車輛運行風險貝葉斯網絡量化分級方法

2020-03-06 05:34:06馬艷麗范璐洋呂天玲

哈爾濱工業大學學報 2020年3期

馬艷麗，范璐洋,2，呂天玲，郭琳

(1.哈爾濱工業大學交通科學與工程學院, 哈爾濱 150090；2.中國電建集團成都勘測設計研究院有限公司, 成都 610072；3.黑龍江省勞動安全科學技術研究中心, 哈爾濱 150040)

近十年來，盡管中國道路交通事故發生次數、受傷及死亡人數大幅度降低，但與發達國家相比，各指標仍處于較高水平[1]. 對車輛運行過程進行早期評估，及早發現駕駛過程中存在的風險，對駕駛人提供風險預警，為駕駛人提供足夠的反應與操作時間，進而研究如何減少甚至避免發生道路交通事故顯得十分重要.

關于車輛運行風險評估指標，文獻[2]認為個體駕駛人車輛運行風險與事故率、年齡、人格特征有關；文獻[3]發現車輛橫向轉動行為與駕駛人狀態相關，當駕駛人處于疲勞狀態時，車道位置會變得不穩定；文獻[4]分析了次任務對駕駛人的掃視行為影響關系，認為駕駛人掃視行為對交通安全有影響；文獻[5]采集駕駛人的眼動數據，包括換道行為以及超車行為，提出眼動行為比操作行為發生較早，可用于預測駕駛行為；文獻[6]分析車載信息設備操作對駕駛績效影響的顯著性，將駕駛人視點轉移時長、行駛速度、加速度、橫向位移、方向盤轉速、車輛橫向位置等指標作為判定駕駛人是否分心的指標；文獻[7]對交通流與風險的相關性進行了分析，評估不同交通流狀態下的車輛運行風險；文獻[8]對年輕人自然駕駛數據進行研究，獲得風險因素各因素之間的相互關系. 風險評估方法研究中，文獻[9]基于GIS技術，將聚類分析和回歸分析法應用于交通事故的風險評估中；文獻[10]提出了一種基于馬爾可夫鏈的駕駛風險狀態預測算法；文獻[11]將貝葉斯網絡應用于交通危急狀況下的警告系統，貝葉斯網絡在概率分析方面具有強大優勢；文獻[12]通過道路駕駛測試來確定不同的駕駛相關風險評估指標，建立了基于動態貝葉斯網絡的駕駛相關風險評價模型.

目前的評價方法主要針對多指標的宏觀交通運行狀況進行評價. 風險影響因素上，認為與駕駛人個體特征、眼動行為、掃視行為、交通流、車輛控制行為及運行狀態等因素有關，忽視了車輛運行風險影響因素之間的關聯性. 貝葉斯網絡被廣泛應用于輔助智能決策、模式識別等領域，通過參數學習和概率推理來獲取結果分布信息的貝葉斯網絡已廣泛應用于對核工業操作員的工作環境進行評價[13]、搜索營救可靠性[14]以及分析航空系統存在的風險[15]等方面. 基于上述背景，本文將貝葉斯網絡應用到車輛運行風險評估研究.

1 車輛運行風險指標確定

車輛運行風險不可能由單一的指標界定，因此，應選擇有效、可靠和敏感的風險指標[6-8]. 結合車輛控制及駕駛人行為對車輛運行風險影響的顯著性，確定車輛運行風險判定變量，選取車輛控制指標、駕駛人眼動指標作為風險評價指標.

1.1 車輛控制指標

1.1.1 車輛距離控制指標

為保證車輛行駛安全，駕駛人必須與前車保持一定的距離. 由車輛制動過程位移變化情況可以推導車輛間最小間距. 車輛制動過程中行駛的距離為

(1)

式中：vi為制動開始前第i輛車的行駛速度，τ為駕駛人反應時間和制動起效時間之和，αi為第i輛車的最大制動減速度，d0為停止后兩輛車之間需滿足的最小距離.

假設制動過程前，前后兩輛車保持速度一致且制動效果一致，則行駛過程中車輛需保持的最小間距為

Dmin(t)=vi(t)τ+d0.

(2)

1.1.2 加速度

加速度體現了一輛車速度變化的情況，駕駛員對加速度的控制情況可以間接地體現車輛運行風險問題. 正常駕駛過程中加速度應維持穩定變化，保持在合理的范圍內，加速度過大會導致行駛過程中存在一些駕駛隱患，故應對行駛過程中駕駛員操作下的加速度進行分析.

