基于個(gè)體特性的駕駛行為操縱模式建模方法

肖獻(xiàn)強(qiáng)　殷延杰　王家恩

合肥工業(yè)大學(xué)，合肥，230009

?

基于個(gè)體特性的駕駛行為操縱模式建模方法

肖獻(xiàn)強(qiáng)殷延杰王家恩

合肥工業(yè)大學(xué)，合肥，230009

為研究能體現(xiàn)駕駛?cè)藗€(gè)體特性的駕駛行為操縱模式建模方法，通過汽車駕駛模擬器采集駕駛?cè)说鸟{駛行為操縱數(shù)據(jù)，利用卡爾曼濾波器對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，采用數(shù)據(jù)/機(jī)理相混合的方法對(duì)駕駛?cè)说鸟{駛行為操縱數(shù)據(jù)進(jìn)行分析，研究提出基于有向圖的個(gè)性化駕駛?cè)笋{駛行為操縱模式建模方法。以山區(qū)高速公路超車行為為例進(jìn)行建模方法試驗(yàn)，測試結(jié)果表明該方法構(gòu)建的駕駛行為操縱模式能有效地體現(xiàn)出駕駛?cè)笋{駛的個(gè)體特性，為研究開發(fā)個(gè)性化和智能化的駕駛安全輔助系統(tǒng)涉及的駕駛行為操縱模式建模問題提供了技術(shù)支撐。

駕駛行為；操縱模式建模；卡爾曼濾波；安全輔助系統(tǒng)

0　引言

人、車、路是構(gòu)成交通環(huán)境的三個(gè)基本要素，為協(xié)調(diào)好人、車、路三者之間的關(guān)系，以降低交通事故發(fā)生概率為目標(biāo)發(fā)展起來的駕駛安全輔助系統(tǒng)(driving safety assistance systems，DSAS)已成為智能車輛領(lǐng)域的重點(diǎn)研究內(nèi)容之一。目前已有的DSAS一般是基于基準(zhǔn)駕駛?cè)藖磉M(jìn)行輔助控制設(shè)計(jì)的，這導(dǎo)致DSAS對(duì)所有駕駛?cè)瞬扇∠嗤妮o助控制策略和控制參數(shù)，無法滿足駕駛?cè)说膫€(gè)性化需求。駕駛?cè)说膫€(gè)體因素主要體現(xiàn)在構(gòu)成其相應(yīng)駕駛行為的一系列駕駛操縱動(dòng)作中[1]，如果DSAS能夠通過采集駕駛?cè)说鸟{駛行為操縱數(shù)據(jù)和車輛運(yùn)行狀態(tài)信息自動(dòng)完成對(duì)駕駛?cè)笋{駛的個(gè)體特性的學(xué)習(xí)并將學(xué)習(xí)結(jié)果體現(xiàn)在DSAS的輔助控制策略中，則可提高DSAS的個(gè)性化和智能化水平。實(shí)現(xiàn)這一目標(biāo)的關(guān)鍵技術(shù)之一就是研究解決駕駛?cè)说膫€(gè)性化駕駛行為操縱模式建模問題。

目前國內(nèi)外學(xué)者對(duì)駕駛?cè)笋{駛行為的個(gè)體特性已進(jìn)行了較為深入的研究。李紅志等[2]在考慮駕駛?cè)颂匦缘幕A(chǔ)上，建立了預(yù)瞄時(shí)間自適應(yīng)的最優(yōu)預(yù)瞄駕駛員模型；宗長富等[3]采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了駕駛?cè)颂匦员孀R(shí)模型；任夏楠等[4]提出了基于駕駛員個(gè)體特性的理想轉(zhuǎn)向盤力矩模型；邊明遠(yuǎn)[5]提出了基于修正因子的考慮駕駛員個(gè)體特性差異的避撞系統(tǒng)安全車距修正模型；Yamada等[6]在采集歷史駕駛行為操縱數(shù)據(jù)的基礎(chǔ)上，利用貝葉斯算法對(duì)駕駛?cè)俗筠D(zhuǎn)彎時(shí)能否準(zhǔn)確辨識(shí)行人橫穿馬路的概率進(jìn)行了估算；Bueno等[7]基于前部避撞預(yù)警系統(tǒng)研究了駕駛?cè)嗽陬A(yù)警系統(tǒng)失效后的駕駛特性。上述研究主要針對(duì)駕駛?cè)笋{駛的個(gè)體特性對(duì)駕駛行為模型的結(jié)構(gòu)、參數(shù)的影響以及特殊場景下駕駛?cè)说鸟{駛特性進(jìn)行了探討，而對(duì)于構(gòu)成其相應(yīng)駕駛行為的駕駛操縱動(dòng)作序列及駕駛行為操縱模式的研究則很少。

