驾驶员行为识别技术研究

1 前言

全球研究机构IHSAutomotive预测2025年全自动驾驶汽车将普及。随着自动驾驶车辆继续引入车队，自动驾驶车辆和传统驾驶车辆在道路上的共存是不可避免的。在这种过渡环境中自动驾驶车辆系统的不正确行为可能导致碰撞和/或对其他人员造成严重威胁。因此，为了实现自动化所期望的安全性的提高，需要深入理解人类驾驶员行为和识别不同的人类驾驶员特征。

为了实现自动驾驶汽车的商业化，环境识别、位置识别和绘图、判断控制和DVI（驾驶员—车辆交互）等多种技术是必要。DVI系统可能需要驾驶员的命令、人体状态、车辆状态以及来自汽车的各种传感器网络的实时驾驶情况。驾驶员—车辆交互系统（如图1所示）起到与驾驶员交流的作用，并提供安全性和便利性的驾驶信息，主要包括有三个部分，包括汽车传感器网络、驾驶员车辆交互引擎、数字驾驶舱配置[1]。驾驶员行为的建模和分析使用从CAN总线和IMU（惯性测量单元）设备获得的车辆动力学来评估驾驶性能，并预测驾驶员状态。UTDrive、UYANIK和NU-Drive等三个全球项目收集了来自美国、日本、土耳其和意大利研究的450人的驾驶员生物识别信息、驾驶行为信息、车辆动力学和道路信息。这些项目的测试车配备有CAN（车载区域网络）总线设备、IMU（惯性测量单元）、GPS（全球定位系统）、前后摄像头、驾驶员识别的油门和制动踏板压力以及驾驶员分心检测。

图1 驾驶员—车辆交互系统结构[1]

驾驶行为是引起交通事故和道路拥堵的关键因素，车联网条件下驾驶行为识别是预测和减少道路交通事故的重要方法。驾驶员行为的建模分析可以应用智能驾驶的多个方面，如车道变化预测[2]、车载安全系统的开发[3]、碰撞预警系统的开发[4]和自动车辆引导[5]等。

2 驾驶员行为识别技术简介

作为DVI技术之一，研究人员在驾驶员行为建模和分析技术方面已经做出了巨大努力。这些技术中的大多数从CAN（汽车区域网络）总线数据、驾驶员面部视频信息以及诸如脑电波、心电图、体温和心跳等生物信息中提取车辆动态特征，并使用诸如SVM（支持向量机）的人工智能识别驾驶员状态或情绪或CNN（卷积神经网络）。所有驾驶员在驾驶时操作方向盘、加速踏板和制动踏板。仔细研究这三种简单的驾驶行为，就可以了解车辆在给定交通或道路状况下的安全运行情况，以及驾驶员对驾驶的关注程度。以这种方式，驾驶员行为分析的主要目标是从基本驾驶操作信息推断驾驶员特征或状态[1]。

驾驶员行为的建模包括驾驶员识别、机动边界检测、机动识别、偏差检测和驾驶员状态识别的过程。为了识别机动，DVI引擎首先需要通过前向和后向图像分析交通状况，以及用于监督学习过程的GPS信息来标记具有标签的各个驾驶员的训练数据集。DVI引擎必须提前了解每个驾驶员的正常驾驶行为，并通过与当前驾驶信息进行比较来计算每个驾驶偏差。根据当前驾驶行为的驾驶表现进行打分，并显示给定任务的驾驶风险程度[1]。

3 驾驶员行为识别技术的研究进展

为了确保驾驶员模型的安全性，必须通过使用车辆中可用的特征来检测车辆系统状态和评估驾驶状况及驾驶员驾驶意图。近年来已经开展了关于个人驾驶特征的研究。精确驾驶员模型的开发和使用可以对自动驾驶车辆的安全性做出重大贡献，并且可以用于在各种情况下评估自动驾驶车辆的性能。

3.1 车道预测

驾驶员辅助系统在车道预测方面有了快速的发展，如车道偏离警告（LDW）和车道保持支持（LKS）等技术。

3.1.1 车道变化

为了预测车辆系统即将进行的车道变换操作，早期的科学工作仅使用车辆控制器局域网（CAN）的数据来处理车道变换操作动作的检测。转向力、转向角和转向角速度等参数用于检测车道变换操作动作的执行。目前，可以通过选择并比较特征描述车道变换前的驾驶情况，描述驾驶员的操作动作准备并描述车辆的状态。评估是基于通过驾驶研究获得的自然驾驶数据进行的。通过统计显著性和效应大小，评估不同操作动作类型和时间间隔的特征。基于运动物体评估驾驶情况的特征给出了即将进行操作动作的早期指示（图2）。此外，观察驾驶员头部的运动提供了良好的证据，使用和融合描述驾驶情况的各种特征以及驾驶员的行为和本车的状态，适合于为驾驶员车道变换操作动作的稳健和早期预测提供可靠且时间精确的证据[2]。

