基于危险态势识别的智能车驾驶模式选择*

严利鑫　黄珍　吴超仲　秦伶巧　朱敦尧　冉斌

(1. 武汉理工大学 智能交通系统研究中心， 湖北 武汉 430063； 2. 武汉理工大学 国家水运安全工程技术研究中心，湖北 武汉 430063； 3. 威斯康星大学麦迪逊分校 土木与环境工程学院， 威斯康星 麦迪逊 53706；4. 武汉理工大学 自动化学院， 湖北 武汉 430070)



基于危险态势识别的智能车驾驶模式选择*

严利鑫1,2,3黄珍4†吴超仲1,2秦伶巧3朱敦尧1,2冉斌3

(1. 武汉理工大学 智能交通系统研究中心， 湖北 武汉 430063； 2. 武汉理工大学 国家水运安全工程技术研究中心，湖北 武汉 430063； 3. 威斯康星大学麦迪逊分校 土木与环境工程学院， 威斯康星 麦迪逊 53706；4. 武汉理工大学 自动化学院， 湖北 武汉 430070)

人机共驾是智能车发展中必须经历的一个重要阶段，而人机切换时机选择是人机共驾需要解决的一个关键问题。为此，文中以实车实验采集的数据为依据，根据驾驶人经验及经K-均值聚类得出的危险态势等级对驾驶模式选择方式(安全驾驶、进行警示和自动切换)进行了标定。通过引入车速均值、加速度标准差、车头时距、前轮转角标准差、车道偏离量以及驾驶人经验等6项指标作为特征向量，提出了基于径向基核函数序列最小优化算法(SMO)的智能车驾驶模式选择模型。并以决策树、径向基神经网络、支持向量机(SVM)作为对照。研究结果表明，文中提出的基于SMO方法的驾驶模式识别模型的准确率达到91.7%，相较于其他3种识别方法具有较大的优越性.

智能车；驾驶模式；K-均值聚类；序列最小优化算法；交通安全

在过去的30年，智能车在世界范围内经历了一个飞速发展的历程[1].目前研究主要倾向于将自动驾驶的量产化进程分为4个阶段：驾驶人辅助阶段、半自动驾驶阶段、高度自动驾驶阶段、完全自动驾驶阶段[2].但是考虑到技术、经济、法律及伦理等因素，完全自动驾驶车辆不可能直接进入市场[3],而在相当长一段时间内其发展将持续在第3阶段.在该阶段，驾驶人和车辆共享对车辆的控制权，在特定的交通环境下，系统能够通过自动切换对驾驶进行接管，进而提高行驶安全性.所以针对智能车切换方式和接管时机方面的研究具有的理论和实践意义.

在自动切换方面，国内外的一些专家学者也开始开展了一些探索性研究.Weyer等[4]通过采用问卷调查的方式对驾驶人对失去对车辆控制的反应进行了探讨，研究表明进行自动切换并未降低驾驶舒适性和增加驾驶人心理负担.Zeeb等[5]通过汽车驾驶模拟实验构建了切换时间与切换警示之间的理论模型，进而对不同风险类型驾驶人对切换驾驶的反应能力进行了分析.此外，一些学者发现采用刹车踏板作为切换控制的触发器具有较好的效果[6- 7].

在接管时机选择方面，智能汽车由人工驾驶切换到自动驾驶的关键是要使系统自动识别车辆处于何种状态、哪种状态需要进行切换等.当危险态势(如碰撞、追尾等)出现时，通过采用自动驾驶的方式能够有效防止潜在危险的发生.已有学者对车辆危险态势识别进行了研究，如彭理群等[8]采用变精度粗糙集模型构建了驾驶人危险态势评估模型，汪澎等[9]基于多源信息提出了一种车辆运行状态识别体系；此外，一些专家学者基于车间距、车头时距等指标对存在的驾驶风险进行预测[10].但这些研究仅仅是为安全预警服务，没有从自动切换的角度进行研究.

基于此，文中采用驾驶人生理指标实现对目标场景下驾驶人的生理状态评估，进而为警示和切换驾驶提供依据.同时综合考虑来自本车横向风险、纵向风险、外界环境状态以及驾驶人状态，融合专家经验，采用序列最小优化算法(SMO)构建智能车驾驶模式选择模型，实现对3种模式(安全驾驶、进行警示和自动切换)的自动辨识，以期为自动驾驶和人工驾驶的切换决策提供依据.

