驾驶员转向特性分类与在线辨识研究

1 引言

为了提高汽车行驶安全性、减少交通事故，各种形式的主动安全控制系统[1]已在汽车上得到了广泛应用。然而，现代汽车大多数情况是在城市工况下安全行驶，安全行驶条件下还应多考虑驾驶员特性，汽车电气化和智能化技术[2]的不断发展为实现这一目标创造了条件。在驾驶员特性研究方面，目前国内外还处于起步阶段。国外，文献[3-4]中将驾驶员行为分为谨慎型、一般型、专业型和鲁莽型。文献[5]中基于BP神经网络建立了稳健型和激进型驾驶员模型。文献[6]中建立了马尔可夫动态模型用于推测出一段时间后的驾驶员操纵行为。文献[7]中研究了驾驶员个性化驾驶行为模型。国内，某大学将驾驶员驾驶行为分为了谨慎型、稳定型、驾驶技能和碰撞倾向四个类别[8-9]。某大学建立了分别对应保持车道、右换道和左换道三种驾驶行为GM-HMM模型[10]。某大学提出了基于高斯混合模型的驾驶员个人特质辨识方法[11]。基于驾驶模拟器实验主要对驾驶员转向特性分类与在线辨识方法进行研究。基于驾驶模拟器设计典型实验路况，选取驾驶员进行实验，采集实验数据对驾驶员转向特性进行分类、建立辨识模型并设计在线辨识方法。

2 驾驶模拟器实验

2.1 实验工况设计

十字路口直角转弯路况是城市工况中最典型的转向工况，最能反映驾驶员的转向特性，因此选取驾驶员在直角转弯路况下行驶作为实验工况。基于驾驶模拟器，设计了具有多个直角转弯的实验道路，其实验工况路线图和驾驶员实验场景，如图1所示。

  

图1 直角转弯实验工况路线图和驾驶员实验场景Fig.1 Road Map of Right Angle Turning Test Condition and Driver Experiment Scene

2.2 数据采集

选取100名具有一定经验的驾驶员在身体状态良好的情况下进行驾驶模拟器实验，实验人员年龄分布及人数，如表1所示。

 

表1 实验人员年龄分布和人数Tab.1 Age Distribution of Driver Experimenter and Number

  

实验人员年龄分布 男 女 总人数（20～30） 40 25 65（30～50） 20 10 30（50～60） 4 1 5

在正式实验前，要求驾驶员通过多次练习，直至可以连续两次按照交通规则以及实验要求顺利通过实验道路。每位驾驶员的实验过程是完全一样的，以确保所有驾驶员之间的可对比性。实验道路一圈行驶里程约为2km，包含3个左直角弯和3个右直角弯，每个驾驶员驾驶三圈。

驾驶员的转向特性与驾驶员的操纵输入和车辆的响应状态有关，不同类型的驾驶员对汽车的操纵输入不同，从而车辆的响应也不同，如谨慎型的驾驶员在转向时方向盘转角速度不会太大，车速不会太快，而激进型驾驶员则倾向于较大的方向盘转角速度和车速，一般型驾驶员则处于两者之间，因此实验采集能够反映驾驶员操纵输入的方向盘转角、方向盘转角速度、车速和汽车横摆角速度实验数据。

驾驶员转向特性的左转向分类结果为谨慎型239组，一般型258组，激进型237组。每组打乱顺序后从中分别随机选出200组、220组和200组共620组数据作为训练集建立辨识模型，其余的114组数据作为测试集对所建立的辨识模型进行验证。训练之前需要对输入向量进行归一化。将谨慎型、一般型和激进型驾驶员的类型标识分别取为1，2，3。辨识模型的输入和输出层节点个数分别为4输入和1输出。在保证模型精度前提下，为了加快辨识模型的训练速度和提高辨识模型的实时性，经过大量试验确定选用含有一个隐含层的BP神经网络，隐含层阈值取为6，确定隐含层节点数为12。隐含层的传递函数选择BP神经网络普遍使用的S型函数tan-sigmoid，输出层的传递函数为purelin函数，设定最大迭代次数为1000，学习速率为0.01，误差性能为0.001。为了获得收敛速度比标准BP神经网络速度快而且模式识别效果几乎与标准BP神经网络相同的性能，选择变梯度算法中的SCG算法作为训练函数。BP神经网络的训练误差性能曲线，如图4所示。对辨识模型精度进行测试，结果，如表3所示。对测试集上每一类的辨识精度均为95%以上，精度较高，可用来对驾驶员特性进行识别。

