道路监控补光灯对青年驾驶员夜间行车安全影响研究

为了研究夜间环境道路监控补光灯对青年驾驶员驾驶行为的影响，考虑不同光照强度和是否存在行人横穿道路行为2个变量，通过UC-win/Road软件设计城市道路仿真场景，采用驾驶模拟器开展试验，并结合眼动仪、生理记录仪采集青年驾驶员的视觉、生理及驾驶操作3种特性指标。再利用重复测量方差分析方法，分析变量对青年驾驶员的3种特性的影响及其显著性水平。结果表明:①无论是否存在行人横穿道路行为，随着光照强度的增加，青年驾驶员的注视时间、瞳孔面积变化率及脑电(α+θ)/β均减小，心率增长率、制动踏板深度比例及制动反应距离均增加，表明光照强度越大对青年驾驶员的视觉、生理、驾驶操作特性越不利；②在存在行人横穿道路行为时，光照强度对青年驾驶员的视觉、生理及驾驶操作特性的影响更加明显；③当光照强度小于50 lx时，脑电(α+θ)/β和驾驶操作指标变化较缓，而光照强度大于50 lx时，脑电(α+θ)/β指标下降显著，变化率大于10%，其数值低于3.70，表明青年驾驶员产生情绪波动，警觉性显著增大，制动踏板深度比例显著增大，其数值大于0.55，制动反应距离超过13.40 m，制动操作力度较大，操作稳定性降低，且避让行人的成功率显著降低，不利于夜间行车。因此，建议道路监控补光灯的光照强度宜小于50 lx。      

海底隧道出入口区域驾驶员视觉负荷建模分析

为探究海底隧道出入口区域驾驶员生理特征和视觉负荷的变化规律,进行海底隧道实车实验,采集车速、隧道照度及眼动特征参数等数据,并研究其在进出隧道洞口过程中的变化特性。通过比较评价指标的差异性,选取眼睑闭合度相对变化率作为视觉负荷评价指标,构建了车速、照度与眼睑闭合度相对变化率拟合函数模型,量化了车速、照度与眼睑闭合度相对变化率之间的关系,分析了隧道出入口区域驾驶员的视觉负荷特性,并运用单因素分析方法对模型中的照度自变量进行敏感性分析。研究结果表明：海底隧道出入口区域不同路段下的车速、照度与眼睑闭合度相对变化率均有一定差异;驶入或驶出洞口的过程中,车速与眼睑闭合度相对变化率呈现急剧降低的趋势,在通过洞口后趋向平稳上升;驾驶员眼睑闭合度相对变化率对照度敏感程度高于其对车速的敏感程度,照度波动比车速更容易引起眼睑闭合度相对变化率的变化,在入口前端50 m处驾驶员视觉负荷受照度因素影响更为显著。     

驾驶适宜性影响因素浅析

针对影响驾驶员驾驶适宜性的因素,为了进一步提高检测结果的实效性,提出了对不同年龄阶段进行不同侧重点检测的思路。通过对事故组与无事故组驾驶员驾驶适宜性的数据调查,从速度估计、选择反应时间、动视力和暗适应4个方面进行了数据对比,并制成图表。结果表明,对于年龄较小的驾驶员,应提高速度估计的检测权重;对于年长的驾驶员,特别是50岁之后的驾驶员,应突出动视力以及暗适应的检测权重。     

基于行程时间的人车特征动态辨识方法CSCD

实现对驾驶倾向性、汽车类型的动态识别对构建以人为中心的汽车安全驾驶辅助系统具有重要意义。本文以驾驶员隐私保护为基础,利用车载全球定位系统(GPS)捕获的行程时间,建立基于Bayes决策树的人车特征动态辨识模型,识别汽车不同类型及其驾驶员倾向性。通过设计实车和虚拟驾驶实验分别验证在不同渗透率条件下的人车特征辨识效果,验证结果表明,本文建立的人车特征辨识模型准确率在80%以上,明显优于传统决策树模型;通过设计仿真实验验证了考虑驾驶倾向性的微观仿真和实际情况具有较好相合性,仿真验证结果间接证明本文研究成果的合理性。     

