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。     

城市交叉口车路网联信息对青年驾驶人驾驶行为的影响分析

基于驾驶模拟器设计了城市道路信号和无信号交叉口场景下的模拟驾驶实验,研究网联信息的存在和内容对青年驾驶人工作负荷和操纵行为的影响.实验共包括被试26人,均为22～30岁的青年驾驶人.结果表明:对无信号交叉口(区分次干路直行车辆和主路对向左转车辆)或信号交叉口红灯时间即将结束时,网联信息可以显著降低青年驾驶人的工作负荷,...     

长时驾驶任务中脑力负荷多维特征变化趋势研究

研究长时驾驶任务中驾驶人脑力负荷多维特征随时间的变化趋势，对构建长时驾驶任务中脑力负荷的动态测评方法有着重要意义。现有研究缺少对脑力负荷动态变化的深入分析，尚未能揭示脑力负荷多维特征随时间的变化趋势。设计基于模拟驾驶场景下不同任务难度的时间纵向驾驶任务仿真试验，采用双因素(3任务难度×6时间段)组内试验设计，记录了驾驶人脑力负荷的主观测评、驾驶行为绩效以及眼动、皮电和心电等多模态生理测评指标数据，通过重复测量的方差分析方法系统地分析了脑力负荷多维特征在长时驾驶任务中的变化机理。结果表明：在长时驾驶任务中，随着驾驶时长增加，驾驶人的主观脑力负荷产生累积增加现象，驾驶行为绩效变差，瞳孔直径先快速变小后趋于平稳，皮肤电导水平先快速变大后趋于平稳，心率变异性pNN20指标随时间缓慢降低，心率低频与高频的能量比LF/HF在一段时间平稳后变大。任务难度对主观脑力负荷、驾驶行为绩效、眼动及皮电指标都有显著影响。不同任务难度下脑力负荷特征的变化趋势有所不同。研究结果揭示了长时驾驶任务中脑力负荷的多维特征变化趋势，可为进一步探究长时驾驶任务中脑力负荷的动态测评方法提供参考依据。     

车队认知能力增强的通信区块间隙优化方法

为了在单车超越车队的过程中缩短超车车辆与车队间通信范围，减少车队通信压力，锁定影响车辆入队的关键车队区块，同时通过将待进入关键区块的车队进行间隙优化调整，为驾驶人提供定制化换道入队引导服务，提出了基于驾驶人超车风格特征参数的车队内信息传输关键区块锁定算法，通过分析影响驾驶人换道入队位置范围的关键因素，将驾驶人换道入队过程分为本车道速度调整过程与入队速度调整过程，利用非参数贝叶斯算法获取驾驶人超车换道特征数据并提出基于关键区块所在车队位置序列的车辆间隙优化调整策略。研究结果表明：超车车辆加速度、与前车预计碰撞时间、与车队相对速度是影响驾驶人换道入队范围的关键因素；通过非参数贝叶斯算法将超车车辆运行数据分类获取的驾驶人换道入队驾驶操作基元，可准确提供驾驶人行为特征关键参数；通过将驾驶人换道特征分为48个子类型，可锁定驾驶人换道入队范围且车队关键区块范围随着超车车辆与车队速度差值不同在各个特征类型上呈现不同变化趋势；针对驾驶人入队特征对待进入车队关键区块的车辆间隙进行优化调整，不仅可以为驾驶人提供可接受的驾驶辅助信息，同时减少了车队间隙产生过程中车辆加速度范围，提升了车队运行的舒适性。     

