基于卷积神经网络的不良驾驶行为辨识

为量化描述驾驶员驾驶行为的动态变化过程与不良程度,研究了不良驾驶行为谱的构建与分析方法,用于不良驾驶行为的实时辨识。首先,基于拉格朗日插值法对轨迹数据清洗处理后提取特征指标参数构建驾驶行为谱,采用风险度量法对急转向、急加速、急减速、超速4种不良驾驶行为进行量化表达。其次,使用大样本统计分布的IQR与客观赋权的CRITIC方法确定不良驾驶行为特征指标参数阈值与权重,结合隶属度函数构造模糊综合评价模型对不良驾驶行为谱特征值进行确定以标定不良行驶车辆。最后,将不良驾驶行为谱特征值作为输入,基于人工智能卷积神经网络(CNN)算法对不良驾驶行为进行辨识,并与SVM、RF、BP等传统机器学习算法在辨识误差上进行比较。结果表明:CNN算法对不良驾驶行为辨识的理论误差值MAE为0.059、RMSE为0.084、R2高达0.911。可见,不良驾驶行为谱作为一种客观量化不良驾驶行为的方法与CNN算法相结合,能依据车辆运行轨迹对不良驾驶行为进行自动辨识,具有客观性、可靠性与适应性。     

驾驶员驾驶行为的统计学特性

使用自然驾驶数据研究了驾驶员驾驶行为的统计学特性.选取车辆的纵向加速度、侧向加速度、横摆角速度和速度作为描述驾驶员驾驶行为的特征参数.首先,讨论了驾驶员驾驶行为特性的收敛性.使用核密度估计得到了驾驶行为特征参数的概率分布,使用相对熵描述不同数据集之间分布的差异.接着,使用稳定收敛的数据集研究了驾驶行为特征参数的分布特性.最后,使用驾驶行为特征参数的条件分布研究了它们之间的相互影响.结论包括:前向加速度,制动减速度,侧向加速度,横摆角速度均近似服从帕累托分布;制动减速度或前向加速度增加时,驾驶员的转向操作倾向于更加剧烈,反之亦然;驾驶员制动,加速,和转向操作的剧烈程度随速度增加均先增大后减小.     

驾驶模拟器运动系统对自由驾驶行为的影响分析

通过构建晴、雾天气下自由驾驶两个实验场景,对比分析了8自由度和零自由度驾驶模拟器对自由驾驶加减速行为、期望速度等变量的影响.结果发现,当能见度相同时,驾驶模拟器运动系统自由度对加速行为和期望速度影响不显著,但对减速行为影响显著,特别是对浓雾天气下的减速行为影响显著;当驾驶模拟器运动系统自由度相同时,能见度对驾驶员的加减速行为和期望速度有显著影响.     

八车道高速公路可变信息标志前置距离对驾驶行为的影响

基于驾驶模拟实验,设置3.0、2.5、1.5、0.7 km 4种前置距离的可变信息标志（variable message sign,VMS）,收集32名驾驶员视认4种前置距离的VMS后换道驶出高速公路过程中的方向盘、速度和位置数据,并观察各驾驶员在换道过程中的方向盘操控行为、换道行为、减速行为。结果表明：VMS视认过程属于多任务驾驶行为,驾驶员需在短时间内完成VMS视认、路径决策、车辆减速与换道;当VMS前置距离不足时,驾驶员需快速、大幅转动方向盘,进行连续换道、急换道;为顺利驶入减速车道,部分驾驶员采取减速换道措施,增加了事故风险;当VMS前置距离过长时,驾驶员对VMS的短期记忆效应使得驾驶负荷提高。     

基于车辆车载诊断数据的山地城市道路异常驾驶行为空间分布特征

为了探究山地城市异常驾驶行为的空间分布规律,基于车辆车载诊断(on-board diagnostics, OBD)数据建立了异常驾驶行为空间分布规律模型。首先,以重庆市6条主干道130个路段为研究对象,定性分析道路坡度、弯度、公交站和开口与异常驾驶行为间的关联性;然后,分别构建Possion回归模型和零膨胀Possion回归模型(ZIP)、零膨胀负二项回归模型(ZINB),对急加速、急减速、急转弯和超速行为发生频率的空间分布特征进行了描述;最后,随机选取路段进行模型验证。结果表明：对于急加速率、急减速率空间分布特征,Possion回归模型拟合效果较优,绝对误差集中在-20%～20%;急转弯率适宜采用ZINB回归模型,80.77%的绝对误差分布在-0.005～0.005;超速率适宜采用ZIP回归模型,71.15%的绝对误差基本分布在-0.002～0.002。     

