����׷β��ײ�м�ʻԱת��Ӧģ���о�

交通事故中驾驶员反应时间对研究驾驶员可靠性、交通事故致因有着非常重要的意义。本文在调查问卷、驾驶员的三个主要静态指标（深度知觉、注意力集中能力、注意分配能力）的测量以及基于驾驶模拟器的驾驶员反应时间的测定基础上，利用线性回归对驾驶员的转向反应时间建模，并对模型的有效性进行了验证。发现在95﹪水平上，影响因素与因变量反应时间呈线性关系；预测合格率为79﹪，判断出驾驶员反应时间在受到一些心理因素、驾驶经验与年龄的影响外，外界随机因素的影响不可忽略。这种方法为研究驾驶员应急反应行为提供了一条有效途径。     

Road Traffic Accidents Model and Its Application Based on Driver's Self-Mistakes

To improve the traditional analysis method of driver accident, the paper analyzes the cases of road accidents and survey data from the microscopic aspect. An accident causes model is formulated to describe the driver' own mistake characteristics and its relation with the road traffic accidents. The weights of key influencing factors are determined by the improved AHP method and its influencing level is quantitatively analyzed. The improved AHP method reduces the impact of subjective factors on the analysis accuracy. Results show that drivers' error rate of perception is approaching 50.2%, the error rate of judgment is 38.9%, and the operational error rate accounts for only 10.9%. The main factors cause traffic accidents are drivers' low abilities to perceive and judge risk and accident. The results provide the scientific basis for the drivers' self-mistakes and accident prevention.     

隧道群连接段临界安全行车速度研究

在考虑隧道群行车安全的基础上,提出隧道群定义。根据安全行车间距模型提出了停车视距下和跟车状态下的安全行车速度计算公式。分析了隧道群路段摩擦系数、行车速度、反应时间等安全影响要素,给出不同天气、路面条件下各要素的取值,通过理论计算得出了隧道群连接段不同条件安全速度取值,得出不同速度下隧道群连接段的最大安全流量,为隧道群连接段的运营和安全管理提供依据。     

驾驶技能与追尾事故关系的仿真研究

驾驶员驾驶水平与追尾事故发生有着密切的关系.本文以交通流仿真模型中的优化速度模型为基础,考虑驾驶员的反应时间与操作失误率两方面因素,建立了一种追尾事故的微观仿真模型.随后针对由两台车辆组成的场景,通过仿真实验研究了车速、车距及驾驶技能对追尾事故发生率的影响.仿真结果表明,依据车速保持合理距离是防止事故发生最有效的手段,而反应延迟与操作失误率对事故发生都有影响,并具有不同的影响程度与影响形式,同时给出了对驾驶员驾驶水平要求的一些建议.本文结果对于人因交通事故机理研究及人因交通事故的预防有一定参考价值.     

