車路協(xié)同環(huán)境下駕駛員行為識別方法研究?

馬 雷，陳 珂，王明露，曲 瑞

(燕山大學(xué)車輛與能源學(xué)院，秦皇島 066004)

前言

人是交通系統(tǒng)的主體，而駕駛行為識別是智能交通和智能車輛決策的基礎(chǔ)，其準(zhǔn)確性將進(jìn)一步增強(qiáng)決策的可靠性。國內(nèi)外學(xué)者對駕駛行為識別進(jìn)行了較為深入的研究，駕駛員模型研究取得了很多成果。如:(1)基于人—車—環(huán)境閉環(huán)系統(tǒng)車輛操縱穩(wěn)定性的駕駛員模型，其主要運(yùn)用于人—車—環(huán)境這類封閉系統(tǒng)車輛穩(wěn)定性控制的分析和評估，及車輛主動安全操控和智能車輛研發(fā)[1-3]，該模型僅基于汽車穩(wěn)定行駛狀態(tài)建立，未考慮路況、車況影響，及汽車接近失穩(wěn)該臨界狀態(tài)下的駕駛行為特性；(2)基于智能交通系統(tǒng)的駕駛員行為模型，該模型表現(xiàn)了駕駛員在智能交通系統(tǒng)中對汽車的控制，跟馳和換道模型是該模型的主要模型[4-6]，其考慮了車輛密集程度、車道數(shù)、車輛模型等外部因素，但未考慮汽車動力學(xué)特性，不以汽車行駛穩(wěn)定性控制為目標(biāo)；(3)基于交通安全的駕駛員疲勞模型，該模型是反映駕駛員操縱關(guān)系與駕駛員疲勞狀況的模型[7]，但目前還未建立能夠清楚地表示出駕駛員疲勞狀態(tài)和其具體行為關(guān)系的駕駛員疲勞模型。

基于車路協(xié)同環(huán)境及駕駛模型的分析，提出了一種介于車輛操縱穩(wěn)定性和智能交通系統(tǒng)的駕駛員行為識別方法，該識別方法結(jié)合了兩者的優(yōu)點(diǎn)，更加符合人們對駕駛行為狀態(tài)的描述。本文中主要利用車路協(xié)同環(huán)境獲取道路上各行駛車輛的位置、速度等信息，但由于條件有限，選取微觀仿真軟件獲取道路上行駛車輛的位置、速度等信息，根據(jù)汽車動力學(xué)完成基本行駛參數(shù)到行駛狀態(tài)參數(shù)的轉(zhuǎn)化。具體識別過程為:首先運(yùn)用鄰域粗糙集來對樣本數(shù)據(jù)特征約簡；再將EEMD和樣本熵融合，完成特征提取及聚類特征向量構(gòu)建；然后運(yùn)用模糊聚類對駕駛員行為進(jìn)行分類識別；最后利用微觀交通軟件和UC-Win/Road駕駛模擬器仿真得到的樣本，采用最小平均貼近度擇近原則進(jìn)行檢測分析驗(yàn)證，并根據(jù)最大貼近度和次最大貼近度計(jì)算待測樣本屬于某類駕駛行為的隸屬度。實(shí)驗(yàn)證明該方法取得了良好的識別效果。

1 樣本獲取與識別特征初選

利用交通微觀仿真軟件建立城市和高速工況下的路網(wǎng)模型，仿真獲取本車及周邊車輛的速度、位置等信息，再結(jié)合汽車動力學(xué)獲得車輛動力學(xué)信息，為后續(xù)處理提供樣本數(shù)據(jù)。

1.1 樣本獲取

通過預(yù)設(shè)軟件中跟車和換道兩個駕駛員模塊參數(shù)來預(yù)先設(shè)置駕駛員行為。樣本獲取:首先，選擇合適的高速和城市交通區(qū)域，根據(jù)調(diào)查的交通路網(wǎng)實(shí)際運(yùn)行情況建立路網(wǎng)；然后，預(yù)先設(shè)置駕駛員行為，仿真獲取基本樣本。

