虚拟驾驶员视觉感知模型研究

视觉是驾驶员获得驾驶信息的主要通道,虚拟驾驶员的视觉感知模型是驾驶行为建模与仿真的重要内容,直接影响驾驶行为仿真的逼真度。介绍了四种视觉感知建模方法,根据视觉感知系统的反馈性和选择性,建立了视觉感知模型。在模型中,将视觉感知分为感觉和知觉两个过程,并引入了注意力、记忆力、驾驶疲劳和驾驶经验等因素,对每个因素进行分析。通过对虚拟驾驶员视觉感知模型的仿真实验,验证了该模型的可靠性和有效性,为驾驶行为研究提供了基础。     

一种基于Gabor小波的驾驶员眼部状态识别方法的研究

近年来，由于驾驶员疲劳驾驶导致的交通事故逐年递增，所以有必要规范驾驶员的行为．由于驾驶员的疲劳状态可由眼睛状态表达出来，为了对眼睛状态进行有效监测，介绍了一种在车辆上安装CCD监测驾驶员行为的新方法，并介绍了一种采用计算机视觉对驾驶员的眼睛状态进行识别的技术方法．该方法是根据驾驶员在正常驾驶、瞌睡驾驶及疲劳驾驶3种状态下的眼睛张开程度有一定的区别的这一特点，提出的一种利用Gabor小波提取眼角处的纹理走向特征值，并将由所有特征值组成的特征矢量作为三层神经网络的输入，以输出对应3种不同精神状态的眼部状态的识别方法．试验结果表明，该网络可快速有效地识别出驾驶员眼部状态．     

疲劳驾驶多源性智能监测预警方法研究

对疲劳驾驶监测预警方法进行研究,可以避免驾驶员因疲劳驾驶产生的交通事故,减少因疲劳驾驶造成的人员伤亡和经济损失。当前的疲劳驾驶监测预警方法存在监测灵敏度低、可靠性差等问题,不能及时对疲劳驾驶的驾驶员进行报警,来避免交通事故的发生。为此,提出了疲劳驾驶多源性智能监测预警方法,首先将摄像头采集的驾驶员图像进行预处理,通过计算驾驶员图像信息的灰度值,得到驾驶员图像中像素的分布密度,为后续的监测和预警工作提供信息。其次,采用卡尔曼滤波算法对驾驶员的图像信息进行跟踪,得到驾驶员各个时间内的状态估计值,最后,通过计算驾驶员状态估计值判断驾驶员是否存在疲劳状态。实验结果表明,该方法的丢包率低、多源性高、抗干扰能力强、计算效率高。     

提取驾驶员面部特征的疲劳驾驶检测研究综述

疲劳驾驶是威胁驾驶员人身安全以及道路交通安全的主要因素之一。高效精准的疲劳驾驶检测方法可以有效地保障驾驶员及其周围交通安全,维护交通秩序,减少财产损失和人员伤亡。由于基于驾驶员生理特征和基于车辆行驶信息的疲劳驾驶检测方法具有对驾驶员不友好、影响因素较多等局限性,使得基于驾驶员面部特征的疲劳驾驶检测方法成为研究热点。首先简述了疲劳驾驶面部特征表现,总结了疲劳驾驶领域常用公开数据集的优缺点和应用场景;其次使用公开数据集,通过对比实验,分析研究了疲劳驾驶检测领域常用人脸检测算法的优势和不足;随后给出了基于驾驶员面部特征的疲劳驾驶检测方法流程,总结分析了流程中关键步骤所使用的方法和技术;另外归纳整理了疲劳驾驶领域常用的疲劳判别参数和疲劳驾驶结果预测方法;最后对全文进行总结,给出了基于驾驶员面部特征的疲劳驾驶检测方法目前所面临的挑战,并对未来研究进行了展望。     

基于图像识别的嵌入式驾驶员疲劳监测终端设计

疲劳驾驶是导致车辆发生事故的一个主要因素.为了有效防止疲劳驾驶现象的发生,文章研究了一种采用图像识别对驾驶员疲劳状态检测判别的嵌入式监控终端设备.该设备以嵌入式芯片作为核心控制器,利用安装于驾驶台前上方的摄像头采集驾驶员的脸部图像,微处理器采用HOG-SVM算法识别脸部特征,采用灰度积分投影法来实现对图像中眼睛张开定位,使用PERCLOS算法判定人的驾驶状态并实现疲劳状态语音报警提示,同时把驾驶员状态发送到远程管理平台.     

驾驶行为智能分析的研究与发展

越来越多的研究者认识到: 深入地理解驾驶员的驾驶行为将有助于制定更为合理的交通法规和设计更加有效的智能驾驶导航系统, 从而达到减少交通事故提高交通效率的目的. 本文综述了已有的尝试, 较为完整地阐述了目前驾驶行为智能分析研究的四个主要方向: 纵向驾驶行为分析和避撞, 横向驾驶行为分析和道路偏离预警, 复杂驾驶行为学习以及驾驶员状态(疲劳、分心等)分析, 并指出了今后该领域(特别是国内)的可能发展方向.     

