摘  要： 使用非侵入行為監測技術采集了油門踏板和剎車踏板以及座椅靠背的受力信號，分析其變化規律并使用WEKA J48決策樹算法建立分類模型，對誤踩行為進行判斷和預測。研究結果表明，利用機器學習能夠歸納出油門踏板的操作特點，提供精確的誤踩判斷。
關鍵詞： 駕駛行為；非侵入監測；道路交通安全；誤踩油門；機器學習

　隨著經濟的發展，我國的道路交通安全形勢日益嚴峻，道路交通安全已經極大地威脅著社會公眾的生命和財產。近年來，由于錯把油門踏板當成剎車踏板踩踏而引發的重大交通事故時有發生，引起社會的高度關注。引發交通事故的原因是多方面的，除了交通環境和機動車輛因素外，駕駛員的行為在事故的發生中起主導作用。美國著名的豐田“剎車門”事件調查結果表明，汽車的突然加速不是因為電子操控系統的缺陷，而是因為駕駛員想要剎車時誤踩了油門。
　圍繞著誤踩油門問題，國內外研究人員從不同的角度進行探索，尋找防止誤踩油門的方法。參考文獻[1]通過警察交通事故報告來理解誤踩事件的頻率、機制和交通狀況。Cuong Tran[2]等人使用攝像機錄制駕駛員腳部的動作進行視頻分析，來預測踩踏行為。很多研究直接提出防止誤踩的解決方案，如設計剎車和油門合二為一的踏板；使用紅外感應器感知腳部的踏板行為并進行語音提示，讓駕駛員判斷即將執行的動作的正確性[3]。
　但解決方案大多沒有考慮汽車的內部機械結構，對原有裝置改變較大，操作可行性較低。改變汽車的機械結構將會改變駕駛員的操作習慣，容易引起誤操作。此外，部分方案中雖然提出誤踩的判斷依據，如踏板受力、踏板運動速度[4]、油門電路信號等，但是判斷標準不明確，可靠性較差。
1 非侵入駕駛行為監測
　引發誤踩油門事故的一種常見情況是：當駕駛員遇到緊急情況想要急剎車，但在緊張慌亂中誤踩了油門，造成汽車突然加速。目前汽車上的剎車踏板和油門踏板是分離的，正常情況下，駕駛員的右腳應放在油門踏板上。剎車時，駕駛員需要先抬起右腳，再扭轉腳踝偏向左方，踩踏剎車踏板。由于扭轉角度較大，右腳從油門踏板移到剎車踏板至少需要0.2 s，反應時間較長。因此，某些情況下盡管駕駛員的操作意愿是正確的，但在緊急剎車的瞬間往往無法做出正確的應對，導致踩錯油門踏板。
　本研究通過采集駕駛員的操作數據進行定量分析，建立誤踩油門的判斷模型，從而快速判斷誤踩行為，并通過車載系統對錯誤行為進行干預。駕駛員行為安全的相關研究中常常會運用侵入式數據采集方式，如使用佩戴式傳感器或攝像機來采集駕駛員頭部、面部[5]、手部[6]、腿部[7]和腳部[2]的信息，這些信息雖然可以較為容易地反應駕駛員的操作行為，但是會對駕駛員的正常駕駛操作產生影響。
　為了不影響駕駛員的正常操作習慣，本研究運用非侵入行為監測技術，持續地監測駕駛員的操作行為。非侵入行為監測是指在用戶熟悉的環境中，在不對其產生干擾的情況下，對用戶進行活動追蹤、收集數據，并通過對存儲數據的研究和知識挖掘，來探索用戶的活動模式和趨勢。本研究選取駕駛過程中與駕駛員有直接接觸的三個裝置：剎車踏板、油門踏板、座椅靠背，采集三部分所受的力，分析駕駛操作與以上數據之間的關系，建立行為分類模型，幫助駕駛員在緊急情況下作出正確判斷，提供安全的交互服務。
　研究實驗采用裝有地板式油門踏板的豐田手動擋汽車，選擇駕齡三年以上具有豐富駕駛經驗的駕駛員進行實驗數據采集。實驗所使用的設備主要有超薄型電阻式壓力傳感器FSR406、彎曲壓力傳感器、Arduino Duemilanove電路板、擴展板以及筆記本電腦，部分裝置如圖1所示。

