张 珊,石 蕊,刘文彬
[中汽研汽车检验中心(天津)有限公司,天津 300000]
随着汽车智能化的快速发展,驾驶员监控系统的新车搭载率持续攀高,技术路线和监控手段也时有革新,该系统显著降低了因为驾驶员疲劳、分心导致的交通事故,有效地保证了交通安全。驾驶员监控系统安装于车内,通过摄像头及车辆运动行为等反馈的不同数据输入监控驾驶员的实时状态,当驾驶员注意力不集中时发出警告,甚至在驾驶员进入无意识状态时进行干预控制车辆。
疲劳驾驶的场景测试方法有很多,《驾驶员注意力监测系统性能要求及试验方法》(GB/T 41797—2022)是基于睁闭眼和打哈欠(张闭嘴)的原理进行制定的。该视觉检测方案的优势在于定义清晰,重复性强。欧盟法规Driver Drowsiness and attention warning systems(DDAW,驾驶员嗜睡和注意力警告系统),基于驾驶员主观感受来定义疲劳驾驶场景。
由于驾驶员监控系统面对的驾驶员具有不相似的外貌和疲劳行为特征,且不同驾驶员对于危险驾驶的定义阈值也不尽相同,故驾驶员监控系统需要具有较强的鲁棒性和稳定性,当监测到不同驾驶员的外貌及疲劳状态时,发出正确的警告。
目前关于驾驶员监控系统测试方法的研究较少:关于不同外貌的驾驶员筛选及自我疲劳状态评价的培训较简单,尚未梳理完善、合理的筛选及培训体系;驾驶员疲劳时表现和车辆动力学表现与驾驶员监控系统性能的优劣评价尚未建立合理联系;涉及驾驶员监控系统整体性能测试方法研究较少,特别是实车测试手段。
基于此,该研究提出基于多源数据深度学习的驾驶员疲劳状态监控系统测试方法,以解决目前测试驾驶员选择的高随机性、驾驶员疲劳程度评价的不稳定以及测试方法流程不统一的难点问题。
驾驶员疲劳会出现多种生理特征,从状态来看,存在身体机能下降、眼睛发干、频繁眨眼、心跳加快、视觉模糊、视力下降、注意力分散、视野逐渐变窄、漏/错看信息情况增多、反应迟钝、动作僵硬、思维能力下降、头脑糊涂等。其主要对外反映的视觉特征有驾驶员头部的不自主晃动、频繁眨眼、打哈欠等行为[1]。
通过计算机视觉技术,捕捉驾驶员的面部表情,包括眼睛、嘴巴、面部肌肉等,分析这些表情的特征,以判断驾驶员是否处于疲劳状态[2]。例如,可以通过检测眼睛的闭合程度、嘴巴的张合程度等来判断驾驶员的疲劳程度,如图1~2 所示。
图1 闭眼疲劳
图2 打哈欠疲劳
可从汽车销售服务4S 店或其他宣传销售渠道获取客户信息及典型人群特征,若车辆目标群体面向年轻女性,那么测试样本的女性驾驶员占比可增加;若车辆目标群体是货车司机,那么测试样本的男性职业司机占比可增加。
多数驾驶员监控系统利用摄像头作为传感器,拍摄驾驶员面部神态作为疲劳数据输入。故选择不同外貌、不同佩饰的驾驶员,有利于检测系统的鲁棒性;驾驶员的驾驶习惯和性别、年龄等有关,也会影响试验结果[3]。选取驾驶员时可参考表1。
表1 驾驶员特征分布
应确保筛选出的驾驶员不少于10 人,且表1 中同一特征的每个组别均有代表驾驶员(不同特征可重复)。测试样本不包括驾驶员疲劳状态监控系统的研发人员。构建的驾驶员库中应包含身高、体重、面部特征、困倦时的表现、驾驶风格等信息。
对驾驶员进行疲劳程度评级培训和测试,筛选出能够准确完成自我疲劳程度评级的驾驶员,构建驾驶员数据库。
将卡洛琳斯卡睡眠尺度表(KSS)[3]内容(如表2所示)告知驾驶员,并观看疲劳素材库中的图片和视频,展示不同疲劳等级下驾驶员由清醒到困倦的神态及动作表现,使被培训者有更清晰的认知。
表2 卡洛琳斯卡睡眠尺度表(KSS)
被培训者进行一整天的自我练习,从早晨开始至晚上,每隔一段时间朗读一篇文章并拍摄视频记录,同时对该时间段的自我疲劳程度进行KSS 评级。由试验员分别观看被培训者的视频,评估面部神态并对其疲劳程度进行打分。若试验员打分与被培训者打分的相关性系数较大,则认为被培训者的评级准确。
相关性系数r的计算如式(1)所示:
式中,i——培训视频个数;n——视频总数;j——试验员数;k——试验员总数;Xa,i——驾驶员a观看不同视频的疲劳等级打分;——驾驶员a观看所有视频的打分平均值;Yj,i——试验员j观看不同视频的疲劳等级打分;——试验员j观看所有视频的打分平均值。
