车载信息融合交通因素的驾驶行为分析

周爱国，徐鹏宇，刘备

(同济大学机械与能源工程学院，上海 201804)

0 引言

2017年中国机动车保有量已经突破3.04亿辆，如此庞大的基数下，以扩建道路方式缓解城市日益增长的交通压力显得杯水车薪，利用高科技系统工程智能化、人性化地解决道路交通问题的方法应运而生。这种应用电子技术、IT技术和自动控制理论等建立人、车、路之间联系的方案被称为智能交通系统(Intelligent Transportation System, ITS)，是一个高效、环保和舒适的综合交通运输体系[1]。驾驶行为分析作为ITS的末端环节，研究设计高效的驾驶行为分析方法能够综合评估驾驶行为给车辆和道路交通带来的潜在危害以及如何有效预防交通事故[2]，推动ITS全面发展，从而以更低廉的成本实现城市道路交通的协调管理。

目前的驾驶行为分析方法主要分为两种：一种从宏观ITS视角分析车辆群体行为；另一种通过采集车载信息以分析驾驶员个体动作。Bielefeld University的HERMES与Daimler AG的WAHIERT研究提出了一种基于组合轨迹分类和粒子滤波器框架预测方法，能够长时间预测车辆运动轨迹，实现在复杂城市道路中的追踪和预测功能[3]。CAVENEY采用多传感器信息融合的方式，将地图导航与数学模型推演相结合，较为准确地预测未来某时刻道路车辆的行驶轨迹[4]。Shibaura Institute of Technology的TAKEI等使用模拟驾驶设备采集驾驶过程中方向盘的转角信号，后续信号处理组别分为傅里叶变换组和小波变换组，最终利用模糊理论判定小波变换法更能准确反映驾驶员状态[5]。武汉理工大学的毛喆博士就驾驶疲劳指标进行深入探究，提出了7项疲劳指标：转向角小波分解的ca5尺度归一化能量、转向角小波熵、转向角速度能量、转向角速度标准差、车速标准差、加速度小波分解的cd1尺度归一化能量和加速度熵，采用了时域分析、傅里叶频谱分析以及基于haar小波分解的时频分析3种方式，最终确认主成分分析方法提取上述疲劳驾驶指标最为有效，基于此设计了疲劳驾驶的人工神经网络算法[6]。

作者提出一种新的将车载信息与交通因素相融合的驾驶行为分析方法，通过OBD(On Board Diagnostics)接口从车辆ECU(Electronic Control Unit)中直接采集行驶数据，与百度地图API(Application Programming Interface)中提供的地形信息与实时交通路况相结合，利用贝叶斯理论对用户驾驶行为进行分析预测，并对融合结果进行了验证。

1 车载信息采集与远程监控系统设计

1.1 车载信息诊断仪设计

车载信息来源主要为车辆ECU，通过车身OBD端口向外界传输数据。在诊断仪的设计中，利用意法半导体公司STM32F103系列芯片为控制器，通过车内CAN网和K线两种方式连接车辆OBD接口，对OBD协议进行详细解读，实时获取ECU中反馈的车辆运行信息。除了OBD协议提供的数据外，诊断仪上设计了加速度传感器与陀螺仪模块，能够直接反映急刹车、急加速和急转弯等紧急情况下的车身状态。诊断仪的基本结构如图1所示。

图1 诊断仪各模块信息交互示意图

1.2 远程监控系统设计

诊断终端将车辆实时数据采集完毕后，需要发送给远程监控系统以供查看、储存和后续处理。远程监控系统上不仅可以进行复杂的数据分析运算，还可以作为控制终端发送指令，更新诊断仪程序。具体而言，监控系统主要由3个部分组成：本地服务器、远程服务器和客户端，从数据流角度建立其功能框架如图2所示。

图2 远程监控系统整体框架

本地服务器负责搜寻并连接局域网中所有在线的诊断仪，将它们发送的数据进行打包整合发送至远程服务器，同时也负责诊断仪程序升级；远程服务器负责将收到的不同诊断仪发来的信息分类并写入到不同的文件中去，同时能够根据客户端的要求呈现指定车辆的信息；客户端负责向远程服务器提出客户要求，接收指定的车载信息。

