基于車輛運動信息的駕駛行為識別方法研究進展

摘 要：駕駛員在道路交通系統中發揮著核心因素，駕駛行為直接影響道路交通安全。一種準確、可靠的駕駛行為識別方法對車輛駕駛安全具有重要意義。本文總結基于車輛運動信息的駕駛行為識別方法研究進展。首先，在考慮車輛運行工況后形成駕駛行為閉環系統，闡述駕駛行為涵義。其次，從三方面總結車輛運動信息采集系統和所識別的駕駛行為。再次，考慮車輛運動信息，以數據驅動方法為切入點，闡述駕駛行為識別方法進展。最后，總結駕駛行為技術未來研究方向。

關鍵詞：駕駛行為識別 車輛運動信息 慣導系統 多傳感器系統

根據道路交通事故統計數據可知，80%以上的交通事故因駕駛行為不當造成[1]。當駕駛員出現觀察不仔細、判別錯誤以及車輛操作失誤等行為時，表明駕駛行為較差發生交通事故的概率陡然增加。對駕駛行為進行識別和預測，盡早發現潛在的判斷失誤、操作失誤等行為，提醒駕駛員采取正確的、合理的駕駛操作，具有重要的意義。

隨著移動終端、互聯網等技術的快速發展，使得駕駛行為研究成果能夠落地應用。移動終端作為硬件載體，既可以搭載北斗、GPS（全球定位系統）等衛星導航系統，還可以搭載陀螺儀、加速度計（兩者合稱慣性傳感器）等傳感器。硬件載體為互聯網廠商開發相應的應用程序提供了信息輸入源，為駕駛員提供更多信息輔助駕駛行為。比如高德地圖、百度地圖等應用程序根據交通路況，給駕駛員提供路徑規劃、實時限速以及紅綠燈計時等信息。互聯網時代的到來為研究駕駛行為做出了重要貢獻。雖然利用北斗來判斷車輛是否超速已經得到廣泛的應用，但是駕駛行為受車輛運動信息的精確性、交通狀況的復雜性等因素影響，駕駛行為研究發展相對緩慢。

對比水運、鐵路等交通方式，在道路上駕駛汽車具有隨機性大、自主性強、環境復雜性高等特點。駕駛員內在的固有屬性、駕駛習慣和交通狀況、車輛運行工況、天氣環境等因素的動態性，使得駕駛行為難以像鐵路駕駛行為那樣運行軌跡固定、流程化。駕駛行為具有隨機性、不確定性、復雜性、外在驅動多維度等特點，精準識別駕駛行為更加困難。

駕駛行為識別方法研究依賴于車輛運動信息，利用衛星導航系統、車載傳感器獲取車輛位置、速度等信息是典型方案。然而，研究發現，GPS不能準確反映出車輛加速度、角速度等信息；在GPS和慣性傳感器組合的方法中，若利用高精度慣性傳感器能夠解決此問題，但高精度慣性傳感器成本高；若利用低成本慣性傳感器的技術方案，相比較與前者數據挖掘潛力較弱，實用性和有效性相對不足。圖像識別方法利用特征點識別間接獲得車輛運動信息，因而對于急加速、急減速等駕駛行為的識別效果較差，識別精度受環境光照、特征點是否顯著等因素影響。張春梅等人[2]利用光纖慣導系統具有分辨率高、靈敏度高、自主性強等特點，輸出載體姿態、速度、加速度等信息用于車輛姿態識別。受該文獻啟發，本文總結基于車輛運動信息的駕駛行為識別方法研究進展。

1 駕駛行為涵義

駕駛行為是信息感知、判斷決策和駕駛員控制車輛組成的一個不斷往復的信息處理過程，車輛運行工況作為信息感知傳入感覺器官，與駕駛員控制車輛一起形成駕駛行為閉環系統，如圖1所示。首先，道路上的交通狀況、車輛運行工況、天氣等外界要素信息，通過駕駛員的視覺、聽覺及觸覺等感覺器官傳入駕駛員的中樞神經系統；其次，駕駛員根據駕駛經驗作出判斷和決策，由中樞神經系統發出車輛調整指令，通常駕駛員作出的決策為速度控制（加速、減速等）、超車、變道、轉彎、停車等動作；最后，通過駕駛員的手、腳等運動器官操縱車輛并改變車輛運動狀態，操縱車輛的動作主要為踩油門、踩離合器、踩制動踏板、換擋、轉動轉向盤、調整車輛燈光等。當駕駛員出現觀察不仔細（信息感知）、判斷不正確（信息決策）以及操作失誤（駕駛員控制車輛）等狀況時，表明駕駛行為較差。

