不同風格駕駛員眼動特性分析
——夜間快速路分流區

吳立新,杜 聰

(吉林建筑大學 交通科學與工程學院,長春 130118)

隨著汽車技術高速發展的同時也帶來了嚴重的交通問題,主要原因在于目前的車輛保有量的提高、駕駛員不規范駕駛以及車輛的高速化。目前,交通事故的頻繁發生、駕駛員人身安全性的降低和財產損失的慘重使得交通安全問題逐漸成為社會性問題。其中,城市快速路作為城市路網的骨架,對于城市的交通運行具有明顯的改善作用。然而由于城市快速路交通流量大,車輛速度相對較快,城市快速路的交通安全問題日益突出。其中快速路分流區是交通事故頻發區域,而駕駛員在分流區不當的換道行為是引發事故的重要因素之一。近幾年的統計數據表明,因為駕駛員的不當操作造成的交通事故占交通事故總數的90%[1]。車道變換具有自身行為特性,常會產生交通沖突,容易引發交通安全問題。根據美國國家公路交通安全管理局的統計數據顯示,因車輛進行車道變換而導致的交通事故數量占道路交通事故總數的4%,因此規范駕駛員換道行為對于減少快速路分流區事故發生率,提高駕駛員的人身安全有著重要意義。

Carsten 等[2]根據相關數據研究得出,駕駛方式和交通事故的發生率有很強的相關性,在激進型駕駛員中,出現追尾事故的概率是普通駕駛員的4倍多,因此,以研究駕駛方式為切入點,能更為有效地減少交通事故發生率。對于駕駛風格的劃分方法,Martinez 等[3]提出了一種用于智能車輛控制和高級駕駛輔助的駕駛風格特征和識別的調查,該調查主要對駕駛風格進行識別與判斷。Chung等[4]通過K均值類別和邏輯算法將駕駛風格劃分為冷靜、冒險、粗心、躁動四種類型。 Zhang等[5]提出了幾種基于車輛交互特征的駕駛波動性指數,并開發了動態聚類方法來確定最佳識別時間窗和駕駛風格方法。Gqa等[6]通過兩種主題模型:MLDA和MHLDA模型,以真實的車輛運行數據來對不同駕駛風格的司機進行識別。Huo等[7]使用修訂后的中文版多維駕駛風格量表(MDSI-C)衡量駕駛員的駕駛風格。在國內的研究中,董俊一[8]提出了將車輛換道效用和安全評價等指標納入動態駕駛風格表中,進而更全面地識別駕駛風格。吳興琪[9]利用跟馳數據集的各種參數構建了劃分跟馳駕駛風格的聚類判別模型,從而對比不同駕駛風格之間的差異。

在明確駕駛風格如何劃分和識別后,文中還對換道意圖進行了識別。只有了解駕駛員換道意圖,才能更好規范駕駛員換道行為,減少因換道行為不當造成的交通事故。目前國內外很多學者在研究駕駛員換道意圖預測的技術,它是先進輔助駕駛系統(ADAS)發展的關鍵技術之一,可以大大減少因變道引起的交通事故,保證駕駛安全。Tang等[10]學者提出了一種基于Multi-LSTM(長短期記憶)的先進預測方法來有效預測變道意圖。Shangguan等[11]提出了一個主動性的車道風險預測框架,該框架整合了車道意圖識別模塊和車道風險預測模塊,采用具有時間序列輸入的長短期記憶(LSTM)神經網絡來識別駕駛員的駕駛意圖。He等[12]提出了一種具有雙層隱馬爾可夫模型(HMM)的結構來識別駕駛意圖并預測駕駛行為。呂思雨[13]通過對車輛的多變量軌跡序列進行建模來識別車輛換道意圖。宋曉琳等[14]提出一種基于長短期記憶網絡的換道意圖識別方法,能夠對周邊車輛是否具有換道意圖進行識別。武林[15]通過GRU-ATT進行了車輛駕駛意圖識別與軌跡預測。Pan等[16]搜索了五個學術文獻數據庫,確定利用眼動技術預測駕駛員變道意圖(DLCI)的最佳實踐和未來研究方向。Jang等[17]使用基于瞳孔大小變化的換道意圖識別系統構建模型來識別駕駛人是否有潛在的換道意圖。Wu 等[18]提出了一種變道意圖識別方法,研究采用了Back-Propagation神經網絡方法來實現駕駛意圖的分類功能,通過試驗獲取時間間隔、司機的眼動數據、轉向角和車道偏離數據,然后分別分析了自由駕駛和變道條件下的典型特征,進而建立識別模型。彭金栓等[19]通過實車試驗得出駕駛員的視覺特性在車道保持和換道意圖兩個不同階段具有顯著差異。同時彭金栓等在視覺特性的基礎上,采用證據理論對駕駛員換道意圖進行識別,研究發現該理論識別信度高,時序性強。王波[20]通過視覺特性建立了駕駛員緊急換道意圖模型。 商艷等[21]采用瞳孔變動視覺特征的換道意圖識別方法。張磊等[22]將換道模型按照換道動機與換道決策兩個維度展開論述,針對換道行為特征歸納了駕駛人換道過程中的眼部及頭部運動特性,分析了車道變換時自車及周圍車輛的運動狀態。

