脑卒中患者重返驾驶能力评估的研究现状及进展

汽车驾驶已经成为人们日常生活中不可或缺的部分,也是脑卒中患者重返社会的最重要能力之一。安全驾驶和驾驶训练的基础是对驾驶能力的准确评估。根据国外研究,脑卒中后的驾驶能力评估主要包括路测、心理测验和驾驶模拟。目前,我国不仅缺少脑卒中患者安全驾驶的评定标准,也缺乏明确、统一的评估方案。近年来,医工结合技术和计算机技术的发展为驾驶能力的客观化、精准化、智能化评估提供了可能。本文旨在对脑卒中患者重返驾驶的评估研究及进展情况进行综述。

基于平行测试的认知自动驾驶智能架构研究

在大数据、云计算和机器学习等新一代人工智能技术的推动下,自动驾驶的感知智能在近年来得到显著的提升与发展.然而,与人类驾驶过程中隐含的以自我目的实现为引导的自探索性和自主性相比,现阶段自动驾驶技术主要以辅助驾驶功能为主,还停留在以被动感知、规划与控制为主的初级智能自动驾驶阶段.为实现车辆智能从数据驱动的环境感知、辅助决策、被动规划到知识驱动的场景认知、推理决策、主动规划的提升,亟需增强车辆自身对复杂外界信息归纳提炼、推理决策、评价估计等类人能力.首先回顾自动驾驶关键技术演化及其应用发展历程;随后分析测试对车辆智能评估的效用;然后基于平行测试理论,提出自动驾驶车辆认知智能训练、测试与评估空间的构建方法,并设计基于平行测试的认知自动驾驶智能训练框架.该项研究工作预期能为推动自动驾驶从感知智能向认知智能的升级提供可行的技术支撑与实现路径.

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。

机动车驾驶人驾驶技能养成现状及提升对策研究

近年来,因驾驶人驾驶操作不当导致的交通事故频频见诸报端,甚至出现严重致人伤亡现象。据统计,驾驶人驾驶操作不当导致的交通事故伤亡,仅次于未按规定让行、酒驾、无证驾驶导致的事故,居各类事故致因第四位。驾驶操作不当导致的事故突出,暴露出驾驶人驾驶技能不足、风险意识欠缺等问题,更反映了驾驶培训考试过程的应试性等深层次问题。基于上述实际,本文通过对驾驶技能养成面临的新形势、现状问题进行分析,借鉴国外驾驶技能养成的经验做法,对强化我国机动车驾驶人驾驶技能养成提出对策建议。

日常驾驶习惯对安全驾驶的影响

本文深入探讨了日常驾驶习惯对安全驾驶的影响,概述了日常驾驶习惯的定义、分类及其与安全驾驶的关联性,从驾驶 员心理与行为习惯、驾驶技能与习惯两方面分析了日常驾驶习惯对安全驾驶的具体影响。为优化日常驾驶习惯,本文提出了提升 驾驶员安全意识与素质、规范驾驶技能与习惯以及改进车辆与道路环境等策略。通过政策制定与执行、社会宣传与引导等措施实 施相关策略,并通过事故率与违章率统计、驾驶员行为变化分析等方法评估策略实施效果。本文旨在为提高道路交通安全水平提 供理论支持和实践指导。

考虑工作记忆容量和时间压力影响的驾驶绩效分析

随着风险驾驶机理研究的不断完善,外部情境因素和驾驶人内部认知差异逐渐成为当前研究的热点和难点。本文为研究时间压力、工作记忆容量与驾驶绩效之间的关系,采用时间约束和动机等主客观相结合的方法实现时间压力的施加,采用复杂跨度范式测量驾驶人工作记忆容量。基于驾驶模拟器系统构建相关驾驶场景,开展心理学与模拟驾驶行为试验,采集驾驶人心理、操作和车辆运行数据,分别就时间压力、工作记忆容量及其组合对驾驶绩效的影响进行分析。结果表明:时间压力对超速比例、碰撞概率、制动反应时间、左转选择间隙皆有显著的影响效应,且时间压力越高,超速比例越大、碰撞概率越高、制动反应时间越快、左转选择间隙越小的频次越多;工作记忆容量仅对制动反应时间有影响,工作记忆容量越高,制动反应时间越快;时间压力与工作记忆容量对制动反应时间无交互影响,但随着时间压力的增大,高工作记忆容量人群与低工作记忆容量人群在制动反应时间上的差异逐渐变小。这些发现为研究时间压力下的驾驶绩效提供了驾驶人认知方面的新见解。