1.1.3 方向盤轉向熵

轉向熵是駕駛人對車輛轉向運動操作的穩定性和對環境信息采取預判斷能力的評價指標. 駕駛人在駕駛過程中需要不間斷地對環境信息進行判斷，對風險進行評估，實時對車輛進行轉向控制. 文獻[16]提出采用轉向熵來量化駕駛人的轉向控制能力. 在每個時間點t利用二階Taylor公式，預測下一時刻轉向角θp(t)，即

(3)

預測誤差為

e(t)=θ(t)-θp(t).

(4)

計算駕駛人對轉向預判斷錯誤頻率分布的90百分位值α. 駕駛人轉向控制越平穩，α值越小，轉向控制越激烈，α值越大. 將駕駛人對方向判斷上產生的偏差進行劃分，將區間劃分為9個. 統計每個區間內駕駛人對方向盤控制產生的轉角值的頻數，獲得轉向熵公式為

(5)

式中SE為方向盤轉向熵，pi為預測誤差落在誤差區間的分布概率.

1.2 眼動表征指標

1)視線轉移時間.駕駛人視線離開前方視野是對駕駛存在風險的駕駛行為，其轉移時間是受很多因素影響，如行人、前車等因素.

2)掃視速度.掃視產生于兩次注視之間，又稱為眼跳. 掃視階段的視點移動速度即為掃視速度，在駕駛過程中駕駛人為收集環境信息會產較快的掃視行為.

3)眨眼頻率.駕駛人眨眼頻率可以體現駕駛人對駕駛環境信息的采集能力和敏感性及駕駛人的精神狀態. 駕駛人精神狀態不同，眨眼頻率也會有所不同. 正常駕駛過程中駕駛人的眨眼頻率集中在1.5 次/s左右.

2 試驗方案

2.1 試驗設計

1)試驗人員.選取不同年齡(20～55歲)，駕齡為2～15 a的駕駛人20人(10名男性、10名女性)作為被試對象，被試者身體狀態正常，在進行試驗前24 h內，禁止攝入對神經存在刺激性作用的食物或藥品. 記錄試驗過程中出現的駕駛事件.

2)試驗設備.試驗所采用的設備有小轎車、距離測量儀、加速度傳感器、方向盤傳感器、眼動儀、行車記錄儀、攝像機等. 各測量儀器布設如圖 1所示.

圖1 車內儀器布設

3)試驗地點.本研究選取穩定流、道路條件理想且交通干擾較小的路段. 試驗路線為哈爾濱市和諧大道與城鄉路交叉口至安發橋與新陽路交叉口，全長6 km. 城鄉路至鄉政街為主干路，長度3 km；鄉政街至安發橋為次干路，長度3 km. 試驗時段為天氣良好的非高峰時段.

2.2 試驗步驟

具體試驗步驟：1)采集駕駛人基本信息、試驗時間. 2)駕駛人佩戴眼動儀，工作人員檢測并同步所有設備，駕駛人進行預試驗. 3)試驗進行過程中實時采集交通環境、駕駛人及車輛的相關試驗數據. 駕駛人依據環境信息采取起步、停車、轉彎、換道、跟馳、超車等駕駛操作. 4)試驗結束后，收集駕駛過程中所采集的數據，對數據進行整理分析，對視頻數據進行分類.

2.3 實驗結果分析

2.3.1 車輛距離控制指標

通過駕駛數據計算車輛距離控制指標，對車輛距離控制指標風險發生概率統計分析，獲得風險等級.

當ξ(t)≤0.8時，為低風險；當0.8<ξ(t)≤0.85時，為一般風險；當0.85<ξ(t)≤1時，為較高風險；當ξ(t)>1時，為高風險.

2.3.2 加速度

根據不同的駕駛階段，當加速度百分位數為5%、10%、20%、30%、40%、50%、60%、70%、75%、80%、90%、95%時，對應的加速度分別為-1.143 0、-0.647 0、-0.278 5、-0.136 9、-0.050 7、0.022 0、0.088 0、0.175 1、0.235 4、0.292 9、0.722 6、0.951 3 m/s2.

根據百分位數可知，加速度小于-0.647 0 m/s2和大于0.722 6 m/s2時的概率很小，概率為10%，此范圍內存在駕駛風險.

當|a|<0.3 m/s2時，為低風險；當0.3 m/s2≤|a|<0.7 m/s2時，為一般風險；當0.7 m/s2≤|a|<1.3 m/s2時，為較高風險；當|a|≥1.3 m/s2時，為高風險.

