機動車駕駛員駕駛行為操縱動作模式的研究*

肖獻強，任春燕，王其東

(合肥工業大學機械與汽車工程學院，合肥 230009)

?

2015186

機動車駕駛員駕駛行為操縱動作模式的研究*

肖獻強，任春燕，王其東

(合肥工業大學機械與汽車工程學院，合肥 230009)

采用主成分分析法研究了駕駛員的操縱動作模式主要成分結構，采用Matlab編寫了主成分分析算法對問卷調查獲得的數據進行了分析，并著重選取問卷中超車、轉向和并線3種駕駛行為的數據，分析得到這3種駕駛行為對應的駕駛操縱動作模式的主成分載荷矩陣和貢獻率。結果表明：通過研究駕駛行為及其對應的駕駛操縱動作模式，可以發現對特定駕駛行為影響較大的駕駛操縱動作，進而根據兩者之間的關系反向實現個性化駕駛行為的識別，為后續設計先進的輔助駕駛系統提供技術依據。

駕駛行為；主成分分析法；駕駛操縱動作模式

前言

根據對我國2001-2011年一次死亡3人以上的特大交通事故原因分析，駕駛員原因導致的交通事故占到90%以上。上述數據充分說明駕駛員在交通事故預防中的核心地位和作用，這與駕駛員在整個交通系統中扮演的角色有關，駕駛員不僅是道路交通系統信息的處理者、決策者，同時也是其調節者和控制者，其行為是否安全對于整個系統的狀態有重大影響,駕駛員的個體因素在駕駛過程和道路交通中主要體現在其本身的駕駛行為和操縱動作[1]。

通過采集車輛傳動機構和駕駛操縱動作傳感器數據分析發現，車輛在某一特定時刻的狀態和駕駛員的駕駛行為，是決定駕駛員前面一定時長內的駕駛操縱動作的基礎。利用駕駛操縱動作和駕駛行為之間的內在關系，既可以通過駕駛操縱動作傳感器數據融合實現駕駛行為識別預測，也可以利用駕駛操縱動作與駕駛行為之間的映射關系，研究基于駕駛行為識別的車輛主動安全系統。

文獻[2]中通過采集駕駛操縱動作及車輛狀態數據，利用隱馬爾科夫模型與人工神經網絡相結合的方法構建了轉向駕駛意圖辨析模型和方法。文獻[3]中根據駕駛員的駕駛操縱動作，運用隱馬爾科夫動態模型成功地預測了駕駛員即將實施的駕駛行為。文獻[4]中利用駕駛員過去的駕駛操縱動作數據庫研究開發了基于駕駛操縱動作模板的駕駛行為識別算法，并在識別的基礎上結合車輛運行狀態評估駕駛行為的安全性。近年來,主成分分析法在駕駛行為研究中的應用越來越多。文獻[5]中利用主成分分析法與德爾菲結合法構建了駕駛行為主要影響指標集。

駕駛行為因駕駛員個體特性的不同，其實施過程中駕駛操縱動作存在一定的差異性，且駕駛操縱動作數據多且雜，如何從眾多駕駛操縱動作數據中抽取出能夠充分反映駕駛行為本質的駕駛操縱數據，減少數據量，提高駕駛行為識別預測算法的計算實時性，是駕駛行為識別預測用于車輛主動安全和先進輔助駕駛系統的關鍵技術之一。同時，研究駕駛行為及其對應的駕駛操縱動作主要成分，可為先進輔助駕駛及主動安全系統介入車輛干預和控制，預防交通事故的發生提供技術支撐和依據。

通過采用調查問卷和主成分分析法研究構建駕駛行為及其對應的駕駛操縱動作主成分通用性抽取算法，為研究利用駕駛操縱動作實現駕駛行為識別預測及構建個性化駕駛員操縱動作模式奠定基礎，也為后續研究個性化駕駛員駕駛行為的駕駛操縱動作模式提供技術支撐。

