基于多维信息特征分析的驾驶人认知负荷研究

准确评估驾驶人认知负荷水平，对于深入研究驾驶人行为特性，改善驾驶安全性具有重要意义。现有的驾驶人认知负荷分类方法，大多基于心电、脑电等生理信息和车辆信息，由于特征选择上的单一性，导致驾驶人认知负荷分类模型的分类精度不高。设计基于跟驰场景的不同认知负荷N-back次任务试验，通过采集受试者的生理信号和车辆信号，结合NASA_TLX主观评分和机器学习算法，提出了基于多维信息特征融合的驾驶人认知负荷分类方法。研究表明：基于生理信息和车辆信息的多维信息特征认知负荷分类方法，其精度显著高于传统的基于生理信息的认知负荷分类方法，以多维信息特征为输入，随机森林法以其稳定性好、抗过拟合能力强的特点，表现出优异的分类效果，相比神经网络和支持向量机，具有最高的平均分类精度。     

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。     

表征防御性驾驶技术与情绪智力提升的多元线性回归模型

近年来,防御性驾驶技术成为道路交通安全风险防控的重要研究方向。目前国内外针对防御性驾驶的研究集中在可行性和防御性驾驶判断、识别研究,对防御性驾驶培训与驾驶人情绪智力关系的定量研究还处于空白,针对防御性驾驶培训与驾驶人情绪智力的定量研究处于空白的问题,基于对驾驶人情绪智力评价指标的分析、防御性驾驶技术的实施流程分析与防御性驾驶培训体系设计,提出了一种表征防御性驾驶技术培训与驾驶人情绪智力提升之间关系多元线性回归模型,此模型分两个阶段描述驾驶人心理和生理、情绪、驾驶智力、学习时长5个自变量与防御性驾驶培训成效因变量之间的线性关系。为了验证模型的线性特征,对模型进行了F检验。验证结果显示:5个自变量对因变量产生的线性影响判断犯错概率两个阶段平均为0.047,符合多元线性回归的要求,表明提出的多元线性回归模型是一种有效的模型。通过模型的分析得出,防御性驾驶培训对驾驶人情绪智力提升有两个明显的特征。在初始阶段,防御性驾驶培训与驾驶人的敏捷性相关的指标相关性最高,在第2阶段,防御性驾驶培训与驾驶人的心理和情绪控制指标相关较高。     

山区公路纵坡段驾驶人脚操纵特征及驾驶负荷

为证实山区道路纵坡参数与驾驶人生理指标之间的相关性,明晰纵坡路段参数影响驾驶负荷的内在机制,在3条山区双车道公路上开展了小客车实车驾驶试验,采集道路纵坡参数、真实驾驶习惯条件下的驾驶人心电信号、加速踏板力和制动踏板力。基于实测数据,描述制动和加速踏板力幅值的分布特性,分析坡度值对踏板力的影响;探讨加速踏板力、制动踏板力与心率增长率H之间的关联度,并建立H与踏板力之间的回归模型,最终从体力和精神负担两方面揭示了纵坡路段驾驶负荷的形成机制。研究结果表明：制动踏板力的均值和特征分位值均高于加速踏板力,对应最高使用频率的制动踏板力幅值也高于加速踏板力,即下坡路段踩踏板操作的体力负荷更大;踏板力与H正相关,其中下坡制动踏板力与H之间的相关性更强,表明下坡路段尤其是陡坡路段的踏板操作更容易导致精神负担;当踏板力超过某幅值之后,部分驾驶人的H对踏板力的增加变得敏感;对纵坡单元各被试驾驶人的H和踏板力数据取均值,发现在消除驾驶人的个体差异之后,H踏板力的相关性变得更高。     

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。     

基于样本熵特征的驾驶人换道过程特征分析

在行车环境中,驾驶人的精神负荷是否能合理分配直接影响行驶安全,因而驾驶人的驾驶熟练程度与驾驶人驾驶过程中的精神负荷分配之间关系值得研究,其中脑电是客观评价驾驶人精神负荷的重要指标.通过实验采集了10组城市道路环境下驾驶人驾驶过程中的脑电信号,并记录了车辆行驶过程中的车辆数据,然后使用样本熵的方法来定量计算脑电数据,从而评价驾驶人在换道过程中的精神负荷问题.样本熵计算结果显示:换道过程中驾驶人的脑电特征要明显比非换道过程中驾驶人的脑电特征复杂;换道过程中驾驶人的脑电特征样本熵明显大于非换道状态下的驾驶人脑电特征样本熵,熟练驾驶人的脑电数据样本熵明显小于非熟练驾驶人的样本熵值,熟练驾驶人在换道过程中车速高于非熟练驾驶人;相较于跟驰驾驶行为,换道驾驶行为过程占用更多的精神负荷,熟练驾驶人比非熟练驾驶人分配更少的精神负荷在换道过程中.     

