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。     

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...     

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。     

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。     

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KL散度的驾驶员驾驶习性非监督聚类

为深入理解不同驾驶员的驾驶行为特点,本文中提出了一种基于KL散度的驾驶员驾驶习性非监督聚类算法。首先,建立了驾驶员驾驶数据实车道路试验采集平台,对84位驾驶员进行了测试;接着,将每名驾驶员的驾驶数据视为一个高斯混合模型(GMM),采取EM算法对其进行参数估计;最后,通过蒙特卡洛算法对各GMM之间的KL散度进行估计,从而获得不同驾驶员差异性的定量描述,将驾驶员聚为不同习性类别。对聚类后各类驾驶员的驾驶数据的统计分析表明,所提出的非监督聚类算法能有效实现不同驾驶习性驾驶员的聚类。     

基于KL散度的驾驶员驾驶习性非监督聚类EI北大核心CSCD

为深入理解不同驾驶员的驾驶行为特点,本文中提出了一种基于KL散度的驾驶员驾驶习性非监督聚类算法。首先,建立了驾驶员驾驶数据实车道路试验采集平台,对84位驾驶员进行了测试;接着,将每名驾驶员的驾驶数据视为一个高斯混合模型(GMM),采取EM算法对其进行参数估计;最后,通过蒙特卡洛算法对各GMM之间的KL散度进行估计,从而获得不同驾驶员差异性的定量描述,将驾驶员聚为不同习性类别。对聚类后各类驾驶员的驾驶数据的统计分析表明,所提出的非监督聚类算法能有效实现不同驾驶习性驾驶员的聚类。     

车路协同环境下驾驶员行为识别方法研究

本文中提出了一种介于车辆操纵稳定性和智能交通系统的驾驶员行为识别方法。首先通过微观仿真软件实现不同行驶状态下局部路网仿真,获取大量基本仿真数据,根据汽车动力学理论,实现基本行驶参数到行驶状态参数的转化;然后应用邻域粗糙集来进行特征约简,再使用总体平均经验模态分解(EEMD)、相关系数法和样本熵相结合的方法进行样本数据挖掘,将得到的样本熵数值作为聚类的特征向量;最后将特征向量输入GG模糊聚类进行聚类,利用微观交通软件和UC-Win/Road驾驶模拟器仿真得到的样本,采用最小平均贴近度择近原则实现驾驶行为识别验证,并根据最大贴近度和次最大贴近度计算待测样本属于某类驾驶行为的隶属度。实验表明,该方法取得了良好的识别效果。     

车道对中控制系统的驾驶员自适应需求验证

针对车道对中控制系统(LCCS)的控制目标与驾驶员正常驾驶行为存在差异的现象,提出了基于主观评价试验的方法验证是否需要设计自适应LCCS提高驾驶员的体验。采集驾驶员在设计道路上的驾驶路径,并通过聚类提取4种风格的驾驶路径,设计评价试验得到驾驶员对4种风格驾驶路径和其他3种人为设计路径的喜好情况。试验结果表明,驾驶员对车辆行驶路径存在明确喜好,且不同驾驶员的喜好存在差异,因此LCCS需要根据驾驶员的喜好调整车辆行驶路径。     

基于驾驶员意图及行驶场景判断的智能驾驶模式识别策略

目前市面上的乘用车大多具备一个以上的驾驶模式供选择,有些车型甚至可以提供车主自定义的驾驶模式,从而满足驾驶员不同场景下的驾驶需求。由于主机厂对驾驶模式的定义具有一定使用场景针对性,可能出现当前选定驾驶模式不适合驾驶员的驾驶风格,或者当驾驶场景发生改变时,当前选定的驾驶模式无法及时满足驾驶员期望的情况。文章介绍一种驾驶模式识别策略,通过对CAN总线相关信号实时监控,掌握驾驶员输入,如加速、制动及转向等动作;以及车辆的动态表现,如车速、纵向加速度及侧向加速度等参数,并利用建立的模型,对车辆当前的行驶交通环境,驾驶员的驾驶风格以及驾驶员的意图进行综合判断,从而实时为驾驶员智能切换更合适的驾驶模式。该策略可满足驾驶员意图与驾驶模式相互匹配,从而提升用户的驾驶主观体验。     

驾驶员避撞转向行为的改进K-means聚类与识别

本文中根据不同工况驾驶员转向行为数据,提出了基于驾驶员避撞转向行为特征的聚类算法。首先搭建驾驶模拟器,采集了定半径转向、常规换道和紧急避撞转向工况下的驾驶行为数据,通过对比正常行驶和紧急避障工况下驾驶员转向行为数据,定性分析了紧急避撞转向特点。之后,利用皮尔逊相关系数法分析了描述驾驶员转向行为的观测变量与紧急避撞转向行为的相关性,得出转向盘转速与转向工况的相关性最高。接着,以转向盘转速作为聚类特征参数,利用改进K均值(K-means++)聚类方法对转向行为数据进行了聚类,将转向行为划分为正常转向和紧急避撞转向,实现了紧急避撞转向工况的识别。最后,通过实车试验验证了所提出的紧急避撞转向行为K-means++聚类方法可有效识别驾驶员紧急避撞转向行为,聚类精度达96.7%。     

