重载货车驾驶人驾驶风格识别与量化研究

重载货车驾驶人的激进驾驶风格具有强烈的习惯性特征和风险性特征,一旦养成很难矫正,且极易诱发交通事故。针对现有研究极少关注重载货车驾驶人驾驶风格的不足,本文基于某全国货运监管平台提供的云南省重载货车低频轨迹数据,从风格聚类、风格识别和风格评估这3个方面,提出综合考虑疲劳驾驶特征和超速驾驶特征的重载货车驾驶人驾驶风格分析方法。首先,基于轨迹数据蕴含驾驶人驾驶行为模式的特点,构建表征重载货车驾驶人驾驶风格的疲劳驾驶和超速驾驶特征集;其次,利用因子分析进行特征约简,并采用K-均值聚类方法划分重载货车驾驶人的驾驶风格;然后,构建基于支持向量机的驾驶风格识别模型,并与梯度提升决策树的识 别结果进行对比;最后,基于疲劳驾驶特征和超速驾驶特征的累积分布,建立基于 CRITIC (Criteria Importance Though Intercriteria Correlation)赋权法的重载货车驾驶人驾驶风格量化评估 模型。研究结果表明：经过特征约简,提取的疲劳因子和超速因子能综合反映上述两类特征集 80.838%的信息;根据疲劳因子和超速因子可将驾驶风格划分为4种类别,即稳健型、超速型、疲劳型和危险型,相应重载货车驾驶人比例依次为62.60%、25.02%、7.40%和4.98%;基于支持向量机的重载货车驾驶人驾驶风格识别模型对不同风格的识别准确率均大于97%,整体表现优于梯度提升决策树;基于CRITIC赋权法的驾驶风格评估模型能有效量化重载货车驾驶人的驾驶风格, 其中稳健型驾驶人表现最好,75%以上的驾驶人风格评估总分高于60分;危险型驾驶人表现最差,75%以上的驾驶人风格评估总分低于20分。研究结果可为重载货车驾驶人不良驾驶行为的监测、干预和管理提供理论依据和技术支撑。     

驾驶特性的识别评估及其在智能汽车上的应用综述

研究了驾驶特性的识别方法、驾驶人接管能力评估的进展、驾驶特性在智能汽车领域中的应用；将驾驶人状态监测划分为驾驶人疲劳监测、分心监测和不良驾驶行为监测，总结了驾驶人状态监测研究的目标、方法、精确度、判断标准以及优缺点；对比了驾驶人疲劳监测中不同检测信号之间的差异；评析了基于模糊识别和隐马尔可夫模型的驾驶人意图识别与预测方法；梳理了驾驶风格分类与辨识的主要步骤、典型辨识方法的特点；分析了驾驶人接管能力的影响因素与评判标准；阐述了驾驶特性用于开发用户接受度高和人机交互性能好的辅助驾驶系统的主要方式；概括了在人机共驾协同控制中考虑驾驶特性的途径。研究结果表明:基于多种传感器信号融合的驾驶人状态监测可有效避免基于单一传感器信号的弊端，提高了检测精度，减少了误警报；将传统预测模型与混合智能学习相融合的方法能够为驾驶意图在线识别与预测提供解决方案；应该重点研究复杂工况下的驾驶特性辨识；驾驶人接管能力的研究有待理论化和系统化；未来的发展趋势是开发基于驾驶特性的集成辅助驾驶技术、实现多种典型路况下驾驶人与辅助驾驶系统进行意图和控制策略的交互；将个性化驾驶人的驾驶特性融入共驾系数的设计中，从而提高人机共驾系统的个性化、智能化水平和环境适应性能。      

高速场景相邻前车驾驶行为识别及意图预测

相邻前车的驾驶行为会影响后车,因此先进的辅助驾驶系统需具备识别前车驾驶行为的能力. 对高速场景下相邻前车换道行为进行研究,分别提出双层连续隐马尔可夫模型-贝叶斯生成分类器(CHMM-BGC),以及基于双向长短时记忆网络(Bi-LSTM)的行为识别模型和意图预测模型. 采用自然驾驶数据集对模型的有效性进行测试验证. 实验分析表明：基于Bi-LSTM的行为识别模型相较于双层CHMM-BGC在平均识别率上提升了11.24%,两种行为识别模型均可在相邻前车换道过程的早期阶段识别换道行为;考虑相邻前车与周围环境车辆的交互作用,可使模型具有预测性,两种意图预测模型均可在车辆换道时刻前预测到驾驶人换道意图. 模型仿真计算时间可满足系统的实时性需求,为本车驾驶人预留出反应时间,为预测周围车辆行驶轨迹研究提供支持.     

