Vehicle Rear-end Collision Warning Algorithm Based on Driver's Braking Behavior

利用图像式汽车行驶记录仪在北京市采集了大量自然行驶状态下的驾驶行为数据,基于追尾碰撞中的驾驶员制动操作行为,分析驾驶员安全与危险跟车状态和车辆状态参数之间的关系,利用Fisher判别分析法建立了符合驾驶员危险感知特性的车辆追尾预警算法.研究结果表明该算法总的判别准确率高达95％.     

考虑驾驶人风格的跟车预警规则研究

为研究驾驶人的跟车特性及探究可适用于不同风格驾驶人的跟车预警规则,为自动驾驶车辆开发可满足不同用户驾驶需求和驾乘体验的主动安全预警系统,选取50名被试驾驶人开展实车试验,采集驾驶人跟车行为表征参数并基于雷达数据确定跟车事件提取规则。选取平均跟车时距和平均制动时距为二维向量,使用基于K-means聚类结果的高斯混合模型将驾驶人聚类为3种风格类型(冒进型、平稳型、保守型)。通过分析3组驾驶人的跟车及制动数据,将不同类型驾驶人的制动时距分位数作为跟车预警阈值,结合实际预警数据及不同制动时距分位数对应的预警正确率,对现有跟车预警规则进行调整,以适应不同类型驾驶人的驾驶需求。研究结果表明:3组驾驶人的平均跟车时距和平均制动时距差异显著,冒进型驾驶人倾向于选择较小的跟车时距和制动时距,保守型驾驶人的跟车时距和制动时距则普遍较大;3组驾驶人的实际跟车预警次数为215次,驾驶人采取制动操作而系统未予以预警的次数为329次,系统整体预警正确率为21.9%,漏警率为87.5%,通过分析信息熵等判定当前预警规则并不合理;将每类驾驶人制动时距的10%分位数作为阈值时的预警效果较好,调整后的跟车预警规则能在一定程度上适应不同的驾驶人类型。     

基于 Logistic 回归模型的三线城市道路事故数据分析

根据乌鲁木齐市2006~2010年的交通事故统计资料,分别以城市道路中9类不同的交通事故形态为因变量,从道路设施、道路环境等方面选取了9个因素作为自变量,通过二项logistic模型进行事故形态分析,建立事故形态与9个影响因素间的线性相关模型,对模型参数进行了估计,并对模型的拟合程度、可靠性进行了分析,研究了所有自变量单独/组合等不同情况下对因变量的影响。再通过多项Logistic模型对不同道路条件下,各种形态的事故发生几率进行了预测,并与实际情况进行对比,检验了模型拟合效果。     

驾驶人在手机通话行为中的认知分心图像识别研究

在手机通话（MPC）行为中,驾驶人极易陷入认知分心（DCD）状态,对此提出了一种基于头-眼行为特性的DCD图像识别方法。为适应自然驾驶中的波动光照和复杂背景,首先建立基于YCbCr色彩空间的在线肤色模型,提取待检肤色区域的PCA-HOG特征并建立支持向量机分类器来识别MPC手势;与此同时,采用多尺度局部模极大值方法检测嘴部显著边缘,并通过边缘活跃度来识别驾驶人说话行为,综合MPC手势和说话行为建立MPC行为的判别逻辑。最后,以5 s为时间窗口获取驾驶人的眼球活跃度、眨眼指数、头部横摆和俯仰运动活跃度,采用D-S证据理论建立融合头-眼行为特性的DCD识别方法。试验结果表明：融合手势和说话行为图像检测的MPC识别率为92.8%;对于不佩戴眼镜的驾驶人,眼球活跃度是DCD识别率最高的单一指标,“眼球活跃度-头部横摆活跃度-头部俯仰活跃度”融合证据的DCD识别率最高,为86.2%;对于佩戴眼镜的驾驶人,“头部横摆活跃度-头部俯仰活跃度”融合证据的DCD识别率最高,为83.2%;算法对熟练驾驶人的DCD识别率略高于非熟练驾驶人。     

基于相对危险暴露量的驾驶人事故风险分析

为探究不同类型驾驶人的事故倾向性,以湖南省湘潭市2008—2017年间发生的交通事故为研究对象,采用相对危险暴露量方法计算了中国驾驶人在驾龄、年龄及其交互作用下的事故风险值,并针对不同交通环境,分析了高风险驾驶群体的3类碰撞事故风险.结果表明:相比25~45岁的壮年驾驶人,小于25岁的青年驾驶人在几乎所有环境下都更易发生追尾事故与刮擦事故;驾龄小于1年的新手驾驶人在复杂环境下更易发生追尾事故;中老年新手驾驶人是事故风险仅次于青年新手驾驶人的群体,并且其在恶劣天气下的事故风险甚至高于青年新手驾驶人.基于研究结果提出了针对青年新手驾驶人、中老年新手驾驶人和高驾龄驾驶人的安全改善对策.     

