基于主客觀融合的駕駛風(fēng)格辨識方法研究

【摘要】針對駕駛風(fēng)格辨識問題，提出了一種基于主客觀融合的分類辨識方法。首先，構(gòu)建駕駛風(fēng)格主觀量表，并映射形成主觀風(fēng)格因子；其次，構(gòu)建數(shù)據(jù)采集系統(tǒng)獲取自然駕駛數(shù)據(jù)，并對跟馳及換道行為場景進(jìn)行挖掘；然后，提取行為關(guān)鍵特征與主觀風(fēng)格因子共同構(gòu)成駕駛風(fēng)格主客觀融合辨識體系，基于主成分分析（PCA）及K均值方法對樣本集進(jìn)行降維及無監(jiān)督聚類，并對聚類結(jié)果進(jìn)行驗證；最后，引入帶有物理意義的具體特征參數(shù)的分布情況對激進(jìn)型、中庸型及保守型駕駛風(fēng)格進(jìn)行辨識。結(jié)果表明，主觀風(fēng)格因子與客觀行為特征參數(shù)的分布一致性較好，該融合方法可對駕駛風(fēng)格進(jìn)行有效辨識。

關(guān)鍵詞：駕駛風(fēng)格 主觀風(fēng)格因子 自然駕駛數(shù)據(jù) 行為關(guān)鍵特征 主客觀融合

中圖分類號：U467.1" 文獻(xiàn)標(biāo)志碼：A" "DOI： 10.20104/j.cnki.1674-6546.20240127

Research on Driving Style Identification Method Based on Fusion

of Subjective and Objective

Zhang Hui Zhou Jingyan Fu Huitong Xing Zhichao

（1. CATARC （Tianjin） Automotive Engineering Research Institute Co.， Ltd.， Tianjin 300300; 2. China Intelligent and Connected Vehicles （Beijing） Research Institute Co.， Ltd.， Beijing 100176）

【Abstract】For the issue of driving style identification， this paper proposes a method based on subjective and objective fusion. Firstly， the subjective style scale is developed and transformed into subjective factors. Secondly， a data acquisition system is implemented to gather the natural driving data and the basic behavior scenarios of car following and lane changing are mined. Thirdly， the fusion of subjective and objective identification system of driving style is constructed by extracting the key behavioral characteristics and subjective factors. Based on Principal Component Analysis （PCA） and K-means methods， the sample set is processed and the clustering results are verified. Finally， specific characteristics with physical significance are introduced to identify radical， moderate and conservative driving styles. The results reveal a strong correlation between the distribution of subjective style factors and objective behavioral characteristics， and the fusion method can be used to identify driving style effectively.

Key words： Driving style， Subjective factor， Natural driving data， Key behavioral characteristic， Fusion of subjective and objective

【引用格式】 張慧， 周景巖， 付會通， 等. 基于主客觀融合的駕駛風(fēng)格辨識方法研究[J]. 汽車工程師， 2024（11）： 13-19.

ZHANG H， ZHOU J Y， FU H T， et al. Research on Driving Style Identification Method Based on Fusion of Subjective and Objective[J]. Automotive Engineer， 2024（11）： 13-19.

1 前言

駕駛風(fēng)格反映駕駛員的習(xí)慣性駕駛方式，是隨駕駛經(jīng)驗累積形成的。駕駛風(fēng)格能夠作用于全駕駛周期，影響駕駛員在各類工況下的駕駛行為。研究駕駛風(fēng)格能夠有效改善駕駛員習(xí)慣，給出針對性建議。同時，駕駛風(fēng)格準(zhǔn)確辨識也能夠識別及預(yù)測各類工況下駕駛員的駕駛意圖，促進(jìn)異質(zhì)交通流中車-車良性交互，對于提高交通流整體通過性及安全性具有重要意義。

