基于個體特性的駕駛行為操縱模式建模方法

肖獻強　殷延杰　王家恩

合肥工業大學，合肥，230009

?

基于個體特性的駕駛行為操縱模式建模方法

肖獻強殷延杰王家恩

合肥工業大學，合肥，230009

為研究能體現駕駛人個體特性的駕駛行為操縱模式建模方法，通過汽車駕駛模擬器采集駕駛人的駕駛行為操縱數據，利用卡爾曼濾波器對原始數據進行預處理，采用數據/機理相混合的方法對駕駛人的駕駛行為操縱數據進行分析，研究提出基于有向圖的個性化駕駛人駕駛行為操縱模式建模方法。以山區高速公路超車行為為例進行建模方法試驗，測試結果表明該方法構建的駕駛行為操縱模式能有效地體現出駕駛人駕駛的個體特性，為研究開發個性化和智能化的駕駛安全輔助系統涉及的駕駛行為操縱模式建模問題提供了技術支撐。

駕駛行為；操縱模式建模；卡爾曼濾波；安全輔助系統

0　引言

人、車、路是構成交通環境的三個基本要素，為協調好人、車、路三者之間的關系，以降低交通事故發生概率為目標發展起來的駕駛安全輔助系統(driving safety assistance systems，DSAS)已成為智能車輛領域的重點研究內容之一。目前已有的DSAS一般是基于基準駕駛人來進行輔助控制設計的，這導致DSAS對所有駕駛人采取相同的輔助控制策略和控制參數，無法滿足駕駛人的個性化需求。駕駛人的個體因素主要體現在構成其相應駕駛行為的一系列駕駛操縱動作中[1]，如果DSAS能夠通過采集駕駛人的駕駛行為操縱數據和車輛運行狀態信息自動完成對駕駛人駕駛的個體特性的學習并將學習結果體現在DSAS的輔助控制策略中，則可提高DSAS的個性化和智能化水平。實現這一目標的關鍵技術之一就是研究解決駕駛人的個性化駕駛行為操縱模式建模問題。

目前國內外學者對駕駛人駕駛行為的個體特性已進行了較為深入的研究。李紅志等[2]在考慮駕駛人特性的基礎上，建立了預瞄時間自適應的最優預瞄駕駛員模型；宗長富等[3]采用BP神經網絡構建了駕駛人特性辨識模型；任夏楠等[4]提出了基于駕駛員個體特性的理想轉向盤力矩模型；邊明遠[5]提出了基于修正因子的考慮駕駛員個體特性差異的避撞系統安全車距修正模型；Yamada等[6]在采集歷史駕駛行為操縱數據的基礎上，利用貝葉斯算法對駕駛人左轉彎時能否準確辨識行人橫穿馬路的概率進行了估算；Bueno等[7]基于前部避撞預警系統研究了駕駛人在預警系統失效后的駕駛特性。上述研究主要針對駕駛人駕駛的個體特性對駕駛行為模型的結構、參數的影響以及特殊場景下駕駛人的駕駛特性進行了探討，而對于構成其相應駕駛行為的駕駛操縱動作序列及駕駛行為操縱模式的研究則很少。

筆者所在課題組在前期相關課題研究過程中發現，不同駕駛人的駕駛操縱模式會因駕駛人駕駛個體特性的不同而存在一定差異。因此，為研究解決能反映駕駛人駕駛個體特性的駕駛行為操縱模式建模問題，筆者在試驗的基礎上，提出了基于有向圖的個性化駕駛行為操縱模式建模方法，并用試驗數據對該建模方法進行了驗證。

