1、车辆典型危险行驶状态识别与检测研究进展 刘通 付锐 张士伟 邓明阳 长安大学汽车学院 长安大学汽车运输安全保障技术交通行业重点实验室 摘 要： 为识别和检测车辆在行驶过程中可能出现的危险状态, 及时给予驾驶员反馈和预警, 使车辆始终保持安全的运行状态, 重点从车辆典型危险行驶状态的识别、检测 2 个方面, 梳理纵向及横向危险行驶状态及其表征参数, 总结主要的识别与检测方法, 并展望其未来研究趋势。结果表明:不同文献对驾驶事件的危险阈值划分原则差异较大, 尚未形成统一的标准;隐马尔科夫模型 (HMM) 对危险驾驶事件的识别准确率相对较高;车辆典型危险行驶状态的几种识别方法各有优点和缺点, 基于便
2、携式设备和多传感器数据的识别方法相对较优, 且基于多传感器数据融合的车辆危险行驶状态识别与检测是未来的重点研究方向。关键词： 驾驶行为; 危险行驶状态; 危险识别; 车辆检测系统; 阈值划分; 隐马尔科夫模型 (HMM) ; 作者简介：刘通 (1989) , 男, 山西怀仁人, 博士研究生, 研究方向为人-车-路系统安全、车辆状态识别、驾驶员类型划分。E-mail:。收稿日期：2017-07-09基金：国家自然科学基金资助 (61374196) Progress in research on identification and detection of vehicle typical haz
3、ardous driving statesLIU Tong FU Rui ZHANG Shiwei DENG Mingyang School of Automobile, Changan University; Abstract： Progress in research on identification and detection of vehicle typical hazardous driving states was reviewed. Longitudinal and horizontal hazardous driving states and their characteri
4、stic parameters were examined, methods of identification and detection of the states were summarized. Future research trends were prospected. The results show that there are some differences in the range of thresholds for driving events in different literatures and there is still lacking of a unifor
5、m standard, that HMM has higher accuracy in the hazardous driving events identification, that available identification methods of typical hazardous driving states of vehicle have their own advantages and disadvantages, the methods based on portable devices and multi-sensors data are relatively super
6、ior, and that identification and detection of vehicle hazardous driving states based on the fusion data of multi-sensors will be the future research direction.Keyword： driving behavior; hazardous driving state; hazard identification; vehicle detection system; threshold division; hidden Markov model
7、(HMM) ; Received： 2017-07-090 引言我国道路交通事故统计数据显示1, 由超速、超车、频繁换道等车辆典型危险行驶状态引起的道路交通事故率为 16.45%, 受伤和死亡的比率分别为 16.92%和 16.37%。驾驶员是车辆的操纵者、道路的使用者、环境条件的感受者, 在交通系统中处于主导地位, 驾驶员反应或操作不当易导致车辆行驶状态异常, 甚至诱发道路交通事故。90%以上的道路交通事故与驾驶员因素有关2。通过辅助预警系统实时监测车辆的行驶状态, 将车辆危险行驶状态反馈给驾驶员, 以便及时采取应对措施, 这对于降低道路交通事故发生率、保障驾驶安全具有重要意义。基于此, 笔
