基于BP网络的驾驶员黄昏空间距离判识规律＊

赵炜华 刘浩学 陈 昊

（长安大学汽车学院 西安 710064）

交通事故日发生规律统计显示，黄昏时段交通事故多发［1］.交通事故发生因素的相关研究表明，驾驶员因素起主要作用，占发生事故的80%以上.驾驶员在驾驶车辆过程中，感知道路交通信息，是驾驶行为和决策的基础［2］.在驾驶员事故致因中，感知失误占42%，判断失误占36%.而对于驾驶员感知信息的方式研究又表明，无论采用上行模式还是下行模式获取交通信息，90%以上信息感知来自于视觉［3－5］.由此可见，视觉特征的相关研究，对于改进驾驶员行车安全具有重要意义.在以前相关研究中，对于黄昏交通事故的成因分析，多集中于暗适应的影响［6］.在道路交通标志设置中，针对黄昏时段环境照度不断下降，而人眼对蓝色光波长的光线最为敏感，且视认性最高的特性，进行交通标志的颜色设计.相关文献研究了昼间动态环境中红、绿色障碍物随着速度变化，空间距离判识及差异的数量关系［7－8］.但随着黄昏时段环境照度不断下降，驾驶员对于距离判识会如何变化，对驾驶员行车策略有何影响等问题，仍未可知.在驾驶员信息加工过程研究中，由于神经学和生理学限制，且人工神经网络具有强大的学习功能，可以比较轻松的实现非线性映射过程，尤其是可在信息处理模式未知情况下可分析相互关系，使得对于生物神经的模拟研究应用逐渐增多［9－10］.本文力图通过实际道路试验，获取神经网络学习样本，运用3层BP神经网络，模拟驾驶员在黄昏时段，判识空间距离随环境照度下降而变化的定量规律，分析其对于驾驶行为和交通安全的影响.

1 实验设计与被试选择

1.1 试验设计

依据费希纳定理可知，感知差异与物理量差异，呈非线性的关系.因此，试验环境照度在多次准备试验的基础上，根据多人次判识差异聚类分析，确定正式试验环境照度.结果分别为3000，2000，1000，500，200，50，10，2，0.6lx等9个照度值.试验均在设计照度下进行，并严格控制试验步骤［11］.试验现场设计如图1所示.

1）试验道路为1100m 直线路段，方向为东西走向；试验时间区段为18：30～20：00时，天气晴或多云.

图1 试验现场设计

2）在车辆行驶深度方向，辨识点与第一障碍物的距离，按近距离（25m）、中等距离（75m）、远距离（125m）3种状况设置，两个障碍物之间的相对距离始终为40m 不变，被试分别对3组深度距离不同的障碍物进行判识.

3）被试在未知实际距离情况下，判识障碍物的空间距离.开始时，车辆位于判识标杆处，被试驾驶员坐入驾驶座，并保持驾驶姿态.被试判识同一环境中的绝对空间距离X（车头与第一判识点障碍物距离）和两障碍物之间的相对距离Y，分别直接报出X 和Y 的主观判识数值.除直接报出距离数值外，要求每位驾驶员试验结束后，对每组判识过程进行系统描述.

4）试验车辆为福特全顺JX6541B－H 型，前风挡玻璃无遮挡物影响；道路障碍物尺寸为0.5m×0.5m×1.3 m，颜色选用暖色调的红色和冷色调的绿色；环境照度用LX1330B型数字照度计测试.

1.2 被试选择

被试驾驶员按照随机性原则选取，并注意相关因素的影响，共选取不同行业、不同驾驶经历、不同职业、不同年龄和不同驾龄的32名男性驾驶员.要求驾驶年限均超过5 年驾龄，持有B 照以上驾驶执照.视觉机能正常，技术娴熟，且有良好的驾驶习惯，无生理缺陷和重、特大事故经历.被试基本情况如表1所列.

表1 被试驾驶员基本情况分类表

2 试验结果

将全部被试在不同试验条件下获得的距离判识结果，分别进行配对T 检验，以分析颜色对判识结果的影响.检验结果表明，黄昏时随着环境照度下降，不同颜色障碍物距离判识差异显著；随着深度距离增加，不同颜色障碍物距离判识差异显著.取不同判识条件下被试判识结果平均值，作为驾驶员距离判识特征值.因红、绿颜色障碍物的判识差异显著，分别建模对所获判识结果进行分析.

