徐莉，趙群飛

0 引言

隨著社會(huì)經(jīng)濟(jì)和工業(yè)技術(shù)的快速發(fā)展，車輛在人民的生活中扮演著日益重要的作用，給我們的生活水平的提高和業(yè)余生活的豐富帶來(lái)了便捷。擁有駕駛證和車輛的高齡人士越來(lái)越多。據(jù)統(tǒng)計(jì)，2008年在中國(guó)擁有60歲以上的高齡駕駛員25640萬(wàn)人，美國(guó)也有超過(guò)185萬(wàn)名71歲以上的老年駕駛員，因?yàn)楦啐g人士身體機(jī)能的衰退，他們?cè)谝暳?、?fù)雜信息處理能力和反映速度方面明顯減緩。同時(shí)，由于生理機(jī)能的衰退，老齡駕駛員在心理上也產(chǎn)生了恐懼，導(dǎo)致高齡駕駛的事故頻頻發(fā)生，損失慘重。由于高齡駕駛員面臨的安全問(wèn)題，近年來(lái)適合于高齡駕駛?cè)藛T的輔助駕駛系統(tǒng)成為輔助駕駛的研究熱點(diǎn)。2006～2009 年美國(guó)財(cái)政擬每年撥款170 萬(wàn)美元專門用于老年駕駛的安全研究, 并開(kāi)展“老年駕駛員交通安全規(guī)劃”[1]。高齡駕駛員在政策法律，健康，社會(huì)支持、車內(nèi)設(shè)備等方面的研究也逐步成為輔助駕系統(tǒng)研究的熱點(diǎn)[2]。文獻(xiàn)[3]分析了中國(guó)機(jī)動(dòng)車駕駛實(shí)情，并提出需要結(jié)合中國(guó)機(jī)動(dòng)車輛市場(chǎng),從實(shí)際出發(fā)設(shè)計(jì)出一種適合老年人的駕駛車輛系統(tǒng)。文獻(xiàn)[4,5]分析了高齡駕駛員的反應(yīng)能力。這一系列研究在一定程度提高了高齡駕駛?cè)藛T駕駛行為的安全性。

針對(duì)老年人安全駕駛問(wèn)題，本文提出了一種基于模糊信息融合的駕駛員行為安全評(píng)估方法，主要包含三個(gè)部分信息采集模塊、信息融合模塊、信息輸出模塊和信息反饋模塊。通過(guò)信息采集、信息融合、策略調(diào)整等方法實(shí)現(xiàn)駕駛行為的全面分析，以全面提升駕駛行為的安全性和舒適性。

1 駕駛安全行為評(píng)估方法流程

1.1 系統(tǒng)架構(gòu)

根據(jù)提升高齡人駕駛行為安全性和舒適性的需要，本文提出如圖1所示的多源信息融合模型，有效解決多傳感器數(shù)據(jù)的有效處理的問(wèn)題。模型主要包括3個(gè)模塊：

圖1 多源信息融合模型舒適模塊

1）信息采集模塊：該模塊中包括路況信息采集、駕駛員行為監(jiān)控采集和駕駛舒適度監(jiān)控兩大功能單元。其中路況信息采集模塊，包括障礙物采集、車輛移動(dòng)信息采集，天氣情況信息采集等；駕駛員行為監(jiān)控采集單元，主要獲取駕駛員的狀態(tài)信息，全面反映老齡駕駛?cè)藛T的狀態(tài)變化情況；

2）信息融合模塊：這部分主要研究如何將駕駛員行為信息、路況信息以及舒適度信息等進(jìn)行融合。我們采用車輛碰撞歷史日志作為訓(xùn)練樣本，來(lái)對(duì)融合規(guī)則進(jìn)行生成和構(gòu)造。

