基于人体姿态估计的分心驾驶行为检测

为弥补现有驾驶特征提取方法的不足,提高分心驾驶行为检测的准确性和鲁棒性,将2D/3D人体姿态估计应用于驾驶人行为检测,提出一种适用于驾驶舱环境下的驾驶特征提取方法。首先通过将2D姿态估计网络Simple Baseline和分类网络ResNet进行融合,构建基于2D姿态估计的分心驾驶行为检测模型,并在分心驾驶数据集State Farm上分析不同数据增强方法、不同超参数、不同分类网络对模型性能的影响。其次,融合3D密集姿态估计网络DensePose与分类网络ResNet,构建基于3D姿态估计的分心驾驶行为检测模型。接着,在State Farm数据集上,针对模型的实时性和泛化能力,对比分析基于原始图像和基于2D/3D姿态的分心驾驶行为检测模型。最后,针对效果更优的基于2D姿态估计的分心驾驶行为检测模型,在分心驾驶数据集State Farm上,对使用不同姿态估计算法和分类网络的分心驾驶行为检测模型做了交叉试验,对比分析4个不同检测模型的优缺点。进一步地,将基于2D姿态估计的分心驾驶行为检测模型应用于实际采集的驾驶图片,对模型的泛化能力和有效性进行了测试验证。研究结果表明:与基于原始图像的检测模型相比,基于2D和3D姿态的检测模型都能显著提高分心驾驶行为的检测准确率;基于3D姿态的检测模型在检测精度方面略优,但基于2D姿态的检测实时性更好,检测效率是基于3D姿态检测的4倍;在驾驶舱单一环境下,基于2D姿态估计的分心驾驶行为检测模型能够满足分心驾驶行为检测的需求,在分心驾驶行为检测方面具有重要应用价值。     

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。     

基于图卷积网络的多信息融合驾驶员分心行为检测

为减少由驾驶员分心造成的交通事故,并检测驾驶员在自动驾驶情况下的分心状态以判断驾驶员是否有接管车辆的能力,提出了一种基于图卷积的多信息融合驾驶员分心行为检测方法。通过分析驾驶员分心行为和姿态特征,设计了驾驶员姿态估计图,基于图卷积网络对驾驶员姿态估计图进行特征提取,使用全连接层对所提取特征进行行为分类,同时融合手机等关键物体信息对驾驶员分心行为进行再判断。实验结果表明,本文提出的方法在SrateFarm数据集和自制数据集上分别达到了90%和93%的准确率,检测速度约为20帧/s,准确性和实时性均达到检测要求。     

基于深度卷积-Tokens降维优化视觉Transformer的分心驾驶行为实时检测

针对基于端到端深度卷积神经网络的驾驶行为检测模型缺乏全局特征提取能力以及视觉Transformer(vision transformer,ViT)模型不擅长捕捉底层特征和模型参数量较大的问题，本文提出一种基于深度卷积和Tokens降维的ViT模型用于驾驶人分心驾驶行为实时检测，并通过开展与其他模型的对比试验、所提模型的消融试验和模型注意力区域的可视化试验充分验证了所提模型的优越性。本文所提模型的平均分类准确率和精确率分别为96.93%和96.95%，模型参数量为21.22 M，基于真实车辆平台在线推理速度为23.32 fps，表明所提模型能够实现实时分心驾驶行为检测。研究结果有利于人机共驾系统的控制策略制定和分心预警。     

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。     

营运车辆驾驶人适宜性甄别检测评价系统研究

构建了营运车辆驾驶人适宜性甄别检测评价指标体系,选取5 167名营运车辆驾驶人样本进行检测,调查统计其近3年来的驾驶行为与交通事故,综合运用独立两样本T检验、单因素方差分析、K-均值聚类和因子分析等数学模型,研究确定了适宜性评价指标的阈值及权重,并建立了营运车辆驾驶人适宜性多元甄别模型,通过863名驾驶员的示范应用,检验了所建立检测系统的可靠性和有效性.      