目前，針對駕駛風(fēng)格辨識的研究主要包括客觀數(shù)據(jù)辨識和主觀量表評價兩種方式。客觀數(shù)據(jù)辨識方法以采集實車[1-3]及駕駛模擬器[4-5]中駕駛風(fēng)格關(guān)聯(lián)數(shù)據(jù)為主，基于各類降維及聚類方法對數(shù)據(jù)進(jìn)行分析，并用于指導(dǎo)駕駛風(fēng)格分類辨識模型搭建。李經(jīng)緯等[6]采集公交車行駛數(shù)據(jù)，基于車速、加速度及沖擊度指標(biāo)構(gòu)建了駕駛風(fēng)格辨識體系。劉迪等[7]采集自然駕駛數(shù)據(jù)并獲取常規(guī)工況、超速及極端工況特征參數(shù)，采用K均值對駕駛風(fēng)格進(jìn)行了聚類辨識。吳兵等[8]采集自然駕駛數(shù)據(jù)并對跟馳行為進(jìn)行場景挖掘，提取了跟馳關(guān)聯(lián)特征并對駕駛風(fēng)格進(jìn)行分類辨識。

主觀量表評價以各類不同維度駕駛量表或問卷為主，通過量表反饋信息對駕駛風(fēng)格進(jìn)行多維度分類，常用的問卷量表包括駕駛?cè)诵袨閱柧恚―river Behavior Questionnaire，DBQ）、駕駛?cè)孙L(fēng)格問卷（Driver Style Questionnaire，DSQ）、多維度駕駛風(fēng)格量表（Multidimensional Driving Style Inventory，MDSI）等。黃晶等[9]參考MDSI和DBQ制定風(fēng)格量表，采用主成分分析（Principal Component Analysis，PCA）及K均值聚類將被測駕駛員分為激進(jìn)型、普通型和謹(jǐn)慎型。華翎森[10]基于MDSI結(jié)合人格特質(zhì)量表對年輕駕駛員進(jìn)行了風(fēng)格辨識及性格量化評估。

主觀量表評價高度依賴駕駛員自我評價結(jié)果，對量表信效度及填寫質(zhì)量要求較高。客觀數(shù)據(jù)辨識由于針對每位駕駛員的數(shù)據(jù)量較少、隨機(jī)性強(qiáng)，無法真實全面地表征駕駛風(fēng)格。針對以上問題，本文首先以各類成熟量表為依據(jù)，通過相關(guān)性分析將量表內(nèi)容映射為主觀風(fēng)格因子，然后以采集到的駕駛員自然駕駛數(shù)據(jù)中跟馳及換道行為數(shù)據(jù)為基準(zhǔn)，提取客觀行為關(guān)鍵特征參數(shù)，并將主、客觀特征進(jìn)行歸一化去量綱處理，基于PCA及K均值方法進(jìn)行降維聚類，最終通過分析帶有物理意義的具體特征參數(shù)，對無監(jiān)督分類結(jié)果進(jìn)行標(biāo)定，實現(xiàn)駕駛風(fēng)格的有效辨識。

2 駕駛風(fēng)格主觀量表制定

按照常規(guī)分類方法，本文將駕駛風(fēng)格定義為保守型、中庸型及激進(jìn)型。通過駕駛風(fēng)格量表對駕駛員進(jìn)行主觀量化評估，基于MDSI、DBQ、DSQ等通用成熟量表，主觀篩選與考核維度相關(guān)的問題，同時引入一般決策風(fēng)格量表（General career Decision-Making Scale，GDMS）的部分題目保證量表考核維度的完整性。量表共20題，如表1所示。

基于李克特量表形式對問題選項進(jìn)行統(tǒng)一，每項子問題設(shè)置“非常符合”“比較符合”“一般符合”“不太符合”“不符合”5個選項，定義量化分?jǐn)?shù)分別為5分～1分，表征駕駛員對題目的認(rèn)同程度。

