摘要： 為深入研究駕駛員駕駛行為特性，減少駕駛輔助系統(tǒng)與駕駛員的控制沖突，本文基于條件隨機場(conditional random field， CRF)算法，搭建了駕駛員駕駛行為識別模型。利用NI Phar Lap ETS實時操作系統(tǒng)，搭建車道保持輔助控制試驗平臺，在試驗平臺上進行相關參數(shù)的實時采集，并根據(jù)采集到的數(shù)據(jù)特性，提出一種根據(jù)橫向位移對駕駛行為數(shù)據(jù)進行分段的方法，將采集到的數(shù)據(jù)樣本劃分為左換道、右換道以及車道保持階段。同時，對實時獲取的參數(shù)進行顯著性分析，將與橫向運動密切相關的五種參數(shù)作為觀測參數(shù)，對駕駛行為進行識別。研究結果表明，車道保持、左換道以及右換道行為的識別率分別達942%，93%和844%。該研究對于提高車道保持輔助系統(tǒng)的輔助效果以及減少誤警率具有明顯的促進作用。

　　關鍵詞： 駕駛行為; 條件隨機場; 駕駛模擬器; 觀測參數(shù); 實時系統(tǒng)

　　作者： 趙巖

　　通信作者： 陳煥明

　　近年來，智能車輛的發(fā)展成為減少交通事故的理想方案。據(jù)世界衛(wèi)生組織公布數(shù)據(jù)顯示[1]，全球每年因交通事故造成的死亡人數(shù)高達135萬。作為智能車輛發(fā)展的重要部分，車道保持輔助技術的研發(fā)引起了我國的高度重視，于2017年發(fā)布了《汽車工業(yè)中長期發(fā)展規(guī)劃》。對駕駛員駕駛意圖的有效識別，可以提高車道保持系統(tǒng)的輔助效果。單純依靠偏離距離來進行車道偏離的判斷有嚴重的滯后性，易與駕駛者產生控制沖突。隨著深度學習的快速發(fā)展，針對上述問題，部分學者提出多種駕駛意圖識別算法，基于神經網絡的駕駛意圖識別，將車輛參數(shù)和駕駛員行為參數(shù)導入神經網絡中，通過對中間隱層層數(shù)和節(jié)點個數(shù)的調整，搭建意圖識別模型[24]。基于隱馬爾可夫模型(hidden markov model，HMM)的駕駛意圖識別，將一段時間序列的觀測參數(shù)作為輸入，訓練出不同駕駛意圖下的子模型[58]。而基于支持向量機(support vector machine，SVM)的駕駛意圖識別模型，通過核函數(shù)φ將觀測參數(shù)映射到高維空間，然后求解出能分隔駕駛意圖所對應的觀測參數(shù)的超平面，從而建立相應的駕駛意圖識別模型[912]。基于HMM的駕駛意圖識別模型在建模時，需要較強的嚴格獨立的假設條件[1315]，而基于SVM的駕駛意圖識別模型則對樣本數(shù)量有要求[16]，該方法對小樣本、非線性以及高維模式識別問題識別效果較好。鑒于上述存在的問題，周俊生等人[1719]采用條件隨機場(conditional random field， CRF)算法，搭建駕駛意圖識別模型，該方法不需要嚴格的獨立性假設，對樣本數(shù)量沒有嚴格限制。基于此，本文綜合利用CarSim、Matlab/Simulink和NI VeriStand軟件，搭建車道保持輔助控制試驗平臺，采集駕駛員駕駛行為數(shù)據(jù)及車輛橫向運動數(shù)據(jù)，進行駕駛員駕駛意圖識別模型的訓練及其驗證。該研究對減少交通事故的發(fā)生具有重要意義。