人格特征对驾驶人驾驶行为的影响研究

为了解驾驶人不安全驾驶行为背后的人格特征影响因素,回顾自2000年以来国内外人格特征与驾驶行为关系的相关研究,采用系统评价和Meta分析的优先报告项目(PRISMA)标准在国内外知名数据库检索到17688篇文献,剔除重复文献3160篇、不相关文献14263篇、非优秀文献198篇,最终将67篇优秀文献纳入研究,归纳并梳理文献中不同人格特征与不安全驾驶行为的关系。结果表明:大五人格的5个人格维度与驾驶行为的关系研究结果均存在不一致;感觉寻求和冲动性各自均为不安全驾驶行为的优秀预测因子,但相较之下后者的预测能力更强;驾驶愤怒对不安全驾驶行为的直接预测能力不强;无规范感、特质焦虑、利他及自恋对均不安全驾驶行为有不同程度的影响,但相关研究较少;依恋、特质情商、集体主义和异常人格特质等人格特征受关注较少,需要更多检验;中国人样本的一些研究结果与多数研究结果存在不一致,需开展跨文化研究。

有限理性决策理论下驾驶信息过载研究及应用

随着汽车网联化和智能化的发展,汽车驾驶过程面临着车内外多源信息过载的影响,这可能会产生交通安全问题.驾驶信息过载包含感知、认知和决策等复杂神经机制.在知识、时间和精力有限的情况下,当驾驶员处于庞大、繁杂、多变环境中排查信息对象并进行决策时,决策都是在有限度的理性条件下进行,且常带有主观因素,这是有限理性决策理论的基本原理.汽车工业界基于有限理性决策理论,根据人的特性研究了AR-HUD控制驾驶信息过载的汽车驾驶辅助技术以及OLED车载显示的应用,驾驶员在面临信息过载时可快速筛选关键信息,做出正确驾驶决策,以此来提升驾驶的安全性.本文通过综述国内外学者在驾驶信息过载原因、生理心理机制以及控制驾驶信息过载的技术和装备等方面的研究成果,为安全驾驶、汽车智能化发展的产学研结合提供参考.

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。

山区公路交叉口驾驶避险决策行为特性分析

为研究驾驶特征指标与驾驶避险行为决策的关联规则以提升驾驶安全,将驾驶避险决策行为划分为纵向“停车避险”和横向“转向避险”,并运用驾驶模拟系统构建12种山区公路交叉口交通冲突虚拟场景,招募38名驾驶人进行试验,采集车辆特征和驾驶人扫视、眨眼、注视等眼动特征数据。基于随机森林构建驾驶避险决策行为模型,然后引入沙普利加和解释(SHapley Additive exPlanation, SHAP)框架进一步分析车辆、眼动特征与驾驶避险行为之间的非线性关系。结果表明:模型对纵、横向避险行为预测的准确率分别为84.77%、94.70%;纵向速度标准差、扫视持续时间标准差、轨迹偏差标准差、侧向速度标准差与驾驶避险决策行为存在明显关联,如纵向速度标准差过大(约大于10 km/h),纵向“停车避险”可能性明显增加。

基于驾驶事件的驾驶风格分类与识别方法研究

针对基于数据统计特征的驾驶风格分类识别方法容易忽略驾驶员在驾驶过程中驾驶风格多样性的问题,提出了一种基于驾驶事件、谱聚类与随机森林相结合的驾驶风格分类识别方法。设计试验采集驾驶数据,进行数据预处理,提取转弯事件和制动事件,经标准化和降维处理后,运用谱聚类算法分别对转弯事件和制动事件进行驾驶风格聚类。采用熵权法赋权得到每位驾驶员的驾驶风格权重,对比5种机器学习算法对驾驶风格识别的精确度,结果表明基于随机森林的驾驶风格识别精确度为92.73%,显著提高了驾驶风格识别准确率。