自动驾驶接管影响因素分析与研究进展

部分或有条件自动驾驶车辆允许驾驶员将驾驶任务移交给自动驾驶系统，但驾驶员仍需对驾驶环境进行监测，若发生紧急事件或驾驶环境超出系统运行设计域等情况，驾驶员需要及时接管车辆。影响驾驶接管过程的因素主要包括：人因、交通环境以及人-机交互系统。本文分析了驾驶员认知负荷特性等人因对接管过程和接管时间预算的影响。分析发现，驾驶员长时间脱离驾驶任务会导致其陷入被动疲劳或驾驶分心状态，从而降低接管绩效。适当的非驾驶任务可以使驾驶员保持一定的认知负荷，降低驾驶员的被动疲劳水平。结合网联技术的应用可以多次发出预警信号，提高接管绩效。本文讨论了交通密度、道路条件等交通环境对接管时驾驶员感知、认知及决策的影响，探讨混合交通下过渡区智能网联车辆控制权切换 (Transitions of Control, ToC) 的管理问题。在复杂道路交通下，驾驶员需要更多时间恢复对环境的感知，且驾驶员在弯道接管车辆时更容易出现较大横向偏差。在混合交通环境中，为防止过渡区出现集中的ToC，可以制定相应交通管理措施，以降低过渡区域中车辆之间的相互干扰。本文还分析了视觉、听觉、触 觉、嗅觉及其组合类型交互方式的优、缺点，讨论网联环境下人-机交互系统设计以及ToC形式。 单个的交互方式有其自身的优、缺点，多种类型相结合的交互形式能形成优势互补，及时地将接 管信息传递给驾驶员，并将其注意力集中于对环境的感知。网联技术发展使得可利用的行车信息的数量和种类都有所提高，网联信息需要更好地呈现策略，以保证人-机交互界面具有较高的可用性和接受性，为驾驶员提供更加准确的交互信息。同时，利用驾驶员状态识别技术实时监测驾驶员所处状态，并通过人-机交互系统提醒驾驶员，使其保持警觉，提高接管绩效。未来研究应该重点关注非驾驶任务对驾驶员认知特性的影响，结合接管时的驾驶环境，遵循预测算法辅助驾驶员实现控制权的平稳过渡。随着网联技术的不断应用，逐步改进现有人-机交互系统的设计和性能，对过渡区域ToC的管理问题展开深入研究。     

轨迹数据驱动的车辆换道意图识别研究

为实现准确识别车辆换道意图，提高车辆行驶安全性，综合考虑车辆换道过程的时空特性及不同特征对车辆的影响程度，提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)组合并融合注意力机制的换道意图识别模型。首先，筛选和平滑处理车辆轨迹数据，将车辆轨迹数据分为向左换道、向右换道及直线行驶3类，构建换道意图样本集。其次，构建融合注意力机制的 CNN_GRU模型，识别换道意图样本集，考虑到行驶过程中车辆之间的交互性，将被预测车辆和周围车辆的位置和速度信息作为模型的输入，经过CNN层特征提取的特征作为GRU层的输入，经过注意力机制层对不同的特征增加不同的权重系数，利用 Softmax 层识别换道意图。最后，选用 NGSIM 中 US-101 数据集的轨迹数据验证融合注意力机制的 CNN_GRU模型性能， 同时，与LSTM、GRU、CNN_GRU及CNN_LSTM_Att等模型进行对比分析。验证结果表明，所提模型车辆换道意图识别整体准确率达到97.37%，迭代时间为6.66 s，相比于其他模型准确率最多提高9.89%，最少提高2.1%。分析不同预判时间下的意图识别，模型可在车辆换道前2 s 内均能识别换道意图，准确率在89%以上，表现出良好的识别性能。     

共享任务对汽车安全性和软件可用性的影响

为了确定汽车共享交互任务与驾驶任务协同作用对驾驶安全性和交互可用性的影响,进而为汽车共享软件优化和汽车共享驾驶员筛选培训提供理论参考,首先针对24名经验丰富的中国驾驶员,利用汽车模拟驾驶试验,采集了车速变化、制动时间、交互时间等驾驶安全性和交互可用性参数数据,然后通过配对样本t检验方法,在停车状态和驾驶状态,对比分析了是否使用汽车共享软件对交互可用性绩效和驾驶安全性绩效的影响. 研究表明:相对于不操作共享任务,驾驶时操作汽车共享任务交互时间增加了24%～87%,满意度降低了15%,认知负荷增加了33%～61%,但交互错误不受影响;反向来看,驾驶时操作汽车共享任务会对驾驶安全性产生影响,表现为相对于不操作共享任务,制动反应时间增加了45%,方向盘调整次数增加了217%～761%,方向盘调整角度增加了25%～66%,驾驶错误增加了512%～1053%,车速降低了8%;汽车共享软件导致的驾驶分心只影响反应时间,不影响制动行为.      