招募50名涵蓋不同年齡、職業(yè)及駕駛背景（駕齡、駕駛車型、常行駛路況等）的駕駛員填寫量表構(gòu)成分析樣本，采集量表打分?jǐn)?shù)據(jù)。對50名駕駛員主觀評價量表結(jié)果進(jìn)行相關(guān)性分析，引入皮爾遜相關(guān)系數(shù)（Pearson Correlation Coefficient），計算公式為：

基于相關(guān)性分析結(jié)論，結(jié)合強(qiáng)相關(guān)問題組的具體語義信息，可將問題組映射為主觀風(fēng)格因子，并作出以下定義：將3、4定義為擁堵心態(tài)因子；將5、6、8定義為小心駕駛因子；將7、10定義為高速刺激因子；將9、12、13、14、20定義為謹(jǐn)慎決策因子；將2、11、15、16定義為違規(guī)傾向因子。將上述5類因子作為駕駛風(fēng)格辨識主觀因子，用于后續(xù)與客觀因子共同作為駕駛員風(fēng)格辨識的參考。由于在制作量表時未對各題目進(jìn)行優(yōu)先級劃分，可認(rèn)為每道題目的權(quán)重相同，為平衡不同主觀風(fēng)格因子關(guān)聯(lián)題目數(shù)量不同造成的影響，取每類駕駛因子對應(yīng)關(guān)聯(lián)題目得分的平均值為其特征值。

3 駕駛行為關(guān)鍵特征獲取

3.1 駕駛行為數(shù)據(jù)采集系統(tǒng)搭建

搭建駕駛行為數(shù)據(jù)采集系統(tǒng)，以某型乘用車為試驗車輛，配裝功能攝像頭、毫米波雷達(dá)、駕駛員監(jiān)控系統(tǒng)（Driver Monitor System，DMS）攝像頭、激光雷達(dá)、高清攝像頭。其中：功能攝像頭采集試驗車前、后向與側(cè)向目標(biāo)物、交通標(biāo)志及車道線信息；毫米波雷達(dá)、激光雷達(dá)與功能攝像頭進(jìn)行目標(biāo)級融合獲取目標(biāo)物信息；DMS攝像頭采集駕駛員狀態(tài)信息；高清攝像頭采集各向高清視頻。

裝備多接口高性能工控機(jī)實時記錄各類文本和視頻數(shù)據(jù)，同時為實現(xiàn)大容量存儲，在車端部署網(wǎng)絡(luò)附屬存儲（Network Attached Storage，NAS）設(shè)備，NAS設(shè)備基于高速網(wǎng)口與工控機(jī)進(jìn)行數(shù)據(jù)交互。配置逆變器和穩(wěn)壓電源為工控機(jī)、NAS設(shè)備及各類傳感器供電。整套系統(tǒng)如圖1所示。

為保證行為一致性，設(shè)定行駛路線以高速公路及城市快速路等結(jié)構(gòu)化道路為主，包含榮烏、京滬、京哈、長深等主干道高速公路。

對采集的多源異構(gòu)駕駛數(shù)據(jù)進(jìn)行預(yù)處理，基于插值方法對各類傳感器采集的數(shù)據(jù)進(jìn)行時間戳同步。完成同步同頻后進(jìn)行數(shù)據(jù)清洗，包括缺失點補(bǔ)充、異點去除、空值填補(bǔ)及各類信號濾波。通過同步及數(shù)據(jù)清洗形成預(yù)處理數(shù)據(jù)。

3.2 跟馳行為挖掘

為量化辨識駕駛員風(fēng)格，需對其常規(guī)駕駛行為進(jìn)行特征提取分析，已知跟馳及換道作為兩類最基本的駕駛行為，其關(guān)鍵特征能夠表征駕駛員的駕駛風(fēng)格，故對兩類基本駕駛行為進(jìn)行場景挖掘。

