駕駛?cè)艘曈X(jué)轉(zhuǎn)移特征研究

駕駛?cè)艘曈X(jué)轉(zhuǎn)移特征研究

0眼動(dòng)行為的特征視覺(jué)行為是駕駛員的基本視覺(jué)行為形式，也是眼動(dòng)研究中用來(lái)探索內(nèi)在認(rèn)知過(guò)程的重要指標(biāo)。駕駛?cè)嗽隈{駛過(guò)程中,主要通過(guò)注視行為來(lái)識(shí)別交通環(huán)境中的目標(biāo)信息。同濟(jì)大學(xué)的潘曉東等利用EMR-8B眼動(dòng)儀,研究了在逆光條件下交通標(biāo)志的可視距離;長(zhǎng)安大學(xué)郭應(yīng)時(shí)等分析了不同通道寬度條件下駕駛?cè)俗⒁曅袨樽兓卣?認(rèn)為隨著通道寬度變窄,駕駛?cè)俗⒁朁c(diǎn)變近,對(duì)障礙物的注意變得集中,且習(xí)慣以左側(cè)障礙物為參照來(lái)調(diào)整車輛的運(yùn)行狀態(tài);瑞典林雪平大學(xué)的Falkmer等通過(guò)對(duì)測(cè)得的眼動(dòng)數(shù)據(jù)進(jìn)行分析,認(rèn)為相對(duì)于熟練駕駛?cè)硕?非熟練駕駛?cè)说难蹌?dòng)行為具有以下特征:①注視點(diǎn)更靠近所駕駛的車輛而不是遠(yuǎn)方;②對(duì)車內(nèi)物體注視更為頻繁;③水平方向搜索廣度小;④對(duì)重要交通信息的注視更為頻繁;⑤對(duì)包含潛在危險(xiǎn)目標(biāo)的注視更為頻繁;英國(guó)南安普頓大學(xué)的Brackstone等對(duì)高速行駛時(shí)駕駛?cè)说难蹌?dòng)行為進(jìn)行了研究,通過(guò)對(duì)駕駛?cè)似骄⒁晻r(shí)間及各區(qū)域注視時(shí)間所占百分比的分析發(fā)現(xiàn),駕駛?cè)嗽谡麄€(gè)駕駛過(guò)程中花費(fèi)80%的時(shí)間來(lái)觀察前方道路區(qū)域,且每次視線從車輛前方區(qū)域移走的平均時(shí)間約為0.65s;英國(guó)諾丁漢大學(xué)Underwood等通過(guò)試驗(yàn),對(duì)非熟練駕駛?cè)怂椒较蛩阉鲝V度比熟練駕駛?cè)诵〉脑蜻M(jìn)行了研究,分析了注視次數(shù)、總的注視時(shí)間、注視持續(xù)時(shí)間以及回頭看的次數(shù),發(fā)現(xiàn)非熟練駕駛?cè)烁蕾囓噧?nèi)后視鏡來(lái)觀察交通狀況。雖然國(guó)內(nèi)外關(guān)于駕駛?cè)俗⒁曅袨樘卣鞯难芯恳呀?jīng)取得了大量的研究成果,但基本上集中在注視點(diǎn)的位置和注視持續(xù)時(shí)間這2個(gè)指標(biāo),鮮見(jiàn)對(duì)駕駛?cè)俗⒁朁c(diǎn)前后之間聯(lián)系的深入分析。本文把各個(gè)注視點(diǎn)作為時(shí)間軸上的連續(xù)點(diǎn)來(lái)進(jìn)行研究,分析前一個(gè)注視點(diǎn)、當(dāng)前注視點(diǎn)和下一注視點(diǎn)之間的內(nèi)在變化規(guī)律,體現(xiàn)了注視行為時(shí)刻運(yùn)動(dòng)變化的特性。1駕駛員視野中的區(qū)域劃分1.1試驗(yàn)結(jié)果的數(shù)據(jù)分析國(guó)內(nèi)外相關(guān)研究檢索發(fā)現(xiàn),駕駛?cè)俗⒁晠^(qū)域劃分方法主要有2種:視野平面法和錄像回放法。視野平面法是把視野平面劃分為幾個(gè)部分,認(rèn)為落在各部分的注視點(diǎn)即為注視該區(qū)域的場(chǎng)景,這是比較常用的一種視覺(jué)注視區(qū)域的研究方法,來(lái)源于對(duì)靜態(tài)場(chǎng)景的視覺(jué)行為研究,如圖1所示為一種典型的駕駛?cè)艘曇捌矫娣▽?duì)注視區(qū)域的劃分。通過(guò)把視野平面劃分幾個(gè)部分的注視區(qū)域研究方法,優(yōu)點(diǎn)是簡(jiǎn)單易行,區(qū)域劃分后對(duì)各項(xiàng)指標(biāo)的統(tǒng)計(jì)分析工作量較小;缺點(diǎn)是精確度低,統(tǒng)計(jì)結(jié)果可信度較差。錄像回放法是通過(guò)觀看帶有注視點(diǎn)的試驗(yàn)錄像回放,逐幀分析每幅畫面的注視點(diǎn)位置,確定每個(gè)注視點(diǎn)的注視目標(biāo),如圖2為試驗(yàn)錄像回放中駕駛?cè)俗⒁曌蠛笠曠R的畫面。