变道切入场景下 ADAS系统测试与评价研究

为了满足变道切入场景下的ADAS系统测试评价需求,提出一种考虑场景风险系数的变道切入场景生成方法和 客观综合评价模型。通过采集自然驾驶数据,采用阈值法自动提取变道切入功能场景并深入分析变道切入行为特征。使 用单因素方差分析法与皮尔逊相关性检验法共同分析场景风险系数与场景要素的相关性来确定关键场景要素。结合 K-means算法对离散逻辑场景参数进行聚类,从而得到5个典型测试场景。基于场景风险系数,采用AHP与CRITIC法构建 多层次综合评价模型,采用灰色关联理论对 ADAS系统进行客观评价。借助 VTD 仿真软件构建变道切入虚拟测试场景 库,进行仿真试验验证。结果表明,相关性分析使场景要素维度降低了60%,生成的测试场景可以有效验证ADAS系统 的综合性能,综合评价模型可对ADAS系统表现进行客观有效的评价,为智能驾驶系统开发提供有效参考。     

基于MobileViT-CA模型的营运车辆驾驶人分心行为检测

营运车辆驾驶人因其职业特殊性,驾驶过程中易产生分心驾驶行为从而引发重大交通事故。为提高营运车辆驾驶人分心驾驶行为的检测准确性和泛化性,提出一种基于改进MobileViT网络的驾驶人分心行为检测方法。首先,基于自然驾驶实车试验,构建包含安全驾驶、使用手机、喝水、整理仪容和与副驾驶交谈5类行为的营运车辆驾驶人分心行为数据集。其次,将注意力机制引入轻量型MobileViT网络,通过选择有效的网络主干MobileViT、注意力模块CA、网络嵌入位置从而设计出最优分类模型MobileViT-CA。研究结果表明：所提出的MobileViT-CA分类模型可以有效提升分类网络的性能,在正常光照条件下的营运车辆驾驶人分心行为数据集和State Farm数据集上分别达到了96.57%和99.89%的准确率,且模型具有体积小、检测精度高的优势,有较高的可靠性和泛化能力。     

基于驾驶行为基元的典型驾驶场景识别与提取方法

为了从海量自然驾驶数据中有效提取典型驾驶场景,提出一种基于驾驶行为基元的典型驾驶场景识别与提取方法,搭建了具有多类场景覆盖及通用程度高的典型驾驶场景自动化识别与提取框架,解决了当前方法仅适用特定单一场景提取,无法从大规模数据中高效提取场景的问题。     

卫星定位数据驱动的营运车辆驾驶人驾驶风险评估模型

为了提高营运车辆驾驶人安全管理的精细化水平，合理地评估驾驶人驾驶风险程度，有的放矢地降低高风险驾驶人的事故率，基于卫星定位数据特点及驾驶行为与驾驶风险的相关关系设计26个驾驶行为特征参数。考虑到高速和非高速行驶时相同驾驶行为对驾驶风险的影响区别较大，根据23名营运车辆驾驶人的实测数据有针对性地筛选高速和非高速路段驾驶人风险评估指标，构建营运车辆驾驶人驾驶风险评估指标体系。然后，基于熵权法、独立性权系数法和Spearman相关系数法建立集成赋权法，确定各评估指标的权重。最后，雇佣40名营运车辆驾驶人进行实车试验以验证模型的合理性。结果表明：车辆速度和加速度方面的驾驶行为特征可以用于评估驾驶人的驾驶风险且评估效果较好，驾驶风险评估得分与实际交通冲突次数呈正相关关系，所建立模型可以较为准确地评估营运车辆驾驶人驾驶风险的高低，准确率达到77.50%，该模型在不同地区使用时，准确率存在一定的差异，但在容许范围之内，方法具有较好的鲁棒性。     

基于自然驾驶数据的切入场景队列跟驰仿真

车辆切入是常见的驾驶行为，频繁的变道切入行为影响了通行效率与交通安全。因此，揭示切入场景下的驾驶特性对研究交通拥堵和行驶安全机理具有重要意义。在自然驾驶数据的基础上，根据驾驶人的主观风险感知特性，探究驾驶人的切入行为发生条件，并在期望安全裕度（DSM）模型的基础上，标定了切入场景下的相关参数，根据标定结果进行切入场景下的队列跟驰仿真。仿真结果表明:在仿真区间内，队列的长度、行驶速度以及切入车的切入位置不同会影响队列的稳定性以及队列的调整，当队列长度由4辆变为13辆，速度由5 m/s增至20 m/s，切入车的位置由贴近前后车变为前后2辆车中间时，切入行为对队列的稳定性影响变得越小，队列越容易恢复到稳定状态。      

