基于多类型变量空间的驾驶行为基元提取

从驾驶数据中提取驾驶行为基元是实现驾驶行为高效准确分析的重要前提。为了更好地理解驾驶行为,使驾驶行为基元能够体现不同驾驶人的驾驶行为差异,考虑驾驶行为产生时所受驾驶人的主观约束,提出基于多类型变量空间的驾驶行为基元提取方法。使用驾驶行为原始变量反映车辆运行状态和驾驶操作,将所选择的原始变量定义为基础变量集;使用基础变量构造能够反映驾驶人对车辆运行状态主观期望的变量,并将其定义为构造变量集。利用基础变量集和构造变量集生成多类型变量空间,使用贝叶斯凝聚型序列分割算法分割数据以提取驾驶行为基元。针对多类型变量空间自调节问题,提出基于分割质量优选滑窗尺寸的方法,使多类型变量空间能够自适应不同数据集的数值特性,确保基元提取的准确度。对所得基元进行特征构造和提取,利用高斯混合聚类算法对直行和弯道路段的行为基元分别进行聚类,并通过分析各类基元的统计特征得到基元的语义描述。最后,通过实例分析验证基元提取和语义解释的准确性,以及多类型变量空间的优越性。研究结果表明：所提取的驾驶行为基元具有多角度语义,不仅能够反映车辆运行状态和驾驶操作,而且能够体现驾驶人对车辆操纵决策的主观期望,有利于从因果角度更全面地...     

驾驶人抑制控制对风险驾驶行为的影响研究

为研究驾驶人抑制控制能力与风险驾驶行为之间的关系,采用线索化Go/NoGo实验范式测量驾驶人抑制控制能力,结合抑制控制与风险决策行为特征构建模拟驾驶场景,基于驾驶模拟器系统对51名被试开展了模拟驾驶实验,记录驾驶人风险决策表现情况,并采集驾驶人操作和车辆运行数据,就抑制控制能力对风险驾驶行为的影响进行了分析。结果表明:抑制控制能力较低的驾驶人在面对风险决策时,往往表现出更高的风险行为倾向,在驾驶过程中倾向于采取更高的行驶速度,并观测到更高的超速行为比例,且对于车辆的横向控制能力偏弱。     

驾驶经验和气质类型对驾驶行为的影响分析

驾驶人的生理心理因素会对驾驶人的驾驶行为产生一定的影响已经得到了较多认同,但是通过科学实验进行定量化实证分析的研究还较少。论文首先采用量表测量与仪器测试相结合的实验方法,以专业和非专业驾驶人为实验对象,利用气质类型量表测量驾驶人的气质类型;利用实验车在实际道路交通环境下行驶以获得跟驰车辆对前后车的行驶轨迹,并计算得到影响驾驶行为的关键参数。基于实验数据分析了驾驶经验和气质类型对驾驶人的行驶速度、加速度、跟驰距离、时间间隔等方面的影响。在跟驰时驾驶人的速度和加速度选择方面,专业驾驶人对速度和加速度的选择更加具有自主性,并且内向型性格驾驶人的行驶速度和加/减速幅度一般要小于外向型性格的驾驶人。在跟驰时驾驶人对空间和时间距离的选择方面,无论是跟驰距离还是时间间隔,气质类型对非专业驾驶人空间和时间距离选择的影响更加明显,并且各速度段内向型性格驾驶人选择的空间和时间距离一般大于外向型性格驾驶人;相同气质类型的非专业驾驶人选择的时间间隔都要大于专业驾驶人。经研究建立了驾驶人生理心理特性与驾驶行为特性之间的关系,为分析驾驶人行为特性与交通安全之间的关系奠定了良好的基础。     