錄像回放法的優(yōu)點(diǎn)是精確度高,因?yàn)閷?duì)每幅畫面都進(jìn)行分析,不會(huì)出現(xiàn)誤差,各因素的差異也不會(huì)對(duì)統(tǒng)計(jì)結(jié)果產(chǎn)生影響;缺點(diǎn)是統(tǒng)計(jì)工作量大,如在本文試驗(yàn)中,所有樣本的注視點(diǎn)數(shù)量達(dá)到20萬(wàn)個(gè)以上,逐一分析是不現(xiàn)實(shí)的。1.2聚類劃分和聚類劃分為了克服傳統(tǒng)注視區(qū)域劃分方法的缺陷,探索采用聚類方法對(duì)注視點(diǎn)在視野平面上位置的解析坐標(biāo)進(jìn)行聚類,對(duì)駕駛?cè)诵熊囘^(guò)程中的注視區(qū)域進(jìn)行了劃分,該方法具有劃分速度快,工作量小,且注視區(qū)域劃分結(jié)果比較準(zhǔn)確的優(yōu)點(diǎn)。通過(guò)對(duì)聚類為5類、6類、7類、8類、9類和10類比較,認(rèn)為聚類為6~8類比較合適,圖3為某駕駛?cè)俗⒁朁c(diǎn)位置聚類為8類的結(jié)果。對(duì)每類注視點(diǎn)所在區(qū)域輪廓進(jìn)行簡(jiǎn)單描畫后,視野平面被分成了8個(gè)界線明顯的區(qū)域,如圖4所示。通過(guò)與試驗(yàn)錄像的對(duì)照,可以確定各區(qū)域內(nèi)的主要注視目標(biāo),見(jiàn)表1。2駕駛員的預(yù)覽行為需要一步一步地轉(zhuǎn)移概率矩陣2.1基于馬爾可夫鏈的運(yùn)動(dòng)設(shè)隨機(jī)序列{X(n),n=0,1,2,…,n}的離散狀態(tài)空間E為{1,2,…,n},若對(duì)于任意m個(gè)非負(fù)整數(shù)n1,n2,…,nm(0≤n1<n2<…<nm)和任意自然數(shù)k,以及任意i1,i2,…,im,j∈E,滿足P{X(nm+k)=j|X(n1)=i1,X(n2)=i2,…,X(nm)=im|}=P{X(nm+k)=j|X(nm)=im}(1)則稱{X(n),n=0,1,2,…}為馬爾可夫鏈。馬爾可夫鏈?zhǔn)且粋€(gè)典型的無(wú)后效性隨機(jī)過(guò)程,即模型在時(shí)刻t的狀態(tài)只與它的前一個(gè)時(shí)刻t-1的狀態(tài)條件相關(guān),與以前的狀態(tài)條件獨(dú)立。駕駛?cè)说淖⒁曅袨橹?下一個(gè)注視點(diǎn)所處的位置,只依賴于當(dāng)前的注視點(diǎn),而與在當(dāng)前注視點(diǎn)之前駕駛?cè)俗⒁暳耸裁吹胤綗o(wú)關(guān),因而可以用馬爾可夫鏈來(lái)解決這個(gè)問(wèn)題。駕駛?cè)俗⒁朁c(diǎn)馬爾可夫鏈,在時(shí)間、狀態(tài)上都是離散的。2.2試驗(yàn)結(jié)果的估計(jì)P{X(n+k)=j|X(n)=i},k≥1(2)稱為馬爾可夫鏈在n時(shí)刻的k步轉(zhuǎn)移概率,轉(zhuǎn)移概率表示已知n時(shí)刻處于狀態(tài)i,經(jīng)k個(gè)單位時(shí)間后過(guò)程處于狀態(tài)j的概率。轉(zhuǎn)移概率不依賴于n的馬爾可夫鏈,稱為齊次馬爾可夫鏈。這種馬爾可夫鏈的狀態(tài)轉(zhuǎn)移概率僅與轉(zhuǎn)移出發(fā)狀態(tài)i、轉(zhuǎn)移步數(shù)k、轉(zhuǎn)移到達(dá)狀態(tài)j有關(guān),而與轉(zhuǎn)移的起始時(shí)刻n無(wú)關(guān)。把轉(zhuǎn)移概率Pij(n,n+k)記為pij(k),當(dāng)k=1時(shí),pij(1)稱為一步轉(zhuǎn)移概率,記為pij。設(shè)p表示一步轉(zhuǎn)移概率pij所組成的矩陣,且狀態(tài)空間E={1,2,…,n},則p=[p11?p1n??pn1?pnm](3)p=????p11?p1n??pn1?pnm????(3)稱為系統(tǒng)狀態(tài)的一步轉(zhuǎn)移概率矩陣。駕駛?cè)俗⒁朁c(diǎn)落在不同的區(qū)域?yàn)椴煌瑺顟B(tài),下一個(gè)注視點(diǎn)落在哪個(gè)區(qū)域只與當(dāng)前注視點(diǎn)所在的區(qū)域有關(guān),是一個(gè)典型的齊次馬爾可夫鏈。