駕駛員模塊參數(shù)設(shè)置:根據(jù)VISSIM用戶手冊和文獻(xiàn)[8]中跟車和換道模型中城市和高速模型各參數(shù)與駕駛行為的關(guān)系及文獻(xiàn)[9]中駕駛員反應(yīng)時(shí)間，分析得到跟車和換道模型中對駕駛員行為影響較大的參數(shù)，并將駕駛員行為分為良好、普通、危險(xiǎn)3類，分別用A，B，C表示。再結(jié)合正交實(shí)驗(yàn)法得到城市和高速駕駛員行為分類結(jié)果，具體結(jié)果見表1，其中bxadd和bxmult分別為城市跟車安全距離附加部分和安全距離倍數(shù)部分，CC1為高速跟車期望保持的車頭時(shí)距，amax1，amax2，a′max1和 a′max2分別為換道超車和被超車最大減速度和可接受最大減速度，d和b分別為換道最小車頭空距和協(xié)調(diào)制動最大減速度。

表1 跟車和換道模型組合下的駕駛行為分類

從表1中3類駕駛員行為各選取一組參數(shù)進(jìn)行仿真，得到各車輛在各路段各車道中各時(shí)間點(diǎn)的速度和車頭車尾世界坐標(biāo)系(Xf，Yf)，(Xr，Yr)。 文中后續(xù)均以該3類駕駛行為類別為準(zhǔn)。

1.2 識別特征初選

駕駛員行為用本車及本車周邊車輛位置和速度安全信息間接反映，某時(shí)刻本車與預(yù)換道車道周邊車輛狀態(tài)分析如圖1所示，其中若無換道則用與本車相鄰的任意一車道代替預(yù)換道車道。

根據(jù)圖1所示的本車與周邊車輛行駛狀態(tài)，初步選取各車輛本車與同車道前后鄰近車輛的相對縱向車間距、相對縱向車速(ΔS1，ΔV1，ΔS2，ΔV2)，本車與換道前換道車道前后鄰近車輛的相對縱向車間距、相對縱向車速(ΔS3，ΔV3，ΔS4，ΔV4)，本車與換道前換道車道前鄰近車輛的相對橫向車間距、相對橫向車速(ΔS5和ΔV5)，及各車輛的橫擺角速度和質(zhì)心側(cè)偏角12個參數(shù)作為判斷駕駛員行為狀態(tài)的特征參數(shù)，參數(shù)轉(zhuǎn)化如下。

圖1 周邊車輛行駛狀態(tài)示意圖

由2自由度汽車模型運(yùn)動[10]分析，可得車輛在大地坐標(biāo)系與車輛坐標(biāo)系下轉(zhuǎn)化公式:

式中:vx，vy分別為車輛在大地坐標(biāo)下的縱向速度和橫向速度，由車輛車頭車尾坐標(biāo)(Xf，Yf)，(Xr，Yr)得到；v，uc分別為汽車在車輛坐標(biāo)系下的橫向速度和縱向速度；γ為車輛的位置角。

由2自由度汽車模型運(yùn)動分析及實(shí)際運(yùn)動中側(cè)向加速度v·很小常常忽略，得汽車的質(zhì)心側(cè)偏角β和橫擺角速度ω分別為

式中:ay為汽車質(zhì)心絕對加速度在oy方向分量。

2 特征的屬性約簡與數(shù)據(jù)挖掘

為減少駕駛員行為特征值的冗余性，提高運(yùn)算速度及識別準(zhǔn)確性，在經(jīng)典粗糙集和傳統(tǒng)鄰域粗糙集基礎(chǔ)上，提出了一種改進(jìn)鄰域粗糙集算法，約簡得到對駕駛員行為影響較大的特征屬性。再利用EEMD和樣本熵相結(jié)合對樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，為聚類提供了數(shù)據(jù)來源。

2.1 基于改進(jìn)鄰域粗糙集的屬性約簡

采用基于改進(jìn)鄰域粗糙集屬性約簡算法是在經(jīng)典鄰域粗糙集前向貪心算法的基礎(chǔ)上，將原來的單一鄰域半徑改成了一個數(shù)組形式的鄰域半徑，然后以空集為起點(diǎn)，逐步向約簡集合添加新屬性并計(jì)算每次全部剩余屬性的重要度，將重要度大于設(shè)定重要度下限的屬性依次添加到約簡集合，通過反復(fù)迭代，直至最后剩余屬性重要度全部小于設(shè)定的重要度下限為止。

