機動車駕駛員駕駛行為操縱動作模式的研究*

肖獻強，任春燕，王其東

(合肥工業(yè)大學(xué)機械與汽車工程學(xué)院，合肥 230009)

?

2015186

機動車駕駛員駕駛行為操縱動作模式的研究*

肖獻強，任春燕，王其東

(合肥工業(yè)大學(xué)機械與汽車工程學(xué)院，合肥 230009)

采用主成分分析法研究了駕駛員的操縱動作模式主要成分結(jié)構(gòu)，采用Matlab編寫了主成分分析算法對問卷調(diào)查獲得的數(shù)據(jù)進行了分析，并著重選取問卷中超車、轉(zhuǎn)向和并線3種駕駛行為的數(shù)據(jù)，分析得到這3種駕駛行為對應(yīng)的駕駛操縱動作模式的主成分載荷矩陣和貢獻率。結(jié)果表明：通過研究駕駛行為及其對應(yīng)的駕駛操縱動作模式，可以發(fā)現(xiàn)對特定駕駛行為影響較大的駕駛操縱動作，進而根據(jù)兩者之間的關(guān)系反向?qū)崿F(xiàn)個性化駕駛行為的識別，為后續(xù)設(shè)計先進的輔助駕駛系統(tǒng)提供技術(shù)依據(jù)。

駕駛行為；主成分分析法；駕駛操縱動作模式

前言

根據(jù)對我國2001-2011年一次死亡3人以上的特大交通事故原因分析，駕駛員原因?qū)е碌慕煌ㄊ鹿收嫉?0%以上。上述數(shù)據(jù)充分說明駕駛員在交通事故預(yù)防中的核心地位和作用，這與駕駛員在整個交通系統(tǒng)中扮演的角色有關(guān)，駕駛員不僅是道路交通系統(tǒng)信息的處理者、決策者，同時也是其調(diào)節(jié)者和控制者，其行為是否安全對于整個系統(tǒng)的狀態(tài)有重大影響,駕駛員的個體因素在駕駛過程和道路交通中主要體現(xiàn)在其本身的駕駛行為和操縱動作[1]。

通過采集車輛傳動機構(gòu)和駕駛操縱動作傳感器數(shù)據(jù)分析發(fā)現(xiàn)，車輛在某一特定時刻的狀態(tài)和駕駛員的駕駛行為，是決定駕駛員前面一定時長內(nèi)的駕駛操縱動作的基礎(chǔ)。利用駕駛操縱動作和駕駛行為之間的內(nèi)在關(guān)系，既可以通過駕駛操縱動作傳感器數(shù)據(jù)融合實現(xiàn)駕駛行為識別預(yù)測，也可以利用駕駛操縱動作與駕駛行為之間的映射關(guān)系，研究基于駕駛行為識別的車輛主動安全系統(tǒng)。

文獻[2]中通過采集駕駛操縱動作及車輛狀態(tài)數(shù)據(jù)，利用隱馬爾科夫模型與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法構(gòu)建了轉(zhuǎn)向駕駛意圖辨析模型和方法。文獻[3]中根據(jù)駕駛員的駕駛操縱動作，運用隱馬爾科夫動態(tài)模型成功地預(yù)測了駕駛員即將實施的駕駛行為。文獻[4]中利用駕駛員過去的駕駛操縱動作數(shù)據(jù)庫研究開發(fā)了基于駕駛操縱動作模板的駕駛行為識別算法，并在識別的基礎(chǔ)上結(jié)合車輛運行狀態(tài)評估駕駛行為的安全性。近年來,主成分分析法在駕駛行為研究中的應(yīng)用越來越多。文獻[5]中利用主成分分析法與德爾菲結(jié)合法構(gòu)建了駕駛行為主要影響指標(biāo)集。

駕駛行為因駕駛員個體特性的不同，其實施過程中駕駛操縱動作存在一定的差異性，且駕駛操縱動作數(shù)據(jù)多且雜，如何從眾多駕駛操縱動作數(shù)據(jù)中抽取出能夠充分反映駕駛行為本質(zhì)的駕駛操縱數(shù)據(jù)，減少數(shù)據(jù)量，提高駕駛行為識別預(yù)測算法的計算實時性，是駕駛行為識別預(yù)測用于車輛主動安全和先進輔助駕駛系統(tǒng)的關(guān)鍵技術(shù)之一。同時，研究駕駛行為及其對應(yīng)的駕駛操縱動作主要成分，可為先進輔助駕駛及主動安全系統(tǒng)介入車輛干預(yù)和控制，預(yù)防交通事故的發(fā)生提供技術(shù)支撐和依據(jù)。

