宋曉琳，費(fèi)宏亮

（湖南大學(xué)汽車車身先進(jìn)設(shè)計(jì)制造國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙 410082）

1 引言

隨著我國(guó)經(jīng)濟(jì)的發(fā)展，車輛的保有量越來越多，由車輛引起的交通事故也越來越多。為了減少交通事故的發(fā)生，各種主被動(dòng)安全裝置應(yīng)運(yùn)而生并得到廣泛應(yīng)用，如制動(dòng)防抱死系統(tǒng)ABS（Anti-lock Braking System）、電子穩(wěn)定系統(tǒng) ESP（ElectronicStability Program）、電子制動(dòng)輔助系統(tǒng)EBA（Electronic Brake Assist）、制動(dòng)輔助系統(tǒng)BrakeAssist System（BAS）、ACC（Adaptive cruise control）、LKA（Lane keeping assist）等[1]。但是，目前這些系統(tǒng)都沒有考慮駕駛員特性的影響，如BAS，從駕駛員踩制動(dòng)踏板的速度中探測(cè)到車輛行駛中遇到的情況，采取制動(dòng)輔助措施。而在同樣危險(xiǎn)環(huán)境下駕駛，不同特性，踩下制動(dòng)踏板的速度是各不相同的，因而制動(dòng)輔助系統(tǒng)起作用時(shí)間和作用強(qiáng)度應(yīng)該考慮駕駛員特性。

為此，國(guó)內(nèi)外許多學(xué)者開展了相關(guān)研究。他們主要是從兩個(gè)方面進(jìn)行研究，一個(gè)是從駕駛員的車輛操作信號(hào)，另一個(gè)使用駕駛員的眼動(dòng)信號(hào)。

1.1 基于操作信號(hào)的駕駛員技能等級(jí)評(píng)價(jià)

文獻(xiàn)[1]使用決策樹，人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)（SVM）三種不同的方法對(duì)駕駛員的轉(zhuǎn)向盤轉(zhuǎn)角進(jìn)行駕駛員技能等級(jí)評(píng)價(jià)。研究發(fā)現(xiàn)：在雙移線（DLC）工況下，對(duì)不同熟練程度駕駛員的方向盤轉(zhuǎn)角信號(hào)經(jīng)過傅里葉變換后，熟練駕駛員一般會(huì)存在兩個(gè)波峰，而不熟練駕駛員只存在單個(gè)波峰。文獻(xiàn)[2]通過分析加速度的導(dǎo)數(shù)，使用DS 分類算法建立駕駛員技能等級(jí)分類模型。由于使用單一操作信號(hào)可能會(huì)忽略其他操作信號(hào)的影響，因此，許多學(xué)者開展了多操作信號(hào)的研究，文獻(xiàn)[3]設(shè)計(jì)了八段不同轉(zhuǎn)彎半徑和角度的彎道，采集了車輛的縱向和橫向控制數(shù)據(jù)（轉(zhuǎn)向盤轉(zhuǎn)角、車速、橫擺角速度、側(cè)向加速度、制動(dòng)踏板開度、側(cè)向位移、橫向位移），使用PCA（主成分分析）分析，進(jìn)行特征向量提取，同時(shí)使用SVM 和K 聚類方法對(duì)駕駛員技能等級(jí)進(jìn)行評(píng)定，結(jié)果顯示使用SVM 進(jìn)行技能等級(jí)評(píng)價(jià)的準(zhǔn)確率高于使用K 聚類的方法。文獻(xiàn)[4]通過使用HMM 模型，使用在兩種不同的彎道道路中的操作信號(hào)數(shù)據(jù)分析判斷駕駛員技能等級(jí)。文獻(xiàn)[5]主要采集轉(zhuǎn)向盤轉(zhuǎn)角、油門位置和制動(dòng)踏板位置、轉(zhuǎn)向速率、加速度和制動(dòng)踏板變化率等操作信號(hào)，使用小波變換進(jìn)行分析和AdaBoost 法進(jìn)行技能等級(jí)評(píng)價(jià)。結(jié)果顯示在轉(zhuǎn)彎處，不熟練駕駛員的轉(zhuǎn)向盤速率會(huì)大于熟練的。

除了以上使用操作信號(hào)進(jìn)行研究駕駛員技能等級(jí)，還有研究者使用眼動(dòng)信號(hào)進(jìn)行研究。

1.2 基于眼動(dòng)信號(hào)的駕駛員技能等級(jí)評(píng)價(jià)