運(yùn)用統(tǒng)計(jì)估算的方法來(lái)求解駕駛?cè)说囊徊睫D(zhuǎn)移概率矩陣,基本思路是:將每一個(gè)注視區(qū)域作為馬爾可夫鏈的一個(gè)狀態(tài),然后統(tǒng)計(jì)出在各狀態(tài)之間轉(zhuǎn)移的概率。統(tǒng)計(jì)方法如圖5所示。設(shè)1、2、3、4、5、6、7、8為注視點(diǎn)8種狀態(tài),分別對(duì)應(yīng)A、B、C、D、E、F、G、H區(qū)域。aij為由狀態(tài)i轉(zhuǎn)向狀態(tài)j的頻數(shù),如a11表示當(dāng)前注視點(diǎn)在1狀態(tài)(A區(qū)域),下一注視點(diǎn)仍在1狀態(tài)的頻數(shù);a13表示當(dāng)前注視點(diǎn)在1狀態(tài)(A區(qū)域),下一注視點(diǎn)在3狀態(tài)(C區(qū)域)的頻數(shù);a83表示當(dāng)前注視點(diǎn)在8狀態(tài)(H區(qū)域),下一注視點(diǎn)在3狀態(tài)(C區(qū)域)的頻數(shù),其余以此類推。設(shè)n∑j=1aij=ai(i、j=1,2,…,n)(4)那么由狀態(tài)i轉(zhuǎn)向狀態(tài)j的轉(zhuǎn)移概率為fij≈aij/ai,(i=1,2,…,n)。由概率論知識(shí)可知,當(dāng)狀態(tài)概率的理論分布未知時(shí),若樣本容量足夠大,可以用樣本分布近似地描述狀態(tài)的理論分布。因此,對(duì)于未知的轉(zhuǎn)移概率,可以用轉(zhuǎn)移頻率來(lái)近似地估計(jì)轉(zhuǎn)移概率。所以,由狀態(tài)i轉(zhuǎn)向j的轉(zhuǎn)移概率的估計(jì)值為pij≈aij/ai。這樣便可以得到駕駛?cè)俗⒁朁c(diǎn)馬爾可夫鏈的一步轉(zhuǎn)移概率矩陣。選取5名具有不同駕駛經(jīng)驗(yàn)的駕駛?cè)俗鳛樵囼?yàn)對(duì)象,駕駛經(jīng)驗(yàn)里程見(jiàn)表2。在同一路段進(jìn)行真實(shí)交通環(huán)境下實(shí)車試驗(yàn),盡量保證各駕駛?cè)嗽囼?yàn)時(shí)的交通量、天氣、光照強(qiáng)度等條件相同,試驗(yàn)時(shí)預(yù)先告訴駕駛?cè)诵旭偩€路,要求駕駛?cè)税凑兆约旱鸟{駛習(xí)慣自由行駛,不要求行車速度。試驗(yàn)車輛為瑞風(fēng)7座商務(wù)車,使用EyeLinkII眼動(dòng)儀監(jiān)測(cè)記錄駕駛?cè)诵旭傔^(guò)程中的眼動(dòng)數(shù)據(jù)。對(duì)EyeLinkII眼動(dòng)儀記錄的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析,首先運(yùn)用1.2節(jié)中的方法對(duì)各受試駕駛?cè)说淖⒁晠^(qū)域進(jìn)行劃分,然后運(yùn)用前述方法求得各駕駛?cè)艘暰€在各注視區(qū)域間的一步轉(zhuǎn)移概率矩陣為p001=[0.52940.05880.00000.11760.00000.00000.29410.00000.00000.56900.00730.09440.00000.00730.26630.05570.09380.12500.46880.06250.00000.00000.18750.06250.01180.23080.01780.49110.00000.00590.18930.05330.00000.00000.14290.28570.42860.00000.14290.00000.00000.16670.00000.00000.00000.58330.25000.00000.00450.15750.01190.05790.00450.00150.69390.06840.00000.13400.01030.01550.00520.00000.25260.5825]p002=[0.50000.07140.07140.14290.00000.00000.14290.07140.00480.64760.00480.00480.00480.00000.29520.03810.00000.00000.65630.00000.00000.00000.06250.28130.00890.01790.00000.60710.02680.00000.32140.01790.00