基于车辆位置与速度特征的驾驶行为模式分类方法

精细车辆轨迹中包含连续的时间戳、位置，以及速度等信息。通过对车辆轨迹数据进行量化表达与挖掘分析，可以实现对车辆行为模式的分类。现有研究大多关注对位置的聚类，很少对车速、加速度等特征进行研究分析，而车速等是反映驾驶行为模式的重要特征。为了将轨迹多维信息纳入分析框架，研究了基于位置与速度特征的车辆轨迹行为模式分类方法。为克服现有行为模式分类方法的维度单一性，运用豪斯多夫轨迹距离算法计算出位置和速度特征的综合距离矩阵，针对豪斯多夫距离算法鲁棒性差的缺点，采用单向豪斯多夫距离90%分位值对算法进行了改进，降低噪声影响。同时，引入了车辆位置和速度来进一步提高分类的准确性，运用多次分层聚类算法依次对位置与速度轨迹图进行分类，得到车辆位置和速度上的行为模式。以HighD数据集为样本，提取了三车道上的行车轨迹，验证了基于速度与位置特征的车辆行为模式分类方法。结果表明:①本方法可以得到位置和速度的综合行为模式，聚类平均准确率达到94.8%，优于DBTCAN准确率89.3%和t-Cluster准确率86.4%；②基于换道模式轨迹偏移率曲线的分析，得到了4种互异的典型车辆换道模式。该方法可利用多维轨迹数据对行车模式进行分类及行为辨识，在车辆轨迹分类与不良行为辨识方面具有应用潜力。      

智能网联背景下驾驶人信息认知地图构建方法

为提升网联环境下车载信息的传递效率，提出了一种驾驶人信息认知地图构建方法。在驾驶人交通场景信息认知中引入认知地图概念，通过对20名驾驶人进行面对面访谈，获取视距内、外(超空间距离)交通场景语义描述，采用要素频率统计法确定驾驶人信息认知地图要素，设计概念图形完成可视化映射。构建轻量化深度学习MobileNet V2模型，实现驾驶人信息认知地图认知要素标签自动生成，并分别基于SE(Squeeze-and-Excitation Module)、CBAM(Convolutional Block Attention Module)、CA(Coordinate Attention Module)注意力模块对模型进行改进，通过Opencv算法实现可视化认知地图的自动生成。开展20名驾驶人的实车试验，获取12 000组交通场景认知集作为测试数据，通过人工标注的方法获取认知要素标签。结果表明：驾驶人信息认知地图具有道路类型、车道数、自身车道、目标类型、方向、距离、危险程度7个认知要素；MobileNet V2、MobileNet V2-SE、MobileNet V2-CBAM和MobileNet V2-...     

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。      

基于神经工效学的智能车辆横向控制模型研究

现有的驾驶人模型,在揭示驾驶人的驾驶机理上,或单独从驾驶人认知角度出发,或单独从控制角度出发,缺乏一个将驾驶人的认知过程和控制原理有机地结合起来的系统模型。鉴于此,本文中在神经工效学认知体系架构的基础上融合了模型预测控制算法(MPC)以及手臂肌肉模型,建立了一种基于神经工效学的车辆横向控制模型。模型采用了CarSim/Simulink联合仿真和基于dSPACE/驾驶模拟器硬件在环的方法进行验证。结果表明:基于神经工效学的车辆横向控制模型的轨迹跟踪精度优于MPC算法。同时,在控制转向盘转角、横摆角和横向加速度波动幅度等方面也较MPC算法有一定的提升。     

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。     

基于交通标志信息量的驾驶负荷加载有效性研究

过高的驾驶负荷是导致驾驶绩效受损和交通事故的重要原因,因此驾驶行为和交通安全研究中需要采用适当的负荷加载形式;通过试验分析不同信息量的交通标志对驾驶人认知负荷的影响规律,验证交通标志信息量对负荷加载的有效性。基于不同信息量的交通标志,对驾驶人的驾驶负荷进行试验验证。招募44名被试在静态控制环境下进行交通标志认知试验,采用信息理论对交通标志信息量进行量化计算,用不同信息量的交通标志进行认知负荷加载,采集被试对每个标志的主观负荷评价及反应时间。试验结果表明：主观驾驶负荷与交通标志信息量有高度相关性,反应时间随着信息等级的增加而增加;而驾驶人性别和驾驶经验对交通标志视认反应时间和主观驾驶负荷量化没有显著影响,这说明在驾驶试验中,交通标志信息量可以用于驾驶试验中的认知负荷的加载,而这种负荷的加载对于驾驶人的性别和驾驶经验是无差别的。该研究更多地考虑了驾驶人的认知特性,研究成果可用于驾驶负荷试验的次任务加载,帮助进行交通安全理论研究。     

