基于脑电信号分析的不同年龄驾驶人疲劳特性

为研究不同年龄驾驶人驾驶过程中疲劳情况及疲劳累积速度,对比其疲劳产生与变化的差异性,获取不同年龄驾驶人的最优驾驶时间,设计自然驾驶试验,利用Physio生理多导仪采集脑电数据,并采用主观检测方法对驾驶人进行问询。应用MATLAB对采集到的脑电数据进行降噪处理,通过积分获取各时段α波、β波和θ波的平均功率谱密度,进而求得脑电指标R_（α/β）,R_（θ/β）,R_{（α+θ）/β}。利用SPSS将其与驾驶时间进行单因素方差分析,并通过敏感性判断,选取R_{（α+θ）/β}作为驾驶疲劳表征指标。对各年龄段驾驶人的R_{（α+θ）/β}进行均值化处理,并将其与驾驶时间进行线性拟合,分析驾驶人年龄对驾驶疲劳累积速度的影响。对驾驶过程中各时段的R_{（α+θ）/β}进行配对样本t检验,并结合主观问询结果确定不同年龄驾驶人的最优驾驶时间。研究结果表明：青年和中年驾驶人在0~1.5 h内疲劳累积速度相对缓慢,老年驾驶人较快;在1.5~3 h内,青年驾驶人疲劳累积速度最快,中年驾驶人最慢;老、中、青年驾驶人的最优驾驶时间分别为60~75,120~135,105~120 min;不同年龄驾驶人其驾驶经验、体力和精力及外界环境干扰是影响疲劳累积速度的重要因素;试验结果验证了采用R_{（α+θ）/β}作为驾驶疲劳表征指标的有效性,有助于为不同年龄驾驶人安全驾驶时长的确定提供科学依据。     

雾环境下高速公路驾驶人跟驰行为研究

雾环境下驾驶人行车与正常天气相比，在低能见度下视觉参照物较少，驾驶人更倾向于跟驰行驶。为研究雾环境下高速公路驾驶人跟驰行为，以真实雾环境下实车试验方式，选择多条高速公路作为试验路段，以Smart Eye眼动仪获取车辆在雾环境下高速公路驾驶人视觉参数，包含驾驶人注视区域、注视角度、注视持续时间、瞳孔直径、扫视速度以及扫视幅度等，以归一化方法对驾驶人注视重心进行分析，研究不同能见度下驾驶人的跟驰需求，并通过对雾环境下上述视觉参数进行规律总结。对雾环境下驾驶人跟驰特性进行统计及分类，将跟驰行为划分为主动、半主动、半被动以及全被动跟驰；通过分析雾区低能见度下驾驶人跟驰行驶条件，引入多维偏好理论及后悔理论，进行驾驶人跟驰决策模型构建，并基于差分法对模型进行参数标定及验证。研究结果表明：驾驶人在1次跟驰动态过程中，正常车道保持时驾驶人扫视速度较低，而当处于车道调整时，驾驶人扫视速度存在较大波动，且平均扫视速度较高，低能见度下驾驶人注视点转移速度27.0 （°）·s^-1明显低于晴好天气的52.0 （°）·s^-1；驾驶人在跟驰过程中，能见度对驾驶人跟驰时的视觉特征有显著影响，通过跟驰模型构建可为后续雾环境下车辆跟驰前后车距及车速预测提供理论支撑。     

导水夹泥断裂破碎岩内在结构与渗透性（双语出版）

造成深长隧道开挖过程中涌突水危害的主要灾害源为导水夹泥构造。研究断裂破碎岩体内在结构特征与不同构造单元渗透特性可以在一定程度上规避工程施工过程中事故的发生。以甘肃典型导水夹泥断裂带为背景,针对典型断裂破碎岩样进行XRD矿物分析、SEM岩体裂隙内在结构表征、不同构造单元原位压水试验及室内典型破碎岩体渗透试验,分析导水夹泥断裂破碎岩矿物成分、内在结构及渗透系数。研究结果表明：岩样裂隙内的充填物随次生矿物比升高,渗透系数增大;断层核部渗透系数较破碎带与完整花岗岩体大,断层核部粒径浅部比深部大,岩体浅部变质程度比深部破碎,有效孔隙度核部深部比浅部大,比表面积值核部也比影响损伤带及母岩大;横向上,断层核部裂隙密集带具有较高渗透性,随着裂隙密度的降低渗透系数明显降低,且距断层核部越远,渗透系数越低;纵向上,断层带不同构造单元的岩体,其渗透系数由小到大的分布规律为断层泥（<10^-9 m·s^-1）、碎砾、角砾岩（10^-5~10^-7 m·s^-1）、碎裂岩（10^-4~10^-7 m·s^-1）,完整围岩部分（<10^-9 m·s^-1）渗透系数又变小。研究结果可为隧道涌突水防治提供理论与工程指导。     

