汽车非正常驾驶状态识别与预警系统

1、(精编 )汽车非正常驾驶状态识别与预警系统课题类型：探索导向类申请受理编号： SQ2007AA11Z131762国家高技术研究发展计划（863 计划）专题课题申请书技术领域名称：现代交通技术领域专题名称：综合交通运输系统与安全技术申请指南技术方向：交通安全新技术课题名称：汽车非正常驾驶状态识别与预警系统申请人：刘立依托单位：北京科技大学中华人民共和国科学技术部2007-05-08汽车非正常驾驶状态识别与预警系统北京科技大学（刘立）对该课题申请所涉及主要研究内容的熟悉程度：很熟悉比较熟悉一般评议内容评分一、研究目标和内容的重要性与必要性（ 10 分）所涉及到的关键技术或产品是否重要？研究内容是否

2、符合国家重大技术需求？主要研究内容是否符合本专题指南的技术方向？二、研究内容的创新性与前沿性（40 分）研究内容是否具有突出的原始性创新内容？研究内容是否体现了新的原理、方法的创新内容？研究内容是否具有突出的集成创新内容？研究内容是否体现了集成应用或集成产品的创新内容？研究内容是否处于国际或国内技术发展前沿？研究内容如果成功能否在国际或国内产生较大影响？研究内容是否在国内已有相同或接近的成果？研究内容是否有望获得发明专利等知识产权？三、技术实力与研究基础（20 分）课题申请负责人是否能够胜任课题组长？课题组人员构成和时间投入是否合理？课题组现有研究基础是否处于国内领先行列？课题依托单位（及协作

3、单位）的支撑条件是否较强？四、研究目标和研究方案的可行性（ 20 分）预期研究目标是否明确、集中？技术经济指标是否具体、适度？对国内外技术发展趋势是否把握？主要技术的知识产权分析和对策是否恰当？技术路线和研究方法是否合理、可行？依托单位和协作单位的分工合作是否合理？五、预期成果及前景（10 分）课题预期成果是否可取得一定的经济社会效益？课题预期成果是否具有较大的市场（潜在的市场）前景？课题成果是否能对相关技术发展起到带动作用？课题研究是否可实现预期的人才、队伍培养目标？综合评议得分综合评价结论根据分项评议意见，对该课题申请进行综合评价，给出总体结论性意见。评价结论意见：同意立项（A ）不同意立

4、项（C）总体评议意见：（对该课题申请给出综合评价意见，阐述同意立项或不同意立项的理由，说明需要说明的有关问题。本部分内容为必填内容，文字不超过300 字。）课题名称汽车非正常驾驶状态识别与预警系统预计 完 成3行业领域交通运输年限预期 成 果 发明专利、 新装置、 计算机软件、 技术标课题密级公开级类型准、论文论著姓名刘立性别男申请 (负责 )人信 出生日期1959-5-27职称高级职称息最高学位硕士从事专业机械类所在单位北京科技大学单位名称北京科技大学单位性质大专院校单位 主 管依托单位信息所在地区北京市教育部部门组织机构代码400002224单位 成 立 1952-4-22时间单位名称单位

5、性质组织机构代码协作单位信息事业 型 研中国科学院心理研究所40001230X究单位总经费97.8申请 863 计划资助97.8其他国家级资助 (包括部门匹配 )0课题 经费 来源0地方政府匹配预算银行贷款0( 万元 )自有资金0其它资金0经费备注课题组中职务序性为 本 课题 工 作( 组长、副组长在 课 题中 分姓名出生日期 职称职务 专业时间 ( 人月 )所在单位号别或成员 )担的任务11985年 2 其他24心 理 模型 建 中国科学院杨帆 男无心理学类成员月人员模心理所2王 国1979年 7 其他信息与电子24系 统 辨识 与 北京科技大男无成员敬月人员科学类建模学31982年 9 其