Influence of unsteady aerodynamics on driving dynamics of passenger cars

Recent approaches towards numerical investigations with computational fluid dynamics methods on unsteady aerodynamic loads of passenger cars identified major differences compared with steady-state aerodynamic excitations. Furthermore, innovative vehicle concepts such as electric-vehicles or hybrid drives further challenge the basic layout of passenger cars. Therefore, the relevance of unsteady aerodynamic loads on cross-wind stability of changing basic vehicle architectures should be analysed. In order to assure and improve handling and ride characteristics at high velocity of the actual range of vehicle layouts, the influence of unsteady excitations on the vehicle response was investigated. For this purpose, a simulation of the vehicle dynamics through multi-body simulation was used. The impact of certain unsteady aerodynamic load characteristics on the vehicle response was quantified and key factors were identified. Through a series of driving simulator tests, the identified differences in the vehicle response were evaluated regarding their significance on the subjective driver perception of cross-wind stability. Relevant criteria for the subjective driver assessment of the vehicle response were identified. As a consequence, a design method for the basic layout of passenger cars and chassis towards unsteady aerodynamic excitations was defined.     

基于前额脑电多尺度小波对数能量熵的驾驶疲劳检测分析

为研究脑机接口（BCI）在交通运输中的应用，减少因疲劳驾驶导致的交通安全事故，提出基于前额脑电（EEG）信号多尺度小波对数能量熵的驾驶疲劳检测方法。首先，设计驾驶仿真模拟试验，利用脑电帽采集26名被试清醒驾驶和疲劳驾驶的前额EEG信号，试验过程中，使用主观检测方法每隔20 min对被试进行问询；其次，应用MATLAB对采集到的EEG数据进行预处理，基于2种驾驶状态形成被试初始样本数据集；进而，在该数据集基础上，利用多尺度熵的概念，提取EEG信号小波对数能量熵（WLE）特征，同时提取经典模糊熵（FE）特征进行比较分析；然后，运用极限学习机（ELM）对提取的特征数据集进行快速有效的精准分类，并使用留一交叉验证法进行验证评估；最后，对比经典FE分类表现，并结合多种性能指标对驾驶疲劳检测结果进行综合比较。研究结果表明：在本文试验条件下，基于多尺度WLE（MWLE）的前额EEG疲劳识别率显著高于基于多尺度FE（MFE）的识别率，其理论平均正确率达91.8%；基于多尺度熵的EEG信号特征提取方法能有效提高驾驶疲劳识别效果和算法效率；多种性能指标表明前额EEG的WLE可以作为衡量驾驶疲劳的有效生理指标；结果验证了采用基于ELM对MWLE的前额EEG信号进行驾驶疲劳检测方法的有效性和实用性，有助于促进可穿戴BCI在疲劳驾驶预警中的应用。     

基于 Bi-LSTM 的多类型特征融合驾驶员疲劳识别方法

针对传统的基于驾驶员面部图像采集的单一类型特征的疲劳识别方法，在阴影遮挡及光照变化场景下存在准确性、鲁棒性不足的问题，深入开展基于多类型特征融合的驾驶员疲劳识别方法研究。在分析非图像化的驾驶员疲劳特征的基础上，通过机器人操作系统 （Robot Operating System， ROS）的话题订阅来实现驾驶员生理特征、操作行为特征及面部特征的多源数据同步采集。处理原始数据并分析数据特性，提出了一种融合生理特征与驾驶员及观测者主观评价的数据标注策略，标注疲劳特征，构建驾驶员疲劳数据集；将驾驶员操作行为特征与面部特征融合，形成多类型特征融合序列，并基于双向长短时记忆 （Bi-directional Long Short-Term Memory，Bi-LSTM）网络，构建多类型特征融合的疲劳识别模型；通过单一类型特征与多类型特征对比试验、不同场景对比试验证明，基于Bi-LSTM的多类型特征融合识别方法的准确率和鲁棒性较单一类型特征识别方法均有明显提升，能在各种场景下更好地识别驾驶员的疲劳状态。     

