首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到20条相似文献,搜索用时 31 毫秒
1.
《驾驶园》2014,(3):51
<正>多国研究表明,在过去5—10年中,驾驶员在驾驶过程中使用移动电话的比例有所升高,在任一时刻,使用人数占1%~11%不等,而免提移动电话的使用比例似乎更高一些。在许多国家,由于未对车祸发生时的移动电话使用情况进行数据收集,因此,这一问题的严重程度目前仍是一个未知数。使用移动电话驾驶时分心对道路安全造成不断增长的严重威胁。随着移动电话用户的增长和新型"车载"通讯系统的广泛采用,这一  相似文献   

2.
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。  相似文献   

3.
手机频繁地出现在人们的日常活动中,甚至驾驶人驾驶时使用手机造成分心驾驶,产生了较大的安全隐患。目前世界范围内约束手机使用的法律、教材种类繁多,但对使用手机对驾驶人视觉及操作的影响缺乏了解。国内对该领域的研究相对较少,且主要停留在通过问卷和蹲点调查进行驾驶使用手机现状调查分析,或通过简单的驾驶模拟试验来进行特定行为特征分析的程度,我国驾驶员在真实驾驶状态下的驾驶使用手机情况和行为特征尚无明确的研究结果。本文依托上海自然驾驶研究数据,利用23名驾驶员2013年的115次出行数据对其驾驶行为特征与安全性进行研究。结果显示,被试驾驶员最常使用的手机功能为发送短信、通话和阅读,三者还对驾驶员的视线分心影响最大,达到最高的平均视线偏离时长;在操作分心方面,发送短信具有远高于其他功能的双手占用率;手机使用对于驾驶速度的波动和车辆在车道内的横向位置波动有极大的影响。  相似文献   

4.
高峰 《汽车运用》2014,(6):35-35
美国国家高速公路交通安全管理局指出,仅在2011年,分心驾驶就造成3300多人死亡。为此,该局建议,在行驶全过程中禁止驾驶员手写输入短信、显示短信或网页内容:美国汽车协会(AAA)也警告,包括免提在内的声控操作系统均可导致分散驾驶员对路面的注意力.造成新媒体时代的驾驶危险。  相似文献   

5.
《驾驶园》2014,(3)
<正>分心驾驶跟防御驾驶刚好是针锋相对的,前者容易使驾驶员及乘车人造成极大的伤害、甚至丧失生命。在国外,已经有媒体把分心驾驶定义成新酒驾,意思就是说:这样的行为与酒后驾车无异。这里,我们归纳出10种最危险的分心驾驶行为,希望大家能够引以为戒!一、陷入沉思你可知道有个比使用手机更容易导致交通事故的因素吗?它不一定是受到外界影响所产生,而是深藏在你的大脑里,随时都有可能出现,降低了你驾驶时面对意外的反  相似文献   

6.
《驾驶园》2014,(11):52-52
<正>根据2009年至2013年统计,在加拿大卑诗省分心驾驶成为导致交通事故并致死率第二高的原因,平均每年造成88人死亡,低於超速致死的105人,高于酒驾86人。省府、卑诗汽车保险局(ICBC)和警方因此持续通过修法、教育和执法等多种措施,希望减少分心驾驶的行为,降低由此造成的交通事故。  相似文献   

7.
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。  相似文献   

8.
许多人都认为慢慢开车,就不会出乱子。但事实上,沃尔沃的研究统计发现有75%的登记有案车祸事故,是发生在30km/h以下的低速。更夸张的是,在超过50%的追撞事故中,肇事驾驶者竟然在碰撞前完全没有踩煞车,而在所有的碰撞事故中,有高达90%的事故可以部分或完全归咎于驾驶者分心,由此可见驾驶者分心的普遍性。  相似文献   

9.
《驾驶园》2014,(11):53-53
<正>分心驾驶所引发的不良后果已经受到联合国以及多国政府的高度关注。5月19日,美国和俄罗斯常驻联合国代表团在纽约联合国总部组织了一场防止分心驾驶的公益活动。联合国秘书长潘基文在活动上表示,因驾驶员行车过程中使用手机导致的分心驾驶,已经成为全球范围内道路安全的一大隐患,他强烈呼吁全球各个国家采取行动,避免这种危险蔓延。  相似文献   

10.
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。  相似文献   

11.
《驾驶园》2015,(2):72
<正>醉酒驾驶肇事,交强险应依法对人身伤亡损害予以赔偿。主要是《交强险条例》中规定机动车发生交通事故造成人身伤亡、财产损失的,保险公司在交强险责任限额内予以赔偿等理由。醉酒驾驶的保险责任归属保险业要治理醉酒驾驶,首先面临的就是醉酒驾驶是否属于保险责任、保险公司是否理赔的问题。商业车险保险合同属于民商事合同,条款中明确规定饮酒驾驶属于除外责任,保险公司不予理赔。目前争论的焦点集中在  相似文献   

