路域無關(guān)信息域?qū)︸{駛?cè)俗⒁曅袨榈挠绊?/h1>
2021-05-08 09:50:28沈一川
智能建筑與智慧城市 2021年4期
沈一川
（1.同濟大學建筑設(shè)計研究院（集團）有限公司；2.上海智慧交通安全駕駛工程技術(shù)研究中心）
1 引言
安全與效率在道路交通系統(tǒng)中深度耦合。駕駛?cè)?、車輛和道路交通環(huán)境構(gòu)成了道路交通系統(tǒng)的三要素，道路用戶主觀安全感受與道路交通設(shè)施客觀行車條件的相互作用構(gòu)成道路交通安全系統(tǒng)的“主—客觀安全性”[1]，兩者的相互平衡是道路交通運行安全的基礎(chǔ)。駕駛?cè)耸д`作為引發(fā)道路交通事故的主要原因已被世界各國所公認，隨著車輛智能化交互內(nèi)容的迅猛增多，智慧交通設(shè)施信息知識獲取數(shù)量的快速增加，駕駛?cè)嗣鎸Φ能囕v內(nèi)外部駕駛環(huán)境呈多樣化、復(fù)雜化的變化趨勢，從而導(dǎo)致駕駛負荷過高、注意力分散和應(yīng)對突發(fā)事件處理能力的下降。為實現(xiàn)道路交通系統(tǒng)的安全化功能，對駕駛行為的形成、駕駛行為與道路交通環(huán)境的關(guān)系進行分析、測試、建模、仿真和試驗的研究，對道路交通事故誘發(fā)原因的辨識、預(yù)防和控制極為重要。
由交通環(huán)境和自然環(huán)境共同構(gòu)成的路域環(huán)境對交通安全的影響分為：
①自然環(huán)境本身沿線的變化對道路用戶心理的作用（吸引）；
②道路交通基礎(chǔ)設(shè)施與自然環(huán)境的和諧性。
進一步論證：人有被外界環(huán)境吸引并獲取信息（文字、圖像等）的本能，圍繞駕駛?cè)?，由外部事物所承載的對駕駛?cè)诵袨楹透惺墚a(chǎn)生影響且不屬于交通信息本身的信息區(qū)域范圍，即為無關(guān)信息域（Irrelevant Information Range，IIR），如：屬于自然環(huán)境范疇內(nèi)的人文環(huán)境、道路周邊廣告標牌設(shè)施[2]、夜間路側(cè)閃爍的霓虹燈等等。這些無關(guān)信息域?qū)︸{駛本身并不產(chǎn)生直接交通行為，卻能夠通過一種或多種方式獲得駕駛?cè)藢ξ淖?、圖像、視頻、燈光等信息的被動提取、篩選與處理，在視覺任務(wù)層面導(dǎo)致駕駛?cè)诵袨榈淖兓?/p>
目前，對駕駛?cè)艘曈X指標的試驗研究采用各類眼動儀實現(xiàn)，一般分為接觸式、非接觸式和遙感式設(shè)備?？紤]駕駛?cè)艘曈X特征變化為出發(fā)點，對受試駕駛?cè)俗⒁朁c落點位置精度要求較高，基于與同濟大學交通運輸工程學院的產(chǎn)學研合作，通過接觸式眼動追蹤系統(tǒng)開展高速公路實車試驗研究，試驗設(shè)備見圖1，試驗里程約95.0km，并利用馬爾可夫鏈的注視轉(zhuǎn)移模型分析路域無關(guān)信息域?qū)︸{駛?cè)嗽斐傻牟煌曈X轉(zhuǎn)移方式。
2 注視行為
眼動(eye movements)是視覺過程的直接反應(yīng)，是可探測的視認活動中的即時加工過程，它受多種認知因素的影響，與眼球的運動與注意、預(yù)期、記憶、推理、閱讀等認知活動有密切關(guān)系。在車輛行進方向，兩眼所形成視野夾角的那一點稱為注視點。在結(jié)合過往研究對駕駛?cè)艘曈X興趣區(qū)域劃分的基礎(chǔ)上，對本研究試驗駕駛?cè)伺d趣區(qū)域進行合理劃分。
圖1 接觸式眼動追蹤系統(tǒng)
2.1 視點興趣區(qū)域劃分
駕駛?cè)诵熊囘^程中，需要不斷地從周圍環(huán)境攝取信息，為自身定制相應(yīng)駕駛行為策略提供客觀依據(jù)。駕駛?cè)藢ν饨缧畔⒌奶崛∵^程是一種選擇性注意方式，因此駕駛?cè)说淖⒁饬Σ⒉粫骄峙涞礁鱾€注視目標上，而是最終動態(tài)聚集在幾個相關(guān)區(qū)域，即被稱為興趣區(qū)域?；趩蝹€駕駛?cè)俗⒁朁c的分析無法準確提取駕駛?cè)说囊曈X搜索規(guī)律，而通過劃分興趣區(qū)域則將研究對象由點及面，可以滿足研究人員的靈活需求，從而降低了提取駕駛?cè)诵熊囘^程中注視轉(zhuǎn)移特性規(guī)律的難度。