　實驗選取相對平直的公路，控制行駛速度在30~70 km/h，連續駕駛時間為40 min。實驗模擬緩慢加速平穩駕駛再緩慢減速，緩慢加速平穩駕駛再緊急減速，緊急加速平穩駕駛再緩慢減速，緊急加速平穩駕駛再緊急減速四種情況，并在四種情況中模擬錯踩油門的駕駛行為。在駕駛過程中，三個傳感器將采集到的壓力模擬信號發送到Arduino處理器中，然后再由Arduino發送至電腦，數據采集頻率為50 Hz。
2 數據處理分析
　利用傳感器以及Arduino處理器采集得到不同駕駛條件下汽車油門踏板、剎車踏板以及靠背的受力變化曲線，如圖2所示。

　對比圖2分析可知，正常駕駛和緊急加速時，靠背的受力變化無明顯規律，雖然在誤踩油門踏板時存在急劇增加的現象，并且其受力明顯高于其他條件下靠背受力，但考慮到正常駕駛中存在駕駛員突然靠向靠背等現象，因此靠背受力信息作為誤踩油門判別的準確度不高，可以作為輔助判別標準進行分析。在油門踏板受力信息中，正常駕駛和正常急加速條件下，踏板受力信號類似方波，且踏板受力較小，力的大小變化較為平穩，因此油門踏板受力的方差較??；而誤踩油門踏板時，油門踏板受力顯著高于正常駕駛和正常緊急加速條件下的踏板受力，且踏板受力變化快，此時油門踏板受力的方差較高。因此，根據油門踏板受力變化的速度以及力度大小或者油門踏板受力的方差可對是否誤踩油門踏板進行判別。
3 駕駛行為建模和預測
　根據駕駛實驗的數據分析，本文提出了一種非侵入行為監測和定量判斷駕駛員誤踩油門行為的方法，如圖5所示。首先，使用安裝在油門踏板上的壓力傳感器捕捉駕駛過程中的踏板受力；然后使用機器學習軟件來研究踏板的行為，建立誤踩油門的判斷模型，并通過車載系統對錯誤行為進行干預。通過對駕駛行為的觀察，可將油門踏板的操作行為分為正常加速和誤踩兩種情況。