文獻(xiàn)[6]通過提取回頭次數(shù)、總的注視時(shí)間、注視目標(biāo)的次數(shù)、注視持續(xù)時(shí)間等特征量，采用水平搜索廣度（駕駛員在駕駛過程中在水平方向所觀察事物的范圍）確定駕駛員技能等級(jí)。研究表明：不熟練駕駛員更為依賴車內(nèi)后視鏡觀察車外交通情況。文獻(xiàn)[7]通過將真實(shí)場(chǎng)景錄像，觀看錄像回放的形式研究不同駕駛技能等級(jí)的駕駛員視覺特性。實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，雖然在實(shí)驗(yàn)過程中少了控制車輛這個(gè)環(huán)節(jié)（因?yàn)橛^看錄像），但是新手駕駛員的搜索廣度仍然比熟練駕駛員的搜索廣度低。特別是在觀看雙車道道路類型時(shí)，這樣的差異性更加明顯。文獻(xiàn)[8]進(jìn)行了類似的研究，他們發(fā)現(xiàn)新手駕駛員通常具有以下特征：（1）初級(jí)駕駛員的主要注視近處車輛，而不是遠(yuǎn)處車輛。（2）他們會(huì)頻繁注視車內(nèi)物體，如儀表盤。（3）他們水平搜索廣度較小。（4）對(duì)可能存在危險(xiǎn)物體的注視程度更高。文獻(xiàn)[9]在真實(shí)的交通環(huán)境中進(jìn)行實(shí)車試驗(yàn)，采集大量的樣本，采用動(dòng)態(tài)聚類理論確定駕駛員的視覺感興趣區(qū)域，使用模糊控制理論對(duì)駕駛員的技能進(jìn)行分類和識(shí)別。文獻(xiàn)[10]人使用眼動(dòng)信號(hào)比較了熟練駕駛員和非熟練駕駛員在不同交通環(huán)境中對(duì)各類目標(biāo)注視頻次的差異。文獻(xiàn)[11]人對(duì)新手駕駛員和熟練駕駛員在真實(shí)城市道路環(huán)境中的眼動(dòng)信號(hào)進(jìn)行分析，發(fā)現(xiàn)熟練駕駛員的搜索策略會(huì)更加具有靈活性。

圖1 HAS 分析模型Fig.1 The Analysis Model About HAS

此外，還有一些研究者從其他方面開展相關(guān)研究，如：文獻(xiàn)[12]基于十字路口交通情況，如圖1 所示。提出使用最高可承受速度（HAS（Highest Admitted Speed））進(jìn)行分析，根據(jù)集合特性和駕駛員的掃視行為位置，預(yù)估出一個(gè)能見距離D，D 與可能相撞處的時(shí)間之比，即HAS 值。由HAS 值作為駕駛員安全技能等級(jí)指標(biāo)，如圖1 所示。

文獻(xiàn)[13]完成了，基于駕駛模擬器中，進(jìn)行了不包含自行車、行人等其他道路影響因素的高速公路測(cè)試，構(gòu)建了駕駛經(jīng)驗(yàn)與橫向控制的ACT-R 認(rèn)知體系結(jié)構(gòu)模型，發(fā)現(xiàn)熟練的駕駛員在過彎時(shí)會(huì)比不熟練的駕駛員的橫向偏差小，但在不過彎時(shí)，差異不明顯。

雖然有不少學(xué)者進(jìn)行了駕駛員技能的研究，也取得了一些成果，但是仍存在以下的不足：

（1）搭建的仿真場(chǎng)景較簡(jiǎn)單，一般都是以彎道為主，而實(shí)際駕車一般會(huì)出現(xiàn)避障、過彎、直線行駛等工況；

（2）研究大多數(shù)基于勻速行駛，忽略了車輛行駛速度是駕駛員技能評(píng)定重要參數(shù)；

（3）對(duì)駕駛員測(cè)試者貼標(biāo)簽時(shí)，一般根據(jù)駕駛員駕齡和行駛里程或者專家評(píng)分法來進(jìn)行評(píng)斷，誤差較大。

