紧急避撞工况下驾驶员异常行为检测*

赵治国，李 园，胡昊锐，王 鹏，陈晓蓉

（同济大学汽车学院，上海 201804）

前言

据统计我国每年因交通事故死亡的人数超过10万，93%以上的交通事故是由于驾驶员操作失误导致的。尤其在紧急避撞工况下，驾驶员需在短时间内做出反应，更有可能出现误操作或操作不当等异常驾驶行为，严重影响行车安全。及时检测和发现驾驶员异常行为并进行预警或纠正，则可最大程度降低碰撞事故的发生率或避免事故发生。

当前驾驶员异常行为检测方法大致可划分为两类：基于车载传感器对车辆状态的检测和基于机器视觉对驾驶员生理信息的检测。前者利用车载传感器监测车辆状态进而对驾驶员异常行为进行判断，其需要建立车辆状态与驾驶危险行为的映射关系。Caliendo等通过GPS、毫米波雷达以及单目摄像头等传感器获取自车轨迹数据以及车间相对距离信息，制定驾驶员异常行为判别规则，但由于响应延迟和计算时间的约束难以满足时效性的要求。林庆峰等基于追尾碰撞中的驾驶员制动操作行为与车辆状态的关系，利用Fisher判别分析法建立了驾驶员异常操作预警算法。Xiang等提出车辆估计状态与乘客主观感受结合的驾驶行为评价模型，但该方法受传感器精度和状态估计精度的影响较大，会因不同乘客主观感受的差异影响识别的准确性。薛清文等通过提取交叉路口的高精度轨迹数据，利用轻量梯度提升机算法对驾驶员行为识别，但是此方法需要大量真实高精度轨迹数据，对控制器的计算能力有较高要求。可见，基于车载传感器对车辆状态的检测方法虽对多变工况有较强的拓展能力，但由于驾驶行为到车辆响应存在延时，该类方法很难实现实时检测和提前预警。后者则基于深度学习和机器视觉，利用神经网络对驾驶员异常行为进行检测。刘明周等采用基于机器视觉的Adaboost算法检测面部以及手部的区域，以提取到的特征点参数作为输入，疲劳等级作为输出训练BP神经网络模型，完成驾驶员疲劳程度的检测。Wang等通过Fisher分类器检测驾驶员嘴部像素区域，以嘴部的几何特征组成特征向量，训练BP神经网络实现对驾驶员异常状态的识别。Bajaj等基于Android系统利用摄像头采集驾驶员面部表情，通过神经网络实现对驾驶员的嗜睡行为的高精度检测。陈骥驰等和Gao等提出一种基于脑网络特征的疲劳检测方法，通过可穿戴设备采集驾驶员脑电波信号，用以检测驾驶员的疲劳程度。可见，基于机器视觉对驾驶员生理信息的检测方法，能够满足对检测结果时效性的要求，但成本较高且接触性设备会对驾驶员正常驾驶产生影响，同时视觉检测对环境要求苛刻，在图像背景、角度、光照以及工况存在差异的情况下识别准确率较低且鲁棒性差，在实际应用中仍存在一定的困难。

综上，目前驾驶员异常行为检测方法普遍存在滞后性、受环境影响大等问题，且多数研究停留在驾驶员疲劳监测层面。本文中提出了综合转向盘转角残差序列和相平面图判断的异常驾驶行为检测方法，在车辆稳定状态下，可在车辆偏离正常轨迹前实现对驾驶员异常行为的检测。首先，通过相平面图确定车辆稳定性；其次，建立基于MPC的参考驾驶员模型，构造实际驾驶操作与驾驶员模型参考输入间的转向盘转角残差序列；再者，计算驾驶员异常行为因子和评价函数；最后基于评价函数及其阈值关系实现对车辆偏离预期行驶轨迹的异常行为检测。

1 基于MPC的参考驾驶员模型

为得到在紧急避撞工况下驾驶员操纵转向盘的转角参考输入，基于Sigmoid函数规划参考路径，搭建车辆动力学模型并基于此建立MPC参考驾驶员模型，如图1所示。

图1 驾驶员模型控制流程图

1.1 车辆7自由度模型

基于某四驱混合动力轿车研究平台，搭建7自由度车辆动力学模型，综合反映车辆动力学特性。车辆的受力分析如图2所示，轮胎纵向力、侧向力和 回 正 力 矩 分 别 为F、F、M，前 后 轮 距 为d和d。

