摘 要：駕駛員在道路交通系統(tǒng)中發(fā)揮著核心因素，駕駛行為直接影響道路交通安全。一種準確、可靠的駕駛行為識別方法對車輛駕駛安全具有重要意義。本文總結(jié)基于車輛運動信息的駕駛行為識別方法研究進展。首先，在考慮車輛運行工況后形成駕駛行為閉環(huán)系統(tǒng)，闡述駕駛行為涵義。其次，從三方面總結(jié)車輛運動信息采集系統(tǒng)和所識別的駕駛行為。再次，考慮車輛運動信息，以數(shù)據(jù)驅(qū)動方法為切入點，闡述駕駛行為識別方法進展。最后，總結(jié)駕駛行為技術(shù)未來研究方向。

關(guān)鍵詞：駕駛行為識別 車輛運動信息 慣導(dǎo)系統(tǒng) 多傳感器系統(tǒng)

根據(jù)道路交通事故統(tǒng)計數(shù)據(jù)可知，80%以上的交通事故因駕駛行為不當造成[1]。當駕駛員出現(xiàn)觀察不仔細、判別錯誤以及車輛操作失誤等行為時，表明駕駛行為較差發(fā)生交通事故的概率陡然增加。對駕駛行為進行識別和預(yù)測，盡早發(fā)現(xiàn)潛在的判斷失誤、操作失誤等行為，提醒駕駛員采取正確的、合理的駕駛操作，具有重要的意義。

隨著移動終端、互聯(lián)網(wǎng)等技術(shù)的快速發(fā)展，使得駕駛行為研究成果能夠落地應(yīng)用。移動終端作為硬件載體，既可以搭載北斗、GPS（全球定位系統(tǒng)）等衛(wèi)星導(dǎo)航系統(tǒng)，還可以搭載陀螺儀、加速度計（兩者合稱慣性傳感器）等傳感器。硬件載體為互聯(lián)網(wǎng)廠商開發(fā)相應(yīng)的應(yīng)用程序提供了信息輸入源，為駕駛員提供更多信息輔助駕駛行為。比如高德地圖、百度地圖等應(yīng)用程序根據(jù)交通路況，給駕駛員提供路徑規(guī)劃、實時限速以及紅綠燈計時等信息?；ヂ?lián)網(wǎng)時代的到來為研究駕駛行為做出了重要貢獻。雖然利用北斗來判斷車輛是否超速已經(jīng)得到廣泛的應(yīng)用，但是駕駛行為受車輛運動信息的精確性、交通狀況的復(fù)雜性等因素影響，駕駛行為研究發(fā)展相對緩慢。

對比水運、鐵路等交通方式，在道路上駕駛汽車具有隨機性大、自主性強、環(huán)境復(fù)雜性高等特點。駕駛員內(nèi)在的固有屬性、駕駛習(xí)慣和交通狀況、車輛運行工況、天氣環(huán)境等因素的動態(tài)性，使得駕駛行為難以像鐵路駕駛行為那樣運行軌跡固定、流程化。駕駛行為具有隨機性、不確定性、復(fù)雜性、外在驅(qū)動多維度等特點，精準識別駕駛行為更加困難。

駕駛行為識別方法研究依賴于車輛運動信息，利用衛(wèi)星導(dǎo)航系統(tǒng)、車載傳感器獲取車輛位置、速度等信息是典型方案。然而，研究發(fā)現(xiàn)，GPS不能準確反映出車輛加速度、角速度等信息；在GPS和慣性傳感器組合的方法中，若利用高精度慣性傳感器能夠解決此問題，但高精度慣性傳感器成本高；若利用低成本慣性傳感器的技術(shù)方案，相比較與前者數(shù)據(jù)挖掘潛力較弱，實用性和有效性相對不足。圖像識別方法利用特征點識別間接獲得車輛運動信息，因而對于急加速、急減速等駕駛行為的識別效果較差，識別精度受環(huán)境光照、特征點是否顯著等因素影響。張春梅等人[2]利用光纖慣導(dǎo)系統(tǒng)具有分辨率高、靈敏度高、自主性強等特點，輸出載體姿態(tài)、速度、加速度等信息用于車輛姿態(tài)識別。受該文獻啟發(fā)，本文總結(jié)基于車輛運動信息的駕駛行為識別方法研究進展。

