基于信息熵和Canopy-K-Means算法的货车驾驶风格识别

为识别货车的激进驾驶行为,保障货车行车安全,提出1种基于信息熵和Canopy-K-Means算法的货车驾驶风格识别方法。首先,从货车自然驾驶数据中提取出604个驾驶片段,根据信息熵理论计算各个驾驶片段的速度熵值、横向加速度熵值和纵向加速度熵值,构成货车驾驶风格表征指标集;其次,针对K-Means算法的聚类数量主观选取、初始聚类中心随机选取的问题,使用Canopy算法改进K-Means算法(Canopy-K-Means算法);最后,分别使用K-Means算法和Canopy-K-Means算法对货车驾驶风格进行识别。研究结果显示,Canopy-K-Means算法的轮廓系数和Calinski-Harabasz指数均大于K-Means算法,表现出更优的聚类性能。根据Canopy-K-Means算法,可将货车驾驶风格分为沉稳型、常规型和激进型3类,其中激进型货车驾驶风格的指标熵值和极差均较大,存在较高的安全隐患,需要引起相关部门的高度重视。

不同风格驾驶员眼动特性分析——夜间快速路分流区

为提高驾驶员在夜间快速路分流区换道的安全性,以不同风格的驾驶员为研究对象,分析不同风格驾驶员换道时眼动参数的变化规律。首先在前人研究基础上自编夜间快速路驾驶风格量表,对量表进行信度和Pearson相关系数法的效度检验;然后通过主成分分析法对问卷调查法得出的结果进行分析,得出驾驶风格综合得分量化模型,并使用K均值聚类分析法划分驾驶风格;最后基于眼动仪进行实车试验,获取三种风格驾驶员换道的眼动数据。试验结果表明:谨慎型、一般型、激进型驾驶员对于后视镜平均注视次数占比为48%、27%、25%;对左右两侧的平均累计注视时间占比是31%、25%、19%;平均瞳孔面积占比为56.3%、27.6%、16.1%。试验结果可以为提高驾驶员换道的行车安全性研究提供一定的数据支持。

智能网联汽车中联合驾驶风格的交通流数据有效性分析

在智能网联汽车(ICV)中,提高驾驶数据的有效性是提升车辆安全性的基石。只有准确的、可靠的驾驶数据才能为车辆的安全性提供可靠的依据和支持。与传统的异常分析相比,ICV数据有效性分析面临数据异常的多样性(传感器异常、驾驶行为、恶意篡改等)。如何将车辆自身数据特征、驾驶风格和交通流特征相结合,提供有效的数据异常检测方法,已成为智能网联汽车中新的问题。针对ICV系统,采用结合驾驶风格和交通流理论的方法,设计基于粒子群优化的TE-PSO-SVM数据有效性检测算法,实现驾驶数据的有效检测。首先定义驾驶风格识别系数Rad,设计驾驶风格量化模型;其次建立交通流模型,将车辆状态数据与驾驶风格和交通流理论相结合,通过长短期记忆(LSTM)网络对车辆速度预测;最后通过TE-PSO-SVM算法进行数据有效性检测。由于ICV数据的多样性,单一模型在多类型异常混合并存的场景中检测精度仍有局限,利用多个模型的优势构建模型池,并提出基于强化学习的模型选择(RLBMS)算法。在真实数据集highD上的实验结果表明,在不同噪声环境下,TE-PSO-SVM算法模型的F1值相比于传统SVM模型平均提升约8.1个百分点;RLBMS算法模型在不同噪声环境下的F1值相比于模型池中检测率最高的算法平均提高约1.7个百分点,明显提高了数据有效性检测的准确率。

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。

考虑驾驶风格的高密度立交群出入口车辆驾驶风险研究

为分析不同驾驶风格驾驶人车辆的驾驶风险,在重庆内环快速路开展了高密度立交群实车驾驶试验,使用车载仪器采集车辆行驶轨迹、速度等运行参数,通过因子分析和聚类分析等方法,提取车辆速度、加速度和横向位移等参数,以此为依据将驾驶风格分为3个类型,即保守型、常规型和冒险型。通过车辆驶离和汇入主线过程中的轨迹偏移,分析了不同驾驶风格的行车轨迹特征,结果表明:冒险型驾驶人的轨迹偏移高于其余2种驾驶风格的驾驶人,且轨迹偏移的分布较为分散;在驶离/汇入主线时,冒险型驾驶人所需要的换道时间更短、换道起始位置更靠前、换道频次也多于另外2种驾驶风格;以速度波动和加速度波动作为驾驶风险评价指标,两者大小均是冒险型>常规型>保守型;利用熵权法确定指标权重并得到驾驶风险率,将其按照不同驾驶风格分类,结果表明:在主线出口位置,呈现明显的分布特征,即冒险型>常规型>保守型,而在主线入口位置,冒险型与常规型的驾驶风险率大小相差无异,但冒险型驾驶人分布更加离散。分析不同驾驶风格驾驶人的驾驶风险率,有助于提高驾驶人的行驶安全性。

