基于区域拓扑集的驾驶员行为监测故障检测方法

《Control Engineering Practice》：Zonotopic set-based fault detection for driver behavior monitoring

　　M. Boudaoud|V. Puig|C. Sentouh|M. E·El Najjar|C. Cappelle
LAMIH UMR CNRS 8201，法国上法兰西理工大学，瓦朗谢讷

**摘要**
本文提出了一种稳健的被动故障检测框架，用于监测驾驶员的异常行为，从而提升车辆安全性。在实际驾驶条件下，驾驶员的异常操作被建模为故障检测问题，该框架基于集合估计方法，能够有效处理参数不确定性以及已知但有限的噪声。驾驶员行为通过嵌入在线性参数变结构模型中的参数化视觉与神经肌肉模型来描述。本文的主要贡献在于提出了一种区域拓扑递归最小二乘估计器，用于在存在约束不确定性情况下对状态与参数进行联合估计。该方法通过区域拓扑扩展处理参数的有限变化，同时支持直接一致性检验和逆向一致性检验，并给出了分析性的最小可检测故障界限，以评估最坏条件下的检测能力。在SHERPA动态车辆模拟器中进行的实际驾驶场景实验表明，该框架能够准确估计并可靠检测驾驶员的异常操作，验证了其在驾驶员监控方面的有效性。

**引言**
在自动驾驶领域，高级驾驶辅助系统中的驾驶员与自动化系统之间的协作机制受到了学术界和工业界的广泛关注。诸如车道保持系统之类的ADAS技术能够主动协助驾驶员完成驾驶任务（Boudaoud, Sentouh, Cappelle, El Najjar, Popieul, 2025a; Boudaoud, Sentouh, Cappelle, El Najjar, Popieul, 2025b）。然而，在驾驶员行为出现异常时，确保驾驶员与自动化系统之间交互的可靠性与容错性仍是一项重大挑战。目前仅有少数研究明确探讨了驾驶员转向错误对整车稳定性的影响。人类的错误行为，如错误的转向操作、对道路状况变化的反应迟缓、长时间驾驶导致的疲劳，甚至是意识丧失，都可能严重威胁车辆的稳定性与安全性。因此，故障检测在提升驾驶员与自动化系统协作的安全性与可靠性方面起着关键作用，它能够及早识别出异常或危险的驾驶员行为。现有文献中已出现了多种故障检测技术，并成功应用于不同类型的系统中。基于模型的故障检测技术因其能够清晰表达系统动态特性，即使在数据有限的情况下也能实现早期且可解释的故障诊断，因而备受重视。在过去四十年间，为描述驾驶员行为，研究人员提出了多种基于不同方法的驾驶员模型。与非参数化模型相比，后者往往缺乏透明度，不太适合用于设计基于驾驶员的ADAS控制器；而基于参数化的传递函数驱动模型则具有更清晰的物理意义和更便于实际应用的优点。这类模型包括准线性模型（Weir和McRuer，1973）、控制理论模型（Hess和Modjtahedzadeh，2002）以及两点视觉驾驶员模型（Sentouh等人，2009）。这些模型尤其适用于控制设计任务，因为它们实现相对简单，其参数对应于可测量的物理量，而这些物理量又与有意义的性能指标相关联。其中，两点视觉驾驶员模型被认为在模型精度与辨识可行性之间取得了良好平衡（Steen等人，2011）。对于基于模型的故障检测技术，该方法依赖于一致性检验，即验证实际观测到的系统行为是否仍处于无故障模型所预测的范围内。已有研究表明，可通过驾驶员建模来检测异常的转向行为。例如，Huang等人（2019）提出了一种在驾驶员行为异常时的协同驾驶策略，利用无故障条件下的前轮预测角度作为参考，识别异常的转向输入。Medero等人（2022）开发了一种基于LPV结构的PI观测器来评估驾驶员性能。类似地，Medero等人（2021）采用奇偶空间方法，在假设驾驶员模型为线性时不变系统的前提下，检测转向误差。Bhattacharyya等人（2020）则利用粒子滤波技术，对随机智能驾驶员模型中的固定参数进行在线估计。然而，驾驶员行为存在显著的个体差异（Zhao等人，2020）。此外，所建立的模型总会受到建模不确定性、未知噪声以及干扰的影响，从而导致实际过程与估计过程之间存在偏差（Arezki等人，2026）。因此，为了防止误报，并确保故障检测系统即便在模型与现实存在差异、驾驶员行为具有随机性的情况下仍能仅对真实故障作出响应，鲁棒性至关重要。基于集合的方法为稳健的被动故障检测提供了一种有前景的确定性框架。它们将不确定性视为在给定范数范围内的未知但有限值，并已被成功应用于参数估计（Bravo, Alamo, Camacho, 2006; Samada, Puig, Nejjari, 2023）以及基于集合的状态估计（Alamo等人，2005）。这类方法的主要优势在于能够为估计误差提供有保证的界限，从而无需依赖概率假设即可做出严谨的故障检测决策。基于集合的一致性检验可以分析两种类型的故障：影响系统输入输出变量的加性故障，以及影响模型参数的乘性故障。为区分这两种故障类型，通常采用两种互补的策略：在输出空间进行直接检验，在参数空间进行逆向检验（Blesa等人，2011）。根据Zhang和Puig（2021）的研究，直接检验适用于检测加性故障，但对于乘性故障效果较差；而逆向检验则更适于识别乘性故障。

