人机共驾智能汽车的控制权切换与安全性综述

根据智能汽车技术发展特点和趋势提出了人机共驾的概念; 从切换的发起者、强制性与计划性三方面论述了人机共驾智能汽车控制权切换的分类方法, 分析了广义和狭义2种分类的特点和应用范围; 从驾驶人的认知、驾驶负荷、反应力等方面剖析了人机共驾中人因的特性及其对控制权切换安全性的影响, 总结了控制权切换的试验研究方法和人机交互形式, 指出了控制权切换安全性研究存在的问题和未来发展方向。分析结果表明: 人机共驾智能汽车的应用范围是L2~L3级自动驾驶, 特点是人与系统彼此协同完成动态的驾驶任务; 由系统主动发起、驾驶人被动接管的控制权切换情形与安全性更被业内关注; 驾驶人能有效地对当前驾驶状态进行认知和评估, 进而接管车辆操作, 并最终规避风险, 是保证控制权切换安全性的关键; 人因是影响控制权安全平稳切换的重要因素, 主要表现为认知水平偏低, 切换前后驾驶负荷阶跃式突变, 次任务的影响机理不明确, 反应力随切换场景的不同而差异显著等; 该领域的主要研究还包括接管绩效的评价, 切换时机与人机交互方式的优化以及试验手段的提升等。      

警告刺激对驾驶员接管性能的影响机理研究

为研究不同模态警告刺激对接管性能的影响机理,本文重点关注在不同非驾驶相关任务和触发场景下,单一模态和双模态警告刺激对驾驶员的预警效果。搭建不同警告刺激下,驾驶员接管车辆控制权的台架试验,采集49名驾驶员的眼动数据与车辆数据,并开展显著性影响分析。研究结果表明,警告类型对接管时间和首次注视时间有显著影响,从事非驾驶相关任务对驾驶员的接管时间产生负面影响,双模态警告刺激的首次注视时间低于单一模态的首次注视时间。在视觉和触觉警告刺激下,非驾驶相关任务下的最大横向加速度为0.36 m?s-2,监控任务下为0.34 m?s-2,相对其他警告刺激,横向加速度最小,车辆接管更稳定,接管质量最高。双模态警告刺激的横摆角整体小于单一模态警告刺激,车辆更加稳定,而在单一模态警告刺激下,视觉警告刺激的最大横向加速度为0.45 m?s-2,相对其他警告刺激,横向加速度最大,接管绩效最差。不同模态警告刺激对接管方式无显著影响。双模态的警告刺激类型相较于单一模态而言,更加依赖于多种感官效果,提供更全面和更准确的警示信息,特别是与驾驶员身体接触的触觉振动警告方式。     

自动驾驶环境下驾驶人接管行为结构方程模型

为提取自动驾驶环境下驾驶人接管行为的关键影响因素,使用驾驶模拟器和眼动仪进行自动驾驶环境下驾驶人接管试验;采集了11个受试者对5种接管情境的反应数据,包括车辆运行数据和眼部运动数据,并调查了受试者的个人属性;基于实测数据定性分析和情境差异定量分析的结果,利用AMOS软件建立了描述驾驶人接管行为的结构方程模型;假设纵向接管行为、横向接管行为和眼部运动行为是3个潜在变量,找到可以表征这3个潜在变量的9个观测变量;根据修正指数多次修正得到最终的结构方程模型,由此获得表征驾驶人接管行为的各变量间的关系及对应的参数。研究结果表明:驾驶人接管自动驾驶车辆的全过程可分为5个阶段,即感知反应、减速避让、加速回升、稳定恢复以及稳定运行;当左前方车辆汇入当前车道,此时驾驶人接管风险较高;横向驾驶行为与纵向驾驶行为、眼部运动行为均显著负相关,相关系数分别为-0.226和-0.223,纵向驾驶行为与眼部运动行为正相关,相关系数为0.152;平均速度、总体横摆角均值、一秒内扫视时间可分别高度解释驾驶人接管自动驾驶车辆时纵向、横向及眼部的潜在行为。可见,此模型能有效揭示驾驶人接管自动驾驶车辆的整体行为与局部行为,有助于改进人机交互模式与自动驾驶接管请求提示。      