基于自然驾驶数据的驾驶员紧急变道行为开环模型

基于"中国大型实车路试先行实验(China Pilot-FOT)"所采集的自然驾驶数据,提出了一种开环模型,它可以描述驾驶员紧急变换车道行为。将方向盘转角和方向盘转角变化率作为变道紧急程度的筛选条件,从中筛选出228例紧急变换车道工况。基于最大方向盘转角与最大方向盘转角变化率的线性关系,分析了紧急变换车道的持续时间。利用其中50百分位驾驶数据,来拟合模型参数。使用相关性和显著性检验,验证了真实驾驶数据与驾驶计算模型的关系。结果表明:该模型的输出结果与真实驾驶员操作结果一致性良好。因此,该模型可以描述中国一般驾驶员紧急变道行为。     

实际数据驱动的自动驾驶道路测试险态场景辨识方法

险态场景仿真测试是提升自动驾驶车辆驾驶能力和降低道路测试风险的重要手段,其核心基础是险态场景的构建。依托自动驾驶道路测试的实际数据,在甄别自动驾驶模式避险脱离事件的基础上,提出道路测试险态场景辨识关键指标,并利用随机森林、决策树、支持向量机和BP神经网络四种监督分类模型,对险态场景的风险等级进行划分。基于上海城市道路场景实际测试数据和实际记录脱离原因数据,验证了实际数据驱动的道路测试险态场景辨识方法的有效性,同时表明BP神经网络辨识险态场景的效果最好。研究成果为构建道路测试险态场景提供依据。     

大数据环境下营运车辆驾驶行为特征分析

通过大规模采集营运车辆驾驶行为信息,并对其驾驶行为特征进行定性、定量分析是有效遏制交通事故的前提.对采集的营运车辆驾驶行为数据进行预处理,包括清洗、筛选、分段等,提高了数据的质量.利用经纬度坐标转换后计算出的车辆行驶速度与车载速度加权的车速进行分析;并运用DBSCAN聚类和 Spearman秩相关方法对不同车辆、不同时间段及不同天气状况下速度和加速度进行聚类和讨论相关系数,提取驾驶行为特征.结果表明,驾驶员夜晚比白天行车速度波动大,需加强夜晚行车的安全监控,且聚类方法可用于判定车辆驾驶的稳定性程度,有助于道路交通中心对车辆安全状态的判断和避免交通事故发生;对于经验丰富的营运车辆驾驶员,天气对驾驶的影响相对较弱.      

特殊环境下营运车辆驾驶人驾驶安全性评价

道路交通事故90%以上由人为因素引起.为了对特殊环境下营运车辆驾驶人的驾驶安全性进行综合评估,由问卷调查确立典型交通场景下的安全驾驶标准操作,应用层次分析法,从交通规则遵守情况、驾驶行为规范性程度及安全驾驶意识程度3个方面建立驾驶安全性评价体系.运用句法模式识别方法设计安全意识评价算法,对驾驶人在场景中的操作能力进行评价.结果表明,安全驾驶意识程度对驾驶安全性的影响最大.所设计系统在驾驶模拟器中实现,可有效评价特殊环境驾驶人的驾驶安全性,进而降低驾驶人因素引起的事故率.      

面向无人驾驶的数据采集与分析系统研究综述

车辆在行驶时会产生大量复杂的数据,对这些数据的采集和分析会促进无人驾驶技术的发展。通过研究,将无人驾驶所需数据分为交通场景数据和驾驶行为数据两类,综述了两类数据的采集和分析技术的发展历程及研究现状,并综合考虑企业、高校和相关研发机构的需求,提出了交通场景和驾驶行为数据采集系统需要向着建立本土化大规模的采集系统和建立基于智能手机的分布式采集系统的方向发展的趋势,以及交通场景和驾驶行为数据分析系统需要着力攻关场景理解技术并统一驾驶风格算法评价标准的发展趋势。     