相對于大部分研究只通過對單一的從駕駛風格或者駕駛員換道意圖識別進行分析并提出建議來降低交通事故發生率,文中研究把駕駛風格與換道結合起來,以駕駛風格為基礎,結合不同駕駛風格駕駛員在夜間快速路分流區換道的不同階段的眼動數據,對不同風格的駕駛員有針對性地提出改善建議,從而更好、更全面、更高效地提高駕駛員在夜間快速路分流區行車的安全性。

1 駕駛風格劃分

1.1 問卷設計

文中使用DBQ(Driver Behaviour Questionnaire) 調查問卷進行調查。在侯海晶等[23]研究的基礎上,結合夜間快速路分流區的視頻錄像,仔細觀察換道車輛的駕駛行為合理與否,以此為研究背景設計出針對夜間快速路分流區的問卷。采用李克特量表對各問題選項進行統一設計,每個問題有“總是”“時?！薄安怀！薄昂苌佟薄皬牟弧蔽宸N回答,分別記為 4、3、2、1、0。

問卷在線上和線下同步進行發放,線上采取問卷星網站和朋友圈等方式進行發放;線下以在學校、商場等大型公眾場所對有駕照人員詢問的方式進行發放。此次總共回收235份問卷,通過篩選、去除不合理的問卷,共獲得有效問卷200份(占總數的85.1%)。

1.2 問卷檢驗

要檢查問卷調查的結果是否有用以及有效程度的大小,就有必要通過調查的結果來檢測問卷是否滿足了要求。信度系數主要是表征問卷中調查結論的一致性與穩定性,文中選擇了信度系數——Crinbach Alpha值(α表示)來進行問卷評估[24]。人們通常認為,當α值超過0.8時問卷的可靠性更高;當α低于0.6時則問卷無效。α計算公式如式(1)所示。

(1)

問卷好壞可以通過效度進行檢驗,效度越高說明問卷越好,通過SPSS軟件進行皮爾遜系數雙變量相關性檢驗,結果如表1所示?？梢缘贸?10個問題的系數都是正值,而且四分之三問題的相關系數在0.01和0.05顯著水平以下,說明該駕駛風格識別量表具有很好的內容效度。

表1 駕駛風格問卷調查

1.3 基于主成分分析的駕駛風格問卷量化

主成分分析法目的是對所有成分進行降維,以獲取主要成分。該方法在評價參數相關性較高時能消除指標間的信息重疊,并能根據指標信息,通過數學運算而自動生成權重。

對20名駕駛人的調查結果進行主成分分析,以統計其綜合得分并進行駕駛風格劃分。對所有問題的平均得分進行主成分分析,可以得出相關的特征根λ以及主成分初始因子負荷矩陣M,進而估算各主要成份之間的方差貢獻率和累計貢獻率。按照累計貢獻率超出85%的準則, 選擇城市快速路上跟車行駛時離前車太近、夜間城市快速路上超速行駛、在夜間快速路分流區換道時很早開啟轉向燈、夜間從快速路進入匝道時提前很早換道至右側車道4種情況作為主成分因子,如表2所示,其累積貢獻率達到92.280%。

表2 總方差解釋

確定主成分之后,按照式(2)計算出主成分得分系數矩陣Aik:

(2)

式中:Mik為主成分初始因子負荷矩陣M的第k列;λk為矩陣M的第k個特征根;Aik為第i題的主成分得分系數矩陣,各主成分中每個指標所對應的系數如表3所示。

表3 各主成分對應的系數

20名試驗駕駛員的主成分得分Fk為:

Fk=azx1+bzx2+…+jzx10;k=1,2,3,4

(3)

式中:zxi為xi的標準化變量。

20名駕駛員的駕駛風格綜合得分量化模型:

F=0.566F1+0.218F2+0.139F3+0.076F4

(4)

部分被試駕駛員得分如表4所示。

表4 部分被試駕駛員各主成分得分和綜合得分

1.4 駕駛風格分類

駕駛員的駕駛方式評分值愈高,則駕駛員的駕駛方式愈具侵略性。之后,使用 K均值聚類的方法,根據駕駛風格的評分,將駕駛員分成三類:第一類聚類中心是 0.41,總共10個樣本;第二類聚類中心是-1.00,總共5個樣本;第三類聚類中心是-0.25,總共5個樣本。相應地,分別將這三類樣本定義為激進型駕駛員、謹慎型駕駛員和一般型駕駛員。