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。     

无信号控制交叉口老年驾驶人转向行为图谱研究

考虑到老年驾驶人存在的视觉弱化、反应能力下降等问题,有必要分析其转向行为特征。基于此,本文分析了在无信号控制交叉口情景下老年驾驶人的转向行为特征,并绘制图谱描述行为特征的时序变化。基于无信号控制交叉口的现实场景调查,搭建了具备常见冲突类型的虚拟仿真驾驶场景（包含6个无信号控制交叉口）,招募符合要求的老年驾驶人与中青年驾驶人进行驾驶模拟实验,分别采集车辆行驶数据（驾驶模拟器）、眼动数据和生理心理数据分析老年驾驶人与中青年驾驶人在不同转向场景下的行为特征差异,应用图谱理论构建驾驶人转向行为图谱描述老年驾驶人与中青年驾驶人的转向行为特征时序变化。实验结果表明:老年驾驶人的速度均值为20.4 km/h、注视持续时间均值为289.47 ms、扫视幅度均值为3.51°;中青年驾驶人的速度均值为35.79 km/h、注视持续时间均值为247.94 ms、扫视幅度均值为4.56°。老年驾驶人的心率变异性时域指标（SDNN和RMSSD）与频域指标（LF/HF和TP）的值更低,表明老年驾驶人在转向过程中更加紧张。图谱显示老年驾驶人的紧张持续时间更长,并在信息获取广度上弱于中青年驾驶人。结合图谱时空差异性指标发现,这2类驾驶人的驾驶行为在左转向场景下存在显著性差异,老年驾驶人驾驶操作的稳定性与安全性较低。      

智能汽车的人机共驾技术研究现状和发展趋势

智能汽车的人机共驾技术（HMIoIV）是解决其智能化级别难以快速跨越至高度自动化水平的有效过渡手段。HMIoIV涉及了L0~L3级别的智能汽车的多种自动化技术,包括先进辅助驾驶系统。针对当前国内外智能汽车人机共驾技术的研究现状,对其概念、结构和研究内容进行总结,根据独立驾驶人参与的数量和驾驶操作方参与的数量将现有的人机共驾技术分成3类：单驾双控结构、串联型双驾单控结构（Traded Control）和并联型双驾双控结构（Shared Control）;并对驾驶人为因素、驾驶人模型、自然驾驶人状态监测和驾驶意图识别、串联型双驾单控结构和并联型双驾双控结构的研究方法以及权限与责任的关系进行全面综述。最后,分析总结当前智能汽车的人机共驾技术所面临的问题和挑战,并对该技术的发展趋势做出展望。     

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。     

减速频次催生换道意图下自动驾驶车辆自适应换道模型

科学、合理、拟人化的换道控制是实现自动驾驶车辆安全高效行驶的重要保障,已有研究主要考虑相邻车道速度差、换道间隙等要素对车辆换道控制的影响,并未考虑车辆频繁加减速导致乘车体验差而催生换道意图这一重要现象。针对该问题,设计以抗干扰能力为基础的自动驾驶车辆自适应换道调控方法,其调控过程主要包括：采用智能驾驶人模型控制自动驾驶车辆纵向驾驶行为,以减速频次为指标度量自动驾驶车辆的抗干扰能力,并将抗干扰能力引入到自动驾驶车辆换道决策过程中,模拟自动驾驶车辆因频繁加减速导致乘车体验差而产生换道意图的现象,在此基础上,提出车辆换道控制模型。然后,以智慧高速为背景,利用Netlogo构建多种自动驾驶车辆运行场景,测试所构建的自适应换道调控方法。研究结果表明：智能驾驶人模型的选用能够合理体现自动驾驶车辆换道行为对交通流的运行影响;相比于低密度车流（≤30 veh）,在中高密度车流情况下（≥40 veh）,自动驾驶车辆维持原有车道运行的能力较弱、换道频率较高,且过高[80次·（5 min）^-1]或过低[10次·（5 min）^-1]的抗干扰能力临界值会导致自动驾驶车辆运行速度降低至10 km·h^-1,因此可以根据不同车流密度条件对自动驾驶车辆的最大抗干扰能力进行设置和调整,从而保证自动驾驶车辆的运行效率,这也从侧面证明了所提自适应换道调控方法的科学性与合理性。研究结果对于提高自动驾驶车辆换道控制的合理自主性具有重要意义,该结果进一步完善了自动驾驶车辆换道模型库,能够为自动驾驶自适应换道调控提供理论和技术支撑。     

