基于图谱的个体驾驶行为特征描述方法研究

基于驾驶模拟实验获取驾驶行为数据,针对驾驶行为数据实时性强、稳定性差、连续变化等特点,引入图谱表达方法,通过图谱时间基元、空间基元及排列组合形式等要素描述驾驶行为变化过程,构建形成驾驶行为特征图谱,实现驾驶行为变化过程的直观表达.研究成果为精确解析驾驶行为特征提供新的思路和解决办法,并为更加针对性地优化驾驶员驾驶行为提供参考和依据.     

基于图谱的驾驶行为特征安全性描述方法研究

为了建立一种基于驾驶行为来判断驾驶安全性的方法,以此挖掘和显示不同驾驶行为与其驾驶安全性的关系.利用来自OBD设备获取的北京市出租车司机驾驶行为数据,通过K-Means聚类分析将驾驶人划分为3种类别:安全、一般安全、危险;采用图谱理论进行数据编码,构建了基于微观驾驶行为指标的驾驶行为特征图谱.图谱可以揭示驾驶行为内部复杂数据结构关系,实现驾驶行为变化过程的直观表达.本研究更加针对性地在安全层面上为优化驾驶行为提供参考和依据,对于减少交通事故与改善驾驶员的驾驶行为具有重要意义.     

生态驾驶行为特征甄别及反馈优化方法研究

针对生态驾驶行为推广应用中存在的特征描述、评估甄别和矫正优化三大核心问题,借助模拟和自然驾驶实验平台,在明确生态驾驶行为对车辆绿色、安全和顺畅运行综合影响的基础上,重点研究形成了生态驾驶行为特征的图谱表达方法,建立了基于3层BP网络结构的生态驾驶行为精确评估甄别模型,确立了基于驾驶员特性的差别化生态驾驶行为反馈优化方法.研究提升了生态驾驶行为的应用实施效果,并为解决大数据背景下面向安全、生态和顺畅三位一体的驾驶行为管理提供借鉴.     

基于驾驶员避撞行为的行车风险判别方法的仿真研究

提出了一种基于驾驶员避撞行为的行车风险状态分类方法,并综合考虑驾驶员驾驶行为、道路和环境因素对行车风险状态变化的影响,运用支持向量机(SVM)建立不同行车模式下行车风险判别算法。基于美国弗吉尼亚理工大学"100-car"自然驾驶数据对预测算法进行了训练和验证,结果表明,在进行行车风险状态预测建模时考虑驾驶员行为、道路和环境因素的差异(特别是驾驶员分心状态)将有利于提高预测模型的准确率;另外,在满足假正率低于5%的条件下,本文构建的预测算法对未来行车过程中的高风险状态预测具有较高的准确率,有助于对临近危险状态的驾驶员给予及时的警告或辅助纠正,为防撞预警策略和控制方法的研究提供了新的思路。     

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。     

基于贝叶斯网络模型的道路交通事故链生成与演化研究

为了研究道路交通事故链的生成和演变规律并全面反映道路交通事故的产生机理,以美国100-Car自然驾驶研究数据为基础,充分考虑了驾驶员状态和驾驶行为对道路交通安全的影响,构建了事故发生前驾驶员状态和行为特征参数等变量,并与其他传统驾驶员特征、道路交通特性以及环境特点等影响因素变量共同建立了关于道路交通事故风险类型的贝叶斯网络模型。在贝叶斯网络模型基础上,引入事故因果链理论,利用有向无环网络中简单路径搜索算法生成事故链集合,并采用信息增益特征选择方法识别关键事故链。通过100-Car自然驾驶数据得到的关键事故链显示,单车事故类型更容易在弯道和坡道条件下驾驶员无注意力转移或进行简单非驾驶任务的情况下发生;而正面、侧面和尾部碰撞事故类型的发生,往往在水平直线道路条件下,伴随着驾驶员注意力由前方道路转移至两侧车窗或内后视镜,以及驾驶员非驾驶任务变复杂的情况。通过改变事故链中各节点的状态概率,可以探索不同类型事故的演化路径和规律,克服了传统方法对每个道路交通事故致因因素进行独立分析的局限性,揭示了事故链中影响因素/事件之间的相关关系,为更好地掌控道路交通风险状态和实现事故链阻断提供了新的思路。     

