分心驾驶研究文献计量学分析

车辆自动化和信息娱乐系统的发展趋势使驾驶人分心成为日益突出的社会问题。为全面了解分心驾驶的研究进展，本文选取近 12 年关于分心驾驶的 2313 篇文章，利用文献计量工具VOSviewer和R-Bibliometrix系统梳理与分析分心驾驶的研究现状。首先，概述分心驾驶研究的总体情况，包括分心驾驶研究的国家分布、核心作者及核心期刊；其次，重点归纳分心驾驶领域的高影响力文献，并从“注意力机制”“分心驾驶风险与年轻驾驶人驾驶行为”“分心源”“分心驾驶检测”“自动驾驶下驾驶人的分心效应”这5个研究主题总结分心驾驶的研究热点；最后，构建分心驾驶的研究体系，并预测未来的发展趋势。研究认为：有必要加强研究分心的形成、消散和恢复机理；需扩展研究对象和场景，综合考虑车内和车外的分心源以及复合分心带来的风险；多源信息融合及考虑多类型分心可以进一步完善分心驾驶风险的研究；界定分心状态与等级划分，针对不同驾驶分心类型的识别应是未来分心驾驶检测研究的重点；自动驾驶场景下的分心行为及接管效能，以及混合交通流下的分心状态是值得关注的研究。基于机器视觉的分心检测和自动驾驶的接管效能将成为分心驾驶领域的研究前沿。     

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。     

考虑驾驶人不同分心类型的分心识别研究

驾驶人分心状态判别是实现分心预警的基础。由于视觉分心相比认知分心对行车安全具有更大威胁，本文针对驾驶人不同分心类型的识别展开研究，设计了驾驶人两种分心类型和正常驾驶下的模拟驾驶试验，利用1-back任务和看手机任务分别诱导驾驶人产生认知分心和视觉分 心，采集并提取驾驶绩效、眼动及头动特征，采用序列后向选择算法进行特征优选，运用网格搜索确定分心识别的最佳时间窗口及模型参数。结果表明，基于随机森林所构建模型在测试集上取 得了94.07%的宏精准率、93.89%的宏召回率和93.98%的宏F1值，分类表现优于两种比较方法，说明模型能够准确地对驾驶人的3种状态进行分类。根据随机森林模型的特征重要性排序结果以 及采用不同类型特征作为输入训练模型的分类结果发现，驾驶人眼动及头动特征对驾驶人分心类型的识别更为重要。本文研究可为分心预警系统根据分心类型判定风险等级提供基础。     

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.     

认知分心情境下驾驶人应激反应行为研究

选取40名被试,采用2-back任务诱导认知分心,利用驾驶模拟系统构建行人-机动车、非机动车-机动车和机动车-机动车等3种应激场景,开展了不同应激场景正常驾驶及认知分心驾驶2种工况驾驶人的应激反应实验研究;根据采集的被试的眼动、脑电和驾驶行为等数据,分析了认知分心驾驶工况驾驶人的应激反应行为特性;对实验结果进行集对分析(SPA),完成了不同应激场景下驾驶人应激反应行为的安全性评估。结果表明：驾驶人应激反应行为的安全性因受认知分心的影响而降低,其中在行人应激场景下的影响最为显著。     

手机打车软件操作驾驶分心检测模型研究

为探寻操作手机打车软件时的驾驶分心识别方法,本文开展模拟驾驶实验,采集了驾驶员在不同驾驶状态下的驾驶行为参数,通过对参数的统计分析,确立分心检测参数集。采用支持向量机分类算法理论构建基于驾驶绩效的分心检测模型,并利用实验数据验证模型的有效性。结果表明:该模型对驾驶员视觉分心驾驶行为检测率最高,正常驾驶行为次之,对认知分心驾驶行为的检测能力最弱,模型的平均检测正确率为86.67%,检测效果较好,可用于驾驶分心检测。     

