汽车驾驶倾向性研究进展

王晓原，张敬磊，张元元

（山东理工大学交通与车辆工程学院智能交通研究所，山东淄博255091）

在影响交通安全的因素中，驾驶员自身的内在因素是造成交通事故的主要因素之一，车－路－环境通过驾驶员未影响交通安全．驾驶员自身因素包括驾驶员的生理、心理特性，其中生理因素是心理因素的物质基础并最终会反映到心理特征中来．由于驾驶员个体年龄、性别、驾龄、行车经验、个性等的不同而具备的不同驾驶心理特征可以归纳为驾驶员的驾驶倾向性，反映了驾驶员在车辆操作和运动过程中表现出的心理情感状态．驾驶员生理－心理等特性对交通安全的影响主要表现在对驾驶倾向性的影响上．因此，将驾驶倾向性差异引入到车辆辅助驾驶系统能够使系统更加智能的对人车实施保护，提高保护的准确度，有效的避免交通事故．

驾驶员倾向性的辨识对汽车辅助驾驶及主动安全预警系统的研究极为重要．汽车安全驾驶预警系统用于弥补驾驶员行车时的失误和感官不足，在到达安全临界条件时对驾驶员发出预警信号提醒驾驶员注意调整车辆，或自动对车辆进行调整以保证行车安全，是目前预防人为交通事故最为行之有效的技术设施，对改善交通安全起到重要的作用．

对于典型的安全警告系统，作为汽车安全驾驶预警系统的核心部分——碰撞预警算法，由于其中的态势评估和意图辨识忽略了驾驶员心理生理特性的影响，预警的有效性和准确性不高，易产生误报现象而对正常行驶造成干扰．实际行车过程中，具有不同驾驶倾向的驾驶员对于相同交通态势做出的反应以及反应的程度是不同的，例如，针对驾驶倾向性偏于迟钝的驾驶者，当前方障碍物距离低于通常意义上的安全距离时再发出警报，虽然其可能具有减速意图，但由于其反应的迟滞性，可能为时已晚，预警无效；而对于驾驶倾向性偏激进的驾驶员，其反应通常较为灵敏，在驶近前方车辆或障碍物时，驾驶员自身确定的期望间距一般会低于普遍意义上的安全预警间距，此时车辆预警系统往往出现误报警．产生这种现象的根本原因是系统在态势评估和意图辨识中没能识别驾驶倾向性，预警系统对不同驾驶员在相同环境中的差异性缺乏认知．再一方面，即使是同一驾驶员，其倾向性当处于不同行驶环境中时也表现出较大的差异．如：平时驾驶倾向偏于普通型的驾驶员，在车流密度较大且交通流构成复杂时可能表现出兴奋型驾驶员的特性，而车流密度较小且交通流构成简单时又可能出现偏安静驾驶员的特征．因此，系统在态势评估和意图辨识中必须具备动态识别驾驶倾向性及其演化规律的能力，避免误报．

因此，如果将驾驶员特性中反映驾驶员个体差异的驾驶倾向性引入到汽车安全驾驶预警系统中（如图1所示），就可以利用预先采集的驾驶员行为、车辆状态和行驶环境历史数据（即人车环境动态数据）建立驾驶倾向性特征指标体系和辨识模型，然后利用辨识模型识别驾驶员的类型，并针对不同类型的驾驶员建立个性化驾驶预警系统，此预警系统能在驾驶员采用异于常态的驾驶行为时进行预警，并在不同驾驶倾向性间转换时进行不同程度的预警，实现对人车单元较为精确的保护．

图1 （未）引入驾驶员倾向性的汽车安全驾驶预警系统

1 相关研究现状

人工心理学是利用信息科学的手段，对人的心理活动（着重人的情感意志、性格、创造）更全面内容的再一次人工机器（计算机、模型算法等）实现，它以感觉、知觉＋情感决定行为的人脑控制模式为思路，进行真正意义上的拟人机械研究以及人性化商品和市场的开发．人工情感（Artificial Emotion）是利用信息科学的手段对人类情感过程进行模拟、识别和理解，使机器能够产生类人情感并与人类自然和谐地进行人机交互的研究领域［3]．所谓情感计算研究就是赋予计算机像人一样的观察、理解和生成各种情感特征的能力［3]．对于汽车驾驶员来说，其对环境信息的认知及处理（即驾驶员的行为特征）是受心理情感等状态即驾驶倾向性影响的结果．因此，驾驶倾向性的辨识属于人工心理、情感辨识范畴．