基于国外技术研究方法的弯道驾驶行为特征统计分析

为理解驾驶员行为特征,提高自动驾驶汽车的类人驾驶能力,借鉴国外研究成果,基于自然驾驶数据集,对驾驶员在弯道行驶过程中的行为特征开展了研究。选择车辆纵向速度、侧向加速度、横摆角速度和车速作为驾驶员行为特征,选择弯道曲率半径作为道路几何特征,利用车辆动力学原理进行弯道工况识别,通过核密度估计及相对熵对数据集特征参数分布的收敛性进行验证,并对弯道行驶过程中驾驶员行为特征及道路几何特征进行了统计分析。分析结果可以为设计具有类人操作特性的自动驾驶或驾驶辅助个性化系统提供数据支撑。     

不同微观驾驶行为对基本路段交通流运行特征的影响

为了提高道路服务水平,减少道路交通事故,改善车辆设计,开发车载安全装置通过驾驶模拟器和交通仿真相结合的方法,深入探讨个体驾驶行为交通流特征的影响.首先,选取反映驾驶员特征的静态驾驶适性和动态驾驶适性2类指标,通过因子分析、主成份分析及聚类分析方法对驾驶行为特征进行提取,构建不同类型的驾驶行为特征分类.其次,利用驾驶模拟器采集到的实验数据,对不同类型驾驶行为的仿真模型参数进行校准.最后,通过交通仿真技术对不同类型的驾驶行为下交通流特征研究,主要集中在不同车道位置、不同行为下的交通流特征差异.研究结果表明,激进的驾驶行为仿真产生的最大交通量(2200 pcu/h)中等驾驶行为(1800 pcu/h)保守驾驶行为(1700 pcu/h),但激进驾驶行为下的交通流较其他行为显得更加不稳定.因此,提高道路安全水平,需针对呈现此类驾驶行为特征的驾驶员进行重点教育及培训.     

基于自然驾驶数据的危险评估算法研究

本文中提出了一种基于自然驾驶数据的汽车碰撞危险评估算法。首先分析了在自然驾驶工况下的驾驶员制动和转向的输入特性,研究了表征驾驶员的制动避撞和转向避撞紧急程度的行为特征参数,建立了紧急制动和紧急转向的驾驶员数学模型;在此基础上,分析了不同车速下制动避撞和转向避撞的特征,提出了基于自然驾驶数据的危险评估算法。仿真结果表明,本文中提出的危险评估算法可同时兼顾制动避撞和转向避撞,并与驾驶员在真实交通环境下的紧急避撞行为相对应,可用于汽车避撞系统控制策略的开发。     

自适应驾驶员行为特征的车道偏离防范系统

提出一种能自适应驾驶员行为特征的车道偏离防范控制方法。基于驾驶员自然驾驶行为和人机交互行为数据库,提出自适应调节的动态期望驾驶区间与车道虚拟边界,以之为基础确定了车道偏离防范的决策参数,设计了车道偏离防范的决策和分步控制策略,采用学习型模型预测控制理论构建自适应驾驶员行为特征的LDP控制器,以驾驶模拟器为平台进行驾驶员在环实验。结果表明,所提出的车道偏离防范方法能提高驾驶员对LDP控制的接受度。     

基于深度强化学习的驾驶员跟车模型研究

为提升智能驾驶系统的纵向跟车性能,本文构建了一种基于深度强化学习的驾驶员跟车模型。首先,设计了跟车场景截取准则并从自然驾驶数据中筛选出符合条件的典型跟车场景,并对其数据进行统计分析,即采用相关系数法分析了车间距、相对速度和车头时距等因素对驾驶员跟车行为的影响机理,得出驾驶员跟车行驶过程的行为特性及其影响因素。接着,基于深度确定性策略梯度算法建立了驾驶员跟车模型,将驾驶员跟车轨迹数据集输入到模拟跟车环境中,让智能体从经验数据中学习驾驶员的决策行为。最后,以原始工况数据为基准,对基于深度强化学习的跟车模型进行对比仿真验证,结果表明所构建的驾驶员跟车模型具有良好的跟踪性能,能真实地复现驾驶员的跟车行为。     