城市快速路中央分隔带线性空间布局形式的视觉刺激对驾驶行为的影响

为探究城市快速路中央分隔带线性空间布局形式的视觉刺激对驾驶行为的影响，通过图像语义分割技术量化景观构成要素，并用SILAB软件平台构建虚拟仿真场景，开展模拟驾驶试验。测试路段限速值分别为50 km·h^-1和70 km·h^-1。试验获取了41名被试对中央分隔带布局形式视觉刺激的眼动和车辆运行指标以及驾驶疲劳的主观评价，以分析不同中央分隔带布局形式视觉刺激下各特征参数的变化规律。采用注视点信息熵作为布局形式视觉刺激度的量化指标，并使用ROC曲线方法为表征不同中央分隔带布局形式视觉刺激的驾驶行为指标确立了舒适性阈值，根据不同中央分隔带布局形式下的驾驶行为指标及阈值，建立了舒适性综合判别模型。研究结果表明：单次扫视时长、注视次数、车道横向偏移距离受布局形式视觉刺激的影响较大；与车速50 km·h^-1相比，当车速为70 km·h^-1时，扫视频率低，单次扫视时长短，注视次数少，平均眨眼持续时间长；注视点信息熵与视觉刺激度相关；由车辆运行特征分析可知，排列式的中央分隔带布局形式由于景观单调、视觉刺激过低会导致驾驶人出现反应迟缓、疲劳，影响行车安全；规则式布局形式视觉刺激过高，环境的复杂性、新奇性、意外性等特征过于显著，会导致驾驶人难以集中注意力，从而威胁行车安全；而自然式的布局形式不仅能够改善城市快速路景观环境的单调性，还能够提供适宜的视觉刺激。研究成果能够改善中央分隔带布局形式及提高驾驶安全性提供一定的理论依据。     

反复冲击压缩高岭土动力特性SHPB试验

为了探明软黏土在反复冲击压缩荷载作用下的动力响应，利用SHPB（Split Hopkinson Pressure Bars）试验技术，建立高岭土SHPB试验系统，进行反复冲击压缩试验。通过比选确定合理的试样厚度、整形器和冲击速度用以提高试验结果的精度；开展了7组不同厚度、含水率和冲击速度的高岭土试样测试，试样厚度分别为10，15 mm，含水率分别为24%、29%和36%，冲击速度分别为3，5 m·s^-1。试验结果表明：含水率29%的试样，冲击速度为5 m·s^-1更有利于试样应力均匀性的实现，反复冲击次数的增加亦提高了试样的均匀性，在反复冲击后，试样应变量下降约16%，而应力峰值提高了约30%；反复冲击过程中，高岭土试样的应变出现软化现象，随着冲击次数增加，试样的应变峰值经历“降低-上升-降低”的过程；平均应变率与含水率反相关，相同试样厚度下，冲击速度为5 m·s^-1，含水率为24%的试样反复冲击下的平均应变率最大为210 s^-1，冲击速度为3 m·s^-1，含水率为24%的试样的平均应变率依然最大为177 s^-1；高岭土试样的压缩波速主要受含水率的影响，含水率越高，波速越大，含水率为36%的试样波速最大值为313 m·s^-1，厚度为10 mm的试样能更有效获取冲击压缩波速。     

考虑肌电信号的驾驶人弯道操纵行为分析

驾驶人是"人-车-路"闭环系统中的核心。近年来，研发人性化、个性化的汽车驾驶辅助系统逐渐成为行业热点。为了更加透彻地理解弯道驾驶行为特性，为弯道驾驶辅助系统提供功效评估与优化，提出了一种考虑肌电信号的驾驶人弯道行驶过程操纵行为分析方法。招募12名驾驶人在试验场标准路面上进行实车试验，其中包含6名专业试车师与6名普通驾驶人，要求驾驶人分别以30，40，50 km·h^-1的不同初速度驶入U形弯道并自由驾驶。试验过程中记录驾驶人颈部肌电信号数据和车辆运动状态数据，分析转弯行驶车辆侧向运动对不同驾驶能力的驾驶人生理体验的影响，同时进一步探讨不同类型驾驶人在不同入弯速度条件下颈部肌电信号与侧向加速度的关联差异特性。试验结果表明：相同工况下，专业驾驶人和普通驾驶人颈部肌电特征值存在显著差异，专业驾驶人颈部肌电信号特征与车辆侧向加速度呈现一定的线性关系；随着驾驶任务难度的增加，驾驶能力好的驾驶人能够较好地适应任务的变化，在进行纵侧向耦合操纵时能够较好地协调身体生理反应与车辆侧向运动保持较好的关联特性。研究成果为进一步探索并完善驾驶体验评价方法提供了新的研究思路，同时，可为汽车辅助驾驶系统功能设计与智能汽车行驶性能的用户体验测评提供技术支撑。     

