基于强弱感知设计的驾驶员危险感知状态识别模型研究

doi:10.19562/j.chinasae.qcgc.2024.06.006

摘要/Abstract

摘要：

驾驶员危险感知能力对于预防和减少道路交通事故具有重要作用。针对目前研究中危险感知的特征向量表征不统一、算法对实际问题可解释性不足的弊端，通过人为控制的方式，设计了基于危险源、显隐性、强弱危险感知状态3个维度的3×2×2实验方案，实现对危险感知的预定分级；设计配对T检验和Wilcoxon符号秩检验结合的方式实现强弱感知状态下特征差异性的量化比较；建立基于十倍交叉参数调优SVM算法的危险感知状态二分类模型。研究结果表明：驾驶员在强危险感知状态下对危险的反应更主动，倾向于避免危险，而非紧急避险，并保持更低的车速，更倾向油门控制而非制动控制，注视和眼跳行为增加；驾驶员在隐性危险源场景中的操纵力度和频次更强，危险感知与显隐性影响程度及危险源类型有关，摩托车类危险源差异最大，行人类危险源差异最小；在C=1，γ=0.1，选择车头时距、车速标准差、最大制动踏板力、加速度标准差、预减速时间、车速均值、油门开度标准差、跳视次数、注视次数作为特征时，SVM模型具有最好的性能，准确率为89.2%，精准率为90.6%，召回率为87.8%，F1值为0.888。XGBoost模型对弱感知的识别能力低于SVM模型。该研究对于驾驶员危险感知状态的量化评估具有显著的指导意义。

关键词: 交通工程, 感知机理, 机器学习, 危险感知, 强弱感知状态

Abstract:

Driver hazard perception plays an important role in preventing and reducing road traffic accidents. For the disadvantages of inconsistent representation of feature vectors of hazard perception and insufficient interpretability of algorithms to practical problems， in this paper 3×2×2 experimental scenarios of three dimensions in terms of danger resource， overt and covert hazard scenes， strong and weak hazard perception state through artificial control to realize the predetermined classification of hazard perception. A combination of paired T-test and Wilcoxon signed-rank test is designed to quantitatively compare the difference of features in the state of strong and weak perception. A binary classification of hazard perception state based on 10-fold cross-parameter tuning SVM algorithm is proposed. The results show that drivers are more active in reacting to danger in the state of strong hazard perception， tending to avoid danger rather than emergency avoidance， while maintaining a lower speed， preferring throttle control rather than brake control， with increase of gaze and saccade behaviors. In the scene of covert hazard source， the driver's manipulation is stronger and more frequent， and the level of HP affected by the overt and covert hazard is related to the type of hazard， with highest level by motorcycle and lowest by human. At C=1， γ=0.1， the SVM model has the best performance with the accuracy of 89.2%， the precision of 90.6%， the recall of 87.8%， and the F1 value of 0.888 when the time headway， standard deviation of vehicle speed， maximum brake pedal force， standard deviation of acceleration， pre-deceleration time， mean vehicle speed， standard deviation of throttle opening， number of saccades， number of fixations are selected as features. The model of XGBoost has lower recognition ability for weak perception than the model of SVM. This study has significant guiding significance for the quantitative evaluation of drivers' hazard perception state.

Key words: traffic engineering, perceptual mechanism, machine learning, hazard perception, strength and weakness perception

曾娟,王昊,许博,张洪昌. 基于强弱感知设计的驾驶员危险感知状态识别模型研究[J]. 汽车工程, 2024, 46(6): 995-1005.

Juan Zeng,Hao Wang,Bo Xu,Hongchang Zhang. Research on the Driver's Hazard Perception State Recognition Model Based on Strength and Weakness Perception Design[J]. Automotive Engineering, 2024, 46(6): 995-1005.

