驾驶行为安全性评价研究综述

研究驾驶行为与事故倾向之间的关系,探索影响驾驶风险的有效因子,可以量化评估个人驾驶行为的安全性并将其作为事故风险的评价指标,实现对驾驶风险的有效预测,并有助于区分安全的驾驶人和不安全的驾驶人。由于驾驶行为数据采集的多样性,驾驶行为安全性评估的研究还没有达成一致的框架。因此,综述国内外驾驶行为安全性评价的相关研究对提升交通安全具有重要意义。将驾驶行为安全性评价的研究方法分为基于驾驶行为与事故风险关联规则的驾驶行为安全性评价、基于驾驶行为分析的驾驶行为安全性评价和其他驾驶安全性评价方法,对每种研究方法的具体思路和相关研究成果进行了归纳总结,并探讨了驾驶行为安全性评价研究的发展方向。得益于智能化和信息化的发展,基于大数据和便携设备的实时驾驶行为安全性评价研究将会是一个趋势。     

驾驶行为与驾驶风险国际研究进展

驾驶人在驾驶车辆的过程中总会面临由自身或外界条件所带来的或高或低的风险,即驾驶风险,通过对驾驶风险进行识别、分析及评估是对风险进行管理的有效对策,明确由人为因素（即驾驶人个体特征及驾驶行为）所带来的驾驶风险并对驾驶人进行安全管理尤为重要。为了全面了解各类危险驾驶行为和各种驾驶人群体的驾驶风险行为研究进展,对驾驶风险领域重点问题进行了总体概述。从驾驶人个体特征及驾驶行为的角度出发,探究了驾驶风险领域目前的研究现状,并利用科学知识图谱展示驾驶风险领域研究的发展进程与结构关系。通过Web of Science核心合集数据库获取了3 406篇在1986~2020年（截至2020年2月29日）间出版的驾驶风险研究相关英文文献,共涵盖8 684位作者及6 018个关键词,基于科学知识图谱对该领域文献进行梳理与分析。结果表明：驾驶风险领域的国外研究在驾驶人选择方面主要从年轻驾驶人、老年驾驶人、新手驾驶人及职业驾驶人的角度进行切入,重点围绕酒驾、药驾、分心驾驶及疲劳驾驶等主题开展研究。与国外研究相比,中国在分心驾驶、疲劳驾驶领域的研究相对丰富,而针对酒驾、药驾的研究试验手段较为单一,研究不够全面;在研究对象的选取上,有必要进一步增加老年驾驶人及新手驾驶人的深入研究,包括老年驾驶人适驾性评估与教育培训,以及新手驾驶人驾照分级制度的可行性探索。在研究方法方面,国外常见研究方法包括问卷调查、驾驶模拟器试验、实车试验以及自然驾驶研究等,而中国在自然驾驶研究领域尚未充分开发利用;未来应考虑多种方法相结合并从不同角度促进对驾驶行为及驾驶风险的全面理解。     

面向智能驾驶行为的机器学习

基于机器学习的智能驾驶行为分析是智能车辆发展的方向和难点之一.驾驶行为的知识获取和表达,涉及机器学习中的诸多算法.首先对机器学习在驾驶行为识别判断、建模预测、智能决策等方面的研究进行了分析,进而对驾驶行为分析中的几种主要机器学习算法进行了较为全面的总结,最后给出了各种算法的优缺点.     

驾驶人心理因素对其风险驾驶行为的影响

探讨驾驶人内源性心理因素(人格、认知胶情绪)及外源性心理因素(压力与职业倦怠)对其风险驾驶行为的影响,以为促进驾驶员安全驾驶行为干预提供实证依据。本研究对214例驾驶人进行问卷调查。调查内容包括研究对象一般信息,研究对象的冲动性人格,愤怒认知、焦虑抑郁情绪及压力和职业倦怠等心理学变量对驾驶人风险驾驶行为的影响。研究结果表明,研究对象冲动性人格,愤怒认知,抑郁、焦虑情绪及压力和职业倦怠等变量均与风险驾驶行为呈显著正相关,其中运动冲动人格,躯体攻击想法,焦虑,压力及职业倦怠为等因素可显著预测驾驶人风险驾驶行为。驾驶人培训与交通安全教育应包括提升驾驶员对自我与驾驶行为相关性的认知,并加强认知行为干预。     

