摘  要： 使用非侵入行為監(jiān)測(cè)技術(shù)采集了油門(mén)踏板和剎車(chē)踏板以及座椅靠背的受力信號(hào)，分析其變化規(guī)律并使用WEKA J48決策樹(shù)算法建立分類(lèi)模型，對(duì)誤踩行為進(jìn)行判斷和預(yù)測(cè)。研究結(jié)果表明，利用機(jī)器學(xué)習(xí)能夠歸納出油門(mén)踏板的操作特點(diǎn)，提供精確的誤踩判斷。
關(guān)鍵詞： 駕駛行為；非侵入監(jiān)測(cè)；道路交通安全；誤踩油門(mén)；機(jī)器學(xué)習(xí)

　隨著經(jīng)濟(jì)的發(fā)展，我國(guó)的道路交通安全形勢(shì)日益嚴(yán)峻，道路交通安全已經(jīng)極大地威脅著社會(huì)公眾的生命和財(cái)產(chǎn)。近年來(lái)，由于錯(cuò)把油門(mén)踏板當(dāng)成剎車(chē)踏板踩踏而引發(fā)的重大交通事故時(shí)有發(fā)生，引起社會(huì)的高度關(guān)注。引發(fā)交通事故的原因是多方面的，除了交通環(huán)境和機(jī)動(dòng)車(chē)輛因素外，駕駛員的行為在事故的發(fā)生中起主導(dǎo)作用。美國(guó)著名的豐田“剎車(chē)門(mén)”事件調(diào)查結(jié)果表明，汽車(chē)的突然加速不是因?yàn)殡娮硬倏叵到y(tǒng)的缺陷，而是因?yàn)轳{駛員想要?jiǎng)x車(chē)時(shí)誤踩了油門(mén)。
　圍繞著誤踩油門(mén)問(wèn)題，國(guó)內(nèi)外研究人員從不同的角度進(jìn)行探索，尋找防止誤踩油門(mén)的方法。參考文獻(xiàn)[1]通過(guò)警察交通事故報(bào)告來(lái)理解誤踩事件的頻率、機(jī)制和交通狀況。Cuong Tran[2]等人使用攝像機(jī)錄制駕駛員腳部的動(dòng)作進(jìn)行視頻分析，來(lái)預(yù)測(cè)踩踏行為。很多研究直接提出防止誤踩的解決方案，如設(shè)計(jì)剎車(chē)和油門(mén)合二為一的踏板；使用紅外感應(yīng)器感知腳部的踏板行為并進(jìn)行語(yǔ)音提示，讓駕駛員判斷即將執(zhí)行的動(dòng)作的正確性[3]。
　但解決方案大多沒(méi)有考慮汽車(chē)的內(nèi)部機(jī)械結(jié)構(gòu)，對(duì)原有裝置改變較大，操作可行性較低。改變汽車(chē)的機(jī)械結(jié)構(gòu)將會(huì)改變駕駛員的操作習(xí)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(jù)，如踏板受力、踏板運(yùn)動(dòng)速度[4]、油門(mén)電路信號(hào)等，但是判斷標(biāo)準(zhǔn)不明確，可靠性較差。
1 非侵入駕駛行為監(jiān)測(cè)
　引發(fā)誤踩油門(mén)事故的一種常見(jiàn)情況是：當(dāng)駕駛員遇到緊急情況想要急剎車(chē)，但在緊張慌亂中誤踩了油門(mén)，造成汽車(chē)突然加速。目前汽車(chē)上的剎車(chē)踏板和油門(mén)踏板是分離的，正常情況下，駕駛員的右腳應(yīng)放在油門(mén)踏板上。剎車(chē)時(shí)，駕駛員需要先抬起右腳，再扭轉(zhuǎn)腳踝偏向左方，踩踏剎車(chē)踏板。由于扭轉(zhuǎn)角度較大，右腳從油門(mén)踏板移到剎車(chē)踏板至少需要0.2 s，反應(yīng)時(shí)間較長(zhǎng)。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(chē)的瞬間往往無(wú)法做出正確的應(yīng)對(duì)，導(dǎo)致踩錯(cuò)油門(mén)踏板。
　本研究通過(guò)采集駕駛員的操作數(shù)據(jù)進(jìn)行定量分析，建立誤踩油門(mén)的判斷模型，從而快速判斷誤踩行為，并通過(guò)車(chē)載系統(tǒng)對(duì)錯(cuò)誤行為進(jìn)行干預(yù)。駕駛員行為安全的相關(guān)研究中常常會(huì)運(yùn)用侵入式數(shù)據(jù)采集方式，如使用佩戴式傳感器或攝像機(jī)來(lái)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(yīng)駕駛員的操作行為，但是會(huì)對(duì)駕駛員的正常駕駛操作產(chǎn)生影響。
　為了不影響駕駛員的正常操作習(xí)慣，本研究運(yùn)用非侵入行為監(jiān)測(cè)技術(shù)，持續(xù)地監(jiān)測(cè)駕駛員的操作行為。非侵入行為監(jiān)測(cè)是指在用戶(hù)熟悉的環(huán)境中，在不對(duì)其產(chǎn)生干擾的情況下，對(duì)用戶(hù)進(jìn)行活動(dòng)追蹤、收集數(shù)據(jù)，并通過(guò)對(duì)存儲(chǔ)數(shù)據(jù)的研究和知識(shí)挖掘，來(lái)探索用戶(hù)的活動(dòng)模式和趨勢(shì)。本研究選取駕駛過(guò)程中與駕駛員有直接接觸的三個(gè)裝置：剎車(chē)踏板、油門(mén)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(shù)據(jù)之間的關(guān)系，建立行為分類(lèi)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(wù)。
　研究實(shí)驗(yàn)采用裝有地板式油門(mén)踏板的豐田手動(dòng)擋汽車(chē)，選擇駕齡三年以上具有豐富駕駛經(jīng)驗(yàn)的駕駛員進(jìn)行實(shí)驗(yàn)數(shù)據(jù)采集。實(shí)驗(yàn)所使用的設(shè)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(kuò)展板以及筆記本電腦，部分裝置如圖1所示。

