驾驶模式标定方法，基于驾驶行为险态辨识

通过对第5 章中的实车实验结果进行统计发现，驾驶人在300 例不同交通事件下选择的驾驶模式分布为：人工驾驶出现180 次，警示辅助出现82次，自动驾驶出现38 次。为了检验选择结果的可靠性和合理性，规避由于驾驶人的主观因素而导致的偏向性，书中采用该交通事件下驾驶人的驾驶行为险态等级作为参考对象对驾驶模式选择结果进行验证。首先将这些交通事件下驾驶人的血流量脉冲和皮肤电导值按照第4 章中提出的数据处理方法进行过滤处理，然后采用K-均值聚类方法得到300 个交通场景下驾驶行为险态等级分类，如图6-2 所示。

图6-2　驾驶行为险态聚类结果

由图6-2 中聚类结果可知，在300 个交通事件中，三种不同等级驾驶行为险态的分布分别为：可忽略状态179 个，可容忍状态83 个，不可容忍状态38 个。将聚类结果和驾驶人自汇报结果进行对比，其分析结果如表6-1 所示。(www.xing528.com)

表6-1　聚类结果与驾驶人自汇报结果对比

从表6-1 中的对比结果可知，驾驶行为险态的K-均值聚类结果和驾驶模式选择结果二者之间存在较高的吻合度。采用欧式距离法分析两类数据之间的相似度发现，两个结果之间的相似度为0.974。而相关研究表明，当驾驶人处于危险驾驶状态时，采用警示提醒或者自动控制等方式能够有效降低事故发生概率，所以认为驾驶人自汇报结果具有较高的可信度和准确度。此外，为了能够更加准确地对采集数据结果进行分析，书中将300 个交通事件中聚类结果和自汇报结果不一致的10 个案例进行再次归类，通过请专业驾驶人观看采集视频的方式对最终的驾驶模式选择结果进行确认。最终得到三种驾驶模式选择结果为：人工驾驶180 次，警示辅助驾驶82 次，自动驾驶38 次。