筆者所在課題組在前期相關(guān)課題研究過程中發(fā)現(xiàn)，不同駕駛?cè)说鸟{駛操縱模式會(huì)因駕駛?cè)笋{駛個(gè)體特性的不同而存在一定差異。因此，為研究解決能反映駕駛?cè)笋{駛個(gè)體特性的駕駛行為操縱模式建模問題，筆者在試驗(yàn)的基礎(chǔ)上，提出了基于有向圖的個(gè)性化駕駛行為操縱模式建模方法，并用試驗(yàn)數(shù)據(jù)對(duì)該建模方法進(jìn)行了驗(yàn)證。

1　試驗(yàn)數(shù)據(jù)采集與處理

為使研究提出的個(gè)性化駕駛行為操縱模式建模方法更具代表性和典型性，選擇道路情況較為復(fù)雜、駕駛?cè)笋{駛的個(gè)體特性展現(xiàn)更為充分的山區(qū)高速公路超車行為作為研究分析的對(duì)象。

1.1試驗(yàn)數(shù)據(jù)采集

1.1.1數(shù)據(jù)采集設(shè)備

試驗(yàn)數(shù)據(jù)利用武漢理工大學(xué)交通安全研究型汽車駕駛模擬器采集。具體試驗(yàn)設(shè)備如圖1所示。

圖1　數(shù)據(jù)采集模擬器

該模擬器由視景系統(tǒng)、控制臺(tái)系統(tǒng)、通信系統(tǒng)組成。其中視景系統(tǒng)用于提供多種場景和不同天氣情況下的視景，視景中車輛運(yùn)行符合交通流模型，可與駕駛車輛實(shí)現(xiàn)互動(dòng)。試驗(yàn)數(shù)據(jù)處理單元能以不大于10 ms的時(shí)間間隔同步保存駕駛員操縱信息、仿真車輛動(dòng)力學(xué)參數(shù)、交通場景相關(guān)數(shù)據(jù)到后臺(tái)數(shù)據(jù)庫。因此該模擬器能較好地模擬真實(shí)的駕駛環(huán)境，保證其采集的數(shù)據(jù)能真實(shí)地反映駕駛?cè)笋{駛的個(gè)體特性，滿足試驗(yàn)的要求。

1.1.2采集數(shù)據(jù)的類型

駕駛?cè)笋{駛的個(gè)體特性一般體現(xiàn)在構(gòu)成相應(yīng)駕駛行為的操縱動(dòng)作序列中，為深入分析駕駛?cè)笋{駛的個(gè)體特性與車輛運(yùn)行狀態(tài)之間的內(nèi)在關(guān)系，需采集以下駕駛行為操縱數(shù)據(jù)和車輛運(yùn)行狀態(tài)數(shù)據(jù)：

(1)油門踏板位置PA。該數(shù)據(jù)反映了駕駛?cè)说募訙p速意圖，數(shù)值區(qū)間為[0，1]。

(2)前輪轉(zhuǎn)角θw。該數(shù)據(jù)反映了駕駛?cè)说霓D(zhuǎn)向意圖、橫向操控能力及穩(wěn)定性，數(shù)值區(qū)間為 [-36°，36°]。

(3) 車輛中軸線與道路右側(cè)車道中軸線的偏移DZ(簡稱中-中偏移，道路場景為雙向單車道)。該數(shù)值單位為m。

(4)車輛行駛速度v。該數(shù)據(jù)反映了駕駛?cè)说男旭偹俣?，?shù)值區(qū)間為[0，140]km/h 。

(5)行駛擋位PG。該數(shù)據(jù)反映了車輛的行駛擋位，其取值為0，1，2，3，4，5。

(6)離合踏板位置PC。該數(shù)據(jù)反映了車輛的離合踏板信息，數(shù)值區(qū)間為[0,1]。

(7)制動(dòng)踏板位置PB。該數(shù)據(jù)反映了駕駛?cè)说闹苿?dòng)行為，體現(xiàn)了駕駛?cè)说臏p速意圖，數(shù)值區(qū)間為 [0，1]。