基于小波能量熵的司机疲劳驾驶行为响应算法

为实时、准确识别司机疲劳驾驶行为响应状态,保护司机驾驶过程中的人身安全,研究基于小波能量熵的司机疲劳驾驶行为响应算法.通过匹配追踪算法匹配司机驾驶时的方向盘转向信号,基于稀疏分解对司机方向盘转向信号进行去噪处理,获取纯净的司机方向盘转向信号;基于小波能量熵对去噪后的司机方向盘转向信号进行小波多分辨分析,获取信号的小波能量熵值,通过能量熵测度得到方向盘的修正响应行为,识别司机疲劳驾驶行为响应状态.仿真分析得出,在S形、双道路两种道路工况中,所提算法对驾驶熟练度存在差异的司机驾驶行为响应状态识别结果和实际响应状态相符,识别耗时低于0.5s,且有效提升司机方向盘转向信号信噪比.     

虚拟驾驶员决策行为模型研究

驾驶决策行为是驾驶行为研究的重要内容.为提高驾驶决策行为建模与仿真的可信度,提出了基于分层的驾驶员决策行为模型.将驾驶决策分为策略层、方法层、行动层和车辆控制层四个层次.重点对驾驶员行动层的决策行为进行实现.使用两点法和PID方法相结合,计算车辆转向角度,使用反应点跟车模型计算车辆纵向行驶速度.通过驾驶员跟车行为仿真,分析了跟车行为模型的稳定性和逼真性,说明了驾驶员决策行为模型的可信性,使驾驶行为模型的输出更加真实.     

基于人类视觉皮层双通道模型的驾驶员眼动行为识别

驾驶员的危险行为会增加交通事故的发生率,目前对驾驶员行为的研究中大多通过面部识别等方法对异常行为如疲劳驾驶、接电话等进行识别.这种方法仅客观地对驾驶员行为进行分类,而忽略了他们在驾驶过程中的主观心理.眼动仪是记录和分析驾驶员眼动数据的有效工具,可以清晰地了解驾驶员的想法并总结其视觉认知模式.因为目前还没有针对驾驶员眼动...     

基于CAN数据的渣土车驾驶行为分析

摘要：针对渣土车辆管控的要求,着力于分析渣土车驾驶员的驾驶行为,以达到提高渣土车驾驶员的驾驶素质、规范其日常驾驶行为和行车安全意识,减少安全事故发生的目的;通过对渣土车辆的北斗定位数据和CAN数据进行采集与解析后,利用K-means聚类算法对渣土车驾驶员的驾驶倾向性进行识别;然后构建司机驾驶行为评分模型,使用熵权层次分析法来确定每个指标的权重,进而由权重来制定指标分值,最终对渣土车驾驶员进行综合评分,实现对渣土车驾驶员的驾驶行为分析。 关键词：CAN数据;驾驶行为;聚类;北斗定位;评分模型     

虚拟驾驶环境中车辆智能体的驾驶行为模型

建立虚拟交通环境的多智能体结构,分析车辆智能体的驾驶行为分层模型以及感知、决策和操作等过程。采用模糊专家系统建立车辆智能体的驾驶行为模型。为模拟现实中的驾驶员行为特性,加入驾驶员因子,使驾驶模拟器的虚拟交通环境更符合现实。运用OpenGVS产生和显示实时交互的虚拟驾驶场景。结果表明该模型能体现实际驾驶行为的多样性、随机性和模糊性。该模型通用有效,它使驾驶模拟器的虚拟交通场景更真实满意。     

基于深度学习的驾驶员分心行为识别

分心驾驶行为识别是提高驾驶安全的主要方法之一。针对分心驾驶行为识别精度低的问题,本文提出一种基于深度学习的驾驶员分心行为识别算法,由目标检测网络和行为精确识别网络级联构成。基于State Farm公开数据集,第一级利用目标检测算法SSD(Single Shot Multibox Detector)对数据集中的驾驶员原始图像进行局部信息提取,确定行为识别候选区域;第二级分别利用迁移学习VGG19、ResNet50和MobileNetV2模型对候选区域内的行为信息进行精确识别;最后,实验对比级联架构与单模型架构对分心驾驶行为的识别精度。结果表明,提出的级联网络模型相较于主流单模型检测方法,驾驶员行为识别的准确率总体上提升4~7%个百分点。该算法不仅减少噪声和其他背景区域对模型的影响,提高分心行为识别准确率,还可以有效识别更多的行为类别以避免动作的误分类。     

Identification of aggressive driving behavior of online car-hailing drivers based on association classification

With the rapid development of online car-hailing, the related crashes have become a key issue with public concern. Identifying and predicting aggressive driving behaviors is critical to reduce traffic crashes. In this study, we propose a method to recognize aggressive driving behavior based on association classification, with multisource features being employed, including driver emotion, vehicle kinematic characteristics, and road environment. The model performs best in a 10-fold cross-test when the minimum support and minimum confidence are set as 0.01 and 0.8, respectively. Besides, we also compare the performance of aggressive driving behavior recognition classifiers constructed using association classification with other rule-based classification methods, including ID3, C4.5, CART, and Random Forest. The results show that association classification performs better than other classification competitors. Thirty-six if–then rules generated by the association classification are used to analyze the influencing factors and associated mechanisms of aggressive driving behavior. It is found that aggressive driving behavior is highly correlated with driver anger and disgust emotions. Aggressive driving behavior is more likely to occur when no passengers are in the car than the case with passengers. Driver entertainment behavior and passenger interference also affect driving behavior. Moreover, drivers are prone to aggressive driving when making a U-turn. This research not only proposed a new identification method for aggressive driving behavior but also provided a comprehensive understanding of the associated influencing factors which thus benefit the further research and development of safety assistance driving devices.     