危险货物道路运输车辆驾驶人风险倾向性分类研究

为加强危险货物道路运输安全风险源头管控，本文充分挖掘轨迹大数据和动态监控数据等多源异构行车数据，研究危险货物道路运输车辆(危货车)驾驶人风险倾向性分类。基于广泛可用的GPS轨迹数据所蕴含的驾驶行为模式和运行环境特性，引入时变随机波动率的概念，提取5种速度波动性指标，构建表征驾驶风格的属性特征集，加之行为抑制控制力、认知抑制控制力和生理负荷特征，共同组建危货车驾驶人风险倾向属性指标体系；利用Critic赋权法计算各指标客观权重，并基于多准则妥协解排序算法(VIse Kriterijumski Optimizacioni Racun, VIKOR)对危货车驾驶人的属性进行评分；建立基于K-medoids聚类算法的危货车驾驶人风险倾向性分类模型。结果表明：运用分类模型，本文将危货车驾驶人分为4类。其中，驾驶风格激进加行为抑制控制力薄弱型驾驶人面对拥堵路段和恶劣天气时表现出更大的速度波动和更多的车辆控制报警；认知抑制控制力薄弱型驾驶人分心次数更多，愿意将更多的注意力分配给分心对象，且更频繁地在分心对象和前方路况间进行注意力转移；易疲劳型驾驶人表现出更多的疲劳报警和超时驾驶报警，驾驶人承受更大的...     

基于人体姿态空时特征的驾驶员疲劳检测

为减少疲劳驾驶给道路交通带来的安全隐患，本文以驾驶员人体姿态为研究对象，分析驾驶动作变化与驾驶员疲劳状态之间的联系，提出基于空时特征与人体姿态的驾驶员疲劳检测模型。首先，以改进的Simple Baselines网络定位驾驶员骨架关键点(空间特征)；其次，分析驾驶过程中人体姿态的变化特点，依据“高内聚、低耦合”的原则将人体关键点模块化，以此为基础设计多个与驾驶员疲劳驾驶相关的特征表示；最后，引入滑动窗口计算各疲劳特征的离散程度，将其作为长短时记忆网络(时间特征)的输入，从而实现对驾驶员疲劳状态的预测。通过13位被试驾驶人的驾驶行为数据实验结果表明：使用本文提出的基于空-时特征和人体姿态的驾驶员疲劳检测模型可达到97.73%的检测精确率，98.95%的召回率以及98.35%的准确率，表明该检测模型具有可行性。     

驾驶疲劳致因及监测研究进展

为明确驾驶人生理特性在驾驶疲劳领域的研究现状,对驾驶疲劳致因及监测技术研究进展进行综述,介绍驾驶疲劳产生的人口学因素和环境因素,归纳3类驾驶人生理特性在公路驾驶疲劳监测研究现状,简述目前针对公路驾驶疲劳的综合监测技术;最后论述驾驶人生理特性在未来驾驶疲劳监测系统和设备研发中的重要作用。通过归纳和分析揭示:未来针对驾驶疲劳的检测及评价当以具体道路环境类型作为研究基础,需建立驾驶人生理特性与车辆行为变化特性的评价指标,建设一套完整的、有针对性的驾驶疲劳监测系统,方便有关部门对驾驶疲劳现象的监测,有效遏制驾驶疲劳的发生。     

抵近信控交叉口分心驾驶识别模型

为降低驾驶人抵近交叉口过程因分心导致的交通事故,本文基于双向长短时记忆网络(BILSTM)建立分心驾驶识别模型。依托驾驶模拟实验,采集了45位驾驶人抵近信控交叉口过程中的横纵行为数据,通过方差分析研究分心任务对驾驶行为的影响。结果表明,分心驾驶人需要更长的制动反应时间,制动操作时间缩短,踩压制动踏板的力度下降,同时操纵方向盘的稳定性变差。然后,筛选有显著性影响的6个特征行为指标作为模型的输入,结果表明：BILSTM模型分心状态识别的精确率最高,达到92.6%,F1值为88.7%;准确率、精确率、召回率、F1、AUC和ROC曲线等模型性能均优于单向长短期记忆网络、支持向量机和决策树5.0分心识别模型。研究结果说明BILSTM模型能有效判别抵近信控交叉口驾驶人分心状态,可为交叉口驾驶人分心预警系统的优化设计提供依据和指导。     

