基于深度学习的分心驾驶行为检测方法

针对现有分心驾驶行为检测方法存在的检测精度低、实时性差等问题，利用基于深度学习的目标检测方法进行了驾驶员分心驾驶行为检测，首先构建分心驾驶行为数据集，包括驾驶员使用手机、饮水和吸烟3种行为的图像，并进行目标物的标注，然后选用轻量化目标检测模型NanoDet进行训练验证，结果表明，该方法可以准确并快速地识别出驾驶员在驾驶过程中使用手机、饮水和吸烟的行为。     

基于转向盘转角的疲劳驾驶检测方法研究

为监测驾驶人员的疲劳驾驶行为,提出了基于转向盘转角的疲劳驾驶检测方法。该方法利用角度传感器MLX90316采集转向盘转角数据,并从采集的转角数据中提取出了能描述驾驶员疲劳状态的角度标准差和静止百分比,根据角度标准差和静止百分比建立疲劳状态判别模型对驾驶员疲劳状态进行检测。实车试验表明,该方法能够简单、快捷地判断驾驶员的疲劳状态,准确率达到80.3%。     

基于深度强化学习的驾驶员跟车模型研究

为提升智能驾驶系统的纵向跟车性能,本文构建了一种基于深度强化学习的驾驶员跟车模型。首先,设计了跟车场景截取准则并从自然驾驶数据中筛选出符合条件的典型跟车场景,并对其数据进行统计分析,即采用相关系数法分析了车间距、相对速度和车头时距等因素对驾驶员跟车行为的影响机理,得出驾驶员跟车行驶过程的行为特性及其影响因素。接着,基于深度确定性策略梯度算法建立了驾驶员跟车模型,将驾驶员跟车轨迹数据集输入到模拟跟车环境中,让智能体从经验数据中学习驾驶员的决策行为。最后,以原始工况数据为基准,对基于深度强化学习的跟车模型进行对比仿真验证,结果表明所构建的驾驶员跟车模型具有良好的跟踪性能,能真实地复现驾驶员的跟车行为。     

基于防疫常态化的驾驶员疲劳状态检测方法

疲劳驾驶检测是交通安全领域的研究分支, 而新冠疫情形势下口罩的佩戴又提出了新的挑战。为此通过基于ResNet-10的SSD模型检测驾驶员人脸, 并使用MobileNet-V2轻量级模型判断是否佩戴口罩, 测试集验证该分类器可以达到98.50%的判断精度。在未佩戴口罩的情况下采用传统图像HOG特征结合SVM分类器检测驾驶员人脸。在后续处理中利用级联回归器定位特征点和提取时间窗口内的疲劳指标, 采用二次判定对疲劳状态采取文字和声音预警, 而在清醒状态下会调整各项判断阈值。对算法在预采集的视频样本和NTHU-DDD测试集下进行测试, 验证了该框架能以18.42帧/s的总体速度实现92.65%和86.09%的检测精度。实验结果表明, 该框架应对佩戴眼镜、脸部姿态变化和光照条件差异具有强鲁棒性, 而且能够兼顾疲劳检测的口罩干扰和实时性。      

基于深度学习的多目标车辆检测及追踪方法

文章是以MTALAB软件为主要平台,基于深度学习建立一种多目标车辆检测及追踪的方法。首先建立一个基于深度学习的模型用于训练的不同场景的车辆数据集,并对所采集的数据集进行标注和格式归一化处理。然后使用K-means聚类算法进行锚框,建立以YOLOv3SPP算法为主的神经网络框架,采用非极大值拟制（NMS）算法得到最终的预测框。最终训练神经网络模型,再对该模型进行测试和评定。经实验可以得出该模型能够准确地检测及追踪多目标车辆。     

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.     