老年驾驶人的驾驶自我调节研究述评

随着社会人口老龄化的发展,老年驾驶人的占比逐年增加,提升老年人的驾驶安全性对于其安全自主出行和公共交通安全均具有重要意义。驾驶自我调节是老年驾驶人为适应身体、认知功能变化而对驾驶行为做出的主动调整,是其提升驾驶安全性、延长驾驶生命和维持自主行动能力的有效补偿策略。通过对已有关于老年驾驶人的驾驶自我调节研究进行系统回顾,介绍了老年驾驶人的驾驶自我调节行为的定义及其表现,归纳分析了其驾驶自我调节行为的影响因素及产生机制,在此基础上总结了现有研究的局限,并指出了未来进一步研究的主要思路和方向。对文献的梳理和分析表明：老年驾驶人的驾驶自我调节包括减少驾驶频率和回避具有挑战性的驾驶情境2种主要形式,并可分为策略性、战术性和生活目标性自我调节3种不同的层次水平;驾驶自我调节是一个复杂的过程,社会人口因素、生理健康和功能状况、心理因素等均可对其产生影响;驾驶自我调节的产生机制可以被概括为是个体从认知到态度改变,再到形成调节行为意向,直至最终发生驾驶行为改变的动态决策过程。未来对老年驾驶人的驾驶自我调节行为研究应更进一步将客观驾驶行为数据、医疗机构数据与驾驶人主观自我报告相结合,适当开展追踪研究,考察驾驶自我调节行为随年龄的发展变化趋势,深入探究驾驶自我调节的产生机制及其在降低事故发生和提升驾驶安全性方面的作用。     

驾驶员轨迹决策行为影响因素的仿真研究

通过分析包括前方道路可行区域、驾驶员体力负担及道路交通法规在内的众多因素对驾驶员开车的影响，利用模糊决策理论建立了驾驶安全性、驾驶轻便性和驾驶合法性3个评价指标，并进行了在几种典型路况下的驾驶员-汽车-道路闭环系统仿真计算，有效地描述了驾驶员在开车时动态决策汽车预期轨迹的行为。     

驾驶人驾驶决策机制遵循最小作用量原理

为提升智能汽车的自主决策能力，使其能够学习人的决策智慧以适应复杂多变的道路交通环境，需要揭示驾驶人决策机制。首先通过对自然驾驶数据的分析，发现在车辆行驶过程中能够反映驾驶人决策行为的主要运动特征参数存在极值现象，而产生极值现象的内在动因是驾驶人遵循“趋利避害”的基本决策机制，即驾驶过程中驾驶人力图实现机动性和安全性综合性能最优。受自然界包括物理和生物行为上的众多极值现象遵循最小作用量原理的启发，提出驾驶人决策机制遵循最小作用量原理的假设。随后建立抽象描述驾驶过程的物理模型，并提出最小作用量决策模型（Least Action Decision-making Model，LADM），通过与传统驾驶决策模型（经典跟车模型和换道模型）对比，分析结果显示LADM模型更具通用性。最后开展了实车试验，采集20名驾驶人在自由行驶、跟车行驶和邻车切入3种工况下的试验数据，分析计算并检验了不同驾驶人行车过程的理论最小作用量和实际作用量。试验结果表明：驾驶人在驾驶过程中的实际作用量与最小作用量之间无显著性差异，体现出驾驶人在行车过程中对安全和高效具有共性追求，验证了驾驶人决策机制遵循最小作用量原理。     

不同信号过渡方式对交叉口驾驶行为选择的影响

为掌握黄灯、绿闪和倒计时等不同信号过渡方式对驾驶行为选择的影响,通过对驾驶人黄灯期间交叉口驾驶行为决策过程及其因素的分析,采用现场视频摄录观测方法,对苏锡常地区的若干信号交叉口黄灯期间的机动车驾驶行为选择进行深度调查,对比了闯黄灯车辆行驶速度和初始位置,分析了前3辆机动车的驾驶行为选择.结果表明,信号交叉口采用绿闪和倒计时提示对驾驶行为选择影响较大,其闯黄灯行为发生率明显低于黄灯提示方式,但是倒计时提示会诱发机动车驾驶人加速通过交叉口并增加安全隐患.     

