0 引言

    在過去幾十年，道路交通事故每年造成近130萬人死亡、5 000萬人傷殘^[1]，約85%的交通事故與人為因素有關，研究駕駛員行為有助于改善道路交通安全。

    傳統的交通檢測系統主要采用雷達、超聲波、紅外線、聲頻及視頻圖像等技術，設備成本過高。駕駛行為研究基礎實驗室即駕駛模擬器，可以采集多樣化的數據，但數據真實性欠佳^[2]。

    研究駕駛人行為需要多類信息的融合，對于不同的信息可以提出不同的評價指標，如方向盤轉角標準差、加速度變化反映駕駛人對車輛的控制力，加速度反映汽車的油耗，方向盤轉角熵、眼動等情況反映駕駛人的疲勞、酒駕狀態^[3-6]。評價安全駕駛的模型是一個復雜的系統，國內外很多學者專家成功地將模糊邏輯理論運用到了駕駛人行為分析的模型中。1965年，扎德（L A Zadeh）教授首次提出了基于模糊集合論（Fuzzy Sets）的模糊邏輯^[7]。Ryan A. McGee等人基于駕駛人習慣構造模糊隸屬度函數，建立自適應模糊邏輯系統，能夠準確地預測駕駛人使用巡航系統的偏好程^[8]。Won M等人把模糊推理系統集成到一個交通阻塞控制算法中，有效地減少了交通阻塞^[9]。咸化彩用模糊網絡分析法建立了次任務安全駕駛等級評判模型，并用實驗數據驗證了模型的有效性^[10]。

    研究中自主搭建車輛CAN數據采集平臺，以乘車安全性為主，乘車舒適度和機動車油耗量為輔3個指標評價駕駛員的綜合素質，實測數據證明了此模型評判安全駕駛的有效性。

1 確定安全駕駛評價的參數

1.1 數據的采集

    CAN（Control Area Network）是一種總線式拓撲結構的通信協議，主要用來控制車量內部各ECU之間通信的有序進行。

    研究中，以CAN總線協議為基礎，使用數據采集模塊Openxc-vi(OpenXC vehicle interface)取代多種懸掛式傳感器，在微軟的Surface 4電腦上Windos10系統下搭載汽車測試平臺。平臺中，Openxc-vi與汽車診斷口OBD(On-Board Diagnostic)連接，PC端與Openxc-vi用藍牙無線連接，采集信息時，PC端通過串口讀取Openxc-vi采集到的協議幀并解析獲取所需要的信息數據存儲到本地，包括：方向盤轉角、經緯度、發動機速度、車速等20余項數據。CAN數據采集平臺示意圖如圖1。

    從實測CAN數據中提取GPS經緯度，汽車方向盤轉角，車速繪制如圖2、圖3所示，顯然圖2谷歌地圖上汽車的行駛軌跡與圖3汽車方向盤轉角和速度變化匹配完美。

1.2 評價安全駕駛的指標因素

    模型中，對于乘車安全性和乘車舒適度從方向盤轉角熵值H_(θ)、方向盤轉角速率V_θ、車輛速度熵值H_(v)、加速度絕對值|a|、加速度強度(加速度變化率)V_a 5個因素分析，只是針對不同的指標各個因素所占權重不同，其中，本文創新性地改進了方向盤轉角熵值H_(θ)，提出了機動車速度熵值H_(v)。

其中P_i為偏差值e_(n)分布在各區間的概率。

    改進后的SE放大了不同熵值的離散度即可以將評價等級劃分得更加明確，評判結果更加準確。

    對于機動車油耗量考慮正加速度a、引擎轉速與機動車速度的比值φ兩個因素。本模型中提到的引擎轉速與機動車速度的比值φ從某種程度表征汽車的牽引力，其基本與機動車的油耗量正相關。研究中采集數據分析得到加速度a與油耗量的關系，繪制如圖4所示，當車輛處于減速狀態(a≤0 m/s²)時，油耗量基本穩定，當車輛處于加速狀態(0<a<1.3 m/s²)時，油耗量呈上升趨勢且上升逐漸增快，當車輛加速度達到一定值(a≥1.3 m/s²)時，油耗量逐漸穩定。

