張 輝，錢大琳*，邵春福，錢振偉，菅美英

(1.北京交通大學(xué)交通運輸學(xué)院，北京100044；2.清華大學(xué)土木系交通研究所北京100084)

0 引言

駕駛?cè)朔中氖菍?dǎo)致道路交通事故的重要原因之一.據(jù)美國國家道路安全管理局(NHTSA)的統(tǒng)計，2013年有10%的死亡事故、18%的受傷事故是由駕駛?cè)朔中膶?dǎo)致的[1].隨著手機(jī)和導(dǎo)航等車內(nèi)智能終端的日益普及，駕駛?cè)朔中默F(xiàn)象日趨嚴(yán)重.因此，研究駕駛?cè)朔中膶︸{駛安全的影響，構(gòu)建駕駛?cè)朔中臓顟B(tài)判別模型對駕駛?cè)朔中臓顟B(tài)進(jìn)行判別，對于開發(fā)駕駛?cè)朔中念A(yù)警系統(tǒng)，減少駕駛?cè)朔中膸淼陌踩[患具有重要的意義.

國外研究表明，駕駛?cè)朔中膶︸{駛?cè)说鸟{駛績效、視覺行為模式和生理指標(biāo)產(chǎn)生一定的影響，從而增大發(fā)生事故風(fēng)險的概率[2].減小和預(yù)防駕駛?cè)朔中牡挠行Т胧┦情_發(fā)駕駛?cè)朔中念A(yù)警系統(tǒng)，這種系統(tǒng)通過判別駕駛?cè)藸顟B(tài)給予駕駛?cè)诉m當(dāng)?shù)陌踩A(yù)警提示，以降低事故發(fā)生的風(fēng)險概率.現(xiàn)有的駕駛?cè)朔中呐袆e研究項目包括歐洲的HASTE、AIDE，美國的SAVE-IT等.由NHTSA主導(dǎo)的SAVE-IT(Safety Vehicle Using Adaptive Interface Technology)項目通過傳感器獲取駕駛?cè)藸顟B(tài)判別駕駛?cè)耸欠穹中?，?dāng)檢測到分心，可以通過一系列的手段進(jìn)行預(yù)警，包括碰撞警告系統(tǒng)、重新定向注意力系統(tǒng)等[3].駕駛?cè)朔中鸟{駛狀態(tài)與正常駕駛狀態(tài)在駕駛績效方面存在顯著的特征差異，當(dāng)駕駛?cè)朔中臅r會出現(xiàn)大幅度車速變化、車道偏離、跟車距離增加等現(xiàn)象[2,4-5]，駕駛績效特征在駕駛?cè)朔中臓顟B(tài)判別領(lǐng)域方面具有良好的應(yīng)用.Wollmer等[6]提取方向盤轉(zhuǎn)角、油門位置、速度、車頭朝向、橫向偏離和車頭轉(zhuǎn)向等駕駛績效指標(biāo)，采用LSTM神經(jīng)網(wǎng)絡(luò)對駕駛?cè)朔中臓顟B(tài)進(jìn)行判別.馬艷麗等[7]采集駕駛績效數(shù)據(jù)(方向盤轉(zhuǎn)角和轉(zhuǎn)速、橫向位移、加速度和速度等)，采用SVM分類算法構(gòu)建了基于駕駛績效的IVIS操作分心判定模型.