驾驶行为与驾驶风险国际研究进展

驾驶人在驾驶车辆的过程中总会面临由自身或外界条件所带来的或高或低的风险,即驾驶风险,通过对驾驶风险进行识别、分析及评估是对风险进行管理的有效对策,明确由人为因素（即驾驶人个体特征及驾驶行为）所带来的驾驶风险并对驾驶人进行安全管理尤为重要。为了全面了解各类危险驾驶行为和各种驾驶人群体的驾驶风险行为研究进展,对驾驶风险领域重点问题进行了总体概述。从驾驶人个体特征及驾驶行为的角度出发,探究了驾驶风险领域目前的研究现状,并利用科学知识图谱展示驾驶风险领域研究的发展进程与结构关系。通过Web of Science核心合集数据库获取了3 406篇在1986~2020年（截至2020年2月29日）间出版的驾驶风险研究相关英文文献,共涵盖8 684位作者及6 018个关键词,基于科学知识图谱对该领域文献进行梳理与分析。结果表明：驾驶风险领域的国外研究在驾驶人选择方面主要从年轻驾驶人、老年驾驶人、新手驾驶人及职业驾驶人的角度进行切入,重点围绕酒驾、药驾、分心驾驶及疲劳驾驶等主题开展研究。与国外研究相比,中国在分心驾驶、疲劳驾驶领域的研究相对丰富,而针对酒驾、药驾的研究试验手段较为单一,研究不够全面;在研究对象的选取上,有必要进一步增加老年驾驶人及新手驾驶人的深入研究,包括老年驾驶人适驾性评估与教育培训,以及新手驾驶人驾照分级制度的可行性探索。在研究方法方面,国外常见研究方法包括问卷调查、驾驶模拟器试验、实车试验以及自然驾驶研究等,而中国在自然驾驶研究领域尚未充分开发利用;未来应考虑多种方法相结合并从不同角度促进对驾驶行为及驾驶风险的全面理解。     

公交车驾驶人组织认同感和工作倦怠对不良驾驶行为的影响

公共交通是城市道路交通运输系统中的重要组成部分,公交车驾驶人存在的不良驾驶行为已经成为影响交通安全的最大制约因素之一,由其引发的道路交通事故给个人和社会都造成了严重损失,探索更为安全的公共交通环境显得极为重要。以公交车驾驶人为对象,探究影响公交车驾驶人驾驶行为特征的个人心理因素和组织环境因素,及其对不良驾驶行为的内在影响机制。选用工作倦怠量表（MBI-GS）、组织认同感问卷（OIQ）及驾驶行为问卷（DBQ）对844名城市公交车驾驶人展开问卷调查研究,并使用回归分析和中介检验来探究工作倦怠和组织认同感对驾驶行为的影响机制。结果表明：①32.8%的公交车驾驶人存在不良驾驶行为,错误驾驶行为显著高于违法驾驶行为。其中,在违法维度中,侵略性违法显著高于普通违法。②公交车驾驶人存在较高的组织认同感,组织认同感对不良驾驶行为具有显著的负向预测作用,对工作倦怠程度具有显著的负向预测作用;工作倦怠程度对不良驾驶行为具有显著的正向预测作用。③公交车驾驶人的工作倦怠水平在组织认同感对不良驾驶行为的影响中起到部分中介作用。该结果厘清了公交车驾驶人的工作倦怠和组织认同感对不良驾驶行为的影响机制,为进一步探究不良驾驶行为的心理干预方法提供了思路,从而达到改善城市道路公共交通安全环境的目标。     