1　試驗數據采集與處理

為使研究提出的個性化駕駛行為操縱模式建模方法更具代表性和典型性，選擇道路情況較為復雜、駕駛人駕駛的個體特性展現更為充分的山區高速公路超車行為作為研究分析的對象。

1.1試驗數據采集

1.1.1數據采集設備

試驗數據利用武漢理工大學交通安全研究型汽車駕駛模擬器采集。具體試驗設備如圖1所示。

圖1　數據采集模擬器

該模擬器由視景系統、控制臺系統、通信系統組成。其中視景系統用于提供多種場景和不同天氣情況下的視景，視景中車輛運行符合交通流模型，可與駕駛車輛實現互動。試驗數據處理單元能以不大于10 ms的時間間隔同步保存駕駛員操縱信息、仿真車輛動力學參數、交通場景相關數據到后臺數據庫。因此該模擬器能較好地模擬真實的駕駛環境，保證其采集的數據能真實地反映駕駛人駕駛的個體特性，滿足試驗的要求。

1.1.2采集數據的類型

駕駛人駕駛的個體特性一般體現在構成相應駕駛行為的操縱動作序列中，為深入分析駕駛人駕駛的個體特性與車輛運行狀態之間的內在關系，需采集以下駕駛行為操縱數據和車輛運行狀態數據：

(1)油門踏板位置PA。該數據反映了駕駛人的加減速意圖，數值區間為[0，1]。

(2)前輪轉角θw。該數據反映了駕駛人的轉向意圖、橫向操控能力及穩定性，數值區間為 [-36°，36°]。

(3) 車輛中軸線與道路右側車道中軸線的偏移DZ(簡稱中-中偏移，道路場景為雙向單車道)。該數值單位為m。

(4)車輛行駛速度v。該數據反映了駕駛人的行駛速度，數值區間為[0，140]km/h 。

(5)行駛擋位PG。該數據反映了車輛的行駛擋位，其取值為0，1，2，3，4，5。

(6)離合踏板位置PC。該數據反映了車輛的離合踏板信息，數值區間為[0,1]。

(7)制動踏板位置PB。該數據反映了駕駛人的制動行為，體現了駕駛人的減速意圖，數值區間為 [0，1]。

1.1.3超車過程數據的提取

為從原始試驗數據序列中準確提取整個超車過程的數據片段，試驗過程中需將駕駛人準備超車和結束超車的起止時間節點記錄下來，這樣便可將整個超車過程的數據片段從原始試驗數據序列中提取出來。

1.2試驗數據處理

在對試驗采集的原始操縱數據進行分析的過程中發現，車速、前輪轉角、油門踏板這類操縱數據的變化趨勢和變化速率與其具體數值相比，更能反映駕駛人駕駛的個體特性及駕駛人駕駛行為的改變。因此，需求出這類駕駛操縱數據的導數信號，不同的操縱數據類型，其導數的計算方法也有所不同。

1.2.1基于卡爾曼濾波的加速度估計

采集的原始車速數據中存在一定的噪聲和毛刺，因此需對其進行濾波處理。此外在數據分析中需求得加速度這一重要信號，簡單的車速微分難以獲得良好的加速度信號[8]。卡爾曼濾波器是信號估計中的常用方法，并能實現數據濾波功能。為獲得更精準的加速度信號，本文基于試驗獲得的車速信號，利用卡爾曼濾波器對車輛加速度進行估計，具體濾波估計過程如下：

(1)建立車輛縱向運動的系統狀態方程:

Xk=AXk-1+Gδk-1k=2,3,…N

(1)

式中，N為離散數據點個數；vk為試驗車輛的車速；ak為試驗車輛的加速度；δk-1為隨機加加速度；A為轉移矩陣；G為系統噪聲輸入矩陣。

根據牛頓運動定律可推出：

其中，T為數據采樣周期，T=0.125 s。

(2)建立系統的觀測方程：

Zk=HXk+θkk=2,3,…N

(2)

其中，Zk為試驗車輛車速的觀測值；θk為觀測噪聲序列；可推出狀態變量對測量變量的增益矩陣H=[10]。

(3)

狀態估計：

(4)

濾波增益矩陣

(5)