图/表 18

图1

图2

表1

表2

表3

图3

图4

图5

图6

表4

图7

图8

图9

图10

表5

图11

表6

图12

参考文献 37

1	ARSLANYILMAZ A， SULLINS J. Multi-player online simulated driving game to improve hazard perception［J］. Transportation Research Part F： Traffic Psychology and Behaviour， 2019， 61： 188-200.
2	CAO S， SAMUEL S， MURZELLO Y， et al. Hazard perception in driving： a systematic literature review［J］. Transportation Research Record： Journal of the Transportation Research Board， 2022， 2676： 1-25.
3	COYNE P H. Roadcraft： the essential police driver’s handbook［M］. London： The Stationary Office， 1997.
4	POLLATSEK A， NARAYANAAN V， PRADHAN A， et al. Using eye movements to evaluate a PC-based risk awareness and perception training program on a driving simulator［J］. Human Factors， 2006， 48（3）： 447-464.
5	BAILLY B， BELLET T， GOUPIL C. Drivers’ mental representations： experimental study and training perspectives［C］. International Conference on Driver Behaviour and Training， 1st， 2003， Stratford-Upon-Avon， United Kingdom， 2003.
6	ALLEN R W， ROSENTHAL T J， PARK G， et al. Experience with a low cost PC-based system for young driver training［C］. International Conference on Driver Behaviour and Training， 1st， 2003， Stratford-Upon-Avon， United Kingdom， 2003.
7	MACKENZIE A K， HARRIS J M. Characterizing visual attention during driving and non-driving hazard perception tasks in a simulated environment［C］. Proceedings of the Symposium on Eye Tracking Research and Applications. New York， NY， USA： Association for Computing Machinery， 2014： 127-130.
8	TAKAHASHI R， KOBAYASHI M， SASAKI T， et al. Driving simulation test for evaluating hazard perception： elderly driver response characteristics［J］. Transportation Research Part F： Traffic Psychology and Behaviour， 2017， 49： 257-270.
9	郭凤香，熊昌安，万华森，等. 风险情境下老年驾驶人行为特性研究［J］. 中国公路学报， 2021， 34（9）： 309-321.
	GUO F X， XIONG C A，WAN H S， et al. Behavioral characteristics of older drivers based on risk perception［J］. China Journal of Highway and Transport， 2021， 34（9）： 309-321.
10	VLAKVELD W， ROMOSER M R E， MEHRANIAN H， et al. Do crashes and near crashes in simulator-based training enhance novice drivers’ visual search for latent hazards？［J］. Transportation Research Record， 2011， 2265： 153-160.
11	魏田正，林淼，李晨新，等. 基于隐性危险驾驶人感知特性及判别模型研究［J］. 中国安全生产科学技术， 2021， 17（3）： 175-181.
	WEI T Z， LIN M， LI C X， et al. Study of driver’s hazard perception and discriminant model based on covert hazard［J］. Journal of Safety Science and Technology， 2021， 17（3）： 175-181.
12	魏田正，魏雯，李海梅，等. 基于XGBoost算法的危险场景驾驶行为模式分析及安全评估［J］. 交通信息与安全， 2022， 40（5）： 53-60.
	WEI T Z， WEI W， LI H M， et al. An analysis of driving behavior model and safety assessment under risky scenarios based on an XGBoost algorithm ［J］. Journal of Transport Information and Safety， 2022， 40（5）： 53-60.
13	秦雅琴，张红强，熊坚，等. 风险驾驶模拟情境下驾驶人风险感知研究［J］. 交通运输系统工程与信息， 2015， 15（2）： 142-148.
	QIN Y Q，ZHANG H Q， XIONG J， et al. Driver’s hazard perception under simulating risk driving scenarios ［J］. Journal of Transportation Systems Engineering and Information Technology， 2015， 15（2）： 142-148.
14	谷志朋，杨京帅，楚彭子，等. 基于危险源位置的驾驶人危险感知研究［J］. 武汉理工大学学报（交通科学与工程版）， 2020， 44（5）： 789-793.
	GU Z P， YANG J S， CHU P Z， et al. Research on driver's hazard perception based on the location of hazard sources ［J］. Journal of Wuhan University of Techonlogy（Transportation Science & Engineering）， 2020， 44（5）： 789-793.
15	杨京帅，李秀丽，任书杭，等. 驾驶人危险感知影响因素建模与试验［J］. 长安大学学报（自然科学版）， 2015， 35（5）： 104-110.
	YANG J S， LI X L， REN S H， et al. Modeling and experimental of influencing factors of drivers' hazard perception ［J］. Journal of Chang'an University（Natural Science Edition）， 2015， 35（5）： 104-110.
16	CRUNDALL D. Hazard prediction discriminates between novice and experienced drivers［J］. Accident Analysis & Prevention， 2016， 86： 47-58.
17	BRIGGS G F， HOLE G J， LAND M F. Imagery-inducing distraction leads to cognitive tunnelling and deteriorated driving performance［J］. Transportation Research Part F： Traffic Psychology and Behaviour， 2016， 38： 106-117.
18	BROBERG T， DUKIC WILLSTRAND T. Safe mobility for elderly drivers—considerations based on expert and self-assessment［J］. Accident Analysis & Prevention， 2014， 66： 104-113.
