驾驶行为预研报告人工智能-于海悦2018年5月3日1.驾驶行为分析：驾驶行为的分析和研究，通常是作为其他车内应用的支撑技术而存在的。

例如车道偏离预警(1ane departure warning，LDW)、车道保持(1ane keeping，LKS)、巡航控制系统(adaptive cruise control，ACC)，都使用了相关的技术。

模型或理论：1938年：安全行驶区域理论1964年：紧张或焦虑状况下自调整驾驶模型1974年：零危险模型1977年：主被动安全模型1980年：推理行为理论1982年：危险自平衡理论1983年：人行为能力模型1984年：威胁规避模型1985年：规划行为理论1988年：阶梯型危险模型1988年：激励建模方法1989年：生成规则模型/基于规则模型1992年：内模型2000年：任务容量界面模型1)驾驶员外部特性按照研究对象的不同，可以分为两类：针对特定信号的研究、以及针对特定场景的研究。

针对特定信号的研究，主要是通过分析某一传感器所获得数据，进而研究与其相关联的特定驾驶行为。

例如，通过分析方向盘夹角和刹车，判断驾驶员注意力是否集中、是否醉酒；通过分析眼睛注视位置，判断驾驶员的操作序列是否合理。

针对特定场景的研究，则是考察最容易出事故的驾驶环节。

通常会对这些场景、以及场景中的操作进行数学建模，进而描述和评定驾驶行为。

常见的场景有停车、超车、变道等。

2)驾驶认知行为建模，这一类的研究，主要是将认知学的理论应用到驾驶行为研究领域。

其研究目标是通过分析驾驶操作的内在机理，从本质上解释和理解驾驶行为，完成建模。

由于人类对自我处理机制的理解还不够深刻，因此其建模结果很难用实验验证其准确性，更多的只能从定性的层面上对行为进行阐述。

3)驾驶心理研究，该类方法主要是通过调查问卷的方式，由驾驶员自己主观的进行自我评价，大致分为违规(violations)和失误(errors)两类。

违规操作指的是驾驶员在明知危险的情况下故意执行的行为，通常用来评价驾驶风格；失误操作则是无意识中做出的危险操作，通常用来评定驾驶水平。

基于驾驶模拟器的数据采集和驾驶行为识别：驾驶模拟器，通常指的是那些能够提供虚拟驾驶环境的机器。

通过3D仿真软件，模拟汽车的真实行车环境；通过传感器，完成驾驶相关数据采集，并将这些信号的变动如实的反映到虚拟驾驶场景中。

汽车的各项数据经由两种方式完成传递：传感器数据经由特殊的总线传输，并最终转换为数字信号为程序所使用：场景信息则以消息的形式在软件内部传递。

这两种相异的传递方式为数据的采集带来了一定的困难。

在驾驶模拟器内，数据的传输并不单单只在汽车总线内部，会在程序间，和网络间传输。

在多驾驶模拟器的环境下，通常需要将数据发送到局域网内，供其他机器上的应用使用。

最重要的是：数据采集模块、驾驶行为模块、服务模块。

数据采集模块主要是实现驾驶数据的收集和保存，构建模型训练的原始数据，同时为驾驶行为识别模块提供特征向量序列。

驾驶行为模块提供了两个功能，其一是完成模型的最初训练，其二是为上层应用提供实时的识别结果。

服务模块，则是构建在驾驶行为模块之上，利用识别的结果实现相应的功能。

• 驾驶员识别: 用行为信号对一个驾驶员进行识别是一个最有趣的车载信号处理的问题。

在这项研究中, 我们使用的是驾驶行为信号, 如车速、加速踏板的压力、制动踏板压力以及与进行驾驶员识别的前车之间的距离。

首先, 我们研究了这些信号的特点, 并提出一组选定的驾驶统计数据, 然后我们定义了一个统计驾驶员识别系统并通过实验来评估这个系统。

• 驾驶状态识别: 分心条件对驾驶员造成严重的安全问题。

有研究表明,近80% 的交通事故的发生是由于驾驶员注意力不集中, 这通常是注意力分散的结果。

车辆的导航系统和其他服务引进了许多辅助驾驶任务, 可能增加事故风险。

因此,开发一种干扰检测方法来减少分心的影响, 对车载系统将是非常有益的。

在这项研究中, 驾驶实验在一些干扰环境下完成, 可以认为是如上所述的辅助驾驶任务。

这些任务是手机对话, 包括路线导航、网上银行、在线乘客交谈以及招牌和车牌阅读。

我们研究了在不同驾驶任务时驾驶行为信号的统计特性, 这些任务定义为分心条件下。

然后, 我们尝试使用统计分类检测分心条件。

• 驾驶员行为识别: 在交通事故中, 人为因素发挥了很大的作用。

预测驾驶行为是一个重要的问题, 因为它对减少人为造成的事故有显著效果。

驾驶员的行为与过去的动作密切相关, 所以在这项研究中, 我们用驾驶员过去的行为信号构建一个驾驶员的驾驶行为预测模型。

驾驶行为预测模型包括隐含 HMM 的时间聚类和每个时间片段的最小均方误差 (MMSE) 估计。

我们还研究了道路条件和分散注意力的条件对预测模型的影响。

建立了一个使用 HMM 结构的所有驾驶信号的时间聚类分析模型，采用线性预测, 来预测所需的时间段内的驾驶行为信号。

状态序列定义了时间段的边界, 它通过维特比算法来决定。

我们构造特征矢量 d( n) = [ b( n), g( n), v( n)], 其中 b、 g、 v 分别代表从制动踏板的压力信号、加速踏板的压力信号和相应时间段的速度信号中直接抽取的样本。

