基于换道行为的驾驶分心识别方法

为预防驾驶分心导致的交通事故,利用径向基函数(RBF)神经网络模型,研究驾驶分心识别方法。通过驾驶模拟试验,分析驾驶人分别在正常驾驶、手持接听电话和免提接听电话等3种状态下执行车辆换道操作时的驾驶行为,构建基于最小正交二乘法(OLS)的RBF神经网络驾驶分心识别模型,用于判定驾驶人是否处于分心状态。研究表明:驾驶分心对换道过程中车辆的纵向速度、横向速度、横向加速度、方向盘转角、方向盘转速和油门开度等6项驾驶绩效参数有显著影响,所构建模型的平均识别正确率达到88. 7%,可准确识别驾驶人的分心状态,为分心事故预防提供理论支撑。     

基于多通道信息融合的疲劳驾驶行为分析研究

为了克服单一通道信息在驾驶疲劳行为判定中的局限性,提出了综合运用多通道信息融合共同判定驾驶疲劳行为的方法。该方法在充分考虑各信息源相关性和互补性的基础上,优化采用驾驶人疲劳特征ECD、车道偏离程度SAAE、方向盘转动程度SWA等疲劳判别指标,运用MVAR进行多维特征向量提取,以有向无环支持向量机为融合算法,建立了基于多分类支持向量机的驾驶疲劳行为判定模型。结果表明,运用DAG-SVM进行多通道信息决策提高了疲劳驾驶行为检测的准确性和可靠性。     

公路小半径曲线路段驾驶人焦虑水平模型

为提高双车道公路小半径曲线路段(SCCR)的交通安全监测水平，利用量表测试与驾驶模拟试验，实现驾驶人弯道焦虑水平的量化评测，定量刻画驾驶人弯道焦虑水平与行车安全特征量之间的关系；通过统计分析焦虑驾驶行为，运用Spearman分析法，筛选影响焦虑水平的关键行车安全特征量；综合道路线形条件、驾驶人个体特征和驾驶操作行为特性等行车安全特征因子，采用径向基神经网络(RBFNN)建立多因素驾驶人焦虑水平预测模型。结果表明：弯道焦虑水平与驾龄、年龄呈显著负相关，与车速、侧向偏移量、转角变异系数以及曲线半径之间存在着较为显著的负相关性(显著性概率p值<0.01);通过验证，基于RBFNN的驾驶人焦虑水平预测模型判别精度可达73.7%;转角变异系数、年龄、驾龄是影响驾驶人焦虑水平的重要因素，其重要度依次为100%、93.3%、90.7%。研究结果可为双车道公路SCCR驾驶焦虑水平监测、交通安全维护等方面提供理论支撑。     

驾驶人视觉注意力需求与驾驶行为特性的关系

采用驾驶模拟系统平台,以不同车道类型及不同交通流状态(自由流/稳定流/不稳定流/强制流)为虚拟试验场,应用心理试验设计方法,测试得到21名被试在不同交通流状态下的视觉注意力需求及驾驶行为。对5种车道类型及4种交通流状态下被试驾驶时的视觉注意力需求特性和驾驶行为特性数据进行分析,得到不同车道不同交通流状态下的视觉注意力需求变化情况。利用多元回归方法分析了不同交通流状态下驾驶人视觉注意力需求与驾驶行为之间的关系,并构建了基于驾驶行为特性的驾驶人视觉注意力需求预测模型。结果表明,驾驶人视觉注意力需求与制动次数、油门踏板位移和车辆轨迹偏差之间存在相关关系。     

基于驾驶操作行为的驾驶员疲劳状态识别模型研究

以驾驶疲劳状态监测为研究对象,介绍现有几种疲劳检测方法及其优缺点,提出把驾驶行为操作和驾驶员生理指标相结合建立疲劳识别模型的思想。通过大量模拟器驾驶实验,建立驾驶操作和驾驶员生理指标之间的关系模型,并运用最小二乘法对数学模型进行了参数识别。利用驾驶员生理指标能较好判别驾驶员状态特性的特点,找出驾驶操作行为和驾驶状态之间的关系。研究结果有助于建立驾驶操作行为和驾驶员疲劳状态之间的关系模型。     

