基于运行数据的电动客车误踩加速踏板状态识别研究,电动汽车加速踏板故障诊断过程

登封赵秦朝峰高

摘要:电动公交车因驾驶员误踩油门踏板引发的交通事故时有发生，影响因素复杂。为了准确识别误踩油门行为，提醒电动公交车驾驶员安全驾驶，基于电动公交车车载终端采集的车辆运行状态数据，提取与误踩油门行为相关的9个驾驶特征，采用随机森林算法模型识别电动公交车误踩油门状态。结果显示，整体识别准确率为99%，召回率为0.99，表明99%的误踩油门行为都能被识别。实验表明，随机森林算法对错误油门踏板状态的识别效果良好，与logistic回归、Adaboost等识别算法相比，具有准确率、召回率和精确度高的特点。通过对电动公交车运行数据的分析，该方法简单、高效、成本低、可行、实用。

关键词:驾驶行为；交通事故；误踩油门踏板的识别；随机森林；电动公共汽车

中国图书馆分类号:U471.3文献识别码:A

基于车辆行驶数据的油门状态检测误踩

赵登峰1、高燕2、刘朝晖1、秦朝峰1、高立杰1

(1.郑州宇通客车有限公司，郑州450016；2.公安部道路交通安全重点实验室，无锡214000

摘要:误踩油门是交通事故的主要原因之一。准确检测故障步进，提醒电动公交车司机注意安全驾驶，具有重要意义。基于电动公交车数据采集系统采集的车辆运行数据，提取了9个与驾驶行为相关的特征，采用随机森林算法识别故障步进。结果表明，该方法的总体识别准确率为99%，召回率为0.99%，即99%的故障步进情况都能被成功识别。实验表明，基于随机森林的车辆行驶数据的故障步进检测是最有效的。与其他故障步进检测方法相比，该方法简单方便，成本相对较低。

关键词:驾驶行为；交通事故；踩油门踏板有故障；随机森林；电气总线

驾驶员误踩油门是影响汽车安全行驶，导致交通事故的主要原因之一[1]。电动公交车动力好，速度快。当驾驶员误踩油门踏板时，在车流量大的城市交通环境中，很容易造成严重的交通事故。因此，分析电动公交车驾驶员误踩油门踏板时的驾驶行为特征，建立模型识别误踩油门踏板的行为，对于改善驾驶员的危险驾驶行为，保障电动公交车的安全行驶具有重要意义。

目前识别误踩油门踏板行为的主流技术主要有两类:(1)被动技术，如油门踏板移动速度检测技术[2]、油门踏板力检测技术[3]、前方障碍物检测技术[4]等。(2)主动技术，如驾驶员右脚位置检测技术[5]、驾驶员不良驾驶行为识别技术[6-7]、大数据检测[8-9]等。其中，被动技术主要是通过分析驾驶员对车辆加速踏板的踩踏来进行识别。这类技术可以识别一些误操作行为，但存在的问题是用于决策的输入信息比较单一，在一些特定场景下可能导致识别错误。主动技术通过传感器装置提前识别驾驶员右脚踩油门，然后调控驾驶员踩油门的动作。存在的问题是需要增加工业摄像机等信息采集处理设备，导致成本增加，对传感器和采集系统的可靠性要求更高。

基于电动公交车车载终端采集的车辆运行数据，提出了一种能够有效识别驾驶员误踩油门的识别方法。该方法综合利用电动公交车运行数据，提取与异常加速相关的驾驶特征，构建误踩油门行为识别模型，分析误踩油门的数据规律模式，可用于指导驾驶员改进误踩油门行为。

1车辆运行数据采集和误踩加速踏板状态识别

基于电动客车车载终端采集的车辆运行数据，将运行数据切分处理为正常操作加速踏板样本和误踩加速踏板样本，通过构建识别误踩加速踏板的模型，实现通过车辆运行数据准确识别误踩加速踏板行为的目的。工作流程如图1。基于电动公交车车载终端采集的车辆行驶数据，将行驶数据分为正常操作油门踏板样本和误踩油门踏板样本。通过构建误踩油门踏板识别模型，实现了通过车辆行驶数据准确识别误踩油门踏板行为的目的。工作流程如图1所示。