通过结合驾驶员的驾驶行为样本中 p 个过去的样本, 构建了一个时间特征矢量x n, x n=[d(n-1),d(n-2),…d(n-p)]驾驶员识别的结果：不同驾驶员在如何使用加速和制动踏板以及他们跟车时保持多少距离方面的表现都不同。

所有行为信号最好的鉴定结果是通过有16 个混合、超过 8 ~ 10min 的决定窗口使用 GMM 分类器获得的。

单峰驾驶员识别率都低于 60% , 这意味着驾驶员识别系统有改进的余地。

决策融合方法显著地提高了系统性能。

4）驾驶任务可以看作由三个层次的控制行为所组成，抽象程度由高到低分别为驾驶战略(strategic)、驾驶策略(tactical)和驾驶操作(operational)。

驾驶策略对应于一个长时间的目标,如一次旅行。

驾驶策略则短一些，指的是驾驶员针对特定车况做出的反应，如跟车、变道、超车、转向等。

驾驶操作则对应于最小时间内的操作，如踩刹车、转动方向盘等。

驾驶行为有如下两种特点：1)驾驶行为可以理解为一种层级结构，高层次的行为，是由其低层次的行为序列构成的；2)每一层的行为可以看作一系列的状态，状态之间的转换则符合统计学概率。

基于HMM的驾驶行为识别结果已经用到了路径识别(route recognition)、驾驶员识别(driver identification)和注意力检测(distraction detection)中。

这些应用分别对应与语音识别应用中的对话识别(speech recognition)、说话人识别(speaker identification)和说话压力检测(stress detection)。

利用HMM的驾驶行为识别研究中，主要分为两大类:自项向下的建模和自底向上的建模。

隐马尔科夫模型(HMM)是关于时序的概率模型,描述由一个隐藏的马尔科夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测而产生观测随机序列的过程。

其中，隐藏的马尔科夫连随机生成的状态序列，称为状态序列(state sequence)；每个状态生成一个观测，而由此产生的观测的随机序列，称为观测序列(observation sequence)。

序列的每个位置可以看作一个时刻。

每个隐马尔科夫模型可以看作一个三元组，由初始概率分布、状态转移概率分布以及观测概率分布确定。

通常情况下，观测概率分布都是离散的，这种模型也被称为离散隐马尔科夫模型(DHMM)。

但在实际的应用当中，特征经常无法聚类到有意义的离散点上。

在这种情况下，强制离散化会造成模型精度不准，而原有的离散模型则无法满足建模的需求。

为此，学者们引入了连续的隐马尔科夫模型(CDHMM)。

确定好模型后，则需要利用数据对模型进行训练。

关于驾驶元素的定义并没有公认的标准，因此无法为每一个驾驶行为人为定义准确的隐状态个数。

为此，在具体进行模型训练时，需要采用枚举实验的方式，确定最合适的HMM结构以及参数。

枚举的参数有两个：一个是隐状态的个数，变化范围为1~4；另一个则是每个隐状态对应的高斯混合模型的个数，变化范围为l~2。

最后，通过识别效果，来确定最终的模型参数。

5）特征选取以及驾驶策略选取：数据中所包含的特征只有速度、方向盘夹角、转向灯状态。

为此，需要对其进行一定的扩展，形成模型的输入特征向量。

特征向量：驾驶策略：6）模型训练：特征文件的准备，要编写程序将数据源转换为其特定的特征文件；标注文件，每一行的数据以<起始时间，结束时间，标记类型>的形式给出对应数据的标注接下来就是HMM的模型定义。

在实际使用时，由于并不清楚什么样的模型更加精确，因此使用了多个模型对同一驾驶策略进行训练，分别枚举了隐状态个数以及高斯混合模型的个数。

每个驾驶策略都对应了一系列的HMM模型。

HMM的训练，其实就是对于参数的估计，由以下的三个阶段来完成：参数进行初始化，独立模型的迭代，连续模型的迭代。

模型的评判标准，Precision(准确率)和Recall(召回率)是两种常用的评价模型性能的指标，前者量化的是识别结果有多少是准确的，后者量化的是有多少正确结果被识别出来了。

7）相关应用：风险分析识别，一种趋势是将识别的目标变小，从复杂的路径预测，缩小到简单的状态检测，如注意力、醉酒等；另一种趋势，则是利用越来越丰富的传感器数据，使用机器学习理论去建模和分析。

前者在许多实际的应用中取得了良好的结果，但各个识别方法互相独立，难以在理论上整合在一起；后者则是目前该方向的研究热点，近年许多工作都采用了这种方法。

实现策略：为了构建这样的识别模型，需要将训练数据进行划分，分为标准的驾驶策略和不良的驾驶策略；之后，使用两种数据，分别对安全和危险模型进行训练。

本文对于数据的划分，基于如下的假设：驾驶风格良好的驾驶员，总是倾向于做出较好的驾驶操作(从概率上来说，确实如此)；反之，驾驶风格较差的驾驶员，其操作也大多危险。

结果评估及分析：风险分析识别结果的好坏，取决于应用能否准确的识别出危险的操作，同时不能做出太多的误判。

前者对应于准确率，后者对应于召回率。

最终，驾驶策略的F值都保持在60％左右，并不是特别理想。

在实际应用时，亦会发生漏判和误判的情况。

发生这种问题的原因，很可能是出在训练集的构建上。

由于，对于安全和危险数据的划分，只是基于驾驶风格的假设，因此训练数据中会存在较多的错误数据，毕竟优秀的驾驶员也不能保证所有时刻操作都是标准的。

随着数据的不断增加，这一假设将会越来越符合实际。

通过分析方向盘信号的波动来检测驾驶员是否醉酒或者精力不集中；通过GPS信息确定当前位置，获取当前道路的限速、信号灯等信息，给出警告；检测与前方行驶车辆的车距等。