駕駛?cè)朔中念A(yù)警系統(tǒng)的核心在于建立實時準(zhǔn)確的駕駛?cè)朔中臓顟B(tài)判別模型.在駕駛?cè)朔中臓顟B(tài)判別領(lǐng)域，常用的模式識別算法有神經(jīng)網(wǎng)絡(luò)、混合高斯模型、貝葉斯網(wǎng)絡(luò)、支持向量機(jī)(SVM)、神經(jīng)模糊推理系統(tǒng)(ANFIS)及各種組合算法等[3,6-7].其中SVM以統(tǒng)計學(xué)習(xí)理論為基礎(chǔ)，克服了模式識別領(lǐng)域的小樣本難題，在解決多維度、非線性及小樣本的識別問題和實際應(yīng)用中有很多優(yōu)點.已有研究雖然將SVM應(yīng)用到駕駛?cè)朔中臓顟B(tài)判別，但是由于未對模型參數(shù)進(jìn)行優(yōu)化，導(dǎo)致模型分類效果一般[7].因而選取合適的優(yōu)化算法對SVM模型參數(shù)進(jìn)行優(yōu)化，建立最佳參數(shù)的駕駛?cè)朔中臓顟B(tài)SVM判別模型，進(jìn)而判別駕駛?cè)朔中臓顟B(tài)，有助于為駕駛?cè)朔中臓顟B(tài)預(yù)警提供支持.

本文在現(xiàn)有研究基礎(chǔ)上，采集駕駛績效數(shù)據(jù)，提取駕駛?cè)朔中臓顟B(tài)判別指標(biāo)，采用遺傳算法(GA)優(yōu)化支持向量機(jī)(SVM)模型懲罰參數(shù)C和核函數(shù)參數(shù)g，建立以徑向基為核函數(shù)的基于GASVM的駕駛?cè)朔中臓顟B(tài)判別模型，并利用實驗數(shù)據(jù)驗證模型的有效性.本文駕駛績效使用的是車輛運行參數(shù).研究期待為駕駛?cè)朔中念A(yù)警系統(tǒng)、駕駛?cè)税踩芾砼嘤?xùn)和交通安全管理法規(guī)的制定提供理論依據(jù).

1 駕駛?cè)朔中臓顟B(tài)判別模型

1.1 駕駛?cè)朔中臓顟B(tài)判別

駕駛?cè)朔中臅绊戱{駛?cè)说鸟{駛績效，導(dǎo)致車速降低、方向盤控制能力降低、跟車距離增加等[2,4-5]，對這些指標(biāo)的研究是駕駛?cè)朔中臓顟B(tài)判別的基礎(chǔ).隨著智能設(shè)備的普及，駕駛過程中使用耳機(jī)或車載設(shè)備免提通話和語音短信聊天的現(xiàn)象日益普遍，對駕駛安全產(chǎn)生較大的威脅.針對這種現(xiàn)象，本研究設(shè)計分心模擬駕駛實驗，采集3種狀態(tài)下(免提通話、正常駕駛和語音短信)的駕駛績效數(shù)據(jù)，提取能夠表征分心狀態(tài)特征的駕駛績效指標(biāo)作為駕駛?cè)朔中臓顟B(tài)判別指標(biāo)，建立駕駛?cè)朔中臓顟B(tài)判別模型.本文駕駛績效指標(biāo)采用的是車輛運行參數(shù).駕駛?cè)朔中臓顟B(tài)判別可以從模式識別的角度進(jìn)行研究，屬于有監(jiān)督學(xué)習(xí).在訓(xùn)練集中，將駕駛?cè)朔中呐袆e指標(biāo)作為判別模型的輸入，3種狀態(tài)分別標(biāo)記為0、1、2，作為判別模型的輸出，對模型進(jìn)行訓(xùn)練.在測試集中，利用訓(xùn)練好的模型對駕駛?cè)朔中臓顟B(tài)進(jìn)行判別.

1.2 SVM判別方法

本文建立以徑向基為核函數(shù)的駕駛?cè)朔中臓顟B(tài)判別SVM模型，采用GA對模型參數(shù)C和g進(jìn)行優(yōu)化.將駕駛?cè)朔中臓顟B(tài)判別指標(biāo)作為SVM模型的輸入，駕駛?cè)朔中臓顟B(tài)作為SVM模型的輸出.支持向量機(jī)(SVM)是由Vapnik首先提出，被廣泛地應(yīng)用于模式識別和非線性回歸，具有較強(qiáng)的泛化性能，在解決非線性可分的分類問題方面具有顯著的優(yōu)越性.它可以通過構(gòu)建多維度決策曲面，最大化兩類數(shù)據(jù)之間的分割邊緣，從而準(zhǔn)確地實現(xiàn)兩類樣本數(shù)據(jù)分離的目的[8].SVM中核函數(shù)理論有效克服從低維空間線性不可分映射到高維特征空間以實現(xiàn)線性可分過程中的“維數(shù)災(zāi)害”現(xiàn)象，常用的核函數(shù)包括線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)(RBF)和Sigmoid核函數(shù)[8].