基于超效率数据包络分析的重型车驾驶人驾驶安全绩效评价方法

为解决网联环境下重型车驾驶人驾驶安全绩效评价在指标多样性、模型可靠性、评价完整性和结果可溯性等方面的问题，提出一种基于超效率数据包络分析的重型车驾驶人驾驶安全绩效评价框架，包括驾驶行为指标提取方法、包含零值的超效率数据包络分析方法和基于效率前沿分析的驾驶安全绩效提升方案。基于网联环境下重型车自然驾驶数据特征，提取6个行程级的危险驾驶行为指标作为模型输入项，包括：表征激进驾驶的超速行为、急加速行为和急减速行为；表征分心驾驶和疲劳驾驶的打哈欠行为、使用手机行为和吸烟行为。表征驾驶风险暴露因素的行驶时间和行驶里程作为模型输出项。将每个驾驶人视为独立的决策单元，构建3种驾驶绩效评价模型，分别从激进驾驶、分心和疲劳驾驶以及综合驾驶风险3个维度对驾驶绩效进行评价。进一步利用效率前沿分析准确识别低绩效驾驶人，并量化其达到最佳驾驶绩效所需提升的驾驶行为指标。将该框架应用于南京某重型车车队的34名驾驶人，使用连续3个月的网联数据开展驾驶绩效评价。结果表明：该框架能够准确计算驾驶绩效得分，不同驾驶绩效等级驾驶人之间的驾驶行为特征存在显著差异，超速行为和打哈欠行为是影响驾驶绩效评价结果的关键因素，针对低绩效...     

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。     

基于运行数据的电动客车误踩加速踏板状态识别研究

驾驶人误踩加速踏板导致的电动客车交通事故时有发生,影响因素复杂。为准确识别误踩加速踏板行为,提醒电动客车驾驶人安全驾驶,基于电动客车车载终端采集的车辆运行状态数据,提取9项与误踩加速踏板行为相关的驾驶特征,采用随机森林算法模型对电动客车误踩加速踏板状态进行识别,结果表明整体的识别准确率为99%,召回率为0.99,表明99%的误踩加速踏板行为可被识别出来。实验表明采用随机森林算法进行误踩加速踏板状态识别具有较好的效果,且与逻辑回归、Adaboost等识别算法相比,具有准确率、召回率和精确率高等特点。该方法利用电动客车的运行数据进行分析,简单高效成本低,具有一定的可行性和实用性。     

卫星定位数据驱动的营运车辆驾驶人驾驶风险评估模型

为了提高营运车辆驾驶人安全管理的精细化水平，合理地评估驾驶人驾驶风险程度，有的放矢地降低高风险驾驶人的事故率，基于卫星定位数据特点及驾驶行为与驾驶风险的相关关系设计26个驾驶行为特征参数。考虑到高速和非高速行驶时相同驾驶行为对驾驶风险的影响区别较大，根据23名营运车辆驾驶人的实测数据有针对性地筛选高速和非高速路段驾驶人风险评估指标，构建营运车辆驾驶人驾驶风险评估指标体系。然后，基于熵权法、独立性权系数法和Spearman相关系数法建立集成赋权法，确定各评估指标的权重。最后，雇佣40名营运车辆驾驶人进行实车试验以验证模型的合理性。结果表明：车辆速度和加速度方面的驾驶行为特征可以用于评估驾驶人的驾驶风险且评估效果较好，驾驶风险评估得分与实际交通冲突次数呈正相关关系，所建立模型可以较为准确地评估营运车辆驾驶人驾驶风险的高低，准确率达到77.50%，该模型在不同地区使用时，准确率存在一定的差异，但在容许范围之内，方法具有较好的鲁棒性。     

