驾驶员弯道操纵能力实车测试与分析方法研究

为客观评价不同驾驶员的弯道操纵能力，提出了一种驾驶员弯道行驶过程操纵行为实车测试分析方法。招募12名驾驶员在试验场标准路面上进行实车试验，分别以30 km/h、40 km/h、50 km/h的初速度驶入U形弯道并自由行驶，记录驾驶员操控数据和车辆运动状态数据，对驾驶员弯道操纵能力进行分析。试验结果表明：不同能力的驾驶员在纵向车速、纵向加速度、纵向急动度、转向盘转角、横摆角速度、转向盘转角熵值等指标上呈现明显差异。该方法可进一步扩展应用于自动驾驶汽车的弯道行驶能力分析评估。     

基于底盘集成控制的人-车闭环系统对提高车辆操纵稳定性和路径跟踪能力的效果研究

基于线性矩阵不等式方法,设计了一种集成后轮主动转向、纵向驱动力补偿和直接横摆力矩控制的底盘集成控制系统,叫底盘鲁棒模型匹配集成控制器(R-MMC).为全面验证底盘集成控制器对车辆操纵性能的提高,建立了基于参考向量场的驾驶员模型,并用它和R-MMC组成一个包含内、外两个环路的人-车闭环控制系统.通过驾驶员模型不参与控制下的非稳态侧风干扰试验和驾驶员模型参与控制的人-车闭环系统S弯道跟踪试验,验证了R-MMC不但能显著提高车辆的操纵稳定性和主动安全性,而且还可增强车辆的路径跟踪能力,降低驾驶员的劳动强度.     

考虑肌电信号的驾驶人弯道操纵行为分析

驾驶人是"人-车-路"闭环系统中的核心。近年来,研发人性化、个性化的汽车驾驶辅助系统逐渐成为行业热点。为了更加透彻地理解弯道驾驶行为特性,为弯道驾驶辅助系统提供功效评估与优化,提出了一种考虑肌电信号的驾驶人弯道行驶过程操纵行为分析方法。招募12名驾驶人在试验场标准路面上进行实车试验,其中包含6名专业试车师与6名普通驾驶人,要求驾驶人分别以30,40,50 km·h^-1的不同初速度驶入U形弯道并自由驾驶。试验过程中记录驾驶人颈部肌电信号数据和车辆运动状态数据,分析转弯行驶车辆侧向运动对不同驾驶能力的驾驶人生理体验的影响,同时进一步探讨不同类型驾驶人在不同入弯速度条件下颈部肌电信号与侧向加速度的关联差异特性。试验结果表明：相同工况下,专业驾驶人和普通驾驶人颈部肌电特征值存在显著差异,专业驾驶人颈部肌电信号特征与车辆侧向加速度呈现一定的线性关系;随着驾驶任务难度的增加,驾驶能力好的驾驶人能够较好地适应任务的变化,在进行纵侧向耦合操纵时能够较好地协调身体生理反应与车辆侧向运动保持较好的关联特性。研究成果为进一步探索并完善驾驶体验评价方法提供了新的研究思路,同时,可为汽车辅助驾驶系统功能设计与智能汽车行驶性能的用户体验测评提供技术支撑。     

驾驶模拟器转向路感实现方法

针对驾驶模拟器转向系统相对实车缺乏路感反馈这一问题,设计了一种基于NARX神经网络的路感模型,实现了转向系统摩擦动态特性描述和路感模拟。首先基于dSPACE和Carsim搭建驾驶员在环数据采集平台,实现驾驶模拟器控制器局域网（CAN）通信配置。采集真实驾驶员实时数据,并对原始数据进行滤波处理,完成NARX路感模型构建。最后对路感模型进行Simulink/Carsim联合仿真试验。试验结果表明,该路感模型可以有效实现路感模拟功能。     

面向自动驾驶车辆的路段人车冲突判别模型

针对无信号控制路段自动驾驶车辆和行人冲突判别建模,选择武汉市6处无信号控制路段作为调查地点,从而保证足够的车辆及行人数据量,采用视频采集技术获取交通流量以及行人与车辆的行为数据.利用决策树分析方法将决策分为两各层级,分别为行人过街决策和冲突判别,利用二元Logit模型建立面向自动驾驶车辆的路段人车冲突判别模型,对行人和自动驾驶车辆之间可能发生的冲突概率进行计算.建立的模型可以作为自动驾驶技术中的一部分,能够帮助自动驾驶汽车具备人类驾驶员与行人间的通行权沟通能力,使自动驾驶汽车控制系统更加智能且接近人类的判断能力.     