通過采用調(diào)查問卷和主成分分析法研究構(gòu)建駕駛行為及其對應(yīng)的駕駛操縱動作主成分通用性抽取算法，為研究利用駕駛操縱動作實現(xiàn)駕駛行為識別預(yù)測及構(gòu)建個性化駕駛員操縱動作模式奠定基礎(chǔ)，也為后續(xù)研究個性化駕駛員駕駛行為的駕駛操縱動作模式提供技術(shù)支撐。

1 常見駕駛行為及駕駛操縱動作

通過查閱相關(guān)資料，常見的駕駛行為有：(1)超車；(2)并線；(3)疲勞駕駛；(4)掉頭轉(zhuǎn)彎；(5)起動；(6)減速；(7)勻速行駛；(8)加速。

通過研究調(diào)查，本文中選擇了如下8種駕駛操縱動作作為駕駛操縱動作集。

(1) 轉(zhuǎn)向盤操縱動作 該動作直接反映了駕駛員的橫向操控能力和穩(wěn)定性。

(2) 加速踏板操縱動作 該操縱動作直接影響車輛的起動和正常行駛中的加減速。

(3) 轉(zhuǎn)向盤操縱動作頻率 該操縱動作反映了駕駛員的駕駛狀態(tài)，是一個附加的觀測動作數(shù)據(jù)。

(4) 制動踏板操縱動作 該操縱動作直接反映駕駛員減速或停車的行為。

(5) 離合器踏板操縱動作 該操縱動作是判斷駕駛員轉(zhuǎn)換駕駛行為的一個臨界觀測值。

(6) 換擋操縱動作 該操縱動作表明駕駛員對擋位的合理選擇能力和狀態(tài)轉(zhuǎn)變。

(7) 左轉(zhuǎn)向燈操縱動作 該操縱動作反映了駕駛員左向變道及轉(zhuǎn)彎的表征參數(shù)。

(8) 右轉(zhuǎn)向燈操縱動作 該操縱動作反映了駕駛員右向變道及轉(zhuǎn)彎的表征參數(shù)。

利用主成分分析法分析以上8種駕駛操縱動作對駕駛行為的影響程度和駕駛行為形成貢獻率。

2 實驗數(shù)據(jù)的采集和處理

根據(jù)研究的需要，設(shè)計一種汽車駕駛員駕駛行為問卷調(diào)查表，如表1所示，來調(diào)查以上所列的駕駛操縱動作與各駕駛行為之間的內(nèi)在關(guān)系，課題組給駕校教練員、個體駕駛員和職業(yè)駕駛員發(fā)放了800份問卷。通過對收回的286份有效問卷數(shù)據(jù)進行歸類處理與分析，形成各駕駛行為駕駛操縱動作數(shù)據(jù)表。

表1 汽車駕駛員駕駛行為問卷調(diào)查

3 主成分分析法

3.1 主成分分析法的基本原理

主成分分析法是數(shù)學(xué)上對數(shù)據(jù)降維的一種處理分析方法，其基本思想是設(shè)法將原來眾多的具有一定相關(guān)性的指標(biāo)X1,X2,…,Xn，重新組合成一組較少個數(shù)的互不相關(guān)的綜合指標(biāo)Fm來代替原來的指標(biāo)，使其既能最大程度地反映原變量Xn所代表的信息，又能保證新指標(biāo)之間保持相互無關(guān)(信息不重疊)[6]。

3.2 分析步驟

分別以o1,o2,…,o8依次表示轉(zhuǎn)向盤、加速踏板、轉(zhuǎn)向盤轉(zhuǎn)動頻率、制動踏板、離合踏板、換擋桿和左右轉(zhuǎn)向燈等8種操縱動作，按以下步驟進行分析。

(1) 計算相關(guān)系數(shù)矩陣

(1)

式中rij(i,j=1,2,…,8)為原變量的oi與oj之間的相關(guān)系數(shù)，其計算公式為

(2)

(2) 計算特征值與特征向量

(3) 計算主成分貢獻率和累計貢獻率

主成分Zi的貢獻率為

(3)

累計貢獻率為

(4)

一般取累計貢獻率達85%～95%的特征值λ1,λ2,…,λ8所對應(yīng)的第1～第m(m≤8)個主成分。

(4) 計算主成分載荷矩陣

(5)

主成分載荷矩陣是主成分Zi與原始指標(biāo)oi的相關(guān)系數(shù)R(Zi,oj)，揭示了主成分與各原始指標(biāo)之間的相關(guān)程度，它可以較好地解釋主成分的表征意義。得到各主成分的載荷后，還可以得到各主成分的得分。

(6)

根據(jù)以上的主成分分析過程，通過Matlab將主成分分析算法編譯成一個M文件，并且設(shè)計一個簡易快捷的計算GUI界面，如圖1所示，其主要功能是得到主成分貢獻率、主成分載荷矩陣和碎石圖。將所需分析的駕駛行為及駕駛操縱動作數(shù)據(jù)以Excel的形式導(dǎo)入即可直觀地分析仿真結(jié)果[7-8]。