000.03700.00000.25930.59260.00000.11110.00000.00000.00000.00000.00000.00000.80000.20000.00000.00610.07890.00730.03520.00730.00240.81070.05220.00000.02990.01800.03590.00600.00600.28140.6228]p003=[0.57890.02630.26320.05260.00000.00000.07890.00000.00000.00000.00000.22220.00000.00000.77780.00000.12370.00000.53610.12370.00000.01030.20620.00000.00290.00290.06100.50870.00580.00290.40700.00870.00000.02700.00000.02700.59460.21620.13510.00000.00000.03080.01540.00000.07690.72310.15380.00000.00240.00080.01050.12150.00640.00640.84470.00720.00000.10710.00000.07140.00000.00000.25000.5714]p004=[0.25000.12500.37500.00000.00000.00000.25000.00000.00000.63640.00250.12530.01470.00250.20640.01230.22220.05560.44440.00000.00000.00000.11110.16670.00540.18380.00540.57300.01620.00540.20000.01080.00000.07690.05130.15380.58970.05130.00000.07690.00000.09090.00000.04550.09090.72730.04550.0000.00210.20210.00630.04000.00840.00420.68210.05470.00000.16950.00000.05080.01690.00000.42370.3390]p005=[0.42860.28570.00000.00000.00000.14290.00000.14290.00250.71810.00000.00740.00000.00490.08820.17890.00000.05880.58820.05880.00000.00000.17650.11760.00000.23080.00000.34620.00000.00000.30770.11540.06250.12500.00000.00000.68750.00000.06250.06250.00000.02130.02130.02130.02130.76600.10640.04260.00000.18390.01150.04020.00570.04020.56320.15520.00900.32130.01810.02260.01360.00450.10410.5068]2.3位駕駛?cè)说囊徊睫D(zhuǎn)移概率矩陣在求得的一步轉(zhuǎn)移概率矩陣中,元素pij表示當(dāng)前注視點(diǎn)在i區(qū)域、下一注視點(diǎn)轉(zhuǎn)移到j(luò)區(qū)域的概率值。通過(guò)對(duì)5個(gè)駕駛?cè)艘徊睫D(zhuǎn)移概率矩陣的分析,結(jié)合1.2節(jié)中對(duì)注視區(qū)域的劃分,發(fā)現(xiàn)駕駛?cè)说淖⒁曅袨樵诟髯⒁晠^(qū)域間轉(zhuǎn)移時(shí)存在以下規(guī)律。(1)設(shè)第n注視點(diǎn)駕駛?cè)俗⒁昳區(qū)域,第n+1個(gè)注視點(diǎn)駕駛?cè)俗⒁昷區(qū)域,若概率p(1)ij=0,則說(shuō)明駕駛?cè)俗⒁朁c(diǎn)不會(huì)從i區(qū)域經(jīng)過(guò)一步轉(zhuǎn)移到j(luò)區(qū)域;反之,若p(1)ij≠0,則說(shuō)明駕駛?cè)俗⒁朁c(diǎn)有一定的概率從i區(qū)域經(jīng)過(guò)一步轉(zhuǎn)移到j(luò)區(qū)域。如果以上矩陣的某一行上所有的元素都不為0,則說(shuō)明注視點(diǎn)可以由該行表示的區(qū)域轉(zhuǎn)移到其他的任何區(qū)域。