基于KL散度的驾驶员驾驶习性非监督聚类

为深入理解不同驾驶员的驾驶行为特点,本文中提出了一种基于KL散度的驾驶员驾驶习性非监督聚类算法。首先,建立了驾驶员驾驶数据实车道路试验采集平台,对84位驾驶员进行了测试;接着,将每名驾驶员的驾驶数据视为一个高斯混合模型(GMM),采取EM算法对其进行参数估计;最后,通过蒙特卡洛算法对各GMM之间的KL散度进行估计,从而获得不同驾驶员差异性的定量描述,将驾驶员聚为不同习性类别。对聚类后各类驾驶员的驾驶数据的统计分析表明,所提出的非监督聚类算法能有效实现不同驾驶习性驾驶员的聚类。     

基于KL散度的驾驶员驾驶习性非监督聚类EI北大核心CSCD

为深入理解不同驾驶员的驾驶行为特点,本文中提出了一种基于KL散度的驾驶员驾驶习性非监督聚类算法。首先,建立了驾驶员驾驶数据实车道路试验采集平台,对84位驾驶员进行了测试;接着,将每名驾驶员的驾驶数据视为一个高斯混合模型(GMM),采取EM算法对其进行参数估计;最后,通过蒙特卡洛算法对各GMM之间的KL散度进行估计,从而获得不同驾驶员差异性的定量描述,将驾驶员聚为不同习性类别。对聚类后各类驾驶员的驾驶数据的统计分析表明,所提出的非监督聚类算法能有效实现不同驾驶习性驾驶员的聚类。     

驾驶员避撞转向行为的改进K-means聚类与识别

本文中根据不同工况驾驶员转向行为数据,提出了基于驾驶员避撞转向行为特征的聚类算法。首先搭建驾驶模拟器,采集了定半径转向、常规换道和紧急避撞转向工况下的驾驶行为数据,通过对比正常行驶和紧急避障工况下驾驶员转向行为数据,定性分析了紧急避撞转向特点。之后,利用皮尔逊相关系数法分析了描述驾驶员转向行为的观测变量与紧急避撞转向行为的相关性,得出转向盘转速与转向工况的相关性最高。接着,以转向盘转速作为聚类特征参数,利用改进K均值(K-means++)聚类方法对转向行为数据进行了聚类,将转向行为划分为正常转向和紧急避撞转向,实现了紧急避撞转向工况的识别。最后,通过实车试验验证了所提出的紧急避撞转向行为K-means++聚类方法可有效识别驾驶员紧急避撞转向行为,聚类精度达96.7%。     

驾驶风格K-means聚类与识别方法研究

驾驶风格用来表征驾驶员在实车运行环境中对车辆操作的行为特征,对于混合动力汽车能量经济性有较大影响,为提高驾驶风格识别方法在不同车型上的通用性与适应性,提出了基于K-means聚类的驾驶风格识别方法。针对采集的不同驾驶员所驾驶的商用车和乘用车的行驶数据,利用该识别方法分别进行了驾驶风格的识别,结果表明,将驾驶风格聚为3类具有较好的分类效果,并且该方法对商用车和乘用车均具有较好的识别效果。     

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.     

基于新能源汽车远程监控数据的驾驶行为识别建模与应用

正本文在基于新能源汽车监控系统采集的驾驶数据基础上,选取具有代表性的6种不良驾驶行为,进行特征分析,并将其归纳为加速度组合类和转弯类2种主要的特征行为,并对不同驾驶行为进行模式识别建模,同时采用多层次模糊评价法对驾驶员进行不良驾驶行为评价案例分析,及采用Spearman非参数统计方法对不良驾驶行为对实际能耗的影响案例分析。     

基于车辆运行数据的纯电动汽车用户驾驶风格识别与驾驶能耗分析

驾驶风格是用来体现驾驶员在车辆运行状态下对车辆操作的行为特征,对用户驾驶风格进行识别与分析,有利于推进智能驾驶的发展。根据基于116 辆纯电动汽车的车辆运行数据,通过主成分分析方法与K-means 聚类算法,对用户驾驶行为进行分类分析,对驾驶风格进行了分类识别。利用XGBoost 算法构建纯电动汽车驾驶行为与能耗输入模型,利用SHAP 对模型进行解释。结果表明,将驾驶风格聚为3 类具有较好的分类效果,可分别对应冷静型、普通型与激进型;当驾驶员的驾驶风格趋向于激进型时时,车辆的驾驶能耗越高,驾驶风格激进一个层级,车辆百公里电耗增加3~4倍。当驾驶员行车时,其车速越高,油门踏板踩得越深,车辆加速度的绝对值越大,车辆的驾驶能耗越高。驾驶员的驾驶风格越激进,车辆的驾驶能耗越高。     

