驾驶行为预研报告

驾驶行为预研汇报人工智能-于海悦5月3日驾驶行为分析：驾驶行为分析和研究，通常是作为其余车内应用支撑技术而存在。例如车道偏离预警(1anedeparturewarning，LDW)、车道保持(1anekeeping，LKS)、巡航控制系统(adaptivecruisecontrol，ACC)，都使用了相关技术。模型或理论：1938年：安全行驶区域理论1964年：担心或焦虑情况下自调整驾驶模型1974年：零危险模型1977年：主被动安全模型1980年：推理行为理论1982年：危险自平衡理论1983年：人行为能力模型1984年：威胁躲避模型1985年：规划行为理论1988年：阶梯型危险模型1988年：激励建模方法1989年：生成规则模型/基于规则模型1992年：内模型：任务容量界面模型驾驶员外部特征按照研究对象不一样，能够分为两类：针对特定信号研究、以及针对特定场景研究。针对特定信号研究，主要是经过分析某一传感器所取得数据，进而研究与其相关联特定驾驶行为。比如，经过分析方向盘夹角和刹车，判断驾驶员注意力是否集中、是否醉酒；经过分析眼睛注视位置，判断驾驶员操作序列是否合理。针对特定场景研究，则是考查最轻易出事故驾驶步骤。通常会对这些场景、以及场景中操作进行数学建模，进而描述和评定驾驶行为。常见场景有停车、超车、变道等。驾驶认知行为建模，这一类研究，主要是将认知学理论应用到驾驶行为研究领域。其研究目标是经过分析驾驶操作内在机理，从本质上解释和了解驾驶行为，完成建模。因为人类对自我处理机制了解还不够深刻，所以其建模结果极难用试验验证其准确性，更多只能从定性层面上对行为进行阐述。驾驶心理研究，该类方法主要是经过调查问卷方式，由驾驶员自己主观进行自我评价，大致分为违规(violations)和失误(errors)两类。违规操作指是驾驶员在明知危险情况下有意执行行为，通惯用来评价驾驶格调；失误操作则是无意识中做出危险操作，通惯用来评定驾驶水平。基于驾驶模拟器数据采集和驾驶行为识别：驾驶模拟器，通常指是那些能够提供虚拟驾驶环境机器。经过3D仿真软件，模拟汽车真实施车环境；经过传感器，完成驾驶相关数据采集，并将这些信号变动如实反应到虚拟驾驶场景中。汽车各项数据经由两种方式完成传递：传感器数据经由特殊总线传输，并最终转换为数字信号为程序所使用：场景信息则以消息形式在软件内部传递。这两种相异传递方式为数据采集带来了一定困难。在驾驶模拟器内，数据传输并不单单只在汽车总线内部，会在程序间，和网络间传输。在多驾驶模拟器环境下，通常需要将数据发送到局域网内，供其余机器上应用使用。最主要是：数据采集模块、驾驶行为模块、服务模块。数据采集模块主要是实现驾驶数据搜集和保留，构建模型训练原始数据，同时为驾驶行为识别模块提供特征向量序列。驾驶行为模块提供了两个功效，其一是完成模型最初训练，其二是为上层应用提供实时识别结果。服务模块，则是构建在驾驶行为模块之上，利用识别结果实现对应功效。•驾驶员识别:用行为信号对一个驾驶员进行识别是一个最有趣车载信号处理问题。在这项研究中,我们使用是驾驶行为信号,如车速、加速踏板压力、制动踏板压力以及与进行驾驶员识别前车之间距离。首先,我们研究了这些信号特点,并提出一组选定驾驶统计数据,然后我们定义了一个统计驾驶员识别系统并经过试验来评定这个系统。