干路绿化带特性对驾驶人视觉影响评价研究

为量化研究城市干路绿化带对驾驶人的视觉影响程度,首先利用对偶比较法选取干路绿化带样本,并基于德尔菲法筛选绿化带的高度、冠幅等五种影响驾驶行为的指标,采用SBE法对样本路段进行相应指标的视觉刺激评价并建立了单一车速下视觉影响度模型。为验证模型的可靠性,使用眼动仪进行实车上路试验,根据五种指标将视觉场景划分兴趣区,分析兴趣区内驾驶人注视点的集中度,并与模型得分进行拟合,发现拟合度较高,说明模型可靠。然后,采用驾驶模拟舱获得不同车速下的眼动数据,构造了可变车速下视觉影响度优化评价模型。最后,基于优化模型计算视觉环境舒适的绿化带影响度分值,确定了视觉舒适评分区间。研究结果表明,干路绿化带对驾驶人视觉存在一定影响,应当合理调整绿化带各项指标,以保证其分值位于舒适区间,从而减小绿化带对驾驶人视觉的不良影响。     

基于模糊神经网络的驾驶警觉度识别方法研究

为了有效识别驾驶警觉度,构建了一种基于脑电信号的驾驶警觉度识别方法。首先,以主观疲劳测评、驾驶行为绩效作为量化指标,验证驾驶警觉度等级划分的合理性。在此基础上,对脑电信号数据进行小波变换提取特征参数,作为驾驶警觉度的识别特征指标,结合模糊神经网络构建了驾驶警觉度识别模型。最后,采用该模型对20名驾驶员连续驾驶3h的脑电数据进行试算。结果表明:通过对前后时段的主观疲劳与行为数据进行对比分析,两时段数据存在着显著差异性,说明驾驶警觉度等级划分具有合理性;采用模糊神经网络的识别结果优于BP神经网络,其模型识别正确率为81.29%～84.95%,且平均正确率为83.12%,该方法可用于驾驶警觉度的识别。     

考虑驾驶人不同分心类型的分心识别研究

驾驶人分心状态判别是实现分心预警的基础。由于视觉分心相比认知分心对行车安全具有更大威胁，本文针对驾驶人不同分心类型的识别展开研究，设计了驾驶人两种分心类型和正常驾驶下的模拟驾驶试验，利用1-back任务和看手机任务分别诱导驾驶人产生认知分心和视觉分 心，采集并提取驾驶绩效、眼动及头动特征，采用序列后向选择算法进行特征优选，运用网格搜索确定分心识别的最佳时间窗口及模型参数。结果表明，基于随机森林所构建模型在测试集上取 得了94.07%的宏精准率、93.89%的宏召回率和93.98%的宏F1值，分类表现优于两种比较方法，说明模型能够准确地对驾驶人的3种状态进行分类。根据随机森林模型的特征重要性排序结果以 及采用不同类型特征作为输入训练模型的分类结果发现，驾驶人眼动及头动特征对驾驶人分心类型的识别更为重要。本文研究可为分心预警系统根据分心类型判定风险等级提供基础。     

轨迹数据驱动的车辆换道意图识别研究

为实现准确识别车辆换道意图，提高车辆行驶安全性，综合考虑车辆换道过程的时空特性及不同特征对车辆的影响程度，提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)组合并融合注意力机制的换道意图识别模型。首先，筛选和平滑处理车辆轨迹数据，将车辆轨迹数据分为向左换道、向右换道及直线行驶3类，构建换道意图样本集。其次，构建融合注意力机制的 CNN_GRU模型，识别换道意图样本集，考虑到行驶过程中车辆之间的交互性，将被预测车辆和周围车辆的位置和速度信息作为模型的输入，经过CNN层特征提取的特征作为GRU层的输入，经过注意力机制层对不同的特征增加不同的权重系数，利用 Softmax 层识别换道意图。最后，选用 NGSIM 中 US-101 数据集的轨迹数据验证融合注意力机制的 CNN_GRU模型性能， 同时，与LSTM、GRU、CNN_GRU及CNN_LSTM_Att等模型进行对比分析。验证结果表明，所提模型车辆换道意图识别整体准确率达到97.37%，迭代时间为6.66 s，相比于其他模型准确率最多提高9.89%，最少提高2.1%。分析不同预判时间下的意图识别，模型可在车辆换道前2 s 内均能识别换道意图，准确率在89%以上，表现出良好的识别性能。     

������Ȩ�Ľ�ͨ�¹��ֳ���ȫ����ʶ��ģ��

为了提高交通事故现场的安全性,预防二次交通事故,综合考虑事故现场路段的交通和管理要素特征,建立交通事故现场安全性评价指标体系,准则层为人为因素、车辆因素、道路与环境因素和管理因素,决策层共15个指标.将熵值法和属性识别模型相结合,建立基于熵权的事故现场安全属性识别模型,应用熵权理论,计算评估指标的权重和属性测度.为了验证模型的适用性,把采集到的四组典型高速公路交通事故现场的基本特征数据输入模型,对事故现场的安全性进行评价.结果表明,该模型不仅可以进行事故现场处置方案的安全性评价,也可以进行各方案之间的比较.     

