驾驶行为预研报告

1、驾驶行为预研报告人工智能 - 于海悦2018年5月3日1. 驾驶行 为分析：驾驶行为的分析和研究，通常是作为其他车内应用的支撑技术而存在的。例如车道偏离预警 (1anedeparturewarning ， LDW)、车道保持 (1anekeeping ， LKS)、巡航控制系统 (adaptivecruisecontrol ，ACC)，都使用了相关的技术。模型或理论：1938年：安全行驶区域理论1964年：紧张或焦虑状况下自调整驾驶模型1974 年：零危险模型1977 年：主被动安全模型1980 年：推理行为理论1982年：危险自平衡理论1983年：人行为能力模型1984年：威胁规避模型198

2、5年：规划行为理论1988 年：阶梯型危险模型1988年：激励建模方法1989年：生成规则模型/ 基于规则模型1992 年：内模型2000 年：任务容量界面模型1) 驾驶员外部特性按照研究对象的不同，可以分为两类：针对特定信号的研究、以及针对特定场景的研究。 针对特定信号的研究，主要是通过分析某一传感器所获得数据，进而研究与其相关联的特定驾驶行为。例如，通过分析方向盘夹角和刹车，判断驾驶员注意力是否集中、是否醉酒；通过分析眼睛注视位置，判断驾驶员的操作序列是否合理。针对特定场景的研究，则是考察最容易出事故的驾驶环节。通常会对这些场景、以及场景中的操作进行数学建模，进而描述和评定驾驶行为。常见的

3、场景有停车、超车、变道等。2)驾驶认知行为建模，这一类的研究，主要是将认知学的理论应用到驾驶行为研究领域。其研究目标是通过分析驾驶操作的内在机理，从本质上解释和理解驾驶行为，完成建模。由于人类对自我处理机制的理解还不够深刻，因此其建模结果很难用实验验证其准确性，更多的只能从定性的层面上对行为进行阐述。3)驾驶心理研究，该类方法主要是通过调查问卷的方式，由驾驶员自己主观的进行自我评价，大致分为违规 (violations) 和失误 (errors) 两类。违规操作指的是驾驶员在明知危险的情况下故意执行的行为，通常用来评价驾驶风格；失误操作则是无意识中做出的危险操作，通常用来评定驾驶水平。基于驾驶

4、模拟器的数据采集和驾驶行为识别：驾驶模拟器，通常指的是那些能够提供虚拟驾驶环境的机器。通过3D仿真软件，模拟汽车的真实行车环境；通过传感器，完成驾驶相关数据采集，并将这些信号的变动如实的反映到虚拟驾驶场景中。汽车的各项数据经由两种方式完成传递：传感器数据经由特殊的总线传输，并最终转换为数字信号为程序所使用：场景信息则以消息的形式在软件内部传递。这两种相异的传递方式为数据的采集带来了一定的困难。在驾驶模拟器内，数据的传输并不单单只在汽车总线内部，会在程序间，和网络间传输。在多驾驶模拟器的环境下，通常需要将数据发送到局域网内，供其他机器上的应用使用。最重要的是：数据采集模块、驾驶行为模块、服务模块

5、。数据采集模块主要是实现驾驶数据的收集和保存，构建模型训练的原始数据，同时为驾驶行为识别模块提供特征向量序列。驾驶行为模块提供了两个功能，其一是完成模型的最初训练，其二是为上层应用提供实时的识别结果。服务模块，则是构建在驾驶行为模块之上，利用识别的结果实现相应的功能。?驾驶员识别 : 用行为信号对一个驾驶员进行识别是一个最有趣的车载信号处理的问题。在这项研究中 ,我们使用的是驾驶行为信号 , 如车速、加速踏板的压力、制动踏板压力以及与进行驾驶员识别的前车之间的距离。 首先 , 我们研究了这些信号的特点, 并提出一组选定的驾驶统计数据, 然后我们定义了一个统计驾驶员识别系统并通过实验来评估这个系