2.3.3 方向盤轉向熵

試驗中10名駕駛人正常駕駛和風險駕駛的轉向熵如圖2所示.

圖2 正常駕駛和風險駕駛轉向熵

所有駕駛人轉向熵明顯增加，可見轉向熵與駕駛風險成正比. 由于實驗過程中實驗數據提取過程可能存在誤差，排除第8位駕駛人數據. 車輛方向盤轉向熵對應風險等級如下：當SE≤0.5時，為低風險；當0.50.7時，為高風險.

2.3.4 視線轉移時間

駕駛人視線離開前方視野時間如圖3所示.

圖3 駕駛人視線離開前方視野時間散點圖

統計數據顯示90%的駕駛人視線轉移時間小于0.24 s，且最大時間為0.88 s. 當駕駛人視線離開前方視野時間超過1 s，則認為是不安全的眼動行為. 根據視線轉移時間DT劃定風險等級，具體分級如下：當DT<0.2 s時，為低風險；當0.2 s≤DT<0.4 s時，為一般風險；當0.4 s≤DT<1.0 s時，為較高風險；當DT≥1.0 s時，為高風險.

2.3.5 掃視速度

駕駛人眼動的掃視速度如圖4所示. 當出現重要信息時，眼睛的掃視為速度會有很大的變化. 根據掃視速度GS劃定風險等級，具體分級如下：當GS<440 °/s時，為低風險；當440 °/s≤GS<1 000 °/s時，為一般風險；當1 000 °/s≤GS<2 000 °/s時，為較高風險；當G≥2 000 °/s時，為高風險.

圖4 掃視速度散點圖

2.3.6 眨眼頻率

駕駛人眨眼頻率疲勞時較正常狀態明顯降低，正常狀態下眨眼次數大于0.5 次/s，瞌睡狀態下眨眼次數為0.2～0.5 次/s，入睡狀態下眨眼次數小于0.2 次/s.

眨眼頻率BF劃分風險等級如下: 當BF>1次/s時，為低風險；當0.5次/s≤BF<1 次/s時，為一般風險；當0.2次/s≤BF<0.5次/s時，為較高風險；當BF≤0.2次/s時，為高風險.

3 貝葉斯網絡風險評估

3.1 貝葉斯網絡模型

車輛運行風險評估貝葉斯網絡結構，如圖5所示.

圖5 車輛運行風險貝葉斯網絡結構

根據圖5可知變量DT、GS、BF、SE、a、ξ(t)是觀測節點，用Yj表示，可以直接獲取；R、OR、ER是隱含節點，用Xi表示，通過計算得到，隱含節點有“Y”、“N”兩種狀態.

P(X1,X2,X3|Y1,Y2,…，Y6)=

(6)

由式(6)可得

P(X1|X2,X3,Y1,Y2,…，Y6)=

(7)

其中:i∈[1,2],j∈[1,6],m∈[2,3].

3.2 模型推理

1)指標風險條件概率.觀測節點推理的條件概率見表1.

表1 風險的條件概率

2)車輛運行風險等級劃分.依據《國家突發公共事件總體應急預案》[17]分類方法. 跟據車輛運行風險發生概率，將風險等級劃分為低、一般、較高、高4級，見表2.

表2 風險等級表

3)Netica推理.選取Netica軟件對貝葉斯網絡進行推理計算，量化風險等級，輸入節點參數并計算節點風險概率. 根據貝葉斯網絡結構，進一步推導出車輛控制風險和眼動表征風險的條件概率，以及相關因素影響的風險值. 建立Netica貝葉斯網絡評價模型，對車輛運行風險進行量化分級.

3.3 有效性驗證

選取駕駛試驗數據中正常駕駛與存在風險路段進行對比分析，風險會隨自然駕駛過程中事件的變化而發生改變. 如圖6所示，一般在駕駛過程中風險概率處于較低值，主要在20%上下波動，屬于較低風險. 而在風險路段的駕駛過程中發生風險的概率大于正常路段的值，風險概率處于35%～70%之間，認為具有較高的風險. 可以看出時間點3的風險概率隨交通事件的發生突然增加至70%，而駕駛人采取相應操作后，風險逐漸降低至40%左右；對于時間點7，由于駕駛過程中不同路段事件發生不同，正常路段駕駛過程中突發性事件導致駕駛風險短時增加，也可說明模型對風險駕駛事件也可以量化分析. 數據表明模型對車輛運行風險分析有效.