基于驾驶人分心影响程度的驾驶分心任务评级

为了进行驾驶分心任务评级,以选择反应判断检测和处置判断检测为试验平台,分析分心任务对驾驶人的影响.对13名被试驾驶人施加分心任务,包括视线遮挡、交谈、回忆、数学计算及部分任务的组合,并将各种分心状态下的反应时间及操作错误次数与无分心任务时进行对比.研究表明,在无驾驶操作的情况下,视线偏离1 s和交谈所产生的分心对驾驶人反应时间和操作准确度影响的差异不显著;认知分心任务比视觉分心任务产生更高的精神负荷;视觉分心与认知分心形成的复合分心任务对驾驶人的反应时间和操作准确度影响最大;基于对驾驶人的影响程度,可将常见分心试验任务大致划分为5个等级,依次为:无分心,视觉分心1 s/交谈,回忆,视觉分心3 s/计算,复合分心.     

基于深度学习的分心驾驶行为检测方法

针对现有分心驾驶行为检测方法存在的检测精度低、实时性差等问题，利用基于深度学习的目标检测方法进行了驾驶员分心驾驶行为检测，首先构建分心驾驶行为数据集，包括驾驶员使用手机、饮水和吸烟3种行为的图像，并进行目标物的标注，然后选用轻量化目标检测模型NanoDet进行训练验证，结果表明，该方法可以准确并快速地识别出驾驶员在驾驶过程中使用手机、饮水和吸烟的行为。     

手机操作类型对驾驶人跟车行为的影响（双语出版）

为了探究行车过程中手机使用模式对驾驶人跟车行为的影响,依据功能类型及使用模式将手机操作分为8类,利用驾驶模拟器开展试验,提取跟车速度、跟车间距、车头时距、横向偏移距离、方向盘转角5项指标表征车辆的横向、纵向运行状态,定义驾驶人的注视点分布信息熵、注视点区域分布比例、注视时长、扫视频率、扫视时长、眨眼频率、眨眼时长7项指标表征驾驶人眼动特性,分析驾驶人进行不同手机操作时的车辆运行特性与驾驶人视觉特性,并利用方差分析法验证上述指标作为驾驶人跟车行为衡量指标的有效性。应用灰色关联分析法对8类手机操作对驾驶人跟车行为的影响程度进行量化,并结合具体手机操作的分心内容、形式和动作时间,对具有相近功能的两两操作进行对比分析。结果表明：特定的手机操作行为对选取的各项车辆运行指标与驾驶人视觉特性指标有显著影响;对驾驶人跟车绩效影响由大到小的手机分心操作依次是发送文字信息、阅读文字信息、手持接听电话、发送语音信息、按键拨打电话、听取语音信息、语音拨打电话、免提接听电话,文字信息的编辑和阅读等操作对驾驶人跟车行为的影响大于其他手机操作;研究结果可帮助驾驶人明确不同手机操作对行车安全的危害程度。     

手机操作类型对驾驶人跟车行为的影响

为了探究行车过程中手机使用模式对驾驶人跟车行为的影响,依据功能类型及使用模式将手机操作分为8类,利用驾驶模拟器开展试验,提取跟车速度、跟车间距、车头时距、横向偏移距离、方向盘转角5项指标表征车辆的横向、纵向运行状态,定义驾驶人的注视点分布信息熵、注视点区域分布比例、注视时长、扫视频率、扫视时长、眨眼频率、眨眼时长7项指标表征驾驶人眼动特性,分析驾驶人进行不同手机操作时的车辆运行特性与驾驶人视觉特性,并利用方差分析法验证上述指标作为驾驶人跟车行为衡量指标的有效性。应用灰色关联分析法对8类手机操作对驾驶人跟车行为的影响程度进行量化,并结合具体手机操作的分心内容、形式和动作时间,对具有相近功能的两两操作进行对比分析。结果表明:特定的手机操作行为对选取的各项车辆运行指标与驾驶人视觉特性指标有显著影响;对驾驶人跟车绩效影响由大到小的手机分心操作依次是发送文字信息、阅读文字信息、手持接听电话、发送语音信息、按键拨打电话、听取语音信息、语音拨打电话、免提接听电话,文字信息的编辑和阅读等操作对驾驶人跟车行为的影响大于其他手机操作;研究结果可帮助驾驶人明确不同手机操作对行车安全的危害程度。     

