應用車輛駕駛機率模型發展整合型車輛安全控制系統(I)

行政院國家科學委員會專題研究計畫 成果報告

應用車輛駕駛機率模型發展整合型車輛安全控制系統(I) 研究成果報告(精簡版)

計 畫 類 別 ： 個別型

計 畫 編 號 ： NSC 95-2221-E-011-165-

執 行 期 間 ： 95 年 08 月 01 日至 96 年 07 月 31 日 執 行 單 位 ： 國立臺灣科技大學機械工程系

計 畫 主 持 人 ： 陳亮光

計畫參與人員： 碩士班研究生-兼任助理：彭孟璿、林良奇、徐錦衍

報 告 附 件 ： 出席國際會議研究心得報告及發表論文

處 理 方 式 ： 本計畫涉及專利或其他智慧財產權，1 年後可公開查詢

中 華 民 國 96 年 10 月 11 日

行政院國家科學委員會補助專題研究計畫 ■ 成 果 報 告

□期中進度報告 應用車輛駕駛機率模型發展整合型車輛安全控制系統(I)

計畫類別：■ 個別型計畫 □ 整合型計畫 計畫編號：NSC 95-2221-E-011-165

執行期間：95 年 08 月 01 日至 96 年 07 月 31 日

計畫主持人： 陳亮光 台灣科技大學機械系 計畫參與人員： 彭孟璿、林良奇、徐錦衍 台灣科技大學機械系

成果報告類型(依經費核定清單規定繳交)：■精簡報告 □完整報告

本成果報告包括以下應繳交之附件：

□赴國外出差或研習心得報告一份

□赴大陸地區出差或研習心得報告一份

■出席國際學術會議心得報告及發表之論文各一份

□國際合作研究計畫國外研究報告書一份

處理方式：除產學合作研究計畫、提升產業技術及人才培育研究計畫、

列管計畫及下列情形者外，得立即公開查詢

□涉及專利或其他智慧財產權，□一年□二年後可公開查詢

執行單位：台灣科技大學機械系

中 華 民 國 九十六 年 九 月 十二 日

行政院國家科學委員會專題研究計畫成果報告

應用車輛駕駛機率模型發展整合型車輛安全控制系統(I)

Development of an Integrated Vehicle Active Safety System Using a

Stochastic Driver Model

計 畫 編 號：NSC 95-2221-E-011-165

執 行 期 限：95 年 08 月 01 日至 96 年 07 月 31 日

主 持 人：陳亮光 台灣科技大學機械系 計畫參與人員：彭孟璿、林良奇、徐錦衍 台灣科技大學機械系

一、中文摘要

本研究透過統計與機率的分析技術對 於線上所識別之駕駛模型的正確性建立即 時量化指標，並以機率類神經網路建立線 上駕駛狀態判別機制，此外透過機率類神 經網路內部機制對於判別結果建立信心指 標以進行量化的描述。初步試驗以及線上 實驗結果皆顯示本研究所提出之指標能夠 合理的描述駕駛模型相對於實際駕駛行為 之正確性，而駕駛狀態的判別結果則顯示 本研究所提出之駕駛狀態判別機制有超過 百分之九十五的正確率。最後則藉以進行 賽局理論探討駕駛人與安全系統兩者行為 與決策的分析、模擬與預測。

關鍵詞：線上駕駛識別、駕駛狀態判別、

賽局理論 Abstract

In this research a real-time validity evaluation algorithm for a driver model identification system is developed using stochastic and probabilistic techniques.

Using the on-line driver modeling results, a driver state assessment system is developed using probabilistic neural network, and the validity index of the assessment result is evaluated. Preliminary driving simulator experiments with subject human drivers indicate that the proposed validity indices can reasonably describe the variation in the driver behavior and the associated modeling uncertainty. Furthermore, under predefined driver behavior tests, the driver state assessment system indicates the presented driver behavior correctly for more than 95%

of the data. Finally, the game theory is

applied to investigate the interactions between the human driver and the active safety systems.

Keywords: On-line driver identification, driver state assessment, game theory 二、緣由與目的

一般而言，人類駕駛為車輛行駛時之 主要控制者，因此在發展車輛安全防護系 統時，對於人類駕駛行為進行深入的探討 將有助於未來安全系統的發展。

人類在駕駛車輛時是根據各種資訊做 判斷來決定所要採取的行動，中間的決策 和資訊處理過程相當的複雜，因此無法藉 由一簡單控制模型完整描述駕駛人的行 為。但在過去多數都是採用離線(off-line) 分析的方式建立駕駛模型，離線方式所建 立之駕駛模形一般僅能描述駕駛行為之平 均表現，為了能更及時的描述駕駛操控行 為，部分研究者嘗試透過線上參數鑑定技 術建立即時的駕駛操控模型。

線上駕駛模型除了能更即時描述駕駛 操控行為以及降低模型的不確定性外，駕 駛模型之計算結果也可作為安全系統設計 之依據。以類神經網路所建構之駕駛模型 研究中，一部分的研究者專注於使用類神 經網路建立駕駛狀態判別模型，另一部份 專注於類神經網路之駕駛控制模型，例如 文獻[1]使用類神經網路模擬駕駛人做路徑 規畫之行為。

由於駕駛模型僅是用來模擬駕駛行為 的一種方法，因此無論模型多麼複雜，模 型與實際駕駛行為之間必然存在一定程度 的不確定性，而此不確定性必然會影響車 輛安全系統的性能表現。在過去對於駕駛 模型不確定性的討論中，Chen and Ulsoy [2]