8、者将梳理国内外相关文献, 主要从车辆危险行驶状态的识别、检测2 个方面进行归纳与概括, 比较分析不同阈值划分原则, 并讨论其未来发展趋势, 以期为开发识别率更高的危险行驶状态检测系统提供依据与参考。1 车辆典型危险行驶状态车辆典型危险行驶状态是指影响车道安全保持稳定性、车辆相对间距控制安全性、车辆速度/方向控制稳定性等状态表征3。根据已有研究成果4-17, 可将其大致归纳为纵向危险行驶状态与横向危险行驶状态 2 类。1.1 纵向典型危险行驶状态1.1.1 超速超速指车辆的行驶速度超过一定道路条件下允许的行车速度, 是导致道路交通事故的重要因素, 也是目前从技术手段容易监测的危险行驶状态。可通过
9、车速传感器获取自车速度, 并根据所行驶道路限速值, 确定超过规定限速值的比例及时间来表征4。1.1.2 跟车过近跟车过近是一种常见的车辆危险行驶状态, 自车跟随前车过近时易诱发追尾事故。事故统计资料表明, 追尾事故是高速公路上典型的事故类型1。可通过传感器监测自车与前车的距离, 实现对驾驶员的预警或者辅助制动。通常选取碰撞时间和车头时距等参数进行表征5-7。1.1.3 急加速与急减速急加速与急减速虽然是车辆非违法性过错, 其研究相对较少, 但频繁的紧急加速和制动不仅会影响乘员的舒适性, 而且极易诱发交通事故。可通过加速度计或陀螺仪获取车辆实时加速度, 超过预设阈值或固定时长时予以预警。通常选取
10、纵向加速度这一参数进行表征8-11。1.2 横向危险行驶状态1.2.1 违规超车违规超车的风险较大, 此过程中一旦出现违规行为或者意外情况极易发生交通事故。可通过毫米波雷达、陀螺仪等传感器等进行监测。通常选取相对速度、相对加速度、横向距离及横向超车时间等参数进行表征12-13。1.2.2 频繁换道车辆在频繁换道过程中极易与周围车辆发生冲突, 可通过毫米波雷达、陀螺仪等传感器, 监测车辆运动状态, 实现换道过程危险性的辨识。通常选取方向盘转角、横向与纵向加速度、横摆角速度、速度、横向偏移距离等参数进行表征14-16。1.2.3 急转弯车辆急速转弯过程中的侧向加速度较大容易失稳, 甚至侧翻。可通过
11、车载陀螺仪有效监测车身在各个方向上的加速度, 当存在失稳风险时对驾驶员进行提示。通常选取方向盘转角、侧向加速度、横摆角速度、速度等参数进行表征8-11。通过上述分析, 归纳了车辆的横/纵向典型危险行驶状态及其表征参数, 见表1。表 1 车辆典型危险行驶状态表征参数 Tab.1 Characteristic parameters of vehicle typical hazardous driving states 下载原表 2 车辆典型危险行驶状态识别2.1 识别方法1) 他人反馈。主要基于乘客或家人的主观感受和乘车体验进行识别, 一般采用口头反馈或量表打分的形式, 记录或提醒日常行驶过程中驾
12、驶员的潜在危险驾驶行为, 如超速、鲁莽驾驶等。该方法可粗略识别部分典型横/纵向危险行驶状态。IMKAMON 等17选取 3 名志愿者, 根据经验每 5 min 评价一次车辆的行驶状态, 并将其与模糊推理系统评分结果进行比较, 系统识别结果基本与人工评价一致, 虽然评分差异率有时达到 60%70%, 这可能与不同的志愿者主观评价结果不同有关。该方法可以提高年轻或新手驾驶员的驾驶安全水平, 有助于其选择合适的行车路线, 了解并纠正日常驾驶过程中的常见危险驾驶行为, 不过该方法仅能进行粗略的识别, 且行驶过程中始终依靠驾驶经验丰富者提供反馈和指导也是不现实的18。2) 图像识别。主要基于图像及视频,
13、 通过分析车道线位置信息等进行识别, 且主要用于横向危险行驶状态的识别。HUANG Yongren19基于图像处理技术, 实时识别车辆 Z 字型曲线行驶状态, 相关图像参数超过预设阈值时, 系统便会自动预警并向驾驶员反馈。刘永涛等20基于图像处理技术, 辨识车辆横向偏离等危险驾驶行为, 确定了以横向距离为评价指标的方差-贝叶斯网络模型, 并通过实车测试数据加以验证, 该模型的识别率高达 96%。图像识别研究方法较为成熟, 应用较广, 而且识别率较高, 不过该方法易受光照条件的干扰和图像处理技术的限制, 易出现图像对比度差、分辨率低、图像模糊、特征无法辨识等问题, 且实时操作性不强, 往往需要配
14、合其他传感器进行综合识别。3) 基于浮动车数据识别。主要基于车辆 GPS 数据, 如车辆位置、速度、方向角等进行识别, 且主要用于纵向危险行驶状态的识别。DERBEL 等21基于车辆GPS 数据建立的模糊推理系统模型, 能有效识别车辆急加速、急减速、超速等异常驾驶行为。丁琛4基于 GPS 车辆动态监控数据, 建立了超速、急加速与急减速等车辆危险行驶状态识别算法, 并通过实际数据源验证算法, 且基于 JAVA等编程技术开发的车辆异常驾驶行为动态监控平台, 能根据预设阈值, 有效识别危险行驶状态并预警。SAIPRASERT 等22通过 GPS 接收器获取车辆速度信息, 提出用于识别超速行为的速度检
