基于ANP-SVR 的駕駛員能力預(yù)測(cè)模型設(shè)計(jì)

王時(shí)敏，孫濤

（200093 上海市 上海理工大學(xué) 機(jī)械工程學(xué)院）

0 引言

縱觀中國汽車行業(yè)，無人駕駛近年來正在成為其中的新興熱點(diǎn)[1]。世界范圍內(nèi)應(yīng)用最廣泛的SAE 分級(jí)標(biāo)準(zhǔn)將自動(dòng)駕駛分為0 到5 的等級(jí)。在完全或高度自動(dòng)駕駛汽車并未普及時(shí)，無人車上路行駛必將遇到人類駕駛的普通車輛，或低級(jí)別的有駕駛員監(jiān)測(cè)的人機(jī)共駕汽車。在道路交通中，由人的因素導(dǎo)致的道路交通事故占90%左右，而駕駛員因素占人的因素的大部分[2]。駕駛員特征的建模是一個(gè)更詳細(xì)的問題，引起了研究人員關(guān)注[3]。Enev[4]等利用了汽車傳感器數(shù)據(jù)識(shí)別駕駛員，但是沒有進(jìn)行分類或駕駛能力判斷。對(duì)于人機(jī)共駕以及駕駛員行為特性的方向需要深入的研究。開發(fā)人機(jī)交互式駕駛模擬仿真系統(tǒng)，可以為基于人車路協(xié)同的智能汽車與智能交通系統(tǒng)的研究提供關(guān)鍵技術(shù)手段。

本文針對(duì)駕駛員在高度無人駕駛中人機(jī)共駕的駕駛權(quán)分配問題，基于Prescan 智能駕駛仿真平臺(tái)，進(jìn)行駕駛場(chǎng)景搭建，設(shè)計(jì)了自由行駛、調(diào)頭、紅燈、跟車等駕駛工況，搭建了人機(jī)交互式的駕駛仿真系統(tǒng)進(jìn)行數(shù)據(jù)采集實(shí)驗(yàn)。通過網(wǎng)絡(luò)分析法（ANP）進(jìn)行了駕駛特性指標(biāo)數(shù)據(jù)分析，運(yùn)用熵權(quán)法進(jìn)行駕駛風(fēng)險(xiǎn)度分析，從而研究駕駛員能力與風(fēng)險(xiǎn)度的關(guān)系。此外，本研究還建立了基于SVR 算法的駕駛能力預(yù)測(cè)模型，為進(jìn)一步研究駕駛員駕駛能力的動(dòng)態(tài)分析進(jìn)行鋪墊。

1 駕駛模擬器的仿真模型搭建和硬件配合

實(shí)驗(yàn)的仿真駕駛場(chǎng)景模型搭建的準(zhǔn)則是不能割裂人-車-環(huán)境彼此之間的關(guān)系[5]，所以利用羅技G27 力反饋方向盤踏板套裝實(shí)現(xiàn)人機(jī)交互，利用MATLAB 以及CarSim 聯(lián)合仿真搭建駕駛模擬器的仿真環(huán)境和車輛模型，進(jìn)行數(shù)據(jù)采集與整合。

1.1 仿真環(huán)境模型的搭建

在本次實(shí)驗(yàn)中，視覺駕駛場(chǎng)景利用Prescan軟件來完成。TNO 公司旗下子公司Tass international的Prescan軟件是一個(gè)開發(fā)駕駛輔助、ADAS 和智能汽車系統(tǒng)的仿真平臺(tái)，其具有快速建立以及修改三維駕駛場(chǎng)景的優(yōu)點(diǎn)，可以大大縮短研發(fā)周期，其能與MATLAB/Simulink 無縫銜接，配合CarSim 完成完美的實(shí)車狀態(tài)仿真。整車模型采用CarSim 軟件來搭建車輛的動(dòng)力學(xué)模型。此外，本文在Prescan 道路模型內(nèi)設(shè)置了紅綠燈、行人、對(duì)向車流等動(dòng)態(tài)仿真駕駛環(huán)境因素，以及按照道路規(guī)定設(shè)計(jì)了城市道路和高速道路。

1.2 駕駛模擬器的硬件架構(gòu)

硬件方面主要包括輸入裝置、處理裝置和輸出裝置。輸入裝置是羅技G27 力反饋方向盤套裝，其搭配有方向盤、排擋和踏板裝置，其11 英寸的金屬方向盤轉(zhuǎn)向范圍有900°，與真實(shí)的汽車方向盤一致。處理裝置采用的是戴爾G7 游戲本，視覺反饋的輸出裝置是一個(gè)外接的23.8 寸顯示屏。駕駛模擬器的硬件結(jié)構(gòu)如圖1 所示。