利用系統識別將駕駛行為的時便特性以駕 駛模型參數不確定性的形式呈現；Pilutti and Ulsoy [3]則採用 ARX 模型來進行駕駛 模型的離線識別，並皆能成功的將模型實 驗數據比對。

藉由線上即時系統識別技術，可以在 駕駛人的駕駛過程中即時得到駕駛操控行 為的資訊模型。若將此駕駛模形的即時資 訊提供給車輛主動式安全系統使用，將有 助於安全性統更能針對不同駕駛人狀況提 供更正確的輔助；反之，如果在即時建模 的過程中出現不合理的模型識別資訊卻未 能察覺，將妨礙安全系統正常運作，進而 影響車輛行駛安全。然而，線上系統識別 所計算之結果有時會由於駕駛人行為與駕 駛環境的多樣性而產生不正確的結果，因 此在將駕駛模形資訊用於安全系統之前，

對於線上所計算模型之正確性進行評估是 相當重要的。

本研究之目標為透過探討模型表現和 變異性建立正確性指標，對線上識別之駕 駛模型的正確性做及時的量化描述，同時 透過對於模型資訊的資料探勘以擷取出和 駕駛狀態相關之各項參數，並透過機率類 神經網路建立駕駛狀態判別機制並對判別 結果的可靠度提供具體之陳述。最後則藉 以進行賽局理論對於一簡單個案進行探討 駕駛人與安全系統之行為決策的分析、模 擬與預測。。

三、線上駕駛模型與模式判別機制 線上駕駛模型識別結構為本研究首要 考慮的問題，參考文獻[4]之黑盒子(black box)構想建立駕駛人模型，並設定駕駛模 型 之 輸 入 變 數 為 橫 向 位 移 誤 差(lateral position error, )以及輸出變數為駕駛人 操縱方向盤所產生之轉向角(steer angle,

ye

δ )。在過去的研究中，文獻[3]採用 ARX 模型進行駕駛模型之系統識別，但文獻[2]

指出，在相同階數下採用 ARMAX 架構在 模型之預測表現與模型之假設條件的滿足 程 度 上 均 較 ARX 架 構 高 ， 因 此 使 用 ARMAX 模型做為線上參數鑑定之基礎。

圖 1 為本研究所使用之 ARMAX 模型結 構，其數學式為：

( ) ( )q k B( ) (q y k n ) ( ) ( )C q k A δ = _e − _d + ω

( )k ω

e( )

y k 1 δ( )k

( ) ( ) A q

nd

q B q⁻

( ) C q + +

圖 1 ARMAX 模型架構

沿 用 文 獻 [2] 之 結 果 設 定 取 樣 頻 率 為 10Hz，且 ARMAX 駕駛模型的 delay 採用 0.1 杪來進行鑑別。由於 ARMAX 模型並不 是線性迴歸模型，而是擬線性迴歸模型 (pseudospacelinear regression model)，因此 無法使用遞迴最小平方法(recursive least squares, RLS)進行駕駛模型參數識別，但是 仍 可 透 過 延 伸 最 小 平 方 法 (extended recursive least squares, ERLS)達到擬線性迴 歸模型的線上識別，詳細說明參照[4] [5]。

根據文獻[4]指出，駕駛模型之相位領 先、直流增益和交越頻率皆可作為評量駕 駛操控性能指標，沿用其計算方式與提出 之方法透過DFT (Discrete Fourier Transfer) 結合最小平方法計算方向盤轉動主頻率。

藉由此方法可將由系統識別所得之駕駛人 控制模型推算出與駕駛操控行為相關控制 分析數據，包括橫向位移誤差、轉向角、

橫 擺 角 ... 等 ， 並 利 用 機 率 類 神 經 網 路

（Probabilistic Neural Network, PNN）蒐集 以上各種不同的資訊並加以分析，以建立 駕駛狀態判別機制。

機率類神經網路是由 D. F. Specht 在 1988 年提出，是一四層神經元向前式網路 架構，其理論基礎主要是建立在貝氏決策 上，貝氏決策是由T. Bayes 在 1763 年提出 [6]。機率類神經網路其架構包括輸入層 (input layer)，特徵層(pattern layer)，總和層 (summation layer)及輸出層(output layer)，

其中輸入層和輸出層之間的權重值即為每 一個訓練樣本的特徵向量，特徵層和總和 層之間的權重值則代表每一個訓練樣本的 類別，以此原則假設一待分類輸入資料 X ，輸入層將輸入變數提供給特徵層各神 經元，特徵層則計算輸入向量X 和權重向 量W_i的乘積Z_i = XW_i，並對 作非線性的

計算， ，並將結果輸

出至總和層，總和層疊加特徵層對於各類 Zi

] / ) 1 exp[( − σ²

= _i

ci Z

Z

別的輸出，總和值最大之類別極微網路輸 出，依據此輸出值即可決定駕駛狀態之分 類結果。

四、駕駛模型及駕駛狀態判別結果正 確度評估準則

在線上駕駛操控模型時，有時會因為 駕駛人的操控行為過於混亂或是駕駛環境 過於複雜而導致識別出不適當的之駕駛操 控模型，因此對於線上所識別出的駕駛操 控模型進行評估是必要的。本研究中透過 考慮模型本身的變動性及預測性質來評估 模型的適當性。模型本身變動性的評估是 以駕駛模型在頻率響應中可靠區的面積間 做為參考指標。而預測性值的評估，則使 用Theil U 不等係數以評估模型的預測性 質。此外，本研究針對駕駛狀態判別結果 建立信心指標，進一步位駕駛狀態的判別 結果作量化的描述。

