不良天气下山区公路异常驾驶行为风险因素挖掘

异常驾驶行为(如超速、急转弯、急刹车、急加速等)是造成交通事故的主要原因。为探讨异常驾驶行为与道路、驾驶人特征和天气等风险因素的关系,通过驾驶模拟实验采集驾驶人行为与生理数据,并依此识别驾驶人异常驾驶行为,同时采用Apriori关联规则算法,挖掘异常驾驶行为与天气类型、弯道类型、驾驶负荷水平之间的关联,最终得到置信度和提升度排名前25%的因果关联规则共11条。研究结果发现:中高负荷、降雨天气与直线段或大半径连续弯道的耦合容易诱发纵向异常驾驶行为(如超速、急减速、急加速);高负荷、晴天与小半径连续弯道的耦合容易诱发横向异常驾驶行为(如急转弯)。

基于驾驶仿真的高速公路光伏板对驾驶行为的影响研究

高速公路边坡设置太阳能光伏板对于节能减排和可持续发展具有重要意义。然而光伏板会造成驾驶人驾驶分心及眩光等问题,形成一定的安全隐患。因此,该研究基于山东某高速公路,采用虚拟仿真模拟了不同光照条件及道路线形下的8种高速公路光伏场景,选取速度、速度标准差、加速度、加速度标准差、方向盘转角程度、油门踏板深度和横向偏移7个驾驶行为指标,采集了35名被试者在不同场景中的驾驶行为数据,并采用统计分析方法分析了不同场景下各驾驶行为指标的统计学意义。研究结果表明,无论是曲线还是直线路段上,设有光伏板的方案显著影响了驾驶人的速度操控能力和车辆操作水平。在不同半径的曲线路段设置光伏板,除油门踏板深度和横向偏移绝对值外,其余5项指标均具有统计学意义。此外,在不同的光照条件下,除方向盘转角程度指标外,其他指标均无显著性差异。该研究不仅验证了高速公路边坡光伏板对驾驶行为的影响,还为未来相关设施的设计提供了重要的理论依据。

纯电动汽车互通立交合流区驾驶行为的安全评价

为研究纯电动汽车驾驶人在互通立交合流区驾驶行为的安全性,开展了考虑车辆交互行为模式的驾驶模拟实验。实验招募了40名驾驶人(包括新手驾驶人和熟练驾驶人),通过六自由度驾驶模拟器采集车辆运行数据和驾驶操作数据;基于SBM-DEA模型,采用纵向加速度、横向加速度、偏航角变化率和方向盘转角变化率作为投入指标,行驶速度、距碰撞时间、严重冲突暴露时间作为产出指标,对驾驶行为进行量化评估。结果表明:超过85%的决策单元在DEA模型稳定性验证中排名处于稳定范围内,证明模型具有较强的稳定性;驾驶水平较高的驾驶人在安全性得分上表现出更优的稳定性和一致性;与非预期场景相比,新手驾驶人在预期场景下安全性得分更高。

驾驶行为分类方法及量化评估综述

对驾驶行为分类方法及量化评估进行综述,首先阐述了驾驶行为的涵义及表征方法,然后将驾驶行为分类方法划分为基于统计特性的分类方法、基于机器学习的分类方法、混合式(组合、集成)分类方法三大类,并对不同的驾驶行为分类方法的代表算法、优点及局限性等进行系统归纳和总结,其次,从多个维度对驾驶行为的量化评估研究进行系统介绍,最后介绍了驾驶行为分类及量化评估研究成果在多个领域的应用现状及前景展望。