���ڶ�Դ��Ϣ�ںϵļ�ʻԱ��ΪЭͬ�����㷨

交通仿真是交通控制与管理方案评价和优化的重要研究手段.传统的微观交通仿真模型，特别是刻画驾驶员行为的车辆跟驰模型，未能综合考虑交通环境中信息刺激的多源性和驾驶员任务集聚、协调反应的行为过程.本文利用Bayes方法和模糊积分方法描述驾驶员在复杂行驶环境中多源信息的融合过程，确定驾驶员任务集聚后对车辆应采取的驾驶行为.模型验证表明:交通仿真过程中，在车辆跟驰模型实施之前，利用Bayes算法和模糊积分算法模拟驾驶员在多源信息刺激下任务集聚、协同反应的过程是行之有效的.     

多源信息刺激下驾驶员综合认知拓扑结构研究

根据多传感器信息融合和人类对多源信息综合处理过程之间的相似性,充分考虑驾驶员心理-物理因素及其对驾驶行为多变性和不确定性的制约,研究多源信息刺激下驾驶员任务集聚的心理-物理综合认知拓扑结构和认知活动链,探讨各驾驶行为模式的决策机制、车辆运行模式的运行机制和驾驶员协同反应机理,可为微观交通流仿真和智能车辆的研究提供理论依据,为智能运输系统的建立提供分析工具.     

共享任务对汽车安全性和软件可用性的影响

为了确定汽车共享交互任务与驾驶任务协同作用对驾驶安全性和交互可用性的影响,进而为汽车共享软件优化和汽车共享驾驶员筛选培训提供理论参考,首先针对24名经验丰富的中国驾驶员,利用汽车模拟驾驶试验,采集了车速变化、制动时间、交互时间等驾驶安全性和交互可用性参数数据,然后通过配对样本t检验方法,在停车状态和驾驶状态,对比分析了是否使用汽车共享软件对交互可用性绩效和驾驶安全性绩效的影响. 研究表明:相对于不操作共享任务,驾驶时操作汽车共享任务交互时间增加了24%～87%,满意度降低了15%,认知负荷增加了33%～61%,但交互错误不受影响;反向来看,驾驶时操作汽车共享任务会对驾驶安全性产生影响,表现为相对于不操作共享任务,制动反应时间增加了45%,方向盘调整次数增加了217%～761%,方向盘调整角度增加了25%～66%,驾驶错误增加了512%～1053%,车速降低了8%;汽车共享软件导致的驾驶分心只影响反应时间,不影响制动行为.      

智能交通信息网络环境下数字驾驶系统的体系结构与关键技术

提出了智能交通信息网络环境下的数字驾驶的概念，并通过分析车辆在行驶运动中的规律，寻求出人，车，路系统中的控制变量输入输出之间的逻辑关系，研究了智能化交通信息网络中人与车载设备之间的数字化系统模型，论述了数字驾驶的原理，进一步丰富了智能运输系统中的车辆安全驾驶理论和道路安全理论，提高了车辆行驶的安全性。     

听觉-言语认知负荷下工作记忆容量对跟车行驶影响

听觉-言语认知负荷作为一种典型的认知负荷,是驾驶人认知分心的主要来源,容易导致驾驶绩效下降,认知负荷对驾驶绩效的影响程度与个体工作记忆有关。为研究听觉-言语认知负荷下工作记忆容量对跟车驾驶绩效的影响,本文开展心理学与模拟驾驶实验。首先,设置不同听觉-言语认知负荷水平的n-back任务,构建车头时距变化和前车速度变化的跟车场景;其次,采集并预处理工作记忆容量、驾驶人操作行为与车辆运行状态数据,选择跟车速度差、绝对加速度、横向稳定性、制动反应时间及跟车间距作为分析指标,获得36名被试数据;最后,采用方差分析及事后比较,分析认知负荷和工作记忆容量在跟车时对驾驶绩效的影响,并探讨两种因素对驾驶绩效的交互和调节作用。研究表明：认知负荷增加导致驾驶人更大的加减速倾向,更长的制动反应时间;工作记忆容量较高的驾驶人具有更小的制动反应时间和更稳定的跟车间距,更频繁的方向修正和更好的车道保持水平;在工作记忆容量和制动反应时间中,听觉-言语认知负荷具有正向调节作用。本文可以为驾驶安全培训干预提供驾驶人认知特性方面的见解和理论参考。     

