汽车驾驶员行为模式及其心理因素对可靠性的影响

综述了汽车驾驶员行为的三种典型模式，详细地剖析了汽车人机系统中驾驶员的行为特征，建立了驾驶员行为模式，并推导出计算驾驶员失误率的公式。应用交通心理学的基本观点，根据驾驶员失误的心理指标体系，结合实际交通事故案例分析，阐明了心理因素对驾驶员可靠性的影响及其程度。     

人-车-路闭环系统驾驶员模型参数辨识

基于在驾驶模拟器上进行的人－车－路闭环系统仿真试验，使用全局演化局部寻优的辨识算法，对驾驶员模型进行参数辨识。通过大量的实际驾驶人员的试验数据，辨识出各种水平的驾驶员模型参数，为改进智能车控制系统的设计提供了依据。利用辨识得到的驾驶员模型和车辆模型进行了人－车－路闭环系统的双移线与蛇行线仿真，仿真结果与试验数据具有很好的一致性。     

错误与车祸

事故的发生除了车辆、道路的原因．还有着不容忽视的驾驶员本身的原因，而驾驶员本身的原因又是错综复杂的。笔者以为，事故发生前几分钟内驾驶员的行为有错误或思维失误．     

基于高斯混合隐马尔科夫模型的高速公路超车行为辨识与分析

基于驾驶模拟器实验数据,结合高斯混合隐马尔可夫模型(GM-HMM),对高速公路的超车行为进行辨识,并对驾驶员意图和超车行为是否正常进行分析。结果表明,基于GM-HMM的辨识方法能有效辨识多种驾驶工况下的不正常超车行为。     

线控汽车驾驶员特性辨识算法的研究

线控汽车相对于传统汽车具有较多的控制自由度,控制算法设计可将人的因素考虑在车辆集成控制中,进行人性化设计,变"人适应车"为"车适应人",最终实现车辆的安全、智能驾驶。文中确定了驾驶员特性辨识系统,以转向行为为例,对驾驶员特性进行分类,并采用神经网络方法建立了辨识模型,在驾驶模拟器上对所研究方法进行实验验证。结果表明,所建立的驾驶员特性辨识模型有较高精度,能对驾驶员特性进行预测,方法可行。     

基于多维高斯隐马尔科夫模型的驾驶员转向行为辨识方法

在线控转向系统中,采用一种基于多维高斯隐马尔科夫模型的驾驶员转向行为辨识方法,可达到辅助驾驶员驾驶、屏蔽驾驶员错误操作和提高汽车主动安全性的目的.通过驾驶模拟器采集相应工况数据,经数据预处理 后,应用Baum-Welch 算法对多维高斯隐马尔科夫模型进行优化,且应用Labview进行在线辨识,准确率达到99.8％.     

基于安全驾驶行为风险特征的图谱表达方法

以自然驾驶条件下行为风险的辨识为目标,基于GPS数据,重点研究自然驾驶条件下驾驶行为的风险评估与行为特征表达.建立基于GPS数据的自然驾驶行为数据库,提出基于信息熵自然驾驶条件下行为风险评估方法,构建基于图谱的驾驶员个体驾驶行为特征表达方法.本文深入挖掘驾驶员个体驾驶行为模风险特征,构建驾驶行为图谱,为普通驾驶员在日常、自然驾驶条件下的行为风险预测预警提供了解决方案,为推进道路交通安全水平提升提供了理论参考和技术支撑.     

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。     

基于模糊神经理论的驾驶员控制模型的研究

把横向预瞄偏差作为模糊神经驾驶员控制模型的输入变量之一，解决了由于输入变量较多，神经网络节点数巨大的问题，从而设计并实现了模糊神经驾驶员控制模型网络拓扑结构，并用BP网络实现了控制规则的模糊映射。仿真的结果表明：所建立的模糊神经驾驶员模型是正确和可行的。这种模型的核心思想是利用神经网络对汽车驾驶员驾驶知识的表达机理，通过学习训练来实现控制规则的记忆，在一定程度体现了驾驶员的智能行为。     

基于深度学习的分心驾驶行为检测方法

针对现有分心驾驶行为检测方法存在的检测精度低、实时性差等问题，利用基于深度学习的目标检测方法进行了驾驶员分心驾驶行为检测，首先构建分心驾驶行为数据集，包括驾驶员使用手机、饮水和吸烟3种行为的图像，并进行目标物的标注，然后选用轻量化目标检测模型NanoDet进行训练验证，结果表明，该方法可以准确并快速地识别出驾驶员在驾驶过程中使用手机、饮水和吸烟的行为。     