6、统。?驾驶状态识别 : 分心条件对驾驶员造成严重的安全问题。有研究表明, 近 80% 的交通事故的发生是由于驾驶员注意力不集中 ,这通常是注意力分散的结果。车辆的导航系统和其他服务引进了许多辅助驾驶任务,可能增加事故风险。因此 , 开发一种干扰检测方法来减少分心的影响,对车载系统将是非常有益的。在这项研究中 , 驾驶实验在一些干扰环境下完成,可以认为是如上所述的辅助驾驶任务。这些任务是手机对话, 包括路线导航、网上银行、在线乘客交谈以及招牌和车牌阅读。我们研究了在不同驾驶任务时驾驶行为信号的统计特性, 这些任务定义为分心条件下。然后 , 我们尝试使用统计分类检测分心条件。?驾驶员行为识别 :

7、在交通事故中 ,人为因素发挥了很大的作用。预测驾驶行为是一个重要的问题 ,因 为它对减少人为造成的事故有显著效果。驾驶员的行为与过去的动作密切相关, 所以在这项研究中 ,我 们用驾驶员过去的行为信号构建一个驾驶员的驾驶行为预测模型。驾驶行为预测模型包括隐含HMM 的时 间聚类和每个时间片段的最小均方误差(MMSE) 估计。我们还研究了道路条件和分散注意力的条件对预测模型的影响。建立了一个使用HMM 结构的所有驾驶信号的时间聚类分析模型，采用线性预测, 来预测所需的时间段内的驾驶行为信号。状态序列定义了时间段的边界, 它通过维特比算法来决定。我们构造特征矢量d( n)= b( n), g( n)

8、, v( n),其 中 b 、 g 、 v分别代表从制动踏板的压力信号、加速踏板的压力信号和相应时间段的速度信号中直接抽取的样本。通过结合驾驶员的驾驶行为样本中p个过去的样本, 构建了一个时间特征矢量?2), d(n -p),=d(n-1),d(n-?驾驶员识别的结果：不同驾驶员在如何使用加速和制动踏板以及他们跟车时保持多少距离方面的表现都不同。所有行为信号最好的鉴定结果是通过有 16 个混合、 超过 8 10min 的决定窗口使用 GMM 分类器获得的。 单峰驾驶员识别率都低于 60% , 这意味着驾驶员识别系统有改进的余地。决策融合方法显著地提高了系统性能。4）驾驶任务可以看作由三个层次的

9、控制行为所组成，抽象程度由高到低分别为驾驶战略驶策略 (tactical) 和驾驶操作 (operational) 。驾驶策略对应于一个长时间的目标(strategic)、驾, 如一次旅行。驾驶策略则短一些，指的是驾驶员针对特定车况做出的反应，如跟车、变道、超车、转向等。驾驶操作则对应于最小时间内的操作，如踩刹车、转动方向盘等。驾驶行为有如下两种特点：1) 驾驶行为可以理解为一种层级结构，高层次的行为，是由其低层次的行为序列构成的；间的转换则符合统计学概率。2) 每一层的行为可以看作一系列的状态，状态之基于 HMM的驾驶行为识别结果已经用到了路径识别(routerecognition)、驾驶员

10、识别(driveridentification)和注 意力检测 (distractiondetection)中。这些应用分别对应与语音识别应用中的对话识别(speechrecognition)、说话人识别(speakeridentification)和说话压力检测(stressdetection)。利用 HMM的驾驶行为识别研究中，主要分为两大类: 自项向下的建模和自底向上的建模。隐马尔科夫模型 (HMM)是关于时序的概率模型 , 描述由一个隐藏的马尔科夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测而产生观测随机序列的过程。其中，隐藏的马尔科夫连随机生成的状态序列，称为状态序列