由于徑向基核函數(shù)能夠?qū)崿F(xiàn)非線性映射，本文選擇徑向基核函數(shù)作為SVM模型的核函數(shù).在建立不同交通狀態(tài)下的駕駛?cè)朔中臓顟B(tài)判別SVM模型時，為得到較為理想的分心狀態(tài)判別效果，需要優(yōu)化模型中的懲罰參數(shù)C和RBF核函數(shù)參數(shù)g，可以利用遺傳算法(GA)等啟發(fā)式算法對SVM模型中的懲罰參數(shù)C和核函數(shù)參數(shù)g進(jìn)行優(yōu)化，以達(dá)到理想的分類準(zhǔn)確率.基于GA-SVM的駕駛?cè)朔中臓顟B(tài)判別方法步驟如下：

Step 1選定訓(xùn)練集和測試集.隨機(jī)選取駕駛?cè)朔中奶卣髦笜?biāo)數(shù)據(jù)的70%作為訓(xùn)練集，30%作為測試集，確保訓(xùn)練集和測試集包含駕駛?cè)?種狀態(tài).

Step 2數(shù)據(jù)標(biāo)準(zhǔn)化.為避免不同駕駛績效指標(biāo)之間單位量綱不同的影響，消除各指標(biāo)間的數(shù)值差異，采用min-max標(biāo)準(zhǔn)化方法的一種特殊形式，所有樣本數(shù)據(jù)按照式(1)進(jìn)行標(biāo)準(zhǔn)化[7]，將各特征指標(biāo)無量綱化在[-1,1]區(qū)間.

Step 3最佳參數(shù)的確定.在訓(xùn)練集中利用GA算法對SVM模型的參數(shù)C和g進(jìn)行優(yōu)化.

Step 4利用最佳參數(shù)訓(xùn)練駕駛?cè)朔中臓顟B(tài)判別SVM模型.

Step 5在測試集中利用訓(xùn)練好的模型對駕駛?cè)朔中臓顟B(tài)進(jìn)行判別.

Step 6模型性能評估.

1.3 模型參數(shù)優(yōu)化

針對上述Step3，基于GA的并行性和全局搜索能力，采用GA進(jìn)一步優(yōu)化SVM模型參數(shù)C和g.GA優(yōu)化SVM的適應(yīng)度函數(shù)為交叉驗證準(zhǔn)確率，如式(2)所示.

式中：CCV Accuracy為交叉驗證準(zhǔn)確率；k為交叉驗證次數(shù)；li為每次迭代錯誤分類樣本數(shù)；l為總的訓(xùn)練樣本數(shù).

GA對SVM中懲罰因子C和分類函數(shù)中RBF參數(shù)g進(jìn)行優(yōu)化，參數(shù)優(yōu)化流程如圖1所示.

GA優(yōu)化SVM參數(shù)步驟如下：

Step 1 將SVM訓(xùn)練參數(shù)C和g以二進(jìn)制的形式進(jìn)行染色體基因編碼，設(shè)定訓(xùn)練參數(shù).

圖1 基于GA的SVM參數(shù)優(yōu)化Fig.1 SVM parameter optimization based on GA

Step 2隨機(jī)產(chǎn)生1組表示SVM參數(shù)值的染色體.

Step 3利用獲得的SVM參數(shù)訓(xùn)練SVM模型，利用交叉驗證法評估適應(yīng)度，選取交叉驗證準(zhǔn)確率為適應(yīng)度函數(shù).