驾驶使用手机行为动机及行为防治调查

手机和汽车大量走进人们的生活,手机功能不断丰富,人们对手机日益依赖,驾车频率和时长的提升,使得驾驶时使用手机行为频发的同时变得更为复杂,这给道路交通安全带来了巨大挑战。在世界范围内,驾驶使用手机导致的分心驾驶所引发的安全问题十分严峻。而我国分心驾驶交通事故的数据报告、相关的事故记录及官方报告缺失,相关研究内容和方法落后,因此,本研究基于"驾驶使用手机行为的问卷调查",了解和分析了我国驾驶人的驾驶使用手机行为现状,使用动机以及治理方式的接受情况,为防治驾驶使用手机行为提供了可行建议。结果显示,日常的手机使用习惯在驾驶时的投射十分明显,日常对手机依赖性较高,驾驶时同样较高;日常的手机功能使用喜好与驾驶时高度相似。此外,研究发现严苛而清晰的法律有助于降低驾驶时使用手机频率。     

基于超效率数据包络分析的重型车驾驶人驾驶安全绩效评价方法

为解决网联环境下重型车驾驶人驾驶安全绩效评价在指标多样性、模型可靠性、评价完整性和结果可溯性等方面的问题，提出一种基于超效率数据包络分析的重型车驾驶人驾驶安全绩效评价框架，包括驾驶行为指标提取方法、包含零值的超效率数据包络分析方法和基于效率前沿分析的驾驶安全绩效提升方案。基于网联环境下重型车自然驾驶数据特征，提取6个行程级的危险驾驶行为指标作为模型输入项，包括：表征激进驾驶的超速行为、急加速行为和急减速行为；表征分心驾驶和疲劳驾驶的打哈欠行为、使用手机行为和吸烟行为。表征驾驶风险暴露因素的行驶时间和行驶里程作为模型输出项。将每个驾驶人视为独立的决策单元，构建3种驾驶绩效评价模型，分别从激进驾驶、分心和疲劳驾驶以及综合驾驶风险3个维度对驾驶绩效进行评价。进一步利用效率前沿分析准确识别低绩效驾驶人，并量化其达到最佳驾驶绩效所需提升的驾驶行为指标。将该框架应用于南京某重型车车队的34名驾驶人，使用连续3个月的网联数据开展驾驶绩效评价。结果表明：该框架能够准确计算驾驶绩效得分，不同驾驶绩效等级驾驶人之间的驾驶行为特征存在显著差异，超速行为和打哈欠行为是影响驾驶绩效评价结果的关键因素，针对低绩效...     

