基于车辆运动信息的驾驶行为识别方法研究进展

摘 要：驾驶员在道路交通系统中发挥着核心因素，驾驶行为直接影响道路交通安全。一种准确、可靠的驾驶行为识别方法对车辆驾驶安全具有重要意义。本文总结基于车辆运动信息的驾驶行为识别方法研究进展。首先，在考虑车辆运行工况后形成驾驶行为闭环系统，阐述驾驶行为涵义。其次，从三方面总结车辆运动信息采集系统和所识别的驾驶行为。再次，考虑车辆运动信息，以数据驱动方法为切入点，阐述驾驶行为识别方法进展。最后，总结驾驶行为技术未来研究方向。

关键词：驾驶行为识别 车辆运动信息 惯导系统 多传感器系统

根据道路交通事故统计数据可知，80%以上的交通事故因驾驶行为不当造成[1]。当驾驶员出现观察不仔细、判别错误以及车辆操作失误等行为时，表明驾驶行为较差发生交通事故的概率陡然增加。对驾驶行为进行识别和预测，尽早发现潜在的判断失误、操作失误等行为，提醒驾驶员采取正确的、合理的驾驶操作，具有重要的意义。

随着移动终端、互联网等技术的快速发展，使得驾驶行为研究成果能够落地应用。移动终端作为硬件载体，既可以搭载北斗、GPS（全球定位系统）等卫星导航系统，还可以搭载陀螺仪、加速度计（两者合称惯性传感器）等传感器。硬件载体为互联网厂商开发相应的应用程序提供了信息输入源，为驾驶员提供更多信息辅助驾驶行为。比如高德地图、百度地图等应用程序根据交通路况，给驾驶员提供路径规划、实时限速以及红绿灯计时等信息。互联网时代的到来为研究驾驶行为做出了重要贡献。虽然利用北斗来判断车辆是否超速已经得到广泛的应用，但是驾驶行为受车辆运动信息的精确性、交通状况的复杂性等因素影响，驾驶行为研究发展相对缓慢。

对比水运、铁路等交通方式，在道路上驾驶汽车具有随机性大、自主性强、环境复杂性高等特点。驾驶员内在的固有属性、驾驶习惯和交通状况、车辆运行工况、天气环境等因素的动态性，使得驾驶行为难以像铁路驾驶行为那样运行轨迹固定、流程化。驾驶行为具有随机性、不确定性、复杂性、外在驱动多维度等特点，精准识别驾驶行为更加困难。

驾驶行为识别方法研究依赖于车辆运动信息，利用卫星导航系统、车载传感器获取车辆位置、速度等信息是典型方案。然而，研究发现，GPS不能准确反映出车辆加速度、角速度等信息；在GPS和惯性传感器组合的方法中，若利用高精度惯性传感器能够解决此问题，但高精度惯性传感器成本高；若利用低成本惯性传感器的技术方案，相比较与前者数据挖掘潜力较弱，实用性和有效性相对不足。图像识别方法利用特征点识别间接获得车辆运动信息，因而对于急加速、急减速等驾驶行为的识别效果较差，识别精度受环境光照、特征点是否显著等因素影响。张春梅等人[2]利用光纤惯导系统具有分辨率高、灵敏度高、自主性强等特点，输出载体姿态、速度、加速度等信息用于车辆姿态识别。受该文献启发，本文总结基于车辆运动信息的驾驶行为识别方法研究进展。

1 驾驶行为涵义

驾驶行为是信息感知、判断决策和驾驶员控制车辆组成的一个不断往复的信息处理过程，车辆运行工况作为信息感知传入感觉器官，与驾驶员控制车辆一起形成驾驶行为闭环系统，如图1所示。首先，道路上的交通状况、车辆运行工况、天气等外界要素信息，通过驾驶员的视觉、听觉及触觉等感觉器官传入驾驶员的中枢神经系统；其次，驾驶员根据驾驶经验作出判断和决策，由中枢神经系统发出车辆调整指令，通常驾驶员作出的决策为速度控制（加速、减速等）、超车、变道、转弯、停车等动作；最后，通过驾驶员的手、脚等运动器官操纵车辆并改变车辆运动状态，操纵车辆的动作主要为踩油门、踩离合器、踩制动踏板、换挡、转动转向盘、调整车辆灯光等。当驾驶员出现观察不仔细（信息感知）、判断不正确（信息决策）以及操作失误（驾驶员控制车辆）等状况时，表明驾驶行为较差。

