原文传递
基于驾驶员在环试验台的注意力分散研究
| 论文题名： | 基于驾驶员在环试验台的注意力分散研究 |
| 关键词： | 驾驶员;注意力分散;眼动信息;高斯混合模型 |
| 摘要： | 注意力分散是造成驾驶员失误，导致交通事故的重要原因之一，开展驾驶员注意力分散检测研究对提升交通道路安全至关重要。与疲劳不同，注意力分散具有持续时间短，影响因素复杂，具体表现方式多样的特点，如不同类型的干扰对驾驶员造成的影响不同，甚至同类型的干扰在不同道路条件下的影响也不同。注意力分散在干扰消除后随之消失，驾驶员恢复成专注驾驶。因此，研究驾驶注意力对道路安全具有十分重要的意义。针对驾驶注意力分散，论文主要完成了以下工作： （1）搭建实验道路场景，设计了箭头辨识测试，连续记忆测试作为视觉、认知次任务代替实际驾驶干扰，诱导驾驶员进入注意力分散状态。对占用单一资源通道次任务在负荷阶梯上设计了不同难度。采集了两类场景下单任务(专注)驾驶和双任务(注意力分散)驾驶数据，实验共获取了10名驾驶员的有效数据。采用四分位数法剔除了异常数据，为接下来的分析提供了可靠的数据样本。 （2）分析次任务类型、难度，并得出如下结论：道路场景对眼动信息和操纵信号上的影响，次任务类型决定了眼动和驾驶行为产生何种变化，而次任务难度或道路场景复杂程度决定了该变化的显著程度。结合认知心理学中的风险平衡理论，对部分特征的过补偿现象和欠补偿现象进行解释。总体而言，视觉次任务对操纵信号的影响较大，驾驶员也对视觉次任务更为敏感，更倾向于采取风险补偿行为。 （3）提取统计类和经验类特征，以车辆速度和转向盘角度为原始信号，初步选取27种候选特征。通过Relief算法得到不同次任务下各个特征的权重，分别选取视觉次任务和认知次任务权重前5的特征作为各自分心类型的最优特征子集，总结得出了这两种次任务的共同关键特征。根据最优特征，设计了基于 GMM的注意力分散检测算法。交叉验证的方法验证检测算法的准确性，算法结果在不同场景-次任务类型间，识别率达64.4％-82.6%，加入眼动信号能将算法对认知次任务的检测准确率提高至70.5%。最后分析次任务类型和道路场景对算法分类准确率的影响。结果表明，视觉次任务的检测准确率高于认知任务。弯道场景下的检测率高于直道，考虑道路环境因素，可以更好地获得注意力状态信息。 |
| 作者： | 周昱廷 |
| 专业： | 车辆工程 |
| 导师： | 宋晓琳;藤瑞品 |
| 授予学位： | 硕士 |
| 授予学位单位： | 湖南大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
