不同道路線形下駕駛?cè)苏J(rèn)知分散狀態(tài)監(jiān)測

金立生，牛清寧，劉景華，秦彥光，呂歡歡

注意力分散是引起道路交通事故的重要因素，研究表明，10%～20%的交通事故與注意力分散狀態(tài)有關(guān)［1］。隨著車載信息系統(tǒng)（In-vehicle infor mation systems，IVISs）的不斷增加，這一現(xiàn)象日趨嚴(yán)重［2］。因此，對(duì)駕駛?cè)苏J(rèn)知分散狀態(tài)進(jìn)行實(shí)時(shí)、有效的監(jiān)測對(duì)避免交通事故的發(fā)生有重大意義。本文在分析注意力分散類型和監(jiān)測方法的基礎(chǔ)上，采用支持向量機(jī)進(jìn)行了不同道路線形（直道、彎道）下的駕駛?cè)苏J(rèn)知分散狀態(tài)監(jiān)測研究。

1 注意力分散

視覺分散（Looking away from the road way）和認(rèn)知分散（Being lost in thought）是兩種主要的注意力分散類型［3］。

1.1 注意力分散監(jiān)測方法

視覺分散是指駕駛?cè)艘暰€偏離前方道路，可以利用駕駛?cè)俗⒁暻胺降缆返臅r(shí)間和頻率進(jìn)行監(jiān)測，目前基于駕駛?cè)松矸磻?yīng)特征監(jiān)測方法最為常用，主要特征參數(shù)包括：頭部位置、面部朝向、眼部運(yùn)動(dòng)特征（掃視、注視等）。Kircher等研究發(fā)現(xiàn)，駕駛?cè)?分鐘時(shí)間內(nèi)注視道路中心比例少于58%，則表示駕駛?cè)顺霈F(xiàn)視覺分散狀態(tài)［4］。采用此類監(jiān)測方法可對(duì)駕駛?cè)艘曈X分散進(jìn)行有效識(shí)別。

認(rèn)知分散是指駕駛?cè)藢⒆⒁饬D(zhuǎn)移至與正常駕駛無關(guān)的其他任務(wù)（例如腦中進(jìn)行路線規(guī)劃、較深度思考問題等）上，相對(duì)于視覺分散，認(rèn)知分散對(duì)駕駛行為影響復(fù)雜，Strayer等研究發(fā)現(xiàn)駕駛處于認(rèn)知分散狀態(tài)時(shí)，正常駕駛行為就會(huì)受到影響［5］。而Blanco等研究結(jié)果表明，只有當(dāng)駕駛?cè)送瑫r(shí)進(jìn)行兩個(gè)以上的決策任務(wù)時(shí)，正常駕駛行為才受到影響［6］。由于認(rèn)知分散無固定的外在表現(xiàn)形式，對(duì)駕駛行為影響復(fù)雜多變，致使監(jiān)測難度增大［7－8］。監(jiān)測駕駛?cè)搜鄄窟\(yùn)動(dòng)特征（掃視、注視等）也是目前常用的認(rèn)知分散監(jiān)測方法，基于該監(jiān)測方法，不同學(xué)者得出了不同的結(jié)論。Recarte等研究發(fā)現(xiàn)，隨著認(rèn)知分散程度的增加，駕駛?cè)俗⒁暦秶絹碓秸?］，而Reyes等卻得出了相反的結(jié)果，即注視范圍越來越寬［10］?；隈{駛?cè)搜鄄窟\(yùn)動(dòng)特征的方法不能準(zhǔn)確監(jiān)測駕駛?cè)苏J(rèn)知分散狀態(tài)。同時(shí)，駕駛?cè)搜鄄窟\(yùn)動(dòng)特征主要依靠機(jī)器視覺提取，存在易受遮擋，和受光照條件、汽車振動(dòng)的影響，魯棒性較差?；隈{駛行為特征的檢測方法，特征參數(shù)（車速、方向盤轉(zhuǎn)角等）容易提取，不受光線、天氣等外部環(huán)境影響，數(shù)據(jù)處理算法簡單，實(shí)用性高，不影響駕駛?cè)说恼ｑ{駛［11］。因此，本文提出利用駕駛行為特征進(jìn)行駕駛?cè)苏J(rèn)知分散狀態(tài)監(jiān)測。

