第３３卷第１０期２００７年１０月自动化学报ＡＣＴＡＡＵＴＯＭＡＴＩＣＡＳＩＮＩＣＡｖｏｌ３３，Ｎｏ．１００ｃｔｏｂｅｒ．２００７
驾驶行为智能分析的研究与发展
李力１王飞跃。郑南宁３张毅１
摘要越来越多的研究青认识到：深入地理解驾驶员的哿驶行为将有助于制定更为台理的交通法规和设计更加有效的智能驾驶导航系统，从而达到减少交通事故提高交通效率的目的．＝串＝文综述丫已有的尝试．较为完整地阐述，日前驾驶行为智能分析研究的叫个主要方向：纵向驾驶行为分析和避撞，横向驾驶行为分析和道路偏离预警，复杂驾驶行为学习以及朝驶员状态（疲劳、分心等）分析，并指出ｒ今后该领域（特别是国内）的可能发胜方向．关键词驾驶行为分析，驾驶安全，驾驶员状态分析中图分类号ＴＰＩＩ，ＴＮ９１１７，Ｕ４７１．１５
ＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔｓｏｆＩｎｔｅｌｌｉｇｅｎｔＤｒｉｖｉｎｇＢｅｈａｖｉｏｒＡｎａｌｙｓｉｓ
ＬＩＬｉｌＷＡＮＧｌｅｅｉ－Ｙｕｅ２ＺＨＥＮＧＮａｎ－Ｎ啦，３ＺＨＡＮＧＹｉｌＡｂｓｔｒａｃｔＩｔｉｓｗｉｄｅｌｙｒｅａｌｉｚｅｄｔｈａｔａｂｅｔｔｅｒｕｎｄｅｒｓｔａｎｄｉｎｇｏｆｔｈｅｄｒｉｖｉｎｇｂｅｈａｖｉｏｒｗｉｌｌａｌｌｏｗｍｏｒｅａｐｐｒｏｐｒｉａｔｅｒｏａｄｓａｆｅｔｙｐｏｌｉｃｉｅｓｍｕｄｍｏｒｅｅｆｆｅｃｔｉｖｅｉｎｔｅｌｆｉｇｅｎｔｄｒｉｖｉｎｇｇｕｉｄａｎｃｅｓｙｓｔｅｍｓｔｏｂｅｄｅｖｅｌｏｐｅｄ，ｐｏｓｓｉｂｌｙｒｅｄｕｃｉｎｇｔｒａｆｆｉｃｉｎｃｉｄｅｎｔｓａｎｄｃｏｎｇｅｓｔｉｏｎｓ．Ｂｙｃａｒｅｆｕｌｌｙｅｘａｍｉｎｉｎｇｔｈｅｃｕｒｒｅｎｔａｐｐｒｏａｃｈｅｓ．ｔｈｉｓｐａｐｅｒｐｒｏｖｉｄｅｓａｂｒｉｅｆｒｅｖｉｅｗｏｆｆｏｕｒｍａｊｏｒｉｓｓｕｅｓｉｎｔｈｉｓｆｉｅｌｄ：ｌｏｎｇｉｔｕｄｉｎａｌｄｒｉｖｉｎｇｂｅｈａｖｉｏｒａｎａｌｙｓｉｓａｎｄｃｏｌｌｉｓｉｏｎａｖｏｉｄａｎｃｅ｝ｌａｔｅｒａｌｄｒｉｖｉｎｇｂｅｈａｖｉｏｒａｎａｌｙｓｉｓａｎｄｌａｎｅｄｅｐａｒｔｕｒｅｗａｒｎｉｎｇ，ｃｏｍｐｌｅｘｄｒｉｖｉｎｇａｂｉｌｉｔｙｌｅａｒｎｉｎｇａｎｄｄｒｉｖｅｒｓｔａｔｕｓ（ｆａｔｉｇｕｅｔａｂｓｅｎｔｍｉｎｄｅｄｎｅ∞ｅｔｃ）［Ｍｌａｌｙ８ｈ．Ｔｈｅｌｉｋｅｌｙｆｕｔｕｒｅｄｉｒｅｃｔｉｏｎｏｆｔｈｉｓｒｅｓｅａｒｃｈｆｉｅｌｄ，ｐａｒｔｉｃｕｌａｒｌｙｉｎＣｈｉｎａ，ｉｓａｌｓｏｐｏｉｎｔｅｄｏｕｔｗｉｔｈａｓｐｅｃｉａｌｆｏｃｕｓｏｎｔｈｅａｄｖａｎｃｅｓ．ＫｅｙｗｏｒｄｓＤｒｉｖｉｎｇｂｅｈａｖｉｏｒａｎａｌｙｓｉｓ，ｄｒｉｖｉｎｇｓａｆｅｔｙ，ｄｒｉｖｅｒｓｔａｔｕｓａｎａｌｙｓｉｓ
１引言
