摘要：为了研究车辆跟驰过程中驾驶人认知分心与驾驶安全的关系,采用驾驶模拟器构建城市道路车辆跟驰场景,并设计3种难度等级的认知分心次任务,采集35名被试驾驶人在试验过程中的方向盘转角、油门开度、制动踏板力等操作参数,以及车辆位置、速度、加速度等车辆运动参数。采用重复测量一般线性模型,分析不同等级认知分心对上述参数的影响。研究结果表明:在横向操控方面,随着认知分心程度增高,方向盘回转率增大,但车辆横向位置标准差减小,表明驾驶人处于认知分心时,采取频繁修正方向盘的补偿方式,降低车辆横向位置波动,过度补偿车辆横向安全性,且该补偿行为与认知分心程度正相关;在纵向操控方面,认知分心时,油门开度、制动踏板位置方差增大,且制动踏板位置均值增大,同时车头间距及时距未观察到显著性变化,表明认知分心时驾驶人采取频繁操作油门、制动踏板,增大制动幅度等方式进行补偿,使车头间距及车头时距等表征车辆纵向跟车安全性参数处于正常驾驶水平,但加速度标准差增大,表明跟车稳定性降低。研究结果为涉及分心的人车交互装置优化设计及考虑分心状态的驾驶人状态管理系统开发提供了一定的理论依据。

摘要：针对现有驾驶人情绪识别方法存在的识别实时性不足、识别精度较低等问题,提出一种表情识别及其时序情绪表达的驾驶人情绪识别方法。首先,建立VGG Lite驾驶人表情识别模型,在传统VGG Net模型结构上,通过改变卷积层堆叠结构以大幅减少模型的参数量,修改激活函数以增强模型对人脸表情中细节特征的表达能力,并在模型中增加性能优化层来提升模型的收敛性和泛化性。其次,分析表情时序变化与情绪状态之间的关系,研究时间序列演变的情绪表达方式,设计了包含表情时序转化、表情-情绪量化映射和时序情绪表达的驾驶人时序情绪识别方法。然后,采用Fer2013数据集,将所提出的VGG Lite驾驶人表情识别模型与其他模型进行比较验证,证明了该模型不仅可以保持高识别准确率,还有效降低了模型参数量,从而提高了识别速度,此外,采用自制数据集识别表情获得了98.8%的高准确率,证明了该模型能有效识别不同驾驶情境中的驾驶人表情。最后,以公交车驾驶人情绪识别为例对提出的时序情绪识别方法进行试验验证,结果表明,该方法能够准确识别驾驶人各种表情转换下的复杂情绪状态,平均识别率高于95%,比单帧情绪识别方法提升5%以上,每帧图像的情绪识别耗时平均低于0.03 s,每秒平均识别超过10帧,满足交通驾驶情绪识别的实时性要求。所提方法能够及时、准确地评估驾驶人的情绪状态,为提高交通系统整体安全性和效率提供了更有效的手段。

摘要：准确评估驾驶人认知负荷水平,对于深入研究驾驶人行为特性,改善驾驶安全性具有重要意义。现有的驾驶人认知负荷分类方法,大多基于心电、脑电等生理信息和车辆信息,由于特征选择上的单一性,导致驾驶人认知负荷分类模型的分类精度不高。设计基于跟驰场景的不同认知负荷N-back次任务试验,通过采集受试者的生理信号和车辆信号,结合NASATLX主观评分和机器学习算法,提出了基于多维信息特征融合的驾驶人认知负荷分类方法。研究表明:基于生理信息和车辆信息的多维信息特征认知负荷分类方法,其精度显著高于传统的基于生理信息的认知负荷分类方法,以多维信息特征为输入,随机森林法以其稳定性好、抗过拟合能力强的特点,表现出优异的分类效果,相比神经网络和支持向量机,具有最高的平均分类精度。

摘要：为研究脑机接口(BCI)在交通运输中的应用,减少因疲劳驾驶导致的交通安全事故,提出基于前额脑电(EEG)信号多尺度小波对数能量熵的驾驶疲劳检测方法。首先,设计驾驶仿真模拟试验,利用脑电帽采集26名被试清醒驾驶和疲劳驾驶的前额EEG信号,试验过程中,使用主观检测方法每隔20min对被试进行问询;其次,应用MATLAB对采集到的EEG数据进行预处理,基于2种驾驶状态形成被试初始样本数据集;进而,在该数据集基础上,利用多尺度熵的概念,提取EEG信号小波对数能量熵(WLE)特征,同时提取经典模糊熵(FE)特征进行比较分析;然后,运用极限学习机(ELM)对提取的特征数据集进行快速有效的精准分类,并使用留一交叉验证法进行验证评估;最后,对比经典FE分类表现,并结合多种性能指标对驾驶疲劳检测结果进行综合比较。研究结果表明:在本文试验条件下,基于多尺度WLE(MWLE)的前额EEG疲劳识别率显著高于基于多尺度FE(MFE)的识别率,其理论平均正确率达91.8%;基于多尺度熵的EEG信号特征提取方法能有效提高驾驶疲劳识别效果和算法效率;多种性能指标表明前额EEG的WLE可以作为衡量驾驶疲劳的有效生理指标;结果验证了采用基于ELM对MWLE的前额EEG信号进行驾驶疲劳检测方法的有效性和实用性,有助于促进可穿戴BCI在疲劳驾驶预警中的应用。