4.1 模型可靠區間面積的計算

對於模型本身便動程度的評估可透過 模型的頻率響應和頻率響應的協方差矩陣 (covariance matrix)，獲得模型在各頻率響 應的標準差，並進一步計算駕駛模型在頻 率響應中的可靠區間面積，此面積的大小 意味著模型可能的變動程度，以每 100 個 data points 遞迴建立駕駛模型並計算可靠 度區間。圖 2 為模型的波德圖和可靠度區 間，考慮駕駛人操控方向盤的行為表現，

計算的頻率區間為 ，並將此區間 分割成 115 個小區塊。面積的計算方式採 用梯型面積計算，數學式如下：

1 1 ~10 10⁻

( ) ( )

[ ] [ ( ) ( )]

{y i 1 y i 1 y i y i } ( ) ( )[xi 1 xi /2 A= _u + − _d + + _u − _d × + − ]

其中y_u(i)為x(i)的上端y 値； 為 的下端

) (i

y_d x(i) y 値。透過可靠區間的計算結果，

可作為模型變動程度的大小指標，當可靠 區間越大代表模型的可能變動性也越大。

10^-2 10^-1 10⁰ 10¹ 10²

10^-2 10^-1 10⁰ 10¹

Nominal Model and Itself Uncertainty Resgion

圖 2 駕駛模型的波德圖與可靠區間

4.2 Theil U 不等係數

Theil U 不等係數為 Theil 定義的一種 不均等指標[7]，計算公式如下：

( )

( )

⎦

⎢ ⎤

⎣ +⎡

⎥⎦

⎢ ⎤

⎣

⎡

−

=

∑

∑

∑

=

=

=

N k

k N

k k N k

k k

Y Y

Y Y U

1 2 1

2 1

2

ˆ ˆ

其中，N 為樣本數，Yˆ 為模擬值，Y 為實 際值。U 的値介於0 與 1 之間，當U 的値 越接近0，表示預測越接近完美預測；U 的 値越接近 1，則表示預測值相距實際值越 遠。但為了能以更直觀的方式描述模型的 預 測 能 力 ， 重 新 定 義 預 測 能 力 指 標 (Prediction Capability Index, PCI)為 Theil U 不等係數的換算。

PCI=(1-Theil U 不等係數)×100 預測能力指標的値介於 0 與 100 之間，當 預測能力指標越接近100，則表示預測越接 近完美；反之越接近0，則表示結果越差。

4.3 駕駛狀態判別結果之信心指標

在實際駕駛行為中，駕駛狀態的改變 往往是漸進的，並非如開關一般突然從一 個狀態切換至另一狀態。即使在相同的駕 駛狀態下，也會有程度上的差異。為了描 述不同駕駛狀態間改變的情形或程度的差 異，在此透過機率類神經網路所計算之可 能性指標向量正規劃後建立駕駛狀態判別 信心指標，其數學式如下：

Confidence index of status A

possibility level of status A summation of all levels 100%

= ×

各駕駛狀態的判別信心指標直皆介於 0 與 100 之間，當信心指標越接近 100，表是該 駕駛狀態的判別結果越有把握，同時也顯 示駕駛人的駕駛狀態越明確。而如果有兩 個以上的駕駛狀態判別信心指標計算結果 相當接近時，則顯示此時駕駛人的駕駛狀 態相當不明確，因此駕駛狀態判別結果也 就較為不可靠。

五、線上實驗規劃

於駕駛模擬器(如圖 3 所示)上分別進 行疲勞與慌亂駕駛狀態判別實驗。在疲勞 實驗中，邀請六位駕駛人，透過設計一單 調之駕駛環境讓駕駛人進行長時間的駕車 行為，同時使用CCD 攝影機紀錄駕駛人臉 部的畫面，並透過影像處理技術離線計算 駕駛人疲勞指標以對本研究之駕駛狀態判 別機制進行效能驗證和評估；在慌亂駕駛 實驗中，邀請十位駕駛人，每位駕駛人進 行六組實驗，透過設計突然出現之障礙物 使駕駛人必須在短時間內對突然出現的障 礙物做出反應。

圖 3 駕駛模擬器

六、初步試驗與線上駕駛實驗結果 此部分首先使用文獻[4]的實驗數據對 於本研究所提出之駕駛模型正確指標進行 探討，其實驗為邀請六位駕駛人操控駕駛 模擬器，每位駕駛人操縱駕駛模擬器 10 次，每次 4 分鐘並需依照要求在指定的時 間內表現指定的行為，所要求駕駛表現的 狀態如下所示：

0~30 秒：預備 120~150 秒：緊張

30~60 秒：正常 150~180 秒：正常 60~90 秒：慌亂 180~120 秒：低警覺 90~120 秒：正常 210~240 秒：正常 透過駕駛模擬器所收集的資訊包括：橫向 位移誤差、轉向角、橫擺角、側傾角、轉 向角的主頻率、直流增益、相位領先、交 越頻率、模型識別殘差和駕駛狀態。在此 以每位駕駛人前五組數據整合作為機率類 神經網路之訓練資料，其餘作為測試資 料。之後建立類神經駕駛狀態判別機制並 進行初步效能評估，最後透過前述規劃之 實驗完成進一步的驗證。