基于驾驶模拟器的性别对信控铁路道口抵近行为的影响研究

为了分析不同性别驾驶人抵近信号灯控制铁路道口的驾驶行为特性,设计了5个具有不同红灯触发时距的信号灯控制铁路道口的虚拟场景,并进行了驾驶模拟试验,采集24名男性驾驶人和20名女性驾驶人抵近道口的微观驾驶行为数据。基于时空特性将抵近行为划分为月白灯期间、红灯进入时刻、红灯期间3个阶段,利用混合线性模型和二元Logistics线性回归模型对比分析了2组驾驶人抵近道口的制动行为、加速行为和闯红灯行为特性,并探索性别与信号灯控制铁路道口抵近行为的相关关系。结果表明：男性驾驶人更倾向于在月白灯期间提前制动,其提前制动率是女性驾驶人的1.57倍;男性驾驶人在红灯进入时刻和红灯期间的车辆操控行为特性与女性驾驶人无显著性差异;男性驾驶人的总体违法率是女性驾驶人的1.5倍,尤其在红灯触发时距较大（4~6 s）时,女性驾驶人几乎无人违法,而男性驾驶人在3个场景下的违法率仍然达到25.0%、12.5%和16.7%;男性驾驶人闯红灯的严重性更高,驾驶风格更加冒险激进;另外,驾驶人闯红灯行为还受红灯进入时刻位置、制动时刻位置和加速时刻位置显著影响,说明驾驶人在走停决策的制定上更依赖于物理空间位置,与车辆运行速度和驾驶人反应能力无关。研究结果可应用于铁路道口安全管理与防护对策设计。     

基于TD3算法的人机混驾交通环境自动驾驶汽车换道研究

提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3（Twin Delayed Deep Deterministic Policy Gradient）实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明：基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。     

基于注意力机制的多模态自动驾驶行为决策模型

针对现有端到端自动驾驶模型未考虑驾驶场景中不同区域的重要性和不同语义类别之间的关系而导致预测准确率低的问题，受驾驶人注意力机制和现有端到端自动驾驶模型的启发，充分考虑驾驶场景的动态变化、驾驶场景的语义信息和深度信息对驾驶行为决策的影响，以连续多帧驾驶场景的RGB图像为输入，构建一种基于注意力机制的多模态自动驾驶行为预测模型，实现对方向盘转角和车速的准确预测。首先，通过语义分割模型和单目深度估计模型分别获取RGB图像的语义图像和深度图像；其次，为剔除与驾驶行为决策无关信息，以神经科学和空间抑制理论为基础，设计一种拟人化注意力机制作为能量函数来计算驾驶场景中不同区域的重要度；为学习语义图像中与驾驶行为决策最为相关类别之间的关系，采用图注意力网络(Graph Attention Network,GAT)对驾驶场景的语义图像进行特征提取；然后，以保留RGB特征为原则对提取的驾驶场景的图像特征、语义特征和深度特征进行融合，采用卷积长短期记忆网络(Convolutional Long Short Term Memory,ConvLSTM)实现融合特征在连续多帧之间的传递，进而实现下一帧驾驶场景对应驾驶行为的预测；最后，与其他模型的对比试验、消融试验、泛化试验和特征可视化试验来充分验证所提出自动驾驶行为预测模型的性能。试验结果表明：与其他驾驶行为预测模型相比，所提出模型的训练误差为0.021 2，预测准确率为86.97%，均方误差为0.031 5，其驾驶行为的预测性能优于其他模型；连续多帧的语义图像和深度图像、拟人化注意力机制和面向语义特征提取的GAT有助于提升驾驶行为预测的性能；该模型具有较好的泛化能力,其做出驾驶行为预测所依赖的特征与经验丰富的驾驶人所关注的特征基本一致。     

