葛慧敏,黃嘉慧,臧文凱,董 磊,周禮軍

(江蘇大學(xué) 汽車與交通工程學(xué)院, 江蘇 鎮(zhèn)江 212013)

0 引言

駕駛風(fēng)格作為駕駛?cè)碎L期駕駛方式的評(píng)價(jià),體現(xiàn)在駕駛?cè)藢?duì)行車速度、跟車距離、超車時(shí)間的掌握,在一定程度上影響行車安全。駕駛操作的不同導(dǎo)致駕駛風(fēng)格存在差異性,不良的駕駛操作會(huì)給道路交通安全帶來隱患[1]。因此,研究駕駛?cè)笋{駛風(fēng)格是非常必要且具有重大意義的。

國內(nèi)外學(xué)者對(duì)駕駛風(fēng)格研究方法主要分為2種:調(diào)查問卷和建模分析。調(diào)查問卷相對(duì)主觀,通過問卷的形式,調(diào)查駕駛?cè)笋{駛感受以及駕駛心理等方面指標(biāo),以對(duì)駕駛?cè)笋{駛風(fēng)格進(jìn)行分類[2-3],該方法無需信息采集設(shè)備,容易實(shí)現(xiàn),但分類結(jié)果帶有主觀感情偏差。建模分析對(duì)駕駛風(fēng)格的分類基于客觀數(shù)據(jù),主要通過選擇表征駕駛?cè)笋{駛風(fēng)格的駕駛參數(shù),如速度、加速度、橫向加速度、車頭時(shí)距、換道時(shí)間、節(jié)氣門開度等,作為駕駛風(fēng)格分類指標(biāo)[4-5],現(xiàn)有的研究大多數(shù)利用K-mean、FCM、分層聚類等無監(jiān)督機(jī)器學(xué)習(xí)方法對(duì)駕駛風(fēng)格進(jìn)行分類[6-8]。

已有研究多局限于駕駛?cè)碎L期駕駛風(fēng)格,但駕駛?cè)艘驅(qū)傩跃哂袝r(shí)變以及非線性動(dòng)態(tài)等特征[8],駕駛風(fēng)格并非一成不變,同一個(gè)駕駛?cè)嗽谕欢涡谐讨锌赡軙?huì)因?yàn)轳{駛時(shí)長、駕駛?cè)饲榫w、周圍環(huán)境等因素造成駕駛風(fēng)格的波動(dòng)。上述研究考慮道路環(huán)境對(duì)駕駛風(fēng)格的影響時(shí)較為片面,在進(jìn)行駕駛活動(dòng)時(shí),周圍環(huán)境的改變需要駕駛?cè)酥鲃?dòng)發(fā)現(xiàn),也就是說駕駛?cè)瞬⒉灰欢馨l(fā)現(xiàn)周圍環(huán)境的變化,或駕駛?cè)说年P(guān)注點(diǎn)并非在與交通信息有關(guān)的目標(biāo)上。有研究表明,在駕駛過程中,駕駛?cè)司嚯x前方障礙不足100 m時(shí),其注視點(diǎn)仍集中于路測廣告牌區(qū)域,而非障礙物區(qū)域[9],在此情況下,前方障礙物對(duì)駕駛?cè)说漠?dāng)前駕駛影響較小。也有研究表明,駕駛?cè)嗽谟龅讲煌缆方煌ōh(huán)境影響時(shí)會(huì)對(duì)注意力分配造成影響[10]。因此,本文通過駕駛?cè)俗⒁朁c(diǎn)坐標(biāo)變化表征周圍環(huán)境對(duì)駕駛?cè)说挠绊?結(jié)合駕駛參數(shù),利用FCM-M算法對(duì)實(shí)時(shí)駕駛風(fēng)格進(jìn)行分類,并構(gòu)建神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測。研究內(nèi)容可為道路安全以及實(shí)時(shí)駕駛能力的研究提供參考。