2.1.1 過往研究劃分方法
過往研究對駕駛?cè)伺d趣區(qū)域的劃分主要分為視野平面劃分方法和動態(tài)聚類法。
通過視野平面劃分法的主要有GeoffreyUnderwood等人對車外視野劃分的9個均等且互不重疊的駕駛區(qū)域[3]；Bao Shan等人著重依據(jù)頭部偏移等方式劃分的7個區(qū)域（包括車內(nèi)區(qū)域）[4]；M.Fitch等人在100Car自然駕駛試驗中更為細致地將駕駛?cè)伺d趣區(qū)域劃分為：左前、正前、右前、左窗、右窗、左后視鏡、右后視鏡、內(nèi)后視鏡等區(qū)域[5]。
動態(tài)聚類劃分方法以長安大學袁偉[6]的研究為代表，將試驗獲得的駕駛?cè)嗽谥饕晠^(qū)平面上的注視點坐標運用動態(tài)聚類法聚為6類，每一類分別表示不同的注視區(qū)域。計算得到的興趣區(qū)域包括了左后視鏡區(qū)域、主視區(qū)左側(cè)、中央主視區(qū)、主視區(qū)右側(cè)、右后視鏡區(qū)域以及車內(nèi)儀表區(qū)域。
2.1.2 本研究興趣區(qū)域劃分
比對兩種劃分興趣區(qū)域的方法，各有其優(yōu)勢，動態(tài)聚類法精確度及效率均較高，可以避免因研究者過于主觀的區(qū)域劃分導(dǎo)致研究結(jié)論與駕駛?cè)苏鎸嵉淖⒁曁匦援a(chǎn)生偏差；視野平面劃分法的優(yōu)勢是可以基于研究者的特殊興趣及需求靈活地進行區(qū)域劃分，從而使研究結(jié)論更契合自身的現(xiàn)實需要。本研究有明確的路域視野界定，故擬采用視野平面法著重按照研究對象對興趣區(qū)域進行有效的劃分。無關(guān)信息域是本次試驗研究的客觀主體，在劃分時，將從屬于無關(guān)信息域的所有內(nèi)容分為一類，便于找出駕駛?cè)说囊暰€在道路上與無關(guān)信息域之間轉(zhuǎn)換的規(guī)律。將常規(guī)駕駛操控車輛時需要關(guān)注的道路路面、周邊車輛分別分為一類，將左右后視鏡分為一類（避免掃視后視鏡行為對本次研究產(chǎn)生干擾），并將其他對本次研究不產(chǎn)生重要影響的區(qū)域歸為一類，具體的興趣區(qū)域劃分方式見圖2，數(shù)據(jù)標定軟件界面見圖3，各區(qū)域囊括的主要注視目標物見表1。
圖2 駕駛?cè)俗⒁朁c興趣區(qū)域劃分圖
圖3 駕駛?cè)俗⒁朁c標定界面圖
表1 駕駛?cè)俗⒁晠^(qū)域劃分表
2.2 基于馬爾可夫鏈的注視轉(zhuǎn)移模式分析
2.2.1 馬爾可夫（Markov）鏈理論
在已知時刻tm系統(tǒng)所處狀態(tài)的條件下，tm時刻之后系統(tǒng)到達的狀態(tài)與tm以前系統(tǒng)所處的狀態(tài)無關(guān)，而完全取決于tm時刻系統(tǒng)所處的狀態(tài)，這種特性稱為無后效性，也稱為“馬爾可夫性”。
①馬爾可夫鏈：時間及狀態(tài)都是離散的馬爾可夫過程；
②連續(xù)時間的馬爾可夫鏈：時間連續(xù)、狀態(tài)離散的馬爾可夫過程；
③時間、狀態(tài)都連續(xù)的馬爾可夫過程。
馬爾可夫鏈在時刻m從任意一個狀態(tài)i（i∈I）出發(fā)，到時刻m+k轉(zhuǎn)移到狀態(tài)空間I中的某一狀態(tài)，轉(zhuǎn)移概率pij(m，m+k)稱為馬爾可夫鏈的k步轉(zhuǎn)移概率，記為轉(zhuǎn)移概率不依賴于時刻m的馬爾可夫鏈，稱為其次馬爾可夫鏈。如果馬爾可夫鏈具有有限狀態(tài)空間I={1，2，…，N}，則k步轉(zhuǎn)移概率矩陣可表示為：