19	秦雅琴，梁锺月，贾现广，等. 驾驶人风险感知类型预测模型研究［J］. 安全与环境学报， 2019， 19（4）： 1266-1273.
	QIN Y Q， LIANG Z Y， JIA X G， et al. Research on the prediction model of driver's risk perception type ［J］. Journal of Safety and Environment， 2019， 19（4）： 1266-1273.
20	CHAN E， PRADHAN A K， POLLATSEK A， et al. Are driving simulators effective tools for evaluating novice drivers’ hazard anticipation， speed management， and attention maintenance skills？［J］. Transportation Research Part F： Traffic Psychology and Behaviour， 2010， 13（5）： 343-353.
21	ZHANG W， WANG Y， FENG Z， et al. A method to improve the hazard perception of young novice drivers based on Bandura’s observational learning theory： supplement to expert commentary training［J］. Transportation Research Part F： Traffic Psychology and Behaviour， 2022， 85： 133-149.
22	ASADAMRAJI M， SAFFARZADEH M， ROSS V， et al. A novel driver hazard perception sensitivity model based on drivers’ characteristics： a simulator study［J］. Traffic Injury Prevention， 2019， 20（5）： 492-497.
23	LI Z， BAO S， KOLMANOVSKY I V， et al. Visual-manual distraction detection using driving performance indicators with naturalistic driving data［J］. IEEE Transactions on Intelligent Transportation Systems， 2018， 19（8）： 2528-2535.
24	糜江，喻恺，黄菊. 基于多模轨迹融合的货车危险驾驶行为辨识［J］. 中国交通信息化， 2023（2）： 113-117.
	MI J， YV K， HUANG J. Truck hazard driving based on multi-mode trajectory fusion is identified ［J］. China ITS Journal， 2023（2）： 113-117.
25	唐智慧，郑伟皓，吴海涛. 基于Kohonen-SVM模型的驾驶行为险态动态辨识［J］. 安全与环境学报， 2018， 18（4）： 1386-1390.
	TANG Z H， ZHENG W H， WU H T. Dynamic identification of dangerous driving behavior based on Kohonen-SVM model ［J］. Journal of Safety and Environment， 2018， 18（4）： 1386-1390.
26	张长水. 机器学习面临的挑战［J］. 中国科学：信息科学， 2013， 43（12）： 1612-1623.
	ZHANG C S. Challenges of machine learning ［J］. SCIENTIA SINICA Informationis， 2013， 43（12）： 1612-1623.
27	MOLCHANOV P， GUPTA S， KIM K， et al. Multi-sensor system for driver’s hand-gesture recognition［C］. 2015 11th IEEE International Conference and Workshops on Automatic Face and Gesture Recognition （FG）： Vol. 1. 2015： 1-8.
28	ZHANG C， PATEL M， BUTHPITIYA S， et al. Driver classification based on driving behaviors［C］. Proceedings of the 21st International Conference on Intelligent User Interfaces. Sonoma California USA， 2016： 80-84.
29	WATLING C N， HOME M. Hazard perception performance and visual scanning behaviours： the effect of sleepiness［J］. Transportation Research Part F： Traffic Psychology and Behaviour， 2022， 90： 243-251.
30	LEWSEY J. Medical statistics： a guide to data analysis and critical appraisal［J］. Annals of The Royal College of Surgeons of England， 2006， 88（6）： 603.
31	GHASEMI A， ZAHEDIASL S. Normality tests for statistical analysis： a guide for non-statisticians［J］. International Journal of Endocrinology and Metabolism， 2012， 10（2）： 486-489.
32	KRZYWINSKI M， ALTMAN N. Nonparametric tests［J］. Nature Methods， 2014， 11（5）： 467-468.
33	陈凯亮，李唯真，张泽庆. 融合XGBoost与SHAP的机动车交通事故致因机理分析［J］. 汽车实用技术， 2023， 48（4）： 179-185.
	CHEN K L， LI W Z， ZHANG Z Q. Severity analysis of vehicle traffic accidents based on XGBoost and SHAP ［J］. Automobile Applied Technology， 2023， 48（4）： 179-185.
34	肖宇，赵建有，叱干都，等. 基于XGBoost的短时出租车速度预测模型［J］. 交通信息与安全， 2022， 40（3）： 163-170.
	XIAO Y， ZHAO J Y， CHI G D， et al. A short-term prediction model for taxi speed based on XGBoost［J］. Journal of Transport Information and Safety， 2022， 40（3）： 163-170.
35	彭一川，李崇奕，王可，等. 基于权重的欠采样提升算法识别激进驾驶员［J］. 武汉理工大学学报（交通科学与工程版）， 2021， 45（2）： 195-201.
	PENG Y C， LI C Y， WANG K， et al. A weight-based undersampling boosting algorithm identifies aggressive drivers ［J］. Journal of Wuhan University of Techonlogy（Transportation Science & Engineering）， 2021， 45（2）： 195-201.
36	高雪林，汤厚骏，沈佳平，等. 基于XGBoost的高速公路事故类型及严重程度预测方法［J］. 交通信息与安全， 2023， 41（4）： 55-63.
	GAO X L， TANG H J， SHEN J P， et al. A method for predicting the type and severity of freeway accidents based on XGBoost［J］. Journal of Transport Information and Safety， 2023， 41（4）： 55-63.
37	唐瀛，闫仁武. 基于改进SVM算法的车牌识别研究［J］. 现代计算机， 2021， 27（30）： 88-93.
	TANG Y， YAN R W. License plate recognition based on improved SVM algorithm［J］. Modern Computer， 2021， 27（30）：88-93.