6.1 初步試驗結果

以下使用文獻[4]之實驗資料，對於駕 駛模型正確性指標及駕駛狀態判別機制進 行初步探討。圖3 為文獻[4]資料中一組實 驗資料的PCI 計算結果，圖 4 則為 PCI 的 pdf。從 PCI 計算結果可以發現除了在緊張 駕駛狀態外，其他駕駛狀態下 PCI 的計算 結果皆大於80。而從 PCI 的 pdf 觀察到大 部份的時間PCI 的值主要都集中在 90，此 結果顯示除了在緊張的駕駛狀態下，模型 的預測表現會有較明顯的下降外，在其他 的駕駛狀態下線上駕駛模型對於駕駛人操 控行為的描述皆有相當高的正確度。圖 5 為模型可靠區間面積計算的結果，從圖中 同樣可以觀察到大部分的時候模型可靠區 間面積均小於 20，惟獨在緊張狀態時，會 有明顯的升高，顯示此駕駛狀態下所估測 之駕駛模型變動性較大，可靠度較低。

由圖 4 與圖 6 中可觀察到相同的變化 趨勢，顯示在此所提出模型正確性指標可 合理的描述模型的正確性。進一步將文獻 [4]中某位駕駛人 10 組實驗資料中各駕駛 狀態資料分別擷取接著合併分析，各駕駛 狀態PCI 計算結果的 pdf 分布如圖 7 所示，

可明顯觀察出緊張駕駛狀態下的模型表現 是所規劃的四種駕駛狀態中最差的。

綜合上述結果可發現透過線上識別技 術即時識別之駕駛操控模型在所規劃之駕 駛狀態中，對於正常、慌亂、低警覺駕駛 行為狀態都能進行相當正確的描述，對於 緊張駕駛行為描述的效果則明顯變差，這 是因為在緊張狀態下，駕駛人的操控行為 屬於高頻之動態模式，而所使用之駕駛模

型為低階模型無法正確描述此一高頻行為 所致。而此處討論重點為，隨駕駛人行為 的改變，駕駛模型對駕駛人操控之輸入輸 出訊號之代表性也不同，而目前之資料分 析顯示使用不同的評量方法得到非常一致 的結果。顯示利用這些分析方法可合理的 得到線上建模之正確性指標。

0 50 100 150 200

50 55 60 65 70 75 80 85 90 95 100

normal panic normal nervous normal un-alert normal

Time, (s)

PCI

圖 4 PCI 計算結果

0 10 20 30 40 50 60 70 80 90 100 110

0 0.01 0.02 0.03 0.04 0.05 0.06 0.07

PCI

Probability density

圖 5 PCI 的 pdf

0 50 100 150 200 250

0 10 20 30 40 50 60 70

time, (s)

area of confidence region

normal panic normal nervous normal un-alert normal

圖 6 模型可靠區間面積計算結果

65 70 75 80 85 90 95 100 105

0 0.2 0.4 0.6 0.8 1

PCI

f(x)

normal panic nervous un-alert

圖 7 各駕駛狀態 PCI 的 pdf 分布

6.2 駕駛狀態判別機制之資訊選擇

參考文獻[4]所提之方法，將各項駕駛 模型資訊和原始數據統計資料的 pdf 計算 結果如圖8,9 所示。

0 0.5 1 1.5

0 5 10 15 20 25

Standard deviation of steer angle

f(x)

normal panic nervous un-alert

-0.50 0 0.5 1 1.5 2

5 10 15 20

Average main frequency of steer angle

f(x)

normal panic nervous un-alert

-2 0 2 4 6

0 5 10 15 20

Standard deviation of lateral position error

f(x)

normal panic nervous un-alert

-10 -5 0 5

0 5 10 15

Average lateral position error

f(x)

normal panic nervous un-alert

圖 8 各參數在不同駕駛狀態之 pdf 計算結果

-0.050 0 0.05 0.1 0.15

50 100 150

Standard deviation of residual

f(x)

normal panic nervous un-alert

-0.040 -0.02 0 0.02 0.04

100 200 300 400 500

Average Residual

f(x)

normal panic nervous un-alert

-10 0 10 20 30

0 5 10 15

Standard deviation of DC gain

f(x)

normal panic nervous un-alert

-4 -2 0 2 4 6

0 5 10 15

Average DC gain

f(x)

normal panic nervous un-alert

圖 9 各參數在不同駕駛狀態之 pdf 計算結果

為了建立機率類神經網路作為駕駛狀 態判別機制，經過幾次測試之後並參考pdf 分布情形，選用。圖10 是某次實驗資料判 別信心指標的計算結果，從圖中的指標變 化可以觀察到不同駕駛狀態間漸進改變的 現象，同時也可以發現駕駛狀態變換的期 間，各駕駛狀態的信心指標計算結果都不 高，顯示此時狀態其實是不明顯的。

從上述駕駛模型正確性指標的探討可 以在不同的指標上觀察到相同的趨勢變 化，並獲得合理的解釋，顯示本研究所提 出之評估方法的正確性和可行性，而在線 上駕駛狀態判別上，駕駛狀態判別機制測 試結果顯示具相當高之正確性。雖然文獻 [4]實驗資料所做的探討皆獲得合理的結 果，但是由於文獻[4]中駕駛人的駕駛行為 表現為該研究者規劃後要求受測者模擬所 表現之操控行為，和實際駕駛情況有相當 的差異性，因此本研究針對低警覺和慌亂 駕駛狀態分別規劃更接近實際駕駛情況之 線上實驗以評估本研究所提出之模型正確 性指標以及駕駛狀態判別機制。

0 50 100 150 200 250

0 50 100

confidence index

Normal condition

0 50 100 150 200 250

0 50 100

Panic condition

0 50 100 150 200 250

0 50

100 Nervous condition

0 50 100 150 200 250

0 50 100

time, (s)

