为了获取驾驶员在不同车道偏离状态下的试验数据, 本研究以吉林大学汽车仿真与控制实验室驾驶模拟器为核心, 选CarSim RT为动力学仿真软件, 下位机NI PXI8610采集驾驶员的转向、转向灯、加速踏板和制动踏板操作信号输送给上位机, 上位机中车辆模型使用的是四速自动变速器, 车辆可以在驾驶员控制下以任意速度和行驶轨迹行驶。CarSim RT选择C级轿车, 车辆的结构参数和动力学参数均设置成默认值, 车宽为1739 mm, 轮胎中心距为1500 mm, 轮胎基本参数为205/55, R16。试验需要满足天气晴朗、路面平整干燥、交通拥堵情况适中3个条件, 并尽量保证与真实道路环境保持一致, 模拟试验场景如图2所示。试验选取12名(8名男性和4名女性) 年龄在25到35岁之间(平均年龄30岁, 平均驾驶年龄3.5年)的志愿者参加模拟器试验, 所有志愿者均获得了合法的驾驶执照。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 驾驶员在环试验台Fig.2 Driving simulator

2.2.1 疲劳试验

在模拟器的单调环境中, 驾驶员持续驾驶60 min以上即可进入非常疲劳的状态, 为了尽可能多地采集驾驶员在疲劳状态下的试验数据, 本文分别选取了早、中、晚用餐后3个时间段进行试验。早上9:00~10:00, 中午12:00~13:00, 晚上6:00~7:00, 每次试验持续1 h。疲劳道路场景中没有设置障碍车, 目的是为了排除由于换道等复杂驾驶任务对驾驶人的醒神作用。试验将正常换道工况穿插其中, 在驾驶员清醒且执行单一驾驶任务的状态下采集正常换道的数据。

2.2.2 次任务试验

认知分散任务选取人因工程研究中的n-back试验范例^[8]。整个过程保持80 km/h左右的速度行驶。如图3所示, 试验分为两个阶段:第一阶段为约5 min的预备试验, 利用这段时间向被试人员介绍试验内容, 同时让被试者适应驾驶模拟器操作环境; 第二阶段为持续30 min左右的正式试验。正式试验分三步展开。首先是10 min的Text Messaging测试, 安排一名试验人员, 向驾驶员手机发送微信消息, 设计回复性话题与驾驶员交流, 刺激驾驶员边开车边收发微信消息, 采集这个过程中驾驶员视觉分散下的车道偏离数据; 接下来是10 min的2-back试验(试验研究表明, 驾驶员在2-back任务下才会发生无意识车道偏离^[8]), 通过语音播放的方式每隔2 s随机呈现给驾驶员0~9中的一个数字, 本阶段试验同样持续10 min; 最后完成10 min的手动操作试验, 驾驶员按照要求边开车边操作中控台的收音机, 并根据指令调整到指定的频道, 等待车辆恢复稳态后, 再次重复以上过程; 之后进入自由驾驶阶段, 5 min后结束本轮试验。

为了精确地确定无意识车道偏离的识别时间窗, 本文提出了在统计分析基础上融合受试者操作特性曲线(Receiver operating characteristic curve, ROC)的分析方法^[9]。本文以压线时刻为基准, 分别选取了压线前1 s、2 s、3 s、4 s和5 s的样本数据作为输入, 对不同时间窗下的分类结果进行了评估, 比较结果如图4所示。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 次任务偏离试验流程图Fig.3 Experimental flowchart of second-task based lane departure

结果显示, 压线前不同时间段内的曲线下面积(AUC)分别为0.7235、0.7503、0.8467、0.7922和0.6077, 其中压线前3 s的正常换道AUC最大, 这说明压线前3 s为意图时间窗的识别效果最好。因此本文确定驾驶员车道偏离识别时间窗为3 s。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 不同识别时间窗的ROC曲线Fig.4 ROC curve with different time windows

结合试验录像和车辆横向位置参数初步筛选有效样本, 参考以下规则确定偏离样本:

(1)模拟器的方向盘转角有左正、右负之分, 因此将挑选样本按照向左偏离和向右偏离进行初步分类。

(2)驾驶员的偏离状态应该可控, 保证没有过度偏离导致个别样本极度异常的现象发生。

(3)筛选出的样本中车速值应大于60 km/h。

按照上规则, 最终筛选出无意识车道偏离样本480组, 其中疲劳偏离样本有160组、次任务偏离样本有160组、正常换道样本有160组。

无意识车道偏离下的人-车-路特性分析是指对驾驶员在疲劳偏离和次任务偏离后的驾驶操纵、车辆运动状态和车辆横向位置变化规律进行归纳总结。与车道偏离紧密相关且模拟器和实车均可直接获取数据包括方向盘转角、方向盘转动速度、横摆角速度、横向加速度、车辆横向位移和横向平均速度。

3.1.1 方向盘转角

本文对能够反映一段时间内方向盘转角值的波动情况和离散程度的转角标准差进行了统计分析。对所有正常换道和无意识车道偏离样本进行分析, 结果如图5所示。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 方向盘转角标准差分布Fig.5 Standard deviation distribution of steering wheel angle

由图5可以看出, 正常换道方向盘转角标准差的四分之一分位、中位数和四分之三分位均大于疲劳偏离对应的值, 且次任务偏离下的方向盘转角变化规律与疲劳偏离正好相反。将正常换道和疲劳偏离转角、正常换道和次任务偏离转角标准差进行独立样本t检验, 得到相应的结果p₁=0.0001< 0.05、p₂=0.045< 0.05, 说明正常换道的转角标准差显著大于疲劳偏离及小于次任务偏离。由此, 三者之间存在显著的差异性, 可以作为区别不同车道偏离状态的特征参数。

3.1.2 方向盘转角熵值

方向盘转角熵值(Steering entropy)的概念是日本学者Nakayama于1999年提出的^[10], 研究结果表明, 转角熵值可以推测驾驶员操纵方向盘的稳定性, 同时也可以评估驾驶员的心理负荷。熵值越大, 表明驾驶操作越紊乱, 心理负荷越大。转角熵值根据方向盘转角的预测偏差出现的概率进行计算。对所有正常换道和无意识车道偏离的方向盘转角熵值进行统计, 结果如图6所示。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 方向盘转角熵值分布Fig.6 Steering angle entropy distribution

从图中可以看出, 疲劳偏离方向盘转角熵值明显小于正常换道和次任务偏离。把疲劳偏离和正常换道的方向盘转角熵值进行独立样本t检验, p=0.0001< 0.05, 表明疲劳偏离的转角熵值统计特性明显区别于正常换道, 但是正常换道和次任务偏离状态的熵值变化特性相近。因此, 方向盘转角熵值只能作为判别疲劳偏离状态的特征参数。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 方向盘转动速度标准差分布Fig.7 Standard deviation distribution of steering wheel angle velocity

3.1.3 方向盘转动速度

本文采用方向盘转动速度标准差来分析驾驶员在转动方向盘时的稳定程度, 标准差值大则转动速度波动大, 驾驶稳定性差。方向盘转动速度标准差的分布如图7所示。整体来看, 次任务偏离下的转动速度标准差整体大于正常换道, 而正常换道的转动速度标准差大于疲劳偏离。其中, 疲劳偏离与正常换道下的方向盘转动速度标准差进行独立样本t检验, p=0.002< 0.05, 说明二者转动速度标准差存在显著差异; 次任务与正常换道下的方向盘转动速度标准差进行独立样本t检验, p=0.047< 0.05, 证明二者存在显著性差异。综上, 方向盘转动速度可以用来区别正常换道和疲劳偏离和次任务偏离状态。