一步預測誤差方差矩陣

Pk,k-1=APk-1AT+GSGT

(6)

估計誤差方差矩陣

Pk=(I-KkH)Pk,k-1

(7)

式(2)～式(7)為隨機線性離散系統卡爾曼濾波基本方程[9]。

圖2為濾波估計加速度與車速微分加速度的對比圖，從圖中可看出經濾波處理后的試驗數據更加平滑，濾波估計加速度的波峰與波谷更加明顯，有利于操縱動作節點的提取。造成這種差異的原因主要是因為微分求導不能消除信號噪聲和毛刺的干擾，而卡爾曼濾波剛好能克服這一缺點。

圖2　車輛加速度對比圖

1.2.2前輪轉角及油門踏板數據處理

圖3　前輪轉角及其導數的時間曲線圖

圖4　油門踏板位置及其導數的時間曲線圖

對前輪轉角、油門踏板原始數據進行平滑處理時，采用卡爾曼濾波與平均值方法的差別不大，因此選擇計算更為簡單的平均值方法對原始數據進行平滑處理，再對其進行微分求導。圖3和圖4分別為超車過程中前輪轉角、油門踏板操縱數據及其導數的時間曲線。從圖3和圖4中可看出，在前輪轉角及油門踏板發生變化時其微分導數顯著變大或變小，這種變化體現了駕駛人駕駛的個體特性，表明駕駛人駕駛行為的改變且采取了相應的駕駛操縱動作。因此基于導數來設置相應的操縱動作節點生成閾值，可較好地控制操縱動作節點的生成以用于駕駛行為操縱模式建模。

2　個性化駕駛行為操縱模式建模

2.1駕駛行為操縱模式建模原理

本課題組對同一駕駛行為駕駛操縱數據發生變化的時序進行研究和分析時，發現駕駛人在執行同一駕駛行為時，其操縱動作發生變化的時序具有一定的規律性，而這一系列駕駛操縱動作執行的先后順序具有有向圖的方向性特征。基于這一原理通過采集駕駛人駕駛行為及相應的駕駛操縱數據與車輛運行狀態信息，從中提取出能夠表示駕駛人駕駛操縱動作發生變化的動作節點，然后根據各節點的表征意義及節點生成時間的先后順序構建分層式駕駛行為操縱模式，具體如圖5所示。

圖5　操縱模式構建原理圖

2.2駕駛人駕駛的個體特性分析

由前述可知，駕駛人駕駛操縱動作發生變化時，其操縱數據導數會顯著地變大或變小，這種變化反映了駕駛人駕駛的個體特性。每個駕駛人操縱動作發生變化的閾值也與駕駛人駕駛的個體特性相關。為分析駕駛操縱動作發生變化的閾值與駕駛人駕駛的個體特性之間的關系，本文選取超車正式開始之前(超車前3 s)和整個超車過程中的操縱數據序列進行研究分析。在車輛行駛過程中，操縱數據的導數有正負值之分，而在確定閾值范圍時操縱數據變化的速度和范圍更為關鍵。因此將操縱數據導數取絕對值后，對其進行統計分析并繪出各種操縱數據導數絕對值的平均值和標準差的散點圖。本文共選取16組試驗數據序列進行分析，具體情況見圖6～圖8。

從圖6a可知，多數情況下超車前車輛加速度絕對值均值的區間為[0,4]m/s2，超車時為[5,8]m/s2，超車時要大于超車前時間段，這表明超車時車輛行駛車速的變化大于超車前時間段。從圖6b可知，超車前和超車時車輛加速度絕對值的標準差的變化范圍不大，相對比較穩定，這表明駕駛人駕駛的個體特性具有一定的穩定性。

從圖7a可知，超車前和超車時的前輪轉角導數絕對值的均值都比較小，表明駕駛過程中方向盤的擺動較小，與實際駕駛情況相符合。從圖7b可知，超車時前輪轉角導數絕對值的標準差大于超車前時間段的相應值，這表明超車時前輪轉角處于一個變化的過程中，其變化的范圍和速度均大于超車前時間段的相應值。

