摘 ?要：隨著經(jīng)濟的發(fā)展和人民生活水平的提高，我國汽車數(shù)量不斷增長，但與此同時道路交通事故持續(xù)發(fā)生。對此，學者從駕駛員駕駛行為的角度對其進行了研究。深入分析駕駛行為，有助于制定更合理的交通法規(guī)，設計更高效的交通系統(tǒng)，從而減少交通事故的發(fā)生。本文利用豐田OBD數(shù)據(jù)，實現(xiàn)了對常見駕駛行為的建模，包括剎車模型，急加速/減速模型，疲勞駕駛判斷模型，超速行為識別模型，車輛變道轉(zhuǎn)向的相關判斷模型等。在此基礎上，可實現(xiàn)對車輛停車、穩(wěn)定行駛、加減速狀態(tài)、急加速/減速、轉(zhuǎn)向變道及轉(zhuǎn)向燈合理性等行為的判定。本文重點對變道相關模型進行了分析和驗證。結(jié)果表明，在誤差允許范圍內(nèi)，模型計算結(jié)果與實際操作基本吻合。

關鍵詞：OBD數(shù)據(jù);駕駛行為分析;變道模型

中圖分類號：U491.25 ? ? ? ? 文獻標識碼：A ? ? ? ?文章編號：1671-2064（2019）16-0000-00

0引言

隨著社會的不斷發(fā)展，駕駛行為逐漸成為評判司機技術的重要標準。不好的駕駛行為是引發(fā)許多的交通事故的主要原因之一，而好的駕駛行為有利于減少交通事故發(fā)生，因此對駕駛行為的分析十分緊迫。本文對駕駛行為進行分析，旨在為改善駕駛行為水平做出貢獻。

本文數(shù)據(jù)來源于OBD（On-Board Diagnostic車載診斷系統(tǒng)），理由是OBD數(shù)據(jù)具有穩(wěn)定、及時、智能、使用面積廣的優(yōu)點。OBD系統(tǒng)一般以智能手機作為服務顯示設備，通過與智能手機互聯(lián)，將OBD接口獲取的汽車數(shù)據(jù)提供給車主。

駕駛行為的分析可以分為宏觀、微觀兩大類，宏觀駕駛行為是從車輛行駛數(shù)據(jù)入手推導原因，如從車輛加速度、速度、里程數(shù)、方向盤等判斷駕駛員是否是疲勞駕駛等;微觀駕駛行為是指駕駛員的具體決策導致的車輛行駛，如在做出超車決策后，需要判斷周邊環(huán)境信息做出超車決策等，以及決策行為會對整個交通系統(tǒng)的影響。本文基于豐田的OBD原始數(shù)據(jù)，從微觀角度建模分析常見駕駛行為，重點對變道模型進行了驗證。

1相關工作

車輛OBD系統(tǒng)為駕駛員操作分析和車輛能耗分析提供了基礎。常見應用如，保險公司通過UBI車險與OBD數(shù)據(jù)模型有機結(jié)合，提出更有利于實現(xiàn)雙贏的保險機制;在能耗分析方面，也有學者基于OBD數(shù)據(jù)并根據(jù)理想氣體狀態(tài)方程及空燃比原理對計算車輛油耗。能耗分析的延伸還包括通過分析車輛發(fā)動機的使用壽命，以及電動車的用能計算、碳足跡計算。

1.1 OBD數(shù)據(jù)

OBD數(shù)據(jù)指基于豐田汽車公司《車輛總線通信規(guī)范》，通過OBD設備以偵聽方式采集車輛總線上各種行駛狀態(tài)下的參數(shù)，包括豐田提供的330個車輛參數(shù)字段。涉及車型包括漢蘭達、凱美瑞、雷克薩斯等。

1.2數(shù)據(jù)的問題及解決方法

由于車輛處于橋底或者隧道時，信號可能無法連接，也存在緩存過少導致數(shù)據(jù)丟失的現(xiàn)象，因此首先進行數(shù)據(jù)預處理。本文通過識別并標記數(shù)據(jù)噪聲、去除不可靠的數(shù)據(jù)段的方式進行預處理，為模型分析建立打下基礎。

1.3常見駕駛行為的模型

通過OBD數(shù)據(jù)可以分析駕駛行為。由于駕駛行為可以用多種不同的傳感器參數(shù)進行描述，因此建立以下模型。

1.3.1轉(zhuǎn)向判斷（表1）

1.3.2轉(zhuǎn)向燈合理性判斷（表2）

1.3.3轉(zhuǎn)彎模型

轉(zhuǎn)彎模型的數(shù)據(jù)基礎為10HZ頻率收集的OBD數(shù)據(jù)，包括速度v（m/s），時間t（s），車輛橫向加速度a（m/s2），方向盤轉(zhuǎn)角s（°）。模型如圖1。

如圖1所示，假設車輛變換車道時的速度為v，變道過程近似認為勻速圓周運動，且實際中兩條相鄰車道中心線相距為3m，車輛變道的轉(zhuǎn)向角為α，因此車輛變道過程中存在等式：

如圖2所示，假設車輛轉(zhuǎn)向時的速度為v，將每一個0.1s的小轉(zhuǎn)向近似認為直角三角形，轉(zhuǎn)向半徑為，每0.1s變化角度為α，因此車輛變道過程中存在等式：

