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%。     

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。     

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。     

手机导航方式对驾驶行为的影响研究

为研究驾驶员驾驶时使用不同手机导航方式对驾驶行为的影响,开展模拟驾驶试验,利用眼动仪获取4个场景下车辆行驶状态和驾驶人视觉参数;通过均值比较,方差和显著性分析,探究不同手机导航方式下驾驶行为存在的差异。结果表明:不同手机导航方式均造成驾驶分心,但分心程度不同;手持手机导航使驾驶人对前方和左侧区域的关注下降最为显著;使用导航时,驾驶人一般通过降低车速来减少分心带来的潜在风险,其中手持手机导航降低幅度最大;使用手机导航时,车辆纵向速度标准差更加集中,说明此时驾驶人对于车辆的控制变强。     

城市道路下分心行为对驾驶员驾驶绩效的影响

为探究城市道路条件下常见驾驶分心行为对驾驶绩效的影响,以16名青年志愿者为被试,开展实车驾驶试验,测量车辆纵向和横向行驶参数,对比分析正常驾驶和分心驾驶状态下的驾驶绩效,并探讨驾驶经验的影响。结果表明：3种分心行为均使横向加速度标准差和纵向加速度标准差增加,而使速度均值降低,说明驾驶员通过速度和转向控制补偿分心状态下的驾驶绩效;交谈对速度均值和纵向加速度均值、阅读广告对速度标准差和横向加速度均值具有显著性影响(p<0.05);接听电话时,经验驾驶员速度标准差明显高于新手(p=0.021);接听电话和阅读广告次任务下,经验驾驶员的横向加速度均值均明显较高(p=0.003,p=0.004),说明经验丰富的驾驶员受分心行为的影响程度更低。     

基于驾驶模拟的自动驾驶接管行为研究*

为探索有条件自动驾驶对非驾驶相关任务的允准边界,基于实车驾驶模拟器,设计自动驾驶接管试验典型场景,招募30名被试者开展驾驶模拟试验;要求驾驶人执行3种分心形式的驾驶次任务,系统发出接管请求提示后,驾驶人接管车辆控制权以避免险情发生,并分析驾驶人接管反应时间、驾驶负荷以及驾驶绩效等相关数据。结果表明:驾驶次任务涉及的分心形式越复杂,接管过程安全性越差,视觉分心任务与操作分心任务对接管行为影响显著;驾驶人更倾向于选择制动操作接管车辆,次任务分心程度越高,制动接管比例越大;与乘客聊天对接管行为影响不显著,看视频和玩手机游戏均会显著延长接管反应时间,增加工作负荷与车辆纵向减速度,玩手机游戏还会显著提升车辆横向加速度。     

视觉分心程度对跟车运动状态的影响

为明确驾驶人在不同复杂度的交通环境下视觉分心程度对跟车运动状态的影响,在驾驶模拟器上搭建城市、乡村和高速道路3种交通环境,利用视线遮挡方法,设置O、1和2s等3种固定时长,量化被试视觉分心程度;对26位被试进行模拟器驾驶试验,采集车辆速度、纵向加速度和车辆位置等参数;采用重复测量一般线性模型,分析视觉分心程度对上述参数...     

基于车路协同的行人车辆碰撞风险识别与决策方法

为提高行人与车辆碰撞风险识别和预警效果,研究车路协同(CVIS)环境中,多行驶状态下行人与车辆碰撞风险识别与决策过程。基于CVIS平台获取车辆直道行驶和换道行驶状态信息,考虑驾驶人反应状态、车辆运动状态对碰撞风险的影响。引入风险区域预判风险,将当前相对运动状态与决策阈值进行比较,分级识别碰撞风险。采用提醒避碰判别法实时提醒驾驶人当前驾驶状态,使其采取相应的阶梯式双重避碰措施实现避碰决策。仿真结果表明,随着车辆行车速度的增加,进行预警的起始距离和起始时间均呈增加趋势,符合实际情形,该方法考虑了影响人车碰撞的多种因素,能够对碰撞风险进行分级识别和预警。     

使用车载信息装置对驾驶行为的影响研究

为研究使用车载信息装置对驾驶行为的影响,基于虚拟驾驶仿真平台,开展正常驾驶、操作按键式和触摸屏式收音机驾驶分心试验;应用外周视觉检测任务法(PDT)测量驾驶人反应时间、PDT目标命中率以及车速和跟驰距离等参数,以评估分心行为的心理资源需求及其对驾驶绩效的影响。试验结果表明:使用车载信息装置会降低驾驶人反应能力和驾驶绩效,操作触摸屏分心与操作按键分心相比,驾驶人反应时间延长了167 ms,PDT目标命中率降低了10%,速度保持和车距保持能力下降,使用触摸屏式车载信息装置需要更多的心理资源,对两侧视野内的信息刺激反应明显迟钝,对行车安全有较大影响。     

