車載信息融合交通因素的駕駛行為分析

周愛國，徐鵬宇，劉備

(同濟大學(xué)機械與能源工程學(xué)院，上海 201804)

0 引言

2017年中國機動車保有量已經(jīng)突破3.04億輛，如此龐大的基數(shù)下，以擴建道路方式緩解城市日益增長的交通壓力顯得杯水車薪，利用高科技系統(tǒng)工程智能化、人性化地解決道路交通問題的方法應(yīng)運而生。這種應(yīng)用電子技術(shù)、IT技術(shù)和自動控制理論等建立人、車、路之間聯(lián)系的方案被稱為智能交通系統(tǒng)(Intelligent Transportation System, ITS)，是一個高效、環(huán)保和舒適的綜合交通運輸體系[1]。駕駛行為分析作為ITS的末端環(huán)節(jié)，研究設(shè)計高效的駕駛行為分析方法能夠綜合評估駕駛行為給車輛和道路交通帶來的潛在危害以及如何有效預(yù)防交通事故[2]，推動ITS全面發(fā)展，從而以更低廉的成本實現(xiàn)城市道路交通的協(xié)調(diào)管理。

目前的駕駛行為分析方法主要分為兩種：一種從宏觀ITS視角分析車輛群體行為；另一種通過采集車載信息以分析駕駛員個體動作。Bielefeld University的HERMES與Daimler AG的WAHIERT研究提出了一種基于組合軌跡分類和粒子濾波器框架預(yù)測方法，能夠長時間預(yù)測車輛運動軌跡，實現(xiàn)在復(fù)雜城市道路中的追蹤和預(yù)測功能[3]。CAVENEY采用多傳感器信息融合的方式，將地圖導(dǎo)航與數(shù)學(xué)模型推演相結(jié)合，較為準(zhǔn)確地預(yù)測未來某時刻道路車輛的行駛軌跡[4]。Shibaura Institute of Technology的TAKEI等使用模擬駕駛設(shè)備采集駕駛過程中方向盤的轉(zhuǎn)角信號，后續(xù)信號處理組別分為傅里葉變換組和小波變換組，最終利用模糊理論判定小波變換法更能準(zhǔn)確反映駕駛員狀態(tài)[5]。武漢理工大學(xué)的毛喆博士就駕駛疲勞指標(biāo)進行深入探究，提出了7項疲勞指標(biāo)：轉(zhuǎn)向角小波分解的ca5尺度歸一化能量、轉(zhuǎn)向角小波熵、轉(zhuǎn)向角速度能量、轉(zhuǎn)向角速度標(biāo)準(zhǔn)差、車速標(biāo)準(zhǔn)差、加速度小波分解的cd1尺度歸一化能量和加速度熵，采用了時域分析、傅里葉頻譜分析以及基于haar小波分解的時頻分析3種方式，最終確認(rèn)主成分分析方法提取上述疲勞駕駛指標(biāo)最為有效，基于此設(shè)計了疲勞駕駛的人工神經(jīng)網(wǎng)絡(luò)算法[6]。

作者提出一種新的將車載信息與交通因素相融合的駕駛行為分析方法，通過OBD(On Board Diagnostics)接口從車輛ECU(Electronic Control Unit)中直接采集行駛數(shù)據(jù)，與百度地圖API(Application Programming Interface)中提供的地形信息與實時交通路況相結(jié)合，利用貝葉斯理論對用戶駕駛行為進行分析預(yù)測，并對融合結(jié)果進行了驗證。

1 車載信息采集與遠(yuǎn)程監(jiān)控系統(tǒng)設(shè)計

1.1 車載信息診斷儀設(shè)計

車載信息來源主要為車輛ECU，通過車身OBD端口向外界傳輸數(shù)據(jù)。在診斷儀的設(shè)計中，利用意法半導(dǎo)體公司STM32F103系列芯片為控制器，通過車內(nèi)CAN網(wǎng)和K線兩種方式連接車輛OBD接口，對OBD協(xié)議進行詳細(xì)解讀，實時獲取ECU中反饋的車輛運行信息。除了OBD協(xié)議提供的數(shù)據(jù)外，診斷儀上設(shè)計了加速度傳感器與陀螺儀模塊，能夠直接反映急剎車、急加速和急轉(zhuǎn)彎等緊急情況下的車身狀態(tài)。診斷儀的基本結(jié)構(gòu)如圖1所示。