行人过街事件网联HUD预警系统对驾驶行为的影响

为探索行人过街事件网联环境下平视显示预警系统在不同天气条件下对驾驶行为的影响,以论证预警系统的有效性。文中首先设计基线条件(Baseline)、低头显示(HDD)、平视显示(HUD)3种预警系统,依托驾驶模拟平台开发晴天和雾天天气条件下城市道路网联场景,通过实验测试提取驾驶行为参数;然后,从微观层面刻画行人过街事件网联HUD预警系统作用下驾驶行为的整个空间变化过程,分析预警系统和天气状况两种因素对驾驶行为的作用规律,构建包含避险阶段和恢复阶段的驾驶行为影响模式,提出了反映避险阶段安全水平、恢复阶段恢复水平以及全过程稳定水平等3个层面的综合指标体系,包括首次制动距离、最小冲突距离、恢复稳定时间、速度恢复量、最大减速度和最大加速度;最后,量化不同预警系统(Baseline/HDD/HUD)、天气状况(晴天/雾天)以及两因素间交互作用对驾驶行为的影响。结果表明:行人过街网联HUD预警系统对驾驶人在避险阶段和恢复阶段中的驾驶行为存在显著性作用,显著提高避险阶段驾驶行为的安全水平,同时对恢复阶段恢复效率具有明显的提升作用,也显著影响全过程运行特性的稳定水平;在雾天条件下行人过街网联HUD预警系统表现出更为明显的优势。

高原环境导致的中青年驾驶行为及驾驶绩效特征

为了量化分析高原环境导致的驾驶行为特征差异,寻找驾驶绩效下降时间窗,运用驾驶模拟器和低氧发生器在平原地区模拟海拔3 900 m高原驾驶环境,开展驾驶模拟试验分别收集驾驶人在平原环境和模拟高原环境的驾驶行为数据和心电图(electrocardiogram,ECG)信号数据。通过对比高原实车试验环境驾驶人的心率指标变化,运用雷达图、数值排序图和单因素方差分析方法对平原、高原环境下的驾驶行为特征进行对比分析,引入Jensen-Shannon散度(JS散度)量化2种环境下横向偏移距离、横向加速度、转向盘旋转率和速度这4个指标的概率密度拟合分布之间的差异,使用差分法确定高原环境下的驾驶绩效下降时间,验证了模拟高海拔环境驾驶模拟试验的有效性研究。结果表明:高原环境下横向偏移距离标准差、横向加速度标准差、转向盘旋转率标准差、速度标准差比平原环境下分别增加了0.094 3 m,0.119 0 m/s^(2),0.000 9°/s,0.651 3 km/h,车辆整体稳定性降低;借助JS散度发现横向偏移距离、横向加速度、转向盘旋转率和速度这4个指标在2种环境下的数值分布存在较大距离,分别为0.23,0.11,0.01,0.02,其中车辆的横向运动受负面影响更大;在进入海拔3 900 m的高原地区时,驾驶绩效约在6 min后显著下降。

基于生成对抗网络的驾驶行为风险监测方法

针对真实驾驶场景下驾驶行为风险难以准确判断的问题,提出一种基于生成对抗网络的生成序列评估框架,旨在通过车辆行驶状态数据与驾驶场景信息匹配度评估来提高驾驶行为风险判断的准确性。构建真实驾驶场景数据匹配序列框架,利用生成对抗网络增加不同驾驶场景的数据量,提出一个驾驶员个性化情景感知样本数据集,对比分析真实数据和生成数据,并验证生成对抗网络检索与生成框架在匹配车辆行驶状态数据与驾驶场景信息方面的有效性和准确性。采用无监督学习生成评估框架,结合自回归模型中的监督训练控制策略来解决数据扩增问题,并通过迭代更新样本序列进行策略集成以保持模型鲁棒性。实验结果表明,相较于现有方法,所提研究框架在识别危险驾驶状态方面具有明显优势,为车辆行驶状态数据与驾驶场景信息的匹配评估提供了一种新的视角。

