原文传递
高复杂度场景驾驶分心特性及驾驶分心判别模型研究
| 论文题名： | 高复杂度场景驾驶分心特性及驾驶分心判别模型研究 |
| 关键词： | SVM-Adaboost算法;眼动信息;驾驶分心判别;高复杂度场景;分心特性 |
| 摘要： | 在人员、机动车、道路环境三者构成的道路交通系统中，人的因素在交通事故中占据比例最大，其中因为驾驶人分心而产生的注意偏离是引发道路交通事故最常见的原因。因此，针对驾驶分心表现及驾驶分心判别模型展开研究刻不容缓。驾驶分心主要分为视觉分心和认知分心两大类，本文根据驾驶分心类别的划分，主要包括以下几个方面的工作内容： （1）基于Prescan软件构建高复杂度场景下驾驶分心模拟实验场景。针对现有研究实验仿真场景单一、驾驶分心判别模型准确率不足的问题提出了本文的研究方向，结合驾驶分心的定义设置分心替代次任务，构建了高复杂度驾驶分心场景，提出了起停时间同步、数据采集的时间步长同步、Prescan与simulink耦合仿真程序运行时间同步及驾驶分心次任务执行时间标定等问题的解决方案，并对数据进行标准化处理，为后续驾驶分心判别模型的构建提供数据支持。 （2）获取了三类场景（直行路段、停止交叉口、转向路段）下不同难度的视觉分心和认知分心数据。以高复杂度道路为实验场景，设置了4组变量（性别分组-组间变量、年龄分组-组间变量、视觉/认知次任务-组内变量、难度分组-组内变量）进行驾驶模拟，分析了驾驶人（性别、年龄）在不同路段（直行、停止、转向）执行不同难度的视觉和认知次任务对驾驶分心特性表现的影响，总结了各驾驶分心特征的指标显著性，为驾驶分心特征主成分排序提供依据。 （3）基于改进SVM-Adaboost算法构建了驾驶分心判别模型。基于主成分分析提取表征驾驶分心的关键特征，提取出注视时间比、注视点坐标、车速、加速度、方向盘转角、制动力，油门踏板开度7个特征指标，集成两种机器学习算法的构建了基于SVM-Adaboost的驾驶分心判别模型，并使用驾驶分心判别模型结合驾驶分心危险状态判别方法，对驾驶分心危险状态预警进行评估。 研究结果表明，基于改进SVM-Adaboost驾驶分心判别模型精确度显著提高，对模拟实验中的六类驾驶分心状况判别效果显著，驾驶分心判别模型的使用能够显著提高交通安全水平，缓解驾驶分心行为对道路交通安全的影响。 |
| 作者： | 孙辉 |
| 专业： | 交通运输工程 |
| 导师： | 葛慧敏 |
| 授予学位： | 硕士 |
| 授予学位单位： | 江苏大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
