0 引言

    在過去幾十年，道路交通事故每年造成近130萬人死亡、5 000萬人傷殘^[1]，約85%的交通事故與人為因素有關(guān)，研究駕駛員行為有助于改善道路交通安全。

    傳統(tǒng)的交通檢測系統(tǒng)主要采用雷達(dá)、超聲波、紅外線、聲頻及視頻圖像等技術(shù)，設(shè)備成本過高。駕駛行為研究基礎(chǔ)實驗室即駕駛模擬器，可以采集多樣化的數(shù)據(jù)，但數(shù)據(jù)真實性欠佳^[2]。

    研究駕駛?cè)诵袨樾枰囝愋畔⒌娜诤?，對于不同的信息可以提出不同的評價指標(biāo)，如方向盤轉(zhuǎn)角標(biāo)準(zhǔn)差、加速度變化反映駕駛?cè)藢囕v的控制力，加速度反映汽車的油耗，方向盤轉(zhuǎn)角熵、眼動等情況反映駕駛?cè)说钠?、酒駕狀態(tài)^[3-6]。評價安全駕駛的模型是一個復(fù)雜的系統(tǒng)，國內(nèi)外很多學(xué)者專家成功地將模糊邏輯理論運用到了駕駛?cè)诵袨榉治龅哪Ｐ椭小?965年，扎德（L A Zadeh）教授首次提出了基于模糊集合論（Fuzzy Sets）的模糊邏輯^[7]。Ryan A. McGee等人基于駕駛?cè)肆?xí)慣構(gòu)造模糊隸屬度函數(shù)，建立自適應(yīng)模糊邏輯系統(tǒng)，能夠準(zhǔn)確地預(yù)測駕駛?cè)耸褂醚埠较到y(tǒng)的偏好程^[8]。Won M等人把模糊推理系統(tǒng)集成到一個交通阻塞控制算法中，有效地減少了交通阻塞^[9]。咸化彩用模糊網(wǎng)絡(luò)分析法建立了次任務(wù)安全駕駛等級評判模型，并用實驗數(shù)據(jù)驗證了模型的有效性^[10]。

    研究中自主搭建車輛CAN數(shù)據(jù)采集平臺，以乘車安全性為主，乘車舒適度和機動車油耗量為輔3個指標(biāo)評價駕駛員的綜合素質(zhì)，實測數(shù)據(jù)證明了此模型評判安全駕駛的有效性。

1 確定安全駕駛評價的參數(shù)

1.1 數(shù)據(jù)的采集

    CAN（Control Area Network）是一種總線式拓?fù)浣Y(jié)構(gòu)的通信協(xié)議，主要用來控制車量內(nèi)部各ECU之間通信的有序進(jìn)行。

    研究中，以CAN總線協(xié)議為基礎(chǔ)，使用數(shù)據(jù)采集模塊Openxc-vi(OpenXC vehicle interface)取代多種懸掛式傳感器，在微軟的Surface 4電腦上Windos10系統(tǒng)下搭載汽車測試平臺。平臺中，Openxc-vi與汽車診斷口OBD(On-Board Diagnostic)連接，PC端與Openxc-vi用藍(lán)牙無線連接，采集信息時，PC端通過串口讀取Openxc-vi采集到的協(xié)議幀并解析獲取所需要的信息數(shù)據(jù)存儲到本地，包括：方向盤轉(zhuǎn)角、經(jīng)緯度、發(fā)動機速度、車速等20余項數(shù)據(jù)。CAN數(shù)據(jù)采集平臺示意圖如圖1。

    從實測CAN數(shù)據(jù)中提取GPS經(jīng)緯度，汽車方向盤轉(zhuǎn)角，車速繪制如圖2、圖3所示，顯然圖2谷歌地圖上汽車的行駛軌跡與圖3汽車方向盤轉(zhuǎn)角和速度變化匹配完美。

