不同风险水平下驾驶员风险感知能力对驾驶决策的影响

目的考察驾驶员的风险感知能力(高、低)在不同交通风险水平(高、低、无)对驾驶决策的影响,以及驾驶员的视觉搜索特征。方法采用风险感知视频测试将40名年轻驾驶员分为高风险感知组与低风险感知组,向驾驶员展示具有不同风险水平的交通图片,要求驾驶员做出是否减速的决策,通过眼动仪记录驾驶决策、反应时和眼动情况。结果在低风险水平,高风险感知驾驶员的减速决策得分显著高于低风险感知驾驶员。在无风险水平,高风险感知驾驶员的总注视时间和凝视时间显著长于低风险感知驾驶员,注视次数显著多于低风险感知驾驶员。结论高风险感知驾驶员更注重对风险的搜索,驾驶决策更加谨慎。研究结果为驾驶员的驾驶安全培训与风险感知能力检验提供参考。

风险水平与风险源类型对驾驶决策的影响

目的 考察风险水平(高、低)与风险源类型(机动车、行人)对驾驶决策的影响以及驾驶员的眼动搜索模式.方法 向41 名驾驶员展示具有不同风险水平的交通图片,要求驾驶员做出是否减速的决策,采用Eye Link 1000 Plus眼动仪记录驾驶决策、反应时和眼动情况.结果 低风险情境下,驾驶员对行人风险的减速决策显著多于机动车风险,驾驶员对行人风险的总注视时间和凝视时间都显著短于机动车,注视次数显著少于机动车;高风险情境下,驾驶员对行人风险和机动车风险的减速决策无显著差异,驾驶员对行人风险的总注视时间和凝视时间显著长于机动车.结论 驾驶员对潜在行人风险的视觉加工更高效,驾驶决策更谨慎.本研究为制定符合驾驶员驾驶习惯的交通规则提供了借鉴与参考.

自动驾驶车辆在无信号交叉口右转驾驶决策技术研究

利用深度强化学习(deep reinforcement learning, DRL)技术实现自动驾驶决策已成为国内外研究热点,现有研究中的车辆交通流缺乏随机性与真实性,同时自动驾驶车辆在环境中的有效探索具有局限性。因此利用TD3算法进行自动驾驶车辆在无信号交叉口下的右转驾驶决策研究,首先在Carla仿真平台中开发无信号交叉口的训练与测试场景,并添加交通流管理功能,提高系统训练和测试随机性。其次,为了提高自动驾驶车辆的探索性,对TD3算法中的Actor网络进行改进,为目标动作添加OU噪声。最后使用通行成功率和平均通行时间评估指标评价自动驾驶行为决策。结果表明,在不同交通流场景下,改进后的TD3算法通行成功率与基于DDPG算法控制的车辆相比平均提升6.2%,与基于规则的AEB模型相比平均提升23%。改进后的TD3算法不仅能够探索更多可能,而且其通行决策表现更加突出。

基于灰关联熵理论的驾驶决策影响因子研究

针对道路交通系统数据采集难度大、灰度大、无典型分布等特点,采用多种数据采集设备采获数据,运用灰关联熵分析法重点对来自道路、环境的驾驶决策主影响因子进行了榨取和排序。仿真结果表明,该方法客观、定量,能克服目前人们以主观、定性分析为主的缺点,避免了多因子多重共线关系所引起的信息重叠及其对仿真过程的干扰,为自动驾驶系统的仿真和实现提供了理论基础和可行性依据。

载人六足机器人驾驶决策

为了实现载人六足机器人在复杂地形下的平稳通过,基于载人六足机器人腿部构型建立足端离散化模型,分析其稳定运动空间,确定实时的稳定性评价指标。针对斜坡向平坦地形过渡行走时,提出了基于合作博弈的控制算法,该算法将最优的足端和机体运动序列以指令信息的形式反馈给驾驶员;针对障碍地形行走时,提出了基于贝叶斯决策理论的控制算法,配合足端状态调节机体位置,辅助驾驶员做出最优的决策。根据传感器反馈的信息动态调整运动学裕度和稳定裕度的权重因子,切换两种算法来选取当前地形下的最适控制算法。通过仿真实验结果表明,两种算法有效提高了六足机器人的稳定性,有效减少机体倾斜和足端冲击,提高了操纵效率,为驾驶员的驾驶决策提供辅助。