1．1 人工心理、情感研究

人工心理是人工智能的高级阶段，其利用人工智能已有的基础，对人的心理活动（尤其是情感、意志、性格、创造等）全面进行人工模拟．人工心理的研究内容与情感计算和感性工学相似．情感计算的具体研究内容包括：情感机理、情感信息的获取、情感模式识别、情感的建模与理解、情感计算的计算机实现等．

日本从20世纪90年代就开始了感性工学（Kansei Engineering）（即将感性与工程结合起来，在感性科学的基础上，通过分析人类的感性，把人的感性情感加入到商品设计和制造中去，生产出“感性商品”）的研究［4]．欧盟国家也在积极地对情感信息处理技术（表情识别、情感信息测量、可穿戴计算等）进行研究［5]．欧洲许多大学成立了情感与智能关系的研究小组，其中比较著名的有：日内瓦大学Klaus Scherer领导的情绪研究实验室、布鲁塞尔自由大学的D．Canamero领导的情绪机器人研究小组以及英国伯明翰大学的A．Sloman领导的Cognition and Affect Project．

我国对人工情感的研究始于20世纪90年代，大部分研究工作针对人工情感单元理论与技术实现．北京科技大学研究了情感计算在机器人和商品选购系统的应用．哈尔滨工业大学研究了多功能感知机，主要包括表情识别、人脸识别、人脸检测与跟踪、手语识别、手语合成、表情合成、唇读等内容．清华大学研究了基于人工情感的机器人控制体系结构．北京交通大学进行多功能感知机同情感计算的融合研究．中国科学院自动化研究所主要研究基于生物特征的身份验证．中科院心理学所、生物所主要侧重于情绪心理学与生理学关系的研究．中国科技大学开展了基于内容的交互式感性图像检索的研究．中国科学院软件所主要研究智能用户界面．浙江大学研究E－Teatrix中虚拟人物及情绪系统构造．

1．2 心理、情感辨识方法

情感计算本质是一个典型的模式识别问题．目前国内外与情感计算相关的研究主要包括心理、情感与行为机理、情感状态辨识方法及在各个领域的应用等方面．在拟人机械和产品方面，日本各大公司于近年来已开发出领先世界水平的情感机器人如AIBO机器狗和QRIO型情感机器人；与情感计算密切相关的可穿戴计算机的研究也迅猛发展起来；另外还有情感玩具、情感地毯（可根据脚的压力自动生成各种音乐等）、情感眼镜、情感鼠标、虚拟现实中的情感真实再现等方面的应用．

（1）商品推荐系统中消费者心理辨识方法

德国Mehrdad Jalali－Soli等人在2001年提出了基于EMBASSI系统的多模型购物助手．国内这一领域也慢慢展开，王志良、赵彦玲、郝春辉等人于2001年应用人工心理理论，对人性化商品设计开发及商品选购中的重要因素——消费者心理进行研究，构建了考虑消费者心理的数学模型，并编制了基于这个模型的商品选购专家系统［9]等．

（2）远程教育领域中学生情感辨识方法

针对现代远程教育系统（E－learning系统）中缺少的学生情感辨识．马希荣、刘琳、桑婧于2005年将E－Learning系统和情感计算结合在一起，提出了一个基于情感计算的E－Learning系统模型［10]．解迎刚、王志良于2008年结合Agent技术、情绪心理学相关理论，设计了一个基于Agent技术的ELearning系统，以个性化教学、情感交互及人性化智能交互为核心，实现了现代远程教育（E－learning系统）过程的个性化、人性化和智能化［11]等．

（3）驾驶倾向性辨识方法

驾驶倾向性反映的是时变动态环境中汽车操作者的心理情感状态，无法直接精确测量而只能根据驾驶过程中的间接信息进行推测，因此是交通安全研究领域中的一个难点．以往的研究主要集中在驾驶员意图的辨识、驾驶员性格分析及驾驶行为的预测上，绝大部分没有涉及到时变条件下的驾驶员个性、心理、情感等及其演化规律，特别是利用时变条件下的人车环境数据对其动态量化计算等深层次的内容．

如在驾驶员意图的辨识方面，瑞典学者Gunnarsson将驾驶意图与车载信息系统采集得到的车辆轨迹相结合并设计了一种新的预警模型，运用该模型的车辆主动安全系统，可实时预测发生交通事故时车辆周边交通状况［12]；希腊学者Tsogas应用D－S证据理论研究驾驶员在驾车过程中的决策类型，并通过调查驾驶员的真实意图来优化模型的意图识别能力［13]；Tarek Taha等使用部分可观性马尔科夫决策过程（Partially Observable Markov Decision Processes，POMDPs）来进行大范围的操作者意图识别并将其应用到新型辅助轮椅驾驶系统中［14]；其他学者如美国加州大学圣迭戈分校Trivedi、Shinko Yuanhsien Cheng、我国学者宗长富、王玉海、何忠波等也从其它多个角度对驾驶员意图进行了分析等．