對預(yù)處理數(shù)據(jù)進(jìn)行跟馳行為提取，首先對自車運動狀態(tài)進(jìn)行約束。自車位置約束確保自車始終在兩車道線內(nèi)不發(fā)生變道，自車速度約束確保自車始終保持移動，可得約束條件為：

3.3 換道行為挖掘

對預(yù)處理后的數(shù)據(jù)進(jìn)行換道行為提取挖掘，首先對換道場景跨線時刻進(jìn)行識別，以置信度較大一側(cè)車道線為基準(zhǔn)，獲取自車與該側(cè)車道線的距離，如圖3所示。

由圖3可知，換道跨線點處距離會發(fā)生突變，同時為篩除車道線缺失引起的突變情況，添加自車橫擺角速度約束，定義聯(lián)合約束條件為：

定義換道場景起止點，對距離進(jìn)行求導(dǎo)獲取偏移車道線的速度，如圖4所示。以跨線時刻為基準(zhǔn)，分別向前、向后尋找最近相鄰的偏移速度零點，并分別將2個零點定義為換道行為的起點和終點。

按照行為場景所定義的跨線時刻及換道起始點對換道行為場景進(jìn)行編程提取，針對不同駕駛員對所有提取片段進(jìn)行區(qū)分標(biāo)注。

4 主客觀特征融合聚類

4.1 行為關(guān)鍵特征定義

考慮跟馳為縱向運動，關(guān)鍵運動學(xué)特征為自車縱向速度、與目標(biāo)前車相對縱向速度及相對縱向距離。通過數(shù)理統(tǒng)計方法，添加針對每位駕駛員的平均跟馳時長指標(biāo)，最終選取跟馳關(guān)鍵特征如表3所示。

考慮換道為橫、縱向耦合運動，需綜合考慮自車橫、縱向運動特征參數(shù)，包含換道過程中的橫、縱向速度，橫、縱向加速度及橫、縱向行駛距離。添加百公里換道次數(shù)的統(tǒng)計值，選取的主要特征參數(shù)如表4所示。

4.2 主客觀融合聚類

將主觀風(fēng)格因子與提取的客觀關(guān)鍵特征參數(shù)進(jìn)行融合，共獲取15維參數(shù)，為消除量綱影響，對數(shù)據(jù)進(jìn)行歸一化處理。針對特征種類繁多、部分參數(shù)相關(guān)性強(qiáng)等問題，對所提取的特征參數(shù)進(jìn)行降維處理。為實現(xiàn)快速降維，使用PCA方法，PCA基于特征值分解將相關(guān)性高的變量轉(zhuǎn)化為獨立不相關(guān)變量，屬無監(jiān)督學(xué)習(xí)算法。

針對多維參數(shù)，引入矩陣協(xié)方差表達(dá)特征間相關(guān)性，可得多維優(yōu)化目標(biāo)為：將15維特征降至k維，選擇k個模為1的正交基，使原始數(shù)組映射至該組基后新生成特征間協(xié)方差為0，樣本內(nèi)方差最大。已知協(xié)方差矩陣C的表達(dá)式為：

按照Λ對應(yīng)特征值從大到小自上而下排列，每個特征值稱為原始樣本的主成分。選取前k個最大特征值對應(yīng)的特征向量，使得主成分累計貢獻(xiàn)率滿足要求，實現(xiàn)特征降維。編寫PCA降維程序并將所提取的全部特征輸入模型，定義目標(biāo)貢獻(xiàn)率為90%。計算得到前5個主成分貢獻(xiàn)率累加結(jié)果超過90%，故最終提取前5維參數(shù)，降維碎石圖如圖5所示。

由于本文樣本無先驗風(fēng)格化標(biāo)簽，故基于無監(jiān)督學(xué)習(xí)聚類進(jìn)行風(fēng)格分類。考慮通用性，選擇K均值方法。本文使用的評價準(zhǔn)則函數(shù)為：