图2 车辆受力分析图

1.2 基于Sigmoid函数的避撞路径

基于Sigmoid函数的路径规划方法可以综合反映避撞工况下避撞物理极限和碰撞时间（time to collision，TTC）约束，同时具有计算速度快与实时性好的特点。

Sigmoid曲线转向避撞参考路径表达式为

式中a、c、d为曲线形状参数，其物理含义如图3所示。

图3 避撞路径Sigmoid曲线

参数a：物理含义为避撞转向行为的剧烈程度。路径的最大斜率为ad/4，在参数d一定时，a越大则避撞转向行为越剧烈。

参数c：物理含义为参考路径斜率最大值处的纵向位置，当c减小时，曲线前移至曲线②位置处；当c增大时，曲线后移至曲线③位置处。

参数d：物理含义为路径横向目标位移，一般取值为国家标准确定的道路宽度，即d取3.5 m。

1.3 基于MPC的参考驾驶员模型

2 紧急避撞工况下驾驶员异常行为检测

在紧急避撞工况下，驾驶员会因为紧张导致操作不当而无法成功避撞，如图4所示。转向时驾驶员的异常行为主要分为以下两类：一类为驾驶员异常操作导致车辆失稳，无法完成避撞，该失稳状态通常以相平面法检测；另一类为车辆稳定状态下驾驶员异常操作导致车辆偏离正常行驶轨迹，车辆与障碍物或道路边界发生碰撞。

图4 驾驶员异常行为类别分析

本文中所提出的驾驶员异常行为检测方法如图5所示。先基于相平面法判断车辆稳定性，之后构造基于实际驾驶员与参考驾驶员模型之间的转向盘转角残差序列，通过残差统计特征引入驾驶员异常行为因子对驾驶员偏离正常行驶轨迹的异常行为进行检测。

图5 分层的驾驶行为检测方法

2.1 基于相平面法的车辆稳定性判断

采用相平面法对车辆稳定性进行判断，基于式（1）和式（2）建立的动力学模型，当前轮转角固定时，非线性单轨2自由度模型的2阶自治系统为

在相平面轨迹图的基础上，通过直线拟合确定相平面稳定区域边界。以μ=0.8、v=60 km/h、δ=0°的相平面图为例，如图6所示，选取A（x，y）、B（x，y）、C（x，y）、D（x，y）4个点作为特征点描述稳定区域边界，黑色折线上边界为H，下边界为H，H与H之间即为稳定区域，其余则为非稳定区域。上边界可用式（12）所示的分段函数表示。同理，可由C点和D点坐标计算下边界表达式H(β)。

图6 车辆β-γ稳定区域划分示意图

避撞行驶过程前轮转角与车速始终变化，根据不同情况下相平面确定稳定边界，建立如图7所示的A、B、C、D各点横、纵坐标关于车速与前轮转角的坐标MAP图。

图7 各特征点坐标MAP

2.2 轨迹偏离驾驶员异常行为检测

构造实际驾驶员转向盘转角与参考驾驶员模型输出转角的残差为

式中：δ（t）为驾驶员转向盘转角；δ（t）为参考驾驶员转向盘转角。

传统残差序列诊断方法仅根据残差与标定阈值的关系进行判断，缺少对残差变化率的考虑。本文提出考虑转向盘转角残差变化率的驾驶员异常行为因子AF，用于描述驾驶员偏离正常行驶轨迹的异常行为：

以δ(t)＞0为例，说明AF的具体意义：

当r(t)=0时，AF为0，当前时刻驾驶员与参考驾驶员输出一致。

由以上分析可知，当不稳定状态加剧时，始终有AF＞0。同理，δ(t)＜0时也有类似结论。

驾驶员异常行为因子AF大于零的区间定义为驾驶员异常行为因子特征序列，基于此区间内AF值的变化可预见最大横向位移误差。

定义评价函数J以描述驾驶员偏离正常行驶轨迹的异常程度：

式中t、t分别为驾驶员异常行为因子AF大于零区间的起始时刻和终止时刻。

当J超出阈值J时，认为驾驶员出现偏离正常行驶轨迹的异常行为，即满足：

车辆横向位移误差大于0.4 m时视为偏离目标轨迹。图8采用人为设计偏差路径的方法对J值进行标定，蓝色曲线为期望路径，红色曲线为在期望路径的基础上叠加±0.4 m横向位移误差后的路径，误差路径在纵向上的持续位移为Δx=v·t，其中v为车速，t为驾驶员预瞄时间。