基于中国自然驾驶数据的变道场景分析评价

文章以大量的自然驾驶采集数据为研究对象,基于改进的熵值法建立变道驾驶行为特征指标体系,有效串联车辆驾驶数据、车辆驾驶行为和车辆驾驶安全三者的关系,研究了人类自然驾驶场景中事故率较高的变道场景,进一步深化自动驾驶场景评价的体系理论。     

基于分段学习模型的自动驾驶行为决策算法研究

在具有车道线的特定自动驾驶场景中,针对目前端到端的行为决策算法直接输入原始图像进行决策导致的网络模型迁移性差、预测精度欠佳、泛化能力不足等问题,提出一种基于分段学习模型的车辆自动驾驶行为决策算法。首先,基于GoogLeNet建立一种端到端的车道线检测网络模型,并引入车道中心线作为决策的重要线索提高算法的迁移能力,同时利用YOLOv3目标检测模型对本车道内前方最近障碍物进行位置检测;而后,经几何测量模型将两者检测结果转换成环境状态信息向量为决策做支撑;最后,构建基于长短期记忆(LSTM)网络的驾驶行为决策模型,根据编码的历史状态信息刻画出动态环境中车辆的运动模式,并结合当前时刻的状态推理得到驾驶行为参量。使用建立的真实驾驶场景数据集对模型分别进行训练、验证与测试,离线测试结果显示车道线检测模型的检测位置误差小于1.3%,车道内前方障碍物检测模型的检测精度达98%以上,驾驶行为决策网络模型表征预测优度的决定系数 大于0.7。为进一步验证算法的有效性,搭建了Simulink/PreScan联合仿真平台,多种工况下的仿真验证试验中多个评价指标均达到工程精度要求,实车测试的试验结果也表明该算法可实现复杂驾驶场景下平稳、准确无偏航的预测效果并满足实时性要求,且与传统端到端模式的算法相比,具有更好的迁移性和泛化能力。     

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。     

大数据环境下营运车辆驾驶行为特征分析

通过大规模采集营运车辆驾驶行为信息,并对其驾驶行为特征进行定性、定量分析是有效遏制交通事故的前提.对采集的营运车辆驾驶行为数据进行预处理,包括清洗、筛选、分段等,提高了数据的质量.利用经纬度坐标转换后计算出的车辆行驶速度与车载速度加权的车速进行分析;并运用DBSCAN聚类和 Spearman秩相关方法对不同车辆、不同时间段及不同天气状况下速度和加速度进行聚类和讨论相关系数,提取驾驶行为特征.结果表明,驾驶员夜晚比白天行车速度波动大,需加强夜晚行车的安全监控,且聚类方法可用于判定车辆驾驶的稳定性程度,有助于道路交通中心对车辆安全状态的判断和避免交通事故发生;对于经验丰富的营运车辆驾驶员,天气对驾驶的影响相对较弱.      

基于网格分类与纵横向注意力的城市道路车道线检测方法

车道线检测是汽车安全辅助驾驶系统的基础模块,在城市道路场景下车道线存在受碾压致特征缺失、车辆间相互遮挡以及光照环境复杂多变等问题,本文提出基于网格分类与纵横向注意力的车道线检测方法。提取道路图像的全局特征图,将其划分为若干网格,计算网格中车道线的存在概率;通过将车道线检测转化为网格位置的分类,定位每条车道线的特征点;构建基于Ghost模块的主干网络,结合车道线的形状特征,引入纵横向注意力机制,通过增强车道线纹理特征和融合位置信息,获取缺失的细节特征;利用三次多项式,拟合车道线特征点,修正车道线的检测结果。基于TuSimple与CULane数据集,在ResNet18、ResNet34和DarkNet53中嵌入纵横向注意力模块,并开展对比实验。结果表明：在TuSimple数据集上,嵌入纵横向注意力模块后,模型精度均提升了约0.1%,与其他模型相比,Ghost-VHA模型的准确率为95.96%。在CULane数据集上,嵌入纵横向注意力模块可提升精度约0.65%,与其他模型相比,Ghost-VHA的F1分数为72.84%,提升了0.54%。在TuSimple与CULane数据集上,Ghost-...     

基于Dlib和变种Transformer的哈欠检测方法

为及时检测驾驶员的疲劳驾驶情况，提出了一种基于Dlib和变种Transformer的哈欠检测方法。首先，基于Dlib的人脸关键点模型构建驾驶员眼部和嘴部的哈欠特征矩阵，然后在视频检测领域提出一种变种Transformer模型对哈欠特征矩阵进行提取和分类，最后基于YawDD数据集进行验证，结果表明，所提出算法的哈欠检测准确率达96.8%，高于已有算法，适用于驾驶员疲劳驾驶时哈欠行为的检测。     

基于类间距优化的分心驾驶行为识别模型训练方法

分心驾驶行为识别任务可以看作细粒度图像分类任务,即图像中较小区域所包含的特征决定了该图像的类别,如一张图像是正常驾驶还是与副驾驶聊天完全由驾驶员的脸部朝向来决定.对于那些图像差异很小的类别,图像分类通常训练方法训练出的模型无法高精度地区分.针对这一问题,提出了基于类间距优化的分心驾驶行为识别模型训练方法,通过增大模型从...     