•驾驶状态识别:分心条件对驾驶员造成严重安全问题。有研究表明,近80%交通事故发生是因为驾驶员注意力不集中,这通常是注意力分散结果。车辆导航系统和其余服务引进了许多辅助驾驶任务,可能增加事故风险。所以,开发一个干扰检测方法来降低分心影响,对车载系统将是非常有益。在这项研究中,驾驶试验在一些干扰环境下完成,能够认为是如上所述辅助驾驶任务。这些任务是手机对话,包含路线导航、网上银行、在线乘客交谈以及招牌和车牌阅读。我们研究了在不一样驾驶任务时驾驶行为信号统计特征,这些任务定义为分心条件下。然后,我们尝试使用统计分类检测分心条件。•驾驶员行为识别:在交通事故中,人为原因发挥了很大作用。预测驾驶行为是一个主要问题,因为它对降低人为造成事故有显著效果。驾驶员行为与过去动作亲密相关,所以在这项研究中,我们用驾驶员过去行为信号构建一个驾驶员驾驶行为预测模型。驾驶行为预测模型包含隐含HMM时间聚类和每个时间片段最小均方误差(MMSE)估量。我们还研究了道路条件和分散注意力条件对预测模型影响。建立了一个使用HMM结构全部驾驶信号时间聚类分析模型，采取线性预测,来预测所需时间段内驾驶行为信号。状态序列定义了时间段边界,它经过维特比算法来决定。我们结构特征矢量d(n)=[b(n),g(n),v(n)],其中b、g、v分别代表从制动踏板压力信号、加速踏板压力信号和对应时间段速度信号中直接抽取样本。经过结合驾驶员驾驶行为样本中p个过去样本,构建了一个时间特征矢量xn,xn驾驶员识别结果：不一样驾驶员在怎样使用加速和制动踏板以及他们跟车时保持多少距离方面表现都不一样。全部行为信号最好判定结果是经过有16个混合、超出8~10min决定窗口使用GMM分类器取得。单峰驾驶员识别率都低于60%,这意味着驾驶员识别系统有改进余地。决议融合方法显著地提升了系统性能。

4）驾驶任务能够看作由三个层次控制行为所组成，抽象程度由高到低分别为驾驶战略(strategic)、驾驶策略(tactical)和驾驶操作(operational)。驾驶策略对应于一个长时间目标,如一次旅行。驾驶策略则短一些，指是驾驶员针对特定车况做出反应，如跟车、变道、超车、转向等。驾驶操作则对应于最小时间内操作，如踩刹车、转动方向盘等。驾驶行为有以下两种特点：1)驾驶行为能够了解为一个层级结构，高层次行为，是由其低层次行为序列组成；2)每一层行为能够看作一系列状态，状态之间转换则符合统计学概率。基于HMM驾驶行为识别结果已经用到了路径识别(routerecognition)、驾驶员识别(driveridentification)和注意力检测(distractiondetection)中。这些应用分别对应与语音识别应用中对话识别(speechrecognition)、说话人识别(speakeridentification)和说话压力检测(stressdetection)。利用HMM驾驶行为识别研究中，主要分为两大类:自项向下建模和自底向上建模。隐马尔科夫模型(HMM)是关于时序概率模型,描述由一个隐藏马尔科夫链随机生成不可观察状态随机序列，再由各个状态生成一个观察而产生观察随机序列过程。其中，隐藏马尔科夫连随机生成状态序列，称为状态序列(statesequence)；每个状态生成一个观察，而由此产生观察随机序列，称为观察序列(observationsequence)。序列每个位置能够看作一个时刻。每个隐马尔科夫模型能够看作一个三元组，由初始概率分布、状态转移概率分布以及观察概率分布确定。通常情况下，观察概率分布都是离散，这种模型也被称为离散隐马尔科夫模型(DHMM)。但在实际应用当中，特征经常无法聚类到有意义离散点上。在这种情况下，强制离散化会造成模型精度不准，而原有离散模型则无法满足建模需求。为此，学者们引入了连续隐马尔科夫模型(CDHMM)。确定好模型后，则需要利用数据对模型进行训练。关于驾驶元素定义并没有公认标准，所以无法为每一个驾驶行为人为定义准确隐状态个数。为此，在详细进行模型训练时，需要采取枚举试验方式，确定最适宜HMM结构以及参数。枚举参数有两个：一个是隐状态个数，改变范围为1~4；另一个则是每个隐状态对应高斯混合模型个数，改变范围为l~2。最终，经过识别效果，来确定最终模型参数。

5）特征选取以及驾驶策略选取：数据中所包含特征只有速度、方向盘夹角、转向灯状

态。为此，需要对其进行一定扩展，形成模型输入特征向量。特征向量：特征类型描述速度连续变量主车行车速度加速度连续变量主车采样时刻行驶速度差值转向灯离散变量转向灯状态方向盘转角连续变量归一化后方向盘转角驾驶策略：驾驶策略描述开启从停顿状态开启汽车停顿使汽车进入停顿状态紧急停顿遇见突发情况紧急停顿左转右转保持没有大方向盘波动和速度波动加速速度一直上升减速速度一直下降6）模型训练：特征文件准备，要编写程序将数据源转换为其特定特征文件；标注文件，每一行数据以<起始时间，结束时间，标识类型>形式给出对应数据标