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。

考虑车辆跟车及换道交互参数的驾驶风格识别

文中基于美国开源数据下一代仿真(the next generation simulation,NGSIM)数据集,筛选一次换道且存在跟驰行为的车辆,提取车辆换道时间和车辆换道时的允许换道间距等车辆之间的交互影响因素,结合驾驶员驾驶自车的运动参数,运用模糊数学的方法分析其驾驶风格,并与k-means聚类算法进行了比较.结果表明:模糊数学分类的方法比之k-means聚类结果更能体现驾驶员的激进程度.

考虑驾驶人与环境交互的驾驶风格识别模型研究

针对危险驾驶人群进行了实时驾驶风格辨识方法研究,提出了考虑驾驶人与周围环境交互的驾驶风格识别模型。以模拟驾驶采集数据为基础,以3 s为时间窗口,将实时横向偏移量、跟车距离、驾驶人注视点位置转化为驾驶风格表征因子,运用FCM-M(Fuzzy C-mean-M)对驾驶人驾驶风格进行聚类,将实时驾驶风格标定为冲动型、较冲动型、普通型、保守型,并构建神经网络模型对实时驾驶风格进行识别。结果表明:驾驶人驾驶风格波动与驾驶人注视点转变有密切联系,神经网络模型对驾驶风格识别准确率最高可达到99.1%,表现出良好的预测效果。

跟驰自动驾驶车时人驾车行为研究:实证与建模

随着中国新基建战略的提出及自动驾驶和网联通信技术的不断发展,智能网联车辆(Connected and Automated Vehicle,CAV)、自动驾驶车辆(Autonomous Vehicle,AV)和人工驾驶车辆(Human-driven Vehicle,HDV)混行的状态将在未来一段时间内存在。在混行条件下,车辆间的交互影响模式将发生变化。本文以HDV跟驰AV的驾驶行为为研究对象,通过分析驾驶实验数据将跟驰AV时HDV的驾驶风格量化并分为迟疑型、平稳型和信赖型三类。同时考虑驾驶风格、车辆的转弯能力和转弯半径等参数改进智能驾驶人模型(Intelligent Driver Model,IDM),建立了前车为AV时的HDV跟驰模型。该模型通过对三类不同风格HDV跟驰AV时的驾驶参数的标定,能根据不同跟驰风格采取相应的跟驰策略。经数据拟合检验,该模型在启动加速、匀速行驶和制动减速阶段均能以较高精度拟合实际驾驶数据,其中直行跟驰的平均拟合精度为96.2%,转弯跟驰的平均拟合精度为91.4%。可见,本文提出的模型可以刻画HDV跟驰AV时的行为特征。在目前难以进行大规模混流实车实验的情况下,可用于混流条件下的跟驰行为仿真,也可为未来AV及HDV混行交通流的道路交通管理及基础设施设计等提供理论依据或模型基础。

基于贝叶斯博弈的自动驾驶车辆换道预测模型

在混合交通环境下,人类驾驶员换道目标车道的驾驶风格,是自动驾驶车辆博弈建模过程中的不完全信息,导致自动驾驶车辆无法预测人类驾驶员的驾驶决策。本文提出了一种解决博弈参与者间不完全信息的贝叶斯博弈换道预测模型。首先,使用车辆加速度主观感受评估模型,得到目标车道人类驾驶员驾驶风格的初始量化值,并用于贝叶斯博弈换道模型中人类驾驶员状态空间的置信度。其次,使用基于分子动力学模型的期望安全距离求解博弈安全收益。最后,将贝叶斯博弈转化为完全信息静态博弈求解纳什均衡,通过对比人类驾驶员预测动作和实际动作的匹配度,结合驾驶风格量化指标修改其状态空间评估置信度。仿真结果表明:与K级博弈模型和具有鲁棒性的K级博弈改进模型相比,在相同的交通环境中,采用更严格的碰撞率统计标准,贝叶斯博弈模型的碰撞率为2%,远低于K级博弈的13%和鲁棒模型的7%,三种博弈模型在3.5秒内完成换道的占比分别为93%,92%和69%。本文所提换道模型在自动驾驶车辆决策风险控制上具有更好的效果,在合理时间范围内的换道效率也可以得到保障。