基于Hilbert-Huang变换的制动意图聚类识别EI北大核心CSCD

为了进一步提高电动汽车再生制动系统对驾驶员制动意图的识别准确率,从而使电动汽车能在制动的过程中回收更多的能量,提出了基于Hilbert-Huang变换(HHT)的电动汽车制动意图聚类识别方法。建立了HHT的数学模型,基于HHT在时频域中进一步探寻中等制动和平缓制动两种制动意图下制动踏板行程信号的特征。建立了制动踏板行程信号特征提取模型,运用Hilbert局部边际能量谱得到局部特征能量,从而对信号特征进行提取,获取信号的特征向量。建立基于模糊C均值聚类算法的制动意图识别模型,并分别进行了离线实验和实时实验。结果表明所提出的基于HHT的制动意图模糊C均值聚类识别方法能更好地分辨中等制动和平缓制动意图,提高了识别准确率,并具有较好的实时性。     

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。     

基于风险驾驶行为分析的营运驾驶员交通安全教育

营运车辆事故多是由驾驶员的风险驾驶行为引起的,而交通安全教育对营运驾驶员的风险驾驶行为改善起主要作用。传统的教育方法未考虑不同驾驶员的行为特征,因而效果不佳。基于风险驾驶行为分析的教育方法首先对驾驶员的驾驶行为进行监控,然后分析驾驶员的风险驾驶行为特征,最后基于特征进行安全教育。该方法具有针对性,并在国外取得较好效果。本研究对基于风险驾驶行为分析的教育方法进行了实验,分析了营运驾驶员的风险驾驶行为类型特征和典型事故致因,并对教育效果进行了评估。结果发现该教育方法能明显减少危险交通事件率。     

驾驶风格对纯电动公交车的能耗影响研究

纯电动公交车在实际运行过程中存在续驶里程有限的问题,且驾驶员驾驶行为对能耗的影响较大。为进一步探究驾驶员驾驶风格对能耗的影响,论文利用全球定位系统（GPS）车速表Pro采集纯电动公交车行驶数据,并用K-Means均值聚类法以加速度标准差为依据将驾驶风格分为激进型、普通型和保守型三类,然后基于理论能耗模型通过MATLAB软件得到各类驾驶风格的能耗,分析驾驶风格对纯电动公交车各行驶片段能耗的影响。结果表明,匀速行驶时能耗随着平均速度的增大先增后减,且与驾驶风格无关;非匀速行驶时随着速度平均值的增大,能耗呈现降低的趋势,而在同一平均速度区间内驾驶风格越激进能耗越高,其中单一加速行驶时,普通型驾驶风格具有更好的经济性,保守驾驶会导致加速行驶时的能耗升高24.8%以上,激进驾驶会导致加速行驶时的能耗升高47.6%以上。     

基于行程时间的人车特征动态辨识方法CSCD

实现对驾驶倾向性、汽车类型的动态识别对构建以人为中心的汽车安全驾驶辅助系统具有重要意义。本文以驾驶员隐私保护为基础,利用车载全球定位系统(GPS)捕获的行程时间,建立基于Bayes决策树的人车特征动态辨识模型,识别汽车不同类型及其驾驶员倾向性。通过设计实车和虚拟驾驶实验分别验证在不同渗透率条件下的人车特征辨识效果,验证结果表明,本文建立的人车特征辨识模型准确率在80%以上,明显优于传统决策树模型;通过设计仿真实验验证了考虑驾驶倾向性的微观仿真和实际情况具有较好相合性,仿真验证结果间接证明本文研究成果的合理性。     

基于车联网的驾驶行为影响因素探究

由于汽车驾驶员驾驶行为的多样性与复杂性,极大影响了道路交通安全,近年来,对驾驶员驾驶行为的分析能有效改善驾驶员的不良行为,对减少道路交通事故起了一定的作用。本文通过查找和整理文献,基于车联网技术,就驾驶行为的相关概述、驾驶行为的影响因子、驾驶行为的数据采集和存储、驾驶事件的识别指标、驾驶事件的识别方法、驾驶行为的分类等进行了分析。研究表明,驾驶员的驾驶行为可分为冒险型、稳定型、焦虑型、愤怒型,其中稳定型对道路交通安全的影响极小,其它三种类型都有不同程度的影响。