驾驶行为与驾驶风险国际研究进展

驾驶人在驾驶车辆的过程中总会面临由自身或外界条件所带来的或高或低的风险，即驾驶风险，通过对驾驶风险进行识别、分析及评估是对风险进行管理的有效对策，明确由人为因素（即驾驶人个体特征及驾驶行为）所带来的驾驶风险并对驾驶人进行安全管理尤为重要。为了全面了解各类危险驾驶行为和各种驾驶人群体的驾驶风险行为研究进展，对驾驶风险领域重点问题进行了总体概述。从驾驶人个体特征及驾驶行为的角度出发，探究了驾驶风险领域目前的研究现状，并利用科学知识图谱展示驾驶风险领域研究的发展进程与结构关系。通过Web of Science核心合集数据库获取了3 406篇在1986~2020年（截至2020年2月29日）间出版的驾驶风险研究相关英文文献，共涵盖8 684位作者及6 018个关键词，基于科学知识图谱对该领域文献进行梳理与分析。结果表明：驾驶风险领域的国外研究在驾驶人选择方面主要从年轻驾驶人、老年驾驶人、新手驾驶人及职业驾驶人的角度进行切入，重点围绕酒驾、药驾、分心驾驶及疲劳驾驶等主题开展研究。与国外研究相比，中国在分心驾驶、疲劳驾驶领域的研究相对丰富，而针对酒驾、药驾的研究试验手段较为单一，研究不够全面；在研究对象的选取上，有必要进一步增加老年驾驶人及新手驾驶人的深入研究，包括老年驾驶人适驾性评估与教育培训，以及新手驾驶人驾照分级制度的可行性探索。在研究方法方面，国外常见研究方法包括问卷调查、驾驶模拟器试验、实车试验以及自然驾驶研究等，而中国在自然驾驶研究领域尚未充分开发利用；未来应考虑多种方法相结合并从不同角度促进对驾驶行为及驾驶风险的全面理解。     

模拟驾驶环境下驾驶人分心状态判别

为了探寻驾驶人分心判别方法,构建了驾驶人分心状态判别模型。首先设计分心模拟驾驶试验,采集正常驾驶和发送语音信息过程中的驾驶绩效特征和驾驶人眼动特征数据,建立驾驶人分心状态判别指标备选集;其次,采用基因选择算法对备选指标进行筛选,得到29个备选指标的重要度排序;然后,依次选取重要度较高的部分指标作为BP神经网络的输入指标,利用遗传算法（GA）全局搜索的性能优化BP神经网络的初始权值和阈值,将优化后的GA-BP神经网络作为弱分类器,再将多个弱分类器组合成Adaboost强分类器,建立基于Adaboost-GA-BP组合算法的驾驶人分心状态判别模型;最后,利用模拟驾驶器试验平台采集的数据计算不同判别指标数量下模型的性能,从而确定最优判别指标,并对模型进行验证和评价。结果表明：模型最优判别指标为重要度排序中前14个指标;模型能够准确识别驾驶人分心状态,判别精度为95.09%;与BP神经网络算法、GA-BP神经网络算法和Adaboost-BP神经网络算法相比,Adaboost-GA-BP组合算法在准确率、精准率、召回率、F₁值和ROC曲线等模型性能方面均最优。建立的模型能够有效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。     

基于图卷积网络的多信息融合驾驶员分心行为检测

为减少由驾驶员分心造成的交通事故,并检测驾驶员在自动驾驶情况下的分心状态以判断驾驶员是否有接管车辆的能力,提出了一种基于图卷积的多信息融合驾驶员分心行为检测方法。通过分析驾驶员分心行为和姿态特征,设计了驾驶员姿态估计图,基于图卷积网络对驾驶员姿态估计图进行特征提取,使用全连接层对所提取特征进行行为分类,同时融合手机等关键物体信息对驾驶员分心行为进行再判断。实验结果表明,本文提出的方法在SrateFarm数据集和自制数据集上分别达到了90%和93%的准确率,检测速度约为20帧/s,准确性和实时性均达到检测要求。     

驾驶人心理因素对其风险驾驶行为的影响

探讨驾驶人内源性心理因素(人格、认知胶情绪)及外源性心理因素(压力与职业倦怠)对其风险驾驶行为的影响,以为促进驾驶员安全驾驶行为干预提供实证依据。本研究对214例驾驶人进行问卷调查。调查内容包括研究对象一般信息,研究对象的冲动性人格,愤怒认知、焦虑抑郁情绪及压力和职业倦怠等心理学变量对驾驶人风险驾驶行为的影响。研究结果表明,研究对象冲动性人格,愤怒认知,抑郁、焦虑情绪及压力和职业倦怠等变量均与风险驾驶行为呈显著正相关,其中运动冲动人格,躯体攻击想法,焦虑,压力及职业倦怠为等因素可显著预测驾驶人风险驾驶行为。驾驶人培训与交通安全教育应包括提升驾驶员对自我与驾驶行为相关性的认知,并加强认知行为干预。     