驾驶员情绪状态对驾驶决策的Logistic回归分析

目的分析驾驶员的情绪特征对驾驶决策的预测作用。方法采用爱荷华赌博任务对驾驶员进行决策类型的分类,情绪状态量表测量驾驶员的情绪状态,通过Logistic回归分析预测情绪状态对不同决策类型驾驶员的影响。结果①积极情绪与消极情绪对不同类型的驾驶决策具有预测作用(χ2=50.639,df=2,P<0.05);②驾龄、性别作为调节变量对不同类型驾驶决策具有预测作用(χ2=23.811,df=8,P<0.01)。结论①在情绪状态量表中,积极情绪状态得分越高,消极情绪状态得分越低的驾驶员,决策类型是勇于冒险的可能性更大;②当考虑到性别与驾龄时,决策类型更多的受到新手消极情绪状态和女性积极情绪状态的影响。

基于WGAIL-DDPG(λ)的车辆自动驾驶决策模型

优良的可靠性、学习效率和模型泛化能力是车辆自动驾驶系统研究的基本要求.基于深度强化学习理论框架提出了一种用于车辆自动驾驶决策的WGAIL-DDPG(λ)(Wasserstein generative adversarial nets-deep deterministic policy gradient(λ))模型.其中,基于驾驶安全性、稳定性的车辆行驶性能要求,对强化学习模型中的奖励函数进行了针对性设计;通过引入模仿学习有效提升了强化学习过程中的学习效率;通过合理的增益调度器设计,保证了从模仿学习到强化学习的平稳过渡.实验结果表明,在稳定性上,智能体偏离道路中线的程度一直在30%内波动;在安全性上,智能体与周边其他车辆的安全距离基本保持在10 m以上;在模型泛化性方面,智能体在许多未训练过的复杂弯道也能很好地完成安全、平稳的驾驶任务;与原始DDPG(deep deterministic policy gradient)算法相比,该模型在学习速度上提升了约3.4倍,说明所提出的模型在保证自动驾驶系统可靠决策的同时有效提升了强化学习的效率,进一步实验证明其适用于不同的驾驶条件.

基于层次聚类的驾驶决策建模

为解决复杂模型的参数标定问题,将机器学习的思路应用到驾驶决策建模。根据驾驶习惯的基本假设提出了一种基于层次聚类的建模方法。依据实测数据的特性得出驾驶习惯的聚类,采用支持向量机方法进行聚类的分类和拟合训练,建立了实用的驾驶决策模型。在实际跑车上的实验结果表明,该方法建立的模型与实测数据符合性较好,能满足微观交通仿真的需要。

基于红外与雷达的夜间无人车驾驶决策方法

速度与方向的决策建议是夜间无人车驾驶研究的关键,针对夜间无人车速度与方向决策,基于红外图像与雷达信息,提出了一种包含深度信息的红外图像多任务分类网络用来给出速度与方向决策.通过红外摄像头及雷达采集的数据训练深度网络,其中雷达采集的深度图像作为训练标签,采用卷积-反卷积神经网络来进行红外图像的深度估计,进而获得深度信息.利用深度信息制作分类网络训练标签,通过AlexNet分类网络得到速度决策建议.再根据红外图像的道路信息训练方向分类网络,将无人车的驾驶决策问题转化为分类模型,并将分类模型与深度估计网络相结合.实验结果表明,网络的角度准确率及速度准确率分别为87. 43%和85. 89%,并且利用训练得到的模型对图像进行决策的时间为0. 04 s/帧,能够达到实时性的要求。