已知鄰域決策系統(tǒng)(U，C∪D)，其中 U＝{t1，t2，…，tn}，C，D分別為條件和決策屬性集合，?B∈C，?ti∈U，ti的 B 鄰域?yàn)?/p>

由于在改進(jìn)鄰域粗糙集的屬性約簡算法中，標(biāo)準(zhǔn)差是反映數(shù)據(jù)在平均值附近平均波動大小的特性，采用標(biāo)準(zhǔn)差作為鄰域半徑的選取標(biāo)準(zhǔn)，彌補(bǔ)了經(jīng)典鄰域粗糙集屬性約簡算法中各條件屬性鄰域半徑設(shè)定為同一單一值帶來的較大誤差[11]。其中，鄰域半徑計(jì)算公式為

式中:δ(ti)為條件屬性；ti為鄰域半徑；Std(ti)為所有樣本條件屬性ti全部數(shù)據(jù)的標(biāo)準(zhǔn)差；λ為鄰域半徑計(jì)算參數(shù)。

式(5)中，λ是控制鄰域半徑δ的關(guān)鍵參數(shù)。選取λ的范圍為[2，4][12]，0.1為步長，從2到4對λ進(jìn)行賦值。屬性約簡步驟:首先通過設(shè)置改進(jìn)的前向貪心鄰域粗糙集算法中λ值，不斷修正條件屬性的鄰域半徑，再將計(jì)算得到各λ值下的各條件屬性重要度與重要下限0.05和0.001比較，選取條件屬性重要度大于給定重要度下限作為屬性約簡后的條件屬性；然后再應(yīng)用分類精度較高的決策樹算法(C4.5)和分類性能較穩(wěn)定的樸素貝葉斯NB(Naive Bayesian)進(jìn)行分類，計(jì)算兩種分類器分類精度的平均值(AVG)；最后再根據(jù)分類精度和屬性約簡后的屬性個數(shù)，比較確定最佳λ參數(shù)值及最終約簡后的屬性。

在城市和高速公路工況選取各250個樣本，根據(jù)文中1.2部分設(shè)定條件屬性為12個，根據(jù)文中1.1部分決策類別為3種，分別為A，B和C。以城市為例，圖2和圖3為各λ參數(shù)在0.05和0.001重要度下限約簡前后兩種分類算法的平均分類精度和各屬性約簡個數(shù)結(jié)果。

圖2中1，3和4線分別為約簡后C4.5，AVG和NB，2線為約簡前 AVG。圖 3中 1線為 0.001和0.05約簡前，2線為0.001約簡后，3線為0.05約簡后。由圖2和圖3可見，當(dāng)λ＝[2.6，3]時(shí)，分類精度高，選取λ＝2.8和重要下限0.05時(shí)，分類精度的均值和剩余約簡屬性達(dá)到最優(yōu)，此時(shí)分類精度為86.8%，剩余6個屬性:本車與同車道前近鄰車相對縱向車間距、相對縱向車速，本車與換道前換道車道前近鄰車相對縱向車間距、相對縱向車速，及各自本車橫擺角速度和質(zhì)心側(cè)偏角。其中，λ＝2.8時(shí)得到各條件屬性的重要度如表2所示。由表2可見，0.05重要度下限下剩余6個屬性，上述約簡正確。類似地以相同方法約簡高速各樣本屬性最終得到相同剩余約簡屬性，不再論述。

圖2 0.05和0.001重要度下限的分類

圖3 0.05和0.001重要度下限下約簡前后的屬性個數(shù)

表2 城市道路λ＝2.8時(shí)各條件屬性重要度

2.2 基于EEMD和樣本熵的特征提取

EEMD是基于EMD在原始信號中加入高斯白噪聲產(chǎn)生的，其應(yīng)用白噪聲頻域頻率均勻分布及零均值特性，使信號分解既保留了EMD的優(yōu)點(diǎn)且抑制了EMD的模式混淆現(xiàn)象，使原始信號分解精度有效提高[13-14]。EEMD具體算法如下:

