嚴(yán)利鑫　黃珍　吳超仲　秦伶巧　朱敦堯　冉斌

(1. 武漢理工大學(xué) 智能交通系統(tǒng)研究中心， 湖北 武漢 430063； 2. 武漢理工大學(xué) 國(guó)家水運(yùn)安全工程技術(shù)研究中心，湖北 武漢 430063； 3. 威斯康星大學(xué)麥迪遜分校 土木與環(huán)境工程學(xué)院， 威斯康星 麥迪遜 53706；4. 武漢理工大學(xué) 自動(dòng)化學(xué)院， 湖北 武漢 430070)

?

基于危險(xiǎn)態(tài)勢(shì)識(shí)別的智能車駕駛模式選擇*

嚴(yán)利鑫1,2,3黃珍4?吳超仲1,2秦伶巧3朱敦堯1,2冉斌3

(1. 武漢理工大學(xué) 智能交通系統(tǒng)研究中心， 湖北 武漢 430063； 2. 武漢理工大學(xué) 國(guó)家水運(yùn)安全工程技術(shù)研究中心，湖北 武漢 430063； 3. 威斯康星大學(xué)麥迪遜分校 土木與環(huán)境工程學(xué)院， 威斯康星 麥迪遜 53706；4. 武漢理工大學(xué) 自動(dòng)化學(xué)院， 湖北 武漢 430070)

人機(jī)共駕是智能車發(fā)展中必須經(jīng)歷的一個(gè)重要階段，而人機(jī)切換時(shí)機(jī)選擇是人機(jī)共駕需要解決的一個(gè)關(guān)鍵問(wèn)題。為此，文中以實(shí)車實(shí)驗(yàn)采集的數(shù)據(jù)為依據(jù)，根據(jù)駕駛?cè)私?jīng)驗(yàn)及經(jīng)K-均值聚類得出的危險(xiǎn)態(tài)勢(shì)等級(jí)對(duì)駕駛模式選擇方式(安全駕駛、進(jìn)行警示和自動(dòng)切換)進(jìn)行了標(biāo)定。通過(guò)引入車速均值、加速度標(biāo)準(zhǔn)差、車頭時(shí)距、前輪轉(zhuǎn)角標(biāo)準(zhǔn)差、車道偏離量以及駕駛?cè)私?jīng)驗(yàn)等6項(xiàng)指標(biāo)作為特征向量，提出了基于徑向基核函數(shù)序列最小優(yōu)化算法(SMO)的智能車駕駛模式選擇模型。并以決策樹(shù)、徑向基神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)作為對(duì)照。研究結(jié)果表明，文中提出的基于SMO方法的駕駛模式識(shí)別模型的準(zhǔn)確率達(dá)到91.7%，相較于其他3種識(shí)別方法具有較大的優(yōu)越性.

智能車；駕駛模式；K-均值聚類；序列最小優(yōu)化算法；交通安全

在過(guò)去的30年，智能車在世界范圍內(nèi)經(jīng)歷了一個(gè)飛速發(fā)展的歷程[1].目前研究主要傾向于將自動(dòng)駕駛的量產(chǎn)化進(jìn)程分為4個(gè)階段：駕駛?cè)溯o助階段、半自動(dòng)駕駛階段、高度自動(dòng)駕駛階段、完全自動(dòng)駕駛階段[2].但是考慮到技術(shù)、經(jīng)濟(jì)、法律及倫理等因素，完全自動(dòng)駕駛車輛不可能直接進(jìn)入市場(chǎng)[3],而在相當(dāng)長(zhǎng)一段時(shí)間內(nèi)其發(fā)展將持續(xù)在第3階段.在該階段，駕駛?cè)撕蛙囕v共享對(duì)車輛的控制權(quán)，在特定的交通環(huán)境下，系統(tǒng)能夠通過(guò)自動(dòng)切換對(duì)駕駛進(jìn)行接管，進(jìn)而提高行駛安全性.所以針對(duì)智能車切換方式和接管時(shí)機(jī)方面的研究具有的理論和實(shí)踐意義.

在自動(dòng)切換方面，國(guó)內(nèi)外的一些專家學(xué)者也開(kāi)始開(kāi)展了一些探索性研究.Weyer等[4]通過(guò)采用問(wèn)卷調(diào)查的方式對(duì)駕駛?cè)藢?duì)失去對(duì)車輛控制的反應(yīng)進(jìn)行了探討，研究表明進(jìn)行自動(dòng)切換并未降低駕駛舒適性和增加駕駛?cè)诵睦碡?fù)擔(dān).Zeeb等[5]通過(guò)汽車駕駛模擬實(shí)驗(yàn)構(gòu)建了切換時(shí)間與切換警示之間的理論模型，進(jìn)而對(duì)不同風(fēng)險(xiǎn)類型駕駛?cè)藢?duì)切換駕駛的反應(yīng)能力進(jìn)行了分析.此外，一些學(xué)者發(fā)現(xiàn)采用剎車踏板作為切換控制的觸發(fā)器具有較好的效果[6- 7].