1.1.3超車過程數(shù)據(jù)的提取

為從原始試驗(yàn)數(shù)據(jù)序列中準(zhǔn)確提取整個(gè)超車過程的數(shù)據(jù)片段，試驗(yàn)過程中需將駕駛?cè)藴?zhǔn)備超車和結(jié)束超車的起止時(shí)間節(jié)點(diǎn)記錄下來，這樣便可將整個(gè)超車過程的數(shù)據(jù)片段從原始試驗(yàn)數(shù)據(jù)序列中提取出來。

1.2試驗(yàn)數(shù)據(jù)處理

在對(duì)試驗(yàn)采集的原始操縱數(shù)據(jù)進(jìn)行分析的過程中發(fā)現(xiàn)，車速、前輪轉(zhuǎn)角、油門踏板這類操縱數(shù)據(jù)的變化趨勢和變化速率與其具體數(shù)值相比，更能反映駕駛?cè)笋{駛的個(gè)體特性及駕駛?cè)笋{駛行為的改變。因此，需求出這類駕駛操縱數(shù)據(jù)的導(dǎo)數(shù)信號(hào)，不同的操縱數(shù)據(jù)類型，其導(dǎo)數(shù)的計(jì)算方法也有所不同。

1.2.1基于卡爾曼濾波的加速度估計(jì)

采集的原始車速數(shù)據(jù)中存在一定的噪聲和毛刺，因此需對(duì)其進(jìn)行濾波處理。此外在數(shù)據(jù)分析中需求得加速度這一重要信號(hào)，簡單的車速微分難以獲得良好的加速度信號(hào)[8]?？柭鼮V波器是信號(hào)估計(jì)中的常用方法，并能實(shí)現(xiàn)數(shù)據(jù)濾波功能。為獲得更精準(zhǔn)的加速度信號(hào)，本文基于試驗(yàn)獲得的車速信號(hào)，利用卡爾曼濾波器對(duì)車輛加速度進(jìn)行估計(jì)，具體濾波估計(jì)過程如下：

(1)建立車輛縱向運(yùn)動(dòng)的系統(tǒng)狀態(tài)方程:

Xk=AXk-1+Gδk-1k=2,3,…N

(1)

式中，N為離散數(shù)據(jù)點(diǎn)個(gè)數(shù)；vk為試驗(yàn)車輛的車速；ak為試驗(yàn)車輛的加速度；δk-1為隨機(jī)加加速度；A為轉(zhuǎn)移矩陣；G為系統(tǒng)噪聲輸入矩陣。

根據(jù)牛頓運(yùn)動(dòng)定律可推出：

其中，T為數(shù)據(jù)采樣周期，T=0.125 s。

(2)建立系統(tǒng)的觀測方程：

Zk=HXk+θkk=2,3,…N

(2)

其中，Zk為試驗(yàn)車輛車速的觀測值；θk為觀測噪聲序列；可推出狀態(tài)變量對(duì)測量變量的增益矩陣H=[10]。

(3)

狀態(tài)估計(jì)：

(4)

濾波增益矩陣

(5)

一步預(yù)測誤差方差矩陣

Pk,k-1=APk-1AT+GSGT

(6)

估計(jì)誤差方差矩陣

Pk=(I-KkH)Pk,k-1

(7)

式(2)～式(7)為隨機(jī)線性離散系統(tǒng)卡爾曼濾波基本方程[9]。

圖2為濾波估計(jì)加速度與車速微分加速度的對(duì)比圖，從圖中可看出經(jīng)濾波處理后的試驗(yàn)數(shù)據(jù)更加平滑，濾波估計(jì)加速度的波峰與波谷更加明顯，有利于操縱動(dòng)作節(jié)點(diǎn)的提取。造成這種差異的原因主要是因?yàn)槲⒎智髮?dǎo)不能消除信號(hào)噪聲和毛刺的干擾，而卡爾曼濾波剛好能克服這一缺點(diǎn)。