    引擎轉速與車速的比值φ與油耗量的關系如圖5所示，當比值逐漸增大(0<φ<160)即車輛的牽引力逐漸增大時，油耗量呈明顯上升趨勢，當比值達到一定程度(φ>160)，油耗量呈穩定狀態。

    以駕駛人的綜合素質為目標層，3個評價指標為指標層，7個因素為因素層，得到評價模型的遞階層次結構如圖6所示。

2 建立評價模型

    模型中采用改進的模糊層次分析法(F-AHP)建立評判駕駛人綜合素質的模型。先利用層次分析法求取單因素權重向量Q(各因素的權重構成的向量)，然后結合模糊邏輯建立的隸屬度函數求取單因素模糊判斷矩陣R(各因素隸屬度向量構成的矩陣)，最后結合最大隸屬度原則對模型求解評定駕駛人的綜合素質以及駕駛安全。

2.1 求取單因素權重向量

    20世紀70年代美國匹茲堡大學Satty T L教授提出了層次分析法AHP(Analytic Hierarchy Process)。該方法首次將定性分析與定量分析結合在一起，首先請專家針對不同評價層次中的指標進行評價，建立相應的判斷矩陣，然后通過求矩陣特征值的辦法確定出指標的權重即單因素權重向量^[11]。

    判斷矩陣表示本層所有因素對于上層某一因素相對重要性的比較。這里采用Santy的1-9標度方法，以自然數1到9對因素的重要性進行標度，即判斷矩陣A中元素a_(ij)表示因素a_i對于上層某一因素相比于a_j的重要度，數值越大則a_i比a_j越重要。

    求取指標層行車安全性a₁，乘車舒適度a₂以及機動車油耗量a₃這3個指標對于評價駕駛員綜合素質的權重，結合資深專家，駕駛員等給出的建議構造判斷矩陣A如式(3):

    求取矩陣A的最大特征值對應的特征向量歸一化后得單因素權重向量Q₁，即為3個指標a₁，a₂，a₃對于駕駛人綜合評價所占的權重：

且通過一致性檢驗，由式(4)可知，乘車安全對于綜合素質而言所占權重遠遠高于另外兩個指標，因此評價駕駛人的綜合素質很大程度上反應了對安全駕駛的評判。

    求取因素層對于指標層的權重，過程與上述求指標層權重類似，對于安全性a₁，本文考慮方向盤轉角熵值H_(θ)、機動車速度熵值H_(v)、方向盤轉角速率V_θ、加速度強度(加速度變化率)V_α和加速度的絕對值|α|5個因素，層次分析法求得因素層7個因素依次為φ、α、H_(θ)、H_(v)、V_θ、V_α、|α|所占權重構成的單因素權重向量為：

2.2 求取單因素模糊判斷矩陣

    單因素的模糊判斷模型要求先對駕駛人綜合素質的評價先建立一個評語集，本模型中建立的評語集為：

    單因素模糊判斷是指單獨從一個因素出發進行評價，以確定評價對象對評語集的隸屬程度，首先利用隸屬度函數確定駕駛過程中一個因素的隸屬度向量，同樣的計算方法計算駕駛過程中其他因素的隸屬度向量^[10]，這些向量構建成一個矩陣叫做單因素模糊判斷矩陣。

    本文采用先采用3?啄原則剔除異常數據，再對數據進行歸一化處理如式(10)避免大數覆蓋小數的情況：

    本模型采用指派方法根據歸一化處理后X值分布的離散程度建立兩組不同的正弦函數作為隸屬度函數。對于轉角熵值H_(θ)，速度熵值H_(v)和引擎轉速與車速的比值φ，這三個因素X的樣本值分布的離散度比較大，建立隸屬度函數如式(11)：

    對于方向盤轉角速率V_θ、加速度絕對值|α|、加速度強度（加速度變化率）V_α、正加速度α這4個因素X樣本在分布比較集中建立隸屬度函數如式(12)：

其中：r₁表示隸屬度屬于“很好”；r₂表示隸屬度屬于“好”；r₃表示隸屬度屬于“一般”；r₄表示隸屬度屬于“差”；r₅表示隸屬度屬于“很差”；X表示因素歸一化后的樣本值。