致谢 本文研究工作受南京航空航天大学研究生创新基地(实验室)开放基金(kfjj20170122)资助.

2.3 数据处理

考虑到驾驶员状态差异并不存在清晰可见的界线，因此论文采用模糊C-均值[12]聚类方法根据实验数据对驾驶员转向特性进行分类。由于左右转向时只是各个指标的符号不同，实验表明对一个人的特性影响并不是很大，因此以左转向为例对驾驶员转向特性进行分析。在聚类之前论文采用min-max标准化对驾驶员转向特征的各个指标原始数据进行归一化处理，将数据归一到［0，1］之间的无量纲的数。

  

图2 实验数据特征值提取Fig.2 Characteristic Value Extraction for Experiment Data

3 驾驶员转向特性分类

3.1 模糊C均值聚类

用MATLAB编写程序进行实验数据处理，主要是提取驾驶员转向时的特征值：每次转弯时的最大方向盘转角、最大方向盘转角速度、最大方向盘转角处的车速和最大横摆角速度，实验数据及提取的特征值，如图2所示。在转向特征值提取过程中将异常值剔除，最后将符合要求的特征值汇总。数据处理结果表明：实验数据和提取的特征值均符合预期，可用于对驾驶员进行转向特性分类。

蒋大伟追上郑馨：怎么了，你这是？郑馨大声地：我不想跟她说话！不想看见她！蒋大伟说：咱不是说好了来拿车钱吗？你不开口，我替你说！郑馨倔强地：我不想看见她！我看见她就烦！蒋大伟耐着性子：别呀？你烦我可就麻烦了！我听出来了，她是你后妈，后妈也是妈，你就不能张口叫一声？郑馨执拗地：不！是她把我妈逼走了！她不是我妈！蒋大伟：好好，我不想断你们的家务事，我只拿我的车钱！这样好不好，你不叫我替你叫，然后你就接着说，只要拿了车钱，咱立马就走，到了兰江大桥，你砰地一声下去了，就永远也不用见她了！行吗？郑馨犹疑地看着他，蒋大伟握握拳头：我以人格向你保证！

3.2 分类结果

聚类完成后的聚类中心，如表2所示。从表2中可以看出：对于描述驾驶员转向特性的方向盘转角、方向盘转角速度、车速、横摆角速度四个特征值，无论是哪一个特征值，分成三类后的聚类中心值均为A＜B＜C。在实际中，谨慎型的驾驶员转弯时比较倾向于打出较小的方向盘转角，其方向盘转角速度也较小，与之对应的车速较慢，车的响应横摆角速度也小，转向时间较长；激进型的驾驶员转弯时比较倾向于打出较大的方向盘转角，其方向盘转角速度也较大，与之对应的车速较快，车的响应横摆角速度也较大，转向时间短；而一般型的驾驶员则介于两者之间，结合客观实际。驾驶员转向特性的分类结果为谨慎型38人，一般型35人，激进型27人。

 

表2 聚类中心Tab.2 Clustering Center

  

类型 方向盘转角 方向盘转角速度 车速 横摆角速度谨慎型A 0.2371 0.54611 0.3077 0.3147一般型B 0.2788 0.5644 0.4327 0.5547激进型C 0.3143 0.5990 0.5574 0.7628