駕駛行為不僅是信息感知、判斷決策和駕駛員控制車輛三個階段不斷地多次串聯，也是三者的有機融合。在圖1中，駕駛員作為信息處理者、決策者、調節者和控制者，是駕駛行為中最核心、最復雜的組成部分。駕駛行為除受交通狀況、天氣及車輛運行工況等環境要素影響外，還受駕駛員的駕駛經驗、生理狀況等因素影響，駕駛行為是時變的交通狀況、時變的駕駛員駕駛能力、固定的駕駛任務需求之間的動態耦合、均衡和博弈。車輛運行工況作為連接信息感知和駕駛員控制車輛兩個階段的紐帶，如何根據車輛運動信息構建駕駛行為模型并識別駕駛行為，確定時變的駕駛行為狀態水平，對于預防交通事故的發生有著極為重要的現實意義。

2 車輛運動信息表征駕駛行為研究進展

為了獲取車輛運動信息需要搭載傳感器，比如衛星導航系統、慣導系統、智能手機、相機、激光雷達等，各傳感器存在各自的缺點，單獨使用時無法精確獲取車輛運動信息，常用解決方法為使用多種傳感器。

2.1 單一傳感器系統

任慧君等人[3]利用車載GPS模塊采集的車輛軌跡數據，提取行駛速度加速度和轉彎等信息，表征急加速、急減速等不安全駕駛行為。朱興林等人[4]利用大樣本統計方法分析預處理后的GPS數據，精準識別不良駕駛行為。陸鍵等人[5]利用無人機拍攝交通流視頻提取海量車輛行駛軌跡數據，使用大樣本統計方法確定不良駕駛行為的特征參數，建立不良駕駛行為譜。Hsiao Wen-Chih等人[6]開發模糊推理系統識別車輛姿態檢測危險駕駛行為。上述文獻中，車載GPS模塊存在顛簸狀態精度不高、城市建筑對GPS信號產生遮擋、數據精度有限且易受突變誤差影響等缺點，主要應用在公交車、出租車等場景。單一傳感器采集系統的應用案例并不多，大多數還是使用多傳感系統。

2.2 不包含慣性傳感器的多傳感器系統

王媛[7]利用車載GPS、外部攝像頭等傳感器，獲取公交車外部交通信息和車速、方向等信息，建立BP-Adaboost模型識別公交車的急剎車、急轉彎等駕駛行為。Wang Ling等人[8]監測駕駛員的生理、腦電圖等信號以確定疲勞狀態，利用車載攝像頭觀察駕駛員的行為，使用外部攝像頭監測車輛位置，確定是否存在因分心或疲勞而導致的駕駛偏差。孫龍祥[9]構建基于USB-CAN Tool軟件的多傳感器數據采集系統，通過截取視頻數據的幀圖像進行分心類別的標注，辨識多種分心駕駛行為。劉元昊等人[10]開發一套高速公路交通流數據采集系統，將毫米波雷達與雙目相機提取的信息進行最優化估計，提高數據準確度。在多傳感器系統中，若未使用慣性傳感器，則離不開視覺傳感器。視覺傳感器主要缺點為無法識別急加速、急減速等駕駛行為。

2.3 包含慣性傳感的多傳感器系統

吳建清等人[11]利用慣導系統、眼動儀等傳感器采集車輛多模態數據，構建危險駕駛行為指標，表征超速、急變速、急換道等危險駕駛行為。孫川[12]利用慣導系統、毫米波雷達等傳感器，對車輛運動狀態、駕駛員操作行為等信息實時監控，建立基于置信規則庫推理方法的駕駛風險辨識模型。楊軫等人[13]開發一款包含激光雷達、車載運動測量與組合定位等道路環境采集系統，用于識別加速、剎車等駕駛行為。Wu Minglin等人[14]利用九軸運動傳感器采集車輛運動信息，對正常駕駛行為和攻擊性駕駛行為進行分類識別，準確率高達93.25%。Ferreira等人[15]利用安卓手機的加速度計、陀螺儀等運動傳感器，開發駕駛行為識別的手機應用，識別車輛的加速、制動等駕駛行為。

