駕駛員行為識別技術研究

1 前言

全球研究機構(gòu)IHSAutomotive預測2025年全自動駕駛汽車將普及。隨著自動駕駛車輛繼續(xù)引入車隊，自動駕駛車輛和傳統(tǒng)駕駛車輛在道路上的共存是不可避免的。在這種過渡環(huán)境中自動駕駛車輛系統(tǒng)的不正確行為可能導致碰撞和/或?qū)ζ渌藛T造成嚴重威脅。因此，為了實現(xiàn)自動化所期望的安全性的提高，需要深入理解人類駕駛員行為和識別不同的人類駕駛員特征。

為了實現(xiàn)自動駕駛汽車的商業(yè)化，環(huán)境識別、位置識別和繪圖、判斷控制和DVI（駕駛員—車輛交互）等多種技術是必要。DVI系統(tǒng)可能需要駕駛員的命令、人體狀態(tài)、車輛狀態(tài)以及來自汽車的各種傳感器網(wǎng)絡的實時駕駛情況。駕駛員—車輛交互系統(tǒng)（如圖1所示）起到與駕駛員交流的作用，并提供安全性和便利性的駕駛信息，主要包括有三個部分，包括汽車傳感器網(wǎng)絡、駕駛員車輛交互引擎、數(shù)字駕駛艙配置[1]。駕駛員行為的建模和分析使用從CAN總線和IMU（慣性測量單元）設備獲得的車輛動力學來評估駕駛性能，并預測駕駛員狀態(tài)。UTDrive、UYANIK和NU-Drive等三個全球項目收集了來自美國、日本、土耳其和意大利研究的450人的駕駛員生物識別信息、駕駛行為信息、車輛動力學和道路信息。這些項目的測試車配備有CAN（車載區(qū)域網(wǎng)絡）總線設備、IMU（慣性測量單元）、GPS（全球定位系統(tǒng)）、前后攝像頭、駕駛員識別的油門和制動踏板壓力以及駕駛員分心檢測。

圖1 駕駛員—車輛交互系統(tǒng)結(jié)構(gòu)[1]

駕駛行為是引起交通事故和道路擁堵的關鍵因素，車聯(lián)網(wǎng)條件下駕駛行為識別是預測和減少道路交通事故的重要方法。駕駛員行為的建模分析可以應用智能駕駛的多個方面，如車道變化預測[2]、車載安全系統(tǒng)的開發(fā)[3]、碰撞預警系統(tǒng)的開發(fā)[4]和自動車輛引導[5]等。

2 駕駛員行為識別技術簡介

作為DVI技術之一，研究人員在駕駛員行為建模和分析技術方面已經(jīng)做出了巨大努力。這些技術中的大多數(shù)從CAN（汽車區(qū)域網(wǎng)絡）總線數(shù)據(jù)、駕駛員面部視頻信息以及諸如腦電波、心電圖、體溫和心跳等生物信息中提取車輛動態(tài)特征，并使用諸如SVM（支持向量機）的人工智能識別駕駛員狀態(tài)或情緒或CNN（卷積神經(jīng)網(wǎng)絡）。所有駕駛員在駕駛時操作方向盤、加速踏板和制動踏板。仔細研究這三種簡單的駕駛行為，就可以了解車輛在給定交通或道路狀況下的安全運行情況，以及駕駛員對駕駛的關注程度。以這種方式，駕駛員行為分析的主要目標是從基本駕駛操作信息推斷駕駛員特征或狀態(tài)[1]。

駕駛員行為的建模包括駕駛員識別、機動邊界檢測、機動識別、偏差檢測和駕駛員狀態(tài)識別的過程。為了識別機動，DVI引擎首先需要通過前向和后向圖像分析交通狀況，以及用于監(jiān)督學習過程的GPS信息來標記具有標簽的各個駕駛員的訓練數(shù)據(jù)集。DVI引擎必須提前了解每個駕駛員的正常駕駛行為，并通過與當前駕駛信息進行比較來計算每個駕駛偏差。根據(jù)當前駕駛行為的駕駛表現(xiàn)進行打分，并顯示給定任務的駕駛風險程度[1]。

