考慮車輛跟車及換道交互參數的駕駛風格識別

柳祖鵬 羅陳怡 嚴運兵

(武漢科技大學汽車與交通工程學院 武漢 430065)

0 引 言

駕駛風格指一個人選擇開車的方式或習慣性的駕駛方式[1],包括駕駛員注意力、自信的習慣性水平,對駕駛速度、行車間距的選擇等[2],受到同駕駛有關的態度和信念的影響[3],也受到駕駛員的一般需要水平和價值觀的影響[4].

Li等[5]提出采用駕駛模式轉移概率評測駕駛風格的方法,比采用傳統的駕駛模式頻率方法識別準確率更高.Munoz等[6]指出如果在駕駛模式轉移概率的基礎上加入對駕駛人眼動行為的分析,駕駛風格評測效果會更好.鄧濤[7]提出通過節氣門開度、節氣門開度變化率,以及制動減速度對駕駛風格進行識別.吳振昕等[8]認為駕駛員的駕駛風格主要反應在車速、縱向加速度、油門踏板開合度、側向加速度、橫向角速度、航向角、轉向盤轉角及其角速度等八個方面.Langari等[9]通過平均加速度和加速度標準差與平均加速度的比值進行駕駛風格識別.Iván等[10]選用車輛在行程過程中的平均加速度、平均減速度,以及突然加速與制動事件發生的總次數作為特征參數用以區分駕駛員的駕駛風格.

上述研究大多基于車輛自身的運動參數特征來識別駕駛員的駕駛風格,較少考慮不同車輛駕駛員之間的交互因素對于駕駛員風格的影響.而駕駛員的跟馳與換道行為又受到道路中其他車輛的制約,駕駛員在其他車輛影響下采取的行動也是駕駛風格的一個重要反映.故本文進行駕駛風格識別時,考慮駕駛員自身運動參數同時,加入駕駛員的跟車時距和換道允許間距,作為車輛跟馳和換道行為中受道路中實行車輛影響的交互參數,提高駕駛風格識別指標的全面性.

1 數據集

文中使用美國開源數據下一代仿真(the next generation simulation, NGSIM)數據集,該數據集記錄了車輛運行過程中車輛編號、車輛類型、位置信息、車輛速度、車輛加速度、車頭時距、車頭間距,以及前后車編號.

文中用NGSIM子集US101路段數據集進行研究.US101數據集是從美國101號高速公路上采集到得到的,測量區域長度為640 m,包含5條主線車道和一條集散車道,見圖1,集散車道位于Ventura Boulevard入口和Cahuenga Boulevard出口之間.共8臺同步攝像機安裝在緊鄰高速公路的一個36層樓高的頂部,記錄車輛進出入測量區域的情況.并以0.1 s的時間間隔采集通過測量區域的車輛的時空信息,數據具有較高的精確性.

圖1 US101數據采集區域示意圖

檢測路段內小汽車占比較多,約為總數據量的97.3%,文中將小汽車選為研究對象,只考慮小汽車的運動狀態參數.

將下載的csv格式數據導入,對數據進行初步處理,剔除摩托車和大型車數據,寫入車輛橫向速度與加速度,將英制單位轉換為國際單位并提取車輛換道時長及其換道時的車間間隙.完成數據的篩選之后,對滿足要求的車輛數據進行重新編號,按照相應編號對車輛數據進行存儲.

2 駕駛風格參數選擇及模糊評價

2.1 參數選擇

駕駛員的駕駛風格同駕駛員操縱車輛的行為表現之間存在一定聯系[11].相應的,駕駛員操縱車輛的行為表現也能反應出駕駛員的駕駛風格[12].基于各駕駛參數對駕駛員的影響,結合文獻[13-14],選擇平均車速、速度標準差、橫向加速度最大值、橫向加速度標準差、跟車時距比例作為評估駕駛員激進程度的指標.同時考慮車輛換道參數對駕駛風格的影響,增加換道時間及換道時目標車道的允許間隙兩個指標來評估駕駛員的激進程度.

2.2 模糊矩陣構建

在模糊集合涉及的論域U上,給定一個映射.

(1)

式中:qij為第i個評價對象關于第j個評價指標的隸屬度.

(2)

對數據進行模糊處理時,首先確定其隸屬度函數.模糊分布的論域為實數域,一般常用的隸屬度函數為梯形和半梯形的形式,見圖2.

圖2 梯形分布

2.3 隸屬度函數確定

車輛在區域的行駛速度受交通環境影響,參考車輛限速設置,基于車輛速度分布特點,采用半梯形分布方法確定車輛平均速度的隸屬函數,參考車道限速設置,取局部區域速度值的15%和85%分位數作為隸屬度函數的分段閾值.車輛平均速度越大,表明該駕駛員相對于其他駕駛員更為激進,故選取偏大型隸屬函數,其中,a=4.56 m/s,b=13.71 m/s.

車輛在一段行程中,其縱向速度標準差越大,表明駕駛員在行駛過程中駕駛狀態越不穩定,相比較而言其行為波動更大,激進程度也會更大,故選取偏大型的梯形分布作為其隸屬函數,其中,a=2.06 m/s,b=4.54 m/s.

橫向加速度最大值是駕駛員橫向操作的重要參數,駕駛員越激進,其對于車輛的橫向行為操縱幅度越大,故選取偏大型的梯形分布作為其隸屬函數.其中,a=2.33 m/s2,b=3.95 m/s2.