綜上所述，基于駕駛員在環(huán)仿真實(shí)驗(yàn)平臺(tái)，考慮單一車道行駛、過彎、超越靜止障礙車、超越行車中的運(yùn)動(dòng)物體等因素，搭建較為真實(shí)的交通場(chǎng)景（除了彎道場(chǎng)景還加入靜止障礙物以及運(yùn)動(dòng)車流，同時(shí)行駛過程車速不受限制），擬采集駕駛員的眼動(dòng)信號(hào)對(duì)駕駛員技能的初步分類，采集轉(zhuǎn)向盤轉(zhuǎn)角、側(cè)向加速度、速度等操作信號(hào)對(duì)駕駛員技能等級(jí)評(píng)定，通過多操作信號(hào)的不同組合方式，采用SVM 方法，比較分析其評(píng)價(jià)正確率，從而構(gòu)建駕駛員技能等級(jí)評(píng)價(jià)模型。

2 實(shí)驗(yàn)方案的設(shè)計(jì)

國(guó)內(nèi)外研究文獻(xiàn)表明，使用模擬器或?qū)嵻囘M(jìn)行實(shí)驗(yàn)，可得出相同的實(shí)驗(yàn)結(jié)論。同時(shí)，使用模擬器便于比較不同駕駛員在相同的交通場(chǎng)景下的駕駛狀況，研究駕駛技能等級(jí)評(píng)價(jià)理論和方法。

2.1 道路模型的搭建

本次實(shí)驗(yàn)使用Labview 和Carsim 搭建的駕駛員在環(huán)仿真平臺(tái)，如圖2 所示。通過NI 設(shè)備外接眼動(dòng)設(shè)備，實(shí)現(xiàn)數(shù)據(jù)同步采集。同時(shí)為了建立更為真實(shí)道路場(chǎng)景，設(shè)計(jì)道路時(shí)，考慮了單一車道行駛、過彎、超越靜止障礙車、超越行車中的運(yùn)動(dòng)物體等因素?；诖?，設(shè)計(jì)了道路模型，如圖3 所示。

圖2 模擬駕駛采集數(shù)據(jù)場(chǎng)景Fig.2 Collecting Data Scenarios About Driving Simulation

圖3 模擬器道路模型Fig.3 The Road Model About Simulation

在自車起始處作為坐標(biāo)原點(diǎn)，在自車道前方100m 放置一輛靜止障礙物，在障礙物前方是曲率為60 的一個(gè)彎道，在入彎處會(huì)有一輛運(yùn)動(dòng)的車輛以20m/s 的車速行駛。在自車開始運(yùn)動(dòng)時(shí)，運(yùn)動(dòng)車輛也開始運(yùn)動(dòng)。在每次超越障礙物之后，駕駛員必須回到本車道內(nèi)。行駛運(yùn)動(dòng)軌跡如圖3 軌跡所示。

2.2 實(shí)驗(yàn)方案的實(shí)施

本次實(shí)驗(yàn)共招募了10 名駕駛員的數(shù)據(jù)，年齡分布（20～30）歲之間，身體狀況良好，其駕齡信息，如表1 所示。同步采集每位測(cè)試者的眼動(dòng)信號(hào)和操作信息。

在實(shí)驗(yàn)開始前，所有測(cè)試者都需使用駕駛模擬器自由駕駛10 次，以便熟悉模擬器操作。每位測(cè)試者需采集10 次成功的數(shù)據(jù)（不開出車道范圍實(shí)驗(yàn)且車速低于120km/h）。其中訓(xùn)練樣本和測(cè)試樣本的比例為3：1。實(shí)驗(yàn)采集場(chǎng)景，如圖2 所示。本次實(shí)驗(yàn)采集信號(hào)有眼動(dòng)信號(hào)，和駕駛員操作信號(hào)（縱向車速，轉(zhuǎn)向盤轉(zhuǎn)角等）。

表1 駕駛員的個(gè)人信息Tab.1 The Driver’s Personal Information

3 試驗(yàn)數(shù)據(jù)處理

3.1 眼動(dòng)信號(hào)數(shù)據(jù)的分析

研究表明：駕駛員駕駛技能不同，其關(guān)注車輛前后區(qū)域和時(shí)間會(huì)有所不同，一般來說，熟練的駕駛員會(huì)長(zhǎng)時(shí)間注視遠(yuǎn)方區(qū)域，以便有更多的時(shí)間處理后續(xù)可能會(huì)遇到的危險(xiǎn)情況，而新手更多關(guān)注車輛前方近距離區(qū)的道路情況。

為此，將駕駛員前方可視區(qū)域劃分為以下三個(gè)區(qū)域：第一駕駛區(qū)域—車內(nèi)區(qū)域（由駕駛模擬器的儀表盤位置）（AOI001）、第二駕駛區(qū)域—近視區(qū)（AOI002）和第三駕駛區(qū)域—遠(yuǎn)視區(qū)（AOI003），如圖4 所示。