1.2 注意力狀態(tài)監(jiān)測影響因素

注意力分散狀態(tài)監(jiān)測受個(gè)人駕駛習(xí)慣影響程度如圖1所示。圖1（a）表明不同駕駛?cè)嗽谝曈X分散狀態(tài)下表現(xiàn)出類似的駕駛行為特征，且與正常駕駛行為特征存在明顯差異。因此，可以利用駕駛行為特征之間差異性監(jiān)測駕駛?cè)说囊曈X分散狀態(tài)，同一監(jiān)測模型可適用于不同駕駛?cè)?。圖1（b）表明同一駕駛?cè)嗽谡J(rèn)知分散與正常駕駛狀態(tài)之間存在一定差異，但不同的駕駛?cè)嗽谡J(rèn)知分散狀態(tài)下駕駛行為特征沒有一致規(guī)律性。因此，雖然可以利用駕駛行為特征之間差異性對(duì)駕駛?cè)说恼J(rèn)知分散狀態(tài)進(jìn)行監(jiān)測，但該監(jiān)測模型僅適用于同一駕駛?cè)耍煌鸟{駛?cè)诵枰⑾鄬?duì)應(yīng)的認(rèn)知分散狀態(tài)監(jiān)測模型［8］。

Liu等研究了復(fù)雜城市道路和簡單鄉(xiāng)村道路及道路場景變化對(duì)駕駛行為的影響［12］，研究表明道路環(huán)境因素（高速公路、城市道路、鄉(xiāng)村道路）同樣是影響注意力狀態(tài)監(jiān)測的主要因素之一［12－13］。本文重點(diǎn)研究不同道路線形對(duì)認(rèn)知分散狀態(tài)監(jiān)測的影響。

圖1 個(gè)人駕駛習(xí)慣對(duì)注意力分散狀態(tài)監(jiān)測的影響Fig.1 The detection result affected by different driving style

2 模擬駕駛實(shí)驗(yàn)

模擬駕駛實(shí)驗(yàn)是目前進(jìn)行注意力狀態(tài)監(jiān)測的主要方式［10－11］。招募12名駕駛?cè)耍隈{駛模擬器上采集正常駕駛和認(rèn)知分散狀態(tài)下的實(shí)驗(yàn)參數(shù)，實(shí)驗(yàn)場景選擇高速公路場景。

2.1 駕駛模擬器

采用自行開發(fā)的奔騰B50駕駛模擬實(shí)驗(yàn)平臺(tái)進(jìn)行駕駛模擬實(shí)驗(yàn)，駕駛行為參數(shù)直接從模擬器的CAN-Bus中讀取，采樣頻率選擇10 Hz。圖2所示為駕駛模擬器。

圖2 駕駛模擬器Fig.2 Driving si mulator

2.2 實(shí)驗(yàn)駕駛?cè)撕蛯?shí)驗(yàn)場景

招募12名具有合法駕照的駕駛?cè)耍ㄅ?名，男：7名），年齡21～30歲。針對(duì)實(shí)驗(yàn)要求，運(yùn)用Multigen Creator和Vage自行設(shè)計(jì)的高等級(jí)公路場景，該場景由直路和多種曲率逐漸變化的彎道交替連接而成，雙向4車道，單車道寬3.75 m，中間隔離帶寬3 m，車速限制80～120 k m／h。

2.3 實(shí)驗(yàn)過程

整個(gè)實(shí)驗(yàn)過程分為三個(gè)階段進(jìn)行：①模擬器適應(yīng)階段；②正常駕駛階段；③認(rèn)知分散階段；每個(gè)階段耗時(shí)35～45 min，每個(gè)階段結(jié)束之后休息5 min。模擬器適應(yīng)階段主要是讓實(shí)驗(yàn)駕駛?cè)耸煜ゑ{駛模擬器和對(duì)應(yīng)的高速公路場景。在正常駕駛階段和認(rèn)知分散階段采集所需的實(shí)驗(yàn)數(shù)據(jù)。

