商用车辆异常驾驶行为检测算法研究

利用车联网数据可以对驾驶员的异常驾驶行为进行检测。为了解决常用的异常驾驶行为检测算法对商用车辆不适用的问题,提高车联网数据在商用车领域的异常驾驶行为检测的精确度和效率,研究并提出了商用车辆异常驾驶行为检测算法。首先分析700多辆商用车辆历时两年的行驶数据,利用数据挖掘的方法对车联网数据进行预处理和可用信息挖掘,随后提出了针对商用车辆的疲劳驾驶行为、异常加减速行为和不按规定路线行驶行为的检测算法,并利用真实数据对算法进行验证。结果表明,该算法能有效识别商用车辆的异常驾驶行为,可以给物流企业以及相关管理部门提供合理、可靠的管理依据。     

基于车联网数据的电动汽车驾驶评价应用

新能源汽车相对于传统燃油车,在运行过程中采集了大量的行驶数据。通过对数据的挖掘与分析,可以为用户的驾驶习惯和新能源汽车的研发提供参考。论文提出一种基于车联网大数据的驾驶行为评价模型,旨在研究电动汽车用户的驾驶行为。首先分别从驾驶习惯、安全系数、能量消耗维度进行分析和研究,然后构建并提取不同维度的特征变量,通过逻辑回归分类模型和评分卡方法,分别输出驾驶习惯分数、安全性分数、能量消耗分数。最后进行了实例应用验证,结果表明,所采用的的方法能有效评价用户实际的驾驶行为。     

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.      

基于多分类监督学习的驾驶风格特征指标筛选

交通事故与驾驶风格具有强烈的相关性,而驾驶风格的直观体现是驾驶行为.为深入分析驾驶行为与驾驶风格的关联性,探索不同驾驶风格群体之间的差异,筛选驾驶风格分类与识别影响因素,建立驾驶风格识别模型并验证有效性.依托车联网实验数据,利用K-means++算法对驾驶员样本数据集进行驾驶风格聚类,设计支持向量机-递归特征消除(SV...     

基于主成分分析和学习向量量化神经网络的制动工况路面识别与验证

开展车辆制动时路面类型识别的研究，提出一种基于主成分分析-学习向量量化神经网络 （Principal Component Analysis - Learning Vector Quantization，PCA-LVQ） 的制动工况路面识别方法。利用主成分分析对多维度驾驶数据降维处理，提取能表征路面特征的主要成分，采用学习向量量化神经网络对降维处理后的驾驶数据进行训练，并用于路面特征分类，使用制动工况下实车试验数据和硬件在环仿真数据进行验证。结果表明，所提出的 PCA-LVQ算法能准确识别路面类型特征，路面识别的精度达到 97%，与传统 BP神经网络的路面类型特征识别精度提升 7%；同时，在不同车速下，基于PCA-LVQ算法也能较准确地识别路面类型特征。     

基于 AHP 和物元分析的愤怒驾驶状态辨识研究

驾驶人在愤怒情绪下的驾驶行为是影响车辆行驶安全性的重要因素之一,愤怒驾驶情绪的产生及其程度受到驾驶人自身和道路交通环境中多因素的影响。文中综合考虑驾驶人自身因素和行车环境对驾驶状态的影响,提出了愤怒驾驶状态的辨识方法。文中筛选了与愤怒驾驶行为相关的驾驶人因素和道路环境因素,构建了1个驾驶人愤怒状态辨识的层次分析模型,并根据相关因素之间对愤怒驾驶行为影响的重要程度构造判断矩阵,求出各相关因素对愤怒驾驶行为的影响权值。应用综合权重的物元多属性决策方法辨识驾驶人的愤怒驾驶状态及程度。应用所提出的方法对22组实车试验中出现的愤怒驾驶状态进行辨识,结果表明,72.7%的结果与实车实验所得的结果相符,因此,该方法可对愤怒驾驶行为进行识别。文中所提出的方法能够融合驾驶人因素和环境因素对愤怒驾驶行为的影响,有效的辨识出驾驶人的愤怒驾驶状况及程度。      

