基于自然驾驶跟车数据的驾驶人差异性分析与辨识

为研究跟车工况下个体驾驶行为特性及其辨识,以驾驶人自然驾驶数据为基础,通过统计分析,频域分析及时频分析,多尺度对比驾驶人加速度、碰撞时间倒数、跟车时距等跟车轨迹特征参数分布的差异性;利用统计方法和离散小波变换提取能够表征驾驶人跟车习性差异的特征参数,分析不同参数输入结果,确定最优参数组合,建立基于随机森林的驾驶人差异性...     

驾驶风格聚类与识别研究

为实现驾驶人驾驶风格的准确聚类和有效识别,以NGSIM数据为依据,提取包含换道行为的16 s车辆行驶轨迹,选取可以全方位表征驾驶人驾驶特性的评价指标并借助因子分析法实现指标的降维;在此基础上选用k-means聚类算法对所得样本数据进行聚类分析,把驾驶风格分为谨慎型、普通型和激进型;最后对比了SVM和ANN驾驶风格识别模...     

考虑驾驶风格差异的高原公路危险路段识别研究

针对高原环境中驾驶人风格、生理变化与危险路段特征之间的潜在关联,提出一种基于驾驶状态的危险路段识别方法,辨识和分析不同风格驾驶人具有潜在风险的路段,并提出优化方案。首先,通过实车实验采集驾驶人行为及生理指标数据,使用DBSCAN(Density Based SpatialClustering of Applications with Noise)得出驾驶风格类型,并依据行为特征对驾驶风格进行差异性分析;其次,采用卷积神经网络、双向长短时记忆神经网络与注意力机制搭建危险状态识别模型,通过GPS(Global Positioning System)点位对应实现危险路段辨识,并基于驾驶风格差异,从驾驶人感知、操纵与生理角度对危险路段进行致因分析;最后,将生理与道路线形作为优化参考,以车速建议为着力点进行多元回归分析,并按照生理舒适域确定车速建议区间。结果表明：驾驶人根据行为特点分为谨慎、稳健和激进型,3类驾驶人在上行和下行途中的危险路段多为具有弯坡特征的组合型路段;海拔提升可加速危险驾驶状态的出现,各类驾驶人在上行时的紧张状态多源于弯坡组合值和转角值的增长,激进型驾驶人在坡度大于6%的直纵坡路段时亦会开始高度紧张;下行时,谨慎与激进型驾驶人在直纵坡坡度大于3%时易出现危险状态,激进型驾驶人在转角值大于80°且弯坡组合值大于50时亦存在驾驶风险。研究成果可满足高原公路人因事故预防的需求,为线形设计与交通管理措施制定提供理论依据。     

基于高速公路自然驾驶数据的自动驾驶车辆跟驰智能性评价模型

为解决当前自动驾驶车辆跟驰智能性评价中存在的以主观评价为主、缺少微观驾驶行为数据支撑的问题,以高速公路自然驾驶数据为基础,从自动驾驶车辆与人工驾驶车辆驾驶行为一致性的角度出发,构建自动驾驶车辆跟驰智能性评价模型。首先,通过无人机视频拍摄和图像处理,获取了国内18个省份部分高速公路上的高精度车辆轨迹,利用K-means聚类方法提取了15 446组稳定跟驰数据。然后,采用描述性统计方法对速度、加速度、跟车间距及跟车时距等指标进行分析。通过Gamma分布拟合不同速度下的跟车间距,以不同速度下跟车间距众数为中心,将跟车间距按照样本量的70%、20%、10%划分为与人工驾驶车辆驾驶行为一致性较好、一般、较差等3种情况,以此为基础建立自动驾驶车辆跟驰智能性评价模型。最后,通过自动驾驶车辆跟驰试验,证明所建模型适用于自动驾驶车辆跟驰智能性评价,相比既有研究,该模型的特点是能基于全过程、微观跟驰行为数据对自动驾驶车辆做出综合的量化评价。这表明基于自然驾驶数据与驾驶行为一致性构建的模型能客观、量化评价自动驾驶车辆跟驰行为,可用于自动驾驶车辆跟驰行为研究与技术参数设计。     

驾驶人“感知-决策-操控”行为模型

为准确模拟驾驶人跟车行为,提出基于隐马尔可夫模型(Hidden Markov Model,HMM)的驾驶人“感知-决策-操控”行为模型。建立描述驾驶意愿的HMM模型,模拟驾驶人感知过程,获得期望的车间距;预测模块模拟驾驶人根据交通环境和自身生理、心理状态预测车辆未来轨迹,即决策过程;优化模块描述驾驶人为使预测的车辆轨迹跟踪上期望的车辆间距而采取的操控汽车的执行动作,即操控过程。上述3个模块的滚动过程实现了对驾驶人跟车行为的模拟。利用自然驾驶数据进行算例分析,结果表明,本文模型预测车间距平均误差仅为1.47%,证明了所建模型的有效性及准确性。本文为驾驶行为建模方法的理论研究和应用拓宽了思路。     