　　1試驗設計

　　實車數(shù)據(jù)采集方法需要對測試車輛進行改裝，加裝數(shù)據(jù)采集設備以及相應的傳感器(如車載攝像機、毫米波雷達、陀螺儀等)，對測試天氣及道路環(huán)境具有較高的要求和一定程度的危險性。而研發(fā)型駕駛模擬器能夠將相關硬件嵌入其中，進行駕駛員主觀評價以及算法驗證，試驗周期短，試驗條件可控，安全性高。本文基于NI公司的Phar Lap ETS實時操作系統(tǒng)，搭建車道保持輔助控制試驗平臺，車道保持輔助控制試驗平臺如圖1所示。該試驗平臺能夠根據(jù)試驗要求，在CarSim軟件中搭建真實的駕駛場景，利用NI VeriStand實時測試軟件實現(xiàn)硬件I/O端口的實時配置，對車輛動態(tài)參數(shù)、行駛環(huán)境參數(shù)以及駕駛員駕駛行為數(shù)據(jù)進行實時采集。

　　根據(jù)《公路工程技術標準》，搭建10 000 m單向雙車道直道場景，考慮到需要以較高車速行駛，為提高駕駛場景與現(xiàn)實道路場景的相似度，將左右車道寬度均設置為375 m。在道路中央，每隔500 m設置錐形桶，提示駕駛員進行換道操作，換道時機由駕駛者自主決定，試驗道路布置如圖2所示。

　　近年來，由于非職業(yè)駕駛員數(shù)量的急劇增加，其已成為交通事故劇增的主要群體，主要原因是一些駕駛新手的駕駛水平較低，缺乏對駕駛環(huán)境的準確判斷，難以做出適當?shù)鸟{駛行為，易發(fā)生交通事故。因此，本文招募了10名駕齡在2～5年的男性駕駛員，駕駛員需滿足以下條件，即持有駕駛證、性格穩(wěn)定、近期具有實車駕駛經歷。試驗前，對駕駛員進行一定時長的培訓，使駕駛員熟悉試驗平臺以及道路場景，避免因操作失誤造成數(shù)據(jù)采集異常。為深入研究駕駛行為與駕駛意圖的潛在關系，將采樣率設置為100 Hz，某時間段內采集的數(shù)據(jù)如表1所示。

　　2駕駛行為分析

　　駕駛行為的有效識別對于車輛感知系統(tǒng)提前感知行駛環(huán)境，做出準確的路徑規(guī)劃以及輔助控制具有重要作用。駕駛過程是連續(xù)多變的動態(tài)變化過程，不同的駕駛行為會引起不同的車輛動態(tài)參數(shù)和駕駛行為參數(shù)變化，因此可以通過選取適當?shù)膮?shù)，對不同的駕駛行為進行預測及識別，駕駛行為數(shù)據(jù)的劃分及駕駛意圖表征參數(shù)的選取直接影響識別的準確度。

　　2.1駕駛行為數(shù)據(jù)的劃分

　　選定的觀測變量是否能有效區(qū)分換道狀態(tài)與車道保持狀態(tài)，與觀測數(shù)據(jù)的劃分以及識別參數(shù)的選取密切相關。目前，對于換道行為數(shù)據(jù)與車道保持行為數(shù)據(jù)的劃分沒有統(tǒng)一的定義，為提高換道行為的識別率，從采集到的數(shù)據(jù)特征出發(fā)，提出一種根據(jù)橫向位置來劃分數(shù)據(jù)的方法，換道階段數(shù)據(jù)劃分示意圖如圖3所示。首先根據(jù)采集到的數(shù)據(jù)分別計算出車輛行駛在左車道和右車道的車輛橫向位置的均值，然后選取換道過程中橫向位置數(shù)據(jù)符號變化的兩點，繪出階段劃分線，該線與左右車道車輛橫向位置均值線有兩個交點，將兩個交點間的數(shù)據(jù)作為換道階段的數(shù)據(jù)，交點以外的數(shù)據(jù)作為車道保持階段數(shù)據(jù)。

　　推薦閱讀：無人駕駛汽車的科技論文投稿哪些期刊