基于贝叶斯网络的驾驶疲劳程度识别模型

国内外学者大多采用单一类型指标对驾驶疲劳程度进行判断。为克服单一指标检测的不稳定性,构建基于贝叶斯网络的驾驶疲劳程度识别模型。将驾驶环境属性、驾驶人个体属性和原始疲劳属性作为模型输入层变量。选择脑电指标、心电指标、眼动指标、驾驶绩效指标作为模型输出层变量。将清醒、轻度疲劳、重度疲劳三种驾驶疲劳程度作为隐含层变量。采用模拟驾驶方法进行实验,得到不同实验对象各个时刻不同疲劳程度的概率。将利用单一指标和贝叶斯网络模型得到的驾驶人疲劳程度与主观疲劳测评结果进行对照,证明贝叶斯网络模型不仅能消除单一指标失效时产生的误判和漏判,而且可提高识别的准确性。     

基于K 近邻和支持向量机的醉酒驾驶识别方法的对比分析

醉酒驾驶严重威胁道路交通安全,对醉酒驾驶进行准确识别意义重大.利用驾驶模拟舱进行驾驶实验,提取醉酒驾驶和正常驾驶的驾驶行为参数.首先,通过方差分析和均值分析选取方向盘转角作为识别特征,并采用滑动数据窗求取方向盘转角均值序列,构建识别特征参数;然后,分别采用K近邻(KNN)和支持向量机(SVM)对驾驶状态进行识别,得到两种分类方法在不同道路线形的最高识别准确率及其相对应的最优数据窗;最后,对两种分类方法进行了对比分析.结果表明,SVM对醉酒驾驶的识别性能优于 KNN;数据窗对KNN的识别准确率影响显著,对SVM的识别准确率影响不明显.     

危险货物道路运输车辆驾驶人风险倾向性分类研究

为加强危险货物道路运输安全风险源头管控，本文充分挖掘轨迹大数据和动态监控数据等多源异构行车数据，研究危险货物道路运输车辆(危货车)驾驶人风险倾向性分类。基于广泛可用的GPS轨迹数据所蕴含的驾驶行为模式和运行环境特性，引入时变随机波动率的概念，提取5种速度波动性指标，构建表征驾驶风格的属性特征集，加之行为抑制控制力、认知抑制控制力和生理负荷特征，共同组建危货车驾驶人风险倾向属性指标体系；利用Critic赋权法计算各指标客观权重，并基于多准则妥协解排序算法(VIse Kriterijumski Optimizacioni Racun, VIKOR)对危货车驾驶人的属性进行评分；建立基于K-medoids聚类算法的危货车驾驶人风险倾向性分类模型。结果表明：运用分类模型，本文将危货车驾驶人分为4类。其中，驾驶风格激进加行为抑制控制力薄弱型驾驶人面对拥堵路段和恶劣天气时表现出更大的速度波动和更多的车辆控制报警；认知抑制控制力薄弱型驾驶人分心次数更多，愿意将更多的注意力分配给分心对象，且更频繁地在分心对象和前方路况间进行注意力转移；易疲劳型驾驶人表现出更多的疲劳报警和超时驾驶报警，驾驶人承受更大的...     

驾驶特性的识别评估及其在智能汽车上的应用综述

研究了驾驶特性的识别方法、驾驶人接管能力评估的进展、驾驶特性在智能汽车领域中的应用；将驾驶人状态监测划分为驾驶人疲劳监测、分心监测和不良驾驶行为监测，总结了驾驶人状态监测研究的目标、方法、精确度、判断标准以及优缺点；对比了驾驶人疲劳监测中不同检测信号之间的差异；评析了基于模糊识别和隐马尔可夫模型的驾驶人意图识别与预测方法；梳理了驾驶风格分类与辨识的主要步骤、典型辨识方法的特点；分析了驾驶人接管能力的影响因素与评判标准；阐述了驾驶特性用于开发用户接受度高和人机交互性能好的辅助驾驶系统的主要方式；概括了在人机共驾协同控制中考虑驾驶特性的途径。研究结果表明:基于多种传感器信号融合的驾驶人状态监测可有效避免基于单一传感器信号的弊端，提高了检测精度，减少了误警报；将传统预测模型与混合智能学习相融合的方法能够为驾驶意图在线识别与预测提供解决方案；应该重点研究复杂工况下的驾驶特性辨识；驾驶人接管能力的研究有待理论化和系统化；未来的发展趋势是开发基于驾驶特性的集成辅助驾驶技术、实现多种典型路况下驾驶人与辅助驾驶系统进行意图和控制策略的交互；将个性化驾驶人的驾驶特性融入共驾系数的设计中，从而提高人机共驾系统的个性化、智能化水平和环境适应性能。      