图2 驾驶员操作动作意图识别流程[2]

3.1.2 车道切入

突然的车辆减速，或导致与前方行驶的车辆追尾碰撞，或与前方静止车辆碰撞，这都可能对驾驶安全造成重大威胁。然而，每天许多人面对常见的车辆切入，并且是潜在危险源,根据俄亥俄州立大学Kim的研究，在3车道的高速路上有12种切入情景[6]，见图3。在许多纵向相互作用的情况下，无论是停车还是车辆减速，驾驶员都可以通过适当的早期干预保持适当的速度。因此，在车道切入应用方面，可以分析实际驾驶情况下经常遇到的具有潜在事故风险的切入式车辆情景，使用具有预编程方案的驾驶模拟器，从多类受试者中收集数据，保存驾驶员在遇到插入式车辆时的决策信息，作为车辆自动驾驶系统行为的一套指导原则，以确保它们以与人类驾驶的车辆一致的方式进行操作驾驶[6]。

图3 高速路（3车道）上的12种切入情景[6]

3.2 检测驾驶员生理指标，有助于车载安全系统的开发

驾驶的主要任务可以通过性能检测来评估，例如方向盘运动（例如，方向盘反转）和速度，而生理测量可以分为5个方面：心脏活动（例如心率、、血压）、呼吸活动、眼睛活动（例如，眨眼率和闭合间隔）、言语测量（例如音高、发音速率）和大脑活动（例如脑电图、眼电图）。当施加额外的工作量导致生理指标例如心率和皮肤电导的变化时，自然会出现生理活动。因此，监测生理指标可以深入了解工作量的大小，进行具有生理传感器的驾驶模拟器实验，以量化在特定道路情况下工作负荷增加对驾驶性能和生理状态的影响，面对行人的驾驶员心率和面对信号灯时驾驶员反应时间研究见图4。通过检测驾驶员行为，设计和评估中实施驾驶员认知工作量，有助于有效的车载安全系统的开发。在这方面的新技术开发中，实施生理指标可以帮助优化安全系统的设计[3]。

图4 面对行人的驾驶员心率（上）和面对信号灯时驾驶员反应时间（下）[3]

3.3 碰撞预警

基于驾驶员行为的碰撞警告系统（CWS），可以通过在驾驶期间出现危险情况时，警告驾驶员碰撞风险来提高驾驶员的驾驶安全性。通过简单地向驾驶员提供碰撞风险警告，已经实现了更安全的措施，该技术允许电子控制单元（ECU）基于其自己的判断直接控制车辆以避免碰撞。为了考虑个人驾驶行为特征，可以通过分析每个驾驶员的驾驶行为，来提供碰撞警告的CWS。基于使用神经网络学习算法，创建的驾驶员行为模型，根据驾驶员的驾驶行为，来确定碰撞风险等级。使用神经网络创建的驾驶员驾驶行为的驾驶员行为模型，准确地反映了驾驶员的驾驶行为,其结构见图5[4]。

图5 基于驾驶行为的CWS结构[4]

3.4 自动车辆引导

自动驾驶车辆（AV）的引入建立了人类驾驶员和AV之间的合作关系。目前正在进行该领域的研究，以深入了解人类驾驶员将相同行为转移到自动驾驶车辆引导的决策方式。通过问卷调查了解个体道路使用者如何在合作决策中做出决策，并采用自然决策方法进行了分析。通过NDM（Natural Decision Mak⁃ing）方法和识别模块的使用，确定了计划行动与道路使用者之间预期行动之间的联系。使用逻辑回归模型，能够预测通过所选行为的驾驶顺序，作者提出的识别引导的决策模型见图6。此外，可以将各个通信信号分类为攻击性或防御性信号，从而对驾驶员的意图进行预测，用于推导合作情况下自动驾驶车辆引导的设计建议[5]。

图6 识别引导的决策模型[5]