基于驾驶人心理风险场模型的个性化换道决策方法

行驶环境中交互车辆的运动行为会对驾驶人心理产生刺激,引起驾驶人心理状态的变化,进而影响其换道决策行为。为此提出了1种基于驾驶人心理风险场模型的个性化换道决策方法。基于单向3车道快速路交通场景,通过交互式多模型分析车辆的横向速度与横向位移,引入可变横向速度相关的转移概率矩阵,预测交互车辆的目标车道选择;建立驾驶人心理风险场模型,量化行驶环境与交互车辆的运动行为对驾驶人心理风险造成的影响;利用高仿真驾驶模拟器联合SUMO试验平台开展287人次的模拟驾驶试验,通过建立混合交通仿真场景采集驾驶人的换道数据,并选取平均碰撞时间与驾驶人心理风险因子2个特征参数,使用K-means算法进行驾驶风格聚类,将驾驶人分为保守型、正常型和激进型这3类,并进一步确定不同风格的驾驶人在换道初始时刻所能接受的心理风险阈值。在此基础上,实现车辆的个性化安全换道决策。驾驶模拟器试验验证结果表明：对应于保守型、正常型和激进型的驾驶人,实际最小换道决策时间分别为3.48,6.29,11.33 s,实际最大换道决策时间分别为4.65,7.45,12.52 s,理论换道决策时间分别为4.09,6.83,11.95 s,所建立...     

营运非机动车驾驶人违规驾驶心理与行为研究

针对基层从业者驾驶营运性非机动车发生违规行为也屡屡发生的问题.为探究营运性非机动车驾驶人的违规心理及风险驾驶行为,编制了营运性非机动车驾驶人驾驶心理与行为量表,获取了224份有效问卷.对量表进行因子分析,得出各构面的因子构成结论.对交通安全的态度由对规则的态度、责任意识、从众心理3个因子构成;对风险的感知由安全忧虑、风险敏感程度2个因子构成;驾驶信心由风险判断、鲁莽倾向2个因子构成;不安全驾驶行为发生频率由疏忽与失误、违规行为、获取领先、侵略行为4个因子构成.通过对各构面的因子与问卷人口统计学信息进行相关分析得知:女性较少发生侵略性不安全驾驶行为;工作时间越长,对风险敏感程度降低但风险判断能力、责任意识提高;有机动车驾驶经验的人常常发生为了获取领先的不安全驾驶行为.     

驾驶人抑制控制对风险驾驶行为的影响研究

为研究驾驶人抑制控制能力与风险驾驶行为之间的关系,采用线索化Go/NoGo实验范式测量驾驶人抑制控制能力,结合抑制控制与风险决策行为特征构建模拟驾驶场景,基于驾驶模拟器系统对51名被试开展了模拟驾驶实验,记录驾驶人风险决策表现情况,并采集驾驶人操作和车辆运行数据,就抑制控制能力对风险驾驶行为的影响进行了分析.结果表明:...     

考虑驾驶人风格的跟车预警规则研究

为研究驾驶人的跟车特性及探究可适用于不同风格驾驶人的跟车预警规则,为自动驾驶车辆开发可满足不同用户驾驶需求和驾乘体验的主动安全预警系统,选取50名被试驾驶人开展实车试验,采集驾驶人跟车行为表征参数并基于雷达数据确定跟车事件提取规则。选取平均跟车时距和平均制动时距为二维向量,使用基于K-means聚类结果的高斯混合模型将驾驶人聚类为3种风格类型(冒进型、平稳型、保守型)。通过分析3组驾驶人的跟车及制动数据,将不同类型驾驶人的制动时距分位数作为跟车预警阈值,结合实际预警数据及不同制动时距分位数对应的预警正确率,对现有跟车预警规则进行调整,以适应不同类型驾驶人的驾驶需求。研究结果表明:3组驾驶人的平均跟车时距和平均制动时距差异显著,冒进型驾驶人倾向于选择较小的跟车时距和制动时距,保守型驾驶人的跟车时距和制动时距则普遍较大;3组驾驶人的实际跟车预警次数为215次,驾驶人采取制动操作而系统未予以预警的次数为329次,系统整体预警正确率为21.9%,漏警率为87.5%,通过分析信息熵等判定当前预警规则并不合理;将每类驾驶人制动时距的10%分位数作为阈值时的预警效果较好,调整后的跟车预警规则能在一定程度上适应不同的驾驶人类型。     

