除了控制车辆,驾驶员还经常执行妨碍驾驶的次要任务。减少驾驶员分心是智能交通安全系统面临的重要挑战。运用智能算法的驾驶员分心监测与评估系统,可对驾驶员的注意力进行监测与评估,目的在于减少由于驾驶员分心造成的交通事故危害。

本文是来自斯柯达的研究成果,主要内容包括:

1,ITEAM项目简介

3,驾驶员分心检测与评估法

4,数据采集

5,案例研究结果

ITEAM(InTErdisciplinary trAining network inMulti-actuated ground vehicles)项目的主要目标是建立和维持具有跨学科水平的欧洲培训网络,培训在MAGV(Multi-actuated ground vehicles)领域新技术研究和开发的专家。

为了实现目标,该项目联合了来自9个欧洲国家的11个相关方和8个合作组织,其中包括10所大学、2个研究中心和7个非学术组织。

致命的交通事故是设计本算法的动机

美国、欧盟、德国的人口及每年交通事故死亡人数如下:

驾驶员注意力分散是本算法的另一动机

单欧盟就有18%的致命交通事故是由于驾驶员注意力分散而导致的。目前研究的目的是利用智能算法,通过监测提高交通安全,进一步减少车内信息系统对驾驶员的干扰。

驾驶员分心的定义

驾驶员分心是指由于车内外事件、活动、人或物体的原因,迫使或诱导驾驶员将注意力从驾驶任务上移开,从而导致驾驶员对安全驾驶所需信息的识别延迟。-J.R.Treat

驾驶员分心是将注意力从对安全驾驶至关重要的活动转移到与之冲突的活动上。-M.A.Regan

分散驾驶员注意力的干扰源分为外部干干扰源和内部干扰源。外部干扰源有事故、野生动物、行人以及骑行者。内部干扰源有手机、食物饮料、阅读写作以及媒体导航。

驾驶员注意力分散的形式

驾驶员注意力分散形式分为视觉脱离(如视线脱离道路)、听觉脱离(带耳机听音乐)、身体脱离(手离开方向盘)以及意识脱离(走神)等。

驾驶员分心监测与评估法:驾驶表现评测

现有方法:对低干扰更敏感

这套方法收集了限速、曲线半径、曲线方向等环境因素,通过驾驶员机器学习模型与预处理训练数据融合·,并且根据车辆速度偏差以及车道保持偏移量计算出误差,最后通过模糊逻辑推理(评估器)得出驾驶员注意力分散等级。

驾驶员在环实验

对参与者进行驾驶数据采集

共18名参与者,其中27.8%为女性,72.2%为男性,平均年龄为30岁,平均驾龄11年。

采集数据需要的设备和系统:

油门踏板

制动踏板

两个LCD显示器

实时驾驶员在环模拟系统

抬头显示

Matlab/Simulink与IPG CarMaker的集成

数据采集过程

测试道路全长10626米,两条车道,车道宽度为3.5米

自由驾驶测试

2圈自由驾驶

1圈手机聊天注意力分心驾驶

采样频率50Hz (0.02秒样本周期)

案例研究结果1:机器学习预测驾驶员的表现

案例研究结果2:驾驶员表现预测与驾驶员实际驾驶表现的对比

案例研究结果3:最终驾驶表现

案例研究结果4:驾驶员注意力评估

本研究提出了一种新颖的基于智能算法的驾驶员分心监测与评价方法(该方法融合了机器学习以及模糊逻辑),其中包括:

一个正常驾驶模型(机器学习)

一个测量次要任务误差的次要系统

一个整体注意力分心评估模块(模糊逻辑)

需要准备合适的软件(比如MATLAB)和硬件(IPG系统体验平台驾驶模拟器)设施。该方法在18名参与者的驾驶员在环测试中得到验证,并将手机互动作为干扰驾驶的次要活动。

2019第四届ADAS与自动驾驶论坛 初步日程

「近期活动」