1.1车载运行数据采集

利用车载终端对电动客车的运行状态数据进行采集，采集的数据均为电动客车自然驾驶状态下产生。采集的数据包括正常驾驶数据和踏板误操作驾驶数据，通过人工分析筛选，获取了电动客车CAN总线上的运行数据和车载监控视频数据。其中通过CAN总线采集的车辆运行数据包括车辆状态、挡位以及车辆速度、加速度、乘客门开关信号、转向灯信号、手刹信号、加速踏板开度、制动踏板开度、GPS经纬度、日期和时间、驾驶人ID、车牌号等。车载监控视频数据包括驾驶区、乘客区、前视和驾驶人DMS等摄像头数据。电动客车运行数据采集系统如图2。车载终端用于采集电动公交车的运行状态数据，采集的数据都是在电动公交车自然行驶状态下产生的。采集的数据包括正常行驶数据和踏板误操作行驶数据。通过人工分析筛选，获得电动公交车CAN总线上的运行数据和车载监控视频数据。其中，通过CAN总线采集的车辆运行数据包括车辆状态、档位、车速、加速度、乘客车门开关信号、转向灯、手刹信号、油门踏板开度、刹车踏板开度、GPS经纬度、日期时间、驾驶员ID、车牌号等。车载视频数据包括驾驶区、乘客区、前视图和驾驶员DMS等摄像头数据。电动公交车运行数据采集系统如图2所示。

1.2数据样本分割处理

先在企业驾驶实验场地进行驾驶人踏板误操作的实验，在不同工况条件下模拟驾驶人加速踏板误操作行为，以提取归纳驾驶人的踏板误操作特征规律，作为电动客车数据分析平台自然驾驶数据中踏板误操作的筛选准则。模拟实验设计方案如表1所示，实验选择在天气良好条件下进行，实验驾驶人为某公交公司驾驶人，实验前无饮酒、药物等异常情况。首先在企业驾驶测试现场进行驾驶员踏板误操作实验，模拟驾驶员在不同工况下的油门踏板误操作行为，提取和总结驾驶员踏板误操作特征，作为电动客车数据分析平台自然行驶数据中踏板误操作的筛选标准。仿真设计方案如表1所示。实验是在好天气下进行的。实验驾驶员为某公交公司司机，实验前无饮酒、吸毒等异常情况。

驾驶人误操作实验完成后，将实验数据通过CAN总线及OBD接口导出。初步对实验数据进行研究分析，提取驾驶人踏板误操作行为特征。通过对以上共19次实验的数据进行基本分析，得到误操作下加速踏板变化率指标和满踩加速踏板持续时间特征，如图3所示，发现误操作下最大加速踏板开度变化率一般在75%/s以上且满踩加速踏板持续时间超过3s以上。驾驶员误操作实验完成后，通过CAN总线和OBD接口导出实验数据。对初步实验数据进行研究分析，提取驾驶员踏板误操作行为特征。通过对上述19次实验数据的基本分析，得出误操作情况下加速踏板的变化率指标和全加速踏板持续时间的特性。如图3所示，发现误操作情况下油门踏板开度最大变化率一般在75%/s以上，油门踏板全踩持续时间在3s以上。

一般来说，公交车司机很少在起步时长时间踩油门。以实验参数阈值为基础，作为电动客车数据分析平台踏板误操作数据的初步筛选标准，从而对踏板误操作数据样本进行分割。结合以上实验，适当降低油门踏板最大变化率和油门踏板全踩阈值，以筛选出更多的异常行驶数据。最终筛选标准为:车辆加速度大于2m/s2，油门踏板最大开度变化率大于70%/s，油门踏板开度保持在95%以上的时间大于2.0s。