跟驰车流中的反应时间和车头间距研究

为了研究利用驾驶模拟舱研究驾驶行为的效果,考虑道路几何线形、交通设施、环境条件、交通条件等因素,以北京四环道路环境为例搭建模拟场景,在该模拟环境和相应真实道路环境下进行车辆跟驰实验,提取并对比了加减速跟车状态下的反应时间和车头间距数据,从虚拟环境深度线索和仿真车辆行为特性两方面分析了实验结果.研究结果表明,在加速和减速跟驰状态, 在仿真环境中的驾驶人反应时间均略大于真实道路环境,但差别不显著;仿真环境下的车头间距显著大于真实环境;采用驾驶模拟舱研究驾驶行为时,需修正与距离相关的参数才能得到与实际道路环境相符的结果,修正系数的取值范围为1.5~2.0.      

考虑车辆调度和调度员分配的共享汽车混合车队规模优化

针对电动汽车存在充电续航问题与传统燃油汽车存在环境污染问题的矛盾,本文提出共 享汽车混合车队规模优化方法。首先,在不考虑成本条件下,分析动态车辆调度和实时调度员分 配对共享汽车系统需求满足和车辆利用的影响。然后,针对由传统内燃汽车、混合动力汽车、插 入式混合动力汽车和纯电动汽车构成的混合共享汽车系统,考虑车辆调度和调度员分配,以运营 商利润最大化为目标,CO2排放量和道路拥堵为约束,构建混合车队规模优化模型。通过Matlab 调用Gurobi求解器求解上述混合整数线性规划模型。最后,以成都市为例,分析不同CO2排放量 约束,以及车辆调度对共享汽车运营商利润、不同类型的车队规模、车辆利用率和用户需求满足 率的影响。同时,比较单一车队和混合车队共享汽车系统,结果显示,混合车队和单一插入式混 合动力车队可以实现经济效益和环境效益的双赢,是目前最适合共享汽车系统发展的模式。     

基于HBEFA 的城市交通温室气体排放模型—— 以北京本地化建模为例

交通温室气体排放和空气污染越来越受到国内各城市的广泛关注.控制温室 气体排放和污染物排放的关键是找到排放的源头并进行科学量化,从而制定有针对性的 政策措施.鉴于我国目前还没有发布全国性的交通排放评估方法,本文基于欧洲道路排放 因子模型并结合北京实际的道路交通运行工况和车辆结构数据,采用自下而上的建模方 法,利用车型分类、交通状态、工况单元和活动水平进行模型的数据划分,使用平均速度 （V）、行驶过程中停车时间比例（SP）和相对正加速度（RPA）三个特征值作为描述工况单 元的统计特征参数,借用计算机仿真构建了本地化的交通排放因子库,并在此基础上开 发了基于交通活动水平的交通排放测算模型.该模型不仅能够建立北京市的交通能源消 耗、温室气体排放和污染物排清单,而且能够与宏观交通模型无缝衔接,评估不同的交通 政策对交通减排的潜在影响.     

基于置信规则库的驾驶人愤怒情绪识别模型

针对“路怒症”诱发的攻击性驾驶行为影响交通安全问题,提出一种基于生理与脑电特征的驾驶人愤怒情绪识别模型.招募15 名被试在武汉市区开展限时实车试验.由于所选实验线路为交通繁忙路段,被试易被行人横穿马路、车辆加塞等道路事件诱发愤怒情绪.实验中采用愤怒量表记录被试的愤怒等级,以及采用生物反馈仪与脑电记录仪记录被试的生理和脑电信号.将血容量脉冲、皮肤电导、δ 波百分比与β 波百分比这四项生理与脑电指标作为模型输入,建立基于置信规则库的愤怒情绪识别模型.验证结果表明,该模型的识别精度(82.24%)较BP神经网络、SVM分别提高7.15%、5.02%.研究结果可为开发基于生理和脑电信号的驾驶情绪识别设备提供理论支持.     