自动驾驶驾驶人接管特征研究进展

为自动驾驶驾驶人接管环节做出指导性的建议,从自动驾驶接管的影响因素和自动驾驶驾驶人接管绩效进行系统梳理,总结主要研究内容和方法,并展望其未来研究趋势。总结发现,现有研究缺少一套针对驾驶员在不同复杂度的交通环境下驾驶人行为准则,今后对于自动驾驶驾驶人接管特征的研究目的就是在清楚驾驶人有哪些行为后对自动驾驶安全接管设计提供理论支持。     

驾驶分心行为驾驶人的多重对应分析

对536名驾驶人的人口统计学特征(包括年龄、性别、受教育程度、职业和家庭月收入)以及基本的驾驶情况(驾龄、车型、周均驾驶里程、驾驶能力)进行调查.使用多重对应分析的方法对其中报告在驾驶行为中存在驾驶分心的363名驾驶人的年龄、性别、职业、驾龄、周均驾驶里程和驾驶能力等特征进行了分析.结果显示,男性、非固定职业、驾龄在3～5 a在同一方向出现聚集; 18～35岁与驾龄在3 a以内、周均驾驶里程为中途(50～400 km)与固定职业也存在一定的关联性.同时,不同性别、不同驾驶能力认知的驾驶人分布出现差异,相对而言,女性驾驶人可能更多地受到驾驶能力认知的影响.     

基于自然驾驶数据的分心驾驶行为识别方法

大量证据表明，驾驶人分心是导致交通事故的主要原因之一。当前基于侵入式（如脑电波等）或半侵入式（如视频等）检测驾驶人分心的方法，不仅对驾驶任务造成一定干扰，且受多种环境因素的制约，误报率较高。基于此，只考虑非侵入式车辆运动特征，提出一种基于深度学习的驾驶人分心状态识别方法：首先，从自然驾驶数据集中获得大量的跟驰片段，采用态势感知方法，提取典型的分心驾驶片段，并建立仅包含车辆运动学特征的分心判别指标集；其次，利用梯度提升决策树-递归特征消除算法（GBDT-RFE）和随机森林-递归特征消除算法（RF-RFE）对特征进行重要度排序，得到重要度较高的分心监测指标；最后，采用长短时记忆神经网络（LSTM-NN）实现分心驾驶的分类识别，并与支持向量机和AdaBoost的模型结果进行对比。研究结果表明：LSTM-NN在判别分心或正常状态时F₁分别为89%、91%，高于SVM和AdaBoost对应二分类结果；进行多分类任务时，判别分心情景的平均F₁较SVM和AdaBoost分别提升了12%和7%，不同类别分心识别的误报率在15%以下，说明LSTM-NN能够有效学习分心序列的前后信息，有利于准确估计驾驶人的状态。研究结果可为车辆分心预警系统和驾驶风险倾向性评估提供方法基础。     