3）信息輸出模塊：對(duì)于多源的信息進(jìn)行融合后，給出綜合的統(tǒng)一安全評(píng)價(jià)量化等級(jí)等級(jí)，并且通過(guò)預(yù)警等方式，為駕駛員提出合理的和操作的駕駛行為改進(jìn)建議。

4）信息反饋模塊：這部分主要實(shí)現(xiàn)駕駛員之間差異的自適應(yīng)性，通過(guò)駕駛行為日志的挖掘和分析，實(shí)現(xiàn)系統(tǒng)的自動(dòng)調(diào)節(jié)，提高對(duì)駕駛員行為的適應(yīng)性，為駕駛員的行為提出正確的建議。

1.2 高齡駕駛者行為安全性模型

駕駛行為的安全模型將全面度量高齡駕駛?cè)藛T的駕駛行為的安全性，經(jīng)過(guò)對(duì)老年人駕駛行為的研究，我們認(rèn)為老齡人隨著駕駛時(shí)間和駕駛速度的增加都將導(dǎo)致駕駛行為的降低，據(jù)此提出駕駛行為的時(shí)間安全度量模型：

式中Degree表示駕駛安全度，V表示駕駛速度，t表示持續(xù)駕駛時(shí)間，strength表示駕駛員動(dòng)作靈敏度。Road和Weather表示駕駛環(huán)境信息。由式(1)我們可以看出，駕駛行為安全度和駕駛時(shí)間和駕駛速度成反比，隨著駕駛速度的增加和駕駛時(shí)間的增長(zhǎng)，將導(dǎo)致身體機(jī)能的衰退，勢(shì)必引起駕駛安全度的降低。另外，駕駛環(huán)境也對(duì)駕駛行為安全度具有重要影響，由式中我們可以看出是反比關(guān)系，即若駕駛環(huán)境信息量化值越大，環(huán)境信息越糟糕，駕駛行為安全度就越低。

1.3 模糊信息融合模型

數(shù)據(jù)融合主要研究在現(xiàn)代戰(zhàn)場(chǎng)管理中對(duì)海量的戰(zhàn)場(chǎng)多源信息的快速有效處理，即把來(lái)自許多傳感器和信息源的數(shù)據(jù)和信息加以聯(lián)合、相關(guān)和組合，以獲得精確的位置和身份估計(jì)，從而獲得對(duì)戰(zhàn)場(chǎng)和威脅及其重要程度適時(shí)的完整評(píng)價(jià)。

圖2 數(shù)據(jù)融合的White模型

基于以上給出的基本概念，以兩入一出、英國(guó)學(xué)者提出的 Mamdani模糊推理算法為例，簡(jiǎn)要介紹模糊推理過(guò)程如下：

1)輸入給定, 給定量化論域X、Y、Z，及其上的模糊集

F(X)、F(Y)、F(Z)，模糊集合Ai=(a1i, ...,ani),Bi=(b1i, ...,bmi)和Ci=(c1i, ...,cti)， 模 糊 規(guī) 則 “IFAiANDBiTHENCi”(i=1,...,p)。其中aji(j=1,...,n)、bji(j=1,...,m)、cji(j=1,...,t)分別為論域X、Y、Z中各元素屬于模糊集合Ai、Bi、Ci的隸屬度，P為模糊變量的個(gè)數(shù)。