重载货车驾驶人驾驶风格识别与量化研究

重载货车驾驶人的激进驾驶风格具有强烈的习惯性特征和风险性特征,一旦养成很难矫正,且极易诱发交通事故。针对现有研究极少关注重载货车驾驶人驾驶风格的不足,本文基于某全国货运监管平台提供的云南省重载货车低频轨迹数据,从风格聚类、风格识别和风格评估这3个方面,提出综合考虑疲劳驾驶特征和超速驾驶特征的重载货车驾驶人驾驶风格分析方法。首先,基于轨迹数据蕴含驾驶人驾驶行为模式的特点,构建表征重载货车驾驶人驾驶风格的疲劳驾驶和超速驾驶特征集;其次,利用因子分析进行特征约简,并采用K-均值聚类方法划分重载货车驾驶人的驾驶风格;然后,构建基于支持向量机的驾驶风格识别模型,并与梯度提升决策树的识 别结果进行对比;最后,基于疲劳驾驶特征和超速驾驶特征的累积分布,建立基于 CRITIC (Criteria Importance Though Intercriteria Correlation)赋权法的重载货车驾驶人驾驶风格量化评估 模型。研究结果表明：经过特征约简,提取的疲劳因子和超速因子能综合反映上述两类特征集 80.838%的信息;根据疲劳因子和超速因子可将驾驶风格划分为4种类别,即稳健型、超速型、疲劳型和危险型,相应重载货车驾驶人比例依次为62.60%、25.02%、7.40%和4.98%;基于支持向量机的重载货车驾驶人驾驶风格识别模型对不同风格的识别准确率均大于97%,整体表现优于梯度提升决策树;基于CRITIC赋权法的驾驶风格评估模型能有效量化重载货车驾驶人的驾驶风格, 其中稳健型驾驶人表现最好,75%以上的驾驶人风格评估总分高于60分;危险型驾驶人表现最差,75%以上的驾驶人风格评估总分低于20分。研究结果可为重载货车驾驶人不良驾驶行为的监测、干预和管理提供理论依据和技术支撑。     

人车路综合风险场模型构建及驾驶风格评估

为帮助驾驶人正确认知自身的安全驾驶能力,揭示“人-车-路”相互作用关系并衡量各要 素对车辆驾驶安全性的影响,构建了考虑驾驶风格因子的综合风险场模型。首先,针对现有风险 场模型在人因要素刻画不足,将车辆加速度方差和方向盘转角方差转化为驾驶风格因子,表征驾 驶人潜在驾驶习惯;然后,根据事故风险的突发性和短时性特征,利用希尔伯特-黄变换(HilbertHuang Transform, HHT)将驾驶全域风险分解为平稳阶段和局部突变阶段风险信号能量,作为评 价驾驶能力内在属性的关键依据;最后,开展行人横穿风险场景的驾驶模拟试验验证。结果表 明：驾驶风险能量在空间形态上呈“椭圆形”圈层分布,沿物理轮廓中心高边缘低,风险演变过程 能量大小“爬山式”递增效应显著。对风险能量聚类可获得比主观问卷更加细致可量化的分类结 果,对比发现,驾驶人存在“认知-操纵”偏差(问卷安全型-模型危险型/危险倾向)同时丰富的驾驶 经验对薄弱的安全意识有补偿作用(问卷危险型-模型安全型/安全倾向)。研究成果可以为识别 危险驾驶人群,提高安全驾驶能力提供一种新方法。     

基于两次聚类的PWARX驾驶行为辨识模型

针对传统基于聚类的PWARX模型依赖先验知识和子空间划分精度不高的问题,提出一种基于两次聚类的PWARX辨识模型改进算法,并将其应用于驾驶行为建模。首先通过近邻传播算法在样本空间上进行聚类,在所得类簇上用线性模型进行拟合,并通过K-means算法在线性模型的参数空间上进行聚类,以获得PWA子模型的区域划分,最后在各个子空间上对PWA子模型进行求解。该算法合理利用了近邻传播算法和K-means算法的特点,通过在样本和参数空间上的两次聚类获得了良好的子模型区域分割效果。并对10名驾驶员的驾驶行为的建模实验结果表明,所提算法的模型辨识的平均准确率达到了91.5%。     

