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。     

驾驶员之友 驾驶空间与行车安全

驾驶空间实际上是指行驶车辆之间的距离．俗称车距。行车间距如果过小，容易发生撞车事故．常见的一些追尾事故就是车距过小造成的；而行驶间距过大，会使该段道路上的汽车通过量下降。     

基于自然驾驶数据的驾驶员紧急变道行为开环模型

基于"中国大型实车路试先行实验(China Pilot-FOT)"所采集的自然驾驶数据,提出了一种开环模型,它可以描述驾驶员紧急变换车道行为。将方向盘转角和方向盘转角变化率作为变道紧急程度的筛选条件,从中筛选出228例紧急变换车道工况。基于最大方向盘转角与最大方向盘转角变化率的线性关系,分析了紧急变换车道的持续时间。利用其中50百分位驾驶数据,来拟合模型参数。使用相关性和显著性检验,验证了真实驾驶数据与驾驶计算模型的关系。结果表明:该模型的输出结果与真实驾驶员操作结果一致性良好。因此,该模型可以描述中国一般驾驶员紧急变道行为。     

基于自然驾驶的中国驾驶员驾驶使用手机行为研究

手机频繁地出现在人们的日常活动中,甚至驾驶人驾驶时使用手机造成分心驾驶,产生了较大的安全隐患。目前世界范围内约束手机使用的法律、教材种类繁多,但对使用手机对驾驶人视觉及操作的影响缺乏了解。国内对该领域的研究相对较少,且主要停留在通过问卷和蹲点调查进行驾驶使用手机现状调查分析,或通过简单的驾驶模拟试验来进行特定行为特征分析的程度,我国驾驶员在真实驾驶状态下的驾驶使用手机情况和行为特征尚无明确的研究结果。本文依托上海自然驾驶研究数据,利用23名驾驶员2013年的115次出行数据对其驾驶行为特征与安全性进行研究。结果显示,被试驾驶员最常使用的手机功能为发送短信、通话和阅读,三者还对驾驶员的视线分心影响最大,达到最高的平均视线偏离时长;在操作分心方面,发送短信具有远高于其他功能的双手占用率;手机使用对于驾驶速度的波动和车辆在车道内的横向位置波动有极大的影响。     

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。     

基于驾驶员行为特性的驾驶技能评价指标研究

汽车行驶的过程是人、车、路三者之间相互影响的过程,是由驾驶员操纵有关机械装置来实现的.本文从研究驾驶员行为特性入手,提出以车辆控制能力和感知能力作为驾驶员技能评判的指标,建立驾驶员技能评判模型,为数字化驾驶训练提供理论基础.     

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。     

基于轨迹数据的交叉口相位切换期间危险驾驶行为实证分析

基于交叉口相位切换期间的车辆轨迹数据,分别根据单车和跟车行驶状态,识别和分析了相位切换期间可能发生的危险驾驶行为。通过视频拍摄和图像处理的方式,提取了曹安公路沿线3个交叉口共312条单车状态和四平路-大连路交叉口共449条跟车状态的高精度车辆轨迹数据。针对交叉口相位切换期间的危险驾驶行为特征,利用速度、加减速度、减速度变化率、潜在碰撞时间（TTC）等指标,研究在此期间车辆发生危险驾驶行为的特点和类型。对于单车状态下行驶的车辆,按停止、通过分类,依据减速度、减速度变化率、减速度变化率的峰值差等指标将停止车辆的危险驾驶行为分为紧急减速型、增强减速型和持续急减型,依据过停车线时间、速度、加速度等指标将通过车辆分为闯红灯型、超速过线型、激进加速型和持续高速型。对于在跟车状态下行驶的车辆,按前、后车不同的停止、通过决策组合分类,依据连续5个时间间隔（0.12 s）的TTC分析前、后车的危险驾驶行为及发生追尾事故的危险程度。针对识别出的危险驾驶行为类型,讨论车辆的关键行为参数与危险驾驶行为之间的内在关联。研究结果表明：单车状态下有17%的车辆存在危险驾驶行为,其中53%为紧急减速行为;跟车状态下有19%的跟车行为是危险的,其中停止车辆的比例是通过车辆的2倍以上。研究成果可进一步应用于驾驶行为模型的参数标定、基于车辆轨迹的交叉口安全评价以及预防危险驾驶行为的主动安全控制策略等。     