2）模糊關(guān)系求?。夯诮o定的模糊集和模糊規(guī)則，求得總模糊關(guān)系為：

這里，(Ai×Bi)T1表示把這個(gè)n×m模糊矩陣按行“拉直”成nm元模糊行向量，再轉(zhuǎn)置成nm元模糊列向量，Ai×Bi是模糊向量的笛卡兒積。

3）求取輸出模糊量，在求取總模糊關(guān)系R的基礎(chǔ)上，對(duì)某一模糊特征向量A*、B*，進(jìn)一步可求輸出的模糊量：

這里，(A*×B*)T2的含義是把A*×B*這個(gè)n×m模糊陣按行“拉直”成×元模糊行向量。

4）求取輸出精確量，對(duì)模糊輸出量C*通過(guò)重心法解模糊判決式，可求出輸出的精確量，計(jì)算公式為：

其中，i代表論域C的量化論域值，s代表量化論域的范圍。

2 模糊數(shù)據(jù)融合在輔助駕駛中的應(yīng)用

結(jié)合前文分析，提出如圖3所示的輔助駕駛模糊信息融合模型。其中道路狀況檢測(cè)結(jié)果數(shù)據(jù)庫(kù)Road Situation Log、Drive Behavior Log為融合推理的數(shù)據(jù)源，Comfort log 與Incident Log相結(jié)合指導(dǎo)制定模糊推理規(guī)則，經(jīng)過(guò)模糊融合計(jì)算，可得到駕駛環(huán)境安全性動(dòng)態(tài)評(píng)估結(jié)果，并根據(jù)結(jié)果提出駕駛行為的調(diào)整策略。在

圖3 輔助駕駛中的數(shù)據(jù)融合模型

3 模糊信息融合過(guò)程實(shí)現(xiàn)

3.1 輸入、輸出變量的確定

應(yīng)用模糊信息融合推理進(jìn)行評(píng)估的過(guò)程中，論域X、Y、Z分別對(duì)應(yīng)路況分值RV、駕駛行為量化分值DV和由此所得到的駕駛環(huán)境安全性分值 CV，F(xiàn)(x)、F(Y)、F(Z)分別對(duì)應(yīng)RV、DV及CV的模糊語(yǔ)言變量集合。路況多源信息融合模型的輸入為路況量化分值 RV、駕駛行為量化值 DV。駕駛行為舒適度CD和相應(yīng)環(huán)境下的碰撞次數(shù)CN，與人類的思考規(guī)律相結(jié)合制定模糊推理策略。模型輸出為當(dāng)前駕駛環(huán)境安全性分值CV。根據(jù)道路環(huán)境、車輛環(huán)境和天氣等原因?yàn)槁窙r信息進(jìn)行量化處理，設(shè)置量化范圍為[0，180]，其數(shù)值隨路況由壞到好的程度增長(zhǎng)而增長(zhǎng)。根據(jù)駕駛員年齡、駕駛經(jīng)驗(yàn)、駕駛員駕駛過(guò)程中身體機(jī)能等對(duì)駕駛員行為信息進(jìn)行量化處理，量化范圍為[0，100]，其數(shù)值隨駕駛行為評(píng)價(jià)的由壞到好的程度增長(zhǎng)而增長(zhǎng)。定義一系列模糊語(yǔ)言，說(shuō)明路況量化信息和駕駛員行為的嚴(yán)重性高低。RV、DV和CV的模糊子集為{VL，Ler，L，M，H，Her，VH}，其中VL表示很低，Ler表示較低，L表示低，M表示中，H表示高，Her表示較高，VH表示很高，同時(shí)分為六個(gè)量化等級(jí)，量化論域?yàn)閧-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}，從基本論域到量化論域的離散化公式為：

這里a、b分別為基本論域的下限、上限，n為量化等級(jí)，x’為輸入量在基本論域內(nèi)的取值。

3.2 隸屬函數(shù)的確定

隸屬函數(shù)是應(yīng)用模糊集合理論解決實(shí)際問(wèn)題的基礎(chǔ)，為了說(shuō)明路況量化分值和駕駛員行為量化值屬于某一模糊子集的程度，定義隸屬函數(shù)并使用隸屬度來(lái)度量。本文提出采用模糊統(tǒng)計(jì)的方法，確定輸入、輸出變量的隸屬函數(shù)，其確定過(guò)程如下：

1）選擇n1,n2,…,nm個(gè)駕駛員做抽樣實(shí)驗(yàn)，讓他們獨(dú)立認(rèn)真思考某一模糊語(yǔ)言F的含義后，提出他們認(rèn)為最適宜的基本論域的界限。由于每個(gè)被測(cè)試者對(duì)這一模糊語(yǔ)言概念理解上的差異，因此區(qū)間不完全相同。