圖1 駕駛模擬硬件架構(gòu)Fig.1 Driving simulation hardware architecture

2 數(shù)據(jù)采集與指標(biāo)選取

2.1 模擬駕駛實(shí)驗(yàn)與數(shù)據(jù)采集

實(shí)驗(yàn)邀請(qǐng)若干位志愿者參與，年齡在23～42周歲之間，駕齡在1.5～10 年，均在身體健康、無不良嗜好且清醒狀態(tài)下參與了實(shí)驗(yàn)數(shù)據(jù)采集，保證了仿真實(shí)驗(yàn)的有效性和真實(shí)性。由于仿真與真實(shí)的駕駛體驗(yàn)有一定差距，這個(gè)是任何駕駛仿真無法避免的，所以實(shí)驗(yàn)開始后會(huì)先讓駕駛員自主適應(yīng)一段時(shí)間。實(shí)驗(yàn)步驟：

（1）駕駛員按照自身?xiàng)l件調(diào)整踏板和座椅的距離，找到合適的姿勢(shì)開始實(shí)驗(yàn)。（2）用20～30 min 適應(yīng)實(shí)驗(yàn)環(huán)境和模擬駕駛場(chǎng)景。（3）開始駕駛模擬車輛，先是城市道路自由行駛，后進(jìn)入高速道路進(jìn)行跟車工況實(shí)驗(yàn)。（4）前車下高速行駛一段后制動(dòng)，本車隨即制動(dòng)，實(shí)驗(yàn)結(jié)束。

2.2 基于實(shí)驗(yàn)數(shù)據(jù)的駕駛能力指標(biāo)選取

采集到的原始數(shù)據(jù)距離后續(xù)分析所需要的指標(biāo)還有一些差距。首先查閱文獻(xiàn)資料，初步確定了9 項(xiàng)駕駛能力指標(biāo)：跟車時(shí)距FT、平均速度差MDV、速度波動(dòng)標(biāo)準(zhǔn)差SDS、沖擊度MJt、轉(zhuǎn)向盤角速度Momega、加速度標(biāo)準(zhǔn)差Std_a、車道線偏移標(biāo)準(zhǔn)差Std_d、平均速度Va、反應(yīng)時(shí)間RT。通過比較相關(guān)度、重要性以及對(duì)于駕駛能力的體現(xiàn)，經(jīng)過篩選保留了表1 所示的6 項(xiàng)指標(biāo)。

表1 指標(biāo)列表Tab.1 Indicator list

3 基于駕駛數(shù)據(jù)的駕駛能力分析

3.1 網(wǎng)絡(luò)分析法（ANP）

駕駛能力是一個(gè)模糊的概念，要用多重指標(biāo)各有權(quán)重地去考量。引入層次分析法（AHP）。層次分析法是美國著名的運(yùn)籌學(xué)家Satty 教授等人在20 世紀(jì)70 年代提出的[6]，是一種將定性和定量相結(jié)合的多準(zhǔn)則決策方法。由于AHP 計(jì)算時(shí)有各層次元素之間要相互獨(dú)立的前提，不能很好地運(yùn)用到處置駕駛能力指標(biāo)互相之間的關(guān)聯(lián)性、依存與反饋問題，而針對(duì)AHP 的缺陷發(fā)展起來的網(wǎng)絡(luò)分析法ANP 正好能解決問題。

ANP 的典型結(jié)構(gòu)如圖2 所示。目標(biāo)層和準(zhǔn)則層又并稱為控制層，控制層不一定要有準(zhǔn)則，但至少要有一個(gè)目標(biāo)作為控制元素。

圖2 ANP 網(wǎng)絡(luò)分析法結(jié)構(gòu)模型Fig.2 ANP structure model

ANP 以一種相對(duì)的標(biāo)度法，充分利用人的經(jīng)驗(yàn)以及判斷計(jì)算對(duì)于所求變量的各個(gè)因素的權(quán)重。

3.2 支持向量回歸（SVR）

SVR（Support Vector Regression）是基于支持向量機(jī)（SVM,Support Vector Machine）改進(jìn)后專門用來解決回歸問題的模型[7]，其與SVM 之間區(qū)別在于，SVM 是找一個(gè)分類超平面，使得邊界上的點(diǎn)到此平面的距離最遠(yuǎn)，而SVR 回歸則是讓每個(gè)點(diǎn)到回歸線的距離最小，即對(duì)數(shù)據(jù)進(jìn)行擬合，如圖3 所示。

3.3 基于ANP-SVR 的駕駛員能力預(yù)測(cè)模型設(shè)計(jì)

使用網(wǎng)絡(luò)分析法ANP 的目標(biāo)是確定各評(píng)價(jià)指標(biāo)對(duì)于駕駛能力評(píng)價(jià)的權(quán)重，為SVR 的駕駛員能力預(yù)測(cè)模型提供訓(xùn)練及測(cè)試數(shù)據(jù)庫。