1.2 評價安全駕駛的指標(biāo)因素

    模型中，對于乘車安全性和乘車舒適度從方向盤轉(zhuǎn)角熵值H_(θ)、方向盤轉(zhuǎn)角速率V_θ、車輛速度熵值H_(v)、加速度絕對值|a|、加速度強度(加速度變化率)V_a 5個因素分析，只是針對不同的指標(biāo)各個因素所占權(quán)重不同，其中，本文創(chuàng)新性地改進(jìn)了方向盤轉(zhuǎn)角熵值H_(θ)，提出了機動車速度熵值H_(v)。

其中P_i為偏差值e_(n)分布在各區(qū)間的概率。

    改進(jìn)后的SE放大了不同熵值的離散度即可以將評價等級劃分得更加明確，評判結(jié)果更加準(zhǔn)確。

    對于機動車油耗量考慮正加速度a、引擎轉(zhuǎn)速與機動車速度的比值φ兩個因素。本模型中提到的引擎轉(zhuǎn)速與機動車速度的比值φ從某種程度表征汽車的牽引力，其基本與機動車的油耗量正相關(guān)。研究中采集數(shù)據(jù)分析得到加速度a與油耗量的關(guān)系，繪制如圖4所示，當(dāng)車輛處于減速狀態(tài)(a≤0 m/s²)時，油耗量基本穩(wěn)定，當(dāng)車輛處于加速狀態(tài)(0<a<1.3 m/s²)時，油耗量呈上升趨勢且上升逐漸增快，當(dāng)車輛加速度達(dá)到一定值(a≥1.3 m/s²)時，油耗量逐漸穩(wěn)定。

    引擎轉(zhuǎn)速與車速的比值φ與油耗量的關(guān)系如圖5所示，當(dāng)比值逐漸增大(0<φ<160)即車輛的牽引力逐漸增大時，油耗量呈明顯上升趨勢，當(dāng)比值達(dá)到一定程度(φ>160)，油耗量呈穩(wěn)定狀態(tài)。

    以駕駛?cè)说木C合素質(zhì)為目標(biāo)層，3個評價指標(biāo)為指標(biāo)層，7個因素為因素層，得到評價模型的遞階層次結(jié)構(gòu)如圖6所示。

2 建立評價模型

    模型中采用改進(jìn)的模糊層次分析法(F-AHP)建立評判駕駛?cè)司C合素質(zhì)的模型。先利用層次分析法求取單因素權(quán)重向量Q(各因素的權(quán)重構(gòu)成的向量)，然后結(jié)合模糊邏輯建立的隸屬度函數(shù)求取單因素模糊判斷矩陣R(各因素隸屬度向量構(gòu)成的矩陣)，最后結(jié)合最大隸屬度原則對模型求解評定駕駛?cè)说木C合素質(zhì)以及駕駛安全。

2.1 求取單因素權(quán)重向量

    20世紀(jì)70年代美國匹茲堡大學(xué)Satty T L教授提出了層次分析法AHP(Analytic Hierarchy Process)。該方法首次將定性分析與定量分析結(jié)合在一起，首先請專家針對不同評價層次中的指標(biāo)進(jìn)行評價，建立相應(yīng)的判斷矩陣，然后通過求矩陣特征值的辦法確定出指標(biāo)的權(quán)重即單因素權(quán)重向量^[11]。

    判斷矩陣表示本層所有因素對于上層某一因素相對重要性的比較。這里采用Santy的1-9標(biāo)度方法，以自然數(shù)1到9對因素的重要性進(jìn)行標(biāo)度，即判斷矩陣A中元素a_(ij)表示因素a_i對于上層某一因素相比于a_j的重要度，數(shù)值越大則a_i比a_j越重要。

    求取指標(biāo)層行車安全性a₁，乘車舒適度a₂以及機動車油耗量a₃這3個指標(biāo)對于評價駕駛員綜合素質(zhì)的權(quán)重，結(jié)合資深專家，駕駛員等給出的建議構(gòu)造判斷矩陣A如式(3):