基于人体姿态估计的分心驾驶行为检测

为弥补现有驾驶特征提取方法的不足,提高分心驾驶行为检测的准确性和鲁棒性,将2D/3D人体姿态估计应用于驾驶人行为检测,提出一种适用于驾驶舱环境下的驾驶特征提取方法。首先通过将2D姿态估计网络Simple Baseline和分类网络ResNet进行融合,构建基于2D姿态估计的分心驾驶行为检测模型,并在分心驾驶数据集State Farm上分析不同数据增强方法、不同超参数、不同分类网络对模型性能的影响。其次,融合3D密集姿态估计网络DensePose与分类网络ResNet,构建基于3D姿态估计的分心驾驶行为检测模型。接着,在State Farm数据集上,针对模型的实时性和泛化能力,对比分析基于原始图像和基于2D/3D姿态的分心驾驶行为检测模型。最后,针对效果更优的基于2D姿态估计的分心驾驶行为检测模型,在分心驾驶数据集State Farm上,对使用不同姿态估计算法和分类网络的分心驾驶行为检测模型做了交叉试验,对比分析4个不同检测模型的优缺点。进一步地,将基于2D姿态估计的分心驾驶行为检测模型应用于实际采集的驾驶图片,对模型的泛化能力和有效性进行了测试验证。研究结果表明:与基于原始图像的检测模型相比,基于2D和3D姿态的检测模型都能显著提高分心驾驶行为的检测准确率;基于3D姿态的检测模型在检测精度方面略优,但基于2D姿态的检测实时性更好,检测效率是基于3D姿态检测的4倍;在驾驶舱单一环境下,基于2D姿态估计的分心驾驶行为检测模型能够满足分心驾驶行为检测的需求,在分心驾驶行为检测方面具有重要应用价值。     

关于公交车驾驶员安全驾驶视觉特性的分析

随着我国现代化的不断发展,城镇居民的生活水平不断提高,对各种交通工具的需求也在不断加大。同时,由于环境的逐渐恶化和人们环保意识的提高,越来越多人在出行时选择公交或者地铁等公共交通工具出行,因此,公交车驾驶的安全问题受到大家广泛关注。相关数据表明,驾驶员的违规驾驶是引起交通事故的重要原因,应从驾驶员的角度出发,分析公交车驾驶员安全与驾驶视觉特性的关系,有效保障公交车行驶的安全性。公交车驾驶员是驾驶行为的参与者,行驶过程中结合视觉信息操作驾驶行为。本文简要概述了驾驶员的视觉基本特性与疲劳驾驶、分心驾驶及驾驶经验对视觉特性的影响等方面,基于驾驶员的视觉特性影响因素进行研究和提出几点建议。     

驾驶中拨打手机对驾驶人脑力负荷及驾驶行为的影响分析

基于驾驶模拟实验平台,选择高速公路、城市道路2种交通环境,对3名低龄驾驶人正常驾驶与拨打手机驾驶情况下的脑力负荷及驾驶行为表征指标进行了全程监测。每组实验时间约为15min。其中,脑力负荷评估采用心率变异性相关指标,驾驶行为表征采用后视镜使用、转向灯使用、档位变换及速度变化等指标。实验结果表明,相比于正常状态驾驶中拨打手机时心率变异性指标,出现了驾驶人LFNU指标增大、HFNU指标减小、LF/HF比值明显增大、TP增大的现象,规律明显。在排除驾驶疲劳对心电指标产生影响的可能后,可初步判定出现以上现象的原因是拨打手机引起了驾驶人脑力负荷的大幅增加。在驾驶人认知资源有限的情况下,脑力负荷的增大造成了驾驶人在信息获取、转向灯使用、档位变换和车速保持等方面的能力有不同程度的下降。综上所述,驾驶中拨打手机使得驾驶人脑力负荷大幅增加,进而对驾驶行为产生了诸多负面影响,给交通安全带来了隐患。因此,建议相关部门在法律、法规中对驾驶中拨打手机的行为加以限制,以减少交通事故风险。     

驾驶人抑制控制对风险驾驶行为的影响研究

为研究驾驶人抑制控制能力与风险驾驶行为之间的关系,采用线索化Go/NoGo实验范式测量驾驶人抑制控制能力,结合抑制控制与风险决策行为特征构建模拟驾驶场景,基于驾驶模拟器系统对51名被试开展了模拟驾驶实验,记录驾驶人风险决策表现情况,并采集驾驶人操作和车辆运行数据,就抑制控制能力对风险驾驶行为的影响进行了分析。结果表明:抑制控制能力较低的驾驶人在面对风险决策时,往往表现出更高的风险行为倾向,在驾驶过程中倾向于采取更高的行驶速度,并观测到更高的超速行为比例,且对于车辆的横向控制能力偏弱。     