1 試驗(yàn)數(shù)據(jù)采集

1.1 試驗(yàn)設(shè)備

駕駛模擬試驗(yàn)在D-LAB中實(shí)現(xiàn)數(shù)據(jù)采集及分析,試驗(yàn)設(shè)備包括駕駛模擬器、眼動(dòng)儀、筆記本電腦和顯示器等硬件設(shè)備以及數(shù)據(jù)同步采集、場景搭建等軟件,如圖1所示。

1.2 試驗(yàn)對(duì)象

試驗(yàn)共招募26名駕駛?cè)?男性16名,女性10名),年齡在20～28歲。被試者要求身體狀況良好,過往無重大事故史,持有中華人民共和國機(jī)動(dòng)車駕駛證且執(zhí)照持有時(shí)間1年以上。試驗(yàn)開始之前,要求被試者進(jìn)行5 min自由駕駛以熟悉試驗(yàn)環(huán)境及設(shè)備,閱讀《試驗(yàn)同意書》并簽名。

1.3 試驗(yàn)場景

通過Silab搭建駕駛試驗(yàn)場景。本試驗(yàn)場景為一條全長22 km的同向三車道城市快速路,限速100 km/h。試驗(yàn)路段包括1.5 km準(zhǔn)備路段、20 km測試路段(全程無曲線)、0.5 km結(jié)束路段。整個(gè)試驗(yàn)包括4個(gè)場景:跟馳、超車、換道、急停,單次試驗(yàn)時(shí)間控制在15 min左右。為探究不同駕駛?cè)笋{駛風(fēng)格,本試驗(yàn)嚴(yán)格控制變量,在固定路段進(jìn)行固定事件試驗(yàn),如在測試路段15 km處,電腦屏幕出現(xiàn)換道指令,要求駕駛?cè)诉M(jìn)行換道。

1.4 數(shù)據(jù)處理

駕駛模擬器擁有3個(gè)數(shù)據(jù)采集模塊:駕駛信息采集模塊、眼動(dòng)信息采集模塊、面部信息采集模塊,可采集信息如表1所示,因本文不考慮面部信息,故不做羅列。

表1 駕駛模擬器可采集信息

有研究表明,當(dāng)駕駛?cè)朔中某^3 s時(shí),會(huì)造成車道偏移,3 s的時(shí)間窗口能很好地表征駕駛?cè)颂匦?反應(yīng)駕駛?cè)笋{駛風(fēng)格[11-12]。在此研究基礎(chǔ)上,以3 s為時(shí)間間隔篩選數(shù)據(jù),并對(duì)駕駛數(shù)據(jù)進(jìn)行處理,剔除異常處理缺失值,最終得到26×200份可用數(shù)據(jù)樣本。

對(duì)數(shù)據(jù)進(jìn)行歸一化處理,為避免不同量綱的選取對(duì)距離計(jì)算產(chǎn)生的影響,采用Z-score標(biāo)準(zhǔn)化方法將有量綱表達(dá)式變成無量綱表達(dá)式,經(jīng)過處理的數(shù)據(jù)符合標(biāo)準(zhǔn)正態(tài)分布。

2 駕駛風(fēng)格聚類

2.1 駕駛風(fēng)格參數(shù)選擇

駕駛?cè)瞬倏剀囕v的行為能很好地反映當(dāng)前駕駛?cè)说鸟{駛風(fēng)格[2],本文研究不同駕駛參數(shù)對(duì)駕駛風(fēng)格的影響,屬于研究分類數(shù)據(jù)與定量數(shù)據(jù)之間的關(guān)系,因此本文對(duì)采集的駕駛信息進(jìn)行方差分析,結(jié)果表明,跟車距離、碰撞時(shí)間、橫向偏移量、速度的組間差異性較大;跟車距離、碰撞時(shí)間、橫向偏移量、速度、減速踏板組內(nèi)差異性較大。如圖2所示,采用跟車距離、碰撞時(shí)間、橫向偏移量、速度和減速踏板5項(xiàng)信息指標(biāo)作為評(píng)估駕駛員風(fēng)格的參數(shù)。