在該矩陣中，所有元素都是非負的，且每一行元素的和均為1。當k=1時，為一步馬爾可夫轉(zhuǎn)移概率矩陣；當時k=2，為兩步馬爾可夫轉(zhuǎn)移概率矩陣，且兩步馬爾可夫概率轉(zhuǎn)移矩陣等于一步馬爾可夫概率矩陣與自身相乘的乘積。
2.2.2 一步注視轉(zhuǎn)移概率矩陣
駕駛?cè)艘朁c駐留的不同興趣區(qū)域可以視為系統(tǒng)的不同狀態(tài)，同時下一個注視點駐留的區(qū)域只與當前區(qū)域相關(guān)，符合馬爾可夫鏈的典型特性[7]。將劃分的駕駛?cè)俗⒁晠^(qū)域看作馬爾可夫鏈的一種狀態(tài)，基于此狀態(tài)分別得到駕駛?cè)俗⒁朁c在各狀態(tài)間的轉(zhuǎn)移概率。
假定系統(tǒng)處于狀態(tài)i，aij為系統(tǒng)由狀態(tài)i轉(zhuǎn)向狀態(tài)j的頻數(shù)，n為狀態(tài)空間，ai為系統(tǒng)由狀態(tài)i轉(zhuǎn)向其他狀態(tài)的頻數(shù)之和，則系統(tǒng)由狀態(tài)i轉(zhuǎn)向狀態(tài)j的概率：
基于以上轉(zhuǎn)移概率計算方法，通過對試驗錄像篩選的駕駛?cè)艘朁c位置在各區(qū)域間的一步轉(zhuǎn)移概率矩陣（當駕駛?cè)俗⒁朁c連續(xù)落在某個區(qū)域時，并不考慮該區(qū)域內(nèi)的轉(zhuǎn)移問題，即任意區(qū)域至其自身的轉(zhuǎn)移概率為0，且矩陣中任意行的轉(zhuǎn)移概率和等于1）。
利用MatLab軟件對本次試驗駕駛?cè)艘朁c進行一步轉(zhuǎn)移概率統(tǒng)計，首先對經(jīng)過視頻判別的視點轉(zhuǎn)移區(qū)域列向量導(dǎo)入MatLab定義為矩陣A，對各區(qū)域間轉(zhuǎn)移次數(shù)求和后計入矩陣M，得到注視點一步轉(zhuǎn)移總數(shù)矩陣（見表2），軟件代碼如下：
M=zeros(6)；%定義一個6行6列的0矩陣
n=size(A，1)；%確定A矩陣大小
i=1；i0=1；
for i0=1:(n-1)
M(A(i，1)，A(i+1，1))=M(A(i，1)，A(i+1，1))+1;%將相應(yīng)位置計數(shù)迭代至矩陣M
i=i+1；
end
進一步按照公式（2）計算得到對注視點的一步轉(zhuǎn)移概率矩陣，本研究統(tǒng)計分為對路段是否存在無關(guān)信息域兩個方面展開。
各階段注視點一步轉(zhuǎn)移概率矩陣如表3-表4所示。存在無關(guān)信息域路段注視點一步轉(zhuǎn)移概率圖如圖4所示。
對以上駕駛?cè)俗⒁朁c一步轉(zhuǎn)移概率矩陣進行分析，由于統(tǒng)計中認為注視點在某一區(qū)域內(nèi)部轉(zhuǎn)移不記錄至一步轉(zhuǎn)移次數(shù)中，因此每個編號區(qū)域轉(zhuǎn)移至其本身的概率為0，而任意行的轉(zhuǎn)移概率和為1。
表2 駕駛?cè)俗⒁朁c一步轉(zhuǎn)移總數(shù)矩陣
表3 存在無關(guān)信息域（IIR）駕駛?cè)俗⒁朁c一步轉(zhuǎn)移概率矩陣
表4 不存在無關(guān)信息域（IIR）駕駛?cè)俗⒁朁c一步轉(zhuǎn)移概率矩陣
圖4 注視點一步轉(zhuǎn)移概率示意圖
由表可見，駕駛?cè)俗⒁朁c由區(qū)域1轉(zhuǎn)移至區(qū)域5的概率為0，即表示駕駛?cè)艘朁c從無關(guān)信息域（IIR）位置返回的過程中，視點立即落到車內(nèi)儀表盤的概率為0，與此同時，區(qū)域3和區(qū)域5轉(zhuǎn)移至區(qū)域1的概率也為0，表示視點從左右兩后視鏡轉(zhuǎn)移至無關(guān)信息域（IIR）的概率為0。則可以推斷：駕駛?cè)藢o關(guān)信息域（IIR）的注視與對左右后視鏡和車內(nèi)儀表盤的注視在絕大多數(shù)情況下并不發(fā)生在相鄰兩次注視點區(qū)域轉(zhuǎn)移的過程中，即駕駛?cè)送粫谝欢〞r間段內(nèi)，注視點始終轉(zhuǎn)移在前方道路視野以外。