4 驾驶员行为识别技术的共性问题

自动驾驶技术的进步可以通过降低车辆事故的发生率和严重程度来显著提高汽车的驾驶安全性。目前市场上有各种类型的车辆自动驾驶系统。全球各大学和主机厂在该领域正在加大研究投入，其目标是开发甚至不需要人类驾驶员输入的高度自动化车辆。近年来已经开展了关于驾驶员行为特征的研究，精确驾驶员模型的开发和使用，可以对自动驾驶车辆的安全性做出重大贡献，并且可以用于在各种情况下评估自动驾驶车辆的性能。但是该技术的建模与研究均处于一个较为理想的理论研究状态，还面临着几个重大瓶颈，这些共性问题制约着驾驶员行为识别技术的快速发展以及推广。

4.1 数据采集与处理

每个驾驶员在驾驶车辆时，都表现出他或她独特的反应或驾驶习惯。志愿参加研究的人的驾驶行为与非参与者的驾驶行为不同，则可能会引发自我选择偏见。驾驶员驾驶行为的研究多少采用驾驶模拟器进行，这样可以实现很多无法在现实世界中实现的情况，而且，由于试验研究与建模的局限性，从驾驶模拟器获得的数据自然是不同于在实际驾驶情况下收集的数据[6]，而驾驶员行为识别模型必须提前了解每个驾驶员的正常驾驶行为，并通过与当前驾驶信息进行比较，来计算每个驾驶偏差。此外，由于在研究假设下进行了测试，因此考虑所有现实情况的数据存在限制。未来将针对实际日常数据进行更为全面的比较研究，如对驾驶员年龄，驾驶体验等其他因素的研究。

对于实际测量的庞大的测试数据集，需要对基于机器学习的驾驶员行为进行研究，通过数据融合来描述驾驶情况和驾驶员行为的特征，但是，数据融合的结果很大程度上取决于功能集和使用的参数化。除了驾驶情况和驾驶员行为的特征，需要额外的传感器系统和更复杂的特征。自然驾驶研究提供的数据量很好，但有限。

4.2 情景分析

研究人员无法在真空中评估自动驾驶系统的安全性。自动驾驶包括与周围交通的持续交互，并非所有类型的场景都能充分代表实际驾驶场景进行结论性评估。但是，研究所建立的模型和最后的结论仅适用于所审查的情景，仍需要检查这些是否适用于其他方案以及其他情景。特别是，合作情况下的复杂性特点是自动驾驶车辆的一个重要特征，必须对各个复杂特点作出有效的分析，才能作出动态决策[6]。

目前，范围域已经被提出用于分析车辆情景。因此，在驾驶员行为识别分析中，可以使用范围域将每个驾驶员的行为进行分类，并且按照他们的特征进行区分，这将需要研究人员作出更大的努力[6]。

4.3 次要任务

目前，驾驶员行为分析的研究更多停留在行为特征研究、道路情况研究，而忽略了调查次要任务的影响。而与注意力分散相关的事故，往往是由于司机自愿参与次要任务。因此，车内任务的战略管理和驾驶员与他们接触的决定，是分析驾驶员行为特征的一个重要方面。虽然通常在参与风险降低的环境中评估分散注意力的任务的后果，但是驾驶员决定参与次要任务通常被忽略。这不仅仅是在道路情况本身，而是在情况结束后，看看驾驶员行为的影响是否会影响驾驶过程[3]。

4.4 实际应用

驾驶员行为的建模和分析通常使用从CAN总线和IMU设备获得的车辆动力学来评估驾驶性能，并预测驾驶员状态，并未使用实际测量的测试数据集对基于机器学习的驾驶员行为进行研究。而且极少调查对其他道路使用者的行为和实际行动的期望之间的联系。基于驾驶行为分析技术性能，也仅使用实际车辆的实验结果在实验室规模下进行评估。因此，需要进行额外的研究来评估在实际车辆中驾驶时发生的各种驾驶数据的性能[1]。

所以无论是数据的采集和处理、场景的考虑、车辆的驾驶状态等，与实际均有一定差距。因此，驾驶员行为分析模型的实际应用仍有很长的路要走。

5 结束语

为迎接2025年全自动驾驶汽车的普及，实现自动驾驶汽车的商业化，环境识别、位置识别、判断、控制和DVI等多种技术是必要。作为DVI技术之一，驾驶员行为建模和分析已经做出了巨大努力。本文简单介绍了驾驶员行为识别技术的研究进展以及一些共性问题。指出由于技术尚未获得本质突破，因此数据采集与处理、情景分析、次要任务以及实际应用等方面仍是驾驶员行为识别技术的推广应用所面临的全球共性瓶颈。

由于目前的驾驶员行为识别技术更多地停留在研究阶段，且研究过程均较为理想化，因此驾驶员行为识别技术的应用与实际推广仍需要很长的路要走。