(a)平均值

(b)標準差圖6　車輛加速度a絕對值的散點

(a)平均值

(b)標準差圖7　前輪轉角導數絕對值的散點圖

從圖8a可知，多數情況下超車前油門踏板位置導數絕對值的均值為[0,0.2]，超車時處于[0.25,0.35],超車時比超車前略大，這表明超車過程的大部分時間中油門踏板位置是處于相對穩定的狀態，只在超車超越階段會有較大的變化。從圖8b可知，超車前和超車時的油門踏板位置導數絕對值的標準差的變化范圍均不大，這表明駕駛人控制油門踏板位置的個體特性具有一定的穩定性，但超車時的標準差大于超車前時間段的標準差，這表明與超車前時間段相比，超車時油門踏板位置的變化范圍更大。

(a)平均值

(b)標準差圖8　油門踏板位置導數PA′絕對值的散點圖

由以上分析可知，超車過程中駕駛人駕駛的個體特性具有一定的穩定性，超車時操縱數據導數的絕對值大小和變化范圍均大于超車前時間段的相應值。另外，超車過程中道路環境、行駛車輛的不確定性因素較多，因此駕駛人操縱動作變化的閾值是一個動態變化的值，這也是駕駛行為操縱模式建模的難點之一。

2.3操縱動作節點的生成與控制

由2.2節分析結果可知，與超車前時間段相比，超車時操縱數據導數的絕對值大小和變化范圍均更大，因此可通過設置一個閾值Tu來控制節點的生成 ，當操縱動作數據導數絕對值大于閾值Tu時，則說明此刻操縱動作數據變化的快慢程度已超出正常的穩態行駛，即新的駕駛行為正在產生，表明了駕駛人駕駛意圖的改變并且正在執行相應的駕駛操縱動作。由于表示車輛運行狀態信息及駕駛人駕駛操縱數據的類型不盡相同，所以各種信號數據閾值Tu的確定方法也有所不同，下面分別給出了不同數據類型閾值Tu的確定方法。

2.3.1連續型操縱動作閾值的確定

(8)

(9)

(10)

當駕駛人駕駛的個體特性和操縱習慣不同時會引起操縱數據和車輛運行狀態的不同，因此閾值Tu的值能充分體現駕駛人駕駛的個體特性。當Tn+1時刻的操縱動作數據導數的絕對值|xn+1|>Tu時允許動作節點生成，若|xn+1|

對于車輛中軸線與道路右側車道中軸線的偏移距離信號(DZ)，用平均值對原始數據進行平滑處理并微分求導后，同樣采用上述方法控制其操縱動作節點的生成。

2.3.2開關型操縱動作節點的生成

制動踏板、離合踏板這些開關信號若采用上述利用操縱數據的導數來設定閾值Tu的方法，將無法準確地捕捉操縱動作發生變化的動作節點。對于這類信號，筆者采取下述方法來設定閾值Tu：當操縱數據大于0，就可認為操縱動作發生了變化，例如當制動踏板位置信號的數值從0逐漸變大，則表明駕駛人正在執行剎車制動的駕駛行為，以實現減速的駕駛意圖。

對于擋位這種開關信號，可分別用dt、dt-1表示t時刻和t-1時刻的操縱動作數據，若dt≠dt-1則可認為操縱動作正發生變化，t-1時刻可認為是操縱動作節點的生成時刻。

3　操縱模式建模方法數據測試

利用MATLAB對上述研究的駕駛行為操縱模式建模方法及節點生成算法進行編程，使其能自動控制操縱動作節點的生成，自動形成個性化駕駛行為操縱模式圖。為驗證建模方法的有效性，下面從山區高速公路超車試驗數據中選取一組數據進行測試。

