论文部分内容阅读
近年来,随着我国工业实力的不断增强,汽车制造业也随之升级换代,发达的汽车制造业使得机动车保有量年年攀升,但高速增长的机动车数量在展现中国日益强大的工业实力的同时,也带来巨大的交通安全隐患等社会问题。由于交通安全事故带来的经济财产损失的逐年攀升,该问题也逐渐成为了国家与社会舆论关注的焦点。《中华人民共和国道路交通事故统计年报》中指出,在各类事故的诱因中,驾驶员肇事因素仍然是事故主体,在驾驶员肇事行为中,驾驶员误判和处置措施不当为主要行为。这表明驾驶员的危险驾驶行为已成为交通事故发生的主导因素之一。除开《中华人民共和国道路交通安全法》中法律明确规定的超速、违规变道等违法违规行为之外,一些可能引发交通事故的存在安全隐患的问题并没有得到足够的重视,如:驾驶员对于其他驾驶员行为的误判,对于车辆性能的错误判断以及对于驾驶场景的预估出现偏差等;并且重要课也没有一个可靠的评估手段。因此,有效地发掘存在安全隐患的驾驶行为,提高行车安全性,保障人民的生命财产安全已经是当下交通安全研究题之一。本文针对驾驶员行为的误判、驾驶场景的预估偏差等问题,提出一种对于不同场景下不同驾驶风格驾驶员的驾驶风险度评估模型,研究基于驾驶员不同的判断下产生的驾驶风险度,构建驾驶风险度评估模型。并基于NGSIM自然驾驶数据集进行了实验验证。主要研究内容如下:
(1)提出了基于NGSIM自然驾驶数据集的车辆行驶状态识别模型。本文首先从驾驶风格分类分析出发,分析不同场景下驾驶员的驾驶风格趋向性,以NGSIM中的车辆运动数据为基础,构建驾驶场景识别模型,从数据集中提取出不同场景下的车辆行驶状态模型,为之后对不同场景下的驾驶风格聚类研究打下了良好的基础。
(2)在提取出不同场景下的车辆驾驶数据后,分析各个驾驶数据参数与驾驶风格之间的联系,从中提取出可以较好的描述驾驶风格的特征参数构成特征向量。在获得不同场景下的不同特征参数后,通过模糊C均值聚类方法,以隶属度作为相似性规则,对各个场景下表征驾驶员驾驶风格的特征向量进行聚类分析,最终获得各个场景下驾驶员的驾驶风格趋向性概率。
(3)在驾驶风险度评估模型中,考虑到驾驶员在场景中驾驶风格趋向概率以及对于场景的判别概率不是一成不变的,因此需要引入反馈机制来实时的调整驾驶员对于驾驶场景的判断,和驾驶员对于驾驶风格的判断,由于对于驾驶员而言,在不确定的场景下,各个场景的出现概率差距不大,在该情况下,对于场景的判别结果对于驾驶员的判断场景的趋向性就有着很大的影响,而该特性与信息熵理论的特性高度相似,因此引入信息熵理论构建一个反馈模型,用于实时的调节各个场景的出现概率,使得接下来构建的基于贝叶斯网络能够转换为动态贝叶斯网络。从而更好的对驾驶风险度进行评估。
(4)基于前文大量的研究,可构筑一个动态贝叶斯网络来对驾驶风险度进行评估,通过有向无环图对不同场景下的驾驶风格建立相互关系后,需对图中的各个终端节点即不同场景下的驾驶风格与驾驶风险度的关系进行分析,建立驾驶风险度-驾驶风格-驾驶场景对应关系量表,从而使得模型对于驾驶风格的判断可以转化为对驾驶风险度的判断,完成依照驾驶风格对驾驶风险度的评估。
研究表明,该模型可对驾驶场景进行准确判别,在NGSIM数据集中,其判别准确率达到了92.5%。
(1)提出了基于NGSIM自然驾驶数据集的车辆行驶状态识别模型。本文首先从驾驶风格分类分析出发,分析不同场景下驾驶员的驾驶风格趋向性,以NGSIM中的车辆运动数据为基础,构建驾驶场景识别模型,从数据集中提取出不同场景下的车辆行驶状态模型,为之后对不同场景下的驾驶风格聚类研究打下了良好的基础。
(2)在提取出不同场景下的车辆驾驶数据后,分析各个驾驶数据参数与驾驶风格之间的联系,从中提取出可以较好的描述驾驶风格的特征参数构成特征向量。在获得不同场景下的不同特征参数后,通过模糊C均值聚类方法,以隶属度作为相似性规则,对各个场景下表征驾驶员驾驶风格的特征向量进行聚类分析,最终获得各个场景下驾驶员的驾驶风格趋向性概率。
(3)在驾驶风险度评估模型中,考虑到驾驶员在场景中驾驶风格趋向概率以及对于场景的判别概率不是一成不变的,因此需要引入反馈机制来实时的调整驾驶员对于驾驶场景的判断,和驾驶员对于驾驶风格的判断,由于对于驾驶员而言,在不确定的场景下,各个场景的出现概率差距不大,在该情况下,对于场景的判别结果对于驾驶员的判断场景的趋向性就有着很大的影响,而该特性与信息熵理论的特性高度相似,因此引入信息熵理论构建一个反馈模型,用于实时的调节各个场景的出现概率,使得接下来构建的基于贝叶斯网络能够转换为动态贝叶斯网络。从而更好的对驾驶风险度进行评估。
(4)基于前文大量的研究,可构筑一个动态贝叶斯网络来对驾驶风险度进行评估,通过有向无环图对不同场景下的驾驶风格建立相互关系后,需对图中的各个终端节点即不同场景下的驾驶风格与驾驶风险度的关系进行分析,建立驾驶风险度-驾驶风格-驾驶场景对应关系量表,从而使得模型对于驾驶风格的判断可以转化为对驾驶风险度的判断,完成依照驾驶风格对驾驶风险度的评估。
研究表明,该模型可对驾驶场景进行准确判别,在NGSIM数据集中,其判别准确率达到了92.5%。