基于网络货运平台司机驾驶行为的信用评价体系构建

我国网络货运平台市场规模快速增长,道路货运数字化、规范化、集约化水平不断提升,然而运输过程中部分司机有不良驾驶习惯、服务质量低、运输风险高,导致平台与货主对司机信用评价不高,构建基于网络货运平台司机驾驶行为的信用评价体系有利于降低运输风险,保障司机安全、货物安全和道路交通安全,同时能够提升司机信用水平,提升网络货运平台服务水平。首先,基于司机驾驶行为选择评价指标,通过因子分析提取四类公共因子建立司机信用评价体系;其次,基于SOM-k-means算法对司机驾驶行为进行聚类,从服务质量和运输风险两个角度将司机划分为九种信用等级;最后,通过随机森林模型对不同信用等级进行分值评定,最终确定高价值、中等价值、低价值司机的分数区间,并对不同信用等级的司机提出治理建议。

基于积极性维度的公交车驾驶员驾驶行为量表修订

目的公交驾驶员驾驶行为与交通事故的发生息息相关,修订公交车驾驶员驾驶行为量表,系统考察公交车驾驶员驾驶行为特点,提升道路安全。方法在全国分两次随机选取840名公交车驾驶员作为样本。样本1(n=411)用于探索性因素分析,样本2(n=411)用于验证性因素分析。结果修订后的驾驶行为量表共34个题目,5个维度,各维度信度较好,在0.73~0.87;量表各维度与驾驶风格量表各维度的相关显著,表明量表的相容效度较好。结论公交车驾驶员驾驶行为量表与驾驶风格量表各维度之间相关显著,量表相容效度良好。

纯电动公交车驾驶行为对能耗的影响研究

为深入了解城市纯电动公交车驾驶特性及能耗规律,采集其自然驾驶数据,从运行工况、速度、加速度、踏板开度4个方面分析驾驶行为特征。其次,利用相关性分析寻找影响纯电动公交车能耗的因素,从速度、加速度、运行状态、典型工况4个方面分析驾驶行为对能耗的影响规律。分析结果表明,纯电动公交车能耗与速度呈U型变化曲线,与匀速工况占比呈线性负相关,与加减速工况占比呈二次函数关系;存在能量回收最大的加速度区间;典型工况能耗占公交循环总能耗的82.36%。最后,依据分析结论提出纯电动公交车节能驾驶建议,旨在指导公交车驾驶人降低行车能耗。

基于人工智能的驾驶行为监测系统设计与实现

针对当前道路安全中驾驶行为的监测和分析问题,提出了一种基于人工智能的驾驶行为监测系统。该系统集成了机器学习和计算机视觉技术,目的是实时识别并分析驾驶员的行为模式,以便预测和预防潜在的交通事故。通过利用车载摄像头和多种传感器的数据,系统采用深度学习算法进行高效的数据处理,实现了对复杂驾驶环境和行为的精确解析。实验结果显示,本系统在检测诸如超速、急刹车、分心驾驶等危险行为方面表现出高度的准确性和可靠性。综合而言,本研究不仅推动了人工智能技术在交通安全领域的应用,也为未来驾驶行为监测和交通事故预防提供了有力的技术支持。

基于车辆运动信息的驾驶行为识别方法研究进展

驾驶员在道路交通系统中发挥着核心因素,驾驶行为直接影响道路交通安全。一种准确、可靠的驾驶行为识别方法对车辆驾驶安全具有重要意义。本文总结基于车辆运动信息的驾驶行为识别方法研究进展。首先,在考虑车辆运行工况后形成驾驶行为闭环系统,阐述驾驶行为涵义。其次,从三方面总结车辆运动信息采集系统和所识别的驾驶行为。再次,考虑车辆运动信息,以数据驱动方法为切入点,阐述驾驶行为识别方法进展。最后,总结驾驶行为技术未来研究方向。

“醉驾型”危险驾驶罪中“驾驶行为”的理解和认定

在"醉驾型"危险驾驶罪客观方面,"驾驶行为"的理解和认定直接影响犯罪的成立。应立足于危险驾驶罪的立法目的,考察危险驾驶罪的本质,结合我国醉驾的现状,对"驾驶行为"予以合理界定。"驾驶行为"是指行为人基于运行机动车的意图自主发动机动车引擎或实际运行机动车的行为。"驾驶行为"的本质是行为人对机动车的自主控制。驾驶行为的目的在于运行机动车。驾驶行为的常态方式是直接驾驶,间接驾驶、遥控驾驶、部分"受强制"的驾驶也属于危险驾驶罪中的驾驶行为。