誠然，注視點保持在前方道路上是駕駛?cè)藢π旭偳胺礁鞯缆方煌ㄐ畔⒂行дJ知的必要非充分條件，一旦注視點轉(zhuǎn)移出前方道路行駛區(qū)域，就存在對道路突發(fā)情況認知的延遲，顯然駕駛?cè)嗽跐撘庾R中拒絕這樣的情況發(fā)生，即駕駛?cè)吮３肿⒁饬X能夠通過區(qū)域1同區(qū)域3和5相互轉(zhuǎn)移概率為0或基本接近于0來表現(xiàn)。反之，如果注視點在區(qū)域1與區(qū)域3和5的轉(zhuǎn)移發(fā)生在相領(lǐng)兩次視點轉(zhuǎn)移過程中，對正確認知當前道路交通環(huán)境安全是不利的。考慮到駕駛?cè)藢ψ笥液笠曠R和車內(nèi)儀表盤的關(guān)注是對車輛本身和車輛周邊情況的正確判斷，在絕大多數(shù)情況下主導(dǎo)行車安全，由此可推得，區(qū)域1即無關(guān)信息域（IIR）的存在占用了駕駛?cè)苏J知道路交通信息的視覺負荷。
對比表3和表4的駕駛?cè)俗⒁朁c一步轉(zhuǎn)移概率矩陣，表4所示不存在無關(guān)信息域路段注視點轉(zhuǎn)移進出編號1類概率為0。在驗證無關(guān)信息域的存在對駕駛?cè)苏_認知當前交通信息沒有幫助后，進一步驗證不存在無關(guān)信息域路段注視點轉(zhuǎn)移方式的不同：以編號2和編號4（即道路路面和車輛）為整體，駕駛?cè)藦脑擃悈^(qū)域由編號3、5轉(zhuǎn)進、轉(zhuǎn)出的概率都有所增加，可以認為駕駛?cè)藢⒋嬖跓o關(guān)信息域段對無關(guān)信息注視的這部分概率轉(zhuǎn)至其他幾類有助于認知道路交通信息的區(qū)域，可以反映出駕駛?cè)俗⒁朁c對道路本身集中程度提高了。
3 結(jié)語
隨著智能網(wǎng)聯(lián)汽車技術(shù)的不斷發(fā)展，有人—無人混合流駕駛場景對駕駛?cè)烁黝惒倏匦袨樘岢龈咭蟆１狙芯刻岢雎酚驘o關(guān)信息域（IIR）的概念，劃分駕駛?cè)艘朁c興趣區(qū)域，引入馬爾科夫鏈理論研究注視點轉(zhuǎn)移模型，從動態(tài)視覺特征分析無關(guān)信息域?qū)︸{駛?cè)诵袨榈挠绊憽?/p>
分析結(jié)果表明，考慮無關(guān)信息域的視覺轉(zhuǎn)移模型可以通過量化指標表示，駕駛?cè)藢β酚驘o關(guān)信息域的注視與對車輛后視鏡及車內(nèi)儀表盤的注視存在視覺轉(zhuǎn)移沖突，即無關(guān)信息域造成的駕駛分心。
未來仍有待進一步研究與論證的問題包括：對路域無關(guān)信息域就信息內(nèi)容本身的再細分；考慮駕駛?cè)朔诸愄卣鳎挲g、性別、駕齡等）的再細分；無關(guān)信息域與駕駛疲勞、其他駕駛?cè)蝿?wù)負荷的相關(guān)性等。
猜你喜歡
眼動儀技術(shù)在里院建筑特色分析中的應(yīng)用智能建筑與智慧城市(2022年9期)2022-09-28 12:07:56 基于超復(fù)數(shù)小波和圖像空域的卷積網(wǎng)絡(luò)融合注視點預(yù)測算法蘭州理工大學學報(2021年5期)2021-11-02 03:01:22 射擊運動員的反向眼跳研究體育時空(2017年6期)2017-07-14 09:24:48 臂戴后視鏡中國新聞周刊(2017年21期)2017-06-15 10:42:00 基于中央凹圖像顯著性和掃視傾向的注視點轉(zhuǎn)移預(yù)測模型復(fù)旦學報(自然科學版)(2016年4期)2016-09-21 05:30:42 保費隨機且?guī)в屑t利支付的復(fù)合馬爾可夫二項模型數(shù)學理論與應(yīng)用(2016年3期)2016-05-17 04:50:14 基于SOP的核電廠操縱員監(jiān)視過程馬爾可夫模型核科學與工程(2015年3期)2015-09-26 11:58:25 創(chuàng)新的攝像監(jiān)視系統(tǒng)取代車外和車內(nèi)后視鏡汽車零部件(2015年8期)2015-06-23 13:53:51 應(yīng)用馬爾可夫鏈對品牌手機市場占有率進行預(yù)測哈爾濱師范大學自然科學學報(2015年1期)2015-04-19 06:55:33 汽車的復(fù)眼 后視鏡及側(cè)視鏡的由來汽車科技(2015年1期)2015-02-28 12:14:52