基于注意力机制的多模态自动驾驶行为决策模型

针对现有端到端自动驾驶模型未考虑驾驶场景中不同区域的重要性和不同语义类别之间的关系而导致预测准确率低的问题，受驾驶人注意力机制和现有端到端自动驾驶模型的启发，充分考虑驾驶场景的动态变化、驾驶场景的语义信息和深度信息对驾驶行为决策的影响，以连续多帧驾驶场景的RGB图像为输入，构建一种基于注意力机制的多模态自动驾驶行为预测模型，实现对方向盘转角和车速的准确预测。首先，通过语义分割模型和单目深度估计模型分别获取RGB图像的语义图像和深度图像；其次，为剔除与驾驶行为决策无关信息，以神经科学和空间抑制理论为基础，设计一种拟人化注意力机制作为能量函数来计算驾驶场景中不同区域的重要度；为学习语义图像中与驾驶行为决策最为相关类别之间的关系，采用图注意力网络(Graph Attention Network,GAT)对驾驶场景的语义图像进行特征提取；然后，以保留RGB特征为原则对提取的驾驶场景的图像特征、语义特征和深度特征进行融合，采用卷积长短期记忆网络(Convolutional Long Short Term Memory,ConvLSTM)实现融合特征在连续多帧之间的传递，进而实现下一帧驾驶场景对应驾驶行为的预测；最后，与其他模型的对比试验、消融试验、泛化试验和特征可视化试验来充分验证所提出自动驾驶行为预测模型的性能。试验结果表明：与其他驾驶行为预测模型相比，所提出模型的训练误差为0.021 2，预测准确率为86.97%，均方误差为0.031 5，其驾驶行为的预测性能优于其他模型；连续多帧的语义图像和深度图像、拟人化注意力机制和面向语义特征提取的GAT有助于提升驾驶行为预测的性能；该模型具有较好的泛化能力,其做出驾驶行为预测所依赖的特征与经验丰富的驾驶人所关注的特征基本一致。     

实测数据驱动的自动驾驶道路测试驾驶模式辨别方法

自动驾驶道路测试中车企驾驶模式数据具有一定保密性，导致自动驾驶能力难以被客观评估。为此，提出了实测数据驱动的自动驾驶道路测试驾驶模式辨别方法。首先选取数据特征值构建K近邻估计、支持向量机、决策树、随机森林和BP神经网络5种机器学习监督分类模型；其次通过非参数秩和显著性检验确定驾驶模式持续时长阈值，持续时长大于阈值的数据段记录为准确的驾驶模式数据，小于等于阈值的数据段则为驾驶模式待分类数据集；随机选取70%记录准确的驾驶模式数据作为监督分类模型训练数据集，剩余30%作为测试数据集；最后利用正确率、精确率和召回率3个指标评价5种监督分类模型，并选取表现最佳的分类模型用于待分类数据的驾驶模式辨别。基于上海市城市道路和快速路2个道路测试场景共约43.6万条数据，验证驾驶模式辨别方法的有效性。结果表明：随机森林监督分类模型辨别道路测试驾驶模式的效果最佳；城市道路场景和快速路场景待分类数据驾驶模式记录有误率分别达到42.3%和39.4%。实测数据驱动的驾驶模式的辨别与修复，可显著提升评估自动驾驶道路测试驾驶能力的准确度。     