Un-alert condition

圖 10 駕駛狀態判別信心指標計算結果

6.3 線上駕駛實驗結果

為了進一步驗證所提出之駕駛狀態判 別機制，本研究分別規劃疲勞駕駛實驗以 及慌亂駕駛實驗，以下將分別探討疲勞駕 駛實驗以及慌亂駕駛實驗結果。

6.3.1 疲勞駕駛實驗結果

圖11 為一組疲勞實驗資料中橫向路徑 誤差和轉向角的coherence spectrum，可以 觀察到在1 Hz 以下有相當良好的線性度，

而在高於1 Hz 之後的線性度就相當差。這 對於疲勞實驗的資料而言是相當合理的結 果，因為在疲勞實驗中，駕駛人的狀態幾 乎只包含正常和疲勞兩種駕駛狀態，而這 兩種駕駛狀態都是屬於較低頻的行為表 現。

對於模型的正確性評估，圖 12(左)為 一組疲勞實驗的 PCI 計算結果，圖 12(右) 則為PCI 的 pdf 分佈。從 pdf 的結果可以發

現PCI 的計算幾乎都集中在 90 附近，但從 圖 12(左)中可以觀察到有少數 PCI 的計算 結果相當的差，這是因為駕駛人的方向盤 角度輸出有一段不短的時間都為零，導致 訊號雜訊比(signal-to-noise ratio)變差，進而 使系統識別準確度也變差。圖 13(左)為模 型可靠區間面積計算結果，圖 13(右)則為 計算結果的pdf，可以觀察到計算結果主要 都集中20 以下，顯示 PCI 的計算結果同樣 的都顯示所識別之駕駛模型在大部份的時 間都有相當的可靠度。

圖 14(左)為整體資料 PCI 計算結果的 pdf，圖 14(右)則為整體資料模型可靠區間 面積計算結果的pdf，觀察整體資料的 PCI 和可靠區間面積的分佈，可以發現和初步 試驗中正常駕駛狀態以及低警覺駕駛狀態 所識別之駕駛模型都具相當高正確性的結 果一致，顯示在整體疲勞實驗的過程中大 部分線上所識別之駕駛模型都具一定之正 確性。

圖 15 與圖 16 為本研究判別機制和機 器視覺系統實驗判別結果在不同的兩個駕 駛人上實驗的比較，由於資料量過於龐 大，圖中本研究系統和機器視覺系統判別 結果的比較是以每間隔 5 秒當中有出現疲 勞判別結果即給予標記。由此結果可以發 現本研究所提出類神經駕駛狀態判別機制 所完成之駕駛狀態的判別結果和機器視覺 系統有非常高的一致性。

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

0 0.2 0.4 0.6 0.8 1

Coherence function estimate

frequency, (Hz)

圖 11 疲勞駕駛實驗資料的 coherence spectrum

0 2000 4000 6000

0 20 40 60 80 100

time, (s)

PCI

0 20 40 60 80 100

0 0.05 0.1 0.15

PCI

Probability density

圖 12 疲勞駕駛實驗(左)PCI，(右)PCI 的 pdf

0 2000 4000 6000 0

20 40 60 80 100

time, (s)

area of confidence region

0 20 40 60 80 100

0 0.02 0.04 0.06 0.08 0.1 0.12

area of confidence region

f(x)

圖 13 疲勞駕駛實驗

(左)可靠區間面積，(右)可靠區間面積的 pdf

0 20 40 60 80 100

0 0.05 0.1

PCI

Probability density

0 20 40 60 80 100

0 0.02 0.04 0.06 0.08 0.1

area of confident region

Probability density

圖 14 疲勞駕駛實驗

(左)整體 PCI 的 pdf，(右)整體可靠區間面積的 pdf

0 1000 2000 3000 4000 5000 6000 7000

PNN Eye (drowsy) Eye (warning)

Time, (sec)

圖 15 疲勞駕駛實驗判別結果比較（一）

0 1000 2000 3000 4000 5000 6000 7000

PNN Eye (drowsy) Eye (warning)

Time, (sec)

圖 16 疲勞駕駛實驗判別結果比較（二）

6.3.2 慌亂駕駛實驗結果

圖17 為一組慌亂實驗資料中橫向路徑 誤差和轉向角的coherence spectrum，可以 觀察到駕駛人的行為在 1.5Hz 以下有相當 好的線性關係，顯示在慌亂駕駛實驗中所 建立之駕駛模型對於 1.5Hz 以下之駕駛行 為能有較好的描述，對於超過 1.5Hz 的操 控行為，模型描述的正確性將大幅降低。

駕駛狀態的判別結果如圖 18。圖中所 標示的虛線為模擬器中車輛到達障礙物相 同縱向位置的時間點，可以觀察到在每次 閃避障礙物的同時，本研究所提出之判別 機制也偵測到駕駛人的駕駛狀態轉換成慌 亂狀態，而慌亂時間持續的時間則依駕駛 人在閃避障礙物之後回復正常駕駛的快慢 而有所差異。

對於模型正確性的評估，圖 19 為 PCI 的計算結果，和圖18 比較可以發現當駕駛 人因為做出閃避動作而轉換駕駛狀態的瞬 間，PCI 的計算結果出現瞬間明顯的下降，

這是由於駕駛人的行為突然出現很大的變 化，而這樣一個高頻的改變無法透過本研 究所使用之低階駕駛模型做正確的描述，

所以導致模型的預測輸出變差。圖20 則為 模型可靠區間面積的計算結果，和 PCI 的 計算結果相比較可以發現在 PCI 計算結果 變差的同時可靠區間面積的計算結果也產 生明顯的峰值，顯示此時的模型可靠度相 當差，證實當駕駛人的駕駛行為出現高頻 的變化時會導致所識別之駕駛模型可靠性 降低。