自动驾驶测试场景研究进展

阐述了目前形成的自动驾驶测试场景的5种定义,并在梳理测试场景、基元场景、场景要素之间逻辑关系的基础上提出了自动驾驶测试场景及有关概念的定义;对比了目前业界较为认可的3种自动驾驶测试场景架构;从场景数据来源梳理了国内外开展的交通事故数据与自然驾驶数据采集与研究现状;概括了利用已知数据、专家数据、测试需求、测试对象以及自动驾驶技术特征等开展未知自动驾驶测试场景构建与自动生成研究的成果。研究结果表明:自动驾驶测试场景的定义及架构与自动驾驶场景的构建与自动生成关系密切;自动驾驶场景可以认为是自动驾驶汽车的行驶环境、交通参与者与驾驶行为等场景要素的有机组合与综合反映,自动驾驶测试场景除包含场景的所有要素外,还应包含场景起始状态、场景发生的态势以及场景结束时造成的影响和结果等内容的动态语义描述;现有测试场景架构已较为完善,但难以满足不同测试目标及测试方法的需求,其优化应充分考虑测试场景设计的流程;交通事故数据采集精度及有效数据特征不一,自然驾驶场景数据难以完全采集,且采集规范不统一,其面向自动驾驶测试场景构建的有效性还有待进一步论证,自动驾驶测试数据有望成为重要补充;提升场景覆盖度、加速测试进程是自动驾驶测试场景构建的重要研究目标,人工智能技术在自动驾驶场景生成领域的深度应用有望满足测试场景的完全覆盖或高覆盖需求;面向不同自动驾驶等级的测试场景分级及面向自动驾驶加速测试场景构建方法将是自动驾驶测试场景构建下一步研究的重要方向。      

货车驾驶人驾驶行为与行车安全研究进展

驾驶行为是影响交通安全最活跃的因素,在“人-车-路”复杂环境中扮演着关键角色。为了深入理解货车驾驶人驾驶行为规律和行为风险性,本文聚焦货车驾驶人驾驶行为对行车安全的影响,对货车驾驶人的驾驶行为风格、行为风险性及其与行车安全的关系等相关研究成果进行系统地梳理和分析。首先,利用构建的文献检索策略,筛选出38篇相关文献,并结合LDA(Latent Dirichlet Allocation)模型,对生成的4个研究主题,即货车驾驶人驾驶行为辨识,危险驾驶行为与行车安全,货车碰撞事故致因分析及驾驶安全风险评估进行总结;其次,针对数据源、特征工程及建模方法等分析要素,构建了适用于任意研究主题的通用研究路径,并重点归纳了目前研究主题在数据源、变量选择方法、研究地点及建模方法等关键要素的研究进展;最后,分析和探讨了货车驾驶人驾驶行为与行车安全领域面临的主要问题,从描述、解释、关联及应用的角度提炼该领域研究的未来发展趋势。研究认为：有必要将驾驶状态特性、车辆运行状态及道路交通状况等多维特征变量进行多源信息融合,开展基于大数据和人工智能双驱动的驾驶行为研究;需加强研究山区公路环境下货车与其他类型车辆之间的交互作用机制,从“人-车-路”视角分析货车碰撞事故致因;需进一步完善智能网联和自动驾驶等高新智能自动化环境下的货车驾驶人驾驶行为与行车安全关系研究;拓展面向驾驶安全的货车驾驶人驾驶风险评估的理论方法和应用框架。研究 成果将为货车事故治理、公路货运平台监控及道路线形设计等应用场景提供重要依据,并有助于相对全面地理解货车驾驶人驾驶行为与道路行车安全的交互作用机理。     