基于OpenCV的红外图像预处理算法研究

准确获取驾驶员的面部表情特征不仅能够有效判定驾驶员当前驾驶疲劳程度,而且能够为驾驶意图的判断提供可靠基础数据。为了全天候监控驾驶员面部表情特征,提出利用具有良好兼容性和快速处理图像特点的OpenCV获取人的面部表情特征,该算法利用车载红外探头实时采集驾驶员面部图像信息,对采集回来的图像进行滤波以及二值化处理,依据红外红外光谱和夜间驾驶员红外脸图特征对图像进行分割,从中提取出驾驶员脸部区域,从而实现对驾驶员脸部区域的准确定位。     

面向智能驾驶的人脸检测研究进展

智能驾驶作为汽车领域的一项前沿技术,日益受到广泛关注。人脸检测在智能驾驶中扮演着重要的角色,通过实时监测驾驶员和乘客的脸部特征能够提高车辆内部环境感知能力,增强系统对驾驶员和乘客的理解,从而提升交通安全性、舒适性和个性化服务体验。文章首先回顾了基于传统特征提取的人脸检测算法,然后介绍了基于深度学习的几种主流检测方法,包括基于级联卷积网络、单阶段检测及双阶段检测算法,分析了这几种算法的结构和优缺点并介绍了轻量级检测方法。最后,对未来的研究方向进行了展望。     

基于深度学习的交通信号灯检测及分类方法

交通信号灯的在线识别是无人驾驶和辅助决策系统中的重要研究内容,文章给出了一种基于深度学习的交通信号灯识别和分类方法,该方法使用YOLO(You Only Look Once)模型,基于Microsoft COCO数据集的预训练模型进行二次迁移学习:先使用Bosch数据集进行迁移学习,再使用自制数据集做迁移学习。测试表明该方法训练后的模型具有较高准确率和实时性。同时,文章给出了基于检测结果提取综合路况信息的策略。     

基于图卷积网络的多信息融合驾驶员分心行为检测

为减少由驾驶员分心造成的交通事故,并检测驾驶员在自动驾驶情况下的分心状态以判断驾驶员是否有接管车辆的能力,提出了一种基于图卷积的多信息融合驾驶员分心行为检测方法。通过分析驾驶员分心行为和姿态特征,设计了驾驶员姿态估计图,基于图卷积网络对驾驶员姿态估计图进行特征提取,使用全连接层对所提取特征进行行为分类,同时融合手机等关键物体信息对驾驶员分心行为进行再判断。实验结果表明,本文提出的方法在SrateFarm数据集和自制数据集上分别达到了90%和93%的准确率,检测速度约为20帧/s,准确性和实时性均达到检测要求。     

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。     

基于机器视觉的驾驶员注意力状态监测技术研究

在将头部朝向近似为视线方向的前提下,研究了驾驶员头部朝向角度与注意力分散之间的关系;提出了头部朝向偏离路面的持续时间和时间比例两个注意力分散指标,建立了基于驾驶员面部特征点(如眼睛,鼻孔)的模型以进行头部朝向角度的估算和注意力分散程度的判别.实验结果表明,对驾驶员面部朝向角度的估计精度达到了较高水平,对注意力分散的检测也达到了较高的准确率.     

基于视觉的驾驶人疲劳及注意力监测方法

对驾驶人疲劳状态监测技术进行了深入研究,分析了在实际应用中存在的问题,在此基础上提出基于灰度方差定位驾驶人面部,利用投影曲线极点位置分割面部器官独立区域,对每一个独立区域进行OSTU计算和轮廓提取,最终获得眼睛的轮廓状态,利用PERCLOS判断驾驶人的精神状态。利用驾驶人面部器官定位的结果,对人体头部旋转运动模型进行分析,提出了计算驾驶人面部旋转角度的计算方法。最后给出判断驾驶人的注意力是否分散的判断策略。试验结果表明,该算法实时性好,具有较好的鲁棒性,可以为驾驶人疲劳状态及注意力状态的判断提供较为准确的依据。     

基于模糊推理的驾驶员意图识别研究

对驾驶员换档操作进行了动力学分析,定义了平直道路匀速行驶的平衡节气门开度和相对节气门开度,研究了典型工况下驾驶员操作特征,将平直道路行驶时的驾驶员意图分为相互关联的五类,并在此基础上提出了将驾驶环境和驾驶员操作相统一的识别方法。根据相应的实车实验数据和经验收集,制定了模糊推理的规则库,建立了多输入单输出的模糊推理模型。对实车实验数据进行了离线识别验证,能够比较准确完整的识别驾驶员意图。     