    求取矩陣A的最大特征值對應(yīng)的特征向量歸一化后得單因素權(quán)重向量Q₁，即為3個指標(biāo)a₁，a₂，a₃對于駕駛?cè)司C合評價所占的權(quán)重：

且通過一致性檢驗，由式(4)可知，乘車安全對于綜合素質(zhì)而言所占權(quán)重遠(yuǎn)遠(yuǎn)高于另外兩個指標(biāo)，因此評價駕駛?cè)说木C合素質(zhì)很大程度上反應(yīng)了對安全駕駛的評判。

    求取因素層對于指標(biāo)層的權(quán)重，過程與上述求指標(biāo)層權(quán)重類似，對于安全性a₁，本文考慮方向盤轉(zhuǎn)角熵值H_(θ)、機動車速度熵值H_(v)、方向盤轉(zhuǎn)角速率V_θ、加速度強度(加速度變化率)V_α和加速度的絕對值|α|5個因素，層次分析法求得因素層7個因素依次為φ、α、H_(θ)、H_(v)、V_θ、V_α、|α|所占權(quán)重構(gòu)成的單因素權(quán)重向量為：

2.2 求取單因素模糊判斷矩陣

    單因素的模糊判斷模型要求先對駕駛?cè)司C合素質(zhì)的評價先建立一個評語集，本模型中建立的評語集為：

    單因素模糊判斷是指單獨從一個因素出發(fā)進(jìn)行評價，以確定評價對象對評語集的隸屬程度，首先利用隸屬度函數(shù)確定駕駛過程中一個因素的隸屬度向量，同樣的計算方法計算駕駛過程中其他因素的隸屬度向量^[10]，這些向量構(gòu)建成一個矩陣叫做單因素模糊判斷矩陣。

    本文采用先采用3?啄原則剔除異常數(shù)據(jù)，再對數(shù)據(jù)進(jìn)行歸一化處理如式(10)避免大數(shù)覆蓋小數(shù)的情況：

    本模型采用指派方法根據(jù)歸一化處理后X值分布的離散程度建立兩組不同的正弦函數(shù)作為隸屬度函數(shù)。對于轉(zhuǎn)角熵值H_(θ)，速度熵值H_(v)和引擎轉(zhuǎn)速與車速的比值φ，這三個因素X的樣本值分布的離散度比較大，建立隸屬度函數(shù)如式(11)：

    對于方向盤轉(zhuǎn)角速率V_θ、加速度絕對值|α|、加速度強度（加速度變化率）V_α、正加速度α這4個因素X樣本在分布比較集中建立隸屬度函數(shù)如式(12)：

其中：r₁表示隸屬度屬于“很好”；r₂表示隸屬度屬于“好”；r₃表示隸屬度屬于“一般”；r₄表示隸屬度屬于“差”；r₅表示隸屬度屬于“很差”；X表示因素歸一化后的樣本值。

    隸屬度函數(shù)建立以后，先取因素轉(zhuǎn)速與車速的比值φ歸一化處理后的樣本值X，代入其所對應(yīng)的隸屬度函數(shù)式(11)得到這個因素的評判隸屬度向量：

3 實驗驗證

    本文選取2名不同駕齡的駕駛?cè)笋{駛同輛車跑過相似路段采集的信息數(shù)據(jù)，駕駛?cè)薃為駕校教練，駕駛?cè)薆為“實習(xí)”司機。

    用單因素權(quán)重向量Q乘以R_A得最終的綜合素質(zhì)等級評判的隸屬度向量δ_A：

    根據(jù)最大隸屬度原則，在評判集δ_A中，0.5523最大，其等級屬于“好”，因此A駕駛員的綜合素質(zhì)以及安全駕駛等級評定為“好”。仔細(xì)觀察判斷矩陣，第6行的行向量對應(yīng)V_α的單因素判斷向量，其隸屬度屬于“很好”，V_α表示加速強度，從某種程度表示駕駛?cè)瞬忍び烷T的輕重，可以反應(yīng)駕駛?cè)说男愿窦痹昊虺练€(wěn)。V_α隸屬于很好，則評判駕駛?cè)薃的性格屬于沉穩(wěn)謹(jǐn)慎型，與駕駛?cè)薃的真實性格具有一致性。