过去２０年中，在持续增长的交通事故和交通堵塞压力Ｆ，以驾驶员／乘客为中心的智能汽车主动安全系统以及相关的新型驾驶传感器／控制器，正在美国、欧洲、日本以及世界范围内受到越来越多汽车及汽车附属产品制造商和大众消费者的关注【““．不断深入的研究和试验表明：实时监测和智能评估驾驶员的驾驶行为和驾驶状态，有助于及早发现可能的操作失误，避免交通事故的发生：同时提醒驾驶员采取更为合理的驾驶方案以提高车辆的行驶速度，提高交通效率．不仅如此，对于大量不同驾驶员的驾驶行为记录进行统计分析，也有助于制定更为合理的交通法规．例如近年来，统计分析老年人的驾驶行为进而完善相关的交通法规就得到了相当的重
收稿Ｒ期２００６－９－１５收修改稿同期２００７—３－８ＲｅｃｅｉｖｅｄＳＣｐｔｅｍｂｅｒ１５．２００６：ｉｎｒｅｖｉｓｅｄｆｏｒｍＭａｒｃｈ８２００７同家自然科学摹台（６０３３４０２０，６０３７４０５９），国家重点摹础研究敏展计划（９７３计划）（２００４ＧＧｌｌ０４００１．２００６ＣＢ７０５５０６）资助ＳｕｐｐｏｒｔｅｄｂｙＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（００３３４０２０，６０３７４０５９），Ｎａｔｌｏｎａ［ＢａｓｉｃＲｅｓｅａｒｃｈＰｒｏｇｒａｍｏｆｃｈｉｎａ（９７３Ｐｒｏｇｒａｍ）（２００４ＧＧｌｌ０４００１．２００６ＣＢ７０５５０６）１．清华信息科学与投术国家实验室（筹），清华人学自动化系北京１０００８４２中围科学院自动化研究所北京１０００８０３两安受通大学人Ｔ智能与机器人研究所两安７１００４９１．ＮａｔｉｏｎａｌＬａｂｏｒａｔｏｒｙｆｏｒＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌ－ｏｇｙ（ＴＮＬｉｓｔ），ＤｅｐａｒｔｍｅｎｔｏｆＡｕｔｏｍａｔｉｏｎ，ＴｓｉｎｇｈｕａＵｎｉｖｅｒｓｉｔｙ，Ｂｅｒｉｎｇ１０００８４２Ｉ衄ｔｉｔｕｔｅｏｆＡｕｔｏｍａｔｉｏｎ．ＣｈｉｎｅｓｅＡｃａＨｅｍｙｏｆＳｃｉｅｎｃｅｓ．Ｂｅｒｉｎｇ１０００８０３．Ｉ珊ｔｉｔｕｔｏｏｆＡｒｔｉｆｉｃｉａｌＩｎｔｅｎｉ．ｇｅｌｉｃｅａｎｄＲｏｂｏｔｉｃｓ．Ｘｉ’ａｎＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ７１００４９ＤＯＩ：１０１３６０／ａ舶－００７－１０１４视｜３￣”
幽１驾驶员生理心理状态和驾驶行为发车辆行驶行为的关系Ｆｉｇ．１Ｔｈｅｒｅｌａｔｉｏｎｓｈｉｐａｍｏｎｇｔｈｅｐｓｙｃｈｏｌｏｇｉｃａｌ／ｐｈｙｓｉｏｌｏｇｉｃＭｓｔａｔｕｓａｎｄｄｒｉｖｉｎｇｂｅｈａｖｉｏｒｏｆｔｈｅｄｒｉｖｅｒａｎｄｒｅｓｕｌｔｉｎｇｖｅｈｉｃｌｅｄｙｎａｍｉｃｓ
如图１所示，驾驶员的驾驶行为由其生理状况和心理活动所决定，并同时产生相应的车辆行驶行为．由于直接观测和定量描述驾驶员的驾驶行为较为困难，目前不少研究者利用车辆行驶行为或驾驶员的非驾驶行为间接分析．大致来说，该领域主要有以ｒ四个研究热点：１１纵向驾驶行为分析：近年来各国的交通事故统计数据表明，追尾碰撞占所有车辆碰撞事故的相当部分【８】．圜此，如何帮助驾驶员保持安全的行车间