情感是人类具有智能的一个重要体现，然而如何通过情感来提高Agent的智能性已成为亟待解决的关键问题．余腊生、何满庆于2009年在综述跟驰模型研究的基础上，对司机驾驶行为中与人的因素有关的经典模型及其研究进展进行评述，提出未来智能交通流中应充分考虑司机情感对智能车辆建模与仿真的影响，以期正确地揭示出交通流的特性和本质［19]．

2 已有研究不足及发展趋势

通过对已有研究成果的分析，可得到如下结论：

（1）心理、情感是可以进行量化研究的．国内外的研究已经在个性机器人、个性化商品导购系统、远程情感数字化教学系统等方面取得了成果并得到了应用，说明心理及情感可以进行量化并可以进行准确的辨识．

（2）不同领域情感辨识在研究方法上存在较大的差别．不同领域的情感由于表现形式不同，所使用的方法也不一样．各个领域的情感辨识方法可以相互借鉴，但不能完全照搬．

（3）以往涉及驾驶员心理情感等方面相对微观的研究很少，且主要侧重于探讨驾驶员特性及其对驾驶行为的影响、以及从人车环境等因素出发对驾驶行为的推导和预测上．但是反过来，从人车环境多源信息出发推演驾驶员特性，特别是驾驶倾向性等更深刻的问题却极少考虑．而这一问题，对汽车驾驶安全，从主动安全预警，到黑匣子分析系统，都极为重要．

（4）汽车驾驶倾向性的研究尚处于起步阶段．以往研究多集中于在相对静态条件下从交通安全宏观角度进行的驾驶员心理测量及其对道路交通安全的影响分析等方面，有少数研究成果将驾驶员的个体差异引入到了汽车主动安全系统的理论研究中，但没有对如何识别驾驶员的个体差异做出详细研究．由于驾驶员、车辆、行驶环境等因素都存在个体显著差异，而不同因素的动态组合导致系统的极端复杂性，因此驾驶员倾向性的动态辨识极其复杂．驾驶倾向性机理如图2所示．

图2 驾驶倾向性机理

目前驾驶倾向性辨识的研究存在以下不足：

a．缺乏面向汽车安全驾驶预警系统的驾驶倾向性研究．现在已有驾驶意图识别方面的研究，而更进一步的驾驶员倾向性辨识及其对意图识别和态势评估影响方面的研究少见报道，缺乏具有较强识别能力和自适应能力的驾驶倾向性动态辨识模型．

b．驾驶倾向性识别方法单一，用于辨识驾驶倾向性的信息不够全面．目前文献大多采用相对静态的普通心理测量方式，没有考虑与时变环境中驾驶行为、车辆状态和行驶环境的历史信息联系起来协同推理．驾驶倾向性反映的是驾驶员在车辆操作和运动过程中表现出的心理情感状态，采用传统静态研究方法必然导致对驾驶倾向性辨识这一基本科学问题认识的不足．

针对汽车安全驾驶预警系统中的驾驶倾向性辨识，具体研究内容包括：揭示驾驶员行为、车辆状态以及行驶环境与驾驶倾向性之间的对应机制；运用心理测量、模拟驾驶、计算机仿真与实车道路实验相结合等手段，开展汽车驾驶倾向性的度量、建模、辨识等理论和方法研究，从而准确、快速识别各种驾驶倾向；探讨利用人车环境动态数据榨取用于表征驾驶倾向性特征向量和指标体系的方法，进而建立驾驶倾向性辨识模型．

［1] 王志良．人工心理［M] ．北京：机械工业出版社，2007．

［2] 杨国亮．人工心理相关技术研究［D] ．北京：北京科技大学，2006．

［3] 王志良，祝长生，解仑．人工情感［M] ．北京：机械工业出版社，2009．

［4] Ann H，Picard R W．Affective－cognitive learning and decision making：a motivational reward framework for affective agents［C] ／／The 1st International Conference on Affective Computing and Intelligent Interaction，ACII 2005．Beijing：China，2005：866－873．

［5] Ward R D，Marsden P H．Affective computing：problems，reactions and intentions［J] ．Interacting with Computers，2004，6（4）：707－713．