圖2 駕駛指標(biāo)差異性分析

有研究表明,駕駛?cè)嗽隈{駛場景中,往往不自覺花費(fèi)更長時(shí)間在特定類型的感興趣區(qū)域[13],當(dāng)駕駛?cè)艘暰€范圍內(nèi)出現(xiàn)異常情況時(shí),視線會(huì)不自覺被吸引,因此,在駕駛行程中駕駛?cè)俗⒁朁c(diǎn)坐標(biāo)能很好地表征周圍環(huán)境對(duì)當(dāng)前駕駛的影響。綜上,本文在5項(xiàng)駕駛信息基礎(chǔ)上增加駕駛?cè)俗⒁朁c(diǎn)坐標(biāo)參數(shù)進(jìn)行駕駛員風(fēng)格評(píng)估。

1) 跟車距離

跟車距離即試驗(yàn)車輛頭部與前側(cè)目標(biāo)車輛尾部之間的縱向距離S,如圖3所示。跟車距離反映駕駛?cè)嗽诟Y階段對(duì)安全距離的把控,跟車距離越近,駕駛?cè)嗽郊みM(jìn),反之,跟車距離越遠(yuǎn),駕駛?cè)嗽奖Ｊ亍?/p>

圖3 跟車距離

參與試驗(yàn)的1—26號(hào)駕駛?cè)烁嚽闆r如圖4所示。

圖4 試驗(yàn)駕駛?cè)烁嚽闆r

2) 橫向偏移量

橫向偏移量即試驗(yàn)車輛車身最外緣與目標(biāo)車輛(近試驗(yàn)車輛側(cè))車身最外緣之間的橫向距離W,如圖5所示(設(shè)置目標(biāo)車輛車身中心線與車道中心線重合)。橫向偏移量反映駕駛?cè)藢?duì)車道和車輛的橫向安全距離的把控,在采集數(shù)據(jù)中,正值代表試驗(yàn)車輛在目標(biāo)車輛的左側(cè),負(fù)值代表試驗(yàn)車輛在目標(biāo)車輛的右側(cè),0值代表試驗(yàn)車輛中心與目標(biāo)車輛中心重合。試驗(yàn)車輛行至目標(biāo)車輛左或右代表駕駛?cè)藗€(gè)人習(xí)慣,具有強(qiáng)烈的個(gè)人風(fēng)格;橫向偏移量絕對(duì)值越大,試驗(yàn)車輛與目標(biāo)車輛橫向偏移越大,當(dāng)前駕駛?cè)笋{駛狀態(tài)越不穩(wěn)定。

圖5 橫向偏移量

3) 速度

速度即試驗(yàn)車輛當(dāng)前行駛車速v,車速是最重要的車輛狀態(tài)之一,能很好地反映不同駕駛?cè)说鸟{駛激進(jìn)程度。

4) 碰撞時(shí)間

碰撞時(shí)間即試驗(yàn)車輛以當(dāng)前車速前進(jìn)與前側(cè)目標(biāo)車輛碰撞的時(shí)間H。碰撞時(shí)間體現(xiàn)駕駛?cè)藢?duì)車輛縱向速度以及縱向安全距離的把控,碰撞時(shí)間越短,駕駛?cè)嗽郊みM(jìn),碰撞時(shí)間越長,駕駛?cè)嗽奖Ｊ亍?/p>

5) 制動(dòng)踏板

制動(dòng)踏板數(shù)值即被試者遇到需要減速的情形時(shí)制動(dòng)踏板的使用情況,制動(dòng)踏板使用次數(shù)越多以及制動(dòng)踏板值越大,駕駛?cè)嗽郊みM(jìn)。

6) 左右眼注視點(diǎn)坐標(biāo)

