摘要： 為深入研究駕駛員駕駛行為特性，減少駕駛輔助系統與駕駛員的控制沖突，本文基于條件隨機場(conditional random field， CRF)算法，搭建了駕駛員駕駛行為識別模型。利用NI Phar Lap ETS實時操作系統，搭建車道保持輔助控制試驗平臺，在試驗平臺上進行相關參數的實時采集，并根據采集到的數據特性，提出一種根據橫向位移對駕駛行為數據進行分段的方法，將采集到的數據樣本劃分為左換道、右換道以及車道保持階段。同時，對實時獲取的參數進行顯著性分析，將與橫向運動密切相關的五種參數作為觀測參數，對駕駛行為進行識別。研究結果表明，車道保持、左換道以及右換道行為的識別率分別達942%，93%和844%。該研究對于提高車道保持輔助系統的輔助效果以及減少誤警率具有明顯的促進作用。

　　關鍵詞： 駕駛行為; 條件隨機場; 駕駛模擬器; 觀測參數; 實時系統

　　作者： 趙巖

　　通信作者： 陳煥明

　　近年來，智能車輛的發展成為減少交通事故的理想方案。據世界衛生組織公布數據顯示[1]，全球每年因交通事故造成的死亡人數高達135萬。作為智能車輛發展的重要部分，車道保持輔助技術的研發引起了我國的高度重視，于2017年發布了《汽車工業中長期發展規劃》。對駕駛員駕駛意圖的有效識別，可以提高車道保持系統的輔助效果。單純依靠偏離距離來進行車道偏離的判斷有嚴重的滯后性，易與駕駛者產生控制沖突。隨著深度學習的快速發展，針對上述問題，部分學者提出多種駕駛意圖識別算法，基于神經網絡的駕駛意圖識別，將車輛參數和駕駛員行為參數導入神經網絡中，通過對中間隱層層數和節點個數的調整，搭建意圖識別模型[24]。基于隱馬爾可夫模型(hidden markov model，HMM)的駕駛意圖識別，將一段時間序列的觀測參數作為輸入，訓練出不同駕駛意圖下的子模型[58]。而基于支持向量機(support vector machine，SVM)的駕駛意圖識別模型，通過核函數φ將觀測參數映射到高維空間，然后求解出能分隔駕駛意圖所對應的觀測參數的超平面，從而建立相應的駕駛意圖識別模型[912]。基于HMM的駕駛意圖識別模型在建模時，需要較強的嚴格獨立的假設條件[1315]，而基于SVM的駕駛意圖識別模型則對樣本數量有要求[16]，該方法對小樣本、非線性以及高維模式識別問題識別效果較好。鑒于上述存在的問題，周俊生等人[1719]采用條件隨機場(conditional random field， CRF)算法，搭建駕駛意圖識別模型，該方法不需要嚴格的獨立性假設，對樣本數量沒有嚴格限制。基于此，本文綜合利用CarSim、Matlab/Simulink和NI VeriStand軟件，搭建車道保持輔助控制試驗平臺，采集駕駛員駕駛行為數據及車輛橫向運動數據，進行駕駛員駕駛意圖識別模型的訓練及其驗證。該研究對減少交通事故的發生具有重要意義。

　　1試驗設計

　　實車數據采集方法需要對測試車輛進行改裝，加裝數據采集設備以及相應的傳感器(如車載攝像機、毫米波雷達、陀螺儀等)，對測試天氣及道路環境具有較高的要求和一定程度的危險性。而研發型駕駛模擬器能夠將相關硬件嵌入其中，進行駕駛員主觀評價以及算法驗證，試驗周期短，試驗條件可控，安全性高。本文基于NI公司的Phar Lap ETS實時操作系統，搭建車道保持輔助控制試驗平臺，車道保持輔助控制試驗平臺如圖1所示。該試驗平臺能夠根據試驗要求，在CarSim軟件中搭建真實的駕駛場景，利用NI VeriStand實時測試軟件實現硬件I/O端口的實時配置，對車輛動態參數、行駛環境參數以及駕駛員駕駛行為數據進行實時采集。

　　根據《公路工程技術標準》，搭建10 000 m單向雙車道直道場景，考慮到需要以較高車速行駛，為提高駕駛場景與現實道路場景的相似度，將左右車道寬度均設置為375 m。在道路中央，每隔500 m設置錐形桶，提示駕駛員進行換道操作，換道時機由駕駛者自主決定，試驗道路布置如圖2所示。

　　近年來，由于非職業駕駛員數量的急劇增加，其已成為交通事故劇增的主要群體，主要原因是一些駕駛新手的駕駛水平較低，缺乏對駕駛環境的準確判斷，難以做出適當的駕駛行為，易發生交通事故。因此，本文招募了10名駕齡在2～5年的男性駕駛員，駕駛員需滿足以下條件，即持有駕駛證、性格穩定、近期具有實車駕駛經歷。試驗前，對駕駛員進行一定時長的培訓，使駕駛員熟悉試驗平臺以及道路場景，避免因操作失誤造成數據采集異常。為深入研究駕駛行為與駕駛意圖的潛在關系，將采樣率設置為100 Hz，某時間段內采集的數據如表1所示。

　　2駕駛行為分析

　　駕駛行為的有效識別對于車輛感知系統提前感知行駛環境，做出準確的路徑規劃以及輔助控制具有重要作用。駕駛過程是連續多變的動態變化過程，不同的駕駛行為會引起不同的車輛動態參數和駕駛行為參數變化，因此可以通過選取適當的參數，對不同的駕駛行為進行預測及識別，駕駛行為數據的劃分及駕駛意圖表征參數的選取直接影響識別的準確度。

　　2.1駕駛行為數據的劃分

　　選定的觀測變量是否能有效區分換道狀態與車道保持狀態，與觀測數據的劃分以及識別參數的選取密切相關。目前，對于換道行為數據與車道保持行為數據的劃分沒有統一的定義，為提高換道行為的識別率，從采集到的數據特征出發，提出一種根據橫向位置來劃分數據的方法，換道階段數據劃分示意圖如圖3所示。首先根據采集到的數據分別計算出車輛行駛在左車道和右車道的車輛橫向位置的均值，然后選取換道過程中橫向位置數據符號變化的兩點，繪出階段劃分線，該線與左右車道車輛橫向位置均值線有兩個交點，將兩個交點間的數據作為換道階段的數據，交點以外的數據作為車道保持階段數據。

　　推薦閱讀：無人駕駛汽車的科技論文投稿哪些期刊