IntelliWay-变耦合模块化智慧高速公路系统一体化架构及测评体系

根据当前智慧高速公路系统的发展历程,总结一些典型的车路协同系统逻辑与物理模型。在总结国内外智慧高速公路系统的整体架构之后,提出新一代智慧高速系统的总体架构-IntelliWay,包括智慧高速公路系统分层模块化架构、基于变耦合程度的智能分级和基于事件驱动的数据分发机制。同时,根据当前智慧高速公路系统的主流应用技术,总结车载高精度定位、高级驾驶辅助系统(Advanced Driver Assistance System, ADAS)与车载总线、路侧设备优化、异构网络融合、网络负载均衡、网络信息安全、多传感器融合与协同感知、以用户为中心的场景自适应信息发布、车辆群体协同自动驾驶、基于大数据与人工智能的交通态势预测、车道级主动交通管理、组件式应用服务开发等驱动智慧高速公路系统快速发展的新兴技术研究现状,然后基于以上关键技术的特点提出未来智慧高速公路系统应用的实施建议;分析广播式交通信息服务、主动交通管理、伴随式信息服务、自动驾驶专用道、车辆队列协同驾驶等智慧高速公路系统的典型应用场景,进行智慧高速系统的测评方法分析和相关案例分析。最后,系统性地分析和预测智慧高速系统存在的挑战及未来发展趋势,以...     

基于生物电信号的驾驶疲劳检测方法

驾驶疲劳检测技术是当前安全辅助驾驶技术的一个研究热点,其中基于生物电信号的检测方法最直接。本文主要介绍驾驶疲劳的生成机理、检测方法的分类和基于脑电、心电、眼电和肌电等主要生物电信号检测方法的研究现状。最后,针对当前研究领域的不足给出了建议,以供研究者参考。     

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。     

融合预瞄与势场栅格法的紧急避撞驾驶人模型

紧急避障工况下的驾驶人操作具有响应快且动作幅值较大的特点，传统预瞄驾驶人模型已不能适应紧急避障工况的需求，故考虑实际避撞场景开发相应的驾驶人模型就显得尤为必要。针对此种状况，基于驾驶模拟器，结合紧急避撞工况实际驾驶人操纵数据，提出了一种融合预瞄与势场栅格法的紧急避撞驾驶人模型。首先针对紧急避撞工况下车辆运动特点，建立车辆横、纵向耦合非线性动力学模型，并给出其状态空间方程描述；其次，离线仿真分析紧急避撞系统特征，并结合线性二次型最优控制，建立最优曲率预瞄+跟踪误差反馈驾驶人模型；再者，基于紧急避撞工况下真实驾驶人经验转向行为数据，开发基于势场栅格法的驾驶人模型，为进一步提高驾驶人模型对避障行驶工况的适应性，将基于势场栅格法的驾驶人模型与最优曲率预瞄+跟踪误差反馈驾驶人模型进行融合，并基于Sigmoid函数实现两者输出的权重分配；最后，针对所提出的融合预瞄与势场栅格法的驾驶人模型，开展基于避撞台架的驾驶人在环仿真试验以及实车试验。研究结果表明：在紧急避撞工况下，对比最优曲率预瞄+跟踪误差反馈驾驶人模型，融合预瞄与势场栅格法的驾驶人模型输出的转向动作与实际驾驶人行为较为接近，可在保证避障安全性的前提下，兼顾避障路径跟踪精度与车辆行驶的稳定性。     

Customer loads of two-wheeled vehicles

Customer usage profiles are the most unknown influences in vehicle design targets and they play an important role in durability analysis. This publication presents a customer load acquisition system for two-wheeled vehicles that utilises the vehicle's onboard signals. A road slope estimator was developed to reveal the unknown slope resistance force with the help of a linear Kalman filter. Furthermore, an automated mass estimator was developed to consider the correct vehicle loading. The mass estimation is performed by an extended Kalman filter. Finally, a model-based wheel force calculation was derived, which is based on the superposition of forces calculated from measured onboard signals. The calculated wheel forces were validated by measurements with wheel–load transducers through the comparison of rainflow matrices. The calculated wheel forces correspond with the measured wheel forces in terms of both quality and quantity. The proposed methods can be used to gather field data for improved vehicle design loads.