驾驶员状态监测目标动作报警阈值的确定

张 香，王 戡，胡 雄

（招商局检测车辆技术研究院有限公司，重庆 401122）

据统计，2019年全国共发生道路交通事故1 247.3万起，造成6.2万人死亡，25.6万人受伤[1]。有研究表明，人为因素造成交通事故的比例高达80%～90%。驾驶员作为交通信息的接收者、处理者和决策者，其驾驶行为是衡量车辆行驶安全的重要指标，直接影响和决定行车安全。驾驶员监控系统（Driver Monitor System, DMS）可以实现对驾驶员的驾驶疲劳、分心以及其他危险行为（比如打电话，左顾右盼等）的监测[2]。当DMS监测到驾驶员出现危险驾驶行为时，可及时对驾驶员做出提醒。作为一项可以挽救人类生命的技术，标准法规对 DMS的普及做出了有力的推进。据悉，全国性的商用车DMS系统强制安装法规已经在调研立项之中，最快有望在明年底出台。欧盟新车安全评鉴协会（European-New Car Assessment Programme, E-NCAP）发布的最新2025路线图，要求从2022年7月开始，所有新车都配备DMS。然而，现有驾驶员监测系统相关的检验标准和测试评价规范还不成熟[3]。

驾驶员状态监测技术的一个关键问题是如何确定驾驶员状态监测目标动作的报警阈值。阈值设置得过小，会导致误报警太多，阈值设置得过大，会导致系统监测不及时，造成漏报警现象。目前相关文献中对于阈值的确定多根据目前技术能力及驾驶员习惯讨论得出，缺乏理论依据[4]。本研究通过设计实验采集车辆行驶数据，采用大数据聚类的方法确定驾驶员状态监测目标动作报警的合理阈值，可以为DMS开发及测试标准的制定提供参考。

1 建立车辆运行状态评价指标体系

车辆运行状态是驾驶员操控行为作用的直接结果，而操控行为又是对驾驶员决策指令动作的直接体现。由于车辆操纵及运行状态参数受到驾驶任务、道路环境、驾驶员本身特性和生理负荷等多种因素的影响，蕴含着大量有效信息，且可由驾驶模拟器直接输出。因此，通过对车辆操纵及运行状态参数的深入挖掘分析，可对驾驶行为进行分析描述，广泛应用在国内外驾驶行为安全研究领域的研究中。车辆运行状态参数包括速度、加速度、跟驰距离等；驾驶员操控行为参数包括制动踏板开度、加速踏板开度、方向盘转角等[5]。参考相关文献[6]，选取的驾驶车辆操纵及运行状态安全性的评价指标如表1所示。

表1 车辆操纵及运行状态指标统计

速度标准差反映测量时段内的速度变异性，速度标准差越大，车速稳定性越差；加速度标准差反映的是纵向加速度的变异性，较大的纵向车速变化会增加驾驶风险；车头时距是前后两车间距与后车车速的比值，车头时距越小，危险程度越大；跟车距离标准差表示跟驰距离的波动，是反应驾驶员纵向驾驶控制能力的重要指标；方向盘转动频率是方向盘转角峰值出现的次数与采样时间的长度的比值。当驾驶员状态异常时，对方向盘操作的稳定性会下降，方向盘转动频率随之降低；方向盘转角熵是度量驾驶过程中转向时的不平顺性和不确定性，以及驾驶员的驾驶负荷情况；方向盘转角标准差可以度量驾驶员在这段时间内的方向盘转角的变动水平以及离散程度；车辆横向位置偏移标准差反映驾驶员对车辆的横向位置控制情况，数值越大，表明车辆横向位置变异性越大，保持能力越差。

