共查询到20条相似文献,搜索用时 38 毫秒
1.
2.
《汽车技术》2021,(4)
为进一步提高驾驶风格识别准确率并降低传统监督学习所需大量人工标记带来的时间成本,基于半监督学习三协同训练(Tri-Training)方法对驾驶员驾驶风格进行识别。对驾驶员真实驾驶产生的长时序数据进行数据清洗、工况识别、特征提取,并通过专家系统进行标记后使用Tri-Training算法进行训练,建立驾驶风格识别模型,通过调节带标签样本与无标签样本的比例,对比使用不同样本比例下训练的传统机器学习模型和Tri-Training模型的驾驶风格识别准确率。试验结果表明,相比于传统的监督学习方法,Tri-Training在带标签数据较少时,仍能表现出优异的识别准确率,半监督学习下的Tri-Training模型可以有效利用未标记样本来提高驾驶风格分类的准确率。 相似文献
3.
4.
5.
6.
驾驶风格是用来体现驾驶员在车辆运行状态下对车辆操作的行为特征,对用户驾驶风格进行识别与分析,有利于推进智能驾驶的发展。根据基于116 辆纯电动汽车的车辆运行数据,通过主成分分析方法与K-means 聚类算法,对用户驾驶行为进行分类分析,对驾驶风格进行了分类识别。利用XGBoost 算法构建纯电动汽车驾驶行为与能耗输入模型,利用SHAP 对模型进行解释。结果表明,将驾驶风格聚为3 类具有较好的分类效果,可分别对应冷静型、普通型与激进型;当驾驶员的驾驶风格趋向于激进型时时,车辆的驾驶能耗越高,驾驶风格激进一个层级,车辆百公里电耗增加3~4倍。当驾驶员行车时,其车速越高,油门踏板踩得越深,车辆加速度的绝对值越大,车辆的驾驶能耗越高。驾驶员的驾驶风格越激进,车辆的驾驶能耗越高。 相似文献
7.
《汽车工程》2020,(1)
本文中根据不同工况驾驶员转向行为数据,提出了基于驾驶员避撞转向行为特征的聚类算法。首先搭建驾驶模拟器,采集了定半径转向、常规换道和紧急避撞转向工况下的驾驶行为数据,通过对比正常行驶和紧急避障工况下驾驶员转向行为数据,定性分析了紧急避撞转向特点。之后,利用皮尔逊相关系数法分析了描述驾驶员转向行为的观测变量与紧急避撞转向行为的相关性,得出转向盘转速与转向工况的相关性最高。接着,以转向盘转速作为聚类特征参数,利用改进K均值(K-means++)聚类方法对转向行为数据进行了聚类,将转向行为划分为正常转向和紧急避撞转向,实现了紧急避撞转向工况的识别。最后,通过实车试验验证了所提出的紧急避撞转向行为K-means++聚类方法可有效识别驾驶员紧急避撞转向行为,聚类精度达96.7%。 相似文献
8.
9.
10.
11.
12.
13.
《汽车技术》2021,(5)
为了考虑个性化的驾驶员特性对AEB控制策略的影响,提出了一种基于不同驾驶员驾驶风格的AEB控制策略。根据AEB危险场景下的驾驶员反应时间和情境风险度评价得分提出了驾驶风格识别系数的评价指标,通过驾驶员特性所呈现的人群聚类规律,将驾驶员分为谨慎型、普通型和激进型,同时引入危险系数来分级控制安全距离模型的制动减速度,完成紧急状况下的车辆制动。Simulink与Trucksim联合仿真结果表明,不同驾驶风格驾驶员对AEB系统介入时机与最小安全距离的心理预期具有不同的个性化需求,基于不同驾驶风格的AEB控制策略可以有效改善AEB系统的适应性,提高驾驶员的舒适性。 相似文献
14.
为实现智能车辆危险预警辅助功能,精确建立个体驾驶员的个性化辅助系统,提出一种数据驱动的智能车个性化场景风险图构建方法。构建复杂交通场景中动静态要素属性与要素之间隐含交互关系的图表征,使用图核方法对图表征数据进行相似性度量,处理分析驾驶员操作数据并获取驾驶员个性化场景危险程度评价标签。基于支持向量机训练识别模型,建立驾驶员个性化危险评价机理与场景特征之间的映射关系,以模型输出的危险程度评价标签与真实值进行实验对比。结果表明,基于场景风险图构建的驾驶员个性化危险场景识别模型识别准确率可达95.8%,比特征向量表示法提高了38.2%,能够有效地做出基于驾驶员驾驶风格的个性化场景危险程度评价。 相似文献
15.