基于行车风险场的自动驾驶接管风险评估模型

为评估L3级自动驾驶的接管风险,降低接管过程中的事故率,设计城市快速路接管场景并开展驾驶模拟实验,以行车风险场理论为基础,采用动态和静态风险分布函数反映其他交通单元对接管风险的影响,引入车辆性能概率因子对自动驾驶接管过程中的事故发生概率进行表征,同时考虑接管反应时间的影响,构建自动驾驶接管风险评估模型,基于驾驶模拟实验获取接管反应时间数据和车辆轨迹数据对模型参数进行标定,并与碰撞时间倒数进行对比,验证模型的有效性。结果表明:驾驶员接管后1~9 s内模型计算所得的接管风险指数的变化趋势与碰撞时间倒数一致,但接管过程中风险指数的均方根误差均值(0.059)相较于碰撞时间倒数的均方根误差均值(0.093)下降了37%。构建的模型能够有效评估驾驶员的接管风险,且模型在表征风险的准确性方面优于碰撞时间倒数。

面向自动驾驶的多任务辅助驾驶策略学习方法

随着自动驾驶技术的发展,深度强化学习成为实现高效驾驶策略学习的重要手段。然而,实施自动驾驶面临着复杂多变的交通场景带来的挑战,并且现有的深度强化学习方法存在场景适应能力单一、收敛速度较慢的问题。针对此类问题,为提高自动驾驶车辆的场景适应能力和策略学习效率,文中提出了一种多任务辅助的驾驶策略学习方法。该方法首先基于深度残差网络构建了编码器-多任务解码器模块,将高维驾驶场景压缩为低维表征,并采用语义分割、深度估计和速度预测的多任务辅助学习,以提高低维表征的场景信息丰富程度;然后,以该低维表征作为状态输入,构建基于强化学习的决策网络,并设计多约束奖励函数来引导驾驶策略的学习;最后,在CARLA中进行仿真实验。结果表明:相较于DDPG、TD3等经典方法,文中方法通过多任务的辅助改善了训练进程,学习到更优的驾驶策略;在环岛、路口等多个典型城市驾驶场景中实现了更高的任务成功率和驾驶得分,具备优秀的决策能力和场景适应性。

基于尾灯灯语的混行交通流车辆驾驶意图识别模型研究

针对长期存在自动驾驶车辆(autonomous vehicle,AV)与人工驾驶车辆(human-driven vehicle,HV)混行的交通现状,结合深度学习和HSV颜色特征提取方法,提出了一种在混行交通环境下基于尾灯灯语的车辆驾驶意图识别模型。以Mask R-CNN(mask region proposal convolutional neural network)车辆模型检测出的感兴趣区域RoI(region of interest)为限制,将区域内的HV作为研究对象,根据尾灯位置相关性,在HV车尾区域添加纵横向约束来定位传递灯语信号的左右尾灯;在规定的灯语组合及转向灯闪烁频率基础上,提出了一种基于时间序列的灯语识别算法,运用多目标判别相关性滤波CSRT(channel and spatial relatability tracking)跟踪HV尾灯并统计尾灯时序状态;以动态灯语作为输入,构建基于尾灯灯语的驾驶意图识别模型;使用基于真实路况信息的Cityspaces数据集和交通流视频数据对模型进行训练、验证和测试。研究结果表明:基于尾灯灯语的驾驶意图识别模型对视频流车辆尾灯检测准确率和召回率分别为96.0%、98.2%,对驾驶意图识别的平均准确率达到了95.9%,单帧识别耗时为20 ms,为高速混行环境下的AV决策规划提供了有效的理论依据。