2 实验设计

2.1 实验设备

本研究所用的人机共驾虚拟实验平台实现了驾驶人真实驾驶环境的高度还原，驾驶员可以在驾驶舱进行近似真实的驾驶行为，整套设备硬件包括模拟器、视景系统硬件和控制系统硬件。模拟器包括六自由度运功平台、上平台和改装驾驶室，系统布置如图1所示。上平台是六轴运动平台与驾驶室进行连接的结构件。改装驾驶室是对轻卡驾驶室与驾驶各执行控制器进行集成；连接六自由度运动上平台结构；连接方向盘，油门刹车的模拟设备。视景系统由弧幕、投影机、龙门架组成，采用三通道连续视场的正投柱幕显示方式。

图1 K-means聚类算法的流程图

软件系统包括虚拟仿真系统、场景建模和投影融合软件。虚拟仿真系统可以实现不同天气与光线的控制，包含晴、雾、雨天，一天不同时段的光照，实现场景中交通流的密度控制。场景建模可以实现环境精确还原，包含路面、道路标线、交通标牌、信号灯与路边建筑等。

2.2 被试人员及实验辅助人员

1.被试人员

模拟驾驶实验共招募具备五年以上驾驶经验的驾驶人20名，年龄在30～47岁之间，驾龄为5～20年，在过去从业过程中未发生重大行车安全事故，有 85%的被试人员承认在驾驶过程中使用手机及等分心驾驶次任务。

2.实验辅助人员

实验辅助人员共三名，一名控制摄像机的实时录像存档，一名驾驶模拟平台操控人员，一名实验期间提醒驾驶人驾驶任务的操作。

2.3 实验过程

每位被试人员提前半个小时到达实验室，到达后，开始阅读实验知情书，被试人员填写问卷调查表，包括个人信息和驾驶爱好等。被试人员在非实验路段模拟驾驶二十分钟，对模拟驾驶器进行熟悉，然后实验正式开始，试验过程如图2所示。

为采集驾驶人不同行车速度时的驾驶行为，每位驾驶人进行 4次实验，每次实验的速度控制在（30±10）km/h，（50±10）km/h，（70±10）km/h，（90±10）km/h，每次实验共分为六个阶段：

第一阶段为自由驾驶阶段，为驾驶人从实车到模拟驾驶环境中的转变进行进一步的适应。

第二阶段为抽烟驾驶次任务，驾驶人在行驶至路段5 km处，开始抽烟，抽烟动作持续时间为5 s。

很多院校目前均开设了职业素养的课程，根据调查职业素养课程普遍存在的两大问题是：第一，作为单独的一门课程去学，学生学习的主动性和接受性较差，容易和其他课程等同，造成对科目的厌倦；第二是面向全院所有学生讲授，不能做到根据专业不同而设置不同的讲解方向和培养目标。针对性的开展职业素养课程才能让学生更明确自己的职业方向。

第三阶段为打电话次任务，驾驶人在行驶至路段10 km处，开始打电话，打电话动作持续时间为5 s。

第四阶段为左顾右盼，驾驶人在行驶至路段15 km、20 km、25 km、30 km处，分别开始向左看、向右看、向上看、向下看，动作持续时间都为 5 s。

第五阶段为打哈欠实验，驾驶人在行驶至路段35 km 处，开始打哈欠，打哈欠动作持续时间为 5 s。

第六阶段为闭眼实验，驾驶人在行驶至路段40 km 处，开始闭眼，闭眼动作持续时间为5 s。

2.4 数据采集及预处理

收集实验过程中车辆横向、纵向的速度、加速度，方向盘转角等信息。通过车辆行驶的距离以及驾驶人动作持续时间，筛选出正常驾驶与分心驾驶的数据[9-10]。车辆运行数据质量的好坏关系到进一步具体研究的分析结果，所以有必要对自然轨迹数据的质量进行评估。

1.数据的离群点判别

式中，Gj为Grubbs 的检验统计量；Vj为某个采样点的速度；为所有采样点的速度平均值；Vj-为速度的残差；S为所有采样点的速度标准差；Gp(n)为 Grubbs 的临界值，置信概率p通常取0.95；n为采样点的数量；Gp(n)通过查Grubbs检验的临界值表得到。如果某个样本点Vj的Grubbs检验统计量满足Gj≥Gp(n)，那么就将此样本点判定为异常点。

