驾驶行为研究中的车辆信息采集方法

在交通安全体系中,驾驶员的行为是影响行车安全的一个重要因素.驾驶行为的改变使得车辆的行驶状态也随之发生改变.通过采集车辆行驶状态的信息,可以对驾驶员的行为进行研究,这对于提高驾驶安全性具有重要意义.     

汽油中硫含量对车辆排放影响的定量化分析

硫含量会从多个方面影响先进尾气控制系统的作用,导致车辆排放增加。运用数学统计方法对硫含量的影响进行系统的量化．并建立基于对数一线性模型的硫含量与排放削减率的统计模型,对于新标准的制定和机动车排放的控制具有重要的意义。     

路缘标线对驾驶行为的影响

一些道路没有路缘标线，驾驶员行驶有一定难度，右侧车轮易驶离路面，造成边缘路面损坏或导致交通事故。产生上述问题的主要原因是驾驶员无法确认路的边缘位置。如采用边缘标线促使驾驶员不要偏离中心线太远，另外一个问题又出现了，即车速过快，同样易造成交通事故。     

电子执法环境下驾驶行为与事故特征分析

针对我国电子执法环境下驾驶行为特性、交通流运行特性等研究缺乏,无法制定安全保障措施的问题,借助交通调查、资料分析等方法,对有无电子执法时交通违法行为特征、变速行为特征和交通事故特征的差异及原因进行了分析. 结果表明：电子执法有助于减少交通违法行为,但会增加刮撞行人的交通事故并加剧交通事故的严重程度;电子执法环境下,营运车辆交通违法的比重明显上升、低龄驾驶员构成了道路交通违法的主体,信号交叉口绿灯末期存在严重的交通事故隐患;公路电子执法存在无法根治超速行驶的问题,同样存在交通事故隐患. 鉴于此,从执法前的宣传、教育到执法过程中的安全保障设施建设提出了较完善的解决方案,以确保电子执法环境下的行车安全.     

车辆颜色等多因素对驾驶行为的交互作用研究

车辆颜色是影响驾驶行为与交通安全的重要因素,为研究动态运行环境下车辆颜色、车型对于驾驶行为的影响,首先,建立不同颜色、车型车辆模型及其白天与黄昏两种道路环境,构建6类典型驾驶场景;其次,选取25名测试人员,采用组内实验的方法进行试验,实验中利用驾驶模拟系统、眼动仪与多导生理仪采集车辆运行、驾驶员眼动与心率数据。实验结果表明,驾驶员对车辆的识认有明显差异,白天识认距离明显高于黄昏,大客车则明显高于小轿车,黑色车辆在黄昏时识认性明显低于其他车辆,尤其是在观察前方车辆时更为明显。上述结果表明,车辆颜色对于驾驶员识认距离存在明显影响,尤其是小型车辆在黄昏时响更为显著,以上结果应在车辆颜色选择及驾驶员培训时予以关注。     

驾驶因素对汽车排放测试结果的影响

在进行汽车有害物排放测试时,因驾驶员操作的差异可能导致测试数据的波动甚至可能得出不同的测试结论,因此,我们专门设计了四组不同的试验,利用定容采样汽车排放测试系统进行试验测试与分析,从而探讨了驾驶因素对汽车排放测试结果的影响,最后得出试验结论并提出相应的建议。     

车联网环境下自动驾驶车辆动态障碍物协作避让模型

车路协同和车联网的发展为车辆群体之间的协作控制提供了可能.本文关注的是在车联网环境下,自动驾驶车辆群体避让动态障碍物的问题,目标是实现在不损失车辆个体效益的同时,可以达到车辆群体系统最优.本文提出了一种基于深度强化学习算法(DQN)的自动驾驶车辆群体协作避让动态障碍物的模型.模型在学习过程中考虑了车辆的安全性、单个车辆和车辆群体的行驶效率,并加入了车辆的换道协作机制.仿真验证结果表明,与现有的非协作避障模型相比,该模型可以显著地提高整体交通效率,在非常拥堵、比较拥堵和自由流三种给定的不同交通流状态下,车辆行驶效率(车辆平均速度)分别提高5.26％、21.44％、10.38％,整体车流量分别提高8.22％、34.47％、0％.     

交通驾驶行为的行为过程及行为影响因素分析

行为过程的环节和主要因素有：行为需求、行为动机、行为回报、人的认知模式以及态度。运用行为科学基本理论来分析驾驶员交通行为过程中的各个环节以及各因素的作用,是实施行为控制和保障交通安全、畅通的必要前提。     