注接下来就是HMM模型定义。在实际使用时，因为并不清楚什么样模型愈加精准，所以使用了多个模型对同一驾驶策略进行训练，分别枚举了隐状态个数以及高斯混合模型个数。每个驾驶策略都对应了一系列HMM模型。HMM训练，其实就是对于参数估量，由以下三个阶段来完成：参数进行初始化，独立模型迭代，连续模型迭代。模型评判标准，Precision(准确率)和Recall(召回率)是两种惯用评价模型性能指标，前者量化是识别结果有多少是准确，后者量化是有多少正确结果被识别出来了。

7）相关应用：风险分析识别，一个趋势是将识别目标变小，从复杂路径预测，缩小到简单状态检测，如注意力、醉酒等；另一个趋势，则是利用越来越丰富传感器数据，使用机器学习理论去建模和分析。前者在许多实际应用中取得了良好结果，但各个识别方法相互独立，难以在理论上整合在一起；后者则是现在该方向研究热点，近年许多工作都采取了这种方法。实现策略：

为了构建这么识别模型，需要将训练数据进行划分，分为标准驾驶策略和不良驾驶策略；之后，使用两种数据，分别对安全和危险模型进行训练。本文对于数据划分，基于以下假设：驾驶格调良好驾驶员，总是倾向于做出很好驾驶操作(从概率上来说，确实如此)；反之，驾驶格调较差驾驶员，其操作也大多危险。结果评定及分析：风险分析识别结果好坏，取决于应用能否准确识别出危险操作，同时不能做出太多误判。前者对应于准确率，后者对应于召回率。最终，驾驶策略F值都保持在60％左右，并不是尤其理想。在实际应用时，亦会发生漏判和误判情况。发生这种问题原因，很可能是出在训练集构建上。因为，对于安全和危险数据划分，只是基于驾驶格调假设，所以训练数据中会存在较多错误数据，毕竟优异驾驶员也不能确保全部时刻操作都是标准。伴随数据不停增加，这一假设将会越来越符合实际。经过分析方向盘信号波动来检测驾驶员是否醉酒或者精力不集中；经过GPS信息确定当前位置，获取当前道路限速、信号灯等信息，给出警告；检测与前方行驶车辆车距等。它们作用更多是检测和展示危险信息，而不是做出危险躲避指示。在引入驾驶行为识别能力后，预警系统功效将取得深入拓展。一段道路上驾驶操作，通常是由一系列驾驶行为组成；所以，能够提取同一路段上，多数人共有操作序列，作为该道路理想操作序列(周围汽车影响单独考虑)。经过比较当前操作和这一标准区分，则能够判定是否危险，甚至给出推荐驾驶操作和形成轨迹。与原来相比，引入驾驶行为后系统有三点优势：①环境信息蕴含在驾驶行为序列中，不需要单独建模，且蕴含内容会愈加丰富；②用多人共有驾驶序列作为标准，比人工指定规则更有说服力；③因为标准是由驾驶行为组成，所以更轻易在操作层面上给出指导，而不是简单提醒。8）基于DriverProfile衍生服务：DriverProfile主要为不一样驾驶员提供一个档案，存放一系列驾驶相关信息(历史统计、驾驶格调、驾驶员评分等)。驾驶员能够经过比较自己形式统计好标准统计区分，去改进自己驾驶技术；同时，经过查看历史统计，还能够了解自己驾驶技巧是否有所提升。与以往单纯图表统计不一样是，这些统计都是由驾驶行为组成；所以，驾驶员更轻易看出自己不足，同时更轻易针对特定行为进行改进，可操作性大大增强了。另外，保险业评级和物流管理准确性，也会因为驾驶行为愈加详尽而大大提升。