考虑经验驾驶行为的入弯实时类人速度规划方法

为提高自动驾驶汽车的安全性、舒适性与通行效率,提出了一种考虑到滑行及安全速度的类人入弯速度规划策略。该策略基于混沌优化理论与实车弯道行驶速度数据,通过将车辆的入弯速度规划问题构建为多目标优化问题,建立了舒适模式与效率模式。通过定义奇点速度,简化了非线性高阶约束条件。结果表明:在该策略规划中,在不同弯道场景下,横向加速度和纵向加速度均在摩擦圆约束内,可保证车辆的行驶安全。相比于未考虑滑行的方法,在舒适模式下,该策略产生的纵向加速度减小9.76%,通行效率提高61.73%;在效率模式中,纵向加速度为加速度阈值,满足加速度约束,通行效率提高88%。因而,无论舒适模式还是效率模式,该方法均可兼顾舒适性和通行效率。

城市道路中间路段人车冲突中网联预警信息对驾驶行为的影响

本文旨在研究网联预警信息对城市道路人车冲突中驾驶人行为的影响。利用驾驶模拟器设计城市道路驾驶场景与网联预警信息系统,考虑不同类型的视觉盲区,构建了6个典型的行人与机动车冲突场景。将招募的70名驾驶人划分为实验组和对照组,进行驾驶模拟器实验,采集实验过程中的驾驶人行为和车辆轨迹数据。利用生存分析法研究了不同因素对冲突过程中驾驶人避让反应时间与制动持续时间的影响,并建立面向冲突过程的人车事故风险预测模型,评估网联预警信息对驾驶行为的影响。结果表明:由公交车、路侧停车及树木与车辆等导致的视觉盲区会降低驾驶绩效,增加冲突过程中驾驶人的避让反应时间,降低制动持续时间;人行横道的存在使平均避让反应时间减少0.90 s,使平均制动持续时间增加0.41 s,并降低人车事故风险;网联预警信息可使驾驶人的平均避让反应时间减少0.52 s,平均制动持续时间增加0.40 s,使制动过程更加平稳,显著降低冲突过程中的事故风险,保障行人安全。

基于混合策略改进ASO-LSSVM的风险驾驶行为分类识别

为解决现有智能算法在优化支持向量机识别风险驾驶行为过程中收敛速率缓慢和误差较大的问题。首先,采用Tent映射取代原子搜索优化算法(ASO)种群初始化随机设置的方式,增加原子种群多样性和质量;其次,使用逐维小孔成像反向学习与柯西变异混合机制,提高原子个体择优位置的多样性,克服ASO算法易陷入局部最优和过早收敛的问题;最后,通过引入自适应变螺旋搜寻策略改进原子个体位置更新过程,以提升ASO算法的全局搜索能力,实现全局搜索和局部开发间关系的有效平衡,缓解ASO算法易陷入局部最优和收敛精度不足的问题。以上海北横通道出口匝道车辆轨迹数据为输入,使用混合策略改进ASO算法寻优求解最小二乘支持向量机(LSSVM)参数,构建基于混合策略改进原子搜索优化最小二乘支持向量机IASO-LSSVM的快速路出口匝道风险驾驶行为分类识别模型。数值仿真实验结果表明:IASO算法在12个基准测试函数数值仿真结果的平均值、标准差、最佳适应度和最差适应度等方面均更接近最佳优化值。IASO-LSSVM模型相较于ASO-LSSVM和LSSVM等模型的风险驾驶行为分类识别结果误差指标正确率、精确率、召回率和F1值分别增加11.5~24.5、14.1~29.0、15.1~28.6和14.7~31.2个百分点,且在不同类型风险驾驶行为识别结果中误差变化范围最小。IASO算法参数寻优求解精度和收敛速率优于ASO算法,且IASO-LSSVM模型可用于不同类型风险驾驶行为精准识别,可为车辆行驶轨迹状态合理判别,制定风险驾驶行为预警防控措施提供数据支撑与理论依据。