重点营运车辆的异常驾驶行为识别研究

为加强对重点营运车辆异常驾驶行为的监督与检测,本文基于时间序列符号化算法(TSA) 与多尺度卷积神经网络模型(MCNN)提出一种组合模型TSA-MCNN,用于识别重点营运车辆异常驾驶行为。首先,对北斗数据进行预处理,并基于营运车辆存在多种车型、多种速度限制、多种异常驾驶行为的特点划分4种异常驾驶行为,构建异常样本数据集。其次,构建TSA-MCNN模型识别样本数据集,其过程分为两阶段,第1阶段,针对重点营运车辆的特点,引入能够粗粒化处理数据特征的时间序列符号化算法与能够多通道参数输入的多尺度卷积神经网络进行组合,并基于Keras库完成TSA-MCNN模型的搭建;第2阶段,利用样本数据集作为模型的输入变量,完成模型的训练、测试与识别。最后,以广河高速重点营运车辆北斗数据验证TSA-MCNN模型的性能, 同时,与异常识别传统算法的卷积神经网络(CNN)模型与动态时间扭曲-K最近邻(DTW-KNN)模型进行对比分析。验证结果表明：TSA-MCNN模型整体识别准确率为97.25%,相对于CNN模型与DTW-KNN模型提高了20.50%与5.63%。其中,TSA-MCNN模型对于正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为、低速驾驶行为的识别精确率相对于CNN模型(DTW-KNN模 型)分别提高了26%(13%)、26%(6%)、23%(5%)、28%(3%)、0(0),说明该模型对于重点营运车辆异常驾驶行为的识别具有良好的性能。     

自动驾驶环境下驾驶人接管行为结构方程模型

为提取自动驾驶环境下驾驶人接管行为的关键影响因素,使用驾驶模拟器和眼动仪进行自动驾驶环境下驾驶人接管试验;采集了11个受试者对5种接管情境的反应数据,包括车辆运行数据和眼部运动数据,并调查了受试者的个人属性;基于实测数据定性分析和情境差异定量分析的结果,利用AMOS软件建立了描述驾驶人接管行为的结构方程模型;假设纵向接管行为、横向接管行为和眼部运动行为是3个潜在变量,找到可以表征这3个潜在变量的9个观测变量;根据修正指数多次修正得到最终的结构方程模型,由此获得表征驾驶人接管行为的各变量间的关系及对应的参数。研究结果表明：驾驶人接管自动驾驶车辆的全过程可分为5个阶段,即感知反应、减速避让、加速回升、稳定恢复以及稳定运行;当左前方车辆汇入当前车道,此时驾驶人接管风险较高;横向驾驶行为与纵向驾驶行为、眼部运动行为均显著负相关,相关系数分别为-0.226和-0.223,纵向驾驶行为与眼部运动行为正相关,相关系数为0.152;平均速度、总体横摆角均值、一秒内扫视时间可分别高度解释驾驶人接管自动驾驶车辆时纵向、横向及眼部的潜在行为。可见,此模型能有效揭示驾驶人接管自动驾驶车辆的整体行为与局部行为,有助于改进人机交互模式与自动驾驶接管请求提示。     

并发任务对驾驶员驾驶行为的影响

驾驶过程中使用手机、收听音乐等并发任务会对驾驶员驾驶行为产生不同程度的影响,进 而给周围道路环境、车辆以及行人造成安全威胁。为了系统探析不同并发任务模式对驾驶员驾驶 行为的影响程度,以四种典型并发任务模式（手机使用、乘客互动、视频播放、音频播放） 为研 究对象,引入主成分分析法,构建面向驾驶员行为表现的综合评价体系。同时,以国外学者针对 不同并发任务进行模拟实验所用的原始数据作为数据来源,对四种并发任务对于驾驶员行为的不 同影响进行了评价。结果表明,使用手机对于驾驶员的驾驶行为影响最大,与乘客互动次之;视 觉上注意力的分散相对于认知上注意力的分散更容易对驾驶员的驾驶能力产生负面影响。     

驾驶经验对稳定跟车行为的影响

为研究不同经验驾驶员稳定跟车状态下的驾驶特征,选取累计驾驶里程作为驾驶经验衡量标准。在特定的交通环境下,利用车载激光雷达设备,对比分析有无驾驶经验稳定跟车状态下的跟车距离和车头时距的特征,并建立相应的分布函数,揭示不同驾驶经验条件下稳定跟车行为的差异表现。研究结果表明:稳定跟车状态下,无经验驾驶员的跟车距离普遍比有经验驾驶员高,驾驶员的累计驾驶里程与跟车距离有显著的相关性,相关系数为负值,无经验和有经验驾驶员的跟车距离均服从对数正态分布;无经验驾驶员的车头时距也普遍比有经验驾驶员高,驾驶员的累计驾驶里程与车头时距有显著的相关性,相关系数亦为负值,无经验和有经验驾驶员的车头时距均服从正态分布。     

