多模式共駕智能車行駛安全性評(píng)估研究*

嚴(yán)利鑫 秦伶巧 熊鈺冰 李 凱

(1.華東交通大學(xué)交通運(yùn)輸與物流學(xué)院 南昌 330013;2.威斯康星大學(xué)-麥迪遜分校交通運(yùn)營(yíng)和安全實(shí)驗(yàn)室 威斯康星 53705;3.南昌城投房地產(chǎn)開發(fā)有限公司 南昌 330013)

0 引 言

多模式協(xié)同駕駛是智能車發(fā)展過(guò)程中必須經(jīng)歷的一個(gè)重要階段。在該階段，駕駛?cè)撕蜋C(jī)器共享對(duì)車輛的操作權(quán)限，當(dāng)系統(tǒng)檢測(cè)到潛在的危險(xiǎn)時(shí)，通過(guò)進(jìn)行一系列的安全輔助措施實(shí)現(xiàn)車輛的安全行駛[1]。同時(shí)，智能車駕駛模式的切換是一個(gè)復(fù)雜的過(guò)程，對(duì)駕駛?cè)藸顟B(tài)、車輛運(yùn)動(dòng)狀態(tài)、交通流狀態(tài)及周邊車輛運(yùn)行狀態(tài)等多方面都會(huì)產(chǎn)生較大影響[2]。由于駕駛?cè)撕捅豢剀囕v是駕駛模式切換影響的直接承受體[3]，所以模式切換的安全性將對(duì)智能車的順利接管產(chǎn)生直接影響。

考慮到交通環(huán)境復(fù)雜性、系統(tǒng)可靠性及經(jīng)濟(jì)性等原因，實(shí)現(xiàn)車輛全自動(dòng)駕駛還有較長(zhǎng)的一段發(fā)展時(shí)間。但是在現(xiàn)有條件下針對(duì)特定場(chǎng)景的自動(dòng)駕駛是完全可行的。Sheng等[4]利用駕駛?cè)嗣娌啃畔⒑娃D(zhuǎn)向盤轉(zhuǎn)角實(shí)現(xiàn)對(duì)駕駛疲勞的識(shí)別，并基于此對(duì)駕駛?cè)似跅l件下智能車輛從人工駕駛到自動(dòng)駕駛的切換進(jìn)行了研究。此外還通過(guò)融合多源信息提出了基于疲勞識(shí)別的智能車輛駕駛模式切換框架模型，模擬實(shí)驗(yàn)結(jié)果表明該框架模型能夠有效的提高駕駛?cè)似跔顟B(tài)下車輛行駛安全性。Zeeb等[5]采用仿真實(shí)驗(yàn)分析了智能輔助駕駛系統(tǒng)切換時(shí)間與切換提示之間的相互影響關(guān)系，并在此基礎(chǔ)上對(duì)不同駕駛風(fēng)格駕駛?cè)饲袚Q反應(yīng)能力進(jìn)行了統(tǒng)計(jì)分析。Nilsson等[6]通過(guò)融合駕駛?cè)说目刂颇芰蛙囕v當(dāng)前狀態(tài)構(gòu)建由自動(dòng)駕駛切換到手動(dòng)駕駛的安全評(píng)估模型。此外，傳統(tǒng)的安全輔助駕駛系統(tǒng)主要通過(guò)2種方式來(lái)進(jìn)行車輛的緊急避險(xiǎn)。一種方式為聲音或者其他方式進(jìn)行報(bào)警，這種方式多單純依靠車速或者車間距等進(jìn)行安全狀態(tài)判斷，如以色列的Mobileye system是通過(guò)融合車道偏離距離和當(dāng)前車速對(duì)車輛橫向狀態(tài)進(jìn)行估計(jì)。當(dāng)出現(xiàn)車道偏離或者占道行駛時(shí)，系統(tǒng)通過(guò)發(fā)出“滴滴滴”的報(bào)警音對(duì)駕駛?cè)诉M(jìn)行警示[7]。另一種方式為通過(guò)自動(dòng)控制車輛的制動(dòng)踏板來(lái)達(dá)到安全行駛的目的，如現(xiàn)有的一些車輛安全輔助駕駛系統(tǒng)通過(guò)對(duì)車頭時(shí)距進(jìn)行檢測(cè)，當(dāng)車頭時(shí)距小于設(shè)定的閾值時(shí)，系統(tǒng)通過(guò)自動(dòng)減速來(lái)進(jìn)行緊急避險(xiǎn)[8]。