驾驶人疲劳监测预警技术研究与应用综述

基于各种物理传感器的疲劳驾驶监测预警技术(DFMP),是交通安全领域的研究重点。这类技术主要包括基于驾驶人生理特征、车辆运行状态以及驾驶人行为特征的疲劳监测。分析论述各种疲劳监测技术的研究现状与进展、优缺点以及应用状况,介绍目前世界上常用的疲劳监测系统。通过分析比较得出:车道偏离监测、车辆运动参数监测、基于人眼、头部运动以及面部状态的疲劳监测等是目前的热点研究方向;系统软硬件的提升、基于机器视觉的多传感器多参数信息融合等是疲劳监测技术重要的发展趋势;更强的实时性、准确性和鲁棒性是疲劳监测技术的发展目标。     

因子分析与多层神经网络组合的酒驾辨识模型研究

为准确辨识驾驶员酒驾行为以及酒驾状态水平,提高酒驾治理效率,通过人因工程试验和驾驶模拟试验,采集并预处理驾驶员在正常、饮酒、醉酒3种驾驶状态下的驾驶行为数据(包括驾驶员的人、车、环境数据);对原始参数进行因子分析,提取特征参数并将其作为多层神经网络的输入向量,训练多层神经网络,建立基于因子分析和多层神经网络的酒驾行为辨识模型;选取75组测试样本数据输入模型,将模型的输出结果与实际情况比较,验证模型的有效性。研究表明:该模型的训练时间为0.905 s,最优验证均方误差(MSE)为0.034,识别准确率达92.41%,用该模型能较为快速、准确地识别酒后驾驶行为。     

面向驾驶行为预警的换道意图辨识模型研究

为更准确地对驾驶行为进行预警,进一步提高驾驶人换道意图的辨识准确率,借助驾驶模拟器采集数据,建立基于支持向量机(SVM)理论的换道意图辨识模型。对比分析不同人-车-路系统参数组合在换道意图和车道保持期间的差异性,选取最佳特征参数组合,运用网格和遗传算法-支持向量机(GA-SVM)寻优方法优化模型参数,并对优化模型进行验证。结果表明,以纵向加速度、方向盘转角、车辆偏离车道中心线的距离、驾驶人头部运动横坐标变化值作为表征换道意图的人-车-路系统特征参数,优化模型惩罚参数c为58.642 3、核函数参数g为222.732 6时,该模型对驾驶人换道意图的辨识准确率为90%,误警率为5%,基本实现准确辨识换道意图。     

情绪对驾驶行为影响研究

不良情绪是引发交通事故的因素之一。为预防由驾驶员情绪引发的交通事故,利用3层因果分解(驾驶员神经兴奋—驾驶员原始反应—车辆状态)深入分析情绪对驾驶行为的影响。设计并完成模拟驾驶试验,采集驾驶员高兴、悲伤、愤怒和恐惧4种情绪状态下的心电信号和行车数据;采用基线信号消除方法,分析驾驶员心跳间期、转向角和最大车道偏离在不同情绪下的变化值。结果表明:驾驶员在所有情绪状态下都有明显的交感神经兴奋并伴随着转向角度值增加。在高兴和愤怒情绪状态下,会产生更明显的车道偏离,驾驶员趋向更危险的驾驶行为;在悲伤和恐惧情绪状态下,产生较小范围的车道偏离,驾驶员趋向相对安全的驾驶行为。     

人机共驾环境下驾驶疲劳研究综述

为减少自动驾驶过程中驾驶疲劳对驾驶人状态的影响，综合分析人机共驾环境下驾驶人的疲劳研究发展现状，系统梳理人机共驾模式下驾驶疲劳的研究成果，探索未来发展方向。首先，通过文献检索与关联性分析，明确人机共驾过程中疲劳累积研究现状；然后，从手动驾驶和人机共驾下的驾驶疲劳致因分析、驾驶时长和非驾驶相关任务对疲劳的影响、人机共驾环境下驾驶疲劳对驾驶行为的影响3个维度，讨论分析研究成果；最后，提出人机共驾环境下驾驶人疲劳研究的不足与发展方向。研究结果表明：人机共驾模式导致驾驶人被动疲劳增加，接管绩效受损，弹性设置非驾驶相关任务与自动驾驶时间可有效缓解被动疲劳；人机共驾过程中驾驶疲劳的演化规律与检测模型尚不明确，结合人机共驾场景特征探索驾驶人疲劳调控策略是未来研究重点。     

