大交通流的紅綠燈十字路口駕駛行為預(yù)測研究

0 引言

隨著國民經(jīng)濟(jì)的日益發(fā)展，汽車保有量呈現(xiàn)持續(xù)增長的態(tài)勢，圖1為近5年汽車保有量。與此同時，交通狀況日益繁雜。在我國，十字路口發(fā)生的交通事故不容小覷，據(jù)2011年11月6日的哈爾濱日報報導(dǎo)，該市在2011年上半年由于駕駛不注意造成交通事故141起，占總數(shù)的32.71%，而其中在十字路口引發(fā)的交通事故又占八成左右[1]。雖然共識認(rèn)為交通事故有三個不同的因素：人為因素、車輛因素和外部因素（包括道路條件）。但人為因素影響最大—全球范圍內(nèi)的數(shù)字證實了這一說法[2]。針對當(dāng)前十字路口交通事故頻發(fā)的狀況，本文擬探索大交通流量時穿越紅綠燈十字路口的眼動指標(biāo)與駕駛行為之間的潛在關(guān)系，從而對交通行為進(jìn)行預(yù)警。然而實際道路狀況存在不確定性，等待大交通流時穿越紅綠燈十字路口存在僥幸和很大的安全隱患。為了保證在安全便利的同時獲取可靠的實驗數(shù)據(jù)，本次實驗選擇室內(nèi)模擬駕駛——場景設(shè)置為具有紅綠黃變色信號燈的大交通流的十字路口。

早在20世紀(jì)80年代，以戴姆勒奔馳（Daimler-Benz） 和瑞典國家公路和運輸研究所（Swedish National Road and Transportation Research Institute，VTI）為代表的機構(gòu)已經(jīng)開始研發(fā)模擬駕駛仿真系統(tǒng)。而國內(nèi)對模擬駕駛的研究則是最近幾年才興起，主要集中于高校研究領(lǐng)域，例如清華大學(xué)、昆明理工大學(xué)、吉林大學(xué)等高等院校都研發(fā)了模擬駕駛仿真儀器[3]。雖然模擬駕駛具有便利、安全的優(yōu)勢，但與實際駕駛在真實性方面的差異是不容忽視的。對此，樊玉杰選擇駕駛經(jīng)驗豐富與不豐富的駕駛員虛擬駕駛。試驗數(shù)據(jù)結(jié)果表明，虛擬駕駛試驗和實際道路駕駛試驗中駕駛員的眼動變化規(guī)律類似[4]?；诖?，認(rèn)為將模擬駕駛應(yīng)用于道路駕駛方面是可行的，虛擬仿真中的眼動特征可以表征實際駕駛中的眼動規(guī)律。

圖1 民用汽車擁有量

1 研究內(nèi)容與技術(shù)路線

本文希望通過研究紅綠燈十字路口每種駕駛行為發(fā)生之前的眼動特征來預(yù)測駕駛行為的種類，從而起到行為預(yù)警的作用。

1.1 研究內(nèi)容

1.1.1 大交通流狀態(tài)的界定

延遲是表示交叉口擁堵程度的重要指標(biāo)，定義交通延遲率來表征延遲程度。過去研究表明交通量的增多會使駕駛者的負(fù)面情緒增多，選擇80%的受試者產(chǎn)生煩躁以上負(fù)面情緒的交通延遲系數(shù)及90%以上存在此交通延遲系數(shù)的模擬場景為大交通狀態(tài)。

1.1.2 駕駛者眼動指標(biāo)的選擇

眼動行為包括注視、眼跳和平滑尾隨跟蹤，細(xì)分有很多眼動特征，在本次試驗中選擇反應(yīng)外在環(huán)境的興趣區(qū)域累積注視時間百分比以及反應(yīng)心理的眨眼頻率。

1.1.3 篩選表征行為決策的指標(biāo)

