模拟驾驶环境下驾驶人分心状态判别

为了探寻驾驶人分心判别方法,构建了驾驶人分心状态判别模型。首先设计分心模拟驾驶试验,采集正常驾驶和发送语音信息过程中的驾驶绩效特征和驾驶人眼动特征数据,建立驾驶人分心状态判别指标备选集;其次,采用基因选择算法对备选指标进行筛选,得到29个备选指标的重要度排序;然后,依次选取重要度较高的部分指标作为BP神经网络的输入指标,利用遗传算法（GA）全局搜索的性能优化BP神经网络的初始权值和阈值,将优化后的GA-BP神经网络作为弱分类器,再将多个弱分类器组合成Adaboost强分类器,建立基于Adaboost-GA-BP组合算法的驾驶人分心状态判别模型;最后,利用模拟驾驶器试验平台采集的数据计算不同判别指标数量下模型的性能,从而确定最优判别指标,并对模型进行验证和评价。结果表明：模型最优判别指标为重要度排序中前14个指标;模型能够准确识别驾驶人分心状态,判别精度为95.09%;与BP神经网络算法、GA-BP神经网络算法和Adaboost-BP神经网络算法相比,Adaboost-GA-BP组合算法在准确率、精准率、召回率、F₁值和ROC曲线等模型性能方面均最优。建立的模型能够有效判别驾驶人分心状态,可为驾驶人分心预警系统和分心控制策略提供依据。     

基于XGBoost算法的危险场景驾驶行为模式分析及安全评估

危险感知能力对驾驶人的驾驶行为模式具有重要影响。为准确评估驾驶人的危险感知能力、提升危险感知水平判别的准确度，提出了基于模拟驾驶技术的危险感知能力影响分析方法和基于极端梯度提升树（XGBoost）算法的危险感知水平判别模型。通过设计3种常见交通冲突场景，采集模拟驾驶中驾驶人的多维度驾驶行为特征数据，并分析危险感知能力与驾驶行为的相关关系。通过模拟实验发现:驾驶人对行人的危险感知能力较弱，易发生碰撞事故；驾驶人在危险场景中的车速（p＝0.01）、制动反应位置（p < 0.01）以及反应时间（p < 0.01）与危险感知水平之间存在显著负相关关系。在相关性分析的基础上，利用XGBoost算法识别能反映驾驶人危险感知能力的重要特征变量，并构建以制动反应位置、反应时间、车速、刹车深度，以及加速度为指标的驾驶人危险感知水平判别模型；通过与LightGBM、支持向量机（SVM），以及逻辑回归（LR）等算法分类预测性能的对比分析，评价危险感知模型的判别精度，结果表明:基于XGBoost算法的危险感知水平判别模型的判别准确率为84.8%、F1值为83.4%、AUC值为0.959，优于LightGBM（准确率为78.8%、F1值为76.7%、AUC值为0.924）、SVM（准确率为57.6%、F1值为42.2%、AUC值为0.859），以及LR算法（准确率为69.7%、F1值为65.5%、AUC值为0.836）。所提方法可为判别驾驶人危险感知能力及其对驾驶行为模式的影响提供可靠手段。      