1 常見駕駛行為及駕駛操縱動作

通過查閱相關資料，常見的駕駛行為有：(1)超車；(2)并線；(3)疲勞駕駛；(4)掉頭轉彎；(5)起動；(6)減速；(7)勻速行駛；(8)加速。

通過研究調查，本文中選擇了如下8種駕駛操縱動作作為駕駛操縱動作集。

(1) 轉向盤操縱動作 該動作直接反映了駕駛員的橫向操控能力和穩定性。

(2) 加速踏板操縱動作 該操縱動作直接影響車輛的起動和正常行駛中的加減速。

(3) 轉向盤操縱動作頻率 該操縱動作反映了駕駛員的駕駛狀態，是一個附加的觀測動作數據。

(4) 制動踏板操縱動作 該操縱動作直接反映駕駛員減速或停車的行為。

(5) 離合器踏板操縱動作 該操縱動作是判斷駕駛員轉換駕駛行為的一個臨界觀測值。

(6) 換擋操縱動作 該操縱動作表明駕駛員對擋位的合理選擇能力和狀態轉變。

(7) 左轉向燈操縱動作 該操縱動作反映了駕駛員左向變道及轉彎的表征參數。

(8) 右轉向燈操縱動作 該操縱動作反映了駕駛員右向變道及轉彎的表征參數。

利用主成分分析法分析以上8種駕駛操縱動作對駕駛行為的影響程度和駕駛行為形成貢獻率。

2 實驗數據的采集和處理

根據研究的需要，設計一種汽車駕駛員駕駛行為問卷調查表，如表1所示，來調查以上所列的駕駛操縱動作與各駕駛行為之間的內在關系，課題組給駕校教練員、個體駕駛員和職業駕駛員發放了800份問卷。通過對收回的286份有效問卷數據進行歸類處理與分析，形成各駕駛行為駕駛操縱動作數據表。

表1 汽車駕駛員駕駛行為問卷調查

3 主成分分析法

3.1 主成分分析法的基本原理

主成分分析法是數學上對數據降維的一種處理分析方法，其基本思想是設法將原來眾多的具有一定相關性的指標X1,X2,…,Xn，重新組合成一組較少個數的互不相關的綜合指標Fm來代替原來的指標，使其既能最大程度地反映原變量Xn所代表的信息，又能保證新指標之間保持相互無關(信息不重疊)[6]。

3.2 分析步驟

分別以o1,o2,…,o8依次表示轉向盤、加速踏板、轉向盤轉動頻率、制動踏板、離合踏板、換擋桿和左右轉向燈等8種操縱動作，按以下步驟進行分析。

(1) 計算相關系數矩陣

(1)

式中rij(i,j=1,2,…,8)為原變量的oi與oj之間的相關系數，其計算公式為

(2)

(2) 計算特征值與特征向量

(3) 計算主成分貢獻率和累計貢獻率

主成分Zi的貢獻率為

(3)

累計貢獻率為

(4)

一般取累計貢獻率達85%～95%的特征值λ1,λ2,…,λ8所對應的第1～第m(m≤8)個主成分。

(4) 計算主成分載荷矩陣

(5)

主成分載荷矩陣是主成分Zi與原始指標oi的相關系數R(Zi,oj)，揭示了主成分與各原始指標之間的相關程度，它可以較好地解釋主成分的表征意義。得到各主成分的載荷后，還可以得到各主成分的得分。

(6)

根據以上的主成分分析過程，通過Matlab將主成分分析算法編譯成一個M文件，并且設計一個簡易快捷的計算GUI界面，如圖1所示，其主要功能是得到主成分貢獻率、主成分載荷矩陣和碎石圖。將所需分析的駕駛行為及駕駛操縱動作數據以Excel的形式導入即可直觀地分析仿真結果[7-8]。