高速跟车状态下驾驶人最低视觉注意力需求

为了避免现有驾驶分心研究方法的局限性,从注意力需求角度入手,探索了高速跟车过程中驾驶人安全驾驶所需的最低视觉注意力。在驾驶模拟器上进行试验,记录26名驾驶人在正常驾驶和视线遮挡驾驶2种状态下的视觉行为和视线遮挡行为数据,并进行统计分析。考虑驾驶人个体差异,初步探索了最低视觉注意力需求分布。结果表明:高速跟车驾驶状态下,驾驶人可以不需观察周围交通信息安全行驶35m左右,视线遮挡距离与车速无关,可用于表征注意力需求。视线遮挡距离和遮挡频率存在个体差异,但驾驶人总体遮挡百分比基本不变。高速跟车过程中驾驶人的剩余注意力主要用于观察道路前方和其他区域。具体表现为视线遮挡驾驶状态下驾驶人对道路前方和其他区域的观察距离显著缩短,而观察频率基本不变,且仅需行驶25m左右的时间驾驶人即可完成观察周围交通状况,说明观察频率对获取交通信息更为重要。驾驶人平均每行驶20~60m(1.0~2.8s)需要观察前方道路一次,每行驶80~220m(4.1~8.6s)需要观察车速表一次,每行驶140~300m(6.7~13.5s)需要观察后视镜一次,每50~200m(2.5~9.1s)可以遮挡视线一次,但遮挡距离一般小于43.7m(约2.4s)。研究结果有助于提高分心预警系统的环境敏感性和车内人机界面设计的合理性。     

基于国外技术研究方法的弯道驾驶行为特征统计分析

为理解驾驶员行为特征,提高自动驾驶汽车的类人驾驶能力,借鉴国外研究成果,基于自然驾驶数据集,对驾驶员在弯道行驶过程中的行为特征开展了研究。选择车辆纵向速度、侧向加速度、横摆角速度和车速作为驾驶员行为特征,选择弯道曲率半径作为道路几何特征,利用车辆动力学原理进行弯道工况识别,通过核密度估计及相对熵对数据集特征参数分布的收敛性进行验证,并对弯道行驶过程中驾驶员行为特征及道路几何特征进行了统计分析。分析结果可以为设计具有类人操作特性的自动驾驶或驾驶辅助个性化系统提供数据支撑。     

考虑初始情绪的个性化驾驶负荷状态评价

利用驾驶人生理数据对驾驶人的负荷状态进行评价已成为交通心理学的研究热点，该方法通常需要采集驾驶人在静息状态的生理信号特征作为其负荷基准，因此负荷基准的提取将影响驾驶人状态评价结果的准确性。基于此，研究搭建驾驶模拟试验平台，招募15名志愿者开展驾驶模拟试验，设计不同任务诱导其产生3种程度的精神负荷，采集志愿者在不同负荷状态下的生理信号。基于试验数据研究驾驶人初始情绪对心电信号负荷基准值的影响，设计初始情绪提取处理方案，并提出基于个性化敏感生理特征的驾驶负荷评价方法。首先对原始心电信号进行滤波，修订心跳间隔异常值；其次计算心率变异性序列（HRV）时频域特征，利用线性回归对静息状态驾驶人情绪特征进行提取，并利用归一化处理消除初始情绪对驾驶人静息状态负荷的影响，完成驾驶人心电信号时域和频域特征的计算提取；最后采用Fisher-score特征选择算法完成不同驾驶人个体敏感特征的选取，并对个性化特征提取前后的驾驶人负荷评价结果进行对比分析。研究结果表明：研究设计的考虑初始情绪的个性化特征分类器可有效消除初始情绪对驾驶人静息状态负荷的影响，且提高了驾驶人负荷状态识别的准确率，可为进一步研究驾驶任务对驾驶人负荷状态的影响并改进车内外分心源的设计提供依据。