對所選取的眼動指標(biāo)采用統(tǒng)計學(xué)方法初步探究，選取可以表征駕駛行為的眼動指標(biāo)。

1.1.4 大交通流的紅綠燈十字路口FCA模型

采用所選取的眼動指標(biāo)指標(biāo)作為輸入變量，相對應(yīng)之后的駕駛行為作為輸出變量，運用BP神經(jīng)網(wǎng)絡(luò)模型，構(gòu)建預(yù)測其紅綠燈十字路口駕駛行為的FCA模型，從而起到預(yù)警作用。

1.2 研究技術(shù)路線

本文主要的研究方法采用“模擬駕駛實驗獲取數(shù)據(jù)——SPSS數(shù)據(jù)分析——構(gòu)建模型”的技術(shù)路線。運用統(tǒng)計學(xué)方法探尋駕駛行為與所選眼動指標(biāo)的內(nèi)在聯(lián)系，進(jìn)而構(gòu)建能夠預(yù)測駕駛行為的FCA模型。本文的技術(shù)思路流程如圖2所示：

2 大交通流狀態(tài)的界定

我國公安部2002年公布的《城市交通管理評價指標(biāo)體系》中規(guī)定，采用城市主干路機動車的平均行程速度來描述其交通擁擠程度[5]。

（1） 暢通：城市主干路上機動車的平均形成速度不低于30km/h。

（2）輕度擁擠：城市主干路上機動車的平均形成速度低于30km/h，但高于20/km。

（3）擁擠：城市主干路上機動車的平均形成速度低于20km/h，但高于10km/h。

（4）嚴(yán)重?fù)頂D：城市主干路上機動車的平均形成速度低于10km/h。

在衡量十字交叉路口交通流的指標(biāo)中，遲滯是一個重要的度量，它包括以下兩個指標(biāo)：（1）tc為以正常速度完成行程所需要的時間；（2）t為實際完成行程所花費的時間[6]。

圖2 技術(shù)思路流程圖

定義交通延遲系數(shù)：d=t/tc,r在這里表示延遲率。將受試者的主觀感受分為良好、輕松、一般、煩躁、憤怒五個級別，選擇不同的交通流測試并記錄受試者的主觀感受。在本實驗中，選擇80%以上的受試者都會產(chǎn)生煩躁和憤怒的狀態(tài)作為大交通流狀態(tài)。統(tǒng)計延遲系數(shù)為1～1.5、1.6～2，r＞2時各種心理狀態(tài)的人數(shù)，當(dāng)交通延遲系數(shù)＞2時，符合大交通流的心理狀態(tài)。尋找相應(yīng)模擬駕駛場景，當(dāng)交通流設(shè)置為90%時，紅綠燈十字路口90%以上的情景會出現(xiàn)交通延遲系數(shù)＞2的情況。因此，本實驗選擇白天、清除、新城區(qū)狀態(tài)下90%的交通流，圖3是交通狀態(tài)情景選擇的界面。

圖3 交通狀態(tài)設(shè)置圖

在該實驗狀態(tài)下，接近紅路燈十字路口的自由流區(qū)域穩(wěn)定速度為25～30km/h，而在擁堵的紅路燈十字路口路段平均速度為10～15km/h乃至更低，交通狀態(tài)符合我國擁擠程度指標(biāo)中的擁擠級別。計算通過紅路燈十字路口的時間和速度，求得這次仿真模擬中所選擇的紅路燈十字路口的長度的平均值為550m左右。

3 表征駕駛行為的視覺指標(biāo)選取

3.1 眨眼頻率

眨眼頻率可以反映人的情緒狀態(tài)[7]。通過觀測視頻中相應(yīng)的時間節(jié)點和smart eye眼動儀中的輸出數(shù)據(jù)，可以獲得一定時間段內(nèi)的眨眼次數(shù)，運用眨眼次數(shù)/時間就能求得眨眼頻率。

