详情

原文传递不同认知负荷下考虑驾驶人生理特征的行车风险辨识方法

论文题名：	不同认知负荷下考虑驾驶人生理特征的行车风险辨识方法
关键词：	视觉特征;脑电特征;驾驶人生理特征指数;行车风险辨识;路试驾驶试验;认知负荷
摘要：	驾驶安全一直是交通领域研究的热点问题。随着车联网与智能汽车的逐渐发展，车辆的安全性能越来越受到重视，由于目前短时间内很难实现全自动驾驶，必然会出现人机共驾这一混行场景，导致新的交通安全问题。为了提高道路安全水平，需要全面掌握驾驶人的生理特征、驾驶状态从而有效地辨识行车风险，在事故发生前进行有效预警并采取措施避免事故的发生，减少人员的伤亡和财产的损失。深入挖掘驾驶人生理特征进而有效辨识风险，有利于提高行车安全性，也可为完善驾驶辅助系统提供理论依据。　　本文设计了实车驾驶实验并采集到驾驶人的眼动、脑电特征指标和车辆运行指标数据。在驾驶过程中设计了不同难度的认知负荷任务，通过驾驶人在计算不同难度数学题的过程中产生的不同程度的认知负荷，实现正常驾驶状态与认知负荷任务下驾驶状态的对比。　　针对驾驶人的视觉特征，主要研究了不同认知负荷作用下驾驶人视觉注视与转移特征。运用熵值法宏观分析驾驶人的视觉注视特征；通过马尔科夫理论构建视线转移一步和二步转移概率矩阵，分析了驾驶人在正常驾驶状态和不同认知负荷下视线转移特征；总结出不同认知负荷作用下视觉与认知注意力之间的竞争关系，从视觉的角度对不同认知负荷下行车安全进行研究。　　针对驾驶人的脑电特征，将采集得到的脑电信号先经过独立成分分析去除眼电干扰，再采用连续小波变换进行信号分解与重组，得到五个不同频段的脑电信号。对不同驾驶状态下五个频率波段的幅值特征、显著性和信号复杂度进行研究，并通过功率谱密度绘制脑电地形图，研究各频率信号在不同认知负荷作用下脑电图分布规律、事件相关谱扰动和试次间相干指数。对各通道资源占用规律进行总结，从脑电的视角分析了认知负荷对行车安全的影响。　　基于脑电指标对驾驶人生理特征指数进行量化，通过门控循环单元网络模型对五个脑电指标进行训练，得到驾驶人的注意力指数和放松度指数作为生理特征量化指标。在模型的构建中，对超参数进行初步设定，通过对比不同激活函数、优化器优化算法、初始学习率和隐藏层神经元数目对模型进行优化。选取与所构建模型具有同结构和超参数的长短时记忆网络网络模型、循环神经网络模型以及优化后的随机森林模型进行对比，验证了构建模型的有效性，从而实现基于脑电信号对驾驶人生理特征的量化。　　最后综合考虑了车辆间的冲突风险和驾驶人自身生理特征诱发的行车风险并进行辨识。在车辆冲突风险的辨识方法中，通过VISSIM的场景校准与二次开发，匹配仿真实验环境与路试试验的交通环境，并利用多车运行数据的结果对智能驾驶人模型进行校准和参数标定，计算得到ITTC，作为车辆冲突风险的辨识指标。在由驾驶人自身生理特征引发的行车风险辨识中，将包括注意力指数、放松度指数、瞳孔直径等在内的六个因素作为风险辨识指标，应用模糊贝叶斯网络方法构建风险辨识模型。同时，论文还建立了针对上述两种类型风险的预警方案，可以有效地提高行车安全性。　　对行车风险进行有效辨识并预警，及时发现驾驶过程中可能存在的安全隐患，对于降低交通事故数量，提高我国道路交通安全水平，推动车内驾驶辅助系统应用方面具有重要的实践意义。同时研究的成果也可以为交通管理者提供政策和理论支持，对加强驾驶人相关管理具有重要应用价值。
作者：	祁首铭
专业：	交通运输规划与管理
导师：	张亚平;马艳丽
授予学位：	博士
授予学位单位：	哈尔滨工业大学
学位年度：	2021