以上成果分別從預(yù)警和控制的角度對(duì)行駛安全性進(jìn)行了研究，但是針對(duì)的研究主體仍然為安全輔助駕駛系統(tǒng)。隨著自動(dòng)駕駛相關(guān)技術(shù)的快速發(fā)展，車輛具備自動(dòng)駕駛功能將是一個(gè)必然的發(fā)展趨勢(shì)。但是現(xiàn)階段全自動(dòng)駕駛的普及與現(xiàn)實(shí)的交通條件還存在較大的差距，采用人機(jī)共駕駕駛系統(tǒng)對(duì)車輛行駛安全性及交通通行效率將有很大的幫助。

考慮到行駛安全性及現(xiàn)有法規(guī)等因素，筆者采用駕駛模擬器來(lái)開展實(shí)驗(yàn)并完成數(shù)據(jù)采集，通過(guò)查閱文獻(xiàn)資料并分析獲取不同模式下行駛安全性影響特征指標(biāo)，采用多統(tǒng)計(jì)學(xué)方法對(duì)原始數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，同時(shí)采用貝葉斯網(wǎng)絡(luò)構(gòu)建不同駕駛模式下安全性評(píng)價(jià)模型。該項(xiàng)研究能夠?yàn)槿藱C(jī)共駕智能車模式選擇提供理論依據(jù)和技術(shù)支持，為智能車的快速發(fā)展奠定基礎(chǔ)。

1 實(shí)驗(yàn)設(shè)計(jì)

1.1 實(shí)驗(yàn)設(shè)備

模擬實(shí)驗(yàn)系統(tǒng)采用的是由威斯康辛大學(xué)—麥迪遜分校土木與環(huán)境工程學(xué)院研發(fā)的汽車駕駛模擬器。該模擬器的座艙是由1輛福特小轎車改裝而成，車體下方加裝了動(dòng)感平臺(tái)，能夠模擬與實(shí)際駕駛一致的運(yùn)動(dòng)效果，另外該汽車駕駛模擬器能夠開展包括人工駕駛、警示輔助駕駛和自動(dòng)駕駛3類不同駕駛模式在內(nèi)的模擬駕駛實(shí)驗(yàn)。其中警示輔助駕駛模式是采用鳴警笛的方式對(duì)駕駛?cè)颂峁┚?，?dāng)系統(tǒng)檢測(cè)到需要對(duì)駕駛?cè)颂峁╊A(yù)警時(shí)，內(nèi)置計(jì)算機(jī)通過(guò)播放警笛音提示駕駛?cè)烁淖儺?dāng)前的駕駛方式。而自動(dòng)駕駛模式則是采用簡(jiǎn)易模擬器緊急接管的方式實(shí)現(xiàn)的。當(dāng)系統(tǒng)檢測(cè)到需要進(jìn)行駕駛接管的時(shí)候，工作人員采用接管系統(tǒng)及時(shí)對(duì)車輛進(jìn)行接管。采用該種方式來(lái)進(jìn)行接管的優(yōu)勢(shì)是能夠更加真實(shí)平穩(wěn)的反映出駕駛?cè)嗽谠庥鲎詣?dòng)接管時(shí)的狀態(tài)而駕駛?cè)俗⒁饬?shù)據(jù)的采集則使用眼動(dòng)儀完成。見圖1。

圖1 智能車模擬實(shí)驗(yàn)系統(tǒng)Fig.1 The simulating system of intelligent vehicle

1.2 實(shí)驗(yàn)對(duì)象和場(chǎng)景

被試人員選擇。5名職業(yè)駕駛?cè)思?0名在校大學(xué)生參加了實(shí)驗(yàn)，被試的平均年齡為31.47歲(標(biāo)準(zhǔn)差為6.79歲)；其中女性3名，男性12名，平均駕齡為7.53年(標(biāo)準(zhǔn)差為4.40年)。被試完成實(shí)驗(yàn)后均可獲得少量酬勞。