在接管時(shí)機(jī)選擇方面，智能汽車由人工駕駛切換到自動(dòng)駕駛的關(guān)鍵是要使系統(tǒng)自動(dòng)識(shí)別車輛處于何種狀態(tài)、哪種狀態(tài)需要進(jìn)行切換等.當(dāng)危險(xiǎn)態(tài)勢(shì)(如碰撞、追尾等)出現(xiàn)時(shí)，通過(guò)采用自動(dòng)駕駛的方式能夠有效防止?jié)撛谖ｋU(xiǎn)的發(fā)生.已有學(xué)者對(duì)車輛危險(xiǎn)態(tài)勢(shì)識(shí)別進(jìn)行了研究，如彭理群等[8]采用變精度粗糙集模型構(gòu)建了駕駛?cè)宋ｋU(xiǎn)態(tài)勢(shì)評(píng)估模型，汪澎等[9]基于多源信息提出了一種車輛運(yùn)行狀態(tài)識(shí)別體系；此外，一些專家學(xué)者基于車間距、車頭時(shí)距等指標(biāo)對(duì)存在的駕駛風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)[10].但這些研究?jī)H僅是為安全預(yù)警服務(wù)，沒(méi)有從自動(dòng)切換的角度進(jìn)行研究.

基于此，文中采用駕駛?cè)松碇笜?biāo)實(shí)現(xiàn)對(duì)目標(biāo)場(chǎng)景下駕駛?cè)说纳頎顟B(tài)評(píng)估，進(jìn)而為警示和切換駕駛提供依據(jù).同時(shí)綜合考慮來(lái)自本車橫向風(fēng)險(xiǎn)、縱向風(fēng)險(xiǎn)、外界環(huán)境狀態(tài)以及駕駛?cè)藸顟B(tài)，融合專家經(jīng)驗(yàn)，采用序列最小優(yōu)化算法(SMO)構(gòu)建智能車駕駛模式選擇模型，實(shí)現(xiàn)對(duì)3種模式(安全駕駛、進(jìn)行警示和自動(dòng)切換)的自動(dòng)辨識(shí)，以期為自動(dòng)駕駛和人工駕駛的切換決策提供依據(jù).

1　駕駛模式選擇特征參數(shù)的選取

智能車駕駛模式的選擇主要取決于當(dāng)前駕駛中存在的風(fēng)險(xiǎn)，而風(fēng)險(xiǎn)的來(lái)源主要包括縱向風(fēng)險(xiǎn)、橫向風(fēng)險(xiǎn)以及駕駛?cè)怂?個(gè)方面.為了綜合分析駕駛模式選擇的深層次影響機(jī)理，研究中以這3方面因素作為風(fēng)險(xiǎn)源進(jìn)行分析.

(1)縱向風(fēng)險(xiǎn)表征指標(biāo)

相關(guān)研究表明[11]，在同一路段行駛過(guò)程中，平均車速越高，發(fā)生事故的風(fēng)險(xiǎn)越大.同時(shí)，加速度變化越劇烈(即加速度標(biāo)準(zhǔn)差變化大)反映駕駛的縱向穩(wěn)定性越差，事故風(fēng)險(xiǎn)概率也將越高.而車頭時(shí)距表示本車與前車的安全時(shí)距，顯然，車頭時(shí)距越小，出現(xiàn)追尾事故的可能性越大.因此車速均值、加速度標(biāo)準(zhǔn)差以及車頭時(shí)距是表征縱向駕駛風(fēng)險(xiǎn)的重要參數(shù)，其計(jì)算公式為

(1)

(2)

(3)

(2)橫向風(fēng)險(xiǎn)表征指標(biāo)

前輪轉(zhuǎn)角標(biāo)準(zhǔn)差反映駕駛?cè)藢?duì)方向盤控制的平穩(wěn)程度，車道偏離量平均值則表示當(dāng)前車輛車道保持的情況[11]，這兩項(xiàng)指標(biāo)分別從位置和操作兩方面反映了駕駛過(guò)程中橫向存在的風(fēng)險(xiǎn)，因此前輪轉(zhuǎn)角標(biāo)準(zhǔn)差和車道偏離量平均值是衡量橫向駕駛風(fēng)險(xiǎn)的重要參數(shù)，計(jì)算式為

(4)

(5)

(3)駕駛?cè)俗陨硭奖碚髦笜?biāo)

