駕駛員狀態(tài)監(jiān)測目標動作報警閾值的確定

張 香，王 戡，胡 雄

（招商局檢測車輛技術(shù)研究院有限公司，重慶 401122）

據(jù)統(tǒng)計，2019年全國共發(fā)生道路交通事故1 247.3萬起，造成6.2萬人死亡，25.6萬人受傷[1]。有研究表明，人為因素造成交通事故的比例高達80%～90%。駕駛員作為交通信息的接收者、處理者和決策者，其駕駛行為是衡量車輛行駛安全的重要指標，直接影響和決定行車安全。駕駛員監(jiān)控系統(tǒng)（Driver Monitor System, DMS）可以實現(xiàn)對駕駛員的駕駛疲勞、分心以及其他危險行為（比如打電話，左顧右盼等）的監(jiān)測[2]。當DMS監(jiān)測到駕駛員出現(xiàn)危險駕駛行為時，可及時對駕駛員做出提醒。作為一項可以挽救人類生命的技術(shù)，標準法規(guī)對 DMS的普及做出了有力的推進。據(jù)悉，全國性的商用車DMS系統(tǒng)強制安裝法規(guī)已經(jīng)在調(diào)研立項之中，最快有望在明年底出臺。歐盟新車安全評鑒協(xié)會（European-New Car Assessment Programme, E-NCAP）發(fā)布的最新2025路線圖，要求從2022年7月開始，所有新車都配備DMS。然而，現(xiàn)有駕駛員監(jiān)測系統(tǒng)相關(guān)的檢驗標準和測試評價規(guī)范還不成熟[3]。

駕駛員狀態(tài)監(jiān)測技術(shù)的一個關(guān)鍵問題是如何確定駕駛員狀態(tài)監(jiān)測目標動作的報警閾值。閾值設(shè)置得過小，會導致誤報警太多，閾值設(shè)置得過大，會導致系統(tǒng)監(jiān)測不及時，造成漏報警現(xiàn)象。目前相關(guān)文獻中對于閾值的確定多根據(jù)目前技術(shù)能力及駕駛員習慣討論得出，缺乏理論依據(jù)[4]。本研究通過設(shè)計實驗采集車輛行駛數(shù)據(jù)，采用大數(shù)據(jù)聚類的方法確定駕駛員狀態(tài)監(jiān)測目標動作報警的合理閾值，可以為DMS開發(fā)及測試標準的制定提供參考。

1 建立車輛運行狀態(tài)評價指標體系

車輛運行狀態(tài)是駕駛員操控行為作用的直接結(jié)果，而操控行為又是對駕駛員決策指令動作的直接體現(xiàn)。由于車輛操縱及運行狀態(tài)參數(shù)受到駕駛?cè)蝿?wù)、道路環(huán)境、駕駛員本身特性和生理負荷等多種因素的影響，蘊含著大量有效信息，且可由駕駛模擬器直接輸出。因此，通過對車輛操縱及運行狀態(tài)參數(shù)的深入挖掘分析，可對駕駛行為進行分析描述，廣泛應(yīng)用在國內(nèi)外駕駛行為安全研究領(lǐng)域的研究中。車輛運行狀態(tài)參數(shù)包括速度、加速度、跟馳距離等；駕駛員操控行為參數(shù)包括制動踏板開度、加速踏板開度、方向盤轉(zhuǎn)角等[5]。參考相關(guān)文獻[6]，選取的駕駛車輛操縱及運行狀態(tài)安全性的評價指標如表1所示。