苜蓿叶形互通立交进/出口的纵向驾驶行为特征

为明确苜蓿叶形互通立交进/出口的车辆运行过程,修正驾驶行为假定,在3座立交上开展了实车驾驶试验.利用车载航姿测量系统采集了自然驾驶状态下的小客车连续行驶速度和加速度数据,基于行驶速度变化特征将环形匝道连续行驶过程划分成了5个阶段,分析了立交进/出口区域的纵向驾驶行为特征,确定了减速长度和加速长度的起/止点分布.结果表明:在立交出口,第85百分位减速起点位于交织段,终点位于分流点之前,还有不低于15%的减速行为在分流鼻后结束;在立交进口,驾驶人在合流点前观察主线交通流,普遍采取减速操作并持续至加速段、渐变段甚至交织段.不同驾驶人减速行为的分布区域存在交织,导致车辆间出现纵向冲突,增加了事故风险.立交出口的减速长度主要分布在30～60 m,第85百分位减速度为0.55 m/s~2;入口区域的减速长度主要分布在20～60 m,第85百分位减速度为0.63 m/s~2;匝道坡向对驾驶行为的影响不显著.     

一种基于混合现实的自动驾驶车辆测试方法

针对自动驾驶汽车在复杂环境下的安全性测试问题,提出一种基于混合现实的自动驾驶车辆测试方法。该方法将仿真环境中的虚拟场景映射到真实的测试环境,通过传感器和数据融合快速收集自动驾驶测试车的智能感知和行为决策等性能指标,然后基于混合现实测试场景、控制中心、测试车辆构建闭环测试系统。通过案例验证,说明该方法可满足在多种场景下自动驾驶车辆的测试要求。     

基于自然驾驶研究的直行追尾危险场景诱导因素分析

基于中国自然驾驶工况数据,筛选了直行追尾危险工况,通过修正的DREAM(driving reliability and error analysis method)方法进行了诱导因素分析.对直行追尾危险场景依据车辆行驶特点进行了场景细分,分析了不同场景细分类型下诱导因素逻辑图.结果表明,在直行追尾场景中驾驶员的"力度不足"和"距离过短"为占比最高的紧急事件(危险特征),并分析了追尾场景中4个细分类型对应的紧急事件特点.研究发现,中国驾驶员的驾驶习惯与欧美有较大差别,直行追尾危险场景中最主要的深层诱导因素为驾驶员习惯性期待他车特定驾驶行为等不良驾驶习惯,而不是在驾驶过程中与驾驶操纵无关的第二行为.     

车联网环境下信息交互形式对驾驶行为的影响

为研究车联网环境下不同信息提供方式对驾驶行为的影响,设计了车联网环境下的模拟驾驶实验,采集了4个场景下车辆运行数据。对比不同分心任务的驾驶行为特征和正常驾驶行为的差异,从转向角、车辆侧向偏移、速度、跟车距离等特征参数描述了车联网信息导致分心的驾驶行为规律,并构建了基于模糊综合评价方法的驾驶人分心等级评判模型,横向对比了不同信息提供方式对驾驶行为的影响程度。     

基于数据驱动的城市地下快速路跟驰行为模型构建

为了揭示地下快速路交通流的运行特性,利用驾驶模拟器获得的高精度车辆轨迹数据,针对地下快速路提出一种基于数据驱动方法的车辆跟驰模型,并对该模型进行了标定与验证.首先,根据上海市北横通道东段场景模型进行驾驶模拟实验以获取车辆跟驰数据;其次,选择了采用支持向量回归(SVR)方法建立车辆跟驰模型,对模型改进并引入了驾驶行为约束...     

冰雪条件下信号交叉口上游拥堵识别方法

为解决冰雪条件下的信号交叉口上游拥堵识别问题,提出基于研究临界消散车队长度值的拥堵识别方法. 该方法根据汽车行驶理论与拥堵区间车辆行驶特点,将拥堵临界车辆的行车过程分为加速、匀速和减速过程,通过分析的拥堵排队车辆通过交叉口的过程,建立不同冰雪路面信号交叉口拥堵识别模型. 通过不同条件下相关参数标定,计算上游路段拥堵临界位置. 利用哈尔滨市区一个交叉口的实际调查数据进行验证,证明该模型能很好与实际相契合.     