實(shí)驗(yàn)場(chǎng)景。本實(shí)驗(yàn)主要是為了驗(yàn)證不同駕駛模式切換對(duì)行駛安全性的影響，所以要求所設(shè)計(jì)的交通場(chǎng)景盡量簡(jiǎn)單，降低其它因素的干擾。實(shí)驗(yàn)場(chǎng)景包括靜態(tài)交通環(huán)境和動(dòng)態(tài)交通事件2個(gè)部分。①靜態(tài)交通環(huán)境。晴天，路面干燥，道路類型為雙向4車道城市道路，道路為南方某一城市的實(shí)際道路，全長(zhǎng)10 km，且基本為平直路段，道路兩側(cè)為商業(yè)樓，機(jī)動(dòng)車道于非機(jī)動(dòng)車道之間有綠化帶分隔，沿途交通標(biāo)志標(biāo)牌及路邊設(shè)施按照道路設(shè)計(jì)規(guī)范進(jìn)行設(shè)計(jì)。②動(dòng)態(tài)交通事件。主車以高于60 km/h車速行駛，駕駛中會(huì)隨機(jī)出現(xiàn)低速行駛的車輛或者障礙物，需駕駛?cè)瞬捎帽茏尰蛘咧苿?dòng)燈駕駛操作。其中一個(gè)典型的遭遇場(chǎng)景可描述為：當(dāng)主車行駛至特定路段時(shí)前方突然出現(xiàn)干擾車輛，且該車輛保持低速行駛，另一車道也有車輛與前方干擾車輛并行，主車需通過(guò)制動(dòng)來(lái)避免發(fā)生碰撞。

1.3 實(shí)驗(yàn)過(guò)程

每個(gè)駕駛?cè)诵柙谕宦范蝺?nèi)完成3次模擬駕駛實(shí)驗(yàn)。第1次為全人工駕駛，即在模擬駕駛過(guò)程中，車輛完全由被試操作，不提供任何警示或者輔助駕駛。第2次為特定場(chǎng)景下的警示輔助駕駛，即在特殊交通場(chǎng)景下，通過(guò)進(jìn)行警示或者報(bào)警，提示駕駛?cè)艘?guī)避潛在的風(fēng)險(xiǎn)。第3次為自動(dòng)輔助駕駛，即在極端危險(xiǎn)情況下，通過(guò)接管駕駛?cè)丝刂茩?quán)來(lái)實(shí)現(xiàn)車輛的安全行駛。值得注意的是，駕駛?cè)嗽趯?shí)驗(yàn)過(guò)程中需完成雙任務(wù)。首先，駕駛?cè)诵柰瓿芍付范蔚鸟{駛；然后，在車輛行駛過(guò)程中，駕駛?cè)诵柰瓿山o定的手機(jī)導(dǎo)航設(shè)置任務(wù)。該任務(wù)的設(shè)計(jì)原因是為了增加駕駛險(xiǎn)態(tài)出現(xiàn)的可能性，進(jìn)而增加模式切換發(fā)生的概率。整個(gè)駕駛過(guò)程將采用攝像機(jī)進(jìn)行記錄，以便于進(jìn)行后期實(shí)驗(yàn)數(shù)據(jù)的分析處理。

2 數(shù)據(jù)指標(biāo)的選取與分析

2.1 數(shù)據(jù)指標(biāo)的選取

車輛行駛過(guò)程中，行車安全性主要由駕駛狀態(tài)感知、決策判斷和駕駛操作3個(gè)方面因素決定，在特定行駛場(chǎng)景下，駕駛?cè)耸紫刃枰獙?duì)當(dāng)前的交通環(huán)境信息進(jìn)行狀態(tài)感知。根據(jù)經(jīng)驗(yàn)做出決策判斷，進(jìn)而采取相應(yīng)的操作動(dòng)作。而這一系列的操作動(dòng)作將以車輛的行駛狀態(tài)的改變而得到體現(xiàn)。其關(guān)聯(lián)關(guān)系模型見圖2[9]。

