基于层次分析法的驾驶员驾驶倾向性研究

驾驶倾向性是研究微观交通仿真的一个重要生理-心理特征参数，主要受到人、车、路、环境等多方面的影响，具体表现为汽车驾驶员自身状况、驾驶车辆状况、行驶道路及环境状况、交通干扰、气象情况以及所承载的任务缓急等影响因素。如何准确地确定驾驶员驾驶过程中的动态驾驶倾向性是研究驾驶员行为的难点。文章基于驾驶员的生理-心理特征，采用层次分析法（AHP），对驾驶员行驶过程中的决策行为逐层递阶量化，建立基于层次分析法的驾驶倾向性模型,并进行实证分析。结果表明：层次分析法可用于驾驶员驾驶倾向性的识别。     

基于安全驾驶行为风险特征的图谱表达方法

以自然驾驶条件下行为风险的辨识为目标,基于GPS数据,重点研究自然驾驶条件下驾驶行为的风险评估与行为特征表达.建立基于GPS数据的自然驾驶行为数据库,提出基于信息熵自然驾驶条件下行为风险评估方法,构建基于图谱的驾驶员个体驾驶行为特征表达方法.本文深入挖掘驾驶员个体驾驶行为模风险特征,构建驾驶行为图谱,为普通驾驶员在日常、自然驾驶条件下的行为风险预测预警提供了解决方案,为推进道路交通安全水平提升提供了理论参考和技术支撑.     

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。     

沃尔沃携手高德地图研发智能互联系统

正随着沃尔沃汽车旗下首款纯电动汽车XC40 RECHARGE正式亮相,沃尔沃和高德地图共同宣布双方携手研发智能互联系统。据悉,该智能互联系统是高德团队专门为沃尔沃纯电动汽车量身定做,充分考虑到电动车主在使用导航、充电、长途驾驶续航全场景的体验。此外,高德手机和车机账号的互通让沃尔沃用户能够享受的不仅是地图导航产品,还有高德完整的出行服务能力,未来从出行过程中的充电、     

中寰卫星货车通导航"预见性节油引导"上线

近日,中寰卫星商用车专用导航货车通上线了国内首个节油导航功能.以商用车大数据节油算法结合四维图新ADAS地图优势,通过导航语音为卡车司机提供驾驶行为建议,达到节油的效果. 在中国,重型卡车长途运输中的费用大约有30％来自燃油的消耗,比例居高不下.据中寰卫星商用车车联网大数据显示,即使是相同车型,相同载重的货车在同样的道路区间驾驶,百公里油耗仍会呈现较大的差异,可达10 L以上.这种情况跟驾驶员的驾驶技能和习惯呈密切相关性.     

基于驾驶行为的疲劳驾驶判别算法研究

为了有效判别驾驶员的疲劳驾驶状态,本文利用模拟驾驶器开展驾驶实验,采集了20名驾驶员在疲劳状态和正常状态的实验数据;为了提取能表征驾驶员疲劳和正常驾驶状态时的行为特征,本文对获取的速度、方向盘转角和车辆横向位置的样本熵进行了分析,最终提取了该三类参数的样本熵作为疲劳驾驶的有效特征组;构建了基于BP神经网络的驾驶员疲劳驾驶判别算法,并采用测试集样本对构建的算法进行验证.实验结果表明:该算法对于驾驶员疲劳驾驶检测的准确率较好、运行时间较短、具有较好的鲁棒性和实用性.     

基于多维高斯隐马尔科夫模型的驾驶员转向行为辨识方法

在线控转向系统中,采用一种基于多维高斯隐马尔科夫模型的驾驶员转向行为辨识方法,可达到辅助驾驶员驾驶、屏蔽驾驶员错误操作和提高汽车主动安全性的目的.通过驾驶模拟器采集相应工况数据,经数据预处理 后,应用Baum-Welch 算法对多维高斯隐马尔科夫模型进行优化,且应用Labview进行在线辨识,准确率达到99.8％.     