图8 偏差路径设计示意图

考虑到阈值与车辆的速度和纵向位置相关，在不同车速和纵向位置下设置偏差路径进行标定，评价函数阈值J关于车速及纵向位置的三维MAP如图9所示。

图9 评价函数J r阈值

取正向和负向偏差阈值的均值作为J阈值进行驾驶员偏离正常行驶轨迹异常行为检测。

综上，基于转向盘转角残差序列的驾驶员异常行为检测方法如图10所示。

图10 基于驾驶员模型的异常行为检测

3 仿真分析

为验证文中所提出MPC的参考驾驶员模型以及驾驶员异常行为检测方法的有效性，搭建CarSim/Simulink联合仿真平台进行仿真试验。选取初速度60 km/h、避撞距离30 m作为初始条件；路面附着系数μ=0.8；Sigmoid曲线参数为：a=0.2626，d=3.5，c=22.1250；基于防侧翻速度约束，确定目标速度为49.68 km/h。

3.1 基于MPC的参考驾驶员模型仿真结果

紧急避撞路径跟踪仿真结果如图11所示。图11（a）中粉色虚线为避撞参考轨迹，蓝色曲线为车辆实际轨迹，红色矩形为障碍，黑色点划线为车辆行驶边界包络线，障碍距离包络线边界最近距离为1.03 m。图11（b）和图11（c）表明，避撞过程转向盘转角平滑，未出现抖动以及明显超调，具有较好的转向频度，参考驾驶员模型首先输出制动力，使车辆减速，当出现车速超调后，决策输出驱动力以使车辆跟随目标车速。图11（d）为车速跟随情况，避撞过程中车辆首先减速至低于安全目标车速，避撞结束后速度收敛于目标车速。图11（e）中车辆横向位移误差可控制在±0.12 m范围内；图11（f）中车辆航向角跟踪误差可控制在±0.06 rad范围内，满足路径跟踪控制的精度要求。

图11 紧急避撞路径跟踪仿真结果

综上，文中建立的参考驾驶员模型在横、纵向控制层面表现优异，能够快速收敛至目标速度和目标轨迹，且有较高的跟踪精度。

3.2 驾驶员异常行为检测方法仿真结果

驾驶员异常行为检测仿真结果如图12所示。车辆在回正阶段由于操作失误未回到车道中心线。由图12（b）可知，驾驶员在避撞过程中转向迟疑且转幅不足。图12（c）中异常行为因子AF＞0，检测到驾驶员异常行为特征片段。图12（d）和图11（e）表明，初始阶段评价函数J并未超出阈值且横向位移误差小于0.4 m；在t=4.64 s时J超出阈值限制，此时检测出驾驶员异常行为，车辆横向位移误差仅为-0.20 m，未偏离正常行驶轨迹；横向位移误差在t=5.10 s时达到阈值-0.4 m，在t=5.48 s时达到极值点-0.58 m，故所提出的异常行为检测方法可以提前于车辆偏离参考轨迹0.46 s检测到驾驶员异常操作，提前于横向位移误差极值点出现时刻0.84 s检测到驾驶员异常操作。图12（f）为车辆稳定性相图，车辆始终处于稳定相轨迹区域，未发生失稳情况。

图12 驾驶员异常操作检测仿真结果

综上，文中所提出的驾驶员异常行为检测方法能够在车辆偏离预设轨迹前检测出驾驶员异常行为。

4 硬件在环仿真试验

为进一步验证提出的驾驶员异常行为检测方法的可行性，在自主搭建的紧急避撞驾驶辅助试验台架进行硬件在环仿真试验。台架结构如图13所示，该平台由EPS转向系统台架、液压制动系统台架、MicroAutoBox快速原型控制器、驾驶模拟器和计算机等组成。在Carsim/Simulink联合仿真平台搭建车辆模型和视景界面，通过驾驶员在环实现仿真测试。

