基于无监督聚类分析的激进换道行为识别方法

为有效指导驾驶人采取更安全的换道行为,本文提出基于改进的自组织映射神经网络(SOM-Kmeans)聚类分析的激进换道行为识别方法。通过模拟驾驶设备和眼动仪获取驾驶数据和眼动状态,运用变点检测算法结合方向盘转角和横向注视位置从多模态数据集中提取换道行为事件数据,进而提取驾驶人换道行为关键特征参数,运用SOM-Kmeans聚类分析识别激进换道行为。将SOM-Kmeans聚类方法分别与基于密度的聚类算法(DBSCAN)及模糊C均值聚类算法(FCM)比较,分析激进换道行为的识别效果。研究结果表明：SOM-Kmeans能够将激进换道行为划分为紧急换道和挤车换道两种类型,并建立相应的行为指标和阈值,当换道过程中加速度波动大于8.22 m·s^-3且方向盘转角大于0.83 (°)·s^-1,识别此次换道为激进换道行为;在激进换道行为的基础上,当换道间隙小于7.5 m且换道持续时间大于10.3 s时,识别此次换道为挤车换道,否则,为紧急换道行为。挤车换道行为多出现在拥堵较严重的强制换道中,紧急换道行为多出现在交通流环境较好的自由换道中。本文提出的识别方法的准确率...     

疲劳驾驶转向特征指标的个体差异敏感度分析

个体差异是影响疲劳驾驶识别的重要因素. 为研究基于转向行为的疲劳驾驶识别受个体差异的影响,本文对疲劳驾驶转向特征指标的个体差异敏感度进行分析. 通过实车试验获得自然驾驶数据,对正常和疲劳状态下的指标进行Kruskal-Wallis(KW)检验,以H 统计量表示指标有效性;以H 统计量最大的单被试为基础逐一与其他被试组成双被试组合,采用线性模型拟合双被试组合的H 统计量和指标个体差异度,以斜率绝对值表征指标个体差异敏感度. 研究获得9 个转向特征指标的个体差异敏感度,结果表明,敏感度越低,指标有效性受个体差异影响越小,其中方向盘转角标准差的个体差异敏感度最低为2.056. 本研究可为转向特征指标的性能评估及疲劳驾驶识别模型的特征选择提供参考.     

疲劳驾驶转向特征指标的个体差异敏感度分析

个体差异是影响疲劳驾驶识别的重要因素. 为研究基于转向行为的疲劳驾驶识别受个体差异的影响，本文对疲劳驾驶转向特征指标的个体差异敏感度进行分析. 通过实车试验获得自然驾驶数据，对正常和疲劳状态下的指标进行Kruskal-Wallis(KW)检验，以H 统计量表示指标有效性；以H 统计量最大的单被试为基础逐一与其他被试组成双被试组合，采用线性模型拟合双被试组合的H 统计量和指标个体差异度，以斜率绝对值表征指标个体差异敏感度. 研究获得9 个转向特征指标的个体差异敏感度，结果表明，敏感度越低，指标有效性受个体差异影响越小，其中方向盘转角标准差的个体差异敏感度最低为2.056. 本研究可为转向特征指标的性能评估及疲劳驾驶识别模型的特征选择提供参考.     

面向混合交通流的智能网联车鸣笛意图识别模型

为使混合交通流(Mixed Traffic Stream，MTS)下智能网联车(Intelligent Connected Vehicle，ICV)实现鸣笛意图(Horn’s Intention，HI)识别，更好地遵循常规车辆(Manual Vehicle， MV)的驾驶意图，提出ICV 对MV 鸣笛声的“ 感知(Perception) — 定位(Location) — 识别 (Recognition)”模型(简称HI-PLR)，采用深度卷积—循环神经网络(Deep Convolution Recurrent Neural Network, DCRNN)算法感知鸣笛车辆(Horning Vehicles, HV)的鸣笛声；采用到达时差 (Time Difference of Arrival, TDOA)算法定位HV；再基于运动时间窗(Motion Time Window, MTW)的支持向量机(Support Vector Machine, SVM)算法识别HI.实验结果表明，HI-PLR可使 ICV 对混流中车辆的鸣笛声感知准确率达90.4%，定位角度估计误差小于5°，HI 识别率达 82.5%，为ICV在MTS中的智能驾驶决策提供依据.     