圖2 行車安全性關(guān)聯(lián)框架模型Fig.2 Traffic safety related framework model

駕駛?cè)说臓顟B(tài)感知是通過(guò)聽覺和視覺實(shí)現(xiàn)對(duì)交通事件和周邊道路交通環(huán)境的信息過(guò)獲取過(guò)程。研究表明，90%以上的交通信息是駕駛?cè)送ㄟ^(guò)視覺觀察獲取的，而注視點(diǎn)分配和注視的時(shí)效性往往對(duì)感知結(jié)果有著決定性的作用[10]。所以，本研究選取駕駛?cè)俗⒁朁c(diǎn)分配和注視的時(shí)效性作為表征駕駛?cè)藸顟B(tài)感知的特征指標(biāo)。

駕駛?cè)说臎Q策判斷水平一般都是由駕駛?cè)私?jīng)驗(yàn)決定的。而相關(guān)研究表明，駕齡和駕駛里程能夠很大程度上反映駕駛?cè)说膶?shí)際駕駛水平，包括其在特定場(chǎng)景下的判斷能力和應(yīng)急處置水平[11]?；诖?，本研究選取駕駛?cè)笋{齡和駕駛里程這2個(gè)指標(biāo)從決策判斷層對(duì)行車安全性進(jìn)行評(píng)價(jià)。

駕駛?cè)说牟僮鲃?dòng)作是狀態(tài)感知和決策判斷的結(jié)果，是改變當(dāng)前車輛行駛狀態(tài)的直接催化劑。而操作動(dòng)作主要體現(xiàn)為對(duì)轉(zhuǎn)向盤、加速踏板、制動(dòng)踏板、離合踏板、擋位、指示燈等裝置的控制方面。如果從操作效果來(lái)劃分的話，可以將車輛的控制主要包括橫向和縱向2個(gè)方面，其中橫向操作安全性評(píng)價(jià)主要體現(xiàn)在轉(zhuǎn)向盤控制上，而縱向操作安全性可以體現(xiàn)在制動(dòng)踏板的控制上[12]。因此，本研究采用制動(dòng)踏板深度和轉(zhuǎn)向盤變化率2個(gè)指標(biāo)從操作動(dòng)作層面實(shí)現(xiàn)對(duì)不同駕駛模式下車輛行駛的安全性進(jìn)行評(píng)價(jià)。

通過(guò)對(duì)上述指標(biāo)的獲取，能夠分別從狀態(tài)感知、決策判斷和操作動(dòng)作3個(gè)大方面實(shí)現(xiàn)對(duì)行車安全性的評(píng)價(jià)和分析。進(jìn)而為多模式協(xié)同共駕智能車行駛安全性的提高奠定基礎(chǔ)。

2.2 數(shù)據(jù)指標(biāo)的獲取與分析

2.2.1 不同駕駛模式下注視特性分析

注視特性不僅能夠反映駕駛?cè)说鸟{駛習(xí)慣，而且能夠?yàn)檐囕v行駛安全性評(píng)價(jià)提供重要依據(jù)。所以，首先對(duì)駕駛?cè)嗽谌斯ゑ{駛、人工駕駛+警示輔助駕駛、人工駕駛+警示輔助駕駛+自動(dòng)駕駛模式下的注視特性進(jìn)行統(tǒng)計(jì)分析，如圖3所示，為15組數(shù)據(jù)樣本在不同駕駛模式下的注視點(diǎn)分布情況。其中A表示車輛只能進(jìn)行人工駕駛，A+B表示車輛包含人工駕駛模式和警示輔助駕駛模式，A+B+C表示車輛包含了人工駕駛、警示輔助模式和自動(dòng)駕駛3種模式。

圖3 不同駕駛模式下注視特性分析Fig.3 the gaze characteristics in different driving modes

從圖3可知，在3類不同模式情況下，駕駛?cè)说淖⒁朁c(diǎn)分布情況出現(xiàn)一定差異性。三者之間注視特性的差異主要集中在道路中心區(qū)域和車內(nèi)裝置區(qū)域，相較于其它2種模式，在A+B+C模式下，駕駛?cè)藢?duì)道路區(qū)域注視的次數(shù)最少，而對(duì)車內(nèi)裝置區(qū)域(手機(jī)、收音機(jī)等裝置)的注視點(diǎn)分配的比率更高。在A模式下，駕駛?cè)送鶗?huì)更加關(guān)注前方道路的情況，對(duì)其他區(qū)域的關(guān)注相對(duì)而言較少。

