道路模型方法主要有基于路邊振動(dòng)帶的決策模型、基于車輛偏離時(shí)間（time to lane crossing，TLC）的決策模型［4］、基于車輛當(dāng)前位置的決策模型、基于未來偏離距離的決策模型［5］、基于車輛橫向位置的決策模型等。基于TLC的決策模型是最常用的算法之一，車輛從當(dāng)前位置行駛至車道邊界線時(shí)的時(shí)間小于設(shè)定值時(shí)，系統(tǒng)會(huì)發(fā)出報(bào)警。該方法一般假設(shè)車輛行駛狀態(tài)在預(yù)測(cè)的時(shí)間內(nèi)保持不變，較少考慮駕駛員特性，且預(yù)警閾值多選擇固定閾值。針對(duì)現(xiàn)有TLC 預(yù)警算法的不足，在考慮駕駛員特性的基礎(chǔ)上，基于模糊推理規(guī)則提出動(dòng)態(tài)TLC預(yù)警模型，提高車道偏離預(yù)警的準(zhǔn)確性和自適應(yīng)性。

1 車道偏離動(dòng)態(tài)預(yù)警系統(tǒng)設(shè)計(jì)

車道偏離受駕駛員、車輛、道路等綜合因素的影響。為使車道偏離預(yù)警系統(tǒng)及時(shí)響應(yīng)，降低漏警率和誤警率，提出考慮駕駛員特性的車道偏離預(yù)警模型，如圖1 所示。根據(jù)車輛行駛狀態(tài)、駕駛員類型等參數(shù)，基于模糊控制算法獲取動(dòng)態(tài)的車道偏離預(yù)警開啟閾值t，與基于時(shí)間的偏離決策算法得到的TLC對(duì)比分析，若TLC小于t，則系統(tǒng)開啟預(yù)警參考意見。同時(shí)，預(yù)警系統(tǒng)通過采集轉(zhuǎn)向信號(hào)燈和方向盤信號(hào)燈信息，對(duì)駕駛員的駕駛意圖進(jìn)行判別。若駕駛員為無意識(shí)偏離，預(yù)警系統(tǒng)立即開啟，發(fā)出警報(bào)，否則系統(tǒng)關(guān)閉。

圖1 考慮駕駛員特性的車道偏離預(yù)警模型

2 駕駛員意圖識(shí)別模型

車輛預(yù)警系統(tǒng)是否開啟取決于駕駛員的駕駛行為，若駕駛員為有意識(shí)換道，則系統(tǒng)預(yù)警關(guān)閉，否則系統(tǒng)進(jìn)行預(yù)警。轉(zhuǎn)向燈開關(guān)信號(hào)是駕駛員是否有意識(shí)換道的重要判斷依據(jù)，若某一側(cè)轉(zhuǎn)向燈開啟，則認(rèn)為駕駛員行為是有意識(shí)換道，系統(tǒng)預(yù)警不開啟。單一的評(píng)判標(biāo)準(zhǔn)使人機(jī)協(xié)調(diào)問題較突出。因此在轉(zhuǎn)向燈開關(guān)信號(hào)基礎(chǔ)上，增加方向盤轉(zhuǎn)矩作為駕駛員意圖的判別依據(jù)。當(dāng)方向盤轉(zhuǎn)矩T小于1 N·m 時(shí)，認(rèn)為駕駛員處于無意識(shí)操控車輛，反之則表示駕駛員為有意識(shí)操縱車輛［6］。駕駛員意圖識(shí)別模型如圖2所示。

圖2 駕駛員意圖識(shí)別模型

3 車道偏離動(dòng)態(tài)預(yù)警模型

3.1 基于時(shí)間的車道偏離決策

假設(shè)車輛行駛在直線道路，其前輪轉(zhuǎn)角為0°，且在一段時(shí)間內(nèi)車輛運(yùn)行狀態(tài)保持不變，近似為直線［7］。由于我國(guó)的交通規(guī)則為靠右行駛，故一般情況下我國(guó)車輛在行駛過程中向右偏離道路的情況較為常見。因此主要以車輛向右偏離為例來研究不同情況下車輛偏離時(shí)間的計(jì)算模型，如圖3 所示，點(diǎn)O為車輛質(zhì)心，點(diǎn)A為車輛右前輪位置，點(diǎn)B為預(yù)設(shè)的車輛跨越車道線的位置，D為車道線之間的寬度，L為車輛質(zhì)心到車道中心線的距離，θ為車輛相對(duì)航向角，vy為車輛行駛速度。

圖3 車道偏離模型

假設(shè)車輛在偏離過程中航向角θ始終保持不變，車輛右前輪距道路右邊界的垂直距離為y，根據(jù)三角形幾何關(guān)系可得車輛偏離到右車道線行駛的距離lAB為

若TLC小于設(shè)定的t時(shí)，車輛即將發(fā)生車道偏離。系統(tǒng)根據(jù)車輛行駛狀態(tài)識(shí)別駕駛員的駕駛意圖，若駕駛行為為無意識(shí)偏離，系統(tǒng)會(huì)發(fā)出預(yù)警。由式（3）可得，基于TLC的偏離預(yù)警算法為

3.2 考慮駕駛員特性的TLC閾值確定

TLC閾值是影響系統(tǒng)報(bào)警準(zhǔn)確率的重要因素。車輛行駛安全性受人、車、路、環(huán)境等因素的綜合影響，由于不同類型駕駛員的駕駛習(xí)慣不同，即使同一駕駛員在不同車道上，t也會(huì)不同［8］。采用傳統(tǒng)的固定閾值，會(huì)導(dǎo)致系統(tǒng)的虛警率和誤警率提升。綜合考慮駕駛員駕駛特性和預(yù)警系統(tǒng)的時(shí)變性、非線性，基于模糊控制原理提出了考慮駕駛員駕駛特性的動(dòng)態(tài)TLC閾值確定方法。

