生态驾驶研究现状及展望

为了明确国内外生态驾驶的研究进展，对生态驾驶影响因素、生态驾驶控制策略、生态驾驶实施效果及生态驾驶应用等方面的研究进行综述，介绍驾驶人个性特征、外界刺激信息、道路状况及交通条件、车辆自身特征、行驶参数等生态驾驶的影响因素，归纳生态驾驶的优化控制策略，分析了实施生态驾驶的效果，总结静态、动态的生态驾驶培训方法，生态驾驶辅助设备，生态型智能交通等方面的生态驾驶应用。对文献的梳理和分析表明：生态驾驶无需改变车辆结构便可以减少30%左右的燃油消耗，降低20%~30%的污染物排放；有必要深入研究理论型生态驾驶策略，以定量的、形象化的方式研究适合中国实际情况的生态驾驶辅助系统；需加强生态驾驶的推广，将其纳入驾考培训体系之中，从而全面促进中国驾驶人的节能减排能力。     

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...     

不良驾驶习惯引起的积炭过多

在日常的驾驶中，每一位车主都有自己的驾驶习惯，但实践表明，良好的驾驶习惯不仅能保证安全，而且可以竹省燃油。反之，不良驾驶习惯会影响行车安全，     

驾驶员状态监测系统测试评价方法分析

随着智能驾驶汽车的高速发展，L2级别的高级辅助驾驶系统装车率也越来越高，L3级自动驾驶已逐步实现，而安全自动驾驶还尚未完全落地，当前正处于人机共驾阶段，尽管ADAS系统可以降低交通事故发生率，但疲劳驾驶、分心驾驶和危险驾驶等交通安全“隐形杀手”仍长期存在，给驾驶员和乘客带来生命安全，驾驶员状态监测系统能有效避免疲劳或者分心驾驶引发的交通事故，已经成为避免事故和改善道路驾驶安全的一项关键技术。本文介绍了驾驶员状态监测系统工作原理，分析了目前国内外驾驶员监测系统的测试评价方法，并总结了该系统的未来发展动向。     

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。      

AMG冬季驾驶培训

作为AMG高性能车的车主，车主除了得到了豪华品牌之外，同时还拥有了超高的性能，但就驾驶而言，个人财富的丰富并不代表驾驶技术的同步提升。要想安全地驾驶AMG高性能车，并且能从中得到驾驶乐趣，专业而有针对性的驾驶培训是必要的，     

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。      

越野驾驶你行吗

越野驾驶是指操纵汽车在坏路或无路条件下行驶的技能，主要包括：跨越壕沟，溪谷和丘堑，穿越林地，通过岩石地带，泥泞与沼泽地驾驶，沙地（丘）驾驶，涉水驾驶等，越野驾驶，困难条件较多，难度大，应根据所驾车辆的通过性能和不同的运行条件，分别采取相应的措施。     

山路驾驶技术探讨

我国属于多山国家，丘岭占很大的比例。要使摩托车驾驶员能够熟练驾驶少出或不出交通事故，不但要掌握一般道路驾驶技术，山路驾驶技术也是不可缺少的，应针对山路不同情况及特点，了解和掌握有关山路驾驶技术要点，制定切实可行的驾驶措施，才能确保安全完成山路驾驶任务。     

自动驾驶感知系统的未来之路

<正>随着计算机技术的飞速发展，人工智能技术逐渐走入大众视野，其中自动驾驶技术则是人工智能技术中的重要应用，自动驾驶技术的主要目标是让汽车可以自主行驶，减少驾驶人的驾驶疲劳，提高汽车驾驶的安全性和舒适度。自动驾驶技术的实现需要依赖于感知系统、决策系统和控制系统的协同工作，其中，自动驾驶感知系统是非常重要的一环，承担着让自动驾驶汽车“看得清”的任务，其研究和发展将影响自动驾驶汽车落地进展。     

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。     

安全驾车的十项要求

城市街道车辆较多，行人拥挤，交通情况复杂多变，安全驾驶是每位司机所面临的重大课题，那么，如何才能做到安全行车呢？显然，仅靠驾校学到的知识是远远不够的，除了司机自身的驾驶技巧之外，还需要同行之间相互学习、传授，只有不断吸取别人的驾驶经验，严格遵守交通法规，做到集中精力。文明驾驶。科学驾车，掌握驾驶技巧，才能做到安全行车。     

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。     

资讯

醉驾以涉嫌危险驾驶罪立案 公安部日前下发了《关于公安机关办理醉酒驾驶机动车犯罪案件的指导意见》，对经检验驾驶人血液酒精含量达到醉酒驾驶机动车标准的一律以涉嫌危险驾驶罪立案侦查。此外，还首次针对有些司机试图通过当场喝酒等方式蒙混过关的明确规定，只要其达到醉酒驾驶机动车标准，也应当立案侦查。     

最容易出事故的10种驾驶行为

驾驶习惯都是慢慢养成的，养成的不良习惯自然就成了不良驾驶行为了。一些不好的驾驶行为对安全不利，甚至会危及生命。以下10种驾驶行为就万万要不得：     

汽车安全驾驶警告系统的研究

汽车安全驾驶警告系统能根据驾驶员的驾驶状态、驾驶时间和驾驶环境等因素，对驾驶员进行监控，确保行车安全。     

智能驾驶测试拟人度评价体系和应用研究

随着汽车L2&L4智能驾驶技术的广泛应用，在保证智能性、安全性的前提下，舒适性评价逐步成为智能驾驶品质的评价标准之一。文章初步探索智能驾驶舒适性的拟人度评价方法，建立了关键评价要素和经验值，通过实车的调校并结合算法实现了对智能驾驶车辆的拟人度舒适性评价，促进智能驾驶汽车有越来越趋向于“老司机”的驾驶熟练度和舒适性。     

浅析高速公路上行车的驾驶姿势

在高速公路上能否安全行车，正确的驾驶姿势起到了至关重要的作用。它不但有利于你轻松自如地完成各种动作，而且能使你在长时间的驾驶中有效地减轻疲劳。本文主要从：高速公路上正确的驾驶姿势对行车安全的影响；正确的驾驶姿势；驾驶姿势与操作失误；影响驾驶姿势的因素；不正确驾驶姿势对行车安全的危害等几个方面来谈一下个人的看法，以便给车辆驾驶员的出行带来方便和安全。     

基于大数据的智能辅助驾驶道路适用度评估

随着汽车市场朝网联化发展，主机厂可通过网联终端采集到智能辅助驾驶的行车数据，主机厂通过车联网大数据离线计算了解用户使用智能辅助驾驶功能的情况，分析智能辅助驾驶在各类路况中的适用性。汽车主机厂在研发阶段做了各路况的实车测试，但未有一套基于用户实际使用情况的评估方法。为了了解智能辅助驾驶功能在各类路况中的适用度，需要一套基于用户智能辅助驾驶数据的评估方法。本文基于车联网采集的智能辅助驾驶功能的数据，使用机器学习的方法对汽车智能辅助驾驶的道路适用度进行评估。