2.2.2 不同駕駛模式下操作特性分析

實(shí)驗(yàn)中制動(dòng)踏板深度是通過(guò)拉力傳感器的量程變化來(lái)獲取，為統(tǒng)計(jì)方便，將制動(dòng)踏板深度值按每秒取均值的方法進(jìn)行數(shù)據(jù)收集并繪制成圖像，進(jìn)行直觀的比較。圖4為實(shí)驗(yàn)中一組數(shù)據(jù)樣本的制動(dòng)踏板深度隨時(shí)間變化及統(tǒng)計(jì)結(jié)果。

圖4 不同駕駛模式下制動(dòng)變化特性分析Fig.4 Braking characteristics in different driving modes

圖4中的數(shù)據(jù)特征變化特征表明，該名駕駛?cè)嗽?種不同的駕駛模式組合條件下，制動(dòng)踏板的使用頻率和踏板深度存在較大的差異性。由圖4(a)～(c)可知，當(dāng)車輛只具有人工駕駛模式時(shí)，其制動(dòng)的頻率和制動(dòng)時(shí)制動(dòng)踏板深度要高于其它2種模式組合；車輛具備人工駕駛模式和警示輔助駕駛模式時(shí)制動(dòng)踏板深度相對(duì)來(lái)說(shuō)較小，而當(dāng)車輛具備3種駕駛模式時(shí)，采取剎車操作的次數(shù)最少。由圖4(d)可以直觀的發(fā)現(xiàn)：該駕駛?cè)嗽?類不同駕駛模式實(shí)驗(yàn)過(guò)程中制動(dòng)的次數(shù)分別為36，43和25。由此可見，當(dāng)車輛具備人工駕駛、警示輔助駕駛和自動(dòng)駕駛3種模式時(shí)，駕駛?cè)酥苿?dòng)次數(shù)將減少。圖5為不同駕駛模式下轉(zhuǎn)向盤轉(zhuǎn)角變化特性分析。

圖5 不同駕駛模式下轉(zhuǎn)向盤轉(zhuǎn)角變化特性分析Fig.5 Steering wheel Angle characteristics in different driving modes

從圖5可知，轉(zhuǎn)向盤轉(zhuǎn)角在駕駛?cè)颂幱贐模式下變化比較平緩，其變化的最大值小于20°，而在A模式下出現(xiàn)轉(zhuǎn)向盤轉(zhuǎn)角值大于30°的次數(shù)明顯多于其它2種駕駛模式組合。根據(jù)視頻和駕駛過(guò)程自我描述可知，轉(zhuǎn)向盤轉(zhuǎn)角出現(xiàn)劇烈變化的原因是駕駛?cè)嗽谶M(jìn)行其它任務(wù)時(shí)，忽略了對(duì)當(dāng)前交通環(huán)境的監(jiān)測(cè)。在A模式下，駕駛?cè)酥荒芡ㄟ^(guò)劇烈轉(zhuǎn)向來(lái)規(guī)避事故的發(fā)生。C模式組合方式下，當(dāng)自動(dòng)切換的條件被觸發(fā)時(shí)，車輛本身就已經(jīng)處于危險(xiǎn)狀態(tài)中，自動(dòng)駕駛模式有時(shí)可能需采用極端的方式來(lái)避免交通事故的發(fā)生。而在B模式下，由于能夠提供輔助預(yù)警，所以絕大多數(shù)的危險(xiǎn)情況警示系統(tǒng)都會(huì)向駕駛提供警示，所以劇烈的駕駛操作出現(xiàn)的可能性較小。

為了能夠進(jìn)一步分析3類不同駕駛模式下的車輛行駛安全性，采用交通事故起數(shù)、車輛熄火次數(shù)、駛出道路次數(shù)、緊急制動(dòng)次數(shù)和緊急轉(zhuǎn)向次數(shù)5項(xiàng)指標(biāo)進(jìn)行評(píng)價(jià)。其中交通事故數(shù)、車輛熄火次數(shù)和駛出道路次數(shù)能夠直接通過(guò)在駕駛模擬器的數(shù)據(jù)采集系統(tǒng)中獲取，而緊急制動(dòng)和緊急轉(zhuǎn)向則利用式(1)和式(2)計(jì)算得出。