表1 車輛操縱及運行狀態(tài)指標統(tǒng)計

速度標準差反映測量時段內(nèi)的速度變異性，速度標準差越大，車速穩(wěn)定性越差；加速度標準差反映的是縱向加速度的變異性，較大的縱向車速變化會增加駕駛風險；車頭時距是前后兩車間距與后車車速的比值，車頭時距越小，危險程度越大；跟車距離標準差表示跟馳距離的波動，是反應(yīng)駕駛員縱向駕駛控制能力的重要指標；方向盤轉(zhuǎn)動頻率是方向盤轉(zhuǎn)角峰值出現(xiàn)的次數(shù)與采樣時間的長度的比值。當駕駛員狀態(tài)異常時，對方向盤操作的穩(wěn)定性會下降，方向盤轉(zhuǎn)動頻率隨之降低；方向盤轉(zhuǎn)角熵是度量駕駛過程中轉(zhuǎn)向時的不平順性和不確定性，以及駕駛員的駕駛負荷情況；方向盤轉(zhuǎn)角標準差可以度量駕駛員在這段時間內(nèi)的方向盤轉(zhuǎn)角的變動水平以及離散程度；車輛橫向位置偏移標準差反映駕駛員對車輛的橫向位置控制情況，數(shù)值越大，表明車輛橫向位置變異性越大，保持能力越差。

2 實驗設(shè)計

2.1 實驗設(shè)備

本研究所用的人機共駕虛擬實驗平臺實現(xiàn)了駕駛?cè)苏鎸嶑{駛環(huán)境的高度還原，駕駛員可以在駕駛艙進行近似真實的駕駛行為，整套設(shè)備硬件包括模擬器、視景系統(tǒng)硬件和控制系統(tǒng)硬件。模擬器包括六自由度運功平臺、上平臺和改裝駕駛室，系統(tǒng)布置如圖1所示。上平臺是六軸運動平臺與駕駛室進行連接的結(jié)構(gòu)件。改裝駕駛室是對輕卡駕駛室與駕駛各執(zhí)行控制器進行集成；連接六自由度運動上平臺結(jié)構(gòu)；連接方向盤，油門剎車的模擬設(shè)備。視景系統(tǒng)由弧幕、投影機、龍門架組成，采用三通道連續(xù)視場的正投柱幕顯示方式。

圖1 K-means聚類算法的流程圖

軟件系統(tǒng)包括虛擬仿真系統(tǒng)、場景建模和投影融合軟件。虛擬仿真系統(tǒng)可以實現(xiàn)不同天氣與光線的控制，包含晴、霧、雨天，一天不同時段的光照，實現(xiàn)場景中交通流的密度控制。場景建?？梢詫崿F(xiàn)環(huán)境精確還原，包含路面、道路標線、交通標牌、信號燈與路邊建筑等。

2.2 被試人員及實驗輔助人員

1.被試人員

模擬駕駛實驗共招募具備五年以上駕駛經(jīng)驗的駕駛?cè)?0名，年齡在30～47歲之間，駕齡為5～20年，在過去從業(yè)過程中未發(fā)生重大行車安全事故，有 85%的被試人員承認在駕駛過程中使用手機及等分心駕駛次任務(wù)。

2.實驗輔助人員

實驗輔助人員共三名，一名控制攝像機的實時錄像存檔，一名駕駛模擬平臺操控人員，一名實驗期間提醒駕駛?cè)笋{駛?cè)蝿?wù)的操作。

2.3 實驗過程

每位被試人員提前半個小時到達實驗室，到達后，開始閱讀實驗知情書，被試人員填寫問卷調(diào)查表，包括個人信息和駕駛愛好等。被試人員在非實驗路段模擬駕駛二十分鐘，對模擬駕駛器進行熟悉，然后實驗正式開始，試驗過程如圖2所示。

為采集駕駛?cè)瞬煌熊囁俣葧r的駕駛行為，每位駕駛?cè)诉M行 4次實驗，每次實驗的速度控制在（30±10）km/h，（50±10）km/h，（70±10）km/h，（90±10）km/h，每次實驗共分為六個階段：