圖 21 為整體實驗資料 PCI 的分佈，圖 22 則為整體實驗資料模型可靠區間面積計 算結果的分佈情形，結果發現當駕駛人因 為突然出現的障礙物做出高頻的操控行為 以閃避障礙物時，在 PCI 和模型可靠區間 面積的計算結果上可分別觀察到模型的預 測能力變差以及可靠性降低，和前述的結 果相當一致。

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

0 0.2 0.4 0.6 0.8 1

Coherence function estimate

frequency, (Hz)

圖17 慌亂駕駛實驗資料的 coherence spectrum

0 50 100 150 200

normal panic nervous unalert

driver condition

time, (s)

obstacle obstacle obstacle obstacle

圖18 慌亂駕駛實驗駕駛狀態判別

0 50 100 150 200

40 50 60 70 80 90 100

PCI

time, (s)

圖19 慌亂駕駛實驗 PCI 計算結果

0 50 100 150 200 0

50 100 150 200

time, (s)

area of confidence region

圖20 慌亂駕駛實驗模型可靠區間面積計算結果

0 50 100 150 200

0 20 40 60 80 100

PCI

time, (s)

圖21 慌亂駕駛實驗整體 PCI 的分布

0 50 100 150 200

0 50 100 150 200 250 300

time, (s)

area of confidence region

圖22 慌亂駕駛實驗整體可靠區間面積計算結果

七、應用賽局理論之安全系統決策 在實務問題上，有許多相互競爭，衝 突或敵對的情況，這些競爭的情況有一個 基本的特性，就是最後輸贏的結果往往是 根據各對手所採取的策略而定。賽局理論 (Game Theory)即是以數學的方法探討此類 策略互動行為。賽局理論考慮賽局中各個 體的預測行為和實際行為，並決定各對手 所應採取的最佳策略。

考慮以下狀況：當車子進行左彎時，

由於轉向過度的原因在於後方輪打滑失 控，因此 ESP 系統會對右(外側)前輪施加 煞車，而 ESP 系統在個別輪胎施加煞車 時，將面臨不同的駕駛人行為反應，不同 的駕駛人反應與 ESP 作動結合後可能會在 車輛的翻覆模式上產生副作用，因此為了 改進 ESP 系統，在此以賽局理論中所提到 的 Minimax 方法去解決此類問題，探討何 時 ESP 系統該發生作用，以及施加煞車力 的大小可得最佳的結果。首先針對轉向過 度的 ESP 啟動決策進行探討，假設駕駛人 定義為列參賽者（row player），則轉向過 度時之行為策略可分為 R1:不改變方向盤

角度。R2:增加方向盤角度。而 ESP 定義為 行參賽者（column player），其行為策略則 有C1:啟動 ESP 即 T>0。C2:不啟動 ESP 即 T=0。針對不同的行為組合、可由模擬得知 車輛在 yaw plane 以及在翻覆模式上的運 動情形。依據車輛的運動情形可定義出一 組目標函數(參數須經後續之微調)，如此 可建立此兩參賽者賽局之 payoff matrix 則 此 minimax 問 題 可 形 成 。 而 根 據 minimax 問題之定義，列參賽者（駕駛人）

目的在於 maximize row value；行參賽者

（ESP 系統）目的在於 minimize column value，可以藉此進行兩參賽者決策之分析。

由於要探討ESP 對翻覆可能造成的影 響，必須使用完整的車輛動力學模型，因 此利用Carsim 來進行模擬，目的在於得到 橫擺角(yaw angle)、橫擺率(yaw rate)、翻 覆角(roll angle)、翻覆率(roll rate)。

模擬分為四個部份，在駕駛人選擇改 變或不改變方向盤的角度下，ESP 是否啟 動進行模擬。首先讓一輛大型SUV 以時速 58 公里以逆時針方向繞行半徑為 40 公尺 之圓形路徑，設定方向盤角度為 120 度且 不加任何煞車及駕駛人不改變方向盤角度 的情況下，根據模擬結果可以發現車輛會 有轉向不足的情況產生。因此為了要抑制 轉向不足，我們必須對於內側後輪施加煞 車力（在此則為左後輪）進行第二部份的 模擬。

經由第二次的模擬，確實達到了抑制 轉向不足的效果，但相對的也讓翻覆角增 大；第三次模擬則是改為加大方向盤角度 到 140 度且不加任何煞車，而此次則同樣 會造成翻覆角增大，但仍有些許轉向不足 的情況；第四次模擬則是同樣以 140 度的 方向盤角度並且針對轉向不足作修正。最 後紀錄下各組橫擺角、橫擺率、翻覆角、

翻覆率之模擬數據結果。

為了分析車輛的翻覆行為，必須定義 翻覆指標，在此將翻覆指標分為橫擺模式 與翻覆模式來考慮並以第一次模擬數據為 基準，比較各次模擬橫擺角、橫擺率、翻 覆角、翻覆率之變化量，則翻覆指標為：

Roll

Yaw J

J J =α +β 其中

2 2 2

1 α ψ

α Δ + Δ

= r

J_Yaw

2 2 2

1 β φ

βΔ + Δ

= p

J_Roll

且α 、α₁、α₂、β、β₁、β₂為可調變數，

α 、β的數值在往後的實驗中可能會得到 更 符 合 理 論 的 結 果 ， 在 此 設 定α =1、

=1 β 。

由於轉向不足或者轉向過度皆是屬於 短時間內即會產生的行為，因此我們僅考 慮從 0 至 3 秒間橫擺角、橫擺率、翻覆角、

翻覆率的變化行為，且每隔0.05 秒取樣一 次，將所得數據取標準差並紀錄下來。此 外，由於模擬所得的資訊有限，無法確定 是橫擺角、橫擺率或翻覆角、翻覆率何者 對於 及 的影響較大，因此讓各項 參 數 權 重 相 等 ， 即