稳定跟车状态驾驶风格识别及迁移特性

为探究高速工况稳定跟车状态下不同类型驾驶人的跟车特性及驾驶风格识别方法,选取20名驾驶人开展实车驾驶试验,采集自然驾驶状态下的自车速度、跟车间距、跟车时距等指标,基于雷达数据等确定稳定跟车事件提取规则。通过耦合分析稳定跟车状态下的驾驶行为指标分布规律及跟车特性,选取跟车间距、跟车时距及加速踏板开度为聚类指标,使用K均值聚类算法对301段稳定跟车事件进行聚类分析,并根据不同风格类型出现的频数及所占比例将驾驶人划分为3种风格类型(保守型、一般型、激进型)。最后通过CART决策树方法对聚类结果进行验证,进一步分析长时间稳定跟车状态下驾驶风格的迁移特性。研究结果表明:随自车速度增大,跟车间距与加速踏板开度亦呈现增大趋势,且在不同速度区间下均具有显著性差异。不同速度区间下的跟车时距均值无明显变化,稳定分布于2.57~2.72 s。CART决策树验证驾驶风格聚类划分结果总体吻合率达99.7%。不同风格驾驶人的车速与油门踏板开度、跟车间距与跟车时距均存在显著性差异。随时间推移,保守驾驶人更加趋于保守,激进驾驶人更加趋于激进,一般驾驶人则相对较为稳定。研究结果可为高级别自动驾驶系统跟车控制策略及参数的制定提供技术支持。

基于驾驶人心理风险场模型的个性化换道决策方法

行驶环境中交互车辆的运动行为会对驾驶人心理产生刺激,引起驾驶人心理状态的变化,进而影响其换道决策行为。为此提出了1种基于驾驶人心理风险场模型的个性化换道决策方法。基于单向3车道快速路交通场景,通过交互式多模型分析车辆的横向速度与横向位移,引入可变横向速度相关的转移概率矩阵,预测交互车辆的目标车道选择;建立驾驶人心理风险场模型,量化行驶环境与交互车辆的运动行为对驾驶人心理风险造成的影响;利用高仿真驾驶模拟器联合SUMO试验平台开展287人次的模拟驾驶试验,通过建立混合交通仿真场景采集驾驶人的换道数据,并选取平均碰撞时间与驾驶人心理风险因子2个特征参数,使用K-means算法进行驾驶风格聚类,将驾驶人分为保守型、正常型和激进型这3类,并进一步确定不同风格的驾驶人在换道初始时刻所能接受的心理风险阈值。在此基础上,实现车辆的个性化安全换道决策。驾驶模拟器试验验证结果表明:对应于保守型、正常型和激进型的驾驶人,实际最小换道决策时间分别为3.48,6.29,11.33 s,实际最大换道决策时间分别为4.65,7.45,12.52 s,理论换道决策时间分别为4.09,6.83,11.95 s,所建立的换道决策模型的个性化换道时间预测误差均小于0.62 s。本方法可以准确评估不同风格驾驶人的心理风险,实现个性化的换道决策。

考虑驾驶风格的高速公路雾天限速研究

为探究雾天不同能见度下高速公路驾驶速度限值,通过分析驾驶模拟器模拟高速公路行车环境下的驾驶数据,利用主成分分析法对车速均值、超速次数、最大横向加速度及最小车头时距4项驾驶风格评价指标进行降维处理并提取主成分因子,基于驾驶特征因子数据利用K-means将驾驶员聚类分为保守型、普通型和激进型3种不同驾驶风格。利用驾驶模拟器模拟不同雾天环境下,3种驾驶风格驾驶员行驶的速度差异。考虑能见度、行车速度及其他因素,选用安全距离的停车视距模型构建低能见度下行车限速模型,并考虑保守型驾驶风格平均速度,通过数据融合得出低能见度下的速度建议值。为雾天出行提供限速值参考,为顺畅通车提供良好的技术支持。

驾驶风格对不同跟驰场景下跟驰行为影响分析

为了分析驾驶风格对不同跟驰场景下跟驰行为的影响,利用高逼真度驾驶模拟器设计晴天、雾天两种天气状况和自由流、拥挤流、阻塞流三种交通流状态组合的六类典型跟驰场景。以跟驰过程中的最大加速度、最大油门踏板受力、最大油门踏板受力速度作为指标,通过K-means聚类识别方法,对六类典型跟驰场景下不同驾驶风格的驾驶员进行聚类识别,并以跟车间距、车头时距为风险指标评价不同驾驶风格的驾驶员在六类典型跟驰场景下的跟驰风险。结果表明:六类典型跟驰场景下,不同驾驶风格驾驶员的跟驰行为存在明显差异;激进型驾驶风格驾驶员倾向保持更小的跟车间距和车头时距,跟驰过程中的碰撞风险更高;晴天和自由流场景下不同驾驶风格驾驶员跟驰行为差异性更加显著。