1 駕駛行為涵義

駕駛行為是信息感知、判斷決策和駕駛員控制車輛組成的一個不斷往復(fù)的信息處理過程，車輛運行工況作為信息感知傳入感覺器官，與駕駛員控制車輛一起形成駕駛行為閉環(huán)系統(tǒng)，如圖1所示。首先，道路上的交通狀況、車輛運行工況、天氣等外界要素信息，通過駕駛員的視覺、聽覺及觸覺等感覺器官傳入駕駛員的中樞神經(jīng)系統(tǒng)；其次，駕駛員根據(jù)駕駛經(jīng)驗作出判斷和決策，由中樞神經(jīng)系統(tǒng)發(fā)出車輛調(diào)整指令，通常駕駛員作出的決策為速度控制（加速、減速等）、超車、變道、轉(zhuǎn)彎、停車等動作；最后，通過駕駛員的手、腳等運動器官操縱車輛并改變車輛運動狀態(tài)，操縱車輛的動作主要為踩油門、踩離合器、踩制動踏板、換擋、轉(zhuǎn)動轉(zhuǎn)向盤、調(diào)整車輛燈光等。當駕駛員出現(xiàn)觀察不仔細（信息感知）、判斷不正確（信息決策）以及操作失誤（駕駛員控制車輛）等狀況時，表明駕駛行為較差。

駕駛行為不僅是信息感知、判斷決策和駕駛員控制車輛三個階段不斷地多次串聯(lián)，也是三者的有機融合。在圖1中，駕駛員作為信息處理者、決策者、調(diào)節(jié)者和控制者，是駕駛行為中最核心、最復(fù)雜的組成部分。駕駛行為除受交通狀況、天氣及車輛運行工況等環(huán)境要素影響外，還受駕駛員的駕駛經(jīng)驗、生理狀況等因素影響，駕駛行為是時變的交通狀況、時變的駕駛員駕駛能力、固定的駕駛?cè)蝿?wù)需求之間的動態(tài)耦合、均衡和博弈。車輛運行工況作為連接信息感知和駕駛員控制車輛兩個階段的紐帶，如何根據(jù)車輛運動信息構(gòu)建駕駛行為模型并識別駕駛行為，確定時變的駕駛行為狀態(tài)水平，對于預(yù)防交通事故的發(fā)生有著極為重要的現(xiàn)實意義。

2 車輛運動信息表征駕駛行為研究進展

為了獲取車輛運動信息需要搭載傳感器，比如衛(wèi)星導(dǎo)航系統(tǒng)、慣導(dǎo)系統(tǒng)、智能手機、相機、激光雷達等，各傳感器存在各自的缺點，單獨使用時無法精確獲取車輛運動信息，常用解決方法為使用多種傳感器。

2.1 單一傳感器系統(tǒng)

任慧君等人[3]利用車載GPS模塊采集的車輛軌跡數(shù)據(jù)，提取行駛速度加速度和轉(zhuǎn)彎等信息，表征急加速、急減速等不安全駕駛行為。朱興林等人[4]利用大樣本統(tǒng)計方法分析預(yù)處理后的GPS數(shù)據(jù)，精準識別不良駕駛行為。陸鍵等人[5]利用無人機拍攝交通流視頻提取海量車輛行駛軌跡數(shù)據(jù)，使用大樣本統(tǒng)計方法確定不良駕駛行為的特征參數(shù)，建立不良駕駛行為譜。Hsiao Wen-Chih等人[6]開發(fā)模糊推理系統(tǒng)識別車輛姿態(tài)檢測危險駕駛行為。上述文獻中，車載GPS模塊存在顛簸狀態(tài)精度不高、城市建筑對GPS信號產(chǎn)生遮擋、數(shù)據(jù)精度有限且易受突變誤差影響等缺點，主要應(yīng)用在公交車、出租車等場景。單一傳感器采集系統(tǒng)的應(yīng)用案例并不多，大多數(shù)還是使用多傳感系統(tǒng)。