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。     

冰雪条件下中国驾驶员跟驰行为及模型研究

分析驾驶员在冰雪条件下的驾驶行为特性，建立考虑驾驶员行为特性的跟驰模型，有助于丰富现有交通流理论.通过招募驾驶员开展实车跟驰试验，对比分析正常条件与冰雪条件下的驾驶行为差异.进而基于任务难度均衡理论构建包含人类因素参数的任务难度模块，引入改进后的智能驾驶员模型，并采用车辆轨迹数据对模型进行标定和有效性验证.研究表明：驾驶员在跟驰行驶过程中受外界刺激及自身驾驶能力影响时会对车辆行驶状态进行动态调整，试图保持期望间距，且速度与前车一致的状态；冰雪条件下驾驶员采取风险补偿行为，其车头时距波动幅度较正常条件收窄，模型引入人类因素参数可以较好地描述其差异性. 模型有效性验证表明，新模型在6个仿真场景中的表现都优于传统智能驾驶员模型，且表现出更好的鲁棒性.研究结果可为冰雪条件下的交通管理措施制定提供理论支持.     

车辆跟驰模型研究进展

梳理了近70年关于跟驰模型的研究, 根据建模方法将其分为理论驱动与数据驱动2类模型, 并归纳了跟驰模型的研究热点; 从人类因素、基础设施、交通信息、异质交通流、新建模型理论5个方面对理论驱动类跟驰模型的研究进行了综述; 根据所用机器学习算法的不同, 从模糊逻辑、人工神经网络、实例学习、支持向量回归、深度学习5个方面对数据驱动类跟驰模型的研究进行了综述。分析结果表明: 理论驱动类跟驰模型以理论推演交通现象, 对影响因素的考量难以全面, 部分人类因素难以量化, 驾驶人决策制定过程的解释不够准确, 异质交通流的跟驰模型缺乏一般交通条件下有效性的理论基础和形式化证明; 数据驱动类跟驰模型以交通现象归纳交通规律, 由于数据的来源、评价指标及评价方法不同, 导致应用机器学习算法得到的模型无法系统比较; 数据驱动类模型侧重于从微观角度研究驾驶行为特性, 对复杂交通现象(如交通震荡、迟滞等)的解释性不强; 跟驰模型的研究应创新数据采集方法, 捕捉驾驶人的心理倾向、感知特性和认知能力, 并量化人类因素的影响和充分利用大数据; 数据驱动类跟驰模型应为无人驾驶技术发展提供技术支持; 在自动驾驶完全普及之前, 人工驾驶与自动驾驶混合场景下的驾驶人跟驰行为特性尚待深入研究。      

驾驶压力影响因素与识别方法研究综述

高强度的驾驶压力会对驾驶人的情绪、决策及行为产生负面影响，可能导致交通事故，并对驾驶人的健康状况造成长期影响。本文借助CiteSpace软件对驾驶压力研究进行可视化分析，进一步从驾驶人自身因素、车辆内部和外部因素这3方面总结驾驶压力影响因素，并归纳整理驾驶压力识别方法。总结发现：交通拥堵、道路复杂性及新技术使用等驾驶环境因素是引发或增加驾驶压力的主要因素；非职业驾驶人易受车辆外部环境的影响，职业驾驶人易因工作产生负面情绪，导致驾驶压力增加。驾驶压力识别主要基于主观测评量表、驾驶行为分析及生理数据分析等方法开展研究，其中，基于生理数据的识别方法因其较高的识别精度和准确度被认为在驾驶压力识别领域具有明显的优势。从研究趋势来看，未来研究需重视社会环境以及多因素叠加对驾驶压力的影响，特别关注职业驾驶人及新技术的影响，以及如何采用多模态数据融合方法实现实时监测，以提高驾驶压力识别的精度。     

车载行驶安全监控系统的横向振动误差修正

车载行驶安全监控系统利用CCD图像传感器获取图像．车辆运行过程中由于横向振动等诸多原因容易造成图像模糊,严重影响后续对驾驶员工作状况的检测。基于系统图像数据模型及图像数据采集手段,运用数学模型与傅立叶变换相结合的方法解决由于车辆横向振动造成的图像无法准确判别的问题,经实验结果证明,能够清除横向振动干扰而获得良好的图像,以此有效地监控驾驶员的工作状态并适时作出危险预警。     