一种动态自适应麻雀搜索算法及在车联网驾驶行为识别中的应用

针对麻雀搜索算法(SSA)跟随者接近种群内个体最佳位置时收敛速度过快而导致易陷入局部最优的问题,文中提出一种基于动态自适应的改进型麻雀搜索算法(ASSA)。首先,在搜索寻优过程中,对发现者位置和跟随者位置进行动态更新,为保证算法在迭代后期的收敛速度,警戒者的个数采用线性递减的方式;其次,为防止算法陷入局部最优而导致的迭代中断,通过高斯随机分布形成新的发现者;最后,为验证改进算法的有效性,利用4种典型的函数进行测试,测试结果与SSA进行对比。结果表明:ASSA能够有效解决SSA易陷入局部最优的问题,并在收敛速度等性能上得到了有效提升。在此基础上,将ASSA算法应用到车联网驾驶行为识别中,通过优化BP神经网络,使得网络具有更高的识别准确率和性能。

基于多Agent建模和NetLogo仿真的异质性驾驶行为对交通流的影响

为弥补现有交通流仿真模型中对异质性驾驶行为考虑不足,基于多智能体建模和NetLogo仿真方法研究了异质性驾驶行为对交通流的动态影响。首先,基于规则和模糊控制算法,构建了人-车-路多智能体系统模型。然后,以西安市某路段为案例,构建了3车道城市主干路交通流仿真模型,运用NetLogo软件实现了车辆跟驰、换道、碰撞等行为可视化仿真。最后,分析对比了异质性驾驶人车速控制和换道行为差异,研究了碰撞事件影响下的动态交通流演化特征,并与其他仿真模型进行对比。结果表明:交通事件会影响交通流的连续性,在固定仿真时间条件下,即使碰撞事件消失,拥堵状态缓解,交通流的整体车速只能恢复至最高车速的70%;异质性驾驶人在车速控制和换道行为上存在差异,激进型驾驶人的车速控制策略更加离散。与VISSIM仿真模型相比,基于多智能体的交通流仿真模型能够揭示交通瓶颈和碰撞事件之间的关系,为中微观交通流仿真提供了参考。

考虑驾驶行为的小汽车-卡车混合交通流特性

为探讨考虑驾驶行为因素的小汽车与卡车混合系统的交通流特性,运用元胞自动机建立相应的跟车模型,通过MATLAB软件仿真分析不同条件下混合流的基本特性及拥堵情况。结果表明:若卡车混入率增大,车辆平均车速和相应交通流量都会降低;冒险系数β越大,即当驾驶员行为更激进时,道路交通流的平均车速和流量就越大,车辆的通行程度得到提升,此外,冒险型与保守型的驾驶员比例越高,平均速度也越大。关于交通拥堵状况,不同密度下是否加入卡车对拥堵的影响也不同,低密度下卡车的添加会减轻拥堵,而高密度下则会加重拥堵,并且在高密度条件时的纯小汽车和卡车加入两种情况下,冒险系数越大,越会加重道路拥堵。

汽车安全技术感知与不安全驾驶行为的关系分析

探讨驾驶安全技术先进的汽车时产生的不安全驾驶行为(例如,自动紧急制动导致驾驶员对道路危险的关注减少),并讨论其产生原因。通过设计问卷并构建了两个结构方程模型并进行了验证.结果表明,社会规范感知、技术风险感知和安全体验感知通过不安全驾驶心理的中介作用影响不安全驾驶行为。将确定实际应用,以减少汽车驾驶员在驾驶先进安全技术汽车时产生的不安全驾驶心理,从而改善他们的驾驶行为,防止意外伤害。