基于SVM的高原川道型城市通勤者出行方式选择研究

为探究典型高原川道型城市(西宁市)的出行者对交通出行方式选择的行为,以大规模的居民出行调查数据为基础,提取个人、家庭社会经济属性及出行特征指标,将包含小汽车出行和出租车出行的私人交通方式与公共交通方式这2项通勤方式选择作为目标变量,并通过显著性检验得出影响出行方式选择的8项决策变量.针对29960次有效出行样本,合理划分出训练样本集和测试样本集.基于此,分别构建支持向量机(SVM)和传统的二项Binary logistic (BL)模型以识别通勤者的出行方式选择,选取3项定量指标分方式的分类预测精度、总体分类预测精度和平均绝对百分比误差以对比不同模型的分类结果.研究结果表明:相比BL模型,SVM对分类数据具有更好的拟合效果,对出行方式选择的预测适用性良好,具体来说,对私人交通方式的预测,SVM的预测准确率比BL模型的预测准确率高出8.08％,公共交通则高出了2.76％;SVM的总体分类准确率比BL模型的预测准确率高出4.82％.     

面向混合交通流的智能网联车鸣笛意图识别模型

为使混合交通流(Mixed Traffic Stream，MTS)下智能网联车(Intelligent Connected Vehicle，ICV)实现鸣笛意图(Horn’s Intention，HI)识别，更好地遵循常规车辆(Manual Vehicle， MV)的驾驶意图，提出ICV 对MV 鸣笛声的“ 感知(Perception) - 定位(Location) - 识别 (Recognition)”模型(简称HI-PLR)，采用深度卷积-循环神经网络(Deep Convolution Recurrent Neural Network, DCRNN)算法感知鸣笛车辆(Horning Vehicles, HV)的鸣笛声；采用到达时差 (Time Difference of Arrival, TDOA)算法定位HV；再基于运动时间窗(Motion Time Window, MTW)的支持向量机(Support Vector Machine, SVM)算法识别HI.实验结果表明，HI-PLR可使 ICV 对混流中车辆的鸣笛声感知准确率达90.4%，定位角度估计误差小于5°，HI 识别率达 82.5%，为ICV在MTS中的智能驾驶决策提供依据.     

驾驶人分心状态判别支持向量机模型优化算法

驾驶人分心状态判别是分心驾驶预警系统的重要基础.建立以径向基为核函数的 驾驶人分心状态判别SVM模型,采用遗传算法(GA)优化SVM模型惩罚参数C和核函数参数 g,并利用模拟驾驶器实验平台采集的驾驶绩效数据对模型进行验证.结果表明,采用GASVM 模型能够准确识别自由流和拥挤流场景下驾驶人分心状态,判别精度分别为94.5%和 96.3%.与决策树C4.5 和交叉验证(CV)-SVM对比表明,GA-SVM在准确率、精准率、召回率和 F1值等模型性能方面均优于其他2 种方法.本文建立的模型能够有效地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.     

基于数据挖掘的危险货物运输风险驾驶行为聚类分析

不良驾驶行为(车速过高，车速变化过快等)影响危险货物及车辆的稳定性，是导致危险货物运输事故频发且后果严重的重要原因. 基于对营运车辆联网联控系统海量数据的分析处理，根据其属性提取8 个驾驶行为量化指标，采用因子分析和模糊C均值聚类相结合的方法，实现对危险货物运输车辆驾驶员风险驾驶行为的科学聚类. 结果表明，危险货物运输车辆驾驶行为特征可有效聚为急加减速、超速驾驶和变速驾驶3 种行为，且在每种驾驶行为下实现对驾驶员安全等级的分类. 由此可以识别风险较高的驾驶员，这对危险货物运输企业和行业管理部门有重要参考意义.     

货车移动遮断影响下的小客车驾驶行为识别

为识别山区双车道公路货车移动遮断影响下的小客车驾驶行为，通过无人机拍摄和图像 处理提取车辆轨迹数据，根据车头时距、小客车横向位置曲线斜率的阈值标准，标定小客车的跟 驰、换道和超车这3种驾驶行为类别；采用Kruskal Wallis检验和主成分分析法对小客车驾驶行为 特征参数进行筛选和降维，获取识别模型输入变量；运用网格搜索算法确定核函数最优参数组 合，建立基于支持向量机(SVM)的货车移动遮断下小客车驾驶行为识别模型。以云南省典型山区 双车道公路为例，多维度分析货车移动遮断下的小客车驾驶行为特性，并对识别模型进行训练和 测试。结果表明：货车移动遮断下小客车的行车速度比自由流条件下低约20~30 km·h-1；小客车 在山区双车道跟驰货车行驶时的平均车头时距为2.53 s，小于相关规范中规定的最小安全车头时 距，跟驰行车风险较大；基于SVM的货车移动遮断下小客车驾驶行为识别模型的识别准确率达 98.41%，具有良好的识别能力和应用前景。     