3 駕駛員行為識別技術的研究進展

為了確保駕駛員模型的安全性，必須通過使用車輛中可用的特征來檢測車輛系統(tǒng)狀態(tài)和評估駕駛狀況及駕駛員駕駛意圖。近年來已經(jīng)開展了關于個人駕駛特征的研究。精確駕駛員模型的開發(fā)和使用可以對自動駕駛車輛的安全性做出重大貢獻，并且可以用于在各種情況下評估自動駕駛車輛的性能。

3.1 車道預測

駕駛員輔助系統(tǒng)在車道預測方面有了快速的發(fā)展，如車道偏離警告（LDW）和車道保持支持（LKS）等技術。

3.1.1 車道變化

為了預測車輛系統(tǒng)即將進行的車道變換操作，早期的科學工作僅使用車輛控制器局域網(wǎng)（CAN）的數(shù)據(jù)來處理車道變換操作動作的檢測。轉(zhuǎn)向力、轉(zhuǎn)向角和轉(zhuǎn)向角速度等參數(shù)用于檢測車道變換操作動作的執(zhí)行。目前，可以通過選擇并比較特征描述車道變換前的駕駛情況，描述駕駛員的操作動作準備并描述車輛的狀態(tài)。評估是基于通過駕駛研究獲得的自然駕駛數(shù)據(jù)進行的。通過統(tǒng)計顯著性和效應大小，評估不同操作動作類型和時間間隔的特征?；谶\動物體評估駕駛情況的特征給出了即將進行操作動作的早期指示（圖2）。此外，觀察駕駛員頭部的運動提供了良好的證據(jù)，使用和融合描述駕駛情況的各種特征以及駕駛員的行為和本車的狀態(tài)，適合于為駕駛員車道變換操作動作的穩(wěn)健和早期預測提供可靠且時間精確的證據(jù)[2]。

圖2 駕駛員操作動作意圖識別流程[2]

3.1.2 車道切入

突然的車輛減速，或?qū)е屡c前方行駛的車輛追尾碰撞，或與前方靜止車輛碰撞，這都可能對駕駛安全造成重大威脅。然而，每天許多人面對常見的車輛切入，并且是潛在危險源,根據(jù)俄亥俄州立大學Kim的研究，在3車道的高速路上有12種切入情景[6]，見圖3。在許多縱向相互作用的情況下，無論是停車還是車輛減速，駕駛員都可以通過適當?shù)脑缙诟深A保持適當?shù)乃俣?。因此，在車道切入應用方面，可以分析實際駕駛情況下經(jīng)常遇到的具有潛在事故風險的切入式車輛情景，使用具有預編程方案的駕駛模擬器，從多類受試者中收集數(shù)據(jù)，保存駕駛員在遇到插入式車輛時的決策信息，作為車輛自動駕駛系統(tǒng)行為的一套指導原則，以確保它們以與人類駕駛的車輛一致的方式進行操作駕駛[6]。

圖3 高速路（3車道）上的12種切入情景[6]

3.2 檢測駕駛員生理指標，有助于車載安全系統(tǒng)的開發(fā)

駕駛的主要任務可以通過性能檢測來評估，例如方向盤運動（例如，方向盤反轉(zhuǎn)）和速度，而生理測量可以分為5個方面：心臟活動（例如心率、、血壓）、呼吸活動、眼睛活動（例如，眨眼率和閉合間隔）、言語測量（例如音高、發(fā)音速率）和大腦活動（例如腦電圖、眼電圖）。當施加額外的工作量導致生理指標例如心率和皮膚電導的變化時，自然會出現(xiàn)生理活動。因此，監(jiān)測生理指標可以深入了解工作量的大小，進行具有生理傳感器的駕駛模擬器實驗，以量化在特定道路情況下工作負荷增加對駕駛性能和生理狀態(tài)的影響，面對行人的駕駛員心率和面對信號燈時駕駛員反應時間研究見圖4。通過檢測駕駛員行為，設計和評估中實施駕駛員認知工作量，有助于有效的車載安全系統(tǒng)的開發(fā)。在這方面的新技術開發(fā)中，實施生理指標可以幫助優(yōu)化安全系統(tǒng)的設計[3]。