6、他24测 试 与数 据 北京科技大赵峰 男无机械类成员月人员分析学41984年 6 其他电子与信息24测 试 与数 据 北京科技大谢峥 男无成员月人员类分析学51959年 5 高级 系 主24数 据 采集 与 北京科技大刘立 男交通运输类组长月职称任处理学61981年 8 初级电子与信息28北京科技大黄康 男无成员三维图像月职称类学7钟 延1938年 7 高级电子与信息18北京科技大男无成员系统设计炯月职称类学8黄 重1965年 1 高级20北京科技大男无机械类副组长建模与识别国月职称学孙 向1968年 6高级心 理 模型 建 中国科学院9女无心理学类20成员红月职称模心理所崔 晓1984年其

7、他电子与信息数 据 测试 与 北京科技大10女无28成员艺10 月人员类分析学刘 长1977年 8其他电子与信息图 像 处理 与 北京科技大11女无24成员红月人员类模式识别学杜 利1975年 6中级电子与信息模 式 识别 与 北京科技大12女无24副组长平月职称类建模学课题参加总人数 12人。其中：高级职称 4 人，中级职称1 人，初级职称1 人，无职称 6人；其中具有：博士学位4 人，硕士学位5 人，学士学位 3人，其他 0 人；合计：投入 282 人月2.1 课题组长、副组长资历情况（从事过的主要研究任务及所负责任和作用，主要研究成果、发明专利和获奖情况，在国内外主要刊物上发表论文情况，

8、完成其他科技计划课题情况，特别是近五年取得的与本申请课题相关的研究成果情况，字数要求1000字以内）刘立，男， 1959年生，北京科技大学车辆工程研究所所长。主要从事设备综合工程学、设备状态监测与故障诊断以及机械设计等方向的科研与教学工作。主持完成了国家“八五”课题“大型矿用汽车发动机和传动系统故障诊断装置的研制”；“九五”课题“大型选矿设备状态监测与故障诊断系统研究”；部级课题“破碎设备工作状态监测系统研制”、“矿用汽车、电铲、牙轮钻机的故障诊断技术及监测装置研究”、“快速油质分析技术及装置研究”、“零件裂纹在线监测研究”等二十多项科研课题。获得部级科技进步一等奖一项，在国际会议和国内期刊杂

9、志发表论文40 余篇。黄重国，男，1965 年出生，北京科技大学车辆工程系副教授， 1984 年重庆大学工业自动化学士学位，1987 年北京理工大学自动控制理论及应用硕士学位， 1990 年中国科学院自动化所自动控制理论及应用专业博士学位，1992 年 UniversityofMichigan机械工程（汽车制造）博士后。目前从事人机系统中人的控制决策模型研究。杜利平，女，1975年 6 月生， 1994 年郑州大学工业自动化学士学位，1998年凝聚态物理专业硕士学位， 2005年北京理工大学通信与信息系统专业博士学位， 博士论文题目“高分辨雷达运动目标检测与成像研究”，导师是苏广川教授。200

10、5 年香港城市大学电子工程系做博士后，导师是IEEEFellowYanHong教授，研究方向是 DNA序列特征提取与分类。2006 年任北京科技大学信息工程学院讲师。主要研究方向为数字信号处理、模式识别，近期发表学术论文8 篇， SCI 收录 3 篇。2.2 课题组长、副组长目前承担863 计划和其它国家科技计划课题情况（包括人员姓名、承担课题名称、课题经费数、课题起止时间、所属科技计划名称等信息）姓名承担课题名称课题经费数 ( 万元 )课题开始时间课题结束时间所属科技计划其他说明事项：2.3 课题组长及课题组主要成员是否曾就相同或类似课题863 计划和国家其他科技计划提出申请（如有，请说明申