根据车辆行驶过程中同步采集的视频数据，判断并确认驾驶员是否误踩油门踏板，如果结果是驾驶员误操作，则将该时间段定义为误踩油门踏板的标签；如果不是驾驶员误操作，则将时间段定义为正常行驶状态标签。通过人工标定每个时间段的行驶状态标签，将车辆行驶数据分为误踩油门数据和正常行驶状态数据。

1.3误踩油门行为识别模型的构建

基于业务理解，利用误踩油门状态和正常驾驶状态的样本提取与误踩油门行为相关的驾驶特征，利用随机森林分类算法构建误踩油门驾驶行为的识别模型。

1.4油门踏板误踩的识别和应用

基于CAN总线采集的车辆运行数据，识别误踩油门踏板的行为，评估驾驶员误踩油门踏板的风险，改善高危驾驶员的危险驾驶行为，降低误踩油门踏板导致的事故率。

2.构建误踩油门踏板的S形

基于车辆运行数据，构建误踩加速踏板驾驶行为识别模型，模型主要由四个部分组成：第一部分准备数据样本；第二部分从样本数据中提取与车辆误踩加速踏板相关的驾驶特征，如车速、加速踏板开度、制动踏板开度、转向灯信号、门开关信号等参数；第三部分，对提取的驾驶特征两两组合进行相关性分析，同时将各驾驶特征与误踩加速踏板行为之间进行相关性分析；最后，采用随机森林算法对误踩加速踏板行为进行识别，为驾驶人误踩加速踏板行为风险评估与改善提供指导。构建误踩加速踏板状态识别模型框架如图4。基于车辆行驶数据，构建了误踩油门驾驶行为的识别模型。该模型主要由四部分组成:第一部分准备数据样本；第二部分从样本数据中提取与车辆误踩油门踏板相关的驾驶特征，如车速、油门踏板开度、刹车踏板开度、转向灯、车门开关信号等参数。第三部分，对提取的驾驶特征两两组合进行相关性分析，对每个驾驶特征与误踩油门行为进行相关性分析。最后利用随机森林算法对误踩油门的行为进行识别，为驾驶员误踩油门的风险评估和改进提供指导。误踩油门踏板的识别模型框架如图4所示。

2.1数据样本准备

数据来源于市场上曾发生误踩加速踏板驾驶事件的电动客车运行数据，共收集20组运行数据样本514775个。其中误踩加速踏板样本9067个，占总样本数量的比例为2%，具体见表2。数据来源于市场上电动公交车误踩油门的运营数据。共采集了20组运行数据的514775个样本。其中误踩油门踏板的样本为9067个，占总样本的2%。详情见表2。

2.2驾驶特征的提取

与正常行驶状态相比，车辆位置、车速、加速踏板开度和制动踏板开度等行驶特性控制的稳定性存在一定差异。因此，可以将这些参数作为判断驾驶员处于误踩油门踏板状态还是正常驾驶行为的标准，从而可以从这些数据信号中提取与误踩油门踏板相关的驾驶特性。

基于现有的数理统计学知识和对于模型需求的理解，对采集到的驾驶行为数据特征进行提取，本文一共提取了9个与误踩加速踏板驾驶行为相关的特征，具体特征见表3。基于现有的数理统计知识和对模型要求的理解，对采集的驾驶行为数据进行特征提取。本文提取了与误踩油门驾驶行为相关的九个特征。具体特性见表3。

2.3驾驶特性分析

通过分析前文所选定的驾驶特征参数与驾驶人误踩加速踏板之间的相关性，从而获取与误踩加速踏板行为最相关的特征，为判断是否误踩加速踏板提供数据基础。对所提取的9个驾驶特征，可采用皮尔森相关系数[11-12]来判断它们之间的相关性以及与误踩加速踏板的相关关系，皮尔森相关系数分布在[-1，1]区间范围内，相关系数越靠近 1，说明两个特征正相关性越强，越靠近-1则说明两个特征负相关性越强[11-12]。具体如图5所示。通过分析上述选取的驾驶特征参数与驾驶员误踩油门踏板之间的相关性，可以得到与误踩油门踏板行为最相关的特征，为判断是否误踩油门踏板提供数据依据。对于提取的9个驾驶特征，可以用皮尔逊相关系数[11-12]来判断它们与错误油门踏板的相关性。皮尔逊相关系数分布在[-1，1]的范围内。相关系数越接近1，两个特征之间的正相关越强，越接近-1，两个特征之间的负相关越强[11-12]。如图5所示。