2 眼動分析方法與步驟

為了更清晰地研究駕駛員在換道過程中的眼動參數變化規律,我們需要了解眼動分析的方法與步驟,例如確定駕駛員換道意圖時窗寬度,劃分駕駛員注視興趣區域等方法,從而為分析駕駛員在不同換道階段的眼動參數做好準備工作。

2.1 眼動分析方法

2.1.1 數據時窗確定

為了得到換道意圖樣本,首先需要確定換道意圖的表征時窗。按照正常的駕駛規范,駕駛員開啟轉向燈時表明駕駛員在此之前已具有換道或轉向意圖。眾多學者深入研究發現,駕駛員在進行變道前的一段時間內會表現出特定的規律,但是對于這段時間具體數值并沒有統一的標準。

通過查閱文獻以及結合實際情況(夜間試驗),將換道分為意圖和執行兩個階段:意圖階段是車輛打開轉向燈到開始轉向所經過的時間;執行階段為車輛開始偏移直到在目標車道調整好方向所經過的時間。通過結合眼動儀自帶錄像的視頻和車內攝像視頻確定換道意圖起始時間點。為了追求數據的可靠性,同一風格駕駛員的時窗寬度取均值。表5為三種不同駕駛風格駕駛員換道意圖階段和執行階段的時窗寬度均值。

表5 不同風格駕駛員不同階段時窗寬度 s

2.1.2 注視興趣區域劃分

興趣區域反映駕駛員行為響應與視覺特性的關系,借助興趣區中注視點分布判別駕駛員意圖、行為特征等。目前,興趣區域劃分沒有固定標準,一般依據研究內容與注視點數據人工生成,區域劃分主觀性較強。文中通過對X(水平)、Y(垂直)方向的視角進行分析,以駕駛員水平視線到前擋風玻璃垂面的交點為原點,對注視區域進行劃分,如圖1所示,各注視區域目標物如表6所示。

圖1 注視區域

表6 注視區域內目標物

2.2 眼動分析步驟

1)確定三種風格駕駛員在換道意圖階段和執行階段的時窗寬度。

2)通過眼動儀獲取駕駛員注視點分布,通過X(水平)、Y(垂直)方向的視角進行分析,劃分注視興趣區域。

3)分別對三種不同風格駕駛員的后視鏡平均注視次數、平均累計注視時間百分比和平均瞳孔面積進行單因素方差分析,以確定其差異性。

4)對其差異性進行定量和定性分析和論述,提出相應觀點。

3 試驗設計

為保證所獲取眼動特性數據的真實性和準確度,以獲取自然駕駛數據的實車試驗做為首選。因試驗時間為夜間,所以強制性要求全體試驗駕駛員轉向之前開啟轉向燈。

3.1 試驗場景

以長春市東部快速路生態大街方向南向出口分流區為試驗地點,主線為四車道,設計速度80 km·h-1的主線分流直接式分流區,匝道為雙車道,圖2為試驗地點分流區示意圖,以夜間17:00—19:00為試驗時間。

圖2 試驗分流區

3.2 試驗變量

選取不同風格駕駛員進行實車試驗來獲取換道意圖階段和執行階段兩種典型駕駛模式下的駕駛員的眼動參數,進而分析不同駕駛風格駕駛員在換道和執行階段的眼動特性之間的差異。試驗中的因變量和自變量如表7所示。

3.3 試驗設備與人員

試驗設備主要有眼動儀、D-Lab 軟件、電腦1臺、大眾轎臺、攝像機兩臺;選擇20名無視覺障礙,出發前睡眠足夠,心理、生理正常非專業駕駛人員(男性14名,女性6名),兩名攝像人員以及操作電腦人員。

3.4 試驗步驟

1)提前規劃好駕駛路線,并調整好眼動儀,確保眼動儀能正常工作。

2)負責拍攝人員選取好拍攝角度,確保能夠拍攝車輛在分流區范圍內的運行路線。

3)出發前告知試驗駕駛員注意事項以及要求,并對眼動儀進行校準。

4)從匝道以正常車速進入快速路,從進入分流區影響范圍開始記錄,到出分流區停止記錄。

3.5 評價指標選取

眼動參數主要有注視、掃視、眨眼和瞳孔變化。前人試驗成果表明,駕駛員在駕駛過程中其眼球掃視運動累計時間和眨眼累計時間所占比例不超過10%,此兩方面研究意義不大。因此,文中重點分析注視和瞳孔面積[25]。