驾驶行为与驾驶风险国际研究进展

驾驶人在驾驶车辆的过程中总会面临由自身或外界条件所带来的或高或低的风险，即驾驶风险，通过对驾驶风险进行识别、分析及评估是对风险进行管理的有效对策，明确由人为因素（即驾驶人个体特征及驾驶行为）所带来的驾驶风险并对驾驶人进行安全管理尤为重要。为了全面了解各类危险驾驶行为和各种驾驶人群体的驾驶风险行为研究进展，对驾驶风险领域重点问题进行了总体概述。从驾驶人个体特征及驾驶行为的角度出发，探究了驾驶风险领域目前的研究现状，并利用科学知识图谱展示驾驶风险领域研究的发展进程与结构关系。通过Web of Science核心合集数据库获取了3 406篇在1986~2020年（截至2020年2月29日）间出版的驾驶风险研究相关英文文献，共涵盖8 684位作者及6 018个关键词，基于科学知识图谱对该领域文献进行梳理与分析。结果表明：驾驶风险领域的国外研究在驾驶人选择方面主要从年轻驾驶人、老年驾驶人、新手驾驶人及职业驾驶人的角度进行切入，重点围绕酒驾、药驾、分心驾驶及疲劳驾驶等主题开展研究。与国外研究相比，中国在分心驾驶、疲劳驾驶领域的研究相对丰富，而针对酒驾、药驾的研究试验手段较为单一，研究不够全面；在研究对象的选取上，有必要进一步增加老年驾驶人及新手驾驶人的深入研究，包括老年驾驶人适驾性评估与教育培训，以及新手驾驶人驾照分级制度的可行性探索。在研究方法方面，国外常见研究方法包括问卷调查、驾驶模拟器试验、实车试验以及自然驾驶研究等，而中国在自然驾驶研究领域尚未充分开发利用；未来应考虑多种方法相结合并从不同角度促进对驾驶行为及驾驶风险的全面理解。     

考虑初始情绪的个性化驾驶负荷状态评价

利用驾驶人生理数据对驾驶人的负荷状态进行评价已成为交通心理学的研究热点，该方法通常需要采集驾驶人在静息状态的生理信号特征作为其负荷基准，因此负荷基准的提取将影响驾驶人状态评价结果的准确性。基于此，研究搭建驾驶模拟试验平台，招募15名志愿者开展驾驶模拟试验，设计不同任务诱导其产生3种程度的精神负荷，采集志愿者在不同负荷状态下的生理信号。基于试验数据研究驾驶人初始情绪对心电信号负荷基准值的影响，设计初始情绪提取处理方案，并提出基于个性化敏感生理特征的驾驶负荷评价方法。首先对原始心电信号进行滤波，修订心跳间隔异常值；其次计算心率变异性序列（HRV）时频域特征，利用线性回归对静息状态驾驶人情绪特征进行提取，并利用归一化处理消除初始情绪对驾驶人静息状态负荷的影响，完成驾驶人心电信号时域和频域特征的计算提取；最后采用Fisher-score特征选择算法完成不同驾驶人个体敏感特征的选取，并对个性化特征提取前后的驾驶人负荷评价结果进行对比分析。研究结果表明：研究设计的考虑初始情绪的个性化特征分类器可有效消除初始情绪对驾驶人静息状态负荷的影响，且提高了驾驶人负荷状态识别的准确率，可为进一步研究驾驶任务对驾驶人负荷状态的影响并改进车内外分心源的设计提供依据。     

基于脑电信号分析的不同年龄驾驶人疲劳特性

为研究不同年龄驾驶人驾驶过程中疲劳情况及疲劳累积速度,对比其疲劳产生与变化的差异性,获取不同年龄驾驶人的最优驾驶时间,设计自然驾驶试验,利用Physio生理多导仪采集脑电数据,并采用主观检测方法对驾驶人进行问询。应用MATLAB对采集到的脑电数据进行降噪处理,通过积分获取各时段α波、β波和θ波的平均功率谱密度,进而求得脑电指标R_（α/β）,R_（θ/β）,R_{（α+θ）/β}。利用SPSS将其与驾驶时间进行单因素方差分析,并通过敏感性判断,选取R_{（α+θ）/β}作为驾驶疲劳表征指标。对各年龄段驾驶人的R_{（α+θ）/β}进行均值化处理,并将其与驾驶时间进行线性拟合,分析驾驶人年龄对驾驶疲劳累积速度的影响。对驾驶过程中各时段的R_{（α+θ）/β}进行配对样本t检验,并结合主观问询结果确定不同年龄驾驶人的最优驾驶时间。研究结果表明：青年和中年驾驶人在0~1.5 h内疲劳累积速度相对缓慢,老年驾驶人较快;在1.5~3 h内,青年驾驶人疲劳累积速度最快,中年驾驶人最慢;老、中、青年驾驶人的最优驾驶时间分别为60~75,120~135,105~120 min;不同年龄驾驶人其驾驶经验、体力和精力及外界环境干扰是影响疲劳累积速度的重要因素;试验结果验证了采用R_{（α+θ）/β}作为驾驶疲劳表征指标的有效性,有助于为不同年龄驾驶人安全驾驶时长的确定提供科学依据。     