4 仿真結(jié)果

通過將問卷調(diào)查數(shù)據(jù)中的超車、轉(zhuǎn)向和并線3種駕駛行為數(shù)據(jù)抽取出來，進行對應(yīng)的駕駛操縱動作構(gòu)成成分分析。分析結(jié)果的碎石圖如圖2所示，對應(yīng)的主成分分析及載荷矩陣分別見表2和表3。

以按照特征值排列的大小序號為橫軸，以特征值為縱軸作碎石圖，如圖2所示，在拐點之前是與大因子連接的陡峭折線，之后是與小因子相連的緩坡折線。一般取拐點前所有的因子及拐點后的第1個因子作為主成分，也可結(jié)合累積貢獻率達到的百分比來確定主成分的個數(shù)。

4.1 計算各主成分評價指標(biāo)值

表2 各個主成分貢獻率和累積貢獻率

表3 主成分載荷矩陣

由圖2和表3可知，實施超車駕駛行為，前3個駕駛操縱動作因子的累計貢獻率為93.99%，大于85%，表明這3個因子可以概括原始數(shù)據(jù)的大部分信息，其主成分分別用Z11，Z12和Z13來表示。由表2可知，超車主成分分析的表達式為

(7)

(8)

(9)

由式(1)～式(3)可知：

(1) 第1主成分由離合踏板、轉(zhuǎn)動右轉(zhuǎn)向燈、轉(zhuǎn)動轉(zhuǎn)向盤、制動踏板及加速踏板操縱動作構(gòu)成；

(2) 第2主成分由離合踏板、加速踏板、制動踏板、右轉(zhuǎn)向燈和換擋操縱動作構(gòu)成；

(3) 第3主成分由換擋、制動踏板、離合踏板、轉(zhuǎn)動轉(zhuǎn)向盤和左轉(zhuǎn)向燈操縱動作構(gòu)成。

轉(zhuǎn)向駕駛行為的前3個駕駛操縱動作因子的累計貢獻率為89.12%，大于85%，表明這3個因子可以概括原始數(shù)據(jù)的大部分信息，其主成分分別用Z21，Z22和Z23來表示，同樣由表2可知，轉(zhuǎn)向主成分分析的表達式為

(10)

(11)

(12)

由式(10)～式(12)可知：

(1) 第1主成分由左轉(zhuǎn)向燈、換擋、轉(zhuǎn)動轉(zhuǎn)向盤和加速踏板駕駛操縱動作構(gòu)成；

(2) 第2主成分由轉(zhuǎn)動轉(zhuǎn)向盤和左轉(zhuǎn)向燈操縱動作構(gòu)成；

(3) 第3主成分由右轉(zhuǎn)向燈、加速踏板和轉(zhuǎn)動轉(zhuǎn)向盤操縱動作構(gòu)成。

并線駕駛行為前兩個駕駛操縱動作因子的累計貢獻率為96.29%，大于85%，表明這兩個因子可以概括原始數(shù)據(jù)的大部分信息，其主成分分別用Z31和Z32來表示，同樣由表2可知，并線主成分分析的表達式為

(13)

(14)

由式(13)～式(14)可知：

(1) 第1主成分由制動踏板、轉(zhuǎn)動轉(zhuǎn)向盤和換擋操縱動作構(gòu)成。

(2) 第2主成分由右轉(zhuǎn)向燈和換擋操縱動作構(gòu)成。

4.2 計算綜合評價指標(biāo)值

以每個主成分所對應(yīng)的特征值占所提取主成分總的特征值之和的比例作為權(quán)重計算主成分綜合模型，可計算得出3種駕駛行為超車(Z1)、轉(zhuǎn)向(Z2)、并線(Z3)的綜合評價指標(biāo)的表達式為

(15)

(16)

(17)

(1) 實施超車駕駛行為時，X1，X2，X4和X8的系數(shù)絕對值較大，即轉(zhuǎn)動轉(zhuǎn)向盤、操縱加速踏板、制動踏板和右轉(zhuǎn)向燈4個駕駛操縱動作對超車駕駛行為形成起至關(guān)重要的作用，尤其是加速踏板操縱動作對是否超車的影響較大，屬于重要指標(biāo)。

(2) 實施轉(zhuǎn)向駕駛行為時，X2，X5，X6和X7的系數(shù)絕對值較大，即操縱加速踏板、離合踏板、換擋和左轉(zhuǎn)向燈4個駕駛操縱動作對轉(zhuǎn)向駕駛行為實施起著至關(guān)重要的作用，尤其換擋對是否處于轉(zhuǎn)向操縱的影響較大，屬于較為重要的指標(biāo)。