11、(state sequence) ；每个状态生成一个观测，而由此产生的观测的随机序列，称为观测序列 (observation sequence) 。序列的每个位置可以看作一个时刻。每个隐马尔科夫模型可以看作一个三元组，由初始概率分布、状态转移概率分布以及观测概率分布确定。通常情况下，观测概率分布都是离散的，这种模型也被称为离散隐马尔科夫模型 (DHMM)。但在实际的应用当中，特征经常无法聚类到有意义的离散点上。在这种情况下，强制离散化会造成模型精度不准，而原有的离散模型则无法满足建模的需求。为此，学者们引入了连续的隐马尔科夫模型(CDHMM)。确定好模型后，则需要利用数据对模型进行训练。关于驾

12、驶元素的定义并没有公认的标准，因此无法为每一个驾驶行为人为定义准确的隐状态个数。为此，在具体进行模型训练时，需要采用枚举实验的方式，确定最合适的 HMM结构以及参数。枚举的参数有两个：一个是隐状态的个数，变化范围为14；另一个则是每个隐状态对应的高斯混合模型的个数，变化范围为l2 。最后，通过识别效果，来确定最终的模型参数。5）特征选取以及驾驶策略选取：数据中所包含的特征只有速度、方向盘夹角、转向灯状态。为此，需要对其进行一定的扩展，形成模型的输入特征向量。特征向量：特征类型描述速度连续变量主车的行车速度加速度连续变量主车采样时刻行驶速度的差值转向灯离散变量转向灯状态方向盘转角连续变量归一化后

13、的方向盘转角驾驶策略：驾驶策略描述启动从停止状态启动汽车停止使汽车进入停止状态紧急停止遇见突发情况紧急停止左转右转保持没有大的方向盘波动和速度波动加速速度一直上升减速速度一直下降6）模型训练：特征文件的准备，要编写程序将数据源转换为其特定的特征文件；标注文件，每一行的数据以的形式给出对应数据的标注接下来就是HMM的模型定义。在实际使用时，由于并不清楚什么样的模型更加精确，因此使用了多个模型对同一驾驶策略进行训练，分别枚举了隐状态个数以及高斯混合模型的个数。每个驾驶策略都对应了一系列的 HMM模型。 HMM的训练，其实就是对于参数的估计，由以下的三个阶段来完成：参数进行初始化，独立模型的迭代，连

14、续模型的迭代。模型的评判标准，Precision(准确率 ) 和 Recall( 召回率 ) 是两种常用的评价模型性能的指标，前者量化的是识别结果有多少是准确的，后者量化的是有多少正确结果被识别出来了。7）相关应用：风险分析识别，一种趋势是将识别的目标变小，从复杂的路径预测，缩小到简单的状态检测，如注意力、醉酒等；另一种趋势，则是利用越来越丰富的传感器数据，使用机器学习理论去建模和分析。前者在许多实际的应用中取得了良好的结果，但各个识别方法互相独立，难以在理论上整合在一起；后者则是目前该方向的研究热点，近年许多工作都采用了这种方法。实现策略：为了构建这样的识别模型，需要将训练数据进行划分，分为

15、标准的驾驶策略和不良的驾驶策略；之后，使用两种数据，分别对安全和危险模型进行训练。本文对于数据的划分，基于如下的假设：驾驶风格良好的驾驶员，总是倾向于做出较好的驾驶操作( 从概率上来说，确实如此) ；反之，驾驶风格较差的驾驶员，其操作也大多危险。结果评估及分析：风险分析识别结果的好坏，取决于应用能否准确的识别出危险的操作，同时不能做出太多的误判。前者对应于准确率，后者对应于召回率。最终，驾驶策略的F值都保持在 60左右，并不是特别理想。在实际应用时，亦会发生漏判和误判的情况。发生这种问题的原因，很可能是出在训练集的构建上。由于，对于安全和危险数据的划分，只是基于驾驶风格的假设，因此训练数据中会