基于智能手环的愤怒驾驶行为动态检测方法

为解决驾驶人因愤怒驾驶而导致交通事故的问题,首先,聘请18名职业驾驶人佩戴智能手环开展实车试验,采集驾驶人的心电指标;然后,经统计检验发现不同愤怒情绪强度下心电指标心率(HR)、RR间期的平均值(RRmean)、RR间期的标准差(SDNN)、连续差的均方根(RMSSD)、RR间期大于50 ms的个数(PNN50)、高频(HF)、非线性指标(SD1、SD2、SD2/SD1)具有显著差异;最后,分别以三级愤怒驾驶行为(正常、轻微愤怒、强烈愤怒)和二级愤怒驾驶行为(正常和愤怒)为因变量,以显著差异心电指标为自变量,基于支持向量机(SVM)、K近邻(KNN)和线性分析(LD)建立驾驶人愤怒驾驶行为动态检测模型。结果表明：二级愤怒驾驶行为识别模型识别效果明显优于三级愤怒驾驶行为识别模型;二级愤怒驾驶行为识别模型中SVM效果最好,三级愤怒驾驶行为识别模型LD模型识别性能最佳。     

驾驶分心对隧道段行车安全影响分析

为研究驾驶分心对隧道段行车安全的影响,在虚拟驾驶环境下设计次任务试验,要求被试驾驶人执行多组不同类型、难度的手动与无手动次任务,同时利用眼动追踪装置采集驾驶人视觉特征参数。在筛选有效数据的基础上,运用统计学与数据挖掘方法比较驾驶人在隧道内执行不同次任务时,车辆运行速度离散性、视觉搜索区域面积、瞳孔面积变化率和次任务持续时间的差异,并分析统计显著性。结果表明,驾驶人在执行手动次任务、无手动次任务、无次任务3种状态下,执行手动次任务时车辆运行速度离散性最大、视觉搜索区域面积最小、瞳孔面积变化率最大,次任务持续时间最长;无次任务时车辆运行速度离散性最小、视觉搜索区域面积最大、瞳孔面积变化率最小;无手动次任务的试验结果居于两者之间,次任务持续时间最短。上述差异具有统计学显著性,主观感知评价与客观数据具有一致性。研究表明,手动与无手动次任务使驾驶人心理负荷明显增大,手动次任务对驾驶人的影响最为明显,因此驾驶分心次任务对隧道段行车安全影响较大。     

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%。     

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。     

基于Multi-class SVM的车辆换道行为识别模型研究

自动安全换道是车辆实现无人驾驶的关键,为精确识别行驶车辆换道状态,保证行车安全,设计了一种基于多分类支持向量机(Multi-class Support Vector Machine,Multiclass SVM)的车辆换道识别模型。从NGSIM数据集中选取美国101公路车辆轨迹数据进行分类处理,并将车辆换道过程划分为车辆跟驰阶段、车辆换道准备阶段和车辆换道执行阶段。采用网格搜索结合粒子群优化算法(Grid Search-PSO)对SVM模型中惩罚参数C和核参数g进行寻优标定,利用多分类支持向量机换道识别模型对样本数据进行训练和测试,模型测试精度达97.68%。研究表明,模型能够很好地识别车辆在换道过程中的行为状态,为车辆换道阶段的研究提供支持。     

智能手机应用程序使用与操作的驾驶分心风险影响研究

为研究智能手机应用程序操作方式与使用行为对驾驶分心影响的问题,探讨智能手机程序操作方式对驾驶分心影响的优劣关系,基于结构方程模型提出4个因果关系假设,构建涵盖程序使用、驾驶分心、驾驶绩效等潜变量的智能手机使用行为影响的结构方程模型。通过收集线下问卷的方式进行调查,搭建模拟场景,设计6项实验方案,通过驾驶模拟实验方式收集相关数据,建立相对偏差矩阵。研究结果表明：手机通话功能的使用(路径系数0.472)对驾驶分心影响显著,手机导航功能使用(路径系数0.256)、手机音乐功能使用(路径系数0.249)对驾驶分心影响不显著。语音交互方式均优于手动操作方式,其中语音交互启动导航方式(F₃=0.019)的影响最小。研究结果可对道路驾驶情况下智能手机应用使用与操作方式的研究起推动作用。     

考虑驾驶负荷的高速公路作业区换道预测模型

为预防高速公路养护作业区车辆换道引起的交通事故,首先,开展不同车流密度的驾驶模拟对比试验,采集车辆换道位置距离过渡区末端长度、车辆换道距离和驾驶人心率数据;然后,基于试验数据,通过车辆运行轨迹和方向盘转角,定义车辆换道位置和换道距离,分析车流密度和驾驶员心率对车辆换道位置和换道距离的影响;最后,采用强迫进入变量法,构建基于车流密度和驾驶员心率的车辆换道预测模型。结果表明:车辆换道位置随车流密度的增大先增大后减小,随驾驶员心率的增大而增大;车辆换道距离随车流密度的增大先增大后减小,随驾驶员心率增大而减小。车辆换道预测模型能够预测驾驶人心率与高速公路养护作业区车辆换道的关系。     

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。     

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。     

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。     

车辆典型危险行驶状态识别与检测研究进展

为识别和检测车辆在行驶过程中可能出现的危险状态,及时给予驾驶员反馈和预警,使车辆始终保持安全的运行状态,重点从车辆典型危险行驶状态的识别、检测2个方面,梳理纵向及横向危险行驶状态及其表征参数,总结主要的识别与检测方法,并展望其未来研究趋势。结果表明:不同文献对驾驶事件的危险阈值划分原则差异较大,尚未形成统一的标准;隐马尔科夫模型(HMM)对危险驾驶事件的识别准确率相对较高;车辆典型危险行驶状态的几种识别方法各有优点和缺点,基于便携式设备和多传感器数据的识别方法相对较优,且基于多传感器数据融合的车辆危险行驶状态识别与检测是未来的重点研究方向。