基于超效率数据包络分析的重型车驾驶人驾驶安全绩效评价方法

为解决网联环境下重型车驾驶人驾驶安全绩效评价在指标多样性、模型可靠性、评价完整性和结果可溯性等方面的问题，提出一种基于超效率数据包络分析的重型车驾驶人驾驶安全绩效评价框架，包括驾驶行为指标提取方法、包含零值的超效率数据包络分析方法和基于效率前沿分析的驾驶安全绩效提升方案。基于网联环境下重型车自然驾驶数据特征，提取6个行程级的危险驾驶行为指标作为模型输入项，包括：表征激进驾驶的超速行为、急加速行为和急减速行为；表征分心驾驶和疲劳驾驶的打哈欠行为、使用手机行为和吸烟行为。表征驾驶风险暴露因素的行驶时间和行驶里程作为模型输出项。将每个驾驶人视为独立的决策单元，构建3种驾驶绩效评价模型，分别从激进驾驶、分心和疲劳驾驶以及综合驾驶风险3个维度对驾驶绩效进行评价。进一步利用效率前沿分析准确识别低绩效驾驶人，并量化其达到最佳驾驶绩效所需提升的驾驶行为指标。将该框架应用于南京某重型车车队的34名驾驶人，使用连续3个月的网联数据开展驾驶绩效评价。结果表明：该框架能够准确计算驾驶绩效得分，不同驾驶绩效等级驾驶人之间的驾驶行为特征存在显著差异，超速行为和打哈欠行为是影响驾驶绩效评价结果的关键因素，针对低绩效...     

分心驾驶事故场景研究

为在车辆主动安全系统开发测试中提供具有危险性的典型分心驾驶场景，基于375例分心驾驶事故深度调查案例，确定了包括道路环境、参与方速度和运动状态3个方面的场景参数，对比分析国家统计数据与样本各事故类型间的特征，分别提取出关键特征参数，利用二阶聚类分析方法得到不同事故类型的11类分心驾驶事故典型场景，并结合关键特征参数进一步提炼得到4类核心测试场景。     

驾驶风格对驾驶行为的影响

为了揭示驾驶风格对驾驶行为的影响规律,进而提取表征驾驶风格的特征参数,对不同风格驾驶人在感知层和操作层的驾驶行为数据进行了量化分析。首先,基于驾驶行为问卷对18名中国非职业驾驶人进行了驾驶风格问卷调查,并采用主成分分析、K-均值聚类等方法将被试驾驶人分为谨慎型、正常型和激进型3种类型。接着,被试驾驶人在搭载了SmartEye眼动仪的驾驶模拟器上开展了高速公路行车环境下的驾驶试验,同步采集了感知层的视觉特性参数和操作层的驾驶绩效参数,并采用判断抽样的方式将驾驶样本按照驾驶风格和驾驶模式（换道意图和车道保持）进行了划分,共选取了810组有效样本。最后,采用方差分析法分析了不同风格驾驶人在不同驾驶模式下的注视行为、扫视行为、横向控制特性、纵向控制特性方面相关参数的差异显著性,并提取了不同风格间存在显著差异的参数作为表征驾驶风格的特征参数。研究结果表明：驾驶风格越激进,驾驶人对周围环境关注越少,对车辆的横向控制稳定性越差,急加速和急减速行为发生的频次越高;不同风格驾驶人在意图时窗内对后视镜的注视次数（p=0.002）、方向盘转角熵值（p=0.04）、加速踏板开度（p=0.01）、制动踏板开度（p=0.02）这4个参数的差异均较为显著,因此可作为表征驾驶风格的特征参数。     