距被视为智能驾驶导航系统的一项基本功能【１‘９１．而
万方数据１０期李力等：驾驶行为智能分析的研究与发展１０１５
分析建模驾驶员的加速一刹车操作特性与跟车习惯则是任何智能避撞系统需要仔细研究的课题［”“２１．２）横向驾驶行为分析：在能见度差（有雨雾或夜晚）、路面状况差（下雨路滑或道路施工）、道路坡度大或者转弯半径小等不利情况ｒ，不少驾驶员特别是初学驾驶者很容易做出不合适的拐弯操作，造成车辆冲出道路的严重事故．所以，如何协助驾驶员进行拐弯是智能导航系统又一项基本功能ｉ”Ｊ．而驾驶员拐弯特性的分析和建模则是该研究的关键［１４，１５】．３）复杂驾驶行为学习：随着智能控制技术和计算机软硬件的发展，不同类型全自动智能汽车的开发研制取得了空前的发展【１，２，”】．如何让智能汽车更多地从人类驾驶员的驾驶行为中“学”到更多驾驶技术和驾驶形势判断及决策经验是近年来持续的研究热点．此外，如何提取驾驶行为共性，引导初学者迅速掌握驾驶技术也得到了相当的关注㈤．４）驾驶员状态分析：驾驶员的生理心理状态与驾驶行为的质最密切相关【…．统计表明：疲劳驾驶、酒后驾驶、驾驶时分心（如驾驶时拨打／接听移动电话】正成为越来越多交通事故的起冈［１９“２３】．新一代的智能驾驶导航系统必须准确判断出驾驶员的兴奋程度，以采取合适的辅助措施．例如发现驾驶员过于疲劳时应提醒或强制驾驶员适当休息：驾驶员情绪过于激动（发怒、忧伤等）时采取适当辅助策略，避免产生攻击性碰撞．本文依次综述了驾驶行为分析这一交叉前沿研究在上述四个方向的研究进展，比较分析了各相关技术的原理和特点，并指出了今后研究的若干难点和可能的解决方向，以推动其在国内的研究，进一步促进我国的交通发展．
２纵向驾驶行为智能分析
正确确定前导车辆和本车的安全车距和实际车距是评估驾驶员纵向驾驶行为的前提条件．在过去２０年中，通过车载毫米波雷达或者激光测距仪探测实际车距的技术得到了长足的发展很多试验车都可以达到０．１—０．２米以Ｆ的测量精度．而车载视觉系统也常被用于校正获得的实际车距，尤其是在弯道及交叉路口等较为复杂的路况Ｆ．对于车辆与道路的情况而言，确定安全车距通常有下列ｐ司素需要考虑：１）车辆质量的变化：例如挂有满载拖车的车辆通常比不挂拖车时需要增加２０％到３０％的刹车距离；２）道路坡度的变化：这往往需要结合发动机输出功率和ＧＩＳ信息判断；３）轮胎路面状况的变化：有水／雪或者结冰的路面需要比平时更长的刹车距离，轮胎故障则会急剧改变车辆安全刹车距离．冈此，在线监测轮胎路面摩擦情况的变化正引起越来越多研究者和轮胎制造商的兴趣口ｑ．从驾驶者的角度，通常需要考虑：１）天气等引起的能见度变化；２）驾驶员兴奋度的变化．由于驾驶环境复杂多变，辅助驾驶系统往往需要综合各种情况进行智能信息融合和智能决策．例如，正确判断出车辆仅仅是通过了一片被（洒水车等）打湿的路面，而非驾驶员突然改变了驾驶行为，在假定已经通过传感器正确识别出外界环境和车内驾驶员种种变化的基础上，研究者提出了很多综合安全车距计算公式和车辆跟随模型来描述驾驶行为［２５“２ｑ．其中纵向驾驶模型常被设计为如图２所示的随动系统，其中参考输入为期望的安全车距，输出为现实的安全车距．驾驶者根据两者的差值控制油门或分档以及刹车进行跟随．例如二阶滞后频域模型（１）就可以通过不同模型参数反应不同驾驶员的驰豫时间长短，反应速度快慢和超调大小等特性