驾驶风险分析：攻击性驾驶行为(aggressivedrivingbehavior)以及违规行为(drivingoffences)与交通事故关系研究已经有很长历史。拥有一些特点驾驶人员在公路上更轻易出现交通事故，这些特点包含攻击性驾驶行为、冒险行为等。有时候那些风险行为较高驾驶人员会错误了解其余驾驶人员驾驶行为,以至于把一些中性行为看做是对自己挑衅,从而诱导出他们风险行为。即使是事故非责任方,他们在驾驶行为表现上仍出现了较高风险驾驶行为,约有20%非责任方驾驶人员在日常驾驶中出现了较多超速行为。一个具备较高信效度驾驶行为问卷(driverbehaviorquestionnaire,DBQ)非常关键。其中错误定义为:因为按计划完成一些驾驶任务失败,从而造成不想出现结果。而违规被定义为:有意去偏离安全驾驶行为系统,而选择有潜在风险驾驶行为。DBQ问卷进行研究得到3个原因:通常性错误(generalerrors)、危险性错误(dangerouserrors)和危险性违规(dangerousviolations)。通常性错误指是错误行为中不会有些人身伤害行为,而危险性错误指是轻易产生人身伤害错误。违反规则人群中,男性数量要显著多于女性,而且这种违反规则现象伴随年纪有递减趋势。而与此相反,汇报有错误人群中,女性数量显著多于男性,且不伴随年纪改变而改变。在人格与驾驶行为关系研究中,A型人格一直备受关注。A型行为表现为担心、着急、竞争、野心,并易患冠心病,在驾驶中可表现为情绪急躁、不稳定等。研究人员用不一样A型人格量表进行了调查,大多数研究均发觉A型行为驾驶人员有更高事故率。在众多变量中,只有A型人格与风险驾驶行为达成了显著相关。除了A型人格,备受关注另一个人格特质是感觉寻求。与感觉寻求相反人,即感觉回避人更倾向于保持较大车间距以及一些更安全驾驶行为。问卷：1)A型行为类型量表，2)感觉寻求问卷，3)驾驶人员风险态度问卷。使用主成份分析(principalcomponentanalysis)进行方差最大旋转,共取得4个特征值(eigenvalue)大于1因子，依照因子可解释性,最终确定该问卷能够抽取4个原因。删除3个载荷比较小并出现双负载项目。最终问卷为21个项目,4个原因共解释总方差6476%。每个项目标载荷都在055以上,而且每个项目和最大载荷所在原因具备内容上相同性,和另一个原因具备区分性。4个原因分别为:原因1危险性失误,原因2通常性违规,原因3无害性失误,原因4攻击性违规。复杂反应分析：复杂反应是指机体对外界刺激在一定时间内做出正确应答判断能力，用错误反应次数和反应时间表示。相关研究表明，事故率与驾驶员复杂反应特征有较强相关性。事故率高驾驶员复杂反应时间方差越大，错误次数越多。驾驶员复杂反应指数(K1)和速度估量指数(K2)与表征人格特征五大原因之间存在着较强相关性，复杂反应指数(K1)和速度估量指数(K2)与驾驶员攻击性、独立性和敢为性之间存在着较强正相关性，而与驾驶员社会向性、稳定性之间存在着较强负相关性。复杂反应指数(K1)和速度估量指数(K2)大驾驶员，往往脾气较急躁，个性较独立，同时缺乏自我控制，对危险感知能力较弱，对自己驾驶能力有过高估量。复杂反应指数(K1)和速度估量指数(K2)小驾驶员，表现出社会责任感较强，情绪稳定，同时有较强自我效能。当碰到特殊情况时，驾驶员精力和注意力会愈加集中，有愈加好驾驶行为表现，行车也更安全。针对于驾驶状态风险分析：以检测特定驾驶状态为基础，之后再依照驾驶员所处状态，来评判现在是否有危险。常见评判状态有醉酒驾驶、注意力是否集中、情绪波动等。用视频或眼动仪来跟踪驾驶员视角或脸部动作；用特制传感器统计驾驶员生理指标(心跳、血管舒张压)带有预测性质风险分析，是对特定环境行为进行建模，然后预测汽车行驶轨迹或行动，从而确定是否危险；使用函数回归方式去模拟汽车行驶轨迹，计算对应参数值。之后利用该模型进行行驶轨迹预测。经过比较预测轨迹和理想轨迹差距，来判定是否危险。研究分散注意力条件对驾驶表现影响：驾驶任务包含手机对话、与乘客对话以及招牌阅读。任务细节描述以下:

•没有任务:驾驶员没有任何任务进行驾驶。

•招牌阅读:驾驶员在驾驶过程中大声阅读标识/招牌上字。

•手机对话:经过手机导航指导,驾驶员向一个不熟悉地方前进。另外,网上银行申请也经过手机完成。•与乘客对话:驾驶员与车上乘客对话。为了评定任务识别,我们使用16个混合GMM分类器和5倍交叉验证分类，经过使用加速和制动踏板信号融合,以93.2%成功率识别了参考驾驶会话,以72．5%成功率识别了有特定任务驾驶会话。使用加速和制动信号16个混合GMM分类器融合,平均任务与无任务识别结果为83.3%。需要注意是,这些识别率显著高于可能出现均匀分布随机分类表现。经过使用加速和制动踏板信号融合,手机对话任务识别率为58.5%,招牌阅读为25%,与乘客对话为52．6%。在具备加速和制动信号16个混合GMM分类器,且决议窗口为60s情况下,得到平均任务识别结果为52.7%。观察到识别率要高于全部任务随机类型。干扰条件下驾驶行为信号预测比没有辅加任务条件下预测误差增加了20%