基于駕駛行為的汽車主動安全技術研究

肖獻強 王其東

合肥工業(yè)大學，合肥，230009

0 引言

公路交通的快速發(fā)展給人們帶來便捷的同時，交通事故的頻繁發(fā)生，也對社會造成了巨大的損失，如何避免和減少交通事故的發(fā)生在當今顯得尤為重要。通常的汽車安全防御措施都屬于被動安全防御，只能減少事故發(fā)生帶來的傷害和損失。主動安全防御即主動安全性表示汽車避免或減少事故發(fā)生的能力，主動安全性所涉及的因素很多，但歸納起來可以分為“人”、“車”、“路”三方面的因素。

目前關于駕駛行為主動安全性的研究，主要集中在對某一個危險駕駛行為的檢測和預警上，雖然這些研究都提出了環(huán)境的重要性，但是并沒有對車輛行駛環(huán)境信息的獲取給予足夠的重視［1－2］，沒有利用環(huán)境信息以及車輛運行狀態(tài)信息綜合判斷駕駛員的駕駛行為及意圖，然后進行相應的告警［3］。本文提出了人—車—路各種信息對某種駕駛行為都應參與行為決策的理念，并對決策權重進行了研究。本文提出利用車輛運行狀態(tài)和環(huán)境信息進行駕駛行為及意圖的提前分析預測，并根據駕駛行為及意圖是否存在危險，進行相應的預警。

1 常見駕駛行為

駕駛行為其本質是一個在符合安全規(guī)范的條件下，為達到某種交通目的的連續(xù)決策過程。駕駛員在一系列狀態(tài)點上作出駕駛決策，汽車主動安全的駕駛行為識別需要實時識別車輛運行狀態(tài)、環(huán)境以及駕駛員的駕駛行為，判斷此時汽車的安全狀態(tài)，同時需要對下一時刻的行車安全狀態(tài)作出評估和預警。常見的駕駛行為主要有以下8種：①壓車道線行駛。在高速公路上壓道行駛是一種很危險的駕駛行為［4－5］。②疲勞駕駛。本文采用通過方向盤轉角監(jiān)控來預測駕駛員是否處于疲勞駕駛［6］。③超車并道。超車并道也是導致交通事故的一個重要原因，系統(tǒng)要進行提前預警。④車輛掉頭轉彎。車輛掉頭轉彎主要是指駕駛員在駕駛車輛過程中，突然進行轉彎掉頭。⑤加速行駛狀態(tài)。在車輛處于加速行駛的狀況中，需要進行各種實時數據分析，預測駕駛員下一個時刻的可能駕駛行為，判斷車輛是否處于安全狀態(tài)。⑥減速行駛狀態(tài)。駕駛員在駕駛車輛的過程中突然減速也是一種很危險的駕駛行為，因此在這個過程中，也要判斷駕駛員下一時刻的駕駛行為。⑦勻速行駛狀態(tài)。勻速行駛狀態(tài)是車輛在大部分時間里的行駛狀態(tài)，跟蹤這個狀態(tài)可為下一個時刻的駕駛行為預測奠定基礎。⑧啟動狀態(tài)。作為系統(tǒng)初始狀態(tài)。

2 權重決策矩陣分析建模

2.1 信號矩陣

根據前期國內外對駕駛行為研究的成果以及調查分析，總結出有如下參數信息對駕駛員的駕駛行為分析與預測起決定性作用：①車道線信號；②方向盤轉角信號；③車速信號；④方向燈信號；⑤油門信號；⑥剎車信號；⑦離合器信號；⑧擋位信號。

