摘  要： 使用非侵入行為監(jiān)測(cè)技術(shù)采集了油門踏板和剎車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決策樹算法建立分類模型，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；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，由于錯(cuò)把油門踏板當(dāng)成剎車踏板踩踏而引發(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“剎車門”事件調(diào)查結(jié)果表明，汽車的突然加速不是因?yàn)殡娮硬倏叵到y(tǒng)的缺陷，而是因?yàn)轳{駛員想要?jiǎng)x車時(shí)誤踩了油門。
　圍繞著誤踩油門問題，國(guó)內(nèi)外研究人員從不同的角度進(jìn)行探索，尋找防止誤踩油門的方法。參考文獻(xiàn)[1]通過警察交通事故報(bào)告來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)剎車和油門合二為一的踏板；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]。
　但解決方案大多沒有考慮汽車的內(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)誤踩油門事故的一種常見情況是：當(dāng)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(yīng)放在油門踏板上。剎車時(shí)，駕駛員需要先抬起右腳，再扭轉(zhuǎn)腳踝偏向左方，踩踏剎車踏板。由于扭轉(zhuǎn)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(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，但在緊急剎車的瞬間往往無法做出正確的應(yīng)對(duì)，導(dǎo)致踩錯(cuò)油門踏板。
　本研究通過采集駕駛員的操作數(shù)據(jù)進(jìn)行定量分析，建立誤踩油門的判斷模型，從而快速判斷誤踩行為，并通過車載系統(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)用戶進(jìn)行活動(dòng)追蹤、收集數(shù)據(jù)，并通過對(duì)存儲(chǔ)數(shù)據(jù)的研究和知識(shí)挖掘，來探索用戶的活動(dòng)模式和趨勢(shì)。本研究選取駕駛過程中與駕駛員有直接接觸的三個(gè)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(shù)據(jù)之間的關(guān)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(wù)。
　研究實(shí)驗(yàn)采用裝有地板式油門踏板的豐田手動(dòng)擋汽車，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)踩油門的駕駛行為。在駕駛過程中，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(duì)比圖2分析可知，正常駕駛和緊急加速時(shí)，靠背的受力變化無明顯規(guī)律，雖然在誤踩油門踏板時(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)，因此油門踏板受力的方差較小；而誤踩油門踏板時(shí)，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(shí)油門踏板受力的方差較高。因此，根據(jù)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(duì)是否誤踩油門踏板進(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(jī)器學(xué)習(xí)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(tǒng)對(duì)錯(cuò)誤行為進(jìn)行干預(yù)。通過對(duì)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(jī)器學(xué)習(xí)中，決策樹是一個(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)立的決策樹處理不同輸出。在數(shù)據(jù)挖掘中，決策樹是一種經(jīng)常用到的技術(shù)，可以用于分析數(shù)據(jù)，也可以用來作預(yù)測(cè)。本實(shí)驗(yàn)使用開源的機(jī)器學(xué)習(xí)以及數(shù)據(jù)挖掘軟件WEKA（Waikato Environment for Knowledge Analysis），采用決策樹分類器算法J48評(píng)估每個(gè)窗中踏板的受力數(shù)值，建立分類模型。
　在行為建模和預(yù)測(cè)過程中，需要選取樣本數(shù)據(jù)進(jìn)行分析和預(yù)測(cè)，本文著重選取油門踏板行為進(jìn)行深入研究，并進(jìn)行大量操作油門踏板的模擬駕駛實(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。如果矩形窗過小，則動(dòng)作采集不完整無法體現(xiàn)動(dòng)作的特征，進(jìn)而無法做到較好的分類。如果矩形窗過大，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。
　在決策樹模型中，對(duì)59組油門踏板受力數(shù)據(jù)進(jìn)行分析與判別計(jì)算，其中38組數(shù)據(jù)為誤踩油門時(shí)的油門踏板的受力數(shù)據(jù)，剩余21組數(shù)據(jù)為正常踩踏油門時(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，本文選用了油門踏板受力的方差進(jìn)行分析計(jì)算。
　利用決策樹算法計(jì)算得到一個(gè)一層的二叉樹。當(dāng)油門踏板受力的方差小于或等于112.155 567時(shí)，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(shí)即為誤踩油門踏板。圖6即為利用決策樹算法對(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(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)間過長(zhǎng)而導(dǎo)致防誤踩裝置無法及時(shí)反應(yīng)。因此，利用決策樹模型能夠很好地實(shí)現(xiàn)踩踏油門行為的判別，準(zhǔn)確判斷出駕駛員是否出現(xiàn)誤踩油門行為。
　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，通過車載系統(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)踩油門語音主動(dòng)提示裝置[P].中國(guó)，200820156727.9.2009-09-09.
[4] 金延?xùn)|.防止誤將油門當(dāng)剎車技術(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.