认知分心对车辆跟驰过程操控安全性的影响

为了研究车辆跟驰过程中驾驶人认知分心与驾驶安全的关系,采用驾驶模拟器构建城市道路车辆跟驰场景,并设计3种难度等级的认知分心次任务,采集35名被试驾驶人在试验过程中的方向盘转角、油门开度、制动踏板力等操作参数,以及车辆位置、速度、加速度等车辆运动参数。采用重复测量一般线性模型,分析不同等级认知分心对上述参数的影响。研究结果表明：在横向操控方面,随着认知分心程度增高,方向盘回转率增大,但车辆横向位置标准差减小,表明驾驶人处于认知分心时,采取频繁修正方向盘的补偿方式,降低车辆横向位置波动,过度补偿车辆横向安全性,且该补偿行为与认知分心程度正相关;在纵向操控方面,认知分心时,油门开度、制动踏板位置方差增大,且制动踏板位置均值增大,同时车头间距及时距未观察到显著性变化,表明认知分心时驾驶人采取频繁操作油门、制动踏板,增大制动幅度等方式进行补偿,使车头间距及车头时距等表征车辆纵向跟车安全性参数处于正常驾驶水平,但加速度标准差增大,表明跟车稳定性降低。研究结果为涉及分心的人车交互装置优化设计及考虑分心状态的驾驶人状态管理系统开发提供了一定的理论依据。     

基于深度卷积-Tokens降维优化视觉Transformer的分心驾驶行为实时检测

针对基于端到端深度卷积神经网络的驾驶行为检测模型缺乏全局特征提取能力以及视觉Transformer(vision transformer,ViT)模型不擅长捕捉底层特征和模型参数量较大的问题，本文提出一种基于深度卷积和Tokens降维的ViT模型用于驾驶人分心驾驶行为实时检测，并通过开展与其他模型的对比试验、所提模型的消融试验和模型注意力区域的可视化试验充分验证了所提模型的优越性。本文所提模型的平均分类准确率和精确率分别为96.93%和96.95%，模型参数量为21.22 M，基于真实车辆平台在线推理速度为23.32 fps，表明所提模型能够实现实时分心驾驶行为检测。研究结果有利于人机共驾系统的控制策略制定和分心预警。     

Detection of Cognitive and Visual Distraction Using Radial Basis Probabilistic Neural Networks

This paper suggests a real-time method for detecting a driver’s cognitive and visual distraction using lateral driving performance measures. The algorithm adopts radial basis probabilistic neural networks (RBPNNs) to construct classification models. In this study, combinations of two driving performance data measures, including the standard deviation of lane position (SDLP) and steering wheel reversal rate (SRR), were considered as measures of distraction. Data for training and testing the RBPNN models were collected under simulated conditions in which fifteen participants drove on a highway. While driving, they were asked to complete auditory recall tasks or arrow search tasks to create cognitively or visually distracted driving periods. As a result, the best performing model could detect distraction with an average accuracy of 78.0 %, which is a relatively high accuracy in the human factors domain. The results demonstrated that the RBPNN model using SDLP and SRR could be an effective distraction detector with easy-to-obtain and inexpensive inputs.     

