0. 引言
随着社会的快速发展和机动车保有量的不断增加,交通安全问题日益凸显。频发的交
通事故造成了大量人员伤亡和财产损失。分析表明:驾驶员自身因素是引起交通事故的重
要因素
[1]
。驾驶倾向性是驾驶员在行车过程中对现实交通状况的态度及其表现出的与之相
适应的决策或行为价值的偏好性,可以较好反映驾驶员因素与交通事故的关系
[2]
。目前,
汽车主动安全预警系统是预防人为交通事故的有效手段。然而,意图识别作为系统核心部
分往往忽略了驾驶倾向性的影响,这就导致系统预警的有效性和准确性较低。因此,将驾
驶倾向性辨识引入到汽车主动安全预警系统中,对细化不同驾驶员驾驶倾向研究,提高安
全预警准确性具有重要意义。
目前,国内外学者对驾驶倾向性的相关研究主要包括驾驶数据采集与处理、驾驶倾向
性辨识模型及应用。驾驶数据采集主要来源于各类传感器、车载诊断(on board
diagnostics,OBD)、移动智能终端、驾驶模拟器等设备。Johnson 等
[3]
基于动态时间归整
算法将智能手机中加速度计、陀螺仪和磁力计等传感器数据进行融合并对危险驾驶行为进
行检测、识别和记录。Feng 等
[4]
采用 OBD、毫米波雷达和行车记录仪采集驾驶员行程数
据,并将每次行程分割成不同的驾驶事件组,基于支持向量聚类算法对驾驶员行程中驾驶
风格的变化进行识别,同时研究了驾驶风格与油耗之间的相关性。Yan 等
[5]
利用驾驶模拟
器和脑电传感设备获取驾驶员仿真驾驶过程中脑电图数据和行车数据,并建立支持向量机
模型对驾驶风格进行研究。Wang 等
[6]
利用 Mobileye 视觉系统和控制器局域网络(controller
area network,CAN)总线所采集的驾驶数据,研究了 1 种利用原始驾驶模式和贝叶斯非参
数方法进行驾驶风格分析的新框架。王晓原等
[7-8]
对驾驶倾向性进行了深入研究,采用车载
激光雷达、毫米波雷达、全球定位系统以及高清摄像机等动态数据采集系统,在自由行
驶、车辆跟驰以及多车道复杂车辆集群编组等特定交通场景下,捕捉人车环境时变数据,
对驾驶员倾向性在线表征和实时辨识进行探索性研究。在驾驶倾向性辨识模型及应用方
面,各项研究多面向于汽车安全辅助驾驶系统。Hou 等
[9]
利用车辆轨迹数据并考虑车辆所
处交通环境的拥挤状况,基于贝叶斯分类器和决策树建立驾驶人换道模型,可应用于车辆
换道辅助系统。Tran 等
[10]
构建了 1 个名为 Carnetsoft 的驾驶模拟器来收集驾驶数据,并利
用 4 种不同的深度卷积神经网络建立分心检测模型,可用来识别 10 种分心或非分心驾驶行
为。王畅等
[11]
采用视觉传感器、雷达传感器和车辆 CAN 总线数据采集系统获取驾驶员自
然驾驶数据,针对换道预警的需求,利用模糊综合评价法建立离线驾驶风格分类模型。严
利鑫等
[12]
利用驾驶模拟器和生物反馈仪获取驾驶人驾驶过程中各项生理指标,研讨生理指
标与驾驶行为险态之间的联系。朱冰等
[13]
利用组合导航系统和移动通讯测距设备获取车辆
跟驰工况下的驾驶数据,采用随机森林算法对驾驶数据各个变量的重要性进行分析并建立
驾驶习性辨识模型,对于汽车辅助驾驶系统中的人机交互具有一定意义。既有的驾驶倾向
性相关研究多基于激光雷达、毫米波雷达、全球定位系统和各类传感器等设备开展。虽然
这些研究取得了一定的辨识精度,但其所用设备价格昂贵,安装相对复杂且实验及后续数
评论0
最新资源