驾驶人行为不确定性对车辆轨迹预测的影响分析

针对驾驶行为不确定性影响车辆轨迹预测精度的问题，采用预瞄控制方法和滑模控制方法，分析了不同行驶车速与工况下车辆轨迹预测误差。结果表明：预瞄控制方法和滑模控制方法能够有效处理驾驶人超车、避障和转向行为的外部干扰，将轨迹预测误差控制在0.5 m以内，但高速工况下的轨迹误差明显大于低速工况下的轨迹误差；在小曲率转向工况下，基于单点预瞄驾驶人视觉轨迹预测误差小于基于双点预瞄驾驶人视觉轨迹预测误；在大曲率转向工况下，基于单点预瞄驾驶人视觉轨迹预测误差大于基于双点预瞄驾驶人视觉轨迹预测误。研究结果为驾驶人视觉轨迹预测策略的制定及车辆不同行驶工况下驾驶人行为不确定性的处理提供了理论依据。     

倒计时信号交叉口赶绿灯行为建模与分析

为探究绿灯信号倒计时末尾时间对驾驶入通过交叉口行为的影响规律,在其交叉口进口道不同地点,用雷达测速仪采集不同末尾时间车辆通过的速度数据。基于地点、时间、速度这3类数据,分析驾驶人的赶绿灯行为。采用SPSS软件分类处理数据,并建立赶绿灯行为模型,得到赶绿灯行为的影响因素与规律。结果表明:当绿灯倒计时剩余时间越短而车辆距停车线越远时,车速呈集中分布,并且驾驶人对车速的期望值与当前车速值的比值越大,驾驶人越倾向于采取激进型赶绿灯行为。当绿灯倒计时剩余时间越长而车辆距停车线越近时,车速呈离散型分布,且分布区间大,驾驶人多采取保守型赶绿灯行为。     

危险货物运输驾驶人风险倾向分类及识别模型研究

为合理评估危险货物运输驾驶人驾驶过程中的风险倾向,建立危险货物运输驾驶人风险倾向聚类及辨识体系,以动态监控系统中记录的驾驶人实时违规预警数据为基础,选取可能引发交通冲突的安全关键事件为特征参数,利用探索性因子分析方法实现指标降维,提取驾驶人风险倾向主因子,并通过K-means算法聚类不同风险倾向的驾驶人,最后基于聚类结果监督训练随机森林模型,辨识未知驾驶人的风险倾向。结果表明,利用选取的8类安全关键事件特征参数,可以将驾驶人风险倾向划分为攻击驾驶倾向、鲁莽驾驶倾向、驾驶分神倾向和驾驶疲劳倾向,且可以识别风险较低的驾驶人,基于随机森林模型的驾驶人风险倾向识别准确率为88.68%,可以较好地实现危险货物运输驾驶人风险倾向辨识。研究结果为危险货物运输驾驶人风险倾向分类及识别提供了方法依据。     

基于SEM的双车道公路超车行为安全评价

为提高驾驶人在双车道公路上超车的安全性,基于tau理论适应性分析,提出超车过程中驾驶人不仅根据tau线索估计避碰时间,也利用距离、速度、加速度等判断超车是否安全的试验假设。招募12名受试者,应用驾驶模拟系统试验平台,依据试验假设采集12个与超车行为有关的驾驶行为数据,对其进行无量纲化处理,并利用Bootstrap法对数据进行扩增。结合驾驶行为问卷得分,利用AMOS软件,建立超车行为安全评价的结构方程模型。通过对初始假设模型进行多次修正与评价,得到影响超车行为安全的3个驾驶行为参数。结果表明,超车车辆在超车并道后的速度、与前导车之间的避碰时间及与对向车辆之间的避碰时间这3个驾驶行为参数可作为超车行为安全评价的有效指标。     

