基于LightGBM的驾驶人风险感知能力判别方法

碰撞风险与风险感知能力有关, 为准确评估驾驶人风险感知能力, 设计考虑危险源个数与类型的驾驶模拟试验, 采集危险场景下的驾驶人驾驶行为与眼动特征等数据。利用Mantel-Haenszel检验分析危险源因素、驾驶人个人特性在不同风险感知水平人群下的差异性, 借助Spearman相关性分析探索驾驶行为、眼动特征与风险感知能力之间的关系。结果表明: 危险源个数、类型与风险感知能力负相关。驾龄、车速、纵向加速度、刹车深度、制动反应时间及位置等与风险感知能力显著相关。风险感知能力迟钝的驾驶人车速偏高且加速度更大, 刹车深度更深, 从发现危险事件到采取行动需要更多的反应时间。构建综合风险感知能力评价指标集, 借助Random Forest算法对特征进行重要性排序, 在此基础上利用LightGBM算法建立驾驶人风险感知能力判别模型, 分析不同特征个数输入对模型性能的影响。结果表明: 与SVM和AdaBoost等算法相比, 基于LightGBM算法的模型F1值达到86.07%, 精度为86.14%, 可以有效地对不同风险感知等级的驾驶人进行分类。      

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。     

模拟驾驶环境下驾驶人分心状态判别

为了探寻驾驶人分心判别方法,构建了驾驶人分心状态判别模型。首先设计分心模拟驾驶试验,采集正常驾驶和发送语音信息过程中的驾驶绩效特征和驾驶人眼动特征数据,建立驾驶人分心状态判别指标备选集;其次,采用基因选择算法对备选指标进行筛选,得到29个备选指标的重要度排序;然后,依次选取重要度较高的部分指标作为BP神经网络的输入指标,利用遗传算法（GA）全局搜索的性能优化BP神经网络的初始权值和阈值,将优化后的GA-BP神经网络作为弱分类器,再将多个弱分类器组合成Adaboost强分类器,建立基于Adaboost-GA-BP组合算法的驾驶人分心状态判别模型;最后,利用模拟驾驶器试验平台采集的数据计算不同判别指标数量下模型的性能,从而确定最优判别指标,并对模型进行验证和评价。结果表明：模型最优判别指标为重要度排序中前14个指标;模型能够准确识别驾驶人分心状态,判别精度为95.09%;与BP神经网络算法、GA-BP神经网络算法和Adaboost-BP神经网络算法相比,Adaboost-GA-BP组合算法在准确率、精准率、召回率、F₁值和ROC曲线等模型性能方面均最优。建立的模型能够有效判别驾驶人分心状态,可为驾驶人分心预警系统和分心控制策略提供依据。     

驾驶人对潜在危险性事件的心理预期识别研究

为准确识别驾驶人对潜在危险事件的心理预期，提出一种通过脑电信号对驾驶人心理预期进行识别的方法。参照心理学预期行为研究常用的标准S1-S2范式，改进设计了路侧停靠公交车造成视觉遮挡的人车碰撞事故模拟驾驶试验。模拟任务中以路侧停靠的公交车为线索刺激，公交车头的行人为目标刺激，诱发驾驶人的心理预期。为有效识别驾驶人心理预期，首先采用释放油门的避险行为对每个试次标定是否产生心理预期，然后通过快速傅里叶变换提取相关的脑电特征数据，并通过差异性分析及主成分分析算法对脑电特征指标进行筛选和压缩，最后基于支持向量机建立驾驶人心理预期识别模型。研究获取36名驾驶人数据，共计1 440个样本。结果表明：当驾驶人产生心理预期活动时，枕区和额区的α波能量值显著降低，而β波能量值则显著增加；差异性分析显示共有31项脑电指标对驾驶人心理预期敏感，所有脑电特征指标通过PCA算法进行降维，抽取出5个主成分作为识别模型输入；选择径向基核函数构建SVM识别模型，通过粒子群寻优算法对模型进行优化，模型对驾驶人心理预期水平的平均识别正确率为82.02%，平均AUC面积为0.82，结果表明模型具有良好的识别能力和稳定性，可为驾驶辅助系统的研发提供技术理论支撑。     

Vehicle Rear-end Collision Warning Algorithm Based on Driver's Braking Behavior

利用图像式汽车行驶记录仪在北京市采集了大量自然行驶状态下的驾驶行为数据,基于追尾碰撞中的驾驶员制动操作行为,分析驾驶员安全与危险跟车状态和车辆状态参数之间的关系,利用Fisher判别分析法建立了符合驾驶员危险感知特性的车辆追尾预警算法.研究结果表明该算法总的判别准确率高达95％.     

