城市道路干扰跟车对驾驶人注意力分配的影响

为获取干扰跟车情况下驾驶人的注意力分配特性,利用非接触式眼动仪、毫米波雷达等传感设备搭建车载试验平台。通过在城市道路环境中开展实车试验,获取干扰跟车情况下驾驶人的眼动行为数据,并基于马尔可夫理论,分析了驾驶人的注视分布特性和转移规律。结果表明:在城市道路环境下跟车时,经验驾驶人的主要注意力用于关注前方的交通目标,较多地关注干扰车切入方向;驾驶人观察左侧区域或右侧区域之后注意力向前方视野转移的概率较大,且驾驶人对干扰车的注视概率明显高于目标车辆。     

从细节做起,练就过硬的职业技能——记平泉县公交公司司机赵立国

平泉县地处河北省东北部。今年34岁的赵立国,是平泉县公交公司的一名公交车司机,每天他驾驶1路公交车从党校出发,途经41个站点,靠站、停车、起步,再靠站、再停车、再起步……每天都这样重复着。爱心在十米车厢延伸"慢慢来,不着急,注意安全。"当您乘上他的车,听着他清晰亲切的服务话语,看到他面带微笑的服务,就会感到爱心在     

基于双层隐式马尔科夫模型的驾驶意图辨识

构建了一种双层隐式马尔科夫模型结构,用于实时辨识驾驶员复合工况下的驾驶意图,并在驾驶模拟器上对坡道起步、紧急避障和弯道制动等复合工况进行了验证。结果表明,该模型可准确、高效地辨识各个单一和复合工况下的驾驶意图,为线控汽车的集成控制奠定基础,提高线控汽车的安全性和减轻驾驶员负担。     

智能网联车辆加速车道类人化汇入控制研究

为研究智能网联车辆(Intelligent Connected Vehicle, ICV)与高速公路主线传统人工驾驶车辆(Human-driven Vehicle, HDV)交互时通过高速公路加速车道的汇入控制算法,提出了一种融合随机森林(Random Forest, RF)算法和深度Q网络(Deep Q-network, DQN)算法的ICV汇入控制模型(DQN-RF)。首先,建立路侧数据采集平台,采集了中国G70高速公路加速车道汇入区域HDV的真实汇入过程数据。其次,考虑汇入环境车辆历史数据流和汇入车在加速车道的汇入紧迫度,建立了基于RF算法的类人化汇入决策模型。采用城市交通仿真(Simulation of Urban Mobility, SUMO)平台搭建了高速公路加速车道ICV汇入场景,并基于Python语言建立了ICV汇入控制深度强化学习测试脚本环境,建立了基于DQN的纵向加速度控制算法。最后,将RF汇入决策模型嵌入DQN纵向加速度控制算法中,实现了ICV汇入决策和纵向加速度控制的融合。将SUMO内置的LC2013换道模型与DQN模型融合为DQN-LC2013模型,作为基线模...     

基于融合分割和变尺度窗口的车道线距离检测

在车辆安全和驾驶行为相关研究中，车道线距离参数是重要的基础参数。针对传统机器视觉测量方法存在的标定过程复杂、测试成本高且移植性能差等问题，提出一种针对车侧摄像机图像的低成本车道线距离检测方法。首先，构建了一种融合局部Otsu算法与光照样条补偿算法的车道线区域分割方法，可在车道线磨损、复杂光照变化、车道线中断等场景中对车道线区域进行精确分割；其次，针对车道线边缘特征复杂多变的情况，设计了一种变尺度窗口算法来完成车道线边缘检测并可补全残损车道线；最后，采用多项式标定方法建立了车道线距离检测算法，实现了车道线距离的自动化快速检测。验证结果表明：在正常场景和多种复杂特殊场景下，所提出的检测算法平均检测误差为0.4 cm,平均检测速率达到30帧·s^-1,整体上优于目前其他技术方案。该方法在检测成本和可移植性方面具有显著优势，可为相关研究领域的技术人员提供新的解决思路。     

基于认知-控制框架的侧风工况下驾驶员横向控制模型研究EI北大核心CSCD

本文中基于神经工效学认知理论融入驾驶员预瞄模型,建立了以认知-控制为框架的驾驶员横向控制模型。模型采用Simulink和TruckSim软件联合仿真的形式验证。采用粒子群优化算法对控制框架中的比例-微分(PD)控制器模块参数进行优化标定。结果表明,在侧风工况下,基于认知-控制为框架所建立的驾驶员横向控制模型有效(RMSE=0.09),且精度更高,适应度更广。另外,从认知-控制角度改变预览时间tp、增益比例kp和微分参数kd,可表征不同驾驶风格的驾驶员行为。本研究为提高侧风工况下的高级辅助驾驶系统和自动驾驶汽车的安全性和舒适性提供参考思路。     

基于深度卷积-Tokens降维优化视觉Transformer的分心驾驶行为实时检测

针对基于端到端深度卷积神经网络的驾驶行为检测模型缺乏全局特征提取能力以及视觉Transformer(vision transformer,ViT)模型不擅长捕捉底层特征和模型参数量较大的问题，本文提出一种基于深度卷积和Tokens降维的ViT模型用于驾驶人分心驾驶行为实时检测，并通过开展与其他模型的对比试验、所提模型的消融试验和模型注意力区域的可视化试验充分验证了所提模型的优越性。本文所提模型的平均分类准确率和精确率分别为96.93%和96.95%，模型参数量为21.22 M，基于真实车辆平台在线推理速度为23.32 fps，表明所提模型能够实现实时分心驾驶行为检测。研究结果有利于人机共驾系统的控制策略制定和分心预警。