3.2 興趣區(qū)域（AOIs） 累積注視時間

興趣區(qū)域（Areas of Interest,AOIs）有助于研究人員分析一個視覺場景的各個部分，為了衡量視覺分布的特征，在這里選擇累積注視時間百分比作為衡量的指標(biāo)。它可以通過軌跡圖來獲得量化的數(shù)據(jù)，通過回放gazetrack軟件的視頻來獲取累積注視時間。如圖4所示分別為一次次駕駛?cè)蝿?wù)中的軌跡圖和熱點圖。

在模擬駕駛的實驗中，注視點主要集中在中央主視區(qū)近距離，左前方和右前方，其他區(qū)域只是零散地收集到了一些點。這可能是由于駕駛員將更多的注意力放在了左右側(cè)車輛以及十字路口的路段上。因此，在本文中，選擇中央主視區(qū)、左方視區(qū)和右方視區(qū)為AOIs，分別用數(shù)字區(qū)域0、1、2來表示。本實驗的興趣區(qū)域分布如圖5所示。

圖4 軌跡圖和熱點圖

圖5 本實驗興趣區(qū)域分布圖

4 實驗設(shè)計

（1）實驗人員：30名具有C1駕照的本科生和研究生，具有1年以上駕齡，矯正視力均為1.0左右，均為右利手，無任何身心疾病，實驗狀態(tài)保證清醒。

（2）實驗設(shè)備：19寸臺式電腦，裝有smart eye pro5.9眼動儀，gazetrack軟件；模擬駕駛器和行車駕駛模擬軟件；超級捕快軟件，用于錄屏。

（3）實驗環(huán)境控制：室溫通過空調(diào)控制在25℃左右；下午在朝東窗口實驗，從而避免陽光炫目；實驗場景選擇90%交通流的新城區(qū)。

（4）實驗的步驟如圖6所示。

以下是校準(zhǔn)過程中獲得的GazeDirectionQ圖，觀察圖7可知，質(zhì)量大多數(shù)在0.5以上，有的甚至達(dá)到了0.8，可以認(rèn)為攝像機正確跟蹤到了視線的位置，眼動跟蹤精確。

5 基于駕駛行為的眼動數(shù)據(jù)初步分析

5.1 決策反應(yīng)時間

駕駛行為分類如表1所示，在紅綠燈十字路口行駛的過程中，由于受對面左轉(zhuǎn)彎車輛的影響，基本上不會發(fā)生左繞行為，會產(chǎn)生如1、2、3、4這4種駕駛行為。

圖6 紅綠燈十字路口的眼動特征研究流程

分析統(tǒng)計的實驗數(shù)據(jù)，發(fā)現(xiàn)眼動數(shù)據(jù)特征在某種駕駛行為發(fā)生前一小段時間會發(fā)生變化，把這一段時間定義為駕駛行為決策的反應(yīng)時間。這段時間的眼動特征具有預(yù)測意義，可以用來預(yù)測下一步駕駛行為。觀察統(tǒng)計的決策反應(yīng)時間，發(fā)現(xiàn)決策反應(yīng)時間主要集中2s～5s之間，計算這段時間的平均值如表2所示，決策反應(yīng)時間的平均值為3.3s，四舍五入取3s，表2為在SPSS中描述平均值的界面。

圖7 GazeDirectionQ圖

表1 駕駛行為分類表

表2 決策反應(yīng)時間平均值

在本次實驗中，用fixation_time_c0表示中央主視區(qū)的累計注視時間，fixation_time_c1表示左前方視區(qū)的累積注視時間，fixation_time_c2表示右方視區(qū)的累積注視時間，bllink_frequency表示眨眼頻率，取95%的置信區(qū)間剔除異常數(shù)值。

5.2 眼動指標(biāo)篩選——多獨立樣本的K-W非參數(shù)檢驗

K-W檢驗是Kruskal-Waillis檢驗的縮寫，是一種推廣的平均秩檢驗。原假設(shè)為：樣本來自的多個獨立樣本總體的分布無顯著差異。

其基本方法是：

（1）將多組樣本混合按升序排列，求出每個觀察值的秩。

（2）對多組樣本的秩分別求平均值。

判斷方法：如果各族樣本的平均秩基本相等，則可以認(rèn)為多個獨立樣本的分布沒有顯著差異。如果各樣本的平均秩相差很大，則不認(rèn)為多個獨立樣本的分布無顯著差異[8]。計算公式如下：