2.3.1 正常駕駛階段

駕駛?cè)税凑諅€(gè)人駕駛習(xí)慣正常駕駛模擬器，在該階段，盡量避免駕駛次任務(wù)的影響。同時(shí)，對(duì)不同道路線形（直道和彎道）駕駛行為參數(shù)分別進(jìn)行采集，數(shù)據(jù)記錄人員隨機(jī)選擇10個(gè)彎道和直道進(jìn)行駕駛行為數(shù)據(jù)采集。每次記錄1 min，不同道路線形（直道和彎道）各采集6000組數(shù)據(jù)作為正常駕駛行為的原始參數(shù)。

2.3.2 認(rèn)知分散階段

該階段，駕駛?cè)嗽隈{駛模擬器的同時(shí)被要求回答實(shí)驗(yàn)人員的提問，主要是智力測試問題，包括：邏輯推理題、數(shù)字記憶題等。數(shù)據(jù)記錄人員主觀判斷，當(dāng)駕駛?cè)怂伎疾⒒卮饘?shí)驗(yàn)人員的提問時(shí)即認(rèn)為出現(xiàn)認(rèn)知分散狀態(tài)，開始采集認(rèn)知分散狀態(tài)下的駕駛行為參數(shù)。此過程中對(duì)直道和彎道分別進(jìn)行采集，每次采集的時(shí)間間隔根據(jù)駕駛?cè)说木駹顟B(tài)而定，直到對(duì)不同道路線形（直道和彎道）各采集足夠的（＞6000組）駕駛?cè)苏J(rèn)知分散狀態(tài)下的駕駛行為原始參數(shù)，該階段耗時(shí)較長。

2.4 駕駛行為原始參數(shù)

采集的駕駛行為原始參數(shù)包括：車速、加速度、方向盤轉(zhuǎn)角、方向盤轉(zhuǎn)動(dòng)角速度、油門踏板位置和車身橫擺角速度。

2.5 參數(shù)分析

圖3所示為直線型道路條件下，駕駛?cè)嗽谇逍褷顟B(tài)和認(rèn)知分散狀態(tài)時(shí)的駕駛行為及車輛特征參數(shù)曲線圖。

由圖3可知，駕駛?cè)颂幱谡J(rèn)知分散狀態(tài)時(shí)，駕駛行為及車輛特征參數(shù)與正常狀態(tài)下存在顯著差異。彎道條件下也得出了同樣的結(jié)論。

3 認(rèn)知分散狀態(tài)監(jiān)測模型

3.1 支持向量機(jī)

認(rèn)知分散與駕駛行為參數(shù)之間存在復(fù)雜的非線性關(guān)系，可以采用支持向量機(jī)建立認(rèn)知分散狀態(tài)分類監(jiān)測模型。支持向量機(jī)現(xiàn)已成為機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的標(biāo)準(zhǔn)工具之一，被廣泛應(yīng)用于模式識(shí)別等領(lǐng)域，圖4所示為二維可分情況下支持向量機(jī)的分類結(jié)果。

3.2 特征參數(shù)組

為了充分反映不同注意力狀態(tài)下駕駛行為的變化，對(duì)采集的6維駕駛行為參數(shù)進(jìn)行統(tǒng)計(jì)分析，包括均值及方差，得到一組12維特征向量，作為支持向量機(jī)模型的輸入。

3.3 時(shí)間窗

時(shí)間窗是進(jìn)行特征參數(shù)組統(tǒng)計(jì)分析的時(shí)間間隔，為了提高監(jiān)測系統(tǒng)的實(shí)時(shí)性，選擇時(shí)間間隔為1 s。每位駕駛?cè)嗽诓煌⒁饬顟B(tài)（正常駕駛和認(rèn)知分散），以及不同道路線形（直道和彎道）條件下分別有600組訓(xùn)練集進(jìn)行模型的訓(xùn)練和測試。

