基于新能源高频大数据的驾驶行为与能耗分析

近年来,在新能源汽车示范推广和财政补贴的大背景下,我国新能源汽车产业快速发展。但与传统燃油车相比,新能源汽车的技术成熟度尚且不足,在研发、运行阶段仍存在诸多问题等待解决,其中能耗和续航问题的关注度尤为突出。本文基于车载终端采集到的新能源高频大数据,提取能够反映驾驶行为精细时空变化特征的特征参数集,采用主成分分析方法将特征参数集进行优化,利用K-means算法实现驾驶行为的自动分级,并分析了不同级别驾驶行为的能耗分布情况。分析结果表明,驾驶行为影响新能源汽车能耗水平,其中平稳驾驶对应的能耗较低,对新能源汽车产品升级和用户驾驶习惯优化具有一定的参考价值。     

驾驶风格对驾驶行为的影响

为了揭示驾驶风格对驾驶行为的影响规律,进而提取表征驾驶风格的特征参数,对不同风格驾驶人在感知层和操作层的驾驶行为数据进行了量化分析。首先,基于驾驶行为问卷对18名中国非职业驾驶人进行了驾驶风格问卷调查,并采用主成分分析、K-均值聚类等方法将被试驾驶人分为谨慎型、正常型和激进型3种类型。接着,被试驾驶人在搭载了SmartEye眼动仪的驾驶模拟器上开展了高速公路行车环境下的驾驶试验,同步采集了感知层的视觉特性参数和操作层的驾驶绩效参数,并采用判断抽样的方式将驾驶样本按照驾驶风格和驾驶模式（换道意图和车道保持）进行了划分,共选取了810组有效样本。最后,采用方差分析法分析了不同风格驾驶人在不同驾驶模式下的注视行为、扫视行为、横向控制特性、纵向控制特性方面相关参数的差异显著性,并提取了不同风格间存在显著差异的参数作为表征驾驶风格的特征参数。研究结果表明：驾驶风格越激进,驾驶人对周围环境关注越少,对车辆的横向控制稳定性越差,急加速和急减速行为发生的频次越高;不同风格驾驶人在意图时窗内对后视镜的注视次数（p=0.002）、方向盘转角熵值（p=0.04）、加速踏板开度（p=0.01）、制动踏板开度（p=0.02）这4个参数的差异均较为显著,因此可作为表征驾驶风格的特征参数。     

基于数据降维与聚类的车联网数据分析应用

智能网联背景下的车联网数据分析与应用对提升交通智能化有重要影响。为了加快交通智能化进程,文章对车联网数据应用过程中存在的数据冗余问题进行研究。以采集的车联网数据为研究对象,驾驶行为特点分类辨识为研究目标。采用相关分析与主成分分析方法对数据进行冗余筛选与降维,使用k-means聚类算法对驾驶行为特点进行分类辨识。研究结果表明,使用数据降维的方法可以降低车联网数据的相关冗余性,驾驶行为特点分类辨识结果表明其特点可分为三类驾驶行为。研究提升了车联网数据的应用价值,也为交通智能化提供了相关的支持。     

驾驶执行过程研究概述

对于道路交通系统运行安全与效率,驾驶行为起着关键的作用.相关研究中多将驾驶行为分为认知过程、决策过程、执行过程和学习过程.针对驾驶执行过程的研究是驾驶行为研究的重要部分,通过分析目前研究的主要进展和存在的主要问题,对其从研究基础与研究方法2个方面进行论述.结合动作捕捉等先进传感器装置的发展,提出基于所采数据的驾驶动作参数、动作配合等数据分析方法,用于对驾驶执行过程进行量化研究.总结了驾驶执行过程的研究意义,并对其在生态驾驶的研究方向进行了展望.      

面向人机协同共驾的驾驶行为短时预测方法研究

通过实时感知交通场景下的汽车相对运动状态和行车安全信息,对驾驶人的操纵行为进行短时预测,进而为人机协同驾驶中主权切换的模式与方法提供依据.基于线性最优二次型方法建立了典型驾驶意图下的驾驶操纵序贯链优化目标函数,通过求解目标函数得到驾驶人操纵行为对车辆运动状态的改变量,并结合运动学CA模型提出了驾驶操纵行为短时预测模型.运用统计检验分析实车试验和所提出的模型得到的仿真试验驾驶输入之间的差异程度.实车实验的统计检验结果表明,不同驾驶工况下的驾驶输入差值的配对样本T检验的T统计量分别为1.96,0.1,1.36,均小于其T临界检验值.所提出的模型能较好的模拟实际驾驶操纵行为特征,并能对驾驶人操纵行为进行准确的短时预测.      

基于车辆运行数据的纯电动汽车用户驾驶风格识别与驾驶能耗分析

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。     

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。     

基于驾驶员数据学习的自动驾驶车辆弯道转向控制研究

针对自动驾驶车辆的弯道转向控制问题,提出了一种基于驾驶员操纵数据分析和学习的控制方法。首先,建立了人-车-路软硬件综合模拟驾驶平台,采集了多位驾驶员在不同弯道上的转向操纵数据及车辆状态数据;然后,采用离散分析和拟合分析进行数据分析,并基于模糊综合评价算法建立转向行为评价体系进行数据评价与筛选;最后,将筛选后的驾驶员数据作为训练样本进行神经网络训练,建立基于神经网络的弯道转向控制器。仿真和实车验证结果表明,所设计的控制器能够很好地模拟熟练驾驶员在弯道上的转向行为,并能够保证车辆在弯道行驶的安全性和稳定性。     

驾驶行为险态辨识方法

为实现险性驾驶行为状态的有效辨识,提出了一套驾驶行为险态辨识方法.以单位时间误操作率为依据,采用自底向上的分段算法实现了行为险态分级,采用因子方差分析,选取听觉感知、动视野、动视力、色觉、暗适应、注意力、判断能力、反应时这8项因子构成驾驶行为状态因子集,构建驾驶行为险态辨识特征向量,然后再对行为状态指标数据予以预先分级的前提下,采用单因子分析法对试验数据予以分析.并设计出BP神经网络行为险态辨识模型,最后进行了实例分析与计算.分析结果表明:反应时、注意力、判断能力3项指标在各分级间差异显著,故可作为驾驶行为险态辨识主因子,行为状态错判误差率为2.5％.     

基于NGSIM数据库的驾驶风格聚类研究

驾驶风格用于表征驾驶人的行为特性,对发展自动驾驶技术、制定个性化的驾驶策略具有重要价值。文章基于美国NGSIM数据库中的车辆行驶状态数据,选取横向速度绝对值均值、横向速度绝对值标准差、纵向速度绝对值的标准差等九个统计量作为特征变量,利用主成分分析降维算法及K-means聚类算法对行驶数据进行驾驶风格分类研究。将驾驶风格分为保守型、一般型及激进型三个类别,数据分析表明,保守型驾驶人的横向速度均值、纵向加速度均值、横纵向冲击度均值等统计量均为三种类型中的最小值,而激进型驾驶人的对应统计量为三者中的最大值,一般型驾驶人居中,验证了本次聚类结果的合理性。