共查询到20条相似文献,搜索用时 31 毫秒
1.
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
2.
3.
4.
现有驾驶员精神负荷评价研究多以驾驶场景中有无次任务来给定驾驶员的精神负荷分类标签,但驾驶员在正常驾驶情景下也可能由于陷入自我思维而导致精神负荷的增加;此外,由于个体差异,同一驾驶次任务对不同驾驶员精神负荷的影响也不尽相同。因此,由传统方法所制作的数据集可能存在噪声标签,从而影响精神负荷评价模型的训练效果。针对此类问题,本文中采用置信学习的方法对驾驶员的精神负荷分类标签进行检测和滤除,使用处理过的标签,以脑电、心电和皮电信号特征作为模型输入,基于支持向量机、随机森林、K近邻、决策树、逻辑回归和多层感知机等多种算法构建驾驶员精神负荷模型,对比分析噪声标签处理对提高各类模型性能的效果。结果表明:使用置信学习进行噪声标签处理后,所构建的多种驾驶员精神负荷模型的性能均得到了明显的改善,其中,支持向量机模型的性能提升的效果最佳。 相似文献
5.
6.
7.
8.
9.
10.
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
11.
12.
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
13.
14.
15.
《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
16.
基于端到端数据系统的自动驾驶系统对驾驶图像存在巨大需求。为解决一般生成式对抗网络模型在扩充驾驶图像数据集时不稳定及生成图像特征缺乏多样性的问题,研究1种改进网络模型LS-InfoGAN。结合最小二乘对抗损失防止模型梯度消失,并缓解生成器优化矛盾,提升模型训练稳定性。通过最大化生成图像与真实图像间的互信息提升生成器特征学习能力,改善生成图像特征多样性。利用转置卷积层还原图像特征,提升生成图像特征清晰度。以自主构建的模拟驾驶场景中获取的带标签驾驶图像集对模型有效性及其数据集扩充应用效果进行验证。实验分析表明:相比改进前模型,LS-InfoGAN模型的图像生成过程稳定性平均提升35%;使用此模型扩充的数据集进行端到端自动驾驶系统中决策网络的训练能在不采集新图像的情况下将系统决策性能提升1%~2%;建议使用此模型扩充图像数据集时将生成图像数量设置为原始训练集图像数量的1~2倍。 相似文献
17.
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。 相似文献
18.
19.