基于SVM的交通事件检测技术

为减少交通事件引起的交通延误,提出了一种基于支持向量机(SVM)的交通事件自动检测(SVM-AID)算法.采用实际高速公路交通参数数据库(I-880数据库),对SVM-AID算法的分类性能进行测试,并分析了SVM中各参数对分类效果的影响.结果表明,SVM中参数对分类效果的影响很大,必须慎重选择;SVM-AID算法对不同...     

双车道公路弯道半径及回旋线长度对转向行为的影响

为研究驾驶员在双车道公路回旋线路段转向行为的影响因素，采用驾驶模拟实验收集15 名驾驶员在72个不同半径、不同转向和不同回旋线长度的弯道上的方向盘转角信号。运用小波变换将方向盘转角信号的空间序列进行分解，研究自然转向行为和轨迹修正行为依半径和回旋线长度的变化规律。结果表明：车辆入弯时的自然转向行程和曲线半径、回旋线长度均显著相关，但与弯道转向无关；入弯时，驾驶员对路线半径变化率的敏感度随着曲线半径的增大而减小。对于轨迹修正行为，在半径一定的条件下方向盘的平均摆幅随回旋线长度的增加而减小，但方向盘回转速率会随着回旋线长度增加而增加；出弯时方向盘的平均摆幅和回转速率整体较入弯时高。当回旋线长度与自然转向行程接近时，方向盘平均摆幅和回转速率均处于较低水平，故以自然转向行程为理想回旋线长度是合理的。     

公路平曲线超高／反超高对车辆操纵的影响

为得到超高率对车辆方向控制的影响,以“道路-驾驶人-车辆”仿真系统为手段,以超高率／反超高率和行驶速度为试验变量,以小客车为仿真车型,以一条设计速度为30km／h的三级公路为试验对象,进行了三维路面上行车动力学的仿真试验．试验结果表明：①超高会减轻侧向力作用下轮胎的侧偏角,从而减低对方向盘角输入的需求;②超高会减小弯道上的轮胎拖距,并减弱前轮转动对车体的抬升作用,明显降低曲线行驶时的操舵矩,从而使操纵变得容易;③超高也会增加车辆的侧倾摆动（朝曲线内侧）,对于低速车辆,其摆动会更明显;④小半径曲线上的双向路拱或者反超高会增加转向需求,当车速较高时,其方向将难以控制．     

单曲线弯道几何参数对小客车转向行为的影响

为了研究车辆在单曲线上行驶时的运动学行为和驾驶行为,在ADAMS软件环境下创建了小客车的动力学模型,进行了切弯和跟弯两种驾驶模式的单曲线行驶试验.根据仿真输出的转向盘角度变化,将转向过程划分为进弯、维持和出弯3个阶段,分别得到了车辆进弯和出弯时的转向长度和转向时间,以及这2个参量与弯道半径、转角和车辆轴距的关系.研究结果表明:当弯道转角不超过某个临界值时,转向盘转角、转向时间以及转向长度随着弯道转角的增大而增大,并且切弯时更显著;当弯道半径不超过550 m时,转向长度随弯道半径增大而增大;不同驾驶模式会导致转向长度出现显著差别,切弯时的稳定转向长度约为跟弯时的2倍;切弯模式的"稳定转向时间-弯道半径"曲线先升后降,呈抛物线形状,而采用跟弯模式时该曲线呈单调下降趋势, 2种模式的平均转向时间为3.75 s.      

应用于换道预警的驾驶风格分类方法

针对不同驾驶风格驾驶人对换道预警需求存在差异的问题,采用视觉传感器、 雷达传感器、GPS、车辆 CAN 总线数据采集系统,基于小型乘用车搭建了实际道路驾驶行 为试验车.通过对多名驾驶人进行实际道路自然驾驶试验,选用跟车时距、换道时距、超速 频次、换道过程最大方向盘转角等参数,采用模糊评价法建立了驾驶风格离线分类模型, 实现了将驾驶人分类为冒进型、比较冒进型、比较谨慎型、谨慎型四类.采用换道安全性相 关参数对模型进行验证. 结果表明,随着驾驶人谨慎程度的增加,换道安全性评价参数更 倾向于安全,驾驶风格分类模型与实际换道安全性评价参数之间呈现良好的一致性.     

