肖獻強 王其東

合肥工業(yè)大學，合肥，230009

0 引言

公路交通的快速發(fā)展給人們帶來便捷的同時，交通事故的頻繁發(fā)生，也對社會造成了巨大的損失，如何避免和減少交通事故的發(fā)生在當今顯得尤為重要。通常的汽車安全防御措施都屬于被動安全防御，只能減少事故發(fā)生帶來的傷害和損失。主動安全防御即主動安全性表示汽車避免或減少事故發(fā)生的能力，主動安全性所涉及的因素很多，但歸納起來可以分為“人”、“車”、“路”三方面的因素。

目前關(guān)于駕駛行為主動安全性的研究，主要集中在對某一個危險駕駛行為的檢測和預警上，雖然這些研究都提出了環(huán)境的重要性，但是并沒有對車輛行駛環(huán)境信息的獲取給予足夠的重視［1－2］，沒有利用環(huán)境信息以及車輛運行狀態(tài)信息綜合判斷駕駛員的駕駛行為及意圖，然后進行相應的告警［3］。本文提出了人—車—路各種信息對某種駕駛行為都應參與行為決策的理念，并對決策權(quán)重進行了研究。本文提出利用車輛運行狀態(tài)和環(huán)境信息進行駕駛行為及意圖的提前分析預測，并根據(jù)駕駛行為及意圖是否存在危險，進行相應的預警。

1 常見駕駛行為

駕駛行為其本質(zhì)是一個在符合安全規(guī)范的條件下，為達到某種交通目的的連續(xù)決策過程。駕駛員在一系列狀態(tài)點上作出駕駛決策，汽車主動安全的駕駛行為識別需要實時識別車輛運行狀態(tài)、環(huán)境以及駕駛員的駕駛行為，判斷此時汽車的安全狀態(tài)，同時需要對下一時刻的行車安全狀態(tài)作出評估和預警。常見的駕駛行為主要有以下8種：①壓車道線行駛。在高速公路上壓道行駛是一種很危險的駕駛行為［4－5］。②疲勞駕駛。本文采用通過方向盤轉(zhuǎn)角監(jiān)控來預測駕駛員是否處于疲勞駕駛［6］。③超車并道。超車并道也是導致交通事故的一個重要原因，系統(tǒng)要進行提前預警。④車輛掉頭轉(zhuǎn)彎。車輛掉頭轉(zhuǎn)彎主要是指駕駛員在駕駛車輛過程中，突然進行轉(zhuǎn)彎掉頭。⑤加速行駛狀態(tài)。在車輛處于加速行駛的狀況中，需要進行各種實時數(shù)據(jù)分析，預測駕駛員下一個時刻的可能駕駛行為，判斷車輛是否處于安全狀態(tài)。⑥減速行駛狀態(tài)。駕駛員在駕駛車輛的過程中突然減速也是一種很危險的駕駛行為，因此在這個過程中，也要判斷駕駛員下一時刻的駕駛行為。⑦勻速行駛狀態(tài)。勻速行駛狀態(tài)是車輛在大部分時間里的行駛狀態(tài)，跟蹤這個狀態(tài)可為下一個時刻的駕駛行為預測奠定基礎。⑧啟動狀態(tài)。作為系統(tǒng)初始狀態(tài)。

2 權(quán)重決策矩陣分析建模

2.1 信號矩陣

根據(jù)前期國內(nèi)外對駕駛行為研究的成果以及調(diào)查分析，總結(jié)出有如下參數(shù)信息對駕駛員的駕駛行為分析與預測起決定性作用：①車道線信號；②方向盤轉(zhuǎn)角信號；③車速信號；④方向燈信號；⑤油門信號；⑥剎車信號；⑦離合器信號；⑧擋位信號。