圖1 診斷儀各模塊信息交互示意圖

1.2 遠(yuǎn)程監(jiān)控系統(tǒng)設(shè)計

診斷終端將車輛實時數(shù)據(jù)采集完畢后，需要發(fā)送給遠(yuǎn)程監(jiān)控系統(tǒng)以供查看、儲存和后續(xù)處理。遠(yuǎn)程監(jiān)控系統(tǒng)上不僅可以進行復(fù)雜的數(shù)據(jù)分析運算，還可以作為控制終端發(fā)送指令，更新診斷儀程序。具體而言，監(jiān)控系統(tǒng)主要由3個部分組成：本地服務(wù)器、遠(yuǎn)程服務(wù)器和客戶端，從數(shù)據(jù)流角度建立其功能框架如圖2所示。

圖2 遠(yuǎn)程監(jiān)控系統(tǒng)整體框架

本地服務(wù)器負(fù)責(zé)搜尋并連接局域網(wǎng)中所有在線的診斷儀，將它們發(fā)送的數(shù)據(jù)進行打包整合發(fā)送至遠(yuǎn)程服務(wù)器，同時也負(fù)責(zé)診斷儀程序升級；遠(yuǎn)程服務(wù)器負(fù)責(zé)將收到的不同診斷儀發(fā)來的信息分類并寫入到不同的文件中去，同時能夠根據(jù)客戶端的要求呈現(xiàn)指定車輛的信息；客戶端負(fù)責(zé)向遠(yuǎn)程服務(wù)器提出客戶要求，接收指定的車載信息。

2 百度地圖API功能開發(fā)

百度地圖API滿足了大眾對個性地圖和地圖相關(guān)交互應(yīng)用的期望，支持使用多平臺語言構(gòu)建個性化應(yīng)用程序。百度地圖API既包括數(shù)字地圖所需的GPS(Global Positioning System)功能，也為實時路況、附近搜索等高級服務(wù)開放了接口，程序員可以根據(jù)自己的應(yīng)用需求自主設(shè)計地圖服務(wù)平臺[7]。

百度地圖API功能開發(fā)實質(zhì)是設(shè)計滿足特定需求的GPS系統(tǒng)。表1歸納了百度地圖等通用地圖軟件的功能分類。目前需求僅限于初始定位、POI(Point of Interest)定位查詢和交通顯示與查詢?nèi)悺?/p>

百度地圖交通信息與查詢功能中包含了各種路況信息，結(jié)合駕駛行為分析的需求，提取了百度地圖導(dǎo)航常出現(xiàn)的三類實時交通路況提醒：

(1)交通警示：前方限速，闖紅燈拍照，交通違規(guī)拍照。

(2)特殊路段：(嚴(yán)重)擁堵路段，學(xué)校路段，事故多發(fā)路段，積水路段，橋面路段。

(3)地形類：十字(T形)交叉，左(右)急轉(zhuǎn)彎，繞環(huán)島，掉頭，反向(連續(xù))彎路，上(下)陡坡，長下坡，隧道，合并道。

表1 通用地圖軟件功能分類

3 車載數(shù)據(jù)與交通因素的融合模型

信息融合系統(tǒng)按照整體方案歸類可分為假設(shè)驗證型、模式識別型、濾波跟蹤型、模糊聚類型等。其中假設(shè)驗證型融合技術(shù)主要基于統(tǒng)計學(xué)觀點，以概率值評估某假設(shè)的可能性，應(yīng)用廣泛、結(jié)構(gòu)簡單、操作性強，因此選取假設(shè)驗證型模型進行擴展。

在假設(shè)驗證型融合技術(shù)的理論基礎(chǔ)上，考慮到車載診斷儀和百度地圖API的采樣特性，融合模型選取并行分布式檢測融合結(jié)構(gòu)。相對于集中式檢測結(jié)構(gòu)，分布式將單個傳感器信號的預(yù)處理和判定工作分配給了支線，并行結(jié)構(gòu)最大程度發(fā)揮了支線處理器的能力，能夠有效降低處理中心的負(fù)載。

圖3所示為并行結(jié)構(gòu)的分布式檢測融合模型，每一支路都經(jīng)歷了傳感器、信號預(yù)處理和結(jié)果判定流程，最終在融合判定中心將各路信息進行融合，得出全局結(jié)果。