2 百度地图API功能开发

百度地图API满足了大众对个性地图和地图相关交互应用的期望，支持使用多平台语言构建个性化应用程序。百度地图API既包括数字地图所需的GPS(Global Positioning System)功能，也为实时路况、附近搜索等高级服务开放了接口，程序员可以根据自己的应用需求自主设计地图服务平台[7]。

百度地图API功能开发实质是设计满足特定需求的GPS系统。表1归纳了百度地图等通用地图软件的功能分类。目前需求仅限于初始定位、POI(Point of Interest)定位查询和交通显示与查询三类。

百度地图交通信息与查询功能中包含了各种路况信息，结合驾驶行为分析的需求，提取了百度地图导航常出现的三类实时交通路况提醒：

(1)交通警示：前方限速，闯红灯拍照，交通违规拍照。

(2)特殊路段：(严重)拥堵路段，学校路段，事故多发路段，积水路段，桥面路段。

(3)地形类：十字(T形)交叉，左(右)急转弯，绕环岛，掉头，反向(连续)弯路，上(下)陡坡，长下坡，隧道，合并道。

表1 通用地图软件功能分类

3 车载数据与交通因素的融合模型

信息融合系统按照整体方案归类可分为假设验证型、模式识别型、滤波跟踪型、模糊聚类型等。其中假设验证型融合技术主要基于统计学观点，以概率值评估某假设的可能性，应用广泛、结构简单、操作性强，因此选取假设验证型模型进行扩展。

在假设验证型融合技术的理论基础上，考虑到车载诊断仪和百度地图API的采样特性，融合模型选取并行分布式检测融合结构。相对于集中式检测结构，分布式将单个传感器信号的预处理和判定工作分配给了支线，并行结构最大程度发挥了支线处理器的能力，能够有效降低处理中心的负载。

图3所示为并行结构的分布式检测融合模型，每一支路都经历了传感器、信号预处理和结果判定流程，最终在融合判定中心将各路信息进行融合，得出全局结果。

图3 并行分布式检测融合模型

由于使用了车载诊断仪与百度地图API两大功能模块，车载信息融合交通因素的驾驶行为分析方法可以简化为基于两路传感器信号的信息融合系统，车载数据和交通数据都由独立的处理环节在管理。如图4所示，道路交通环境和车载数据作为两路信号源，在融合中心进行整合后共同对驾驶行为做出一致性的描述。信号预处理过程已经集成在车载ECU和交通信号获取设备上，减小了系统的复杂度。

图4 车载数据与交通信息融合模型

从融合处理层次的角度看，图4的融合模型属于特征级融合，既获取了经分析处理后的前端数据，又保证了数据量，这些都是信息链前端的车载ECU和交通信号获取设备的功劳。从原理来看，这种将道路交通环境的“宏观”信息与车载数据的“微观”信息相结合的方式增加了系统信息来源维度，减少了目标或事件的假设，从而提高了系统的可靠性。

4 基于贝叶斯理论的分析方法设计与验证

多传感器系统采用的融合算法众多，如加权平均法、卡尔曼滤波法、多贝叶斯估计法、证据推理法、产生式规则、模糊逻辑和神经网络等，按照其原理被分为两类——基于概率论和基于非概率论。在以概率论为基础的算法中，贝叶斯理论是一种可以根据先验概率，针对每个输入条件估算出相应各种输出概率的方法，理论成熟，应用广泛，但是当输入信号种类太多且相互重叠而不完全独立时，贝叶斯方法很难发挥作用。

文中提出的融合系统虽然采集的数据众多，但只分为车载信息和交通信息两大类，彼此近乎独立，贝叶斯理论能够得到有效的使用。可以参考大脑决策时将外界信息与先验知识进行比对然后做出判断的方式，利用先验知识比对出观测对象行为的后验知识，这也是贝叶斯理论的精髓。基于贝叶斯理论的信息融合方法为车载信息与交通信息融合的驾驶行为的先验概率和后验概率计算提供了理论依据。