浅析道路交通安全对策的道路因素

更新道路规划设计思想 道路的规划与设计应注意保证交通质量，尽可能创造即使在驾驶员工作失误时仍能保证安全的条件，即：不苛求驾驶员以绝对正确的判断、敏捷的反应来弥补不良的道路因素——即使是符合规范的，而应通过精心的规划设计给驾驶员提供宽松的驾驶环境。这就要求在设计道路时做到以下两点：一是要通过精心的规划，设计出良好的道路条件，以利于减轻驾驶员的工作强度。减少因驾驶员失误和错误而发生事故的可能性。     

主动降低光照强度对暗适应及交通安全的影响

为探索减轻驾驶员暗适应水平的方法,以不同速率主动降低光照强度,并测试光照强度突变为零后驾驶员辨识前方物体时间。建立室内实验环境;测量以不同速率提前降低光照强度的情况下,外界光照强度突变为零后驾驶员辨识前方物体的时间。根据数理统计原理,解析辨识时间与光照强度变化率之间的关系,分析提前改变光照强度对辨识时间的影响,寻找最短辨识时间及其相应的光照强度变化率。实验数据显示,提前降低光照强度7.0s以上与不降低相比,对驾驶员暗适应的作用显著且趋于稳定,驾驶员辨识前方物体时间最多可以减少61.91%。实验结果表明,提前改变光照强度对于短时间内缓解驾驶员暗适应现象有所帮助。     

驾驶员反应能力与最高时速的安全可靠性分析

对驾驶员不同条件下的反应能力进行了详细的测试，提出了不同反应能力的驾驶员按一定的限速行车，以此来减少交通事故发生的频数，首次提出行车最高时速的安全域范围，同时笔者在事故失误性分析的基础上，对影响驾驶员反应能力的诸因素进行判别，建立合理的驾驶员失误率计算模式，对反尖能力不同的驾驶员确定不同的可靠性度量，提出了不同反应能力与危险行车速度域和安全行车速度域。     

面向智能手机的驾驶员交通信息搜寻-决策行为分析

为系统分析面向智能手机的驾驶员交通信息搜寻-决策行为影响机理,在集成分析交通信息搜寻及决策行为,构建驾驶员交通信息行为概念模型的基础上,基于有序多分类Logistic模型构建搜寻行为模型,分析社会属性和交通信息感知对驾驶员交通信息搜寻行为的影响;同时,基于TPB构建决策行为模型,考虑心理因素变量对驾驶员交通信息决策行为的影响,运用结构方程模型定量刻画驾驶员对智能手机发布交通信息的响应机制.结果 表明:①驾驶员年龄与交通信息搜寻频率呈显著负相关,信任度对搜寻频率的正向影响最大,平均作用系数达21.762;②知觉行为控制对驾驶员出行决策的影响最大,贡献度达0.4;③停车信息对驾驶员行为态度的影响最小,贡献度为0.85,表明驾驶员迫切希望提高智能手机中停车信息的精准性和时效性.      

最优预瞄加速度驾驶员模型参数试验辨识方法研究

研究通过试验辨识获得最优预瞄加速度驾驶员模型物理参数的方法。采用时域辨识方法确定模型传递函数,采用非线性最小二乘法确定传递函数中所包含的物理参数,利用已知目标函数优化预瞄时间和反应时间,针对仿真数据进行了辨识分析。结果表明,该方法对驾驶员模型物理参数的辨识具有良好的效果。     

犹豫——行车之大忌

据统计，有70％以上的交通事故属于驾驶员的责任。在这中间，又有50％是由于驾驶员的犹豫不决、反应迟缓，导致判断失误、采取措施不当而造成的。     

交通信息对驾驶员路径选择行为影响的初步分析

本文以解析交通信息对驾驶员路径选择行为的影响为目的，研究总吉出描述性信息在运用中的特征，初步建立起提供放行时间信息条件下驾驶员的路径选择模型。     

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.      

行车途中慎防错觉

驾驶员在行车过程中会产生错觉现象，从而造成车辆相撞和翻车等交通事故。有关资料表明，在众多交通事故中，有95％是由于驾驶员失误造成的，其中44％是“错觉”引起的。     

犹豫--行车之大忌

据日本有关研究交通方面问题的学者统计，有70％以上的交通事故属于驾驶员的责任，在这中间，又有50％是由于驾驶员的犹豫不决、反应迟缓，导致判断失误、采取措施不当而造成的。