摘要：从测试要求、步骤、试验结果判定标准、可靠性验证方法等方面, 研究了标准T/JSATL13—2017中驾驶员状态监测设备的检测方法, 分析了当前该标准在驾驶员状态监测这一功能实施过程中存在的难题, 提出了建议和应对措施。

　　关键词：主动安全; 驾驶员; 驾驶状态; 监测;

　　Abstract：The test method of equipment to monitor the state of driver in the standard T/JSATL13—2017 is represented, based on test requirement, steps, criterion for test results and verification of reliability. The problems of this standard existed in the implementation process is analyzed. Corresponding advices and solutions are proposed.

　　Keyword：Active safety; driver; driving state; monitoring;
 

　　前言

　　随着汽车保有量的逐年提升, 行车的安全性, 尤其是主动安全愈来愈受到重视。由于技术及市场的局限, 当前距离实现完全智能驾驶还有一定的难度。目前超过90%的道路交通事故由驾驶员引起, 原因主要有两类, 一类是如酒驾、毒驾等故意违法行为, 另一类则是由驾驶员状态不宜驾驶造成, 如疲劳、分神驾驶等情况。

　　近年来, 高级驾驶辅助功能如主动紧急制动 (AEB) , 车道偏离预警 (LDW) , 盲区监测 (BSD) 等技术在汽车上实现了广泛运用, 可以为驾驶员提供相应的危险状况预警, 进而降低危险发生时的受损程度。然而, 作为车辆运行的控制者, 驾驶员本身的驾驶状态才更是影响交通安全的关键与核心。在欧洲新车安全评鉴协会 (E-NCAP) 于2017年9月发布的Road Map 2025[1]中, 驾驶员监测功能与AEB等数项技术首次被列为首要安全级 (Primary Safety) 。虽然目前E-NCAP中还没有明确的测试标准与方法, 但在2018年6月的评级报告中, 提出了驾驶员状态监测功能需在2022-2024年实现的要求。

　　对于驾驶员状态监测的相关要求, 一直停留在学术研究领域, 主要集中于图像采集与识别[2], 特征提取[3], 大数据与深度学习[4]等方面, 尚无可执行的驾驶状态监测功能标准要求与规范。2017年12月11日发布的江苏省团体标准《道路运输车辆主动安全智能防控系统终端技术规范》 (T/JSATL13—2017) 中, 首次较为详细地将驾驶员状态监测功能的内容与方法进行了规定[5]。本文结合该标准的测试实施过程, 研究了其对驾驶员状态监测设备的要求与指标, 也分析了当前检测与法规进程中存在的难点, 提出应对措施, 为后续相关法规与标准的制定和完善提供了参考。

　　1 驾驶员状态监测功能检测方法

　　标准T/JSATL13—2017中要求的驾驶员状态监测功能, 是由相应的驾驶员状态监测系统、行车记录仪、车载视频终端等设备组成的主动安全车载终端共同实现, 为确保监测功能的可靠性, 需对这些设备进行检测。实际情况中, 采用已经由法规认证的行车记录仪和车载视频终端, 因此仅需对驾驶员状态监测系统进行测试。测试中采用模拟场景测试和实车功能试验两种方法相结合的方式, 前者为检测系统的功能参数的达标情况, 后者则为验证实际报警触发情况。

　　1.1 驾驶员状态监测功能的模拟场景测试

　　首先通过模拟实际场景进行测试, 在终端正前方指定位置播放视频场景, 根据终端及监测模块作出的反应判断其环境适应性。

　　1.1.1 视频场景要求

　　为充分模拟实际场景, 要求播放的视频场景分为正常驾驶、疲劳驾驶、接打电话、吸烟、左顾右盼、离开监控画面等的节选视频, 每段视频片段约一分钟左右。视频场景应包含不同性别司机、戴墨镜、带帽子、白天、夜晚等环境。每段视频场景应匹配有对应的场景参数说明文件, 视频场景播放时横向像素不小于2000px。

　　1.1.2 试验步骤

　　模拟场景测试中, 首先随机选择测试场景视频, 场景需包含各类异常状态以及正常驾驶状态, 且每种状态次数需相对平均。然后将显示设备放置于终端检测摄像头正前方指定区域, 完成标定。随即开始测试, 测试设备记录场景信息和终端报警信息。在终端运算结束后, 输出其判断结果。根据终端输出结果与标准结果的对比, 得出设备误报率与漏检率并判断其是否合格, 结束本次试验。