沈一川
（1.同濟大學建筑設(shè)計研究院（集團）有限公司；2.上海智慧交通安全駕駛工程技術(shù)研究中心）
1 引言
安全與效率在道路交通系統(tǒng)中深度耦合。駕駛?cè)?、車輛和道路交通環(huán)境構(gòu)成了道路交通系統(tǒng)的三要素，道路用戶主觀安全感受與道路交通設(shè)施客觀行車條件的相互作用構(gòu)成道路交通安全系統(tǒng)的“主—客觀安全性”[1]，兩者的相互平衡是道路交通運行安全的基礎(chǔ)。駕駛?cè)耸д`作為引發(fā)道路交通事故的主要原因已被世界各國所公認，隨著車輛智能化交互內(nèi)容的迅猛增多，智慧交通設(shè)施信息知識獲取數(shù)量的快速增加，駕駛?cè)嗣鎸Φ能囕v內(nèi)外部駕駛環(huán)境呈多樣化、復(fù)雜化的變化趨勢，從而導(dǎo)致駕駛負荷過高、注意力分散和應(yīng)對突發(fā)事件處理能力的下降。為實現(xiàn)道路交通系統(tǒng)的安全化功能，對駕駛行為的形成、駕駛行為與道路交通環(huán)境的關(guān)系進行分析、測試、建模、仿真和試驗的研究，對道路交通事故誘發(fā)原因的辨識、預(yù)防和控制極為重要。
由交通環(huán)境和自然環(huán)境共同構(gòu)成的路域環(huán)境對交通安全的影響分為：
①自然環(huán)境本身沿線的變化對道路用戶心理的作用（吸引）；
②道路交通基礎(chǔ)設(shè)施與自然環(huán)境的和諧性。
進一步論證：人有被外界環(huán)境吸引并獲取信息（文字、圖像等）的本能，圍繞駕駛?cè)?，由外部事物所承載的對駕駛?cè)诵袨楹透惺墚a(chǎn)生影響且不屬于交通信息本身的信息區(qū)域范圍，即為無關(guān)信息域（Irrelevant Information Range，IIR），如：屬于自然環(huán)境范疇內(nèi)的人文環(huán)境、道路周邊廣告標牌設(shè)施[2]、夜間路側(cè)閃爍的霓虹燈等等。這些無關(guān)信息域?qū)︸{駛本身并不產(chǎn)生直接交通行為，卻能夠通過一種或多種方式獲得駕駛?cè)藢ξ淖?、圖像、視頻、燈光等信息的被動提取、篩選與處理，在視覺任務(wù)層面導(dǎo)致駕駛?cè)诵袨榈淖兓?/p>
目前，對駕駛?cè)艘曈X指標的試驗研究采用各類眼動儀實現(xiàn)，一般分為接觸式、非接觸式和遙感式設(shè)備?？紤]駕駛?cè)艘曈X特征變化為出發(fā)點，對受試駕駛?cè)俗⒁朁c落點位置精度要求較高，基于與同濟大學交通運輸工程學院的產(chǎn)學研合作，通過接觸式眼動追蹤系統(tǒng)開展高速公路實車試驗研究，試驗設(shè)備見圖1，試驗里程約95.0km，并利用馬爾可夫鏈的注視轉(zhuǎn)移模型分析路域無關(guān)信息域?qū)︸{駛?cè)嗽斐傻牟煌曈X轉(zhuǎn)移方式。
2 注視行為
眼動(eye movements)是視覺過程的直接反應(yīng)，是可探測的視認活動中的即時加工過程，它受多種認知因素的影響，與眼球的運動與注意、預(yù)期、記憶、推理、閱讀等認知活動有密切關(guān)系。在車輛行進方向，兩眼所形成視野夾角的那一點稱為注視點。在結(jié)合過往研究對駕駛?cè)艘曈X興趣區(qū)域劃分的基礎(chǔ)上，對本研究試驗駕駛?cè)伺d趣區(qū)域進行合理劃分。
圖1 接觸式眼動追蹤系統(tǒng)
2.1 視點興趣區(qū)域劃分