左右眼注視點(diǎn)坐標(biāo)即被試者駕駛試驗(yàn)車輛時(shí),視線注視點(diǎn)坐標(biāo),本研究以駕駛?cè)俗⒁朁c(diǎn)坐標(biāo)表示環(huán)境對(duì)駕駛的影響。部分注視點(diǎn)熱力圖如圖6所示。

2.2 FCM-M算法

本文中提出一種基于馬氏距離的FCM算法,將FCM中的歐氏距離用馬氏距離替代,自適應(yīng)調(diào)整數(shù)據(jù)的幾何分布,使相似數(shù)據(jù)點(diǎn)的距離較小,并在目標(biāo)函數(shù)中增加一個(gè)協(xié)方差調(diào)節(jié)因子。

FCM-M算法的優(yōu)化目標(biāo)函數(shù)為:

(1)

2.3 聚類簇選擇

FCM類型的算法中,聚類簇?cái)?shù)量k要求事先給定,并且要確保分類的正確性和聚類數(shù)目的合理性。有研究將駕駛?cè)孙L(fēng)格聚類成:沖動(dòng)、適度、普通[14];也有將駕駛?cè)孙L(fēng)格聚類成:魯莽、焦慮、易怒、謹(jǐn)慎[15];遲鈍-激進(jìn)型、敏捷-穩(wěn)重型、標(biāo)準(zhǔn)型、遲鈍-膽小型[16]。為保證分類的準(zhǔn)確性以及合理性,本研究通過類內(nèi)聚合度、類間低耦合的原則來選擇聚類簇的數(shù)量。常用的評(píng)價(jià)方法有:輪廓系數(shù)、CH分?jǐn)?shù)、戴維森堡丁指數(shù)。其中,輪廓系數(shù)∈[-1,1],分值越大,聚類效果越好;CH分值越大,聚類效果越好;戴維森堡丁指數(shù)最小值為0,值越小,聚類效果越好。選取k=3、4、5進(jìn)行輪廓系數(shù)、CH分?jǐn)?shù)、戴維森堡丁指數(shù)評(píng)價(jià),評(píng)價(jià)結(jié)果如表2所示。結(jié)果表明,當(dāng)k=4時(shí),聚類效果相對(duì)最好,因此本研究選取聚類簇k=4,將駕駛?cè)孙L(fēng)格劃分為4類。

表2 聚類簇選擇結(jié)果

2.4 聚類結(jié)果及分析

當(dāng)k=4時(shí),聚類中心如表3所示。

表3 聚類中心

在采集的26×200份數(shù)據(jù)中,劃分為0類的駕駛數(shù)據(jù)有1 928份,占比37.07%;1類駕駛數(shù)據(jù)有550份,占比10.58%;2類駕駛數(shù)據(jù)有626份,占比12.04%;3類駕駛數(shù)據(jù)有2 006份,占比40.31%,如圖7所示。

圖7 駕駛數(shù)據(jù)聚類結(jié)果

聚類結(jié)果顯示,所有樣本數(shù)據(jù)中,0類、3類駕駛風(fēng)格占比較多,1類、2類駕駛風(fēng)格相對(duì)較少,駕駛風(fēng)格呈兩極分化。

隨機(jī)選取2個(gè)駕駛?cè)诉M(jìn)行駕駛風(fēng)格分析,以1號(hào)、13號(hào)為例。駕駛風(fēng)格聚類結(jié)果如圖8所示。

圖8 1號(hào)、13號(hào)駕駛員駕駛風(fēng)格聚類結(jié)果

結(jié)果表明,整段試驗(yàn)駕駛過程中,1號(hào)駕駛?cè)说牟煌{駛風(fēng)格分別占比為17.5%、8.5%、3.5%、75.5%,主要駕駛風(fēng)格為第3類。13號(hào)駕駛?cè)说牟煌{駛風(fēng)格占比為9.5%、87.5%、1.5%、1.5%,主要駕駛風(fēng)格為第1類。