第一階段為自由駕駛階段，為駕駛?cè)藦膶嵻嚨侥M駕駛環(huán)境中的轉(zhuǎn)變進行進一步的適應(yīng)。

第二階段為抽煙駕駛次任務(wù)，駕駛?cè)嗽谛旭傊谅范? km處，開始抽煙，抽煙動作持續(xù)時間為5 s。

很多院校目前均開設(shè)了職業(yè)素養(yǎng)的課程，根據(jù)調(diào)查職業(yè)素養(yǎng)課程普遍存在的兩大問題是：第一，作為單獨的一門課程去學，學生學習的主動性和接受性較差，容易和其他課程等同，造成對科目的厭倦；第二是面向全院所有學生講授，不能做到根據(jù)專業(yè)不同而設(shè)置不同的講解方向和培養(yǎng)目標。針對性的開展職業(yè)素養(yǎng)課程才能讓學生更明確自己的職業(yè)方向。

第三階段為打電話次任務(wù)，駕駛?cè)嗽谛旭傊谅范?0 km處，開始打電話，打電話動作持續(xù)時間為5 s。

第四階段為左顧右盼，駕駛?cè)嗽谛旭傊谅范?5 km、20 km、25 km、30 km處，分別開始向左看、向右看、向上看、向下看，動作持續(xù)時間都為 5 s。

第五階段為打哈欠實驗，駕駛?cè)嗽谛旭傊谅范?5 km 處，開始打哈欠，打哈欠動作持續(xù)時間為 5 s。

第六階段為閉眼實驗，駕駛?cè)嗽谛旭傊谅范?0 km 處，開始閉眼，閉眼動作持續(xù)時間為5 s。

2.4 數(shù)據(jù)采集及預處理

收集實驗過程中車輛橫向、縱向的速度、加速度，方向盤轉(zhuǎn)角等信息。通過車輛行駛的距離以及駕駛?cè)藙幼鞒掷m(xù)時間，篩選出正常駕駛與分心駕駛的數(shù)據(jù)[9-10]。車輛運行數(shù)據(jù)質(zhì)量的好壞關(guān)系到進一步具體研究的分析結(jié)果，所以有必要對自然軌跡數(shù)據(jù)的質(zhì)量進行評估。

1.數(shù)據(jù)的離群點判別

式中，Gj為Grubbs 的檢驗統(tǒng)計量；Vj為某個采樣點的速度；為所有采樣點的速度平均值；Vj-為速度的殘差；S為所有采樣點的速度標準差；Gp(n)為 Grubbs 的臨界值，置信概率p通常取0.95；n為采樣點的數(shù)量；Gp(n)通過查Grubbs檢驗的臨界值表得到。如果某個樣本點Vj的Grubbs檢驗統(tǒng)計量滿足Gj≥Gp(n)，那么就將此樣本點判定為異常點。

2.數(shù)據(jù)質(zhì)量評估

異常值視為不正確的樣本點，在進行異常值處理的同時，根據(jù)每個樣本的異常值點個數(shù)來評估該樣本的數(shù)據(jù)采集質(zhì)量。

式中，Nincorrect為異常點樣本的數(shù)量；NTotal為數(shù)據(jù)的總數(shù)量。

部分樣本質(zhì)量評估的結(jié)果如表2所示，為了減小異常值對后續(xù)研究的影響，將異常值剔除并用相鄰點的平均值代替。

表2 部分樣本的質(zhì)量評估結(jié)果

3 基于K-means算法的駕駛員狀態(tài)監(jiān)控動作報警閾值確定

3.1 K-means算法原理

K-means聚類是一種基于歐式距離的聚類算法。該算法[9-10]的思想是，首先確定劃分為幾個類簇，選取初始聚類中心，計算每個樣本距離初始聚類中心的距離，將樣本劃分到距離最近的類簇中，當標準測度函數(shù)的性能達到最優(yōu)的時候，停止迭代，得到最終的聚類結(jié)果。本文是基于不同樣本距離各類簇中心的距離將車輛運行狀態(tài)數(shù)據(jù)集進行分類。