(1)確定平均運(yùn)算次數(shù)M與將要加入的高斯白噪聲的幅值，將白噪聲加入原始信號x(t)，得到新信號xi(t)，其中i為添加白噪聲次數(shù)；

(2)將xi(t)EMD分解，得到一組IMF分量；

(3)將上述IMF分量從x(t)中剔除，得到新信號。

重復(fù)以上步驟，直至得到x(t)所有分量為止，將得到的對應(yīng)IMF總體求均值，得到最終IMF和一個剩余殘余量rn(t)。

式中cij(t)為第i次加入白噪聲后，經(jīng)EEMD分解得到的第j個IMF分量。

根據(jù)EEMD算法，設(shè)定本次實(shí)驗(yàn)白噪聲幅值為0.1，運(yùn)算次數(shù)100，以城市3類駕駛員中一組橫擺角速度EEMD分解為例，結(jié)果如圖4所示。圖中各曲線表示各類駕駛行為下各自橫擺角速度信號分解得到的初始數(shù)據(jù)信號的固有模態(tài)函數(shù)(即IMF分量)。城市3類駕駛行為各特征相關(guān)系數(shù)與閾值見表3。

由表3可見，IMF1和IMF2相關(guān)系數(shù)相對其余IMF分量較大，則上述城市3類駕駛行為車輛的真實(shí)分量為IMF1和IMF2。采用上述相同方法，處理城市和高速中各樣本數(shù)據(jù)，得到大多數(shù)特征真實(shí)分量均在 IMF1～I(xiàn)MF2之間。因此，最終取 IMF1～I(xiàn)MF2作為所有特征的真實(shí)分量。

樣本熵是一種度量時(shí)間序列復(fù)雜度的方法，反映了原時(shí)間序列維數(shù)改變時(shí)產(chǎn)生新模式的概率及模式間自我相似度，具有良好的一致性和抗數(shù)據(jù)丟失能力。再將上述篩選出的各特征IMF真實(shí)分量的樣本熵值作為駕駛員行為識別特征向量，會相應(yīng)提高駕駛員行為識別準(zhǔn)確率。

時(shí)間序列{c(t)｜1≤t≤M}樣本熵算法如下:

(1)構(gòu)造m維矢量 c(k)＝[c(k)，c(k+1)，…c(k+m-1)]，(1≤k≤M-m+1)；

(2)計(jì)算c(k)和c(j)間對應(yīng)元素的最大值d[c(k)，c(j)]；

(3)計(jì)算小于給定相似容限r(nóng)的d[c(k)，c(j)]的數(shù)目與矢量總數(shù)M-m的比值的均值Bm(r)；

圖4 城市道路3類駕駛行為橫擺角速度EEMD分解

(4)將模式維數(shù)m加1，重復(fù)步驟(2)和步驟(3)得到Bm+1(r)。當(dāng)M有限時(shí)，可計(jì)算得到時(shí)間序列樣本熵SampEn(m，r，M)的估計(jì)值。

參數(shù)m和r影響樣本熵的計(jì)算精度，經(jīng)分析，選取m＝2，r＝0.1ε(ε為原始數(shù)據(jù)的標(biāo)準(zhǔn)差)時(shí)，樣本熵統(tǒng)計(jì)特性相對較理想。以城市道路3類駕駛行為為例，根據(jù)上述EEMD分解、特征篩選和樣本熵計(jì)算，部分樣本熵如表4所示，并將計(jì)算所得樣本熵值構(gòu)成特征向量作為聚類的數(shù)據(jù)來源。

表3 城市3類駕駛行為各特征相關(guān)系數(shù)與閾值

3 基于GG聚類駕駛行為識別驗(yàn)證

3.1 GG聚類不同駕駛行為實(shí)驗(yàn)分析

基于GG聚類優(yōu)點(diǎn):它是基于數(shù)學(xué)統(tǒng)計(jì)的模糊估計(jì)聚類法；GG聚類曲線呈不規(guī)則形，擴(kuò)張了其應(yīng)用范圍，對大小、密度、形狀均不同的樣本集合也可實(shí)施聚類分析。因此選GG聚類運(yùn)用于駕駛員行為識別[15]，GG聚類算法如下。

