交通诱导信息对驾驶员路径选择行为影响调查分析

可变信息板通过向驾驶员发布实时路况信息,诱导驾驶员选择合理路径.影响驾驶员路径选择行为的因素是多元的,包括驾驶员个体属性、道路属性、可变信息板属性等.使用RP调查获取驾驶员行为数据,探讨交通诱导信息对驾驶员行为的影响.分析表明,交通诱导信息对驾驶员行为影响较大.在驾驶员个体属性中,驾龄和道路熟悉度对驾驶员行为影响最大;道路属性中,驾驶员对拥堵状态最为敏感;VMS信息中,年长的驾驶员偏好实际交通信息,年轻的驾驶员偏好驾驶建议信息.      

美国驾驶员安全教育与管理

美国机动车普及率高,驾驶员人群年龄跨度大;不同年龄段的驾驶员存在的交通安全问题具有差异性。为改善驾驶员的交通安全状况,美国针对熟练驾驶员开展了形式丰富的驾驶员行为改进计划,并从驾驶证更新频率与视力测试等方面加强了老龄驾驶员管理。本文介绍了八种常用驾驶员行为改进计划项目的形式与要点,汇总了美国不同州老龄驾驶员的管理项目及其安全改善效果,并对我国驾驶员的安全教育与管理体制的建立提出了建议。     

汽车驾驶员模型的研究现状及发展趋势

汽车驾驶员模型是汽车交通安全、智能交通系统、汽车自动驾驶和车辆巡航等技术的基础研究内容和关键环节之一。按照汽车驾驶员模型的研究方向及应用,将驾驶员模型分为基于人—车—环境闭环系统汽车操纵稳定性的驾驶员模型、基于智能交通系统的驾驶员行为模型和基于交通安全的驾驶员疲劳模型等类型,综述了上述各类汽车驾驶员模型的研究现状,对各类驾驶员模型存在的不足进行了分析论述,并展望了汽车驾驶员模型的发展方向及趋势。     

交通安全大家谈

写给女性驾驶员 现在,骑摩托车的女性驾驶员正逐渐增多,她们比男性驾驶员更注意遵守各种交通法规,因此事故发生率也比男性驾驶员要低。但女性驾驶员也有自己的弱点,如衣着     

交警评说海安驾协

针对近年来驾驶员培训周期短,少数培训单位只注重培养驾驶员的实际操作能力,忽视驾驶员的职业道德教育,驾驶员队伍良莠不齐,给人民的生命财产安全带来隐患的现象.江苏海安驾协认识到:不能单纯靠交通法规强制性管理驾驶员的"套路",要在强化驾驶员职业道德教育上下功夫、做文章.     

驾驶员礼让行人等待时间阈值研究

驾驶员等待时间阈值是分析礼让行人合理时间的重要参数,是减少非信号交叉口人车冲突,提升道路通行能力的重要条件.通过有序Logistic回归模型研究驾驶员放弃等待时间的影响因素,并基于非集计价格敏感度分析法(KLP)建立驾驶员等待时间阈值模型,利用昆明市驾驶员让行意愿调查数据进行标定.研究结果表明,驾驶员人格类型、性别和教育程度对驾驶员放弃等待时间在统计学上有显著影响;驾驶员年龄、职业和收入对驾驶员放弃等待时间在统计学上无显著影响.驾驶员主观合理等待时间为16.4 s、等待时间阈值为23.2 s,与驾驶员意愿等待时间的50% 分位值和85% 分位值相吻合.同时,不同人格驾驶员的主观合理等待时间差异较小,而相应的等待时间阈值存在较大差异.      

驾驶员交通标志视认性的影响因素研究

为了深入研究驾驶员的交通标志视认性,本文从驾驶经验和在驾驶过程中驾驶员是否打电话2个因素进行研究,共招募20位驾驶员,其中10位新手驾驶员和10位有经验的驾驶员,所有驾驶员需要完成打电话和不打电话2种情况下的驾驶任务.利用眼动仪记录驾驶员的眼动数据,主要分析了交通标志牌平均注视持续时间、交通标志牌注视点百分比和平均停留次数3个眼动参数.研究表明:不同经验的驾驶员对交通标志牌的视认性存在显著差异;在打电话和不打电话情况下的驾驶员对交通标志牌的视认性存在显著差异;并且打电话行为,对新手驾驶员交通标志牌的视认性影响显著大于有经验的驾驶员.     

影响车辆制动效果的使用因素

驾驶员素质驾驶员对突发事件反应时间的快慢,直接影响车辆制动距离,而反应时间的长短,又取决于驾驶员的驾驶技术、身体素质、精神状态等。驾驶员素质差,会使反应时间延长。但驾驶员的素质又受车辆行驶速度的影响。车速过高,驾驶员精神紧张,时间稍长即处于疲劳状态,其应变能力就     

行车紧急度主观判断与车辆行驶控制

在交通部试验场利用动态心电分析仪、Frecord数据采集系统及动态GPS,研究驾驶员特征对紧急状况主观评价和车辆行驶控制的影响。研究表明,具有不同驾驶经验、个性、年龄特征的驾驶员对同一紧急状况做出的紧急度主观评价和制动操纵存在差异,其中驾驶经验的影响最明显。经验丰富的驾驶员采用减速度相对较小,变化相对平缓;相对于谨慎型驾驶员而言、鲁莽型驾驶员制动减速度变化剧烈;年龄对驾驶员操纵也有一定影响,通常年轻驾驶员会进行快速制动,这与驾驶员的生理状况有很大关系。研究结果可为驾驶员安全管理提供理论依据。     