4 仿真結果

通過將問卷調查數據中的超車、轉向和并線3種駕駛行為數據抽取出來，進行對應的駕駛操縱動作構成成分分析。分析結果的碎石圖如圖2所示，對應的主成分分析及載荷矩陣分別見表2和表3。

以按照特征值排列的大小序號為橫軸，以特征值為縱軸作碎石圖，如圖2所示，在拐點之前是與大因子連接的陡峭折線，之后是與小因子相連的緩坡折線。一般取拐點前所有的因子及拐點后的第1個因子作為主成分，也可結合累積貢獻率達到的百分比來確定主成分的個數。

4.1 計算各主成分評價指標值

表2 各個主成分貢獻率和累積貢獻率

表3 主成分載荷矩陣

由圖2和表3可知，實施超車駕駛行為，前3個駕駛操縱動作因子的累計貢獻率為93.99%，大于85%，表明這3個因子可以概括原始數據的大部分信息，其主成分分別用Z11，Z12和Z13來表示。由表2可知，超車主成分分析的表達式為

(7)

(8)

(9)

由式(1)～式(3)可知：

(1) 第1主成分由離合踏板、轉動右轉向燈、轉動轉向盤、制動踏板及加速踏板操縱動作構成；

(2) 第2主成分由離合踏板、加速踏板、制動踏板、右轉向燈和換擋操縱動作構成；

(3) 第3主成分由換擋、制動踏板、離合踏板、轉動轉向盤和左轉向燈操縱動作構成。

轉向駕駛行為的前3個駕駛操縱動作因子的累計貢獻率為89.12%，大于85%，表明這3個因子可以概括原始數據的大部分信息，其主成分分別用Z21，Z22和Z23來表示，同樣由表2可知，轉向主成分分析的表達式為

(10)

(11)

(12)

由式(10)～式(12)可知：

(1) 第1主成分由左轉向燈、換擋、轉動轉向盤和加速踏板駕駛操縱動作構成；

(2) 第2主成分由轉動轉向盤和左轉向燈操縱動作構成；

(3) 第3主成分由右轉向燈、加速踏板和轉動轉向盤操縱動作構成。

并線駕駛行為前兩個駕駛操縱動作因子的累計貢獻率為96.29%，大于85%，表明這兩個因子可以概括原始數據的大部分信息，其主成分分別用Z31和Z32來表示，同樣由表2可知，并線主成分分析的表達式為

(13)

(14)

由式(13)～式(14)可知：

(1) 第1主成分由制動踏板、轉動轉向盤和換擋操縱動作構成。

(2) 第2主成分由右轉向燈和換擋操縱動作構成。

4.2 計算綜合評價指標值

以每個主成分所對應的特征值占所提取主成分總的特征值之和的比例作為權重計算主成分綜合模型，可計算得出3種駕駛行為超車(Z1)、轉向(Z2)、并線(Z3)的綜合評價指標的表達式為

(15)

(16)

(17)

(1) 實施超車駕駛行為時，X1，X2，X4和X8的系數絕對值較大，即轉動轉向盤、操縱加速踏板、制動踏板和右轉向燈4個駕駛操縱動作對超車駕駛行為形成起至關重要的作用，尤其是加速踏板操縱動作對是否超車的影響較大，屬于重要指標。

(2) 實施轉向駕駛行為時，X2，X5，X6和X7的系數絕對值較大，即操縱加速踏板、離合踏板、換擋和左轉向燈4個駕駛操縱動作對轉向駕駛行為實施起著至關重要的作用，尤其換擋對是否處于轉向操縱的影響較大，屬于較為重要的指標。

(3) 實施并線駕駛行為時，X1，X4和X6的系數絕對值較大，也即轉動轉向盤、操縱制動踏板和換擋3個駕駛操縱動作對并線駕駛行為實施起著至關重要的作用，且3個駕駛操縱動作對于并線的影響都較大，屬于較為重要的指標。