假設(shè)聚類樣本集合 X＝{x1，x2，…，xn}，對任意樣本xi(0≤i≤n)均有 s個特性指標(biāo)，即:xi＝{xi1，xi2，…，xis}，現(xiàn)將該集合劃分為 c類(2≤c≤n)；設(shè)其隸屬度矩陣和聚類中心分別為 U＝[μjk]c×n和 V＝[v1，v2，K，vc]T，其中 μjk為第 k 個樣本元素對于第 j類的隸屬度且μjk∈[0，1]。該聚類原則是經(jīng)過多次迭代來調(diào)整(U，V)使目標(biāo)函數(shù)J(U，V)取最小，目標(biāo)函數(shù)為

表4 城市道路3類駕駛行為剩余屬性的樣本熵(部分)

式中:m為模糊指數(shù)，m的值越大各聚類重疊的越多，即劃分的越模糊，一般選取m＝2；Dij為引入模糊最大似然估計(jì)的距離測度。

GG聚類具體運(yùn)算步驟如下:

(1)設(shè)定聚類分類數(shù)目c，模糊指數(shù)m，初始化模糊劃分矩陣U；

(2)計(jì)算聚類中心vj，其中L為迭代次數(shù)

(3)引入模糊最大似然估計(jì)距離測度

式中:pj為聚類中第j類被選中的先驗(yàn)概率；Bj為聚類中第j類的協(xié)方差矩陣；Djk為引入模糊最大似然估計(jì)的距離測度。

(4)更新隸屬度矩陣U

至滿足‖U(L+1)-U(L)‖＜σ，(σ 為?正數(shù))，否則繼續(xù)迭代，重復(fù)(2)，至滿足更新終止條件。

應(yīng)用GG算法聚類，聚類數(shù)目c＝3，模糊指數(shù)m＝2，容差τ＝0.0001，將上述章節(jié)獲取的樣本熵看作GG聚類的輸入特征矩陣。選取1 250組樣本數(shù)據(jù)，運(yùn)行GG聚類不斷迭代更新聚類中心，得到聚類結(jié)果如圖5所示，其中“o”是樣本的聚類中心。

向量X根據(jù)同屬于一個類別駕駛行為的不同樣本數(shù)據(jù)享有相似性，經(jīng)GG聚類，其將會圍繞在同一個聚類中心附近。從圖5可以看出，城市和高速各形成3個聚類中心，其中各類中的樣本點(diǎn)分別緊湊地分布在各類聚類中心周圍，表明GG聚類算法達(dá)到了良好的聚類效果。

應(yīng)用分類系數(shù)法和平均模糊熵法檢驗(yàn)GG聚類效果，結(jié)果如表5所示。

表5 GG聚類效果檢驗(yàn)

依據(jù)原則:分類系數(shù)F的值越靠近于1，同時(shí)平均模糊熵H的值越靠近于0，則其聚類效果越好。所以由表5可知，GG聚類適合用于駕駛行為識別中，且效果較好。

3.2 不同類型駕駛行為識別

圖5 城市和高速下3種駕駛行為狀態(tài)GG聚類

選取20人次通過UC-Win/Road 3自由度駕駛模擬器模擬3類不同駕駛行為，獲取 20組待測樣本，其余待測樣本通過微觀仿真軟件仿真獲取，最終共獲得200組待測樣本。駕駛模擬器如圖6所示。將實(shí)驗(yàn)樣本經(jīng)過EEMD和樣本熵處理得到的數(shù)據(jù)作為待識別樣本，以GG聚類的聚類中心為標(biāo)準(zhǔn)樣本，標(biāo)準(zhǔn)樣本見表6和表7。

圖6 駕駛模擬器

表6 城市道路下標(biāo)準(zhǔn)樣本

表7 高速道路下標(biāo)準(zhǔn)樣本

對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，然后根據(jù)最小平均貼近度公式:

其中0≤Z(t)≤1

分別計(jì)算其和各自標(biāo)準(zhǔn)樣本最小平均貼近度，對樣本進(jìn)行診斷識別，根據(jù)最大貼近度原理上述200組樣本部分診斷結(jié)果如表8所示。

統(tǒng)計(jì)以上200個樣本識別結(jié)果，計(jì)算得到城市和高速駕駛員行為診斷正確率分別為92%和93%。且根據(jù)表9可知，出現(xiàn)分類錯誤的幾個樣本其最大貼近度與次貼近度大小相近，說明上述GG聚類分類器是可靠和有效的。圖7為3類駕駛員行為各樣本最大貼近度與次貼近度圖。其中橫坐標(biāo)取各類樣本總數(shù)間隔分之一。