　　1.1.3 试验结果判定标准

　　对终端输出结果与标准结果进行对比判别时, 当对应的报警类型正确且报警时间在有效报警区间内时, 为一次有效报警。当对应报警类型错误、报警时间不在有效报警区间内或对异常状态未产生报警时, 记为一次漏检, 同时记录此次漏检报警类型。当对正常状态测试视频发出报警时, 记录为一次误报, 同时记录此次误报类型。

　　根据记录结果计算各种类型报警的误报率与漏检率。误报率是指测试事件中未出现异常情况, 而设备判定为异常情况的比例, 漏检率为出现异常情况而设备未判定的比例。若所有类型报警的误报率均不高于10%且漏检率均不高于10%, 则可认定本次试验成功。

　　1.1.4 驾驶员状态监测系统功能可靠性

　　对驾驶员状态监测系统功能的视频测试应当重复进行十次, 终端应通过十次试验中的八次试验, 且不得连续失败两次, 以此保证驾驶员状态监测系统功能的可靠性。

　　1.2 驾驶员状态监测实车功能测试

　　模拟场景测试结束后, 还应在标准试验场地进行实车测试, 此时需将终端按照要求安装在被测车辆, 测验人员驾驶车辆触发各类报警情形, 检测终端在实际运行过程中的可靠性。

　　1.2.1 试验方法

　　试验方法针对通过视频方法监测驾驶员状态的相关设备, 首先应在试验人员数据库中随机抽取三名人员, 然后让试验人员模拟疲劳驾驶、分神驾驶、抽烟、接打电话等异常驾驶行为, 另一名工作人员在旁边记录相关状态次数。设备判断该试验人员各异常状态次数, 将设备判断结果与实际人工记录的异常状态发生次数进行对比, 得出设备误报率和漏检率。

　　1.2.2 试验条件

　　试验应当在实际车辆的驾驶室中进行, 试验时车辆应当处于室外试验场地中, 不得停放于室内。试验人员可佩带帽子、眼镜、墨镜等设备。记录人员应当位于试验人员侧前方, 便于记录试验人员的相关状态。记录人员不得出现在被测设备视频监测区域内, 不得遮挡试验人员面部特征。

　　1.2.3 试验步骤

　　试验时, 首先需从数据库抽取用于试验的驾驶员, 并与驾驶员确认测试安排。随后试验人员进入驾驶位置, 根据记录人员的口令随机做出正常驾驶、疲劳状态、分神状态、吸烟、接打电话以及离开驾驶位置等不同动作。在做出动作的同时, 记录人员在旁观察并记录动作的有效性, 分神动作持续时间不得超过15s左右, 疲劳动作不得超过10s, 其他动作持续时间不得超过60s。试验人员针对特定功能测试规定操作次数达到10次以上后试验结束。将所记录的报警信息与传输至平台的进行对照, 比较报警信息传输的实时性。将记录人员所记录的各个状态的实际数量与设备所检测到的数量进行对比, 计算得出设备的误报率或漏检率。

　　1.2.4 试验结果判定标准

　　试验结束后, 对所记录的报警时间及对应车头时距进行对比, 若在动作过程中设备产生报警, 则结束相关动作, 由记录人员记录设备的报警类型。若动作结束后设备仍未报警, 则记录人员记录一次漏检, 并记录漏检类型。若驾驶员做出正常驾驶动作时发出报警, 则记录人员记录异常误报, 并记录误报类型。将最终记录与平台记录对比, 若平台报警记录缺失或延迟, 则终端网络传输功能异常, 试验失败。若平台报警记录符合实际情况, 则终端传输功能正常, 进入下一步检验。计算各种类型报警的误报率与漏检率及设备的总误报率与总漏检率。若所有类型报警的误报率均不高于10%且漏检率均不高于10%, 则本次试验成功。

　　1.2.5 驾驶员状态监测可靠性

　　对驾驶员状态监测的实地试验应当重复进行7次, 不少于3位测试人员参与, 且其中应当至少包含2次夜间测试, 终端应通过7次试验中的5次试验, 不能连续失败两次, 以验证终端的可靠性。

　　2 终端系统监测中存在的难题

　　由于驾驶员个体差异大, 驾驶习惯各异, 疲劳、分神的表现状态不一, 因而驾驶员状态本身具有很大的不确定性。同时, 以往驾驶员状态监测主要停留在学术层面, 目前尚在初步执行阶段, 对车载终端的检测方案有待完善。对标准T/JSATL13—2017实施过程进行研究分析, 发现目前存在的问题主要体现在监测系统软件、硬件的识别及对驾驶员疲劳、分神状态的判定。

