基于数字图像技术的汽车行驶轨迹状态识别

为获取驾驶员行驶状态信息与监控行车状况,通过车载CCD图像传感器获得序列图像,应用数字图像理解和计算机视觉技术,建立摄像机的透视投影模型和汽车行驶轨迹状态模型,根据平面图像上的点推导出车辆在空间道路上的实际位置,对车辆行驶过程中相对道路标线的行驶轨迹进行研究。该方法获得的行驶轨迹曲线能够正确判断驾驶员压线行驶、越线行驶与逆向行驶等违章行为,是判别驾驶员行驶状态的有效方法。     

基于车辆行驶轨迹的道路不良驾驶行为实时辨识方法

为了提高道路交通安全主动防控能力, 以小汽车行驶轨迹数据为研究对象, 研究了不良驾驶行为的实时辨识问题; 基于无人机拍摄交通流视频提取海量车辆行驶轨迹数据; 提出了应用风险度量方法量化典型不良驾驶行为的理论; 使用大样本统计分布方法确定不良驾驶行为的特征参数阈值; 建立了结合交通环境信息的不良驾驶行为谱, 计算了不良驾驶行为谱特征值; 以车辆不良驾驶行为谱特征值为依据标定不良车辆样本; 以部分驾驶行为谱参数为输入, 使用不平衡类提升的人工智能算法建立了不良驾驶行为辨识模型; 为了验证方法的有效性, 使用无人机交通视频采集了上海市的车辆行驶轨迹数据, 分析了小汽车不良跟驰行为特征。分析结果表明: 使用四分位差法得到不良跟驰特征参数的阈值为0.19 s-1, 大部分样本处于正常跟驰状态, 约2%样本处于不良跟驰状态; 基于每辆车行驶轨迹中正常跟驰状态和不良跟驰状态的比例, 使用95%分位数将8 917 veh小汽车样本划分为不良跟驰车辆445 veh与正常跟驰车辆8 472 veh; 不平衡类提升算法CUSBoost辨识不良跟驰车辆达到了94.4%的召回率和85.9%的精确率, 平衡分数和精确率-召回率曲线下的面积为所有算法中最高。可见, 不良驾驶行为谱作为一种客观的不良驾驶行为量化表达方法, 与人工智能方法结合可以生成海量的不良驾驶行为谱库; 不平衡类提升算法可以解决不良驾驶行为数据的不平衡问题, 与常规算法相比具有更好的不良驾驶行为辨识能力。      

视觉干预标线对驾驶行为的影响研究

通过对视觉干预下实验车辆的转向盘转角,以及纵、横向加速度连续观测分析,提出了转向盘转角变化率指标,用于评价视觉干预标线对驾驶行为的干预程度．实验结果表明,视觉干预标线能够影响驾驶员的驾驶行为,使其调整车辆的运行状态,改变行驶轨迹,设置适宜宽度的视觉干预标线不会影响行车安全．     

基于车辆行驶轨迹的道路不良驾驶行为谱构建与特征值计算方法

为了量化描述不同道路驾驶场景下驾驶行为的动态变化过程与不良驾驶程度, 研究了不良驾驶行为谱的构建与分析方法; 基于车辆行驶轨迹关键参数建立驾驶行为谱; 应用风险度量方法量化4种不良驾驶行为, 包括不良跟驰、蛇形驾驶、速度不稳与不良换道; 基于驾驶行为谱建立了不良驾驶行为谱; 基于交通流量-密度关系与驾驶行为统计参数的差异对交通流状态进行划分; 在不同交通流状态下, 使用四分位差法确定了不良驾驶行为特征参数阈值; 基于特征参数阈值计算每个驾驶人的不良驾驶行为得分; 使用CRITIC赋权法确定了不良驾驶行为的权重, 为每个驾驶人计算不良驾驶行为谱特征值; 为了验证方法的有效性, 使用无人机交通视频采集了上海市的车辆行驶轨迹数据, 分析了小汽车不良驾驶行为特征; 通过专家打分的方法对不良驾驶行为谱特征值进行验证。分析结果表明: 基于驾驶行为参数的交通流状态聚类方法将数据中的交通流状态分为自由流、饱和流、拥堵流3类; 聚类方法比基于基本图的交通流状态划分方法更适合驾驶行为分析; 不同交通流状态下的不良跟驰、蛇形驾驶、速度不稳特征参数分布明显不同, 拥堵流状态下的不良跟驰、蛇形驾驶、速度不稳极端值出现更频繁, 而不良换道特征参数在各交通流状态下有相似的分布; 蛇形驾驶、速度不稳、不良换道的特征参数阈值随交通流密度上升而上升; 使用CRITIC赋权法计算的不良跟驰、蛇形驾驶、速度不稳、不良换道的权重分别为0.19、0.33、0.37、0.11;自由流、饱和流、拥堵流的不良驾驶行为谱特征值的分布范围相近, 均处于0与0.4之间; 专家的不良驾驶行为评价与不良驾驶行为谱特征值一致。可见, 不良驾驶行为谱的构建与特征值计算方法能够使用车辆行驶轨迹数据自动辨识不良驾驶人, 具有客观性、适应性以及可靠性, 能及时发现不良驾驶人, 给驾驶人提供安全提示, 为交通管理部门提供交通安全预警的技术支持。      