基于驾驶员跟车习惯的报警/避撞算法研究

在驾驶员实车实验的基础上,研究跟车工况中的驾驶员行为特性和习惯,建立驾驶员跟随车距模型,并结合对车辆制动过程的分析,研究分别基于驾驶员制动行为特性和驾驶员跟随车距模型的报警/避撞算法,通过改变算法的参数值,可使算法得到的报警/避撞时机符合不同驾驶员的驾驶习惯。利用实验数据对算法进行离线检验,验证该算法在报警/避撞系统中的适用性。     

基于深度强化学习的车辆跟驰控制

针对自适应巡航控制系统在控制主车跟驰行驶中受前车运动状态的不确定性影响问题，在分析车辆运动特点的基础上，提出一种能够考虑前车运动随机性的跟驰控制策略。搭建驾驶人实车驾驶数据采集平台，招募驾驶人进行实车跟驰道路试验，建立驾驶人真实驾驶数据库。假设车辆未来时刻的加速度决策主要受前方目标车辆运动影响，建立基于双前车跟驰结构的主车纵向控制架构。将驾驶数据库中的驾驶数据分别视作前车和前前车运动变化历程，利用高斯过程算法建立了前车纵向加速度变化随机过程模型，实现对前方目标车运动状态分布的概率性建模。将车辆跟驰问题构建为一定奖励函数下的马尔可夫决策过程，引入深度强化学习研究主车跟驰控制问题。利用近端策略优化算法建立车辆跟驰控制策略，通过与前车运动随机过程模型进行交互式迭代学习，得到具有运动不确定性跟驰环境下的主车纵向控制策略，实现对车辆纵向控制的最优决策。最后基于真实驾驶数据，对控制策略进行测试。研究结果表明：该策略建立了车辆纵向控制与主车和双前车状态之间的映射关系，在迭代学习过程中对前车运动的随机性进行考虑，跟驰控制中不需要对前车运动进行额外的概率预测，能够以较低的计算量实现主车稳定跟随前车行驶。     

融合预瞄与势场栅格法的紧急避撞驾驶人模型

紧急避障工况下的驾驶人操作具有响应快且动作幅值较大的特点，传统预瞄驾驶人模型已不能适应紧急避障工况的需求，故考虑实际避撞场景开发相应的驾驶人模型就显得尤为必要。针对此种状况，基于驾驶模拟器，结合紧急避撞工况实际驾驶人操纵数据，提出了一种融合预瞄与势场栅格法的紧急避撞驾驶人模型。首先针对紧急避撞工况下车辆运动特点，建立车辆横、纵向耦合非线性动力学模型，并给出其状态空间方程描述；其次，离线仿真分析紧急避撞系统特征，并结合线性二次型最优控制，建立最优曲率预瞄+跟踪误差反馈驾驶人模型；再者，基于紧急避撞工况下真实驾驶人经验转向行为数据，开发基于势场栅格法的驾驶人模型，为进一步提高驾驶人模型对避障行驶工况的适应性，将基于势场栅格法的驾驶人模型与最优曲率预瞄+跟踪误差反馈驾驶人模型进行融合，并基于Sigmoid函数实现两者输出的权重分配；最后，针对所提出的融合预瞄与势场栅格法的驾驶人模型，开展基于避撞台架的驾驶人在环仿真试验以及实车试验。研究结果表明：在紧急避撞工况下，对比最优曲率预瞄+跟踪误差反馈驾驶人模型，融合预瞄与势场栅格法的驾驶人模型输出的转向动作与实际驾驶人行为较为接近，可在保证避障安全性的前提下，兼顾避障路径跟踪精度与车辆行驶的稳定性。     

突发事态下汽车驾驶员面部温度的研究

应用试验研究型驾驶模拟器,观察并测试了在处理突发事态时驾驶员面部皮肤温度、心率及血压的变化,研究了其反应的表现方式、反应时间和反应过程,分析了受试者的个人差和个体差,提出了采用以人的目视为标准的视觉温度变化判定方法。     

驾驶员最优预瞄纵向加速度模型

利用预瞄跟踪理论、模糊决策理论和非线性系统描述函数法建立了一个驾驶员速度控制模型，即加强员最优预瞄纵向加速度模型，仿真结果表明，该模型通过对驾驶安全性、合法性、轻便性、驾驶员自身滞后特性及汽车动力学系统强非线性特性的考虑，可以有效地模拟驾驶员控制汽车速度的行为特性，为人-车-路闭环系统中速度控制研究提供了一条可行途径。     

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。