高速公路环境下驾驶员状态辨识

为了进一步提高高速公路环境下车辆的主动安全性,提出了一种基于信息融合的高速公路驾驶员状态辨识方法。基于高速公路驾驶员驾驶特征,通过高速公路模拟驾驶试验,对驾驶员眼部状态和油门踏板信号进行检测。选取加油频率、眨眼频率、眼睛闭合率和眨眼持续时间作为驾驶员状态的评价指标,采用模糊评价和D-S证据理论相结合的信息融合方法,建立了高速公路上驾驶员状态辨识的模型,并通过实例验证了该模型的有效性。     

基于有序Logistic回归的驾驶人危险辨识影响因素分析

针对驾驶人危险辨识影响因素,开展危险辨识试验数据与自我报告数据的采集,采用k-means聚类分析方法将危险辨识时间划分为3类,进而基于有序Logistic回归分析方法检验不同影响因素的显著性.试验分析结果表明,危险情境特征对驾驶人危险辨识时间有影响,交通情境越混乱,所需时间越长,且交通情境越危险,所需时间相对越短;同时,驾驶人特征及其经历对驾驶人危险辨识时间有影响,男性的危险辨识时间较女性更短;摩托、电动车驾驶经历越丰富,危险辨识能力相对越好;驾龄、驾驶里程与自行车驾驶经历对危险辨识时间并无显著影响.环境因素和人口社会学因素对驾驶人危险辨识能力的影响是多方面的.     

基于驾驶行为的驾驶倾向特征辨识

驾驶倾向特征的实时辨识,对安全驾驶有积极的意义,但实时并准确识别驾驶倾向却是难点.通过分析驾驶倾向的外在表现,选取驾驶行为中的刹车频率、加油频率、刹车紧急程度和加油紧急程度作为评价指标,以实车试验获取的各评价指标数据为基础,运用BP神经网络构建驾驶倾向特征辨识模型,实现从驾驶行为到驾驶倾向的辨识.经验证,该模型识别率可达89.2%.     

基于车辆运行状态的次任务驾驶安全性评价

为研究次任务驾驶对行车安全性的影响,借助驾驶模拟器对正常和次任务驾驶过程中的车辆运行状态参数进行了采集. 基于差异显著原则,选取速度、加速度、方向盘转角等变量构建了评价指标体系,并以最少变量体现最多信息为优化目标,采用因子分析法提取出3类因子,进而确定出不同评价指标对因子的影响载荷系数,完成了基于车辆运行状态的次任务驾驶安全性评价模型构建. 综合实验数据和驾驶人类型因素,确立了模型评价得分与驾驶安全等级间的数量关系. 结果表明,所建模型能准确判断不同驾驶状态下的行车安全性,为驾驶安全的监测和预警提供了一种有效判定方法.     

基于纵向激励的驾驶习性分类及辨识方法

为使先进驾驶人辅助系统更具人性化及个性化,提高智能车辆的驾乘安全性和舒适性,提出一种基于纵向激励工况的驾驶习性分类及辨识方法.以前车车速信号的周期性及突变性为依据,设计6种前车典型纵向激励工况,并通过实车道路试验完成64位驾驶人的数据采集.然后,采用客观粒子群聚类和主观量表分析相结合的分类方式,实现典型驾驶习性的分类和习性类型的定义.比较各工况下的分类结果,确定纵向最优激励工况组为正弦工况3和阶跃工况3.建立基于多维高斯隐马尔科夫过程的驾驶习性辨识模型,依据辨识准确率得到最优模型输入信号组,利用正交试验法优化模型中的关键参数.结果表明,基于纵向激励的驾驶习性分类及辨识方法能够得到更好的分类和辨识准确率.     

基于BiGRU的多模态驾驶行为及轨迹预测

在复杂交通环境中行驶的智能汽车需要预测未来周围车辆的动向,为了提升智能汽车快速且准确预测周围车辆驾驶行为及轨迹的能力,设计了一种基于BiGRU的多模态驾驶行为及轨迹预测模型.模型由BiGRU编码器、交互卷积池化层和GRU解码器组成,能够预测未来5s车辆多模态驾驶行为的概率和多模态驾驶行为对应的轨迹分布.试验结果表明,相...     

基于注意力机制及分层网络的危险驾驶行为预测方法

基于自然驾驶实验,获取“人-车-环境”多维驾驶行为数据,经过数据清洗与筛选构建危险驾驶行为标准数据库。采用显著性分析对指标进行筛选,并构建八维度的危险驾驶行为预测指标集。以神经网络为第一层,以基于注意力机制的长短期记忆（LSTM）网络为第二层,建立危险驾驶行为预测双层时序模型。结果表明：该模型能有效提升预测准确率（10%）;分层结构和注意力机制对预测准确率有较好的提升作用,分别为5%和3%。     

基于改进K-均值聚类算法的汽车用户行为分析方法研究

汽车用户的驾驶行为和操作习惯等决定着驾驶是否存在风险，对于道路交通安全具有重要的意义，针对这种情况，提出一种用于预测汽车用户驾驶行为风险等级的模型。该模型为了提高模型的分类效率，在自组织映射神经网络算法中采用遗忘第二名的策略，然后结合自组织映射神经网络改进K-均值聚类分析方法，实现对于车辆驾驶人员的风险行为等级进行划分，通过聚类分析得到风险标签后，利用XGBoost算法实现对于用户风险行为的辨识。实验结果表明，改进算法的聚类精确度和运行效率都得到了提高，预测准确率为98%,召回率为98%,F1值98%,kappa系数高达0.97,远远超过其他集成辨识模型，表明本文模型在汽车用户行为的分辨准确率上得到有效提高。     

基于迁移学习的驾驶分心行为识别及模型解释

为了提高驾驶分心识别的应用性及识别模型的可解释性,利用迁移学习方法研究构建驾驶人驾驶分心行为识别模型并采用神经网络可视化技术研究对模型进行解释.以VGG-16模型为基础,对原模型全连接层进行修改以适应驾驶分心行为识别任务,将原数据集中的10类驾驶行为按照所包含的分心类型合并为6类,采用合并后的数据集进行模型训练和验证.利用Grad-Cam方法提取了模型在识别不同驾驶行为时的重点关注区域并进行可视化,对照各分心行为的特点及模型分类时的重点关注区域对模型进行了解释.结果表明:所构建模型在测试集中的平均识别准确率达98.89％,经过训练的模型已具备了定位各驾驶行为的关键特征并据此判别行为类别的能力.     

考虑驾驶人驾驶习性的自适应车道偏离预警策略

提出了考虑驾驶人驾驶习性的自适应车道偏离预警策略。通过实车驾驶数据采集平台采集驾驶人的驾驶行为数据,并基于模糊聚类对驾驶数据进行聚类处理,进而利用广义回归神经网络(GRNN)模型实现了驾驶人驾驶习性辨识策略;建立车道偏离时间估算模型,设计个性化的车道偏离预警系统;最后,通过驾驶模拟器进行测试验证。结果表明,所提出的考虑驾驶人驾驶习性的自适应车道偏离预警策略能够在有效辨识驾驶人驾驶习性的基础上,提高车道偏离预警的适用性。