城市快速路匝道合流区车辆交互行为模式

在城市快速路匝道合流区,驾驶任务难度主要来自于车辆与其周边车辆之间的动态交互,目前对这种交互行为的特征和机理的认识还不十分清楚。基于从无人机视频中提取的高精度车辆轨迹数据,提取出表征车辆交互行为的指标TTC和GAP,并结合速度、加速度、车道位置等其他指标,对车辆的交互过程加以刻画,从中获得了大量交互行为实例,并在此基础上归纳总结出9种典型的车辆交互行为模式。通过分析各模式特征发现：即使在相同的外部环境下,车辆交互行为模式也可能存在差异,这表明交互行为不仅与车辆之间的相对位置、时空距离、速度状态等环境因素有关,还与驾驶人的应对能力、动机及风险意识等认知心理有关;另外,不同的交互模式面临的风险不同,并且该风险既可能是周边车辆行为发生改变而被迫卷入,也可能是驾驶人自身主动寻求的结果;9种不同类型的交互行为模式,构成了驾驶人自行感知的4种风险状态互相转换的具体实现形式;在驾驶过程中,驾驶人努力寻找契机并选择某种交互行为模式在各个风险状态之间来回切换,并非仅由心理压力较大的危险态向压力较小的自由态转换,也会发生反向转换,前者主要由降低事故风险和减少认知努力的动机驱动,后者旨在追求行车效率,但同时驾驶人会付出更多的认知努力以对抗风险的增加,这充分反映了驾驶人试图在行车效率、事故风险与认知努力三方面取得平衡。研究成果对深化理解驾驶行为及其背后的决策机制具有积极意义。     

基于轨迹数据的危险驾驶行为识别方法

连续的跟驰行为和换道行为是驾驶行为的主要构成部分,对交通拥挤和交通事故有着重要影响。通过无人机视频拍摄和图像处理方式,提取了曹安公路沿线的2个交叉路口间正常交通流状态下共600条多车高精度轨迹数据。首先,考虑车辆类型对驾驶行为产生直接的影响,分析了大车和小车的车辆轨迹特征变量分布的差异性,包括速度、加速度、碰撞时间倒数、车头时距等,在标记危险驾驶行为的过程中考虑车辆类型的影响。其次,针对不同的车辆类型,利用修正碰撞裕度对跟驰行为和换道行为进行风险性评估,将其划分为安全型和风险型。根据风险型行为发生的顺序以及持续时间,评估驾驶人的整体驾驶状态是否危险,作为危险驾驶行为识别的样本标记。分别利用离散小波变换和统计方法提取车辆轨迹的关键特征参数,为了提高模型识别效率,将关键特征参数进行排序,从而确定最优判别指标;最后,利用轻量梯度提升机（LGBM）算法对危险驾驶行为进行识别,并与随机森林、多层感知器、支持向量机等算法在精度上进行比较。研究结果表明：在上述研究条件下,LGBM算法对危险驾驶行为的理论识别率最高可达93.62%,可以实现基于机器学习算法的危险驾驶行为的高精度自动识别,该结果对于智能驾驶辅助系统的设计、道路交通安全决策的制定具有显著的意义。     

城市道路多车道交织区的微观驾驶行为特性

为明确城市道路立交交织区的微观驾驶行为特征,在重庆市主城区南山立交开展小客车实车试验,通过车载高精度GPS和Mobileye采集了32名驾驶员在自然驾驶状态下的交织区实测数据,获得了交织区以及邻近路段范围内的行驶轨迹特征、速度特征、车辆汇入行为、换道时间等微观驾驶行为的变化规律和分布特性,并分析了驾驶人性别、气质类型对微观驾驶行为的影响.结果表明,驾驶人在交织区范围内会经历减速和加速2个阶段,内敛型驾驶人进入交织区时的减速长度显著大于外向型驾驶人,交织区内的加/减速度幅值在±0.5m/s2范围内,交织区进口速度高于出口速度.在交织区范围内,男性驾驶人比女性驾驶人更早执行换道操作;另一方面,男性驾驶人穿越三角区再汇入车流的危险行为占比较大,容易导致交通事故的发生.男性驾驶人和外向型驾驶人通常更偏向以较高的速度通过交织区,并且换道持续换道时间较短;女性和内敛型则相反,速度普遍偏低,且需要更长的换道时间.      