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。     

基于改进粒子群优化BP神经网络的弯道转向行为预测

为研究驾驶人视觉特性和弯道转向行为的内在联系,借助模拟驾驶器,选取50名驾驶人在3种不同半径的弯道上进行驾驶试验。在整理采集的试验数据后,分别比较驾驶人视觉特性(瞳孔面积变化率、扫视速度、扫视幅度)、弯道转向行为(方向盘旋转率、车辆侧向加速度)与弯道半径之间的关系,并进一步提出一种以驾驶人视觉特性为预测因素,基于BP神经网络的驾驶人弯道转向行为预测方法。为使BP神经网络适用于小样本量的预测情况,需引入改进粒子群算法对BP神经网络进行优化。对粒子群算法的改进之处主要体现为:在粒子群算法进行搜索的过程中,采用动态惯性权值与自适应方法,解决了一般粒子群算法中粒子快速趋同的问题。在模型训练的过程中,选取BP神经网络的误差作为改进PSO算法的适应值,由事先确定的最大迭代次数与误差范围共同决定迭代的终止条件。最后,分别使用基于BP神经网络的驾驶人弯道转向行为预测方法,与基于改进粒子群优化BP神经网络的驾驶人弯道转向行为预测方法,对弯道转向行为进行预测,结果表明:基于改进粒子群优化BP神经网络的弯道转向行为预测方法相较传统预测方法具有更高的预测精度,可以有效地预测驾驶人弯道转向行为。     

表征防御性驾驶技术与情绪智力提升的多元线性回归模型

近年来,防御性驾驶技术成为道路交通安全风险防控的重要研究方向。目前国内外针对防御性驾驶的研究集中在可行性和防御性驾驶判断、识别研究,对防御性驾驶培训与驾驶人情绪智力关系的定量研究还处于空白,针对防御性驾驶培训与驾驶人情绪智力的定量研究处于空白的问题,基于对驾驶人情绪智力评价指标的分析、防御性驾驶技术的实施流程分析与防御性驾驶培训体系设计,提出了一种表征防御性驾驶技术培训与驾驶人情绪智力提升之间关系多元线性回归模型,此模型分两个阶段描述驾驶人心理和生理、情绪、驾驶智力、学习时长5个自变量与防御性驾驶培训成效因变量之间的线性关系。为了验证模型的线性特征,对模型进行了F检验。验证结果显示:5个自变量对因变量产生的线性影响判断犯错概率两个阶段平均为0.047,符合多元线性回归的要求,表明提出的多元线性回归模型是一种有效的模型。通过模型的分析得出,防御性驾驶培训对驾驶人情绪智力提升有两个明显的特征。在初始阶段,防御性驾驶培训与驾驶人的敏捷性相关的指标相关性最高,在第2阶段,防御性驾驶培训与驾驶人的心理和情绪控制指标相关较高。     