在駕駛過(guò)程中，駕駛?cè)说慕?jīng)驗(yàn)對(duì)車輛行駛安全性具有決定性的影響.而相關(guān)研究表明[12]，駕駛?cè)笋{駛經(jīng)驗(yàn)主要由駕齡和駕駛里程兩個(gè)指標(biāo)決定.一般將駕駛?cè)朔譃槭炀汃{駛?cè)撕托率竹{駛?cè)藘煞N類型.袁偉等[13]提出將實(shí)際駕駛里程5×104km作為新手駕駛?cè)撕褪炀汃{駛?cè)说慕缦拗?，此外也有相關(guān)研究[14]提出駕齡小于3年的一般被認(rèn)為是新手駕駛?cè)?在本研究中，為了能夠簡(jiǎn)單有效探索駕駛?cè)私?jīng)驗(yàn)與駕駛模式選擇之間的影響關(guān)系，將新手駕駛?cè)硕x為駕駛里程小于5×104km且駕齡小于3年；熟練駕駛?cè)藙t為駕駛里程大于5×104km且駕齡大于3年，表達(dá)式為

(6)

式中，Ex為駕駛?cè)私?jīng)驗(yàn),A為駕齡,D為駕駛里程.

2　實(shí)驗(yàn)設(shè)計(jì)

為了能夠?qū)︸{駛過(guò)程中存在的風(fēng)險(xiǎn)進(jìn)行識(shí)別，進(jìn)而為智能車在行駛過(guò)程中進(jìn)行駕駛模式自動(dòng)切換提供依據(jù),通過(guò)采集提取實(shí)際駕駛過(guò)程中的目標(biāo)交通事件[15](如周邊車輛搶行、前方車輛突然急剎車以及行人違規(guī)橫穿馬路等)，融合專家經(jīng)驗(yàn)以及實(shí)際采集的數(shù)據(jù)，對(duì)該環(huán)境下應(yīng)該選取的駕駛模式進(jìn)行確定.

2.1實(shí)驗(yàn)設(shè)備

為了能夠采集駕駛過(guò)程中包括駕駛?cè)?、機(jī)動(dòng)車以及外界環(huán)境在內(nèi)的多源信息，實(shí)驗(yàn)中采用武漢理工大學(xué)智能交通系統(tǒng)中心和武漢光庭科技有限公司聯(lián)合改裝的長(zhǎng)安悅翔牌轎車(見(jiàn)圖1).該車在解析原車CAN信息的基礎(chǔ)上，通過(guò)加裝慣性導(dǎo)航系統(tǒng)、高精度攝像頭、激光雷達(dá)、Mobileye以及智能手機(jī)等實(shí)現(xiàn)對(duì)車輛運(yùn)動(dòng)信息以及外部環(huán)境信息的采集，并通過(guò)給駕駛?cè)伺宕魃锓答亙x等設(shè)備對(duì)駕駛?cè)说纳硇睦頎顟B(tài)進(jìn)行實(shí)時(shí)監(jiān)控.此外，該車還具有自動(dòng)駕駛功能，能夠通過(guò)人工切換的方式實(shí)現(xiàn)車輛的自動(dòng)駕駛.

圖1　數(shù)據(jù)采集系統(tǒng)

2.2被試對(duì)象的選擇

實(shí)驗(yàn)中招募了22名合格的駕駛?cè)?，其中包?8名男性、4名女性.駕駛?cè)说钠骄挲g42.27歲(年齡標(biāo)準(zhǔn)差為9.07歲)，平均駕齡5年(駕齡標(biāo)準(zhǔn)差為6.06年).此外，為了實(shí)現(xiàn)對(duì)有經(jīng)驗(yàn)駕駛和新手駕駛?cè)说慕缍?，研究中還對(duì)不同駕駛?cè)说膶?shí)際駕駛里程進(jìn)行統(tǒng)計(jì)，22名駕駛?cè)似骄{駛里程為7.7×104km(駕駛里程標(biāo)準(zhǔn)差為3.22×104km).

2.3實(shí)驗(yàn)過(guò)程

為了在實(shí)驗(yàn)中盡可能采集較多的目標(biāo)交通事件，實(shí)驗(yàn)中選取的路線全程53 km，路段包括45個(gè)信號(hào)燈、2個(gè)隧道以及2個(gè)大型商業(yè)區(qū)(詳細(xì)路線見(jiàn)圖2).在實(shí)驗(yàn)過(guò)程中，當(dāng)遭遇目標(biāo)事件時(shí)，駕駛?cè)诵枰獙?duì)其風(fēng)險(xiǎn)等級(jí)進(jìn)行評(píng)估匯報(bào).匯報(bào)根據(jù)駕駛?cè)俗陨淼母惺芊譃?級(jí)：A—安全行駛，此事件對(duì)駕駛無(wú)影響，可以繼續(xù)安全駕駛；B—進(jìn)行警示，此事件若駕駛?cè)宋从^察到將很危險(xiǎn)，需進(jìn)行警示；C—自動(dòng)切換，在這種事件下，駕駛?cè)巳菀壮霈F(xiàn)情緒失控或操作失誤，需進(jìn)行輔助切換控制來(lái)避險(xiǎn).具體實(shí)驗(yàn)流程如圖3所示.