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。     

驾驶员视觉搜索模式模糊聚类评价方法

针对用单一眼动参数评价驾驶员视觉搜索模式存在片面性和较大误差等不足,提出运用模糊理论,将驾驶员的注视持续时间、水平方向视角、垂直方向视角、扫视幅度和扫视速度5个主要表征参数综合起来进行评价的方法。通过真实交通环境中的实车试验,记录驾驶员行驶过程的眼动数据,建立模糊相似矩阵和模糊等价矩阵,依据聚类样本驾驶员的驾驶里程确定最佳阈值,将样本驾驶员视觉搜索模式分为4类,并以每类驾驶员视觉搜索模式特征为判别标准,运用择近原则对其他驾驶员的视觉搜索模式进行识别和评价。结果表明:所提出的驾驶员视觉搜索模式模糊聚类评价方法有效且可靠。     

基于仿真环境驾驶员反应特性研究

目前利用驾驶模拟器开展驾驶员临界反应特性的研究很少。本文在调查问卷、驾驶员静态指标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，利用神经网络对驾驶员的反应时间建模，并通过数据校验对模型的有效性进行了验证。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。     

驾驶员隧道段夜间行车动视点特征模糊聚类评价

通过隧道路段行车试验,利用SmartEyeAB型眼动仪对驾驶员夜间隧道动视点数据进行采集并进行处理。选取视点停留比率、显著可见区域、扫视幅度、扫视峰值速度、扫视持续时间5项指标作为驾驶员动视点特征主要影响因素。利用模糊聚类分析中的传递闭包聚类方法对驾驶员夜间隧道路段行车视觉特点进行了分析与评价。通过驾驶员对路段的熟悉程度可将动视点特征分为6类。结果表明：该模糊聚类评价方法能够有效反映驾驶员夜间路段视觉信息获取与加工特征,可为保障夜间行车安全提供理论与实践依据。     

基于体压分布仿真的驾驶员座椅舒适性设计研究

本文中建立了HPM-II型H点装置有限元模型,验证了模型各部分的尺寸、质量、腰部支撑和躯干的运动学姿态,通过H点装置姿态的仿真来测量座椅的设计参数,对驾驶员人体与座椅的相互作用进行了仿真研究。首先,基于ANSUR人体数据库建立了人体几何模型,利用CPM模型设置其驾驶姿势,并建立了人体有限元模型。接着,建立了参数化的座椅有限元模型。最后,将人体有限元模型与座椅有限元模型组装到一起,设定相应的边界条件,在不同海绵厚度、腰部支撑量与支撑位置、坐垫角和靠背角下进行了人体与座椅间体压分布的仿真,得出了这些因素对体压分布的影响。本文中采用的方法为今后建立面向理想体压分布的座椅设计奠定了基础,为座椅舒适性设计提供参考。     

基于危险场景聚类分析的前车随机运动状态预测研究

我国道路情况复杂多变,构建合适的测试场景对汽车智能驾驶系统测试和评价的有效性起着决定性作用。本文中从我国实际道路出发,从自然驾驶数据中提取具有中国特色的典型场景,筛选出自然驾驶数据中危险工况数据片段,基于此提取出汽车智能驾驶系统综合测试的场景特征要素,并利用聚类分析法得到3类典型危险场景。采用马尔可夫链理论表征前车人类驾驶员驾驶车辆的随机运动特性,将聚类得到各场景下的自车数据作为前车历史工况数据,归纳学习得出马氏链转移概率,并通过马尔可夫链蒙特卡洛模拟预测未来时刻的状态,基于此得到危险场景中前车随机运动预测模型,通过对比原始工况数据验证预测模型的有效性,有效解决了由于采集设备精度低导致的前车数据不准、在测试场景中不能准确表征前车人类驾驶员驾驶车辆随机运动的问题。     