大数据平台在新能源汽车安全领域的应用

通过利用行业内主流的大数据技术搭建新能源大数据平台,重点对新能源汽车车联网大数据进行算法研究、建模分析。分别从故障远程在线诊断、车联网大数据指标分析、车联网大数据算法模型等方面对新能源汽车故障、驾驶行为、充电行为等进行深入研究,以保障新能源汽车车辆安全。     

基于车联网的驾驶行为影响因素探究

由于汽车驾驶员驾驶行为的多样性与复杂性,极大影响了道路交通安全,近年来,对驾驶员驾驶行为的分析能有效改善驾驶员的不良行为,对减少道路交通事故起了一定的作用。本文通过查找和整理文献,基于车联网技术,就驾驶行为的相关概述、驾驶行为的影响因子、驾驶行为的数据采集和存储、驾驶事件的识别指标、驾驶事件的识别方法、驾驶行为的分类等进行了分析。研究表明,驾驶员的驾驶行为可分为冒险型、稳定型、焦虑型、愤怒型,其中稳定型对道路交通安全的影响极小,其它三种类型都有不同程度的影响。     

驾驶行为险态辨识方法

为实现险性驾驶行为状态的有效辨识,提出了一套驾驶行为险态辨识方法.以单位时间误操作率为依据,采用自底向上的分段算法实现了行为险态分级,采用因子方差分析,选取听觉感知、动视野、动视力、色觉、暗适应、注意力、判断能力、反应时这8项因子构成驾驶行为状态因子集,构建驾驶行为险态辨识特征向量,然后再对行为状态指标数据予以预先分级的前提下,采用单因子分析法对试验数据予以分析.并设计出BP神经网络行为险态辨识模型,最后进行了实例分析与计算.分析结果表明:反应时、注意力、判断能力3项指标在各分级间差异显著,故可作为驾驶行为险态辨识主因子,行为状态错判误差率为2.5％.     

网联环境下基于精简车头时距特性的驾驶风格分类

基于现有网联数据获取技术与条件，从车联网系统提取车头时距参数并将3 s内的车头时距特征值定义为驾驶模式，根据驾驶模式进而对驾驶风格（即驾驶人的驾驶行为习惯）进行分类。通过车头时距特性对驾驶模式进行量化分类，根据标定好的驾驶风格结果，辨识每种驾驶风格包含的典型驾驶模式；运用模糊分类方法赋予典型驾驶模式相应分值，通过计算每位驾驶人分值并结合已标定的驾驶风格结果设定每种驾驶风格的阈值；利用该阈值对测试集中的驾驶人风格进行识别，以验证识别准确率。采集了44名驾驶人网联环境行车数据将驾驶人标定为激进型、普通（即既不保守也不激进）型和保守型。按上述方法设置各驾驶风格阈值，结果表明:各驾驶风格的阈值分别为:S < 64.67为保守型，64.67 ≤ S < 181.20为普通型，S ≥ 181.20为激进型；使用所提方法来识别驾驶人风格，总体准确率为85.7%。所提出的基于车头时距的驾驶风格分类方法，使用了极精简的驾驶行为参数，为驾驶风格分类应用提供了新思路。      

车联网埋点数据测试的问题研究

车联网作为物联网在汽车领域的一个重要应用,在智慧运输、智能交通建设等方面发挥着至关重要的作用,车联网用户行为数据的采集,是用户行为分析中一个非常重要的环节.而"埋点"是数据采集(尤其是用户行为数据采集)的常用方法.埋点数据的准确性直接影响了车企对用户行为数据收集的准确率,测试数据的准确性变得尤为重要,本文着重从车联网的...     