11、请人姓名、申请科技计划名称、申请课题名称、申请时间、申请结果等情况，并说明与本课题申请的关系）无3.1 、课题简介（简要说明课题的目的意义、主要研究内容、预期目标等，字数要求1000 字以内）目的意义：根据公安部交通管理局 （2005 ）显示，我国每年道路交通事故人数接近10 万人，疲劳、酒后驾驶是仅次于超速行驶的第二、三大原因。据美国政府公布的数据显示，导致司机事故死亡的三分之一是由于司机过度疲劳，而58% 的大卡车碰撞也是由于所疲劳造成的。由此可见，疲劳等非正常驾驶状态识别与预警系统的研发具有重大的社会意义，同时也将会带来巨大的经济效益。主要研究内容：有别于生物、生理信号识别方法(因为人的

12、差异性大，识别率不高) ，我们只依据自主研发的高灵敏方向盘传感器（已申请专利）采集的角度数据进行非正常驾驶状态分析、识别及预警。因为任何非正常驾驶操作都将从方向盘操作的变化反映出来。我们的多次试验及分析数据表明，驾驶员逐渐进入疲劳或酒后状态后，其方向盘操作曲线都会随之发生变化。在采用适当的算法，计算机便能正确捕捉到这种变化趋势。 1完成 100 名各类驾驶员非正常（疲劳、酒后等）驾驶状态的数据库，用以测试检验所研发的识别算法的有效性。 2 完善我们独有的已取得初步进展的能量法， HHT 法及模型法等状态识别方法，在此基础上再试探性研究应用小波变换、 Gabor 变换等方法。 3 非正常驾驶状态

13、（非平稳随机过程）预报算法研究。 4 非正常驾驶行为的心理学模型研究。预期目标：在已有自主知识产权的驾驶模拟器和高灵敏度方向盘传感器的基础上，应用上述研发的软件，构成一个非正常驾驶状态识别及预警的试验样机系统。3.2 课题主要研究技术的国内外发展现状与趋势，课题主要研究技术国内外专利授权情况国内外发展现状与趋势非正常驾驶状态识别及预警技术研究是一项对疲劳、酒后和分心等非正常驾驶状态进行识别并做出预先警告的融合信息科学与控制科学的交叉学科，是实现汽车安全辅助驾驶的重要组成部分。作为造成交通事故的重要原因之一，疲劳驾驶识别及预警研究是目前国内外安全交通领域学者研究的热门，而酒后驾驶的识别还是仅局限

14、于检测吹气样本的酒精含量超标。而专门针对分心驾驶的研究还没有出现。2000 年至今，国内外对疲劳驾驶状态监测研究方兴未艾，目前已逐步引起许多学者的高度重视。 尤其是近两年，国内外对于疲劳驾驶状态识别研究的判定方法主要集中在以下三大类：1 驾驶员的生理特征早期的疲劳驾驶监测研究是基于驾驶员的生理特征，如：（ 1）脑电图、眼电图、肌电图、心电图等测量方法 1 。（ 2）血流及呼吸变化。呼吸气流 (用鼻声传感器测量 )、呼吸效果 (用胸腔部传感器测量 )、动脉血液氧饱和 (用手指探针测量 )时的体温 (用红外线耳朵探针获取 )。其中，脑电图等方法主要以医学方面为出发点，研究上述生理参数与疲劳状态的关

15、系。尽管这些方法测量结果比较准确,但一般在驾驶前后测量,结果是超前或滞后的，而且在驾驶室内安装上述仪器也是不现实的。2007 年 2 月，日本东京大学通过在座椅上安装电磁传感器和压力传感器，利用血液流动和呼吸变化研制出防瞌睡座椅来提高驾驶安全性。2 驾驶员个体特征（1）眼部的动作变化。如眨眼频率、闭眼时间(PERCLOS,PercentageofEyelidClosureOverthePupilOverTime)、瞳孔尺寸和注视方向和时间等 2-3 。（ 2）驾驶员嘴巴动作。如果驾驶员打哈欠、嘴巴长时间张开则判定驾驶员在打瞌睡和下巴的下垂 4-5 。（ 3 ） 头 部 运 动 变 化 , 如