驾驶决策的研究现状与展望

驾驶决策是驾驶员对不同交通场景进行判断、选择,并产生驾驶行为的过程。驾驶决策的研究起源于人因工程学,并随着认知心理学的发展而逐渐受到关注。驾驶决策的研究范式主要采用心理测量与实验法;并与年龄、性别、风险感知、情绪以及决策风格相关;为了有效防止交通事故的发生,驾驶决策的改善逐步成为研究的新热点。今后的研究可以从认知与情绪角度综合探讨适合中国国情的驾驶决策的结构与特征,以提高驾驶员的决策能力。

偶然情绪对驾驶决策的影响

偶然情绪是与当前判断和决策无关的一种主观情绪体验。研究表明,偶然情绪会对驾驶员的决策行为具有重要影响,不仅可以影响驾驶决策的判断过程和决策策略,还会影响驾驶决策的决策结果以及信息加工风格。分析偶然情绪对驾驶决策的影响,可以使驾驶员在较短时间内认识到情绪并快速的调节情绪,从而保证理性的驾驶决策,为安全驾驶提供进一步的保障。未来研究应注重偶然情绪对驾驶决策作用的内部机制及其与时间压力或者个体差异之间的交互影响。

不同情绪状态对驾驶决策风格的影响

目的探索驾驶员不同情绪状态对驾驶决策风格的影响。方法随机选取217名驾驶员完成一般决策风格量表和情绪状态量表。结果 1理智型,直觉-冲动型和依赖型3个决策风格的性别差异显著(F=100.37,58.01,48.70;P<0.001);2年龄,受教育水平,驾龄与3个决策风格相关显著(r=0.252,0.290,-0.225,0.379,-0.353,-0.158,-0.282,-0.269,-0.252;P<0.05)。每周平均驾驶里程与直觉-冲动型和依赖型决策风格相关显著(r=-0.195,-0.246;P<0.05);3愤怒对直觉-冲动型决策风格具有负向预测作用(r=-0.161,P<0.05),紧张对依赖型决策风格具有正向预测作用(r=0.242,P<0.01),精力对理智型和直觉-冲动型决策风格具有正向预测作用(r=0.162,0.195;P<0.05),抑郁对依赖型决策风格具有负向预测作用(r=-0.171,P<0.05)。结论驾驶员不良情绪状态的稳定性越差,持续性时间越长,决策风格越趋向于直觉-冲动型和依赖型。

一种基于驾驶决策的三相交通流仿真模型

提出了一种基于三相交通流理论的驾驶决策交通流仿真模型。该模型采用驾驶决策函数替代由Kerner等人提出的KKW模型中目标速度函数,在新模型中将驾驶行为分为自由流驾驶模式、同步流驾驶模式和堵塞流驾驶模式,三种模式会根据道路的实际交通情况进行切换。基本图和时空分析结果表明,提出的模型符合实际的交通观察。

时间压力对驾驶决策的影响

驾驶决策需要充分提取交通环境包含的信息以避免事故发生,其会受到时间压力的影响。时间压力对驾驶决策的影响主要表现在决策策略的选择与驾驶决策质量两个方面。探究驾驶决策的研究模型、驾驶决策的时间压力范式以及时间压力对驾驶决策的影响对研究时间压力如何影响驾驶决策以提高驾驶员的决策能力、减少交通事故具有重要意义。未来研究应关注时间压力如何提高驾驶员决策能力的心理机制,时间压力与A型人格、B型人格相互作用对驾驶决策的影响。

信号交叉口倒计时显示对驾驶决策的影响分析

倒计时对信号交叉口的影响主要表现为对驾驶行为的影响。为量化驾驶行为规律,研究倒计时交叉口驾驶决策模型,探索其对通行效率的作用效果,以福州市典型交叉口为例,分析倒计时对信号交叉口驾驶决策的影响,以期为交通管理部门选用此类设施提供参考。