駕駛員類型分為激進(jìn)型、一般型和謹(jǐn)慎型。激進(jìn)型駕駛員往往習(xí)慣靠近道路中心線行駛，謹(jǐn)慎型駕駛員的駕駛習(xí)慣傾向于在車道中心行駛，一般型駕駛員駕駛車輛較平穩(wěn)。車輛橫向偏差距離能較好地反映駕駛員的類型，因此采用車輛橫向位置差的大小來衡量駕駛員類型。綜合考慮影響車輛橫向運(yùn)動(dòng)的因素，選擇車輛偏離速度vy、橫向偏差l作為模糊控制系統(tǒng)的輸入，t作為輸出構(gòu)建模糊控制器。其中vy的論域設(shè)定為0～1.5 m·s?1；考慮到車道寬度和車輛輪距，l的論域設(shè)定為0～0.9 m；t的論域?yàn)?.7～2.5 s［9］。考慮駕駛員特性的TLC 閾值模糊控制器框圖，如圖4所示。

圖4 模糊控制器框圖

隸屬度函數(shù)是模糊控制的應(yīng)用基礎(chǔ)，構(gòu)造合適的隸屬度函數(shù)是建立模糊控制的關(guān)鍵。系統(tǒng)輸入模糊集為{S,M,L}，輸出模糊集為{S,ZS,M,ML,L}，其中S 表示小，ZS 表示中小，M 表示中，ML 表示中大，L表示大。輸入輸出隸屬度函數(shù)如圖5所示。

確認(rèn)輸入輸出論域及隸屬度函數(shù)后，根據(jù)專家知識(shí)來制定模糊推理規(guī)則，如表1所示。根據(jù)模糊規(guī)則可以得到輸入輸出值對(duì)應(yīng)關(guān)系，以一般型為例，如圖6所示。

圖5 輸入輸出隸屬度函數(shù)

表1 模糊推理規(guī)則

4 仿真結(jié)果分析

采用上海華育HYM-9型汽車駕駛模擬器開展駕駛試驗(yàn)。試驗(yàn)道路為兩車道，瀝青路面，附著系數(shù)為0.85，初始車速為30 km·h?1，天氣晴朗。試驗(yàn)車輛質(zhì)心距前輪距離為1.11 m，輪距為0.68 m，車輛的航向角為5°。選擇12名25～45歲，且具有2年以上駕駛經(jīng)驗(yàn)的駕駛員，1～4為激進(jìn)型駕駛員，5～8為一般型駕駛員，9～12為謹(jǐn)慎型駕駛員，都熟練模擬駕駛系統(tǒng)和響應(yīng)的規(guī)則。

試驗(yàn)分別在駕駛員有意識(shí)駕駛和無意識(shí)駕駛2種狀態(tài)下進(jìn)行。有意識(shí)駕駛時(shí)，設(shè)定駕駛員在轉(zhuǎn)向或換道時(shí)，開啟轉(zhuǎn)向燈，方向盤扭矩大于1 N·m。無意識(shí)駕駛時(shí)，設(shè)定駕駛員在轉(zhuǎn)向或換道時(shí)，未開啟轉(zhuǎn)向燈，方向盤扭矩小于1 N·m。試驗(yàn)時(shí)，分別對(duì)固定TLC 閾值的預(yù)警模型及考慮駕駛員特性的動(dòng)態(tài)TLC閾值的預(yù)警模型進(jìn)行50次測(cè)試試驗(yàn)。對(duì)數(shù)據(jù)統(tǒng)計(jì)分析，虛警數(shù)如表2所示。預(yù)警準(zhǔn)確率結(jié)果如圖7所示，平均準(zhǔn)確率對(duì)比如表3所示。

綜合表2～3 和圖7 可知，無論是對(duì)于有意識(shí)駕駛車輛還是無意識(shí)駕駛車輛，文中提出的動(dòng)態(tài)TLC預(yù)警模型較定值TLC 預(yù)警模型，虛警次數(shù)較少，預(yù)警準(zhǔn)確率較高，達(dá)到93%以上。針對(duì)激進(jìn)型、一般型、謹(jǐn)慎型駕駛員，動(dòng)態(tài)TLC 車道偏離預(yù)警模型均可準(zhǔn)確預(yù)警。其中，有意識(shí)操作車輛時(shí)，謹(jǐn)慎型駕駛員的車道偏離預(yù)警平均準(zhǔn)確率最高，達(dá)97%；無意識(shí)操作車輛時(shí)，一般型駕駛員的車道偏離預(yù)警平均準(zhǔn)確率最低，達(dá)93%。

表2 車道偏離虛警次數(shù)對(duì)比 s

圖7 車道偏離預(yù)警準(zhǔn)確率對(duì)比

表3 車道偏離預(yù)警平均準(zhǔn)確率對(duì)比

5 結(jié)論

文中綜合考慮駕駛員的駕駛特點(diǎn)、車輛運(yùn)行狀態(tài)及趨勢(shì)，基于模糊推理動(dòng)態(tài)確定動(dòng)態(tài)TLC 閾值，提出了考慮駕駛員特性的車道偏離動(dòng)態(tài)預(yù)警模型。車道偏離動(dòng)態(tài)預(yù)警模型可針對(duì)激進(jìn)型、一般型、謹(jǐn)慎型3 種典型的駕駛員類型，動(dòng)態(tài)確定預(yù)警閾值，在有意識(shí)操作和無意識(shí)操作狀況下，均可較準(zhǔn)確地判斷車道偏離，自適應(yīng)性較好。