基于跟驰特性的智能网联车混合交通流轨迹重构

车辆轨迹数据蕴含着丰富的时空交通信息，是交通状态估计的基础数据之一. 为解决现有数据采集环境难以获得全样本车辆轨迹的问题，面向智能网联环境，构建了混合交通流全样本车辆轨迹重构模型. 首先，分析了智能网联环境下混合交通流的车辆构成及其轨迹数据采集环境；然后，提出了基于智能驾驶员跟驰模型的车辆轨迹重构模型，实现了对插入轨迹数量、轨迹位置和速度等参数的估计；最后，设计仿真试验验证了模型在不同交通流密度和智能网联车（connected automated vehicle，CAV）渗透率条件下的适用性. 试验结果表明:CAV和网联人工驾驶车（connected vehicle，CV）的渗透率为8%和20%时，该车辆轨迹重构模型在不同交通流密度下均能重构84%以上的车辆轨迹；重构轨迹准确性随着CAV和CV渗透率的增加而提高；当交通密度为70辆/km，且CAV渗透率仅为4%的情况下，模型也能重构82%的车辆轨迹.      

驾驶人“感知-决策-操控”行为模型

为准确模拟驾驶人跟车行为，提出基于隐马尔可夫模型(Hidden Markov Model，HMM)的驾驶人“感知-决策-操控”行为模型。建立描述驾驶意愿的HMM模型，模拟驾驶人感知过程，获得期望的车间距；预测模块模拟驾驶人根据交通环境和自身生理、心理状态预测车辆未来轨迹，即决策过程；优化模块描述驾驶人为使预测的车辆轨迹跟踪上期望的车辆间距而采取的操控汽车的执行动作，即操控过程。上述3个模块的滚动过程实现了对驾驶人跟车行为的模拟。利用自然驾驶数据进行算例分析，结果表明，本文模型预测车间距平均误差仅为1.47%，证明了所建模型的有效性及准确性。本文为驾驶行为建模方法的理论研究和应用拓宽了思路。     

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。      

基于强化学习的智能车人机共融转向驾驶决策方法

针对智能车人机共融驾驶系统中人和自主驾驶系统的驾驶权连续动态分配问题,尤其是因建模误差导致的权重分配方法适应性低的难题,提出了基于强化学习的人机共融转向驾驶决策方法;考虑驾驶人的转向特性,搭建了基于双点预瞄的驾驶人模型,并采用预测控制理论建立了智能车自主转向控制模型,构建了智能车人机同时在环的转向控制框架;基于Actor-Critic强化学习架构,设计了用于人机驾驶权分配的深度确定性策略梯度(DDPG)智能体,以曲率契合度、跟踪精确性和乘坐舒适性为目标,提出了基于模型的收益函数;构建了人机共融驾驶权分配强化学习框架,包含驾驶人模型、自主转向模型、驾驶权分配智能体以及收益函数;为了验证方法的有效性,招募了8位驾驶人开展共计48人次的模拟驾驶试验。研究结果表明:在曲率适应性验证中,人机共融-DDPG方法优于人工驾驶和人机共融-Fuzzy方法,跟踪性平均提升70.69%、39.67%,舒适性平均提升18.34%、7.55%;在速度适应性验证中,车速为40、60和80 km·h-1条件下,驾驶人权重大于0.5的时间占比分别为90.00%、85.76%、60.74%,且跟踪性相轨迹和舒适性相轨迹都能有效收敛。可见,提出的方法能够适应曲率和车速变化,在保证安全性的前提下提升了跟踪性和舒适性。      