圖3 并行分布式檢測融合模型

由于使用了車載診斷儀與百度地圖API兩大功能模塊，車載信息融合交通因素的駕駛行為分析方法可以簡化為基于兩路傳感器信號的信息融合系統(tǒng)，車載數(shù)據(jù)和交通數(shù)據(jù)都由獨立的處理環(huán)節(jié)在管理。如圖4所示，道路交通環(huán)境和車載數(shù)據(jù)作為兩路信號源，在融合中心進行整合后共同對駕駛行為做出一致性的描述。信號預(yù)處理過程已經(jīng)集成在車載ECU和交通信號獲取設(shè)備上，減小了系統(tǒng)的復(fù)雜度。

圖4 車載數(shù)據(jù)與交通信息融合模型

從融合處理層次的角度看，圖4的融合模型屬于特征級融合，既獲取了經(jīng)分析處理后的前端數(shù)據(jù)，又保證了數(shù)據(jù)量，這些都是信息鏈前端的車載ECU和交通信號獲取設(shè)備的功勞。從原理來看，這種將道路交通環(huán)境的“宏觀”信息與車載數(shù)據(jù)的“微觀”信息相結(jié)合的方式增加了系統(tǒng)信息來源維度，減少了目標(biāo)或事件的假設(shè)，從而提高了系統(tǒng)的可靠性。

4 基于貝葉斯理論的分析方法設(shè)計與驗證

多傳感器系統(tǒng)采用的融合算法眾多，如加權(quán)平均法、卡爾曼濾波法、多貝葉斯估計法、證據(jù)推理法、產(chǎn)生式規(guī)則、模糊邏輯和神經(jīng)網(wǎng)絡(luò)等，按照其原理被分為兩類——基于概率論和基于非概率論。在以概率論為基礎(chǔ)的算法中，貝葉斯理論是一種可以根據(jù)先驗概率，針對每個輸入條件估算出相應(yīng)各種輸出概率的方法，理論成熟，應(yīng)用廣泛，但是當(dāng)輸入信號種類太多且相互重疊而不完全獨立時，貝葉斯方法很難發(fā)揮作用。

文中提出的融合系統(tǒng)雖然采集的數(shù)據(jù)眾多，但只分為車載信息和交通信息兩大類，彼此近乎獨立，貝葉斯理論能夠得到有效的使用。可以參考大腦決策時將外界信息與先驗知識進行比對然后做出判斷的方式，利用先驗知識比對出觀測對象行為的后驗知識，這也是貝葉斯理論的精髓。基于貝葉斯理論的信息融合方法為車載信息與交通信息融合的駕駛行為的先驗概率和后驗概率計算提供了理論依據(jù)。

4.1 利用貝葉斯理論解決信息融合的原理

貝葉斯統(tǒng)計理論是從概率論的角度講述先驗知識和后驗知識的相關(guān)性。貝葉斯理論最開始在A、B兩個樣本空間里的事件上考慮，在給定B條件下，A發(fā)生的概率公式為

(1)

其中：P(AB)稱為A和B同時發(fā)生的聯(lián)合概率。

則邊際概率公式有

(2)

因此，基于兩個空間樣本的貝葉斯公式表達如下：

(3)

推而廣之，統(tǒng)計學(xué)上的貝葉斯理論可以定義如下：設(shè)存在一組隨機事件A1、A2、……、An，各事件相互獨立且有

(4)

又設(shè)B為某事件，則根據(jù)條件概率公式有

P(Ai)為先驗概率，P(Ai|B)為后驗概率。利用貝葉斯理論處理統(tǒng)計問題時，在利用樣本信息時也需要考慮先驗信息，所以先驗概率的構(gòu)造非常重要，常常需要大量的數(shù)據(jù)樣本得到概率模型。貝葉斯理論處理信息融合問題的步驟可以概括如下：

(1)將每個傳感器關(guān)于被觀測目標(biāo)的觀測轉(zhuǎn)換為目標(biāo)屬性的分類與說明D1、D2、……、Dm。

(2)計算以上目標(biāo)屬性的說明的不確定性，即P(Dj|Di)，其中j=1,2,……,m;i=1,2,……,n。

(3)計算目標(biāo)屬性的融合概率，即

P(Oi|D1,D2,……,Dm)=

(6)