从图5可以看出，不同驱动特性之间的相关系数的离差很大。

各驾驶特征与是否误踩加速踏板的相关系数见表4。驾驶特性与油门踏板是否被误踩的相关系数见表4。

从表4可以看出，油门踏板开度信号与油门踏板误差的相关系数为0.91，其他特征与油门踏板误差的相关系数均低于0.65，与工程实际相符。

2.4误踩油门踏板的识别

本文采用随机森林算法对误踩油门踏板的行为进行识别。随机森林算法是一种基于分类树的集成学习算法。其基本原理是通过随机抽取特征和数据样本，生成许多决策树，每一棵决策树都是不相关的。多个决策树组合形成一个森林，每个决策树进行投票决策，最终结果由多数投票的策略决定[10，13]。森林算法在处理高维特征样本数据时，具有精度高、抗干扰能力强、抗过拟合能力强的特点。同时可以对驾驶特征的重要性进行排序，找出对误踩油门有重大影响的驾驶特征。

具体算法步骤如下[10，13]:

(1)原始训练集中有M个特征，样本总数为N，利用带回报的随机Bootstrap抽样技术，从训练集中随机抽取N个样本，形成训练子集；

(2)从M个特征中随机选取M个(m≤M)特征作为特征子集，从这M个特征中选取最佳分割点，然后分裂节点，直到节点的所有训练样本都属于同一类。根据基尼指数、信息增益率、节点均方差等规则进行拆分，拆分过程中无需剪枝，完全拆分；

(3)重复步骤(1)和(2)k次，得到由k棵决策树构成的随机森林；

（4）利用新采集的运行数据，使用随机森林进行决策。决策公式如下：(4)使用新收集的操作数据和随机森林进行决策。决策公式如下:

其中:H-随机森林模型；Y-油门踏板分类标签是否被误踩；X-测试样本；K-决策树的数量；嗨-一个单独的决策树，其中i={1，...，k }；指示功能。

3模拟计算及结果分析

本文集中于分析不同驾驶特征的差异性来识别误踩加速踏板行为，将原有数据按照8：2的比例随机分配，其中80%作为训练样本集，20%为测试样本集，利用随机森林算法经过剪枝和参数调优，对训练样本集数据进行训练，得到的混淆矩阵如表5所示，其中各参数值分别为：M=9，N=127673，m=2，k=10。本文重点分析不同驾驶特征的差异来识别误踩油门的行为，并将原始数据按照8: 2的比例随机分布，其中80%为训练样本集，20%为测试样本集。采用随机森林算法对训练样本集的参数进行剪枝和优化，得到的混淆矩阵如表5所示，其中参数值为:M=9，N=127673，M。

根据表5的实验结果，可以计算出准确率为0.99，即准确预测正常驾驶和准确预测误踩油门的样本数之和占样本总数的比例。

考虑到本文所用数据的样本标签分布不均匀，除了判断算法的准确性外，还引入了召回率、精确率等指标来进一步评价有偏数据的实验结果[10，14]。召回率是指预测实际误踩油门踏板的样本数与实际误踩油门踏板的样本总数的比值，准确率是指预测实际误踩油门踏板的样本数与预测误踩油门踏板的样本总数的比值。

本次实验召回率为0.99，也就是说误踩油门踏板被正确检测到的概率达到99%。本次实验的准确率为0.97，也就是说正确预测错油门踏板的比例可以达到97%。

为了研究不同算法对电动客车驾驶人误踩加速踏板行为预测结果的影响，分别使用逻辑回归算法和Adaboost算法[15]对标签数据进行分类识别，分类识别结果如表6所示。为了研究不同算法对电动公交车驾驶员误踩油门预测结果的影响，采用logistic回归算法和Adaboost算法[15]对标签数据进行分类识别，分类识别结果如表6所示。

