基于正常驾驶行为建模的非正常驾驶状态检测

张维存，朱全民

(1.北京科技大学自动化学院，北京 100083；2.英国西英格兰大学工程设计与数学系，英国 布里斯托 BS16 1QY)

驾驶行为可以分为两大类：正常驾驶状态和非正常驾驶状态.非正常驾驶状态主要包括疲劳驾驶、酒后驾驶、注意力不集中(如使用手机等行为).研究驾驶行为有助于制定更为合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.因此，有关驾驶行为的研究正在受到越来越多的关注.研究内容主要包括以下4个方面：1)纵向驾驶行为分析；2) 横向驾驶行为分析；3)复杂驾驶行为学习；4)驾驶员状态分析.文献[1-4]对以上各个研究领域有详细的综述.在人类非正常死亡的原因中，道路交通事故已成为名副其实的“第一杀手”[5].发生交通事故的主要原因，一是酒后开车，二是疲劳驾驶.

驾驶员在驾驶过程中，由于生理、心理上的疲劳，极易导致事故的发生.美国联邦调查局调查显示，20%～30%的交通事故都是由疲劳驾驶引起的[6-7].所以，研究驾驶员的驾驶行为特征，建立驾驶行为的数学模型，进而研制出非接触式(指的是不在驾驶员的身体上放置传感器)的驾驶员非正常驾驶状态检测系统，对于降低交通事故及人员死亡率，保护驾驶员及乘客的生命及财产安全具有十分重要的现实意义.

当前，驾驶状态检测方法众多，主要包括[8]：1)监测驾驶员个体的特征(眼睑活动、点头动作、闭眼、嘴巴动作、握力、反应能力等)和生理信号(脑电波、心率、心电波、眼电波等)；2)监测驾驶员(车辆)的行为参数(方向盘转动角度和频率、速度、加速度、车辆侧向位移等)；3)综合法，即前两类的综合.

本次研究的基本思想是通过横向驾驶行为建模实现驾驶员的非正常驾驶状态检测.此类方法已经有了一些研究基础，且经过了试验验证[9-12]，但在技术细节上，主要是在建立模型后非正常驾驶状态的检测方法上仍有待改进.考虑到驾驶员在任何驾驶状态下，无论其个体特征和生理信号如何变化，最终都会反映到车辆行为上来，也就是说，正常驾驶状态一定对应正常驾驶行为和正常驾驶数据，而非正常驾驶状态一定对应非正常驾驶行为和非正常驾驶数据，反之亦然.因此，可以将人-车-路看成一个控制系统[13-15]，以车辆侧向位移为系统输入信号，方向盘转角为系统输出信号，基于正常驾驶数据建立这个闭环控制系统在正常驾驶状态下的模型.然后用该模型去拟合未知驾驶状态下的数据，若未知驾驶状态下的模型拟合残差较正常驾驶状态时的拟合残差有显著变化，则认为驾驶员处于非正常驾驶状态.

其中，对拟和残差的监控采用统计过程控制(Statistical Process Control，SPC)的控制图(Control Chart)技术[16-17].美国密西根大学(University of Michigan)及国内一些单位的研究人员也曾基于系统建模的方法来检测驾驶员的非正常驾驶状态[3，9-15]，但他们是直接用模型参数的变化方差来最终判断非正常驾驶状态.为此，需要持续地在线估计模型参数，需要大量的在线运算.在某种程度上讲，这种方法不适合非正常驾驶状态的在线快速检测，因此难以进行实际应用.

考虑到SPC的控制图技术恰好适合于在线监测问题，因此本文提出将该项技术引入到驾驶员的疲劳检测问题中.具体来说，就是针对模型拟合误差，建立对应的SPC控制图和异常判别规则，从而实现非正常驾驶状态的在线快速检测.最后，根据在模拟驾驶仪上采集的5名驾驶员的驾驶数据(包括正常状态下的驾驶数据和疲劳状态下的驾驶数据)，对本文提出的建模方法和疲劳检测方法进行验证.以驾驶员眼睛生理特征检测结果，即闭眼的时长和频率作为判断驾驶员是否疲劳的客观依据，与本文方法所得到的疲劳检测结果进行对比.

1 试验环境及数据采集

为了便于理解及保证驾驶员人身安全和驾驶数据的真实性，本文所采用的数据均来自实验室的驾驶模拟器(实际上就是一辆经过改造的真车)，该模拟器可以保证真实的驾驶感觉.其中，驾驶场景由计算机结合车量行驶轨迹生成三维场景图像，并将场景路况投影到车前大屏幕(弧形大屏幕宽3 m，高2 m)，驾驶员视角达80°，可以给驾驶员造成沉浸感，有身临其境的感受.