3.2.1 横向加速度

利用横向加速度结合驾驶员的操纵行为特性规律, 可以推断出驾驶员出现的车道偏离是正常换道行为还是无意识的车道偏离行为。采用同上文一样的统计方法对3种车道偏离状态下车辆横向加速度标准差进行分析, 结果如图8所示。从图中可知, 疲劳偏离的横向加速度标准差明显区别于正常换道状态。进行独立样本t检验, 显著性伴随概率值p=0< 0.05, 表明二者具有显著差异。次任务偏离的横向加速度标准差与正常换道区别不大。如此, 横向加速度只可以作为疲劳偏离的判别依据。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 横向加速度标准差分布Fig.8 Standard deviation distribution of lateral acceleration

3.2.2 横摆角速度

对能够反映横摆角速度离散程度的标准差进行分析, 标准差值大, 说明车辆摆动频率高, 驾驶员对车辆的调整较为频繁。分析结果如图9所示。观察发现, 疲劳偏离的横摆角速度标准差明显区别于正常换道。进行独立样本T检验, 显著性伴随概率值p=0.013< 0.05, 表明二者具有显著差异。次任务偏离的横摆角速度标准差分布范围略大于正常换道, 且基本包含了正常换道的所有分布, 二者没有明显差异。由此, 横摆角速度可以作为疲劳偏离的判别依据, 但是不能明显区分正常换道和次任务偏离。

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 横摆角速度标准差分布Fig.9 Standard deviation distribution of yaw velocity

3.3.1 车辆的横向位移

对横向位移进行统计分析, 结果如图10所示。可以看出, 正常换道状态的横向位移主要分布在0.004 m附近, 疲劳偏离主要分布在0.003 m附近之间, 对二者进行独立样本t检验, p=0.007< 0.05。与正常换道和疲劳偏离比较, 次任务偏离的横向位移分布比较分散。进一步对正常换道与次任务偏离的横向位移进行独立样本t检验, p=0.857> 0.05, 说明横向位移大小可以用来区分疲劳偏离和正常换道, 但是不可以区分次任务偏离和正常换道。

图10

Fig.10

	Figure Option ViewDownloadNew Window
	图10 横向位移均值分布Fig.10 Distribution of the average lateral location

3.3.2 车辆的横向平均速度

横向平均速度可以体现车辆是快速趋近车道线, 还是缓慢靠近车道线。图11是对3种不同偏离状态下所有样本的横向平均速度均值进行的统计分析。可以看出, 疲劳偏离明显区别于正常换道, 二者的独立样本t检验的结果为p=0< 0.05, 说明二者在偏离过程中, 横向平均速度存在显著差异。此外, 正常换道和次任务偏离独立样本t检验的结果为p=0.17> 0.05, 说明正常换道与次任务偏离的横向平均速度不存在显著差异。综上可知, 横向速度仅可以显著区分正常换道和疲劳偏离, 不能区分正常换道和次任务偏离。

图11

Fig.11

	Figure Option ViewDownloadNew Window
	图11 横向平均速度均值分布Fig.11 Distribution of average lateral velocity

本文主要研究目标是建立能够准确识别驾驶员无意识车道偏离行为的数学模型, 本文采用高斯隐马尔科夫模型(GM-HMM)进行模型构建。根据隐马尔科夫建模需要, 筛选能够推断无意识车道偏离行为的特征参数。不同原因导致的无意识车道偏离的车辆运动状态统计特性有所差异, 疲劳偏离下的人-车-路特性与正常换道均不相同, 而次任务偏离下车辆的横摆角速度、横向加速度、横向位移和横向平均速度与正常换道的差异性不大。因此, 将无意识车道偏离模型又细分为两类, 最终确定的不同车道偏离状态识别模型包括:正常换道模型、疲劳偏离模型和次任务偏离模型。根据不同偏离状态, 依照分析结果最终确定了各个模型的特征参数, 具体信息如表1所示。

根据GM-HMM建模要求, 观测层输入参数必须保持一致, 因此特将正常换道按照观测层输入不同建立两个模型。正常换道模型1和疲劳偏离模型的特征参数包括方向盘转角、转角熵值、方向盘转动速度、横向加速度、横摆角速度、横向位移、横向平均速度7个参数, 而正常换道模型2和次任务偏离模型中仅包含方向盘转角和方向盘转动速度2个参数。将正常换道1号模型和疲劳偏离模型放入1号模型库中, 将正常换道2号模型和次任务偏离放入2号模型库。