分心对驾驶人交通冲突反应时间的影响(双语出版)

为了研究分心对交通冲突状态下驾驶人反应时间的影响,采用驾驶模拟器构建城市道路交通环境下2种典型冲突形态：侧向行人冲突和纵向追尾冲突,设计认知、视觉以及发短信（认知+视觉复合分心）3种分心任务,在不同行驶车速、跟车时距、前车减速度等紧迫度条件下,采集30名驾驶人应对交通冲突的制动反应时间,分别采用重复测量一般线性模型及线性混合模型进行统计分析。研究结果表明：认知分心使驾驶人应对侧向行人冲突的制动反应时间增加0.09 s,但未观察到其对纵向追尾冲突反应时间的显著性影响;视觉分心与发短信都会延缓驾驶人应对侧向行人（分别增加0.31 s和0.27 s）以及纵向追尾冲突（分别增加0.47 s和0.38 s）的制动反应时间;此外,在纵向追尾冲突中,随着冲突紧迫度提高（前车减速度增大、车头时距减小以及自车速度增大）,驾驶人制动反应时间显著减小。表明驾驶分心延长了驾驶人应对交通冲突的反应时间,容易导致事故的发生,具体而言,认知分心主要延长驾驶人应对侧向冲突的反应时间,涉及视觉的分心同时延长驾驶人应对侧向及纵向冲突的反应时间;视觉分心对驾驶人反应时间的延长显著性高于认知分心,说明视觉分心对行车安全影响更大。     

基于认知风险动态平衡的智能汽车跟车模型

针对复杂交通环境下异质车型带来的跟车风险与行车效率权衡的决策难题,在分析自然驾驶数据的基础上,提出基于认知风险动态平衡的智能汽车拟人化跟车模型。首先,针对4种不同的货车-轿车组合跟车模式,建立跟车距离的经验模型,提炼出驾驶人稳态跟车行为中存在的车头时距和逆碰撞时间的“两不变”规律,通过作图法获得平衡线;其次,从驾驶过程中认知风险与加速度响应之间动态平衡的角度揭示了跟车决策的机理,将常用的跟车模型统一在认知风险动态平衡的框架内;最后,提出一种简洁的非线性函数实现认知风险动态平衡的数学表述,利用实测跟车数据验证了模型的准确性。     

基于驾驶员认知过程的车辆跟驰模型的建立

基于认知心理学的有关知识,提出一种将驾驶员的直觉、分析和推理三者相结合的驾驶员认知结构基本框架,在此框架体系下对车辆跟驰过程中驾驶员的认知过程进行了详细的分析;结合五轮仪试验系统采集的数据,采用因子分析法确定出对驾驶员的车辆跟驰信息提取过程有独立作用的4个因素,包括前车位移、前车速度、前车加速度和后车位移,相应地将驾驶员认知过程划分为4个阶段,构建了跟驰过程中驾驶员的认知结构模型,并对各个阶段做出了具体分析,建立了相应的车辆跟驰模型。仿真结果表明,基于驾驶员认知过程的跟驰模型可以较好地揭示跟驰过程中的驾驶行为。     

基于多维信息特征分析的驾驶人认知负荷研究

准确评估驾驶人认知负荷水平,对于深入研究驾驶人行为特性,改善驾驶安全性具有重要意义。现有的驾驶人认知负荷分类方法,大多基于心电、脑电等生理信息和车辆信息,由于特征选择上的单一性,导致驾驶人认知负荷分类模型的分类精度不高。设计基于跟驰场景的不同认知负荷N-back次任务试验,通过采集受试者的生理信号和车辆信号,结合NASA_TLX主观评分和机器学习算法,提出了基于多维信息特征融合的驾驶人认知负荷分类方法。研究表明：基于生理信息和车辆信息的多维信息特征认知负荷分类方法,其精度显著高于传统的基于生理信息的认知负荷分类方法,以多维信息特征为输入,随机森林法以其稳定性好、抗过拟合能力强的特点,表现出优异的分类效果,相比神经网络和支持向量机,具有最高的平均分类精度。     

风险情境下老年驾驶人行为特性研究

为研究风险情境下老年驾驶人与中青年驾驶人行为特性的差异,并确定老年驾驶人的眼动、心理生理、驾驶操作及风险感知等各类行为特性的衰退情况;选取19位老年驾驶人和19位中青年驾驶人作为试验对象,应用眼动仪、生理仪及驾驶模拟平台开展驾驶模拟试验;采集5种风险场景下2组驾驶人的眼动、心理、生理、操作行为与车辆运行数据;对比分析2...     