如图6所示，随机森林算法在识别电动公交车误踩油门行为上的准确率、精度和召回率均优于logistic回归算法和Adaboost算法，证明了随机森林算法更适合识别电动公交车误踩油门行为状态。

4结论

(1)基于运行中电动公交车采集的车速、油门踏板开度、手刹状态等数据，提取与驾驶行为相关的9个特征，分析识别驾驶员误踩油门的行为。本文分别选择随机森林算法、logistic回归算法和Adaboost算法对样本数据进行训练和测试。结果表明，随机森林算法对误踩油门踏板行为的识别效果最好，整体准确率为0.99，召回率为0.99，准确率为0.97。该方法简单、精度高、成本低，对于检测驾驶员误踩油门的行为具有可行性和实用性。

(2)基于车辆运行数据，对驾驶员误踩油门行为的识别进行了有益的探索，涉及到较大的样本数据。考虑到车辆动力性能和驾驶员个体的差异，进一步提高驾驶员误踩油门行为检测精度和可靠性的相关实验和方法有待进一步研究。

(3)在今后的研究中，将研究驾驶员假踏板的形成机理，提取驾驶员假踏板的行为特征，进一步提高算法的识别精度。基于电动公交车数据分析平台，开发驾驶员踏板操作风险评分系统，利用文中的算法智能识别驾驶员潜在的踏板误操作，并将结果反馈给公交运营公司，纠正不良的踏板操作，最大限度地减少驾驶员个人因素造成的踏板误操作，确保道路安全。

参考

[1]袁警察分局。基于多传感器融合的油门踏板辅助系统控制方法研究[D].长春:吉林大学，2019。

[2]胡、、朱昌济等。RD .汽车油门踏板保护系统[J].汽车工程，2011，33 (08): 713-715+176。

[3]邓彪，简·。汽车误踩油门智能保护系统的设计[J].交通科学与工程，2014，30 (02): 67-71。

尹以信，徐凌毅，等.基于旋转编码器的汽车油门误踩检测[J].控制工程，2013，20 (04): 611-613+622。

[5]张·。防止油门误踩的关键技术分析[J].科技信息，2016，14 (35): 220+222。

[6]朱晓燕。机动车驾驶员不良驾驶行为研究[D]。哈尔滨:哈尔滨工业大学，2018。

[7]高晨曦。纯电动汽车驾驶行为预测与驾驶模式识别[D]。大连理工大学，2017级。

[8]佘成琦，张兆生，刘鹏，。大数据分析技术在新能源汽车行业的应用概述——基于新能源汽车运营大数据[J]。机械工程学报，2019，55 (20): 3-16。

[9]毛，张进喜。基于新能源汽车远程监控数据的驾驶行为识别建模与应用[J].汽车及配件，2017 (17): 80-83。

[10]蔡素仙，侃，周思毅，。基于车辆行驶数据的疲劳驾驶状态检测[J].交通系统工程与信息技术学报，2020，20 (04): 77-82。

[11]许·。相关系数研究综述[J].广东工业大学学报，2012，29 (3): 12-17。

[12]曹鑫。江苏省设区市生态文明建设的评价与路径探索——基于耦合协调模型和人系数与因子分析[D].南京大学，2020。

[13]卡特勒A，卡特勒D R，史蒂文斯J R .随机森林[M].集成机器学习。斯普林格，波士顿，马萨诸塞州，2012: 157-175。

[14]RAND W . m .聚类方法评价的客观标准[J].美国统计协会杂志[J]，1971，66(336): 846-850。

[15]达兰帕尔·多耶·阿尔恰纳·帕哈尔卡。一种建立精确和多样化决策树的新方法[J]，进化智能，斯普林格，波士顿，马萨诸塞州，2021年1月