2）對(duì)于基本論域的一個(gè)值x'，對(duì)模糊語(yǔ)言F的隸屬頻率為：

3）對(duì)于'x，對(duì)模糊語(yǔ)言F的隸屬度為：

4）使用離散化公式4，求取x'的量化值X'，轉(zhuǎn)化為X'與μ(x')的對(duì)應(yīng)關(guān)系，即確定隸屬函數(shù)曲線中的一個(gè)點(diǎn)(X', μ(x'))。

5）重復(fù)步驟 2）-4），遍取基本論域的每一個(gè)值x'，確定其離散值對(duì)應(yīng)的隸屬度，即可得到量化論域與模糊語(yǔ)言F的隸屬度曲線。

6）重復(fù)步驟1）-5），遍取模糊集合的每一個(gè)模糊語(yǔ)言，確定其對(duì)應(yīng)的隸屬度曲線，最終確定量化論域與模糊集合的隸屬函數(shù)分布。 重復(fù)使用模糊統(tǒng)計(jì)方法，確定RV、DV及CV的隸屬函數(shù)分布如圖所示。

圖7 RV、DV及CV隸屬函數(shù)分布

3.3 模糊規(guī)則表

根據(jù)人的知識(shí)、思考及決策等，結(jié)合駕駛行為舒適度和車輛碰撞等信息,基于專家經(jīng)驗(yàn)制定模糊規(guī)則，如表2所示，其中行代表RV的模糊子集，列代表DV的模糊子集，行與列的交叉處為CV的模糊子集。表中共有49條規(guī)則，對(duì)表中的規(guī)則解釋如下：

表1 模糊推理規(guī)則表

4.4 模糊推理

利用Mamdani模糊推理過(guò)程，首先根據(jù)隸屬函數(shù)分布，得到模糊集合VL、Ler、L、M、H、Her和VH對(duì)應(yīng)的模糊向量分別為：

然后，依次取得模糊規(guī)則表，利用公式10，模糊關(guān)系：

對(duì)于某一模糊特征向量 RV*、 DV*，利用公式推理合成規(guī)則，得到輸出的精確量，此值對(duì)應(yīng)隸屬度最大的模糊集合為駕駛狀態(tài)綜合評(píng)估結(jié)果。

4 試驗(yàn)結(jié)果分析

4.1 高齡駕駛者機(jī)能衰減研究

我們首先分析了駕駛員機(jī)能隨著駕駛時(shí)間、速度和年齡的衰減問(wèn)題。實(shí)驗(yàn)分析結(jié)果如圖4和5所示。結(jié)果顯示，由于高齡駕駛者往往具有豐富的駕駛經(jīng)驗(yàn)，所以在駕駛初始階段他們的駕駛行為安全度往往很高。但是由于身體機(jī)能的衰退，隨著行駛速度和時(shí)間的增加，他們的行為安全度呈指數(shù)衰減，結(jié)果和我們所提出的駕駛員行為安全模型相吻合。由圖標(biāo)可得駕駛行為安全度和持續(xù)駕駛時(shí)間、駕駛速度、駕駛員年齡的關(guān)系可由如下表達(dá)式表示：

其中， DBSD是駕駛行為安全度，t是持續(xù)駕駛時(shí)間，speed是駕駛速度，v和w是兩個(gè)參數(shù)，在本次試驗(yàn)中，我們采用v=8,w=0.02。

由上式可以看出，隨著行駛時(shí)間和速度的不同，我們對(duì)于不同年齡的駕駛員應(yīng)采用不同的報(bào)警策略。因此，高齡駕駛員對(duì)于輔助駕駛系統(tǒng)有著特別的要求，設(shè)計(jì)適合高齡駕駛者的輔助駕駛系統(tǒng)是十分必要的。