16、存在较多的错误数据，毕竟优秀的驾驶员也不能保证所有时刻操作都是标准的。随着数据的不断增加，这一假设将会越来越符合实际。通过分析方向盘信号的波动来检测驾驶员是否醉酒或者精力不集中；通过GPS信息确定当前位置，获取当前道路的限速、信号灯等信息，给出警告；检测与前方行驶车辆的车距等。它们的作用更多的是检测和展示危险信息，而不是做出危险规避指示。在引入驾驶行为识别能力后，预警系统的功能将获得进一步的拓展。一段道路上的驾驶操作，通常是由一系列的驾驶行为组成的；因此，可以提取同一路段上，多数人的共有操作序列，作为该道路的理想操作序列 ( 周围汽车的影响单独考虑 ) 。通过比较当前操作和这一标准的区别，则可

17、以判定是否危险，甚至给出推荐的驾驶操作和形成轨迹。与原来相比，引入驾驶行为后的系统有三点优势：环境信息蕴含在驾驶行为序列中，不需要单独建模，且蕴含的内容会更加丰富；用多人共有的驾驶序列作为标准，比人工指定的规则更有说服力；由于标准是由驾驶行为构成，因此更容易在操作层面上给出指导，而不是简单的提醒。8）基于 DriverProfile的衍生服务：DriverProfile主要为不同的驾驶员提供一个档案，存储一系列驾驶相关的信息( 历史记录、驾驶风格、驾驶员评分等) 。驾驶员可以通过比较自己的形式记录好标准记录的区别，去改进自己的驾驶技术；同时，通过查看历史记录，还可以了解自己的驾驶技巧是否有所提

18、高。与以往单纯的图表记录不同的是，这些记录都是由驾驶行为组成的；因此，驾驶员更容易看出自己的不足，同时更容易针对特定的行为进行改进，可操作性大大增强了。另外，保险业评级和物流管理的准确性，也会因为驾驶行为更加详尽而大大提高。2.驾驶风 险分析：攻击性驾驶行为 ( aggressive driving behavior)以及违规行为 ( driving offences)与交通事故的关系研究已经有很长的历史。拥有某些特点的驾驶人员在公路上更容易出现交通事故，这些特点包括攻击性驾驶行为、冒险行为等。有时候那些风险行为较高的驾驶人员会错误的理解其他驾驶人员的驾驶行为, 以至于把一些中性行为看做是对自

19、己的挑衅, 从而诱导出他们的风险行为。即使是事故的非责任方, 他们在驾驶行为的表现上仍出现了较高的风险驾驶行为, 约有 20%的非责任方驾驶人员在日常驾驶中出现了较多的超速行为。一个具有较高信效度的驾驶行为问卷( driverbehaviorquestionnaire,DBQ) 非常关键。其中错误的定义为 : 由于按计划完成一些驾驶任务的失败, 从而导致不想出现的结果。而违规被定义为:有意的去偏离安全的驾驶行为系统, 而选择有潜在风险的驾驶行为。DBQ 问卷进行研究得到3 个因素: 一般性错误 ( general errors)、危险性错误 ( dangerous errors)和危险性违规

20、( dangerousviolations)。一般性错误指的是错误行为中不会有人身伤害的行为, 而危险性错误指的是容易产生人身伤害的错误。违反规则的人群中 ,男性数量要显著多于女性, 并且这种违反规则的现象随着年龄有递减的趋势。而与此相反 , 报告有错误的人群中 , 女性数量显著多于男性, 且不随着年龄变化而变化。在人格与驾驶行为关系的研究中 , A 型人格一直备受关注。 A 型行为表现为紧张、着急、竞争、野心,并易患冠心病, 在驾驶中可表现为情绪急躁、不稳定等。研究人员用不同的A 型人格量表进行了调查,大多数研究均发现 A型行为驾驶人员有更高的事故率。在众多变量中, 只有 A 型人格与风险驾