基于BIM和驾驶模拟的道路安全评价研究

针对搭建驾驶模拟环境效率低、缺乏基于驾驶模拟的安全评价体系等问题,提出一种基于BIM和驾驶模拟的道路安全评价方法.利用道路BIM模型所含的丰富数据,快速搭建包括驾驶道路、沿线地形、场景对象和仿真交通流等要素的驾驶模拟环境;基于驾驶员生理数据和仿真车辆姿态数据,构建心理生理、运行速度和横向稳定性评价模型及熵权-模糊综合评...     

驾驶适性检测计算机管理系统的开发研究

本文从驾驶员事故倾向性理论出发，从心理学和人机工程学角度，阐述了驾驶员职业适宜性理论，在实验和大量的事故倾向性调查资料基础上，建立了驾驶适性检测模式和适性的评价模型。运用此模型开发出适性检测的计算机管理系统。通过对部分驾驶员的试运行，结果与理论分析相吻合。系统软件的开发为驾驶适性研究 系统化，科学化奠定了基础。     

基于车辆行驶数据的驾驶风格识别

车辆驾驶员驾驶风格对于汽车的燃油经济性和行驶安全性有重要的影响。文章就基于车辆行驶数据在驾驶风格识别方面的研究进行综述,首先介绍了驾驶员驾驶风格识别的基本流程,接着论述不同学者在驾驶风格识别方面使用的算法模型,包括支持向量机（SVM）算法、反向传播（BP）神经网络算法、随机森林模型算法,然后基于实际车辆行驶数据,利用不同驾驶风格识别模型对其进行实现分析,最后对驾驶员驾驶风格识别的研究工作进行了展望。     

卫星定位数据驱动的营运车辆驾驶人驾驶风险评估模型

为了提高营运车辆驾驶人安全管理的精细化水平，合理地评估驾驶人驾驶风险程度，有的放矢地降低高风险驾驶人的事故率，基于卫星定位数据特点及驾驶行为与驾驶风险的相关关系设计26个驾驶行为特征参数。考虑到高速和非高速行驶时相同驾驶行为对驾驶风险的影响区别较大，根据23名营运车辆驾驶人的实测数据有针对性地筛选高速和非高速路段驾驶人风险评估指标，构建营运车辆驾驶人驾驶风险评估指标体系。然后，基于熵权法、独立性权系数法和Spearman相关系数法建立集成赋权法，确定各评估指标的权重。最后，雇佣40名营运车辆驾驶人进行实车试验以验证模型的合理性。结果表明：车辆速度和加速度方面的驾驶行为特征可以用于评估驾驶人的驾驶风险且评估效果较好，驾驶风险评估得分与实际交通冲突次数呈正相关关系，所建立模型可以较为准确地评估营运车辆驾驶人驾驶风险的高低，准确率达到77.50%，该模型在不同地区使用时，准确率存在一定的差异，但在容许范围之内，方法具有较好的鲁棒性。     

基于一维卷积神经网络的驾驶人身份识别方法

近年来，智能网联汽车（ICV）已成为智能工业时代最有前景的发展方向。作为现代移动的重要模式，ICV的设计和开发越来越强调个性化需求。提出一种仅使用车载CAN总线行车状态数据，基于深度学习的驾驶人身份识别通用框架。首先采集20名驾驶人在固定试验路线下，包括不同道路类型、不同交通条件下的自然驾驶行车状态数据集；其次对9种类型的CAN信号行车数据进行数据清洗与重采样，构建数据样本集。搭建了由卷积层、池化层、全连接层、SoftMax层构成的一维卷积神经网络（1-D CNN）驾驶人身份识别模型，并且使用Adam算法、L2正则化、Dropout、小批量梯度下降等方法对模型性能进行优化。算法验证过程中，探讨了模型卷积核占比、卷积核数量、卷积层层数、全连接层节点规模对模型识别准确率的影响，进而对模型结构参数进行优选。进一步地，将该算法与K近邻（KNN）、支持向量机（SVM）、多层感知器（MLP）等传统机器学习方法及深度学习算法长短时记忆网络（LSTM）进行对比分析，同时探究样本时间窗口大小、样本数据重叠度、驾驶人数量对模型识别结果的影响。在数据时间窗口为1 s、数据重合度80%的条件下，对20名驾驶人进行识别，评价指标宏观F₁分数可达99.1%，表明该模型表现明显优于其他对比模型算法，其对驾驶人身份识别表现稳定，鲁棒性强。     