基于蚁群优化模糊C均值聚类算法的疲劳驾驶研究

通过收集大数据对汽车驾驶员的疲劳特征和疲劳参数进行学习,根据学习的参数将驾驶员的疲劳程度进行分类,提出了蚁群优化的模糊C均值聚类算法。在初步聚类中运用蚁群聚类产生聚类中心和簇的个数,提供给模糊C均值聚类;利用模糊C均值聚类再次进行聚类,克服了单个聚类算法的缺点。仿真结果表明:文中方法比一般方法具有更好的性能和聚类效果。利用BP神经网络模式识别功能可以识别疲劳驾驶类别。     

基于iForest+Biscting K-means的驾驶风格辨识方法研究

提出了一种基于iForest+ Biscting K-means模型的客运驾驶员驾驶风格辨识方法.该方法针对在Bisceting K-means模型中,聚类质心严重影响聚类结果问题,采用iForest模型训练聚类中心候选集作为聚类质心集的方法加以改进.通过考察某城际客运线路30位客车职业驾驶员,在直线道路行驶工况下,90余天约400万条客车行驶数据开展模型验证.试验表明:在加速度标准差和超速倾向系数作为聚类指标的情况下,客运驾驶员驾驶风格聚类为谨慎型、普通型和激进型3类,其中谨慎型11人,普通型19人,激进型0人.     

基于模糊C均值聚类的城市道路交通状态判别

为及时判别城市道路交通状态,考虑城市道路交通特征的差异性和交通流的波动特性,对状态指标的合理性进行分析;将交通状态划分为畅通、缓行、拥堵、阻塞4类,提出一种基于模糊C均值聚类（FC M ）判别城市道路交通状态的算法。选取车速、流量、占有率作为交通状态判断指标,根据不同指标设计3种方案,用MATLAB模糊逻辑工具箱分析出仿真数据的聚类中心,对不同指标组合下的各样本交通状态进行判断,验证算法判别的可行性。结果表明,以速度、流量、占有率为参数的FCM算法能较好地判别城市道路交通状态,精度较高。     

抵近信控交叉口分心驾驶识别模型

为降低驾驶人抵近交叉口过程因分心导致的交通事故,本文基于双向长短时记忆网络(BILSTM)建立分心驾驶识别模型。依托驾驶模拟实验,采集了45位驾驶人抵近信控交叉口过程中的横纵行为数据,通过方差分析研究分心任务对驾驶行为的影响。结果表明,分心驾驶人需要更长的制动反应时间,制动操作时间缩短,踩压制动踏板的力度下降,同时操纵方向盘的稳定性变差。然后,筛选有显著性影响的6个特征行为指标作为模型的输入,结果表明：BILSTM模型分心状态识别的精确率最高,达到92.6%,F1值为88.7%;准确率、精确率、召回率、F1、AUC和ROC曲线等模型性能均优于单向长短期记忆网络、支持向量机和决策树5.0分心识别模型。研究结果说明BILSTM模型能有效判别抵近信控交叉口驾驶人分心状态,可为交叉口驾驶人分心预警系统的优化设计提供依据和指导。     

不同风格驾驶员眼动特性分析——夜间快速路分流区

为提高驾驶员在夜间快速路分流区换道的安全性,以不同风格的驾驶员为研究对象,分析不同风格驾驶员换道时眼动参数的变化规律。首先在前人研究基础上自编夜间快速路驾驶风格量表,对量表进行信度和Pearson相关系数法的效度检验;然后通过主成分分析法对问卷调查法得出的结果进行分析,得出驾驶风格综合得分量化模型,并使用K均值聚类分析法划分驾驶风格;最后基于眼动仪进行实车试验,获取三种风格驾驶员换道的眼动数据。试验结果表明：谨慎型、一般型、激进型驾驶员对于后视镜平均注视次数占比为48%、27%、25%;对左右两侧的平均累计注视时间占比是31%、25%、19%;平均瞳孔面积占比为56.3%、27.6%、16.1%。试验结果可以为提高驾驶员换道的行车安全性研究提供一定的数据支持。     

基于多源参数的高速工况驾驶行为模式识别方法

准确识别车辆当前驾驶行为模式是自动驾驶领域亟待解决的技术问题。为实现驾驶行为模式精准解析,提高模型识别精度和可靠性,通过开展自然驾驶试验,采集高速工况下20名驾驶人的驾驶行为数据及视觉特性数据等多源参数信息,分析4类典型驾驶行为模式(自由行驶、跟车、左换道、右换道)运行规律及多源参数耦合特性。基于主成分分析法确定4类驾驶行为模式表征指标集,使用支持向量机、随机森林决策树算法建立驾驶行为模式识别模型,通过学习训练,分析比较模型识别结果,对识别效果较好的模型进一步优化,分析优化模型对4类驾驶行为模式识别精度的时序性变化特征。研究结果表明：支持向量机模型、随机森林决策树模型、基于多层感知器神经网络的随机森林优化模型总体识别精度分别为89.4%、90.5%、91.9%;4类驾驶行为模式的AUC (area under the curve)值均高于0.93,可较好地识别车辆当前驾驶行为模式。此外,随机森林优化模型对4类驾驶行为模式的识别精度均随时间推移,呈现先增长后趋于稳定的变化态势,且同一时刻的自由行驶及跟车模式识别精度高于向左及向右换道模式。研究结果可为高级别自动驾驶系统决策及控制策略的制定...     