人机混驾交通流交织区换道模型切换控制策略

因交织区的强制换道存在紧迫性, 车辆换道行为在交织区后半段会出现因换道意愿强烈而产生的激进换道行为, 这种微观的换道行为将给交通流带来一定影响; 在人机混驾情形下, 不同类型换道切换控制模型同样可能影响交织区通行能力。在分析人机混驾交通流交织区换道行为特性的基础上, 将换道类型分为保守型换道和激进型换道; 在可接受安全间隙模型的基础上结合自动驾驶车辆间的协同行为, 构建自动驾驶车辆在保守状态下的协同换道模型; 以及在激进型状态下考虑目标车道后车类型影响下, 构建激进型换道模型。通过分析津保立交桥实地调研轨迹数据和NGSIM中US-101交织路段轨迹数据, 分别拟合了保守型、激进型换道模型切换点分布函数; 考虑不同车辆驾驶行为特性及其相互作用, 提出人机混驾条件下换道模型切换控制逻辑决策。以SUMO仿真软件搭建实验平台, 考虑人工驾驶车辆换道模型切换点分布特性, 以优化最大流率、交织区整体车辆运行速度、换道车辆速度等为目标, 确定不同自动驾驶车辆渗透率下自动驾驶车辆的最佳保守型-激进型换道模型切换点。仿真结果显示: 在交织区长度为250 m, 自动驾驶渗透率分别为0.2, 0.5, 0.8时, 自动驾驶换道模型切换点分别在180, 80, 50 m处达到最佳, 即随着自动驾驶渗透率的提高, 换道切换点最佳位置将向交织区入口处逐渐移动, 且在自动驾驶渗透率较低时这种换道切换点的变化较为明显; 在较高渗透率下, 由于协同换道出现频率增高, 自动驾驶强制性换道行为比例降低, 换道模型切换点对交织区通行能力的影响逐渐变小。本项研究对人机混驾条件下高速公路交织区自动驾驶车辆的换道控制提供决策依据      

基于自然驾驶数据的自动驾驶汽车安全性评价方法

自动驾驶汽车进行大规模市场推广前必须进行准确可靠的安全性评价，由于自动驾驶系统复杂程度的增加及设计运行区域的扩大，面向传统汽车的评价方法已不能满足自动驾驶汽车的安全性评价需求,基于此，建立一种基于自然驾驶数据的自动驾驶汽车安全性评价方法，可解决现有方法在逻辑场景层面安全性评价的缺陷。首先，建立基于自然驾驶数据的逻辑场景构建流程，分析场景描述参数，搭建自然驾驶数据采集平台采集相关自然驾驶数据，采用高斯分布模型描述参数概率分布；进而，离散逻辑场景参数空间获取具体测试用例，并在建立的PreScan、CarSim和MATLAB联合仿真平台中对被测自动驾驶算法进行仿真遍历测试，通过高斯模型将测试结果中的危险场景参数聚类，获取被测算法在逻辑场景中的危险区域；最后，综合考虑逻辑场景参数空间概率分布和得到的相应逻辑场景危险区域，提出基于自然驾驶数据的自动驾驶汽车安全性评价指标——场景风险指数，并以前车制动和前车切入场景为例，给出某黑盒算法的具体评价示例。研究结果表明：被测算法在前车制动场景和前车切入场景中的场景风险指数分别为0.409 8和1.08×10^-5，在前车制动场景中具有较大的安全风险，与仿真测试的直观结果相符；通过比较计算得到的场景风险指数与实际仿真测试结果可证明所提出的方法可以实现逻辑场景层面的自动驾驶安全性量化、易于操作、贴近自然驾驶情况。     

基于TD3算法的人机混驾交通环境自动驾驶汽车换道研究

提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3（Twin Delayed Deep Deterministic Policy Gradient）实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明：基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。     

基于安全驾驶行为风险特征的图谱表达方法

以自然驾驶条件下行为风险的辨识为目标,基于GPS数据,重点研究自然驾驶条件下驾驶行为的风险评估与行为特征表达.建立基于GPS数据的自然驾驶行为数据库,提出基于信息熵自然驾驶条件下行为风险评估方法,构建基于图谱的驾驶员个体驾驶行为特征表达方法.本文深入挖掘驾驶员个体驾驶行为模风险特征,构建驾驶行为图谱,为普通驾驶员在日常、自然驾驶条件下的行为风险预测预警提供了解决方案,为推进道路交通安全水平提升提供了理论参考和技术支撑.     