分心对驾驶人交通冲突反应时间的影响(双语出版)

为了研究分心对交通冲突状态下驾驶人反应时间的影响,采用驾驶模拟器构建城市道路交通环境下2种典型冲突形态：侧向行人冲突和纵向追尾冲突,设计认知、视觉以及发短信（认知+视觉复合分心）3种分心任务,在不同行驶车速、跟车时距、前车减速度等紧迫度条件下,采集30名驾驶人应对交通冲突的制动反应时间,分别采用重复测量一般线性模型及线性混合模型进行统计分析。研究结果表明：认知分心使驾驶人应对侧向行人冲突的制动反应时间增加0.09 s,但未观察到其对纵向追尾冲突反应时间的显著性影响;视觉分心与发短信都会延缓驾驶人应对侧向行人（分别增加0.31 s和0.27 s）以及纵向追尾冲突（分别增加0.47 s和0.38 s）的制动反应时间;此外,在纵向追尾冲突中,随着冲突紧迫度提高（前车减速度增大、车头时距减小以及自车速度增大）,驾驶人制动反应时间显著减小。表明驾驶分心延长了驾驶人应对交通冲突的反应时间,容易导致事故的发生,具体而言,认知分心主要延长驾驶人应对侧向冲突的反应时间,涉及视觉的分心同时延长驾驶人应对侧向及纵向冲突的反应时间;视觉分心对驾驶人反应时间的延长显著性高于认知分心,说明视觉分心对行车安全影响更大。     

驾驶分心检测方法综述

道路交通事故已经成为世界人民非自然死亡的主要原因,有学者认为90%的交通事故与驾驶员自身因素关联,而其中又有超过50%与驾驶分心相关。为了对驾驶员分心进行识别以及为下一步的分心预警干预提供结果判断,文章介绍了常见的驾驶分心检测与识别方法,包括人脸识别方法,眼睛瞳孔位置识别以及基于驾驶员生理信号(EEG)的分心监测方法。结果表明检测方法各有优劣,非接触式、无侵入性检测,对驾驶员行车体验影响小,但测试精度具有一定的局限性。利用头戴仪等接触式设备,对驾驶员具有一定的侵入性,但是与其他检测方式相比,则具有较高的准确性优势。     

基于一维卷积神经网络的驾驶人身份识别方法

近年来，智能网联汽车（ICV）已成为智能工业时代最有前景的发展方向。作为现代移动的重要模式，ICV的设计和开发越来越强调个性化需求。提出一种仅使用车载CAN总线行车状态数据，基于深度学习的驾驶人身份识别通用框架。首先采集20名驾驶人在固定试验路线下，包括不同道路类型、不同交通条件下的自然驾驶行车状态数据集；其次对9种类型的CAN信号行车数据进行数据清洗与重采样，构建数据样本集。搭建了由卷积层、池化层、全连接层、SoftMax层构成的一维卷积神经网络（1-D CNN）驾驶人身份识别模型，并且使用Adam算法、L2正则化、Dropout、小批量梯度下降等方法对模型性能进行优化。算法验证过程中，探讨了模型卷积核占比、卷积核数量、卷积层层数、全连接层节点规模对模型识别准确率的影响，进而对模型结构参数进行优选。进一步地，将该算法与K近邻（KNN）、支持向量机（SVM）、多层感知器（MLP）等传统机器学习方法及深度学习算法长短时记忆网络（LSTM）进行对比分析，同时探究样本时间窗口大小、样本数据重叠度、驾驶人数量对模型识别结果的影响。在数据时间窗口为1 s、数据重合度80%的条件下，对20名驾驶人进行识别，评价指标宏观F₁分数可达99.1%，表明该模型表现明显优于其他对比模型算法，其对驾驶人身份识别表现稳定，鲁棒性强。     