21、驶行为达到了显著的相关。除了A 型人格 , 备受关注的另一个人格特质是感觉寻求。与感觉寻求相反的人,即感觉回避的人更倾向于保持较大的车间距以及一些更安全的驾驶行为。问卷：1) A 型行为类型量表，2)感觉寻求问卷， 3) 驾驶人员风险态度问卷。使用主成分分析( principal component analysis)进行方差最大旋转 ,共获得 4个特征值 ( eigenvalue)大于 1的因子，根据因子的可解释性, 最后确定该问卷可以抽取4个因素。删除 3 个载荷比较小并出现双负载的项目。最后的问卷为21个项目,4个因素共解释总方差的 6476%。每个项目的载荷都在055 以上 ,并且每个

22、项目和最大载荷所在因素具有内容上的相似性,和另一个因素具有区分性。4 个因素分别为 :因素1 危险性失误 ,因素2 一般性违规 ,因素3 无害性失误 ,因素4 攻击性违规。复杂反应分析：复杂反应是指机体对外界刺激在一定时间内做出正确应答的判断能力，用错误反应次数和反应时间表示。相关研究表明，事故率与驾驶员的复杂反应特性有较强的相关性。事故率高的驾驶员复杂反应时间的方差越大，错误次数越多。驾驶员的复杂反应指数(K1) 和速度估计指数(K2) 与表征人格特性的五大因素之间存在着较强的相关性，复杂反应指数(K1) 和速度估计指数(K2) 与驾驶员的攻击性、独立性和敢为性之间存在着较强的正相关性，而与

23、驾驶员的社会向性、稳定性之间存在着较强的负相关性。复杂反应指数 (K1) 和速度估计指数(K2) 大的驾驶员，往往脾气较暴躁，个性较独立，同时缺乏自我控制，对危险的感知能力较弱，对自己的驾驶能力有过高的估计。复杂反应指数(K1) 和速度估计指数(K2) 小的驾驶员，表现出社会责任感较强，情绪稳定，同时有较强的自我效能。当碰到特殊情况时，驾驶员的精力和注意力会更加集中，有更好的驾驶行为表现，行车也更安全。1)针对于驾驶状态的风险分析：以检测特定的驾驶状态为基础的，之后再根据驾驶员所处的状态，来评判目前是否有危险。常见的评判状态有醉酒驾驶、注意力是否集中、情绪波动等。用视频或眼动仪来跟踪驾驶员的视

24、角或脸部动作；用特制的传感器记录驾驶员的生理指标( 心 跳、血管舒张压)2) 带有预测性质的风险分析，是对特定环境的行为进行建模，然后预测汽车的行驶轨迹或行动，从而确定是否危险；使用函数回归的方式去模拟汽车的行驶轨迹，计算相应的参数值。之后利用该模型进行行驶轨迹的预测。通过比较预测轨迹和理想轨迹的差距，来判定是否危险。研究分散注意力的条件对驾驶表现的影响： 驾驶任务包括手 机对话、与乘客对话 以及招牌阅读。任务的细节描述如下:?没有任务 :驾驶员没有任何任务进行驾驶。?招牌阅读 :驾驶员在驾驶过程中大声阅读标识/招牌上的字。?手机对话 :通过手机导航的指导,驾驶员向一个不熟悉的地方前进。此外

25、, 网上银行的申请也通过手机完成。?与乘客对话 : 驾驶员与车上的乘客对话。为了评估任务识别,我们使用 16个混合 GMM 分类器和 5倍交叉验证分类，通过使用加速和制动踏板信号的融合 , 以 93.2%的成功率识别了参考驾驶会话, 以 72 5% 的成功率识别了有特定任务的驾驶会话。 使用加速和制动信号的 16个混合GMM 分类器的融合 , 平均任务与无任务识别结果为 83.3%。需要注意的是 , 这些识别率显著高于可能出现的均匀分布随机分类的表现。通过使用加速和制 动踏板 信号的融合 ,手机对话任务识别率为58.5% ,招牌阅读为 25%, 与乘客对话为 52 6%。在具有加速和制动信号的16个混合 GMM的分类器 ,且决策窗口为 60s的情况下 ,得到的平均任务识别结果为52.7%。观察到识别率要高于所有任务的随机类型。干