15、测算法, 可对超过限速值并达到时长阈值的超速行为及时预警。由于不需要借助其他硬件设备, 使得这种识别方法得到了较多的应用。不过该方法对 GPS 数据采集频率及数据质量要求较高, 也仅能识别部分车辆的危险行驶状态, 如车辆超速、急加速与急减速等。4) 基于便携式设备识别。主要基于智能手机等便携式设备采集的数据进行识别, 可识别部分典型横/纵向危险行驶状态。周后飞等23通过智能手机内置的加速度计、陀螺仪以及磁场传感器, 采集车辆行驶数据, 建立了基于核极限学习机的驾驶行为在线分析算法, 基于该算法建立的监测系统能实时识别频繁换道、频繁变速、急刹车等危险行驶状态并及时预警。CHAKRAVARTY 等
16、24提出的攻击性驾驶行为分析系统, 主要通过智能手机的 GPS 和加速度计 2 类传感器, 实现对车辆行驶过程中出现的剧烈颠簸、急转向、紧急制动、超速 4 类危险驾驶行为的识别和预警。BOONMEE 等8使用二轴加速度计识别巴士行驶过程中的急加速、急减速、向左急转、向右急转等行为, 并基于模糊逻辑规则评价驾驶员的鲁莽驾驶行为, 通过 11 名志愿者的主观评价结果验证发现, 该便携式设备对4 类驾驶事件的识别准确率均在 80%以上。JEONG 等25基于支持向量机理论, 利用车辆内置 3 轴陀螺仪采集驾驶行为数据, 对车辆换道和 Z 字形曲线行驶 2类驾驶行为进行识别, 准确率为 97.6%、9
17、8.9%。该识别方法应用较广, 设备方便携带、成本较低, 不过可识别的危险类型仍有限, 如在无碰撞可能性的情况下突然刹车, 或突然加速等。5) 基于多传感器数据综合识别。主要基于车辆控制器局域网总线 (Controller Area Network, CAN) 、摄像头、雷达、GPS 等数据信息进行综合识别。该方法可有效识别多种典型横/纵向危险行驶状态。黎莉等26基于营运客车 CAN 总线速度数据和换道过程横向表征参数等数据, 拟合了不同车速下的换道轨迹, 并建立了营运客车换道越线时间预测模型, 该模型对换道越线时间的预测精度达到了 62.5%, 预测误差为0.2 s。WU Bingfei 等
18、27用摄像头、3 轴加速度计和 GPS 接收器, 选取横向偏移距离、相对距离、横/纵向加速度、速度等数据, 识别正常驾驶、加速、制动、左转弯、右转弯、曲线行驶及跟车过近 7 种常见的驾驶事件, 并比较了不同算法对上述 7 种驾驶事件的识别准确率, 结果表明:隐马尔科夫模型 (Hidden Markov Model, HMM) 的综合识别效果最好。目前, 这方面的识别研究较少, 加之硬件成本较高, 其在实际应用方面受到一定程度的限制。上述识别方法各有优缺点, 其评价指标的性能比较见表 2。表 2 5 种识别方法的评价指标性能比较 Tab.2 Comparison of evaluation in
19、dexes between 5 recognition methods 下载原表 2.2 识别阈值基于车辆危险行驶状态识别的研究现状, 学者们8-11,28-29多采用固定阈值的方法来识别车辆行驶状态、划分危险等级, 不同的文献阈值划分方法也不尽相同, 见表 3。表 3 3 种文献中典型危险行驶状态的识别阈值划分 Tab.3 Identification thresholds for typical hazardous driving states in 3 literatures 下载原表 HAN 等28利用车辆黑匣子收集了速度、加速度及横摆角速度数据, 识别了急加速、急减速、急转弯、突然换
20、道 4 种车辆危险行驶状态, 并提出了基于不同速度区间的阈值划分方法, 见表 4。表 4 不同速度区间典型危险行驶状态识别阈值划分 Tab.4 Identification thresholds for typical hazardous driving states in different speed intervals 下载原表 JOHNSON 等29进一步研究了攻击性危险驾驶行为的识别阈值, 得到了攻击性驾驶的转向阈值为 0.73 g, 紧急转向阈值为 0.74 g, U 形转弯阈值为 0.91 g;非攻击性驾驶的转向阈值为 0.3 g, U 形转弯阈值为 0.56 g, 研究结果表明