將八種信號定義為一個信號矩陣S，S＝［x1x2x3x4x5x6x7x8］，代表信號系統(tǒng)采集到的對應信號量。

為了建立每種信號對某種駕駛行為的決策權重，課題組在合肥針對出租車司機、駕校教練、公交車司機以及個人發(fā)放了800份關于常見駕駛行為和上述八種信號關系的問卷調查，結合理論研究對八種信號初始權重作出了如下分配。x1代表是否壓車道線信號，根據視覺傳感器（CCD）圖像處理程序計算和識別車輛是否處于壓道行駛和車道是否跑偏，分別取1和0。x2代表方向盤信號，根據駕駛員是否連續(xù)地、長時間地沒有轉動方向盤操作，或者方向盤大轉角地轉動分別進行判斷。如果是第一種情況則表明駕駛員處于疲勞駕駛狀態(tài)，此時取x2＝1；如果駕駛員以每秒大于32°的速度轉動方向盤則表明駕駛員可能想超車并道或者想轉彎掉頭，此時取x2＝0.5。x3代表車速信號，這是一個常規(guī)的監(jiān)控變量，其值為汽車當前速度vnow與該車型的最大速度vmax的比值，即x3＝代表方向燈信號，根據其開或關取值1或0。x5代表油門信號，根據油門的開啟度取值范圍為［0，1］。x6代表剎車信號，根據剎車信號有無分別取1和0。x7代表離合器信號，根據離合器的開啟度取值范圍為［0，1］。x8代表擋位信號，不同的擋位取不同的值。以福特?？怂管囆蜑槔?，空擋取0；1 擋 為 起 步，取 0.2；2 擋 對 應 的 是 30 ～40km／h，取0.4；3擋對應的是50～60km／h，取0.6；4擋對應的是60～70km／h，取0.8；5擋對應的是70km／h以上，取1。

2.2 權重矩陣

各種信號對駕駛行為的決策權重是不一樣的，因此定義一個權重決策矩陣R，R由8列權值向量構成，其中r1～r8分別對應一組列向量，即

該矩陣代表各個信號量對常見駕駛行為分析判斷的權重，各個元素取值范圍為［0，1］。

2.3 狀態(tài)矩陣

系統(tǒng)將每一時刻的信號矩陣S與權重矩陣R相乘，得到這個時刻的狀態(tài)矩陣T，即

只要掃描這個狀態(tài)矩陣，找出矩陣中的最大值tx（x＝1，2，…，8），這個值就代表系統(tǒng)此時判斷出來對應的駕駛員所處的駕駛行為。

狀態(tài)矩陣隨著車輛運行參數以及環(huán)境參數的改變處于不斷的變化中，系統(tǒng)按照一定的時間間隔來進行狀態(tài)矩陣運算，判斷此刻駕駛員的駕駛行為，通過上一個時刻的駕駛狀態(tài)和此刻的駕駛行為，同時結合采集到的某些車輛運行參數，可以進一步判斷駕駛行為的安全性，并作出相應的預警。

3 權重決策矩陣的實現(xiàn)

3.1 權值取值原則

權重矩陣R中的8個列向量r1～r8分別包含8個元素，每列向量的8個元素之和為1，而這8個元素與信號矩陣S中的8路信號x1～x8分別對應，它們表示x1～x8對駕駛行為及意圖分析的貢獻值大小。例如：

其中，r11＋r21＋…＋r81＝1，且r11，r21，…，r81按序號各自一一對應于信號矩陣S中的8路信號元素x1，x2，…，x8，則r11，r21，…，r81就代表x1，x2，…，x8在駕駛行為分析時所占的權值比重。由式（1）通過矩陣的乘法運算可得：

rij（i＝1，2，…，8；j＝1，2，…，8）為0～1之間的具體數值，其取值原則如下：

本文所考慮的8種駕駛行為狀態(tài)都只與某種或某幾種的車輛和環(huán)境參數有關，因此對應的各個信號的權值大小也有所不同。例如，壓車道線行駛在狀態(tài)矩陣中由t1表示，這種狀態(tài)看成只與是否壓線的信號x1有關，而與其他7種信號量，如車速、方向盤、油門等無關，所以在這種情況下，只考慮與x1對應的權值，假設取值為1，而忽略與其他七種信號對應的權值，假設都取值為0。

3.2 仿真權重決策矩陣的有效性

首先，任意設置一個權重矩陣的初始值，并且人為給出汽車在某種確定狀態(tài)下的車輛和環(huán)境信號，然后把信號矩陣和權重矩陣相乘得到此時的狀態(tài)矩陣，找出狀態(tài)矩陣中的最大值，判斷該最大值所對應的駕駛行為及意圖是否與人為給定的車輛和環(huán)境信號一致，若結果一致，則用同樣的方法對余下的7種駕駛狀態(tài)進行判斷；若結果不一致，則改變權重矩陣的初始值，重復上述過程，不斷逼近，直至達到8種典型駕駛行為預測全部準確，誤報率小于5%，可靠性大于95%時，此時權重決策矩陣視為合理的權重決策矩陣。同時結合課題組對合肥出租車司機、公交車司機、駕校教練以及個人駕駛員的調查問卷表來修正權重矩陣。

