Classification of Driver Behaviour Using External Observation Techniques for Autonomous Vehicles

该研究提出了一种基于外部视觉观察和计算机视觉技术（如 YOLO 目标检测与车道监测）的新型驾驶员行为分类系统，旨在无需车载通信即可实时识别分心或受 impaired 驾驶等不安全行为，从而提升自动驾驶环境下的道路安全。

要点

这篇论文讲述了一个非常有趣且实用的想法：给自动驾驶汽车装上一双“火眼金睛”，让它们能像经验丰富的老司机一样，通过“看”前面的车，来判断前面的司机是不是在走神或者喝醉了。

为了让你更容易理解，我们可以把这项技术想象成**“路面上的智能交警”**。

1. 为什么要研究这个？（背景故事）

想象一下，现在的马路上，既有像我们一样需要自己开车的“人类司机”，也有完全不需要人开的“自动驾驶汽车”。

• 问题所在：人类司机经常会犯迷糊，比如一边开车一边回微信（分心），或者喝了酒手脚不听使唤（** impaired/受损**）。这些错误导致了无数交通事故。
• 目前的局限：很多先进的自动驾驶系统依赖车辆之间的“对讲机”（V2V 通信）来交换信息。但现实中，大部分车还没有这个“对讲机”，它们之间是“哑巴”，互相不知道对方在想什么。
• 解决方案：既然没有“对讲机”，那就靠“眼睛”！这篇论文提出的系统，就是让自动驾驶汽车（或装有摄像头的普通车）通过观察前面车辆的行驶轨迹，来推断司机的状态。

2. 这个系统是怎么工作的？（核心原理）

这个系统就像是一个**“超级侦探”**，它主要做三件事：

第一步：认出“嫌疑人” (物体检测)

系统使用了一种叫 YOLO 的 AI 模型（你可以把它想象成一个超级快眼）。它能在视频里瞬间认出：“哦，前面那是一辆卡车，旁边那是一辆轿车。”它不需要车里的传感器，只需要摄像头拍到的画面。

第二步：画出“隐形跑道” (车道检测)

系统会在屏幕上画出道路的边界线（就像在路面上画出了隐形的跑道）。它会计算前面的车是不是稳稳地跑在跑道中间。

• 比喻：就像你在玩赛车游戏，如果车总是压线或者冲出跑道，系统就会警觉。

第三步：分析“走路姿势” (行为分析)

这是最精彩的部分。系统会观察前面那辆车是怎么“走路”的：

• 分心驾驶（Distracted Driving）：

  • 现象：车子像喝醉了一样，歪歪扭扭地偏离了车道中心，或者在车道里左右乱晃。
  • 比喻：就像一个人走路时，眼睛盯着手机，脚却不由自主地往路边踢，走出一条S 型的路线。
  • 系统反应：一旦偏离超过一定距离，系统就会拉响警报：“小心！前面司机走神了！”

• 受损/醉酒驾驶（Impaired Driving）：

  • 现象：车子在车道里频繁地左右摇摆，像钟摆一样，一会儿向左，一会儿向右，而且频率很高。
  • 比喻：就像一个人喝醉了，走路时脚不听使唤，身体不停地左右摇晃，试图保持平衡却总是失败。
  • 系统反应：系统会数这种“左右摇摆”的次数。如果短时间内摇摆了三次以上，系统就会拉响更高级别的警报：“危险！前面司机可能喝醉了！”

3. 实验结果怎么样？（侦探抓到了吗？）

研究人员用真实的行车记录仪视频测试了这个系统：

• 成功之处：在天气好、路面标线清晰的时候，这个“智能交警”非常准。它能准确识别出那些乱开车、走神的车，并记录在案（就像给它们发了罚单，虽然只是系统内部的警报）。
• 遇到的困难：
  • 天气不好：下大雨、大雾或者路面标线被磨没了的时候，系统的“眼睛”会看不清，判断力下降。
  • 路况复杂：如果路面有很多坑坑洼洼，车子被颠得左右晃动，系统可能会误以为司机喝醉了（误报）。

4. 未来会怎样？（给侦探升级装备）

作者说，虽然现在这个系统已经很棒了，但未来可以给它装上更多装备：

• 多传感器融合：除了摄像头（眼睛），还可以装上激光雷达（LiDAR）（像蝙蝠的声呐）和雷达，这样就算在大雾天也能看清。
• 更聪明的算法：让系统学会区分“因为路坑而晃动”和“因为喝醉而晃动”，减少误报。

总结

简单来说，这篇论文提出了一种不需要对方配合的自动驾驶安全方案。它不需要前面的车有“对讲机”，只需要自动驾驶汽车盯着前面的车看，通过分析前面的车是不是在“走 S 型”或“像钟摆一样摇晃”，就能提前发现危险，避免车祸。

这就像是在马路上部署了一支不知疲倦的巡逻队，时刻盯着每一个路人的“走路姿势”，一旦发现有人“走路不稳”，就立刻提醒周围的人小心，让未来的道路更安全。

技术摘要

论文技术总结：基于外部观察技术的自动驾驶车辆驾驶员行为分类

1. 研究背景与问题 (Problem)

尽管智能交通系统（ITS）和高级驾驶辅助系统（ADAS）已取得显著进展，但全球道路交通事故仍主要由人为错误（如分心和酒驾/疲劳驾驶）引起。目前，大多数公共道路上的车辆处于 SAE 0-2 级，缺乏车辆对车辆（V2V）或车联万物（V2X）通信能力。这导致自动驾驶车辆（AV）在混合交通流中难以直接获取周围人类驾驶员的认知或生理状态（如是否分心或 impaired）。现有的监测方案多依赖车载传感器（如红外摄像头、方向盘传感器），无法应用于非连接车辆。因此，亟需一种不依赖内部通信、仅通过外部视觉观察即可实时检测并分类危险驾驶行为的解决方案。