考虑驾驶风格的智能车自主驾驶决策方法

为了提升智能车类人驾驶水平,提供符合驾乘者驾驶习惯的个性化驾驶服务,改进了DDPG算法并设计智能车驾驶决策系统,学习不同风格的个性化驾驶策略.招募20位驾驶人参加基于仿真平台的模拟驾驶实验,采集驾驶数据.运用相关性检验方法选择个性化驾驶评价指标,使用K-means聚类方法将驾驶风格进行分类.在基础DDPG算法的输出部分加入线性变换过程,形成改进的个性化驾驶决策学习算法,进而构建个性化自主驾驶系统,以3种驾驶风格作为学习目标,调节线性变换参数,在线训练并测试算法.结果表明,提出的方法比基础算法收敛速度提升21.3%.算法在测试场景中,保持了高于驾驶人的横向控制水平,车道偏移量下降73.0%,且驾驶的车辆未与道路外侧护栏发生碰撞.聚类结果显示,算法通过调节线性变换参数,能够有效学习不同的驾驶风格.      

基于LSTM概率多模态预期轨迹预测方法

针对单模态轨迹预测无法充分表示未来预测空间以及解决轨迹预测固有的不确定性问题，本文构建了驾驶行为意图识别及交通车辆预期轨迹预测模型。驾驶行为意图识别模块识别被预测车辆车道保持、左换道、右换道、左加速换道和右加速换道的概率；交通车辆预期轨迹预测模块采用编码器-解码器架构，输出被预测车辆未来6 s内可能发生的多种行为和轨迹。通过HighD数据集对模型进行训练、验证与测试。试验结果表明：基于意图识别的预期轨迹预测模型生成的多模态概率分布可提高本车行驶安全性，与其他方法相比显著提高轨迹预测精度，在预测长时域轨迹上具有明显的优势。     

基于逆向强化学习的纵向自动驾驶决策方法

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。     

无保护左转环境下自动驾驶汽车交互策略分析

在人类驾驶汽车(HV)与自动驾驶汽车(AV)构成的混驾环境下，AV交互策略是否符合人类驾驶的预期成为影响新型混合交通流运行安全的重要变量。为了综合、系统地分析AV交互策略特征，基于HV和AV混行驾驶数据集Argoverse2,提取了近4 300组左转和直行冲突交互事件。进一步由表及里，分别从交互即时运动状态、交互过程运动行为和交互内在决策选择3个层面，提出了“冲突点-轨迹线-事件集”一体化三维分析框架。在冲突点维度，从交互时间层面定义了到达冲突点时间差、从动作空间层面定义了到达冲突点协作加速度，并展开分析；在轨迹线维度，利用Frenet坐标转换，选取时间-纵向位移轨迹、横向位移-纵向位移轨迹从纵向行进、横向偏移2个层面分析交互过程；在事件集维度，基于决策树挖掘HV潜在交互准则并与AV交互策略对比分析。结果表明，Argoverse AV左转交互策略与HV存在明显差异：交互即时运动状态表现出更加明细的保守性特征，动作空间与HV相比收缩了31.2%;交互过程行为则表现出策略的单一性特征，停车让行等待位置及通过冲突点行为的选择较HV更为单一，总体横向偏移程度比HV小57.1%;交互内在决策选择...     

货运驾驶人心理与行为调查分析

随着社会经济的发展,公路货运量及公路营运载货汽车拥有量的持续增长,货运交通安全及货运行业安全管理问题面临巨大挑战。与此同时,货运驾驶人在驾驶过程中使用手机、疲劳驾驶等现象突出。本文针对长途货运驾驶人心理特征、驾驶愤怒、职业健康、驾驶行为理论分析、企业安全管理展开了问卷调查及分析,并基于问卷数据分析了货运驾驶人心理特征对驾驶行为的作用机制、企业安全氛围与驾驶人职业健康的相互作用关系。得到货运驾驶人存在的安全问题,并提出企业安全教育改善对策。分析结果可为货物运输企业的安全文化提升提供指导性意见,具有重要的理论与实践意义。