圖2　車輛加速度對(duì)比圖

1.2.2前輪轉(zhuǎn)角及油門踏板數(shù)據(jù)處理

圖3　前輪轉(zhuǎn)角及其導(dǎo)數(shù)的時(shí)間曲線圖

圖4　油門踏板位置及其導(dǎo)數(shù)的時(shí)間曲線圖

對(duì)前輪轉(zhuǎn)角、油門踏板原始數(shù)據(jù)進(jìn)行平滑處理時(shí)，采用卡爾曼濾波與平均值方法的差別不大，因此選擇計(jì)算更為簡單的平均值方法對(duì)原始數(shù)據(jù)進(jìn)行平滑處理，再對(duì)其進(jìn)行微分求導(dǎo)。圖3和圖4分別為超車過程中前輪轉(zhuǎn)角、油門踏板操縱數(shù)據(jù)及其導(dǎo)數(shù)的時(shí)間曲線。從圖3和圖4中可看出，在前輪轉(zhuǎn)角及油門踏板發(fā)生變化時(shí)其微分導(dǎo)數(shù)顯著變大或變小，這種變化體現(xiàn)了駕駛?cè)笋{駛的個(gè)體特性，表明駕駛?cè)笋{駛行為的改變且采取了相應(yīng)的駕駛操縱動(dòng)作。因此基于導(dǎo)數(shù)來設(shè)置相應(yīng)的操縱動(dòng)作節(jié)點(diǎn)生成閾值，可較好地控制操縱動(dòng)作節(jié)點(diǎn)的生成以用于駕駛行為操縱模式建模。

2　個(gè)性化駕駛行為操縱模式建模

2.1駕駛行為操縱模式建模原理

本課題組對(duì)同一駕駛行為駕駛操縱數(shù)據(jù)發(fā)生變化的時(shí)序進(jìn)行研究和分析時(shí)，發(fā)現(xiàn)駕駛?cè)嗽趫?zhí)行同一駕駛行為時(shí)，其操縱動(dòng)作發(fā)生變化的時(shí)序具有一定的規(guī)律性，而這一系列駕駛操縱動(dòng)作執(zhí)行的先后順序具有有向圖的方向性特征?；谶@一原理通過采集駕駛?cè)笋{駛行為及相應(yīng)的駕駛操縱數(shù)據(jù)與車輛運(yùn)行狀態(tài)信息，從中提取出能夠表示駕駛?cè)笋{駛操縱動(dòng)作發(fā)生變化的動(dòng)作節(jié)點(diǎn)，然后根據(jù)各節(jié)點(diǎn)的表征意義及節(jié)點(diǎn)生成時(shí)間的先后順序構(gòu)建分層式駕駛行為操縱模式，具體如圖5所示。

圖5　操縱模式構(gòu)建原理圖

2.2駕駛?cè)笋{駛的個(gè)體特性分析

由前述可知，駕駛?cè)笋{駛操縱動(dòng)作發(fā)生變化時(shí)，其操縱數(shù)據(jù)導(dǎo)數(shù)會(huì)顯著地變大或變小，這種變化反映了駕駛?cè)笋{駛的個(gè)體特性。每個(gè)駕駛?cè)瞬倏v動(dòng)作發(fā)生變化的閾值也與駕駛?cè)笋{駛的個(gè)體特性相關(guān)。為分析駕駛操縱動(dòng)作發(fā)生變化的閾值與駕駛?cè)笋{駛的個(gè)體特性之間的關(guān)系，本文選取超車正式開始之前(超車前3 s)和整個(gè)超車過程中的操縱數(shù)據(jù)序列進(jìn)行研究分析。在車輛行駛過程中，操縱數(shù)據(jù)的導(dǎo)數(shù)有正負(fù)值之分，而在確定閾值范圍時(shí)操縱數(shù)據(jù)變化的速度和范圍更為關(guān)鍵。因此將操縱數(shù)據(jù)導(dǎo)數(shù)取絕對(duì)值后，對(duì)其進(jìn)行統(tǒng)計(jì)分析并繪出各種操縱數(shù)據(jù)導(dǎo)數(shù)絕對(duì)值的平均值和標(biāo)準(zhǔn)差的散點(diǎn)圖。本文共選取16組試驗(yàn)數(shù)據(jù)序列進(jìn)行分析，具體情況見圖6～圖8。