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SVM的危货车驾驶员饮水分心判别模型

执行车内次任务是导致驾驶员注意力分散乃至造成交通事故的重要原因。为对危货车驾驶员饮水分心进行辨识,进行了驾驶模拟试验。试验中,将水杯放置在危货车驾驶舱内3种常见的杯架位置处,采集饮水分心驾驶和正常驾驶时的车辆运行状态数据。在差异性统计分析提取特征指标的基础上,对变化较快的特征引入频域分析方法提取特征指标,经分析新增加的特征指标能够反映被试驾驶员对车辆横向稳定性的控制能力。使用支持向量机建立驾驶员饮水分心驾驶判别模型,分别使用遗传算法和粒子群算法对初步判别模型进行优化并对比分析,最终对优化后的模型进行评估。结果表明,应用遗传算法和粒子群算法优化后的判别模型对驾驶员饮水分心状态的正确分类比例分别达到94.02%和93.21%,遗传算法的参数寻优结果优于粒子群算法,同时遗传算法主要通过选择、交叉、变异操作产生新的种群个体进化到下一代,是较为成熟的收敛性分析方法,故认为遗传算法更适合作为驾驶员饮水分心驾驶判别模型的优化算法。     

中国危险品车辆驾驶人驾驶行为影响因素分析

为探索中国危险品车辆驾驶人风险驾驶行为影响因素以及与小车驾驶人的差异性,采集50名男性危险品车辆驾驶人的DBQ问卷、PDBS问卷、DSI问卷、DAIS问卷、驾驶人基本信息问卷数据.借助Spearman相关性分析方法探索问卷中各变量的相关性,使用Mann-Whitney检验不同年龄、驾龄、攻击性、积极性4个维度在DBQ和DSI上的差异性.结果表明,相对于年龄,驾龄对驾驶技能的影响程度较小.年轻男性危险品车辆驾驶人的平均驾驶经验虽不如中年驾驶人,但行车更为谨慎,安全技能水平相对较高.与小车驾驶人不同,危险品车辆驾驶人的驾驶技能、异常驾驶行为与积极性没有明显相关性.攻击性行为频率较高的驾驶人出现违规操作、错误行为、失误行为的频率要高于低频组.利用Logistic二元回归分析建立了驾驶人攻击性预测模型,研究表明,限速50 km/h城区道路倾向行驶速度、违规操作总分、过去3年主动事故数可以作为驾驶人攻击性强弱预测模型的输入变量,依次输入模型后,模型卡方值改进为10.513,11.529,14.566,预测正确率依次为76.10%,80.40%,87.00%.整体模型Hosmer-Lemeshow检验值为4.415,最终驾驶人攻击性预测模型的预测正确率为87.00%.      

城市道路场景下考虑多类交通参与者的多模态车辆轨迹预测方法研究

车辆轨迹预测是自动驾驶的关键技术之一,针对以往模型较少考虑城市道路场景中车辆以外多类交通参与者的问题,本研究提出了一种多类交通参与者的多模态车辆轨迹预测模型。该模型使用门控循环单元对历史轨迹信息进行编码,并利用注意力机制将多类交通参与者的特征映射到用图结构表达的驾驶场景中,通过图注意力网络进行环境特征提取,从而使模型能感知环境中的多类交通参与者。此外,模型通过节点轨迹预测与坐标轨迹预测模块输出最终的多模态轨迹预测结果。基于城市道路场景数据集nuScenes的实验结果表明：相较于同类现有模型,所提出的模型算力需求更低、预测更准确,且能适用于人车混合的城市道路驾驶场景。     

模拟驾驶环境下驾驶人分心状态判别

为了探寻驾驶人分心判别方法,构建了驾驶人分心状态判别模型。首先设计分心模拟驾驶试验,采集正常驾驶和发送语音信息过程中的驾驶绩效特征和驾驶人眼动特征数据,建立驾驶人分心状态判别指标备选集;其次,采用基因选择算法对备选指标进行筛选,得到29个备选指标的重要度排序;然后,依次选取重要度较高的部分指标作为BP神经网络的输入指标,利用遗传算法（GA）全局搜索的性能优化BP神经网络的初始权值和阈值,将优化后的GA-BP神经网络作为弱分类器,再将多个弱分类器组合成Adaboost强分类器,建立基于Adaboost-GA-BP组合算法的驾驶人分心状态判别模型;最后,利用模拟驾驶器试验平台采集的数据计算不同判别指标数量下模型的性能,从而确定最优判别指标,并对模型进行验证和评价。结果表明：模型最优判别指标为重要度排序中前14个指标;模型能够准确识别驾驶人分心状态,判别精度为95.09%;与BP神经网络算法、GA-BP神经网络算法和Adaboost-BP神经网络算法相比,Adaboost-GA-BP组合算法在准确率、精准率、召回率、F₁值和ROC曲线等模型性能方面均最优。建立的模型能够有效判别驾驶人分心状态,可为驾驶人分心预警系统和分心控制策略提供依据。