IntelliWay-变耦合模块化智慧高速公路系统一体化架构及测评体系

根据当前智慧高速公路系统的发展历程,总结一些典型的车路协同系统逻辑与物理模型。在总结国内外智慧高速公路系统的整体架构之后,提出新一代智慧高速系统的总体架构-IntelliWay,包括智慧高速公路系统分层模块化架构、基于变耦合程度的智能分级和基于事件驱动的数据分发机制。同时,根据当前智慧高速公路系统的主流应用技术,总结车载高精度定位、高级驾驶辅助系统(Advanced Driver Assistance System, ADAS)与车载总线、路侧设备优化、异构网络融合、网络负载均衡、网络信息安全、多传感器融合与协同感知、以用户为中心的场景自适应信息发布、车辆群体协同自动驾驶、基于大数据与人工智能的交通态势预测、车道级主动交通管理、组件式应用服务开发等驱动智慧高速公路系统快速发展的新兴技术研究现状,然后基于以上关键技术的特点提出未来智慧高速公路系统应用的实施建议;分析广播式交通信息服务、主动交通管理、伴随式信息服务、自动驾驶专用道、车辆队列协同驾驶等智慧高速公路系统的典型应用场景,进行智慧高速系统的测评方法分析和相关案例分析。最后,系统性地分析和预测智慧高速系统存在的挑战及未来发展趋势,以...     

基于驾驶模拟技术的道路行车安全性研究综述

对驾驶模拟技术在道路行车安全领域的研究及应用现状和存在的问题进行了分析。在广泛调研国内外相关文献的基础上,对驾驶模拟器进行了分类,并总结了国内外主要代表性科研型驾驶模拟器的发展历程,分析了典型驾驶模拟器的自由度、主要特征和应用领域。以“人-车-路-环境-事故”为主线,从不良驾驶行为特性分析、车辆主动安全技术研究、道路与交通设计、车辆驾驶环境以及道路行车事故研究5个方面,系统地梳理了驾驶模拟技术在国内外道路行车安全领域的应用研究现状、存在问题以及应用展望。在不良驾驶行为特性分析方面,重点研究了运用驾驶行为特性开展分心驾驶行为和疲劳驾驶行为的识别;在车辆主动安全技术研究方面,综述了运用驾驶行为开展车辆底盘一体化控制技术、安全辅助驾驶控制技术和自动驾驶接管行为的评价研究;在道路与交通设计方面,综述了道路几何和标志标线等的设计评价;在车辆驾驶环境方面,综述了不良气象、路侧景观和交通冲突等驾驶环境对驾驶行为的影响;在道路行车事故研究方面,总结了道路行车事故再现和事故影响因素分析等内容。此外,对驾驶模拟技术进行了应用展望,主要包括特殊人群的驾驶行为特性、智能网联汽车系统的测试及验证、混合交通流环境下的行车安全问题。对未来应对驾驶模拟器的有效性评价、不适性以及二次开发等问题进行探讨,以便更好地促进驾驶模拟技术的发展。      

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。     

道路交通安全风险辨识与分析方法综述

道路交通安全风险辨识及分析的准确性、全面性, 是实现风险主动防控的基础和关键环节, 直接影响道路交通安全管理的精细化水平。从影响因素和分析方法2个方面对道路交通安全风险相关研究进行综述和评论。针对人的不安全行为、车辆的不安全状态、道路的不安全条件、外界环境刺激等单因素风险, 以及多因素间的关联耦合风险辨识, 梳理了安全风险理论分析法、系统安全分析法、大数据与人工智能分析方法等道路交通安全风险分析方法。研究表明: 安全风险理论分析法、系统安全分析法等以定性分析为主的方法侧重于对道路交通安全风险要素的全面、系统梳理, 具有简单、直观、易操作等优势, 但在多因素交织影响下的道路交通事故定量化剖析和事故成因深度挖掘方面存在较多局限性; 基于多源数据挖掘技术的大数据与人工智能分析方法在海量信息感知、高效计算处理等方面优势明显, 可基于多元数据对交通安全风险进行综合分析、精准挖掘, 刻画多因素耦合下的事故风险特征、探究事故发生规律, 是当前较为主流的研究方向。并提出道路交通安全风险研究领域存在的不足之处及未来研究发展方向, 主要包括多源异构数据的动态采集与融合、智能网联环境下的道路交通安全风险辨识、考虑时空异质性的可移植的道路交通安全风险识别模型研究等。      