式中：k表示樣本數(shù)，ni表示第i組樣本的觀察值個數(shù)。

按照駕駛行為對各個區(qū)域的注視累積時間指標(biāo)進(jìn)行顯著性檢驗，運用SPSS進(jìn)行統(tǒng)計，結(jié)果如表3所示：

表3 K-W檢驗的顯著性分析表檢驗統(tǒng)計a,b

三個區(qū)域的卡方統(tǒng)計量分別為27.141、25.970、21.609，相伴概率都為0，小于顯著性水平0.01，因此拒絕原假設(shè)，認(rèn)為三個分布區(qū)域的累積注視時間百分比在4種駕駛行為上存在差異；眨眼頻率的非參數(shù)檢驗的顯著性水平為0.162＞0.01，接受原假設(shè)，即眨眼頻率在不同駕駛行為之間不存在顯著性差異，無法作為預(yù)測駕駛行為的指標(biāo)。

5.3 基于BP神經(jīng)網(wǎng)絡(luò)的FCA預(yù)測模型

BP神經(jīng)網(wǎng)絡(luò)由Rumelhard和McClelland于1986年提出，是一種典型的多層前向神經(jīng)網(wǎng)絡(luò)，具有一個輸入層、數(shù)個隱含層和一個輸出層，層與層之間采用全連接的方式，相同層之間不存在相互連接，理論上已經(jīng)證明，具有一個隱含層的3層網(wǎng)絡(luò)可以逼近任意非線性函數(shù)。本研究中所用的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖8所示。

在三層感知中，輸入向量為X=（X1,X2,…,Xn）T，隱層輸出向量為Y=（y1,y2,…,ym）T；輸出層輸出向量為O=（O1,O2,…,Ol）T，期望輸出向量為d=（d1,d2,…,dl）T，輸入層到隱含層之間的權(quán)值為V=（v1,v2,…,vm），其中列向量vj為隱含層第j個神經(jīng)元對應(yīng)的權(quán)向量；隱含層到輸出層的權(quán)值矩陣w=（w1,w2,…,wl），wk表示輸出層第k個神經(jīng)元對應(yīng)的權(quán)向量[9]。

隱含層公式如下：

圖8 BP神經(jīng)網(wǎng)絡(luò)映射圖

輸出層公式如下：

在本次研究中，n取3，表示輸入層有3個神經(jīng)元，分別代表3個注視興趣區(qū)域的累積注視時間百分比，O取1，表示駕駛行為這一指標(biāo)。

訓(xùn)練輸入數(shù)據(jù)為30組各興趣區(qū)域的累積注視時間百分比，訓(xùn)練輸出數(shù)據(jù)為對應(yīng)的駕駛行為；為了驗證模型的準(zhǔn)確性，另外進(jìn)行了10次試驗，以這10次實驗的AOI0，AOI1，AOI2的累積注視時間百分比作為測試輸入數(shù)據(jù)，相對應(yīng)的駕駛行為作為測試輸出數(shù)據(jù)。依據(jù)這次實驗的輸入數(shù)據(jù)累積注視時間百分比（commulative fixation time percentage）和輸出數(shù)據(jù)（driving action）的字母，定義該模型為FTD模型，仿真結(jié)果如圖9所示：