JYaw J_Roll

2 1

1 =α =

α ，

2 1

1 =β =

β ，可得以下結果：

T=0 T>0

=0

δ 0 5.9481

>0

δ 8.8061 23.6106 由觀察可知，8.8061 為此 matrix game 的鞍 點(saddle point)，亦即為此問題之解，而本 matrix game 成為一純策略(pure strategy)問 題。由於前述之各參數為自行定義，因而 造成了此種結果。為了更詳細描述考慮此 類問題，且matrix game 中各項元素會因各 參數不同而有不同的結果，因此假設某一 特定情況下所得之matrix game 為：

T=0 T>0

=0

δ 0 5

>0

δ 3 2

觀察可以發現此問題無鞍點，則 minimax problem 可表示為如下形式：

x1 x2 -1 y1 0+c 5+c 1 =-x3

y2 3+c 2+c 1 =-x4

-1 1 1 0 =f =y3 =y4 =g

其中 c 為一任意實數使得 ，但各 元素皆為正數，因此令 c=1。使用文獻[9]

之Preliminary Step 及線性規劃計算可得：

>0 + c a_ij

x4 x3 -1 y4 -1/17 4/17 3/17 =-x2

y3 5/17 -3/17 2/17 =-x1

-1 -4/17 -1/17 -5/17 =f =y2 =y1 =g

則 17

min 5

max f = g = ，

17 2

1 =

x ，

17 3

2 =

x ，

17 1

1 =

y ，

17 4

2 =

y ，因此對行參賽者各項

策略的機率分布 ⎟

⎠

⎜ ⎞

⎝

=⎛ 5 ,3 5 qK 2

以及對於列參 賽者的機率分布 ⎟

⎠

⎜ ⎞

⎝

=⎛ 5 ,4 5 pK 1

， 13 ) 5 (M =

v 。

由以上minimax 問題可知，當 ⎟

⎠

⎜ ⎞

⎝

=⎛ 5 ,2 5 qK 3

，

⎟⎠

⎜ ⎞

⎝

=⎛ 5 ,1 5 pK 4

時，可以得到最佳結果 。 此結果為當翻覆指標等於 時，我們可 以得到各項策略的機率，亦即在多大的機 率下，ESP 系統會選擇何種控制策略，我 們則可藉此去分析及改良ESP 系統，以期 達到降低車輛翻覆發生的機會。

) (M v ) (M v

七、結論

本研究透過駕駛模擬器進行駕駛人行 為分析實驗，並進而求得駕駛人模型與模 式分類之計算機制以及計算結果之統計與 機率資訊。儘管先前之研究成果顯示線上 駕駛人模型識別一般而言具有合理的正確 度，於駕駛模擬器實驗上可進一步得到駕 駛模型之識別結果其誤差程度以及在線上 對駕駛人模型的信心度指標。同樣的駕駛 人模式分類機制亦於駕駛模擬器實驗上得 到相當低的誤判率，一般均小於 5%，並可 求得分類結果的信心度指標。駕駛人行為 模式分類機制亦透過一簡單人臉識別之疲 勞監控系統進行初步驗證。

取得駕駛人模型與模式分類之信心度 指標後，本研究進一步將此資訊轉換成機 率形式之資訊，並藉以進行賽局理論之分 析。透過賽局理論，探討駕駛人與安全系 統分別視為兩個獨立控制機制時，兩者行 為與決策的分析、模擬與預測。目前僅針 對一簡單之個案進行初步探討，後續研究 將持續針對賽局理論的應用進行研究。

八、參考文獻

[1] Kraiss, K. F., and Kuttelwesch H., “Teaching Neural Networks To Guide A Vehicle Through An Obstacle Course By Emulating A Human Teacher”, 90 Int J. Conf Neural Networks IJCNN 90. Publ by IEEE. IEEE Service Center. Piscataway, NJ, USA (IEEE cat no. 90CH2879-5), 1990, pp.

333-337.

[2] Chen, L. K. and Ulsoy, A.G., “Identification of

a Driver Steering Model, and Model Uncertainty, From Driving Simulator Data,” ASME Journal of Dynamic Systems, Measurement, and Control, Dec.

2001, v 123, p623-629.

[3] Pilutti, T. and Ulsoy, A.G., “Identification Of Driver State For Lane-Keeping Tasks,” IEEE Transactions on Systems, Man, and Cybernetics Part A: Systems and Humans, v 29, n 5, 1999, p 786-502.

[4] Chen, L. K. and Lin, H. T, “On-Line Driver Steering Model Estimations,” Proc. 2006 AVEC, Taipei, Taiwan, paper no. AVEC060058, 2006.

[5] Ljung, L., “System Identification: Theory for the User,”2^nd Ed., Prentice Hall, Upper Saddle River, NJ 07458, 1999.

[6] Philip, D. W., “Advanced Methods In Neural Networks,” Van Nostrand Reinhold International Thomson Publishing, 1993.

[7] Theil, H., “The Information Approach of Demand Analysis,” Econometrics, 33, 1965, p 67-68.

[8] Morris, M., “Introduction to Game Theory,”

Springer, 1994.

