基于大数据的驾驶风格识别算法研究

开展了基于大数据识别驾驶员驾驶风格的方法,建立驾驶风格识别数据库,包含80名驾驶员并覆盖不同性别、年龄、驾龄、驾驶习惯等属性,从数据库中提取能够反映驾驶风格的工况,包括换道、转弯、跟车等7种工况总计万余条工况数据,最后利用K均值聚类方法和D-S证据理论决策融合方法进行聚类分析,训练并测试了驾驶风格识别模型。经过验证,所提出的驾驶风格识别方法查准率达到80%。     

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。     

混合动力汽车驾驶风格识别的研究

鉴于驾驶员驾驶风格对混合动力汽车燃油经济性和排放性能有重要影响,本文中旨在通过对驾驶风格进行分类和识别,提高整车控制策略对驾驶风格的适应性,以改善整车的燃油经济性。首先以某款混合动力汽车为对象,对不同驾驶员的驾驶风格进行了实车道路试验和数据采集,接着采用主成分分析提取出表征驾驶风格的综合特征参数,并应用K-均值聚类对驾驶风格进行了聚类分析,最后在此基础上利用支持向量机算法对驾驶风格进行了识别。结果表明,驾驶风格的识别精度达到了90%以上,为混合动力汽车能量管理策略的进一步自适应优化奠定了基础。     

基于Tri-Training的驾驶风格分类算法

为进一步提高驾驶风格识别准确率并降低传统监督学习所需大量人工标记带来的时间成本,基于半监督学习三协同训练(Tri-Training)方法对驾驶员驾驶风格进行识别。对驾驶员真实驾驶产生的长时序数据进行数据清洗、工况识别、特征提取,并通过专家系统进行标记后使用Tri-Training算法进行训练,建立驾驶风格识别模型,通过调节带标签样本与无标签样本的比例,对比使用不同样本比例下训练的传统机器学习模型和Tri-Training模型的驾驶风格识别准确率。试验结果表明,相比于传统的监督学习方法,Tri-Training在带标签数据较少时,仍能表现出优异的识别准确率,半监督学习下的Tri-Training模型可以有效利用未标记样本来提高驾驶风格分类的准确率。     

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。     

驾驶风格K-means聚类与识别方法研究

驾驶风格用来表征驾驶员在实车运行环境中对车辆操作的行为特征,对于混合动力汽车能量经济性有较大影响,为提高驾驶风格识别方法在不同车型上的通用性与适应性,提出了基于K-means聚类的驾驶风格识别方法。针对采集的不同驾驶员所驾驶的商用车和乘用车的行驶数据,利用该识别方法分别进行了驾驶风格的识别,结果表明,将驾驶风格聚为3类具有较好的分类效果,并且该方法对商用车和乘用车均具有较好的识别效果。     

基于驾驶风格识别的AEB控制策略

为了考虑个性化的驾驶员特性对AEB控制策略的影响,提出了一种基于不同驾驶员驾驶风格的AEB控制策略。根据AEB危险场景下的驾驶员反应时间和情境风险度评价得分提出了驾驶风格识别系数的评价指标,通过驾驶员特性所呈现的人群聚类规律,将驾驶员分为谨慎型、普通型和激进型,同时引入危险系数来分级控制安全距离模型的制动减速度,完成紧急状况下的车辆制动。Simulink与Trucksim联合仿真结果表明,不同驾驶风格驾驶员对AEB系统介入时机与最小安全距离的心理预期具有不同的个性化需求,基于不同驾驶风格的AEB控制策略可以有效改善AEB系统的适应性,提高驾驶员的舒适性。     