基于图表示的智能车行人意图识别方法

智能驾驶场景下的人车冲突问题与行人过街行为密切相关,为使高级驾驶辅助系统（advanced driving assistance system, ADAS）具备识别行人过街意图的功能,并对人车碰撞事件预警,提出一种基于图表示学习（graph representation learning, GRL）方法的行人过街意图识别框架。它采用开源工具对行人骨架信息进行识别,采用图方法,以行人在一段运动过程内每一帧的骨架关键点为节点,以骨架自然连接关系、相关关系和时域关系为边建立图模型,实现对行人动作序列的表征。以图结构数据为输入,基于支持向量机（support vector machine, SVM）训练行人过街意图识别模型。在自动驾驶数据集PIE上对所提出方法进行评估,结果显示,行人过街意图分类准确率可达90.29%,所提出方法能够有效识别行人过街意图,对提高智能车决策安全性具有重要意义。      

一种基于消失点和颜色过滤器的车道线检测算法

针对经典霍夫车道线检测方法实用性较差,无法准确区分车道线和路沿与应用道路场景简单等问题,提出 了一种基于消失点和颜色过滤器的车道线检测算法,不仅提高车道线检测的准确率,而且能够应用较复杂行车场 景;首先,对行车视频连续五帧图像进行预处理,获取行车环境下车道线消失点位置,能够自适应选取行车环境图 像的感兴趣区域(Region of Interest,ROI);然后,对 ROI 图像根据车道线颜色特征进行过滤得到二值图像,获取二 值图像中所有连通区域质心和倾斜角等数据,通过结合消失点特征和角度阈值进行限制,筛选记录符合车道线特 征连通区域的数据,接着分割较大区域获取更多质心点,识别漏检符合车道线特征的区域质心点;最后,对获取的 质心点使用最小二乘法进行拟合并标识车道线;实验结果表明:算法能够在多场景道路上快速准确的检测出车道线,与经典霍夫算法进行仿真比较,算法具有一定的鲁棒性和实时性。     

数据驱动下交通异常行为的双层识别模型

为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine, SVM)、监督学习与长短期记忆(long short term memory, LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation, NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识...     

基于级联卷积神经网络的驾驶员分心驾驶行为检测

针对驾驶员分心驾驶行为检测,设计一种级联卷积神经网络检测框架。检测框架由第一级分心行为预筛选卷积网络和第二级分心行为精确检测卷积网络两个全卷积网络级联构成。预筛选卷积网络是一个轻量级的图像分类网络,负责对原始数据进行快速筛选,其网络层数少、训练速度快,结构特征冗余较少,能够减少后续网络的计算负担;分心行为精确检测卷积网络采用VGG(Visual geometry group)模型特征提取的深度迁移学习检测算法网络,通过迁移学习重新训练分类器和部分卷积层。提出的级联神经网络最终可以实现9种驾驶员分心驾驶行为的准确识别检测。实验结果表明,相比主流单模型检测方法,在保证算法效率的同时准确率均有明显提升,准确率达到93.3%,有效降低了误检率。该方法具有较好的鲁棒性和泛化能力。     

公交出行换乘时间模型及时间阈值研究

针对利用公交出行换乘时间阈值可更加准确区别换乘行为和二次出行行为,提高利用公交IC卡数据自动提取公交换乘时间方法的精确性,进而提升城市交通的整体规划和公交整体服务水平. 通过实际调查,首先对公交出行换乘方式进行了分类,分析了各类公交出行方式的换乘时间影响因素及其影响机理. 在此基础上从微观的角度建立了公交出行时间与各影响因素之间的关系模型,并通过实际调查数据验证了该模型的准确性,应用公交出行换乘时间模型得到了基于GIS公交网络要素分类的各类换乘方式的公交换乘时间阈值.     

基于驾驶倾向性辨识的避撞-报警算法

为了研究适应驾驶员个性需求的避撞-报警算法,将驾驶倾向性作为驾驶员的个性评价指标引入。以实车实验所得驾驶行为数据为基础,提出了一种驾驶倾向性的实时辨识方法。通过驾驶模拟实验,获取了不同驾驶倾向性驾驶员的反应时间和制动减速度数据;并据此提出了一种基于驾驶行为的避撞-报警算法;最后将该算法与典型安全距离算法进行仿真对比。结果表明:本文提出的避撞-报警算法具有较高的可信度,而且体现了各类型驾驶员报警触发时机差异。