Δd=dt-dt-1

(1)

Δθ=θt-θt-1

(2)

式中：dt為當(dāng)前時(shí)刻制動(dòng)踏板深度，dt-1為前一時(shí)刻制動(dòng)踏板深度；Δd為當(dāng)前時(shí)刻制動(dòng)踏板深度與前一時(shí)刻制動(dòng)踏板深度的差值；θt為當(dāng)前時(shí)刻轉(zhuǎn)向盤轉(zhuǎn)角值；θt-1為前一時(shí)刻轉(zhuǎn)向盤轉(zhuǎn)角值；Δθ為當(dāng)前時(shí)刻轉(zhuǎn)向盤轉(zhuǎn)角與前一時(shí)刻轉(zhuǎn)向盤轉(zhuǎn)角的差值。通過(guò)多次試驗(yàn)測(cè)試，在城市平直路段行駛過(guò)程中，當(dāng)Δd值大于等于0.5時(shí)，則認(rèn)為該制動(dòng)行為為緊急制動(dòng)；當(dāng)Δθ值大于等于20°時(shí)，則認(rèn)為該轉(zhuǎn)向行為為緊急轉(zhuǎn)向。基于上述計(jì)算公式和統(tǒng)計(jì)分析得出不同駕駛模式下5項(xiàng)指標(biāo)的變化結(jié)果見圖6。

圖6 不同駕駛模式下不同交通事件出現(xiàn)的次數(shù)Fig.6 The occurance of traffic event in different driving modes

根據(jù)圖6可知，采用人工駕駛+警示輔助駕駛+自動(dòng)駕駛模式(A+B+C)能夠有效的降低交通事故、駛出道路、緊急轉(zhuǎn)向等事件次數(shù)的發(fā)生，而該模式下熄火次數(shù)和緊急制動(dòng)次數(shù)略高于A+B模式時(shí)。究其原因是進(jìn)行自動(dòng)駕駛接管往往是出現(xiàn)極端危險(xiǎn)的情況，此時(shí)更容易進(jìn)行的操作就是緊急制動(dòng)。而A+B模式下只提供警示，不會(huì)進(jìn)行緊急制動(dòng)等輔助，所以A+B+C模式下出現(xiàn)緊急制動(dòng)的次數(shù)高于A+B模式下。此外，因?yàn)樵谶M(jìn)行自動(dòng)駕駛接管時(shí)，由于操作方式發(fā)生了較大變化，劇烈的制動(dòng)或者其它操作容易導(dǎo)致手動(dòng)檔車輛熄火。總而言之，采用A+B+C駕駛模式對(duì)車輛進(jìn)行控制能夠有效的提高車輛行駛的安全性。

3 行駛安全性評(píng)估模型的構(gòu)建

3.1 貝葉斯網(wǎng)絡(luò)基本理論

貝葉斯網(wǎng)絡(luò)模型的構(gòu)建主要包括3個(gè)步驟：①確定變量集和變量域；②確定貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)；③確定節(jié)點(diǎn)的先驗(yàn)概率和條件概率。其中變量集和變量域的確定可通過(guò)查閱文獻(xiàn)和經(jīng)驗(yàn)獲得。這樣貝葉斯網(wǎng)絡(luò)模型構(gòu)建的核心問(wèn)題就轉(zhuǎn)變?yōu)榫W(wǎng)絡(luò)結(jié)構(gòu)的確定和條件概率的計(jì)算[13-14]。

3.1.1 基于互信息的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)

假設(shè)訓(xùn)練集D為完整數(shù)據(jù)集，其中節(jié)點(diǎn)Ai和其父節(jié)點(diǎn)之間的關(guān)系為獨(dú)立的，則貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)可以按照?qǐng)D7的流程圖進(jìn)行確定。

圖7 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法Fig.7 The structure of Bayesian Networks

3.1.2 條件概率計(jì)算方法

根據(jù)傳統(tǒng)的貝葉斯概率公式，可得到優(yōu)化后的貝葉斯公式。

(3)