圖2　實(shí)驗(yàn)路線

圖3　實(shí)驗(yàn)過(guò)程

通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行處理，提取了300個(gè)典型的目標(biāo)交通事件，并且依靠實(shí)驗(yàn)記錄和專家判斷的方式對(duì)300個(gè)交通事件下應(yīng)選取的駕駛模式進(jìn)行標(biāo)定，經(jīng)處理后數(shù)據(jù)結(jié)果如表1所示.

3　數(shù)據(jù)分析

3.1基于危險(xiǎn)態(tài)勢(shì)識(shí)別的駕駛模式標(biāo)定

為了驗(yàn)證專家評(píng)判的合理性和準(zhǔn)確性，文中采用該時(shí)刻下的危險(xiǎn)態(tài)勢(shì)水平作為參考對(duì)象進(jìn)行輔助驗(yàn)證，研究表明，當(dāng)危險(xiǎn)發(fā)生或者駕駛?cè)颂幱诓涣捡{

表1　典型交通事件下的不同特征參數(shù)數(shù)據(jù)(部分)

駛狀態(tài)時(shí)，駕駛?cè)松硇睦硭綘顩r相比于正常駕駛時(shí)具有較大的差異性[16].而作為兩個(gè)典型的生理指標(biāo)，血流量脈沖(BVP)和皮膚電導(dǎo)(SC)能夠在一定程度上反映駕駛?cè)说纳硇睦頎顟B(tài)，且可以用于進(jìn)行危險(xiǎn)態(tài)勢(shì)等級(jí)的劃分.考慮到目標(biāo)事件從持續(xù)到消失通常為5 s左右，所以處理過(guò)程中BVP和SC的取值分別為該指標(biāo)在5 s內(nèi)的均值.采用SPSS軟件,以BVP和SC作為聚類標(biāo)準(zhǔn)對(duì)不同的駕駛模式選擇進(jìn)行聚類，其結(jié)果如圖4所示.

圖4　聚類結(jié)果

由圖4可知，智能車駕駛模式按照BVP和SC的特征聚類為3類，其中安全行駛這一類的樣本量最多，自動(dòng)切換這一類的樣本量最少.這也與正常的駕駛相吻合，畢竟在駕駛過(guò)程中出現(xiàn)極端危險(xiǎn)駕駛的狀態(tài)較少，多數(shù)情況下駕駛?cè)诉€是能夠從容應(yīng)對(duì)出現(xiàn)的沖突.而由表2可知，采用BVP和SC這兩個(gè)指標(biāo)進(jìn)行聚類得到的聚類結(jié)果與專家評(píng)判的結(jié)果吻合率(均大于90%)較高.由此可見(jiàn)，駕駛?cè)藢?duì)典型交通事件的駕駛模式選擇分類是較為可信的.

表2聚類結(jié)果與專家判斷結(jié)果對(duì)比

Table 2Comparison between clustering results and expert eva-luation results

駕駛模式BVP聚類中心值SC聚類中心值聚類數(shù)量專家評(píng)判數(shù)量二者吻合數(shù)量吻合率/%安全行駛25.718.9617918017496.7進(jìn)行警示32.5715.7983828097.6自動(dòng)切換42.6920.3938383694.7

3.2影響因素相關(guān)性分析

在實(shí)際駕駛過(guò)程中，風(fēng)險(xiǎn)主要來(lái)自橫向、縱向以及駕駛?cè)俗陨?個(gè)方面.圖5-7分別反映了選擇3種不同駕駛模式時(shí)速度、加速度標(biāo)準(zhǔn)差、前輪轉(zhuǎn)角標(biāo)準(zhǔn)差、車道偏離量、車頭時(shí)距以及駕駛?cè)私?jīng)驗(yàn)的變化規(guī)律.