基于轨迹数据的危险驾驶行为识别方法

连续的跟驰行为和换道行为是驾驶行为的主要构成部分，对交通拥挤和交通事故有着重要影响。通过无人机视频拍摄和图像处理方式，提取了曹安公路沿线的2个交叉路口间正常交通流状态下共600条多车高精度轨迹数据。首先，考虑车辆类型对驾驶行为产生直接的影响，分析了大车和小车的车辆轨迹特征变量分布的差异性，包括速度、加速度、碰撞时间倒数、车头时距等，在标记危险驾驶行为的过程中考虑车辆类型的影响。其次，针对不同的车辆类型，利用修正碰撞裕度对跟驰行为和换道行为进行风险性评估，将其划分为安全型和风险型。根据风险型行为发生的顺序以及持续时间，评估驾驶人的整体驾驶状态是否危险，作为危险驾驶行为识别的样本标记。分别利用离散小波变换和统计方法提取车辆轨迹的关键特征参数，为了提高模型识别效率，将关键特征参数进行排序，从而确定最优判别指标；最后，利用轻量梯度提升机（LGBM）算法对危险驾驶行为进行识别，并与随机森林、多层感知器、支持向量机等算法在精度上进行比较。研究结果表明：在上述研究条件下，LGBM算法对危险驾驶行为的理论识别率最高可达93.62%，可以实现基于机器学习算法的危险驾驶行为的高精度自动识别，该结果对于智能驾驶辅助系统的设计、道路交通安全决策的制定具有显著的意义。     

公交车驾驶人组织认同感和工作倦怠对不良驾驶行为的影响

公共交通是城市道路交通运输系统中的重要组成部分，公交车驾驶人存在的不良驾驶行为已经成为影响交通安全的最大制约因素之一，由其引发的道路交通事故给个人和社会都造成了严重损失，探索更为安全的公共交通环境显得极为重要。以公交车驾驶人为对象，探究影响公交车驾驶人驾驶行为特征的个人心理因素和组织环境因素，及其对不良驾驶行为的内在影响机制。选用工作倦怠量表（MBI-GS）、组织认同感问卷（OIQ）及驾驶行为问卷（DBQ）对844名城市公交车驾驶人展开问卷调查研究，并使用回归分析和中介检验来探究工作倦怠和组织认同感对驾驶行为的影响机制。结果表明：①32.8%的公交车驾驶人存在不良驾驶行为，错误驾驶行为显著高于违法驾驶行为。其中，在违法维度中，侵略性违法显著高于普通违法。②公交车驾驶人存在较高的组织认同感，组织认同感对不良驾驶行为具有显著的负向预测作用，对工作倦怠程度具有显著的负向预测作用；工作倦怠程度对不良驾驶行为具有显著的正向预测作用。③公交车驾驶人的工作倦怠水平在组织认同感对不良驾驶行为的影响中起到部分中介作用。该结果厘清了公交车驾驶人的工作倦怠和组织认同感对不良驾驶行为的影响机制，为进一步探究不良驾驶行为的心理干预方法提供了思路，从而达到改善城市道路公共交通安全环境的目标。     

攻击性驾驶行为选择模型及影响因素敏感度分析

基于行为学理论和非集计方法,以160名驾驶人为研究对象,确定了影响驾驶人攻击性驾驶行为选择的影响因素变量及取值方法,建立了攻击性驾驶行为选择模型（多项Logit模型）。运用弹性值理论进行各变量对攻击性驾驶选择行为的影响程度与过程敏感度分析;最后选取58名驾驶人的驾驶行为数据进行计算,验证模型的有效性。结果表明：驾驶人人格和其他车辆违法情况2个因素对驾驶人攻击性驾驶行为影响较大,起决定性作用;该模型计算值与量表判定值相对误差在10%左右,模型精度可满足实际使用要求。     