1　驾驶模式选择特征参数的选取

智能车驾驶模式的选择主要取决于当前驾驶中存在的风险，而风险的来源主要包括纵向风险、横向风险以及驾驶人水平3个方面.为了综合分析驾驶模式选择的深层次影响机理，研究中以这3方面因素作为风险源进行分析.

(1)纵向风险表征指标

相关研究表明[11]，在同一路段行驶过程中，平均车速越高，发生事故的风险越大.同时，加速度变化越剧烈(即加速度标准差变化大)反映驾驶的纵向稳定性越差，事故风险概率也将越高.而车头时距表示本车与前车的安全时距，显然，车头时距越小，出现追尾事故的可能性越大.因此车速均值、加速度标准差以及车头时距是表征纵向驾驶风险的重要参数，其计算公式为

(1)

(2)

(3)

(2)横向风险表征指标

前轮转角标准差反映驾驶人对方向盘控制的平稳程度，车道偏离量平均值则表示当前车辆车道保持的情况[11]，这两项指标分别从位置和操作两方面反映了驾驶过程中横向存在的风险，因此前轮转角标准差和车道偏离量平均值是衡量横向驾驶风险的重要参数，计算式为

(4)

(5)

(3)驾驶人自身水平表征指标

在驾驶过程中，驾驶人的经验对车辆行驶安全性具有决定性的影响.而相关研究表明[12]，驾驶人驾驶经验主要由驾龄和驾驶里程两个指标决定.一般将驾驶人分为熟练驾驶人和新手驾驶人两种类型.袁伟等[13]提出将实际驾驶里程5×104km作为新手驾驶人和熟练驾驶人的界限值，此外也有相关研究[14]提出驾龄小于3年的一般被认为是新手驾驶人.在本研究中，为了能够简单有效探索驾驶人经验与驾驶模式选择之间的影响关系，将新手驾驶人定义为驾驶里程小于5×104km且驾龄小于3年；熟练驾驶人则为驾驶里程大于5×104km且驾龄大于3年，表达式为

(6)

式中，Ex为驾驶人经验,A为驾龄,D为驾驶里程.

2　实验设计

为了能够对驾驶过程中存在的风险进行识别，进而为智能车在行驶过程中进行驾驶模式自动切换提供依据,通过采集提取实际驾驶过程中的目标交通事件[15](如周边车辆抢行、前方车辆突然急刹车以及行人违规横穿马路等)，融合专家经验以及实际采集的数据，对该环境下应该选取的驾驶模式进行确定.

2.1实验设备

为了能够采集驾驶过程中包括驾驶人、机动车以及外界环境在内的多源信息，实验中采用武汉理工大学智能交通系统中心和武汉光庭科技有限公司联合改装的长安悦翔牌轿车(见图1).该车在解析原车CAN信息的基础上，通过加装惯性导航系统、高精度摄像头、激光雷达、Mobileye以及智能手机等实现对车辆运动信息以及外部环境信息的采集，并通过给驾驶人佩戴生物反馈仪等设备对驾驶人的生理心理状态进行实时监控.此外，该车还具有自动驾驶功能，能够通过人工切换的方式实现车辆的自动驾驶.

图1　数据采集系统

2.2被试对象的选择

实验中招募了22名合格的驾驶人，其中包括18名男性、4名女性.驾驶人的平均年龄42.27岁(年龄标准差为9.07岁)，平均驾龄5年(驾龄标准差为6.06年).此外，为了实现对有经验驾驶和新手驾驶人的界定，研究中还对不同驾驶人的实际驾驶里程进行统计，22名驾驶人平均驾驶里程为7.7×104km(驾驶里程标准差为3.22×104km).

2.3实验过程

为了在实验中尽可能采集较多的目标交通事件，实验中选取的路线全程53 km，路段包括45个信号灯、2个隧道以及2个大型商业区(详细路线见图2).在实验过程中，当遭遇目标事件时，驾驶人需要对其风险等级进行评估汇报.汇报根据驾驶人自身的感受分为3级：A—安全行驶，此事件对驾驶无影响，可以继续安全驾驶；B—进行警示，此事件若驾驶人未观察到将很危险，需进行警示；C—自动切换，在这种事件下，驾驶人容易出现情绪失控或操作失误，需进行辅助切换控制来避险.具体实验流程如图3所示.