图13 紧急避撞驾驶辅助台架结构图

针对紧急避撞工况，选取3种典型异常行为（转向迟疑、转向过度、回正不足）检测验证该方法的有效性，试验场景如图14所示。

图14 硬件在环仿真试验场景

4.1 转向迟疑异常行为

图15 为转向迟疑异常驾驶操作检测结果。驾驶员由于紧张导致紧急避撞时未及时做出反应，车辆实际轨迹相对于参考轨迹存在一定滞后。转向开始后异常行为因子AF即大于0，检测到驾驶员异常行为特征片段，在t=3.35 s时J超出阈值，检测出驾驶员异常行为，此时车辆横向位移误差仅为0.06 m，未偏离正常轨迹。横向位移误差在t=3.88 s时达到阈值0.4 m，在t=4.58 s时达到最大值1.25 m。结果表明，所提出的异常行为检测方法可以提前于车辆偏离参考轨迹0.53 s识别到驾驶员异常行为，可以提前于最大横向位移误差出现时刻1.23 s识别到驾驶员异常行为。图15（f）车辆稳定性相图表明，车辆未发生失稳。

图15 转向迟疑异常行为识别结果

4.2 转向过度异常行为

图16为转向过度异常驾驶操作检测结果。在避撞初始阶段驾驶员反应激烈导致转向过度。在t为2.79～3.65 s时出现明显的异常行为特征片段，于t=2.99 s时J超出阈值，检测出驾驶员异常行为，此时车辆横向位移误差仅为-0.005 m，未偏离正常轨迹。横向位移误差在t=3.51 s时达到阈值-0.4 m，在t=4.79 s时达到最大值-1.48 m，该场景下所提出的异常行为检测方法可以提前于车辆偏离参考轨迹0.52 s识别到驾驶员异常行为，可以提前于最大横向位移误差出现时刻1.8 s识别到驾驶员异常行为。图16（f）车辆稳定性相图表明，车辆未发生失稳。

图16 转向过度异常行为识别结果

4.3 回正不足异常行为

图17为回正不足异常驾驶操作检测结果。在避撞回正阶段驾驶员未能及时回正，导致车辆与参考轨迹出现较大偏差。在转向避撞初始阶段，t为3.8～5 s，驾驶员操作与参考转向盘转角基本相同，异常行为因子在t为5～5.79 s转向回正阶段出现明显的异常行为特征片段。于t=5.41 s时J超出阈值，检测出驾驶员异常行为，此时车辆横向位移误差为0.29 m，未偏离正常轨迹。横向位移误差在t=5.95 s时达到阈值-0.4 m，在t=6.61 s时达到最大偏差-0.97 m，该场景下所提出的异常行为检测方法可以提前于车辆偏离参考轨迹0.54 s识别到驾驶员异常行为，可以提前于最大横向位移误差出现时刻1.2 s识别到驾驶员异常行为。图17（f）车辆稳定性相图表明，车辆未发生失稳。

图17 回正不足异常行为识别结果

通过以上试验结果分析可知，本文中所提出的驾驶员异常行为检测方法可对异常驾驶操作进行检测，且可至少提前于车辆发生偏离正常轨迹前0.5 s检出驾驶员异常行为。

5 结论

（1）针对紧急避撞工况下驾驶员异常行为检测问题，提出了综合转向盘转角残差序列和相平面图判断的异常驾驶行为检测方法。先基于相平面法分析车辆避撞工况下的稳定状态，之后在未失稳工况下构造基于实际驾驶员操作与参考驾驶员模型输出的残差序列，定义了驾驶员异常行为因子AF和评价函数J，实现对驾驶员异常行为的检测。

（2）搭建了CarSim/Simulink联合仿真平台，使用采集的紧急避撞驾驶数据进行仿真，结果表明：所提出的驾驶员异常行为检测方法可提前车辆偏离正常行驶轨迹前0.46 s识别出异常驾驶操作。

（3）自主搭建紧急避撞驾驶辅助台架，对驾驶员异常行为检测方法的有效性进行驾驶员在环验证。结果表明：所提出的驾驶员异常行为检测方法可以至少提前于车辆偏离正常行驶轨迹0.5 s对转向迟疑、转向过度、回正不足的异常驾驶操作成功检测，硬件在环试验进一步验证了所提出的驾驶员异常行为操作检测方法的有效性。