根據(jù)采集的眼動(dòng)信號(hào)，使用Gaze 進(jìn)行分析統(tǒng)計(jì)，可得在整個(gè)駕駛行駛過程中，駕駛員關(guān)注每個(gè)駕駛區(qū)域所用時(shí)間，可得每個(gè)駕駛區(qū)域所占總駕駛時(shí)間百分比，如式（1）所示。

式中：P（i）—指駕駛員關(guān)注第i 駕駛區(qū)域時(shí)間占總駕駛時(shí)間百分比；ti—指在整個(gè)駕駛過程中駕駛員關(guān)注第i 駕駛區(qū)域所用時(shí)間。

圖4 駕駛區(qū)域的劃分Fig.4 Driving Regional Division

從而從眼動(dòng)信號(hào)得到駕駛員熟練程度的流程圖，如圖5 所示。在靜止超車過程中，不同樣本對(duì)不同駕駛區(qū)域關(guān)注時(shí)間的百分比，如圖6 所示。在過彎時(shí)關(guān)注時(shí)間的百分比，如圖7 所示。同時(shí)我們也分析過這些樣本中駕駛員在開車過程中瞳孔直徑是否有差異性，但是結(jié)果顯示，他們的差異性并不大，可能因?yàn)樵诒敬卧囼?yàn)中并不存在緊急工況的情況，所以駕駛員的生理情況改變的不明顯。

圖5 通過眼動(dòng)信號(hào)對(duì)駕駛員標(biāo)簽過程Fig.5 Label Process Using Eye Movement Signal

圖6 靜止超車時(shí)各區(qū)域注視區(qū)域百分比Fig.6 The Regional Percentage About Static Overtaking

圖7 過彎時(shí)各區(qū)域注視區(qū)域百分比Fig.7 The Regional Percentage About Cornering

因此，綜合圖6 圖7 的情況，我們可以將樣本 2、3、8 標(biāo)簽為技能熟練的，而1、4、5、6 標(biāo)記為技能不熟練的，對(duì)于樣本7 應(yīng)該進(jìn)行剔除，這樣就保證了訓(xùn)練樣本的正確性。

3.2 操作信號(hào)的數(shù)據(jù)處理

本次實(shí)驗(yàn)采集的操作信號(hào)主要是方向盤轉(zhuǎn)角、車速以及側(cè)向加速度。

預(yù)處理流程，如圖8 所示。

圖8 駕駛數(shù)據(jù)的預(yù)處理過程Fig.8 Process About Driving Data

3.2.1 轉(zhuǎn)向盤轉(zhuǎn)角的數(shù)據(jù)分析

車輛勻速行駛時(shí)，使用轉(zhuǎn)向盤轉(zhuǎn)角進(jìn)行傅里葉變換和小波變換變可得到關(guān)于熟練駕駛員和不熟練駕駛員的不同特征。但在本研究中，速度可變。使用傅里葉變換和小波變換效果并不明顯。因此，將使用轉(zhuǎn)向盤中心來進(jìn)行計(jì)算，轉(zhuǎn)向盤轉(zhuǎn)向角中心（x，y）的定義為：

3.2.2 車速的數(shù)據(jù)分析

轉(zhuǎn)向盤轉(zhuǎn)角作為車輛方向性的控制，除此之外我們還采集了車輛縱向方面的控制-車速。離散點(diǎn)進(jìn)行直方圖繪制，并繪制概率密度分布圖結(jié)果，如圖9 所示。

圖9 側(cè)向加速度概率密度分布圖Fig.9 Lateral Acceleration Probability Density Distribution

從圖9 可知，駕駛經(jīng)驗(yàn)熟練的駕駛員在整個(gè)行車過程中，普遍車速高于新手駕駛員司機(jī)。所以車速也可以選為評(píng)定駕駛員技能的一個(gè)特征。

3.2.3 側(cè)向加速度的數(shù)據(jù)分析

圖10 車速概率密度分布圖Fig.10 Speed Probability Density Distribution

繪制側(cè)向加速度直方圖，并繪制概率密度分布圖后，如圖10所示。發(fā)現(xiàn)駕駛經(jīng)驗(yàn)熟練的駕駛員側(cè)向加速度普遍高于新手駕駛員。因此，側(cè)向加速度同樣可以作為評(píng)定駕駛員技能的一個(gè)特征。