上述文獻的車載數據采集系統都包含陀螺儀和加速度計，技術路線有所不同，分為慣導系統和單獨使用慣性傳感器的兩種技術路線。已有研究成果證明，利用慣性傳感器能夠滿足不同駕駛行為識別的要求。慣導系統除了輸出加速度和角速度之外，還輸出經緯度、姿態、速度等信息，輸出信息更加豐富。張春梅等人[2]僅利用慣導系統也能滿足駕駛行為識別要求，要求慣導系統精度優于MEMS慣導系統，還要兼顧成本、可靠性。慣性傳感器與多種不同類型傳感器相結合，采集車輛多模態運動數據，在數據采集深度、多傳感器信息融合等方面還要開展更多的研究，充分發揮多傳感器系統的優點。

3 基于數據驅動的駕駛行為識別方法研究進展

在以車輛運動信息表征駕駛行為的研究中，運動信息的多維度特點使得駕駛行為研究變得更加復雜。基于多傳感器的駕駛行為識別可歸結為模式識別問題，不同傳感器的時序數據是隨時間變化的數據點序列。駕駛行為識別方法關鍵在于以大樣本數據為基礎，建立精確、高效的識別模型。

隨著計算機硬件設備性能不斷提升，具有自學習能力的算法性能不斷提高，在非線性模型中能夠挖掘時間序列數據的內在關聯，常見算法有支持向量機、神經網絡等算法。朱興林等人[4]提出粒子群算法與支持向量機組合模型識別營運車輛的不良駕駛行為。Pavlo Molchanov等人[16]使用卷積深度神經網絡融合短程雷達、深度傳感器等數據，在可變照明條件下識別駕駛員手勢。Yu Jiadi等人[17]采用支持向量機和神經元網絡兩種方法訓練智能手機傳感器數據，識別異常駕駛行為和正常駕駛行為。Mobyen等人[18]使用慣導系統和GPS采集車輛機動數據，使用神經網絡、K-最近鄰等算法提取特征識別駕駛行為。神經網絡算法相對簡單，具有較強的非線性映射能力和自學習能力，在處理大樣本數據時易陷入局部最優。支持向量機算法能夠解決迭代過程中的過擬合問題，分類結果依賴于參數值的選擇，通常依靠研究人員的經驗或者用其他算法確定參數值，實用性不強。

4 未來研究方向

駕駛行為識別方法能夠精確識別異常、危險等駕駛行為，提醒駕駛員采取正確的、合理的駕駛操作，可避免交通事故發生。本文從三個方面闡述基于車輛運動信息的駕駛行為識別方法研究進展，可為后續駕駛行為研究提供參考。未來可從以下五個方面開展深入研究：

（1）智能手機具有成本低、計算能力強等優點，內置加速度傳感器可以有效表征車輛加速度信息，還包含陀螺儀、磁場傳感器等傳感器，可組合多種傳感器，利用信息融合技術提升組合系統的精度。

（2）受限于多傳感系統的數據特征提取、數據規模等因素，對駕駛行為識別的準確性產生較大影響，深度學習算法在駕駛行為識別取得了很高的準確性。隨著大數據、人工智能等技術快速發展，深度學習算法可能會逐漸成為主流方法。

（3）駕駛行為受駕駛員的駕駛經驗、生理狀況等因素影響。在高速公路中，駕駛行為還受疲勞駕駛、撥打/接聽移動電話等因素影響，疲勞駕駛是高速公路夜間交通事故的重要原因。當駕駛員情緒激動時駕駛行為較差，需要關注駕駛員的心理狀態。

（4）多傳感器系統能夠反映車輛運動信息，但無法反映車輛運行工況信息，比如發動機運行、車輛故障等信息。已有研究成果車輛運動信息與車輛狀態監測并未統一考慮，需要增加車輛狀態監測傳感器。