Step 4通過選擇、交叉、變異等遺傳算子操作，產(chǎn)生1組新的染色體，其中選擇采用輪盤賭法.

Step 5當(dāng)滿足終止條件時，進(jìn)化過程結(jié)束，輸出最優(yōu)SVM參數(shù)；否則，轉(zhuǎn)到Step3.

2 實驗數(shù)據(jù)的采集與處理

2.1 實驗過程

本文實驗利用動感型汽車模擬駕駛器(QJ-4B1型6自由度模擬駕駛器)，模擬雙向4車道城市快速路場景中的跟車行為.實驗場景分為自由流和擁擠流2個狀態(tài)，車道寬度為3.5 m.在自由流狀態(tài)場景中，模擬主車跟隨引導(dǎo)車做跟車行駛，引導(dǎo)車車速設(shè)定為65 km/h，要求主車緊跟引導(dǎo)車，保持合適的跟車距離，不允許超車.在擁擠流狀態(tài)場景中，設(shè)置緩慢行駛的車流，車流速度限定為35 km/h.主車匯入車流中緩慢行駛，不允許隨意超車和變道.駕駛過程中，駕駛?cè)诵枰?種交通流場景中執(zhí)行指定駕駛次任務(wù)，以模擬駕駛分心狀態(tài).指定的駕駛次任務(wù)包括正常駕駛(基準(zhǔn))、免提手機(jī)通話和收發(fā)語音短信，記錄駕駛過程中各項駕駛績效指標(biāo)的變化情況.

實驗共招募53位駕駛?cè)诉M(jìn)行模擬駕駛實驗，所有駕駛?cè)司钟杏行я{照，年齡在26～59歲之間(均值：37.7，標(biāo)準(zhǔn)差：8.51)，駕齡為3～39年(均值：12.1，標(biāo)準(zhǔn)差：9.34)，累計行駛在0.5萬～400萬km(均值：64.2，標(biāo)準(zhǔn)差：94.63).駕駛?cè)松硇慕】担瑹o視覺和聽覺障礙.具體實驗流程如下：

(1)實驗人員向駕駛?cè)私榻B實驗主要內(nèi)容和基本要求，駕駛?cè)嗽谥橥鈺虾炞郑?/p>

(2)調(diào)查駕駛?cè)四挲g、駕齡、職業(yè)等個人基本信息；

(3)駕駛?cè)诉M(jìn)行大約10 min的適應(yīng)性訓(xùn)練，以適應(yīng)模擬駕駛環(huán)境；

(4)正式實驗，駕駛?cè)送瓿砂杂闪鳡顟B(tài)場景和擁擠流狀態(tài)場景的實驗路段，在該過程中完成指定駕駛次任務(wù)；

(5)收集和整理駕駛?cè)塑囕v運行數(shù)據(jù)和視頻錄像.

2.2 數(shù)據(jù)采集

本實驗中駕駛模擬器的采集頻率為30 HZ，可以采集到17項駕駛績效指標(biāo).參考國內(nèi)外相關(guān)研究[4-7]，結(jié)合駕駛次任務(wù)對駕駛績效的影響，確定基于駕駛績效的駕駛?cè)朔中臓顟B(tài)判別變量，包括：車速、方向盤轉(zhuǎn)角、跟車距離、車道側(cè)向偏離、縱向加速度和橫向加速度等6項指標(biāo).按照執(zhí)行駕駛次任務(wù)的順序，將數(shù)據(jù)劃分為6個階段進(jìn)行數(shù)據(jù)提?。鹤杂闪鳌馓嵬ㄔ?、自由流—正常駕駛、自由流—語音短信、擁擠流—免提通話、擁擠流—正常駕駛、擁擠流—語音短信.利用三倍標(biāo)準(zhǔn)差法對實驗數(shù)據(jù)進(jìn)行預(yù)處理，經(jīng)K-S檢驗，可知各指標(biāo)數(shù)據(jù)均服從正態(tài)分布.