16、点 头 频 率 ， 头 部 位 置 等 。ASCI(AdvancedSafetyConceptsInc.)研 制 的 头 部 位 置 传感 器(HeadPositionSensor) 就是通过头部位置的变化规律判定司机是否打瞌睡6-7 ；9-10（ 4）手部特征。利用方向盘上的传感器检测驾驶员对方向盘施加的压力来判断是否疲劳驾驶的安全装置 8 ；利用驾驶员个体特征识别疲劳状态方法常常需要装备高速红外摄像头以获取驾驶员正面的头部图像，然后利用数字图像处理等算法识别驾驶员的面部特征状态 ,作为判断驾驶员警觉程度的依据。早在 1998 年，美国卡内基梅隆大学就利用PERCLOS 测量值开发了重型卡车

17、的疲劳驾驶监测系统。另外，美国明尼苏达大学、俄亥俄州立大学、 伦斯勒理工学院、 德国帕德博恩大学和日本东京大学等通过综合眼部、 嘴部和头部等特征来监测驾驶员是否疲劳，并开发出一系列的疲劳驾驶监测系统。而国内对于根据眼睛特征识别疲劳驾驶方面也做了一些工作，如吉林大学、山东大学、中南大学、武汉理工大学、西南交通大学等在根据眼睛特征识别疲劳驾驶状态方面取得了一定的研究结果。驾驶员的面部特征由于受转头和外部光线的影响大，而且每个人在开车打瞌睡的时候出现的个体特征并不一致， 如有些人疲劳时眼睛动作和清醒时相比变化并不明显，使它的应用易受到限制。 因此，仅仅靠驾驶员个体特征并不能保证疲劳驾驶的识别效果。3

18、 方向盘运动特征目前已有的大部分疲劳驾驶监测系统是根据方向盘运动特征来识别疲劳驾驶状态。捷克技术大学和蒙特利尔大学针对疲劳对人的操作行为产生影响进行了研究，认为方向盘的补偿运动可以作为疲劳状态的识别标准。 方向盘正常运动时传感器装置不报警 ,若方向盘在一段时间内未运动 ,监视装置就会发出报警声直到方向盘继续正常运动为止 11 。还有根据方向盘转动的次数或者角度如果它们大于或者小于某一阈值的时候，将判定为疲劳驾驶 12 。因为每个人的驾驶习惯不同，这种对所有人统一设定阈值的方法并不科学。日本芝浦工业大学五十铃高级工程中心研究了疲劳驾驶状态下的方向盘运动，认为混沌理论可以解释疲劳状态下的方向盘运动

19、的变化 13 。令人遗憾的是，国内利用方向盘运动变化来识别疲劳驾驶的研究结果非常少。福特汽车公司将方向盘转角和汽车行驶轨迹构建闭环系统模型，并利用模型参数变化判断是否出现疲劳驾驶14 。2005 年，Volvo 公司完成了自己的驾驶员警示系统，通过汽车行驶状态判定是否会出现危险，在驾驶员进入睡眠之前能给予提醒。近几年，利用方向盘运动识别疲劳驾驶状态研究是一个处于国际学术前沿的十分活跃的热点课题，因此具有重要的学术价值和应用前景。课题主要研究技术国内外专利授权情况通过中国知识产权局专利检索系统， 检索到的 5 项有关疲劳驾驶预警系统的中国专利，但是上述中国专利都没有根据方向盘运动参数特征来识别疲

20、劳驾驶状态，因此本课题有申请中国专利的空间。通过欧洲网络专利数据库， 近 10 年共检索到 3 项通过方向盘运动特征来识别疲劳驾驶状态的预警系统，如下：公开号公开日专利名称疲劳驾驶判定标准WO20051247132005.12.2MethodandDeviceForDetectingFatigueInTheDriverofVe根A19hicle据方向盘间断的持续时间US2006180379A2006.08.1SystemandMethodForMonitoringDriverFatigue方17向盘转动次数小于某一最小阈值和 /或旋转角度大于某一最大阈值GB2366062A2002.02.2D