2.2 不包含慣性傳感器的多傳感器系統(tǒng)

王媛[7]利用車載GPS、外部攝像頭等傳感器，獲取公交車外部交通信息和車速、方向等信息，建立BP-Adaboost模型識別公交車的急剎車、急轉(zhuǎn)彎等駕駛行為。Wang Ling等人[8]監(jiān)測駕駛員的生理、腦電圖等信號以確定疲勞狀態(tài)，利用車載攝像頭觀察駕駛員的行為，使用外部攝像頭監(jiān)測車輛位置，確定是否存在因分心或疲勞而導(dǎo)致的駕駛偏差。孫龍祥[9]構(gòu)建基于USB-CAN Tool軟件的多傳感器數(shù)據(jù)采集系統(tǒng)，通過截取視頻數(shù)據(jù)的幀圖像進行分心類別的標注，辨識多種分心駕駛行為。劉元昊等人[10]開發(fā)一套高速公路交通流數(shù)據(jù)采集系統(tǒng)，將毫米波雷達與雙目相機提取的信息進行最優(yōu)化估計，提高數(shù)據(jù)準確度。在多傳感器系統(tǒng)中，若未使用慣性傳感器，則離不開視覺傳感器。視覺傳感器主要缺點為無法識別急加速、急減速等駕駛行為。

2.3 包含慣性傳感的多傳感器系統(tǒng)

吳建清等人[11]利用慣導(dǎo)系統(tǒng)、眼動儀等傳感器采集車輛多模態(tài)數(shù)據(jù)，構(gòu)建危險駕駛行為指標，表征超速、急變速、急換道等危險駕駛行為。孫川[12]利用慣導(dǎo)系統(tǒng)、毫米波雷達等傳感器，對車輛運動狀態(tài)、駕駛員操作行為等信息實時監(jiān)控，建立基于置信規(guī)則庫推理方法的駕駛風(fēng)險辨識模型。楊軫等人[13]開發(fā)一款包含激光雷達、車載運動測量與組合定位等道路環(huán)境采集系統(tǒng)，用于識別加速、剎車等駕駛行為。Wu Minglin等人[14]利用九軸運動傳感器采集車輛運動信息，對正常駕駛行為和攻擊性駕駛行為進行分類識別，準確率高達93.25%。Ferreira等人[15]利用安卓手機的加速度計、陀螺儀等運動傳感器，開發(fā)駕駛行為識別的手機應(yīng)用，識別車輛的加速、制動等駕駛行為。

上述文獻的車載數(shù)據(jù)采集系統(tǒng)都包含陀螺儀和加速度計，技術(shù)路線有所不同，分為慣導(dǎo)系統(tǒng)和單獨使用慣性傳感器的兩種技術(shù)路線。已有研究成果證明，利用慣性傳感器能夠滿足不同駕駛行為識別的要求。慣導(dǎo)系統(tǒng)除了輸出加速度和角速度之外，還輸出經(jīng)緯度、姿態(tài)、速度等信息，輸出信息更加豐富。張春梅等人[2]僅利用慣導(dǎo)系統(tǒng)也能滿足駕駛行為識別要求，要求慣導(dǎo)系統(tǒng)精度優(yōu)于MEMS慣導(dǎo)系統(tǒng)，還要兼顧成本、可靠性。慣性傳感器與多種不同類型傳感器相結(jié)合，采集車輛多模態(tài)運動數(shù)據(jù)，在數(shù)據(jù)采集深度、多傳感器信息融合等方面還要開展更多的研究，充分發(fā)揮多傳感器系統(tǒng)的優(yōu)點。

3 基于數(shù)據(jù)驅(qū)動的駕駛行為識別方法研究進展

在以車輛運動信息表征駕駛行為的研究中，運動信息的多維度特點使得駕駛行為研究變得更加復(fù)雜。基于多傳感器的駕駛行為識別可歸結(jié)為模式識別問題，不同傳感器的時序數(shù)據(jù)是隨時間變化的數(shù)據(jù)點序列。駕駛行為識別方法關(guān)鍵在于以大樣本數(shù)據(jù)為基礎(chǔ)，建立精確、高效的識別模型。