实车测试时,试验车辆安装惯性GPS 组合测试系统采集车辆的速度和位置信息;数据采集器采集车辆报警信号;眼动仪采集驾驶员面部特征信息。
Smarteye 眼动仪在前挡风玻璃下的中控平台上安装3 个摄像头,追踪驾驶员在自然驾驶状况下的左后视镜到右后视镜的视角范围内眼动数据(具体安装位置根据车型调整)。安装位置保证驾驶员面部位于摄像头平面的视野范围内,眼动仪记录的注视点和真实注视点相符,摄像机校准后不能挪动位置。
图3显示,试验设备系统由1 个智能摄像头从后排面向前方拍摄,可以记录试验过程中的道路场景;前方三个摄像头拍摄驾驶员面部信息。
图3 基于视觉疲劳检测设备系统
各路摄像头采集到的驾驶员面部特征信息及车辆的速度、相对位置等也可通过设备界面实时监控,如图4 所示。
图4 采集数据的回放界面
同时,驾驶员佩戴生理数据监测设备需在驾驶员的脑部、颈部和手部贴传感器获取驾驶员的脑电、皮电和心电数据,结合测试过程中的眼动数据以及观察面部表现,进而计算获取驾驶员心率[4],对比驾驶员清醒和疲劳时的数据,作为驾驶员困倦的评判参考。
试验线路为封闭道路试验场,位于山东济南市,原为高速公路的一段,规划设计符合高速公路市政道路设计。试验路线双向总长约52 km,主体双向四车道,有中央分隔带,两侧有应急车道,包含隧道、桥梁等场景,纵坡、弯道、长直线等场景丰富,如图5 所示。
图5 高速智能网联测试基地
由于是在真实道路环境下的实车试验,试验过程有一定的危险。需要对试验车辆安装副驾刹车踏板等安全备份系统,并在副驾驶位配备安全员,若主驾驶位的驾驶员困倦难以控制车辆时,副驾安全员及时操作安全备份系统并接管车辆。
驾驶员位于驾驶位置,调整座椅及坐姿;安全员位于副驾,副驾安装制动踏板,要求安全员发现碰撞风险时及时接管车辆;试验员调试测试设备,记录时间和天气等。
车辆速度控制在70~130 km/h 范围内。驾驶员在驾驶过程中保持安静,听从试验员安排,保证车辆及随行人员安全,必要时配合副驾驶位安全员的操作,当试验员问询时回复相应状态。
试验开始时,试验员会问询一次驾驶员KSS 评级,若此时评级小于6 级,则要求驾驶员KSS 等级到达6 级时主动报备。当驾驶员KSS 等级到达6 级后,试验员每隔5 min 问询一次驾驶员的KSS 评级[5],并通过前方摄像机记录面部特征。仪表处安装数据采集器,采集报警图标及声音。
当驾驶员发生TP(真阳性,即驾驶员真实困倦且系统发出警告)事件,视为有效,终止试验,下一名驾驶员进行测试;若发生FN(假阴性,即驾驶员真实困倦但系统不发出警告)事件,最多重复2 次,视为有效,终止试验,测试下一名驾驶员;当驾驶员评级错乱,剔除该次数据。
使用全部测试后得到的有效数据,计算所有参与者的平均敏感度、敏感度标准差及90%置信区间的下限。
参与者的敏感度,如式(2)所示:
所有参与者的平均敏感度,如式(3)所示:
标准差(敏感度)如式4 所示:
式中,n(TP)——系统和驾驶员都正确地识别为困倦(真阳性)的事件总数;n(FN)——系统预报驾驶员不困倦,驾驶员困倦(假阴性)的事件总数。
参与测试的11 名驾驶员数据有效,相应的个人敏感度、平均敏感度及敏感度结果90%置信区间的下限见表3。
表3 驾驶参与者敏感度计算
对于封闭试验场,如平均敏感度>45%,敏感度结果90%置信区间的下限>22.5%时,则视为有效。表3计算结果显示,该次试验结果可信,被测试驾驶员可以良好地评价自身疲劳等级,且驾驶员监控系统样品通过测试,该试验方法可行。
该研究提出了基于主观评价的驾驶员疲劳状态监控系统测试方法,细化考虑个人特征的驾驶员选择方案,保证驾驶员样本具有多样性,充分测试了驾驶员监控系统面对不同驾驶员时的鲁棒性和稳定性。
对驾驶员实施的KSS 培训及测试可以充分训练驾驶员的主观疲劳评价能力,使其对自我疲劳程度有清晰的认知。
实车试验在考虑安全备份的基础上获取更真实的疲劳驾驶数据,充分测试驾驶员监控系统的产品性能,有利于保障道路行车安全。