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。     

考虑生理特性的驾驶行为险态辨识研究

生理指标是驾驶过程中驾驶人状态最直观的体现,探讨生理指标与驾驶行为险态之间的关联关系对实现危险驾驶行为的辨识具有重要现实意义.以驾驶人生物反馈系统采集的3项生理特性指标为特征向量,采用皮尔逊(Pearson)相关系数法对不同生理指标与险态等级之间的关系进行深入分析,并在此基础上采用K-均值聚类方法构建驾驶行为险态辨识模型.通过对30组模拟驾驶实验数据的分析,最终得出驾驶人的血流量脉冲值(BVP)和皮肤表面电位(SC)与驾驶行为险态等级间存在显著正相关性(p<0.05),呼吸率(RESP)与驾驶行为险态间存在一定相关性,但是规律性不强.采用BVP和SC作为特征向量构建模型对驾驶行为险态辨识精度最高达到96%,对可忽略、可容忍和不可容忍3种状态的识别准确率分别达到97.33%,98.16%和88.16%.      

基于LightGBM模型的公交线路串车状态识别方法

同1条线路上相邻公交车辆由于受到道路等因素的影响，其实际车头时距与发车间隔相比显著缩短，导致相邻车辆在较短的时间内到达同1个公交站点即引发公交线路“串车运行”问题（即相邻公交车辆在实际运行中的车头时距与发车间隔相比显著缩短的现象）。辨识线路的串车状态（串车运行和非串车运行）是进一步提升城市公交车辆运营的稳定性的关键。提出了基于贝叶斯参数优化的LightGBM模型，并将其用以识别公交线路串车状态。从站点、运行、乘客、时间和天气这5个角度初步选取20个影响线路串车状态的关键因素，并采用Spearman相关性检验和方差膨胀因子诊断多重共线性。建立二元Logit模型进行影响因素分析。提取显著的影响因子，构建LightGBM模型用以识别线路串车状态，并分别采用贝叶斯优化与随机搜索优化对模型中用以确定模型属性和训练过程的超参数进行寻优。以西安市公交车辆行车数据为例进行模型的应用验证，对比2种参数寻优方法（贝叶斯优化与随机搜索优化）的效率，并将提出的LightGBM模型与XGBoost、随机森林（RF）、决策树模型（DT）和AdaBoost模型的识别精度进行对比。研究表明:上车乘客数、信号灯数量、近距商业区数量、近距内主路上行驶的距离（即车辆在近距离范围内在主道路上行驶过的距离）和拥堵延时指数对线路串车状态有显著影响。LightGBM模型的参数采用贝叶斯优化比采用随机搜索优化的准确率提高了1.31%。采用贝叶斯算法优化参数的LightGBM模型比采用随机搜索算法优化的准确率提高了1.31%。所提出的经贝叶斯优化的LightGBM模型正确识别公交线路串车状态（包括串车运行和非串车运行）的比率为82.89%，识别性能优于对比模型。      

基于轨迹数据的山区危险性弯道路段交通事故风险动态预测

针对山区双车道公路危险性弯道路段交通事故多发的现实问题,提出主动评估短时交通流状态下的交通事故风险,以降低交通事故发生率.采用无人机高空拍摄弯道路段交通流运行状态,利用计算机识别技术提取高精度的车辆轨迹和交通流数据,结合山区双车道公路弯道路段危险驾驶行为特征表征交通冲突,以距离碰撞时间为交通冲突量化指标,提出山区车道公...     