從圖6a可知，多數(shù)情況下超車前車輛加速度絕對(duì)值均值的區(qū)間為[0,4]m/s2，超車時(shí)為[5,8]m/s2，超車時(shí)要大于超車前時(shí)間段，這表明超車時(shí)車輛行駛車速的變化大于超車前時(shí)間段。從圖6b可知，超車前和超車時(shí)車輛加速度絕對(duì)值的標(biāo)準(zhǔn)差的變化范圍不大，相對(duì)比較穩(wěn)定，這表明駕駛?cè)笋{駛的個(gè)體特性具有一定的穩(wěn)定性。

從圖7a可知，超車前和超車時(shí)的前輪轉(zhuǎn)角導(dǎo)數(shù)絕對(duì)值的均值都比較小，表明駕駛過程中方向盤的擺動(dòng)較小，與實(shí)際駕駛情況相符合。從圖7b可知，超車時(shí)前輪轉(zhuǎn)角導(dǎo)數(shù)絕對(duì)值的標(biāo)準(zhǔn)差大于超車前時(shí)間段的相應(yīng)值，這表明超車時(shí)前輪轉(zhuǎn)角處于一個(gè)變化的過程中，其變化的范圍和速度均大于超車前時(shí)間段的相應(yīng)值。

(a)平均值

(b)標(biāo)準(zhǔn)差圖6　車輛加速度a絕對(duì)值的散點(diǎn)

(a)平均值

(b)標(biāo)準(zhǔn)差圖7　前輪轉(zhuǎn)角導(dǎo)數(shù)絕對(duì)值的散點(diǎn)圖

從圖8a可知，多數(shù)情況下超車前油門踏板位置導(dǎo)數(shù)絕對(duì)值的均值為[0,0.2]，超車時(shí)處于[0.25,0.35],超車時(shí)比超車前略大，這表明超車過程的大部分時(shí)間中油門踏板位置是處于相對(duì)穩(wěn)定的狀態(tài)，只在超車超越階段會(huì)有較大的變化。從圖8b可知，超車前和超車時(shí)的油門踏板位置導(dǎo)數(shù)絕對(duì)值的標(biāo)準(zhǔn)差的變化范圍均不大，這表明駕駛?cè)丝刂朴烷T踏板位置的個(gè)體特性具有一定的穩(wěn)定性，但超車時(shí)的標(biāo)準(zhǔn)差大于超車前時(shí)間段的標(biāo)準(zhǔn)差，這表明與超車前時(shí)間段相比，超車時(shí)油門踏板位置的變化范圍更大。

(a)平均值

(b)標(biāo)準(zhǔn)差圖8　油門踏板位置導(dǎo)數(shù)PA′絕對(duì)值的散點(diǎn)圖

由以上分析可知，超車過程中駕駛?cè)笋{駛的個(gè)體特性具有一定的穩(wěn)定性，超車時(shí)操縱數(shù)據(jù)導(dǎo)數(shù)的絕對(duì)值大小和變化范圍均大于超車前時(shí)間段的相應(yīng)值。另外，超車過程中道路環(huán)境、行駛車輛的不確定性因素較多，因此駕駛?cè)瞬倏v動(dòng)作變化的閾值是一個(gè)動(dòng)態(tài)變化的值，這也是駕駛行為操縱模式建模的難點(diǎn)之一。

2.3操縱動(dòng)作節(jié)點(diǎn)的生成與控制

由2.2節(jié)分析結(jié)果可知，與超車前時(shí)間段相比，超車時(shí)操縱數(shù)據(jù)導(dǎo)數(shù)的絕對(duì)值大小和變化范圍均更大，因此可通過設(shè)置一個(gè)閾值Tu來控制節(jié)點(diǎn)的生成 ，當(dāng)操縱動(dòng)作數(shù)據(jù)導(dǎo)數(shù)絕對(duì)值大于閾值Tu時(shí)，則說明此刻操縱動(dòng)作數(shù)據(jù)變化的快慢程度已超出正常的穩(wěn)態(tài)行駛，即新的駕駛行為正在產(chǎn)生，表明了駕駛?cè)笋{駛意圖的改變并且正在執(zhí)行相應(yīng)的駕駛操縱動(dòng)作。由于表示車輛運(yùn)行狀態(tài)信息及駕駛?cè)笋{駛操縱數(shù)據(jù)的類型不盡相同，所以各種信號(hào)數(shù)據(jù)閾值Tu的確定方法也有所不同，下面分別給出了不同數(shù)據(jù)類型閾值Tu的確定方法。