ＧＬ。。融ｕｄｔ。ａｌ（ｓ）＝ｎｂ：２。ｓ：２＋－ｂｎｂｌ。ｓ。＋＋ｂ。ｏ：８…（１）
其中ａｔ，坟，ｒ分别代表相应的模型参数，可根据实际测得的驾驶数据辨识得出．
幽２纵向驾驶控制模型Ｆｉｇ．２Ｔｈｅｌｏｎｇｉｔｕｄｉｎａｌｄｒｉｖｉｎｇｃｏｎｔｒｏｌｍｏｄｅｌ
为了分析更为复杂的驾驶动作，高阶复杂模型，例如切换系统，被越来越多地用于建立不同速率Ｆ的纵向驾驶建模［２８，２９］．如何去除数据中测量噪声和人类驾驶员动作不精确性带来的干扰是当前研究的热点．Ｋａｌｍａｎ滤波器、神经网络滤波器、小波算法等都是常用的去噪手段．针对同一路段同一驾驶员的多次驾驶记录进行统计处理也能较好地找出其中规律［３０“３２１．然而需要指出的是，如何根据实际驾驶环境智能区分哪些是短期临时的驾驶行为，哪些是长期稳定的驾驶行为依然十分困难．使用模糊控制系统描述纵向驾驶行为是另一经常用到的方法．该方法可以首先根据驾驶者提供的语言规则较快地建立初步的控制模型，然后逐步修改模糊控制的论域、隶属度函数形状等提高模型的精度．例如ＩＦ相对速度较快
ＡＮＤ相对加速度较快
万方数据１０１６自动化学报３３卷
ＡＮＤ相对距离较短ＴＨＥＮ以较快的相对加速度降低相对速度不同的驾驶者往往具有基本一致的语言规则和由不同隶属度函数表示的驾驶个性．其优点在于既能提炼驾驶共性，义能兼顺不同个人驾驶特性．而且模糊逻辑对于处理数据的不确定性也有一定效果．相应地，基于模糊神经网络的纵向驾驶建模近年来也得到了较多的应用．后者的特点在于将提高模型精度的优化过程转变为相应神经网络的训Ｉ练过稗㈣，但如何合理挑选训练样本以及解决神经网络的过设计（Ｏｖｅｒ－ｄｅｓｉｇｎ）和过训练ｆＯｖｅｒ—ｔｒａｉｎｉｎｇ）的问题依然需要深入的研究．在获得较为精确的模型后，智能考核系统统常会对驾驶员（特别是初学者１的纵向驾驶行为进行在线统计评估，通过模拟仿真，那些导致过短的车距或跟随车距变化方差过大的驾驶模型（行为）都会被视为危险驾驶模型（行为）而向驾驶者提出警告和改进意见，以求达到防患于未然的目的，同时，如果在线检测出驾驶员的驾驶模型参数发生急剧重大变化，则有可能表示驾驶员处于危险的状态（如醉酒等）．此外，在何种紧急情况ｐ汽车应切入全自动驾驶（特别是采取刹车动作）也引起了研究者的强烈兴趣．混合加速一刹车导航系统的研究正成为纵向智能驾驶系统的新热点．
３横向驾驶行为智能分析