基于车辆运行数据的疲劳驾驶状态检测

疲劳驾驶是导致交通事故的主要原因之一，及时检测疲劳驾驶，并提醒驾驶员集中注意力，对保证安全行车具有重要意义.本文基于CAN(Controller Area Network)总线采集的车辆运行状态数据，提取了18项与驾驶行为相关的特征，并采用随机森林算法对疲劳驾驶进行识别，结果表明整体的识别准确率为0.785，其中召回率为0.61，即61%的疲劳驾驶状态可被识别出来.实验表明，基于车辆运行状态的疲劳驾驶检测具有一定的效果，且与其他客观的疲劳驾驶检测方法(基于驾驶员生理指标和图像面部特征)相比，具有简单方便，不影响驾驶，且成本低的优势.     

基于属性识别模型的城乡结合部交通安全评价

运用变异系数及属性识别理论对城乡结合部交通安全问题进行研究。在对影响城乡结合部交通安全因素综合分析的基础上,建立了城乡结合部交通安全评价指标体系。运用变异系数法确定各项指标权重,建立了城乡结合部交通属性识别安全评价模型。根据单指标属性测度值和多指标综合属性测度值,利用置信度准则识别城乡结合部的交通安全水平。应用此评价模型进行实例分析表明其具有良好的实用性,可以为城乡结合部交通安全规划和治理提供决策依据。     

疲劳驾驶转向特征指标的个体差异敏感度分析

个体差异是影响疲劳驾驶识别的重要因素. 为研究基于转向行为的疲劳驾驶识别受个体差异的影响，本文对疲劳驾驶转向特征指标的个体差异敏感度进行分析. 通过实车试验获得自然驾驶数据，对正常和疲劳状态下的指标进行Kruskal-Wallis(KW)检验，以H 统计量表示指标有效性；以H 统计量最大的单被试为基础逐一与其他被试组成双被试组合，采用线性模型拟合双被试组合的H 统计量和指标个体差异度，以斜率绝对值表征指标个体差异敏感度. 研究获得9 个转向特征指标的个体差异敏感度，结果表明，敏感度越低，指标有效性受个体差异影响越小，其中方向盘转角标准差的个体差异敏感度最低为2.056. 本研究可为转向特征指标的性能评估及疲劳驾驶识别模型的特征选择提供参考.     

疲劳驾驶转向特征指标的个体差异敏感度分析

个体差异是影响疲劳驾驶识别的重要因素. 为研究基于转向行为的疲劳驾驶识别受个体差异的影响,本文对疲劳驾驶转向特征指标的个体差异敏感度进行分析. 通过实车试验获得自然驾驶数据,对正常和疲劳状态下的指标进行Kruskal-Wallis(KW)检验,以H 统计量表示指标有效性;以H 统计量最大的单被试为基础逐一与其他被试组成双被试组合,采用线性模型拟合双被试组合的H 统计量和指标个体差异度,以斜率绝对值表征指标个体差异敏感度. 研究获得9 个转向特征指标的个体差异敏感度,结果表明,敏感度越低,指标有效性受个体差异影响越小,其中方向盘转角标准差的个体差异敏感度最低为2.056. 本研究可为转向特征指标的性能评估及疲劳驾驶识别模型的特征选择提供参考.     

基于相似权的公路绿色施工属性评价研究

通过对公路绿色施工过程构成要素的分析,建立了公路绿色施工属性评价的指标体系,以相似权确定权值方法为基础,运用属性识别理论,构建了公路绿色施工属性识别模型,最后结合工程实例对该模型进行了验证。结果表明：属性评价模型能够客观有效地评价公路绿色施工过程。     

基于置信规则库的驾驶人愤怒情绪识别模型

针对“路怒症”诱发的攻击性驾驶行为影响交通安全问题,提出一种基于生理与脑电特征的驾驶人愤怒情绪识别模型.招募15 名被试在武汉市区开展限时实车试验.由于所选实验线路为交通繁忙路段,被试易被行人横穿马路、车辆加塞等道路事件诱发愤怒情绪.实验中采用愤怒量表记录被试的愤怒等级,以及采用生物反馈仪与脑电记录仪记录被试的生理和脑电信号.将血容量脉冲、皮肤电导、δ 波百分比与β 波百分比这四项生理与脑电指标作为模型输入,建立基于置信规则库的愤怒情绪识别模型.验证结果表明,该模型的识别精度(82.24%)较BP神经网络、SVM分别提高7.15%、5.02%.研究结果可为开发基于生理和脑电信号的驾驶情绪识别设备提供理论支持.