利用眼动行为识别汽车换道意图的方法

利用眼动行为识别汽车换道意图的方法

0换道行为识别车辆交换辅助系统可以有效防止交通事故的发生。其工作原理是通过雷达等探测设备实时监测和监控后面目标的运动状态。如果在规定的距离阈值内存在相关冲突车辆，系统将发出警报，防止驾驶员交换车道行为。当前在用的换道辅助系统判别驾驶人换道意图的主要依据是转向灯的开启状态,在实际使用中存在以下问题:(1)转向灯开启率较低。Liu各国学者对换道行为识别进行了相关研究。Kuge等视觉是驾驶人获取外界信息的最重要途径,一些学者研究发现驾驶人的视觉特性与换道行为意图之间存在密切联系。Salvucci等本文中基于真实道路环境下的实车试验,以驾驶人视觉特性及头部运动为切入点,对比分析车道保持阶段与换道意图阶段驾驶人视觉搜索特性差异,确定表征驾驶人换道意图的表征参数,借助于多证据融合理论模型,实现对驾驶人换道意图的早期识别,增大识别时间的提前量,从而给驾驶人提供充足的预警反应时间。1试验总结1.1城市快速断面线路本次试验所选路段类型主要为城市快速干道与高速公路。城市快速干道线路为西安市南三环及东三环部分路段,路线全长29.6km,其中南三环路段为双向6车道,中央绿化带隔离,限速80km·h1.2身体年龄及驾驾压选取16名驾驶人作为被试对象,均以自愿方式招募而来,且经过严格筛选。所选驾驶人均身体健康,年龄介于28~50岁,驾龄为2~33年。为了避免佩戴眼镜对眼动仪追踪效果的影响,被试驾驶人裸眼视力均要求在1.2以上。1.3旋转角度等参数试验采用faceLAB5.0非接触式眼动仪,用于追踪驾驶人的眼睛及头部运动,该仪器可以精确测量驾驶人注视行为、扫视行为、头部位置、头部旋转角度等参数。faceLAB5.0眼动仪克服了头盔式眼动仪给被试驾驶人带来的不舒适性,最大限度保证了试验安全性,同时有利于获取反映驾驶人真实视觉特性的数据;它的另一个优势是可以追踪获取驾驶人头部转动信息。此外,试验采用AWS车道线识别系统来定位车辆在车道中的横向位置,并采用CAN通信协议方式,通过车载OBD接口采集表征驾驶人操纵特性及车辆运动状态的方向盘转角、车速、油门踏板开度等信息,满足研究参数需求。2被试驾驶人意图时窗确定研究表明,车道变换执行阶段前某个时窗宽度内,驾驶人会表现出特定的行为特征规律,但对于意图表征时窗的具体宽度值,却没有学术界统一接受的标准。Lee等通过对各被试驾驶人意图时窗宽度值的统计发现,驾驶人换道前对后视镜的提前关注时间相对比较稳定,体现了驾驶人驾驶习惯与视觉搜索效率的恒稳性。对所有被试驾驶人换道意图时窗宽度进行单因素方差分析,得到检验值F=0.923<F3换道意图样本的确定基于试验录像及采集的原始数据对驾驶行为模式进行分类,包括自由直行、跟车、换道、汇入及驶出、交叉口直行、左转及右转等。车道保持样本主要源自于自由直行及跟车2种驾驶行为模式,此外还包括对应于换道意图样本之前的直行过程(样本满足截取条件的前提下)。为了便于后续的对比分析,车道保持样本时长同样截取为5s。对于换道意图样本前的直行过程而言,可以从换道意图样本起点向前直接截取,而对于自由直行及跟车行为而言,应基于数据质量进行截取,尽量截取注视点稳定且丢失较少的数据。按照上述样本筛选方法,进行换道意图样本及车道保持样本的筛选,最终筛选出换道意图样本408次,以及数量基本对等的车道保持样本403次。所有样本来源于所选16名被试驾驶人,其中换道意图样本对应的车道变换过程均为向左换道。将样本分离为学习样本与识别样本,其中学习样本主要用来提取被试驾驶人换道意图阶段的眼动行为特征规律,而识别样本主要用于对换道意图的后续识别。最终确定分离后的学习样本中,换道意图样本与车道保持样本各200次,其余的作为识别样本。样本筛选逻辑流程如图1所示。4交换路径的意图识别指标4.1注意力分配特性参数眼动行为参数主要包括由仪器直接测得的基本眼动参数和基于这些参数衍生出来的用以表征某方面视觉搜索特性的参数。基本眼动参数包括注视时间、注视频次、注视点位置、扫视幅度、扫视时间、扫视速度、视觉搜索广度、瞳孔面积、眨眼频次、眨眼时间等。注意力分配特性参数指驾驶人对某个兴趣目标或兴趣区域的关注时间占总时间的比例,可以通过注视点位置、注视时间、注视频次、视觉搜索广度注视转移特性参数用以表征注视点在各兴趣区域间的转移路径和规律,常用参数主要为不同区域间的注视转移概率。兴趣区域的划分方法和划分结果很多,依据换道意图识别的研究目的,本文中对兴趣区域的划分如图2所示,各兴趣区域的边界描述如表1所示。