跟驰过程中驾驶员认知结构模型的建立

在道路交通4要素中(人、车、路、环境),人以其主动性和智慧性起着支配作用,是其中的主体要素。基于认知心理学的有关知识,论文采用因子分析法对五轮仪实验系统观测到的车辆跟驰数据进行分析,确定了对车辆跟驰信息提取过程有独立作用的4个因素,相应地将驾驶员认知过程划分为4个阶段,建立了车辆跟驰过程的驾驶员认知结构模型。为驾驶行为研究和车辆跟驰模型的建立提供了理论基础。     

基于转向盘转角的疲劳驾驶检测方法研究

为监测驾驶人员的疲劳驾驶行为,提出了基于转向盘转角的疲劳驾驶检测方法。该方法利用角度传感器MLX90316采集转向盘转角数据,并从采集的转角数据中提取出了能描述驾驶员疲劳状态的角度标准差和静止百分比,根据角度标准差和静止百分比建立疲劳状态判别模型对驾驶员疲劳状态进行检测。实车试验表明,该方法能够简单、快捷地判断驾驶员的疲劳状态,准确率达到80.3%。     

驾驶员状态监测目标动作报警阈值的确定

当前驾驶员状态监测目标动作报警阈值的确定多根据技术能力及驾驶员驾驶习惯讨论得出,缺乏理论依据。为此,论文通过设计实验通过驾驶模拟器采集车辆操纵及运行状态参数,建立车辆运行状态评价指标体系。提出一种通过K-means算法对驾驶人不安全驾驶行为数据集进行聚类确定报警动作阈值的方法,可以为驾驶员状态监控系统的开发及相关测试标准的制定提供参考。     

线控汽车驾驶员特性辨识算法的研究

线控汽车相对于传统汽车具有较多的控制自由度,控制算法设计可将人的因素考虑在车辆集成控制中,进行人性化设计,变"人适应车"为"车适应人",最终实现车辆的安全、智能驾驶。文中确定了驾驶员特性辨识系统,以转向行为为例,对驾驶员特性进行分类,并采用神经网络方法建立了辨识模型,在驾驶模拟器上对所研究方法进行实验验证。结果表明,所建立的驾驶员特性辨识模型有较高精度,能对驾驶员特性进行预测,方法可行。     

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。     

基于改进粒子群优化BP神经网络的弯道转向行为预测

为研究驾驶人视觉特性和弯道转向行为的内在联系,借助模拟驾驶器,选取50名驾驶人在3种不同半径的弯道上进行驾驶试验。在整理采集的试验数据后,分别比较驾驶人视觉特性(瞳孔面积变化率、扫视速度、扫视幅度)、弯道转向行为(方向盘旋转率、车辆侧向加速度)与弯道半径之间的关系,并进一步提出一种以驾驶人视觉特性为预测因素,基于BP神经网络的驾驶人弯道转向行为预测方法。为使BP神经网络适用于小样本量的预测情况,需引入改进粒子群算法对BP神经网络进行优化。对粒子群算法的改进之处主要体现为:在粒子群算法进行搜索的过程中,采用动态惯性权值与自适应方法,解决了一般粒子群算法中粒子快速趋同的问题。在模型训练的过程中,选取BP神经网络的误差作为改进PSO算法的适应值,由事先确定的最大迭代次数与误差范围共同决定迭代的终止条件。最后,分别使用基于BP神经网络的驾驶人弯道转向行为预测方法,与基于改进粒子群优化BP神经网络的驾驶人弯道转向行为预测方法,对弯道转向行为进行预测,结果表明:基于改进粒子群优化BP神经网络的弯道转向行为预测方法相较传统预测方法具有更高的预测精度,可以有效地预测驾驶人弯道转向行为。     

公路弯道昼夜驾驶行为特征研究

文章旨在研究昼夜对驾驶员在弯道处对车辆控制能力的影响,以此完善道路风险评估理论。借助模拟驾驶仪,选取14名驾驶员在昼夜条件下进行弯道驾驶试验。对试验数据进行了对比分析,并利用Logistic回归模型分析昼夜对弯道驾驶的影响程度,以此建立评价驾驶员紧张程度的数学模型。结果表明:对于驾驶员车辆控制能力,白天普遍要好于夜间,且与弯道半径呈正相关。另外,驾驶员夜间紧张程度也随半径变化而变化。基于此,可以针对昼夜、不同弯道半径分别实施车速限制标准,从而提高道路交通安全。     