基于车辆运行数据的纯电动汽车用户驾驶风格识别与驾驶能耗分析

驾驶风格是用来体现驾驶员在车辆运行状态下对车辆操作的行为特征,对用户驾驶风格进行识别与分析,有利于推进智能驾驶的发展。根据基于116 辆纯电动汽车的车辆运行数据,通过主成分分析方法与K-means 聚类算法,对用户驾驶行为进行分类分析,对驾驶风格进行了分类识别。利用XGBoost 算法构建纯电动汽车驾驶行为与能耗输入模型,利用SHAP 对模型进行解释。结果表明,将驾驶风格聚为3 类具有较好的分类效果,可分别对应冷静型、普通型与激进型;当驾驶员的驾驶风格趋向于激进型时时,车辆的驾驶能耗越高,驾驶风格激进一个层级,车辆百公里电耗增加3~4倍。当驾驶员行车时,其车速越高,油门踏板踩得越深,车辆加速度的绝对值越大,车辆的驾驶能耗越高。驾驶员的驾驶风格越激进,车辆的驾驶能耗越高。     

驾驶风格对不同跟驰场景下跟驰行为影响分析

为了分析驾驶风格对不同跟驰场景下跟驰行为的影响,利用高逼真度驾驶模拟器设计晴天、雾天两种天气状况和自由流、拥挤流、阻塞流三种交通流状态组合的六类典型跟驰场景。以跟驰过程中的最大加速度、最大油门踏板受力、最大油门踏板受力速度作为指标,通过K-means聚类识别方法,对六类典型跟驰场景下不同驾驶风格的驾驶员进行聚类识别,并以跟车间距、车头时距为风险指标评价不同驾驶风格的驾驶员在六类典型跟驰场景下的跟驰风险。结果表明：六类典型跟驰场景下,不同驾驶风格驾驶员的跟驰行为存在明显差异;激进型驾驶风格驾驶员倾向保持更小的跟车间距和车头时距,跟驰过程中的碰撞风险更高;晴天和自由流场景下不同驾驶风格驾驶员跟驰行为差异性更加显著。     

基于多分类监督学习的驾驶风格特征指标筛选

交通事故与驾驶风格具有强烈的相关性,而驾驶风格的直观体现是驾驶行为.为深入分析驾驶行为与驾驶风格的关联性,探索不同驾驶风格群体之间的差异,筛选驾驶风格分类与识别影响因素,建立驾驶风格识别模型并验证有效性.依托车联网实验数据,利用K-means++算法对驾驶员样本数据集进行驾驶风格聚类,设计支持向量机-递归特征消除(SV...     

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。     

考虑驾驶人风格的换道轨迹规划与控制（双语出版）

基于自动换道控制技术中融合个性化驾驶人风格的研究，建立考虑驾驶人风格的车辆换道轨迹规划及控制模型以提高换道规划控制模型对不同风格驾驶人的适用性，在保证安全性的基础上进一步满足驾驶人的个性化需求。首先通过问卷调查的方式采集得到了212份驾驶人风格量表数据，采用主成分分析法和K均值（K-means）聚类分析法将驾驶人按驾驶风格分为激进型、普通型和谨慎型，并通过驾驶模拟器试验采集不同风格驾驶人分别在自车道前车、目标车道前车和目标车道后车影响下的换道行为数据。然后对椭圆车辆模型进行改进，以描述不同风格驾驶人的行车安全区域，并据此构建3种典型工况下不同风格驾驶人的换道最小安全距离模型，结合驾驶舒适性约束、车辆几何位置约束以及不同风格驾驶人的换道行为数据，以换道纵向位移最短为目标，实现适应驾驶人风格的换道轨迹规划。最后以基于预瞄的路径跟踪模型作为前馈量，设计基于动力学的线性二次型最优（LQR）反馈控制器，通过调节控制权重矩阵实现3种工况下不同驾驶人风格的换道轨迹跟踪。PreScan和MATLAB/Simulink联合仿真结果表明：所设计的考虑驾驶人风格的换道轨迹规划及跟踪控制模型能够实现不同驾驶风格的自动换道轨迹规划及跟踪控制，可满足驾驶人个性化换道需求。     

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。     

Comparative study between Korea and UK: relationship between driving style and real-world fuel consumption