隨著計算機硬件設(shè)備性能不斷提升，具有自學(xué)習(xí)能力的算法性能不斷提高，在非線性模型中能夠挖掘時間序列數(shù)據(jù)的內(nèi)在關(guān)聯(lián)，常見算法有支持向量機、神經(jīng)網(wǎng)絡(luò)等算法。朱興林等人[4]提出粒子群算法與支持向量機組合模型識別營運車輛的不良駕駛行為。Pavlo Molchanov等人[16]使用卷積深度神經(jīng)網(wǎng)絡(luò)融合短程雷達、深度傳感器等數(shù)據(jù)，在可變照明條件下識別駕駛員手勢。Yu Jiadi等人[17]采用支持向量機和神經(jīng)元網(wǎng)絡(luò)兩種方法訓(xùn)練智能手機傳感器數(shù)據(jù)，識別異常駕駛行為和正常駕駛行為。Mobyen等人[18]使用慣導(dǎo)系統(tǒng)和GPS采集車輛機動數(shù)據(jù)，使用神經(jīng)網(wǎng)絡(luò)、K-最近鄰等算法提取特征識別駕駛行為。神經(jīng)網(wǎng)絡(luò)算法相對簡單，具有較強的非線性映射能力和自學(xué)習(xí)能力，在處理大樣本數(shù)據(jù)時易陷入局部最優(yōu)。支持向量機算法能夠解決迭代過程中的過擬合問題，分類結(jié)果依賴于參數(shù)值的選擇，通常依靠研究人員的經(jīng)驗或者用其他算法確定參數(shù)值，實用性不強。

4 未來研究方向

駕駛行為識別方法能夠精確識別異常、危險等駕駛行為，提醒駕駛員采取正確的、合理的駕駛操作，可避免交通事故發(fā)生。本文從三個方面闡述基于車輛運動信息的駕駛行為識別方法研究進展，可為后續(xù)駕駛行為研究提供參考。未來可從以下五個方面開展深入研究：

（1）智能手機具有成本低、計算能力強等優(yōu)點，內(nèi)置加速度傳感器可以有效表征車輛加速度信息，還包含陀螺儀、磁場傳感器等傳感器，可組合多種傳感器，利用信息融合技術(shù)提升組合系統(tǒng)的精度。

（2）受限于多傳感系統(tǒng)的數(shù)據(jù)特征提取、數(shù)據(jù)規(guī)模等因素，對駕駛行為識別的準確性產(chǎn)生較大影響，深度學(xué)習(xí)算法在駕駛行為識別取得了很高的準確性。隨著大數(shù)據(jù)、人工智能等技術(shù)快速發(fā)展，深度學(xué)習(xí)算法可能會逐漸成為主流方法。

（3）駕駛行為受駕駛員的駕駛經(jīng)驗、生理狀況等因素影響。在高速公路中，駕駛行為還受疲勞駕駛、撥打/接聽移動電話等因素影響，疲勞駕駛是高速公路夜間交通事故的重要原因。當駕駛員情緒激動時駕駛行為較差，需要關(guān)注駕駛員的心理狀態(tài)。

（4）多傳感器系統(tǒng)能夠反映車輛運動信息，但無法反映車輛運行工況信息，比如發(fā)動機運行、車輛故障等信息。已有研究成果車輛運動信息與車輛狀態(tài)監(jiān)測并未統(tǒng)一考慮，需要增加車輛狀態(tài)監(jiān)測傳感器。

（5）在實際道路系統(tǒng)中，駕駛員所面臨的交通狀況要復(fù)雜很多，駕駛員要想全面獲得道路信息有時會很困難。比如，如何確定道路拐角被遮擋方向、鄉(xiāng)村開放道路等場景是否會有車輛突然來襲。不同環(huán)境建立的駕駛行為模型必定差異較大。比如，在山區(qū)環(huán)境中轉(zhuǎn)彎急剎車較多，在城市道路環(huán)境中轉(zhuǎn)向剎車、斑馬線剎車較多?？紤]駕駛行為使用場景這個因素，可以提高駕駛行為識別方法的適用性、魯棒性。

基金項目：湖南省自然科學(xué)基金項目資助（2022JJ60113）。

參考文獻：

[1]Chhabra R ， Verma S ， Krishna C R .A survey on driver behavior detection techniques for intelligent transportation systems[C]//2017 7th International Conference on Cloud Computing， Data Science & Engineering Confluence. IEEE， 2017.