商用车电液复合转向系统的车道保持策略

为了提高商用车的行驶安全性,避免因驾驶人的分心驾驶出现车辆偏离车道的问题,提出一种基于电液复合转向系统的商用车车道保持策略;在建立电液复合转向系统模型、二自由度车辆模型、预瞄驾驶人模型的基础上,设计基于驾驶人在环的MPC和ADRC串级的车道保持控制策略。首先,采用MPC算法将车辆横向位置控制的最优问题转化为二次规划求得目标前轮转角;然后,考虑电液复合转向系统的不确定和干扰问题,利用ADRC算法对目标转向盘转角和实际驾驶人的转向盘转角差值以转矩信号的形式进行补偿。同时研究车道保持系统对驾驶人的干预问题,引入干预系数的概念,采用模糊控制的方法,将驾驶人手力和车辆的运动状态作为输入变量,干预系数作为输出变量,保证整车行驶安全性的前提下减小车道保持辅助系统对驾驶人的干预。最后,通过MATLAB/Simulink仿真和硬件在环试验对所设计的控制策略进行验证。研究结果表明：所设计的基于商用车电液复合转向系统的车道保持策略能够及时地纠正因驾驶人的分心驾驶而导致车辆偏离所在行驶车道的行为,特别是在弯道处出现驾驶人转向不足或过度转向的情况时,能够将车辆维持在车道线之内,保证车辆的行驶安全性,同时由于干预系数的设计,使得驾驶人也有良好的人机交互体验感。     

面向人机协同共驾的驾驶行为短时预测方法研究

通过实时感知交通场景下的汽车相对运动状态和行车安全信息,对驾驶人的操纵行为进行短时预测,进而为人机协同驾驶中主权切换的模式与方法提供依据.基于线性最优二次型方法建立了典型驾驶意图下的驾驶操纵序贯链优化目标函数,通过求解目标函数得到驾驶人操纵行为对车辆运动状态的改变量,并结合运动学CA模型提出了驾驶操纵行为短时预测模型.运用统计检验分析实车试验和所提出的模型得到的仿真试验驾驶输入之间的差异程度.实车实验的统计检验结果表明,不同驾驶工况下的驾驶输入差值的配对样本T检验的T统计量分别为1.96,0.1,1.36,均小于其T临界检验值.所提出的模型能较好的模拟实际驾驶操纵行为特征,并能对驾驶人操纵行为进行准确的短时预测.      

驾驶人对潜在危险性事件的心理预期识别研究

为准确识别驾驶人对潜在危险事件的心理预期，提出一种通过脑电信号对驾驶人心理预期进行识别的方法。参照心理学预期行为研究常用的标准S1-S2范式，改进设计了路侧停靠公交车造成视觉遮挡的人车碰撞事故模拟驾驶试验。模拟任务中以路侧停靠的公交车为线索刺激，公交车头的行人为目标刺激，诱发驾驶人的心理预期。为有效识别驾驶人心理预期，首先采用释放油门的避险行为对每个试次标定是否产生心理预期，然后通过快速傅里叶变换提取相关的脑电特征数据，并通过差异性分析及主成分分析算法对脑电特征指标进行筛选和压缩，最后基于支持向量机建立驾驶人心理预期识别模型。研究获取36名驾驶人数据，共计1 440个样本。结果表明：当驾驶人产生心理预期活动时，枕区和额区的α波能量值显著降低，而β波能量值则显著增加；差异性分析显示共有31项脑电指标对驾驶人心理预期敏感，所有脑电特征指标通过PCA算法进行降维，抽取出5个主成分作为识别模型输入；选择径向基核函数构建SVM识别模型，通过粒子群寻优算法对模型进行优化，模型对驾驶人心理预期水平的平均识别正确率为82.02%，平均AUC面积为0.82，结果表明模型具有良好的识别能力和稳定性，可为驾驶辅助系统的研发提供技术理论支撑。     

基于图谱的驾驶行为特征安全性描述方法研究

为了建立一种基于驾驶行为来判断驾驶安全性的方法,以此挖掘和显示不同驾驶行为与其驾驶安全性的关系.利用来自OBD设备获取的北京市出租车司机驾驶行为数据,通过K-Means聚类分析将驾驶人划分为3种类别:安全、一般安全、危险;采用图谱理论进行数据编码,构建了基于微观驾驶行为指标的驾驶行为特征图谱.图谱可以揭示驾驶行为内部复杂数据结构关系,实现驾驶行为变化过程的直观表达.本研究更加针对性地在安全层面上为优化驾驶行为提供参考和依据,对于减少交通事故与改善驾驶员的驾驶行为具有重要意义.     

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。