图2　实验路线

图3　实验过程

通过对原始数据进行处理，提取了300个典型的目标交通事件，并且依靠实验记录和专家判断的方式对300个交通事件下应选取的驾驶模式进行标定，经处理后数据结果如表1所示.

3　数据分析

3.1基于危险态势识别的驾驶模式标定

为了验证专家评判的合理性和准确性，文中采用该时刻下的危险态势水平作为参考对象进行辅助验证，研究表明，当危险发生或者驾驶人处于不良驾

表1　典型交通事件下的不同特征参数数据(部分)

驶状态时，驾驶人生理心理水平状况相比于正常驾驶时具有较大的差异性[16].而作为两个典型的生理指标，血流量脉冲(BVP)和皮肤电导(SC)能够在一定程度上反映驾驶人的生理心理状态，且可以用于进行危险态势等级的划分.考虑到目标事件从持续到消失通常为5 s左右，所以处理过程中BVP和SC的取值分别为该指标在5 s内的均值.采用SPSS软件,以BVP和SC作为聚类标准对不同的驾驶模式选择进行聚类，其结果如图4所示.

图4　聚类结果

由图4可知，智能车驾驶模式按照BVP和SC的特征聚类为3类，其中安全行驶这一类的样本量最多，自动切换这一类的样本量最少.这也与正常的驾驶相吻合，毕竟在驾驶过程中出现极端危险驾驶的状态较少，多数情况下驾驶人还是能够从容应对出现的冲突.而由表2可知，采用BVP和SC这两个指标进行聚类得到的聚类结果与专家评判的结果吻合率(均大于90%)较高.由此可见，驾驶人对典型交通事件的驾驶模式选择分类是较为可信的.

表2聚类结果与专家判断结果对比

Table 2Comparison between clustering results and expert eva-luation results

驾驶模式BVP聚类中心值SC聚类中心值聚类数量专家评判数量二者吻合数量吻合率/%安全行驶25.718.9617918017496.7进行警示32.5715.7983828097.6自动切换42.6920.3938383694.7

3.2影响因素相关性分析

在实际驾驶过程中，风险主要来自横向、纵向以及驾驶人自身3个方面.图5-7分别反映了选择3种不同驾驶模式时速度、加速度标准差、前轮转角标准差、车道偏离量、车头时距以及驾驶人经验的变化规律.

图5　不同驾驶模式下的平均速度和加速度标准差变化

Fig.5Variations of the average speed and the STD of acceleration in different driving modes

图6　不同驾驶模式下的前轮转角标准差和车道偏离量变化

Fig.6Variations of the STD of front wheel angle and lane departure in different driving modes

图7不同驾驶模式下的车头时距小于3s和新手驾驶人所占比例变化

Fig.7Variations of the proportion of time-headway being less than 3s and inexperience driver in different driving modes

由图5-7可以发现，在不同的驾驶模式下，来自横向、纵向以及驾驶人自身相关的6项指标都呈现一定的差异性.当车速、加速度标准差、车道偏离量较大时，驾驶人更倾向于通过选择警示提醒或自动切换的方式来进行避险；而由图7(a)可知，当车头时距小于3 s或驾驶人经验欠缺时，其选取警示模式和自动切换的模式概率更高；图6(a)中，前轮转角标准差的变化未能出现明显相似规律，究其原因，可能是由于在城市道路驾驶过程中，受交通流和交通信号控制的影响，出现剧烈转向的情况并不多见.同时横向具有较多驾驶盲区的特点，当出现剧烈转向时，驾驶人更易出现紧张或失控情况，此时采用自动切换控制更为有效.为了研究6项指标与驾驶模式选择的相关性，文中采用皮尔逊相关系数法进行检验(结果见表3).由表可知，6项指标与不同驾驶模式选择之间存在显著的相关性(sig.<0.05)，且车速、加速度标准差、车道偏离量与驾驶模式选择成显著正相关；而前轮转角标准差、车头时距、驾驶人经验与驾驶模式选择之间呈典型负相关.由此可见，这6项指标能够作为不同驾驶模式选择的依据.