九、計畫成果自評

本研究主要目的在利用賽局理論將其 應用至分析駕駛人與安全系統間之交互作 用之可行性，並進而探討藉以發展安全系 統之成效。儘管車輛主動式安全系統已在 近年來廣受討論，駕駛人之行為以及在安 全系統設計上所需採取的對策仍是一十分 未知之領域。在過去的研究以及賽局理論 本身之論點中可看出賽局理論是一個描述 駕駛人與安全系統之間之關係的合理工 具。然而，為要成功使用此一工具，在駕 駛人的機率描述上以及進一步對不同事故 型態的問題定義上仍有許多議題仍待解 決，方能探討賽局理論之實用性。因此，

本研究由駕駛人的行為模式與機率內涵之 描述出發，希望透過統計分析取得更實際 且易於使用的線上駕駛人資訊，之後方可 將此資訊以機率的形式透過賽局理論分 析。由於線上駕駛人的機率資訊在文獻中 並不多件，且實際駕駛人之行為十分多 變，此一工作有其先天之困難。因此本年 度之主要研究重點在此方面上，在賽局理 論的應用上則剛開始。目前主要透過個案 討論的形式來嘗試賽局理論的應用。在研 究方向上，本年度之研究成果與原先預定 之方向完全吻合，進度上由於線上駕駛人 資訊建立之困難，在安全系統的著墨上並 不多。此一部分將於後續研究補充。在未

來的發展上，由於近期內車輛仍須由駕駛 人做主要的操控，任何駕駛輔助的主動式 安全系統必須要考慮到駕駛人行為的多變 性，本年度的研究主題與未來車輛主動式 安全系統的研發有著密不可分的關係，研 究結果也可很容易的擴展至各種安全系統 的研發與評估上。

12

可供推廣之研發成果資料表

■ 可申請專利 □ 可技術移轉 日期： 年 月 日

國科會補助計畫

計畫名稱：應用車輛駕駛機率模型發展整合型車輛安全控制系統 計畫主持人：陳亮光

計畫編號：NSC 95-2221-E-011-165 學門領域：自動化 技術/創作名稱 應用駕駛模型識別與機率類神經網路之線上駕駛人監控系統 發明人/創作人 ^{陳亮光、彭孟璿}

中文：在此提出一種線上駕駛狀態之監控方法及其系統。首先，建 立一駕駛模型，其中駕駛模型依據運輸工具行駛之橫向偏移量，產 生轉向角以控制運輸工具行駛。接著，將運輸工具行駛之橫向偏移 量及轉向角進行系統識別處理，以獲得駕駛模型之轉移函數。而將 此轉移函數進行分析處理，以從中獲得特定資訊，並將此特定資訊 及多個原始統計資料進行評估處理，以判定駕駛狀態。

技術說明

英文：An online monitoring method of driver state and a system thereof are provided herein. First, a driver model is set, wherein the driver model produces a steering angle according to a lateral position error for controlling a vehicle driving. Next, a system identification process utilizing the lateral position error and the steering angle during vehicle driving is performed for obtaining a transfer function of the driver model. An analyzing process is performed on the transfer function for obtaining specific information, and an assessment process is performed on the specific information and a plurality of statistics of raw data for determining a driver state.

可利用之產業 及 可開發之產品

車輛主動式安全系統產業 駕駛人監控系統

技術特點

應用線上駕駛人模型識別之結果作為駕駛人狀態監控之依據，並進 而改善主動式安全系統之正當性。

推廣及運用的價 值

可提高主動式安全系統之正確性與人性化之特色。

※ 1.每項研發成果請填寫一式二份，一份隨成果報告送繳本會，一份送 貴單位 研發成果推廣單位（如技術移轉中心）。

※ 2.本項研發成果若尚未申請專利，請勿揭露可申請專利之主要內容。

※ 3.本表若不敷使用，請自行影印使用。

出席國際學術會議心得報告

計畫編號 NSC 95-2221-E-011-165

計畫名稱 應用車輛駕駛機率模型發展整合型車輛安全控制系統(I) 出國人員姓名

服務機關及職稱 陳亮光 臺灣科技大學機械系 助理教授 會議時間地點 台北圓山大飯店，台灣，Aug. 20-24, 2006

會議名稱 2006 8^th International Symposium on Advanced Vehicle Control 發表論文題目 1. On-Line Driver Steering Model Estimations

2. Adaptive Control With Respect To Driver Model Uncertainty

一、參加會議經過

由於本次會議於台北市圓山大飯店舉行，交通與住宿上之安排甚為方便。在主要的 三天議程中，共安排了由Prof K. Hedrick (UC Berkeley), Prof. M Nagai (Tokyo U. A&T), Prof C.T. Shih (NTHU), and Prof. H. Wallentowitz (RWTH-Aachen) 四位在車輛研究上有豐 富經驗的教授所主講的keynote speeches. 在其他的研討會時段，共有五場平行的討論室 提供與會者不同的選擇。

二、與會心得

AVEC ’06 為先進車輛安全系統委員會所主辦，自 1992 年起每兩年舉辦一次。2006 年由清華大學洪哲文教授擔任主席並於台北圓山大飯店舉辦。在車輛安全系統上不管對 學術界或產業均是十分重要的會議。本次會議主題涵蓋甚廣，內容遍及車輛主動安全、

駕駛人模型與識別、關鍵零組件機構創新、以及整合型車身運動控制等。為期五天的會 期中，除了有keynote speaker 主講的共同性議題外，在專題研討會每一時段有五個平行 討論會同時進行，提供每個與會者不同的選擇與多樣化。在此研討會中本實驗室共發表 兩篇文章，其一為線上駕駛人之識別與分類、其二為適應性駕駛人車道維持輔助控制。

此二研究主題與本研討會之核心方向十分切合，會中亦發現著重駕駛人之車輛主動式安 全系統乃目前車輛安全的趨勢，透過會中與世界各國研究學者先進的討論對本實驗室之 研究方向與內容有很好的幫助。