2.3.1連續(xù)型操縱動(dòng)作閾值的確定

(8)

(9)

(10)

當(dāng)駕駛?cè)笋{駛的個(gè)體特性和操縱習(xí)慣不同時(shí)會(huì)引起操縱數(shù)據(jù)和車輛運(yùn)行狀態(tài)的不同，因此閾值Tu的值能充分體現(xiàn)駕駛?cè)笋{駛的個(gè)體特性。當(dāng)Tn+1時(shí)刻的操縱動(dòng)作數(shù)據(jù)導(dǎo)數(shù)的絕對(duì)值|xn+1|>Tu時(shí)允許動(dòng)作節(jié)點(diǎn)生成，若|xn+1|

對(duì)于車輛中軸線與道路右側(cè)車道中軸線的偏移距離信號(hào)(DZ)，用平均值對(duì)原始數(shù)據(jù)進(jìn)行平滑處理并微分求導(dǎo)后，同樣采用上述方法控制其操縱動(dòng)作節(jié)點(diǎn)的生成。

2.3.2開關(guān)型操縱動(dòng)作節(jié)點(diǎn)的生成

制動(dòng)踏板、離合踏板這些開關(guān)信號(hào)若采用上述利用操縱數(shù)據(jù)的導(dǎo)數(shù)來設(shè)定閾值Tu的方法，將無法準(zhǔn)確地捕捉操縱動(dòng)作發(fā)生變化的動(dòng)作節(jié)點(diǎn)。對(duì)于這類信號(hào)，筆者采取下述方法來設(shè)定閾值Tu：當(dāng)操縱數(shù)據(jù)大于0，就可認(rèn)為操縱動(dòng)作發(fā)生了變化，例如當(dāng)制動(dòng)踏板位置信號(hào)的數(shù)值從0逐漸變大，則表明駕駛?cè)苏趫?zhí)行剎車制動(dòng)的駕駛行為，以實(shí)現(xiàn)減速的駕駛意圖。

對(duì)于擋位這種開關(guān)信號(hào)，可分別用dt、dt-1表示t時(shí)刻和t-1時(shí)刻的操縱動(dòng)作數(shù)據(jù)，若dt≠dt-1則可認(rèn)為操縱動(dòng)作正發(fā)生變化，t-1時(shí)刻可認(rèn)為是操縱動(dòng)作節(jié)點(diǎn)的生成時(shí)刻。

3　操縱模式建模方法數(shù)據(jù)測試

利用MATLAB對(duì)上述研究的駕駛行為操縱模式建模方法及節(jié)點(diǎn)生成算法進(jìn)行編程，使其能自動(dòng)控制操縱動(dòng)作節(jié)點(diǎn)的生成，自動(dòng)形成個(gè)性化駕駛行為操縱模式圖。為驗(yàn)證建模方法的有效性，下面從山區(qū)高速公路超車試驗(yàn)數(shù)據(jù)中選取一組數(shù)據(jù)進(jìn)行測試。

3.1測試數(shù)據(jù)的樣本格式

測試數(shù)據(jù)是經(jīng)汽車駕駛模擬器采集，按照駕駛行為操縱模式建模程序的要求整理成Excel表格形式，具體數(shù)據(jù)格式如表1所示。

表1　測試數(shù)據(jù)格式示例

3.2超車行為操縱模式層次圖

將整理后的駕駛行為操縱數(shù)據(jù)導(dǎo)入建模程序可得駕駛行為操縱模式層次圖，如圖9所示。其中，對(duì)于PA、θw、DZ和a，深色塊分別表示增大、左轉(zhuǎn)、車輛右偏和增大，淺色塊分別表示減小、右轉(zhuǎn)、車輛左偏和增大。由圖9可知，在整個(gè)超車過程中，離合踏板位置、制動(dòng)踏板位置、行駛擋位這三個(gè)操縱數(shù)據(jù)沒有動(dòng)作節(jié)點(diǎn)生成。原始數(shù)據(jù)中，這三個(gè)操縱動(dòng)作數(shù)據(jù)也沒有發(fā)生變化，因此這三種操縱數(shù)據(jù)的節(jié)點(diǎn)生成情況與實(shí)際相符合。