基于驾驶行为的疲劳驾驶判别算法研究

为了有效判别驾驶员的疲劳驾驶状态,本文利用模拟驾驶器开展驾驶实验,采集了20名驾驶员在疲劳状态和正常状态的实验数据;为了提取能表征驾驶员疲劳和正常驾驶状态时的行为特征,本文对获取的速度、方向盘转角和车辆横向位置的样本熵进行了分析,最终提取了该三类参数的样本熵作为疲劳驾驶的有效特征组;构建了基于BP神经网络的驾驶员疲劳驾驶判别算法,并采用测试集样本对构建的算法进行验证.实验结果表明:该算法对于驾驶员疲劳驾驶检测的准确率较好、运行时间较短、具有较好的鲁棒性和实用性.     

农村公路不同行车环境下的车辆运行特征分析

驾驶行为的产生是驾驶员通过对行车环境的感知、判断和决策,通过操控车辆运行形成的,它受到众多因素的影响,其中行车环境自然是主要的方面。通过对大量农村公路条件下的实车驾驶数据进行分析,探究在农村公路行车环境下车辆速度、三轴加速度等运行特征变化的规律,旨在探究行车环境与驾驶行为的相互关系,为提高农村公路行车环境的协调性提供技术参考。     

数据驱动的智能车个性化场景风险图构建

为实现智能车辆危险预警辅助功能，精确建立个体驾驶员的个性化辅助系统，提出一种数据驱动的智能车个性化场景风险图构建方法。构建复杂交通场景中动静态要素属性与要素之间隐含交互关系的图表征，使用图核方法对图表征数据进行相似性度量，处理分析驾驶员操作数据并获取驾驶员个性化场景危险程度评价标签。基于支持向量机训练识别模型，建立驾驶员个性化危险评价机理与场景特征之间的映射关系，以模型输出的危险程度评价标签与真实值进行实验对比。结果表明，基于场景风险图构建的驾驶员个性化危险场景识别模型识别准确率可达95.8%，比特征向量表示法提高了38.2%，能够有效地做出基于驾驶员驾驶风格的个性化场景危险程度评价。     

驾驶行为与驾驶风险国际研究进展

驾驶人在驾驶车辆的过程中总会面临由自身或外界条件所带来的或高或低的风险,即驾驶风险,通过对驾驶风险进行识别、分析及评估是对风险进行管理的有效对策,明确由人为因素（即驾驶人个体特征及驾驶行为）所带来的驾驶风险并对驾驶人进行安全管理尤为重要。为了全面了解各类危险驾驶行为和各种驾驶人群体的驾驶风险行为研究进展,对驾驶风险领域重点问题进行了总体概述。从驾驶人个体特征及驾驶行为的角度出发,探究了驾驶风险领域目前的研究现状,并利用科学知识图谱展示驾驶风险领域研究的发展进程与结构关系。通过Web of Science核心合集数据库获取了3 406篇在1986~2020年（截至2020年2月29日）间出版的驾驶风险研究相关英文文献,共涵盖8 684位作者及6 018个关键词,基于科学知识图谱对该领域文献进行梳理与分析。结果表明：驾驶风险领域的国外研究在驾驶人选择方面主要从年轻驾驶人、老年驾驶人、新手驾驶人及职业驾驶人的角度进行切入,重点围绕酒驾、药驾、分心驾驶及疲劳驾驶等主题开展研究。与国外研究相比,中国在分心驾驶、疲劳驾驶领域的研究相对丰富,而针对酒驾、药驾的研究试验手段较为单一,研究不够全面;在研究对象的选取上,有必要进一步增加老年驾驶人及新手驾驶人的深入研究,包括老年驾驶人适驾性评估与教育培训,以及新手驾驶人驾照分级制度的可行性探索。在研究方法方面,国外常见研究方法包括问卷调查、驾驶模拟器试验、实车试验以及自然驾驶研究等,而中国在自然驾驶研究领域尚未充分开发利用;未来应考虑多种方法相结合并从不同角度促进对驾驶行为及驾驶风险的全面理解。     