[2]張春梅，劉岳，金瑩，等.光纖慣導(dǎo)車輛姿態(tài)識別系統(tǒng)及其誤差分析[J].飛控與探測，2024（2）：94-102.

[3]任慧君，許濤，李響.利用車載GPS軌跡數(shù)據(jù)實現(xiàn)公交車駕駛安全性分析[J].武漢大學(xué)學(xué)報（信息科學(xué)版），2014，39（06）：739-744.

[4]朱興林，丁雙偉，姚亮，等.基于軌跡數(shù)據(jù)的營運車輛不良駕駛行為辨識[J].甘肅科學(xué)學(xué)報，2024，36（02）：28-36.

[5]陸鍵，王可，蔣愚明.基于車輛行駛軌跡的道路不良駕駛行為實時辨識方法[J].交通運輸工程學(xué)報，2020，20（06）：227-235.

[6]Hsiao W C ， Horng M F ， Tsai Y J ，et al. A Driving Behavior Detection Based on a Zigbee Network for Moving Vehicles [C]//Technologies & Applications of Artificial Intelligence. IEEE， 2013.

[7]王媛.基于多源數(shù)據(jù)融合的公交駕駛行為識別與危害程度評價[D].大連：大連交通大學(xué)，2022.

[8] Wang L， Song F， Zhou T H，et al. EEG and ECG-Based Multi-Sensor Fusion Computing for Real-Time Fatigue Driving Recognition Based on Feedback Mechanism[J]. Sensors 2023， 23， 8386.

[9]孫龍祥.基于視頻檢測及車輛運行信息的駕駛員分心駕駛行為識別方法[D].淄博：山東理工大學(xué)，2023.

[10]劉元昊，張昱，劉杲朋，等.基于雷視一體機的交通流數(shù)據(jù)采集系統(tǒng)設(shè)計[J].計算機測量與控制，2022，30（03）：161-167.

[11]吳建清，張子毅，王鈺博，等.考慮多模態(tài)數(shù)據(jù)的重載貨車危險駕駛行為識別方法[J].交通運輸系統(tǒng)工程與信息，2024，24（02）：63-75.

[12]孫川.基于自然駕駛數(shù)據(jù)的車輛駕駛風(fēng)險辨識及控制研究[D].武漢：武漢理工大學(xué)，2016.

[13]楊軫，汪名選，劉帥.道路環(huán)境與駕駛行為數(shù)據(jù)同步采集系統(tǒng)研發(fā)[J].計算機測量與控制，2024，32（04）：210-218+225.

[14] Minglin W ， Sheng Z ， Yuhan D .A Novel Model-Based Driving Behavior Recognition System Using Motion Sensors[J].Sensors （Basel， Switzerland）， 2016， 16（10）.

[15] Ferreira J ， Carvalho E ， Ferreira B V ，et al. Driver behavior profiling： An investigation with different smartphone sensors and machine learning[J]. Plos One， 2017， 12（4）：1-16.

[16] Molchanov P ， Gupta S ， Kim K ，et al. Multi-sensor system for driver's hand-gesture recognition[C]//IEEE International Conference & Workshops on Automatic Face & Gesture Recognition. IEEE， 2015.

[17] Yu J ， Chen Z ， Zhu Y ，et al. Fine-Grained Abnormal Driving Behaviors Detection and Identification with Smartphones[J].IEEE Transactions on Mobile Computing， 2017：1-1.

[18] Ahmed M U ， Begum S .Convolutional Neural Network for Driving Maneuver Identification Based on Inertial Measurement Unit （IMU） and Global Positioning System （GPS）[J].Frontiers in Sustainable Cities， 2020， 2.