圖3 SVM 與SVR 的區(qū)別Fig.3 Difference between SVM (left) and SVR (right)

ANP-SVR 具體步驟[8-10]：

（1）建立網(wǎng)絡(luò)層次結(jié)構(gòu)

控制層的目標(biāo)是確定選取的駕駛能力指標(biāo)對(duì)于最終駕駛員能力打分的權(quán)重大小。網(wǎng)絡(luò)層分為操縱能力、感知能力和變量3 個(gè)元素。操縱能力元素的子元素有橫向操縱和縱向操縱，感知能力元素的子元素為反應(yīng)能力。變量元素的子元素為上文所決定的6 項(xiàng)駕駛能力指標(biāo)。具體如圖4 所示，在軟件SuperDecisions 內(nèi)搭建并實(shí)現(xiàn)（環(huán)形箭頭表示元素內(nèi)部的影響，直線、雙向箭頭表示元素之間的相互依存與反饋關(guān)系）。

圖4 駕駛能力評(píng)估ANP 網(wǎng)絡(luò)層結(jié)構(gòu)圖及分解圖Fig.4 ANP network layer structure diagram and exploded diagram of driving ability evaluation

（2）構(gòu)造超矩陣并進(jìn)行一致性檢驗(yàn)

構(gòu)造超矩陣，就要引入標(biāo)度法，本次采用的是1-9 標(biāo)度法，具體如表2 所示。

表2 1-9 標(biāo)度法賦值含義Fig.2 Meaning of 1-9 scale assignment

利用以上標(biāo)度法逐個(gè)構(gòu)造成對(duì)比較矩陣，并判斷矩陣的一致性系數(shù)CR 是否小于0.1，當(dāng)CR<0.1 時(shí)才表示判斷矩陣合理，否則需要修正比較矩陣。成對(duì)比較矩陣的數(shù)量由元素間的依存與反饋關(guān)系決定，成對(duì)比較矩陣得出的元素局部權(quán)重構(gòu)建了未加權(quán)超矩陣Wij見表3，而后利用SuperDecisions 計(jì)算加權(quán)超矩陣見表4，并進(jìn)行穩(wěn)定性處理，生成最后的極限超矩陣見表5，得出全局權(quán)重。極限超矩陣中每一行的數(shù)字相同，該數(shù)字就是該行影響因素的全局權(quán)重。

（3）利用ANP 的計(jì)算結(jié)果將駕駛能力數(shù)值化

首先，將A1 到A6 六個(gè)指標(biāo)的具體數(shù)據(jù)進(jìn)行歸一化，然后考慮到某些指標(biāo)越大越好，某些指標(biāo)越小越好，便把他們化歸為同一方向的能力評(píng)價(jià)指標(biāo)，并模糊至0～10 的范圍，即建立了初始能力矩陣。矩陣每一行是一組初始駕駛能力，將其與ANP 的分析結(jié)果相結(jié)合，得到該組加權(quán)的駕駛能力評(píng)分?jǐn)?shù)值。

（4）基于SVR 的駕駛能力預(yù)測(cè)

引入SVR 回歸，將FT（跟車時(shí)距）、MDV（平均速度差）、MJt（沖擊度）、Momega（轉(zhuǎn)向盤角速度）、Std_a（加速度標(biāo)準(zhǔn)差）、Std_d（車道線偏移標(biāo)準(zhǔn)差）、RT（反應(yīng)時(shí)間）作為輸入，駕駛能力評(píng)分?jǐn)?shù)值作為輸出，建立回歸模型。具體步驟如圖5 所示，主要分為數(shù)據(jù)預(yù)處理（歸一化處理）、核函數(shù)的選擇、計(jì)算最優(yōu)初始參數(shù)、建立SVR 回歸模型、模型檢驗(yàn)[9]。

回歸模型的建立主要是在MATLAB 的基礎(chǔ)上調(diào)用LibSVM 包來實(shí)現(xiàn)。確定了核函數(shù)及參數(shù)C、g 之后，就可以開始構(gòu)建SVR 預(yù)測(cè)模型。具體操作如下：

表3 未加權(quán)超矩陣WijTab.3 Unweighted supermatrix Wij

表4 加權(quán)超矩陣Tab.4 Weighted supermatrix

表4 加權(quán)超矩陣Tab.4 Weighted supermatrix

表5 極限超矩陣Tab.5 Extreme supermatrix

表5 極限超矩陣Tab.5 Extreme supermatrix

第1 步，數(shù)據(jù)劃分。將準(zhǔn)備好的數(shù)據(jù)樣本進(jìn)行劃分，其中1～50 組數(shù)據(jù)樣本作為訓(xùn)練集，51～66 組數(shù)據(jù)樣本作為測(cè)試集；