混合动力汽车驾驶风格识别的研究

鉴于驾驶员驾驶风格对混合动力汽车燃油经济性和排放性能有重要影响,本文中旨在通过对驾驶风格进行分类和识别,提高整车控制策略对驾驶风格的适应性,以改善整车的燃油经济性。首先以某款混合动力汽车为对象,对不同驾驶员的驾驶风格进行了实车道路试验和数据采集,接着采用主成分分析提取出表征驾驶风格的综合特征参数,并应用K-均值聚类对驾驶风格进行了聚类分析,最后在此基础上利用支持向量机算法对驾驶风格进行了识别。结果表明,驾驶风格的识别精度达到了90%以上,为混合动力汽车能量管理策略的进一步自适应优化奠定了基础。     

客车驾驶员座椅基本尺寸分析

本文通过一些客车驾驶员座椅实测数据进行统计，结合有关标准资料和人体工程要求，对客车驾驶员座椅尺寸进行分析并推荐了有关数据。     

驾驶员接管自动驾驶车辆研究进展

为全面认识自动驾驶接管行为特征,分析驾驶员接管行为,结合自动驾驶接管的技术和现实背景,从自动驾驶接管绩效的影响因素,包括场景、技术、心理和生理等因素,梳理国内外驾驶员接管自动驾驶车辆的研究成果,总结主要研究内容和方法,并展望其未来研究趋势.通过归纳和分析揭示了影响驾驶员接管自动车辆的因素,主要包括接管场景和接管请求方式,同时非驾驶相关任务和年龄等因素也会影响驾驶员的接管行为和表现.针对驾驶员接管的驾驶特征及行为研究,内容精确丰富,方法科学完善;而对驾驶员接管绩效评价和干预研究,重点关注在统计学的基础上,建立完善的数据指标评价体系,用于评价和干预驾驶员接管绩效.未来针对自动驾驶接管的研究,一方面寻求自动车辆技术突破;另一方面综合心理学和统计学理论基础,建立驾驶员接管能力培训体系.     

驾驶风格对不同跟驰场景下跟驰行为影响分析

为了分析驾驶风格对不同跟驰场景下跟驰行为的影响,利用高逼真度驾驶模拟器设计晴天、雾天两种天气状况和自由流、拥挤流、阻塞流三种交通流状态组合的六类典型跟驰场景。以跟驰过程中的最大加速度、最大油门踏板受力、最大油门踏板受力速度作为指标,通过K-means聚类识别方法,对六类典型跟驰场景下不同驾驶风格的驾驶员进行聚类识别,并以跟车间距、车头时距为风险指标评价不同驾驶风格的驾驶员在六类典型跟驰场景下的跟驰风险。结果表明：六类典型跟驰场景下,不同驾驶风格驾驶员的跟驰行为存在明显差异;激进型驾驶风格驾驶员倾向保持更小的跟车间距和车头时距,跟驰过程中的碰撞风险更高;晴天和自由流场景下不同驾驶风格驾驶员跟驰行为差异性更加显著。     

基于国外技术研究方法的弯道驾驶行为特征统计分析

为理解驾驶员行为特征,提高自动驾驶汽车的类人驾驶能力,借鉴国外研究成果,基于自然驾驶数据集,对驾驶员在弯道行驶过程中的行为特征开展了研究。选择车辆纵向速度、侧向加速度、横摆角速度和车速作为驾驶员行为特征,选择弯道曲率半径作为道路几何特征,利用车辆动力学原理进行弯道工况识别,通过核密度估计及相对熵对数据集特征参数分布的收敛性进行验证,并对弯道行驶过程中驾驶员行为特征及道路几何特征进行了统计分析。分析结果可以为设计具有类人操作特性的自动驾驶或驾驶辅助个性化系统提供数据支撑。     

基于中国人体数据的汽车总布置用2D模板开发与应用

人体2D模板作为整车总布置的基础,影响到整车驾驶和乘坐的舒适性、方便性以及行车安全性。本文应用最新的权威中国人体数据,提取人体各项关键尺寸,进行数据建模,并进行软件封装,开发人体2D模板。模板更符合中国人实际的乘坐姿态,基于模板可进行乘坐空间、视野等相关测试,切实提高车辆的安全性、舒适性。     

汽车驾驶员驾驶特征的模糊评价方法

不同的驾驶者在行驶速度与车距保持的采样数据上表现出不同的信息特征。针对这种差异,本文提出了一种描述信息特征并给予评价的方法,即通过建立数据的统计模型,对驾驶员的行驶数据进行有序化处理,发现潜在规律,并利用三角模糊数的特点加以分析,达到帮助驾驶员发现驾驶习惯,监督控制驾驶行为,减少交通事故的目的。文章的最后给出了相关实验的分析。