基于驾驶工作负荷的心生理指标研究

驾驶员是道路交通系统的核心,道路交通系统的设计应考虑驾驶员的行为特征需求。从驾驶员认知过程研究出发,分析了驾驶员认知、道路环境条件和驾驶工作负荷的关系,通过动态EEG、眼动、心电、皮电等生理心理测量评价驾驶工作负荷,并对具体的心生理学指标反应驾驶工作负荷的原理和规律进行了研究。     

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,...     

基于生理信号的多任务下驾驶员认知负荷的评定

为探索驾驶员精神状态与生理信号之间的关系,建立基于生理信号的认知负荷评价方法,在驾驶模拟器中设置了驾驶任务和语音交互任务这一典型的双任务模拟驾驶工况,记录实验过程中驾驶员的主观评分及心电、皮电和呼吸等生理信号,并运用统计方法分析生理参数在整个实验过程中的动态变化规律。结果表明,相对于单一驾驶任务,双任务工况下驾驶员感受的主观压力随着任务难度的增加而上升;心率变异性功率谱密度、皮电水平和呼吸频率等生理指标与驾驶员的认知状态具有较强的关联性,因而可以有效区分不同认知负荷的两种状态。     

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。     

基于SOM神经网络的多工况驾驶风格识别

不同的驾驶员对车辆的各项性能可能有个性化地要求,因此有必要对驾驶风格的分类与识别问题进行研究。首先在驾驶模拟器上采集不同驾驶员在多工况下的数据,利用主成分分析法选取驾驶员在各个工况下的特征参数,SOM神经网络分别对起步、加速及制动工况下的驾驶数据进行了聚类分析,然后以驾驶风格聚类分析结果为基础,建立了基于SOM神经网络的驾驶风格识别系统,该系统可根据驾驶员驾驶历史数据来判断其驾驶风格,最后以某一温和型驾驶风格识别结果为例验证了系统的合理性。     

人-车-路交互下的驾驶人风险响应度建模

人机共驾中，共驾模式的选择和驾驶控制权的分配高度依赖于对驾驶人状态的正确识别。为了分析人机共驾中驾驶人的状态，对行车风险场模型进行重构，通过构建风险场力作用机制，建立包含驾驶人特性、自车特性和外部风险特性的人-车-路闭环系统中的驾驶人风险响应度模型，用于表征驾驶人对风险的认知能力和应对倾向。根据24位驾驶人在跟车和并道2个场景中的驾驶试验结果，对不同风险响应度下驾驶人的驾驶特性进行分析。研究结果表明：驾驶人风险响应度在驾驶过程中具有时变性，在驾驶人个体之间和不同驾驶场景间均存在差异性。在风险响应度分别为低、中、高的3类驾驶片段中，驾驶人在驾驶时的碰撞时间倒数T_TCi和加减速行为均具有显著差异（p<0.05）；风险响应度较高的保守型驾驶中，驾驶人行车时倾向于保持较小的T_TCi（均值为-0.48 s^-1，标准差为1.25 s^-1），单位时间内制动操作最多[均值为0.65次·（15 s）^-1]，总体驾驶风格倾向于规避风险；风险响应度较低的激进型驾驶中，驾驶人行车时倾向于保持最大的T_TCi（均值为0.28 s^-1，标准差为0.42 s^-1），相较于保守型驾驶，单位时间内加速操作较多[均值为0.48次·（15 s）^-1]，制动操作较少[均值为0.50次·（15 s）^-1]，总体驾驶风格倾向于追求行驶效率；风险响应度居中的平衡型驾驶中，驾驶人行车时所保持的T_TCi居中（均值为0.04 s^-1，标准差为0.36 s^-1），单位时间内加速操作[均值为0.23次·（15 s）^-1]和制动[均值为0.41次·（15 s）^-1]操作总数最少，对于行驶效率和行车安全的追求相对均衡。相较于以往将驾驶人作为孤立个体的驾驶人状态评估方法，所提出的驾驶人风险响应度模型可以依据驾驶人在人-车-路交互中的驾驶表现，更为全面地反映驾驶人的个性化驾驶状态。     

Comparison of driving characteristics between drivers in Korea and in the united states of America based on driver-vehicle interaction field database

Research and development involving intelligent vehicles of today is geared to safe, driver-friendly and sensitive vehicles that provide a driver with a pleasant and convenient driving environment while preventing him or her from possible risks of accident. In developing convenient and safe vehicles, research on drivers’ driving patterns, reactions and state characteristics depending on road conditions in actual field is essential in order to devise more driver-friendly intelligent vehicles. This paper describes how a driver-vehicle interaction (DVI) field database is built in order to obtain a driver’s input in normal road driving condition on highways, country roads, and city roads, and his or her state information, as well as data on the vehicle and traffic conditions. And the newly built database is compared with the RDCW FOT database established by UMTRI of the US for analysis to suggest that the driving tendencies of drivers in Korea and the road driving conditions are not the same as those in the US, reconfirming the need to establish a DVI field database, which will be used for the development of intelligent vehicles suitable for the Korean environment. The DVI data collected from actual driving in field are anticipated to be widely utilized as basic data for research on various intelligent driving safety systems, advanced driver assistance systems (ADAS) and human-vehicle interface (HVI) that are suitable for the driving environment in Korea.     