4 基于SVM 的駕駛員技能評(píng)定

支持向量機(jī)是一種最小化準(zhǔn)則的學(xué)習(xí)方法，可以解決小樣本、非線性以及高維識(shí)別問題，多用于分類以及回歸領(lǐng)域[14-15]。對(duì)于采集的線性不可分的訓(xùn)練數(shù)據(jù)（xi，yi），i=1，2，3….，n，其中Xi屬于R，表示多維特征的空間向量，Yi=1 和Yi=-1，則必然存在超平面（W·X）+b=0 滿足以下的公式。

式中：εi—非負(fù)松弛變量；εi≥0—為了分離訓(xùn)練樣本成超平面而產(chǎn)生的偏差，其中，εi=0—非線性問題變成線性問題解決。

若分類所形成的間距為2/||w||，則訓(xùn)練的數(shù)據(jù)到超平面的最小間距為1/||w||，如果樣本可以被無誤差的劃分，并且每一類樣本的超平面距離最近的向量與超平面之間的距離最大，則這個(gè)平面被稱為最優(yōu)超平面。此后，再使用Lagrange 進(jìn)行優(yōu)化，由J·von·諾依曼提出的wofle 對(duì)偶理論，可以將非線性問題轉(zhuǎn)化為對(duì)偶問題：

式中：C—對(duì)樣本的錯(cuò)分的懲罰系數(shù)，它們所對(duì)應(yīng)的邊界條件為：

若a 為式（5）和式（6）的最優(yōu)解，則最優(yōu)分類超平面的系數(shù)W 的解為：

其中，Xi對(duì)應(yīng)著一個(gè)拉格朗日乘子ai≥0，其中，稱與ai≥0所對(duì)應(yīng)的訓(xùn)練樣本的數(shù)據(jù)為支持向量。采用RBF（radial basic function 徑向基函數(shù)）作為核函數(shù)：

將 W，b 代入（w·xi）+b=0，可以得到所需的判別函數(shù)：

綜上所述，使用SVM 進(jìn)行分類時(shí)候的思想是：將采集到的訓(xùn)練樣本進(jìn)行預(yù)處理，提取所需的特征數(shù)據(jù)，考慮到不同數(shù)據(jù)數(shù)量級(jí)之間的差異，將數(shù)據(jù)進(jìn)行單一化處理，此后由SVM 進(jìn)行處理，通過一定的映射關(guān)系將提取的樣本的特征數(shù)據(jù)映射到高維空間，然后在新空間內(nèi)按照上述表達(dá)式求取最優(yōu)超平面，從而辨識(shí)出相應(yīng)的駕駛員技能等級(jí)。

本研究采用臺(tái)灣林智仁教授的Libsvm 工具箱訓(xùn)練SVM 模型。為了得到較好的分類效果，使用網(wǎng)格搜索的交叉驗(yàn)證方法得到最優(yōu)參數(shù)C 和g，再進(jìn)行分類。為了探究不同特征量的駕駛員技能分類效果，一共設(shè)計(jì)了7 組組合技能等級(jí)評(píng)價(jià)模型，并且每組都在最優(yōu)參數(shù)訓(xùn)練得到SVM 模型，得到的結(jié)果，如表2 所示。從表2 可以看出，使用車速和側(cè)向加速度作為特征量時(shí)準(zhǔn)確率最高，準(zhǔn)確率可以達(dá)到90%，而使用三者組合作為特征量不能取得最佳分類效果。

表2 基于不同特征量的各模型結(jié)果Tab.2 The Results Based on Different Characteristics

5 基于操作信號(hào)的駕駛員技能等級(jí)評(píng)價(jià)模型及驗(yàn)證

由于整個(gè)模型求解主要分成兩個(gè)模塊，一個(gè)是六個(gè)系數(shù)產(chǎn)生的方程很多，如何處理并選出最高的正確率，還有一個(gè)模塊是，輸入三個(gè)特征數(shù)據(jù)之后，如何判別輸出的數(shù)值表示駕駛員的技能是高是低，以及是否和本身技能相匹配，即正確率的求解。我們使用流程圖表示正確率求解的過程，如圖11 所示。

圖11 正確率的求解過程Fig.11 Solving Process About Accuracy

程序中另一個(gè)比較重要的模塊是最高正確率的求解過程，它的求解過程，如圖12 所示。

圖12 最高正確率的求解過程Fig.12 Solving Process About the Highest Accuracy

首先，本研究針對(duì)常用的標(biāo)準(zhǔn)函數(shù)進(jìn)行駕駛員技能等級(jí)評(píng)價(jià)模型建模，如線性函數(shù)組合公式為:（A1*SW*A2+B1*（B2*V）+C1*（C2*Ac））