3.4 模型訓(xùn)練

在支持向量機(jī)中，采用不同的核函數(shù)將形成不同的算法。目前常用的核函數(shù)主要有線性函數(shù)、多項(xiàng)式函數(shù)、徑向基函數(shù)和多層感知機(jī)等。其中徑向基函數(shù)是最常用的核函數(shù)：式中：xi、xj為特征向量。

徑向基函數(shù)中存在兩個(gè)待定參數(shù)：參數(shù)γ、懲罰參數(shù)C。采用網(wǎng)格尋優(yōu)的方式選擇 （C，γ）。其中，（C，γ）按公式（2）計(jì)算，根據(jù)所交叉檢驗(yàn)的結(jié)果確定函數(shù)表達(dá)式。

圖3 正常駕駛與認(rèn)知分散狀態(tài)下駕駛行為參數(shù)變化Fig.3 Change of driving perfor mance in different driving state

圖4 二維可分情況下的最優(yōu)分類結(jié)果Fig.4 Classification result in 2-D space using SVM

3.5 模型評(píng)價(jià)函數(shù)

經(jīng)常使用的三個(gè)模型評(píng)價(jià)函數(shù)為：準(zhǔn)確度Accuracy、靈敏度Sensitivity、特異度Specificity，計(jì)算公式為：

式中：TU 為正確檢測樣本數(shù)；TON 為總樣本數(shù)；TP，F(xiàn)P，TN，F(xiàn)N 的定義見表1。

表1 靈敏度、特異度相關(guān)定義Table 1 Definition of Sensitivity and Specificity

4 結(jié)果分析

針對(duì)每一駕駛?cè)?，分別建立不同道路線形（直道和彎道）下的駕駛?cè)苏J(rèn)知分散狀態(tài)監(jiān)測模型，并隨機(jī)選擇100組測試集對(duì)建立的監(jiān)測模型進(jìn)行評(píng)價(jià)分析，其結(jié)果如表2所示。從表2中可以看到不同駕駛?cè)酥g存在一定差異。

不同道路線形下所有駕駛?cè)吮O(jiān)測模型的平均結(jié)果如圖5所示，其中直道檢測準(zhǔn)確度為88.58%，靈敏度為93%，特異度為84.17%；彎道檢測準(zhǔn)確度為81.25%，靈敏度為84.08%，特異度為78.42%；在不區(qū)分道路線形情況下檢測的平均準(zhǔn)確度為74.17%，靈敏度為70.67%，特異度為77.67%。

表2 認(rèn)知分散模型監(jiān)測結(jié)果Table 2 Predict result of the cognitive detection model %

圖5 不同道路線形下的平均監(jiān)測結(jié)果Fig.5 Mean predict result in different road lines

由監(jiān)測結(jié)果可見，采用駕駛行為特征的監(jiān)測方法可以實(shí)時(shí)、有效地監(jiān)測駕駛?cè)苏J(rèn)知分散狀態(tài)的準(zhǔn)確度、靈敏度、特殊度，其監(jiān)測結(jié)果受道路線形條件影響。在不同道路線形下分別進(jìn)行監(jiān)測，準(zhǔn)確度為：直道88.58%，彎道81.25%，該結(jié)果高于采用同一模型不區(qū)分道路線形直接進(jìn)行監(jiān)測的準(zhǔn)確度74.17%。同時(shí)不同駕駛?cè)笋{駛風(fēng)格之間也存在一定差異。