一种单片机直接动态驱动段式LCD的新方法

提出了一种单片机直接动态驱动段式LCD的新方法，仅使用二极管和电阻构成的简单串联电路实现了对LCD的背极有效控制。该电路与程序相配合，实现了平均电压控制法，交流驱动信号的产生由背极信号与段极信号的配合形成，且交流驱动信号的直流分量的平均值为零。该单片机直接动态驱动方法具有一般性，适用于电路板装配空间受限或单片机选型受限的电子类产品研发。     

虚拟自主车智能驾驶行为的研究与实现

为了提高驾驶模拟系统的逼真度和可信度,以自主车驾驶行为作为研究对象,在结合宏观与微观信息进行虚拟道路环境建模的基础上,提出一种基于局部信息感知和知识随机决策的概率模拟方法,目的是提升虚拟车的自主智能性和实现驾驶行为的真实随机性。实验与应用结果表明,提出的方法能够较真实地再现车辆的自主驾驶行为,模拟现实中交通车辆环境,并提高了模拟系统的真实性、形象性和实时性。     

融合类人驾驶行为的无人驾驶深度强化学习方法

现有无人车辆的驾驶策略过于依赖感知-控制映射过程的“正确性”,而忽视了人类驾驶汽车 时所遵循的驾驶逻辑。该研究基于深度确定性策略梯度算法,提出了一种具备类人驾驶行为的端到端 无人驾驶控制策略。通过施加规则约束对智能体连续行为的影响,建立了能够输出符合类人驾驶连续 有序行为的类人驾驶端到端控制网络,对策略输出采用了后验反馈方式,降低了控制策略的危险行为 输出率。针对训练过程中出现的稀疏灾难性事件,提出了一种更符合控制策略优化期望的连续奖励函 数,提高了算法训练的稳定性。不同仿真环境下的实验结果表明,改进后的奖励塑造方式在评价稀疏 灾难性事件时,对目标函数优化期望的近似程度提高了 85.57%,训练效率比传统深度确定性策略梯度 算法提高了 21%,任务成功率提高了 19%,任务执行效率提高了 15.45%,验证了该方法在控制效率和 平顺性方面具备明显优势,显著减少了碰撞事故。     

基于贝叶斯网络构建RoboSim模型的自动驾驶行为决策

为汽车自动驾驶提供安全高效的自动驾驶行为决策,是汽车自动驾驶领域面临的挑战性问题之一.目前,随着自动驾驶行业的蓬勃发展,工业界与学术界提出了诸多自动驾驶行为决策方法,但由于汽车自动驾驶行为决策受环境不确定因素的影响,决策本身也要求实效性及高安全性,现有的行为决策方法难以完全支撑这些要素.针对以上问题,提出了一种基于贝叶斯网络构建RoboSim模型的自动驾驶行为决策方法.首先,基于领域本体分析自动驾驶场景元素之间的语义关系,并结合LSTM模型预测场景中动态实体的意图,进而为构建贝叶斯网络提供驾驶场景理解信息;然后,通过贝叶斯网络推理特定场景的自动驾驶行为决策,并使用RoboSim模型的状态迁移承载行为决策的动态执行过程,以减少贝叶斯网络推理的冗余操作,提高了决策生成的效率. RoboSim模型具有平台无关、能模拟仿真执行周期的特点,并支持多种形式化的验证技术.为确保行为决策的安全性,使用模型检测工具UPPAAL对RoboSim模型进行验证分析.最后,结合变道超车场景案例,进一步证实所提方法的可行性,为设计安全、高效的自动驾驶行为决策提供了一种可行的途径.     

基于双向长短记忆网络的异常驾驶行为检测

异常驾驶行为的识别对交通安全起着至关重要的作用,准确识别异常驾驶行为能够显著提高驾驶安全。目前,针对车辆行驶过程中的异常驾驶行为,如急加速、急减速、突然左转或右转等的检测识别,主要采用视频监控或聚类的方法完成。在这两种方法中,前者的实际效果受到应用场景的制约,而后者则不能针对具体的单个车辆进行驾驶行为识别。针对以上问题,使用一种基于双向长短记忆网络（Bi-LSTM）及全连接神经网络（FC）的拓展神经网络检测模型,该模型能有效利用行车数据在时间序列上发生突变时的特征,提高异常驾驶行识别准确率。将车辆行车数据处理后制作数据集并对模型进行训练,训练完成后的神经网络模型能够有效利用行车数据的时间序列特征,准确识别车辆的异常驾驶行为,准确率可达到98.08%。