圖10為測試輸出的結(jié)果：

圖9 BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差輸出圖

圖10 command命令框結(jié)果輸出圖

通過對仿真最終結(jié)果進(jìn)行統(tǒng)計，計算各類駕駛行為的預(yù)測準(zhǔn)確率如表4所示：

表4 駕駛行為預(yù)測準(zhǔn)確率

以上是運用matlab進(jìn)行分析的結(jié)果，act表示測試的駕駛行為，errosum表示在所預(yù)測的10個駕駛行為數(shù)據(jù)集中出錯的個數(shù)，根據(jù)圖10可知，只有一個出錯，錯誤率為10%，正確預(yù)測的效率為90%。這一仿真結(jié)果說明在模擬駕駛過程中，不同的駕駛行為發(fā)生前在各興趣區(qū)域的累積注視時間是存在特征差異的，可以憑此對駕駛行為預(yù)測并對每種駕駛行為可能存在的危險進(jìn)行預(yù)先提醒，防范風(fēng)險。

值得注意的是，由于電腦配置與內(nèi)存的問題，這次仿真的時間超過了駕駛員的決策反應(yīng)時間，但是在科技與信息技術(shù)如此發(fā)達(dá)的今天，運用高配置的專業(yè)儀器，實現(xiàn)數(shù)據(jù)的實時分析是可實現(xiàn)的，運用算法模型來預(yù)測駕駛員行為相信在未來是可行的。

6 總結(jié)與展望

6.1 總結(jié)

本文以大交通流的紅綠燈十字路口為模擬場景，通過K-W非參數(shù)檢驗篩選出各興趣區(qū)域累積注視時間百分比作為預(yù)測駕駛行為的指標(biāo)?；诖私⒈碚黢{駛員行為的算法模型——FTD模型，該模型以90%的正確率通過驗證。說明利用眼動特征預(yù)測駕駛行為是可行的。

6.2 不足與展望

由于軟硬件方面的限制，本次研究預(yù)測駕駛行為的仿真時間超出了決策反應(yīng)時間，希望在行車駕駛領(lǐng)域能夠以更先進(jìn)的軟硬件技術(shù)實現(xiàn)實時預(yù)測。在未來的智能交通領(lǐng)域，眼動+行為+面部表情的結(jié)合可以更加準(zhǔn)確地確定駕駛員的精神狀態(tài)。目前，荷蘭的Noldus公司已經(jīng)開發(fā)出了一款名為obveser的軟件，該軟件可以將眼動數(shù)據(jù)，駕駛行為數(shù)據(jù)，面部表情數(shù)據(jù)集中起來加工分析，實現(xiàn)駕駛規(guī)律的綜合分析，相信汽車人機工程的發(fā)展會為未來道路安全建設(shè)作出巨大貢獻(xiàn)。

參考文獻(xiàn)：

[1]趙琳.十字路口，“奪命”路口？[N].哈爾濱日報，2011-11-06(002).

[2]Katia M'bailara,Thierry Atzeni,Benjamin Contrand,et al.Emotional reactivity:Beware its involvement in traffic accidents[EB/OL].(2017-12-01)[2018-01-15].http://www.sciencedirect.com/science/article/pii/S016517811730584X.

[3]Tad T.Brunyé,Aaron L.Gardony.Eye tracking measures of uncertainty during perceptual decision making[J].International Journal of Psychophysiology,2017,120:60-68.

[4]王穎.基于人機交互仿真的駕駛次任務(wù)研究[D].北京：清華大學(xué)（博士學(xué)位論文），2009.

[5]樊杰玉.道路交通安全駕駛行為的視覺生理特性研究[D].青島：青島理工大學(xué)（碩士學(xué)位論文），2014.

[6]賈利民，董宏輝，徐東偉.城市道路交通狀態(tài)感知、評價與服務(wù)[M].北京：人民交通出版社股份有限公司，2015:172.

[7]馮成志.眼動人機交互[M].蘇州：蘇州大學(xué)出版社，2010:30.

[8]余建英，何旭宏.數(shù)據(jù)統(tǒng)計分析與SPSS應(yīng)用[M].北京：人民郵電出版社，2003:333.

[9]陳雯柏.人工神經(jīng)網(wǎng)絡(luò)原理與實踐[M].西安：西安電子科技大學(xué)出版社，2016:44-45.