2. 方法论 (Methodology)

本研究提出了一种基于单目视觉（Monocular Camera）的驾驶员行为分类框架，旨在通过外部观察分析车辆的横向位移和车道位置，从而推断驾驶员状态。

核心组件：

• 传感器：使用安装在挡风玻璃上的 Garmin 55 行车记录仪（1440p 分辨率，30 FPS），作为低成本、易部署的感知源。
• 目标检测 (Object Detection)：
  • 采用 YOLOv8n 模型实时检测车辆及其他道路使用者。
  • 该模型具有轻量级架构，推理速度快（约 2-4 ms/帧），并在 COCO 数据集上进行了训练，具备较高的检测精度。
• 车道检测 (Lane Detection)：
  • 构建多阶段图像处理流水线：灰度转换 -> 高斯模糊（去噪） -> 自适应阈值处理（应对光照变化） -> Canny 边缘检测。
  • 利用 RANSAC 回归 拟合多项式曲线，以最小化噪声和异常值的影响，精确估算车道边界和车道中心线。
  • 定义感兴趣区域（ROI）以过滤无关信息。
• 行为分析算法 (Behaviour Analysis)：
  • 横向位移分析：计算检测车辆质心相对于车道中心的偏差。
  • 分心驾驶检测：当平均横向位移超过阈值（0.3 像素）且车辆偏离车道中心超过特定距离（如 40 像素）时，触发“前方分心驾驶员”警报。
  • ** impaired 驾驶（酒驾/疲劳）检测**：监测横向运动的振荡行为。当检测到连续三次或以上的方向符号变化（Sign Changes）时，判定为 erratic（ erratic）驾驶，触发“前方 impaired 驾驶员”警报。
• 数据记录：所有检测到的对象数据（帧号、ID、类别、横向位移、车道偏移、警报状态）均记录在 CSV 文件中，用于后续验证。

3. 主要贡献 (Key Contributions)

1. 非接触式外部监测框架：提出了一种无需 V2V/V2X 通信即可监测非连接车辆驾驶员行为的方法，填补了混合交通流中 AV 感知能力的空白。
2. 基于视觉的异常行为分类：创新性地利用横向位移量和振荡频率（符号变化次数）作为核心特征，区分“分心驾驶”（持续偏离）和"impaired 驾驶”（频繁左右摇摆）。
3. 低成本与可扩展性：系统仅依赖单目摄像头和轻量级深度学习模型（YOLOv8n），无需昂贵的 LiDAR 或车载传感器，适合大规模部署和过渡期应用。
4. 实时反馈机制：系统能够实时生成警报（如"Distracted Driver Ahead"或"Impaired Driver Ahead"），并通过可视化界面（颜色编码的历史数据）直观展示风险等级。

4. 实验结果 (Results)

研究在多样化的道路场景（高速公路、城市道路、后街）及不同光照条件下进行了测试，包括受控的分心和 impaired 驾驶模拟。

• 分心驾驶检测：系统成功识别了车辆偏离车道中心的行为。在受控模拟中，当横向位移超过阈值时，警报触发准确。CSV 日志显示，在帧 36 等时刻，系统准确记录了车辆偏离中心 56 像素且平均横向位移为 1.14 像素，并触发了警报。
• Impaired 驾驶检测：系统有效识别了模拟的振荡驾驶行为。通过检测横向运动的符号变化，系统在检测到三次符号变化后（如帧 483）准确触发了"IMPAIRED DRIVER AHEAD"警报。
• 鲁棒性挑战：
  • 优势：在车道线清晰、光照良好的条件下，检测准确率高，误报率低。
  • 局限性：在恶劣天气（雨、雾）、车道线模糊或路面不平（如坑洼导致车辆被动晃动）的情况下，检测精度下降，偶尔会出现误报（将路面引起的晃动误判为 impaired 驾驶）。
• 性能指标：系统展示了在混合交通环境中识别危险模式的潜力，但在处理多目标复杂场景时，实时性能受限于硬件算力。

5. 研究意义与未来展望 (Significance & Future Work)

• 安全过渡期价值：在人类驾驶车辆与全自动驾驶车辆长期共存的过渡阶段，该系统为 AV 提供了关键的“外部感知”能力，使其能提前预判并规避由人类驾驶员失误引发的事故。
• 技术路径：证明了纯视觉方案在驾驶员行为分类中的可行性，为低成本 ADAS 系统的开发提供了新思路。
• 未来改进方向：
  1. 多模态传感器融合：引入 LiDAR、雷达和红外传感器，以提高在恶劣天气和夜间条件下的检测鲁棒性。
  2. 数据集扩展：收集更多极端天气、复杂路况及不同文化驾驶习惯的数据，以增强算法的泛化能力。
  3. 误报抑制：开发更高级的算法，区分由路面条件（如坑洼、颠簸）引起的车辆位移与真正的驾驶员行为异常。

总结：该研究通过结合先进的计算机视觉技术（YOLO、RANSAC）与行为分析逻辑，成功构建了一个不依赖车辆内部数据的驾驶员行为监测系统，为提升混合交通流的安全性和推动自动驾驶技术的落地应用提供了重要的技术参考。