2.3 特征指標(biāo)選取

在收集駕駛分心實驗數(shù)據(jù)的基礎(chǔ)上，通過檢測不同分心水平對應(yīng)駕駛績效指標(biāo)是否存在顯著差異進(jìn)行特征指標(biāo)提取.在2種交通流狀態(tài)下，分別用單因素方差分析方法檢驗6項駕駛績效指標(biāo)的均值和標(biāo)準(zhǔn)差在不同分心水平之間是否存在顯著性差異.由表1可知，自由流狀態(tài)下的車速均值、方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差、縱向加速度標(biāo)準(zhǔn)差、車道側(cè)向偏離標(biāo)準(zhǔn)差等4項指標(biāo)，擁擠流狀態(tài)下的車速標(biāo)準(zhǔn)差、方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差、跟車距離均值、縱向加速度標(biāo)準(zhǔn)差、橫向加速度標(biāo)準(zhǔn)差和側(cè)向偏離標(biāo)準(zhǔn)差等6項指標(biāo)在不同分心水平影響下均存在顯著性影響(P＜0.05).因此，可以將表1中自由流狀態(tài)的4項指標(biāo)和擁擠流狀態(tài)的6項指標(biāo)作為駕駛?cè)朔中臓顟B(tài)判別特征指標(biāo).

表1 單因素方差分析結(jié)果Table 1 Statistical comparison results of one-way ANOVA

3 模型驗證

本文共選取自由流狀態(tài)場景下27 156組樣本數(shù)據(jù)，擁擠流狀態(tài)場景下21 209組樣本數(shù)據(jù)，將數(shù)據(jù)分為70%訓(xùn)練集和30%測試集.自由流狀態(tài)場景下每個樣本具有4個特征指標(biāo)，擁擠流場景下每個樣本具有6個特征指標(biāo)，駕駛?cè)朔中臓顟B(tài)(免提通話狀態(tài)、正常駕駛狀態(tài)和語音短信狀態(tài))分別標(biāo)記為0、1、2.

本文采用遺傳算法優(yōu)化SVM模型參數(shù)，利用獲得最佳參數(shù)的SVM模型分別對2種交通狀態(tài)下的3種分心狀態(tài)進(jìn)行判別.SVM模型中選擇徑向基(RBF)作為核函數(shù)，使用Matlab進(jìn)行GA-SVM模型的建立和訓(xùn)練.自由流狀態(tài)下GA尋優(yōu)算法中設(shè)置：最大遺傳代數(shù)為50，種群數(shù)量為20，參數(shù)C的取值范圍為[0,100]，參數(shù)g的取值范圍為[0,100]，代溝為0.9，交叉驗證次數(shù)k=5，交叉率為0.7，變異率為0.01.擁擠流狀態(tài)下，GA尋優(yōu)算法中設(shè)置與自由流狀態(tài)相同.利用GA尋優(yōu)算法得到自由流狀態(tài)下SVM最佳懲罰參數(shù)C=99.104 3，最優(yōu)核函數(shù)參數(shù)g=0.101 6，擁擠流狀態(tài)下SVM最佳懲罰參數(shù)C=84.964 4，最優(yōu)核函數(shù)參數(shù)g=0.546 84，GA參數(shù)尋優(yōu)結(jié)果如圖2所示.

圖2 不同交通狀態(tài)下的GA-SVM適應(yīng)度曲線Fig.2 Fitness curves of GA-SVM in different traffic conditions

將2種交通流狀態(tài)下最優(yōu)參數(shù)代入SVM模型中，對訓(xùn)練集進(jìn)行訓(xùn)練，并對測試集進(jìn)行測試，得到模型的分類效果，如表2所示.由表2可知，模型在自由流狀態(tài)和擁擠流狀態(tài)中的分類準(zhǔn)確率較高，分別為94.5%和96.3%，這表明通過GA參數(shù)尋優(yōu)后得到的SVM分類模型可以有效地判別2種交通流狀態(tài)下3種分心狀態(tài).通過特征指標(biāo)的提取和模型分類準(zhǔn)確率可以看出，在擁擠流中駕駛?cè)朔中膶︸{駛績效的影響更為明顯.

