基于个性化行为模型的驾驶疲劳识别方法

为提高疲劳驾驶状态的识别精度,应考虑驾驶人之间的个体差异。以实车驾驶试验条件下车道保持行为中的车速和车道偏离值为输入,以方向盘转角为输出,基于径向基(RBF)神经网络针对每个驾驶人构建正常驾驶状态下的车道保持行为模型,并根据残差对模型的拟合及预测效果进行评价;将疲劳驾驶状态下的车速和车道偏离值输入到上述驾驶行为模型中,可得到模型预测的方向盘转角值,通过分析预测值与实际方向盘转角之间的差异,研究疲劳对驾驶人行为的影响;将预测残差作为输入,建立基于支持向量机(SVM)的疲劳驾驶状态辨识模型。结果表明:所建立的RBF神经网络-SVM识别模型对不同驾驶人疲劳驾驶状态的平均识别率达85%。     

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。     

驾驶疲劳恢复时间的心电信号分析

适当的休息能有效缓解驾驶疲劳,提高行车安全。为探究科学的驾驶休息时间,开展试验,用MP150多通道生理信号采集仪,采集20名驾驶人4 h模拟驾驶作业后休息时的心电(ECG)信号,分析ECG信号的变化规律。结果表明:在驾驶疲劳恢复期,ECG指标心率(HR)、间期标准差(SDNN)、低高频比值(LF/HF)、样本熵(SampEn)与恢复时间高度线性相关,且性别差异对疲劳恢复期ECG指标有显著影响;驾驶人的心理疲劳恢复时间早于生理疲劳恢复时间;驾驶人主观恢复时间相对于客观疲劳恢复时间有提前现象;建议连续驾驶4 h后男性驾驶人休息时间不少于24 min,女性驾驶人休息时间不少于27 min。     

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。     

汽车驾驶愤怒研究进展

为全面认识驾驶人在愤怒情绪影响下的驾驶特征,回顾、分析了国内外学者在驾驶愤怒与攻击性驾驶的关系、驾驶愤怒影响因素、量表开发与应用及驾驶愤怒相关干预措施的实施等4个方面的研究成果。结果表明:驾驶愤怒的诱发受人口学、心理和环境因素的共同影响,驾驶愤怒在某种程度上会导致攻击性驾驶。驾驶愤怒量表(DAS)、驾驶愤怒表达量表(DAX)和驾驶愤怒倾向量表(PADS)被广泛用于驾驶愤怒的测量,用多种心理训练对驾驶人进行愤怒干预,尽管有一定的效果,但干预对象和方法均较为单一。总体上,众多学者使用相关问卷研究了驾驶人从愤怒情绪的诱发到表达的整个过程,并通过驾驶愤怒预测风险驾驶行为特征,研究内容不断丰富和完善,方法不断创新;对于如何有效减少或避免驾驶愤怒对交通安全的影响,未来应从驾驶人文化背景、交通模式、结合生理和心理特性的干预方法等方面重点考虑。     

基于Kohonen-SVM模型的驾驶行为险态动态辨识

对驾驶行为的危险状态进行动态辨识并提前预警是防止交通事故发生的重要手段。提出一种基于Kohonen神经网络和支持向量机(SVM)的驾驶行为险态动态辨识方法。基于国内外相关研究,选取油门、方向盘转角、刹车、离合、X轴速度、Y轴速度、X轴加速度、Y轴加速度、发动机转速作为驾驶行为状态指标。应用Kohonen神经网络对9个指标组成的向量进行非监督聚类。用聚类结果组成的时间序列表示驾驶员行为指标的动态变化特征并以此作为输入,通过训练SVM实现驾驶行为险态辨识,解决了高维指标数据监督聚类困难和险态识别的静态性问题。最后,采用驾驶模拟器进行试验设计,对方法的有效性进行验证。以8个危险场景作为诱发驾驶行为险态出现的刺激,10个被试共产生8 400组识别序列,选取600组标识为险态的时间序列进行验证。结果表明:该模型的驾驶行为险态识别正确率为82.22%。不同被试的正确率差异控制在6%以下,表明此模型具备一定的泛化能力。     