表3　相关性检验结果1)

1)**表示在置信度(双侧)为0.01时显著相关;*表示在置信度(双侧)为0.05时显著相关.

4　智能车驾驶模式选择建模

4.1序列最小优化算法简介

序列最小优化算法(SMO)是20世纪90年代由Platt教授提出的一种改进的支持向量机(SVM)模型,其核心思想就是把大规模的二次规划(QP)问题分解为一系列小规模的QP子集优化问题，通过判断是否满足Karush-Kuhn-Tucker(KKT)约束条件及 是否半正定来解决这一问题，具体式参见文献[17].该算法的优点是能够自动填补样本中缺失值属性，通过成对分类解决多分类问题.此外SMO算法能够对SVM种的二次规划问题进行快速求解，显著提高了训练的速度[18].文中在Eclipse环境下建立并训练SMO模型，具体过程如图8所示.

图8　SMO算法求解流程

4.2核函数和相关参数的选择

为了确定SMO模型中最优核函数和相关参数，文中采用十折交叉验证法，选取其中240个样本进行训练，训练结果如图9所示.

由图9可知，径向基(RBF)函数训练的准确率和Kappa系数都处于最高水平(达到95.8%和0.921)，而其均方根误差及相对平方根误差相较于

图9　不同核函数训练结果

其他两种方法都处于较低水平，由此可见，选用RBF核函数进行模型构建效果最为理想.此外，研究中采用网格寻优法[19]对需要标定的参数C(其中，C∈[1,10],其寻优步长为1)和γ(γ∈[1/N,0.1]，N为样本数量，其寻优步长为0.001)进行优化，通过进行多次实验测试发现C和γ分别取3和0.08时模型的识别准确率最佳.

4.3不同识别算法结果分析

前文中已确定SMO模型的结构以及相应参数，现只需采用合适的样本量进行训练即可完成SMO模型的构建.为了提高模型的实用性和泛化能力，随机从样本库中选取其中80%的样本作为训练集，剩余20%的样本作为测试集.此外，还利用ID3决策树、径向基神经网络、以RBF为核函数的SVM对同组数据进行了对比(结果如表4和图10所示).

表4　4种不同辨识算法的识别效果1)

1)总体准确率表示识别正确的驾驶模式占总样本的比重，各模式准确率求和即为总体准确率.

图10　不同辨识方法的准确率

由表4及图10可知，ID3决策树效果最差，其准确率为88.3%，虽然其对于自动切换这种驾驶模式选择的辨识精度最高达到了88.9%，但是在训练过程中未进行辨识分类的样本达到13个.径向基神经网络、SVM和SMO的训练效果都较为理想，其准确率都达到了90%以上，SVM对自动切换模式的识别精度略低，准确率只有63%.而对于测试结果，SMO算法相较于其他3种识别算法体现出较大的优势，识别的正确率达到91.7%，且对3种驾驶模式的辨识准确率都超过80%.由此可见，采用SMO算法对3种驾驶模式选择进行识别是有效的.

5　结语

文中探讨了人机共驾智能车驾驶模式选择问题.首先通过实车实验采集了车辆行驶过程中典型的交通事件及相对应的多传感器信息，并使用驾驶人经验对该事件下倾向选择的驾驶模式进行统计分析，采用能够反映驾驶人状态的BVP和SC两个指标对危险态势等级聚类.通过对比分析驾驶模式选择结果和危险态势评估结果发现：驾驶人评定的驾驶模式与危险态势评估结果高度吻合.当驾驶人的BVP和SC处于一个较大值(即危险态势等级较高)，驾驶人更倾向于通过车辆辅助来规避风险，这与正常的驾驶也相符合.此外，采用车速均值、加速度标准差、车头时距、前轮转角标准差、车道偏离量以及驾驶人经验分别从横向、纵向以及驾驶人自身三方面因素作为特征变量，与驾驶模式的选择结果组成样本组，构建智能车驾驶模式选择模型，结果表明，通过采用该模型能够有效地对驾驶模式选择进行识别.