21、etectingFatigueInMechineOperatorOrVehicleDriver驾7驶员对方向盘的握力、方向盘转动、油门与煞车的次数与以前状态相比的改变大小文献评述上述专利和文献的缺陷在于：（ 1）直接使用方向盘转角数据是有问题的。因为汽车的运动不完全响应方向盘转动的高频分量，所以直接分析方向盘转角数据是不能准确识别驾驶状态的。 （我们采用的是对方向盘转角数据先进行滤波变换，再进行识别计算）（ 2）分析方向盘数据的方法单一，由于各类驾驶员的操作习性不同，所以识别率不高。（我们采用多种识别算法的同时运算的技术，这就可以提高识别率）其他关于通过生理指标和个人特征来识别疲劳驾驶的国内外

22、专利如下：公开号公开日专利名称疲 劳驾 驶判 定标准CN183032006.0疲劳驾驶状态监控装置及方法眼 睛899.13闭 合时 间及PERCLOSCN185142006.1疲劳驾驶检测技术头 部980.25与 头枕 的相 对位置CN188912007.0一种疲劳驾驶预警系统的装置眼 帘361.03张 开或 闭合 的持 续时间CN275492006.0客车疲劳驾驶及超载运输的远程监控装置通 过292.01刷 卡计 算和 控制 驾驶 时间CN168072005.1驾驶员疲劳监测方法与装置PERC790.12LOS值 和BP 神经 网络 分类 器判 定是 否疲 劳驾驶CN285352007.0检

23、测疲劳驾驶自动刹车装置驾 驶291.03员 按照 所亮 的颜 色的 灯光 按动 变速 杆上 对应 颜色 的检 测键，如果 按动 的正确，则 车辆 正常 行驶，说明 头脑 清醒，如果 按错，则自 动刹车，停 止车 辆运行CN277002006-非接触式车载驾驶员驾驶疲劳实时监控装置使 用11Y04-05IC 卡记 录持 续驾 驶时 间和 眨眼 频率，以此 判定 是否 疲劳 驾驶CN122532005.1基于多特征融合的困倦驾驶检测方法闭 眼75CC1.02持 续时 间和 面部 方向US200612006-Vehicle-occupantfatigue-levelassessmentmethod,

24、vehicleseatasse驾 驶0656205-18ssmentmethod,andvehicleseatassessmentdevice员 座椅 向后 或向 前所 受的 负载US200512005.0MethodandSystemForContactlessEvaluationofFatigueofAnOpera心 跳488947.07tor等 生理 特征WO20052005.5Deviceforwarningagainstfatigueinmotorvehiclesequippedwithadi与 前044612.19stancewarningsystem车 距离 过近和 /或 煞车

25、系统 操作 异常US006102000.0Driversleeporfatiguealarm驾 驶79228.22员 下颚 下垂US200412004.0Driverfatiguedetectorwithautomaticdeactivation眼 部249857.01和 头部 位置 特征WO02062002.0Fatiguealarmfordriver头 部7218A18.29运动US200612006.0Driverfatigueassessmentdeviceandmethod驾 驶323196.22员 的视 角和 注视 时间WO98061998.0Motorvehicleprovide

26、dwithadeviceforalertingadriveroffatigue驾 驶0772.12员 脚部 肌肉 状态，如肌 肉松 弛则 判定 驾驶 员疲劳GB228451995.0Vehiclesafetydevicetowarndriveroffatigue眨 眼826.14频率、闭 眼时 间过 长和 频繁 点头 动作以上生理识别方法已经不成为研究热点，因为驾驶员在非正常驾驶状态下的生理表征差异性太大，所以识别率不高。参考文献1LinCT,KoLW,ChungIFetal.,AdaptiveEEG-basedAlertnessEstimationSystembyUsingICA-based

