基于MobileViT-CA模型的营运车辆驾驶人分心行为检测

营运车辆驾驶人因其职业特殊性,驾驶过程中易产生分心驾驶行为从而引发重大交通事故。为提高营运车辆驾驶人分心驾驶行为的检测准确性和泛化性,提出一种基于改进MobileViT网络的驾驶人分心行为检测方法。首先,基于自然驾驶实车试验,构建包含安全驾驶、使用手机、喝水、整理仪容和与副驾驶交谈5类行为的营运车辆驾驶人分心行为数据集。其次,将注意力机制引入轻量型MobileViT网络,通过选择有效的网络主干MobileViT、注意力模块CA、网络嵌入位置从而设计出最优分类模型MobileViT-CA。研究结果表明：所提出的MobileViT-CA分类模型可以有效提升分类网络的性能,在正常光照条件下的营运车辆驾驶人分心行为数据集和State Farm数据集上分别达到了96.57%和99.89%的准确率,且模型具有体积小、检测精度高的优势,有较高的可靠性和泛化能力。     

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。     

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。     

驾驶分心行为及应对策略研究综述

驾驶分心行为对驾驶安全具有重要影响,文中对驾驶分心行为的定义、来源、影响因素、心的检测,研究实验方法以及缓解应对策略进行了综述。     

基于自然驾驶数据的分心驾驶行为识别方法

大量证据表明，驾驶人分心是导致交通事故的主要原因之一。当前基于侵入式（如脑电波等）或半侵入式（如视频等）检测驾驶人分心的方法，不仅对驾驶任务造成一定干扰，且受多种环境因素的制约，误报率较高。基于此，只考虑非侵入式车辆运动特征，提出一种基于深度学习的驾驶人分心状态识别方法：首先，从自然驾驶数据集中获得大量的跟驰片段，采用态势感知方法，提取典型的分心驾驶片段，并建立仅包含车辆运动学特征的分心判别指标集；其次，利用梯度提升决策树-递归特征消除算法（GBDT-RFE）和随机森林-递归特征消除算法（RF-RFE）对特征进行重要度排序，得到重要度较高的分心监测指标；最后，采用长短时记忆神经网络（LSTM-NN）实现分心驾驶的分类识别，并与支持向量机和AdaBoost的模型结果进行对比。研究结果表明：LSTM-NN在判别分心或正常状态时F₁分别为89%、91%，高于SVM和AdaBoost对应二分类结果；进行多分类任务时，判别分心情景的平均F₁较SVM和AdaBoost分别提升了12%和7%，不同类别分心识别的误报率在15%以下，说明LSTM-NN能够有效学习分心序列的前后信息，有利于准确估计驾驶人的状态。研究结果可为车辆分心预警系统和驾驶风险倾向性评估提供方法基础。     

基于类间距优化的分心驾驶行为识别模型训练方法

分心驾驶行为识别任务可以看作细粒度图像分类任务,即图像中较小区域所包含的特征决定了该图像的类别,如一张图像是正常驾驶还是与副驾驶聊天完全由驾驶员的脸部朝向来决定.对于那些图像差异很小的类别,图像分类通常训练方法训练出的模型无法高精度地区分.针对这一问题,提出了基于类间距优化的分心驾驶行为识别模型训练方法,通过增大模型从...     

基于驾驶风格的前撞预警系统报警策略

考虑驾驶风格的影响,设计了一种优化的纵向相对距离预测模型,并基于此模型改进了前撞预警系统报警策略。驾驶风格分类结合了分位点法和信息熵法,以不同方式进行特征提取,使用k-means方法聚类样本数据。基于长短期记忆模型,设计了编码器-解码器模型用于预测,以上述分类的全部数据训练模型的共用部分参数,以提高模型的泛化能力;而以3种驾驶风格对应数据集对模型的个性化部分参数进行更高学习率的训练。利用上述预测模型,对基于欧洲新车评估计划-自动紧急制动系统测试协议的前撞预警策略进行改进,使误报警次数从123降低至50。     

基于分段学习模型的自动驾驶行为决策算法研究

在具有车道线的特定自动驾驶场景中,针对目前端到端的行为决策算法直接输入原始图像进行决策导致的网络模型迁移性差、预测精度欠佳、泛化能力不足等问题,提出一种基于分段学习模型的车辆自动驾驶行为决策算法。首先,基于GoogLeNet建立一种端到端的车道线检测网络模型,并引入车道中心线作为决策的重要线索提高算法的迁移能力,同时利用YOLOv3目标检测模型对本车道内前方最近障碍物进行位置检测;而后,经几何测量模型将两者检测结果转换成环境状态信息向量为决策做支撑;最后,构建基于长短期记忆(LSTM)网络的驾驶行为决策模型,根据编码的历史状态信息刻画出动态环境中车辆的运动模式,并结合当前时刻的状态推理得到驾驶行为参量。使用建立的真实驾驶场景数据集对模型分别进行训练、验证与测试,离线测试结果显示车道线检测模型的检测位置误差小于1.3%,车道内前方障碍物检测模型的检测精度达98%以上,驾驶行为决策网络模型表征预测优度的决定系数 大于0.7。为进一步验证算法的有效性,搭建了Simulink/PreScan联合仿真平台,多种工况下的仿真验证试验中多个评价指标均达到工程精度要求,实车测试的试验结果也表明该算法可实现复杂驾驶场景下平稳、准确无偏航的预测效果并满足实时性要求,且与传统端到端模式的算法相比,具有更好的迁移性和泛化能力。     

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.     