5 結論

通過問卷調查的形式采集駕駛員駕駛行為和操縱動作數據，采用Matlab編寫駕駛行為駕駛操縱動作主成分分析算法，得出實施完成各類型駕駛行為的主要駕駛操縱動作成分、貢獻率和主成分載荷矩陣，且可進一步得到綜合評價指標值，提取出對于駕駛行為實施完成影響較大的駕駛操縱動作。該研究結果未來可在以下幾個方面應用。

(1) 個性化駕駛員駕駛行為駕駛操縱動作模式的建立。通過抽取駕駛員的駕駛行為駕駛操縱動作主成分，構建基于有向圖的個性化駕駛員駕駛行為和駕駛操縱動作模式，為進一步研究設計個性化的車輛輔助駕駛系統提供技術支撐。

(2) 目前，車輛輔助駕駛系統和主動安全系統可以針對駕駛員的駕駛行為進行評估，該研究成果可以為輔助駕駛和主動安全系統根據駕駛員的駕駛行為和實施完成此駕駛行為的操縱動作模式，制定介入車輛干預控制的具體預防策略和方法。

(3) 利用該研究的駕駛行為操縱動作主成分，構建駕駛員駕駛行為的駕駛操縱模式，利用駕駛操縱動作模式反向映射實現個性化駕駛行為的實時識別預測。

[1] Amardeep Sathyanarayana, Pnar Boyraz, et al. Driver Behavior Analysis and Route Recognition by Hidden Markov Models[C]. Proceedings of the 2008 IEEE International Conference on Vehicular Electronics and SafetyColumbus, OH, USA. September,2008:276-281.

[2] 宗長富,楊肖,王暢,等.汽車轉向時駕駛員駕駛意圖辨識與行為預測[J].吉林大學學報(工學版),2009,39(增刊1):27-32.

[3] Pentlad A, Liu A. Modeling and Prediction of Human Behavior[J]. Neural Computation,1999,11:229-242.

[4] Yoshifumi Kishimoto, et al. A Modeling Method for Predicting Driving Behavior Concerning with Driver’s Past Movements[C]. Proceedings of the 2008 IEEE International Conference on Vehicular Electronics and Safety Columbus,2008:132-137.

[5] 陳沅江,段莉,肖云.主成分分析法和德爾菲結合法的影響駕駛行為指標構建[J].安全與環境學報,2012,12(2):228-231.

[6] 石琴,鄭與波,姜平.基于運動學片段的城市道路行駛工況的研究[J].汽車工程,2011,33(3):256-261.

[7] 張德喜,周予生.MATLAB 語言程序設計教程[M].北京:中國鐵道出版社,2006.

[8] 常巍,謝光軍.MATLAB R2007 基礎與提高[M].北京:電子工業出版社,2007.

A Research on the Driving Operation Modes of Vehicle Drivers

Xiao Xianqiang, Ren Chunyan & Wang Qidong

SchoolofMachineryandAutomobileEngineering,HefeiUniversityofTechnology,Hefei230009

Principal component analysis (PCA) is adopted to study the main constitution structures of driver’s operation modes and a PCA algorithm created with Matlab is used to analyze the data obtained by questionnaire, from which three sets of driver behavior data of overtaking, steering and cutting-in maneuver are in particular selected for analysis to obtain the loading matrix and contribution rate of PCA corresponding to those three operation modes. The results show that through the study on driver’s behaviors and corresponding operation modes, the driving operation actions having more significant effects on specific driving behaviors can be found and hence the identification of personalized driving behaviors can be achieved inversely based on the relationship between them, providing a technique basis for subsequent design of advanced driver assistant system.

driving behavior; principal component analysis; driving operation modes

*教育部高等學校博士學科點專項科研基金(20130111120023)和國家自然科學基金(51175135)資助。

原稿收到日期為2013年8月28日，修改稿收到日期為2014年4月19日。