认知分心时驾驶人应激反应特征分析

为预防由认知分心影响驾驶人应激反应能力引发的交通事故,开展试验,在驾驶模拟器平台上模拟城市、乡镇、山区和高速公路等应激场景,测试有无分心任务2种条件下驾驶人的应激反应,采集驾驶人操作数据和车辆行驶数据,并利用Facelab5型眼动仪记录驾驶人眼动数据;选取相关表征指标并分析试验数据。结果表明:相比于正常驾驶,认知分心驾驶导致驾驶人视觉搜索范围变窄;无论正常驾驶还是认知分心驾驶,扫视行为均以中、低幅度为主;认知分心导致驾驶人对加速踏板的控制能力减弱;与正常驾驶相比,认知分心时驾驶人的应激反应时间明显增加。     

面向驾驶员心电数据的交叉口驾驶风险评估方法

为更精准地评估交叉口范围内的驾驶风险,首先,引入驾驶员心电(EGG)数据,提出基于余弦相似性距离的逼近理想解排序(TOPSIS)模型;其次,建立滚动时间窗法,并改进传统的短期频域指标计算方法,计算模型中低频(LF)变化率指标和低频与高频之比(LF/HF)等心率变异性(HRV)指标,模型时域指标有心脏搏动周期(R-R间期)变化率和其标准差(SDNN);然后,根据心电频域和时域指标与静息状态下对应指标的接近程度进行综合排序,按照越接近驾驶风险越小的原则,评估交叉口区域的驾驶风险;最后,选择30名驾驶员,在西安市23个交叉口开展实车试验,采集试验数据并验证模型方法。结果表明：驾驶员在相同交叉口环境下的驾驶风险评估结果相似性超90.1%,所提方法可应用稀疏样本评估交叉口的整体驾驶风险;高驾驶风险的交叉口评估方差较中、低驾驶风险路口分别高38.8%和67.9%,表明低风险交叉口区域驾驶风险的评估更精准。     

低能见度环境中驾驶人危险驾驶行为影响因素分析

为深入研究低能见度下影响驾驶人发生危险驾驶行为的因素,提高道路交通安全性,自编低能见度环境中危险驾驶行为问卷和驾驶能力问卷,用其对314名驾驶人进行调查。采用Pearson相关系数法和结构方程模型(SEM)建模方法,研究低能见度环境中危险驾驶行为与驾驶能力描述性变量间的关系。结果表明,低能见度环境中,驾驶人危险驾驶行为可分为错误行为和失误行为;性别与错误行为显著相关,且对错误行为影响最大的因素是危险感知能力,其次是低能见度事故,驾龄影响最弱;错误行为正向影响失误行为,且危险感知能力对失误行为有间接影响。     

草原公路驾驶人腰部疲劳恢复的表面肌电分析

为研究草原公路驾驶人腰部肌肉疲劳恢复特性,在草原公路模拟驾驶环境开展腰部疲劳恢复试验。利用MP150多通道生理测试仪采集驾驶人试验前、驾驶结束时和疲劳恢复阶段的腰部肌电信号,并应用配对样本t检验和独立样本t检验进行统计分析,探讨草原公路驾驶人腰部肌肉疲劳恢复特征。结果表明:在驾驶疲劳恢复期,时域指标平均振幅值(AEMG)、积分肌电值(IEMG)和均方根值(RMS)随恢复时间而增大,频域指标中位频率值(MF)和平均功率频率值(MPF)则随之减小;各指标在疲劳恢复初期恢复较快,当驾驶人疲劳恢复程度达到80%左右时,其在之后同等时间段内肌电各指标的恢复能力趋于平缓;2 h组腰部竖脊肌的表面肌电(sEMG)指标在恢复期第18 min与静测无显著差异,4 h组在恢复期第27 min与静测无显著差异。     

Near-crash事件中驾驶人行为特征分析

为研究不同驾驶人在追尾事故中的驾驶行为特征,用Near-crash事件代替真实碰撞事件,选取一段城市快速道路开展实车试验。首先测试21名驾驶人实驾时的最大减速度、制动至最大减速度时间、平均减速度、碰撞时间倒数(TTCi)4个指标;然后用Mobileye等设备提取数据,得到不同性别、驾驶经验、驾驶风格的驾驶人指标因素;最后对数据进行方差分析。结果表明:Near-crash事件中,女性驾驶人平均减速度、最大减速度大于男性驾驶人,女性驾驶人更倾向于急刹车;经验影响驾驶人的平均减速度、最大减速度;熟练驾驶人制动到最大减速度时间长,制动过程更加平稳;激进型驾驶风格的驾驶人车头时距(THW)小于保守型驾驶人。     

