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。

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。

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。

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。

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。

基于脑电通道注意力机制的驾驶行为识别研究

脑电信号以其高时间分辨率等优点成为识别驾驶员认知状态和评估驾驶性能的重要工具。以往研究中,基于脑电识别驾驶行为往往局限于异常驾驶状态,例如,疲劳检测和分心驾驶等,忽略了常规驾驶场景。本文以常规驾驶行为作为研究对象,通过驾驶模拟实验同步采集驾驶员在执行加速、减速和转向行为时的驾驶数据和脑电数据,构建基于压缩—激励模块的通道注意力—可分离卷积神经网络,对驾驶员上述驾驶行为进行模式识别,并优化选择跨个体脑电信号通道。结果表明,本文模型在3类驾驶行为识别的准确率达到82%,且在保证预测精度的情况下,将通道数量降低了70%。通过消融实验以及与其他基准模型的对比证明了模型的有效性。对最优通道组合的头皮拓扑位置分析发现,大脑额区和枕区与常规驾驶行为最为相关。研究结果可为从认知角度理解驾驶行为及类脑驾驶决策提供方法依据。

危险驾驶行为在分心与事故间的中介效应分析

为了探讨分心驾驶对事故伤亡后果影响的因果关系机制,选取事故报告采样系统(crash report sampling system, CRSS)中2020年交通事故数据作为样本,采用因果中介效应分析方法和蒙特卡罗近似算法进行估计,并进行敏感性分析以验证因果中介效应的基本假设。研究结果表明:分心驾驶对事故伤亡后果具有显著的中介效应,不同危险驾驶行为在分心和事故伤亡间的中介效应不同,没有让行这一危险驾驶行为的平均因果中介效应占总效应比例为21.2%,中介效应最大。该研究证实危险驾驶行为在分心和事故伤亡间的中介效应存在,并且计算不同危险驾驶行为对应的中介效应。研究结果可为缓解事故风险提出具体的安全对策。

试验工况驾驶行为评价方法

为了准确进行驾驶行为评价,根据SAE J2951底盘测功机测试驱动质量评估标准,引入测试循环能量变化率、测试循环距离变化率、测试循环单位能量变化率、试验循环的绝对速度变化率、测试循环速度的平方根误差、测试循环惯性做功变化率等评价指标对试验驾驶质量进行评价,通过两种不同驾驶行为下得到的计算结果,总结出一种试验工况驾驶行为评价方法。

城市道路场景中车辆驾驶行为分析及统一建模

为提高城市道路微观交通流的仿真精度和效率,以信号交叉口进口道换道车辆及其目标车道上跟驰车辆作为研究对象,提出一种考虑车辆驾驶员行为特征的统一建模方法。以驾驶员多向多车预期能力为基础,引入侧向车辆影响系数,将全速度差跟驰模型拓展为描述换道过程中换道车辆和跟驰车辆纵向行驶动作的微观交通流模型,通过改进跟驰模型中的优化车速函数,将交通控制信号和换道类型对驾驶员决策的影响纳入模型中。研究结果表明:换道过程中侧向行驶车辆运动状态和换道类型变化对跟驰行为的影响要高于换道行为;不同类型换道场景中驾驶人对外界刺激的主要关注点会发生变化;全速度差模型比Gipps模型更适合作为基础模型用来模拟城市道路微观交通流。

多模式下不同停车驾驶行为的尾气排放规律研究

为研究停车场内不同驾驶行为对尾气排放的影响,经过实地调查和数据处理,获取机动车在停车场范围内速度、加速度等参数。通过机动车在不同的停车位的停车方式和驾驶模式变化,划分为8种不同的驾驶行为。使用MOVES软件计算不同驾驶行为下机动车尾气排放污染物的排放速率。结果表明:相同的驾驶模式下,平行式停车位进行停车时的尾气排放量普遍大于在垂直式停车位进行停车;车位相同的情况下啊驾驶模式为减速尾气排放量相对最低,驾驶模式为多次减速加速直至减速的情况下尾气排放量相对较高。

基于行车数据的五急一超驾驶行为识别研究

为实现异常驾驶行为识别,本文通过提出以高速公路上小轿车为研究对象,对“五急一超”异常驾驶行为进行了说明,并且根据驾驶行为的不同特征,提出了不同的判定条件。在高速道路条件下,超速行为的判定应设有相应的阈值,急变速也相应的有不同的限制以判定急变速驾驶行为,同时,急转向、急变道驾驶行为根据道路状况也应有不同的横向加速度阈值作为判定依据。