圖5　不同駕駛模式下的平均速度和加速度標(biāo)準(zhǔn)差變化

Fig.5Variations of the average speed and the STD of acceleration in different driving modes

圖6　不同駕駛模式下的前輪轉(zhuǎn)角標(biāo)準(zhǔn)差和車道偏離量變化

Fig.6Variations of the STD of front wheel angle and lane departure in different driving modes

圖7不同駕駛模式下的車頭時(shí)距小于3s和新手駕駛?cè)怂急壤兓?/p>

Fig.7Variations of the proportion of time-headway being less than 3s and inexperience driver in different driving modes

由圖5-7可以發(fā)現(xiàn)，在不同的駕駛模式下，來(lái)自橫向、縱向以及駕駛?cè)俗陨硐嚓P(guān)的6項(xiàng)指標(biāo)都呈現(xiàn)一定的差異性.當(dāng)車速、加速度標(biāo)準(zhǔn)差、車道偏離量較大時(shí)，駕駛?cè)烁鼉A向于通過(guò)選擇警示提醒或自動(dòng)切換的方式來(lái)進(jìn)行避險(xiǎn)；而由圖7(a)可知，當(dāng)車頭時(shí)距小于3 s或駕駛?cè)私?jīng)驗(yàn)欠缺時(shí)，其選取警示模式和自動(dòng)切換的模式概率更高；圖6(a)中，前輪轉(zhuǎn)角標(biāo)準(zhǔn)差的變化未能出現(xiàn)明顯相似規(guī)律，究其原因，可能是由于在城市道路駕駛過(guò)程中，受交通流和交通信號(hào)控制的影響，出現(xiàn)劇烈轉(zhuǎn)向的情況并不多見(jiàn).同時(shí)橫向具有較多駕駛盲區(qū)的特點(diǎn)，當(dāng)出現(xiàn)劇烈轉(zhuǎn)向時(shí)，駕駛?cè)烁壮霈F(xiàn)緊張或失控情況，此時(shí)采用自動(dòng)切換控制更為有效.為了研究6項(xiàng)指標(biāo)與駕駛模式選擇的相關(guān)性，文中采用皮爾遜相關(guān)系數(shù)法進(jìn)行檢驗(yàn)(結(jié)果見(jiàn)表3).由表可知，6項(xiàng)指標(biāo)與不同駕駛模式選擇之間存在顯著的相關(guān)性(sig.<0.05)，且車速、加速度標(biāo)準(zhǔn)差、車道偏離量與駕駛模式選擇成顯著正相關(guān)；而前輪轉(zhuǎn)角標(biāo)準(zhǔn)差、車頭時(shí)距、駕駛?cè)私?jīng)驗(yàn)與駕駛模式選擇之間呈典型負(fù)相關(guān).由此可見(jiàn)，這6項(xiàng)指標(biāo)能夠作為不同駕駛模式選擇的依據(jù).

表3　相關(guān)性檢驗(yàn)結(jié)果1)

1)**表示在置信度(雙側(cè))為0.01時(shí)顯著相關(guān);*表示在置信度(雙側(cè))為0.05時(shí)顯著相關(guān).

4　智能車駕駛模式選擇建模

4.1序列最小優(yōu)化算法簡(jiǎn)介

序列最小優(yōu)化算法(SMO)是20世紀(jì)90年代由Platt教授提出的一種改進(jìn)的支持向量機(jī)(SVM)模型,其核心思想就是把大規(guī)模的二次規(guī)劃(QP)問(wèn)題分解為一系列小規(guī)模的QP子集優(yōu)化問(wèn)題，通過(guò)判斷是否滿足Karush-Kuhn-Tucker(KKT)約束條件及 是否半正定來(lái)解決這一問(wèn)題，具體式參見(jiàn)文獻(xiàn)[17].該算法的優(yōu)點(diǎn)是能夠自動(dòng)填補(bǔ)樣本中缺失值屬性，通過(guò)成對(duì)分類解決多分類問(wèn)題.此外SMO算法能夠?qū)VM種的二次規(guī)劃問(wèn)題進(jìn)行快速求解，顯著提高了訓(xùn)練的速度[18].文中在Eclipse環(huán)境下建立并訓(xùn)練SMO模型，具體過(guò)程如圖8所示.

圖8　SMO算法求解流程

4.2核函數(shù)和相關(guān)參數(shù)的選擇

為了確定SMO模型中最優(yōu)核函數(shù)和相關(guān)參數(shù)，文中采用十折交叉驗(yàn)證法，選取其中240個(gè)樣本進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如圖9所示.

由圖9可知，徑向基(RBF)函數(shù)訓(xùn)練的準(zhǔn)確率和Kappa系數(shù)都處于最高水平(達(dá)到95.8%和0.921)，而其均方根誤差及相對(duì)平方根誤差相較于

圖9　不同核函數(shù)訓(xùn)練結(jié)果

其他兩種方法都處于較低水平，由此可見(jiàn)，選用RBF核函數(shù)進(jìn)行模型構(gòu)建效果最為理想.此外，研究中采用網(wǎng)格尋優(yōu)法[19]對(duì)需要標(biāo)定的參數(shù)C(其中，C∈[1,10],其尋優(yōu)步長(zhǎng)為1)和γ(γ∈[1/N,0.1]，N為樣本數(shù)量，其尋優(yōu)步長(zhǎng)為0.001)進(jìn)行優(yōu)化，通過(guò)進(jìn)行多次實(shí)驗(yàn)測(cè)試發(fā)現(xiàn)C和γ分別取3和0.08時(shí)模型的識(shí)別準(zhǔn)確率最佳.