圖4 面對行人的駕駛員心率（上）和面對信號燈時駕駛員反應時間（下）[3]

3.3 碰撞預警

基于駕駛員行為的碰撞警告系統(tǒng)（CWS），可以通過在駕駛期間出現(xiàn)危險情況時，警告駕駛員碰撞風險來提高駕駛員的駕駛安全性。通過簡單地向駕駛員提供碰撞風險警告，已經(jīng)實現(xiàn)了更安全的措施，該技術允許電子控制單元（ECU）基于其自己的判斷直接控制車輛以避免碰撞。為了考慮個人駕駛行為特征，可以通過分析每個駕駛員的駕駛行為，來提供碰撞警告的CWS?；谑褂蒙窠?jīng)網(wǎng)絡學習算法，創(chuàng)建的駕駛員行為模型，根據(jù)駕駛員的駕駛行為，來確定碰撞風險等級。使用神經(jīng)網(wǎng)絡創(chuàng)建的駕駛員駕駛行為的駕駛員行為模型，準確地反映了駕駛員的駕駛行為,其結(jié)構(gòu)見圖5[4]。

圖5 基于駕駛行為的CWS結(jié)構(gòu)[4]

3.4 自動車輛引導

自動駕駛車輛（AV）的引入建立了人類駕駛員和AV之間的合作關系。目前正在進行該領域的研究，以深入了解人類駕駛員將相同行為轉(zhuǎn)移到自動駕駛車輛引導的決策方式。通過問卷調(diào)查了解個體道路使用者如何在合作決策中做出決策，并采用自然決策方法進行了分析。通過NDM（Natural Decision Mak?ing）方法和識別模塊的使用，確定了計劃行動與道路使用者之間預期行動之間的聯(lián)系。使用邏輯回歸模型，能夠預測通過所選行為的駕駛順序，作者提出的識別引導的決策模型見圖6。此外，可以將各個通信信號分類為攻擊性或防御性信號，從而對駕駛員的意圖進行預測，用于推導合作情況下自動駕駛車輛引導的設計建議[5]。

圖6 識別引導的決策模型[5]

4 駕駛員行為識別技術的共性問題

自動駕駛技術的進步可以通過降低車輛事故的發(fā)生率和嚴重程度來顯著提高汽車的駕駛安全性。目前市場上有各種類型的車輛自動駕駛系統(tǒng)。全球各大學和主機廠在該領域正在加大研究投入，其目標是開發(fā)甚至不需要人類駕駛員輸入的高度自動化車輛。近年來已經(jīng)開展了關于駕駛員行為特征的研究，精確駕駛員模型的開發(fā)和使用，可以對自動駕駛車輛的安全性做出重大貢獻，并且可以用于在各種情況下評估自動駕駛車輛的性能。但是該技術的建模與研究均處于一個較為理想的理論研究狀態(tài)，還面臨著幾個重大瓶頸，這些共性問題制約著駕駛員行為識別技術的快速發(fā)展以及推廣。

4.1 數(shù)據(jù)采集與處理

每個駕駛員在駕駛車輛時，都表現(xiàn)出他或她獨特的反應或駕駛習慣。志愿參加研究的人的駕駛行為與非參與者的駕駛行為不同，則可能會引發(fā)自我選擇偏見。駕駛員駕駛行為的研究多少采用駕駛模擬器進行，這樣可以實現(xiàn)很多無法在現(xiàn)實世界中實現(xiàn)的情況，而且，由于試驗研究與建模的局限性，從駕駛模擬器獲得的數(shù)據(jù)自然是不同于在實際駕駛情況下收集的數(shù)據(jù)[6]，而駕駛員行為識別模型必須提前了解每個駕駛員的正常駕駛行為，并通過與當前駕駛信息進行比較，來計算每個駕駛偏差。此外，由于在研究假設下進行了測試，因此考慮所有現(xiàn)實情況的數(shù)據(jù)存在限制。未來將針對實際日常數(shù)據(jù)進行更為全面的比較研究，如對駕駛員年齡，駕駛體驗等其他因素的研究。