经过训练后的5名驾龄、年龄、驾驶习惯不同的驾驶员在中午或下午进行驾驶试验(主要考虑这个时间段驾驶员容易犯困)，从清醒状态开始，直到进入瞌睡状态结束试验.通过汽车驾驶模拟器中的各种传感器，采集驾驶员的操作信息(包括方向盘转角、油门开度等)，并利用相应的传输系统将各种操作信息(包括各种角度、位移、速度、加速度数据以及道路环境的几何特性数据等)传送到实时控制计算机.

驾驶过程中用摄像机全程记录驾驶员的驾驶状态，同时记录试验人的闭眼时间和时长，作为疲劳程度的反映，以便同本文疲劳检测方法得出的结果进行对比.

原始数据的采样频率为60 Hz，采用小波分析的方法对原始数据进行滤波处理，以减小各种噪声的影响.

2 系统建模

一个处于正常状态下的驾驶员，总会根据车辆偏离道路中心线程度及时操作方向盘，保证车辆不会偏离车道.因此，我们可以利用车辆偏移车道中心线位移(侧向位移S)及方向盘转角δ，采用系统辨识技术，对驾驶行为建立一个人-车模型，把人-车看成是一个黑箱系统，以S为输入，δ为输出.

2.1 数据预处理

由于每个驾驶员从清醒到瞌睡的时长不同，所以试验时长因人而异，因此数据长度也不同.考虑到输入、输出数据的原始采样频率是60 Hz，而由输入、输出变化图可以看出，输入、输出信号的变化频率一般都是小于10 Hz的.因此，首先对原数据进行减采样处理.用MATLAB仿真计算分析得出，采用10 Hz建立的模型损失函数最小.

尽管每个驾驶员从清醒到瞌睡的时长不同，但前15 min都处于清醒状态.由于前2 min刚开始驾驶，驾驶行为还不稳定，所以取每个人的第3到第12分钟的数据建立模型.由于10 min的数据长度过长，为避免用递推最小二乘法辨识参数时产生数据饱和，把这10 min数据分成10份，每分钟1份，每份数据经过有遗忘因子的递推最小二乘法辨识出模型参数，取平均值作为最后模型参数.

2.2 模型结构辨识

首先在多种模型中选择出最能够描述模型特征的模型结构.参数模型是指利用有限的参数来表示对象的模型，常用的参数模型有ARX、ARMAX模型、BJ模型和输出误差模型(OE)等.针对采集到的数据，使用MATLAB分别建立ARX模型、ARMAX模型、BJ模型.分析表明：ARMAX模型产生的残差比ARX模型更接近白噪声，损失函数也更小，同时也比BJ模型的参数少.因此，综合模型准确性和简单性的要求，本文选用ARMAX模型.

ARMAX (Auto-Regression Moving Average witheXtra inputs)人-车模型描述：

Aδ(k)=BS(k)+Ce(k)，

(1)

其中：S(k)和δ(k)表示过程的输入和输出；e(k)是均值为零的不相关随机噪声；A，B，C为模型参数.

确定模型类型后，利用最小FPE(Final Prediction Error，最终预报误差)准则[18]确定模型阶次和延迟.FPE定义

其中：N为数据长度；n为待估计参数的个数(模型阶次)；LS(Loss Function)为损失函数，定义如下：

由MATLAB计算得出，5名试验人的试验数据所对应的ARMAX模型结构参数取(2，2，2，1)时FPE最小.因此，ARMAX模型参数可表示为

其中：q-1为一步后移算子.式(1)可以写成

δ(k)+a1δ(k-1)+a2δ(k-2)=b1S(k-1)+b2S(k-2)+e(k)+c1e(k-1)+c2e(k-2).

2.3 模型参数估计与模型验证

参数估计的方法很多，最小二乘法是应用最广泛的方法，且是其他方法的基础.由于带遗忘因子的最小二乘递推算法[19-20]具有每一步的计算量和存储量小，离线或在线辨识均可，且具有跟踪时变参数的能力等优点，因此本文采用带遗忘因子的最小二乘递推算法进行参数估计.

用预测输出拟合的残差来进行模型分析验证.按照统计假设检验(显著水平取为α=0.05)，如果残差序列可以视为零均值的白噪声序列，则认为模型是有效的[21].

残差定义为

3 基于SPC控制图的驾驶状态识别

3.1 统计过程控制

统计过程控制(statistical process control，SPC)是应用统计分析技术对生产过程进行监控，科学地区分出生产过程的随机波动与异常波动.从过程性能的角度定义，SPC又称为统计性能监控(statistical performance monitoring，SPM)，主要任务是及时发现过程故障，查找故障隐患，采取控制措施避免事故.