中国危险品车辆驾驶人驾驶行为影响因素分析

为探索中国危险品车辆驾驶人风险驾驶行为影响因素以及与小车驾驶人的差异性,采集50名男性危险品车辆驾驶人的DBQ问卷、PDBS问卷、DSI问卷、DAIS问卷、驾驶人基本信息问卷数据.借助Spearman相关性分析方法探索问卷中各变量的相关性,使用Mann-Whitney检验不同年龄、驾龄、攻击性、积极性4个维度在DBQ和DSI上的差异性.结果表明,相对于年龄,驾龄对驾驶技能的影响程度较小.年轻男性危险品车辆驾驶人的平均驾驶经验虽不如中年驾驶人,但行车更为谨慎,安全技能水平相对较高.与小车驾驶人不同,危险品车辆驾驶人的驾驶技能、异常驾驶行为与积极性没有明显相关性.攻击性行为频率较高的驾驶人出现违规操作、错误行为、失误行为的频率要高于低频组.利用Logistic二元回归分析建立了驾驶人攻击性预测模型,研究表明,限速50 km/h城区道路倾向行驶速度、违规操作总分、过去3年主动事故数可以作为驾驶人攻击性强弱预测模型的输入变量,依次输入模型后,模型卡方值改进为10.513,11.529,14.566,预测正确率依次为76.10%,80.40%,87.00%.整体模型Hosmer-Lemeshow检验值为4.415,最终驾驶人攻击性预测模型的预测正确率为87.00%.      

自动驾驶汽车在城市道路上面临的主要场景挑战

基于人类的自然驾驶数据、交通事故数据等信息提出的自动驾驶汽车技术要求和测试场景难以反映自动驾驶汽车特有的局限性和安全风险。文章从车辆视角出发,利用搭载高度自动驾驶功能的汽车开展了实际道路测试,并通过分析测试过程中遇到的危险场景和边缘场景,总结了城市道路环境下自动驾驶汽车在感知、定位、决策规划、控制执行和网联通信等方面存在的主要场景挑战。该研究成果弥补了基于人类驾驶数据开展相关研究的不足,能够为自动驾驶汽车的研发和基于场景的测试验证提供参考。     

酒驾、醉驾、危险驾驶及以危险方法危害公共安全的界定与处罚

一、概念界定酒后驾车(酒驾):指车辆驾驶人员在血液中的酒精含量大于或者等于20mg/100ml、小于80mg/100ml的情况下,在道路上驾驶机动车的行为。醉酒驾车(醉驾):是指车辆驾驶人员在血液中的酒精含量大于或者等于80mg/100ml的情况下,在道路上驾驶机动车的行为。危险驾驶:醉酒驾驶机动车,不管是否造成后果,都     

危险驾驶工况场景的复杂度评估方法研究

本文中提出了一种对危险驾驶工况场景数据的采集和复杂度评估的方法。与大型实车路试中自然驾驶数据的采集方法不同的是,本文中基于高级驾驶辅助系统采集其报警前后数据,并将其作为危险驾驶工况数据进行研究;在分析危险驾驶工况场景数据及其影响因素的基础上,构建了包含不同环境、交通流和车辆相关因素的危险驾驶工况场景的复杂度评价指标体系;基于专家评分结果,应用层次分析法确定指标权重,得到了对危险驾驶工况场景进行复杂度评价的模型与方法,可用于智能汽车的仿真测试。     

高速公路出匝分流区超车道车辆车道变换模型

为了获取高速公路出匝分流区车辆的变道运行规律,利用DV和数据采集仪对广东多条高速路多个出匝分流区上出匝车辆车道变换行为的特征数据进行了大量调查.从调查数据中,分析出车道变换特性,结合数理统计理论,应用微分法建立了出匝车辆的变道模型.该模型与调查数据拟合结果吻合,并揭示了整个出匝变道过程及交通流量对变道行为的影响.Matlab编程显示:交通流量适中时,行驶距离不超过400 m便会变道成功;交通流量大时,驾驶员应该提前变道至行车道或减速车道,为高速路规划设计、指路标志设置和安全引导驾驶提供有力理论依据.     

基于神经网络的智能驾驶模式识别研究

为满足智能驾驶汽车高级驾驶辅助系统(ADAS)功能研发和验证的需求,提高ADAS功能的准确性,设计了一款基于神经网络的智能驾驶模式识别程序,该程序由数据采集、目标检测、场景识别预测3个模块组成。数据采集模块利用ESR毫米波雷达、前置摄像头对交通环境及周围车辆的数据信息进行采集;目标监测模块通过控制算法选择判断触发各类ADAS功能场景的最可疑目标;场景识别处理模块以汽车制造商提供的大量自然驾驶数据的场景挖掘结果为依据,利用神经网络学习各类ADAS场景的特征行为,并通过约束条件对各类ADAS功能场景的识别结果进行实时判定。通过开放道路试验进行验证,结果表明,该程序的场景识别结果准确率可达到99.86%。