摘要：为探究外部干预对驾驶人危险感知能力的作用效果,梳理不同理论描述驾驶人危险感知过程,并总结驾驶人危险感知行为机制;然后,从危险感知行为要素出发,分析驾驶风格、驾驶经验、交通环境、驾驶状态对危险感知能力的影响;其次,介绍5种危险感知能力干预方式的研究成果,归纳各方式特点;最后,从干预效果持续性、评价指标、迁移效应等方面总结现有研究的局限性及发展方向,并给出相关建议。结果表明:有必要搭建我国典型的交通危险场景数据库,并设计标准的危险感知能力测试体系,制定相关的政策法规,以提高驾驶人危险感知能力测试的影响力,提升我国驾驶人整体危险感知能力水平。

摘要：公路隧道疲劳缓解灯光带的设置可以改善隧道内视觉环境,但其形式设计过于复杂会导致驾驶员的注意力过多地转移到灯光带上,危害驾驶安全。基于此,文章依托杨林特长隧道,利用眼动仪对驾驶员在隧道内以及疲劳缓解灯光带段的眼动特征进行现场测试,通过对比得到疲劳缓解灯光带对眼动特征的影响规律。研究结果表明:在灯光带段内驾驶员的注视范围扩大,呈线状向两侧隧道壁分布;驾驶员在疲劳缓解灯光带段内对隧道壁的注视时间更长,但仍远小于对中央主视区远方的注视时间;疲劳缓解灯光带段驾驶员在中央主视区远方的眼动类型几乎均为注视,而在两侧隧道壁的区域眼跳占据一定比例;在通过杨林特长隧道疲劳缓解灯光带时驾驶员主要关注的仍是前方的道路情况,驾驶员可以较为容易地获得并感知墙壁图案提供的信息。

摘要：为了获取适合视觉功效的最佳路面色彩,以提高高速公路的行车安全,通过采用虚拟驾驶实验方法,使用眼动测试仪对驾驶员行车时的眼动特征进行测试分析,以探讨红、黄、蓝、黑四种颜色路面对驾驶员扫视幅度、瞳孔面积大小以及瞳孔面积变化率等视觉特征的影响。研究表明:通过在高速公路特殊路段铺设彩色路面,可以改善驾驶员疲劳程度,提高驾驶员的行车警惕性,确保行车安全;其中在黄色路面上,驾驶员的眼动特征变化处于安全区间,且其警惕性最高。

摘要：对城市道路上的自动驾驶车辆,提出了一种判别行人过街意图的识别方法。该方法利用双流、时空自适应图卷积神经网络(2s-AGCN),联系了行人骨架的动力学与行人过街意图;以时空图卷积神经网络(ST-GCN)的动作识别为基础,加入自适应图卷积神经网络结构(AGCN);在骨骼的长度和方向上,设计了双流网络,将2个网络输出的Softmax分数融合,来预测行人过街意图。根据自动驾驶联合注意力公开数据集(JAAD),进行了仿真实验。结果表明:本文的2s-AGCN行人过街意图识别方法的准确率达到了89.36%,比ST-GCN神经网络的结果高3.36%。因此,该方法识别准确率较高。

摘要：深入研究人类驾驶员的驾驶行为和习性,对于推进智能汽车的拟人化决策规划,改善驾驶安全性具有重要意义。针对高速公路这一典型场景,基于NGSIM(Next Generation Simulation)数据集提取有效表征换道驾驶行为的特征参数,分析换道驾驶行为与驾驶参数的相关性,量化驾驶行为特性,建立了基于高斯混合-隐马尔科夫理论(Gaussian mixed model-hidden Markov model,GMM-HMM)的换道意图识别模型。研究结果表明:该模型识别准确率较高,在换道点1.0 s之前的换道行为识别准确率达到95.6%,在有换道意图的时刻识别准确率超过80%,可应用于智能汽车换道策略的拟人化设计,有效降低换道风险,改善驾驶安全。

摘要：为提升邻车切入工况下的行车安全,基于驾驶模拟实验平台,研究了驾驶人对前撞预警系统的依赖特性评价方法以改进预警系统的设计。以预警时机(即碰时间TTC)为研究变量,采集了12名驾驶人的实验数据,以制动依赖指数、次任务评分为2项客观指标,以危险度评分、信任度评分为2项主观指标,建立了评价体系模型,实现了对驾驶人系统依赖程度的量化评价。设计了L9(34)正交实验,建立了依赖特性评价回归模型。结果表明:预警时机(TTC)对依赖特性的影响最为显著:过晚的预警时机(TTC=2.4 s)降低系统的有效性;过早的预警时机(TTC=1.2 s)易导致驾驶人对系统过度依赖。因而,适度推迟预警时机(TTC=1.8 s)可以抑制依赖性的产生,提升系统的安全性。