控制图是判别生产工序过程是否处于控制状态的一种手段.1924年美国质量大师休哈特(W.A.Shewhart)博士首先发明了控制图方法进行工序控制，以稳定生产过程的质量，达到以预防为主的目的.20世纪50年代，统计过程控制领域诞生了许多新的概念和理论.针对小偏移灵敏性问题，1954年Page最早应用序贯分析原理[22]，提出了累计和控制图(Cumulative Sum Control Chart，简称CUSUM)；1959罗伯特(Robert)提出了另一种能够有效控制过程小偏移的方法[23]——EWMA控制图(Exponentially Weighted Moving Average Control Chart，指数加权滑动平均控制图)，它充分利用了所有的历史数据，数据具有时域特征并依此获得不同的权重.

3.2 休哈特控制图

假设过程输出数据相互独立，在时间t的观测值Yt可表示为Yt=μ+εt，其中：μ为过程均值，是一个常量；εt～N(0，σ2)，则Yt～N(μ，σ2).

随机抽取N个样本容量为n的样本Yti，样本均值

控制图统计量：

则控制图的上、下控制限(UCL，LCL) 和中心线(CL) 为

此前已经验证了所建立的ARMAX模型比较准确，且得到的残差序列(清醒时段)就是白噪声序列，即残差序列et～N(0，δ2).

取前20 min(每分钟1个)eti，样本容量为60(每s取1个残差).样本均值

统计量为

控制图的上、下控制限(UCL，LCL)为

以下情况视为异常情况：

1)超过±3σ界限，基于正态分布的3σ原则，残差点超过±3σ界限的概率的0.27%.

2)连续3点至少有2点落在μ±3σ以内、μ±2σ以外的区域.

3.3 指数加权滑动平均(EWMA)控制图

传统Shewhart控制图的统计变量是由当前观测值得出的，而其他观测值经过了它所在的当前时间就被弃置不用，无法对较高精度和小波动持续上升、下降以及循环趋势变异敏感.由此，Robert于1959年提出了指数加权滑动平均控制图[23].休哈特均值图和EWMA图在实际中应用非常广泛，它们既可以单独使用，也可以联合使用；既有区别又有联系.

EWMA图的统计量为

EWMA图的控制限为

若Zi超出控制界限，就判断过程失控.以下情况视为异常：

1)超过上、下限.

2)连续3点至少有2点落在μ±3σ以内、μ±2σ以外的区域.

3)不少于10点有连续上升或连续下降的趋势.

3.4 提取报警点

在医学上，疲劳被定义为人体困顿、倦怠的感觉，是需要休息和放松的信号[24].疲劳主要表现为瞌睡，精力不集中，人体的正常反应减慢，交感神经活动减弱，副交感神经增强等.疲劳表现出来的某些生理、心理和行为科学指标可以通过试验来测定.比如，通过肌电图测定肌肉的疲劳现象，通过脑电图、闪光融合频率测定脑力疲劳现象，以及通过眼电图测定眼睛的视觉方向和眼睛疲劳等[25].其中，通过检测眼睛生理特征判断驾驶员的疲劳状况是被公认为较准确实用的一种方法.因此，本文采用闭眼时长和频率作为判断驾驶员是否疲劳的客观依据，如果本文方法提出的报警点与对眼睛生理特征检测所得出的结论一致，则可认定其有效.

综合以上2种控制图的5种异常判断方法(即3.2中基于Shewhart控制图的2条判别规则和3.3中基于指数加权滑动平均控制图的3条判别规则)得出的报警结果见图1.其中，驾驶状态异常时间点横坐标表示闭眼时间，纵坐标表示判断某1 s内出现异常的报警方法数.

图1试验人闭眼时间与报警点对比Fig.1Comparison between eye-closure time and alarming point

由图1可见：基于统计过程控制(SPC)方法检测出的疲劳点与根据闭眼时长及频率检测出的疲劳点基本一致.除第3名试验人外，其他4名试验人在观察到眼部生理疲劳信号之前，其对应的方向盘数据已经提前表现出异常.因此，在某种程度上，本文所提出的疲劳检测方法可以起到预警的效果.两种检测方法对于5名驾驶员驾驶数据的疲劳检测结果均一致，说明了本文方法的有效性.

4 结 语

本文基于系统建模理论对正常驾驶行为进行建模，并结合SPC控制图技术监测未知状态下的模型拟合残差，从而检测驾驶员在驾驶模拟器条件下的非正常驾驶状态.不同驾驶员对应不同的模型参数，但所对应的模型均为二阶控制系统模型，实际上采用其他形式的模型也能取得同样效果，如基于神经元网络的驾驶行为模型.

本文研究的驾驶员疲劳检测系统仅适用于汽车在高速公路或高等级公路上直路行驶的情况，对于在市区道路或无车道标志线的道路条件下，以及超车和弯道的情况下驾驶员非正常驾驶状态的检测还有待进一步研究.考虑同一驾驶员在不同时段可能有不同的驾驶习惯，如白天与黑夜，因此今后将建立驾驶员不同时段的驾驶行为模型，使模型能更精确地描述驾驶行为.本文仅针对5名试验人进行了研究，今后将增加样本量.