驾驶风格对驾驶行为的影响

为了揭示驾驶风格对驾驶行为的影响规律,进而提取表征驾驶风格的特征参数,对不同风格驾驶人在感知层和操作层的驾驶行为数据进行了量化分析。首先,基于驾驶行为问卷对18名中国非职业驾驶人进行了驾驶风格问卷调查,并采用主成分分析、K-均值聚类等方法将被试驾驶人分为谨慎型、正常型和激进型3种类型。接着,被试驾驶人在搭载了SmartEye眼动仪的驾驶模拟器上开展了高速公路行车环境下的驾驶试验,同步采集了感知层的视觉特性参数和操作层的驾驶绩效参数,并采用判断抽样的方式将驾驶样本按照驾驶风格和驾驶模式（换道意图和车道保持）进行了划分,共选取了810组有效样本。最后,采用方差分析法分析了不同风格驾驶人在不同驾驶模式下的注视行为、扫视行为、横向控制特性、纵向控制特性方面相关参数的差异显著性,并提取了不同风格间存在显著差异的参数作为表征驾驶风格的特征参数。研究结果表明：驾驶风格越激进,驾驶人对周围环境关注越少,对车辆的横向控制稳定性越差,急加速和急减速行为发生的频次越高;不同风格驾驶人在意图时窗内对后视镜的注视次数（p=0.002）、方向盘转角熵值（p=0.04）、加速踏板开度（p=0.01）、制动踏板开度（p=0.02）这4个参数的差异均较为显著,因此可作为表征驾驶风格的特征参数。     

预期接管场景下接管绩效及接管风险研究

为了解条件自动驾驶预期接管场景下,预提醒(有预提醒和无预提醒)、速度差(30 km·h-1速度差和无速度差)和接管预留时距(5 s预留时距和7 s预留时距)对驾驶人接管绩效的影响,基于驾驶模拟器,设计了高速公路出口前的预期接管场景,进行接管过程的模拟驾驶试验.试验共招募39名被试(26名男性,13名女性),被试平均年龄...     

城市道路环境下自动驾驶车辆接管绩效分析（双语出版）

为了分析城市道路环境下高度自动驾驶中非驾驶相关任务和接管紧迫度对接管绩效的影响，基于驾驶模拟器设计了自动驾驶紧急接管场景并开展驾驶模拟试验，接管请求时间分别设定为3，4，5 s，非驾驶相关任务为读新闻、看视频、玩游戏，自动驾驶车速为50 km·h^-1，试验中共招募了49名被试（男性30名，女性19名），被试的平均年龄为31.06岁（标准差为7.1岁），驾驶人在自动驾驶阶段始终执行非驾驶相关任务，听到接管请求提示后需要接管车辆的控制权，并实施紧急避让操作。研究结果表明：在紧急接管情况下，接管紧迫度对合成加速度和最小TTC有影响，而对接管时间无影响，与5 s的接管请求时间条件相比，3，4 s的接管请求时间条件下的合成加速度明显增加，而最小TTC则随接管请求时间的减少而降低；非驾驶相关任务对接管时间和最小TTC有影响，而对合成加速度无影响，与无非驾驶相关任务相比，非驾驶相关任务会显著增加接管时间和降低最小TTC；碰撞几乎都发生在3 s和4 s的接管请求时间下，5 s的接管请求时间能够基本保证接管的安全性。     

带出口匝道城市隧道通风特性比尺模型试验

通风特性是影响城市隧道内外环境的关键，为深入研究带出口匝道城市隧道风量及风量分配的变化规律，获得隧道总风量及分流比的高效控制策略，基于相似理论，设计并搭建总长为38 m的1/20带匝道隧道通风比尺模型，研制可实现8台模型风机联动的变频控制系统、16个断面的速度及压力数据的实时测量与自动采集系统（该系统在风速u ≥ 2.5 m·s^-1时，比尺模型同步满足阻力、惯性力和压力相似准则），进行各通风段射流升压力变化对隧道内风量及风量分配的影响试验。结果表明：隧道主线通风段与匝道通风段风量存在联动耦合效应，当调节某通风段射流升压力时，该通风段及与之串联的通风段风量均随着射流升压力的增大而增大，与之并联的通风段，风量随射流升压力的增大而减小；总风量和分流比分别是影响城市隧道内、外环境的关键因素，调节分流前主线段射流升压力不改变分流比，但对控制隧道总风量变化最为高效，单位射流升压力作用下的总风量变化幅度达1.43%·（N·m^-2）^-1；调节分流后主线段或匝道段射流升压力对隧道总风量的影响有限，但能有效控制分流比，单位射流升压力作用下的分流比增幅分别为（-4.43，4.16）%·（N·m^-2）^-1；利用分流前主线段的射流风机控制隧道内环境，利用分流后主线段或匝道段的射流风机控制隧道外环境，是最为高效的通风控制方法。