基于CNN电动城市客车进站驾驶风格识别研究

电动城市客车驾驶员的驾驶风格对城市公共交通安全有重要影响。为识别驾驶员的驾驶风格,利用驾驶员自然驾驶电动城市客车进站过程的车载CAN数据,采用由卷积层和池化层组成的特征提取网络对多通道特征数据进行信息深度融合和特征自动提取,无缝输出给全连接神经网络进行进站驾驶风格识别,构建出电动城市客车驾驶员进站驾驶风格识别模型。研究表明,采用建立的模型可以有效融合进站过程中驾驶行为和车辆运行状态对应时序数据并自动提取驾驶行为高阶特征,实现电动城市客车驾驶员进站驾驶风格的有效识别,准确率达到98.2%。研究成果有助于识别出激进型驾驶风格的驾驶员,以便针对性开展驾驶安全教育,进而降低驾驶员致因的电动城市客车交通事故。

考虑前车驾驶风格的改进自适应巡航控制跟驰模型及仿真

为了提高自适应巡航控制跟驰模型的效率和安全性,考虑不同驾驶员驾驶行为的差异性,根据驾驶员以往的驾驶行为特性,利用k-均值聚类算法对驾驶风格进行判别和分类,作为优化自适应巡航控制跟驰行为的依据;提出智能网联环境中自适应巡航控制跟驰优化方法,基于对不同驾驶风格车辆的动力学分析,引入驾驶风格修正系数、安全冗余修正系数、响应延迟时间,针对不同前车驾驶风格,建立改进的自适应巡航控制跟驰模型,并对所建立的模型、原自适应巡航控制跟驰模型及对比模型进行仿真分析。结果表明,相比原自适应巡航控制跟驰模型和对比模型,所建立模型的加速度曲线和车头间距曲线均更平缓,可以有效提高跟驰效率,同时具有更高的安全性。

城市道路连接交通安全分析与仿真评价研究

连接交通是城市交通的重要节点,也往往是交通事故频发和造成延误的道路瓶颈。优化连接交通组织模式是改善城市交通,特别是提高道路安全水平的一条切实有效的途径。文中结合国外一般分类与我国实际情况,总结了5种基本连接交通组织模式,并对其安全与冲突特征进行分析。基于交通冲突技术,使用冲突数作为安全评价标准;采用Vissim仿真与SSAM软件结合,并用实际录像观测数据标定仿真模型的方法预测冲突数。对5种连接组织模式在流量变化时的安全性进行对比,给出了不同模式的适用性。

灰色关联分析法在交通方式优选中的应用

针对传统交通方式优选方法中存在的不足,结合交通运输方式自身的特点,应用灰色关联度分析法对项目实例中N-S两地间交通方式的选取进行了研究.

交通事故罹患者心理应激反应与应付方式的相关研究

目的探讨交通事故罹患者的心理应激反应与应付方式的关系。方法受试者来自两家综合医院骨伤科2005年3月至2005年6月收入院的64例交通事故罹患者。采用修订版事件影响量表(IES-R)和应对方式问卷(CSQ),对全部受试者的心理应激严重度及应付方式进行问卷评定,并作相关分析和比较。结果不同的应对方式和心理应激反应存在不同程度的相关。心理应激反应强度,与解决问题因子呈显著负相关(γ=-0.545),与自责、幻想及合理化因子呈显著正相关(γ=0.453,0.435,0.311)。不同的心理应激反应程度组,其解决问题、自责及幻想各因子具有显著性差异。结论在交通事故后,罹患者的应付方式与心理应激反应强度存在较密切的关联。以解决问题为主的成熟应付方式,可降低心理应激反应水平。

多维度驾驶风格量表的修订及初步应用

目的：检验修订版多维度驾驶风格量表在我国驾驶员测量中的信度、效度和适用性.方法：采用“滚雪球”方法在全国20个大中城市先后分两次选取总共655名驾驶员参加本次研究,样本分为两部分.结果：样本1的测量结果显示：修订后的驾驶风格量表由24个题目组成,分为5个因素,累计贡献率为54.27％.量表各因素与总分的相关系数在0.60～0.77之间,均P＜0.001.量表总的内部一致性系数为0.86,各个因素的内部一致性系数在0.70～0.82之间.样本2的测量结果验证了修订版驾驶风格量表的结构有效性和适用性.结论：修订版驾驶风格量表具有良好的信度和效度,可以作为今后进一步研究的测量工具.