4.1 利用贝叶斯理论解决信息融合的原理

贝叶斯统计理论是从概率论的角度讲述先验知识和后验知识的相关性。贝叶斯理论最开始在A、B两个样本空间里的事件上考虑，在给定B条件下，A发生的概率公式为

(1)

其中：P(AB)称为A和B同时发生的联合概率。

则边际概率公式有

(2)

因此，基于两个空间样本的贝叶斯公式表达如下：

(3)

推而广之，统计学上的贝叶斯理论可以定义如下：设存在一组随机事件A1、A2、……、An，各事件相互独立且有

(4)

又设B为某事件，则根据条件概率公式有

P(Ai)为先验概率，P(Ai|B)为后验概率。利用贝叶斯理论处理统计问题时，在利用样本信息时也需要考虑先验信息，所以先验概率的构造非常重要，常常需要大量的数据样本得到概率模型。贝叶斯理论处理信息融合问题的步骤可以概括如下：

(1)将每个传感器关于被观测目标的观测转换为目标属性的分类与说明D1、D2、……、Dm。

(2)计算以上目标属性的说明的不确定性，即P(Dj|Di)，其中j=1,2,……,m;i=1,2,……,n。

(3)计算目标属性的融合概率，即

P(Oi|D1,D2,……,Dm)=

(6)

特别指出，为得到较好的贝叶斯融合结果，积累丰富的先验知识至关重要。

4.2 贝叶斯方法在驾驶行为分析中的应用

通俗来说，先验概率是指事件还未发生，求该事件在某种因素下发生的可能性。后验概率是指事件已经发生，求导致该事件发生的某种因素的概率。在文中的驾驶行为评价系统中，将车载信息作为一组随机事件，即式(5)中的Ai，Ai可以代表超速、横向角速度过大或急刹车等；将交通因素作为条件，即式(5)中的B，B可以是转弯、拥堵或者交通信号灯等。将P(Ai)作为先验概率，则此驾驶行为评价系统的概率表述有：

条件概率P(B|Ai)：在Ai交通路况下，发生B车辆行为的概率。

后验概率P(Ai|B)：在发生B车辆行为时，由Ai交通路况造成的概率。

通过融合Ai和B两种信息并计算其先验概率和后验概率可以做出预警和评价：

预警：在行驶到Ai交通路况时，发生B车辆行为的概率很大，则及时提醒。例如，在左急转弯时横摆率大的概率很大，则在左急转弯处特别提醒减速。

评价：在B车辆行为发生时，处于Ai交通路况的可能性最大，则可以对该驾驶员的驾驶水平进行相应评价。例如，当发生急刹车的情况时，处在交通拥堵路况的概率最大，则可以评价该驾驶员拥堵跟车水平不高。

这种基于贝叶斯融合理论的方法实质上是概率论内容，关键是需要知晓先验概率。确定先验分布的方法很多，例如直方图法、绝对似然法、贝叶斯假设、Jefferys方法等，文中设计的驾驶行为评价系统在驾车过程中不停地在采集车载信息和交通信息，样本众多，可以根据各数据出现频次来代表其概率，这种方法简单可行，数据来源于真实路段，避免了各种假设带来的误差。基于此，为了获取可信的先验概率值，有针对性地采集车载数据与交通信息格外重要。

4.3 车载数据的选取

首先，从诊断仪能够采集的OBD数据中选取最能反映驾驶行为的重要数据：

(1)车速直接反映驾驶员是否按限速要求行驶。刹车信号不包含在OBD支持数据中，属于私有协议，所以只能以减速情况来间接表征刹车情况。

(2)发动机转速作为发动机最重要的输出参数之一，对于手动挡汽车而言，发动机转速可以衡量驾驶员换挡时机选择的优劣；对于自动挡汽车(例如实验用的别克君威)而言，车况良好情况下，发动机转速仅用来判断驾驶员是否有空踩油门的情况。