风险情境下老年驾驶人行为特性研究

为研究风险情境下老年驾驶人与中青年驾驶人行为特性的差异,并确定老年驾驶人的眼动、心理生理、驾驶操作及风险感知等各类行为特性的衰退情况;选取19位老年驾驶人和19位中青年驾驶人作为试验对象,应用眼动仪、生理仪及驾驶模拟平台开展驾驶模拟试验;采集5种风险场景下2组驾驶人的眼动、心理、生理、操作行为与车辆运行数据;对比分析2组驾驶人的注视及扫视等眼动行为特性、心率变异及皮电等心理生理行为特性、制动及转向等操作行为特性、风险反应及敏感度等风险感知行为特性。试验结果表明：2组驾驶人的各类行为特性均随风险等级的增加呈现一定的规律性变化,随着风险等级的增加,2组驾驶人的注视持续时间、皮电均值及增长率、心率增长率和风险敏感度亦随之增加,而扫视、心率变异指标SDNN、制动时间及风险反应时间等指标随风险等级的增加而下降;上述指标的规律性变化说明驾驶人对风险的关注度和敏感度随着风险自身危险性的上升而不断增加,进而做出的反应也就越早,同时伴随着心理紧张程度增加,需要付出的努力也越大,与年龄的高低无关;另一方面,老年驾驶人的各类行为特性出现明显的衰退且与中青年驾驶人存在显著差异,其中老年驾驶人的注视持续时间、扫视幅度、扫视速度等眼动指标分别衰退了37.83%、27.58%、23.80%,皮电均值、心率增长率和SDNN心理生理指标分别衰退了57.67%、20.08%和29.14%,转向熵、车速控制和制动反应时间操作行为指标分别衰退了32.81%、20.34%和49.48%,风险敏感度、判断阈值和风险反应时间风险感知指标分别衰退了13.70%、8.66%和31.80%。通过对风险情境下老年驾驶人的各类行为特性进行详细分析,确定了老年驾驶人各类行为的衰退情况,对老年驾驶人行为特性的研究具有一定借鉴意义。     

面向前车的驾驶行为感知与意图识别算法研究

感知周围车辆的驾驶行为并识别其意图将成为新一代高级驾驶辅助系统的重要组成部分。针对现有方法只考虑单一驾驶行为且可扩展性和可伸缩性差,提出一种基于稀疏表示理论的驾驶行为感知字典模型(Driving Behavior Perception Dictionary Model, DBPDM)。将车辆行驶状态视为时间序列,设计基于自回归积分移动平均(Autoregressive Integrated Moving Average,ARIMA)结合在线梯度下降(Online Gradient Descent, OGD)优化器的在线预测模型,提出基于驾驶行为预测的意图识别构架(Intention Recognition Framework, IRF)。首先,采用图Lasso方法估计典型驾驶行为的稀疏逆协方差矩阵构建驾驶行为字典库,并采用Logdet散度方法计算各逆协方差矩阵的差异获得行为感知字典模型。然后,基于在线预测模型对目标车辆的行驶轨迹和运动状态进行预测,结合主车车辆的行驶状态作为稀疏表示的观测信号,以获取预测时域内的目标车辆意图。最后,采用NGSIM (Next Generation SIMulation)真实驾驶数据对模型进行开发和测试。研究结果表明:所提出的行为感知模型能对6种典型驾驶行为构建行为字典,在分类准确率上与现有方法相比有明显提升,对换道和转向行为样本的平均识别准确率分别达到99.1%和92.9%;该模型能够在相对早期阶段准确地识别出车辆行为;在线预测算法能较好预测出目标车辆的行驶轨迹和运动状态,从而间接地反映出其在预测时域内的驾驶意图;IRF可在换道和转向行为开始前的1.5 s较为准确地识别出目标车辆的意图,平均识别准确率超过80%。     

Dangerous driving behavior detection using video-extracted vehicle trajectory histograms