圖9　超車行為操縱模式層次圖

(1)399～400 s，加速度增大，但此時(shí)油門并沒有增大，因此加速度是從負(fù)值增大至0，這表明駕駛?cè)嗽诔嚀Q道之前為控制與前車的安全距離而執(zhí)行的減速駕駛。

(2)400～402 s，油門增大，加速度增大，前輪左轉(zhuǎn)后回正，緊接著油門有減小趨勢，這表明駕駛?cè)苏龍?zhí)行超車換道行為，并完成了超車超越階段。

(3)402～403 s，加速度減小，前輪右轉(zhuǎn)后回正，這表明駕駛?cè)苏M(jìn)行超車并道，并完成了并道階段。

將超車行為操縱模式層次圖與原始操縱數(shù)據(jù)進(jìn)行比較可知，上述駕駛行為操縱模式建模方法可準(zhǔn)確地將駕駛?cè)笋{駛操縱動(dòng)作的變化節(jié)點(diǎn)截取出來，體現(xiàn)了駕駛?cè)笋{駛的個(gè)體特性。

3.3超車行為操縱模式圖

由圖9可知各個(gè)駕駛操縱動(dòng)作節(jié)點(diǎn)的生成時(shí)刻并不一致，但彼此之間的差別較小，有些差別是由干擾因素所致并不是駕駛?cè)笋{駛意圖的體現(xiàn)。因此對(duì)于時(shí)間差別較小的節(jié)點(diǎn)可進(jìn)行合并，選取合并時(shí)間閾值Td為0.5 s[10]，由圖9得到合并后的超車行為操縱模式圖，如圖10所示。

圖10　超車行為操縱模式圖

由圖10知，該駕駛?cè)松絽^(qū)高速公路超車行為的操縱模式序列為：a→(θw,PA)→(DZ,θw)→PA→(a,DZ,θw)。從圖10中可看出超車行為中，駕駛?cè)说鸟{駛操縱動(dòng)作并不都是按照時(shí)間的先后順序完成的，而是根據(jù)駕駛?cè)笋{駛的個(gè)體特性和車輛運(yùn)行狀態(tài)，以串行、并行或混合執(zhí)行的方式完成的。通過對(duì)駕駛?cè)笋{駛行為操縱模式的建模并獲取駕駛?cè)舜罅康鸟{駛行為操縱模式序列后，對(duì)其進(jìn)行分析，則可利用概率統(tǒng)計(jì)的方法估算駕駛?cè)嗽谙鄳?yīng)駕駛行為中具體會(huì)執(zhí)行哪種操縱動(dòng)作的概率，進(jìn)而為DSAS系統(tǒng)對(duì)駕駛?cè)说妮o助控制策略提供理論依據(jù)。

4　結(jié)論

根據(jù)駕駛?cè)嗽趫?zhí)行同一駕駛行為時(shí)，其駕駛操縱動(dòng)作具有一定時(shí)序性、內(nèi)聚性的機(jī)理，在利用數(shù)據(jù)/機(jī)理混合的方法對(duì)駕駛?cè)笋{駛的個(gè)體特性進(jìn)行分析的基礎(chǔ)上，提出了基于有向圖的個(gè)性化駕駛行為操縱模式建模方法。數(shù)據(jù)測試結(jié)果表明，該建模方法準(zhǔn)確反映了駕駛?cè)嗽谏絽^(qū)高速公路的超車行為，有效體現(xiàn)了駕駛?cè)笋{駛的個(gè)體特性。下一步，課題組將用本文提出的個(gè)性化駕駛行為操縱模式建模方法對(duì)轉(zhuǎn)彎、換道等駕駛行為的操縱模式進(jìn)行建模，為DSAS能自動(dòng)完成對(duì)駕駛?cè)笋{駛個(gè)體特性的學(xué)習(xí)，并采取個(gè)性化和智能化的輔助控制策略等關(guān)鍵技術(shù)提供解決方法。

[1]SathyanarayanaA，BoyrazP，HansenJHL.DriverBehaviorAnalysisandRouteRecognitionbyHiddenMarkovModels[C]//InternationalConferenceonvehicularElectronicsandSafety.Columbus：IEEE，2008：130-135.