基于此，本文针对使用LPV驾驶员模型进行驾驶员行为监测的稳健故障检测问题展开研究。所提出的方法能够充分考虑驾驶员行为中实时出现的、无法直接测量的变化，包括补偿性动作、预期性动作与神经肌肉动作，以及肌肉刚度的变化。本文采用区域拓扑集合表示法，来捕捉由测量噪声、外部干扰以及建模误差引起的有限不确定性。在该框架下，本文开发了一种区域拓扑递归最小二乘估计器，并通过考虑随时间变化的驾驶员参数与模型误差，使其专门用于故障检测。本文的主要贡献如下：
•与Samada等人（2023）的方法不同，所提出的ZRLS估计器不仅能够处理参数恒定的系统，还能处理样本间存在有限变化且无法直接测量的参数。因此，该故障检测算法通过区域拓扑扩展来实现对参数变化的条件性更新。
•所提出的方法将输出空间的直接一致性检验与参数空间的逆向一致性检验相结合。这种统一的检验策略能够有效检测与驾驶员异常行为相关的加性故障与乘性故障，而这一方面在近期基于区域拓扑RLS的故障检测研究中并未得到明确处理（Samada等人，2022）。
•与现有的驾驶员故障检测方法不同，后者大多专注于预定义的异常事件的车道偏离检测，或假设驾驶员模型是固定的（Huang等人，2019），而本文提出的方法则明确纳入了由人类补偿性动作、预期性动作及神经肌肉动作所引发的驾驶员误差。通过将这些行为建模为LPV框架下的时变参数，该方法能够在驾驶员行为存在真实且无法直接测量的变化情况下实现稳健的故障检测。

需要指出的是，将区域拓扑参数估计用于驾驶员故障检测仍是一个发展相对不足的领域。本文通过SHERPA动态驾驶模拟器进行了实验验证，证明了所提方法在真实驾驶场景下监测驾驶员性能的有效性。本文的结构如下：第2节介绍驾驶员模型及其用于参数估计的简化形式；第3节阐述故障检测问题并介绍区域拓扑回归框架；第4节详细说明所提出的ZRLS估计方法；第5节描述故障检测算法以及在输出空间和参数空间中进行的一致性检验；第6节展示使用SHERPA动态驾驶模拟器进行的实验验证结果；最后，第7节对全文进行总结并探讨未来研究方向。

**驾驶员模型**
Sentouh等人（2009）首次提出了一个能够描述驾驶员与车辆之间相互作用的驾驶员模型，随后Oudainia等人（2022）对该模型进行了进一步研究。该模型的结构如图1所示，结合了视觉动态与神经肌肉动态，从而为闭环驾驶员-车辆系统中的人类驾驶员提供了全面的表征。

**区域拓扑概述**
**定义1（Combastel，2003）**：区域拓扑Z:〈c,R〉?Rm由其中心c∈Rm和生成矩阵R∈Rm×p定义。它代表一种特定的多面体类型，即单位超立方体[?1,1]p?Rp经过仿射变换得到的结构，具体表示为Z={c+R?:∥?∥∞≤1}。
**定义2（Combastel，2003）**：中心化区域拓扑定义为Z0=〈0,R〉?Rm，只要对R的列进行任意排列，该区域拓扑保持不变。
**定义3（Kühn，1998）**：给定区域拓扑Z:〈c,R〉?Rm的区间壳Iz(R)?Rm×m是指最小的对齐矩形，使得Z?〈c,Iz(R)〉。

**参数估计器结构**
预测型递归估计器可定义为：
θ^k+1=θ^k+Lk(yk??kθ^k?vk)+wk=(In?Lk?k)θ^k+Lkyk?Lkvk+wk，
其中Lk是与估计误差(yk??kθ^k?vk)成比例的估计器增益向量。以下命题给出了一种新的区域拓扑参数估计器。
**命题1**：对于确定性系统（6），区域拓扑参数估计器可通过递归方式表示为θ^k+1∈〈ck+1,Rk+1〉，具体形式为：
ck+1=(In?Lk?k)ck+Lkyk，
Rk+1=[(In?Lk?k)Rk,?Lkσ,λ]。
**证明**：假设θ^k∈〈ck,Rk〉，wk?∈??0, λ?，vk?∈??0, σ?，则……

**故障检测算法**
故障检测方法的核心思想是将从驾驶员模型得到的估计驾驶员行为与传感器测量的实际行为进行比较。在本节中，分别实现了输出空间的直接检验与参数空间的逆向检验，以此更有效地识别加性故障与乘性故障。考虑到系统输出（6）以及故障带来的影响，可得：
yk=?kθk+fky+vkθk+1=θk+fkθ+wk，
其中fky和fkθ分别代表传感器故障信号。

**实验结果**
本节在真实的驾驶条件下，使用SHERPA-LAMIH道路车辆动力学模拟器在Satoty测试轨道上进行实验验证，该测试轨道的车道宽度为3.5米，如图4所示。实验中采用了公式（6）给出的驾驶员回归模型。我们考虑测量值vk中存在的加性噪声，且满足|vk|?
**结论与展望**
本文提出了一种基于稳健区域拓扑RLS的驾驶员行为监测故障检测框架。该框架采用线性参数变结构模型对驾驶员行为进行建模，从而使该方法能够处理随时间变化且无法直接测量的人类行为参数，包括补偿性动作、预期性动作及神经肌肉动作。所提出的方法基于集合估计，并整合了直接与逆向一致性检验，因此能够检测加性故障与……

**CRediT作者贡献声明**
M. Boudaoud：撰写——原始草稿、验证、软件、资源、方法论、研究工作。
V. Puig：撰写——审阅与编辑、可视化、监督。
C. Sentouh：撰写——审阅与编辑、可视化、监督。
M. E·El Najjar：撰写——审阅与编辑、可视化、监督。
C. Cappelle：撰写——审阅与编辑、可视化、监督。

**利益冲突声明**
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。