特別指出，為得到較好的貝葉斯融合結(jié)果，積累豐富的先驗知識至關(guān)重要。

4.2 貝葉斯方法在駕駛行為分析中的應(yīng)用

通俗來說，先驗概率是指事件還未發(fā)生，求該事件在某種因素下發(fā)生的可能性。后驗概率是指事件已經(jīng)發(fā)生，求導(dǎo)致該事件發(fā)生的某種因素的概率。在文中的駕駛行為評價系統(tǒng)中，將車載信息作為一組隨機事件，即式(5)中的Ai，Ai可以代表超速、橫向角速度過大或急剎車等；將交通因素作為條件，即式(5)中的B，B可以是轉(zhuǎn)彎、擁堵或者交通信號燈等。將P(Ai)作為先驗概率，則此駕駛行為評價系統(tǒng)的概率表述有：

條件概率P(B|Ai)：在Ai交通路況下，發(fā)生B車輛行為的概率。

后驗概率P(Ai|B)：在發(fā)生B車輛行為時，由Ai交通路況造成的概率。

通過融合Ai和B兩種信息并計算其先驗概率和后驗概率可以做出預(yù)警和評價：

預(yù)警：在行駛到Ai交通路況時，發(fā)生B車輛行為的概率很大，則及時提醒。例如，在左急轉(zhuǎn)彎時橫擺率大的概率很大，則在左急轉(zhuǎn)彎處特別提醒減速。

評價：在B車輛行為發(fā)生時，處于Ai交通路況的可能性最大，則可以對該駕駛員的駕駛水平進行相應(yīng)評價。例如，當(dāng)發(fā)生急剎車的情況時，處在交通擁堵路況的概率最大，則可以評價該駕駛員擁堵跟車水平不高。

這種基于貝葉斯融合理論的方法實質(zhì)上是概率論內(nèi)容，關(guān)鍵是需要知曉先驗概率。確定先驗分布的方法很多，例如直方圖法、絕對似然法、貝葉斯假設(shè)、Jefferys方法等，文中設(shè)計的駕駛行為評價系統(tǒng)在駕車過程中不停地在采集車載信息和交通信息，樣本眾多，可以根據(jù)各數(shù)據(jù)出現(xiàn)頻次來代表其概率，這種方法簡單可行，數(shù)據(jù)來源于真實路段，避免了各種假設(shè)帶來的誤差。基于此，為了獲取可信的先驗概率值，有針對性地采集車載數(shù)據(jù)與交通信息格外重要。

4.3 車載數(shù)據(jù)的選取

首先，從診斷儀能夠采集的OBD數(shù)據(jù)中選取最能反映駕駛行為的重要數(shù)據(jù)：

(1)車速直接反映駕駛員是否按限速要求行駛。剎車信號不包含在OBD支持?jǐn)?shù)據(jù)中，屬于私有協(xié)議，所以只能以減速情況來間接表征剎車情況。

(2)發(fā)動機轉(zhuǎn)速作為發(fā)動機最重要的輸出參數(shù)之一，對于手動擋汽車而言，發(fā)動機轉(zhuǎn)速可以衡量駕駛員換擋時機選擇的優(yōu)劣；對于自動擋汽車(例如實驗用的別克君威)而言，車況良好情況下，發(fā)動機轉(zhuǎn)速僅用來判斷駕駛員是否有空踩油門的情況。

(3)節(jié)氣門開度即發(fā)動機的進油量，較油門踏板位置信息更能客觀反映駕駛員給油變化。油門控制不當(dāng)不僅體現(xiàn)在車速上，開度的急劇變化更多的是帶來燃油燃燒不充分，從而導(dǎo)致大氣污染和資源浪費。

(4)發(fā)動機負(fù)載率多用在爬坡時監(jiān)控發(fā)動機運行狀況，避免負(fù)載過大損害發(fā)動機。

圖5和圖6描述了一段時間內(nèi)，車輛運行時各重要數(shù)據(jù)之間的變化關(guān)系，為推斷駕駛行為提供了有效參考。

圖5 車速與節(jié)氣門開度的變化關(guān)系

其次，診斷儀加速度傳感器與陀螺儀的數(shù)據(jù)也屬于重要數(shù)據(jù)：

(1)三軸加速度。三軸加速度最能記錄突發(fā)事件的嚴(yán)重情況，通常只在事件發(fā)生時才采集數(shù)據(jù)?？v向加速度反映急加或減速情況，更多的是反映高速時急剎車的危險行為；橫向加速度反映高速急轉(zhuǎn)彎的危險行為；垂直加速度一般只會在路面顛簸時產(chǎn)生，所以能從側(cè)面反映路面情況。