基于轨迹-速度耦合策略的复杂道路汽车行驶速度决策

为了提供复杂道路上汽车自动驾驶的目标速度,提出了基于前视轨迹曲率的速度决策算法:首先决策出前视断面的轨迹点,算出每个点位的轨迹曲率并将其作为输入数据;然后从时间最省、驾驶最舒适、定速巡航以及混合模式中选择其一作为决策目标;在速度界限以及纵向/侧向舒适性约束下进行滚动时域优化,决策出前视断面上的期望速度值,随着车辆的行驶前视断面依次向前滚动,最终得到沿行驶距离变化的速度曲线.用复杂山区道路的实测数据验证了模型的精度,以2条公路和1条赛道作为仿真算例,结果表明:(1) 通过组合不同的轨迹决策目标和速度决策目标,能够得到多种驾驶模式的速度曲线,进而模拟出多种实际驾驶行为;(2) 由于前视轨迹是在通道边界内生成,弯道半径、转角、回旋线、路宽、偏转方向等用于确定通道边界的道路变量,都会改变轨迹特性进而影响行驶速度,因此,本文算法能够适应复杂的道路几何条件.      

考虑前车状态的智能网联车交叉口行为决策

为使智能网联汽车（intelligent connected vehicle, ICV）在复杂交通环境下高效、安全地通过信号交叉口，在车联网实时获取信号灯和前车状态信息的基础上，建立了智能网联汽车通过信号交叉口的驾驶行为决策框架. 通过跟驰模型推导智能网联汽车和前方车辆在未来的行驶状态，预测得到前方车辆是否要通过交叉口的行为，进一步分别对智能网联汽车是领头车和跟随车时通过交叉口停止线的条件进行判断；将换道加入到驾驶方式中来寻求更高的通行效率，用基于换道时间模型的方法判断智能网联汽车换道后的通过条件；仿真对比分析了所提出模型和现有模型的决策能力，讨论了影响决策过程的关键因素. 研究结果表明:相比于现有模型，综合信号灯和前车行驶意图的决策方法能够提高智能网联汽车对通行条件判断的准确性，从而进行更合理的行为选择，随着单位绿灯剩余时间的增加，车辆决策通过交叉口的概率可提高20%，当前车道的车辆位置对决策结果影响显著.      

Empirical Study of Parking Problem on University Campus

In recent years, more and more university employees tend to choose their residences in places outside the campus. As a result of this change, the number of private cars owned by them is increasing rapidly. In addition, the communication between universities and communities has become much closer than before. This leads to a shortage of campus parking capacity. This article has presented a case study of the campus parking problem, taking the Beijing University of Aeronautics and Astronautics as an example. The campus inflow and outflow of vehicles, the location and use of parking lots as well as the drivers' parking behavior are surveyed and analyzed. The average parking duration and the use turnovers of parking lots are computed from the survey data.     

高速场景相邻前车驾驶行为识别及意图预测

相邻前车的驾驶行为会影响后车,因此先进的辅助驾驶系统需具备识别前车驾驶行为的能力. 对高速场景下相邻前车换道行为进行研究,分别提出双层连续隐马尔可夫模型-贝叶斯生成分类器(CHMM-BGC),以及基于双向长短时记忆网络(Bi-LSTM)的行为识别模型和意图预测模型. 采用自然驾驶数据集对模型的有效性进行测试验证. 实验分析表明：基于Bi-LSTM的行为识别模型相较于双层CHMM-BGC在平均识别率上提升了11.24%,两种行为识别模型均可在相邻前车换道过程的早期阶段识别换道行为;考虑相邻前车与周围环境车辆的交互作用,可使模型具有预测性,两种意图预测模型均可在车辆换道时刻前预测到驾驶人换道意图. 模型仿真计算时间可满足系统的实时性需求,为本车驾驶人预留出反应时间,为预测周围车辆行驶轨迹研究提供支持.