可對車速情況進行分類。規(guī)定速度v在（0，30）內(nèi)為A類;速度v在（30，60）內(nèi)為B類;速度v大于60為C類。再對數(shù)據(jù)的進行整理與歸納得到：

（1）A類轉(zhuǎn)向或變道時方向盤轉(zhuǎn)角s可變范圍為（30，300）。

（2）B類轉(zhuǎn)向或變道時方向盤轉(zhuǎn)角s可變范圍為（10，50）。

（3）C類轉(zhuǎn)向或變道時方向盤轉(zhuǎn)角s可變范圍為（5，7）。

變道具體過程如下：

1）在車速處在對應類別并方向盤轉(zhuǎn)向處在對應類別的情況下開始，對每0.1s的數(shù)據(jù)做處理，計算

2）對指定時間內(nèi)的l進行求和，因為近似構(gòu)成直角三角形，計算

3）若q在（30，45）內(nèi)，則認為發(fā)生了變道

普通轉(zhuǎn)向具體過程如下：

1）在車速處在對應類別并方向盤轉(zhuǎn)向處在對應類別的情況下開始，對每0.1s的數(shù)據(jù)做處理，計算，以及

2）因為近似構(gòu)成直角三角形，計算，并對指定時間內(nèi)的q進行求和

3）若q在（70，90）內(nèi)，則認為發(fā)生了轉(zhuǎn)向

依據(jù)普通轉(zhuǎn)向的判定方法，下面對轉(zhuǎn)盤轉(zhuǎn)向、S彎轉(zhuǎn)向、高架橋轉(zhuǎn)向與普通轉(zhuǎn)向做簡單對比，并給出對應計算模型，如表3。

2實驗驗證

本文重點對轉(zhuǎn)向判斷模型進行驗證。原因在于轉(zhuǎn)向時容易誘發(fā)事故，這也適用于對變道的分析。美國公路交通安全管理署（National Highway Traffic Safety Administration， NHTSA）的研究報告表明，變道事故占交警記錄的事故總數(shù)的5%，占傷亡事故的0.5%。了解駕駛員變道的特征，有助于分析變道事故多發(fā)的原因，有針對性地采取措施，提高行車安全與交通運行效率。

2.1驗證細節(jié)

針對上節(jié)所構(gòu)建的轉(zhuǎn)向判斷模型，本文采用同期的駕駛過程記錄視頻作為檢驗證據(jù)。因可用于驗證的車輛視頻有限，且只涉及部分車輛，本文使用車輛行駛視頻信息對模型結(jié)果進行驗證。

2.2具體驗證過程

以豐田車為例，根據(jù)所記錄行駛過程的時間軸，與車輛行駛過程所錄制的視頻信息進行比較，并對車輛應該打轉(zhuǎn)向燈的數(shù)據(jù)段進行標注（100表示車輛應該打轉(zhuǎn)向燈），再將模型計算結(jié)果（-100代表打轉(zhuǎn)向燈）與人工標注的結(jié)果進行匹配驗證，部分結(jié)果如圖3。

圖3中藍色為從車輛視頻中人工標注得到的打轉(zhuǎn)向燈的信息（為了便于比較，用值100標記實際應該打轉(zhuǎn)向燈），綠色的為模型計算得到的打轉(zhuǎn)向燈的信息（-100表示模型計算應該打轉(zhuǎn)向燈）。

視頻驗證了2個行程，總計約2個小時，車輛實際共進行了60次轉(zhuǎn)向操作，模型計算結(jié)果下車輛共進行了49次轉(zhuǎn)向操作，對比之下，可以看出時間、打轉(zhuǎn)向燈次數(shù)基本吻合。對于未匹配的部分，存在人工標注的誤差。在誤差允許的范圍內(nèi)，驗證成功率達到80%。因此認為視頻驗證下模型基本正確。

3總結(jié)與展望

本文通過基于豐田汽車OBD數(shù)據(jù)的建模分析，實現(xiàn)的對于多種常見駕駛行為的分析。其中包括：剎車模型，急加速/減速模型，疲勞駕駛判斷模型，超速行為識別模型，車輛轉(zhuǎn)向的相關判斷模型。本文重點對轉(zhuǎn)彎模型的準確度進行驗證。

本文希望能為將來的智能生活提供一定的支持。比如在司機轉(zhuǎn)向時，系統(tǒng)可以對司機進行語言的提示，提醒有些習慣不打或晚打轉(zhuǎn)向燈的司機，為廣大的司機朋友養(yǎng)成一個良好的駕駛行為習慣。減少交通事故發(fā)生的頻率，營造人人安分駕駛的優(yōu)良的氛圍。

參考文獻

[1]王雪松，李艷.基于自然駕駛數(shù)據(jù)的駕駛員變道特征分析[J].交通信息與安全，2016（1）：17-22.

[2]張鳳，李永娟，蔣麗.駕駛行為理論模型研究概述[J].中國安全科學學報，2010，20（2）：23.

[3]肖麗萍.基于OBD系統(tǒng)的特性分析[J].北京汽車，2006（5）：29-32.

[4]劉雁飛.駕駛行為建模研究[D].浙江大學，2007.

[5]郭洪艷，陳虹，趙海艷，等.汽車行駛狀態(tài)參數(shù)估計研究進展與展望[J].控制理論與應用，2013， 30（6）：661-672.

收稿日期：2019-06-26

作者簡介：劉昱麟，男，漢族，湖南武岡人。