針對降維后樣本集進(jìn)行均值聚類，設(shè)置初始迭代中心并觀測迭代記錄，最終實現(xiàn)聚類收斂，聚類結(jié)果如表5所示。

為評估聚類結(jié)果，引入聚類評價度量指標(biāo)。以類內(nèi)距離最小及類間距離最大為目標(biāo)，已知本樣本集無成熟外部標(biāo)注，故選擇內(nèi)部度量方法，以輪廓系數(shù)作為評價指標(biāo)，其計算公式為：

輪廓系數(shù)Si的取值范圍為[-1，1]，值越大表征聚類結(jié)果越合理，值為負(fù)數(shù)表明聚類結(jié)果不合理，計算得各樣本輪廓系數(shù)如圖6所示。

計算可得整體輪廓系數(shù)為0.467，且全部樣本中輪廓系數(shù)為負(fù)值的僅有1項，聚類結(jié)果較為準(zhǔn)確。

5 聚類結(jié)果綜合分析

為辨識無監(jiān)督聚類結(jié)果所對應(yīng)的駕駛風(fēng)格，繪制針對不同類別具備物理意義的典型特征統(tǒng)計分布情況，結(jié)果如圖7所示。

觀察各特征統(tǒng)計分布情況可得，類別1駕駛員百公里換道次數(shù)較多，換道過程中縱向行駛距離較短，擁堵心態(tài)因子及高速刺激因子得分較高。同時，跟馳車間時距較長，說明此類駕駛員在高速行駛時不會長時間跟隨前方車輛，會頻繁選擇變道來獲取空間及速度收益，駕駛風(fēng)格激進(jìn)。

類別0的駕駛員百公里換道次數(shù)較少，跟馳車間時距較短，跟馳過程中平均車速較高，說明此類駕駛員習(xí)慣長時間保持穩(wěn)定跟馳。同時，換道過程中行駛的縱向距離較長，說明該類駕駛員換道時較為謹(jǐn)慎，需要較長距離才能完成換道，該類駕駛員擁堵心態(tài)因子及高速刺激因子也較小，駕駛風(fēng)格保守。

類別2的駕駛員各項參數(shù)均比較適中，表明該類駕駛員屬于中庸型駕駛風(fēng)格。

綜上所述，對應(yīng)主客觀融合聚類結(jié)果可知，類別0代表保守型駕駛員，類別1代表激進(jìn)型駕駛員，類別2代表中庸型駕駛員。基于各參數(shù)分布情況可知，主觀風(fēng)格因子與客觀行為特征參數(shù)的分布一致性較好，能夠通過主客觀融合方法對駕駛風(fēng)格進(jìn)行分類辨識。

6 結(jié)束語

駕駛員風(fēng)格辨識可廣泛應(yīng)用于智能駕駛系統(tǒng)的開發(fā)與測試。本文綜合應(yīng)用主觀量表和客觀數(shù)值特征，基于無監(jiān)督學(xué)習(xí)算法提出一種駕駛員風(fēng)格辨識方法，對具有物理意義的關(guān)鍵特征參數(shù)進(jìn)行分析，結(jié)果表明，該方法主觀風(fēng)格因子與客觀行為特征參數(shù)指標(biāo)一致性較好，能夠較為全面客觀地表征駕駛員的真實駕駛風(fēng)格。該方法有效兼顧了辨識結(jié)果的可解釋性和有效性，可用于智能駕駛系統(tǒng)個性化風(fēng)格的參數(shù)化定義和綜合測試。

參考文獻(xiàn)

[1]" "覃文文， 鄢祺陽， 谷金晶， 等. 重載貨車駕駛?cè)笋{駛風(fēng)格識別與量化研究[J]. 交通運輸系統(tǒng)工程與信息， 2022， 22（4）： 137-148.QIN W W， YAN Q Y， GU J J， et al. Driving Style Recognition and Quantification for Heavy-Duty Truck Drivers[J]. Journal of Transportation Systems Engineering and Information Technology， 2022， 22（4）： 137-148.

