基于主客觀融合的駕駛風格辨識方法研究

【摘要】針對駕駛風格辨識問題，提出了一種基于主客觀融合的分類辨識方法。首先，構建駕駛風格主觀量表，并映射形成主觀風格因子；其次，構建數據采集系統獲取自然駕駛數據，并對跟馳及換道行為場景進行挖掘；然后，提取行為關鍵特征與主觀風格因子共同構成駕駛風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行降維及無監督聚類，并對聚類結果進行驗證；最后，引入帶有物理意義的具體特征參數的分布情況對激進型、中庸型及保守型駕駛風格進行辨識。結果表明，主觀風格因子與客觀行為特征參數的分布一致性較好，該融合方法可對駕駛風格進行有效辨識。

關鍵詞：駕駛風格 主觀風格因子 自然駕駛數據 行為關鍵特征 主客觀融合

中圖分類號：U467.1" 文獻標志碼：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

駕駛風格反映駕駛員的習慣性駕駛方式，是隨駕駛經驗累積形成的。駕駛風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。研究駕駛風格能夠有效改善駕駛員習慣，給出針對性建議。同時，駕駛風格準確辨識也能夠識別及預測各類工況下駕駛員的駕駛意圖，促進異質交通流中車-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，針對駕駛風格辨識的研究主要包括客觀數據辨識和主觀量表評價兩種方式。客觀數據辨識方法以采集實車[1-3]及駕駛模擬器[4-5]中駕駛風格關聯數據為主，基于各類降維及聚類方法對數據進行分析，并用于指導駕駛風格分類辨識模型搭建。李經緯等[6]采集公交車行駛數據，基于車速、加速度及沖擊度指標構建了駕駛風格辨識體系。劉迪等[7]采集自然駕駛數據并獲取常規工況、超速及極端工況特征參數，采用K均值對駕駛風格進行了聚類辨識。吳兵等[8]采集自然駕駛數據并對跟馳行為進行場景挖掘，提取了跟馳關聯特征并對駕駛風格進行分類辨識。

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格進行多維度分類，常用的問卷量表包括駕駛人行為問卷（Driver Behavior Questionnaire，DBQ）、駕駛人風格問卷（Driver Style Questionnaire，DSQ）、多維度駕駛風格量表（Multidimensional Driving Style Inventory，MDSI）等。黃晶等[9]參考MDSI和DBQ制定風格量表，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型、普通型和謹慎型。華翎森[10]基于MDSI結合人格特質量表對年輕駕駛員進行了風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果，對量表信效度及填寫質量要求較高。客觀數據辨識由于針對每位駕駛員的數據量較少、隨機性強，無法真實全面地表征駕駛風格。針對以上問題，本文首先以各類成熟量表為依據，通過相關性分析將量表內容映射為主觀風格因子，然后以采集到的駕駛員自然駕駛數據中跟馳及換道行為數據為基準，提取客觀行為關鍵特征參數，并將主、客觀特征進行歸一化去量綱處理，基于PCA及K均值方法進行降維聚類，最終通過分析帶有物理意義的具體特征參數，對無監督分類結果進行標定，實現駕駛風格的有效辨識。

2 駕駛風格主觀量表制定

按照常規分類方法，本文將駕駛風格定義為保守型、中庸型及激進型。通過駕駛風格量表對駕駛員進行主觀量化評估，基于MDSI、DBQ、DSQ等通用成熟量表，主觀篩選與考核維度相關的問題，同時引入一般決策風格量表（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行統一，每項子問題設置“非常符合”“比較符合”“一般符合”“不太符合”“不符合”5個選項，定義量化分數分別為5分～1分，表征駕駛員對題目的認同程度。

招募50名涵蓋不同年齡、職業及駕駛背景（駕齡、駕駛車型、常行駛路況等）的駕駛員填寫量表構成分析樣本，采集量表打分數據。對50名駕駛員主觀評價量表結果進行相關性分析，引入皮爾遜相關系數（Pearson Correlation Coefficient），計算公式為：

基于相關性分析結論，結合強相關問題組的具體語義信息，可將問題組映射為主觀風格因子，并作出以下定義：將3、4定義為擁堵心態因子；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定義為謹慎決策因子；將2、11、15、16定義為違規傾向因子。將上述5類因子作為駕駛風格辨識主觀因子，用于后續與客觀因子共同作為駕駛員風格辨識的參考。由于在制作量表時未對各題目進行優先級劃分，可認為每道題目的權重相同，為平衡不同主觀風格因子關聯題目數量不同造成的影響，取每類駕駛因子對應關聯題目得分的平均值為其特征值。

3 駕駛行為關鍵特征獲取

3.1 駕駛行為數據采集系統搭建

搭建駕駛行為數據采集系統，以某型乘用車為試驗車輛，配裝功能攝像頭、毫米波雷達、駕駛員監控系統（Driver Monitor System，DMS）攝像頭、激光雷達、高清攝像頭。其中：功能攝像頭采集試驗車前、后向與側向目標物、交通標志及車道線信息；毫米波雷達、激光雷達與功能攝像頭進行目標級融合獲取目標物信息；DMS攝像頭采集駕駛員狀態信息；高清攝像頭采集各向高清視頻。