文中所得结论可以为智能车切换系统的开发提供借鉴.在智能车研发过程中需要充分考虑不同的驾驶模式，既能够使驾驶人充分享受驾驶带来的乐趣，又能够保障行驶的安全性和高效性.然而，驾驶模式的选择非常复杂，其影响机理及模式识别都较为困难.实验中所选用的实验车虽然具有自动驾驶功能，但是考虑到技术局限性和安全性，采用驾驶人经验的方式取代实时的模式切换，这也导致研究结果与真实的切换存在一定的差异性，下一步将就此开展进一步的研究工作.

[1]CAMPBELL M,EGERSTEDT M,HOW J P,et al.Autonomous driving in urban environments:approaches,lessons and challenges.Philosophical [J].Philosophical Transactions of the Royal Society of London A:Mathematical,Physical,and Engineering Sciences,2010,368(1928):4649- 4672.

[2]端木庆玲,阮界望,马钧.无人驾驶汽车的先进技术与发展 [J].农业装备与车辆工程,2014,52(3):1- 4.DUANMU Qing-ling,RUAN Jie-wang,MA Jun.Development and advanced technology of driverless car [J].Agricultural Equipment & Vehicle Engineering,2014,52(3):1- 4.[3]SEETHALAKSHMI S,PRIYADARSHINI M.Highly automated driving on highways based on legal safety [J].IEEE Transactions on Intelligent Transportation Systems,2013,14(1):333- 347.

[4]WEYER J,ROBIN D F,FABIAN A.Human-machine cooperation in smart cars.an empirical investigation of the loss-of-control thesis [J].Safety Science,2015,72:199- 208.

[5]ZEEB K,AXEL B,MICHAEL S.What determines the Take-over Time an integrated model approach of driver take-over after automated driving [J].Accident Analysis and Prevention,2015,78:212- 221.

[6]RUSCIO D,CICERI M R,BIASSONI F.How does a collision warning system shape driver’s brake response time The in uence of expectancy and automation complacency on real-life emergency braking [J].Accident Analysis and Prevention,2015,77:72- 81.

[7]RADLMAYR J,GOLD C,LORENZ L,et al.How traffic situations and non-driving related tasks affect the take-over quality in highly automated driving [J].Proceedings of the Human Factors and Ergonomics Society Annual Meeting,2014,58(1):2063- 2067.

[8]彭理群,吴超仲,黄珍.基于变精度粗糙集的汽车碰撞危险态势评估 [J].交通运输系统工程与信息,2013,13(5):120- 126.

PENG Li-qun,WU Chao-zhong,HUANG Zhen.Situation assessment of vehicle collision risk based on variable precision rough set [J].Journal of Transportation System Engineering and Information Technology,2013,13(5):120- 126.[9]汪澎,刘志强,杨培培.基于信息融合的车辆险态运行模式评价研究 [J].交通信息与安全,2013,4(31):30- 35.WANG Peng,LIU Zhi-qiang,YANG Pei-pei.Evaluation of vehicle dangerous traveling state based on information fusion method [J].Journal of Transport Information and Safety,2013,4(31):30- 35.

[10]侯德藻,李克强,郑四发,等.汽车主动避撞系统中的报警方法及其关键技术 [J].汽车工程,2002,24(5):438- 444.

HOU De-zao,LI Ke-qiang,ZHENG Si-fa,et al.The warning algorithm and some key technologies of vehicle collision avoidance system [J].Automotive Engineering,2002,24(5):438- 444.

[11]孙川,吴超仲,褚端峰,等.基于车联网数据挖掘的营运车辆驾驶速度行为聚类研究 [J].交通运输系统工程与信息,2015,15(6):82- 87.

SUN Chuan,WU Chao-zhong,CHU Duan-feng,et al.Driving speed behavior clustering for commercial vehicle based on connected vehicle data mining [J].Journal of Transportation Systems Engineering and Information Technology,2015,15(6):82- 87.

[12]徐婵娟,石建军,刘金超.驾驶执行过程研究概述 [J].交通信息与安全,2015,1(33):16- 21.

XU Chan-juan,SHI Jian-jun,LIU Jin-chao.An overview of the research on driving execution process [J].Journal

of Transport Information and Safety,2015,1(33):16- 21.