3 判识距离变化规律

1）模型结构 基于距离判识结果，利用BP神经网络，建立驾驶员黄昏空间距离判识模型.模型采用3层前向BP 神经网络，输入层为照度和深度距离，共2 个神经元；对于模型隐含层神经元，绝对距离判识模型中红色障碍物为15个神经元，绿色为17个神经元；红、绿色相对距离模型隐含层均为14 个神经元；输出层为空间距离判识值，仅有1个神经元.

2）模型算法 隐含层的神经元均采用正切tansig函数作为传递函数，将输入值进行归一化处理.输出层的神经元采用logsig函数，训练函数考虑网络泛化能力，选取了trainbr函数.训练步数为2000，调整比率为0.5，学习误差设置为不超过0.1%.

4 模型训练及模拟

4.1 黄昏距离判识模型训练及检验

利用实验方案中的环境照度和深度距离为输入量，驾驶员距离判识平均量为输出指导值，训练BP神经网络模型，模拟判识距离变化.再将判识数据和试验设计值作为网络测试样本，检验数据拟合程度.模型经过学习样本的训练，得到满足误差要求的权值和阈值，并将其保存到模型中，作为模型的参数，然后用该模型进行判识距离模拟.经检验，模型对判识数据拟合程度非常好，指导值与模型检验结果之间差异在有限范围内.

4.2 黄昏距离判识变化模拟

利用训练好的模型，模拟计算不同深度距离下绝对距离判识值，其结果如表2所列.

采用相同处理方法，可获得判识相对距离随深度距离和环境照度的变化趋势，其结果如表3所列.

表2 黄昏判识绝对距离模拟结果

表3 黄昏判识相对距离模拟结果

计算结果所得判识距离大于白天判识距离，变化趋势与被试对空间距离感知变化的总结性描述一致，模拟结果可信.

黄昏时段随着环境照度不断下降，车辆行驶方向上相同深度距离判识值逐渐增大，造成驾驶员对于车辆运行状态安全性主观感受大于实际水平，因此驾驶员易采用高于实际允许的行车速度或更小的跟车距离，诱发交通事故.同时驾驶员在黄昏空间距离辩识变化规律的定量研究，不仅对于车辆跟驰模型建立、事故勘查、驾驶行为模拟和驾驶员指导培训具有重要意义，而且对于特殊气候条件下行车安全和工程实践应用具有重要作用.

5 结 论

1）在黄昏时段，判识距离大于实际距离，随着环境照度的不断下降，判识空间距离进一步增大.

2）在黄昏时段，随着深度距离增加，判识距离也逐渐增大，与实际距离的差异也逐渐增大，但相对距离判识准确性高于绝对距离.

3）黄昏时段红、绿色障碍物引起的判识距离存在差异，绿色判识距离大于红色.

4）黄昏驾车时，驾驶员须降低车速或增大跟车距离，以保障足够的碰撞接触时间.

［1］黄 俊，方守恩，白玉琼.道路交通事故的时间分布［J］.公路交通科技，2004，21（9）：112－116.

［2］袁 伟，付 锐，郭应时，等.汽车驾驶人感知－决策－行为模式［J］.长安大学学报：自然科学版，2007，27（3）：80－83.

［3］刘浩学，刘晞柏.交通心理学［M］.西安：陕西省科学技术出版社，1992.

［4］周荣刚，张 侃.多参照系条件下信息获取方式对绝对方位判断的影响［J］.心理学报，2008，40（11）：1137－1148.

［5］LEE D N.A theory of visual control of braking based on information about time－to－collision［J］.Perception，1976（5）：437－459.

［6］WANG Wenqun，CHEN Haibo，BELL M C.A review of traffic incident duration analysis［J］.Journal of Transportation Systems Engineering and Information Technology，2005，5（3）：127－140.

［7］刘浩学，赵炜华.驾驶员昼间动态环境暖色调障碍物空间距离判识规律［J］.交通运输工程学报，2009，9（2）：105－109.

［8］赵炜华，刘浩学.色调对昼间动态环境中驾驶员空间判识的影响［J］.长安大学学报：自然科学版，2009，29（5）：90－94.

［9］DUNCAN J，HUMPHREYS G W.Visual search and stimulus similarity［J］.Psychological Review，1989，96：433－458.

［10］贾林祥.试析认知心理学的三种研究取向及其未来发展［J］.徐州师范大学学报：心理学和科学版，2005（3）：114－117.

［11］艾森克M W，基恩M T.认知心理学［M］.高定国，译.上海：华东师范大学出版社，2008.