（5）在實際道路系統中，駕駛員所面臨的交通狀況要復雜很多，駕駛員要想全面獲得道路信息有時會很困難。比如，如何確定道路拐角被遮擋方向、鄉村開放道路等場景是否會有車輛突然來襲。不同環境建立的駕駛行為模型必定差異較大。比如，在山區環境中轉彎急剎車較多，在城市道路環境中轉向剎車、斑馬線剎車較多。考慮駕駛行為使用場景這個因素，可以提高駕駛行為識別方法的適用性、魯棒性。

基金項目：湖南省自然科學基金項目資助（2022JJ60113）。

參考文獻：

[1]Chhabra R ， Verma S ， Krishna C R .A survey on driver behavior detection techniques for intelligent transportation systems[C]//2017 7th International Conference on Cloud Computing， Data Science & Engineering Confluence. IEEE， 2017.

[2]張春梅，劉岳，金瑩，等.光纖慣導車輛姿態識別系統及其誤差分析[J].飛控與探測，2024（2）：94-102.

[3]任慧君，許濤，李響.利用車載GPS軌跡數據實現公交車駕駛安全性分析[J].武漢大學學報（信息科學版），2014，39（06）：739-744.

[4]朱興林，丁雙偉，姚亮，等.基于軌跡數據的營運車輛不良駕駛行為辨識[J].甘肅科學學報，2024，36（02）：28-36.

[5]陸鍵，王可，蔣愚明.基于車輛行駛軌跡的道路不良駕駛行為實時辨識方法[J].交通運輸工程學報，2020，20（06）：227-235.

[6]Hsiao W C ， Horng M F ， Tsai Y J ，et al. A Driving Behavior Detection Based on a Zigbee Network for Moving Vehicles [C]//Technologies & Applications of Artificial Intelligence. IEEE， 2013.

[7]王媛.基于多源數據融合的公交駕駛行為識別與危害程度評價[D].大連：大連交通大學，2022.

[8] Wang L， Song F， Zhou T H，et al. EEG and ECG-Based Multi-Sensor Fusion Computing for Real-Time Fatigue Driving Recognition Based on Feedback Mechanism[J]. Sensors 2023， 23， 8386.

[9]孫龍祥.基于視頻檢測及車輛運行信息的駕駛員分心駕駛行為識別方法[D].淄博：山東理工大學，2023.

[10]劉元昊，張昱，劉杲朋，等.基于雷視一體機的交通流數據采集系統設計[J].計算機測量與控制，2022，30（03）：161-167.

[11]吳建清，張子毅，王鈺博，等.考慮多模態數據的重載貨車危險駕駛行為識別方法[J].交通運輸系統工程與信息，2024，24（02）：63-75.

[12]孫川.基于自然駕駛數據的車輛駕駛風險辨識及控制研究[D].武漢：武漢理工大學，2016.

[13]楊軫，汪名選，劉帥.道路環境與駕駛行為數據同步采集系統研發[J].計算機測量與控制，2024，32（04）：210-218+225.

[14] Minglin W ， Sheng Z ， Yuhan D .A Novel Model-Based Driving Behavior Recognition System Using Motion Sensors[J].Sensors （Basel， Switzerland）， 2016， 16（10）.

[15] Ferreira J ， Carvalho E ， Ferreira B V ，et al. Driver behavior profiling： An investigation with different smartphone sensors and machine learning[J]. Plos One， 2017， 12（4）：1-16.

[16] Molchanov P ， Gupta S ， Kim K ，et al. Multi-sensor system for driver's hand-gesture recognition[C]//IEEE International Conference & Workshops on Automatic Face & Gesture Recognition. IEEE， 2015.

[17] Yu J ， Chen Z ， Zhu Y ，et al. Fine-Grained Abnormal Driving Behaviors Detection and Identification with Smartphones[J].IEEE Transactions on Mobile Computing， 2017：1-1.

[18] Ahmed M U ， Begum S .Convolutional Neural Network for Driving Maneuver Identification Based on Inertial Measurement Unit （IMU） and Global Positioning System （GPS）[J].Frontiers in Sustainable Cities， 2020， 2.