通过引入驾驶评价指标和制动压力的控制及其要求规范了驾驶行为,为提高测试的准确性以及可重复性提供了保障。利用8名具有多年底盘测功机驾驶经验的驾驶员及两台轻型汽油车,在底盘测功机上开展了大量的新欧洲驾驶循环测试 (New European Driving Cycle,NEDC) 和全球轻型车统一循环测试 (Worldwide Harmonized Light Vehicles Test Cycle,WLTC),并以10 Hz为采样频率连续记录数据进行综合计算,得到驾驶评价指标结果。通过相关性分析,认定驾驶风格对油门扰动性的影响在 NEDC工况下比在 WLTC工况下的更大,主因是驾驶员在稳定工况下拥有更多的自由度。对于NEDC工况,可以通过设定IWR及EER限值来实现规范驾驶;对于WLTC工况,可以通过设定IWR和RMSSE限值来实现规范驾驶。此外,通过限制工况驾驶过程中的最大制动压力还为规范驾驶提供了有效途径。不仅为降低不同驾驶员对燃料消耗量测试的影响提供了参考,在我国汽车领域实现“双碳”目标的背景下,也为乘用车碳排放大数据采集的准确性提供了借鉴。 相似文献
16.
驾驶员管理是道路运输安全和节能管理的基础和源头。为加强道路运输企业驾驶员驾驶行为安全与节能的管理考核,降低运输企业的监管成本,研究并制定了一套基于企业安全生产管理数据(以卫星定位数据为主)的驾驶行为安全与节能评价方法。首先根据驾驶员驾驶行为的特点和行业管理要求,建立驾驶行为安全与节能评价指标模型,从卫星定位数据中提取了10项驾驶行为安全与节能二级评价指标,根据指标的发生次数和持续时长等进一步细分得到17项三级指标。给出了各项三级评价指标的具体识别和计算方法,并建立了各项二级评价指标的得分标准。利用层次分析法,通过构造比较判断矩阵并进行一致性检验,得出各项评价指标的对应权重。随后采用加权平均方法,最终得到驾驶员驾驶行为的安全评价结果、节能评价结果和综合评价结果,完成对驾驶行为的评价和分析。选取某客运公司行驶时间段和路段等较具代表性的道路运输车辆,利用其正常运行过程中产生的卫星定位数据,对所提出的评价方法进行了试验验证,并与现有其他相似的方法进行了比较分析。结果表明,该方法可从安全与节能两个角度对驾驶员的驾驶行为进行有效评价,帮助运输企业和行业管理部门及时发现和管控驾驶员的不规范驾驶行为。 相似文献
17.
为了分析驾驶风格对不同跟驰场景下跟驰行为的影响,利用高逼真度驾驶模拟器设计晴天、雾天两种天气状况和自由流、拥挤流、阻塞流三种交通流状态组合的六类典型跟驰场景。以跟驰过程中的最大加速度、最大油门踏板受力、最大油门踏板受力速度作为指标,通过K-means聚类识别方法,对六类典型跟驰场景下不同驾驶风格的驾驶员进行聚类识别,并以跟车间距、车头时距为风险指标评价不同驾驶风格的驾驶员在六类典型跟驰场景下的跟驰风险。结果表明:六类典型跟驰场景下,不同驾驶风格驾驶员的跟驰行为存在明显差异;激进型驾驶风格驾驶员倾向保持更小的跟车间距和车头时距,跟驰过程中的碰撞风险更高;晴天和自由流场景下不同驾驶风格驾驶员跟驰行为差异性更加显著。 相似文献
18.
19.
基于现有网联数据获取技术与条件,从车联网系统提取车头时距参数并将3 s内的车头时距特征值定义为驾驶模式,根据驾驶模式进而对驾驶风格(即驾驶人的驾驶行为习惯)进行分类。通过车头时距特性对驾驶模式进行量化分类,根据标定好的驾驶风格结果,辨识每种驾驶风格包含的典型驾驶模式;运用模糊分类方法赋予典型驾驶模式相应分值,通过计算每位驾驶人分值并结合已标定的驾驶风格结果设定每种驾驶风格的阈值;利用该阈值对测试集中的驾驶人风格进行识别,以验证识别准确率。采集了44名驾驶人网联环境行车数据将驾驶人标定为激进型、普通(即既不保守也不激进)型和保守型。按上述方法设置各驾驶风格阈值,结果表明:各驾驶风格的阈值分别为:S < 64.67为保守型,64.67 ≤ S < 181.20为普通型,S ≥ 181.20为激进型;使用所提方法来识别驾驶人风格,总体准确率为85.7%。所提出的基于车头时距的驾驶风格分类方法,使用了极精简的驾驶行为参数,为驾驶风格分类应用提供了新思路。 相似文献