駕駛?cè)诵熊囘^程中，需要不斷地從周圍環(huán)境攝取信息，為自身定制相應(yīng)駕駛行為策略提供客觀依據(jù)。駕駛?cè)藢ν饨缧畔⒌奶崛∵^程是一種選擇性注意方式，因此駕駛?cè)说淖⒁饬Σ⒉粫骄峙涞礁鱾€注視目標上，而是最終動態(tài)聚集在幾個相關(guān)區(qū)域，即被稱為興趣區(qū)域?；趩蝹€駕駛?cè)俗⒁朁c的分析無法準確提取駕駛?cè)说囊曈X搜索規(guī)律，而通過劃分興趣區(qū)域則將研究對象由點及面，可以滿足研究人員的靈活需求，從而降低了提取駕駛?cè)诵熊囘^程中注視轉(zhuǎn)移特性規(guī)律的難度。
2.1.1 過往研究劃分方法
過往研究對駕駛?cè)伺d趣區(qū)域的劃分主要分為視野平面劃分方法和動態(tài)聚類法。
通過視野平面劃分法的主要有GeoffreyUnderwood等人對車外視野劃分的9個均等且互不重疊的駕駛區(qū)域[3]；Bao Shan等人著重依據(jù)頭部偏移等方式劃分的7個區(qū)域（包括車內(nèi)區(qū)域）[4]；M.Fitch等人在100Car自然駕駛試驗中更為細致地將駕駛?cè)伺d趣區(qū)域劃分為：左前、正前、右前、左窗、右窗、左后視鏡、右后視鏡、內(nèi)后視鏡等區(qū)域[5]。
動態(tài)聚類劃分方法以長安大學袁偉[6]的研究為代表，將試驗獲得的駕駛?cè)嗽谥饕晠^(qū)平面上的注視點坐標運用動態(tài)聚類法聚為6類，每一類分別表示不同的注視區(qū)域。計算得到的興趣區(qū)域包括了左后視鏡區(qū)域、主視區(qū)左側(cè)、中央主視區(qū)、主視區(qū)右側(cè)、右后視鏡區(qū)域以及車內(nèi)儀表區(qū)域。
2.1.2 本研究興趣區(qū)域劃分
比對兩種劃分興趣區(qū)域的方法，各有其優(yōu)勢，動態(tài)聚類法精確度及效率均較高，可以避免因研究者過于主觀的區(qū)域劃分導(dǎo)致研究結(jié)論與駕駛?cè)苏鎸嵉淖⒁曁匦援a(chǎn)生偏差；視野平面劃分法的優(yōu)勢是可以基于研究者的特殊興趣及需求靈活地進行區(qū)域劃分，從而使研究結(jié)論更契合自身的現(xiàn)實需要。本研究有明確的路域視野界定，故擬采用視野平面法著重按照研究對象對興趣區(qū)域進行有效的劃分。無關(guān)信息域是本次試驗研究的客觀主體，在劃分時，將從屬于無關(guān)信息域的所有內(nèi)容分為一類，便于找出駕駛?cè)说囊暰€在道路上與無關(guān)信息域之間轉(zhuǎn)換的規(guī)律。將常規(guī)駕駛操控車輛時需要關(guān)注的道路路面、周邊車輛分別分為一類，將左右后視鏡分為一類（避免掃視后視鏡行為對本次研究產(chǎn)生干擾），并將其他對本次研究不產(chǎn)生重要影響的區(qū)域歸為一類，具體的興趣區(qū)域劃分方式見圖2，數(shù)據(jù)標定軟件界面見圖3，各區(qū)域囊括的主要注視目標物見表1。
圖2 駕駛?cè)俗⒁朁c興趣區(qū)域劃分圖
圖3 駕駛?cè)俗⒁朁c標定界面圖
表1 駕駛?cè)俗⒁晠^(qū)域劃分表
2.2 基于馬爾可夫鏈的注視轉(zhuǎn)移模式分析
2.2.1 馬爾可夫（Markov）鏈理論
在已知時刻tm系統(tǒng)所處狀態(tài)的條件下，tm時刻之后系統(tǒng)到達的狀態(tài)與tm以前系統(tǒng)所處的狀態(tài)無關(guān)，而完全取決于tm時刻系統(tǒng)所處的狀態(tài)，這種特性稱為無后效性，也稱為“馬爾可夫性”。
①馬爾可夫鏈：時間及狀態(tài)都是離散的馬爾可夫過程；
②連續(xù)時間的馬爾可夫鏈：時間連續(xù)、狀態(tài)離散的馬爾可夫過程；
③時間、狀態(tài)都連續(xù)的馬爾可夫過程。
馬爾可夫鏈在時刻m從任意一個狀態(tài)i（i∈I）出發(fā)，到時刻m+k轉(zhuǎn)移到狀態(tài)空間I中的某一狀態(tài)，轉(zhuǎn)移概率pij(m，m+k)稱為馬爾可夫鏈的k步轉(zhuǎn)移概率，記為轉(zhuǎn)移概率不依賴于時刻m的馬爾可夫鏈，稱為其次馬爾可夫鏈。如果馬爾可夫鏈具有有限狀態(tài)空間I={1，2，…，N}，則k步轉(zhuǎn)移概率矩陣可表示為：