模型测试的过程, 就是将测试样本输入模型库中, 寻找最能解释当前观察序列的预测模型, 即HMM中的评估问题。以疲劳偏离识别过程为例, 在建立分类器的过程中需要将原始数据样本分为训练集和测试集, 模型训练中所使用的训练集, 剩余的疲劳样本则全部用来对模型进行测试。此外, 测试集中还加入了正常换道模型1的测试样本。将测试集输入1号模型库中, 结合前向-后向算法评估正常换道模型1和疲劳偏离模型产生输入的观察序列的概率, 输出概率较大者即为该观测序列对应的预测模型。次任务偏离识别过程与疲劳偏离相同。将通过不同模型库得到的识别结果以分类散点图来表示, 如图12所示。

表1

Table 1

表1(Table 1)

表1 车道偏离特征参数统计表 Table 1 Lane departure characteristic parameter 模型 类别 驾驶员操纵特性 车辆运动状态特性 车辆与车道线相对位置 方向盘转角 /(° ) 方向盘转 角熵值 方向盘转动速度 /[(° )· s-1] 横向加速度 /g 横摆角速度 /[(° )· s-1] 横向位移/m 横向平均速度 /(m· s-1) 正常换道1 √ √ √ √ √ √ √ 疲劳偏离 √ √ √ √ √ √ √ 正常换道2 √ √ 次任务偏离 √ √

表1 车道偏离特征参数统计表 Table 1 Lane departure characteristic parameter

图12

Fig.12

	Figure Option ViewDownloadNew Window
	图12 GM-HMM无意识车道偏离模型识别结果Fig.12 GM-HMM based unintentional lane departure model recognition results

图12中, 将预测的测试集分类结果与实际的测试集分类结果进行比较, 即可计算本次识别的准确率。疲劳偏离识别准确率为94.21%; 同理可算, 次任务偏离识别准确率为92.17%。较疲劳偏离而言, 次任务偏离识别准确率有所降低, 推测与识别参数种类较少有直接关系。以上分析结果表明模型识别效果为优, 识别信度高, 从而也说明了运用GM-HMM识别驾驶员无意识车道偏离方法的有效性。将获取的试验数据进行离线分析, 将其分为训练集和测试集, 分别应用在基于无意识车道偏离下的人-车-路特性分析建立的GM-HMM的训练和识别过程中, 得到了较优的识别结果。在构建在线识别模型的过程中, 先将未知类型样本输入到偏离识别模型2中, 判别其是否为次任务偏离样本。如是, 则判别过程结束; 如不是, 则将其输入到偏离识别模型1中, 继续判别其是否为疲劳偏离样本。

为了进一步验证模型的有效性, 提高模型的实际应用效果, 将前文基于MATLAB工具箱编写的建模算法移植到驾驶员在环实验台上。通过CarSim和LabVIEW联合仿真获取试验数据, 从中截取一段时间长度约80 s的次任务偏离试验与疲劳偏离试验数据放入本文构建的无意识车道偏离识别系统模型中进行识别, 结果如图13、14所示。其中纵坐标“ 分类结果” 中0、1、2分别表示车道保持、正常换道和无意识偏离。

图13

Fig.13

	Figure Option ViewDownloadNew Window
	图13 次任务偏离在线识别结果Fig.13 Result of second-task based lane departure recognition

从图13、图14可以看出, 预测分类结果与真实情况基本吻合, 满足实时识别的要求。比较两种不同无意识偏离的在线识别结果可知, 驾驶员在次任务偏离时, 虽然偏离幅度很大, 但驾驶员修正力度较大, 偏离持续时间相对较短, 而疲劳偏离幅度虽然较小, 但是随着疲劳程度的增加, 偏离持续时间也明显变长。

图14

Fig.14

	Figure Option ViewDownloadNew Window
	图14 疲劳偏离在线识别结果Fig.14 Fatigue based lane departure recognition results