It is known that differences in driving styles have a significant impact on fuel efficiency and driving styles are affected by various factors such as driver characteristics, street environment, traffic situation, vehicle performance, and weather conditions. However, existing knowledge about the relationship between driving style and fuel consumption is limited. Thus, the aim of this study was to analyze the relationship beteen driving style and fuel consumption. The analysis presented in this paper used data from three on-road experiments were conducted independently in two different countries, i.e. South Korea and the United Kingdom. In this study, 91 participants, consisting 44 UK drivers and 47 Korean drivers, were asked to drive approximately 28 km of UK road and 21 km of Korean road, respectively. Driving data, including real-time fuel consumption, vehicle speed, and acceleration pedal usage were collected. The results suggested that driving styles including average vehicle speed and average throttle position were highly correlated with the real-world fuel consumption, and the cultural factors, e.g. road environment, traffic design, and driver’s characteristics affected the driving styles and, consequently, fuel efficiency.     

基于主成分分析和学习向量量化神经网络的制动工况路面识别与验证

开展车辆制动时路面类型识别的研究，提出一种基于主成分分析-学习向量量化神经网络 （Principal Component Analysis - Learning Vector Quantization，PCA-LVQ） 的制动工况路面识别方法。利用主成分分析对多维度驾驶数据降维处理，提取能表征路面特征的主要成分，采用学习向量量化神经网络对降维处理后的驾驶数据进行训练，并用于路面特征分类，使用制动工况下实车试验数据和硬件在环仿真数据进行验证。结果表明，所提出的 PCA-LVQ算法能准确识别路面类型特征，路面识别的精度达到 97%，与传统 BP神经网络的路面类型特征识别精度提升 7%；同时，在不同车速下，基于PCA-LVQ算法也能较准确地识别路面类型特征。     

Preliminary classification of driving style with objective rank method

This paper puts forward a method of preliminary driver classification, which applies two-criteria based analysis of the phenomenon of driving style. The resulting rank enabled the author to order the drivers according to their driving style, from the most active to the extremely mild. The most active driver in the sense of the two-criteria analysis is the one who covered a test stretch of the road the fastest while changing the position of the accelerator pedal most intensively. The classification of the drivers, along with the measurement data registered during road tests, will subsequently provide the foundation for later modeling of a dynamic classification of the driving style, in the form of a recurrent learning neural network of the Elman’s type.     

典型工况构建方法对新能源汽车能耗评价的影响分析

新能源汽车的能耗及其经济性与行驶工况高度关联。为了对新能源汽车的能耗进行合理评估，以西安市为例，分别应用聚类分析法、聚类马尔可夫分析法、短行程车速-加速度(Velocity-Acceleration,V-A)矩阵法和变步长V-A矩阵法构建城市客车运行工况，并进一步提出基于自组织映射(Self-organizing Maps,SOM)神经网络聚类的V-A矩阵法。对5种方法构建的工况进行对比和误差分析。在此基础上，基于一款插电式混合动力城市客车，应用全局优化方法——庞特里亚金最小值原理设计能量管理策略，分析车辆能耗和经济性以及5种工况的优缺点。研究结果表明：聚类分析法构建工况的平均特征值误差最大，计算量较大；变步长V-A矩阵法的平均特征值误差小于聚类法，计算量最小；短行程V-A矩阵法与变步长V-A矩阵法误差接近；聚类马尔可夫法的误差居中，计算量最大；基于SOM聚类的V-A矩阵法的平均特征值误差最小，能反映不同路段以及运行时间的差异，且能在聚类之后快速提取短行程的同时兼顾速度和加速度的分布；从能耗角度来看，基于SOM聚类的V-A矩阵法的能耗在5种方法中居中；聚类分析法构建的工况平均车速低于其他工况，但加减速频繁，能耗成本最高；聚类马尔可夫法由于对车速进行平滑处理，加减速频繁程度最小，能耗成本最低。     

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。