［6] 张迎辉，林学誾．情感可以计算——情感计算综述［J] ．计算机科学，2008，35（5）：5－8．

［7] De Freitas J S，Queiroz J．Artificial emotions：are we ready for them［C] ／／9th European Conference on Advance in Artificial Life，ECAL 2007．Lisbon：Portugal，2007：223－232．

［8] Zadeh S H，Shouraki S B，Halavati R．Artificial emotions forartificial systems［C] ／／2008AAAI Spring Symposium．Stanford，CA：United states，2008：46－49．

［9] 王志良，赵彦玲，都春辉，等．采用人工心理理论的商品选购专家系统［J] ．北京科技大学学报，2001，23（4）：376－378．

［10] 马希荣，刘琳，桑婧．基于情感计算的E－Learning系统建模［J] ．计算机科学，2005，32（8）：131－133．

［11] 解迎刚．基于人工心理的智能化E－Learning系统研究［D] ．北京：北京科技大学，2007．

［12] Gunnarsson J，Svensson L，Bengtssont F．Joint driver intention classification and tracking of vehicles［C] ／／Nonlinear Statistical Signal Processing Workshop．Cambridge：United Kingdom，2006：95－98．

［13] Tsogas M，Polychronopoulos A，Floudas N．Situation refinement for vehicle maneuver identification and driver’s intention prediction［C] ／／2007 10th International Conference，IEEE，2007：1－8．

［14] Taha T，Miro J V，Dissanayake G．Wheelchair driver assistance and intention prediction using POMDPs［C] ／／2007International Conference on Intelligent Sensors，Sensor Networks and Information Processing，ISSNIP．Melbourne，VIC：Australia，2007：449－454．

［15] Trivedi M M．Driver intent interface and dynamic displays for active safety：an overview of selected recent studies［C] ／／SICE（Society of Instrument and Control Engineers）Annual Conference，SICE 2007．Takamatsu：Japan，2007：2402－2403．

［16] 宗长富，杨肖，王畅，等．汽车转向时驾驶员驾驶意图辨识与行为预测［J] ．吉林大学学报：工学版，2009，39（s1）：27－32．

［17] 王玉海，宋健，李兴坤．基于模糊推理的驾驶员意图识别研究［J] ．公路交通科技，2005，22（12）：113－118．

［18] 何忠波，白鸿柏，孔庆春，等．基于驾驶员意图的AMT车辆控制研究［J] ．军械工程学院学报，2005，17（3）：24－28．

［19] 余腊生，何满庆．基于Agent和情感计算的司机驾驶行为模型研究［J] ．企业技术开发，2009，28（3）：19－21．

［20] 马艳，王令，郭华．驾驶员交通心理划分与个性化训练研究［J] ．公路交通科技，2008，25（9）：363－366．

［21] Barrett G V B，Thornton C L．Relationship between perceptual style and driver reaction to an emergency situation［J] ．Journal of Applied Psychology，1968，52（2）：169－176．

［22] 王晓原．基于心理物理综合认知结构的微观交通仿真模型［J] ．计算机仿真，2005，22（11）：233－236．

［23] Fang C Y，Fuh C S，Yen P S，Cherng S，et al An automatic road sign recognition system based on a computational model of human recognition processing［J] ．Computer Vision and Image Understanding，2004，96（2）：237－268．

［24] 王晓原，杨新月．基于决策树的不同驾驶行为决策机制研究［J] ．系统仿真学报．2008，20（2）：415－420．

［25] 吴超仲，马晓凤，严新平．考虑驾驶员反应能力的跟驰模型［J] ．武汉理工大学学报（交通工程与科学版）2007，31（4）：630－632．

［26] Kumaqai T，Akamatsu M．Prediction of human driving behavior using dynamic bayesian networks［C] ／／IEICE Transactions on Information and Systems，2006：857－860．

［27] 王海林，刘仲国，朱凯曼．影响汽车驾驶员行车安全的内在因素分析［J] ．汽车安全，2002，（1）：33－35．

［28] 马艳丽，王要武．驾驶员注意分配特性及其对行车安全的影响［J] ．交通运输工程学报，2009，9（4）：115－117．

［29] 王建强，迟瑞娟，张磊，等．适应驾驶员特性的汽车追尾报警－避撞算法［J] ．公路交通科技，2009，26（s1）：8－12．

［30] Abe G，Richardson J．Alarm Timing Trust and Driver Expectation for Forward Collision Warning System［J] ．Applied Ergonomics，2006，37（5）：577－586．