基于注意力机制的多模态自动驾驶行为决策模型

针对现有端到端自动驾驶模型未考虑驾驶场景中不同区域的重要性和不同语义类别之间的关系而导致预测准确率低的问题，受驾驶人注意力机制和现有端到端自动驾驶模型的启发，充分考虑驾驶场景的动态变化、驾驶场景的语义信息和深度信息对驾驶行为决策的影响，以连续多帧驾驶场景的RGB图像为输入，构建一种基于注意力机制的多模态自动驾驶行为预测模型，实现对方向盘转角和车速的准确预测。首先，通过语义分割模型和单目深度估计模型分别获取RGB图像的语义图像和深度图像；其次，为剔除与驾驶行为决策无关信息，以神经科学和空间抑制理论为基础，设计一种拟人化注意力机制作为能量函数来计算驾驶场景中不同区域的重要度；为学习语义图像中与驾驶行为决策最为相关类别之间的关系，采用图注意力网络(Graph Attention Network,GAT)对驾驶场景的语义图像进行特征提取；然后，以保留RGB特征为原则对提取的驾驶场景的图像特征、语义特征和深度特征进行融合，采用卷积长短期记忆网络(Convolutional Long Short Term Memory,ConvLSTM)实现融合特征在连续多帧之间的传递，进而实现下一帧驾驶场景对应驾驶行为的预测；最后，与其他模型的对比试验、消融试验、泛化试验和特征可视化试验来充分验证所提出自动驾驶行为预测模型的性能。试验结果表明：与其他驾驶行为预测模型相比，所提出模型的训练误差为0.021 2，预测准确率为86.97%，均方误差为0.031 5，其驾驶行为的预测性能优于其他模型；连续多帧的语义图像和深度图像、拟人化注意力机制和面向语义特征提取的GAT有助于提升驾驶行为预测的性能；该模型具有较好的泛化能力,其做出驾驶行为预测所依赖的特征与经验丰富的驾驶人所关注的特征基本一致。     

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。     

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。     

Which factors lead to driving errors? A structural equation model analysis through a driving simulator experiment

As driving error is a main contributory factor of road accidents, its causes and consequences are of great interest in the road safety decision making process. This paper investigates several factors (including driver distraction, driver characteristics and road environment) that affect overall driving error behaviour and estimates a new unobserved variable which underlines driving errors. This estimation is performed with data obtained from a driving simulation experiment in which 95 participants covering all ages were asked to drive under different types of distraction (no distraction, conversation with passenger, cell phone use) in rural and urban road environment, as well as in both low and high traffic conditions. Driving error was then modeled as a latent variable based on several individual driving simulator parameters. Subsequently, the impact of several risk factors such as distraction, driver characteristics as well as road environment on driving error were estimated directly. The results of this complex model reveal that the impact of driver characteristics and area type are the only statistically significant factors affecting the probability of driving errors. Interestingly, neither conversing with a passenger nor talking on the cell phone have a statistically significant impact on driving error behaviour which highlights the importance of the present analysis and more specifically the development of a measure that represents overall driving error behaviour instead of individual driving errors variables.     

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。     

Using kinematic driving data to detect sleep apnea treatment adherence

People spend a significant amount of time behind the wheel of a car. Recent advances in data collection facilitate continuously monitoring this behavior. Previous work demonstrates the importance of this data in driving safety but does not extended beyond the driving domain. One potential extension of this data is to identify driver states related to health conditions such as obstructive sleep apnea (OSA). We collected driving data and medication adherence from a sample of 75 OSA patients over 3.5 months. We converted speed and acceleration behaviors to symbols using symbolic aggregate approximation and converted these symbols to pattern frequencies using a sliding window. The resulting frequency data was matched with treatment adherence information. A random forest model was trained on the data and evaluated using a held-aside test dataset. The random forest model detects lapses in treatment adherence. An assessment of variable importance suggests that the important patterns of driving in classification correspond to route decisions and patterns that may be associated with drowsy driving. The success of this approach suggests driving data may be valuable for evaluating new treatments, analyzing side effects of medications, and that the approach may benefit other drowsiness detection algorithms.