普通公路驾驶员期望车速调查分析与建模

为了解普通公路驾驶员的车速选择机理,对驾驶员进行了期望车速问卷调查,对驾驶员的个人信息、车辆特征、以及驾驶员对超速10%的认可态度等可能影响期望车速的因素进行了重点调查。根据限速值的不同,分80、60和40 km/h 3个等级进行了调查,并为各等级公路选取了代表路段,由具有类似驾驶经历的驾驶员认真填写。对435份有效问卷进行了分析,发现期望车速广泛存在于驾驶员心中,驾驶员在行车过程中会使车速尽量维持在期望车速附近。期望车速主要受限速值、驾驶员的驾龄、对超速10%的态度以及车辆性能等因素的影响,驾驶员的性别和年龄对期望车速的影响不显著。采用逐步回归法,得到了期望车速的计算方法。对期望车速的特点、交通安全措施以及调查方案中可供改进的地方进行了总结。     

基于嗅觉刺激的驾驶员负向情绪正向调控方法研究

针对驾驶员在异常情绪下更容易导致交通事故发生的问题，研究一种用于智能座舱的驾驶员异常情绪正向调控方法。招募 30 名被试者进行试验，利用视频素材诱发驾驶员愤怒等负向情绪，利用 E-prime 软件控制的嗅觉体验测试仪释放薰衣草、甜橙、沉香木气味对驾驶员负向情绪进行正向调节，采用 ErgoLab 多通道生理仪检测记录在气味刺激下被试者的心电信号 （ECG）、光电容积脉搏波信号 （PPG）、呼吸信号 （RESP） 等生理特征信号；采用问卷调查获取被试者的主观感受；使用面部表情识别软件对驾驶员情绪进行分析，联合主客观数据分析驾驶员的情绪调节效果，通过 30组对照试验研究3种嗅觉刺激气体对负向情绪的调节效果，结果表明，沉香木调节效果最好，甜橙其次，薰衣草最差。     

试论汽车驾驶员在安全驾驶中的问题

中国在过去几十年里发生了翻天覆地的变化,社会经济建设取得了重大成就,经济也实现了跨越式发展。目前人们的收入是非常可观的,所以人们有足够的经济支撑购买汽车,这也正是现如今汽车保有量不断增加的主要原因。任何事情都具有双面性,汽车为人们的出行提供了便利,但是其同样会造成交通安全事故,威胁人们生命健康安全。对于汽车驾驶员来讲,道路状况会影响汽车驾驶状态,但对其影响最大的是个人主观因素,即驾驶员驾驶过程中的状态以及心理素质水平的高低。本文主要论述驾驶员在安全驾驶中的问题,并就问题提出解决策略。     

基于驾驶人视觉感知的高速公路速度控制措施效果分析

为了从驾驶人视觉感知角度了解4种控制措施(限速标志、警告标志、减速标线、彩色路面)对驾驶人行车速度控制的效果,基于驾驶人动态视觉特性,建立了视觉信息负荷模型,将驾驶人前方视觉区域划分成1个中央视野和4个周边视野,量化了速度控制措施对驾驶人视觉感知影响。基于实车试验数据分析表明:行车速度与驾驶人感知到的速度控制设施的视觉信息量显著相关,信息量越大,减速幅度越大;在速度控制措施的持续影响下,减速频率不会超过,而后趋于稳定。     

Driver propensity characterization for different forward collision warning times

The forward collision warning system, which warns danger to the driver after sensing possibility of crash in advance, has been actively studied recently. Such systems developed until now give a warning, regardless of driver’s driving propensity. However, it’s not reasonable to give a warning to every driver at the same time because drivers are different in driving propensity. In this study, to give a warning to each driver differently, three metrics classifying driver’s driving propensity were developed by using the driving data on a testing ground. These three metrics are the predicted time headway, required deceleration divided by the deceleration of the leading vehicle, and the resultant acceleration divided by the deceleration of the leading vehicle. Driving propensity was divided into 3 groups by using these metrics for braking and steering cases. In addition, these metrics were verified by making sure that braking propensity could be classified on public roads as well.