對于實際測量的龐大的測試數(shù)據(jù)集，需要對基于機器學習的駕駛員行為進行研究，通過數(shù)據(jù)融合來描述駕駛情況和駕駛員行為的特征，但是，數(shù)據(jù)融合的結(jié)果很大程度上取決于功能集和使用的參數(shù)化。除了駕駛情況和駕駛員行為的特征，需要額外的傳感器系統(tǒng)和更復雜的特征。自然駕駛研究提供的數(shù)據(jù)量很好，但有限。

4.2 情景分析

研究人員無法在真空中評估自動駕駛系統(tǒng)的安全性。自動駕駛包括與周圍交通的持續(xù)交互，并非所有類型的場景都能充分代表實際駕駛場景進行結(jié)論性評估。但是，研究所建立的模型和最后的結(jié)論僅適用于所審查的情景，仍需要檢查這些是否適用于其他方案以及其他情景。特別是，合作情況下的復雜性特點是自動駕駛車輛的一個重要特征，必須對各個復雜特點作出有效的分析，才能作出動態(tài)決策[6]。

目前，范圍域已經(jīng)被提出用于分析車輛情景。因此，在駕駛員行為識別分析中，可以使用范圍域?qū)⒚總€駕駛員的行為進行分類，并且按照他們的特征進行區(qū)分，這將需要研究人員作出更大的努力[6]。

4.3 次要任務

目前，駕駛員行為分析的研究更多停留在行為特征研究、道路情況研究，而忽略了調(diào)查次要任務的影響。而與注意力分散相關的事故，往往是由于司機自愿參與次要任務。因此，車內(nèi)任務的戰(zhàn)略管理和駕駛員與他們接觸的決定，是分析駕駛員行為特征的一個重要方面。雖然通常在參與風險降低的環(huán)境中評估分散注意力的任務的后果，但是駕駛員決定參與次要任務通常被忽略。這不僅僅是在道路情況本身，而是在情況結(jié)束后，看看駕駛員行為的影響是否會影響駕駛過程[3]。

4.4 實際應用

駕駛員行為的建模和分析通常使用從CAN總線和IMU設備獲得的車輛動力學來評估駕駛性能，并預測駕駛員狀態(tài)，并未使用實際測量的測試數(shù)據(jù)集對基于機器學習的駕駛員行為進行研究。而且極少調(diào)查對其他道路使用者的行為和實際行動的期望之間的聯(lián)系?；隈{駛行為分析技術性能，也僅使用實際車輛的實驗結(jié)果在實驗室規(guī)模下進行評估。因此，需要進行額外的研究來評估在實際車輛中駕駛時發(fā)生的各種駕駛數(shù)據(jù)的性能[1]。

所以無論是數(shù)據(jù)的采集和處理、場景的考慮、車輛的駕駛狀態(tài)等，與實際均有一定差距。因此，駕駛員行為分析模型的實際應用仍有很長的路要走。

5 結(jié)束語

為迎接2025年全自動駕駛汽車的普及，實現(xiàn)自動駕駛汽車的商業(yè)化，環(huán)境識別、位置識別、判斷、控制和DVI等多種技術是必要。作為DVI技術之一，駕駛員行為建模和分析已經(jīng)做出了巨大努力。本文簡單介紹了駕駛員行為識別技術的研究進展以及一些共性問題。指出由于技術尚未獲得本質(zhì)突破，因此數(shù)據(jù)采集與處理、情景分析、次要任務以及實際應用等方面仍是駕駛員行為識別技術的推廣應用所面臨的全球共性瓶頸。

由于目前的駕駛員行為識別技術更多地停留在研究階段，且研究過程均較為理想化，因此駕駛員行為識別技術的應用與實際推廣仍需要很長的路要走。