[2]" "BEJANI M M， GHATEE M. Convolutional Neural Network with Adaptive Regularization to Classify Driving Styles on Smartphones[J]. IEEE Transactions on Intelligent Transportation Systems， 2019， 21（2）： 543-552.

[3]" "萬豫， 黃妙華， 王思楚. 基于改進(jìn)DBSCAN算法的駕駛風(fēng)格識別方法研究[J]. 合肥工業(yè)大學(xué)學(xué)報（自然科學(xué)版）， 2020， 43（10）： 1313-1320.WAN Y， HUANG M H， WANG S C. Research on a Driving Style Recognition Method Based on Improved DBSCAN Algorithm[J]. Journal of Hefei University of Technology （Natural Science）， 2020， 43（10）： 1313-1320.

[4]" "呂明， 張瀅， 馮先澤. 基于SOM神經(jīng)網(wǎng)絡(luò)的多工況駕駛風(fēng)格識別[J]. 汽車實用技術(shù)， 2021， 46（2）： 108-112.Lü M， ZHANG Y， FENG X Z. Driving Style Recognition Based on SOM Neural Network under Multiple Driving Conditions[J]. Automotive Practice Technology， 2021， 46（2）： 108-112.

[5]" "何青俊， 涂輝招， 魏海然. 基于駕駛模擬器的跟馳行為譜解析[J]. 武漢理工大學(xué)學(xué)報（交通科學(xué)與工程版）， 2021， 45（3）： 419-423.HE Q J， TU H Z， WEI H R. Analyzing Car-Following Driving Ethogram Based on Driving Simulator[J]. Journal of Wuhan University of Technology （Transportation Science amp; Engineering）， 2021， 45（3）： 419-423.

[6]" "李經(jīng)緯， 趙治國， 沈沛鴻， 等. 駕駛風(fēng)格K-means聚類與識別方法研究[J]. 汽車技術(shù)， 2018（12）： 8-12.LI J W， ZHAO Z G， SHEN P H， et al. Research on Methods of K-means Clustering and Recognition for Driving Style[J]. Automobile Technology， 2018（12）： 8-12.

[7]" "劉迪， 鄭建明， 覃斌， 等. 基于自然駕駛場景大數(shù)據(jù)的駕駛風(fēng)格研究[J]. 汽車技術(shù)， 2022（9）： 36-42.LIU D， ZHENG J M， QIN B， et al. Research on Driving Styles Based on Big Data of Natural Driving Scene[J]. Automobile Technology， 2022（9）： 36-42.

[8]" "吳兵， 羅雪， 李林波. 考慮駕駛風(fēng)格的模糊控制跟馳模型[J]. 同濟(jì)大學(xué)學(xué)報（自然科學(xué)版）， 2020， 48（5）： 694-701.WU B， LUO X， LI L B. Fuzzy Control Car-Following Model with the Consideration of Driving Style[J]. Journal of Tongji University （Natural Science）， 2020， 48（5）： 694-701.

[9]" "黃晶， 薊仲勛， 彭曉燕， 等. 考慮駕駛?cè)孙L(fēng)格的換道軌跡規(guī)劃與控制[J]. 中國公路學(xué)報， 2019， 32（6）： 226-239+247.HUANG J， JI Z X， PENG X Y， et al. Driving Style Adaptive Lane-Changing Trajectory Planning and Control[J]. China Journal of Highway and Transport， 2019， 32（6）： 226-239+247.

[10] 華翎森. 不同駕駛風(fēng)格年輕駕駛員的人格分析[J]. 人類工效學(xué)， 2022， 28（2）： 46-50.HUA L S. Analysis on Personality Characteristics of Young Drivers with Different Driving Styles[J]. Ergonomics， 2022， 28（2）： 46-50.

（責(zé)任編輯 斛 畔）

修改稿收到日期為2024年5月27日。