　　2.1 软件硬件识别

　　终端中包括微处理器、行车记录仪、驾驶员状态监测系统、数据存储器等各种软件、硬件, 涉及到的软、硬件的识别能力由于技术、经验的局限, 尚存在一定不足。使用的硬件设备如传感器, 工作精度受环境、光线等的影响较大, 而配套软件的处理与分析能力仍有待加强。此外, 目前还未形成广泛、精确、可靠的图像提取与分析的理论与方法, 无法完全准确地确定驾驶员状态。且驾驶员状态监测仍处于初步实行阶段, 驾驶员状态的数据库也不够丰富全面, 对于实际运行中的一些特殊状态可能不能形成有效的反映。

　　2.2 驾驶员状态的判定标准

　　驾驶员状态监测包括疲劳、分神、抽烟、接打电话等等功能。然而人的疲劳与分神状态具有多样化的特点, 一些很明显的疲劳状态, 如哈欠、闭眼、点头等动作可以进行明确的判定, 但其它一些不明显的疲劳表征, 在识别与判定过程中, 还存在诸多难题。此外, 各终端对于驾驶员状态识别与判定的算法各不相同, 难以与人工判定结果吻合十分精确。

　　而不同记录人员的判定尺度也存在一定差异, 很可能得出不同的结果。对于各终端设备的误报或漏报率, 在当前没有可靠检测手段的情况下, 主要依靠人工观看和计数, 其结果将受测试人员和记录人员的生理、心理状态影响。特别是在进行长时间视频监控以及试验车量过多的情况下, 影响程度会明显增加。

　　3 应对措施

　　针对终端系统在法规实施过程中进行监测时存在的难题, 包括终端系统中软件、硬件的识别水平, 以及对驾驶员状态的判定标准有待提高等问题, 文章提出应对措施及建议, 对后续技术和法规的完善提供参考, 以便从技术上有效纠正驾驶员疲劳、分神、手持电话驾驶等行为, 有效遏制、减少交通事故。

　　对于图像识别容易受天气、光线等因素影响的情况, 可采用多路摄像头的融合方案, 增加判定依据, 确保判断的准确性, 避免出现误判或漏判。同时, 有必要研究开发更加先进可靠的识别与学习算法, 累积大量、广泛的实景数据对算法进行训练与优化。此外, 也可采取分阶段识别的方法, 即在标准开始执行的阶段以明显无争议的驾驶员状态或动作进行检验, 后期数据库丰富、算法优化后, 再监测识别存在一定难度的驾驶员状态和行为。还应当引入行业认定的驾驶状态识别与判定方案, 形成公认的基础判定准则。并且应建立有效的场景报警监测手段, 搭建权威的数据监测系统, 这也是对相关检测机构的一大要求。

　　4 总结

　　通过对驾驶员状态进行监测, 自动识别驾驶员的不安全驾驶行为并实时报警, 可帮助强化企业对驾驶员的安全管理, 消除疲劳、分神驾驶的安全隐患, 监督驾驶员规范驾驶行为, 促进道路运输安全保障水平的提升。

　　本文首先研究了T/JSATL13—2017中对驾驶员状态监测系统的要求和标准, 分析了设备的测试方法。对驾驶员状态监测设备的测试包括模拟场景测试和实车功能测试, 模拟场景测试可检查设备功能在监测中的达标情况, 实车功能测试可验证实际行车中的报警情况, 两种测试后均需计算误报率和漏报率, 以判定系统的可靠性。此外, 文中分析了该项法规在实际运行中存在的难题, 主要包括软件、硬件的识别和驾驶员疲劳、分神状态的判定标准等, 并提出了应对措施, 为该项法规的完善提供了建议和参考。

　　参考文献

　　[1]EuroNCAP.Roadmap 2025[OL]. (2017-09-12) .https://www.euron-cap.com/zh.
　　[2]胡斌, 王生进, 丁晓青.基于云模型的驾驶员驾驶状态评估方法[J].清华大学学报 (自然科学版) , 2009, 49 (10) :1614-1618.
　　[3]张明恒, 郑雨, 赵一兵等.基于SVM的驾驶员面部朝向检测[J].大连理工大学学报, 2013, 53 (6) :879-884.
　　[4]耿磊, 梁晓昱, 肖志涛等.基于多形态红外特征与深度学习的实时驾驶员疲劳检测[J].红外与激光工程, 2018, 47 (2) :1-9.
　　[5]江苏省交通运输厅运输管理局, 江苏省交通物流协会.道路运输车辆主动安全智能防控系统终端技术规范: (T/JSATL13-2017) .江苏, 2017:20-27.

TAG标签： 主动安全     驾驶员     驾驶状态