12.
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。  相似文献   

13.
营运车辆驾驶人因其职业特殊性,驾驶过程中易产生分心驾驶行为从而引发重大交通事故。为提高营运车辆驾驶人分心驾驶行为的检测准确性和泛化性,提出一种基于改进MobileViT网络的驾驶人分心行为检测方法。首先,基于自然驾驶实车试验,构建包含安全驾驶、使用手机、喝水、整理仪容和与副驾驶交谈5类行为的营运车辆驾驶人分心行为数据集。其次,将注意力机制引入轻量型MobileViT网络,通过选择有效的网络主干MobileViT、注意力模块CA、网络嵌入位置从而设计出最优分类模型MobileViT-CA。研究结果表明:所提出的MobileViT-CA分类模型可以有效提升分类网络的性能,在正常光照条件下的营运车辆驾驶人分心行为数据集和State Farm数据集上分别达到了96.57%和99.89%的准确率,且模型具有体积小、检测精度高的优势,有较高的可靠性和泛化能力。  相似文献   

14.
许晖 《汽车之友》2020,(1):86-91
这一脚刹住了,这次就过去了;这一脚没刹住,这辈子就过去了!富兰克林·狐狸车辆日益增多,道路更加拥挤,令人烦躁的缓慢驾驶,驾驶员的疲劳分心,人类所要面对的是出现频率越来越多的交通事故。根据美国国家公路交通安全管理局的数据,94%的事故与人为错误直接相关,根据世界卫生组织的数据,每年因汽车造成的死亡人数高达125万,这意味着几乎每25秒就有1人死于车祸。如何降低事故所产生的伤害,最直接的方式便是把车刹住,更为直接的方式就是让车辆自己把自己刹住。  相似文献   

15.
<正>在汽车行业中,人们越来越重视车辆安全性,其中主动安全备受关注,驾驶车辆的过程中车辆侧后方是驾驶员的主要视觉盲区,在高速行驶时换道、超车、倒车、停车开门等情况极易引起交通事故造成人员伤亡。据有关调查数据显示,中国平均每年发生约50万起交通事故,死于车祸的人数高达10万,造成巨大的经济损失和人员伤亡,其中有关调查数据显示约有30%的交通事故是由车辆盲区造成的。车辆盲区所带来的损失不可轻视,国内外相关研究机构近几年把主动安全系统作为车辆安全领域的研究重点,设计研发一款工作可靠、  相似文献   

16.
《世界汽车》2020,(2):76-77
为了提升驾驶的安全性和舒适性,博世将焦点放在了易被忽略的车内部件之一——遮阳板。据统计,相比其他天气状况引发的车祸数量,因阳光造成的短暂性失明所引发的车祸数量非常多。美国国家公路交通安全管理局每年报道上千起与太阳强光相关的车祸;而另一项研究也显示,在强烈光照条件下出车祸的风险比一般天气状况下高16%。  相似文献   

17.
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。  相似文献   

18.
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。  相似文献   

19.
《驾驶园》2014,(11):53-53
<正>随着汽车使用的逐渐普及,交通安全愈发引起人们的重视。中国社会科学院社会学研究所与美亚财产保险有限公司的一项联合调查显示,道路风险最大的三项为:驾驶员的分心驾驶、超速行驶和应急处理,其中分心驾驶是道路风险之首。这就提醒驾驶员要更加注意这方面的安全,也让有关部门制定交通政策时,对这类道路风险因素采取积极的应对措施。  相似文献   

20.
为了进行驾驶分心任务评级,以选择反应判断检测和处置判断检测为试验平台,分析分心任务对驾驶人的影响.对13名被试驾驶人施加分心任务,包括视线遮挡、交谈、回忆、数学计算及部分任务的组合,并将各种分心状态下的反应时间及操作错误次数与无分心任务时进行对比.研究表明,在无驾驶操作的情况下,视线偏离1 s和交谈所产生的分心对驾驶人反应时间和操作准确度影响的差异不显著;认知分心任务比视觉分心任务产生更高的精神负荷;视觉分心与认知分心形成的复合分心任务对驾驶人的反应时间和操作准确度影响最大;基于对驾驶人的影响程度,可将常见分心试验任务大致划分为5个等级,依次为:无分心,视觉分心1 s/交谈,回忆,视觉分心3 s/计算,复合分心.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号