第2 步，基于MATLAB 及LibSVM 建立SVR預(yù)測(cè)模型，并使用測(cè)試集數(shù)據(jù)進(jìn)行驗(yàn)證；

第3 步，得出預(yù)測(cè)值與原始值的對(duì)比圖并計(jì)算均方誤差MSE 及決定系數(shù)R2。

圖5 SVR 算法流程圖Fig.5 SVR algorithm flowchart

預(yù)測(cè)值與原始值的對(duì)比如圖6所示。從圖6 可以看出，SVR 預(yù)測(cè)值與原始值十分接近，均方誤差值很小，決定系數(shù)R2約等于0.99，測(cè)試結(jié)果說明訓(xùn)練效果優(yōu)秀，那么使用SVR 預(yù)測(cè)駕駛能力是十分具有可行性的，且后續(xù)可以用于實(shí)時(shí)駕駛能力的預(yù)測(cè)。

圖6 預(yù)測(cè)值與原始值對(duì)比圖Fig.6 Comparison chart of predicted value and original value

3.4 駕駛風(fēng)險(xiǎn)度分析

本小節(jié)用到源于熱力學(xué)的熵值概念進(jìn)行駕駛風(fēng)險(xiǎn)度分析，熵是對(duì)系統(tǒng)不確定性的一種度量[10]，駕駛數(shù)據(jù)體現(xiàn)的不確定性便是駕駛風(fēng)險(xiǎn)度。通過熵值法得到各個(gè)指標(biāo)的信息熵，信息熵越小，信息的無序度越低，信息的效用值越大，指標(biāo)的權(quán)重越大。用Pj表示第j 個(gè)信息的不確定度（也即出現(xiàn)的概率），則整個(gè)信息（設(shè)有n 個(gè)）的不確定性度量公式為

式中：E——熵；K=1/ln(m)；Pj——第j 個(gè)信息的不確定度

建立多屬性決策矩陣：

則第j 個(gè)屬性下第i 個(gè)方案Ai的貢獻(xiàn)度：

定義 dj為第 j 屬性下各方案貢獻(xiàn)度的一致性程度：

則各屬性權(quán)重 Wj如下：

各項(xiàng)權(quán)重的和為1，建立駕駛風(fēng)險(xiǎn)度模型為各項(xiàng)指標(biāo)的加權(quán)平均值：

將3.3 節(jié)中運(yùn)用ANP 計(jì)算出的駕駛能力與駕駛風(fēng)險(xiǎn)度隨機(jī)選出20 組相對(duì)比，結(jié)果如圖7 所示。將2 項(xiàng)排名數(shù)據(jù)在Excel 內(nèi)進(jìn)行相關(guān)性分析，計(jì)算出的相關(guān)性系數(shù)R=0.763 9>0.7，說明兩項(xiàng)數(shù)據(jù)的關(guān)系緊密程度為非常緊密，即ANP 駕駛能力與駕駛風(fēng)險(xiǎn)度在總體上具有一致性，且緊密相關(guān)。

圖7 駕駛風(fēng)險(xiǎn)度與駕駛能力對(duì)比Fig.7 Comparison of driving risk and driving ability

以上結(jié)果可以從側(cè)面印證ANP 算法應(yīng)用于駕駛能力評(píng)估的準(zhǔn)確性。

4 結(jié)論

本研究基于Prescan 仿真平臺(tái)搭建的駕駛場(chǎng)景，開發(fā)了人機(jī)交互式的駕駛仿真系統(tǒng)進(jìn)行數(shù)據(jù)采集實(shí)驗(yàn)，得出結(jié)論如下：

（1）計(jì)算了在駕駛能力判斷中各評(píng)價(jià)指標(biāo)因素的權(quán)重，得出了沖擊度、跟車時(shí)距、反應(yīng)時(shí)間是判斷駕駛能力的主要指標(biāo)。對(duì)于駕駛輔助系統(tǒng)以及高級(jí)無人駕駛系統(tǒng)，可以在這些方面為駕駛員提供輔助；

（2）通過ANP 和SVR 算法建立了駕駛能力預(yù)測(cè)模型，模型精度高，預(yù)測(cè)值決定系數(shù)R2為0.99，可為實(shí)時(shí)駕駛能力預(yù)測(cè)的研究進(jìn)行鋪墊；

（3）基于熵權(quán)法計(jì)算駕駛風(fēng)險(xiǎn)度，通過將駕駛風(fēng)險(xiǎn)度與駕駛能力評(píng)估的數(shù)據(jù)相比較，其得出了數(shù)據(jù)的一致性，駕駛員的駕駛風(fēng)險(xiǎn)度越大，駕駛能力打分就越小。驗(yàn)證了ANP 分析法應(yīng)用于駕駛員能力評(píng)估的可行性。