2017-驾驶行为智能分析的研究与发展_10页-2mb

驾驶行为智能分析的研究与发展总结

核心内容

本文系统综述了驾驶行为智能分析的研究现状，涵盖纵向驾驶行为分析与避撞、横向驾驶行为分析与道路偏离预警、复杂驾驶行为学习及驾驶员状态（如疲劳、分心）分析四个主要方向。文章还指出了未来研究的发展趋势，特别是在中国智能驾驶领域的应用前景。

主要观点

1. 驾驶行为智能分析的重要性

• 驾驶行为智能分析有助于制定合理的交通法规和设计有效的智能驾驶导航系统，从而减少交通事故和提高交通效率。
• 通过对大量驾驶员行为数据的统计分析，可以优化交通法规，例如针对老年人驾驶行为的分析。

2. 纵向驾驶行为分析

• 正确评估安全车距和实际车距是纵向驾驶行为分析的基础。
• 使用车载毫米波雷达、激光测距仪和视觉系统来测量车距。
• 纵向驾驶行为建模常采用二阶滞后频域模型和切换系统等方法。
• 需要综合多种传感器信息，去除数据噪声和驾驶员操作不精确性的影响。
• 模糊控制系统和神经网络被用于提高建模精度，但存在计算复杂性和过设计等问题。

3. 横向驾驶行为分析

• 横向驾驶行为分析重点在于车辆转弯轨迹和偏离道路中心线的预警。
• 采用视觉传感器和磁感应传感器来获取道路曲率和车辆轨迹信息。
• 横向驾驶模型通常比纵向模型更复杂，常采用高阶频域模型。
• 驾驶员状态和驾驶习惯对横向驾驶行为影响较大，尤其在复杂路况下。

4. 复杂驾驶行为分析

• 复杂驾驶行为包括换道、停车等，需要综合考虑车辆动力学和驾驶员行为。
• 基于多项式插值的轨迹生成方法被用于模拟车辆运动轨迹。
• 模糊系统和神经网络被用于复杂驾驶行为建模，以实现更精准的控制和预测。
• 复杂驾驶行为的建模需要结合多种传感器信息和在线学习机制。

5. 驾驶员状态分析

• 驾驶员的生理和心理状态对驾驶行为质量有重要影响。
• 疲劳驾驶、酒后驾驶、分心驾驶是导致交通事故的主要原因。
• 基于视觉的驾驶员状态分析方法包括眼球、眼睑和头部动作监测。
• 基于脑电波、脉搏、血压等生理信号的监测方法也有所应用，但存在设备复杂和非接触式测量的限制。
• 通过分析驾驶员的异常纵横向行为（如反应时间、转向频率）可以间接判断其状态。

关键信息

• 纵向驾驶行为：关注安全车距、跟车习惯和避撞策略，采用频域模型、模糊控制和神经网络等方法。
• 横向驾驶行为：关注转弯轨迹和偏离预警，使用高阶频域模型、视觉系统和传感器融合技术。
• 复杂驾驶行为：包括换道、停车等，需要结合轨迹生成和多变量建模方法。
• 驾驶员状态分析：涵盖疲劳、分心、情绪等，采用视觉监测、生理信号检测和行为分析等手段。
• 研究趋势：信息统一化、决策智能化、多学科融合、传感器信息融合、在线自适应学习等。
• 未来发展方向：结合“Steer-by-Wire”和“Brake-by-Wire”技术，提高智能驾驶的安全性和便利性；推动驾驶员行为与交通法规的结合；加强国内研究与国际接轨。

表格对比

表1：驾驶行为建模方法对比

表2：驾驶员生理监测方法对比

结论

驾驶行为智能分析对于减少交通事故和提高交通效率具有重要意义。目前研究主要集中在四个方向，各方向有不同的建模方法和研究重点。随着技术的发展，未来研究将更加注重多学科融合、信息融合、在线学习和闭环控制，以实现更智能化、个性化的驾驶辅助系统。在中国，该领域的研究有较大的发展潜力，特别是在交通法规制定、智能驾驶系统开发和交通拥堵缓解方面。