2.数据质量评估

异常值视为不正确的样本点，在进行异常值处理的同时，根据每个样本的异常值点个数来评估该样本的数据采集质量。

式中，Nincorrect为异常点样本的数量；NTotal为数据的总数量。

部分样本质量评估的结果如表2所示，为了减小异常值对后续研究的影响，将异常值剔除并用相邻点的平均值代替。

表2 部分样本的质量评估结果

3 基于K-means算法的驾驶员状态监控动作报警阈值确定

3.1 K-means算法原理

K-means聚类是一种基于欧式距离的聚类算法。该算法[9-10]的思想是，首先确定划分为几个类簇，选取初始聚类中心，计算每个样本距离初始聚类中心的距离，将样本划分到距离最近的类簇中，当标准测度函数的性能达到最优的时候，停止迭代，得到最终的聚类结果。本文是基于不同样本距离各类簇中心的距离将车辆运行状态数据集进行分类。

K-means 算法的流程图如图1所示。

1）确定k个初始聚类中心，在车辆运行状态数据集中随机选择k个样本点作为K-means聚类算法的初始聚类中心。

2）根据式（3）依次计算所有数据集到k个初始聚类中心的欧式距离：

式中，(j)kμ为第j次迭代时第k个初始聚类中心的位置，k=1,2,…,K；Pt为t个数据集，t=1,2,…,n；d(t,j)为第j次迭代时，第t个数据集到初始聚类中心的欧式距离。

3）根据每个车辆运行状态数据集到各个初始聚类中心点的距离，将所有数据集划分到关于初始聚类中心距离最小的类簇中。

4）重新计算各个类簇新的聚类中心。

式中，μk(j+1)为第j+1次迭代时第k个聚类中心的位置；Pn为每一类样本数据。

5）计算车辆运行状态数据集中所有样本数据的平方误差，如果|Eit-Ei|<δ则算法结束，否则返回步骤2再次迭代，如式（5）。

式中，Ei为所有车辆运行状态数据集的平方误差；δ为误差限。

3.2 确定驾驶员状态监控目标动作报警阈值

通过 SPSS软件对车辆运行状态数据集进行K-means聚类时，需要确定K值和初始簇心的位置。算法迭代次数越多，时间复杂度越高。所以，本文设置最大迭代次数为 50，簇的数量k=3，随机选取车辆运行状态数据集中的 3个样本点作为初始簇心进行聚类[11]。根据聚类结果将驾驶员状态分为危险状态、一般危险状态、安全状态三类。根据三类状态的簇心位置将车辆的运行状态分为安全状态、一般危险状态、危险状态及非常危险状态，结果如表3所示。

表3 车辆不同运行状态的时间统计

驾驶员状态监测的关键是如何确定驾驶员状态监测目标动作的报警阈值，阈值设置的过小，会导致误报警太多，阈值设置的过大，会导致驾驶员状态监测不及时，造成漏报警现象。

所以，本研究将危险状态确定为驾驶员状态监测目标动作的报警阈值（均取整数），统计结果如表4所示。

表4 驾驶员目标动作报警阈值

4 结束语

驾驶员状态监测系统是通过车载终端设备采集、分析摄像头中的驾驶员驾驶行为，以面部表情、头部动作和手部姿势为特征识别判断是否出现不安全驾驶行为，对司机实现实时预警。本研究通过设计实验驾驶模拟器采集车辆操纵及运行状态参数。采用大数据聚类的方法将车辆运行状态分为三类。根据三类状态类簇的簇心位置将车辆的运行状态划分为安全状态、一般危险状态、危险状态及非常危险状态，确定驾驶员状态监测目标动作的报警阈值，本研究可以为DMS开发及测试标准的制定提供参考。