驾驶压力影响因素与识别方法研究综述

高强度的驾驶压力会对驾驶人的情绪、决策及行为产生负面影响，可能导致交通事故，并对驾驶人的健康状况造成长期影响。本文借助CiteSpace软件对驾驶压力研究进行可视化分析，进一步从驾驶人自身因素、车辆内部和外部因素这3方面总结驾驶压力影响因素，并归纳整理驾驶压力识别方法。总结发现：交通拥堵、道路复杂性及新技术使用等驾驶环境因素是引发或增加驾驶压力的主要因素；非职业驾驶人易受车辆外部环境的影响，职业驾驶人易因工作产生负面情绪，导致驾驶压力增加。驾驶压力识别主要基于主观测评量表、驾驶行为分析及生理数据分析等方法开展研究，其中，基于生理数据的识别方法因其较高的识别精度和准确度被认为在驾驶压力识别领域具有明显的优势。从研究趋势来看，未来研究需重视社会环境以及多因素叠加对驾驶压力的影响，特别关注职业驾驶人及新技术的影响，以及如何采用多模态数据融合方法实现实时监测，以提高驾驶压力识别的精度。     

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。      

基于驾驶适应性和人因工程的事故预防对策

统计分析表明,70%的交通事故与人有关,人是引发交通事故的主要原因。从驾驶员驾驶适应性和人因工程学角度阐述了引起交通事故的各要素如驾驶员的生理、心理因素,驾驶环境、道路条件、汽车设计、驾驶员管理等,并且从人、机环境方面探讨了交通事故的预防对策。分析表明,从驾驶员驾驶适应性和人因工程学角度分析影响驾驶员安全驾驶的内因与外因,对减少交通事故保障行车安全具有重要意义。     

多源诱导信息对驾驶员路径变更行为的影响研究

交通广播、可变情报板、车载GPS和道路指示牌等诱导信息源是驾驶员路径选 择的重要依据.为系统研究多源诱导信息对驾驶员路径变更行为的影响机理,采用情景分 析法,以西安咸阳国际机场和西二环方欣商圈为OD,设置主路径和备择路径,引入通行 费敏感度构建SP 问卷,调查多源诱导信息情景下驾驶员由主路径向备择路径变更的频 率,在此基础上,构建路径变更行为的有序Logit 模型.结果发现,驾驶员路径变更对多源 诱导信息的依赖程度依次为可变情报板、交通广播、车载GPS和道路指示牌,反映了驾驶 员对动态、及时的诱导信息需求性更强;此外,在多源诱导信息作用下,通行费价格敏感 度、受教育程度对驾驶员的路径变更也有显著影响,而驾驶员年龄的影响作用不显著.     

跟随车安全距离的分析

通过对驾驶员的反应能力的量化、速度判断过程的分析和对诸如饮酒、服药、电话干扰及疲劳驾驶等外部因素影响下驾驶员行为与跟随车与引导车行驶一致性的研究 ,计算与分析行车时的安全距离 ,寻求既可避免发生追尾碰撞事故 ,又不影响道路通行能力的安全距离恰当值 :当驾驶员和车辆状况良好时 ,行车距离保持在速度 (以 m/s为单位 )的 1 /2以上时 ,才可能安全 ;当驾驶员和车辆状况不良时 ,行车距离保持在速度的二倍以上时 ,才安全。     

混合交通流交叉口共享空间交互行为建模及仿真

为准确刻画交叉口共享空间内交通个体的运动和交互过程，并为智能汽车虚拟测试提供可靠背景交通流仿真环境，本文提出一种混合交通流交叉口共享空间交互行为模型。基于人类认知过程，模型被设计为“感知-决策-执行”的3层通用框架结构，模拟混合交通流中不同类型交 通个体从感知、决策直至执行的交互全过程。感知层提出一种二维平面交互对象选择方法，通过个体感知范围和轨迹冲突有序筛选交互对象，表征冲突交互的动态性特征；决策层基于当前时刻的交互对象和实时交通环境状况，使用交互行为决策方法为不同类型的交通个体分别选择适合的行为进行交互；执行层通过计算生成执行当前行为决策所需要的轨迹、加速度等关键参数，共 同控制仿真个体按照行为决策结果在二维平面上运动和交互。基于智能汽车Opendrive高精度 路网，构建虚拟测试仿真平台，并将所提出的模型注入平台进行测试。仿真结果表明，模型能较 好地复现交叉口共享空间中交通个体间的交互。研究结果有助于为智能汽车虚拟测试提供可靠背景交通流环境，并进一步提高虚拟测试工具的测试可信度、测试效率及泛化能力。     

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。