基于OBD数据的危险驾驶行为与建成环境空间关联研究

随着宽带移动通信、物联网等新一代信息技术在交通领域中的应用,面向交通安全的移动互联环境下驾驶行为研究成为热点课题.为弥补现有研究中对车联网数据分析较少或对危险驾驶行为空间分析不足等缺陷,基于车辆自诊断系统(OBD)数据对危险驾驶行为进行了空间识别与提取,并基于交通小区(TAZ)分析了危险驾驶行为的空间分布差异.研究揭示了危险驾驶行为空间分布差异的内在机理,利用百度兴趣点(POI)数据度量了城市建成环境因素,通过最小二乘法(OLS)回归模型识别出建成环境对危险驾驶行为显著影响的变量,在此基础上采用基于地理加权回归(GWR)模型得出了不同建成环境变量对危险驾驶行为的空间影响系数.模型显示,采用GWR模型拟合结果优于OLS一倍,并且可以有效地揭示出空间建成环境对危险驾驶行为影响的时空特征,为交通管理与规划部门制定措施或政策提供了决策支持.     

基于模拟驾驶的天气环境对驾驶员危险感知特性影响

据统计,在我国现有交通事故中由于驾驶员危险感知错误导致的比例占40%~45%,而由于不良天气导致的事故总量比正常情况下高出3~4倍;因此,研究驾驶员对不良天气的危险感知意义重大。对速度的感知能力是保证行车安全的先决条件,也是衡量驾驶员危险感知能力的重要指标。运用虚拟驾驶半实物仿真平台,检测晴雨雪等不同天气对驾驶员视觉感知特性的影响。结果表明,雨雪天气比晴天时驾驶员的视觉感知车速低3%~17%。     

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。     

基于路谱的驾驶员驾驶行为对燃油经济性的影响分析

<正>1前言2022年,对6×4牵引车市场走访发现,同一地区相同配置的运煤车辆燃油消耗量存在较大差异。为分析原因,提升客户满意度,选取此地区车型号、配置完全相同的A车和B车,使用行车伴侣进行路谱采集,深入分析发动机转速、水温、风扇转速、挡位、车速等数据,分析驾驶员行为对燃油经济性的影响。运煤车行驶路线以服务站为中心,空载前往煤区,满载回服务站,短暂休息后将煤炭运往外地,卸载后空车回服务站。为节省运输成本,全程均走国道。为减少变量,选取固定路段空载前住煤区-满载回服务站段进行数据采集。     

驾驶员异常驾驶行为与人格类型调查研究

为了研究驾驶员的异常驾驶行为与人格类型的关系,以及导致道路交通事故的可能性,采用驾驶行为问卷(DBQ)形式,将次任务从注意力流失中细化出来,与注意力流失、错误和违规构成异常驾驶行为四因子.人格类型的调查问卷采用菲尔人格测试.利用SPSS统计软件进行试调查问卷的信效度分析以及正式调查的数据分析,得到试调查问卷是可靠的,异常驾驶行为四因子两两之间具有相关性,"穿高跟鞋驾驶"的女性驾驶员易出现异常驾驶行为;大多数被调查者属于人格3与人格4,人格3中有近1/3的驾驶员易发生次任务,人格4中近1/4的驾驶员易发生次任务;通过回归分析可知异常驾驶行为与人格类型会在不同程度上诱导交通事故的发生.     

基于驾驶员数据学习的自动驾驶车辆弯道转向控制研究

针对自动驾驶车辆的弯道转向控制问题,提出了一种基于驾驶员操纵数据分析和学习的控制方法。首先,建立了人-车-路软硬件综合模拟驾驶平台,采集了多位驾驶员在不同弯道上的转向操纵数据及车辆状态数据;然后,采用离散分析和拟合分析进行数据分析,并基于模糊综合评价算法建立转向行为评价体系进行数据评价与筛选;最后,将筛选后的驾驶员数据作为训练样本进行神经网络训练,建立基于神经网络的弯道转向控制器。仿真和实车验证结果表明,所设计的控制器能够很好地模拟熟练驾驶员在弯道上的转向行为,并能够保证车辆在弯道行驶的安全性和稳定性。     

机动车驾驶员驾驶行为操纵动作模式的研究

采用主成分分析法研究了驾驶员的操纵动作模式主要成分结构,采用Matlab编写了主成分分析算法对问卷调查获得的数据进行了分析,并着重选取问卷中超车、转向和并线3种驾驶行为的数据,分析得到这3种驾驶行为对应的驾驶操纵动作模式的主成分载荷矩阵和贡献率。结果表明:通过研究驾驶行为及其对应的驾驶操纵动作模式,可以发现对特定驾驶行为影响较大的驾驶操纵动作,进而根据两者之间的关系反向实现个性化驾驶行为的识别,为后续设计先进的辅助驾驶系统提供技术依据。     

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。