4 驾驶员转向特性辨识

4.1 离线辨识模型建立和验证

驾驶员特性辨识实际上是一种模式识别的过程，选用广泛应用于模式识别和分类的BP神经网络建立驾驶员转向特性辨识模型。由于驾驶员的转向特性与驾驶员的操纵输入和车辆的响应状态有关，因此辨识模型的输入量与前面驾驶员转向特性分类数据选取应一致，为转弯时刻驾驶员的方向盘转角、方向盘转角速度、车速和车辆横摆角速度特征值，模型的输出量为对应的驾驶员转向特性所属类型，即谨慎型、一般型或激进型，如图3所示。

  

图3 驾驶员特性辨识模型Fig.3 Driver Characteristics Identification Model

教师叙事探究营造安全无恐惧的氛围，对暂悬习性反应，对开启一个深微、纯净、舒缓的场域空间，意义重大。因此，促使注意力场结构趋向U底“源头”变迁，个体和集体触及直觉、洞察、创造力“源头”，是叙事探究唤醒心灵回归自身认同与完整的终极意义。

  

图4 BP神经网络训练性能Fig.4 BP Neural Network Training Performance

 

表3 辨识结果Tab.3 Identification Results

  

类型 测试集数目 误判数 正确率谨慎型 39 1 97.44%一般型 38 0 100%激进型 37 1 97.30%

4.2 在线辨识方法

建立的驾驶员转向特性辨识模型为离线辨识模型。为了在驾驶模拟器硬件在环实验台上进行在线辨识，需要将其嵌入到驾驶模拟器硬件在环实验平台整车控制系统模型中，变为在线辨识模型，使用MATLAB中的gensim命令将离线辨识模型模块化，转化为dSPACE能够支持的Simulink模块，然后再嵌入到整车系统模型中。在线辨识原理，如图5所示。

  

图5 驾驶员转向特性类型在线辨识原理Fig.5 On-Line Identification Principle of Driver Steering Characteristics

只有在驾驶员转弯时才对驾驶员转向特性进行辨识，因此采用方向盘转角作为判断条件。当汽车在平直良好路面直线行驶时，方向盘的转角变化范围很小，一般在（-45～45）°之间，因此当方向盘转角度数＞45°时触发驾驶员转向特性辨识模块，采集驾驶员在转弯过程中的方向盘转角、方向盘转角速度、车速、横摆角速度数据并提取特征值输入给辨识模型进行驾驶员转向特性辨识，输出类型标识。当方向盘转角度数在（-45～45）°之间时，方向盘转角、方向盘转角速度、车速、横摆角速度的特征值均设置为零输入给辨识模型，输出的类型标识是0。对驾驶员转向特性进行分类时，不能通过驾驶员一次转弯时的转向行为就确定其转向特性，需要若干次转向操作后根据概率来确定驾驶员的转向特性类型。对驾驶员转向特性进行辨识时，需要统计多次转向操作后的驾驶员转向特性辨识结果，程序设定转向特性辨识次数为10次，根据概率最终确定驾驶员的转向特性类型。为了验证辨识结果的准确性，从三种类型的驾驶员中各任意选出三名驾驶员进行实验，辨识出的驾驶员类型可以在驾驶模拟器监控平台实时观测得到，驾驶员的方向盘转角、车速、油门踏板开度和制动踏板开度等均可在驾驶模拟器操纵平台上进行观测。实验监控界面及驾驶员的在线辨识显示结果，如图6所示。将辨识出的驾驶员特性类别与其已知的特性类别比较，其结果，如表4所示。从表中可以看出：驾驶员转向特性辨识模型能够实时辨识出驾驶员类型，且准确性较好。

  

图6 实验监控界面及驾驶员在线辨识显示结果Fig.6 Experimental Monitoring Interface and On-Line Identification Results of Driver’s Steering Characteristics

 

表4 三种类型驾驶员特性辨识准确性Tab.4 Driver Characteristics Identification Accuracy of Three Types

  

类型 驾驶员 已知类型 辨识结果 辨识准确率谨慎型人员1 1 1 100%人员2 1 1人员3 1 1一般型人员1 2 2 100%人员2 2 2人员3 2 2激进型人员1 3 3 100%人员2 3 3人员3 3 3