基于驾驶行为和眼动的高速公路寻路行为探究

高速公路指路标志为驾驶人提供路径信息,是帮助驾驶人到达目的地的重要交通基础设施。本文在京港澳高速路段开展实车实验,采集驾驶人的驾驶行为和眼动数据,探究其寻路行为。实验结果分析表明,指路标志的位置、信息数量、指向数量、信息内容会影响驾驶人寻路,并且通过驾驶人的驾驶行为和眼动变化表征。

快速路激进驾驶行为影响因素分析

以导航系统所采集的交通运行状态数据、驾驶行为数据为基础,结合网络资源和实际调研获取道路条件、天气情况和以指路标志为代表的交通设备数据,构建激进驾驶行为致因分析数据库,并应用结构方程模型深入挖掘快速路上驾驶人激进驾驶行为致因.结果表明,道路拥堵情况、天气条件、道路合流数、分流数、车道数、出口间距、预告次数、桥型标复杂度均能对激进驾驶行为发生频率造成显著影响,其中道路拥堵情况的影响程度最大,其次是指路标志和道路条件,天气条件的影响最小.为改善快速路激进驾驶频发的问题,首先需要鼓励错峰出行,缓解拥堵;道路设计过程中,根据实际情况考虑减少分流数、合流数、车道数,并适当扩大出口间距,避免在短距离内形成多个交织区;交通控制设施设计时,可尽量降低桥型标复杂度并减少预告标志,有助于驾驶人更好的理解信息;最后可充分利用导航系统的提示功能,根据不同天气条件针对性设计提示内容.研究基于导航数据分析激进驾驶行为影响因素的挖掘,进而实现了快速路的道路安全风险辨识,为改善交通安全、优化道路设计奠定了基础.

考虑多模态数据的重载货车危险驾驶行为识别方法

综合考虑货车操纵数据、驾驶员眼动数据和心电数据,本文提出一种多模态的重载货车危险驾驶指标构建和行为识别方法。首先,设计自然驾驶实验,利用车辆惯导、眼动仪及心理数据记录仪这3种设备采集车辆运行、眼动及心电等多模态驾驶数据,通过多设备时间同步及数据清洗,构建多模态驾驶数据集。其次,将重载货车危险驾驶行为分为危险驾驶操纵行为和疲劳驾驶行为两类,通过提取数据特征,构建9种危险驾驶行为指标,表征超速、速度不稳、急变速、急换道及疲劳驾驶这5种危险驾驶行为。针对危险驾驶操纵行为,组合文献调研、指标计算及四分位差法确定危险行为特征参数阈值;针对疲劳驾驶行为,通过因子分析和K均值聚类法划分疲劳驾驶类型。最后,构建重载货车危险驾驶行为数据集,采用随机森林分类模型识别危险驾驶行为,并与BP神经网络、K近邻及支持向量机等分类模型对比。结果表明,随机森林模型对于5种危险驾驶行为的分类准确率均在90%以上,整体优于其他分类算法,能够较高精度地识别驾驶中出现的危险驾驶行为。本文的多模态重载货车危险驾驶指标构建和分类方法能够用于危险驾驶行为识别,为驾驶员多模态危险驾驶行为预警提供思路和理论依据。

基于冰雪路面危险驾驶行为谱的行车风险识别方法

为描述驾驶人在冰雪路面行车时危险驾驶行为的具体表现形式,并量化其整体行车风险,通过模拟驾驶试验获取驾驶人操作类数据和车辆运动类数据,构建包含猛打方向、急变速、超速行驶、横向摇摆和跨道行驶这5种行为的危险驾驶行为谱。根据具体试验条件和四分位差法,分别确定不同路面附着系数下危险驾驶行为的阈值,并通过加权平均的方式计算危险驾驶行为谱特征值。以特征值作为行车风险评价指标,利用K-means聚类算法,将行车风险状态划分为4类,将随机森林模型、元启发式优化算法与支持向量机(Support Vector Machine, SVM)结合,建立冰雪路面行车风险识别模型。结果表明:超速行驶对冰雪路面行车安全影响最大,其权重为0.285;危险驾驶行为谱特征值主要分布于区间[0.00, 0.20]内,最大值出现在路面附着系数为0.2条件下;在路面附着系数为0.2和0.4条件下,严重行车风险明显增加,其占比分别为正常路面的4.85倍和2.49倍;鱼鹰优化算法(Osprey Optimization Algorithm, OOA)与SVM结合得到的行车风险识别模型的识别准确率为93.96%,优于浣熊优化算法(Coati Optimization Algorithm, COA)和灰狼优化算法(Gray Wolf Optimization Algorithm, GWOA)。研究结果有助于了解驾驶人在冰雪路面和正常路面行车时的差异,为提升驾驶人的行车安全水平提供依据。