基于BIM和驾驶模拟的道路安全评价研究

针对搭建驾驶模拟环境效率低、缺乏基于驾驶模拟的安全评价体系等问题,提出一种基于BIM和驾驶模拟的道路安全评价方法。利用道路BIM模型所含的丰富数据,快速搭建包括驾驶道路、沿线地形、场景对象和仿真交通流等要素的驾驶模拟环境;基于驾驶员生理数据和仿真车辆姿态数据,构建心理生理、运行速度和横向稳定性评价模型及熵权-模糊综合评价模型,实现对道路安全的综合评价。通过在某高速公路设计中实践应用,验证该方法可有效提高驾驶模拟环境搭建的准确性和工作效率,利用综合评价方法对设计提出优化,可在一定程度上提高道路安全水平。     

急弯处警告标志位置对驾驶行为的影响研究

为探索急弯处不同警告标志位置对驾驶行为的影响机理,利用驾驶模拟试验,在急弯前设置5种不同位置的警告标志,观察车辆在弯前直线路段、弯道路段中的运行状态.结果表明,标志位置对直线路段的平均速度,直线、弯道路段的平均加速度、速度标准差均存在显著性影响;标志位置与急弯半径的交互效应对直线路段的平均速度、弯道路段的平均加速度有显著性影响.警告标志位置能够影响车辆在弯前直线路段的行驶速度、驾驶员在弯道路段对速度的纵向控制以及过弯前后速度的波动性;同时,对速度控制的影响还受到急弯半径的干扰.     

面向自动驾驶汽车测试的交通车辆交互过程建模

为满足自动驾驶汽车测试对场景真实度的要求,提出一种针对交通车辆交互关系的耦合特征建模方法。结合基于机理模型构建的虚拟数据和采集的真实场景数据建立交通车辆行为数据集;采用深度学习建立局部信息响应的交通车辆行为决策模型、跟驰模型和换道模型,结构相对简单的单体模型能提升场景模拟的可扩展性;针对自动驾驶汽车测试对模型鲁棒性要求高的问题,建立分布执行-集中对抗训练的架构进行交通车辆模型优化,提高模型对输入扰动的鲁棒性。构建交通车辆交互仿真环境对模型进行仿真,通过仿真数据与真实数据分布之间的对比和量化评价指标验证模型的有效性。     

双车道公路小半径弯道转向行为及控制对策研究

基于驾驶模拟实验研究双车道公路弯道路段的车辆转向行为。采集了10名驾驶员在不同半径、不同坡度条件下的弯道转向行为数据。分析了车速、横向偏移距离和心率的变化规律。得到了横向偏移突变距离和半径之间的数学关系。结果表明:弯道行驶车辆在曲中点之前车速会降至最低值;随后驾驶员会采取加速操作,此时车辆会产生一次横向偏移突变;突变的长度与车速、半径均有关;偏移形态以向道路中线方向偏移为主;因此,针对弯道的安全改造应以限速和诱导车辆远离道路中线为主。     

基于神经网络的车辆跟驰模型的建立

车辆跟驰是一种难以操作的驾驶行为，驾驶员必须同时考虑许多因素。本文应用神经网络模拟无车道变换行为的单一车道车辆跟驰行为（加、减速，不动作）。神经网络的自学习特点，使得神经网络模型能把驾驶员周围的各种信息并行结合起来产生可靠的模拟结果。     

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.      

基于SOM神经网络的多工况驾驶风格识别

不同的驾驶员对车辆的各项性能可能有个性化地要求,因此有必要对驾驶风格的分类与识别问题进行研究.首先在驾驶模拟器上采集不同驾驶员在多工况下的数据,利用主成分分析法选取驾驶员在各个工况下的特征参数,SOM神经网络分别对起步、加速及制动工况下的驾驶数据进行了聚类分析,然后以驾驶风格聚类分析结果为基础,建立了基于SOM神经网络...     

基于层次分析法的驾驶员驾驶倾向性研究

驾驶倾向性是研究微观交通仿真的一个重要生理-心理特征参数，主要受到人、车、路、环境等多方面的影响，具体表现为汽车驾驶员自身状况、驾驶车辆状况、行驶道路及环境状况、交通干扰、气象情况以及所承载的任务缓急等影响因素。如何准确地确定驾驶员驾驶过程中的动态驾驶倾向性是研究驾驶员行为的难点。文章基于驾驶员的生理-心理特征，采用层次分析法（AHP），对驾驶员行驶过程中的决策行为逐层递阶量化，建立基于层次分析法的驾驶倾向性模型,并进行实证分析。结果表明：层次分析法可用于驾驶员驾驶倾向性的识别。