裝備多接口高性能工控機實時記錄各類文本和視頻數據，同時為實現大容量存儲，在車端部署網絡附屬存儲（Network Attached Storage，NAS）設備，NAS設備基于高速網口與工控機進行數據交互。配置逆變器和穩壓電源為工控機、NAS設備及各類傳感器供電。整套系統如圖1所示。

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

對采集的多源異構駕駛數據進行預處理，基于插值方法對各類傳感器采集的數據進行時間戳同步。完成同步同頻后進行數據清洗，包括缺失點補充、異點去除、空值填補及各類信號濾波。通過同步及數據清洗形成預處理數據。

3.2 跟馳行為挖掘

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

對預處理數據進行跟馳行為提取，首先對自車運動狀態進行約束。自車位置約束確保自車始終在兩車道線內不發生變道，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

對預處理后的數據進行換道行為提取挖掘，首先對換道場景跨線時刻進行識別，以置信度較大一側車道線為基準，獲取自車與該側車道線的距離，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，定義聯合約束條件為：

定義換道場景起止點，對距離進行求導獲取偏移車道線的速度，如圖4所示。以跨線時刻為基準，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行編程提取，針對不同駕駛員對所有提取片段進行區分標注。

4 主客觀特征融合聚類

4.1 行為關鍵特征定義

考慮跟馳為縱向運動，關鍵運動學特征為自車縱向速度、與目標前車相對縱向速度及相對縱向距離。通過數理統計方法，添加針對每位駕駛員的平均跟馳時長指標，最終選取跟馳關鍵特征如表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，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的統計值，選取的主要特征參數如表4所示。

4.2 主客觀融合聚類

將主觀風格因子與提取的客觀關鍵特征參數進行融合，共獲取15維參數，為消除量綱影響，對數據進行歸一化處理。針對特征種類繁多、部分參數相關性強等問題，對所提取的特征參數進行降維處理。為實現快速降維，使用PCA方法，PCA基于特征值分解將相關性高的變量轉化為獨立不相關變量，屬無監督學習算法。

針對多維參數，引入矩陣協方差表達特征間相關性，可得多維優化目標為：將15維特征降至k維，選擇k個模為1的正交基，使原始數組映射至該組基后新生成特征間協方差為0，樣本內方差最大。已知協方差矩陣C的表達式為：

按照Λ對應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個最大特征值對應的特征向量，使得主成分累計貢獻率滿足要求，實現特征降維。編寫PCA降維程序并將所提取的全部特征輸入模型，定義目標貢獻率為90%。計算得到前5個主成分貢獻率累加結果超過90%，故最終提取前5維參數，降維碎石圖如圖5所示。

由于本文樣本無先驗風格化標簽，故基于無監督學習聚類進行風格分類。考慮通用性，選擇K均值方法。本文使用的評價準則函數為：

針對降維后樣本集進行均值聚類，設置初始迭代中心并觀測迭代記錄，最終實現聚類收斂，聚類結果如表5所示。

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

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

計算可得整體輪廓系數為0.467，且全部樣本中輪廓系數為負值的僅有1項，聚類結果較為準確。

5 聚類結果綜合分析

為辨識無監督聚類結果所對應的駕駛風格，繪制針對不同類別具備物理意義的典型特征統計分布情況，結果如圖7所示。

觀察各特征統計分布情況可得，類別1駕駛員百公里換道次數較多，換道過程中縱向行駛距離較短，擁堵心態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，駕駛風格激進。

類別0的駕駛員百公里換道次數較少，跟馳車間時距較短，跟馳過程中平均車速較高，說明此類駕駛員習慣長時間保持穩定跟馳。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慎，需要較長距離才能完成換道，該類駕駛員擁堵心態因子及高速刺激因子也較小，駕駛風格保守。

類別2的駕駛員各項參數均比較適中，表明該類駕駛員屬于中庸型駕駛風格。

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

6 結束語

駕駛員風格辨識可廣泛應用于智能駕駛系統的開發與測試。本文綜合應用主觀量表和客觀數值特征，基于無監督學習算法提出一種駕駛員風格辨識方法，對具有物理意義的關鍵特征參數進行分析，結果表明，該方法主觀風格因子與客觀行為特征參數指標一致性較好，能夠較為全面客觀地表征駕駛員的真實駕駛風格。該方法有效兼顧了辨識結果的可解釋性和有效性，可用于智能駕駛系統個性化風格的參數化定義和綜合測試。

參考文獻

[1]" "覃文文， 鄢祺陽， 谷金晶， 等. 重載貨車駕駛人駕駛風格識別與量化研究[J]. 交通運輸系統工程與信息， 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DBSCAN算法的駕駛風格識別方法研究[J]. 合肥工業大學學報（自然科學版）， 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神經網絡的多工況駕駛風格識別[J]. 汽車實用技術， 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]. 武漢理工大學學報（交通科學與工程版）， 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]" "李經緯， 趙治國， 沈沛鴻， 等. 駕駛風格K-means聚類與識別方法研究[J]. 汽車技術， 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據的駕駛風格研究[J]. 汽車技術， 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. 考慮駕駛風格的模糊控制跟馳模型[J]. 同濟大學學報（自然科學版）， 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. 考慮駕駛人風格的換道軌跡規劃與控制[J]. 中國公路學報， 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. 不同駕駛風格年輕駕駛員的人格分析[J]. 人類工效學， 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.

（責任編輯 斛 畔）

修改稿收到日期為2024年5月27日。