將八種信號定義為一個信號矩陣S，S＝［x1x2x3x4x5x6x7x8］，代表信號系統(tǒng)采集到的對應信號量。

為了建立每種信號對某種駕駛行為的決策權(quán)重，課題組在合肥針對出租車司機、駕校教練、公交車司機以及個人發(fā)放了800份關(guān)于常見駕駛行為和上述八種信號關(guān)系的問卷調(diào)查，結(jié)合理論研究對八種信號初始權(quán)重作出了如下分配。x1代表是否壓車道線信號，根據(jù)視覺傳感器（CCD）圖像處理程序計算和識別車輛是否處于壓道行駛和車道是否跑偏，分別取1和0。x2代表方向盤信號，根據(jù)駕駛員是否連續(xù)地、長時間地沒有轉(zhuǎn)動方向盤操作，或者方向盤大轉(zhuǎn)角地轉(zhuǎn)動分別進行判斷。如果是第一種情況則表明駕駛員處于疲勞駕駛狀態(tài)，此時取x2＝1；如果駕駛員以每秒大于32°的速度轉(zhuǎn)動方向盤則表明駕駛員可能想超車并道或者想轉(zhuǎn)彎掉頭，此時取x2＝0.5。x3代表車速信號，這是一個常規(guī)的監(jiān)控變量，其值為汽車當前速度vnow與該車型的最大速度vmax的比值，即x3＝代表方向燈信號，根據(jù)其開或關(guān)取值1或0。x5代表油門信號，根據(jù)油門的開啟度取值范圍為［0，1］。x6代表剎車信號，根據(jù)剎車信號有無分別取1和0。x7代表離合器信號，根據(jù)離合器的開啟度取值范圍為［0，1］。x8代表擋位信號，不同的擋位取不同的值。以福特?？怂管囆蜑槔論跞?；1 擋 為 起 步，取 0.2；2 擋 對 應 的 是 30 ～40km／h，取0.4；3擋對應的是50～60km／h，取0.6；4擋對應的是60～70km／h，取0.8；5擋對應的是70km／h以上，取1。

2.2 權(quán)重矩陣

各種信號對駕駛行為的決策權(quán)重是不一樣的，因此定義一個權(quán)重決策矩陣R，R由8列權(quán)值向量構(gòu)成，其中r1～r8分別對應一組列向量，即

該矩陣代表各個信號量對常見駕駛行為分析判斷的權(quán)重，各個元素取值范圍為［0，1］。

2.3 狀態(tài)矩陣

系統(tǒng)將每一時刻的信號矩陣S與權(quán)重矩陣R相乘，得到這個時刻的狀態(tài)矩陣T，即

只要掃描這個狀態(tài)矩陣，找出矩陣中的最大值tx（x＝1，2，…，8），這個值就代表系統(tǒng)此時判斷出來對應的駕駛員所處的駕駛行為。

狀態(tài)矩陣隨著車輛運行參數(shù)以及環(huán)境參數(shù)的改變處于不斷的變化中，系統(tǒng)按照一定的時間間隔來進行狀態(tài)矩陣運算，判斷此刻駕駛員的駕駛行為，通過上一個時刻的駕駛狀態(tài)和此刻的駕駛行為，同時結(jié)合采集到的某些車輛運行參數(shù)，可以進一步判斷駕駛行為的安全性，并作出相應的預警。

3 權(quán)重決策矩陣的實現(xiàn)

3.1 權(quán)值取值原則

權(quán)重矩陣R中的8個列向量r1～r8分別包含8個元素，每列向量的8個元素之和為1，而這8個元素與信號矩陣S中的8路信號x1～x8分別對應，它們表示x1～x8對駕駛行為及意圖分析的貢獻值大小。例如：

其中，r11＋r21＋…＋r81＝1，且r11，r21，…，r81按序號各自一一對應于信號矩陣S中的8路信號元素x1，x2，…，x8，則r11，r21，…，r81就代表x1，x2，…，x8在駕駛行為分析時所占的權(quán)值比重。由式（1）通過矩陣的乘法運算可得：

rij（i＝1，2，…，8；j＝1，2，…，8）為0～1之間的具體數(shù)值，其取值原則如下：

本文所考慮的8種駕駛行為狀態(tài)都只與某種或某幾種的車輛和環(huán)境參數(shù)有關(guān)，因此對應的各個信號的權(quán)值大小也有所不同。例如，壓車道線行駛在狀態(tài)矩陣中由t1表示，這種狀態(tài)看成只與是否壓線的信號x1有關(guān)，而與其他7種信號量，如車速、方向盤、油門等無關(guān)，所以在這種情況下，只考慮與x1對應的權(quán)值，假設取值為1，而忽略與其他七種信號對應的權(quán)值，假設都取值為0。

3.2 仿真權(quán)重決策矩陣的有效性

首先，任意設置一個權(quán)重矩陣的初始值，并且人為給出汽車在某種確定狀態(tài)下的車輛和環(huán)境信號，然后把信號矩陣和權(quán)重矩陣相乘得到此時的狀態(tài)矩陣，找出狀態(tài)矩陣中的最大值，判斷該最大值所對應的駕駛行為及意圖是否與人為給定的車輛和環(huán)境信號一致，若結(jié)果一致，則用同樣的方法對余下的7種駕駛狀態(tài)進行判斷；若結(jié)果不一致，則改變權(quán)重矩陣的初始值，重復上述過程，不斷逼近，直至達到8種典型駕駛行為預測全部準確，誤報率小于5%，可靠性大于95%時，此時權(quán)重決策矩陣視為合理的權(quán)重決策矩陣。同時結(jié)合課題組對合肥出租車司機、公交車司機、駕校教練以及個人駕駛員的調(diào)查問卷表來修正權(quán)重矩陣。