汽车-动力两轮车碰撞前驾驶员风险感知研究

人机共驾阶段人类驾驶员对驾驶环境保持较高的风险感知水平是保证及时有效、稳定安全接管的核心。本研究通过开展风险感知模拟驾驶试验,获取了驾驶员在典型汽车-动力两轮车碰撞场景下的驾驶行为及脑电响应数据。从驾驶行为层面以制动TTC(time to collision)和平均加速度为评价指标,利用分位数回归构建了驾驶员风险感知量化模型,通过独立样本检验发现驾驶经验、碰撞场景类型对驾驶员风险感知存在显著影响。在脑电响应层面,通过双独立样本检验及FDR校正发现Alpha频段与驾驶员风险感知显著相关。此外,提出了驾驶员风险感知神经机理,包括视觉感知与认知加工两个阶段。研究结果有助于提升人机共驾汽车的安全性。     

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％.     

车队安全氛围与驾驶员个人特征对公交汽车事故的影响

为综合考虑车队安全氛围与驾驶员多种个人特征对公共汽车交通事故发生的影响,设计了营运驾驶员调查问卷,问卷内容包括车队的安全氛围,驾驶员的个人信息、健康状况、睡眠状况、驾驶行为与驾驶愤怒.对公交客运企业的13个车队,共计844名驾驶员进行了问卷调查.双层Logit模型用于分析车队特征与驾驶员个人特征对事故风险的影响;结果表明,在车队层面,安全氛围对交通事故发生有显著影响,可解释约9.2% 的模型方差;在个人层面,驾驶员年龄、在所调查企业工作的时间、睡眠状况、普通违规行为、侵略违规行为、失误驾驶行为、积极驾驶行为以及驾驶愤怒对交通事故发生均有显著影响.基于随机森林中的平均准确度下降方法对显著变量的相对重要度进行了排序,结果显示,驾驶行为与睡眠状况是对驾驶员事故发生贡献最高的因素,车队安全氛围次之;其中4类驾驶行为对事故的累积贡献率为68.2%.研究结果可为公交客运企业安全管理与驾驶员安全教育提供理论基础,安全教育应给予对事故贡献度高的因素教育优先权.      

基于高德导航数据与FOA-GRNN模型的驾驶倾向性辨识方法

为提升汽车主动安全功能,研究了1种基于高德导航数据的低成本、高精度驾驶倾向性辨识方法.基于高德软件开发工具构建动态驾驶数据采集应用程序,并融入个人智能终端以实现对行车数据的实时采集、处理与网络化存储.通过驾驶员生理、心理测试和实车实验获取不同驾驶倾向性驾驶员在导航行驶过程中由时间、速度和加速度推演的驾驶行为信息,采用主...     

基于轨迹预测的智能汽车行驶风险评估方法

提出了基于预测轨迹的行车风险评估方法，首先建立了沿预测轨迹两侧具有渐变高斯截面特征的驾驶风险域DRF以表征驾驶员行为的不确定性，然后考虑车辆与周围静态、动态障碍物处于特定状态的风险后果建立环境事件成本，得到适应复杂行车场景不确定性的量化感知风险，并基于贝叶斯理论融合预测区间内的量化感知风险时间序列，实现了对于未来行车潜在碰撞风险的预测。实车轨迹和仿真实验结果表明，相比于经典TTC指标方法，基于融合未来一段时间内自车与周边环境交互信息的DRF的风险评估方法可以更快、更准确地辨识复杂交通场景的行车风险变化，为研究周边多车复杂场景下车辆碰撞风险问题提供了参考。