基于人体姿态估计的分心驾驶行为检测

为弥补现有驾驶特征提取方法的不足,提高分心驾驶行为检测的准确性和鲁棒性,将2D/3D人体姿态估计应用于驾驶人行为检测,提出一种适用于驾驶舱环境下的驾驶特征提取方法。首先通过将2D姿态估计网络Simple Baseline和分类网络ResNet进行融合,构建基于2D姿态估计的分心驾驶行为检测模型,并在分心驾驶数据集State Farm上分析不同数据增强方法、不同超参数、不同分类网络对模型性能的影响。其次,融合3D密集姿态估计网络DensePose与分类网络ResNet,构建基于3D姿态估计的分心驾驶行为检测模型。接着,在State Farm数据集上,针对模型的实时性和泛化能力,对比分析基于原始图像和基于2D/3D姿态的分心驾驶行为检测模型。最后,针对效果更优的基于2D姿态估计的分心驾驶行为检测模型,在分心驾驶数据集State Farm上,对使用不同姿态估计算法和分类网络的分心驾驶行为检测模型做了交叉试验,对比分析4个不同检测模型的优缺点。进一步地,将基于2D姿态估计的分心驾驶行为检测模型应用于实际采集的驾驶图片,对模型的泛化能力和有效性进行了测试验证。研究结果表明:与基于原始图像的检测模型相比,基于2D和3D姿态的检测模型都能显著提高分心驾驶行为的检测准确率;基于3D姿态的检测模型在检测精度方面略优,但基于2D姿态的检测实时性更好,检测效率是基于3D姿态检测的4倍;在驾驶舱单一环境下,基于2D姿态估计的分心驾驶行为检测模型能够满足分心驾驶行为检测的需求,在分心驾驶行为检测方面具有重要应用价值。     

驾驶人对潜在危险性事件的心理预期识别研究

为准确识别驾驶人对潜在危险事件的心理预期，提出一种通过脑电信号对驾驶人心理预期进行识别的方法。参照心理学预期行为研究常用的标准S1-S2范式，改进设计了路侧停靠公交车造成视觉遮挡的人车碰撞事故模拟驾驶试验。模拟任务中以路侧停靠的公交车为线索刺激，公交车头的行人为目标刺激，诱发驾驶人的心理预期。为有效识别驾驶人心理预期，首先采用释放油门的避险行为对每个试次标定是否产生心理预期，然后通过快速傅里叶变换提取相关的脑电特征数据，并通过差异性分析及主成分分析算法对脑电特征指标进行筛选和压缩，最后基于支持向量机建立驾驶人心理预期识别模型。研究获取36名驾驶人数据，共计1 440个样本。结果表明：当驾驶人产生心理预期活动时，枕区和额区的α波能量值显著降低，而β波能量值则显著增加；差异性分析显示共有31项脑电指标对驾驶人心理预期敏感，所有脑电特征指标通过PCA算法进行降维，抽取出5个主成分作为识别模型输入；选择径向基核函数构建SVM识别模型，通过粒子群寻优算法对模型进行优化，模型对驾驶人心理预期水平的平均识别正确率为82.02%，平均AUC面积为0.82，结果表明模型具有良好的识别能力和稳定性，可为驾驶辅助系统的研发提供技术理论支撑。     

人机共驾智能车驾驶模式决策属性析取研究

为了深入分析驾驶模式决策影响因子,通过实车试验采集了人-车-路多源特征信息。用驾驶人主观经验将驾驶模式划分为人工驾驶、警示辅助、自动驾驶3种状态,并利用采集的驾驶人血流量脉冲（BVP）和皮肤电导（SC）值进行K均值聚类,将驾驶人当前合适的驾驶模式自动聚类为3级。通过融合驾驶人自汇报结果和聚类结果对驾驶模式进行准确标定。采用以信息增益为依据的Ranker算法对多特征进行排序,并在此基础上,根据多分类器分级结果确定最优特征属性集合。研究结果表明：当选取车速、车头时距、车道中心距离、前轮转角标准差、驾驶经验5个指标为特征子集时,支持向量机、朴素贝叶斯及K近邻这3种分类器的识别准确率都超过90%;除警示辅助模式与自动驾驶模式下的车速值和车道中心距之外,其余所有不同模式决策属性值均呈显著性差异;研究结果可为人机共驾智能车驾驶模式决策提供依据。