[2]李紅志，李亮，宋健，等.預(yù)瞄時(shí)間自適應(yīng)的最優(yōu)預(yù)瞄駕駛員模型[J].機(jī)械工程學(xué)報(bào)，2010，46 (20)：106-111.

Li Hongzhi，Li Liang，Song Jian，et al. Optimal Preview Control Driver Model with Adaptive Preview Time[J]. Journal of Mechanical Engineering，2010，46(20)：106-111.

[3]宗長富，林娜，張澤星，等.線控汽車駕駛員特性辨識(shí)算法的研究[J].汽車工程，2014，36(9)：1140-1144.

Zhong Changfu，Lin Na，Zhang Zexing，et al. A Study on the Identification Algorithm of Driver Characteristics for X-by-wire Vehicles[J].Automotive Engineering，2014，36(9)：1140-1144.

[4]任夏楠，鄧兆祥.駕駛員理想轉(zhuǎn)向盤力矩特性研究[J].中國機(jī)械工程，2014，25(16)：2261-2265.Ren Xianan，Deng Zhaoxiang.Research on Ideal Steering Wheel Effort Characteristics of Driver[J].China Mechanical Engineering，2014，25(16)：2261-2265.

[5]邊明遠(yuǎn).考慮駕駛員個(gè)體特性的汽車安全行駛間距模型[J].中國機(jī)械工程，2010，21(12)：1502-1506.

Bian Mingyuan.A Modified Vehicle Safety Distance Model Adapting to Driver Individual Characteristics[J].China Mechanical Engineering，2010，21(12)：1502-1506.

[6]Yamada K，Mitani T.Estimating Driver Awareness of Crossing Pedestrians While Turning Left Based on Vehicle Behavior Using Bayesian Approach [C]//International Conference on Pattern Recognition.Stockholm，2014：1898-1903.

[7]Bueno M，F(xiàn)abrigoule C，Ndiaye D，et al. Behavioral Adaptation and Effectiveness of a Forward Collision Warn-ing System Depending on a Secondary Cognitive Task[J].IEEE Transportation Research Part F：Traffic Psychology and Behavior，2014，24，158-168.

[8]張磊.基于駕駛員特性自學(xué)習(xí)方法的車輛縱向輔助系統(tǒng)[D].北京：清華大學(xué)，2009.

[9]付夢印，鄧志紅，閆莉萍.Kalman濾波理論及其在導(dǎo)航系統(tǒng)中的應(yīng)用[M].2版.北京：科學(xué)出版社，2010.

[10]肖獻(xiàn)強(qiáng)，任春燕.個(gè)性化駕駛?cè)笋{駛行為操縱模式建模方法[J].中國科技論文，2014，9(11)：1292-1295.

Xiao xianqiang，Ren chunyan.Modeling Method of Individual Driver’s Driving Behavior[J].China Science Paper，2014，9(11)：1292-1295.

(編輯盧湘帆)

Driving Behavior Operation Pattern Modeling Method Based on Individual Characteristics

Xiao XianqiangYin YanjieWang Jiaen

Hefei University of Technology,Hefei，230009

In order to study the method of the driving behavior operation pattern modeling which might reflect the individual characteristics of driver， the driving operation data of drivers using the automobile driving simulator were collected and the raw data was preprocessed by means of Kalman filter. Then, a method of individual driving behavior operation modeling was put forward based on the directed digraphs by analyzing the operation data of drivers with a method of combining the data and mechanism. The method was tested with the data of overtaking behavior on mountain highway. The results show that the driving behavior operation pattern modeled with the method may effectively reflect the individual characteristics of drivers and may provide technical supports to solve the problems of the driving operation pattern modeling for the individual and intellectual driving safety assistance systems.

driving behavior； operation pattern modeling；Kalman filter；safety assistance system

2015-11-12

高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金資助項(xiàng)目(20130111120023)

U461

10.3969/j.issn.1004-132X.2016.19.021

肖獻(xiàn)強(qiáng)，男，1978年生。合肥工業(yè)大學(xué)機(jī)械工程學(xué)院副教授。主要研究方向?yàn)槠囍鲃?dòng)安全、駕駛行為建模與分析。發(fā)表論文10余篇。殷延杰，男，1991年生。合肥工業(yè)大學(xué)機(jī)械工程學(xué)院碩士研究生。王家恩，男，1984年生。合肥工業(yè)大學(xué)機(jī)械工程學(xué)院講師。