21、:该划分方法可以准确识别出 97%的危险驾驶行为。BERGASA 等30选用横、纵向加速度均为 0.4 g 的阈值来识别是否属于攻击性危险驾驶行为, 但该阈值选取不够保守, 如车辆的纵向加速度达到 0.3 g, 且横向加速度为 0.3 g 时, 即驾驶员在急转向的同时又进行急加速, 而按此划分则认为这种危险的驾驶操作相对安全。可见, 不同文献中危险驾驶事件的阈值划分方法不尽相同。这与不同的道路条件、不同国家的道路交通安全现状及事故率不同等众多因素有关。因此, 建立基于不同道路环境条件的危险行驶状态识别方法和识别模型是本研究的下一步研究方向。3 车辆典型危险行驶状态检测危险行驶状态的检测归结起来
22、大致有 2 种27:一种是检测驾驶员的驾驶特征, 即通过相关接触式穿戴设备获得驾驶员的生理信号, 如心电、皮电等, 或通过非接触式眼动仪获取驾驶员的眼动特征和视觉信息进行检测;另一种是基于驾驶行为数据分析的车辆危险行驶状态检测。3.1 检测方法目前, 车辆典型危险行驶状态主要通过车辆 CAN 总线、车载传感器等获取的车辆信息, 或通过驾驶行为记录仪、智能手机传感器等获得的驾驶行为数据进行检测, 只是数据记录仪不如智能手机便携, 而智能手机往往存在高估驾驶事件数量及风险的弊端27。3.2 检测系统基于现有检测方法及研究手段, 学者们相继提出一些基于驾驶行为数据分析的车辆危险行驶状态检测系统30-
23、33。冰岛有 70 多家运输企业为车队安装了危险行驶状态检测系统, 该系统用驾驶行为记录仪实时监测车辆位置、是否超速等。与未安装该系统相比, 因交通事故造成的经济损失减少 56%, 事故总数减少 43%, 因驾驶员因素而发生的交通事故减少 51%31。以色列某大型运输企业为车队安装了危险行驶状态检测系统, 该系统基于加速度、速度、车辆位置等信息, 实时监测车辆行驶状态, 与 191名驾驶员近 7 个月的历史事故及违章数据相比, 安装该系统后驾驶员的事故率与违章率明显降低32。也有检测系统可通过车联网检测到多种车辆危险行驶状态, 且多车道间曲线行驶的危险权重值最大, 其次是频繁变更车道, 而急加
24、速的危险权重值最小, 该系统的检测准确率可达 92.3%33。此外, 部分基于智能手机等设备的检测系统也已实现产品化, 可根据日常行驶过程中的急加/减速、急转向等数据来评价车辆行驶状态是否安全30。这些检测系统的应用及推广, 不仅可以及时反馈车辆典型危险行驶状态, 还可以有效改善鲁莽型/攻击性驾驶员的驾驶行为。4 展望为减少车辆危险行驶状态, 降低道路交通事故发生率, 相关学者进行了大量研究, 取得了许多成果, 但当前研究现状仍不够理想, 后续研究亟需解决以下问题:1) 除已有典型危险行驶状态外, 其余危险状态类型的识别与检测研究尚需完善, 且只列举了其表征参数、识别方法及阈值划分原则, 相关
25、识别模型的建立、比较及选择仍需进一步研究补充。2) 用于识别车辆危险行驶状态的最优化数据指标尚未统一, 不同道路 (环境) 条件下的危险驾驶事件阈值划分规则还需进一步研究确定。3) 综合人-车-路 (环境) 的危险行驶状态识别与检测决定了研究的难度和不确定性, 基于多传感器信息融合的车辆危险行驶状态识别与检测将是未来的重点研究方向。5 结论回顾了国内外车辆危险行驶状态识别与检测的相关研究, 分析了不同类型的危险驾驶行为识别与检测方法, 得到了如下结论:1) 基于他人的反馈可纠正年轻或新手驾驶员日常危险驾驶行为, 提高其驾驶水平, 但仅能粗略地识别;基于图像处理技术基本可识别危险并预警, 且成本
26、低、易实现, 但受天气及光照条件的影响较大;基于 GPS 数据的识别, 不需要借助其他硬件设备, 成本低、应用广, 但对数据采集频率及数据质量要求较高, 且可识别危险类型较少;基于智能手机等设备的识别方法应用较广, 携带方便, 但可识别类型仍有限;基于多传感器数据融合的识别率较高, 受环境的干扰小, 但硬件成本较高。2) 目前主要通过模式识别等数据分析方法研究车辆危险行驶状态, 且 HMM 对危险驾驶事件的识别准确率相对较高。3) 国内外学者对不同危险驾驶事件的阈值划分规则不尽相同, 有待进一步优化。参考文献1公安部交通管理科学研究所.中华人民共和国道路交通事故统计年报 (2013年度) R,
27、 2014. 2AARTS L, SCHAGEN I V.Driving speed and the risk of road crashes:a reviewJ.Accident Analysis&Prevention, 2006, 38 (2) :215-224. 3汪澎.驾驶人警觉状态检测技术研究D.镇江:江苏大学, 2010.WANG Peng.The study of drivers low-alertness detection technologyD.Zhenjiang:Jiangsu University, 2010. 4丁琛.基于车辆动态监控数据的异常驾驶行为识别技术研究D.