橫向加速度標準差表征駕駛員在車輛橫向操縱上的穩定性,駕駛員駕駛風格越保守,其橫向操縱行為就會越趨向于平穩,橫向加速度標準差也會越小,基于此,選取偏大型的梯形分布作為其隸屬函數.其中,a=0.38 m/s2,b=0.56 m/s2.

車頭時距表征的是駕駛員在跟車過程中對于安全距離及前向碰撞風險的把握,駕駛員跟馳過程中車頭時距越小,表明其駕駛行為越危險,駕駛風格也更加激進.計算駕駛員在整個測量區間中,跟車時距小于1.5 s的時長占整個測量時長的比例,以此比例作為駕駛員在車頭時距的評判標準下對于激進程度的隸屬度.表1為跟車時距比例.

表1 跟車時距比例

換道時間是車輛換道行為的重要體現,表明了車輛在換道過程持續情況,換道時間越短,表明駕駛員行為越激進,故選用偏小型梯形分布表示換道時間的隸屬函數.其中,a=1.9 s,b=6.1 s.

目標車道換道間隙為在本車換道開始前一時刻,目標車道前后車之間的空間距離,換道間隙越小,本車同目標車道前后車碰撞可能性越大,相對應的駕駛員也更加激進,故選取偏小型梯形分布作為換道間隙的隸屬函數.其中,a=25.98 m,b=58.61 m.

2.4 特征權重確定

(3)

根據自適應權重算法得知,當滿足方差最小時所對應的最優加權因子為

(4)

方差近似估計算法為

(5)

式中:Rii為Xi的自協方差函數;Rij為Xi和Xj的互協方差函數,其值可由其時間閾估計值得到.

(6)

(7)

式中:k為測量次數.

基于自適應權值估計算法得到的各特征參數的權重見表2.

2.5 駕駛風格分類

根據式(1),計算出每個駕駛員的綜合評價指數,見表3.

表3 駕駛員評價指數表

2.6 與k-means聚類方法的比較

由特征值權重的確定可以知道,本文所選參數相關性較低,近似可看作相互獨立,故不用對其進行降維處理.基于數據邊界,對數據進行歸一化,將數據映射到0～1,消除單位對于數據分布的影響.

k-means算法是一種基于數據點空間特性進行分類的無監督分類方法,以歐氏距離作為衡量樣本空間上聚集性的指標,將空間上聚集性相近的點劃分為一個類別,然后計算每個類中樣本的平均值作為新的聚類中心,進行下一次迭代,直到聚類中心不再變化或者達到迭代次數達到上限,確定最終的分類結果.

k-means聚類完成后,其三簇的聚類中心見表4.

表4 k-means聚類中心

3 分類結果分析

依據車輛駕駛員駕駛激進值的分布情況,以0.4和0.6為閾值劃分不同激進程度駕駛員所屬的駕駛類別.保守型、普通型、激進型的駕駛員實例數分別為37、83、69.k-means算法分類得到保守型、普通型、激進型的駕駛員的實例數分別為57、75、57.兩種分類方法分類結果的一致性為40.21%.

駕駛員特性雷達圖見圖3～6.由圖3～6可知:同時存在換道與跟馳行為的車輛中,車輛的換道時間大多較為迅速.

圖3 所有駕駛員特性雷達圖

圖4 保守型駕駛員駕駛特征雷達圖

圖5 普通型駕駛員駕駛特征雷達圖

圖6 激進型駕駛員駕駛特征雷達圖

分別采用k-means聚類和模糊數學的方法對駕駛員駕駛風格進行分析,對于前者的分類結果而言,保守型駕駛員的縱向速度標準差和換道時的允許換道間距在分類中存在明顯的聚集,其允許換道距離較小且縱向速度標準差較大,車輛在行駛過程中速度變化相較而言更為劇烈;普通型的駕駛員則在縱向平均速度上表現出聚集,由較大的平均速度;激進型駕駛員則在車頭時距和縱向速度上表現出聚集,跟車時距小于1.5 s所占的行程時間較多,在跟車行為上存在更大的危險性.采用模糊數學方法對車輛駕駛員進行駕駛風格劃分,劃分為保守型的駕駛員駕駛特征的聚集性更多的表現在雷達圖的右下側,普通型的駕駛員比較起來,分布與保守型的駕駛員相類似,但各方面的值都要大于保守型的駕駛員,激進型的駕駛員特征參數同其他類型的駕駛員類似,但相應數值會更大,在整個雷達圖中所占面積也最大.

將標準化的數據還原到原始數據中,見表5,采用模糊分類的方法對駕駛員的駕駛風格進行識別時,隨著駕駛員激進程度的增加,駕駛員各項指標值都呈現遞增狀況,而k-means聚類則無該規律,直觀上而言,模糊分類結果比k-means聚類結果更能體現駕駛員的激進程度,更適合于車輛跟車及換道等行為的安全性評估.

表5 不同類型駕駛員類間均值

4 結 束 語

本文目前所用的數據集只收集了各個駕駛員較短的一段時間內的駕駛參數特征,對于描述駕駛員的駕駛風格而言數據時長較短,只能表征駕駛員在觀測路段的風格,對于駕駛員常態風格的識別與分類能力還是較弱,后續研究將考慮擴大使用的數據量,標定駕駛員的激進程度,用于評估駕駛員在操縱車輛中的碰撞風險.