智能网联车辆生态驾驶研究现状及展望

作为近年来智能网联汽车领域的研究焦点，生态驾驶旨在提高驾驶安全的基础上，通过改善驾驶行为，有效缓解能源消耗和污染排放等问题，引起了各国政府、企业、高校和研究机构等的高度重视。同时，随着智能网联车辆技术的迅速发展，网联环境为生态驾驶提供了新的发展契机。为了分析智能网联车辆生态驾驶的研究进展，通过与传统生态驾驶进行对比，从车辆自身特性、驾驶人个性、道路交通状况与社会条件4个方面分析了智能网联环境下的生态驾驶的影响因素；从生态驾驶控制策略和生态驾驶应用现状2个方面对现有智能网联生态驾驶研究进行了归纳与分析；并从影响因素、控制策略和决策优化3个方面讨论了生态驾驶的意义、应用与目前所存在的问题，致力于为未来的相关研究提供有益的指导与借鉴。分析结果表明:智能网联环境下的生态驾驶和传统生态驾驶的影响因素较为相似，不过网联传感器和通信条件对智能网联环境生态驾驶有着较为显著的影响；相较于传统生态驾驶，智能网联环境下生态驾驶的控制策略与决策优化多考虑复杂驾驶工况、多车级别的全局生态驾驶；且由于各种新型技术的快速发展，结合先进的技术、适应行业发展需要也将成为未来智能网联生态驾驶发展的必然趋势。      

Comparison of driving characteristics between drivers in Korea and in the united states of America based on driver-vehicle interaction field database

Research and development involving intelligent vehicles of today is geared to safe, driver-friendly and sensitive vehicles that provide a driver with a pleasant and convenient driving environment while preventing him or her from possible risks of accident. In developing convenient and safe vehicles, research on drivers’ driving patterns, reactions and state characteristics depending on road conditions in actual field is essential in order to devise more driver-friendly intelligent vehicles. This paper describes how a driver-vehicle interaction (DVI) field database is built in order to obtain a driver’s input in normal road driving condition on highways, country roads, and city roads, and his or her state information, as well as data on the vehicle and traffic conditions. And the newly built database is compared with the RDCW FOT database established by UMTRI of the US for analysis to suggest that the driving tendencies of drivers in Korea and the road driving conditions are not the same as those in the US, reconfirming the need to establish a DVI field database, which will be used for the development of intelligent vehicles suitable for the Korean environment. The DVI data collected from actual driving in field are anticipated to be widely utilized as basic data for research on various intelligent driving safety systems, advanced driver assistance systems (ADAS) and human-vehicle interface (HVI) that are suitable for the driving environment in Korea.     

基于车辆运行数据的纯电动汽车用户驾驶风格识别与驾驶能耗分析

驾驶风格是用来体现驾驶员在车辆运行状态下对车辆操作的行为特征,对用户驾驶风格进行识别与分析,有利于推进智能驾驶的发展。根据基于116 辆纯电动汽车的车辆运行数据,通过主成分分析方法与K-means 聚类算法,对用户驾驶行为进行分类分析,对驾驶风格进行了分类识别。利用XGBoost 算法构建纯电动汽车驾驶行为与能耗输入模型,利用SHAP 对模型进行解释。结果表明,将驾驶风格聚为3 类具有较好的分类效果,可分别对应冷静型、普通型与激进型;当驾驶员的驾驶风格趋向于激进型时时,车辆的驾驶能耗越高,驾驶风格激进一个层级,车辆百公里电耗增加3~4倍。当驾驶员行车时,其车速越高,油门踏板踩得越深,车辆加速度的绝对值越大,车辆的驾驶能耗越高。驾驶员的驾驶风格越激进,车辆的驾驶能耗越高。