在該矩陣中，所有元素都是非負的，且每一行元素的和均為1。當k=1時，為一步馬爾可夫轉(zhuǎn)移概率矩陣；當時k=2，為兩步馬爾可夫轉(zhuǎn)移概率矩陣，且兩步馬爾可夫概率轉(zhuǎn)移矩陣等于一步馬爾可夫概率矩陣與自身相乘的乘積。
2.2.2 一步注視轉(zhuǎn)移概率矩陣
駕駛?cè)艘朁c駐留的不同興趣區(qū)域可以視為系統(tǒng)的不同狀態(tài)，同時下一個注視點駐留的區(qū)域只與當前區(qū)域相關(guān)，符合馬爾可夫鏈的典型特性[7]。將劃分的駕駛?cè)俗⒁晠^(qū)域看作馬爾可夫鏈的一種狀態(tài)，基于此狀態(tài)分別得到駕駛?cè)俗⒁朁c在各狀態(tài)間的轉(zhuǎn)移概率。
假定系統(tǒng)處于狀態(tài)i，aij為系統(tǒng)由狀態(tài)i轉(zhuǎn)向狀態(tài)j的頻數(shù)，n為狀態(tài)空間，ai為系統(tǒng)由狀態(tài)i轉(zhuǎn)向其他狀態(tài)的頻數(shù)之和，則系統(tǒng)由狀態(tài)i轉(zhuǎn)向狀態(tài)j的概率：
基于以上轉(zhuǎn)移概率計算方法，通過對試驗錄像篩選的駕駛?cè)艘朁c位置在各區(qū)域間的一步轉(zhuǎn)移概率矩陣（當駕駛?cè)俗⒁朁c連續(xù)落在某個區(qū)域時，并不考慮該區(qū)域內(nèi)的轉(zhuǎn)移問題，即任意區(qū)域至其自身的轉(zhuǎn)移概率為0，且矩陣中任意行的轉(zhuǎn)移概率和等于1）。
利用MatLab軟件對本次試驗駕駛?cè)艘朁c進行一步轉(zhuǎn)移概率統(tǒng)計，首先對經(jīng)過視頻判別的視點轉(zhuǎn)移區(qū)域列向量導(dǎo)入MatLab定義為矩陣A，對各區(qū)域間轉(zhuǎn)移次數(shù)求和后計入矩陣M，得到注視點一步轉(zhuǎn)移總數(shù)矩陣（見表2），軟件代碼如下：
M=zeros(6)；%定義一個6行6列的0矩陣
n=size(A，1)；%確定A矩陣大小
i=1；i0=1；
for i0=1:(n-1)
M(A(i，1)，A(i+1，1))=M(A(i，1)，A(i+1，1))+1;%將相應(yīng)位置計數(shù)迭代至矩陣M
i=i+1；
end
進一步按照公式（2）計算得到對注視點的一步轉(zhuǎn)移概率矩陣，本研究統(tǒng)計分為對路段是否存在無關(guān)信息域兩個方面展開。
各階段注視點一步轉(zhuǎn)移概率矩陣如表3-表4所示。存在無關(guān)信息域路段注視點一步轉(zhuǎn)移概率圖如圖4所示。
對以上駕駛?cè)俗⒁朁c一步轉(zhuǎn)移概率矩陣進行分析，由于統(tǒng)計中認為注視點在某一區(qū)域內(nèi)部轉(zhuǎn)移不記錄至一步轉(zhuǎn)移次數(shù)中，因此每個編號區(qū)域轉(zhuǎn)移至其本身的概率為0，而任意行的轉(zhuǎn)移概率和為1。
表2 駕駛?cè)俗⒁朁c一步轉(zhuǎn)移總數(shù)矩陣
表3 存在無關(guān)信息域（IIR）駕駛?cè)俗⒁朁c一步轉(zhuǎn)移概率矩陣
表4 不存在無關(guān)信息域（IIR）駕駛?cè)俗⒁朁c一步轉(zhuǎn)移概率矩陣
圖4 注視點一步轉(zhuǎn)移概率示意圖