(3)节气门开度即发动机的进油量，较油门踏板位置信息更能客观反映驾驶员给油变化。油门控制不当不仅体现在车速上，开度的急剧变化更多的是带来燃油燃烧不充分，从而导致大气污染和资源浪费。

(4)发动机负载率多用在爬坡时监控发动机运行状况，避免负载过大损害发动机。

图5和图6描述了一段时间内，车辆运行时各重要数据之间的变化关系，为推断驾驶行为提供了有效参考。

图5 车速与节气门开度的变化关系

其次，诊断仪加速度传感器与陀螺仪的数据也属于重要数据：

(1)三轴加速度。三轴加速度最能记录突发事件的严重情况，通常只在事件发生时才采集数据。纵向加速度反映急加或减速情况，更多的是反映高速时急刹车的危险行为；横向加速度反映高速急转弯的危险行为；垂直加速度一般只会在路面颠簸时产生，所以能从侧面反映路面情况。

(2)Z轴角速度。Z轴角速度反映车辆在转弯和掉头时的剧烈情况，从侧面反映驾驶员猛打方向盘的情况。

最后，从OBD数据中提取辅助信息：

(1)环境空气温度。极端的环境温度常常影响驾驶员的驾驶动作和驾驶情绪。

(2)故障码。一旦出现故障码应立即警示，停车处理。

(3)引擎启动后运行时间。以一次点火和一次熄火为一个行程，每次行程时间不得超过4 h。

(4)冷却液温度。冷却液温度过高和过低都将大大影响冷却液性能，一旦出现问题应立即警示。

(5)油液位置。油量过低时应警示。

4.4 不同交通因素下采集的车载信息

结合百度地图API中提供的实时交通路况信息，车载信息采集可以分为三类路况：交通警示类、特殊路段类与地形类。根据ITS的智能化特点，在不同路况下采集的车载数据也应有所区别，包含辅助数据在内的所有数据一旦出现异动都应立刻警示和记录。由此实现结合交通因素的车载数据对应采集内容可以总结为表2—表5。

表2 交通警示类路况

表3 特殊路段类路况

表4 地形类路况

表5 其他辅助信息

上述三类路况若同时发生，应有优先级区分。交通警示类路况由交通执法部门发布，多由状况频发总结而来，最具参考意义，优先级最高；特殊路段类路况是独立于地形以外的特别警示，也属于事故多发路段，优先级次之；地形类路况在行驶过程中出现频率最高，驾驶员应对经验较为丰富，安全性较高，所以优先级最低。

根据不同路况下的采集内容，在一次测试过程中，将采样数据进行分类整理后的结果如表6—表7所示。数据统计的结果可以真实地反映驾驶员操作过程中的不良习惯，如超速以及频繁的变速变道行为，具有重要的参考价值。

表6 不同路况下的超速检测

表7 行驶过程中的变速与转弯检测

4.5 分析方法实验验证

按照表2—表7的采集与分类方法，实地驾车实验得到融合数据，结合百度地图API中的GPS功能，可以绘制行驶路径图，经整理后标注得到如图7和图8的结果。图7中道路相对平直，车速容易过快，且限速较多，故出现急加速、急减速和超速通过的情况。图8中道路狭窄多弯，容易造成急转弯的情况。

图7 急加速、急刹车、超速情况

图8 急转弯情况

5 结论

针对车载信息和交通因素融合的驾驶行为分析方法做了大量工作。针对OBD数据采集设计了车载信息诊断仪，搭建了远程监控平台，同时创新地将百度地图提供的路况信息与诊断仪采集的车载信息相结合，针对性地采集它们的融合样本。利用贝叶斯理论对融合样本进行分析归纳，根据先验概率计算后验概率，推测驾驶员行为。使用该方法的系统能够在大量数据支持的情况下有针对性地评价某驾驶员行为习惯，及时对不良操作进行警示，较单一数据源的评价方法更能还原驾驶员意图，在实验中取得了预期的效果，具有良好的工程应用价值。