(3) 實施并線駕駛行為時，X1，X4和X6的系數(shù)絕對值較大，也即轉(zhuǎn)動轉(zhuǎn)向盤、操縱制動踏板和換擋3個駕駛操縱動作對并線駕駛行為實施起著至關(guān)重要的作用，且3個駕駛操縱動作對于并線的影響都較大，屬于較為重要的指標(biāo)。

5 結(jié)論

通過問卷調(diào)查的形式采集駕駛員駕駛行為和操縱動作數(shù)據(jù)，采用Matlab編寫駕駛行為駕駛操縱動作主成分分析算法，得出實施完成各類型駕駛行為的主要駕駛操縱動作成分、貢獻率和主成分載荷矩陣，且可進一步得到綜合評價指標(biāo)值，提取出對于駕駛行為實施完成影響較大的駕駛操縱動作。該研究結(jié)果未來可在以下幾個方面應(yīng)用。

(1) 個性化駕駛員駕駛行為駕駛操縱動作模式的建立。通過抽取駕駛員的駕駛行為駕駛操縱動作主成分，構(gòu)建基于有向圖的個性化駕駛員駕駛行為和駕駛操縱動作模式，為進一步研究設(shè)計個性化的車輛輔助駕駛系統(tǒng)提供技術(shù)支撐。

(2) 目前，車輛輔助駕駛系統(tǒng)和主動安全系統(tǒng)可以針對駕駛員的駕駛行為進行評估，該研究成果可以為輔助駕駛和主動安全系統(tǒng)根據(jù)駕駛員的駕駛行為和實施完成此駕駛行為的操縱動作模式，制定介入車輛干預(yù)控制的具體預(yù)防策略和方法。

(3) 利用該研究的駕駛行為操縱動作主成分，構(gòu)建駕駛員駕駛行為的駕駛操縱模式，利用駕駛操縱動作模式反向映射實現(xiàn)個性化駕駛行為的實時識別預(yù)測。

[1] Amardeep Sathyanarayana, Pnar Boyraz, et al. Driver Behavior Analysis and Route Recognition by Hidden Markov Models[C]. Proceedings of the 2008 IEEE International Conference on Vehicular Electronics and SafetyColumbus, OH, USA. September,2008:276-281.

[2] 宗長富,楊肖,王暢,等.汽車轉(zhuǎn)向時駕駛員駕駛意圖辨識與行為預(yù)測[J].吉林大學(xué)學(xué)報(工學(xué)版),2009,39(增刊1):27-32.

[3] Pentlad A, Liu A. Modeling and Prediction of Human Behavior[J]. Neural Computation,1999,11:229-242.

[4] Yoshifumi Kishimoto, et al. A Modeling Method for Predicting Driving Behavior Concerning with Driver’s Past Movements[C]. Proceedings of the 2008 IEEE International Conference on Vehicular Electronics and Safety Columbus,2008:132-137.

[5] 陳沅江,段莉,肖云.主成分分析法和德爾菲結(jié)合法的影響駕駛行為指標(biāo)構(gòu)建[J].安全與環(huán)境學(xué)報,2012,12(2):228-231.

[6] 石琴,鄭與波,姜平.基于運動學(xué)片段的城市道路行駛工況的研究[J].汽車工程,2011,33(3):256-261.

[7] 張德喜,周予生.MATLAB 語言程序設(shè)計教程[M].北京:中國鐵道出版社,2006.

[8] 常巍,謝光軍.MATLAB R2007 基礎(chǔ)與提高[M].北京:電子工業(yè)出版社,2007.

A Research on the Driving Operation Modes of Vehicle Drivers

Xiao Xianqiang, Ren Chunyan & Wang Qidong

SchoolofMachineryandAutomobileEngineering,HefeiUniversityofTechnology,Hefei230009

Principal component analysis (PCA) is adopted to study the main constitution structures of driver’s operation modes and a PCA algorithm created with Matlab is used to analyze the data obtained by questionnaire, from which three sets of driver behavior data of overtaking, steering and cutting-in maneuver are in particular selected for analysis to obtain the loading matrix and contribution rate of PCA corresponding to those three operation modes. The results show that through the study on driver’s behaviors and corresponding operation modes, the driving operation actions having more significant effects on specific driving behaviors can be found and hence the identification of personalized driving behaviors can be achieved inversely based on the relationship between them, providing a technique basis for subsequent design of advanced driver assistant system.

driving behavior; principal component analysis; driving operation modes

*教育部高等學(xué)校博士學(xué)科點專項科研基金(20130111120023)和國家自然科學(xué)基金(51175135)資助。

原稿收到日期為2013年8月28日，修改稿收到日期為2014年4月19日。