驾驶行为不仅是信息感知、判断决策和驾驶员控制车辆三个阶段不断地多次串联，也是三者的有机融合。在图1中，驾驶员作为信息处理者、决策者、调节者和控制者，是驾驶行为中最核心、最复杂的组成部分。驾驶行为除受交通状况、天气及车辆运行工况等环境要素影响外，还受驾驶员的驾驶经验、生理状况等因素影响，驾驶行为是时变的交通状况、时变的驾驶员驾驶能力、固定的驾驶任务需求之间的动态耦合、均衡和博弈。车辆运行工况作为连接信息感知和驾驶员控制车辆两个阶段的纽带，如何根据车辆运动信息构建驾驶行为模型并识别驾驶行为，确定时变的驾驶行为状态水平，对于预防交通事故的发生有着极为重要的现实意义。

2 车辆运动信息表征驾驶行为研究进展

为了获取车辆运动信息需要搭载传感器，比如卫星导航系统、惯导系统、智能手机、相机、激光雷达等，各传感器存在各自的缺点，单独使用时无法精确获取车辆运动信息，常用解决方法为使用多种传感器。

2.1 单一传感器系统

任慧君等人[3]利用车载GPS模块采集的车辆轨迹数据，提取行驶速度加速度和转弯等信息，表征急加速、急减速等不安全驾驶行为。朱兴林等人[4]利用大样本统计方法分析预处理后的GPS数据，精准识别不良驾驶行为。陆键等人[5]利用无人机拍摄交通流视频提取海量车辆行驶轨迹数据，使用大样本统计方法确定不良驾驶行为的特征参数，建立不良驾驶行为谱。Hsiao Wen-Chih等人[6]开发模糊推理系统识别车辆姿态检测危险驾驶行为。上述文献中，车载GPS模块存在颠簸状态精度不高、城市建筑对GPS信号产生遮挡、数据精度有限且易受突变误差影响等缺点，主要应用在公交车、出租车等场景。单一传感器采集系统的应用案例并不多，大多数还是使用多传感系统。

2.2 不包含惯性传感器的多传感器系统

王媛[7]利用车载GPS、外部摄像头等传感器，获取公交车外部交通信息和车速、方向等信息，建立BP-Adaboost模型识别公交车的急刹车、急转弯等驾驶行为。Wang Ling等人[8]监测驾驶员的生理、脑电图等信号以确定疲劳状态，利用车载摄像头观察驾驶员的行为，使用外部摄像头监测车辆位置，确定是否存在因分心或疲劳而导致的驾驶偏差。孙龙祥[9]构建基于USB-CAN Tool软件的多传感器数据采集系统，通过截取视频数据的帧图像进行分心类别的标注，辨识多种分心驾驶行为。刘元昊等人[10]开发一套高速公路交通流数据采集系统，将毫米波雷达与双目相机提取的信息进行最优化估计，提高数据准确度。在多传感器系统中，若未使用惯性传感器，则离不开视觉传感器。视觉传感器主要缺点为无法识别急加速、急减速等驾驶行为。

2.3 包含惯性传感的多传感器系统

吴建清等人[11]利用惯导系统、眼动仪等传感器采集车辆多模态数据，构建危险驾驶行为指标，表征超速、急变速、急换道等危险驾驶行为。孙川[12]利用惯导系统、毫米波雷达等传感器，对车辆运动状态、驾驶员操作行为等信息实时监控，建立基于置信规则库推理方法的驾驶风险辨识模型。杨轸等人[13]开发一款包含激光雷达、车载运动测量与组合定位等道路环境采集系统，用于识别加速、刹车等驾驶行为。Wu Minglin等人[14]利用九轴运动传感器采集车辆运动信息，对正常驾驶行为和攻击性驾驶行为进行分类识别，准确率高达93.25%。Ferreira等人[15]利用安卓手机的加速度计、陀螺仪等运动传感器，开发驾驶行为识别的手机应用，识别车辆的加速、制动等驾驶行为。