基于支持向量机的车辆驾驶行为识别研究

从车辆行驶轨迹的角度,车辆驾驶行为可细分为车辆跟驰行为、车辆换道准备行为和车辆换道执行行为,它们对交通拥堵、交通事故等都有着重要影响,也是自动驾驶、交通仿真等系统的基础构成模块.然而,如何从实际微观交通流数据中对3种行为进行识别是驾驶行为研究的基础和难点.本文提出基于支持向量机的驾驶行为识别方法,使用真实车辆轨迹数据,为提高模型的准确率,首先对样本数据进行归一化和主成分分析预处理,然后采用网格搜索算法对惩罚因子和核参数进行寻优,最后利用样本数据对基于支持向量机的分类模型进行训练和测试.结果表明,模型的测试精度达到了98.41%,能够很好地识别车辆的行驶状态,为驾驶行为各阶段的研究提供支持.     

驾驶员的个性心理特征对汽车行驶安全的影响研究

汽车在运行过程中,驾驶员要根据各种环境信息来选择、实施自己的操作行为,当碰到一些复杂的、危险的交通场面时,驾驶员的个性心理特征对交通安全有着直接的影响。驾驶员的各种心理特征对安全驾驶都有有利和不利的一面,驾驶员应正确认识自己的心理特征,在驾驶活动中克服不利因素,提高汽车的行驶安全性。     

考虑车辆价值的倒计时信号交叉口 驾驶员驾驶行为建模

为了发现车辆价值是否对驾驶员在倒计时信号交叉口的驾驶行为产生影响, 以激进型驾驶行为、普通型驾驶行为和保守型驾驶行为为典型的驾驶行为,运用交叉口 录像获取数据方法,采集了车辆经过典型倒计时信号交叉口时的车辆价值、车速、倒计时 剩余时间、所在车道等具体数据,并对3 种驾驶行为进行了判定,建立了分时段的倒计时 信号交叉口驾驶行为Logistic 模型.结果表明,在红灯倒计时显示的3~0 s 时间段内,与保 守型驾驶行为相比,激进型驾驶行为与车辆价值、车速、所在车道有关系,普通型驾驶行 为仅与车辆价值、车速有关系;在绿灯倒计时显示时间为3~0 s 与n ~3 s 的时间段内,激进 型驾驶行为与普通型驾驶行为与车辆价值、车速有关系.结果说明,驾驶员所驾驶的车辆 价值对驾驶员在倒计时信号交叉口的驾驶行为产生影响.     

三车道动态环境下汽车驾驶倾向性的转移概率及其预测

驾驶倾向性是汽车行驶中驾驶员情感偏好等特征的动态测度,易随环境的改变而变化,并影响驾驶员意识和汽车操控行为;另一方面,其类型和转移概率又同时受到后者的作用与影响.准确揭示动态环境下驾驶倾向性转移概率,对实现汽车自动驾驶和辅助驾驶系统具有重要意义.本文以三车道为例,从环境变化,特别是从刻画交通态势复杂性的车辆编组关系演化角度出发,设计三车道条件下的驾驶实验,采集不同行驶环境下驾驶员倾向性并进行统计分析,揭示环境嬗变情况下,汽车驾驶倾向性转移概率.验证结果表明,利用倾向性转移概率对汽车驾驶员倾向性进行预测的结果与实时辨识结果相吻合,平均准确率达80%以上.     

绿灯倒计时影响下机动车微观驾驶行为分析与决策建模

机动车在交叉口信号相位切换期间的驾驶行为对于城市道路交通安全至为重要,本文对绿灯倒计时影响下的机动车微观驾驶行为与“通过/停止”决策进行研究.首先,利用驾驶模拟器进行1组单盲实验来提取车辆的接近速度、反应时间、减速度等参数.其次,详细地刻画了车辆进入交叉口范围至行驶至停止线全过程的微观驾驶行为.再次,综合交通因素及驾驶员个体特征等解释变量,建立了随机效应Logistic模型以描述车辆的“通过/停止”决策行为.结果表明：车辆进入交叉口范围后会“先减速,再加速,再减速”,加速通常出现在距停止线30~ 40 m的范围内,且绿灯倒计时与黄灯启亮前期对驾驶员具有催促作用;速度、距离、年龄、性别对车辆的“通过/停止”决策行为具有显著影响;随机效应Logistic模型比Logistic模型更能表征其他未纳入模型的因素及反映不同交叉口与驾驶员的异质性.     

不良天气条件下的驾驶行为研究

以往研究表明,不良天气条件下的交通安全事故数量显著增多.不同天气条件下的行驶速度相差很大,晴天条件下车辆的行驶速度最高,依次是中雨、大雨及雨雾天.驾驶员心理反应在各种天气条件下差异也很大,中雨条件下的心率最大,接下来依次是晴天、大雨及雨雾天气.心率的标准差由大到小依次为中雨、雨雾、大雨以及晴天.文中对影响驾驶员驾驶行为的因素进行了分析得出,不同天气条件下的平均速度与能见度密切相关,驾驶员心率与车辆行驶速度以及驾驶员的紧张程度相关.