(2)Z軸角速度。Z軸角速度反映車輛在轉(zhuǎn)彎和掉頭時的劇烈情況，從側(cè)面反映駕駛員猛打方向盤的情況。

最后，從OBD數(shù)據(jù)中提取輔助信息：

(1)環(huán)境空氣溫度。極端的環(huán)境溫度常常影響駕駛員的駕駛動作和駕駛情緒。

(2)故障碼。一旦出現(xiàn)故障碼應(yīng)立即警示，停車處理。

(3)引擎啟動后運行時間。以一次點火和一次熄火為一個行程，每次行程時間不得超過4 h。

(4)冷卻液溫度。冷卻液溫度過高和過低都將大大影響冷卻液性能，一旦出現(xiàn)問題應(yīng)立即警示。

(5)油液位置。油量過低時應(yīng)警示。

4.4 不同交通因素下采集的車載信息

結(jié)合百度地圖API中提供的實時交通路況信息，車載信息采集可以分為三類路況：交通警示類、特殊路段類與地形類。根據(jù)ITS的智能化特點，在不同路況下采集的車載數(shù)據(jù)也應(yīng)有所區(qū)別，包含輔助數(shù)據(jù)在內(nèi)的所有數(shù)據(jù)一旦出現(xiàn)異動都應(yīng)立刻警示和記錄。由此實現(xiàn)結(jié)合交通因素的車載數(shù)據(jù)對應(yīng)采集內(nèi)容可以總結(jié)為表2—表5。

表2 交通警示類路況

表3 特殊路段類路況

表4 地形類路況

表5 其他輔助信息

上述三類路況若同時發(fā)生，應(yīng)有優(yōu)先級區(qū)分。交通警示類路況由交通執(zhí)法部門發(fā)布，多由狀況頻發(fā)總結(jié)而來，最具參考意義，優(yōu)先級最高；特殊路段類路況是獨立于地形以外的特別警示，也屬于事故多發(fā)路段，優(yōu)先級次之；地形類路況在行駛過程中出現(xiàn)頻率最高，駕駛員應(yīng)對經(jīng)驗較為豐富，安全性較高，所以優(yōu)先級最低。

根據(jù)不同路況下的采集內(nèi)容，在一次測試過程中，將采樣數(shù)據(jù)進行分類整理后的結(jié)果如表6—表7所示。數(shù)據(jù)統(tǒng)計的結(jié)果可以真實地反映駕駛員操作過程中的不良習(xí)慣，如超速以及頻繁的變速變道行為，具有重要的參考價值。

表6 不同路況下的超速檢測

表7 行駛過程中的變速與轉(zhuǎn)彎檢測

4.5 分析方法實驗驗證

按照表2—表7的采集與分類方法，實地駕車實驗得到融合數(shù)據(jù)，結(jié)合百度地圖API中的GPS功能，可以繪制行駛路徑圖，經(jīng)整理后標(biāo)注得到如圖7和圖8的結(jié)果。圖7中道路相對平直，車速容易過快，且限速較多，故出現(xiàn)急加速、急減速和超速通過的情況。圖8中道路狹窄多彎，容易造成急轉(zhuǎn)彎的情況。

圖7 急加速、急剎車、超速情況

圖8 急轉(zhuǎn)彎情況

5 結(jié)論

針對車載信息和交通因素融合的駕駛行為分析方法做了大量工作。針對OBD數(shù)據(jù)采集設(shè)計了車載信息診斷儀，搭建了遠(yuǎn)程監(jiān)控平臺，同時創(chuàng)新地將百度地圖提供的路況信息與診斷儀采集的車載信息相結(jié)合，針對性地采集它們的融合樣本。利用貝葉斯理論對融合樣本進行分析歸納，根據(jù)先驗概率計算后驗概率，推測駕駛員行為。使用該方法的系統(tǒng)能夠在大量數(shù)據(jù)支持的情況下有針對性地評價某駕駛員行為習(xí)慣，及時對不良操作進行警示，較單一數(shù)據(jù)源的評價方法更能還原駕駛員意圖，在實驗中取得了預(yù)期的效果，具有良好的工程應(yīng)用價值。