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。     

注意偏侧化对驾驶视觉搜索的眼动表现证据

为探究驾驶过程中伪忽视注意在不同道路等级条件下视觉搜索偏好的差异,通过实车驾驶的试验方法,记录15名驾驶人分别在3种真实道路环境(高速公路、快速公路、二级公路)驾驶过程的眼动数据(兴趣区、注视时长、注视点、瞳孔大小),以便发现驾驶人空间注意的视觉眼动搜索模式。结果表明：驾驶人首先表现出轻微偏左的不对称空间注意的特点,随着道路条件的复杂程度提高(从高速公路、快速公路到二级公路),驾驶人认知负荷提高,驾驶空间注意的眼动搜索呈现出趋中到趋右的安全搜索模式倾向。     

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%。     

驾驶人认知分心识别随机森林模型研究

为识别驾驶人认知分心状态,招募13名驾驶人参与驾驶模拟器试验。通过眼动仪采集被试正常驾驶及认知分心状态下的眼动数据,提取5 s时间窗口内的眼动特征。运用随机森林方法构建认知分心识别模型,应用网格搜索确定最优模型参数,并采用100次留出法评估模型性能。根据随机森林模型特征重要性度量结果,进一步分析认知负荷对驾驶人注视及眨眼持续时间的影响。结果表明:当决策树数量为125、最大特征数为5时,模型识别平均准确率为83.69%;注视持续时间及噪声持续时间是认知分心识别的2个关键特征,随着认知负荷的提高,驾驶人注视持续时间减少、眨眼时间增加。     

基于知识图谱的驾驶愤怒研究现状及热点可视化分析

为统计分析近年来国内外驾驶愤怒研究现状与热点，选取Web of Science(WOS)数据库1 190篇相关论文以及中国知网(CNKI)数据库230篇相关论文作为数据源，借助文献计量学软件VoSviewer与CiteSpace生成知识图谱，并从载文量分布、作者与机构合作、发表期刊、关键词聚类与突现等方面，系统分析驾驶愤怒领域内的研究现状、热点与趋势等。结果表明：相关文献载文量不断上升，国内外学术界对驾驶愤怒领域关注度越来越高；国际驾驶愤怒领域的跨单位合作比国内更为广泛；驾驶愤怒相关量表、驾驶愤怒影响因素、愤怒与危险/攻击性驾驶行为关系、驾驶愤怒识别、驾驶愤怒干预为目前驾驶愤怒领域5大研究热点；愤怒状态下的驾驶绩效、驾驶愤怒检测系统以及基于交通工程视角的驾驶愤怒管控等方面是未来的研究趋势。     

农村公路复杂环境中新老驾驶人视觉特性研究

为研究新老驾驶人在农村公路复杂环境中的视觉特性,采用眼动仪测量若干被试人员在实际驾驶过程中的视觉生理指标,运用统计学和数据挖掘方法分析新老驾驶人的瞳孔直径、注视特性、扫视特性和追随眼动特性,进而辨析新老驾驶人的驾驶行为特性差异。结果表明,在农村公路复杂道路环境中,新老驾驶人的视觉特性和驾驶行为具有明显差异。新驾驶人的瞳孔直径变化剧烈,表现出长时间注视和注视反馈特性;老驾驶人具有较多短时间注视特性,注视前瞻性和反馈特性都很明显,并且具有追随眼动特性。     

基于非集计理论的驾驶适宜性度量模型

为量化驾驶人的驾驶适宜性,丰富对其的检测理论和方法,应用非集计理论中的多项分对数(MNL)模型构建驾驶适宜性度量模型。模型以驾驶人一定时间内事故发生次数作为选择肢,以个人固有属性、生理心理属性14项指标作为影响因素,并根据200份实际调查数据标定各影响因素参数。另外,选取60份数据验证该模型。结果显示:14项指标参数检验值均小于1.96,各参数统计学意义显著;模型判定系数为0.364 748,表明模型拟合程度较高;且该模型计算值与统计值最大绝对误差仅为3.3%,表明模型精度较高,可用于预测驾驶适宜性。     

生理因素对驾驶人行为及风险感知影响研究综述

为全面认识驾驶人行为及风险感知并分析行为成因,从驾驶人生理因素着手,从驾驶人视力、阻塞性睡眠呼吸暂停综合征和肌肉骨骼疾患3个方面梳理国内外驾驶人行为及风险感知的研究成果与研究不足。研究结果表明:驾驶人的生理疾病对其驾驶能力和危险感知存在显著影响;生理疾病严重程度与异常驾驶行为中的一般性失误、危险性失误行为之间具有显著正相关关系,疾病严重程度越高,出行失误行为的频率越高;之后可从理论和实验两方面着手,针对驾驶人的不同属性进行研究。     

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。