基于串级控制的四轮转向车辆稳定车道线保持

针对四轮前后轮转向车辆的稳定车道线保持,提出集成直接横摆力矩和车道 线保持的串级控制策略.主控制器实现车道线保持控制;副控制器实现车辆稳定性控制. 主控制器的前轮转角作为副控制器的参考输入,计算期望滑移角和期望横摆率.后轮转角 和横摆力矩作为副控制器控制输入,基于LQ算法计算补偿后轮转角和横摆力矩,实际滑 移角和实际横摆率跟踪期望滑移角和期望横摆率.在副控制器车辆稳定性控制基础上,主 控制器实现准确地车道线保持控制,保证车辆在车道内安全行驶.实验结果表明,实现准 确车道线保持,并保证车辆的稳定性和操纵性.     

基于浮动车速度波动特征的交通状态识别

为实现路段交通状态的准确判别,解决单参数无法直接识别道路交通状态问题,本文利用高频浮动车速度数据,使用灰度共生矩阵特征值对比度和逆方差表示车辆行驶的波动特征。基于城市道路交通状态变化的动态性与连续性,围绕固定时间窗口内车辆的平均车速、对比度和逆方差,采用FCM (Fuzzy c-means)算法进行聚类分析,得到畅通、平稳、拥挤和阻塞这4种状态阈值。提出基于多维高斯隐马尔可夫模型的交通状态识别方法,分别以3,5,6 min固定时间窗口训练模型。模型状态转移矩阵表明,时间窗口越小其保持原有交通状态的可能性越大,时间窗口越大交通状态突变的可能性越大。使用不同序列长度对比3种时间窗口在测试集中的识别精度,结果表明,随着序列长度的变化,精度显示出先升高后降低的趋势,且固定时间窗口越大,不同序列长度的识别精度变化越均匀。最后利用5 min固定时间窗口划分数据使用本文方法和支持向量机以及随机森林分别进行道路交通状态识别,综合精度分别为92.00%、84.89%、88.48%,同时本文方法在查准率、召回率和F1度量(F1-score)指标均优于其他两个模型,说明道路车速的波动特征可以很好地反映道路交...     

抵近信控交叉口分心驾驶识别模型

为降低驾驶人抵近交叉口过程因分心导致的交通事故，本文基于双向长短时记忆网络 (BILSTM)建立分心驾驶识别模型。依托驾驶模拟实验，采集了45位驾驶人抵近信控交叉口过程中的横纵行为数据，通过方差分析研究分心任务对驾驶行为的影响。结果表明，分心驾驶人需要更长的制动反应时间，制动操作时间缩短，踩压制动踏板的力度下降，同时操纵方向盘的稳定性变差。然后，筛选有显著性影响的6个特征行为指标作为模型的输入，结果表明：BILSTM模型分心状态识别的精确率最高，达到92.6%，F1值为88.7%；准确率、精确率、召回率、F1、AUC和ROC曲 线等模型性能均优于单向长短期记忆网络、支持向量机和决策树5.0分心识别模型。研究结果说 明BILSTM模型能有效判别抵近信控交叉口驾驶人分心状态，可为交叉口驾驶人分心预警系统的优化设计提供依据和指导。     

基于GMM-CHMM 的城市道路换道行为识别

高级驾驶辅助系统(ADAS)是提高车内乘员安全性的主动安全系统之一，将车载参数和车辆位置参数相结合，提出一种能够应用到ADAS的城市道路换道行为识别模型. 在西安城市道路环境中进行实验，采集18 位驾驶员的9 个车载实时参数数据，以及前后车辆间的相对速度、相对距离、相对角度，提取412 个换道行为单元和824 个车道保持行为单元，共 88 992 条数据. 运用数理统计方法分析表明，方向盘转角、转向角速度、相对安全距离比在换道行为和车道保持行为之间有显著性差异，在这3 个特征参数的基础上，建立混合了高斯混合模型(GMM)和连续型隐马尔可夫模型(CHMM)的识别模型，用部分样本对模型效能评价. 结果表明，混合模型对换道行为的识别精度为93.6%，具有良好的识别效果，可以很好地应用到 ADAS.