Dangerous driving behavior detection can be used in video surveillance systems to identify dangerous patterns, such as Abrupt Double Lane Change (ALC), Retrograde Driving (RD), and Illegal U-Turn (IT), for traffic design, traffic management, and law enforcement. The purpose of this study is to develop a detection method of dangerous driving behavior based on video surveillance. First, a novel method named trajectory histogram is proposed. A set of trajectory histograms (e.g., control points histogram and velocity histogram) is constructed to represent vehicle motion. Then, a frequently used feature selection method named Minimum Redundancy and Maximum Relevance (mRMR) is introduced to evaluate the most representative trajectory histograms for dangerous driving behavior detection. In addition, a hybrid algorithm, Particle Swarm Optimization-Support Vector Machine (PSO_SVM), is then developed to identify dangerous driving behavior. To validate the performance and effectiveness of the proposed method, several experiments are conducted. The results show that mRMR is better than other representative methods, namely Conditional Mutual Information Maximization (CMIM), Mutual Information Maximization (MIM), and ReliefF, for evaluating the most representative trajectory histograms. Based on the most representative trajectory histograms, the detection accuracy rate of dangerous driving behavior using PSO_SVM is superior to those of the most frequently used classifiers—Naïve Bayesian Classifier (NBC), k-Nearest Neighbor (kNN), and C4.5 decision tree. In addition, we find that the proposed method outperforms the two common approaches for dangerous driving behavior detection in video surveillance systems. Therefore, the proposed method can be widely applied to detect dangerous driving behavior in video surveillance systems.     

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。     

基于驾驶模拟器的性别对信控铁路道口抵近行为的影响研究

为了分析不同性别驾驶人抵近信号灯控制铁路道口的驾驶行为特性，设计了5个具有不同红灯触发时距的信号灯控制铁路道口的虚拟场景，并进行了驾驶模拟试验，采集24名男性驾驶人和20名女性驾驶人抵近道口的微观驾驶行为数据。基于时空特性将抵近行为划分为月白灯期间、红灯进入时刻、红灯期间3个阶段，利用混合线性模型和二元Logistics线性回归模型对比分析了2组驾驶人抵近道口的制动行为、加速行为和闯红灯行为特性，并探索性别与信号灯控制铁路道口抵近行为的相关关系。结果表明：男性驾驶人更倾向于在月白灯期间提前制动，其提前制动率是女性驾驶人的1.57倍；男性驾驶人在红灯进入时刻和红灯期间的车辆操控行为特性与女性驾驶人无显著性差异；男性驾驶人的总体违法率是女性驾驶人的1.5倍，尤其在红灯触发时距较大（4~6 s）时，女性驾驶人几乎无人违法，而男性驾驶人在3个场景下的违法率仍然达到25.0%、12.5%和16.7%；男性驾驶人闯红灯的严重性更高，驾驶风格更加冒险激进；另外，驾驶人闯红灯行为还受红灯进入时刻位置、制动时刻位置和加速时刻位置显著影响，说明驾驶人在走停决策的制定上更依赖于物理空间位置，与车辆运行速度和驾驶人反应能力无关。研究结果可应用于铁路道口安全管理与防护对策设计。     

基于时空融合LSTM网络的驾驶视角轨迹预测

自动驾驶环境感知系统的重要任务之一是对周围交通目标进行轨迹预测,其输出轨迹可为决策控制和路径规划提供所需目标信息.考虑传统轨迹预测方法一般基于俯视视角而难以满足自动驾驶车载感知的实际需求,提出一种基于长短时记忆(LSTM)网络模块、空间交互模块和时间行为注意力模块相融合的驾驶视角轨迹预测算法.为更好体现交通目标与周围环...     

Energy recovery based on pedal situation for regenerative braking system of electric vehicle

ABSTRACT

Energy recovery is a key technology to improve energy efficiency and extend driving range of electric vehicle. It is still a challenging issue to maximise energy recovery. We present an energy recovery mode (mode A) which recovers braking energy under all situations that accelerator pedal (AP) is lifted, brake pedal (BP) is depressed, as well as AP and BP are released completely; and propose a control strategy of regenerative braking based on driver's intention identified by a fuzzy recognition method. Other two modes: (1) recovery braking energy only the BP is depressed (mode B), (2) no energy recovery, have been studied to compare with mode A. Simulations are carried out on different adhesion conditions. Recovered energy and driving range are also obtained under FTP75 driving cycle. Road test is implemented to validate simulation results. Results show that mode A can improve energy recovery by almost 15.8% compared with mode B, and extend driving range by almost 8.81% compared with mode B and 20.39% with the mode of no energy recovery; the control strategy of regenerative braking can balance energy recovery and braking stability. The proposed energy recovery mode provides a possibility to achieve a single-pedal design of the electric vehicle.