27、FuzzyNeuralNetworks,IEEETransactionsonCircuitsandSystems,2006,53(11):2469-24762WangRB,GuoKY,ShiSMetal.Amonitoringmethodofdriverfatiguebehaviorbasedonmachinevision,IEEESymposiumonIntelligentVehicles,2003:110-1133 DOrazioT,LeoM,GuaragnellaCetal.,Avisualapproachfordriverinattentio ndetection,PatternRec

28、ognition,2007,40(8):2341-2355 4WangTS,ShiPF,Yawningdetectionfordeterminingdriverdrowsiness,Proc eedingsoftheIEEEInternationalWorkshoponVLSIDesignandVideoTechnol ogy,IWVDVT2005:385-3885 施树明 ,金立生 ,王荣本 ,童兵亮，基于机器视觉的驾驶员嘴部状态检测方法， 吉林大学学报， 2004,34(2):232 236 6KithilPW,JonesRD,JoneM,Developmentofdriveralertn

29、essdetectionsyst emsusingoverheadcapacitivesensorarray,SAETechnicalPaperSeries,98229 2,SAEInternational,1998 7LuisM,NuevoJ,SoteloMAetal.,Real-timesystemformonitoringdrivervigil ance,IEEETransactionsonIntelligentTransportationSystems,2006,7(1):63-778ThumCC,MustafaMM,HussainA,ZahediE,MajlisBY,Driverfa

30、tiguedetectionusingsteeringgripforce,StudentConferenceonResearchandDevelopmentSCOReDProceedings,2003:45-489DingesDF,GraceR,PERCLOS:Avalidpsychophysiologicalmeasureofalertnessasassessedbypsychomotorvigilance,FederalHighwayAdministration,OfficeofMotorCarriers,199810RichardG,VickyEBetal.,ADrowsyDriverD

31、etectionSystemforHeavyVehicles,17thDASC.AIAA/IEEE/SAEDigitalAvionicsSystemsConference.Bellevue,WA,USA,Nov.1998:I36/1-I36/811FerroneCW,SinkovitsC,Driverfatigue/inattentionmonitoringdevice-Anintegratedsystemforheavytrucks,SafetyEngineeringandRiskAnalysis,TechnologyandSociety,EngineeringBusinessManagem

32、ent,HealthandSafety,2005:3-812BertozziM,BroggiA,GOLD:aparallelreal-timestereovisionsystemforgenericobstacleandlanedetection.IEEETransactionsonImageProcessing,1998,7(1):62-8113TakeiY,FurukawaY,Estimateofdriversfatiguethroughsteeringmotion,IEEEInternationalConferenceonSystems,ManandCybernetics,2005,2:

33、1765-177014PiluttiT,UlsoyAG,Identificationofdriverstateforlane-keepingtasks,IEEETransactionsonSystems,Man&Cybernetics,PartA:Systems&Humans,1999,29(5):486-5023.3 课题主要研究内容、拟解决的技术难点和主要创新点，现有研究基础研究内容1 非正常驾驶状态试验平台的构建在我们现有的小型汽车驾驶模拟器的基础上进行改造， 构建适用于大型车非正常驾驶状态试验平台。 不仅可以进一步完善已有的汽车模拟器技术，也可作为汽车安全辅助驾驶实用系统的一部分。2

34、建立国内外首创的汽车非正常驾驶状态试验样本数据库利用构建的非正常驾驶状态试验平台，建立国内外首创的 100 人汽车非正常驾驶状态样本数据库，为驾驶状态的各种识别算法提供检验与评价的基准。 在疲劳、酒后和精神不集中三种非正常驾驶状态下，根据驾驶员操作习性、 性别、种族和年龄进行分类。每类数据库内容包括不同驾驶状态(疲劳、酒后和精力不集中 )下，驾驶员的图像、生理参数（脑电图、心电图和肌电图）、汽车行驶参数 (方向盘数据、行驶轨迹、运行速度、油门)等信息。3 非正常驾驶状态识别技术研究1） 完善我们独有的已取得初步进展的分段能量法。2） 发展新的特征提取方法。我们只依据高灵敏方向盘传感器（已申请专