為了進(jìn)一步驗證GA-SVM模型的分類性能，將GA-SVM方法與決策樹C4.5、交叉驗證(CV)-SVM進(jìn)行對比.其中CV-SVM方法中參數(shù)尋優(yōu)采用K-CV方法，K取10.本文采用準(zhǔn)確率(Accuracy)、精確率(Precision)、召回率(Recall)和 F1值(F1-Measure)對3種模型性能進(jìn)行評價，模型性能評價結(jié)果如表3所示.

表2 不同交通流狀態(tài)下的分類準(zhǔn)確率Table 2 Classification accuracy under different traffic flow states

表3 2種交通流狀態(tài)下各模型性能評價指標(biāo)Table 3 Performance evaluation indicators of classification methods under two traffic flow conditions

從表3可以看出，無論在自由流還是擁擠流狀態(tài)中，GA-SVM模型各項性能均較其他2種模型為優(yōu)，這說明GA-SVM模型分類效果最佳.

4 結(jié)論

(1)本文建立基于GA-SVM的駕駛?cè)朔中呐袆e模型，通過模擬駕駛實驗采集駕駛績效數(shù)據(jù)，對模型進(jìn)行驗證.結(jié)果表明，自由流狀態(tài)和擁擠流場景中模型的分類準(zhǔn)確率分別為94.5%和96.3%，可以準(zhǔn)確判別2種交通流中駕駛?cè)朔中臓顟B(tài).

(2)與決策樹C4.5、CV-SVM相比，GA-SVM在準(zhǔn)確率、精準(zhǔn)率、召回率和F1值等模型性能指標(biāo)上能夠體現(xiàn)出更好的性能.

最后，本文實驗是在模擬駕駛環(huán)境中進(jìn)行的，能夠達(dá)到預(yù)期研究目的，但是其在現(xiàn)實環(huán)境中的適用性還待進(jìn)一步研究，因而下一步工作應(yīng)開展自然駕駛條件下駕駛分心判別研究.

[1]Traffic Safety Facts Research Note.Distracted Driving 2013[R].Washington DC:National Highway Traffic Safety Administration,2015.

[2]HORREY W J,LESCH M F,GARABET A,et al.Distraction and task engagement:How interesting and boring information impact driving performance and subjective and physiological responses[J].Applied Ergonomics,2017(58):342-348.

[3]DONG Y,HU Z,UCHIMURA K,et al.Driver inattention monitoring system for intelligent vehicles:A review[J].IEEE Transactions on Intelligent Transportation Systems,2011,12(2):596-614.

[4]LIANG Y,LEE J D.Combining cognitive and visual distraction:less than the sum of its parts[J].Accident Analysis&Prevention,2010,42(3):881-890.

[5]RUMSCHLAG G,PALUMBO T,MARTIN A,et al.The effects of texting on driving performance in a driving simulator:The influence of driver age[J].Accident Analysis and Prevention,2015(74):145.

[6]WOLLMER M,BLASCHKE C,SCHINDL T,et al.Online driver distraction detection using long short-term memory[J].IEEE Transactions on Intelligent Transportation Systems,2011,12(2):574-582.

[7]馬艷麗,顧高峰,高月娥,等.基于駕駛績效的車載信息系統(tǒng)操作分心判定模型[J].中國公路學(xué)報,2016,29(4):123-129.[MA Y L,GU G F,GAO Y E,et al.Driver distraction judging model under in-vehicle information system operation based on driving performance[J].China Journal of Highway and Transport,2016,29(4):123-129.]

[8]VLADIMIR N VAPNIK.統(tǒng)計學(xué)習(xí)理論[M].北京：電子工業(yè)出版社,2015.[VLADIMIR N VAPNIK.Statistical learning theroy[M].Beijing:Publishing House of Electronics Industry,2015.]