偶然情绪在驾驶决策认知加工过程中的眼动研究

通过观看行车视频诱发驾驶员的积极和消极偶然情绪,采用眼动仪测评新手与经验驾驶员在观看行车视频过程中的驾驶决策认知加工过程(风险识别阶段、评估方案阶段、决策执行阶段)指标。研究显示:(1)与消极偶然情绪相比,积极偶然情绪状态下的驾驶员首次注视时间更短;(2)与消极偶然情绪相比,积极偶然情绪状态下的驾驶员的决策执行时间更长;(3)经验驾驶员比新手驾驶员的平均注视时间更长;(4)经验驾驶员比新手驾驶员的决策执行时间更长。研究结论:(1)偶然情绪能够影响驾驶决策过程中的风险识别阶段和决策执行阶段中的驾驶行为;(2)驾驶经验能够影响驾驶决策过程中的评估方案阶段和决策执行阶段中的驾驶行为。

基于CQL-SAC的自动驾驶防撞决策方法

针对深度强化学习在自动驾驶任务中存在价值函数过估计、学习效率低、安全性差等问题,提出了一种自动驾驶防撞决策方法。首先,将保守Q学习(conservative Q-learning, CQL)算法与软行动评论(soft actor-critic, SAC)算法融合,提出CQL-SAC算法,以缓解价值过估计问题。然后,在算法训练过程中引入专家经验,实现算法快速收敛,以解决学习效率低的问题。最后,利用防撞模块对CQL-SAC算法输出的动作进行安全检查和矫正,避免车辆碰撞。在基于高速公路的仿真场景下对方法有效性进行验证。仿真结果表明,在训练阶段,CQL-SAC算法相比SAC算法和样本内行动评论(in-sample actor-critic, InAC)算法收敛速度分别提升12.5%、5.4%,引入专家经验后算法收敛速度进一步提升14.3%;在测试阶段,本文算法与SAC和InAC算法相比,成功率分别提升17、12百分点,平均回合奖励分别提升23.1%、10.7%。

基于深度强化学习的无信号灯路口决策研究

无信号灯左转路口是自动驾驶场景中最为危险的场景之一,如何实现高效安全的左转决策是自动驾驶领域的重大难题。深度强化学习(DRL)算法在自动驾驶决策领域具有广阔应用前景。但是,深度强化学习在自动驾驶场景中存在样本效率低、奖励函数设计困难等问题。提出一种基于专家先验的深度强化学习算法(CBAMBC SAC)来解决上述问题。首先,利用SMARTS仿真平台获得专家先验知识;然后,使用通道-空间注意力机制(CBAM)改进行为克隆(BC)方法,在专家先验知识的基础上预训练模仿专家策略;最后,使用模仿专家策略指导深度强化学习算法的学习过程,并在无信号灯路口左转决策中进行验证。实验结果表明,基于专家先验的DRL算法比传统的DRL算法更具优势,不仅可以免去人为设置奖励函数的工作量,而且可以显著提高样本效率从而获得更优性能。在无信号灯路口左转场景下,CBAM-BC SAC算法与传统DRL算法(SAC)、基于传统行为克隆的DRL算法(BC SAC)相比,平均通行成功率分别提高了14.2和2.2个百分点。

车道情境与驾驶态度对驾驶员变道决策影响的眼动研究

研究基于计划行为理论,采用道路情境视频测验范式,通过操纵道路情境考察驾驶态度对变道决策的影响及该过程中视觉注意的中介效应。实验结果表明,车道和娱乐寻求驾驶态度对变道决策和视觉注意模式产生交互作用,在双侧车道下,娱乐寻求驾驶态度倾向强的驾驶员对前方视野的注视时间更多,变道决策也更危险;同时中介效应检验表明,娱乐寻求驾驶态度以前方视野注视时间为中介变量影响变道决策。研究结果支持了计划行为理论在驾驶决策研究中的应用,验证了视觉注意预测决策意向的有效性。

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。