4.3不同識(shí)別算法結(jié)果分析

前文中已確定SMO模型的結(jié)構(gòu)以及相應(yīng)參數(shù)，現(xiàn)只需采用合適的樣本量進(jìn)行訓(xùn)練即可完成SMO模型的構(gòu)建.為了提高模型的實(shí)用性和泛化能力，隨機(jī)從樣本庫(kù)中選取其中80%的樣本作為訓(xùn)練集，剩余20%的樣本作為測(cè)試集.此外，還利用ID3決策樹(shù)、徑向基神經(jīng)網(wǎng)絡(luò)、以RBF為核函數(shù)的SVM對(duì)同組數(shù)據(jù)進(jìn)行了對(duì)比(結(jié)果如表4和圖10所示).

表4　4種不同辨識(shí)算法的識(shí)別效果1)

1)總體準(zhǔn)確率表示識(shí)別正確的駕駛模式占總樣本的比重，各模式準(zhǔn)確率求和即為總體準(zhǔn)確率.

圖10　不同辨識(shí)方法的準(zhǔn)確率

由表4及圖10可知，ID3決策樹(shù)效果最差，其準(zhǔn)確率為88.3%，雖然其對(duì)于自動(dòng)切換這種駕駛模式選擇的辨識(shí)精度最高達(dá)到了88.9%，但是在訓(xùn)練過(guò)程中未進(jìn)行辨識(shí)分類的樣本達(dá)到13個(gè).徑向基神經(jīng)網(wǎng)絡(luò)、SVM和SMO的訓(xùn)練效果都較為理想，其準(zhǔn)確率都達(dá)到了90%以上，SVM對(duì)自動(dòng)切換模式的識(shí)別精度略低，準(zhǔn)確率只有63%.而對(duì)于測(cè)試結(jié)果，SMO算法相較于其他3種識(shí)別算法體現(xiàn)出較大的優(yōu)勢(shì)，識(shí)別的正確率達(dá)到91.7%，且對(duì)3種駕駛模式的辨識(shí)準(zhǔn)確率都超過(guò)80%.由此可見(jiàn)，采用SMO算法對(duì)3種駕駛模式選擇進(jìn)行識(shí)別是有效的.

5　結(jié)語(yǔ)

文中探討了人機(jī)共駕智能車駕駛模式選擇問(wèn)題.首先通過(guò)實(shí)車實(shí)驗(yàn)采集了車輛行駛過(guò)程中典型的交通事件及相對(duì)應(yīng)的多傳感器信息，并使用駕駛?cè)私?jīng)驗(yàn)對(duì)該事件下傾向選擇的駕駛模式進(jìn)行統(tǒng)計(jì)分析，采用能夠反映駕駛?cè)藸顟B(tài)的BVP和SC兩個(gè)指標(biāo)對(duì)危險(xiǎn)態(tài)勢(shì)等級(jí)聚類.通過(guò)對(duì)比分析駕駛模式選擇結(jié)果和危險(xiǎn)態(tài)勢(shì)評(píng)估結(jié)果發(fā)現(xiàn)：駕駛?cè)嗽u(píng)定的駕駛模式與危險(xiǎn)態(tài)勢(shì)評(píng)估結(jié)果高度吻合.當(dāng)駕駛?cè)说腂VP和SC處于一個(gè)較大值(即危險(xiǎn)態(tài)勢(shì)等級(jí)較高)，駕駛?cè)烁鼉A向于通過(guò)車輛輔助來(lái)規(guī)避風(fēng)險(xiǎn)，這與正常的駕駛也相符合.此外，采用車速均值、加速度標(biāo)準(zhǔn)差、車頭時(shí)距、前輪轉(zhuǎn)角標(biāo)準(zhǔn)差、車道偏離量以及駕駛?cè)私?jīng)驗(yàn)分別從橫向、縱向以及駕駛?cè)俗陨砣矫嬉蛩刈鳛樘卣髯兞?，與駕駛模式的選擇結(jié)果組成樣本組，構(gòu)建智能車駕駛模式選擇模型，結(jié)果表明，通過(guò)采用該模型能夠有效地對(duì)駕駛模式選擇進(jìn)行識(shí)別.

