您开车,瞌睡我来提醒 解读FDS驾驶者疲劳识别系统

疲劳驾驶是一种极为常见的交通违法行为,也是引发交通事故的重要原因之一。有统计显示,因疲劳驾驶造成的交通事故60%是睡眠不足3.5小时引起的。有研究表明:"疲驾"危害堪比"醉驾",发生交通事故的可能性是清醒状态下的两倍。少睡4小时等于喝6罐啤酒。可见"疲驾"是十足的危险驾驶。因此,最近有识之士呼吁将"疲劳驾驶"等同"酒驾"纳入危险驾驶罪,认为进一步扩大危险驾驶罪的规范对象,促其实至名归已是客观需要。大众首创的FDS疲劳识别系统无疑对减少疲劳驾驶,起到了非常积极的作用。希望酒后驾驶识别系统能尽早日普及推广,以便进一步减少酒驾肇事和醉驾肇事。     

基于SOM神经网络的多工况驾驶风格识别

不同的驾驶员对车辆的各项性能可能有个性化地要求,因此有必要对驾驶风格的分类与识别问题进行研究。首先在驾驶模拟器上采集不同驾驶员在多工况下的数据,利用主成分分析法选取驾驶员在各个工况下的特征参数,SOM神经网络分别对起步、加速及制动工况下的驾驶数据进行了聚类分析,然后以驾驶风格聚类分析结果为基础,建立了基于SOM神经网络的驾驶风格识别系统,该系统可根据驾驶员驾驶历史数据来判断其驾驶风格,最后以某一温和型驾驶风格识别结果为例验证了系统的合理性。     

基于驾驶行为的疲劳驾驶判别算法研究

为了有效判别驾驶员的疲劳驾驶状态,本文利用模拟驾驶器开展驾驶实验,采集了20名驾驶员在疲劳状态和正常状态的实验数据;为了提取能表征驾驶员疲劳和正常驾驶状态时的行为特征,本文对获取的速度、方向盘转角和车辆横向位置的样本熵进行了分析,最终提取了该三类参数的样本熵作为疲劳驾驶的有效特征组;构建了基于BP神经网络的驾驶员疲劳驾驶判别算法,并采用测试集样本对构建的算法进行验证.实验结果表明:该算法对于驾驶员疲劳驾驶检测的准确率较好、运行时间较短、具有较好的鲁棒性和实用性.     

融合技术在汽车故障诊断中的应用

采用融合技术将汽车各相关传感器信号融合，应用在神经网络故障识别系统中，可以快速、准确地诊断汽车故障。本文以氧传感器信号和喷油控制电压信号为例，系统说明了通过提取两信号的特征值，采用融合技术应用神经网络故障识别系统诊断煤油喷射系统故障的方法。其中，氧传感器信号选取5个特征值，喷油控制电压信号选取7个特征值，两信号可识别的故障种类为17种，神经网络设计为12—12—17结构。     

基于前额脑电多尺度小波对数能量熵的驾驶疲劳检测分析

为研究脑机接口（BCI）在交通运输中的应用，减少因疲劳驾驶导致的交通安全事故，提出基于前额脑电（EEG）信号多尺度小波对数能量熵的驾驶疲劳检测方法。首先，设计驾驶仿真模拟试验，利用脑电帽采集26名被试清醒驾驶和疲劳驾驶的前额EEG信号，试验过程中，使用主观检测方法每隔20 min对被试进行问询；其次，应用MATLAB对采集到的EEG数据进行预处理，基于2种驾驶状态形成被试初始样本数据集；进而，在该数据集基础上，利用多尺度熵的概念，提取EEG信号小波对数能量熵（WLE）特征，同时提取经典模糊熵（FE）特征进行比较分析；然后，运用极限学习机（ELM）对提取的特征数据集进行快速有效的精准分类，并使用留一交叉验证法进行验证评估；最后，对比经典FE分类表现，并结合多种性能指标对驾驶疲劳检测结果进行综合比较。研究结果表明：在本文试验条件下，基于多尺度WLE（MWLE）的前额EEG疲劳识别率显著高于基于多尺度FE（MFE）的识别率，其理论平均正确率达91.8%；基于多尺度熵的EEG信号特征提取方法能有效提高驾驶疲劳识别效果和算法效率；多种性能指标表明前额EEG的WLE可以作为衡量驾驶疲劳的有效生理指标；结果验证了采用基于ELM对MWLE的前额EEG信号进行驾驶疲劳检测方法的有效性和实用性，有助于促进可穿戴BCI在疲劳驾驶预警中的应用。     

基于改进长短时记忆网络的驾驶行为检测方法研究

疲劳驾驶和不安全驾驶行为是引起交通事故的主要原因,随着智能交通技术的发展,利用深度学习算法进行驾驶行为检测已成为研究的热点之一。在卷积神经网络和长短时记忆神经网络的基础上,结合注意力机制改进网络结构,提出一种混合双流卷积神经网络算法,空间流通道采用卷积神经网络提取视频图像的空间特征值,以空间金字塔池化代替均值池化,统一了特征图的尺度变换,时间流通道采用SSD算法计算视频序列相邻两帧光流图像,用于人眼等脸部小目标的检测,再进行图像特征融合与分类,在LFW数据集和自建数据集中进行了实验,结果表明本方法的人脸识别和疲劳驾驶的检测准确率分别高于其他方法 1.36和2.58个百分点以上。     