自动驾驶环境下交通-配电网协同优化运行

为深入分析耦合电力-交通网在混行条件下产生的协同优化效果,提出自动驾驶环境下交通-配电网协同优化策略。建立智慧交通-配电系统协同运行框架,并分析自动驾驶与人工驾驶汽车的行驶特性,构建基于变分不等式的交通网动态混合均衡模型;结合基于二阶锥规划的配电网动态最优潮流模型,设计两阶段迭代求解算法实现耦合网络协同运行仿真。通过与现有单一车型场景及非协调运行情况对比分析,探究在需求高峰时段混行环境下的优化运行效果,最终结果证明了所提协同优化策略的优越性,使得网络综合运行成本相较现有场景有了显著降低,实现了自动驾驶汽车渗入这一新场景下的耦合网络优化运行。

基于模拟驾驶的借道左转驾驶人视觉特性研究

借道左转是一种缓解左转车流压力的新型交通组织方法,通过信号灯时空调配借用对向车道为左转待行区,提高相位内左转车辆通行能力。笔者运用驾驶模拟平台,建立城市道路交叉口借道左转仿真场景;结合眼动追踪系统,获取驾驶人借道左转过程中视觉特性参数的变化;通过瞳孔变化和眼动行为,分析驾驶人心理紧张程度及其与行车风险的关联。结果表明:识读借道左转标识及分隔带开口、到达分隔带开口和到达借用车道停车线几个位置,是驾驶人瞳孔面积变化和持续注视时间、注视兴趣区域变化以及扫视频率骤增的集中点,反映出相应位置驾驶人风险感知强、心理负荷大;借道左转短期注视行为较多,注视时长差距较大,表明该过程驾驶人关注目标多、摄取信息密集且处理难度悬殊,需要进行高强度的信息处理;累计扫视时间占比高于普通左转,且以5°以下小角度扫视为主,反映出借道左转过程环境信息复杂、行车风险较大,驾驶人搜索、对比分析的需求更高,扫视主要是为了捕捉关注目标和补充注视信息。

基于逆模型预测控制的拟人驾驶控制

本文提出一种基于逆模型预测控制的拟人驾驶控制方法,利用模型预测控制产生的实轴轨迹与真实轨迹的损失函数更新控制模块代价函数的权重系数实现拟人化驾驶控制。将拟人驾驶控制构建成一个双层优化问题,在下层利用模型预测控制求解一个典型的最优控制问题产生实轴驾驶轨迹,在上层最小化所产生的实轴轨迹和真实驾驶轨迹的误差更新下层代价函数的权重系数,基于极大值微分原理构造辅助系统求解实轴轨迹关于代价函数权重系数的梯度。实车采集真实驾驶轨迹并进行模仿测试与泛化验证,结果表明:本文所提出的方法相比于两类基于虚轴轨迹的逆最优控制方法,在3个工况下与真实驾驶轨迹最大误差分别平均降低了73.52%和65.03%,驾驶行为更加拟人化,且具备泛化性能。

基于生态驾驶的自动驾驶汽车交叉路口控制策略研究

为了进一步提高自动驾驶汽车在交叉路口行驶时的燃油经济性,基于模型预测控制(MPC)理论,量化分析了车辆安全性、经济性、舒适性等多性能指标函数及约束,并设计了以经济性为主的交叉路口自动驾驶汽车生态驾驶控制器。仿真结果表明,所提出的控制策略能够保证良好的安全性和舒适性,与LQR控制器相比,在有前车影响和无前车影响工况下的百公里油耗分别降低15.83%和34.98%。

基于模糊数学方法评价自动驾驶接管绩效

采用问卷和实验方法,并利用模糊数学方法探讨接管前置时间、驾驶信任、情绪唤醒以及性别因素对接管绩效的综合影响。结果发现:3s前置时间的接管绩效最佳,5s次之,8s最差;低驾驶信任度的驾驶员接管绩效优于高信任度的;男性驾驶员的接管绩效优于女性,唤起中性情绪时驾驶员的接管绩效优于积极情绪时,并且交互作用显示,男性唤起积极情绪后接管绩效最差。主要结论是,驾驶员的情绪稳定有利于驾驶员在紧急情况下接管车辆。