通過對后視鏡注視次數、累計注視時間以及瞳孔面積使用SPSS進行檢驗,顯著性p均小于0.01。

4 試驗結果分析

4.1 后視鏡平均注視次數分析

對某區域注視次數多少可以體現駕駛員對該區域的關注度。不同風格駕駛員對后視鏡平均注視次數如圖3所示。

由圖3可得出:意圖階段駕駛員注視次數平均值為1.77,明顯多于執行階段平均值0.30,駕駛員在換道不同階段對注視次數存在差異。相對于一般型和激進型駕駛員,謹慎型駕駛員在換道兩個階段對后視鏡注視次數明顯偏多,與文獻[23]研究的結果大致相同。謹慎型、一般型和激進型駕駛員對于平均后視鏡注視次數占比分別為48%、27%、25%,且三種類型駕駛員在意圖階段對后視鏡注視次數均大于執行階段。

使用單因素方差分析法研究3種風格駕駛員在同一種換道階段的平均注視次數的差異性。默認p=0.05,在不同換道階段下,不同風格駕駛員對后視鏡注視次數存在明顯差別,換道意圖階段和執行階段均為p<0.01。

4.2 平均累計注視時間百分比

累積注視時間:駕駛員對某一區域注視時間的累計值是衡量對注視區域是否感興趣的重要指標。三種風格駕駛員的平均累計注視時間百分比如圖4～6所示。

圖4 謹慎型駕駛員平均累計注視時間百分比

圖5 一般型駕駛員平均累計注視時間百分比

圖6 激進型駕駛員平均累計注視時間百分比

由圖4、5、6的數據表明:意圖階段試驗駕駛員對后視鏡累計注視時間的平均值為23%,高于執行階段平均值12.3%。此外,在意圖階段對正前方平均累計注視時間的平均值62.7%,低于執行階段平均值76.7%。使用單因素方差分析得到的結果是:存在著明顯的差別(換道意圖階段和執行階段的p值均小于0.05)。而且謹慎型、一般型、激進型駕駛員對正前方換道階段的平均累計注視時間占比為70.5%、77.0%、79.5%,說明駕駛員在換道階段更加關注前方道路情況以及車輛,且三種類型駕駛員在意圖階段對平均累計注視時間均小于執行階段。

4.3 平均瞳孔面積

不同風格駕駛員在不同階段的平均瞳孔面積,如圖7所示,圖中表明換道意圖階段駕駛員的平均瞳孔面積(M=1 254.3,SD=531.5)小于車道保持階段(M=1 447.6,SD=747.6), 說明在執行階段駕駛員相對于意圖階段更加緊張,更加小心;謹慎型駕駛員相對于其他兩種類型駕駛員來說任何階段都會更加小心。通過數據統計得出,謹慎型、一般型、激進型駕駛員的平均瞳孔面積占比為56.3%、27.6%、16.1%;不同風格駕駛員的平均瞳孔面積在意圖階段和執行階段大小順序如下:謹慎型>一般型>激進型,執行階段>意圖階段。采用 ANOVA 分析了不同風格駕駛員在不同階段平均瞳孔面積的差異性,p值均小于0.05,具有顯著差異。

圖7 不同風格駕駛員在不同階段的平均瞳孔面積

5 總結與展望

5.1 總 結

通過以上對不同風格駕駛員的眼動數據分析發現:

1)一般型和激進型駕駛員換道前后對于后視鏡注視次數以及換道時對左右環境的關注度明顯小于謹慎型駕駛員。結合試驗所拍攝視頻發現激進型駕駛員有明顯的急減速行為,而且傾向于在距離分流區出口50 m距離內換道。由于變道距離過短,導致沒有充分的時間關注周圍環境,容易造成交通事故的發生;通過激進型駕駛員的瞳孔面積變化,結合拍攝視頻和對激進型駕駛員的駕駛感受分析,在距離分流區出口150 m距離換道是安全性更高的距離。

2)謹慎型駕駛員換道前后其瞳孔面積遠遠大于一般型和激進型駕駛員,表明在一定程度上其換道時心理狀態很緊張。結合試驗拍攝視頻和詢問其駕駛感受發現謹慎型駕駛員在換道時猶豫不決,很容易因為換道時的猶豫行為導致錯失出口。而強行換道則容易發生交通事故,造成擁堵,所以建議謹慎型駕駛員在換道時放松心態,在確定好目標車道的前提下距離出口450 m至200 m(在此范圍內謹慎型駕駛員換道時瞳孔面積最小)范圍內盡早進入換道。

5.2 展 望

日益擁擠的交通和其他誘發壓力的因素使得駕駛員更有可能通過激進駕駛來發泄他們的挫折感。而且激進駕駛和謹慎駕駛導致的駕駛者傷害嚴重程度存在顯著差異[26],所以交通流的狀態也應作為影響夜間快速路分流區交通安全的重要因素。因此,研究進一步發展方向應該在原有的基礎上加入不同風格駕駛員在不同的交通流狀態下的眼動特性之間的差異性分析,以求為更好地減少快速路分流區交通事故發生率做貢獻。