场景	干扰场景描述
场景1	被试车辆行驶在高速公路，后方车辆左侧正常距离安全超车
场景2	被试车辆出匝道驶入公路，两只动物静止在最右侧道路
场景3	被试车辆行驶在公路，前方发生车祸，车辆和行人静止在最右侧车道
场景4	被试车辆途经十字路口，直行为绿灯，路边行人静止在路侧
场景5	被试车辆途经十字路口，直行为绿灯，摩托车静止在十字路口右侧道路

指标描述	单位	弱危险感知状态		强危险感知状态		正态p	显著p
指标描述	单位	M	SD	M	SD	正态p	显著p
最大制动踏板力	daN	26.925	13.414	22.217	8.273	0.004*	0.000*
制动踏板力标准差	daN	7.851	4.941	7.417	2.843	0.094	0.353
油门开度标准差		0.055	0.038	0.081	0.043	0.113	0.000*
转向盘转角标准差	（°）/s	1.990	7.053	1.672	3.698	0.000*	0.577
预减速时间	s	0.800	1.468	3.226	3.157	0.000*	0.000*
车头时距	s	0.837	1.567	3.566	2.170	0.000*	0.000*
车速均值	m/s	16.331	3.778	12.657	2.749	0.463	0.000*
车速标准差	m/s	2.430	2.317	4.033	1.799	0.230	0.000*
加速度均值	m/s²	-0.655	0.544	-0.665	0.431	0.292	0.859
加速度标准差	m/s²	2.071	1.160	1.588	0.728	0.629	0.000*
左眼瞳孔直径变异系数		0.055	0.022	0.054	0.024	0.032*	0.434
右眼瞳孔直径变异系数		0.056	0.022	0.055	0.022	0.065	0.635
注视时长百分比	%	57.129	22.600	55.859	24.147	0.016*	0.602
注视次数	次	12.242	5.508	15.325	7.023	0.144	0.000*
单次注视时长	s	0.640	0.317	0.621	0.292	0.001*	0.660
跳视次数	次	34.150	17.039	41.000	19.967	0.013*	0.000*
单次眼跳时长	s	0.046	0.010	0.047	0.011	0.019*	0.152
眼动幅度		4.212	19.725	3.743	11.418	0.000*	0.171
眼动速度均值	（°）/s	28.082	12.416	27.344	12.060	0.013	0.852
眼动速度标准差	（°）/s	72.242	26.033	70.783	23.672	0.042	0.942

类型	显隐性	车速标准差/ （m·s^-1）	最大制动踏板力/daN	加速度标准差/（m·s^-2）	预减速时间/s
汽车	显性	1.812	11.588	1.152	1.716
汽车	隐性	2.101	13.529	1.203	2.591
摩托车	显性	1.541	15.648	1.316	1.595
摩托车	隐性	3.556	25.194	1.695	2.196
行人	显性	2.494	31.619	2.476	1.159
行人	隐性	3.393	33.222	2.404	1.253

特征个数	准确率	精准率	召回率	F1值
1	0.854	0.902	0.782	0.835
2	0.833	0.889	0.750	0.808
3	0.854	0.899	0.805	0.845
4	0.863	0.901	0.820	0.855
5	0.858	0.898	0.813	0.850
6	0.854	0.882	0.825	0.847
7	0.867	0.885	0.847	0.861
8	0.883	0.907	0.866	0.881
9	0.892	0.906	0.878	0.888

参数	范围	最优值
学习率（learning rate）	［0， 1， 0.01］	0.09
树的最大深度（max depth）	［1，10，1］	1
叶子节点最小权重（min child weight）	［1，10，1］	2
节点分裂所需的最小损失函数下降值（gamma）	［0，0.5，0.1］	0
迭代训练样本占比（subsample）	［0.5，1，0.1］	0.5
迭代训练特征占比（colsample bytree）	［0.5，1，0.1］	0.8
L1正则化参数（reg_alpha）	［0，0.05，0.001］	0.042
L2正则化参数（reg_lambda）	［0，0.05，0.001］	0.03