基于多元回归模型的青少年交通安全行为分析

为了提高广州市青少年交通安全水平,保障青少年交通安全。基于广州市青少年安全调查数据对青少年交通安全行为影响因素进行了研究。通过定量分析的方法筛选出了与青少年交通安全最密切相关的4项指标(教育、意识、态度、个人因素),设计并使用调查问卷,获得交通安全教育、意识、态度的评分,运用SPSS19.0采用皮尔逊(Pearson )相关分析以及多元回归模型分析进行实证分析。结果表明,教育、意识、态度、个人因素能够很好地解释青少年交通安全行为得分,所有变量的显著性水平sig .均小于0.05,可以认为所有变量均有显著影响,能够很好地应用在青少年交通安全行为的评价之中。     

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LightGBM的驾驶人风险感知能力判别方法

碰撞风险与风险感知能力有关, 为准确评估驾驶人风险感知能力, 设计考虑危险源个数与类型的驾驶模拟试验, 采集危险场景下的驾驶人驾驶行为与眼动特征等数据。利用Mantel-Haenszel检验分析危险源因素、驾驶人个人特性在不同风险感知水平人群下的差异性, 借助Spearman相关性分析探索驾驶行为、眼动特征与风险感知能力之间的关系。结果表明: 危险源个数、类型与风险感知能力负相关。驾龄、车速、纵向加速度、刹车深度、制动反应时间及位置等与风险感知能力显著相关。风险感知能力迟钝的驾驶人车速偏高且加速度更大, 刹车深度更深, 从发现危险事件到采取行动需要更多的反应时间。构建综合风险感知能力评价指标集, 借助Random Forest算法对特征进行重要性排序, 在此基础上利用LightGBM算法建立驾驶人风险感知能力判别模型, 分析不同特征个数输入对模型性能的影响。结果表明: 与SVM和AdaBoost等算法相比, 基于LightGBM算法的模型F1值达到86.07%, 精度为86.14%, 可以有效地对不同风险感知等级的驾驶人进行分类。     

基于Logistic曲线的交通流速度-密度关系建模

为了解析交通流速度与密度关系,推导出了一组交通流参数物理意义明确且符合交通流特性的通用Logistic模型.从Logistic模型本质出发,讨论速度变化率的表达形式,结合交通流实际情况修正速度变化率并引入速度上确界概念,建立了一系列Logistic模型;通过改变取值,给出了模型参数变化对Logistic速度-密度曲线的影响,并细致讨论了参数的物理意义及获取方法;最后分别采集区段和断面的全交通状态数据进行模型验证.结果表明:模型3对2组数据的拟合优度分别为0.931 3和0.970 4,该模型能够很好地描述不同状态下的交通流特性.     

混合神经网络跟驰模型的建立

将混合神经网络模型(CNNM)应用于跟驰模型的建立。进行基于车载高精度GPS的跟驰试验设计,并结合试验数据,介绍模型建立的原理和过程。分别建立基于BP神经网络和基于径向基神经网络的跟驰模型,并应用于混合神经网络跟驰模型的建立。模型通过实测数据对混合模型的信用值进行调整,从而组合得到较高的精确度。通过对预测效果的比较,可以发现混合神经网络跟驰模型可以取得比单一神经网络模型更好的预测效果。     

基于模糊神经网络的驾驶员弯道安全感受预测模型研究

论述了在人-车-路(环境)系统中驾驶员弯道安全感受的非线性特性。为了体现车辆、道路结构对驾驶员认知过程的作用和认知结果形成的影响,驾驶员弯道安全感受模型采用弯道平曲半径、车辆运行速度和驾驶员驾龄作为道路线形、车辆结构动力性、驾驶员经验的主要特征参数集,在增加积极和消极补偿运算的基础上,构建出模糊逻辑推理规则与神经网络优化逼近运算相互结合的5层推理预测模型,并结合实例数据,进行了对比分析验证,表明5层结构模型能够较好的满足特定弯道条件下驾驶员主观安全感受的认知推理预测要求,能够准确的、稳定的再现出驾驶员主观安全感受同驾龄、平曲半径和车辆运行速度间的相互作用关系。     

基于模糊模型的跟驰车流特性研究

针对有关车辆跟随的传统车流跟驰理论存在的许多不足,分析了跟驰模型存在的问题,提出采用模糊模型来建立局部车流跟随模型,并针对隐性知识问题,提出了采用输入-输出数据对来设计模糊规则,应用权重来解决规则冲突问题并简化规则库.通过实例验证了模糊模型较之跟驰模型的优势.证明模糊模型更能有效地模拟真实的局部车流模型,其将对车辆避撞预警的研究提供理论上的参考价值.     

基于交通状况与驾驶行为联合分析的仿真模型参数标定

提出基于交通状况和驾驶行为联合分析的标定体系来标定仿真模型参数.研究了联合标定体系中的参数选择、交通状况分析、驾驶行为分析以及误差分析的目的、内容和方法.以美国I-80高速路段的AIMSUN仿真应用为实例,采用联合标定体系标定了模型参数.其结果显示,仿真模型能够输出与实测参数指标拟合的时间序列参数指标.