驾驶特性的识别评估及其在智能汽车上的应用综述

研究了驾驶特性的识别方法、驾驶人接管能力评估的进展、驾驶特性在智能汽车领域中的应用;将驾驶人状态监测划分为驾驶人疲劳监测、分心监测和不良驾驶行为监测,总结了驾驶人状态监测研究的目标、方法、精确度、判断标准以及优缺点;对比了驾驶人疲劳监测中不同检测信号之间的差异;评析了基于模糊识别和隐马尔可夫模型的驾驶人意图识别与预测方法;梳理了驾驶风格分类与辨识的主要步骤、典型辨识方法的特点;分析了驾驶人接管能力的影响因素与评判标准;阐述了驾驶特性用于开发用户接受度高和人机交互性能好的辅助驾驶系统的主要方式;概括了在人机共驾协同控制中考虑驾驶特性的途径。研究结果表明：基于多种传感器信号融合的驾驶人状态监测可有效避免基于单一传感器信号的弊端,提高了检测精度,减少了误警报;将传统预测模型与混合智能学习相融合的方法能够为驾驶意图在线识别与预测提供解决方案;应该重点研究复杂工况下的驾驶特性辨识;驾驶人接管能力的研究有待理论化和系统化;未来的发展趋势是开发基于驾驶特性的集成辅助驾驶技术、实现多种典型路况下驾驶人与辅助驾驶系统进行意图和控制策略的交互;将个性化驾驶人的驾驶特性融入共驾系数的设计中,从而提高人机共驾系统的个性化、智能化水平和环境适应性能。     

基于数据挖掘的危险货物运输风险驾驶行为聚类分析

不良驾驶行为(车速过高,车速变化过快等)影响危险货物及车辆的稳定性,是导致危险货物运输事故频发且后果严重的重要原因. 基于对营运车辆联网联控系统海量数据的分析处理,根据其属性提取8 个驾驶行为量化指标,采用因子分析和模糊C均值聚类相结合的方法,实现对危险货物运输车辆驾驶员风险驾驶行为的科学聚类. 结果表明,危险货物运输车辆驾驶行为特征可有效聚为急加减速、超速驾驶和变速驾驶3 种行为,且在每种驾驶行为下实现对驾驶员安全等级的分类. 由此可以识别风险较高的驾驶员,这对危险货物运输企业和行业管理部门有重要参考意义.     

单向非机动道路内混合自行车交通状态判别

为准确判别单向共享非机动道路内混合自行车交通流的状态,以流量和密度为表征指标,将模糊C均值聚类方法应用于状态判别,并采用统计回归方法分析道路特征参数、车辆特征参数和骑行者特征参数对交通流状态聚类中心的影响。结合杭州实测数据,将混合自行车交通流状态划分为畅通、稳定通行和拥挤3种状态,分别建立各状态下聚类中心流量和密度与车道宽度、电动自行车占比、男性骑行者占比3个特征参数之间的回归关系模型。结果表明,在稳定通行和拥挤状态下,聚类中心的流量都与车道宽度呈线性相关,稳定通行状态下的密度与电动自行车占比呈线性相关。     

交通状态划分的参数权重聚类方法研究

由于交通流量、速度、占有率或密度等参数在交通状态划分中作用不同,本文提出了基于参数权重聚类的交通状态划分方法.根据交通参数数据的相似性,应用基于加权欧氏距离的相似性度量方法构建了交通参数评价函数,并用梯度下降法极小化评价函数对交通参数权重进行求解.将交通参数权重应用于模糊C均值聚类算法（FCM）,得到基于参数权重的FCM道路交通状态划分方法.应用提出的模型对选取的实际交通参数数据进行交通状态划分,并与基于欧式距离的FCM状态划分结果对比.研究结果表明,本文提出的方法提高了交通状态划分精度,更接近交通实际运行状况.     

多车道高速公路出口开口段安全特性分析

为研究不同断面形式下的多车道高速公路出口影响区开口长度及流量与交通安全的关系,针对2种断面形式的高速公路出口,分别设计了3种不同的开口长度,结合3种不同流量条件设计了18个不同的驾驶模拟场景.实验招募30名被试者开展模拟驾驶实验,提取不同开口长度及流量条件下各断面形式高速公路出口的车辆行驶轨迹、换道间隙的选择、减速度、...