驾驶人在进行视觉信息搜索和感知时,是由头部运动结合眼动共同完成的,头部运动特性参数有头部绕x,y,z三个方向的转角。4.2影响因素分析对所筛选的车道保持样本和换道意图样本中上述各参数数据进行对比分析,一部分参数的数据差异性较小,而另一部分参数数据差异性较大。表2中列举出了经独立样本T检验,在伴随概率p<0.05时即存在显著差异的参数和具体参数值。4.3证据融合的一般理论指标。主要分为三通过对换道意图阶段与车道保持阶段驾驶人眼动和头部运动数据的对比分析,可以提取出有效表征换道意图阶段与车道保持阶段视觉特性差异的参数,构建换道意图识别指标体系。确定指标时遵循以下原则:(1)易量化。尽量选择容易量化的指标,以便于后续的数据融合。由于拟采用窗宽递增的方式进行意图识别,因此尽量不要出现反映总体数量的指标,如注视总时间、注视总次数等。(2)全面性。在应用证据理论时,在识别框架确定的前提下,证据数及指标数量越多,越有利于行为模式的判别。(3)相互独立性。在保证指标涵盖全面的前提下,应尽量使各指标相互独立,若度量含义相近的参数同时进入指标体系,不但会增大后续的数据融合运算难度,还可能会影响到最终的识别结果。基于以上原则,结合表2的参数,最终确定以单次注视平均时间、单次扫视平均幅度、水平方向视觉搜索广度、当前车道与目标车道注意力分配比、后视镜注意力分配率、1-2区域注视转移概率、头部水平转角标准差共7个参数作为换道意图识别指标。5基于证据理论的隧道意图识别5.1模型特性的检验根据证据识别理论,设某一需要判决的问题所有可能答案的完备集合用Θ表示,可表示为Θ={θ设存在可以描述Θ特性的指标E设m式中:(1)基于初始时窗宽度W(2)基于式(1)对各证据在各行为模式下的信任分配概率进行数据融合,最终得到所有证据对2种行为模式的基本信任概率分配。(3)采用可信度赋值决策规则对证据融合结果进行检验。通过判定|m(A)-m(B)|≤ε是否成立,确定最终识别结果。若直至t5.2型样本矩阵根据对应目标模式下各证据的典型值,构建相应的典型样本矩阵。针对意图识别所选证据参数,基于前文换道意图阶段与车道保持阶段视觉特征参数差异性分析,获得2种目标模式下各证据构成的典型样本矩阵M5.3换道意图识别Θ为识别框架,基本信任概率分配函数m是一个从集合2对于某待识别样本,假定其各证据对应实测值为{e对于换道意图识别问题,由于仅存在2种待识别模式,即n5.4初始识别时窗对比根据多证据的正交合成规则m(A)=m1即综合识别时窗W由于初始识别时窗内的识别结果为车道保持,需要将W由表5可知,W通过对比对识别时窗W5.5识别结果的分析5.5.1真阳性、假阳性、假阴性、fn对于任意一个待识别样本,证据理论的最终识别结果会出现以下4种情形:真阳性(TP)、假阳性(FP)、真阴性(TN)、假阴性(FN)。运用本文所建立的识别模型,对208个换道意图样本和203个车道保持样本进行识别,识别结果如表6所示。5.5.2不同类型样本的识别信效结果通常以灵敏度S本文中,灵敏度表示所有意图样本中识别结果为“意图换道”的样本比率;特异度为所有车道保持样本中识别结果为“车道保持”的样本比率;准确率即所有识别结果为“真”的识别样本比率。由表6数据计算可知,识别灵敏度、特异度、准确率分别为89.42%,86.21%,87.83%,均在85%以上,识别信度较高,表明了运用证据理论识别驾驶人换道意图方法的有效性。通过观看试验场景录像发现,在28个假阳性样本中,有9个样本为“换道意图撤销”,即驾驶人认定不具备换道条件而撤销了换道意图。显然,不能将“换道意图撤销”样本划归为假阳性,将其归类为真阳性更为合理。因此,识别结果相应的灵敏度及特异度分别提高至89.86%与90.21%,总体识别准确率则相应升至90.02%。5.5.3识别灵敏度随转向开启率的变化识别时序性,即识别出换道意图的时刻相对于换道操作起始时刻的提前量,也是评价识别方法优劣的指标之一。在识别结果为真阳性的前提下,识别时刻越早,越有利于安全预警。图4为识别灵敏度与转向灯开启率的对比。如图4所示:运用证据理论,换道意图识别灵敏度累积值由31.5%(换道之前3s)逐渐增加到89.86%(换道时刻);而单纯依靠转向灯方法,其转向灯累积开启率从6.22%(换道之前3s)上升到48.56%(换道时刻)。可以看出,依据转向灯状态,各时刻转向灯累积开启率均显著低于识别灵敏度累积值,表明基于证据理论识别换道意图远比单纯依靠转向灯信号状态的意图识别更为合理、高效。6换道意图表征(1)基于16名驾驶人换道前对后视镜注视特性规律的提取分析,确定驾驶人