攻击性驾驶行为选择模型及影响因素敏感度分析

基于行为学理论和非集计方法,以160名驾驶人为研究对象,确定了影响驾驶人攻击性驾驶行为选择的影响因素变量及取值方法,建立了攻击性驾驶行为选择模型（多项Logit模型）。运用弹性值理论进行各变量对攻击性驾驶选择行为的影响程度与过程敏感度分析;最后选取58名驾驶人的驾驶行为数据进行计算,验证模型的有效性。结果表明：驾驶人人格和其他车辆违法情况2个因素对驾驶人攻击性驾驶行为影响较大,起决定性作用;该模型计算值与量表判定值相对误差在10%左右,模型精度可满足实际使用要求。     

针对自适应巡航的驾驶人风格辨识

车辆进入自适应巡航工况下行驶时,不同风格的驾驶人会对自适应巡航控制系统(Adaptive Cruise Control,ACC)有不同的需求。文章首先通过对不同驾驶人在9种跟随试验下获取的实验数据分析,选取表征驾驶人风格的驾驶特征参数;其次对所有驾驶人驾驶特征参数利用K-mean算法聚类分析,将驾驶人三类,并利用BP神经网络建立辨识模型对驾驶人风格进行辨识。结果表明;文章提出的方法可以较高的准确率对驾驶人风格进行分类,提高自适应巡航系统适应驾驶人的能力。     

实测数据驱动的自动驾驶道路测试驾驶模式辨别方法

自动驾驶道路测试中车企驾驶模式数据具有一定保密性，导致自动驾驶能力难以被客观评估。为此，提出了实测数据驱动的自动驾驶道路测试驾驶模式辨别方法。首先选取数据特征值构建K近邻估计、支持向量机、决策树、随机森林和BP神经网络5种机器学习监督分类模型；其次通过非参数秩和显著性检验确定驾驶模式持续时长阈值，持续时长大于阈值的数据段记录为准确的驾驶模式数据，小于等于阈值的数据段则为驾驶模式待分类数据集；随机选取70%记录准确的驾驶模式数据作为监督分类模型训练数据集，剩余30%作为测试数据集；最后利用正确率、精确率和召回率3个指标评价5种监督分类模型，并选取表现最佳的分类模型用于待分类数据的驾驶模式辨别。基于上海市城市道路和快速路2个道路测试场景共约43.6万条数据，验证驾驶模式辨别方法的有效性。结果表明：随机森林监督分类模型辨别道路测试驾驶模式的效果最佳；城市道路场景和快速路场景待分类数据驾驶模式记录有误率分别达到42.3%和39.4%。实测数据驱动的驾驶模式的辨别与修复，可显著提升评估自动驾驶道路测试驾驶能力的准确度。     

网联环境下基于精简车头时距特性的驾驶风格分类

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。      

超速语音提醒风格对驾驶员干预效果分析

文章从驾驶员的气质类型出发,提出了针对不同气质类型的超速语音干预体系。针对不同气质类型的驾驶员,分析并研究其对干预时刻以及干预风格的反应规律,从而得出了不同气质类型的驾驶员对待干预措施的反应的相关性规律。且通过数据统计进一步的分析得出不同气质类型的驾驶员应优先选用的提醒时刻,以及在不同提醒时段应优先选用的语音提醒风格。     