行车紧急情况处理

汽车司机在驾驶途中可能会遇到各种紧急情况,因而也必需学会处置。 迫不得已偏离行车路线:你驾车靠右行驶,突然一辆车子迎面开来,侵占了你的车道,迫使你不得已向右偏出车道。此时,要注意不要猛刹车,也不要试图马上回到车道上来。你必需停止加油,握紧方向盘,控制好汽车,然后稍稍向左打方向,同时要轻轻地点几下刹车。在车速减慢或停止后,再小心地把车开上原来的车道。     

基于多生理信号融合的疲劳驾驶检测研究

为减少交通事故，保障道路交通安全，提出一种能更加有效地检测驾驶人驾驶状态的方法。通过对疲劳状态进行等级划分，利用脉搏波信号(Photoplethysmographic signal, PPG)以及皮肤电反应信号(Galvanic Skin Response, GSR),实现多种生理信号融合，进而构建驾驶人的驾驶疲劳状态数据库。根据采集数据结合主观评测分析驾驶人状态变化规律，选取有效指标进行分析比较，以探究各个指标与疲劳程度的变化趋势。依据状态变化规律和特征，结合主观评测，分析驾驶人的疲劳状态。同时，设定疲劳状态等级，分为清醒、轻度疲劳和重度疲劳状态，构建隐马尔可夫(Hidden Markov Model, HMM)驾驶疲劳水平分级的疲劳评估模型。测试结果显示：训练后的HMM疲劳检测模型准确率为90%。     

汽车驾驶愤怒情绪研究现状与展望

系统分析愤怒驾驶的研究方法和研究难点,从汽车驾驶人愤怒情绪产生的情景、汽车驾驶人愤怒时的表现或行为、汽车驾驶人愤怒情绪对交通安全的影响、汽车驾驶人愤怒情绪识别4个方面介绍汽车驾驶人愤怒驾驶的研究进展,以及国外汽车驾驶人愤怒驾驶研究的方法和工具。提出研究汽车驾驶人愤怒情绪应该重点关注样本的选择和研究方法的突破,并对发展趋势进行了展望:准确识别汽车驾驶人开车中的愤怒情绪,预测愤怒下的驾驶人开车可能产生的不安全行为,如何有效地管理愤怒驾驶,消除驾驶人在行车中的愤怒情绪,避免或降低愤怒驾驶对交通安全的影响。     

长时间单调模拟驾驶对疲劳的影响研究

通过模拟驾驶实验,综合评估长时间驾驶以及单调环境对驾驶员疲劳程度的影响是笔者研究的主要课题内容。借助于在模拟驾驶座舱上,4个健康样本分别参加高速公路(单调环境)和一般公路(非单调环境)的两组驾驶仿真实验,每组测试均持续两小时,一共进行10次实验。实验过程中,样本的操控数据(车速和方向盘转角)、反应时间、心电信号、主观疲劳状况等都同步记录并保存。实验结果表明长时间驾驶对操控能力、反应时间、心率、主观疲劳都有显著性影响(p<0.050),单调环境(高速公路)和非单调环境(一般公路)相比,车速方差区别显著,而尽管被试在高速公路的单调环境下驾驶后主观感觉更疲劳一些,但反应时间、心率等因素并没有显著性差异。     

基于卷积神经网络的驾驶人行为识别方法研究

为探究汽车驾驶人非安全驾驶行为的识别问题,在简要分析现有驾驶人行为识别方法的基础上,提出一种基于卷积神经网络(CNN)的驾驶人行为识别方法,分析CNN前向传播与反向传播过程,给出处理驾驶人行为识别问题的CNN网络架构。结果表明:用该方法可识别,其平均识别率达97. 13%,相对于传统提取方向梯度直方图特征(HOG),并用随机森林(RF)分类的算法,该方法的识别率平均提高了3. 62%。     

BP神经网络跟车模型优化

为提高跟车预警系统给出的结果的准确性和可靠性,利用毫米波雷达开展实际驾驶试验,获取驾驶人在跟车过程中的稳定、加速和减速状态表征数据。以自车速度、自车与前车相对速度、自车与前车相对距离等3类参数的不同组合为输入变量,以自车的加减速特性为输出变量,建立BP神经网络模型。用遗传算法(GA)优化该模型。结果表明,单纯的BP神经网络模型预测准确率较低,利用GA优化模型后可有效提高模型的准确率。当输入参数为自车速度、相对距离与相对速度时,模型的有效率达到94.17%。