低等级公路光学长隧道驾驶员视觉负荷研究

为进一步分析低等级公路光学长隧道内不同车型、不同隧道区域驾驶员的视觉负荷特性，招募了22名驾驶员（12名小汽车驾驶员、10名货车驾驶员），选取云南省境内的昔宜隧道开展低等级公路光学长隧道驾驶员实车试验。利用眼动仪采集驾驶员瞳孔面积的相关数据，应用双因素方差分析对数据进行小汽车与货车、入口段与出口段的差异性显著检验，并分析驾驶员瞳孔面积变化速率的整体变化规律；同时，借助变异系数来反映驾驶员的适应能力。结果表明： 1）隧道入口段和出口段之间以及小汽车与货车驾驶员之间的瞳孔面积变化速率均值存在显著性差异，车型（小汽车和货车）与隧道区域（入口段和出口段）2类因素之间对瞳孔面积变化速率无交互影响； 2）货车驾驶员在进出隧道时视觉负荷更严重，货车驾驶员在隧道内的瞳孔面积增大与减小变化率峰值均大于小汽车驾驶员； 3）货车车型和出口区域的驾驶员对视觉环境更为敏感，不同车型、不同隧道区域驾驶员的瞳孔面积变化速率变异系数有显著差异。     

丰田凯美瑞轿车预防碰撞安全系统解析

丰田凯美瑞轿车预防碰撞安全系统（Pre-Crash Safety System）可在汽车发生碰撞之前收缩前座椅安全带的松弛部分,并使制动控制系统进入制动辅助等待状态,以降低对驾驶员和前排乘客造成的伤害。这套预防碰撞安全系统中的毫米波雷达传感器和距离控制ECU，用来判定与车辆的前方障碍物或前方车辆发生的碰撞是否不可避免，其根据相对车速或者接近某一物体的速度进行测定。     

基于高德导航数据与FOA-GRNN模型的驾驶倾向性辨识方法

为提升汽车主动安全功能,研究了1种基于高德导航数据的低成本、高精度驾驶倾向性辨识方法.基于高德软件开发工具构建动态驾驶数据采集应用程序,并融入个人智能终端以实现对行车数据的实时采集、处理与网络化存储.通过驾驶员生理、心理测试和实车实验获取不同驾驶倾向性驾驶员在导航行驶过程中由时间、速度和加速度推演的驾驶行为信息,采用主...     

高速公路线形三维空间综合指标与运行车速的关系模型

为准确预测高速公路运行车速,以平、纵线形综合指标为主,横断面线形指标作为修正的方式,考虑桥梁、隧道等结构物的影响,建立包括曲率、曲率变化率、曲线转角、纵坡度、车道宽度等指标的公路线形三维空间综合指标描述函数;注重运行车速的连续性变化及驾驶员视觉需求,确定车辆行驶中前方100 m至250 m有效注视范围为前方线形对车速的...     

线控汽车驾驶员特性辨识算法的研究

线控汽车相对于传统汽车具有较多的控制自由度,控制算法设计可将人的因素考虑在车辆集成控制中,进行人性化设计,变"人适应车"为"车适应人",最终实现车辆的安全、智能驾驶。文中确定了驾驶员特性辨识系统,以转向行为为例,对驾驶员特性进行分类,并采用神经网络方法建立了辨识模型,在驾驶模拟器上对所研究方法进行实验验证。结果表明,所建立的驾驶员特性辨识模型有较高精度,能对驾驶员特性进行预测,方法可行。     

智能网联汽车前方防碰撞辅助系统的设计

正一、前方防碰撞辅助系统的定义及发展历程前方防碰撞辅助系统(Forward Collision Warning,FCW)是通过摄像头、雷达等传感器实时感知车辆前方的物体,并检测车辆与目标之间的距离并警示驾驶员的一种系统。该系统的示意图如图1所示。     

普通公路驾驶员期望车速调查分析与建模

为了解普通公路驾驶员的车速选择机理,对驾驶员进行了期望车速问卷调查,对驾驶员的个人信息、车辆特征、以及驾驶员对超速10%的认可态度等可能影响期望车速的因素进行了重点调查。根据限速值的不同,分80、60和40 km/h 3个等级进行了调查,并为各等级公路选取了代表路段,由具有类似驾驶经历的驾驶员认真填写。对435份有效问卷进行了分析,发现期望车速广泛存在于驾驶员心中,驾驶员在行车过程中会使车速尽量维持在期望车速附近。期望车速主要受限速值、驾驶员的驾龄、对超速10%的态度以及车辆性能等因素的影响,驾驶员的性别和年龄对期望车速的影响不显著。采用逐步回归法,得到了期望车速的计算方法。对期望车速的特点、交通安全措施以及调查方案中可供改进的地方进行了总结。     

Driver propensity characterization for different forward collision warning times

The forward collision warning system, which warns danger to the driver after sensing possibility of crash in advance, has been actively studied recently. Such systems developed until now give a warning, regardless of driver’s driving propensity. However, it’s not reasonable to give a warning to every driver at the same time because drivers are different in driving propensity. In this study, to give a warning to each driver differently, three metrics classifying driver’s driving propensity were developed by using the driving data on a testing ground. These three metrics are the predicted time headway, required deceleration divided by the deceleration of the leading vehicle, and the resultant acceleration divided by the deceleration of the leading vehicle. Driving propensity was divided into 3 groups by using these metrics for braking and steering cases. In addition, these metrics were verified by making sure that braking propensity could be classified on public roads as well.     