　實(shí)驗(yàn)選取相對(duì)平直的公路，控制行駛速度在30~70 km/h，連續(xù)駕駛時(shí)間為40 min。實(shí)驗(yàn)?zāi)M緩慢加速平穩(wěn)駕駛再緩慢減速，緩慢加速平穩(wěn)駕駛再緊急減速，緊急加速平穩(wěn)駕駛再緩慢減速，緊急加速平穩(wěn)駕駛再緊急減速四種情況，并在四種情況中模擬錯(cuò)踩油門(mén)的駕駛行為。在駕駛過(guò)程中，三個(gè)傳感器將采集到的壓力模擬信號(hào)發(fā)送到Arduino處理器中，然后再由Arduino發(fā)送至電腦，數(shù)據(jù)采集頻率為50 Hz。
2 數(shù)據(jù)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(chē)油門(mén)踏板、剎車(chē)踏板以及靠背的受力變化曲線，如圖2所示。

　對(duì)比圖2分析可知，正常駕駛和緊急加速時(shí)，靠背的受力變化無(wú)明顯規(guī)律，雖然在誤踩油門(mén)踏板時(shí)存在急劇增加的現(xiàn)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(xiàn)象，因此靠背受力信息作為誤踩油門(mén)判別的準(zhǔn)確度不高，可以作為輔助判別標(biāo)準(zhǔn)進(jìn)行分析。在油門(mén)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(hào)類(lèi)似方波，且踏板受力較小，力的大小變化較為平穩(wěn)，因此油門(mén)踏板受力的方差較小；而誤踩油門(mén)踏板時(shí)，油門(mén)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(shí)油門(mén)踏板受力的方差較高。因此，根據(jù)油門(mén)踏板受力變化的速度以及力度大小或者油門(mén)踏板受力的方差可對(duì)是否誤踩油門(mén)踏板進(jìn)行判別。
3 駕駛行為建模和預(yù)測(cè)
　根據(jù)駕駛實(shí)驗(yàn)的數(shù)據(jù)分析，本文提出了一種非侵入行為監(jiān)測(cè)和定量判斷駕駛員誤踩油門(mén)行為的方法，如圖5所示。首先，使用安裝在油門(mén)踏板上的壓力傳感器捕捉駕駛過(guò)程中的踏板受力；然后使用機(jī)器學(xué)習(xí)軟件來(lái)研究踏板的行為，建立誤踩油門(mén)的判斷模型，并通過(guò)車(chē)載系統(tǒng)對(duì)錯(cuò)誤行為進(jìn)行干預(yù)。通過(guò)對(duì)駕駛行為的觀察，可將油門(mén)踏板的操作行為分為正常加速和誤踩兩種情況。

