《Additive Manufacturing》:A unified framework for train driver behavior recognition and risk assessment from a human–machine interaction perspective
编辑推荐:
本研究提出基于人类-机器交互的火车司机行为识别与风险评估框架。通过构建高精度HOI数据集,设计融合手部姿态与设备几何信息的图解析神经网络模型,实现复杂驾驶界面下的行为-设备交互识别,准确率达94%。同时构建贝叶斯网络模型量化行为序列风险,揭示错误传播机制。该框架首次实现从视觉感知到风险量化的完整分析链条,为铁路安全评估提供新方法。
Kun Wang|Haifeng Bao|Weining Fang
北京交通大学先进铁路自主运行国家重点实验室,中国北京
摘要
列车驾驶员的行为对铁路安全至关重要。现有的车载日志分析方法无法捕捉到“指点和呼叫”等非接触式行为,而基于预定义类别的视觉方法在处理复杂的交互模式和全流程行为序列风险量化评估时缺乏泛化能力。为了解决这些问题,本研究提出了一个从人机交互(HMI)角度出发的统一框架,用于驾驶员行为识别和风险评估。首先,我们通过驾驶模拟实验构建了一个包含“动作-设备”关系的详细列车驾驶员HOI数据集。其次,针对驾驶控制台上显示设备和控制设备密集布局的特点,我们设计了基于图解析神经网络(GPNN)的DriverHOI识别模型。该模型通过融合3D手部姿态和设备几何信息,实现了对驾驶动作和交互对象的联合推理。此外,我们还构建了一个基于贝叶斯网络的风险评估模型,通过建模错误传播机制来量化行为序列风险。实验结果表明,DriverHOI在设备密集分布的复杂交互场景中表现优异,总体准确率为94.0%,动作识别准确率为98.3%,前三设备选择准确率为94.6%。同时,风险评估模型有效验证了典型驾驶场景中的错误传播模式。这一框架实现了从视觉感知到风险量化的系统分析,为列车驾驶员行为风险评估提供了新的技术途径。
引言
作为典型的安全关键系统,轨道交通对运营安全提出了极其严格的要求。尽管近年来轨道交通自动化水平不断提高,但人为因素仍然是运营安全的关键决定因素。根据国际铁路联盟(UIC)发布的数据,全球每年有超过5%的铁路事故与操作员的行为错误有关[1]。这一统计数据表明,即使在高度自动化的铁路系统中,人为操作行为仍然是不可忽视的风险来源。作为列车运行的直接控制者,驾驶员的不安全行为对运营安全构成了严重威胁。因此,识别和评估列车驾驶员的行为至关重要。
尽管在过去几十年中人类可靠性分析(HRA)方法得到了广泛的发展,但其在列车驾驶员行为风险分析中的应用仍然相对有限。目前,关于列车驾驶员行为分析的研究主要集中在特定不安全行为的识别上,缺乏从整个驾驶任务过程角度进行的系统分析和风险量化评估。实际上,定义某种特定行为或特定任务段的安全性往往具有模糊性和挑战性。在核能安全领域,许多研究通过评估实际操作行为与标准操作程序之间的偏差来衡量操作风险。例如,Dai等人[2]使用多层语义建模(MSM)方法对标准行为序列进行了建模,并将其与操作日志中的实际动作序列进行了比较,从而实现了对操作过程中人为表现的检测。类似地,Xiao等人[3]利用贝叶斯网络对核能操作员的标准化行为序列进行了建模,实现了操作过程风险的量化分析。与核能操作类似,列车驾驶任务也具有高度的标准化和程序化特点,驾驶员需要严格执行相关的标准操作程序(SOP)。因此,本研究将这种基于操作偏差的风险分析方法应用于列车驾驶领域,以评估与列车驾驶员行为相关的安全风险。
通过基于行为序列的方法实现风险量化关键在于将驾驶任务分解为一系列基本的行为单元;因此,这些单元的精确定义对评估框架的有效性至关重要。一些研究利用列车运行监控设备或车载系统(例如牵引和制动等状态变量)记录的系统日志数据来分析驾驶行为风险[4]、[5]、[6]、[7]。然而,列车驾驶场景涉及许多标准化操作行为——如“指点和呼叫”以及信号确认——这些行为通常不会直接触发列车控制系统的状态变化,因此不会被记录在系统日志中,这给仅依赖系统日志数据的分析方法带来了明显的限制。相比之下,视觉监控数据能够捕捉到驾驶员的全面操作细节。因此,现有研究尝试使用计算机视觉技术来识别和分析驾驶行为。然而,大多数当前的视觉识别方法仅限于识别有限的一组预定义行为(例如站立、行走或特定违规行为)[8]、[9]。这种枚举方法在受限环境中有效,但在面对复杂和动态的驾驶交互场景时泛化能力有限。
人机交互(HOI)识别是计算机视觉领域的一个关键研究方向[10]。与传统的对象检测或动作识别任务不同,HOI的核心在于理解人与环境对象之间的交互关系,将其正式表示为