    隸屬度函數建立以后，先取因素轉速與車速的比值φ歸一化處理后的樣本值X，代入其所對應的隸屬度函數式(11)得到這個因素的評判隸屬度向量：

3 實驗驗證

    本文選取2名不同駕齡的駕駛人駕駛同輛車跑過相似路段采集的信息數據，駕駛人A為駕校教練，駕駛人B為“實習”司機。

    用單因素權重向量Q乘以R_A得最終的綜合素質等級評判的隸屬度向量δ_A：

    根據最大隸屬度原則，在評判集δ_A中，0.5523最大，其等級屬于“好”，因此A駕駛員的綜合素質以及安全駕駛等級評定為“好”。仔細觀察判斷矩陣，第6行的行向量對應V_α的單因素判斷向量，其隸屬度屬于“很好”，V_α表示加速強度，從某種程度表示駕駛人踩踏油門的輕重，可以反應駕駛人的性格急躁或沉穩。V_α隸屬于很好，則評判駕駛人A的性格屬于沉穩謹慎型，與駕駛人A的真實性格具有一致性。

    模型求解駕駛人B的等級評判隸屬度向量δ_B：

    根據最大隸屬度原則，在評判集?啄B中，0.44414最大，因此駕駛人B的綜合素質以及安全駕駛等級評定為評定為“差”。

4 結論

    本文基于CAN數據提出了對駕駛安全評價的指標因素及其模型，提出了其他模型沒有考慮的新因素，并且做出了改進。本模型能夠準確地區分不同駕駛人的綜合素質，從而對不同駕駛人的駕駛安全作出評判。而且在求解模型的過程中，可以從單因素模糊判斷矩陣的行判斷向量得到駕駛人每一個因素的優劣等級評判，從而針對性的對駕駛人提出合理的建議,保障駕駛安全。若對模型稍作處理，可以分別得到行車安全性、乘車舒適度以及機動車油耗量這3個指標評判等級的隸屬度向量，從而對駕駛人的每個指標做出優劣等級評判。此外，在研究中發現駕駛人開車的行為習慣也可以反應駕駛人的性格或者當時駕車的心理狀態，下一步對此將做深入研究。

參考文獻

[1] 任英，彭紅星.中國交通事故傷亡人數影響因素的實證分析[J].預測，2013，32(3)：1-7.

[2] 趙聰.駕駛行為數據監測與評估系統的設計與實現[D].重慶：重慶大學通信工程學院，2015.

[3] TOKUDA S，OBINATA G，PALMER E，et al.Estimation of mental workload using saccadic eye movements in a freeviewing task[C].International Conference of the IEEE Engineering in Medicine & Biology Society.PubMed，2011：4523-4529.

[4] BOER E R，NAKAYAMA O，FUTAMI T，et al.Developing of a steering entropy method for evaluating driver workload[C].International Congress Expo.1999.

[5] ZHANG C，WANG H，FU R.Automated detection of driver fatigue based on entropy and complexity measures[J].IEEE Transactions on Intelligent Transportation Systems，2014，15(1)：168-177.

[6] Jiao Yingying，Lu Baoliang.Detecting slow eye movement for recognizing driver′s sleep onset period with EEG features[J].IEEE Engineering in Medicine and Biology Society，2016：4658-4661.

[7] ZADEH L.A.Fuzzy Sets.Information and Control，1965(8)：338-353.

[8] QIU S，MCGEE R A，MURPHEY Y L.Adaptive fuzzy prediction for automotive applications usage[C].IEEE，International Conference on Machine Learning and Applications.IEEE，2015：19-24.

[9] WON M，PARK T，SON S H.FuzzyJam：reducing traffic jams using a fusion of fuzzy logic and vehicular networks[C].IEEE，International Conference on Intelligent Transportation Systems.IEEE，2014：1869-1875.

[10] 咸化彩.次任務駕駛安全性評價指標及評價模型研究[D].長春：吉林大學交通學院，2014.

[11] SAATY T L.Theory and applications of the analytic network process：decision making with benefits，opportunities，costs，and risks[M].RWS Publications，4922 Ellsworth Avenue，Pittsburgh，PA 15213，2005.

作者信息:

張家波，王超凡

（重慶郵電大學 通信與信息工程學院，重慶404100）