3.1測試數據的樣本格式

測試數據是經汽車駕駛模擬器采集，按照駕駛行為操縱模式建模程序的要求整理成Excel表格形式，具體數據格式如表1所示。

表1　測試數據格式示例

3.2超車行為操縱模式層次圖

將整理后的駕駛行為操縱數據導入建模程序可得駕駛行為操縱模式層次圖，如圖9所示。其中，對于PA、θw、DZ和a，深色塊分別表示增大、左轉、車輛右偏和增大，淺色塊分別表示減小、右轉、車輛左偏和增大。由圖9可知，在整個超車過程中，離合踏板位置、制動踏板位置、行駛擋位這三個操縱數據沒有動作節點生成。原始數據中，這三個操縱動作數據也沒有發生變化，因此這三種操縱數據的節點生成情況與實際相符合。

圖9　超車行為操縱模式層次圖

(1)399～400 s，加速度增大，但此時油門并沒有增大，因此加速度是從負值增大至0，這表明駕駛人在超車換道之前為控制與前車的安全距離而執行的減速駕駛。

(2)400～402 s，油門增大，加速度增大，前輪左轉后回正，緊接著油門有減小趨勢，這表明駕駛人正執行超車換道行為，并完成了超車超越階段。

(3)402～403 s，加速度減小，前輪右轉后回正，這表明駕駛人正進行超車并道，并完成了并道階段。

將超車行為操縱模式層次圖與原始操縱數據進行比較可知，上述駕駛行為操縱模式建模方法可準確地將駕駛人駕駛操縱動作的變化節點截取出來，體現了駕駛人駕駛的個體特性。

3.3超車行為操縱模式圖

由圖9可知各個駕駛操縱動作節點的生成時刻并不一致，但彼此之間的差別較小，有些差別是由干擾因素所致并不是駕駛人駕駛意圖的體現。因此對于時間差別較小的節點可進行合并，選取合并時間閾值Td為0.5 s[10]，由圖9得到合并后的超車行為操縱模式圖，如圖10所示。

圖10　超車行為操縱模式圖

由圖10知，該駕駛人山區高速公路超車行為的操縱模式序列為：a→(θw,PA)→(DZ,θw)→PA→(a,DZ,θw)。從圖10中可看出超車行為中，駕駛人的駕駛操縱動作并不都是按照時間的先后順序完成的，而是根據駕駛人駕駛的個體特性和車輛運行狀態，以串行、并行或混合執行的方式完成的。通過對駕駛人駕駛行為操縱模式的建模并獲取駕駛人大量的駕駛行為操縱模式序列后，對其進行分析，則可利用概率統計的方法估算駕駛人在相應駕駛行為中具體會執行哪種操縱動作的概率，進而為DSAS系統對駕駛人的輔助控制策略提供理論依據。

4　結論

根據駕駛人在執行同一駕駛行為時，其駕駛操縱動作具有一定時序性、內聚性的機理，在利用數據/機理混合的方法對駕駛人駕駛的個體特性進行分析的基礎上，提出了基于有向圖的個性化駕駛行為操縱模式建模方法。數據測試結果表明，該建模方法準確反映了駕駛人在山區高速公路的超車行為，有效體現了駕駛人駕駛的個體特性。下一步，課題組將用本文提出的個性化駕駛行為操縱模式建模方法對轉彎、換道等駕駛行為的操縱模式進行建模，為DSAS能自動完成對駕駛人駕駛個體特性的學習，并采取個性化和智能化的輔助控制策略等關鍵技術提供解決方法。

[1]SathyanarayanaA，BoyrazP，HansenJHL.DriverBehaviorAnalysisandRouteRecognitionbyHiddenMarkovModels[C]//InternationalConferenceonvehicularElectronicsandSafety.Columbus：IEEE，2008：130-135.