上述文献的车载数据采集系统都包含陀螺仪和加速度计，技术路线有所不同，分为惯导系统和单独使用惯性传感器的两种技术路线。已有研究成果证明，利用惯性传感器能够满足不同驾驶行为识别的要求。惯导系统除了输出加速度和角速度之外，还输出经纬度、姿态、速度等信息，输出信息更加丰富。张春梅等人[2]仅利用惯导系统也能满足驾驶行为识别要求，要求惯导系统精度优于MEMS惯导系统，还要兼顾成本、可靠性。惯性传感器与多种不同类型传感器相结合，采集车辆多模态运动数据，在数据采集深度、多传感器信息融合等方面还要开展更多的研究，充分发挥多传感器系统的优点。

3 基于数据驱动的驾驶行为识别方法研究进展

在以车辆运动信息表征驾驶行为的研究中，运动信息的多维度特点使得驾驶行为研究变得更加复杂。基于多传感器的驾驶行为识别可归结为模式识别问题，不同传感器的时序数据是随时间变化的数据点序列。驾驶行为识别方法关键在于以大样本数据为基础，建立精确、高效的识别模型。

随着计算机硬件设备性能不断提升，具有自学习能力的算法性能不断提高，在非线性模型中能够挖掘时间序列数据的内在关联，常见算法有支持向量机、神经网络等算法。朱兴林等人[4]提出粒子群算法与支持向量机组合模型识别营运车辆的不良驾驶行为。Pavlo Molchanov等人[16]使用卷积深度神经网络融合短程雷达、深度传感器等数据，在可变照明条件下识别驾驶员手势。Yu Jiadi等人[17]采用支持向量机和神经元网络两种方法训练智能手机传感器数据，识别异常驾驶行为和正常驾驶行为。Mobyen等人[18]使用惯导系统和GPS采集车辆机动数据，使用神经网络、K-最近邻等算法提取特征识别驾驶行为。神经网络算法相对简单，具有较强的非线性映射能力和自学习能力，在处理大样本数据时易陷入局部最优。支持向量机算法能够解决迭代过程中的过拟合问题，分类结果依赖于参数值的选择，通常依靠研究人员的经验或者用其他算法确定参数值，实用性不强。

4 未来研究方向

驾驶行为识别方法能够精确识别异常、危险等驾驶行为，提醒驾驶员采取正确的、合理的驾驶操作，可避免交通事故发生。本文从三个方面阐述基于车辆运动信息的驾驶行为识别方法研究进展，可为后续驾驶行为研究提供参考。未来可从以下五个方面开展深入研究：

（1）智能手机具有成本低、计算能力强等优点，内置加速度传感器可以有效表征车辆加速度信息，还包含陀螺仪、磁场传感器等传感器，可组合多种传感器，利用信息融合技术提升组合系统的精度。

（2）受限于多传感系统的数据特征提取、数据规模等因素，对驾驶行为识别的准确性产生较大影响，深度学习算法在驾驶行为识别取得了很高的准确性。随着大数据、人工智能等技术快速发展，深度学习算法可能会逐渐成为主流方法。

（3）驾驶行为受驾驶员的驾驶经验、生理状况等因素影响。在高速公路中，驾驶行为还受疲劳驾驶、拨打/接听移动电话等因素影响，疲劳驾驶是高速公路夜间交通事故的重要原因。当驾驶员情绪激动时驾驶行为较差，需要关注驾驶员的心理状态。

（4）多传感器系统能够反映车辆运动信息，但无法反映车辆运行工况信息，比如发动机运行、车辆故障等信息。已有研究成果车辆运动信息与车辆状态监测并未统一考虑，需要增加车辆状态监测传感器。