基于脉搏波特征融合的驾驶疲劳检测方法

疲劳驾驶是交通事故的主要诱因之一，精确检测驾驶人的疲劳程度是主动预防疲劳驾驶事故的核心内容之一。通过开展自然驾驶试验，以驾驶人的生物信号脉搏波（Blood Pressure Waveform，BPW）为数据源，使用脉搏波波形分析方法从中提取有效表征驾驶疲劳的特征指标，构建用于检测驾驶疲劳等级的BPW特征指标集，在此基础上引入D-S证据理论建立了基于BPW特征融合的驾驶疲劳检测模型。结果表明：该模型对测试数据的疲劳驾驶理论检测精度达到了91.8%，优于贝叶斯网络模型的81.4%和支持向量机模型的84.3%，能够满足实际应用的需求，但与决策回归树检测模型99.7%的精度相比较还有差距。研究获得的基于生物信息融合的驾驶疲劳检查模型和方法在驾驶疲劳检测与监测中具有很好的应用前景，可为辅助安全驾驶和疲劳预警及主动干预提供新的技术方案。     

基于融合技术的BP算法在发动机诊断中的应用

主要融合了怠速控制阀信号、喷油驱动器信号及水温传感器信号,设计了通过提取信号特征值,应用神经网络故障识别系统诊断发动机怠速不良故障。信号特征以各自信号的特点提取,其中怠速控制阀信号为脉宽调制信号,选取脉宽及幅值等参数为特征;喷油驱动器信号也为脉宽调制信号,选取喷油时间和峰值电压等为特征;水温信号因其为慢速变化信号,取不同阶段的水温为特征。神经网络的BP算法加入动量项法和动态参数两阶段调整法进行改进。     

基于自适应遗传粒子群优化模糊神经网络的疲劳驾驶预测模型

为提高疲劳驾驶的预测精度,提出了基于减法聚类和遗传粒子群优化模糊神经网络的疲劳驾驶预测模型.根据训练样本,利用减法聚类确定网络结构和初始参数;借助于进化速度因子,采用自适应遗传粒子群算法优化网络参数.利用疲劳驾驶实车模拟实验获得的数据,对该模型进行了训练和测试,并将结果与传统的粒子群、遗传和反向传播算法进行对比.结果表明,该模型不仅精简了网络结构,缩短了训练时间,而且减小了全局误差,提高了预测精度.     

疲劳驾驶研究与预防最新进展

疲劳驾驶影响驾驶人的驾驶能力,为道路交通安全带来严重威胁。研究表明,疲劳驾驶是造成交通事故的主要原因之一,且驾驶人的驾驶能力会随着疲劳程度的增加而下降。本文从疲劳驾驶状态判别、疲劳驾驶致因因素研究、疲劳驾驶安全影响分析及疲劳驾驶干预研究这四个方面对国际最新研究进行总结,介绍目前疲劳驾驶领域的研究现状。     

汽车驾驶疲劳分析及其监测

为了揭示驾驶员疲劳驾驶导致交通事故的根本理论原因,本文分析了驾驶疲劳的形成过程及其机理。基于人因工程学角度,以疲劳相关理论为基础,构建了承担驾驶负荷的驾驶员身体系统,并把驾驶行为分为三个阶段,把每一阶段所产生的疲劳严格区分为精神疲劳和体力疲劳。根据驾驶疲劳的程度,把驾驶员的疲劳状况分为了四类,建立了驾驶疲劳累积模型。根据对驾驶疲劳形成的系统分析,概括了现阶段疲劳驾驶监测技术的研究方向,并提出了对疲劳驾驶监测技术的发展趋势和应用前景的建议。     

基于深度学习的船舶驾驶员疲劳检测算法

针对日益凸显的船舶值班人员疲劳驾驶问题，为有效预警值班驾驶员的疲劳状态，保障船舶航行安全，研究了基于深度学习的疲劳检测算法。考虑到船舶驾驶台空间大、背景复杂等特点，使用深度可分离卷积改进RetinaFace人脸检测模型，优化模型的检测速度；基于Channel Split和Channel Shuffle思想，结合批量归一化、全局平均池化等技术搭建改进的ShuffleNetV2网络，自动提取图像特征，识别眼睛、嘴巴的开闭状态；根据PERCLOS准则融合眼睛、嘴巴2个特征参数综合判定驾驶员是否疲劳。实验结果表明:改进后RetinaFace模型的检测速度由9.33帧/s提升至22.60帧/s，人脸检测精度和速度均优于多任务卷积神经网络（MTCNN）；改进的ShuffleNetV2网络识别眼睛、嘴巴状态的准确率高达99.50%以上；算法在模拟驾驶台环境中识别疲劳状态的精确率达到95.70%，召回率达到96.73%，均高于目前常见的Haar-like+Adaboost以及MTCNN+CNN疲劳检测算法。算法检测每帧图片仅需0.083 s，基本满足实时检测的要求。      