　在機器學習中，決策樹是一個預測模型，它代表對象屬性與對象值之間的一種映射關系。樹中每個節點表示某個對象，每個分叉路徑代表某個可能的屬性值，每個葉節點則對應從根節點到該葉節點經歷的路徑所表示的對象的值。決策樹僅有單一輸出，若需要有復數輸出，可以建立獨立的決策樹處理不同輸出。在數據挖掘中，決策樹是一種經常用到的技術，可以用于分析數據，也可以用來作預測。本實驗使用開源的機器學習以及數據挖掘軟件WEKA（Waikato Environment for Knowledge Analysis），采用決策樹分類器算法J48評估每個窗中踏板的受力數值，建立分類模型。
　在行為建模和預測過程中，需要選取樣本數據進行分析和預測，本文著重選取油門踏板行為進行深入研究，并進行大量操作油門踏板的模擬駕駛實驗。在特征提取中，一個樣本為大小64的窗，即64個數據點為一個樣本。由于50%的交疊對特征提取是最有效的方式[8]，因此實驗中每個窗交疊32個數據點，劃窗每移動半個窗提取一次特征值。矩形窗的大小為64的原因是：與正常加速相比，誤踩油門動作的時間較短，這些動作的時間長度在1.3 s左右。如果矩形窗過小，則動作采集不完整無法體現動作的特征，進而無法做到較好的分類。如果矩形窗過大，則不能在動作完成之前進行預測，達不到預測的效果。樣本每20 ms采集一次數據，64個數據的采集時間為1.2 s左右，可以提取到動作的特征，又不會采集到其他動作的區域；另外，64為2的6次方，便于對數據做快速傅里葉變換（FFT），為其中兩個特征量的提取做準備。
　在決策樹模型中，對59組油門踏板受力數據進行分析與判別計算，其中38組數據為誤踩油門時的油門踏板的受力數據，剩余21組數據為正常踩踏油門時踏板的受力數據。由于單一的選擇踏板受力的大小分析數據易產生較大的判別誤差，因此在模型計算中，本文選用了油門踏板受力的方差進行分析計算。
　利用決策樹算法計算得到一個一層的二叉樹。當油門踏板受力的方差小于或等于112.155 567時，踩踏油門踏板行為即為正常加速，油門踏板受力方差大于該值時即為誤踩油門踏板。圖6即為利用決策樹算法對59組樣本數據的行為判別結果，其中“×”是判斷正確的樣本，“□”是判斷錯誤的樣本；黑色圖標是正常加速，灰色圖標是誤踩。根據模型計算分析得出決策樹模型的判別正確率為93.220 3 %，這表明利用決策樹模型能夠較好地判斷出正常加速與誤踩油門。在正常加速和誤踩的判斷中各出現兩次判斷錯誤，這是由于在方差判斷值附近容易出現誤判現象。

　此外，模型分析計算的時間為0.03 s，這表明決策樹分析計算模型能夠快速地對采集到的數據信號進行分析計算，不會出現因數據分析時間過長而導致防誤踩裝置無法及時反應。因此，利用決策樹模型能夠很好地實現踩踏油門行為的判別，準確判斷出駕駛員是否出現誤踩油門行為。
　本文對駕駛員的駕駛操作進行非侵入行為監測，獲取實時的活動數據，并利用駕駛時油門踏板受力信號的變化規律建立行為識別模型。在不改變機械結構情況下，快速采集信號并判斷駕駛員的操作行為，通過車載系統對錯誤行為進行干預，以避免因誤踩油門導致交通事故的發生。該方法為建立高精確度的踩踏油門行為判斷提供了參考。
參考文獻
[1] SCHMIDT R A， YOUNG D E， AYRES T J， et al. Pedal misapplications： Their frequency and variety revealed through police accident reports[J]. Proceedings of the Human Factors and Ergonomics Society Annual Meeting. SAGE Publications， 1997， 41（2）：1023-1027.
[2] TRAN C， DOSHI A， TRIVEDI M M. Pedal error prediction by driver foot gesture analysis： A vision-based inquiry[C]. Intelligent Vehicles Symposium（IV）， 2011 IEEE. IEEE， 2011.
[3] 劉天夫.防錯踩油門語音主動提示裝置[P].中國，200820156727.9.2009-09-09.
[4] 金延東.防止誤將油門當剎車技術研究[J].中國新技術新產品，2012（9）：143-145.
[5] MURPHY E， TRIVEDI M M. Head pose estimation and augmented reality tracking： An integrated system and evaluation for monitoring driver awareness[J]. Intelligent Transportation Systems， IEEE Transactions on， 2010， 11（2）： 300-311.
[6] CHENG S Y， TRIVEDI M M. Vision-based infotainment user determination by hand recognition for driver assistance[J]. Intelligent Transportation Systems， IEEE Transactions on， 2010， 11（3）： 759-764.
[7] PARK S， SHERIDAN T B. Enhanced human-machine interface in braking[J]. Systems， Man and Cybernetics， Part A： Systems and Humans， IEEE Transactions on， 2004， 34（5）： 615-629.
[8] BAO L， INTILLE S S. Activity recognition from user-annotated acceleration data[M]. Pervasive Computing. Springer Berlin Heidelberg， 2004.