初始值的驗算過程涉及較復雜的矩陣運算，若采取人工計算，則會耗費大量的時間，且不能保證結果的準確性，效率較低。據此，本文使用MATLAB軟件進行仿真，利用MATLAB的矩陣運算工具和繪圖工具，可以很方便地進行矩陣的運算以及運算結果分析。

為了提高仿真的效率，把矩陣運算和繪圖等要實現(xiàn)的命令編譯成一個M文件［7］。其主要功能為實現(xiàn)信號矩陣和權重矩陣之間的乘法運算，得到狀態(tài)矩陣，并使用plot命令繪制出狀態(tài)矩陣中元素大小的折線圖，方便比較各個元素的大小，使用時，只需調用該M文件，輸入不同的信號參數，運行函數就能夠很直觀地判斷結果［8］。

在所有的駕駛行為決策分析權重矩陣確定后，還要針對處理處于兩種混合模糊的駕駛行為重新調整權重矩陣。

值得注意的是，對部分不合理的權值向量初始值進行修改后，往往會影響到其他先前合理的權值向量，使得當時合理的賦值此時變?yōu)椴缓侠?；因此，權值矩陣的初始值由不合理到合理，其修改過程是不斷反復的，最終所有合理的取值都建立在對整體考慮的基礎之上。

4 仿真實驗

根據表1的結論進行迭代仿真，最終得到的權重矩陣如下：

表1 權重矩陣的驗算

汽車在行駛過程中，為了提高系統(tǒng)的可靠性，采用每間隔0.5s進行一次狀態(tài)矩陣運算的方法，給出駕駛員的駕駛行為預測結果，并根據結果進行相應的提示。

為了仿真汽車駕駛過程中的各種信號，本文設計了基于ARM9＋Linux的軟件運行平臺，該平臺利用ARM7模擬汽車駕駛信號。圖1所示為仿真實驗平臺。

圖1 仿真實驗平臺

圖2和圖3分別為超車并道和轉彎掉頭的測試結果圖片，圖片中左側編輯框中的各個信號是模擬汽車運行各種信號測試平臺上ARM7發(fā)出的模擬駕駛信號，分別對應權重矩陣運算需要的各個汽車運行中駕駛員的操作信號；實時圖像顯示本次測試是通過CCD采集的，為下一步研究車輛運行環(huán)境進行綜合判斷作好了鋪墊。

圖2 超車駕駛行為仿真測試

圖3 轉彎掉頭駕駛行為仿真測試測試

5 結束語

本文在研究國內外關于汽車主動安全研究成果的基礎上，提出了設計基于駕駛行為的汽車主動安全系統(tǒng)的思路，通過采集車輛運行狀態(tài)參數以及CCD攝像采集的車輛運行環(huán)境信息數據，提前預測駕駛行為是否安全，并作出相應的安全提示及預警，通過搭建ARM＋Linux仿真測試平臺，測試表明本文提出的方法切實可行。課題組下一步需要進行對系統(tǒng)的預警可靠性及漏警率進行深入的研究，以提高系統(tǒng)的可靠性，降低誤報率，為本文的研究內容實用化奠定基礎。

［1］ Zong Changfu，Yang Xiao，Wang Chang，et al.Driving Intentions Identification and Behaviors Prediction in Car Lane Change［J］.Journal of Jilin University（Engineering and Technology Edition），2009，39：27－32.

［2］ Farid M N，Kopf M，Bubb H，et al.Methods to Develop a Driver Observation System Used in an Active Safety System［J］.VDI Berichte，2006，1960：639－650.

［3］ 廖傳錦.以人為中心的汽車主動安全預警信息系統(tǒng)研究［D］.重慶：重慶大學，2005.

［4］ 吳沫，安向京，賀漢根.基于視覺的車道跑偏檢測方法研究及仿真［J］.中國圖像圖形學報，2007，12（1）：110－115.

［5］ Godthelp H，Milgram P，Blaauw G J.The Development of a Time－related Measure to Describe Driver Strategy［J］.Human Factors，1984，26（3）：257－268.

［6］ 石堅.人－車－路綜合環(huán)境下主動安全性模擬系統(tǒng)的研究［D］.上海：上海交通大學，2000.

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

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