初始值的驗算過程涉及較復雜的矩陣運算，若采取人工計算，則會耗費大量的時間，且不能保證結(jié)果的準確性，效率較低。據(jù)此，本文使用MATLAB軟件進行仿真，利用MATLAB的矩陣運算工具和繪圖工具，可以很方便地進行矩陣的運算以及運算結(jié)果分析。

為了提高仿真的效率，把矩陣運算和繪圖等要實現(xiàn)的命令編譯成一個M文件［7］。其主要功能為實現(xiàn)信號矩陣和權(quán)重矩陣之間的乘法運算，得到狀態(tài)矩陣，并使用plot命令繪制出狀態(tài)矩陣中元素大小的折線圖，方便比較各個元素的大小，使用時，只需調(diào)用該M文件，輸入不同的信號參數(shù)，運行函數(shù)就能夠很直觀地判斷結(jié)果［8］。

在所有的駕駛行為決策分析權(quán)重矩陣確定后，還要針對處理處于兩種混合模糊的駕駛行為重新調(diào)整權(quán)重矩陣。

值得注意的是，對部分不合理的權(quán)值向量初始值進行修改后，往往會影響到其他先前合理的權(quán)值向量，使得當時合理的賦值此時變?yōu)椴缓侠?；因此，?quán)值矩陣的初始值由不合理到合理，其修改過程是不斷反復的，最終所有合理的取值都建立在對整體考慮的基礎之上。

4 仿真實驗

根據(jù)表1的結(jié)論進行迭代仿真，最終得到的權(quán)重矩陣如下：

表1 權(quán)重矩陣的驗算

汽車在行駛過程中，為了提高系統(tǒng)的可靠性，采用每間隔0.5s進行一次狀態(tài)矩陣運算的方法，給出駕駛員的駕駛行為預測結(jié)果，并根據(jù)結(jié)果進行相應的提示。

為了仿真汽車駕駛過程中的各種信號，本文設計了基于ARM9＋Linux的軟件運行平臺，該平臺利用ARM7模擬汽車駕駛信號。圖1所示為仿真實驗平臺。

圖1 仿真實驗平臺

圖2和圖3分別為超車并道和轉(zhuǎn)彎掉頭的測試結(jié)果圖片，圖片中左側(cè)編輯框中的各個信號是模擬汽車運行各種信號測試平臺上ARM7發(fā)出的模擬駕駛信號，分別對應權(quán)重矩陣運算需要的各個汽車運行中駕駛員的操作信號；實時圖像顯示本次測試是通過CCD采集的，為下一步研究車輛運行環(huán)境進行綜合判斷作好了鋪墊。

圖2 超車駕駛行為仿真測試

圖3 轉(zhuǎn)彎掉頭駕駛行為仿真測試測試

5 結(jié)束語

本文在研究國內(nèi)外關(guān)于汽車主動安全研究成果的基礎上，提出了設計基于駕駛行為的汽車主動安全系統(tǒng)的思路，通過采集車輛運行狀態(tài)參數(shù)以及CCD攝像采集的車輛運行環(huán)境信息數(shù)據(jù)，提前預測駕駛行為是否安全，并作出相應的安全提示及預警，通過搭建ARM＋Linux仿真測試平臺，測試表明本文提出的方法切實可行。課題組下一步需要進行對系統(tǒng)的預警可靠性及漏警率進行深入的研究，以提高系統(tǒng)的可靠性，降低誤報率，為本文的研究內(nèi)容實用化奠定基礎。

［1］ Zong Changfu，Yang Xiao，Wang Chang，et al.Driving Intentions Identification and Behaviors Prediction in Car Lane Change［J］.Journal of Jilin University（Engineering and Technology Edition），2009，39：27－32.

［2］ Farid M N，Kopf M，Bubb H，et al.Methods to Develop a Driver Observation System Used in an Active Safety System［J］.VDI Berichte，2006，1960：639－650.

［3］ 廖傳錦.以人為中心的汽車主動安全預警信息系統(tǒng)研究［D］.重慶：重慶大學，2005.

［4］ 吳沫，安向京，賀漢根.基于視覺的車道跑偏檢測方法研究及仿真［J］.中國圖像圖形學報，2007，12（1）：110－115.

［5］ Godthelp H，Milgram P，Blaauw G J.The Development of a Time－related Measure to Describe Driver Strategy［J］.Human Factors，1984，26（3）：257－268.

［6］ 石堅.人－車－路綜合環(huán)境下主動安全性模擬系統(tǒng)的研究［D］.上海：上海交通大學，2000.

［7］ 張德喜，周予生.MATLAB語言程序設計教程［M］.北京：中國鐵道出版社，2006.

［8］ 常巍，謝光軍.MATLAB R2007基礎與提高［M］.北京：電子工業(yè)出版社，2007.