使用指數(shù)函數(shù)進(jìn)行組合的公式為:（A1*exp（SW*A2）+B1*exp（B2*V）+C1*lg（C2*Ac））

使用對(duì)數(shù)函數(shù)進(jìn)行組合的公式為:（A1*lg（SW*A2）+B1*lg（B2*V）+C1*lg（C2*Ac））其中 A1+B2+C3=1；且 A2、B2、C2∈［0，10］，SW 代表轉(zhuǎn)向盤中心角，V 代表車速，Ac 代表側(cè)向加速度。

其實(shí)驗(yàn)結(jié)果，如表3 所示。

表3 不同形式方程的最高正確率Tab.3 The Highest Accuracy About Different Equation

指數(shù)形式獲得最高正確率，線性函數(shù)最低。但是在改變A1，B1，C1系數(shù)組合時(shí)，對(duì)于對(duì)數(shù)函數(shù)，每個(gè)系數(shù)組合發(fā)生變化所對(duì)應(yīng)的最高正確率不變，而對(duì)于線性函數(shù)，每個(gè)系數(shù)組合發(fā)生變化所對(duì)應(yīng)的最高正確率卻會(huì)發(fā)生變化。因此，本研究采用指數(shù)函數(shù)與線性函數(shù)組合的形式建立駕駛員技能等級(jí)評(píng)價(jià)模型。

對(duì)于線性和指數(shù)組合，一共有八種組合情況，如圖13 所示。

圖13 模型變量函數(shù)形式組合的可能性Fig.13 The Possibility of Combination About Variable Function

其組合表達(dá)式形式可如式（11）所示：

其中，A1+B2+C3=1；并且限制 A2、B2、C2∈［0，10］。不同組合表達(dá)式最高正確率結(jié)果，如表4 所示。

表4 不同函數(shù)形式的駕駛員經(jīng)驗(yàn)?zāi)Ｐ偷恼_率Tab.4 The Accuracy About Driving Experience Using Different Function Forms

表中：L—這個(gè)變量使用的是線性特征變量；E—這個(gè)變量使用的是指數(shù)型特征變量。

如式（11）的表達(dá)式可以表示為L(zhǎng)-E-E。

從表4 可以看出在L-E-L 和E-E-L 組合時(shí)準(zhǔn)確率是最高的，但是在準(zhǔn)確率最高時(shí)A1的系數(shù)均為0，即只有兩個(gè)變量（縱向速度和側(cè)向加速度）時(shí)，駕駛員技能等級(jí)評(píng)價(jià)模型準(zhǔn)確率最高，其結(jié)果和最佳SVM 駕駛員技能等級(jí)分類結(jié)果一致，因此提出的駕駛員技能等級(jí)評(píng)價(jià)模型可信。同時(shí)，獲得最高準(zhǔn)確率方程表達(dá)式為：0.3*exp（6*V）+0.7*（8*Ac）。

6 結(jié)論

優(yōu)先使用眼動(dòng)信號(hào)的處理結(jié)果對(duì)駕駛員技能進(jìn)行標(biāo)簽，降低了主觀評(píng)價(jià)帶來的錯(cuò)誤率。同時(shí)使用SVM 對(duì)多種操作信號(hào)（轉(zhuǎn)向盤中心、速度、側(cè)向加速度）進(jìn)行評(píng)定，查看多操作信號(hào)組合形式以便可以更好的表現(xiàn)駕駛員技能，同時(shí)提出建立駕駛員技能等級(jí)評(píng)價(jià)模型。今后的研究工作應(yīng)該考慮如果一名駕駛員到一輛新車上怎樣快速辨別其技能。應(yīng)使用車聯(lián)網(wǎng)技術(shù)，為每位駕駛員建立檔案，實(shí)時(shí)上傳其駕駛數(shù)據(jù)并保存，上車時(shí)進(jìn)行身份驗(yàn)證，隨后通過云端實(shí)時(shí)下載之前駕駛數(shù)據(jù)，從而判斷其駕駛技能。進(jìn)而為以后危險(xiǎn)場(chǎng)景的人機(jī)共駕提供理論基礎(chǔ)（對(duì)于危險(xiǎn)場(chǎng)景，駕駛技能不熟練的駕駛員會(huì)被機(jī)器代替控制車輛），使得可以提高行車的安全性進(jìn)而減少交通事故的發(fā)生。