1號(hào)、13號(hào)駕駛?cè)笋{駛風(fēng)格可視化如圖9、圖10所示。

圖10 13號(hào)駕駛風(fēng)格可視化

由聚類結(jié)果發(fā)現(xiàn),FCM-M聚類結(jié)果與車速、跟車距離、碰撞時(shí)間有很好的對(duì)應(yīng)關(guān)系,第3類駕駛風(fēng)格明顯擁有更高的車速和較小的跟車距離以及碰撞時(shí)間,第0類駕駛風(fēng)格與之相反,因此本研究將第3類駕駛風(fēng)格劃分為沖動(dòng)型駕駛風(fēng)格,第2類駕駛風(fēng)格劃分為較沖動(dòng)型駕駛風(fēng)格,第1類劃分為普通型駕駛風(fēng)格,第0類劃分為謹(jǐn)慎型駕駛風(fēng)格。較沖動(dòng)型駕駛?cè)烁鼉A向于開快車,碰撞時(shí)間是各類駕駛?cè)酥凶钚〉?符合現(xiàn)實(shí)環(huán)境中對(duì)沖動(dòng)型駕駛?cè)说睦斫?。因此本研究分類較為合理。26名駕駛?cè)笋{駛風(fēng)格聚類結(jié)果如表4所示。

表4 所有駕駛?cè)笋{駛風(fēng)格聚類結(jié)果

對(duì)駕駛?cè)笋{駛風(fēng)格轉(zhuǎn)變進(jìn)行分析,以1號(hào)為例。1號(hào)駕駛?cè)笋{駛風(fēng)格轉(zhuǎn)變?nèi)鐖D11所示,在本次試驗(yàn)途中,1號(hào)駕駛?cè)说鸟{駛風(fēng)格發(fā)生5次轉(zhuǎn)變,表現(xiàn)為謹(jǐn)慎型駕駛-沖動(dòng)型駕駛-謹(jǐn)慎型駕駛-沖動(dòng)型駕駛-謹(jǐn)慎型駕駛。

圖11 1號(hào)駕駛風(fēng)格變化趨勢

在駕駛試驗(yàn)過程中,1號(hào)駕駛?cè)俗鳛榈谝粋€(gè)被試者,駕駛初較緊張,駕駛風(fēng)格相對(duì)保守;當(dāng)經(jīng)過一段時(shí)間駕駛后,駕駛?cè)颂幱诜潘蔂顟B(tài),駕駛較為激進(jìn),駕駛風(fēng)格表現(xiàn)為沖動(dòng)型駕駛風(fēng)格,隨著試驗(yàn)推進(jìn),駕駛?cè)水a(chǎn)生疲憊感,具體表現(xiàn)為車速降低、跟車距離變大,駕駛風(fēng)格轉(zhuǎn)變?yōu)橹?jǐn)慎型駕駛風(fēng)格;回顧試驗(yàn)過程,駕駛風(fēng)格產(chǎn)生波動(dòng)性的階段發(fā)生在駕駛?cè)吮恢甘具M(jìn)行換道的路段,駕駛?cè)藴p緩車速觀察周圍環(huán)境準(zhǔn)備換道,因此該時(shí)間段駕駛?cè)笋{駛風(fēng)格表現(xiàn)為保守型駕駛風(fēng)格。

1號(hào)駕駛?cè)俗⒁朁c(diǎn)坐標(biāo)(x,y)隨著時(shí)間的變化如圖12所示。由圖12可知,在駕駛?cè)俗⒁朁c(diǎn)坐標(biāo)產(chǎn)生波動(dòng)的階段,駕駛?cè)笋{駛風(fēng)格相應(yīng)會(huì)產(chǎn)生變化。由此可知,駕駛?cè)俗⒁朁c(diǎn)位置的變化對(duì)駕駛風(fēng)格有一定的影響,即駕駛?cè)笋{駛風(fēng)格變化受周圍環(huán)境的影響。因此駕駛?cè)俗⒁朁c(diǎn)坐標(biāo)能很好地表征周圍環(huán)境對(duì)駕駛?cè)说挠绊憽?/p>