文中所得結(jié)論可以為智能車切換系統(tǒng)的開(kāi)發(fā)提供借鑒.在智能車研發(fā)過(guò)程中需要充分考慮不同的駕駛模式，既能夠使駕駛?cè)顺浞窒硎荞{駛帶來(lái)的樂(lè)趣，又能夠保障行駛的安全性和高效性.然而，駕駛模式的選擇非常復(fù)雜，其影響機(jī)理及模式識(shí)別都較為困難.實(shí)驗(yàn)中所選用的實(shí)驗(yàn)車雖然具有自動(dòng)駕駛功能，但是考慮到技術(shù)局限性和安全性，采用駕駛?cè)私?jīng)驗(yàn)的方式取代實(shí)時(shí)的模式切換，這也導(dǎo)致研究結(jié)果與真實(shí)的切換存在一定的差異性，下一步將就此開(kāi)展進(jìn)一步的研究工作.

[1]CAMPBELL M,EGERSTEDT M,HOW J P,et al.Autonomous driving in urban environments:approaches,lessons and challenges.Philosophical [J].Philosophical Transactions of the Royal Society of London A:Mathematical,Physical,and Engineering Sciences,2010,368(1928):4649- 4672.

[2]端木慶玲,阮界望,馬鈞.無(wú)人駕駛汽車的先進(jìn)技術(shù)與發(fā)展 [J].農(nóng)業(yè)裝備與車輛工程,2014,52(3):1- 4.DUANMU Qing-ling,RUAN Jie-wang,MA Jun.Development and advanced technology of driverless car [J].Agricultural Equipment & Vehicle Engineering,2014,52(3):1- 4.[3]SEETHALAKSHMI S,PRIYADARSHINI M.Highly automated driving on highways based on legal safety [J].IEEE Transactions on Intelligent Transportation Systems,2013,14(1):333- 347.

[4]WEYER J,ROBIN D F,FABIAN A.Human-machine cooperation in smart cars.an empirical investigation of the loss-of-control thesis [J].Safety Science,2015,72:199- 208.

[5]ZEEB K,AXEL B,MICHAEL S.What determines the Take-over Time an integrated model approach of driver take-over after automated driving [J].Accident Analysis and Prevention,2015,78:212- 221.

[6]RUSCIO D,CICERI M R,BIASSONI F.How does a collision warning system shape driver’s brake response time The in uence of expectancy and automation complacency on real-life emergency braking [J].Accident Analysis and Prevention,2015,77:72- 81.

[7]RADLMAYR J,GOLD C,LORENZ L,et al.How traffic situations and non-driving related tasks affect the take-over quality in highly automated driving [J].Proceedings of the Human Factors and Ergonomics Society Annual Meeting,2014,58(1):2063- 2067.

[8]彭理群,吳超仲,黃珍.基于變精度粗糙集的汽車碰撞危險(xiǎn)態(tài)勢(shì)評(píng)估 [J].交通運(yùn)輸系統(tǒng)工程與信息,2013,13(5):120- 126.

PENG Li-qun,WU Chao-zhong,HUANG Zhen.Situation assessment of vehicle collision risk based on variable precision rough set [J].Journal of Transportation System Engineering and Information Technology,2013,13(5):120- 126.[9]汪澎,劉志強(qiáng),楊培培.基于信息融合的車輛險(xiǎn)態(tài)運(yùn)行模式評(píng)價(jià)研究 [J].交通信息與安全,2013,4(31):30- 35.WANG Peng,LIU Zhi-qiang,YANG Pei-pei.Evaluation of vehicle dangerous traveling state based on information fusion method [J].Journal of Transport Information and Safety,2013,4(31):30- 35.

[10]侯德藻,李克強(qiáng),鄭四發(fā),等.汽車主動(dòng)避撞系統(tǒng)中的報(bào)警方法及其關(guān)鍵技術(shù) [J].汽車工程,2002,24(5):438- 444.

HOU De-zao,LI Ke-qiang,ZHENG Si-fa,et al.The warning algorithm and some key technologies of vehicle collision avoidance system [J].Automotive Engineering,2002,24(5):438- 444.

[11]孫川,吳超仲,褚端峰,等.基于車聯(lián)網(wǎng)數(shù)據(jù)挖掘的營(yíng)運(yùn)車輛駕駛速度行為聚類研究 [J].交通運(yùn)輸系統(tǒng)工程與信息,2015,15(6):82- 87.

SUN Chuan,WU Chao-zhong,CHU Duan-feng,et al.Driving speed behavior clustering for commercial vehicle based on connected vehicle data mining [J].Journal of Transportation Systems Engineering and Information Technology,2015,15(6):82- 87.

[12]徐嬋娟,石建軍,劉金超.駕駛執(zhí)行過(guò)程研究概述 [J].交通信息與安全,2015,1(33):16- 21.