干道信号协调控制优化方法

针对干道信号协调控制中控制策略及其控制优化参数设置上存在的问题,考虑到智能控制中Sugeno模糊推理所具有的复杂系统动态性能表达能力和神经网络控制方法所具有的学习能力,结合两者的优势建立了1种基于模糊神经网络的交通信号协调控制模型,实现对绿信比与相位差的优化,使用微观交通仿真软件Vissim对干线交通进行了仿真研究,仿真结果表明,该方法能更为有效地减小平均车辆延误。     

驾驶人状态适应式疲劳预警方法的研究

为设计针对驾驶人不同疲劳状态的预警方案,本文建立了包括察觉性、理解性和接受性的评价体系,系统研究了听觉、视觉和触觉3种预警方式对处于不同疲劳状态的驾驶人的预警效果。研究结果表明,各种预警方式对处于不同疲劳状态下的驾驶人具有不同的预警效果。听觉方式较适合于轻微疲劳状态,而触觉方式则更适合于非常疲劳状态。据此最终提出了一种适应于驾驶人不同疲劳状态的复合预警方案。     

疲劳驾驶预警系统的研究进展

疲劳驾驶已成为交通安全的重要隐患,严重威胁着人们的生命和财产安全。本文分析疲劳驾驶预警系统的研究难点,介绍当前有代表性的预警系统,并在此基础上对这些预警系统的优缺点进行了对比分析,最后对疲劳驾驶预警系统的发展趋势进行了展望。     

Fatigue life reliability prediction of a stub axle using Monte Carlo simulation

A stub axle is a part of a vehicle constant-velocity system that transfers engine power from the transaxle to the wheels. The stub axle is subjected to fatigue failures due to cyclic loads arising from various driving conditions. The aim of this paper was to introduce a probabilistic framework for fatigue life reliability analysis that addresses uncertainties that appear in the mechanical properties. Service loads in terms of response-time history signal of a Belgian pave were replicated on a multi-axial spindle-coupled road simulator. The stress-life method was used to estimate the fatigue life of the component. A fatigue life probabilistic model of a stub axle was developed using Monte Carlo simulation where the stress range intercept and slope of the fatigue life curve were selected as random variables. Applying the goodness-of-fit analysis, lognormal was found to be the most suitable distribution for the fatigue life estimates. The fatigue life of the stub axle was found to have the highest reliability between 8000–9000 cycles. Because of uncertainties associated with the size effect and machining and manufacturing conditions, the method described in this paper can be effectively applied to determine the probability of failure for mass-produced parts.     

面向ARM平台的自标定驾驶员疲劳检测方法

提出了一种面向进阶精简指令集机器(ARM)平台的自标定驾驶员疲劳检测方法。对驾驶员不同身高、体型及车内摄像头不同位置,采用驾驶员初始姿态自标定方法;采用改进的基于深度学习的多任务卷积神经网络(MTCNN),提取人脸识别和特征点,以得到头部姿态、眼睛、嘴巴运动等信息;基于操作员序列的深度卷积神经网络,来判断驾驶员的疲劳状态等级。实验了驾驶员疲劳检测方法。结果表明:相对于没有标定,采用本驾驶员自标定的方式,识别准确性提高了15%,采用MTCNN方法和ARM NEON加速技术,在“全志H5”、“树莓派”和Android手机上,运行速度分别是200、150、140 ms,提高约50%。因而,该检测方法,既提高了系统鲁棒性,也满足实时需求。     

基于模糊神经网络的驾驶员弯道安全感受预测模型研究

论述了在人-车-路(环境)系统中驾驶员弯道安全感受的非线性特性。为了体现车辆、道路结构对驾驶员认知过程的作用和认知结果形成的影响,驾驶员弯道安全感受模型采用弯道平曲半径、车辆运行速度和驾驶员驾龄作为道路线形、车辆结构动力性、驾驶员经验的主要特征参数集,在增加积极和消极补偿运算的基础上,构建出模糊逻辑推理规则与神经网络优化逼近运算相互结合的5层推理预测模型,并结合实例数据,进行了对比分析验证,表明5层结构模型能够较好的满足特定弯道条件下驾驶员主观安全感受的认知推理预测要求,能够准确的、稳定的再现出驾驶员主观安全感受同驾龄、平曲半径和车辆运行速度间的相互作用关系。     

全网络神经模糊控制在城市单路口交通实时控制中的应用

在已有城市单路口交通模糊控制方式和控制策略的基础上，提出了基于全网络化结构的神经模糊控制方法。方法考虑了影响信号灯控制策略的各种因素，根据分级并行控制思路，对车流采用不同的优先级和不同的控制策略进行协调控制，提高了系统的实时性，降低了系统的复杂性。采用6层全网络结构的神经网络进行了控制算法的实现，并利用已有数据对神经网络进行了学习训练，使网络结构和参数具有更为广泛的适用性。