自动驾驶影响下的出行行为研究综述

从小汽车出行总需求、出行方式选择、在途时间利用三方面梳理了自动驾驶影响下的出行行为研究现状,分析了用于研究自动驾驶对出行行为影响的数据基础与研究方法,总结了影响自动驾驶环境下出行方式选择的关键因素,指出了出行行为研究存在的问题和未来发展方向。研究结果表明：出行总需求的相关研究主要关注当前服务不足人口的潜在出行,大多通过需求假设分析潜在的变化,在假设的可靠性和结果的准确度方面还存在不足;出行方式选择的相关研究显示车辆服务和出行属性、社会人口和家庭属性、出行习惯属性、居住地和环境属性、个人心理和偏好属性等是影响出行方式选择的关键因素,考虑到不同的研究对象、场景设计与分析方法,性别、年龄、持有驾照、家庭结构等因素对出行行为的具体影响还有待进一步检验;人们对自动驾驶时代在途时间利用的方式和受益程度的认知存在较大的不确定性与异质性,亟需理论模型来进一步讨论潜在的时间利用变化;基于自动驾驶对出行行为影响相关研究的局限性,提出了建立自动驾驶汽车的规范化描述和丰富数据采集方式,开展横向与纵向对比研究,加强各影响因素异质性的考量,辨析自动驾驶时代各类出行行为间的相互影响机制的改进方向。     

出租车驾驶员驾驶行为对油耗的影响及潜力分析

本文基于北京市出租车实际运行数据,研究城市快速路基本路段不同工况、服务水平下驾驶行为对出租车油耗的影响,分析各条件下生态驾驶节能潜力.应用方差分析方法,分析不同条件下驾驶行为对出租车油耗的影响.研究结果表明,出租车在城市快速路基本路段加、减速频繁;随服务水平提高,加速、匀速工况下车辆油耗升高,减速工况下车辆油耗降低;低服务水平下加速工况油耗是车辆油耗的主要来源.考虑各条件下油耗对出租车总油耗的贡献,提出生态驾驶行为节能潜力计算方法.分析结果表明,加速工况下生态驾驶节能潜力最高,出租车在快速路基本路段取生态驾驶行为的综合节能潜力可达 11.18%.     

自动驾驶车辆对混合交通流的平衡影响研究

在自动驾驶车辆和人工驾驶车辆构成的混合交通系统中,不同车辆类型的出行者对路径的选择原则表现出不同的偏好。为充分了解自动驾驶车辆投入市场后对混合交通系统的作用,考虑两种不同车辆类型的出行行为,构建混合交通网络均衡模型,并将模型嵌入算例网络中进行验证。通过研究发现:自动驾驶车辆在混合交通系统中的比例对道路网络系统效率有显著影响,自动驾驶车辆比例的增加能够有效降低路网系统中的人均出行时间。     

绿灯倒计时影响下机动车微观驾驶行为分析与决策建模

机动车在交叉口信号相位切换期间的驾驶行为对于城市道路交通安全至为重要,本文对绿灯倒计时影响下的机动车微观驾驶行为与“通过/停止”决策进行研究.首先,利用驾驶模拟器进行1组单盲实验来提取车辆的接近速度、反应时间、减速度等参数.其次,详细地刻画了车辆进入交叉口范围至行驶至停止线全过程的微观驾驶行为.再次,综合交通因素及驾驶员个体特征等解释变量,建立了随机效应Logistic模型以描述车辆的“通过/停止”决策行为.结果表明：车辆进入交叉口范围后会“先减速,再加速,再减速”,加速通常出现在距停止线30~ 40 m的范围内,且绿灯倒计时与黄灯启亮前期对驾驶员具有催促作用;速度、距离、年龄、性别对车辆的“通过/停止”决策行为具有显著影响;随机效应Logistic模型比Logistic模型更能表征其他未纳入模型的因素及反映不同交叉口与驾驶员的异质性.     

血液酒精浓度对驾驶行为的影响研究

为了探讨饮酒对驾驶员驾驶行为的影响,以驾驶模拟器为平台,测试了13名驾驶人员在不同血液酒精浓度（0mg/dl,20mg/dl,50 mg/dl,80 mg/dl）、不同场景下加速、刹车情况并调查了其主观感受。进行数据分析后初步得到一些结论：饮酒（特别是在较高血液酒精浓度的情况下）确实会对驾驶行为产生影响并可能会导致某些危险驾驶行为;性别和驾驶经验也会对不同酒精浓度下的驾驶行为产生影响。     

红灯倒计时对机动车微观驾驶行为的影响

红灯倒计时普遍应用在我国城市道路交叉口。红灯倒计时影响下的机动车驾驶行为对于交通安全至为重要。红灯倒计时对机动车微观驾驶行为的影响表现为三方面。首先,通过实地视频观测和驾驶模拟实验的方法采集交叉口驾驶行为相关参数,包括有红灯倒计时和无红灯倒计时的交叉口。其次,选取车辆速度、车头时距和驾驶人的反应时间为指标依次对比红灯倒计时影响下驾驶行为的差异。研究表明:红灯倒计时模式下车辆速度标准差显著(p=0.000)较小;红灯倒计时模式下前3辆车的车头时距比红灯模式小,后续车辆车头时距相近似;红灯倒计时对驾驶人的反应时间有离散作用,其反应时间均值显著(p=0.004)较小。最后从交通安全考虑,建议红灯倒计时的使用应配合2秒的交叉口全红信号。