共查询到20条相似文献,搜索用时 62 毫秒
1.
2.
3.
4.
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。 相似文献
5.
6.
7.
8.
9.
10.
朱冰蒋渊德邓伟文杨顺何睿苏琛 《汽车工程》2018,(11):1317-1323
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。 相似文献
11.
为实现智能车辆危险预警辅助功能,精确建立个体驾驶员的个性化辅助系统,提出一种数据驱动的智能车个性化场景风险图构建方法。构建复杂交通场景中动静态要素属性与要素之间隐含交互关系的图表征,使用图核方法对图表征数据进行相似性度量,处理分析驾驶员操作数据并获取驾驶员个性化场景危险程度评价标签。基于支持向量机训练识别模型,建立驾驶员个性化危险评价机理与场景特征之间的映射关系,以模型输出的危险程度评价标签与真实值进行实验对比。结果表明,基于场景风险图构建的驾驶员个性化危险场景识别模型识别准确率可达95.8%,比特征向量表示法提高了38.2%,能够有效地做出基于驾驶员驾驶风格的个性化场景危险程度评价。 相似文献
12.
13.
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。 相似文献
14.
15.
自动驾驶汽车技术的日新月异,主要得益于深度学习和人工智能的进步。然而深度学习模型大多是在静态同分布数据集上进行训练,无法随着时间而适应或扩展其行为。针对这一问题,论文将持续学习模型运用于车辆目标识别领域进行研究。首先搭建可以使得算法流畅运行的环境,选定目标识别的原始图像数据集;在分析现有评估指标的基础上,选取适合于本次实验的评估指标,并采用卷积神经网络(CNN)、最接近类均值(NCM)、增量分类器与特征表示(iCaRL)三种持续学习算法对原始图像数据集进行学习训练与对比验证,通过实验验证了应用iCaRL算法使机器进行持续学习训练时,其精度和效率均优于其他两种方法。针对智能驾驶目标识别图像数据集不完善这一问题,构建了一个新的图像数据集,包含车辆、行人、交通标志及信号灯,将iCaRL算法应用于新建图像数据集进行研究,并在新建智能驾驶图像数据集上进行了训练与测试。结果表明,采用iCaRL算法能够较好地学习新建图像数据集,不会因为环境的改变而使得其性能发生大幅变化,测试结果良好,证明该方法可以在智能驾驶领域进行目标识别。 相似文献
16.
17.
18.
基于人类驾驶员数据获得自动驾驶决策策略是当前自动驾驶技术研究的热点。经典的强化学习决策方法大多通过设计安全性、舒适性、经济性相关公式人为构建奖励函数,决策策略与人类驾驶员相比仍然存在较大差距。本文中使用最大边际逆向强化学习算法,将驾驶员驾驶数据作为专家演示数据,建立相应的奖励函数,并实现仿驾驶员的纵向自动驾驶决策。仿真测试结果表明:相比于强化学习方法,逆向强化学习方法的奖励函数从驾驶员的数据中自动化的提取,降低了奖励函数的建立难度,得到的决策策略与驾驶员的行为具有更高的一致性。 相似文献
19.
基于现有网联数据获取技术与条件,从车联网系统提取车头时距参数并将3 s内的车头时距特征值定义为驾驶模式,根据驾驶模式进而对驾驶风格(即驾驶人的驾驶行为习惯)进行分类。通过车头时距特性对驾驶模式进行量化分类,根据标定好的驾驶风格结果,辨识每种驾驶风格包含的典型驾驶模式;运用模糊分类方法赋予典型驾驶模式相应分值,通过计算每位驾驶人分值并结合已标定的驾驶风格结果设定每种驾驶风格的阈值;利用该阈值对测试集中的驾驶人风格进行识别,以验证识别准确率。采集了44名驾驶人网联环境行车数据将驾驶人标定为激进型、普通(即既不保守也不激进)型和保守型。按上述方法设置各驾驶风格阈值,结果表明:各驾驶风格的阈值分别为:S < 64.67为保守型,64.67 ≤ S < 181.20为普通型,S ≥ 181.20为激进型;使用所提方法来识别驾驶人风格,总体准确率为85.7%。所提出的基于车头时距的驾驶风格分类方法,使用了极精简的驾驶行为参数,为驾驶风格分类应用提供了新思路。 相似文献