[13]袁伟.城市道路环境中汽车驾驶员动态视觉特性试验研究[D].西安:长安大学汽车学院,2008.

[14]LAJUNEN T,SUMMALA H.Driving experience,personality,and skill and safety-motive dimensions in drivers’ self-assessments [J].Personality and Individual Diffe-rences,1995,19(3):307- 318.

[15]GUO F,FANG Y J.Individual driver risk assessment using naturalistic driving data [J].Accident Analysis and Prevention,2013,61:3- 9.

[16]严利鑫，吴超仲，高嵩,等.驾驶人个体因素对驾驶愤怒情绪影响关系研究 [J].交通信息与安全,2013,6(30):119- 124

YAN Li-xin,WU Chao-zhong,GAO Song,et al.Research on relationship between driver’s temperament and driving anger [J].Journal of Transport Information and Safety,2013,6(30):119- 124.

[17]PLATT J C.Fast training of support vector machines using sequential minimal optimization,advances in kernel methods [M].Boston,USA:MIT Press,1998:185- 208.

[18]汪海燕,黎建辉,杨风雷.支持向量机理论及算法研究综述 [J].计算机应用研究,2014,31(5):1281- 1286.

WANG Hai-yan,CAI Jian-hui,YANG Feng-lei.Overview of support vector machine analysis and algorithm [J].Application Research of Computers.2014,31(5):1281- 1286.

[19]傅贵,韩国强,逯峰,等.基于支持向量机回归的短时交通流预测模型 [J].华南理工大学学报(自然科学版),2013,41(9):71- 76.FU Gui,HAN Guo-qiang,LU Feng,et al.Short-term traffic flow forecasting model based on support vectormachine regression [J].Journal of South China University ofTechnology(Natural Science Edition),2013,41(9):71- 76.Driving Mode Selection of Intelligent Vehicles Based on Risky Situation Identification

s: Supported by the National Key Technology Research and Development Program of the Ministry of Science and Technology of China(2014BAG01B03) and the National Natural Science Foundation of China(61104158)

YANLi-xin1,2,3HUANGZhen4WUChao-zhong1,2QINLing-qiao3ZHUDun-yao1,2RANBin3

(1. Intelligent Transportation Systems Center, Wuhan University of Technology, Wuhan 430063, Hubei, China; 2.National Engineering Research Center for Water Transport Safety (WTSC), Wuhan University of Technology, Wuhan 430063, Hubei, China;3. Department of Civil and Environmental Engineering, University of Wisconsin-Madison, Madison 53706, Wisconsin, USA;4. School of Automation, Wuhan University of Technology, Wuhan 430070, Hubei, China)

In the development process of intelligent vehicles, it is a necessary and important stage that manual dri-ving and automatic driving jointly play their roles, of which one key problem is selecting an appropriate take-over time from manual driving to automatic driving when a risky situation occurs. In order to improve the driving safety, according to the data collected from a real vehicle test, driving modes are divided into safe driving, warning driving and automatic driving, based on both the driver’ s report and the risky situation levels obtained by means of the K-means clustering. Then, by selecting six impact factors (namely, the average of speed, the time to headway, the standard deviation of steering, the standard deviation of acceleration, the distance away from the lane and the dri-ver’s experience) as the feature vectors, a driving mode selection model of intelligent vehicles is constructed based on the sequential minimal optimization (SMO) algorithm with the radial basis function (RBF). Moreover, the constructed model is compared with the algorithms of ID3, RBF network and SVM. The results show that the constructed model achieves an accuracy of up to 91.7%, which is significantly superior to those of the other three algorithms.

intelligent vehicle; driving mode; K-Means clustering; sequential minimal optimization; traffic safety

2016- 02- 25

国家科技支撑计划项目(2014BAG01B03)；国家自然科学基金资助项目(61104158)；武汉理工大学教学研究项目(2011180)

严利鑫(1988-)，男，博士生，主要从事智能车路关键技术、驾驶行为研究.E-mail：yanlixinits@126.com

黄珍(1974-)，女，副教授，主要从事智能交通系统、自动驾驶研究.E-mail：h-zhen@whut.edu.cn

1000- 565X(2016)08- 0139- 08

U 491

10.3969/j.issn.1000-565X.2016.08.020