XU Chan-juan,SHI Jian-jun,LIU Jin-chao.An overview of the research on driving execution process [J].Journal

of Transport Information and Safety,2015,1(33):16- 21.

[13]袁偉.城市道路環(huán)境中汽車駕駛員動(dòng)態(tài)視覺(jué)特性試驗(yàn)研究[D].西安:長(zhǎng)安大學(xué)汽車學(xué)院,2008.

[14]LAJUNEN T,SUMMALA H.Driving experience,personality,and skill and safety-motive dimensions in drivers’ self-assessments [J].Personality and Individual Diffe-rences,1995,19(3):307- 318.

[15]GUO F,FANG Y J.Individual driver risk assessment using naturalistic driving data [J].Accident Analysis and Prevention,2013,61:3- 9.

[16]嚴(yán)利鑫，吳超仲，高嵩,等.駕駛?cè)藗€(gè)體因素對(duì)駕駛憤怒情緒影響關(guān)系研究 [J].交通信息與安全,2013,6(30):119- 124

YAN Li-xin,WU Chao-zhong,GAO Song,et al.Research on relationship between driver’s temperament and driving anger [J].Journal of Transport Information and Safety,2013,6(30):119- 124.

[17]PLATT J C.Fast training of support vector machines using sequential minimal optimization,advances in kernel methods [M].Boston,USA:MIT Press,1998:185- 208.

[18]汪海燕,黎建輝,楊風(fēng)雷.支持向量機(jī)理論及算法研究綜述 [J].計(jì)算機(jī)應(yīng)用研究,2014,31(5):1281- 1286.

WANG Hai-yan,CAI Jian-hui,YANG Feng-lei.Overview of support vector machine analysis and algorithm [J].Application Research of Computers.2014,31(5):1281- 1286.

[19]傅貴,韓國(guó)強(qiáng),逯峰,等.基于支持向量機(jī)回歸的短時(shí)交通流預(yù)測(cè)模型 [J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,41(9):71- 76.FU Gui,HAN Guo-qiang,LU Feng,et al.Short-term traffic flow forecasting model based on support vectormachine regression [J].Journal of South China University ofTechnology(Natural Science Edition),2013,41(9):71- 76.Driving Mode Selection of Intelligent Vehicles Based on Risky Situation Identification

s: Supported by the National Key Technology Research and Development Program of the Ministry of Science and Technology of China(2014BAG01B03) and the National Natural Science Foundation of China(61104158)

YANLi-xin1,2,3HUANGZhen4WUChao-zhong1,2QINLing-qiao3ZHUDun-yao1,2RANBin3

(1. Intelligent Transportation Systems Center, Wuhan University of Technology, Wuhan 430063, Hubei, China; 2.National Engineering Research Center for Water Transport Safety (WTSC), Wuhan University of Technology, Wuhan 430063, Hubei, China;3. Department of Civil and Environmental Engineering, University of Wisconsin-Madison, Madison 53706, Wisconsin, USA;4. School of Automation, Wuhan University of Technology, Wuhan 430070, Hubei, China)

In the development process of intelligent vehicles, it is a necessary and important stage that manual dri-ving and automatic driving jointly play their roles, of which one key problem is selecting an appropriate take-over time from manual driving to automatic driving when a risky situation occurs. In order to improve the driving safety, according to the data collected from a real vehicle test, driving modes are divided into safe driving, warning driving and automatic driving, based on both the driver’ s report and the risky situation levels obtained by means of the K-means clustering. Then, by selecting six impact factors (namely, the average of speed, the time to headway, the standard deviation of steering, the standard deviation of acceleration, the distance away from the lane and the dri-ver’s experience) as the feature vectors, a driving mode selection model of intelligent vehicles is constructed based on the sequential minimal optimization (SMO) algorithm with the radial basis function (RBF). Moreover, the constructed model is compared with the algorithms of ID3, RBF network and SVM. The results show that the constructed model achieves an accuracy of up to 91.7%, which is significantly superior to those of the other three algorithms.

intelligent vehicle; driving mode; K-Means clustering; sequential minimal optimization; traffic safety

2016- 02- 25

國(guó)家科技支撐計(jì)劃項(xiàng)目(2014BAG01B03)；國(guó)家自然科學(xué)基金資助項(xiàng)目(61104158)；武漢理工大學(xué)教學(xué)研究項(xiàng)目(2011180)

嚴(yán)利鑫(1988-)，男，博士生，主要從事智能車路關(guān)鍵技術(shù)、駕駛行為研究.E-mail：yanlixinits@126.com

黃珍(1974-)，女，副教授，主要從事智能交通系統(tǒng)、自動(dòng)駕駛研究.E-mail：h-zhen@whut.edu.cn

1000- 565X(2016)08- 0139- 08

U 491

10.3969/j.issn.1000-565X.2016.08.020