基于XGBoost算法的危险场景驾驶行为模式分析及安全评估

危险感知能力对驾驶人的驾驶行为模式具有重要影响。为准确评估驾驶人的危险感知能力、提升危险感知水平判别的准确度，提出了基于模拟驾驶技术的危险感知能力影响分析方法和基于极端梯度提升树（XGBoost）算法的危险感知水平判别模型。通过设计3种常见交通冲突场景，采集模拟驾驶中驾驶人的多维度驾驶行为特征数据，并分析危险感知能力与驾驶行为的相关关系。通过模拟实验发现:驾驶人对行人的危险感知能力较弱，易发生碰撞事故；驾驶人在危险场景中的车速（p＝0.01）、制动反应位置（p < 0.01）以及反应时间（p < 0.01）与危险感知水平之间存在显著负相关关系。在相关性分析的基础上，利用XGBoost算法识别能反映驾驶人危险感知能力的重要特征变量，并构建以制动反应位置、反应时间、车速、刹车深度，以及加速度为指标的驾驶人危险感知水平判别模型；通过与LightGBM、支持向量机（SVM），以及逻辑回归（LR）等算法分类预测性能的对比分析，评价危险感知模型的判别精度，结果表明:基于XGBoost算法的危险感知水平判别模型的判别准确率为84.8%、F1值为83.4%、AUC值为0.959，优于LightGBM（准确率为78.8%、F1值为76.7%、AUC值为0.924）、SVM（准确率为57.6%、F1值为42.2%、AUC值为0.859），以及LR算法（准确率为69.7%、F1值为65.5%、AUC值为0.836）。所提方法可为判别驾驶人危险感知能力及其对驾驶行为模式的影响提供可靠手段。      

考虑驾驶人风格的跟车预警规则研究

为研究驾驶人的跟车特性及探究可适用于不同风格驾驶人的跟车预警规则,为自动驾驶车辆开发可满足不同用户驾驶需求和驾乘体验的主动安全预警系统,选取50名被试驾驶人开展实车试验,采集驾驶人跟车行为表征参数并基于雷达数据确定跟车事件提取规则。选取平均跟车时距和平均制动时距为二维向量,使用基于K-means聚类结果的高斯混合模型将驾驶人聚类为3种风格类型(冒进型、平稳型、保守型)。通过分析3组驾驶人的跟车及制动数据,将不同类型驾驶人的制动时距分位数作为跟车预警阈值,结合实际预警数据及不同制动时距分位数对应的预警正确率,对现有跟车预警规则进行调整,以适应不同类型驾驶人的驾驶需求。研究结果表明:3组驾驶人的平均跟车时距和平均制动时距差异显著,冒进型驾驶人倾向于选择较小的跟车时距和制动时距,保守型驾驶人的跟车时距和制动时距则普遍较大;3组驾驶人的实际跟车预警次数为215次,驾驶人采取制动操作而系统未予以预警的次数为329次,系统整体预警正确率为21.9%,漏警率为87.5%,通过分析信息熵等判定当前预警规则并不合理;将每类驾驶人制动时距的10%分位数作为阈值时的预警效果较好,调整后的跟车预警规则能在一定程度上适应不同的驾驶人类型。     

考虑道路平曲线设计的驾驶疲劳对车道保持能力影响研究

不同的道路平面线形几何设计对于驾驶人车道保持能力的需求是有差异的,驾驶人受疲劳程度影响也会呈现车道保持能力下降的趋势,当前的研究未综合考虑以上2个因素:线形和疲劳程度对驾驶横向表现的交互影响.邀请41位被试者分别开展550 km的实车实验,获取车辆位置信息GPS以匹配道路线形类型,基于问卷调查方法获取驾驶过程疲劳等级.分析不同疲劳程度、不同平面线形类型以及弯道半径条件下的车道偏离标准差参数,构建了多元线性回归模型.数据分析结果表明,相同疲劳程度下驾驶人在圆曲线段驾驶的偏离值要超过直线段以及缓和曲线段;当弯道半径超过5 500 m时,曲线段弯道半径越大,车道偏离差值越高.同时,考虑了线形影响的多元线性回归模型对疲劳程度的预测精度要高于未考虑线形因素的模型,进一步说明在针对驾驶疲劳行为表现开展研究时,有必要对道路设计参数加以考虑以提高疲劳辨识精度.