考慮到每個(gè)變量都包含多個(gè)不同的狀態(tài)，例如父節(jié)點(diǎn)A包含n個(gè)狀態(tài){a1,a2,…,an}，而子節(jié)點(diǎn)B包含m個(gè)狀態(tài){b1,b2,…,bn}。所以，A和B的條件概率為

p(a|b)=

(4)

由于變量A和B之間的關(guān)系為獨(dú)立的，則邊緣概率能夠采用式(5)進(jìn)行求解。

(5)

假設(shè)行駛安全狀態(tài)為am，它擁有2個(gè)父節(jié)點(diǎn)，感知水平和判斷水平，其中感知水平狀態(tài)為bi，判斷水平狀態(tài)為bj，則

p(bi,am,bj)=p(bi)p(am|bi,am)p(bj)

(6)

當(dāng)整個(gè)網(wǎng)絡(luò)中的輸入變量值確定后，網(wǎng)絡(luò)中其它節(jié)點(diǎn)的值也能夠隨之確定，那么，可通過(guò)構(gòu)建的貝葉斯網(wǎng)絡(luò)計(jì)算特殊狀態(tài)下所選擇目標(biāo)節(jié)點(diǎn)的概率[15-16]。同時(shí)，貝葉斯網(wǎng)絡(luò)方法能夠隨著專家數(shù)據(jù)和歷史數(shù)據(jù)的更新和添加對(duì)網(wǎng)絡(luò)中的條件關(guān)系進(jìn)行更新。

3.2 行駛安全性評(píng)估模型的構(gòu)建

3.2.1 網(wǎng)絡(luò)節(jié)點(diǎn)的選取

行駛安全性主要是由行駛過(guò)程中駕駛?cè)说母兄?、判斷水平和決策動(dòng)作3個(gè)方面的因素決定的。其中，感知水平主要是通過(guò)駕駛?cè)藢?duì)存在風(fēng)險(xiǎn)源的注視特性進(jìn)行評(píng)價(jià)的，包括注視點(diǎn)分配和注視時(shí)效性兩個(gè)觀測(cè)指標(biāo)。判斷水平是由駕駛?cè)私?jīng)驗(yàn)水平?jīng)Q定的，其評(píng)價(jià)指標(biāo)包括駕齡和駕駛里程。決策動(dòng)作則主要是通過(guò)橫向操作和縱向操作兩方面來(lái)體現(xiàn)，可用踏板和轉(zhuǎn)向盤的變化來(lái)評(píng)估[14]。各指標(biāo)的具體含義及節(jié)點(diǎn)間的關(guān)聯(lián)性見表1。

表1 節(jié)點(diǎn)變量標(biāo)識(shí)表Tab.1 Node variable identification table

表1所設(shè)計(jì)的10個(gè)變量將全部用于行駛安全性評(píng)估的建模研究中。根據(jù)前人研究結(jié)果和數(shù)據(jù)調(diào)查，對(duì)所設(shè)計(jì)的變量的狀態(tài)等級(jí)進(jìn)行了劃分。其中“注視點(diǎn)分配”、“注視時(shí)效性”、“駕齡”、“駕駛里程“、”制動(dòng)踏板深度”、“轉(zhuǎn)向盤變化率”可根據(jù)其數(shù)據(jù)特征進(jìn)行劃分。其他變量的狀態(tài)等級(jí)根據(jù)邏輯關(guān)系進(jìn)行劃分。

3.2.2 網(wǎng)絡(luò)結(jié)構(gòu)分析

本研究以Hugin作為建模的軟件平臺(tái)。，行駛安全性評(píng)估貝葉斯網(wǎng)絡(luò)模型利用得出的10個(gè)變量作為網(wǎng)絡(luò)節(jié)點(diǎn)，以“行駛安全性”為輸出子節(jié)點(diǎn)，綜合考慮專家經(jīng)驗(yàn)和歷史文獻(xiàn)數(shù)據(jù)進(jìn)行貝葉斯網(wǎng)絡(luò)模型的構(gòu)建，見圖8。

圖8 行駛安全性評(píng)估貝葉斯網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.8 The structure of safety evaluation model