类似地，驾驶员横向驾驶行为分析的首要任务是及时获得期望中的和实际的转弯轨迹，以便对车辆的横向运动进行准确的评估．目前，多数试验车辆都采用视觉传感器或磁感应传感器获得道路的精确拐弯半径等数据，并取得了良好的效果ｐ４’３剀．车辆横向转弯动力学特性同样受到车辆质量和轮胎路面状况的制约㈣，但更值得注意的依然是驾驶员的状态和驾驶习惯；冈为相对于纵向跟随，驾驶员更容易在横向转弯中出现错误的估计和操作［１４，１５·３６·３８…４５】．不同于纵向驾驶建模，一般将横向驾驶建模为干扰抑止系统，其中道路曲率变化作为干扰输入，车辆和道路中心线的偏角和车辆绕重心的转动角速度作为输出，驾驶员控制转盘，也即车辆转向角度，进行控制ｆ参见例３）．由于有着较为成熟的辨识算法和应用经验，多阶滞后频域模型和模糊控制模型仍是展为常用的模型１１３，４“４５１．同时由于横向转弯较纵向跟随更为复杂，辨识所用的模型一般也更为复杂（如具有更高阶数的频域模型）．例如ＧＬ～ｍ（。）＝面吒ｂ４ｓｉ４＋啄ｂ３ｓ３≯＋ｂｉｚｓ２＋≯ｂｌ丽ｓ＋ｂｏ
ｅ－－２，７９（２）值得指出的是，在纵向驾驶行为建模时，一般可以忽略横向驾驶行为，简化所得模型；而枉横向驾驶行为建模时，则需要对各种不同的纵向行驶速度分别辨识不同的模型．冈此式（２）中的参数毗，ｂｔ随纵向行驶速度显著改变；而式（１）中的参数啦，ｂ。随纵向行驶速度改变较为缓慢．此外、由于横向驾驶模型通常要求有比纵向驾驶模刑更高的速率敏感性，切换模型和规则混合型模型的使用更为常见．
幽３横向铝驶控制模型Ｆｉｇ．３Ｔｈｅｌａｔｅｒａｌｄｒｉｖｉｎｇｃｏｎｔｒｏｌｍｏｄｅｌ
基于测晕数据辨识出相应的参数后．智能导航系统常将理想的转弯轨迹作为参考对实际产生的转弯轨迹进行评估．经常导致偏离道路中心线较多或车辆转动角速度过大等都会被视为危险驾驶行为而向驾驶者提出改进意见而当系统发现转弯时转向角度过小可能冲出道路：或者直道行驶时车辆行驶方向开始严重偏离道路中心线则应及时报警，并切入自动驾驶状态，避免事故的发生．不仅如此，在新型的“Ｓｔｅｅｒ—ｂｙ—Ｗｉｒｅ”控制器的辅助Ｆ，智能导航系统还可以识别不同驾驶者的手臂力量及驾驶习惯，根据车速适度地调节转盘和车辆转向轴的齿轮比，从而达到高速Ｆ转弯更为灵敏省力以及个性化驾驶的目的【２，目．神经网络等常被用于完成此项功能．如何进一步将目前主要基于视觉的智能导航系统和ＧＰＳ／ＧＩＳ系统无缝集成，从而提供更多更强功能，例如根据前方弯道半径和坡度判断当前车速是否过快的功能，是今后的一个主要研究方向【“．
４复杂驾驶行为分析
上述纵／横向驾驶分析只是对两种比较简单的驾驶行为进行了研究，而驾驶员实际面对的情况往往要复杂的多．首先，如何全面地获取相关道路信息有时相当困难，例如如何确定道路拐角被建筑物遮敲的方向是否有车辆驶来．其次，如何针对具体的道路环境做出正确的决策往往具有相当难度．例如当发现路障时，是应该采取换道、转弯还是直线刹车，对于人类驾驶员很容易判断，而试验中的全自动智能汽车尚不能很好的处理Ｍ４剐．如何从人类驾驶员的驾驶行为中提炼出智能汽
车可以理解并执行的复杂情况ｒ的驾驶能力是近年
万方数据