5 結(jié)束語

在系統(tǒng)分析不同注意力狀態(tài)和監(jiān)測方法的基礎(chǔ)上，以駕駛模擬器為實(shí)驗(yàn)平臺(tái)，針對(duì)不同道路線形（直道、彎道），分別采集了正常駕駛和認(rèn)知分散狀態(tài)下駕駛的行為參數(shù)；采用支持向量機(jī)建立了不同駕駛?cè)恕⒉煌缆肪€形條件下的認(rèn)知分散狀態(tài)監(jiān)測模型；得出了認(rèn)知分散狀態(tài)監(jiān)測的影響因素。為進(jìn)一步開展駕駛?cè)苏J(rèn)知分散狀態(tài)監(jiān)測研究和未來系統(tǒng)應(yīng)用奠定了基礎(chǔ)。

相對(duì)于直道，當(dāng)處于彎道時(shí)，駕駛?cè)笋{駛更加謹(jǐn)慎，駕駛行為變化不明顯，因此識(shí)別準(zhǔn)確率較低。建立完善多特征參數(shù)組，并依據(jù)不同駕駛習(xí)慣和道路環(huán)境因素等進(jìn)行選擇調(diào)整，從而建立適應(yīng)多駕駛?cè)?、不同道路線形的駕駛?cè)苏J(rèn)知分散狀態(tài)在線自學(xué)習(xí)監(jiān)測模型是下一步的研究重點(diǎn)。

［1］Bergasa L，Nuevo J，Sotelo M，et al.Real-ti me system for monitoring driver vigilance［J］.IEEE Transactions on Intelligent Transportation Systems，2006，7（1）：63-77.

［2］Woll mer M，Blaschke C，Schindl T，et al.Online driver distraction detection using long short-ter m memory［J］.IEEE Transactions on Intelligent Transportation Systems，2011，12（2）：574-582.

［3］Jin L S，Niu Q N，Hou H J，et al.Driver cognitive distraction detection using driving perfor mance Measures［J］.Discrete Dynamics in Nature and Society，2012，2012：1-12.

［4］Kircher K，Ahlstr om C，Kircher A.Co mparison of t wo eye-gaze based real-ti me driver distraction detection algorith ms in a s mall-scale field operational test［C］∥Proc 5th Int Driving Sy mp Human Factors Driver Assess ment，Train Veh Des，2009：16-23.

［5］Strayer D L，Drews F A，Johnston W A.Cell phone-induced failures of visual attention during si mulated driving［J］.Jour nal of Experi mental Psychology：Applied，2003，9（1）：23-32.

［6］Blanco M，Biever W J，Gallagher J P，et al.The i mpact of secondary task cognitive processing demand on driving perfor mance［J］.Accident Analysis and Prevention，2006，38：895-906.

［7］Haigney D，Wester man S J.Mobile（cellular）phone use and driving：A critical review of research methodology［J］.Ergonom，2001，44（2）：132-143.

［8］Liang Yu-lan.Detecting driver distraction［D］.Lowa：College of Industrial Engineering，University of Lowa，2009.

［9］Recarte M A，Nunes L M.Mental workload while driving：Effects on visual search，discri mination，and decision making［J］.Jour nal of Experi mental Psychology：Applied，2003，9（2）：119-137.

［10］Reyes M L，Lee J D.Effects of cognitive load presence and duration on driver eye movements and event detection perfor mance［J］.Transportation Research Part F：Traffic Psychology and Behavior，2008，11（6）：391-402.

［11］李偉，何其昌，范秀敏.基于汽車操縱信號(hào)的駕駛員疲勞狀態(tài)檢測［J］.上海交通大學(xué)學(xué)報(bào)，2010，44（2）：292-296.Li Wei，He Qi-chang，F(xiàn)an Xiu-min.Detection of driver＇s fatigue based on vehicle perfor mance output［J］.Jour nal of Shanghai Jiaotong University，2010，44（2）：292-296.

［12］Liu Yung-ching，Wu tsun-ju.Fatigued driver＇s driving behavior and cognitive task perfor mance：Effects of road environ ments and r oad envir on ment changes［J］.Safety Science，2009，47：1083-1089.

［13］Horberry Tim，Anderson Janet，Regan Michael A，et al.Driver distraction：The effects of concurrent in-vehicle tasks，road environment complexity and age on driving perfor mance［J］.Accident Analysis and Prevention，2006，38：185-191.