有一种美德叫礼让

一个雨天,有位王姓驾驶员驾驶轿车外出,途中经过一处窄路时,对面驶来一辆私营客车。王姓驾驶员将车紧靠路边停下,摇下车窗玻璃,让客车先行。到跟前时,客车驾驶员冲轿车驾驶员喊了一句"前方路面积水太多,还有两棵树已倒地,请注意点"。王姓驾驶员动情地向客车驾驶员点     

预防车辆事故应做到"两严一抓"

严格驾驶员教育管理,杜绝违章驾车。要经常组织驾驶员学习交通法规,把遵章守纪提高到“维护军队荣誉和军人形象”的高度,重罚违章驾车者。同时,要针对驾驶员的驾龄、经历、技术水平、性格爱好等,建立“驾驶员技术资料卡”,对驾驶员实行层级管理,保证做到对驾驶员的思想、技术、身体情况掌握得清楚,根据不同任务选派不同驾驶员去完成。 严格落实“三检”制度,杜绝带     

稳定情绪 安全行车

人(驾驶员)、车、路是构成安全行车的三大要素,其中驾驶员又是三要素中的主要因素。驾驶员在行车中的情绪、情感变化,必定给安全行车带来影响。因此在抓好驾驶员的安全教育的同时,要注意从心理方面对驾驶员进行分析引导,使每名驾驶员处于平稳、宁静、豁达、舒畅的心情中,完成每     

新时期加强军用车辆安全管理要采取三项对策

以人为本,全面提高驾驶员综合能力素质建立一支高素质的驾驶员队伍,是新时期搞好军用车辆安全管理的重要内容。实践证明：驾驶员队伍中少数事故倾性的驾驶员是产生大量车辆交通事故的根源。因此,在选拔、培训、审验、教育驾驶员时,必须以交通心理学为指导,运用驾驶适性检测设备对驾驶员进行全面检查,及时淘汰不合格者;     

误踩油门自动控制系统

一、项目背景随着国民经济发展和国民消费水平的提高,汽车已广泛进入普通国民家庭,随之而来机动车驾驶员数量迅猛增长,截至2012年6月底,全国机动车驾驶员数量达到2.47亿,与2011年年底相比,新增驾驶员1143万人。其中,汽车驾驶员为1.86亿人,占机动车驾驶员总数的75.3%。3年以下驾龄的驾驶员有9471万人,占全国机动车驾驶员总数的38.34%。其中,驾龄不满1年的驾驶     

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。     

驾驶员失误机理辨识的可靠性静态模型

驾驶员失误机理辨识是驾驶员可靠性研究的核心问题，本文根据驾驶员行为新模式，归结出５类驾驶员行为模型，然后，从静态角度推导出５种计算驾驶员可靠度的公式，并求出了相关参数，文中通过２１３例驾驶员失误臻因分析案例，详细地辨识了驾驶员失误机理，阐明感知错误肇发交通事故高的原因，从而为驾驶员失误控制提供了依据。     

美国驾驶证申请与新驾驶员培训简介

汽车保有量和新驾驶员数量的快速增加是我国道路交通事故高发的原因之一,如何设计驾驶员培训内容、优化驾驶证申请流程是提升新驾驶员交通安全状况的主要措施。本文系统梳理了美国驾驶证申请考试要点、新驾驶员培训内容和渐进式驾驶培训（Graduated Driving Licensing,GDL）要求。对比中美新驾驶员培训与驾驶证考试内容发现：美国注重新驾驶员安全驾驶行为、意识的培养与考查,而我国侧重于驾驶技能和交通法规的考核。最后,借鉴美国新驾驶员的先进管理经验,对我国新驾驶员培训与驾驶证申请流程提出了改进建议。     

道路视觉环境与安全行车的关系

驾驶员行车过程中80%以上的交通信息是通过视觉获得的,道路视觉环境对安全行车的影响很大.文中从驾驶员的视觉角度出发,论述了行车中驾驶员视觉环境的主要内容、范围和特征,说明了道路视觉环境对驾驶员心理、行为及安全行车的影响;提出在道路设计与改造中应充分考虑驾驶员视觉特征与道路视觉环境对驾驶员的影响,合理设计道路、交通设施和道路景观等交通环境要素,为驾驶员提供一种宜人的道路环境,以利于安全行车.     

基于深度学习的驾驶员状态识别

提出了基于驾驶员脸部及周围信息的驾驶员状态检测方法。文章通过实车摄像头采集了驾驶员驾驶状态视频数据,利用Dlib和OpenCV库对采集的驾驶员图像进行脸部检测,基于驾驶员脸部数据建立了深度学习数据集,然后基于该数据集设计了一种卷积神经网络模型FaceNet,利用PyTorch深度学习框架在数据集上对模型进行训练,最终得到了有较高准确率的驾驶员状态检测模型,其可识别抽烟、睡觉、左手打电话和右手打电话四种驾驶员状态。