[2]李紅志，李亮，宋健，等.預瞄時間自適應的最優預瞄駕駛員模型[J].機械工程學報，2010，46 (20)：106-111.

Li Hongzhi，Li Liang，Song Jian，et al. Optimal Preview Control Driver Model with Adaptive Preview Time[J]. Journal of Mechanical Engineering，2010，46(20)：106-111.

[3]宗長富，林娜，張澤星，等.線控汽車駕駛員特性辨識算法的研究[J].汽車工程，2014，36(9)：1140-1144.

Zhong Changfu，Lin Na，Zhang Zexing，et al. A Study on the Identification Algorithm of Driver Characteristics for X-by-wire Vehicles[J].Automotive Engineering，2014，36(9)：1140-1144.

[4]任夏楠，鄧兆祥.駕駛員理想轉向盤力矩特性研究[J].中國機械工程，2014，25(16)：2261-2265.Ren Xianan，Deng Zhaoxiang.Research on Ideal Steering Wheel Effort Characteristics of Driver[J].China Mechanical Engineering，2014，25(16)：2261-2265.

[5]邊明遠.考慮駕駛員個體特性的汽車安全行駛間距模型[J].中國機械工程，2010，21(12)：1502-1506.

Bian Mingyuan.A Modified Vehicle Safety Distance Model Adapting to Driver Individual Characteristics[J].China Mechanical Engineering，2010，21(12)：1502-1506.

[6]Yamada K，Mitani T.Estimating Driver Awareness of Crossing Pedestrians While Turning Left Based on Vehicle Behavior Using Bayesian Approach [C]//International Conference on Pattern Recognition.Stockholm，2014：1898-1903.

[7]Bueno M，Fabrigoule C，Ndiaye D，et al. Behavioral Adaptation and Effectiveness of a Forward Collision Warn-ing System Depending on a Secondary Cognitive Task[J].IEEE Transportation Research Part F：Traffic Psychology and Behavior，2014，24，158-168.

[8]張磊.基于駕駛員特性自學習方法的車輛縱向輔助系統[D].北京：清華大學，2009.

[9]付夢印，鄧志紅，閆莉萍.Kalman濾波理論及其在導航系統中的應用[M].2版.北京：科學出版社，2010.

[10]肖獻強，任春燕.個性化駕駛人駕駛行為操縱模式建模方法[J].中國科技論文，2014，9(11)：1292-1295.

Xiao xianqiang，Ren chunyan.Modeling Method of Individual Driver’s Driving Behavior[J].China Science Paper，2014，9(11)：1292-1295.

(編輯盧湘帆)

Driving Behavior Operation Pattern Modeling Method Based on Individual Characteristics

Xiao XianqiangYin YanjieWang Jiaen

Hefei University of Technology,Hefei，230009

In order to study the method of the driving behavior operation pattern modeling which might reflect the individual characteristics of driver， the driving operation data of drivers using the automobile driving simulator were collected and the raw data was preprocessed by means of Kalman filter. Then, a method of individual driving behavior operation modeling was put forward based on the directed digraphs by analyzing the operation data of drivers with a method of combining the data and mechanism. The method was tested with the data of overtaking behavior on mountain highway. The results show that the driving behavior operation pattern modeled with the method may effectively reflect the individual characteristics of drivers and may provide technical supports to solve the problems of the driving operation pattern modeling for the individual and intellectual driving safety assistance systems.

driving behavior； operation pattern modeling；Kalman filter；safety assistance system

2015-11-12

高等學校博士學科點專項科研基金資助項目(20130111120023)

U461

10.3969/j.issn.1004-132X.2016.19.021

肖獻強，男，1978年生。合肥工業大學機械工程學院副教授。主要研究方向為汽車主動安全、駕駛行為建模與分析。發表論文10余篇。殷延杰，男，1991年生。合肥工業大學機械工程學院碩士研究生。王家恩，男，1984年生。合肥工業大學機械工程學院講師。