　在機(jī)器學(xué)習(xí)中，決策樹(shù)是一個(gè)預(yù)測(cè)模型，它代表對(duì)象屬性與對(duì)象值之間的一種映射關(guān)系。樹(shù)中每個(gè)節(jié)點(diǎn)表示某個(gè)對(duì)象，每個(gè)分叉路徑代表某個(gè)可能的屬性值，每個(gè)葉節(jié)點(diǎn)則對(duì)應(yīng)從根節(jié)點(diǎn)到該葉節(jié)點(diǎn)經(jīng)歷的路徑所表示的對(duì)象的值。決策樹(shù)僅有單一輸出，若需要有復(fù)數(shù)輸出，可以建立獨(dú)立的決策樹(shù)處理不同輸出。在數(shù)據(jù)挖掘中，決策樹(shù)是一種經(jīng)常用到的技術(shù)，可以用于分析數(shù)據(jù)，也可以用來(lái)作預(yù)測(cè)。本實(shí)驗(yàn)使用開(kāi)源的機(jī)器學(xué)習(xí)以及數(shù)據(jù)挖掘軟件WEKA（Waikato Environment for Knowledge Analysis），采用決策樹(shù)分類(lèi)器算法J48評(píng)估每個(gè)窗中踏板的受力數(shù)值，建立分類(lèi)模型。
　在行為建模和預(yù)測(cè)過(guò)程中，需要選取樣本數(shù)據(jù)進(jìn)行分析和預(yù)測(cè)，本文著重選取油門(mén)踏板行為進(jìn)行深入研究，并進(jìn)行大量操作油門(mén)踏板的模擬駕駛實(shí)驗(yàn)。在特征提取中，一個(gè)樣本為大小64的窗，即64個(gè)數(shù)據(jù)點(diǎn)為一個(gè)樣本。由于50%的交疊對(duì)特征提取是最有效的方式[8]，因此實(shí)驗(yàn)中每個(gè)窗交疊32個(gè)數(shù)據(jù)點(diǎn)，劃窗每移動(dòng)半個(gè)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(mén)動(dòng)作的時(shí)間較短，這些動(dòng)作的時(shí)間長(zhǎng)度在1.3 s左右。如果矩形窗過(guò)小，則動(dòng)作采集不完整無(wú)法體現(xiàn)動(dòng)作的特征，進(jìn)而無(wú)法做到較好的分類(lèi)。如果矩形窗過(guò)大，則不能在動(dòng)作完成之前進(jìn)行預(yù)測(cè)，達(dá)不到預(yù)測(cè)的效果。樣本每20 ms采集一次數(shù)據(jù)，64個(gè)數(shù)據(jù)的采集時(shí)間為1.2 s左右，可以提取到動(dòng)作的特征，又不會(huì)采集到其他動(dòng)作的區(qū)域；另外，64為2的6次方，便于對(duì)數(shù)據(jù)做快速傅里葉變換（FFT），為其中兩個(gè)特征量的提取做準(zhǔn)備。
　在決策樹(shù)模型中，對(duì)59組油門(mén)踏板受力數(shù)據(jù)進(jìn)行分析與判別計(jì)算，其中38組數(shù)據(jù)為誤踩油門(mén)時(shí)的油門(mén)踏板的受力數(shù)據(jù)，剩余21組數(shù)據(jù)為正常踩踏油門(mén)時(shí)踏板的受力數(shù)據(jù)。由于單一的選擇踏板受力的大小分析數(shù)據(jù)易產(chǎn)生較大的判別誤差，因此在模型計(jì)算中，本文選用了油門(mén)踏板受力的方差進(jìn)行分析計(jì)算。
　利用決策樹(shù)算法計(jì)算得到一個(gè)一層的二叉樹(shù)。當(dāng)油門(mén)踏板受力的方差小于或等于112.155 567時(shí)，踩踏油門(mén)踏板行為即為正常加速，油門(mén)踏板受力方差大于該值時(shí)即為誤踩油門(mén)踏板。圖6即為利用決策樹(shù)算法對(duì)59組樣本數(shù)據(jù)的行為判別結(jié)果，其中“×”是判斷正確的樣本，“□”是判斷錯(cuò)誤的樣本；黑色圖標(biāo)是正常加速，灰色圖標(biāo)是誤踩。根據(jù)模型計(jì)算分析得出決策樹(shù)模型的判別正確率為93.220 3 %，這表明利用決策樹(shù)模型能夠較好地判斷出正常加速與誤踩油門(mén)。在正常加速和誤踩的判斷中各出現(xiàn)兩次判斷錯(cuò)誤，這是由于在方差判斷值附近容易出現(xiàn)誤判現(xiàn)象。

　此外，模型分析計(jì)算的時(shí)間為0.03 s，這表明決策樹(shù)分析計(jì)算模型能夠快速地對(duì)采集到的數(shù)據(jù)信號(hào)進(jìn)行分析計(jì)算，不會(huì)出現(xiàn)因數(shù)據(jù)分析時(shí)間過(guò)長(zhǎng)而導(dǎo)致防誤踩裝置無(wú)法及時(shí)反應(yīng)。因此，利用決策樹(shù)模型能夠很好地實(shí)現(xiàn)踩踏油門(mén)行為的判別，準(zhǔn)確判斷出駕駛員是否出現(xiàn)誤踩油門(mén)行為。
　本文對(duì)駕駛員的駕駛操作進(jìn)行非侵入行為監(jiān)測(cè)，獲取實(shí)時(shí)的活動(dòng)數(shù)據(jù)，并利用駕駛時(shí)油門(mén)踏板受力信號(hào)的變化規(guī)律建立行為識(shí)別模型。在不改變機(jī)械結(jié)構(gòu)情況下，快速采集信號(hào)并判斷駕駛員的操作行為，通過(guò)車(chē)載系統(tǒng)對(duì)錯(cuò)誤行為進(jìn)行干預(yù)，以避免因誤踩油門(mén)導(dǎo)致交通事故的發(fā)生。該方法為建立高精確度的踩踏油門(mén)行為判斷提供了參考。
參考文獻(xiàn)
[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(cuò)踩油門(mén)語(yǔ)音主動(dòng)提示裝置[P].中國(guó)，200820156727.9.2009-09-09.
[4] 金延?xùn)|.防止誤將油門(mén)當(dāng)剎車(chē)技術(shù)研究[J].中國(guó)新技術(shù)新產(chǎn)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.