城市道路场景下驾驶注意力需求的影响因素研究

为探索城市道路场景下影响驾驶注意力需求的交通因素,搭建包含多种交通变量的城市道路交通场景,对30位被试进行驾驶模拟器视线遮挡实验。以视线遮挡概率表示驾驶注意力需求等级,采用逐步逻辑回归方法建立各交通变量对驾驶注意力需求等级模型,并分析其影响方式。结果显示,遮挡概率沿驾驶路线波动较大,不同交通变量对驾驶注意力的需求不同。十字路口、公交车站、路边停放车辆、跟车距离、会车距离和弯道曲率等对驾驶注意力需求影响显著。越接近十字路口遮挡概率越小,到达十字路口时几乎没有遮挡。说明被试会主动适应外界交通环境对注意力的需求,有选择的获取与驾驶有关的交通变量信息,并预测各个交通变量的发展趋势。研究结果有助于提高驾驶分心预警系统的环境敏感性。     

智能网联汽车协同生态驾驶策略综述

为了跟踪近年来智能网联汽车(CAV)协同生态驾驶策略的研究进展, 分析了车辆、驾驶行为、交通网络和社会这4类因素对CAV能耗的影响程度, 以车辆、基础设施和旅行者为对象对目前CAV生态研究进行分类, 重点分析了信号交叉口生态驶入与离开、生态协同自适应巡航控制、匝道合流区生态协同驾驶、生态协同换道轨迹规划和生态路由5种典型车辆协同生态驾驶应用场景的研究现状。分析结果表明: 相比人类驾驶方式, 在任何交通流量CAV 100%渗透率的条件下和低交通流量CAV部分渗透率的条件下, CAV油耗节省效果显著, 最高可达63%, 而具有部分智能化和网联化等级的CAV油耗可至少节省7%;现有研究较少考虑人机共驾情况下, 驾驶人反应延迟和自动控制器传输延迟导致的轨迹跟踪偏离; 现有研究将车车通信/车路通信假定为理想数据交互过程, 未考虑通信拓扑、传输时延、通信失效与基站切换等因素对CAV生态协同驾驶策略的影响; 现有研究较少探讨多车道、交叉口转向-直行共用车道和U型车道等交通场景, 以及不同智能网联等级CAV与人类驾驶汽车、行人、自行车等共存的混合交通条件下的生态驾驶策略; 受限于自动驾驶技术和基础设施尚未成熟和完善, 真实交通场景下的测试验证工作尚未开展; 车辆控制、车车通信、多车协同、混合交通流场景、半实物仿真测试和真实交通场景测试等方面将是CAV协同生态驾驶策略的进一步发展方向。      

车辆跟驰模型研究进展

梳理了近70年关于跟驰模型的研究, 根据建模方法将其分为理论驱动与数据驱动2类模型, 并归纳了跟驰模型的研究热点; 从人类因素、基础设施、交通信息、异质交通流、新建模型理论5个方面对理论驱动类跟驰模型的研究进行了综述; 根据所用机器学习算法的不同, 从模糊逻辑、人工神经网络、实例学习、支持向量回归、深度学习5个方面对数据驱动类跟驰模型的研究进行了综述。分析结果表明: 理论驱动类跟驰模型以理论推演交通现象, 对影响因素的考量难以全面, 部分人类因素难以量化, 驾驶人决策制定过程的解释不够准确, 异质交通流的跟驰模型缺乏一般交通条件下有效性的理论基础和形式化证明; 数据驱动类跟驰模型以交通现象归纳交通规律, 由于数据的来源、评价指标及评价方法不同, 导致应用机器学习算法得到的模型无法系统比较; 数据驱动类模型侧重于从微观角度研究驾驶行为特性, 对复杂交通现象(如交通震荡、迟滞等)的解释性不强; 跟驰模型的研究应创新数据采集方法, 捕捉驾驶人的心理倾向、感知特性和认知能力, 并量化人类因素的影响和充分利用大数据; 数据驱动类跟驰模型应为无人驾驶技术发展提供技术支持; 在自动驾驶完全普及之前, 人工驾驶与自动驾驶混合场景下的驾驶人跟驰行为特性尚待深入研究。