圖12 1號(hào)駕駛?cè)孙L(fēng)格與注視點(diǎn)坐標(biāo)變化曲線

3 駕駛風(fēng)格識(shí)別

3.1 神經(jīng)網(wǎng)絡(luò)算法

本文以神經(jīng)網(wǎng)絡(luò)(neural network,NN)模型作為分類模型。神經(jīng)網(wǎng)絡(luò)模型包含輸入層、隱藏層和輸出層。本文中所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型包含2個(gè)隱藏層,第一個(gè)隱藏層神經(jīng)元數(shù)量為128,第二個(gè)隱藏層神經(jīng)元數(shù)量為64;輸入層包含7個(gè)神經(jīng)元,對(duì)應(yīng)7個(gè)駕駛風(fēng)格表征指標(biāo);輸出層神經(jīng)元為4個(gè),代表4種駕駛風(fēng)格,如圖13所示。

圖13 NN模型結(jié)構(gòu)

按7∶3將數(shù)據(jù)集(26×200份)劃分為訓(xùn)練集(3 640份)和測試集(1 560份),采用sigmoid作為激活函數(shù),使用Warmup預(yù)熱學(xué)習(xí)率并引入余弦退火的學(xué)習(xí)率下降方式,以10 000為迭代周期,構(gòu)建基于NN的駕駛風(fēng)格識(shí)別模型。

3.2 識(shí)別結(jié)果及分析

在訓(xùn)練集上模型最高識(shí)別準(zhǔn)確率達(dá)到99.5%,損失最低為0.31%,在測試集上模型最高識(shí)別率達(dá)到99.1%,損失最低為1.54%,準(zhǔn)確率和損失曲線如圖14所示。根據(jù)識(shí)別結(jié)果繪制混淆矩陣,如圖15所示?；煜仃噷?duì)角線數(shù)值代表模型正確分類的數(shù)量,值越大越好,結(jié)果表明本模型分類效果優(yōu)異。

圖14 準(zhǔn)確率和損失曲線

圖15 混淆矩陣示意圖

4 結(jié)論

1) 考慮駕駛?cè)伺c周圍車輛以及環(huán)境的交互,在車輛行駛參數(shù)上選取駕駛?cè)烁嚲嚯x、橫向偏移量以及駕駛?cè)俗⒁朁c(diǎn)坐標(biāo)等7個(gè)駕駛風(fēng)格特征參數(shù),通過戴維森堡丁指數(shù)等對(duì)FCM-M聚類算法分類簇進(jìn)行評(píng)價(jià),結(jié)果表明,將駕駛?cè)说鸟{駛風(fēng)格分為4類時(shí)分類效果最好。

2) 選擇3 s的時(shí)間窗口,匯總駕駛?cè)藢?shí)時(shí)駕駛風(fēng)格,累計(jì)占比最多的實(shí)時(shí)駕駛風(fēng)格代表駕駛?cè)酥黧w駕駛風(fēng)格,回顧試驗(yàn)過程,駕駛風(fēng)格產(chǎn)生波動(dòng)路段多為外界環(huán)境干擾且駕駛?cè)藢?shí)時(shí)注意到環(huán)境變化,注視點(diǎn)坐標(biāo)發(fā)生變化,說明駕駛?cè)俗⒁饬ψ兓瘜?duì)駕駛風(fēng)格有影響。

3) 采用神經(jīng)網(wǎng)絡(luò)模型對(duì)駕駛風(fēng)格進(jìn)行識(shí)別,分類準(zhǔn)確率最高可達(dá)到99.1%,能很好地預(yù)測駕駛?cè)笋{駛風(fēng)格。

4) 不同駕駛?cè)嗽隈{駛行程中注意力分配有所不同,對(duì)實(shí)時(shí)駕駛風(fēng)格影響較大,應(yīng)作為下一步研究的課題。