圖4 各年齡段駕駛員的駕駛行為安全度與駕駛速度的關(guān)系

圖5 各年齡段駕駛員的駕駛行為安全度隨著駕駛時(shí)間的變化關(guān)系

4.2 駕駛環(huán)境安全性綜合評(píng)估

車輛駕駛行為是一種復(fù)雜的動(dòng)態(tài)行為，而輔助駕駛系統(tǒng)所提供的駕駛行為改進(jìn)策略應(yīng)該建立在綜合衡量各種信息的基礎(chǔ)之上。本文所提出的方法綜合考慮了路況信息、駕駛行為和駕駛員狀態(tài)等和駕駛行為密切相關(guān)的行為信息。所提出的駕駛行為改進(jìn)策略是有效的。為了評(píng)價(jià)本文所提方法的有效和準(zhǔn)確性，我們分析了動(dòng)態(tài)變化下路況行為和駕駛行為的綜合影響。

我們分析了路況量化值和駕駛行為信息量化值等信息相同的情況下，駕駛環(huán)境安全度量化值CV隨著駕駛者年齡不同的變化情況。結(jié)果如表2。由結(jié)果我們可以看出，高齡駕駛者的安全駕駛時(shí)間有限，采用駕駛行為安全度模型后，本系統(tǒng)可以較好的反映高齡駕駛者的安全駕駛情況。根據(jù)分析，我們認(rèn)為高齡駕駛者持續(xù)駕車時(shí)間最好不要超過(guò) 3小時(shí)。

表2 行為變化對(duì)危險(xiǎn)等級(jí)的影響結(jié)果

5 總結(jié)

針對(duì)目前駕駛行為和輔助駕駛系統(tǒng)日益復(fù)雜的問(wèn)題，本文提出采用信息融合的方法有效實(shí)現(xiàn)多源輔助駕駛信息的融合，在此基礎(chǔ)上設(shè)計(jì)合理的駕駛行為改進(jìn)策略。同時(shí)針對(duì)高齡駕駛?cè)藛T所面臨的問(wèn)題，分析了駕駛行為舒適度和身體機(jī)能衰減規(guī)律，依此指導(dǎo)模糊融合策略的生成和制定相應(yīng)的行為該進(jìn)策略。根據(jù)車輛沖突和模型指導(dǎo)所建立的模糊規(guī)則集合，準(zhǔn)確地反映了時(shí)間等因素對(duì)駕駛行為的影響。分析結(jié)果表明，路況和駕駛行為等信息，對(duì)于周圍駕駛安全等級(jí)的判定情況不是簡(jiǎn)單不變的，隨著駕駛時(shí)間和駕駛行為的變化，周圍環(huán)境的影響對(duì)于駕駛安全的度量是動(dòng)態(tài)變化的，本文所提出的方法較好的實(shí)現(xiàn)了這一點(diǎn)。

[1]Lyman S, Ferguson S A, Braver E R, Williams A F. Older driver involvement in police reported crashes and fatal crashes: trends and projections. Inj Prev 2002; 8(2):116–123.

[2]Li L, Song J, Wang F Y, Niehsen W, Zheng N N. IVS 05:New developments and research trends for intelligent vehicles. IEEE Intelligent Systems, 2005, 20(4): 10-14.

[3]Li L, Wang F Y. Research advances in vehicle lateral motion monitoring and control. International Journal of Intelligent Control and Systems, 2005, 10(1): 60-76.

[4]Kolodko J and Vlacic L. “Fusion of range and vision for real-time motion estimation,” in Proc. IEEE Intell. Veh.Symp, Jun. 2004, pp. 256–261.

[5]Christie R. The electiveness of driver training as a road safety measure: an international review of the literature. In Proceedings of Road Safety Research, Policing and Education Conference. Melbourne, Australia: Australia Transport Council, 2001.