如圖7(a)所示，次貼近度曲線代表A類樣本與B類樣本的貼近程度，圖中左側(cè)距離B類聚類中心較遠(yuǎn)，說明這些樣本駕駛行為更加良好，而右側(cè)靠近B類樣本中心，說明這些樣本駕駛行為逐步向B類靠攏；圖7(b)次貼近度曲線左右兩側(cè)分別于A類和C類的貼近程度；圖7(c)與圖7(a)情況相似。貼近度表征兩模糊子集間的相近程度，貼近度越趨近于1表明兩子集越接近。如表8中組號1和2兩個樣本，3個貼近度之和不相等，且不為一，其原因是聚類中心為12維，因此其分類邊界是復(fù)雜的，不能將最大貼近度作為該樣本屬于該類的隸屬度。根據(jù)式(14)可知，貼近度計(jì)算已對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，即實(shí)現(xiàn)對數(shù)據(jù)的歸一化，同時(shí)可以認(rèn)為1-δi表征到3個聚類中心距離。而駕駛員行為是漸進(jìn)變化的，因此設(shè)直線上有A，B和C 3點(diǎn)分別表示與3類貼近度為1的點(diǎn)，在直線上選取兩點(diǎn)m和n，分別屬于A和B兩類，如圖8所示。

圖8中Lij表示點(diǎn)i到j(luò)的距離。m點(diǎn)代表圖7(a)中左側(cè)樣本，與圖7(c)右側(cè)樣本類似；n點(diǎn)代表其它樣本。計(jì)算m和n點(diǎn)樣本隸屬度分布如式(15)～式(17)所示，圖9為樣本隸屬度計(jì)算結(jié)果。

表8 不同駕駛員行為類型診斷結(jié)果(部分)

圖7 各類樣本最大貼近度與次貼近度關(guān)系

圖8 隸屬度計(jì)算示意圖

圖9 樣本隸屬度圖

如圖9所示，A，B和C分別為3類的中心值，從分布上看基本與模糊控制中的三角形分布相類似。表8中組號3和4兩個樣本屬于A類的隸屬度分別為0.894和0.825。雖然組號3的隸屬度大于組號4，但是組號4的樣本位于A類中心的左側(cè)，而組號3位于A類中心的右側(cè)，說明其駕駛行為相對于樣本3更加良好，說明隸屬度更有利于對駕駛行為的評價(jià)。表9為分類誤判樣本的隸屬度。

表9 誤判樣本隸屬度表

根據(jù)表9可知，誤判樣本的隸屬度都在0.4和0.6之間，位于圖9中兩類隸屬度交叉處，說明即使在識別不準(zhǔn)確的情況下，隸屬度也基本可描述該樣本的駕駛行為。

4 結(jié)論

(1)給出基于本車車輛動力學(xué)信息與周邊車輛的位置、速度等信息的駕駛員行為評價(jià)方法。該方法是介于車輛操縱穩(wěn)定性與智能交通系統(tǒng)的駕駛員行為評價(jià)方法，結(jié)合了兩者的優(yōu)勢，更加符合實(shí)際人們對駕駛行為狀態(tài)的描述。

(2)運(yùn)用粗糙集理論實(shí)現(xiàn)對識別特征的屬性約簡，使識別特征屬性由12個約簡為6個，有效地避免了模式識別中的維數(shù)災(zāi)難問題，提高了方法的可用性。利用EEMD對約簡后特征進(jìn)行數(shù)據(jù)挖掘，可以從大量歷史數(shù)據(jù)中自動搜索隱藏于其中的特殊關(guān)系性，利于發(fā)現(xiàn)識別特征有益于模式識別的內(nèi)在屬性，提高識別的可靠性。

(3)采用GG聚類方法，應(yīng)用最小平均貼近度擇近原則實(shí)現(xiàn)了不同駕駛行為的識別。根據(jù)最大貼近度和次最大貼近度計(jì)算待測樣本屬于某類駕駛行為的隸屬度，即使在識別不準(zhǔn)確的情況下，該隸屬度也基本可描述樣本的駕駛行為。