35、利）采集的角度数据进行非正常驾驶状态分析和识别。由于在采集的角度数据中会包含很多噪声和不稳定因素， 因此寻求新的特征提取方法， 提取能够识别非正常驾驶状态固有的特征参量。 我们已经就 Hilbert Huang变换 (HHT) 及模型法等状态识别方法开展了试探性研究，并取得一些结果。 另外，在此基础上再试探性研究应用小波变换、 Gabor 变换等方法。3）在提取的有效特征基础上，研究非正常驾驶状态有效的分类器模型，实现非正常驾驶状态的识别。4 非正常驾驶行为的心理学模型研究研究非正常驾驶行为的心理学模型。通过心理学模型参数的变化描述人体对汽车的控制能力高低。 不仅与汽车行驶模型有关， 还与个体

36、的心理模型有关。心理学模型的目的在于对驾驶员的非正常状态按心理学分类，这将有利于预警方式的选择和进一步提出减少危险的措施。5 由正常驾驶状态向非正常驾驶状态过渡（非平稳随机过程）的向前一步预报算法研究在上述对非正常驾驶状态识别结果和心理模型参数变化的结果的基础上，研究非正常驾驶状态判定标准的定量分析，确定阈值，并进行超越阈值的预报研究，实现非正常驾驶状态监测系统的预警作用。技术难点1 在依据高灵敏方向盘传感器采集的角度数据之后进行的有效特征提取。由于在直线行驶状态下， 方向盘转角变化极小， 这些采集的角度数据常常淹没在大量的干扰噪声之中，需要采取相应算法剔除噪声，为识别算法提供有效数据。2 在

37、非正常驾驶状态识别过程中，构建能有效识别非正常驾驶状态分类器模型。3 建立非正常驾驶行为的心理模型。 适用于非正常驾驶行为分析的心理模型还没有相关文献报道。4 非正常驾驶状态阈值的确定和超越阈值的向前一步预报算法主要创新点1 建立国内外首创的汽车非正常驾驶状态样本数据库（100 人），为汽车安全驾驶识别研究提供可靠的分析和检验用的样本数据。2 只依据高灵敏方向盘转角传感器采集的方向盘角度数据先施滤波变换，再进行非正常驾驶状态数据分析、识别及预报计算。3 同时使用多种识别算法（能量、特征提取、模型等）提高对不同操作习性的驾驶员的非正常驾驶状态的识别率。4 根据采集的主要驾驶参数建立用于非正常驾驶

38、状态分析的心理模型。 驾驶员的非正常驾驶状态可以通过这一心理模型被定量地描述和定义。现有研究基础1 现有实验设备与国际上流行的方法一样， 我们的疲劳驾驶实验也是在驾驶模拟器上进行的，我们采用的是拥有自主知识产权的VR-4 型驾驶模拟器 (图 1) 。它具有国际先进水平，其最大特点是，行驶时驱动轮是旋转的，因此驾驶操作感更加逼真（国外模拟器的车轮都是静止的，仅靠图像变化产生速度感）。另外 VR-4 模拟器上还加装了高灵敏度的方向盘角度传感器（已申请专利），这是疲劳试验不可或缺的装置，因为直道行驶中方向盘转角变化极小。图 1aVR-4 型（三投影）汽车驾驶模拟器 (白天场景之一 )图 1bVR-4