K-means 算法的流程圖如圖1所示。

1）確定k個初始聚類中心，在車輛運行狀態(tài)數(shù)據(jù)集中隨機選擇k個樣本點作為K-means聚類算法的初始聚類中心。

2）根據(jù)式（3）依次計算所有數(shù)據(jù)集到k個初始聚類中心的歐式距離：

式中，(j)kμ為第j次迭代時第k個初始聚類中心的位置，k=1,2,…,K；Pt為t個數(shù)據(jù)集，t=1,2,…,n；d(t,j)為第j次迭代時，第t個數(shù)據(jù)集到初始聚類中心的歐式距離。

3）根據(jù)每個車輛運行狀態(tài)數(shù)據(jù)集到各個初始聚類中心點的距離，將所有數(shù)據(jù)集劃分到關(guān)于初始聚類中心距離最小的類簇中。

4）重新計算各個類簇新的聚類中心。

式中，μk(j+1)為第j+1次迭代時第k個聚類中心的位置；Pn為每一類樣本數(shù)據(jù)。

5）計算車輛運行狀態(tài)數(shù)據(jù)集中所有樣本數(shù)據(jù)的平方誤差，如果|Eit-Ei|<δ則算法結(jié)束，否則返回步驟2再次迭代，如式（5）。

式中，Ei為所有車輛運行狀態(tài)數(shù)據(jù)集的平方誤差；δ為誤差限。

3.2 確定駕駛員狀態(tài)監(jiān)控目標動作報警閾值

通過 SPSS軟件對車輛運行狀態(tài)數(shù)據(jù)集進行K-means聚類時，需要確定K值和初始簇心的位置。算法迭代次數(shù)越多，時間復雜度越高。所以，本文設(shè)置最大迭代次數(shù)為 50，簇的數(shù)量k=3，隨機選取車輛運行狀態(tài)數(shù)據(jù)集中的 3個樣本點作為初始簇心進行聚類[11]。根據(jù)聚類結(jié)果將駕駛員狀態(tài)分為危險狀態(tài)、一般危險狀態(tài)、安全狀態(tài)三類。根據(jù)三類狀態(tài)的簇心位置將車輛的運行狀態(tài)分為安全狀態(tài)、一般危險狀態(tài)、危險狀態(tài)及非常危險狀態(tài)，結(jié)果如表3所示。

表3 車輛不同運行狀態(tài)的時間統(tǒng)計

駕駛員狀態(tài)監(jiān)測的關(guān)鍵是如何確定駕駛員狀態(tài)監(jiān)測目標動作的報警閾值，閾值設(shè)置的過小，會導致誤報警太多，閾值設(shè)置的過大，會導致駕駛員狀態(tài)監(jiān)測不及時，造成漏報警現(xiàn)象。

所以，本研究將危險狀態(tài)確定為駕駛員狀態(tài)監(jiān)測目標動作的報警閾值（均取整數(shù)），統(tǒng)計結(jié)果如表4所示。

表4 駕駛員目標動作報警閾值

4 結(jié)束語

駕駛員狀態(tài)監(jiān)測系統(tǒng)是通過車載終端設(shè)備采集、分析攝像頭中的駕駛員駕駛行為，以面部表情、頭部動作和手部姿勢為特征識別判斷是否出現(xiàn)不安全駕駛行為，對司機實現(xiàn)實時預警。本研究通過設(shè)計實驗駕駛模擬器采集車輛操縱及運行狀態(tài)參數(shù)。采用大數(shù)據(jù)聚類的方法將車輛運行狀態(tài)分為三類。根據(jù)三類狀態(tài)類簇的簇心位置將車輛的運行狀態(tài)劃分為安全狀態(tài)、一般危險狀態(tài)、危險狀態(tài)及非常危險狀態(tài)，確定駕駛員狀態(tài)監(jiān)測目標動作的報警閾值，本研究可以為DMS開發(fā)及測試標準的制定提供參考。