    模型求解駕駛?cè)薆的等級評判隸屬度向量δ_B：

    根據(jù)最大隸屬度原則，在評判集?啄B中，0.44414最大，因此駕駛?cè)薆的綜合素質(zhì)以及安全駕駛等級評定為評定為“差”。

4 結(jié)論

    本文基于CAN數(shù)據(jù)提出了對駕駛安全評價的指標(biāo)因素及其模型，提出了其他模型沒有考慮的新因素，并且做出了改進(jìn)。本模型能夠準(zhǔn)確地區(qū)分不同駕駛?cè)说木C合素質(zhì)，從而對不同駕駛?cè)说鸟{駛安全作出評判。而且在求解模型的過程中，可以從單因素模糊判斷矩陣的行判斷向量得到駕駛?cè)嗣恳粋€因素的優(yōu)劣等級評判，從而針對性的對駕駛?cè)颂岢龊侠淼慕ㄗh,保障駕駛安全。若對模型稍作處理，可以分別得到行車安全性、乘車舒適度以及機動車油耗量這3個指標(biāo)評判等級的隸屬度向量，從而對駕駛?cè)说拿總€指標(biāo)做出優(yōu)劣等級評判。此外，在研究中發(fā)現(xiàn)駕駛?cè)碎_車的行為習(xí)慣也可以反應(yīng)駕駛?cè)说男愿窕蛘弋?dāng)時駕車的心理狀態(tài)，下一步對此將做深入研究。

參考文獻(xiàn)

[1] 任英，彭紅星.中國交通事故傷亡人數(shù)影響因素的實證分析[J].預(yù)測，2013，32(3)：1-7.

[2] 趙聰.駕駛行為數(shù)據(jù)監(jiān)測與評估系統(tǒng)的設(shè)計與實現(xiàn)[D].重慶：重慶大學(xué)通信工程學(xué)院，2015.

[3] TOKUDA S，OBINATA G，PALMER E，et al.Estimation of mental workload using saccadic eye movements in a freeviewing task[C].International Conference of the IEEE Engineering in Medicine & Biology Society.PubMed，2011：4523-4529.

[4] BOER E R，NAKAYAMA O，F(xiàn)UTAMI T，et al.Developing of a steering entropy method for evaluating driver workload[C].International Congress Expo.1999.

[5] ZHANG C，WANG H，F(xiàn)U R.Automated detection of driver fatigue based on entropy and complexity measures[J].IEEE Transactions on Intelligent Transportation Systems，2014，15(1)：168-177.

[6] Jiao Yingying，Lu Baoliang.Detecting slow eye movement for recognizing driver′s sleep onset period with EEG features[J].IEEE Engineering in Medicine and Biology Society，2016：4658-4661.

[7] ZADEH L.A.Fuzzy Sets.Information and Control，1965(8)：338-353.

[8] QIU S，MCGEE R A，MURPHEY Y L.Adaptive fuzzy prediction for automotive applications usage[C].IEEE，International Conference on Machine Learning and Applications.IEEE，2015：19-24.

[9] WON M，PARK T，SON S H.FuzzyJam：reducing traffic jams using a fusion of fuzzy logic and vehicular networks[C].IEEE，International Conference on Intelligent Transportation Systems.IEEE，2014：1869-1875.

[10] 咸化彩.次任務(wù)駕駛安全性評價指標(biāo)及評價模型研究[D].長春：吉林大學(xué)交通學(xué)院，2014.

[11] SAATY T L.Theory and applications of the analytic network process：decision making with benefits，opportunities，costs，and risks[M].RWS Publications，4922 Ellsworth Avenue，Pittsburgh，PA 15213，2005.

作者信息:

張家波，王超凡

（重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶404100）