由表可見，駕駛?cè)俗⒁朁c由區(qū)域1轉(zhuǎn)移至區(qū)域5的概率為0，即表示駕駛?cè)艘朁c從無關(guān)信息域（IIR）位置返回的過程中，視點立即落到車內(nèi)儀表盤的概率為0，與此同時，區(qū)域3和區(qū)域5轉(zhuǎn)移至區(qū)域1的概率也為0，表示視點從左右兩后視鏡轉(zhuǎn)移至無關(guān)信息域（IIR）的概率為0。則可以推斷：駕駛?cè)藢o關(guān)信息域（IIR）的注視與對左右后視鏡和車內(nèi)儀表盤的注視在絕大多數(shù)情況下并不發(fā)生在相鄰兩次注視點區(qū)域轉(zhuǎn)移的過程中，即駕駛?cè)送粫谝欢〞r間段內(nèi)，注視點始終轉(zhuǎn)移在前方道路視野以外。誠然，注視點保持在前方道路上是駕駛?cè)藢π旭偳胺礁鞯缆方煌ㄐ畔⒂行дJ知的必要非充分條件，一旦注視點轉(zhuǎn)移出前方道路行駛區(qū)域，就存在對道路突發(fā)情況認知的延遲，顯然駕駛?cè)嗽跐撘庾R中拒絕這樣的情況發(fā)生，即駕駛?cè)吮３肿⒁饬X能夠通過區(qū)域1同區(qū)域3和5相互轉(zhuǎn)移概率為0或基本接近于0來表現(xiàn)。反之，如果注視點在區(qū)域1與區(qū)域3和5的轉(zhuǎn)移發(fā)生在相領(lǐng)兩次視點轉(zhuǎn)移過程中，對正確認知當前道路交通環(huán)境安全是不利的。考慮到駕駛?cè)藢ψ笥液笠曠R和車內(nèi)儀表盤的關(guān)注是對車輛本身和車輛周邊情況的正確判斷，在絕大多數(shù)情況下主導(dǎo)行車安全，由此可推得，區(qū)域1即無關(guān)信息域（IIR）的存在占用了駕駛?cè)苏J知道路交通信息的視覺負荷。
對比表3和表4的駕駛?cè)俗⒁朁c一步轉(zhuǎn)移概率矩陣，表4所示不存在無關(guān)信息域路段注視點轉(zhuǎn)移進出編號1類概率為0。在驗證無關(guān)信息域的存在對駕駛?cè)苏_認知當前交通信息沒有幫助后，進一步驗證不存在無關(guān)信息域路段注視點轉(zhuǎn)移方式的不同：以編號2和編號4（即道路路面和車輛）為整體，駕駛?cè)藦脑擃悈^(qū)域由編號3、5轉(zhuǎn)進、轉(zhuǎn)出的概率都有所增加，可以認為駕駛?cè)藢⒋嬖跓o關(guān)信息域段對無關(guān)信息注視的這部分概率轉(zhuǎn)至其他幾類有助于認知道路交通信息的區(qū)域，可以反映出駕駛?cè)俗⒁朁c對道路本身集中程度提高了。
3 結(jié)語
隨著智能網(wǎng)聯(lián)汽車技術(shù)的不斷發(fā)展，有人—無人混合流駕駛場景對駕駛?cè)烁黝惒倏匦袨樘岢龈咭蟆１狙芯刻岢雎酚驘o關(guān)信息域（IIR）的概念，劃分駕駛?cè)艘朁c興趣區(qū)域，引入馬爾科夫鏈理論研究注視點轉(zhuǎn)移模型，從動態(tài)視覺特征分析無關(guān)信息域?qū)︸{駛?cè)诵袨榈挠绊憽?/p>
分析結(jié)果表明，考慮無關(guān)信息域的視覺轉(zhuǎn)移模型可以通過量化指標表示，駕駛?cè)藢β酚驘o關(guān)信息域的注視與對車輛后視鏡及車內(nèi)儀表盤的注視存在視覺轉(zhuǎn)移沖突，即無關(guān)信息域造成的駕駛分心。
未來仍有待進一步研究與論證的問題包括：對路域無關(guān)信息域就信息內(nèi)容本身的再細分；考慮駕駛?cè)朔诸愄卣鳎挲g、性別、駕齡等）的再細分；無關(guān)信息域與駕駛疲勞、其他駕駛?cè)蝿?wù)負荷的相關(guān)性等。
猜你喜歡
智能建筑與智慧城市(2022年9期)2022-09-28 12:07:56
蘭州理工大學學報(2021年5期)2021-11-02 03:01:22
體育時空(2017年6期)2017-07-14 09:24:48
中國新聞周刊(2017年21期)2017-06-15 10:42:00
復(fù)旦學報(自然科學版)(2016年4期)2016-09-21 05:30:42
數(shù)學理論與應(yīng)用(2016年3期)2016-05-17 04:50:14
核科學與工程(2015年3期)2015-09-26 11:58:25
汽車零部件(2015年8期)2015-06-23 13:53:51
哈爾濱師范大學自然科學學報(2015年1期)2015-04-19 06:55:33
汽車科技(2015年1期)2015-02-28 12:14:52