（5）在实际道路系统中，驾驶员所面临的交通状况要复杂很多，驾驶员要想全面获得道路信息有时会很困难。比如，如何确定道路拐角被遮挡方向、乡村开放道路等场景是否会有车辆突然来袭。不同环境建立的驾驶行为模型必定差异较大。比如，在山区环境中转弯急刹车较多，在城市道路环境中转向刹车、斑马线刹车较多。考虑驾驶行为使用场景这个因素，可以提高驾驶行为识别方法的适用性、鲁棒性。

基金项目：湖南省自然科学基金项目资助（2022JJ60113）。

参考文献：

[1]Chhabra R ， Verma S ， Krishna C R .A survey on driver behavior detection techniques for intelligent transportation systems[C]//2017 7th International Conference on Cloud Computing， Data Science & Engineering Confluence. IEEE， 2017.

[2]张春梅，刘岳，金莹，等.光纤惯导车辆姿态识别系统及其误差分析[J].飞控与探测，2024（2）：94-102.

[3]任慧君，许涛，李响.利用车载GPS轨迹数据实现公交车驾驶安全性分析[J].武汉大学学报（信息科学版），2014，39（06）：739-744.

[4]朱兴林，丁双伟，姚亮，等.基于轨迹数据的营运车辆不良驾驶行为辨识[J].甘肃科学学报，2024，36（02）：28-36.

[5]陆键，王可，蒋愚明.基于车辆行驶轨迹的道路不良驾驶行为实时辨识方法[J].交通运输工程学报，2020，20（06）：227-235.

[6]Hsiao W C ， Horng M F ， Tsai Y J ，et al. A Driving Behavior Detection Based on a Zigbee Network for Moving Vehicles [C]//Technologies & Applications of Artificial Intelligence. IEEE， 2013.

[7]王媛.基于多源数据融合的公交驾驶行为识别与危害程度评价[D].大连：大连交通大学，2022.

[8] Wang L， Song F， Zhou T H，et al. EEG and ECG-Based Multi-Sensor Fusion Computing for Real-Time Fatigue Driving Recognition Based on Feedback Mechanism[J]. Sensors 2023， 23， 8386.

[9]孙龙祥.基于视频检测及车辆运行信息的驾驶员分心驾驶行为识别方法[D].淄博：山东理工大学，2023.

[10]刘元昊，张昱，刘杲朋，等.基于雷视一体机的交通流数据采集系统设计[J].计算机测量与控制，2022，30（03）：161-167.

[11]吴建清，张子毅，王钰博，等.考虑多模态数据的重载货车危险驾驶行为识别方法[J].交通运输系统工程与信息，2024，24（02）：63-75.

[12]孙川.基于自然驾驶数据的车辆驾驶风险辨识及控制研究[D].武汉：武汉理工大学，2016.

[13]杨轸，汪名选，刘帅.道路环境与驾驶行为数据同步采集系统研发[J].计算机测量与控制，2024，32（04）：210-218+225.

[14] Minglin W ， Sheng Z ， Yuhan D .A Novel Model-Based Driving Behavior Recognition System Using Motion Sensors[J].Sensors （Basel， Switzerland）， 2016， 16（10）.

[15] Ferreira J ， Carvalho E ， Ferreira B V ，et al. Driver behavior profiling： An investigation with different smartphone sensors and machine learning[J]. Plos One， 2017， 12（4）：1-16.

[16] Molchanov P ， Gupta S ， Kim K ，et al. Multi-sensor system for driver's hand-gesture recognition[C]//IEEE International Conference & Workshops on Automatic Face & Gesture Recognition. IEEE， 2015.

[17] Yu J ， Chen Z ， Zhu Y ，et al. Fine-Grained Abnormal Driving Behaviors Detection and Identification with Smartphones[J].IEEE Transactions on Mobile Computing， 2017：1-1.

[18] Ahmed M U ， Begum S .Convolutional Neural Network for Driving Maneuver Identification Based on Inertial Measurement Unit （IMU） and Global Positioning System （GPS）[J].Frontiers in Sustainable Cities， 2020， 2.