39、 型（三投影）汽车驾驶模拟器 (夜晚场景之一 ) 2 现有试验数据库我们已做了 14 人次的疲劳驾驶实验和 1 人酒后驾驶实验， 建立了一个小型数据库，所有提出的非正常驾驶状态的识别算法， 都要用这些数据进行检验， 这为我们的研究工作提供了一个科学的评价基准。举例： No.9 实验数据试验条件：驾驶员 :女 23 岁一年驾龄头晚只睡了四个小时道路环境 :黑夜，高速路（含大弯道，超车） ，限速 110km/h试验时间 :约 2 小时，从清醒一直到进入睡眠状态（摄像头监视）试验数据曲线（一段）如图2 ：图 2 一位试验者的模拟器采集数据 （方向盘角度数据 （上）、汽车行驶轨迹（下）3 现有研究成果

40、（ 1）疲劳驾驶状态识别的分段能量算法我们将实验数据分成若干时间段（或称窗口）来处理。设定每段数据长度为T，对其方向盘转角数据实施滤波变换， 得到数据曲线 S，再对 S 数据进行 Fourier变换，得到前十次谐波幅值（能量）的棒形图.No.9 的分段能量趋势如图3 ：图 3a 清醒状态时的、 S 曲线与前 10 次谐波幅值棒形图图 3a 进入困倦状态时的、 S 曲线与前 10 次谐波幅值棒形图从图 3a 和图 3b ，我们可以清楚地看出， 清醒状态下驾驶操作简捷而有规律，、S 曲线幅度小，且变化有规律，且Fourier 变换的棒形图也呈现主峰突出、其它谐波能量衰减快，即中间高两边低的格局。而

41、进入困倦状态后、S 曲线波动幅度大，变化无规律。特别是Fourier变换的各次谐波幅值棒形图变得杂乱无章，频率像是“杂草丛生”的样子。我们还发现若将各段数据的10 次谐波幅值（能量）加起来得到该段总能量的P10(i) ，随着从清醒状态进入困倦状态、最后进入睡眠状态， 各段总能量P10(i)值呈现增长的趋势。 这就使得用车载计算机， 实时判断识别驾驶员是否已进入困倦状态成为可能，图4 是 No.9 试验数据的能量趋势图。图 4No.9 试验数据的能量增长趋势图其实，图 4 呈现的能量增长趋势反映了驾驶员汽车这个人机系统的运动物理本质，即当人处于清醒状态时， 他驾驶的汽车从一点到另一点尽量走直线，

42、消耗最少的能量； 相反，当他处于困倦或不清醒状态时，他无法正确地控制车辆的行驶路线，因此必然会消耗更多的能量。根据这一道理， 我们可以推断， 上述能量法则亦可用来判断酒后驾驶状态。因为醉汉同样不可能控制车辆使其走直线。消耗的能量必定更多。 我们用一名一边开车一边饮酒的驾驶员试验数据，证实了这个推断。表 1 酒后驾驶试验数据分析喝酒量能量增加率 *100ml16.5%125ml52.1%* 能量增加率（最大分段能量和最小分段能量和） / 最大分段能量和（ 2）疲劳驾驶状态识别的 HHT 变换通过对采集的方向盘转角数据进行处理， 并使用 HHT 变换进行分析， 得到 HHT变换的各层固有模态分量和

43、Hilbert谱图。结果发现，随着驾驶员疲劳程度的加深，瞬时频率变化加剧。通过对HHT 变换后的余量进行分析，我们发现余量随着疲劳驾驶状态的加深而逐渐变大的关系（图5 ）图 5No.9 试验数据 HHT 变换余量与疲劳驾驶状态的关系图（ 3）模型法我们利用模拟器采集的汽车运行状态参数构建模型，得到如下结果：a）清醒模型和中度疲劳模型的参数不同，改变很大。b）不同人在相同的驾驶状态下的模型参数基本相同。所建的模型可表示为，表 2No.9 试验数据模型法分析结果模型参数（）残差均值残差方差清醒疲劳清醒疲劳清醒疲劳0.13640.19560.030710.00.0029470.0037180.0016510.00-0