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。     

基于模糊推理的换车道模型

微观交通仿真在交通系统分析和管理方面是1种安全、有效的工具。在交通微观仿真中,用变换车道表现驾驶员行为是1个非常重要的方面;然而,以往的许多换车道模型并没有考虑驾驶员行为的不确定性和认知性。文中利用模糊推理来表现这种不确定性和认知性,从而使换车道行为更加符合现实。通过实际观察数据与模糊推理的微观仿真模拟的结果比较,表明该模型是可行的,有效的。     

驾驶员隧道段夜间行车动视点特征模糊聚类评价

通过隧道路段行车试验,利用SmartEyeAB型眼动仪对驾驶员夜间隧道动视点数据进行采集并进行处理。选取视点停留比率、显著可见区域、扫视幅度、扫视峰值速度、扫视持续时间5项指标作为驾驶员动视点特征主要影响因素。利用模糊聚类分析中的传递闭包聚类方法对驾驶员夜间隧道路段行车视觉特点进行了分析与评价。通过驾驶员对路段的熟悉程度可将动视点特征分为6类。结果表明：该模糊聚类评价方法能够有效反映驾驶员夜间路段视觉信息获取与加工特征,可为保障夜间行车安全提供理论与实践依据。     

Study on behavior of cab-over truck driver looking at a display while driving

This paper discusses how a cab-over truck driver looks at information shown in a display while driving, to give information to the driver safely and securely. The authors investigated a driver's behavior in changing focus to an information display while driving an actual truck and a driving simulator. Relation between distribution of attention and individual lengths of time to change focus to the display was examined. Average diversion time away from road was found to be approximately 1.7 s, longer than that for passenger cars under similar traffic conditions. Driving skills do not have any influence on individual lengths of time.     

面向安全预警的机动车驾驶意图研究现状与展望

简述当前开展面向安全预警的机动车驾驶意图研究的目的和意义.分析国内外研究现状,得出从驾驶员行为及驾驶动作序列角度开展驾驶意图研究的可行性和有效性,同时介绍了 2种基于概率与数理统计的机动车驾驶意图建模方法.结合驾驶员在直线封闭路段实施驾驶行为特征,阐述使用隐马尔科夫模型(HMM)理论建立驾驶意图模型的步骤以及模型参数学习和系统在线优化算法等内容.对驾驶意图模型网络结构、动态性能方面相关研究方向进行展望.     

Driver-Vehicle-Lateraldynamics under Regular Driving Conditions

In order to minimize accidents and achieve comfortable handling it is necessary to analyse the control behaviour of the driver-vehicle system and adapt the vehicle to the driver. However, most of the tests have shown, that under normal driving conditions the driver adapts himself to the vehicle, which is exactly the other way round as it was originally thought. In this paper it would be shown, how the driver adapts himself to the vehicle and which technical parameters may effect this adaptation.     

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。     

Development of a Driving Behavior-Based Collision Warning System Using a Neural Network

An advanced driver assistance system (ADAS) uses radar, visual information, and laser sensors to calculate variables representing driving conditions, such as time-to-collision (TTC) and time headway (THW), and to determine collision risk using empirically set thresholds. However, the empirically set threshold can generate differences in performance that are detected by the driver. It is appropriate to quickly relay collision risk to drivers whose response speed to dangerous situations is relatively slow and who drive defensively. However, for drivers whose response speed is relatively fast and who drive actively, it may be better not to provide a warning if they are aware of the collision risk in advance, because giving collision warnings too frequently can lower the reliability of the warnings and cause dissatisfaction in the driver, or promote disregard. To solve this problem, this study proposes a collision warning system (CWS) based on an individual driver’s driving behavior. In particular, a driver behavior model was created using an artificial neural network learning algorithm so that the collision risk could be determined according to the driving characteristics of the driver. Finally, the driver behavior model was learned using actual vehicle driving data and the applicability of the proposed CWS was verified through simulation.