5 结论

（1）基于驾驶模拟器实验台，设计实验工况，采集驾驶员过弯时的实验数据：方向盘转角、方向盘转角速度，横摆角速度和车速，通过对数据特征值提取、归一化处理、模糊C均值聚类和概率统计，将驾驶员转向特性分为了谨慎型、一般型和激进型三类。（2）根据分类实验数据，应用BP神经网络建立驾驶员转向特性离线辨识模型，测试结果表明辨识模型精度较高，可用来对驾驶员特性进行识别。（3）设计了在线辨识方法，实验结果表明能够实现对不同转向特性驾驶员转向类型的准确辨识。研究方法可为考虑驾驶员驾驶特性的汽车控制奠定理论基础。

“量”：代表交通设施规模，交通设施规模在以往研究中主要使用线状交通设施密度进行计算，本文研究的机场为点状交通设施，尽管应用于点状交通设施的研究较为鲜见，但亦可以适用[27]。由此，使用机场密度指标进行测度，具体为：

参考文献

［1］Farid M N，Kopf M，Bubb H.Methods to develop a driver observation system used in an active safety system ［J］.VDI Berichte，2006，1960：639-650.

［2］Deng Wei-wen.Electrification and intelligence-technologies that drive future vehicles［J］.Automotive Safety and Energy，2010，1（3）：179-189.

［3］D Filev，J Lu，K Prakah-Asante.Real-time driving behavior identification based on driver-in-the-loop vehicle dynamics and control［C］.Proceedings of the 2009 IEEE International Conference on Systems，Man，and Cybernetics，2009.

［4］J Lu，D Filev，K Prakah-Asante.From vehicle stability control to intelligent personal minder：real-time vehicle handling limit warning and driver style characterization［C］.Computational Intelligence in Vehicles and Vehicular Systems，2009.

［5］MCG Quintero，JO Lopez，ACC Pinilla.Driver behavior classification model based on an intelligent driving diagnosis system［C］.2012 15th International IEEE Conference on Intelligent Transportation Systems，2012.

［6］Pentland A，Liu A.Modeling and prediction of human behavior［J］.Neural Computation，2009（11）：229-242.

［7］A Wahab，TG Wen，N Kamaruddin.Understanding driver behavior using multi-dimensional CMAC［C］.6th International Conference on Information，Communications&Signal Processing，2007.

［8］王建强，迟瑞娟，张磊.适应驾驶员特性的汽车追尾报警-避撞算法研究［J］.公路交通科技，2009，1（10）：22-28.

（Wang Jian-qiang，Chi Rui-juan，Zhang Lei.Study on forward collision warning avoidance algorithm based on driver characteristics adaptation［J］.Journal of Highway and Transportation Research and Development，2009，1（10）：22-28.）

［9］Wang J，Lu M，Li K.Characterization of longitudinal driving behavior by measurable parameters［J］.Transportation Research Record：Journal of the Transportation Research Board，2010，21（1）：15-23

［10］吕岸，胡振程，陈慧.基于高斯混合隐马尔可夫模型的高速公路超车行为辨识与分析［J］.汽车工程，2010，32（7）：630-634.

（Lv An，Hu Zhen-cheng，Chen Hui.Recognition on analysis on highway overtaking behavior based on gaussian mixture-hidden markov model［J］.Automotive Engineering，2010，32（7）：630-634）

［11］吴坚，姚琳琳，朱冰.基于高斯混合模型的驾驶员个人特质辨识［J］.吉林大学学报：工学版，2015，45（1）：38-43.

（Wu Jian，Yao Lin-lin，Zhu Bing.Identification of driver individualities using gaussian mixture model［J］.Journal of Jilin University：Engineering and Technology Edition，2015，45（1）：38-43.）

［12］张磊，王建强，杨馥瑞.驾驶员行为模式的因子分析和模糊聚类［J］.交通运输工程学报，2009，9（5）：121-126.

（Zhang Lei，Wang Jian-qiang，Yang Fu-rui.Factor analysis and fuzzy clustering of driver behavior pattern［J］.Journal of Traffic and Transportation Engineering，2009，9（5）：121-126.）