28、北京:北京交通大学, 2015.DING Chen.Research on abnormal driving behavior recognition technology based on vehicle dynamic monitoring dataD.Beijing:Beijing Jiaotong University, 2015. 5LU Guangquan, CHENG Bo, LIN Qingfeng, et al.Quantitative indicator of homeostatic risk perception in car followingJ.Safety Scie
29、nce, 2012, 50 (9) :1 898-1 905. 6VOGEL K.A comparison of headway and time to collision as safety indicatorsJ.Accident Analysis&Prevention, 2003, 35 (3) :427-433. 7KONDOH T, YAMAMURA T, KITAZAKI S, et al.Identification of visual cues and quantification of driversperception of proximity risk to the le
30、ad vehicle in car-following situationsJ.Journal of Mechanical Systems for Transportation&Logistics, 2008, 1 (2) :170-180. 8BOONMEE S, TANGAMCHIT P.Portable reckless driving detection systemC.Proceedings of the Meeting on Computer, Telecommunications and Information Technology, 2009:412-415. 9PAEFGEN
31、 J, KEHR F, ZHAI Yudan, et al.Driving behavior analysis with smartphones:insights from a controlled field studyM.New York:ACM Press, 2012:36-38. 10BALDWIN K C, DUNCAN D D, WEST S K.The driver monitor system:a means of assessing driver performanceJ.Johns Hopkins Apl Technical Digest, 2004, 25:269-277
32、. 11HAN I, YANG K S.Characteristic analysis for cognition of dangerous driving using automobile black boxesJ.International Journal of Automotive Technology, 2009, 10 (5) :597-605. 12邓金城, 黄席樾, 邓小丽, 等.汽车防撞系统中的危险估计与超车决策J.计算机仿真, 2004, 21 (11) :207-210.DENG Jincheng, HUANG Xiyue, DENG Xiaoli, et al.Risk
33、estimation and decision making for overtaking of automotive collision avoidance systemJ.Computer Simulation, 2004, 21 (11) :207-210. 13吕岸, 胡振程, 陈慧.基于高斯混合隐马尔科夫模型的高速公路超车行为辨识与分析J.汽车工程, 2010, 32 (7) :630-634.LYU An, HU Zhencheng, CHEN Hui.Recognition and analysis on highway overtaking behavior based on
34、Gaussian mixture-hidden Markov modelJ.Automotive Engineering, 2010, 32 (7) :630-634. 14毕胜强, 梅德纯, 刘志强, 等.面向驾驶行为预警的换道意图辨识模型研究J.中国安全科学学报, 2016, 26 (2) :91-95.BI Shengqiang, MEI Dechun, LIU Zhiqiang, et al.Research on lane change intention identification model for driving behavior warningJ.China Safety
35、Science Journal, 2016, 26 (2) :91-95. 15LI Guofa, LI Shengbo, LIAO Yuan, et al.Lane change maneuver recognition via vehicle state and driver operation signals:results from naturalistic driving dataC.Intelligent Vehicles Symposium, 2015:865-870. 16KUGE N, YAMAMURA T, SHIMOYAMA O, et al.A driver behav
36、ior recognition method based on a driver model frameworkC.Proceedings of the Society of Automotive Engineers World Congress, 2000:469-476. 17IMKAMON T, SAENSOM P, TANGAMCHIT P, et al.Detection of hazardous driving behavior using fuzzy logicC.International Conference on Electrical Engineering/Electro
37、nics, Computer, Telecommunications and Information Technology, 2008:657-660. 18FARAH H, MUSICANT O, SHIMSHONI Y, et al.Can providing feedback on driving behavior and training on parental vigilant care affect male teen drivers and their parents?J.Accident Analysis&Prevention, 2014, 69 (6) :62-70. 19H
38、UANG Yongren.Real time dangerous driving status detectionC.International Congress on Image and Signal Processing, 2011:414-418. 20刘永涛, 乔洁, 魏朗, 等.危险驾驶行为辨识算法研究J.计算机工程与设计, 2014, 35 (4) :1 322-1 326.LIU Yongtao, QIAO Jie, WEI Lang, et al.Research on identification algorithm of dangerous driving behaviorJ.Computer Engineering and Design, 2014, 35 (4) :1 322-1 326.