3.2.3 建模結(jié)果分析

通過(guò)利用模擬實(shí)驗(yàn)所采集的數(shù)據(jù)，采用式(5)和式(6)對(duì)貝葉斯網(wǎng)絡(luò)中的邊緣概率和條件概率進(jìn)行計(jì)算，得到模型中駕駛狀態(tài)判斷為危險(xiǎn)時(shí)，其相應(yīng)節(jié)點(diǎn)節(jié)點(diǎn)的概率分布情況見圖9。

圖9 當(dāng)駕駛狀態(tài)為危險(xiǎn)狀態(tài)時(shí)的節(jié)點(diǎn)概率分布Fig.9 Node probability distribution while in danger

筆者采用敏感性分析來(lái)檢驗(yàn)?zāi)Ｐ蜆?gòu)建的有效性和模型中各參數(shù)的關(guān)聯(lián)關(guān)系。其中，輸入變量與目標(biāo)變量之間的敏感性采用行為敏感性方法，而網(wǎng)絡(luò)節(jié)點(diǎn)參數(shù)的敏感性則可用于驗(yàn)證父節(jié)點(diǎn)條件概率的變化對(duì)子節(jié)點(diǎn)參數(shù)變化的影響，進(jìn)而對(duì)所構(gòu)建貝葉斯網(wǎng)絡(luò)模型的合理性和可靠性進(jìn)行驗(yàn)證[15-16]。經(jīng)計(jì)算分析得出網(wǎng)絡(luò)中各節(jié)點(diǎn)之間的敏感性關(guān)系如圖10所示，并計(jì)算得出“危險(xiǎn)駕駛狀態(tài)”的關(guān)聯(lián)變量的敏感性指數(shù)的平均絕對(duì)值見表2。

由圖10和表2可知，注視時(shí)效性、注視點(diǎn)分配、感知水平和駕駛里程對(duì)行駛安全性有著重要的影響，這與前人研究中得出的結(jié)論相匹配。在駕駛過(guò)程中尤其是模擬駕駛實(shí)驗(yàn)過(guò)程中，能夠?qū)崟r(shí)的觀察到存在的危險(xiǎn)源對(duì)行駛安全性有著巨大的影響。同時(shí)，駕駛?cè)私?jīng)驗(yàn)的不同也是導(dǎo)致最終是否發(fā)生危險(xiǎn)駕駛的一個(gè)重要因素，而考慮到中國(guó)的實(shí)際國(guó)情，采用駕駛里程和駕齡結(jié)合對(duì)駕駛經(jīng)驗(yàn)進(jìn)行定義也是非常有必要的[17]。

圖10 行駛安全性評(píng)價(jià)模型變量間敏感性分析Fig.10 Snesitivity analysis of safety evaluation model

排序變量敏感性指數(shù)平均絕對(duì)值1注視時(shí)效性0.312注視點(diǎn)分配0.263駕駛里程0.164駕齡0.145感知水平0.126轉(zhuǎn)向盤變化率0.057判斷水平0.058制動(dòng)踏板深度0.049決策動(dòng)作0.03

4 結(jié)束語(yǔ)

基于駕駛模擬器研究了多模式智能車行駛安全性評(píng)估問(wèn)題，通過(guò)對(duì)模擬駕駛過(guò)程中駕駛?cè)俗⒁曁匦院筒僮魈匦缘榷喾矫嬷笜?biāo)進(jìn)行統(tǒng)計(jì)分析，最終得到能夠表征多模式智能車安全性的關(guān)系變量。在此基礎(chǔ)上，通過(guò)采用貝葉斯網(wǎng)絡(luò)構(gòu)建了多模式智能車行駛安全性評(píng)估模型，并且基于模型對(duì)不同影響因素對(duì)行駛安全性的敏感性進(jìn)行了分析。研究結(jié)論能夠?yàn)橹悄芫W(wǎng)聯(lián)汽車及主動(dòng)安全輔助駕駛提供理論和技術(shù)支持。然而，考慮到模擬駕駛與實(shí)際駕駛還存在一定的差異性，在未來(lái)的工作中，為了能夠更加準(zhǔn)確地實(shí)現(xiàn)對(duì)不同模式智能車行駛安全性評(píng)價(jià)，可通過(guò)開展實(shí)際駕駛實(shí)驗(yàn)采集更為全面的數(shù)據(jù)進(jìn)一步豐富現(xiàn)有的結(jié)論。