各駕駛?cè)艘徊睫D(zhuǎn)移概率轉(zhuǎn)移矩陣中第7行中的元素,除駕駛?cè)?05外,都不為0,駕駛?cè)?05也僅僅出現(xiàn)了一個(gè)不為0的元素。第7行對(duì)應(yīng)的區(qū)域是G區(qū)域即駕駛?cè)饲胺杰嚨澜?說(shuō)明如果駕駛?cè)说漠?dāng)前注視點(diǎn)如果在前方車道近處區(qū)域,則下一個(gè)注視點(diǎn)將會(huì)按照一定的概率落在任何區(qū)域。(2)當(dāng)i=j,p(1)ij構(gòu)成了馬爾可夫一步轉(zhuǎn)移概率矩陣主對(duì)角線上的數(shù)值,這些數(shù)值表示當(dāng)前注視點(diǎn)在某一區(qū)域,下一注視點(diǎn)仍然在這一區(qū)域,即對(duì)某區(qū)域重復(fù)注視的概率。5位駕駛?cè)说囊徊睫D(zhuǎn)移概率矩陣主對(duì)角線上的概率值均遠(yuǎn)遠(yuǎn)大于其他概率值,說(shuō)明駕駛?cè)嗽谌我粎^(qū)域信息的獲取并不是通過(guò)一次注視能夠完成的,需要進(jìn)行多次重復(fù)注視,才能獲取足夠的信息。(3)除003號(hào)外,其他駕駛?cè)藢?duì)B區(qū)域和F區(qū)域的重復(fù)注視概率都比較大,說(shuō)明前方車道遠(yuǎn)處和車內(nèi)儀表2個(gè)區(qū)域的信息比較復(fù)雜,需要多個(gè)連續(xù)注視點(diǎn)停留在這一區(qū)域,才能完成信息攝取。(4)001、002、003號(hào)駕駛?cè)?對(duì)A區(qū)域和G區(qū)域的重復(fù)注視的概率要大于004和005號(hào)駕駛?cè)?說(shuō)明與熟練駕駛?cè)讼啾?非熟練駕駛?cè)艘曈X(jué)搜索模式僵化,對(duì)道路外側(cè)和前方車道近處的區(qū)域重復(fù)注視較多,不能通過(guò)快速、大范圍的掃描來(lái)實(shí)現(xiàn)信息攝取。3駕駛員的視角運(yùn)動(dòng)的穩(wěn)定分配3.1馬爾可夫鏈的平穩(wěn)分布設(shè){Xn,n≥0}是齊次馬爾可夫鏈,狀態(tài)空間為E,轉(zhuǎn)移概率為pij,存在概率分布{πi,j∈E},若滿足πj=∑i∈Eπipij∑i∈Eπj=1,πj≥0}(5)則稱{πi,j∈E}為馬爾可夫鏈的平穩(wěn)分布。設(shè)馬爾可夫鏈{Xn,n≥0},有限狀態(tài)空間E={0,1,…,s},若存在正整數(shù)n0,使對(duì)一切i,j∈E,都有p(n0)ij>0,則此馬爾可夫鏈?zhǔn)潜闅v的。此時(shí),有l(wèi)imn→∝p(n)ij=πj(6)馬爾可夫鏈具有遍歷性說(shuō)明,經(jīng)歷一段時(shí)間后,系統(tǒng)達(dá)到了平穩(wěn)狀態(tài)。即對(duì)某一狀態(tài)j,馬爾可夫鏈在初始時(shí)刻從i出發(fā),通過(guò)長(zhǎng)時(shí)間的轉(zhuǎn)移,到達(dá)j的概率都趨近于πj。根據(jù)馬爾可夫鏈的相關(guān)性質(zhì),針對(duì)上述5位駕駛?cè)私⒌鸟R爾可夫鏈?zhǔn)遣豢杉s并且是非周期的。故此馬爾可夫鏈存在穩(wěn)態(tài)分布。根據(jù)馬爾可夫鏈平穩(wěn)分布的定義,由式(1)可以推導(dǎo)建立八元一次方程組。以駕駛?cè)?01的一步轉(zhuǎn)移概率矩陣p001為例,建立的方程組為{[pΤ001-diag(1,1,1,1,1,1,1,1)]}π=0s∑i=1πi=1}(7)求解5位駕駛?cè)说淖⒁曅袨槠椒€(wěn)分布如下π001=[0.01130.27240.02120.11270.00460.00780.44350.1265]π002=[0.01000.14970.02290.08170.01940.01060.58670.1189]π003=[0.02040.00490.05230.18580.01980.03480.66710.0150]π004=[0.00660.33400.01490.15400.03210.01820.39160.0486]π005=[0.00770.44540.01860.02840.01750.05130.18990.2413]3.2b、d、g、f分布區(qū)域的注視點(diǎn)分布根據(jù)馬爾可夫平穩(wěn)分布的性質(zhì),駕駛?cè)碎L(zhǎng)時(shí)間駕駛后,對(duì)各區(qū)域的注視點(diǎn)分